Lấy mẫu con và tự chuẩn hóa khi mọi thứ phức tạp Subsampling and self-normalization in complex cases Giới thiệu: Phương pháp của sự tổng quát tối đa Trong các bài học trước, chúng ta đã khám phá một loạt các phương pháp bootstrap, từ tham số đến phi tham số và các kỹ thuật nâng cao. Mặc dù rất mạnh mẽ, tất cả chúng đều hoạt động dựa trên một nguyên tắc chung: tái tạo lại dữ liệu hoặc các thành phần thống kê theo một cách nào đó để mô phỏng phân phối của một ước lượng. Tuy nhiên, có những tình huống cực kỳ phức tạp trong kinh tế lượng mà ngay cả các phương pháp bootstrap tinh vi nhất cũng phải “bó tay”. Ví dụ, khi dữ liệu không dừng (non-stationary), có sự phụ thuộc dài hạn (long-range dependence), hoặc khi tốc độ hội tụ của ước lượng không phải là căn bậc hai của n ($\sqrt{n}$) và chúng ta không biết nó là gì. Trong những trường hợp “khó nhằn” này, chúng ta cần một …