Nhóm 9.3: Hồi quy gián đoạn, Gãy khúc, Bunching & MTE (rdd)

Estimated reading: 13 minutes 2 views
Tóm tắt Nhóm phương pháp 9.3 (AEO Quick Answer): Nhóm 9.3 — Hồi quy gián đoạn, Gãy khúc, Bunching & MTE (mã nhóm rdd) là phân nhánh chuyên sâu thuộc Chương 09: Suy luận nhân quả và đánh giá tác động chính sách, quy tụ 6 phương pháp ước lượng (từ B153 đến B158). 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 9.3 (Hồi quy gián đoạn, Gãy khúc, Bunching & MTE)

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

Mọi phương pháp trong Nhóm 9.3 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 B153 (sharp_rdd) đến B158 (marginal_treatment_effects) 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 9.3

Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 6 bài học trong Nhóm 9.3 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
B153 sharp_rdd Thiết kế hồi quy gián đoạn sắc nhọn tại ngưỡng cắt (Sharp Regression Discontinuity — Sharp RDD)
Sharp RDD		 L1 Stata: rdrobust y x_run, c(0)
R: rdrobust::rdrobust(df$y, df$x_run, c = 0)
Python: Local-Linear Triangular-Kernel WLS Sharp RDD Estimator		 Phương pháp Thiết kế hồi quy gián đoạn sắc nhọn tại ngưỡng cắt (Sharp Regression Discontinuity — Sharp RDD) (Sharp RDD) 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.
B154 fuzzy_rdd Thiết kế hồi quy gián đoạn mờ sử dụng ngưỡng cắt làm biến công cụ cục bộ (Fuzzy RDD)
Fuzzy RDD		 L2 Stata: rdrobust y x_run, c(0) fuzzy(treat)
R: rdrobust::rdrobust(df$y, df$x_run, c = 0, fuzzy = df$treat)
Python: Local-Linear 2SLS Fuzzy RDD Estimator around Cutoff c		 Phương pháp Thiết kế hồi quy gián đoạn mờ sử dụng ngưỡng cắt làm biến công cụ cục bộ (Fuzzy RDD) (Fuzzy RDD) trong họ mô hình suy luận nhân quả và đánh giá tác động chính sách, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.
B155 rdrobust_sharp_fuzzy Hồi quy gián đoạn đa thức cục bộ hiệu chỉnh chệch bền vững Calonico–Cattaneo–Titiunik (rdrobust & rddensity)
Bias-Corrected Robust Local-Polynomial RDD (rdrobust)		 L3 Stata: rdrobust + rddensity (ssc install rdrobust: rdrobust y x, c(0) p(1) q(2) kernel(triangular))
R: rdrobust + rddensity (rdrobust::rdrobust(y, x, c = 0) + rddensity::rddensity(x, c = 0))
Python: rdrobust + rddensity (Cattaneo–Calonico–Titiunik PyPI rdrobust 2.1.1 & rddensity 3.0 MSE-optimal bias-corrected robust variance & density manipulation test)		 Chuẩn vàng hiện đại cho thiết kế hồi quy gián đoạn (Sharp & Fuzzy RDD): chọn băng thông tối ưu MSE dữ liệu dẫn dắt ($h_{text{MSE}}$), hiệu chỉnh chệch làm trơn đa thức bậc cao ($b_{text{MSE}}$) và xây dựng sai số chuẩn bền vững cho chính thành phần hiệu chỉnh chệch.
B156 regression_kink_rkd Thiết kế gãy khúc hồi quy tại điểm đổi độ dốc công thức chính sách Card–Lee–Pei–Weber (RKD)
Regression Kink Design (Sharp & Fuzzy RKD)		 L4 Stata: rdrobust, deriv(1) (rdrobust y x, c(0) deriv(1) p(2) q(3))
R: rdrobust (rdrobust::rdrobust(y, x, c = 0, deriv = 1, p = 2))
