Cách chọn hồi quy D.GMM hay S.GMM & 4 kiểm định cần thiết

gmm3 FILEminimizer - Cách chọn hồi quy D.GMM hay S.GMM & 4 kiểm định cần thiết

Cách chọn hồi quy D.GMM hay S.GMM và 4 kiểm định cần thiết của mô hình hồi quy GMM thường dùng; Trong hồi quy GMM (Generalized Method of Moments) có 2 trường phái hồi quy đó là D.GMM ( Difference GMM) hay là S.GMM ( System GMM), chúng ta phải lựa chọn xem hồi quy nào tốt nhất; Ngoài ra chúng tôi còn giới thiệu đến các bạn 3 kiểm định quan trọng của hồi quy GMM nữa

D.GMM vs S.GMM

Hồi quy GMM là gì ?

Phương pháp tổng quát về thời điểm ( GMM ) là một phương pháp để xây dựng các công cụ ước tính, tương tự như khả năng xảy ra tối đa ( ML ). GMM sử dụng các giả định về thời điểm cụ thể của các biến ngẫu nhiên thay vì giả định về toàn bộ phân phối, điều này làm cho GMM mạnh hơn ML , với chi phí hiệu quả nhất định. Các giả định được gọi là điều kiện thời điểm.

GMM tổng quát hóa phương pháp mô men ( MM ) bằng cách cho phép số lượng điều kiện mô men lớn hơn số lượng tham số. Việc sử dụng các điều kiện thời điểm bổ sung này làm cho GMM hiệu quả hơn MM . Khi có nhiều điều kiện thời điểm hơn tham số, công cụ ước tính được cho là được xác định quá mức. GMM có thể kết hợp các điều kiện thời điểm một cách hiệu quả khi công cụ ước tính được xác định quá mức.

Các công cụ ước tính GMM được biết là nhất quán , tiệm cận bình thường và hiệu quả trong loại tất cả các công cụ ước tính không sử dụng bất kỳ thông tin bổ sung nào ngoài thông tin có trong các điều kiện thời điểm. GMM được Lars Peter Hansen ủng hộ vào năm 1982 như một sự tổng quát hóa của phương pháp khoảnh khắc ,  được Karl Pearson giới thiệu vào năm 1894. Tuy nhiên, những ước lượng này tương đương về mặt toán học với những ước lượng dựa trên “điều kiện trực giao” (Sargan, 1958, 1959) hoặc “các phương trình ước lượng không chệch hướng” (Huber, 1967; Wang và cộng sự, 1997).

ĐỌC:  Cách phân tích thống kê mô tả dữ liệu

Hồi quy D.GMM là gì ?

Công cụ ước tính ban đầu thường được gọi là GMM chênh lệch, trong khi công cụ ước tính mở rộng thường được gọi là GMM hệ thống. Chi phí của công cụ ước tính GMM Hệ thống liên quan đến một tập hợp các hạn chế bổ sung đối với các điều kiện ban đầu của quá trình tạo ra y. Công cụ ước tính này có sẵn trong Stata dưới dạng xtdpdsys.

DGMM - Cách chọn hồi quy D.GMM hay S.GMM & 4 kiểm định cần thiết
Ước lượng DGMM trên Stata

Hồi quy S.GMM là gì ?

Một điểm yếu tiềm ẩn trong công cụ ước tính DPD Arellano-Bond đã được tiết lộ trong tác phẩm sau này của Arellano và Bover (1995) và Blundell và Bond (1998). Các mức độ trễ thường là công cụ khá kém cho các biến khác biệt đầu tiên, đặc biệt nếu các biến gần với một bước đi ngẫu nhiên. Việc sửa đổi công cụ ước tính của họ bao gồm các mức độ trễ cũng như chênh lệch độ trễ.

SGMM - Cách chọn hồi quy D.GMM hay S.GMM & 4 kiểm định cần thiết
Ước lượng SGMM trên Stata

Trong kinh tế lượng , công cụ ước tính Arellano-Bond là một phương pháp tổng quát của công cụ ước tính thời điểm được sử dụng để ước tính các mô hình động của dữ liệu bảng . Nó được đề xuất vào năm 1991 bởi Manuel Arellano và Stephen Bond ,  dựa trên công trình trước đó của Alok Bhargava và John Denis Sargan vào năm 1983, để giải quyết một số vấn đề về nội sinh.  Công cụ ước lượng GMM-SYS là một hệ thống có chứa cả các mức và các phương trình sai khác đầu tiên. Nó cung cấp một giải pháp thay thế cho công cụ ước tính GMM khác biệt đầu tiên tiêu chuẩn.

