Nhóm 11.2: Bán tham số Cox (semiparametric)
semiparametric) là phân nhánh chuyên sâu thuộc Chương 11: Phân tích sống sót, thời gian sự kiện và rủi ro cạnh tranh, quy tụ 2 phương pháp ước lượng (từ B173 đến B174). 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 11.2 (Bán tham số Cox)
Khi triển khai nghiên cứu định lượng trong miền Phân tích sống sót, thời gian sự kiện và rủi ro cạnh tranh, chúng ta thường đứng trước câu hỏi: giữa 2 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, semiparametric), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?
Mọi phương pháp trong Nhóm 11.2 đều xuất phát từ khung biểu diễn đại số cơ sở của chương như trình bày tại công thức (1):
$$h(t mid X_i) = h_0(t)exp(X_i^top beta), quad S(t mid X_i) = expleft(-int_0^t h(u mid X_i),duright) tag{1}$$
Sự khác biệt giữa các mô hình từ B173 (cox_ph) đến B174 (cox_time_varying) 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 2 Mô hình thuộc Nhóm 11.2
Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 2 bài học trong Nhóm 11.2 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 |
|---|---|---|---|---|---|
| B173 | cox_ph |
Mô hình nguy cơ tỷ lệ bán tham số của Cox và kiểm định Schoenfeld (Cox Proportional Hazards) Cox PH |
L1 | Stata: stset duration, failure(event) -> stcox x1 x2, vce(robust) -> estat phtestR: survival::coxph(Surv(duration, event) ~ x1 + x2, data = df)Python: CoxPHFitter().fit(df[['duration', 'event', 'x1', 'x2']], 'duration', 'event') |
Phương pháp Mô hình nguy cơ tỷ lệ bán tham số của Cox và kiểm định Schoenfeld (Cox Proportional Hazards) (Cox PH) trong họ mô hình phân tích sống sót, thời gian sự kiện và rủi ro cạnh tranh, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
| B174 | cox_time_varying |
Mô hình nguy cơ Cox với biến giải thích thay đổi theo thời gian (Time-Varying Covariates Cox) Time-Varying Cox |
L3 | Stata: stset stop, id(id) failure(event) -> stcox x1 x2_tv, vce(cluster id)R: survival::coxph(Surv(start, stop, event) ~ x1 + x2_tv, data = df_tv)Python: CoxTimeVaryingFitter().fit(df_tv, id_col='id', event_col='event', start_col='start', stop_col='stop') |
Phương pháp Mô hình nguy cơ Cox với biến giải thích thay đổi theo thời gian (Time-Varying Covariates Cox) (Time-Varying Cox) trong họ mô hình phân tích sống sót, thời gian sự kiện và rủi ro cạnh tranh, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng. |
3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 11.2
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 B173 — Mô hình nguy cơ tỷ lệ bán tham số của Cox và kiểm định Schoenfeld (Cox Proportional Hazards) (
cox_ph) khi: Áp dụng khi nghiên cứu Các yếu tố quyết định thời gian thoát nghèo / tìm việc và các bài toán thuộc nhóm bán tham số cox. (Kiểm định kèm theo: Log-Rank & Wilcoxon Test, Grambsch–Therneau Schoenfeld Proportional Hazards Test, Cox–Snell Residuals, Gray’s CIF Equality Test). - Chọn B174 — Mô hình nguy cơ Cox với biến giải thích thay đổi theo thời gian (Time-Varying Covariates Cox) (
cox_time_varying) khi: Áp dụng khi nghiên cứu Rủi ro hủy niêm yết theo chỉ số tài chính hàng năm và các bài toán thuộc nhóm bán tham số cox. (Kiểm định kèm theo: Log-Rank & Wilcoxon Test, Grambsch–Therneau Schoenfeld Proportional Hazards Test, Cox–Snell Residuals, Gray’s CIF Equality Test).
↑ Quay lại Tổng quan Chương 11: Chương 11 — Phân tích sống sót, thời gian sự kiện và rủi ro cạnh tranh
→ Đi tới Bài học đầu tiên của Nhóm 11.2: Bài B173 — Mô hình nguy cơ tỷ lệ bán tham số của Cox và kiểm định Schoenfeld (Cox Proportional Hazards) (
cox_ph)→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)
Bài liên quan
- Bài B173: Mô hình nguy cơ tỷ lệ bán tham số của Cox và kiểm định Schoenfeld (Cox Proportional Hazards) (Cox PH — cox_ph)Cấp độ 1: Nền tảng (Foundation)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B174: Mô hình nguy cơ Cox với biến giải thích thay đổi theo thời gian (Time-Varying Covariates Cox) (Time-Varying Cox — cox_time_varying)Cấp độ 3: Nâng cao (Advanced)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)