Xây dựng mô hình nghiên cứu về mức chi tiêu của các bạn sinh viên đại học thương mại

Mô hình hồi quy ban đầu 2.2.2. Kiểm tra khuyết tật của mô hình2.2.3. Chọn ĐCT để khắc phục và đưa ra mô hình mới 2.2.4. Kiểm tra mô hình mới 2.2.5.Khắc phục tự tương quan2.2.6. Kiểm tra khuyết tật của mô hình cuối cùng2.2.7. Ý nghĩa hệ số hồi quy mô hình cuối cùng Đề xuất giải pháp về vấn đề chi tiêu của sinh viên Đại học Thương Mại

Nội dung

Cơ sở lý thuyết

Kinh tế lượng là một lĩnh vực nghiên cứu kết hợp giữa kinh tế học, thống kê học và toán học, nhằm xây dựng các mô hình toán học để mô tả mối quan hệ giữa các biến kinh tế.

• Mô hình hồi quy tổng thể

Biến phụ thuộc Y được coi là ngẫu nhiên với quy luật xác định, trong khi các biến X j là phi ngẫu nhiên với giá trị xác định Do đó, hàm hồi quy tổng thể PRF có dạng tổng quát.

Nếu hàm hồi quy chỉ có một biến giải thích, nó được gọi là hàm hồi quy đơn Ngược lại, khi hàm hồi quy có nhiều hơn một biến giải thích, nó được gọi là hàm hồi quy đa biến.

+ Hàm (1) được gọi là tuyến tính nếu nếu nó tuyến tính đối với tham số, đối với các biến tùy ý

• Mô hình hồi quy mẫu

Mô hình hồi quy mẫu(hàm hồi quy mẫu – SRF) có thể được biểu diễn như sau:

Y = f X (2) Trong đó: Y i là ước lượng của E Y ( / X ji ) f là ước lượng của f

• Mô hình các nhân tố ảnh hưởng đến mức chi tiêu của SV ĐHTM:

2.1.2 Bảng ma trận tương quan

Bảng 1: Mô tả các biến

STT Các biến quan sát

Mã hóa biến quan sát

Mô tả, cách đo Gán giá trị

Mức chi tiêu trung bình một tháng của sinh viên ĐHTM đo bằng VNĐ (đơn vị: triệu đồng)

2 Hỗ trợ từ gia đình HT

Số tiền gia đình hỗ trợ hàng tháng đo bằng VNĐ (đơnvị: triệu đồng)

3 Thu nhập làm thêm TNLT

Thu nhập làm thêm của sinh viên ĐHTM đo bằngVNĐ (đơn vị: triệu đồng) -

Giới tính của sinh viên

5 Nơi ở HOME Nơi ở Nếu sống 0

Hỗ trợ từ gia đình

Mức chi tiêu của sinh viên ĐHTM

6 hiện tại của sinh viên khi theo học đại học cùng gia đình, người thân; không phải trả tiền thuê trọ Sinh viên đang thuê trọ 1

Mối quan hệ về mặt tình cảm của sinh viên Đang có người yêu 1

Bảng 2: Ma trận hệ số tương quan

Probability MCT HT TNLT GT HOME MQH

Nhận xét: Nhìn vào bảng ma trận hệ số tương quan giữa biến phụ thuộc (MCT) và các biến (HT, HOME, TNLT, GT, MQH) ta có thể thấy được:

Hệ số tương quan giữa mức chi tiêu trung bình một tháng của sinh viên và hỗ trợ từ gia đình là 0.563814, với P-value = 0.0000, cho thấy hai biến này có mối tương quan thuận và có ý nghĩa thống kê.

 Biến độc lập HT được chọn để đưa vào mô hình hồi quy

Hệ số tương quan giữa mức chi tiêu trung bình hàng tháng của sinh viên và thu nhập từ công việc làm thêm là 0.262687, với P-value = 0.0426, cho thấy có mối tương quan thuận giữa hai biến này.

 Biến độc lập TNLT được chọn để đưa vào mô hình hồi quy

Hệ số tương quan giữa mức chi tiêu trung bình 1 tháng của sinh viên (MCT) và giới tính của sinh viên (GT) là -0.124948, với P-value là 0.3415, cho thấy không có mối tương quan đáng kể giữa hai biến này.

