Sử dụng Stata để khai thác dữ liệu VHLSS 2020 - Phùng Thanh Bình

Bài 1: Chuẩn bị và tìm hiểu bộ dữ liệu VHLSS 2020 – Xem hướng dẫn

Bài 2: Cài đặt và làm quen với giao diện Stata – Xêm hướng dẫn

Trước khi bắt đầu làm việc với bộ dữ liệu VHLSS 2020 — và sau này bạn có thể áp dụng tương tự cho VHLSS 2022, VHLSS 2024, dữ liệu vĩ mô (Macro Data) hoặc các bộ dữ liệu khác — nên tạo một thư mục làm việc riêng trên máy tính để quản lý dữ liệu thuận tiện hơn. Ví dụ, bạn có thể tạo thư mục D:\vhlss\vhlss20\, sau đó sao chép toàn bộ các tệp .dta trong thư mục ‘Data’ của VHLSS 2020 vào đây. Việc tổ chức dữ liệu theo một thư mục cố định giúp bạn dễ quản lý các tệp, tránh nhầm lẫn giữa dữ liệu gốc và dữ liệu đã xử lý, đồng thời giảm thời gian chỉnh sửa đường dẫn khi tải và sử dụng các do-file được cung cấp trong tài liệu này. Cần lưu ý rằng Stata phân biệt chữ hoa và chữ thường trong tên biến, tên tệp dữ liệu, tên thư mục, … và trong các bài hướng dẫn này chúng ta sẽ thống nhất sử dụng chữ thường. Sau khi thiết lập thư mục làm việc bằng lệnh cd, các lệnh như use để mở dữ liệu hoặc save để lưu dữ liệu có thể sử dụng trực tiếp tên tệp .dta mà không cần nhập lại toàn bộ đường dẫn. Vì vậy, các do-file trong phần hướng dẫn này sẽ thường bắt đầu bằng một câu lệnh thiết lập thư mục làm việc, chẳng hạn:

cd “D:\vhlss\vhlss20\”

Bài 3: Tìm hiểu dữ liệu mục 1a (thông tin thành viên trong hộ)

Trước khi bắt đầu, bạn hãy mở một do-file mới trong Stata (như hình minh họa bên dưới), sau đó sao chép toàn bộ nội dung do-file được cung cấp cho từng bài hướng dẫn và dán vào đó. Mỗi bài nên được lưu thành một do-file riêng để thuận tiện cho việc quản lý, chỉnh sửa và chạy lại khi cần. Trong do-file, tôi thường sử dụng **, ***,… ở đầu dòng để viết chú thích (comments), nhằm giải thích nội dung hoặc mục đích của các Stata commands. Những dòng bắt đầu bằng các dấu này chỉ là chú thích nên khi chạy do-file, Stata sẽ bỏ qua và không thực hiện chúng như một command, do đó không gây lỗi. Về nguyên tắc, Stata chỉ cần một dấu * ở đầu dòng để tạo comment; tuy nhiên, trong các bài hướng dẫn trên website này, tôi chủ động sử dụng từ ** trở lên vì một số trình soạn thảo web có thể tự động chuyển dòng bắt đầu bằng một dấu * thành dấu đầu dòng (bullet). Việc sử dụng **, ***, … cũng giúp chúng ta dễ phân biệt các cấp độ chú thích trong do-file. Ngoài cách sử dụng dấu *, Stata còn hỗ trợ một số cách viết comment khác mà chúng ta có thể tìm hiểu sau. Bạn cũng có thể mở rộng bài thực hành này và các bài tiếp theo bằng cách chèn thêm dòng ở bất kỳ vị trí thích hợp nào trong do-file và nhập các commands mới để tự thực hành. Khi chạy do-file, bạn có thể bôi đen một dòng lệnh hoặc một nhóm dòng lệnh, sau đó nhấn biểu tượng Execute (do) để Stata chỉ thực hiện phần đã chọn. Nếu không bôi đen phần nào và nhấn Execute (do), Stata sẽ thực hiện toàn bộ các commands trong do-file theo thứ tự từ trên xuống dưới, đồng thời tự động bỏ qua các dòng chú thích.

Do-file: Xem hướng dẫn

Bài 3: Tìm hiểu dữ liệu mục 1a – Xem hướng dẫn

Bài 4: Tạo và chuyển đổi biến từ dữ liệu thành viên hộ

Tiếp nối Bài 3, bài này tập trung vào một kỹ năng rất quan trọng khi khai thác VHLSS: tạo các biến mới từ những biến gốc. Trong nghiên cứu thực tế, dữ liệu điều tra hiếm khi có sẵn tất cả các biến đúng theo câu hỏi nghiên cứu. Nhà nghiên cứu thường phải lựa chọn, đổi cách đặt tên, phân nhóm, tính toán hoặc tổng hợp các biến gốc để tạo ra những biến có ý nghĩa phân tích.

