[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_h%E1%BB%93i%20quy%20%C4%91a%20bi%E1%BA%BFn{\"limit\":5}":3,"_public_topic_byId_hồi quy đa biến":68},{"code":4,"data":5,"meta":17},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":51,"vietnamLatest":67},[],[8,24,37],{"publicationId":9,"title":10,"originalTitle":11,"authorNames":12,"authorCount":16,"journalName":17,"vietnamJournal":18,"publishDate":19,"publishYear":20,"totalCitation":17,"url":21,"doi":22,"summary":23},"1bc9b4a4-6b4d-412a-921d-cac315a5089a","Nghiên cứu sinh hóa và hình thái học với mô hình hồi quy tuyến tính đa biến - Dự đoán tác động của chất ô nhiễm không khí lên một số loài cây bản địa tại thành phố Haldwani, vùng Kumaun Himalaya, Uttarakhand, Ấn Độ","A biochemical and morphological study with multiple linear regression modeling–based impact prediction of ambient air pollutants on some native tree species of Haldwani City of Kumaun Himalaya, Uttarakhand, India",[13,14,15],"Meera Goswami","Vinod Kumar","Narendra Singh",4,null,false,"2023-05-20",2023,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs11356-023-27563-4","10.1007\u002Fs11356-023-27563-4","\u003Cp>\u003Cb>Mô hình hóa sinh thái học\u003C\u002Fb> áp dụng phương pháp \u003Cb class=\"publication-topic-keywords\">hồi quy đa biến\u003C\u002Fb> tuyến tính nhằm dự đoán mức độ suy giảm diệp lục và tổn thương lá của \u003Cb>6 loài cây\u003C\u002Fb> bản địa do bụi mịn và khí độc ô nhiễm không khí tại Kumaun Himalaya. Mô hình đạt hệ số xác định \u003Cb>R² = 0,86\u003C\u002Fb>, cho thấy hàm lượng chất ô nhiễm giải thích đa số biến thiên hình thái thực vật. Tác giả đề xuất ứng dụng \u003Cb class=\"publication-topic-keywords\">hồi quy đa biến\u003C\u002Fb> trong quy hoạch trồng cây xanh cách ly công nghiệp.\u003C\u002Fp>",{"publicationId":25,"title":26,"originalTitle":27,"authorNames":28,"authorCount":31,"journalName":17,"vietnamJournal":18,"publishDate":32,"publishYear":33,"totalCitation":17,"url":34,"doi":35,"summary":36},"414d0340-5c03-4cf1-9b2b-95924045a18b","Cách nâng cao an ninh tâm lý cho nhân viên doanh nghiệp trong đại dịch COVID-19: Dựa trên MRA và fsQCA","How to enhance psychological security of enterprise employees during the COVID-19 pandemic: Based on MRA and fsQCA",[29,30],"Yu Gao","Haiyan Liu",2,"2022-10-24",2022,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs12144-022-03775-8","10.1007\u002Fs12144-022-03775-8","\u003Cp>\u003Cb>Khảo sát tâm lý học tổ chức\u003C\u002Fb> trên \u003Cb>520 nhân viên\u003C\u002Fb> doanh nghiệp trong đại dịch ứng dụng phân tích \u003Cb class=\"publication-topic-keywords\">hồi quy đa biến\u003C\u002Fb> \u003Ci>MRA\u003C\u002Fi> kết hợp phân tích tập mờ \u003Ci>fsQCA\u003C\u002Fi> nhằm xác định các yếu tố bảo đảm an ninh tâm lý. Sự minh bạch thông tin lãnh đạo và hỗ trợ y tế giải thích \u003Cb>46%\u003C\u002Fb> phương sai mức độ an tâm làm việc. Kết quả nghiên cứu làm nổi bật thế mạnh của mô hình \u003Cb class=\"publication-topic-keywords\">hồi quy đa biến\u003C\u002Fb> trong đánh giá hành vi nhân sự đa chiều.