RESEARCH METHOD

Ước lượng của các mô hình kinh tế như growth models (Lee et al., 1997), development economics (McNabb and LeMay-Boucher, 2014), productivity analysis (Eberhardt et al., 2012), consumption models (Shin et al., 1999)… yêu cầu tính không đồng nhất ở các hệ số (heterogeneous coefficients). Phần lớn các lý thuyết kinh tế lượng liên quan đến mô hình hệ số không đồng nhất có thể kể đến như (Zellner, 1962; Pesaran and Smith, 1995; Shin et al., 1999) và gần đây là các lý thuyết xét đến sự phụ thuộc lẫn nhau giữa các đặc điểm riêng ở mỗi đơn vị bảng (Pesaran, 2006; Chudik and Pesaran, 2015).

Phần chuyên đề này lần lượt giới thiệu các nội dung sau:

• Mô hình hệ số không đồng nhất
• Giới thiệu câu lệnh xtdcce2
• Minh họa ước lượng bảng động với xtdcce2
• So sánh xtdcce2 với xtpmg
• So sánh xtdcce2 với xtmg

Lệnh xtdcce2 sẽ ước lượng các mô hình bảng động với sự phụ thuộc chéo (CSD), ước lượng mối quan hệ dài hạn theo PMG, MG, thay thế xtpmg, xtmg

Trong các mô hình bảng động tuyến tính, chúng ta đã từng làm quen hoặc biết qua các khái niệm về đồng tích hợp, mối quan hệ ngắn hạn, dài hạn trong các ước lượng FMOLS, DOLS hoặc PMG, MG hoặc DFE.

Theo đó, nếu tồn tại mối quan hệ đồng tích hợp giữa các chuỗi I(1) thì xem xét sử dụng FMOLS/DOLS . Nếu tồn tại mối quan hệ đồng tích hợp giữa các chuỗi I(1) và I(0) thì xem xét sử dụng một ước lượng phù hợp trong nhóm PMG/MG/DFE.

Tùy thuộc vào mối quan hệ đồng tích giữa các chuỗi mà chúng ta lựa chọn ước lượng phù hợp. Chọn ước lượng FMOLS khi hệ số phương sai dài hạn ước lượng không đồng nhất và ngược lại chọn DOLS khi hệ số phương sai dài hạn là đồng nhất.

Ước lượng DFE yêu cầu các hệ số ước lượng ngắn hạn và dài hạn là đồng nhất giữa các đơn vị bảng. Ước lượng PMG yêu cầu các hệ số ước lượng dài hạn là đồng nhất. Trong khi đó, ước lượng MG cho phép các hệ số ước lượng ngắn hạn và dài hạn thay đổi ngẫu nhiên giữa các đơn vị bảng. Hệ số ước lượng khi đó sẽ được tính bằng trung bình cộng của các hệ số ước tính riêng rẽ của các đơn vị bảng.

Một chuyên đề đầy đủ nhất về các phương pháp ước lượng GMM với các bước thực hành cụ thể và các hướng dẫn đọc kết quả GMM chi tiết qua câu lệnh xtdpdgmm

Mục tiêu của chuyên đề GMM này giúp người đọc nắm bắt được ý tưởng của phương pháp GMM, phân biệt được các khái niệm điều kiện moment, điều kiện trực giao, biến công cụ dạng GMM (GMM-type) và biến công cụ chuẩn (Standard instruments) cũng như nắm được số ràng buộc, các phương pháp biến đổi, cách tính số biến công cụ. Chuyên đề còn giúp người đọc so sánh và biết được khi nào sử dụng GMM một bước hay hai bước, DGMM hay SGMM. Các kiểm định về tính phù hợp của các tập biến công cụ, sự phù hợp của mô hình cũng như kiểm định lựa chọn mô hình. 

1. Giới thiệu câu lệnh xtdpdgmm
2. Ước lượng DGMM
3. Ước lượng SGMM
4. Ước lượng GMM phi tuyến
5. So sánh các phương pháp GMM qua các câu lệnh trên Stata
6. Quy trình ước lượng GMM theo Kripfganz (2019)

• https://vietlod.com/kiem-tra-dong-ket-hop-du-lieu-bang-panel-cointegration-eviews
• https://vietlod.com/thiet-lap-uoc-luong-fmols-dols-tren-eviews
• https://vietlod.com/minh-hoa-uoc-luong-fmols-dols-tren-eviews
• https://vietlod.com/phuong-phap-pmg-pooled-mean-group
• https://vietlod.com/minh-hoa-uoc-luong-pmg-tren-eviews

Mô hình Markov Switching được sử dụng cho các chuỗi mà được cho là có sự chuyển tiếp trong một tập hữu hạn các trạng thái không quan sát được, cho phép quá trình chuyển đổi khác nhau ở mỗi giai đoạn. Quá trình chuyển đổi xảy ra theo một quá trình Markov. Thời gian của quá trình chuyển đổi từ một giai đoạn sang giai đoạn khác và thời gian giữa những thay đổi trong giai đoạn là ngẫu nhiên.



