Độ lệch chuẩn của biến SQFT là lớn (1275.312), cho thấy độ phân tán của nó xung quanh giá trị trung bình cao, từ giá trị nhỏ nhất là 2583 đến giá trị lớn nhất là 11000. Do đó biến SQFT trong các quan sát không có mức độ tương đồng cao, mà rải rác ở rất nhiều giá trị rất khác nhau.
Độ lệch chuẩn của biến GARAGE = 0.519634, CITY = 0.500400 và AGE = 3.254414 thì tương đối nhỏ cho thấy độ phân tán của các biến xung quanh giá trị trung bình thấp. Dựa vào giá trị Min, Max là thấy rằng các biến này trong các quan sát có mức độ tương đồng.
29 trang |
Chia sẻ: leddyking34 | Lượt xem: 2376 | Lượt tải: 5
Bạn đang xem trước 20 trang tài liệu Đề tài 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, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
LỜI CẢM ƠN
Em xin gửi lời cảm ơn chân thành tới:
Ban Giám Hiệu và các thầy cô đang công tác tại trường Đại học Công Nghiệp Thành phố Hồ Chí Minh đã tạo điều kiện về thời gian, cơ sở vật chất giúp chúng em có được thuận lợi trong suốt quá trình học tập tại trường.
Th.S Đinh Kiệm đã tận tình hướng dẫn chỉ bảo để chúng em hoàn thành đúng và đủ nội dung của bài tiểu luận qua đó chúng em có thể học tốt môn Kinh tế lượng và dự báo, một trong những điều kiện để trở thành một nhà kinh tế tài giỏi trong tương lai.
TP Hồ Chí Minh, ngày 20 tháng 11 năm 2011
NHẬN XÉT CỦA GIẢNG VIÊN
LỜI MỞ ĐẦU
Kinh tế lượng là một môn khoa học ra đời trong những năm 30 của thế kỷ 20. Sự ra đời của kinh tế lượng liên quan đến việc phát triển rộng rãi những phép toán và thống kê trong các lĩnh vực đa ngành như: sinh vật học, tâm lý học, xã hội học, đặc biệt việc toán học hóa đã có chú trọng nhiều đến lĩnh vực kinh tế.
Kinh tế lượng là tập hợp các công cụ nhằm mục đích dự báo các biến số kinh tế. Và Eviews là một công cụ có ưu điểm chính là có thể cho chúng ta kết quả nhanh chóng khi tiến hành ước lượng, phân tích và hàm hồi quy cho các mô hình kinh tế.
Do đó khi thực hiện đề tài tiểu luân số 17 liên quan tới 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, em đã sử dụng phần mềm Eviews 6 cho đề tài tiểu luận này. Qua các bước đặt ra các giả thiết liên quan, thiết lập mô hình, ước lượng tham số của mô hình, phân tích kết quả mô hình xem có phù hợp hay không và đi tới quyết định có sử dụng nó vào trong dự báo.
ĐỀ TL SỐ 17
Phần I : trên Excel
Sử dụng dữ liệu Data BT 11 trên Excel, dùng Regression trên 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 tại quận Cam,bang California (nghìn USD)
SQFT : diện tích nhà tính bằng feet vuông
GARAGE : số chỗ đậu xe hơi trong garage
CITY : = 1 đối với nhà ở Coto de Caza, = 0 nếu ở Dove Canyon
AGE : tuổi thọ căn nhà tinh theo năm
Phần II : trên Eviews
a/ Hãy chuyển dữ liệu từ file Excel ở phần 1 sang thành dữ liệu dưới dạng workfile của Eviews và lưu lại dưới tên : Data TL 17. Sau đó dùng công cụ Eviews để:
Lập bảng các tham số thống kê của các biến độc lập, vẽ đồ thị các biến độc lập trên cùng một bảng.
Lập ma trận Correlation Matrix gồm cả biến phụ thuộc và tất cả các biền độc lập.
