Hướng dẫn sử dụng phần mềm Eview 5.0

Khi đó màn hình sẽ như sau không cần viết hoaHình 10 Nhấp OK, ta được đồ thị phân tán như hình sau Hình 11 Cũng tương tự như các bước trên nhưng nếu ta chọn Line graph để vẽ đồ thị mô tả

HƯỚNG DẪN SỬ DỤNG PHẦN MỀM EVIEW 5.0

1 Nhập dữ liệu

Để minh hoạ cho phần này, ta xét các ví dụ sau

Ví dụ 1 Bảng 1 dưới đây cho biết số liệu về GDP bình quân đầu người của Việt Nam trong các năm 1998 – 2006

5280 6250 5883 7523 6783

4138 4565 5286 5758 6268

3959 4770 6142 5714 7618

7810 8712 9280 10144 11567 Bảng 2.

Ví dụ 3 Bảng 3 dưới đây cho biết số liệu về năng suất (Y, đơn vị tạ/ha) và mức phân bón (X, đơn vị tạ/ha) cho một loại cây trồng tính trên một ha trong 10 năm từ 1988 đến 1997.

Chọn File  New  Workfile

Hình 1 Tuỳ vào kiểu dự liệu cần khảo sát, ta có thể chọn được các kiểu sau :

- Annual : Số liệu năm

- Semi – Annual : Số liệu nữa năm

- Quarterly : Số liệu theo quý

- Monthly : Số liệu theo từng tháng

- Weekly : Số liệu theo từng tuần

- Unstructure / Undate : Số liệu chéo

Để nhập dữ liệu cho bảng 1 là

số liệu năm, khi đó ta chọn các

khai báo như trong hình bên.

Hình 2

Để nhập dữ liệu cho bảng

2 là số liệu theo từng quý trong

năm, khi đó ta chọn các khai

báo như trong hình bên.

Số liệu sẽ được nhập từ

quý I năm 2001 đến quý IV

năm 2005.

Hình 3

Để nhập dữ liệu cho bảng

3 và 4 là số liệu chéo, khi đó ta

chọn các khai báo như trong

hình bên.

Trong ô Observations ta

nhập cở mẫu (số các quan sát)

Chẳng hạn trong bảng 3

ta nhập 10.

Hình 4

Sau khi khai báo xong, nhấp

OK Khi đó màn hình xuất

hiện như sau

Để hập số liệu ta chọn

Quick Empty Group

(Edit Series), màn hình

hiện ra một cửa sổ như

hình bên Trong đó

- cột obs ghi thứ

tự quan sát.

- Các cột kế tiếp

để khai báo các biến và

nhập số liệu.

Ví dụ nhập số liệu cho

biến Y vào cột số 2, ta

nhấp chuột vào đầu cột

này và gõ tên biến Y sau

đó nhấp Enter và lần lượt

gõ các giá trị vào các ô

bên dưới có ghi chữ NA

Hình 9 Một của sổ Series List xuất hiện Ta gõ tên biến độc lập (X) và biến phụ thuộc (Y) giữa hai biến này là khoảng trắng Khi đó màn hình sẽ như sau (không cần viết hoa)

Hình 10 Nhấp OK, ta được đồ thị phân tán như hình sau

Hình 11 Cũng tương tự như các bước trên nhưng nếu ta chọn Line graph để vẽ đồ thị mô tả xu

hướng biến thiên của một biến nào đó chẳng hạn biến (Y) ta được đồ thị sau

Ngoài ra ta còn có thể vẽ đường hồi

quy thích hợp với nhất với bộ số liệu

Muốn vậy từ của sổ Workfile chọn View

 Show ta gõ tên biến độc lập (X) và

biến phụ thuộc (Y) vào của sổ Show

như hình 12

Sau đó nhấp OK

Hình 13

Từ của sổ Group chọn View

Graph Scatter Scatter with

Regression… như trong hình 13

Hình 14

Sau khi nhấp chuột, của sổ sau sẽ xuất hiện

Hình 15 Cách chọn mặc định là đường thẳng (tức Y và X có mối tương quan tuyến tính) Nếu không ta có thể nhấp chuột vào các nút tương thích với mô hình khảo sát Nếu chọn đường thẳng ta có đồ thị phân tán như trong hình sau

