Nhóm 5.1: Dữ liệu bảng tĩnh (static)

Estimated reading: 15 minutes 1 views
Tóm tắt Nhóm phương pháp 5.1 (AEO Quick Answer): Nhóm 5.1 — Dữ liệu bảng tĩnh (mã nhóm static) là phân nhánh chuyên sâu thuộc Chương 05: Kinh tế lượng dữ liệu bảng: tĩnh, động, phụ thuộc chéo và phi tuyến, quy tụ 9 phương pháp ước lượng (từ B056 đến B064). 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 5.1 (Dữ liệu bảng tĩnh)

Khi triển khai nghiên cứu định lượng trong miền Kinh tế lượng dữ liệu bảng: tĩnh, động, phụ thuộc chéo và phi tuyến, chúng ta thường đứng trước câu hỏi: giữa 9 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, static), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?

Mọi phương pháp trong Nhóm 5.1 đều xuất phát từ khung biểu diễn đại số cơ sở của chương như trình bày tại công thức (1):

$$Y_{it} = rho Y_{i,t-1} + X_{it}^top beta + mu_i + lambda_t + varepsilon_{it} tag{1}$$

Sự khác biệt giữa các mô hình từ B056 (pooled_ols) đến B064 (driscoll_kraay_fe) 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 9 Mô hình thuộc Nhóm 5.1

Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 9 bài học trong Nhóm 5.1 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
B056 pooled_ols Hồi quy gộp dữ liệu bảng và sai số chuẩn phân cụm (Pooled OLS & Clustered SE)
Pooled OLS		 L1 Stata: regress y x1 x2, vce(cluster id)
R: plm::plm(y ~ x1 + x2, data = pdata, model = 'pooling')
Python: PooledOLS.from_formula('y ~ 1 + x1 + x2', data=pdata).fit(cov_type='clustered', cluster_entity=True)		 Phương pháp Hồi quy gộp dữ liệu bảng và sai số chuẩn phân cụm (Pooled OLS & Clustered SE) (Pooled OLS) trong họ mô hình kinh tế lượng dữ liệu bảng: tĩnh, động, phụ thuộc chéo và phi tuyến, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.
B057 panel_fe Mô hình hiệu ứng cố định dữ liệu bảng và phép biến đổi Within (Panel Fixed Effects — FE)
Panel Fixed Effects		 L1 Stata: xtreg y x1 x2, fe vce(cluster id)
R: plm::plm(y ~ x1 + x2, data = pdata, model = 'within')
Python: PanelOLS.from_formula('y ~ 1 + x1 + x2 + EntityEffects', data=pdata).fit(cov_type='clustered', cluster_entity=True)		 Phương pháp Mô hình hiệu ứng cố định dữ liệu bảng và phép biến đổi Within (Panel Fixed Effects — FE) (Panel Fixed Effects) trong họ mô hình kinh tế lượng dữ liệu bảng: tĩnh, động, phụ thuộc chéo và phi tuyến, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.
B058 panel_re Mô hình hiệu ứng ngẫu nhiên GLS và kiểm định Hausman (Panel Random Effects — RE)
Panel Random Effects		 L1 Stata: xtreg y x1 x2, re vce(cluster id)
R: plm::plm(y ~ x1 + x2, data = pdata, model = 'random')
Python: RandomEffects.from_formula('y ~ 1 + x1 + x2', data=pdata).fit(cov_type='clustered', cluster_entity=True)		 Phương pháp Mô hình hiệu ứng ngẫu nhiên GLS và kiểm định Hausman (Panel Random Effects — RE) (Panel Random Effects) trong họ mô hình kinh tế lượng dữ liệu bảng: tĩnh, động, phụ thuộc chéo và phi tuyến, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.
B059 between_ols Ước lượng trung bình giữa các đơn vị cắt ngang (Between Effects Estimator — BE)
Between OLS		 L1 Stata: xtreg y x1 x2, be
R: plm::plm(y ~ x1 + x2, data = pdata, model = 'between')
Python: BetweenOLS.from_formula('y ~ 1 + x1 + x2', data=pdata).fit()		 Phương pháp Ước lượng trung bình giữa các đơn vị cắt ngang (Between Effects Estimator — BE) (Between OLS) trong họ mô hình kinh tế lượng dữ liệu bảng: tĩnh, động, phụ thuộc chéo và phi tuyến, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.
B060 first_difference Ước lượng sai phân bậc nhất khử hiệu ứng cố định (First-Difference Estimator — FD)
First Difference		 L1 Stata: regress D.y D.(x1 x2), vce(cluster id)
R: plm::plm(y ~ x1 + x2, data = pdata, model = 'fd')
Python: FirstDifferenceOLS.from_formula('y ~ x1 + x2', data=pdata).fit(cov_type='clustered', cluster_entity=True)		 Phương pháp Ước lượng sai phân bậc nhất khử hiệu ứng cố định (First-Difference Estimator — FD) (First Difference) trong họ mô hình kinh tế lượng dữ liệu bảng: tĩnh, động, phụ thuộc chéo và phi tuyến, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.
B061 mundlak_cre Mô hình hiệu ứng ngẫu nhiên tương quan Mundlak–Wooldridge (Correlated Random Effects — CRE)
Mundlak / Wooldridge Correlated Random Effects (CRE)		 L2 Stata: Stata 18 xtreg, cre / Mundlak (xtreg y x1 x2 z_fixed, cre vce(cluster id))
R: plm / fixest (plm(y ~ x1 + x2 + mean_x1 + mean_x2 + z_fixed, model = "random"))
Python: linearmodels (RandomEffects bổ sung $bar{X}_i$ group means + Cluster-robust Wald test trên $gamma_{bar{X}} = 0$)		 Đưa trung bình theo thời gian của từng biến thay đổi $bar{X}_i$ vào mô hình Random Effects, cho phép ước lượng chính xác hệ số within giống hệt Fixed Effects **đồng thời** giữ lại và ước lượng được các biến bất biến theo thời gian $Z_i$.
B062 fama_macbeth Hồi quy hai bước theo kỳ cắt ngang Fama–MacBeth và hiệu chỉnh Newey–West
Fama-MacBeth		 L2 Stata: asreg y x1 x2, fmb newey(3)
R: plm::pmg(y ~ x1 + x2, data = pdata, index = c('year', 'id'))
Python: FamaMacBeth.from_formula('y ~ 1 + x1 + x2', data=pdata).fit(cov_type='kernel')		 Phương pháp Hồi quy hai bước theo kỳ cắt ngang Fama–MacBeth và hiệu chỉnh Newey–West (Fama-MacBeth) trong họ mô hình kinh tế lượng dữ liệu bảng: tĩnh, động, phụ thuộc chéo và phi tuyến, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.
B063 pcse_panel Sai số chuẩn hiệu chỉnh dữ liệu bảng Beck–Katz (Panel-Corrected Standard Errors — PCSE)
Beck–Katz Panel-Corrected Standard Errors (PCSE)		 L2 Stata: xtpcse (xtpcse y x1 x2, correlation(ar1) hetonly)
R: pcse (pcse::pcse(ols_fit, groupN = df$entity, groupT = df$time))
Python: Prais–Winsten $text{AR}(1)$ + Beck–Katz contemporaneous $hat{Sigma}_{Ntimes N} otimes I_T$ sandwich covariance		 Ước lượng dữ liệu bảng chuỗi thời gian – chéo (TSCS) xử lý đồng thời phương sai sai số khác nhau theo bảng (panel heteroskedasticity), tương quan đồng thời giữa các đơn vị và tự tương quan $text{AR}(1)$.
B064 driscoll_kraay_fe Ước lượng bảng với sai số chuẩn bền vững không gian–thời gian Driscoll–Kraay (xtscc)
Driscoll–Kraay Spatial-Temporal SCC Panel		 L2 Stata: xtscc (ssc install xtscc: xtscc y x1 x2, fe lag(m))
R: plm (lmtest::coeftest(plm_fe, vcov = plm::vcovSCC(plm_fe, maxlag = m)))
Python: linearmodels (PanelOLS(..., entity_effects=True).fit(cov_type="kernel", kernel="bartlett", bandwidth=m))		 Ước lượng bảng hiệu ứng cố định/gộp với ma trận hiệp phương sai Newey–West trên chuỗi trung bình chéo của điều kiện moment, bền vững trước cả tự tương quan, phương sai thay đổi và phụ thuộc không gian/chéo tổng quát.

3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 5.1

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 5.1:
↑ Quay lại Tổng quan Chương 05: Chương 05 — Kinh tế lượng dữ liệu bảng: tĩnh, động, phụ thuộc chéo và phi tuyến
→ Đi tới Bài học đầu tiên của Nhóm 5.1: Bài B056 — Hồi quy gộp dữ liệu bảng và sai số chuẩn phân cụm (Pooled OLS & Clustered SE) (pooled_ols)
→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)

Bài liên quan

Nhóm 5.1: Dữ liệu bảng tĩnh (static) - PreviousChương 05: Kinh tế lượng dữ liệu bảng: tĩnh, động, phụ thuộc chéo và phi tuyến (Panel Data Econometrics: Static, Dynamic, Cross-Sectional Dependence & Nonlinear)Next - Nhóm 5.1: Dữ liệu bảng tĩnh (static)Bài B056: Hồi quy gộp dữ liệu bảng và sai số chuẩn phân cụm (Pooled OLS & Clustered SE) (Pooled OLS — pooled_ols)

Bài liên quan

Đã xem gần đây

Back to top button