12. Hệ phương trình đồng thời, hệ cầu, kinh tế lượng Bayes và học máy
TÓM TẮT CHƯƠNG 12: Chương 12. Hệ phương trình đồng thời, hệ cầu, kinh tế lượng Bayes và học máy bao gồm 4 nhóm phương pháp và 12 bài giảng chuyên sâu, tập trung giải quyết bài toán cốt lõi: “Làm thế nào để ước lượng hệ phương trình đồng thời (SUR) và (3SLS), hệ cầu tiêu dùng thỏa tiên đề Slutsky (QUAIDS), trung bình hóa mô hình Bayes (BMA) và dự báo học máy kinh tế lượng?”. Nội dung lý thuyết và quy trình kiểm định gồm Breusch–Pagan Cross-Equation Independence, Slutsky Symmetry & Negativity, Posterior Inclusion Probability (PIP) & Gelman–Rubin R-hat, Out-of-Sample Diebold–Mariano Test được tổng hợp từ các công trình gốc của Zellner (1962); Banks, Blundell & Lewbel (1997); Sala-i-Martin, Doppelhofer & Miller (2004); Mullainathan & Spiess (2017); Coulombe et al. (2022) và hệ thống giáo trình chuẩn quốc tế của Greene (2019); Wooldridge (2010); Cameron & Trivedi (2022); Hansen (2022).
1. Đặt vấn đề và bối cảnh nghiên cứu
Trong nghiên cứu thực nghiệm kinh tế, tài chính và chính sách công, việc lựa chọn đúng cấu trúc mô hình thuộc chương Hệ phương trình đồng thời, hệ cầu, kinh tế lượng Bayes và học máy quyết định trực tiếp tính không chệch, tính nhất quán và hiệu lực suy luận thống kê của các ước lượng theo Greene (2019); Wooldridge (2010); Cameron & Trivedi (2022); Hansen (2022). Khi cấu trúc dữ liệu thực tế vi phạm các giả định cổ điển, nhà nghiên cứu cần áp dụng chính xác các phương pháp chuyên biệt được trình bày trong chương này theo Zellner (1962); Banks, Blundell & Lewbel (1997); Sala-i-Martin, Doppelhofer & Miller (2004); Mullainathan & Spiess (2017); Coulombe et al. (2022).
Khung biểu diễn toán học tổng quát cho các mô hình thuộc chương 12 được xác lập tại phương trình 1:
$$w_{ik} = \alpha_k + \sum_{j=1}^G \gamma_{kj}\ln p_{ij} + \beta_k \ln\left[\frac{m_i}{a(p_i)}\right] + \frac{\lambda_k}{b(p_i)}\left\{\ln\left[\frac{m_i}{a(p_i)}\right]\right\}^2 + u_{ik} \tag*{[1]}$$
Từ phương trình 1, mỗi nhóm phương pháp con trong chương sẽ cụ thể hóa điều kiện nhận dạng, cấu trúc ma trận hiệp phương sai của sai số và thuật toán tối ưu hóa phù hợp với từng thiết kế dữ liệu tại Việt Nam theo Zellner (1962); Banks, Blundell & Lewbel (1997); Sala-i-Martin, Doppelhofer & Miller (2004); Mullainathan & Spiess (2017); Coulombe et al. (2022); Greene (2019); Wooldridge (2010); Cameron & Trivedi (2022); Hansen (2022).
2. Cấu trúc các nhóm phương pháp trong chương
Chương 12 được tổ chức thành 4 nhóm bài giảng theo thứ tự từ nền tảng đến nâng cao:
3. Danh mục các mô hình kinh tế lượng
Bảng dưới đây đối chiếu toàn bộ 12 bài giảng thuộc chương 12 cùng bộ thư viện thực thi trên Stata 18, R 4.x, Python 3.11+ và các kiểm định chẩn đoán bắt buộc:
| Mã mục | Tên bài giảng | Thư viện thực thi Stata · R · Python | Kiểm định chẩn đoán bắt buộc | Dữ liệu thực nghiệm Việt Nam |
|---|---|---|---|---|
| 12.1.1 | Hệ phương trình hồi quy dường như không liên quan (SUR) | base Stata · systemfit · linearmodels |
Kiểm định nhân tử Lagrange của Breusch–Pagan cho tính độc lập chéo của ma trận hiệp phương sai phần dư giữa các phương trình — H_0: σ_mn = 0 ∀ m ≠ n — và kiểm định Wald cho các ràng buộc hệ số xuyên phương trình | Hệ phương trình cầu nhân tố sản xuất ngành |
| 12.1.2 | Ước lượng bình phương nhỏ nhất ba giai đoạn (3SLS) | base Stata · systemfit · linearmodels |
Kiểm tra điều kiện bậc và điều kiện hạng cho nhận dạng từng phương trình, kiểm định Hausman so sánh 3SLS với 2SLS, nếu 1 phương trình bị đặc tả sai thì 3SLS truyền chệch sang toàn hệ thống, trong khi 2SLS cô lập được chệch, và kiểm định Hansen–Sargan toàn hệ thống | Hệ phương trình đồng thời Cung – Cầu hoặc Đầu tư – Cổ tức – Đòn bẩy |
| 12.1.3 | Ước lượng GMM cho hệ phương trình đồng thời dưới phương sai thay đổi | base Stata · systemfit / gmm · linearmodels |