Hình 16 Đối với đồ thị để hiệu chỉnh (đường nét, màu, … ) ta chỉ cần nhấp đúp vào đồ thị màn hình sau sẽ xuất hiện

Trong đó các ô như

- Color : hiệu chỉnh màu sắc

- Line pattern : hiệu chỉnh kiểu đường nét

- Line / Symbol width : hiệu chỉnh độ lớn của đường nét

- Symbol : chọn kiểu hiện thị cho các điểm

Đặc biệt trong mô hình hồi quy bội (nhiều hơn hai biến) ta có thể vẽ đồng thời các đồ thị phân tán của các biến với nhau (ta gọi ma trận đồ thị) Chẳng hạn như trong ví dụ

4, ta vẽ đồ thị phân tán giữa các biến Y, X , X như sau 2 3

Từ của sổ Workfile chọn View Show ta gõ tên biến độc lập X , X và biến phụ thuộc2 3

(Y) vào của sổ Show nấp OK

Trong của sổ Group chọn View Multiple Graphs Scatter Matrix of all pairs

(SCATMAT) Như trong hình 18

Hình 18

Nhấp chuột, ta được đồ thị phân tán giữa các biến được sắp xếp dưới dạng một ma trận như sau

Hình 19 Nhìn vào hình 19 ta thấy rằng giữa Y và X , X có mối quan hệ tuyến tính, còn giữa2 3

X , X gần như không có sự tương quan với nhau điều này cho phép ta khảo sát vấn đề về tự tương quan hay đa cộng tuyến giữa các biến độc lập với nhau.

3 Tìm hàm hồi quy mẫu

Nếu ta muốn tìm hàm hồi quy tuyến tính mẫu của Y theo X chẳng hạn trong ví dụ 3, từ của sổ Eviews chọn Quick Estimate Equation… màn hình khi đó như sau

Hình 20 Nhấp chuột màn hình sau xuất hiện

Ta gõ theo thứ tự y c x vào trong khung Equation specification (trong đó y chỉ biến phư thuộc, c là hệ số tự do, x là biến độc lập) Sau đó nhấp Ok ta có bảng kết quả hồi quy như sau

Hình 22 Các kết quả ở bảng trên lần lượt là

- Dependent Variable : Biến phụ thuộc là Y

- Method : Phương pháp ước lượng là phương pháp OLS

- Date – Time : Ngày giờ thực hiện

- Sample : Số liệu mẫu 1 – 10

- Included observations : Cở mẫu là 10

- Cột Variable : Các biến giải thích có trong mô hình (trong đó C là biến số tự

do)

- Cột Coefficient : Giá trị các hệ số hồi quy  1 và  2.

- Cột Std Error : Độ lệch chuẩn của các hệ số hồi quy

se   var( )  và se  2  var( ) 2

- Cột t – Statistic : Giá trị thống kê t tương ứng





1 1

t se( )





 (Trong đó t là đại lượng ngẫu nhiên có phân phối Student với bậc tự do (n – 2)).

- Cột Prob : Giá trị p – value của thống kê t tương ứng

P( t  t - Statistic )

- R – Squared : Hệ số R2

- Adjusted R – Squared : Hệ số R điều chỉnh 2

- S.E of regression : Giá trị ước lượng cho  : 

- Sum squared resid : Tổng bình phương các phần dư ( RSS )

- Log likelihood : Tiêu chuẩn ước lượng hợp lý

- Durbin – Watson stat : Thống kê Durbin – Watson

- Mean dependent var : Giá trị trung bình của biến phụ thuộc

- S.D dependent var : Độ lệch chuẩn của biến phụ thuộc

- Akaike info criterion : Tiêu chuẩn Akaike

- Schwarz info criterion : Tiêu chuẩn Schwarz

- F – Statistic : Giá trị của thống kê F

- Prob( F – Statistic) : Giá trị p-value của thống kê F tương ứng

P(F F - Statistic) Với F là biến ngẫu nhiên có phân phối Fisher có bậc tự do (k 1,n k)  

Nếu muốn hiển thị theo dạng phương trinh, từ của sổ Equation chọn View

Representations Màn hình có dạng như sau

4 Một số hàm trong Eviews

- LOG(X) : ln(X)

