RESEARCH METHOD

Minh họa thực hiện hồi quy probit trên Stata



Hồi quy Probit, đôi khi còn được gọi là mô hình probit, được sử dụng để ước lượng mô hình có biến phụ thuộc dạng nhị phân. Trong hồi quy probit, nghịch đảo của hàm phân phối xác suất chuẩn chuẩn hóa là sự kết hợp tuyến tính của các biến giải thích.

Ví dụ: chúng ta muốn biết các biến như điểm bài thi cuối khóa (gre), học lực trung bình (gpa) và uy tín của trường THCS (rank) mà các học sinh theo học ảnh hưởng như thế nào đến kết quả xét tuyển (admit) ở bậc học PTTH. Biến kết quả ở đây là một biến nhị phân (được chấp nhận/không chấp nhận).
Tham khảo: https://vietlod.com/hoi-quy-probit-stata

Minh họa thực hiện hồi quy tobit trên Stata



Mô hình tobit, đôi khi còn được gọi là mô hình hồi quy kiểm duyệt (censored regression model), được xây dựng để ước lượng mối quan hệ tuyến tính giữa các biến giải thích khi biến phụ thuộc bị kiểm duyệt.

Ví dụ: chúng ta muốn xây dựng một mô hình đánh giá học lực của học sinh (apt) dựa vào điểm số các môn toán (math), tập đọc (read) cũng như loại chương trình mà học sinh theo học (prog). Điểm học lực của mỗi học sinh dao động trong khoảng từ 200 – 800. Vấn đề ở đây là chúng ta không quan sát được điểm số thực sự của nhóm học sinh có điểm học lực “quy ước” 200 hoặc 800. Khi đó, học lực của những học sinh có thể không bằng nhau.

Tham khảo: https://vietlod.com/hoi-quy-tobit-stata

Minh họa thực hiện hồi quy khoảng trên Stata



Hồi quy khoảng (Interval Regression) được sử dụng để ước lượng mô hình có các biến phụ thuộc bị kiểm duyệt. Dữ liệu bị kiểm duyệt trong hồi quy khoảng là các kiểm duyệt khoảng. Điều đó có nghĩa chúng ta biết các quan sát nằm trong khoảng giá trị nào nhưng không thể biết chính xác giá cụ thể của mỗi quan sát. Hồi quy khoảng là trường hợp tổng quát của hồi quy kiểm duyệt (censored regression).

Ví dụ: chẳng hạn chúng ta muốn biết thu nhập thực của người lao động (triệu/tháng) theo các mức học vấn, số năm kinh nghiệm cũng như loại hình kinh tế mà người lao động làm việc. Trong trường hợp này, chúng ta không thể biết được giá trị thu thập thực của từng người lao động, nhưng chúng ta có thể biết được giá trị thu nhập thực có thể rơi vào các khoảng như nhỏ hơn 5 triệu, từ 5 triệu đến 10 triệu, từ 10 triệu đến 20 triệu, từ 20 triệu đến 50 triệu và trên 50 triệu. Đối với dữ liệu thu thập này, thì rõ ràng dữ liệu vừa bị kiểm duyệt trái (nhỏ hơn 5 triệu), kiểm duyệt phải (lớn hơn 50 triệu), đồng thời trong mỗi khoảng giá trị của các quan sát bị kiểm duyệt trái và phải đồng thời. Trong trường hợp này, chúng ta không sử dụng mô hình hồi quy kiểm duyệt thông thường, mà phải sử dụng hồi quy kiểm duyệt tổng quát hay còn gọi là hồi quy khoảng.
Tham khảo: https://vietlod.com/hoi-quy-khoang-interval-regression-stata

Minh họa thực hiện hồi quy logit chính xác trên Stata



Hồi quy logit chính xác (Exact logistic regression) được sử dụng để ước lượng mô hình với biến phụ thuộc dạng nhị phân, trong đó, log của odds được giải thích bằng tổ hợp tuyến tính của các biến độc lập. Nó được sử dụng khi cở mẫu nhỏ không đủ để thực hiện hồi quy logit thông thường theo phương pháp ML hoặc trong trường hợp các ô trong bảng tần suất được tạo bởi biến phụ thuộc với biến kết quả trống hoặc rất ít quan sát. Sở dĩ gọi phương pháp hồi quy này là hồi quy chính xác bởi vì nó không phụ thuộc vào các kết quả tiệm cận.

