Chọn L A Mô Hình Hộ Nông Dân Sẵn Lòng Tham Gia Bảo Hiểm Cây Cà Phê Theo Chỉ

RRHHD	256	0.24	0.43	0.00	1.00
27	RRLDB	256	0.09	0.29	0.00	1.00
28	RRLDTN	256	0.05	0.22	0.00	1.00
29	RRLDC	256	0.04	0.18	0.00	1.00
Nhóm h nông dân Không sẵn lòng tham gia b o hi m cây cà phê theo chỉ số ă suất
1	TUOI	224	43.72	8.09	25.00	62.00
2	GIOITINH	224	0.96	0.19	0.00	1.00
3	DANTOC	224	0.47	0.50	0.00	1.00
4	TDHV	224	6.93	2.62	1.0	12.00
5	KINHNGHIEM	224	17.05	6.35	3.00	40.00
6	HOIND	224	0.97	0.17	0.00	1.00
7	LAODONG	224	2.67	0.98	1.00	6.00
8	DIENTICH	224	1.27	1.18	0.1	14.00
9	TUOICAY	224	13.67	1.89	11.00	18.00
10	NANGSUAT	224	26.77	5.96	16.0	45.00
11	THUNHAP	224	42.62	8.92	16.8	58.71
12	SOHUUDAT	224	0.81	0.39	0.00	1.00
13	VAYVON	224	0.04	0.19	0.00	1.00
14	TIEUCHUAN	224	0.01	0.12	0.00	1.00
15	THITRUONG	224	0.01	0.12	0.00	1.00
16	THUONGHIEU	224	0.55	0.50	0.00	1.00
17	RRHH	224	0.92	0.27	0.00	1.00
18	RRMTT	224	0.84	0.36	0.00	1.00
19	RRB	224	0.54	0.50	0.00	1.00
20	RRLL	224	0.18	0.39	0.00	1.00
21	RRCT	224	0.79	0.41	0.00	1.00
22	RRSB	224	0.79	0.40	0.00	1.00
23	RRON	224	0.25	0.43	0.00	1.00

Có thể bạn quan tâm!

Xem toàn bộ 251 trang tài liệu này.

RRMG	224	0.99	0.12	0.00	1.00
25	RRNVL	224	0.86	0.35	0.00	1.00
26	RRHHD	224	0.20	0.40	0.00	1.00
27	RRLDB	224	0.14	0.35	0.00	1.00
28	RRLDTN	224	0.05	0.22	0.00	1.00
29	RRLDC	224	0.05	0.22	0.00	1.00

Ngu n: Kết qu tính toán của tác gi

4.3.2. Chọn l a mô hình hộ nông dân sẵn lòng tham gia bảo hiểm cây cà phê theo chỉ số năng suất bằng hư ng h BMA

Với 29 biến độc lập, chúng ta có một tập hợp gồm 229 = 536,870,912 (Năm trăm ba mươi sáu triệu tám trăm bảy mươi ngàn chín trăm mười hai) mô hình nghiên cứu (Raftery, 1995). Theo cách làm thủ công, để xem xét mô hình một cách đầy đủ nhất thì ước lượng 536,870.912 mô hình rồi so sánh kết quả của chúng với nhau là việc tốn rất nhiều thời gian, công sức và có thể nói là không khả thi. Tuy nhiên, phương pháp BMA sẽ giúp chúng ta thực hiện tốt điều này.

