Phân tích hồi quy bội: Các vấn đề nâng cao

Chào mừng các bạn đã quay trở lại với chuỗi bài học về kinh tế lượng! Sau khi đã xây dựng một nền tảng vững chắc về mô hình hồi quy bội ở các chương trước, bây giờ là lúc chúng ta cùng nhau khám phá những kỹ thuật tinh vi và mạnh mẽ hơn. Trong thực tế, các mối quan hệ kinh tế hiếm khi đơn giản và tuyến tính. Chương này sẽ trang bị cho các bạn những công cụ cần thiết để xử lý các vấn đề phức tạp hơn, giúp mô hình của bạn trở nên thực tế và đáng tin cậy hơn.

Chúng ta sẽ không chỉ dừng lại ở việc ước lượng các hệ số. Thay vào đó, chúng ta sẽ học cách “đặt câu hỏi” sâu hơn với dữ liệu: Làm thế nào để so sánh tác động của các biến có đơn vị đo lường khác nhau? Làm thế nào để mô hình hóa các mối quan hệ có hiệu ứng giảm dần hoặc tăng dần? Và làm thế nào để lựa chọn được mô hình tốt nhất trong số nhiều lựa chọn khả dĩ? Đây là những kỹ năng cốt lõi giúp phân biệt một nhà phân tích dữ liệu thực thụ. Hãy coi chuỗi bài học này như một bước tiến quan trọng trên hành trình chinh phục kinh tế lượng ứng dụng, nơi lý thuyết và thực hành giao thoa để tạo ra những phân tích sâu sắc.

Để giúp các bạn dễ hình dung, chuỗi bài học này sẽ tập trung vào ba khái niệm chính:

CẤU TRÚC CHUỖI BÀI HỌC

PHỤ LỤC: Dữ liệu mô phỏng cho series

Để giúp các bạn dễ dàng thực hành theo các ví dụ trong chuỗi bài viết, chúng ta sẽ sử dụng một bộ dữ liệu mô phỏng dựa trên bộ dữ liệu WAGE1 nổi tiếng. Bộ dữ liệu này chứa thông tin về lương và các đặc điểm khác của người lao động, rất phù hợp để minh họa các khái niệm như dạng hàm bậc hai (kinh nghiệm) và dạng log (lương).

* ==================================================
* MỤC ĐÍCH: Tạo dữ liệu mô phỏng cho chuỗi bài học Chương 6
* NGUỒN CẢM HỨNG: Bộ dữ liệu WAGE1 từ sách Wooldridge
* CÁCH SỬ DỤNG: Copy và dán toàn bộ code này vào Stata để tạo file "wage_chapter6.dta"
* ==================================================

clear
set obs 526
set seed 12345

* --- Tạo các biến độc lập ---
* Trình độ học vấn (educ), từ 8 đến 18 năm
gen educ = 8 + floor((18-8+1)*runiform())

* Kinh nghiệm làm việc (exper), từ 1 đến 51 năm
gen exper = 1 + floor((51-1+1)*runiform())

* Thâm niên (tenure), từ 0 đến 41 năm
gen tenure = floor(42*runiform())
replace tenure = 0 if runiform() < 0.1 // Giả định một số người mới vào làm

* --- Tạo biến phụ thuộc (wage) với mối quan hệ phi tuyến tính ---
* Giả định mô hình log-linear với hiệu ứng kinh nghiệm giảm dần
gen ln_wage_true = 1 + 0.08*educ + 0.03*exper - 0.0004*(exper^2) + 0.01*tenure
gen u = rnormal(0, 0.3)
gen wage = exp(ln_wage_true + u)

* --- Đặt nhãn cho các biến để dễ hiểu ---
label variable wage "Lương theo giờ (USD)"
label variable educ "Số năm đi học"
label variable exper "Số năm kinh nghiệm làm việc"
label variable tenure "Số năm làm việc tại công ty hiện tại"

* --- Lưu dữ liệu ---
compress
save wage_chapter6.dta, replace

* ==================================================
* MỤC ĐÍCH: Tạo dữ liệu mô phỏng cho chuỗi bài học Chương 6
* NGUỒN CẢM HỨNG: Bộ dữ liệu WAGE1 từ sách Wooldridge
* CÁCH SỬ DỤNG: Copy và dán toàn bộ code này vào Stata để tạo file "wage_chapter6.dta"
* ==================================================

clear
set obs 526
set seed 12345

* --- Tạo các biến độc lập ---
* Trình độ học vấn (educ), từ 8 đến 18 năm
gen educ = 8 + floor((18-8+1)*runiform())

* Kinh nghiệm làm việc (exper), từ 1 đến 51 năm
gen exper = 1 + floor((51-1+1)*runiform())

* Thâm niên (tenure), từ 0 đến 41 năm
gen tenure = floor(42*runiform())
replace tenure = 0 if runiform() < 0.1 // Giả định một số người mới vào làm

* --- Tạo biến phụ thuộc (wage) với mối quan hệ phi tuyến tính ---
* Giả định mô hình log-linear với hiệu ứng kinh nghiệm giảm dần
gen ln_wage_true = 1 + 0.08*educ + 0.03*exper - 0.0004*(exper^2) + 0.01*tenure
gen u = rnormal(0, 0.3)
gen wage = exp(ln_wage_true + u)

* --- Đặt nhãn cho các biến để dễ hiểu ---
label variable wage "Lương theo giờ (USD)"
label variable educ "Số năm đi học"
label variable exper "Số năm kinh nghiệm làm việc"
label variable tenure "Số năm làm việc tại công ty hiện tại"

* --- Lưu dữ liệu ---
compress
save wage_chapter6.dta, replace

Các bạn hãy chạy đoạn code trên trong Stata để tạo ra file dữ liệu. Chúng ta sẽ sử dụng file wage_chapter6.dta này trong suốt các bài học tiếp theo. Việc tự tạo dữ liệu cũng là một kỹ năng quan trọng, giúp bạn hiểu rõ hơn về cấu trúc dữ liệu mà mình đang phân tích.