Home | KTL nâng cao | Hạn chế của mô hình FEM vs REM

Hạn chế của mô hình FEM vs REM

Mô hình FEM vs REM còn được gọi là mô hình dữ liệu bảng tuyến tính cổ điển. Mô hình FEM vs REM là 2 mô hình phổ biến để ước lượng dữ liệu bảng. Tuy nhiên, cả 2 mô hình FEM vs REM đều gặp các vấn đề về tính ngoại sinh ngặt, tính nội sinh của biến, cũng như các vấn đề liên quan đến tính chất động của mô hình dữ liệu bảng. Bài viết sau sẽ làm rõ các hạn chế của 2 mô hình FEM vs REM này

1. Nhắc lại phương pháp ước lượng mô hình dữ liệu bảng tuyến tính cổ điển

Mô hình dữ liệu bảng tuyến tính cổ điển có dạng tổng quát như sau:

({y_{i,t}} = underbrace {{beta '}}_{(1xk)}underbrace {{X_{i,t}}}_{(kx1)} + {alpha _i} + {varepsilon _{i,t}})

Khi đó tính hiệu quả và sự tin cậy của mô hình FEM vs REM sẽ tùy thuộc vào giả định tính ngoại sinh ngặt (strict/strong exogeneity) (Eleft[ {{varepsilon _{i,t}}|{alpha _i},{X_i}} right] = 0) với ({X_i} = { {X_{i,s}}forall s = 1,2,...,T} ) là tập hợp các biến giải thích tại tất cả các thời điểm (quá khứ đến tương lai).

Bây giờ, giả sử chúng ta thêm biến trễ của biến phụ thuộc (gọi tắt là biến trễ phụ thuộc) vào mô hình như là một biến giải thích. Khi đó, mô hình sẽ có dạng: ({y_{i,t}} = rho {y_{i,t - 1}} + {beta '}{X_{i,t}} + {alpha _i} + {varepsilon _{i,t}}begin{array}{ccccccccccccccc}{}&{}&{(1)}end{array})

Phần nội dung có thu phí bên dưới đã được ẩn. Vui lòng đăng nhập hoặc đăng ký gói Premium. Trân trọng!