1.2. Hồi quy kháng nhiễu và phân vị
1. Bản chất học thuật và cấu trúc toán học
Trong phạm vi của chương Hồi quy tuyến tính cổ điển và biến công cụ, nhóm phương pháp Hồi quy kháng nhiễu và phân vị giải quyết các bài toán thực nghiệm đòi hỏi đặc tả chính xác quá trình sinh dữ liệu và kiểm soát chặt chẽ cấu trúc sai số (Wooldridge (2019); Hansen (2022)). Các mô hình trong nhóm 1.2 cùng dựa trên hệ thức cấu trúc nền tảng tại phương trình (1) (Huber (1964); Hampel et al. (1986); Cameron & Trivedi (2022); Greene (2019)):
$$\hat{\beta}_{\text{RLM}} = \arg\min_{\beta} \sum_{i=1}^N \rho\left(\frac{Y_i – X_i^\top \beta}{\hat{\sigma}}\right) \tag{1}$$
Phương trình điều kiện ước lượng và tối ưu hóa của nhóm phương pháp này được xác định tại công thức (2):
$$\hat{\beta}(\tau) = \arg\min_{\beta \in \mathbb{R}^K} \sum_{i=1}^N \rho_\tau\left(Y_i – X_i^\top \beta\right), \quad \rho_\tau(u) = u\left(\tau – \mathbb{I}(u \lt 0)\right) \tag{2}$$
Sự khác biệt giữa 2 mô hình từ 1.2.1. Hồi quy tuyến tính kháng nhiễu ngoại lai (RLM) đến 1.2.2. Hồi quy phân vị có điều kiện nằm ở giả định về phân phối của thành phần nhiễu, cơ chế nội sinh và ma trận trọng số ước lượng (Huber (1964); Hampel et al. (1986); Cameron & Trivedi (2022); Greene (2019); Wooldridge (2019); Hansen (2022)).
2. Bảng đối chiếu các mô hình trong nhóm
Bảng dưới đây so sánh trực tiếp bản chất kinh tế lượng, câu lệnh thực thi trên ba phần mềm và kiểm định chẩn đoán của từng bài học trong nhóm 1.2:
| Mã mục | Tên mô hình | Bản chất kinh tế lượng | Cú pháp ước lượng chuẩn (Stata 18 · R 4.x · Python 3.11+) | Kiểm định chẩn đoán bắt buộc |
|---|---|---|---|---|
| 1.2.1 | Hồi quy tuyến tính kháng nhiễu ngoại lai (RLM) | Ước lượng M-estimator kháng nhiễu của Huber và Biweight Tukey làm giảm trọng số các quan sát có phần dư cực đoan, bảo vệ hệ số hồi quy khỏi sự bóp méo của điểm ngoại lai (outliers) trên biến phụ thuộc. | Stata: rreg y x1 x2R: MASS::rlm(y ~ x1 + x2, data = df)Python: smf.rlm('y ~ x1 + x2', data=df, M=sm.robust.norms.HuberT()).fit() |
Phân tích đòn bẩy (Leverage h_ii), khoảng cách Cook’s D, DFFITS, DFBETAS và kiểm định tính ổn định trọng số hội tụ IRLS |
| 1.2.2 | Hồi quy phân vị có điều kiện | Ước lượng trực tiếp các phân vị có điều kiện Q_τ(Y | X) = X’β(τ) thông qua cực tiểu hóa hàm tổn thất bất đối xứng (check function), cho phép khảo sát tác động không đồng nhất dọc theo toàn bộ phân phối của Y. | Stata: qreg y x1 x2, quantile(0.5) vce(robust)R: quantreg::rq(y ~ x1 + x2, tau = 0.5, data = df)Python: smf.quantreg('y ~ x1 + x2', data=df).fit(q=0.5) |
Kiểm định đồng nhất hệ số độ dốc giữa các phân vị Wald (interquantile test), kiểm định phương sai thay đổi Machado–Santos Silva và sai số chuẩn Bootstrap |
3. Quy tắc lựa chọn mô hình phù hợp
Nhà nghiên cứu có thể áp dụng quy tắc phân nhánh dưới đây để chọn đúng mô hình trong nhóm 1.2 cho dữ liệu thực tế (Wooldridge (2019); Hansen (2022)):
- Chọn 1.2.1. Hồi quy tuyến tính kháng nhiễu ngoại lai (RLM) khi: Dữ liệu tài chính doanh nghiệp hoặc thu nhập hộ gia đình có phân phối đuôi dày, chứa các quan sát dị biệt do sai số nhập liệu hoặc cú sốc cá biệt. (Kiểm định bắt buộc: Phân tích đòn bẩy (Leverage h_ii), khoảng cách Cook’s D, DFFITS, DFBETAS và kiểm định tính ổn định trọng số hội tụ IRLS).
- Chọn 1.2.2. Hồi quy phân vị có điều kiện khi: Phân tích bất bình đẳng tiền lương, chi tiêu y tế hoặc lợi suất tài sản khi tác động của biến giải thích ở nhóm phân vị thấp (τ = 0.10) khác biệt mạnh với nhóm phân vị cao (τ = 0.90). (Kiểm định bắt buộc: Kiểm định đồng nhất hệ số độ dốc giữa các phân vị Wald (interquantile test), kiểm định phương sai thay đổi Machado–Santos Silva và sai số chuẩn Bootstrap).
4. Tài liệu tham khảo
- Huber, P. J. (1964). Robust estimation of a location parameter. The Annals of Mathematical Statistics, 35(1), 73–101.
- Hampel, F. R., Ronchetti, E. M., Rousseeuw, P. J., & Stahel, W. A. (1986). Robust Statistics: The Approach Based on Influence Functions. Wiley.
- Cameron, A. C., & Trivedi, P. K. (2022). Microeconometrics Using Stata (2nd ed., Vols. 1–2). Stata Press.
- Greene, W. H. (2019). Econometric Analysis (8th ed.). Pearson.
- Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach (7th ed., Chương 2–8 & 15). Cengage Learning.
- Hansen, B. E. (2022). Econometrics (Chương 4, 7 & 12: Least Squares & Instrumental Variables). Princeton University Press.
↑ Tài liệu gốc: KINH TẾ LƯỢNG ỨNG DỤNG TOÀN DIỆN TỪ A – Z
↑ Chương chủ quản: 1. Hồi quy tuyến tính cổ điển và biến công cụ
→ Bài học đầu tiên trong nhóm: 1.2.1. Hồi quy tuyến tính kháng nhiễu ngoại lai (RLM)