Tiểu luận môn học MPNN
Ngô Hoàng Duy
2023-08-03
Chương 1: Giới Thiệu
1.1 Lý do chọn Đề Tài
Trong bức tranh có màu ảm đạm của nền kinh tế Việt Nam trong thời kỳ COVID –19 ngân hàng đóng vai trò rất quan trọng trong việc cung cấp các dịch vụ tín dụng và vay vốn cho các doanh nghiệp, cá nhân và tổ chức. Đối với hệ thống tài chính của VN thì các ngân hàng thương mại chiếm giữ vị trí vô cùng quan trọng trong quá trình giúp nguồn vốn của nền kinh tế được lưu thông góp phần thúc đẩy tăng trưởng kinh tế. Tuy nhiên, các nghiên cứu hiện nay của VN chỉ mới dừng ở phân tích định tính về mối quan hệ giữa hoạt động kinh doanh ngân hàng với tăng trưởng kinh tế nên chưa có những bằng chứng định lượng đủ thuyết phục chứng minh vai trò của hệ thống ngân hàng với nền kinh tế.
Để làm được điều đó cần nghiên cứu các yếu tố khác có sự ảnh hưởng liên quan cảdài và ngắn hạn để đưa ra các chích sách đồng bộ, linh hoạt và hợp lý. Trong đó có các yếu tố không thể không kể đến đó là tốc độ tăng trưởng GDP, tốc độ tăng trưởng tín dụng và tốc độ tăng trưởng cung tiền M2 chỉ số giá tiêu dùng FDI và lạm phát. Đó là lí do trong bài tiểu luận cứu lần này em sẽ chọn Nhìn nhận ảnh hưởng của ngân hàng đến GDP trong ngắn hạn giai đoạn từ tháng 1/2009 – 09/2020
1.2 Mục Tiêu Nghiên Cứu
Vận dụng mô hình Mô hình hồi quy tuyến tính đa biến (Multiple Linear Regression) để phân tích các ảnh hưởng của ngân hàng đến GDP
Hệ thống lý thuyết mô hình Mô hình hồi quy tuyến tính đa biến (Multiple Linear Regression)
Ảnh hưởng của ngân hàng đến GDP
1.3 Đối tượng nghiên cứu
Đối tượng nghiên cứu: Quan hệ giữa tốc độ GDP tăng trưởng hàng năm, Tốc độ tăng trưởng tín dụng ngân hàng, Tốc độ tăng trưởng cung tiền M2, chỉ số giá tiêu dùng, FDI, Lạm phát và tỳ giá tại Việt Nam
Về hướng kĩ thuật, nghiên cứu này có đối tượng là dữ liệu thời gian. Các đối tượng trong quan hệ là dữ liệu thời gian, lấy theo tháng, từ tháng 1/2009 đến tháng 09/2020
1.4 Phương pháp nghiên cứu
Sử dụng mô hình Mô hình hồi quy tuyến tính đa biến (Multiple Linear Regression) để phân tích các ảnh hưởng của ngân hàng đến GDP
1.2 Kết cấu đề bài
Chương 1: Giới thiệu
Chương 2: Tổng quan lý thuyết
Chương 3: Thiết kế nghiên cứu
Chương 4: Kết quả nghiên cứu
Chương 5: Kết luận
Chương 2 Tổng quan lý thuyết
2.1 Tốc độ tăng trưởng GDP
GDP là viết tắt của cụm từ Gross Domestic Product, dịch ra là tổng sản phẩm nội địa hoặc tổng sản phẩm quốc nội. Đây là một chỉ số tiêu dùng đo lường tổng giá trị thịtrường của tất cả các loại hàng hoá, dịch vụ được sản xuất ra ở một quốc gia trong một thời kỳ nhất định.
Tốc độ tăng trưởng GDP (Gross Domestic Product) là một chỉ số quan trọng để đo lường sự gia tăng giá trị sản xuất của một quốc gia trong một khoảng thời gian cụ thể, thường là một năm. Nó thể hiện mức độ tăng trưởng của kinh tế trong một giai đoạn so với giai đoạn trước đó và được tính dưới dạng phần trăm
Tốc độ tăng trưởng GDP trong một năm (gọi là tốc độ tăng trưởng GDP hàng năm) được tính như sau:
Tốc độ tăng trưởng GDP = [(GDP cuối kỳ - GDP đầu kỳ) / GDP đầu kỳ] x 100
Tốc độ tăng trưởng GDP cho thấy mức độ mà nền kinh tế của một quốc gia đang phát triển. Một tốc độ tăng trưởng dương (dương tính) cho thấy kinh tế đang tăng trưởng, trong khi tốc độ tăng trưởng âm (âm tính) cho thấy kinh tế đang suy thoái.
Các quốc gia thường công bố tốc độ tăng trưởng GDP hàng năm để theo dõi hiệu quả của chính sách kinh tế và đánh giá tình hình phát triển kinh tế chung của quốc gia đó. Tốc độ tăng trưởng GDP có thể khác nhau cho từng quốc gia và cũng có thể biến đổi theo thời gian do nhiều yếu tố kinh tế, xã hội và chính trị
2.1.1 Ảnh hưởng của tốc độ tăng trưởng GDP
Dịch Covid-19 diễn biến phức tạp, ảnh hưởng nghiêm trọng đến hoạt động thương mại, dịch vụ. Khu vực dịch vụ trong năm 2020 đạt mức tăng thấp nhất của các năm 2011-2020. Đóng góp của một số ngành dịch vụ thị trường có tỷ trọng lớn vào tốc độ tăng tổng giá trị tăng thêm của năm 2020 như: Bán buôn và bán lẻ tăng 5,53% so với năm trước, đóng góp 0,61 điểm phần trăm; hoạt động tài chính, ngân hàng và bảo hiểm tăng 6,87%, đóng góp 0,46 điểm phần trăm; ngành vận tải, kho bãi giảm 1,88%, làm giảm 0,06 điểm phần trăm; ngành dịch vụ lưu trú và ăn uống giảm 14,68%, làm giảm 0,62 điểm phần trăm.
2.2 Tốc độ tăng trưởng tín dụng
Tín dụng (Credit) là khái niệm dùng để chỉ mối quan hệ vay – cho vay giữa các cá nhân và tổ chức dựa trên nguyên tắc hoàn trả. Trong đó, người vay có thể là cá nhân hay tổ chức kinh tế có nhu cầu huy động vốn; còn người cho vay là ngân hàng thương mại và các tổ chức tài chính khác hoặc ngược lại. Sản phẩm vay có thể là tiền hoặc hàng hóa.
Tốc độ tăng trưởng tín dụng là một chỉ số thể hiện sự gia tăng của khoản tín dụng trong một quốc gia hoặc khu vực kinh tế trong một khoảng thời gian cụ thể. Tín dụng là sốtiền mà các tổ chức tín dụng (như ngân hàng và tổ chức tài chính khác) cho phép người vay mượn để sử dụng cho các hoạt động kinh doanh, đầu tư, hoặc tiêu dùng.
Tốc độ tăng trưởng tín dụng thể hiện tốc độ mà lượng tín dụng được cấp cho nền kinh tế tăng lên hoặc giảm xuống trong một khoảng thời gian nhất định, thường được tính dưới dạng phần trăm.
Tốc độ tăng trưởng tín dụng trong một khoảng thời gian nhất định được tính như sau:
Tốc độ tăng trưởng tín dụng = [(Tín dụng cuối kỳ - Tín dụng đầu kỳ) / Tín dụng đầu kỳ] x 100
Tốc độ tăng trưởng tín dụng là một chỉ số quan trọng cho chính phủ, các tổ chức tài chính và chính trị gia để đánh giá sự mở rộng của tiền tệ và tín dụng trong nền kinh tế. Tốc độ tăng trưởng tín dụng cao có thể góp phần thúc đẩy sự phát triển kinh tế, nhưng nếu quá cao và không được quản lý cẩn thận, có thể dẫn đến tình trạng tăng trưởng chóng mặt và rủi ro về nợ nần. Ngược lại, tốc độ tăng trưởng tín dụng thấp có thể đối mặt với khó khăn trong việc tăng cường đầu tư và tiêu dùng, ảnh hưởng đến sự phát triển kinh tế.
2.2.1 Ảnh hưởng của tốc độ tăng trưởng tín dụng
Tỷ trọng tín dụng xanh vẫn còn khiêm tốn trong tổng dư nợ tín dụng nền kinh tế. Cụ thể, tỷ trọng dư nợ “tín dụng xanh” tăng tương ứng từ 1,55% năm 2015 lên mức 3,69% năm 2020. Trong đó, dư nợ “tín dụng xanh” chủ yếu tập trung vào lĩnh vực nông nghiệp xanh, chiếm gần 40%, năng lượng tái tạo, năng lượng sạch, chiếm hơn 30%.Hoạt động tín dụng góp phần điều hòa dòng vốn trong nền kinh tế. Theo đó, vốn sẽđược chuyển từ những đối tượng chưa có nhu cầu sử dụng sang những người đang có nhu cầu về vốn.
Trong trường hợp nền kinh tế không ổn định, chính phủ có thể vay vốn từ các nước phát triển hay tổ chức tín dụng thế giới để ổn định nền kinh tế quốc gia. Mặt khác, để kích thích tiêu dùng hay xử lý khó khăn mà các cuộc khủng hoảng kinh tế gây ra, chính phủ cũng có thể áp dụng chính sách giảm lãi suất cho vay trong hoạt động tín dụng
2.3 Tốc độ tăng trưởng cung tiền
Cung tiền M2 là một đại lượng cung tiền bao gồm cung tiền M1 và chuẩn tiền tệ, cụ thể là M1 và các khoản tiền gửi có kì hạn
Tốc độ tăng trưởng cung tiền, còn được gọi là tốc độ tăng trưởng tiền gốc (M1, M2, M3), là một chỉ số kinh tế đo lường sự gia tăng của lượng tiền mà chính phủ và các tổ chức tài chính trong một quốc gia hoặc khu vực kinh tế đưa vào lưu thông. Các chỉ số tiền gốc M1, M2, M3 thường phân loại tiền một cách cụ thể dựa trên tính khả dụng và dễ dàng tiếp cận của nó cho công chúng.
