Đọc một bảng kết quả hồi quy là trả lời bốn câu theo thứ tự: hệ số nói quan hệ theo chiều nào và lớn cỡ nào, sai số chuẩn và khoảng tin cậy nói con số đó chắc đến đâu, giá trị p nói có đủ bằng chứng để khác không hay không, và R bình phương nói mô hình giải thích được bao nhiêu phần dao động. Sau bốn câu đó còn một câu quan trọng nhất mà bảng không tự trả lời: quan hệ này có phải nhân quả không.
Bài viết dành cho sinh viên kinh tế bắt đầu học kinh tế lượng và người đọc nghiên cứu kinh tế muốn hiểu các bảng số. Phần dưới giải thích kinh tế lượng làm gì, các thành phần của bảng hồi quy, đọc một bảng mẫu giả định, năm hiểu lầm hay gặp, ba vấn đề cơ bản của mô hình, câu lệnh nhờ AI giải thích và cách thực hành.
Kinh tế lượng làm gì và hồi quy trả lời câu hỏi nào
Lý thuyết kinh tế đưa ra dự đoán về chiều tác động: thu nhập tăng thì chi tiêu tăng, giá tăng thì lượng cầu giảm. Kinh tế lượng dùng dữ liệu để trả lời câu tiếp theo: tăng bao nhiêu, và mức độ chắc chắn ra sao. Công cụ cơ bản nhất là hồi quy tuyến tính, ước lượng một biến phụ thuộc thay đổi thế nào khi một hay nhiều biến giải thích thay đổi, giữ các biến khác trong mô hình không đổi.
Phương pháp phổ biến nhất ở bậc nhập môn là bình phương nhỏ nhất thông thường, tìm đường thẳng sao cho tổng bình phương khoảng cách từ các điểm dữ liệu tới đường là nhỏ nhất. Bạn không cần tự tính tay ở mức này vì phần mềm làm việc đó; điều cần là đọc đúng kết quả phần mềm trả về và biết khi nào kết quả đó không đáng tin.
Một điều cần khắc sâu từ đầu: hồi quy cho biết quan hệ thống kê trong dữ liệu. Để nói về nhân quả, người nghiên cứu cần thêm thiết kế nghiên cứu phù hợp và lập luận. Phần lớn tranh luận trong kinh tế học thực nghiệm xoay quanh chính câu hỏi này, không phải quanh phép tính.
Các thành phần của một bảng hồi quy
Bảng kết quả của các phần mềm thống kê trình bày khác nhau nhưng đều có những thành phần dưới đây. Học thuộc ý nghĩa từng dòng là bước đầu tiên để đọc bất kỳ bài nghiên cứu kinh tế nào.
| Thành phần | Ý nghĩa | Câu hỏi nên đặt |
|---|---|---|
| Hệ số | Biến phụ thuộc thay đổi bao nhiêu khi biến giải thích tăng một đơn vị, các biến khác trong mô hình giữ nguyên | Dấu có đúng lý thuyết không, độ lớn có hợp lý không |
| Sai số chuẩn | Độ bất định của hệ số ước lượng | Sai số lớn so với hệ số không |
| Thống kê t | Hệ số chia sai số chuẩn | Có lớn hơn khoảng 2 về trị tuyệt đối không |
| Giá trị p | Xác suất thu được kết quả ít nhất như vậy nếu hệ số thật bằng 0 | Nhỏ hơn ngưỡng đã chọn trước không |
| Khoảng tin cậy | Khoảng giá trị hợp lý của hệ số thật | Khoảng có chứa 0 không, rộng hay hẹp |
| R bình phương | Tỉ lệ dao động của biến phụ thuộc được mô hình giải thích | Mục tiêu là giải thích hay ước lượng tác động |
| Số quan sát | Số dòng dữ liệu được dùng | Có bị mất nhiều dòng do thiếu dữ liệu không |
Ngưỡng 2 của thống kê t là quy tắc gần đúng cho mức ý nghĩa 5% khi số quan sát đủ lớn. Với mẫu nhỏ, ngưỡng chính xác lớn hơn một chút; phần mềm đã tính sẵn giá trị p tương ứng.
Đọc một bảng mẫu giả định từng bước
Ví dụ giả định: một bài tập dùng dữ liệu khảo sát hộ gia đình, biến phụ thuộc là logarit chi tiêu cho ăn uống, biến giải thích là logarit thu nhập và một biến giả bằng 1 nếu hộ sống ở thành thị. Kết quả giả định: hệ số logarit thu nhập 0,6 với sai số chuẩn 0,1; hệ số biến thành thị 0,15 với sai số chuẩn 0,05; R bình phương 0,45.
