ty le tu vong o anh

tiểu luận kinh tế lượng

A LÝ THUYẾT VÀ PHƯƠNG PHÁP LUẬN XÂY DỰNG MÔ HÌNH KINH TẾ LƯỢNG:

1.Khái quát kinh tế lượng :

Kinh tế lượng (Econometrics), nghĩa là “ đo lường kinh tế”, là môn khoa học

về đo lường các mối quan hệ kinh tế diễn ra trong thực tế Kinh tế lượng ngày nay

là sự kết hợp giữa lý thuyết kinh tế hiện đại, thống kê toán và máy vi tính, nhằm định lượng các mối quan hệ kinh tế, dự báo khả năng phát triển hay diễn biến của các hiện tượng kinh tế và phân tích nó, làm cơ sở cho việc hoạch định các chính sách kinh tế

Kinh tế lượng là môn học nhằm giới thiệu các vấn đề sau:

• Cách thiết lập các mô hình toán học để mô tả mối quan hệ kinh tế, tức là nêu ra các giả thiết hay giả thiết về các mối quan hệ này giữa các biến số kinh tế

• Ước lượng các tham số nhằm nhận được số đo về sự ảnh hưởng của các biến độc lập khác nhau

• Kiểm định tính vững chắc của các giả thiết đó

• Và cuối cùng, sử dụng các mô hình đó để đưa ra các dự báo hoặc dự đoán và mô phỏng các hiện tượng kinh tế

2 Phương pháp luận xây dựng mô hình kinh tế lượng:

Mô hình kinh tế lượng được xây dựng qua các bước :

Bước 1: Nêu vấn đề lý thuyết cần phân tích và các giả thuyết về mối quan hệ giữa các

biến kinh tế

Bước 2: Thiết lập các mô hình toán học để mô tả quan hệ giữa các biến kinh tế Lý

thuyết kinh tế học cho biết quy luật về mối quan hệ giữa các chỉ tiêu kinh tế, nhưng không nêu rõ dạng hàm Kinh tế lượng phải dựa vào các học thuyết để định dạng các mô hình cho các trường hợp cụ thể

Bước 3: Thu thập số liệu Khác với các mô hình kinh tế dạng tổng quát, các mô hình

kinh tế lượng được xây dựng từ các số liệu thực tế

Bước 4: Uớc luợng các tham số của mô hình Các uớc lượng này là các giá trị thực

nghiệm của các tham số trong mô hình, thoả mãn các điều kiện, các tính chất mô hình đòi hỏi Trong trường hợp đơn giãn các tham số được ước lượng bằng phương pháp bình phương bé nhất (OLS)

Bước 5: Phân tích kết quả: dựa trên lý thuyết kinh tế để phân tích và đánh giá kết quả

nhận được xem có phù hợp với lý thuyết kinh tế hay không Kiểm định các giả thuyết thống kê đối với các ước lượng nhận được

Bước 6: Dự báo: Nếu như mô hình phù hợp với lý thuyết kinh tế thì có thể sử dụng

mô hình để dự báo sự phat triển của biến phụ thuộc trong các chu kỳ tiếp theo với

sự thay đổi của biến độc lập

Bước 7: Sử dụng mô hình để kiểm tra hoặc đề ra các chính sách kinh tế.

Sơ đồ minh hoạ quá trình phân tích kinh tế như sau :

B PHÂN TÍCH CÁC YẾU TỐ TÁC ĐỘNG ĐẾN TỶ LỆ TỬ VONG TRÊN

100 000 DÂN Ở NƯỚC ANH:

a Số bác sĩ trên 100 000 dân (PHYS): góp phần đáng kể vào công tác chăm sóc sức

khỏe, khi tỷ lệ bác sĩ trên 100 000 dân tăng lên thì người dân sẽ có điều kiện được chăm sóc sức khỏe tốt hơn

b Tỷ lệ hộ nghèo (POV): ở nước Anh, tỷ lệ dân nhập cư cao, điều kiện kinh tế của

mỗi hộ gia đình không ổn định, chi tiêu cho chăm sóc sức khỏe hạn chế, chế độ dinh dưỡng thấp…

