[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_m%C3%B4%20h%C3%ACnh%20h%E1%BB%93i%20quy%20tuy%E1%BA%BFn%20t%C3%ADnh{\"limit\":5}":3,"_public_topic_byId_mô hình hồi quy tuyến tính":154},{"code":4,"data":5,"meta":16},"SUCCESS",{"latest":6,"mostCited":77,"vietnamFeatured":144,"vietnamLatest":153},[7,23,37,50,64],{"publicationId":8,"title":9,"originalTitle":10,"authorNames":11,"authorCount":15,"journalName":16,"vietnamJournal":17,"publishDate":18,"publishYear":19,"totalCitation":16,"url":20,"doi":21,"summary":22},"71f714c2-1460-4ffe-a0ae-0b71017fed3e","Dự đoán lưu lượng dòng chảy đa mô hình sử dụng hồi quy tuyến tính bội phần với điều chỉnh thiên lệch có điều kiện","Multi-model streamflow prediction using conditional bias-penalized multiple linear regression",[12,13,14],"Ali Jozaghi","Haojing Shen","Mohammadvaghef Ghazvinian",7,null,false,"2021-06-17",2021,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs00477-021-02048-3","10.1007\u002Fs00477-021-02048-3","\u003Cp>Thực nghiệm thủy văn học kết hợp kỹ thuật hiệu chỉnh sai số có điều kiện với \u003Cb class=\"publication-topic-keywords\">mô hình hồi quy tuyến tính\u003C\u002Fb> bội để hợp nhất các dự báo lưu lượng dòng chảy đa mô hình. Phương pháp giúp cải thiện độ chính xác dự báo đỉnh lũ cực đoan và giảm thiểu độ lệch thống kê so với quan trắc thực tế. Kết quả hỗ trợ nâng cao hiệu quả cảnh báo thiên tai sớm.\u003C\u002Fp>",{"publicationId":24,"title":25,"originalTitle":26,"authorNames":27,"authorCount":31,"journalName":16,"vietnamJournal":17,"publishDate":32,"publishYear":33,"totalCitation":16,"url":34,"doi":35,"summary":36},"52ff4e3b-4dfe-4920-a0a6-8d3c696ffa39","Mô hình hồi quy tác động của rủi ro đối với dự báo dòng chi phí xây dựng","Regression modelling of risk impacts on construction cost flow forecast",[28,29,30],"Henry Odeyinka","John Lowe","Ammar Kaka",3,"2012-11-02",2012,"https:\u002F\u002Fwww.emerald.com\u002Finsight\u002Fcontent\u002Fdoi\u002F10.1108\u002F13664381211274335\u002Ffull\u002Fhtml","10.1108\u002F13664381211274335","\u003Cp>Khảo sát kinh tế xây dựng phát triển \u003Cb class=\"publication-topic-keywords\">mô hình hồi quy tuyến tính\u003C\u002Fb> nhằm lượng hóa tác động của các yếu tố rủi ro đến dòng chi phí luân chuyển dự án. Phân tích dữ liệu từ các dự án thực tế xác định mức độ biến động chi phí phụ thuộc chặt chẽ vào năng lực nhà thầu và điều kiện địa chất công trình. Nghiên cứu cung cấp công cụ quản trị tài chính hiệu quả.\u003C\u002Fp>",{"publicationId":38,"title":39,"originalTitle":40,"authorNames":41,"authorCount":31,"journalName":45,"vietnamJournal":17,"publishDate":46,"publishYear":33,"totalCitation":16,"url":47,"doi":48,"summary":49},"cd662e09-bc90-47d0-a8c4-0f84c3baee75","Mô hình sai số đo lường lặp lại dưới các ràng buộc tuyến tính chính xác","Replicated measurement error model under exact linear restrictions",[42,43,44],"Sukhbir Singh","Kanchan Jain","Suresh Sharma","Statistische Hefte","2012-09-06","https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs00362-012-0469-7","10.1007\u002Fs00362-012-0469-7","\u003Cp>Nghiên cứu toán thống kê lý thuyết đề xuất ba dạng ước lượng hệ số cho \u003Cb class=\"publication-topic-keywords\">mô hình hồi quy tuyến tính\u003C\u002Fb> sai số đo lường siêu cấu trúc lặp lại dưới các ràng buộc tuyến tính chính xác. Phân tích tiệm cận cho thấy các ước lượng mới đạt tính hiệu quả cao và giảm thiểu ma trận phương sai sai số khi biến dự đoán chứa nhiễu đo lường. Công trình mở rộng nền tảng lý thuyết ước lượng thống kê.