Tóm tắt Reading 18: Linear Regression

Môn FRM Part I (FRM1), Reading 18/62

Mô hình và điều kiện áp dụng

  • Y = α + β × X + ε: β là độ nhạy của Y theo X, α là giá trị của Y khi X = 0, ε là phần không được X giải thích.
  • Ba điều kiện: quan hệ tuyến tính, sai số cộng vào (phương sai sai số không phụ thuộc dữ liệu), mọi X quan sát được.
  • Chỉ cần tuyến tính theo tham số: ln(X), X2, 1 ÷ X dùng được; Y = α + βXp + ε thì không.

Ước lượng OLS và diễn giải

  • OLS cực tiểu hóa Σε̂i2. β̂ = cov(X, Y) ÷ var(X); α̂ = Ȳ − β̂X̄; đường hồi quy đi qua (X̄, Ȳ).
  • β̂: thay đổi của Y khi X tăng một đơn vị; α̂: Y dự báo khi X = 0. Trong hồi quy bội, hệ số là partial slope (giữ nguyên biến khác).
  • Dummy variable nhận 0 hoặc 1, lượng hóa yếu tố định tính.
  • Hồi quy một biến: R2 = rX,Y2; |r| = R2, dấu của r theo dấu của β̂. β̂ = 0 ⇒ R2 = 0.

Giả định và tính chất

  • Giả định: E(ε | X) = 0; (X, Y) iid; var(X) > 0; homoskedasticity; khó có outlier lớn.
  • Vi phạm E(ε | X) = 0: survivorship/sample selection bias, simultaneity bias, omitted variables, attenuation bias (X đo sai → hệ số bị kéo về 0).
  • α̂, β̂ unbiased, consistent, xấp xỉ chuẩn khi mẫu lớn. Var(β̂) ≈ σε2 ÷ (n × σX2): tăng theo phương sai sai số, giảm theo phương sai X và cỡ mẫu.

Kiểm định và khoảng tin cậy

  • Ba bước: phát biểu giả thuyết → tính test statistic → so với giá trị tới hạn.
  • t = (β̂ − β0) ÷ SE(β̂), n − 2 bậc tự do; bác bỏ H0 khi |t| > tc.
  • Khoảng tin cậy: β̂ ± tc × SE(β̂); β0 nằm ngoài khoảng ⇔ bác bỏ H0.
  • p-value là mức ý nghĩa nhỏ nhất để bác bỏ H0; p-value in sẵn chỉ dành cho H0: β = 0.

Bản đầy đủ gồm

Bài giảng chi tiết, flashcard lặp lại ngắt quãng, ngân hàng câu hỏi luyện thi, lộ trình theo ngày thi và trợ lý AI theo từng chương (có giới hạn). Dùng trọn 1 năm.

990.000đ890.000đdùng 1 năm

Hoàn 100% trong 7 ngày nếu bạn chưa dùng quá 30% khoá học.

Giá ưu đãi early bird 890.000đ

990.000đ890.000đdùng 1 năm
Mua ngay