KINH TẾ LƯỢNG NÂNG CAO (TRÌNH ĐỘ TIẾN SĨ)

Kinh Tế - Quản Lý - Công Nghệ Thông Tin, it, phầm mềm, website, web, mobile app, trí tuệ nhân tạo, blockchain, AI, machine learning - Kế toán 1 Nội dung chương trình “Kinh Tế Lượng Nâng Cao” Kinh tế lượng (Econometrics) là công cụ chủ yếu của các nhà nghiên cứ u trong các chuyên ngành kinh tế và tài chính (Economics and Finance). Khi tiến hành các nghiên cứ u hàn lâm (academic research) với số liệu kinh tế và tài chính, việc xây dựng, ước lượng và kiểm đị nh các mô hình sử dụng các công cụ kinh tế lượng là hướng nghiên cứu chủ yếu (mainstream research) được thừa nhận rộng rãi trên thế giới. Khóa học kinh tế lượng nâng cao nhằm trang bị cho học viên những kiến thức ở cấp độ cao nhất trong kinh tế lượng về mặt lý thuyết cũng như thực hành. Các mô hình kinh tế lượng sẽ được giới thiệu chi tiết nền tảng lý thuyết, các tính chất của các ước lượng sẽ được khả o sát về mặt lý thuyết và minh họa bằng các chương trình mô phỏng (simulation) viế t trên MATLAB. Các bài thực hành với số liệu sẽ sử dụng STATA hoặc EVIEWS. Các phương pháp và phát triển mới nhất trong kinh tế lượng cũng sẽ được đề cập và thảo luận. Để tham gia tốt khóa học, học viên được yêu cầu có kiến thức vững chắc về xác suất thống kê và đại số tuyến tính ở trình độ đại học, đặc biệt là các phép tính toán trên ma trận. Học viên cũng được cho là đã học qua các môn kinh tế lượng ở trình độ nhập môn hoặc trung cấ p (introductory or intermediate level). Tài liệu ôn tập kiến thức xác suất thống kê và đại số ma trận sẽ được phát cho học viên vào đầu khóa học. Bài giảng (lecture notes) của khóa học sẽ được cung cấp cho học viên. Khóa học sử dụ ng tiếng Việt, nhưng các tài liệu cung cấp cho học viên sẽ bằng tiếng Anh. Tài liệu tham khảo chính: William H. Greene, “Econometric Analysis”, 7th edition, 2012 (Ghi chú: việc mua tài liệu tham khảo là không bắt buộc vì bài giảng được soạn chi tiết) Khóa học sẽ bao gồm 3 học phần: 1. Kinh tế lượng: các vấn đề căn bản 2. Lựa chọn rời rạc và kinh tế lượng vi mô (micro-econometrics) 3. Chuỗi thời gian và kinh tế lượng vĩ mô (macro-econometrics) Học phần 1 là yêu cầu tiên quyết (pre-requisite) cho học phần 2 hoặc học phần 3. Điều này có nghĩa là, sau phần 1, tùy theo dự định nghiên cứu của cá nhân, học viên có thể lựa chọn phầ n 2 hoặc phần 3 (hoặc cả hai) để học tiếp. Để tham gia các học phần, học viên được trông đợi là trang bị máy tính với các phần mề m EVIEWS hoặc STATA. Việc có khả năng viết các chương trình mô phỏng trên MATLAB được khuyến khích, tuy rằng điều này là không bắt buộc. 2 Đánh giá cuối mỗi học phần: Khóa học mở rộng và tự nguyện cho các đối tượng trong thông báo. Các bài tập lý thuyết và ứng dụng sẽ được giao cho học viên, học viên sẽ làm các bài tập đó trên tinh thần tự giác. Cuối mỗi học phần, học viên được yêu cầu chọn một đề tài ứng dụng với số liệu thực tiễ n, và tiến hành viết một bài nghiên cứu ứng dụng. Tối đa 2 học viên có thể kết hợp để viết mộ t bài nghiên cứu. Các đề tài và cách khai thác các nguồn số liệu trên internet sẽ được thảo luậ n trên lớp. Hạn nộp bài là 8 tuần sau khi kết thúc học phần. Học viên chỉ được coi là hoàn thành học phần sau khi đã trình bày bài nghiên cứu ứng dụ ng của mình cho giảng viên của khóa học. 3 University of Economics - Ho Chi Minh City 2012 ADVANCED ECONOMETRIC COURSE (PhD level) PART I BASIC ECONOMETRIC MODELS Chapter 1: LINEAR REGRESSION MODEL I. Model II. Assumptions of the Classical Regression Model III. Ordinary Least Squares Estimation (OLS) IV. Algebraic Properties of Least Squares V. Partitioned Regression VI. Goodness of Fit Chapter 2: FINITE SAMPLE PROPERTIES OF LEAST SQUARES ESTIMATORS I. Unbiased II. Linearity III. VarCov( βˆ ), estimation of 2 ˆ σ IV. Efficient V. Gauss - Markov Theorem VI. Review of Stochastic Inference 1. Normally distributed vector 2. Chi-squares distribution 3. Eigenvalue - Eigenvector problem 4. F and t-distribution VII. