Nhóm 3.2: Lựa chọn đa phân loại (multinomial)

Estimated reading: 8 minutes 2 views
Tóm tắt Nhóm phương pháp 3.2 (AEO Quick Answer): Nhóm 3.2 — Lựa chọn đa phân loại (mã nhóm multinomial) là phân nhánh chuyên sâu thuộc Chương 03: Mô hình lựa chọn rời rạc và cầu cấu trúc, quy tụ 4 phương pháp ước lượng (từ B032 đến B035). 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 3.2 (Lựa chọn đa phân loại)

Khi triển khai nghiên cứu định lượng trong miền Mô hình lựa chọn rời rạc và cầu cấu trúc, chúng ta thường đứng trước câu hỏi: giữa 4 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, multinomial), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?

Mọi phương pháp trong Nhóm 3.2 đều xuất phát từ khung biểu diễn đại số cơ sở của chương như trình bày tại công thức (1):

$$P(Y_i = j mid X_i) = frac{exp(X_{ij}^top beta)}{sum_{m=1}^J exp(X_{im}^top beta)} tag{1}$$

Sự khác biệt giữa các mô hình từ B032 (mnlogit) đến B035 (multinomial_probit) 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 3.2

Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 4 bài học trong Nhóm 3.2 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
B032 mnlogit Mô hình Logit đa phân loại và giả định IIA (Multinomial Logit — MNLogit)
Multinomial Logit		 L1 Stata: mlogit y_cat x1 x2, baseoutcome(0) vce(robust)
R: nnet::multinom(y_cat ~ x1 + x2, data = df)
Python: smf.mnlogit('y_cat ~ x1 + x2', data=df).fit()		 Phương pháp Mô hình Logit đa phân loại và giả định IIA (Multinomial Logit — MNLogit) (Multinomial Logit) trong họ mô hình mô hình lựa chọn rời rạc và cầu cấu trúc, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.
B033 conditional_logit Mô hình Logit có điều kiện theo thuộc tính phương án McFadden (Conditional Logit)
Conditional Logit		 L2 Stata: clogit choice x_alt, group(case_id) vce(robust)
R: survival::clogit(choice ~ x_alt + strata(case_id), data = df)
Python: ConditionalLogit(endog, exog, groups=case_id).fit()		 Phương pháp Mô hình Logit có điều kiện theo thuộc tính phương án McFadden (Conditional Logit) (Conditional Logit) trong họ mô hình mô hình lựa chọn rời rạc và cầu cấu trúc, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.
B034 nested_logit Mô hình Logit tổ phân cấp nới lỏng giả định IIA (Nested Logit)
Nested Logit (Hierarchical RUM)		 L2 Stata: nlogit (nlogit choice x_alt || nest: z_case, case(id))
R: mlogit (mlogit::mlogit(choice ~ x_alt | z_case, nests = list(...)))
Python: statsmodels / Nested RUM MLE (Full-Information MLE inclusive-value parameters $lambda_m in (0,1]$)		 Nới lỏng giả định Độc lập với các Phương án Không liên quan (IIA) của Multinomial Logit bằng cách nhóm các lựa chọn thay thế gần nhau vào các tổ (nests).
B035 multinomial_probit Mô hình Probit đa phân loại ma trận hiệp phương sai tự do (Multinomial Probit — MNP)
Multinomial Probit (Unrestricted Covariance)		 L4 Stata: mprobit (mprobit y x1 x2, baseoutcome(0) vce(robust))
R: MNP / mlogit (MNP::mnp(y ~ x1 + x2, data = df) hoặc mlogit(..., probit = TRUE))
Python: R RMCP / Simulated GHK Probit (GHK smooth simulator MLE cho ma trận hiệp phương sai chuẩn hóa)		 Mô hình lựa chọn đa phân loại với vectơ nhiễu phân phối chuẩn đa chiều, loại bỏ hoàn toàn giả định IIA mà không cần định nghĩa trước cấu trúc tổ.

3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 3.2

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:

Điều hướng Học tập trong Nhóm 3.2:
↑ Quay lại Tổng quan Chương 03: Chương 03 — Mô hình lựa chọn rời rạc và cầu cấu trúc
→ Đi tới Bài học đầu tiên của Nhóm 3.2: Bài B032 — Mô hình Logit đa phân loại và giả định IIA (Multinomial Logit — MNLogit) (mnlogit)
→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)

Bài liên quan

Nhóm 3.2: Lựa chọn đa phân loại (multinomial) - PreviousBài B031: Mô hình Probit hai phương trình đồng thời và đệ quy (Bivariate & Recursive Probit) (Bivariate & Recursive Probit — bivariate_probit)Next - Nhóm 3.2: Lựa chọn đa phân loại (multinomial)Bài B032: Mô hình Logit đa phân loại và giả định IIA (Multinomial Logit — MNLogit) (Multinomial Logit — mnlogit)

Bài liên quan

Đã xem gần đây

Back to top button