Nhóm 4.4: Kiểm duyệt và chọn mẫu (corner_proportion)
Tóm tắt Nhóm phương pháp 4.4 (AEO Quick Answer): Nhóm 4.4 — Kiểm duyệt và chọn mẫu (mã nhóm
corner_proportion) 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 B052 đến B055). 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 4.4 (Kiểm duyệt và chọn mẫu)
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, corner_proportion), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?
Mọi phương pháp trong Nhóm 4.4 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 B052 (double_hurdle) đến B055 (beta_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 4 Mô hình thuộc Nhóm 4.4
Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 4 bài học trong Nhóm 4.4 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 |
|---|---|---|---|---|---|
| B052 | double_hurdle |
Mô hình rào cản kép Cragg cho nghiệm góc (Cragg Double-Hurdle Corner Solution) Cragg Double-Hurdle Corner-Solution Model |
L4 | Stata: churdle linear / craggit (churdle linear y x1 x2, select(z1 z2) ll(0) vce(robust))R: mhurdle / cragg (mhurdle::mhurdle(y ~ z1 + z2 | x1 + x2, dist = "n"))Python: scipy + statsmodels (Cragg two-tier Probit + Truncated Normal MLE & unconditional/conditional margins) |
Mô hình hóa biến liên tục không âm có điểm dồn tại 0 ($Y ge 0$, corner solution) bằng sự kết hợp rào cản tham gia Probit và mức tiêu dùng Truncated Normal, linh hoạt hơn Tobit chuẩn. |
| B053 | two_part_continuous |
Mô hình hai phần bán liên tục Belotti–Deb–Manning–Norton (Logit + GLM Gamma/Log) Two-Part Semicontinuous Model (Logit + GLM Gamma/Log) |
L4 | Stata: twopm (ssc install twopm: twopm y x1 x2, firstpart(logit) secondpart(glm, family(gamma) link(log)) vce(robust))R: twopartm / stats (twopartm::tpm(y ~ x1 + x2, family_sec = Gamma(link = "log")))Python: statsmodels (Logit Part 1 $times$ GLM(family=Gamma(Log())) Part 2 + Duan smearing / delta-method combined margins) |
Mô hình chuẩn trong kinh tế y tế & tài chính hộ gia đình cho biến chi tiêu bán liên tục ($Y = 0$ chiếm tỷ trọng lớn và $Y > 0$ lệch phải cực mạnh), kết hợp Logit/Probit với GLM họ Gamma liên kết Log. |
| B054 | fractional_logit |
Hồi quy phản hồi phân số Papke–Wooldridge cho biến tỷ lệ $[0,1]$ (Fractional Logit) Fractional Logit |
L3 | Stata: fracreg logit y_frac x1 x2, vce(robust)R: glm(y_frac ~ x1 + x2, family = quasibinomial(link = 'logit'), data = df)Python: smf.glm('y_frac ~ x1 + x2', data=df, family=sm.families.Binomial()).fit(cov_type='HC1') |
Phương pháp Hồi quy phản hồi phân số Papke–Wooldridge cho biến tỷ lệ $[0,1]$ (Fractional Logit) (Fractional Logit) 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. |
| B055 | beta_regression |
Hồi quy Beta Ferrari–Cribari-Neto cho biến tỷ trọng liên tục $(0,1)$ (Beta Regression) Beta Regression for Continuous Proportions |
L3 | Stata: Stata betareg (betareg y x1 x2, link(logit) slink(log) vce(robust))R: betareg (betareg::betareg(y ~ x1 + x2 | z1, data = df, link = "logit"))Python: statsmodels (statsmodels.othermod.betareg.BetaModel(endog, exog, exog_precision)) |
Hồi quy hợp lý cực đại cho biến tỷ trọng/tỷ lệ liên tục nằm chặt trong khoảng mở $(0, 1)$, mô hình hóa đồng thời kỳ vọng $mu_i$ và tham số độ chụm (precision $phi_i$) cho phân phối bất đối xứng/hai đỉnh. |
