Mục tiêu: không học thuộc tên test. Hãy luôn hỏi: “Mô hình của tôi đang có vấn đề gì, test này kiểm tra điều gì, và kết quả sẽ làm tôi thay đổi mô hình ra sao?”Cẩm nang Test & Phương pháp Nghiên cứu Thực nghiệm
A. Trước khi hồi quy
B. Chọn mô hình panel: OLS, FE hay RE?
C. Chẩn đoán sai số và inference
D. Endogeneity & IV / 2SLS
E. Robustness & falsification
F. Heterogeneity, mechanism và interaction
G. Difference-in-Differences & Event Study
H. Matching & reweighting
I. GMM / Dynamic panel
J. Cheat sheet: gặp vấn đề gì thì nghĩ đến test nào?
Lo ngại Test / cách kiểm tra Nếu có vấn đề Pooled OLS quá đơn giản? F-test FE; BP LM Cân nhắc FE/RE FE hay RE? Hausman + logic thiết kế Thường ưu tiên FE nếu unobserved firm effect có thể corr với X Multicollinearity? Correlation, VIF Xem biến trùng nội hàm; tránh controls dư thừa Heteroskedasticity? BP/White; robust/cluster Dùng inference phù hợp Serial correlation? Wooldridge Cluster firm hoặc estimator phù hợp Endogeneity? DWH + theory IV/2SLS/GMM/natural experiment IV có liên quan X? First stage coefficient + F Đổi/strengthen IV nếu yếu Underidentified? KP rk LM Không đủ identification Weak IV? KP rk Wald F / CD / Stock–Yogo AR/Stock–Wright, reconsider IV IV có valid? Exclusion logic, placebo, Hansen J nếu overidentified Alternative IV / direct-channel tests Reverse causality? Lagged X, IV, shock design Không chỉ dựa OLS contemporaneous Result phụ thuộc 1 proxy? Alternative Y/X Kiểm tra consistency Result do 1 country/industry? Leave-one-out Đánh giá influential group Lo omitted-variable bias? Oster δ / identified set; coefficient stability Định lượng sensitivity thay vì chỉ nói “đã thêm controls” Placebo/falsification? Fake date, fake group, placebo outcome, future lead Kết quả placebo nên gần 0 theo theory Ít clusters? Wild cluster bootstrap Dùng bootstrap p-value/CI Outlier/influential units? Cook/DFBETA, robust/median regression, leave-one-out Kiểm tra sensitivity theo rule minh bạch Causal timing đáng ngờ? Future-lead placebo Kiểm tra trend/common shocks DiD assumptions? Parallel trends/event study/placebo date Xem lại control group hoặc design Dynamic panel? AR(1), AR(2), Hansen, instrument count Giảm instruments / chỉnh lag structure
1. Hiểu dữ liệu
2. Chọn mô hình
3. Kiểm tra sai số
4. Xử lý nội sinh
5. Robustness & cơ chế
Câu hỏi nó trả lời
Cho biết dữ liệu “trông như thế nào”: trung bình, độ phân tán, min/max, số quan sát.
Khi nào dùng
Trước mọi regression.
H0 / logic kiểm định
Không có H0/H1; đây là bước mô tả.
Đọc kết quả
Nếu max/min quá cực đoan, cần kiểm tra outlier, đơn vị hoặc lỗi nhập liệu.
Ví dụ dễ hiểu
ROA trung bình 5% nhưng max 900% → rất có thể outlier hoặc sai đơn vị.
Lỗi hay gặp
Đừng bỏ qua vì “chỉ là mô tả”. Một bảng mô tả bất thường có thể báo lỗi dữ liệu trước khi chạy cả bài.
Stata mẫu
summarize y x1 x2, detail
Câu hỏi nó trả lời
Xem hai biến có cùng biến động tuyến tính mạnh không.
Khi nào dùng
Trước baseline; dùng như mô tả, không phải bằng chứng nhân quả.
H0 / logic kiểm định
Thường test H0: corr = 0.
Đọc kết quả
|corr| cao cho thấy liên hệ mạnh; nhưng corr thấp không có nghĩa không tồn tại quan hệ phi tuyến hoặc conditional relationship.
Ví dụ dễ hiểu
Size và total assets gần như cùng một khái niệm → corr rất cao là dễ hiểu.
Lỗi hay gặp
Không kết luận “X gây Y” chỉ vì correlation có ý nghĩa.
Stata mẫu
pwcorr y x1 x2 x3, sig star(.05)
Câu hỏi nó trả lời
Các biến giải thích có “na ná nhau” đến mức làm SE phình to không?
Khi nào dùng
OLS hoặc mô hình controls nhiều biến gần nhau.
H0 / logic kiểm định
Không có H0 chuẩn theo cách dùng thông thường; VIF đo mức inflation của variance.
Đọc kết quả
Quy tắc kinh nghiệm: VIF > 10 đáng lo; >5 cần chú ý. Đừng dùng cutoff như luật cứng.
Ví dụ dễ hiểu
Leverage và debt/assets được đưa cùng lúc → có thể gây multicollinearity.
Lỗi hay gặp
VIF cao không làm coefficient tự động bị bias; vấn đề chính là precision và khó tách riêng tác động.
Stata mẫu
reg y x1 x2 x3\nvif
Câu hỏi nó trả lời
Kết quả có bị vài quan sát cực đoan “kéo” đi không?
Khi nào dùng
Corporate finance ratios, market ratios, growth variables.
H0 / logic kiểm định
Không phải hypothesis test cổ điển.
Đọc kết quả
So sánh baseline trước/sau winsor; nếu dấu và ý nghĩa thay mạnh, cần giải thích.
Ví dụ dễ hiểu
Sales growth 3,000% của vài firm có thể chi phối slope.
Lỗi hay gặp
Không winsor mọi biến một cách máy móc; country/year indices thường không nên xử lý như firm ratios.
Stata mẫu
winsor2 y x1 x2, cuts(1 99) replace
Câu hỏi nó trả lời
Có tồn tại firm-specific effects đáng kể, tức pooled OLS quá đơn giản không?
Khi nào dùng
Panel data; so pooled OLS với fixed effects.
H0 / logic kiểm định
H0: các individual effects bằng 0 → pooled OLS đủ.
Đọc kết quả
p nhỏ → bác bỏ H0 → có bằng chứng cần FE thay vì pooled OLS.
Ví dụ dễ hiểu
Mỗi công ty có văn hóa quản trị cố hữu khác nhau nhưng không quan sát được.
