Báo cáo về phân tích số liệu mảng (panel data)TS. Phạm Ngọc Hưng

Báo cáo phân tích số liệu mảng (panel data) TS Phạm Ngọc Hưng Những nội dung báo cáo Một số khái niệm mô hình số liệu mảng Mơ hình gộp Mơ hình tác động cố định Mơ hình tác động ngẫu nhiên Phân tích mơ hình kinh tế lượng với số liệu mảng Một số khái niệm Khái niệm số liệu mảng Số liệu mảng (panel data) loại số liệu kết hợp chuỗi thời gian (time series) số liệu chéo (cross sections) (Xem Willam H Greene trang 283) Một số ví dụ số liệu mảng  Số liệu gộp vùng, tỉnh     Số liệu gộp ngành      Tỷ lệ thất nghiệp, tỷ lệ nhập cư,… Tổng sản phẩm ngành nông nghiệp, công nghiệp, dịch vụ,… Thu nhập bình quân,… Số lao động bình quân hàng năm Thu nhập bình quân người lao động,… Số liệu doanh nghiệp : sản lượng, vốn, lao động,… Số liệu người lao động : trạng thái (chính thức – phi thức – thất nghiệp), thu nhập,… Xem cụ thể với STATA Eviews5 Cấu trúc số liệu Một vài lưu ý với số liệu mảng    Các cá thể (đơn vị chéo) dường khơng có tính Ký hiệu số biến Ví dụ: zit, i = 1, …, n ; t = 1, …, T (hay Ti) Có hai loại số liệu thường gặp  Số liệu cân xứng: số quan sát N = nT n  Số liệu không cân xứng : số quan sát N   i=1 Ti Một vài lưu ý với số liệu mảng (tiếp)  Các đặc tính khơng quan sát cá thể (ký hiệu ci) đặc tính có tác động đến biến phụ thuộc  Ký hiệu αi tác động cố định với cá thể VD: Đặc tính vùng miền, dân tộc, giới tính,…  Ký hiệu ui tác động ngẫu nhiên với cá thể VD: Tác động sách nhà nước vùng, tỉnh, ngành, doanh nghiệp hay người lao động,…  Một mơ hình mà khơng xem xét có mặt ci xem có tượng bỏ sót biến Những ưu điểm mơ hình số liệu mảng      Tăng độ xác ước lượng số quan sát điều tra theo cá thể (đơn vị chéo) thời gian Nghiên cứu khác biệt cá thể mà trước ta sử dụng biến giả Nâng cao số quan sát mẫu phần khắc phục tượng đa cộng tuyến Chứa đựng nhiều thông tin loại số liệu khác Nghiên cứu động thái thay đổi cá thể theo thời gian Tác động cố định hay tác động ngẫu nhiên  Các tác động không quan sát hồi quy, ký hiệu ci Ký hiệu: y  x   + c +  it it  xi1   x  X i   i2        x iT   i it T dịng, k cột Dạng tuyến tính:  Tác động cố định: Các tác động không quan sát tương quan với biến giải thích Cov[xit,ci] ≠  Tác động ngẫu nhiên: Các tác động không quan sát khơng tương quan với biến giải thích Cov[xit,ci] = Cách diễn đạt mơ hình hay dùng  Tác động cố định theo cá thể – mô hình biến giả y it   i  x it   it  Tác động ngẫu nhiên theo cá thể – mơ hình sai số hỗn hợp yit  x it   it  ui Vấn đề ngoại sinh  Ngoại sinh thời kỳ    Ngoại sinh chặt     E[εit|xit,ci] =  Không đủ điều kiện để hồi quy Dẫn đến không thực ước lượng β E[εit|xi1, xi2,…,xiT,ci] = Sử dụng mh sai phân bậc hay mh tác động cố định Không thỏa mãn với mô hình có biến giải thích biến trễ biến phụ thuộc Ngoại sinh từ thời kỳ đến thời kỳ t (1 < t < T)  E[εit|xi1, xi2,…,xit,ci] = (tùy thuộc vị trí t) Một số giả thiết     Moment cấp 1, cấp 2,… ma trận Xi hữu hạn (theo cá thể) n > k, T > k Hạng ma trận X hạng hệ véc tơ cột Xit ngoại sinh chặt Ước lượng β   β véc tơ hệ số (cần ước lượng) biến giải thích Có thể ước lượng (một cách phù hợp) với có mặt ci (khơng đo được)?    