Các chỉ số tiền gốc thông thường bao gồm:
• M1: Tiền m1 bao gồm các loại tiền mặt như giấy tiền và tiền xu nằm trong lưu thông và tiền gửi thanh toán tức thì của công chúng tại các ngân hàng thương mại.
• M2: Tiền m2 bao gồm tất cả các thành phần của M1 cộng với các khoản tiền gửi tiết kiệm và các khoản đầu tư có thời hạn nhất định.
• M3: Tiền m3 bao gồm tất cả các thành phần của M2 cộng với các khoản tiền gửi lâu dài và các công cụ tài chính tương tự.
Tốc độ tăng trưởng cung tiền là một yếu tố quan trọng đối với chính sách tiền tệ và tài chính của một quốc gia hoặc khu vực kinh tế. Tăng trưởng cung tiền có thể ảnh hưởng đến lạm phát, lãi suất, đầu tư và tiêu dùng, và cả sự ổn định kinh tế.
2.3.1 Cung tiền và lạm phát
M2 là một yếu tố quan trọng trong việc dự báo các vấn đề kinh tế như lạm phát.
Lạm phát và lãi suất quyết định các điều kiện kinh tế tổng quan do chúng có ảnh hưởng lớn đến tỉ lệ việc làm, chi tiêu tiêu dùng, đầu tư kinh doanh, sức mạnh tiền nội tệ và cán cân thương mại.
Cung tiền M2 cung cấp cái nhìn sâu sắc về phương hướng, tâm lí nền kinh tếcũng như các dấu hiệu cho thấy hiệu quả của chính sách ngân hàng trung ương
2.4 Chỉ số giá tiêu dùng
Chỉ số giá tiêu dùng (Consumer Price Index - CPI) là một chỉ số kinh tế được sử dụng để đo lường mức độ biến động của giá cả hàng hóa và dịch vụ tiêu dùng trong một quốc gia hoặc khu vực nhất định trong một khoảng thời gian cụ thể. CPI giúp theo dõi sự thay đổi của giá cả tiêu dùng và hiểu rõ hơn về tình hình lạm phát hoặc giảm phát, cũng như sự thay đổi của mức giá trong nền kinh tế.
CPI thường được tính dựa trên một giỏ hàng gồm các hàng hóa và dịch vụ phổ biến mà người tiêu dùng thông thường sử dụng, như thực phẩm, năng lượng, nhà ở, giáo dục, y tế, v.v. Quá trình tính toán CPI bao gồm so sánh giá của các mặt hàng trong thời điểm hiện tại với giá của chúng trong một giai đoạn thời gian trước đó (thường được gọi là “năm cơ sở”).
2.4.1 Ảnh hưởng của chỉ số giá tiêu dùng
Chỉ số giá tiêu dùng (Consumer Price Index - CPI) có nhiều ảnh hưởng quan trọng đối với nền kinh tế và cuộc sống của người dân. Dưới đây là một số ảnh hưởng chính của CPI:
Đo lường lạm phát: CPI là công cụ chính để đo lường mức độ lạm phát trong một nền kinh tế. Khi CPI tăng, có nghĩa là mức giá tiêu dùng đang tăng lên, và đồng tiền mất giá. Lạm phát có thể làm giảm giá trị của tiền tệ và sức mua của người tiêu dùng. Nếu lạm phát quá cao, người dân có thể phải đối mặt với tình trạng chi tiêu cao hơn mà không có tăng thu nhập tương ứng.
Ảnh hưởng đến chi tiêu của người tiêu dùng: CPI ảnh hưởng trực tiếp đến cuộc sống hàng ngày của người dân. Khi CPI tăng, giá cả hàng hóa và dịch vụ tiêu dùng cũng tăng. Điều này có thể làm cho người tiêu dùng phải trả nhiều tiền hơn để mua cùng một giỏ hàng hàng hóa và dịch vụ. Trong một môi trường lạm phát, người tiêu dùng có thể thay đổi mô hình tiêu thụ, chọn những mặt hàng giá rẻ hơn hoặc giảm chi tiêu cho những mặt hàng không cần thiết.
Tác động đến lãi suất và chính sách tiền tệ: CPI cũng ảnh hưởng đến chính sách tiền tệ của ngân hàng trung ương. Khi CPI tăng cao, ngân hàng trung ương có thể tăng lãi suất để kiềm chế lạm phát. Lãi suất cao có thể làm giảm sự tiêu thụ và đầu tư, gây ảnh hưởng đến tăng trưởng kinh tế.
Đánh giá hiệu quả của chính sách kinh tế: CPI cung cấp thông tin quan trọng cho các nhà quản lý kinh tế và chính trị trong việc đánh giá hiệu quả của các chính sách kinh tế. Chính phủ và các cơ quan kinh tế sử dụng CPI để đánh giá tình hình lạm phát và điều chỉnh chính sách tiền tệ và fiskal phù hợp.
2.5 Hệ số FDI
FDI là viết tắt của “Foreign Direct Investment,” trong tiếng Việt được dịch là “Đầu tư trực tiếp nước ngoài.”
FDI là một dạng đầu tư khi các doanh nghiệp, nhà đầu tư hoặc tổ chức từ một quốc gia đầu tư vào một quốc gia khác thông qua việc mua cổ phần của doanh nghiệp địa phương, xây dựng các cơ sở sản xuất hoặc mua các tài sản lâu dài trong quốc gia đó. Trong FDI, nhà đầu tư nước ngoài thường có sự kiểm soát trực tiếp hoặc quản lý toàn bộ hoặc một phần của doanh nghiệp mà họ đầu tư.
2.5.1 Ảnh hưởng của FDI
Tạo việc làm: Một trong những ảnh hưởng tích cực chính của FDI là tạo ra cơ hội việc làm mới cho người lao động trong quốc gia chủ nhà. Nhà đầu tư nước ngoài thường đầu tư vào các ngành công nghiệp và dịch vụ, từ đó tạo ra nhu cầu về lao động và giúp giảm tỷ lệ thất nghiệp.
Chuyển giao công nghệ và nâng cao năng lực sản xuất: FDI thường đem theo công nghệ tiên tiến và quản lý hiệu quả. Sự chuyển giao công nghệ này giúp nâng cao năng lực sản xuất của các doanh nghiệp địa phương và cải thiện chất lượng sản phẩm và dịch vụ.
Tăng cường xuất khẩu: Nhà đầu tư nước ngoài thường xuất khẩu sản phẩm và dịch vụ từ quốc gia chủ nhà ra thị trường quốc tế. Điều này giúp tăng cường xuất khẩu và đóng góp vào cải thiện thương mại quốc tế của quốc gia.
Đẩy mạnh phát triển ngành công nghiệp và dịch vụ: FDI thường hướng đến các ngành công nghiệp hoặc dịch vụ có nhu cầu cao, giúp thúc đẩy phát triển các lĩnh vực kinh tế mới và đa dạng hóa cơ cấu kinh tế của quốc gia.
Tăng cường cạnh tranh: Sự cạnh tranh từ các doanh nghiệp nước ngoài thúc đẩy các doanh nghiệp địa phương nâng cao hiệu suất và cải thiện chất lượng sản phẩm và dịch vụ. Điều này có lợi cho người tiêu dùng với sự lựa chọn sản phẩm và dịch vụ đa dạng hơn.
Tác động đến tài chính và kinh tế toàn cầu: FDI có thể góp phần vào dòng vốn và tăng cường hệ thống tài chính quốc gia. Ngoài ra, FDI cũng thúc đẩy sự liên kết kinh tế và đầu tư giữa các quốc gia trên toàn cầu.
2.6 Lạm phát
Lạm phát là hiện tượng tăng giá cả tổng hợp của hàng hóa và dịch vụ tiêu dùng trong một khoảng thời gian dài, dẫn đến mất giá của đồng tiền và giảm sức mua của người tiêu dùng. Nó thường được đo bằng các chỉ số kinh tế như Chỉ số giá tiêu dùng (Consumer Price Index - CPI) hoặc Chỉ số giá tiêu dùng trừ năng lượng và thực phẩm (Core CPI).
2.6.1 Ảnh hưởng cùa lạm phát
Lạm phát có nhiều ảnh hưởng tiêu cực và tích cực đối với nền kinh tế và xã hội, dưới đây là một số ảnh hưởng chính của lạm phát:
Ảnh hưởng tiêu cực:
Giảm sức mua của người tiêu dùng: Khi lạm phát xảy ra, giá cả hàng hóa và dịch vụ tăng lên, điều này làm mất giá của đồng tiền và làm giảm sức mua của người tiêu dùng. Dân cư phải trả nhiều tiền hơn để mua cùng một giỏ hàng hàng hóa và dịch vụ, dẫn đến sự giảm thiểu khả năng mua sắm và tiêu thụ.
Tăng chi phí sinh hoạt: Lạm phát làm tăng giá cả hàng hóa và dịch vụ, làm tăng chi phí sinh hoạt của người dân. Nhu cầu lớn hơn với nguồn cung hạn chế dẫn đến sự cạnh tranh trong việc mua hàng, làm tăng giá và làm tăng chi phí của các doanh nghiệp và nhà sản xuất.
Ảnh hưởng đến lãi suất và tiền tệ: Để kiềm chế lạm phát, ngân hàng trung ương có thể áp dụng chính sách tiền tệ hạn chế bằng cách tăng lãi suất. Lãi suất cao có thể làm giảm đầu tư và tiêu thụ, gây ảnh hưởng đến tăng trưởng kinh tế.
Ảnh hưởng đến tiết kiệm và đầu tư: Lạm phát làm giảm giá trị tiền tiết kiệm và đầu tư, làm giảm lợi suất thực tế của các khoản đầu tư và tiết kiệm. Điều này có thể giảm sự động viên để tiết kiệm và đầu tư, và ảnh hưởng đến tích cực đến tăng trưởng kinh tế.
