[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_h%E1%BB%93i%20quy{\"limit\":5}":3,"_public_topic_byId_hồi quy":56},{"code":4,"data":5,"meta":11},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":30,"vietnamLatest":55},[],[8,21],{"publicationId":9,"title":10,"originalTitle":11,"authorNames":12,"authorCount":16,"journalName":11,"vietnamJournal":17,"publishDate":11,"publishYear":11,"totalCitation":18,"url":19,"doi":11,"summary":20},"57dd8727-b500-4ebf-8b2e-78964e424d2b","TÁC ĐỘNG CỦA GIÁO DụC ĐẾN THU NHậP TẠI VIỆT NAM GIAI ĐOẠN 2014-2020: KẾT QUẢ Từ MÔ HìNH HỒI QUY CỘNG TÍNH TỔNG QUÁT GAM",null,[13,14,15],"TT Hường","NM Quang","NTT Loan",4,false,0,"https:\u002F\u002Fktpt.neu.edu.vn\u002FUploads\u002FBai%20bao\u002F2022\u002FSo%20300\u002F380668.pdf","\u003Cp>\u003Cb>Nghiên cứu kinh tế lượng ứng dụng\u003C\u002Fb> phân tích tác động của giáo dục đến thu nhập tại Việt Nam giai đoạn 2014–2020. Mô hình \u003Cb class=\"publication-topic-keywords\">hồi quy\u003C\u002Fb> cộng tính tổng quát \u003Ci>GAM\u003C\u002Fi> phi tuyến tính lượng hóa chính xác sự gia tăng thu nhập theo từng bậc học và giới tính. Công trình \u003Cb>đề xuất chính sách đầu tư phát triển nguồn nhân lực\u003C\u002Fb> hợp lý, tuy nhiên các yếu tố kỹ năng mềm chưa được tích hợp đầy đủ vào biến độc lập.\u003C\u002Fp>",{"publicationId":22,"title":23,"originalTitle":11,"authorNames":24,"authorCount":16,"journalName":11,"vietnamJournal":17,"publishDate":11,"publishYear":11,"totalCitation":18,"url":28,"doi":11,"summary":29},"187cca7e-f16d-484e-9d9a-66b5c6d8fc35","Sử dụng hồi quy số liệu mảng đa bậc nghiên cứu vai trò của xuất khẩu và đào tạo lao động trong chuyển dịch cơ cấu lao động nội ngành tại Việt Nam",[25,26,27],"NT Minh","VT Hương","NT Thảo","https:\u002F\u002Fktpt.edu.vn\u002FUploads\u002FBai%20bao\u002F2016\u002FSo%20232\u002F375414.pdf","\u003Cp>\u003Cb>Phân tích kinh tế lượng thực nghiệm\u003C\u002Fb> khảo sát vai trò của xuất khẩu và đào tạo nghề trong chuyển dịch cơ cấu lao động tại Việt Nam. Phương pháp \u003Cb class=\"publication-topic-keywords\">hồi quy\u003C\u002Fb> số liệu mảng đa bậc cho thấy xuất khẩu ngành công nghiệp chế biến thúc đẩy mạnh mẽ sự gia tăng việc làm chất lượng. Tác giả \u003Cb>cung cấp bằng chứng thực nghiệm giá trị\u003C\u002Fb> cho việc hoạch định chính sách lao động, dù độ trễ chính sách chưa được mô hình hóa toàn diện.\u003C\u002Fp>",[31,42],{"publicationId":32,"title":33,"originalTitle":11,"authorNames":34,"authorCount":37,"journalName":38,"vietnamJournal":39,"publishDate":11,"publishYear":40,"totalCitation":18,"url":11,"doi":11,"summary":41},"2e024296-7ce2-46b2-8bc2-9778b30aa388","Sử dụng mô hình hồi quy đa biến trong việc đánh giá các yếu tố ảnh hưởng đến chất lượng dịch vụ khách hàng cá nhân tại ngân hàng Agribank chi nhánh Ninh Hòa, tỉnh Khánh Hòa",[35,36],"T Vinh","NTT Nga",2,"Tạp chí Khoa học Trường Đại học Quốc tế Hồng Bàng",true,2022,"\u003Cp>\u003Cb>Nghiên cứu ứng dụng thống kê quản trị\u003C\u002Fb> khảo sát các nhân tố ảnh hưởng đến sự hài lòng của khách hàng cá nhân tại ngân hàng thương mại. Mô hình \u003Cb class=\"publication-topic-keywords\">hồi quy\u003C\u002Fb> đa biến xác định sự tin cậy và thái độ phục vụ là hai yếu tố có trọng số tác động lớn nhất đến lòng trung thành. Kết quả \u003Cb>đưa ra giải pháp nâng cao chất lượng dịch vụ\u003C\u002Fb> tài chính vi mô, song phạm vi mẫu nghiên cứu mới chỉ giới hạn tại địa bàn cấp huyện.