1.4. Hiệu ứng cố định đa chiều và biến công cụ hiện đại

Estimated reading: 12 minutes 5 views

TÓM TẮT NHÓM 1.4: Nhóm bài giảng 1.4. Hiệu ứng cố định đa chiều và biến công cụ hiện đại thuộc 1. Hồi quy tuyến tính cổ điển và biến công cụ quy tụ 6 mô hình kinh tế lượng (từ mục 1.4.1 đến mục 1.4.6). 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 (Correia (2016); Berge (2018); Cameron, Gelbach & Miller (2011); Bergé et al. (2024); 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 Hiệu ứng cố định đa chiều và biến công cụ hiện đại 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 1.4 cùng dựa trên hệ thức cấu trúc nền tảng tại phương trình (1) (Correia (2016); Berge (2018); Cameron, Gelbach & Miller (2011); Bergé et al. (2024)):

$$Y_{ijt} = X_{ijt}^\top \beta + \alpha_i + \gamma_j + \lambda_t + \varepsilon_{ijt}, \quad \tilde{Y} = M_D Y, \quad \hat{\beta}_{\text{HDFE}} = (\tilde{X}^\top \tilde{X})^{-1}\tilde{X}^\top \tilde{Y} \tag{1}$$

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

$$\hat{\beta}_N = \arg\min_{\beta \in \mathbb{R}^K} \sum_{i=1}^N w_i \left(Y_i – X_i^\top \beta\right)^2, \quad \text{E}\left[X_i \varepsilon_i\right] = 0 \tag{2}$$

Sự khác biệt giữa 6 mô hình từ 1.4.1. Hồi quy tuyến tính hiệu ứng cố định đa chiều (HDFE) đến 1.4.6. Hồi quy phân vị biến công cụ (IVQR) nằm ở giả định về phân phối của thành phần nhiễu, cơ chế nội sinh và ma trận trọng số ước lượng (Correia (2016); Berge (2018); Cameron, Gelbach & Miller (2011); Bergé et al. (2024); 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 1.4:

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
1.4.1	Hồi quy tuyến tính hiệu ứng cố định đa chiều (HDFE)	Ước lượng tuyến tính hấp thụ đồng thời nhiều chiều hiệu ứng cố định (doanh nghiệp × năm, ngành × năm, tỉnh × quý) với sai số chuẩn cụm đa chiều.	Stata: `reghdfe (ssc install reghdfe: reghdfe y x1 x2, absorb(id1 id2) vce(cluster id1))` R: `fixest (fixest::feols(y ~ x1 + x2 \| id1 + id2, cluster = ~id1))` Python: `pyfixest (pyfixest.feols("y ~ x1 + x2 \| id1 + id2", vcov={"CRV1": "id1"}))`	Kiểm định $F$ đồng thời các biến giải thích (within-$F$), kiểm cáo loại singleton, $R^2$ within/projected, VIF sau khử FE.
1.4.2	Hồi quy biến công cụ hiệu ứng cố định đa chiều (HDFE-IV)	Ước lượng biến công cụ 2SLS khi mô hình đồng thời có biến nội sinh và nhiều tầng hiệu ứng cố định chiều cao.	Stata: `ivreghdfe (ssc install ivreghdfe: ivreghdfe y x1 (endog = z1 z2), absorb(id1 id2) cluster(id1))` R: `fixest (fixest::feols(y ~ x1 \| id1 + id2 \| endog ~ z1 + z2, cluster = ~id1))` Python: `pyfixest (pyfixest.feols("y ~ x1 \| id1 + id2 \| endog ~ z1 + z2", vcov={"CRV1": "id1"}))`	Kleibergen–Paap rk LM (under-identification), Kleibergen–Paap rk Wald $F$ / Montiel Olea–Pflueger effective $F$, Hansen $J$ over-identification.
1.4.3	Biến công cụ cấu trúc ngành–vùng Bartik	Nhận dạng nhân quả từ biến công cụ cấu trúc ngành–vùng $B_i = \sum_s w_{is} g_s$ với sai số chuẩn hiệu chỉnh tương quan chéo theo cú sốc ngành (AKM/BHJ).	Stata: `ssaggregate / ivreg2 (ssc install ssaggregate; ivreg2 y (d = bartik_z) x, robust)` R: `ShiftShareSE (ShiftShareSE::ivreg_ss(y ~ x \| d ~ bartik_z, shares = W, ...))` Python: `linearmodels + AKM solver (IV2SLS kèm ma trận hiệp phương sai theo ngành Adão–Kolesár–Morales)`	Kiểm định tiền xu hướng theo tỷ trọng Rotemberg weights, First-stage effective $F$, kiểm định cân bằng đặc trưng vùng ban đầu, AKM0/AKM1 SE.
1.4.4	Biến công cụ kiến tạo từ phương sai thay đổi Lewbel	Kiến tạo biến công cụ nội tại $(Z – \bar{Z})\hat{\varepsilon}_1$ từ phương sai thay đổi của phương trình giai đoạn 1 khi thiếu biến công cụ ngoại sinh hoặc cần kiểm định quá xác định.	Stata: `ivreg2h (ssc install ivreg2h: ivreg2h y x1 (endog = ), robust)` R: `REndo (REndo::hetErrorsIV(y ~ x1 + endog \| endog \| IIV(x1), data = df))` Python: `statsmodels + linearmodels (2-step generated heteroskedastic instruments $(Z-\bar{Z})\hat{u}_1$ + IVGMM)`	Breusch–Pagan / Pagan–Hall kiểm định tồn tại phương sai thay đổi ở Stage 1 (điều kiện bắt buộc), Hansen $J$ test, Kleibergen–Paap $F$.
1.4.5	Phương pháp hàm kiểm soát xử lý nội sinh (CF)	Khắc phục nội sinh trong mô hình tuyến tính/phi tuyến bằng cách đưa phần dư giai đoạn 1 $\hat{v}_2$ trực tiếp vào phương trình cấu trúc kèm kiểm định nội sinh trực tiếp trên hệ số $\rho$.	Stata: `ivregress 2sls / etregress / bootstrap: reg y x endog vhat` R: `fixest + boot (Stage 1 lm -> Stage 2 feols + pairs/cluster bootstrap SE)` Python: `statsmodels (OLS Stage 1 residual inclusion + nonparametric/cluster bootstrap covariance)`	Kiểm định $t$/Wald trực tiếp trên hệ số phần dư kiểm soát $\hat{v}_2 = 0$ (kiểm định nội sinh Hausman tổng quát), First-stage $F$, bootstrap CI.
1.4.6	Hồi quy phân vị biến công cụ (IVQR)	Ước lượng tác động nhân quả không đồng nhất trên từng phân vị $\tau \in (0,1)$ của biến kết quả khi biến giải thích chính bị nội sinh.	Stata: `Stata 18 ivqregress (ivqregress iqr y x1 (endog = z1 z2), quantile(0.25 0.5 0.75))` R: `quantreg / IVQR grid (quantreg::rq inverse-quantile profiler theo Chernozhukov–Hansen)` Python: `statsmodels + scipy (Chernozhukov–Hansen inverse-QR grid & smoothed GMM quantile solver)`	Kiểm định yếu biến công cụ theo phân vị, kiểm định đồng nhất hệ số giữa các phân vị (inter-quantile Wald test $\beta(\tau_1)=\beta(\tau_2)$), dual CI.

