Bài tập và bài đọc tham khảo môn Xác suất thống kê (Phương pháp phân tích định lượng)
BÀI TẬP VÀ BÀI ĐỌC THAM KHẢO
(Phương pháp phân tích định lượng)
PHÂN TÍCH HỒI QUY
1.
Cho bảng sau đây về lãi suất (Y) và tỷ lệ lạm phát (X) trong năm 1988 ở 9
nước. Giả sử rằng sự phụ thuộc E(Y/X) có dạng tuyến tính. Hãy ước lượng
hàm hồi quy và tính các đặc trưng của nó.
Y
X
11.9
7.20
9.40
4.00
7.50
3.10
4.00
1.60
11.30
4.80
66.30
51.00
2.20
2.00
10.30
6.60
7.60
4.40
LỜI GIẢI
Trước tiên với cách làm thủ công (không sử dụng các phần mềm chuyên dụng) để
thực hiện hồi quy và tìm các đặc trưng của mô hình, ta lập bảng tính và tính như sau:
ei2
Xi2
X i − X (X i − X )2 Yi −Y
(Yi −Y )2 (Yi −Y )(X i − X )
Yi
ei
ˆ
Yi
X i
n
1
11.90
7.20
51.84
16.00
9.61
-2.21
-5.41
-6.31
-7.81
-4.61
4.89
29.28
39.83
-2.60
-5.10
-7.00
6.76
26.01
49.00
5.75
11.74
0.16
0.03
2
9.40
7.50
4.00
3.10
1.60
4.80
27.60
44.18
7.74
6.61
1.66
0.89
2.76
0.78
0.55
6.56
0.03
9.25
0.47
0.41
20.83
3
4
4.00
2.56
61.01 -10.50 110.25
21.26 -3.20 10.24
51.80 2683.24
54.92 -12.30 151.29
82.02
4.74
-0.74
2.56
5
11.30
66.30
2.20
23.04
14.76
8.74
6
51.00 2601.00
41.59 1729.64
2154.30
91.16
66.46
5.24
-0.16
-3.04
-0.69
-0.64
0.00
7
2.00
6.60
4.40
4.00
43.56
19.36
-7.41
-2.81
-5.01
8
10.30
7.60
7.90
-4.20
-6.90
17.64
47.61
11.81
10.99
8.24
9
25.11
34.58
Tổng
TB
130.50
14.50
84.70 2770.97
9.41
0.00 1973.85
0.00 3102.04
2466.14 130.50
Từ bảng tính trên, chúng ta dễ dàng tính được:
1
Các tham số hồi quy:
(X − X )(Y −Y )
2466.14
1973.85
∑
i
i
ˆ
β2 =
=
= 1.249;
(X − X )2
∑
i
ˆ
ˆ
β1 = Y − β2 X = 14.5 −1.249*9.41 = 2.742
Hàm hồi quy mẫu:
Từ các tham số hồi quy ở trên, hàm hồi quy mẫu được ước lượng là:
ˆ
Yi = 2.742 +1.249Xi
SRF
Độ chính xác của các ước lượng:
Để tính độ chính xác của các ước lượng, do σ2 chưa biết, nên ta phải tính ước lượng
không chệch của nó, ước lượng không chệch tính được như sau:
e2
20.83
∑
i
ˆ 2
σ =
=
= 2.975
n − 2 9 − 2
Từ đó suy ra:
σ 2
2.975
ˆ
ˆ
Var(β2 ) =
=
= 0.0015; Se(β2 ) = 0.0388
(X − X)2
1973.85
∑
i
X 2
2770.97
∑
σ 2 =
2.975 = 0.464; Se(β1 ) = 0.6811
i
ˆ
ˆ
Var(β1 ) =
9*1973.85
n
(X − X)2
∑
i
Độ phù hợp của mô hình:
Từ bảng kết quả, chúng ta cũng tính được độ phù hợp của mô hình như sau:
RSS
TSS
20.83
R2 = 1−
= 1−
= 0.993
3102.04
Từ đó cho thấy rằng 99.3% sự biến đổi của lãi suất tiết kiệm trong mẫu được giải
thích bằng tỷ lệ lạm phát.
Khoảng tin cậy các hệ số βj:
Với α=0.1 => tra bảng ta có tα/2(n-2) = 1.895.
Vậy khoảng tin cậy với β1 và β2 với độ tin cậy 90% là:
2
ˆ
ˆ
ˆ
ˆ
β1 - 1.895Se(β1 ) ≤ β1 ≤ β1 + 1.895Se(β1 )
1.131
≤ β1 ≤
4.353
ˆ
ˆ
ˆ
ˆ
β2 - 1.895Se(β2 ) ≤ β2 ≤ β2 + 1.895Se(β2 )
1.158
≤ β2 ≤
1.341
Kiểm định giả thiết:
H0: β2 = 0
H1: β2 ≠ 0
Giả thiết H0 về mặt kinh tế tức là chúng ta đưa ra giả thiết biến X không ảnh hưởng
đến Y, trong thí dụ này có nghĩa là lạm phát không ảnh hưởng đến lãi suất ngân
hàng.
*
ˆ
ˆ
β2 − β2
β2 − 0
t =
=
= 32.2
ˆ
0.0388
se(β2 )
Ta thấy t > tα/2(n-2), do đó bác bỏ giả thuyết H0, hay có thể nói là ở mức ý nghĩa 10%
ta bác bỏ giả thiết cho rằng lạm phát không ảnh hưởng đến lãi suất ngân hàng.
Dự báo:
Giả sử chúng ta muốn dự báo giá trị trung bình hay giá trị cá biệt cho Lãi suất tiết
kiệm khi chúng ta biết một giá trị cụ thể của Tỷ lệ lạm phát, áp dụng những công
thức như đã trình bày trong phần 2.7 chúng ta dễ dàng tính được các giá trị dự báo
mong muốn.