Giả sử chúng ta quan tâm đến các yếu tố ảnh hưởng đến khả năng được xét tuyển của một học sinh PTTH vào các trường đại học. Biến phụ thuộc (admit) ở đây có 2 giá trị là được chọn hoặc không được chọn. Các biến giải thích cho khả năng xét tuyển này bao gồm giới tính (female), có tham gia chương trình tính toán nâng cao (apcalc) ở trường PTTH hay không. Bởi vì biến phụ thuộc là biến nhị phân, do vậy, chúng ta sử dụng mô hình nhị phân để giải quyết vấn đề này. Ngoài ra, bởi vì số lượng học sinh tham gia khảo sát ít, do vậy, chúng ta cần có một phương pháp để ước lượng tập dữ liệu nhỏ này.

Tham khảo: https://vietlod.com/hoi-quy-logit-chinh-xac-stata

Hướng dẫn thực hiện hồi quy logit thứ tự trên Stata



Hồi quy logit thứ tự (Ordered Logistic Regression) là dạng tổng quát của hồi quy logit thông thường. Nó được sử dụng khi biến phụ thuộc có thang đo thứ tự.

Để dễ hiểu hơn về hồi quy logit thứ tự, các bạn có thể tham khảo các ví dụ sau:

1. Một công ty nghiên cứu thị trường muốn khảo sát các nhân tố ảnh hưởng đến sự lựa chọn cỡ ly soda (nhỏ, trung bình, lớn, hoặc rất lớn) của khác hàng trong chuỗi thức ăn nhanh. Những nhân tố này bao gồm loại thức ăn được chọn (hamburger hoặc gà), có chiên hay không, tuổi của người khách hàng. Trong trường hợp này, biến phụ thuộc là kích thước ly soda, có thang đo thứ tự, được thể hiện qua sự chênh lệch về giá của ứng với các cở ly. Chẳng hạn, sự chênh lệch giữa ly vừa và ly nhỏ là 10 nghìn, giữa vừa và lớn là 8 nghìn hoặc giữa lớn và rất lớn là 12 đồng.
2. Một nhà nghiên cứu quan tâm đến các yếu tố ảnh hưởng đến đạt huy chương trong môn bơi lội Olympic. Các yếu tố liên quan gồm thời gian tập luyện, chế độ dinh dưỡng, tuổi của vận động viên và tính phổ biến của môn bơi lội ở nước nhà. Nhà nghiên cứu tin rằng, khoảng cách giữa huy chương vàng và bạc là lớn hơn khoảng cách giữa huy chương bạc và đồng.
3. Một nghiên cứu xem xét các nhân tố ảnh hưởng đến quyết định học tiếp (cao học). Các sinh viên được hỏi về khả năng học tiếp của mình với 3 mức không có khả năng, có khả năng và rất có khả năng. Vì vậy, biến phụ thuộc ở đây có 3 mức. Các biến giải thích được sử dụng là học vấn của cha mẹ, loại trường (công/tư) và điểm trung bình (GPA). Các nhà nghiên cứu có lí do tin rằng khoảng cách giữa 3 mức phân loại trên là không bằng nhau. Chẳng hạn, khoảng cách giữa không có khả năng và có khả năng là nhỏ hơn so với khoảng cách giữa có khả năng và rất có khả năng.