- EXP(x) : eX

- ABS(X) : giá trị tuyệt đối của X

- SQR(X) : căn bậc 2 của X

- @SUM(X) : tổng của các Xi

- @MEAN(X) : giá trị trung bình của X

- @VAR(X) : phương sai của X

- @COV(X,Y) : hiệp phương sai của X, Y

- @COR(X,Y) : hệ số tương quan của X, Y

5 Một số dạng hàm hồi quy

- Giả sử ta có số liệu của các biến Y và X nếu tìm hàm hồi quy của Y theo X và Yt 1(biến trể) thì câu lệnh sẽ là

- Nếu cần tìm hàm hồi quy nhưng không sử dụng hết các quan sát của mẫu, chẳng hạn

ta tìm hàm hồi quy của Y theo X trong ví dụ 3 nhưng ta chỉ sử dụng 7 cặp quan sátđầu tiên Khi đó ta thực hiện các thao tác như trong hình sau

Hình 24

6 Tìm ma trận tương quan và ma trận hiệp phương sai

Giả sử ta có mẫu gồm các biến Y, X , X2 3 cho trong ví dụ 4 Để tìm ma trận tương quan củacác biến này, từ cửa sổ Eviews chọn Quick Group Statistics Correlations Khi đó màn hìnhxuất hiện như sau

Hình 25Nhấp chuột sẽ xuất hiện của sổ sau

Hình 26

các biến vào của sổ trên) Sau đó nhấp OK, ta được ma trận tương quan như sau

Hình 27Tương tự như trên nếu ta chọn Covariances như hình 27

Hình 28

Ta được ma trận hiệp phương sai như sau

Hình 29

7 Dự báo

Trước tiên ta xây dựng các công thức trong bài toán dự báo như

- Công thức dự báo cho giá trị cá biệt Y0 :

Từ thống kê

ˆ

( )ˆ

- Công thức dự báo cho giá trị trung bình Y0E Y X X  0:

Từ thống kê  

 

ˆ

( )ˆ

C : là hằng số được tra trong bảng phân phối Student với mức ý nghĩa  và bậc tự do

(n k) cho trước

 0 0

se(Y  Y ) : độ lệch chuẩn của Y0  Y  0

 0

se(Y ) : độ lệch chuẩn của Y  0

k : số biến hồi quy

- Mối quan hệ giữa se(Y0   Y )0 và se(Y )  0

Bước 1 : Nhập thêm số liệu của X0  20 vào quan sát thứ 11 như sau

Từ của sổ Workfile chọn Proc Structure / Resize Current Page… màn hình khi đó như sau

Hình 30Nhấp chuột và điều chỉnh 10 thành 11 như trong hình 30

Nhấp OK sẽ suất hiện một cửa sổ như sau

Hình 32Chọn Yes

Sau đó trở về của sổ Workfile nhập đúp vào biến x, của sổ dữ liệu của biến x sẽ xuất hiện và tanhập thêm giá trị X0  20 vào quan sát thứ 11 bằng cách nhấp chuột phải vào ô có chữ NA vàchọn Edit /  sau đó gõ 20 vào quan sát thứ 11 như hình sau

Hình 33Bước 2 : Tìm hàm hồi quy mẫu của Y theo X ( cà thao tác như trong phần 3)

Từ cửa sổ Equation : UNTITLED chọn Forecast…, màn hình sẽ như sau

Hình 34Nhấp chuột, màn hình sau sẽ xuất hiện

Hình 35

Ta nhập vào ô

Forecast name biến y_db (mặc định là yf) : là giá trị của  Y 0

S.E (optional) biến se1 : là giá trị của se(Y0   Y )0

Nhấp OK, ta được đồ thị của biến y_db như sau

Trở về của sổ Workfile ta thấy xuất hiện thêm các biến y_db và se1 như hình sau

Hình 37 Chọn Show và nhấp OK ta nhận được của sổ dữ liệu của hai biến y_db và se1, như trong hình sau

Hình 38 Hai số liệu ở hàng thứ 11 lần lượt là :  Y0  60.31944 và se(Y0  Y ) 2.558433  0 

Nhìn bảng số liệu ở hình 33 ta có   2.431706 (S.E of regression) Tiếp theo ta tính

OK Dữ liệu của biến se2 nhập vào file dữ liệu Để xem kết quả ta nhấp đúp vào biến se2 trong của sổ Workfile ta có bảng số liệu sau

Ơû quan sát thứ 11 chính là giá trị của se2 0.795226 .