Ảnh hưởng tích cực:
Tăng cường cạnh tranh: Lạm phát có thể thúc đẩy cạnh tranh giữa các doanh nghiệp và các ngành công nghiệp. Điều này thúc đẩy sự đổi mới và cải tiến, cũng như giúp cải thiện hiệu suất kinh doanh.
Giúp giảm nợ vay: Trong một số trường hợp, lạm phát có thể giúp giảm giá trị thực của nợ vay. Điều này có lợi cho những người nợ có lãi suất cố định, vì giá trị thực của khoản nợ giảm trong khi thu nhập không thay đổi.
2.7 Tỷ giá
Tỷ giá là tỷ lệ giá trị của một đơn vị tiền tệ so với đơn vị tiền tệ khác. Nó cho biết bao nhiêu đơn vị tiền tệ của quốc gia A cần để đổi lấy một đơn vị tiền tệ của quốc gia B.
2.7.1 Ảnh hưởng của tỷ giá
Tỷ giá có nhiều ảnh hưởng quan trọng đối với nền kinh tế và cuộc sống của người dân, bao gồm:
Thương mại quốc tế: Tỷ giá đóng vai trò quan trọng trong thương mại quốc tế. Mức tỷ giá hối đoái ảnh hưởng đến giá thành hàng hóa và dịch vụ trong quốc gia xuất khẩu và nhập khẩu. Nếu tỷ giá hối đoái của đồng tiền quốc gia xuất khẩu giảm so với các đồng tiền quốc gia nhập khẩu, xuất khẩu của quốc gia có thể trở nên hấp dẫn hơn và nhập khẩu trở nên đắt hơn. Điều này có thể ảnh hưởng đến cân bằng thương mại của quốc gia và ảnh hưởng đến ngành công nghiệp và việc làm.
Đầu tư nước ngoài và nội địa: Tỷ giá cũng ảnh hưởng đến quyết định đầu tư của người dân và doanh nghiệp. Tỷ giá hối đoái ảnh hưởng đến giá trị của các khoản đầu tư nước ngoài và tiềm năng sinh lời của chúng. Nếu tỷ giá tăng, giá trị đầu tư nước ngoài có thể giảm và ngược lại. Ngoài ra, tỷ giá cũng ảnh hưởng đến sự hấp dẫn của đầu tư trong quốc gia cho các nhà đầu tư nước ngoài.
Du lịch: Tỷ giá cũng ảnh hưởng đến ngành du lịch. Mức tỷ giá hối đoái ảnh hưởng đến chi phí du lịch của người dân trong nước khi đi du lịch nước ngoài và ngược lại, ảnh hưởng đến doanh số khách du lịch đến quốc gia.
Lạm phát và giá cả: Tỷ giá hối đoái cũng có thể ảnh hưởng đến lạm phát thông qua tác động đến giá cả hàng hóa và dịch vụ. Tỷ giá hối đoái có thể ảnh hưởng đến giá cả nhập khẩu và việc xuất khẩu có thể giúp kiềm chế lạm phát hoặc tăng lạm phát trong nước.
Stabilize Tài chính quốc tế: Tỷ giá ảnh hưởng đến nợ nước ngoài của quốc gia và có thể tạo ra áp lực về tài chính quốc gia. Nếu tỷ giá giảm, các khoản nợ nước ngoài của quốc gia có thể trở nên đắt hơn, gây khó khăn cho quốc gia trong việc thanh toán nợ và quản lý tài chính công cộng.
Chương 3 Thiết kế nghiên cứu
3.1 Phương pháp nghiên cứu
Bài báo cáo thu thập các số liệu thống kê mô tả (tốc độ tăng trưởng GDP, tốc độtăng trưởng tín dụng, tốc độ tăng trưởng cung tiền, chỉ số tiêu dung FDI tỷ giá và lạm phát) từ những trang web tài chính uy tín cũng như các tờ báo uy tín
Bằng việc thu thập dữ liệu từ nhừng trang web uy tín giúp bài báo cáo có thể đánh giá và phân tích tổng hợp từ những dữ liệu thu nhập được và sử dụng mô hình hồi quy iến hành tổng hợp và nghiên cứu các số liệu thu thập được, ở đây chúng em sử dụng phần mềm RSudio để ước lượng mô hình với các liệu. Sau phân tích sẽ biết được ảnh hưởng của tốc độ tăng trưởng tín dụng và cung tiền chỉ số giá tiêu dung FDI lạm phát tỷ giá ảnh hưởng đến GDP từ đó đứa ra hướng giải quyết tốt nhất.
3.2 Mô hình hổi quy
Mô hình hồi quy tổng quát (Generalized Linear Regression) là một khái niệm trong thống kê và machine learning, nó mở rộng khái niệm hồi quy tuyến tính để có thể xử lý các bài toán hồi quy với dữ liệu không tuân theo phân phối chuẩn hoặc hướng dẫn giải thích cho phân phối không chuẩn.
Trong hồi quy tuyến tính, giả sử mô hình dự đoán được xác định bởi một hàm tuyến tính của các biến đầu vào (đặc trưng) và các trọng số tương ứng. Nó phụ thuộc vào giả định rằng phân phối của biến phụ thuộc tuân theo phân phối chuẩn (normal distribution) và sai số (residuals) có phương sai nhất định.
3.3 Mô hình hồi quy tuyến tính đa biến
Mô hình hồi quy tuyến tính đa biến (Multiple Linear Regression) là một phương pháp thống kê dùng để dự đoán mối quan hệ giữa một biến phụ thuộc (đôi khi còn được gọi là biến mục tiêu) và nhiều biến độc lập (được gọi là biến đầu vào hoặc đặc trưng).
Mô hình hồi quy tuyến tính đa biến mô tả mối quan hệ tuyến tính giữa biến phụ thuộc và các biến đầu vào bằng một hàm tuyến tính. Công thức toán học cơ bản của mô hình hồi quy tuyến tính đa biến có thể được biểu diễn như sau:
\(Y = \beta_0 + \beta_1X1 + \beta_2X2 + \beta_3X3 + \beta_4X4 + ε\)
Trong đó:
y là biến phụ thuộc (được dự đoán).
x₁, x₂, …, xᵢ, …, xₖ là các biến đầu vào (đặc trưng) liên quan đến biến phụ thuộc.
β₀, β₁, β₂, …, βᵢ, …, βₖ là các tham số (hệ số) hồi quy cần được tìm để xác định mối quan hệ tuyến tính.
ɛ là sai số (residuals), đại diện cho sự khác biệt giữa giá trị thực tế của biến phụ thuộc và giá trị dự đoán từ mô hình.
Công việc của mô hình hồi quy tuyến tính đa biến là tìm các hệ số β₀, β₁, β₂, …, βᵢ, …, βₖ sao cho tổng sai số bình phương (Sum of Squared Residuals) là nhỏ nhất. Để thực hiện điều này, thường sử dụng phương pháp bình phương tối thiểu (Ordinary Least Squares - OLS).
Mô hình hồi quy tuyến tính đa biến có thể được sử dụng để dự đoán giá trị của biến phụ thuộc dựa trên các giá trị của các biến đầu vào. Nó cũng có thể được sử dụng để xác định tầm ảnh hưởng của từng biến đầu vào đối với biến phụ thuộc và đánh giá mức độ quan trọng của chúng.
3.4 Lệnh glm()
Lệnh glm() trong R là một hàm dùng để sử dụng để phù hợp với các mô hình tuyến tính tổng quát để xử lý các mô hình hồi quy không có phân phối chuẩn. Chức năng này đặc biệt hữu ích để phù hợp với các mô hình hồi quy logistic, mô hình hồi quy poison và các mô hình phức tạp khác.
Hàm glm() có cú pháp như sau:
glm=(formula,family=gaussian,data,…)
Trong đó:
formula là một biểu thức biểu diễn mối quan hệ giữa biến phụ thuộc và biến độc lập.
family là một tham số chỉ định phân phối của biến phụ thuộc và hàm liên kết giữa biến phụ thuộc và biến độc lập. Một số giá trị phổ biến của family là gaussian, binomial, poisson, gamma, inverse.gaussian.
data là một khung dữ liệu chứa các biến trong formula.
… là các tham số khác cho quá trình khớp mô hình.
Hàm glm trả về một đối tượng chứa các thông tin về mô hình đã khớp, như các ước lượng hệ số, sai số chuẩn, kiểm định t, kiểm định F, chỉ số AIC, BIC, v.v. Có thể sử dụng các hàm như summary(), coef(), confint(), anova(), predict() để xem và sử dụng các thông tin này.
