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 regressionEmail: 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.!
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 + β1X1it +...+ βkXkit + Uit
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:
Yit = Ci + β Xit + Uit *
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:
Yit = Ci + β Xit + Uit
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:
"bj=0
Với
mức ý nghĩa miền bác bỏ là:
F> Fa;(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
-
Facebook: https://www.facebook.com/bui.tuanson.9
Không có nhận xét nào:
Đăng nhận xét