Đang tải... (xem toàn văn)
phân tích mô hình và dự báo giá bán nhà tại quận Cam bang California với biến phụ thuộc là SALEPRIC và 4 biến độc lập SQFT, GARAGE, CITY, AGE.
Kinh tế lượng dự báo GVHD: Đinh Kiệm LỜI CẢM ƠN Em xin gửi lời cảm ơn chân thành tới: - Ban Giám Hiệu thầy cô công tác trường Đại học Công Nghiệp Thành phố Hồ Chí Minh tạo điều kiện thời gian, sở vật chất giúp chúng em có thuận lợi suốt trình học tập trường - Th.S Đinh Kiệm tận tình hướng dẫn bảo để chúng em hoàn thành đủ nội dung tiểu luận qua chúng em học tốt môn Kinh tế lượng dự báo, điều kiện để trở thành nhà kinh tế tài giỏi tương lai TP Hồ Chí Minh, ngày 20 tháng 11 năm 2011 Nguyễn Thị Kim Yến Mssv: 09205301 Kinh tế lượng dự báo GVHD: Đinh Kiệm NHẬN XÉT CỦA GIẢNG VIÊN Nguyễn Thị Kim Yến Mssv: 09205301 Kinh tế lượng dự báo GVHD: Đinh Kiệm LỜI MỞ ĐẦU Kinh tế lượng môn khoa học đời năm 30 kỷ 20 Sự đời kinh tế lượng liên quan đến việc phát triển rộng rãi phép toán thống kê lĩnh vực đa ngành như: sinh vật học, tâm lý học, xã hội học, đặc biệt việc tốn học hóa có trọng nhiều đến lĩnh vực kinh tế Kinh tế lượng tập hợp cơng cụ nhằm mục đích dự báo biến số kinh tế Và Eviews cơng cụ có ưu điểm cho kết nhanh chóng tiến hành ước lượng, phân tích hàm hồi quy cho mơ hình kinh tế Do thực đề tài tiểu luân số 17 liên quan tới phân tích mơ hình dự báo giá bán nhà quận Cam bang California với biến phụ thuộc SALEPRIC biến độc lập SQFT, GARAGE, CITY, AGE, em sử dụng phần mềm Eviews cho đề tài tiểu luận Qua bước đặt giả thiết liên quan, thiết lập mơ hình, ước lượng tham số mơ hình, phân tích kết mơ hình xem có phù hợp hay khơng tới định có sử dụng vào dự báo Nguyễn Thị Kim Yến Mssv: 09205301 Kinh tế lượng dự báo GVHD: Đinh Kiệm ĐỀ TL SỐ 17 Phần I : Excel Sử dụng liệu Data BT 11 Excel, dùng Regression Data Analysis để ước lượng hàm hồi quy mẫu có dạng sau : SALEPRIC = B1 + B2*SQFT + B3*GARAGE +B4*CITY + B5*AGE SALEPRIC : giá bán nhà quận Cam,bang California (nghìn USD) SQFT : diện tích nhà tính feet vng GARAGE : số chỗ đậu xe garage CITY : = nhà Coto de Caza, = Dove Canyon AGE : tuổi thọ nhà tinh theo năm Phần II : Eviews a/ Hãy chuyển liệu từ file Excel phần sang thành liệu dạng workfile Eviews lưu lại tên : Data TL 17 Sau dùng cơng cụ Eviews để: - Lập bảng tham số thống kê biến độc lập, vẽ đồ thị biến độc lập bảng - Lập ma trận Correlation Matrix gồm biến phụ thuộc tất biền độc lập - Ước lượng phương trình hồi quy dạng câu phần I b/ Hãy kiểm định Wald ( biến thừa ) cho biến độc lập nêu c/ Từ mô hinh câu a phần II kiểm định White BG cho mơ hình d/ Hãy dự báo giá trị trung bình giá trị cá biệt giá bán nhà theo mơ hình sau: SALEPRIC = C1 + C2*SQFT + C3*GARAGE +C4*CITY + C5*AGE Cho biết: SQFT = 7400, GARAGE = ,CITY = 0, AGE = 10 Và độ tin cậy 1- α = 95% Biểu diễn trực quan đồ thị dự báo cách vẽ đồ thị khoảng dự báo trung bình, dự báo cá biệt, tương ứng với cận cận theo số quan sát làm biến trục hoành chung cho đại lượng khác Nguyễn Thị Kim Yến Mssv: 09205301 Kinh tế lượng dự báo GVHD: Đinh Kiệm BẢNG SỐ LIỆU Số liệu cho sau: SALEPRIC: Giá bán tính nghìn USD SQFT:Diện tích nhà tính feet vng GARAGE: Số chỗ đậu xe CITY: =1 nhà city Côt de Caza, = Dove Canyon AGE: Tuổi thọ nhà tính năm obs 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 SALEPRIC SQFT GARAGE CITY AGE 350 2583 360 3308 3 365 2926 372 3050 373 3528 3 373 2830 375 3521 349 3003 380 3230 380 3230 380 3230 380 2900 380 3080 3 370 3080 3 380 3525 385 3050 385 3050 389 3528 390 2680 3 390 3500 390 3521 390 2700 392 2662 392 3371 3 392 3371 393 3371 3 395 2900 395 3275 399 3080 400 3155 3 400 3155 3 Nguyễn Thị Kim Yến Mssv: 09205301 Kinh tế lượng dự báo 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 400 399.9 400 401 402.5 405 405 407 410 410 412 412 415.984 416 418 419.95 425 425 426 430 430 432 432 434 435 439.402 440 440 565 605 609.9 620 653 670 440 445 459.9 449.96 450 450 459.5 460 Nguyễn Thị Kim Yến GVHD: Đinh Kiệm 3308 3371 3050 2789 3275 3180 3512 3275 3512 2789 3371 3275 3155 3757 3275 3879 3275 3515 3700 3110 3770 3512 3371 3367 3700 3515 3770 3413 3500 3757 3757 3879 4035 4035 3525 3308 3528 3515 3371 3528 3757 2600 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 7 8 5 9 7 2 4 Mssv: 09205301 Kinh tế lượng dự báo 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 549.95 460 462 449.9 464.82 464.9 465 457.325 449.95 475 475 419.95 479.95 480 482.75 489.95 490 495 497.5 499.9 500 510 510 514.9 514.9 527.5 535 535 539 539 547 552 556.7 480 485 485 487 490 492 495 504 505 Nguyễn Thị Kim Yến GVHD: Đinh Kiệm 2879 4000 3757 3500 3515 3308 3100 3879 3515 3929 4000 3879 4136 3512 3879 3879 4035 3500 3770 4035 3800 4035 3500 4018 3308 3757 4035 3879 3854 3500 4035 4136 3700 2865 3384 3568 3384 3305 3227 3295 3259 3668 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 2 2 8 8 2 3 3 11 Mssv: 09205301 Kinh tế lượng dự báo 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 517 520 525 526 529 530 530 531.05 532.5 535 535 535 540 540 545 547.5 571 550 555 555 560 560 560 562 565 565 570 570 570 575 575 575 580 580 583 585 589 590 591 597.5 600 600 Nguyễn Thị Kim Yến GVHD: Đinh Kiệm 3685 3350 2800 3170 3300 3475 3380 3620 3305 3475 3305 3900 4389 3305 3500 3369 3485 3920 3475 3781 2735 3390 3700 3668 4089 4170 2812 4010 3379 3920 3865 4579 3968 3750 4000 3457 3400 