7.3. Phương pháp chiếu cục bộ (LP)
- Định danh nhóm bài giảng: Nhóm 7.3. Phương pháp chiếu cục bộ (LP) trực thuộc 7. Chuỗi thời gian đa biến, chiếu cục bộ và mạng lan tỏa.
- Phạm vi mô hình: Quy tụ 3 mô hình kinh tế lượng từ mục 7.3.1 đến mục 7.3.3.
- 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 Pesaran (2015); Becketti (2020); Hansen (2022); Brooks (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 Jordà (2005); Montiel Olea & Plagborg-Møller (2021); Plagborg-Møller & Wolf (2021).
1. Bản chất học thuật và cấu trúc toán học
Trong phạm vi của chương Chuỗi thời gian đa biến, chiếu cục bộ và mạng lan tỏa, nhóm phương pháp Phương pháp chiếu cục bộ (LP) 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); Becketti (2020); Hansen (2022); Brooks (2019). Các mô hình trong nhóm 7.3 cùng dựa trên hệ thức cấu trúc nền tảng tại phương trình 1 theo Jordà (2005); Montiel Olea & Plagborg-Møller (2021); Plagborg-Møller & Wolf (2021):
$$Y_{t+h} = \alpha_h + \beta_h \text{shock}_t + \sum_{\ell=1}^p \Gamma_{h,\ell}^\top W_{t-\ell} + u_{t+h}, \quad \widehat{\text{IRF}}(h) = \hat{\beta}_h, \quad h = 0, 1, \dots, H \tag*{[1]}$$
Phương trình điều kiện ước lượng và tối ưu hóa của nhóm phương pháp này được xác định tại công thức 2:
$$Y_t = c + \sum_{\ell=1}^p A_\ell Y_{t-\ell} + B^{-1}\Sigma_u \varepsilon_t, \quad \Psi_h = \frac{\partial Y_{t+h}}{\partial \varepsilon_t^\top} = \Phi_h B^{-1}\Sigma_u \tag*{[2]}$$
Sự khác biệt giữa 3 mô hình từ 7.3.1. Phương pháp chiếu cục bộ Jordà ước lượng phản ứng xung (LP) đến 7.3.3. Chiếu cục bộ trên dữ liệu bảng đa đơn vị nằm ở giả định về phân phối của thành phần nhiễu, cơ chế nội sinh và ma trận trọng số ước lượng theo Jordà (2005); Montiel Olea & Plagborg-Møller (2021); Plagborg-Møller & Wolf (2021); Pesaran (2015); Becketti (2020); Hansen (2022); Brooks (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 7.3:
| 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 |
|---|---|---|---|---|
| 7.3.1 | Phương pháp chiếu cục bộ Jordà ước lượng phản ứng xung (LP) | Ước lượng trực tiếp hàm phản ứng xung $Y_{t+h} = \alpha_h + \beta_h \text{shock}_t + \Gamma_h’ W_t + u_{t+h}$ cho từng chân trời $h = 0\dots H$ mà không cần ngoại suy lũy thừa ma trận VAR, bền vững trước sai lệch dạng hàm. | Stata: lpirf y x1 x2, step(12) lags(1/4) vce(hac nwest)R: lpirfs::lp_lin(endog_data = df[, c('y', 'x1', 'x2')], lags_endog_lin = 4, hor = 12, nw_lag = 4)Python: smf.ols('y_lead_h ~ shock + l1_y + x1 + x2', data=df).fit(cov_type='HAC', cov_kwds={'maxlags': 4}) |
Dải tin cậy đồng thời/điểm $68\%$ & $95\%$ Newey–West HAC theo chân trời $h$, kiểm định Wald tích lũy, kiểm định phi tuyến trạng thái. |
| 7.3.2 | Chiếu cục bộ kết hợp biến công cụ nhận dạng cú sốc (LP-IV) | Kết hợp Local Projections với biến công cụ ngoại sinh qua 2SLS tại từng chân trời $h = 0\dots H$ để nhận dạng hàm phản ứng xung nhân quả cấu trúc. | Stata: ivregress 2sls f4.y l(1/2).y (policy = z_shock), vce(hac nwest 5)R: lpirfs::lp_lin_iv(endog_data = df, shock = shock_df, instrum = z_df, hor = 12)Python: IV2SLS.from_formula('y_lead_h ~ 1 + l1_y + [policy ~ z_shock]', data=df).fit(cov_type='kernel') |
First-stage Montiel Olea–Pflueger effective $F$ — ngưỡng $\gt 23.1$ cho 1 instrument , kiểm định lead-lag exogeneity, cumulative impulse multiplier $\sum_{h=0}^H \hat{\beta}_h$. |
