Khắc phục corrected error trong dữ liệu đa cấp

Dữ liệu đa cấp - multilevel data có thể được ước lượng bằng mô hình OLS. Tuy nhiên, việc gom nhóm dữ liệu dẫn đến các vấn đề về sai số tương quan (corrected error), từ đó dẫn đến việc ước lượng giả tạo các sai số chuẩn nhỏ (Sai lầm loại I). Để khắc phục vấn đề này, chúng ta cần kiểm soát được các nguồn gốc gây ra corrected error, và đưa chúng vào mô hình ước lượng. Tuy nhiên, chúng ta không thể nhận diện hoặc đo lường tất cả các cội nguồn gây ra correlated error này. Trong trường hợp này, chúng ta áp dụng các phương pháp khác như OLS với robust, OLS với robust cluster, FEM/REM...  Tiếp theo bài tiếp cận dữ liệu đa cấp bằng OLS, bài viết này sẽ trình bày về phương pháp OLS với robust, robust cluster và hồi quy OLS với biến giả (dummy variables).
I. Mô hình sai số chuẩn mạnh (Robust Standard errors)
Ước lượng mô hình sai số chuẩn mạnh còn được gọi là ước lượng Hubber/White hay “Sandwich” estimator. Ước lượng này sẽ cho một kết quả ước lượng đúng của sai số chuẩn trong đó chấp nhận sự hiện diện của hiện tượng phương sai thay đổi (heteroskedasticity).

Phần nội dung có thu phí bên dưới đã được ẩn.

Xin mời bạn đăng nhập để tiếp tục nội dung...

* Nếu chưa có tài khoản Premium, mời bạn đăng ký tại đây.

Chân thành cảm ơn sự quan tâm của bạn!

1 2Next page

Thuyết Nguyễn

- Giảng dạy Kinh tế lượng ứng dụng, PPNCKH - Chuyên gia phân tích dữ liệu với Stata - Dành hơn 15000 giờ nghiên cứu Kinh tế lượng ứng dụng - Đam mê nghiên cứu, học hỏi cái mới; - Làm việc độc lập & tự học cao.

Bài liên quan

Back to top button