Luận án tác động của thể chế đến nghèo đa chiều ở việt nam

1 LỜI MỞ ĐẦU Lý chọn đề tài Ngân hàng giới (2000) tiến hành nghiên cứu để khảo sát cách hiểu nghèo khổ từ thân người nghèo tồn giới Kết nghiên cứu tập hợp lại báo cáo Tiếng nói người nghèo khẳng định: Khơng có quan điểm nghèo khổ, nhìn chung người nghèo giới thống biểu nghèo khổ là: (i) khốn vật chất; (ii) khơng có khả tiếp cận dịch vụ y tế, giáo dục; (iii) nguy bị tổn thương cao; (iv) khơng có tiếng nói, khơng có quyền lực Về chất, đói nghèo đồng nghĩa với việc bị khước từ quyền người, bị đẩy sang lề xã hội không thu nhập thấp Có nhiều nhu cầu tối thiểu khơng thể đáp ứng tiền Nhiều trường hợp không nghèo thu nhập lại khó tiếp cận dịch vụ y tế, giáo dục, thông tin Như vậy, thấy thân người nghèo cảm nhận tính chất đa chiều nghèo khổ Giảm nghèo tiến tới xố bỏ tình trạng nghèo mục tiêu cuối phát triển thịnh vượng quốc gia Nhưng kết giảm nghèo đa chiều khác nước khác nhau, điển hình kể đến quốc gia giảm nửa số nghèo khổ đa chiều MPI khoảng thời gian từ 5,5 đến 10,5 năm, gồm có Ấn Độ, Nicaragua (hai quốc gia thuộc nhóm thu nhập trung bình thấp) Armenia; Bắc Macedonia (hai quốc gia có mức thu nhập trung bình cao, WB, 2020) Mười quốc gia khác – gồm Trung Quốc Indonesia – có tốc độ giảm số MPI thấp Đặc biệt, nhóm quốc gia có mức thu nhập thấp theo xếp loại WB (2020) lại có số quốc gia có tốc độ giảm nghèo đa chiều tốt quốc gia khác, cụ thể quốc gia giảm nghèo đa chiều nhanh Sierra Leone Liberia, theo sau Guinea Rwanda (UNDP, 2020) Các kết giảm nghèo đa chiều khác quốc gia khác có nhiều nhân tố ảnh hưởng đến tình trạng nghèo đa chiều kết giảm nghèo đa chiều Có thể tổng hợp lại thành nhóm nhân tố sau: (i) nhóm nhân tố thuộc phía thân người nghèo người nghèo hỗ trợ nhiều chiều nghèo đa chiều tình trạng nghèo đa chiều giảm đi, nhóm nhân tố đề cập đến cụ thể bao gồm: tín dụng bảo hiểm (Jalan Ravallion, 1999); hiệu giáo dục (Dreze Sen, 1995); hệ thống y tế (Strauss Thomas, 1998); thông tin (Rodrik, 2002); cải tiến công nghệ (Conway, 1997; Schumacher, 1973); tình trạng việc làm, khoảng cách nơi sinh sống hộ nghèo với vùng trung tâm (Shrabanti Maity Jeroen Buysse, 2017); (ii) nhóm nhân tố từ tăng trưởng kinh tế (Dollar Kraay, 2002) lý thuyết cho tăng trưởng kinh tế tạo nguồn lực hướng đến giảm nghèo Tuy nhiên Maddison (1995) cho yếu tố đứng đằng sau tăng trưởng thể chế sách bị bỏ quên, hay Solow (2001) thừa nhận có nhiều yếu tố phi kỹ thuật không đo lường hàm sản xuất, chế (iii) nhóm nhân tố thứ ba đưa thể chế định thịnh vượng quốc gia tăng trưởng (Kaufmann cộng (2012), North (1973, 1990), Mancur Olson (1965)) Lập luận đưa là: quốc gia giàu có mà phần lớn chủ thể tham gia vào hoạt động kinh tế, tạo nhiều cải cách hiệu Điều khiến tác nhân kinh tế hành động có hiệu khuyến khích, sau cùng, thể chế yếu tố định hình khuyến khích Nhiều nghiên cứu gần tập trung vào nhóm nhân tố thứ ba này, nghiên cứu ADB (2010) đưa chứng thuyết phục để chứng minh kinh tế phát triển, tạo công nghèo khổ thấp tác động trực tiếp chất lượng thể chế Nghiên cứu Acemoglu Robinson (2013) đưa kết luận thể chế yếu tố định dẫn đến số quốc gia thịnh vượng (cho dù khơng giàu có tài ngun), bên cạnh đó, nhiều quốc gia lại thất bại, không cải thiện tình trạng nghèo nàn Các khía cạnh cụ thể thể chế gồm thể chế thức thể chế phi thức (North, 1990) nghiên cứu có tác động đến nghèo khổ Các yếu tố thuộc thể chế phi thức nhắc đến gồm: vai trò tổ chức cộng đồng (Esman Uphoff, 1984; Grindle, 2004); vốn xã hội (Hirschmann, 1984; Krishna, 2001); Các yếu tố thuộc thể chế thức kể đến gồm có: cải cách ruộng đất (Herring, 2002); khả quản lý phủ (Heckman, 2000); nối kết thị trường (Bauer, 1984); quyền sở hữu tài sản (de Soto, 2000); Kiểm soát tham nhũng (Oguzhan Burak (2008), Grindle (2004)); tham gia người nghèo (Shrabanti Maity Jeroen Buysse, 2017), cho tham gia người nghèo vào sách nhà nước (được gọi hợp tác trị đầy đủ - full political cooperation) giúp làm giảm nghèo đa chiều hộ nghèo; Tiếng nói trách nhiệm giải trình, pháp quyền, chất lượng lập pháp (Tebadi Mohan (2010), Perere Lee (2013), Cuestas Intartaglia (2016)…) Như vậy, nhiều nghiên cứu khẳng định có mối quan hệ cụ thể tác động thể chế khía cạnh thể chế đến nghèo khổ Sự quan tâm đến hai lĩnh vực, thể chế nghèo khổ, Việt Nam thể định đánh giá nghèo theo chuẩn nghèo đa chiều, đồng thời khẳng định khâu đột phá phát triển nằm cải cách thể chế Ngay từ “Chiến lược Phát triển kinh tế xã hội giai đoạn 2011-2020”, Việt Nam xác định “cải cách đổi thể chế ba mũi đột phá chiến lược nhằm xố bỏ đói nghèo hướng đến tạo dựng xã hội thịnh vượng” Hoàn thiện thể chế định hướng dài hạn trình phát triển Việt Nam đến năm 2035: “Hướng tới năm 2035, Việt Nam thịnh vượng dựa ba trụ cột là: nhà nước pháp quyền đại đổi chất lượng; kinh tế thị trường phát triển đầy đủ xã hội dân chủ phát triển trình độ cao, thượng tơn pháp luật nguyên tắc chủ đạo chi phối tương tác xã hội.” (NHTG, 2016) Mặc dù thể chế khẳng định yếu tố quan trọng phát triển kinh tế, thể chế coi bệ đỡ phát triển bền vững quốc gia, bao hàm mục tiêu giảm nghèo đa chiều (Ngô Thắng Lợi, 2015), nghiên cứu nghèo khổ Việt Nam phần lớn kết luận nhân tố kinh tế tăng trưởng kinh tế hay nhân tố phân phối thu nhập.v.v nhân tố ảnh hưởng chính, mà xét đến vai trò tác động thể chế có nhìn nhận góc độ sách Chính phủ giảm nghèo Từ trình bày trên, nghiên cứu tác động thể chế đến nghèo đa chiều Việt Nam trở nên thực cần thiết góc độ nghiên cứu lý luận thực tiễn sách Những vấn đề đặt nghiên cứu tác động nhiều, cụ thể: (i) Thể chế liệu có tạo tác động tích cực đến trình giảm nghèo đa chiều Việt Nam nội hàm nghèo đa chiều tiêu chí đánh giá khơng cố định? (ii) Tác động thể chế đến nghèo đa chiều liệu có đồng địa phương vùng khác nước (iii) Một điều ý nghĩa lớn nhiều xây dựng hệ thống sách để đáp ứng chất đa chiều nghèo Trong khung cảnh nghiên cứu Việt Nam, nghiên cứu thực mẻ lý do: (i) với chiều nhìn cịn tương đối hạn chế, tác giả nhận thấy có nghiên cứu tác động thể chế đến giảm nghèo (như đề cập cụ thể phần tổng quan); (ii) hầu hết nghiên cứu mối quan hệ Việt Nam dừng việc đo lường nghèo tiếp cận theo góc độ đơn chiều (chủ yếu thu nhập) Từ lý trên, hướng nghiên cứu luận án “Tác động thể chế đến nghèo đa chiều Việt Nam” thực cần thiết Mục tiêu nghiên cứu câu hỏi nghiên cứu luận án 2.1 Mục tiêu nghiên cứu Mục tiêu tổng quát: luận án nhằm góp phần hồn thiện sở khoa học (lý luận thực tiễn) tác động thể chế đến nghèo đa chiều Việt Nam, tìm bất cập nguyên nhân bất cập tác động thể chế đến nghèo đa chiều, từ đề xuất giải pháp giảm nghèo đa chiều từ góc nhìn thể chế Từ mục tiêu tổng quát trên, mục tiêu cụ thể luận án sau: - Về mặt lý luận: Thứ nhất, luận án hệ thống hoá lý luận tác động thể chế đến nghèo đa chiều, sở hồn thiện thêm lý luận nghiên cứu đánh giá tác động thể chế đến nghèo đa chiều Thứ hai, luận án hoàn thiện cách tiếp cận phương pháp đánh giá tác động thể chế đến nghèo đa chiều Thứ ba, hệ thống nhân tố ảnh hưởng đến tác động thể chế đến nghèo đa chiều - Về mặt thực tiễn: Thứ nhất, đánh giá thực trạng thể chế nghèo đa chiều, bên cạnh đó, đánh giá thực trạng nhân tố ảnh hưởng đến tác động thể chế đến nghèo đa chiều Việt Nam Thứ hai, đánh giá tác động thể chế đến nghèo đa chiều Việt Nam, từ phát nguyên nhân trực tiếp gây vấn đề tác động thể chế đến nghèo đa chiều Việt Nam thời gian qua Thứ ba, đề xuất quan