c Mức tiêu dùng thuốc lá (bao) bình quân đầu người (TOBC): thuốc lá là nguyên

nhân chính gây ung thư phổi, bệnh này có tỷ lệ tử vong lớn nhất thế giới hiện nay

d Tỷ lệ dân số tốt nghiệp đại học (EDU2): ở đây ta xét đến trình độ học vấn  ý thức

cao, thu nhập cao, con người sẽ quan tâm đến việc chăm sóc sức khỏe nhiều hơn Ngoài ra, yếu tố này cũng ảnh hưởng đồng biến đối với tỷ lệ bác sĩ tức là khi tỷ lệ dân số tốt nghiệp đại học càng tăng thì khả năng số lượng bác sĩ càng tăng

e Tuổi thọ trên 65 tuổi(AGED): Anh là nước có dân số trẻ, tuổi thọ trung bình dưới

65 tuổi, tỷ lệ dân số trên 65 tuổi chiếm 16% - thấp nhất trong liên minh Châu Âu

f Mức tiêu thụ rượu bình quân đầu người(ALCC) (tính bằng Gallon): người Anh

sự dụng rượu với liều lượng phù hợp Nếu dùng rượu vừa phải: nam 4 chai bia nhỏ hoặc 4 ly rượu vang nhỏ; nữ: 200ml rượu vang hoặc bia mỗi ngày sẽ giảm bớt được 20% tỷ lệ tử vong.

Rượu vang và bia giúp cơ thể giảm được lượng cholesterol có hại, đồng thời tăng lượng cholesterol có lợi Tuy nhiên nếu lạm dụng sẽ có tác dụng ngược lại, dẫn đến tử vong cao.

g Chi tiêu cho chăm sóc sức khoẻ mỗi người dân của chính phủ(HEXC):hàng năm

nước Anh chi bình quân khoảng 1600£ (xét trên 100 000 dân) đầu tư cho trang thiết bị y tế, thuốc men…cho chăm sóc sức khỏe người dân

C SỐ LIỆU VÀ PHÂN TÍCH SỐ LIỆU:

Mort : tỷ lệ tử vong chung trên 100.000 dân Aged: Tỷ lệ dân số trên 65 tuổi

Alcc: Mức tiêu dùng rượu bình quân đầu người (Gallon) Edu 2 : tỷ lệ dân số tốt nghiệp đại học

Hexc : chi tiêu cho chăm sóc sức khỏe trên mỗi người dân của chính phủ(USD) Phys: số bác sỹ trên 100.000 dân

Pov: tỷ lệ hộ nghèo (%) Tobc: Mức tiêu dùng thuốc lá điếu bình quân đầu người( bao)

25 944.6 117 0.239 115.3 0.123 1519 2.06 0.12

a Mô hình toán: (xét mức ý nghĩa 5%)

Mort = β 1 + β 2 * Phys + β 3 *Pov + β 4 * Tobc + β 5 * Edu2 + β 6 * Hexc + * Alcc

+ β 8 * Aged + u i

b Chạy hàm hồi qui:

- Vào Quick/ Estimate Equation / “mort c phys pov tobc edu2 hexc alcc aged”/ ok

Mort = 73.76836 + 0.479654 * Phys + 452.7655*Pov + 1.563512 * Tobc

– 843.88 * Edu2 + 0.089816 * Hexc – 25.25888 * Alcc + 4167.319 * Aged + u i

c Giải thích các hệ số:

- Biến phụ thuộc: Mort- tỷ lệ tử vong trên 100 000 dân

- Phương pháp: Bình phương bé nhất

d X`ác định độ tin cậy của các hệ số hồi qui:

- Số bác sĩ PHYS (β 2 ): 0 < β2 = 0.479654: có nghĩa Phys đồng biến với Mort.