Kiểm định thống kê J của Hansen cho các ràng buộc nhận dạng quá mức của toàn hệ thống, kiểm định Wald phi tuyến cho các ràng buộc lý thuyết xuyên phương trình và kiểm tra hạng ma trận Jacobian | Hệ phương trình đồng thời Tăng trưởng – Thương mại – Môi trường |
| 12.1.4 | Hệ phương trình cầu hầu như lý tưởng bậc hai (QUAIDS) | Stata 18 demandsys · micEconAids · linearmodels |
Kiểm định Wald bậc hai đường cong Engel — $H_0: \lambda_k = 0 \forall k$, QUAIDS vs AIDS , kiểm định đối xứng Slutsky không ràng buộc, ma trận độ co giãn thu nhập/chi tiêu $\eta_k$, độ co giãn giá Marshallian $e_{kj}^u$ & Hicksian bù đắp $e_{kj}^c$, kiểm định xác định âm ma trận Slutsky. | Hệ cầu tiêu dùng hộ gia đình VHLSS & độ co giãn giá |
| 12.2.1 | Hồi quy tuyến tính Bayes với lấy mẫu chuỗi Markov (MCMC) | Stata 18 bayes · MCMCpack / stats · scipy / statsmodels |
Chẩn đoán hội tụ chuỗi MCMC: tỷ số tiềm năng giảm thang đo Gelman–Rubin — R_hat < 1.01 , cỡ mẫu hiệu dụng — ESS > 400 , biểu đồ vết, tự tương quan chuỗi lấy mẫu và khoảng tin cậy mật độ hậu nghiệm cao nhất 95% | Ước lượng Bayes khi cỡ mẫu nhỏ và có thông tin tiên nghiệm |
| 12.2.2 | Hệ tự hồi quy vectơ Bayes suy luận hậu nghiệm đa biến | Stata 18 bayes · BVAR / vars · scipy / statsmodels |
Kiểm định hội tụ MCMC Geweke và Gelman–Rubin R_hat, mật độ hợp lý biên để chọn độ trễ và siêu tham số tiên nghiệm, và điểm số hợp lý dự báo | Dự báo phân phối mật độ lạm phát và tăng trưởng GDP |
| 12.2.3 | Trung bình hóa mô hình Bayes giải quyết bất định chọn biến (BMA) | Stata 18 bmaregress · BMS / BAS · statsmodels / numpy |
Xác suất bao hàm hậu nghiệm PIP — ngưỡng Kass–Raftery: $>0.75$ mạnh, $>0.99$ quyết định , trung bình & độ lệch chuẩn hậu nghiệm không điều kiện, kích thước mô hình kỳ vọng. | Xác suất bao hàm hậu nghiệm PIP động lực tăng trưởng |
| 12.3.1 | Hồi quy rừng ngẫu nhiên Breiman và độ quan trọng biến hoán vị | Stata rforest · randomForest · scikit-learn |
Sai số dự báo ngoài túi (OOB), độ quan trọng biến theo hoán vị ngoài mẫu, biểu đồ phụ thuộc riêng phần (PDP) và K-Fold CV | Dự báo phi tuyến giá nhà và thu nhập hộ gia đình |
| 12.3.2 | Hồi quy tăng cường độ dốc Friedman và phân rã tác động biên | Stata boost · gbm · scikit-learn |
Kiểm định chéo K-Fold với dừng sớm để chọn số lượng cây M và tốc độ học ν, phân rã giá trị đóng góp biên Shapley và kiểm định Diebold–Mariano ngoài mẫu | Dự báo chéo lợi suất và rủi ro tín dụng |
| 12.3.3 | Hồi quy vectơ hỗ trợ nhân phi tuyến (SVR) | svmachines · e1071 · scikit-learn |
Out-of-fold $K$-fold CV RMSE, MAE và $R^2_{\text{OOS}}$, tỷ lệ support vectors, bảng độ quan trọng biến hoán vị kèm độ lệch chuẩn, đạo hàm riêng biên trung bình. | Dự báo phi tuyến kháng nhiễu cho chỉ số hàng hóa và tỷ giá |
| 12.3.4 | Mạng nơ-ron đa tầng truyền thẳng và đạo hàm riêng trung bình (MLP) | Stata Python bridge · nnet · scikit-learn |
Out-of-sample $R^2_{\text{OOS}}$ & RMSE, kiểm định Diebold–Mariano / Encompassing $F$-test so với OLS tuyến tính, bảng Average Partial Effects & permutation importance. | Xấp xỉ hàm phi tuyến và APE |
| 12.4.1 | Mạng bộ nhớ dài–ngắn hạn dự báo chuỗi thời gian (LSTM) | Stata PyTorch bridge · forecast · torch |
Out-of-sample Walk-Forward RMSE, MAE, MAPE, thống kê kiểm định **Diebold–Mariano** so với benchmark AR, Ljung–Box forecast error. | Dự báo walk-forward lạm phát & sản lượng |
4. Quy tắc chọn mô hình và kiểm định
Trước khi công bố kết quả ước lượng thuộc chương 12, nhà nghiên cứu cần thực hiện đầy đủ danh mục kiểm tra học thuật sau theo Greene (2019); Wooldridge (2010); Cameron & Trivedi (2022); Hansen (2022):
- Câu hỏi nhận dạng trung tâm: Làm thế nào để ước lượng hệ phương trình đồng thời (SUR) và (3SLS), hệ cầu tiêu dùng thỏa tiên đề Slutsky (QUAIDS), trung bình hóa mô hình Bayes (BMA) và dự báo học máy kinh tế lượng?
