Phân tích + đọc kết quả phân tích nhân tố khẳng định CFA trên AMOS

 

1. Phân tích nhân tố khẳng định để làm gì?

Phân tích nhân tố khẳng định - Confirmatory Factor Analysis (CFA) là kiểm định được sử dụng để thực hiện các mục đích sau:

- Đánh giá được độ phù hợp tổng thể của dữ liệu dựa trên các chỉ số độ phù hợp mô hình (model fit) như Chisquare/df, CFI, TLI, GFI, RMSEA...

- Đánh giá chất lượng biến quan sát, khẳng định các cấu trúc nhân tố. Nếu EFA làm nhiệm vụ khám phá cấu trúc nhân tố từ một tập hợp các biến quan sát đưa vào và giả định chưa biết biến nào nằm chung trong một thang đo (chung một nhân tố) thì CFA lại khác khá nhiều. Các biến quan sát đưa vào phân tích CFA được giả định là đã xác định được biến quan sát nào thuộc thang đo nào rồi và chức năng của CFA lúc này là đánh giá xem các biến quan sát trong nội bọ thang đo đó đã phù hợp chưa, đạt tiêu chuẩn chưa.

- Đánh giá tính hội tụ, tính phân biệt các cấu trúc biến. 

2. Biểu diễn cấu trúc biến lên diagram CFA

Để phân tích CFA, chúng ta cần biểu diễn biến lên diagram. Phần mềm AMOS là công cụ yêu cầu người dùng vẽ thủ công hoàn toàn diagram. Việc này mất thời gian và công sức khá nhiều, do vậy một số nhà phát triển đã xây dựng nên plugin Pattern Matrix Builder để đưa biến vào AMOS nhanh hơn từ ma trận xoay EFA.

Cần lưu ý rằng, plugin là công cụ hỗ trợ rút ngắn thao tác, không phải không có plugin thì chúng ta không vẽ được diagram SEM. Kèm với đó, EFA là một kiểm định, CFA là một kiểm định, chúng có liên quan nhau nhưng không phải là mối quan hệ nhân quả. Không phải phải thực hiện EFA thì mới triển khai được CFA, không phải cần có ma trận xoay thì mới vẽ được diagram CFA. AMOS là phần mềm được phát triển với đầy đủ công cụ vẽ diagram mà không cần bất cứ plugin hay yếu tố đầu vào từ EFA.

Do đó, nếu gặp các vấn đề khi cài đặt plugin hoặc plugin sử dụng không ổn định, các bạn nên vẽ thủ công diagram bằng công cụ có sẵn của AMOS. Xem chi tiết cách sử dụng công cụ AMOS qua video bên dưới.

3. Tải và cài đặt plugin Pattern Matrix Builder

Như vừa trình bày ở phần trước, các nhà phát triển đã xây dựng nên plugin để rút ngắn rút ngắn thời gian vẽ thủ công. Plugin Pattern Matrix Builder giúp đưa nhanh diagram từ ma trận xoay EFA vào AMOS. Do không phải lúc nào ma trận EFA cũng cùng số lượng nhân tố, cùng số lượng biến quan sát với diagram CFA cần vẽ, nên chúng ta cần linh hoạt sử dụng plugin một cách hiệu quả theo hướng dẫn ở video sau:

Các bạn cần sử dụng phiên bản plugin tương ứng với phiên bản phần mềm AMOS đang có. Bạn tải và cài đặt phần mềm + plugin theo các link bên dưới:

- Plugin Pattern Matrix Builder dành cho AMOS 20: link tại đây
- Plugin Pattern Matrix Builder dành cho AMOS 24: link tại đây

4. Phân tích nhân tố khẳng định CFA

Cấu trúc biến:

- QC gồm 5 biến quan sát.

- QH gồm 5 biến quan sát.

- KM gồm 4 biến quan sát.

- BH gồm 6 biến quan sát. Trong đó BH6 bị loại ở bước EFA.

- NB gồm 4 biến quan sát.

- TT gồm 5 biến quan sát.

Khởi động phần mềm AMOS, click chọn vào biểu tượng Select Data file như hình bên dưới:

Tại cửa sổ hiện ra, chọn File Name, sau đó chọn file dữ liệu SPSS đầu vào. 

Trong ví dụ này, file dữ liệu có tên là DATA AMOS.sav. Sau khi chọn xong file dữ liệu, chọn vào Open để kết thúc thao tác.

