Home | KTL nâng cao | Minh họa ước lượng PMG trên EViews

Minh họa ước lượng PMG trên EViews

Mô hình ARDL có thể xảy ra vấn đề thiên chệch khi có sự tương quan giữa biến giải thích sai phân trung bình với thành phần sai số. Sự thiên chệch này càng tăng khi T lớn. Phương pháp phổ biến để giải quyết vấn đề thiên chệch này là sử dụng phương pháp PMG được đề xuất bởi Pesaran, Shin and Smith (PSS, 1999). Bài viết sau sẽ giới thiệu và minh họa phương pháp ước lượng PMG trên EViews.

1. Giới thiệu phương pháp PMG

Các mô hình tự hồi quy phân phối trễ (Autoregressive Distributed Lag - ARDL) là các dạng hồi quy bình phương tối thiểu chuẩn hóa bao gồm các độ trễ của biến phụ thuộc cũng như các biến giải thích trong mô hình.

Trong các thiết lập dữ liệu bảng liên quan đến các tác động riêng rẽ, ước lượng hồi quy chuẩn của các mô hình ARDL có thể xảy ra các vấn đề thiên chệch được gây ra bởi sự tương quan giữa các biến giải thích sai phân trung bình (mean-differenced regressors) với thành phần sai số. Sự thiên chệch này sẽ càng được khuếch đại khi T lớn và không thể khắc phục bằng cách tăng N.

Để giải quyết vấn đề này trong trường N lớn, T nhỏ thì chúng ta có thể sử dụng phương pháp ước lượng bảng động như ước lượng GMM chẳng hạn như ước lượng GMM theo Arellano-Bond (1991). Tuy nhiên, trong trường hợp T lớn thì các giả định của ước lượng GMM thường không còn phù hợp và hiệu quả ước lượng sẽ yếu đi. Trong trường hợp này, một phương pháp thay thế phổ biến là ước lượng PMG (Pooled Mean Group) của Pesaran, Shin and Smith (PSS, 1999). Ước lượng này cho phép xét đến dạng đồng kết hợp của mô hình ARDL cơ bản và điều chỉnh nó cho dữ liệu bảng bằng cách cho phép các hệ số cắt, hệ số ngắn hạn, thành phần đồng kết hợp thay đổi giữa các đơn vị bảng.

Theo đó, phương pháp PMG được sử dụng để ước lượng mô hình hiệu chỉnh sai số của tập biến liên quan đến mô hình:

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