15. Kinh tế lượng phi tham số và suy luận tái lấy mẫu cụm ít
1. Đặt vấn đề và bối cảnh nghiên cứu
Trong nghiên cứu thực nghiệm kinh tế, tài chính và chính sách công, việc lựa chọn đúng cấu trúc mô hình thuộc chương Kinh tế lượng phi tham số và suy luận tái lấy mẫu cụm ít quyết định trực tiếp tính không chệch, tính nhất quán và hiệu lực suy luận thống kê của các ước lượng (Cameron & Trivedi (2022); Hansen (2022); Wooldridge (2010); Greene (2019)). Khi cấu trúc dữ liệu thực tế vi phạm các giả định cổ điển, nhà nghiên cứu cần áp dụng chính xác các phương pháp chuyên biệt được trình bày trong chương này (Li & Racine (2007); Robinson (1988); Roodman et al. (2019); MacKinnon, Nielsen & Webb (2023); Young (2019)).
Khung biểu diễn toán học tổng quát cho các mô hình thuộc chương 15 được xác lập tại phương trình (1):
$$Y_i = m(X_i) + \varepsilon_i, \quad p_{\text{boot}} = \frac{1}{B}\sum_{b=1}^B \mathbb{I}\left(|t^{\ast(b)}| \ge |t_{\text{obs}}|\right) \tag{1}$$
Từ phương trình (1), mỗi nhóm phương pháp con trong chương sẽ cụ thể hóa điều kiện nhận dạng, cấu trúc ma trận hiệp phương sai của sai số và thuật toán tối ưu hóa phù hợp với từng thiết kế dữ liệu tại Việt Nam (Li & Racine (2007); Robinson (1988); Roodman et al. (2019); MacKinnon, Nielsen & Webb (2023); Young (2019); Cameron & Trivedi (2022); Hansen (2022); Wooldridge (2010); Greene (2019)).
2. Cấu trúc các nhóm phương pháp trong chương
Chương 15 được tổ chức thành 2 nhóm bài giảng theo thứ tự từ nền tảng đến nâng cao:
3. Danh mục các mô hình kinh tế lượng
Bảng dưới đây đối chiếu toàn bộ 4 bài giảng thuộc chương 15 cùng bộ thư viện thực thi trên Stata 18, R 4.x, Python 3.11+ và các kiểm định chẩn đoán bắt buộc:
| Mã mục | Tên bài giảng | Thư viện thực thi (Stata · R · Python) | Kiểm định chẩn đoán bắt buộc | Dữ liệu thực nghiệm Việt Nam |
|---|---|---|---|---|
| 15.1.1 | Hồi quy phi tham số đa thức tuyến tính cục bộ Li–Racine | Stata npregress kernel · np · statsmodels |
Băng thông tối ưu theo từng biến $h_1\dots h_k$, Average Marginal Effects $\overline{\partial \hat{m}/\partial x_j}$ kèm bootstrap SE, kiểm định đặc tả Hsiao–Li–Racine so với mô hình tuyến tính. | Đường cong Kuznets môi trường phi tham số |
| 15.1.2 | Mô hình cộng tổng quát bán tham số kết hợp B-Splines (GAM) | npregress series / B-spline penalized GLM · mgcv · statsmodels |
Bậc tự do hiệu dụng (EDF — EDF $\approx 1$ nghĩa là tuyến tính, EDF $> 2$ khẳng định phi tuyến), kiểm định Wald phi tuyến cho từng thành phần $f_j(X_j)$, GCV / REML score. | Kiểm soát phi tuyến nhiệt độ/tuổi trong đánh giá chính sách |
| 15.2.1 | Suy luận Bootstrap cụm Wild nhanh với trọng số Rademacher và Webb | boottest / Stata 18 wildbootstrap · sandwich + clubSandwich · wildboottest |
$p$-value Wild Cluster Restricted (WCR), khoảng tin cậy đảo ngược thống kê $t^*$ (bootstrap-$t$ inversion CI — không phụ thuộc đối xứng), bậc tự do hiệu dụng Pustejovsky–Tipton CR2, đối chiếu với CRV1 $p$-value thường. | Hồi quy bảng phân cụm theo 6 vùng kinh tế Việt Nam |