Chúng ta vừa t hực hiện ước lượng hàm hồi quy và tính các đặc trưng của nó bằng
việc sử dụng những công thức và lập bảng tính, hiện nay có rất nhiều phần mềm ứng
dụng hay các phần mềm phân tích dữ liệu khác do đó chúng ta dễ dàng tính được các
tham số hồi quy cũng như những đặc trưng của nó mà không cần mất quá nhiều thời
gian. Đối với những yêu cầu đơn giản, chúng ta cũng có thể thực hiện ngay trên
EXCEL, ví dụ với bài thực hành trên chúng ta có thể thực hiện một số thao tác đơn
giản như sau:
Tool → Data Analysis → Regression
Sau khi thực hiện khai báo các biến, chúng ta sẽ thu được kết quả hồi quy như sau:
3
SUMMARY OUTPUT
Regression Statistics
Multiple R
R Square
Adjusted R Square
Standard Error
Observations
0.997
0.993
0.992
1.725
9
ANOVA
df
SS
MS
F
Significance F
Regression
Residual
Total
1
7
8
3081.212 3081.212 1035.543
0.000
20.828
2.975
3102.040
Coefficients Standard Error
t Stat
4.024
32.180
P-value
0.005
0.000
Lower 95% Upper 95%
Intercept
X
2.742
1.249
0.681
0.039
1.131
1.158
4.353
1.341
Dựa vào kết quả hồi quy trên, chúng ta dễ dàng thực hiện những phân tích, đánh giá
mô hình hồi quy nhận được.
4
2.
Khi nghiên cứu số người sẽ d i chuyển bằng xe buýt với nhiều yếu tố ảnh
hưởng khác nhau. Người ta thu thập dữ liệu chéo cho 40 thành phố khắp nước
Mỹ.
BUSTRAVL
FARE
GASPRICE
0.88
1.03
0.91
0.91
0.97
0.88
0.91
0.89
0.89
0.89
0.87
0.94
0.99
0.87
0.93
0.79
0.93
0.93
0.93
1.03
0.86
0.96
0.96
0.88
1.00
0.92
0.91
0.89
0.93
0.87
0.81
0.85
0.98
0.90
0.90
0.90
0.88
0.92
0.92
0.96
INCOME
POP
DENSITY
LANDAREA
131.0
80.3
2073.0
2136.1
1878.8
937.5
7343.3
837.9
1648.0
739.1
1070.7
274.6
0.85
17293
537.1
4099
0.75
0.60
1.00
0.50
0.85
1.00
0.75
1.50
1.50
0.75
1.00
0.60
1.50
1.05
0.70
0.60
0.60
0.60
1.00
0.50
1.15
1.15
0.60
1.00
1.35
0.75
1.00
1.15
1.00
0.85
0.50
1.25
0.75
0.75
0.75
1.00
0.75
0.75
0.60
17768
17823
15163
17480
15329
16141
15326
17115
17117
16127
17242
17340
15108
15809
16321
18027
18023
12349
17886
16537
13019
13019
13130
20513
17409
15944
15207
15409
17743
16309
15092
18014
21886
20744
21313
17539
17633
17643
15522
787.0
587.1
338.0
3090.0
399.0
561.8
585.1
1142.4
486.5
198.7
549.8
1253.0
1603.0
741.2
490.4
3478.9
423.3
304.0
377.2
664.0
368.0
265.0
572.0
7323.3
1760.2
991.6
396.6
387.0
167.0
495.9
794.0
1027.2
753.6
376.0
698.1
548.3
295.7
259.8
693.6
9798
12438
8070
13547
5110
7110
3234
3431
2027
4113
4975
8913
2885
2105
1551
7486
8508
4997
10994
6702
6714
5144
2832
24288
12944
3059
8147
3751
8309
8077
2318
3208
16240
6988
4422
3790
3497
4675
11068
47.2
41.8
228.1
78.1
79.0
180.9
333.0
240.2
48.4
110.6
135.6
556.4
352.0
316.3
464.7
49.8
312.9
1879.1
1941.0
2317.6
471.4
594.3
7632.9
510.1
630.6
60.0
34.3
95.8
55.1
1650.9
1618.3
2009.8
1562.4
1139.4
13103.0
3739.6
525.7
2385.8
1698.5
544.0
1769.1
1065.0
803.1
52.4
199.4
301.5
136.0
324.0
55.4
103.3
18.9
61.4
262.7
320.0
46.4
1616.7
146.5
18.1
2056.1
470.1
53.9
158.0
144.6
84.4
55.5
62.7
242.5
3933.5
5
Các biến được định nghĩa như sau:
BUSTRAVL = Mức độ giao thông bằng xe buýt ở đô thị tính theo ngàn hành khách
mỗi giờ
FARE = Giá vé xe buýt tính bằng $
GASPRICE = Giá một ga lông nhiên liệu tính bằng $
INCOME = Thu nhập bình quân đầu người tính bằng $
POP = Dân số thành phố tính bằng ngàn người
DENSITY = Mật độ dân số tính (người/dặm vuông)
LANDAREA = Diện tích thành phố (dặm vuông)
Đặc trưng tổng quát của mô hình, được xem có dạng như sau:
BUSTRAV = β1 + β2FARE + β3GASPRICE + β4INCOME + β5POP + β6DENSITY
+ β7LANAREA + u
Hãy ước lượng mô hình và thực hiện các phân tích.
