Ước lượng dữ liệu bảng với biến công cụ - mô hình biến công cụ (IV)- Phần III

Ước lượng dữ liệu bảng với biến công cụ - mô hình biến công cụ (IV)- Phần III

Nguồn: Microeconomics using Stata - A. Colin Cameron, Pravin K.Trivedi

Trong phần này, chúng ta sẽ đi bàn luận về việc sử dụng các phương thức ước lượng nào trong từng trường hợp của mô hình biến công cụ cũng như các kiểm định bắt buộc phải có trong mô hình biến công cụ.

1. Các phương thức ước lượng mô hình biến công cụ

Để ước lượng mô hình với biến công cụ, người ta dùng nhiều kỹ thuật để xử lý phụ thuộc vào chính mô hình chúng ta định ước lượng, các kỹ thuật ước lượng phổ biến là:  2SLS, GMM, iGMM,.. việc xác định kỹ thuật ước lượng nào dựa vào số biến nội sinh và biến công cụ mà chúng ta có được.
Tuy vậy, khi ước lượng mô hình này cần chú ý một điểm rất quan trọng: nhiều biến công cụ không phải là điều tốt đối với mô hình ước lượng, càng nhiều biến công cụ trong mô hình sẽ ảnh hưởng càng lớn đến sự chính xác của mô hình.

1.1 Trường hợp:  Just-identified

Mô hình IVs model là mô hình phân tích chuẩn cho mô hình với biến công cụ đạt tiêu chuẩn theo yêu cầu đó là số biến công cụ bằng với số biến nội sinh (identified)

Code lệnh Stata
ivregress 2sls biến phụ thuộc các biến ngoại sinh (các biến nội sinh = các biến công cụ), option (nên sử dụng option : first)

1.2 Trường hợp under-identified

Đây là trường hợp mô hình IVs có số biến công cụ  < biến nội sinh.
Giải pháp cho trường hợp này đòi hỏi một dữ liệu lớn và phải phải tốt. ( Không khuyến khích để mô hình phải đi vào trường hợp này)

1.3.Trường hợp over-identified

Đây là trường hợp mô hình IVs có số biến công cụ > biến nội sinh.
Đây là trường hợp thường xảy ra trong các nghiên cứu và ước lượng mô hình dạng này.
Trong trường hợp phương sai là độc lập và không xảy ra hiện tượng phương sai thay đổi (homoskedastic) thì sử dụng 2sls, đặc biệt trong trường hợp mẫu nhỏ ước lượng bằng 2sls sẽ rất có hiệu quả.
Trong trường hợp phương sai độc lập nhưng xảy ra hiện tượng phương sai thay đổi (heteroskedastic) hoặc mẫu lớn nên sử dụng gmm (optimal GMM)
Code lệnh Stata
ivregress gmm biến phụ thuộc các biến ngoại sinh (các biến nội sinh = các biến công cụ), option
Trong option của gmm tùy theo từng trường hợp sử dụng các option trong đó option 
wmatrix (wmtype) sử dụng hiệu quả khi dùng GMM , wmtype bao gồm: clustvar ( biến phân nhóm), hac kernel ... ( sử dụng khi xảy ra thêm yếu tố tự tương quan - tương quan chuỗi autocorrelation - HAC ). Khi sử dụng hac kernel phải đi kèm theo bậc sai phân của tương quan chuỗi.
Khi chúng ta không sử dụng opt trong lệnh gmm thì stata sẽ tự động thực hiện robust mặc định cho hiện tượng phương sai thay đổi theo trọng số ma trận.

2. Diễn giải mô hình ước lượng 

2.1 Mô hình IVs just- identified 

. ivregress 2sls ldrugexp (hi_empunion = ssiratio) totchr age female blhisp linc, first

First-stage regressions
-----------------------

                                                  Number of obs   =      10089
                                                  F(   6,  10082) =     138.32
                                                  Prob > F        =     0.0000
                                                  R-squared       =     0.0761
                                                  Adj R-squared   =     0.0755
                                                  Root MSE        =     0.4672

------------------------------------------------------------------------------
 hi_empunion |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
      totchr |   .0127865   .0036225     3.53   0.000     .0056856    .0198874
         age |  -.0086323    .000713   -12.11   0.000      -.01003   -.0072347
      female |    -.07345   .0094932    -7.74   0.000    -.0920586   -.0548414
      blhisp |    -.06268   .0127687    -4.91   0.000    -.0877091   -.0376509
        linc |   .0483937   .0056768     8.52   0.000     .0372661    .0595212
    ssiratio |  -.1916432   .0141289   -13.56   0.000    -.2193387   -.1639477
       _cons |   1.028981   .0574094    17.92   0.000     .9164466    1.141514
------------------------------------------------------------------------------


Instrumental variables (2SLS) regression               Number of obs =   10089
                                                       Wald chi2(6)  = 1919.06
                                                       Prob > chi2   =  0.0000
                                                       R-squared     =  0.0640
                                                       Root MSE      =  1.3177

------------------------------------------------------------------------------
    ldrugexp |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
 hi_empunion |  -.8975913   .2079185    -4.32   0.000    -1.305104   -.4900786
      totchr |   .4502655   .0104189    43.22   0.000     .4298449    .4706861
         age |  -.0132176   .0028749    -4.60   0.000    -.0188523   -.0075829
      female |   -.020406   .0315408    -0.65   0.518    -.0822249    .0414129
      blhisp |  -.2174244   .0386745    -5.62   0.000    -.2932249   -.1416238
        linc |   .0870018   .0220144     3.95   0.000     .0438543    .1301493
       _cons |    6.78717   .2554343    26.57   0.000     6.286528    7.287812
------------------------------------------------------------------------------
Instrumented:  hi_empunion
Instruments:   totchr age female blhisp linc ssiratio

 

3. Các kiểm định trong mô hình biến công cụ