Lỗi hay gặp
Đừng nhầm với F-statistic chung của regression.
Stata mẫu
xtset firm_id year\nxtreg y x1 x2, fe
Câu hỏi nó trả lời
RE có tốt hơn pooled OLS không?
Khi nào dùng
So pooled OLS với random effects.
H0 / logic kiểm định
H0: variance của panel-level random effect = 0.
Đọc kết quả
p nhỏ → RE có thêm giá trị so với pooled OLS.
Ví dụ dễ hiểu
Nếu firm khác nhau thực sự về thành phần ngẫu nhiên dài hạn, pooled OLS bỏ sót cấu trúc này.
Lỗi hay gặp
LM không giúp chọn FE hay RE; nó chủ yếu so RE với pooled OLS.
Stata mẫu
xtreg y x1 x2, re\nxttest0
Câu hỏi nó trả lời
Unobserved firm effect có tương quan với regressors không?
Khi nào dùng
Khi cần lựa chọn FE hay RE theo framework cổ điển.
H0 / logic kiểm định
H0: RE consistent; khác biệt coefficient FE và RE không có hệ thống.
Đọc kết quả
p nhỏ → thường chọn FE; p lớn → RE có thể chấp nhận theo giả định Hausman.
Ví dụ dễ hiểu
Nếu “chất lượng quản trị cố hữu” vừa ảnh hưởng investment vừa liên quan leverage, RE dễ sai.
Lỗi hay gặp
Không biến Hausman thành nghi thức. Nhiều nghiên cứu corporate finance chọn FE vì logic thiết kế, kể cả khi Hausman không đẹp.
Stata mẫu
xtreg y x1 x2, fe\nest store fe\nxtreg y x1 x2, re\nest store re\nhausman fe re
Câu hỏi nó trả lời
Loại bỏ loại omitted variables nào?
Khi nào dùng
Khi có panel hoặc dữ liệu nhiều quốc gia/ngành.
H0 / logic kiểm định
Không phải test; là lựa chọn thiết kế.
Đọc kết quả
Firm FE loại bỏ đặc điểm firm bất biến theo thời gian; year FE loại cú sốc chung từng năm; industry/country FE loại khác biệt cố hữu tương ứng.
Ví dụ dễ hiểu
Firm FE loại bỏ “DNA doanh nghiệp”; year FE loại cú sốc COVID chung năm 2020.
Lỗi hay gặp
Nếu X chỉ thay đổi theo năm như global UCT, full year FE sẽ hấp thụ X. Đây là vấn đề identification chứ không phải lỗi Stata.
Stata mẫu
reghdfe y x1 controls, absorb(firm_id year) vce(cluster firm_id)
Câu hỏi nó trả lời
Variance của error có thay đổi theo mức của X/firm không?
Khi nào dùng
Cross-section/panel khi nghi ngờ phương sai sai số không đều.
H0 / logic kiểm định
H0: homoskedasticity.
Đọc kết quả
p nhỏ → heteroskedasticity; OLS coefficient có thể vẫn unbiased nhưng conventional SE sai.
Ví dụ dễ hiểu
Firm lớn có residual variance khác firm nhỏ.
Lỗi hay gặp
Thường giải pháp thực tế trong panel là robust/clustered SE, không phải “sửa” dữ liệu.
Stata mẫu
reg y x1 x2\nestat hettest
Câu hỏi nó trả lời
Sai số của cùng một firm qua các năm có liên quan nhau không?
Khi nào dùng
Panel data.
H0 / logic kiểm định
H0: không có first-order serial correlation.
Đọc kết quả
p nhỏ → có serial correlation; cần inference phù hợp, thường cluster theo firm.
Ví dụ dễ hiểu
Firm có shock năm 2022 thường kéo sang 2023.
Lỗi hay gặp
SE robust thông thường không nhất thiết xử lý đúng dependence theo thời gian trong firm.
Stata mẫu
xtserial y x1 x2
Câu hỏi nó trả lời
Sai số giữa các firms/countries cùng thời điểm có đi cùng nhau không?
Khi nào dùng
Panel rộng, đặc biệt macro/finance quốc tế.
H0 / logic kiểm định
H0: cross-sectional independence.
Đọc kết quả
p nhỏ → có common dependence; cân nhắc time effects, Driscoll–Kraay hoặc clustering phù hợp.
Ví dụ dễ hiểu
Khủng hoảng tài chính khiến residual của nhiều công ty cùng tăng một lúc.
Lỗi hay gặp
Không phải cứ có dependence là dùng một loại SE duy nhất; cluster level phải theo nguồn shock.
Stata mẫu
xtcsd, pesaran abs
Câu hỏi nó trả lời
Làm SE “chịu được” correlation trong cùng cluster.
Khi nào dùng
Panel corporate finance gần như mặc định cluster theo firm; đôi khi two-way firm × year.
H0 / logic kiểm định
Không phải test.
Đọc kết quả
Coefficient không đổi đáng kể, nhưng SE/t/p-value có thể đổi.
Ví dụ dễ hiểu
Nhiều năm của cùng một firm không độc lập → cluster firm.
Lỗi hay gặp
Không cluster theo biến tùy tiện. Cluster nên bám theo level nơi shock/error cùng phụ thuộc.
Stata mẫu
reghdfe y x controls, absorb(firm_id) vce(cluster firm_id)\nreghdfe y x controls, absorb(firm_id) vce(cluster firm_id year)
Nhớ 2 điều kiện cốt lõi của IV: (1) Relevance: Z phải dự báo X; (2) Exclusion / exogeneity: Z không được ảnh hưởng Y qua con đường nào khác ngoài X. Một F-stat cao chỉ giải quyết điều kiện (1), không chứng minh điều kiện (2).
Câu hỏi nó trả lời
Biến X nghi ngờ có thực sự endogenous không?
Khi nào dùng
Khi có IV hợp lý và muốn kiểm tra OLS/FE có bị endogeneity.
H0 / logic kiểm định
H0: X exogenous.
Đọc kết quả
p nhỏ → bác bỏ exogeneity → IV/2SLS có lý do mạnh hơn.
Ví dụ dễ hiểu
Investment và cash có thể tác động hai chiều; DWH kiểm tra liệu treating cash as exogenous có hợp lý không.
Lỗi hay gặp
Nếu IV bản thân yếu hoặc invalid, endogeneity test cũng khó tin.
