9.2. Sai biệt trong sai biệt cổ điển và nghiên cứu sự kiện

Estimated reading: 10 minutes 5 views

TÓM TẮT NHÓM 9.2: Nhóm bài giảng 9.2. Sai biệt trong sai biệt cổ điển và nghiên cứu sự kiện thuộc 9. Suy luận nhân quả và đánh giá tác động chính sách quy tụ 3 mô hình kinh tế lượng (từ mục 9.2.1 đến mục 9.2.3). Nội dung dưới đây hệ thống hóa cơ sở toán học, phân biệt điều kiện nhận dạng và đối chiếu cú pháp thực thi trên Stata 18, R 4.x và Python 3.11+ theo chuẩn giáo trình quốc tế (Ashenfelter & Card (1985); Bertrand, Duflo & Mullainathan (2004); Angrist & Pischke (2009); Cerulli (2022); Cameron & Trivedi (2022); Wooldridge (2010); Stock & Watson (2020)).

1. Bản chất học thuật và cấu trúc toán học

Trong phạm vi của chương Suy luận nhân quả và đánh giá tác động chính sách, nhóm phương pháp Sai biệt trong sai biệt cổ điển và nghiên cứu sự kiện 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 (Cameron & Trivedi (2022); Wooldridge (2010); Stock & Watson (2020)). Các mô hình trong nhóm 9.2 cùng dựa trên hệ thức cấu trúc nền tảng tại phương trình (1) (Ashenfelter & Card (1985); Bertrand, Duflo & Mullainathan (2004); Angrist & Pischke (2009); Cerulli (2022)):

$$Y_{it} = \alpha_i + \lambda_t + \delta_{\text{DID}} D_{it} + X_{it}^\top \beta + \varepsilon_{it} \tag{1}$$

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

$$\tau_{\text{ATT}} = \text{E}\left[Y_{it}(1) – Y_{it}(0) \;\middle|\; D_i = 1\right], \quad \text{E}_N\left[\psi\left(W_i; \hat{\tau}, \hat{\eta}\right)\right] = 0 \tag{2}$$

Sự khác biệt giữa 3 mô hình từ 9.2.1. Sai biệt trong sai biệt hai chiều hiệu ứng cố định (TWFE) đến 9.2.3. Ước lượng DID theo nhóm–thời gian không đồng nhất Callaway–Sant’Anna nằm ở giả định về phân phối của thành phần nhiễu, cơ chế nội sinh và ma trận trọng số ước lượng (Ashenfelter & Card (1985); Bertrand, Duflo & Mullainathan (2004); Angrist & Pischke (2009); Cerulli (2022); Cameron & Trivedi (2022); Wooldridge (2010); Stock & Watson (2020)).

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 9.2:

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
9.2.1	Sai biệt trong sai biệt hai chiều hiệu ứng cố định (TWFE)	Khử đồng thời mọi khác biệt cố định bất biến theo thời gian giữa các nhóm (α_i) và mọi cú sốc vĩ mô chung theo thời kỳ (λ_t) thông qua phép sai biệt kép, nhận dạng tác động nhân quả dưới giả định xu hướng song song.	Stata: `xtreg y treat i.year x1, fe vce(cluster id)` R: `fixest::feols(y ~ treat + x1 \| id + year, cluster = ~id, data = df)` Python: `PanelOLS.from_formula('y ~ 1 + treat + x1 + EntityEffects + TimeEffects', data=pdata).fit(cov_type='clustered', cluster_entity=True)`	Kiểm định giả định xu hướng song song tiền điều trị (Pre-trend test), kiểm định giả dược thời gian/nhóm (Placebo test), sai số chuẩn phân cụm cấp đơn vị điều trị và phân rã Goodman-Bacon nếu thời điểm điều trị lệch pha
9.2.2	Thiết kế nghiên cứu sự kiện động và kiểm định tiền xu hướng	Mở rộng mô hình DID bằng chuỗi các biến giả dẫn (leads: k < -1) và trễ (lags: k ≥ 0) tính từ thời điểm bắt đầu nhận chính sách (chuẩn hóa kỳ k = -1 làm mốc cơ sở), cho phép vừa kiểm định trực quan xu hướng song song vừa ước lượng quỹ đạo tác động động theo từng kỳ.	Stata: `reghdfe y lead4 lead3 lead2 lag0 lag1 lag2 x1, absorb(id year) vce(cluster id)` R: `fixest::feols(y ~ i(rel_time, ref = -1) + x1 \| id + year, cluster = ~id, data = df)` Python: `Dynamic Lead-Lag Event-Study TWFE with Pre-Trend F-test`	Kiểm định Wald đồng thời toàn bộ các hệ số dẫn tiền điều trị H_0: β_{-K} = … = β_{-2} = 0, đồ thị Event-Study kèm dải tin cậy 95% phân cụm và kiểm tra hiện tượng nhiễm chéo đoàn hệ (Sun–Abraham check)
9.2.3	Ước lượng DID theo nhóm–thời gian không đồng nhất Callaway–Sant’Anna	Ước lượng tác động điều trị trung bình riêng biệt cho từng đoàn hệ nhận chính sách tại kỳ g ở thời điểm t — ATT(g, t) — bằng cách chỉ sử dụng nhóm chưa bao giờ điều trị (never-treated) hoặc nhóm chưa điều trị tại kỳ t (not-yet-treated) làm đối chứng sạch, loại bỏ hoàn toàn chệch trọng số âm của TWFE.	Stata: `csdid y x1, ivar(id) time(year) gvar(first_treat) notyet` R: `did::att_gt(yname = 'y', tname = 'year', idname = 'id', gname = 'first_treat', data = df)` Python: `Callaway–Sant'Anna Doubly-Robust Cohort-Time ATT(g,t) Solver`	Kiểm định Wald đồng thời cho các ATT(g, t) tiền điều trị (t < g), tổng hợp hiệu ứng theo thời gian sự kiện (dynamic aggregation), theo đoàn hệ (group) và theo lịch năm (calendar time) kèm dải tin cậy đồng thời प्रबल Bootstrap (Multiplier Bootstrap)

