[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_bi%E1%BA%BFn%20c%C3%B4ng%20c%E1%BB%A5{\"limit\":5}":3,"_public_topic_byId_bi%E1%BA%BFn%20c%C3%B4ng%20c%E1%BB%A5":38},{"code":4,"data":5,"meta":20},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":36,"vietnamLatest":37},[],[8,24],{"publicationId":9,"title":10,"originalTitle":11,"authorNames":12,"authorCount":15,"journalName":16,"vietnamJournal":17,"publishDate":18,"publishYear":19,"totalCitation":20,"url":21,"doi":22,"summary":23},"005738fa-23f6-45fe-a8a9-48a3aeb7366c","Ước lượng chi phí cận biên của một năm sống trong lĩnh vực chăm sóc sức khỏe công cộng của Thụy Điển","Estimating the marginal cost of a life year in Sweden’s public healthcare sector",[13,14],"Jonathan Siverskog","Martin Henriksson",2,"The European Journal of Health Economics",false,"2019-02-22",2019,null,"http:\u002F\u002Flink.springer.com\u002F10.1007\u002Fs10198-019-01039-0","10.1007\u002Fs10198-019-01039-0","\u003Cp>Nghiên cứu kinh tế y tế ứng dụng kỹ thuật ước lượng mô hình dữ liệu bảng sử dụng \u003Cb class=\"publication-topic-keywords\">biến công cụ\u003C\u002Fb> để tính toán chi phí biên của một năm sống trong hệ thống y tế công cộng Thụy Điển. Tác giả khắc phục vấn đề nội sinh và tương quan ngược nhằm lượng hóa chính xác hiệu quả cận biên của ngân sách y tế. Kết quả ước lượng qua \u003Cb class=\"publication-topic-keywords\">biến công cụ\u003C\u002Fb> cung cấp căn cứ phân bổ nguồn lực công hiệu quả.\u003C\u002Fp>",{"publicationId":25,"title":26,"originalTitle":27,"authorNames":28,"authorCount":15,"journalName":20,"vietnamJournal":17,"publishDate":31,"publishYear":32,"totalCitation":20,"url":33,"doi":34,"summary":35},"021676b9-ef68-40d4-b4b0-761ada06e4db","Phân tích khả năng lưu thông của đường bộ đô thị và sự gia tăng số dặm lái xe","Analysis of Metropolitan Highway Capacity and the growth in vehicle miles of travel",[29,30],"Noland, Robert B.","Cowart, William A.","2000-12-01",2000,"https:\u002F\u002Fdoi.org\u002F10.1023\u002FA:1005288826997","10.1023\u002FA:1005288826997","\u003Cp>Khảo sát kinh tế giao thông đô thị áp dụng phương pháp hồi quy hai giai đoạn 2SLS với \u003Cb class=\"publication-topic-keywords\">biến công cụ\u003C\u002Fb> diện tích đất để giải quyết hiện tượng thiên lệch đồng thời khi phân tích năng lực đường bộ. Mô hình tính toán độ co giãn của số dặm xe chạy phát sinh khi mở rộng làn đường. Kết quả xử lý bằng \u003Cb class=\"publication-topic-keywords\">biến công cụ\u003C\u002Fb> giúp dự báo chính xác áp lực tắc nghẽn giao thông.\u003C\u002Fp>",[],[],{"code":4,"data":39,"meta":20},{"id":40,"title":41,"description":42,"content":43,"term":40,"englishTitle":20,"synonyms":20,"definition":20,"discipline":20,"references":20,"faqs":20,"createUser":44,"publishUser":48,"keywords":49,"keywordCount":20,"enrichTopicLink":17,"status":50,"createTime":51,"updateTime":52,"publishTime":53,"linkEnrichedTime":20,"publicationScanTime":54,"contentErrorMessage":20,"viewCount":55,"wikidataId":20,"relateTopics":56},"biến