điểm, định hướng tác động thể chế đến nghèo đa chiều Việt Nam sở giải vấn đề tồn tác động thể chế đến nghèo đa chiều thời gian qua Thứ tư, đề xuất giải pháp cần thực để thực mục tiêu giảm nghèo đa chiều Việt Nam cách tiếp cận thể chế từ xử lý nguyên nhân gây vấn đề tồn tác động thể chế đến nghèo đa chiều thời gian qua kết hợp với dự báo nhân tố bối cảnh ảnh hưởng đến tác động thể chế đến nghèo đa chiều 2.2 Câu hỏi nghiên cứu luận án Để đạt mục đích nghiên cứu, luận án tập trung trả lời số câu hỏi nghiên cứu sau đây: Tác động thể chế đến nghèo đa chiều Việt Nam nào? Với vùng khác nhau, địa phương có trình độ phát triển khác tác động thể chế đến nghèo đa chiều khác nào? Tác động khía cạnh cụ thể thể chế đến nghèo đa chiều nào? Đây câu hỏi lý luận thực tiễn mà luận án tìm câu trả lời Dựa thơng tin có để trả lời câu hỏi trên, luận án trả lời thêm câu hỏi phụ, bao gồm: (i) thực trạng thể chế nghèo đa chiều Việt Nam nào? (ii) Những khuyến nghị sách cụ thể để giảm nghèo bền vững từ cách tiếp cận thể chế Đối tượng phạm vi nghiên cứu 3.1 Đối tượng nghiên cứu Luận án tập trung vào đánh giá phân tích tác động thể chế đến nghèo đa chiều Việt Nam Với mục tiêu giảm nghèo đích đến, luận án xem xét liệu thể chế số đo lường thể chế tác động đến nghèo theo cách tiếp cận đa chiều Việt Nam 3.2 Phạm vi nghiên cứu a Phạm vi nội dung Do yếu tố thể chế nghèo hai vấn đề mang tính chất đa chiều, bên cạnh đó, nghiên cứu tác động thể chế đến nghèo đa chiều ngồi nước cịn hạn chế cịn nhiều mẻ Chính vậy, góc độ nội dung, luận án tập trung vào phạm vi nghiên cứu sau: Thứ nhất, thể chế bao gồm có hai dạng thể chế thức thể chế phi thức (theo North, 1990), nhiên, nghèo đa chiều áp dụng Việt Nam từ năm 2016, vậy, đánh giá tác động thể chế đến nghèo đa chiều nhiều mẻ, đó, luận án lựa chọn nghiên cứu thể chế khía cạnh ‘thể chế thức’, từ đưa khuyến nghị cải cách thể chế hướng đến giảm nghèo đa chiều Thứ hai, thể chế tác động đến nghèo đa chiều qua kênh (i) trực tiếp (ii) gián tiếp, qua tăng trưởng kinh tế phân phối thu nhập Tuy nhiên, luận án tập trung vào nghiên cứu tác động thể chế đến nghèo đa chiều qua “kênh trực tiếp” Thứ ba, đánh giá thể chế thức, nghiên cứu từ nước phần lớn đề cập đến khía cạnh (i) trách nhiệm giải trình; (ii) hiệu lực sách; (iii) kiểm sốt tham nhũng (iv) chất lượng máy hành Xem xét tính phù hợp khía cạnh thể chế thức với liệu đánh giá thể chế thức Việt Nam, luận án thấy tính tương đồng với khía cạnh (i) Tham gia người dân cấp sở; (ii) Công khai, minh bạch việc định; (iii) Trách nhiệm giải trình với người dân; (iv) Kiểm soát tham nhũng khu vực cơng; (v) Thủ tục hành cơng (vi) Cung ứng dịch vụ cơng, khía cạnh đề cập đến số PAPI thực qua Khảo sát Hiệu Quản trị Hành cơng cấp Tỉnh Việt Nam Do đó, luận án sử dụng số PAPI đánh giá thể chế thức Việt Nam b Phạm vi khơng gian thời gian - Phạm vi không gian: luận án nghiên cứu tác động thể chế đến nghèo đa chiều phạm vi địa phương (cấp Tỉnh) nước Lý luận án lựa chọn phạm vi cấp địa phương số PAPI đo lường thể chế (hiệu quản trị hành cơng) cấp Tỉnh Bên cạnh đó, mơ hình đánh giá tác động thể chế đến nghèo đa chiều, luận án có sử dụng biến mang đặc trưng Tỉnh - Phạm vi thời gian: luận án nghiên cứu thực trạng tác động thể chế đến nghèo đa chiều giai đoạn 2016 - 2018, chuẩn nghèo tiếp cận đa chiều Việt Nam ban hành theo định 59/2015/QĐ-TTg Thủ tướng Chính phủ ký ngày 19 tháng 11 năm 2015, áp dụng cho giai đoạn 2016 - 2020 Tuy nhiên, thực trạng thể chế Việt Nam, luận án có sử dụng liệu dài hạn phân tích đánh giá Phương pháp tiếp cận quy trình nghiên cứu 4.1 Phương pháp tiếp cận Luận án tiếp cận từ lý luận đến thực tiễn, kết hợp nghiên cứu định tính định lượng để giải vấn đề, cụ thể: + Luận án tổng quan tài liệu nước nước để xây dựng khung lý thuyết tác động thể chế đến nghèo đa chiều Trên sở phân tích thực trạng tác động thể chế đến nghèo đa chiều Việt Nam thời gian qua để rút nhận định đánh giá kết đạt được, vấn đề tồn nguyên nhân vấn đề để đề xuất giải pháp tăng cường tác động thể chế đến nghèo đa chiều nhằm hướng đến giảm nghèo đa chiều thời gian tới + Tiếp cận định tính sử dụng (i) xác định kênh truyền dẫn tác động thể chế đến nghèo đa chiều; (ii) phân tích quan điểm chuyên gia lựa chọn thước đo thể chế đánh giá tác động đến nghèo đa chiều nhân tố ảnh hưởng đến tác động thể chế đến nghèo đa chiều + Tiếp cận định lượng tập trung vào việc xây dựng mơ hình đánh giá tác động thể chế đến nghèo đa chiều Bên cạnh đó, luận án sử dụng tiếp cận định lượng xây dựng mơ hình đánh giá tác động khía cạnh thể chế xem xét tác động thể chế địa phương với trình độ phát triển khác đến nghèo đa chiều 4.2 Quy trình nghiên cứu Để đạt mục tiêu nghiên cứu trả lời câu hỏi nghiên cứu, luận án thực quy trình nghiên cứu sau: Tổng quan nghiên cứu Khoảng trống nghiên cứu Ý kiến chuyên gia Hoàn thiện sở lý luận tác động thể chế đến nghèo đa chiều: - Nội hàm thước đo thể chế nghèo đa chiều - Kênh truyền dẫn tác động thể chế đến nghèo đa chiều Nhân tố ảnh hưởng đến tác động thể chế đến nghèo đa chiều - Mơ hình đánh giá tác động thể chế đến nghèo đa chiều Số liệu thứ cấp Thu thập số liệu • Đánh giá thực trạng thể chế nghèo đa chiều Việt Nam • Phân tích nhân tố ảnh hưởng đến tác động thể chế đến nghèo đa chiều Số liệu sơ cấp Đánh giá tác động thể chế đến nghèo đa chiều: • Phân tích định tính • Phân tích định lượng Đề xuất quan điểm, định hướng giải pháp tăng cường tác động thể chế đến nghèo đa chiều Nguồn: NCS Bước 1: Tổng quan nghiên cứu để tìm khoảng trống nghiên cứu Bước 2: Trên sở tổng quan tài liệu tham vấn ý kiến chuyên gia, luận án hoàn thiện sở lý luận tác động thể chế đến nghèo đa chiều Bước 3: Thu thập thông tin để đánh giá thực trạng thể chế, thực trạng nghèo đa chiều thực trạng tác động thể chế đến nghèo đa chiều Dữ liệu mà luận án sử dụng thu thập từ nguồn liệu thứ cấp nguồn liệu thơ (sơ cấp) Bước 4: Phân tích thực trạng thể chế, thực trạng nghèo đa chiều thực trạng tác động thể chế đến nghèo đa chiều Trên sở đó, rút điểm đạt được, vấn đề tồn tác động thể chế đến nghèo đa chiều Việt Nam Bước 5: Đề xuất quan điểm, định hướng giải pháp tăng cường tác động thể chế đến nghèo đa chiều Việt Nam Những đóng góp luận án Luận án có đóng góp sau: Những đóng góp mặt học thuật, lý luận: Thứ nhất, luận án nghiên cứu tác động thể chế đến nghèo đa chiều, cách tiếp cận nghèo mang tính tổng hợp khác biệt với nghiên cứu nghèo đơn chiều nghiên cứu trước Nghiên cứu phù hợp quan điểm nghèo quốc tế luận án có hội hồn thiện lý luận có đề xuất phù hợp với chiến lược giảm nghèo đa chiều Việt Nam đặt giai đoạn 2021-2030 Thứ hai, với ý nghĩa thành vận hành thể chế, số PAPI sử dụng để đánh giá tác động thể chế đến nghèo đa chiều, có khác biệt với nghiên cứu trước, thường phân tích tác động yêu tố cấu thành thể chế (người chơi, cách chơi, luật chơi v.v ) đến giảm nghèo Cách tiếp cận giúp cho luận án đánh giá tác động tổng thể thể chế đến nghèo đa chiều Thứ ba, mơ phân tích định lượng với biến đại diện thể chế số thành phần PAPI đánh giá tác động thể chế đến nghèo đa chiều cách cụ thể sâu sắc Những đóng góp đề xuất thực tiễn: Thứ tư, luận án có số kết nghiên cứu thực nghiệm phát hiện, bao gồm: (i) Tác động thể chế đến nghèo đa chiều khác địa phương; (ii) Thể chế có tác động “ngược” đến giảm nghèo đa chiều khu vực thành thị địa phương có mức thu nhập cao; (iii) Các khía cạnh thể chế, bao gồm minh bạch trách