4.4. Mô hình nghiệm góc và tỷ trọng
- Định danh nhóm bài giảng: Nhóm 4.4. Mô hình nghiệm góc và tỷ trọng trực thuộc 4. Mô hình đếm, lực hấp dẫn thương mại và biến phụ thuộc giới hạn.
- Phạm vi mô hình: Quy tụ 4 mô hình kinh tế lượng từ mục 4.4.1 đến mục 4.4.4.
- 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); Greene (2019); Das (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 Cragg (1971); Wooldridge (2010); Burke (2009, 2019).
1. Bản chất học thuật và cấu trúc toán học
Trong phạm vi của chương Mô hình đếm, lực hấp dẫn thương mại và biến phụ thuộc giới hạn, nhóm phương pháp Mô hình nghiệm góc và tỷ trọng 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); Greene (2019); Das (2019). Các mô hình trong nhóm 4.4 cùng dựa trên hệ thức cấu trúc nền tảng tại phương trình 1 theo Cragg (1971); Wooldridge (2010); Burke (2009, 2019):
$$Y_i = D_i \cdot Y_i^\ast, \quad D_i = \mathbb{I}(Z_i^\top \gamma + u_i \gt 0), \quad Y_i^\ast = \max(0, X_i^\top \beta + \varepsilon_i), \quad (u_i, \varepsilon_i) \sim \mathcal{N}_2(0, \Sigma) \tag*{[1]}$$
Phương trình điều kiện ước lượng và tối ưu hóa của nhóm phương pháp này được xác định tại công thức 2:
$$\hat{\theta}_{\text{QMLE}} = \arg\max_{\theta \in \Theta} \sum_{i=1}^N \ln f\left(Y_i \mid X_i, Z_i; \theta\right), \quad \text{E}[Y_i \mid X_i] = g^{-1}(X_i^\top \beta) \tag*{[2]}$$
Sự khác biệt giữa 4 mô hình từ 4.4.1. Mô hình rào cản kép Cragg cho nghiệm góc đến 4.4.4. Hồi quy Beta cho biến tỷ trọng liên tục nằm ở giả định về phân phối của thành phần nhiễu, cơ chế nội sinh và ma trận trọng số ước lượng theo Cragg (1971); Wooldridge (2010); Burke (2009, 2019); Cameron & Trivedi (2022); Greene (2019); Das (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 4.4:
| 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 |
|---|---|---|---|---|
| 4.4.1 | Mô hình rào cản kép Cragg cho nghiệm góc | Mô hình hóa biến liên tục không âm có điểm dồn tại 0 — $Y \ge 0$, corner solution — bằng sự kết hợp rào cản tham gia Probit và mức tiêu dùng Truncated Normal, linh hoạt hơn Tobit chuẩn. | Stata: churdle linear y_cens x1 x2, select(z1) ll(0) vce(robust)R: mhurdle::mhurdle(y_cens ~ z1 | x1 + x2, dist = 'n', data = df)Python: smf.ols('y ~ x1 + x2', data=df[df['y'] > 0]).fit(cov_type='HC1') |
Kiểm định LR lồng nhau Cragg Double-Hurdle vs Tobit — $\text{LR} = -2[\ell_{\text{Tobit}} – (\ell_{\text{Probit}} + \ell_{\text{Trunc}})]$ , AME $P(Y\gt 0)$ & $E[Y\mid Y\gt 0]$. |
| 4.4.2 | Mô hình hai phần bán liên tục cho dữ liệu chi tiêu | Mô hình chuẩn trong kinh tế y tế & tài chính hộ gia đình cho biến chi tiêu bán liên tục — $Y = 0$ chiếm tỷ trọng lớn và $Y \gt 0$ lệch phải cực mạnh , kết hợp Logit/Probit với GLM họ Gamma liên kết Log. | Stata: twopm y x1 x2, firstpart(logit) secondpart(glm, family(gamma) link(log)) vce(robust)R: twopartm::tpm(y ~ x1 + x2, data = df, family_sec = Gamma(link = 'log'))Python: smf.glm('y ~ x1 + x2', data=df, family=sm.families.Gamma(sm.families.links.Log())).fit() |
Kiểm định Modified Park test chọn họ phân phối GLM, Pregibon link test, AME kết hợp hai phần. |
| 4.4.3 | Hồi quy phản hồi phân số Papke–Wooldridge | Phương pháp giả hợp lý cực đại (QMLE) với hàm liên kết Logistic và họ phân phối Binomial của Papke–Wooldridge, ước lượng nhất quán biến phụ thuộc dạng tỷ lệ thuộc đoạn đóng $[0, 1]$ bao gồm cả hai đầu mút $0$ và $1$. | Stata: fracreg logit y_frac x1 x2, vce(robust)R: glm(y_frac ~ x1 + x2, family = quasibinomial(link = 'logit'), data = df)Python: smf.glm('y_frac ~ x1 + x2', data=df, family=sm.families.Binomial()).fit(cov_type='HC1') |
