Nhóm 4.2: Lạm phát số 0 và Rào cản (zero_inflated)
Tóm tắt Nhóm phương pháp 4.2 (AEO Quick Answer): Nhóm 4.2 — Lạm phát số 0 và Rào cản (mã nhóm
zero_inflated) là phân nhánh chuyên sâu thuộc Chương 04: Mô hình đếm, lực hấp dẫn thương mại và biến phụ thuộc giới hạn, quy tụ 3 phương pháp ước lượng (từ B045 đến B047). 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 4.2 (Lạm phát số 0 và Rào cản)
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 3 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, zero_inflated), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?
Mọi phương pháp trong Nhóm 4.2 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 B045 (zero_inflated_poisson) đến B047 (hurdle_count) 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 3 Mô hình thuộc Nhóm 4.2
Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 3 bài học trong Nhóm 4.2 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 |
|---|---|---|---|---|---|
| B045 | zero_inflated_poisson |
Mô hình Poisson lạm phát số 0 hai cơ chế (Zero-Inflated Poisson — ZIP) Zero-Inflated Poisson |
L2 | Stata: zip y_count x1 x2, inflate(z1) vce(robust)R: pscl::zeroinfl(y_count ~ x1 + x2 | z1, dist = 'poisson', data = df)Python: ZeroInflatedPoisson(endog, exog, exog_infl=exog_infl).fit() |
Phương pháp Mô hình Poisson lạm phát số 0 hai cơ chế (Zero-Inflated Poisson — ZIP) (Zero-Inflated 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. |
| B046 | zero_inflated_negbin |
Mô hình nhị thức âm lạm phát số 0 (Zero-Inflated Negative Binomial — ZINB) Zero-Inflated Negative Binomial |
L2 | Stata: zinb y_count x1 x2, inflate(z1) vce(robust)R: pscl::zeroinfl(y_count ~ x1 + x2 | z1, dist = 'negbin', data = df)Python: ZeroInflatedNegativeBinomialP(endog, exog, exog_infl=exog_infl).fit() |
Phương pháp Mô hình nhị thức âm lạm phát số 0 (Zero-Inflated Negative Binomial — ZINB) (Zero-Inflated 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. |
| B047 | hurdle_count |
Mô hình đếm hai phần vượt rào cản Cragg–Mullahy (Hurdle Count Model) Cragg–Mullahy Hurdle Count Model |
L2 | Stata: churdle / hnblogit (churdle exponential y x1 x2, select(z1 z2) vce(robust))R: pscl (pscl::hurdle(y ~ x1 + x2 | z1 + z2, dist = "negbin", zero.dist = "binomial"))Python: statsmodels (HurdleCountModel(endog, exog, dist="poisson"|"negbin", zerodist="logit")) |
Tách cơ chế sinh dữ liệu đếm thành 2 quyết định độc lập: (1) Vượt rào cản tham gia ($Y > 0$ qua Logit/Probit) và (2) Cường độ đếm dương ($Y mid Y > 0$ qua Zero-Truncated Poisson/NegBin). |
3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 4.2
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 B045 — Mô hình Poisson lạm phát số 0 hai cơ chế (Zero-Inflated Poisson — ZIP) (
zero_inflated_poisson) khi: Áp dụng khi nghiên cứu Số hoạt động R&D của doanh nghiệp vừa và nhỏ và các bài toán thuộc nhóm lạm phát số 0 và rào cản. (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 B046 — Mô hình nhị thức âm lạm phát số 0 (Zero-Inflated Negative Binomial — ZINB) (
zero_inflated_negbin) khi: Áp dụng khi nghiên cứu Số ngày nghỉ ốm / chi khám bệnh VHLSS và các bài toán thuộc nhóm lạm phát số 0 và rào cản. (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 B047 — Mô hình đếm hai phần vượt rào cản Cragg–Mullahy (Hurdle Count Model) (
hurdle_count) khi: Dữ liệu đếm (số bằng sáng chế, số lần khám bệnh, số thị trường xuất khẩu) khi quá trình quyết định “có tham gia hay không” khác bản chất với quyết định “số lượng bao nhiêu”. (Kiểm định kèm theo: Kiểm định Vuong / AIC-BIC so sánh Hurdle vs Poisson/NegBin chuẩn, kiểm định LR đồng nhất tham số 2 nhánh, AME toàn phần $E[Ymid X]$.).
Điều hướng Học tập trong Nhóm 4.2:
↑ 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 4.2: Bài B045 — Mô hình Poisson lạm phát số 0 hai cơ chế (Zero-Inflated Poisson — ZIP) (
→ 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 4.2: Bài B045 — Mô hình Poisson lạm phát số 0 hai cơ chế (Zero-Inflated Poisson — ZIP) (
zero_inflated_poisson)→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)
Bài liên quan
- Bài B045: Mô hình Poisson lạm phát số 0 hai cơ chế (Zero-Inflated Poisson — ZIP) (Zero-Inflated Poisson — zero_inflated_poisson)Cấp độ 2: Trung cấp (Intermediate)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B046: Mô hình nhị thức âm lạm phát số 0 (Zero-Inflated Negative Binomial — ZINB) (Zero-Inflated Negative Binomial — zero_inflated_negbin)Cấp độ 2: Trung cấp (Intermediate)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B047: Mô hình đếm hai phần vượt rào cản Cragg–Mullahy (Hurdle Count Model) (Cragg–Mullahy Hurdle Count Model — hurdle_count)Cấp độ 2: Trung cấp (Intermediate)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)