\u003C\u002Fp>",{"publicationId":38,"title":39,"originalTitle":40,"authorNames":41,"authorCount":45,"journalName":17,"vietnamJournal":18,"publishDate":46,"publishYear":47,"totalCitation":17,"url":48,"doi":49,"summary":50},"10d8a421-6aea-488b-9b30-d53009d060e1","Nghiên cứu QSAR về các chất đối kháng Nav1.7 bằng phương pháp hồi quy tuyến tính đa biến dựa trên thuật toán di truyền (GA–MLR)","QSAR study of Nav1.7 antagonists by multiple linear regression method based on genetic algorithm (GA–MLR)",[42,43,44],"Eslam Pourbasheer","Reza Aalizadeh","Mohammad Reza Ganjali",6,"2013-10-15",2013,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs00044-013-0821-z","10.1007\u002Fs00044-013-0821-z","\u003Cp>\u003Cb>Nghiên cứu thiết kế thuốc\u003C\u002Fb> phát triển mô hình định lượng cấu trúc - hoạt tính tuyến tính trên tập dữ liệu huấn luyện \u003Ci>train\u003C\u002Fi> bằng thuật toán di truyền tích hợp kỹ thuật \u003Cb class=\"publication-topic-keywords\">hồi quy đa biến\u003C\u002Fb> \u003Ci>GA-MLR\u003C\u002Fi> đối kháng kênh ion. Mô hình dự báo có độ tin cậy nội suy cao với \u003Cb>q² = 0,78\u003C\u002Fb> và hệ số kiểm định chéo ngoài \u003Cb>r² = 0,84\u003C\u002Fb>. Công trình cho thấy phương pháp \u003Cb class=\"publication-topic-keywords\">hồi quy đa biến\u003C\u002Fb> hỗ trợ định hướng hiệu quả quá trình tối ưu hóa phân tử thuốc mới.\u003C\u002Fp>",[52],{"publicationId":53,"title":54,"originalTitle":17,"authorNames":55,"authorCount":59,"journalName":60,"vietnamJournal":61,"publishDate":62,"publishYear":63,"totalCitation":17,"url":64,"doi":65,"summary":66},"52671466-0608-4830-8b1c-bf7d6eee7faa","MÔ HÌNH HÓA QSPR HẰNG SỐ BỀN CỦA PHỨC GIỮA ION KIM LOẠI VÀ THIOSEMICARBAZONE SỬ DỤNG CÁC PHƯƠNG PHÁP HỒI QUY ĐA BIẾN VÀ MẠNG THẦN KINH NHÂN TẠO",[56,57,58],"TRAN XUAN MAU","NGUYEN MINH QUANG","NGUYEN HOANG MINH",5,"Tạp chí Khoa học và Công nghệ - Trường Đại học Công nghiệp TP.HCM",true,"2021-05-07",2021,"https:\u002F\u002Fjst.iuh.edu.vn\u002Findex.php\u002Fjst-iuh\u002Farticle\u002Fview\u002F862","10.46242\u002Fjst-iuh.v36i06.862","\u003Cp>\u003Cb>Nghiên cứu hóa tin học\u003C\u002Fb> xây dựng mô hình định lượng cấu trúc - tính chất \u003Ci>QSPR\u003C\u002Fi> dự đoán hằng số bền của \u003Cb>42 phức chất\u003C\u002Fb> giữa ion kim loại và \u003Ci>thiosemicarbazone\u003C\u002Fi> bằng kỹ thuật \u003Cb class=\"publication-topic-keywords\">hồi quy đa biến\u003C\u002Fb> kết hợp mạng thần kinh nhân tạo. Phương trình hồi quy tối ưu đạt hệ số tương quan \u003Cb>R = 0,94\u003C\u002Fb> và sai số trung bình bình phương cực tiểu. Kết quả cho thấy phương pháp \u003Cb class=\"publication-topic-keywords\">hồi quy đa biến\u003C\u002Fb> là công cụ đắc lực để sàng lọc nhanh các phức chất tiềm năng.\u003C\u002Fp>",[],{"code":4,"data":69,"meta":17},{"id":70,"title":71,"description":72,"content":73,"term":70,"englishTitle":17,"synonyms":17,"definition":17,"discipline":17,"references":17,"faqs":17,"createUser":74,"publishUser":17,"keywords":78,"keywordCount":90,"enrichTopicLink":61,"status":91,"createTime":92,"updateTime":93,"publishTime":17,"linkEnrichedTime":17,"publicationScanTime":94,"contentErrorMessage":17,"viewCount":95,"relateTopics":96},"hồi quy đa biến","Hồi quy đa biến là gì? Các nghiên cứu về Hồi quy đa biến","Hồi quy đa biến là mô hình thống kê mô tả mối quan hệ tuyến tính giữa một biến phụ thuộc và nhiều biến độc lập để phân tích hoặc dự báo. Phương pháp này giúp đánh giá mức độ ảnh hưởng đồng thời của các yếu tố đầu vào đến kết quả đầu ra, hỗ trợ ra quyết định dựa trên dữ liệu.","\u003Ch2>Hồi quy đa biến là gì?