\u003C\u002Fp>",{"publicationId":43,"title":44,"originalTitle":11,"authorNames":45,"authorCount":49,"journalName":50,"vietnamJournal":39,"publishDate":51,"publishYear":52,"totalCitation":11,"url":53,"doi":11,"summary":54},"40be2833-9048-40eb-a048-075ee0d2e254","Ứng dụng mạng nơ-ron hồi quy tổng quát nhận dạng ổn định động hệ thống điện",[46,47,48],"Thi Thanh Binh Phan","Ngoc Au Nguyen","Huy Anh Quyen",3,"Journal of Technical Education Science","2017-10-27",2017,"https:\u002F\u002Fjte.edu.vn\u002Findex.php\u002Fjte\u002Farticle\u002Fview\u002F358","\u003Cp>\u003Cb>Mô phỏng hệ thống điện thông minh\u003C\u002Fb> ứng dụng mạng nơ-ron \u003Cb class=\"publication-topic-keywords\">hồi quy\u003C\u002Fb> tổng quát \u003Ci>GRNN\u003C\u002Fi> nhằm nhận dạng ổn định động của lưới điện hiện đại. Thuật toán nơ-ron dự báo nhanh chóng giới hạn ổn định góc pha máy phát sau các sự cố ngắn mạch nghiêm trọng. Nghiên cứu \u003Cb>đóng góp công cụ giám sát trực tuyến tin cậy\u003C\u002Fb> cho trung tâm điều độ, mặc dù thời gian huấn luyện mạng tăng khi số lượng nút lưới điện mở rộng.\u003C\u002Fp>",[],{"code":4,"data":57,"meta":11},{"id":58,"title":59,"description":60,"content":61,"term":58,"englishTitle":11,"synonyms":11,"definition":11,"discipline":11,"references":11,"faqs":11,"createUser":62,"publishUser":11,"keywords":66,"keywordCount":91,"enrichTopicLink":39,"status":92,"createTime":93,"updateTime":94,"publishTime":11,"linkEnrichedTime":11,"publicationScanTime":95,"contentErrorMessage":11,"viewCount":96,"relateTopics":97},"hồi quy","Hồi quy là gì? Các công bố khoa học về Hồi quy","Hồi quy là phương pháp thống kê và học máy giúp mô hình hóa mối quan hệ giữa một biến phụ thuộc và một hay nhiều biến độc lập để dự đoán giá trị. Nó được ứng dụng rộng rãi trong phân tích dữ liệu để ước lượng, giải thích ảnh hưởng của các yếu tố đầu vào và hỗ trợ ra quyết định.","\u003Ch2>Hồi quy là gì?\u003C\u002Fh2>\u003Cp>Hồi quy (regression) là một phương pháp thống kê và học máy dùng để mô hình hóa mối quan hệ giữa một biến phụ thuộc (còn gọi là biến mục tiêu) và một hoặc nhiều biến độc lập (biến giải thích). Mục tiêu chính của hồi quy là dự đoán hoặc ước lượng giá trị của biến phụ thuộc dựa trên thông tin từ các biến đầu vào, đồng thời đánh giá mức độ ảnh hưởng của từng biến độc lập lên kết quả đầu ra. Hồi quy là công cụ cốt lõi trong phân tích dữ liệu {{topic|%7B%22topic%22%3A%22%C4%91%E1%BB%8Bnh%20l%C6%B0%E1%BB%A3ng%22%7D}}, với nhiều ứng dụng trong các lĩnh vực như kinh tế, tài chính, y tế, khoa học xã hội và kỹ thuật.\u003C\u002Fp>\u003Cp>Trong học máy, hồi quy là một nhóm thuật toán giám sát (supervised learning) được sử dụng cho các bài toán dự đoán giá trị liên tục. Ví dụ, dự đoán giá nhà, mức {{topic|%7B%22topic%22%3A%22ti%C3%AAu%20th%E1%BB%A5%20n%C4%83ng%20l%C6%B0%E1%BB%A3ng%22%7D}}, hay nồng độ cholesterol dựa trên một tập hợp các đặc trưng (feature). Trong thống kê truyền thống, hồi quy còn là công cụ giúp giải thích các mối liên hệ nguyên nhân – hệ quả và kiểm định giả thuyết thống kê.