Tái lập đa nền tảng ước lượng sai phân kép linh hoạt với hiệu ứng bất đồng nhất
1. Giới thiệu
Việc nhận dạng tác động nhân quả của các chính sách công triển khai lệch pha theo thời gian là một trong những trụ cột của kinh tế lượng ứng dụng hiện đại. Một nhánh lớn các nghiên cứu chính sách sử dụng dữ liệu lát cắt lặp lại hàng năm ở cấp độ vi mô, chẳng hạn như Điều tra Cộng đồng Hoa Kỳ ACS, nơi không thể theo dõi cùng một cá nhân qua nhiều năm như dữ liệu bảng thuần túy. Trước đây, ước lượng hai chiều cố định tĩnh thường được dùng mặc định bất chấp nguy cơ sai lệch nghiêm trọng khi hiệu ứng xử lý thay đổi theo độ dài phơi nhiễm, theo lịch sử thuần tập hoặc theo đặc trưng nhân khẩu học như Goodman-Bacon (2021) và Sun và Abraham (2021) đã chỉ ra.
Trên nền dữ liệu đánh giá tác động lan tỏa của chương trình thực thi luật di trú Secure Communities đối với tỷ lệ nhận trợ cấp thực phẩm SNAP của hộ gia đình có thành viên không mang quốc tịch theo phân tích của Alsan và Yang (2024), bài báo gốc của Deb và cộng sự (2025) cùng gói dữ liệu công bố tại Harvard Dataverse bởi Deb và cộng sự (2024) đã giới thiệu bộ ước lượng sai phân kép linh hoạt gọi tắt là FLEX. Phương pháp này cho phép hiệu ứng xử lý trung bình trên nhóm được xử lý ATET biến thiên tự do theo từng ô kết hợp giữa nhóm thuần tập hoặc đơn vị PUMA và từng năm lịch, đồng thời tương tác trực tiếp với toàn bộ véc-tơ hiệp biến cá nhân đã được khử trung bình theo từng ô.
Nghiên cứu tái lập hiện tại thực hiện quy trình thẩm định đa nền tảng độc lập trên Python 3.13, R 4.3.1, Stata 18 MP và hệ thống kiểm định trực tuyến EcoData MCP với nguyên tắc không gọi mô hình ngôn ngữ từ máy chủ. Bên cạnh việc tái dựng toàn bộ 14 mô hình so sánh chính, 24 điểm ước lượng động theo thời gian phơi nhiễm, năm lịch và nhóm thuần tập, cùng 16 ước lượng phân nhóm nhân khẩu học từ công trình gốc, nghiên cứu mở rộng sâu hệ thống kiểm định chẩn đoán cấu trúc gồm phân rã trọng số Goodman–Bacon, kiểm định độ nhạy phân cụm bốn cấp độ, giới hạn ổn định đối với biến không quan sát được của Oster (2019), chỉ số tự tương quan không gian nội bang Moran và mô hình phân loại chính sách đa chiều trên toàn bộ đơn vị PUMA.
2. Cơ sở phương pháp và mô hình định lượng
Gọi là biến kết quả nhị phân biểu thị cá nhân cư trú tại đơn vị địa lý PUMA ở năm dương lịch có nhận trợ cấp SNAP hay không, tương ứng với cột dữ liệu foodstmp. Ký hiệu là năm đầu tiên đơn vị kích hoạt chương trình Secure Communities với tập thuần tập áp dụng và đại diện cho PUMA đối chứng chưa từng áp dụng trong suốt giai đoạn 2005–2016. Gọi là véc-tơ gồm bốn hiệp biến nhân khẩu học và kinh tế–xã hội gồm giới tính nữ female, độ tuổi age, tỷ lệ thu nhập hộ gia đình so với chuẩn nghèo liên bang poverty và chỉ báo trình độ học vấn tối thiểu trung học phổ thông somehs.
Trong thiết kế chỉ có độ trễ với giả định không có tác động dự báo trước thời điểm áp dụng, phương trình cấu trúc của bộ ước lượng FLEX với cố định nhóm địa lý PUMA bổ sung có dạng như sau:
Trong đó:
- : Biến phụ thuộc nhị phân phản ánh tình trạng nhận trợ cấp SNAP của cá nhân tại PUMA trong năm .
- : Hệ số chặn cố định theo từng đơn vị PUMA nhằm hấp thụ mọi đặc điểm bất biến theo thời gian của địa phương, đồng thời bao hàm luôn các biến giả thuần tập .
- : Hiệu ứng cố định theo năm dương lịch với năm cơ sở .
- : Tập hợp bốn thuần tập kích hoạt chính sách gồm các năm .
- : Năm kích hoạt đầu tiên của đơn vị PUMA , nhận giá trị đối với các PUMA chưa từng áp dụng.
- : Véc-tơ chứa các hiệp biến cá nhân gồm
female,age,povertyvàsomehs. - : Véc-tơ hệ số nền của hiệp biến tại ô tham chiếu ban đầu.
- : Véc-tơ hệ số tương tác giữa thuần tập và hiệp biến nhằm cho phép độ dốc hiệp biến khác biệt theo thuần tập áp dụng.
- : Véc-tơ hệ số tương tác giữa năm dương lịch và hiệp biến .
- : Trung bình mẫu của véc-tơ hiệp biến tính riêng trong từng ô thuần tập ở năm sau xử lý .
- : Hiệu ứng xử lý trung bình riêng cho từng ô thuần tập tại thời điểm .
- : Véc-tơ độ dốc dị biệt cho biết mức độ khuếch đại hoặc triệt tiêu của hiệu ứng xử lý theo đặc điểm cá nhân tại ô ở năm .
- : Thành phần sai số ngẫu nhiên cho phép tương quan trong phạm vi cụm PUMA .
Nhờ phép khử trung bình ngay bên trong mỗi ô được xử lý, hệ số thu được đúng bằng ATET kỳ vọng tại ô xử lý tương ứng. Tuy nhiên, đặc tả chỉ có độ trễ mặc định áp đặt mọi tác động trước xử lý tại bằng không. Để kiểm định trực tiếp giả định xu hướng song song trước khi chính sách có hiệu lực và cho phép đánh giá đồng thời hiệu ứng dẫn trước, Deb và cộng sự (2025) mở rộng sang khung độ trễ và dẫn trước bằng cách chọn năm liền trước thời điểm kích hoạt làm mốc tham chiếu cho từng thuần tập:
Trong đó:
- : Biến chỉ báo kích hoạt trên cả tập độ trễ lẫn tập dẫn trước , loại trừ duy nhất năm cơ sở ngay trước xử lý của từng thuần tập.
- : Khi , tham số đo lường độ lệch tiền xu hướng của thuần tập so với nhóm chưa từng xử lý; Khi , tham số đo lường tác động nhân quả thuần tại thời điểm sau kích hoạt.
- : Giữ nguyên định nghĩa cấu trúc như trong phương trình chỉ có độ trễ.
Việc chỉ dùng ma trận tương tác theo cụm thời gian thay vì nhân cụm với biến tương tác cho phép thu gọn đáng kể số tham số cần ước lượng so với mô hình bão hòa theo từng PUMA grp.yr, đồng thời bảo toàn tính linh hoạt trước xu hướng dị biệt ở từng địa phương. Khi tổng hợp ATET trên bất kỳ tập mục tiêu hậu xử lý nào, chẳng hạn toàn bộ mẫu hậu xử lý securecomm = 1, một năm dương lịch, một độ trễ phơi nhiễm, một nhóm nhân khẩu học hoặc một nhóm phân loại chính sách PUMA, phương sai ước lượng không chỉ phụ thuộc vào sai số chuẩn điều kiện của các hệ số OLS mà còn phải tính đến biến động lấy mẫu của phân phối hiệp biến trong . Sử dụng tuyến tính hóa hàm ảnh hưởng không điều kiện theo đề xuất của Deb và cộng sự (2025), điểm ảnh hưởng cho mỗi quan sát được xác định chính xác như sau:
Trong đó:
- : Tập hợp các quan sát được xử lý thuộc đối tượng tổng hợp mục tiêu với quy mô .
- : Giá trị tác động cá thể dự báo tại quan sát rút ra từ phần tương tác điều trị .
- : Đóng góp hàm ảnh hưởng không điều kiện của quan sát vào sai số chuẩn cụm của .
- : Ma trận biến giải thích đã được khử trung bình nội nhóm PUMA theo phép biến đổi Frisch–Waugh–Lovell, với dòng thứ ký hiệu là .
- : Véc-tơ trung bình của các cột tương tác điều trị tính trên tập mục tiêu .
- : Phần dư hồi quy nội nhóm tại quan sát .