3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 4.4
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 B052 — Mô hình rào cản kép Cragg cho nghiệm góc (Cragg Double-Hurdle Corner Solution) (
double_hurdle) khi: Chi tiêu hộ gia đình (VHLSS: rượu bia, giáo dục, tiết kiệm), đầu tư R&D hoặc khối lượng xuất khẩu doanh nghiệp nơi Tobit bị bác bỏ do ép cùng một vectơ hệ số cho xác suất và quy mô. (Kiểm định kèm theo: Kiểm định LR lồng nhau Cragg Double-Hurdle vs Tobit ($text{LR} = -2[ell_{text{Tobit}} – (ell_{text{Probit}} + ell_{text{Trunc}})]$), AME $P(Y>0)$ & $E[Ymid Y>0]$.). - Chọn B053 — Mô hình hai phần bán liên tục Belotti–Deb–Manning–Norton (Logit + GLM Gamma/Log) (
two_part_continuous) khi: Chi phí y tế, bồi thường bảo hiểm, tổn thất thiên tai, đầu tư tài sản cố định doanh nghiệp — không đòi hỏi giả định chuẩn đồng nhất của phần dương như Heckman/Tobit. (Kiểm định kèm theo: Kiểm định Modified Park test chọn họ phân phối GLM (Gaussian/Poisson/Gamma/Inverse-Gaussian), Pregibon link test, AME kết hợp hai phần.). - Chọn B054 — Hồi quy phản hồi phân số Papke–Wooldridge cho biến tỷ lệ $[0,1]$ (Fractional Logit) (
fractional_logit) khi: Áp dụng khi nghiên cứu Tỷ trọng doanh thu xuất khẩu $[0,1]$ và các bài toán thuộc nhóm kiểm duyệt và chọn mẫu. (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 B055 — Hồi quy Beta Ferrari–Cribari-Neto cho biến tỷ trọng liên tục $(0,1)$ (Beta Regression) (
beta_regression) khi: Tỷ lệ nợ xấu ngân hàng, hiệu quả kỹ thuật, tỷ phần chi tiêu lương thực, chỉ số Gini địa phương trong khoảng $(0, 1)$ (hỗ trợ biến đổi Smithson–Verkuilen khi sát biên). (Kiểm định kèm theo: Pseudo-$R^2$ Ferrari & Cribari-Neto, kiểm định LR độ phân tán thay đổi ($phi_i$ constant vs varying), phần dư chuẩn hóa trọng số2, AME.).
Điều hướng Học tập trong Nhóm 4.4:
↑ 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 4.4: Bài B052 — Mô hình rào cản kép Cragg cho nghiệm góc (Cragg Double-Hurdle Corner Solution) (
→ 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 4.4: Bài B052 — Mô hình rào cản kép Cragg cho nghiệm góc (Cragg Double-Hurdle Corner Solution) (
double_hurdle)→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)
Bài liên quan
- Bài B052: Mô hình rào cản kép Cragg cho nghiệm góc (Cragg Double-Hurdle Corner Solution) (Cragg Double-Hurdle Corner-Solution Model — double_hurdle)Cấp độ 4: Chuyên sâu (Specialized)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B053: Mô hình hai phần bán liên tục Belotti–Deb–Manning–Norton (Logit + GLM Gamma/Log) (Two-Part Semicontinuous Model (Logit + GLM Gamma/Log) — two_part_continuous)Cấp độ 4: Chuyên sâu (Specialized)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B054: Hồi quy phản hồi phân số Papke–Wooldridge cho biến tỷ lệ $[0,1]$ (Fractional Logit) (Fractional Logit — fractional_logit)Cấp độ 3: Nâng cao (Advanced)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B055: Hồi quy Beta Ferrari–Cribari-Neto cho biến tỷ trọng liên tục $(0,1)$ (Beta Regression) (Beta Regression for Continuous Proportions — beta_regression)Cấp độ 3: Nâng cao (Advanced)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)