Bài viết này trình bày về vấn đề hồi quy đối với biến phụ thuộc dạng thứ tự, còn gọi là hồi quy thứ tự. Các hướng dẫn thực hành sẽ được minh họa theo ví dụ 3 nêu trên.

Tham khảo: https://vietlod.com/hoi-quy-logit-thu-tu-stata

Tính xác suất dự đoán trong mô hình hồi quy logit thứ tự

Tiếp tục phần giải thích của mô hình hồi quy logit thứ tự đã trình bày ở bài hồi quy logit thứ tự. Bài viết này sẽ trình bày cách tính và cách giải thích các giá trị xác suất dự đoán của biến phụ thuộc theo các giá trị riêng rẻ hoặc kết hợp của các biến giải thích.

Để dễ hiểu và phân tích chúng ta sử dụng các giá trị xác suất dự đoán thay thế các giá trị hệ số của odds hoặc odds ratios. Sử dụng lệnh margins sau lệnh hồi quy để tính toán các giá trị xác suất dự đoán này. Lệnh này có thể sử dụng cho các biến danh mục hoặc liên tục và nó cho biết giá trị xác suất ứng với mỗi mức giá trị của các biến.

Tham khảo: https://vietlod.com/xac-suat-du-doan-logit

Minh họa thực hiện hồi quy logit đa bậc trên Stata


Hồi quy logit đa bậc (Multinomial logistic regression) được sử dụng để ước lượng mô hình với biến phụ thuộc dạng danh mục (không thứ tự), trong đó log của odds là sự kết hợp tuyến tính của các biến giải thích. Hồi quy logit đa bậc tương tự như hồi quy logit thứ tự, tuy nhiên, không đòi hỏi vị trí thứ tự của các nhóm trong biến phụ thuộc.

Để hiểu rõ hơn về hồi quy logit đa bậc, các bạn tìm hiểu thông qua các ví dụ sau:

1. Việc chọn nghề của cá nhân có thể bị ảnh hưởng bởi nghề nghiệp và học vấn của cha mẹ. Giả sử chúng ta muốn nghiên cứu về mối quan hệ giữa việc chọn nghề với mức học vấn và nghề nghiệp của người cha. Ở đây, biến chọn nghề là biến phụ thuộc dạng danh mục nhiều mức.
2. Một nhà sinh vật học muốn nghiên cứu về loại thức ăn yêu thích của loài cá sấu. Các con cá sấu lớn nhiều khả năng sẽ có những thức ăn yêu thích khác với các con nhỏ. Biến phụ thuộc trong nghiên cứu này là các loại thức ăn (biến danh mục không thứ tự) và biến giải thích là kích cở cá sấu, và những biến môi trường khác.
3. Chúng ta muốn nghiên cứu ảnh hưởng đến việc chọn ngành đăng ký dự thi đại học của các học sinh PTTH. Giả sử có 3 ngành được đăng ký bao gồm hướng nghiệp, học thuật, tổng quát được tổng hợp trong biến ngành học. Biến phụ thuộc ở đây là ngành học với 3 nhóm. Các biến giải thích có thể bao gồm như điểm số viết và những yếu tố kinh tế xã hội liên quan đến các học sinh.

Bài viết này trình bày về vấn đề hồi quy đối với biến phụ thuộc dạng danh mục, còn gọi là hồi quy logit đa bậc. Các hướng dẫn thực hành sẽ được minh họa theo ví dụ 3 nêu trên.

Tham khảo: https://vietlod.com/hoi-quy-logit-da-bac-stata

Minh họa thực hiền hồi quy nhị thức âm trên Stata

Hồi quy nhị thức âm (Negative Binomial Regression) được sử dụng để ước lượng các mô hình với dữ liệu của biến phụ thuộc có dạng đếm (counts) và phân tán rộng. Dữ liệu được xem là phân tán rộng khi biến có sai số chuẩn vượt quá giá trị trung bình của biến. Đây là dạng tổng quát của hồi quy Poisson.