Mục tiêu của bài không chỉ là học thêm các command của Stata, mà còn giúp bạn hình thành quy trình: biến gốc → biến mới → kiểm tra biến → tạo biến cấp hộ → thống kê và trực quan hóa. Chúng ta vẫn sử dụng tệp muc1a.dta của Mục 1a – Thông tin thành viên hộ và giữ các biến gốc để có thể đối chiếu khi cần.

Do-file: Xem hướng dẫn

Bài 4: Tạo và chuyển đổi biến từ dữ liệu mục 1a – Xem hướng dẫn

Bài 5: Xoay dữ liệu và tạo các đặc điểm của chủ hộ

Trong Bài 4, chúng ta đã sử dụng các biến gốc của VHLSS 2020 để tạo ra nhiều biến mới ở cấp cá nhân và cấp hộ, chẳng hạn gender, relation, age, marital, hhsize, nchild, nelderly, hhid và pid. Sang Bài 5, chúng ta tiếp tục làm việc với Mục 1a nhưng tập trung vào một kỹ thuật rất quan trọng trong xử lý dữ liệu: xoay dữ liệu (reshape). Mục tiêu của bài là giúp bạn hiểu sự khác nhau giữa dữ liệu dạng long và wide, biết cách sử dụng reshape long và reshape wide, hiểu vai trò của i(), j() và stub, nhận biết một số lỗi thường gặp khi xoay dữ liệu, sau đó áp dụng vào VHLSS 2020 để chuyển dữ liệu từ cấp thành viên sang cấp hộ và tạo các đặc điểm của chủ hộ như giới tính, tuổi và tình trạng hôn nhân. Trong phần đầu, chúng ta chưa sử dụng ngay VHLSS mà sẽ bắt đầu bằng một số bộ dữ liệu mẫu có sẵn trong Stata. Cách này giúp bạn hiểu logic của reshape trên những ví dụ nhỏ trước khi áp dụng vào một bộ dữ liệu phức tạp hơn.

Do-file: Xem hướng dẫn

Bài 5: Xoay dữ liệu – Xem hướng dẫn

Bài 6: Ghép các tệp dữ liệu VHLSS 2020 – Mục 2: Giáo dục với Mục 1a

Trong VHLSS, thông tin về một cá nhân thường được phân tán ở nhiều mục khác nhau của bộ dữ liệu. Chẳng hạn, Mục 1a chứa các thông tin cơ bản về thành viên hộ như giới tính, tuổi, quan hệ với chủ hộ và tình trạng hôn nhân, trong khi Mục 2 cung cấp các thông tin chi tiết về giáo dục.

Do đó, khi nghiên cứu các vấn đề liên quan đến giáo dục, chúng ta thường cần ghép (merge) dữ liệu Mục 2 với Mục 1a để tạo thành một bộ dữ liệu có đầy đủ thông tin cần thiết cho mỗi thành viên.

Do-file: Xem hướng dẫn
Bài 6: Ghép các tệp dữ liệu – Xem hướng dẫn

Bài 7: Tạo các biến về việc làm, nghề nghiệp và ngành kinh tế (Mục 4a)

Trong Bài 6, chúng ta đã ghép thông tin nhân khẩu học từ Mục 1a với thông tin giáo dục từ Mục 2. Bài 7 chuyển sang Mục 4a – Việc làm và tiền lương, tiền công của VHLSS 2020.

Mục tiêu của bài này chưa phải là phân tích tiền lương. Thay vào đó, chúng ta tập trung làm sạch và xây dựng các biến mô tả tình trạng việc làm, nghề nghiệp, ngành kinh tế, khu vực kinh tế và thời gian làm việc. Đây là những biến quan trọng để sử dụng trong các phân tích kinh tế lượng sau này, đặc biệt là mô hình tiền lương. Sau bài thực hành, người học có thể mở và tìm hiểu dữ liệu Mục 4a; sửa Variable labels và Value labels bị lỗi font; đổi tên các biến gốc sang những tên ngắn, dễ sử dụng; xây dựng biến phân loại nghề nghiệp occ và ngành kinh tế ind; tạo các biến về số giờ làm việc trong năm; kiểm tra khóa định danh; và tạo một bộ dữ liệu việc làm gọn để sử dụng cho các bài tiếp theo.