\u003C\u002Fh2>\u003Cp>Hồi quy đa biến (Multiple Linear Regression) là một {{topic|%7B%22topic%22%3A%22ph%C6%B0%C6%A1ng%20ph%C3%A1p%20ph%C3%A2n%20t%C3%ADch%22%7D}} thống kê được sử dụng để mô hình hóa mối quan hệ tuyến tính giữa một biến phụ thuộc (biến đầu ra) và nhiều biến độc lập (biến đầu vào). Phương pháp này cho phép đánh giá mức độ ảnh hưởng đồng thời của nhiều yếu tố đến một kết quả cụ thể, từ đó đưa ra dự báo, giải thích các hiện tượng thực tế và hỗ trợ quá trình ra quyết định. Đây là một trong những công cụ quan trọng nhất trong lĩnh vực phân tích dữ liệu, kinh tế lượng, y học, kỹ thuật và các ngành khoa học xã hội.\u003C\u002Fp>\u003Cp>Khác với hồi quy tuyến tính đơn, vốn chỉ mô tả mối quan hệ giữa một biến phụ thuộc và một biến độc lập, hồi quy đa biến mở rộng mô hình để bao gồm nhiều biến giải thích, giúp tăng độ chính xác của mô hình và phản ánh tính phức tạp của hiện tượng. Đây là phương pháp nền tảng cho nhiều kỹ thuật nâng cao khác trong học máy và phân tích thống kê như {{topic|%7B%22topic%22%3A%22h%E1%BB%93i%20quy%20logistic%22%7D}}, mô hình hỗn hợp, mạng nơ-ron và các thuật toán lựa chọn biến.\u003C\u002Fp>\u003Cp>Dạng tổng quát của {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20h%E1%BB%93i%20quy%22%7D}} đa biến được biểu diễn bằng công thức:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">Y = \\beta_0 + \\beta_1 X_1 + \\beta_2 X_2 + \\cdots + \\beta_p X_p + \\varepsilon\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Trong đó:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript>: Biến phụ thuộc (giá trị cần dự đoán hoặc giải thích).\u003C\u002Fli>\u003Cli>\u003Cscript type=\"math\u002Ftex\">X_1, X_2, \\ldots, X_p\u003C\u002Fscript>: Các biến độc lập.\u003C\u002Fli>\u003Cli>\u003Cscript type=\"math\u002Ftex\">\\beta_0\u003C\u002Fscript>: Hằng số (intercept).\u003C\u002Fli>\u003Cli>\u003Cscript type=\"math\u002Ftex\">\\beta_1, \\ldots, \\beta_p\u003C\u002Fscript>: Hệ số hồi quy, cho biết mức thay đổi trung bình của \u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript> khi \u003Cscript type=\"math\u002Ftex\">X_i\u003C\u002Fscript> tăng một đơn vị, giữ các biến khác không đổi.\u003C\u002Fli>\u003Cli>\u003Cscript type=\"math\u002Ftex\">\\varepsilon\u003C\u002Fscript>: Sai số ngẫu nhiên (random error), đại diện cho các yếu tố chưa được {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20h%C3%B3a%22%7D}}.\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Ý nghĩa và vai trò thực tiễn\u003C\u002Fh2>\u003Cp>Hồi quy đa biến là công cụ cốt lõi trong việc khám phá dữ liệu, kiểm định giả thuyết, xây dựng {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20d%E1%BB%B1%20%C4%91o%C3%A1n%22%7D}} và ra quyết định. Việc áp dụng hồi quy đa biến giúp nhà phân tích:\u003C\u002Fp>\u003Cul>\u003Cli>Định lượng ảnh hưởng của từng yếu tố đến một hiện tượng cụ thể.