Bây giờ, với độ tin cậy 95% và bậc tự do 9 ta tìm được C 2.306 (tra bảng Student) Gọi khoảng dự báo cho trung bình là [a, b] chẳng hạn, ta tìm a, b như sau

Từ cửa sổ Workfile chọn Genr, và gõ dòng lệnh a y _ db 2.306 * se2   vào ô Enter equation sau đó nhấp OK Ta lập lại thao tác trên cho b với dòng lệnh

b y _ db 2.306 * se2   Khi đó số liệu của a và b được nhập vào file dữ liệu Để xem kết quả từ của sổ Workfile ta chọn khối cả a và b sau đó chọn Show chọn OK ta được bảng số liệu sau

Hình 41 Nhìn vào bảng số liệu ta có a 58.48565 và b 62.15323 Hay khoảng dự báo cho giá trị trung bình là

[a, b]    Y  C se(Y ), Y   C se(Y )     [58.48565, 62.15323]

Ta thực hiện tương tự cho việc tìm khoảng dự báo cho giá trị cá biệt.

8 Định mẫu

Trước hết ta xét ví dụ sau

Ví dụ 5 Bảng số liệu sau cho biết số liệu về lượng hàng bán được (Y tấn/tháng), giá bán (Xngàn đồng / 1kg) ở 20 khu vực bán và được khảo sát tại hai nơi là Thành phố và Nôngthôn

12345678910

20191818171716161515

2334434455

1010110111

11121314151617181920

14141312121516121011

5667754788

0101010101Bảng 5

Trong đó Z là biến giả :

Z 0 : khảo sát ở nông thôn

Z 1 : khảo sát ở thành thị

Có nhiều trường hợp ta không sử dụng hết các số liệu của mẫu ban đầu, hay chỉ cần khảo sátsự phụ thuộc khi biến giả nhận một giá trị nào đó Để định mẫu lại, từ của sổ Workfile chọnSample, màn hình xuất hiện như sau

Hình 42Chẳng hạn ta chỉ khảo sát 15 mẫu đầu tiên và ở khu vực Thành phố ứng với Z 1 Ta khai

báo vào ô Sample range pairs và IF condition như trong hình sau

Nhấp OK, ta thấy có sự thay đổi trong cửa số Workfile như sau

Hình 44

9 Tính các giá trị thống kê

Để tính các giá trị thống kê như Trung bình, trung vị, độ lệch chuẩn, … của các biến cótrong mô hình như trong ví dụ 4, sau khi mở file dữ liệu, từ cửa sổ EViews chọn Quick

Group Statistics Descriptive statistics Common sample, như hình sau

Hình 45Nhấp chuột và nhập tên các biến vào cửa sổ Series List như hình sau

Hình 46Nhấp OK, ta được bảng các giá trị thống kê sau

Nhấp chuột, bảng kết quả của kiểm định White xuất hiện như sau

Hình 49Nếu chọn White Heteroskedasticity (cross terms) (Có các tích chéo giữa các biến độc lập) Khiđó màn hình sẽ như sau

Hình 50

b Kiểm định các biến không cần thiết trong mô hình

Ta xét ví dụ 5 để kiểm định sự có mặt của một biến nào đó là không cần đối với mô hình đangxét, ta thực hiện các bước sau

Bước 1 : Mở file dữ liệu cần xét

Bước 2 : Tìm hàm hồi quy mẫu của y theo x và z

Bước 3 : Từ cửa sổ Equation chọn View Coefficient Tests Redundant Variables

Likelihood Ratio… như hình sau

Hình 51Sau đó trong của sổ Omitted-Redundant Variable Test ta gõ tên biến cần kiểm định là khôngcần thiết vào ô One or more test series (trong ví dụ này ta chọn biến z)

Hình 52Nhấp OK Màn hình sẽ như sau

Hình 53

p P(F F statistic) 0.750677     Theo lý thuyết ta chấp nhận giả thuyết H :0  3 0 (3 là hệ số của biến Z) Tức là biến Z là biến không cần thiết trong mô hình ban đầu.

c Kiểm định biến sự thiếu biến trong mô hình

Ta minh hoạ vấn đề này bằng số liệu của ví dụ 4 Để kiểm định một biến nào đó bị bỏ xót(biến X3 chẳng hạn) đối với mô hình đang xét Ta thực hiện như sau

- Tìm hàm hồi quy không có biến bị bỏ xót Nghĩa là ta chỉ tìm hàm hồi quy của Ytheo X2.

