Nhóm 5.5: Đồng tích hợp và ARDL bảng dài hạn (cross_sectional_dependence)

Estimated reading: 11 minutes 2 views
Tóm tắt Nhóm phương pháp 5.5 (AEO Quick Answer): Nhóm 5.5 — Đồng tích hợp và ARDL bảng dài hạn (mã nhóm cross_sectional_dependence) là phân nhánh chuyên sâu thuộc Chương 05: Kinh tế lượng dữ liệu bảng: tĩnh, động, phụ thuộc chéo và phi tuyến, quy tụ 5 phương pháp ước lượng (từ B076 đến B080). 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 5.5 (Đồng tích hợp và ARDL bảng dài hạn)

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 5 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, cross_sectional_dependence), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?

Mọi phương pháp trong Nhóm 5.5 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 B076 (pesaran_cips) đến B080 (cs_ardl) 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 5 Mô hình thuộc Nhóm 5.5

Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 5 bài học trong Nhóm 5.5 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
B076 pesaran_cips Kiểm định nghiệm đơn vị dữ liệu bảng thế hệ thứ 2 Pesaran (CADF & CIPS Test)
Pesaran CIPS Second-Generation Panel Unit-Root Test		 L3 Stata: xtcips / pescadf (ssc install xtcips: xtcips y, maxlags(2) bglags(2))
R: plm (plm::cipstest(pdata$y, lags = 2, type = "drift"))
Python: Pesaran CADF/CIPS runner (Cross-sectionally augmented Dickey–Fuller truncated $t$-bar & Pesaran 2007 critical values)		 Kiểm định nghiệm đơn vị dữ liệu bảng thế hệ thứ 2 bổ sung trung bình chéo $bar{Y}_{t-1}$ và $Deltabar{Y}_{t-l}$ (CADF) cho từng đơn vị rồi lấy trung bình cắt cụt $text{CIPS} = N^{-1}sum_{i=1}^N tilde{t}_i$.
B077 westerlund_coint Kiểm định đồng tích hợp bảng hiệu chỉnh sai số thế hệ 2 Westerlund ($G_tau, G_alpha, P_tau, P_alpha$)
Westerlund Error-Correction Panel Cointegration		 L3 Stata: xtwest (ssc install xtwest: xtwest y x1 x2, lags(1) leads(0) lrwindow(3) bootstrap(200))
R: plm / Westerlund ECM (Entity & pooled conditional ECM t-ratio and normalized alpha statistics)
Python: Westerlund 4-statistic ECM runner ($G_tau, G_alpha, P_tau, P_alpha$ standardized $Z$-scores + sieve bootstrap $p$-values)		 Kiểm định đồng tích hợp dữ liệu bảng thế hệ thứ 2 dựa trên ý nghĩa của tốc độ hiệu chỉnh sai số ($alpha_i < 0$) thay vì áp đặt ràng buộc nhân tố chung (common-factor restriction) như kiểm định phần dư Pedroni/Kao.
B078 cce_mg Ước lượng trung bình nhóm hiệu ứng tương quan chung Pesaran (CCEMG xtdcce2)
Common Correlated Effects Mean Group (CCEMG)		 L3 Stata: xtdcce2 (ssc install xtdcce2: xtdcce2 y x1 x2, cr(y x1 x2) cr_lags(0))
R: plm (plm::pcce(y ~ x1 + x2, data = pdata, model = "mg"))
Python: Cross-sectionally augmented MG solver (Entity OLS với $bar{z}_t$ projection + Pesaran 2006 nonparametric MG variance)		 Đưa trung bình chéo theo thời gian $(bar{Y}_t, bar{X}_t)$ vào hồi quy riêng của từng đơn vị $i$ để lọc bỏ các nhân tố chung không quan sát được (cú sốc giá dầu, chu kỳ tài chính toàn cầu, đại dịch) gây phụ thuộc chéo mạnh.
B079 ccep Ước lượng gộp hiệu ứng tương quan chung Pesaran (Common Correlated Effects Pooled — CCEP)
Common Correlated Effects Pooled Estimator (CCEP)		 L4 Stata: xtdcce2, pooled (xtdcce2 y x1 x2, cr(y x1 x2) pooled(x1 x2) pooledvce(nw))
R: plm (plm::pcce(y ~ x1 + x2, data = pdata, model = "p"))
Python: Cross-sectionally demeaned & factor-projected Pooled estimator (M_G projection per entity + Pesaran Eq. 67 sandwich covariance)		 Phiên bản gộp hiệu quả cao của Pesaran CCE khi hệ số dốc $beta$ đồng nhất giữa các đơn vị nhưng tải trọng nhân tố ẩn $gamma_i$ tác động khác nhau lên từng quốc gia/doanh nghiệp.
B080 cs_ardl Mô hình ARDL bảng tăng cường trung bình chéo Chudik–Pesaran (CS-ARDL)
Cross-Sectionally Augmented Panel ARDL (CS-ARDL)		 L3 Stata: xtdcce2 (xtdcce2 d.y, lr(l.y x1 x2) lr_options(ardl) cr(y x1 x2) cr_lags(3))
R: plm / dynamic CCE (Entity ARDL augmented with lags 0..p_T of cross-sectional means + Delta long-run MG)
Python: Dynamic CS-ARDL solver ($bar{z}_{t-l}$ lag-augmented entity ARDL + Chudik–Pesaran long-run $hat{theta}_{text{CS-ARDL}}$ & MG SE)		 Mở rộng CCE sang bảng động có biến trễ $Y_{i,t-p}, X_{i,t-q}$ bằng cách bổ sung $lfloor T^{1/3} rfloor$ độ trễ của trung bình chéo $(bar{Y}_{t-l}, bar{X}_{t-l})$, ước lượng nhất quán hệ số dài hạn dưới cả nội sinh động và cú sốc toàn cầu.

3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 5.5

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 5.5:
↑ 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 5.5: Bài B076 — Kiểm định nghiệm đơn vị dữ liệu bảng thế hệ thứ 2 Pesaran (CADF & CIPS Test) (pesaran_cips)
→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)

Bài liên quan

Nhóm 5.5: Đồng tích hợp và ARDL bảng dài hạn (cross_sectional_dependence) - PreviousBài B075: Mô hình hiệu chỉnh sai số hiệu ứng cố định động (Dynamic Fixed Effects — DFE Panel ECM) (Dynamic Fixed Effects Panel ECM (DFE) — dfe_panel_ardl)Next - Nhóm 5.5: Đồng tích hợp và ARDL bảng dài hạn (cross_sectional_dependence)Bài B076: Kiểm định nghiệm đơn vị dữ liệu bảng thế hệ thứ 2 Pesaran (CADF & CIPS Test) (Pesaran CIPS Second-Generation Panel Unit-Root Test — pesaran_cips)

Bài liên quan

Back to top button