Tiêu chí lựa chọn mô hình phù hợp nhất của phương pháp BMA là so sánh xác suất hậu định và chỉ số BIC của m i mô hình, mô hình nào có xác suất hậu định cao nhất và chỉ số BIC thấp nhất là tốt nhất (phù hợp nhất với dữ liệu). Thuật toán Occam‟s Window sẽ rút gọn số mô hình lại như sau. Trước tiên, những mô hình có xác suất hậu định rất bé so với mô hình các xác suất hậu định lớn nhất sẽ bị loại bỏ; tiếp theo, những mô hình có nhiều biến độc lập hơn những mô hình khác nhưng xác suất hậu định lại nhỏ hơn thì những mô hình đó bị thuật toán loại bỏ. Tác giả sử dụng gói ứng dụng BMA trong phần mềm R để tìm kiếm nhanh chóng tập hợp các mô hình nói trên. Vì biến phụ thuộc BAOHIEM là biến nhị phân nên tác giả sử dụng phương pháp BMA cho mô hình nghiên cứu theo hồi quy logistic và hồi quy probit. Kết quả tác giả thu được là mô hình được lựa chọn bằng phương pháp BMA theo hồi quy logistic là tập hợp gồm 82 mô hình (xem Phụ lục 7.47) và theo hồi quy probit là tập hợp hợp gồm 84 mô hình (xem Phụ lục 7.48). Các mô hình được sắp

xếp theo giá trị xác suất hậu định từ cao nhất đến thấp dần, đồng thời chỉ số BIC của các mô hình được sắp xếp theo thứ tự từ thấp nhất đến cao dần.

S s nh hư ng h BMA dụng cho mô hình hồi quy logistic và mô hình hồi quy probit

Từ kết quả trên, tác giả nhận thấy 2 tập hợp các mô hình nghiên cứu bằng phương pháp BMA theo hồi quy logistic và hồi quy probit có số lượng mô hình gần như tương đương nhau. Vì số lượng mô hình do phương pháp BMA chọn lựa theo 2 cách khá lớn và các mô hình đó gần như giống nhau (xem Phụ lục 7.47 và Phụ lục 7.48); do đó, tác giả không so sánh tất cả các mô hình do phương pháp BMA chọn theo 2 cách mà tác giả xin phép lấy 6 mô hình phù hợp với dữ liệu nhất theo m i cách để so sánh. Đó là 6 mô hình có xác suất hậu định cao nhất và chỉ số BIC thấp nhất được phương pháp BMA chọn theo hồi quy logistic; chúng được ký hiệu là BMAL1, BMAL2, BMAL3, BMAL4, BMAL5, BMAL6 (xem Bảng 4.4); và 6 mô

hình có xác suất hậu định cao nhất và chỉ số BIC thấp nhất được phương pháp BMA chọn theo hồi quy probit; chúng được ký hiệu là BMAP1, BMAP2, BMAP3, BMAP4, BMAP5, BMAP6 (xem Bảng 4.5).

Căn cứ vào 6 mô hình phù hợp với dữ liệu nhất do BMA đề xuất theo hồi quy logistic và 6 mô hình phù hợp với dữ liệu nhất do BMA đề xuất theo hồi quy probit đều có các biến độc lập giống nhau gồm TUOI, DANTOC, TDHV, NANGSUAT, VAYVON, THUONGHIEU, RRB; hơn nữa, các biến độc lập này có cùng mức ý nghĩa thống kê và xác suất tác động đến biến phụ thuộc BAOHIEM gần như nhau (xem Bảng 4.4 và Bảng 4.5). Bên cạnh đó, theo nghiên cứu của Gujarati (2011) các giá trị bằng số của các hệ số hồi quy logistic và probit tuy khác nhau nhưng về mặt định tính thì các ý nghĩa kết quả là giống nhau. Từ kết quả trên, tác giả nhận thấy phương pháp BMA chọn lựa mô hình nghiên cứu theo hồi quy logistic và probit là tương tự nhau. Vì vậy, tác giả xin chọn 6 mô hình phù hợp nhất với dữ liệu do phương pháp BMA chọn theo hồi quy logistic để phân tích việc sẵn lòng tham gia bảo hiểm cây cà phê theo chỉ số năng suất của hộ nông dân tỉnh Đắk Lắk.