3427 4500 3970 4818 4600 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 3 3 3 3 10 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 11 11 9 19 8 11 10 11 10 11 10 9 12 8 9 10 Mssv: 09205301 Kinh tế lượng dự báo 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 600 600 610 620 625 625 627.5 629.9 640 645 651 657 663 675 690 695 700 700 710 712.95 720 730 730 740 749 750 750 760 765 774.95 780 795 814 842 880 885 920 925 925 925 944 981 Nguyễn Thị Kim Yến GVHD: Đinh Kiệm 3685 3457 3700 4100 4300 3820 4160 3712 4200 4000 4500 3818 3885 3968 4839 3637 4335 4300 4870 4459 3741 4400 4500 4579 3450 4402 4350 4400 4600 4024 3900 3900 4000 4569 4581 5000 5000 4650 4300 4400 4387 4970 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 11 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 11 1 7 13 2 2 10 8 2 7 1 Mssv: 09205301 Kinh tế lượng dự báo 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 985 994 2600 2900 1010 1100 1100 1112 1120 1135 1235 1350 1380 1395 1400 1400 1425 1475 1520 1600 1625 1750 1775 1800 2500.5 GVHD: Đinh Kiệm 5126 5076 8685 11000 5517 5500 4900 5800 8300 5506 6000 5475 6649 5400 10000 5862 7000 6338 6593 7000 8300 7338 9500 7948 9000 3 3 4 4 5 4 1 1 1 1 1 1 1 1 1 1 1 1 16 2 5 9 8 11 Phần 1: Trên Excel Để ước lượng hàm hồi quy Excel ta vào Tools → Data Analysis → Regression → OK ta có bảng kết sau: Nguyễn Thị Kim Yến 12 Mssv: 09205301 Kinh tế lượng dự báo GVHD: Đinh Kiệm lập CITY giải thích tương đói tốt cho biến SALEPRIC,50.33% Biến AGE giải thích khơng tốt cho biến SALEPRIC, 8.999% Mức tương quan biến SQFT biến GARAGE CITY tương đối lớn 58.18% 42.75% Ước lượng phương trình hồi quy: Mơ hình hồi quy là: SALEPRIC = -752.9956 + 0.220565 * SQFT + 135.4504 * GARAGE + 87.24892 * CITY + 6.214612 * AGE Nhận xét bảng hồi quy: Hệ số xác định R2 0.884225 tức biến độc lập giải thích cho biến phụ thuộc tới 88.44225% Độ phù hợp mơ hình cao Giá trị kiểm định Fisher 418.1480 tương đối lớn nên ta kết luận mơ hình có tính hợp lý bền vững cao P-value tất biến độc lập nhỏ 0.05 nên ta nói độ phù hợp (có mặt) biến độc lập tốt Vậy mơ hình tốt bền vững Nguyễn Thị Kim Yến 17 Mssv: 09205301 Kinh tế lượng dự báo GVHD: Đinh Kiệm b) Kiểm định Wald (biến thừa) cho biến độc lập: Nhận xét: Dựa vào bảng kết trên, ta thấy giá trị p-value = 0.0000 < 0.05 (mức ý nghĩa α=5%) nên ta bác bỏ giả thiết Nghĩa biến độc lập SQFT, GARAGE, CITY, AGE đồng thời ảnh hưởng đến biến phụ thuộc SALEPRIC, điều có nghĩa hàm hồi quy mẫu phù hợp Kiểm định Wald (biến thừa) cho biến độc lập: SQFT Nguyễn Thị Kim Yến 18 Mssv: 09205301 Kinh tế lượng dự báo GVHD: Đinh Kiệm Nhận xét: Từ bảng kết trên, ta thấy P-value = 0.0000 < 0.05 (mức ý nghĩa α = 5%) nên ta bác bỏ giả thiết => Biến SQFT thực biến cần thiết cho mơ hình Nguyễn Thị Kim Yến 19 Mssv: 09205301 Kinh tế lượng dự báo GVHD: Đinh Kiệm Kiểm định Wald (biến thừa) cho biến độc lập: GARAGE Nhận xét: Từ bảng kết cho thấy: giá trị P-value = 0.0000 < 0.05 (mức ý nghĩa α = 5%) nên ta bác bỏ giả thiết Biến GARAGE thực biến cần thiết cho mơ hình Kiểm định Wald (biến thừa) cho biến độc lập: CITY Nguyễn Thị Kim Yến 20 Mssv: 09205301 Kinh tế lượng dự báo GVHD: Đinh Kiệm Nhận xét: Từ bảng kết cho thấy: giá trị P-value = 0.0000 < 0.05 (mức ý nghĩa α = 5%) nên ta bác bỏ giả thiết Biến CITY thực biến cần thiết cho mơ hình Kiểm định Wald (biến thừa) cho biến độc lập: AGE Nguyễn Thị Kim Yến 21 Mssv: 09205301 Kinh tế lượng dự báo GVHD: Đinh Kiệm Nhận xét: Từ bảng kết cho thấy: giá trị P-value = 0.0270 < 0.05 (mức ý nghĩa α = 5%) nên ta bác bỏ giả thiết Biến AGE thực biến cần thiết cho mơ hình Qua việc thực hiên kiểm định Wald cho biến cho biến, ta nhận thấy biến SQFT, GARAGE, CITY, AGE cần thiết cho mô hình, khơng thừa khơng gây ảnh hưởng khơng tốt cho mơ hình c) Kiểm định White Nguyễn Thị Kim Yến 22 Mssv: 09205301 Kinh tế lượng dự báo GVHD: Đinh Kiệm Từ bảng kết ta thấy: Obs*R-squared =nR2 = 165.7949 > Xα2(df) = X20.05(13)= 22.3620324948 ta bác bỏ giả thiết Ho, tức mơ hình hồi quy xảy tượng phương sai thay đổi Do ta khắc phục tượng phương sai thay đổi, ta dùng phương pháp FGL để hồi quy lại phần dư sau kiểm định lại phương sai để giảm tối đa phương sai thay đổi Kiểm định BG Nguyễn Thị Kim Yến 23 Mssv: 09205301 Kinh tế lượng dự báo GVHD: Đinh Kiệm Từ bảng ước lượng ta chọn View / Residual Tests/ Serial Correlation LM Test Và cửa sổ Lag Speciffication, mục Lags to includeta chọn p=1 (p bậc tương quan hay gọi độ trễ tương quan) Chọn OK ta có bảng kết sau Theo bảng kết (n-p)R2 = 1.844992 có xác suất (p-value) 0.1744 lớn mức ý nghĩa α = 0.05, nên ta chấp nhận giả thiết Ho, tức khơng có tự tương quan bậc Dự báo giá trị trung bình giá trị cá biệt giá bán nhà theo mơ hình SALEPRIC = C1 + C2*SQFT + C3*GARAGE +C4*CITY + C5*AGE Nguyễn Thị Kim Yến 24 Mssv: 09205301 Kinh tế lượng dự báo GVHD: Đinh Kiệm B1: Ta ước lượng mơ hình hồi quy B2: Tạo thêm biến quan sát thứ (n+1) điền giá trị biến độc lập Nguyễn Thị Kim Yến 25 Mssv: 09205301 Kinh tế lượng dự báo GVHD: Đinh Kiệm B3: Ta đặt tên biến dự báo cho biến phụ thuộc (SALEPRIC) Salepricf, cho biến sai số dự báo (sai số dự báo SE(Yo)) Se_1dubao, với SE (Yo^) Se_2dubao, tiếp đến tính trị số tra bảng tα/2(n-k) đặt tên Tinv Cụ thể cửa sổ Equation có chứa phương trình hồi quy, chọn Forecast Nguyễn Thị Kim Yến 26 Mssv: 09205301 Kinh tế