Pooled OLS — Hồi quy gộp dữ liệu bảng

Pooled OLS gộp toàn bộ quan sát của dữ liệu bảng (N đơn vị × T kỳ) thành một mẫu duy nhất rồi chạy OLS như dữ liệu chéo, bỏ qua cấu trúc bảng. Đây là mô hình cơ sở (baseline) để so sánh với FE/RE.

Giả định mạnh

Pooled OLS giả định không có hiệu ứng cá thể ($\alpha_i$ giống nhau mọi đơn vị). Nếu tồn tại đặc điểm riêng không quan sát được tương quan với $X$, Pooled OLS chệch ⇒ dùng FE. Sai số trong cùng đơn vị thường tương quan ⇒ cần sai số chuẩn cụm (clustered).

---

Đặc tả mô hình

$$Y_{it} = \beta_0 + X_{it}\beta + \varepsilon_{it}$$

Giống OLS nhưng dùng toàn bộ $N \times T$ quan sát. Nên dùng clustered SE theo đơn vị.

---

Thực hiện trong EcoLab

1. Module Mô hình hóa → họ Dữ liệu bảng tuyến tính → Pooled OLS.
2. Khai báo entity/time, $Y$, $X$; chọn clustered SE.
3. Chạy; so sánh với FE/RE qua kiểm định; xuất mã tái lập.

---

Minh họa mã tái lập

Stata

* === Pooled OLS với sai số chuẩn cụm ===
* Sai số chuẩn cụm theo đơn vị (entity)
reg y x1 x2, vce(cluster id)

R

# === Pooled OLS (R — plm) ===
library(plm)

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

# Pooled OLS (model = "pooling")
model_pool <- plm(y ~ x1 + x2, data = pdata, model = "pooling")
summary(model_pool)

# Sai số chuẩn cụm theo đơn vị
library(lmtest)
coeftest(model_pool, vcov = vcovHC(model_pool,
         type = "HC1", cluster = "group"))

Python

from linearmodels.panel import PooledOLS
import statsmodels.api as sm

# === Pooled OLS (Python — linearmodels) ===
df = df.set_index(['id', 'year'])
y = df['y']
X = sm.add_constant(df[['x1', 'x2']])

model = PooledOLS(y, X).fit(cov_type='clustered', cluster_entity=True)
print(model.summary)

Video minh họa

Video Tutorial: Hướng dẫn chạy Pooled OLS trong EcoLab

Xem thêm

• FEM/REM · Between · Danh mục