Trong bài học trước, chúng ta đã làm quen với bộ ước lượng GMM sai phân (DGMM) của Arellano-Bond như một giải pháp mạnh mẽ cho vấn đề nội sinh trong mô hình bảng động. Bằng cách sử dụng các giá trị trễ của biến phụ thuộc làm công cụ cho phương trình đã lấy sai phân, DGMM có thể cung cấp một ước lượng nhất quán khi các phương pháp truyền thống thất bại. Tuy nhiên, phương pháp này không phải là một viên đạn bạc. Hiệu quả của nó phụ thuộc rất nhiều vào một giả định quan trọng: các biến công cụ phải đủ “mạnh”, tức là có tương quan đủ cao với các biến nội sinh mà chúng đại diện. Bài học này sẽ giải quyết câu hỏi: “Điều gì xảy ra khi các biến công cụ trở nên yếu đi?” Chúng ta sẽ khám phá một tình huống phổ biến trong tài chính, đó là khi các chuỗi dữ liệu có tính dai dẳng cao (hệ số $\gamma$ gần bằng 1), làm cho bộ ước …