[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_ma%20tr%E1%BA%ADn%20hi%E1%BB%87p%20ph%C6%B0%C6%A1ng%20sai{\"limit\":5}":3,"_public_topic_byId_ma trận hiệp phương sai":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":13,"englishTitle":10,"synonyms":10,"definition":10,"discipline":10,"references":10,"faqs":10,"createUser":17,"publishUser":21,"keywords":25,"keywordCount":18,"enrichTopicLink":26,"status":27,"createTime":28,"updateTime":29,"publishTime":30,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":31,"relateTopics":32},"ma trận hiệp phương sai","Ma trận hiệp phương sai là gì? Các bài nghiên cứu khoa học","Ma trận hiệp phương sai là ma trận vuông mô tả mức độ phân tán và mối quan hệ tuyến tính giữa các biến trong tập dữ liệu đa chiều, với phần tử đường chéo là phương sai. Mỗi phần tử ngoài đường chéo biểu thị hiệp phương sai giữa hai biến, phản ánh xu hướng biến đổi cùng hoặc ngược nhau trong không gian nhiều chiều. ","\u003Cdiv>\u003Ch2>Định nghĩa ma trận hiệp phương sai\u003C\u002Fh2>\n\u003Cp>Ma trận hiệp phương sai (Covariance Matrix) là một ma trận vuông cỡ \u003Cscript type=\"math\u002Ftex\">d \\times d\u003C\u002Fscript> dùng để biểu diễn mối quan hệ tuyến tính giữa các biến trong một tập dữ liệu đa chiều. Mỗi phần tử trong ma trận thể hiện mức độ đồng biến giữa cặp biến cụ thể, trong khi đường chéo chính chứa phương sai của từng biến riêng lẻ.\u003C\u002Fp>\n\u003Cp>Giả sử ta có tập dữ liệu \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript> gồm \u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript> quan sát và \u003Cscript type=\"math\u002Ftex\">d\u003C\u002Fscript> biến đầu vào (đặc trưng). Ký hiệu \u003Cscript type=\"math\u002Ftex\">\\bar{X}\u003C\u002Fscript> là ma trận trung bình, thì công thức tính ma trận hiệp phương sai là:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\mathbf{C} = \\frac{1}{n-1}(X - \\bar{X})^T(X - \\bar{X})\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong đó, \u003Cscript type=\"math\u002Ftex\">\\mathbf{C}_{ij}\u003C\u002Fscript> đại diện cho hiệp phương sai giữa biến thứ \u003Cscript type=\"math\u002Ftex\">i\u003C\u002Fscript> và biến thứ \u003Cscript type=\"math\u002Ftex\">j\u003C\u002Fscript>. Nếu \u003Cscript type=\"math\u002Ftex\">i = j\u003C\u002Fscript>, phần tử đó là phương sai của chính biến đó. Ma trận này là công cụ cốt lõi trong thống kê đa biến và nhiều thuật toán học máy.\u003C\u002Fp>\n\n\u003Ch2>Ý nghĩa thống kê và hình học\u003C\u002Fh2>\n\u003Cp>Về mặt thống kê, hiệp phương sai thể hiện mức độ hai biến thay đổi cùng nhau. Nếu giá trị dương, hai biến có xu hướng tăng hoặc giảm đồng thời; nếu âm, một biến tăng khi biến kia giảm. Nếu giá trị gần 0, hai biến không có mối quan hệ tuyến tính rõ rệt.\u003C\u002Fp>\n\u003Cp>Về hình học, ma trận hiệp phương sai xác định hướng và hình dạng của phân bố dữ liệu. Trong không gian hai chiều, tập hợp điểm phân bố theo phân phối chuẩn sẽ tạo thành một ellipse, trong đó trục chính của ellipse chính là vector riêng (eigenvectors) của ma trận hiệp phương sai, còn độ dài các trục tỉ lệ với căn bậc hai của trị riêng (eigenvalues).\u003C\u002Fp>\n\u003Cp>Minh họa hình học:\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\">\n  \u003Cthead>\n    \u003Ctr>\u003Cth>Tình huống\u003C\u002Fth>\u003Cth>Hình dạng phân bố\u003C\u002Fth>\u003Cth>Hiệp phương sai\u003C\u002Fth>\u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\u003Ctd>Biến độc lập\u003C\u002Ftd>\u003Ctd>Hình tròn\u003C\u002Ftd>\u003Ctd>0\u003C\u002Ftd>\u003C\u002Ftr>\n    \u003Ctr>\u003Ctd>Biến tương quan dương\u003C\u002Ftd>\u003Ctd>Ellipse nghiêng lên\u003C\u002Ftd>\u003Ctd>> 0\u003C\u002Ftd>\u003C\u002Ftr>\n    \u003Ctr>\u003Ctd>Biến tương quan âm\u003C\u002Ftd>\u003Ctd>Ellipse nghiêng xuống\u003C\u002Ftd>\u003Ctd>< 0\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Phân biệt với ma trận tương quan\u003C\u002Fh2>\n\u003Cp>Ma trận tương quan (Correlation Matrix) là dạng chuẩn hóa của ma trận hiệp phương sai, giúp loại bỏ ảnh hưởng đơn vị đo của từng biến. Các phần tử trong ma trận tương quan luôn nằm trong khoảng \u003Cscript type=\"math\u002Ftex\">[-1, 1]\u003C\u002Fscript>, trong khi ma trận hiệp phương sai phụ thuộc vào đơn vị và quy mô biến số.