| 7.3.3 | Chiếu cục bộ trên dữ liệu bảng đa đơn vị | Mở rộng Local Projections sang dữ liệu bảng đa quốc gia/đa tỉnh/đa doanh nghiệp $Y_{i,t+h} – Y_{i,t-1} = \mu_{i,h} + \tau_{t,h} + \beta_h \Delta S_{it} + \Gamma_h’ X_{it} + e_{i,t+h}$ với sai số chuẩn Driscoll–Kraay hoặc cụm hai chiều. | Stata: reghdfe f4.y shock l1_y x1, absorb(id year) vce(cluster id)R: lpirfs::lp_lin_panel(data_set = df, endog_data = 'y', shock = 'shock', panel_model = 'within', hor = 8)Python: pyfixest.feols('y_lead_h ~ shock + l1_y + x1 | id + year', data=df, vcov={'CRV1': 'id'}) |
Dải phản ứng xung bảng theo $h$, kiểm định tiền xu hướng tại $h = -3, -2$, Driscoll–Kraay cross-dependence check. |
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 7.3 cho dữ liệu thực tế theo Pesaran (2015); Becketti (2020); Hansen (2022); Brooks (2019):
- Chọn 7.3.1. Phương pháp chiếu cục bộ Jordà ước lượng phản ứng xung (LP) khi: Phân tích truyền dẫn cú sốc chính sách tiền tệ, tài khóa, giá năng lượng trên chuỗi thời gian — $T \ge 40$ ; sử dụng lag-augmentation của Montiel Olea & Plagborg-Møller (2021) để hợp lệ ngay cả với chuỗi bền bỉ $I(1)$. — Kiểm định bắt buộc: Dải tin cậy đồng thời/điểm $68\%$ & $95\%$ Newey–West HAC theo chân trời $h$, kiểm định Wald tích lũy, kiểm định phi tuyến trạng thái..
- Chọn 7.3.2. Chiếu cục bộ kết hợp biến công cụ nhận dạng cú sốc (LP-IV) khi: Có biến đo lường cú sốc proxy/biến công cụ $Z_t$ thỏa điều kiện liên quan đồng thời và ngoại sinh dẫn–trễ — lead-lag exogeneity của Stock & Watson, 2018 . — Kiểm định bắt buộc: First-stage Montiel Olea–Pflueger effective $F$ — ngưỡng $\gt 23.1$ cho 1 instrument , kiểm định lead-lag exogeneity, cumulative impulse multiplier $\sum_{h=0}^H \hat{\beta}_h$..
- Chọn 7.3.3. Chiếu cục bộ trên dữ liệu bảng đa đơn vị khi: Đánh giá động học trung hạn — $h = 1\dots 8$ năm/quý — của cải cách thể chế, khủng hoảng ngân hàng, biến đổi khí hậu hoặc thuế quan trên bảng quốc gia/tỉnh thành. — Kiểm định bắt buộc: Dải phản ứng xung bảng theo $h$, kiểm định tiền xu hướng tại $h = -3, -2$, Driscoll–Kraay cross-dependence check..
4. Tài liệu tham khảo
- Jordà(2005). Foundational econometric methodology and empirical inference in American Economic Review.
- Montiel Olea, & Plagborg-Møller(2021). Foundational econometric methodology and empirical inference in Econometrica.
- Plagborg-Møller, & Wolf(2021). LP and VAR Estimate the Same IRFs. Econometrica.
- Pesaran, M. H.(2015). Time Series and Panel Data Econometrics, Chương 21–24: VAR, VECM, Impulse Responses and Structural Identification. Oxford University Press.
- Becketti, S.(2020). Introduction to Time Series Using Stata, Revised ed, Chương 9–10: Multivariate Time Series, VAR, SVAR and VECM. Stata Press.
- Hansen, B. E.(2022). Econometrics, Chương 15: Multivariate Time Series and Local Projections. Princeton University Press.
- Brooks, C.(2019). Introductory Econometrics for Finance, 4th ed, Chương 7–8 & 10: VAR and Regime-Switching Models. Cambridge University Press.
↑ Tài liệu gốc: KINH TẾ LƯỢNG ỨNG DỤNG TOÀN DIỆN TỪ A – Z
↑ Chương chủ quản: 7. Chuỗi thời gian đa biến, chiếu cục bộ và mạng lan tỏa
→ Bài học đầu tiên trong nhóm: 7.3.1. Phương pháp chiếu cục bộ Jordà ước lượng phản ứng xung (LP)