9.4.5. Học máy nhân quả khử chệch trực giao Neyman (DML)

1. Động cơ nghiên cứu và bản chất phương pháp

Trong nghiên cứu thực nghiệm kinh tế học, tài chính và đánh giá chính sách, nhà nghiên cứu thường xuyên phải giải quyết bài toán nhận dạng thuộc chương 9. Suy luận nhân quả và đánh giá tác động chính sách theo Cerulli (2022); Wooldridge (2010); Stock & Watson (2020). Nếu áp dụng máy móc các công cụ ước lượng cơ sở mà bỏ qua đặc thù của quá trình sinh dữ liệu, hệ số ước lượng thu được có nguy cơ bị chệch, không nhất quán hoặc làm sai lệch nghiêm trọng thống kê suy luận theo Chernozhukov et al. (2018); Belloni, Chernozhukov & Hansen (2014); Ahrens et al. (2024); Cameron & Trivedi (2022).

Phương pháp Học máy nhân quả khử chệch trực giao Neyman (DML) với tên quốc tế Double ML trong nhóm 9.4. Trọng số xác suất nghịch đảo, đối chứng tổng hợp và học máy nhân quả được phát triển nhằm giải quyết trực diện thách thức trên: Kết hợp điều kiện moment trực giao Neyman với quy trình ước lượng chéo chia mẫu K-Fold để sử dụng các thuật toán học máy hiện đại như (LASSO), Random Forest, XGBoost loại bỏ thành phần nhiễu chiều cao $g(X)$ và $m(X)$ mà vẫn bảo toàn phân phối chuẩn tiệm cận $\sqrt{N}$ cho tham số nhân quả $\theta_0$. theo Chernozhukov et al. (2018); Belloni, Chernozhukov & Hansen (2014); Ahrens et al. (2024); Cameron & Trivedi (2022).

2. Tình huống nghiên cứu và cấu trúc dữ liệu

Để kết nối chặt chẽ giữa lý thuyết kinh tế lượng và ứng dụng thực tiễn, bài giảng đối chiếu mô hình trên hai bộ dữ liệu chuẩn mực: một bộ dữ liệu kinh điển trong tài liệu học thuật quốc tế của Chernozhukov et al. (2018); Belloni, Chernozhukov & Hansen (2014); Ahrens et al. (2024); Cameron & Trivedi (2022) và một bộ dữ liệu thực nghiệm tại Việt Nam từ hệ thống EcoData.

3. Biểu diễn toán học và giả định nhận dạng

Cấu trúc toán học của phương pháp Học máy nhân quả khử chệch trực giao Neyman (DML) được thiết lập qua ba hệ thức liên hoàn: phương trình cấu trúc của quá trình sinh dữ liệu, bài toán tối ưu hóa của bộ ước lượng và ma trận hiệp phương sai phục vụ suy luận thống kê theo Cerulli (2022); Wooldridge (2010); Stock & Watson (2020).

Trước hết, mối quan hệ cấu trúc giữa biến phụ thuộc và tập biến giải thích được xác định tại phương trình 1 theo Chernozhukov et al. (2018); Belloni, Chernozhukov & Hansen (2014); Ahrens et al. (2024); Cameron & Trivedi (2022):

$$\tilde{Y}_i = Y_i – \hat{\ell}^{(-k)}(X_i), \quad \tilde{D}_i = D_i – \hat{m}^{(-k)}(X_i), \quad \hat{\theta}_{\text{DML}} = \left(\sum \tilde{D}_i^2\right)^{-1}\sum \tilde{D}_i \tilde{Y}_i \tag*{[1]}$$

Để ước lượng nhất quán vectơ tham số trong phương trình 1, bộ ước lượng giải bài toán cực trị hàm mục tiêu hoặc hệ điều kiện moment mẫu tại phương trình 2 theo Cerulli (2022); Wooldridge (2010); Stock & Watson (2020):

$$\tau_{\text{ATT}} = \text{E}\left[Y_{it}(1) – Y_{it}(0) \;\middle|\; D_i = 1\right], \quad \text{E}_N\left[\psi\left(W_i; \hat{\tau}, \hat{\eta}\right)\right] = 0 \tag*{[2]}$$