Ước lượng phương trình hồi quy dưới dạng như ở câu phần I
b/ Hãy kiểm định Wald ( biến thừa ) cho 4 biến độc lập nêu trên
c/ Từ mô hinh câu a phần II hãy kiểm định White và BG cho mô hình này
d/ Hãy dự báo giá trị trung bình và giá trị cá biệt của giá bán nhà theo mô hình sau:
SALEPRIC = C1 + C2*SQFT + C3*GARAGE +C4*CITY + C5*AGE
Cho biết: SQFT = 7400, GARAGE = 4 ,CITY = 0, AGE = 10
Và độ tin cậy 1- a = 95% .
Biểu diễn trực quan đồ thị dự báo bằng cách vẽ đồ thị khoảng dự báo trung bình, dự báo cá biệt, tương ứng với các cận trên và cận dưới theo số quan sát làm biến trên trục hoành chung cho các đại lượng khác.
BẢNG SỐ LIỆU
Số liệu được cho như sau:
SALEPRIC: Giá bán tính bằng nghìn USD
SQFT: Diện tích nhà tính bằng feet vuông
GARAGE: Số chỗ đậu xe hơi
CITY: =1 nếu nhà ở city Côt de Caza, = 0 nếu ở Dove Canyon
AGE: Tuổi thọ của nhà tính bằng năm
obs
SALEPRIC
SQFT
GARAGE
CITY
AGE
1
350
2583
3
0
5
2
360
3308
3
0
3
3
365
2926
3
0
2
4
372
3050
3
0
8
5
373
3528
3
0
3
6
373
2830
3
0
4
7
375
3521
3
0
7
8
349
3003
3
0
4
9
380
3230
3
0
8
10
380
3230
3
0
7
11
380
3230
3
0
7
12
380
2900
3
0
7
13
380
3080
3
0
3
14
370
3080
3
0
3
15
380
3525
3
0
4
16
385
3050
3
0
7
17
385
3050
3
0
8
18
389
3528
3
0
4
19
390
2680
3
0
3
20
390
3500
3
0
8
21
390
3521
3
0
7
22
390
2700
3
0
2
23
392
2662
3
0
4
24
392
3371
3
0
3
25
392
3371
3
0
4
26
393
3371
3
0
3
27
395
2900
3
0
4
28
395
3275
3
0
8
29
399
3080
3
0
2
30
400
3155
3
0
3
31
400
3155
3
0
3
32
400
3308
3
0
7
33
399.9
3371
3
0
2
34
400
3050
3
0
7
35
401
2789
3
0
4
36
402.5
3275
3
0
7
37
405
3180
3
0
8
38
405
3512
3
0
8
39
407
3275
3
0
6
40
410
3512
3
0
8
41
410
2789
3
0
4
42
412
3371
3
0
3
43
412
3275
3
0
6
44
415.984
3155
3
0
3
45
416
3757
3
0
2
46
418
3275
3
0
7
47
419.95
3879
3
0
2
48
425
3275
3
0
5
49
425
3515
3
0
2
50
426
3700
3
0
5
51
430
3110
3
0
9
52
430
3770
3
0
9
53
432
3512
3
0
7
54
432
3371
3
0
2
55
434
3367
3
0
8
56
435
3700
3
0
5
57
439.402
3515
3
0
2
58
440
3770
3
0
7
59
440
3413
3
0
2
60
565
3500
3
0
3
61
605
3757
3
0
2
62
609.9
3757
3
0
7
63
620
3879
3
0
3
64
653
4035
3
0
2
65
670
4035
3
0
2
66
440
3525
3
0
4
67
445
3308
3
0
6
68
459.9
3528
3
0
4
69
449.96
3515
3
0
2
70
450
3371
3
0
4
71
450
3528
3
0
4
72
459.5
3757
3
0
2
73
460
2600
2
0
3
74
549.95
2879
3
0
3
75
460
4000
3
0
5
76
462
3757
3
0
2
77
449.9
3500
4
0
3
78
464.82
3515
3
0
2
79
464.9
3308
3