- Từ cửa sổ Equation chọn View Coefficient Tests Omitted Variables – LikelihoodRatio… như hình sau

Hình 54Sau đó trong của sổ Omitted-Redundant Variable Test ta gõ tên biến bỏ xót cần kiểmđịnh vào ô One or more test series

Hình 55Nhấp OK Màn hình sẽ như sau

Hình 56Theo kết quả của bảng trên, vì giá trị của thống kê F 134.4608 có giá trị

p P(F F statistic) 0.000001     rất nhỏ Theo lý thuyết ta bác bỏ giả thuyết H :0  3 0 (3

 là hệ số của biến X3) Tức là biến X3 có ảnh hưởng đến Y trong mô hình.

d Kiểm định Wald

Ta có thể sử dụng EViews để tiến hành kiểm định mô có mặt của những biến không cần thiết.Bằng kiểm định Wald Để tiến hành kiểm định Wald, trước hết ta ước lượng mô hình U Đểminh hoạ ta lấy số liệu của ví dụ 5 và thêm vào một biến mới (đặt tên là T) biến này nhận cácgiá trị từ 1 đến 20 chẳng hạn Ước lượng mô hình U như sau

Hình 57Từ kết quả của bảng trên ta thấy các hệ số khác không của hai biến Z và T không có ý nghĩatrong mô hình Nên ta tiến hành kiểm định Wald như sau

Từ cửa sổ Equation chọn View Coefficient Tests Wald - Coefficient Restrictions…như hình sau

Và phương trình hồi quy được hiển thị như trong hình sau

Hình 59Sau đó trong của sổ Wald Test ta gõ giả thuyết cần kiểm định (giả thuyết không) như tronghình sau

Hình 60Nhấp OK, kết quả xuất hiện như sau

Hình 61Từ kết quả của bảng trên, ta thấy giá trị p P(F 2.176832) 0.1458 0.05     Nên ta chấpnhận giả thuyết không, tức là hai biến Z và T không ảnh hưởng đến biến phụ thuộc Y.

e Kiểm định BG (Breusch – Godfrey)

Ví dụ 6 Cho các số liệu về thu nhập (X) và tiêu dùng (Y) trong khoảng thời gian từ 1958 đến

1988 cho ở bảng sau

1958195919601961196219631964196519661967196819691970197119721973

873.8899.8919.7932.9979.31005.11025.11069.01108.31170.61236.31298.91337.71405.81456.61492.0

1494.91525.71551.11539.31629.11665.21708.71799.41873.31973.32087.62208.42271.32365.62423.32416.2

197419751976197719781979198019811982198319841985198619871988

1538.71621.81689.61674.01711.91803.91883.71960.92004.42000.42024.22050.72145.92239.92313.0

2484.82608.52744.02729.32695.02826.72958.73115.23192.33187.23248.73166.03277.63492.03570.0

Bảng 6Để tiến hành kiểm định vấn đề tự tương quan trong mẫu trên, ta làm như sau

- Hồi quy Y theo X ta được kết quả

Từ cửa sổ Equation chọn View  Residual Tests  Serial Correlation LM Test … như hìnhsau

Hình 63Sau khi nhấp chuột, một cửa sổ xuất hiện như sau

Hình 64

Ta gõ vào ô Lags to include giá trị là 2 (bậc tự tương quan), nhấp OK Khi đó ta được kết quảsau

Hình 65Theo kết quả của bảng trên, ta có nR2  13.68617 có p _ value 0.001067  là rất nhỏ nên tabác bỏ giả thuyết H0, nghĩa là có tồn tại tự tương quan bậc 2.

f Kiểm định Chow trong mô hình hồi quy vối biến giả

Ví dụ 7 Giả sử số liệu về tiết kiệm và thu nhập cá nhân ở nước Anh từ năm 1946 đến 1963(đơn vị pound) cho ở bảng sau

Thời kỳ I Y X Thời kỳ II Y X

Y : Tiết kiệm ; X : Thu nhập

Để kiểm định rằng có sự thay đổi về tiết kiệm giữa hai thời kỳ hay không, ta ta thựchiện các bước kiểm định Chow như sau

- Hồi quy Y theo X, ta được kết quả