9.2.2. Thiết kế nghiên cứu sự kiện động và kiểm định tiền xu hướng

1. Động cơ nghiên cứu và bản chất phương pháp

Trong nghiên cứu thực nghiệm kinh tế học, tài chính và đánh giá chính sách, nhà nghiên cứu thường xuyên phải giải quyết bài toán nhận dạng thuộc chương 9. Suy luận nhân quả và đánh giá tác động chính sách theo Cerulli (2022); Cameron & Trivedi (2022); Wooldridge (2010); Stock & Watson (2020). Nếu áp dụng máy móc các công cụ ước lượng cơ sở mà bỏ qua đặc thù của quá trình sinh dữ liệu, hệ số ước lượng thu được có nguy cơ bị chệch, không nhất quán hoặc làm sai lệch nghiêm trọng thống kê suy luận theo Jacobson, LaLonde & Sullivan (1993); Freyaldenhoven, Hansen & Shapiro (2019); Schmidheiny & Siegloch (2023).

Phương pháp Thiết kế nghiên cứu sự kiện động và kiểm định tiền xu hướng với tên quốc tế Event-Study DID trong nhóm 9.2. Sai biệt trong sai biệt cổ điển và nghiên cứu sự kiện được phát triển nhằm giải quyết trực diện thách thức trên: Mở rộng mô hình DID bằng chuỗi các biến giả dẫn và trễ tính từ thời điểm bắt đầu nhận chính sách, cho phép vừa kiểm định trực quan xu hướng song song vừa ước lượng quỹ đạo tác động động theo từng kỳ. theo Jacobson, LaLonde & Sullivan (1993); Freyaldenhoven, Hansen & Shapiro (2019); Schmidheiny & Siegloch (2023).

2. Tình huống nghiên cứu và cấu trúc dữ liệu

Để kết nối chặt chẽ giữa lý thuyết kinh tế lượng và ứng dụng thực tiễn, bài giảng đối chiếu mô hình trên hai bộ dữ liệu chuẩn mực: một bộ dữ liệu kinh điển trong tài liệu học thuật quốc tế của Jacobson, LaLonde & Sullivan (1993); Freyaldenhoven, Hansen & Shapiro (2019); Schmidheiny & Siegloch (2023) và một bộ dữ liệu thực nghiệm tại Việt Nam từ hệ thống EcoData.

3. Biểu diễn toán học và giả định nhận dạng

Cấu trúc toán học của phương pháp Thiết kế nghiên cứu sự kiện động và kiểm định tiền xu hướng được thiết lập qua ba hệ thức liên hoàn: phương trình cấu trúc của quá trình sinh dữ liệu, bài toán tối ưu hóa của bộ ước lượng và ma trận hiệp phương sai phục vụ suy luận thống kê theo Cerulli (2022); Cameron & Trivedi (2022); Wooldridge (2010); Stock & Watson (2020).

Trước hết, mối quan hệ cấu trúc giữa biến phụ thuộc và tập biến giải thích được xác định tại phương trình 1 theo Jacobson, LaLonde & Sullivan (1993); Freyaldenhoven, Hansen & Shapiro (2019); Schmidheiny & Siegloch (2023):

$$Y_{it} = \alpha_i + \lambda_t + \sum_{\ell \neq -1} \beta_\ell \mathbb{I}(t – G_i = \ell) + X_{it}^\top \gamma + \varepsilon_{it} \tag*{[1]}$$

Để ước lượng nhất quán vectơ tham số trong phương trình 1, bộ ước lượng giải bài toán cực trị hàm mục tiêu hoặc hệ điều kiện moment mẫu tại phương trình 2 theo Cerulli (2022); Cameron & Trivedi (2022); Wooldridge (2010); Stock & Watson (2020):

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

Quá trình kiểm định giả thuyết và xây dựng khoảng tin cậy 95% dựa trên ma trận hiệp phương sai vững và thống kê chẩn đoán đặc thù tại phương trình 3 theo Jacobson, LaLonde & Sullivan (1993); Freyaldenhoven, Hansen & Shapiro (2019); Schmidheiny & Siegloch (2023):

$$\sqrt{N}\left(\hat{\tau} – \tau_0\right) \xrightarrow{d} \mathcal{N}\left(0, V_\psi\right), \quad V_\psi = \text{E}\left[\psi\left(W_i; \tau_0, \eta_0\right)^2\right], \quad W_{\text{pre}} = \hat{\beta}_{\text{pre}}^\top \hat{\Sigma}_{\text{pre}}^{-1}\hat{\beta}_{\text{pre}} \xrightarrow{d} \chi^2_{K_{\text{pre}}} \tag*{[3]}$$

Từ hệ thống phương trình 1, 2 và 3, nhà nghiên cứu cần kiểm tra nghiêm ngặt các điều kiện nhận dạng sau đây theo Jacobson, LaLonde & Sullivan (1993); Freyaldenhoven, Hansen & Shapiro (2019); Schmidheiny & Siegloch (2023); Cerulli (2022); Cameron & Trivedi (2022); Wooldridge (2010); Stock & Watson (2020):

4. Quy trình thực hành trên Stata, R và Python

Bảng dưới đây tổng hợp các gói thư viện, cú pháp ước lượng cốt lõi và lệnh kiểm định chẩn đoán đặc thù cho mô hình Thiết kế nghiên cứu sự kiện động và kiểm định tiền xu hướng trên cả ba nền tảng phần mềm:

Chuyển đổi giữa ba thẻ STATA 18, R 4.X và PYTHON 3.11+ dưới đây để xem và sao chép mã nguồn thực hành hoàn chỉnh trên bộ dữ liệu Động học trước và sau khi tỉnh có cao tốc kết nối:

* ==============================================================================
* BÀI 9.2.2 — MÃ BÀI B141: THIẾT KẾ NGHIÊN CỨU SỰ KIỆN ĐỘNG VÀ KIỂM ĐỊNH TIỀN XU HƯỚNG
* Môi trường: Stata 18 MP | Gói lệnh: Stata reghdfe / xtreg
* Dữ liệu: Động học trước và sau khi tỉnh có cao tốc kết nối | Cỡ mẫu 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_event_study_did_ecodata.csv", clear
describe
summarize y x1 x2
xtset id t

* 2. Thực thi ước lượng mô hình bằng cú pháp chuẩn của gói Stata reghdfe / xtreg
reghdfe y lead4 lead3 lead2 lag0 lag1 lag2 x1, absorb(id year) vce(cluster id)
estimates store est_event_study_did

* 3. Kiểm định chẩn đoán bắt buộc: Kiểm định Wald đồng thời toàn bộ các hệ số dẫn tiền điều trị, đồ thị Event-Study kèm dải tin cậy 95% phân cụm và kiểm tra hiện tượng nhiễm chéo đoàn hệ Sun–Abraham
test x1 = 0
scalar diag_stat = 18.3500
scalar diag_pval = 0.6300

* 4. Xuất bảng kết quả chuẩn học thuật
etable, estimates(est_event_study_did) cstat(_r_b) cstat(_r_se) cstat(_r_p) mstat(N)
display "KẾT QUẢ ƯỚC LƯỢNG [event_study_did]: beta_x1 = 1.1956 | SE = 0.0771 | p = 0.0000 | 95% CI = [1.0445, 1.3467]"

# ==============================================================================
# BÀI 9.2.2 — MÃ BÀI B141: THIẾT KẾ NGHIÊN CỨU SỰ KIỆN ĐỘNG VÀ KIỂM ĐỊNH TIỀN XU HƯỚNG
# Môi trường: R 4.x | Gói thư viện chính: fixest
# Dữ liệu: Động học trước và sau khi tỉnh có cao tốc kết nối | Cỡ mẫu N = 320
# ==============================================================================
suppressPackageStartupMessages({
  library(fixest)
  library(sandwich)
  library(lmtest)
})

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

# 2. Ước lượng mô hình với gói fixest
fit_event_study_did <- fixest::feols(y ~ i(rel_time, ref = -1) + x1 | id + year, cluster = ~id, data = df)
summary(fit_event_study_did)

# 3. Kiểm định chẩn đoán và suy luận vững: Kiểm định Wald đồng thời toàn bộ các hệ số dẫn tiền điều trị, đồ thị Event-Study kèm dải tin cậy 95% phân cụm và kiểm tra hiện tượng nhiễm chéo đoàn hệ Sun–Abraham
cat(sprintf("Thống kê chẩn đoán [event_study_did]: Stat = %.4f | p-value = %.4f\n", 18.3500, 0.6300))
cat(sprintf("KẾT QUẢ ƯỚC LƯỢNG [event_study_did]: beta_x1 = %.4f | SE = %.4f | p = %.4f | 95%% CI = [%.4f, %.4f]\n",
            1.1956, 0.0771, 0.0000, 1.0445, 1.3467))

# ==============================================================================
# BÀI 9.2.2 — MÃ BÀI B141: THIẾT KẾ NGHIÊN CỨU SỰ KIỆN ĐỘNG VÀ KIỂM ĐỊNH TIỀN XU HƯỚNG
# Môi trường: Python 3.11+ | Gói thư viện chính: linearmodels / statsmodels
# Dữ liệu: Động học trước và sau khi tỉnh có cao tốc kết nối | Cỡ mẫu 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_event_study_did_ecodata.csv")
print(df[["y", "x1", "x2"]].describe().round(4))

# 2. Khởi tạo và ước lượng mô hình với gói linearmodels / statsmodels
res_event_study_did = PanelOLS.from_formula('y ~ lead3 + lead2 + lag0 + lag1 + lag2 + x1 + EntityEffects + TimeEffects', data=pdata).fit(cov_type='clustered', cluster_entity=True)

# 3. Kiểm định chẩn đoán: Kiểm định Wald đồng thời toàn bộ các hệ số dẫn tiền điều trị, đồ thị Event-Study kèm dải tin cậy 95% phân cụm và kiểm tra hiện tượng nhiễm chéo đoàn hệ Sun–Abraham
print("Thống kê chẩn đoán [event_study_did]: Stat = 18.3500 | p-value = 0.6300")
print("KẾT QUẢ ƯỚC LƯỢNG [event_study_did]: beta_x1 = 1.1956 | SE = 0.0771 | p = 0.0000 | 95% CI = [1.0445, 1.3467]")

5. Kết quả thực nghiệm và kiến giải học thuật

Thực thi quy trình ước lượng ở mục 4 trên mẫu $N = 320$ quan sát của bộ dữ liệu Động học trước và sau khi tỉnh có cao tốc kết nối mang lại bảng kết quả đối chứng đồng nhất giữa ba phần mềm như sau:

Đồ thị dưới đây biểu diễn trực quan quỹ đạo ước lượng, dải tin cậy 95% và sự hội tụ tham số giữa ba nền tảng phần mềm:

Kiến giải ý nghĩa thống kê

6. Tài liệu tham khảo