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

• 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

Các hạn chế của mô hình FEM vs REM


Mô hình FEM vs REM còn được gọi là mô hình dữ liệu bảng tuyến tính cổ điển. Mô hình FEM vs REM là 2 mô hình phổ biến để ước lượng dữ liệu bảng. Tuy nhiên, cả 2 mô hình FEM vs REM đều gặp các vấn đề về tính ngoại sinh ngặt, tính nội sinh của biến, cũng như các vấn đề liên quan đến tính chất động của mô hình dữ liệu bảng. Bài viết sau sẽ làm rõ các hạn chế của 2 mô hình FEM vs REM này
https://vietlod.com/han-che-cua-mo-hinh-fem-rem

Kiểm định tự tương quan và ràng buộc quá mức trong GMM



Kiểm định Sargan/Hansen được sử dụng để kiểm tra sự hợp lý của các biến đại diện sau ước lượng GMM. Ngoài ra, Arellano và Bond phát triển một kiểm định khác để phát hiện các độ trễ không phù hợp của các biện đại diện, gọi là sự tự tương quan trong thành phần sai số đo lường (idiosyncratic disturbance term), εit. Dĩ nhiên sai số chung, εit, của mô hình được giả định tự tương quan bởi vì nó bao gồm các ảnh hưởng cố định, và các ước lượng được xây dựng để loại bỏ các ảnh hưởng này. Nhưng nếu vit tự tương quan với chính nó ở độ trễ bằng 1, chẳng hạn, yi,t–2 thì các biến nội sinh sẽ có tương quan với νi,t–1 trong thành phần sai phân của sai số, Δεit=νit–νi,t–1.
https://vietlod.com/kiem-dinh-tu-tuong-quan-va-rang-buoc-qua-muc

Diễn giải câu lệnh xtabond2 trên Stata



Câu lệnh xtabond2 được sử dụng rất phổ biến trong các nghiên cứu sử dụng ước lượng GMM. Câu lệnh xtabond2 cho phép thực hiện cả lượng S-GMM và D-GMM. Tuy nhiên, việc hiểu và thực hiện được các thiết lập phù hợp cho mô hình ước lượng không phải là điều dễ dàng với nhiều người. Nhất là các thiết lập liên quan đến lựa chọn độ trễ của biến các công cụ dạng sai phân và dạng gốc (level) cũng như dạng phương trình mà chúng cần mô tả. Các thiết lập không đúng có thể dẫn đến các kết quả không phù hợp trong kiểm định Sargan/Hansen... Bài viết bên dưới diễn giải chi tiết ý nghĩa các tùy chọn quan trọng trong câu lệnh xtabond2, việc hiểu các tùy chọn này là điều kiện cần thiết để có một kết quả ước lượng GMM phù hợp.
https://vietlod.com/dien-giai-cau-lenh-xtabond2-trong-uoc-luong-gmm

Tổng hợp các kiểm định quan trọng trong dữ liệu bảng



Trong phân tích dữ liệu bảng, tính dừng của các biến chuỗi cần được xem xét kiểm định đầu tiên. Tiếp đến là kiểm tra các tác động riêng rẻ của mỗi đối tượng hoặc của điểm thời gian là cố định hoặc ngẫu nhiên, dồng thời cũng nên quan tâm đến tính ổn định của hệ số ước lượng theo các nhóm qua kiểm định Chow – Test. Tính nội sinh của biến cũng cần được xem xét khi chúng ta có lý do nghi ngờ tồn tại một/các biến có mối quan hệ chặt với một số biến trong mô hình. Sau khi hoàn tất các kiểm định trên thì mô hình mới được ước lượng. Kết quả ước lượng sau khi thỏa mãn các kiểm định về phương sai thay đổi, sự tự tương quan sẽ được sử dụng để phân tích, suy diễn thống kê. Bài viết này bao gồm 5 mục như sau:

• Mục 1 sẽ trình bày về kiểm định nghiệm đơn vị;
• Mục 2: kiểm tra tính ngẫu nhiên của các tác động riêng rẻ để lựa chọn FEM hay REM;
• Mục 3 sẽ kiểm tra tính ổn định của các hệ số ước lượng qua Chow test;
• Mục 4: kiểm tra biến nội sinh trong mô hình;
• Mục 5 sẽ đề cập đến vấn đề phương sai thay đổi và tự tương quan của phần dư trong mô hình.

https://vietlod.com/tong-hop-cac-kiem-dinh-trong-du-lieu-bang

Sử dụng GMM khi nào?


Có 2 vấn đề quan trọng tiềm ẩn liên quan đến thành phần sai số trong một mô hình dữ liệu bảng, đó là:

1. Sự tương quan giữa các biến giải thích với tác động riêng rẽ;
2. Sự tương quan giữa các biến giải thích với thành phần sai số nhiễu;

Sự tồn tại của 1 trong 2 (hoặc cả 2) vấn đề này làm cho kết quả ước lượng của OLS sẽ bị chệch hoặc không hiệu quả, đó chính là lí do chọn GMM làm phương pháp ước lượng thay thế.

