10.2. Dữ liệu bảng không gian
- Định danh nhóm bài giảng: Nhóm 10.2. Dữ liệu bảng không gian trực thuộc 10. Kinh tế lượng không gian, sai số chuẩn Conley và mạng cặp đôi.
- Phạm vi mô hình: Quy tụ 2 mô hình kinh tế lượng từ mục 10.2.1 đến mục 10.2.2.
- Cơ sở phương pháp luận: Hệ thống hóa phương trình cấu trúc, phân biệt giả định nhận dạng và cấu trúc sai số chuẩn theo Cameron & Trivedi (2022); Pesaran (2015); Greene (2019).
- Đối chiếu đa nền tảng: So sánh trực tiếp cú pháp thực thi trên Stata 18, R 4.x và Python 3.11+ theo Lee & Yu (2010); Elhorst (2014); Baltagi (2021); Belotti, Hughes & Mortari (2017).
1. Bản chất học thuật và cấu trúc toán học
Trong phạm vi của chương Kinh tế lượng không gian, sai số chuẩn Conley và mạng cặp đôi, nhóm phương pháp Dữ liệu bảng không gian giải quyết các bài toán thực nghiệm đòi hỏi đặc tả chính xác quá trình sinh dữ liệu và kiểm soát chặt chẽ cấu trúc sai số theo Cameron & Trivedi (2022); Pesaran (2015); Greene (2019). Các mô hình trong nhóm 10.2 cùng dựa trên hệ thức cấu trúc nền tảng tại phương trình 1 theo Lee & Yu (2010); Elhorst (2014); Baltagi (2021); Belotti, Hughes & Mortari (2017):
$$Y_{it} = \rho \sum_{j=1}^N w_{ij} Y_{jt} + X_{it}^\top \beta + \mu_i + \lambda_t + \varepsilon_{it} \tag*{[1]}$$
Phương trình điều kiện ước lượng và tối ưu hóa của nhóm phương pháp này được xác định tại công thức 2:
$$\ell_N(\beta, \rho, \sigma^2) = -\frac{N}{2}\ln(2\pi\sigma^2) + \ln\det\left(I_N – \rho W\right) – \frac{1}{2\sigma^2}\| (I_N – \rho W)Y – X\beta – WX\theta \|_2^2 \tag*{[2]}$$
Sự khác biệt giữa 2 mô hình từ 10.2.1. Mô hình dữ liệu bảng không gian hiệu ứng cố định đến 10.2.2. Mô hình dữ liệu bảng không gian hiệu ứng ngẫu nhiên nằm ở giả định về phân phối của thành phần nhiễu, cơ chế nội sinh và ma trận trọng số ước lượng theo Lee & Yu (2010); Elhorst (2014); Baltagi (2021); Belotti, Hughes & Mortari (2017); Cameron & Trivedi (2022); Pesaran (2015); Greene (2019).
2. Bảng đối chiếu các mô hình trong nhóm
Bảng dưới đây so sánh trực tiếp bản chất kinh tế lượng, câu lệnh thực thi trên ba phần mềm và kiểm định chẩn đoán của từng bài học trong nhóm 10.2:
| Mã mục | Tên mô hình | Bản chất kinh tế lượng | Cú pháp ước lượng chuẩn Stata 18 · R 4.x · Python 3.11+ | Kiểm định chẩn đoán bắt buộc |
|---|---|---|---|---|
| 10.2.1 | Mô hình dữ liệu bảng không gian hiệu ứng cố định | Kết hợp mô hình không gian (SAR), (SDM) và (SEM) với hiệu ứng cố định theo đơn vị không gian $\mu_i$ và hiệu ứng thời kỳ $\lambda_t$ thông qua phép biến đổi trực giao Lee–Yu để khử chệch phương sai tiệm cận khi ước lượng (QMLE). | Stata: spxtregress y x1 x2, fe dvarlag(W)R: splm::spml(y ~ x1 + x2, data = pdata, listw = lw, model = 'within', lag = TRUE)Python: spreg.Panel_FE_Lag(y, X, w=w) |
Kiểm định Hausman không gian của Mutl–Pfaffermayr đối chiếu Spatial (FE) và Spatial (RE), kiểm định (LR) cho hiệu ứng cố định không gian và thời gian, và phân rã tác động trực tiếp / gián tiếp ngắn hạn và dài hạn |