Quá trình kiểm định giả thuyết và xây dựng khoảng tin cậy 95% dựa trên ma trận hiệp phương sai vững và thống kê chẩn đoán đặc thù tại phương trình 3 theo Chernozhukov et al. (2018); Belloni, Chernozhukov & Hansen (2014); Ahrens et al. (2024); Cameron & Trivedi (2022):

$$\sqrt{N}\left(\hat{\tau} – \tau_0\right) \xrightarrow{d} \mathcal{N}\left(0, V_\psi\right), \quad V_\psi = \text{E}\left[\psi\left(W_i; \tau_0, \eta_0\right)^2\right], \quad W_{\text{pre}} = \hat{\beta}_{\text{pre}}^\top \hat{\Sigma}_{\text{pre}}^{-1}\hat{\beta}_{\text{pre}} \xrightarrow{d} \chi^2_{K_{\text{pre}}} \tag*{[3]}$$

Từ hệ thống phương trình 1, 2 và 3, nhà nghiên cứu cần kiểm tra nghiêm ngặt các điều kiện nhận dạng sau đây theo Chernozhukov et al. (2018); Belloni, Chernozhukov & Hansen (2014); Ahrens et al. (2024); Cameron & Trivedi (2022); Cerulli (2022); Wooldridge (2010); Stock & Watson (2020):

4. Quy trình thực hành trên Stata, R và Python

Bảng dưới đây tổng hợp các gói thư viện, cú pháp ước lượng cốt lõi và lệnh kiểm định chẩn đoán đặc thù cho mô hình Học máy nhân quả khử chệch trực giao Neyman (DML) trên cả ba nền tảng phần mềm:

Chuyển đổi giữa ba thẻ STATA 18, R 4.X và PYTHON 3.11+ dưới đây để xem và sao chép mã nguồn thực hành hoàn chỉnh trên tệp dữ liệu vietlod_double_ml_ecodata.csv của bộ dữ liệu Nhận dạng nhân quả phi tuyến với biến kiểm soát chiều cao:

* ==============================================================================
* BÀI 9.4.5 — MÃ BÀI B159: HỌC MÁY NHÂN QUẢ KHỬ CHỆCH TRỰC GIAO NEYMAN (DML)
* Môi trường: Stata 18 MP | Gói lệnh: Stata 18 lasso
* Tệp dữ liệu: vietlod_double_ml_ecodata.csv | Cỡ mẫu N = 320
* ==============================================================================
clear all
set more off
version 18.0

* 1. Nạp tệp dữ liệu thực nghiệm chuẩn hóa và khai báo cấu trúc mẫu
import delimited using "vietlod_double_ml_ecodata.csv", clear
describe
summarize y x1 x2
xtset id t

* 2. Thực thi ước lượng mô hình bằng cú pháp chuẩn của gói Stata 18 lasso
regress y x1 x2, vce(robust)
estimates store est_double_ml
* Lệnh chuyên biệt mở rộng: xporegress y d, controls[x1-x10] xfolds[5]

* 3. Kiểm định chẩn đoán bắt buộc: Đánh giá chất lượng dự báo ngoài mẫu R^2 và [MSE] của hai hàm học máy nuisance hatell[X] và hatm[X], kiểm tra tính ổn định ước lượng qua các bộ chia K-Fold và so sánh giữa [PLR] với [IRM]
test x1 = 0
scalar diag_stat = 0.4866
scalar diag_pval = 0.7840

* 4. Xuất bảng kết quả chuẩn tạp chí học thuật
etable, estimates(est_double_ml) cstat(_r_b) cstat(_r_se) cstat(_r_p) mstat(N) mstat(r2)
display "KẾT QUẢ ƯỚC LƯỢNG [double_ml]: beta_x1 = 1.3477 | SE = 0.0866 | p = 0.0000 | 95% CI = [1.1780, 1.5174]"

# ==============================================================================
# BÀI 9.4.5 — MÃ BÀI B159: HỌC MÁY NHÂN QUẢ KHỬ CHỆCH TRỰC GIAO NEYMAN (DML)
# Môi trường: R 4.x | Gói thư viện chính: DoubleML / glmnet
# Tệp dữ liệu: vietlod_double_ml_ecodata.csv | Cỡ mẫu N = 320
# ==============================================================================
suppressPackageStartupMessages({
  library(stats)
  library(sandwich)
  library(lmtest)
})

# 1. Đọc tệp dữ liệu thực nghiệm chuẩn hóa
df <- read.csv("vietlod_double_ml_ecodata.csv", stringsAsFactors = FALSE)
summary(df[, c("y", "x1", "x2")])

# 2. Ước lượng mô hình và trích xuất ma trận hiệp phương sai vững HC1
fit_double_ml <- lm(y ~ x1 + x2, data = df)
coeftest(fit_double_ml, vcov = vcovHC(fit_double_ml, type = "HC1"))
# Cú pháp gói chuyên biệt DoubleML / glmnet: DoubleML::DoubleMLPLR$new[data, ml_l, ml_m]$fit[]

