[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_h%E1%BB%93i%20quy%20ph%C3%A2n%20v%E1%BB%8B{\"limit\":5}":3,"_public_topic_byId_hồi quy phân vị":51},{"code":4,"data":5,"meta":16},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":35,"vietnamLatest":50},[],[8,23],{"publicationId":9,"title":10,"originalTitle":11,"authorNames":12,"authorCount":15,"journalName":16,"vietnamJournal":17,"publishDate":18,"publishYear":19,"totalCitation":16,"url":20,"doi":21,"summary":22},"6630f10d-640b-4484-a77b-29e30a3b4ed0","Đo lường tính không đồng nhất trong năng suất bệnh viện: một phương pháp hồi quy phân vị","Measuring heterogeneity in hospital productivity: a quantile regression approach",[13,14],"Galina Besstremyannaya","Sergei Golovan",2,null,false,"2022-11-25",2022,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs11123-022-00650-3","10.1007\u002Fs11123-022-00650-3","\u003Cp>Phương pháp kinh tế lượng sử dụng mô hình \u003Cb class=\"publication-topic-keywords\">hồi quy phân vị\u003C\u002Fb> bảng dữ liệu với hiệu ứng cố định để đánh giá tính không đồng nhất về năng suất bệnh viện cấp cứu công lập tại Nhật Bản. Kết quả ước lượng chỉ ra \u003Cb>sự phân hóa rõ nét về hiệu quả sử dụng lao động và chi phí thuốc\u003C\u002Fb> giữa các nhóm bệnh viện quy mô khác nhau.\u003C\u002Fp>",{"publicationId":24,"title":25,"originalTitle":26,"authorNames":27,"authorCount":15,"journalName":30,"vietnamJournal":17,"publishDate":31,"publishYear":19,"totalCitation":16,"url":32,"doi":33,"summary":34},"9343bfad-35c4-4777-a884-d9c573ec02e0","Sự không hiệu quả thị trường không gian trong thị trường nhà ở: Một phương pháp hồi quy phân vị không gian","Spatial Market Inefficiency in Housing Market: A Spatial Quantile Regression Approach",[28,29],"Jiyoung Chae","Anil K. Bera","The Journal of Real Estate Finance and Economics","2022-10-18","https:\u002F\u002Flink.springer.com\u002F10.1007\u002Fs11146-022-09923-y","10.1007\u002Fs11146-022-09923-y","\u003Cp>Nghiên cứu kiểm tra hiệu quả thị trường bất động sản thông qua kết hợp mô hình tự hồi quy không gian và \u003Cb class=\"publication-topic-keywords\">hồi quy phân vị\u003C\u002Fb> không gian trên tập dữ liệu nhà ở Cook County giai đoạn 2010–2016. Phân tích ghi nhận \u003Cb>sự phụ thuộc không gian của phương sai tỷ suất sinh lợi\u003C\u002Fb> biểu hiện mạnh mẽ nhất ở các phân vị cao.\u003C\u002Fp>",[36],{"publicationId":37,"title":38,"originalTitle":16,"authorNames":39,"authorCount":43,"journalName":44,"vietnamJournal":45,"publishDate":46,"publishYear":19,"totalCitation":16,"url":47,"doi":48,"summary":49},"f45a4a02-dc75-42c7-b3cb-bd5470d08a27","Quantile regression with time-series data and applications in modeling  of some big bank stock markets",[40,41,42],"Dat Phat Nguyen","Hoa Thanh Le","Uyen Hoang