LỜI GIẢI
Trước khi ước lượng mô hình, chúng ta sẽ xác định dấu của các biến, mức độ ưu
tiên, cho các hệ số hồi quy. Ở đây chúng ta giả định những tiềm ẩn về phía cung
không được xem là quan trọng. Bởi vì một sự gia tăng giá vé xe buýt có thể làm
giảm nhu cầu đi xe buýt, nên chúng ta kỳ vọng β2 sẽ âm. Trong lĩnh vực di chuyển,
xe hơi sẽ là một thay thế đối với xe buýt, và vì vậy một sự gia tăng giá nhiên liệu có
thể khiến một số người tiêu thụ chuyển sang đi xe buýt, vì vậy chúng ta kỳ vọng một
hiệu ứng tích cực ở đây; nghĩa là β3 sẽ dương. Khi thu nhập tăng, chúng ta kỳ vọng
nhu cầu đối với hàng tiêu dùng cũng tăng lên, và vì vậy như thường lệ chúng ta kỳ
vọng β4 sẽ dương. Tuy nhiên, nếu hàng tiêu dùng thuộc loại hàng hóa “thấp cấp”, thì
hiệu ứng thu nhập (nghĩa là, β4) sẽ âm. Một sự gia tăng dân số hay mật độ dân số
thường làm gia tăng nhu cầu di chuyển bằng xe buýt, vì vậy, chúng ta kỳ vọng β5 và
β6 sẽ dương. Nếu diện tích đất tăng lên, thì thành phố sẽ trải rộng ra hơn và người
tiêu thụ có thể thích dùng xe hơi như là phương tiện giao thông chính hơn, nếu đây
là một tình huống thì β7 được kỳ vọng sẽ âm.
Kết quả hồi quy được tính toán bởi phần mềm Eviews.
6
Mô hình 1:
Dependent Variable: BUSTRAVL
Method: Least Squares
Date: 06/07/08 Time: 00:05
Included observations: 40
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
FARE
2744.680
-238.6544
522.1132
-0.194744
1.711442
0.116415
-1.155230
2641.672
451.7281
2658.228
0.064887
0.231364
0.059570
1.802638
1.038994
-0.528314
0.196414
-3.001294
7.397176
1.954253
-0.640855
0.3064
0.6008
0.8455
0.0051
0.0000
0.0592
0.5260
GASPRICE
INCOME
POP
DENSITY
LANDAREA
R-squared
0.921026 Mean dependent var
0.906667 S.D. dependent var
742.9113 Akaike info criterion
18213267 Schwarz criterion
-317.3332 F-statistic
1933.175
2431.757
16.21666
16.51221
64.14338
0.000000
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
2.082671 Prob(F-statistic)
Qua bảng kết quả chúng ta thấy rằng R2 hiệu chỉnh là 0,907, có nghĩa rằng 90,7% sự
biến đổi của BUSTRAVL được giải thích chung bởi các biến trong mô hình (đã
được điều chỉnh do giảm bậc tự do của mô hình). Đối với một nghiên cứu chéo, R2
hiệu chỉnh như vậy là khá cao.
Nhìn vào giá trị p-value (được cho ở cột cuối cùng), khi kiểm định hai phía cho thấy
rằng chỉ INCOME, POP, và DENSITY có các hệ số có nghĩa ở mức 10%. Hằng số
và các hệ số của FARE, GASPRICE, và LANDAREA không có ý nghĩa về mặt
thống kê ngay cả ở mức lớn hơn.
Kiểm định ý nghĩa của mô hình bằng kiểm định F, ta thấy rằng F = 64,14 và mức ý
nghĩa của F, PF < 0.1 do đó ta có thể kết luận mô hình trên là có ý nghĩa.
Nhưng chúng ta sẽ phải làm gì với những hệ số không có ý nghĩa. Quy tắc chung là
bỏ qua ý nghĩa của hằng số hoặc là không cần nó. Tuy nhiên, FARE, GASPRICE, và
LANDAREA cần phải xem xét loại bỏ khỏi mô hình bởi vì không có bằng chứng
chứng tỏ chúng có những ảnh hưởng có nghĩa lên BUSTRAVL.
Chúng ta có thể thực hiện một bỏ tất cả chúng, ước lượng một mô hình được giới
hạn, và thực hiện kiểm định Wald F-test như đã trình bày.Để tạo thực hiện việc
này, chúng ta lấy ra tổng bình phương sai số và số bậc tự do cho mô hình không giới
hạn vừa mới được ước lượng. Tuy nhiên, chúng ta cũng cần cẩn trọng, vì việc cùng
lúc loại bỏ một vài biến cũng có thể bỏ mất những biến có ý nghĩa hoặc là những
biến quan trọng về mặt lý thuyết. Do đó, cách làm thận trọng và nhạy bén hơn là loại
bỏ dần từng biến. Có một vài lý do đối với việc loại bỏ các biến với các hệ số không
có nghĩa. Thứ nhất, một mô hình đơn giản hơn dễ diễn giải hơn một mô hình phức
tạp. Thứ hai, việc bỏ bớt một biến làm tăng bậc tự do và vì vậy cải thiện sự chính
xác của các hệ số còn lại. Cuối cùng, như chúng ta sẽ thấy trong chương tiếp theo,
nếu các biến giải thích có tương quan chặt với nhau nó sẽ gây khó khăn cho sự diễn
7
giải riêng từng hệ số. Việc loại trừ các biến làm giảm cơ hội nảy sinh những tương
quan này và vì vậy nó làm cho việc diễn giải có ý nghĩa hơn.
Điểm bắt đầu cho quá trình loại bỏ là nhận diện biến có hệ số hồi quy ít có nghĩa
nhất. Điều này được thực hiện bằng cách nhìn vào giá trị p-value cao nhất. Từ kết
quả mô hình A, chúng ta để ý rằng hệ số cho GASPRICE có giá trị p-value cao nhất
và vì vậy ít có ý nghĩa nhất. Do đó, biến này bị loại bỏ khỏi đặc trưng mô hình và
chúng ta sẽ thực hiện hồi quy với những biến còn lại. Kết quả hồi quy thu được sau
khi loại bỏ biến GASPRICE như sau:
Mô hình 2:
Dependent Variable: BUSTRAVL
Method: Least Squares
Date: 06/07/08 Time: 00:07
Sample: 1 40
Included observations: 40
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
FARE
INCOME
POP
DENSITY
LANDAREA
3215.856
-225.6595
-0.195716
1.716808
0.118216
-1.195297
1090.469
440.4936
0.063777
0.226474
0.058023
1.765554
2.949058
-0.512288
-3.068778
7.580596
2.037401
-0.677010
0.0057
0.6118
0.0042
0.0000
0.0495
0.5030
R-squared
0.920934 Mean dependent var
0.909307 S.D. dependent var
732.3323 Akaike info criterion
18234559 Schwarz criterion
-317.3565 F-statistic
1933.175
2431.757
16.16783
16.42116
79.20400
0.000000
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
2.079321 Prob(F-statistic)
Ta thấy rằng việc loại bỏ biến đã cải thiện các ràng buộc lựa chọn mô hình, đã cải
thiện độ chính xác của các hệ số còn lại bằng cách làm cho chúng có ý nghĩa nhiều
hơn, dễ dàng thấy được điều này qua giá trị p-value. Biến có hệ số ít ý nghĩa nhất
(giá trị p-value cao nhất), bây giờ là FARE. Nhưng vé xe buýt là một thước đo giá cả
mà theo cách nói lý thuyết kinh tế là một yếu tố quan trọng của nhu cầu.
