9.5. Sai biệt trong sai biệt lệch pha hiện đại

Estimated reading: 17 minutes 4 views

TÓM TẮT NHÓM 9.5:

Định danh nhóm bài giảng: Nhóm 9.5. Sai biệt trong sai biệt lệch pha hiện đại trực thuộc 9. Suy luận nhân quả và đánh giá tác động chính sách.
Phạm vi mô hình: Quy tụ 8 mô hình kinh tế lượng từ mục 9.5.1 đến mục 9.5.8.
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 Goodman-Bacon (2021); Baker, Larcker & Wang (2022).

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 lệch pha hiện đại 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 9.5 cùng dựa trên hệ thức cấu trúc nền tảng tại phương trình 1 theo Goodman-Bacon (2021); Baker, Larcker & Wang (2022):

$$\hat{\beta}_{\text{TWFE}} = \sum_{k \neq U} s_{kU}\hat{\beta}_{kU}^{2\times 2} + \sum_{k \lt \ell} \left(s_{k\ell}^k \hat{\beta}_{k\ell}^{2\times 2, k} + s_{k\ell}^\ell \hat{\beta}_{k\ell}^{2\times 2, \ell}\right), \quad \sum s_{ab} = 1 \tag*{[1]}$$

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 8 mô hình từ 9.5.1. Phân rã trọng số hai nhân hai của Goodman-Bacon đến 9.5.8. Sai biệt trong sai biệt tổng hợp (SDID) nằm ở giả định về phân phối của thành phần nhiễu, cơ chế nội sinh và ma trận trọng số ước lượng theo Goodman-Bacon (2021); Baker, Larcker & Wang (2022); 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 9.5:

Bảng 9.5.1Đối chiếu bản chất kinh tế lượng, cú pháp thực thi và kiểm định của nhóm 9.5