0
6
80
465
3100
3
0
8
81
457.325
3879
3
0
2
82
449.95
3515
3
0
3
83
475
3929
3
0
5
84
475
4000
3
0
6
85
419.95
3879
3
0
2
86
479.95
4136
3
0
2
87
480
3512
3
0
9
88
482.75
3879
3
0
2
89
489.95
3879
3
0
2
90
490
4035
3
0
2
91
495
3500
4
0
4
92
497.5
3770
3
0
8
93
499.9
4035
3
0
2
94
500
3800
3
0
8
95
510
4035
3
0
2
96
510
3500
4
0
4
97
514.9
4018
3
0
8
98
514.9
3308
3
0
8
99
527.5
3757
3
0
2
100
535
4035
3
0
2
101
535
3879
3
0
3
102
539
3854
3
0
3
103
539
3500
3
0
4
104
547
4035
3
0
2
105
552
4136
3
0
3
106
556.7
3700
4
0
3
107
480
2865
3
1
11
108
485
3384
3
1
5
109
485
3568
3
1
8
110
487
3384
3
1
4
111
490
3305
3
1
9
112
492
3227
3
1
4
113
495
3295
3
1
8
114
504
3259
3
1
5
115
505
3668
3
1
7
116
517
3685
3
1
9
117
520
3350
3
1
3
118
525
2800
3
1
11
119
526
3170
3
1
8
120
529
3300
3
1
9
121
530
3475
3
1
11
122
530
3380
3
1
9
123
531.05
3620
3
1
1
124
532.5
3305
3
1
9
125
535
3475
2
1
19
126
535
3305
3
1
8
127
535
3900
3
1
8
128
540
4389
3
1
8
129
540
3305
3
1
9
130
545
3500
3
1
11
131
547.5
3369
3
1
10
132
571
3485
3
1
11
133
550
3920
3
1
6
134
555
3475
3
1
10
135
555
3781
3
1
8
136
560
2735
3
1
11
137
560
3390
3
1
8
138
560
3700
3
1
9
139
562
3668
3
1
7
140
565
4089
2
1
8
141
565
4170
3
1
1
142
570
2812
3
1
10
143
570
4010
3
1
9
144
570
3379
3
1
9
145
575
3920
3
1
5
146
575
3865
3
1
12
147
575
4579
3
1
8
148
580
3968
4
1
2
149
580
3750
4
1
8
150
583
4000
3
1
8
151
585
3457
3
1
9
152
589
3400
3
1
9
153
590
3427
3
1
2
154
591
4500
3
1
8
155
597.5
3970
3
1
9
156
600
4818
3
1
10
157
600
4600
3
1
6
158
600
3685
3
1
8
159
600
3457
3
1
11
160
610
3700
3
1
8
161
620
4100
3
1
1
162
625
4300
3
1
2
163
625
3820
3
1
5
164
627.5
4160
3
1
1
165
629.9
3712
3
1
1
166
640
4200
3
1
7
167
645
4000
3
1
7
168
651
4500
3
1
9
169
657
3818
3
1
13
170
663
3885
4
1
2
171
675
3968
3
1
2
172
690
4839
3
1
9
173
695
3637
3
1
2
174
700
4335
3
1
2
175
700
4300
3
1
3
176
710
4870
3
1
7
177
712.95
4459
4
1
0
178
720
3741
3
1
10
179
730
4400
3
1
8
180
730
4500
3
1
2
181
740
4579
3
1
8
182
749
3450
3
1
8
183
750
4402
3
1
9
184
750
4350
3
1
6
185
760
4400
3
1
8
186
765
4600
3
1
2
187
774.95
4024
4
1
0
188
780
3900
3
1
2
189
795
3900
3
1
4
190
814
4000
3
1
7
191
842
4569
3
1
7
192
880
4581
3
1
2
193
885
5000
3
1
6
194
920
5000
5
1
8
195
925
4650
4
1
2
196
925
4300
3
1
9
197
925
4400
3
1
7
198
944
4387
4
1
1
199
981
4970
4
1
1
200