\u003C\u002Fp>",{"publicationId":51,"title":52,"originalTitle":53,"authorNames":54,"authorCount":57,"journalName":58,"vietnamJournal":17,"publishDate":59,"publishYear":60,"totalCitation":16,"url":61,"doi":62,"summary":63},"fe250d17-8106-48f5-a0b0-722979a20e92","Các bài kiểm tra tối ưu tiệm cận và thiết kế tối ưu để thử nghiệm giá trị trung bình trong các mô hình hồi quy với ứng dụng vào các vấn đề điểm thay đổi","Asymptotically Optimal Tests and Optimal Designs for Testing the Mean in Regression Models with Applications to Change-Point Problems",[55,56],"Wolfgang Bischoff","Frank Miller",2,"Annals of the Institute of Statistical Mathematics","2000-12-01",2000,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1023\u002FA:1017521225616","10.1023\u002FA:1017521225616","\u003Cp>Khảo sát toán thống kê phát triển các bài kiểm tra tối ưu tiệm cận và thiết kế thử nghiệm giá trị trung bình trong \u003Cb class=\"publication-topic-keywords\">mô hình hồi quy tuyến tính\u003C\u002Fb> ứng dụng vào bài toán điểm thay đổi. Tác giả thiết lập định lý giới hạn trung tâm cho các dạng thống kê kiểm định phi tham số. Kết quả cung cấp công cụ nhận diện các biến đổi cấu trúc ngẫu nhiên trong chuỗi dữ liệu.\u003C\u002Fp>",{"publicationId":65,"title":66,"originalTitle":67,"authorNames":68,"authorCount":70,"journalName":71,"vietnamJournal":17,"publishDate":72,"publishYear":73,"totalCitation":16,"url":74,"doi":75,"summary":76},"15c8a2f2-17b9-483e-9b41-c27f1f13c6a1","Tính toán và phân tích trong lựa chọn mô hình hồi quy robust sử dụng độ phức tạp ngẫu nhiên","Computations and analysis in robust regression model selection using stochastic complexity",[69],"Guoqi Qian",1,"Computational Statistics","1999-09-10",1999,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002FBF03500911","10.1007\u002FBF03500911","\u003Cp>Nghiên cứu thuật toán tính toán ứng dụng nguyên lý độ phức tạp ngẫu nhiên vào bài toán lựa chọn biến trong \u003Cb class=\"publication-topic-keywords\">mô hình hồi quy tuyến tính\u003C\u002Fb> bền vững \u003Ci>robust regression\u003C\u002Fi>. Tác giả xây dựng gói chương trình tính toán và kiểm chứng hiệu năng trên tập dữ liệu mô phỏng chứa điểm ngoại lai bất thường. Phương pháp giúp tăng cường độ tin cậy khi ước lượng mô hình dữ liệu thực tế.\u003C\u002Fp>",[78,91,105,117,131],{"publicationId":79,"title":80,"originalTitle":16,"authorNames":81,"authorCount":31,"journalName":85,"vietnamJournal":17,"publishDate":86,"publishYear":87,"totalCitation":16,"url":88,"doi":89,"summary":90},"1dc0544b-26c0-4768-99fd-bc3507eaa2f3","Các bước kiểm tra các giả định và đơn giản hóa mô hình trong các mô hình hồi quy tuyến tính nhiều biến",[82,83,84],"Phạm Thị Thu Hoa","Đoàn  Thị Thu Thủy","Cao Hoàng Kiệt","Tạp chí Khoa học Đại học Đồng Tháp","2026-05-03",2026,"https:\u002F\u002Fdthujs.vn\u002Findex.php\u002Fdthujs\u002Farticle\u002Fview\u002F2768","10.52714\u002Fdthu.ns.2768.1916","\u003Cp>Tổng quan phương pháp luận thống kê hệ thống hóa các bước kiểm tra giả định chuẩn tắc và kỹ thuật chọn biến tối ưu trong \u003Cb class=\"publication-topic-keywords\">mô hình hồi quy tuyến tính\u003C\u002Fb> nhiều biến. Bài viết chi tiết hóa quy trình chẩn đoán hiện tượng đa cộng tuyến, phương sai thay đổi và tự tương quan sai số. Công trình cung cấp cẩm nang thực hành chuẩn mực cho nghiên cứu định lượng.\u003C\u002Fp>",{"publicationId":92,"title":93,"originalTitle":94,"authorNames":95,"authorCount":31,"journalName":99,"vietnamJournal":17,"publishDate":100,"publishYear":101,"totalCitation":16,"url":102,"doi":103,"summary":104},"369b7be4-07c4-4e0a-920c-71d594d1945d","Về ảnh hưởng của sự nhiễu loạn trong các mô hình hồi quy tuyến tính: một phương pháp dựa trên lý thuyết về các dạng bậc hai","On the effect of confounding in linear regression models: an approach based on the theory of quadratic forms",[96,97,98],"Martina Narcisi","Fedele Greco","Carlo Trivisano","Environmental and Ecological Statistics","2024-03-22",2024,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs10651-024-00604-y","10.1007\u002Fs10651-024-00604-y","\u003Cp>Khảo sát toán thống kê ứng dụng lý thuyết các dạng bậc hai để giải quyết vấn đề nhiễu loạn không gian trong \u003Cb class=\"publication-topic-keywords\">mô hình hồi quy tuyến tính\u003C\u002Fb>. Tác giả phát triển tiêu chuẩn kiểm định độ nhạy của ước lượng khi biến phụ thuộc tương tác với biến đồng phụ thuộc ngẫu nhiên. Công trình cung cấp giải pháp khắc phục hiện tượng chệch tham số trong phân tích dữ liệu không gian.