Vấn đề chệch trong mẫu hữu hạn và các kỹ thuật giảm thiểu Finite sample bias and bias reduction techniques Giới thiệu Trong các bài học trước, chúng ta đã nỗ lực tìm kiếm các phương pháp ước lượng ngày càng chính xác hơn, từ xấp xỉ Euler đơn giản đến các kỹ thuật khai triển phức tạp. Chúng ta cũng đã thảo luận về “chệch do rời rạc hóa” – một loại sai số phát sinh do việc dùng mô hình rời rạc để mô phỏng một thế giới liên tục. Tuy nhiên, có một vấn đề còn cơ bản và phổ biến hơn, một loại chệch tồn tại ngay cả khi chúng ta sử dụng phương pháp ML “chính xác” nhất. Đó chính là (finite sample bias). Đặc biệt trong các mô hình chuỗi thời gian tài chính, nơi các biến số thường có tính “bám dính” hay “lì” (persistent), các ước lượng ML thường bị chệch một cách nghiêm trọng, ngay cả với cỡ mẫu lên tới hàng trăm quan sát. Sự chệch này không phải …