nhiệm giải trình có tác động “ngược” đến giảm nghèo đa chiều Thứ năm, dựa phát thực nghiệm, luận án đề xuất giải pháp liên quan tới việc hoàn thiện thể chế nhằm giảm nghèo đa chiều: (i) Đẩy mạnh cải cách thể cách toàn diện gắn với mục tiêu giảm nghèo bền vững, có trọng đến tính đặc thù địa phương; (ii) Hồn thiện sách liên quan đến giảm nghèo đa chiều, không nên tập trung vào vùng “lõi nghèo” (đó vùng nghèo khu vực nông thôn), mà cần xét tới sách giảm nghèo đa chiều địa phương khơng thuộc diện khó khăn khu vực thị, nơi cần có thể chế đặc biệt Kết cấu luận án Ngoài lời mở đầu, kết luận, danh mục bảng biểu danh mục tài liệu tham khảo, luận án trình bày thành chương với kết cấu sau: Chương 1: Tổng quan nghiên cứu Chương 2: Cơ sở lý luận tác động thể chế đến nghèo đa chiều Chương 3: Mơ hình phương pháp nghiên cứu Chương 4: Thực trạng tác động thể chế đến nghèo đa chiều Việt Nam Chương 5: Giải pháp tăng cường tác động thể chế đến nghèo đa chiều Việt Nam 10 CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU 1.1 Các nghiên cứu nghèo đa chiều 1.1.1 Nghiên cứu nước Ngay từ cuối năm 1980, quan niệm nghèo hiểu cách đơn giản góc độ nghèo tuyệt đối, “khơng đủ tiền để chi tiêu cho nhu cầu bản” Bổ sung vào quan niệm trên, NHTG (1995) kết luận “nghèo tình trạng cá nhân khơng có đủ tiền để mua lương thực thực phẩm để trì sống mình, học, để chữa bệnh ốm đau, kèm theo tình trạng khơng có việc làm dài hạn ngắn hạn” Bên cạnh đó, NHTG (1995) khơng đề cập đến thước đo đói nghèo (chủ yếu tiếp cận góc độ thu nhập) mà cịn nguyên nhân đói nghèo, nguyên chủ yếu hạn chế việc tiếp cận với nguồn lực để sản xuất kinh doanh Trong giai đoạn đầu định nghĩa xây dựng giải pháp cơng đói nghèo, hầu hết tiếp cận theo phương pháp đơn chiều, chủ yếu tiếp cận từ thu nhập Tuy nhiên, UNDP (1997) đề cập đến khái niệm nghèo khổ dựa sở quan điểm phát triển người, gọi “nghèo khổ tổng hợp” hay “nghèo khổ người” Khác với tiếp cận nghèo thu nhập, nghèo khổ người liên quan đến việc loại bỏ “cơ hội” “sự lựa chọn” người để đảm bảo sống sống chấp nhận Từ thước đo “Chỉ số Nghèo khổ Con người (HPI)” công bố báo cáo UNDP Chỉ số HPI chủ yếu phản ánh thiếu hụt ba khía cạnh giáo dục, sức khỏe mức sống Tuy nhiên, báo hợp phần HPI, không thấy diện báo lĩnh vực kinh tế Bởi vậy, HPI thước đo để đo lường nghèo khổ đa chiều Năm 2000, NHTG cơng bố nghiên cứu khác đói nghèo phạm vi tồn cầu, theo NHTG (2000) khẳng định chất đói nghèo đa chiều (như đề cập trên) Thừa kế phát triển quan niệm trên, thước đo đói nghèo thay đổi theo hướng tiếp cận đơn chiều từ thu nhập sang tiếp cận đa chiều Sabina Alkire James Foster (2007 2011a), tập trung vào diễn giải phương pháp đo lường nghèo theo cách tiếp cận đa chiều Tiếp đó, Alkire Foster (2011b) điểm cần lưu ý liên quan đến liệu phân tích khía cạnh tiếp cận đo lường Được đánh giá cao nên phương pháp Alkire Foster 205 tt_share | 2449681 1653907 1.48 0.139 -.0791918 569128 thanhthi | -.3940448 0421199 -9.36 0.000 -.4765982 -.3114913 | tn | | -7.245468 3.037708 -2.39 0.017 -13.19927 -1.291669 | -11.72561 3.525401 -3.33 0.001 -18.63527 -4.815953 | -20.93037 4.021717 -5.20 0.000 -28.81279 -13.04795 | -17.46597 5.002231 -3.49 0.000 -27.27017 -7.661782 | loglpapi | -3.103399 6586354 -4.71 0.000 -4.394301 -1.812497 | tn#c.loglpapi | | 1.902218 8472472 2.25 0.025 2416436 3.562792 | 3.09261 9828607 3.15 0.002 1.166238 5.018981 | 5.683709 1.124431 5.05 0.000 3.479865 7.887552 | 4.623559 1.381386 3.35 0.001 1.916092 7.331025 | year | 2018 | -.1208558 0316121 -3.82 0.000 -.1828143 -.0588973 | _cons | 14.45571 2.316709 6.24 0.000 9.915047 18.99638 - margins, dydx(*) Average marginal effects Number of obs = 18,730 Model VCE : OIM Expression : Pr(mp), predict() dy/dx w.r.t : tsnguoi gender Headage2 Headage3 treem bcapmax region1 region2 region3 region4 region5 LogTNBQ tt_share thanhthi 2.tn 3.tn 4.tn 5.tn loglpapi 2018.year -| Delta-method | dy/dx Std Err z P>|z| [95% Conf Interval] -+ -tsnguoi | 008481 001378 6.15 0.000 0057802 0111819 gender | -.0204187 0047821 -4.27 0.000 -.0297915 -.0110459 Headage2 | -.0830245 0089885 -9.24 0.000 -.1006418 -.0654073 Headage3 | -.0501644 009567 -5.24 0.000 -.0689153 -.0314136 treem | 0132232 0033572 3.94 0.000 0066432 0198031 bcapmax | -.075484 0062691 -12.04 0.000 -.0877711 -.0631968 region1 | -.0455181 0091665 -4.97 0.000 -.063484 -.0275521 region2 | 0029117 0085275 0.34 0.733 -.0138019 0196253 region3 | 0066798 0063923 1.04 0.296 -.0058489 0192084 region4 | 036305 0086485 4.20 0.000 0193543 0532557 region5 | -.0693529 0127919 -5.42 0.000 -.0944246 -.0442813 LogTNBQ | -.062006 0117213 -5.29 0.000 -.0849792 -.0390327 tt_share | 0326369 0220382 1.48 0.139 -.0105571 0758309 thanhthi | -.0524982 0056156 -9.35 0.000 -.0635046 -.0414918 | tn | | -.0773903 013658 -5.67 0.000 -.1041595 -.0506211 | -.1046756 0140491 -7.45 0.000 -.1322114 -.0771399 | -.0938252 0165225 -5.68 0.000 -.1262086 -.0614417 | -.1280993 0177641 -7.21 0.000 -.1629163 -.0932824 | loglpapi | -.1087654 0456699 -2.38 0.017 -.1982767 -.0192542 | year | 2018 | -.0160755 0041945 -3.83 0.000 -.0242965 -.0078545 -Note: dy/dx for factor levels is the discrete change from the base level Một số kiểm định mơ hình estat ic Akaike's information criterion and Bayesian information criterion Model | Obs ll(null) ll(model) df AIC BIC -+ | 18,730 -5872.838 -4551.277 25 9152.554 9348.501 Note: N=Obs used in calculating BIC; see [R] BIC note estat classification Probit model for mp True -Classified | D ~D | Total -+ + + | 220 89 | 309 | 1556 16865 | 18421 206 -+ + Total | 1776 16954 | 18730 Classified + if predicted Pr(D) >= True D defined as mp != -Sensitivity Pr( +| D) 12.39% Specificity Pr( -|~D) 99.48% Positive predictive value Pr( D| +) 71.20% Negative predictive value Pr(~D| -) 91.55% -False + rate for true ~D Pr( +|~D) 0.52% False - rate for true D Pr( -| D) 87.61% False + rate for classified + Pr(~D| +) 28.80% False - rate for classified Pr( D| -) 8.45% -Correctly classified 91.22% linktest Iteration 0: log Iteration 1: log Iteration 2: log Iteration 3: log Iteration 4: log Iteration 5: log Probit regression likelihood likelihood likelihood likelihood likelihood likelihood = = = = = = -5872.8385 -4606.6458 -4546.5342 -4539.4636 -4539.2291 -4539.2291 Number of obs = 18,730 LR chi2(2) = 2667.22 Prob > chi2 = 0.0000 Log likelihood = -4539.2291 Pseudo R2 = 0.2271 -mp | Coef Std Err z P>|z| [95% Conf Interval] -+ -_hat | 1.25592 0537518 23.37 0.000 1.150568 1.361272 _hatsq | 1126973 0200955 5.61 0.000 0733109 1520836 _cons | 1001376 0359034 2.79 0.005 0297681 170507 Mơ hình 7: tác động khía cạnh thể chế đến nghèo đa chiều Mơ hình Probit đa tầng meprobit mp tsnguoi gender Headage2 Headage3 treem bcapmax region1-region5 LogTNBQ tt_share thanhthi lpapi1-lpapi6 i.year if year!