 Biến độc lập GT bị loại và không được đưa vào mô hình hồi quy

Hệ số tương quan giữa mức chi tiêu trung bình 1 tháng của sinh viên và nơi ở hiện tại của sinh viên theo học đại học là 0.377648 với P-value=0.0029, cho thấy có mối tương quan thuận giữa hai biến này.

 Biến HOME được chọn để đưa vào mô hình hồi quy

Hệ số tương quan giữa mức chi tiêu của sinh viên (MCT) và mối quan hệ tình cảm (MQH) là 0.012041 với P-value = 0.9272, cho thấy không có mối tương quan đáng kể giữa hai biến này.

 Biến độc lập MQH bị loại và không được đưa vào mô hình hồi quy

Sau khi loại các biến độc lập không phù hợp ta có bảng ma trận trận tương quan sau:

Probability MCT HT TNLT HOME

=> Như vậy, Mô hình nghiên cứu về mức chi tiêu của các bạn sinh viên ĐHTM được xây dựng từ 3 nhân tố: HT, TNLT, HOME

2.1.3 Các khuyết tật a Đa cộng tuyến

Giả thiết của LS: các biến giải thích không có quan hệ cộng tuyến (mô hình có k ≥

- Nếu giả thiết bị vi phạm → mô hình có hiện tượng đa cộng tuyến (Multicollinerity)

• Có 2 loại đa cộng tuyến

• Nguyên nhân và hậu quả

- ĐCT hoàn hảo thường do lập mô hình sai: ít khi xảy ra → không giải được nghiệm

ĐCT không hoàn hảo thường xuất hiện do bản chất kinh tế - xã hội của mối quan hệ và quy trình thu thập, xử lý số liệu Mặc dù ĐCT không hoàn hảo vẫn cho phép giải nghiệm và tìm ra các giá trị duy nhất, nhưng kết quả thu được thường không đạt chất lượng tốt và có sai số lớn trong các ước lượng.

+ Các ước lượng LS không còn là ước lượng tốt nhất

+ Khoảng tin cậy của các hệ số rộng hơn

+ Kiểm định T không đáng tin cậy, có thể cho nhận định sai lầm

Trong trường hợp ĐCT nặng, các kiểm định T và F có thể dẫn đến những kết luận mâu thuẫn, đồng thời các hệ số ước lượng có thể không phù hợp với lý thuyết kinh tế.

- ĐCT không hoàn hảo là hiện tượng gặp với hầu hết các mô hình, nếu gây hậu quả nghiêm trọng thì cần phải khắc phục

+ Hệ số xác định bội R 2 cao, tỷ số t thấp

Hiện tượng đa cộng tuyến xảy ra khi:

Nếu R cao 2 và tất cả các giá trị của t tn thấp thì có cơ sở để khẳng định là mô hình xảy ra đa cộng tuyến

+ Hệ số tương quan cặp giữa các biến giải thích cao Đặt x jt = X jt - X j

Hệ số tương quan giữa cặp giữa X vs X j s

1, n jt st t js n n jt st t t x x r vs t n x x

= ồ ồ ồ js 0.8 r ³ thì có cơ sở để khẳng định mô hình có ĐCT

+ Phương pháp xét hồi quy phụ

Bước 1: Chọn một biến X j để hồi quy theo các biến còn lại

Bước 2:BTKĐ { H 0 : Mô hình không có ĐCT

+ Nhân tử phóng đại phương sai (VIF)

- là hệ số xác định bội trong mô hình hồi quy phụ

Nếu VIF >10 thì có xảy ra đa cộng tuyến

• Cách khắc phục khuyết tật

- Bỏ bớt biến độc lập gây đa cộng tuyến

- Lấy thêm quan sát hoặc thu thập mẫu mới

- Thay đổi dạng mô hình

- Sử dụng thông tin tiên nghiệm biến đổi mô hình b Phương sai sai số thay đổi

- Phương sai các yếu tố ngẫu nhiên là đồng nhất, Var( Ui) = σ ( ∀i ) không đổi → giả thiết của LS

- Nếu giả thiết được thỏa mãn → Phương sai của sai số đồng đều (không đổi - homoscocedasticity)