\u003C\u002Fp>\u003Ch2>Lịch sử và bối cảnh phát triển\u003C\u002Fh2>\u003Cp>Khái niệm hồi quy lần đầu được giới thiệu bởi nhà sinh học Francis Galton vào cuối thế kỷ 19, khi ông nghiên cứu mối liên hệ giữa chiều cao cha mẹ và chiều cao con cái, phát hiện ra hiện tượng \"hồi quy về trung bình\". Sau đó, {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20h%E1%BB%93i%20quy%20tuy%E1%BA%BFn%20t%C3%ADnh%22%7D}} được phát triển và hoàn thiện bởi các nhà thống kê như Karl Pearson và Ronald Fisher. Đến thế kỷ 20, hồi quy mở rộng sang các mô hình logistic, phi tuyến, và gần đây là sự tích hợp với trí tuệ nhân tạo và học sâu.\u003C\u002Fp>\u003Cp>Ngày nay, hồi quy không chỉ giới hạn trong nghiên cứu {{topic|%7B%22topic%22%3A%22h%E1%BB%8Dc%20thu%E1%BA%ADt%22%7D}} mà còn là công cụ thực tiễn trong các hệ thống thông minh như dự báo thời tiết, gợi ý sản phẩm, định giá tài sản hay hỗ trợ ra quyết định y khoa.\u003C\u002Fp>\u003Ch2>Các loại hồi quy phổ biến\u003C\u002Fh2>\u003Cp>Có nhiều loại {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20h%E1%BB%93i%20quy%22%7D}} được phát triển để phù hợp với các dạng dữ liệu và mục tiêu phân tích khác nhau. Một số dạng phổ biến bao gồm:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Hồi quy tuyến tính (Linear Regression):\u003C\u002Fstrong> Dùng để {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20h%C3%B3a%22%7D}} mối quan hệ tuyến tính giữa biến đầu vào và đầu ra.\u003C\u002Fli>\u003Cli>\u003Cstrong>Hồi quy đa biến (Multiple Linear Regression):\u003C\u002Fstrong> Mở rộng của {{topic|%7B%22topic%22%3A%22h%E1%BB%93i%20quy%20tuy%E1%BA%BFn%20t%C3%ADnh%22%7D}} với nhiều biến đầu vào.\u003C\u002Fli>\u003Cli>\u003Cstrong>Hồi quy logistic (Logistic Regression):\u003C\u002Fstrong> Dùng cho biến mục tiêu dạng nhị phân (ví dụ: có\u002Fkhông, sống\u002Fchết).\u003C\u002Fli>\u003Cli>\u003Cstrong>Hồi quy {{topic|%7B%22topic%22%3A%22phi%20tuy%E1%BA%BFn%22%7D}} (Non-linear Regression):\u003C\u002Fstrong> Áp dụng khi mối quan hệ giữa các biến không thể biểu diễn bằng đường thẳng.\u003C\u002Fli>\u003Cli>\u003Cstrong>Hồi quy Ridge, Lasso và Elastic Net:\u003C\u002Fstrong> Là các mô hình tuyến tính có thêm {{topic|%7B%22topic%22%3A%22th%C3%A0nh%20ph%E1%BA%A7n%22%7D}} điều chuẩn để xử lý vấn đề overfitting và đa cộng tuyến.\u003C\u002Fli>\u003Cli>\u003Cstrong>Hồi quy phân hạng (Ordinal Regression), Poisson Regression, Probit Regression:\u003C\u002Fstrong> Phục vụ cho các loại {{topic|%7B%22topic%22%3A%22d%E1%BB%AF%20li%E1%BB%87u%22%7D}} đặc thù như dữ liệu đếm, phân hạng hoặc phân loại.\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Hồi quy tuyến tính: mô hình cơ bản\u003C\u002Fh2>\u003Cp>Hồi quy tuyến tính đơn giản là dạng cơ bản nhất, mô tả mối quan hệ tuyến tính giữa một biến độc lập \u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript> và biến phụ thuộc \u003Cscript type=\"math\u002Ftex\">y\u003C\u002Fscript>. Phương trình có dạng:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">y = \\beta_0 + \\beta_1 x + \\epsilon\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Trong đó:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cscript type=\"math\u002Ftex\">y\u003C\u002Fscript>: Biến phụ thuộc (output)\u003C\u002Fli>\u003Cli>\u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript>: Biến độc lập (input)\u003C\u002Fli>\u003Cli>\u003Cscript type=\"math\u002Ftex\">\\beta_0\u003C\u002Fscript>: Hệ số chặn (intercept)\u003C\u002Fli>\u003Cli>\u003Cscript type=\"math\u002Ftex\">\\beta_1\u003C\u002Fscript>: Hệ số hồi quy (slope)\u003C\u002Fli>\u003Cli>\u003Cscript type=\"math\u002Ftex\">\\epsilon\u003C\u002Fscript>: Nhiễu hoặc sai số (error)\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Ước lượng các hệ số 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}} (Ordinary Least Squares – OLS), với hàm mục tiêu:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\min_{\\beta_0, \\beta_1} \\sum_{i=1}^{n} (y_i - \\beta_0 - \\beta_1 x_i)^2\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Trong {{topic|%7B%22topic%22%3A%22h%E1%BB%93i%20quy%20%C4%91a%20bi%E1%BA%BFn%22%7D}}, phương trình mở rộng thành:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">y = \\beta_0 + \\beta_1 x_1 + \\beta_2 x_2 + \\cdots + \\beta_p x_p + \\epsilon\u003C\u002Fscript>\u003C\u002Fp>\u003Ch2>Hồi quy logistic: mô hình xác suất\u003C\u002Fh2>\u003Cp>Hồi quy logistic được sử dụng khi biến mục tiêu là dạng nhị phân (0\u002F1). Mô hình dự đoán xác suất xảy ra sự kiện \u003Cscript type=\"math\u002Ftex\">y = 1\u003C\u002Fscript> thông qua hàm sigmoid:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">P(y=1|x) = \\frac{1}{1 + e^{-(\\beta_0 + \\beta_1 x_1 + \\cdots + \\beta_p x_p)}}\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Logistic regression thường được dùng trong các ứng dụng phân loại như xác định khách hàng có khả năng mua hàng, dự đoán bệnh lý hoặc xét tuyển học sinh.\u003C\u002Fp>\u003Cp>Nguồn tham khảo: \u003Ca href=\"https:\u002F\u002Fwww.ncbi.nlm.nih.gov\u002Fpmc\u002Farticles\u002FPMC3900058\u002F\">NCBI – Understanding logistic regression\u003C\u002Fa>\u003C\u002Fp>\u003Ch2>Giả định của mô hình hồi quy\u003C\u002Fh2>\u003Cp>Các mô hình hồi quy truyền thống cần thỏa mãn các {{topic|%7B%22topic%22%3A%22gi%E1%BA%A3%20%C4%91%E1%BB%8Bnh%22%7D}} thống kê nhất định để đảm bảo kết quả chính xác:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Tuyến tính:\u003C\u002Fstrong> Mối quan hệ giữa biến đầu vào và đầu ra là tuyến tính.\u003C\u002Fli>\u003Cli>\u003Cstrong>Độc lập sai số:\u003C\u002Fstrong> Các phần dư không được {{topic|%7B%22topic%22%3A%22t%E1%BB%B1%20t%C6%B0%C6%A1ng%20quan%22%7D}}.\u003C\u002Fli>\u003Cli>\u003Cstrong>Phân phối chuẩn:\u003C\u002Fstrong> Sai số phải tuân theo {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20ph%E1%BB%91i%22%7D}} 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}} (Homoscedasticity):\u003C\u002Fstrong> Sai số có độ {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20t%C3%A1n%22%7D}} đều nhau.\u003C\u002Fli>\u003Cli>\u003Cstrong>Không đa cộng tuyến:\u003C\u002Fstrong> Các biến đầu vào không {{topic|%7B%22topic%22%3A%22t%C6%B0%C6%A1ng%20quan%22%7D}} cao với nhau.