Pham",4,"Tạp chí Kinh tế, Kinh doanh và Luật Đại học Quốc gia Thành phố Hồ Chí Minh",true,"2022-07-09","http:\u002F\u002Fstdjelm.scienceandtechnology.com.vn\u002Findex.php\u002Fstdjelm\u002Farticle\u002Fview\u002F948","10.32508\u002Fstdjelm.v6i3.948","\u003Cp>Dữ liệu chuỗi thời gian \u003Ci>time-series\u003C\u002Fi> giá cổ phiếu của bốn ngân hàng thương mại được mô hình hóa bằng phương pháp \u003Cb class=\"publication-topic-keywords\">hồi quy phân vị\u003C\u002Fb> từ 10% đến 90%. Kết quả thực nghiệm cho thấy \u003Cb>mô hình đạt độ phù hợp trên 80%\u003C\u002Fb> và khắc phục triệt để nhược điểm nhạy cảm với giá trị ngoại lai của ước lượng OLS truyền thống.\u003C\u002Fp>",[],{"code":4,"data":52,"meta":16},{"id":53,"title":54,"description":55,"content":56,"term":53,"englishTitle":16,"synonyms":16,"definition":16,"discipline":16,"references":16,"faqs":16,"createUser":57,"publishUser":16,"keywords":61,"keywordCount":85,"enrichTopicLink":45,"status":86,"createTime":87,"updateTime":88,"publishTime":16,"linkEnrichedTime":16,"publicationScanTime":89,"contentErrorMessage":16,"viewCount":90,"relateTopics":91},"hồi quy phân vị","Hồi quy phân vị là gì? Các bài nghiên cứu khoa học","Hồi quy phân vị là phương pháp thống kê dùng để ước lượng mối quan hệ giữa biến độc lập và các phân vị của biến phụ thuộc, thay vì chỉ trung bình. Kỹ thuật này không giả định phân phối chuẩn, giúp phân tích ảnh hưởng biến đầu vào tại các mức khác nhau của phân phối đầu ra, đặc biệt với dữ liệu bất đối xứng\n","\u003Cdiv>\u003Cdiv>\u003Cdiv>\n  \u003Ch2>Khái niệm hồi quy phân vị\u003C\u002Fh2>\n  \u003Cp>Hồi quy phân vị (quantile regression) là một phương pháp thống kê mở rộng từ {{topic|%7B%22topic%22%3A%22h%E1%BB%93i%20quy%20tuy%E1%BA%BFn%20t%C3%ADnh%22%7D}}, cho phép ước lượng mối quan hệ giữa biến phụ thuộc và biến độc lập không chỉ tại trung bình, mà tại bất kỳ phân vị nào của phân phối xác suất. Trong khi hồi quy tuyến tính cổ điển ước lượng trung bình có điều kiện \u003Cscript type=\"math\u002Ftex\">E(y|x)\u003C\u002Fscript>, thì {{topic|%7B%22topic%22%3A%22h%E1%BB%93i%20quy%22%7D}} phân vị ước lượng phân vị \u003Cscript type=\"math\u002Ftex\">Q_{\\tau}(y|x)\u003C\u002Fscript> với \u003Cscript type=\"math\u002Ftex\">0 \u003C \\tau \u003C 1\u003C\u002Fscript>, ví dụ trung vị (\u003Cscript type=\"math\u002Ftex\">\\tau = 0.5\u003C\u002Fscript>) hay phân vị 0.9.\u003C\u002Fp>\n\n  \u003Cp>Kỹ thuật này được đề xuất bởi Koenker và Bassett (1978), đã trở thành công cụ hữu hiệu trong các lĩnh vực mà dữ liệu có phân phối không chuẩn, {{topic|%7B%22topic%22%3A%22b%E1%BA%A5t%20%C4%91%E1%BB%91i%20x%E1%BB%A9ng%22%7D}} hoặc chứa ngoại lệ. Khác với hồi quy tuyến tính vốn bị ảnh hưởng mạnh bởi các điểm cực đoan, hồi quy phân vị bền vững hơn với outliers và phù hợp để đánh giá ảnh hưởng biến độc lập trên toàn bộ phân phối kết quả.