Hướng Dẫn Sử Dụng Phương Pháp Bayes Trên Stata

Chủ biên: PGS. TSKH Nguyễn Ngọc Thạch
Thành viên biên soạn: TS. Lê Hoàng Anh; NCS. ThS Nguyễn Trần Xuân Linh
Xuất bản: Trường Đại học Ngân hàng TP. Hồ Chí Minh – Tháng 9 năm 2021

Tổng quan về giáo trình

Giáo trình Hướng Dẫn Sử Dụng Phương Pháp Bayes Trên Stata được biên soạn bởi nhóm tác giả thuộc Trường Đại học Ngân hàng TP. Hồ Chí Minh (Bộ Giáo dục và Đào tạo – Ngân hàng Nhà nước Việt Nam), phát hành năm 2021. Tài liệu thuộc lĩnh vực thống kê và kinh tế lượng, với trọng tâm ứng dụng phương pháp Bayes trong phân tích dữ liệu khoa học xã hội, sử dụng phần mềm STATA như công cụ thực hành chính.

Trong bối cảnh sự phát triển của khoa học máy tính đã làm phục hồi và mở rộng ứng dụng của phân tích Bayes sang nhiều lĩnh vực — sinh học, y học, vật lý và khoa học xã hội — tài liệu này lấp đầy khoảng trống giữa lý thuyết Bayes và thực hành phân tích bằng phần mềm. Theo tuyên bố của nhóm tác giả trong phần Dẫn nhập, mục đích biên soạn là "giới thiệu về phân tích Bayes và cách thức thực hiện phân tích Bayes với sự hỗ trợ của phần mềm STATA".

Mục tiêu học tập bao gồm:

  • Nắm vững nền tảng lý thuyết phân tích Bayes và sự khác biệt với phương pháp tần suất (frequentist)
  • Thực hành hồi quy Bayes cơ bản với các loại thông tin tiên nghiệm khác nhau trên STATA
  • Ứng dụng phương pháp Bayes để ước lượng các mô hình hồi quy nâng cao

Giáo trình được kết cấu thành 3 chương theo trình tự tuyến tính: lý thuyết nền tảng → thực hành cơ bản → ứng dụng mô hình nâng cao. Cách tiếp cận này cho phép người đọc xây dựng kiến thức từng bước, kết hợp song song lý thuyết và cú pháp lệnh thực tế trong STATA.

Nội dung kiến thức cốt lõi

Các chương và chủ đề chính

Chương 1: Giới thiệu về phân tích Bayes

Chương 1 thiết lập nền tảng lý thuyết toàn bộ tài liệu. Các nội dung bao gồm:

  • Định nghĩa và triết học: Phân tích Bayes được giới thiệu là phương pháp thống kê dựa trên giả định "tất cả các thông số của mô hình là ngẫu nhiên", trái với quan điểm frequentist coi thông số là đại lượng cố định nhưng chưa biết.
  • So sánh Bayesian và frequentist: Tài liệu phân tích chi tiết sự khác biệt trong triết lý, cách diễn giải khoảng tin cậy (confidence interval so với credible interval) và kiểm định giả thuyết (p-value so với xác suất hậu nghiệm).
  • Các thành phần cốt lõi: Phân phối hậu nghiệm (posterior distribution), thông tin tiên nghiệm (prior information), ước lượng điểm (trung bình hậu nghiệm, trung vị hậu nghiệm, yếu vị hậu nghiệm) và ước lượng khoảng (khoảng equal-tailed CRI và khoảng mật độ hậu nghiệm cao nhất HPD).
  • Phương pháp lấy mẫu MCMC: Thuật toán Metropolis–Hastings (MH), bao gồm bước tự do MH, kỹ thuật Blocking tham số, và lấy mẫu Gibbs. Tài liệu trình bày cả trường hợp kết hợp MH với Gibbs.
  • Chuẩn đoán hội tụ chuỗi MCMC: Biểu đồ vết (trace plots), đồ thị tự tương quan, và biểu đồ cusum. Tài liệu dẫn chiếu phương pháp Cowles và Carlin (1996), Gelman và Rubin (1992).