Stata mẫu
ivreg2 y controls (x = z), robust endog(x)
Câu hỏi nó trả lời
Instrument Z có dự báo endogenous X đúng chiều và có ý nghĩa không?
Khi nào dùng
Mọi IV/2SLS.
H0 / logic kiểm định
H0: coefficient của Z trong first stage = 0.
Đọc kết quả
Z nên có coefficient có ý nghĩa và logic kinh tế hợp lý.
Ví dụ dễ hiểu
Tax shock dùng làm IV phải thực sự làm peer investment thay đổi.
Lỗi hay gặp
“Có significance” chưa đủ; cần xem strength bằng F/KP F.
Stata mẫu
ivreghdfe y controls (x = z), absorb(firm_id) cluster(firm_id) first
Câu hỏi nó trả lời
Instrument có đủ mạnh hay chỉ liên quan rất yếu với X?
Khi nào dùng
1 endogenous regressor; IV diagnostics.
H0 / logic kiểm định
H0 diễn giải đơn giản: excluded instruments không jointly explain X.
Đọc kết quả
F cao tốt hơn. Rule-of-thumb F>10 thường được dùng nhưng không phải chuẩn tuyệt đối.
Ví dụ dễ hiểu
Z có p=.03 nhưng F=3 → vẫn có thể là weak IV.
Lỗi hay gặp
Đừng chỉ viết “F>10 nên IV hợp lệ”; exclusion restriction vẫn chưa được kiểm tra.
Stata mẫu
ivreg2 y controls (x = z), first
Câu hỏi nó trả lời
Mô hình có được identified không — instrument có đủ liên hệ để xác định endogenous regressors không?
Khi nào dùng
IV với robust/clustered errors; đặc biệt ivreg2/ivreghdfe.
H0 / logic kiểm định
H0: underidentified.
Đọc kết quả
p nhỏ → bác bỏ underidentification → mô hình được identified.
Ví dụ dễ hiểu
Nếu Z gần như không liên quan X, ta không thể tách causal variation của X.
Lỗi hay gặp
KP LM trả lời “có identification không”, không trả lời instrument có đủ mạnh không.
Stata mẫu
ivreg2 y controls (x = z), cluster(firm_id) first
Câu hỏi nó trả lời
Sau khi identified, instrument có đủ mạnh không?
Khi nào dùng
IV với heteroskedastic/cluster-robust inference.
H0 / logic kiểm định
Không đọc bằng p-value đơn giản; so magnitude với benchmarks/critical values phù hợp.
Đọc kết quả
Càng cao càng tốt; thấp cảnh báo weak IV.
Ví dụ dễ hiểu
KP F=4 là cảnh báo mạnh dù first-stage coefficient có ý nghĩa.
Lỗi hay gặp
Không dùng cứng “10” cho mọi thiết kế nhiều IV/nhiều endogenous variables.
Stata mẫu
ivreg2 y controls (x = z), cluster(firm_id) first
Câu hỏi nó trả lời
Đo weak identification trong trường hợp homoskedastic i.i.d. cổ điển.
Khi nào dùng
IV cổ điển; thường xuất cùng Stock–Yogo.
H0 / logic kiểm định
Không phải H0/p-value theo cách đọc thông thường.
Đọc kết quả
So với Stock–Yogo critical values khi assumptions phù hợp.
Ví dụ dễ hiểu
CD F=20 có thể vượt ngưỡng Stock–Yogo tương ứng.
Lỗi hay gặp
Nếu dùng robust/clustered SE, KP statistic thường phù hợp hơn CD.
Stata mẫu
ivreg2 y controls (x = z), first
Câu hỏi nó trả lời
Ngưỡng tham khảo để đánh giá mức độ weak IV theo distortion cho phép.
Khi nào dùng
Thường đi với Cragg–Donald trong cấu trúc cổ điển.
H0 / logic kiểm định
Không có H0/H1 riêng.
Đọc kết quả
Statistic vượt critical value → bằng chứng instrument đủ mạnh theo tiêu chuẩn đó.
Ví dụ dễ hiểu
F 17 có thể vượt ngưỡng 10% maximal IV size nhưng phải đúng cấu hình số IV/endogenous vars.
Lỗi hay gặp
Không so một critical value bất kỳ nếu số IV/endogenous variables không khớp.
Câu hỏi nó trả lời
X có tác động lên Y hay không theo cách vẫn valid ngay cả khi IV yếu?
Khi nào dùng
Khi lo weak IV.
H0 / logic kiểm định
H0: structural coefficient của endogenous X bằng giá trị hypothesized, thường 0.
Đọc kết quả
p nhỏ → bác bỏ H0 ngay theo inference robust với weak IV.
Ví dụ dễ hiểu
2SLS t-test không đáng tin vì IV yếu; AR vẫn có giá trị hơn.
Lỗi hay gặp
AR giúp inference dưới weak IV, nhưng không cứu được một IV vi phạm exclusion restriction.
Stata mẫu
ivreg2 y controls (x = z), robust first
Câu hỏi nó trả lời
Một kiểm định khác cho structural parameter ít nhạy với weak IV.
Khi nào dùng
Khi IV strength đáng lo.
H0 / logic kiểm định
H0: parameter restriction đúng.
Đọc kết quả
p nhỏ → bác bỏ H0.
Ví dụ dễ hiểu
Dùng cùng AR để cho thấy kết luận không phụ thuộc normal 2SLS t-stat.
Lỗi hay gặp
Nên trình bày như bổ sung khi weak-IV diagnostics đáng lo.
Stata mẫu
ivreg2 y controls (x = z), robust first
Câu hỏi nó trả lời
Khi có nhiều instruments hơn endogenous variables, các IV có nhất quán với orthogonality restrictions không?
Khi nào dùng
Overidentified IV model.
H0 / logic kiểm định
H0: instruments jointly valid/exogenous.
Đọc kết quả
p nhỏ → ít nhất một IV có vấn đề; p lớn không “chứng minh” IV hoàn hảo.
Ví dụ dễ hiểu
2 IV cho 1 endogenous X → có thể kiểm overidentifying restrictions.
Lỗi hay gặp
Exactly identified (1 IV cho 1 endogenous X) thì không có Hansen J hữu ích.
Stata mẫu
ivreg2 y controls (x = z1 z2), robust
Câu hỏi nó trả lời
Instrument có ảnh hưởng Y qua kênh trực tiếp khác X không?
Khi nào dùng
Mọi IV, đặc biệt IV dựa trên tax/trade/local shocks.
