3.5. Lựa chọn dữ liệu bảng và cầu cấu trúc
1. Bản chất học thuật và cấu trúc toán học
Trong phạm vi của chương Mô hình lựa chọn rời rạc và cầu cấu trúc, nhóm phương pháp Lựa chọn dữ liệu bảng và cầu cấu trúc 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 (2010); Cameron & Trivedi (2022); Greene (2019); Hansen (2022)). Các mô hình trong nhóm 3.5 cùng dựa trên hệ thức cấu trúc nền tảng tại phương trình (1) (Chamberlain (1980); Fernández-Val & Weidner (2016); Stammann, Heiss & McFadden (2016)):
$$\ell_{\text{cond}}(\beta) = \sum_{i=1}^N \ln \frac{\exp\left(\sum_{t=1}^T Y_{it} X_{it}^\top \beta\right)}{\sum_{d_i \in \mathcal{B}_i} \exp\left(\sum_{t=1}^T d_{it} X_{it}^\top \beta\right)}, \quad \mathcal{B}_i = \left\{d_i \in \{0,1\}^T : \sum_{t=1}^T d_{it} = \sum_{t=1}^T Y_{it}\right\} \tag{1}$$
Phương trình điều kiện ước lượng và tối ưu hóa của nhóm phương pháp này được xác định tại công thức (2):
$$\hat{\theta}_{\text{MLE}} = \arg\max_{\theta \in \Theta} \sum_{i=1}^N \sum_{j=1}^J y_{ij}\ln P_{ij}(X_i; \theta), \quad \frac{\partial \ell_N(\hat{\theta})}{\partial \theta} = \sum_{i=1}^N s_i(Y_i, X_i; \hat{\theta}) = 0 \tag{2}$$
Sự khác biệt giữa 2 mô hình từ 3.5.1. Mô hình Logit dữ liệu bảng hiệu ứng cố định Chamberlain đến 3.5.2. Mô hình cầu sản phẩm phân hóa với biến công cụ (BLP) nằm ở giả định về phân phối của thành phần nhiễu, cơ chế nội sinh và ma trận trọng số ước lượng (Chamberlain (1980); Fernández-Val & Weidner (2016); Stammann, Heiss & McFadden (2016); Wooldridge (2010); Cameron & Trivedi (2022); Greene (2019); Hansen (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 3.5:
| 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 |
|---|---|---|---|---|
| 3.5.1 | Mô hình Logit dữ liệu bảng hiệu ứng cố định Chamberlain | Khắc phục bài toán tham số ngẫu nhiên Neyman–Scott (incidental parameters bias $\hat{\beta} \to 2\beta$ khi gán dummy đơn vị trực tiếp vào Logit bảng ngắn $T$ nhỏ) qua hợp lý có điều kiện Chamberlain (clogit) hoặc hiệu chỉnh chệch giải tích Fernández-Val & Weidner (bife). | Stata: xtlogit, fe / xtprobit, re (xtlogit y x1 x2, fe hoặc xtprobit y x1 x2 mean_x*, re vce(cluster id))R: bife / fixest (bife::bife(y ~ x1 + x2 | id, data = df) + bife::bias_corr() + get_APEs())Python: statsmodels (ConditionalLogit(endog, exog, groups=entity) + Hahn–Newey / Stammann analytical bias-corrected FE Logit & APE) |
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. |
| 3.5.2 | Mô hình cầu sản phẩm phân hóa với biến công cụ (BLP) | Mô hình trụ cột số 1 của Kinh tế học Tổ chức Ngành (Empirical IO): biến đổi ngược thị phần tổng hợp $\ln(s_{jt}) – \ln(s_{0t}) = X_{jt}\beta – \alpha p_{jt} + \xi_{jt}$ (và Nested/Random-Coefficients BLP contraction mapping) kết hợp biến công cụ BLP/Hausman/Cost-shifters để khử nội sinh của giá bán $p_{jt}$ với chất lượng ẩn $\xi_{jt}$. | Stata: blp / ivreghdfe Berry inversion (gen ln_s_s0 = ln(share) - ln(outside_share) $\to$ ivreghdfe ln_s_s0 x1 (price = z_blp*), absorb(market_id))R: fixest / BLPestimatoR (fixest::feols(I(log(s) - log(s0)) ~ x1 | market | price ~ z_blp1 + z_blp2) + ma trận độ co giãn giá & Lerner markup)Python: pyblp / Berry-Nested-Logit IV (pyblp.Problem contraction mapping / linearmodels.IV2SLS Berry & Nested-Berry inversion + own/cross-price elasticity matrix & implied marginal costs) |
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 ($|\eta_{jj}| < 1$). |
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 3.5 cho dữ liệu thực tế (Wooldridge (2010); Cameron & Trivedi (2022); Greene (2019); Hansen (2022)):
- Chọn 3.5.1. Mô hình Logit dữ liệu bảng hiệu ứng cố định Chamberlain khi: Mọi nghiên cứu dữ liệu bảng doanh nghiệp/hộ gia đình có biến kết quả nhị phân $Y_{it} \in \{0,1\}$ (vỡ nợ, xuất khẩu, chia cổ tức, tham gia thị trường lao động) với $N$ lớn, $T$ nhỏ. (Kiểm định bắt buộc: 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.).
- Chọn 3.5.2. Mô hình cầu sản phẩm phân hóa với biến công cụ (BLP) khi: Ước lượng cầu sản phẩm phân hóa, độ co giãn giá riêng & chéo, biên lợi nhuận Lerner/markups và mô phỏng sáp nhập/thuế tiêu thụ đặc biệt (ô tô, ngân hàng, viễn thông, hàng tiêu dùng, thương mại điện tử) từ dữ liệu thị phần thị trường $s_{jt} \in (0,1)$ với thị phần hàng hóa ngoài $s_{0t} > 0$. (Kiểm định bắt buộc: 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 ($|\eta_{jj}| < 1$).).
4. Tài liệu tham khảo
- Chamberlain (1980). Foundational econometric methodology and empirical inference in The Review of Economic Studies.
- Fernández-Val, & Weidner (2016). Foundational econometric methodology and empirical inference in Journal of Econometrics.
- Stammann, Heiss, & McFadden (2016). Foundational econometric methodology and empirical inference in bife.
- 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.
↑ Tài liệu gốc: KINH TẾ LƯỢNG ỨNG DỤNG TOÀN DIỆN TỪ A – Z
↑ Chương chủ quản: 3. Mô hình lựa chọn rời rạc và cầu cấu trúc
→ Bài học đầu tiên trong nhóm: 3.5.1. Mô hình Logit dữ liệu bảng hiệu ứng cố định Chamberlain