X y DỰNG mô HÌNH NGHIÊN cứu về GIÁ TRỊ XUẤT KHẨU cà PHÊ ở VIỆT NAM THEO ít NHẤT 4 NHÂN tố ẢNH HƯỞNG KIỂM TRA và KHẮC PHỤC các KHUYẾT tật của mô HÌNH (nếu có)

NỘI DUNG

Cơ sở lý thuyết

1 Lý thuyết về phân tích hồi quy

1.1 Mô hình hồi quy nhiều biến

Mô hình hồi quy tổng thể (PRF) Hàm hồi quy mẫu (SRF)

 Y i :là giá trị của biến phụ thuộc Y.

 β j :hệ số của biến giải thích ( j = ´ 2 , k ).

 Y ^ i : Ước lượng của Y ^ i hoặc E(Y/X ij ),( j = ´ 2 , k , i= 1 ´ , n ).

 ^ β j : Ước lượng của hệ số hồi quy tổng thể β j , (j = 1 ´ , k ).

 Các giả thiết cơ bản của mô hình hồi quy nhiều biến

 Các biến giải thích ^ X j ( j = ´ 2 , k ) không phải là biến ngẫu nhiên, giá trị của chúng là xác định.

 Kỳ vọng toán của các sai số ngẫu nhiên Uj bằng không

 Cov (Ui, Uj) = E (Ui,Uj) = { δ 0 2 , , ∀ ∀ i ≠ j i= j

 Hạng ma trận X bằng k: rg (X) = k

Giả thiết này có nghĩa giữa các biến Xj không có hiện tượng cộng tuyến hay các cột của ma trận X độc lập tuyến tính.

 Phương pháp bình phương nhỏ nhất Ŷ i = ^ β 1 + ^ β 2 X i + u ¿ i

Trong đó, ^ β 1 và ^ β 2 là các ước lượng không chệch của các hệ số hồi quy β1 và β2 và u ¿ i là hệ số không chệch của sai số ui.

 Các tính chất của ước lượng OLS

 Đường hồi quy đi qua điểm trung bình ( Y , X 2,…, X k), tức là

 Giá trị trung bình của các giá trị Y i được xác định theo hàm hồi quy mẫu bằng giá trị trung bình của biến phụ thuộc, tức là Y ^ = 1 n ∑ Ŷi = Y

 Tổng các phần dư của hàm hồi quy mẫu bằng 0: ∑ ei = 0

 Các phần dư ei không tương quan với Ŷi tức là ∑ eiŶi = 0

 Các phần dư ei không tương quan với Xji tức là ∑ eiXji = 0 (j = )

Với giả thiết của MHHQ tuyến tính cổ điển thì các ước lượng bình phương nhỏ nhất ^ β j là các ước lượng hiệu quả của βj ( với j = )

1.2 Ước lượng bằng phương pháp bình phương nhỏ nhất e i =

X ) là ma trận phụ hợp của ma trận ( X T X )

1.3 Khoảng tin cậy và kiểm định giả thiết các hệ số hồi quy

1.3.1 Khoảng tin cậy của các hệ số hồi quy

 ^ β j ~ N ( ^ β j , Var ( ^ β j )), với j = 1 ´ , k Do δ 2 chưa biết mà phải thay bằng ước lượng không chênh lệch δ ^ 2 nên

 Từ đó, khoảng tin cậy đối xứng của β j với mức ý nghĩa α là:

1.3.2 Kiểm định giả thuyết về các hệ số của hồi quy tổng thể

Bài toán: Với mức ý nghĩa α Kiểm định giả thuyết về β j theo một trong 3 bài toán sau:

Bài toán 1 Bài toán 2 Bài toán 3

 Chọn tiêu chuẩn kiểm định:

Bài toán 1 Bài toán 2 Bài toán 3

 Tính giá trị thực nghiệm: t = ^ β j − β j

 So sánh t với Wα ⇒ kết luận theo quy tắc kiểm định

P-value < α bác bỏ giả thuyết H 0 Ngược lại, nếu P-value > α thì ta không có cơ sở bác bỏ giả thuyết H 0