3. Dữ liệu, giao thức tái lập và kết quả thực nghiệm
3.1. Chuẩn hóa dữ liệu gốc và kiểm định cấu trúc mẫu
Dữ liệu nguyên gốc trích xuất trực tiếp từ tệp Stata dnwz-flex.dta trong kho lưu trữ Dataverse của Deb và cộng sự (2024) và chuyển đổi nguyên vẹn sang định dạng UTF-8 chuẩn hóa acs_snap_securecomm_flexdid.csv gồm toàn bộ quan sát cá nhân không khuyết thiếu bất kỳ giá trị nào, tương ứng cột dữ liệu với biến gốc và biến phái sinh xác định thuần tập chrt, trạng thái chưa từng xử lý nevertreated, thời gian phơi nhiễm exposureyear, chỉ báo dẫn trước securecomm_leads và biến kích hoạt linh hoạt tx_flex. Bộ dữ liệu bao quát PUMA tại bang Hoa Kỳ liên tục trong năm từ đến , tạo thành ô PUMA–năm với cỡ ô trung bình quan sát, dao động từ đến quan sát mỗi ô.
| Nhóm thuần tập (Cohort) | Số PUMA | Tỷ lệ PUMA (%) | Số quan sát | Tỷ trọng mẫu (%) |
|---|---|---|---|---|
| Chưa từng áp dụng (Nhóm đối chứng) | 55 | 14.82 | 15,053 | 13.33 |
| Nhóm áp dụng 2009 | 131 | 35.31 | 46,421 | 41.11 |
| Nhóm áp dụng 2010 | 134 | 36.12 | 39,366 | 34.86 |
| Nhóm áp dụng 2011 | 22 | 5.93 | 5,026 | 4.45 |
| Nhóm áp dụng 2012 | 29 | 7.82 | 7,046 | 6.24 |
| Tổng nhóm được xử lý (2009–2012) | 316 | 85.18 | 97,859 | 86.67 |
| Tổng toàn mẫu | 371 | 100.00 | 112,912 | 100.00 |
Ghi chú: Kết quả tổng hợp từ tệp dữ liệu chuẩn hóa acs_snap_securecomm_flexdid.csv, khớp hoàn toàn với bảng mô tả mẫu gốc của Deb và cộng sự (2025).
Số liệu trong Bảng 1 cho thấy phần lớn các đơn vị được xử lý áp dụng chính sách sớm vào năm 2009 với PUMA chiếm quan sát và năm 2010 với PUMA chiếm quan sát; Hai thuần tập triển khai muộn hơn vào năm 2011 và 2012 đóng góp tổng cộng PUMA và quan sát; Trong khi nhóm đối chứng gồm PUMA chưa từng áp dụng chiếm tổng số quan sát toàn mẫu. Sự chênh lệch quy mô và thời điểm giữa các thuần tập này chính là nguyên nhân cấu trúc khiến ước lượng TWFE tĩnh dễ bị sai lệch trọng số nếu không phân rã theo từng nhóm thuần tập.
| Biến số | PUMA được xử lý (TB ± ĐLC) | PUMA chưa từng xử lý (TB ± ĐLC) | Chênh lệch (Đối chứng − Xử lý) | t-stat (thô) |
|---|---|---|---|---|
| Nhận trợ cấp SNAP (foodstmp) | 0.234 (0.423) | 0.435 (0.496) | +0.201 | 47.26 |
| Hiệu lực Secure Communities (securecomm) | 0.593 (0.491) | 0.000 (0.000) | -0.593 | 377.94 |
| Nữ giới (female) | 0.528 (0.499) | 0.600 (0.490) | +0.072 | 16.71 |
| Tuổi (age) | 47.701 (11.265) | 48.297 (11.379) | +0.596 | 5.99 |
| Thu nhập % chuẩn nghèo (poverty) | 190.730 (115.077) | 167.077 (120.007) | -23.653 | 22.63 |
| Có trình độ THPT/trên THPT (somehs) | 0.464 (0.499) | 0.476 (0.499) | +0.012 | 2.70 |
Ghi chú: Giá trị trung bình và độ lệch chuẩn trong ngoặc được tính trên quan sát thuộc PUMA được xử lý và quan sát thuộc PUMA chưa từng áp dụng. Tỷ lệ thu nhập poverty tính theo phần trăm chuẩn nghèo liên bang Hoa Kỳ.
Kết quả so sánh cân bằng ở Bảng 2 khẳng định sự khác biệt nền tảng rõ rệt giữa nhóm PUMA áp dụng và nhóm đối chứng: Tỷ lệ nhận SNAP bình quân ở nhóm chưa từng áp dụng là , cao hơn tới điểm phần trăm so với mức ở nhóm được xử lý; Nhóm đối chứng cũng có tỷ lệ nữ giới cao hơn điểm phần trăm và mức thu nhập tương đối thấp hơn điểm phần trăm chuẩn nghèo. Chênh lệch mức nền lớn như vậy đòi hỏi mô hình hồi quy phải hấp thụ đầy đủ hiệu ứng cố định địa phương và tương tác linh hoạt giữa hiệp biến với thuần tập cũng như thời gian nhằm ngăn ngừa thiên lệch chọn lọc theo đặc trưng dân cư.
3.2. Tái lập đa nền tảng, kiểm định EcoData MCP và kết quả ước lượng chính
Quy trình thẩm định tính tái lập được thực thi đồng thời qua ReproducibilityRunner trên cả ba môi trường độc lập Python 3.13, R 4.3.1 và Stata 18 MP cho toàn bộ đặc tả mô hình bao gồm đặc tả chính, phân nhóm nhân khẩu học, kiểm định cấp độ sai số chuẩn và nhóm phân loại chính sách PUMA. Kết quả đối chiếu chéo ghi nhận độ sai lệch tuyệt đối tối đa giữa ba ngôn ngữ là đối với hệ số ATET và đối với sai số chuẩn, trong khi sai lệch tương đối lớn nhất so với tệp đầu ra Stata gốc sử dụng gói flexdid và hdidregress trên toàn bộ mô hình đối chứng chỉ đạt , vượt xa ngưỡng dung sai .
Bên cạnh đó, hệ thống kiểm định ModelGapAuditor xác nhận phương pháp flexdid_repeated_cross_sections là đóng góp phương pháp luận mới hoàn toàn so với danh mục bộ ước lượng sẵn có, cùng bản nâng cấp callaway_santanna_did_hdidregress_ra_rcs, cả hai đều đã được đồng bộ hóa và xác thực 4 bước thành công lên cơ sở dữ liệu EcoData trực tuyến. Kiểm định chéo trực tiếp qua EcoData MCP với lượt gọi mô hình ngôn ngữ phía máy chủ trên bảng dữ liệu ô PUMA–năm cho thấy bộ ước lượng tương tác cohort–time wooldridge_etwfe đạt ATET tổng thể bằng , tương đồng chặt chẽ với đến từ FLEX vi mô.
| Đặc tả mô hình | Khung thiết kế | Ước lượng Python | Ước lượng R | Ước lượng Stata | Trị số p | R2 |
|---|---|---|---|---|---|---|
| Mô hình 1 — SHo (constant: grp, yr) | Chỉ độ trễ (Lags Only) | -0.0180** (0.0079) | -0.0180** (0.0079) | -0.0180** (0.0079) | 0.0230 | 0.1247 |
| Mô hình 2 — FLEX (coh.yr: coh, yr) | Chỉ độ trễ (Lags Only) | -0.0368*** (0.0097) | -0.0368*** (0.0097) | -0.0368*** (0.0097) | 0.0002 | 0.0472 |
| Mô hình 3 — FLEX (grp.yr: grp, yr) | Chỉ độ trễ (Lags Only) | -0.0331*** (0.0098) | -0.0331*** (0.0098) | -0.0331*** (0.0098) | 0.0008 | 0.1484 |
| Mô hình 4 — SHo (constant: grp, yr, X) | Chỉ độ trễ (Lags Only) | -0.0202*** (0.0074) | -0.0202*** (0.0074) | -0.0202*** (0.0074) | 0.0063 | 0.2455 |
| Mô hình 5 — FLEX (coh.yr.x: coh.x, yr.x) | Chỉ độ trễ (Lags Only) | -0.0343*** (0.0089) | -0.0343*** (0.0089) | -0.0343*** (0.0089) | 0.0001 | 0.2137 |
| Mô hình 6 — FLEX (coh.yr.x: coh.x, yr.x, grp) | Chỉ độ trễ (Lags Only) | -0.0306*** (0.0087) | -0.0306*** (0.0087) | -0.0306*** (0.0087) | 0.0005 | 0.2521 |
| Mô hình 7 — ES (event-time: grp, yr) | Độ trễ & Dẫn trước (Lags & Leads) | -0.0241** (0.0094) | -0.0241** (0.0094) | -0.0241** (0.0094) | 0.0106 | 0.1249 |
| Mô hình 8 — CS (coh.yr: coh, yr) | Độ trễ & Dẫn trước (Lags & Leads) | -0.0259** (0.0114) | -0.0259** (0.0114) | -0.0259** (0.0114) | 0.0234 | — |
| Mô hình 9 — FLEX (coh.yr: coh, yr) | Độ trễ & Dẫn trước (Lags & Leads) | -0.0261** (0.0116) | -0.0261** (0.0116) | -0.0261** (0.0116) | 0.0243 | 0.0474 |
| Mô hình 10 — FLEX (grp.yr: grp, yr) | Độ trễ & Dẫn trước (Lags & Leads) | -0.0217* (0.0116) | -0.0217* (0.0116) | -0.0217* (0.0116) | 0.0623 | 0.1580 |
| Mô hình 11 — ES (event-time: grp, yr, X) | Độ trễ & Dẫn trước (Lags & Leads) | -0.0258*** (0.0084) | -0.0258*** (0.0084) | -0.0258*** (0.0084) | 0.0024 | 0.2457 |
| Mô hình 12 — CS (coh.yr.x: coh.x, yr.x) | Độ trễ & Dẫn trước (Lags & Leads) | -0.0264** (0.0106) | -0.0264** (0.0106) | -0.0264** (0.0106) | 0.0127 | — |
| Mô hình 13 — FLEX (coh.yr.x: coh.x, yr.x) | Độ trễ & Dẫn trước (Lags & Leads) | -0.0291*** (0.0107) | -0.0291*** (0.0107) | -0.0291*** (0.0107) | 0.0071 | 0.2143 |
| Mô hình 14 — FLEX (coh.yr.x: coh.x, yr.x, grp) | Độ trễ & Dẫn trước (Lags & Leads) | -0.0258** (0.0102) | -0.0258** (0.0102) | -0.0258** (0.0102) | 0.0118 | 0.2527 |
Ghi chú: Toàn bộ đặc tả ước lượng trên quan sát với sai số chuẩn hiệu chỉnh cụm trong ngoặc đơn theo PUMA bằng phương pháp tuyến tính hóa không điều kiện; Mô hình 8 và Mô hình 12 áp dụng bộ ước lượng điều chỉnh hồi quy Callaway–Sant'Anna theo lệnh hdidregress ra nên không có OLS duy nhất; , , .

3.3. Động thái hiệu ứng theo thời gian và tính bất đồng nhất theo phân nhóm
Một ưu thế cốt lõi của bộ ước lượng FLEX là khả năng phân rã ATET theo ba chiều thời gian đồng thời từ cùng một phép hồi quy duy nhất: Số năm kể từ khi kích hoạt chính sách, năm dương lịch và năm thuần tập gia nhập. Hình 2 minh họa toàn diện đồ thị động thái này cho đặc tả ưu tiên FLEX (coh.yr.x + grp) dưới cả hai khung Chỉ độ trễ và Độ trễ & Dẫn trước.

Từ Hình 2, quỹ đạo động thái mang lại ba thông điệp định lượng nhất quán; Thứ nhất, trước khi chính sách có hiệu lực ở Bảng B với , các ước lượng dẫn trước dao động gần đường không với khoảng tin cậy bao phủ hoàn toàn trục hoành, củng cố tính hợp lệ của giả định xu hướng song song; Thứ hai, sau khi kích hoạt, hiệu ứng e ngại làm co rút tỷ lệ nhận SNAP tích lũy tăng dần theo thời gian phơi nhiễm, đi từ điểm phần trăm tại năm kích hoạt xuống điểm phần trăm tại và duy trì mức điểm phần trăm tại trong khung Độ trễ & Dẫn trước; Thứ ba, xét theo năm dương lịch từ đến và theo thuần tập, tác động tập trung rõ nét nhất ở hai thuần tập kích hoạt sớm với điểm phần trăm và với điểm phần trăm, trong khi thuần tập gần như không ghi nhận hiệu ứng âm đáng kể nào do chỉ có thời gian quan sát ngắn và quy mô nhỏ hơn.
| Nhóm nhân khẩu học | Mã mô hình (LO / LL) | ATET Chỉ độ trễ (LO) | SE (LO) | ATET Độ trễ & Dẫn trước (LL) | SE (LL) | Trị số p (LL) |
|---|---|---|---|---|---|---|
| Nam giới (female = 0) | MH 15 / MH 23 | -0.0301 | 0.0106 | -0.0190 | 0.0128 | 0.1390 |
| Nữ giới (female = 1) | MH 16 / MH 24 | -0.0298 | 0.0094 | -0.0297 | 0.0127 | 0.0195 |
| Chưa tốt nghiệp THPT (somehs = 0) | MH 17 / MH 25 | -0.0533 | 0.0098 | -0.0496 | 0.0144 | 0.0006 |
| Có học vấn THPT trở lên (somehs = 1) | MH 18 / MH 26 | -0.0014 | 0.0129 | +0.0057 | 0.0158 | 0.7181 |
| Tuổi dưới 49 (age < 49) | MH 19 / MH 27 | +0.0024 | 0.0115 | +0.0045 | 0.0145 | 0.7538 |
| Tuổi từ 49 trở lên (age ≥ 49) | MH 20 / MH 28 | -0.0567 | 0.0109 | -0.0489 | 0.0135 | 0.0003 |
| Thu nhập < 169% FPL (poverty < 169) | MH 21 / MH 29 | -0.0124 | 0.0110 | -0.0096 | 0.0125 | 0.4459 |
| Thu nhập ≥ 169% FPL (poverty ≥ 169) | MH 22 / MH 30 | -0.0470 | 0.0102 | -0.0394 | 0.0123 | 0.0015 |
Ghi chú: Các tương phản ATET được tổng hợp trên cửa sổ thời gian phơi nhiễm nhằm bảo đảm cân bằng giữa các thuần tập theo đúng thiết kế Hình 4 gốc; Toàn bộ sai số chuẩn áp dụng tuyến tính hóa không điều kiện phân cụm PUMA; , , .
Phân tích dị biệt cá nhân trong Bảng 4 và Hình 3 hé lộ tính phân tầng sâu sắc đằng sau hiệu ứng trung bình toàn mẫu. Tác động rút lui khỏi SNAP tập trung gần như hoàn toàn ở các nhóm dễ bị tổn thương về mặt thông tin và thủ tục hành chính: Người chưa tốt nghiệp trung học phổ thông ghi nhận mức sụt giảm điểm phần trăm với ở khung Lags & Leads và điểm phần trăm ở khung Lags Only, trái ngược hoàn toàn với nhóm có trình độ trung học phổ thông trở lên đạt mức điểm phần trăm với không khác biệt thống kê so với không. Tương tự, nhóm từ tuổi trở lên chịu cú sốc điểm phần trăm với trong khi nhóm dưới tuổi giữ nguyên quanh mức điểm phần trăm; Nhóm hộ gia đình có thu nhập từ chuẩn nghèo trở lên giảm tới điểm phần trăm với , phản ánh khả năng từ bỏ trợ cấp nhanh chóng hơn khi gặp rào cản tâm lý vì lợi ích cận biên của SNAP thấp hơn nhóm nghèo sâu dưới chuẩn nghèo.

4. Kiểm định chẩn đoán, phân loại chính sách và hàm ý
4.1. Kiểm định tiền xu hướng, phân rã goodman–bacon và độ nhạy phân cụm
Để thẩm định toàn diện tính vững của mô hình FLEX, phần kiểm định chẩn đoán mở rộng đi sâu vào bốn phương diện kỹ thuật gồm kiểm định đồng thời các hệ số dẫn trước, phân rã nguồn sai lệch của TWFE tĩnh, độ nhạy sai số chuẩn theo cấp phân cụm và tính ổn định với thiên lệch biến bỏ sót. Trước hết, phép kiểm định Wald đồng thời cho năm kỳ dẫn trước trên mô hình ưu tiên Mô hình 14 trả về thống kê với và với ; Tương tự, kiểm định trên mô hình Event Study Mô hình 11 qua sáu kỳ dẫn trước đạt với . Toàn bộ các kết quả này đều không thể bác bỏ giả thuyết không về tiền xu hướng song song trước thời điểm áp dụng Secure Communities.
Thứ hai, thực hiện phân rã trọng số theo định lý Goodman-Bacon (2021) đối với mô hình TWFE tĩnh Mô hình 1 cho thấy nguyên nhân định lượng lý giải vì sao SHo chỉ đạt so với của FLEX coh.yr. Cụ thể, chỉ trọng số phương sai của TWFE xuất phát từ các cặp so sánh sạch giữa nhóm được xử lý và PUMA chưa từng áp dụng với ước lượng bình quân ; Trong khi đó, đến từ các cặp nhóm sớm so với nhóm muộn đạt bình quân , và đặc biệt tới trọng số đến từ các cặp so sánh bị đảo ngược khi lấy nhóm đã áp dụng sớm làm đối chứng cho nhóm áp dụng muộn, tạo ra ước lượng bình quân mang dấu dương . Chính sự đóng góp tích cực giả tạo từ gần một phần ba trọng số bị đảo ngược này, nổi bật nhất ở cặp so với sau năm chiếm tổng trọng số với DiD bằng , đã kéo ước lượng TWFE tĩnh tiệm cận về không.
| Đặc tả & Cấp phân cụm | Số cụm | Ước lượng ATET | Trị số p | Tỷ lệ SE tương đối | R2 |
|---|---|---|---|---|---|
| Mô hình 32 — SHo TWFE, HC1 giản lược | 112,912 | -0.0202*** (0.0053) | 0.0001 | 1.00x | 0.2455 |
| Mô hình 4 — SHo TWFE, Phân cụm PUMA | 371 | -0.0202*** (0.0074) | 0.0063 | 1.39x | 0.2455 |
| Mô hình 14 — FLEX Đầy đủ, Phân cụm PUMA | 371 | -0.0258** (0.0102) | 0.0118 | 1.00x | 0.2527 |
| Mô hình 31 — FLEX Đầy đủ, Phân cụm Bang | 27 | -0.0258*** (0.0085) | 0.0053 | 0.83x | 0.2527 |
Ghi chú: Tỷ lệ sai số chuẩn tương đối trong hai dòng đầu chuẩn hóa theo sai số chuẩn HC1 của Mô hình 32; Hai dòng cuối chuẩn hóa theo sai số chuẩn cụm PUMA của Mô hình 14; , , .
Thứ ba, tính toán chỉ số tự tương quan không gian nội bang Moran trên tỷ lệ nhận SNAP nền giai đoạn 2005–2008 trên toàn bộ PUMA ghi nhận với và , phản ánh cấu trúc tương quan địa lý đậm đặc giữa các PUMA thuộc cùng một bang. Do đó, Bảng 5 đối chiếu hệ thống sai số chuẩn từ cấp độ giản lược HC1 cho tới phân cụm cấp bang. Nếu bỏ qua phân cụm địa phương trong TWFE, sai số chuẩn HC1 giản lược ở Mô hình 32 chỉ là , thấp hơn thực tế lần so với mức khi phân cụm ở PUMA ở Mô hình 4 và lần so với ở cấp bang. Tuy nhiên, điều đáng chú ý ở mô hình FLEX đầy đủ Mô hình 14 là khi chuyển sang phân cụm theo bang ở Mô hình 31, sai số chuẩn giảm nhẹ từ xuống với , chứng tỏ hệ thống tương tác thuần tập–năm–hiệp biến kèm cố định PUMA đã hấp thụ hiệu quả phần lớn tương quan chuỗi không gian vĩ mô giữa các địa phương.
4.2. Giới hạn ổn định đối với biến không quan sát được
Áp dụng khung kiểm định độ ổn định hệ số của Oster (2019) với ngưỡng giải thích tối đa khi bổ sung toàn bộ cố định PUMA và hệ thống tương tác hiệp biến từ Mô hình 9 có lên Mô hình 14 có : Hệ số ước lượng ATET hầu như bất biến từ sang . Tỷ số chọn lọc tới hạn đạt và ước lượng hiệu chỉnh tại giữ nguyên tại . Trong khung Chỉ độ trễ từ Mô hình 2 sang Mô hình 6, các thông số tương ứng đạt và . Những giá trị vượt xa ngưỡng chuẩn cho thấy yếu tố không quan sát được phải mạnh gấp hơn hai trăm lần toàn bộ các biến quan sát được mới đủ sức xóa bỏ tác động suy giảm SNAP của chương trình thực thi di trú.
4.3. Phân loại chính sách đa chiều theo 371 puma và hàm ý quản trị
Nhằm chuyển hóa bằng chứng kinh tế lượng thành công cụ phân bổ nguồn lực chính sách cụ thể, toàn bộ PUMA được phân tầng theo cấu trúc dựa trên hai trục điều kiện nền giai đoạn tiền xử lý 2005–2008 lấy trung vị mẫu làm ngưỡng phân tách: Tỷ lệ nhận SNAP nền của PUMA với trung vị phản ánh mức độ phát triển hạ tầng hành chính phúc lợi sẵn có, và tỷ trọng cư dân chưa tốt nghiệp trung học phổ thông với trung vị đại diện cho mức độ dễ tổn thương thông tin trước áp lực thực thi di trú.
| Nhóm phân loại / Đặc tả | Số PUMA | SNAP nền 2005–2008 | Ước lượng ATET | Trị số p | Mức giảm tương đối |
|---|---|---|---|---|---|
| Mô hình 33 — Nhóm 1: SNAP nền thấp × <THPT cao | 121 | 9.00% | -0.0359*** (0.0122) | 0.0034 | -39.9% |
| Mô hình 34 — Nhóm 2: SNAP nền thấp × <THPT thấp | 64 | 9.94% | -0.0240** (0.0102) | 0.0191 | -24.2% |
| Mô hình 35 — Nhóm 3: SNAP nền cao × <THPT cao | 66 | 26.41% | -0.0208** (0.0098) | 0.0334 | -7.9% |
| Mô hình 36 — Nhóm 4: SNAP nền cao × <THPT thấp | 120 | 31.96% | -0.0142 (0.0100) | 0.1548 | -4.4% |
Ghi chú: Các ước lượng ATET từng nhóm được trích xuất trực tiếp từ cấu trúc tương tác bão hòa của Mô hình 14 với sai số chuẩn cụm PUMA không điều kiện; Mức giảm tương đối bằng tỷ lệ giữa ATET và tỷ lệ SNAP nền trung bình giai đoạn 2005–2008 của nhóm PUMA tương ứng; , , .

Số liệu từ Bảng 6 và Hình 4 bộc lộ cơ chế truyền dẫn phi tuyến cực kỳ sắc nét giữa hạ tầng phúc lợi địa phương và cú sốc tâm lý thực thi luật di trú. Tại Nhóm 1 gồm PUMA có tỷ lệ SNAP nền thấp trung bình nhưng tập trung tới cư dân chưa tốt nghiệp trung học phổ thông, chương trình Secure Communities gây ra cú sụt giảm tới điểm phần trăm với , tương đương mất đi gần độ phủ phúc lợi hiện hữu của nhóm này. Trái lại, tại Nhóm 4 gồm PUMA có hệ thống hỗ trợ SNAP nền mạnh mẽ đạt và tỷ lệ chưa tốt nghiệp THPT thấp hơn, mức giảm tuyệt đối chỉ là điểm phần trăm với không có ý nghĩa thống kê, chỉ bằng so với mức nền. Điều này chứng tỏ năng lực tiếp cận và mạng lưới hỗ trợ thủ tục phúc lợi sẵn có tại địa phương đóng vai trò bộ đệm bảo vệ mạnh mẽ trước tâm lý e ngại chính sách.
5. Kết luận
Nghiên cứu đã hoàn thành tái lập toàn diện và chính xác tuyệt đối công trình của Deb và cộng sự (2025) trên toàn bộ đặc tả kinh tế lượng thuộc Python 3.13, R 4.3.1, Stata 18 MP và EcoData MCP với độ hội tụ giữa các nền tảng và chênh lệch dưới so với kết quả gốc. Bằng chứng thực nghiệm khẳng định chương trình Secure Communities tạo ra hiệu ứng lan tỏa làm giảm trung bình điểm phần trăm xác suất tham gia SNAP trong đặc tả đầy đủ có kiểm soát xu hướng tiền xử lý, trong khi mô hình TWFE tĩnh đánh giá thấp mức sụt giảm do gánh trọng số từ các so sánh bị đảo ngược. Phân tích dị biệt và phân loại PUMA chứng minh rằng rủi ro rút lui khỏi lưới an sinh tập trung chủ yếu ở nhóm người cao tuổi, nhóm có trình độ dưới trung học phổ thông và các địa phương có tỷ lệ tham gia SNAP nền thấp, qua đó cung cấp cơ sở định lượng trực tiếp cho việc nhắm trúng đích các chương trình bảo vệ an sinh xã hội.
Phụ lục A. Báo cáo bình duyệt học thuật độc lập
A.1. Đánh giá tổng quan đóng góp học thuật và vị thế nghiên cứu
Công trình của Deb và cộng sự (2025) đóng góp một bước tiến phương pháp luận thiết thực cho văn liệu sai phân kép triển khai lệch pha trong bối cảnh dữ liệu lát cắt lặp lại. Kế thừa trực giác bão hòa tương tác của Wooldridge (2025) và thiết kế nhận dạng theo thuần tập–thời gian của Callaway và Sant'Anna (2021), nhóm tác giả chứng minh rằng hồi quy bình phương tối thiểu tuyến tính kết hợp khử trung bình hiệp biến cục bộ trong từng ô điều trị có thể khôi phục đồng thời toàn bộ hàm hiệu ứng xử lý trung bình trên nhóm được xử lý theo thời gian phơi nhiễm, năm dương lịch, thuần tập và phân nhóm nhân khẩu học từ một phương trình ước lượng duy nhất. Đóng góp kỹ thuật nổi bật nằm ở việc dẫn xuất hàm ảnh hưởng tuyến tính hóa không điều kiện nhằm hạch toán đầy đủ biến động lấy mẫu của phân phối hiệp biến trên bất kỳ tập mục tiêu hậu xử lý nào, khắc phục khuyết điểm thu hẹp phương sai của suy luận điều kiện thông thường khi tổng hợp ATET trên dữ liệu vi mô không theo dõi dọc.