Tham khảo: https://vietlod.com/hoi-quy-nhi-thuc-am-stata

Odds là gì? Odds có ý nghĩa gì? Cách diễn giải odds

Các dạng của hồi quy logit, probit đều cho kết quả các hệ số ước lượng là log của odds, logit hoặc tỉ lệ odds (OR). Việc giải thích các hệ số này đôi khi dễ nhầm lẫn. Bài viết sẽ hướng dẫn cách giải thích odds một ví dụ đơn giản có thể tính tay hoặc sử dụng hồi quy logit giản đơn.

Tham khảo: https://vietlod.com/giai-thich-odds-logit

Minh họa thực hiện hồi quy logit lặp trên Stata

Hồi quy logit lặp (repeated measures logistic regression) được sử dụng để giải thích tác động của những biến độc lập lên biến phụ thuộc trong trường hợp các quan sát là kết quả của các phép đo lặp của các đối tượng. Trong Stata, hồi quy logit lặp có thể được thực hiện bằng lệnh xtgee. Bài viết sau sẽ hướng dẫn phân tích hồi quy logit lặp trên Stata.

Tham khảo: https://vietlod.com/hoi-quy-logit-lap-stata

Giới thiệu sơ lược ý nghĩa hồi quy logit

Kết quả ước lượng của một biến phụ thuộc dạng nhị phân trong các hồi quy logit có được dựa trên giả định rằng việc chuyển đổi logit của biến phụ thuộc có một mối quan hệ tuyến tính với các biến giải thích. Điều này làm cho việc giải thích của các hệ số hồi quy của mô hình khác đôi chút so với mô hình hồi quy OLS. Trong chuyên mục này, chúng tôi sẽ đi qua các khái niệm về tỷ số odds và cố gắng giải thích các kết quả hồi quy logit trong một vài ví dụ.

Tham khảo: https://vietlod.com/so-luoc-hoi-quy-logit

Hướng dẫn đọc chi tiết kết quả hồi quy Logit

Tiếp theo bài sơ lược về hồi quy logit, bài viết này sẽ giới thiệu hồi quy logit qua các ví dụ đơn giản. Bài viết sẽ sử dụng một tập dữ liệu mẫu, Logit dataset, với mục đích minh họa. Các bộ dữ liệu có 200 quan sát và biến kết quả được sử dụng là honor (nhận giá trị là 1 nếu một học sinh trong một lớp học được vinh danh và có giá trị bằng 0 nếu học sinh đó không được vinh danh). Ở đây, chúng tôi sẽ bỏ qua tất cả các kiểm định và tập trung vào diễn giải ý nghĩa của các hệ số hồi quy.

Tham khảo: https://vietlod.com/dien-giai-ket-qua-hoi-quy-logit

Chẩn đoán, kiểm định kết quả hồi quy Logit

Trong các bài viết trước, chúng tôi đã giới thiệu sơ lược về hồi quy logit, cũng như đi sâu diễn giải chi tiết kết quả hồi quy logit trong từng trường hợp cụ thể. Chẳng hạn như làm thế nào để tạo ra các biến tương tác và làm thế nào để giải thích kết quả của mô hình logit. Để kết quả phân tích được hợp lệ thì cần thiết phải đáp ứng các giả định của mô hình hồi quy logit. Khi các giả định này không được đáp ứng thì chúng ta có thể có vấn đề, chẳng hạn như tính toán sai lệch cách hệ số hoặc sai số chuẩn của các hệ số ước lượng rất lớn, và những vấn đề này có thể dẫn đến suy luận thống kê không còn hợp lệ.