1.4 Kiểm định giả thiết đồng thời

1.4.1 Hệ số xác định bội

- Định nghĩa 1: Hệ số xác định bội được định nghĩa: R 2 = ESS TSS =1− RSS TSS

- Trong thực tế, ta có thể sử dụng: R 2 =

- Định nghĩa 2: Hệ số xác định bội đã điều chỉnh R 2 :R 2 = 1 – (1 – R 2 ) n n− −1 k

1.4.2 Kiểm định giả thuyết đồng thời

 Xét giả thuyết: { H 1 H =∃ít nhất một hệ số β 0 = β 2 = β 3 = = β k =0 j ≠ 0↔{ H H 0 1 : : R R 2 2 =0 > 0

 Miền bác bỏ: Wα = { f tn : f tn > f α ( k−1 ,n−k ) }

 Nếu f tn ∈ W α => Bác bỏ H0, chấp nhân H1

1.5 Phân tích hồi quy và dự báo

1.5.1 Dự báo giá trị trung bình

Với độ tin cậy γ cho trước, dự báo được giá trị trung bình của Y:

 Ước lượng điểm của E (Y / X0) là: Y ^ 0 = X 0 T ^ β=^ β 1 + ^ β 2 X 20 + + ^ β k X k 0

 Xây dựng thống kê: T = Y ^ 0 −E (Y / X ) se ( Y ^ 0) T

 Khoảng tin cậy của E (Y/X0) là: ( Y ^ 0 − t α 2

1.5.2 Dự báo giá trị cá biệt

Với độ tin cậy γ cho trước, ta cần dự báo giá trị cá biệt Y 0 của Y khi các biến độc lập X2, X3, …, Xk nhận các giá trị tương ứng là X20, X30,…, Xk0.

 Ước lượng điểm của Y0 là : Y ^ 0 = X 0 T ^ β=^ β 1 + ^ β 2 X 20 + + ^ β k X k 0

 Khoảng tin cậy của Y0 là:

2 Các khuyết tật mô hình

2.1 Phương sai sai số thay đổi a Bản chất

Hiện tượng phương sai sai số thay đổi xảy ra khi giả thiết: 𝑉𝑎𝑟 ( ) = σ 2 (∀𝑖) bị vi phạm b Nguyên nhân

- Do bản chất mối liên hệ giữa các biến kinh tế

- Do kỹ thuật thu nhập và xử lý dữ liệu

- Con người rút được kinh nghiệm từ các hành vi trong quá khứ

- Mô hình định dạng sai, bỏ sót biến thích hợp hoặc dạng giải tích của hàm là sai

- Có các quan sát ngoại lai (quan sát khác biệt rất nhiều với các quan sát khác trong mẫu) c Hậu quả

- Các ước lượng bình phương nhỏ nhất (OLS) vẫn là các ước lượng tuyến tính không

Kết quả của bài toán ước lượng và kiểm định giả thuyết về các hệ số hồi quy không còn đáng tin cậy, dẫn đến các khoảng tin cậy và kiểm định giả thuyết thông thường dựa trên phân phối T và F cũng không còn chính xác Do đó, việc áp dụng các kỹ thuật kiểm định giả thuyết thông thường có thể cho ra kết quả sai lệch.

Kết quả dự báo trở nên không còn hiệu quả khi áp dụng các ước lượng OLS mà có phương sai không phải là nhỏ nhất Điều này dẫn đến việc phát hiện hiện tượng phương sai sai số thay đổi, ảnh hưởng đến độ chính xác của các ước lượng.

- Phương pháp đồ thị phần dư:

+ Ước lượng mô hình hồi quy gốc thu được e i → e i 2

+ Vẽ đồ thị e i 2 theo chiều tăng của X ij nào đó

Nếu biến động của X ij dẫn đến sự thay đổi tương ứng của e i 2 theo các hình dạng b, c, d, e, thì mô hình sẽ có phương sai sai số không đồng nhất Ngược lại, nếu mô hình a cho thấy phương sai sai số là thuần nhất, điều này cho thấy sự ổn định trong các biến động.