3.5 Mô hình tổng quát của GDP
\(GDP = \beta_0 + \beta_1BANK + \beta_2M2 + \beta_3CPI + \beta_4FDI + \beta_5LP + \beta_6TG + ε\)
Trong đó:
GDP: tốc độ tăng trưởng GDP
BANK: Tốc độ tăng trưởng tín dụng
M2: Tốc độ tăng trưởng cung tiền
CPI: chỉ số giá tiêu dùng
FDI chỉ số đầu tư
LP: Lạm phát đối với GDP
TG: tỉ giá của ngân hàng dến GDP
GDP là biến phụ thuộc và là đối tượng cần m ổ phỏng. BANK M2 CPI FDI LP TG là biến độc lập
Chương 4 Kết quả nghiên cứu
4.1 Tổng Quan về dữ liệu
library(readxl)
data <- read_excel("D:/data.xlsx")
View(data)
str(data)## tibble [141 × 8] (S3: tbl_df/tbl/data.frame)
## $ DATE: chr [1:141] "2009M01" "2009M02" "2009M03" "2009M04" ...
## $ BANK: num [1:141] 20.8 21.1 24.2 25.3 28.1 ...
## $ GDP : num [1:141] 5.4 5.4 5.4 5.4 5.4 ...
## $ M2 : num [1:141] 20.8 24.1 22.9 31.9 32.5 ...
## $ CPI : num [1:141] 0.32 1.17 -0.17 0.35 0.44 0.55 0.52 0.24 0.62 0.37 ...
## $ FDI : num [1:141] 7.6e+09 7.6e+09 7.6e+09 7.6e+09 7.6e+09 7.6e+09 7.6e+09 7.6e+09 7.6e+09 7.6e+09 ...
## $ LP : num [1:141] 6.22 6.22 6.22 6.22 6.22 ...
## $ TG : num [1:141] 17941 17941 17941 17941 17941 ...4.2 Thống kê mô tả
summary(data)## DATE BANK GDP M2
## Length:141 Min. :-1.16 Min. :2.865 Min. : 0.25
## Class :character 1st Qu.: 3.56 1st Qu.:5.553 1st Qu.: 4.78
## Mode :character Median : 8.41 Median :6.423 Median : 9.27
## Mean :12.03 Mean :6.239 Mean :11.78
## 3rd Qu.:15.71 3rd Qu.:6.987 3rd Qu.:15.81
## Max. :44.63 Max. :7.465 Max. :40.37
## CPI FDI LP TG
## Min. :-0.7200 Min. :7.600e+09 Min. : 1.467 Min. :17941
## 1st Qu.: 0.2100 1st Qu.:8.230e+09 1st Qu.: 4.820 1st Qu.:20828
## Median : 0.4600 Median :9.200e+09 Median : 7.698 Median :21246
## Mean : 0.8299 Mean :1.126e+10 Mean :10.823 Mean :24074
## 3rd Qu.: 1.2300 3rd Qu.:1.410e+10 3rd Qu.:19.078 3rd Qu.:25155
## Max. : 5.3600 Max. :1.612e+10 Max. :28.303 Max. :36159Từ dữ liệu ta có thể thấy mẫu phân tích có 141 quan sát (dữ liệu chuỗi thời gian từ tháng 1/2009 đến tháng 09/2020)
BANK có các giá trị như là giá trị trung bình cộng (Mean): 12.03, giá trị lớn nhất (Maximum): 44.63, giá trị nhỏ nhất (Minimum): 8.41
GDP có các giá trị như là giá trị trung bình cộng (Mean): 6.239, giá trị lớn nhất (Maximum): 7.465, giá trị nhỏ nhất (Minimum): 2.865
M2 có các giá trị như là giá trị trung bình cộng (Mean): 11.78 giá trị lớn nhất (Maximum): 40.37, giá trị nhỏ nhất (Minimum): 0.25
CPI có các giá trị như là giá trị trung bình cộng (Mean): 0.4658, giá trị lớn nhất (Maximum): 5.3600, giá trị nhỏ nhất (Minimum): -0.7200
FDI có các giá trị như là giá trị trung bình cộng (Mean): 1.119e+10, giá trị lớn nhất (Maximum): 1.612e+10, giá trị nhỏ nhất (Minimum): 7.600e+09
LP có các giá trị như là giá trị trung bình cộng (Mean): 10.823, giá trị lớn nhất (Maximum): 28.303, giá trị nhỏ nhất (Minimum): 1.467
TG có các giá trị như là giá trị trung bình cộng (Mean): 24074, giá trị lớn nhất (Maximum): 36159, giá trị nhỏ nhất (Minimum):17941
sd(data$BANK)## [1] 11.42114sd(data$M2)## [1] 9.298983sd(data$CPI)## [1] 1.046918sd(data$FDI)## [1] 3188231227sd(data$TG)## [1] 5865.092sd(data$LP)## [1] 8.35194.3 Xác định phân phối cho các biến ngẫu nhiên đầu vào
4.3.1 Biến GDP
library(fBasics)## Warning: package 'fBasics' was built under R version 4.3.1basicStats(data$GDP)## X..data.GDP
## nobs 141.000000
## NAs 0.000000
## Minimum 2.865412
## Maximum 7.464991
## 1. Quartile 5.553500
## 3. Quartile 6.987167
## Mean 6.238749
## Median 6.423238
## Sum 879.663611
## SE Mean 0.093443
## LCL Mean 6.054008
## UCL Mean 6.423490
## Variance 1.231147
## Stdev 1.109571
## Skewness -1.618414
## Kurtosis 2.759046Vẽ đồ thị histogram
hist(data$GDP)
Kiểm định phân phối chuẩn: Kiểm định SHapiro-Wilk Test
Giả thuyết:
\(H_0\): GDP tuân theo phân phối chuẩn
\(H_1\): GDP không tuân theo phân phối chuẩn
shapiro.test(data$GDP)##
## Shapiro-Wilk normality test
##
## data: data$GDP
## W = 0.8009, p-value = 1.455e-12Nhìn vào p-value = 1.455e-12 < 0.05.Nên ta đủ cơ sở bác bỏ giả thuyết \(H_0\) hay biến GDP không tuân theo luật phân phối chuẩn.
Kiểm định phân phối loga chuẩn
Giả thuyết:
\(H_0\): GDP tuân theo phân phối loga chuẩn
\(H_1\): GDP không tuân theo phân phối Loga chuẩn
ks.test(data$GDP, "plnorm")## Warning in ks.test.default(data$GDP, "plnorm"): ties should not be present for
## the Kolmogorov-Smirnov test##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: data$GDP
## D = 0.89027, p-value < 2.2e-16
## alternative hypothesis: two-sidedvì 2.2e-16 < 0.1 nên Nên ta đủ cơ sở bác bỏ giả thuyết \(H_0\) hay biến GDP không có phân phối loga chuẩn
Kiểm định phân phối mũ
Giả thuyết:
\(H_0\): GDP tuân theo phân phối mũ
\(H_1\): GDP không tuân theo phân phối mũ
ks.test(data$GDP, y = "pexp")## Warning in ks.test.default(data$GDP, y = "pexp"): ties should not be present
## for the Kolmogorov-Smirnov test##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: data$GDP
## D = 0.94304, p-value < 2.2e-16
## alternative hypothesis: two-sidedVì p_value = 2.2e-16 < 0.1 nên ta bác bỏ giả thuyết \(H_0\).Vậy chỉ số GDP không có phân phối mũ.
Kiểm định Kolmogorov- Smirnov
Mô phỏng dữ liệu với 141 quan sát và kiểm định lại với Kolmogorov- Smirnov
\(H_0\): GDP tuân theo phân phối chuẩn
\(H_1\): GDP không tuân theo phân phối chuẩn
set.seed(1)
GDP1 <- rnorm(141, mean(data$GDP), sd(data$GDP))
library(nortest)
shapiro.test(GDP1)##
## Shapiro-Wilk normality test
##
## data: GDP1
## W = 0.99374, p-value = 0.7986Với p__value > 0.05 nên ta thừa nhận giả thuyết \(H_0\). GDP có phân phối chuẩn
Đồ thị histogram và qqplpot:
Đồ thị Q-Q plot (Quantile-Quantile plot) là một công cụ hữu ích để kiểm tra phân phối của một biến. Đồ thị Q-Q plot được sử dụng để so sánh phân phối của một tập dữ liệu với phân phối chuẩn (normal distribution) hoặc một phân phối khác. Nó giúp xác định xem liệu dữ liệu có tuân theo một phân phối cụ thể hay không.
hist(GDP1, col = "lightgreen")
qqnorm(GDP1, col = "lightgreen")
Các điểm trên đồ thị qqplot nằm gần đường chéo cho thấy rằng các giá trị quan sát và giá trị dự đoán từ phân phối chuẩn tương đương. Điều này có nghĩa là dữ liệu có mức độ phân phối tương đối gần với phân phối chuẩn.
4.3.2 Biến BANK
library(fBasics)
basicStats(data$BANK)## X..data.BANK
## nobs 141.000000
## NAs 0.000000
## Minimum -1.160000
## Maximum 44.630000
## 1. Quartile 3.560000
## 3. Quartile 15.710000
## Mean 12.027376
## Median 8.410000
## Sum 1695.860000
## SE Mean 0.961834
## LCL Mean 10.125779
## UCL Mean 13.928973
## Variance 130.442481
## Stdev 11.421142
## Skewness 1.100702
## Kurtosis 0.171880Vẽ đồ thị histogram
hist(data$BANK)
Kiểm định phân phối chuẩn: Kiểm định SHapiro-Wilk Test
Giả thuyết:
\(H_0\): BANK tuân theo phân phối chuẩn
\(H_1\): BANK không tuân theo phân phối chuẩn
shapiro.test(data$BANK)##
## Shapiro-Wilk normality test
##
## data: data$BANK
## W = 0.86075, p-value = 3.328e-10Nhìn vào p-value = 3.328e-10 < 0.05.Nên ta đủ cơ sở bác bỏ giả thuyết \(H_0\) hay biến BANK không tuân theo luật phân phối chuẩn.
Kiểm định phân phối loga chuẩn
Giả thuyết:
\(H_0\): BANK tuân theo phân phối loga chuẩn
\(H_1\): BANK không tuân theo phân phối Loga chuẩn
ks.test(data$BANK, "plnorm")## Warning in ks.test.default(data$BANK, "plnorm"): ties should not be present for
## the Kolmogorov-Smirnov test##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: data$BANK
## D = 0.64969, p-value < 2.2e-16
## alternative hypothesis: two-sidedvì 2.2e-16 < 0.1 nên Nên ta đủ cơ sở bác bỏ giả thuyết \(H_0\) hay biến BANK không có phân phối loga chuẩn
Kiểm định phân phối mũ
Giả thuyết:
\(H_0\): BANK tuân theo phân phối mũ
\(H_1\): BANK không tuân theo phân phối mũ
ks.test(data$BANK, y = "pexp")## Warning in ks.test.default(data$BANK, y = "pexp"): ties should not be present
## for the Kolmogorov-Smirnov test##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: data$BANK
## D = 0.73231, p-value < 2.2e-16
## alternative hypothesis: two-sidedVì p_value = 2.2e-16 < 0.1 nên ta bác bỏ giả thuyết \(H_0\).Vậy chỉ số BANK không có phân phối mũ.