Do đó, chúng ta không nên loại bỏ nó ngay cả khi giá trị p-value cho rằng chúng ta
có thể bỏ. Do vậy bước kế tiếp ta loại bỏ LANDAREA, biến có giá trị p-value cao
nhất kế tiếp. Tiếp tục thực hiện hồi quy, ta thu được:
8
Mô hình 3:
Dependent Variable: BUSTRAVL
Method: Least Squares
Date: 06/07/08 Time: 00:08
Sample: 1 40
Included observations: 40
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
FARE
INCOME
POP
DENSITY
3111.181
-295.7306
-0.202197
1.588337
0.149027
1071.067
424.8354
0.062564
0.122654
0.035713
2.904749
-0.696106
-3.231821
12.94973
4.172925
0.0063
0.4910
0.0027
0.0000
0.0002
R-squared
0.919868 Mean dependent var
0.910710 S.D. dependent var
726.6434 Akaike info criterion
18480373 Schwarz criterion
-317.6243 F-statistic
1933.175
2431.757
16.13122
16.34233
100.4449
0.000000
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
1.995180 Prob(F-statistic)
Ta thấy rằng biến DENSITY đã gia tăng ý nghĩa đáng kể. Tuy nhiên, biến FARE có
giá trị p-value là 49%, quá cao không thể chấp nhận được. Điều này gợi ý rằng, với
sự có mặt của các biến khác, giá cả có thể không ảnh hưởng lên nhu cầu đi xe buýt.
Nói cách khác, khi có nhu cầu đi xe buýt, người tiêu thụ có thể không nhạy cảm lắm
với giá cả.
Do vậy, loại bỏ FARE là cần thiết và lại tiếp tục hồi quy với những biến còn lại, ta
thu được kết quả:
Mô hình 4:
Dependent Variable: BUSTRAVL
Method: Least Squares
Date: 06/07/08 Time: 00:09
Sample: 1 40
Included observations: 40
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
2815.703
-0.201273
1.576575
0.153421
976.3007
0.062101
0.120612
0.034898
2.884053
-3.241076
13.07148
4.396311
0.0066
0.0026
0.0000
0.0001
INCOME
POP
DENSITY
R-squared
0.918759 Mean dependent var
0.911989 S.D. dependent var
721.4228 Akaike info criterion
18736228 Schwarz criterion
-317.8993 F-statistic
1933.175
2431.757
16.09497
16.26386
135.7080
0.000000
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
1.878671 Prob(F-statistic)
9
Qua kết quả ta thấy rằng mô hình này có các trị thống kê lựa chọn mô hình thấp nhất
và tất cả các hệ số đều có nghĩa rất lớn. Hơn nữa, các hệ số đối với INCOME, POP,
và DENSITY không khác với các hệ số giữa mô hình 3 và mô hình 4. Vì vậy có thể
kết luận việc loại bỏ FARE không quá nghiêm trọng.
Dựa trên tất cả các ràng buộc, mô hình 4 dường như là “tốt nhất” và được chọn như
là mô hình cuối cùng cho việc diễn dịch.
Các hệ số của thu nhập, kích thước dân số, và mật độ dân số có ý nghĩa rất lớn. Lý
thuyết kinh tế chuẩn cho rằng ảnh hưởng thu nhập lên nhu cầu đối với bất cứ hàng
hóa nào đều dương, nhưng hệ số ước lượng của INCOME thì ạli âm. Điều này,
không gây ngạc nhiên, gợi ý rằng đi xe buýt là một loại hàng hóa “thấp cấp”. Khi
thu nhập tăng lên, người ta có khuynh hướng sử dụng xe hơi để di chuyển, và vì vậy
lượng đi xe buýt sẽ giảm xuống. Nếu thu nhập đầu người tăng lên khoảng 100 đô la,
thì về trung bình, đi xe buýt được kỳ vọng giảm khoảng khoảng 20,13 ngàn người
mỗi giờ. Hệ số của POP và DENSITY dương hay có thể nói khi dân số hay mật độ
dân số tăng lên, thì có nhiều người di chuyển bằng xe buýt hơn.
Mặc dù vậy, để thực sự có những kết luận thật thoả đáng, chúng ta còn phải thực
hiện những kiểm định và phân tích sâu hơn nữa.
10
BÀI ĐỌC THAM KHẢO 1
PHÂN TÍCH HỒI QUY TRONG THƯƠNG MẠI
QUẢNG TÂY – ASEAN VÀ TĂNG TRƯỞNG GDP QUẢNG TÂY
I. Lựa chọn số liệu mẫu và tạo mô hình
Số liệu năm về mức giao dịch xuất nhập khẩu Quảng Tây – Asean (X) và
GDP Quảng Tây (Y) từ năm 1998 đến năm 2004, vẽ biểu đồ rời, sau đó tính toán
các con số liên quan và tiến hành phân tích hồi quy.