\u003C\u002Fp>\n\u003Cp>Ma trận tương quan \u003Cscript type=\"math\u002Ftex\">\\mathbf{R}\u003C\u002Fscript> được tính từ ma trận hiệp phương sai \u003Cscript type=\"math\u002Ftex\">\\mathbf{C}\u003C\u002Fscript> bằng công thức:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\mathbf{R}_{ij} = \\frac{\\mathbf{C}_{ij}}{\\sqrt{\\mathbf{C}_{ii} \\cdot \\mathbf{C}_{jj}}}\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Ma trận tương quan thường được sử dụng khi mục tiêu là phân tích mối quan hệ tương đối giữa các biến, đặc biệt trong phân tích dữ liệu tài chính hoặc dữ liệu y sinh học nơi mà các thang đo không đồng nhất.\u003C\u002Fp>\n\n\u003Ch2>Cách tính từ dữ liệu\u003C\u002Fh2>\n\u003Cp>Để tính ma trận hiệp phương sai từ một ma trận dữ liệu \u003Cscript type=\"math\u002Ftex\">X \\in \\mathbb{R}^{n \\times d}\u003C\u002Fscript> (n quan sát, d biến), cần thực hiện các bước sau:\u003C\u002Fp>\n\u003Col>\n  \u003Cli>Chuẩn hóa mỗi biến bằng cách trừ đi trung bình: \u003Cscript type=\"math\u002Ftex\">X_{\\text{centered}} = X - \\bar{X}\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>Tính tích giữa ma trận chuyển vị và chính nó: \u003Cscript type=\"math\u002Ftex\">X_{\\text{centered}}^T X_{\\text{centered}}\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>Chia cho \u003Cscript type=\"math\u002Ftex\">n-1\u003C\u002Fscript> để có được ma trận hiệp phương sai.\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>Ví dụ: nếu dữ liệu gồm 3 đặc trưng là chiều cao, cân nặng và tuổi của 100 người, ta có thể xây dựng ma trận hiệp phương sai 3x3 phản ánh cách mỗi cặp đặc trưng biến thiên cùng nhau.\u003C\u002Fp>\n\u003Cp>Trong các thư viện phân tích dữ liệu như NumPy hoặc Pandas, có thể sử dụng hàm \u003Ccode>numpy.cov\u003C\u002Fcode> hoặc \u003Ccode>pandas.DataFrame.cov()\u003C\u002Fcode> để tính nhanh ma trận này mà không cần thao tác thủ công.\u003C\u002Fp>\n\u003Ch2>Vai trò trong phân tích thành phần chính (PCA)\u003C\u002Fh2>\n\u003Cp>Phân tích thành phần chính (Principal Component Analysis – PCA) là một kỹ thuật giảm chiều phổ biến trong học máy và thống kê. PCA sử dụng ma trận hiệp phương sai để tìm các phương hướng (principal components) mà tại đó dữ liệu có phương sai lớn nhất. Mỗi phương hướng tương ứng với một vector riêng (eigenvector) của ma trận hiệp phương sai, và lượng phương sai tương ứng được xác định bởi trị riêng (eigenvalue).\u003C\u002Fp>\n\u003Cp>Quy trình PCA tổng quát:\u003C\u002Fp>\n\u003Col>\n  \u003Cli>Chuẩn hóa dữ liệu (nếu cần)\u003C\u002Fli>\n  \u003Cli>Tính ma trận hiệp phương sai \u003Cscript type=\"math\u002Ftex\">\\Sigma\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>Tính trị riêng và vector riêng của \u003Cscript type=\"math\u002Ftex\">\\Sigma\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>Sắp xếp các trị riêng theo thứ tự giảm dần\u003C\u002Fli>\n  \u003Cli>Chọn \u003Cscript type=\"math\u002Ftex\">k\u003C\u002Fscript> vector riêng đầu tiên để tạo ma trận chiếu \u003Cscript type=\"math\u002Ftex\">W_k\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>Chiếu dữ liệu xuống không gian mới: \u003Cscript type=\"math\u002Ftex\">Z = X W_k\u003C\u002Fscript>\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>PCA đặc biệt hữu dụng khi số chiều dữ liệu lớn nhưng chứa thông tin dư thừa. Việc dựa trên ma trận hiệp phương sai giúp PCA tối ưu hóa hướng biến thiên và giữ lại cấu trúc chính của dữ liệu.