5.6. Ngưỡng và phân vị dữ liệu bảng
- Định danh nhóm bài giảng: Nhóm 5.6. Ngưỡng và phân vị dữ liệu bảng trực thuộc 5. Kinh tế lượng dữ liệu bảng tĩnh, động và phụ thuộc chéo.
- Phạm vi mô hình: Quy tụ 3 mô hình kinh tế lượng từ mục 5.6.1 đến mục 5.6.3.
- 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 Baltagi (2021); Wooldridge (2010); 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 Hansen (1999); Wang (2015); Seo, Kim & Kim (2019).
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 Ngưỡng và phân vị dữ liệu bảng 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 Baltagi (2021); Wooldridge (2010); Pesaran (2015); Verbeek (2021). Các mô hình trong nhóm 5.6 cùng dựa trên hệ thức cấu trúc nền tảng tại phương trình 1 theo Hansen (1999); Wang (2015); Seo, Kim & Kim (2019):
$$Y_{it} = \mu_i + X_{it}^\top \beta_1 \mathbb{I}(q_{it} \le \gamma) + X_{it}^\top \beta_2 \mathbb{I}(q_{it} \gt \gamma) + \varepsilon_{it}, \quad \hat{\gamma} = \arg\min_{\gamma} S_1(\gamma) \tag*{[1]}$$
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 3 mô hình từ 5.6.1. Mô hình hồi quy ngưỡng dữ liệu bảng tĩnh Hansen đến 5.6.3. Hồi quy phân vị dữ liệu bảng theo phương pháp moment (MM-QR) nằm ở giả định về phân phối của thành phần nhiễu, cơ chế nội sinh và ma trận trọng số ước lượng theo Hansen (1999); Wang (2015); Seo, Kim & Kim (2019); Baltagi (2021); Wooldridge (2010); 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 5.6:
| 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 |
|---|---|---|---|---|
| 5.6.1 | Mô hình hồi quy ngưỡng dữ liệu bảng tĩnh Hansen | Phát hiện nội sinh một hoặc nhiều ngưỡng chuyển chế độ $\gamma$ trên dữ liệu bảng hiệu ứng cố định — $Y_{it} = \mu_i + \beta_1′ X_{it}\mathbb{I}(q_{it} \le \gamma) + \beta_2′ X_{it}\mathbb{I}(q_{it} \gt \gamma) + e_{it}$ . | Stata: xthreg y x1 x2, rx(x1) qx(q_thresh) thnum(1) bs(300)R: pdR::ptm(dep = df$y, indep1 = df$x1, thres = df$q_thresh, bootn = 300)Python: PanelOLS.from_formula('y ~ x1_low + x1_high + x2 + EntityEffects', data=pdata).fit() |
Kiểm định Bootstrap $F_1$ tồn tại hiệu ứng ngưỡng, vì $\gamma$ không định danh dưới $H_0$, khoảng tin cậy tỷ số hợp lý $LR_1(\gamma) \le c(\alpha)$ cho điểm ngưỡng $\hat{\gamma}$. |
| 5.6.2 | Mô hình ngưỡng dữ liệu bảng động có nội sinh Seo–Shin | Ước lượng mô hình ngưỡng dữ liệu bảng động qua GMM sai phân bậc nhất, cho phép cả biến trễ $Y_{i,t-1}$, biến giải thích lẫn chính biến ngưỡng $q_{it}$ đều nội sinh — khắc phục chệch nghiêm trọng của Hansen xthreg — vốn bắt buộc mọi biến phải ngoại sinh chặt và cấm $Y_{i,t-1}$ . | Stata: xthenreg y q_thresh x1, endo(l.y) grid_num(100) boost(200)R: gmm::gmm(dy ~ dl1_y + dx1_low + dx1_high, x = ~ l2_y + dx1, data = df)Python: IVGMM.from_formula('dy ~ dx1_low + dx1_high + [dl1_y ~ l2_y]', data=df).fit() |