Thực phương pháp OLS ? Hầu không dùng thực tế Chiến lược “kiểm soát ci” với số liệu mẫu Sử dụng biến đại diện Phân tích mơ hình kinh tế lượng với số liệu mảng Mơ hình gộp Hồi quy gộp  Sự xuất tác động bị bỏ sót yit  x it β  c i  ε it y i  X iβ  c ii  ε i y  Xβ  c  ε  Khả chệch / không vững hay không hiệu với phương pháp OLS – phụ thuộc vào tác động ‘cố định’ hay ‘ngẫu nhiên’ Sử dụng phương pháp OLS với mơ hình có tác động cá thể  Sử dụng biến đo đại diện cho ci  Dùng OLS để ước lượng ta thu -1 b =  X  X  X'y -1 n = (1/n)Σni=1 X i X i  (1/n)Σi=1 X i y i  Cov(b) =  ˆ  X X  -1 Kết ước lượng với STATA Phân tích mơ hình kinh tế lượng với số liệu mảng Mơ hình tác động cố định Các giả thiết mơ hình  Các cách diễn đạt mơ hình y it  x it β  c i  εit y i  X iβ  cii  ε i y  Xβ  c  ε   Giả thiết ci tương quan với Xit E[εit|Xi,ci] = Dùng biến giả đại diện yit  xit β  nj=1  jdijt  εit , dijt = 1(i=j) 10 Các tác động không quan sát ảnh hưởng đến biến phụ thuộc với mô hình RE SỬ dụng lệnh STATA: Predict re, u Hoặc thực đơn Statistics>Postestimation> Predictions, residuals, etc Chọn Random error Component (u_i) Kiểm định mơ hình tác động ngẫu nhiên Breusch Pagan dùng thống kê nhân tử Lagrange để kiểm định mơ hình tác động ngẫu nhiên hay khơng ? 2  n  T    n      eit   T e    i  nT  i 1  t 1  nT  i 1 LM   1    1 ~  (1)  2(T  1)  n T 2(T  1)  n T   eit   eit   i 1 t 1   i 1 t 1 Cặp giả thuyết  H : Corr(w it , w is )   H :  u     H1 :  u   H1 : Corr(w it , w is )  26 Kiểm định Breusch - Pagan Kiểm định Hausman với mơ hình tác động ngẫu nhiên hay cố định Lần lượt ước lượng mơ hình với phương pháp LSDV GLS thu     ˆ , Var β ˆ ,β ˆ , Var β ˆ β FE FE RE RE Hausman chọn thống kê ˆ β ˆ ) [Var(β ˆ )  Var(β ˆ )]-1 (β ˆ β ˆ ) ~ 2 (k  1) H = (β FE RE FE RE FE RE Với cặp giả thuyết H0 : Mơ hình phù hợp mơ hình tác động ngẫu nhiên H1 : Mơ hình phù hợp mơ hình tác động cố định 27 Tính toán thống kê Hausman ?     N ˆ ] Var[β ˆ   i1 X i  I  ii  X i  FE  T    1 -1  ˆ    N ˆ ] Var[β ˆ   i1 X i  I  ii  X i  , RE T      ˆ = T ˆu  2  ˆ   T ˆu Kết kiểm định Hausman STATA 28 Kiểm định Hausman với FE hay RE PP ước lượng GLS (Random Effects) LSDV (Fixed Effects) Tác động ngẫu nhiên E[ci|Xi] = Vững, hiệu Tác động cố định E[ci|Xi] ≠ Không vững Vững, khơng hiệu Vững, hiệu Mơ hình tác động ngẫu nhiên theo cá thể thời gian y it  x