\u003C\u002Fp>",{"publicationId":106,"title":107,"originalTitle":108,"authorNames":109,"authorCount":31,"journalName":16,"vietnamJournal":17,"publishDate":113,"publishYear":101,"totalCitation":16,"url":114,"doi":115,"summary":116},"990fe693-dce7-4b4d-a86b-f33fe3f5a43f","Mô hình hồi quy tuyến tính đa biến Bayesian cho GDP của Ấn Độ","Bayesian multiple linear regression model for GDP in India",[110,111,112],"Ranjita Pandey","Dipendra Bahadur Chand","Himanshu Tolani","2024-01-17","https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs13198-023-02233-3","10.1007\u002Fs13198-023-02233-3","\u003Cp>Nghiên cứu kinh tế vĩ mô ứng dụng \u003Cb class=\"publication-topic-keywords\">mô hình hồi quy tuyến tính\u003C\u002Fb> đa biến Bayes để phân tích và dự báo biến động tăng trưởng tổng sản phẩm quốc nội GDP của Ấn Độ. Kết quả ước lượng xác định các yếu tố xuất nhập khẩu, tỷ lệ lạm phát và lãi suất có tác động trực tiếp bền vững đến tăng trưởng kinh tế. Mô hình cung cấp căn cứ dự báo định lượng phục vụ hoạch định chính sách.\u003C\u002Fp>",{"publicationId":118,"title":119,"originalTitle":120,"authorNames":121,"authorCount":125,"journalName":16,"vietnamJournal":17,"publishDate":126,"publishYear":127,"totalCitation":16,"url":128,"doi":129,"summary":130},"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",[122,123,124],"Meera Goswami","Vinod Kumar","Narendra Singh",4,"2023-05-20",2023,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs11356-023-27563-4","10.1007\u002Fs11356-023-27563-4","\u003Cp>Khảo sát sinh thái đô thị ứng dụng \u003Cb class=\"publication-topic-keywords\">mô hình hồi quy tuyến tính\u003C\u002Fb> đa biến để dự đoán tác động của các chất ô nhiễm không khí PM2.5, SO2 và NO2 đến chỉ số sinh hóa của bốn loài cây bản địa tại vùng Himalaya. Dữ liệu thực nghiệm xác định hàm lượng chất diệp lục và độ pH dịch lá là các chỉ thị sinh học nhạy cảm nhất. Kết quả định hướng quy hoạch cây xanh lọc bụi đô thị.\u003C\u002Fp>",{"publicationId":132,"title":133,"originalTitle":134,"authorNames":135,"authorCount":125,"journalName":139,"vietnamJournal":17,"publishDate":140,"publishYear":127,"totalCitation":16,"url":141,"doi":142,"summary":143},"5120c25c-8d1c-461a-92b3-136d69ecf537","Các phương pháp trọng số đảo ngược (IDW) và kriging tích hợp với các mô hình hồi quy đơn và đa tuyến tính để đánh giá các đặc tính đất như vật lý và hợp khối cho thành phố Kirkuk","Inverse distance weighted (IDW) and kriging approaches integrated with linear single and multi-regression models to assess particular physico-consolidation soil properties for Kirkuk city",[136,137,138],"Aram Mohammed Raheem","Ibrahim Jalal Naser","Mohammed Omar Ibrahim","Modeling Earth Systems and Environment","2023-02-20","https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs40808-023-01730-5","10.1007\u002Fs40808-023-01730-5","\u003Cp>Nghiên cứu địa kỹ thuật tích hợp phương pháp Kriging và trọng số khoảng cách nghịch đảo với \u003Cb class=\"publication-topic-keywords\">mô hình hồi quy tuyến tính\u003C\u002Fb> đơn và đa biến để lập bản đồ đặc tính cơ lý đất tại thành phố \u003Ci>Kirkuk\u003C\u002Fi>. Kết quả thực nghiệm xác định mô hình hồi quy đa biến đạt độ tin cậy R2 cao trong dự báo giới hạn chảy và chỉ số dẻo. Giải pháp tối ưu hóa chi phí khảo sát địa chất công trình.