Park đưa ra giả thiết: σ i 2 = σ 2 X i β 2 e v i

Vì thường σ i 2 chưa biết nên thay thế bởi ước lượng của nó là e i 2

 Bước 1: Ước lượng hồi quy gốc để thu được các phần dư e i

 Bước 2: Ước lượng hồi quy: 𝑙𝑛 e i 2

Nếu có nhiều biến giải thích thì ước lượng hồi quy này với từng biến giải thích hoặc với 𝑌̂ 𝑖

Bước 3: Kiểm định giả thiết { { H H 0 1 : : β β 2 2 =0 ≠ 0  { H 0 : PSSS không TĐ

Nếu H 0 bị bác bỏ thì kết luận có phương sai của sai số thay đổi

2 ) T (n−2) nếu H 0 đúng Dựa vào 𝑊𝛼 hoặc P – giá trị để kiểm định giả thiết:

+ Nếu P – giá trị < 𝛼 => Bác bỏ H 0 , chấp nhận H 1 và kết luận phương sai của sai số thay đổi

+ Nếu P – giá trị > 𝛼 => Bác bỏ H 1 , chấp nhận H 0 và kết luận không có phương sai của sai số thay đổi

+ Hồi quy mô hình gốc để thu đươc phần dư e i Hồi quy một trong các mô hình:  | e i | = β 1 + β 2 X ji + v i

+ Dựa vào W α hoặc P – giá trị để kiểm định giả thiết:

 Nếu P – giá trị < 𝛼 => Bác bỏ H 0 , chấp nhận H 1 và kết luận phương sai của sai số thay đổi

 Nếu P – giá trị > 𝛼 => Bác bỏ H 1 , chấp nhận H 0 và kết luận không có phương sai của sai số thay đổi

+Ước lượng mô hình gốc bằng phương pháp OLS được phần dư ei

+ Ước lượng mô hình phụ e i 2 = α 1 + α 2 X 2i + ⋯ + α k X ki + γ 1 X 2 2 i + ⋯ + γ ki X ki 2 + ∑𝑖→𝑗 λ j X i X j + 𝑣𝑖 bằng phương pháp OLS tìn được hệ số xác định bội R ¿ 2

+ BTKĐ : { H 0 : Phương sai sai số không đổi

H 1 : Phương sai sai số thay đổi  { H H 0 1 : : R R ¿ 2 ¿ =0

+ Với TCKĐ: χ = n R ¿ 2 ~ χ (2df ) nếu H0 đúng

+ Dựa vào W_α hoặc P – giá trị để kiểm định giả thiết: α hoặc P – giá trị để kiểm định giả thiết:

 Nếu P – giá trị < α => Bác bỏ H 0 , chấp nhận H 1 và kết luận phương sai của sai số thay đổi

 Nếu P – giá trị > α => Bác bỏ H 1 , chấp nhận H 0 và kết luận không có phương sai của sai số thay đổi

- Kiểm định dựa trên biến phụ thuộc:

+ Thay E(Yi) = Ŷi => σ i 2 = α 1 + α 2 (Ŷ ) i 2 + U i thu được R ¿ 2

+ BTKĐ : { H H 0 1 : : α α 2 2 = ≠ 0 0  { H 0 : Phương sai sai số đồng đều

H 1 : Phương sai sai số thay đổi

+ Dựa vào W_α hoặc P – giá trị để kiểm định giả thiết: α hoặc P – giá trị để kiểm định giả thiết:

 Nếu P – giá trị < α => Bác bỏ H 0 , chấp nhận H 1 và kết luận phương sai của sai số thay đổi

 Nếu P – giá trị > α => Bác bỏ H 1 , chấp nhận H 0 và kết luận không có phương sai của sai số thay đổi. e Khắc phục hiện tượng

- TH1: Khi σ i 2 đã biết + Xét MH ban đầu: 𝑌𝑖 = β 1 + β 2 X i + U i (1) với 𝑉𝑎𝑟 ( U i ) = σ i 2 đã xác định + Chia cả 2 vế mô hình (1) cho σ 2 ta có:

+ Mô hình (2) có phương sai số không đổi: 𝑉𝑎𝑟 ( U σ i i

+ Vậy (2) không có hiện tượng phương sai sai số thay đổi:

+ Chia các vế của (1) cho σ i 2 :

Var( U i ¿ ¿ =1 Vậy mô hình không còn hiện tượng phương sai sai số thay đổi

GLS là phương pháp tối ưu hóa hồi quy bình phương nhỏ nhất (OLS) trong các mô hình khi điều chỉnh biến thể để đảm bảo các giả thuyết được thỏa mãn WLS, hay hồi quy bình phương nhỏ nhất có trọng số, là một kỹ thuật đặc biệt thuộc GLS.