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
9.5.1	Phân rã trọng số hai nhân hai của Goodman-Bacon	Phân rã chính xác hệ số $\hat{\beta}_{\text{TWFE}}$ trên dữ liệu bảng lệch pha thành trung bình có trọng số của mọi cặp so sánh $2\times 2$: Treated vs Never-Treated, Earlier vs Later Treated — hợp lệ — và Later vs Already-Treated, so sánh bị cấm gây trọng số âm và đảo dấu hệ số chính sách.	Stata: `bacondecomp y treat, ddetail` R: `bacondecomp::bacon(y ~ treat, data = df, id_var = 'id', time_var = 'year')` Python: `PanelOLS.from_formula('y ~ 1 + treat + EntityEffects + TimeEffects', data=pdata).fit()`	Tổng tỷ trọng và ước lượng DID trung bình theo 3 nhóm, tỷ phần trọng số bị ô nhiễm động học.
9.5.2	Nghiên cứu sự kiện trọng số tương tác đoàn hệ Sun–Abraham	Ước lượng riêng từng hiệu ứng đoàn hệ – thời gian tương đối $\text{CATT}_{e,\ell}$ bằng tương tác bão hòa rồi gộp theo tỷ phần đoàn hệ, loại bỏ hoàn toàn hiện tượng “ô nhiễm chéo giữa các kỳ dẫn–trễ” của Event-Study TWFE truyền thống.	Stata: `eventstudyinteract y lead* lag*, cohort(first_treat) control_cohort(never) absorb(id year) vce(cluster id)` R: `fixest::feols(y ~ x1 + sunab(first_treat, year) \| id + year, cluster = ~id, data = df)` Python: `pyfixest.event_study(df, yname='y', idname='id', tname='year', gname='first_treat', estimator='saturated')`	Kiểm định Wald đồng thời các hệ số tiền xử lý $\ell \lt -1$ — $H_0: \text{parallel pre-trends}$ , ATT gộp sau xử lý và chuỗi Event-Study động theo $\ell$.
9.5.3	Ước lượng DID suy diễn khử chệch Borusyak–Jaravel–Spiess	Ước lượng hiệu ứng cố định đơn vị $\hat{\alpha}_i$, thời gian $\hat{\lambda}_t$ và biến kiểm soát chỉ trên tập quan sát chưa chịu xử lý — $\Omega_0$ , suy diễn kết quả phản thực tế $\hat{Y}_{it}(0)$ cho nhóm xử lý rồi tính trung bình trọng số $\hat{\tau}_{it} = Y_{it} – \hat{Y}_{it}(0)$ — đạt hiệu quả tiệm cận cao nhất — BLUE dưới Gauss–Markov .	Stata: `did_imputation y id year first_treat, horizons(0/5) pretrends(4)` R: `did2s::did2s(df, yname = 'y', first_stage = ~ 0 \| id + year, second_stage = ~ i(rel_time), treatment = 'treat', cluster_var = 'id')` Python: `pyfixest.did2s(df, yname='y', first_stage='~ 0 \| id + year', second_stage='~ treat', treatment='treat', cluster='id')`	Kiểm định $F$ tiền xu hướng tách biệt hoàn toàn với ước lượng ATT — tránh pre-test bias Roth 2022 , kiểm định trọng số âm bằng 0, dynamic horizon ATTs.
9.5.4	Ước lượng DID động cho xử lý đảo chiều de Chaisemartin–D’Haultfœuille	Ước lượng nhân quả không chệch cho thiết kế DID tổng quát nơi trạng thái xử lý có thể bật rồi tắt hoặc là biến xử lý không nhị phân/liên tục bằng cách so sánh các nhóm chuyển trạng thái với nhóm giữ nguyên mức xử lý ban đầu.	Stata: `did_multiplegt_dyn y id year treat, effects(5) placebo(3) cluster(id)` R: `DIDmultiplegtDYN::did_multiplegt_dyn(df, 'y', 'id', 'year', 'treat', effects = 5, placebo = 3)` Python: `PanelOLS.from_formula('dy ~ 1 + d_treat + x1 + TimeEffects', data=pdata).fit(cov_type='clustered', cluster_entity=True)`	Kiểm định đồng thời các placebo tiền chuyển đổi $\text{DID}_{\ell}^{\text{pl}} = 0$, hiệu ứng tích lũy chuẩn hóa trên mỗi đơn vị liều xử lý.