ĐỌC:  sau đại học Hỗ trợ tư vấn

Lựa chọn DGMM hay S.GMM ?

Theo blundell-bond (1998) thì hồi quy D.GMM sẽ hiệu quả hơn S.GMM khi

  • Biến giai đoạn là ngắn, bao nhiêu là ngắn và bao nhiêu là dài thì tác giả không nói rõ,  trong paper đó này tác giả chạy với 4 giai đoạn, thì tới đây ta sét luôn, giai đoạn <5 thì gọi là ngắn, còn >5 thì gọi là dài.
  • Mô hình nghèo biến công cụ : Cái này thì dễ hiểu hơn, thông thường hiện tương nghèo biến công cụ xảy ra khi dữ liệu tương đối khiêm tốn.

Bởi vậy theo chiều ngược lại thì phần lớn dữ liệu chúng ta có được thì chạy Sys.GMM sẽ hiệu quả hơn nhiều, không có ai mà chạy gian đoạn ngắn như thế và lượng quan sát ít như vậy nữa, nên không có hiện tượng nghèo biến công cụ.

Kiểm định cần thiết của GMM

Lượng biến công cụ (Instruments) cần thiết.

Một nhược điểm xẩy ra khi bạn chạy bộ dữ liệu lớn với nhiều quan sát và nhiều biến là biến công cụ tạo ra quá nhiều, nó sẽ xảy ra hiện tượng quá phù hợp trong mô hình nghiên cứu.

Bởi vậy, theo các nhà nghiên cứu lượng biến công cụ sử dụng trong mô hình phải nhỏ hơn lượng nhóm dữ liệu trong mô hình, để hạn chế sự phù hợp quá mức  của biến công cụ trong mô hình nghiên cứu.

Lựa chọn one-step hay two-step trong ước lượng ?

Lại một vấn đề nhức đầu xảy ra trong hồi quy GMM, chúng ta có 2 cách để hồi quy đó là one-step hay two-step, rất may với ước lượng 2 bước để xử dụng sai số chuẩn làm giảm đi lượng Bias (Đây cũng là chung với phương pháp khắc phục hiện tượng tự tương quan với phương sai của sai số thay đổi: ước lượng vững ma trận hiệp phương sai)

ĐỌC:  tổng hợp những hồi quy dữ liệu bảng (data panel) phổ biến

Ước lượng two-step: Ma trận trọng số ước tính kém không ảnh hưởng đến tính nhất quán của các ước lượng tham số – thời điểm đầu tiên của các công cụ ước lượng – nhưng nó có thống kê chệch liên quan đến thời điểm thứ hai của chúng, như điều này và các tiểu mục tiếp theo thảo luận. Đầu tiên, các công thức thông thường cho sai số tiêu chuẩn hệ số trong GMM hai bước có xu hướng bị sai lệch nghiêm trọng khi số lượng thiết bị cao.

Chọn AR(1) hay AR(2)

Trong kiểm định này không phải chọn 1 trong 2 nhưng những cái trên mà là phải chọn song song cả 2 cái luôn, và được chọn như sau:

Đây là kiểm định Arellano and Bond Autocorrelation Test yêu cầu 2 bậc tự do,

AR(1) < 0.05 và  AR(2) >0.05 Để cho mô hình không có hiện tượng tự tương quan Arellano and Bond

Theo lý thuyết là như trên, nhưng mình vẫn đọc nhiều công bố chỉ có AR(2) > 0.05 thôi.

Chọn Hansen test hay Sargan test

Vấn đề lựa chọn này thì quá dễ dàng nha các bạn:

  • Nếu bạn chọn ước lượng one-step thì chọn Sargan test
  • Còn bạn chọn two-step thì hãy chọn Hansen test.

Dịch vụ chạy GMM và làm data

Trong chạy hồi quy GMM ngoài những kiểm định trên rất phức tạp ra, còn có nữa là chọn biến công cụ cho phù hợp, với lag chạy cho model, nếu bạn gặp khó khăn trong vấn đề này, hay mô hình bị sai phạm kiểm định, cần làm data lại, các bạn đừng ngần ngại hãy liên hệ ngay với chúng tôi để tư vấn và hỗ trợ chạy model.

Ngoài dịch vụ làm data ra chúng tôi còn nhận hướng dẫn sử dụng mô hình GMM qua các phần mềm thông dụng như Eviews, Stata, R … Các bạn có nhu cầu học hỏi hãy liên hệ chúng tôi để được sắp xếp lịch học online hay trực tiếp.

Trả lời

Email của bạn sẽ không được hiển thị công khai. Các trường bắt buộc được đánh dấu *