Bootstrap Markovian và các phương pháp nâng cao Markovian bootstrap and advanced techniques Giới thiệu: Tư duy lại cách chúng ta tái lấy mẫu Trong hai bài học trước, chúng ta đã tìm hiểu các phương pháp bootstrap dựa trên một ý tưởng chung: (1) ước lượng một mô hình (tham số hoặc phi tham số), (2) trích xuất phần dư, (3) tái lấy mẫu phần dư đó để tạo ra dữ liệu mới. Cách tiếp cận này, được gọi là bootstrap dựa trên phần dư, hoạt động rất tốt nếu giả định cốt lõi của nó là đúng: toàn bộ cấu trúc phụ thuộc của chuỗi thời gian được nắm bắt hoàn toàn bởi hàm biến động có điều kiện $\sigma(\cdot)$, và phần còn lại, các cú sốc $\epsilon_t$, thực sự là độc lập và phân phối đồng nhất (i.i.d). Nhưng điều gì sẽ xảy ra nếu cấu trúc phụ thuộc phức tạp hơn thế? Điều gì nếu các cú sốc không hoàn toàn i.i.d? Đây là lúc chúng ta cần những công cụ “thông minh” hơn, những phương …