5.1. Dữ liệu bảng tĩnh

Estimated reading: 17 minutes 5 views

TÓM TẮT NHÓM 5.1:

Định danh nhóm bài giảng: Nhóm 5.1. Dữ liệu bảng tĩnh trực thuộc 5. Kinh tế lượng dữ liệu bảng tĩnh, động và phụ thuộc chéo.
Phạm vi mô hình: Quy tụ 9 mô hình kinh tế lượng từ mục 5.1.1 đến mục 5.1.9.
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 Pesaran (2015); Verbeek (2021).
Đối chiếu đa nền tảng: So sánh trực tiếp cú pháp thực thi trên Stata 18, R 4.x và Python 3.11+ theo Wooldridge (2010); Baltagi (2021); Cameron & Trivedi (2022).

1. Bản chất học thuật và cấu trúc toán học

Trong phạm vi của chương Kinh tế lượng dữ liệu bảng tĩnh, động và phụ thuộc chéo, nhóm phương pháp Dữ liệu bảng tĩnh 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 Pesaran (2015); Verbeek (2021). Các mô hình trong nhóm 5.1 cùng dựa trên hệ thức cấu trúc nền tảng tại phương trình 1 theo Wooldridge (2010); Baltagi (2021); Cameron & Trivedi (2022):

$$Y_{it} = \beta_0 + X_{it}^\top \beta + u_{it}, \quad \text{Cov}(u_{it}, u_{is}) \neq 0 \tag*{[1]}$$

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

$$\hat{\beta}_{\text{Panel}} = \left(\sum_{i=1}^N \tilde{X}_i^\top W_i \tilde{X}_i\right)^{-1}\left(\sum_{i=1}^N \tilde{X}_i^\top W_i \tilde{Y}_i\right), \quad \tilde{Y}_{it} = Y_{it} – \theta \bar{Y}_i \tag*{[2]}$$

Sự khác biệt giữa 9 mô hình từ 5.1.1. Hồi quy gộp dữ liệu bảng và sai số chuẩn phân cụm đến 5.1.9. Sai số chuẩn bền vững không gian–thời gian Driscoll–Kraay nằm ở giả định về phân phối của thành phần nhiễu, cơ chế nội sinh và ma trận trọng số ước lượng theo Wooldridge (2010); Baltagi (2021); Cameron & Trivedi (2022); Pesaran (2015); Verbeek (2021).

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 5.1:

Bảng 5.1.1Đối chiếu bản chất kinh tế lượng, cú pháp thực thi và kiểm định của nhóm 5.1

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
5.1.1	Hồi quy gộp dữ liệu bảng và sai số chuẩn phân cụm	Ước lượng bình phương tối thiểu gộp toàn bộ quan sát $i, t$ trên dữ liệu bảng kèm ma trận hiệp phương sai phân cụm theo đơn vị cắt ngang để kiểm soát tự tương quan chuỗi nội bộ từng cá thể.	Stata: `regress y x1 x2, vce(cluster id)` R: `plm::plm(y ~ x1 + x2, data = pdata, model = 'pooling')` Python: `PooledOLS.from_formula('y ~ 1 + x1 + x2', data=pdata).fit(cov_type='clustered', cluster_entity=True)`	Kiểm định nhân tử Lagrange Breusch–Pagan cho hiệu ứng ngẫu nhiên (LM), kiểm định $F$ cho hiệu ứng cố định và sai số chuẩn phân cụm theo đơn vị
5.1.2	Mô hình hiệu ứng cố định và phép biến đổi nội nhóm (FE)	Sử dụng phép biến đổi nội nhóm trừ đi trung bình theo thời gian của từng đơn vị để loại bỏ hoàn toàn đại lượng không quan sát được bất biến theo thời gian $\alpha_i$ dù $\alpha_i$ tương quan tùy ý với $X_{it}$.	Stata: `xtreg y x1 x2, fe vce(cluster id)` R: `plm::plm(y ~ x1 + x2, data = pdata, model = 'within')` Python: `PanelOLS.from_formula('y ~ 1 + x1 + x2 + EntityEffects', data=pdata).fit(cov_type='clustered', cluster_entity=True)`	Kiểm định $F$ cho sự tồn tại của hiệu ứng cố định cá thể, kiểm định Hausman / Mundlak đối chiếu (FE) với (RE), kiểm định phương sai thay đổi Modified Wald và tự tương quan Wooldridge
5.1.3	Mô hình hiệu ứng ngẫu nhiên và kiểm định Hausman (RE)	Ước lượng bình phương tối thiểu tổng quát khả thi (FGLS) trừ đi một phần $\theta$ trung bình cá thể khi hiệu ứng ẩn $\alpha_i$ không tương quan với các biến giải thích, giữ lại được các biến bất biến theo thời gian và đạt hiệu quả cao.	Stata: `xtreg y x1 x2, re vce(cluster id)` R: `plm::plm(y ~ x1 + x2, data = pdata, model = 'random')` Python: `RandomEffects.from_formula('y ~ 1 + x1 + x2', data=pdata).fit(cov_type='clustered', cluster_entity=True)`	Kiểm định Breusch–Pagan (LM) đối chiếu (RE) và Pooled (OLS), kiểm định Hausman và kiểm định Hausman vững phân cụm Mundlak–Wooldridge
5.1.4	Ước lượng trung bình giữa các đơn vị cắt ngang (BE)	Hồi quy trung bình theo thời gian của biến phụ thuộc $\bar{Y}_i$ lên trung bình theo thời gian của các biến giải thích $\bar{X}_i$, khai thác thuần túy sự biến thiên cắt ngang dài hạn giữa các đơn vị.	Stata: `xtreg y x1 x2, be` R: `plm::plm(y ~ x1 + x2, data = pdata, model = 'between')` Python: `BetweenOLS.from_formula('y ~ 1 + x1 + x2', data=pdata).fit()`	Kiểm định phương sai thay đổi White trên hồi quy trung bình nhóm và so sánh sự chênh lệch hệ số Between (BE) với Within (FE) để phát hiện nội sinh cấp đơn vị
