10.1. Hồi quy không gian cắt ngang

Estimated reading: 13 minutes 4 views

TÓM TẮT NHÓM 10.1:

Định danh nhóm bài giảng: Nhóm 10.1. Hồi quy không gian cắt ngang trực thuộc 10. Kinh tế lượng không gian, sai số chuẩn Conley và mạng cặp đôi.
Phạm vi mô hình: Quy tụ 5 mô hình kinh tế lượng từ mục 10.1.1 đến mục 10.1.5.
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 Cameron & Trivedi (2022); Baltagi (2021); Pesaran (2015); Greene (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 Vega & Elhorst (2015); Gibbons & Overman (2012).

1. Bản chất học thuật và cấu trúc toán học

Trong phạm vi của chương Kinh tế lượng không gian, sai số chuẩn Conley và mạng cặp đôi, nhóm phương pháp Hồi quy không gian cắt ngang 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 Cameron & Trivedi (2022); Baltagi (2021); Pesaran (2015); Greene (2019). Các mô hình trong nhóm 10.1 cùng dựa trên hệ thức cấu trúc nền tảng tại phương trình 1 theo Vega & Elhorst (2015); Gibbons & Overman (2012):

$$Y = X\beta + W X \theta + \varepsilon, \quad \frac{\partial \text{E}[Y]}{\partial X_k^\top} = I_N \beta_k + W \theta_k \tag*{[1]}$$

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

$$\ell_N(\beta, \rho, \sigma^2) = -\frac{N}{2}\ln(2\pi\sigma^2) + \ln\det\left(I_N – \rho W\right) – \frac{1}{2\sigma^2}\| (I_N – \rho W)Y – X\beta – WX\theta \|_2^2 \tag*{[2]}$$

Sự khác biệt giữa 5 mô hình từ 10.1.1. Mô hình trễ không gian của biến giải thích (SLX) đến 10.1.5. Mô hình kết hợp tự hồi quy trễ và sai số không gian (SARAR) nằm ở giả định về phân phối của thành phần nhiễu, cơ chế nội sinh và ma trận trọng số ước lượng theo Vega & Elhorst (2015); Gibbons & Overman (2012); Cameron & Trivedi (2022); Baltagi (2021); Pesaran (2015); Greene (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 10.1:

Bảng 10.1.1Đối chiếu bản chất kinh tế lượng, cú pháp thực thi và kiểm định của nhóm 10.1

