Nhóm 11.4: Sống sót tham số AFT (competing_discrete)
Tóm tắt Nhóm phương pháp 11.4 (AEO Quick Answer): Nhóm 11.4 — Sống sót tham số AFT (mã nhóm
competing_discrete) 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 B177 đến B178). 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 11.4 (Sống sót tham số AFT)
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, competing_discrete), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?
Mọi phương pháp trong Nhóm 11.4 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 B177 (discrete_time_hazard) đến B178 (fine_gray_competing_risks) 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 11.4
Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 2 bài học trong Nhóm 11.4 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 |
|---|---|---|---|---|---|
| B177 | discrete_time_hazard |
Mô hình nguy cơ thời gian rời rạc Prentice–Gloeckler cho dữ liệu bảng theo kỳ (CLogLog Hazard) Prentice–Gloeckler Complementary Log-Log Discrete-Time Hazard |
L4 | Stata: cloglog trên dữ liệu mở rộng person-period / pgmhaz8 (cloglog event_it x1 x2 i.spell_period, vce(cluster id))R: discSurv / stats (discSurv::dataLong + glm(y ~ x1 + x2 + timeInt, family = binomial(link = "cloglog")))Python: statsmodels (Person-period episode expansion + GLM(Binomial(CLogLog())) với baseline duration spline/dummies & cluster-robust SE theo id) |
Biểu diễn chính xác mô hình nguy cơ tỷ lệ thời gian liên tục khi dữ liệu thực tế chỉ được ghi nhận theo kỳ gộp rời rạc (năm, quý, đợt khảo sát) có rất nhiều quan sát trùng thời điểm kết thúc (heavy ties), đồng thời dễ dàng tích hợp biến thay đổi theo thời gian và hiệu ứng ngẫu nhiên (frailty). |
| B178 | fine_gray_competing_risks |
Mô hình nguy cơ phân phối con cho rủi ro cạnh tranh Fine–Gray (stcrreg / cmprsk) Fine & Gray Competing-Risks Subdistribution Hazard |
L4 | Stata: Stata stcrreg (stset duration, failure(event == 1) $to$ stcrreg x1 x2, compete(event == 2) vce(robust))R: cmprsk (cmprsk::crr(ftime = df$dur, fstatus = df$event, cov1 = X))Python: IPCW (Inverse Probability of Censoring Weighting) Fine–Gray Subdistribution Partial Likelihood solver (scipy/lifelines-compatible) |
Ước lượng trực tiếp tác động của biến giải thích lên hàm tích lũy xác suất xảy ra biến cố chính (CIF — Cumulative Incidence Function) khi tồn tại các biến cố cạnh tranh ngăn cản quan sát biến cố chính (nơi Kaplan–Meier và Cox chuẩn xử lý như kiểm duyệt độc lập gây thổi phồng xác suất). |
3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 11.4
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 B177 — Mô hình nguy cơ thời gian rời rạc Prentice–Gloeckler cho dữ liệu bảng theo kỳ (CLogLog Hazard) (
discrete_time_hazard) khi: Dữ liệu bảng doanh nghiệp hàng năm, khảo sát hộ gia đình VHLSS nhiều kỳ, thời gian thông qua hiệp định thương mại hoặc chuyển đổi công nghệ theo năm. (Kiểm định kèm theo: Tỷ số nguy cơ $exp(hat{beta})$ tương đương chính xác tham số Cox liên tục gốc, kiểm định LR dạng hàm nguy cơ cơ sở theo thời gian (Weibull/piecewise-constant), deviance AIC/BIC.). - Chọn B178 — Mô hình nguy cơ phân phối con cho rủi ro cạnh tranh Fine–Gray (stcrreg / cmprsk) (
fine_gray_competing_risks) khi: Thời gian tồn tại doanh nghiệp (phá sản vs sáp nhập M&A), thời gian trả nợ vay (vỡ nợ vs tất toán trước hạn), thời gian thất nghiệp (tìm được việc khu vực chính thức vs rời lực lượng lao động). (Kiểm định kèm theo: Tỷ số nguy cơ phân phối con SHR ($exp(hat{beta})$), kiểm định Gray $K$-sample CIF equality, kiểm định tính tỷ lệ theo thời gian của SHR.).
Điều hướng Học tập trong Nhóm 11.4:
↑ 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 11.4: Bài B177 — Mô hình nguy cơ thời gian rời rạc Prentice–Gloeckler cho dữ liệu bảng theo kỳ (CLogLog Hazard) (
→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)
↑ 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 11.4: Bài B177 — Mô hình nguy cơ thời gian rời rạc Prentice–Gloeckler cho dữ liệu bảng theo kỳ (CLogLog Hazard) (
discrete_time_hazard)→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)
Bài liên quan
- Bài B177: Mô hình nguy cơ thời gian rời rạc Prentice–Gloeckler cho dữ liệu bảng theo kỳ (CLogLog Hazard) (Prentice–Gloeckler Complementary Log-Log Discrete-Time Hazard — discrete_time_hazard)Cấp độ 4: Chuyên sâu (Specialized)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)
- Bài B178: Mô hình nguy cơ phân phối con cho rủi ro cạnh tranh Fine–Gray (stcrreg / cmprsk) (Fine & Gray Competing-Risks Subdistribution Hazard — fine_gray_competing_risks)Cấp độ 4: Chuyên sâu (Specialized)Dữ liệu Việt Nam (EcoData)Thực hành Trực tiếp (EcoLab)Tri-Engine Verified (Stata · R · Python)