\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Chẩn đoán mô hình và kiểm định\u003C\u002Fh2>\u003Cp>Để {{topic|%7B%22topic%22%3A%22%C4%91%C3%A1nh%20gi%C3%A1%20hi%E1%BB%87u%20qu%E1%BA%A3%22%7D}} mô hình hồi quy, người ta thường sử dụng một số chỉ số:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>R-squared (R2):\u003C\u002Fstrong> Đo lường tỷ lệ phương sai của \u003Cscript type=\"math\u002Ftex\">y\u003C\u002Fscript> được giải thích bởi mô hình.\u003C\u002Fli>\u003Cli>\u003Cstrong>Adjusted R2:\u003C\u002Fstrong> Hiệu chỉnh R2 theo số lượng biến đầu vào.\u003C\u002Fli>\u003Cli>\u003Cstrong>RMSE (Root Mean Square Error):\u003C\u002Fstrong> Sai số bình phương trung bình.\u003C\u002Fli>\u003Cli>\u003Cstrong>MAE (Mean Absolute Error):\u003C\u002Fstrong> Sai số tuyệt đối trung bình.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Ngoài ra, kiểm định t (t-test), kiểm định F, và phân tích phần dư (residual analysis) giúp kiểm tra độ tin cậy của từng hệ số và mô hình tổng thể.\u003C\u002Fp>\u003Ch2>Ứng dụng thực tiễn của hồi quy\u003C\u002Fh2>\u003Cp>Hồi quy được ứng dụng rộng rãi trong thực tiễn, bao gồm:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Y tế:\u003C\u002Fstrong> Dự đoán nguy cơ mắc bệnh, đánh giá hiệu quả thuốc, {{topic|%7B%22topic%22%3A%22ti%C3%AAn%20l%C6%B0%E1%BB%A3ng%22%7D}} sống còn.\u003C\u002Fli>\u003Cli>\u003Cstrong>Kinh tế – tài chính:\u003C\u002Fstrong> Ước lượng tiêu dùng, mô hình hóa rủi ro, dự đoán {{topic|%7B%22topic%22%3A%22gi%C3%A1%20c%E1%BB%95%20phi%E1%BA%BFu%22%7D}}.\u003C\u002Fli>\u003Cli>\u003Cstrong>Marketing:\u003C\u002Fstrong> Phân tích dữ liệu khách hàng, dự báo doanh số, đo lường ROI chiến dịch.\u003C\u002Fli>\u003Cli>\u003Cstrong>Giáo dục:\u003C\u002Fstrong> Xác định {{topic|%7B%22topic%22%3A%22y%E1%BA%BFu%20t%E1%BB%91%20%E1%BA%A3nh%20h%C6%B0%E1%BB%9Fng%22%7D}} đến kết quả học tập, dự đoán tỷ lệ bỏ học.\u003C\u002Fli>\u003Cli>\u003Cstrong>Môi trường – {{topic|%7B%22topic%22%3A%22n%C4%83ng%20l%C6%B0%E1%BB%A3ng%22%7D}}:\u003C\u002Fstrong> Dự đoán tiêu thụ điện, phân tích biến động khí hậu.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Nguồn tham khảo: \u003Ca href=\"https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fpii\u002FS016920701930187X\">ScienceDirect – Regression techniques in real-world analytics\u003C\u002Fa>\u003C\u002Fp>\u003Ch2>Các công cụ và ngôn ngữ hỗ trợ hồi quy\u003C\u002Fh2>\u003Cp>Việc triển khai {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20h%E1%BB%93i%20quy%22%7D}} có thể được thực hiện bằng nhiều công cụ và phần mềm thống kê hiện đại:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Python:\u003C\u002Fstrong> Thư viện scikit-learn (LinearRegression, LogisticRegression), statsmodels.\u003C\u002Fli>\u003Cli>\u003Cstrong>R:\u003C\u002Fstrong> Hàm lm() cho {{topic|%7B%22topic%22%3A%22h%E1%BB%93i%20quy%20tuy%E1%BA%BFn%20t%C3%ADnh%22%7D}}, glm() cho hồi quy logistic và các dạng tổng quát.\u003C\u002Fli>\u003Cli>\u003Cstrong>Excel:\u003C\u002Fstrong> Có công cụ Regression trong Add-in Analysis Toolpak.\u003C\u002Fli>\u003Cli>\u003Cstrong>SPSS, Stata, SAS:\u003C\u002Fstrong> Phổ biến trong y tế, {{topic|%7B%22topic%22%3A%22x%C3%A3%20h%E1%BB%99i%20h%E1%BB%8Dc%22%7D}} và nghiên cứu học thuật.