Nhóm 1.4: Biến công cụ cổ điển (high_dim_modern_iv)

Estimated reading: 11 minutes 2 views
Tóm tắt Nhóm phương pháp 1.4 (AEO Quick Answer): Nhóm 1.4 — Biến công cụ cổ điển (mã nhóm high_dim_modern_iv) là phân nhánh chuyên sâu thuộc Chương 01: Hồi quy tuyến tính cổ điển và biến công cụ, quy tụ 6 phương pháp ước lượng (từ B009 đến B014). Phần tổng quan này giúp chúng ta so sánh trực diện điều kiện áp dụng, cấu trúc toán học và cú pháp thực thi trên Stata 18 MP, R 4.x và Python 3.11+ để chọn đúng mô hình cho bài toán nghiên cứu.

1. Bản chất Học thuật & Vị trí của Nhóm 1.4 (Biến công cụ cổ điển)

Khi triển khai nghiên cứu định lượng trong miền Hồi quy tuyến tính cổ điển và biến công cụ, chúng ta thường đứng trước câu hỏi: giữa 6 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, high_dim_modern_iv), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?

Mọi phương pháp trong Nhóm 1.4 đều xuất phát từ khung biểu diễn đại số cơ sở của chương như trình bày tại công thức (1):

$$Y_i = X_i^top beta + varepsilon_i, quad text{E}[Z_i varepsilon_i] = 0 tag{1}$$

Sự khác biệt giữa các mô hình từ B009 (hdfe_ols) đến B014 (iv_quantile) nằm ở cách chúng ta đặt giả định lên phân phối của sai số ngẫu nhiên, cấu trúc nội sinh và phương pháp tối ưu hóa hàm mục tiêu từ công thức (1).

2. Bảng So sánh Trực diện 6 Mô hình thuộc Nhóm 1.4

Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 6 bài học trong Nhóm 1.4 kèm câu lệnh cốt lõi trên cả ba phần mềm:

Mã Bài model_key Tên Mô hình (VI / EN) Cấp độ Lệnh Thực thi Chuẩn (Stata 18 · R 4.x · Python 3.11+) Ý nghĩa Kinh tế lượng Trọng tâm
B009 hdfe_ols Hồi quy tuyến tính hấp thụ hiệu ứng cố định đa chiều (HDFE-OLS reghdfe)
High-Dimensional Fixed Effects OLS		 L3 Stata: reghdfe (ssc install reghdfe: reghdfe y x1 x2, absorb(id1 id2) vce(cluster id1))
R: fixest (fixest::feols(y ~ x1 + x2 | id1 + id2, cluster = ~id1))
Python: pyfixest (pyfixest.feols("y ~ x1 + x2 | id1 + id2", vcov={"CRV1": "id1"}))		 Ước lượng tuyến tính hấp thụ đồng thời nhiều chiều hiệu ứng cố định (doanh nghiệp × năm, ngành × năm, tỉnh × quý) với sai số chuẩn cụm đa chiều.
B010 hdfe_iv Hồi quy biến công cụ 2SLS với hiệu ứng cố định đa chiều (HDFE-IV ivreghdfe)
High-Dimensional Fixed Effects IV-2SLS		 L3 Stata: ivreghdfe (ssc install ivreghdfe: ivreghdfe y x1 (endog = z1 z2), absorb(id1 id2) cluster(id1))
R: fixest (fixest::feols(y ~ x1 | id1 + id2 | endog ~ z1 + z2, cluster = ~id1))
Python: pyfixest (pyfixest.feols("y ~ x1 | id1 + id2 | endog ~ z1 + z2", vcov={"CRV1": "id1"}))		 Ước lượng biến công cụ 2SLS khi mô hình đồng thời có biến nội sinh và nhiều tầng hiệu ứng cố định chiều cao.
B011 bartik_shift_share_iv Biến công cụ cấu trúc ngành–vùng Shift-Share (Bartik IV)
Shift-Share (Bartik) Instrumental Variables		 L3 Stata: ssaggregate / ivreg2 (ssc install ssaggregate; ivreg2 y (d = bartik_z) x, robust)
R: ShiftShareSE (ShiftShareSE::ivreg_ss(y ~ x | d ~ bartik_z, shares = W, ...))
Python: linearmodels + AKM solver (IV2SLS kèm ma trận hiệp phương sai theo ngành Adão–Kolesár–Morales)		 Nhận dạng nhân quả từ biến công cụ cấu trúc ngành–vùng $B_i = sum_s w_{is} g_s$ với sai số chuẩn hiệu chỉnh tương quan chéo theo cú sốc ngành (AKM/BHJ).
B012 lewbel_het_iv Biến công cụ kiến tạo từ phương sai thay đổi Lewbel (Heteroskedasticity-Based IV)
Lewbel Heteroskedasticity-Based IV		 L4 Stata: ivreg2h (ssc install ivreg2h: ivreg2h y x1 (endog = ), robust)
R: REndo (REndo::hetErrorsIV(y ~ x1 + endog | endog | IIV(x1), data = df))
Python: statsmodels + linearmodels (2-step generated heteroskedastic instruments $(Z-bar{Z})hat{u}_1$ + IVGMM)		 Kiến tạo biến công cụ nội tại $(Z – bar{Z})hat{varepsilon}_1$ từ phương sai thay đổi của phương trình giai đoạn 1 khi thiếu biến công cụ ngoại sinh hoặc cần kiểm định quá xác định.
B013 control_function_iv Phương pháp hàm kiểm soát xử lý nội sinh (Control Function Estimator)
Control Function Endogeneity Estimator		 L4 Stata: ivregress 2sls / etregress / bootstrap: reg y x endog vhat
R: fixest + boot (Stage 1 lm -> Stage 2 feols + pairs/cluster bootstrap SE)
Python: statsmodels (OLS Stage 1 residual inclusion + nonparametric/cluster bootstrap covariance)		 Khắc phục nội sinh trong mô hình tuyến tính/phi tuyến bằng cách đưa phần dư giai đoạn 1 $hat{v}_2$ trực tiếp vào phương trình cấu trúc kèm kiểm định nội sinh trực tiếp trên hệ số $rho$.
B014 iv_quantile Hồi quy phân vị biến công cụ Chernozhukov–Hansen (IVQR)
Instrumental Variables Quantile Regression (IVQR)		 L4 Stata: Stata 18 ivqregress (ivqregress iqr y x1 (endog = z1 z2), quantile(0.25 0.5 0.75))
R: quantreg / IVQR grid (quantreg::rq inverse-quantile profiler theo Chernozhukov–Hansen)
Python: statsmodels + scipy (Chernozhukov–Hansen inverse-QR grid & smoothed GMM quantile solver)		 Ước lượng tác động nhân quả không đồng nhất trên từng phân vị $tau in (0,1)$ của biến kết quả khi biến giải thích chính bị nội sinh.

3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 1.4

Dựa trên kinh nghiệm phản biện và hướng dẫn luận văn, luận án thực tế, chúng ta có thể áp dụng quy tắc chọn nhanh sau đây:

Điều hướng Học tập trong Nhóm 1.4:
↑ Quay lại Tổng quan Chương 01: Chương 01 — Hồi quy tuyến tính cổ điển và biến công cụ
→ Đi tới Bài học đầu tiên của Nhóm 1.4: Bài B009 — Hồi quy tuyến tính hấp thụ hiệu ứng cố định đa chiều (HDFE-OLS reghdfe) (hdfe_ols)
→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)

Bài liên quan

Nhóm 1.4: Biến công cụ cổ điển (high_dim_modern_iv) - PreviousBài B008: Ước lượng hợp lý cực đại thông tin giới hạn cho biến công cụ yếu (IV-LIML) (IV-LIML — iv_liml)Next - Nhóm 1.4: Biến công cụ cổ điển (high_dim_modern_iv)Bài B009: Hồi quy tuyến tính hấp thụ hiệu ứng cố định đa chiều (HDFE-OLS reghdfe) (High-Dimensional Fixed Effects OLS — hdfe_ols)

Bài liên quan

Đã xem gần đây

Back to top button