lượng dự báo GVHD: Đinh Kiệm Lập biến Se_2dubao thơng qua Se_1dubao Sigma ước lượng Để tính giá trị tα/2(n-k) với n-k=224-5=219, α/2= 2.5%.Ta vào dòng trắng dùng để thao tác lệnh Workfile chính, gõ Scalar Tinv=@qtdist(0.975,219) B4: Thiết lập cận (Upper) cận (Lower) cho khoảng dự báo trung bình(TB) cá biệt (CB) Ta vào dòng trắng dùng để thao tác lệnh Workfile chính, tạo lệnh Genr UpperTB=salepricf + tinv*Se_2dubao Genr LowerTB=salepricf - tinv*Se_2dubao Genr UpperCB=salepricf + tinv*Se_1dubao Genr LowerCB=salepricf - tinv*Se_1dubao Từ bảng giá trị biến cho ta biết : Giá trị khoảng dự báo giá trị trung bình giá bán nhà quận Cam California tương ứng với diện tích nhà SQFT = 7400 feet vuông, số chỗ đậu xe GARAGE = 4, nhà Dove Canyon CITY =0, tuổi thọ AGE = 10 năm là: [ 1410.144; 1556.127 ] Và khoảng dự báo cá biệt tương ứng là: [ 1221.441; 1744.830 ] B5: Vẽ đồ thị Nguyễn Thị Kim Yến 27 Mssv: 09205301 Kinh tế lượng dự báo GVHD: Đinh Kiệm Dự báo giá trị trung bình Đồ thị biểu diễn khoảng dự báo giá trị trung bình Nguyễn Thị Kim Yến 28 Mssv: 09205301 Kinh tế lượng dự báo GVHD: Đinh Kiệm Nhận xét: Đồ thị biểu diễn trực quan, ta nhìn thấy giá trị trung bình gần với giá trị thực => dự báo đáng tin cầy Đồ thị giá trị trung bình có khoảng cách cận cận ngắn nên việc dự báo xác tốt ngắn hạn gặp khó khăn dài hạn Dự báo giá trị cá biệt Đồ thị biểu diễn khoảng dự báo giá trị cá biệt Nguyễn Thị Kim Yến 29 Mssv: 09205301 Kinh tế lượng dự báo GVHD: Đinh Kiệm Nhận xét: Đồ thị giá trị cá biệt có khoảng cách cận cận xa so với dự báo trung bình việc dự báo tốt dài hạn KẾT LUẬN CHUNG Các kiểm định dự báo cho ta thấy biến SQFT, GARAGE, CITY, AGE biến thật cần thiết có tác động, ảnh hưởng đến SALEPRIC (giá bán nhà quận Cam bang California) Đây mơ hình tương đối bền vững hợp lý Ta dựa vào kết khảo sát dự báo để đưa vào dự án thực tế Nguyễn Thị Kim Yến 30 Mssv: 09205301 Kinh tế lượng dự báo Nguyễn Thị Kim Yến GVHD: Đinh Kiệm 31 Mssv: 09205301 ... 73 40 0 399.9 40 0 40 1 40 2.5 40 5 40 5 40 7 41 0 41 0 41 2 41 2 41 5.9 84 416 41 8 41 9.95 42 5 42 5 42 6 43 0 43 0 43 2 43 2 43 4 43 5 43 9 .40 2 44 0 44 0 565 605 609.9 620 653 670 44 0 44 5 45 9.9 44 9.96 45 0 45 0 45 9.5 46 0... 3968 48 39 3637 43 35 43 00 48 70 44 59 3 741 44 00 45 00 45 79 345 0 44 02 43 50 44 00 46 00 40 24 3900 3900 40 00 45 69 45 81 5000 5000 46 50 43 00 44 00 43 87 49 70 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 11 1 1 1 1 1... 46 4.9 46 5 45 7.325 44 9.95 47 5 47 5 41 9.95 47 9.95 48 0 48 2.75 48 9.95 49 0 49 5 49 7.5 49 9.9 500 510 510 5 14. 9 5 14. 9 527.5 535 535 539 539 547 552 556.7 48 0 48 5 48 5 48 7 49 0 49 2 49 5 5 04 505 Nguyễn Thị