công cụ","Biến công cụ là gì? Các bài nghiên cứu khoa học liên quan","Biến công cụ là biến Z liên kết mạnh với biến giải thích X nhưng độc lập với sai số u, dùng để ước lượng quan hệ nhân quả khi X nội sinh. IV khắc phục thiên lệch do biến bỏ sót, sai số đo hoặc quan hệ ngược, thường ước lượng bằng 2SLS để thu được kết quả nhất quán. ","\u003Ch2>Khái niệm biến công cụ\u003C\u002Fh2>\u003Cp>Biến công cụ (Instrumental Variable – IV) là biến Z được sử dụng để ước lượng mối quan hệ nhân quả giữa biến giải thích X và biến kết quả Y khi X có tính nội sinh. Tính nội sinh có thể phát sinh do biến bỏ sót (omitted variable bias), sai số đo lường (measurement error) hoặc quan hệ nhân quả ngược (reverse causality). Trong trường hợp này, hồi quy OLS sẽ cho kết quả lệch lạc và không nhất quán, do đó cần biến công cụ thỏa mãn hai điều kiện đặc biệt.\u003C\u002Fp>\u003Cp>Một biến công cụ lý tưởng không trực tiếp ảnh hưởng đến biến kết quả Y ngoài qua biến giải thích X, và không đồng biến với sai số u trong mô hình Y = βX + u. Khi đó, biến công cụ có thể tách tín hiệu “nguyên nhân” (causal effect) của X lên Y, khắc phục thiên lệch nội sinh.\u003C\u002Fp>\u003Cp>Ví dụ kinh điển từ kinh tế học lao động: để ước lượng tác động của giáo dục (X) lên thu nhập (Y), ta có thể dùng khoảng cách từ nơi cư trú đến trường đại học (Z) làm biến công cụ. Khoảng cách này ảnh hưởng đến quyết định học tiếp (relevance) nhưng không tác động trực tiếp đến thu nhập ngoài thông qua mức độ học vấn (exogeneity).\u003C\u002Fp>\u003Ch2>Điều kiện liên kết và độc lập\u003C\u002Fh2>\u003Cp>Để biến Z trở thành công cụ hợp lệ, nó phải thỏa mãn hai điều kiện cơ bản:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Relevance:\u003C\u002Fstrong> Biến công cụ phải liên kết chặt với biến giải thích, tức là Cov(Z,X) ≠ 0. Trong thực tiễn, ước lượng mối quan hệ X lên Z trong first stage và kiểm định F-statistic (thường F > 10) cho thấy biến công cụ đủ mạnh.\u003C\u002Fli>\u003Cli>\u003Cstrong>Exogeneity:\u003C\u002Fstrong> Biến công cụ phải độc lập với sai số u trong mô hình gốc, tức Cov(Z,u) = 0. Điều này đảm bảo Z không bị ảnh hưởng bởi các yếu tố ẩn tạo ra nội sinh.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Trong mô hình Y = βX + u và first stage X = πZ + v, ta kiểm tra:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\text{Relevance: }\\pi \\neq 0,\\quad \\text{Exogeneity: }E[Z\\,u]=0.\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Khi cả hai điều kiện này cùng thỏa mãn, ước lượng IV sẽ nhất quán, không bị lệch lạc do nội sinh. Nếu điều kiện relevance không đảm bảo, biến công cụ yếu (weak instrument) sẽ dẫn đến ước lượng 2SLS có phân phối lệch và không tin cậy.\u003C\u002Fp>\u003Ch2>Mô hình hồi quy hai giai đoạn (2SLS)\u003C\u002Fh2>\u003Cp>Phương pháp Two-Stage Least Squares (2SLS) là kỹ thuật điển hình để ước lượng mô hình với biến công cụ. Quá trình gồm hai giai đoạn:\u003C\u002Fp>\u003Col>\u003Cli>\u003Cstrong>Giai đoạn 1 (First Stage):\u003C\u002Fstrong> Ước lượng biến giải thích nội sinh X trên biến công cụ Z và các biến ngoại sinh W khác: \u003Cscript type=\"math\u002Ftex\">X = \\pi_0 + \\pi_1 Z + \\pi_2 W + v,\u003C\u002Fscript>thu được giá trị ước lượng \\(\\hat X\\).