Chương 2: Ứng dụng phân tích Bayes cơ bản

Chương 2 chuyển trực tiếp sang thực hành với STATA, sử dụng bộ dữ liệu bank.xlsx từ nghiên cứu của Nguyễn Ngọc Thạch và Lê Hoàng Anh (2016) về tác động của quy mô ngân hàng đến tỷ lệ nợ xấu. Các nội dung bao gồm:

  • Hồi quy Bayes với tiên nghiệm phi thông tin (noninformative prior): Sử dụng tiên nghiệm Jeffreys và tiên nghiệm phẳng (flat prior) thông qua lệnh bayesmh.
  • Hồi quy Bayes với tiên nghiệm có thông tin: Tiên nghiệm chuẩn N(0, σ²) cho hệ số và Gamma nghịch đảo igamma(2.5) cho phương sai.
  • Hồi quy Bayes đa thông tin (multivariate prior): Tiên nghiệm Zellner's g-prior (zellnersg0) theo Zellner (1986).
  • Chuẩn đoán hội tụ: Sử dụng lệnh bayesgraph diagnostics và bayesstats ess để đánh giá kích thước mẫu hiệu quả (ESS) và thời gian tương quan.
  • Tóm tắt và so sánh mô hình: Lệnh bayesstats ic, bayestest model, sử dụng DIC, log(ML) và log(BF) — Nhân tố Bayes (Bayes Factor) theo thang đo Jeffreys (1961).
  • Dự báo Bayes: Kiểm định dự báo hậu nghiệm (posterior predictive check), dự báo trong mẫu và ngoài mẫu (out-of-sample prediction), áp dụng trên STATA 16 trở lên.

Chương 3: Các dạng mô hình hồi quy theo cách tiếp cận Bayes

Chương 3 ứng dụng phương pháp Bayes cho 10 dạng mô hình hồi quy cụ thể:

  1. Hồi quy Logistic Bayes (Bayesian Logistic regression)
  2. Hồi quy Probit thứ bậc
  3. Hồi quy dữ liệu bảng với mô hình đa tầng — trình bày 5 mô phỏng với các phương pháp lấy mẫu MH mặc định, blocking tham số, lấy mẫu Gibbs, tách tham số hiệu ứng ngẫu nhiên, và tham số hóa thay thế
  4. Mô hình đường cong tăng trưởng — mô hình hệ số chặn ngẫu nhiên, hiệp phương sai phi cấu trúc
  5. Hồi quy logistic đa tầng (Multilevel logistic regression)
  6. Mô hình phi tuyến ba tầng (Three-level nonlinear model)
  7. Mô hình phân tích sống còn (Survival analysis)
  8. Phân tích điểm thay đổi (Change-point analysis)
  9. Mô hình tác động ngẫu nhiên trong phân tích tổng hợp (Meta-analysis) — bao gồm mô hình Normal–normal và Binomial–normal

Kiến thức nền tảng được xây dựng

  • Lý thuyết xác suất: Định lý Bayes, hàm hợp lý tối đa (likelihood function), phân phối biên, xác suất có điều kiện
  • Lý thuyết MCMC: Chuỗi Markov, phân phối dừng, tính chất Ergodic, định lý Bernstein–von Mises
  • So sánh hệ thống: Tài liệu đặt các mô hình Bayes đối chiếu với ước lượng OLS và phương pháp tần suất trong từng ví dụ cụ thể, giúp người đọc nhận ra điểm tương đồng và khác biệt thực chất

Kỹ năng phát triển

  • Kỹ năng kỹ thuật: Viết cú pháp lệnh bayesmh, bayesgraph, bayesstats, bayestest trong STATA; chỉ định likelihood(), prior(), block(), saving()
  • Kỹ năng phân tích: Đánh giá hội tụ MCMC, lựa chọn thông tin tiên nghiệm phù hợp, so sánh mô hình bằng Bayes Factor
  • Kỹ năng diễn giải: Đọc và giải thích kết quả phân phối hậu nghiệm, khoảng tin cậy Bayes (credible interval), tỷ lệ chấp nhận (acceptance rate)

Phương pháp giảng dạy và học tập

Tài liệu theo cách tiếp cận hướng dẫn thực hành song song với lý thuyết (theory-practice parallel). Mỗi khái niệm lý thuyết được minh họa ngay bằng ví dụ cụ thể, sau đó chuyển tiếp sang cú pháp lệnh STATA tương ứng.

