Một số tính năng nổi bật của Stata 15
- Các mô hình logit hỗn hợp
Các phiên bản Stata trước đã có công cụ ước lượng các mô hình logit đa bậc (Multinomial Logit models). Stata 15 bổ sung thêm vào một dạng mô hình logit hỗn hợp với các hệ số thay đổi ngẫu nhiên.
Các hệ số ngẫu nhiên là một trường hợp đặc biệt của mô hình logit đa bậc. Chúng là sự điều chỉnh của các mô hình tuân theo giả định về sự độc lập của các lựa chọn không liên quan (IIA – Independence of the Irrelevant Alternatives). Nếu bạn có các lựa chọn phương tiện đi làm giữa đi bộ, phương tiện công cộng hoặc xe hơi và bạn chọn đi bộ thì một khi bạn đã thực hiện lựa chọn thì những lựa chọn thay thế khác sẽ không còn liên quan. Nếu chúng tôi lấy đi một trong những lựa chọn khác, bạn vẫn sẽ chọn đi bộ, đúng không? Có thể không. Việc lựa chọn của con người đôi khi vi phạm các giả định IIA.
Về mặt toán học, IIA tạo ra các giải pháp thay thế độc lập sau khi điều chỉnh các biến số. Nếu IIA bị vi phạm, các lựa chọn thay thế sau đó sẽ bị tương quan nhau. Các hệ số ngẫu nhiên cho phép khắc phục sự tương quan trên.
Các mô hình logit hỗn hợp thường được sử dụng trong bối cảnh các mô hình hữu dụng ngẫu nhiên và các phân tích lựa chọn rời rạc.
Lệnh asmixlogit mới của Stata hỗ trợ một loạt các phân phối hệ số ngẫu nhiên và cho phép đưa các biến vào các trường hợp cụ thể.
Xem thêm: https://www.stata.com/new-in-stata/mixed-logit-regression/
- Hồi quy phi tham số
Hồi quy phi tham số giống như hồi quy tuyến tính sẽ ước lượng các kết quả trung bình cho một tập hợp các biến số. Tuy nhiên, không giống như hồi qui tuyến tính, hồi qui phi tham số không cần xác định dạng hàm giữa biến kết quả và các biến số và do đó, không không mắc phải vấn đề lỗi mô tả.
Trong hồi quy phi tham số, bạn không cần xác định dạng hàm. Bạn chỉ cần xác định biến phụ thuộc (biến kết quả) và các biến giải thích. Chẳng hạn, để ước lượng mô hình bên dưới thì bạn chỉ cần xác định 3 biến giải thích x1, x2, x3 và biến phụ thuộc y
\(y = g({x_1},{x_2},{x_3}) + e \)
Phương pháp này không yêu cầu hàm g() phải có dạng tuyến tính, nó có thể là:
\(y = {\beta _1}{x_1} + {\beta _2}x_2^2 + {\beta _3}x_1^3{x_2} + {\beta _4}{x_3} + e \)
Phương pháp thậm chí không đòi hỏi sự tuyến tính trong tham số, do vậy, nó có thể là:
\(y = {\beta _1}x_1^{{\beta _2}} + cos({x_2}{x_3}) + e \)
Để ước lượng hồi quy phi tham số trên Stata, bạn có thể sử dụng câu lệnh npregress. Hồi quy phi tham số đòi hỏi nhiều quan sát hơn hồi quy tuyến tính để cho ra một kết quả tin cậy.
Kết quả không phải trả lại cho bạn dưới dạng đại số, nhưng các giá trị dự đoán và đạo hàm riêng có thể được tính toán cùng với các sai số chuẩn của nó. Trung bình được tính toán qua dữ liệu sau khi ước lượng bằng câu lệnh predict.
Các đạo hàm riêng của biến phụ thuộc theo các biến giải thích trong các mô hình phi tuyến không phải là các đạo hàm riêng ở giá trị trung bình. Để tính các đạo hàm của y đối với x1, x2, và x3 ở các giá trị trung bình của các biến, bạn có thể sử dụng câu lệnh margin.
Xem thêm:
https://www.stata.com/new-in-stata/nonparametric-regression/
Nguồn:
- https://blog.stata.com/2017/06/06/stata-15-announced-available-now/
- https://www.stata.com/new-in-stata/