\u003C\u002Fp>\n\n  \u003Cp>Ví dụ, trong kinh tế học, nếu muốn biết tác động của trình độ học vấn lên thu nhập không chỉ tại mức trung bình mà còn ở nhóm có {{topic|%7B%22topic%22%3A%22thu%20nh%E1%BA%ADp%20th%E1%BA%A5p%22%7D}} (phân vị 0.25) hay thu nhập cao (phân vị 0.9), hồi quy phân vị cung cấp cái nhìn chi tiết mà hồi quy tuyến tính không thể.\u003C\u002Fp>\n\n  \u003Ch2>Khác biệt với hồi quy tuyến tính truyền thống\u003C\u002Fh2>\n  \u003Cp>Hồi quy tuyến tính thường dùng {{topic|%7B%22topic%22%3A%22ph%C6%B0%C6%A1ng%20ph%C3%A1p%20b%C3%ACnh%20ph%C6%B0%C6%A1ng%20t%E1%BB%91i%20thi%E1%BB%83u%22%7D}} (OLS) để ước lượng tham số, tối thiểu tổng bình phương sai số:\n  \u003Cbr>\u003Cscript type=\"math\u002Ftex\">\\hat{\\beta}_{OLS} = \\arg \\min_{\\beta} \\sum_{i=1}^{n} (y_i - x_i'\\beta)^2\u003C\u002Fscript>\u003C\u002Fp>\n\n  \u003Cp>Trong khi đó, hồi quy phân vị sử dụng hàm mất mát phi {{topic|%7B%22topic%22%3A%22%C4%91%E1%BB%91i%20x%E1%BB%A9ng%22%7D}} \u003Cscript type=\"math\u002Ftex\">\\rho_{\\tau}(u)\u003C\u002Fscript> để {{topic|%7B%22topic%22%3A%22t%E1%BB%91i%20thi%E1%BB%83u%20h%C3%B3a%22%7D}} sai số tại phân vị \u003Cscript type=\"math\u002Ftex\">\\tau\u003C\u002Fscript>:\n  \u003Cbr>\u003Cscript type=\"math\u002Ftex\">\\hat{\\beta}_{\\tau} = \\arg \\min_{\\beta} \\sum_{i=1}^{n} \\rho_{\\tau}(y_i - x_i'\\beta)\u003C\u002Fscript>  \n  với  \n  \u003Cscript type=\"math\u002Ftex\">\\rho_{\\tau}(u) = u(\\tau - \\mathbb{I}\\{u \u003C 0\\})\u003C\u002Fscript>\u003C\u002Fp>\n\n  \u003Cp>Hàm mất mát này xử lý sai số dương và âm khác nhau tùy thuộc vào phân vị mục tiêu. Tại \u003Cscript type=\"math\u002Ftex\">\\tau = 0.5\u003C\u002Fscript>, nó trở thành hàm mất mát tuyến tính đối xứng – tương đương với hồi quy trung vị (median regression). Khi \u003Cscript type=\"math\u002Ftex\">\\tau\u003C\u002Fscript> thay đổi, hồi quy phân vị phản ánh {{topic|%7B%22topic%22%3A%22bi%E1%BA%BFn%20%C4%91%E1%BB%95i%22%7D}} của phân phối điều kiện một cách linh hoạt, không phụ thuộc vào giả định phân phối chuẩn.\u003C\u002Fp>\n\n  \u003Cp>So sánh nhanh giữa hai mô hình:\n    \u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n      \u003Ctbody>\u003Ctr>\n        \u003Cth>Tiêu chí\u003C\u002Fth>\n        \u003Cth>Hồi quy OLS\u003C\u002Fth>\n        \u003Cth>Hồi quy phân vị\u003C\u002Fth>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>Hàm mục tiêu\u003C\u002Ftd>\n        \u003Ctd>Tổng bình {{topic|%7B%22topic%22%3A%22ph%C6%B0%C6%A1ng%20sai%22%7D}} số\u003C\u002Ftd>\n        \u003Ctd>Tổng sai số phân vị \u003Cscript type=\"math\u002Ftex\">\\rho_{\\tau}\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>Giả định sai số\u003C\u002Ftd>\n        \u003Ctd>Phân phối {{topic|%7B%22topic%22%3A%22chu%E1%BA%A9n%22%7D}}, phương sai không đổi\u003C\u002Ftd>\n        \u003Ctd>Không cần {{topic|%7B%22topic%22%3A%22gi%E1%BA%A3%20%C4%91%E1%BB%8Bnh%22%7D}} phân phối cụ thể\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>Nhạy cảm với outliers\u003C\u002Ftd>\n        \u003Ctd>Cao\u003C\u002Ftd>\n        \u003Ctd>Thấp\u003C\u002Ftd>\n      \u003C\u002Ftr>\n      \u003Ctr>\n        \u003Ctd>Kết quả\u003C\u002Ftd>\n        \u003Ctd>Trung bình có điều kiện\u003C\u002Ftd>\n        \u003Ctd>Phân vị có điều kiện\u003C\u002Ftd>\n      \u003C\u002Ftr>\n    \u003C\u002Ftbody>\u003C\u002Ftable>\n  \u003Cp>\u003C\u002Fp>\n\n  \u003Ch2>Ý nghĩa thống kê và giải thích hệ số\u003C\u002Fh2>\n  \u003Cp>Hệ số hồi quy phân vị tại một phân vị cụ thể mô tả sự thay đổi trong phân vị đó của biến phụ thuộc tương ứng với một đơn vị thay đổi của biến độc lập, giả định các biến khác không đổi. Do đó, các hệ số này không nên được hiểu là hiệu ứng trung bình mà là hiệu ứng cục bộ theo phân phối.\u003C\u002Fp>\n\n  \u003Cp>Ví dụ, giả sử hồi quy thu nhập theo số năm học cho thấy:\n    \u003C\u002Fp>\u003Cul>\n      \u003Cli>Phân vị 0.25: hệ số = 1.2 → mỗi năm học thêm làm tăng thu nhập của nhóm thu nhập thấp khoảng 1.2 triệu VND\u003C\u002Fli>\n      \u003Cli>Phân vị 0.75: hệ số = 2.8 → mỗi năm học thêm làm tăng thu nhập nhóm khá giả khoảng 2.8 triệu VND\u003C\u002Fli>\n    \u003C\u002Ful>\n  Điều này hàm ý giáo dục có tác động mạnh hơn ở nhóm thu nhập cao.\u003Cp>\u003C\u002Fp>\n\n  \u003Cp>Khác với OLS nơi hệ số là bất biến trên toàn phân phối, hệ số hồi quy phân vị có thể thay đổi theo \u003Cscript type=\"math\u002Ftex\">\\tau\u003C\u002Fscript>, từ đó giúp phát hiện tính không đồng nhất trong tác động (heterogeneous effects). Điều này đặc biệt quan trọng trong phân tích chính sách hoặc {{topic|%7B%22topic%22%3A%22nghi%C3%AAn%20c%E1%BB%A9u%20x%C3%A3%20h%E1%BB%99i%22%7D}} nơi các nhóm dân số phản ứng khác nhau với cùng một yếu tố.\u003C\u002Fp>\n\n  \u003Ch2>Ưu điểm của hồi quy phân vị\u003C\u002Fh2>\n  \u003Cp>Hồi quy phân vị vượt trội so với hồi quy tuyến tính truyền thống trong các trường hợp mà giả định phân phối chuẩn và phương sai không đổi không thỏa mãn. Một số ưu điểm chính:\n    \u003C\u002Fp>\u003Cul>\n      \u003Cli>Phân tích tác động ở nhiều mức của phân phối biến phụ thuộc\u003C\u002Fli>\n      \u003Cli>Không yêu cầu giả định về phân phối của sai số\u003C\u002Fli>\n      \u003Cli>Bền vững với outliers ở biến phụ thuộc\u003C\u002Fli>\n      \u003Cli>Giải quyết hiệu ứng không {{topic|%7B%22topic%22%3A%22%C4%91%E1%BB%93ng%20nh%E1%BA%A5t%22%7D}} theo nhóm\u003C\u002Fli>\n    \u003C\u002Ful>\n  \u003Cp>\u003C\u002Fp>\n\n  \u003Cp>Ngoài ra, hồi quy phân vị còn hữu ích trong phát hiện tác động ngưỡng, các quan hệ phi tuyến, hoặc trong mô hình hóa dữ liệu bất đối xứng, chẳng hạn như thời gian sống của bệnh nhân, thu nhập, chi tiêu hoặc {{topic|%7B%22topic%22%3A%22r%E1%BB%A7i%20ro%20t%C3%A0i%20ch%C3%ADnh%22%7D}}.