Chú thích: Năm 2004, thể chế ngoại hối có nhiều cải cách lớn, tỷ giá hối đoái
đồng NDT đã được hợp nhất và dần ổn định, liên tục giữ ở mức tỷ lệ từ 1/8,3124 đến
1/8,2770 (USD/NDT). Số liệu GDP tính theo USD trong bảng sau được căn cứ vào
tỷ giá hối đoái trung bình năm từ 1998 – 2004 để quy từ GDP Quảng Tây tính bằng
NDT sang GDP Quảng Tây tính bằng USD.
Bảng 1 Số liệu về thương mại Quảng Tây – Asean và GDP Quảng Tây
Đơn vị: tỷ USD
Tổng
mức
XNK
Tỷ giá
bình
GDP(tỷ
NDT)
Năm
XK
NK
GDP(USD)
quân năm
8,2791
8,2783
8,2784
8,2770
8,2770
8,2770
8,2771
1998 0,39659 0,31861 0,07798
1999 0,36883 0,28872 0,08011
2000 0,43950 0,31011 0,12939
2001 0,41906 0,25914 0,15991
2002 0,62726 0,44238 0,18488
2003 0,82619 0,55235 0,21384
2004 1,00100 0,63600 0,36500
190,304
195,327
205,015
223,119
245,536
273,513
332,010
22,98607
23,59506
24,76505
26,95651
29,84514
33,04494
40,11188
Bảng 2 Hệ số tương quan
Y
X
Y
X
1,000000
0,976391
0,976391
1,000000
Từ Bảng 2 có thể thấy, hệ số tương quan giữa mức thương mại Quảng Tây và
GDP Quảng Tây năm 1998 – 2004 là 0,976391, là một mức tương quan rất cao,
thương mại XNK Quảng Tây – Asean có vai trò quếyt định trong thúc đẩy tăng
trưởng kinh tế Quảng Tây, nói một cách khác tăng trưởng GDP Quảng Tây phụ
thuộc rất nhiều vào thương mại XNK Quảng Tây – Asean, giữa chúng có thể lập ra
một mô hình tuyến tính.
11
II. Lập mô hình và tiến hành phân tích hồi quy
Vì chỉ phân tích tính tương quan giữa thương mại Quảng Tây – Asean và
GDP Quảng Tây, có thể giả định là các nhân tố khác ảnh hưởng đến tăng trưởng
GDP đều bình ổn, do đó có thể sử dụng mô hình hồi quy tuyến tính đơn để phân
tích. Dùng Y biểu thị GDP Quảng Tây, dùng X biểu thị mức thương mại Quảng Tây
– Asean, lập một mô hình hồi quy tuyến tính đơn.
Y = α + βX + u
Căn cứ vào các số liệu của Bảng 1 từ năm 1998-2004, vận dụng phần mềm
kinh tế số lượng Eviews, sử dụng phương pháp nhị thừa nhỏ nhất (OLS), tiến hành
phân tích hồi quy đối với X và Y, ta được kết quả như sau:
Từ những kết quả đạt được từ phần mềm Eviews, ta có phương trình hồi quy
tương ứng như sau:
ˆ
Y
= 14,53003 + 24,41980X
(9,612073) (10,10718)
(0,0002)
R2 = 0,953339
(0,0002)
F = 102,1550
Prob(F – statistic) = 0,000162
Kiểm nghiệm: kiểm nghiệm ý nghĩa kinh tế, thông qua quan sát trị số của hệ
số ước lượng, có thể thấy ý nghĩa kinh tế phù hợp của mô hình này. Hệ số của X là
24,41980 cho thấy, trong năm 1998 – 2004, thương mại Quảng Tây – Asean hàng
năm tăng thêm 0,1 tỷ USD, và kết quả là GDP khu vực tăng thêm khoảng 2,441890
tỷ USD.
Thống kê kiểm nghiệm: R2 = 0,953339 cho thấy, xác suất đi kèm của kiểm
nghiệm T đối với hệ số hạng thường số và hệ số hồi quy lần lượt là 0,0002 và
0,0002, cho thấy chúng đều có thể thông qua được kiểm nghiệm với xác suất dưới
5%, từ đó phủ nhận giả thuyết ban đầu là hệ số =0.
Từ F = 102,1550
Prob(F – statistic) = 0,000162 có thể thấy, không cần tra
Bảng cũng có thể biết chắc phương trình thông qua, có nghĩa là tính rõ ràng của
phương trình rất tốt, nói lên tính tương quan cao giữa 2 biến lượng tăng trưởng GDP
Quảng Tây và mức thương mại Quảng Tây – Asean.
Từ kiểm nghiệm trên có thể rút ra, mặc dù có rất nhiều nhân tố ảnh hưởng đến
tăng trưởng GDP Quảng Tây, nhưng trong đó mức thương mại XNK Quảng
Tây – Asean có vai trò quyết định thúc đẩy tăng trưởng kinh tế Quảng Tây.
12
BÀI ĐỌC THAM KHẢO 2
Mô hình kinh tế lượng ứng dụng trong nghiên cứu
thị trường du lịch Việt Nam
Ngành Du lịch Việt Nam đã và đang được Đảng và Nhà nước ta lựa chọn
phát triển và xây dựng là ngành kinh tế mũi nhọn. Du lịch Việt Nam nói chung và du
lịch quốc tế đến Việt Nam nói riêng, đóng vai trò quan trọng trong việc tạo ra ngân
sách cho ngành du lịch Việt Nam. Nếu từ năm 1990 du lịch quốc tế đã đóng góp cho
ngành khoảng 109 triệu đô la, thì năm 2002 du lịch quốc tế đã đóng góp cho ngành
khoảng 1,017 tỷ đô la (tương đương 5,3 triệu tấn gạo xuất khẩu). Một công việc do
ngành du lịch trực tiếp tạo ra, có thể tạo ra được từ (1-3) công việc gián tiếp khác
cho các ngành sản xuất trong nước: ngành công nghiệp, nông nghiệp, giao thông vận
tải và các ngành dịch vụ khác. Như vậy nếu đẩy mạnh phát triển được thị trường du
lịch Việt Nam, sẽ tạo được nhiều cơ hội cho phát triển kinh tế của các vùng và địa
phương có tài nguyên du lịch, mặc dù nơi đó có thể rất xa xôi hẻo lánh. Trên thế giới
cũng như thực tiễn ở Việt Nam cho thấy nhiều nơi đã phát triển đi lên từ du lịch.