\u003C\u002Fp>",[145],{"publicationId":146,"title":80,"originalTitle":16,"authorNames":147,"authorCount":31,"journalName":85,"vietnamJournal":151,"publishDate":16,"publishYear":87,"totalCitation":152,"url":88,"doi":16,"summary":90},"e3de0b38-8e0e-4e00-8981-a07f6af9aa3f",[148,149,150],"PTT Hoa","ĐTT Thủy","CH Kiệt",true,0,[],{"code":4,"data":155,"meta":16},{"id":156,"title":157,"description":158,"content":159,"term":156,"englishTitle":16,"synonyms":16,"definition":16,"discipline":16,"references":16,"faqs":16,"createUser":160,"publishUser":163,"keywords":167,"keywordCount":178,"enrichTopicLink":151,"status":179,"createTime":180,"updateTime":181,"publishTime":182,"linkEnrichedTime":183,"publicationScanTime":184,"contentErrorMessage":16,"viewCount":185,"relateTopics":186},"mô hình hồi quy tuyến tính","Mô hình hồi quy tuyến tính là gì? Các nghiên cứu khoa học","Mô hình hồi quy tuyến tính là phương pháp thống kê dùng để mô tả và ước lượng mối quan hệ tuyến tính giữa biến phụ thuộc và một hoặc nhiều biến độc lập bằng cách tối thiểu hóa sai số. Hệ số chặn và hệ số góc xác định mức độ ảnh hưởng của từng biến giải thích, giả thiết sai số ngẫu nhiên phân phối chuẩn, độc lập và đồng phương sai đảm bảo ước lượng không chệch. ","\u003Cdiv>\u003Ch2>Định nghĩa và khái quát mô hình hồi quy tuyến tính\u003C\u002Fh2>\n\u003Cp>Mô hình hồi quy tuyến tính (Linear Regression) là một kỹ thuật thống kê dùng để mô tả và ước lượng mối quan hệ tuyến tính giữa một biến phụ thuộc (được ký hiệu y) và một hoặc nhiều biến độc lập (x\u003Csub>1\u003C\u002Fsub>, x\u003Csub>2\u003C\u002Fsub>, …, x\u003Csub>p\u003C\u002Fsub>). Mục tiêu chính của mô hình là tìm ra phương trình đường thẳng (hoặc siêu phẳng trong không gian đa chiều) tốt nhất sao cho tổng bình phương sai số (residuals) giữa giá trị quan sát và giá trị dự đoán được tối thiểu hóa.\u003C\u002Fp>\n\u003Cp>Ứng dụng của {{topic|%7B%22topic%22%3A%22h%E1%BB%93i%20quy%20tuy%E1%BA%BFn%20t%C3%ADnh%22%7D}} rất đa dạng trong nhiều lĩnh vực: dự báo kinh tế (GDP, lạm phát), phân tích {{topic|%7B%22topic%22%3A%22th%E1%BB%8B%20tr%C6%B0%E1%BB%9Dng%20t%C3%A0i%20ch%C3%ADnh%22%7D}} (giá cổ phiếu, lợi suất trái phiếu), dự báo nhu cầu sản phẩm, {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20t%C3%ADch%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}} y sinh (mối quan hệ giữa liều thuốc và {{topic|%7B%22topic%22%3A%22hi%E1%BB%87u%20qu%E1%BA%A3%20%C4%91i%E1%BB%81u%20tr%E1%BB%8B%22%7D}}) hay kỹ thuật vật liệu (tương quan giữa thành phần hợp kim và độ bền cơ học).\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Hồi quy đơn biến: một biến độc lập x ảnh hưởng lên y.\u003C\u002Fli>\n  \u003Cli>Hồi quy đa biến: nhiều biến x\u003Csub>j\u003C\u002Fsub> cùng tham gia mô hình.\u003C\u002Fli>\n  \u003Cli>Hồi quy tương hỗ (multivariate regression): nhiều biến phụ thuộc cùng phân tích.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Phương trình tổng quát và ký hiệu\u003C\u002Fh2>\n\u003Cp>Phương trình hồi quy tuyến tính đơn biến được viết dưới dạng:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\n  y_i = \\beta_0 + \\beta_1 x_i + \\varepsilon_i\n\u003C\u002Fscript>\n\u003Cp>Trong đó, y\u003Csub>i\u003C\u002Fsub> là giá trị quan sát thứ i, x\u003Csub>i\u003C\u002Fsub> là giá trị biến giải thích, β\u003Csub>0\u003C\u002Fsub> là hệ số chặn (intercept), β\u003Csub>1\u003C\u002Fsub> là hệ số góc (slope) và ε\u003Csub>i\u003C\u002Fsub> là sai số ngẫu nhiên.\u003C\u002Fp>\n\u003Cp>Ở hồi quy đa biến, người ta sử dụng ký hiệu ma trận để tổng quát:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\n  \\mathbf{y} = \\mathbf{X}\\boldsymbol{\\beta} + \\boldsymbol{\\varepsilon}\n\u003C\u002Fscript>\n\u003Cul>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">\\mathbf{y}\u003C\u002Fscript> là vector giá trị phụ thuộc (n×1).