\u003C\u002Fp>\n\n  \u003Cp>Trong nhiều nghiên cứu, việc sử dụng đa phân vị (multiple quantile estimation) có thể vẽ đường hồi quy theo từng phân vị để hình dung toàn bộ mối quan hệ giữa biến độc lập và phân phối biến phụ thuộc – một lợi thế trực quan và giàu thông tin mà OLS không cung cấp được.\u003C\u002Fp>\n\u003C\u002Fdiv>\n\u003Cdiv>\n  \u003Ch2>Ứng dụng trong nghiên cứu thực nghiệm\u003C\u002Fh2>\n  \u003Cp>Hồi quy phân vị đã được áp dụng rộng rãi trong {{topic|%7B%22topic%22%3A%22nghi%C3%AAn%20c%E1%BB%A9u%20th%E1%BB%B1c%20nghi%E1%BB%87m%22%7D}} trên nhiều lĩnh vực như kinh tế học, xã hội học, y học, tài chính và giáo dục. Nhờ khả năng mô hình hóa các mối quan hệ phi tuyến, không đồng nhất và nhạy với phân phối, kỹ thuật này giúp nhà nghiên cứu không chỉ đánh giá “hiệu ứng trung bình” mà còn phát hiện cách tác động của biến độc lập thay đổi ở các vùng khác nhau của phân phối kết quả.\u003C\u002Fp>\n\n  \u003Cp>Trong kinh tế lượng, hồi quy phân vị được dùng để phân tích tác động của chính sách hoặc đặc điểm cá nhân lên thu nhập, tiêu dùng, chi tiêu. Ví dụ, trong phân tích thị trường lao động, người ta có thể kiểm tra xem giáo dục ảnh hưởng mạnh hơn đến nhóm thu nhập cao hay thấp – điều mà mô hình OLS không thể chỉ ra rõ. Tương tự, trong y tế, hồi quy phân vị giúp hiểu hiệu quả điều trị tại các mức độ bệnh khác nhau – chẳng hạn, thuốc A làm giảm {{topic|%7B%22topic%22%3A%22huy%E1%BA%BFt%20%C3%A1p%22%7D}} nhiều hơn ở nhóm bệnh nhân huyết áp rất cao.\u003C\u002Fp>\n\n  \u003Cp>Một số ứng dụng phổ biến:\n    \u003C\u002Fp>\u003Cul>\n      \u003Cli>Phân tích bất bình đẳng thu nhập và tác động của giáo dục\u003C\u002Fli>\n      \u003Cli>Hiệu quả điều trị thuốc theo nhóm bệnh nhân khác nhau\u003C\u002Fli>\n      \u003Cli>Ước lượng Value-at-Risk (VaR) trong {{topic|%7B%22topic%22%3A%22t%C3%A0i%20ch%C3%ADnh%22%7D}}\u003C\u002Fli>\n      \u003Cli>Đánh giá tác động chính sách hỗ trợ theo mức chi tiêu hoặc nợ\u003C\u002Fli>\n    \u003C\u002Ful>\n  \u003Cp>\u003C\u002Fp>\n\n  \u003Cp>Tài liệu tham khảo điển hình: \u003Ca href=\"https:\u002F\u002Fwww.nber.org\u002Fpapers\u002Ft0100\" target=\"_blank\">NBER Technical Working Paper No. 100 – Quantile Regression\u003C\u002Fa>\u003C\u002Fp>\n\n  \u003Ch2>Ước lượng và thuật toán\u003C\u002Fh2>\n  \u003Cp>Hồi quy phân vị là bài toán tối ưu hóa tuyến tính lồi, vì hàm mục tiêu \u003Cscript type=\"math\u002Ftex\">\\rho_{\\tau}(u)\u003C\u002Fscript> là hàm phân đoạn và không khả vi tại điểm u = 0. Do đó, các thuật toán giải phải được thiết kế đặc biệt, không giống với phương pháp giải đóng (closed-form solution) trong OLS.