Tiếp tục nhấp vào OK để AMOS nhận file dữ liệu SPSS.

Quay về cửa sổ chính phần mềm AMOS, vẽ diagram cấu trúc biến vào AMOS như bên dưới. Chúng ta có thể vẽ thủ công hoặc dùng plugin để rút ngắn thao tác.

Bài viết này sẽ hướng dẫn dùng plugin, phần vẽ thủ công các bạn tự tìm hiểu ở mục số 2 bên trên. 

Tiến hành vẽ diagram Vào Plugins > Pattern Matrix Model Buider

Chúng ta sẽ lấy bảng ma trận xoay là Pattern Matrix hoặc Rotated Component Matrix từ output SPSS để đưa vào plugin. Trường hợp này mình đang chạy chung EFA cho toàn bộ các yếu tố trong mô hình để lấy hết toàn bộ biến đưa vào AMOS cho nhanh, nếu có xáo trộn cấu trúc thì mình sẽ dùng công cụ thủ công để kéo thả biến lại cho đúng. 

Với mô hình này, cách chạy EFA phù hợp nhất đó là chia làm 3 lần chạy: lần 1 gồm QC-QH-KM-BH, lần 2 chỉ gồm NB, lần 3 chỉ gồm TT. Do EFA chạy riêng như vậy ma trận xoay sẽ không có đủ biến để đưa cùng một lượt vào diagram CFA. Lúc này chúng ta lại dùng tới công cụ thủ công để thêm các cấu trúc biến còn thiếu vào. 

Copy bảng ma trận xoay Pattern Matrix hoặc Rotated Component Matrix dán vào cửa sổ Pattern Matrix Input, nhấp vào Create Diagram.

AMOS sẽ tự động tạo ra hình vẽ các biến, phần dư, các mối liên hệ.... một cách tự động, đều, đẹp thay vì chúng ta phải vẽ thủ công khi không có plugin Pattern Matrix Builder. 

Tiến hành đổi các tên biến tiền ẩn 1,2,3,4,5... thành ký hiệu nhân tố cho dễ đọc kết quả.

Chèn các macro để xem nhanh các chỉ số model fit. Cách thức thực hiện như sau. Tại giao diện AMOS, chọn vào biểu tượng Figure Captions (màu vàng có chữ Title).

Sau đó nhấp vào vùng trống trên diagram, cửa sổ Object Properties xuất hiện. Nhập macro chỉ số model fit vào mục Figure caption. Các bạn có thể tùy chỉnh kích thước chữ của macro, canh lề macro tại mục Font size và Alignment. Một số chỉ số model fit hay dùng như sau:

Chi-square/df=\cmindf

GFI=\gfi

CFI=\cfi

TLI=\tli

RMSEA=\rmsea

PCLOSE=\pclose

Sau khi đã nhập xong xuôi macro, canh chỉnh kích thước chữ và lề, nhấp vào nút X góc trên bên phải để kết thúc thao tác. Diagram sẽ hiện ra như sau:

Sau khi chèn xong macro, hãy lưu lại file CFA bằng cách nhấn Ctrl + S hoặc vào File > Save. 

Sau khi đã lưu file, chọn vào biểu tượng Analysis Properties.

Tích chọn vào các mục từ 1 đến 5, mục số 6 nhập vào giá trị 15. Sau đó nhấp vào nút X ở góc trên bên phải để xác nhận tùy chọn và thoát khỏi giao diện.

Chọn vào biểu tượng Calculate Estimates để tiến hành chạy phân tích CFA.

Nhấp vào nút View Text để xem các bảng kết quả trong output.

3. Đọc kết quả phân tích CFA trên AMOS

Chúng ta sẽ đọc kết quả CFA qua các tiêu chí: độ phù hợp mô hình tổng thể, chất lượng biến quan sát, độ tin cậy, tính hội tụ, tính phân biệt các cấu trúc biến.

3.1 Độ phù hợp mô hình (model fit)

Khi vẽ diagram CFA, chúng ta tạo ra shortcut các chỉ số về độ phù hợp mô hình ngay trên sơ đồ biểu diễn các đối tượng CFA để đọc nhanh một số chỉ số model fit quan trọng.

Để xem đầy đủ các chỉ số về độ phù hợp mô hình, chúng ta mở output CFA. 