β2 ϵ [0.479654 ± tα * Se (β2)]

 β2 ϵ [0.479654 ± 2.01669 * 0.193828]

 0.088762478 < β2 < 0.870545018 : dựa vào mô hình trên khi các yếu tố khác không đổi, khi Phys tăng lên 1 đơn vị thì Mort tăng lên trung bình 0.479654 đơn vị và dao động trong khoảng (0.088762478 ; 0.870545018) Điều này phù hợp với thực tế, khi

Phys tăng lên -nhu cầu về bác sĩ khám chữa bệnh tăng lên, nó giải thích rằng tỷ lệ tử vong đang tăng lên

- Tỷ lệ hộ nghèo POV (β 3 ): β3 Є[β3 ± tα*Se(β3)]

 β3Є[β3± 2.01669*161.4134]

 127.2444117<β3< 778.2865641: dựa vào mô hình trên khi các yếu tố khác không đổi, khi Pov tăng lên 1 đơn vị thì Mort tăng lên trung bình 452.7655 đơn vị và dao động trong khoảng (127.2444117; 778.2865641)

- Tiêu dùng thuốc lá TOBC(β 4 ): β4 Є[β4 ± tα*Se(β4)]

 β4Є[β4± 2.01669*0.286509]

 0.985710571<β4<2.141313099: dựa vào mô hình trên khi các yếu tố khác không đổi, khi Tobc tăng lên 1 đơn vị thì Mort tăng lên trung bình 1.563512 đơn vị và dao động trong khoảng (0.985710571; 2.141313099)

- Tỷ lệ dân số tốt nghiệp đại học EDU2(β 5 ): β5 Є[β5 ± tα*Se(β5)]

 β5Є[β5± 2.01669*352.4100]

-1554.582573<β5<-133.1775041: dựa vào mô hình trên khi các yếu tố khác không đổi, khi Edu2 tăng lên 1 đơn vị thì Mort giảm trung bình 843.88 đơn vị và dao động trong khoảng (-1554.582573;-133.1775041)

- Tiêu dùng chính phủ cho chăm sóc sức khỏe người dân HEXC(β 6 ):

β6 Є[β6 ± tα*Se(β6)]

 β6Є[β6± 2.01669* 0.027059]

0.035246839<β6<0.144384677: dựa vào mô hình trên khi các yếu tố khác không đổi, khi Hexc tăng lên 1 đơn vị thì Mort tăng trung bình 0.089816 đơn vị và dao động trong khoảng (0.035246839; 0.144384677) Giải thích tương tự như biến Phys, tức nhà nước tăng chi tiêu cho chăm sóc sức khoẻ của mỗi người dân điều đó có nghĩa

tỷ lệ tử vong đang tăng

- Mức tiêu dùng rượu ALCC (β 7 ):

β7 Є[β7 ± tα*Se(β7)]

 β7Є[β7± 2.01669*10.23731]

 -45.90437741<β7<-4.613391582: dựa vào mô hình trên khi các yếu tố khác không đổi, khi Alcc tăng lên 1 đơn vị thì Mort giảm trung bình 25.25888 đơn vị và dao động trong khoảng (-45.90437741; -4.613391582)

- Tỷ lệ dân số trên 65 tuổi AGED(β 8 ):

β8 Є[β8 ± tα*Se(β8)]

 β8Є[β8± 2.01669*307.4568]

3547.273129<β8<4787.364714: dựa vào mô hình trên khi các yếu tố khác không đổi, khi Aged tăng lên 1 đơn vị thì Mort tăng trung bình 4167.319 đơn vị và dao động trong khoảng (3547.273129; 4787.364714)

 Các biến giải thích có |t-Statistic| > t α/2 43= 2.01669 :các hệ số hồi qui đều có ý nghĩa thông kê với độ tin cậy 95%.

R 2 = 0.946903 > 0.8: mô hình SRF này có mức độ phù hợp cao.

Adjusted R-squared = 0.938259: hệ số này dùng để so sánh với các mô hình hồi qui

khác( mô hình hồi qui cũ thêm hoặc giảm biến giải thích)

D K`IỂM ĐỊNH SỰ PHÙ HỢP CỦA MÔ HÌNH:

Dựa vào bảng trên ta có:

Giả thiết H0: β2 = β3 = β4 = β5 = β6 = β7 = β8 = 0

H1: β2 ,β3 , β4 , β5 , β6 , β7 ,β8 ≠ 0

F-statistic = 109.5479 và Prob(F-statistic) = 0.0000 < α = 0.05 : bác bỏ giả thiết H0: các

hệ số của biến giải thích không đồng thời bằng 0

 Hàm hồi qui phù hợp với sô liệu mẫu.