| 15.2.2 | Suy luận ngẫu nhiên hóa chính xác của Fisher và kiểm chứng Alwyn Young | ritest · ri2 · Stratified & Cluster-Permuted Freedman–Lane / Treatment-Assignment Randomization Inference solver |
Exact / Monte-Carlo Randomization $p$-value kèm khoảng tin cậy Monte-Carlo SE của chính $p$-value, thống kê đòn bẩy tối đa $\max h_{ii}$ (cảnh báo Young leverage sensitivity), đối chiếu với HC3/CRV1 $p$-value. | Kiểm định hoán vị chính xác cho thí nghiệm chính sách cỡ mẫu nhỏ |
4. Quy tắc chọn mô hình và kiểm định
Trước khi công bố kết quả ước lượng thuộc chương 15, nhà nghiên cứu cần thực hiện đầy đủ danh mục kiểm tra học thuật sau (Cameron & Trivedi (2022); Hansen (2022); Wooldridge (2010); Greene (2019)):
- Câu hỏi nhận dạng trung tâm: Khi không muốn áp đặt dạng hàm đại số hoặc khi số lượng cụm quá ít (G < 30) khiến định lý giới hạn trung tâm thất bại, làm sao để ước lượng và suy luận chính xác?
- Hệ thống kiểm định chẩn đoán bắt buộc: Least-Squares Cross-Validation Bandwidth, Hsiao–Li–Racine Specification Test, Rademacher vs Webb 6-Point Wild Cluster Bootstrap p-value, Fisher Exact Permutation p-value.
- Suy luận thống kê vững: Luôn kiểm tra cấu trúc phương sai thay đổi, tự tương quan hoặc phụ thuộc cụm để lựa chọn ma trận hiệp phương sai sai số chuẩn phù hợp trên Stata 18, R 4.x và Python 3.11+ (Li & Racine (2007); Robinson (1988); Roodman et al. (2019); MacKinnon, Nielsen & Webb (2023); Young (2019)).
5. Tài liệu tham khảo
- Li, & Racine (2007). Econometric specification, identification, and asymptotic inference.
- Robinson (1988). Econometric specification, identification, and asymptotic inference.
- Roodman et al. (2019). Econometric specification, identification, and asymptotic inference.
- MacKinnon, Nielsen, & Webb (2023). Econometric specification, identification, and asymptotic inference.
- Young (2019). Econometric specification, identification, and asymptotic inference.
- Cameron, A. C., & Trivedi, P. K. (2022). Microeconometrics Using Stata (2nd ed., Vol. 1 Chương 13: Bootstrap & Cluster-Robust Inference; Vol. 2 Chương 27: Nonparametric & Semiparametric Regression). Stata Press.
- Hansen, B. E. (2022). Econometrics (Chương 10 & 19: Bootstrap Resampling, Nonparametric Kernel and Local Linear Regression). Princeton University Press.
- Wooldridge, J. M. (2010). Econometric Analysis of Cross Section and Panel Data (2nd ed., Chương 12 & 20: Resampling and Semiparametric Methods). MIT Press.
- Greene, W. H. (2019). Econometric Analysis (8th ed., Chương 12 & 15: Nonparametric Estimation and Bootstrap Simulation). Pearson.
↑ Tài liệu gốc: KINH TẾ LƯỢNG ỨNG DỤNG TOÀN DIỆN TỪ A – Z
← Chương trước: 14. Năng suất, biên hiệu quả và hàm sản xuất cấu trúc
→ Nhóm đầu tiên trong chương: 15.1. Hồi quy phi tham số và bán tham số
→ Bài học đầu tiên trong chương: 15.1.1. Hồi quy phi tham số đa thức tuyến tính cục bộ Li–Racine
→ Chương tiếp theo: Phòng thí nghiệm Kinh tế lượng EcoLab