Nhóm 9.1: Ghép cặp & Cân bằng mẫu (matching)

Estimated reading: 6 minutes 2 views
Tóm tắt Nhóm phương pháp 9.1 (AEO Quick Answer): Nhóm 9.1 — Ghép cặp & Cân bằng mẫu (mã nhóm matching) là phân nhánh chuyên sâu thuộc Chương 09: Suy luận nhân quả và đánh giá tác động chính sách, quy tụ 2 phương pháp ước lượng (từ B136 đến B137). 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 9.1 (Ghép cặp & Cân bằng mẫu)

Khi triển khai nghiên cứu định lượng trong miền Suy luận nhân quả và đánh giá tác động chính sách, chúng ta thường đứng trước câu hỏi: giữa 2 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, matching), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?

Mọi phương pháp trong Nhóm 9.1 đều xuất phát từ khung biểu diễn đại số cơ sở của chương như trình bày tại công thức (1):

$$text{ATT}(g, t) = text{E}[Y_{it}(g) – Y_{it}(infty) mid G_{ig} = 1] tag{1}$$

Sự khác biệt giữa các mô hình từ B136 (propensity_score_matching) đến B137 (entropy_balancing) 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 2 Mô hình thuộc Nhóm 9.1

Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 2 bài học trong Nhóm 9.1 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
B136 propensity_score_matching Ghép cặp điểm xu hướng Rosenbaum–Rubin (Propensity Score Matching — PSM)
Propensity Score Matching		 L1 Stata: teffects psmatch (y) (treat x1 x2), atet
R: MatchIt::matchit(treat ~ x1 + x2, data = df, method = 'nearest')
Python: Propensity Score Logit + Nearest-Neighbor Matching ATT/ATE		 Phương pháp Ghép cặp điểm xu hướng Rosenbaum–Rubin (Propensity Score Matching — PSM) (Propensity Score Matching) trong họ mô hình suy luận nhân quả và đánh giá tác động chính sách, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.
B137 entropy_balancing Cân bằng trọng số Entropy chính xác moment Hainmueller (Entropy Balancing ebal)
Entropy Balancing		 L2 Stata: ebalance treat x1 x2 -> regress y treat [pweight = _webal]
R: ebal::ebalance(Treatment = df$treat, X = as.matrix(df[, c('x1', 'x2')]))
Python: Hainmueller Dual L-BFGS Entropy Balancing Weights + WLS		 Phương pháp Cân bằng trọng số Entropy chính xác moment Hainmueller (Entropy Balancing ebal) (Entropy Balancing) trong họ mô hình suy luận nhân quả và đánh giá tác động chính sách, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.

3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 9.1

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 9.1:
↑ Quay lại Tổng quan Chương 09: Chương 09 — Suy luận nhân quả và đánh giá tác động chính sách
→ Đi tới Bài học đầu tiên của Nhóm 9.1: Bài B136 — Ghép cặp điểm xu hướng Rosenbaum–Rubin (Propensity Score Matching — PSM) (propensity_score_matching)
→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)

Bài liên quan

Nhóm 9.1: Ghép cặp & Cân bằng mẫu (matching) - PreviousChương 09: Suy luận nhân quả và đánh giá tác động chính sách (Causal Inference & Modern Policy Evaluation)Next - Nhóm 9.1: Ghép cặp & Cân bằng mẫu (matching)Bài B136: Ghép cặp điểm xu hướng Rosenbaum–Rubin (Propensity Score Matching — PSM) (Propensity Score Matching — propensity_score_matching)

Bài liên quan

Đã xem gần đây

Back to top button