12.2. Kinh tế lượng Bayes và trung bình hóa mô hình (BMA)

Estimated reading: 10 minutes 4 views

TÓM TẮT NHÓM 12.2: Nhóm bài giảng 12.2. Kinh tế lượng Bayes và trung bình hóa mô hình (BMA) thuộc 12. Hệ phương trình đồng thời, hệ cầu, kinh tế lượng Bayes và học máy quy tụ 3 mô hình kinh tế lượng (từ mục 12.2.1 đến mục 12.2.3). Nội dung dưới đây hệ thống hóa cơ sở toán học, phân biệt điều kiện nhận dạng và đối chiếu cú pháp thực thi trên Stata 18, R 4.x và Python 3.11+ theo chuẩn giáo trình quốc tế (Zellner (1971); Koop (2003); Greenberg (2012); Cameron & Trivedi (2022); Greene (2019); Wooldridge (2010); Hansen (2022)).

1. Bản chất học thuật và cấu trúc toán học

Trong phạm vi của chương Hệ phương trình đồng thời, hệ cầu, kinh tế lượng Bayes và học máy, nhóm phương pháp Kinh tế lượng Bayes và trung bình hóa mô hình (BMA) 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 (Greene (2019); Wooldridge (2010); Hansen (2022)). Các mô hình trong nhóm 12.2 cùng dựa trên hệ thức cấu trúc nền tảng tại phương trình (1) (Zellner (1971); Koop (2003); Greenberg (2012); Cameron & Trivedi (2022)):

$$p(\beta, \sigma^2 \mid Y, X) \propto p(Y \mid X, \beta, \sigma^2)\,p(\beta \mid \sigma^2)\,p(\sigma^2) \tag{1}$$

Phương trình điều kiện ước lượng và tối ưu hóa của nhóm phương pháp này được xác định tại công thức (2):

$$\hat{\theta}_{\text{SYS}} = \arg\min_{\theta \in \Theta} g_N(\theta)^\top \left(\hat{\Sigma}^{-1} \otimes P_Z\right) g_N(\theta), \quad p(\theta \mid Y, X) \propto L(Y \mid X, \theta)\,\pi(\theta) \tag{2}$$

Sự khác biệt giữa 3 mô hình từ 12.2.1. Hồi quy tuyến tính Bayes với lấy mẫu chuỗi Markov (MCMC) đến 12.2.3. Trung bình hóa mô hình Bayes giải quyết bất định chọn biến (BMA) nằm ở giả định về phân phối của thành phần nhiễu, cơ chế nội sinh và ma trận trọng số ước lượng (Zellner (1971); Koop (2003); Greenberg (2012); Cameron & Trivedi (2022); Greene (2019); Wooldridge (2010); 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 12.2:

