Chào mừng các bạn đã quay trở lại! Trong hai bài học trước, chúng ta đã xây dựng một nền tảng vững chắc về phân phối chuẩn. Chúng ta đã thấy rằng khi giả định các biến có phân phối chuẩn đa biến, chúng ta sẽ tự nhiên có được một mô hình hồi quy chuẩn. Mô hình này được gọi là một mô hình tham số (parametric model), bởi vì chúng ta đã định hình một cách rõ ràng dạng phân phối xác suất của dữ liệu, chỉ còn lại một vài tham số chưa biết (như \(\beta\) và \(\sigma^2\)) cần được ước lượng. Khi làm việc với các mô hình tham số, có một nguyên lý ước lượng cực kỳ mạnh mẽ và phổ quát được gọi là Ước lượng Hợp lý Tối đa (Maximum Likelihood Estimation – MLE). Thay vì tìm các tham số để tối thiểu hóa tổng bình phương phần dư như OLS, nguyên lý MLE tiếp cận vấn đề từ một góc độ hoàn toàn khác: “Hãy tìm những giá trị tham số nào …