Nhóm 1.2: Kháng nhiễu và phân vị (robust_quantile)
robust_quantile) là phân nhánh chuyên sâu thuộc Chương 01: Hồi quy tuyến tính cổ điển và biến công cụ, quy tụ 2 phương pháp ước lượng (từ B005 đến B006). Phần tổng quan này giúp chúng ta so sánh trực diện điều kiện áp dụng, cấu trúc toán học và cú pháp thực thi trên Stata 18 MP, R 4.x và Python 3.11+ để chọn đúng mô hình cho bài toán nghiên cứu.1. Bản chất Học thuật & Vị trí của Nhóm 1.2 (Kháng nhiễu và phân vị)
Khi triển khai nghiên cứu định lượng trong miền Hồi quy tuyến tính cổ điển và biến công cụ, chúng ta thường đứng trước câu hỏi: giữa 2 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, robust_quantile), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?
Mọi phương pháp trong Nhóm 1.2 đều xuất phát từ khung biểu diễn đại số cơ sở của chương như trình bày tại công thức (1):
$$Y_i = X_i^top beta + varepsilon_i, quad text{E}[Z_i varepsilon_i] = 0 tag{1}$$
Sự khác biệt giữa các mô hình từ B005 (robust_rlm) đến B006 (quantile_regression) nằm ở cách chúng ta đặt giả định lên phân phối của sai số ngẫu nhiên, cấu trúc nội sinh và phương pháp tối ưu hóa hàm mục tiêu từ công thức (1).
2. Bảng So sánh Trực diện 2 Mô hình thuộc Nhóm 1.2
Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 2 bài học trong Nhóm 1.2 kèm câu lệnh cốt lõi trên cả ba phần mềm:
| Mã Bài | model_key |
Tên Mô hình (VI / EN) | Cấp độ | Lệnh Thực thi Chuẩn (Stata 18 · R 4.x · Python 3.11+) | Ý nghĩa Kinh tế lượng Trọng tâm |
|---|---|---|---|---|---|
| B005 | robust_rlm |
Hồi quy tuyến tính kháng nhiễu ngoại lai (Robust RLM — Huber/Biweight) Robust RLM |
L2 | Stata: rreg y x1 x2R: MASS::rlm(y ~ x1 + x2, data = df)Python: smf.rlm('y ~ x1 + x2', data=df, M=sm.robust.norms.HuberT()).fit() |
Phương pháp Hồi quy tuyến tính kháng nhiễu ngoại lai (Robust RLM — Huber/Biweight) (Robust RLM) trong họ mô hình hồi quy tuyến tính cổ điển và biến công cụ, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
| B006 | quantile_regression |
Hồi quy phân vị có điều kiện Koenker–Bassett (Quantile Regression) Quantile Regression |
L2 | Stata: qreg y x1 x2, quantile(0.5) vce(robust)R: quantreg::rq(y ~ x1 + x2, tau = 0.5, data = df)Python: smf.quantreg('y ~ x1 + x2', data=df).fit(q=0.5) |
Phương pháp Hồi quy phân vị có điều kiện Koenker–Bassett (Quantile Regression) (Quantile Regression) trong họ mô hình hồi quy tuyến tính cổ điển và biến công cụ, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 1.2
Dựa trên kinh nghiệm phản biện và hướng dẫn luận văn, luận án thực tế, chúng ta có thể áp dụng quy tắc chọn nhanh sau đây:
- Chọn B005 — Hồi quy tuyến tính kháng nhiễu ngoại lai (Robust RLM — Huber/Biweight) (
robust_rlm) khi: Áp dụng khi nghiên cứu ROA & đòn bẩy tài chính doanh nghiệp HOSE/HNX và các bài toán thuộc nhóm kháng nhiễu và phân vị. (Kiểm định kèm theo: Breusch–Pagan, White, VIF, Ramsey RESET, Kleibergen–Paap rk Wald F, Montiel Olea–Pflueger Effective F, Hansen J). - Chọn B006 — Hồi quy phân vị có điều kiện Koenker–Bassett (Quantile Regression) (
quantile_regression) khi: Áp dụng khi nghiên cứu Phân vị chi tiêu y tế hộ gia đình VHLSS và các bài toán thuộc nhóm kháng nhiễu và phân vị. (Kiểm định kèm theo: Breusch–Pagan, White, VIF, Ramsey RESET, Kleibergen–Paap rk Wald F, Montiel Olea–Pflueger Effective F, Hansen J).
↑ Quay lại Tổng quan Chương 01: Chương 01 — Hồi quy tuyến tính cổ điển và biến công cụ
→ Đi tới Bài học đầu tiên của Nhóm 1.2: Bài B005 — Hồi quy tuyến tính kháng nhiễu ngoại lai (Robust RLM — Huber/Biweight) (
robust_rlm)→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)
Bài liên quan
- Bài B005: Hồi quy tuyến tính kháng nhiễu ngoại lai (Robust RLM — Huber/Biweight) (Robust RLM — robust_rlm)Cấp độ 2: Trung cấp (Intermediate)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B006: Hồi quy phân vị có điều kiện Koenker–Bassett (Quantile Regression) (Quantile Regression — quantile_regression)Cấp độ 2: Trung cấp (Intermediate)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)