3. Mô hình lựa chọn rời rạc và cầu cấu trúc
TÓM TẮT CHƯƠNG 3: Chương 3. Mô hình lựa chọn rời rạc và cầu cấu trúc bao gồm 5 nhóm phương pháp và 14 bài giảng chuyên sâu, tập trung giải quyết bài toán cốt lõi: “Làm thế nào để mô hình hóa quyết định định tính (nhị phân, đa phương án, có thứ tự) và ước lượng cầu sản phẩm phân hóa có nội sinh giá bán?”. Nội dung lý thuyết và quy trình kiểm định (Likelihood Ratio Chi2, Hosmer–Lemeshow, Hausman–McFadden IIA Test, Brant Parallel Odds Test, Average Marginal Effects (AME)) được tổng hợp từ các công trình gốc (McFadden (1974); Train (2009); Chamberlain (1980); Berry, Levinsohn & Pakes (1995)) và hệ thống giáo trình chuẩn quốc tế (Wooldridge (2010); Cameron & Trivedi (2022); Greene (2019); Hansen (2022)).
1. Đặt vấn đề và bối cảnh nghiên cứu
Trong nghiên cứu thực nghiệm kinh tế, tài chính và chính sách công, việc lựa chọn đúng cấu trúc mô hình thuộc chương Mô hình lựa chọn rời rạc và cầu cấu trúc quyết định trực tiếp tính không chệch, tính nhất quán và hiệu lực suy luận thống kê của các ước lượng (Wooldridge (2010); Cameron & Trivedi (2022); Greene (2019); Hansen (2022)). Khi cấu trúc dữ liệu thực tế vi phạm các giả định cổ điển, nhà nghiên cứu cần áp dụng chính xác các phương pháp chuyên biệt được trình bày trong chương này (McFadden (1974); Train (2009); Chamberlain (1980); Berry, Levinsohn & Pakes (1995)).
Khung biểu diễn toán học tổng quát cho các mô hình thuộc chương 3 được xác lập tại phương trình (1):
$$P(Y_i = j \mid X_i) = \frac{\exp(X_{ij}^\top \beta)}{\sum_{m=1}^J \exp(X_{im}^\top \beta)} \tag{1}$$
Từ phương trình (1), mỗi nhóm phương pháp con trong chương sẽ cụ thể hóa điều kiện nhận dạng, cấu trúc ma trận hiệp phương sai của sai số và thuật toán tối ưu hóa phù hợp với từng thiết kế dữ liệu tại Việt Nam (McFadden (1974); Train (2009); Chamberlain (1980); Berry, Levinsohn & Pakes (1995); Wooldridge (2010); Cameron & Trivedi (2022); Greene (2019); Hansen (2022)).
2. Cấu trúc các nhóm phương pháp trong chương
Chương 3 được tổ chức thành 5 nhóm bài giảng theo thứ tự từ nền tảng đến nâng cao:
3. Danh mục các mô hình kinh tế lượng
Bảng dưới đây đối chiếu toàn bộ 14 bài giảng thuộc chương 3 cùng bộ thư viện thực thi trên Stata 18, R 4.x, Python 3.11+ và các kiểm định chẩn đoán bắt buộc:
| Mã mục | Tên bài giảng | Thư viện thực thi (Stata · R · Python) | Kiểm định chẩn đoán bắt buộc | Dữ liệu thực nghiệm Việt Nam |
|---|---|---|---|---|
| 3.1.1 | Hồi quy Logistic nhị phân và tác động biên (Logit) | base Stata · stats + margins · statsmodels |
Kiểm định tỷ số hợp lý LR χ^2, độ phù hợp Hosmer–Lemeshow, diện tích dưới đường cong ROC (AUC), McFadden Pseudo-R^2 và tác động biên trung bình (AME) | Quyết định tham gia xuất khẩu của doanh nghiệp Việt Nam |
| 3.1.2 | Hồi quy Probit chuẩn nhị phân | base Stata · stats + margins · statsmodels |
Kiểm định LR / Wald χ^2, kiểm định dạng hàm và phương sai thay đổi phần dư suy rộng (Generalized Residuals), ROC-AUC và tác động biên trung bình (AME) | Xác suất tiếp cận tín dụng chính thức của hộ VHLSS |
| 3.1.3 | Mô hình nhị phân bất đối xứng (CLogLog) | base Stata · stats · statsmodels |
So sánh tiêu chuẩn thông tin AIC/BIC với Logit và Probit, kiểm định LR χ^2, kiểm định độ khớp linktest và tác động biên trung bình (AME) | Dự báo sự kiện vỡ nợ hiếm gặp của doanh nghiệp |
| 3.1.4 | Mô hình Probit nhị phân có phương sai thay đổi | hetprobit · glmx · statsmodels / Multiplicative HetProbit MLE |
Kiểm định LR / Wald về phương sai đồng nhất ($H_0: \gamma = 0$), AME có hiệu chỉnh thành phần đạo hàm phương sai, AIC/BIC. | Khác biệt phương sai quyết định đầu tư theo quy mô |