- Khi giả thiết không thỏa mãn: ∃i ≠ j mà Var( Ui) ≠ Var(Uj) → Phương sai của sai số thay đổi (heterscocedasticity) Kí hiệu Var(Ui) = σ 2

- Bản chất KTXH của mối quan hệ: sự dao động của biến phụ thuộc trong những điều kiện khác nhau không giống nhau

Quá trình thu thập số liệu không chính xác có thể dẫn đến việc số liệu không phản ánh đúng bản chất của hiện tượng, do ảnh hưởng của việc xử lý và làm trơn số liệu Mặc dù các ước lượng có thể không bị chệch, nhưng chúng không hiệu quả và không đạt được chất lượng tốt nhất Hơn nữa, các kiểm định T và F có thể cho kết quả sai lệch.

Bước 1: Ước lượng mô hình hồi quy gốc thu được e i ® e i 2

Bước 2: Vẽ đồ thị của e i 2 theo chiều tăng của X j nào đó

Bước 3: Khi X j tăng mà e i 2 biến động tăng hoặc giảm thì có nghi ngờ về psss thay đổi

Bước 1: Sắp xếp các giá trị quan sát theo chiều tăng của biến X j nào đó

Bước 2: Bỏ c quan sát ở giữa theo quy tắc

Các quan sát còn lại chia 2 nhóm, mỗi nhóm có (n-c)/2 quan sát

Bước 3: Ước lượng mô hình với (n-c)/2 quan sát đầu và cuối thu được RSS1 và

RSS2 với bậc tự do là 2

BTKĐ: {H 0 : Mô hình không có phương sai sai số thay đổi

H 1 : Mô hình có phương sai sai số thay đổi TCKĐ: 𝐹 𝑅𝑆𝑆 2

Nếu Ho đúng thì F : F ( df df 2 , 1 )

Bước 1: Ước lượng hồi quy để thu được các phần dư ei

Bước 2: Ước lượng hồi quy ln 𝑒 𝑖 2 = 𝛼 1 + 𝛼 2 ln Xij + vi

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

𝐻 1 : 𝛼 2 ≠ 0 Û {H 0 : Mô hình không có phương sai sai số thay đổi

H 1 : Mô hình có phương sai sai số thay đổi

. i ji i i ji i i i ji i ji i i ji i i ji i e X v v

𝐻 1 : 𝛼 2 ≠ 0 Û {H 0 : Mô hình không có phương sai sai số thay đổi

H 1 : Mô hình có phương sai sai số thay đổi

Bước 1: Ước lượng mô hình hồi quy gốc thu được các phần dư ei

Bước 2: Ước lượng mô hình :

Bước 3: {H 0 : Mô hình không có phương sai sai số thay đổi

H 1 : Mô hình có phương sai sai số thay đổi TCKĐ: χ 2 = n 𝑅 ∗ 2 ~χ 2 (df)

+ Kiểm định dựa trên biến phụ thuộc

Bước 1: Ước lượng mô hình gốc thu được e i →e Y YF i 2 ; i ( )

Bước 2: Ước lượng e i 2 =   1 + 2 ( ) Y i 2 + V thu được R  2

Bước 3: BTKĐ: {H 0 : Mô hình không có phương sai sai số thay đổi

H 1 : Mô hình có phương sai sai số thay đổi TCKĐ: χ 2 = n 𝑅 ∗ 2

- Sử dụng phương pháp bình phương nhỏ nhất tổng quát GLS

- Nếu biết, σi 2 chia hai vế mô hình cho σi

- Nếu chưa biết, dựa trên giả thiết về sự thay đổi của mà có cách khắc phục tương ứng c Tự tương quan

Hiện tượng thường gặp với số liệu theo thời gian nên sử dụng chỉ số t thay cho chỉ số

MH ban đầu : Yt = β1 + β2X2t + β3X3t + + βkXkt + Ut

Giả thiết của phương pháp LS: các sai số ngẫu nhiên không tương quan với nhau

Cov(ui ,uj ) = 0 (∀ i ≠ j) hoặc Cov( ut, ut-p) = 0 (p≠0)

Nếu giả thiết bị vi phạm mô hình có khuyết tật tự tương quan bậc p (Autocorrelation Order p)