Python: rdrobust (rdrobust(..., deriv=1, p=2, q=3) local-quadratic derivative jump estimator tại $c$ với MSE-optimal derivative bandwidth & bias-corrected robust SE)		 Nhận dạng hiệu ứng nhân quả khi quy tắc chính sách là hàm liên tục tại ngưỡng $c$ nhưng **độ dốc (đạo hàm bậc nhất) bị gãy khúc** tại $c$: $tau_{text{RKD}} = lim_{xdownarrow c}mu'(x) – lim_{xuparrow c}mu'(x)$ chia cho bước nhảy độ dốc công thức chính sách.
B157 bunching_estimator Ước lượng tích tụ hành vi tại điểm gãy khúc và bước nhảy thuế suất Saez & Kleven–Waseem (Bunching)
Saez / Kleven–Waseem Kink & Notch Bunching Estimator		 L4 Stata: bunchit / polynomial counterfactual density (bunch_count bin histogram excluding [z_L, z_U] + integration constraint + bootstrap SE)
R: bunching (bunching::bunchit(z_vector = df$z, zstar = c_0, binwidth = bw, bins_l = 20, bins_r = 20, poly = 5, t0 = tau_0, t1 = tau_1) trên CRAN active)
Python: Saez (2010) Kink & Kleven–Waseem (2013) Notch Counterfactual Polynomial Density Solver (Integration-shift constraint cho missing mass bên phải notch + Poisson/multinomial bin bootstrap SE cho $hat{B}, hat{b}, hat{e}$)		 Đo lường khối lượng tích tụ vượt mức chuẩn hóa ($hat{b} = hat{B}/h_0(z^*)$) của các tác nhân kinh tế ngay tại điểm gãy khúc thuế suất biên (kink) hoặc bước nhảy nghĩa vụ chính sách (notch tại ngưỡng $z^*$) bằng cách khớp mật độ phản thực tế đa thức bậc $p$ loại trừ vùng dồn [z_L, z_U], suy ra độ co giãn hành vi cấu trúc $hat{e}$.
B158 marginal_treatment_effects Hiệu ứng điều trị biên và biến công cụ cục bộ Heckman–Vytlacil (MTE & PRTE)
Heckman–Vytlacil Marginal Treatment Effects (MTE) & Local IV (LIV)		 L4 Stata: mtefe / margte (ssc install mtefe: mtefe y x1 x2 (d = z1 z2), polyn(2) bootreps(200))
R: ivmte / sampleSelection (ivmte::ivmte(data = df, target = "ate", m0 = ~ x1 + u, m1 = ~ x1 + u, propensity = d ~ x1 + z1) trên CRAN active)
Python: Semiparametric Polynomial & Normal Local-IV MTE(u_D) solver (Propensity score $P(X, Z)$ common-support trimming + $partial E[Ymid X, P]/partial p$ + bootstrap SE cho ATE/ATT/ATU/PRTE)		 Ước lượng toàn bộ đường cong hiệu ứng điều trị biên $text{MTE}(x, u_D) = E[Y_1 – Y_0 mid X = x, U_D = u_D]$ theo kháng cự lựa chọn không quan sát được $u_D in (0,1)$ bằng đạo hàm biến công cụ cục bộ $frac{partial E[Y mid X=x, P(Z)=p]}{partial p}$, từ đó tổng hợp thống nhất ATE, ATT, ATU, LATE và **PRTE (Policy-Relevant Treatment Effect)**.

3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 9.3

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 9.3:
↑ 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 9.3: Bài B153 — Thiết kế hồi quy gián đoạn sắc nhọn tại ngưỡng cắt (Sharp Regression Discontinuity — Sharp RDD) (sharp_rdd)
→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)

Bài liên quan

Nhóm 9.3: Hồi quy gián đoạn, Gãy khúc, Bunching & MTE (rdd) - PreviousBài B152: Sai biệt trong sai biệt tổng hợp Arkhangelsky–Athey–Hirshberg–Imbens–Wager (SDID) (Synthetic Difference-in-Differences (SDID) — synthetic_did)Next - Nhóm 9.3: Hồi quy gián đoạn, Gãy khúc, Bunching & MTE (rdd)Bài B153: Thiết kế hồi quy gián đoạn sắc nhọn tại ngưỡng cắt (Sharp Regression Discontinuity — Sharp RDD) (Sharp RDD — sharp_rdd)

Bài liên quan

Back to top button