\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">\\mathbf{X}\u003C\u002Fscript> là ma trận thiết kế (n×(p+1)), hàng đầu tiên thường là cột 1 để tính β\u003Csub>0\u003C\u002Fsub>.\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">\\boldsymbol{\\beta}\u003C\u002Fscript> là vector hệ số ( (p+1)×1 ).\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">\\boldsymbol{\\varepsilon}\u003C\u002Fscript> là vector sai số (n×1), giả thiết phân phối chuẩn với \u003Cscript type=\"math\u002Ftex\">\\mathrm{E}[\\boldsymbol{\\varepsilon}]=0\u003C\u002Fscript>, \u003Cscript type=\"math\u002Ftex\">\\mathrm{Var}[\\boldsymbol{\\varepsilon}]=\\sigma^2\\mathbf{I}\u003C\u002Fscript>.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Giả thiết cơ bản\u003C\u002Fh2>\n\u003Cp>Mô hình OLS (Ordinary Least Squares) dựa trên một số giả thiết then chốt để đảm bảo tính nhất quán và không chệch của ước lượng hệ số:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Tuyến tính:\u003C\u002Fstrong> mối quan hệ giữa biến y và mỗi biến x\u003Csub>j\u003C\u002Fsub> là tuyến tính trong tham số β.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Sai số có kỳ vọng bằng 0:\u003C\u002Fstrong> E[ε\u003Csub>i\u003C\u002Fsub>] = 0 với mọi i, đảm bảo không tồn tại hệ số chệch.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Độc lập:\u003C\u002Fstrong> ε\u003Csub>i\u003C\u002Fsub> không phụ thuộc vào ε\u003Csub>j\u003C\u002Fsub> với i ≠ j.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Đồng phương sai không đổi (Homoscedasticity):\u003C\u002Fstrong> Var[ε\u003Csub>i\u003C\u002Fsub>] = σ\u003Csup>2\u003C\u002Fsup> cho mọi i.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Không đa cộng tuyến nghiêm trọng:\u003C\u002Fstrong> các biến giải thích không có mối quan hệ tuyến tính chặt chẽ với nhau.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phân phối chuẩn của sai số:\u003C\u002Fstrong> ε\u003Csub>i\u003C\u002Fsub> ~ N(0, σ\u003Csup>2\u003C\u002Fsup>), cần thiết để thực hiện kiểm định t và F.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ctable>\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Giả thiết\u003C\u002Fth>\u003Cth>Ý nghĩa\u003C\u002Fth>\u003Cth>Hệ quả khi vi phạm\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Tuyến tính\u003C\u002Ftd>\n    \u003Ctd>Ký hiệu đúng mô hình\u003C\u002Ftd>\n    \u003Ctd>Chệch sai số, cần biến đổi hoặc thêm biến phi tuyến\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Homoscedasticity\u003C\u002Ftd>\n    \u003Ctd>Ổn định độ tin cậy ước lượng\u003C\u002Ftd>\n    \u003Ctd>Sai số chuẩn ước lượng sai, kiểm định không chính xác\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Không đa cộng tuyến\u003C\u002Ftd>\n    \u003Ctd>Ước lượng ổn định\u003C\u002Ftd>\n    \u003Ctd>Hệ số β dao động lớn, không đáng tin cậy\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\n\u003Ch2>Phương pháp ước lượng\u003C\u002Fh2>\n\u003Cp>Phương pháp bình phương tối thiểu (OLS) tìm vector \u003Cscript type=\"math\u002Ftex\">\\hat{\\boldsymbol{\\beta}}\u003C\u002Fscript> sao cho tổng bình phương phần dư \u003Cscript type=\"math\u002Ftex\">\\sum_{i=1}^n (y_i - \\hat{y}_i)^2\u003C\u002Fscript> là nhỏ nhất. Giải pháp dạng ma trận được tính bằng:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\n  \\hat{\\boldsymbol{\\beta}} = (\\mathbf{X}^T\\mathbf{X})^{-1}\\mathbf{X}^T\\mathbf{y}\n\u003C\u002Fscript>\n\u003Cp>Ưu điểm của OLS là công thức đóng kín, dễ tính toán và giải thích, đồng thời là ước lượng tuyến tính không chệch với biến sai số tuân theo giả thiết. Tuy nhiên, OLS rất nhạy cảm với ngoại lệ (outliers) và vi phạm giả thiết (heteroscedasticity, đa cộng tuyến).\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Ước lượng điểm: cho giá trị β ước lượng.\u003C\u002Fli>\n  \u003Cli>Ước lượng khoảng tin cậy: xác định độ tin cậy của β.\u003C\u002Fli>\n  \u003Cli>Kiểm định hệ số: t–test cho từng β\u003Csub>j\u003C\u002Fsub>, F–test cho toàn mô hình.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ctable>\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Phương pháp\u003C\u002Fth>\u003Cth>Ưu điểm\u003C\u002Fth>\u003Cth>Nhược điểm\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>OLS\u003C\u002Ftd>\n    \u003Ctd>Đơn giản, giải thức đóng\u003C\u002Ftd>\n    \u003Ctd>Nhạy ngoại lệ, giả thiết nghiêm ngặt\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Ridge Regression\u003C\u002Ftd>\n    \u003Ctd>Giảm đa cộng tuyến\u003C\u002Ftd>\n    \u003Ctd>Giới thiệu chệch (bias)\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Lasso Regression\u003C\u002Ftd>\n    \u003Ctd>Chọn biến tự động\u003C\u002Ftd>\n    \u003Ctd>Ước lượng không khả vi, cần tối ưu hóa số học\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Ch2>Kiểm định và suy luận thống kê\u003C\u002Fh2>\n\u003Cp>Kết quả ước lượng OLS được đánh giá thông qua các kiểm định thống kê nhằm xác định mức độ ý nghĩa của các hệ số β và toàn bộ mô hình. Kiểm định t (t–test) kiểm tra giả thuyết H\u003Csub>0\u003C\u002Fsub>: β\u003Csub>j\u003C\u002Fsub>=0 so với H\u003Csub>1\u003C\u002Fsub>: β\u003Csub>j\u003C\u002Fsub>≠0, dựa trên thống kê  \n\u003Cscript type=\"math\u002Ftex\">  \nt_j = \\frac{\\hat\\beta_j}{\\mathrm{SE}(\\hat\\beta_j)}  \n\u003C\u002Fscript>  \nvà phân phối t với n–p–1 bậc tự do.\u003C\u002Fp>\n\u003Cp>Kiểm định F (F–test) cho tổng thể mô hình đánh giá H\u003Csub>0\u003C\u002Fsub>: tất cả β\u003Csub>1..p\u003C\u002Fsub>=0. Thống kê F được tính bằng tỷ số giữa phương sai mô hình và phương sai phần dư, so sánh với phân phối F để xác định ý nghĩa chung của biến giải thích. Chỉ số R\u003Csup>2\u003C\u002Fsup> và R\u003Csup>2\u003C\u002Fsup>\u003Csub>adj\u003C\u002Fsub> đo tỉ lệ phương sai được giải thích, trong đó  \n\u003Cscript type=\"math\u002Ftex\">  \nR^2 = 1 - \\frac{\\sum (y_i - \\hat y_i)^2}{\\sum (y_i - \\bar y)^2}  \n\u003C\u002Fscript>  \nvà  \n\u003Cscript type=\"math\u002Ftex\">  \nR^2_{adj} = 1 - \\frac{(n-1)(1-R^2)}{n-p-1}  \n\u003C\u002Fscript>.\u003C\u002Fp>\n\u003Cp>Khoảng tin cậy (confidence interval) cho mỗi β\u003Csub>j\u003C\u002Fsub> được tính là  \n\u003Cscript type=\"math\u002Ftex\">  \n\\hat\\beta_j \\pm t_{\\alpha\u002F2,n-p-1}\\,\\mathrm{SE}(\\hat\\beta_j)  \n\u003C\u002Fscript>  \ngiúp định lượng {{topic|%7B%22topic%22%3A%22%C4%91%E1%BB%99%20kh%C3%B4ng%20ch%E1%BA%AFc%20ch%E1%BA%AFn%22%7D}}. Giá trị p–value xác suất nhỏ hơn α (thường 0.05) gợi ý bác bỏ H\u003Csub>0\u003C\u002Fsub>. Các kiểm định thêm bao gồm kiểm tra phân phối chuẩn của sai số (Shapiro–Wilk test) và kiểm tra heteroscedasticity (Breusch–Pagan test).\u003C\u002Fp>\n\n\u003Ch2>Chẩn đoán mô hình\u003C\u002Fh2>\n\u003Cp>Phân tích phần dư (residual analysis) là công cụ chính để đánh giá tính hợp lệ của giả thiết. Đồ thị phần dư so với giá trị dự đoán (residuals vs. fitted) giúp phát hiện non-linearity hoặc heteroscedasticity. Biểu đồ Q–Q (quantile–quantile plot) kiểm tra phân phối chuẩn của sai số.\u003C\u002Fp>\n\u003Cp>Một số kiểm định và chỉ số chẩn đoán phổ biến:\u003C\u002Fp>\n\u003Ctable>\n  \u003Ctbody>\u003Ctr>\u003Cth>Kiểm định\u002FChỉ số\u003C\u002Fth>\u003Cth>Mục đích\u003C\u002Fth>\u003Cth>Ngưỡng cảnh báo\u003C\u002Fth>\u003C\u002Ftr>\n  \u003Ctr>\u003Ctd>Breusch–Pagan\u003C\u002Ftd>\u003Ctd>Phát hiện heteroscedasticity\u003C\u002Ftd>\u003Ctd>p–value < 0.05\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003Ctr>\u003Ctd>Durbin–Watson\u003C\u002Ftd>\u003Ctd>Kiểm tra tự tương quan\u003C\u002Ftd>\u003Ctd>DW < 1.5 hoặc > 2.5\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003Ctr>\u003Ctd>VIF (Variance Inflation Factor)\u003C\u002Ftd>\u003Ctd>Đa cộng tuyến\u003C\u002Ftd>\u003Ctd>VIF > 10\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003Ctr>\u003Ctd>Cook’s distance\u003C\u002Ftd>\u003Ctd>Điểm ảnh hưởng\u003C\u002Ftd>\u003Ctd>Cook’s D > 4\u002F(n–p–1)\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>Điểm có leverage cao (h\u003Csub>ii\u003C\u002Fsub>) và giá trị Cook’s distance lớn gợi ý dữ liệu ngoại lai (outlier) hoặc ảnh hưởng quá mức, cần xem xét loại bỏ hoặc mô hình lại. Khi phát hiện vi phạm, có thể áp dụng biến đổi (log, Box–Cox) hoặc sử dụng {{topic|%7B%22topic%22%3A%22ph%C6%B0%C6%A1ng%20ph%C3%A1p%20%C6%B0%E1%BB%9Bc%20l%C6%B0%E1%BB%A3ng%22%7D}} bền vững (robust regression).\u003C\u002Fp>\n\n\u003Ch2>Mở rộng và biến thể\u003C\u002Fh2>\n\u003Cp>Trong trường hợp đa cộng tuyến hoặc quá nhiều biến giải thích, các phương pháp điều chuẩn (regularization) như Ridge Regression và Lasso Regression được sử dụng. Ridge thêm điều chuẩn L2, tối thiểu hóa  \n\u003Cscript type=\"math\u002Ftex\">  \n\\sum (y_i - \\hat y_i)^2 + \\lambda \\sum \\beta_j^2  \n\u003C\u002Fscript>, trong khi Lasso sử dụng chuẩn L1, tạo khả năng chọn biến tự động.\u003C\u002Fp>\n\u003Cp>Elastic Net kết hợp L1 và L2 giúp cân bằng giữa chọn biến và giảm thiểu phương sai. Polynomial Regression mở rộng mô hình tuyến tính thành phi tuyến bằng cách thêm các biến bậc cao x\u003Csup>2\u003C\u002Fsup>, x\u003Csup>3\u003C\u002Fsup>,…, trong khi Generalized Additive Models (GAM) cho phép hàm φ\u003Csub>j\u003C\u002Fsub>(x\u003Csub>j\u003C\u002Fsub>) phi tham số.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Ridge, Lasso, Elastic Net cho dữ liệu đa chiều, giảm overfitting.\u003C\u002Fli>\n  \u003Cli>Polynomial Regression và GAM mô hình hóa quan hệ phi tuyến.\u003C\u002Fli>\n  \u003Cli>Robust Regression (Huber, Tukey) giảm ảnh hưởng của ngoại lệ.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Ứng dụng thực tiễn\u003C\u002Fh2>\n\u003Cp>Trong kinh tế, hồi quy tuyến tính dùng dự báo GDP, {{topic|%7B%22topic%22%3A%22ti%C3%AAu%20th%E1%BB%A5%20n%C4%83ng%20l%C6%B0%E1%BB%A3ng%22%7D}} và chỉ số thị trường tài chính. Mô hình có thể tích hợp biến thời gian (time series regression) để {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20t%C3%ADch%20xu%20h%C6%B0%E1%BB%9Bng%22%7D}} và chu kỳ kinh tế.\u003C\u002Fp>\n\u003Cp>Trong y sinh, Linear Regression phân tích mối quan hệ liều – đáp ứng của thuốc, ảnh hưởng của {{topic|%7B%22topic%22%3A%22y%E1%BA%BFu%20t%E1%BB%91%20m%C3%B4i%20tr%C6%B0%E1%BB%9Dng%22%7D}} lên chỉ số sức khỏe (BMI, huyết áp). Ứng dụng trong công nghệ vật liệu gồm mô hình hóa độ bền và tính thấm của composite.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Tiếp thị: dự báo doanh số dựa trên chi tiêu quảng cáo và mùa vụ.\u003C\u002Fli>\n  \u003Cli>Giáo dục: phân tích yếu tố ảnh hưởng đến {{topic|%7B%22topic%22%3A%22th%C3%A0nh%20t%C3%ADch%20h%E1%BB%8Dc%20t%E1%BA%ADp%22%7D}}.\u003C\u002Fli>\n  \u003Cli>Mạng lưới điện: dự báo nhu cầu điện năng theo biến động thời tiết.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Hạn chế và lưu ý\u003C\u002Fh2>\n\u003Cp>Hồi quy tuyến tính chỉ phù hợp khi mối quan hệ giữa biến phụ thuộc và độc lập gần như tuyến tính. Extrapolation (ngoại suy) ra ngoài vùng dữ liệu gốc có thể dẫn đến dự báo không chính xác hoặc phi thực tế.\u003C\u002Fp>\n\u003Cp>Omitted variable bias xảy ra khi bỏ sót biến quan trọng, làm chệch hệ số ước lượng. Sai số đo lường (measurement error) và dữ liệu mất (missing data) cũng làm giảm độ tin cậy. Cần kiểm tra và bổ sung biến, hoặc dùng phương pháp thay thế như Instrumental Variables.