Fem Rem

Thông báo:

Kể từ ngày 1/1/2017 - Blog luanvantuanson đã nâng cấp thành website luanhay.vn với thông tin như bên dưới.

LUANHAY.VN - NGHIÊN CỨU ĐỊNH LƯỢNG.

  Địa chỉ: Tầng 8, Tòa nhà Sáng tạo, số 1 Lương Yên, Hai Bà Trưng, Hà Nội
Email: luanhay@luanhay.com - Điện thoại: 0127 800 1762/ 097 9696 222
Facebook: https://www.facebook.com/bui.tuanson.9
Fanpage: https://www.facebook.com/nghiencuudinhluong/
Nhận hướng dẫn, thu thập, phân tích, xử lý dữ liệu nghiên cứu bằng: spss, eview, stata, amos - Cung cấp tài liệu, số liệu theo yêu cầu.!

Hồi quy dữ liệu bảng - Panel regression

3.4.  Ước lượng mô hình

Các mô hình ước lượng sử dụng dữ liệu chéo gồm:

3.4.1. Mô hình hồi quy Pool – OLS: Hồi quy kết hợp tất cả các quan sát

Yit = α₁ + β1X_1it +...+ βkX_kit + U_it

Trong đó:

Yit: Biến phụ thuộc của quan sát i trong thời kỳ t

X2it, X3it: Biến độc lập của quan sát i trong thời kỳ t

Với mỗi đơn vị chéo, εi là yếu tố không quan sát được và không thay đổi theo thời gian, nó đặc trưng cho mỗi đơn vị chéo. Nếu εi tương quan với bất kỳ biến Xt nào thì ước lượng hồi quy từ hồi quy Y theo Xt sẽ bị ảnh hưởng chéo bởi những nhân tố không đồng nhất không quan sát được. Thậm chí, nếu εi không tương quan với bất kỳ một biến giải thích nào thì sự có mặt của nó cũng làm cho cho các ước lượng OLS không hiệu quả và sai số tiêu chuẩn không có hiệu lực.

Mô hình này có nhược điểm là:

Nhận dạng sai thể hiện ở DW

Ràng buộc quá chặt về các đơn vị chéo, điều này khó xảy ra trong thực tế

Vì vậy, để khắc phúc các nhược điểm gặp phải ở mô hình Pure Pooled OLS, mô hình FEM và REM được sử dụng.

3.4.2.  Mô hình tác động cố định (FEM)

Với giả định mỗi đơn vị đều có những đặc điểm riêng biệt có thể ảnh hưởng đến các biến giải thích, FEM phân tích mối tương quan này giữa phần dư của mỗi đơn vị với các biến giải thích qua đó kiểm soát và tách ảnh hưởng của các đặc điểm riêng biệt (không đổi theo thời gian) ra khỏi các biến giải thích để chúng ta có thể ước lượng những ảnh hưởng thực (net effects) của biến giải thích lên biến phụ thuộc.

Mô hình ước lượng sử dụng:

Y_it = Ci + β X_it + U_it *

Trong đó

Yit       : thời gian (năm).

Xit       : biến độc lập

Ci (i=1….n)   : hệ số chặn cho từng đơn vị nghiên cứu.

 β : hệ số góc đối với nhân tố X.

Uit : phần dư.

Mô hình trên đã thêm vào chỉ số i cho hệ số chặn “c” để phân biệt hệ số chặn của từng doanh nghiệp khác nhau có thể khác nhau, sự khác biệt này có thể do đặc điểm khác nhau của từng doanh nghiệp hoặc do sự khác nhau trong chính sách quản lý, hoạt động của doanh nghiệp.

3.4.3. Mô hình tác động ngẫu nhiên (REM)

Điểm khác biệt giữa mô hình ảnh hưởng ngẫu nhiên và mô hình ảnh hưởng cố định được thể hiện ở sự biến động giữa các đơn vị. Nếu sự biến động giữa các đơn vị có tương quan đến biến độc lập – biến giải thích trong mô hình ảnh hưởng cố định thì trong mô hình ảnh hưởng ngẫu nhiên sự biến động giữa các đơn vị được giả sử là ngẫu nhiên và không tương quan đến các biến giải thích.

Chính vì vậy, nếu sự khác biệt giữa các đơn vị có ảnh hưởng đến biến phụ thuộc thì REM sẽ thích hợp hơn so với FEM. Trong đó, phần dư của mỗi thực thể (không tương quan với biến giải thích) được xem là một biến giải thích mới.

Ý tưởng cơ bản của mô hình ảnh hưởng ngẫu nhiên cũng bắt đầu từ mô hình:

Y_it = Ci + β Xit + U_it

Thay vì trong mô hình trên, Ci là cố định thì trong REM có giả định rằng nó là một biến ngẫu nhiên với trung bình là C1 và giá trị hệ số chặn được mô tả như sau:

Ci = C + εi (i=1,...n)

εi : Sai số ngẫu nhiên có trung bình bằng 0 và phương sai là  σ²

Thay vào mô hình ta có:

Yit = C + β Xit + εi + uit  hay         Yit = C + β Xit + wit            wit = εi + uit

εi : Sai số thành phần của các đối tượng khác nhau (đặc điểm riêng khác nhau của từng doanh nghiệp)

uit: Sai số thành phần kết hợp khác của cả đặc điểm riêng theo từng đối tượng và theo thời gian.

3.5. Kiểm định

3.5.1.  Kiểm định sự phù hợp của mô hình (Mức ý nghĩa a=0,05)

Đại lượng R² cho thấy mức độ phù hợp của mô hình hồi qui. Muốn biết với R² khác 0 có ý nghĩa thống kê không, mô hình có phù hợp hay không cần tiến hành kiểm định giả thiết.

Giả thiết:

H₀: R²=0 ~ H₀: "b_j=0

H₁: R²¹0 ~ H₁: $b_j¹0

Với mức ý nghĩa miền bác bỏ là:

F> F_a;(k-1,n-k) hay p-value<a

Chấp nhận H₀: Mô hình không phù hợp .

Bác bỏ H₀: Mô hình phù hợp.

3.5.2. Kiểm định Hausman

Để xem xét mô hình FEM hay REM phù hợp hơn, ta sử dụng kiểm định Hausman. Thực chất kiểm định Hausman để xem xét có tồn tại tự tương quan giữa εi và các biến độc lập hay không.

Giả thiết:

Ho: εi và biến độc lập không tương quan

H1: εi  và biến độc lập có tương quan

Khi giá trị P_value <0.05 ta bác bỏ Ho, khi đóm εi  và biến độc lập tương quan với nhauà ta sử dụng mô hình tác động cố định.

Ngược lại, ta sử dụng mô hình tác động ngẫu nhiên.

Liên hệ: Quân 0127 800 1762 - buituanson2008@gmail.com

Liên hệ

Nhóm hướng dẫn nghiên cứu định lượng Tuấn Sơn

-  Phụ trách nhóm – Mr.Quân: 0127 800 1762

-  Email: luanvanhay@gmail.com

-  Blog: http://luanvantuanson.blogspot.com/

-  Facebook: https://www.facebook.com/bui.tuanson.9