Tương quan là điểm bắt đầu của nhiều phân tích BĐS, nhưng quyết định đầu tư và chính sách thường cần câu hỏi mạnh hơn: nếu tuyến metro không được mở thì giá khu vực này sẽ ra sao? Nếu không áp dụng quy định mới thì giao dịch có thay đổi không? Causal Inference – suy luận nhân quả – tìm cách xác định đối chứng phản thực: điều gì đã xảy ra với cùng đơn vị nếu treatment không diễn ra.
Directed Acyclic Graph – DAG – là công cụ biểu diễn giả định nhân quả giữa các biến. Giá trị lớn nhất của DAG không phải ở hình vẽ đẹp mà ở việc giúp người nghiên cứu quyết định biến nào cần điều chỉnh, biến nào không nên điều chỉnh và nơi nào còn confounding chưa đo.
Chuyên đề: Mô hình định lượng, không gian & mô phỏng trong BĐS · Bài 31 · Nhân quả và đánh giá tác động
Biên soạn: ThS. Nguyễn Mạnh Hùng
Đơn vị: GV. Khoa QLĐĐ&BĐS – ĐH Nông Lâm TP.HCM
Email: nguyenmanhhung@hcmuaf.edu.vn
1. Potential Outcomes và phản thực
Với mỗi đơn vị i, tưởng tượng hai kết quả Yᵢ(1) nếu nhận treatment và Yᵢ(0) nếu không. Individual treatment effect = Yᵢ(1)−Yᵢ(0), nhưng ta chỉ quan sát một trong hai. Causal inference vì vậy là bài toán xây counterfactual đáng tin.
Trong BĐS, treatment có thể là metro opening, thay zoning, chính sách thuế, flood mitigation hoặc retrofit xanh.
2. DAG có những thành phần nào?
| Thành phần | Ý nghĩa |
|---|---|
| Node | Biến |
| Arrow | Giả định tác động trực tiếp |
| Path | Chuỗi quan hệ |
| Common cause | Nguyên nhân chung của treatment và outcome |
| Collider | Biến nhận mũi tên từ hai biến khác |
| Mediator | Biến nằm trên đường tác động |
3. Confounder
Nếu Location Quality ảnh hưởng cả việc ga metro được đặt và Price, nó là confounder của Metro→Price. Không điều chỉnh sẽ trộn selection với treatment effect.
4. Collider bias
Nếu cả Price và Marketing quyết định việc một listing được đưa vào sample premium, điều kiện hóa trên premium sample có thể mở đường giả giữa Price và Marketing. Đây là lý do không phải 'càng nhiều controls càng tốt'.
5. Mediator
Metro → Accessibility → Price. Nếu mục tiêu total effect của Metro, không nên điều chỉnh Accessibility vì nó chặn một phần effect. Nếu mục tiêu direct effect không qua accessibility, mediator cần được xử lý theo estimand khác.
6. Backdoor criterion
Một tập biến điều chỉnh hợp lý phải chặn các backdoor paths từ treatment tới outcome mà không chặn causal path hay mở collider path. DAG hỗ trợ chọn adjustment set theo giả định lý thuyết.
7. Exchangeability
Sau điều chỉnh đúng confounders, treated và untreated có thể so sánh như thể treatment gần ngẫu nhiên có điều kiện. Đây là giả định mạnh và không kiểm chứng hoàn toàn từ dữ liệu.
8. Positivity
Mọi cấu hình confounders cần có xác suất treatment và control lớn hơn 0. Nếu chỉ khu trung tâm mới có metro, ta không thể suy causal effect cho khu ngoại vi tương tự nếu không có overlap.
9. Consistency và treatment definition
Treatment phải rõ: công bố, khởi công, khai trương, khoảng cách 500 m hay travel-time giảm 10 phút là các treatment khác nhau. Mơ hồ treatment làm potential outcomes mơ hồ.
10. Temporal order
Cause phải đi trước effect. Controls đo sau treatment có thể là mediator hoặc collider. Với dữ liệu BĐS, feature timestamps phải được khóa theo thời điểm treatment.