Xét trường hợp p=1 →tự tương quan bậc 1

Ut = ρUt-1 + εt (-1≤ ρ ≤1) ε thỏa mãn các giả thiết của phương pháp LS ρ được gọi là hệ số tự tương quan bậc 1

+ TH1: −1 ≤ ρ < 0 : mô hình có tự tương quan âm

+ TH2: 0 < ρ ≤ 1: mô hình có tự tương quan dương

+ TH3: ρ = 0: mô hình không có tự tương quan

Tổng quát: Tự tương quan bậc p:

Ut = ρ1Ut-1 + ρ2Ut-2 + +ρpUt-p + εt với ρp ≠ 0

- Do bản chất của mối quan hệ

- Tính quán tính trong các chuỗi số liệu

- Quá trình xử lý, nội suy, ngoại suy số liệu

- Mô hình thiếu biến hoặc dạng hàm sai

→ Các ước lượng LS là ước lượng không chệch nhưng không phải ước lượng hiệu quả không phải ước lượng tốt nhất

Bước 1: Hồi quy mô hình gốc thu được e t :

Bước 2: BTKĐ : { H 0 : Mô hình không có tự tương quan

H 1 : Mô hình có tự tương quan TCKĐ:

Với n, k’=k-1 xác định được dU, dL và biểu diễn trên trục số

Bước 3: Xác định khoảng chứa d, và kết luận theo quy tắc kiểm định

+ d 𝜖 (1) : Có tự tương quan dương

+ d 𝜖 (2) hoặc (4) : Không có kết luận về tự tương quan

+ d 𝜖 (3) : Không có tự tương quan

+ d 𝜖 (5): Có tự tương quan âm

Bước 1: Ước lượng mô hình ban đầu bằng PPBPNN thông thường

Bước 2: Cũng bằng PPBPNN ước lượng mô hình để thu đc hệ số xác định bội R 2 ei= β1 + β2 X2t +…+ βk Xkt + ρ1 et-1+ +ρp et-p+Vt

BTKĐ: { H 0 : Mô hình không có tự tương quan bậc 1

H 1 : Mô hình có tự tương quan bậc 1 Tiêu chuẩn kiểm định: χ 2 = (n-p)*R 2

Nếu Ho đúng thì: χ 2 ~ χ 2(p) => Miền bác bỏ H0: W ∝ = {χ tn 2 : χ tn 2 > χ α 2 (p)}

• Khắc phục tự tương quan

- Sử dụng phương pháp bình phương nhỏ nhất tổng quát GLS dựa trên mô hình dạng sai phân

Biến đổi mô hình ban đầu sang mô hình mới với các hệ số tương ứng giống như mô hình cũ nhưng loại bỏ khuyết tật tự tương quan là một bước quan trọng Điều này giúp cải thiện tính chính xác và độ tin cậy của các ước lượng Đồng thời, việc tính toán chuẩn sai số cũng cần được thực hiện để đảm bảo rằng các kết quả đạt được là chính xác và có thể tin cậy trong phân tích.

Bài toán kiểm định: {H0: Ut có phân phối chuẩn

H1: Ut không có phân phối chuẩn

Tiêu chuẩn kiểm định: JB = 1

4 ] ~ χ 2(2) Tính Pvalue or W a => Kết luận

Bài tập áp dụng

2.2.1 Mô hình hồi quy ban đầu

Bảng 2.2.1a: Mô hình hồi quy gốc

Sử dụng phần mền eviews để ước lượng mô hình ta thu dược mô hình hồi quy: 𝑀𝐶𝑇̂ i = 0.273617 + 0.825578HTi + 0.308123TNLTi+ 0.777064HOMEi + Ui

2.2.1.1 Kiểm định hệ số hồi quy mô hình ban đầu

Với mức ý nghĩa α = 5% Kiểm định giả thuyết 0

Nếu H0 đúng thì T ~T 56 Đặt giả thiết: 0 2

Theo kết quả ước lượng, P_value ≈ 0.0000 < 0.05 cho thấy giả thuyết Ho bị bác bỏ Điều này chứng tỏ rằng số tiền hỗ trợ hàng tháng từ gia đình có ảnh hưởng đáng kể đến chi tiêu trung bình hàng tháng của sinh viên với độ tin cậy 95%.