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
10.1.1	Mô hình trễ không gian của biến giải thích (SLX)	Mô hình hóa lan tỏa không gian cục bộ trực tiếp qua biến giải thích trễ không gian $Y = X\beta + WX\theta + \varepsilon$, cho phép tách bạch rõ ràng tác động trực tiếp — $\beta$ — và tác động tràn sang láng giềng — $\theta$ — mà không bị cứng nhắc tỷ lệ cố định $\theta/\beta$ của SAR.	Stata: `spregress y x1 x2, gs2sls ivarlag(W: x1 x2)` R: `spatialreg::lmSLX(y ~ x1 + x2, data = df, listw = lw)` Python: `spreg.OLS(y, X, w=w, slx_lags=1)`	Bảng phân rã Direct, Indirect — Spillover $\theta$ — và Total Effects kèm $p$-value, kiểm định Wald đồng thời $H_0: \theta = 0$, kiểm định Moran’s $I$ & LM-Error trên phần dư.
10.1.2	Mô hình tự hồi quy trễ không gian của biến phụ thuộc (SAR)	Đưa biến trễ không gian của biến phụ thuộc $W Y$ vào vế phải phương trình $Y = \rho W Y + X \beta + \varepsilon$ và ước lượng bằng hợp lý cực đại (MLE) hoặc biến công cụ không gian để lượng hóa sự tương tác phụ thuộc trực tiếp và hiệu ứng phản hồi lan tỏa giữa các đơn vị lân cận.	Stata: `spregress y x1 x2, ml dvarlag(W)` R: `spatialreg::lagsarlm(y ~ x1 + x2, data = df, listw = lw)` Python: `spreg.ML_Lag(y, X, w=w)`	Kiểm định tự tương quan không gian toàn cục Moran’s $I$, kiểm định nhân tử Lagrange Anselin LM-Lag và Robust LM-Lag, điều kiện ổn định không gian $\|\rho\| \lt 1 / \lambda_{\max}(W)$ và phân rã tác động Trực tiếp, Gián tiếp và Tổng của LeSage–Pace
10.1.3	Mô hình tự tương quan không gian trong sai số (SEM)	Mô hình hóa cấu trúc tự tương quan không gian nằm trong thành phần sai số $u = \lambda W u + \varepsilon$ để kiểm soát các cú sốc địa lý, khí hậu hoặc thể chế vùng bị bỏ sót có tương quan giữa các địa phương lân cận.	Stata: `spregress y x1 x2, ml errorlag(W)` R: `spatialreg::errorsarlm(y ~ x1 + x2, data = df, listw = lw)` Python: `spreg.ML_Error(y, X, w=w)`	Kiểm định Moran’s $I$ phần dư (OLS), kiểm định Anselin LM-Error và Robust LM-Error, kiểm định Wald và (LR) cho $H_0: \lambda = 0$ và kiểm định giả thuyết nhân tử chung so với (SDM)
10.1.4	Mô hình không gian Durbin và phân rã tác động LeSage–Pace (SDM)	Bao hàm đồng thời cả biến trễ không gian của biến phụ thuộc $\rho W Y$ và biến trễ không gian của các biến giải thích $W X \theta$, tạo ra mô hình tổng quát lồng ghép cả (SAR) và (SEM) giúp bảo vệ ước lượng khỏi chệch bỏ sót biến có tương quan không gian.	Stata: `spregress y x1 x2, ml dvarlag(W) ivarlag(W: x1 x2) -> estat impact` R: `spatialreg::lagsarlm(y ~ x1 + x2, data = df, listw = lw, Durbin = TRUE)` Python: `spreg.ML_Lag(y, X, w=w, slx_lags=1)`	Phân rã ma trận đạo hàm riêng $(I – \rho W)^{-1}(I \beta_k + W \theta_k)$ thành Tác động Trực tiếp, Tác động Lan tỏa Gián tiếp và Tổng tác động kèm sai số chuẩn mô phỏng (MCMC) hoặc Delta, và kiểm định (LR) rút gọn về (SAR) với $H_0: \theta = 0$ hoặc (SEM) với $H_0: \theta + \rho \beta = 0$
10.1.5	Mô hình kết hợp tự hồi quy trễ và sai số không gian (SARAR)	Kết hợp đồng thời cả tương tác nội sinh của biến kết quả giữa các vùng lân cận — $\rho WY$ — và tự tương quan không gian trong cú sốc nhiễu không quan sát được — $u = \lambda Mu + \varepsilon$ — qua ước lượng GMM hai bước Kelejian–Prucha hoặc ML.	Stata: `spregress y x1 x2, gs2sls dvarlag(W) errorlag(W) het` R: `spatialreg::sacsarlm(y ~ x1 + x2, data = df, listw = lw)` Python: `spreg.GM_Combo_Het(y, X, w=w)`	Kiểm định ý nghĩa riêng rẽ và đồng thời của $\rho, \lambda$, phân rã LeSage–Pace Direct/Indirect/Total impacts có hiệu chỉnh vết ma trận $(I-\rho W)^{-1}$, Anselin–Kelejian Moran dư.

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 10.1 cho dữ liệu thực tế theo Cameron & Trivedi (2022); Baltagi (2021); Pesaran (2015); Greene (2019):