Kiểm định Sup-Wald bootstrap về tính tuyến tính / tồn tại bước nhảy ngưỡng, kiểm định Hansen $J$ tính hợp lệ biến công cụ trễ, khoảng tin cậy $95\%$ cho ngưỡng $\hat{\gamma}$. |
| 5.6.3 | Hồi quy phân vị dữ liệu bảng theo phương pháp moment (MM-QR) | Ước lượng hồi quy phân vị trên dữ liệu bảng có hiệu ứng cố định cá thể $\alpha_i + \delta_i q(\tau)$ qua cấu trúc vị trí – thang đo, đảm bảo các đường phân vị không cắt nhau và khả thi khi $N$ lớn, $T$ nhỏ. | Stata: xtqreg y x1 x2, i(id) quantile(0.25 0.5 0.75)R: quantreg::rq(y_demean ~ x1_demean + x2_demean, tau = 0.5, data = df)Python: smf.quantreg('y_demean ~ x1_demean + x2_demean', data=df).fit(q=0.5) |
Hệ số Location — $\hat{\beta}$ , hệ số Scale — $\hat{\gamma}$ , phân vị chuẩn hóa $\hat{q}(\tau)$, kiểm định Wald tính bất biến theo phân vị — $\gamma = 0$ . |
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 5.6 cho dữ liệu thực tế theo Baltagi (2021); Wooldridge (2010); Pesaran (2015); Verbeek (2021):
- Chọn 5.6.1. Mô hình hồi quy ngưỡng dữ liệu bảng tĩnh Hansen khi: Bảng cân bằng — $N$ thực thể $\times T$ kỳ — kiểm tra quan hệ phi tuyến theo ngưỡng nợ công, lạm phát, phát triển tài chính hoặc quy mô vốn hóa. — Kiểm định bắt buộc: Kiểm định Bootstrap $F_1$ tồn tại hiệu ứng ngưỡng, vì $\gamma$ không định danh dưới $H_0$, khoảng tin cậy tỷ số hợp lý $LR_1(\gamma) \le c(\alpha)$ cho điểm ngưỡng $\hat{\gamma}$..
- Chọn 5.6.2. Mô hình ngưỡng dữ liệu bảng động có nội sinh Seo–Shin khi: Bảng doanh nghiệp/ngân hàng/quốc gia — $N$ lớn, $T \ge 4$ — phân tích ngưỡng đòn bẩy nợ, ngưỡng thanh khoản, ngưỡng thể chế trong phương trình tăng trưởng hoặc đầu tư động có biến trễ $Y_{i,t-1}$. — Kiểm định bắt buộc: Kiểm định Sup-Wald bootstrap về tính tuyến tính / tồn tại bước nhảy ngưỡng, kiểm định Hansen $J$ tính hợp lệ biến công cụ trễ, khoảng tin cậy $95\%$ cho ngưỡng $\hat{\gamma}$..
- Chọn 5.6.3. Hồi quy phân vị dữ liệu bảng theo phương pháp moment (MM-QR) khi: Phân tích tác động bất đối xứng trên toàn phân phối của biến kết quả — phát thải carbon, biên lợi nhuận ngân hàng, năng suất doanh nghiệp — trên dữ liệu bảng có hiệu ứng cố định thực thể. — Kiểm định bắt buộc: Hệ số Location — $\hat{\beta}$ , hệ số Scale — $\hat{\gamma}$ , phân vị chuẩn hóa $\hat{q}(\tau)$, kiểm định Wald tính bất biến theo phân vị — $\gamma = 0$ ..
4. Tài liệu tham khảo
- Hansen(1999). Foundational econometric methodology and empirical inference in Journal of Econometrics.
- Wang(2015). xthreg. The Stata Journal.
- Seo, Kim, & Kim(2019). xthenreg. The Stata Journal.
- Baltagi, B. H.(2021). Econometric Analysis of Panel Data, 6th ed, Chương 2–12: Static, Dynamic and Cross-Sectionally Dependent Panels. Springer.
- Wooldridge, J. M.(2010). Econometric Analysis of Cross Section and Panel Data, 2nd ed, Chương 10–11. MIT 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.
↑ 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: 5.6.1. Mô hình hồi quy ngưỡng dữ liệu bảng tĩnh Hansen