BÁO CÁO KINH TẾ LƯỢNG: PHÂN TÍCH ẢNH HƯỞNG CỦA CÁC NHÂN TỐ ĐẾN TỈ LỆ TỬ VONG Ở TRẺ SƠ SINH

BÁO CÁO KINH TẾ LƯỢNGBộ số liệu 58 – LOWBRTH - Nội dung: Phân tích ảnh hưởng của các nhân tố đến tỉ lệ tử vong ở trẻ sơ sinh.. Theo kết quả trên thì: - Biến infmort: Tỉ lệ trẻ sơ sinh t

Trang 1

PHÂN TÍCH ẢNH HƯỞNG CỦA CÁC NHÂN TỐ

ĐẾN TỈ LỆ TỬ VONG Ở TRẺ SƠ SINH

Báo cáo Kinh tế lượng

Hà Nội, tháng 04 năm 2014

TRƯỜNG ĐẠI HỌC NGOẠI THƯƠNG

 

Trang 2

TRƯỜNG ĐẠI HỌC NGOẠI THƯƠNG

 

BÁO CÁO KINH TẾ LƯỢNG

Bộ số liệu 58 – LOWBRTH PHÂN TÍCH CÁC NHÂN TỐ ẢNH HƯỞNG ĐẾN TỈ LỆ

TỬ VONG Ở TRẺ SƠ SINH

GV hướng dẫn : Tiến sỹ Đinh Thị Thanh Bình

Lớp : KTE309.11

Họ và tên MSV Nhiệm vụ

Nguyễn Đình Khương 1213310052 - Chạy hồi quy (II.1, II.2)

- Phân tích kết quả hồi quy (II.4)

Hoàng Khánh Lam 1211110330

- Làm phần mô tả (I)

- Kiểm định F đa ràng buộc tuyến tính và hồi quy đơn biến (II.5.b và II.5.c)

- Kiểm định phương sai sai số thay đổi (III.1) và đa cộng tuyến (III.2)

- Viết lời mở đầu, Tổng hợp Báo cáo

Nguyễn Thị Liên 1213320083

- Phân tích tương quan giữa các biến độc lập (II.3)

- Kiểm định sự phù hợp của mô hình (II.5.a)

- Kiểm định phân phối chuẩn (III.3)

- Viết Kết luận

Trang 3

BÁO CÁO KINH TẾ LƯỢNG

Bộ số liệu 58 – LOWBRTH

- Nội dung: Phân tích ảnh hưởng của các nhân tố đến tỉ lệ tử vong ở trẻ sơ sinh

Đây là một vấn đề nhận được nhiều sự quan tâm ở nhiều quốc gia trên thế giới Việc nghiên cứu để giảm tỉ lệ tử vong ở trẻ sơ sinh mang tính xã hội và nhân văn sâu sắc Nó không chỉ giúp giảm nỗi đau cho các gia đình mà còn giảm gánh nặng cho xã hội, và quan trọng hơn cả là cải thiện chất lượng dân số; góp phần cải thiện số lượng và chất lượng nguồn lao động

Trong báo cáo thường niên về tình trạng sức khỏe bà mẹ và trẻ sơ sinh State of World

Mothers ra số 14 của tổ chức Save the Children cho biết tỷ lệ từ vong trẻ sơ sinh tại Việt

Nam đã giảm 48% từ năm 1990 đến 2011 Việt Nam xếp thứ 86 trong bảng xếp hạng về

những nơi tốt nhất cho các bà mẹ Việt Nam đang trong tiến trình đạt được mục tiêu thiên niên kỷ về giảm tỷ lệ tử vong ở bà mẹ và trẻ em Chính vì vậy, việc nghiên cứu về Tỉ lệ tử vong ở trẻ sơ sinh cùng các nhân tố ảnh hưởng để tìm ra biện pháp hữu hiệu giảm thiểu tỉ lệ này càng cần thiết hơn bao giờ hết

- Các biến được chọn:

+ infmort

+ lowbrth

+ popul

+ pcinc

+ afdcpay

+ physicpc

- Bài cáo cáo gồm 4 phần:

+ Phần I: Mô tả biến với lệnh DES, TAB, SUM

+ Phần II: Phân tích hồi quy và tương quan

1 Mô hình tổng quát

2 Quan hệ tương quan giữa các biến độc lập (Dùng lệnh Corr)

3 Chạy hồi quy

4 Phân tích kết quả chạy hồi quy

5 Một số kiểm định F

+ Phần III: Kiểm tra khuyết tật của mô hình

1 Kiểm định phương sai sai số thay đổi

2 Kiểm định đa cộng tuyến (bằng phương pháp khác ngoài lệnh Corr)

3 Kiểm định phân phối chuẩn của nhiễu

+ Kết luận

I Phần I – MÔ TẢ BIẾN

1 Sử dụng lệnh DES

- Thông tin quan trọng nhất thu được khi chạy lệnh Des đó là ý nghĩa của các biến (Variable

label)

Trang 4

des infmort lowbrth popul pcinc afdcpay physicpc

Variable name

Storage type

Display format

Value

infant mortality rate

Bảng I.1 Kết quả chạy lệnh mô tả DES

Sử dụng lệnh des giúp chúng ta hiểu rõ ý nghĩa các biến Theo kết quả trên thì:

- Biến infmort: Tỉ lệ trẻ sơ sinh tử vong

- Biến lowbrth: Tỉ lệ trẻ (sơ sinh) sinh thiếu cân

- Biến popul: Dân số (nghìn người)

- Biến pcinc: Thu nhập bình quân trên đầu người

- Biến afdcpay: Trợ cấp trung bình hàng tháng từ AFDC (tổ chức hỗ trợ cho gia đình có con

nhỏ còn phụ thuộc)

- Biến physicpc: tỷ lệ bác sĩ/ người dân

2 Sử dụng lệnh SUM

- Kết quả của lệnh Sum cho ta biết số quan sát (Obs), giá trị trung bình (Mean), độ lệch chuẩn (Std Dev.), giá trị lớn nhất (Max), giá trị nhỏ nhất (Min) của các biến

sum infmort lowbrth popul pcinc afdcpay physicpc

Bảng I.2 Kết quả chạy lệnh mô tả SUM

Theo kết quả ở bảng trên, ta thấy:

- Infmort: Tỉ lệ tử vong ở trẻ sơ sinh của 100 quan sát có giá trị trung bình là 9.503% với độ

lệch chuẩn là 1.461524% Tỉ lệ này đạt nhỏ nhất là 6.2% và cao nhất là 13.7%

- Lowbrth: Tỉ lệ trẻ sinh thiếu cân trung bình là 6.707% với độ lệch chuẩn 1.166039; tỉ lệ nhỏ

nhất là 4.8% và lớn nhất lên tới 9.6%

- Popul: Dân số trung bình là 4910.01 (nghìn người), độ lệch chuẩn là 5317.505 nghìn người;

dân số lúc thấp nhất là 454 nghìn người và lúc cao nhất là 29760 nghìn người

- Phân tích tương tự với các biến còn lại

3 Sử dụng lệnh TAB1

- Sử dụng lệnh Tab1 cho phép miêu tả cùng lúc nhiều biến với các thông tin tần số (Freq.), tần suất (Percent) của các giá trị của mỗi biến, tổng cộng gộp Si (Cum.)

Trang 5

tab1 infmort lowbrth popul pcinc afdcpay physicpc

 tabulation of infmort

infant mortality

Bảng I.4 Kết quả chạy lệnh mô tả TAB1 với biến infmort

- Ví dụ về phân tích dữ liệu trong bảng:

+ Tỉ lệ tử vong ở trẻ sơ sinh có giá trị từ 6.2% đến 13.7%

+ Có 65% trong tổng số quan sát mà tỉ lệ tử vong ở trẻ sơ sinh < 9.9%

 tabulation of lowbrth

Perc births low weight Freq Percent Cum

Bảng I.3 Kết quả chạy lệnh mô tả TAB1 với biến lowbrth

Trang 6

- Dấu … đại diện cho các dữ liệu ở khoảng giữa nhưng không liệt kê ra do số lượng quan sát lớn

- Ví dụ về phân tích dữ liệu trong bảng:

+ Tỉ lệ trẻ sinh thiếu cân có giá trị từ 4.8% đến 9.6% đối với 100 quan sát

+ Ý nghĩa của Cum : có 24% trong tổng số 100 số quan sát mà tỉ lệ trẻ sinh thiếu cân

