15.2. Suy luận tái lấy mẫu cụm ít và ngẫu nhiên hóa
- Định danh nhóm bài giảng: Nhóm 15.2. Suy luận tái lấy mẫu cụm ít và ngẫu nhiên hóa trực thuộc 15. Kinh tế lượng phi tham số và suy luận tái lấy mẫu cụm ít.
- Phạm vi mô hình: Quy tụ 2 mô hình kinh tế lượng từ mục 15.2.1 đến mục 15.2.2.
- 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); Hansen (2022); Wooldridge (2010); 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 Cameron, Gelbach & Miller (2008); Roodman, Nielsen, MacKinnon & Webb (2019); MacKinnon, Nielsen & Webb (2023).
1. Bản chất học thuật và cấu trúc toán học
Trong phạm vi của chương Kinh tế lượng phi tham số và suy luận tái lấy mẫu cụm ít, nhóm phương pháp Suy luận tái lấy mẫu cụm ít và ngẫu nhiên hóa 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); Hansen (2022); Wooldridge (2010); Greene (2019). Các mô hình trong nhóm 15.2 cùng dựa trên hệ thức cấu trúc nền tảng tại phương trình 1 theo Cameron, Gelbach & Miller (2008); Roodman, Nielsen, MacKinnon & Webb (2019); MacKinnon, Nielsen & Webb (2023):
$$\tilde{Y}_{ig}^\ast = X_{ig}^\top \tilde{\beta}_0 + \tilde{u}_{ig}\cdot v_g^\ast, \quad w_{\text{Boot}} = \frac{\hat{\beta}_1^\ast – \beta_1^0}{\text{SE}_{\text{CR}}(\hat{\beta}_1^\ast)}, \quad p_{\text{WCB}} = \frac{1}{B}\sum_{b=1}^B \mathbb{I}(|w_{\text{Boot}}^{(b)}| \ge |w_{\text{obs}}|) \tag*{[1]}$$
Phương trình điều kiện ước lượng và tối ưu hóa của nhóm phương pháp này được xác định tại công thức 2:
$$\hat{m}_h(x) = e_1^\top \left(\mathcal{X}_x^\top \mathcal{W}_h(x)\mathcal{X}_x\right)^{-1}\mathcal{X}_x^\top \mathcal{W}_h(x) Y, \quad h_{\text{opt}} = \arg\min_{h \gt 0}\text{CV}(h) \tag*{[2]}$$
Sự khác biệt giữa 2 mô hình từ 15.2.1. Suy luận Bootstrap cụm Wild nhanh với trọng số Rademacher và Webb đến 15.2.2. Suy luận ngẫu nhiên hóa chính xác của Fisher và kiểm chứng Alwyn Young nằm ở giả định về phân phối của thành phần nhiễu, cơ chế nội sinh và ma trận trọng số ước lượng theo Cameron, Gelbach & Miller (2008); Roodman, Nielsen, MacKinnon & Webb (2019); MacKinnon, Nielsen & Webb (2023); Cameron & Trivedi (2022); Hansen (2022); Wooldridge (2010); 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 15.2:
| 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 |
|---|---|---|---|---|
| 15.2.1 | Suy luận Bootstrap cụm Wild nhanh với trọng số Rademacher và Webb | Giải pháp chuẩn xuất bản bắt buộc khi dữ liệu có cấu trúc phân cụm nhưng số lượng cụm ít — $G \lt 30$ hoặc $G \lt 50$ — ví dụ 6 vùng kinh tế, 10–20 ngành, các nước ASEAN — hoặc kích thước cụm rất chênh lệch, nơi sai số chuẩn phân cụm tiệm cận thông thường bác bỏ khống giả thuyết $H_0$ nghiêm trọng. | Stata: regress y x1 x2, vce(cluster cid) -> boottest x1, weight(webb) reps(9999)R: sandwich::vcovBS(lm(y ~ x1 + x2, data = df), cluster = ~cid, R = 4999, type = 'wild-webb')Python: wildboottest(smf.ols('y ~ x1 + x2', data=df).fit(), param='x1', cluster=df['cid'], B=9999) |
$p$-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. |
| 15.2.2 | Suy luận ngẫu nhiên hóa chính xác của Fisher và kiểm chứng Alwyn Young | Suy luận chính xác trên mẫu hữu hạn dựa hoàn toàn vào cơ chế phân bổ ngẫu nhiên / hoán vị biến điều trị $D$, theo tầng strata hoặc cụm cluster, dưới giả thuyết không có tác động cá thể sắc nhọn của Fisher — $Y_i(1) = Y_i(0) \forall i$ , không phụ thuộc định lý giới hạn trung tâm hay điểm đòn bẩy ngoại lai. | Stata: ritest treat _b[treat], reps(5000) cluster(cid): regress y treat x1 x2R: ri2::conduct_ri(y ~ treat + x1 + x2, declaration = decl, sharp_hypothesis = 0, sims = 5000, data = df)Python: scipy.stats.permutation_test((df_treat, df_ctrl), statistic=diff_in_means, n_resamples=5000) |
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. |
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 15.2 cho dữ liệu thực tế theo Cameron & Trivedi (2022); Hansen (2022); Wooldridge (2010); Greene (2019):
- Chọn 15.2.1. Suy luận Bootstrap cụm Wild nhanh với trọng số Rademacher và Webb khi: Hồi quy tuyến tính OLS, Panel FE / TWFE / DID với số cụm $G \in [5, 50]$; sử dụng trọng số Rademacher, khi $G \ge 12$, và tự động chuyển sang trọng số Webb 6 điểm, khi $G \lt 12$ để tránh không gian hoán vị quá ít $2^G$. — Kiểm định bắt buộc: $p$-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..
- Chọn 15.2.2. Suy luận ngẫu nhiên hóa chính xác của Fisher và kiểm chứng Alwyn Young khi: Thí nghiệm thực địa, thí nghiệm tự nhiên cỡ mẫu nhỏ hoặc phân bổ điều trị cấp cụm/tỉnh ít đơn vị — được Alwyn Young (2019) chứng minh là thước đo kiểm chứng độ bền thống kê nghiêm ngặt nhất chống lại các quan sát đòn bẩy đơn lẻ. — Kiểm định bắt buộc: 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..
4. Tài liệu tham khảo
- Cameron, Gelbach, & Miller(2008). Foundational econometric methodology and empirical inference in The Review of Economics and Statistics.
- Roodman, Nielsen, MacKinnon, & Webb(2019). boottest. The Stata Journal.
- MacKinnon, Nielsen, & Webb(2023). Cluster-Robust Inference: A Guide to Empirical Practice. Journal of Econometrics.
- 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 chủ quản: 15. Kinh tế lượng phi tham số và suy luận tái lấy mẫu cụm ít
→ Bài học đầu tiên trong nhóm: 15.2.1. Suy luận Bootstrap cụm Wild nhanh với trọng số Rademacher và Webb