Chào mừng các bạn đã quay trở lại với chuỗi bài học của chúng ta! Ở bài giới thiệu, chúng ta đã có cái nhìn tổng quan về tầm quan trọng của việc lựa chọn, thu hẹp và trung bình mô hình. Trong bài học đầu tiên này, chúng ta sẽ đi sâu vào nền tảng của “lựa chọn mô hình” – một công việc mà bất kỳ nhà nghiên cứu nào cũng phải đối mặt. Câu hỏi trung tâm của bài học hôm nay là: Giữa rất nhiều mô hình khả dĩ, làm thế nào để chúng ta chọn ra được một mô hình “tốt nhất” một cách khách quan và khoa học? Chúng ta sẽ bắt đầu bằng việc tìm hiểu một nguyên tắc kinh điển trong thống kê và kinh tế lượng: sự đánh đổi giữa độ chệch và phương sai (bias-variance tradeoff). Đây chính là chìa khóa để hiểu được triết lý đằng sau hầu hết các phương pháp lựa chọn mô hình. Sau khi nắm vững nền tảng này, chúng ta sẽ làm quen với …
Các bài đã xem
- Nền tảng Thu hẹp và Hồi quy Ridge
- Tầm quan trọng của đặc tả xu hướng trong mô hình DiD
- 1. Giới thiệu
- Hồi quy giả tạo và mô hình VAR phi dừng
- Các kiểm định đặc tả và vấn đề biến công cụ yếu
- Khoảng tin cậy và ý nghĩa thực tiễn
- Các bộ ước lượng Kernel nâng cao
- Các khái niệm nâng cao về phép chiếu
- Nền tảng về kiểm định giả thuyết
- Nền tảng của lý thuyết mẫu lớn và các dạng hội tụ
- Nền tảng của GMM và trường hợp vừa định
- Tìm hiểu sâu về mô hình Probit và Logit
- Ký hiệu bậc ngẫu nhiên và các khái niệm nâng cao
- Các tính chất thống kê quan trọng
- Áp dụng thu hẹp James-Stein trong thực tế
- Hiệu quả của OLS và định lý Gauss-Markov
- GMM cho mô hình thừa định và ước lượng một bước
- Suy luận thống kê và diễn giải hiệu ứng biên
- Những cạm bẫy cần tránh khi lựa chọn mô hình
- Giới thiệu mô hình tự hồi quy vector
- Hướng dẫn thực hành tổng hợp với Stata
- Hướng dẫn thực hành biến công cụ với Stata
- Giới thiệu M-estimators và tính nhất quán
- Kiểm định Giả thuyết trong Mô hình Hồi quy Chuẩn
- Kiểm định Wald cho các giả thuyết nhiều chiều
- Dữ liệu và thuật ngữ trong nghiên cứu kinh tế lượng
-
Xem thêm