Liên hệ qua Messenger

SciEco

Trang chủ Khoá học Bài viết Về chúng tôi Kết nối Hội thảo

Chương trình đào tạo Stata nâng cao

Đn

Đội ngũ SciEco

Ngày viết: 06/07/2023

Nhằm đáp ứng chương trình dạy và học, cập nhật các kiến thức về mô hình kinh tế lượng phù hợp với các nghiên cứu mới ở trong và ngoài nước. Đội ngũ SciEco cập nhật chương trình đào tạo khoá STATA nâng cao bắt đầu áp dụng từ các khoá học hè 2023. Chi tiết chương trình như sau:

Đối tượng:

Dành cho học viên đã có kiến thức nền tảng về STATA và kinh tế lượng, có nhu cầu làm nghiên cứu khoa học, định hướng nghiên cứu chuyên nghiệp.

Mục tiêu khóa học:

Trang bị cho học viên các kiến thức và kỹ năng xử lý các mô hình kinh tế lượng lượng nâng cao.

Lợi ích khóa học:

Chương trình học được xây dựng chi tiết, rõ ràng giúp trang bị cho học viên đầy đủ các kiến thức cần thiết về kinh tế lượng nâng cao để có thể thực hiện các nghiên cứu khoa học, công bố trong nước và quốc tế có sử dụng phương pháp nghiên cứu định lượng
Mỗi nội dung đều có nhiều bài tập đi kèm và bài tập nâng cao giúp học viên có thể thực hành ngay sau khi học với các bộ số liệu mới nhất
Học viên được giải đáp thắc mắc, câu hỏi bởi đội ngũ giảng viên, trợ giảng tại trung tâm
Tham gia khóa học, học viên sẽ được nâng cao kiến thức về nghiên cứu, đặc biệt là nghiên cứu định lượng.

Chương trình đào tạo

Bài 1 – Buổi 1: Hồi quy với biến rời rạc 1 – Mô hình logit/probit

Biến định tính và biến giả
Mô hình với biến độc lập là biến giả
Mô hình với biến phụ thuộc là biến giả: Logit/Probit

Bài 2 – Buổi 2: Hồi quy biến rời rạc buổi 2 – Mô hình logit/probit thứ bậc và danh định

Biến phụ thuộc thứ bậc – Ordered Logit/Probit
Biến phụ thuộc danh định – Multinominal Logit/Probit

Bài 3 – Buổi 3: Vấn đề nội sinh – Ước lượng với biến công cụ

Biến nội sinh: nguyên nhân và hậu quả
Biến công cụ (IV)
Ước lượng Bình phương bé nhất hai giai đoạn (2SLS)

Bài 4 – Buổi 4: Giới thiệu về chuỗi thời gian

Dữ liệu chuỗi thời gian
Các thành phần của chuỗi thời gian
Phân rã chuỗi thời gian
Biến trễ và sai phân
Tính dừng của chuỗi thời gian
Nhiễu trắng và bước ngẫu nhiên

Bài 5 – Buổi 5: Mô hình vector tự hồi quy VAR

Giới thiệu mô hình VAR
Ước lượng VAR
Kiểm định khuyết tật
Hàm phản ứng và phân rã phương sai

Bài 6 – Buổi 6: Mô hình tự hồi quy phân phối trễ ARDL

Đồng tích hợp (cointegration) và cơ chế hiệu chỉnh sai số (ECM)
Mô hình tự hồi quy phân phối trễ ARDL

Bài 7 – Buổi 7, 8, 9 & 10: Hồi quy với dữ liệu mảng

Kiểm định sự phụ thuộc theo chiều ngang (cross-sectional dependent test)
Kiểm định nghiệm đơn vị dữ liệu mảng (Panel unit-root test)
Kiểm định đồng tích hợp (cointegration test)
Kiểm định phân phối chuẩn (normality test)
Mô hình hiệu ứng cố định (FEM)
Mô hình hiệu ứng ngẫu nhiên (REM)
Mô hình bình phương nhỏ nhất tổng quát thực hành (FGLS)
Mô hình hồi quy phân vị dữ liệu mảng (Panel quantile regression)
Mô hình OLS động (DOLS) và OLS hiệu chỉnh hoàn toàn (FMOLS)
Mô hình tự hồi quy phân phối trễ dữ liệu mảng (Panel ARDL)

𝑻𝒊̀𝒎 𝒉𝒊𝒆̂̉𝒖 𝒕𝒉𝒆̂𝒎 𝒗𝒆̂̀ 𝒑𝒉𝒂̂𝒏 𝒕𝒊́𝒄𝒉 𝒅𝒖̛̃ 𝒍𝒊𝒆̣̂𝒖 𝒕𝒂̣𝒊 𝑺𝒄𝒊𝒆𝒏𝒄𝒆 𝑭𝒐𝒓 𝑬𝒄𝒐𝒏𝒐𝒎𝒊𝒄𝒔.

