Trong bài học đầu tiên, chúng ta đã cùng nhau xây dựng một nền tảng vững chắc về các tính chất của ước lượng OLS trong mẫu hữu hạn, như tính không chệch và hiệu quả theo Định lý Gauss-Markov. Tuy nhiên, những kết quả này dựa trên các giả định khá nghiêm ngặt, đặc biệt là giả định về phương sai của nhiễu (A4) và đôi khi là cả giả định về phân phối chuẩn (A6). Trong thực tế, dữ liệu của chúng ta hiếm khi hoàn hảo như vậy. Vậy điều gì sẽ xảy ra khi chúng ta có một mẫu dữ liệu rất lớn? Liệu chúng ta có thể nới lỏng một số giả định mà vẫn có được những kết quả đáng tin cậy không? Đây chính là lúc lý thuyết tiệm cận (asymptotic theory) phát huy sức mạnh. Bài học này sẽ tập trung vào hai tính chất tiệm cận quan trọng nhất của ước lượng OLS: tính nhất quán và tính chuẩn tiệm cận. Tính nhất quán sẽ cho chúng ta một sự đảm …