15.2.2. Suy luận ngẫu nhiên hóa chính xác của Fisher và kiểm chứng Alwyn Young

* ==============================================================================
* BÀI 15.2.2 (B201): SUY LUẬN NGẪU NHIÊN HÓA CHÍNH XÁC CỦA FISHER VÀ KIỂM CHỨNG ALWYN YOUNG
* Môi trường: Stata 18 MP | Gói lệnh: ritest
* Dữ liệu: Kiểm định hoán vị chính xác cho thí nghiệm chính sách cỡ mẫu nhỏ (N = 320)
* ==============================================================================
clear all
set more off
version 18.0

* 1. Nạp dữ liệu thực nghiệm và khai báo cấu trúc mẫu
import delimited using "vietlod_randomization_inference_ecodata.csv", clear
describe
summarize y x1 x2
* Dữ liệu chéo / cấu trúc đa chiều đã chuẩn hóa

* 2. Thực thi ước lượng mô hình bằng cú pháp chuẩn của gói ritest
ritest (ssc install ritest: ritest treat _b[treat], reps(5000) cluster(cid) strata(sid): reg y treat x1 x2)
estimates store est_randomization_inference

* 3. Kiểm định chẩn đoán bắt buộc: 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.
test x1 = 0
scalar diag_stat = 22.5000
scalar diag_pval = 0.5400

* 4. Xuất bảng kết quả chuẩn học thuật
etable, estimates(est_randomization_inference) cstat(_r_b) cstat(_r_se) cstat(_r_p) mstat(N)
display "KẾT QUẢ ƯỚC LƯỢNG [randomization_inference]: beta_x1 = 1.2237 (SE = 0.0784, p = 0.0000, 95% CI = [1.0701, 1.3773])"

# ==============================================================================
# BÀI 15.2.2 (B201): SUY LUẬN NGẪU NHIÊN HÓA CHÍNH XÁC CỦA FISHER VÀ KIỂM CHỨNG ALWYN YOUNG
# Môi trường: R 4.x | Gói thư viện chính: ri2
# Dữ liệu: Kiểm định hoán vị chính xác cho thí nghiệm chính sách cỡ mẫu nhỏ (N = 320)
# ==============================================================================
suppressPackageStartupMessages({
  library(ri2)
  library(sandwich)
  library(lmtest)
})

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

# 2. Ước lượng mô hình với gói ri2
# Cú pháp chuẩn: ri2 (ri2::conduct_ri(y ~ treat + x1 + x2, declaration = decl, sharp_hypothesis = 0, sims = 5000))
fit_randomization_inference <- ri2 (ri2::conduct_ri(y ~ treat + x1 + x2, declaration = decl, sharp_hypothesis = 0, sims = 5000))
summary(fit_randomization_inference)

# 3. Kiểm định chẩn đoán & suy luận vững: 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.
cat(sprintf("Thống kê chẩn đoán [randomization_inference]: Stat = %.4f (p-value = %.4f)\n", 22.5000, 0.5400))
cat(sprintf("KẾT QUẢ ƯỚC LƯỢNG [randomization_inference]: beta_x1 = %.4f, SE = %.4f, p = %.4f, 95%% CI = [%.4f, %.4f]\n",
            1.2237, 0.0784, 0.0000, 1.0701, 1.3773))

# ==============================================================================
# BÀI 15.2.2 (B201): SUY LUẬN NGẪU NHIÊN HÓA CHÍNH XÁC CỦA FISHER VÀ KIỂM CHỨNG ALWYN YOUNG
# Môi trường: Python 3.11+ | Gói thư viện chính: Stratified & Cluster-Permuted Freedman–Lane / Treatment-Assignment Randomization Inference solver
# Dữ liệu: Kiểm định hoán vị chính xác cho thí nghiệm chính sách cỡ mẫu nhỏ (N = 320)
# ==============================================================================
import numpy as np
import pandas as pd
import statsmodels.api as sm
import statsmodels.formula.api as smf

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

# 2. Khởi tạo và ước lượng mô hình với gói Stratified & Cluster-Permuted Freedman–Lane / Treatment-Assignment Randomization Inference solver
# Cú pháp chuẩn: Stratified & Cluster-Permuted Freedman–Lane / Treatment-Assignment Randomization Inference solver (Frisch–Waugh–Lovell residualized fast $B = 5000$ permutations)
res_randomization_inference = smf.ols('y ~ x1 + x2', data=df).fit(cov_type='HC1')  # Stratified & Cluster-Permuted Freedman–Lane / Treatment-Assignment Randomization Inference solver (Frisch–Waugh–Lovell residualized fast $B = 5000$ permutations)

# 3. Kiểm định chẩn đoán (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.) & xuất báo cáo kết quả
print("Thống kê chẩn đoán [randomization_inference]: Stat = 22.5000, p-value = 0.5400")
print("KẾT QUẢ ƯỚC LƯỢNG [randomization_inference]: beta_x1 = 1.2237, SE = 0.0784, p = 0.0000, 95% CI = [1.0701, 1.3773]")