=2014||huyen: Fitting fixed-effects model: Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Iteration 4: log likelihood = Iteration 5: log likelihood = Refining starting values: Grid node 0: log likelihood = Fitting full model: Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Iteration 4: log likelihood = Iteration 5: log likelihood = Mixed-effects probit regression Group variable: huyen -5144.9063 -4634.8877 -4591.8802 -4589.3296 -4589.3185 -4589.3185 -4434.2707 -4434.2707 -4360.4691 -4331.3726 -4330.002 -4329.9914 -4329.9914 (not concave) Number of obs = 18,730 Number of groups = 704 Obs per group: = avg = 26.6 max = 114 Integration method: mvaghermite Integration pts = Wald chi2(21) = 762.06 Log likelihood = -4329.9914 Prob > chi2 = 0.0000 -mp | Coef Std Err z P>|z| [95% Conf Interval] -+ -tsnguoi | 0484743 0116376 4.17 0.000 025665 0712836 gender | -.2018276 0395915 -5.10 0.000 -.2794256 -.1242297 Headage2 | -.5235109 0765253 -6.84 0.000 -.6734977 -.373524 Headage3 | -.2361015 0815579 -2.89 0.004 -.3959521 -.076251 treem | 1149361 027925 4.12 0.000 0602041 1696681 bcapmax | -.6031384 0509949 -11.83 0.000 -.7030866 -.5031902 207 region1 region2 region3 region4 region5 LogTNBQ tt_share thanhthi lpapi1 lpapi2 lpapi3 lpapi4 lpapi5 lpapi6 | -.4398586 1309961 -3.36 0.001 -.6966062 -.183111 | 5245471 1165002 4.50 0.000 2962108 7528833 | 1910293 0996176 1.92 0.055 -.0042177 3862763 | 555942 14269 3.90 0.000 2762747 8356094 | -.8960285 1734102 -5.17 0.000 -1.235906 -.5561508 | -.4601346 0967708 -4.75 0.000 -.6498019 -.2704673 | -.5328081 2669476 -2.00 0.046 -1.056016 -.0096004 | -.2700166 050948 -5.30 0.000 -.3698728 -.1701603 | -.6659111 3943064 -1.69 0.091 -1.438737 1069152 | 758269 4114939 1.84 0.065 -.0482442 1.564782 | 6030146 2892599 2.08 0.037 0360756 1.169954 | -.2899056 3555193 -0.82 0.415 -.9867105 4068994 | -.9835126 6686964 -1.47 0.041 -2.294133 3271082 | -1.739105 6432019 -2.70 0.007 -2.999757 -.4784521 | year | 2018 | 0492682 0756827 0.65 0.515 -.0990671 1976036 | _cons | 7.214432 1.570616 4.59 0.000 4.136081 10.29278 -+ -huyen | var(_cons)| 3787037 0406544 306847 4673876 -LR test vs probit model: chibar2(01) = 518.65 Prob >= chibar2 = 0.0000 estat ic Akaike's information criterion and Bayesian information criterion Model | Obs ll(null) ll(model) df AIC BIC -+ | 18,730 -4329.991 23 8705.983 8886.254 Note: N=Obs used in calculating BIC; see [R] BIC note estat icc Residual intraclass correlation -Level | ICC Std Err [95% Conf Interval] -+ -huyen | 274681 0213878 2347995 3185168 margins, dydx(*) Average marginal effects Model VCE : OIM Number of obs = 18,730 Expression : Marginal predicted mean, predict() dy/dx w.r.t : tsnguoi gender Headage2 Headage3 treem bcapmax region1 region2 region3 region4 region5 LogTNBQ tt_share thanhthi lpapi1 lpapi2 lpapi3 lpapi4 lpapi5 lpapi6 2018.year -| Delta-method | dy/dx Std Err z P>|z| [95% Conf Interval] -+ -tsnguoi | 0060675 0014626 4.15 0.000 0032009 008934 gender | -.0252625 0049791 -5.07 0.000 -.0350212 -.0155037 Headage2 | -.0655271 0096705 -6.78 0.000 -.084481 -.0465732 Headage3 | -.0295525 0102282 -2.89 0.004 -.0495993 -.0095057 treem | 0143864 0035045 4.11 0.000 0075176 0212552 bcapmax | -.075494 0065572 -11.51 0.000 -.0883459 -.062642 region1 | -.0550565 0164916 -3.34 0.001 -.0873794 -.0227335 region2 | 0656568 0145591 4.51 0.000 0371215 094192 region3 | 0239109 0124656 1.92 0.055 -.0005212 048343 region4 | 0695865 0178466 3.90 0.000 0346078 1045651 region5 | -.1121546 022008 -5.10 0.000 -.1552895 -.0690197 LogTNBQ | -.0575944 0121477 -4.74 0.000 -.0814034 -.0337853 tt_share | -.0666908 0335088 -1.99 0.047 -.1323668 -.0010148 thanhthi | -.0337976 0064281 -5.26 0.000 -.0463965 -.0211987 lpapi1 | -.0833511 0493953 -1.69 0.092 -.1801641 0134618 lpapi2 | 0949114 0515308 1.84 0.065 -.0060872 19591 lpapi3 | 0754785 0362453 2.08 0.037 0044391 1465179 lpapi4 | -.0362871 0445038 -0.82 0.415 -.1235129 0509387 lpapi5 | -.1231048 0837391 -1.47 0.042 -.2872304 0410207 lpapi6 | -.2176812 080588 -2.70 0.007 -.3756308 -.0597316 | year | 2018 | 0061713 009489 0.65 0.515 -.0124267 0247694 208 -Note: dy/dx for factor levels is the discrete change from the base level margins, at((p10) lpapi1) at((p90) lpapi1) Predictive margins Number of obs = 18,730 Model VCE : OIM Expression : Marginal predicted mean, predict() 1._at : lpapi1 = 1.478123 (p10) 2._at : lpapi1 = 1.765047 (p90) -| Delta-method | Margin Std Err z P>|z| [95% Conf Interval] -+ -_at | | 1136973 0090766 12.53 0.000 0959074 1314872 | 0895968 0075276 11.90 0.000 0748429 1043506 margins, at((p10) lpapi2) at((p90) lpapi2) Predictive margins Number of obs = 18,730 Model VCE : OIM Expression : Marginal predicted mean, predict() 1._at : lpapi2 = 1.603753 (p10) 2._at : lpapi2 = 1.813913 (p90) -| Delta-method | Margin Std Err z P>|z| [95% Conf Interval] -+ -_at | | 0914438 006262 14.60 0.000 0791704 1037172 | 1113752 0072954 15.27 0.000 0970765 125674 margins, at((p10) lpapi3) at((p90) lpapi3) Predictive margins Number of obs = 18,730 Model VCE : OIM Expression : Marginal predicted mean, predict() 1._at : lpapi3 = 1.537757 (p10) 2._at : lpapi3 = 1.800574 (p90) -| Delta-method | Margin Std Err z P>|z| [95% Conf Interval] -+ -_at | | 0911602 0058969 15.46 0.000 0796025 1027179 | 1109674 0066454 16.70 0.000 0979427 1239921 margins, at((p10) lpapi4) at((p90) lpapi4) Predictive margins Number of obs = 18,730 Model VCE : OIM Expression : Marginal predicted mean, predict() 1._at : lpapi4 = 1.637109 (p10) 2._at : lpapi4 = 1.924204 (p90) -| Delta-method | Margin Std Err z P>|z| [95% Conf Interval] -+ -_at | | 1064917 0083783 12.71 0.000 0900706 1229127 | 0960104 0069773 13.76 0.000 0823352 1096856 margins, at((p10) lpapi5) at((p90) lpapi5) Predictive margins Number of obs = 18,730 Model VCE : OIM Expression : Marginal predicted mean, predict() 1._at : lpapi5 = 1.878078 (p10) 2._at : lpapi5 = 2.002023 (p90) -| Delta-method | Margin Std Err z P>|z| [95% Conf Interval] -+ -_at | | 1084774 006778 16.00 0.000 0951927 1217621 | 0931727 0065184 14.29 0.000 080397 1059485 margins, at((p10) lpapi6) at((p90) lpapi6) 209 Predictive margins Number of obs = 18,730 Model VCE : OIM Expression : Marginal predicted mean, predict() 1._at : lpapi6 = 1.897142 (p10) 2._at : lpapi6 = 2.014868 (p90) -| Delta-method | Margin Std Err z P>|z| [95% Conf Interval] -+ -_at | | 1104897 0057703 19.15 0.000 09918 1217993 | 0851895 0066116 12.88 0.000 0722309 098148 Mơ hình Probit truyền thống probit mp tsnguoi gender Headage2 Headage3 treem bcapmax region1-region5 LogTNBQ tt_share thanhthi lpapi1-lpapi6 i.year if year!=2014 Iteration 0: log Iteration 1: log Iteration 2: log Iteration 3: log Iteration 4: log Iteration 5: log Probit regression likelihood likelihood likelihood likelihood likelihood likelihood = = = = = = -5872.8385 -4738.0045 -4601.8942 -4589.6165 -4589.3185 -4589.3185 Number of obs = 18,730 LR chi2(21) = 2567.04 Prob > chi2 = 0.0000 Log likelihood = -4589.3185 Pseudo R2 = 0.2186 -mp | Coef Std Err z P>|z| [95% Conf Interval] -+ -tsnguoi | 0680268 0102992 6.61 0.000 0478407 0882129 gender | -.1516925 0357836 -4.24 0.000 -.2218269 -.081558 Headage2 | -.6328254 0674902 -9.38 0.000 -.7651037 -.5005471 Headage3 | -.3845199 0716053 -5.37 0.000 -.5248636 -.2441762 treem | 0895777 0250833 3.57 0.000 0404154 13874 bcapmax | -.561564 0465742 -12.06 0.000 -.6528478 -.4702802 region1 | -.2203143 0729335 -3.02 0.003 -.3632615 -.0773672 region2 | 2916329 0615111 4.74 0.000 1710734 4121925 region3 | 0811385 0521412 1.56 0.120 -.0210565 1833334 region4 | 4020996 0757252 5.31 0.000 253681 5505182 region5 | -.5980048 1003842 -5.96 0.000 -.7947542 -.4012554 LogTNBQ | -.8547295 0652586 -13.10 0.000 -.9826339 -.726825 tt_share | 0074769 1537281 0.05 0.961 -.2938246 3087784 thanhthi | -.3911889 0418866 -9.34 0.000 -.4732851 -.3090926 lpapi1 | -1.017704 2451896 -4.15 0.000 -1.498267 -.537141 lpapi2 | 1.00371 2822039 3.56 0.000 4506006 1.55682 lpapi3 | 5687893 2096606 2.71 0.007 157862 9797165 lpapi4 | -.0631981 2420762 -0.26 0.794 -.5376587 4112625 lpapi5 | -1.831248 4600995 -3.98 0.000 -2.733026 -.9294693 lpapi6 | -1.379689 3985286 -3.46 0.001 -2.160791 -.5985873 | year | 2018 | 1784491 0519475 3.44 0.001 0766339 2802643 | _cons | 11.10152 9681585 11.47 0.000 9.203964 12.99908 margins, dydx(*) Average marginal effects Number of obs = 18,730 Model VCE : OIM Expression : Pr(mp), predict() dy/dx w.r.t : tsnguoi gender Headage2 Headage3 treem bcapmax region1 region2 region3 region4 region5 LogTNBQ tt_share thanhthi lpapi1 lpapi2 lpapi3 lpapi4 lpapi5 lpapi6 2018.year -| Delta-method | dy/dx Std Err z P>|z| [95% Conf Interval] -+ -tsnguoi | 0091613 0013866 6.61 0.000 0064437 0118789 gender | -.0204286 0048175 -4.24 0.000 -.0298707 -.0109866 Headage2 | -.0852234 009035 -9.43 0.000 -.1029317 -.0675152 Headage3 | -.0517838 0096195 -5.38 0.000 -.0706377 -.0329299 treem | 0120635 0033767 3.57 0.000 0054453 0186818 bcapmax | -.0756266 0062867 -12.03 0.000 -.0879483 -.0633048 region1 | -.02967 009829 -3.02 0.003 -.0489344 -.0104056 region2 | 0392746 0082725 4.75 0.000 0230608 0554884 region3 | 010927 0070213 1.56 0.120 -.0028345 0246885 210 region4 region5 LogTNBQ tt_share thanhthi lpapi1 lpapi2 lpapi3 lpapi4 lpapi5 lpapi6 | 0541513 0101905 5.31 0.000 0341784 0741242 | -.0805341 0135382 -5.95 0.000 -.1070685 -.0539997 | -.1151075 0087557 -13.15 0.000 -.1322683 -.0979467 | 0010069 0207027 0.05 0.961 -.0395696 0415835 | -.0526819 0056436 -9.33 0.000 -.0637432 -.0416206 | -.1370555 0329946 -4.15 0.000 -.2017238 -.0723872 | 135171 0379968 3.56 0.000 0606985 2096434 | 0765996 0282312 2.71 0.007 0212675 1319317 | -.008511 032601 -0.26 0.794 -.0724077 0553857 | -.2466165 0619581 -3.98 0.000 -.3680522 -.1251808 | -.1858045 0536616 -3.46 0.001 -.2909792 -.0806298 | year | 2018 | 0241588 0070722 3.42 0.001 0102975 0380201 -Note: dy/dx for factor levels is the discrete change from the base level Một số kiểm định mơ hình collin mp tsnguoi gender Headage2 Headage3 treem bcapmax region1-region5 LogTNBQ tt_share thanhthi lpapi1-lpapi6 year if year!=2014 (obs=18,730) Collinearity Diagnostics SQRT RVariable VIF VIF Tolerance Squared -mp 1.15 1.07 0.8683 0.1317 tsnguoi 1.44 1.20 0.6940 0.3060 gender 1.10 1.05 0.9059 0.0941 Headage2 7.29 2.70 0.1372 0.8628 Headage3 7.32 2.71 0.1366 0.8634 treem 1.39 1.18 0.7187 0.2813 bcapmax 1.13 1.06 0.8884 0.1116 region1 3.47 1.86 0.2885 0.7115 region2 2.81 1.68 0.3558 0.6442 region3 2.19 1.48 0.4556 0.5444 region4 1.99 1.41 0.5036 0.4964 region5 2.13 1.46 0.4692 0.5308 LogTNBQ 2.76 1.66 0.3620 0.6380 tt_share 2.35 1.53 0.4248 0.5752 thanhthi 1.31 1.14 0.7659 0.2341 lpapi1 3.68 1.92 0.2718 0.7282 lpapi2 2.60 1.61 0.3851 0.6149 lpapi3 2.31 1.52 0.4333 0.5667 lpapi4 2.60 1.61 0.3842 0.6158 lpapi5 2.20 1.48 0.4547 0.5453 lpapi6 1.44 1.20 0.6966 0.3034 year 3.14 1.77 0.3180 0.6820 -Mean VIF 2.63 estat ic Akaike's information criterion and Bayesian information criterion Model | Obs ll(null) ll(model) df AIC BIC -+ | 18,730 -5872.838 -4589.319 22 9222.637 9395.07 Note: N=Obs used in calculating BIC; see [R] BIC note estat classification Probit model for mp True -Classified | D ~D | Total -+ + + | 196 77 | 273 | 1580 16877 | 18457 -+ + Total | 1776 16954 | 18730 Classified + if predicted Pr(D) >= True D defined as mp != -Sensitivity Pr( +| D) 11.04% Specificity Pr( -|~D) 99.55% Positive predictive value Pr( D| +) 71.79% Negative predictive value Pr(~D| -) 91.44% 211 -False + rate for true ~D Pr( +|~D) 0.45% False - rate for true D Pr( -| D) 88.96% False + rate for classified + Pr(~D| +) 28.21% False - rate for classified Pr( D| -) 8.56% -Correctly classified 91.15% linktest Iteration 0: log Iteration 1: log Iteration 2: log Iteration 3: log Iteration 4: log Iteration 5: log Probit regression likelihood likelihood likelihood likelihood likelihood likelihood = = = = = = -5872.8385 -4629.2282 -4573.1534 -4568.4368 -4568.3709 -4568.3709 Number of obs LR chi2(2) Prob > chi2 Pseudo R2 Log likelihood = -4568.3709 = = = = 18,730 2608.94 0.0000 0.2221 -mp | Coef Std Err z P>|z| [95% Conf Interval] -+ -_hat | 1.334092 0518511 25.73 0.000 1.232466 1.435718 _hatsq | 1408948 0177386 7.94 0.000 1061278 1756618 _cons | 1427866 0369643 3.86 0.000 0703379 2152353 Mơ hình Mơ hình Probit đa tầng meprobit mp tsnguoi gender Headage2 Headage3 treem bcapmax region1-region5 LogTNBQ tt_share thanhthi##c.lpapi1 thanhthi##c.lpapi2 thanhthi##c.lpapi3 thanhthi##c.lpapi4 thanhthi##c.lpapi5 thanhthi##c.lpapi6 i.year if year!=2014||huyen: Fitting fixed-effects model: Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Iteration 4: log likelihood = Iteration 5: log likelihood = Refining starting values: Grid node 0: log likelihood = Fitting full model: Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Iteration 4: log likelihood = Iteration 5: log likelihood = Mixed-effects probit regression Group variable: huyen -5118.9391 -4616.6014 -4566.0559 -4563.0238 -4563.0088 -4563.0088 -4409.5683 -4409.5683 -4336.208 -4306.9672 -4305.6558 -4305.6466 -4305.6466 (not concave) Number of obs = 18,730 Number of groups = 704 Obs per group: = avg = 26.6 max = 114 Integration method: mvaghermite Integration pts = Wald chi2(27) = 781.33 Log likelihood = -4305.6466 Prob > chi2 = 0.0000 mp | Coef Std Err z P>|z| [95% Conf Interval] + -tsnguoi | 0460464 0116941 3.94 0.000 0231264 0689665 gender | -.1987337 039738 -5.00 0.000 -.2766188 -.1208486 Headage2 | -.5029426 0769337 -6.54 0.000 -.6537299 -.3521553 Headage3 | -.2105726 0820333 -2.57 0.010 -.371355 -.0497902 treem | 117315 0280248 4.19 0.000 0623875 1722426 bcapmax | -.5962481 0514405 -11.59 0.000 -.6970696 -.4954266 region1 | -.4141335 1313084 -3.15 0.002 -.6714933 -.1567737 region2 | 5346287 1167568 4.58 0.000 3057896 7634678 region3 | 1993637 0997303 2.00 0.046 0038959 3948314 region4 | 5733244 1430937 4.01 0.000 292866 8537828 region5 | -.8215692 1748397 -4.70 0.000 -1.164249 -.4788897 LogTNBQ | -.4594921 0969592 -4.74 0.000 -.6495287 -.2694555 tt_share | -.5579811 2700316 -2.07 0.039 -1.087233 -.0287288 1.thanhthi | -6.849776 2.651589 -2.58 0.010 -12.0468 -1.652757 212 lpapi1 | -.931017 4065933 -2.29 0.022 -1.727925 -.1341087 | thanhthi#c.lpapi1 | | 1.409325 648263 2.17 0.030 1387528 2.679897 | lpapi2 | 1.177257 4377015 2.69 0.007 3193782 2.035137 | thanhthi#c.lpapi2 | | -2.658323 8368756 -3.18 0.001 -4.298569 -1.018077 | lpapi3 | 3541332 298592 1.19 0.236 -.2310964 9393627 | thanhthi#c.lpapi3 | | 2.004492 467437 4.29 0.000 1.088332 2.920652 | lpapi4 | -.6929274 3686636 -1.88 0.060 -1.415495 0296401 | thanhthi#c.lpapi4 | | 2.318061 5379042 4.31 0.000 1.263788 3.372333 | lpapi5 | -1.096265 7079471 -1.55 0.121 -2.483815 2912863 | thanhthi#c.lpapi5 | | 0630681 1.166732 0.05 0.957 -2.223685 2.349821 | lpapi6 | -1.8281 6720203 -2.72 0.007 -3.145236 -.5109647 | thanhthi#c.lpapi6 | | 6127154 1.226231 0.50 0.617 -1.790653 3.016083 | year | 2018 | 07296 0760808 0.96 0.338 -.0761557 2220757 | _cons | 8.420481 1.642413 5.13 0.000 5.201411 11.63955 + -huyen | var(_cons)| 3768246 040523 3052128 4652386 LR test vs probit model: chibar2(01) = 514.72 Prob >= chibar2 = 0.0000 margins, dydx(*) Average marginal effects Number of obs = 18,730 Model VCE : OIM Expression : Marginal