| 10.2.2 | Mô hình dữ liệu bảng không gian hiệu ứng ngẫu nhiên | Mô hình hóa hiệu ứng đặc thù đơn vị không gian $\mu_i$ như biến ngẫu nhiên tuân theo phân phối chuẩn hoặc tự tương quan không gian theo Kapoor–Kelejian–Prucha kết hợp với trễ không gian của biến phụ thuộc và sai số. | Stata: spxtregress y x1 x2, re dvarlag(W)R: splm::spml(y ~ x1 + x2, data = pdata, listw = lw, model = 'random', lag = TRUE)Python: spreg.Panel_RE_Lag(y, X, w=w) |
Kiểm định Hausman không gian, nếu $p \gt 0.05$ thì chọn Spatial (RE), kiểm định (LM) không gian cho hiệu ứng ngẫu nhiên của Baltagi–Song–Koh và phân rã tác động biên không gian LeSage–Pace |
3. Quy tắc lựa chọn mô hình phù hợp
Nhà nghiên cứu có thể áp dụng quy tắc phân nhánh dưới đây để chọn đúng mô hình trong nhóm 10.2 cho dữ liệu thực tế theo Cameron & Trivedi (2022); Pesaran (2015); Greene (2019):
- Chọn 10.2.1. Mô hình dữ liệu bảng không gian hiệu ứng cố định khi: Dữ liệu bảng không gian cân bằng như 63 tỉnh thành Việt Nam qua nhiều năm khi cần tách biệt đặc thù bất biến của từng địa phương khỏi hiệu ứng lan tỏa không gian thực chất. — Kiểm định bắt buộc: Kiểm định Hausman không gian của Mutl–Pfaffermayr đối chiếu Spatial (FE) và Spatial (RE), kiểm định (LR) cho hiệu ứng cố định không gian và thời gian, và phân rã tác động trực tiếp / gián tiếp ngắn hạn và dài hạn.
- Chọn 10.2.2. Mô hình dữ liệu bảng không gian hiệu ứng ngẫu nhiên khi: Dữ liệu bảng không gian khi cần ước lượng tác động của các biến địa lý bất biến theo thời gian và giả định không tương quan giữa hiệu ứng đơn vị với biến giải thích được thỏa mãn. — Kiểm định bắt buộc: Kiểm định Hausman không gian, nếu $p \gt 0.05$ thì chọn Spatial (RE), kiểm định (LM) không gian cho hiệu ứng ngẫu nhiên của Baltagi–Song–Koh và phân rã tác động biên không gian LeSage–Pace.
4. Tài liệu tham khảo
- Lee, L.-F, & Yu, J.(2010). Estimation of spatial autoregression models with fixed effects. Journal of Econometrics, 154, số 2, 165–185.
- Elhorst, J. P.(2014). Spatial Econometrics: From Cross-Sectional Data to Spatial Panels. Springer.
- Baltagi, B. H.(2021). Econometric Analysis of Panel Data, 6th ed.. Springer.
- Belotti, F, Hughes, G, & Mortari, A. P.(2017). Spatial panel-data models using Stata. The Stata Journal, 17, số 1, 139–180.
- Cameron, A. C, & Trivedi, P. K.(2022). Microeconometrics Using Stata, 2nd ed, Vol. 2, Chương 26: Spatial Regression Models. Stata Press.
- Pesaran, M. H.(2015). Time Series and Panel Data Econometrics, Chương 30: Spatial Econometrics and Network Interdependence. Oxford University Press.
- Greene, W. H.(2019). Econometric Analysis, 8th ed, Chương 11: Spatial Autoregression and Robust Covariance Estimation. Pearson.
↑ Tài liệu gốc: KINH TẾ LƯỢNG ỨNG DỤNG TOÀN DIỆN TỪ A – Z
↑ Chương chủ quản: 10. Kinh tế lượng không gian, sai số chuẩn Conley và mạng cặp đôi
→ Bài học đầu tiên trong nhóm: 10.2.1. Mô hình dữ liệu bảng không gian hiệu ứng cố định