| 3.1.5 | Mô hình Probit hai phương trình đồng thời và đệ quy | biprobit · GJRM / mvProbit · scipy + statsmodels |
Kiểm định Wald / LR cho $\rho = 0$ (tính độc lập của 2 phương trình), xác suất biên đồng thời $P(Y_1=1, Y_2=1)$, Murphy score test. | Quyết định kép Đổi mới sáng tạo & Xuất khẩu |
| 3.2.1 | Mô hình Logit đa phân loại (MNLogit) | base Stata · nnet · statsmodels |
Kiểm định giả định độc lập với các phương án không liên quan (IIA) của Hausman–McFadden và Small–Hsiao, kiểm định Wald gộp phương án và AME theo từng lựa chọn | Lựa chọn khu vực việc làm (Nhà nước / Tư nhân / FDI / Tự làm) |
| 3.2.2 | Mô hình Logit có điều kiện theo thuộc tính phương án | base Stata · survival / mlogit · statsmodels |
Kiểm định giả định IIA Hausman–McFadden, kiểm định tỷ số hợp lý LR χ^2 và ma trận độ co giãn xác suất chính / độ co giãn chéo | Lựa chọn tỉnh điểm đến của nhà đầu tư FDI |
| 3.2.3 | Mô hình Logit tổ phân cấp nới lỏng giả định IIA | nlogit · mlogit · statsmodels / Nested RUM MLE |
Kiểm định LR về tính nhất quán tối đa hóa hữu dụng ($0 < \lambda_m \le 1$) và kiểm định quy về MNLogit ($\lambda_m = 1 \forall m$, IIA holds). | Lựa chọn kênh huy động vốn doanh nghiệp |
| 3.2.4 | Mô hình Probit đa phân loại (MNP) | mprobit · MNP / mlogit · R RMCP / Simulated GHK Probit |
Kiểm định Wald tổng thể, pseudo-log-likelihood, bảng tác động biên trung bình (AME) theo từng phương án $j=1\dots J$, tỷ lệ dự báo đúng. | Lựa chọn phương thức thanh toán số tại Việt Nam |
| 3.3.1 | Mô hình Logit thứ bậc và giả định tỷ lệ cược tỷ lệ | base Stata · MASS · statsmodels |
Kiểm định giả định đường song song (Parallel Regression / Proportional Odds) của Brant và Wolfe–Gould, kiểm định tách biệt ngưỡng cắt κ_j và AME cho từng mức | Xếp hạng tín nhiệm / Mức độ hài lòng PCI |
| 3.3.2 | Mô hình Probit thứ bậc | base Stata · MASS · statsmodels |
Kiểm định tính đồng nhất hệ số qua các ngưỡng cắt (Likelihood Ratio test), kiểm định phương sai thay đổi ẩn và tác động biên trung bình (AME) | Phân tầng mức độ rủi ro tài chính doanh nghiệp niêm yết |
| 3.4.1 | Mô hình Logit hỗn hợp hệ số ngẫu nhiên | Stata 18 cm · mlogit · statsmodels / scipy |
Kiểm định ý nghĩa thống kê của độ lệch chuẩn các hệ số ngẫu nhiên σ_β, độ hội tụ theo số lượng điểm rút mẫu Halton (R ≥ 500) và phân phối WTP | Sở thích không đồng nhất của người tiêu dùng |
| 3.5.1 | Mô hình Logit dữ liệu bảng hiệu ứng cố định Chamberlain | xtlogit, fe / xtprobit, re · bife / fixest · statsmodels |
Kiểm định Hausman Panel FE Logit vs RE Logit, số đơn vị chuyển trạng thái thực chất (switchers count — cảnh báo loại các đơn vị không đổi $Y_{it} \equiv 0/1$), Average Partial Effects đã hiệu chỉnh chệch. | Động thái chia cổ tức / xuất khẩu trên bảng doanh nghiệp ngắn $T$ |
| 3.5.2 | Mô hình cầu sản phẩm phân hóa với biến công cụ (BLP) | blp / ivreghdfe Berry inversion · fixest / BLPestimatoR · pyblp / Berry-Nested-Logit IV |
Kiểm định yếu biến công cụ BLP/Cost-shifter (Montiel Olea–Pflueger effective $F$, Hansen $J$), kiểm định dấu hợp lý lý thuyết $\hat{\alpha} > 0$ & $0 \le \hat{\sigma}_{\text{nest}} < 1$, tỷ lệ quan sát có độ co giãn cầu không co giãn phi lý ($|\eta_{jj}| < 1$). | Cầu thị phần ngân hàng / viễn thông & biên lợi nhuận Lerner |
4. Quy tắc chọn mô hình và kiểm định
Trước khi công bố kết quả ước lượng thuộc chương 3, nhà nghiên cứu cần thực hiện đầy đủ danh mục kiểm tra học thuật sau (Wooldridge (2010); Cameron & Trivedi (2022); Greene (2019); Hansen (2022)):
- Câu hỏi nhận dạng trung tâm: Làm thế nào để mô hình hóa quyết định định tính (nhị phân, đa phương án, có thứ tự) và ước lượng cầu sản phẩm phân hóa có nội sinh giá bán?