H0 / logic kiểm định
Không có một test duy nhất chứng minh exclusion.
Đọc kết quả
Dùng lý thuyết + placebo + controls + subsamples + alternative IVs để giảm lo ngại direct channel.
Ví dụ dễ hiểu
Nếu tax shock còn làm local demand đổi trực tiếp và Y phản ứng với demand, IV có thể invalid.
Lỗi hay gặp
Sai lầm lớn nhất là xem first-stage mạnh = IV valid.
Stata mẫu
* Ví dụ: thêm local demand controls; loại nhóm bị shock trực tiếp; placebo outcome
Câu hỏi nó trả lời
Kết luận có phụ thuộc đúng một cách đo Y không?
Khi nào dùng
Khi construct có nhiều proxy.
H0 / logic kiểm định
Không phải classical test.
Đọc kết quả
Nếu sign và economic story ổn qua nhiều proxy, bằng chứng đáng tin hơn.
Ví dụ dễ hiểu
Financial distress: Altman Z, Ohlson O-score, Zmijewski.
Lỗi hay gặp
Không chọn proxy thay thế chỉ vì nó cho significance.
Stata mẫu
reghdfe y_alt x controls, absorb(firm_id) vce(cluster firm_id)
Câu hỏi nó trả lời
Kết quả có phụ thuộc đúng một index/scale của X không?
Khi nào dùng
Uncertainty, governance, risk indices, text measures.
H0 / logic kiểm định
Không phải classical test.
Đọc kết quả
Kết quả cùng hướng qua raw/log/z-score/alternative index làm story chắc hơn.
Ví dụ dễ hiểu
UCT raw, ln(UCT), z-score UCT hoặc alternative uncertainty index.
Lỗi hay gặp
Scale change có thể đổi magnitude; tập trung sign, significance và interpretation.
Stata mẫu
gen lnx = ln(x)\negen zx = std(x)
Câu hỏi nó trả lời
Dùng X quá khứ có giảm lo ngại Y hiện tại quay lại ảnh hưởng X không?
Khi nào dùng
Panel data khi reverse causality hợp lý.
H0 / logic kiểm định
Không phải proof of causality.
Đọc kết quả
Nếu L.X vẫn có effect, reverse causality contemporaneous bớt đáng lo nhưng chưa biến mất hoàn toàn.
Ví dụ dễ hiểu
UCT năm t−1 giải thích investment năm t.
Lỗi hay gặp
Lagging không tự động giải quyết omitted variables hoặc anticipation.
Stata mẫu
xtset firm_id year\nreghdfe y L.x controls, absorb(firm_id) vce(cluster firm_id)
Câu hỏi nó trả lời
Biến X trong tương lai có “giải thích” Y hiện tại không? Nếu có, causal timing đáng ngờ.
Khi nào dùng
Khi identification dựa vào shock/timing.
H0 / logic kiểm định
H0 kỳ vọng: future X không ảnh hưởng current Y.
Đọc kết quả
Không significance ở lead là pattern phù hợp với causal timing; significance mạnh là cảnh báo.
Ví dụ dễ hiểu
UCT t+2 mà dự báo earnings management t hôm nay → có thể phản ánh trend/common factor.
Lỗi hay gặp
Placebo pass không chứng minh causal; nó chỉ loại bớt một kiểu alternative explanation.
Stata mẫu
gen lead2 = F2.x\nreghdfe y lead2 controls, absorb(firm_id) vce(cluster firm_id)
Câu hỏi nó trả lời
Kết quả còn tồn tại khi kiểm soát unobserved heterogeneity mạnh hơn không?
Khi nào dùng
Panel quốc tế/ngành.
H0 / logic kiểm định
Không phải test đơn lẻ.
Đọc kết quả
So coefficient khi thêm firm FE, industry×year, country×year... nếu X vẫn còn variation.
Ví dụ dễ hiểu
Thêm industry×year để hút shock riêng từng ngành theo năm.
Lỗi hay gặp
FE mạnh hơn có thể hấp thụ luôn X; đó không phải “robustness fail” đơn giản mà là vấn đề variation/identification.
Stata mẫu
reghdfe y x controls, absorb(firm_id industry#year) vce(cluster firm_id)
Câu hỏi nó trả lời
Kết luận có phụ thuộc cách tính SE không?
Khi nào dùng
Khi nguồn dependence chưa hoàn toàn rõ.
H0 / logic kiểm định
Không phải hypothesis test riêng.
Đọc kết quả
So firm cluster, two-way firm×year, hoặc phương án phù hợp thiết kế.
Ví dụ dễ hiểu
Global shock thay đổi theo year → two-way clustering có thể quan trọng.
Lỗi hay gặp
Không chạy hàng loạt VCE rồi chọn cái cho p-value đẹp.
Stata mẫu
reghdfe y x controls, absorb(firm_id) vce(cluster firm_id year)
Câu hỏi nó trả lời
Một quốc gia/ngành lớn có đang “lái” toàn bộ kết quả không?
Khi nào dùng
Cross-country hoặc multi-industry samples.
H0 / logic kiểm định
Không phải classical test.
Đọc kết quả
Lần lượt bỏ từng nhóm; coefficient không đảo dấu mạnh là tín hiệu tốt.
Ví dụ dễ hiểu
Bỏ China khỏi emerging-market sample để xem kết quả có chỉ do China.
Lỗi hay gặp
Đừng chỉ báo cáo lần loại nhóm cho kết quả đẹp nhất.
Stata mẫu
levelsof fic, local(countries)\n* loop regressions excluding each country
Câu hỏi nó trả lời
Hỏi: phải có mức selection trên biến không quan sát mạnh đến đâu mới có thể kéo coefficient chính về 0? Đây là sensitivity analysis cho omitted-variable bias.
Khi nào dùng
Khi baseline coefficient có ý nghĩa nhưng reviewer lo “còn biến bỏ sót”; cần có một restricted model và một controlled model.
H0 / logic kiểm định
Không phải H0/H1 cổ điển. Ta chọn một Rmax hợp lý (thường là bội số của R² đầy đủ, nhưng không vượt 1) rồi tính δ cần thiết để beta*=0.
Đọc kết quả
|δ| lớn hơn 1 thường được diễn giải là unobservables phải mạnh hơn observables mới xóa effect; nhưng đây chỉ là benchmark, không phải chứng minh causal. Phải báo rõ Rmax đã chọn.
Ví dụ dễ hiểu
Mô hình ít controls cho β=0.08, R²=.10; mô hình đầy đủ β=0.06, R²=.30. Oster hỏi omitted factors phải mạnh đến mức nào mới kéo 0.06 về 0.
Lỗi hay gặp
Sai lầm hay gặp: thấy δ>1 rồi viết “không có omitted-variable bias”. Oster chỉ cho sensitivity dưới giả định proportional selection; kết quả phụ thuộc Rmax và hai specification được chọn.
Stata mẫu
* cài psacalc nếu chưa có\nssc install psacalc\nreg y x basic_controls\nest store restricted\nreg y x full_controls\npsacalc delta x, rmax(.6) beta(0)
Câu hỏi nó trả lời
Ngoài δ, có thể hỏi coefficient sẽ nằm trong khoảng nào nếu giả định mức selection nhất định giữa observables và unobservables.
Khi nào dùng
Khi muốn báo cáo sensitivity bằng magnitude thay vì chỉ một δ.
H0 / logic kiểm định
Không có H0 chuẩn; ta đặt δ và Rmax rồi tính beta điều chỉnh/identified set.
Đọc kết quả
Nếu interval vẫn cùng dấu và không gần 0 dưới assumptions hợp lý, kết luận ít nhạy hơn với omitted variables.
Ví dụ dễ hiểu
Baseline β=.06; sau bias adjustment vẫn khoảng .04–.07 thì story ổn định hơn so với interval chứa 0.
Lỗi hay gặp
Không chọn δ và Rmax sau khi nhìn kết quả chỉ để interval đẹp.
Stata mẫu
psacalc beta x, delta(1) rmax(.6)
Câu hỏi nó trả lời
So mức selection on unobservables cần thiết với selection on observables để giải thích hết effect.
Khi nào dùng
Một sensitivity check tiền thân của Oster; phù hợp để giải thích trực giác selection.
H0 / logic kiểm định
Không phải một significance test chuẩn.
Đọc kết quả
Ratio lớn hàm ý unobserved selection phải mạnh tương đối lớn so với observed selection để xóa kết quả.
Ví dụ dễ hiểu
Controls quan sát được làm β giảm rất ít; nếu cần unobservables mạnh gấp nhiều lần observables mới về 0, kết quả ít nhạy hơn theo logic này.
Lỗi hay gặp
Không xem ratio như bằng chứng chắc chắn rằng unobservables yếu.
Stata mẫu
* thường tính từ coefficients restricted/full; Oster là phiên bản mở rộng có dùng R²
Câu hỏi nó trả lời
Coefficient X có thay đổi mạnh khi thêm dần các nhóm controls hợp lý không?
Khi nào dùng
Gần như mọi observational study.
H0 / logic kiểm định
Không có H0 bắt buộc; nhìn sign, magnitude, SE và R² qua nested specifications.
Đọc kết quả
β ổn định khi thêm firm controls, macro controls, FE hỗ trợ robustness; β đổi dấu hoặc sụt mạnh báo sensitivity.
Ví dụ dễ hiểu
Cột (1) chỉ X; (2) +firm controls; (3)+macro; (4)+FE. So βx qua 4 cột.
Lỗi hay gặp
Không thêm controls hậu nghiệm chỉ vì chúng làm p-value đẹp; controls phải dựa trên causal logic.
Stata mẫu
reg y x\nreg y x firm_controls\nreghdfe y x firm_controls macro_controls, absorb(firm year)
Câu hỏi nó trả lời
X có “tác động” lên một outcome mà theo theory nó không nên tác động không?
Khi nào dùng
Shock/IV/DiD hoặc observational design có outcome placebo hợp lý.
H0 / logic kiểm định
Kỳ vọng coefficient trên placebo outcome gần 0.
Đọc kết quả
Effect lớn trên placebo outcome là dấu hiệu confounding/direct channel; null result hỗ trợ nhưng không chứng minh design đúng.
Ví dụ dễ hiểu
Một policy chỉ nên ảnh hưởng corporate investment; dùng một outcome trước-policy hoặc outcome không liên quan về mặt cơ chế làm placebo.
Lỗi hay gặp
Phải chọn placebo outcome trước dựa trên theory; đừng thử 20 outcomes rồi giữ cái không significant.
Stata mẫu
reghdfe placebo_y x controls, absorb(firm_id year) vce(cluster firm_id)
Câu hỏi nó trả lời
Nhóm lẽ ra không bị exposure có xuất hiện “treatment effect” giả không?
Khi nào dùng
Natural experiments, exposure designs, DiD.
H0 / logic kiểm định
Kỳ vọng effect ≈ 0 ở nhóm placebo.
Đọc kết quả
Significant placebo exposure làm yếu interpretation causal vì model có thể bắt common trend.
Ví dụ dễ hiểu
Trade shock nhắm ngành nhập khẩu; chạy thử trên nhóm gần như không tiếp xúc với shock.
Lỗi hay gặp
Placebo group phải thực sự không chịu treatment theo institutional setting.
Stata mẫu
reghdfe y placebo_exposure controls, absorb(firm_id year) vce(cluster firm_id)
Câu hỏi nó trả lời
Nếu gán treatment/shock ngẫu nhiên nhiều lần, coefficient thật có nằm ở đuôi distribution placebo không?
Khi nào dùng
Số clusters nhỏ, treatment assignment/shock design, hoặc muốn falsification trực quan.
H0 / logic kiểm định
H0 theo randomization: treatment labels có thể hoán vị theo assignment mechanism và effect không khác placebo distribution.
Đọc kết quả
Coefficient thật càng cực đoan so với placebo distribution thì p-value randomization càng nhỏ.
Ví dụ dễ hiểu
Shuffle treatment giữa firms 1,000 lần; chỉ 8 lần |βplacebo| ≥ |βreal| → randomization p≈.008.
Lỗi hay gặp
Không permute tùy tiện. Phải giữ đúng cấp assignment, strata, panel structure hoặc timing của treatment.
Stata mẫu
* Ví dụ cơ bản\npermute treat _b[treat], reps(1000) seed(12345): regress y treat controls
Câu hỏi nó trả lời
Kết quả thật có nổi bật so với hàng loạt fake treatment dates không?
Khi nào dùng
Policy/shock có một mốc thời gian rõ.
H0 / logic kiểm định
Kỳ vọng fake dates trước/ngoài event không tạo effects tương tự event thật.