Nhấp vào mục Model Fit ở bên trái. Giao diện bên phải sẽ hiển thị toàn bộ các bảng liên quan đến độ phù hợp mô hình. Các chỉ số hiện trên shortcut ngoài diagram đều được lấy từ các bảng này.

Read More

SPSS, AMOS,Smart PLS, Stata, Eviews

 

  Có quá nhiều phần mềm được nghe nói để làm bài, vậy phần mềm nào thích hợp nhất để xử lý bài nghiên cứu của bạn?

     Hiện tại các phần mềm SPSS, AMOS,Smart PLS, Stata, Eviews là thông dụng nhất để cho thực hiện các nghiên cứu trên thế giới và tại Việt Nam. Bài này nhóm thạc sĩ Bách Khoa sẽ cho các bạn một cái nhìn tổng quát, để nắm được phần mềm nào là phù hợp nhất với nghiên cứu của mình. Lưu ý là phù hợp nhất trong một số trường hợp nghiên cứu đặc thù, còn các chức năng cơ bản như thống kê mô tả, tính trung bình, giá trị nhỏ nhất lớn nhất….thì dĩ nhiên phần mềm nào ở trên đều có hết bạn nhé.

     Về tổng quát có 2 nhóm lớn, nhóm thứ 1 gồm SPSS, AMOS, Smart-PLS chuyên xử lý số liệu điều tra sơ cấp, nhóm thứ 2 gồm Stata và Eviews chuyên xử lý số liệu thứ cấp, chuỗi thời gian, dữ liệu bảng panel data…

Phần mềm SPSS

     Phần mềm SPSS: đây là phần mềm phổ biến bậc nhất trong nghiên cứu khoa học và viết bài báo, viết luận văn tại Việt Nam. Phần mềm này mạnh trong việc xử lý số liệu thu thập dạng sơ cấp, nghĩa là các thông tin được lấy bằng cấc phiếu khảo sát giấy, online để lấy ý kiến trực tiếp của người được khảo sát. Với những số liệu thứ cấp như là doanh thu, chi phí, dòng vốn bỏ ra trong 1 thời điểm cụ thể phần mềm này vẫn xử lý được. Phần mềm này chưa mạnh ở chỗ xử lý số liệu chuỗi thời gian, dữ liệu bảng vì SPSS không có tích hợp sẵn các công cụ kiểm định, ví dụ phương sai sai số thay đổi, tự tương quan của dữ liệu bảng panel. Phần mềm này cũng không xử lý được nhiều dạng hồi quy phức tạp, như hồi quy tobit…

Phần mềm AMOS

     Đây là phần mềm cũng của hãng IBM tương tự SPSS. AMOS bổ sung cho SPSS khi xử lý những mô hình cấu trúc SEM, những mô hình có nhiều hơn 1 biến phụ thuộc như hình sau:

     Về mặt loại số liệu, số liệu đưa vào AMOS chủ yếu là dạng thang đo likert nhập từ phiếu khảo sát tương tự phần mềm SPSS bạn nhé. Mục tiêu của AMOS chủ yếu là kiểm định độ phù hợp của mô hình model fit, như là các chỉ số chisquare/df, GFI,TLI,RMSEA, độ tin cậy tổng hợp, phương sai trích, và quan trọng nhất là kiểm định các giả thiết thống kê xem có đạt hay không đạt( nghĩa là bộ số liệu này có làm cho các giả thiết đặt ra lúc xây dựng mô hình nghiên cứu đạt hay không?)

Phần mềm Smart-PLS:

      Về chức năng thì phần mềm này tương tự phần mềm AMOS, nhưng Smart-PLS không có chức năng kiểm tra các chỉ số độ phù hợp mô hình đầy đủ như AMOS, vì Smart PLS tiếp cận xử lý vấn đề dựa trên thuật toán PLS, nên không tồn tại các khái niệm như GFI, TLI… Về mặt giao diện phần mềm này có ưu thế hơn AMOS với việc kéo thả bố trí giao diện dễ dàng hơn, các biến tự động co dãn trong mô hình chứ không bị gới hạn trong 1 tờ A3 hoặc A4 như AMOS. Ngoài ra các khái niệm reflective và formative constructs cũng được thể hiện rõ ràng và dễ dàng chuyển đổi qua lại chứ không như AMOS

Phần mềm Stata

     Nếu dữ liệu bạn nghiên cứu về các chỉ tiêu lợi nhuận, doanh thu của các doanh nghiệp trên thị trường chứng khoán trong vòng 5-10 năm thì đây là công cụ thích hợp nhất cho bạn. nói cho dễ hiểu, phần mềm Stata xử lý dữ liệu dạng như sau:

     Ngoài ra, Stata xử lý được rất nhiều khái niệm trong nghiên cứu dữ liệu bảng, dữ liệu chuỗi thời gian, như phương sai sai số thay đổi, tự tương quan, tính dừng của dữ liệu, sai phân bậc 1, bậc 2, bậc n, biến trễ bậc 1, bậc 2, bậc 2, hồi quy FEM, hồi quy REM, kiểm định hausman, Breusch and Pagan Lagrangian

Phần mềm Eviews

     Phần mềm Eviews có chức năng tương tự Stata nhưng các kiểm định bị hạn chế, ít loại kiểm định hơn. Nên bạn cứ xài Stata là ổn nhất.

Bạn cứ trao đổi thêm với nhóm ở đây, hoặc comment bên dưới nhé

Read More

Khắc phục nội sinh: Hồi quy GMM

 Trong kinh tế lượng và thống kê , phương pháp tổng quát thời điểm ( GMM ) là một phương pháp chung để ước lượng các tham số trong mô hình thống kê . Thông thường, nó được áp dụng trong bối cảnh mô hình bán tham số, trong đó tham số quan tâm là hữu hạn chiều, trong khi hình dạng đầy đủ của hàm phân phối dữ liệu có thể không được biết và do đó không thể áp dụng ước tính khả năng tối đa .

Phương pháp này yêu cầu một số điều kiện thời điểm nhất định phải được chỉ định cho mô hình. Các điều kiện thời điểm này là các hàm của các tham số mô hình và dữ liệu, sao cho kỳ vọng của chúng bằng không tại các giá trị thực của tham số. Sau đó, phương pháp GMM giảm thiểu một tiêu chuẩn nhất định của giá trị trung bình mẫu của các điều kiện thời điểm, và do đó có thể được coi như một trường hợp đặc biệt của ước lượng khoảng cách tối thiểu .

Các công cụ ước tính GMM được biết là nhất quán , tiệm cận bình thường và hiệu quả trong nhóm tất cả các công cụ ước tính không sử dụng bất kỳ thông tin bổ sung nào ngoài thông tin có trong các điều kiện thời điểm. GMM được Lars Peter Hansen ủng hộ vào năm 1982 như một sự tổng quát hóa của phương pháp khoảnh khắc ,  được Karl Pearson giới thiệu vào năm 1894. Tuy nhiên, những ước lượng này tương đương về mặt toán học với những ước lượng dựa trên “điều kiện trực giao” (Sargan, 1958, 1959) hoặc “các phương trình ước lượng không chệch hướng” (Huber, 1967; Wang và cộng sự, 1997).

Có 2 loại hồi quy GMM

• Hồi quy D-GMM ( Difference )

DGMM > SGMM <=> Time > Group 

• Hồi quy S-GMM ( System GMM)

DGMM < SGMM <=> Time < Group

3 Kiểm định cần thiết.

Đây là một vấn đề quan trọng, nhưng rất nhiều bạn đã bỏ quan kiểm định này.

Nhiều biến công cụ

Bowsher 2002). Thật vậy, Sargan (1958) đã xác định mà không cần sự hỗ trợ của máy tính hiện đại rằng sai số trong thử nghiệm của ông là “tỷ lệ thuận với số lượng các biến công cụ, do đó, nếu muốn sử dụng các xấp xỉ tiệm cận thì con số này phải nhỏ ”.

Thật không may, dường như có rất ít hướng dẫn từ các tài liệu về số lượng biến công cụ là “quá nhiều” (Ruud 2000, 515), một phần vì sự thiên vị vẫn xuất hiện ở một mức độ nào đó ngay cả khi số lượng nhạc cụ rất ít. Trong một mô phỏng về sự khác biệt GMM trên bảng điều khiển 8 × 100, Windmeijer (2005) báo cáo rằng việc cắt số lượng thiết bị từ 28 xuống 13 đã làm giảm độ chệch trung bình trong ước tính hai bước của tham số quan tâm xuống 40%. Mô phỏng các tấm có kích thước khác nhau trong Roodman (2009) cho kết quả tương tự.

Ví dụ: việc tăng số lượng công cụ từ 5 lên chỉ 10 trong hồi quy GMM hệ thống trên bảng điều khiển 5 × 100 sẽ làm tăng ước tính của một tham số có giá trị thực là 0,80 từ 0,80 lên 0,86.

