05072024. Slide bài giảng kinh tế lượng tài chính.pptx

KINH TẾ LƯỢNG TÀI CHÍNH
ThS. Đặng Phong Nguyên

Tương tác với giảng viên và các bạn
trong lớp về vấn đề liên quan
Chuyên cần
Những bài kiểm tra hoặc câu đó trong
quá trình học
Đánh giá giữa kỳ
Xây dựng và triển khai một mô hình kinh
tế lượng theo các bước
Team project
Chúc các bạn thành công
Kết thúc học phần
10%
Đánh giá mức độ tiếp
thu và phản hồi trong
quá trình giảng dạy
10%
Đánh giá khả năng ghi
nhớ và phân tích tổng
hợp kiến thức
10%
Đánh giá khả năng vận
dụng và phát triển kiến
thức được giảng dạy
70% Hên xui!!!
ĐÁNH GIÁ KẾT QUẢ
Kinh tế lượng

Giới thiệu chung về Kinh tế
lượng tài chính 1
Mô hình hồi quy tuyến tính và
phương pháp ước lượng OLS 3
Dữ liệu trong kinh tế lượng tài
chính
2
Hồi quy tuyến tính với dữ liệu
chéo
4
Hồi quy tuyến tính với dữ liệu
bảng và bài toán định giá chứng
khoán
5
Phân tích nhân tố khám phá
EFA và bài toán đánh giá hành
vi trong tài chính
6
Nội dung bao gồm 6 chương với 3 phần chính
Chương 1 và 2: Kiến thức nền tảng
Chương 3: Mô hình nền tảng
Chương 4,5,6: Ứng dụng mô hình
KHUNG NỘI DUNG CHƯƠNG TRÌNH
CẤU TRÚC HỌC
PHẦN

100% Bài giảng Kinh tế lượng do ThS. Đặng Phong
Nguyên, TS. Nguyễn Thị Vân Anh và ThS.
Trần Quốc Khánh biên soạn
100%
Basic Econometrics - Damodar N. Gujarati
Bản gốc và bản dịch
Introductory Econometrics for Finance –
Chris Brooks (2019)
100%
Giáo trình kinh tế lượng – Nguyễn Quang
Dong
Đại học Kinh tế quốc dân
100%
Hoàng Bá Mạnh – Kinh tế lượng
https://www.youtube.com/@manhb.econometrics
Vietlod.com
Premium có trả phí
Những tài liệu giúp sinh viên vượt qua được học phần này
Học liệu môn học
HỌC LIỆU

Các khái niệm và quy trình xây dựng một mô hình kinh tế lượng
Khái quát chung về kinh tế lượng tài chính
Các dạng mô hình kinh tế lượng cơ bản
Hàm số và các dạng hàm trong kinh tế lượng tài chính
Một số mô hình kinh tế lượng gắn liền với các học thuyết và lý
thuyết kinh tế - tài chính
Một số mô hình kinh tế lượng tài chính tiêu biểu
Các phần mềm triển khai kinh tế lượng phổ biến nhất
Một số phần mềm ứng dụng kinh tế lượng tài chính
CHƯƠNG 1
GIỚI THIỆU CHUNG VỀ KINH TẾ
LƯỢNG TÀI CHÍNH

Khái niệm kinh tế lượng
Econometrics
5%
Kinh tế lượng (econometrics) là Hiểu theo nghĩa hẹp, là ứng
dụng toán, đặc biệt là các phương pháp thống kê vào kinh
tế.
Kinh tế lượng tài chính có thể hữu ích để kiểm tra các lý thuyết
trong tài chính, xác định giá hoặc lợi nhuận tài sản, kiểm tra
các giả thuyết liên quan đến mối quan hệ giữa các biến số,
kiểm tra tác động lên thị trường tài chính của những thay đổi
trong điều kiện kinh tế, dự báo giá trị tương lai của các biến số
tài chính và ra quyết định tài chính.

Đo lường và dự báo sự
biến động của lợi tức
của các chứng khoán
Giải thích các yếu tố
quyết định xếp hạng tín
nhiệm doanh nghiệp
được các cơ quan xếp
hạng sử dụng
Thử nghiệm các quy tắc
giao dịch kỹ thuật để xác
định cái nào kiếm được
nhiều tiền nhất
Mô hình hóa các mối
quan hệ dài hạn giữa giá
cả và các yếu tố vĩ mô
như tỷ giá, lạm phát hay
các chính sách kinh tế
ỨNG DỤNG CỦA KINH TẾ
LƯỢNG TÀI CHÍNH

75% 100%
Cấu trúc vi mô
Kinh tế lượng tài chính
Đối tượng rõ ràng, quy
mô nhỏ, tần xuất lớn
hơn, dữ liệu chi tiết
nhưng có độ nhiễu cao
hơn
Cấu trúc vĩ mô
Kinh tế lượng kinh tế
Đối tượng vĩ mô, khó
kiểm soát bởi cá nhân,
tần xuất thấp, dữ liệu
tổng quát và có độ nhiễu
thấp hơn
Kinh tế lượng tài chính là một cấu
thành trong kinh tế lượng kinh tế

Kinh tế lượng tài chính
Econometrics
5%
Một trong những lĩnh vực ứng dụng tài chính của các công cụ
thống kê đang phát triển nhanh chóng nhất là trong mô hình
hóa các vấn đề về cấu trúc vi mô của thị trường. 'Cấu trúc vi
mô thị trường' có thể được định nghĩa là quá trình theo đó sở
thích và mong muốn của nhà đầu tư được chuyển thành các
giao dịch trên thị trường tài chính. Rõ ràng là các tác động của
cấu trúc vi mô là quan trọng và thể hiện sự khác biệt chính
giữa các loại dữ liệu tài chính và các loại dữ liệu khác.

Đề xuất mô hình lý thuyết dựa
trên các lý thuyết tài chính – kinh
tế
1
Lựa chọn phương pháp ước
lượng phù hợp 3
Thăm dò và thu thập dữ liệu
2
Đánh giá ước lượng và thống kê
4
Đánh giá mô hình từ góc độ lý
thuyết 5
Ứng dụng mô hình trong dự báo
và phân tích
6
CÁC BƯỚC XÂY DỰNG MÔ HÌNH KINH TẾ
LƯỢNG ĐIỂN HÌNH

1
2
3
4
Tổng quan các lý thuyết và học thuyết kinh tế
liên quan
Xác định nhu cầu muốn thực hiện dựa trên
các tổng quan lý thuyết
Đánh giá độ phù hợp của các tổng quan về ý
tưởng, nội dung, bối cảnh với thực tế
Xây dựng mô hình lý thuyết phù hợp
XÂY DỰNG MÔ HÌNH
LÝ THUYẾT

1
2
3
4
Xác định những yếu tố cần thu thập dữ liệu
Đánh giá tính khả thi trong thu thập dữ liệu,
đảm bảo tính đồng bộ trong thu thập dữ liệu
Tìm nguồn dữ liệu đáng tin cậy và tiến hành
so sánh nguồn dữ liệu
Thu thập và xử lý dữ liệu trước khi đưa vào
mô hình
Thu thập dữ liệu

DATA 1
75%
Lorem Ipsum has
two main data
DATA 2
37%
Lorem Ipsum has
two main data
DATA 3
78%
Lorem Ipsum has
two main data
DATA 4
89%
Lorem Ipsum has
two main data
Dựa vào ý tưởng triển khai Dựa vào đặc thù của dữ liệu Dựa vào những vấn đề của
mô hình
Dựa vào tổng quan nghiên
cứu
LỰA CHỌN PHƯƠNG PHÁP ƯỚC LƯỢNG PHÙ HỢP

Dữ liệu đã đầy đủ chưa
Dữ liệu đã sạch chưa
Một số vấn đề cơ bản khác
THỐNG KÊ MÔ TẢ

DỰ BÁO - FORECAST PHÂN TÍCH - ANALYSIS
TRIỂN KHAI MÔ HÌNH

Đánh giá mô hình từ góc độ lý
thuyết
Econometrics
5%
Các kết luận từ mô hình có phù hợp
• Có ý nghĩa thống kê
• Có ý nghĩa kinh tế
• Phù hợp với tổng quan lý thuyết
• Có độ tin cậy

Lorem Ipsum has two main data statistical
this methodologies important.
ĐỌC HIỂU MỘT MÔ HÌNH KINH TẾ LƯỢNG
Kết quả có liên quan đến sự phát triển của một mô hình lý
thuyết hay nó chỉ đơn thuần là một kỹ thuật trong một ứng
dụng
Dữ liệu có 'chất lượng tốt' không? Chúng đến từ một nguồn
đáng tin cậy? Kích thước của mẫu có đủ lớn cho nhiệm vụ ước
lượng mô hình không
Các kỹ thuật đã được áp dụng đúng chưa? Các thử nghiệm đã
được tiến hành để tìm các vi phạm có thể xảy ra đối với bất kỳ
giả định nào được đưa ra trong ước lượng của mô hình?
Các kết luận rút ra có phù hợp với kết quả không, hay tầm quan
trọng của kết quả của bài báo đã được phóng đại?
Các kết quả đã được giải thích hợp lý? Kết quả có bị phóng đại
không? Các kết quả thực sự thu được có liên quan đến các câu
hỏi mà (các) tác giả đặt ra không? Các kết quả có thể được sử
dụng bởi các nhà nghiên cứu khác không?

Mục tiêu, đối tượng cần được giải
thích và phân tích tác động và
nhận tác động từ các biến độc lập
BIẾN PHỤ THUỘC
Hàm số là một khái niệm cơ bản trong
toán học, được sử dụng rộng rãi trong
nhiều lĩnh vực khác nhau như khoa
học, kỹ thuật, kinh tế, v.v. Đơn giản,
hàm số là một quy tắc, một quan hệ
giữa một số đầu vào và một số đầu ra,
trong đó đầu vào được gọi là biến số và
đầu ra được gọi là giá trị hàm số.
Các nhân tố tác động, có khả
năng thay đổi giá trị, tác động lên
biến phụ thuộc
BIẾN ĐỘC LẬP
50%
GIỚI THIỆU CHUNG VỀ HÀM SỐ
Y = aX +b

Option 1
Mục tiêu của kinh tế lượng thường là xây
dựng một mô hình, có thể được coi như
mối quan hệ thực sự giữa hai hoặc nhiều
biến số có thể được mô tả bằng một hàm.
Option 2
Miền của x được định nghĩa là tập các giá
trị mà biến này có thể nhận; phạm vi đề
cập đến tập giá trị tương ứng mà y có thể
nhận.
Option 3
y có thể là một hàm tuyến tính của x, mối
quan hệ có thể được biểu diễn dưới dạng
một đường thẳng trên đồ thị hoặc có thể
là một hàm phi tuyến tính
Option 4
y và x được gọi là biến, trong khi a và b là
tham số ; a được gọi là điểm giao nhau và
b là độ dốc hoặc độ dốc của đường thẳng
50%
Các nhân tố tác động, có khả
năng thay đổi giá trị, tác động lên
biến phụ thuộc
BIẾN ĐỘC LẬP
50%
GIỚI THIỆU CHUNG VỀ HÀM SỐ

Hàm tuyến tính 1
Hàm đa thức 3
Hàm nghịch đảo
2
Vi phân và đạo hàm
4
Hàm số mũ và
logarit
5
Hàm đa biến
6
CÁC DẠNG HÀM SỐ

Mô hình tổng cung và tổng cầu
Mô hình Cobb - Douglas
Mô hình CAPM
Mô hình Fama-French
Các mô hình lượng hóa các lý thuyết và học thuyết kinh tế
Mô hình kinh tế
MỘT SỐ MÔ HÌNH KINH TẾ LƯỢNG
TIỂU BIỂU

MÔ HÌNH TỔNG CUNG
TỔNG CẦU
Econometrics
AD - AS
Mô hình tổng cầu và tổng cung hay còn gọi là mô hình AD-AS
là mô hình dùng để giải thích hai biến số.
Biến số thứ nhất là tổng sản lượng hàng hóa và dịch vụ được
đo bằng GDP thực tế. Biến số thứ hai là mức giá được đo
bằng chỉ số giá tiêu dùng CPI hay chỉ số điều chỉnh GDP.

TỔNG CẦU
Econometrics
AD
Tổng cầu là lượng hàng hóa và dịch vụ được tạo ra trên lãnh
thổ một nước (GDP) mà các tác nhân kinh tế sẵn sàng và có
khả năng mua tại mỗi mức giá.
Trong nền kinh tế mở thì tổng cầu bao gồm 4 nhân tố:
C: Tiêu dùng của các hộ gia đình
I: Đầu tư của doanh nghiệp
G: Chi tiêu của chính phủ
NX: Xuất khẩu ròng
Phương trình đường tổng cầu trong một nền kinh tế mở
có dạng: AD = C + I + G + NX

TỔNG CUNG
Econometrics
AS
Tổng cung là lượng hàng hóa và dịch vụ được cung ứng trên
thị trường. Nó thể hiện mối quan hệ giữa mức giá chung và
khối lượng hàng hóa được cung ứng.
Đường tổng cung về hàng hóa, dịch vụ trong dài hạn
(LRAS) thẳng đứng tại mức sản lượng tự nhiên.
Tổng cung dài hạn không phụ thuộc vào giá (là biến danh
nghĩa) mà nó có công thức Y*= f(K,L,R,T); phụ thuộc vào tư
bản K, lao động L, tài nguyên R và công nghệ T.
Công thức của tổng cung ngắn hạn là Y= Y* + α (P – Pe)
Pe là mức giá kỳ vọng và P là mức giá thực tế.
Y là sản lượng thực tế và Y* là sản lượng tiềm năng
α là hệ số đo lường giữa sản lượng và giá thực tế

HÀM SẢN XUẤT COBB -
DOUGLAS
Econometrics
Cobb-Douglas
Hàm sản xuất Cobb-Douglas được đưa ra bởi Charles W.
Cobb và Paul H. Douglas, là một hàm sản xuất đồng nhất
tuyến tính, trong đó hàm ý rằng, các yếu tố sản xuất có thể
được thay thế bởi một yếu tố khác đến một mức độ nhất định.
Đây là hàm kinh tế vô cùng quan trọng và là nền tảng xây
dựng nhiều mô hình kinh tế vĩ mô khác

50% 50%
Nguồn nhân lực
Lao động (L)
Yếu tố trực tiếp lao động
Nguồn lực
Vốn (K)
Các tài liệu của quá trình
lao động
HÀM SẢN XUẤT COBB - DOUGLAS
50%

DOUGLAS
Econometrics
Cobb-Douglas
- Q là sản lượng
- A, α, β là các hằng số dương
- L là lao động
- K là vốn được sử dụng.
A còn được gọi là TFP (total-factor productivity) - Năng
suất nhân tố tổng hợp phản ánh bao nhiêu lượng đầu vào
(input) tạo ra bao nhiêu lượng đầu ra (output)
Nếu: α + β = 1, thì hàm sản xuất có lợi tức không đổi theo
qui mô, nghĩa là dù lao động và vốn có tăng thêm 20% mỗi
thứ, thì sản lượng cũng chỉ tăng thêm đúng 20%.
Nếu: α + β < 1, thì hàm sản xuất có lợi tức giảm dần theo
qui mô.
Còn nếu: α + β > 1 thì hàm sản xuất có lợi tức tăng dần
theo qui mô.

Dạng đại số này của hàm
Cobb-Douglas có thể được
thay đổi ở dạng tuyến tính log,
với sự trợ giúp của phân tích
hồi qui BIẾN ĐỘC LẬP
50%
DOUGLAS
𝑳𝒏 𝑸 = 𝒍𝒏 𝑨 + 𝜶 𝒍𝒏 𝑳 + 𝜷 𝒍𝒏 𝑲

MÔ HÌNH CAPM
Econometrics
CAPM
Mô hình định giá tài sản vốn trong tiếng Anh là Capital asset
pricing model, viết tắt là CAPM: là mô hình định giá mô tả mối
quan hệ giữa rủi ro hệ thống và lợi nhuận kì vọng của tài sản,
đặc biệt là cổ phiếu.
Đây là mô hình kinh tế lượng TÀI CHÍNH kinh điển, có gắn
bó mật thiết với gần như mọi nghiệp vụ tài chính, đặc biệt
là hoạt động định giá

Lợi nhuận kỳ vọng của môt tài sản
tài chính
LỢI NHUẬN
50%
Rủi ro hệ thống của tài sản tài
chính
RỦI RO
50%
MÔ HÌNH CAPM
Giả định 2
Mục tiêu của kinh tế lượng
thường là xây dựng một mô
hình, có thể được coi như
mối quan hệ thực sự giữa
hai hoặc nhiều biến số có thể
được mô tả bằng một hàm.
Giả định 3
Nhà đầu tư có kế hoạch nắm
giữ một kì với thời gian giống
nhau. CAPM là mô hình một
giai đoạn và tất cả các quyết
định được thực hiện trên cơ
sở một giai đoạn đó.
Giả định 4
Các nhà đầu tư có cùng kì
vọng về cơ hội đầu tư
Giả định 5
Các khoản đầu tư đều được
chia nhỏ một cách vô hạn:
Một cá nhân có thể đầu tư ít
hoặc nhiều theo mong muốn
của họ vào một tài sản.
Giả định 6
Không có nhà đầu tư nào đủ
lớn để ảnh hưởng đến giá
của chứng khoán trên thị
trường, các nhà đầu tư được
tiếp cận thông tin như nhau.
Giả định 1
Để chấp nhận một mức độ
rủi ro lớn hơn, các nhà đầu
tư đòi hỏi lợi nhuận kì vọng
cao hơn.

MÔ HÌNH CAPM
Econometrics
High risk – High return
Hệ số Beta là đại lượng đo lường mức độ rủi ro của cổ
phiếu. Hiểu đơn giản, hệ số beta chứng khoán là hệ số đo
lường mức độ rủi ro của một cổ phiếu cụ thể hay một
danh mục đầu tư với mức độ rủi ro chung của thị trường
chứng khoán.
Nếu một chứng khoán có hệ số beta:
+ Bằng 1, mức biến động của giá chứng khoán này sẽ bằng
với mức biến động của thị trường.
+ Nhỏ hơn 1, mức độ biến động của giá chứng khoán này
thấp hơn mức biến động của thị trường.
+ Lớn hơn 1: mức độ biến động giá của chứng khoán này
lớn hơn mức biến động của thị trường.

MÔ HÌNH FAMA -
FRENCH
Econometrics
FAMA - FRENCH
Mô hình ba yếu tố Fama và French (gọi tắt là Mô hình Fama và
French) là mô hình định giá tài sản được phát triển vào năm
1992, mở rộng mô hình định giá tài sản vốn (CAPM) bằng cách
thêm các yếu tố rủi ro kích thước và rủi ro giá trị vào yếu tố rủi
ro thị trường trong mô hình CAPM.
Đây là mô hình kinh tế lượng TÀI CHÍNH được mở rộng từ
CAPM và tiếp tục được mở rộng thêm với các nhân tố mới

75% 100%
Phần bù giá trị
High minus Low
HML
Bình quân chênh lệch
trong quá khứ giữa lợi
nhuận danh mục cổ
phiếu công ty có tỷ số giá
trị sổ sách trên giá thị
trường cao so với công
ty có giá trị này thấp.
Phần bù quy mô
Small minus Big
SMB
Bình quân chênh lệch
trong quá khứ giữa lợi
nhuận danh mục cổ
phiếu công ty nhỏ so với
lợi nhuận danh mục cổ
phiếu công ty lớn
MÔ HÌNH FAMA - FRENCH

Statistical Package for the Social Sciences
IBM
SPSS
Econometric Views
IHS Markit - Microsoft
Eviews
Statistics
StataCorp
Stata
Python Software Foundation
Python
Đây là các phần mềm, ngôn ngữ và công cụ sử dụng kinh tế lượng phổ
biến nhất hiện nay
Application
CÁC CÔNG CỤ TRIỂN KHAI KINH TẾ
LƯỢNG PHỔ BIẾN

SPSS
SPSS là một phần mềm
thống kê tương đối đơn
giản, thân thiện với
người dùng và dễ sử
dụng.
Ứng dụng của SPSS
mạnh hơn về mặt thống
kê, phân tích số liệu,
chưa đạt tới mức phân
tích mối quan hệ
Ứng dụng SPSS chủ yếu
là EFA, Cronbach Alpha
và SEM

Eviews
EVIEWS là một công cụ
triển khai kinh tế lượng
mạnh và đẩy đủ hơn
SPSS. Eviews được định
hướng cho Kinh tế
lượng ngay từ đầu.
Tuy nhiên Eviews chỉ tập
trung cho các mô hình
cơ bản nhất, đặc biệt là
hồi quy tuyến tính.
Eviews cho phép
customize bằng addon,
tuy nhiên khá hạn chế

Stata
Stata là một công cụ tương
đối toàn diện cho các nghiên
cứu định lượng (Không chỉ
hạn chế cho kinh tế)
Stata được thiết kế như một
môi trường cho phép người
sử dụng tự thiết kế và lập
trình các mô hình theo ý
mình. Stata vẫn được thiết
kế với output là các báo cáo
rõ ràng và thân thiện
Stata có thư viện, có
community khá rộng và các
bạn hoàn toàn có thể tự học.

Stata
Python là một ngôn ngữ
lập trình.
Customized – Unique –
Flexible
Bạn muốn làm thể loại
kinh tế lượng với nó
cũng được, muốn báo
cáo nào cũng có, muốn
phân tích nào cũng OK.
Tuy nhiên bạn phải hiểu
sâu đồng thời cả Kinh tế
lượng và lập trình

Giới thiệu chung về các khái niệm cơ bản về dữ liệu trong kinh tế lượng
Dữ liệu và các loại dữ liệu trong kinh tế lượng tài chính
Hiểu đơn giản các mô tả cần phải thống kê trước khi triển khai mô
hình kinh tế lượng
Thống kê mô tả trong kinh tế lượng tài chính
Các kỹ thuật làm sạch dữ liệu trước khi đưa vào mô hình
Xử lý dữ liệu trong kinh tế lượng tài chính
Các ví dụ minh họa
Ví dụ minh họa
CHƯƠNG 2
DỮ LIỆU TRONG KINH TẾ LƯỢNG
TÀI CHÍNH

Dữ liệu đề cập đến các phần
thông tin riêng biệt, thường được
định dạng và lưu trữ theo cách
phù hợp với mục đích cụ thể
Khoa học dữ liệu
1
Đây là những dữ liệu được khởi
tạo, được xử lý thống kê và được
ứng dụng phân tích trong lĩnh vực
kinh tế - tài chính
Đối tượng
3
Dữ liệu trong kinh tế lượng tài
chính thường sẽ ở dưới dạng cấu
trúc hoặc bán cấu trúc, nhưng đã
được quy định cụ thể theo mỗi mô
hình kinh tế lượng.
Đặc trưng dữ liệu
2
Hiểu một cách đơn giản, dữ liệu là
kết quả quan sát của các biến
(biến là đặc điểm của đơn vị tổng
thể), giá trị nhận được có thể thay
đổi từ đơn vị này sang đơn vị khác
Data trong KTL Tài
chính
4
GIỚI THIỆU CHUNG VỀ DỮ LIỆU TRONG KINH TẾ LƯỢNG
TÀI CHÍNH

DATA 1
Dữ liệu định tính
và dữ liệu định
lượng
DATA 2
Dữ liệu sơ cấp và
thứ cấp
DATA 3
Dữ liệu liên tục và
dữ liệu dời dạc
DATA 4
Chuỗi thời gian,
dữ liệu chéo và
dữ liệu bảng
Căn cứ theo nguồn gốc dữ
liệu
Căn cứ theo giá trị Căn cứ theo hình thức triển
khai dữ liệu
Căn cứ theo đặc điểm tính
chất của dữ liệu
PHÂN LOẠI DỮ LIỆU TRONG KINH TẾ LƯỢNG
TÀI CHÍNH

DỮ LIỆU TRONG KINH
TẾ LƯỢNG TÀI CHÍNH
Econometrics
Time series
Dữ liệu chuỗi thời gian, như tên cho thấy, là dữ liệu đã được
thu thập trong một khoảng thời gian trên một hoặc nhiều biến.
Dữ liệu chuỗi thời gian gắn liền với chúng một tần suất quan
sát cụ thể hoặc tần suất thu thập các điểm dữ liệu.
Chuỗi Tần suất
GPA Hàng kỳ
Điểm danh Hàng buổi học
Cung tiền Hàng tuần
Trừ điểm Khi có vi phạm xảy ra

Econometrics
Cross data
Cross data (được dịch theo nghĩa đen là "dữ liệu cắt ngang" hay "dữ liệu
chéo") là dữ liệu mà các nhà nghiên cứu chọn một quần thể một cách ngẫu
nhiên nhưng tiêu biểu cho một cộng đồng, tại một thời điểm nào đó. Nói
cách khác, nhà nghiên cứu thu thập dữ liệu chỉ một lần duy nhất của các đối
tượng ngay tại thời điểm đó (hiện tại).
Dữ liệu Số lượng
Số bạn trong lớp Trai-gái
Số Khoa tại Học viện Mỗi khoa
Số điện thoại Viettel Các đầu số
Số cổ phiếu Bluechip Các mã chứng khoán

Econometrics
Panel data
Trong thống kê và kinh tế lượng, panel data hay số liệu hỗn hợp (hay
dữ liệu bảng) là cách gọi dành cho cơ sở dữ liệu hỗn hợp. Số liệu hỗn
hợp gồm các quan sát về nhiều biến và nhiều đối tượng rút ra qua
nhiều thời điểm khác nhau. Dữ liệu bảng là sự kết hợp của 2 loại dữ
liệu chuỗi thời gian và dữ liệu chéo.

Dữ
liệu
chứa
nhiều
thông
tin
hữu
ích
hơn,
tính
biến
thiên
nhiều
hơn,
ít
hiện
tượng
đa
cộng
tuyến
giữa
các
biến
hơn,
nhiều
bậc
tự
do
hơn
và
hiệu
quả
cao
hơn
HÀM
LƯỢNG
THÔNG
TIN
LỚN
Bằng
cách
cung
cấp
dữ
liệu
đối
với
vài
nghìn
đơn
vị,
dữ
liệu
bảng
có
thể
giảm
đến
mức
thấp
nhất
hiện
tượng
chệch
QUY
MÔ
RỘNG
LỚN
Dữ
liệu
bảng
làm
cho
chúng
ta
có
thể
nghiên
cứu
các
mô
hình
hành
vi
phức
tạp
hơn.
ĐỘ
PHỨC
TẠP
CAO
Ứng
dụng
với
các
công
nghệ
Fintech
tiến
tiến
nhất
hiện
tại
ĐỘ
ỨNG
DỤNG
CAO
HƠN
DỮ LIỆU BẢNG

75% 100%
Đề cập đến dữ liệu cung
cấp thông tin chi tiết và
hiểu biết về một vấn đề
cụ thể.
Dữ liệu định tính
Dữ liệu được hiểu là
những câu chuyện nói
hoặc viết hơn là những
con số.
Một dữ liệu liên quan đến
số lượng hoặc các con
số. dữ liệu tính toán giá
trị, số lượng và có thể
được biểu thị bằng số
Dữ liệu định lượng
Dữ liệu định lượng có thể
được sử dụng trong tính
toán và kiểm tra thống
kê.
Quality
30%
Liên quan đến dữ liệu có thể
quan sát được về mùi, ngoại
hình, mùi vị, cảm giác, kết
cấu, giới tính, quốc tịch, các
vấn đề nhân chủng học,…
Quantity
03%
Liên quan đến các phép đo
như chiều cao, cân nặng,
khối lượng, chiều dài, kích
thước, độ ẩm, tốc độ, tuổi,….
DỮ LIỆU ĐỊNH TÍNH VÀ ĐỊNH LƯỢNG

Cơ sở để so
sánh
Dữ liệu định tính Dữ liệu định lượng
Ý nghĩa
Dữ liệu định tính là dữ liệu trong đó
việc phân loại các đối tượng dựa trên
các thuộc tính và thuộc tính.
Dữ liệu định lượng là loại dữ liệu có thể
được đo lường và thể hiện bằng số.
Phương pháp
nghiên cứu
Khám phá Kết luận
Tiếp cận Chủ quan Mục tiêu
Phân tích Không thống kê Thống kê
Thu thập dữ liệu Không có cấu trúc Có cấu trúc
Xác định Hiểu biết sâu sắc Mức độ xuất hiện
Yêu cầu Tại sao? Bao nhiêu hoặc bao nhiêu?
Mẫu vật Số lượng nhỏ các mẫu không đại diện Số lượng lớn các mẫu đại diện
Kết quả Phát triển sự hiểu biết ban đầu. Đề xuất quá trình hành động cuối cùng.

Central Tendency, Variability, Mean, Median, Quantiles
Xu hướng tập trung của dữ liệu
Min - Max
Cực trị
Variance - Deviation
Sự phân bố
Covariance – Correlation
Tính tương quan
IELTS WRITING PART 1
Descriptive Statistics

75% 100%
Quần thể - Tổng thể
POPULATION
là tập hợp tất cả các
phần tử thuộc hiện tượng
nghiên cứu cần được
quan sát, thu thập và
phân tích.
Mẫu quan sát
SAMPLE
là một phần của tổng thể
được chọn ra theo
những cách thức nhất
định và với một dung
lượng hợp lý.
Ước lượng
40%
Rất khó có thể điều tra toàn
một tổng thể vì chi phí, điều
kiện, thời gian và nguồn lực
thực hiện. Vì vậy, tổng thể
thường được ước lượng qua
mẫu
Chọn mẫu
40%
Chọn mẫu là đồng nghĩa với
việc chấp nhận kết quả của
nghiên cứu sẽ có sai số nhất
định. Điều quan trọng là cần
làm cho sai số này càng nhỏ
càng tốt.
DỮ LIỆU ĐỊNH TÍNH VÀ ĐỊNH LƯỢNG

CENTRAL TENDENCY
Econometrics
Mean - Median
Điều này có nghĩa là ta tìm cách trả lời các câu hỏi như ‘Một
quan sát tiêu biểu của dữ liệu có giá trị bao nhiêu?’, ‘Dữ liệu
có giá trị nào tương đồng nhau không, nếu khác nhau thì mức
độ biến thiên cao hay thấp?’
Mean: Giá trị trung bình (trung bình cộng và trung bình nhân)
Median: Giá trị chính giữa dãy giá trị
Mode: Giá trị có tần xuất lặp lại nhiều nhất

EXTREMES
Econometrics
Min - Max
Trong kinh tế lượng tài chính, việc mô tả các điểm cực trị của
mô hình là vô cùng quan trọng. Thông tin này cho ta biết giới
hạn của các quan sát đồng thời là khoảng cách giữa các quan
sát.
Giá trị này cũng để đo lường sự biến thiên trong dãy giá trị

DISTRIBUTION
Econometrics
Variance - Deviation
Thông thường, giá trị trung bình của một chuỗi sẽ không đủ để
mô tả đầy đủ một chuỗi dữ liệu, vì hai chuỗi có thể có cùng giá
trị trung bình nhưng cấu hình rất khác nhau do các quan sát
trên một trong các chuỗi có thể lan truyền rộng rãi hơn nhiều
so với giá trị trung bình của chuỗi còn lại. Do đó, một tính năng
quan trọng khác của một chuỗi là mức độ phân tán các giá trị
của nó.
Hiểu đơn giản, các mô tả này thể hiện độ sai lệch của các
quan sát so với các giá trị trung tâm (trung bình/trung vị) và
phân bổ của mỗi quan sát.

DISTRIBUTION
Econometrics
Error - Deviation
Sai số chuẩn – Standard Error
Độ lệch chuẩn – Standard Deviation
Sai số chuẩn đo lường độ biến thiên của các quan sát trong 1
mẫu quan sát
Độ lệch chuẩn đo lường độ dao động của các trung bình mẫu
chọn ra từ tổng thể
Công thức tính sai số chuẩn (kí hiệu bằng SE – viết tắt từ
standard error) rất đơn giản: lấy độ lệch chuẩn chia cho căn số
bậc hai của số cỡ mẫu (n):

CORRELATION
Econometrics
Covar – Correl
Đo lường mức độ tương quan của các giá trị trong chuỗi quan
sát. Đây là một thống kê vô cùng quan trọng, bước đầu thể
hiện liệu có tồn tại mối quan hệ giữa các biến với nhau và mô
hình có vấn đề gì không.
Nó chỉ thể hiện mối quan hệ và không thể hiện TÁC ĐỘNG

COVARIANCE
Econometrics
Hiệp phương sai
Hiệp phương sai (Covariance) là thước đo mối liên hệ tuyến
tính giữa hai biến ngẫu nhiên X và Y, ký hiệu cov(X,Y). Về mặt
tính toán, hiệp phương sai của một tập hợp là giá trị trung bình
của các tích số sai lệch của mỗi lần quan sát. Giống như
phương sai (Variance), hiệp phương sai cũng có 2 công thức
khác nhau được sử dụng cho quần thể và mẫu.
Trong đó: xi , yi là giá trị của quan sát thứ i
μx , μy là giá trị trung bình của tổng thể
x ̅ , y ̅ là giá trị trung bình của mẫu
N là tổng số quan sát của quần thể
n là tổng số quan sát của mẫu

CORRELATION
Econometrics
HỆ SỐ TƯƠNG QUAN
Độ tương quan (Correlation) là thước đo mối quan hệ tuyến
tính giữa hai biến và không phụ thuộc vào các đơn vị đo lường
của hai biến này. Độ tương quan được đo bằng hệ số tương
quan, trong đó Hệ số tương quan momen sản phẩm Pearson
(Pearson product-moment correlation coefficient – PPMCC)
hay Hệ số tương quan Pearson là thước đo quen thuộc nhất
về sự phụ thuộc giữa hai biến.
Trong đó: cov(X,Y) là hiệp phương sai của 2 biến ngẫu nhiên
X,Y
σx , σy là độ lệch chuẩn của tổng thể
sx , sy là độ lệch chuẩn của mẫu

CORRELATION
Econometrics
Covar – Correl
Cả hai thuật ngữ đều đo lường mối quan hệ và sự phụ thuộc
giữa hai biến, trong đó “Covariance” cho biết xu hướng của
mối quan hệ tuyến tính giữa các biến (tức mối quan hệ thuận
hay nghịch), còn “Correlation” đo cả độ mạnh và xu hướng của
mối quan hệ tuyến tính giữa hai biến. Điều khiến hai đại lượng
trên có sự phân biệt là do các giá trị “Correlation” được chuẩn
hóa, trong khi các giá trị “Covariance” thì không.

BÀI TẬP NHÓM
Econometrics
Thu thập dữ liệu trong lớp và thống kê mô tả về dữ liệu thu
thập được.
Chủ đề muốn thu thập tùy chọn. Các yêu cầu
- Xác định rõ chủ đề, biến phụ thuộc cần giải thích
- Lựa chọn 3 biến độc lập có đánh giá tác động
- Mô tả quy trình lựa chọn, tìm kiếm nguồn dữ liệu
- Xử lý dữ liệu
- Thống kê mô tả, nêu giả thuyết tác động từ biến độc lập tới
biến phụ thuộc.
- Thời gian làm 45 phút.

Dữ liệu thô chưa được “làm sạch”, bỏ qua các giá
trị ngoại biên, loại bỏ các lỗi đọc và nhập dữ liệu
Dữ liệu thô – Raw data
Xử lý dữ liệu bao gồm việc mã hóa và nhập dữ liệu vào
tập dữ liệu có định dạng phù hợp cho các bài kiểm tra
thống kê
Data processing
Làm sạch dữ liệu là kiểm tra chất lượng và cấu trúc của
dữ liệu và sửa chữa bất kỳ sai sót nào do quá trình mã
hóa và xử lý
Data cleaning
DATA PROCESSING
Một số yêu cầu, kỹ thuật xử lý dữ liệu
XỬ LÝ DỮ LIỆU TRONG TÀI CHÍNH

Bổ sung thêm bằng điều tra, bằng các kỹ
thuật trung bình, dự báo hoặc bỏ qua
Thiếu dữ liệu
Nguyên nhân khách quan
Loại bỏ dữ liệu, thay thế dữ liệu,…
Dữ liệu bị sai sót
Bổ sung, thay thế, cấu trúc lại dữ liệu và tiến
hành thu thập lại
Dữ liệu không đồng bộ
Nguyên nhân chủ quan
Loại bỏ hoàn toàn, thu thập lại dữ liệu
Dữ liệu không chính xác
Các vấn đề xảy ra với dữ liệu

Quy luật cận
biên giảm dần
Giá trị thời gian
của tiền
Thay đổi định
dạng dữ liệu
Một số trường hợp đặc biệt trong kinh tế
lượng tài chính

Các khái niệm cơ bản về quy trình hồi quy và
hồi quy tuyến tính
Một số khái niệm trong mô hình hồi quy
Phương pháp ước lượng cơ bản để xây
dựng mô hình hồi quy
Phương pháp ước lượng OLS
Các vấn đề khiến cho ước lượng OLS không
còn đang tin cậy
Các khuyết tật của mô hình hồi quy
Trường hợp biến đặc biệt trong mô hình hồi
quy
Phân tích hồi quy biến giả
CHƯƠNG 3 MÔ HÌNH HỒI QUY TUYẾN TÍNH VÀ
PHƯƠNG PHÁP ƯỚC LƯỢNG OLS

REGRESSION
Regression
Khái niệm
Hồi quy tuyến tính là một kỹ thuật phân tích dữ liệu dự
đoán giá trị của dữ liệu không xác định bằng cách sử
dụng một giá trị dữ liệu liên quan và đã biết khác. Nó mô
hình toán học biến không xác định hoặc phụ thuộc và biến đã
biết hoặc độc lập như một phương trình tuyến tính. Kỹ thuật
hồi quy tuyến tính phân tích dữ liệu này và xác định rằng chi
phí của bạn là một nửa thu nhập của bạn. Sau đó, họ tính toán
một chi phí trong tương lai không rõ bằng cách giảm một nửa
thu nhập được biết đến trong tương lai.

75% 100%
Biến độc lập PB, Biến
phụ thuộc NS và sai số
ngẫu nhiên u
Các biến số
Các biến số mô tả các
đối tượng trong mối quan
hệ
Các hệ số ước lượng
β1 và β2
Các hệ số
Các hệ số ước lượng
cho biết độ lớn và tính
chất của mối quan hệ
Hồi quy
79%
Mô hình xây dựng thể hiện
mối quan hệ giữa Năng suất
lúa và lượng phân bón
Tuyến tính
84%
Mối quan hệ này tuyến tính –
dạng đường thẳng. Dạng
hàm bậc 1 của Phân bón đo
lường Năng suất
MÔ HÌNH HỒI QUY
𝑵𝑺 = 𝜷𝟏 + 𝜷𝟐𝑷𝑩 + 𝒖
Giả sử chúng ta xem xét mối quan hệ
giữa năng suất lúa và lượng phân bón
cho cây. Chúng ta xây dựng một hàm số
đo năng suất theo lượng phân bón như
sau:

Biến số mà ta đang quan tâm đến giá trị của nó,
biến được giải thích. TH này đo lường bằng tấn/ha
Biến phụ thuộc NS
Biến số được cho là gây tác động đến biến phụ thuộc, ta
gọi là biến điều khiển. TH này đo lường bằng kg/ha
Biến độc lập PB
Trong mối quan hệ này, Beta 2 sẽ biểu thị với mỗi kg
phân bón được rải trên 1 hecta, năng suất lúa thay đổi
Beta 2 tấn trên 1 hecta
Năng suất – phân bón
CÁC BIẾN TRONG MÔ HÌNH
𝑵𝑺 = 𝜷𝟏 + 𝜷𝟐𝑷𝑩 + 𝒖

REGRESSION
Kỳ vọng
Mô hình này sẽ giúp các nhà kinh tế - tài chính đo lường được
tác động của việc sử dụng Phân bón tác động tới Năng suất
lúa. Từ đó, họ có thể
• Ước lượng năng suất thu hoạch dựa trên lượng phân bón
sử dụng
• Hoặc tính toán lượng phân bón cần thiết để đạt được năng
suất yêu cầu
• Lên kế hoạch cây trồng, kế hoạch chi phí
• Đánh giá hiệu quả sử dụng phân bón
• Phát hiện vấn đề trong việc sử dụng phân bón lúa
𝑵𝑺 = 𝜷𝟏 + 𝜷𝟐𝑷𝑩 + 𝒖
Vì sao có thể khẳng định những vấn đề
trên, chúng ta hay quan sát các hệ số ước
lượng

Hệ số chặn, cho biết nếu không dùng phân bón thì
năng suất lúa đạt bao nhiêu.
Hệ số chặn Beta 1
Hệ số góc – Coefficient, cho biết mối quan hệ giữa phân
bón và năng suất
Hệ số góc Beta 2
Mỗi một mức giá trị đều thể hiện một ý nghĩa kinh tế - tài
chính nếu mô hình là đáng tin cậy
Giá trị của các hệ số
Hệ số ước lượng
𝑵𝑺 = 𝜷𝟏 + 𝜷𝟐𝑷𝑩 + 𝒖

REGRESSION
Kỳ vọng
Theo đúng lý thuyết, phân bón có tác dụng làm cây lúa tăng
trưởng, gia tăng năng suất. Như vậy, trong mô hình này, Beta
2 sẽ được kỳ vọng là một số dương.
Nếu hàm hồi quy không cho Beta 2 là một số dương. Thì có
thể có 2 nguyên nhân:
• Mô hình gặp những vấn đề trong hồi quy và phương pháp
ước lượng, sẽ trình bày ở phần sau
• Nếu ước lượng đáng tin cậy, thì Phân bón được sử dụng
đang thực sự làm năng suất giảm đi.
𝑵𝑺 = 𝜷𝟏 + 𝜷𝟐𝑷𝑩 + 𝒖
𝐂á𝐜 𝐛ạ𝐧 𝐡ã𝐲 đư𝐚 𝐫𝐚 𝐜á𝐜 𝐥ý 𝐝𝐨
𝐭ạ𝐢 𝐬𝐚𝐨 𝐁𝐞𝐭𝐚 𝟐 𝐥ạ𝐢 𝐜ó 𝐭𝐡ể â𝐦

Nguyên nhân tạo nên sai số này là do sai sót trong
quá trình thu thập thông tin, số liệu
Regression error
Sai số ngẫu nhiên cũng thể hiện những nhân tố khác
cũng đồng thời tác động tới biến phụ thuộc nhưng không
thể hiện trong mô hình
Các nhân tố khác
Nếu u quá lớn, mô hình này sẽ không còn đáng tin cậy.
U sẽ được mong muốn nhỏ để phản ánh đúng mối quan
hệ giữa 2 biến trong mô hình
Tương quan trong mô hình
SAI SỐ NGẪU NHIÊN
𝑵𝑺 = 𝜷𝟏 + 𝜷𝟐𝑷𝑩 + 𝒖

Thể hiện mối quan hệ trên tổng thể tất cả các quan sát
Hàm hồi quy tổng thể
Thể hiện mối quan hệ trên 1 nhóm mẫu các quan sát hữu hạn có
thể tiếp cận thu thập
Hàm hồi quy mẫu
Giả định cơ bản nhất của mô hình hồi quy. Mối quan hệ là tuyến
tính
Tuyến tính
73%
62%
78%
Giả thiết 1
Giả thiết 2
Tính tuyến tính
Các giả thiết nhằm đảm bảo độ tin cậy cho mô hình hồi quy
Giả thiết – Giả thuyết
LINEAR REGRESSION
CÁC GIẢ THIẾT CỦA MÔ HÌNH HỒI
QUY TUYẾN TÍNH CỔ ĐIỂN

Hàm tổng thể và mô
hình hàm tổng thể
Hàm hồi quy mẫu,
ước lượng từ tổng thể
Mô hình hồi quy mẫu

MÔ HÌNH HỒI QUY TUYẾN TÍNH

MÔ HÌNH HỒI QUY PHI TUYẾN
Tuyến tính hay phi tuyến thể hiện qua hệ số
hồi quy, chứ không phải ở các biến. Hệ số góc
là bậc 1, thì đó là hồi quy tuyến tính.

MÔ HÌNH HỒI QUY
Mô hình
𝒀 = 𝜷𝟏 + 𝜷𝟐𝑿 + 𝒖
Cùng xây dựng một mô hình hồi
quy ví dụ bằng điều tra trực tiếp tại
lớp. Ví dụ:
- Khoảng cách từ nhà tới trường
và điểm GPA
- Khoảng cách tới bục giảng và
điểm GPA
- Số lần phát biểu và điểm thi HK
- Tình phí và số tháng yêu nhau 
- ….

Định nghĩa và các tiếp cận để xây dựng phương
pháp ước lượng
Khái quát chung
Các đặc điểm riêng của ước lượng
Các tính chất của ước lượng
3 giả thiết quan trọng nhất
Các giả thiết của OLS
3 tính chất cần chú ý nhất
Độ tin cậy của mô hình
Phương pháp dựa trên cách tiếp cận để sai số của ước lượng là nhỏ nhất
Ordinary Least Square
PHƯƠNG PHÁP ƯỚC LƯỢNG BÌNH QUÂN
NHỎ NHẤT

XÂY DỰNG OLS
Mô hình
𝒀𝒊 = 𝜷𝟏 + 𝜷𝟐𝑿𝒊 + 𝒆𝒊
Để triển khai phương pháp OLS,
chúng ta sẽ xây dựng từ hàm hồi quy
tổng thể tới mô hình hồi quy mẫu.
Sau đó chúng ta sẽ ước lượng mô
hình hồi quy mẫu với điều kiện phần
dư của kết quả ước lượng và giá trị
thật là nhỏ nhất.
Phần dư này càng nhỏ chứng tỏ mô
hình ước lượng càng sát với giá trị
thật của mẫu.

GIÁ TRỊ CỦA HỆ SỐ ƯỚC LƯỢNG
Mô hình
Tổng bình phương phần dư lúc này có dạng như sau
𝒀𝒊 = 𝜷𝟏 + 𝜷𝟐𝑿𝒊 + 𝒆𝒊
Giải bài toán cực trị ta sẽ có giá trị của hệ số ước lượng như sau

Điều này có nghĩa là giá trị trung bình của các ước
lượng OLS tiến gần tới giá trị tham số thực sự
trong mô hình hồi quy.
Ước lượng OLS không thiên lệch (unbiased)
Điều này có nghĩa là khi kích thước mẫu tăng lên vô hạn,
ước lượng OLS hội tụ tới giá trị tham số thực sự.
Ước lượng OLS có tính nhất quán (consistent)
Điều này có nghĩa là trong tất cả các ước lượng tuyến tính
không thiên lệch, ước lượng OLS có phương sai hay sai số
nhỏ nhất.
Ước lượng OLS có hiệu quả nhất (BLUE)
BLUE
Best Linear Unbiased Estimator
CÁC TÍNH CHẤT CỦA ƯỚC LƯỢNG OLS

ĐỊNH LÝ GAUSS-MARKOV
OLS
Định lý
Cụ thể, định lý Gauss-Markov cho biết rằng trong mô hình
hồi quy tuyến tính hai biến, nếu các giả định sau được
thỏa mãn:
1. Mô hình là tuyến tính
2. Sai số (residuals) có giá trị trung bình bằng 0
3. Sai số không có sự tương quan với biến độc lập
4. Sai số có phương sai nhỏ nhất
Thì ước lượng của OLS sẽ có các tính chất như trên. Định
lý này khẳng định tính hợp lý của phương áp ước lượng
Bình phương nhỏ nhất OLS
Như vậy, để ước lượng OLS thỏa mãn định lý Gauss-
Markow, mô hình hồi quy cần đáp ứng các giả thiết.

Linear Relationship (Mối quan
hệ tuyến tính) 1
No Endogeneity (Không có
biến nội sinh) 3
No Multicollinearity (Không đa
cộng tuyến)
2
Homoscedasticity (Phương
sai sai số không đổi)
4
No Autocorrelation (Không tự
tương quan) 5
Normal Distribution (Phân
phối chuẩn)
6
CÁC GIẢ THIẾT CỦA ƯỚC LƯỢNG OLS

OLS
Linear Relationship
Mô hình phải có mối quan hệ tuyến tính giữa biến phụ
thuộc và biến độc lập. Điều này đảm bảo mô hình có thể
dự đoán được một cách chính xác.

OLS
No Multicollinearity
Các biến độc lập trong mô hình không được có mức độ
tương quan cao với nhau. Sự đa cộng tuyến sẽ làm cho
các ước lượng tuyến tính trở nên không chính xác và
không ổn định.

OLS
No Endogeneity
Không có biến nội sinh ở trong mô hình
E(ui|Xi) = 0 với mọi i
hay
E(u|X) = 0
Cov(X, u) = 0

OLS
No Autocorrelation
Sai số của mô hình không tự tương quan với nhau. Tự
tương quan sai số sẽ làm giảm hiệu suất của ước lượng
và tạo ra sai số trong dự đoán.

OLS
Homoscedasticity
Phương sai của sai số phải là không đổi. Nếu không có
đồng nhất biến, sẽ gây ra hiện tượng sai số phân tán
không đồng đều và dẫn đến ước lượng không chính xác.
Những điểm phương sai thay đổi sẽ khiến mô hình không
còn tin cậy
Var(u|X) = σ2/constant

OLS
Normal Distribution
Sai số của mô hình phải tuân theo phân phối chuẩn. Điều
này đảm bảo sự chính xác của các phép thống kê và giúp
xác định mức độ tin cậy của ước lượng.

ĐỘ TIN CẬY CỦA MÔ HÌNH HỒI QUY
R2 - coefficient of determination
Hệ số xác định R bình phương
Hệ số xác định (coefficient of determination) là một thước
đo thống kê được sử dụng để đánh giá mức độ giải thích
của một mô hình hồi quy tuyến tính đối với dữ liệu thực
tế.
Giả sử R bình phương là 0.60, thì mô hình hồi quy tuyến
tính này phù hợp với tập dữ liệu ở mức 60%. Nói cách
khác, 60% biến thiên của biến phụ thuộc được giải thích
bởi các biến độc lập.

R2 - coefficient of determination
Hệ số xác định R bình phương

P-value
Ý nghĩa thống kê
Trong ước lượng OLS, tính toán được các hệ số ước
lượng là chưa đủ. Cần xem xét giá trị ước lượng đó có ý
nghĩa không, có phản ánh đúng mối quan hệ và có tin cậy
được hay không. 2 giả thuyết để trả lời cho câu hỏi này:
• H0 (null hypothesis): Hệ số ước lượng không có ý
nghĩa thông kê
• H1/Ha: (giả thuyết đảo ngược): Hệ số ước lượng có ý
nghĩa thống kê
Từ đây, cần 1 giá trị để nghiên cứu có thể đánh giá giả
thuyết chính xác từ mô hình là gì. Đó là P-value
Tham khảo: https://phantichspss.com/sig-la-gi-p-value-la-
gi.html

P-value
Ý nghĩa của p-value, sig. là xác suất của dữ liệu xảy ra nếu
giả thiết bác bỏ H0 hay chấp nhận H1 là đúng. Nghĩa là có
bao nhiêu phần trăm của dữ liệu thỏa mãn trị số P. Giả sử
P = 2%, thì có 2% dữ liệu trong bộ số liệu thỏa mãn điều
kiện H0. Như vậy 98% dữ liệu còn lại bác bỏ giả thuyết H0.
Trong kiểm định ý nghĩa thống kê của hệ số ước lượng,
chúng ta cần bác bỏ H0 để giá trị thu về có ý nghĩa. Nên P-
value của hệ số ước lượng cần phải càng bé càng tốt.
Có 3 mức cơ bản để bác bỏ H0:
• 0,1 tương ứng 10% chấp nhận, 90% bác bỏ

P-value
• Sai lầm loại I là sai lầm của việc bác bỏ H0 khi nó đúng
• Sai làm loại II là sai lầm của việc không bác bỏ H0 khi nó sai

P-value
• 𝛂 là xác suất xảy ra sai lầm loại 1
𝛂 = P( Bác bỏ H0 / H0 đúng ) = P(Sai lầm loại I )
𝛂 được gọi là mức ý nghĩa của kiểm định, 0.01 < 𝛂 < 0.1
Thường chọn 𝛂 = 0.05
• 𝜷 là xác suất của sai lầm loại II
𝜷 = P( Không bác bỏ H0 / H0 sai ) = Sai lầm loại II )
(1- 𝜷) = P(Bác bỏ H0 / H0 sai) = Năng lực của kiểm định
𝛂 càng nhỏ thì 𝜷 càng lớn
Giảm α và β bằng cách tăng cỡ mẫu

Phương sai
Độ sai lệch của mô hình
Khi các giả thiết của ước lượng OLS được thỏa mãn thì
phương sai của các hệ số ước lượng được xác định như sau:
Trong đó 𝝈𝟐
là phương sai của biến phụ thuộc Y. Khi giá trị
này càng cao, chúng ta hiểu rằng biến phụ thuộc có độ dao
động càng cao thì việc đánh giá tác động của một biến độc lập
cụ thể nào đó lên biến phụ thuộc sẽ trở nên kém chính xác.

Sai số chuẩn
Độ lệch của hệ số ước lượng
Sai số chuẩn của các hệ số ước lượng được tính bởi công thức:
𝒔𝒆 𝜷𝟐 =
𝝈
( 𝒊=𝟏
𝒏
𝒙𝒊
𝟐
)
Nghĩa là bằng căn bậc hai của var(𝜷𝒋) với 𝝈𝟐
được thay bởi ước
lượng không chệch của nó là 𝝈𝟐
se(𝜷𝒋) đại lượng này được hiểu như một giá trị tập trung của
tham số trong hàm hồi quy tổng thể. Nếu hệ số ước lượng βj
quá xa so với sai số chuẩn, ước lượng của mẫu lúc này đã
không còn chính xác so với tổng thể.

Phương sai
Độ sai lệch của mô hình
Giá trị 𝝈𝟐
được xác định như sau
𝝈𝟐
= 𝒗𝒂𝒓 𝒖 𝑿𝒊 = 𝑬[ 𝒖 − 𝑬 𝒖 𝑿𝒊
𝟐
|𝑿𝒊]𝟐
= 𝑬 𝒖𝟐
𝑿𝒊 − 𝑬(𝑬 𝒖 𝑿𝒊
𝟐
)
Khi giả thiết kỳ vọng của sai số bằng 0 được thỏa mãn, phương
sai của Y lúc này được rút gọn lại như sau
𝝈𝟐
= 𝒗𝒂𝒓 𝒖 𝑿𝒊 = 𝑬( 𝒖 𝑿𝒊
𝟐
)
Với mẫu có kích thước là n, phương sai lúc này được tính toán
gần đúng là giá trị trung bình của các sai số ei. Khi đó, ước
lượng của phương sai lúc này bằng
𝝈𝟐 =
𝒆𝟏
𝟐
+ 𝒆𝟐
𝟐
+ ⋯ + 𝒆𝒏
𝟐
𝒏 − 𝟐
Thống kê này còn được gọi là sai số chuẩn của hàm hồi quy
(standard error of regression)

Sai số
Kỳ vọng của sai số ngẫu nhiên
khác không
Đa cộng tuyến
Tương quan giữa các biến độc
lập quá cao
Tự tương quan
Tương quan trong nội tại 1 biến
độc lập quá cao
Phương sai sai số thay đổi
Ước lượng không còn đáng tin
cậy, không ổn định
CÁC VẤN ĐỀ CỦA MÔ HÌNH HỒI QUY
Khi ước lượng OLS không còn đáng tin cậy, không
còn BLUE – Ước lượng chệch, sai số không phải bé
nhất, không hiệu quả,
Vi phạm các giả thiết

Thiếu biến quan trọng
Mô hình không giải thích
đầy đủ biến phụ thuộc
1
Dạng hàm sai
Mối quan hệ không còn tuyến
tính hoặc không dùng được ước
lượng tuyến tính
2
Tác động đồng thời
Có tác động ngược từ biến
phụ thuộc tới biến độc lập
3
Sai số đo lường
Sai sót trong thu thập dữ
liệu
4
KỲ VỌNG CỦA SAI SỐ NGẪU NHIÊN KHÁC KHÔNG
𝑬 𝒖 𝑿𝟐, … , 𝑿𝒌 # 𝟎

Econometrics
Hậu quả
• Ước lượng OLS là ước lượng chệch
• Các suy diễn thống kê không còn đáng tin cậy

Econometrics
Cách phát hiện
• Kiểm định thừa /thiếu biến
Thêm hoặc bớt biến đi để đánh giá xem mô hình có mức độ tin
cậy hay độ chính xác cao hơn không
• Kiểm định Ramsey RESET xem dạng hàm chính xác
Thêm các biến dạng phi tuyến để xem các biến này có ý nghĩa
thống kê không. Nếu có thì dạng hàm đã sai.

Econometrics
Khắc phục
• Thêm biến thích hợp có tương quan với biến phụ thuộc.
• Bỏ bớt biến không có ý nghĩa thống kê (tuy nhiên biến này
không được có mối quan hệ đồng thời với các biến còn lại
trong mô hình)
• Thay đổi dạng hàm hồi quy cho phù hợp

Tương quan
Bản thân các biến độc lập có độ
tương quan cao với nhau
1
Tương quan
Các biến độc lập cùng đồng thời
tương quan cao với một biến
trung gian
2
Dạng mô hình
Mô hình có dạng đa thức hoặc các
biến tương tác
3
Kích cỡ mẫu
Mẫu không mang tính chất đại
diện, kích cỡ mẫu quá bé và
không phản ánh đầy đủ
4
ĐA CỘNG TUYẾN
Khi giữa các biến độc lập có mối
liên hệ tuyến tính chặt chẽ, ta nói
rằng mô hình có hiện tượng đa
cộng tuyến

ĐA CỘNG TUYẾN
Econometrics
Hậu quả
• Hệ số ước lượng không còn đáng tin cậy
• Ý nghĩa thống kê p-value không còn đáng tin cậy
• Dấu của hệ số ước lượng bị đổi chiều

ĐA CỘNG TUYẾN
Econometrics
CÁCH PHÁT HIỆN
• R bình phương quá cao là dấu hiệu của đa cộng tuyến
• Hệ số tương quan Pearson quá cao (trên 0.6) cũng là dấu
hiệu của đa cộng tuyến
• Hệ số phóng đại phương sai quá cao
Hệ số VIF (variance inflation factor):
𝑉𝐼𝐹𝑗 =
1
1 − 𝑅𝑗
2
Một quy ước chung là nếu VIF > 11 thì đây là dấu hiệu đa
cộng tuyến cao. Tuy nhiên đây chỉ là quy ước thực nghiệm,
với một số tác giả khác, như Allisson thì VIF > 2.5 (tương
đương với R_j^2 > 0.6 ) đã được xem là đa cộng tuyến cao.

ĐA CỘNG TUYẾN
Econometrics
Khắc phục
• Gia tăng kích thước mẫu
• Thay đổi định dạng biến đầu vào mô hình
• KHÔNG nên bỏ bớt các mẫu gây ra đa cộng tuyến. Sai số
trong biến có thể gây ra tác động mạnh lên biến phụ thuộc.
Việc loại bỏ biến có thể gây ra hậu quả nghiêm trọng hơn.
• Chúng ta có thể đánh giá mức độ nghiêm trọng của đa
cộng tuyến thông qua sai số chuẩn của hệ số ước
lượng 𝒔𝒆 𝜷𝟐 .
• Nếu giá trị này đủ nhỏ, như vậy đa cộng tuyến không làm
khuếch đại sai số, ước lượng vẫn đủ tin cậy.

Quán tính
Tính chất của biến, các biến t được
xác định từ chính nó trong quá khứ
(GDP, CPI, Profit, Cost,…)
1
Lý thuyết CoWeb
Biến động của kinh tế - tài chính
mang tính chu kỳ và sẽ lặp lại trong
tương lai
2
Dạng mô hình
Dạng hàm không đúng
3
Bỏ sót biến quan trọng
Thiếu biến quan trọng cũng có thể
gây ra tự tương quan, khiến trong
biến độc lập tự giải thích cho nhau.
4
TỰ TƯƠNG QUAN
hiện tượng mà tại đó hạng nhiễu tại
thời điểm t (hay còn gọi là sai số)
thường được kí hiệu là ut có tương
quan với chính nó trong quá khứ
hoặc trong các quan sát trước

LÝ THUYẾT COWEB – HIỆN TƯỢNG MẠNG NHỆN

TỰ TƯƠNG QUAN
Econometrics
Hậu quả
• Ước lượng không còn hiệu quả vì sai số đã lớn hơn
• Ý nghĩa thống kê giả khi hệ số P-value bị sai lệch, dẫn tới
hiện tượng hồi quy giả mạo (spurious regression)
• Các giá trị sai số chuẩn của mô hình OLS bị ước lượng
thấp (underestimated), tức các giá trị ước lượng bị thổi
phồng cao hơn mức bình thường.

TỰ TƯƠNG QUAN
Econometrics
CÁCH PHÁT HIỆN
• Quan sát đồ thị phần dư theo thời gian

TỰ TƯƠNG QUAN
Econometrics
CÁCH PHÁT HIỆN
• Sử dụng các kiểm định
• Kiểm định Durbin-Watson (DW)
• Kiểm định Breusch-Godfrey (BG) bậc cao
• Kiểm định Wooldridge với dữ liệu bảng (trình bày ở phần
sau)

TỰ TƯƠNG QUAN
Econometrics
Kiểm định Durbin-Watson
Kiểm định DW chỉ có thể có ý nghĩa khi (1) mô hình hồi quy có hệ số chặn, (2) sai số có hiện tượng tự tương quan bậc 1 – nếu TTQ xuất
hiện ở bậc khác thì kiểm định DW sẽ không phát hiện ra được đâu, (3) sai số tuân theo phân phối chuẩn, và cuối cùng (4) biến độc lập trong mô
hình không phải là biến lag của Y. Kiểm định DW sẽ cho ra hệ số thống kê d-statistic. Hệ số này được tính bằng công thức sau:
2 giả thuyết của kiểm định như sau:
H0: Không tồn tại tương quan bậc 1
H1: Có tồn tại tương quan bậc 1
𝜌 =
𝑡=2
𝑡=𝑛
(𝑢𝑡 − 𝑢𝑡−1)2
𝑡=1
𝑡=𝑛
𝑢𝑡
2

TỰ TƯƠNG QUAN
Econometrics
Kiểm định Durbin-Watson
Kiểm định Durbin Watson theo quy tắc kinh nghiệm được thực hiện như sau:
• Nếu 1 < p < 3 thì mô hình không có tự tương quan.
• Nếu 0 < p < 1 thì mô hình có tự tương quan dương.
• Nếu 3 < p < 4 thì mô hình có tự tương quan âm.

TỰ TƯƠNG QUAN
Econometrics
Kiểm định Breusch-Godfrey (BG)
Tự tương quan của các bậc cao hơn và có thể áp dụng cho dù các bộ hồi quy có bao gồm độ trễ của biến phụ thuộc hay không còn được gọi là
thử nghiệm Breusch-Godfrey.
Bậc của tự tương quan là độ trễ của biến, ví dụ biến Xt tự tương quan với Xt-2 thì bậc của tự tương quan là 2. Chỉ có kiểm định này thực hiện
được vấn đề này.

TỰ TƯƠNG QUAN
Econometrics
Khắc phục
• Dùng sai phân bậc nhất (first-difference transformation). Khi
dùng sai phân, tương quan bậc 1 sẽ bị loại bỏ.
• Biến đổi theo hệ số tương quan ước lượng (generalized
transformation). Theo cách này, ta sẽ biến đổi dữ liệu theo
ước lượng hệ số tương quan ρ. Trước tiên, ta sẽ chạy hồi
quy với dữ liệu ban đầu và lấy ra các sai số. Sau đó, ta sẽ
chạy mô hình hồi quy giữa sai số kỳ t và sai số kỳ t-1 để lấy
ra ước lượng của ρ. Và cuối cùng ta sẽ dùng hệ số ρ đó để
biến đổi dữ liệu. Ví dụ, biến Y_new = Yt – ρ*Yt-1.
• Đưa biến trễ vào mô hình. Tuy nhiên, cách này có thể gây
ra đa cộng tuyến.

TỰ TƯƠNG QUAN
Econometrics
Khắc phục
• Nhưng nếu cỡ mẫu lớn, thì bạn có thể ước lượng hồi quy
OLS theo cách thông thường, nhưng điều chỉnh các sai số
chuẩn của các hệ số hồi quy, theo một phương pháp được
đề xuất bời Newey và West. Các sai số chuẩn được điều
chỉnh theo thủ tục của họ cũng được biết với tên gọi các sai
số chuẩn HAC (heteroscedasticity and autocorrelation
consistent).
• Trong Stata, câu lệnh sẽ là reg Y X1 X2 X3, vce(robust)
hoặc ewey Y X1 X2 X3 , lag(n)
• Trong Eview, lựa chọn chạy Robust.

Biến đổi
Sai sót khi biến đổi và chỉnh sửa dữ
liệu
1
Thang đo
Sử dụng thang đo khác nhau cho
các quan sát trong cùng 1 biến
2
Dạng mô hình
Dạng hàm không đúng
3
Biến khác biệt
Bỏ sót quan sát đặc biệt trong dữ
liệu
4
PHƯƠNG SAI SAI SỐ THAY ĐỔI
Hiện tượng mà tại đó phần dư
(residuals) hoặc các sai số (e) của mô
hình sau quá trình hồi quy không tuân
theo phân phối ngẫu nhiên và
phương sai không bằng nhau.

Econometrics
Hậu quả
• Ước lượng vẫn không chệch nhưng sai số đã bị sai lệch
• Khoảng tin cậy và kiểm đinh giả thuyết về các hệ số không
còn giá trị sử dụng
• Các ước lượng hệ số không còn là ước lượng tốt nhất
• Sẽ đặc biệt nguy hiểm nếu đa cộng tuyến và phương sai
thay đổi đồng thời xảy ra

Econometrics
CÁCH PHÁT HIỆN
• Vẽ đồ thị giữa sai số và giá trị ước lượng của biến Y và quan sát

Econometrics
CÁCH PHÁT HIỆN
• Sử dụng các kiểm định
• Kiểm định White trong Stata bằng lệnh: estat imtest,white
• Kiểm định Kiểm định Breusch-Pagan trong Stata với lệnh:
estat hettest

Econometrics
Kiểm định WHITE
Cách tiếp cận chỉ đơn giản là hồi quy sai số ngẫu nhiên theo các biến trong mô hình. Nếu hàm hồi quy này có ý nghĩa thống kê, chứng tỏ sai số
ngẫu nhiên thay đổi theo các giá trị của biến độc lập, mô hình vi phạm phương sai thay đổi.
Hàm hồi quy phụ kiểm định như sau:
𝑒𝑖
2
= 𝛼1 + 𝛼2𝑋2𝑖 + 𝛼3𝑋3𝑖 + 𝛼4𝑋2𝑖
2
+ 𝛼5𝑋3𝑖
2
+ 𝛼6𝑋2𝑖𝑋3𝑖 + 𝑣𝑖
Hàm hồi quy này xác định hệ số xác định R2. Chúng ta tiến hành cặp giả thiết
𝐻0: 𝛼2 = ⋯ = 𝛼6 = 0 ; 𝐻1: 𝛼2
2
+ ⋯ + 𝛼6
2
> 0
Sau đó, sử dụng kiểm định F hoặc kiểm định Khi bình phương để kiểm định cặp giải thiết này.

Econometrics
Kiểm định Breusch-Pagan-Godfrey (BPG)
Cách tiếp cận tương tự kiểm định WHITE, tuy nhiên thay vì dùng trực tiếp sai số ngẫu nhiên, kiểm định BPG dùng sai số chuẩn hóa (Chia cho
phương sai 𝜎2
Hàm hồi quy phụ kiểm định như sau:
𝑟𝑖 =
𝑒𝑖
2
𝜎2
= 𝛼1 + 𝛼2𝑋2𝑖 + 𝛼3𝑋3𝑖 + 𝛼4𝑋2𝑖
2
+ 𝛼5𝑋3𝑖
2
+ 𝛼6𝑋2𝑖𝑋3𝑖 + 𝑣𝑖
Hàm hồi quy này xác định hệ số xác định R2. Chúng ta tiến hành cặp giả thiết
𝐻0: 𝛼2 = ⋯ = 𝛼6 = 0 ; 𝐻1: 𝛼2
2
+ ⋯ + 𝛼6
2
> 0
Sau đó, sử dụng kiểm định F hoặc kiểm định Khi bình phương để kiểm định cặp giải thiết này.

Econometrics
Khắc phục
Xử lý thông thường
• Ước lượng GLS (Đọc thêm)
• Ước lượng sai số chuẩn Robust (tương tự như với Tự
tương quan)
Xử lý tình huống với kích cỡ nhỏ
• Cô lập quan sát khác biệt

ĐỌC KẾT QUẢ HÀM HỒI QUY TUYẾN TÍNH
Econometrics
Kết quả theo định dạng biến
Mô hình ln-ln hoặc double log: LnYi = Con + B1LnX1i + B2LnX2i + ui
Trong mô hình này, các hệ số beta sẽ được giải thích là 1% thay đổi trong biến X sẽ
dẫn đến Bi% thay đổi trong biến Y giả sử rằng các yếu tố khác không thay đổi.
Mô hình log-lin hoặc còn được gọi là semi-log: LnYt = C + B1tXt + ut
Hệ số beta trong mô hình này sẽ được giải thích là 1 đơn vị thay đổi trong biến X sẽ
dẫn đến B% thay đổi trong biến Y với các điều kiện khác không đổi.
Mô hình lin-log: Yi = C + BiLnXi + ui
Đừng quên nhân hệ số hồi quy với 0.01 hoặc chia cho 100 trước khi giải thích. 1%
thay đổi trong biến X sẽ dẫn đến beta x 0.01 đơn vị thay đổi trong biến Y với điều
kiện các yếu tố khác không thay đổi.

1
2
3
4
Khái niệm biến giả (dummy
variable)
Mô hình có chứa biến độc
lập là biến giả
Mô hình biến giả và biến
tương tác
Trường hợp biến định tính
có nhiều phạm trù
HỒI QUY VỚI BIẾN GIẢ

Dummy Variables
94%
Trong kinh tế lượng, việc đưa các thông tin mang tính định
tính vào mô hình được thực hiện thông qua biến giả
(dummy variable), nhận giá trị là 0 và 1.
Thông tin về giới tính có thể được biểu hiện bởi biến giả
“Nữ” như sau:
Nữ = 1 nếu một người là nữ
0 nếu một người là nam
Thông tin về trường học của sinh viên:
BCVT = 1 nếu sinh〖viên thuộc trường BCVT
0 nếu sinh〖viên không thuộc trường BCVT
Biến giả là một kỹ thuật xử lý dữ liệu
DUMMY VARIABLES
KHÁI NIỆM BIẾN GIẢ

Dummy Variables
Xét mô hình tính điểm thi của các bạn theo số lần tương
tác và giới tính. Ta có mô hình đề xuất như trên.
Trong đó,
Điểm: Điểm thi hết học phần của các bạn
Tương tác: Số lần tương tác
GT: Giới tính với 1 là Nữ và 0 là không phải Nữ.
Ở đây, giới tính chính là biến giả. Chúng ta sẽ xét ý
nghĩa của Beta 2 trong trường hợp mô hình đáp ứng
được các giả thiết của ước lượng OLS
MÔ HÌNH VỚI BIẾN GIẢ
Đ𝐼Ể𝑀 = 𝛽0 + 𝛽1 × 𝑇ươ𝑛𝑔 𝑡á𝑐 + 𝛽2 × 𝐺𝑇 + 𝑒𝑖

Dummy Variables
Các trường hợp của 𝛽2 như sau:
• 𝛽2 = 0 hay p-value quá lớn. Điều này cho thấy giới tính
không có tác động tới điểm của các bạn
• 𝛽2 ≠ 0 hay p-value nhỏ. Như vậy giới tính có tác động tới
điểm của các bạn.
⟹ Chúng ta có thể kết luận, so với các bạn không phải Nữ, các
bạn Nữ có điểm khác biệt 1 mức là 𝛽2
Nếu
• 𝛽2 > 0: Điểm các bạn Nữ sẽ cao hơn
• 𝛽2 < 0: Điểm các bạn Nữ sẽ thấp hơn

Dummy Variables
Nếu 𝜷𝟐 = 2 và có ý nghĩa thống kê. Như vậy, không nói
đến tương tác, mỗi bạn Nữ có điểm thi kết thúc học
phần cao hơn các bạn không phải Nữ 2 điểm.

Modify Variable/DID ( Difference-in-differences)
Một biến tương tác hoặc tương tác đặc trưng là một biến được xây dựng từ bộ hồ sơ gốc của các
biến để cố gắng đại diện cho một trong hai tất cả các hiện tương tác hoặc một số phần của nó.
Biến giả GT chỉ cho chúng ta biết khác biệt về điểm giữa 2 giới tính. Nhưng KHÔNG cho chúng ta
biết với mỗi tương tác tăng thêm, khác biệt về giới tính được gia tăng bao nhiêu.
CÂU HỎI LÚC NÀY: Với mỗi bạn nữ, mỗi lần tương tác giúp các bạn ấy có thêm (Nếu 𝛽3 > 0)
hoặc mất đi (Nếu 𝛽3 < 0) bao nhiêu điểm?
MÔ HÌNH VỚI BIẾN GIẢ VÀ BIẾN TƯƠNG TÁC
Đ𝐼Ể𝑀 = 𝛽0 + 𝛽1 × 𝑇ươ𝑛𝑔 𝑡á𝑐 + 𝛽2 × 𝐺𝑇 + 𝛽3 × 𝐺𝑇 × 𝑇ươ𝑛𝑔 𝑡á𝑐 + 𝑒𝑖

Biến tương tác GTxTương tác sẽ trả lời câu hỏi này qua ý nghĩa thống kê của 𝜷𝟑
Với các bạn không phải Nữ, tức 𝛽2 = 0, mô hình lúc này sẽ có dạng
Đ𝐼Ể𝑀 = 𝛽0 + 𝛽1 × 𝑇ươ𝑛𝑔 𝑡á𝑐 + 𝑒𝑖
Với các bạn nữ, tức 𝛽2 = 1, mô hình lúc này sẽ có dạng
Đ𝐼Ể𝑀 = 𝛽0 + 𝛽2 + (𝛽1+𝛽3) × 𝑇ươ𝑛𝑔 𝑡á𝑐 + 𝑒𝑖
Như vậy,
• Nếu không tương tác (Tương tác = 0), điểm của các bạn Nữ khác biệt so với các bạn không phải
nữ là 𝜷𝟐
• Nếu có tương tác, với mỗi lần tương tác, điểm của các bạn Nữ khác với các bạn không phải nữ
tăng thêm 1 𝜷𝟑.

Triển khai kiểm định luôn trong lớp 

Category Variables
MÔ HÌNH VỚI CÁC BIẾN CÓ NHIỀU PHẠM TRÙ
Đ𝐼Ể𝑀 = 𝛽0 + 𝛽1 × 𝑇ươ𝑛𝑔 𝑡á𝑐 + 𝛽2 × 𝐺𝑇 +
𝑗=3
𝑛
𝛽𝑖 × 𝑄𝑢ậ𝑛 + 𝑒𝑖
Trong trường hợp trên ta xét trường hợp biến định tính có nhiều hơn một phạm trù và khi đó có thể “số
hóa” bằng cách sử dụng một biến giả 0-1. Mỗi phạm trù sẽ được biểu thị với dạng nhị phân 0 và 1.
Ví dụ, thêm biến Quận vào mô hình để xem sự khác biệt về điểm của các bạn ở các Quận khác nhau
tại Hà Nội. Giả sửa các bạn sinh viên ở 5 quận như sau, (với j ứng với 3,4,5,6,7)
Hệ số 𝜷𝒊 3 4 5 6 7
Quận Hà Đông Hoàng Mai Ba Đình Đống Đa Long Biên
Như vậy
• Nếu bạn sinh viên ở Hà Đông, ứng với 𝜷𝟑 = 𝟏, các hệ số 𝜷𝟒,𝟓,𝟔,𝟕 = 𝟎
• Nếu bạn sinh viên ở Hoàng Mai, ứng với 𝜷𝟒 = 𝟏, các hệ số 𝜷𝟑,𝟓,𝟔,𝟕 = 𝟎
…

Category Variables
MÔ HÌNH VỚI CÁC BIẾN CÓ NHIỀU PHẠM TRÙ
Đ𝐼Ể𝑀 = 𝛽0 + 𝛽1 × 𝑇ươ𝑛𝑔 𝑡á𝑐 + 𝛽2 × 𝐺𝑇 +
𝑗=3
𝑛
𝛽𝑖 × 𝑄𝑢ậ𝑛 + 𝑒𝑖
Bạn sinh
viên
Quận
𝜷𝟑 𝜷𝟒 𝜷𝟓 𝜷𝟔 𝜷𝟕
Hà Đông Hoàng Mai Ba Đình Đống Đa Long Biên
Bạn 1 Hà Đông 1 0 0 0 0
Bạn 2 Ba Đình 0 0 1 0 0
Bạn 3 Long Biên
Bạn 4 Hoàng Mai
Bạn 5 Đống Đa
Tại sao chúng ta không đặt tên biến nhiều phạm trù
theo 1,2,3,4,5 mà phải lập 5 biến nhị phân (0,1)

Nội dung và cách thức triển khai phương pháp ước
lượng này
PHƯƠNG PHÁP ƯỚC LƯỢNG OLS
Phát hiện các khuyết tật của mô hình và đánh giá nguy
cơ sai sót của mô hình ước lượng
CÁC KHUYẾT TẬT CỦA MÔ HÌNH
Cách xử lý các vấn đề của mô hình hồi quy sử
dụng ước lượng OLS
KHẮC PHỤC CÁC KHUYẾT TẬT
LOADING…: 99%
Chương 3 là nội dung cốt lõi của toàn bộ môn học cũng như toàn bộ kiến thức cơ bản
nhất của bộ môn Kinh tế lượng. Các bạn nắm rõ nội dung này, các bạn có thể thoải
mái phát triển lên các mô hình phức tạp hơn, kể cả AI và Big Data trong tương lai
KẾT THÚC CHƯƠNG 3

Cobb-Douglas
Bài toán sản lượng với mô hình Cobb-Douglas
CAPM
Bài toán tính tỷ suất sinh lời với mô hình CAPM
Mô hình tự hồi quy AR
Bài toán dự báo với mô hình tự hồi quy
Thêm biến vào mô hình CAPM để định giá
CAPM với biến giả và biến tương tác
CHƯƠNG 4 HỒI QUY TUYẾN TÍNH VỚI DỮ LIỆU
CHÉO VÀ DỮ LIỆU CHUỖI THỜI GIAN

Nhắc lại kiến thức về hàm sản lượng Cobb -
Douglas
Hàm Cobb-Douglas
Triển khai mô hình từ thống kê mô tả cho tới chạy mô
hình
Triển khai mô hình
Đọc kết quả nhận được
Đánh giá kết quả
PIGGY BANK : 1%
Tiến hành triển khai 1 quy trình ước lượng hồi quy tuyến tính đầy đủ
BÀI TOÁN SẢN LƯỢNG HÀM
COBB - DOUGLAS

Cobb - Douglas
Để đưa dữ liệu vào mô hình hồi quy tuyến tính, hàm Cobb-
Douglas cần biến đổi về dạng tuyến tính. Với một hàm tính nhân,
cách xử lý đơn giản là đưa về dạng Loga Nepe. Hàm sản lượng
Cobb-Douglas tuyến tính được đưa về dạng như sau:
𝑙𝑛(𝑄) = 𝑙𝑛 (𝐴) + 𝛼𝑙𝑛(𝐿) + 𝛽𝑙𝑛(𝐾)
Khi đó, mô hình ước lượng của hàm Cobb-Douglas sẽ có dạng
𝑙𝑛(𝑄) = 𝑙𝑛 𝐴 + 𝛼𝑙𝑛(𝐿) + 𝛽𝑙𝑛(𝐾) + 𝑒𝑡
Triển khai mô hình ước lượng
HÀM COBB - DOUGLAS
𝑄 = 𝐴𝐿𝛼 𝐾𝛽

Cobb - Douglas
Một số lệnh cơ bản để xử lý dữ liệu trong stata
- Gen/Egen: Tạo biến, trong đó egen là mở rộng của Gen khi tạo
biến có chứa công thức, hoặc điều kiện từ các dữ liệu có sẵn
- Sort : Sắp xếp dữ liệu theo thứ tự tăng dần
- Replace: Thay thế dữ liệu
- Keep: Giữ lại dữ liệu, xóa tất cả giữ liệu khác
- Drop: Xóa dữ liệu được chọn
- Label: Dán nhãn cho biến
- Encode/Decode: Mã hóa biến quan sát từ string thành numeric
và ngược lại
HÀM COBB - DOUGLAS
𝑄 = 𝐴𝐿𝛼 𝐾𝛽

Thống kê mô tả
HÀM COBB - DOUGLAS
Các hàm sử dụng
- Sum (Summarize)
- Sum, detail
- Tab
- Tabstat, statistics () by()

HÀM COBB - DOUGLAS
Dùng lệnh regress (biến phụ thuộc) (biến độc lập)

Kiểm định các vấn đề của mô hình
HÀM COBB - DOUGLAS
• Kiểm định dạng hàm với kiểm định RAMSAY
• Kiểm định tự tương quan với Correlation và Durbin Watson
• Kiểm định đa cộng tuyến với hệ số VIF
• Kiểm định phương sai sai số thay đổi với White hoặc BG
• Kiểm định phân phối chuẩn của phần dư

KIỂM ĐỊNH RAMSAY
Ramsey RESET test using powers of the fitted values of lnQ
Ho: model has no omitted variables
F(3, 9) = 1.00
Prob > F = 0.4366

KIỂM ĐỊNH TỰ TƯƠNG QUAN
Để kiểm định tự tương quan, Stata cần xác định biến thời gian (time
series data) trong dữ liệu và xếp thứ tự quan sát theo biến này.
Thường là biến ngày/tuần/tháng/quý/năm. Trường hợp này chúng ta
sử dụng giữ liệu chéo nên không có biến thời gian, chúng ta đang
quan sát theo 15 doanh nghiệp.
Do đó chúng ta có thể coi thứ tự 15 doanh nghiệp là 1 biến thời gian.
Để stata coi biến thứ tự là 1 biến thời gian, dùng lệnh tsset với dữ
liệu chuỗi thời gian và xtset với dữ liệu bảng. Thực hiện điều này
trước khi kiểm định tự tương quan.

KIỂM ĐỊNH TỰ TƯƠNG QUAN
Durbin's alternative test for autocorrelation
lags(p) chi2 df Prob > chi2
1 0.956 1 0.3282
H0: no serial correlation

KIỂM ĐỊNH ĐA CỘNG TUYẾN
Variable VIF 1/VIF
lnK 4.25 0.235069
lnL 4.25 0.235069
Mean VIF 4.25

KIỂM ĐỊNH PHƯƠNG SAI SAI SỐ THAY ĐỔI
Breusch-Pagan / Cook-Weisberg test for
heteroskedasticity
Ho: Constant variance
Variables: fitted values of lnQ
chi2(1) = 2.00
Prob > chi2 = 0.1572

Đọc kết quả

Biến giả và biến tương tác
HỒI QUY VỚI BIẾN GIẢ VÀ BIẾN TƯƠNG TÁC
𝑙𝑛 𝑄 = 𝑙𝑛 𝐴 + 𝛼𝑙𝑛 𝐿 + 𝛽𝑙𝑛 𝐾 + 𝛾𝐷1 + 𝛿𝐷1 × ln(𝐿) + 𝑒𝑡
Chúng ta giả định rằng trong 15 doanh nghiệp đang
được nghiên cứu được chia làm 2 nhóm. Nhóm 1 là
những doanh nghiệp ở khu vực thành thị và nhóm 2 là
những doanh nghiệp ở khu vực nông thôn.
Dữ liệu này nên được điều tra chính xác
Trong ví dụ này, tự tạo biến giả 0 và 1 với 1 là thành thị
và 0 là nông thôn với mức vốn (K) cao hơn trung bình

Biến giả và biến tương tác
HỒI QUY VỚI BIẾN GIẢ VÀ BIẾN TƯƠNG TÁC
𝑙𝑛 𝑄 = 𝑙𝑛 𝐴 + 𝛼𝑙𝑛 𝐿 + 𝛽𝑙𝑛 𝐾 + 𝛾𝐷1 + 𝛿𝐷1 × ln(𝐿) + 𝑒𝑡

Nhắc lại kiến thức về mô hình CAPM
Mô hình CAPM
Triển khai mô hình từ thống kê mô tả cho tới chạy mô
hình
PIGGY BANK : 1%
BÀI TOÁN ĐỊNH GIÁ VỚI MÔ
HÌNH CAPM

MÔ HÌNH CAPM
Econometrics
CAPM
𝑅𝑖 = 𝑅𝑓 + 𝛽 × 𝑅𝑚 − 𝑅𝑓
Biến đổi
𝑅𝑖 − 𝑅𝑓 = 𝛽 × 𝑅𝑚 − 𝑅𝑓

MÔ HÌNH CAPM
Econometrics
Ước lượng
𝑹𝒊 − 𝑹𝒇 = 𝜷𝟎 + 𝜷𝟏 × 𝑹𝒎 − 𝑹𝒇 + 𝒆𝒊
Mô hình định giá tài sản vốn trong tiếng Anh là Capital
asset pricing model, viết tắt là CAPM: là mô hình định giá
mô tả mối quan hệ giữa rủi ro hệ thống và lợi nhuận kì
vọng của tài sản, đặc biệt là cổ phiếu.

MÔ HÌNH CAPM
Econometrics
THU THẬP DỮ LIỆU
Dữ liệu trên thị trường chứng khoán Việt Nam có khá nhiều
nguồn để thu thập. Tuy nhiên khi thu thập chúng ta cần chú
ý tính đồng bộ nếu thu thập từ nhiều nguồn khác nhau. Các
nguồn đáng tin cậy:
- https://www.investing.com/
- https://finance.yahoo.com/
- https://vietstock.vn/
- https://cafef.vn/
Dựa trên mô hình CAPM, chúng ta cần thu thập
những dữ liệu nào

MÔ HÌNH CAPM
Econometrics
Xử lý dữ liệu
Nối file vào nhau bằng Stata hoặc Excel
Nên nối bằng Stata vì chương trình sẽ tự nối và phát hiện
các quan sát sai lệch vì dữ liệu lấy từ các nguồn khác nhau.
Câu lệnh nối: MERGE hoặc APPEND (thêm quan sát vào dữ
liệu có sẵn)
Chú ý, phải save file dta thì Stata mới nối được.
Sau đó, tạo các biến tỷ suất sinh lời.

MÔ HÌNH CAPM
Econometrics
Thống kê mô tả

MÔ HÌNH CAPM
Econometrics
Kiểm định
• Kiểm định tính dừng

MÔ HÌNH CAPM
Econometrics
Tính dừng
Theo Gujarati (2003) một chuỗi thời gian là dừng khi giá trị trung bình,
phương sai, hiệp phương sai (tại các độ trễ khác nhau) giữ nguyên
không đổi cho dù chuỗi được xác định vào thời điểm nào đi nữa.
Chuỗi dừng có xu hướng trở về giá trị trung bình và những dao động
quanh giá trị trung bình sẽ là như nhau. Nói cách khác, một chuỗi thời
gian không dừng sẽ có giá trị trung bình thay đổi theo thời gian, hoặc
giá trị phương sai thay đổi theo thời gian hoặc cả hai.
Như vậy chuỗi không dừng gần như không có giá trị thống kê hay dự
báo cho tương lai.

MÔ HÌNH CAPM
Econometrics
Tính dừng
Tham khảo:
https://www.investopedia.com/articles/trading/07/stationary.asp

MÔ HÌNH CAPM
Econometrics
Kiểm định Nghiệm
đơn vị
Kiểm định nghiệm đơn vị là một kiểm định được sử
dụng khá phổ biến để kiểm định một chuỗi thời gian
là dừng hay không dừng. Dickey và Fuller (1981) đã
đưa ra kiểm định Dickey và Fuller (DF) và kiểm định
Dickey và Fuller mở rộng (ADF). Cụ thể, theo Dickey
và Fuller (1981) mô hình kiểm định nghiệm đơn vị mở
rộng ADF có dạng:

MÔ HÌNH CAPM
Econometrics
đơn vị
Cách xây dựng kiểm định khá đơn giản.
Vì chuỗi có tính dừng thường có xu hướng tập trung
về trung bình, như vậy giá trị sai phân bậc 1 là Δy cần
phải dần về 0 và không phụ thuộc vào giá trị của biến
phụ thuộc y trong quá khứ. Vì vậy, khi ước lượng DF
ta cần kỳ vọng β cần nhỏ hơn 0 để giá trị Δy càng tiến
về 0.
Giả thuyết kiểm định:
H0: β = 0 (Yt là chuỗi dữ liệu không dừng)
H1: β < 0 (Yt là chuỗi dữ liệu dừng)

MÔ HÌNH CAPM
Econometrics
đơn vị

MÔ HÌNH CAPM
Econometrics
Kiểm định
• Kiểm định dạng hàm với kiểm định RAMSAY

MÔ HÌNH CAPM
Econometrics
Kết quả kiểm định
Kết quả kiểm định cho thấy mô hình gặp vấn đề phương sai sai
số thay đổi. Để khắc phục nhanh vấn đề này, chúng ta chạy lại
mô hình với sai số chuẩn mạnh – robust standard error
• regress Rif Rff, robust
Với cách khắc phục này, các hệ số ước lượng không đổi, chỉ có
sai số chuẩn lớn hơn mô hình cũ.
Chúng ta rút ra được những kết luận gì từ mô hình
ước lượng?

Giới thiệu về mô hình tự hồi quy AR
Mô hình tự hồi quy AR
Bài toán dự báo tài chính với mô hình AR
Bài toán dự báo tài chính với AR
Các bước triển khai mô hình
PIGGY BANK : 1%
Mô hình tự hồi quy – Autoregression
BÀI TOÁN DỰ BÁO TÀI CHÍNH VỚI MÔ
HÌNH TỰ HỒI QUY AR

MÔ HÌNH TỰ HỒI QUY AR
Autoregressive model
Khái niệm
Mô hình tự hồi quy AR (Autoregressive) là mô hình chuỗi thời
gian đơn giản và phổ biến nhất. Mô hình tự hồi quy là giá trị ước
tính tương lai của mô hình phân tích chuỗi thời gian chỉ phụ
thuộc vào giá trị trong quá khứ.
Một chuỗi thời gian yt được gọi là tuân theo mô hình tự hồi quy
bậc nhất, hay AR(1), nếu:
𝑦𝑡 = 𝛽0 + 𝛽1 × 𝑦𝑡−1 + 𝑢𝑡
Trong đó ut là nhiễu trắng thỏa mãn những giả định của hàm hồi quy
tuyến tính. Mô hình AR(1) hàm ý hành vi của yt phụ thuộc chủ yếu vào
hành vi của chính nó ở thời kỳ liền trước nó.

Khái niệm
Tương tự như vậy, chúng ta phát triển mô hình tự hồi quy bậc 1
thành mô hình tự hồi quy bậc p. Mô hình chuỗi thời gian yt được
gọi là tuân theo mô hình tự hồi quy bậc p, hay AR(p), nếu:
𝑦𝑡 = 𝛽0 + 𝛽1 × 𝑦𝑡−1 + 𝛽2 ×
𝑦𝑡−2 + ⋯ + 𝛽𝑝 × 𝑦𝑡−𝑝 + 𝑢𝑡

Ứng dụng
AR model là một mô hình có công thức đơn giản, có nhiều ứng
dụng trong thực tiễn như xây dựng mô hình tài chính, thống kê
hay xử lý tín hiệu. Trong phân tích tài chính, ta có thể dùng mô
hình AR vào các ứng dụng sau:
• Dùng độc lập như một phương pháp phân tích kĩ thuật
• Kết hợp với các phương pháp khác để tạo lên một mô hình
tổng quát hơn

Giả thiết chính
Các giả thiết sau cần được thoả mãn trước khi phân tích các tính
chất của mô hình AR:
• Sai số ut tuân theo phân phối chuẩn với trung bình bằng không
và variance là hằng số, và không phụ thuộc vào X
• Chuỗi quan sát phải bắt buộc phải là chuỗi dừng
𝑦𝑡 = 𝛽0 + 𝛽1 × 𝑦𝑡−1 + 𝑢𝑡

Đặc trưng
Để đảm bảo tính chính xác, ước lượng cần chú ý tới BẬC của
ước lượng.
Bậc của ước lượng AR chính là độ trễ của biến đưa vào mô hình.
𝑦𝑡 = 𝛽0 + 𝛽1 × 𝑦𝑡−1 + 𝑢𝑡

Xác định độ trễ
Việc xác định cấu trúc trễ hợp lý cho mô hình là không hề dễ
dàng khi chúng ta chưa khảo sát các đặc tính thống kê của chuỗi
số đang xem xét. Nếu chúng ta chọn độ trễ quá ít, kết quả thu về
có thể không phản ánh hết tác động theo thời gian của biến quan
sát. Trong khi chọn độ trễ quá nhiều sẽ khiến mô hình bị mất
nhiều bậc tự do.
𝑦𝑡 = 𝛽0 + 𝛽1 × 𝑦𝑡−1 + 𝑢𝑡

Thống kê đo lường sao cho
sai số ước lượng là nhỏ
nhất
Phương pháp lặp và thử để
tìm ra mô hình có sai số
thấp nhất
45%
75
%
Tiêu chuẩn Akaike và
Schwarz
Phương pháp Box -
Jenkins 62%
43
%
PHƯƠNG PHÁP CHỌN ĐỘ TRỄ

1
2
3
4
Nhận dạng (identification)
Ước lượng (estimation)
Chuẩn đoán (diagnostic)
Lặp lại (repeat)
PHƯƠNG PHÁP BOX - JENKINS

TIÊU CHUẨN AKAIKE, SCHWARZ, BAYESIAN
AIC, SIC, và BIC
𝐴𝐼𝐶 𝑝 = 1 + ln 2𝜋 + 𝑙𝑛
𝑢𝑡
2
𝑇
+
2𝑝
𝑇
𝑆𝐼𝐶 𝑝 = 1 + ln 2𝜋 + 𝑙𝑛
𝑢𝑡
2
𝑇
+
)
𝑝𝑙𝑛(𝑇
𝑇

Thu thập và xử lý dữ liệu
Xây dựng mô hình tự hồi quy
Chọn độ trễ và kiểm định
Đảm bảo tính chính xác của mô hình
DỰ BÁO GIÁ CHỨNG KHOÁN: DGW

DỰ BÁO GIÁ DGW
Dữ liệu trên thị trường chứng khoán Việt Nam có khá nhiều
nguồn để thu thập. Tuy nhiên khi thu thập chúng ta cần chú
ý tính đồng bộ nếu thu thập từ nhiều nguồn khác nhau. Các
nguồn đáng tin cậy:
- https://www.investing.com/
- https://finance.yahoo.com/
- https://vietstock.vn/
- https://cafef.vn/
𝑦𝑡 = 𝛽0 + 𝛽1 × 𝑦𝑡−1 + 𝑢𝑡

𝑦𝑡 = 𝛽0 + 𝛽1 × 𝑦𝑡−1 + 𝑢𝑡

KIỂM ĐỊNH TÍNH DỪNG
𝑦𝑡 = 𝛽0 + 𝛽1 × 𝑦𝑡−1 + 𝑢𝑡
Trị tuyệt đối của Test Statistics cần phải LỚN hơn Critical
Value. Kết quả như trên cho thấy chuỗi DGW không dừng,
không thể đưa vào mô hình

KIỂM ĐỊNH TÍNH DỪNG
𝑦𝑡 = 𝛽0 + 𝛽1 × 𝑦𝑡−1 + 𝑢𝑡
Sử dụng Lợi tức của DGW, chuỗi thời gian đã có tính dừng,
chúng ta sẽ sử dụng dữ liệu này.