Bảng 4.4: Mô hình nghiên cứu được a chọn bởi hư ng h BMA theo hồi quy logistic

Biến

Xác suất	BMA L1	BMA L2	BMA L3	BMA L4	BMA L5	BMA L6
TUOI	92.7%	0.0588 ***	0.0572 ***	0.0469 **	0.0492 **	0.0560 ***	0.0544 ***
DANTOC	28%			0.5890 *	0.5503 *
TDHV	100%	0.4062 ***	0.4354 ***	0.4004 ***	0.3748 ***	0.3967 ***	0.4245 ***
NANGSUAT	24.6%					0.0366 *	0.0375 *
VAYVON	100%	2.5961 ***	2.4439 ***	2.5705 ***	2.7015 ***	2.4805 ***	2.3239 ***
THUONGHIEU	50.3%	0.6623 **			0.6254 *	0.6474 *
RRB	100%	1.1411 ***	1.1403 ***	1.1544 ***	1.1541 ***	1.0064 ***	0.9997 ***
Số biến độc lập		5	4	5	6	6	5
BIC		-2.438	-2.437	-2.437	-2.437	-2.436	-2.436
Xác suất hậu định		9.2%	6.8%	5.5%	5.0%	4.1%	3.6%
Mức ý nghĩa thống kê: 0 „*‟ 0.001 „‟ 0.01 „*‟ 0.05 „.‟ 0.1 „ ‟ 1

Ngu n: Kết qu tính toán của tác gi

Bảng 4.5: Mô hình nghiên cứu được a chọn bởi hư ng h BMA theo hồi quy probit

Biến

Xác suất	BMA P1	BMA P2	BMA P3	BMA P4	BMA P5	BMA P6
TUOI	97%	0.0354 ***	0.0347 ***	0.0330 ***	0.0290 **	0.0338 ***	0.0300 **
DANTOC	19%				0.3292 *		0.3118 *
TDHV	100%	0.2394 ***	0.2580 ***	0.2514 ***	0.2371 ***	0.2337 ***	0.2206 ***
NANGSUAT	30%			0.0229 *		0.0227 *
VAYVON	100%	1.4630 ***	1.3780 ***	1.3157 ***	1.4239 ***	1.4043 ***	1.5029 ***
THUONGHIEU	45%	0.3754 **				0.3707 *	0.3594 *
RRB	100%	0.6509 ***	0.6577 ***	0.5683 ***	0.6639 ***	0.5643 ***	0.6578 ***
Số biến độc lập		5	4	5	5	6	6
BIC		-2.437	-2.437	-2.436	-2.436	-2.436	-2.435
Xác suất hậu định		8.4%	8%	4.9%	4.8%	4.7%	3.7%
Mức ý nghĩa thống kê: 0 „*‟ 0.001 „‟ 0.01 „*‟ 0.05 „.‟ 0.1 „ ‟ 1

Ngu n: Kết qu tính toán của tác gi

Theo Bảng 4.4, tác giả nhận thấy 6 mô hình phù hợp nhất với dữ liệu gồm 7 biến độc lập TUOI, DANTOC, TDHV, NANGSUAT, VAYVON, THUONGHIEU,

RRB và những biến này có xác suất tác động đến biến BAOHIEM cao nhất trong số 29 biến độc lập (xem Bảng 4.6). Đây có thể xem là những biến quang trọng đối với mô hình nghiên cứu. Đặc biệt, trong các biến này thì có 3 biến DANTOC, THUONGHIEU, RRB là biến mới. Hơn nữa, trong nghiên cứu định tính thì yếu tố tuổi, yếu tố trình độ học vấn, yếu tố dân tộc, yếu tố năng suất, yếu tố vay vốn ngân

hàng và yếu tố rủi ro bão đều là những yếu tố có khả năng tác động đến yếu tố sẵn lòng tham gia bảo hiểm cây cà phê theo chỉ số năng suất của hộ nông dân tỉnh Đắk Lắk. Do đó, tùy vào mục đích nghiên cứu hoặc ứng dụng mà các nhà nghiên cứu cây cà phê, công ty bảo hiểm, ngân hàng thương mại có sự lựa chọn mô hình phù hợp với mục tiêu nghiên cứu.

