Giới thiệu hồi quy biến công cụ
An Introduction to Instrumental Variables Regression
Tổng quan về hồi quy biến công cụ
Chào các bạn sinh viên, chào mừng đến với một trong những chủ đề hấp dẫn và quyền lực nhất trong kinh tế lượng: Hồi quy Biến Công cụ, hay còn gọi là IV Regression. Trong suốt quá trình học tập, chúng ta đã làm quen và sử dụng rất nhiều mô hình hồi quy OLS. OLS là một công cụ tuyệt vời, nhưng nó hoạt động dựa trên một giả định cực kỳ quan trọng: biến độc lập không tương quan với sai số ngẫu nhiên. Nhưng điều gì sẽ xảy ra nếu giả định này bị vi phạm? Khi đó, ước lượng OLS sẽ bị chệch và không còn đáng tin cậy để suy diễn nhân quả. Vấn đề này, được gọi là “nội sinh” (endogeneity), xuất hiện ở khắp mọi nơi trong kinh tế và khoa học xã hội, từ việc ước lượng tác động của giáo dục lên thu nhập, cho đến phân tích hiệu quả của một chính sách công.
Đây chính là lúc Hồi quy Biến Công cụ (IV) tỏa sáng. IV là một phương pháp tổng quát cho phép chúng ta thu được ước lượng vững (consistent) về các hệ số nhân quả ngay cả khi có sự hiện diện của biến nội sinh. Ý tưởng cốt lõi của IV rất thông minh: thay vì sử dụng toàn bộ biến động của biến độc lập (vốn bị “nhiễm bẩn” bởi tương quan với sai số), chúng ta tìm một biến thứ ba, gọi là “biến công cụ”. Biến công cụ này hoạt động như một “công cụ” giúp chúng ta tách riêng và chỉ sử dụng phần biến động “sạch” của biến độc lập – phần không tương quan với sai số – để ước lượng tác động nhân quả. Chuỗi bài học này sẽ dẫn dắt các bạn đi từ những khái niệm cơ bản nhất đến việc ứng dụng thành thạo phương pháp này trong Stata, mở ra một cánh cửa mới trong khả năng phân tích dữ liệu của bạn.
CẤU TRÚC CHUỖI BÀI HỌC
- Nền tảng hồi quy biến công cụHiểu rõ vấn đề nội sinh và hai điều kiện cốt lõi để một biến trở thành công cụ hợp lệ, nền tảng cho mọi phân tích sau này.
- Ước lượng bình phương tối thiểu hai giai đoạnKhám phá cơ chế hoạt động của phương pháp TSLS, phương pháp phổ biến nhất để thực hiện hồi quy IV một cách chi tiết và trực quan.
- Mô hình IV tổng quát và biến công cụ yếuMở rộng mô hình với nhiều biến và học cách chẩn đoán một trong những vấn đề phổ biến nhất của IV là biến công cụ yếu.
- Kiểm định tính ngoại sinh và tìm kiếm biến công cụHọc cách sử dụng kiểm định J để đánh giá tính hợp lệ của các công cụ và khám phá các chiến lược tìm kiếm biến công cụ trong thực tế.
- Thực hành ứng dụng IV và TSLS với StataVận dụng toàn bộ kiến thức vào một case study cụ thể trên Stata, từ phân tích, ước lượng đến diễn giải kết quả chuyên nghiệp.
- Bài Tổng hợp: Hệ thống hóa kiến thức về biến công cụCung cấp một cái nhìn toàn cảnh, kết nối IV với các phương pháp suy diễn nhân quả khác và định hướng các chủ đề nghiên cứu nâng cao.
MỤC TIÊU HỌC TẬP
Sau khi hoàn thành chuỗi bài học này, bạn sẽ có khả năng:
- Nhận diện được vấn đề nội sinh trong các mô hình hồi quy và giải thích tại sao OLS không còn đáng tin cậy.