- Hệ thống kiểm định chẩn đoán bắt buộc: Likelihood Ratio Chi2, Hosmer–Lemeshow, Hausman–McFadden IIA Test, Brant Parallel Odds Test, Average Marginal Effects (AME).
- Suy luận thống kê vững: Luôn kiểm tra cấu trúc phương sai thay đổi, tự tương quan hoặc phụ thuộc cụm để lựa chọn ma trận hiệp phương sai sai số chuẩn phù hợp trên Stata 18, R 4.x và Python 3.11+ (McFadden (1974); Train (2009); Chamberlain (1980); Berry, Levinsohn & Pakes (1995)).
LƯU Ý HỌC THUẬT: Khi trình bày bảng kết quả ước lượng thuộc chương 3 trong khóa luận, luận văn, luận án hoặc bài báo khoa học, cần báo cáo đầy đủ giá trị thống kê và $p$-value của bộ kiểm định (Likelihood Ratio Chi2, Hosmer–Lemeshow, Hausman–McFadden IIA Test, Brant Parallel Odds Test, Average Marginal Effects (AME)) ngay dưới chân bảng để minh chứng mô hình thỏa mãn điều kiện nhận dạng (Wooldridge (2010); Cameron & Trivedi (2022); Greene (2019); Hansen (2022)).
5. Tài liệu tham khảo
- McFadden, D. (1974). Conditional logit analysis of qualitative choice behavior. In P. Zarembka (Ed.), Frontiers in Econometrics (pp. 105–142). Academic Press.
- Train, K. E. (2009). Discrete Choice Methods with Simulation (2nd ed.). Cambridge University Press.
- Chamberlain (1980). Econometric specification, identification, and asymptotic inference.
- Berry, Levinsohn, & Pakes (1995). Econometric specification, identification, and asymptotic inference.
- Wooldridge, J. M. (2010). Econometric Analysis of Cross Section and Panel Data (2nd ed., Chương 15–16: Binary, Multinomial and Ordered Response Models). MIT Press.
- Cameron, A. C., & Trivedi, P. K. (2022). Microeconometrics Using Stata (2nd ed., Vol. 2, Chương 16–18: Nonlinear, Binary, Multinomial and Ordered Models). Stata Press.
- Greene, W. H. (2019). Econometric Analysis (8th ed., Chương 17–18: Discrete Choice Models). Pearson.
- Hansen, B. E. (2022). Econometrics (Chương 25: Binary Choice). Princeton University Press.
ĐIỀU HƯỚNG HỌC TẬP:
↑ Tài liệu gốc: KINH TẾ LƯỢNG ỨNG DỤNG TOÀN DIỆN TỪ A – Z
← Chương trước: 2. Mô hình chính quy hóa, suy luận chiều cao và giảm chiều
→ Nhóm đầu tiên trong chương: 3.1. Lựa chọn nhị phân
→ Bài học đầu tiên trong chương: 3.1.1. Hồi quy Logistic nhị phân và tác động biên (Logit)
→ Chương tiếp theo: 4. Mô hình đếm, lực hấp dẫn thương mại và biến phụ thuộc giới hạn
↑ Tài liệu gốc: KINH TẾ LƯỢNG ỨNG DỤNG TOÀN DIỆN TỪ A – Z
← Chương trước: 2. Mô hình chính quy hóa, suy luận chiều cao và giảm chiều
→ Nhóm đầu tiên trong chương: 3.1. Lựa chọn nhị phân
→ Bài học đầu tiên trong chương: 3.1.1. Hồi quy Logistic nhị phân và tác động biên (Logit)
→ Chương tiếp theo: 4. Mô hình đếm, lực hấp dẫn thương mại và biến phụ thuộc giới hạn