Nợ công và tăng trưởng kinh tế (dữ liệu bảng)
Trang này minh họa quy trình 5 bước của EcoLab cho một đề tài dữ liệu bảng phổ biến: tác động của nợ công đến tăng trưởng kinh tế. Trọng tâm là cách chọn giữa FEM/REM và GMM động khi mô hình có tính động và nghi ngờ nội sinh. Các con số kết quả là minh họa định dạng, không phải kết quả thực nghiệm chính thức.
Tóm tắt: với bảng nhiều quốc gia × nhiều năm và mô hình tăng trưởng động (có biến tăng trưởng trễ), System GMM thường phù hợp hơn FEM do kiểm soát được nội sinh và chệch Nickell.
Bước 1 — Tạo ý tưởng (Ideation)
- Câu hỏi nghiên cứu: nợ công (debt/GDP) ảnh hưởng thế nào đến tăng trưởng, và có ngưỡng phi tuyến không?
- Đóng góp dự kiến: kiểm định quan hệ nợ–tăng trưởng có kiểm soát nội sinh bằng GMM cho mẫu cập nhật.
Bước 2 — Tổng quan tài liệu (Literature Review)
EcoLab tổng hợp tài liệu (ví dụ tranh luận quanh ngưỡng nợ 90% GDP), chuẩn hóa trích dẫn, làm rõ khoảng trống và biến số. Khung: lý thuyết tăng trưởng tân cổ đi ển + nội sinh.
Bước 3 — Thu thập dữ liệu (Data Collection)
| Biến | Ký hiệu | Đo lường | Nguồn |
|---|---|---|---|
| Tăng trưởng GDP | growth | % thay đổi GDP thực | World Bank WDI; IMF WEO |
| Nợ công | debt | Nợ công / GDP (%) | IMF; World Bank |
| Đầu tư | invest | Tổng vốn cố định / GDP (%) | World Bank WDI |
| Độ mở thương mại | open | (XK + NK)/GDP (%) | World Bank WDI |
| Lạm phát | inf | % thay đổi CPI | World Bank WDI |
- Cấu trúc: bảng ~30–60 quốc gia × ~20 năm (N lớn, T vừa) — phù hợp GMM động.
- Trong EcoLab, kết nối EcoData hoặc nguồn công khai, ghép biến, làm sạch và xem thống kê mô tả.
Bước 4 — Mô hình hóa (Modeling)
Chiến lược ước lượng theo thứ tự:
- Pooled OLS (cơ sở) → FEM/REM; chạy Hausman để chọn giữa FEM và REM.
- Nhận diện tính động (thêm
growth_lag) và nội sinh (debt có thể nội sinh) → chuyển sang System GMM. - Kiểm định bắt buộc cho GMM: AR(2), Hansen, kiểm soát số công cụ.
Kết quả minh họa (định dạng — không phải kết quả thực):
| FEM | System GMM | |
|---|---|---|
| growth_lag | — | 0.30*** |
| debt | −0.06** | −0.04** |
| invest | 0.22*** | 0.19*** |
| Hausman | p=0.01 → FEM | — |
| AR(2) p-value | — | 0.37 (hợp lệ) |
| Hansen p-value | — | 0.31 (hợp lệ) |
Diễn giải mẫu: nợ công có tác động âm nhỏ đến tăng trưởng; GMM xác nhận dấu sau khi kiểm soát nội sinh và tính động.
Mã tái lập:
- Stata
- R
- Python
* === Nợ công & Tăng trưởng — Panel FE/RE + Hausman ===
xtset country year
* Fixed Effects với sai số chuẩn robust
xtreg growth debt invest open, fe vce(robust)
estimates store fe_est
* Random Effects
xtreg growth debt invest open, re
estimates store re_est
* Kiểm định Hausman
hausman fe_est re_est
# === Nợ công & Tăng trưởng — Panel FE/RE + Hausman ===
library(plm)
pdata <- pdata.frame(df, index = c("country", "year"))
# Fixed Effects
fe <- plm(growth ~ debt + invest + open,
data = pdata, model = "within")
summary(fe)
# Random Effects
re <- plm(growth ~ debt + invest + open,
data = pdata, model = "random")
summary(re)
# Kiểm định Hausman
phtest(fe, re)
from linearmodels.panel import PanelOLS, RandomEffects
import statsmodels.api as sm
# === Nợ công & Tăng trưởng — Panel FE ===
df = df.set_index(['country', 'year'])
y = df['growth']
X = sm.add_constant(df[['debt', 'invest', 'open']])
# Fixed Effects với sai số chuẩn cụm
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)
Bước 5 — Báo cáo (Reporting)
EcoLab tạo báo cáo chuẩn (APA/Chicago/Harvard/IEEE/MLA) gồm dữ liệu & phương pháp, bảng kết quả FEM vs GMM, chẩn đoán, thảo luận và phụ lục mã tái lập (Stata/R/Python).
Tái lập và kiểm chứng
Mọi bước ước lượng (FEM, REM, Hausman, System GMM với AR(2)/Hansen) được sinh thành mã tái lập ở thẻ tương ứng để chạy lại độc lập — đảm bảo minh bạch và kiểm chứng được.