985
5126
3
1
9
201
994
5076
4
1
1
202
2600
8685
5
1
16
203
2900
11000
3
1
9
204
1010
5517
4
1
1
205
1100
5500
3
1
2
206
1100
4900
3
1
2
207
1112
5800
3
1
2
208
1120
8300
3
1
7
209
1135
5506
4
1
1
210
1235
6000
5
1
5
211
1350
5475
4
1
2
212
1380
6649
3
1
5
213
1395
5400
4
1
9
214
1400
10000
4
1
3
215
1400
5862
4
1
2
216
1425
7000
3
1
9
217
1475
6338
4
1
8
218
1520
6593
5
1
2
219
1600
7000
5
1
5
220
1625
8300
4
1
8
221
1750
7338
4
1
1
222
1775
9500
4
1
8
223
1800
7948
5
1
1
224
2500.5
9000
7
1
11
Phần 1: Trên Excel
Để ước lượng hàm hồi quy trên Excel ta vào Tools → Data Analysis → Regression → OK ta có bảng kết quả như sau:
Dựa vào bảng trên ta có :
B1 = -752.9956 ; B2 = 0.220565
B3 = 135.4504 ; B4 = 87.24892
B5 = 6.214612
Vậy hàm hồi quy mẫu là:
SALEPRIC = -752.9956+ 0.220565*SQFT + 135.4504*GARAGE +87.24892*CITY + 6.214612*AGE
Ý nghĩa của hàm hồi quy:
Trong điều kiện các yếu tố khác không đổi, khi diện tích căn nhà tăng lên 1 feet vuông thì giá bán nhà tại quận Cam bang California tăng lên 0,220565 nghìn USD.
Trong điều kiện các yếu tố khác không đổi nếu số chỗ đậu xe tăng lên 1 thì giá bán nhà tại quận Cam bang California tăng lên 135,45 nghìn USD.
Trong điều kiện các yếu tố khác không đổi nếu nhà ở Coto de Caza thì giá bán nhà tại quận Cam bang California tăng lên 87,25 nghìn USD.
Trong điều kiện các yếu tố khác không đổi nếu độ tuổi của căn nhà tăng lên 1 thì giá bán của căn nhà tăng lên 6, 215 nghìn USD.
Phần 2 : Trên Eviews
Chuyển dữ liệu từ file Excel sang dữ liệu dữ liệu Workfile của Eviews và lưu lại dưới tên: Data DL 17.
Bảng các tham số thống kê của các biến độc lập
Mean : Giá trị trung bình.
Median : Trung vị.
Maximum : Giá trị lớn nhất.
Minimum : Giá trị nhỏ nhất.
Std.Dev. (Standard Deviation) : Độ lệch chuẩn.
Skenewness : Độ bất cân xứng.
Kurtosis : Độ nhọn.
Jarque-Bera : giá trị phân phối Jarque-Bera dùng để kiểm định phân phối chuẩn.
Probability : Giá trị xác suất tới hạn.
Sum : Tổng các giá trị.
Sum Sq.Dev. (Sum Square Deviation) : Tổng bình phương các sai số chuẩn.
Observations : Số quan sát.
Nhận xét:
Độ lệch chuẩn của biến SQFT là lớn (1275.312), cho thấy độ phân tán của nó xung quanh giá trị trung bình cao, từ giá trị nhỏ nhất là 2583 đến giá trị lớn nhất là 11000. Do đó biến SQFT trong các quan sát không có mức độ tương đồng cao, mà rải rác ở rất nhiều giá trị rất khác nhau.