it β  ui  v t  it Để ước lượng mơ hình ta cần tìm ước lượng σ2u , σ2v , σ2ε đồng thời xây dựng ˆ1 , ˆ2 hồi quy yit  ˆ 1 yi  ˆ 2 y t  y theo x it  ˆ 1 x i  ˆ 2 x t  x việc trình bày tương tự ước lượng mơ hình tác động ngẫu nhiên theo cá thể 29 Ước lượng mơ hình tác động cố định hay tác động ngẫu nhiên Ta có -1 ˆ  N X   I  ˆ ii  X   N X   I  ˆ ii  y  β  i1 i  T  i   i1 i  T  i          Trường hợp ˆ  với mơ hình tác động cố định Trường hợp ˆ  Tˆ 2u với mơ hình tác động ngẫu nhiên 2  ˆ   T ˆu Khi T  , ˆ  tác động ngẫu nhiên trở thành tác động cố định Khi ˆ 2u  0, ˆ  tác động ngẫu nhiên trở thành OLS Khi ˆ 2u   , ˆ  tác động ngẫu nhiên trở thành tác động cố định Một số ứng dụng Mơ hình phân tích di chuyển lao động vùng, mơ hình di chuyển lao động ngành,… Mơ hình phân tích di chuyển trạng thái người lao động (mơ hình với biến phụ thuộc định tính) 30 Mơ hình Patrick A Puhani Dùng để phân tích di chuyển lao động – hiệu chỉnh cấu lao động Châu Âu  u 1 y  migit  popit 1  Ait  it 1 it1   un t11 yn t21  popit 1   hay  migit  popit 1   uit 1   yit 1  ln      1 ln     ln    i  t   it pop u  it 1   nt 1   ynt 1  Mơ hình Chiara Bentivogli Patrizio Dùng để phân tích khác biệt vùng di chuyển lao động Châu Âu Mỹ  NM       1 log  uit    log  w it   3 log  it   4Cit  vit  Pop it   31 Mô hình tác giả Xiaodong Gong, Arthur van Soest , Elizabeth Villagomez Phân tích di chuyển trạng thái lao động khu vực thành thị Mexico P  j / X it , Z it ,  i1 , ,  iJ    exp X it/  j  Z it/  j   ij  J  exp  X it/  s  Z it/  s  is  s 1 Mơ hình tác giả René Böheim Mark Taylor  Phân tích di chuyển nơi cư trú theo mức khoảng cách, nhà thị trường lao động Anh Mơ hình Probit tác động ngẫu nhiên Yit*  X it b  ui   it i  1, 2, , n t  1, , T 1 if Yit*  Yit   0 otherwise ui ~ IN (0,  u2 ), eit ~ IN (0,  e2 ) 32 Mơ hình tác giả René Bưheim Mark Taylor  Mơ hình Logit tác động ngẫu nhiên P Yi  j   exp  X i b j  j  1, 2,   exp  X i bk  k 1 P Yi    j0   exp  X i bk  k 1 Những nội dung (dự kiến) báo cáo Vấn đề PSSS thay đổi, tự tương quan, dạng hàm Số liệu khơng cân xứng Hồi quy có thứ bậc Biến phụ thuộc định tính (2 trạng thái, trạng thái) với số liệu mảng Ứng dụng 33 .. .Phân tích mơ hình kinh tế lượng với số liệu mảng Một số khái niệm Khái niệm số liệu mảng Số liệu mảng (panel data) loại số liệu kết hợp chuỗi thời gian (time series) số liệu chéo (cross... trúc số liệu Một vài lưu ý với số liệu mảng    Các cá thể (đơn vị chéo) dường khơng có tính Ký hiệu số biến Ví dụ: zit, i = 1, …, n ; t = 1, …, T (hay Ti) Có hai loại số liệu thường gặp  Số liệu. .. số liệu chéo (cross sections) (Xem Willam H Greene trang 283) Một số ví dụ số liệu mảng  Số liệu gộp vùng, tỉnh     Số liệu gộp ngành      Tỷ lệ thất nghiệp, tỷ lệ nhập cư,… Tổng sản