9.5.5	Mô hình hiệu ứng cố định hai chiều mở rộng Mundlak (ETWFE)	Chứng minh rằng TWFE truyền thống chỉ sai do thiếu bão hòa tương tác: bằng cách đưa đầy đủ tương tác đoàn hệ × thời kỳ kèm biến kiểm soát khử tâm theo đoàn hệ $X_{it} – \bar{X}_g$, ETWFE khôi phục ước lượng ATT không chệch và mở rộng tự nhiên sang Poisson, Logit/Probit, Fractional DID.	Stata: `xthdidregress twfe (y x1) (treat), group(id)` R: `etwfe::etwfe(fml = y ~ x1, tvar = year, gvar = first_treat, data = df, vcov = ~id)` Python: `pyfixest.feols('y ~ treat : i(cohort, year) + x1 \| id + year', data=df, vcov={'CRV1': 'id'})`	Kiểm định Wald đồng nhất hiệu ứng giữa các đoàn hệ — kiểm tra xem TWFE đơn giản có bị chệch hay không , kiểm định pre-trend tương tác, gộp biên emfx.
9.5.6	Phương pháp chiếu cục bộ kết hợp mẫu đối chứng sạch (LP-DID)	Kết hợp sự linh hoạt động học của Jordà Local Projections $Y_{i,t+h} – Y_{i,t-1}$ với điều kiện lọc mẫu đối chứng sạch — clean controls: chỉ giữ các đơn vị mới chuyển trạng thái xử lý tại $t$ và các đơn vị chưa chịu xử lý cho tới tận $t+h$ , khử hoàn toàn chệch trọng số âm mà vẫn dễ dàng kiểm soát động học trễ của biến kết quả.	Stata: `lpdid y, unit(id) time(year) treat(treat) pre_window(4) post_window(6)` R: `fixest::feols(dy_h ~ d_treat + x1 \| year, subset = clean_sample, cluster = ~id, data = df)` Python: `pyfixest.lpdid(df, yname='y', idname='id', tname='year', gname='first_treat')`	Đường phản ứng Event-Study sạch theo chân trời $h \in [-K, H]$, kiểm định Wald đồng thời các kỳ tiền xử lý $h \lt -1$, cỡ mẫu đối chứng sạch hiệu dụng tại từng chân trời $N_{\text{clean}}(h)$.
9.5.7	Phân tích độ nhạy vi phạm xu hướng song song Rambachan–Roth	Thay vì giả định xu hướng song song sau can thiệp đúng tuyệt đối 100%, thiết lập khoảng nhận dạng từng phần cho hiệu ứng chính sách khi vi phạm xu hướng sau xử lý tối đa bằng $\bar{M}$ lần độ lệch tiền xu hướng lớn nhất — $\Delta^{RM}(\bar{M})$ — hoặc bị chặn đạo hàm bậc hai — $\Delta^{SD}(M)$ .	Stata: `honestdid, pre(1/4) post(5/8) mvec(0.5(0.5)2)` R: `HonestDiD::createSensitivityResults_relativeMagnitudes(betahat, sigma, numPrePeriods = 4, numPostPeriods = 4)` Python: `scipy.optimize.linprog(c_obj, A_ub=A_rm, b_ub=b_rm)`	Giá trị ngưỡng gãy Breakdown Value $\bar{M}^*$, bảng khoảng tin cậy bền vững theo lưới $\bar{M} \in \{0, 0.5, 1.0, 1.5, 2.0\}$, so sánh Original CI vs Honest CI.
9.5.8	Sai biệt trong sai biệt tổng hợp (SDID)	Kết hợp tối ưu trọng số đơn vị đối chứng $\hat{\omega}_i$ của Synthetic Control với trọng số thời kỳ tiền xử lý $\hat{\lambda}_t$ và hiệu ứng cố định hai chiều của DID, vừa nới lỏng giả định xu hướng song song tự nhiên vừa bất biến với độ lệch mức cố định và giảm mạnh phương sai.	Stata: `sdid y id year treat, vce(placebo) reps(200)` R: `synthdid::synthdid_estimate(Y, N0, T0)` Python: `SynthDID().fit(Y_panel, N0, T0)`	Sai số khớp tiền xử lý pre-treatment RMSE, độ tập trung trọng số hiệu dụng $N_{\text{eff}} = 1/\sum \hat{\omega}_i^2$, so sánh tam giác DID vs SC vs SDID.