Kiểm định Kolmogorov- Smirnov
Mô phỏng dữ liệu với 141 quan sát và kiểm định lại với Kolmogorov- Smirnov
\(H_0\): BANK tuân theo phân phối chuẩn
\(H_1\): BANK không tuân theo phân phối chuẩn
set.seed(3)
BANK1 <- rnorm(141, mean(data$BANK), sd(data$BANK))
library(nortest)
shapiro.test(BANK1)##
## Shapiro-Wilk normality test
##
## data: BANK1
## W = 0.98502, p-value = 0.1279Với p__value > 0.05 nên ta thừa nhận giả thuyết \(H_0\). BANK có phân phối chuẩn
Đồ thị histogram và qqplpot:
Đồ thị Q-Q plot (Quantile-Quantile plot) là một công cụ hữu ích để kiểm tra phân phối của một biến. Đồ thị Q-Q plot được sử dụng để so sánh phân phối của một tập dữ liệu với phân phối chuẩn (normal distribution) hoặc một phân phối khác. Nó giúp xác định xem liệu dữ liệu có tuân theo một phân phối cụ thể hay không.
hist(BANK1, col = "lightgreen")
qqnorm(BANK1, col = "lightgreen")
Các điểm trên đồ thị qqplot nằm gần đường chéo cho thấy rằng các giá trị quan sát và giá trị dự đoán từ phân phối chuẩn tương đương. Điều này có nghĩa là dữ liệu có mức độ phân phối tương đối gần với phân phối chuẩn.
4.3.3 Biến M2
library(fBasics)
basicStats(data$M2)## X..data.M2
## nobs 141.000000
## NAs 0.000000
## Minimum 0.250000
## Maximum 40.370000
## 1. Quartile 4.780000
## 3. Quartile 15.810000
## Mean 11.783333
## Median 9.270000
## Sum 1661.450000
## SE Mean 0.783116
## LCL Mean 10.235072
## UCL Mean 13.331595
## Variance 86.471077
## Stdev 9.298983
## Skewness 1.161482
## Kurtosis 0.707527Vẽ đồ thị histogram
hist(data$M2)
Kiểm định phân phối chuẩn: Kiểm định SHapiro-Wilk Test
Giả thuyết:
\(H_0\): M2 tuân theo phân phối chuẩn
\(H_1\): M2 không tuân theo phân phối chuẩn
shapiro.test(data$M2)##
## Shapiro-Wilk normality test
##
## data: data$M2
## W = 0.88149, p-value = 3.131e-09Nhìn vào p-value = 3.131e-09 < 0.05.Nên ta đủ cơ sở bác bỏ giả thuyết \(H_0\) hay biến M2 không tuân theo luật phân phối chuẩn.
Kiểm định phân phối loga chuẩn
Giả thuyết:
\(H_0\): M2 tuân theo phân phối loga chuẩn
\(H_1\): M2 không tuân theo phân phối Loga chuẩn
ks.test(data$M2, "plnorm")## Warning in ks.test.default(data$M2, "plnorm"): ties should not be present for
## the Kolmogorov-Smirnov test##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: data$M2
## D = 0.72412, p-value < 2.2e-16
## alternative hypothesis: two-sidedvì 2.2e-16 < 0.1 nên Nên ta đủ cơ sở bác bỏ giả thuyết \(H_0\) hay biến M2 không có phân phối loga chuẩn
Kiểm định phân phối mũ
Giả thuyết:
\(H_0\): M2 tuân theo phân phối mũ
\(H_1\): M2 không tuân theo phân phối mũ
ks.test(data$M2, y = "pexp")## Warning in ks.test.default(data$M2, y = "pexp"): ties should not be present for
## the Kolmogorov-Smirnov test##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: data$M2
## D = 0.80564, p-value < 2.2e-16
## alternative hypothesis: two-sidedVì p_value = 2.2e-16 < 0.1 nên ta bác bỏ giả thuyết \(H_0\).Vậy chỉ số M2 không có phân phối mũ.
Kiểm định Kolmogorov- Smirnov
Mô phỏng dữ liệu với 142 quan sát và kiểm định lại với Kolmogorov- Smirnov
\(H_0\): M2 tuân theo phân phối chuẩn
\(H_1\): M2 không tuân theo phân phối chuẩn
set.seed(3)
M21 <- rnorm(141, mean(data$M2), sd(data$M2))
library(nortest)
shapiro.test(M21)##
## Shapiro-Wilk normality test
##
## data: M21
## W = 0.98502, p-value = 0.1279Với p__value > 0.05 nên ta thừa nhận giả thuyết \(H_0\). M2 có phân phối chuẩn
Đồ thị histogram và qqplpot:
Đồ thị Q-Q plot (Quantile-Quantile plot) là một công cụ hữu ích để kiểm tra phân phối của một biến. Đồ thị Q-Q plot được sử dụng để so sánh phân phối của một tập dữ liệu với phân phối chuẩn (normal distribution) hoặc một phân phối khác. Nó giúp xác định xem liệu dữ liệu có tuân theo một phân phối cụ thể hay không.
hist(M21, col = "lightgreen")
qqnorm(M21, col = "lightgreen")
Các điểm trên đồ thị qqplot nằm gần đường chéo cho thấy rằng các giá trị quan sát và giá trị dự đoán từ phân phối chuẩn tương đương. Điều này có nghĩa là dữ liệu có mức độ phân phối tương đối gần với phân phối chuẩn.
4.3.4 Biến CPI
library(fBasics)
basicStats(data$CPI)## X..data.CPI
## nobs 141.000000
## NAs 0.000000
## Minimum -0.720000
## Maximum 5.360000
## 1. Quartile 0.210000
## 3. Quartile 1.230000
## Mean 0.829929
## Median 0.460000
## Sum 117.020000
## SE Mean 0.088166
## LCL Mean 0.655619
## UCL Mean 1.004239
## Variance 1.096036
## Stdev 1.046918
## Skewness 2.125309
## Kurtosis 5.031622Vẽ đồ thị histogram
hist(data$CPI)
Kiểm định phân phối chuẩn: Kiểm định SHapiro-Wilk Test
Giả thuyết:
\(H_0\): CPI tuân theo phân phối chuẩn
\(H_1\): CPI không tuân theo phân phối chuẩn
shapiro.test(data$CPI)##
## Shapiro-Wilk normality test
##
## data: data$CPI
## W = 0.76156, p-value = 7.373e-14Nhìn vào p-value = 9.985e-08 < 0.05.Nên ta đủ cơ sở bác bỏ giả thuyết \(H_0\) hay biến CPI không tuân theo luật phân phối chuẩn.
Kiểm định phân phối loga chuẩn
Giả thuyết:
\(H_0\): CPI tuân theo phân phối loga chuẩn
\(H_1\): CPI không tuân theo phân phối Loga chuẩn
ks.test(data$CPI, "plnorm")## Warning in ks.test.default(data$CPI, "plnorm"): ties should not be present for
## the Kolmogorov-Smirnov test##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: data$CPI
## D = 0.32786, p-value = 1.368e-13
## alternative hypothesis: two-sidedvì 2.2e-16 < 0.1 nên Nên ta đủ cơ sở bác bỏ giả thuyết \(H_0\) hay biến CPI không có phân phối loga chuẩn
Kiểm định phân phối mũ
Giả thuyết:
\(H_0\): CPI tuân theo phân phối mũ
\(H_1\): CPI không tuân theo phân phối mũ
ks.test(data$CPI, y = "pexp")## Warning in ks.test.default(data$CPI, y = "pexp"): ties should not be present
## for the Kolmogorov-Smirnov test##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: data$CPI
## D = 0.17979, p-value = 0.00022
## alternative hypothesis: two-sidedVì p_value = 2.2e-16 < 0.1 nên ta bác bỏ giả thuyết \(H_0\).Vậy chỉ số CPI không có phân phối mũ.
Kiểm định Kolmogorov- Smirnov
Mô phỏng dữ liệu với 141 quan sát và kiểm định lại với Kolmogorov- Smirnov
\(H_0\): CPI tuân theo phân phối chuẩn
\(H_1\): CPI không tuân theo phân phối chuẩn
set.seed(4)
CPI1 <- rnorm(141, mean(data$CPI), sd(data$CPI))
library(nortest)
shapiro.test(CPI1)##
## Shapiro-Wilk normality test
##
## data: CPI1
## W = 0.99404, p-value = 0.8279Với p__value > 0.05 nên ta thừa nhận giả thuyết \(H_0\). CPI có phân phối chuẩn
Đồ thị histogram và qqplpot:
Đồ thị Q-Q plot (Quantile-Quantile plot) là một công cụ hữu ích để kiểm tra phân phối của một biến. Đồ thị Q-Q plot được sử dụng để so sánh phân phối của một tập dữ liệu với phân phối chuẩn (normal distribution) hoặc một phân phối khác. Nó giúp xác định xem liệu dữ liệu có tuân theo một phân phối cụ thể hay không.
hist(CPI1, col = "lightgreen")
qqnorm(CPI1, col = "lightgreen")
Các điểm trên đồ thị qqplot nằm gần đường chéo cho thấy rằng các giá trị quan sát và giá trị dự đoán từ phân phối chuẩn tương đương. Điều này có nghĩa là dữ liệu có mức độ phân phối tương đối gần với phân phối chuẩn.
4.3.5 Biến FDI
library(fBasics)
basicStats(data$FDI)## X..data.FDI
## nobs 1.410000e+02
## NAs 0.000000e+00
## Minimum 7.600000e+09
## Maximum 1.612000e+10
## 1. Quartile 8.230000e+09
## 3. Quartile 1.410000e+10
## Mean 1.125685e+10
## Median 9.200000e+09
## Sum 1.587216e+12
## SE Mean 2.684975e+08
## LCL Mean 1.072602e+10
## UCL Mean 1.178769e+10
## Variance 1.016482e+19
## Stdev 3.188231e+09
## Skewness 3.419800e-01
## Kurtosis -1.545893e+00Vẽ đồ thị histogram
hist(data$FDI)
Kiểm định phân phối chuẩn: Kiểm định SHapiro-Wilk Test
Giả thuyết:
\(H_0\): FDI tuân theo phân phối chuẩn
\(H_1\): FDI không tuân theo phân phối chuẩn
shapiro.test(data$FDI)##
## Shapiro-Wilk normality test
##
## data: data$FDI
## W = 0.83803, p-value = 3.621e-11Nhìn vào p-value = 8.2e-11 < 0.05.Nên ta đủ cơ sở bác bỏ giả thuyết \(H_0\) hay biến FDI không tuân theo luật phân phối chuẩn.