Độ lệch chuẩn của biến GARAGE = 0.519634, CITY = 0.500400 và AGE = 3.254414 thì tương đối nhỏ cho thấy độ phân tán của các biến xung quanh giá trị trung bình thấp. Dựa vào giá trị Min, Max là thấy rằng các biến này trong các quan sát có mức độ tương đồng.
Đồ thị các biến độc lập:
Ma trận Correlation Matrix gồm cả biến phụ thuộc và tất cả biến độc lập
Nhận xét:
Quan sát ta thấy biến độc lập SQFT giải thích rất tốt cho biến SALEPRIC, 91.93%. Biến độc lập GARAGE giải thích tương đối tốt cho biến SALEPRIC, 65.36%.Biến độc lập CITY giải thích tương đói tốt cho biến SALEPRIC,50.33%. Biến AGE giải thích không tốt lắm cho biến SALEPRIC, 8.999%.
Mức tương quan giữa biến SQFT và các biến GARAGE và CITY tương đối khá lớn lần lượt là 58.18% và 42.75%.
Ước lượng phương trình hồi quy:
Mô 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 là 0.884225 tức là các biến độc lập giải thích được cho biến phụ thuộc tới 88.44225%. Độ phù hợp của mô hình này là khá cao.
Giá trị kiểm định Fisher là 418.1480 tương đối lớn nên ta có thể kết luận mô hình có tính hợp lý và bền vững cao.
P-value của tất cả các biến độc lập đều nhỏ hơn 0.05 nên ta có thể nói độ phù hợp (có mặt) của các biến độc lập là rất tốt.
Vậy đây là mô hình tốt và bền vững.
Kiểm định Wald (biến thừa) cho 4 biến độc lập:
Nhận xét:
Dựa vào bảng kết quả trên, ta thấy giá trị p-value = 0.0000 < 0.05 (mức ý nghĩa α=5%) nên ta bác bỏ giả thiết. Nghĩa là cả 4 biến độc lập SQFT, GARAGE, CITY, AGE đều đồng thời ảnh hưởng đến biến phụ thuộc SALEPRIC, điều đó có nghĩa hàm hồi quy mẫu phù hợp.
Kiểm định Wald (biến thừa) cho biến độc lập: SQFT
Nhận xét:
Từ bảng kết quả trên, ta thấy P-value = 0.0000 Biến SQFT thực sự là một biến cần thiết cho mô hình.
Kiểm định Wald (biến thừa) cho biến độc lập: GARAGE
Nhận xét:
Từ bảng kết quả trên cho thấy: giá trị P-value = 0.0000 < 0.05 (mức ý nghĩa α = 5%) nên ta bác bỏ giả thiết.
Biến GARAGE thực sự là một biến cần thiết cho mô hình.
Kiểm định Wald (biến thừa) cho biến độc lập: CITY
Nhận xét:
Từ bảng kết quả trên cho thấy: giá trị P-value = 0.0000 < 0.05 (mức ý nghĩa α = 5%) nên ta bác bỏ giả thiết.
Biến CITY thực sự là một biến cần thiết cho mô hình.
Kiểm định Wald (biến thừa) cho biến độc lập: AGE
Nhận xét:
Từ bảng kết quả trên cho thấy: giá trị P-value = 0.0270 < 0.05 (mức ý nghĩa α = 5%) nên ta bác bỏ giả thiết.
Biến AGE thực sự là một biến cần thiết cho mô hình.
Qua việc thực hiên kiểm định Wald cho 4 biến rồi lần lượt cho từng biến, ta nhận thấy cả 4 biến SQFT, GARAGE, CITY, AGE đều cần thiết cho mô hình, không thừa và không gây ảnh hưởng không tốt cho mô hình.