\u003C\u002Fli>\u003Cli>\u003Cstrong>Giai đoạn 2 (Second Stage):\u003C\u002Fstrong> Thay giá trị \\(\\hat X\\) vào mô hình gốc và ước lượng β bằng OLS: \u003Cscript type=\"math\u002Ftex\">Y = \\beta_0 + \\beta_1 \\hat X + \\beta_2 W + u.\u003C\u002Fscript>\u003C\u002Fli>\u003C\u002Fol>\u003Cp>Phương pháp này tách phần biến nội sinh của X do Z chi phối, qua đó loại bỏ tương quan giữa X và sai số u. Ước lượng β1 thu được là ước lượng nhân quả của X lên Y trong điều kiện biến công cụ hợp lệ.\u003C\u002Fp>\u003Cp>Ưu điểm của 2SLS là đơn giản, dễ triển khai bằng phần mềm kinh tế lượng thông dụng như Stata hay R. Hạn chế là chỉ áp dụng tốt khi số công cụ bằng số biến nội sinh (just-identified) hoặc lớn hơn (over-identified), và biến công cụ đủ mạnh.\u003C\u002Fp>\u003Ch2>Ước lượng bằng GMM\u003C\u002Fh2>\u003Cp>Generalized Method of Moments (GMM) mở rộng khung IV khi có nhiều biến công cụ và quan hệ phức tạp. Điều kiện moment tổng quát cho mô hình Y = Xβ + u với công cụ Z là:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">E\\bigl[Z_i (Y_i - X_i \\beta)\\bigr] = 0.\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>GMM ước lượng β bằng cách giải bài toán tối ưu:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\hat\\beta = \\arg\\min_\\beta \\, \\bar g(\\beta)' \\, W \\, \\bar g(\\beta), \\end{script> \u003Cscript type=\"math\u002Ftex\"> \\bar g(\\beta) = \\frac{1}{n} \\sum_{i=1}^n Z_i (Y_i - X_i \\beta),\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>trong đó W là ma trận trọng số thích hợp. Khi W được chọn là nghịch đảo của ma trận hiệp phương sai của moment, GMM cho ước lượng hiệu quả nhất (efficient IV).\u003C\u002Fp>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Phương pháp\u003C\u002Fth>\u003Cth>Điều kiện\u003C\u002Fth>\u003Cth>Đặc điểm\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>2SLS\u003C\u002Ftd>\u003Ctd>Just-\u002Fover-identified\u003C\u002Ftd>\u003Ctd>Đơn giản, OLS hai giai đoạn\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>GMM\u003C\u002Ftd>\u003Ctd>Multiple IVs, heteroskedasticity\u003C\u002Ftd>\u003Ctd>Hiệu quả khi chọn W tối ưu\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Cp>GMM có thể điều chỉnh để chống sai số phương sai thay đổi (heteroskedasticity) và cung cấp kiểm định J-test đánh giá tính hợp lệ của bộ công cụ khi over-identified. Tuy nhiên, GMM đòi hỏi mẫu lớn để xấp xỉ tính hiệu quả và nhạy cảm với lựa chọn ma trận trọng số.\u003C\u002Fp>\u003Ch2>Kiểm định biến công cụ yếu\u003C\u002Fh2>\u003Cp>Biến công cụ yếu (weak instrument) xảy ra khi biến Z chỉ giải thích một phần rất nhỏ biến nội sinh X, làm cho ước lượng 2SLS bị lệch và phân phối không xấp xỉ chuẩn trong mẫu nhỏ. Để kiểm định độ mạnh của biến công cụ, thường sử dụng F-statistic của hồi quy first‐stage. Theo Staiger & Stock (1997), giá trị F thấp hơn ngưỡng 10 cho thấy biến công cụ yếu và cần thận trọng khi diễn giải kết quả (\u003Ca href=\"https:\u002F\u002Fwww.bis.org\u002Fpubl\u002Fbcbs100.pdf\">Staiger & Stock 1997\u003C\u002Fa>).