E KIỂM TRA ĐA CỘNG TUYẾN:

Chạy mô hình hồi qui phụ:

Phys = β 1 + β 2 *Pov + β 3 * Tobc + β 4 * Edu2 + β 5 * Hexc + β 6 * Alcc + β 7 * Aged + u i

H0 : R2 = 0:

H1 : R2 ≠ 0

- Vào Quick/ Estimate Equation / “phys c pov tobc edu2 hexc alcc aged”/ok

Ta thấy: Prob(F-statistic) = 0.000000 < 0.05: bác bỏ H0 : mô hình xảy ra đa cộng

tuyến cao ( R2 = 0.865283)

Tuy nhiên xét mô hình hồi qui gốc: các biến giải thích có |t-Statistic| > tα/243= 2.01669 :các hệ số hồi qui đều có ý nghĩa thông kê với độ tin cậy 95%, có nghĩa ta không cần quan tâm đến đa cộng tuyến

F KIỂM ĐỊNH PHƯƠNG SAI THAY ĐỔI:

- Với mô hình hồi qui gốc: vào View /Residual Tests / White Heteroskedasticity (no cross tems)

Ta có: nR2 = 14.52311 < ᵡ2 = 23.7 chấp nhận giả thiết H0 : phương sai không thay đổi

G KIỂM ĐỊNH TỰ TƯƠNG QUAN:

- Với mô hình hồi qui gốc

(1;3) => mô hình không có tự tương quan

Vậy: Mô hình phù hợp để dự báo.

H KIỂM ĐỊNH SÓT BIẾN:

Giả thiết: H0 : không sót biến

H1: sót biến

Vào View rồi chọn như hình dưới:

- Ta gõ số 1 vào RESET Specification như hình bên:(ta lần lượt kiểm tra các biến thiếu, bắt đầu từ thiếu 1 biến)

- Ta có được bảng kết quả sau:

Ta thấy: Prob (F-statistic) = 0.192724 > α = 0.05 Tức: chấp nhận giả thiết H0, tức mô

hình này không bị sót biến

I KIỂM ĐỊNH BIẾN THỪA: vì t-statistic của tất cả các biến giải thích > t(5%)(43) =

2.01669 nên mô hình trên không có biến thừa

J DỰ BÁO:

- Dự báo điểm: dùng phương pháp bình quân di động:

n = 10 (obs = 51)

Mort = 73.76836 + 0.479654 * Phys + 452.7655*Pov + 1.563512 * Tobc

– 843.88 *Edu2 + 0.089816 * Hexc – 25.25888 * Alcc + 4167.319 * Aged

1 847.3952 174.176 0.122 116.482 0.157 1638.588 2.456 0.120

2 798.489 165.000 0.115 110.412 0.148 1528.471 2.306 0.112

3 750.2707 154.412 0.109 102.959 0.140 1420.647 2.174 0.105

4 704.0088 146.471 0.101 95.653 0.131 1323.941 2.061 0.098

5 655.4404 135.588 0.095 88.676 0.121 1226.647 1.906 0.090

6 598.7506 123.294 0.089 81.865 0.113 1115.235 1.774 0.081

7 545.3915 110.529 0.083 74.018 0.104 994.412 1.602 0.073

8 499.616 102.353 0.073 66.641 0.096 915.529 1.455 0.066

9 450.3743 95.176 0.063 60.500 0.088 820.412 1.318 0.058

10 400.9287 85.353 0.053 52.929 0.080 722.118 1.204 0.051

- Dự báo khoảng: t α = 2.016692173

Mort(Y 0 ) – Se * t α ≤ Mort (Y) ≤ Mort (Y 0 ) + Se * t α

1 5.28886 847.39521 836.72921 858.06120

2 8.79965 798.48899 780.74280 816.23518

3 13.38019 750.27066 723.28694 777.25437

4 18.98740 704.00880 665.71707 742.30054

5 24.52258 655.44036 605.98586 704.89486

6 29.73392 598.75061 538.78646 658.71477

7 35.20039 545.39145 474.40310 616.37980

8 40.62179 499.61605 417.69440 581.53769

9 46.39946 450.37434 356.80090 543.94778

10 51.96942 400.92867 296.12235 505.73499