Do-file: Xem hướng dẫn

Bài 7: Việc làm, nghề nghiệp và ngành kinh tế – Xem hướng dẫn

Bài 8: Thu nhập từ tiền lương, tiền công và các khoản liên quan

Thu nhập từ lao động là một trong những nhóm thông tin quan trọng nhất của VHLSS, đặc biệt đối với các nghiên cứu về kinh tế lao động, giáo dục, bất bình đẳng và mức sống. Trong VHLSS 2020, Mục 4A không chỉ cung cấp thông tin về việc làm, nghề nghiệp và ngành kinh tế mà còn ghi nhận tiền lương, tiền công và nhiều khoản thu nhập khác của từng thành viên hộ.

Ở Bài 7, chúng ta đã khai thác các thông tin về việc làm, nghề nghiệp, ngành kinh tế và thời gian làm việc. Bài này tiếp tục sử dụng Mục 4a để xây dựng các biến thu nhập cá nhân. Sau khi xử lý riêng nhóm biến thu nhập, dữ liệu sẽ được ghép với bộ dữ liệu của Bài 7 để hình thành một bộ dữ liệu tương đối hoàn chỉnh về việc làm – nghề nghiệp – ngành kinh tế – thời gian làm việc – thu nhập.

Do-file: Xem hướng dẫn

Bài 8: Thu nhập, việc làm, nghề nghiệp và ngành kinh tế (ghép dữ liệu) – Xem hướng dẫn

Bài 9: Thu chi từ trồng trọt

Trong các bài trước, dữ liệu VHLSS 2020 được xử lý theo từng nhóm thông tin như đặc điểm nhân khẩu học, giáo dục, việc làm và thu nhập. Ở Bài 9, chúng ta chuyển sang một nội dung quan trọng của Mục 4b1: hoạt động sản xuất trồng trọt của hộ gia đình.

Dữ liệu trồng trọt trong VHLSS khá phong phú. Ngoài diện tích đất và sản lượng, bộ dữ liệu còn cung cấp thông tin về lượng sản phẩm bán ra, doanh thu, giá trị sản xuất, chi phí, phân bón và phụ phẩm nông nghiệp. Từ các biến gốc này có thể xây dựng nhiều chỉ tiêu kinh tế như năng suất, mức độ thương mại hóa, lợi nhuận, hiệu quả sử dụng đất, mức độ thâm dụng đầu vào và đa dạng hóa cây trồng. Một điểm đặc biệt quan trọng là các tệp của Mục 4b1 không có cùng đơn vị quan sát. Có tệp được tổ chức theo thửa đất, có tệp theo vụ lúa, theo loại cây trồng, theo loại chi phí hoặc theo loại phân bón. Vì vậy, không nên ghép trực tiếp các tệp dữ liệu gốc với nhau mà cần xử lý từng tệp riêng, sau đó tổng hợp về cấp hộ khi cần thiết.

Do-file: Xem hướng dẫn

Bài 9: Thu, chi từ hoạt động trồng trọt của hộ – Xem hướng dẫn

Bài 10: Xây dựng các hàm sản xuất lúa dựa trên dữ liệu các mục 4b1, 1a và 2

Ở Bài 9, chúng ta đã khai thác Mục 4b1 để xây dựng các biến phản ánh hoạt động sản xuất nông nghiệp của hộ như diện tích canh tác, sản lượng lúa và các cây trồng khác, phân bón và các khoản chi phí sản xuất. Bài 10 tiếp tục từ bước xây dựng dữ liệu sang phân tích kinh tế lượng, với hộ sản xuất lúa làm đơn vị phân tích. Câu hỏi trung tâm là: sản lượng lúa có quan hệ như thế nào với các đầu vào sản xuất, và các hộ sử dụng những đầu vào đó hiệu quả đến mức nào? Để trả lời, bài thực hành này lần lượt sử dụng hàm sản xuất Cobb-Douglas, hàm Translog và Stochastic Frontier Analysis (SFA). Qua đó, người học không chỉ thực hành các lệnh Stata mà còn tìm hiểu cách lựa chọn các biến đại diện (proxy variables) thích hợp dựa trên dữ liệu, lựa chọn dạng hàm sản xuất, ước lượng độ co giãn và hiệu suất theo quy mô, đồng thời tách yếu tố nhiễu ngẫu nhiên khỏi phi hiệu quả để ước lượng hiệu quả kỹ thuật (TE) của từng hộ sản xuất lúa.