< 5.5%

 tabulation of popul

population,

1000s Freq Percent Cum

Bảng I.5 Kết quả chạy lệnh mô tả TAB1 với biến popul

- Có 95% trong tổng số quan sát mà dân số < 16781 nghìn người

 tabulation of pcinc

Per capita

Bảng I.6 Kết quả chạy lệnh mô tả TAB1 biến pcinc

Trang 7

 tabulation of afdcpay

avg monthly

Bảng I.7 Kết quả chạy lệnh mô tả TAB1 với biến afdcpay

 tabulation of physicpc

physicians per capita Freq Percent Cum

Total 100 100.00

Bảng I.8 Kết quả chạy lệnh mô tả TAB1 với biến physicpc

II PHẦN II – HỒI QUY VÀ TƯƠNG QUAN

1 Thiết lập mô hình tổng quát

a Mô hình tổng quát

Hàm hồi quy tổng thể biểu diễn mối liên hệ giữa biến phụ thuộc là lowbrth với các biến độc lập infmort, popul, pcinc, afdcpay, physicpc có dạng:

𝒊𝒏𝒇𝒎𝒐𝒓𝒕 = 𝛽0 + 𝛽1× 𝒍𝒐𝒘𝒃𝒓𝒕𝒉 + 𝛽2× 𝒑𝒐𝒑𝒖𝒍 + 𝛽3× 𝒑𝒄𝒊𝒏𝒄 + 𝛽4× 𝒂𝒇𝒅𝒄𝒑𝒂𝒚 +

𝛽5× 𝒑𝒉𝒚𝒔𝒊𝒄𝒑𝒄 + 𝒖𝒊

b Ý nghĩa các biến

 Biến phụ thuộc:

Trang 8

Infmort (Y): Tỷ lệ tử vong ở trẻ sơ sinh (%)

 Biến độc lập (𝑋𝑖)

Tên biến Ý nghĩa

Dấu

kì vọng

Đơn vị tính Diễn giải

Biến

định

lượng

Lowbrth (𝑿𝟏)

Tỷ lệ trẻ sinh

Tỷ lệ trẻ sinh thiếu cân càng cao thì tỉ lệ tử vong trung bình ở trẻ sơ sinh càng cao

Popul (𝑿𝟐) Dân số + 1000 người

Dân số càng cao thì tỉ lệ tử vong trung bình ở trẻ sơ sinh càng cao

Pcinc (𝑿𝟑) Thu nhập bình quân - USD

Thu nhập bình quân càng cao thì tỉ lệ tử vong trung bình ở trẻ

sơ sinh càng thấp

Afdcpay (𝑿𝟒)

Trợ cấp trung bình hàng tháng nhận được từ AFDC

Trợ cấp hàng tháng càng cao thì tỉ lệ tử vong trung bình ở trẻ

Physicpc (𝑿𝟓) trên đầu người Tỷ lệ bác sỹ - %

Tỷ lệ bác sỹ trên đầu người càng cao thì tỉ

lệ tử vong trung bình ở trẻ

Bảng II.1 Ý nghĩa các biến độc lập

2 Phân tích mối tương quan giữa các biến độc lập

- Sử dụng lệnh:

corr lowbrth popul pcinc afdcpay physicpc

 Kết quả thu được:

lowbrth 1.0000

popul 0.1789 1.0000

Trang 9

pcinc -0.1395 0.2658 1.0000

afdcpay -0.5808 0.1798 0.6150 1.0000

physicpc -0.3821 -0.5520 0.0094 0.2702 1.0000

Bảng II.2 Kết quả khi chạy lệnh corr giữa các biến đốc lập

Theo kết quả ở trên, các hệ số tương quan 𝑟𝑖𝑗 đều có giá trị tuyệt đối nhỏ hơn 0.8

 Không có hiện tượng đa cộng tuyến trong mô hình

3 Chạy hồi quy

- Sử dụng lệnh

reg infmort lowbrth popul pcinc afdcpay physicpc

Source | SS df MS Number of obs = 100

-+ - F( 5, 94) = 20.52

Model | 110.351338 5 22.0702675 Prob > F = 0.0000

Residual | 101.117751 94 1.07572076 R-squared = 0.5218

-+ - Adj R-squared = 0.4964

Total | 211.469089 99 2.1360514 Root MSE = 1.0372

Bảng II.3 Kết quả chạy hồi quy

Từ kết quả ở bảng trên, ta có:

- Phương trình hồi quy tổng thể:

𝒊𝒏𝒇𝒎𝒐𝒓𝒕 = 7.098026 + 0.7119426 × 𝒍𝒐𝒘𝒃𝒓𝒕𝒉 + 0.0000113 × 𝒑𝒐𝒑𝒖𝒍 − 0.0001369

× 𝒑𝒄𝒊𝒏𝒄 − 0.000353 × 𝒂𝒇𝒅𝒄𝒑𝒂𝒚 − 0.9808367 × 𝒑𝒉𝒚𝒔𝒊𝒄𝒑𝒄 + 𝒖̂ 𝒊

- Phương trình hồi quy mẫu:

𝒊𝒏𝒇𝒎𝒐𝒓𝒕̂ = 7.098026 + 0.7119426 × 𝒍𝒐𝒘𝒃𝒓𝒕𝒉 + 0.0000113 × 𝒑𝒐𝒑𝒖𝒍 − 0.0001369

× 𝒑𝒄𝒊𝒏𝒄 − 0.000353 × 𝒂𝒇𝒅𝒄𝒑𝒂𝒚 − 0.9808367 × 𝒑𝒉𝒚𝒔𝒊𝒄𝒑𝒄 Hay

𝒀̂ = 7.098026 + 0.7119426 × 𝑿𝟏+ 0.0000113 × 𝑿𝟐− 0.0001369 × 𝑿𝟑− 0.000353

× 𝑿𝟒− 0.9808367 × 𝑿𝟓

4 Phân tích kết quả hồi quy

- Phần tổng bình phương các độ lệch giữa giá trị quan sát Yi với giá trị trung bình của nó TSS

= 211.469089

- Phần tổng bình phương được giải thích bởi mô hình (biến giải thích) ESS = 110.351338

- Phần tổng bình phương không giải thích được (phần dư) RSS = 101.117751

- R2 = 52.18% có nghĩa là các yếu tố: Tỷ lệ trẻ sinh thiếu cân, Dân số, Thu nhập bình quân đầu người, Trợ cấp trung bình hàng tháng nhận được từ AFDC, Tỷ lệ bác sỹ trên đầu người

đã giải thích được 52.18% tỷ lệ trẻ tử vong ở trẻ sơ sinh

Trang 10

- Trong các giá trị p-value ở bảng trên, giá trị p-value của biến popul, afdcpay và physicpc

lần lượt là 0.671, 0.813 và 0.515 đều lớn hơn mức ý nghĩa α = 0.05

 Không có cơ sở để bác bỏ Ho (giả thuyết 𝛽𝑖 = 0) Như vậy ba biến popul, afdcpay và

physicpc không có ý nghĩa thống kê, tức là có thể không gây ảnh hưởng đến tỉ lệ tử vong

ở trẻ sơ sinh

- Ý nghĩa các tham số trong mô hình

 𝛽0= 7.098026 có nghĩa là trong điều kiện các nhân tố khác không đổi và giá trị các biến độc lập bằng 0 thì tỷ lệ tử vong ở trẻ sơ sinh trung bình là 7.098026 %

 𝛽1= 0.7119426 có nghĩa là trong điều kiện các nhân tố khác không đổi, nếu tỷ lệ trẻ sinh thiếu cân tăng 1 % thì tỷ lệ tử vong trung bình ở trẻ sơ sinh tăng 0.7119426%

 𝛽2= 0.0000113, không có ý nghĩa thông kê

 𝛽3= -0.0001369 có nghĩa là trong điều kiện các yếu tố khác không đổi, nếu thu nhập bình quân tăng 1 đơn vị thì tỷ lệ tử vong trung bình ở trẻ sơ sinh giảm 0.0001369 %

 𝛽4= -0.000353, không có ý nghĩa thống kê

 𝛽5= -0.9808367, không có ý nghĩa thống kê

5 Một số kiểm định F

a Kiểm tra sự phù hợp của mô hình

Ta có giả thuyết:{𝐻0: 𝑅

2 = 0

𝐻1: 𝑅2 ≠ 0

- Dùng công thức:

F =

𝑘

⁄

(𝑛−𝑘−1)

⁄

=

0,5218

5 (1−0,5218)

(100−5−1)

⁄ = 20.514

𝐶0,055,94 = 2.32

Mà F= 20.514> 2.32  Bác bỏ H0

Vậy mô hình hồi quy tìm được là phù hợp

- Kiểm tra lại bằng lệnh trong stata :

test lowbrth popul pcinc afdcpay physicpc

(1) infmort = 0

(2) popul = 0

(3) pcinc = 0

(4) afdcpay = 0

(5) physicpc = 0

F (5, 94) = 20.52

Prob > F = 0.0000

Kiểm định F cho toàn bộ hệ số hồi quy là 20.52; Prob > F có giá trị nhỏ hơn α = 0.05 nên bác bỏ giả thuyết Ho

Kết quả thu được từ stata cũng giống với khi dùng công thức

Trang 11

b Kiểm định 𝛽𝑖 = 0

Cặp giả thuyết thống kê: {𝐻𝑜: 𝛽𝑖 = 0

𝐻1: 𝛽𝑖 ≠ 0

Sử dụng thống kê 𝑇 =𝛽𝑖

̂− 𝛽𝑖

𝑠𝑒 𝛽̂𝑖 , giá trị của kiểm định này chính là cột t trong bảng kết quả chạy hồi quy

 Cách 1: Dùng khoảng tin cậy

sở bác bỏ Ho

Bảng II.4 Kiểm định dùng khoảng tin cậy

 Như vậy 𝛽2, 𝛽4, 𝛽5 có thể bằng 0

 Cách 2: Sử dụng P-value

0.05

Bác bỏ Ho

Bảng II.5 Kiểm định dùng P-value

 Cách 3: Sử dụng phương pháp giá trị tới hạn

𝑪𝟎.𝟎𝟐𝟓 = 𝒕𝟎.𝟎𝟐𝟓(𝟗𝟒) = 𝟐 𝟑𝟔𝟖

Bác bỏ Ho

sở bác bỏ Ho

Bảng II.6 Kiểm định dùng phương pháp giá trị tới hạn

 Kiểm tra lại bằng stata

- Dùng lệnh: test [var]

Trang 12

Bản chất của lệnh test này trong stata là chạy lại mô hình hồi quy sau khi đã bỏ đi biến đang cần kiểm định, sau đó tính F

Ví dụ: Kiểm định 𝛽2 = 0

test popul

(1) popul = 0

F (1,94) = 0.18

Prob > F = 0.6710

Prob > F có giá trị lớn hơn α = 0.05 nên chúng ta không có cơ sở bác bỏ Ho, tức là 𝛽2 có thể bằng 0

c Kiểm định 𝛽𝑖 = 𝛽𝑗 = 0

Cặp giả thuyết thống kê: { 𝐻𝑜: 𝛽𝑖 = 𝛽𝑗 = 0

𝐻1: 𝑀ộ𝑡 𝑡𝑟𝑜𝑛𝑔 ℎ𝑎𝑖 𝛽 ≠ 0

Ví dụ: Kiểm định 𝜷𝟏= 𝜷𝟐= 𝟎

 Cách 1: Chạy hồi quy mô hình mới

𝑆𝑆𝑅𝑢𝑟 = 101.117751 𝑆𝑆𝑅𝑟 = 140.302815

Áp dụng công thức:

𝐹 = (𝑆𝑆𝑅𝑟− 𝑆𝑆𝑅𝑢𝑟)/𝑞 𝑆𝑆𝑅𝑢𝑟/(𝑛 − 𝑘 − 1)=

(140.302815 − 101.117751)/2 101.117751/(100 − 5 − 1) = 18.2134

𝐶0.05(2,94) = 3.10

F > 𝐶0.05(2,94) => Bác bỏ Ho, tức là có ít nhất một trong hai β có giá trị khác 0