\u003C\u002Fp>\u003Cp>Một số biện pháp khắc phục biến công cụ yếu bao gồm tìm thêm biến công cụ bổ sung, sử dụng phương pháp Limited Information Maximum Likelihood (LIML) hoặc áp dụng GMM với trọng số robust để giảm bias. Khi quá nhiều biến công cụ yếu được sử dụng, việc lựa chọn ma trận trọng số trong GMM trở nên quan trọng để duy trì tính ổn định của ước lượng.\u003C\u002Fp>\u003Ch2>Kiểm định tính hợp lệ của biến công cụ\u003C\u002Fh2>\u003Cp>Khi số biến công cụ vượt quá số biến nội sinh (overidentified), có thể kiểm định tính hợp lệ của các công cụ bằng kiểm định Sargan hoặc Hansen’s J-test. Giả thuyết gốc (H₀) của kiểm định là tất cả biến công cụ đều độc lập với sai số u. P-value cao (thường > 0.05) cho thấy không có bằng chứng bác bỏ H₀, xác nhận biến công cụ hợp lệ.\u003C\u002Fp>\u003Cp>Công thức J-statistic trong GMM là:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">J = n \\cdot \\bar g(\\hat\\beta)' \\, \\hat W \\, \\bar g(\\hat\\beta),\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>trong đó \\(\\bar g(\\hat\\beta)\\) là vector moment đã ước lượng và \\(\\hat W\\) là ma trận trọng số. J tuân theo phân phối \\(\\chi^2\\) với bậc tự do bằng số lượng công cụ trừ số tham số, giúp đánh giá độ phù hợp chung của mô hình (\u003Ca href=\"https:\u002F\u002Fwww.princeton.edu\u002F~otorres\u002Fworking_papers\u002Ftorres_lecture.pdf\">Wooldridge Lecture\u003C\u002Fa>).\u003C\u002Fp>\u003Ch2>Ứng dụng thực tiễn\u003C\u002Fh2>\u003Cp>Biến công cụ được áp dụng rộng rãi trong kinh tế, xã hội học và y tế để xác định tác động nhân quả khi thực nghiệm ngẫu nhiên không khả thi. Một số ví dụ tiêu biểu:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Tác động giáo dục lên thu nhập:\u003C\u002Fstrong> Card (1995) sử dụng khoảng cách đến trường đại học làm IV để ước lượng lợi tức của mỗi năm học thêm (\u003Ca href=\"https:\u002F\u002Fwww.nber.org\u002Fpapers\u002Fw447\">Card 1995\u003C\u002Fa>).\u003C\u002Fli>\u003Cli>\u003Cstrong>Hiệu quả y tế:\u003C\u002Fstrong> sử dụng phân bổ giường bệnh ICU ngẫu nhiên làm IV để đánh giá tác động của chăm sóc cấp cứu đến tỷ lệ sống sót.\u003C\u002Fli>\u003Cli>\u003Cstrong>Chính sách kinh tế:\u003C\u002Fstrong> sử dụng biến thiên thuế suất theo khu vực làm IV để ước lượng tác động của thuế lên tăng trưởng kinh tế.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Những ứng dụng này cho thấy IV giúp gom nhặt tín hiệu nhân quả trong bối cảnh dữ liệu quan sát, hỗ trợ xây dựng chính sách dựa trên bằng chứng.\u003C\u002Fp>\u003Ch2>Hạn chế và thách thức\u003C\u002Fh2>\u003Cp>Mặc dù IV mạnh mẽ trong khắc phục nội sinh, phương pháp này đối mặt với nhiều thách thức:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Tìm biến công cụ hợp lệ:\u003C\u002Fstrong> Điều kiện exogeneity khó kiểm nghiệm trực tiếp, đòi hỏi cơ sở lý luận vững chắc và hiểu biết về cơ chế phát sinh dữ liệu.