Kiểm định phân phối loga chuẩn
Giả thuyết:
\(H_0\): FDI tuân theo phân phối loga chuẩn
\(H_1\): FDI không tuân theo phân phối Loga chuẩn
ks.test(data$FDI, "plnorm")## Warning in ks.test.default(data$FDI, "plnorm"): ties should not be present for
## the Kolmogorov-Smirnov test##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: data$FDI
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sidedvì 2.2e-16 < 0.1 nên Nên ta đủ cơ sở bác bỏ giả thuyết \(H_0\) hay biến FDI không có phân phối loga chuẩn
Kiểm định phân phối mũ
Giả thuyết:
\(H_0\): FDI tuân theo phân phối mũ
\(H_1\): FDI không tuân theo phân phối mũ
ks.test(data$FDI, y = "pexp")## Warning in ks.test.default(data$FDI, y = "pexp"): ties should not be present
## for the Kolmogorov-Smirnov test##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: data$FDI
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sidedVì p_value = 2.2e-16 < 0.1 nên ta bác bỏ giả thuyết \(H_0\).Vậy chỉ số FDI không có phân phối mũ.
Kiểm định Kolmogorov- Smirnov
Mô phỏng dữ liệu với 141 quan sát và kiểm định lại với Kolmogorov- Smirnov
\(H_0\): FDI tuân theo phân phối chuẩn
\(H_1\): FDI không tuân theo phân phối chuẩn
set.seed(5)
FDI1 <- rnorm(141, mean(data$FDI), sd(data$FDI))
library(nortest)
shapiro.test(FDI1)##
## Shapiro-Wilk normality test
##
## data: FDI1
## W = 0.99245, p-value = 0.6603Với p__value > 0.05 nên ta thừa nhận giả thuyết \(H_0\). CPI có phân phối chuẩn
Đồ thị histogram và qqplpot:
Đồ thị Q-Q plot (Quantile-Quantile plot) là một công cụ hữu ích để kiểm tra phân phối của một biến. Đồ thị Q-Q plot được sử dụng để so sánh phân phối của một tập dữ liệu với phân phối chuẩn (normal distribution) hoặc một phân phối khác. Nó giúp xác định xem liệu dữ liệu có tuân theo một phân phối cụ thể hay không.
hist(FDI1, col = "lightgreen")
qqnorm(FDI1, col = "lightgreen")
Các điểm trên đồ thị qqplot nằm gần đường chéo cho thấy rằng các giá trị quan sát và giá trị dự đoán từ phân phối chuẩn tương đương. Điều này có nghĩa là dữ liệu có mức độ phân phối tương đối gần với phân phối chuẩn.
4.3.6 Biến LP
library(fBasics)
basicStats(data$LP)## X..data.LP
## nobs 141.000000
## NAs 0.000000
## Minimum 1.467487
## Maximum 28.303267
## 1. Quartile 4.819530
## 3. Quartile 19.077662
## Mean 10.822743
## Median 7.698132
## Sum 1526.006743
## SE Mean 0.703357
## LCL Mean 9.432169
## UCL Mean 12.213317
## Variance 69.754232
## Stdev 8.351900
## Skewness 0.902521
## Kurtosis -0.610452Vẽ đồ thị histogram
hist(data$LP)
Kiểm định phân phối chuẩn: Kiểm định SHapiro-Wilk Test
Giả thuyết:
\(H_0\): LP tuân theo phân phối chuẩn
\(H_1\): LP không tuân theo phân phối chuẩn
shapiro.test(data$LP)##
## Shapiro-Wilk normality test
##
## data: data$LP
## W = 0.82736, p-value = 1.372e-11Nhìn vào p-value = 2.2e-16 < 0.05.Nên ta đủ cơ sở bác bỏ giả thuyết \(H_0\) hay biến LP không tuân theo luật phân phối chuẩn.
Kiểm định phân phối loga chuẩn
Giả thuyết:
\(H_0\): LP tuân theo phân phối loga chuẩn
\(H_1\): LP không tuân theo phân phối Loga chuẩn
ks.test(data$LP, "plnorm")## Warning in ks.test.default(data$LP, "plnorm"): ties should not be present for
## the Kolmogorov-Smirnov test##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: data$LP
## D = 0.82357, p-value < 2.2e-16
## alternative hypothesis: two-sidedvì 2.2e-16 < 0.1 nên Nên ta đủ cơ sở bác bỏ giả thuyết \(H_0\) hay biến LP không có phân phối loga chuẩn
Kiểm định phân phối mũ
Giả thuyết:
\(H_0\): LP tuân theo phân phối mũ
\(H_1\): LP không tuân theo phân phối mũ
ks.test(data$CPI, y = "pexp")## Warning in ks.test.default(data$CPI, y = "pexp"): ties should not be present
## for the Kolmogorov-Smirnov test##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: data$CPI
## D = 0.17979, p-value = 0.00022
## alternative hypothesis: two-sidedVì p_value = 2.2e-16 < 0.1 nên ta bác bỏ giả thuyết \(H_0\).Vậy chỉ số LP không có phân phối mũ.
Kiểm định Kolmogorov- Smirnov
Mô phỏng dữ liệu với 141 quan sát và kiểm định lại với Kolmogorov- Smirnov
\(H_0\): LP tuân theo phân phối chuẩn
\(H_1\): LP không tuân theo phân phối chuẩn
set.seed(6)
LP1 <- rnorm(141, mean(data$LP), sd(data$LP))
library(nortest)
shapiro.test(LP1)##
## Shapiro-Wilk normality test
##
## data: LP1
## W = 0.98638, p-value = 0.1784Với p__value > 0.05 nên ta thừa nhận giả thuyết \(H_0\). CPI có phân phối chuẩn
Đồ thị histogram và qqplpot:
Đồ thị Q-Q plot (Quantile-Quantile plot) là một công cụ hữu ích để kiểm tra phân phối của một biến. Đồ thị Q-Q plot được sử dụng để so sánh phân phối của một tập dữ liệu với phân phối chuẩn (normal distribution) hoặc một phân phối khác. Nó giúp xác định xem liệu dữ liệu có tuân theo một phân phối cụ thể hay không.
hist(LP1, col = "lightgreen")
qqnorm(LP1, col = "lightgreen")
Các điểm trên đồ thị qqplot nằm gần đường chéo cho thấy rằng các giá trị quan sát và giá trị dự đoán từ phân phối chuẩn tương đương. Điều này có nghĩa là dữ liệu có mức độ phân phối tương đối gần với phân phối chuẩn.
4.3.7 Biến TG
library(fBasics)
basicStats(data$TG)## X..data.TG
## nobs 1.410000e+02
## NAs 0.000000e+00
## Minimum 1.794100e+04
## Maximum 3.615900e+04
## 1. Quartile 2.082800e+04
## 3. Quartile 2.515500e+04
## Mean 2.407364e+04
## Median 2.124600e+04
## Sum 3.394383e+06
## SE Mean 4.939298e+02
## LCL Mean 2.309711e+04
## UCL Mean 2.505016e+04
## Variance 3.439930e+07
## Stdev 5.865092e+03
## Skewness 1.280877e+00
## Kurtosis 2.490250e-01Vẽ đồ thị histogram
hist(data$TG)
Kiểm định phân phối chuẩn: Kiểm định SHapiro-Wilk Test
Giả thuyết:
\(H_0\): TG tuân theo phân phối chuẩn
\(H_1\): TG không tuân theo phân phối chuẩn
shapiro.test(data$TG)##
## Shapiro-Wilk normality test
##
## data: data$TG
## W = 0.7497, p-value = 3.213e-14Nhìn vào p-value = 1.84e-09 < 0.05.Nên ta đủ cơ sở bác bỏ giả thuyết \(H_0\) hay biến TG không tuân theo luật phân phối chuẩn.
Kiểm định phân phối loga chuẩn
Giả thuyết:
\(H_0\): TG tuân theo phân phối loga chuẩn
\(H_1\): TG không tuân theo phân phối Loga chuẩn
ks.test(data$TG, "plnorm")## Warning in ks.test.default(data$TG, "plnorm"): ties should not be present for
## the Kolmogorov-Smirnov test##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: data$TG
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sidedvì 2.2e-16 < 0.1 nên Nên ta đủ cơ sở bác bỏ giả thuyết \(H_0\) hay biến TG không có phân phối loga chuẩn
Kiểm định phân phối mũ
Giả thuyết:
\(H_0\): TG tuân theo phân phối mũ
\(H_1\): TG không tuân theo phân phối mũ
ks.test(data$TG, y = "pexp")## Warning in ks.test.default(data$TG, y = "pexp"): ties should not be present for
## the Kolmogorov-Smirnov test##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: data$TG
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sidedVì p_value = 2.2e-16 < 0.1 nên ta bác bỏ giả thuyết \(H_0\).Vậy chỉ số TG không có phân phối mũ.