11. Cấu trúc dữ liệu causal
| unit_id | time | treatment | outcome | confounder_1 | confounder_2 | post_treatment |
|---|---|---|---|---|---|---|
| G01 | 2026Q1 | 0/1 | log_price | income_pre | access_pre | new_retail |
Tên cột không quyết định vai trò causal; DAG và thời điểm mới quyết định.
12. Estimand trước estimator
- ATE – tác động trung bình toàn population.
- ATT – tác động lên nhóm thực tế được treatment.
- ATC – tác động lên control.
- LATE – tác động cục bộ/nhóm tuân thủ trong IV/RD.
Không nên chọn estimator trước khi xác định estimand.
13. DAG và các phương pháp tiếp theo
Matching/IPW cần no unmeasured confounding. DiD đổi assumption sang parallel trends. RDD dựa continuity quanh cutoff. IV dựa relevance/exclusion/independence. Synthetic Control dựa pre-treatment fit và donor pool.
Không có phương pháp nào loại hết assumptions; chỉ thay assumption này bằng assumption khác dễ bảo vệ hơn.
14. Case: metro và giá căn hộ
DAG có MetroTreatment ← PriorGrowth → Price, PriorGrowth → DevelopmentIntensity → Price, và Metro→Accessibility→Price. Để estimate total effect, điều chỉnh PriorGrowth và pre-treatment development, không điều chỉnh Accessibility sau mở metro.
15. Negative controls
Outcome/placebo không thể bị treatment tác động về lý thuyết giúp phát hiện confounding còn lại. Ví dụ test effect trước treatment hoặc trên nhóm xa khỏi tuyến.
16. Sensitivity to unmeasured confounding
DAG giúp nói rõ biến chưa đo nào có thể phá identification. Có thể dùng sensitivity analysis, Rosenbaum bounds hoặc negative-control logic tùy design, thay vì tuyên bố 'đã kiểm soát mọi yếu tố'.
17. Sai lầm thường gặp
- Controls càng nhiều càng tốt.
- Điều chỉnh mediator khi muốn total effect.
- Điều chỉnh collider.
- Treatment không định nghĩa rõ.
- DAG dựng sau khi xem kết quả.
- Tương quan có temporal order = causal.
- Không nói estimand.
18. Bài tập thực hành
Dựng DAG cho tác động metro tới giá. Tối thiểu 10 nodes: prior growth, income, zoning, accessibility, new supply, expectations. Xác định confounders, mediator, collider và một adjustment set hợp lý. Viết rõ estimand ATT hay ATE.
19. Selection bias và target population
Một causal effect chỉ có nghĩa với population đã xác định. Nếu nghiên cứu chỉ gồm giao dịch đủ giấy tờ, effect không tự mở rộng tới tài sản phi chính thức. Nếu chỉ có các khu từng được xem xét đặt ga, ATT của nhóm đó khác ATE toàn thành phố.
Cần ghi rõ inclusion/exclusion trước khi estimate, vì selection vào sample có thể chính là một collider hoặc tạo thiếu positivity.
20. DAG và dữ liệu không gian
Spatial proximity tự nó không phải confounder. Cần hỏi yếu tố không gian nào là nguyên nhân chung: accessibility, school quality, planning, environmental amenity. Dùng tọa độ hoặc district fixed effects có thể kiểm soát một phần pattern nhưng không thay DAG.
Nếu treatment spillover sang hàng xóm, no-interference bị vi phạm và đơn vị treatment phải được định nghĩa lại theo exposure mapping.
21. Từ DAG tới kế hoạch phân tích
Mỗi DAG nên sinh ra một bảng: treatment, outcome, estimand, adjustment set, forbidden controls, mediator, possible instrument, negative control và sensitivity target. Khi đó causal diagram trở thành bản thiết kế dữ liệu chứ không chỉ minh họa.
Ghi nhớ trong 30 giây
- Causal inference tìm counterfactual.
- DAG là bản đồ giả định nhân quả.
- Confounder cần chặn; mediator/collider không được điều chỉnh máy móc.
- Estimand có trước estimator.
- Mọi thiết kế nhân quả đều dựa trên assumptions.
Nguồn tham khảo
- Hernán & Robins – Causal Inference: What If.
- Pearl – Causality.
- Cunningham – Causal Inference: The Mixtape.
Bài tiếp theo: Matching và Propensity Score: tạo nhóm so sánh khi không thể thí nghiệm