Đọc kết quả
Nếu nhiều fake dates cũng cho coefficient lớn, có thể model chỉ bắt secular trends.
Ví dụ dễ hiểu
Policy thật 2018; thử ngẫu nhiên các năm placebo 2012–2017 và lập distribution β.
Lỗi hay gặp
Không dùng các mốc mà thị trường đã anticipation rõ ràng như placebo “sạch”.
Stata mẫu
* loop các fake_post rồi lưu _b[1.fake_post#1.treat]
Câu hỏi nó trả lời
Mô hình tuyến tính có thể đang bỏ sót nonlinear terms hoặc functional form quan trọng không?
Khi nào dùng
OLS cross-section hoặc pooled regressions; dùng như diagnostic phụ.
H0 / logic kiểm định
H0: không có omitted nonlinear combinations của fitted values.
Đọc kết quả
p nhỏ → specification có dấu hiệu misspecification; cần xem logs, squares, interactions, omitted variables theo theory.
Ví dụ dễ hiểu
Quan hệ size–investment có thể nonlinear nhưng model chỉ cho size tuyến tính.
Lỗi hay gặp
RESET không cho biết cụ thể biến nào thiếu và không thay thế causal specification.
Stata mẫu
reg y x1 x2 x3\novtest
Câu hỏi nó trả lời
Model có dấu hiệu specification error tổng quát không?
Khi nào dùng
OLS/GLM như một kiểm tra phụ.
H0 / logic kiểm định
Sau model đúng, _hat nên có ý nghĩa còn _hatsq thường không nên có.
Đọc kết quả
_hatsq significant là cảnh báo misspecification.
Ví dụ dễ hiểu
Predicted values squared còn giải thích Y sau _hat → mô hình có thể thiếu nonlinear structure.
Lỗi hay gặp
Không dùng linktest như tiêu chuẩn duy nhất để “chứng minh model đúng”.
Stata mẫu
reg y x1 x2\nlinktest
Câu hỏi nó trả lời
Một vài observations có đang quyết định coefficient không?
Khi nào dùng
Cross-sectional/OLS diagnostics; panel cần thận trọng theo cấu trúc dữ liệu.
H0 / logic kiểm định
Không có H0 đơn giản.
Đọc kết quả
Quan sát leverage/Cook’s D/DFBETA rất lớn cần kiểm tra, rồi chạy sensitivity khi loại theo rule minh bạch.
Ví dụ dễ hiểu
Một firm-year cực đoan làm β từ .02 thành .10.
Lỗi hay gặp
Không xóa điểm chỉ vì nó “làm mất significance”; phải có rule và lý do dữ liệu.
Stata mẫu
reg y x controls\npredict cook, cooksd\npredict lev, hat\ndfbeta x
Câu hỏi nó trả lời
Kết quả có tồn tại khi estimator ít nhạy hơn với outliers không?
Khi nào dùng
Outcome/ratios có tails dày hoặc OLS bị influential points.
H0 / logic kiểm định
Không phải một test nhân quả riêng.
Đọc kết quả
Nếu sign/magnitude tương tự OLS, kết quả ít phụ thuộc extreme observations hơn.
Ví dụ dễ hiểu
Investment ratio có vài extreme firms; qreg median dùng conditional median thay mean.
Lỗi hay gặp
Không thay FE panel model bằng qreg đơn giản rồi gọi là hoàn toàn tương đương.
Stata mẫu
qreg y x controls\n* hoặc rreg y x controls
Câu hỏi nó trả lời
SE/CI có ổn khi không muốn dựa quá mạnh vào asymptotic formula chuẩn không?
Khi nào dùng
Estimator phức tạp, indirect effects, small/moderate samples; bootstrap theo đúng sampling unit.
H0 / logic kiểm định
H0 tùy statistic; bootstrap tạo empirical sampling distribution.
Đọc kết quả
Dùng percentile/BCa hoặc bootstrap SE/CI phù hợp.
Ví dụ dễ hiểu
Bootstrap firm clusters chứ không resample từng firm-year độc lập trong panel.
Lỗi hay gặp
Sai cấp resampling phá dependence structure và cho SE sai.
Stata mẫu
bootstrap _b[x], reps(1000) cluster(firm_id) idcluster(newid): regress y x controls
Câu hỏi nó trả lời
Cluster-robust SE thông thường có thể quá lạc quan khi số clusters ít; wild bootstrap cho inference tốt hơn.
Khi nào dùng
Khi cluster theo country/state/industry nhưng chỉ có vài chục hoặc ít hơn clusters.
H0 / logic kiểm định
H0: coefficient/restriction bằng giá trị kiểm định, thường 0.
Đọc kết quả
Dùng bootstrap p-value/CI thay vì chỉ CRSE asymptotic.
Ví dụ dễ hiểu
20 countries: cluster(country) thường cần kiểm thêm wild-cluster bootstrap.
Lỗi hay gặp
Không cần wild bootstrap chỉ vì “nghe robust hơn”; nó đặc biệt hữu ích khi số clusters nhỏ.
Stata mẫu
* thường dùng boottest sau regression\nssc install boottest\nreghdfe y x controls, absorb(firm_id year) vce(cluster country)\nboottest x, cluster(country) reps(9999) seed(123)
Câu hỏi nó trả lời
Inference có bền khi residual vừa serially correlated vừa cross-sectionally dependent không?
Khi nào dùng
Panel có T đủ lớn hơn; macro/finance panels có common shocks.
H0 / logic kiểm định
Không phải test; là estimator của covariance matrix.
Đọc kết quả
So sign/magnitude giữ nguyên và SE dưới DK vẫn hỗ trợ kết luận.
Ví dụ dễ hiểu
Firms cùng chịu macro shock nên residuals đồng biến theo thời gian.
Lỗi hay gặp
DK không phù hợp mọi panel, nhất là T rất ngắn; phải giải thích vì sao dùng.
Stata mẫu
* xtscc là user-written\nssc install xtscc\nxtscc y x controls, fe lag(2)
Câu hỏi nó trả lời
Kết quả có phụ thuộc việc winsor 1–99, 2.5–97.5 hay không winsor không?
Khi nào dùng
Corporate finance ratios dễ có extremes.
H0 / logic kiểm định
Không có H0.
Đọc kết quả
Nếu sign/story ổn qua vài reasonable rules, kết quả ít phụ thuộc xử lý outlier.
Ví dụ dễ hiểu
So no winsor, 1–99 và 2.5–97.5 cho ROA, growth, market-to-book.
