Giới thiệu về mô hình cấu trúc trong kinh tế học phát triển

Chào mừng các bạn sinh viên đến với một chủ đề vô cùng thú vị nằm ở giao điểm của lý thuyết kinh tế vi mô và kinh tế lượng ứng dụng. Trong học tập và nghiên cứu, chúng ta thường thấy hai lĩnh vực này được giảng dạy như hai môn học riêng biệt. Một bên là những mô hình toán học chặt chẽ về hành vi con người (lý thuyết), và một bên là các kỹ thuật phân tích dữ liệu để tìm ra các mối quan hệ (kinh tế lượng). Vậy làm thế nào để kết nối hai thế giới này? Làm sao để một mô hình lý thuyết có thể “chỉ đường” cho phân tích thực nghiệm của chúng ta? Đó chính là câu hỏi mà chuỗi bài học này sẽ cùng các bạn giải đáp.

Chúng ta sẽ khám phá một phương pháp luận mạnh mẽ được gọi là mô hình cấu trúc (structural modeling). Thay vì chỉ đơn thuần chạy hồi quy dựa trên trực giác, phương pháp này cho phép chúng ta xây dựng một phương trình ước lượng dựa trên nền tảng lý thuyết kinh tế vững chắc. Điều này không chỉ giúp chúng ta hiểu sâu hơn về ý nghĩa của các hệ số hồi quy mà còn cho phép chúng ta kiểm định trực tiếp các dự báo của lý thuyết bằng dữ liệu thực tế. Xuyên suốt chuỗi bài, chúng ta sẽ tập trung vào ba từ khóa chính: lý thuyết kinh tế vi mô (cách con người ra quyết định), chia sẻ rủi ro (một ứng dụng quan trọng trong kinh tế phát triển), và kiểm định giả thuyết (cách dùng dữ liệu để xác nhận hoặc bác bỏ lý thuyết).

Mục tiêu của chúng ta không chỉ là học thêm một kỹ thuật kinh tế lượng mới, mà là học một cách tư duy mới: cách để lý thuyết và dữ liệu “trò chuyện” với nhau. Kết thúc chuỗi bài này, các bạn sẽ có khả năng xây dựng một mô hình lý thuyết đơn giản, suy ra một phương trình có thể kiểm định, và sử dụng Stata để thực hiện phân tích, từ đó đưa ra những kết luận có ý nghĩa về mặt kinh tế.

Cấu trúc chuỗi bài học

Tại sao cần mô hình cấu trúc và nền tảng lý thuyết
Chúng ta sẽ tìm hiểu những hạn chế của việc chỉ dựa vào trực giác và bắt đầu xây dựng các giả định cho mô hình chia sẻ rủi ro.
Từ mô hình lý thuyết đến phương trình kinh tế lượng
Bài học này sẽ hướng dẫn bạn cách biến đổi các kết quả toán học từ lý thuyết thành một phương trình hồi quy có thể ước lượng được bằng Stata.
Kiểm định giả thuyết bảo hiểm toàn phần với Stata
Chúng ta sẽ áp dụng tất cả kiến thức đã học vào bộ dữ liệu thực tế, chạy mô hình, và học cách diễn giải kết quả để kiểm định lý thuyết.
Hướng dẫn thực hành tổng hợp từ A đến Z
Bài học cuối cùng sẽ tóm tắt toàn bộ quy trình, cung cấp một cái nhìn tổng thể về cách tiếp cận một bài toán nghiên cứu bằng mô hình cấu trúc.

KIẾN THỨC TIÊN QUYẾT

Kinh tế vi mô cơ bản: Hiểu về hàm lợi ích, tối đa hóa lợi ích, và các khái niệm cơ bản về rủi ro.
Giải tích: Nắm vững cách lấy đạo hàm bậc nhất để tìm điều kiện tối ưu.
Kinh tế lượng nhập môn: Hồi quy OLS, ý nghĩa của sai số ngẫu nhiên, và khái niệm về chệch do biến bị bỏ sót.
Stata cơ bản: Biết cách nhập dữ liệu, chạy lệnh regress và đọc kết quả hồi quy cơ bản.

MỤC TIÊU HỌC TẬP

Hiểu sâu lý thuyết: Nắm vững lý do tại sao mô hình cấu trúc lại hữu ích và cách xây dựng một mô hình vi mô đơn giản.
Kỹ năng suy luận: Học cách suy ra một phương trình ước lượng có thể kiểm định từ các điều kiện tối ưu của mô hình lý thuyết.
Thực hành thành thạo: Sử dụng Stata để ước lượng mô hình và thực hiện kiểm định giả thuyết dựa trên dự báo của lý thuyết.
Tư duy phản biện: Có khả năng diễn giải kết quả kinh tế lượng trong khuôn khổ của một mô hình lý thuyết cụ thể.

TÀI LIỆU THAM KHẢO

Chính: Francis, M. (2015). Empirical Development Economics. Chương 19.
Kinh điển: Mace, B. (1991). ‘Full insurance in the presence of aggregate uncertainty’, The Journal of Political Economy.
Bổ sung: Wooldridge, J.M. (2019). Introductory Econometrics: A Modern Approach. Dành cho các khái niệm kinh tế lượng nền tảng.
Thực hành Stata: Cameron, A. C., & Trivedi, P. K. (2010). Microeconometrics Using Stata.

PHỤ LỤC: Dữ liệu mô phỏng cho chuỗi bài viết

Để giúp các bạn tập trung vào các khái niệm, chúng ta sẽ sử dụng một bộ dữ liệu mô phỏng đơn giản, có cấu trúc tương tự như dữ liệu gốc từ Khảo sát Hộ gia đình Nông thôn Ethiopia (ERHS). Bộ dữ liệu này sẽ bao gồm 100 hộ gia đình trong 2 năm.