\u003C\u002Fli>\u003Cli>\u003Cstrong>Biến công cụ yếu:\u003C\u002Fstrong> Khi liên kết giữa Z và X kém, ước lượng thiếu tin cậy, phân phối lệch và sai số chuẩn lớn hơn.\u003C\u002Fli>\u003Cli>\u003Cstrong>Giải thích LATE:\u003C\u002Fstrong> 2SLS ước lượng Local Average Treatment Effect – hiệu ứng nhân quả chỉ dành cho nhóm “compliers”, không đại diện cho toàn dân số.\u003C\u002Fli>\u003Cli>\u003Cstrong>Mẫu nhỏ:\u003C\u002Fstrong> Khi n nhỏ, 2SLS và GMM dễ bị phân phối lệch, cần kiểm định robust hoặc bootstrap.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Giải quyết những hạn chế này đòi hỏi kết hợp lý thuyết cẩn trọng, dữ liệu phong phú và kiểm định bổ sung như placebo tests, falsification tests để củng cố tính nhân quả.\u003C\u002Fp>\u003Ch2>Mở rộng và hướng nghiên cứu\u003C\u002Fh2>\u003Cp>Hiện nay, các hướng nghiên cứu phát triển công cụ nhân quả gồm:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Natural experiments:\u003C\u002Fstrong> tìm biến công cụ từ các sự kiện thiên nhiên hoặc chính sách ngẫu nhiên, ví dụ thiên tai, biến động chính sách đột ngột.\u003C\u002Fli>\u003Cli>\u003Cstrong>IV động cho dữ liệu panel:\u003C\u002Fstrong> kết hợp fixed effects và IV hoặc Arellano-Bond GMM (dynamic panel IV) để xử lý nội sinh do hồi quy trễ.\u003C\u002Fli>\u003Cli>\u003Cstrong>Machine learning for IV:\u003C\u002Fstrong> sử dụng các thuật toán học máy (LASSO, random forests) để chọn hoặc kết hợp nhiều biến công cụ, tối ưu relevance và tăng hiệu quả.\u003C\u002Fli>\u003Cli>\u003Cstrong>Synthetic controls:\u003C\u002Fstrong> tạo nhóm đối chứng tổng hợp từ nhiều đơn vị không can thiệp, gần gũi với IV logic trong phân tích tác động chính sách.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Những nghiên cứu này hứa hẹn mở rộng khả năng áp dụng IV trong bối cảnh dữ liệu lớn và mô hình phi tuyến, tăng độ chính xác và tính thực tiễn.\u003C\u002Fp>\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\u003Cul>\u003Cli>Angrist, J. D., & Pischke, J.-S. (2014). \u003Ci>Mastering ‘Metrics: The Path from Cause to Effect\u003C\u002Fi>. Princeton University Press.\u003C\u002Fli>\u003Cli>Wooldridge, J. M. (2010). \u003Ci>Econometric Analysis of Cross Section and Panel Data\u003C\u002Fi>. MIT Press.\u003C\u002Fli>\u003Cli>Staiger, D., & Stock, J. H. (1997). \u003Ci>Instrumental Variables Regression with Weak Instruments\u003C\u002Fi>. Econometrica, 65(3), 557–586. \u003Ca href=\"https:\u002F\u002Fwww.jstor.org\u002Fstable\u002F2171753\">jstor.org\u003C\u002Fa>\u003C\u002Fli>\u003Cli>Card, D. (1995). \u003Ci>Using Geographic Variation in College Proximity to Estimate the Return to Schooling\u003C\u002Fi>. NBER Working Paper No. 4483. \u003Ca href=\"https:\u002F\u002Fwww.nber.org\u002Fpapers\u002Fw447\">nber.org\u003C\u002Fa>\u003C\u002Fli>\u003Cli>Princeton University. (2018). \u003Ci>Wooldridge Lectures on GMM\u003C\u002Fi>. \u003Ca href=\"https:\u002F\u002Fwww.princeton.edu\u002F~otorres\u002Fworking_papers\u002Ftorres_lecture.pdf\">princeton.edu\u003C\u002Fa>\u003C\u002Fli>\u003Cli>Angrist, J. D., Imbens, G. W., & Rubin, D. B. (1996). \u003Ci>Identification of Causal Effects Using Instrumental Variables\u003C\u002Fi>. Journal of the American Statistical Association, 91(434), 444–455.