Ví dụ minh họa trong tài liệu:

  • Chương 1: Ví dụ nghiên cứu sự truyền nhiễm của một căn bệnh hiếm từ Hoff (2009), với mẫu 20 cá thể — minh họa cơ chế kết hợp tiên nghiệm Beta(2, 20) và dữ liệu quan sát để tính phân phối hậu nghiệm Beta(2, 40)
  • Chương 2: Bộ dữ liệu ngân hàng thương mại Việt Nam với 12 quan sát, đánh giá tác động của quy mô ngân hàng (biến size) và loại ngân hàng (biến group) đến tỷ lệ nợ xấu (npl)

Bài tập và phân tích chẩn đoán:
Người đọc được hướng dẫn chạy lại các lệnh theo từng bước: từ hồi quy cơ bản → kiểm tra tỷ lệ chấp nhận → phân tích biểu đồ vết → điều chỉnh Blocking → chạy lại → so sánh ESS trước và sau. Cấu trúc này tạo thành một vòng lặp học thực hành tự nhiên.

Đánh giá mô hình:
Tài liệu trình bày cụ thể ba tiêu chí DIC, log(ML) và log(BF) để so sánh mô hình, kèm bảng diễn giải của Jeffreys (1961) về ngưỡng bằng chứng: từ "Không đáng kể" (log₁₀(BF) < 0.5) đến "Quyết định" (log₁₀(BF) > 2).

Hướng dẫn tự học:
Tài liệu ghi chú rõ một số tính năng chỉ khả dụng từ STATA 16 trở lên (ví dụ: dự báo ngoài mẫu), giúp người đọc kiểm soát phiên bản phần mềm phù hợp trước khi thực hành. Lưu ý về sự khác biệt kết quả giữa các lần chạy MCMC (do tính ngẫu nhiên) cũng được đề cập tường minh.

Điểm nổi bật và cập nhật

Tích hợp xu hướng hiện đại:
Tài liệu phản ánh sự phục hưng của phân tích Bayes trong bối cảnh khoa học máy tính phát triển, đồng thời trình bày các phương pháp MCMC thích ứng (adaptive MCMC) hiện đại, bao gồm tham chiếu đến các nghiên cứu của Roberts và Rosenthal (2009), Haario, Saksman và Tamminen (2001) về điều chỉnh ma trận hiệp phương sai đề xuất.

Khắc phục nhược điểm classical:
Một trong những đóng góp nội dung của tài liệu là phân tích rõ giới hạn của "significant test" — được nhà nghiên cứu tần suất phát triển như phản ứng trước phê phán đối với Bayes — và chỉ ra rằng phương pháp này "chỉ dựa vào dữ liệu được quan sát do đó các kết quả nghiên cứu dường như không thể được tái lập lại". Đây là điểm cập nhật quan trọng trong bối cảnh khoa học đang thảo luận về khủng hoảng tái lập (replication crisis).

Ứng dụng thực tế:
Ngoài lĩnh vực tài chính–ngân hàng (ví dụ nợ xấu), tài liệu đề cập ứng dụng Bayes trong di truyền học (với phân phối tiên nghiệm bắt buộc), phân tích tổng hợp (meta-analysis), và phân tích sống còn (survival analysis) — phản ánh phạm vi ứng dụng đa ngành của phương pháp.

Kết hợp phân tích số và đồ họa:
Bên cạnh kiểm định số lượng (ESS, tỷ lệ chấp nhận, thời gian tương quan), tài liệu hướng dẫn đọc biểu đồ vết, đồ thị tự tương quan và biểu đồ cusum — một sự kết hợp giữa chẩn đoán định lượng và định tính ít được trình bày đầy đủ trong nhiều tài liệu MCMC phổ thông.

Đối tượng sử dụng giáo trình

Sinh viên và học viên:
Tài liệu phù hợp với học viên cao học và nghiên cứu sinh ngành kinh tế, tài chính–ngân hàng, và các ngành khoa học xã hội có sử dụng phân tích định lượng. Theo lời của nhóm tác giả, tài liệu hướng đến "những người mới bắt đầu tiếp cận với phân tích Bayes", vì vậy không đòi hỏi kiến thức Bayes tiên quyết, nhưng người đọc cần có nền tảng về:

  • Kinh tế lượng cơ bản (hồi quy OLS, kiểm định giả thuyết)
  • Thống kê xác suất (phân phối chuẩn, phân phối nhị thức, phân phối Beta, Gamma)
  • Thao tác cơ bản với phần mềm STATA

Giảng viên:
Tài liệu có thể sử dụng làm giáo trình bổ sung trong các học phần Kinh tế lượng nâng cao, Phương pháp nghiên cứu định lượng, hoặc Thống kê ứng dụng ở bậc thạc sĩ. Cấu trúc ba chương độc lập tương đối với nhau cho phép giảng viên lựa chọn phần phù hợp với chương trình.