Kết quả từ bảng 2.2.1a cho thấy P_value = 0.0001, nhỏ hơn 0.05, do đó giả thuyết H0 bị bác bỏ Điều này chứng tỏ rằng thu nhập từ công việc làm thêm có ảnh hưởng đáng kể đến chi tiêu trung bình hàng tháng của sinh viên với độ tin cậy 95%.

Kết quả từ bảng 2.2.1a cho thấy P_value = 0.0152, nhỏ hơn 0.05, dẫn đến việc bác bỏ giả thuyết H0 Điều này chứng tỏ rằng nơi ở có ảnh hưởng đáng kể đến chi tiêu trung bình hàng tháng của sinh viên với độ tin cậy 95%.

2.2.1.2 Kiểm định sự phù hợp của mô hình

Với mức ý nghĩa α = 5% Kiểm định giả thuyết:

Theo kết quả bảng 2.2.1a, ta có P_value ≈ 0.00000 < 0.05

=> Bác bỏ H0, chấp nhận H1 Tức là, mô hình hồi quy phù hợp với độ tin cậy là 95%

2.2.2 Kiểm tra khuyết tật của mô hình

2.2.2.1 Phương sai sai số thay đổi a Kiểm định White

Obs*R-squared 4.322679 Prob Chi-Square(8) 0.8269

Scaled explained SS 7.859518 Prob Chi-Square(8) 0.4473

Collinear test regressors dropped from specification

Variable Coefficient Std Error t-Statistic Prob

S.E of regression 1.075182 Akaike info criterion 3.120338

Sum squared resid 58.95684 Schwarz criterion 3.434490

Log likelihood -84.61014 Hannan-Quinn criter 3.243220

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

H 1 : Phương sai sai số thay đổi ↔ {H 0 : R 2 ∗ = 0

⇒ Chấp nhận Ho, bác bỏ H1

Kết luận: Mô hình không xảy ra hiện tượng phương sai sai số thay đổi

Obs*R-squared 3.015434 Prob Chi-Square(3) 0.3893

Scaled explained SS 3.706038 Prob Chi-Square(3) 0.2950

S.E of regression 0.495212 Akaike info criterion 1.496678

Sum squared resid 13.73315 Schwarz criterion 1.636301

Log likelihood -40.90034 Hannan-Quinn criter 1.551292

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

H 1 : Phương sai sai số thay đổi

⇒ Chấp nhận Ho, Bác bỏ H1

Kết luận: Mô hình không xảy ra hiện tượng phương sai sai số thay đổi c Kiểm định G-Q

Các quan sát còn lại chia cho 2 nhóm, mỗi nhóm 25 quan sát

R-squared 0.660826 Mean dependent var 3.020000 Adjusted R-squared 0.612373 S.D dependent var 1.380519 S.E of regression 0.859508 Akaike info criterion 2.680732 Sum squared resid 15.51382 Schwarz criterion 2.875753 Log likelihood -29.50916 Hannan-Quinn criter 2.734823 F-statistic 13.63837 Durbin-Watson stat 1.493734 Prob(F-statistic) 0.000037

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

H 1 : Phương sai sai số thay đổi

Miền bác bỏ: W α = {f tn : f tn > f 0,05 (21,21) }

Do tra bảng ta không thấy giá trị của f 0,05 (21,21) mà chỉ có giá trị f 0,05 (20,20) = 2,39 và f 0,05 (24,24) = 2,35 nên f 0,05 (21,21) ϵ (2,35; 2,39)

Kết luận : Phương sai sai số không bị thay đổi

2.2.2.2 Tự tương quan a Kiểm định Durbin Watson

BTKĐ : { H 0 : Mô hình không có tự tương quan

H 1 : Mô hình có tự tương quan TCKĐ:

Vì 0 < d < dL => Có tự tương quan thuận chiều b Kiểm đinh BG

F-statistic 13.92398 Prob F(1,55) 0.0005 Obs*R-squared 12.12116 Prob Chi-Square(1) 0.0005

Presample missing value lagged residuals set to zero

R-squared 0.202019 Mean dependent var 3.48E-16 Adjusted R-squared 0.143984 S.D dependent var 0.715672 S.E of regression 0.662147 Akaike info criterion 2.092998 Sum squared resid 24.11414 Schwarz criterion 2.267526 Log likelihood -57.78993 Hannan-Quinn criter 2.161265 F-statistic 3.480996 Durbin-Watson stat 1.889283 Prob(F-statistic) 0.013225

H 1 : Mô hình có tự tương quan bậc 1 TCKĐ:  2 =( n − 1 ) R 2

P-value=0,0005 < 5% => Bác bỏ Ho, chấp nhận H1

=> Mô hình có tự tương quan bậc 1

F-statistic 7.293730 Prob F(2,54) 0.0016 Obs*R-squared 12.76104 Prob Chi-Square(2) 0.0017

Presample missing value lagged residuals set to zero

HT -0.067696 0.108825 -0.622059 0.5365 TNLT -0.002382 0.067132 -0.035489 0.9718 HOME 0.289021 0.290495 0.994926 0.3242 RESID(-1) 0.535078 0.145350 3.681309 0.0005 RESID(-2) -0.123283 0.144148 -0.855256 0.3962

R-squared 0.212684 Mean dependent var 3.48E-16 Adjusted R-squared 0.139784 S.D dependent var 0.715672 S.E of regression 0.663770 Akaike info criterion 2.112876 Sum squared resid 23.79187 Schwarz criterion 2.322311 Log likelihood -57.38629 Hannan-Quinn criter 2.194798 F-statistic 2.917492 Durbin-Watson stat 1.970455 Prob(F-statistic) 0.021056

H 1 : Mô hình có tự tương quan bậc 2 TCKĐ:  2 = ( n − 2 ) R 2

P-value=0,0017 < 5%=> Bác bỏ Ho, chấp nhận H1

=> Mô hình có tự tương quan bậc 2

BTKĐ { H 0 : Mô hình không có ĐCT

Bác bỏ Ho, chấp nhận H1

KL: Vậy mô hình có đa cộng tuyến

BTKĐ: { H 0 : U t có phân phối chuẩn

H 1 : U t không có phân phối chuẩn

=> Bác bỏ Ho chấp nhận H1

=> Mô hình không có phân phối chuẩn

2.2.3 Chọn ĐCT để khắc phục và đưa ra mô hình mới

Để khắc phục tình trạng đa cộng tuyến (ĐCT) trong mô hình cũ, cần thực hiện kiểm định và loại bỏ các biến độc lập không cần thiết Phương pháp này giúp cải thiện độ chính xác của mô hình và giảm thiểu ảnh hưởng tiêu cực của ĐCT.

+ Bỏ biến HT hồi quy MCT theo HOME và TNLT:

Kiểm định hiện tượng ĐCT của mô hình khi loại bỏ biến HT (phương pháp xét hồi quy phụ)

P_value = 0.037937 < 0.05 => Mô hình có ĐCT

+ Bỏ biến TNLT rồi hồi quy MCT theo HOME và HT :

Kiểm định hiện tượng ĐCT của mô hình khi loại bỏ biến TNLT (phương pháp xét hồi quy phụ)

P_value = 0.653143 > 0.05 => Mô hình không có ĐCT

+ Bỏ biến HOME rồi hồi quy MCT theo TNLT và HT:

Kiểm định hiện tượng ĐCT của mô hình khi loại bỏ biến HOME( phương pháp xét hồi quy phụ)

P_value = 0.021093< 0.05 => Mô hình có ĐCT

Vậy có thể loại bỏ biến TNLT ra khỏi mô hình để khắc phục hiện tượng ĐCT Vậy mô hình mới là:

2.2.4 Kiểm tra mô hình mới

❖ Hiện tượng phương sai sai số thay đổi:

Nhận thấy từ bảng Eviews, P-value = 0.1947 > α(5%)

 Mô hình mới không có hiện tượng phương sai sai số thay đổi

❖ Hiện tượng Đa cộng tuyến:

Nhận thấy từ bảng Eviews, P-value=0.653143 > α(5%)

 Mô hình không có hiện tượng đa cộng tuyến

P_value = 0.213932 > 0.05 => Mô hình có phân phối chuẩn

❖ Hiện tượng tự tương quan:

BTKĐ : { H 0 : Mô hình không có tự tương quan

H 1 : Mô hình có tự tương quan

Với n = 60 ; K’= 2 => dL = 1.514; dU = 1.652 => 4−dL = 2.486; 4− dU = 2.348

Từ bảng Eviews, ta thấy d = 1.318332 ∈ (0;1.514)

 Mô hình có hiện tượng tự tương quan dương

H 1 : Mô hình có tự tương quan bậc 1 TCKĐ:  2 = ( n − 1 ) R 2

=> Bác bỏ Ho, chấp nhận H1

KL: Mô hình có tự tương quan bậc 1

2.2.5 Khắc phục tự tương quan

Chạy mô hình hồi quy mới:

2 = 0.340834 Phương trình sai phân tổng quát:

Ta được mô hình cuối cùng theo các biến mới: MCT1, HT1, HOME1

Mô hình hồi quy có dạng:

2.2.6 Kiểm tra khuyết tật của mô hình cuối cùng a Phương sai sai số thay đổi: Kiểm định white

=> Chấp nhận Ho, bác bỏ H1

KL: Mô hình không có PSSS thay đổi b Đa cộng tuyến: hồi quy phụ

=> Mô hình không có đa cộng tuyến c Tự tương quan: kiểm định B-G

H 1 : Mô hình có tự tương quan bậc 1 TCKĐ:  2 =( n − 1 ) R 2

=> Chấp nhận H0, bác bỏ H1 Tức là mô hình không xảy ra hiện tượng tự tương quan bậc 1 d Tính chuẩn sai số

=> Mô hình có phân phối chuẩn

Như vậy, mô hình cuối cùng không còn khuyết tật

2.2.7 Ý nghĩa hệ số hồi quy mô hình cuối cùng

MCT1̂ = 0.539423 + 0.720308HT1 i i + 1.233768HOME1 i Ý nghĩa các hệ số hồi quy:

Nếu nơi ở hiện tại của sinh viên không thay đổi, việc tăng hỗ trợ từ gia đình thêm 1 triệu đồng sẽ làm mức chi tiêu trung bình hàng tháng của sinh viên ĐHTM tăng lên 0.720308 triệu đồng.

- 𝛽̂ 3 = 1.233768: Nếu số tiền gia đình hỗ trợ hàng tháng không thay đổi, mức chi tiêu trung bình 1 tháng của những người thuê trọ cao hơn người ở nhà 1.233768 trđ

Đề xuất giải pháp về vấn đề chi tiêu của sinh viên Đại học Thương Mại

Thế kỷ XXI đánh dấu sự bùng nổ của văn minh trí tuệ và sự phát triển vượt bậc của khoa học công nghệ Để bắt kịp với những thay đổi này, sinh viên ĐHTM cần hình thành thói quen tốt và kỹ năng cần thiết trong cuộc sống Cân đối chi tiêu là yếu tố quan trọng giúp sinh viên hoàn thiện bản thân Nhóm nghiên cứu đã đề xuất một số giải pháp nhằm hỗ trợ sinh viên trong quá trình này.

Theo dõi chi tiêu hàng tháng là cách hiệu quả để quản lý tài chính cá nhân Bạn nên liệt kê các danh mục chi tiêu cần thiết nhằm tối ưu hóa việc sử dụng ngân sách, từ đó hạn chế lãng phí vào những thứ không cần thiết.

Để quản lý ngân sách cá nhân hiệu quả, hãy tính toán chi tiêu ngắn hạn và dài hạn một cách hợp lý Theo dõi chi tiêu hàng tháng để đảm bảo bạn đang kiểm soát tốt ngân sách Nếu phát hiện sự không phù hợp, hãy điều chỉnh và phân bổ lại ngân sách cho các tháng tiếp theo.

Tiêu đề	Xây Dựng Mô Hình Nghiên Cứu Về Mức Chi Tiêu Của Các Bạn Sinh Viên Đại Học Thương Mại
Người hướng dẫn	Thầy Mai Hải An
Trường học	Trường Đại Học Thương Mại
Chuyên ngành	Kinh Tế - Luật
Thể loại	bài thảo luận
Năm xuất bản	2020
Thành phố	Hà Nội

Định dạng
Số trang	49
Dung lượng	1,83 MB