\u003C\u002Fli>\u003C\u002Ful>",{"id":45,"researcherId":20,"name":46,"imageUrl":47},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",{"id":45,"researcherId":20,"name":46,"imageUrl":47},[40],"PUBLISHED","2025-07-01T06:39:33.787+00:00","2026-09-03T04:26:52.954+00:00","2025-07-02T04:20:13.279+00:00","2026-09-03T04:26:52.952+00:00",531,[57,66,76,81,86,91,96,106,116,121],{"id":58,"title":59,"term":58,"englishTitle":58,"definition":60,"discipline":61,"disciplineCode":62,"disciplineLabel":63,"disciplineColor":64,"disciplineIcon":65},"linear regression","Linear regression là gì? Các công bố khoa học về Linear regression","Hồi quy tuyến tính (linear regression) là phương pháp mô hình hóa thống kê nhằm thiết lập mối quan hệ định lượng giữa một biến phụ thuộc (biến phản hồi) với một hoặc nhiều biến độc lập (biến dự báo) dưới dạng hàm tuyến tính.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":67,"title":68,"term":67,"englishTitle":69,"definition":70,"discipline":71,"disciplineCode":72,"disciplineLabel":73,"disciplineColor":74,"disciplineIcon":75},"chống tham nhũng","Chống tham nhũng là gì? Các nghiên cứu khoa học liên quan","anti-corruption","Chống tham nhũng là hệ thống toàn diện các cơ chế pháp lý, thiết chế quản trị và chính sách xã hội nhằm ngăn chặn, phát hiện và xử lý các hành vi lạm dụng quyền lực công vì lợi ích tư.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":77,"title":78,"term":77,"englishTitle":79,"definition":80,"discipline":71,"disciplineCode":72,"disciplineLabel":73,"disciplineColor":74,"disciplineIcon":75},"quan hệ tộc người","Quan hệ tộc người (ethnic relations) là gì?","ethnic relations","Quan hệ tộc người là hệ thống các mối tương tác kinh tế, văn hóa, xã hội và chính trị giữa các cộng đồng tộc người trong quá trình cùng tồn tại và phát triển.",{"id":82,"title":83,"term":82,"englishTitle":84,"definition":85,"discipline":61,"disciplineCode":62,"disciplineLabel":63,"disciplineColor":64,"disciplineIcon":65},"biến động alen","Biến động alen (allele dynamics) là gì?","allele dynamics","Biến động alen là sự thay đổi tần số tương đối của các alen tại một hoặc nhiều locus gen trong vốn gen của quần thể sinh vật qua các thế hệ nối tiếp nhau do trôi dạt di truyền, chọn lọc tự nhiên, đột biến và dòng gen.",{"id":87,"title":88,"term":87,"englishTitle":89,"definition":90,"discipline":61,"disciplineCode":62,"disciplineLabel":63,"disciplineColor":64,"disciplineIcon":65},"giới hạn adiabatic","Giới hạn adiabatic (adiabatic limit) là gì?","adiabatic limit","Giới hạn adiabatic là trạng thái tiệm cận lý tưởng hóa khi thang thời gian biến thiên của các thông số điều khiển trong toán tử Hamilton tiến tới vô cùng, bảo toàn hệ thống trên trạng