Bảng 4.6: X c suất c c biến độc ậ t c động ên biến hụ thuộc (BAOHIEM)

STT

Biến độc ậ	c suất	STT	Biến độc ậ	c suất
1	TUOI	92.7%	16	THUONGHIEU	50.3%
2	GIOITINH	0.5%	17	RRHH	15.3%
3	DANTOC	28.2%	18	RRMTT	0.6%
4	TDHV	100%	19	RRB	100%
5	KINHNGHIEM	6.5%	20	RRLL	5.8%
6	HOIND	0.0%	21	RRCT	1.4%
7	LAODONG	4.5%	22	RRSB	0.5%
8	DIENTICH	0.0%	23	RRON	1.1%
9	TUOICAY	4.4%	24	RRMG	4.2%
10	NANGSUAT	24.6%	25	RRNVL	8.3%
11	THUNHAP	0.6%	26	RRHHD	5.5%
12	SOHUUDAT	0.5%	27	RRLDB	2.1%
13	VAYVON	100%	28	RRLDTN	0.5%
14	TIEUCHUAN	1.1%	29	RRLDC	3.0%
15	THITRUONG	0.5%

Ngu n: Kết qu tính toán của tác gi

4.3.3. ết quả ước ượng tha số v hả năng d đ n chính c của ô hình

Hiện nay, chiến lược xây dựng mô hình thường được sử dụng khá phổ biến trong thực tế là chia bộ dữ liệu nghiên cứu thành 2 bộ dữ liệu nhỏ hơn một cách ngẫu nhiên (phần mềm chọn tự động, Nguyễn Văn Tuấn, 2020). Cụ thể như sau:

4.3.3.1. Sử dụng t n bộ dữ iệu để ước ượng tham số và d đ n

Trong trường hợp này, tác giả sẽ sử dụng toàn bộ dữ liệu 480 quan sát thu thập được để ước lượng tham số mô hình BMAL1 (xem Bảng 4.7), BMAL2 (xem Bảng 4.8), BMAL3 (xem Bảng 4.9), BMAL4 (xem Bảng 4.10), BMAL5 (xem Bảng 4.11), BMAL6 (xem Bảng 4.12). Độ chính xác của mô hình sẽ được tính bằng cách so sánh kết quả dự đoán của mô hình với kết quả khảo sát thực tế về việc sẵn l ng tham gia bảo hiểm cây cà phê theo chỉ số năng suất của hộ nông dân tỉnh Đắk Lắk. Cụ thể, tác giả d ng dữ liệu ước lượng tham số mô hình để so sánh với kết quả dự đoán của mô hình nhằm tìm ra độ chính xác của mô hình BMAL1 (xem Bảng 4.7), BMAL2 (xem Bảng 4.8), BMAL3 (xem Bảng 4.9), BMAL4 (xem Bảng 4.10), BMAL5 (xem Bảng 4.11), BMAL6 (xem Bảng 4.12).

Bảng 4.7: ết quả ước ượng tha số và d đ n với ô hình BMAL1

Biến

Ước ượng	Sai số chuẩn	P-value
(Intercept)	-7.19384	1.02293	2.03e-12 ***
TUOI	0.05875	0.01598	0.000236 ***
TDHV	0.40615	0.04760	< 2e-16 ***
VAYVON	2.59613	0.45681	1.32e-08 ***
THUONGHIEU	0.66229	0.25546	0.009527 **
RRB	1.14111	0.24479	3.14e-06 ***
Chỉ số	Gi trị
Brier	0.168
AUC	0.828
AUC (bootstrap 1000 lần)	0.819
Kết quả dự đoán của mô hình theo dữ liệu ước lượng (toàn bộ dữ liệu)
Độ chính xác	75.83%
Độ nhạy	77.73%
Độ đặc hiệu	73.66%
Ma trận nhầm lẫn		Tham khảo
	Dự đoán	SL	KSL
	SL	199	59
	KSL	57	165
Mức ý nghĩa thống kê: 0 „*‟ 0.001 „‟ 0.01 „*‟ 0.05 „.‟ 0.1 „ ‟ 1

Ngu n: Kết qu tính toán của tác gi

Xem tất cả 251 trang.

Ngày đăng: 11/07/2022