Để phát triển ngành du lịch Việt Nam thực sự trở thành ngành kinh tế mũi
nhọn, một trong những yêu cầu trước tiên là phải hiểu biết và nắm vững được thị
trường du lịch trong nước cũng như thị trường du lịch quốc tế. Với tư cách là những
nhà cungứng, ngành du lịch Việt Nam quảng bá các yếu tố hấp d ẫn tới khách du
lịch trong và ngoài nước, và cung ứng các hàng hoá dịch vụ cho khách du lịch. Cầu
về hàng hoá dịch vụ du lịch, có thể là khách trong nước hay ngoài nước. Với điều
kiện và vị thế của Việt Nam, thu hút nguồn khách quốc tế đến Việt Nam, có vai trò
quan trọng trong chiến lược phát triển du lịch, và tạo cơ hội cho thị trường du lịch
Việt Nam phát triển.
Vấn đề đặt ra cần phải có cơ sở khoa học để hiểu biết và nắm được thị trường
khách quốc tế đến Việt Nam, có như vậy mới có những quyết định đúng đắn. Trong
quản lý kinh tế hiện đại, ngoài sự hiểu biết về mặt định tính các yếu tố và các mối
quan hệ của thị trường, người ta còn cần định lượng được các yếu tố và các mối
quan hệ giữa các yếu tố.
Để hiểu biết được các yếu tố ảnh hưởng và định lượng được những yếu tố ảnh
hưởng tới lượng khách du lịch quốc tế, hiện nay người ta thường sử dụng mô hình
kinh tế lượng. Một khi đã xây dựng được mô hình kinh tế lượng, việc tiến hành dự
báo thị trường như lượng cầu, xác định độ co giãn cầu v.v…, hoặc cần ra quyết định
trong những tình huống với mức tin cậy nhất định, thì mô hình kinh tế lượng tỏ ra có
ưu thế.
Thông thường, người ta hay tiến hành dự báo quy mô thị trường. Tổng cầu thị
trường được biểu thị dưới dạng số lượt khách du lịch quốc tế sẽ đến thăm từ một
13
nước xuất phát tới một điểm đến nước ngoài, hoặc bằng khoản tiêu dùng du lịch của
khách tham quan từ nước xuất phát đến đất nước du lịch.
Khi tiến hành dự báo quy mô thị trường bằng mô hình kinh tế lượng, người ta
sử dụng phân tích hồi quy để ước lượng mối quan hệ giữa biến dự báo gọi là biến
phụ thuộc (hay biến được giải thích), với một hay nhiều biến độc lập (hoặc biến giải
thích) khác. Ước lượng tiến hành dựa vào các dữ liệu đã có trước, giá trị dự báo
tương lai là giá trị ngẫu nhiên xác định trên cơ sở sử dụng mô hình hồi quy đã xây
dựng.
Bước đầu tiên trong việc xây dựng mô hình dự báo quy mô thị trường là cần xác
định các biến độc lập có thể gây ảnh hưởng tới cầu du lịch quốc tế.
Giả sử hàm cầu thị trường có dạng:
Y = f (X1, X2,..., Xk ) (1)
Trong đó:
Y : Cầu đối với du lịch quốc từ nơi xuất phát cụ thể tới điểm đến khảo sát.
X1, X2, ..., Xk : Là các biến độc lập hay các biến giải thích.
Biến dự báo:
Cầu du lịch được đo bằng lượng khách du lịch tới thăm hoặc giá trị tiêu dùng du
lịch, mà được xem xét dưới dạng tiền.
Thu nhập:
Thu nhập thực tế tính bằng tiền, tại đất nước du khách sinh sống, thường được sử
dụng làm biến giải thích ở mô hình (1). Nếu chuyến đi với mục đích nghỉ ngơi, thăm
hỏi gia đình bạn bè thì sử dụng là dạng thu nhập có thể sử dụng được; còn nếu
chuyến đi với mục đích kinh doanh, thì sử dụng dạng thu nhập chung (như thu nhập
quốc gia chẳng hạn).
Giá cả hàng hoá dịch vụ:
Yếu tố giá cả cũng được thường xuyên đưa vào làm biến giải thích trong hàm cầu.
Với du lịch quốc tế, cần lưu ý có hai yếu tố giá cả - liên quan đến các chi phí vận
chuyển để tới được điểm đến và các chi phí khi ở tại điểm đến. Các chi phí vận
chuyển có thể được tính qua giá vé máy bay, hoặc cước phí vận chuyển đường bộ từ
điểm xuất phát của du khách tới điểm đến du lịch.
Có thể tính chi phí du lịch tại điểm đến theo mức chi phí riêng cho khách du lịch.
Ngoài ra, chỉ số giá tiêu dùng ở điểm đến có khả năng sử dụng thay thế biến chi phí
du lịch. Tỷ giá hối đoái cũng có thể được đưa vào như một biến giải thích trong mô
hình (1).
14
Giá hàng hoá dịch vụ thay thế:
Kinh tế học đã chứng tỏ rằng hàng hóa và dịch vụ thay thế có thể đóng vai trò quan
trọng để xác định cầu. Khách du lịch tiềm năng có thể so sánh giá cả của những kỳ
nghỉ ở nước ngoài với các giá kỳ nghỉ ở trong nước, trước khi họ quyết định mua.
