Nhóm 9.2: DID cổ điển & Nghiên cứu sự kiện (did)

Estimated reading: 8 minutes 1 views
Tóm tắt Nhóm phương pháp 9.2 (AEO Quick Answer): Nhóm 9.2 — DID cổ điển & Nghiên cứu sự kiện (mã nhóm did) là phân nhánh chuyên sâu thuộc Chương 09: Suy luận nhân quả và đánh giá tác động chính sách, quy tụ 3 phương pháp ước lượng (từ B140 đến B143). 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 9.2 (DID cổ điển & Nghiên cứu sự kiện)

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

Mọi phương pháp trong Nhóm 9.2 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 B140 (twfe_did) đến B143 (callaway_santanna_did) 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 3 Mô hình thuộc Nhóm 9.2

Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 3 bài học trong Nhóm 9.2 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
B140 twfe_did Sai biệt trong sai biệt hai chiều hiệu ứng cố định cổ điển (Two-Way Fixed Effects DID — TWFE)
TWFE DID		 L1 Stata: xtreg y treat i.year x1, fe vce(cluster id)
R: fixest::feols(y ~ treat + x1 | id + year, cluster = ~id, data = df)
Python: PanelOLS.from_formula('y ~ 1 + treat + x1 + EntityEffects + TimeEffects', data=pdata).fit(cov_type='clustered', cluster_entity=True)		 Phương pháp Sai biệt trong sai biệt hai chiều hiệu ứng cố định cổ điển (Two-Way Fixed Effects DID — TWFE) (TWFE DID) 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.
B141 event_study_did Thiết kế nghiên cứu sự kiện động dẫn–trễ và kiểm định tiền xu hướng (Dynamic Event-Study DID)
Event-Study DID		 L2 Stata: reghdfe y lead4 lead3 lead2 lag0 lag1 lag2 x1, absorb(id year) vce(cluster id)
R: fixest::feols(y ~ i(rel_time, ref = -1) + x1 | id + year, cluster = ~id, data = df)
Python: Dynamic Lead-Lag Event-Study TWFE with Pre-Trend F-test		 Phương pháp Thiết kế nghiên cứu sự kiện động dẫn–trễ và kiểm định tiền xu hướng (Dynamic Event-Study DID) (Event-Study DID) 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.
B143 callaway_santanna_did Ước lượng DID theo nhóm–thời gian không đồng nhất Callaway–Sant’Anna (csdid / did)
Callaway-Sant’Anna DID		 L3 Stata: csdid y x1, ivar(id) time(year) gvar(first_treat) notyet
R: did::att_gt(yname = 'y', tname = 'year', idname = 'id', gname = 'first_treat', data = df)
Python: Callaway–Sant'Anna Doubly-Robust Cohort-Time ATT(g,t) Solver		 Phương pháp Ước lượng DID theo nhóm–thời gian không đồng nhất Callaway–Sant’Anna (csdid / did) (Callaway-Sant’Anna DID) 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 9.2

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 9.2:
↑ 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 9.2: Bài B140 — Sai biệt trong sai biệt hai chiều hiệu ứng cố định cổ điển (Two-Way Fixed Effects DID — TWFE) (twfe_did)
→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)

Bài liên quan

Nhóm 9.2: DID cổ điển & Nghiên cứu sự kiện (did) - PreviousBài B160: Rừng ngẫu nhiên nhân quả ước lượng tác động điều trị không đồng nhất cá thể Wager–Athey (Causal Forest) (Causal Forest — causal_forest)Next - Nhóm 9.2: DID cổ điển & Nghiên cứu sự kiện (did)Bài B140: Sai biệt trong sai biệt hai chiều hiệu ứng cố định cổ điển (Two-Way Fixed Effects DID — TWFE) (TWFE DID — twfe_did)

Bài liên quan

Back to top button