Mô hình có hiện tượng PSSS ngẫu nhiên thay đổi và giá trị của nó chưa biết: 𝑉𝑎𝑟 ( U i )

+ Giả thiết 1: PSSS ngẫu nhiên tỷ lệ với biến giải thích:

Chia cả 2 vế của mô hình (1) cho √ X i ta có:

Mô hình (3) có phương sai sai số ngẫu nhiên không đổi:

) = X 1 i Var ( U i ) = σ 2 Ước lượng mô hình (3) bằng phương pháp WLS với trọng số w i = X 1 i thu được các ước lượng BLUE.

+ Giả thiết 2: PSSS ngẫu nhiên tỷ lệ với bình phương của biến giải thích:

Chia cả 2 vế của mô hình (1) cho X i ta có:

Mô hình (4) có PSSS ngẫu nhiên không đổi:

2 Var ( U i ) = σ 2 Ước lượng mô hình (4) bằng phương pháp WLS với trọng số w i = X 1 i

2 thu được các ước lượng tuyến tính, không chệch tốt nhất (BLUE).

+ Giả thiết 3: PSSS ngẫu nhiên tỷ lệ với bình phương kỳ vọng có điều kiện phụ thuộc:

= σ 2 𝐸 (𝑌/𝑋 = 𝑋𝑖 ) Hồi quy mô hình gốc thu được Y i

+ Giả thuyết 4: Dạng hàm sai: Thay đổi sang dạng hàm khác

2.2.1 Bản chất của hiện tượng tự tương quan

Tự tương quan là gì?

Sự tương quan giữa các thành phần trong chuỗi quan sát được sắp xếp theo thứ tự thời gian (dữ liệu chuỗi thời gian) hoặc không gian (dữ liệu chéo) là rất quan trọng trong phân tích dữ liệu.

- Hiện tượng tự tương quan xảy ra khi giả thiết: Cov( U i , U j ) = 𝐸( U i , U j ) = 0 (∀𝑖 ≠ 𝑗) bị vi phạm

- Tự tương quan bậc nhất: U t = 𝜌 U t −1 + ε t (6.1)

Trong đó: p: hệ số tự tương quan bậc 1 (hay hệ số tự hồi quy bậc 1) ε t : nhiễu ngẫu nhiên thỏa mãn mọi giả thiết của MHHQTT cổ điển

U t tuân theo lược đồ tự hồi quy bậc 1, kí hiệu AR

- Tự tương quan bậc p: U t = ρ 1 U t−1 + ρ 2 U t−2 +…+ ρ p U t −p + ε t (6.2) AR(p)

- ρ j : hệ số tự hồi quy bậc j (j = 1 ´ , p ) ε t : nhiễu ngẫu nhiên thỏa mãn mọi giả thiết của MHHQTT cổ điển

U t tuân theo lược đồ tự hồi quy bậc p, kí hiệu AR(p)

2.2.2 Nguyên nhân và hậu quả

Quán tính là đặc điểm nổi bật của nhiều chuỗi thời gian trong kinh tế, như tổng sản phẩm, chỉ số giá và tỷ lệ thất nghiệp, cho thấy tính chu kỳ của chúng Ví dụ, trong giai đoạn đầu của sự phục hồi kinh tế, tổng sản phẩm có xu hướng tăng, dẫn đến giá trị của chuỗi thời gian sau thường cao hơn so với trước đó Khi hồi quy chuỗi thời gian, các quan sát tiếp theo có khả năng phụ thuộc lẫn nhau, phản ánh sự liên kết trong các biến số kinh tế.

Hiện tượng "mạng nhện" trong nông sản xảy ra khi lượng cung phản ứng chậm với sự biến động giá, do thời gian cần thiết để thực hiện các quyết định cung Thời gian này được gọi là thời kỳ hình thành, trong đó người sản xuất phải cân nhắc và điều chỉnh lượng hàng hóa phù hợp với giá thị trường.