predicted mean, predict() dy/dx w.r.t : tsnguoi gender Headage2 Headage3 treem bcapmax region1 region2 region3 region4 region5 LogTNBQ tt_share 1.thanhthi lpapi1 lpapi2 lpapi3 lpapi4 lpapi5 lpapi6 2018.year -| Delta-method | dy/dx Std Err z P>|z| [95% Conf Interval] -+ -tsnguoi | 0057321 0014608 3.92 0.000 002869 0085951 gender | -.0247394 0049694 -4.98 0.000 -.0344792 -.0149995 Headage2 | -.0626088 0096606 -6.48 0.000 -.0815433 -.0436743 Headage3 | -.0262131 0102273 -2.56 0.010 -.0462584 -.0061679 treem | 014604 0034983 4.17 0.000 0077475 0214604 bcapmax | -.0742239 0065686 -11.30 0.000 -.0870982 -.0613496 region1 | -.0515534 0164316 -3.14 0.002 -.0837587 -.0193481 region2 | 0665532 0145118 4.59 0.000 0381106 0949959 region3 | 0248178 0124132 2.00 0.046 0004885 0491471 region4 | 0713703 0177982 4.01 0.000 0364865 1062541 region5 | -.102273 0220296 -4.64 0.000 -.1454502 -.0590958 LogTNBQ | -.0571999 012096 -4.73 0.000 -.0809075 -.0334922 tt_share | -.0694603 0337131 -2.06 0.039 -.1355368 -.0033837 1.thanhthi | -.0315706 005753 -5.49 0.000 -.0428462 -.0202949 lpapi1 | -.0865465 0493911 -1.75 0.080 -.1833512 0102582 lpapi2 | 0911876 0515154 1.77 0.077 -.0097807 1921559 lpapi3 | 0858306 0363954 2.36 0.018 0144969 1571642 lpapi4 | -.0379822 0445882 -0.85 0.394 -.1253735 0494091 lpapi5 | -.135155 0835969 -1.62 0.106 -.299002 028692 lpapi6 | -.2148104 0802536 -2.68 0.007 -.3721046 -.0575162 | year | 2018 | 0090933 0094963 0.96 0.338 -.0095191 0277057 -Note: dy/dx for factor levels is the discrete change from the base level margins thanhthi, at((p10) lpapi1) at((p90) lpapi1) Predictive margins Number of obs = 18,730 213 Model VCE : OIM Expression : Marginal predicted mean, predict() 1._at : lpapi1 = 1.478123 (p10) 2._at : lpapi1 = 1.765047 (p90) -| Delta-method | Margin Std Err z P>|z| [95% Conf Interval] -+ -_at#thanhthi | | 1264231 010158 12.45 0.000 1065137 1463325 1 | 0685999 0107759 6.37 0.000 0474796 0897203 | 0909839 0078526 11.59 0.000 0755931 1063746 | 0828367 0125559 6.60 0.000 0582275 1074458 margins thanhthi, at((p10) lpapi2) at((p90) lpapi2) Predictive margins Number of obs = 18,730 Model VCE : OIM Expression : Marginal predicted mean, predict() 1._at : lpapi2 = 1.603753 (p10) 2._at : lpapi2 = 1.813913 (p90) -| Delta-method | Margin Std Err z P>|z| [95% Conf Interval] -+ -_at#thanhthi | | 0926107 0064795 14.29 0.000 0799111 1053102 1 | 0942125 0128047 7.36 0.000 0691159 1193092 | 1250481 0084207 14.85 0.000 1085438 1415525 | 0616199 0086239 7.15 0.000 0447173 0785225 margins thanhthi, at((p10) lpapi3) at((p90) lpapi3) Predictive margins Number of obs = 18,730 Model VCE : OIM Expression : Marginal predicted mean, predict() 1._at : lpapi3 = 1.537757 (p10) 2._at : lpapi3 = 1.800574 (p90) -| Delta-method | Margin Std Err z P>|z| [95% Conf Interval] -+ -_at#thanhthi | | 1013282 0064932 15.61 0.000 0886017 1140547 1 | 046923 0064807 7.24 0.000 0342211 0596248 | 1135331 0070238 16.16 0.000 0997667 1272995 | 1113908 0113559 9.81 0.000 0891336 133648 margins thanhthi, at((p10) lpapi4) at((p90) lpapi4) Predictive margins Number of obs = 18,730 Model VCE : OIM Expression : Marginal predicted mean, predict() 1._at : lpapi4 = 1.637109 (p10) 2._at : lpapi4 = 1.924204 (p90) -| Delta-method | Margin Std Err z P>|z| [95% Conf Interval] -+ -_at#thanhthi | | 1217684 0095531 12.75 0.000 1030446 1404922 1 | 0523639 0083773 6.25 0.000 0359446 0687832 | 0952926 0072863 13.08 0.000 0810116 1095735 | 099475 0113192 8.79 0.000 0772897 1216602 margins thanhthi, at((p10) lpapi5) at((p90) lpapi5) Predictive margins Number of obs = 18,730 Model VCE : OIM Expression : Marginal predicted mean, predict() 1._at : lpapi5 = 1.878078 (p10) 2._at : lpapi5 = 2.002023 (p90) -| Delta-method | Margin Std Err z P>|z| [95% Conf Interval] -+ -_at#thanhthi | | 1162566 0074987 15.50 0.000 1015595 1309537 1 | 0825653 0098617 8.37 0.000 0632367 1018938 214 | 0983576 007069 13.91 0.000 0845026 1122127 | 0691959 0090858 7.62 0.000 051388 0870038 margins thanhthi, at((p10) lpapi6) at((p90) lpapi6) Predictive margins Number of obs = 18,730 Model VCE : OIM Expression : Marginal predicted mean, predict() 1._at : lpapi6 = 1.897142 (p10) 2._at : lpapi6 = 2.014868 (p90) -| Delta-method | Margin Std Err z P>|z| [95% Conf Interval] -+ -_at#thanhthi | | 1180338 0062533 18.88 0.000 1057776 1302901 1 | 0814443 0087902 9.27 0.000 0642159 0986728 | 0901239 0071805 12.55 0.000 0760503 1041974 | 0667292 0098189 6.80 0.000 0474846 0859738 meprobit mp tsnguoi gender Headage2 Headage3 treem bcapmax region1-region5 lpapi1-lpapi6 i.year if year!=2014&thanhthi==0||huyen: Fitting fixed-effects model: Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Iteration 4: log likelihood = Refining starting values: Grid node 0: log likelihood = Fitting full model: Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Iteration 4: log likelihood = Iteration 5: log likelihood = Mixed-effects probit regression Group variable: huyen -4199.0111 -3976.7604 -3963.1767 -3962.8135 -3962.8133 -3670.4272 -3670.4272 -3636.9921 -3610.0747 -3609.1148 -3609.1098 -3609.1098 Number of obs = 13,085 Number of groups = 621 Obs per group: = avg = 21.1 max = 60 Integration method: mvaghermite Integration pts = Wald chi2(18) = 525.72 Log likelihood = -3609.1098 Prob > chi2 = 0.0000 -mp | Coef Std Err z P>|z| [95% Conf Interval] -+ -tsnguoi | 0515443 0133051 3.87 0.000 0254668 0776218 gender | -.2567867 0455123 -5.64 0.000 -.3459892 -.1675843 Headage2 | -.5172612 0815995 -6.34 0.000 -.6771933 -.3573291 Headage3 | -.2141661 0879812 -2.43 0.015 -.3866062 -.0417261 treem | 1198073 0310814 3.85 0.000 0588889 1807257 bcapmax | -.6762282 069864 -9.68 0.000 -.8131591 -.5392973 region1 | -.4697602 1551485 -3.03 0.002 -.7738456 -.1656748 region2 | 8841397 1328523 6.66 0.000 6237539 1.144525 region3 | 3571194 1212369 2.95 0.003 1194995 5947392 region4 | 7051102 1677449 4.20 0.000 3763362 1.033884 region5 | -.9375096 2041267 -4.59 0.000 -1.33759 -.5374286 lpapi1 | -1.037124 4493726 -2.31 0.021 -1.917878 -.1563701 lpapi2 | 1.2233 4716668 2.59 0.009 2988498 2.14775 lpapi3 | 4391745 3236068 1.36 0.175 -.1950832 1.073432 lpapi4 | -.4780359 4069087 -1.17 0.240 -1.275562 3194905 lpapi5 | -1.243975 7717927 -1.61 0.107 -2.756661 2687106 lpapi6 | -2.253674 7303436 -3.09 0.002 -3.685121 -.8222268 | year | 2018 | 0491431 0855121 0.57 0.565 -.1184576 2167438 | _cons | 5.232591 1.712607 3.06 0.002 1.875944 8.589239 -+ -huyen | var(_cons)| 5498602 0580207 4471305 6761924 -LR test vs probit model: chibar2(01) = 707.41 Prob >= chibar2 = 0.0000 215 estat ic Akaike's information criterion and Bayesian information criterion Model | Obs ll(null) ll(model) df AIC BIC -+ | 13,085 -3609.11 20 7258.22 7407.804 Note: N=Obs used in calculating BIC; see [R] BIC note estat icc Residual intraclass correlation -Level | ICC Std Err [95% Conf Interval] -+ -huyen | 3547805 0241545 3089773 4034098 margins, dydx(*) Average marginal effects Number of obs = 13,085 Model VCE : OIM Expression : Marginal predicted mean, predict() dy/dx w.r.t : tsnguoi gender Headage2 Headage3 treem bcapmax region1 region2 region3 region4 region5 lpapi1 lpapi2 lpapi3 lpapi4 lpapi5 lpapi6 2018.year -| Delta-method | dy/dx Std Err z P>|z| [95% Conf Interval] -+ -tsnguoi | 0074984 0019444 3.86 0.000 0036875 0113093 gender | -.0373561 0066519 -5.62 