Chọn 10.1.1. Mô hình trễ không gian của biến giải thích (SLX) khi: Được Gibbons & Overman và Vega & Elhorst khuyến nghị làm điểm xuất phát chuẩn mực trước khi áp đặt cấu trúc tự hồi quy không gian toàn cục; tương thích tự nhiên với biến công cụ cho $X$ và $WX$. — Kiểm định bắt buộc: Bảng phân rã Direct, Indirect — Spillover $\theta$ — và Total Effects kèm $p$-value, kiểm định Wald đồng thời $H_0: \theta = 0$, kiểm định Moran’s $I$ & LM-Error trên phần dư..
Chọn 10.1.2. Mô hình tự hồi quy trễ không gian của biến phụ thuộc (SAR) khi: Phân tích tăng trưởng kinh tế cấp tỉnh, giá bất động sản, thu hút FDI hoặc đầu tư công khi kết quả của tỉnh $i$ tác động trực tiếp sang các tỉnh giáp ranh $j$. — Kiểm định bắt buộc: Kiểm định tự tương quan không gian toàn cục Moran’s $I$, kiểm định nhân tử Lagrange Anselin LM-Lag và Robust LM-Lag, điều kiện ổn định không gian $|\rho| \lt 1 / \lambda_{\max}(W)$ và phân rã tác động Trực tiếp, Gián tiếp và Tổng của LeSage–Pace.
Chọn 10.1.3. Mô hình tự tương quan không gian trong sai số (SEM) khi: Khi sự phụ thuộc không gian phát sinh từ các biến không quan sát được có tính chất cụm vùng địa lý chứ không phải do tương tác hành vi trực tiếp của biến kết quả $Y$. — Kiểm định bắt buộc: Kiểm định Moran’s $I$ phần dư (OLS), kiểm định Anselin LM-Error và Robust LM-Error, kiểm định Wald và (LR) cho $H_0: \lambda = 0$ và kiểm định giả thuyết nhân tử chung so với (SDM).
Chọn 10.1.4. Mô hình không gian Durbin và phân rã tác động LeSage–Pace (SDM) khi: Chuẩn mực hàng đầu trong kinh tế lượng không gian hiện đại khi nghiên cứu lan tỏa năng suất, hạ tầng giao thông, vốn nhân lực và chuyển đổi số giữa 63 tỉnh thành. — Kiểm định bắt buộc: Phân rã ma trận đạo hàm riêng $(I – \rho W)^{-1}(I \beta_k + W \theta_k)$ thành Tác động Trực tiếp, Tác động Lan tỏa Gián tiếp và Tổng tác động kèm sai số chuẩn mô phỏng (MCMC) hoặc Delta, và kiểm định (LR) rút gọn về (SAR) với $H_0: \theta = 0$ hoặc (SEM) với $H_0: \theta + \rho \beta = 0$.
Chọn 10.1.5. Mô hình kết hợp tự hồi quy trễ và sai số không gian (SARAR) khi: Phân tích tăng trưởng tỉnh thành, giá bất động sản, ô nhiễm không khí liên vùng, năng suất nông nghiệp nơi cả hai thống kê Robust LM-Lag và Robust LM-Error đều có ý nghĩa thống kê. — Kiểm định bắt buộc: Kiểm định ý nghĩa riêng rẽ và đồng thời của $\rho, \lambda$, phân rã LeSage–Pace Direct/Indirect/Total impacts có hiệu chỉnh vết ma trận $(I-\rho W)^{-1}$, Anselin–Kelejian Moran dư..

4. Tài liệu tham khảo

Vega, & Elhorst(2015). The SLX Model. Journal of Regional Science.
Gibbons, & Overman(2012). Mostly Pointless Spatial Econometrics?. Journal of Regional Science.
Cameron, A. C, & Trivedi, P. K.(2022). Microeconometrics Using Stata, 2nd ed, Vol. 2, Chương 26: Spatial Regression Models. Stata Press.
Baltagi, B. H.(2021). Econometric Analysis of Panel Data, 6th ed, Chương 13: Spatial Panel Data Models. Springer.
Pesaran, M. H.(2015). Time Series and Panel Data Econometrics, Chương 30: Spatial Econometrics and Network Interdependence. Oxford University Press.
Greene, W. H.(2019). Econometric Analysis, 8th ed, Chương 11: Spatial Autoregression and Robust Covariance Estimation. Pearson.

ĐIỀU HƯỚNG HỌC TẬP:
↑ Tài liệu gốc: KINH TẾ LƯỢNG ỨNG DỤNG TOÀN DIỆN TỪ A – Z
↑ Chương chủ quản: 10. Kinh tế lượng không gian, sai số chuẩn Conley và mạng cặp đôi
→ Bài học đầu tiên trong nhóm: 10.1.1. Mô hình trễ không gian của biến giải thích (SLX)