Tất nhiên, họ cũng so sánh các chi phí kỳ nghỉ ở các nước khác nhau. Như thế, chi
phí lữ hành thay thế và chi phí tiêu dùng du lịch có thể đóng vai trò quan trọng để
xác định cầu du lịch quốc tế tới điểm đến đã cho từ một nơi xuất phát cụ thể. Giá
thay thế có thể đưa vào mô hình (1) bao gồm: trung bình trọng số chi phí phương
tiện vận tải thay thế và trung bình trọng số chi phí tiêu dùng du lịch. Các trọng số
phải phản ánh được sự liên quan của nó với tính hấp dẫn của điểm đến, tới các khách
du lịch một cách rõ ràng và thường dựa trên cơ sở thị phần có trước đó.
Hoạt động xúc tiến:
Các tổ chức du lịch quốc gia thường tiêu dùng khá nhiều tiền cho việc xúc tiến du
lịch ở nước ngoài, nhằm thu hút khách tới đất nước mình. Do vậy, việc chi phí cho
xúc tiến du lịch mong muốn đóng vai trò quan trọng trong việc xác định mức cầu du
lịch quốc tế, vì thế chi phí xúc tiến du lịch cần được đưa vào như một biến giải thích
trong hàm cầu (1).
Biến trễ phụ thuộc:
Nhằm phản ánh những thói quen sự trung thành của cầu và sự chậm trễ cứng nhắc
của cung, người ta có thể đưa vào các biến trễ phụ thuộc. Chẳng hạn đã có lần khách
du lịch đến thăm một điểm đến nào đó mà họ cảm thấy thích thú và hài lòng, họ sẽ
có xu hướng thích quay trở lại đó. Ngoài ra, sự hài lòng và hiểu biết về điểm đến sẽ
tiếp tục được quảng bá tới những du khách tiềm năng hác thông qua các câu chuyện
hấp dẫn và những bức ảnh đã được ghi lại, từ đó sẽ làm giảm bớt sự rủi ro khi họ lựa
chọn điểm đến. Những điều đó dường như làm kéo dài sự trung thành với điểm đến.
Ngoài ra, sự cung cấp các dịch vụ cũng khó có thể gia tăng nhanh chóng trong thời
gian ngắn. Tất cả các vấn đề trên, sẽ được thể hiện thông qua sự có mặt của biến trễ
phụ thuộc trong mô hình (1).
Dạng mô hình toán thông dụng nhất thường được lựa chọn để biểu diễn hàm cầu du
lịch quốc tế là dạng hàm loga tuyến tính:
Trong đó :Y là cầu đối với du lịch quốc tế, là biến phụ thuộc.
X1, ... , Xk là các biến giải thích, hay biến độc lập. k
u là sai số ngẫu nhiên.
15
a, b1, ... , bk là các tham số.
e = 2,781 là số lôgarit tự nhiên.
Để có thể ước lượng được biểu thức (2), tiến hành loga hoá biểu thức (2):
ln Y = ln a + b1ln X1 + b2ln X2 + ... + bk ln Xk + u (3)
Xét cụ thể việc xây dựng một mô hình kinh tế lượng nhằm đánh giá cầu du lịch quốc
tế ở thị trường trọng điểm tới điểm đến du lịch Việt Nam.
Căn cứ vào các nguồn dữ liệu từ asean centre, nguồn của Tổng cục du lịch,
tham khảo ý kiến của các chuyên gia du lịch. Chúng tôi đã tiến hành xây dựng mô
hình hàm cầu khách du lịch Nhật Bản mà ngành du lịch Việt Nam đã và đang xúc
tiến thu hút cho điểm đến du lịch Việt Nam.
Qua quá trình nghiên cứu, chúng tôi thấy nguồn du khách Nhật Bả n là nguồn
khách khá hấp dẫn đối với các nước Asean, trong đó Thái Lan và Singapo là hai
nước dẫn đầu về thu hút khách Nhật. Năm 2001, khách Nhật Bản tới Asean là trên
16,2 triệu. Thái lan đón 1,18 triệu khách chiếm 7,2%, còn Singapo đón 0,755 triệu
khách chiếm 4,6%, Việt Nam đón 0,204 triệu khách chiếm 1,2%. Phải chăng do giá
tour đến Việt Nam cao hơn các nước trong khu vực, và đầu tư cho chính sách xúc
tiến của Việt Nam còn quá yếu, nên lượng khách Nhật vào Việt Nam còn rất nhỏ bé
so với tiềm năng. Để có thể kiểm định những phán đoán trên, chúng tôi đã lựa chọn
dạng mô hình toán cho hàm cầu khách Nhật Bản tới Việt Nam có dạng dưới đây :
Y = a. PVNb1. XTb2. eu
(4)
Trong đó :
Y : Số lượng khách du lịch trong năm từ thị trường Nhật Bản tới điểm đến Việt
Nam.
PVN: Mức giá tour trọn gói trung bình của kỳ nghỉ trong năm từ Nhật Bản tới Việt
Nam.
XT: Ngân sách xúc tiến trong năm của ngành du lịch Việt Nam tới thị trường Nhật
Bản.
u : Sai số ngẫu nhiên.
Tiến hành ln hai vế biểu thức (4) ta có :
ln Y = ln a + b1 ln PVN + b2 ln XT + u
(5)
Với các dữ liệu trong bảng 1, bằng sự hỗ trợ của phần mềm tính toán Eviews, kết
quả ước lượng có được các tham số của mô hình (5) như sau, xem bảng 2 :
16
ln Y = 14,67446 - 1,785864. ln PVN + 0,873611. ln XT + u (6)
Mô hình (6) là mô hình đã được lựa chọn "tốt nhất", các hệ số ước lượng là
tin cậy và phù hợp, giá trị R2 là khá cao (R2 = 0,999) chứng tỏ quan hệ giữa các biến
là liên quan chặt, hai biến độc lập PVN và XT đã giải thích được tới 99,9% giá trị
của biến phụ thuộc Y. Mô hình cũng không có những khuyết tật.