5.1.5	Ước lượng sai phân bậc nhất khử hiệu ứng cố định (FD)	Lấy sai phân bậc nhất giữa hai kỳ liên tiếp $\Delta Y_{it} = \Delta X_{it}^\top \beta + \Delta \varepsilon_{it}$ để khử trực tiếp hiệu ứng cố định cá thể $\alpha_i$; hiệu quả hơn biến đổi Within khi sai số $\varepsilon_{it}$ tuân theo quá trình bước ngẫu nhiên.	Stata: `regress D.y D.(x1 x2), vce(cluster id)` R: `plm::plm(y ~ x1 + x2, data = pdata, model = 'fd')` Python: `FirstDifferenceOLS.from_formula('y ~ x1 + x2', data=pdata).fit(cov_type='clustered', cluster_entity=True)`	Kiểm định tự tương quan bậc nhất của phần dư sai phân $\Delta \varepsilon_{it}$, dưới $H_0$ không tự tương quan ở mức thì $\text{Corr}(\Delta \varepsilon_{it}, \Delta \varepsilon_{i,t-1}) = -0.5$, và kiểm định ngoại sinh chặt
5.1.6	Mô hình hiệu ứng ngẫu nhiên tương quan Mundlak (CRE)	Đưa trung bình theo thời gian của từng biến thay đổi $\bar{X}_i$ vào mô hình Random Effects, cho phép ước lượng chính xác hệ số within giống hệt Fixed Effects đồng thời giữ lại và ước lượng được các biến bất biến theo thời gian $Z_i$.	Stata: `xtreg y x1 x2, cre vce(cluster id)` R: `plm::plm(y ~ x1 + x2 + mean_x1 + mean_x2, data = pdata, model = 'random')` Python: `RandomEffects.from_formula('y ~ 1 + x1 + x2 + mean_x1 + mean_x2', data=pdata).fit()`	Kiểm định Wald cụm đa chiều $H_0: \gamma_{\bar{X}} = 0$, kiểm định Mundlak bền vững dưới phương sai thay đổi — vượt trội Hausman cổ điển khi clustered SE.
5.1.7	Hồi quy hai bước theo kỳ cắt ngang Fama–MacBeth	Thực hiện $T$ phép hồi quy cắt ngang độc lập ở từng kỳ $t$ rồi lấy trung bình cộng chuỗi thời gian các hệ số ước lượng $\hat{\beta}_t$, kiểm soát tự nhiên sự tương quan chéo giữa các tài sản/doanh nghiệp trong cùng một kỳ.	Stata: `asreg y x1 x2, fmb newey(3)` R: `plm::pmg(y ~ x1 + x2, data = pdata, index = c('year', 'id'))` Python: `FamaMacBeth.from_formula('y ~ 1 + x1 + x2', data=pdata).fit(cov_type='kernel')`	Hiệu chỉnh sai số chuẩn Newey–West (HAC) cho chuỗi thời gian hệ số $\hat{\beta}_t$, thống kê $t$ Fama–MacBeth và $R^2$ cắt ngang trung bình
5.1.8	Sai số chuẩn hiệu chỉnh dữ liệu bảng Beck–Katz (PCSE)	Ước lượng dữ liệu bảng chuỗi thời gian – chéo xử lý đồng thời phương sai sai số khác nhau theo bảng, tương quan đồng thời giữa các đơn vị và tự tương quan $\text{AR}(1)$.	Stata: `xtpcse y x1 x2, correlation(ar1) hetonly` R: `pcse::pcse(lm(y ~ x1 + x2, data = df), groupN = df$id, groupT = df$t)` Python: `PanelOLS.from_formula('y ~ 1 + x1 + x2', data=pdata).fit(cov_type='kernel')`	Hệ số tự tương quan $\hat{\rho}$ chung hoặc riêng theo đơn vị, Wald $\chi^2$ toàn mô hình, Breusch–Pagan LM kiểm định tương quan đồng thời.
5.1.9	Sai số chuẩn bền vững không gian–thời gian Driscoll–Kraay	Ước lượng bảng hiệu ứng cố định/gộp với ma trận hiệp phương sai Newey–West trên chuỗi trung bình chéo của điều kiện moment, bền vững trước cả tự tương quan, phương sai thay đổi và phụ thuộc không gian/chéo tổng quát.	Stata: `xtscc y x1 x2, fe lag(3)` R: `lmtest::coeftest(plm_fe, vcov = plm::vcovSCC(plm_fe, maxlag = 3))` Python: `PanelOLS.from_formula('y ~ 1 + x1 + x2 + EntityEffects', data=pdata).fit(cov_type='kernel', kernel='bartlett', bandwidth=3)`	Kiểm định Pesaran CD, Wooldridge panel autocorrelation, within-$R^2$, độ rộng băng thông Bartlett tự động $m = \lfloor 4(T/100)^{2/9} \rfloor$.