thái riêng tức thời mà không phát sinh kích thích.",{"id":92,"title":93,"term":92,"englishTitle":94,"definition":95,"discipline":61,"disciplineCode":62,"disciplineLabel":63,"disciplineColor":64,"disciplineIcon":65},"lực liên phân tử","Lực liên phân tử là gì? Các nghiên cứu khoa học liên quan","Intermolecular forces","Lực liên phân tử (intermolecular forces) là các tương tác hút hoặc đẩy diễn ra giữa các phân tử độc lập hoặc giữa các cụm nguyên tử không liên kết ion hay cộng hóa trị, đóng vai trò chi phối trạng thái tập hợp của vật chất và quyết định các tính chất hóa lý vĩ mô của hệ thống.",{"id":97,"title":98,"term":97,"englishTitle":99,"definition":100,"discipline":101,"disciplineCode":102,"disciplineLabel":103,"disciplineColor":104,"disciplineIcon":105},"phương pháp tổng hợp","Phương pháp tổng hợp là gì? Các bài báo nghiên cứu khoa học","synthetic method","Phương pháp tổng hợp (synthetic method \u002F method of synthesis) là phương pháp nhận thức khoa học và tư duy logic nhằm liên kết, thống nhất các bộ phận, yếu tố, thuộc tính hoặc các mối quan hệ đã được tách rời bởi thao tác phân tích thành một chỉnh thể toàn vẹn, qua đó phát hiện bản chất, quy luật vận động nội tại và tính hệ thống của đối tượng nghiên cứu.","INTERDISCIPLINARY","interdisciplinary","Liên ngành","#0284C7","shapes",{"id":107,"title":108,"term":107,"englishTitle":109,"definition":110,"discipline":111,"disciplineCode":112,"disciplineLabel":113,"disciplineColor":114,"disciplineIcon":115},"liệu pháp chống loạn nhịp","Liệu pháp chống loạn nhịp (antiarrhythmic therapy) là gì?","antiarrhythmic therapy","Liệu pháp chống loạn nhịp (antiarrhythmic therapy) là tập hợp các can thiệp y khoa chuyên sâu sử dụng dược lý học phân tử và công nghệ can thiệp nhịp học nhằm phục hồi, kiểm soát hoặc duy trì nhịp xoang bình thường, đồng thời ngăn ngừa biến cố rối loạn nhịp tim đe dọa tính mạng và giảm thiểu nguy cơ đột tử do tim.","MEDICAL_HEALTH_SCIENCES","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":117,"title":118,"term":117,"englishTitle":119,"definition":120,"discipline":111,"disciplineCode":112,"disciplineLabel":113,"disciplineColor":114,"disciplineIcon":115},"liệu pháp tăng thân nhiệt","Liệu pháp tăng thân nhiệt (hyperthermia) là gì?","hyperthermia therapy","Liệu pháp tăng thân nhiệt (hyperthermia therapy) là phương thức can thiệp y sinh sử dụng năng lượng vật lý để nâng nhiệt độ của mô đích hoặc toàn bộ cơ thể lên mức kiểm soát có chủ đích, nhằm khai thác sự nhạy cảm nhiệt của tế bào ác tính và tăng cường hiệu lực điều trị ung thư.",{"id":122,"title":123,"term":124,"englishTitle":125,"definition":126,"discipline":111,"disciplineCode":112,"disciplineLabel":113,"disciplineColor":114,"disciplineIcon":115},"lập bản đồ vỏ não","Lập bản đồ vỏ não (cortical mapping) là gì?","Lập bản đồ vỏ não","Cortical mapping","Lập bản đồ vỏ não là tập hợp các phương pháp khoa học thần kinh và y học lâm sàng nhằm xác định vị trí không gian và chức năng chuyên biệt của các phân vùng trên vỏ bán cầu đại não."]