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng trong học máy và thống kê\u003C\u002Fh2>\n\u003Cp>Ma trận hiệp phương sai đóng vai trò nền tảng trong nhiều thuật toán học máy và mô hình thống kê. Trong mô hình phân phối chuẩn đa biến (Multivariate Normal Distribution), ma trận hiệp phương sai mô tả hình dạng và hướng của phân bố xác suất.\u003C\u002Fp>\n\u003Cp>Hàm mật độ xác suất của phân phối chuẩn đa biến:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">f(x) = \\frac{1}{(2\\pi)^{d\u002F2} |\\Sigma|^{1\u002F2}} \\exp\\left( -\\frac{1}{2} (x - \\mu)^T \\Sigma^{-1} (x - \\mu) \\right)\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong các ứng dụng như Gaussian Mixture Models (GMM), Linear Discriminant Analysis (LDA), và Kalman Filter, ma trận hiệp phương sai được dùng để mô hình hóa sai số, sự không chắc chắn và phân tán dữ liệu. Ngoài ra, trong hồi quy đa biến, ma trận hiệp phương sai giữa các biến đầu vào được dùng để kiểm tra đa cộng tuyến và phân tích phương sai của hệ số.\u003C\u002Fp>\n\u003Cp>Một số thuật toán và mô hình sử dụng ma trận hiệp phương sai:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Linear Gaussian Classifier\u003C\u002Fli>\n  \u003Cli>Kalman Filter và Unscented Kalman Filter\u003C\u002Fli>\n  \u003Cli>Factor Analysis\u003C\u002Fli>\n  \u003Cli>Mahalanobis Distance\u003C\u002Fli>\n  \u003Cli>Bayesian Inference cho phân phối đa biến\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Tính chất đại số\u003C\u002Fh2>\n\u003Cp>Ma trận hiệp phương sai \u003Cscript type=\"math\u002Ftex\">\\Sigma\u003C\u002Fscript> có một số tính chất toán học quan trọng giúp đảm bảo tính ổn định và khả năng diễn giải trong các mô hình thống kê. Đầu tiên, \u003Cscript type=\"math\u002Ftex\">\\Sigma\u003C\u002Fscript> luôn là ma trận đối xứng: \u003Cscript type=\"math\u002Ftex\">\\Sigma = \\Sigma^T\u003C\u002Fscript>. Thứ hai, nó là ma trận xác định dương bán phần (positive semi-definite), tức là mọi trị riêng của nó không âm.\u003C\u002Fp>\n\u003Cp>Hệ quả của các tính chất này bao gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Có thể thực hiện phân tích trị riêng (eigendecomposition)\u003C\u002Fli>\n  \u003Cli>Có thể chuẩn trực các biến bằng phép biến đổi whitening\u003C\u002Fli>\n  \u003Cli>Mahalanobis distance luôn không âm\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Khi \u003Cscript type=\"math\u002Ftex\">\\Sigma\u003C\u002Fscript> là xác định dương thực sự (positive definite), nó có thể nghịch đảo, điều này rất quan trọng trong các mô hình cần sử dụng \u003Cscript type=\"math\u002Ftex\">\\Sigma^{-1}\u003C\u002Fscript> như LDA hoặc Gaussian likelihood.\u003C\u002Fp>\n\n\u003Ch2>Hạn chế và các điều chỉnh cần thiết\u003C\u002Fh2>\n\u003Cp>Trong thực tế, việc ước lượng ma trận hiệp phương sai từ dữ liệu có thể gặp một số khó khăn. Khi số chiều \u003Cscript type=\"math\u002Ftex\">d\u003C\u002Fscript> lớn hơn số quan sát \u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript>, ma trận sẽ không khả nghịch (singular), gây bất ổn trong mô hình. Ngoài ra, dữ liệu nhiễu hoặc chứa ngoại lệ (outliers) có thể khiến ma trận hiệp phương sai bị lệch.\u003C\u002Fp>\n\u003Cp>Giải pháp bao gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Shrinkage estimator:\u003C\u002Fstrong> trộn ma trận ước lượng với ma trận đơn vị để ổn định\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Regularization:\u003C\u002Fstrong> cộng thêm hằng số nhỏ vào đường chéo: \u003Cscript type=\"math\u002Ftex\">\\Sigma + \\lambda I\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Robust covariance estimation:\u003C\u002Fstrong> dùng thuật toán như Minimum Covariance Determinant (MCD)\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Thư viện Scikit-learn cung cấp nhiều phương pháp để ước lượng ma trận hiệp phương sai bền vững và có thể tùy chỉnh theo bài toán cụ thể. Xem thêm tại \u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fcovariance.html\" target=\"_blank\">Scikit-learn – Covariance estimation\u003C\u002Fa>.