Vấn đề nội sinh cần được xử lý trong mô hình xảy ra giữa biến hội nhập tài chính và đói nghèo. Hội nhập tài chính có thể tác động tích cực hoặc tiêu cực đối với việc giảm đói nghèo thông qua các cơ hội đầu tư và cơ hội về vốn và việc giảm đói nghèo có thể tăng cường hội nhập tài chính thông qua tăng trưởng thương mại và đầu tư (Olivier & cộng sự, 2006). Vấn đề nội sinh này có thể làm sai lệch tác động ước tính của hội nhập tài chính đến đói nghèo.
Mặc dù phương pháp biến công cụ (IV) được phát triển bởi Anderson & Hsiao (1982) giúp loại bỏ các ảnh hưởng cố định thông qua chuyển đổi điểm khác biệt đầu tiên và sử dụng độ trễ như công cụ để xử lý nội sinh, từ đó có thể tạo ra các ước lượng vững, nhưng lại không hiệu quả về các tham số (Ahn & Schmidt, 1995). Bởi vì những hạn chế của phương pháp ước lượng này, luận án áp dụng theo phương pháp ước lượng Moment tổng quát (GMM), cung cấp ước lượng vững và hiệu quả hơn.
Phương pháp GMM giúp giải quyết hai vấn đề quan trọng về mô hình, đó là các ảnh hưởng cố định và tính nội sinh. Ảnh hưởng cố định được loại bỏ thông qua chuyển
đổi dữ liệu, trong khi các biến nội sinh được xử lý bằng các công cụ “nội bộ”, tức là độ trễ hồi quy và sai phân của chúng. GMM có hai hình thức đó là: GMM sai phân (Difference GMM) và GMM hệ thống (System GMM). GMM sai phân được phát triển bởi Arellano & Bond (1991) và, tương tự như phương pháp IV, ban đầu liên quan đến việc xử lý các ảnh hưởng cố định thông qua chuyển đổi khác biệt đầu tiên. Phương pháp này cũng sử dụng mức độ trễ làm công cụ. Theo Arestis & Caner (2010), sự chuyển đổi khác biệt đầu tiên dẫn đến mất thuộc tính xuyên quốc gia của dữ liệu và nếu hồi quy liên tục theo thời gian, các giá trị trễ của phương pháp này là công cụ yếu cho hồi quy về sự khác biệt. Ngoài ra, Blundell & Bond (1998) chứng minh rằng biến phụ thuộc gần với bước đi ngẫu nhiên sẽ khiến GMM sai phân không hiệu quả vì các mức quá khứ chứa ít thông tin về những thay đổi trong tương lai. Nói cách khác, độ trễ không được chuyển đổi là công cụ yếu đối với các biến được chuyển đổi (Roodman, 2009). Để khắc phục vấn đề này, Blundell & Bond (1998) đề xuất với các mức công cụ có sự khác biệt bởi vì trong trường hợp các biến bước đi ngẫu nhiên, các thay đổi trong quá khứ có thể mang tính dự đoán nhiều hơn của mức hiện tại. Phương pháp GMM hệ thống liên quan đến việc xây dựng tập hợp dữ liệu chồng với cả hai cấp độ, các quan sát được chuyển đổi và sử dụng cả các mức độ trễ và các biến được chuyển đổi độ trễ như công cụ. Ngoài ra, khi tiến hành các mô phỏng đối với dữ liệu mảng có khoảng thời gian ngắn và số quan sát nhiều, Soto M. (2009) đã kết luận rằng ước lượng GMM hệ thống cho kết quả tốt hơn tất cả các phương pháp ước lượng khác, bao gồm cả GMM sai phân. Điều này đã củng cố thêm cho việc quyết định lựa chọn GMM hệ thống do Arellano & Bover (1995) phát triển để tiến hành ước lượng tác động của hội nhập tài chính đối với tình trạng đói nghèo trong giai đoạn 2005-2018 nhằm khắc phục các khuyết tật tiềm năng của mô hình như đề cập ở trên.