Cải thiện suy diễn với Percentile-t và Wild Bootstrap Improving inference with Percentile-t and Wild Bootstrap Giới thiệu Trong hai bài học trước, chúng ta đã khám phá phương pháp bootstrap-pairs như một công cụ đa năng để ước lượng sai số chuẩn. Phương pháp này hoạt động rất tốt trong nhiều trường hợp. Tuy nhiên, các nhà kinh tế lượng đã phát hiện ra rằng trong một số điều kiện nhất định—chẳng hạn như khi cỡ mẫu không quá lớn—kết quả suy diễn từ bootstrap-pairs vẫn có thể chưa thực sự tối ưu. Cụ thể, “kích thước” thực tế của kiểm định (xác suất thực sự của sai lầm loại I) có thể khác biệt so với mức danh nghĩa (ví dụ 5%) mà chúng ta mong muốn. Để giải quyết vấn đề này, chúng ta cần đến các kỹ thuật bootstrap tinh vi hơn có khả năng cung cấp (asymptotic refinement). Ý tưởng cốt lõi là tạo ra các kiểm định và khoảng tin cậy mà sai số xấp xỉ của chúng tiến về không nhanh hơn so …