Ở bài học trước, chúng ta đã thiết lập được một kết quả quan trọng: nếu các điều kiện nhất định được thỏa mãn, M-estimator \(\hat{\theta}\) sẽ hội tụ về giá trị tham số thực \(\theta_0\). Đó là một tin tốt, nhưng nó chưa đủ cho việc suy diễn thống kê. Chúng ta không chỉ muốn biết \(\hat{\theta}\) hội tụ, mà còn muốn biết nó biến động như thế nào xung quanh \(\theta_0\) trong một mẫu hữu hạn. Kiến thức về sự biến động này chính là cơ sở để chúng ta tính toán sai số chuẩn, khoảng tin cậy và thực hiện các kiểm định giả thuyết. Bài học hôm nay sẽ tập trung vào việc tìm ra phân phối xác suất của \(\hat{\theta}\) khi cỡ mẫu \(n\) lớn, hay còn gọi là phân phối tiệm cận (asymptotic distribution). Chúng ta sẽ cùng nhau “mổ xẻ” một trong những kết quả đẹp và quan trọng nhất trong kinh tế lượng: công thức ma trận hiệp phương sai dạng “sandwich”. Hiểu được công thức này sẽ giúp bạn lý giải …