Kiểm định dạng hàm RESET cho mô hình phân số, sai số chuẩn vững sandwich (QMLE) và tác động biên trung bình (AME) |
| 4.4.4 | Hồi quy Beta cho biến tỷ trọng liên tục | Hồi quy hợp lý cực đại cho biến tỷ trọng/tỷ lệ liên tục nằm chặt trong khoảng mở từ $0$ đến $1$, mô hình hóa đồng thời kỳ vọng $\mu_i$ và tham số độ chụm — precision $\phi_i$ — cho phân phối bất đối xứng/hai đỉnh. | Stata: betareg y_prop x1 x2, link(logit) vce(robust)R: betareg::betareg(y_prop ~ x1 + x2, data = df, link = 'logit')Python: BetaModel(df['y_prop'], sm.add_constant(df[['x1', 'x2']])).fit() |
Pseudo-$R^2$ Ferrari & Cribari-Neto, kiểm định LR độ phân tán thay đổi — $\phi_i$ constant vs varying , phần dư chuẩn hóa trọng số2, AME. |
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 4.4 cho dữ liệu thực tế theo Cameron & Trivedi (2022); Greene (2019); Das (2019):
- Chọn 4.4.1. Mô hình rào cản kép Cragg cho nghiệm góc khi: Chi tiêu hộ gia đình — VHLSS: rượu bia, giáo dục, tiết kiệm , đầu tư R&D hoặc khối lượng xuất khẩu doanh nghiệp nơi Tobit bị bác bỏ do ép cùng một vectơ hệ số cho xác suất và quy mô. — Kiểm định bắt buộc: Kiểm định LR lồng nhau Cragg Double-Hurdle vs Tobit — $\text{LR} = -2[\ell_{\text{Tobit}} – (\ell_{\text{Probit}} + \ell_{\text{Trunc}})]$ , AME $P(Y\gt 0)$ & $E[Y\mid Y\gt 0]$..
- Chọn 4.4.2. Mô hình hai phần bán liên tục cho dữ liệu chi tiêu khi: Chi phí y tế, bồi thường bảo hiểm, tổn thất thiên tai, đầu tư tài sản cố định doanh nghiệp — không đòi hỏi giả định chuẩn đồng nhất của phần dương như Heckman/Tobit. — Kiểm định bắt buộc: Kiểm định Modified Park test chọn họ phân phối GLM, Pregibon link test, AME kết hợp hai phần..
- Chọn 4.4.3. Hồi quy phản hồi phân số Papke–Wooldridge khi: Tỷ lệ đòn bẩy nợ của doanh nghiệp, tỷ lệ nội địa hóa, tỷ lệ giải ngân vốn đầu tư công hoặc tỷ lệ hộ nghèo cấp xã/huyện. — Kiểm định bắt buộc: Kiểm định dạng hàm RESET cho mô hình phân số, sai số chuẩn vững sandwich (QMLE) và tác động biên trung bình (AME).
- Chọn 4.4.4. Hồi quy Beta cho biến tỷ trọng liên tục khi: Tỷ lệ nợ xấu ngân hàng, hiệu quả kỹ thuật, tỷ phần chi tiêu lương thực, chỉ số Gini địa phương trong khoảng từ $0$ đến $1$ — hỗ trợ biến đổi Smithson–Verkuilen khi sát biên . — Kiểm định bắt buộc: Pseudo-$R^2$ Ferrari & Cribari-Neto, kiểm định LR độ phân tán thay đổi — $\phi_i$ constant vs varying , phần dư chuẩn hóa trọng số2, AME..
4. Tài liệu tham khảo
- Cragg(1971). Foundational econometric methodology and empirical inference in Econometrica.
- Wooldridge, J. M.(2010). Limited dependent variable models and sample selection corrections, Chapter 17. In Econometric Analysis of Cross Section and Panel Data, 2nd ed, pp. 667–776. MIT Press.
- Burke(2009, 2019). Foundational econometric methodology and empirical inference in The Stata Journal.
- Cameron, A. C, & Trivedi, P. K.(2022). Microeconometrics Using Stata, 2nd ed, Vol. 2, Chương 19–21: Tobit, Selection and Count-Data Models. Stata Press.
- Greene, W. H.(2019). Econometric Analysis, 8th ed, Chương 18–19: Count Data and Limited Dependent Variables. Pearson.
- Das, P.(2019). Econometrics in Theory and Practice, Chương 8–9: Limited Dependent Variable Models. Springer.
↑ Tài liệu gốc: KINH TẾ LƯỢNG ỨNG DỤNG TOÀN DIỆN TỪ A – Z
↑ Chương chủ quản: 4. Mô hình đếm, lực hấp dẫn thương mại và biến phụ thuộc giới hạn
→ Bài học đầu tiên trong nhóm: 4.4.1. Mô hình rào cản kép Cragg cho nghiệm góc