Thật vậy, để giải quyết 2 vấn đề này, trong mô hình bảng tĩnh tuyến tính chúng ta có thể sử dụng ước lượng tác động cố định (LSDV, FD hoặc FE) để loại bỏ thành phần tác động riêng rẽ (vấn đề 1); hoặc sử dụng ước lượng tác động ngẫu nhiên để kiểm soát vấn đề 2.
https://vietlod.com/van-de-cua-fem-rem-va-li-do-chon-gmm

Cở sở chọn GMM so với ước lượng FE, RE



Mỗi dạng mô hình sẽ có những phương pháp ước lượng phù hợp. Mô hình động sẽ có phương pháp động để ước lượng và ngược lại mô hình tĩnh sẽ có phương pháp tĩnh để ước lượng. Trong trường hợp dữ liệu bảng, phương pháp động được biết đến nhiều nhất chính là GMM (IV-GMM, D-GMM, S-GMM) và phương pháp tĩnh thường được sử dụng là các phương pháp ước lượng bảng tuyến tính cổ điển (LSDV, FE/FD, RE). Việc sử dụng các phương pháp ước lượng không phù hợp cho mô hình đang xét có thể dẫn đến các vấn đề về độ tin cậy (bị chệch), tính hiệu quả của kết quả ước lượng. Sau đây là phần lý do lựa chọn S-GMM so với các phương pháp ước lượng dữ liệu bảng. Nội dung gồm 2 phần: phần đầu là cơ sở lựa chọn giữa GMM với nhóm phương pháp ước lượng bảng tĩnh tuyến tính, tiếp đến là cơ sở lựa chọn S-GMM với D-GMM.
https://vietlod.com/co-so-lua-chon-gmm-vs-ols-fem-rem

Các kiểm định cần thiết cho mô hình GMM



GMM là một phương pháp ước lượng tổng quát. Ước lượng GMM có thể giải quyết các vấn đề liên quan đến tính nội sinh của biến, vấn đề tự tương quan của phần dư, khắc phục sự tương quan giữa các tác động riêng rẻ với các biến giải thích trong mô hình bảng tĩnh tuyến tính. Tuy nhiên, trước khi lựa chọn phương pháp GMM, chúng ta cần thiết phải kiểm tra tính dừng cũng như mối quan hệ đồng kết hợp giữa biến phụ thuộc và các biến giải thích. Nếu các biến này không tồn tại bất kì mối quan hệ đồng kết hợp nào thì ước lượng GMM sẽ là phương pháp phù hợp. Tiếp đến, để đảm bảo tính hiệu quả và độ tin cậy của kết quả ước lượng thì rất cần thiết phải kiểm tra các giả thuyết liên quan như sự tự tương quan của phần dư, biến đại diện yếu, tính vững của hệ số ước lượng. Phần tổng hợp các kiểm định trong GMM sau đây bao gồm 6 kiểm định liên quan, bắt đầu từ kiểm định sự tự tương quan của phần dư, kiểm tra tính phù hợp của mô hình & biến đại diện, kiểm tra tính hợp lý của các biến đại diện sai phân, kiểm tra sự cần thiết của biến giả thời gian, kiểm tra tính vững của hệ số ước lượng và cuối cùng là kiểm tra các biến đại diện yếu.
https://vietlod.com/tong-hop-cac-kiem-dinh-trong-gmm

Kiểm định mối quan hệ đồng tích hợp trong dữ liệu bảng



Tiếp theo bài kiểm tra tính dừng của biến chuỗi thời gian trong mô hình dữ liệu bảng, cần thiết kiểm tra mối quan hệ đồng kết hợp của các biến chuỗi bởi điều này có thể dẫn đến vấn đề hồi quy mơ hồ (spurious regression) khi các biến không có mối quan hệ đồng kết hợp (cointegration). Xác định rõ mối quan hệ đồng kết hợp sẽ tiền đề quan trọng giúp chúng ta lựa chọn phương pháp ước lượng phù hợp. Phần trình bày bên dưới được biên dịch từ tài liệu (Baltagi, 2008 trang 378) phần Cointegration nhằm làm rõ hơn khái niệm đồng kết hợp.
https://vietlod.com/kiem-tra-moi-quan-he-dong-ket-hop