Tự học và tra cứu:
Người tự học có thể theo dõi tuần tự từ Chương 1 đến Chương 3. Cần lưu ý chuẩn bị STATA phiên bản 16 trở lên để thực hành đầy đủ các nội dung, bao gồm tính năng dự báo ngoài mẫu.

Câu hỏi thường gặp

1. Giáo trình này phù hợp với ai?
Phù hợp với người đã có kiến thức nền về hồi quy tuyến tính và thống kê cơ bản, muốn tiếp cận phân tích Bayes từ góc độ ứng dụng. Trọng tâm của tài liệu là khoa học xã hội, nhưng nhóm tác giả có đề cập ví dụ từ các lĩnh vực khác như y học và sinh học.

2. Cần kiến thức nền nào để học?
Người đọc cần hiểu về hồi quy OLS, phân phối xác suất thông dụng (chuẩn, nhị thức, Beta, Gamma), và có khả năng thao tác phần mềm STATA ở mức cơ bản. Kiến thức về chuỗi Markov không bắt buộc; tài liệu tự giải thích khái niệm này trong Chương 1.

3. Điểm khác biệt so với các tài liệu Bayes khác?
Điểm khác biệt chính là tài liệu kết hợp lý thuyết Bayes với cú pháp lệnh STATA cụ thể, được trình bày song song. Thay vì mô tả lý thuyết thuần túy, mỗi khái niệm — từ thuật toán MH đến Blocking đến so sánh mô hình — đều được gắn với lệnh STATA tương ứng và đầu ra thực tế. Ví dụ dữ liệu ngân hàng Việt Nam cũng là điểm gần gũi với người đọc trong nước.

4. Làm sao để tự học hiệu quả?
Theo cách tiếp cận của tài liệu, người đọc nên chạy thực tế từng lệnh được trình bày, so sánh kết quả với đầu ra trong sách (lưu ý kết quả MCMC có thể dao động nhỏ giữa các lần chạy). Khi gặp tỷ lệ chấp nhận bất thường hoặc ESS thấp, cần thực hành điều chỉnh Blocking theo hướng dẫn Chương 2 trước khi chuyển sang các mô hình phức tạp hơn ở Chương 3.

5. Có tài liệu bổ trợ nào được đề cập?
Tài liệu dẫn chiếu một số nguồn tham khảo quan trọng: Hoff (2009) cho ví dụ mô hình Bayesian cơ bản; Kass và Raftery (1995) và Berger (2006) về Bayes Factor; Gelman và cộng sự (2014) và Brooks và cộng sự (2011) về kiểm định hội tụ MCMC; Zellner (1986) về g-prior. Nhóm tác giả cũng ghi chú sẽ có tài liệu riêng về vấn đề lựa chọn thông tin tiên nghiệm — một chủ đề được đánh giá là "khó khăn nhất trong phân tích Bayes".

Kết luận

Hướng Dẫn Sử Dụng Phương Pháp Bayes Trên Stata cung cấp một lộ trình học tập có cấu trúc từ lý thuyết Bayes cơ bản đến thực hành phân tích dữ liệu bằng STATA. Ba giá trị chính của tài liệu là: (1) hệ thống hóa lý thuyết MCMC — đặc biệt là thuật toán Metropolis–Hastings và kỹ thuật Blocking — theo ngôn ngữ tiếp cận được; (2) kết nối trực tiếp lý thuyết với cú pháp STATA; (3) trình bày 10 dạng mô hình hồi quy Bayes nâng cao trong một tài liệu đơn nhất bằng tiếng Việt.

Lộ trình học phù hợp: đọc và thực hành tuần tự Chương 1 → Chương 2 → Chương 3, kết hợp các nguồn dẫn chiếu trong tài liệu (Hoff 2009; Gelman và cộng sự 2014) để đào sâu thêm về lý thuyết khi cần.