Lỗi hay gặp
Không chạy rất nhiều thresholds rồi chọn một cái cho significance.
Stata mẫu
* tạo bản gốc rồi winsor2 với các cuts khác nhau
Câu hỏi nó trả lời
Kết luận có phụ thuộc cách chọn mẫu không?
Khi nào dùng
Khi có choices như exclude finance/utilities, minimum years, country coverage.
H0 / logic kiểm định
Không có H0.
Đọc kết quả
Chạy lại với reasonable alternative samples; chú ý thay đổi composition và power.
Ví dụ dễ hiểu
Baseline bỏ finance/utilities; robustness thêm utilities hoặc yêu cầu firm có ≥3/5 years.
Lỗi hay gặp
Không biến sample restrictions thành data mining.
Stata mẫu
bys firm_id: gen nyears=_N\nreghdfe y x controls if nyears>=3, absorb(firm_id year)
Câu hỏi nó trả lời
Một năm khủng hoảng/shock có đang lái kết quả không?
Khi nào dùng
Panel có một vài năm rất đặc biệt.
H0 / logic kiểm định
Không có H0.
Đọc kết quả
Lần lượt bỏ từng year; theo dõi β và CI.
Ví dụ dễ hiểu
Nếu bỏ 2020 là coefficient biến mất hoàn toàn, kết quả có thể chủ yếu là COVID effect.
Lỗi hay gặp
Nếu X chỉ biến thiên mạnh đúng một event year thì việc bỏ năm đó thay đổi estimand; cần diễn giải chứ không chỉ gọi fail/pass.
Stata mẫu
levelsof year, local(yrs)\n* loop regressions excluding each year
Câu hỏi nó trả lời
Một firm cực lớn có chi phối sample nhỏ không?
Khi nào dùng
Samples nhỏ hoặc concentrated industries.
H0 / logic kiểm định
Không có H0; jackknife xem sensitivity theo observation/group.
Đọc kết quả
Coefficient ổn qua leave-one-group-out là tín hiệu ít bị influential unit chi phối.
Ví dụ dễ hiểu
Một SOE rất lớn chiếm phần lớn assets toàn ngành.
Lỗi hay gặp
Với panel, thường nên leave-one-firm/group chứ không leave-one firm-year ngẫu nhiên.
Stata mẫu
jackknife _b[x]: regress y x controls
Câu hỏi nó trả lời
Kết quả có chỉ xuất hiện ở một giai đoạn bất thường không?
Khi nào dùng
Shock studies, trade war, COVID, crisis.
H0 / logic kiểm định
Không phải test đơn lẻ.
Đọc kết quả
Loại event years hoặc tách pre/post rồi so pattern.
Ví dụ dễ hiểu
Loại 2015–2016 hoặc COVID years để kiểm độ nhạy.
Lỗi hay gặp
Cần có lý do ex ante cho mốc thời gian, tránh cherry-picking.
Stata mẫu
drop if inrange(year,2020,2021)\nreghdfe ...
Câu hỏi nó trả lời
Tác động X→Y có khác giữa các nhóm doanh nghiệp không?
Khi nào dùng
Khi theory dự đoán effect khác theo size, constraints, ownership, industry...
H0 / logic kiểm định
Thường cần test equality, không chỉ nhìn một nhóm significant và nhóm kia không.
Đọc kết quả
So coefficient và formal test nếu có thể.
Ví dụ dễ hiểu
Effect mạnh ở financially constrained firms vì họ khó hấp thụ uncertainty.
Lỗi hay gặp
“Nhóm A significant, nhóm B không significant” chưa chứng minh coefficients khác nhau.
Stata mẫu
reghdfe y x controls if high_constraint==1, absorb(...)\nreghdfe y x controls if high_constraint==0, absorb(...)
Câu hỏi nó trả lời
Biến M làm tác động của X lên Y mạnh hơn/yếu đi không?
Khi nào dùng
Khi có moderator liên tục hoặc dummy.
H0 / logic kiểm định
H0: coefficient X×M = 0.
Đọc kết quả
Sign của interaction cho hướng moderation; cần đọc marginal effects để diễn giải đúng.
Ví dụ dễ hiểu
X=uncertainty, M=financial development; interaction âm có thể cho thấy thị trường tài chính làm giảm tác động của uncertainty.
Lỗi hay gặp
Đừng diễn giải main effect của X như “overall effect” khi có interaction.
Stata mẫu
reghdfe y c.x##c.m controls, absorb(...) vce(cluster firm_id)\nmargins, dydx(x) at(m=(p25 p50 p75))
Câu hỏi nó trả lời
X ảnh hưởng Y thông qua kênh M nào?
Khi nào dùng
Sau baseline khi theory nêu financing, demand, exports, risk-taking...
H0 / logic kiểm định
Không có một test duy nhất; cần chuỗi bằng chứng có logic.
Đọc kết quả
Thường kiểm X→M; M liên quan Y; effect X thay đổi khi xét channel, nhưng tránh tuyên bố mediation causal quá mức.
Ví dụ dễ hiểu
UCT làm exports giảm, từ đó investment giảm.
Lỗi hay gặp
Không gọi mọi biến tương tác là “mechanism”. Mechanism cần logic nhân quả rõ.
Stata mẫu
reghdfe mechanism x controls, absorb(...)\nreghdfe y x mechanism controls, absorb(...)
Câu hỏi nó trả lời
Nhiều coefficients có cùng bằng 0? Hai coefficients có bằng nhau không?
Khi nào dùng
Peer effects, interactions, multi-category effects.
H0 / logic kiểm định
H0 tùy test: b1=b2=0 hoặc b1=b2.
Đọc kết quả
p nhỏ → bác bỏ restriction.
Ví dụ dễ hiểu
Hai loại peer investment có coefficients khác nhau thật hay chỉ nhìn số thấy khác?
Lỗi hay gặp
Không so bằng mắt dựa trên một coefficient significant và coefficient kia không.
Stata mẫu
test x1 x2\ntest x1 = x2\nlincom x1 - x2
Câu hỏi nó trả lời
Sau một shock/policy, treated group thay đổi Y nhiều hơn control group bao nhiêu?
Khi nào dùng
Có treatment, control, trước/sau shock.
H0 / logic kiểm định
Core identifying assumption: parallel trends khi chưa treatment.
Đọc kết quả
Coefficient Treat×Post là DiD effect dưới assumptions phù hợp.
