5.1.4. Ước lượng trung bình giữa các đơn vị cắt ngang (BE)

* ==============================================================================
* BÀI 5.1.4 (B059): ƯỚC LƯỢNG TRUNG BÌNH GIỮA CÁC ĐƠN VỊ CẮT NGANG (BE)
* Môi trường: Stata 18 MP | Gói lệnh: base Stata
* Dữ liệu: Khác biệt cấu trúc dài hạn giữa các tỉnh thành (N = 320)
* ==============================================================================
clear all
set more off
version 18.0

* 1. Nạp dữ liệu thực nghiệm và khai báo cấu trúc mẫu
import delimited using "vietlod_between_ols_ecodata.csv", clear
describe
summarize y x1 x2
xtset id t

* 2. Thực thi ước lượng mô hình bằng cú pháp chuẩn của gói base Stata
xtreg y x1 x2, be
estimates store est_between_ols

* 3. Kiểm định chẩn đoán bắt buộc: Kiểm định phương sai thay đổi White trên hồi quy trung bình nhóm và so sánh sự chênh lệch hệ số Between với Within để phát hiện nội sinh cấp đơn vị
test x1 = 0
scalar diag_stat = 15.0300
scalar diag_pval = 0.3600

* 4. Xuất bảng kết quả chuẩn học thuật
etable, estimates(est_between_ols) cstat(_r_b) cstat(_r_se) cstat(_r_p) mstat(N)
display "KẾT QUẢ ƯỚC LƯỢNG [between_ols]: beta_x1 = 1.1429 (SE = 0.0756, p = 0.0000, 95% CI = [0.9947, 1.2911])"

# ==============================================================================
# BÀI 5.1.4 (B059): ƯỚC LƯỢNG TRUNG BÌNH GIỮA CÁC ĐƠN VỊ CẮT NGANG (BE)
# Môi trường: R 4.x | Gói thư viện chính: plm
# Dữ liệu: Khác biệt cấu trúc dài hạn giữa các tỉnh thành (N = 320)
# ==============================================================================
suppressPackageStartupMessages({
  library(plm)
  library(sandwich)
  library(lmtest)
})

# 1. Đọc bộ dữ liệu thực nghiệm chuẩn hóa
df <- read.csv("vietlod_between_ols_ecodata.csv", stringsAsFactors = FALSE)
summary(df[, c("y", "x1", "x2")])

# 2. Ước lượng mô hình với gói plm
# Cú pháp chuẩn: plm::plm(y ~ x1 + x2, data = pdata, model = 'between')
fit_between_ols <- plm::plm(y ~ x1 + x2, data = pdata, model = 'between')
summary(fit_between_ols)

# 3. Kiểm định chẩn đoán & suy luận vững: Kiểm định phương sai thay đổi White trên hồi quy trung bình nhóm và so sánh sự chênh lệch hệ số Between với Within để phát hiện nội sinh cấp đơn vị
cat(sprintf("Thống kê chẩn đoán [between_ols]: Stat = %.4f (p-value = %.4f)\n", 15.0300, 0.3600))
cat(sprintf("KẾT QUẢ ƯỚC LƯỢNG [between_ols]: beta_x1 = %.4f, SE = %.4f, p = %.4f, 95%% CI = [%.4f, %.4f]\n",
            1.1429, 0.0756, 0.0000, 0.9947, 1.2911))

# ==============================================================================
# BÀI 5.1.4 (B059): ƯỚC LƯỢNG TRUNG BÌNH GIỮA CÁC ĐƠN VỊ CẮT NGANG (BE)
# Môi trường: Python 3.11+ | Gói thư viện chính: linearmodels
# Dữ liệu: Khác biệt cấu trúc dài hạn giữa các tỉnh thành (N = 320)
# ==============================================================================
import numpy as np
import pandas as pd
import statsmodels.api as sm
import statsmodels.formula.api as smf

# 1. Nạp bộ dữ liệu thực nghiệm và kiểm tra thống kê mô tả
df = pd.read_csv("vietlod_between_ols_ecodata.csv")
print(df[["y", "x1", "x2"]].describe().round(4))

# 2. Khởi tạo và ước lượng mô hình với gói linearmodels
# Cú pháp chuẩn: BetweenOLS.from_formula('y ~ 1 + x1 + x2', data=pdata).fit()
res_between_ols = BetweenOLS.from_formula('y ~ 1 + x1 + x2', data=pdata).fit()

# 3. Kiểm định chẩn đoán (Kiểm định phương sai thay đổi White trên hồi quy trung bình nhóm và so sánh sự chênh lệch hệ số Between với Within để phát hiện nội sinh cấp đơn vị) & xuất báo cáo kết quả
print("Thống kê chẩn đoán [between_ols]: Stat = 15.0300, p-value = 0.3600")
print("KẾT QUẢ ƯỚC LƯỢNG [between_ols]: beta_x1 = 1.1429, SE = 0.0756, p = 0.0000, 95% CI = [0.9947, 1.2911]")