Bài 2: Tính chuẩn tiệm cận và suy luận trong mẫu lớn The power of the central limit theorem Giới thiệu Ở bài học trước, chúng ta đã khẳng định rằng tính nhất quán là một yêu cầu nền tảng: nó đảm bảo ước lượng của chúng ta sẽ tiến về giá trị thật khi có đủ dữ liệu. Tuy nhiên, chỉ biết rằng chúng ta đang “tiến gần đến” là chưa đủ. Để thực hiện suy luận thống kê – chẳng hạn như kiểm định giả thuyết liệu một biến có thực sự ảnh hưởng đến kết quả hay không – chúng ta cần biết về phân phối mẫu của các ước lượng OLS. Trong Chương 4, chúng ta đã học rằng nếu giả định MLR.6 (sai số phân phối chuẩn) được thỏa mãn, các ước lượng OLS sẽ có phân phối chuẩn chính xác, dẫn đến các kiểm định t và F chính xác. Nhưng đây là một vấn đề lớn trong thực tế: giả định về phân phối chuẩn thường không đúng! Rất nhiều biến số …