\u003C\u002Fli>\u003Cli>Phát hiện mối liên hệ giữa các yếu tố đầu vào và đầu ra.\u003C\u002Fli>\u003Cli>Dự báo tương lai dựa trên các yếu tố đã biết.\u003C\u002Fli>\u003Cli>Tối ưu hóa hệ thống hoặc quy trình hoạt động.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Các ví dụ ứng dụng trong thực tế bao gồm:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Kinh tế:\u003C\u002Fstrong> Dự đoán giá nhà dựa trên diện tích, số phòng, vị trí và năm xây dựng.\u003C\u002Fli>\u003Cli>\u003Cstrong>Y học:\u003C\u002Fstrong> Đánh giá nguy cơ mắc bệnh tim dựa trên tuổi, mức {{topic|%7B%22topic%22%3A%22cholesterol%22%7D}}, chỉ số BMI và thói quen hút thuốc.\u003C\u002Fli>\u003Cli>\u003Cstrong>Tiếp thị:\u003C\u002Fstrong> Ước tính doanh số dựa trên ngân sách quảng cáo, thời gian khuyến mãi, giá bán và phản hồi khách hàng.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Để tìm hiểu chi tiết về ứng dụng mô hình này trong {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20t%C3%ADch%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}} thực tế, có thể tham khảo tài liệu tại \u003Ca href=\"https:\u002F\u002Fonline.stat.psu.edu\u002Fstat501\">Penn State - STAT 501: Regression Methods\u003C\u002Fa>.\u003C\u002Fp>\u003Ch2>Ước lượng hệ số hồi quy\u003C\u002Fh2>\u003Cp>Các hệ số hồi quy \u003Cscript type=\"math\u002Ftex\">\\beta_0, \\beta_1, ..., \\beta_p\u003C\u002Fscript> thường được ước lượng bằng phương pháp bình phương tối thiểu (OLS - Ordinary Least Squares). Mục tiêu là tìm bộ hệ số sao cho tổng bình phương khoảng cách giữa giá trị dự đoán và giá trị quan sát là nhỏ nhất:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\text{Minimize } \\sum_{i=1}^{n} (y_i - \\hat{y}_i)^2\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Các ước lượng thu được từ OLS có tính chất tốt khi mô hình thỏa mãn các giả định cơ bản (xem phần dưới). Trong trường hợp số biến lớn hoặc có {{topic|%7B%22topic%22%3A%22m%E1%BB%91i%20t%C6%B0%C6%A1ng%20quan%22%7D}} cao giữa các biến độc lập, người ta có thể dùng các phương pháp thay thế như Ridge Regression, Lasso Regression để xử lý.\u003C\u002Fp>\u003Ch2>Các giả định của mô hình hồi quy đa biến\u003C\u002Fh2>\u003Cp>Để mô hình có giá trị thống kê và đưa ra kết luận đáng tin cậy, cần đảm bảo các giả định sau:\u003C\u002Fp>\u003Col>\u003Cli>\u003Cstrong>Tính tuyến tính:\u003C\u002Fstrong> Mối quan hệ giữa \u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript> và các \u003Cscript type=\"math\u002Ftex\">X_i\u003C\u002Fscript> là tuyến tính.\u003C\u002Fli>\u003Cli>\u003Cstrong>Không có đa cộng tuyến cao:\u003C\u002Fstrong> Các biến độc lập không quá tương quan với nhau.\u003C\u002Fli>\u003Cli>\u003Cstrong>Độc lập:\u003C\u002Fstrong> Các quan sát là độc lập với nhau.\u003C\u002Fli>\u003Cli>\u003Cstrong>Phân phối chuẩn của sai số:\u003C\u002Fstrong> Sai số \u003Cscript type=\"math\u002Ftex\">\\varepsilon\u003C\u002Fscript> có phân phối chuẩn với trung bình bằng 0.\u003C\u002Fli>\u003Cli>\u003Cstrong>Phương sai {{topic|%7B%22topic%22%3A%22%C4%91%E1%BB%93ng%20nh%E1%BA%A5t%22%7D}}:\u003C\u002Fstrong> Phương sai của sai số là không đổi với mọi giá trị của biến độc lập.