Ví dụ dễ hiểu
Các firms exposed cao với trade shock so với exposed thấp trước/sau 2018.
Lỗi hay gặp
DiD không tự động causal nếu treated/control đã có trends khác nhau từ trước.
Stata mẫu
reghdfe y i.treat##i.post controls, absorb(firm_id year) vce(cluster firm_id)
Câu hỏi nó trả lời
Trước treatment, treated và control có xu hướng tương tự không?
Khi nào dùng
DiD, đặc biệt staggered/event-time designs.
H0 / logic kiểm định
Pre-treatment lead coefficients nên gần 0 về mặt thống kê/kinh tế.
Đọc kết quả
Pre-trends phẳng hỗ trợ assumption; pre-trends khác 0 là cảnh báo.
Ví dụ dễ hiểu
Nếu effect đã xuất hiện 2 năm trước policy, treatment timing khó thuyết phục.
Lỗi hay gặp
“Không significant” không chứng minh trends hoàn toàn song song; nhìn magnitude và CI.
Stata mẫu
reghdfe y ib(-1).event_time controls, absorb(firm_id year) vce(cluster firm_id)
Câu hỏi nó trả lời
Nếu giả treatment ở nơi/thời điểm không thực sự xảy ra, có vẫn ra effect không?
Khi nào dùng
DiD/natural experiment.
H0 / logic kiểm định
Kỳ vọng placebo effect ≈ 0.
Đọc kết quả
Placebo significant mạnh → model có thể đang bắt trend/confounder.
Ví dụ dễ hiểu
Đặt policy giả vào 2 năm trước policy thật.
Lỗi hay gặp
Không thử vô số placebo rồi chỉ báo cáo cái pass.
Stata mẫu
* tạo fake_post rồi chạy cùng specification
Câu hỏi nó trả lời
Tạo treated/control tương đồng về observables trước khi so outcome.
Khi nào dùng
Treatment không random và có selection dựa trên covariates quan sát được.
H0 / logic kiểm định
Assumption chính: conditional independence + common support.
Đọc kết quả
Sau matching cần balance tốt; ATT là chênh lệch outcome matched.
Ví dụ dễ hiểu
So high-exposure firms với low-exposure firms có characteristics tương đồng.
Lỗi hay gặp
PSM không giải quyết unobserved confounding. Không nên dùng như “nút causal”.
Stata mẫu
teffects psmatch (y) (treat x1 x2 x3), atet
Câu hỏi nó trả lời
Sau matching/weighting, treated và control còn khác nhau về X không?
Khi nào dùng
Sau PSM/IPW/entropy balancing.
H0 / logic kiểm định
Kỳ vọng standardized differences nhỏ.
Đọc kết quả
Balance tốt quan trọng hơn việc propensity model có pseudo-R2 cao.
Ví dụ dễ hiểu
Size, leverage, profitability sau matching nên gần nhau giữa hai nhóm.
Lỗi hay gặp
Outcome regression đẹp nhưng balance tệ thì matching chưa làm đúng việc.
Stata mẫu
tebalance summarize
Câu hỏi nó trả lời
Tạo weights để control match moments của treated chính xác hơn.
Khi nào dùng
Khi muốn balance observables mà không bỏ nhiều observations.
H0 / logic kiểm định
Không phải test; là weighting method.
Đọc kết quả
Kiểm tra mean/variance moments sau weighting.
Ví dụ dễ hiểu
Control firms được reweight để mean size/leverage bằng treated.
Lỗi hay gặp
Vẫn dựa vào selection on observables; không chữa unobserved endogeneity.
Stata mẫu
* thường dùng user-written ebalance rồi hồi quy có weights
Câu hỏi nó trả lời
Ước lượng panel động khi có lagged dependent variable và regressors endogenous/predetermined.
Khi nào dùng
N lớn, T tương đối nhỏ; dynamic corporate finance models.
H0 / logic kiểm định
Validity dựa vào moment conditions và serial-correlation assumptions.
Đọc kết quả
Không chỉ nhìn coefficient; phải kiểm AR(1), AR(2), Hansen và số instruments.
Ví dụ dễ hiểu
Investment_t phụ thuộc Investment_t−1 và leverage có thể endogenous.
Lỗi hay gặp
System GMM rất dễ bị “instrument proliferation”; không nên dùng chỉ vì paper khác dùng.
Stata mẫu
xtabond2 y L.y x1 x2 i.year, gmm(L.y x1, collapse lag(2 .)) iv(x2 i.year) twostep robust
Câu hỏi nó trả lời
Sai phân residual còn serial correlation không?
Khi nào dùng
Difference/System GMM.
H0 / logic kiểm định
H0: không serial correlation bậc tương ứng trong differenced residuals.
Đọc kết quả
AR(1) thường significant là bình thường; AR(2) nên không significant để moment conditions hợp lệ hơn.
Ví dụ dễ hiểu
AR(2) p=.01 là cảnh báo lagged instruments có thể invalid.
Lỗi hay gặp
Đừng viết “AR(1) significant nên mô hình sai”; với difference GMM điều đó thường được kỳ vọng.
Stata mẫu
estat abond
Câu hỏi nó trả lời
Các instrument/moment conditions có jointly exogenous không?
Khi nào dùng
GMM overidentified models.
H0 / logic kiểm định
H0: instruments valid.
Đọc kết quả
p quá nhỏ → instruments đáng ngờ; p cực cao gần 1 cũng có thể do quá nhiều instruments khiến test yếu.
Ví dụ dễ hiểu
Hansen p=.99 cùng 200 instruments cho 100 firms là rất đáng nghi.
Lỗi hay gặp
Không tối đa hóa p-value Hansen bằng cách nhồi instruments.
Stata mẫu
* xtabond2 output reports Hansen test
Câu hỏi nó trả lời
Có quá nhiều instruments so với số groups không?
Khi nào dùng
System GMM.
H0 / logic kiểm định
Không phải hypothesis test.
Đọc kết quả
Giữ instrument count nhỏ; collapse và giới hạn lag depth.
Ví dụ dễ hiểu
500 instruments cho 200 firms khiến Hansen mất sức mạnh.
Lỗi hay gặp
“More instruments = better” là sai trong GMM.
Stata mẫu
xtabond2 ..., gmm(..., collapse lag(2 4))
Quy tắc vàng: Test không phải để “làm bài trông khoa học hơn”. Mỗi test chỉ nên xuất hiện khi nó giải quyết một mối đe dọa cụ thể đối với identification hoặc inference.