Các bạn có thể tạo ra bộ dữ liệu này bằng cách chạy đoạn code Stata dưới đây. Hãy lưu nó với tên risk_sharing_data.dta để sử dụng trong các bài học tiếp theo.

Stata

* ==================================================
* TẠO DỮ LIỆU MÔ PHỎNG CHO BÀI HỌC CHIA SẺ RỦI RO
* Mục đích: Tạo một bộ dữ liệu đơn giản để thực hành
* Số quan sát: 100 hộ gia đình (id) x 2 năm (time) = 200
* ==================================================

clear
set obs 200
set seed 12345

* --- Tạo biến định danh ---
* Tạo biến định danh cho 100 hộ gia đình
gen id = mod(_n-1, 100) + 1
* Tạo biến thời gian (năm 1 và năm 2)
bysort id: gen time = _n

* --- Tạo các thành phần của mô hình ---
* Tạo cú sốc sở thích chung cho tất cả hộ gia đình theo thời gian
gen aggregate_shock = rnormal(0, 0.5)
replace aggregate_shock = aggregate_shock[_n-100] if time == 2

* Tạo cú sốc sở thích riêng (idiosyncratic) cho mỗi hộ gia đình
gen individual_shock = rnormal(0, 1)

* Tạo thu nhập cơ bản cho mỗi hộ gia đình (hiệu ứng cố định)
bysort id: gen base_income = rnormal(10, 2) if time == 1
bysort id: replace base_income = base_income[_n-1] if time == 2

* Tạo cú sốc thu nhập riêng cho mỗi hộ gia đình theo thời gian
gen income_shock = rnormal(0, 1.5)

* --- Tạo các biến chính: Thu nhập và Tiêu dùng ---
* Tạo thu nhập (log)
gen log_income = base_income + income_shock

* Tạo tiêu dùng (log) theo mô hình (giả sử bảo hiểm không hoàn hảo)
* Tiêu dùng phụ thuộc vào:
* 1. Thu nhập chung (mô phỏng bằng cú sốc chung)
* 2. Một phần nhỏ của thu nhập cá nhân (beta2 > 0)
* 3. Cú sốc sở thích cá nhân
gen log_consumption = 0.9*base_income + 1.0*aggregate_shock + 0.15*income_shock + 0.5*individual_shock

* --- Đặt nhãn cho các biến để dễ hiểu ---
label var id "Mã hộ gia đình"
label var time "Năm khảo sát"
label var log_income "Log của thu nhập hộ gia đình"
label var log_consumption "Log của tiêu dùng hộ gia đình"

* --- Lưu dữ liệu ---
save "risk_sharing_data.dta", replace

* ==================================================
* TẠO DỮ LIỆU MÔ PHỎNG CHO BÀI HỌC CHIA SẺ RỦI RO
* Mục đích: Tạo một bộ dữ liệu đơn giản để thực hành
* Số quan sát: 100 hộ gia đình (id) x 2 năm (time) = 200
* ==================================================

clear
set obs 200
set seed 12345

* --- Tạo biến định danh ---
* Tạo biến định danh cho 100 hộ gia đình
gen id = mod(_n-1, 100) + 1
* Tạo biến thời gian (năm 1 và năm 2)
bysort id: gen time = _n

* --- Tạo các thành phần của mô hình ---
* Tạo cú sốc sở thích chung cho tất cả hộ gia đình theo thời gian
gen aggregate_shock = rnormal(0, 0.5)
replace aggregate_shock = aggregate_shock[_n-100] if time == 2

* Tạo cú sốc sở thích riêng (idiosyncratic) cho mỗi hộ gia đình
gen individual_shock = rnormal(0, 1)

* Tạo thu nhập cơ bản cho mỗi hộ gia đình (hiệu ứng cố định)
bysort id: gen base_income = rnormal(10, 2) if time == 1
bysort id: replace base_income = base_income[_n-1] if time == 2

* Tạo cú sốc thu nhập riêng cho mỗi hộ gia đình theo thời gian
gen income_shock = rnormal(0, 1.5)

* --- Tạo các biến chính: Thu nhập và Tiêu dùng ---
* Tạo thu nhập (log)
gen log_income = base_income + income_shock

* Tạo tiêu dùng (log) theo mô hình (giả sử bảo hiểm không hoàn hảo)
* Tiêu dùng phụ thuộc vào:
* 1. Thu nhập chung (mô phỏng bằng cú sốc chung)
* 2. Một phần nhỏ của thu nhập cá nhân (beta2 > 0)
* 3. Cú sốc sở thích cá nhân
gen log_consumption = 0.9*base_income + 1.0*aggregate_shock + 0.15*income_shock + 0.5*individual_shock

* --- Đặt nhãn cho các biến để dễ hiểu ---
label var id "Mã hộ gia đình"
label var time "Năm khảo sát"
label var log_income "Log của thu nhập hộ gia đình"
label var log_consumption "Log của tiêu dùng hộ gia đình"

* --- Lưu dữ liệu ---
save "risk_sharing_data.dta", replace

📚 Bài tiếp theo: Tại sao cần mô hình cấu trúc và nền tảng lý thuyết

💡 Lưu ý: Hãy đảm bảo bạn đã chạy code Stata trên để tạo bộ dữ liệu. Việc tự mình tạo ra dữ liệu sẽ giúp bạn hiểu rõ hơn cấu trúc của nó trước khi chúng ta bắt đầu phân tích.