Trên bình diện tái lập tính toán, quy trình kiểm chứng đa nền tảng đối với kho lưu trữ Harvard Dataverse do Deb và cộng sự (2024) công bố ghi nhận mức hội tụ số học tuyệt đối trên toàn bộ đặc tả giữa Python, R và Stata với sai lệch hệ số tối đa , sai lệch sai số chuẩn tối đa và chênh lệch tương đối cực đại dưới so với kết quả chuẩn trong công trình gốc. Kiểm chứng độc lập trên bảng dữ liệu tổng hợp ô địa lý theo năm bằng ước lượng cố định hai chiều mở rộng cũng tái tạo mức tác động , tương đồng chặt chẽ với của Mô hình 14 vi mô. Tuy nhiên, tính xác thực số học hoàn hảo mới chỉ bảo chứng cho khả năng tái dựng mã ước lượng từ tệp ví dụ đã tiền xử lý gồm biến số gốc; Kho lưu trữ công khai không kèm theo kịch bản ghép nối dữ liệu Điều tra Cộng đồng Hoa Kỳ với bảng quy đổi ranh giới hành chính cấp hạt sang PUMA từ Alsan và Yang (2024), thiếu hoàn toàn trọng số điều tra đại diện, và bảng tổng hợp so sánh các ước lượng trong bản thảo gốc được dựng thủ công thay vì xuất tự động từ mã nguồn. Do đó, thẩm định học thuật ở chuẩn mực tạp chí hàng đầu đòi hỏi tách bạch rạch ròi giữa độ chính xác tính toán và tính hợp lệ nhân quả của nhận dạng thực nghiệm.
A.2. Phân tích phản biện chiến lược định danh nhân quả và giả định kinh tế lượng
A.2.1. Điều kiện nhận dạng trên dữ liệu lát cắt lặp lại và thiên lệch chọn lọc sau xử lý
Trong thiết kế sai phân kép kinh điển, phép ước lượng trong Mô hình 14 chỉ đồng nhất với hiệu ứng nhân quả thực khi ba điều kiện cấu trúc thỏa mãn đồng thời: Không có tác động dự báo trước thời điểm kích hoạt; Xu hướng song song có điều kiện theo hiệp biến giữ nguyên trong dữ liệu lát cắt lặp lại mà không xảy ra trôi dạt thành phần mẫu nội sinh; Và biến chỉ báo chính sách không chịu sai số phân loại từ phép quy đổi không gian. Khi nới lỏng bất kỳ trụ cột nào trong ba điều kiện trên, giới hạn xác suất của ước lượng tuyến tính tại ô thuần tập ở năm tách thành tổng các thành phần sai lệch sau:
Trong đó:
- : Ước lượng điểm tại ô thuần tập và năm dương lịch từ phương trình hồi quy tương tác FLEX;
- : Hiệu ứng xử lý trung bình nhân quả thực tại ô thuần tập ở thời điểm ;
- : Thành phần thiên lệch phát sinh khi vi phạm giả định xu hướng song song do cú sốc vĩ mô đặc thù theo bang trùng thời điểm triển khai chính sách;
- : Thành phần chệch suy giảm và nhiễu lan tỏa ranh giới do sai số đo lường khi quy đổi trạng thái xử lý cấp hạt sang đơn vị PUMA;
- : Thành phần sai lệch do biến thiên thành phần nhân khẩu học giữa các đợt lát cắt lặp lại hoặc do điều kiện hóa vào phân phối hiệp biến hậu xử lý.
Thẩm định dữ liệu gốc chỉ ra hai bất đối xứng địa lý nghiêm trọng chi phối . Toàn bộ PUMA thuộc nhóm đối chứng chưa từng áp dụng với lượt quan sát tập trung hoàn toàn trong đúng bang là New York chiếm PUMA, Illinois chiếm PUMA và Massachusetts chiếm PUMA; Không tồn tại bất kỳ bang nào chứa đồng thời cả PUMA được xử lý lẫn PUMA đối chứng. Ở chiều ngược lại, trong số PUMA được xử lý trải trên bang, riêng California với PUMA và Texas với PUMA đã chiếm tới số đơn vị được xử lý và tổng số quan sát được xử lý. Cấu trúc phân tách hoàn toàn theo ranh giới bang khiến toàn bộ các cú sốc chính sách phúc lợi cấp bang trong giai đoạn suy thoái kinh tế lớn từ năm 2008 đến năm 2012, chẳng hạn quy định miễn trừ giới hạn thời gian hưởng trợ cấp SNAP cho người lao động không nuôi con nhỏ hay mức độ thân thiện của luật bảo hộ người nhập cư tại ba bang đối chứng so với các bang miền Nam và miền Tây, bị đồng tuyến tính tuyệt đối với trạng thái xử lý. Do không có đối chứng nội bang, đặc tả không thể bổ sung hiệu ứng cố định bang nhân năm dương lịch để triệt tiêu nhiễu chính sách vĩ mô cấp bang.
Mặc dù phân rã trọng số theo Goodman-Bacon (2021) lý giải thuyết phục nguyên nhân ước lượng hai chiều cố định tĩnh tại Mô hình 1 bị kéo giảm về do gánh trọng số từ các cặp so sánh bị đảo ngược mang dấu bình quân , nổi bật là cặp thuần tập so với sau năm chiếm trọng số với ước lượng , nhưng bản thân phép phân rã này chỉ xử lý sai lệch gộp trọng số chứ không khắc phục được nguồn ngoại sinh cấp bang. Tương tự, ngưỡng ổn định theo Oster (2019) khi chuyển từ Mô hình 9 sang Mô hình 14 chỉ phản ánh độ nhạy tương đối trước các hiệp biến nhân khẩu học quan sát được ở cấp cá nhân; Vì bốn biến kiểm soát chỉ đo lường đặc trưng cá thể tĩnh chứ không nắm bắt động thái thị trường lao động hay thể chế an sinh cấp bang, tỷ số lớn hoàn toàn không bảo chứng cho tính ngoại sinh trước các biến bỏ sót biến thiên theo bang và thời gian.
Bên cạnh đó, việc khử trung bình hiệp biến ngay bên trong từng ô được xử lý ẩn chứa rủi ro thiên lệch hậu xử lý nếu chính sách thực thi di trú kích hoạt di cư chọn lọc hoặc làm thay đổi tỷ lệ phản hồi điều tra trong ACS. Thực tế, khung mẫu gốc của Deb và cộng sự (2025) loại bỏ toàn bộ cá nhân từng chuyển cư giữa các bang; Nếu nguy cơ sợ hãi trước chương trình Secure Communities thúc đẩy một bộ phận hộ gia đình dễ tổn thương di dời sang các bang đối chứng, phép lọc người không chuyển bang sẽ đóng vai trò biến va chạm sau xử lý và bóp méo cả lẫn phân phối trong nhóm ở lại.
A.2.2. Lực kiểm định tiền xu hướng, bất cân bằng thuần tập và nhạy cảm dạng hàm phi tuyến
Phép kiểm định Wald đồng thời đối với năm kỳ dẫn trước trên Mô hình 14 trả về với , còn mô hình nghiên cứu sự kiện Mô hình 11 qua sáu kỳ dẫn trước đạt với . Tuy nhiên, diễn giải việc không bác bỏ giả thuyết không như bằng chứng khẳng định xu hướng song song là chưa đủ chặt chẽ về mặt lực kiểm định thống kê. Trích xuất từng hệ số dẫn trước trong Mô hình 14 cho thấy các ước lượng dao động đáng kể về phía dương: tại , tại , tại , tại và tại . Tính toán ngưỡng hiệu ứng tối thiểu có thể phát hiện ở mức lực kiểm định và mức ý nghĩa theo công thức lần lượt cho ra , , , và điểm phần trăm. Như vậy, mọi mốc tiền xử lý đều có ngưỡng phát hiện lớn hơn toàn bộ hiệu ứng hậu xử lý điểm phần trăm của Mô hình 14; Phép kiểm định tiền xu hướng thiếu hẳn lực thống kê để bác bỏ một xu hướng dốc âm nhẹ tồn tại từ trước.