\u003C\u002Fp>\n\n\u003Ch2>Mở rộng và biến thể\u003C\u002Fh2>\n\u003Cp>Ma trận hiệp phương sai có thể được mở rộng theo thời gian, trong các bài toán chuỗi thời gian hoặc mô hình động. Trong mô hình GARCH và DCC (Dynamic Conditional Correlation), các ma trận hiệp phương sai thay đổi theo thời gian để phản ánh biến động thị trường hoặc tín hiệu.\u003C\u002Fp>\n\u003Cp>Một số biến thể và kỹ thuật liên quan:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Conditional Covariance Matrix – điều kiện theo biến khác\u003C\u002Fli>\n  \u003Cli>Partial Covariance – hiệp phương sai khi kiểm soát các biến trung gian\u003C\u002Fli>\n  \u003Cli>Ledoit-Wolf shrinkage – phương pháp chuẩn hóa trong không gian cao\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Trong thị trường tài chính, việc ước lượng chính xác ma trận hiệp phương sai là nền tảng để tối ưu hóa danh mục đầu tư (portfolio optimization), kiểm soát rủi ro và xây dựng chiến lược phòng ngừa biến động.\u003C\u002Fp>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Col>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fpii\u002FS1877050920302631\" target=\"_blank\">ScienceDirect – Covariance Matrix Applications in Machine Learning\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fcovariance.html\" target=\"_blank\">Scikit-learn – Covariance Estimation\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.ncbi.nlm.nih.gov\u002Fpmc\u002Farticles\u002FPMC7824106\u002F\" target=\"_blank\">NCBI – Covariance in Multivariate Analysis\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fstattrek.com\u002Fmatrix-algebra\u002Fcovariance-matrix.aspx\" target=\"_blank\">StatTrek – Covariance Matrix\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.springer.com\u002Fgp\u002Fbook\u002F9780387987841\" target=\"_blank\">Springer – Matrix Algebra Useful for Statistics\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Fol>\n\u003C\u002Fdiv>",{"id":18,"researcherId":10,"name":19,"imageUrl":20},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":22,"researcherId":10,"name":23,"imageUrl":24},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",[13],false,"PUBLISHED","2025-12-01T11:30:50.474+00:00","2025-12-11T08:35:56.649+00:00","2025-12-11T08:35:56.646+00:00",80,[33,43,46,52,58,68,73,79,85,90],{"id":34,"title":35,"term":34,"englishTitle":36,"definition":37,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"độ chệch bias","Độ chệch (Bias) là gì? Công thức tính, phân rã MSE và sự đánh đổi Bias-Variance","statistical bias","Độ chệch (bias) trong thống kê và học máy là sự sai khác có tính hệ thống giữa kỳ vọng toán học của một ước lượng thống kê và giá trị thực sự của tham số tổng thể cần ước lượng.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":44,"title":45,"term":44,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"phương pháp bình phương tối thiểu","Phương pháp bình phương tối thiểu là gì? Nghiên cứu khoa học",{"id":47,"title":48,"term":49,"englishTitle":50,"definition":51,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"mô hình logit đa thức","Mô hình logit đa thức là gì? Ý nghĩa và ứng dụng chuyên sâu","Mô hình logit đa thức","Multinomial logit model \u002F MNL","Mô hình logit đa thức là phương pháp hồi quy xác suất mở rộng từ mô hình logit nhị phân, được sử dụng để phân tích và dự báo biến phụ thuộc danh nghĩa có từ ba phân loại trở lên không có thứ bậc.",{"id":53,"title":54,"term":55,"englishTitle":56,"definition":57,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"lập trình bậc hai","Lập trình bậc hai là gì? Ý nghĩa và ứng dụng chuyên sâu","Lập trình bậc hai","quadratic programming","Lập trình bậc hai trong tối ưu hóa toán học là bài toán tìm cực trị (cực tiểu hoặc cực đại) của một hàm mục tiêu bậc hai gồm nhiều biến số, thỏa mãn đồng thời một hệ thống các ràng buộc tuyến tính dưới dạng các đẳng thức hoặc bất đẳng thức.",{"id":59,"title":60,"term":59,"englishTitle":61,"definition":62,"discipline":63,"disciplineCode":64,"disciplineLabel":65,"disciplineColor":66,"disciplineIcon":67},"phân tích đa cấp","Phân tích đa cấp là gì? Các nghiên cứu khoa học liên quan","multilevel analysis","Phân tích đa cấp (multilevel analysis hay hierarchical linear modeling - HLM) là phương pháp thống kê nâng cao dùng để mô hình hóa và phân tích các cấu trúc dữ liệu phân tầng lồng nhau, cho phép ước tính đồng thời tác động của các biến số ở cấp độ cá nhân và cấp độ nhóm.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":69,"title":70,"term":69,"englishTitle":71,"definition":72,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"giảm chiều","Giảm chiều là gì? Các bài báo nghiên cứu khoa học liên quan","Dimensionality reduction","Giảm chiều (Dimensionality reduction) là nhóm kỹ thuật toán học và tính toán nhằm biến đổi dữ liệu từ không gian nhiều biến về không gian có số chiều thấp hơn mà vẫn bảo toàn tối đa các đặc trưng và cấu trúc thông tin cốt lõi.",{"id":74,"title":75,"term":76,"englishTitle":77,"definition":78,"discipline":63,"disciplineCode":64,"disciplineLabel":65,"disciplineColor":66,"disciplineIcon":67},"tái cấu trúc","Tái cấu trúc là gì? Các nghiên cứu khoa học về Tái cấu trúc","Tái cấu trúc","restructuring","Tái cấu trúc là quá trình điều chỉnh căn bản và có hệ thống về cơ cấu tổ chức, quy trình vận hành, danh mục tài sản hoặc cấu trúc vốn của một thực thể kinh tế nhằm phục hồi khả năng cạnh tranh, nâng cao hiệu quả tài chính và thích ứng với biến động thị trường.",{"id":80,"title":81,"term":82,"englishTitle":83,"definition":84,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"phân tích yếu tố xác nhận","Phân tích yếu tố xác nhận là gì? Các nghiên cứu khoa học","Phân tích yếu tố xác nhận","Confirmatory factor analysis \u002F CFA","Phân tích yếu tố xác nhận là một kỹ thuật thống kê đa biến thuộc mô hình cấu trúc tuyến tính (SEM), dùng để kiểm định giả thuyết xem mối quan hệ giữa các biến quan sát và các biến tiềm ẩn có phù hợp với mô hình lý thuyết định trước hay không.",{"id":86,"title":87,"term":86,"englishTitle":88,"definition":89,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"thống kê mạnh","Thống kê mạnh là gì? Lý thuyết, phương pháp và ứng dụng","Robust Statistics","Thống kê mạnh là phân ngành của xác suất thống kê toán học nghiên cứu các phương pháp ước lượng và suy diễn có khả năng chống chịu cao trước dữ liệu ngoại lai hoặc các sai khác so với giả định phân phối lý thuyết.",{"id":91,"title":92,"term":93,"englishTitle":94,"definition":95,"discipline":63,"disciplineCode":64,"disciplineLabel":65,"disciplineColor":66,"disciplineIcon":67},"danh mục đầu tư tối ưu","Danh mục đầu tư tối ưu là gì? Lý thuyết và mô hình","Danh mục đầu tư tối ưu","optimal portfolio","Danh mục đầu tư tối ưu là danh mục tài sản tài chính hiệu quả được lựa chọn nhằm tối đa hóa hàm thỏa dụng kỳ vọng của nhà đầu tư tương ứng với mức độ chấp nhận rủi ro xác định. Khi có sự hiện diện của tài sản phi rủi ro, theo định lý phân tách Tobin, danh mục đầu tư tối ưu của nhà đầu tư được hình thành bằng cách phân bổ vốn giữa tài sản phi rủi ro và danh mục tài sản rủi ro tối ưu (danh mục tiếp xúc) — danh mục đạt tỷ số Sharpe cao nhất trong số các danh mục tài sản rủi ro khả thi."]