Hồi quy GMM (Generalized Method of Moments) là một công cụ mạnh mẽ được ưa chuộng trong giới nghiên cứu sinh kinh tế. Ưu điểm nổi bật của GMM là khả năng giải quyết vấn đề nội sinh, một thách thức cốt lõi trong các mô hình kinh tế lượng. Tuy nhiên, việc hiểu và áp dụng GMM một cách chính xác có thể là một rào cản lớn do thiếu tài liệu hướng dẫn chi tiết và dễ tiếp cận. Bài viết này sẽ cung cấp một hướng dẫn toàn diện về hồi quy GMM, diễn giải các khái niệm phức tạp bằng ngôn ngữ đơn giản và ví dụ minh họa cụ thể, giúp bạn nắm vững và ứng dụng hiệu quả phương pháp này.
Mục Lục
GMM: Phương Pháp Ước Lượng Tổng Quát Khoảnh Khắc
Trong kinh tế lượng và thống kê, phương pháp tổng quát hóa các khoảnh khắc (GMM) là một phương pháp ước lượng tham số trong các mô hình thống kê. GMM đặc biệt hữu dụng trong các mô hình bán tham số, nơi tham số quan tâm là hữu hạn nhưng dạng đầy đủ của hàm phân phối dữ liệu không được biết, khiến cho việc ước lượng khả năng tối đa (Maximum Likelihood Estimation – MLE) trở nên bất khả thi.
Phương pháp GMM đòi hỏi việc xác định một số điều kiện nhất định cho mô hình. Các điều kiện khoảnh khắc này là các hàm của các tham số mô hình và dữ liệu, sao cho kỳ vọng của chúng bằng 0 tại các giá trị thực của tham số. GMM sau đó tối thiểu hóa một chuẩn (norm) nhất định của trung bình mẫu của các điều kiện khoảnh khắc.
Ước lượng GMM được biết đến với tính nhất quán, phân phối tiệm cận chuẩn và hiệu quả trong lớp các ước lượng không sử dụng thêm thông tin nào ngoài các điều kiện khoảnh khắc.
GMM được phát triển bởi Lars Peter Hansen vào năm 1982, như một sự tổng quát hóa của phương pháp khoảnh khắc được giới thiệu bởi Karl Pearson vào năm 1894. Hansen đã đồng thời nhận giải Nobel Kinh tế năm 2013 cho công trình này.
Để minh họa các trường phái khác nhau của GMM, chúng ta sẽ sử dụng một bộ dữ liệu mẫu để thực hành trên phần mềm STATA. Giả sử chúng ta có một mô hình hồi quy tuyến tính đơn giản và thực hiện hồi quy OLS (Ordinary Least Squares) như sau:
Kết quả hồi quy OLS cho thấy mối quan hệ giữa các biến, tuy nhiên, chưa xem xét đến vấn đề nội sinh.
Trong mô hình OLS này, chúng ta bỏ qua các vấn đề về nội sinh và xem tất cả các biến là ngoại sinh.
GMM Tĩnh: Stationarity GMM
Không có nhiều tài liệu định nghĩa chính thức về GMM tĩnh, nhưng một cách diễn giải dễ hiểu là: trong mô hình nghiên cứu, chúng ta xác định rõ biến nào là biến nội sinh, biến nào là biến ngoại sinh và biến nào là biến công cụ. Mô hình GMM tĩnh được áp dụng khi chúng ta biết cụ thể vai trò của từng biến trong mô hình định lượng.
Ví dụ, giả sử chúng ta có LnGDP là biến nội sinh, LnPOP và LnLAND là các biến công cụ. Chúng ta thực hiện hồi quy GMM tĩnh với các giả định này và thu được kết quả:
Kết quả hồi quy GMM tĩnh, với LnGDP là biến nội sinh và LnPOP, LnLAND là biến công cụ, cho thấy sự thay đổi trong kết quả khi kiểm soát nội sinh.
Để đảm bảo tính hiệu quả của mô hình, chúng ta cần kiểm tra xem các biến công cụ có phải là biến công cụ yếu hay không. Thông thường, chúng ta sử dụng các kiểm định như kiểm định Anderson-Rubin hoặc kiểm định Hansen J.
Kết quả kiểm định biến công cụ yếu. Giá trị P-value > 0.05 cho thấy các biến công cụ không yếu.
Giả sử kết quả kiểm định cho thấy P-value > 0.05, điều này cho thấy các biến công cụ được sử dụng không phải là biến công cụ yếu và phù hợp để sử dụng trong mô hình.
GMM Động: Dynamic GMM
Mô hình GMM động được sử dụng khi biến nội sinh không được xác định rõ ràng hoặc có tính chất “dynamic” (thay đổi theo thời gian). Trong trường hợp này, chúng ta cần sử dụng các biến công cụ để giải thích biến nội sinh, nhưng bản chất “dynamic” của biến nội sinh đòi hỏi các phương pháp ước lượng đặc biệt. GMM động được chia thành hai trường phái chính: D.GMM (Difference GMM) và S.GMM (System GMM).
D.GMM: Difference GMM
D.GMM là một phương pháp ước lượng sử dụng sai phân (difference) của các biến để loại bỏ các hiệu ứng cố định (fixed effects) và giảm thiểu vấn đề nội sinh. Trong phương pháp này, các biến công cụ thường là các giá trị trễ (lagged values) của các biến nội sinh và ngoại sinh.
Ví dụ, chúng ta tiếp tục sử dụng LnPOP và LnLAND làm biến công cụ và thực hiện hồi quy D.GMM:
Kết quả hồi quy D.GMM, sử dụng sai phân để giảm thiểu nội sinh, cho thấy sự khác biệt so với các phương pháp hồi quy khác.
S.GMM: System GMM
S.GMM (System GMM) là một phương pháp ước lượng kết hợp cả phương trình sai phân và phương trình mức (level) để cải thiện hiệu quả của ước lượng so với D.GMM. S.GMM sử dụng các giá trị trễ của các biến làm công cụ cho phương trình sai phân, và sử dụng các sai phân của các biến làm công cụ cho phương trình mức.
Trong kinh tế lượng, công cụ ước tính Arellano-Bond là một phương pháp S.GMM được sử dụng để ước lượng các mô hình dữ liệu bảng động. Nó được đề xuất bởi Manuel Arellano và Stephen Bond vào năm 1991 để giải quyết vấn đề nội sinh, tính không đồng nhất và tương quan nối tiếp trong dữ liệu bảng tĩnh. S.GMM bao gồm cả phương trình mức và phương trình sai phân đầu tiên, và cung cấp một sự thay thế cho công cụ ước tính D.GMM.
Trong việc khắc phục biến nội sinh, S.GMM thường là lựa chọn ưu tiên.
Kết quả hồi quy S.GMM, kết hợp cả phương trình sai phân và phương trình mức, thường được ưu tiên để khắc phục nội sinh.
Khi chúng ta thực hiện hồi quy GMM theo các phương pháp khác nhau, chúng ta sẽ thu được các kết quả khác nhau. Việc lựa chọn phương pháp phù hợp phụ thuộc vào đặc điểm của dữ liệu và mục tiêu nghiên cứu.
Hy vọng rằng hướng dẫn này cung cấp cho bạn cái nhìn tổng quan và chi tiết về hồi quy GMM và các biến thể của nó.