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

Chọn 1.4.1. Hồi quy tuyến tính hiệu ứng cố định đa chiều (HDFE) khi: Dữ liệu vi mô/thương mại/tài chính cỡ lớn ($N > 10^3$); loại bỏ singleton groups để tránh thổi phồng bậc tự do và chệch ma trận hiệp phương sai. (Kiểm định bắt buộc: Kiểm định $F$ đồng thời các biến giải thích (within-$F$), kiểm cáo loại singleton, $R^2$ within/projected, VIF sau khử FE.).
Chọn 1.4.2. Hồi quy biến công cụ hiệu ứng cố định đa chiều (HDFE-IV) khi: Có ít nhất 1 biến nội sinh và $\ge 1$ biến công cụ hợp lệ sau khi đã chiếu trực giao lên không gian các hiệu ứng cố định đa chiều. (Kiểm định bắt buộc: Kleibergen–Paap rk LM (under-identification), Kleibergen–Paap rk Wald $F$ / Montiel Olea–Pflueger effective $F$, Hansen $J$ over-identification.).
Chọn 1.4.3. Biến công cụ cấu trúc ngành–vùng Bartik khi: Nghiên cứu lao động, thương mại, nhập cư, tín dụng vùng khi cơ cấu ngành ban đầu $w_{is}$ hoặc cú sốc ngành cấp quốc gia $g_s$ ngoại sinh có điều kiện. (Kiểm định bắt buộc: Kiểm định tiền xu hướng theo tỷ trọng Rotemberg weights, First-stage effective $F$, kiểm định cân bằng đặc trưng vùng ban đầu, AKM0/AKM1 SE.).
Chọn 1.4.4. Biến công cụ kiến tạo từ phương sai thay đổi Lewbel khi: Phương sai phần dư giai đoạn 1 phụ thuộc mạnh vào tập biến ngoại sinh $Z$ ($\text{Cov}(Z, \varepsilon_1^2) \neq 0$) và hiệp phương sai tích phần dư bằng 0. (Kiểm định bắt buộc: Breusch–Pagan / Pagan–Hall kiểm định tồn tại phương sai thay đổi ở Stage 1 (điều kiện bắt buộc), Hansen $J$ test, Kleibergen–Paap $F$.).
Chọn 1.4.5. Phương pháp hàm kiểm soát xử lý nội sinh (CF) khi: Hiệu quả cao cho mô hình có tương tác với biến nội sinh hoặc mô hình phi tuyến; yêu cầu sai số chuẩn bootstrap hai giai đoạn để hiệu chỉnh ước lượng $\hat{v}_2$. (Kiểm định bắt buộc: Kiểm định $t$/Wald trực tiếp trên hệ số phần dư kiểm soát $\hat{v}_2 = 0$ (kiểm định nội sinh Hausman tổng quát), First-stage $F$, bootstrap CI.).
Chọn 1.4.6. Hồi quy phân vị biến công cụ (IVQR) khi: Biến phụ thuộc liên tục có phân phối lệch/đuôi dày (thu nhập, năng suất, chi tiêu y tế), biến xử lý/giải thích nội sinh và có biến công cụ hợp lệ. (Kiểm định bắt buộc: Kiểm định yếu biến công cụ theo phân vị, kiểm định đồng nhất hệ số giữa các phân vị (inter-quantile Wald test $\beta(\tau_1)=\beta(\tau_2)$), dual CI.).

4. Tài liệu tham khảo

Correia (2016). Foundational econometric methodology and empirical inference in Working Paper.
Bergé, L. (2018). Efficient estimation of maximum likelihood models with multiple fixed-effects: The R package FENmlm. CREA Discussion Papers, 2018-13.
Cameron, Gelbach, & Miller (2011). Foundational econometric methodology and empirical inference in Journal of Business & Economic Statistics.
Bergé et al. (2024). Foundational econometric methodology and empirical inference in CRAN fixest.
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: 1.4.1. Hồi quy tuyến tính hiệu ứng cố định đa chiều (HDFE)