Vì vậy, trước khi sử dụng mô hình để thực hiện bất kỳ sự suy luận thống kê nào thì điều đầu tiên là phải kiểm tra xem mô hình đó có phù hợp chưa và kiểm tra liệu các quan sát có ảnh hưởng có tác động đến kết quả ước lượng của các hệ số. Trong bài viết này, chúng tôi sẽ tập trung vào việc làm thế nào để đánh giá một mô hình logit phù hợp, làm thế nào để chẩn đoán các vấn đề tiềm năng trong mô hình cũng như làm thế nào để xác định những quan sát có tác động đáng kể đến độ phù hợp của mô hình hoặc tham số ước lượng.

Tham khảo: https://vietlod.com/chan-doan-mo-hinh-hoi-quy-logit

Chẩn đoán khuyết tật dữ liệu trong hồi quy logit

Tiếp theo bài chẩn đoán kết quả mô hình logit, bài viết này đi sâu hơn phát hiện những vấn đề tiềm ẩn trong mô hình, trong đó quan trọng nhất là các quan sát có ảnh hưởng thống kê lên kết quả ước lượng. Chúng ta cần phải kiểm tra các quan sát này bởi nhiều lý do như: (i) lỗi nhập liệu, (ii) chúng là các điểm đặc biệt mà chúng ta muốn quan tâm, (iii) chúng có thể kéo lệch kết quả hồi quy.

Các phần dư Pearson và các dạng chuẩn hóa của nó là một dạng của phần dư. Các phần dư Pearson được định nghĩa là sự chênh lệch được chuẩn hóa giữa tần suất dự đoán và tần suất quan sát. Chúng ta lường sự chênh lệch giữa giá trị quan sát và giá trị dự báo. Phần dư lệch (Deviance residual) là một dạng phần dư khác, nó đo lường sự chênh lệch giữa các giá trị quan sát cực đại và log của các hàm hợp lí được tính toán. Vì hồi quy logistic sử dụng nguyên tắc hợp lí cực đại nên mục tiêu của hồi quy logistic là tối thiểu hóa tổng của các phần dư lệch (tương tự tối thiểu hóa phần dư trong OLS). Một thống kê khác, đôi khi còn gọi là đường chéo mũ (hat diagonal) vì nó là đường chéo của ma trận giá trị dự báo (hat matrix), đo lường tính bật (leverage) của một quan sát. Đôi khi thống kê này còn được gọi là đòn bẩy Pregibon (Pregibon leverage). Chúng ta lần lượt kiểm tra các vấn đề tiềm ẩn qua 3 thống kê này ở nội dung bên dưới.

Tham khảo: https://vietlod.com/phat-hien-khuyet-tat-du-lieu-trong-hoi-quy-logit

Đọc và chẩn đoán kết quả hồi quy logit thứ tự

Như ý nghĩa của tiêu đề, bài viết này chỉ đi sâu giải thích các điểm tới hạn cũng như một số thủ tục chẩn đoán trong mô hình hồi quy logit thứ tự. Về lý thuyết, cách thực hành cũng như cách đọc kết quả ước lượng hồi quy logit thứ tự các bạn có thể tham khảo bài viết https://vietlod.com/hoi-quy-logit-thu-tu-stata.

Chúng ta sẽ giải thích ngắn gọn kết quả các điểm tới hạn trong hồi quy logit thứ tự thông qua ví dụ về mối quan hệ giữa một biến phụ thuộc dạng thứ tự (ví dụ biến điều kiện kinh tế, ses, nhận giá trị 1 – low, 2 – medium và 3 – high) ở nội dung bên dưới.
https://vietlod.com/doc-va-chan-doan-ket-qua-hoi-quy-logit-thu-tu

Phân phối chuẩn của dữ liệu

Vì sự chuẩn hóa của dữ liệu (phân phối chuẩn) là một trong những giả định quan trọng cho đa số các kiểm định thống kê. Trong chương trình Kinh tế lượng, thống kê được giảng dạy tất cả các kiểm định hoặc phương pháp phân tích đều dựa trên giả định về tính phân phối chuẩn của dữ liệu. Do vậy, trong nghiên cứu của mình các bạn sinh viên sẽ thực hiện kiểm tra, làm sạch dữ liệu và loại bỏ ảnh hưởng của các điểm dị biệt để đưa dữ liệu về dạng chuẩn hóa. Bên dưới, chúng tôi sẽ trình bày quy trình 5 bước để xác định và xử lý vấn đề chuẩn hóa của dữ liệu.