\u003C\u002Fli>\u003C\u002Fol>\u003Cp>Vi phạm các giả định trên có thể dẫn đến sai số ước lượng lớn, kết luận sai lệch hoặc mô hình không ổn định. Các kỹ thuật chẩn đoán mô hình như đồ thị phần dư, kiểm định Breusch-Pagan, Durbin-Watson và phân tích VIF thường được sử dụng để phát hiện và xử lý các vấn đề này.\u003C\u002Fp>\u003Ch2>Đánh giá chất lượng mô hình\u003C\u002Fh2>\u003Cp>Sau khi xây dựng mô hình, cần đánh giá độ phù hợp và khả năng dự báo của mô hình. Các chỉ số đánh giá phổ biến bao gồm:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>R-squared (R²):\u003C\u002Fstrong> Tỷ lệ phương sai của \u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript> được giải thích bởi mô hình. Giá trị gần 1 thể hiện mô hình tốt.\u003C\u002Fli>\u003Cli>\u003Cstrong>Adjusted R-squared:\u003C\u002Fstrong> Hiệu chỉnh R² để tránh tăng giả tạo khi thêm biến độc lập không cần thiết.\u003C\u002Fli>\u003Cli>\u003Cstrong>Kiểm định F:\u003C\u002Fstrong> Xác định toàn bộ mô hình có ý nghĩa thống kê hay không.\u003C\u002Fli>\u003Cli>\u003Cstrong>Kiểm định t:\u003C\u002Fstrong> Đánh giá từng hệ số \u003Cscript type=\"math\u002Ftex\">\\beta_i\u003C\u002Fscript> có khác 0 một cách đáng kể.\u003C\u002Fli>\u003Cli>\u003Cstrong>MAE, RMSE:\u003C\u002Fstrong> Các chỉ số đo sai số dự đoán phổ biến trong học máy và phân tích dự báo.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Biểu đồ phần dư, biểu đồ Q-Q và đồ thị scatter giữa biến đầu ra với đầu vào cũng là công cụ quan trọng để kiểm tra trực quan chất lượng mô hình.\u003C\u002Fp>\u003Ch2>Đa cộng tuyến và cách xử lý\u003C\u002Fh2>\u003Cp>Đa cộng tuyến (multicollinearity) xảy ra khi các biến độc lập có mối tương quan cao với nhau, làm giảm độ ổn định của hệ số ước lượng. Điều này khiến sai số chuẩn lớn, các hệ số không còn ý nghĩa thống kê và mô hình dễ bị sai lệch khi thay đổi dữ liệu.\u003C\u002Fp>\u003Cp>Để phát hiện đa cộng tuyến, sử dụng chỉ số VIF (Variance Inflation Factor):\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\text{VIF}_j = \\frac{1}{1 - R_j^2}\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Giá trị VIF > 5 (hoặc 10) là dấu hiệu cảnh báo. Các cách khắc phục bao gồm:\u003C\u002Fp>\u003Cul>\u003Cli>Loại bỏ hoặc gộp các biến tương quan cao.\u003C\u002Fli>\u003Cli>Sử dụng hồi quy có điều chuẩn như Ridge, Lasso hoặc Elastic Net.\u003C\u002Fli>\u003Cli>Áp dụng {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20t%C3%ADch%20th%C3%A0nh%20ph%E1%BA%A7n%20ch%C3%ADnh%22%7D}} (PCA) để chuyển đổi dữ liệu đầu vào.\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Mở rộng: Hồi quy tuyến tính nâng cao\u003C\u002Fh2>\u003Cp>Mô hình hồi quy đa biến là nền tảng cho nhiều mô hình nâng cao trong học máy như:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Hồi quy logistic:\u003C\u002Fstrong> Dùng để dự đoán biến phân loại (ví dụ: có bệnh\u002Fkhông bệnh).\u003C\u002Fli>\u003Cli>\u003Cstrong>Ridge & Lasso Regression:\u003C\u002Fstrong> Thêm điều chuẩn để xử lý overfitting và lựa chọn biến.\u003C\u002Fli>\u003Cli>\u003Cstrong>Elastic Net:\u003C\u002Fstrong> Kết hợp ưu điểm của Ridge và Lasso.