Đáng chú ý hơn, quỹ đạo từ điểm phần trăm tại và điểm phần trăm tại trượt dần về tại mốc cơ sở và điểm phần trăm tại mang hình dáng một độ dốc giảm tuyến tính liên tục từ giai đoạn trước kích hoạt. Chính phần tiền xu hướng mang dấu dương này đã giải thích vì sao khi chuyển từ khung Chỉ độ trễ ở Mô hình 6 với điểm phần trăm sang khung Độ trễ và Dẫn trước ở Mô hình 14 với điểm phần trăm, độ lớn tuyệt đối của ATET sụt giảm . Hơn nữa, thành phần thuần tập đóng góp vào từng thời điểm phơi nhiễm không cân bằng: Mốc chỉ được nhận dạng trên quan sát thuộc hai thuần tập muộn và trong khi bỏ sót hoàn toàn hai thuần tập chủ lực và ; Ngược lại, mốc chỉ dựa trên thuần tập và . Theo cảnh báo của Sun và Abraham (2021), biến động thành phần thuần tập dọc theo trục thời gian sự kiện làm giảm độ tin cậy khi suy diễn hình dạng tích lũy của hiệu ứng động.
Một vấn đề phương pháp luận sâu sắc không kém phát sinh từ việc áp đặt mô hình xác suất tuyến tính cho biến phụ thuộc nhị phân nhận trợ cấp SNAP trong bối cảnh mức nền chênh lệch lớn giữa nhóm xử lý và nhóm đối chứng. Như phân tích của Wooldridge (2025), giả định xu hướng song song cộng tính trong mô hình tuyến tính thường xung đột với giả định xu hướng song song theo chỉ số tiềm ẩn trong các mô hình phi tuyến bảo toàn miền xác định :
Trong đó:
- : Hiệu ứng xử lý trung bình trên nhóm được xử lý rút ra từ mô hình phi tuyến bảo toàn miền xác định đơn vị;
- : Tập hợp toàn bộ lượt quan sát trong giai đoạn chính sách đã kích hoạt với quy mô ;
- : Chỉ số tuyến tính dự báo ở trạng thái có xử lý và trạng thái đối chứng giả tưởng tại quan sát từ cấu trúc tương tác thuần tập–năm–hiệp biến;
- : Hàm liên kết logistic ánh xạ chỉ số tuyến tính vào khoảng mở .
Kiểm tra trực tiếp giá trị dự báo từ Mô hình 14 trên dữ liệu tái lập cho thấy quan sát trong tổng số , tương ứng toàn mẫu, rơi ra ngoài đoạn , bao gồm quan sát nhận dự báo âm xuống tới và quan sát vượt quá một lên tới . Riêng trong Nhóm 1 gồm PUMA có tỷ lệ SNAP nền giai đoạn – chỉ đạt , tỷ lệ quan sát bị dự báo xác suất âm vọt lên . Khi tái ước lượng đúng cấu trúc tương tác thuần tập–năm–hiệp biến của Mô hình 13 dưới hai đặc tả phi tuyến bảo toàn biên là Logit ETWFE và hàm mũ QMLE, hệ số ATET co rút mạnh từ xuống chỉ còn ở Logit ETWFE và thậm chí đổi dấu sang ở hàm mũ QMLE. Nguyên nhân định lượng rất rõ ràng: Giai đoạn tiền xử lý –, tỷ lệ hưởng SNAP ở nhóm được xử lý chỉ là trong khi ở nhóm đối chứng là ; Khi suy thoái kinh tế đẩy tỷ lệ tham gia SNAP tăng thêm điểm phần trăm ở nhóm xử lý và điểm phần trăm ở nhóm đối chứng từ năm đến năm , tốc độ tăng trưởng tương đối ở nhóm xử lý đạt tới so với ở nhóm đối chứng. Do đó, dấu hiệu sụt giảm đến điểm phần trăm phụ thuộc mạnh vào giả định dạng hàm cộng tính tuyến tính hơn là bất biến trước phép biến đổi tỷ lệ.
A.3. Thẩm định chất lượng dữ liệu, cách đo lường biến số và độ nhạy mẫu
A.3.1. Rà soát cấu trúc biến số, thiếu hụt trọng số điều tra và tính đại diện mẫu cân bằng
Đối chiếu trực tiếp kịch bản ước lượng gốc và tài liệu mô tả dữ liệu trong gói tái lập cho thấy bốn vấn đề đo lường và chọn mẫu cần được làm rõ. Thứ nhất, tệp dữ liệu phân tích chỉ chứa biến số gốc và hoàn toàn thiếu vắng trọng số điều tra cá nhân hoặc hộ gia đình của ACS cũng như các cột trọng số lặp lại dùng để tính phương sai thiết kế mẫu phức tạp. Vì ACS sử dụng thiết kế lấy mẫu phân tầng đa giai đoạn với xác suất chọn không đồng đều giữa các nhóm nhân khẩu học và PUMA, phép hồi quy OLS không trọng số chỉ nhất quán cho tham số tổng thể nếu trọng số lấy mẫu trực giao với hiệu ứng xử lý dị biệt , một giả định khó đứng vững khi tầng thu nhập thấp và trình độ học vấn dưới trung học phổ thông có xác suất đáp ứng khảo sát khác biệt.
Thứ hai, việc buộc PUMA phải xuất hiện liên tục đủ năm từ đến và loại bỏ mọi PUMA có dưới quan sát trong bất kỳ năm nào vô hình trung cắt bỏ các địa bàn nông thôn hoặc khu vực có quy mô cộng đồng gốc Tây Ban Nha nhỏ, làm sai lệch tính đại diện ngoại suy của mẫu. Ngay cả sau khi lọc, kích thước ô PUMA–năm vẫn biến động rất mạnh từ tối thiểu tới tối đa quan sát với trung vị chỉ quan sát mỗi ô, khiến trung bình ô dùng để gán vào ma trận tương tác hoặc vào mô hình bão hòa theo PUMA chịu nhiễu lấy mẫu nhỏ đáng kể.
Thứ ba, bản mô tả dữ liệu gốc khẳng định mẫu phân tích giới hạn ở nhóm người trưởng thành chưa tốt nghiệp trung học phổ thông theo đúng Alsan và Yang (2024), nhưng ngay trong tệp dữ liệu thực tế và mã vẽ Hình 4 gốc, chỉ báo học vấn nhị phân lại chia mẫu thành hai nửa gần bằng nhau: nhận giá trị với nhãn chưa học tới bậc trung học phổ thông và nhận giá trị với nhãn có một phần trình độ trung học phổ thông từ lớp đến lớp chưa lấy bằng. Như vậy, độ dị biệt sắc nét trong Bảng 4 giữa điểm phần trăm ở nhóm giá trị và điểm phần trăm ở nhóm giá trị thực chất phản ánh sự tương phản giữa nhóm học vấn tiểu học–trung học cơ sở và nhóm trung học phổ thông dở dang ngay bên trong tầng lớp lao động phổ thông, thay vì phản ánh sự khác biệt với nhóm đã tốt nghiệp trung học phổ thông trở lên.
Thứ tư, chương trình Secure Communities thực chất được kích hoạt ở cấp độ hạt theo từng mốc tháng cụ thể, nhưng dữ liệu ACS công khai chỉ cung cấp đơn vị địa lý PUMA có quy mô tối thiểu dân. Phép quy đổi cấp hạt sang cấp PUMA theo bộ chuyển đổi không gian của Alsan và Yang (2024) tất yếu gộp các hạt kích hoạt ở những thời điểm khác nhau vào cùng một PUMA, tạo ra sai số phân loại điều trị làm suy giảm độ lớn tuyệt đối của ước lượng ATET và làm nhiễu ranh giới giữa năm tiền xử lý với năm kích hoạt , góp phần lý giải vì sao hiệu ứng tức thời tại chỉ đạt với .
A.3.2. Độ nhạy suy luận phân cụm, tự tương quan không gian và quá tham số hóa ô
Thẩm định cấu trúc sai số chuẩn phơi lộ hai hiện tượng đối nghịch đáng chú ý về suy luận thống kê. Ở chiều thứ nhất, chỉ số tự tương quan không gian nội bang Moran trên tỷ lệ nhận SNAP giai đoạn tiền xử lý đạt với và , khẳng định mối liên hệ địa lý rất chặt chẽ giữa các PUMA lân cận. Trong mô hình TWFE tĩnh, bỏ qua phân cụm địa phương tại Mô hình 32 khiến sai số chuẩn HC1 giản lược tụt xuống , thấp hơn lần so với phân cụm PUMA tại Mô hình 4 và lần so với phân cụm cấp bang ở mức .