 Cách 2: Dùng lệnh trong stata

test lowbrth popul

(1) infmort = 0

(2) popul = 0

F (2, 94) = 18.21

Prob > F = 0.0000

Prob > F nhỏ hơn α = 0.05 nên bác bỏ Ho, tức là có ít nhất một trong hai 𝛽1 ℎ𝑜ặ𝑐 𝛽2 khác 0

III PHẦN III – KIỂM TRA CÁC KHUYẾT TẬT

1 Kiểm định phương sai sai số thay đổi

a Dựa vào đồ thị

- Bước 1: Chạy hồi quy mô hình đầy đủ

- Bước 2: Dùng lệnh rvfplot

 Kết quả thu được

Trang 13

Hình III.1 Kết quả chạy lệnh rvfplot

Dựa vào đồ thị trên ta thấy mô hình bị mắc “bệnh” phương sai sai số thay đổi Các điểm

phân bố không theo quy luật

b Sử dụng lệnh imtest, white

White's test for Ho: homoscedasticity

against Ha: unrestricted heteroskedasticity chi2(19) = 47.41

Prob > chi2 = 0.0005 Cameron & Trivedi's decomposition of IM-test

Bảng III.1 Kết quả chạy lệnh imtest, white

Prob ( >chi2) = 0.0005 < α=0.05 nên bác bỏ Ho (có phương sai sai số thay đổi)

Như vậy mô hình có thể có hiện tượng phương sai sai số thay đổi, hay nói cách khác giả thuyết phương sai thuần nhất không được thỏa mãn

c Sử dụng kiểm định Breusch-Pagan

- Lệnh hettest

 Kết quả:

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity Ho: Constant variance

Variables: fitted values of lowbrth chi2(1) = 3.16

Prob > chi2 = 0.0753

 Kết quả của lệnh hettest cũng cho thấy có phương sai sai số thay đổi

d Cách sửa: chạy lại hồi quy với lệnh robust

reg infmort lowbrth popul pcinc afdcpay physicpc, robust

Trang 14

Linear regression Number of obs = 100

F (5, 94) = 14.95

Prob > F = 0.0000

R-squared = 0.5218

Root MSE = 1.0372

infmort Coef

Robust Std

Err t P>|t| [95% Conf Interval] lowbrth 7119426 1333468 5.34 0.000 .4471794 9767059 popul 0000113 0000258 0.44 0.663 -.00004 0000626 pcinc -.0001369 0000372 0.44 0.000 -.0002109 -.0000629 afdcpay -.000353 0018645 -0.19 0.850 -.0040551 0033491 physicpc -.9808367 1.636684 -0.60 0.550 -4.230511 2.268838 cons 7.098026 1.139736 6.23 0.000 4.835054 9.360998

Bảng III.2 Kết quả chạy lệnh hồi quy với robust

Ta thu được ác giá trị se (𝛽𝑗) mới mà ở đó phương sai sai số thuần nhất

2 Kiểm định đa cộng tuyến

a Dùng lệnh corr

Dựa vào bảng kết quả trên có thể thấy các biến độc lập không có tương quan mạnh với nhau,

mô hình không có hiện tượng đa cộng tuyến

b Vif (variance inflation factor)

- Chạy hồi quy phụ để tính 𝑅𝑗2

Chạy hồi quy lên 𝑿𝒋 𝑹𝒋𝟐 VIF (𝑿𝒋) = 𝟏/(𝟏 − 𝑹𝒋𝟐)

Bảng III.3 Kết quả sử dụng phương pháp nhân tử phóng đại phương sai

Các giá trị của VIF < 10 -> Không có hiện tượng đa cộng tuyến

3 Kiểm định phân phối chuẩn

Cặp giả thuyết:

{𝐻0: 𝐶ó 𝑝ℎâ𝑛 𝑝ℎố𝑖 𝑐ℎ𝑢ẩ𝑛

𝐻1: 𝐾ℎô𝑛𝑔 𝑝ℎâ𝑛 𝑝ℎố𝑖 𝑐ℎ𝑢ẩ𝑛

a Dùng đồ thị

- Bước 1: dùng lệnh predict r, resid

- Bước 2: dùng lệnh kdensity r, normal

 Kết quả thu được đồ thị dưới đây

Định dạng
Số trang	16
Dung lượng	1,23 MB
File đính kèm	Nhóm 10 - Bộ số liệu 58.rar (1 MB)