9.3. Hồi quy gián đoạn, gãy khúc, tích tụ và hiệu ứng biên

Estimated reading: 15 minutes 6 views

TÓM TẮT NHÓM 9.3:

Định danh nhóm bài giảng: Nhóm 9.3. Hồi quy gián đoạn, gãy khúc, tích tụ và hiệu ứng biên trực thuộc 9. Suy luận nhân quả và đánh giá tác động chính sách.
Phạm vi mô hình: Quy tụ 6 mô hình kinh tế lượng từ mục 9.3.1 đến mục 9.3.6.
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 Cerulli (2022); Cameron & Trivedi (2022); Wooldridge (2010); Stock & Watson (2020).
Đối chiếu đa nền tảng: So sánh trực tiếp cú pháp thực thi trên Stata 18, R 4.x và Python 3.11+ theo Thistlethwaite & Campbell (1960); Hahn, Todd & Van der Klaauw (2001); Imbens & Lemieux (2008); Lee & Lemieux (2010).

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 Hồi quy gián đoạn, gãy khúc, tích tụ và hiệu ứng biên 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 Cerulli (2022); Cameron & Trivedi (2022); Wooldridge (2010); Stock & Watson (2020). Các mô hình trong nhóm 9.3 cùng dựa trên hệ thức cấu trúc nền tảng tại phương trình 1 theo Thistlethwaite & Campbell (1960); Hahn, Todd & Van der Klaauw (2001); Imbens & Lemieux (2008); Lee & Lemieux (2010):

$$\tau_{\text{SRD}} = \lim_{x \downarrow c}\text{E}[Y_i \mid X_i = x] – \lim_{x \uparrow c}\text{E}[Y_i \mid X_i = x] \tag*{[1]}$$

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 6 mô hình từ 9.3.1. Thiết kế hồi quy gián đoạn sắc nhọn tại ngưỡng cắt (RDD) đến 9.3.6. Hiệu ứng điều trị biên và biến công cụ cục bộ (MTE) nằm ở giả định về phân phối của thành phần nhiễu, cơ chế nội sinh và ma trận trọng số ước lượng theo Thistlethwaite & Campbell (1960); Hahn, Todd & Van der Klaauw (2001); Imbens & Lemieux (2008); Lee & Lemieux (2010); 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 9.3:

Bảng 9.3.1Đối chiếu bản chất kinh tế lượng, cú pháp thực thi và kiểm định của nhóm 9.3