- Đọc hệ số thu nhập: vì cả hai vế đều lấy logarit, hệ số là độ co giãn. Thu nhập cao hơn 1% đi kèm chi tiêu ăn uống cao hơn khoảng 0,6%, giữ nguyên yếu tố thành thị. Độ co giãn nhỏ hơn 1 nghĩa là tỉ trọng chi cho ăn uống giảm khi thu nhập tăng, phù hợp với quy luật Engel quen thuộc trong giáo trình.
- Đọc độ chắc chắn: thống kê t bằng 0,6 chia 0,1, tức 6, rất xa ngưỡng 2. Khoảng tin cậy 95% xấp xỉ 0,6 cộng trừ hai lần 0,1, tức từ 0,4 đến 0,8, không chứa 0 và cũng không chứa 1.
- Đọc biến giả: biến phụ thuộc ở dạng logarit, nên hệ số 0,15 có nghĩa hộ thành thị chi cho ăn uống cao hơn khoảng 15% so với hộ nông thôn có cùng thu nhập. Cách tính chính xác hơn là lấy e mũ 0,15 trừ 1, ra khoảng 16%; với hệ số nhỏ, hai cách cho kết quả gần nhau.
- Đọc R bình phương: mô hình giải thích khoảng 45% dao động của chi tiêu ăn uống giữa các hộ. Phần còn lại do quy mô hộ, thói quen, giá cả địa phương và nhiều yếu tố chưa có trong mô hình.
- Kết luận cẩn trọng: dữ liệu phù hợp với dự đoán lý thuyết; không kết luận rằng tăng thu nhập cho một hộ cụ thể sẽ làm chi tiêu của hộ đó tăng đúng 0,6%.
Năm hiểu lầm hay gặp khi đọc hồi quy
Giá trị p nhỏ nghĩa là tác động lớn. Sai. Giá trị p nói về mức độ chắc chắn rằng hệ số khác 0, không nói về độ lớn. Với mẫu rất lớn, một tác động nhỏ đến mức vô nghĩa về kinh tế vẫn có thể có p rất nhỏ. Luôn đọc độ lớn hệ số trước.
Không có ý nghĩa thống kê nghĩa là không có tác động. Cũng sai. Có thể tác động có thật nhưng dữ liệu không đủ để phát hiện. Khoảng tin cậy rộng chứa cả 0 lẫn những giá trị lớn là dấu hiệu của tình huống này.
R bình phương thấp là mô hình vô dụng. Không hẳn. Với dữ liệu cá nhân hay hộ gia đình, R bình phương thấp là chuyện thường. Nếu mục tiêu là ước lượng một tác động cụ thể, độ tin cậy của hệ số quan trọng hơn R bình phương.
Hệ số là tác động nhân quả. Chỉ khi thiết kế nghiên cứu cho phép. Hồi quy thông thường trên dữ liệu quan sát cho quan hệ có điều kiện, có thể bị lệch bởi biến bị bỏ sót hoặc quan hệ hai chiều.
Dùng kết quả cho ngoài phạm vi dữ liệu. Mô hình ước lượng trên các hộ có thu nhập trong một khoảng nhất định không nói được gì chắc chắn về hộ có thu nhập vượt xa khoảng đó.
Ba vấn đề cơ bản khiến kết quả hồi quy lệch
Biến bị bỏ sót. Nếu một yếu tố vừa ảnh hưởng biến phụ thuộc vừa tương quan với biến giải thích mà không có trong mô hình, hệ số sẽ bị lệch. Ví dụ kinh điển trong giáo trình: hồi quy thu nhập theo số năm đi học mà không kiểm soát được năng lực bẩm sinh, hệ số của số năm đi học có thể phản ánh một phần tác động của năng lực. Đây là vấn đề quan trọng nhất ở bậc nhập môn.
Đa cộng tuyến. Khi hai biến giải thích tương quan rất mạnh với nhau, mô hình khó tách riêng tác động của từng biến, sai số chuẩn tăng lên. Hệ số không bị lệch theo nghĩa thống kê, nhưng kém chính xác. Dấu hiệu là từng hệ số không có ý nghĩa thống kê trong khi cả nhóm cùng nhau lại có.
Phương sai sai số thay đổi. Khi độ phân tán của sai số khác nhau giữa các nhóm quan sát, ví dụ hộ thu nhập cao có chi tiêu dao động mạnh hơn, sai số chuẩn thông thường có thể sai. Cách xử lý phổ biến là dùng sai số chuẩn vững, phần mềm có sẵn tuỳ chọn này.
Ở các năm sau, bạn sẽ học thêm các phương pháp xử lý nội sinh như biến công cụ, dữ liệu bảng với hiệu ứng cố định, hay thiết kế dựa trên thí nghiệm tự nhiên. Điểm chung của chúng là cố gắng tiến gần hơn tới câu trả lời nhân quả.
Nhờ AI giải thích bảng hồi quy, có kiểm
AI hữu ích để giải thích ý nghĩa từng dòng và gợi ý câu hỏi phản biện. Nó hay trượt ở cách diễn giải hệ số khi có logarit và ở câu chữ về giá trị p. Dưới là các câu lệnh kèm điểm cần soát.