\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Kết luận\u003C\u002Fh2>\u003Cp>Hồi quy là một trong những công cụ phân tích {{topic|%7B%22topic%22%3A%22d%E1%BB%AF%20li%E1%BB%87u%22%7D}} quan trọng nhất, vừa có tính ứng dụng thực tế cao, vừa giúp khám phá và giải thích các mối quan hệ trong dữ liệu. Từ mô hình hồi quy tuyến tính cơ bản đến các kỹ thuật nâng cao như logistic, phi tuyến hay điều chuẩn, hồi quy tiếp tục là nền tảng của khoa học dữ liệu và học máy hiện đại. Việc lựa chọn đúng loại hồi quy, hiểu rõ các giả định và áp dụng công cụ phù hợp sẽ giúp mang lại kết quả phân tích đáng tin cậy và giá trị cho việc ra quyết định.\u003C\u002Fp>",{"id":63,"researcherId":11,"name":64,"imageUrl":65},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[67,68,69,70,71,72,73,74,75,76,77,78,79,80,81,82,83,84,85,86,87,88,89,71,73,90,76],"định lượng","tiêu thụ năng lượng","mô hình hồi quy tuyến tính","học thuật","mô hình hồi quy","mô hình hóa","hồi quy tuyến tính","phi tuyến","thành phần","dữ liệu","phương pháp bình phương tối thiểu","hồi quy đa biến","giả định","tự tương quan","phân phối","đồng nhất","phân tán","tương quan","đánh giá hiệu quả","tiên lượng","giá cổ phiếu","yếu tố ảnh hưởng","năng lượng","xã hội học",27,"PUBLISHED","2023-08-15T12:57:42.935+00:00","2026-08-31T04:26:04.548+00:00","2026-08-31T04:26:04.545+00:00",958,[98,101,104,107,110,113,116,119,122,125],{"id":99,"title":100,"term":99,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"ngữ nghĩa","Ngữ nghĩa là gì? Các nghiên cứu khoa học về Ngữ nghĩa",{"id":102,"title":103,"term":102,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"thang điểm morisky 8","Thang điểm morisky 8 là gì? Các công bố khoa học về Thang điểm morisky 8",{"id":105,"title":106,"term":105,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"năng lực mô hình hóa toán học","Năng lực mô hình hóa toán học là gì? Các nghiên cứu khoa học",{"id":108,"title":109,"term":108,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"mô hình lý thuyết","Mô hình lý thuyết là gì? Các nghiên cứu về Mô hình lý thuyết",{"id":111,"title":112,"term":111,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"hứng thú học tập","Hứng thú học tập là gì? Các công bố khoa học về Hứng thú học tập",{"id":114,"title":115,"term":114,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"bibliometrics","Bibliometrics là gì? Các nghiên cứu khoa học về Bibliometrics",{"id":117,"title":118,"term":117,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"chuỗi markov","Chuỗi markov là gì? Các công bố khoa học về Chuỗi markov",{"id":120,"title":121,"term":120,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"matlab simulink","Matlab simulink là gì? Các công bố khoa học về Matlab simulink",{"id":123,"title":124,"term":123,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"biến đổi wavelet","Biến đổi wavelet là gì? Các nghiên cứu khoa học về Wavelet Transform",{"id":126,"title":127,"term":126,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"chiến tranh đặc biệt","Chiến tranh đặc biệt là gì? Các bài báo nghiên cứu liên quan"]