Nhóm 4.1: Mô hình đếm cơ sở (count)
Tóm tắt Nhóm phương pháp 4.1 (AEO Quick Answer): Nhóm 4.1 — Mô hình đếm cơ sở (mã nhóm
count) là phân nhánh chuyên sâu thuộc Chương 04: Mô hình đếm, lực hấp dẫn thương mại và biến phụ thuộc giới hạn, quy tụ 4 phương pháp ước lượng (từ B041 đến B044). 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 4.1 (Mô hình đếm cơ sở)
Khi triển khai nghiên cứu định lượng trong miền Mô hình đếm, lực hấp dẫn thương mại và biến phụ thuộc giới hạn, chúng ta thường đứng trước câu hỏi: giữa 4 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, count), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?
Mọi phương pháp trong Nhóm 4.1 đều xuất phát từ khung biểu diễn đại số cơ sở của chương như trình bày tại công thức (1):
$$text{E}[Y_{ij} mid X_{ij}] = exp(X_{ij}^top beta + mu_i + nu_j) tag{1}$$
Sự khác biệt giữa các mô hình từ B041 (poisson) đến B044 (ppml_hdfe) 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 4.1
Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 4 bài học trong Nhóm 4.1 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 |
|---|---|---|---|---|---|
| B041 | poisson |
Hồi quy đếm Poisson và giả định phương sai bằng kỳ vọng (Poisson Regression) Poisson |
L1 | Stata: poisson y_count x1 x2, vce(robust) irrR: glm(y_count ~ x1 + x2, family = poisson(link = 'log'), data = df)Python: smf.poisson('y_count ~ x1 + x2', data=df).fit(cov_type='HC1') |
Phương pháp Hồi quy đếm Poisson và giả định phương sai bằng kỳ vọng (Poisson Regression) (Poisson) trong họ mô hình mô hình đếm, lực hấp dẫn thương mại và biến phụ thuộc giới hạn, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
| B042 | negative_binomial |
Mô hình nhị thức âm xử lý quá phân tán (Negative Binomial — NegBin) Negative Binomial |
L1 | Stata: nbreg y_count x1 x2, vce(robust) irrR: MASS::glm.nb(y_count ~ x1 + x2, data = df)Python: smf.negativebinomial('y_count ~ x1 + x2', data=df).fit() |
Phương pháp Mô hình nhị thức âm xử lý quá phân tán (Negative Binomial — NegBin) (Negative Binomial) trong họ mô hình mô hình đếm, lực hấp dẫn thương mại và biến phụ thuộc giới hạn, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
| B043 | generalized_poisson |
Mô hình Poisson tổng quát Consul–Famoye cho quá phân tán và dưới phân tán Generalized Poisson |
L2 | Stata: gpoisson y_count x1 x2, vce(robust)R: VGAM::vglm / glmmTMB::glmmTMB(y_count ~ x1 + x2, family = genpois)Python: GeneralizedPoisson(endog, exog).fit() |
Phương pháp Mô hình Poisson tổng quát Consul–Famoye cho quá phân tán và dưới phân tán (Generalized Poisson) trong họ mô hình mô hình đếm, lực hấp dẫn thương mại và biến phụ thuộc giới hạn, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
| B044 | ppml_hdfe |
Mô hình giả hợp lý cực đại Poisson lực hấp dẫn đa chiều (PPML-HDFE ppmlhdfe) PPML with High-Dimensional Fixed Effects (Gravity Standard) |
L3 | Stata: ppmlhdfe (ssc install ppmlhdfe: ppmlhdfe trade rta, absorb(exp_time imp_time pair_id) cluster(pair_id))R: fixest (fixest::fepois(trade ~ rta | exp_time + imp_time + pair_id, cluster = ~pair_id))Python: pyfixest (pyfixest.fepois("trade ~ rta | exp_time + imp_time + pair_id", vcov={"CRV1": "pair_id"})) |
Chuẩn vàng ước lượng mô hình lực hấp dẫn thương mại song phương, FDI, bằng sáng chế và dữ liệu không âm có nhiều giá trị 0 (Y >= 0), nhất quán dưới phương sai thay đổi bất kỳ. |