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

Chọn 9.5.1. Phân rã trọng số hai nhân hai của Goodman-Bacon khi: Bước chẩn đoán tiền kiểm bắt buộc số 1 trong mọi nghiên cứu Staggered DID để chứng minh tại sao TWFE truyền thống bị chệch trước khi chuyển sang Callaway–Sant’Anna / Sun–Abraham / BJS Imputation. — Kiểm định bắt buộc: Tổng tỷ trọng và ước lượng DID trung bình theo 3 nhóm, tỷ phần trọng số bị ô nhiễm động học..
Chọn 9.5.2. Nghiên cứu sự kiện trọng số tương tác đoàn hệ Sun–Abraham khi: Thiết kế chính sách triển khai lệch pha trên dữ liệu bảng có nhóm chưa bao giờ chịu xử lý hoặc nhóm chịu xử lý muộn nhất. — Kiểm định bắt buộc: Kiểm định Wald đồng thời các hệ số tiền xử lý $\ell \lt -1$ — $H_0: \text{parallel pre-trends}$ , ATT gộp sau xử lý và chuỗi Event-Study động theo $\ell$..
Chọn 9.5.3. Ước lượng DID suy diễn khử chệch Borusyak–Jaravel–Spiess khi: Staggered DID trên dữ liệu bảng cân bằng/không cân bằng; khắc phục triệt để vấn đề trọng số âm của TWFE và có phương sai nhỏ hơn đáng kể so với ước lượng bắt cặp từng kỳ. — Kiểm định bắt buộc: Kiểm định $F$ tiền xu hướng tách biệt hoàn toàn với ước lượng ATT — tránh pre-test bias Roth 2022 , kiểm định trọng số âm bằng 0, dynamic horizon ATTs..
Chọn 9.5.4. Ước lượng DID động cho xử lý đảo chiều de Chaisemartin–D’Haultfœuille khi: Chính sách thuế quan, trợ cấp, thiên tai, phong tỏa hoặc lãi suất ưu đãi có thể áp dụng rồi gỡ bỏ nhiều lần — nơi Callaway–Sant’Anna và Sun–Abraham đòi hỏi xử lý một chiều không hoàn tác . — Kiểm định bắt buộc: Kiểm định đồng thời các placebo tiền chuyển đổi $\text{DID}_{\ell}^{\text{pl}} = 0$, hiệu ứng tích lũy chuẩn hóa trên mỗi đơn vị liều xử lý..
Chọn 9.5.5. Mô hình hiệu ứng cố định hai chiều mở rộng Mundlak (ETWFE) khi: Dữ liệu bảng lệch pha có biến kiểm soát phụ thuộc thời gian hoặc biến kết quả phi tuyến — đếm, nhị phân, tỷ trọng thương mại $Y \ge 0$ . — Kiểm định bắt buộc: Kiểm định Wald đồng nhất hiệu ứng giữa các đoàn hệ — kiểm tra xem TWFE đơn giản có bị chệch hay không , kiểm định pre-trend tương tác, gộp biên emfx..
Chọn 9.5.6. Phương pháp chiếu cục bộ kết hợp mẫu đối chứng sạch (LP-DID) khi: Đánh giá chính sách vĩ mô – tài chính – lao động triển khai lệch pha có phụ thuộc động học quá khứ hoặc xử lý lặp lại trên bảng dài. — Kiểm định bắt buộc: Đường phản ứng Event-Study sạch theo chân trời $h \in [-K, H]$, kiểm định Wald đồng thời các kỳ tiền xử lý $h \lt -1$, cỡ mẫu đối chứng sạch hiệu dụng tại từng chân trời $N_{\text{clean}}(h)$..
Chọn 9.5.7. Phân tích độ nhạy vi phạm xu hướng song song Rambachan–Roth khi: Hậu kiểm bắt buộc trong các bài báo DID/Event-Study chuẩn xuất bản 2023–2026 để xác định ngưỡng gãy Breakdown Value $\bar{M}^*$ mà tại đó kết luận có ý nghĩa thống kê bị đảo ngược. — Kiểm định bắt buộc: Giá trị ngưỡng gãy Breakdown Value $\bar{M}^*$, bảng khoảng tin cậy bền vững theo lưới $\bar{M} \in \{0, 0.5, 1.0, 1.5, 2.0\}$, so sánh Original CI vs Honest CI..
Chọn 9.5.8. Sai biệt trong sai biệt tổng hợp (SDID) khi: Đánh giá chính sách cấp quốc gia, tỉnh thành hoặc ngành khi số đơn vị được xử lý ít — $N_{\text{tr}} \ge 1$ — hoặc toàn khối cùng nhận chính sách tại $T_0$ hoặc lệch pha theo khối. — Kiểm định bắt buộc: Sai số khớp tiền xử lý pre-treatment RMSE, độ tập trung trọng số hiệu dụng $N_{\text{eff}} = 1/\sum \hat{\omega}_i^2$, so sánh tam giác DID vs SC vs SDID..

4. Tài liệu tham khảo

Goodman-Bacon(2021). Difference-in-Differences with Variation in Treatment Timing. Journal of Econometrics.
Baker, Larcker, & Wang(2022). Foundational econometric methodology and empirical inference in Journal of Financial Economics.
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: 9.5.1. Phân rã trọng số hai nhân hai của Goodman-Bacon