Kiểm định Kolmogorov- Smirnov
Mô phỏng dữ liệu với 141 quan sát và kiểm định lại với Kolmogorov- Smirnov
\(H_0\): TG tuân theo phân phối chuẩn
\(H_1\): TG không tuân theo phân phối chuẩn
set.seed(7)
TG1 <- rnorm(141, mean(data$TG), sd(data$TG))
library(nortest)
shapiro.test(TG1)##
## Shapiro-Wilk normality test
##
## data: TG1
## W = 0.98804, p-value = 0.2651Với p__value > 0.05 nên ta thừa nhận giả thuyết \(H_0\). TG có phân phối chuẩn
Đồ thị histogram và qqplpot:
Đồ thị Q-Q plot (Quantile-Quantile plot) là một công cụ hữu ích để kiểm tra phân phối của một biến. Đồ thị Q-Q plot được sử dụng để so sánh phân phối của một tập dữ liệu với phân phối chuẩn (normal distribution) hoặc một phân phối khác. Nó giúp xác định xem liệu dữ liệu có tuân theo một phân phối cụ thể hay không.
hist(TG1, col = "lightgreen")
qqnorm(TG1, col = "lightgreen")
Các điểm trên đồ thị qqplot nằm gần đường chéo cho thấy rằng các giá trị quan sát và giá trị dự đoán từ phân phối chuẩn tương đương. Điều này có nghĩa là dữ liệu có mức độ phân phối tương đối gần với phân phối chuẩn.
4.4 Ước lượng mô hình hồi quy của GDP
4.5 Mô hình hồi quy tổng quát
\(GDP = \beta_0 + \beta_1BANK + \beta_2M2 +\beta_3CPI + \beta_4FDI + \beta_5LP + \beta_6TG + ε\)
GDP = data$GDP
BANK = data$BANK
M2 = data$M2
CPI = data$CPI
FDI = data$FDI
LP = data$LP
TG = data$TG
mh <- glm(GDP ~ BANK + M2 + CPI + FDI + LP + TG, data = data)
summary(mh)##
## Call:
## glm(formula = GDP ~ BANK + M2 + CPI + FDI + LP + TG, data = data)
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 4.662e+00 8.217e-01 5.674 8.27e-08 ***
## BANK 7.418e-02 2.502e-02 2.965 0.003586 **
## M2 -8.931e-02 3.187e-02 -2.803 0.005823 **
## CPI -3.224e-01 8.385e-02 -3.845 0.000186 ***
## FDI 7.273e-11 4.628e-11 1.571 0.118440
## LP 3.451e-02 1.717e-02 2.010 0.046432 *
## TG 3.374e-05 1.837e-05 1.837 0.068444 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for gaussian family taken to be 0.9717352)
##
## Null deviance: 172.36 on 140 degrees of freedom
## Residual deviance: 130.21 on 134 degrees of freedom
## AIC: 404.92
##
## Number of Fisher Scoring iterations: 2Kết quả cho thấy các biến độc lập FDI LP không có ý nghĩa thống kê ở mức 5%, nghĩa là các biến này không có tác dộng đến biến phụ thuộc GDP
model1 <- lm(data$GDP ~ data$BANK + data$M2 + data$CPI + data$LP, data = data)
summary(model1)##
## Call:
## lm(formula = data$GDP ~ data$BANK + data$M2 + data$CPI + data$LP,
## data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.8531 -0.4387 0.2326 0.5883 1.7914
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 6.805349 0.176117 38.641 < 2e-16 ***
## data$BANK 0.100296 0.023267 4.311 3.10e-05 ***
## data$M2 -0.131268 0.027786 -4.724 5.69e-06 ***
## data$CPI -0.304807 0.083907 -3.633 0.000396 ***
## data$LP 0.002481 0.011476 0.216 0.829200
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.005 on 136 degrees of freedom
## Multiple R-squared: 0.2024, Adjusted R-squared: 0.179
## F-statistic: 8.63 on 4 and 136 DF, p-value: 3.084e-06Với biến phụ thuộc GDP và 2 biến độc lập khác cho ta thấy rằng có 2 biến có ý nghĩa thống kê ở mức ý nghĩa 5%. Tôi thu được mô hình sau:
\[ GDP = 4.662e+00 + (7.418e-02)BANK - (8.931e-02)M2 - (3.224e-01)CPI + (3.451e-02)LP \]
4.5.1 Mô phỏng
4.5.1.1 Mô phỏng các biến theo phân phối chuẩn
set.seed(123)
# Giả sử mô hình có phân phối chuẩn
## Số ngày
n <- 141
## Tạo dữ liệu giả cho các biến độc lập dựa trên thống kê mô tả
BANK <- rnorm(n, mean = 12.03, sd = 11.42114)
M2 <- rnorm(n, mean = 11.78, sd = 9.298983)
CPI <- rnorm(n, mean = 0.8299, sd = 1.046918)
LP <- rnorm(n, mean = 10.823, sd = 8.3519)#Mô phỏng biến GDP theo phân phối chuẩn
plot(BANK, type = 'l', col = 'blue',
ylab = "chỉ số VNI",
xlab = "ngày")
#Mô phỏng biến M2 theo phân phối chuẩn
plot(M2, type = 'l', col = 'blue',
ylab = "M2",
xlab = "ngày")
#Mô phỏng biến CPI theo phân phối chuẩn
plot(CPI, type = 'l', col = 'blue',
ylab = "chỉ số giá tiêu dùng",
xlab = "ngày")
#Mô phỏng biến LP theo phân phối chuẩn
plot(LP, type = 'l', col = 'blue',
ylab = "Lạm phát",
xlab = "ngày")
4.6 Mô phỏng theo phân phối chuẩn
set.seed(123)
GDP <- 4.662e+00 + (7.418e-02)*BANK - (8.931e-02)*M2 - (3.224e-01)*CPI + (3.451e-02)*LPsummary(GDP)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.243 3.977 4.771 4.642 5.521 8.043Giá trị ảnh thưởng của ngân hàng đến GDP nhỏ nhất là 1.366 và lớn nhất là 9.784
#Mô phỏng ảnh hưởng ngân hàng đến GDP
plot(GDP, type = 'l', col = 'lightblue',
ylab = "ảnh hưởng ngân hàng đến GDP",
xlab = "ngày")
Kết quả dự báo GDP theo phân phối chuẩn dựa trên mô hình 1
GDP## [1] 4.587566 5.601483 7.017069 6.643817 5.087312 7.192275 4.086767 1.680708
## [9] 4.809919 3.307135 4.330234 4.837667 4.798817 4.984138 4.052748 5.469276
## [17] 5.688426 1.351151 5.886033 3.777681 4.834076 5.639446 1.242548 4.351618
## [25] 4.765472 1.987507 4.830767 4.033488 3.200063 5.719414 5.704288 4.853934
## [33] 2.950844 6.050453 6.110414 5.651599 4.166081 4.136976 4.549130 4.907298
## [41] 3.309887 4.184474 4.780239 6.624830 6.312921 2.540093 4.070030 4.153563
## [49] 5.259133 4.379350 5.267095 3.931051 5.231867 8.042580 3.124704 5.569434
## [57] 3.977445 5.651403 5.577559 3.024245 3.310887 4.589429 4.116869 4.944828
## [65] 3.896652 6.182260 5.700766 3.312330 5.496600 7.291688 3.819920 1.337311
## [73] 5.798975 4.771387 2.542350 5.959620 5.958942 3.559339 5.611692 5.043414
## [81] 4.223977 3.232120 3.403173 5.268776 3.647351 5.836878 5.821099 4.369803
## [89] 4.422137 4.769312 5.740848 4.438437 5.039885 4.714283 7.280593 3.903196
## [97] 6.065153 6.520439 5.014755 4.128086 4.284948 4.260791 5.341603 4.353647
## [105] 2.108228 5.155508 5.058687 3.804891 3.955407 6.017605 4.325877 6.249767
## [113] 3.586830 3.061881 5.486586 3.504946 4.541173 4.200724 5.051169 4.770785
## [121] 4.983897 4.025817 3.135533 2.698536 5.187527 4.611634 6.287721 5.163989
## [129] 3.327676 4.075798 4.884250 4.940004 5.521070 4.422033 3.119063 5.219486
## [137] 2.946687 4.826652 5.771367 4.359642 4.976266par(mfrow=c(1,3))
hist(GDP, col="skyblue")
boxplot(GDP, col="pink")
plot(density(GDP), col="blue")
Đồ thi thứ nhất là một biểu đồ cột về giá trị ảnh hưởng của ngân hàng đến GDP. Biểu đồ này cho thấy phân bố tần suất của các giá trị khác nhau trong biến GDP. Từ kết quả trên, ta thu được giá trị phổ biến nhất là khoảng 4 đến 6
Đồ thị thứ hai là một biểu đồ hộp của giá cổ phiếu. Biểu đồ này cho thấy phân bố phân vị của các giá trị khác nhau trong biến GDP. Từ kết quả trên, ta thu được giá trị phổ biến nhất là khoảng 4.8
Đồ thị thứ ba là một đồ thị mật độ của biến GDP. Đồ thị này cũng cho biết độ rộng băng thông (bandwidth) là 0.3853
4.7 Phân tích cho mô hình hồi quy theo phân phối chuẩn
summary(GDP)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.243 3.977 4.771 4.642 5.521 8.043GDPanhhuongit <- GDP[GDP <= 1.240]
GDPanhuongvua <- GDP[GDP > 1.240 & GDP < 8.050]
GDPanhuongnhieu <- GDP[GDP > 8.050]
table(cut(GDP,breaks = 3))##
## (1.24,3.51] (3.51,5.78] (5.78,8.05]
## 25 94 22NTT <- table(cut(GDP,3, labels=c('GDPahit','GDPahvua','GDPahcao')))
NTT##