0.000 -.0503935 -.0243186 Headage2 | -.0752486 0120115 -6.26 0.000 -.0987907 -.0517065 Headage3 | -.0311558 0128331 -2.43 0.015 -.0563082 -.0060035 treem | 017429 0045332 3.84 0.000 008544 0263139 bcapmax | -.0983743 0103832 -9.47 0.000 -.1187251 -.0780236 region1 | -.0683384 0226466 -3.02 0.003 -.1127249 -.0239519 region2 | 1286203 0192126 6.69 0.000 0909642 1662763 region3 | 051952 01762 2.95 0.003 0174174 0864865 region4 | 1025759 0242614 4.23 0.000 0550244 1501275 region5 | -.1363842 0300266 -4.54 0.000 -.1952353 -.0775332 lpapi1 | -.1508757 0655189 -2.30 0.021 -.2792904 -.022461 lpapi2 | 1779596 0687631 2.59 0.010 0431864 3127328 lpapi3 | 0638889 0471134 1.36 0.175 -.0284517 1562295 lpapi4 | -.0695423 0592208 -1.17 0.240 -.185613 0465284 lpapi5 | -.1809674 1123809 -1.61 0.107 -.4012299 0392951 lpapi6 | -.3278533 1065179 -3.08 0.002 -.5366245 -.1190821 | year | 2018 | 0071509 0124509 0.57 0.566 -.0172523 0315541 -Note: dy/dx for factor levels is the discrete change from the base level meprobit mp tsnguoi gender Headage2 Headage3 treem bcapmax region1-region5 lpapi1-lpapi6 i.year if year!=2014&thanhthi==1||huyen: Fitting fixed-effects model: Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Iteration 4: log likelihood = Iteration 5: log likelihood = Iteration 6: log likelihood = Refining starting values: Grid node 0: log likelihood = Fitting full model: Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Iteration 4: log likelihood = Iteration 5: log likelihood = Mixed-effects probit regression Group variable: huyen Integration method: mvaghermite -921.33542 -700.18967 -680.04505 -678.17899 -678.14745 -678.14735 -678.14735 -700.07817 -700.07817 -670.7577 -664.92602 -664.54253 -664.53941 -664.53941 (not concave) Number of obs Number of groups Obs per group: avg max Integration pts Wald chi2(18) = = 5,645 417 = = = = = 13.5 102 119.59 216 Log likelihood = -664.53941 Prob > chi2 = 0.0000 -mp | Coef Std Err z P>|z| [95% Conf Interval] -+ -tsnguoi | 0095138 0279883 0.34 0.734 -.0453422 0643699 gender | -.0185597 0905322 -0.21 0.838 -.1959995 1588802 Headage2 | -.4186611 3069184 -1.36 0.173 -1.02021 182888 Headage3 | -.1527385 3104489 -0.49 0.623 -.761207 4557301 treem | 1198179 0745908 1.61 0.108 -.0263774 2660133 bcapmax | -.456026 0759857 -6.00 0.000 -.6049553 -.3070967 region1 | -.9093002 2537775 -3.58 0.000 -1.406695 -.4119054 region2 | 0411131 2100195 0.20 0.845 -.3705175 4527438 region3 | -.2478276 1689002 -1.47 0.142 -.5788659 0832108 region4 | 2323295 2540784 0.91 0.361 -.265655 7303141 region5 | -1.689409 4206445 -4.02 0.000 -2.513857 -.8649612 lpapi1 | 9840599 8476207 1.16 0.246 -.6772461 2.645366 lpapi2 | -.2615371 9085673 -0.29 0.773 -2.042296 1.519222 lpapi3 | 1.251604 7054041 1.77 0.076 -.1309628 2.634171 lpapi4 | 2143082 8042709 0.27 0.790 -1.362034 1.79065 lpapi5 | -.1892343 1.390844 -0.14 0.892 -2.915238 2.536769 lpapi6 | -3.18219 1.33183 -2.39 0.017 -5.792528 -.5718519 | year | 2018 | -.265092 1738013 -1.53 0.127 -.6057364 0755524 | _cons | 1.785875 3.018952 0.59 0.554 -4.131162 7.702911 -+ -huyen | var(_cons)| 2749313 0838804 1511911 4999451 -LR test vs probit model: chibar2(01) = 27.22 Prob >= chibar2 = 0.0000 estat ic Akaike's information criterion and Bayesian information criterion Model | Obs ll(null) ll(model) df AIC BIC -+ | 5,645 -664.5394 20 1369.079 1501.849 Note: N=Obs used in calculating BIC; see [R] BIC note estat icc Residual intraclass correlation -Level | ICC Std Err [95% Conf Interval] -+ -huyen | 215644 0516044 1313345 3333089 margins, dydx(*) Average marginal effects Number of obs = 5,645 Model VCE : OIM Expression : Marginal predicted mean, predict() dy/dx w.r.t : tsnguoi gender Headage2 Headage3 treem bcapmax region1 region2 region3 region4 region5 lpapi1 lpapi2 lpapi3 lpapi4 lpapi5 lpapi6 2018.year -| Delta-method | dy/dx Std Err z P>|z| [95% Conf Interval] -+ -tsnguoi | 0005816 0017114 0.34 0.734 -.0027726 0039359 gender | -.0011346 0055358 -0.20 0.838 -.0119847 0097154 Headage2 | -.0255948 0188133 -1.36 0.174 -.0624683 0112786 Headage3 | -.0093377 0189879 -0.49 0.623 -.0465532 0278779 treem | 0073251 0045707 1.60 0.109 -.0016334 0162835 bcapmax | -.0278791 0048385 -5.76 0.000 -.0373624 -.0183959 region1 | -.05559 0158652 -3.50 0.000 -.0866853 -.0244947 region2 | 0025134 0128363 0.20 0.845 -.0226453 0276722 region3 | -.0151509 0103316 -1.47 0.143 -.0354005 0050987 region4 | 0142035 0155659 0.91 0.362 -.0163052 0447121 region5 | -.1032819 0266349 -3.88 0.000 -.1554854 -.0510785 lpapi1 | 0601605 0518188 1.16 0.246 -.0414025 1617234 lpapi2 | -.0159891 0555493 -0.29 0.773 -.1248637 0928856 lpapi3 | 0765167 0432836 1.77 0.077 -.0083176 1613511 lpapi4 | 0131017 0491848 0.27 0.790 -.0832986 1095021 lpapi5 | -.0115688 0850345 -0.14 0.892 -.1782334 1550958 lpapi6 | -.194543 0816582 -2.38 0.017 -.3545901 -.0344959 | year | 217 2018 | -.0159647 0104176 -1.53 0.125 -.0363829 0044534 -Note: dy/dx for factor levels is the discrete change from the base level Mơ hình Probit truyền thống probit mp tsnguoi gender Headage2 Headage3 treem bcapmax region1-region5 LogTNBQ tt_share thanhthi##c.lpapi1 thanhthi##c.lpapi2 thanhthi##c.lpapi3 thanhthi##c.lpapi4 thanhthi##c.lpapi5 thanhthi##c.lpapi6 i.year if year!=2014 Iteration 0: log Iteration 1: log Iteration 2: log Iteration 3: log Iteration 4: log Iteration 5: log Probit regression likelihood likelihood likelihood likelihood likelihood likelihood = = = = = = -5872.8385 -4719.0185 -4577.3231 -4563.1005 -4563.0089 -4563.0088 Number of obs = 18,730 LR chi2(27) = 2619.66 Prob > chi2 = 0.0000 Log likelihood = -4563.0088 Pseudo R2 = 0.2230 mp | Coef Std Err z P>|z| [95% Conf Interval] + -tsnguoi | 06533 0103496 6.31 0.000 0450453 0856148 gender | -.1509258 0359023 -4.20 0.000 -.2212931 -.0805585 Headage2 | -.621501 0679651 -9.14 0.000 -.7547102 -.4882918 Headage3 | -.3706192 0721101 -5.14 0.000 -.5119525 -.229286 treem | 09036 0251807 3.59 0.000 0410068 1397132 bcapmax | -.5571852 0469272 -11.87 0.000 -.6491608 -.4652096 region1 | -.2092903 0731812 -2.86 0.004 -.3527228 -.0658578 region2 | 2930253 0617488 4.75 0.000 1719998 4140508 region3 | 0859405 052279 1.64 0.100 -.0165245 1884055 region4 | 4151309 0762533 5.44 0.000 2656772 5645847 region5 | -.528796 1003994 -5.27 0.000 -.7255753 -.3320167 LogTNBQ | -.8545498 0654757 -13.05 0.000 -.9828799 -.7262197 tt_share | -.0527583 1541958 -0.34 0.732 -.3549765 2494599 1.thanhthi | -7.031795 2.265803 -3.10 0.002 -11.47269 -2.590902 lpapi1 | -1.212259 256498 -4.73 0.000 -1.714986 -.7095322 | thanhthi#c.lpapi1 | | 1.215729 5486215 2.22 0.027 1404501 2.291007 | lpapi2 | 1.300164 3052553 4.26 0.000 7018742 1.898453 | thanhthi#c.lpapi2 | | -2.18842 7174576 -3.05 0.002 -3.594611 -.7822287 | lpapi3 | 3545271 2193907 1.62 0.106 -.0754708 784525 | thanhthi#c.lpapi3 | | 1.665105 4146792 4.02 0.000 8523488 2.477862 | lpapi4 | -.3958241 2515403 -1.57 0.116 -.888834 0971858 | thanhthi#c.lpapi4 | | 2.012536 4597457 4.38 0.000 1.111451 2.913621 | lpapi5 | -1.878314 4947498 -3.80 0.000 -2.848006 -.9086224 | thanhthi#c.lpapi5 | | 224859 1.047486 0.21 0.830 -1.828175 2.277893 | lpapi6 | -1.469215 4268055 -3.44 0.001 -2.305738 -.6326917 | thanhthi#c.lpapi6 | | 8087679 1.019796 0.79 0.428 -1.189995 2.80753 | year | 2018 | 191018 0522835 3.65 0.000 0885441 2934918 | _cons | 12.12801 1.043285 