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
9.3.1	Thiết kế hồi quy gián đoạn sắc nhọn tại ngưỡng cắt (RDD)	Khai thác quy tắc phân bổ điều trị tất định dựa trên biến chạy liên tục $X_i$; nhận dạng tác động nhân quả cục bộ tại ngưỡng cắt $c$ thông qua bước nhảy gián đoạn của hàm kỳ vọng có điều kiện.	Stata: `rdrobust y x_run, c(0)` R: `rdrobust::rdrobust(df$y, df$x_run, c = 0)` Python: `rdrobust(y=df['y'], x=df['x_run'], c=0)`	Kiểm định mật độ liên tục của biến chạy McCrary / Cattaneo–Jansson–Ma để bác bỏ thao túng điểm số, kiểm định tính liên tục của các biến đồng biến tiền điều trị tại ngưỡng cắt và kiểm tra độ nhạy theo băng thông
9.3.2	Thiết kế hồi quy gián đoạn mờ với biến công cụ cục bộ	Xử lý trường hợp xác suất nhận điều trị chỉ nhảy một bước nhỏ hơn $1$ tại ngưỡng cắt $c$ do sự tuân thủ không hoàn hảo bằng cách sử dụng chỉ báo vượt ngưỡng $Z_i = \mathbb{I}(X_i \ge c)$ làm biến công cụ cục bộ cho trạng thái điều trị thực tế $D_i$ trong lân cận băng thông $[c – h, c + h]$.	Stata: `rdrobust y x_run, c(0) fuzzy(treat)` R: `rdrobust::rdrobust(df$y, df$x_run, c = 0, fuzzy = df$treat)` Python: `rdrobust(y=df['y'], x=df['x_run'], c=0, fuzzy=df['treat'])`	Kiểm định độ mạnh bước nhảy xác suất giai đoạn 1 tại ngưỡng cắt, kiểm định thao túng mật độ rddensity, ước lượng (LATE) cho nhóm tuân thủ tại ngưỡng và độ nhạy băng thông
9.3.3	Hồi quy gián đoạn đa thức cục bộ hiệu chỉnh chệch bền vững	Chuẩn vàng hiện đại cho thiết kế hồi quy gián đoạn: chọn băng thông tối ưu MSE dữ liệu dẫn dắt — $h_{\text{MSE}}$ , hiệu chỉnh chệch làm trơn đa thức bậc cao — $b_{\text{MSE}}$ — và xây dựng sai số chuẩn bền vững cho chính thành phần hiệu chỉnh chệch.	Stata: `rdrobust y x_run, c(0) p(1) q(2) kernel(triangular)` R: `rdrobust::rdrobust(y = df$y, x = df$x_run, c = 0, p = 1, q = 2)` Python: `rdrobust(y=df['y'], x=df['x_run'], c=0, p=1, q=2)`	Bộ 3 ước lượng Conventional / Bias-Corrected / Robust CI, băng thông $h, b$ và cỡ mẫu hiệu dụng $N_-, N_+$, kiểm định thao túng mật độ rddensity quanh $c$, placebo cutoffs.
9.3.4	Thiết kế gãy khúc hồi quy tại điểm đổi độ dốc chính sách (RKD)	Nhận dạng hiệu ứng nhân quả khi quy tắc chính sách là hàm liên tục tại ngưỡng $c$ nhưng độ dốc — đạo hàm bậc nhất — bị gãy khúc tại $c$: $\tau_{\text{RKD}} = \lim_{x\downarrow c}\mu'(x) – \lim_{x\uparrow c}\mu'(x)$ chia cho bước nhảy độ dốc công thức chính sách.	Stata: `rdrobust y x_run, c(0) deriv(1) p(2) q(3)` R: `rdrobust::rdrobust(y = df$y, x = df$x_run, c = 0, deriv = 1, p = 2)` Python: `rdrobust(y=df['y'], x=df['x_run'], c=0, deriv=1, p=2, q=3)`	Kiểm định trơn mật độ và đạo hàm bậc nhất mật độ biến chạy tại $c$, kiểm định trơn đạo hàm của các biến tiền định, Robust CI.
9.3.5	Ước lượng tích tụ hành vi tại ngưỡng chính sách Saez–Kleven	Đo lường khối lượng tích tụ vượt mức chuẩn hóa — $\hat{b} = \hat{B}/h_0(z^)$ — của các tác nhân kinh tế ngay tại điểm gãy khúc thuế suất biên hoặc bước nhảy nghĩa vụ chính sách — notch tại ngưỡng $z^$ — bằng cách khớp mật độ phản thực tế đa thức bậc $p$ loại trừ vùng dồn $[z_L, z_U]$, suy ra độ co giãn hành vi cấu trúc $\hat{e}$.	Stata: `bunchit z_var, zstar(0) binwidth(0.1) poly(5)` R: `bunching::bunchit(z_vector = df$z_var, zstar = 0, binwidth = 0.1, bins_l = 20, bins_r = 20, poly = 5)` Python: `smf.ols('bin_count ~ z_pow1 + z_pow2 + z_pow3 + excl_window', data=hist_df).fit()`	Khối lượng tích tụ tuyệt đối $\hat{B}$ & chuẩn hóa $\hat{b}$ kèm bootstrap $z$-stat, độ co giãn thu nhập/quy mô suy diễn $\hat{e}$, tỷ lệ phản ứng trì trệ — optimization frictions share tại notch , kiểm định độ nhạy bậc đa thức $p \in \{3..7\}$.
9.3.6	Hiệu ứng điều trị biên và biến công cụ cục bộ (MTE)	Ước lượng toàn bộ đường cong hiệu ứng điều trị biên $\text{MTE}(x, u_D) = E[Y_1 – Y_0 \mid X = x, U_D = u_D]$ theo kháng cự lựa chọn không quan sát được $u_D \in (0,1)$ bằng đạo hàm biến công cụ cục bộ $\frac{\partial E[Y \mid X=x, P(Z)=p]}{\partial p}$, từ đó tổng hợp thống nhất ATE, ATT, ATU, LATE và PRTE.	Stata: `mtefe y x1 x2 (d = z1 z2), polyn(2) bootreps(200)` R: `ivmte::ivmte(data = df, target = 'ate', m0 = ~ x1 + u, m1 = ~ x1 + u, propensity = d ~ x1 + z1)` Python: `smf.ols('y ~ x1 + p_hat + p_hat_sq', data=df).fit(cov_type='HC1')`	Miền giao thoa điểm xu hướng Common Support $[p_{\min}, p_{\max}]$, kiểm định Wald về tính không đồng nhất thiết yếu — $H_0: \partial \text{MTE}/\partial u_D = 0$, tức ATE = ATT = LATE , bảng đối chiếu ATE / ATT / ATU / LATE.