Group giải đáp tất tần tật về phân tích dữ liệu:

https://www.facebook.com/groups/cungnhauhocptdl/

#R #datascience #dataanalytics #syllabus

CONTACT US:

Page: https://www.facebook.com/Science.for.Economics

Website: https://www.scienceforeconomics.com/

Hotline: 0867.689.262 (Mr. Tuấn)

Gmail: science.for.economics@gmail.com

Bài viết khác

Ứng dụng mô hình cộng tổng quát (gam) để dự báo giá trị vòng đời khách hàng

Tháng 04/2026

Trong lĩnh vực sinh thái học định lượng và dịch tễ học phân tử, các nhà khoa học thường sử dụng mô hình thống kê để dự báo sự phân bố loài hoặc mô hình lây truyền bệnh tật. Tuy nhiên, một ứng dụng thú vị khác của mô hình cộng tổng quát, thường được gọi là GAM, chính là dự báo giá trị vòng đời khách hàng trong các doanh nghiệp phần mềm dịch vụ. Việc dự báo CLV đối mặt với những thách thức thống kê tương tự như dự báo sinh thái: các mối quan hệ phi tuyến tính đạt đến giới hạn bão hòa, cấu trúc phân cấp nơi các nhóm khách hàng hành xử khác nhau và nhu cầu cân bằng giữa tính linh hoạt của mô hình với khả năng giải thích cho các bên liên quan. Nhiều doanh nghiệp hiện nay vẫn dựa vào các phương pháp tính toán đơn giản như lấy giá trị đơn hàng trung bình nhân với tần suất và thời gian gắn bó. Cách tiếp cận này bỏ qua quỹ đạo cá nhân và động lực thời gian. Ngược lại, các mô hình học máy dạng hộp đen có thể nắm bắt các quy luật phức tạp nhưng lại thiếu tính diễn giải cần thiết cho các quyết định chiến lược. Mô hình GAM xuất hiện như một giải pháp trung gian hoàn hảo, cho phép nắm bắt các mối quan hệ phi tuyến phức tạp thông qua các hàm mượt có thể trực quan hóa, đồng thời xử lý tốt hiện tượng phương sai thay đổi đặc trưng trong dữ liệu doanh thu. Hiểu về động lực kinh doanh SaaS Các công ty SaaS hoạt động dựa trên doanh thu định kỳ từ đăng ký thuê bao. Khách hàng trả tiền hàng tháng hoặc hàng năm để duy trì quyền truy cập vào phần mềm. Điều này thay đổi hoàn toàn bài toán thống kê. Thách thức lớn nhất là chi phí thu hút khách hàng thường rất lớn so với doanh thu hàng tháng. Một khách hàng trả 99 đô la mỗi tháng nhưng tốn 500 đô la để thu hút sẽ cần ít nhất sáu tháng để doanh nghiệp đạt điểm hòa vốn.

Giới thiệu về thống kê bayes phần 1: các khái niệm cơ bản

Tháng 04/2026

Trong bài viết này, tôi sẽ giới thiệu cho bạn một cách tiếp cận tương đối đơn giản về thống kê Bayes. Phương pháp Bayes ngày càng trở nên phổ biến và bạn có thể thực hiện các mô hình này bằng lệnh bayesmh trong phần mềm Stata. Nội dung hôm nay sẽ tập trung vào các khái niệm, thuật ngữ chuyên môn và cú pháp cơ bản. Trong bài viết tiếp theo, chúng ta sẽ cùng tìm hiểu sâu hơn về mô hình Markov chain Monte Carlo thông qua thuật toán Metropolis-Hastings. Thống kê bayes qua ví dụ thực tế Nhiều người trong chúng ta được đào tạo theo trường phái thống kê tần suất, nơi các tham số được coi là các đại lượng cố định nhưng chưa biết giá trị. Chúng ta ước lượng các tham số này bằng cách lấy mẫu từ quần thể, và các mẫu khác nhau sẽ cho ra các ước lượng khác nhau. Tập hợp các ước lượng này tạo nên phân phối mẫu, giúp định lượng sự không chắc chắn của kết quả. Tuy nhiên, bản thân tham số vẫn luôn được xem là một hằng số cố định. Thống kê Bayes mang đến một tư duy hoàn toàn khác. Ở đây, các tham số được đối xử như các biến ngẫu nhiên và có thể được mô tả bằng các phân phối xác suất. Chúng ta thậm chí không cần dữ liệu để mô tả phân phối của một tham số, bởi xác suất đơn giản là mức độ tin tưởng của chúng ta vào giá trị đó.

SciEco

Science for Economics

Định hướng đào tạo phân tích dữ liệu, xây dựng chính sách, tối ưu hoá danh mục tài chính cá nhân và dự báo thị trường.

Liên hệ

Địa chỉ: Số 60, ngõ 41, Phố Thái Hà, Trung Liệt, Đống Đa, Hà Nội (Google Map)

Email: science.for.economics@gmail.com

Hotline: 03.57.94.7680 (Mrs. Hà)

Mạng xã hội

Science for Economics

Science for Economics