Mô hình đồng tích hợp trong dữ liệu bảng, MG PMG



Trong dữ liệu liên quan đến thời gian như dữ liệu thời gian hoặc dữ liệu bảng, điều cần thiết và quan trọng trước khi lựa chọn phương pháp ước lượng là phải kiểm tra tính dừng và mối quan hệ đồng kết hợp của các biến chuỗi. Đối với dữ liệu thời gian, nếu tồn tại mối quan hệ đồng kết hợp giữa các biến chuỗi thời gian thì mô hình VECM sẽ được sử dụng thay thế mô hình VAR. Trong dữ liệu bảng, các phương pháp như Pooled OLS, FE/FD, RE, GMM chỉ tin cậy trong trường hợp các biến chuỗi không có mối quan hệ đồng kết hợp. Nghĩa là các mô hình này không xét đến mối quan hệ đồng kết hợp (các tác động trong dài hạn) giữa các biến. Ngược lại, nếu tồn tại các mối quan hệ đồng kết hợp hay tồn tại các tác động dài hạn thì các phương pháp trên sẽ không còn nhất quán (tin cậy). Trong trường hợp này, phương pháp PMG do Pesaran và Smith (1995), Pesaran (1997), và Pesaran, Shin và Smith (1999) xây dựng sẽ là một phương pháp thay thế phù hợp.
https://vietlod.com/var-vs-vecm-dong-ket-hop-trong-du-lieu-bang

Kiểm định tính dừng trong dữ liệu bảng



Tính dừng của biến chuỗi luôn là một vấn đề đặc biệt quan trọng trong dữ liệu thời gian và đặc biệt là dữ liệu bảng. Bởi theo Baltagi (2008, trang 374) chúng ta KHÔNG THỂ áp dụng các tính chất liên quan đến PHÂN PHỐI CHUẨN cho các biến KHÔNG DỪNG (nonstationary variables), chẳng hạn, các trị thống kê t, F nhận được từ phương trình hồi quy của những biến KHÔNG DỪNG này sẽ không có PHÂN PHỐI CHUẨN (Durlauf và Phillips, 1988). Ngoài ra, việc không xác định rõ tính dừng của các biến chuỗi có thể dẫn đến vấn đề hồi quy mơ hồ (spurious regression) khi các biến không có mối quan hệ đồng kết hợp (cointegration). Bài viết trình bày về bước ngẫu nhiên, chuỗi dừng và kiểm định tính dừng dựa trên tài liệu của Baltagi (2008) phần Unit root (trang 373).

Theo Baltagi (2008, trang 356), một chuỗi ngẫu nhiên Yt được xem là dừng nếu như trung bình và phương sai của chuỗi không thay đổi theo thời gian và giá trị đồng phương sai giữa hai thời đoạn chỉ phụ thuộc vào khoảng cách hay độ trễ về thời gian giữa hai thời đoạn chứ không phụ thuộc vào thời điểm thực tế mà đồng phương sai được tính.
https://vietlod.com/kiem-dinh-tinh-dung-qua-nghiem-don-vi

Hướng dẫn ước lượng và đọc kết quả mô hình DSGE

Các mô hình cân bằng động ngẫu nhiên tổng quát (DSGE) được sử dụng phổ biến bởi các nhà kinh tế học vĩ mô để mô hình hóa nhiều chuỗi thời gian. Một mô hình DSGE dựa trên nhiều lý thuyết kinh tế. Một lý thuyết sẽ có phương trình cho biết các cá nhân hoặc các khu vực hành xử như thế nào và chúng tương tác ra sao trong nền kinh tế. Mô hình là một hệ thống các phương trình mà trong đó các thông số của nó có thể được liên kết đồng thời với các quyết định của các chủ thể kinh tế. Trong nhiều lý thuyết kinh tế, các cá nhân hành động dựa một phần vào các giá trị mà họ mong đợi trong tương lai, không chỉ trên các giá trị ở thời điểm hiện tại. Sức mạnh của các mô hình DSGE là chúng kết hợp những kỳ vọng này một cách rõ ràng, không giống như các mô hình khác của chuỗi thời gian.
https://vietlod.com/huong-dan-uoc-luong-va-phan-tich-mo-hinh-dsge-stata

Minh họa thực hiện ước lượng mô hình PTR trên Stata



Các mô hình ngưỡng được sử dụng rộng rãi trong kinh tế vĩ mô và phân tích tài chính để giải thích các mối quan hệ phi tuyến giữa các biến. Bên cạnh các mô hình tự hồi quy ngưỡng (Threshold AutoRegressive – TAR) của Tong (1983) sử dụng trong dữ liệu thời gian thì các mô hình hồi quy ngưỡng của Hansen (1999) hay mô hình hồi quy bảng chuyển tiếp nhẵn (PSTR) của Gonzalez và các cộng sự năm 2005 lại được sử dụng ngày càng phổ biến trong dữ dữ liệu bảng. Không giống như dữ liệu thời gian, việc ước lượng và phân tích kết quả của mô hình hồi quy ngưỡng trong dữ liệu bảng thường rất phức tạp do tính không đồng nhất của các quan sát trong tập dữ liệu. Bài viết này sẽ minh họa cách ước lượng mô hình ngưỡng PTR của Hansen (1999).

Phần trình bày bên dưới sẽ minh họa cách ước lượng mô hình PTR trên Stata thông qua câu lệnh xthreg. Câu lệnh này được tích hợp sẳn trong phiên bản Stata 14.
https://vietlod.com/minh-hoa-uoc-luong-mo-hinh-ptr-hansen-1999-tren-stata