Câu lệnh mswitch trong Stata 14 được sử dụng để ước lượng các mô hình hồi quy động thể hiện sự khác nhau giữa các giai đoạn không quan sát (unobserved states) bằng cách sử dụng các tham số trạng thái phụ thuộc (state-dependent parameters) để phù hợp (accommodate) với các cú sốc cấu trúc (structural breaks) hoặc những vấn đề đa giai đoạn khác (other multiple-state phenomena). Những mô hình này được biết đến với tên gọi là các mô hình chuyển đổi Markov hay Markov Switching bởi vì sự chuyển tiếp giữa các giai đoạn không quan sát được theo một chuỗi Markov.

Mô hình gồm nhiều cấu trúc (phương trình) mô tả các đặc điểm của dữ liệu thời gian trong các giai đoạn khác nhau (different regimes). Bằng cách chuyển đổi giữa các cấu trúc (structures) mô hình được kì vọng sẽ ghi nhận một tính động phức tạp hơn. Tính năng chính của mô hình Markov Switching là cơ chế chuyển đổi được kiểm soát bởi các biến trạng thái không quan sát được mà các biến này tuân theo một chuỗi Markov bậc 1. Theo Walter Enders (2015 trang 448) thì thông thường các mô hình Markov Switching được sử dụng để ước lượng dạng level của một chuỗi. Tuy nhiên, các nghiên cứu gần đây đã cho thấy có thể kết hợp mô hình MS với các đặc điểm tự hồi quy không điều kiện như MS-VAR, MS-VECM và tự hồi quy có điều kiện phương sai thay đổi như MS-ARCH, MS-GARCH (Edwards and Susmel, 2000).

• https://vietlod.com/tag/gmm
• https://vietlod.com/tong-hop-cac-kiem-dinh-trong-gmm
• https://vietlod.com/co-so-lua-chon-gmm-vs-ols-fem-rem

Các ước lượng Fixed Effect (FE), Random Effect (RE) thích hợp sử dụng trong các mô hình bảng tĩnh tuyến với số mốc thời gian T tương đối nhỏ và không tồn tại vấn đề biến nội sinh trong mô hình. Cơ sở cho việc lựa chọn FE, RE so với Pooled OLS là sự tồn tại của các thành phần đặc trưng riêng cho mỗi đối tượng không thay đổi theo thời gian (không quan sát được). Còn việc lựa chọn giữa ước lượng FE với RE dựa trên giả thuyết về sự tương quan của các biến giải thích với thành phần đặc trưng riêng nêu trên (cơ sở của giả thuyết H0 trong kiểm định Hausman). Dưới điều kiện của giả thuyết H0 thì RE là ước lượng hiệu quả. Do vậy, chấp nhận H0 thì RE là ước lượng phù hợp, ngược lại, bác bỏ H0 thì FE là ước lượng lựa chọn (FE luôn là ước lượng tin cậy cho cả H0 và H1). Trên Stata, ước lượng FE, RE lần lượt được thực hiện bằng câu lệnh xtreg với tùy chọn tương ứng là fe và re. Ngoài ra, cũng cần phân biệt giữa ước lượng with-in (chính là ước lượng FE) và ước lượng between (tùy chọn be).

Tham khảo chi tiết:

• https://vietlod.com/tong-hop-cac-kiem-dinh-trong-du-lieu-bang
• https://vietlod.com/mo-hinh-du-lieu-bang-fem-rem

Các mô hình dữ liệu bảng tuyến tính cổ điển



Các mô hình tác động ngẫu nhiên (REM) hoặc mô hình tác động cố định (FEM) được gọi chung là mô hình dữ liệu bảng tuyến tính cổ điển, hoặc đôi khi còn gọi là mô hình dữ liệu bảng tuyến tính TĨNH. Các đặc tính “cổ điển” hoặc “tĩnh” của mô hình dữ liệu bảng trên sẽ lần lượt được hệ thống lại ở phần trình bày bên dưới.

Đầu tiên, chúng ta bắt đầu ôn lại các giả định của mô hình dữ liệu bảng tuyến tính cổ điển (classic linear panel model). Tiếp đến, từ giả định của mô hình chung chúng ta sẽ lần lượt đi vào từng mô hình cụ thể (Fixed effect, Random effect và Random coefficient) với các phương pháp ước lượng FE (classic FE, LSDV, FD), phương pháp RE và RC.
https://vietlod.com/mo-hinh-du-lieu-bang-tuyen-tinh-co-dien