Kiểm định White
Từ bảng kết quả trên ta thấy:
Obs*R-squared =nR2 = 165.7949 > Xα2(df) = X20.05(13)= 22.3620324948
ta bác bỏ giả thiết Ho, tức là mô hình hồi quy xảy ra hiện tượng phương sai thay đổi.
Do đó ta khắc phục hiện tượng phương sai thay đổi, ta dùng phương pháp FGL để hồi quy lại phần dư sau đó kiểm định lại phương sai để giảm tối đa phương sai thay đổi.
Kiểm định BG
Từ bảng ước lượng ta chọn View / Residual Tests/ Serial Correlation LM Test. Và trong cửa sổ Lag Speciffication, ở mục Lags to includeta chọn p=1 (p là bậc tương quan hay còn gọi là độ trễ trong tương quan). Chọn OK ta có bảng kết quả sau đây.
Theo bảng kết quả trên (n-p)R2 = 1.844992 có xác suất (p-value) là 0.1744 lớn hơn mức ý nghĩa α = 0.05, nên ta chấp nhận giả thiết Ho, tức là không có tự tương quan bậc nhất.
Dự báo giá trị trung bình và giá trị cá biệt của giá bán nhà theo mô hình
SALEPRIC = C1 + C2*SQFT + C3*GARAGE +C4*CITY + C5*AGE
B1: Ta ước lượng mô hình hồi quy
B2: Tạo thêm biến quan sát thứ (n+1) điền các giá trị của các biến độc lập
B3: Ta lần lượt đặt tên biến dự báo cho biến phụ thuộc (SALEPRIC) là Salepricf, cho biến sai số dự báo (sai số dự báo SE(Yo)) là Se_1dubao, và với SE (Yo^) là Se_2dubao, tiếp đến tính trị số tra bảng tα/2(n-k) được đặt tên là Tinv.
Cụ thể trên cửa sổ Equation có chứa phương trình hồi quy, chọn Forecast
Lập biến Se_2dubao thông qua Se_1dubao và 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 trên Workfile chính, gõ Scalar Tinv=@qtdist(0.975,219).
B4: Thiết lập các cận trên (Upper) và cận dưới (Lower) cho các khoảng dự báo trung bình(TB) và cá biệt (CB)
Ta vào dòng trắng dùng để thao tác lệnh trên Workfile chính, lần lượt tạo các 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 các biến trên đây cho ta biết :
Giá trị của khoảng dự báo giá trị trung bình của giá bán nhà tại quận Cam California tương ứng với diện tích nhà SQFT = 7400 feet vuông, số chỗ đậu xe hơi GARAGE = 4, nhà ở 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
Dự báo giá trị trung bình
Đồ thị biểu diễn khoảng dự báo giá trị trung bình
Nhận xét:
Đồ thị biểu diễn khá trực quan, ta có thể nhìn thấy các giá trị trung bình rất gần với giá trị thực của nó => dự báo rất đáng tin cầy.
Đồ thị giá trị trung bình này có khoảng cách giữa cận trên và cận dưới khá ngắn nên việc dự báo chính xác sẽ tốt hơn trong ngắn hạn nhưng sẽ gặp khó khăn trong dài hạn.
Dự báo giá trị cá biệt
Đồ thị biểu diễn khoảng dự báo giá trị cá biệt
Nhận xét: Đồ thị giá trị cá biệt này có khoảng cách giữa cận trên và cận dưới xa hơn so với trong dự báo trung bình nhưng việc dự báo sẽ tốt hơn trong dài hạn.
KẾT LUẬN CHUNG
Các kiểm định và dự báo cho ta thấy các biến SQFT, GARAGE, CITY, AGE là những biến thật sự cần thiết và có tác động, ảnh hưởng đến SALEPRIC (giá bán nhà tại quận Cam bang California).
Đây là một mô hình tương đối bền vững và hợp lý. Ta có thể dựa vào kết quả khảo sát và dự báo để đưa vào dự án thực tế.
Các file đính kèm theo tài liệu này:
- 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.doc