Trong phân tích chuỗi thời gian, hiện tượng biến phụ thuộc xảy ra khi giá trị của biến tại thời kỳ t phụ thuộc vào giá trị của chính nó ở thời kỳ t -1 và các biến khác Ví dụ, khi nghiên cứu mối quan hệ giữa tiêu dùng và thu nhập, tiêu dùng hiện tại không chỉ phụ thuộc vào thu nhập mà còn bị ảnh hưởng bởi tiêu dùng ở thời kỳ trước đó.

Trong phân tích thực nghiệm, việc xử lý số liệu thô là rất quan trọng Ví dụ, trong hồi quy chuỗi thời gian với số liệu quý, các số liệu này thường được tính bằng cách lấy trung bình của ba quan sát tháng để làm giảm sự giao động Tuy nhiên, việc này có thể dẫn đến sai số hệ thống do sự làm mịn số liệu Một phương pháp khác là nội suy và ngoại suy số liệu, chẳng hạn như khi cần số liệu giữa hai cuộc điều tra dân số diễn ra 10 năm một lần Kỹ thuật nội suy thường được sử dụng nhưng có thể tạo ra sai số hệ thống mà không dễ dàng nhận thấy trong số liệu gốc.

Sai lệch do lập mô hình là một nguyên nhân quan trọng, thường xuất phát từ việc thiếu sót trong quá trình xây dựng mô hình Những sai lầm này có thể bao gồm việc không đưa đủ biến vào mô hình hoặc sử dụng dạng hàm không chính xác, dẫn đến kết quả không đáng tin cậy.

- Các ước lượng BPNN là các ước lượng tuyến tính, không chệch nhưng βĵ̂ không còn là ước lượng hiệu quả của β j

Phương sai ước lượng từ các bình phương nhỏ nhất thường có xu hướng lệch và thường thấp hơn giá trị thực của phương sai Điều này dẫn đến việc giá trị của thống kê T bị phóng đại lên nhiều lần.

- Các kiểm định t và F nói chung không đáng tin cậy

- R 2 có thể là độ đo không đáng tin cậy cho R 2 thực

- Các phương sai và sai số tiêu chuẩn của dự đoán đã tính được cũng có thể không hiệu quả

Như vậy, các hậu quả trên làm cho khoảng tin cậy và kết quả kiểm định không còn ý nghĩa

2.2.3 Phát hiện hiện tượng tự tương quan a Kiểm đinh d (Durbin-Waston)

Kiểm định Durbin-Watson là một phương pháp quan trọng và hiệu quả trong việc phát hiện hiện tượng tự tương quan trong mô hình hồi quy Phép kiểm định này giúp xác định mức độ tự tương quan của sai số trong mô hình, từ đó cải thiện độ chính xác của các dự đoán và phân tích hồi quy.

Nếu các sai số có hiện tượng tự tương quan bậc 1, mối quan hệ giữa chúng có thể được biểu diễn qua phương trình hồi quy: \( u_t = p u_{t-1} + \varepsilon_t \), với điều kiện \(-1 < p < 1\).

Khi ấy việc kiểm định tính tự tương quan bậc 1 của sai số trong mô hình (*) có thể tiến hành qua thống kê Durbin-Waston: d = ∑ t =2 n

Với ước lượng p là ^p, ta có điều kiện |^p| ≤ 1, dẫn đến 0 ≤ p ≤ 4 Khi d gần bằng 2, ta có d = 0, cho thấy rằng giá trị thống kê d ≈ 2 cho phép kết luận rằng trong mô hình không tồn tại sự tương quan bậc một giữa các sai số Từ đó, ta có thể thiết lập giả thuyết H0: p = 0, với giả thuyết đối H1: p > 0 hoặc H1: p < 0 Dựa trên lý thuyết này, chúng ta có thể tiến hành các bước kiểm định tiếp theo.

B1: Ước lượng mô hình OLS và tính phần dư u ^ t

Để tính giá trị thống kê Durbin-Watson (1), cần tra cứu bảng giá trị giới hạn của Durbin-Watson nhằm xác định các giá trị giới hạn trên dU và giá trị tới hạn dưới dL của thống kê này.

