Ở bài học trước, chúng ta đã xác định được rằng các phương pháp truyền thống như FE và FD đều thất bại khi ước lượng mô hình dữ liệu bảng động. Vấn đề cốt lõi là sự tương quan giữa biến giải thích đã lấy sai phân (\(\Delta y_{i,t-1}\)) và sai số đã lấy sai phân (\(\Delta u_{it}\)). Chúng ta cũng đã gợi mở một hướng giải quyết: sử dụng các độ trễ sâu hơn của biến phụ thuộc (ví dụ \(y_{i,t-2}\)) làm biến công cụ. Tuy nhiên, chỉ sử dụng một biến công cụ duy nhất có thể chưa tận dụng hết thông tin có trong dữ liệu. Trong bài học hôm nay, chúng ta sẽ nâng cấp ý tưởng này lên một tầm cao mới với phương pháp do hai nhà kinh tế lượng Manuel Arellano và Stephen Bond đề xuất vào năm 1991. Phương pháp này, thường được gọi là ước lượng GMM khác biệt (Difference GMM estimator), cho phép chúng ta sử dụng một cách có hệ thống tất cả các độ trễ hợp lệ …