Dưới đây là giải thích cực kỳ dễ hiểu, kèm ví dụ thực tế, điểm mạnh/điểm yếu, và thời điểm dùng thích hợp nhất cho 4 phương pháp kinh tế lượng nhân quả cốt lõi:
Difference-in-Differences (DiD) – Event Study – Synthetic Control – Instrumental Variables (IV).
🟦 1. Difference-in-Differences (DiD)
✔ Ý tưởng
So sánh sự thay đổi theo thời gian giữa nhóm được tác động và nhóm không được tác động → lấy “sự thay đổi” để loại bỏ các yếu tố cố định theo thời gian.
✔ Ví dụ cực dễ hiểu
Chính phủ tăng thuế trước bạ ô tô ở Hà Nội năm 2022, còn TP.HCM thì không.
Bạn muốn đo tác động của tăng thuế lên lượng mua ô tô.
-
Hà Nội: trước 2022 bán 10.000 xe → sau còn 8.000
-
TP.HCM: trước 2022 bán 11.000 xe → sau 10.500
Chênh lệch thay đổi:
-
Hà Nội giảm: –2000
-
TP.HCM giảm: –500
→ DiD = –2000 – (–500) = –1500 xe
→ Thuế làm giảm khoảng 1.500 xe.
✔ Điểm mạnh
-
Đơn giản, trực quan.
-
Kiểm soát được xu hướng cố định theo thời gian.
-
Dùng được với dữ liệu panel nhiều năm.
✔ Điểm yếu
-
Giả định song song (Parallel Trends) khó kiểm chứng.
-
Dễ sai nếu có chính sách khác tác động song song.
-
Không xử lý tốt khi chính sách áp dụng không cùng thời điểm.
✔ Khi dùng?
-
Có dữ liệu panel trước–sau.
-
Một nhóm bị tác động, nhóm khác không.
🟪 2. Event Study (Mở rộng của DiD)
✔ Ý tưởng
Không chỉ đo tác động “trước–sau”, mà đo tác động trước bao lâu và sau bao lâu.
Vẽ được đồ thị động (dynamic treatment effects).
✔ Ví dụ cực dễ hiểu
Tiếp tục ví dụ tăng thuế ô tô ở Hà Nội.
Event Study sẽ đo hiệu ứng theo từng năm/tháng:
-
2 năm trước tăng thuế → 0 (should be flat nếu parallel trends đúng).
-
1 năm trước → 0
-
Năm chính sách → –10%
-
1 năm sau → –12%
-
2 năm sau → –8%
→ Cho thấy hiệu ứng giảm mạnh nhất năm 1, rồi hồi phục.
✔ Điểm mạnh
-
Kiểm tra trực quan Parallel Trends.
-
Cho thấy tác động động (dynamic treatment).
-
Hữu ích khi tác động có độ trễ (lag).
✔ Điểm yếu
-
Cũng cần Parallel Trends.
-
Dễ bị sai nếu xử lý sai multi-treatment timing.
✔ Khi dùng?
-
Bạn muốn biết tác động trong thời gian dài, không chỉ “trước–sau”.
🟥 3. Synthetic Control (SCM)
✔ Ý tưởng
Khi chỉ có 1 đơn vị bị tác động, không có nhóm so sánh phù hợp → tạo “phiên bản nhân tạo” bằng cách ghép nhiều đơn vị khác theo trọng số tối ưu.
✔ Ví dụ cực dễ hiểu
Bạn muốn đo tác động xây sân bay Vân Đồn lên GDP Quảng Ninh.
Vấn đề: không có tỉnh nào “giống hệt” Quảng Ninh.
Synthetic Control làm gì?
Ghép một “Quảng Ninh nhân tạo” từ:
-
40% Bà Rịa – Vũng Tàu
-
25% Hải Phòng
-
20% Khánh Hòa
-
15% Thanh Hóa
→ sao cho GDP trước năm 2018 (trước khi có sân bay) giống nhất có thể.
Sau năm 2018:
-
GDP Quảng Ninh tăng nhanh hơn bản nhân tạo → hiệu ứng sân bay.
✔ Điểm mạnh
-
Phù hợp với case study duy nhất.
-
Không cần Parallel Trends mạnh như DiD.
-
Minh bạch, trực quan.
✔ Điểm yếu
-
Chỉ đo cho 1–few treated units.
-
Kết quả nhạy với việc chọn biến điều khiển và weighting.
✔ Khi dùng?
-
Một tỉnh / một nước / một doanh nghiệp bị tác động.
-
Ví dụ: Brexit và UK, Covid và Sweden, đặc khu kinh tế…
🟧 4. Instrumental Variables (IV)
✔ Ý tưởng
Dùng một biến trung gian (Instrument) có ảnh hưởng đến biến giải thích X, nhưng không ảnh hưởng trực tiếp đến Y → để khử endogeneity / omitted variable bias.
✔ Ví dụ cực dễ hiểu
Bạn đo tác động của giáo dục lên thu nhập.
Vấn đề: người học nhiều thường thông minh hơn, nên thu nhập cao không phải do học → OVB.
Giải pháp: Dùng khoảng cách từ nhà tới trường đại học làm IV.
-
Xa → khó đi học → học ít.
-
Khoảng cách không ảnh hưởng trực tiếp đến thu nhập, chỉ ảnh hưởng qua giáo dục.
✔ Điểm mạnh
-
Giải endogeneity tốt.
-
Không cần Parallel Trends.
-
Rất mạnh khi có “natural experiment”.
✔ Điểm yếu
-
Khó tìm IV tốt.
-
IV yếu → sai số lớn, kết luận sai.
-
Giải thích kết quả phức tạp.
✔ Khi dùng?
-
Khi nghi ngờ biến X bị nội sinh: giáo dục, thu nhập, mê tín, y tế, bất động sản.
🟩 Tóm tắt chọn phương pháp (siêu ngắn)
| Câu hỏi | Dùng gì? |
|---|---|
| Một nhóm bị tác động, có nhóm đối chứng | DiD |
| Muốn xem tác động theo thời gian | Event Study |
| Case study đơn lẻ (1 tỉnh/nước) | Synthetic Control |
| Biến nội sinh, không random | IV |
🟦 Bạn muốn áp dụng vào luận án Nobel?
Đề tài: Optimal Property Tax trong thời đại AI
→ bộ công cụ nhân quả sẽ là xương sống:
✔ Dùng DiD + Event Study
Đo tác động tăng/giảm thuế đất lên:
-
đầu tư bất động sản
-
giá đất
-
di cư
-
xây dựng
-
thất nghiệp
-
đầu tư hạ tầng
Các địa phương tăng thuế → nhóm “treated”.
✔ Dùng Synthetic Control
Tạo “Hà Nội nhân tạo”, “HCM nhân tạo” để đo tác động cải cách thuế.
✔ Dùng IV để xử lý nội sinh
Ví dụ IV:
-
khoảng cách đến ga metro (ảnh hưởng định giá đất nhưng không ảnh hưởng thuế trực tiếp)
-
shock giải tỏa đất theo quy hoạch
-
thay đổi pháp lý đất đai theo chu kỳ Quốc hội