Nhiều biến công cụ thì làm cho sai lệch tăng cao.

Tự tương quan

Arellano–Bond test for autocorrelation

(abar) Để hiện kiểm định Arellano-Bond (1991) cho tự tương quan. Thử nghiệm ban đầu được đề xuất cho một công cụ ước tính dữ liệu bảng điều khiển động Phương pháp tổng quát tuyến tính cụ thể, nhưng khá chung chung về khả năng ứng dụng của nó – tổng quát hơn dwstat, durbina, bgodfrey và xtserial.

Nó có thể được áp dụng cho các hồi quy GMM tuyến tính nói chung và do đó cho các hồi quy bình phương nhỏ nhất thông thường (OLS) và bình phương nhỏ nhất hai giai đoạn (2SLS), có thể được coi là các trường hợp đặc biệt của GMM tuyến tính. Nó thích hợp cho cả hồi quy chuỗi thời gian và chuỗi thời gian cắt ngang (bảng điều khiển). Nó cũng có thể được thực hiện nhất quán khi có nhiều mẫu hiệp phương sai khác nhau.

Cụ thể, chúng ta sẽ chạy sau hồi quy, ivreg, ivreg2 và ivreg2, gmm trong các biến thể “đồng dạng” (homoskedastic), mạnh mẽ và cụm của chúng. Nó cũng sẽ chạy sau newey và newey2. Trong bối cảnh hồi quy Arellano-Bond GMM, được chạy trên những điểm khác biệt đầu tiên, AR (1) sẽ được mong đợi và do đó kết quả kiểm tra Arellano-Bond AR (1) thường bị bỏ qua trong bối cảnh đó. Kiểm tra AR (2) về phần dư trong các khác biệt đầu tiên được sử dụng để phát hiện AR (1) trong các biến mức cơ bản.

Nhưng trong các bối cảnh khác, chẳng hạn như hồi quy OLS đơn giản ở các cấp, kiểm tra AR (1) có liên quan. Hồi quy có thể không thích hợp cho các hồi quy hiệu ứng cố định cho các mô hình động, giả sử rằng chúng được thực hiện thông qua một phép biến đổi độ lệch trung bình. Điều này là do kiểm định Arellano-Bond AR () giả định rằng các biến bên phải không “được xác định sau”, tức là không tương quan với các lỗi trong tương lai. Trong cài đặt động, các giá trị tương lai của bộ hồi quy có thể phụ thuộc vào các lỗi trong tương lai. Và sau khi chuyển đổi sai lệch trung bình/

Cho rằng, dữ liệu sẽ chính xác nếu mô hình không tương quan ở bậc 2

• H0: Mô hình không bị tự tương quan ở bậc 2
• H1: Mô hình bị tự tương quan ở bậc 2

Biến công cụ yếu

Bài kiểm tra Sargan – Hansen hoặc Sargan’s J kiểm tra là một kiểm tra thống kê được sử dụng để kiểm tra các hạn chế xác định quá mức trong một mô hình thống kê . Nó được đề xuất bởi John Denis Sargan vào năm 1958,  và một số biến thể được ông đưa ra vào năm 1975.  Lars Peter Hansen đã làm việc lại thông qua các dẫn xuất và cho thấy rằng nó có thể được mở rộng thành GMM phi tuyến tính chung trong một bối cảnh chuỗi thời gian .

Kiểm tra Sargan dựa trên giả định rằng các tham số mô hình được xác định thông qua các hạn chế tiên nghiệm đối với các hệ số và kiểm tra tính hợp lệ của các hạn chế xác định quá mức. Thống kê kiểm định có thể được tính toán từ phần dư từ hồi quy biến công cụ bằng cách xây dựng dạng bậc hai dựa trên tích chéo của phần dư và các biến ngoại sinh;  : 132–33  Theo giả thuyết rỗng rằng các hạn chế xác định quá mức là hợp lệ, thống kê được phân phối tiệm cận dưới dạng một biến chi- bình phương với(m – k) bậc tự do (ở đâu m là số lượng công cụ và k là số lượng các biến nội sinh).

Nếu dịch tường tiếng anh sang tiếng việt thì chúng ta sẽ gọi là “Kiểm định xác định hạn chế quá mức”, Các bạn thì sao tôi không biết, riêng tôi đọc thì không hiểu gì hết ! Thôi chúng ta đặt giả định theo sự hiểu biết của mình vậy.