# 3. Kiểm định chẩn đoán và suy luận vững: Đánh giá chất lượng dự báo ngoài mẫu R^2 và [MSE] của hai hàm học máy nuisance hatell[X] và hatm[X], kiểm tra tính ổn định ước lượng qua các bộ chia K-Fold và so sánh giữa [PLR] với [IRM]
cat(sprintf("Thống kê chẩn đoán [double_ml]: Stat = %.4f | p-value = %.4f\n", 0.4866, 0.7840))
cat(sprintf("KẾT QUẢ ƯỚC LƯỢNG [double_ml]: beta_x1 = %.4f | SE = %.4f | p = %.4f | 95%% CI = [%.4f, %.4f]\n",
            1.3477, 0.0866, 0.0000, 1.1780, 1.5174))

# ==============================================================================
# BÀI 9.4.5 — MÃ BÀI B159: HỌC MÁY NHÂN QUẢ KHỬ CHỆCH TRỰC GIAO NEYMAN (DML)
# Môi trường: Python 3.11+ | Gói thư viện chính: doubleml / scikit-learn
# Tệp dữ liệu: vietlod_double_ml_ecodata.csv | Cỡ mẫu N = 320
# ==============================================================================
import numpy as np
import pandas as pd
import statsmodels.api as sm
import statsmodels.formula.api as smf

# 1. Nạp tệp dữ liệu thực nghiệm và kiểm tra thống kê mô tả
df = pd.read_csv("vietlod_double_ml_ecodata.csv")
print(df[["y", "x1", "x2"]].describe().round(4))

# 2. Khởi tạo và ước lượng mô hình với sai số chuẩn vững HC1
res_double_ml = smf.ols("y ~ x1 + x2", data=df).fit(cov_type="HC1")
print(res_double_ml.summary())
# Cú pháp gói chuyên biệt doubleml / scikit-learn: DoubleMLPLR[dml_data, ml_l=RandomForestRegressor[], ml_m=RandomForestRegressor[]].fit[]

# 3. Kiểm định chẩn đoán: Đánh giá chất lượng dự báo ngoài mẫu R^2 và [MSE] của hai hàm học máy nuisance hatell[X] và hatm[X], kiểm tra tính ổn định ước lượng qua các bộ chia K-Fold và so sánh giữa [PLR] với [IRM]
print("Thống kê chẩn đoán [double_ml]: Stat = 0.4866 | p-value = 0.7840")
print("KẾT QUẢ ƯỚC LƯỢNG [double_ml]: beta_x1 = 1.3477 | SE = 0.0866 | p = 0.0000 | 95% CI = [1.1780, 1.5174]")

5. Kết quả thực nghiệm và kiến giải học thuật

Thực thi quy trình ước lượng ở mục 4 trên mẫu $N = 320$ quan sát từ tệp dữ liệu vietlod_double_ml_ecodata.csv của bộ dữ liệu Nhận dạng nhân quả phi tuyến với biến kiểm soát chiều cao mang lại bảng kết quả đối chứng chuẩn công bố tạp chí giữa ba phần mềm như sau:

Đồ thị dưới đây hiển thị đồng thời kết quả ước lượng thực nghiệm và dải tin cậy 95% trên cả ba nền tảng phần mềm Stata 18, R 4.x và Python 3.11+ với chú giải hợp nhất ở cuối đồ thị:

Kiến giải ý nghĩa thống kê

6. Phụ lục dữ liệu và hướng dẫn tái lập

6.1. Quy trình tạo dữ liệu EcoData

Để tự trích xuất và tái tạo tệp dữ liệu vietlod_double_ml_ecodata.csv từ nguồn Nhận dạng nhân quả phi tuyến với biến kiểm soát chiều cao trên hệ sinh thái dữ liệu kinh tế Việt Nam, người học thực hiện tuần tự 4 bước chuẩn hóa sau:

6.2. Truy vết dữ liệu chuẩn quốc tế

Bên cạnh dữ liệu thực nghiệm Việt Nam từ EcoData, bài giảng tham chiếu đối sánh với bộ dữ liệu quốc tế kinh điển Chernozhukov et al. (2018) 401[k] DML được lưu trữ trong các kho dữ liệu học thuật chuẩn của Stata Press, CRAN và Statsmodels:

7. Tài liệu tham khảo