1.3. Biến công cụ cổ điển

Estimated reading: 7 minutes 5 views

TÓM TẮT NHÓM 1.3: Nhóm bài giảng 1.3. Biến công cụ cổ điển thuộc 1. Hồi quy tuyến tính cổ điển và biến công cụ quy tụ 2 mô hình kinh tế lượng (từ mục 1.3.1 đến mục 1.3.2). Nội dung dưới đây hệ thống hóa cơ sở toán học, phân biệt điều kiện nhận dạng và đối chiếu cú pháp thực thi trên Stata 18, R 4.x và Python 3.11+ theo chuẩn giáo trình quốc tế (Theil (1953); Basmann (1957); Angrist & Pischke (2009); Wooldridge (2010); Staiger & Stock (1997); Wooldridge (2019); Hansen (2022); Greene (2019); Cameron & Trivedi (2022)).

1. Bản chất học thuật và cấu trúc toán học

Trong phạm vi của chương Hồi quy tuyến tính cổ điển và biến công cụ, nhóm phương pháp Biến công cụ cổ điển 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 (Wooldridge (2019); Hansen (2022); Greene (2019); Cameron & Trivedi (2022)). Các mô hình trong nhóm 1.3 cùng dựa trên hệ thức cấu trúc nền tảng tại phương trình (1) (Theil (1953); Basmann (1957); Angrist & Pischke (2009); Wooldridge (2010); Staiger & Stock (1997)):

$$\hat{\beta}_{\text{2SLS}} = (X^\top P_Z X)^{-1} X^\top P_Z Y, \quad P_Z = Z(Z^\top Z)^{-1}Z^\top \tag{1}$$

Phương trình điều kiện ước lượng và tối ưu hóa của nhóm phương pháp này được xác định tại công thức (2):

$$\hat{\beta}_{\text{IV}} = \left(X^\top P_Z X\right)^{-1} X^\top P_Z Y, \quad P_Z = Z\left(Z^\top Z\right)^{-1}Z^\top, \quad \text{E}\left[Z_i \varepsilon_i\right] = 0 \tag{2}$$

Sự khác biệt giữa 2 mô hình từ 1.3.1. Hồi quy biến công cụ hai giai đoạn (2SLS) đến 1.3.2. Ước lượng hợp lý cực đại thông tin giới hạn (LIML) nằm ở giả định về phân phối của thành phần nhiễu, cơ chế nội sinh và ma trận trọng số ước lượng (Theil (1953); Basmann (1957); Angrist & Pischke (2009); Wooldridge (2010); Staiger & Stock (1997); Wooldridge (2019); Hansen (2022); Greene (2019); Cameron & Trivedi (2022)).

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 1.3:

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
1.3.1	Hồi quy biến công cụ hai giai đoạn (2SLS)	Ước lượng biến công cụ hai giai đoạn tách phần biến thiên ngoại sinh của biến nội sinh thông qua phép chiếu trực giao lên không gian các biến công cụ Z, khắc phục triệt để chệch đồng thời và bỏ sót biến.	Stata: `ivregress 2sls y x1 (d_endog = z1 z2), vce(robust)` R: `AER::ivreg(y ~ x1 + d_endog \| x1 + z1 + z2, data = df)` Python: `IV2SLS.from_formula('y ~ 1 + x1 + [d_endog ~ z1 + z2]', data=df).fit(cov_type='robust')`	Kiểm định nội sinh Durbin–Wu–Hausman, thống kê F giai đoạn 1 Kleibergen–Paap rk Wald F (ngưỡng > 10) và kiểm định nhận dạng quá mức Sargan / Hansen J
1.3.2	Ước lượng hợp lý cực đại thông tin giới hạn (LIML)	Ước lượng hợp lý cực đại thông tin giới hạn giải bài toán trị riêng tỷ số Rayleigh, có phân phối trung vị gần như không chệch hữu hạn mẫu ngay cả khi có nhiều biến công cụ yếu.	Stata: `ivregress liml y x1 (d_endog = z1 z2), vce(robust)` R: `ivmodel::LIML / AER::ivreg` Python: `IVLIML.from_formula('y ~ 1 + x1 + [d_endog ~ z1 + z2]', data=df).fit(cov_type='robust')`	So sánh giá trị tới hạn Stock–Yogo cho LIML và 2SLS, thống kê Anderson–Rubin (AR) vững với công cụ yếu và kiểm định Anderson–Rubin / Basmann overidentification

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 1.3 cho dữ liệu thực tế (Wooldridge (2019); Hansen (2022); Greene (2019); Cameron & Trivedi (2022)):

Chọn 1.3.1. Hồi quy biến công cụ hai giai đoạn (2SLS) khi: Khi biến giải thích trọng tâm tương quan với sai số E[D_i ε_i] ≠ 0 và có sẵn ít nhất một biến công cụ thỏa mãn điều kiện liên quan mạnh và loại trừ ngoại sinh. (Kiểm định bắt buộc: Kiểm định nội sinh Durbin–Wu–Hausman, thống kê F giai đoạn 1 Kleibergen–Paap rk Wald F (ngưỡng > 10) và kiểm định nhận dạng quá mức Sargan / Hansen J).
Chọn 1.3.2. Ước lượng hợp lý cực đại thông tin giới hạn (LIML) khi: Mô hình biến công cụ có nhiều biến công cụ (many instruments) hoặc khi thống kê F giai đoạn 1 nằm trong vùng nghi ngờ biến công cụ yếu (F < 15). (Kiểm định bắt buộc: So sánh giá trị tới hạn Stock–Yogo cho LIML và 2SLS, thống kê Anderson–Rubin (AR) vững với công cụ yếu và kiểm định Anderson–Rubin / Basmann overidentification).

4. Tài liệu tham khảo

Theil, H. (1953). Repeated least squares applied to complete equation systems. Central Planning Bureau, The Hague.
Basmann, R. L. (1957). A generalized classical method of linear estimation of coefficients in a structural equation. Econometrica, 25(1), 77–83.
Angrist, J. D., & Pischke, J.-S. (2009). Mostly Harmless Econometrics: An Empiricist’s Companion. Princeton University Press.
Wooldridge, J. M. (2010). Econometric Analysis of Cross Section and Panel Data (2nd ed.). MIT Press.
Staiger, D., & Stock, J. H. (1997). Instrumental variables regression with weak instruments. Econometrica, 65(3), 557–586.
Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach (7th ed., Chương 2–8 & 15). Cengage Learning.
Hansen, B. E. (2022). Econometrics (Chương 4, 7 & 12: Least Squares & Instrumental Variables). Princeton University Press.
Greene, W. H. (2019). Econometric Analysis (8th ed., Chương 2–5 & 8). Pearson.
Cameron, A. C., & Trivedi, P. K. (2022). Microeconometrics Using Stata (2nd ed., Vol. 1, Chương 3 & 6–7). Stata Press.

ĐIỀU HƯỚNG HỌC TẬP:
↑ Tài liệu gốc: KINH TẾ LƯỢNG ỨNG DỤNG TOÀN DIỆN TỪ A – Z
↑ Chương chủ quản: 1. Hồi quy tuyến tính cổ điển và biến công cụ
→ Bài học đầu tiên trong nhóm: 1.3.1. Hồi quy biến công cụ hai giai đoạn (2SLS)