B3a: Xét bài toán kiểm định (tương quan chuỗi dương) { Ho H 1 : : p=0 p>0

Khi đó: + Nếu d ≤ d L thì bác bỏ giả thuyết H0

+ Nếu d ≥ d U chấp nhận giả thuyết H0

+ Nếu d L ≤ d ≤ d U thì chưa kết luận gì

B3b: Xét bài toán kiểm định (tương quan chuỗi âm) { Ho H 1 : : p=0 p { H H o 1 : : R R ¿ 2 ¿ =0

Tiêu chuẩn kiểm định: χ 2=n R ¿ 2 Nếu Ho đúng thì χ χ 2(4 )

Kết luận: Mô hình không có phương sai sai số thay đổi

Theo bảng kết quả Eview chạy được ta có:

Bài toán kiểm định: { H o : phương sai sai số không đổi

H 1 : phương sai sai số thay đổi ¿> { H H o 1 : : R R ¿ 2 ¿ 2 =0 ≠ 0

Tiêu chuẩn kiểm định: X 2 =n R ¿ 2 Nếu Ho đúng thì χ χ 2(14)

Kết luận: Mô hình không có phương sai sai số thay đổi d, Kiểm định Glejer

Theo kết quả eview chạy được ta có:

H 1 : phương sai sai số thay đổi

Kết luận: Mô hình không có phương sai sai số thay đổi e, Kiểm định dựa trên biến phụ thuộc

Theo bảng kết quả Eview chạy được ta có: Ước lượng hồi quy: log( u i 2 )=−10.01977−0.333622 log(GTF ¿ ¿ i 2 )¿

{ H 0 : phương sai sai số không đổi

H 1 : phương sai sai số thay đổi

Tiêu chuẩn kiểm định: F = ( Se α ^ ( α 2 ^ 2 ) ) 2 Nếu H o đúng thì F F (1,n−2)

3.3.2 Tự tương quan a Kiểm định Breusch_Godfrey

+ Tự tương quan bậc 1 thu được R ¿ 2 = 0.218041

Kết luận: Vậy với mức ý nghĩa 5%, mô hình xảy ra hiện tượng tự tương quan bậc

Kết luận: Vậy với mức ý nghĩa 5%, mô hình không xảy ra hiện tượng tự tương quan bậc 2 b Kiểm định Durbin Watson

{ H 0 : Mô hìnhkhông có tự tương quan

H 1 : Mô hình có tự tươngquan

( e t ) 2 với n, k’= k-1=5-1=4 số biến giải thích ta tìm được dL=0.859, du = 1.848

Kết luận: Không có kết luận

3.3.3 Đa cộng tuyến a R 2 cao t thấp

Từ bảng kết quả ta thu được R ¿ 2 =0.965418

Kết luận : không có đa cộng tuyến b Hệ số tương quan cặp cao

Kết luận: Mô hình có đa cộng tuyến c Hồi quy phụ biến log(GDP) theo CPI, DT, KL

H0: mô hình có không có đa cộng tuyến

H1 : mô hình có đa cộng tuyến

Kết luận : Mô hình có đa cộng tuyến d Hồi quy phụ biến CPI theo log(GDP), DT, KL

BTKĐ: H0: mô hình có không có đa cộng tuyến

Kết luận : Mô hình có đa cộng tuyến f Hồi quy phụ biến DT theo log(GDP), CPI, KL

BTKĐ: H0: mô hình có không có đa cộng tuyến

Kết luận : Mô hình có đa cộng tuyến

3.3.4 Tính chuẩn của sai số ngẫu nhiên Ui

Ta có bài toán kiểm định: { H 0 :Ui có phân phối chuẩn

H 1 : Ui không có phân phôi chuẩn

Theo kết quả bảng eview ta có:

 Vậy với mức ý nghĩa 5% thì Ui có phân phối chuẩn

3.3.5 Khắc phục khuyết tật của mô hình

Khắc phục đa cộng tuyến

Sử dụng sai phân cấp 1

Dữ liệu chuỗi thời gian cho thấy mối quan hệ giữa biến log(GT) và các biến phụ thuộc log(GDP), CPI, DT, KL thông qua mô hình phân tích.

Log(GT) t = β 1 + β 2 log(GDP) 1t + β 3 CPI 2t + β 4 DT 4t + β 5 KL 5t + U t

Trong đó t là thời gian

Phương trình trên đúng với t thì cũng đúng với t -1, nên là lấy trễ một kì ta có:

Log(GT) t-1 = β 1 + β 2 log(GDP) 1t-1 + β 3 CPI 2t-1 + β 4 DT 4t-1 + β 5 KL 5t-1 + U t (2)

Log(GT) t – Log(GT) t-1 = β 2 (log(GDP) 1t - log(GDP) 1t-1 ) + β 3 (CPI 2t – CPI 2t-1 ) + β 4 (DT 4t – DT 4t-1 ) + β 5 (KL 5t – KL 5t-1 ) + U t – U t-1

Với: D(log(GT)) = Log(GT) t – Log(GT) t-1

D(log(GDP)) = log(GDP) 1t - log(GDP) 1t-1

=> D(Log(GT)) = β 2 D(Log(GDP)) + β 3 D(CPI) + β 4 D(DT)+ β 5 D(KL)

Thực hiện mô hình hồi quy với mã lệnh: ls d(log(GT)) d(log(GDP)) d(CPI) d(DT) d(KL) trong eviews thu được kết quả:

 D(Log(GT)) = 1.181634D(Log(GDP)) + 0.014078D(CPI) -0.00288D(DT)+ 0.000603D(KL) a Khi đó ma trận tương quan giữa các biến là:

=> Không còn hiện tượng đa cộng tuyến trong mô hình b Hồi quy phụ D(log(GDP)) theo D(CPI) và D(DT), D(KL

H0: mô hình có đa cộng tuyến

H1 : mô hình không có đa cộng tuyến

Kết luận : Mô hình không có đa cộng tuyến c Hồi quy phụ D(KL) theo D(CPI) và D(DT), D(Log(GD

Kết luận : Mô hình không có đa cộng tuyến d Hồi quy phụ D(CPI) theo D(DT) và D(KL), DT(log(GDP))

Kết luận : Mô hình không có đa cộng tuyến e Hồi quy phụ D(DT) theo D(CPI) và D(KL), D(log(GDP))

H1: mô hình không có đa cộng tuyến

Kết luận : Mô hình không có đa cộng tuyến

 Kết luận: Khắc phục thành công hiện tượng đa cộng tuyến

4 Kiểm tra lại mô hình sau khi đã khắc phục

4.1 Phương sai sai số thay đổi a Đồ thị

Theo đồ thị các điểm không tập trung tại một khu và phân phối không theo quy luật nên không thể hiện được mức độ phụ thuộc.

Kết luận: Chưa thể kết luận rằng phương sai sai số thay đổi b, Kiểm định Park

Theo bảng kết quả Eview chạy được ta có: Ước lượng hồi quy: ln ^ (u 2 ) = 4.24469-1.217754ln( GTF ^ i )

H 1 : phương sai sai số thay đổi ≤¿ { H H o 1 : : α α 2 2 =0 ≠ 0

TCKĐ: T = ( Se α ^ 2 − ( α ^ 0 2)) 2 Nếu H 0 đúng thì T~ T n−2

Kết luận: Mô hình không có phương sai sai số thay đổi c, Kiểm định White

Tiêu chuẩn kiểm định: χ 2=n R ¿ 2 Nếu Ho đúng thì χ χ 2(4 )

Tiêu chuẩn kiểm định: X 2 =n R ¿ 2 Nếu Ho đúng thì χ χ 2(14)

Kết luận: Mô hình không có phương sai sai số thay đổi d, Kiểm định Glejer

Theo kết quả eview chạy được ta có:

H 1 : phương sai sai số thay đổi ≤¿ { H H o 1 : : R R ¿ 2 ¿ 2 = ≠ 0 0

Kết luận: Mô hình không có phương sai sai số thay đổi e, Kiểm định dựa trên biến phụ thuộc

Theo bảng kết quả Eview chạy được ta có: Ước lượng hồi quy: log( u i 2 )=4.24469−0.608877 log (GTF ¿¿ i 2 ) ¿

{ H 0 : phương sai sai số không đổi

H 1 : phương sai sai số thay đổi ¿> { H H o 1 : : R R ¿ 2 ¿ =0

Tiêu chuẩn kiểm định: F = ( Se α ^ ( α 2 ^ 2)) 2 Nếu H o đúng thì F F (1,n−2)

