Chào mừng các bạn đến với bài học thứ ba! Trong bài học trước, chúng ta đã cùng nhau tìm hiểu nền tảng lý thuyết của hai mô hình Logit và Probit. Chúng ta đã biết rằng chúng sử dụng các hàm biến đổi hình chữ S để đảm bảo xác suất dự báo luôn nằm trong khoảng [0, 1]. Tuy nhiên, một câu hỏi quan trọng vẫn còn bỏ ngỏ: “Làm thế nào để máy tính tìm ra được các hệ số $\beta$ tốt nhất cho những mô hình phi tuyến này?” và “Khi đã có kết quả, chúng ta phải diễn giải những con số đó như thế nào?” Đây chính là nội dung trọng tâm của bài học hôm nay. Chúng ta sẽ tạm rời xa phương pháp Bình phương Tối thiểu (OLS) quen thuộc để làm quen với một kỹ thuật ước lượng mới và mạnh mẽ hơn: Ước lượng Hợp lý Tối đa (Maximum Likelihood Estimation – MLE). Sau đó, chúng ta sẽ học cách diễn giải các hệ số một cách cẩn thận, vì …