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

Chọn 9.3.1. Thiết kế hồi quy gián đoạn sắc nhọn tại ngưỡng cắt (RDD) khi: Chính sách có tiêu chí xét duyệt rõ ràng theo điểm số, quy mô vốn, doanh thu hoặc ngưỡng tuổi/thu nhập mà tại đó xác suất nhận chính sách nhảy từ $0$ lên $1$. — Kiểm định bắt buộc: Kiểm định mật độ liên tục của biến chạy McCrary / Cattaneo–Jansson–Ma để bác bỏ thao túng điểm số, kiểm định tính liên tục của các biến đồng biến tiền điều trị tại ngưỡng cắt và kiểm tra độ nhạy theo băng thông.
Chọn 9.3.2. Thiết kế hồi quy gián đoạn mờ với biến công cụ cục bộ khi: Chương trình ưu đãi, học bổng hoặc tín dụng có ngưỡng đủ điều kiện tại $c$ nhưng không phải $100\%$ đối tượng trên ngưỡng đều tham gia hoặc có ngoại lệ dưới ngưỡng. — Kiểm định bắt buộc: Kiểm định độ mạnh bước nhảy xác suất giai đoạn 1 tại ngưỡng cắt, kiểm định thao túng mật độ rddensity, ước lượng (LATE) cho nhóm tuân thủ tại ngưỡng và độ nhạy băng thông.
Chọn 9.3.3. Hồi quy gián đoạn đa thức cục bộ hiệu chỉnh chệch bền vững khi: Chính sách có ngưỡng cắt định lượng rõ ràng $X_i \ge c$ — điểm chuẩn tín dụng, ngưỡng quy mô vốn ưu đãi thuế, ranh giới dân số/nghèo — với mật độ quan sát liên tục quanh điểm cắt $c$. — Kiểm định bắt buộc: Bộ 3 ước lượng Conventional / Bias-Corrected / Robust CI, băng thông $h, b$ và cỡ mẫu hiệu dụng $N_-, N_+$, kiểm định thao túng mật độ rddensity quanh $c$, placebo cutoffs..
Chọn 9.3.4. Thiết kế gãy khúc hồi quy tại điểm đổi độ dốc chính sách (RKD) khi: Các chính sách bậc thang liên tục theo công thức: biểu thuế thu nhập lũy tiến, mức trần/sàn trợ cấp thất nghiệp, khung hạn mức tín dụng, biểu phí môi trường. — Kiểm định bắt buộc: Kiểm định trơn mật độ và đạo hàm bậc nhất mật độ biến chạy tại $c$, kiểm định trơn đạo hàm của các biến tiền định, Robust CI..
Chọn 9.3.5. Ước lượng tích tụ hành vi tại ngưỡng chính sách Saez–Kleven khi: Kinh tế học tài chính công, thuế thu nhập cá nhân/doanh nghiệp, ngưỡng đóng BHXH, ngưỡng quy mô doanh nghiệp vừa và nhỏ, trần nợ/tín dụng — $N \ge 500$ quan sát vi mô quanh ngưỡng $z^*$ . — Kiểm định bắt buộc: Khối lượng tích tụ tuyệt đối $\hat{B}$ & chuẩn hóa $\hat{b}$ kèm bootstrap $z$-stat, độ co giãn thu nhập/quy mô suy diễn $\hat{e}$, tỷ lệ phản ứng trì trệ — optimization frictions share tại notch , kiểm định độ nhạy bậc đa thức $p \in \{3..7\}$..
Chọn 9.3.6. Hiệu ứng điều trị biên và biến công cụ cục bộ (MTE) khi: Kinh tế học lao động, giáo dục, y tế, tín dụng khi tác động của chương trình khác biệt theo lợi ích ẩn khiến cá thể tự chọn tham gia (2SLS). — Kiểm định bắt buộc: Miền giao thoa điểm xu hướng Common Support $[p_{\min}, p_{\max}]$, kiểm định Wald về tính không đồng nhất thiết yếu — $H_0: \partial \text{MTE}/\partial u_D = 0$, tức ATE = ATT = LATE , bảng đối chiếu ATE / ATT / ATU / LATE..

4. Tài liệu tham khảo

Thistlethwaite, D. L, & Campbell, D. T.(1960). Regression-discontinuity analysis: An alternative to the ex post facto experiment. Journal of Educational Psychology, 51, số 6, 309–317.
Hahn, J, Todd, P, & Van der Klaauw, W.(2001). Identification and estimation of treatment effects with a regression-discontinuity design. Econometrica, 69, số 1, 201–209.
Imbens, G. W, & Lemieux, T.(2008). Regression discontinuity designs: A guide to practice. Journal of Econometrics, 142, số 2, 615–635.
Lee, D. S, & Lemieux, T.(2010). Regression discontinuity designs in economics. Journal of Economic Literature, 48, số 2, 281–355.
Cerulli, G.(2022). Econometric Evaluation of Socio-Economic Programs: Theory and Applications, 2nd ed, Chương 1–6: Matching, IPW, DID, RDD and Synthetic Control. 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: 9.3.1. Thiết kế hồi quy gián đoạn sắc nhọn tại ngưỡng cắt (RDD)