Nhóm 2.2: Chọn mô hình và suy luận chiều cao (model_selection)

Estimated reading: 8 minutes 1 views

Tóm tắt Nhóm phương pháp 2.2 (AEO Quick Answer): Nhóm 2.2 — Chọn mô hình và suy luận chiều cao (mã nhóm model_selection) là phân nhánh chuyên sâu thuộc Chương 02: Mô hình chính quy hóa, suy luận chiều cao và giảm chiều, quy tụ 4 phương pháp ước lượng (từ B018 đến B021). 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 2.2 (Chọn mô hình và suy luận chiều cao)

Khi triển khai nghiên cứu định lượng trong miền Mô hình chính quy hóa, suy luận chiều cao và giảm chiều, chúng ta thường đứng trước câu hỏi: giữa 4 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, model_selection), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?

Mọi phương pháp trong Nhóm 2.2 đều xuất phát từ khung biểu diễn đại số cơ sở của chương như trình bày tại công thức (1):

$$hat{beta} = argmin_{beta} frac{1}{2N}|Y – Xbeta|_2^2 + lambda left(alpha |beta|_1 + frac{1-alpha}{2}|beta|_2^2right) tag{1}$$

Sự khác biệt giữa các mô hình từ B018 (lasso_lars) đến B021 (post_lasso_ols) 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 4 Mô hình thuộc Nhóm 2.2

Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 4 bài học trong Nhóm 2.2 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
B018	`lasso_lars`	Hồi quy góc nhỏ nhất Efron (Least-Angle Regression — Lasso LARS) Lasso LARS	L2	Stata: `lasso linear y x1 x2, selection(plugin)` R: `lars::lars(X, y, type = 'lasso')` Python: `LassoLarsCV(cv=5).fit(X_std, y)`	Phương pháp Hồi quy góc nhỏ nhất Efron (Least-Angle Regression — Lasso LARS) (Lasso LARS) trong họ mô hình mô hình chính quy hóa, suy luận chiều cao và giảm chiều, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.
B019	`elastic_net_cv`	Hồi quy Elastic Net tối ưu hóa kiểm định chéo $K$-Fold (Elastic Net CV) Elastic Net CV	L2	Stata: `elasticnet linear y x1 x2, alpha(0.25 0.5 0.75) selection(cv, folds(10))` R: `glmnet::cv.glmnet(X, y, alpha = 0.5, nfolds = 10)` Python: `ElasticNetCV(l1_ratio=[0.1, 0.5, 0.9], cv=5, random_state=42).fit(X_std, y)`	Phương pháp Hồi quy Elastic Net tối ưu hóa kiểm định chéo $K$-Fold (Elastic Net CV) (Elastic Net CV) trong họ mô hình mô hình chính quy hóa, suy luận chiều cao và giảm chiều, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.
B020	`adaptive_lasso`	Hồi quy Lasso thích nghi đạt tính chất Oracle của Zou (Adaptive Lasso) Adaptive Lasso (Oracle Regularization)	L3	Stata: `^gamma$ giúp đạt tính chất Oracle (chọn đúng tập biến thực và tiệm cận chuẩn không chệch).` R: `Hồi quy nhiều biến dự báo tương quan ($p$ lớn), khắc phục chệch co rút quá mức trên các biến quan trọng của Lasso chuẩn.` Python: `Stata 18 lasso linear (lasso linear y x1-xk, selection(adaptive))`	Phạt $L_1$ có trọng số thích nghi $w_j = 1/
B021	`post_lasso_ols`	Suy luận nhân quả chọn biến đôi Belloni–Chernozhukov–Hansen (PDS-Lasso dsregress) Post-Double-Selection Lasso Causal Inference (PDS-Lasso)	L3	Stata: `pdslasso / Stata 18 dsregress (dsregress y d, controls(x1-xk))` R: `hdm (hdm::rlassoEffect(x = X, y = y, d = d, method = "double selection"))` Python: `doubleml / scikit-learn (2-equation LassoCV union selection + statsmodels.OLS HC3/cluster SE)`	Chọn biến kiểm soát qua 2 bước Lasso (trên phương trình kết quả $Y$ và phương trình biến chính $D$), sau đó chạy OLS với hợp tập biến được chọn để suy luận nhân quả hợp lệ.

3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 2.2

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 B018 — Hồi quy góc nhỏ nhất Efron (Least-Angle Regression — Lasso LARS) (lasso_lars) khi: Áp dụng khi nghiên cứu Đường dẫn chọn biến vĩ mô Việt Nam và các bài toán thuộc nhóm chọn mô hình và suy luận chiều cao. (Kiểm định kèm theo: 10-Fold Cross-Validation MSE, Sparsity Ratio, KMO & Bartlett Test, Bai–Ng ICp2, Silhouette Score).
Chọn B019 — Hồi quy Elastic Net tối ưu hóa kiểm định chéo $K$-Fold (Elastic Net CV) (elastic_net_cv) khi: Áp dụng khi nghiên cứu Dự báo tăng trưởng xuất khẩu Hải quan và các bài toán thuộc nhóm chọn mô hình và suy luận chiều cao. (Kiểm định kèm theo: 10-Fold Cross-Validation MSE, Sparsity Ratio, KMO & Bartlett Test, Bai–Ng ICp2, Silhouette Score).
Chọn B020 — Hồi quy Lasso thích nghi đạt tính chất Oracle của Zou (Adaptive Lasso) (adaptive_lasso) khi: hat{beta}_j^{text{init}} (Kiểm định kèm theo: glmnet (glmnet::cv.glmnet(X, y, penalty.factor = 1 / abs(beta_init)^gamma))).
Chọn B021 — Suy luận nhân quả chọn biến đôi Belloni–Chernozhukov–Hansen (PDS-Lasso dsregress) (post_lasso_ols) khi: Khi có hàng chục/hàng trăm biến kiểm soát tiềm năng ($p$ lớn so với $N$); tránh lỗi bỏ sót biến nhiễu mà không làm hỏng phân phối chuẩn của $hat{alpha}_D$. (Kiểm định kèm theo: Số biến kiểm soát được giữ lại ở bước $Y$ và bước $D$, kiểm định ổn định hệ số xử lý trước/sau double-selection, HC3 Wald CI.).

Điều hướng Học tập trong Nhóm 2.2:
↑ Quay lại Tổng quan Chương 02: Chương 02 — Mô hình chính quy hóa, suy luận chiều cao và giảm chiều
→ Đi tới Bài học đầu tiên của Nhóm 2.2: Bài B018 — Hồi quy góc nhỏ nhất Efron (Least-Angle Regression — Lasso LARS) (lasso_lars)
→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)

Nhóm 2.2: Chọn mô hình và suy luận chiều cao (model_selection)

1. Bản chất Học thuật & Vị trí của Nhóm 2.2 (Chọn mô hình và suy luận chiều cao)

2. Bảng So sánh Trực diện 4 Mô hình thuộc Nhóm 2.2

3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 2.2

Bài liên quan

Bài liên quan