3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 4.1
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 B041 — Hồi quy đếm Poisson và giả định phương sai bằng kỳ vọng (Poisson Regression) (
poisson) khi: Áp dụng khi nghiên cứu Số lượng sáng chế / thị trường xuất khẩu doanh nghiệp và các bài toán thuộc nhóm mô hình đếm cơ sở. (Kiểm định kèm theo: Cameron–Trivedi Overdispersion Test, Vuong/AIC-BIC Zero-Inflation Test, Silva–Tenreyro RESET, Inverse Mills Ratio (IMR) Test, Modified Park Test). - Chọn B042 — Mô hình nhị thức âm xử lý quá phân tán (Negative Binomial — NegBin) (
negative_binomial) khi: Áp dụng khi nghiên cứu Số lần khám chữa bệnh ngoại trú hộ VHLSS và các bài toán thuộc nhóm mô hình đếm cơ sở. (Kiểm định kèm theo: Cameron–Trivedi Overdispersion Test, Vuong/AIC-BIC Zero-Inflation Test, Silva–Tenreyro RESET, Inverse Mills Ratio (IMR) Test, Modified Park Test). - Chọn B043 — Mô hình Poisson tổng quát Consul–Famoye cho quá phân tán và dưới phân tán (
generalized_poisson) khi: Áp dụng khi nghiên cứu Số dự án FDI đăng ký mới theo tỉnh thành GSO và các bài toán thuộc nhóm mô hình đếm cơ sở. (Kiểm định kèm theo: Cameron–Trivedi Overdispersion Test, Vuong/AIC-BIC Zero-Inflation Test, Silva–Tenreyro RESET, Inverse Mills Ratio (IMR) Test, Modified Park Test). - Chọn B044 — Mô hình giả hợp lý cực đại Poisson lực hấp dẫn đa chiều (PPML-HDFE ppmlhdfe) (
ppml_hdfe) khi: Biến phụ thuộc không âm $Y ge 0$ (không cần nguyên, giữ nguyên các dòng $Y = 0$ không bị rơi mẫu như $ln Y$) kèm hiệu ứng cố định nhà xuất khẩu × năm, nhà nhập khẩu × năm, cặp quốc gia. (Kiểm định kèm theo: Kiểm định Ramsey RESET dạng hàm mũ (Silva–Tenreyro specification check), phát hiện tách biệt hoàn toàn (separation check), deviance pseudo-$R^2$.).
Điều hướng Học tập trong Nhóm 4.1:
↑ Quay lại Tổng quan Chương 04: Chương 04 — Mô hình đếm, lực hấp dẫn thương mại và biến phụ thuộc giới hạn
→ Đi tới Bài học đầu tiên của Nhóm 4.1: Bài B041 — Hồi quy đếm Poisson và giả định phương sai bằng kỳ vọng (Poisson Regression) (
→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)
↑ Quay lại Tổng quan Chương 04: Chương 04 — Mô hình đếm, lực hấp dẫn thương mại và biến phụ thuộc giới hạn
→ Đi tới Bài học đầu tiên của Nhóm 4.1: Bài B041 — Hồi quy đếm Poisson và giả định phương sai bằng kỳ vọng (Poisson Regression) (
poisson)→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)
Bài liên quan
- Bài B041: Hồi quy đếm Poisson và giả định phương sai bằng kỳ vọng (Poisson Regression) (Poisson — poisson)Cấp độ 1: Nền tảng (Foundation)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B042: Mô hình nhị thức âm xử lý quá phân tán (Negative Binomial — NegBin) (Negative Binomial — negative_binomial)Cấp độ 1: Nền tảng (Foundation)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B043: Mô hình Poisson tổng quát Consul–Famoye cho quá phân tán và dưới phân tán (Generalized Poisson — generalized_poisson)Cấp độ 2: Trung cấp (Intermediate)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B044: Mô hình giả hợp lý cực đại Poisson lực hấp dẫn đa chiều (PPML-HDFE ppmlhdfe) (PPML with High-Dimensional Fixed Effects (Gravity Standard) — ppml_hdfe)Cấp độ 3: Nâng cao (Advanced)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)