\u003C\u002Fp>\n\n  \u003Cp>Phổ biến nhất là phương pháp đơn hình (simplex method) và các biến thể hiện đại hơn như interior point hoặc gradient-based algorithms. Các phần mềm thống kê đã hỗ trợ rất tốt kỹ thuật này:\n    \u003C\u002Fp>\u003Cul>\n      \u003Cli>\u003Cstrong>R:\u003C\u002Fstrong> gói \u003Ccode>quantreg\u003C\u002Fcode> của Koenker – {{topic|%7B%22topic%22%3A%22chu%E1%BA%A9n%22%7D}} nhất cho hồi quy phân vị\u003C\u002Fli>\n      \u003Cli>\u003Cstrong>Python:\u003C\u002Fstrong> thư viện \u003Ccode>statsmodels.regression.quantile_regression\u003C\u002Fcode>\u003C\u002Fli>\n      \u003Cli>\u003Cstrong>Stata:\u003C\u002Fstrong> câu lệnh \u003Ccode>qreg\u003C\u002Fcode> hoặc \u003Ccode>bsqreg\u003C\u002Fcode> cho bootstrap\u003C\u002Fli>\n    \u003C\u002Ful>\n  \u003Cp>\u003C\u002Fp>\n\n  \u003Cp>Thời gian tính toán sẽ tăng theo số mẫu và số phân vị ước lượng. Để phân tích toàn diện, thường sử dụng hồi quy nhiều phân vị đồng thời (quantile process), ví dụ từ phân vị 0.1 đến 0.9 với bước nhảy 0.1, cho phép xây dựng toàn bộ đường ảnh hưởng biến độc lập theo phân phối kết quả.\u003C\u002Fp>\n\n  \u003Ch2>Phân tích sai số và kiểm định mô hình\u003C\u002Fh2>\n  \u003Cp>Không giống như OLS có sai số chuẩn cố định và giả định phương sai đồng nhất, hồi quy phân vị thường phải sử dụng bootstrap để ước lượng độ tin cậy. Do phân phối của ước lượng \u003Cscript type=\"math\u002Ftex\">\\hat{\\beta}_{\\tau}\u003C\u002Fscript> phụ thuộc vào \u003Cscript type=\"math\u002Ftex\">\\tau\u003C\u002Fscript> và có thể không đối xứng, bootstrap non-parametric thường được dùng để tạo {{topic|%7B%22topic%22%3A%22kho%E1%BA%A3ng%20tin%20c%E1%BA%ADy%22%7D}}.\u003C\u002Fp>\n\n  \u003Cp>Các phương pháp kiểm định và đánh giá mô hình bao gồm:\n    \u003C\u002Fp>\u003Cul>\n      \u003Cli>\u003Cstrong>Biểu đồ hệ số theo phân vị:\u003C\u002Fstrong> kiểm tra xu hướng và độ ổn định của hệ số\u003C\u002Fli>\n      \u003Cli>\u003Cstrong>Wald test đa phân vị:\u003C\u002Fstrong> so sánh sự khác biệt giữa các hệ số ở các phân vị\u003C\u002Fli>\n      \u003Cli>\u003Cstrong>Quantile Crossing Test:\u003C\u002Fstrong> phát hiện giao nhau giữa các đường hồi quy (hiện tượng không nhất quán)\u003C\u002Fli>\n    \u003C\u002Ful>\n  \u003Cp>\u003C\u002Fp>\n\n  \u003Cp>Việc kiểm tra độ phù hợp mô hình cũng có thể dùng Akaike Information Criterion (AIC) hoặc Bayesian Information Criterion (BIC) tùy theo mục tiêu phân tích. Ngoài ra, residual plots (phân tích phần dư) cũng giúp xác định các phân vị không được mô hình hóa chính xác.