FEM và REM cho dữ liệu bảng (Panel Data)

Khi dữ liệu theo dõi nhiều đơn vị (quốc gia, doanh nghiệp, tỉnh thành) qua nhiều thời kỳ, hai ước lượng phổ biến nhất là FEM (Fixed Effects Model — hiệu ứng cố định) và REM (Random Effects Model — hiệu ứng ngẫu nhiên). Cả hai đều kiểm soát đặc điểm không quan sát được của từng đơn vị, nhưng khác nhau ở giả định về mối tương quan giữa đặc điểm đó và các biến giải thích.

Trong EcoLab, FEM/REM thuộc nhóm Dữ liệu bảng (Panel Data) và sinh được mã tái lập trên Stata, R, Python. Xem Ước lượng & Mô hình hóa.

---

Khác biệt cốt lõi

• FEM giả định đặc điểm riêng không quan sát được của đơn vị (α_i) có thể tương quan với biến giải thích. FEM loại bỏ α_i bằng biến đổi within (trừ trung bình theo đơn vị), nên ước lượng nhất quán ngay cả khi có tương quan đó — nhưng không ước lượng được biến bất biến theo thời gian (time-invariant).
• REM giả định α_i không tương quan với biến giải thích và xem nó như thành phần ngẫu nhiên. REM hiệu quả hơn (sai số chuẩn nhỏ hơn) nếu giả định đúng, và ước lượng được cả biến bất biến theo thời gian — nhưng chệch (biased) nếu giả định bị vi phạm.

---

Khi nào dùng mô hình nào?

Tình huống	Nên chọn
Nghi ngờ α_i tương quan với biến giải thích (nội sinh do đặc điểm đơn vị)	FEM
Quan tâm hệ số của biến bất biến theo thời gian (giới tính, vị trí địa lý cố định)	REM
Mẫu là chọn ngẫu nhiên từ tổng thể lớn, α_i được xem như ngẫu nhiên	REM
Không chắc chắn	Chạy cả hai và dùng kiểm định Hausman

---

Đặc tả mô hình

$$Y_{it} = \beta \, X_{it} + \alpha_i + u_{it}$$

• $Y_{it}$: biến phụ thuộc của đơn vị $i$ tại thời kỳ $t$.
• $X_{it}$: vector biến giải thích.
• $\alpha_i$: đặc điểm riêng không quan sát được của đơn vị $i$.
• FEM xử lý $\alpha_i$ như tham số cố định; REM xử lý $\alpha_i$ như biến ngẫu nhiên với $E[\alpha_i \mid X_{it}] = 0$.

---

Kiểm định Hausman

Kiểm định Hausman so sánh ước lượng FEM và REM:

• Giả thuyết H0: REM nhất quán (không có tương quan giữa α_i và X) → chọn REM (hiệu quả hơn).
• Bác bỏ H0 (p-value nhỏ) → REM chệch → chọn FEM.

Ngoài Hausman, nên kiểm tra: phương sai sai số thay đổi (Modified Wald), tự tương quan (Wooldridge), và phụ thuộc chéo (cross-sectional dependence) với bảng nhiều thời kỳ. Khi có các khuyết tật này, dùng sai số chuẩn vững/cụm (clustered robust).

---

Thực hiện trong EcoLab

1. Ở module Thu thập dữ liệu, lấy dữ liệu bảng (đảm bảo có cột đơn vị/entity và cột thời gian/time).
2. Ở module Mô hình hóa, nhấn Thêm mô hình → nhóm Panel Data → chọn Fixed Effects hoặc Random Effects.
3. Khai báo biến Entity và Time, chọn Y và các biến X.
4. Chọn cấu trúc sai số chuẩn: Robust hoặc Clustered theo đơn vị nếu nghi ngờ khuyết tật.
5. Chạy cả FEM và REM, mở thẻ Chẩn đoán để xem kiểm định Hausman và quyết định mô hình cuối cùng.

---

Ví dụ đầu vào / đầu ra

Đầu vào (minh họa): bảng 63 tỉnh × 10 năm với pci (chỉ số năng lực cạnh tranh), fdi (vốn FDI), labor (lực lượng lao động).

Đầu ra (định dạng, số liệu minh họa — không phải kết quả thực):

	FEM	REM
fdi	0.31***	0.29***
labor	0.12*	0.18**
Hausman p-value	—	0.004 → chọn FEM

Diễn giải: Hausman bác bỏ H0 ⇒ ưu tiên FEM; hệ số labor time-invariant một phần nên FEM kém ổn định với biến ít biến thiên.

---

Minh họa mã tái lập

Stata

* === FEM / REM / Hausman trong Stata ===
xtset id year

* Fixed Effects với sai số chuẩn robust
xtreg y x1 x2, fe vce(robust)
estimates store fe_est

* Random Effects
xtreg y x1 x2, re
estimates store re_est

* Kiểm định Hausman: FE vs RE
hausman fe_est re_est

R

# === FEM / REM / Hausman trong R ===
library(plm)

pdata <- pdata.frame(df, index = c("id", "year"))

# Fixed Effects (within)
fe <- plm(y ~ x1 + x2, data = pdata, model = "within")
summary(fe)

# Random Effects
re <- plm(y ~ x1 + x2, data = pdata, model = "random")
summary(re)

# Kiểm định Hausman
phtest(fe, re)

Python

from linearmodels.panel import PanelOLS, RandomEffects
import statsmodels.api as sm

# === FEM / REM trong Python (linearmodels) ===
df = df.set_index(['id', 'year'])
y = df['y']
X = sm.add_constant(df[['x1', 'x2']])

# Fixed Effects
fe = PanelOLS(y, X, entity_effects=True).fit(cov_type='clustered',
                                              cluster_entity=True)
print(fe.summary)

# Random Effects
re = RandomEffects(y, X).fit()
print(re.summary)

# So sánh FE vs RE (xem hệ số và dùng Hausman test)

---

Hạn chế và lưu ý

• FEM không ước lượng được biến bất biến theo thời gian.
• REM cho kết quả chệch nếu giả định không tương quan bị vi phạm — luôn kiểm tra Hausman.
• Bảng "rộng theo thời gian" (T lớn) cần lưu ý phụ thuộc chéo và tính dừng; cân nhắc panel chuỗi thời gian.
• Với biến phụ thuộc trễ ở vế phải hoặc nội sinh động, cân nhắc GMM (Arellano–Bond).

---

Video minh họa

Video Tutorial: Hướng dẫn chạy FEM / REM trong EcoLab

Xem thêm

• Mô hình ARDL (chuỗi thời gian)
• Ví dụ: FDI và tăng trưởng kinh tế Việt Nam
• Ước lượng & Mô hình hóa Kinh tế lượng