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 5.1 cho dữ liệu thực tế theo Pesaran (2015); Verbeek (2021):

Chọn 5.1.1. Hồi quy gộp dữ liệu bảng và sai số chuẩn phân cụm khi: Bước ước lượng cơ sở trên dữ liệu bảng khi các hiệu ứng cá thể không tương quan với biến giải thích hoặc khi cần đối chiếu với mô hình (FE) và (RE). — Kiểm định bắt buộc: Kiểm định nhân tử Lagrange Breusch–Pagan cho hiệu ứng ngẫu nhiên (LM), kiểm định $F$ cho hiệu ứng cố định và sai số chuẩn phân cụm theo đơn vị.
Chọn 5.1.2. Mô hình hiệu ứng cố định và phép biến đổi nội nhóm (FE) khi: Dữ liệu bảng doanh nghiệp hoặc 63 tỉnh thành khi văn hóa quản trị, vị trí địa lý hoặc năng lực bẩm sinh không quan sát được tương quan với biến giải thích. — Kiểm định bắt buộc: Kiểm định $F$ cho sự tồn tại của hiệu ứng cố định cá thể, kiểm định Hausman / Mundlak đối chiếu (FE) với (RE), kiểm định phương sai thay đổi Modified Wald và tự tương quan Wooldridge.
Chọn 5.1.3. Mô hình hiệu ứng ngẫu nhiên và kiểm định Hausman (RE) khi: Dữ liệu bảng rút mẫu ngẫu nhiên lớn khi giả định ngoại sinh của hiệu ứng cá thể $\text{E}[\alpha_i \mid X_i] = 0$ được thỏa mãn hoặc cần ước lượng tác động của biến không đổi theo thời gian. — Kiểm định bắt buộc: Kiểm định Breusch–Pagan (LM) đối chiếu (RE) và Pooled (OLS), kiểm định Hausman và kiểm định Hausman vững phân cụm Mundlak–Wooldridge.
Chọn 5.1.4. Ước lượng trung bình giữa các đơn vị cắt ngang (BE) khi: Đánh giá mối quan hệ cấu trúc dài hạn giữa các quốc gia, tỉnh thành hoặc doanh nghiệp khi biến thiên ngắn hạn theo năm bị nhiễu bởi chu kỳ kinh doanh. — Kiểm định bắt buộc: Kiểm định phương sai thay đổi White trên hồi quy trung bình nhóm và so sánh sự chênh lệch hệ số Between (BE) với Within (FE) để phát hiện nội sinh cấp đơn vị.
Chọn 5.1.5. Ước lượng sai phân bậc nhất khử hiệu ứng cố định (FD) khi: Dữ liệu bảng ngắn với $T = 2$ hoặc $T$ nhỏ, hoặc khi phần dư trong mô hình mức có tự tương quan bậc nhất rất cao gần bằng $1$. — Kiểm định bắt buộc: Kiểm định tự tương quan bậc nhất của phần dư sai phân $\Delta \varepsilon_{it}$, dưới $H_0$ không tự tương quan ở mức thì $\text{Corr}(\Delta \varepsilon_{it}, \Delta \varepsilon_{i,t-1}) = -0.5$, và kiểm định ngoại sinh chặt.
Chọn 5.1.6. Mô hình hiệu ứng ngẫu nhiên tương quan Mundlak (CRE) khi: Khi nhà nghiên cứu cần ước lượng cả tác động của biến cố định theo thực thể — khoảng cách địa lý, thể chế gốc, giới tính, ngành — mà không muốn chịu chệch tương quan $\text{Cov}(\alpha_i, X_{it}) \neq 0$ của RE chuẩn. — Kiểm định bắt buộc: Kiểm định Wald cụm đa chiều $H_0: \gamma_{\bar{X}} = 0$, kiểm định Mundlak bền vững dưới phương sai thay đổi — vượt trội Hausman cổ điển khi clustered SE..
Chọn 5.1.7. Hồi quy hai bước theo kỳ cắt ngang Fama–MacBeth khi: Định giá tài sản thực nghiệm và tài chính doanh nghiệp trên bảng dữ liệu có $N$ lớn gồm hàng trăm cổ phiếu và có cú sốc vĩ mô chung tại mỗi thời điểm. — Kiểm định bắt buộc: Hiệu chỉnh sai số chuẩn Newey–West (HAC) cho chuỗi thời gian hệ số $\hat{\beta}_t$, thống kê $t$ Fama–MacBeth và $R^2$ cắt ngang trung bình.
Chọn 5.1.8. Sai số chuẩn hiệu chỉnh dữ liệu bảng Beck–Katz (PCSE) khi: Bảng kinh tế chính trị, tài khóa công, vĩ mô so sánh có số đơn vị $N$ vừa phải — $N \in [10, 50]$ — và chuỗi thời gian dài hơn hoặc tương đương — $T \ge N$, nơi FGLS Parks thổi phồng độ tin cậy giả . — Kiểm định bắt buộc: Hệ số tự tương quan $\hat{\rho}$ chung hoặc riêng theo đơn vị, Wald $\chi^2$ toàn mô hình, Breusch–Pagan LM kiểm định tương quan đồng thời..
Chọn 5.1.9. Sai số chuẩn bền vững không gian–thời gian Driscoll–Kraay khi: Rất phù hợp cho bảng tỉnh thành Việt Nam — 63/34 tỉnh — hoặc bảng ngành/quốc gia có tương quan không gian – thời gian phức tạp mà không cần biết trước ma trận trọng số không gian $W$. — Kiểm định bắt buộc: Kiểm định Pesaran CD, Wooldridge panel autocorrelation, within-$R^2$, độ rộng băng thông Bartlett tự động $m = \lfloor 4(T/100)^{2/9} \rfloor$..

4. Tài liệu tham khảo

Wooldridge, J. M.(2010). Econometric Analysis of Cross Section and Panel Data, 2nd ed.. MIT Press.
Baltagi, B. H.(2021). Econometric Analysis of Panel Data, 6th ed.. Springer.
Cameron, A. C, & Trivedi, P. K.(2022). Microeconometrics Using Stata, 2nd ed, Vols. 1–2. Stata Press.
Pesaran, M. H.(2015). Time Series and Panel Data Econometrics, Chương 26–29: Large Heterogeneous and Cross-Sectionally Dependent Panels. Oxford University Press.
Verbeek, M.(2021). Panel Methods for Finance: A Guide to Empirical Practice. De Gruyter.

ĐIỀU HƯỚNG HỌC TẬP:
↑ Tài liệu gốc: KINH TẾ LƯỢNG ỨNG DỤNG TOÀN DIỆN TỪ A – Z
↑ Chương chủ quản: 5. Kinh tế lượng dữ liệu bảng tĩnh, động và phụ thuộc chéo
→ Bài học đầu tiên trong nhóm: 5.1.1. Hồi quy gộp dữ liệu bảng và sai số chuẩn phân cụm