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Không dùng cho quan hệ phi tuyến mạnh mà không biến đổi dữ liệu.\u003C\u002Fli>\n  \u003Cli>Nhạy với ngoại lệ: cần chẩn đoán và xử lý robust.\u003C\u002Fli>\n  \u003Cli>Không khuyến khích extrapolation vượt giới hạn dữ liệu.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Cul>\n  \u003Cli>NIST\u002FSEMATECH e-Handbook of Statistical Methods. “Linear Regression.” \u003Ca href=\"https:\u002F\u002Fwww.itl.nist.gov\u002Fdiv898\u002Fhandbook\u002Fpmd\u002Fsection3\u002Fpmd3.htm\" target=\"_blank\">Link\u003C\u002Fa>.\u003C\u002Fli>\n  \u003Cli>Kutner, M. H., Nachtsheim, C. J., & Neter, J. “Applied Linear Statistical Models.” 5th ed., McGraw-Hill, 2004.\u003C\u002Fli>\n  \u003Cli>Wooldridge, J. M. “Introductory Econometrics: A Modern Approach.” 7th ed., Cengage, 2019.\u003C\u002Fli>\n  \u003Cli>Hastie, T., Tibshirani, R., & Friedman, J. “The Elements of Statistical Learning.” 2nd ed., Springer, 2009. \u003Ca href=\"https:\u002F\u002Fweb.stanford.edu\u002F~hastie\u002FElemStatLearn\u002F\" target=\"_blank\">Link\u003C\u002Fa>.\u003C\u002Fli>\n  \u003Cli>UCLA Statistical Consulting. “Introductory Linear Regression.” \u003Ca href=\"https:\u002F\u002Fstats.idre.ucla.edu\u002Fstata\u002Fwebbooks\u002Freg\u002Fchapter2\u002Fregression-with-graphics\u002F\" target=\"_blank\">Link\u003C\u002Fa>.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Fdiv>",{"id":70,"researcherId":16,"name":161,"imageUrl":162},"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":164,"researcherId":16,"name":165,"imageUrl":166},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",[168,169,170,171,172,173,174,175,176,177],"hồi quy tuyến tính","thị trường tài chính","phân tích dữ liệu","hiệu quả điều trị","độ không chắc chắn","phương pháp ước lượng","tiêu thụ năng lượng","phân tích xu hướng","yếu tố môi trường","thành tích học tập",10,"PUBLISHED","2025-07-13T02:21:17.885+00:00","2026-09-02T10:09:17.957+00:00","2025-07-14T10:01:39.662+00:00","2026-09-02T10:09:17.450+00:00","2026-09-02T09:40:09.015+00:00",647,[187,190,193,196,199,202,205,208,211,214],{"id":188,"title":189,"term":188,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"bibliometrics","Bibliometrics là gì? Các nghiên cứu khoa học về Bibliometrics",{"id":191,"title":192,"term":191,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"toán cao cấp","Toán cao cấp là gì? Các nghiên cứu khoa học về Toán cao cấp",{"id":194,"title":195,"term":194,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"học thuật","Học thuật là gì? Các nghiên cứu khoa học về Học thuật",{"id":197,"title":198,"term":197,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"chất lượng thông tin","Chất lượng thông tin là gì? Nghiên cứu khoa học liên quan",{"id":200,"title":201,"term":200,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"in silico","In silico là gì? Các công bố khoa học về In silico",{"id":203,"title":204,"term":203,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"artificial intelligence","Artificial Intelligence là gì? Các nghiên cứu khoa học về AI",{"id":206,"title":207,"term":206,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"năng lực số","Năng lực số là gì? Các công bố nghiên cứu khoa học liên quan",{"id":209,"title":210,"term":209,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"thân nhiệt","Thân nhiệt là gì? Các nghiên cứu khoa học về Thân nhiệt",{"id":212,"title":213,"term":212,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"tối ưu hoá","Tối ưu hoá là gì? Các nghiên cứu khoa học về Tối ưu hoá",{"id":215,"title":216,"term":215,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"lqr tự chỉnh","LQR tự chỉnh là gì? Các công bố khoa học về LQR tự chỉnh"]