+ Tự tương quan bậc 1 thu được R ¿ 2 = -0.005724

Kết luận: Vậy với mức ý nghĩa 5%, mô hình không xảy ra hiện tượng tự tương quan bậc 1

Kết luận: Vậy với mức ý nghĩa 5%, mô hình không xảy ra hiện tượng tự tương quan bậc 2

4.3 Tính chuẩn của sai số ngẫu nhiên Ui

Ta có bài toán kiểm định: { H 0 :Ui có phân phối chuẩn

H 1 : Ui không có phân phôi chuẩn

Theo kết quả bảng eview ta có:

Vậy với mức ý nghĩa 5% thì Ui có phân phối chuẩn

5 Công bố mô hình, ý nghĩa hệ số và ứng dụng của mô hình hồi quy

Mô hình hồi quy mẫu ban đầu: log ¿ i )= 3.067765 + 1.265701 Log(GDPi )+ 0.021361 CPIi-0.004771DTi + 0.000783KLi

Sau khi xây dựng mô hình nghiên cứu giá trị xuất khẩu cà phê của Việt Nam, nhóm đã tiến hành kiểm tra các biến và khuyết tật của mô hình bằng phần mềm Eviews, và đã thu được những kết quả đáng chú ý.

 Mô hình không có phương sai sai số thay đổi.

 Mô hình có hiện tượng tự tương quan bậc 1

 Mô hình có đa cộng tuyến.

 Mô hình có sai số ngẫu nhiên tuân theo quy luật phân phối chuẩn.

Sau khi kiểm định các khuyết tật và khắc phục hiện tượng đa cộng tuyến, nhóm đã đưa ra kết luận về mô hình hàm hồi quy cuối cùng.

 D(Log(GT)) = 1.181634D(Log(GDP)) + 0.014078D(CPI) -0.00288D(DT)+ 0.000603D(KL)

D(log(GT)) = Log(GT) t – Log(GT) t-1

D(log(GDP)) = log(GDP) 1t - log(GDP) 1t-1

5.2 Ý nghĩa hệ số mô hình hồi quy

^ β 2 = 1.181634 có nghĩa: khi các yếu tố khác không đổi, tổng sản lượng quốc gia tăng lên 1% thì giá trị xuất khẩu cà phê trung bình tăng 1.181634%.

^ β 3 =0.014078 có nghĩa: khi các yếu tố khác không đổi, tỉ số giá tiêu dùng tăng lên 1

% thì giá trị xuất khẩu cà phê trung bình tăng 1,4078%.

^ β 4 =-0.00288 có nghĩa: khi các yếu tố khác không đổi, diện tích gieo trồng tăng lên

1 nghìn ha thì giá trị xuất khẩu cà phê trung bình giảm 0.288%.

^ β 5 =0.000603 có nghĩa: khi các yếu tố khác không đổi, khối lượng xuất khẩu tăng lên 1 nghìn tấn thì giá trị xuất khẩu cà phê trung bình tăng 0,0603%.

5.3 Ứng dụng mô hình hồi quy

Mô hình nghiên cứu giá trị xuất khẩu cà phê Việt Nam cung cấp cái nhìn sâu sắc về các yếu tố ảnh hưởng đến giá trị xuất khẩu, bao gồm khối lượng xuất khẩu, tổng sản phẩm quốc nội, tỷ lệ tăng của chỉ số giá tiêu dùng và diện tích gieo trồng Các doanh nghiệp có thể sử dụng thông tin này để áp dụng vào chiến lược kinh doanh của mình, nhằm tối ưu hóa giá trị xuất khẩu cà phê.

Tiêu đề	Xây Dựng Mô Hình Nghiên Cứu Về Giá Trị Xuất Khẩu Cà Phê Ở Việt Nam Theo Ít Nhất 4 Nhân Tố Ảnh Hưởng Kiểm Tra Và Khắc Phục Các Khuyết Tật Của Mô Hình (Nếu Có)
Người hướng dẫn	Mai Hải An
Trường học	Trường Đại Học Thương Mại
Chuyên ngành	Marketing
Thể loại	Bài Thảo Luận
Năm xuất bản	2022
Thành phố	Hà Nội

Định dạng
Số trang	73
Dung lượng	1,11 MB