Ở chiều thứ hai, nghịch lý xuất hiện khi chuyển Mô hình 14 từ phân cụm PUMA sang phân cụm bang ở Mô hình 31: Sai số chuẩn lại thu hẹp từ xuống , tức giảm dù số cụm rút gọn gấp lần. Nguyên nhân toán học bắt nguồn từ sự tập trung mất cân đối cực đoan của quy mô cụm cấp bang kết hợp với việc phần dư cụm mất tương quan chuỗi sau khi bão hòa tương tác thuần tập–năm: Trong bang, chỉ riêng hai bang California và Texas đã chiếm toàn mẫu, đồng thời có tới bang chỉ chứa đúng PUMA. Tính toán số cụm hiệu dụng theo nghịch đảo chỉ số Herfindahl cho thấy số cụm hiệu dụng cấp bang giảm từ xuống chỉ còn theo tỷ trọng quan sát và theo tỷ trọng phương sai hàm ảnh hưởng, trong khi chỉ bang lớn nhất đã gánh tổng phương sai điểm ảnh hưởng; Thậm chí ở cấp PUMA, số cụm hiệu dụng theo phương sai điểm ảnh hưởng cũng chỉ tương đương . Dưới sự mất cân đối cụm nghiêm trọng như vậy, ma trận hiệp phương sai gộp cụm chuẩn bậc một tại bang chịu thiên lệch chệch xuống hữu hạn mẫu rất nặng, khiến trị số của Mô hình 31 trở nên lạc quan giả tạo. Ngoài ra, đặc tả bão hòa tối đa theo từng PUMA ở Mô hình 10 tiêu tốn tới tham số trên ô địa lý–năm, làm phình sai số chuẩn lên và đẩy trị số vượt ngưỡng ý nghĩa ; Ngay cả Mô hình 14 cũng ước lượng tham số hiệu dụng với ô thuần tập tại năm chỉ có quan sát và thuần tập cho ước lượng dương kèm sai số chuẩn .
| Hạng mục chẩn đoán và đặc tả đối chứng | Khung nhận dạng | Ước lượng điểm và sai số chuẩn | Trị số p | Chỉ số chẩn đoán cấu trúc |
|---|---|---|---|---|
| Cân bằng giả định: Giới tính nữ | Độ trễ và dẫn trước | +0.0060 (0.0107) | 0.5726 | Biến thiên thành phần không đáng kể |
| Cân bằng giả định: Độ tuổi trung bình | Chỉ độ trễ | +0.4862 (0.2283) | 0.0339 | Giảm còn +0.1676 khi thêm dẫn trước |
| Cân bằng giả định: Tỷ lệ chuẩn nghèo | Độ trễ và dẫn trước | -5.1546 (3.2654) | 0.1153 | Độ lệch thu nhập nền âm nhẹ |
| Cân bằng giả định: Học vấn lớp 9 đến 11 | Độ trễ và dẫn trước | -0.0123 (0.0109) | 0.2581 | Quy mô ô trung bình biến thiên +0.8526 |
| Mô hình 13 — FLEX thuần tập tuyến tính | Độ trễ và dẫn trước | -0.0291 (0.0107) | 0.0071 | Đặc tả đối chứng tuyến tính không cố định PUMA |
| Mô hình Logit ETWFE thuần tập tương tác | Độ trễ và dẫn trước | -0.0105 | — | Độ lớn giảm 63.8% khi chặn miền xác định |
| Mô hình hàm mũ QMLE thuần tập tương tác | Độ trễ và dẫn trước | +0.0069 | — | Đổi dấu dưới xu hướng song song tỷ lệ |
| Mô hình 14 — FLEX đầy đủ cụm PUMA | Độ trễ và dẫn trước | -0.0258 (0.0102) | 0.0118 | Cụm hiệu dụng 30.2 trên 371; Ngoài miền 10.90% |
| Mô hình 31 — FLEX đầy đủ cụm Bang | Độ trễ và dẫn trước | -0.0258 (0.0085) | 0.0053 | Cụm hiệu dụng mẫu 4.26 trên 27; Tỷ lệ SE 0.83 lần |
| Mô hình 10 — FLEX bão hòa từng PUMA | Độ trễ và dẫn trước | -0.0217 (0.0116) | 0.0623 | Số tham số hiệu dụng lên tới 3,858 |
Ghi chú: Các ước lượng cân bằng giả định được chạy trực tiếp bằng thủ tục FLEX không kèm hiệp biến với từng đặc trưng cá nhân làm biến phụ thuộc; Các mô hình Logit ETWFE và hàm mũ QMLE tái lập chính xác cấu trúc tương tác thuần tập–năm–hiệp biến của Mô hình 13 nhằm kiểm chứng độ nhạy dạng hàm; Cụm hiệu dụng tính theo nghịch đảo chỉ số Herfindahl của tỷ trọng quan sát và phương sai điểm ảnh hưởng; , , .
Kết quả tổng hợp tại Bảng A1 xác nhận hai phát hiện bổ sung cốt lõi. Một mặt, dưới khung Chỉ độ trễ, phép kiểm định cân bằng giả định ghi nhận độ tuổi trung bình trong nhóm xử lý dịch chuyển có ý nghĩa thống kê năm ở , phản ánh sự thay đổi nhân khẩu học giữa các đợt điều tra ACS khi thiếu kiểm soát dẫn trước; Dù hiện tượng này dịu xuống khi đưa đầy đủ dẫn trước vào mô hình, tỷ lệ thu nhập theo chuẩn nghèo vẫn có độ lệch điểm điểm phần trăm tại . Mặt khác, chênh lệch rất lớn giữa của LPM so với của Logit ETWFE và của hàm mũ QMLE khẳng định rằng suy luận về độ lớn hiệu ứng e ngại của Secure Communities nhạy cảm trực tiếp với giả định cấu trúc hàm xác suất trong vùng biên thấp.
A.4. Các hạn chế cốt lõi trọng yếu của nghiên cứu gốc
- Thiên lệch chọn lọc mẫu và trôi dạt thành phần trong dữ liệu lát cắt lặp lại: Thiết kế mẫu của Deb và cộng sự (2025) loại bỏ mọi cá nhân di cư liên bang, áp đặt cân bằng PUMA bằng cách loại các địa bàn có dưới quan sát và thực hiện khử trung bình theo phân phối hiệp biến hậu xử lý của từng ô. Khi di cư liên bang hoặc cơ cấu nhân khẩu học phản ứng nội sinh với chính sách thực thi di trú như dấu hiệu dịch chuyển độ tuổi năm ở khung Chỉ độ trễ và xu hướng thu nhập ở khung Độ trễ và Dẫn trước, việc điều kiện hóa vào phân phối sau xử lý tạo ra thiên lệch va chạm làm chệch ước lượng ngay cả khi đã kiểm soát hiệu ứng cố định địa phương.
- Sai số đo lường từ quy đổi ranh giới hạt sang đơn vị PUMA và đồng tuyến tính cấp bang: Việc ánh xạ trạng thái kích hoạt Secure Communities từ cấp hạt sang ranh giới PUMA thông qua bảng chuyển đổi của Alsan và Yang (2024) khiến biến điều trị quan sát khác với phơi nhiễm thực tại cấp hạt . Sai số đo lường không cổ điển này gây ra chệch suy giảm hướng về không ở các năm đầu sau kích hoạt và làm rò rỉ tác động sang các mốc dẫn trước liền kề; Đồng thời, vì toàn bộ PUMA đối chứng nằm gói gọn trong bang và không có bất kỳ bang nào vừa có đơn vị xử lý vừa có đơn vị đối chứng, mô hình không thể kiểm soát biến bỏ sót thời biến cấp bang như chính sách phúc lợi hay bảo hộ nhập cư địa phương.
- Vi phạm miền xác định của mô hình xác suất tuyến tính và thiếu bất biến dạng hàm: Vì biến kết quả tham gia SNAP mang giá trị nhị phân và tỷ lệ hưởng nền chênh lệch gấp đôi giữa nhóm xử lý đạt và nhóm đối chứng đạt giai đoạn –, phép hồi quy tuyến tính Mô hình 14 tạo ra tới dự báo nằm ngoài khoảng trên toàn mẫu và dự báo âm tại Nhóm 1. Dưới khung tham chiếu phi tuyến chuẩn hóa theo Wooldridge (2025), giả định xu hướng song song cộng tính bị vi phạm trước tăng trưởng tỷ lệ của cuộc suy thoái kinh tế lớn, khiến ước lượng Logit ETWFE co lại xuống và hàm mũ QMLE đổi dấu sang .
- Suy luận cụm mất cân bằng nghiêm trọng và thiếu điều chỉnh tương quan không gian liên tục: Dù dữ liệu bộc lộ cấu trúc tự tương quan không gian rất mạnh với Moran ở , việc gộp cụm sang bang ở Mô hình 31 trong bối cảnh California và Texas chiếm số quan sát làm số cụm hiệu dụng rơi xuống chỉ còn theo cỡ mẫu và theo phương sai điểm ảnh hưởng. Sự tập trung cực đoan này gây chệch thu hẹp hữu hạn mẫu cho sai số chuẩn gộp cụm từ xuống , phóng đại giả tạo mức ý nghĩa thống kê mà vẫn bỏ qua ngoại ứng tràn xuyên ranh giới giữa các PUMA giáp ranh.
