Nhóm 12.3: Học máy kinh tế lượng (ml_econometrics)

Estimated reading: 9 minutes 2 views
Tóm tắt Nhóm phương pháp 12.3 (AEO Quick Answer): Nhóm 12.3 — Học máy kinh tế lượng (mã nhóm ml_econometrics) là phân nhánh chuyên sâu thuộc Chương 12: Hệ phương trình đồng thời, hệ cầu cấu trúc, kinh tế lượng Bayes và học máy, quy tụ 4 phương pháp ước lượng (từ B186 đến B189). 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 12.3 (Học máy kinh tế lượng)

Khi triển khai nghiên cứu định lượng trong miền Hệ phương trình đồng thời, hệ cầu cấu trúc, kinh tế lượng Bayes và học máy, chúng ta thường đứng trước câu hỏi: giữa 4 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, ml_econometrics), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?

Mọi phương pháp trong Nhóm 12.3 đều xuất phát từ khung biểu diễn đại số cơ sở của chương như trình bày tại công thức (1):

$$w_{ik} = alpha_k + sum_{j=1}^G gamma_{kj}ln p_{ij} + beta_k lnleft[frac{m_i}{a(p_i)}right] + frac{lambda_k}{b(p_i)}left{lnleft[frac{m_i}{a(p_i)}right]right}^2 + u_{ik} tag{1}$$

Sự khác biệt giữa các mô hình từ B186 (random_forest_regressor) đến B189 (mlp_regressor) 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 12.3

Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 4 bài học trong Nhóm 12.3 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
B186 random_forest_regressor Hồi quy rừng ngẫu nhiên Breiman và độ quan trọng biến hoán vị (Random Forest Regressor)
Random Forest		 L4 Stata: rforest y x1 x2 x3, type(reg) iterations(200)
R: randomForest::randomForest(y ~ x1 + x2 + x3, data = df, ntree = 200, importance = TRUE)
Python: RandomForestRegressor(n_estimators=200, random_state=42).fit(X, y)		 Phương pháp Hồi quy rừng ngẫu nhiên Breiman và độ quan trọng biến hoán vị (Random Forest Regressor) (Random Forest) trong họ mô hình hệ phương trình đồng thời, hệ cầu cấu trúc, kinh tế lượng bayes và học máy, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.
B187 gradient_boosting_regressor Hồi quy tăng cường độ dốc Friedman và phân rã tác động biên (Gradient Boosting Regressor)
Gradient Boosting		 L4 Stata: boost y x1 x2 x3, distribution(normal) maxiter(200)
R: gbm::gbm(y ~ x1 + x2 + x3, data = df, distribution = 'gaussian', n.trees = 200)
Python: GradientBoostingRegressor(n_estimators=200, learning_rate=0.05, random_state=42).fit(X, y)		 Phương pháp Hồi quy tăng cường độ dốc Friedman và phân rã tác động biên (Gradient Boosting Regressor) (Gradient Boosting) trong họ mô hình hệ phương trình đồng thời, hệ cầu cấu trúc, kinh tế lượng bayes và học máy, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.
B188 svr_econometric Hồi quy vectơ hỗ trợ nhân phi tuyến Vapnik với kiểm định chéo (Support Vector Regression — SVR)
Support Vector Regression with Cross-Validated Kernel & Permutation Effects		 L4 Stata: svmachines (ssc install svmachines: svmachines y x1-xk, type(svr) kernel(rbf))
R: e1071 (e1071::tune.svm(y ~ ., data = df, kernel = "radial") + permutation importance)
Python: scikit-learn (GridSearchCV(SVR()) trên chuẩn hóa thang đo + permutation_importance & numerical average partial derivatives)		 Hồi quy phi tham số trong không gian Hilbert tái tạo nhân (RBF / Polynomial / Linear $varepsilon$-insensitive loss), kháng nhiễu ngoại lai tốt và nắm bắt tương tác phi tuyến bậc cao kèm độ quan trọng hoán vị và đạo hàm riêng trung bình.
B189 mlp_regressor Mạng nơ-ron đa tầng truyền thẳng và trích xuất đạo hàm riêng trung bình (MLP Econometric Regressor)
Multi-Layer Perceptron Econometric Nonlinear Regressor		 L4 Stata: Python integration / Mata MLP L2-BFGS
R: nnet (nnet::nnet(y ~ ., data = df, size = h, linout = TRUE, decay = 0.01))
Python: scikit-learn (MLPRegressor(early_stopping=True) / PyTorch CPU + analytical/finite-difference Average Marginal Effects & $K$-fold OOS validation)		 Mạng nơ-ron truyền thẳng chính quy hóa $L_2$ với dừng sớm (early stopping) xấp xỉ hàm hồi quy phi tuyến tổng quát $E[Ymid X] = g(X)$ kèm trích xuất độ co giãn/đạo hàm riêng trung bình $frac{1}{N}sum_i frac{partial hat{g}(X_i)}{partial X_j}$.

3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 12.3

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:

Điều hướng Học tập trong Nhóm 12.3:
↑ Quay lại Tổng quan Chương 12: Chương 12 — Hệ phương trình đồng thời, hệ cầu cấu trúc, kinh tế lượng Bayes và học máy
→ Đi tới Bài học đầu tiên của Nhóm 12.3: Bài B186 — Hồi quy rừng ngẫu nhiên Breiman và độ quan trọng biến hoán vị (Random Forest Regressor) (random_forest_regressor)
→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)

Bài liên quan

Nhóm 12.3: Học máy kinh tế lượng (ml_econometrics) - PreviousBài B185: Trung bình hóa mô hình Bayes giải quyết bất định chọn biến Sala-i-Martin (BMA & PIP) (Bayesian Model Averaging (BMA — Model Uncertainty) — bma_model_averaging)Next - Nhóm 12.3: Học máy kinh tế lượng (ml_econometrics)Bài B186: Hồi quy rừng ngẫu nhiên Breiman và độ quan trọng biến hoán vị (Random Forest Regressor) (Random Forest — random_forest_regressor)

Bài liên quan

Đã xem gần đây

Back to top button