Lập trình nâng cao với Mata và GMM From high-level commands to matrix programming Giới thiệu: Vượt qua giới hạn của ml Trong các bài học trước, chúng ta đã khám phá sức mạnh của bộ lệnh ml. Nó giống như một ngôn ngữ lập trình “cấp cao”, cho phép chúng ta mô tả hàm mục tiêu một cách tương đối đơn giản, và Stata sẽ lo phần còn lại của quá trình tối ưu hóa. Tuy nhiên, sự đơn giản này cũng đi kèm với những giới hạn. Lệnh ml, đặc biệt là phương pháp lf, được thiết kế tối ưu cho các mô hình có hàm mục tiêu là tổng đơn giản các đóng góp của từng quan sát. Nhưng điều gì sẽ xảy ra khi chúng ta đối mặt với một bài toán phức tạp hơn, chẳng hạn như (Generalized Method of Moments – GMM)? Hàm mục tiêu của GMM thường có dạng bậc hai, $Q(\boldsymbol{\beta}) = \mathbf{h}(\boldsymbol{\beta})’ \mathbf{W} \mathbf{h}(\boldsymbol{\beta})$, trong đó $\mathbf{h}(\boldsymbol{\beta})$ là véc-tơ của các điều kiện mô-men mẫu. Cấu trúc này không phải …
Các bài đã xem
- Mở rộng tính dừng và biểu diễn ARCH(∞)
- Phương sai sai số thay đổi và không đổi
- Mô hình tự hồi quy (AR) và phân rã Wold
- Phân tích danh mục đầu tư trung bình-phương sai
- Xây dựng mô hình quốc gia (VARX*)
- Thực hành đánh giá dự báo với Stata
- So sánh các dự báo bằng hàm mất mát
- Hướng dẫn thực hành VaR trên Stata
- Phương sai thay đổi trong Chuỗi thời gian
- Ước lượng mô hình ARIMA với Stata
- Kiểm định dấu và tỷ số Cowles-Jones
- Thực hành tổng hợp các kiểm định vững
- Quản lý và nhập dữ liệu trong Stata
-
Xem thêm