## GDPahit GDPahvua GDPahcao
## 25 94 22Vì mô hình dự báo cho 141 biến nên sẽ có 25 biến của ngân hàng sẽ ảnh hưởng ít đến GDP 94 biến sẽ ãnh hưởng vừa đến GDP và 22 biến sẽ ảnh hương đến GDP
library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.3.1PPC <- c(anhuongit = 25, anhhuongvua = 94, anhhuongnhieu = 22)
labels <- c("Ảnh hưởng ít", "Ảnh hưởng vừa", "Ảnh hưởng nhiều")
colors <- c("lightblue", "pink", "green", "yellow")
barplot(PPC, names.arg = labels, col = colors)
4.7 Mô phỏng các biến theo phân phối đều
set.seed(123)
# Giả sử mô hình có phân phối đều
## Số ngày
n <- 100
## Tạo dữ liệu giả cho các biến độc lập dựa trên thống kê mô tả
BANK1 <- runif(n,min = -1.16,max = 44.63)
M21 <- runif(n,min = 0.25,max = 40.37)
CPI1 <- runif(n,min = -0.7200,max = 5.3600)
LP1 <- runif(n,min = 1.467,max = 28.303)#Mô phỏng biến BANK theo phân phối đều
plot(BANK1, type = 'l', col = 'blue',
ylab = "TĂNG TRƯỞNG TÍN DỤNG",
xlab = "ngày")
#Mô phỏng biến M21 theo phân phối đều
plot(M21, type = 'l', col = 'blue',
ylab = "CUNG TIÊN",
xlab = "ngày")
#Mô phỏng biến CPI theo phân phối đều
plot(CPI1, type = 'l', col = 'blue',
ylab = "chỉ số giá tiêu dùng",
xlab = "ngày")
#Mô phỏng biến LP theo phân phối đều
plot(TG1, type = 'l', col = 'blue',
ylab = "LP",
xlab = "ngày")
4.8 Mô phỏng ảnh hưởng ngân hàng theo phân phối đều
set.seed(123)
GDP1 <- 4.662e+00 + (7.418e-02)*BANK1 - (8.931e-02)*M21 - (3.224e-01)*CPI1 + (3.451e-02)*LP1summary(GDP1)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.5208 3.0399 4.2029 4.1904 5.4655 7.2767#Mô phỏng ảnh hưởng ngân hàng đến GDP
plot(GDP1, type = 'l', col = 'blue',
ylab = "GDP",
xlab = "ngày")
GDP1## [1] 3.9220167 4.4437948 4.0175016 4.0816725 6.0950199 0.5208148 2.7850288
## [8] 5.1290950 5.3224178 5.9787329 4.1510716 5.2313527 7.1569888 2.1149348
## [15] 2.8391399 6.7526443 3.7883026 0.9791943 2.5709794 5.6215684 5.7732691
## [22] 4.4337519 4.6177820 6.7327104 5.7322455 2.9730004 6.1207734 5.4623740
## [29] 4.2547592 1.9162373 5.2481567 4.1325928 4.3917636 5.5551051 2.8324127
## [36] 3.7727069 4.7262412 1.7174394 2.7029826 3.3793526 3.5167679 3.5895838
## [43] 6.3547708 4.3980143 2.1737358 3.4021751 4.8998943 4.6038218 3.1753705
## [50] 4.2796027 1.5777858 5.0169379 5.4746941 3.9940055 5.8786297 3.5142876
## [57] 3.5101784 6.2132505 5.6579976 4.3991129 3.6144030 2.3401653 3.3205787
## [64] 2.8485764 5.6539903 4.0435208 4.4550367 6.1392155 6.3929167 4.8402251
## [71] 3.8251007 6.6201037 4.8153313 2.2630541 3.0406670 2.8211486 3.6050233
## [78] 4.2983823 3.0374040 2.7571552 1.7095881 6.4218778 3.2849005 6.8353985
## [85] 3.4405156 4.6594962 7.2766731 5.6653975 4.5562510 1.0805107 4.6192115
## [92] 5.9798351 3.0029288 3.8474820 1.1852429 2.4234541 4.3612405 2.6827088
## [99] 5.7910717 3.8732909par(mfrow=c(1,3))
hist(GDP1, col="pink")
boxplot(GDP1, col="green")
plot(density(GDP1), col="lightblue")
Đồ thi thứ nhất là một biểu đồ cột về giá trị ảnh hưởng của ngân hàng đến GDP. Biểu đồ này cho thấy phân bố tần suất của các giá trị khác nhau trong biến GDP. Từ kết quả trên, ta thu được giá trị phổ biến nhất là khoảng 4 đến 6
Đồ thị thứ hai là một biểu đồ hộp của giá cổ phiếu. Biểu đồ này cho thấy phân bố phân vị của các giá trị khác nhau trong biến GDP. Từ kết quả trên, ta thu được giá trị phổ biến nhất là khoảng 4.2
Đồ thị thứ ba là một đồ thị mật độ của biến GDP. Đồ thị này cũng cho biết độ rộng băng thông (bandwidth) là 0.5454
4.9 Phân tích cho mô hình hồi quy theo phan phối đều
summary(GDP1)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.5208 3.0399 4.2029 4.1904 5.4655 7.2767GDPanhhuongit1 <- GDP[GDP <= 3.781]
GDPanhuongvua1 <- GDP[GDP > 3.781 & GDP < 8.910]
GDPanhuongnhieu1 <- GDP[GDP > 8.910]
table(cut(GDP,breaks = 3))##
## (1.24,3.51] (3.51,5.78] (5.78,8.05]
## 25 94 22NTT1 <- table(cut(GDP1,3, labels=c('GDPahit1','GDPahvua1','GDPahcao1')))
NTT1##
## GDPahit1 GDPahvua1 GDPahcao1
## 17 53 30Vì mô hình dự báo cho 141 biến nên sẽ có 17 biến của ngân hàng sẽ ảnh hưởng ít đến GDP 53 biến sẽ ãnh hưởng vừa đến GDP và 30 biến sẽ ảnh hương đến GDP
library(ggplot2)
PPC <- c(anhuongit = 17, anhhuongvua = 53, anhhuongnhieu = 30)
labels <- c("Ảnh hưởng ít", "Ảnh hưởng vừa", "Ảnh hưởng nhiều")
colors <- c("lightblue", "pink", "green", "yellow")
barplot(PPC, names.arg = labels, col = colors)
Chương 5 kết luận
5.1 Kết quả
Qua mô phỏng của mô hình ta chưa thể thấy các chỉ có những ảnh hưởng đáng kể xét từ trung cho đến dài hạn. Vì vậy với việc xét trong phạm vi dữ liệu của bài nghiên cứu thì từ tháng 01/2009 – 09/2020 cũng không thay đổi quá nhiều
5.2 Kiến nghị
Có thể nói, đại dịch COVID-19 xuất hiện từ đầu năm 2020, kéo dài đến nay đã một năm rưỡi, gây ảnh hưởng nặng nề đến hoạt động sản xuất kinh doanh của doanh nghiệp. Tuy nhiên, GDP ẫn tăng 5,64%, đưa Việt Nam trở thành một trong những nước có tốc độ tăng trưởng GDP khá.
Tuy nhiên ờ năm 2022 Tăng trưởng GDP được dự báo tích cực nhưng vẫn đối mặt nhiều rủi ro đang gia tăng, đe dọa đến viễn cảnh phục hồi kinh tế. Rủi ro bao gồm tăng trưởng chậm lại hoặc lạm phát diễn ra ở những thị trường xuất khẩu chủ lực, cú sốc giá cảhàng hóa thế giới tiếp tục diễn biến khó lường, các chuỗi cung ứng toàn cầu bị gián đoạn, các biến chủng COVID-19 mới tiếp tục xuất hiện. Bên cạnh đó còn có những thách thức trong nước như: Thiếu hụt lao động, rủi ro lạm phát gia tăng và rủi ro cao hơn trong khu vực tài chính.
Để duy trì tăng trưởng kinh tế với tốc độ mong muốn, nước ta cần tăng năng suất ởmức 2-3% mỗi năm. Kinh nghiệm quốc tế cho thấy, tăng năng suất lao động chỉ có thể đạt được bằng cách đầu tư cho hệ thống giáo dục, là một phần quan trọng của các gói đầu tư và cải cách cần thiết. Lực lượng lao động có năng lực cạnh tranh sẽ đem lại hiệu suất là yếu tố Việt Nam rất cần trong dài hạn
File dữ liệu và PDF
https://drive.google.com/drive/folders/1RIBDwqwovCBdSlD_4jDYn4fXqPa5_ENU
TÀI LIỆU KHAM KHẢO:
Văn DVVL (2022, 29 tháng 4). Giới thiệu về ngân hàng VIB trong báo cáo thực tập. Viết Luận Luận Văn Tốt. https://luanvantot.com/gioi-thieu-ve-ngan-hang-vib-trong-bao-cao thuctap/
QuyênN T. (2022, 08/09). Ngân hàng Thế giới: GDP của Việt Nam năm 2022 tăng trưởng 7,5%. soha. https://soha.vn/ngan-hang-the-gioi-gdp-cua-viet-nam-nam-2022-tang-truong 75- 20220809080614653.htm
SÁNG, THS NGUYỄN MINH. Mối quan hệ giữa hoạt động kinh doanh ngân hàng và tăng trưởng kinh tế tại Việt Nam. No. 8r3vp. Center for Open Science, 2014.Cường NM (2023, ngày 12 tháng 6). Hệ thống giám sát tín hiệu xa GDP. Tín Nhanh Chứng Khoán.https://www.tinnhanhchungkhoan.vn/he-luy-tin-dung-vuot-xagdp post323204.htm
Tư P. a. TCKTVĐB-. BKHV Đ. (2020, ngày 28 tháng 12). Kịch bản tăng trưởng GDP năm 2021 là 6%: Liệu có quá cẩn trọng? Tạp Chí Kinh Tế Và Dự Báo - Bộ Kế Hoạch Và Đầu Tư. https://kinhtevadubao.vn/kich-ban-tang-truong-gdp-nam-2021-la-6-lieu-co-qua cantrong-11115.html
Định SKHV Đ. lao (nd). Tốc độ tăng trưởng GDP của Việt Nam giai đoạn 2021-2030 phấn đấu đạt khoảng 7,0%/năm. SỞ KẾ HOẠCH VÀ ĐẦU TIÊN BÌNH ĐỊNH. https://skhdt.binhdinh.gov.vn/vi/news/quy-hoach-ke-hoach/toc-do-tang-truong-gdp-cuavietnam-giai-doan-2021-2030-phan-dau-dat-khoang-7-0-nam-552.htm