Ước lượng hợp lý tối đa

Chào các bạn sinh viên, chào mừng đến với chuỗi bài học về một trong những công cụ mạnh mẽ và phổ biến nhất trong kinh tế lượng hiện đại: Ước lượng Hợp lý Cực đại, hay còn gọi là MLE (Maximum Likelihood Estimation). Nếu các bạn đã từng chạy các mô hình như Probit hay Logit, rất có thể các bạn đã sử dụng MLE mà không hề hay biết! Đây là một phương pháp cực kỳ linh hoạt, cho phép chúng ta ước lượng hầu hết mọi loại mô hình, từ hồi quy tuyến tính đơn giản đến các mô hình cấu trúc phức tạp trong kinh tế học.

Vậy MLE là gì? Hãy tưởng tượng bạn có một bộ dữ liệu và một mô hình. Nguyên tắc của MLE rất trực quan: chúng ta hãy đi tìm những tham số (ví dụ như các hệ số hồi quy) nào mà khiến cho bộ dữ liệu chúng ta đang quan sát được có “khả năng xảy ra cao nhất”. Nói cách khác, MLE giúp trả lời câu hỏi: “Với giả định về mô hình của tôi, đâu là những giá trị tham số hợp lý nhất để tạo ra dữ liệu mà tôi đang có trong tay?”. Việc hiểu rõ nguyên tắc này không chỉ giúp các bạn sử dụng các công cụ có sẵn một cách tự tin mà còn mở ra cánh cửa để tự xây dựng và ước lượng các mô hình của riêng mình.

Trong chuỗi bài học này, chúng ta sẽ cùng nhau đi từ những viên gạch lý thuyết đầu tiên cho đến việc tự tay viết code và phân tích kết quả bằng Stata. Ba khái niệm cốt lõi các bạn sẽ nắm vững bao gồm:

• Hàm Hợp lý (Likelihood Function): “Thước đo” cho biết một bộ tham số cụ thể phù hợp với dữ liệu đến mức nào.
• Ước lượng Hợp lý Cực đại (MLE): Quy trình tìm kiếm bộ tham số làm tối đa hóa hàm hợp lý.
• Giả định Phân phối (Distributional Assumption): Nền tảng bắt buộc của MLE, định hình cách chúng ta xây dựng hàm hợp lý.

Mục tiêu của chúng tôi là biến những khái niệm có vẻ trừu tượng này trở nên dễ hiểu và gần gũi. Hãy cùng nhau bắt đầu hành trình khám phá công cụ ước lượng đầy thú vị này!

Cấu trúc chuỗi bài học

PHỤ LỤC: Dữ liệu thực hành cho chuỗi bài viết

Trong chuỗi bài này, để đảm bảo tính thực tế và giúp các bạn kết nối lý thuyết với các nghiên cứu kinh tế học phát triển, chúng ta sẽ sử dụng bộ dữ liệu kinh điển về thị trường lao động Nam Phi. Đây là bộ dữ liệu đã được tác giả sử dụng trong sách giáo khoa.

Mô tả dữ liệu: Bộ dữ liệu Labour_Force_SA_SALDRU_1993.dta chứa thông tin về thu nhập, trình độ học vấn, và các đặc điểm nhân khẩu học khác của người lao động tại Nam Phi vào năm 1993.

Các biến chính chúng ta sẽ sử dụng:

• logwphy: Logarit của tiền lương thực tế hàng tháng. Đây là biến phụ thuộc của chúng ta.
• educ hoặc edyrs: Số năm đi học. Đây là biến giải thích chính.

Hướng dẫn sử dụng:

Các bạn có thể tải và chuẩn bị dữ liệu bằng các lệnh Stata dưới đây. Hãy đảm bảo bạn đã đặt đúng đường dẫn đến thư mục chứa file dữ liệu.

* ==================================================
* CHUẨN BỊ DỮ LIỆU THỰC HÀNH
* Dữ liệu: Điều tra lực lượng lao động Nam Phi 1993
* ==================================================

* Xóa bộ nhớ và tải dữ liệu
clear
use "path/to/your/folder/Labour_Force_SA_SALDRU_1993.dta", clear

* Xem mô tả các biến chính
describe logwphy educ

* Xem thống kê mô tả để hiểu rõ hơn về dữ liệu
summarize logwphy educ

* Hiển thị 10 quan sát đầu tiên
list logwphy educ in 1/10

* ==================================================
* CHUẨN BỊ DỮ LIỆU THỰC HÀNH
* Dữ liệu: Điều tra lực lượng lao động Nam Phi 1993
* ==================================================

* Xóa bộ nhớ và tải dữ liệu
clear
use "path/to/your/folder/Labour_Force_SA_SALDRU_1993.dta", clear

* Xem mô tả các biến chính
describe logwphy educ

* Xem thống kê mô tả để hiểu rõ hơn về dữ liệu
summarize logwphy educ

* Hiển thị 10 quan sát đầu tiên
list logwphy educ in 1/10

Việc sử dụng một bộ dữ liệu thực sẽ giúp các bài thực hành của chúng ta trở nên ý nghĩa và sinh động hơn. Hãy làm quen với bộ dữ liệu này trước khi chúng ta bắt đầu bài học đầu tiên nhé!