\u003C\u002Fli>\u003Cli>\u003Cstrong>Stepwise regression:\u003C\u002Fstrong> Chọn biến vào mô hình tự động dựa trên tiêu chí thống kê.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Các kỹ thuật trên thường được sử dụng trong môi trường {{topic|%7B%22topic%22%3A%22d%E1%BB%AF%20li%E1%BB%87u%20l%E1%BB%9Bn%22%7D}} hoặc mô hình hóa phức tạp. Tham khảo chi tiết tại \u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Flinear_model.html\">Scikit-learn: Linear Models\u003C\u002Fa>.\u003C\u002Fp>\u003Ch2>Kết luận\u003C\u002Fh2>\u003Cp>Hồi quy đa biến là một trong những kỹ thuật phân tích dữ liệu mạnh mẽ và linh hoạt nhất hiện nay. Với khả năng mô hình hóa mối quan hệ giữa nhiều biến đầu vào và đầu ra, nó không chỉ giúp hiểu rõ dữ liệu mà còn đóng vai trò quan trọng trong dự báo, tối ưu hóa và ra quyết định. Khi được sử dụng đúng cách và có biện pháp kiểm tra giả định cẩn thận, hồi quy đa biến cung cấp kết quả đáng tin cậy, dễ diễn giải và có giá trị thực tiễn cao trong nhiều ngành nghề và lĩnh vực nghiên cứu hiện đại.\u003C\u002Fp>",{"id":75,"researcherId":17,"name":76,"imageUrl":77},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[79,80,81,82,83,84,85,86,87,88,89],"phương pháp phân tích","hồi quy logistic","mô hình hồi quy","mô hình hóa","mô hình dự đoán","cholesterol","phân tích dữ liệu","mối tương quan","đồng nhất","phân tích thành phần chính","dữ liệu lớn",11,"PUBLISHED","2025-04-17T13:44:30.786+00:00","2026-08-30T03:10:28.141+00:00","2026-08-30T03:10:28.138+00:00",1164,[97,100,103,106,109,112,115,118,121,124],{"id":98,"title":99,"term":98,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"ngữ nghĩa","Ngữ nghĩa là gì? Các nghiên cứu khoa học về Ngữ nghĩa",{"id":101,"title":102,"term":101,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"năng lực mô hình hóa toán học","Năng lực mô hình hóa toán học là gì? Các nghiên cứu khoa học",{"id":104,"title":105,"term":104,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"mô hình lý thuyết","Mô hình lý thuyết là gì? Các nghiên cứu về Mô hình lý thuyết",{"id":107,"title":108,"term":107,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"bibliometrics","Bibliometrics là gì? Các nghiên cứu khoa học về Bibliometrics",{"id":110,"title":111,"term":110,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"toán cao cấp","Toán cao cấp là gì? Các nghiên cứu khoa học về Toán cao cấp",{"id":113,"title":114,"term":113,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"học thuật","Học thuật là gì? Các nghiên cứu khoa học về Học thuật",{"id":116,"title":117,"term":116,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"chất lượng thông tin","Chất lượng thông tin là gì? Nghiên cứu khoa học liên quan",{"id":119,"title":120,"term":119,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"simulink","Simulink là gì? Các công bố khoa học về Simulink",{"id":122,"title":123,"term":122,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"polysaccharide","Polysaccharide là gì? Các công bố khoa học về Polysaccharide",{"id":125,"title":126,"term":125,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"in silico","In silico là gì? Các công bố khoa học về In silico"]