- "Đây là bảng kết quả hồi quy trong bài tập của mình, biến phụ thuộc là [log chi tiêu], các biến giải thích là [...]. Giải thích từng hệ số bằng lời, nói rõ dạng mô hình là log–log, log–tuyến tính hay tuyến tính."
- "Diễn giải giá trị p của biến [thu nhập] bằng một câu chính xác về mặt thống kê, rồi chỉ ra một cách diễn giải sai hay gặp."
- "Liệt kê ba biến có thể bị bỏ sót trong mô hình này và mỗi biến sẽ làm hệ số [thu nhập] lệch lên hay lệch xuống, giải thích lý do."
- "Đây là cách mình diễn giải bảng. Chỉ ra chỗ nào mình nói quá mức bảng cho phép, nhất là chỗ nói về nhân quả."
- Soát lại: AI có nói "p là xác suất giả thuyết không đúng" không. Đó là diễn giải sai phổ biến; p tính với giả định giả thuyết không là đúng.
Nếu dữ liệu đến từ khảo sát có thông tin cá nhân, chỉ dán bảng kết quả tổng hợp vào AI, không dán dữ liệu gốc từng người. Dữ liệu khảo sát của đề tài thường có cam kết bảo mật với người trả lời.
Thực hành: tự chạy hồi quy đầu tiên
Cách học kinh tế lượng nhanh nhất là tự chạy. Chọn một bộ dữ liệu công khai, ví dụ dữ liệu mẫu đi kèm giáo trình hoặc bộ chỉ số phát triển mở của các tổ chức quốc tế, rồi chạy một hồi quy đơn giản bằng phần mềm lớp bạn dùng, có thể là phần mềm thống kê chuyên dụng, R hay Python.
AI giúp được ở bước viết mã ban đầu và giải thích thông báo lỗi. Nhưng hãy đọc từng dòng mã nó viết: lệnh lọc dữ liệu có bỏ mất quan sát nào không, biến có được lấy logarit đúng không, có dùng sai số chuẩn vững không. Mã chạy được không có nghĩa là mã đúng.
Sau khi có bảng kết quả, viết một đoạn diễn giải theo bốn câu ở đầu bài: chiều và độ lớn, độ chắc chắn, ý nghĩa thống kê, phần giải thích được. Thêm một câu về giới hạn: biến nào có thể bị bỏ sót. Làm vài lần như vậy, bạn sẽ đọc các bảng trong bài nghiên cứu kinh tế nhanh và tỉnh táo hơn nhiều.
Câu hỏi thường gặp
Kinh tế lượng khác thống kê ở đâu?
Kinh tế lượng dùng công cụ thống kê nhưng tập trung vào dữ liệu kinh tế và câu hỏi do lý thuyết kinh tế đặt ra, đặc biệt là câu hỏi nhân quả với dữ liệu quan sát. Vì vậy môn này chú trọng nhiều tới biến bị bỏ sót, nội sinh và thiết kế nghiên cứu.
Giá trị p bằng 0,05 có phải ranh giới tuyệt đối không?
Không. Đó là ngưỡng quy ước, và nhiều nhà thống kê khuyên không nên chia kết quả thành có hoặc không có ý nghĩa một cách máy móc. Nên báo cáo hệ số, khoảng tin cậy và giá trị p đầy đủ để người đọc tự đánh giá.
R bình phương bao nhiêu là tốt?
Không có con số chung. Dữ liệu chuỗi thời gian vĩ mô thường có R bình phương cao, dữ liệu cá nhân thường thấp. Quan trọng hơn là mô hình có phù hợp mục tiêu và hệ số quan tâm có được ước lượng đáng tin hay không.
Vì sao nhiều mô hình kinh tế lấy logarit các biến?
Logarit giúp diễn giải hệ số theo phần trăm và độ co giãn, giảm ảnh hưởng của giá trị rất lớn và thường làm quan hệ gần tuyến tính hơn. Khi đọc bảng, luôn kiểm biến nào đã lấy logarit trước khi diễn giải.
Có thể nhờ AI chạy hồi quy thay mình không?
Một số công cụ chạy được mã phân tích, nhưng bạn vẫn phải hiểu và kiểm từng bước: dữ liệu đầu vào, cách xử lý thiếu dữ liệu, dạng mô hình. Trong bài tập và luận văn, bạn chịu trách nhiệm với kết quả, nên đừng nộp thứ bạn không giải thích được.
Học kinh tế lượng cần chuẩn bị gì trước?
Nền xác suất thống kê như kỳ vọng, phương sai, phân phối chuẩn, kiểm định giả thuyết, cùng đại số và đạo hàm cơ bản. Biết dùng bảng tính và làm quen với một phần mềm thống kê trước khi vào môn sẽ giúp rất nhiều.