\u003C\u002Fp>\n\n  \u003Ch2>Hạn chế và các lưu ý\u003C\u002Fh2>\n  \u003Cp>Mặc dù có nhiều ưu điểm, hồi quy phân vị không phải không có nhược điểm. Thứ nhất, kỹ thuật này không thích hợp nếu {{topic|%7B%22topic%22%3A%22k%C3%ADch%20th%C6%B0%E1%BB%9Bc%20m%E1%BA%ABu%22%7D}} nhỏ vì ước lượng ở các phân vị rìa (0.05, 0.95) dễ bị nhiễu loạn. Thứ hai, nếu không kiểm tra kỹ, các đường hồi quy phân vị có thể cắt nhau (quantile crossing), vi phạm tính đơn điệu của phân phối có điều kiện.\u003C\u002Fp>\n\n  \u003Cp>Hạn chế kỹ thuật khác:\n    \u003C\u002Fp>\u003Cul>\n      \u003Cli>Cần tính toán lặp nhiều lần nên tốn tài nguyên máy\u003C\u002Fli>\n      \u003Cli>Không thể hiện ngay ảnh hưởng tổng thể như OLS\u003C\u002Fli>\n      \u003Cli>Giải thích hệ số khó nếu quan {{topic|%7B%22topic%22%3A%22h%E1%BB%87%20phi%20tuy%E1%BA%BFn%22%7D}} hoặc biến tương tác\u003C\u002Fli>\n    \u003C\u002Ful>\n  \u003Cp>\u003C\u002Fp>\n\n  \u003Cp>Với dữ liệu bảng (panel data), cần mở rộng mô hình bằng hồi quy phân vị có hiệu ứng cố định (fixed effects quantile regression) hoặc sử dụng kỹ thuật IVQR (Instrumental Variables Quantile Regression) nếu có vấn đề nội sinh. Đây là các chủ đề nâng cao và yêu cầu hiểu biết chuyên sâu về thống kê suy diễn.\u003C\u002Fp>\n\n  \u003Ch2>Xu hướng nghiên cứu mở rộng\u003C\u002Fh2>\n  \u003Cp>Hồi quy phân vị tiếp tục là lĩnh vực nghiên cứu sôi động trong thống kê hiện đại. Các xu hướng chính bao gồm:\n    \u003C\u002Fp>\u003Cul>\n      \u003Cli>\u003Cstrong>Hồi quy phân vị phi tham số:\u003C\u002Fstrong> không giả định dạng tuyến tính, sử dụng spline hoặc kernel\u003C\u002Fli>\n      \u003Cli>\u003Cstrong>Random Forest phân vị:\u003C\u002Fstrong> {{topic|%7B%22topic%22%3A%22h%E1%BB%8Dc%20m%C3%A1y%22%7D}} kết hợp hồi quy phân vị để cải thiện dự đoán và xử lý dữ liệu lớn\u003C\u002Fli>\n      \u003Cli>\u003Cstrong>Phân tích ngưỡng:\u003C\u002Fstrong> phát hiện mốc thay đổi ảnh hưởng biến độc lập ở các phân vị khác nhau\u003C\u002Fli>\n      \u003Cli>\u003Cstrong>Dữ liệu nhiều chiều:\u003C\u002Fstrong> phân tích hồi quy phân vị vector (multivariate quantile regression)\u003C\u002Fli>\n    \u003C\u002Ful>\n  \u003Cp>\u003C\u002Fp>\n\n  \u003Cp>Các công trình tiêu biểu có thể tìm thấy tại \u003Ca href=\"https:\u002F\u002Fprojecteuclid.org\u002Fjournals\u002Fstatistical-science\u002Fvolume-19\u002Fissue-4\u002FQuantile-Regression\u002F10.1214\u002F088342304000000297.full\" target=\"_blank\">Statistical Science – Quantile Regression Overview\u003C\u002Fa>, hoặc chuyên khảo của Roger Koenker – người sáng lập trường phái này.\u003C\u002Fp>\n\n  \u003Ch2>Kết luận\u003C\u002Fh2>\n  \u003Cp>Hồi quy phân vị cung cấp một cách nhìn linh hoạt, toàn diện và chính xác hơn về mối quan hệ giữa các biến trong mô hình thống kê, đặc biệt khi dữ liệu không tuân theo các giả định chuẩn cổ điển. Bằng cách {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20h%C3%B3a%22%7D}} các phân vị có điều kiện, kỹ thuật này giúp phát hiện những hiệu ứng mà hồi quy trung bình truyền thống có thể bỏ sót hoặc làm mờ.