Tuy nhiên, trong thực tế nghiên cứu các học giả sẽ ít kiểm tra tính chuẩn hóa này. Bởi thay vì họ giả định dữ liệu có phân phối chuẩn thì họ sẽ sử dụng những kiểm định dựa trên những giả định này để phân tích. Nội dung bên dưới sẽ lần lượt trình bày 4 vấn đề về tính chuẩn hóa của dữ liệu:

1. Thứ nhất, phân phối chuẩn hóa là gì?
2. Thứ hai, tại sao phân phối chuẩn lại quan trọng?
3. Thứ ba, kiểm tra phân phối chuẩn như thế nào?
4. Xử lý như thế nào nếu dữ liệu không có phân phối chuẩn?

Tham khảo: https://vietlod.com/phan-phoi-chuan-spss

Bảng tổng hợp các phương pháp hồi quy

Suy diễn thống kê (Inferential statistics) đôi khi còn được gọi là phân tích hồi quy (regression analysis). Thông thường, dữ liệu của bạn có thể được phân tích bằng nhiều phương pháp. Các phương pháp khác nhau sẽ tạo ra các kết quả khác. Bảng bên dưới sẽ tổng hợp các phương pháp được sử dụng phổ biến trong phân tích hồi quy.

Thông qua bảng tổng hợp này, tùy theo loại biến (độc lập hay phụ thuộc) hoặc kiểu biến, chẳng hạn biến khoảng (interval variable), biến thứ bậc (ordinal variable) hoặc biến phân loại (categorical variable); hoặc dạng phân phối của biến mà lựa chọn dạng hàm, cũng như là phương pháp phân tích hồi quy phù hợp. Ngoài ra, thông qua mỗi liên kết đính kèm trong bảng, từng bước một các bạn có thể tự mình thao tác trên các phần mềm thống kê thông dụng như STATA, SPSS.

Tham khảo: https://vietlod.com/phan-tich-hoi-quy

Nếu như kinh tế vĩ mô và kinh tế vi mô mô tả sự vận động của nền kinh tế thì kinh tế lượng cung cấp các phương pháp phân tích mổ xẻ mặt lượng quan hệ giữa các hiện tượng hoặc yếu tố kinh tế cùng sự tác động qua lại giữa chúng trên cơ sở các số liệu nhằm củng cố thêm giả thiết, từ đó đưa ra các quyết định đúng đắn hơn.

Kinh tế lượng từ nhiều năm đã được áp dụng rộng rãi trong nhiều ngành, không riêng gì kinh tế. Một số phương pháp, mô hình ước lượng thường được sử dụng trong nghiên cứu kinh tế

• Kiểm định t-test, ANOVA, ANCOVA, MANOVA…
• Hồi quy tuyến tính đa biến;
• Hồi quy 2 giai đoạn 2SLS;
• Hồi quy Logit, Probit, Tobit;
• Phương pháp EFA, CFA, SEM;
• Ước lượng SUR;
• Ước lượng DID;
• Phương pháp phân tách DFA;
• Mô hình tác động đồng thời SEM;
• Mô hình hồi quy đa biến bội;
• Hồi quy dữ liệu bảng.

Ngoài ra, các bạn có thể tham khảo thêm các vấn đề về xử lý dữ liệu, lựa chọn kiểm định, thống kê mô tả và phân tích hồi quy từ cơ bản đến NÂNG CAO trên các phần mềm SPSS, STATA tại trang CÁC CHUYÊN ĐỀ KINH TẾ LƯỢNG