- Lực kiểm định tiền xu hướng thấp và bất cân bằng thuần tập tại các chân trời phơi nhiễm biên: Kết quả không bác bỏ kiểm định Wald tại chưa đủ cơ sở khẳng định giả định xu hướng song song vì ngưỡng phát hiện tối thiểu ở lực kiểm định của từng kỳ dẫn trước dao động từ đến điểm phần trăm, vượt xa độ lớn tác động chính điểm phần trăm. Quỹ đạo tiền xử lý giảm dần từ điểm phần trăm ở và ở về ở cho thấy rủi ro xu hướng dốc âm tiền hữu đã kéo Lags Only xuống điểm phần trăm, trong khi các chân trời biên như và bị lệch thành phần thuần tập.
- Thiếu trọng số điều tra đại diện và suy hao bậc tự do do quá tham số hóa ô: Toàn bộ dữ liệu công khai và hệ thống ước lượng đều bỏ qua trọng số lấy mẫu phức tạp của ACS khiến ước lượng bình quân không còn nhất quán với tổng thể dân số mục tiêu mà tạo thiên lệch chọn mẫu nếu xác suất lấy mẫu tương quan với tính không đồng nhất theo học vấn hay độ tuổi; Song song đó, đặc tả bão hòa đơn vị Mô hình 10 phải ước lượng tham số trên ô có quy mô nhỏ tới quan sát, làm suy hao bậc tự do, phình phương sai ước lượng và đánh mất ý nghĩa thống kê ở ngưỡng .
A.5. Khuyến nghị nâng cấp mô hình và hướng mở rộng công bố quốc tế
- Chuyển đổi sang bộ ước lượng ETWFE phi tuyến có trọng số điều tra và neo hiệp biến tiền xử lý: Để khắc phục triệt để vi phạm miền xác định và nguy cơ thiên lệch va chạm từ việc khử trung bình hậu xử lý, cần ước lượng mô hình Logit hoặc Probit ETWFE có gắn trọng số điều tra ACS theo phương pháp của Wooldridge (2025) kết hợp neo hiệp biến tại giá trị nền trước xử lý của từng PUMA hoặc trọng số nghiêng nghịch đảo xác suất theo Sant'Anna và Zhao (2020):
Trong đó:
- : Xác suất có điều kiện tham gia trợ cấp SNAP bảo toàn chặt trong khoảng ;
- : Hàm phân phối tích lũy logistic hoặc chuẩn tắc cho phép xác suất cận biên hội tụ phi tuyến quanh ngưỡng biên;
- : Trung bình mẫu của véc-tơ hiệp biến tại đơn vị PUMA tính riêng trên giai đoạn tiền xử lý trước năm kích hoạt đầu tiên nhằm ngăn chặn thiên lệch hậu xử lý;
- : Tham số dịch chuyển chỉ số tiềm ẩn và véc-tơ độ dốc dị biệt tại ô thuần tập ở năm ;
- : Hệ số cố định đơn vị, cố định năm dương lịch, tập hợp thuần tập và các thành phần tương tác nền giữ nguyên cấu trúc nhận dạng ban đầu.
- Nâng cấp suy luận thống kê với hiệu chỉnh cụm mất cân bằng CR2, bootstrap wild và ma trận không gian Conley: Nhằm xử lý đồng thời độ lệch hữu hạn mẫu tại bang có số cụm hiệu dụng chỉ đạt và tương quan không gian , các nghiên cứu tiếp theo cần thay thế sai số chuẩn cụm thông thường bằng bộ hiệu chỉnh ma trận phần dư CR2 kèm bậc tự do Satterthwaite theo phương pháp Bell–McCaffrey, kết hợp kiểm chứng bằng bootstrap cụm wild Cameron–Gelbach–Miller ở cấp bang và tính toán sai số chuẩn không gian HAC Conley dựa trên khoảng cách địa lý giữa các tâm đa giác PUMA.
- Áp dụng kiểm định độ nhạy cận song song và khôi phục biến phơi nhiễm liên tục cấp hạt: Thay vì dựa vào thống kê Wald tiền xu hướng vốn có lớn tới điểm phần trăm, cần xây dựng tập tin cậy chân thực theo hướng tiếp cận Rambachan–Roth để đo lường giới hạn suy giảm của ATET khi cho phép xu hướng tiền xử lý tiếp diễn tuyến tính hoặc lệch một biên độ dương sang giai đoạn hậu xử lý. Đồng thời, nếu kết hợp dữ liệu hạn chế truy cập có mã hạt hoặc thay chỉ báo nhị phân bằng tỷ trọng dân số hạt đã kích hoạt trong từng PUMA, ước lượng hai giai đoạn sẽ loại trừ đáng kể thành phần sai số đo lường .
- Kiểm chứng chẩn đoán cân bằng di cư và mở rộng khung phân tích cho dữ liệu khảo sát lát cắt lặp lại tại Việt Nam: Để kiểm tra trực tiếp cơ chế chọn lọc người ở lại, cần bổ sung hồi quy với biến phụ thuộc là tỷ lệ nhập cư và xuất cư cấp PUMA cùng kiểm định giả định trên cả nhóm cá nhân di chuyển liên bang. Về triển vọng công bố quốc tế và ứng dụng chính sách khu vực, khung FLEX phi tuyến có trọng số hoàn toàn phù hợp để tái đánh giá các chính sách an sinh xã hội, bảo hiểm y tế hộ gia đình hay cải cách hành chính triển khai lệch pha qua nhiều đợt Điều tra Mức sống Dân cư Việt Nam VHLSS từ năm đến năm , nơi cấu trúc lát cắt lặp lại cấp xã và tỉnh cũng đối diện bài toán không theo dõi dọc cá thể và bất đồng nhất sâu giữa các phân nhóm dân cư.
Tài liệu tham khảo
- Alsan, M., & Yang, C. S. (2024). Fear and the safety net: Evidence from Secure Communities. The Review of Economics and Statistics, 106, 1427–1441. https://doi.org/10.1162/rest_a_01250 ↩
- Callaway, B., & Sant'Anna, P. H. C. (2021). Difference-in-Differences with multiple time periods. Journal of Econometrics, 225, 200–230. https://doi.org/10.1016/j.jeconom.2020.12.001 ↩
- Deb, P., Norton, E. C., Wooldridge, J. M., & Zabel, J. E. (2024). Replication data for: A flexible, heterogeneous treatment effects difference-in-differences estimator for repeated cross-sections [Dataset]. Harvard Dataverse. https://doi.org/10.7910/DVN/YVR9WM ↩
- Deb, P., Norton, E. C., Wooldridge, J. M., & Zabel, J. E. (2025). A flexible, heterogeneous treatment effects difference-in-differences estimator for repeated cross-sections. National Bureau of Economic Research. https://doi.org/10.3386/w33026 ↩
- Goodman-Bacon, A. (2021). Difference-in-differences with variation in treatment timing. Journal of Econometrics, 225, 254–277. https://doi.org/10.1016/j.jeconom.2021.03.014 ↩
- Oster, E. (2019). Unobservable selection and coefficient stability: Theory and evidence. Journal of Business & Economic Statistics, 37, 187–204. https://doi.org/10.1080/07350015.2016.1227711 ↩
- Sant'Anna, P. H. C., & Zhao, J. (2020). Doubly robust difference-in-differences estimators. Journal of Econometrics, 219, 101–122. https://doi.org/10.1016/j.jeconom.2020.06.003 ↩
- Sun, L., & Abraham, S. (2021). Estimating dynamic treatment effects in event studies with heterogeneous treatment effects. Journal of Econometrics, 225, 175–199. https://doi.org/10.1016/j.jeconom.2020.09.006 ↩
- Wooldridge, J. M. (2025). Two-way fixed effects, the two-way Mundlak regression, and difference-in-differences estimators. Empirical Economics. https://doi.org/10.1007/s00181-025-02807-z ↩
acs_snap_securecomm_flexdidstatefipspumayearfoodstmpsecurecommfemaleagepovertysomehschrtnevertreatedexposureyearMở khóa dữ liệu & mã lệnh tái lập
Sau khi theo dõi phần phân tích định lượng và bình duyệt học thuật phía trên, mời bạn đăng nhập nếu đã có gói thành viên hoặc tham gia cộng đồng nghiên cứu EcoLab để trực tiếp kiểm chứng từng hệ số ước lượng trên máy cá nhân.
Khớp chính xác tên biến, đặc tả sai số chuẩn vững và ma trận kiểm định chẩn đoán của bài nghiên cứu.
Sẵn sàng nạp trực tiếp vào môi trường thống kê cá nhân để đối chiếu độc lập từng bảng kết quả.
Đóng gói đồng bộ bản thảo chuẩn công bố tạp chí DOCX & PDF, tệp dữ liệu CSV, ba kịch bản ước lượng R · Stata · Python và hướng dẫn thực thi.
Mỗi liên kết tải xuống được cấp chữ ký bảo mật riêng cho tài khoản thành viên và tự động làm mới mượt mà ngay trên trang đọc.