- Hiểu và kiểm tra hai điều kiện cốt lõi của một biến công cụ hợp lệ: tương quan (relevance) và ngoại sinh (exogeneity).
- Vận dụng thành thạo phương pháp Bình phương Tối thiểu Hai giai đoạn (TSLS) trong Stata để ước lượng mô hình.
- Diễn giải và phân tích kết quả từ mô hình IV, bao gồm cả các kiểm định chẩn đoán về độ mạnh và tính hợp lệ của công cụ.
- Tự tin áp dụng hồi quy biến công cụ vào các bài tập lớn, khóa luận tốt nghiệp hoặc các dự án nghiên cứu thực tế.
TÀI LIỆU THAM KHẢO
- Stock, J. H., & Watson, M. W. (2020). Introduction to Econometrics. Pearson. (Tài liệu chính cho chuỗi bài viết này)
- Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach. Cengage Learning.
- Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.
PHỤ LỤC: Dữ liệu mô phỏng cho series
Để giúp các bạn thực hành xuyên suốt chuỗi bài học, tôi đã tạo một bộ dữ liệu mô phỏng đơn giản về mối quan hệ giữa giáo dục và thu nhập – một ví dụ kinh điển của vấn đề nội sinh. Trong đó, “năng lực” là một biến bị bỏ sót, gây ra tương quan giữa giáo dục và sai số.
Các bạn có thể tạo lại bộ dữ liệu này bằng cách chạy các lệnh Stata dưới đây:
* ==================================================
* MỤC ĐÍCH: Tạo dữ liệu mô phỏng cho chuỗi bài học IV
* SỐ QUAN SÁT: 1000 cá nhân
* VẤN ĐỀ: Ước lượng tác động của giáo dục lên thu nhập
* BIẾN NỘI SINH: educ (bị ảnh hưởng bởi ability)
* BIẾN CÔNG CỤ: near_college (khoảng cách đến trường ĐH)
* ==================================================
clear
set obs 1000
set seed 123
* Bước 1: Tạo các biến ngoại sinh
* ability: Năng lực bẩm sinh (không quan sát được), tuân theo phân phối chuẩn
gen ability = rnormal(10, 2)
* near_college: Biến giả = 1 nếu sống gần trường ĐH, 0 nếu ngược lại
gen near_college = runiform() > 0.5
* Bước 2: Tạo biến nội sinh (giáo dục)
* Số năm đi học (educ) phụ thuộc vào năng lực (ability) và việc sống gần trường (near_college)
gen educ = 4 + 0.8 * ability + 1.5 * near_college + rnormal(0, 1)
* Bước 3: Tạo biến phụ thuộc (thu nhập)
* Log của thu nhập (log_wage) phụ thuộc vào giáo dục (educ) và năng lực (ability)
* Tác động thực sự của giáo dục là 0.5
gen log_wage = 5 + 0.5 * educ + 0.3 * ability + rnormal(0, 2)
* Bước 4: Mô tả dữ liệu
describe
summarize log_wage educ ability near_college
* Lưu dữ liệu để sử dụng
save "iv_simulation_data.dta", replace
Mô tả các biến trong dữ liệu iv_simulation_data.dta:
log_wage: Logarit của thu nhập hàng tháng (biến phụ thuộc Y).educ: Số năm đi học (biến độc lập nội sinh X).ability: Năng lực bẩm sinh, không quan sát được (nguyên nhân gây ra nội sinh).near_college: Biến giả, =1 nếu sống gần trường đại học (biến công cụ Z).
Chúng ta sẽ sử dụng bộ dữ liệu này trong các bài học tiếp theo để minh họa các khái niệm và thực hành trên Stata. Chúc các bạn học tốt!
📚 Bài tiếp theo: Nền tảng Hồi quy Biến công cụ (IV)
💡 Lưu ý: Hãy đảm bảo đã nắm vững các khái niệm chính trong bài này trước khi tiếp tục.
🎯 Self-check: Bạn có thể giải thích vấn đề “nội sinh” cho một người bạn chưa học kinh tế lượng không?