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
12.2.1	Hồi quy tuyến tính Bayes với lấy mẫu chuỗi Markov (MCMC)	Kết hợp thông tin tiên nghiệm p(β, σ^2) với hàm hợp lý của dữ liệu p(Y \| X, β, σ^2) theo định lý Bayes để suy ra toàn bộ phân phối hậu nghiệm p(β, σ^2 \| Y, X) thông qua giải tích liên hợp Normal-Inverse-Gamma hoặc lấy mẫu chuỗi Markov Monte Carlo (MCMC).	Stata: `bayes, rseed(42) mcmcsize(2500): regress y x1 x2` R: `MCMCpack::MCMCregress(y ~ x1 + x2, data = df) / Conjugate Normal-IG Posterior` Python: `Conjugate Normal-Inverse-Gamma Posterior & MCMC Gibbs Sampler`	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 (Trace plot), tự tương quan chuỗi lấy mẫu và khoảng tin cậy mật độ hậu nghiệm cao nhất 95% (HPD / Credible Interval)
12.2.2	Hệ tự hồi quy vectơ Bayes suy luận hậu nghiệm đa biến	Suy luận hậu nghiệm toàn diện cho ma trận hệ số tự hồi quy đa biến B và ma trận hiệp phương sai nhiễu Σ thông qua tiên nghiệm liên hợp Matrix-Normal Inverse-Wishart hoặc lấy mẫu Gibbs, cho phép tính phân phối hậu nghiệm chính xác của hàm phản ứng xung và dự báo mật độ.	Stata: `bayes, rseed(42): var y x1 x2, lags(1/2)` R: `BVAR / Conjugate Matrix-Normal Inverse-Wishart Posterior` Python: `Matrix-Normal Inverse-Wishart Bayesian System VAR`	Kiểm định hội tụ MCMC Geweke và Gelman–Rubin R_hat, mật độ hợp lý biên (Marginal Likelihood / Bayes Factor) để chọn độ trễ và siêu thamplante tiên nghiệm, và điểm số hợp lý dự báo (Log Predictive Score)
12.2.3	Trung bình hóa mô hình Bayes giải quyết bất định chọn biến (BMA)	Giải quyết bài toán bất định lựa chọn mô hình (model uncertainty) trong không gian $2^K$ tổ hợp biến bằng cách tính trọng số xác suất hậu nghiệm $P(M_m \mid D)$ theo tiên nghiệm Zellner’s $g$ và xác suất bao hàm hậu nghiệm (PIP) cho từng yếu tố quyết định.	Stata: `Stata 18 bmaregress (bmaregress y x1-xk, gprior(uip) mprior(uniform))` R: `BMS / BAS (BMS::bms(df[, c("y", xvars)], g = "UIP", mprior = "uniform") & BAS::bas.lm trên CRAN active)` Python: `Exact $2^K$ ($K \le 16$) & MC$^3$ Markov Chain Model Composition ($K > 16$) Zellner-$g$ (UIP/BRIC) BMA solver`	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.

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 12.2 cho dữ liệu thực tế (Greene (2019); Wooldridge (2010); Hansen (2022)):

Chọn 12.2.1. Hồi quy tuyến tính Bayes với lấy mẫu chuỗi Markov (MCMC) khi: Nghiên cứu kinh tế lượng cỡ mẫu nhỏ, tích hợp tri thức chuyên gia hoặc kết quả từ các nghiên cứu trước vào ước lượng và định lượng trực tiếp xác suất một giả thuyết kinh tế là đúng. (Kiểm định bắt buộc: 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 (Trace plot), tự tương quan chuỗi lấy mẫu và khoảng tin cậy mật độ hậu nghiệm cao nhất 95% (HPD / Credible Interval)).
Chọn 12.2.2. Hệ tự hồi quy vectơ Bayes suy luận hậu nghiệm đa biến khi: Phân tích chính sách tiền tệ, tài khóa và dự báo xác suất suy thoái hoặc lạm phát vượt mục tiêu với số lượng biến vĩ mô lớn. (Kiểm định bắt buộc: Kiểm định hội tụ MCMC Geweke và Gelman–Rubin R_hat, mật độ hợp lý biên (Marginal Likelihood / Bayes Factor) để chọn độ trễ và siêu thamplante tiên nghiệm, và điểm số hợp lý dự báo (Log Predictive Score)).
Chọn 12.2.3. Trung bình hóa mô hình Bayes giải quyết bất định chọn biến (BMA) khi: Chuẩn mực trong nghiên cứu động lực tăng trưởng kinh tế dài hạn, dòng vốn FDI, xung đột/thể chế nơi lý thuyết đề xuất hàng chục biến giải thích cạnh tranh và kết quả OLS đơn lẻ dễ bị “chọn lọc mô hình”. (Kiểm định bắt buộc: 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.).

4. Tài liệu tham khảo

Zellner, A. (1971). An Introduction to Bayesian Inference in Econometrics. Wiley.
Koop, G. (2003). Bayesian Econometrics. Wiley.
Greenberg, E. (2012). Introduction to Bayesian Econometrics (2nd ed.). Cambridge University Press.
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., 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.
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 chủ quản: 12. Hệ phương trình đồng thời, hệ cầu, kinh tế lượng Bayes và học máy
→ Bài học đầu tiên trong nhóm: 12.2.1. Hồi quy tuyến tính Bayes với lấy mẫu chuỗi Markov (MCMC)