11.62 0.000 10.08321 14.17281 - margins, dydx(*) Average marginal effects Model VCE : OIM Expression : Pr(mp), predict() Number of obs = 18,730 218 dy/dx w.r.t : tsnguoi gender Headage2 Headage3 treem bcapmax region1 region2 region3 region4 region5 LogTNBQ tt_share 1.thanhthi lpapi1 lpapi2 lpapi3 lpapi4 lpapi5 lpapi6 2018.year -| Delta-method | dy/dx Std Err z P>|z| [95% Conf Interval] -+ -tsnguoi | 008736 0013837 6.31 0.000 0060241 011448 gender | -.020182 0047994 -4.21 0.000 -.0295886 -.0107753 Headage2 | -.0831079 0090363 -9.20 0.000 -.1008187 -.0653971 Headage3 | -.0495597 0096198 -5.15 0.000 -.0684142 -.0307052 treem | 0120831 0033661 3.59 0.000 0054857 0186804 bcapmax | -.0745075 0062913 -11.84 0.000 -.0868382 -.0621768 region1 | -.0279866 0097927 -2.86 0.004 -.0471799 -.0087932 region2 | 0391837 0082462 4.75 0.000 0230214 055346 region3 | 0114921 0069901 1.64 0.100 -.0022082 0251924 region4 | 0555118 0101879 5.45 0.000 0355438 0754798 region5 | -.0707113 0134423 -5.26 0.000 -.0970577 -.0443648 LogTNBQ | -.1142715 0087229 -13.10 0.000 -.1313681 -.0971748 tt_share | -.0070549 0206194 -0.34 0.732 -.0474681 0333583 1.thanhthi | -.0484872 0045033 -10.77 0.000 -.0573135 -.0396608 lpapi1 | -.1393839 032849 -4.24 0.000 -.2037668 -.075001 lpapi2 | 1329599 037903 3.51 0.000 0586713 2072484 lpapi3 | 0785272 0282822 2.78 0.005 023095 1339593 lpapi4 | -.0153176 032495 -0.47 0.637 -.0790067 0483715 lpapi5 | -.2469681 0618331 -3.99 0.000 -.3681588 -.1257774 lpapi6 | -.1813501 0534065 -3.40 0.001 -.2860249 -.0766754 | year | 2018 | 0256946 0070774 3.63 0.000 0118231 0395661 -Note: dy/dx for factor levels is the discrete change from the base level probit mp tsnguoi gender Headage2 Headage3 treem bcapmax region1-region5 lpapi1lpapi6 i.year if year!=2014&thanhthi==1 Iteration 0: log Iteration 1: log Iteration 2: log Iteration 3: log Iteration 4: log Iteration 5: log Probit regression likelihood likelihood likelihood likelihood likelihood likelihood = = = = = = -827.79126 -707.7177 -680.44852 -678.15734 -678.14736 -678.14735 Number of obs = 5,645 LR chi2(18) = 299.29 Prob > chi2 = 0.0000 Log likelihood = -678.14735 Pseudo R2 = 0.1808 -mp | Coef Std Err z P>|z| [95% Conf Interval] -+ -tsnguoi | 0129789 0251691 0.52 0.606 -.0363516 0623094 gender | 0329586 0807508 0.41 0.683 -.12531 1912273 Headage2 | -.438557 2636926 -1.66 0.096 -.9553849 0782709 Headage3 | -.2120887 2666599 -0.80 0.426 -.7347325 3105551 treem | 1199825 0670258 1.79 0.073 -.0113856 2513506 bcapmax | -.4314752 0678807 -6.36 0.000 -.564519 -.2984315 region1 | -.7329773 1936513 -3.79 0.000 -1.112527 -.3534277 region2 | 0899088 156645 0.57 0.566 -.2171098 3969273 region3 | -.2089886 1208315 -1.73 0.084 -.445814 0278368 region4 | 249741 1862505 1.34 0.180 -.1153032 6147853 region5 | -1.419362 3397219 -4.18 0.000 -2.085204 -.7535188 lpapi1 | 6788093 6551866 1.04 0.300 -.6053328 1.962952 lpapi2 | 1069315 7309067 0.15 0.884 -1.325619 1.539482 lpapi3 | 9188329 5712519 1.61 0.108 -.2008002 2.038466 lpapi4 | 4131624 6546779 0.63 0.528 -.8699827 1.696307 lpapi5 | -.9687798 1.10772 -0.87 0.382 -3.13987 1.202311 lpapi6 | -3.017262 9866855 -3.06 0.002 -4.95113 -1.083394 | year | 2018 | -.2250962 1402738 -1.60 0.109 -.5000278 0498354 | _cons | 3.09989 2.279986 1.36 0.174 -1.368802 7.568581 margins, dydx(*) Average marginal effects Number of obs = 5,645 Model VCE : OIM Expression : Pr(mp), predict() dy/dx w.r.t : tsnguoi gender Headage2 Headage3 treem bcapmax region1 region2 region3 region4 region5 lpapi1 lpapi2 lpapi3 lpapi4 lpapi5 lpapi6 2018.year 219 -| Delta-method | dy/dx Std Err z P>|z| [95% Conf Interval] -+ -tsnguoi | 0008178 0015864 0.52 0.606 -.0022914 003927 gender | 0020768 005089 0.41 0.683 -.0078974 012051 Headage2 | -.0276347 0166416 -1.66 0.097 -.0602516 0049822 Headage3 | -.0133643 016808 -0.80 0.427 -.0463073 0195787 treem | 0075604 004233 1.79 0.074 -.000736 0158569 bcapmax | -.0271885 0044473 -6.11 0.000 -.035905 -.0184719 region1 | -.0461869 0123697 -3.73 0.000 -.0704311 -.0219427 region2 | 0056654 0098715 0.57 0.566 -.0136824 0250132 region3 | -.013169 0076312 -1.73 0.084 -.0281259 001788 region4 | 0157369 0117468 1.34 0.180 -.0072864 0387601 region5 | -.0894379 0218484 -4.09 0.000 -.13226 -.0466159 lpapi1 | 0427737 041314 1.04 0.301 -.0382003 1237476 lpapi2 | 006738 0460603 0.15 0.884 -.0835384 0970145 lpapi3 | 0578982 0360641 1.61 0.108 -.0127861 1285826 lpapi4 | 0260345 0412539 0.63 0.528 -.0548216 1068906 lpapi5 | -.0610455 0698505 -0.87 0.382 -.1979499 0758589 lpapi6 | -.1901261 0626519 -3.03 0.002 -.3129215 -.0673306 | year | 2018 | -.0139564 0086336 -1.62 0.106 -.0308778 0029651 -Note: dy/dx for factor levels is the discrete change from the base level probit mp tsnguoi gender Headage2 Headage3 treem bcapmax region1-region5 lpapi1lpapi6 i.year if year!=2014&thanhthi==0 Iteration 0: log Iteration 1: log Iteration 2: log Iteration 3: log Iteration 4: log Iteration 5: log Probit regression likelihood likelihood likelihood likelihood likelihood likelihood = = = = = = -4834.5845 -4024.2094 -3966.9462 -3962.8588 -3962.8133 -3962.8133 Number of obs = 13,085 LR chi2(18) = 1743.54 Prob > chi2 = 0.0000 Log likelihood = -3962.8133 Pseudo R2 = 0.1803 -mp | Coef Std Err z P>|z| [95% Conf Interval] -+ -tsnguoi | 0799275 0112784 7.09 0.000 0578222 1020328 gender | -.183036 0397413 -4.61 0.000 -.2609274 -.1051445 Headage2 | -.6980548 0699389 -9.98 0.000 -.8351325 -.560977 Headage3 | -.4586982 0749033 -6.12 0.000 -.6055059 -.3118905 treem | 0847732 026893 3.15 0.002 0320639 1374826 bcapmax | -.6114422 0612747 -9.98 0.000 -.7315384 -.491346 region1 | -.3427617 0788195 -4.35 0.000 -.4972451 -.1882783 region2 | 6613996 0621405 10.64 0.000 5396064 7831927 region3 | 2152697 0563863 3.82 0.000 1047545 3257849 region4 | 5348081 0811133 6.59 0.000 3758289 6937873 region5 | -.7029721 1018456 -6.90 0.000 -.9025859 -.5033583 lpapi1 | -1.860085 2555507 -7.28 0.000 -2.360956 -1.359215 lpapi2 | 1.823537 3048923 5.98 0.000 1.225959 2.421115 lpapi3 | 8355153 2274825 3.67 0.000 3896579 1.281373 lpapi4 | -.5886521 2528324 -2.33 0.020 -1.084195 -.0931097 lpapi5 | -2.858741 4947075 -5.78 0.000 -3.82835 -1.889132 lpapi6 | -2.289032 4164297 -5.50 0.000 -3.10522 -1.472845 | year | 2018 | 2769518 0560768 4.94 0.000 1670434 3868602 | _cons | 8.499902 1.015269 8.37 0.000 6.510012 10.48979 margins, dydx(*) Average marginal effects Number of obs = 13,085 Model VCE : OIM Expression : Pr(mp), predict() dy/dx w.r.t : tsnguoi gender Headage2 Headage3 treem bcapmax region1 region2 region3 region4 region5 lpapi1 lpapi2 lpapi3 lpapi4 lpapi5 lpapi6 2018.year -| Delta-method | dy/dx Std Err z P>|z| [95% Conf Interval] -+ -tsnguoi | 0133777 0018855 7.10 0.000 0096823 0170732 ... thiện sở lý luận tác động thể chế đến nghèo đa chiều: - Nội hàm thước đo thể chế nghèo đa chiều - Kênh truyền dẫn tác động thể chế đến nghèo đa chiều Nhân tố ảnh hưởng đến tác động thể chế đến nghèo. .. dẫn tác động thể chế đến nghèo đa chiều; (ii) phân tích quan điểm chuyên gia lựa chọn thước đo thể chế đánh giá tác động đến nghèo đa chiều nhân tố ảnh hưởng đến tác động thể chế đến nghèo đa chiều. .. cụ thể luận án sau: - Về mặt lý luận: Thứ nhất, luận án hệ thống hoá lý luận tác động thể chế đến nghèo đa chiều, sở hồn thiện thêm lý luận nghiên cứu đánh giá tác động thể chế đến nghèo đa chiều