Cách 1:

• H₀: Mô hình có hiện tượng nội sinh
• H₁: Mô hình không có hiện tượng nội sinh

Cách 2:  

• H₀: Biến công cụ và biến nội sinh được sử dụng là phù hợp
• H₁: Biến công cụ và biến nội sinh là không phù hợp

Ứng dụng hồi quy GMM trên Stata.

Riêng về hồi quy GMM này, thì không có phần mềm nào mạnh mẽ và cơ động hơn Stata cho tính luôn cả R vào nữa. ( Đây là ý kiến cá nhân của  tôi), nên trong ví dụ này chúng tôi sẽ sử dụng lệnh xtabond2 trên Stata để ước lượng GMM.

Hồi quy S-GMM

xtabond2 ROA l.ROA CAP SIZE FEE RES , gmm(l.ROA) two

Dynamic panel-data estimation, two-step	system	GMM
Group variable: MA	Number of obs =	189
Time variable : Year	Number of groups =	19
Number of instruments = 55	Obs per group: min =	9
Wald chi2(5) = 260.79	avg =	9.95
Prob > chi2 = 0.000	max =	10
ROA Coef. Std. Err.	z	P>z [95% Conf.	Interval]
ROA
L1. .2567153 .0228804	11.22	0.000 .2118706	.30156
CAP .0665344 .0068602	9.70	0.000 .0530887	.0799802
SIZE .1699919 .039486	4.31	0.000 .0926009	.247383
FEE .6094969 .0590258	10.33	0.000 .4938084	.7251853
RES -.0178099 .0026651	-6.68	0.000 -.0230334	-.0125864
_cons -3.539841 1.020385	-3.47	0.001 -5.53976	-1.539923

Kiểm định sau GMM

Arellano-Bond test for AR(1) in first differences: z = -1.17	Pr > z	=	0.241
Arellano-Bond test for AR(2) in first differences: z = -0.72	Pr > z	=	0.475
Sargan test of overid. restrictions: chi2(49) = 23.75 Prob	> chi2	=	0.999
(Not robust, but not weakened by many instruments.)
Hansen test of overid. restrictions: chi2(49) = 14.40 Prob	> chi2	=	1.000
(Robust, but weakened by many instruments.)

Nhận xét:

• Biến công cụ trong mô hình là 55 và trong khi Group là 19 = > Sử dụng quá nhiều biến công cụ
• Arellano-Bond test for AR(2), có P-value >0.05 => Mô hình không bị tự tương quan
• Hansen test, có P-value > 0.05 => Có hiện tượng nội sinh

Hồi quy D-GMM

xtabond2 ROA l.ROA CAP SIZE FEE RES , gmm(l.ROA) two nol

Dynamic panel-data estimation, two-step	difference GMM
Group variable: MA	Number of obs =	170
Time variable : Year	Number of groups =	19
Number of instruments = 45	Obs per group: min =	8
Wald chi2(5) = 953.65	avg =	8.95
Prob > chi2 = 0.000	max =	9
ROA Coef. Std. Err.	z P>z [95% Conf.	Interval]
ROA
L1. .1764671 .0136259	12.95 0.000 .1497609	.2031733
CAP .0695161 .0057559	12.08 0.000 .0582348	.0807974
SIZE .3779454 .0700683	5.39 0.000 .2406142	.5152767
FEE .4303263 .0833699	5.16 0.000 .2669244	.5937283
RES -.017629 .0030517	-5.78 0.000 -.0236102	-.0116477

Kiểm định sau hồi quy

Arellano-Bond test for AR(1) in first differences: z = -1.21	Pr > z	=	0.228
Arellano-Bond test for AR(2) in first differences: z = -1.92	Pr > z	=	0.054
Sargan test of overid. restrictions: chi2(40) = 14.85 Prob	> chi2	=	1.000
(Not robust, but not weakened by many instruments.)
Hansen test of overid. restrictions: chi2(40) = 15.54 Prob	> chi2	=	1.000
(Robust, but weakened by many instruments.)

Nhận xét:

• Biến công cụ trong mô hình là 45 và trong khi Group là 19 = > Sử dụng quá nhiều biến công cụ
• Arellano-Bond test for AR(2), có P-value >0.05 => Mô hình không bị tự tương quan
• Hansen test, có P-value > 0.05 => Có hiện tượng nội sin

Read More