Hướng dẫn thực hành và xử lý biến nội sinh hồi quy gmm trong stata

Bài viết hướng dẫn thực hành hồi quy GMM trong Stata, tập trung vào nhận diện và xử lý biến nội sinh trong mô hình hồi quy. Nội dung trình bày cách kiểm tra tính nội sinh, giải thích nguyên lý hồi quy hai giai đoạn (2SLS) và hướng dẫn thao tác chi tiết trên Stata để ước lượng mô hình phù hợp. Qua đó, người đọc có thể lựa chọn đúng phương pháp, khắc phục sai lệch ước lượng và nâng cao độ tin cậy của kết quả nghiên cứu định lượng.

Bài viết dưới đây trình bày về các bước xác định và xử lý biến nội sinh GMM trong phần mềm Stata

CÁC BƯỚC XÁC ĐỊNH VÀ XỬ LÝ BIẾN NỘI SINH  GMM TRONG STATA 

[Kiểm tra tính nội sinh (Hồi quy 2 giai đoạn 2SLS)]

Các bạn có thể tham khảo bài viết thực hành: https://resdata.com.vn/bai-viet/127/9-buoc-thuc-hanh-chay-lua-chon-mo-hinh-va-doc-ket-qua-hoi-quy-du-lieu-bang-ols-fem-rem-gls-cap-nhat-2023

       Thông thường các bước thực hiện đề tài có biến nội sinh là:

1. Thống kê mô tả các biến
2. Ma trận tương quan
3. Chạy hồi quy OLS, FEM, REM
4. Lựa chọn mô hình (Hausman)
5. Kiểm tra tự tương quan (xttest0/xttest3)
6. Kiểm tra phương sai sai số thay đổi (xtserial)
7. Khắc phục lỗi của mô hình (GLS/D-GMM & S-GMM)
8. Kiểm tra tính nội sinh (Hồi quy 2 giai đoạn 2SLS)
9. Xử lý biến nội sinh

       Để tiến hành xác định mô hình nghiên cứu có bị hiện tượng nội sinh hay nói cách khác là có chứa biến nội sinh hay không, ta sử dụng kiểm định Durbin Wu Hausman để kiểm tra. Các bước thực hiện như sau:

• Bước 1: Tiến hành hồi quy mô hình cần xác định biến nội sinh bằng phương pháp “ivregress 2sls” với lần lượt phép thử cho từng biến độc lập nghi ngờ trong mô hình với sai phân của chúng là biến công cụ.
• Bước 2: Kiểm tra mô hình đã hồi quy trên bằng test nội sinh trong stata.
• Bước 3: Từ kết quả p-value trả về của kiểm định Durbin Wu-Hausman, bác bỏ hoặc chấp nhận giả thuyết H₀: Biến không bị nội sinh (H₁: Biến là nội sinh). Tiến hành kết luận nếu bác bỏ giả thuyết H₀ từ đó giúp phát hiện được biến nội sinh trong mô hình.

Thực hành trên Stata

Chạy câu lệnh ivregress 2sls Y (X1=l.x1) x2, x3,…xn

Esttat endog

+ Nếu p > 0.05 kết luận đó biến đó không là  nội sinh

+ Nếu p< 0.05 kết luận đó  là biến nội sinh

Bước 4: Xử lý biến nội sinh.

Để xử lý hiện tượng nội sinh ta thường sử dụng phương pháp GMM theo García-Herrero & cộng sự (2009). Phương pháp này sử dụng độ trễ của các biến độc lập (mà các biến này có thể bị nội sinh) để làm biến công cụ trong quá trình hồi quy.

          Phương pháp ước lượng GMM của tác giả Arellano & Bond (1991) là một phương pháp được thiết kế thích hợp với mô hình dữ liệu bảng (panel data) và có đặc tính mẫu bao gồm: nhiều đối tượng và thời gian quan sát không quá dài. Phương pháp GMM giúp giải quyết vấn đề nội sinh trong mô hình nghiên cứu mà các ước lượng đơn thuần như OLS, FEM, REM hay FGLS không thể giải quyết được.

         Một số kiểm định quan trọng trong phương pháp ước lượng GMM bao gồm: tương quan chuỗi bậc 1 AR(1), tương quan chuỗi bậc 2 AR (2) và kiểm định Hansen Test để kiểm tra sự thích hợp của của các biến công cụ trong mô hình. Để thoả mãn điều kiện thì các kiểm định quan trọng trên phải thoả điều kiện như sau:

• 1. Kiểm định AR(1):

• Điều kiện: P-value > 0.05.
• Ý nghĩa: Giả thuyết không bác bỏ, nghĩa là có thể có tự tương quan bậc một trong sai số, nhưng không nghiêm trọng. Thường thì một chút tự tương quan bậc một là chấp nhận được.

• 2. Kiểm định AR(2):

• Điều kiện: P-value > 0.05.
• Ý nghĩa: Giả thuyết không bác bỏ, nghĩa là không có tự tương quan bậc hai. Nếu có tự tương quan bậc hai, điều này có thể cho thấy rằng mô hình GMM không hợp lệ và sai số không được mô hình hóa tốt.

• 3. Kiểm định Sargan:

• Điều kiện: P-value > 0.05.
• Ý nghĩa: Giả thuyết không bác bỏ cho thấy các công cụ là hợp lệ. Nếu p-value nhỏ hơn 0.05, điều này cho thấy các công cụ có thể không phù hợp.

• 4. Kiểm định Hansen:

• Điều kiện: P-value > 0.05.
• Ý nghĩa: Tương tự như kiểm định Sargan, nếu p-value lớn hơn 0.05, thì các công cụ là hợp lệ. Nếu không, bạn cần xem xét lại các biến công cụ.

           Xtanbond2 Y l.y X1-Xn, gmm (l.dotre biennoisinh1, l.dotre biennoisinh2, collapse), lag (--) iv (l.bienngoaisinh1, l.bienngoaisinh2), sm two

              *Ghi chú: lag( - -) khuyến độ trễ của dữ liệu là hằng số ngẫu nhiên  từ  0-9

Tóm lại để đánh giá việc xử lý biến nội sinh xem mô hình GMM  đã tốt hay chưa ta cần lưu ý xem xét những chỉ tiêu sau:

• Hợp lệ:
• Number of instrusment < number of group (n của cỡ mẫu ban đầu)
  • AR(1): p-value > 0.05
  • AR(2): p-value > 0.05
  • Sargan: p-value > 0.05
  • Hansen: p-value > 0.05
• Không hợp lệ: Nếu bất kỳ kiểm định nào có p-value ≤ 0.05, bạn cần xem xét lại mô hình và các công cụ sử dụng.

Trên đây là các các bước thực hành xử lý biến nội sinh trong Stata. Nếu có vướng mắc trong quá trình thực hành xử lý dữ liệu  kết quả mô hình chưa tốt các bi ếntrong mô hình không có ý nghĩa thống kê, không đúng dấu tương quan.

Các bạn vui lòng liên hệ Hotline Resdata: 0907786 895   sẽ giúp bạn vượt qua những deadiline cận kề nhất với tiêu chí: Nhanh chóng -Tận tâm - Tin Cậy- Bảo mật - Chi phí hợp lý ạ