Sử dụng mô hình (6) ta có thể xác định được lượng cầu Y phụ thuộc vào những yếu
tố nào. Khi tiến hành dự báo lượng khách từ thị trường Nhật Bản đến Việt Nam, chỉ
cần có được những thông tin trong năm dự báo: Mức giá trung bình của các tour trọn
gói từ thị trường Nhật Bản tới Việt Nam, ngân sách xúc tiến du lịch của ngành du
lịch Việt Nam đầu tư cho thị trường Nhật Bản.
Ngoài ra mô hình (6), còn cho ta biết các thông tin về các loại hệ số: co giãn
cầu theo giá (b1=1,785864), co giãn cầu theo xúc tiến du lịch (b2=0,873611). ý nghĩa
của hệ số co giãn cầu b1 là: khi giá tour tọrn gói tăng 1%, thì lượng cầu sẽ giảm
1,785864%. Cũng tương tự, với hệ số co giãn cầu theo xúc tiến b2, khi tăng ngân
sách xúc tiến lên 1%, thì lượng cầu sẽ tăng 0,873611%.
Để xác định tính chính xác của mô hình (6), mô hình cần được tiếp tục kiểm
nghiệm qua thực tiễn, thông qua liên tiếp các bước lặp, ta sẽ có được một mô hình
đúng đắn và hoàn toàn tin cậy.
Trên đây là những nghiên cứu bước đầu về ứng dụ ng mô hình kinh tế lượng
trong nghiên cứu thị trường du lịch của Việt Nam. Mô hình đã xác định được các
yếu tố ảnh hưởng chính tới lượng cầu du lịch tới Việt Nam của thị trường du khách
Nhật Bản. Mô hình cũng định lượng được mối quan hệ của các yếu tố ảnh hưởng đó.
các nhà quản trị có thể dựa vào mô hình để ra các quyết định cần thiết. Hy vọng,
việc ứng dụng mô hình kinh tế lượng sẽ được phổ biến rộng rãi với công tác nghiên
cứu thị trường của Việt Nam nói chung và của ngành du lịch nói riêng.
Bảng 1: Số lượt khách Nhật đến Việt Nam, giá tour trọn gói, Ngân sách xúc tiến
(Nguồn Asean Centre, Tổng cục du lịch Việt Nam)
Y
PVN
XT
Năm
(Lượt khách)
(Đô la)
(Đô la)
1998
1999
2000
2001
2002
95258.00
1200.000
50000.00
113514.0
152725.0
204860.0
275000.0
1190.000
1160.000
1149.000
1135.000
60000.00
80000.00
110000.0
150000.0
17
Bảng 2 : Bản báo cáo của chương trình Eview
Dependent Variable: LY
Method: Least Squares
Sample: 1998 2002
Included observations: 5
Variable
Coefficient
0.873611
-1.785864
14.67446
0.999997
0.999994
0.001067
Std. Error
0.006248
0.118404
0.905715
t-Statistic
139.8119
-15.08278
16.20207
Prob.
0.0001
LXT
LPVN
0.0044
0.0038
C
R - squared
Adjusted R- squared
S.E. of regression
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
11.95901
0.430251
-10.56371
Sum squared resid
2.28E-06
-10.79804
Log likelihood
29.40927
2.713355
F-statistic
325028.0
0.000003
Durbin - Watson stat
Prob(F-statistic)
18
DỰ BÁO ĐỊNH LƯỢNG
1.
Hãy xây dựng một dự báo cho thời kỳ tiếp theo với dữ liệu dưới đây, sử dụng
trung bình trượt 3 thời kỳ,
Thời kỳ
Nhu cầu (Yt)
1
2
3
4
5
19
20
18
19
17
2. Xem xét dữ liệu sau:
Thời kỳ
Nhu cầu
(Yt)
11
12
13
81
75
82
a. Xác định dự báo không đổi theo thời gian cho thời kỳ 14.
b. Sử dụng san mũ giản đơn với α = 0.2 và dự đoán được san mũ giản đơn cho
thời kỳ 12 = 80, dự đoán cho thời kỳ 14 là bao nhiêu?
3. Cửa hàng kem AZ đã ghi lại nhu cầu đối với mùi vị đặc biệt trong suốt 7 ngày
của tháng 8.
Ngày
Doanh thu thực tế (Y)
t
Tháng 8. 1
56
64
63
56
68
59
64
2
3
4
5
6
7
Dự báo doanh thu cho ngày thứ 8 của tháng 8, sử dụng (a) một trung bình trượt 5
ngày và (b) một trung bình trượt 3 ngày.
19
4. Xây dựng dự báo cho thời kỳ 6 với α =0. 4 và giá trị thời kỳ 1 làm dự báo gốc
Thời kỳ Số lượng khiếu nại của khách hàng
1
2
3
4
5
45
34
35
42
48
5. Chuỗi thời gian sau cho biết doanh số của một sản phẩm trong 12 tháng qua:
Tháng
Doanh số
105
Tháng
Doanh số
145
1
2
3
4
5
6
7
8
135
140
120
9
100
105
10
11
12
80
90
100
120
110
Tính giá trị san mũ giản đơn cho chuỗi thời gian và MSE (Giả thiết α = 0.5).
GỢI Ý TRẢ LỜI
1. (18+19+17)/3 = 18
2.
(a) Mô hình không đổi theo thời gian: 82
(b)
Y'13 = αY12 + (1 - α) Y'12=(0.2)(75) + (0.8)(80) = 79
Y'14 = αY13 + (1 - α) Y'13 = (0.20)(82) + (0.80)(79) = 16.4 + 63.2
= 79.6
3.
a. Sử dụng trung bình trượt 5 ngày
63+56+68+59+64
′
Y =
=62
8
5
Trong đó Y' = giá tr ị ước tính
20
Tải về để xem bản đầy đủ
25 trang
24760
Free
Bạn đang xem 20 trang mẫu của tài liệu "Bài tập và bài đọc tham khảo môn Xác suất thống kê (Phương pháp phân tích định lượng)", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- bai_tap_va_bai_doc_tham_khao_mon_xac_suat_thong_ke_phuong_ph.pdf