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 9.2 cho dữ liệu thực tế (Cameron & Trivedi (2022); Wooldridge (2010); Stock & Watson (2020)):

Chọn 9.2.1. Sai biệt trong sai biệt hai chiều hiệu ứng cố định (TWFE) khi: Đánh giá tác động chính sách thực thi đồng loạt tại một thời điểm xác định (Canonical 2×2 DID) hoặc khi hiệu ứng điều trị đồng nhất giữa các đơn vị và thời kỳ. (Kiểm định bắt buộc: Kiểm định giả định xu hướng song song tiền điều trị (Pre-trend test), kiểm định giả dược thời gian/nhóm (Placebo test), sai số chuẩn phân cụm cấp đơn vị điều trị và phân rã Goodman-Bacon nếu thời điểm điều trị lệch pha).
Chọn 9.2.2. Thiết kế nghiên cứu sự kiện động và kiểm định tiền xu hướng khi: Phân tích lộ trình phát huy hiệu lực (hoặc suy giảm) của một cải cách thể chế, hiệp định thương mại hay sự kiện doanh nghiệp qua thời gian. (Kiểm định bắt buộc: Kiểm định Wald đồng thời toàn bộ các hệ số dẫn tiền điều trị H_0: β_{-K} = … = β_{-2} = 0, đồ thị Event-Study kèm dải tin cậy 95% phân cụm và kiểm tra hiện tượng nhiễm chéo đoàn hệ (Sun–Abraham check)).
Chọn 9.2.3. Ước lượng DID theo nhóm–thời gian không đồng nhất Callaway–Sant’Anna khi: Thiết kế DID lệch pha (Staggered DID) khi các tỉnh thành/doanh nghiệp tham gia chính sách ở các năm khác nhau và hiệu ứng điều trị biến thiên theo thời gian. (Kiểm định bắt buộc: Kiểm định Wald đồng thời cho các ATT(g, t) tiền điều trị (t < g), tổng hợp hiệu ứng theo thời gian sự kiện (dynamic aggregation), theo đoàn hệ (group) và theo lịch năm (calendar time) kèm dải tin cậy đồng thời प्रबल Bootstrap (Multiplier Bootstrap)).

4. Tài liệu tham khảo

Ashenfelter, O., & Card, D. (1985). Using the longitudinal structure of earnings to estimate the effect of training programs. The Review of Economics and Statistics, 67(4), 648–660.
Bertrand, M., Duflo, E., & Mullainathan, S. (2004). How much should we trust differences-in-differences estimates? The Quarterly Journal of Economics, 119(1), 249–275.
Angrist, J. D., & Pischke, J.-S. (2009). Mostly Harmless Econometrics: An Empiricist’s Companion. Princeton University Press.
Cerulli, G. (2022). Econometric Evaluation of Socio-Economic Programs: Theory and Applications (2nd ed.). Springer.
Cameron, A. C., & Trivedi, P. K. (2022). Microeconometrics Using Stata (2nd ed., Vol. 2, Chương 23–25 & 29: Treatment Effects, DID, RDD and Causal ML). Stata Press.
Wooldridge, J. M. (2010). Econometric Analysis of Cross Section and Panel Data (2nd ed., Chương 21: Estimating Average Treatment Effects). MIT Press.
Stock, J. H., & Watson, M. W. (2020). Introduction to Econometrics (4th ed., Chương 13: Experiments and Quasi-Experiments). Pearson.

ĐIỀU HƯỚNG HỌC TẬP:
↑ Tài liệu gốc: KINH TẾ LƯỢNG ỨNG DỤNG TOÀN DIỆN TỪ A – Z
↑ Chương chủ quản: 9. Suy luận nhân quả và đánh giá tác động chính sách
→ Bài học đầu tiên trong nhóm: 9.2.1. Sai biệt trong sai biệt hai chiều hiệu ứng cố định (TWFE)