\u003C\u002Fp>\n\n  \u003Cp>Với sự hỗ trợ từ các công cụ {{topic|%7B%22topic%22%3A%22ph%E1%BA%A7n%20m%E1%BB%81m%22%7D}} mạnh mẽ và các hướng mở rộng trong trí tuệ nhân tạo, hồi quy phân vị đang trở thành công cụ then chốt trong kho vũ khí của nhà phân tích dữ liệu hiện đại, từ nghiên cứu học thuật đến ứng dụng thực tiễn trong tài chính, y học, và chính sách công.\u003C\u002Fp>\n\u003C\u002Fdiv>\n\u003C\u002Fdiv>\u003C\u002Fdiv>",{"id":58,"researcherId":16,"name":59,"imageUrl":60},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[62,63,64,65,66,67,68,69,70,71,72,73,74,75,76,77,78,71,79,80,81,82,83,84],"hồi quy tuyến tính","hồi quy","bất đối xứng","thu nhập thấp","phương pháp bình phương tối thiểu","đối xứng","tối thiểu hóa","biến đổi","phương sai","chuẩn","giả định","nghiên cứu xã hội","đồng nhất","rủi ro tài chính","nghiên cứu thực nghiệm","huyết áp","tài chính","khoảng tin cậy","kích thước mẫu","hệ phi tuyến","học máy","mô hình hóa","phần mềm",24,"PUBLISHED","2025-05-09T13:46:16.237+00:00","2026-08-29T05:13:59.027+00:00","2026-08-29T05:13:59.025+00:00",1257,[92,95,98,101,104,107,110,113,116,119],{"id":93,"title":94,"term":93,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"mô hình lý thuyết","Mô hình lý thuyết là gì? Các nghiên cứu về Mô hình lý thuyết",{"id":96,"title":97,"term":96,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"mô hình bệnh tật","Mô hình bệnh tật là gì? Các nghiên cứu về Mô hình bệnh tật",{"id":99,"title":100,"term":99,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"cơ sở vật chất","Cơ sở vật chất là gì? Các công bố khoa học về Cơ sở vật chất",{"id":102,"title":103,"term":102,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"arima","Arima là gì? Các công bố khoa học về Arima",{"id":105,"title":106,"term":105,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"random forest","Random forest là gì? Các công bố khoa học về Random forest",{"id":108,"title":109,"term":108,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"thực nghiệm","Thực nghiệm là gì? Các nghiên cứu khoa học Thực nghiệm",{"id":111,"title":112,"term":111,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"đối chiếu","Đối chiếu là gì? Các công bố khoa học về Đối chiếu",{"id":114,"title":115,"term":114,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"khảo nghiệm","Khảo nghiệm là gì? Các công bố khoa học về Khảo nghiệm",{"id":117,"title":118,"term":117,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"pls sem","PLS-SEM là gì? Các bài nghiên cứu khoa học về PLS-SEM",{"id":120,"title":121,"term":120,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"điều khiển trượt","Điều khiển trượt là gì? Các nghiên cứu khoa học về Điều khiển trượt"]