Mô hình dữ liệu bảng động

Trong thế giới thực, các mối quan hệ kinh tế hiếm khi mang tính tĩnh tại. Các quyết định của doanh nghiệp, hành vi của người tiêu dùng, hay các chỉ số kinh tế vĩ mô đều chứa đựng yếu tố thời gian và quá trình điều chỉnh. Ví dụ, mức đầu tư của một công ty hôm nay không chỉ phụ thuộc vào lợi nhuận hiện tại mà còn chịu ảnh hưởng từ mức đầu tư của các năm trước. Để nắm bắt được những cơ chế điều chỉnh này, các nhà kinh tế lượng thường sử dụng mô hình bảng động (dynamic panel model), một công cụ mạnh mẽ và linh hoạt.

Đặc điểm nhận dạng cốt lõi của một mô hình bảng động là sự xuất hiện của biến phụ thuộc trễ (ví dụ: $y_{i,t-1}$) ở vế phải của phương trình, đóng vai trò như một biến giải thích. Việc này giúp mô hình hóa “tính ì” hay sự bền bỉ của các quá trình kinh tế. Tuy nhiên, sự tiện lợi này phải trả một cái giá đắt: nó tạo ra một vấn đề nghiêm trọng về nội sinh (endogeneity). Theo cấu trúc, biến phụ thuộc trễ luôn có tương quan với các hiệu ứng riêng không quan sát được của mỗi cá nhân ($\mu_i$), làm cho các ước lượng OLS thông thường (kể cả Hiệu ứng cố định – FE và Hiệu ứng ngẫu nhiên – RE) trở nên bị chệch và không nhất quán. Chuỗi bài viết này sẽ dẫn dắt bạn đi từ việc nhận diện vấn đề nội sinh này đến việc làm chủ các phương pháp ước lượng tiên tiến như GMM (Generalized Method of Moments) để thu được các kết quả đáng tin cậy.

Kiến thức tiên quyết

Mục tiêu học tập

Tài liệu tham khảo chính

PHỤ LỤC: Dữ liệu mô phỏng cho chuỗi bài viết

Để minh họa cho các vấn đề và phương pháp ước lượng, chúng ta sẽ tạo một bộ dữ liệu bảng động mô phỏng. Dữ liệu bao gồm 200 cá nhân (i=200) trong 10 kỳ thời gian (t=10). Biến y được tạo ra từ một quá trình tự hồi quy bậc một AR(1) với sự hiện diện của hiệu ứng cố định mu_i.

* ==================================================
* TẠO DỮ LIỆU BẢNG ĐỘNG MÔ PHỎNG
* Mục đích: Minh họa vấn đề nội sinh và ước lượng GMM
* Dữ liệu: 200 cá nhân (id), 10 năm (time)
* ==================================================

clear
set obs 2000
set seed 1234

* Tạo biến định danh cá nhân và thời gian
gen id = ceil(_n/10)
gen time = mod(_n-1, 10) + 1
xtset id time

* Tạo hiệu ứng cố định (không quan sát được)
bysort id: gen mu_i = rnormal() if _n==1
bysort id: replace mu_i = mu_i[1]

* Tạo biến giải thích ngoại sinh
gen x = rnormal()

* Tạo sai số ngẫu nhiên
gen epsilon = rnormal()

* Tạo biến phụ thuộc y theo quy trình động AR(1)
* y_it = 0.8*y_it-1 + 0.5*x_it + mu_i + epsilon_it
gen y = .
replace y = 0.5*x + mu_i + epsilon if time == 1 // Giá trị khởi đầu

forval t = 2/10 {
    replace y = 0.8*L.y + 0.5*x + mu_i + epsilon if time == `t'
}

* Lưu dữ liệu để sử dụng
compress
save "dynamic_panel_sim.dta", replace

* ==================================================
* TẠO DỮ LIỆU BẢNG ĐỘNG MÔ PHỎNG
* Mục đích: Minh họa vấn đề nội sinh và ước lượng GMM
* Dữ liệu: 200 cá nhân (id), 10 năm (time)
* ==================================================

clear
set obs 2000
set seed 1234

* Tạo biến định danh cá nhân và thời gian
gen id = ceil(_n/10)
gen time = mod(_n-1, 10) + 1
xtset id time

* Tạo hiệu ứng cố định (không quan sát được)
bysort id: gen mu_i = rnormal() if _n==1
bysort id: replace mu_i = mu_i[1]

* Tạo biến giải thích ngoại sinh
gen x = rnormal()

* Tạo sai số ngẫu nhiên
gen epsilon = rnormal()

* Tạo biến phụ thuộc y theo quy trình động AR(1)
* y_it = 0.8*y_it-1 + 0.5*x_it + mu_i + epsilon_it
gen y = .
replace y = 0.5*x + mu_i + epsilon if time == 1 // Giá trị khởi đầu

forval t = 2/10 {
    replace y = 0.8*L.y + 0.5*x + mu_i + epsilon if time == `t'
}

* Lưu dữ liệu để sử dụng
compress
save "dynamic_panel_sim.dta", replace

Mô tả biến