Nhóm 15.1: Học máy kinh tế lượng (nonparametric_smooth)

Estimated reading: 7 minutes 2 views
Tóm tắt Nhóm phương pháp 15.1 (AEO Quick Answer): Nhóm 15.1 — Học máy kinh tế lượng (mã nhóm nonparametric_smooth) là phân nhánh chuyên sâu thuộc Chương 15: Kinh tế lượng phi tham số và suy luận tái lấy mẫu cụm ít, quy tụ 2 phương pháp ước lượng (từ B198 đến B199). 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 15.1 (Học máy kinh tế lượng)

Khi triển khai nghiên cứu định lượng trong miền Kinh tế lượng phi tham số và suy luận tái lấy mẫu cụm ít, chúng ta thường đứng trước câu hỏi: giữa 2 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, nonparametric_smooth), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?

Mọi phương pháp trong Nhóm 15.1 đều xuất phát từ khung biểu diễn đại số cơ sở của chương như trình bày tại công thức (1):

$$Y_i = m(X_i) + varepsilon_i, quad p_{text{boot}} = frac{1}{B}sum_{b=1}^B mathbb{I}left(|t^{ast(b)}| ge |t_{text{obs}}|right) tag{1}$$

Sự khác biệt giữa các mô hình từ B198 (local_polynomial_npregress) đến B199 (gam_semiparametric) 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 15.1

Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 2 bài học trong Nhóm 15.1 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
B198 local_polynomial_npregress Hồi quy phi tham số đa thức tuyến tính cục bộ và đạo hàm biên hạt nhân Li–Racine (npregress kernel)
Local-Linear / Kernel Nonparametric Regression		 L4 Stata: Stata npregress kernel (npregress kernel y x1 x2, estimator(linear) kernel(epanechnikov) reps(200))
R: np (np::npreg(y ~ x1 + x2, regtype = "ll", bwmethod = "cv.aic", gradients = TRUE))
Python: statsmodels (KernelReg(endog=y, exog=X, var_type="c"*k, reg_type="ll", bw="cv_ls") + bootstrap SE cho Average Marginal Effects)		 Ước lượng hoàn toàn phi tham số cả hàm kỳ vọng có điều kiện $m(x) = E[Y mid X = x]$ lẫn **đạo hàm biên cục bộ $nabla m(x)$ tại từng quan sát** bằng đa thức tuyến tính cục bộ trọng số hạt nhân Epanechnikov/Gaussian với băng thông tối ưu Cross-Validation, không áp đặt bất kỳ dạng hàm đại số nào.
B199 gam_semiparametric Mô hình cộng tổng quát bán tham số Robinson–Wood kết hợp tuyến tính và B-Splines (GAM)
Semiparametric Generalized Additive & Partial Linear Model (GAM / Robinson)		 L4 Stata: npregress series / B-spline penalized GLM (npregress series y x1 x2, asis(z_linear) spline(bspline))
R: mgcv (mgcv::gam(y ~ z_linear + s(x1, bs = "cr") + s(x2, bs = "cr"), method = "REML"))
Python: statsmodels (GLMGam(endog, exog=Z, smoother=BSplines(X, df=..., degree=3), alpha=cv_alpha))		 Khắc phục lời nguyền số chiều của hồi quy hạt nhân thuần túy bằng cấu trúc cộng bán tham số $g(E[Ymid X, Z]) = Z’gamma + sum_{j=1}^p f_j(X_j)$, cho phép giữ nguyên hệ số cấu trúc tuyến tính dễ diễn giải trên các biến chính sách $Z$ trong khi mô hình hóa linh hoạt các biến kiểm soát phi tuyến $X_j$ qua B-splines có phạt độ trơn.

3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 15.1

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 15.1:
↑ Quay lại Tổng quan Chương 15: Chương 15 — Kinh tế lượng phi tham số và suy luận tái lấy mẫu cụm ít
→ Đi tới Bài học đầu tiên của Nhóm 15.1: Bài B198 — Hồi quy phi tham số đa thức tuyến tính cục bộ và đạo hàm biên hạt nhân Li–Racine (npregress kernel) (local_polynomial_npregress)
→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)

Bài liên quan

Nhóm 15.1: Học máy kinh tế lượng (nonparametric_smooth) - PreviousChương 15: Kinh tế lượng phi tham số và suy luận tái lấy mẫu cụm ít (Nonparametric Econometrics & Few-Cluster Resampling Inference)Next - Nhóm 15.1: Học máy kinh tế lượng (nonparametric_smooth)Bài B198: Hồi quy phi tham số đa thức tuyến tính cục bộ và đạo hàm biên hạt nhân Li–Racine (npregress kernel) (Local-Linear / Kernel Nonparametric Regression — local_polynomial_npregress)

Bài liên quan

Back to top button