- Hệ thống kiểm định chẩn đoán bắt buộc: Breusch–Pagan Cross-Equation Independence, Slutsky Symmetry & Negativity, Posterior Inclusion Probability (PIP) & Gelman–Rubin R-hat, Out-of-Sample Diebold–Mariano Test.
- Suy luận thống kê vững: Luôn kiểm tra cấu trúc phương sai thay đổi, tự tương quan hoặc phụ thuộc cụm để lựa chọn ma trận hiệp phương sai sai số chuẩn phù hợp trên Stata 18, R 4.x và Python 3.11+ theo Zellner (1962); Banks, Blundell & Lewbel (1997); Sala-i-Martin, Doppelhofer & Miller (2004); Mullainathan & Spiess (2017); Coulombe et al. (2022).
LƯU Ý HỌC THUẬT: Khi trình bày bảng kết quả ước lượng thuộc chương 12 trong khóa luận, luận văn, luận án hoặc bài báo khoa học, cần báo cáo đầy đủ giá trị thống kê và $p$-value của bộ kiểm định gồm Breusch–Pagan Cross-Equation Independence, Slutsky Symmetry & Negativity, Posterior Inclusion Probability (PIP) & Gelman–Rubin R-hat, Out-of-Sample Diebold–Mariano Test ngay dưới chân bảng để minh chứng mô hình thỏa mãn điều kiện nhận dạng theo Greene (2019); Wooldridge (2010); Cameron & Trivedi (2022); Hansen (2022).
5. Tài liệu tham khảo
- Zellner, A.(1962). An efficient method of estimating seemingly unrelated regressions and tests for aggregation bias. Journal of the American Statistical Association, 57, số 298, 348–368.
- Banks, Blundell, & Lewbel(1997). Econometric specification, identification, and asymptotic inference.
- Sala-i-Martin, Doppelhofer, & Miller(2004). Econometric specification, identification, and asymptotic inference.
- Mullainathan, S, & Spiess, J.(2017). Machine learning: An applied econometric approach. Journal of Economic Perspectives, 31, số 2, 87–106.
- Coulombe et al.(2022). Econometric specification, identification, and asymptotic inference.
- Greene, W. H.(2019). Econometric Analysis, 8th ed, Chương 10 & 16: Systems of Regression Equations, SUR, 3SLS & Bayesian Econometrics. Pearson.
- Wooldridge, J. M.(2010). Econometric Analysis of Cross Section and Panel Data, 2nd ed, Chương 7–9: Estimating Systems of Equations by OLS, GLS and GMM. MIT Press.
- Cameron, A. C, & Trivedi, P. K.(2022). Microeconometrics Using Stata, 2nd ed, Vol. 2, Chương 28 & 30: Machine Learning and Bayesian Methods. Stata Press.
- Hansen, B. E.(2022). Econometrics, Chương 11, 13 & 29: Multivariate Regression, GMM and Machine Learning. Princeton University Press.
ĐIỀU HƯỚNG HỌC TẬP:
↑ Tài liệu gốc: KINH TẾ LƯỢNG ỨNG DỤNG TOÀN DIỆN TỪ A – Z
← Chương trước: 11. Phân tích sống sót, thời gian sự kiện và rủi ro cạnh tranh
→ Nhóm đầu tiên trong chương: 12.1. Hệ phương trình đồng thời và hệ cầu cấu trúc
→ Bài học đầu tiên trong chương: 12.1.1. Hệ phương trình hồi quy dường như không liên quan (SUR)
→ Chương tiếp theo: 13. Phân phối thu nhập và phân rã bất bình đẳng
↑ Tài liệu gốc: KINH TẾ LƯỢNG ỨNG DỤNG TOÀN DIỆN TỪ A – Z
← Chương trước: 11. Phân tích sống sót, thời gian sự kiện và rủi ro cạnh tranh
→ Nhóm đầu tiên trong chương: 12.1. Hệ phương trình đồng thời và hệ cầu cấu trúc
→ Bài học đầu tiên trong chương: 12.1.1. Hệ phương trình hồi quy dường như không liên quan (SUR)
→ Chương tiếp theo: 13. Phân phối thu nhập và phân rã bất bình đẳng