CHỌN ĐỘ TRỄ TỐI ƯU
Thủ tục Box Jenkins
𝑦𝑡 = 𝛽0 + 𝛽1 × 𝑦𝑡−1 + 𝑢𝑡

CHỌN ĐỘ TRỄ TỐI ƯU
Tính toán AIC và BIC
𝑦𝑡 = 𝛽0 + 𝛽1 × 𝑦𝑡−1 + 𝑢𝑡
Như chúng ta thấy thủ tục Box-Jenkins chỉ cho thấy 3 độ trễ
nên với thống kê AIC và BIC chúng ta cũng làm tối đa 3 độ
trễ và tính toán xem độ trễ 1 và 2 có tối ưu hơn không.

MÔ HÌNH AR
Econometrics
Kiểm định

MÔ HÌNH AR
Econometrics
Kết quả
*** Dự báo giá trị tương lai
forecast create Rdgw //Tạo mô hình dự báo
regress Rdgw L(1/3).Rdgw
estimate store Rdgw
forecast estimate Rdgw
tsappend, add(3) // Thêm 3 thời kỳ dự báo vì độ trễ mình đang lựa
chọn 3
forecast solve, prefix(fc) begin(252) periods(3) // Dự báo cho 3 kỳ
tiếp theo
Chúng ta tính ra giá của cổ phiếu DGW sẽ là bao
nhiêu?

Khái niệm và đặc điểm của dữ liệu bảng –
Panel Data
Khái quát chung về dữ liệu bảng
REM và FEM
Các phương pháp ước lượng cho Panel Data
Các kiểm định chính cho loại dữ liệu Panel
Data
Kiểm định mô hình với Panel Data
Mô hình Fama – French 3 nhân tố
Ứng dụng định giá chứng khoán
CHƯƠNG 5 HỒI QUY TUYẾN TÍNH VỚI DỮ LIỆU
BẢNG VÀ BÀI TOÁN ĐỊNH GIÁ CHỨNG KHOÁN

Định nghĩa cơ bản về Panel Data
Khái niệm dữ liệu bảng
Những đặc trưng cơ bản của Panel Data
Các đặc điểm của dữ liệu bảng
Một số ví dụ tiêu biểu
về dữ liệu bảng
PANEL DATA: 100%
Nhóm dữ liệu chính trong phân tích định lượng hiện đại
KHÁI QUÁT CHUNG VỀ
DỮ LIỆU BẢNG

Panel data
94%
Dữ liệu bảng còn được gọi bằng các tên khác, như
là dữ liệu hỗn hợp (gộp chung các quan sát chéo và
chuỗi thời gian), là sự kết hợp của dữ liệu chéo và
chuỗi thời gian
Time series data + Cross sectional data
Dữ liệu hỗn hợp
PANEL DATA

Nghiên cứu bảng về
Động học Thu nhập
(PSID) do Viện Nghiên
cứu Khoa học thuộc Đại
học Michigan thực hiện.
Văn phòng Điều tra dân số
của Bộ Thương mại Hoa
Kỳ thực hiện việc điều tra
khảo sát tương tự như
PSID, gọi là Khảo sát
Tham gia Chương trình và
Thu nhập (SIPP).
Dữ liệu bảng về kinh tế -
xã hội của Đức
(GESOEP): Bộ dữ liệu
này nghiên cứu 1.761 cá
nhân mỗi năm giữa năm
1984 và 2002.
Từ năm 2002 đến năm
2020, VHLSS sẽ được
thực hiện (hai năm một
lần) để theo dõi một
cách có hệ thống mức
sống của các xã hội Việt
Nam
PANEL DATA

Big Data
A
Cloud computing
C
Block chain
B
AI – Machine Learning
D
P2P LENDING
E
IOT
F
ỨNG DỤNG CỦA DỮ
LIỆU BẢNG

• Thành phố A đang cân nhắc xây dựng trường trọng điểm của toàn thành phố. Kỳ vọng của ban lãnh đạo
thành phố là chọn được 1 ngôi trường có nhiều học sinh xuất sắc và có khả năng đào tạo được nhiều học
sinh xuất sắc. Ngôi trường được lựa chọn sẽ được thành phố đầu tư nâng cấp cơ sở vật chất, tập hợp các
giáo viên giỏi trên toàn quốc với mức đãi ngộ hấp dẫn và tạo điều kiện để có thể hợp tác với các trường học
quốc tế để xây dựng các chương trình học liên kết hấp dẫn. Cơ sở đánh giá được lựa chọn là số học sinh đạt
giải cao trong kỳ thi học sinh giỏi thành phố trong quá khứ.
• Về cơ bản, dạng hàm ước lượng số học sinh giỏi sẽ có dạng như sau:
𝐻𝐺𝑆𝑡 = 𝛽0 + 𝛽1𝑆𝐻𝑆𝑡 + 𝛽2𝑆𝐺𝑉𝑡 + 𝛽3𝐶𝑃𝑡 + 𝑢𝑡
• SHS: Số lượng học sinh đang theo học tại ngôi trường đó;
• SGV: Số lượng giáo viên đang giảng dạy tại ngôi trường đó;
• CP: Chi phí đầu tư xây dựng cơ bản hàng năm của ngôi trường đó (tỷ đồng).
VÍ DỤ VỀ BÀI TOÁN ỨNG DỤNG DỮ LIỆU BẢNG

• Nếu chúng ta tiến hành xem xét 1 trường học riêng biệt. Báo cáo về số
lượng học sinh giỏi trong 15 năm của trường này tạo thành 1 tập hợp dữ
liệu chuỗi thời gian time – series, cụ thể. Trường A1 có báo cáo như sau:
Năm 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
HSG 9 1 4 5 9 1 8 7 5 1 10 7 1 3 9
SHS 621 633 687 673 684 656 629 678 689 631 675 662 606 600 660
SGV 33 35 36 37 31 40 34 34 30 35 32 32 35 36 30
CP 2.2 1.9 1.5 2.1 3 2.8 2.5 3 3 2.7 2.9 2.7 2.8 2.1 1.9

• Trường hợp 2, nếu chúng ta muốn xem xét các ngôi trường một cách tổng
thể với tập hợp dữ liệu chéo. Bảng báo cáo sẽ có đủ thông tin của 10 ngôi
trường. Tuy nhiên lúc này, góc nhìn về thời gian đã bị bỏ qua. Giả dụ
chúng ta lấy dữ liệu với mốc thời gian gần thời điểm hiện tại nhất, 1 năm
trước đó. Ta có:
Trường A1 A2 A3 A4 A5 A6 A7 A8 A9 A10
HSG 9 7 1 4 2 4 6 4 6 8
SHS 660 720 703 727 672 673 769 638 660 725
SGV 30 42 35 44 34 41 33 44 37 30
CP 1.9 3.5 2.9 3.1 2.8 2.3 3.4 2.4 2.4 3.2

Năm 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
A1
HSG 9 1 4 5 9 1 8 7 5 1 10 7 1 3 9
SHS 621 633 687 673 684 656 629 678 689 631 675 662 606 600 660
SGV 33 35 36 37 31 40 34 34 30 35 32 32 35 36 30
CP 2.2 1.9 1.5 2.1 3 2.8 2.5 3 3 2.7 2.9 2.7 2.8 2.1 1.9
A2
HSG 2 1 1 2 4 5 2 10 1 7 8 10 3 1 7
SHS 687 679 742 705 748 693 725 694 718 713 739 734 716 670 720
SGV 44 43 31 38 31 42 35 32 44 40 37 34 40 45 42
CP 2.3 2.7 3.4 2.1 2.6 2.9 2.7 2.6 2.3 1.6 2.8 2.8 2.1 3.4 3.5
A3
HSG 7 10 3 5 1 7 6 8 6 9 8 7 2 4 1
SHS 703 659 666 717 716 663 717 736 689 677 696 660 723 703 703
SGV 36 41 39 30 43 34 39 40 40 44 30 34 32 37 35
CP 2.1 2.9 2.2 2.2 2.4 2.9 3 2.4 2.5 3 3 3 2.4 2.4 2.9
A4
HSG 9 2 6 6 9 6 6 8 2 4 9 3 5 4 4
SHS 729 795 717 742 755 724 701 738 773 768 800 798 794 775 727
SGV 33 30 36 44 44 45 33 34 37 30 43 36 31 33 44
CP 2.3 2 1.9 1.7 2.3 2.5 1.9 2 2 3.4 2.4 1.6 2.9 2.9 3.1
A5
HSG 2 4 2 2 1 1 4 1 4 7 9 6 5 6 2
SHS 698 637 633 694 619 643 600 670 605 633 682 622 693 622 672
SGV 44 44 34 45 42 35 30 44 33 42 42 31 32 37 34
CP 3.1 2.3 3 2.5 3.2 1.7 1.9 2.7 3.4 2.3 2.3 1.5 3.5 1.7 2.8
A6
HSG 5 4 8 5 7 3 8 7 6 6 4 3 10 8 4
SHS 706 706 713 666 670 671 688 651 657 736 685 658 750 678 673
SGV 43 42 42 34 42 42 32 36 33 33 43 34 40 42 41
CP 2.1 3 1.5 2.9 2.3 2.3 2 3.4 3.3 2 2.2 2.9 1.5 1.5 2.3
A7
HSG 9 6 10 5 3 9 4 5 8 10 6 5 4 9 6
SHS 774 756 790 739 757 747 800 791 767 796 718 763 767 800 769
SGV 43 30 30 44 38 32 34 42 36 32 35 40 44 32 33
CP 2.6 1.8 2.8 1.5 1.7 1.5 2.9 2.7 2.8 2.3 2.2 1.7 3 3.3 3.4
A8
HSG 5 5 1 1 10 2 8 9 10 10 7 3 10 2 4
SHS 659 603 634 651 614 629 692 698 677 641 667 641 688 690 638
SGV 39 45 30 33 44 32 43 35 34 38 43 31 41 40 44
CP 2.7 2.1 2.3 1.8 3.1 3.3 3.5 2.8 2.8 2.5 2.5 1.8 2.5 2.8 2.4
A9
HSG 2 7 5 5 4 10 5 1 7 1 10 6 1 7 6
SHS 709 659 677 700 682 697 662 695 701 681 671 711 710 733 660
SGV 42 39 31 37 39 33 31 41 31 43 34 32 39 45 37
CP 3.4 2.2 2.5 2.7 3.2 2 1.7 1.7 2.2 3.2 1.5 2.2 2.9 2.5 2.4
A10
HSG 3 3 6 10 1 6 9 8 3 3 8 6 7 9 8
SHS 685 729 739 660 729 701 727 734 703 688 684 659 682 735 725
SGV 33 43 44 33 33 31 33 33 44 44 42 34 44 32 30
CP 3 3 2.2 2.3 3.3 2.4 3 3.1 2.2 3.1 2.6 1.6 3.2 2.5 3.2

• Grunfeld quan tâm đến việc tìm hiểu xem tổng đầu tư thực (Y) phụ thuộc như thế nào
vào giá trị thực của doanh nghiệp (X2) và trữ lượng vốn thực (X3). Cho dù nghiên cứu
ban đầu bao gồm một số công ty lớn trên thị trường Hoa Kỳ, để minh họa, chúng ta sẽ chỉ
tiến hành thu thập dữ liệu cho bốn công ty, General Electric (GE), General Motor (GM),
US Steel (US), và Westinghouse (WEST). Tổng hợp 80 quan sát, ta có thể xây dựng hàm
đầu tư của Grunfeld như sau:

05072024. Slide bài giảng kinh tế lượng tài chính.pptx

05072024. Slide bài giảng kinh tế lượng tài chính.pptx

Recommended

Recommended

More Related Content

Similar to 05072024. Slide bài giảng kinh tế lượng tài chính.pptx

Similar to 05072024. Slide bài giảng kinh tế lượng tài chính.pptx (20)

Recently uploaded

Recently uploaded (8)

05072024. Slide bài giảng kinh tế lượng tài chính.pptx

Editor's Notes