Nhóm 15.2: Học máy kinh tế lượng (resampling_inference)

Estimated reading: 8 minutes 2 views

Tóm tắt Nhóm phương pháp 15.2 (AEO Quick Answer): Nhóm 15.2 — Học máy kinh tế lượng (mã nhóm resampling_inference) 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 B200 đến B201). 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 15.2 (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, resampling_inference), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?

Mọi phương pháp trong Nhóm 15.2 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 B200 (wild_cluster_bootstrap) đến B201 (randomization_inference) 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 15.2

Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 2 bài học trong Nhóm 15.2 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
B200	`wild_cluster_bootstrap`	Suy luận Bootstrap cụm Wild nhanh với trọng số Rademacher và Webb 6 điểm cho số cụm ít (boottest) Fast Wild Cluster Bootstrap Inference (Rademacher / Webb 6-Point)	L4	Stata: `boottest / Stata 18 wildbootstrap (ssc install boottest: reg y d x1, cluster(region) $to$ boottest d, weight(webb) reps(9999))` R: `sandwich + clubSandwich (sandwich::vcovBS(fit, cluster = ~region, R = 4999, type = "wild-webb") + clubSandwich::vcovCR(..., type = "CR2") Bell–McCaffrey Satterthwaite trên CRAN active)` Python: `wildboottest (wildboottest PyPI 0.3.2 & Fast Restricted Wild Cluster Bootstrap-$t$ WCR imposing $H_0: beta_j = 0$, Rademacher / Webb 6-point weights + inverted test-statistic CI)`	Giải pháp chuẩn xuất bản bắt buộc khi dữ liệu có cấu trúc phân cụm nhưng số lượng cụm ít ($G < 30$ hoặc $G < 50$ — ví dụ 6 vùng kinh tế, 10–20 ngành, các nước ASEAN) hoặc kích thước cụm rất chênh lệch, nơi sai số chuẩn vce(cluster) tiệm cận thông thường bác bỏ khống giả thuyết $H_0$ nghiêm trọng.
B201	`randomization_inference`	Suy luận ngẫu nhiên hóa chính xác của Fisher và kiểm chứng độ nhạy điểm đòn bẩy Alwyn Young (ritest) Fisher Exact & Monte-Carlo Randomization Inference (ritest)	L4	Stata: `ritest (ssc install ritest: ritest treat _b[treat], reps(5000) cluster(cid) strata(sid): reg y treat x1 x2)` R: `ri2 (ri2::conduct_ri(y ~ treat + x1 + x2, declaration = decl, sharp_hypothesis = 0, sims = 5000))` Python: `Stratified & Cluster-Permuted Freedman–Lane / Treatment-Assignment Randomization Inference solver (Frisch–Waugh–Lovell residualized fast $B = 5000$ permutations)`	Suy luận chính xác trên mẫu hữu hạn dựa hoàn toàn vào cơ chế phân bổ ngẫu nhiên / hoán vị biến điều trị $D$ (theo tầng strata hoặc cụm cluster) dưới giả thuyết không có tác động cá thể sắc nhọn của Fisher ($Y_i(1) = Y_i(0) forall i$), không phụ thuộc định lý giới hạn trung tâm hay điểm đòn bẩy ngoại lai (high-leverage outliers).

3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 15.2

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 B200 — Suy luận Bootstrap cụm Wild nhanh với trọng số Rademacher và Webb 6 điểm cho số cụm ít (boottest) (wild_cluster_bootstrap) khi: Hồi quy tuyến tính OLS, Panel FE / TWFE / DID với số cụm $G in [5, 50]$; sử dụng trọng số Rademacher (khi $G ge 12$) và tự động chuyển sang trọng số **Webb 6 điểm** (khi $G < 12$ để tránh không gian hoán vị quá ít $2^G$). (Kiểm định kèm theo: $p$-value Wild Cluster Restricted (WCR), khoảng tin cậy đảo ngược thống kê $t^*$ (bootstrap-$t$ inversion CI — không phụ thuộc đối xứng), bậc tự do hiệu dụng Pustejovsky–Tipton CR2, đối chiếu với CRV1 $p$-value thường.).
Chọn B201 — Suy luận ngẫu nhiên hóa chính xác của Fisher và kiểm chứng độ nhạy điểm đòn bẩy Alwyn Young (ritest) (randomization_inference) khi: Thí nghiệm thực địa (RCT), thí nghiệm tự nhiên cỡ mẫu nhỏ hoặc phân bổ điều trị cấp cụm/tỉnh ít đơn vị — được Alwyn Young (2019 *QJE*) chứng minh là thước đo kiểm chứng độ bền thống kê nghiêm ngặt nhất chống lại các quan sát đòn bẩy đơn lẻ. (Kiểm định kèm theo: Exact / Monte-Carlo Randomization $p$-value kèm khoảng tin cậy Monte-Carlo SE của chính $p$-value, thống kê đòn bẩy tối đa $max h_{ii}$ (cảnh báo Young leverage sensitivity), đối chiếu với HC3/CRV1 $p$-value.).

Điều hướng Học tập trong Nhóm 15.2:
↑ 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 15.2: Bài B200 — Suy luận Bootstrap cụm Wild nhanh với trọng số Rademacher và Webb 6 điểm cho số cụm ít (boottest) (wild_cluster_bootstrap)
→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)

Nhóm 15.2: Học máy kinh tế lượng (resampling_inference)

1. Bản chất Học thuật & Vị trí của Nhóm 15.2 (Học máy kinh tế lượng)

2. Bảng So sánh Trực diện 2 Mô hình thuộc Nhóm 15.2

3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 15.2

Bài liên quan

Bài liên quan

Đã xem gần đây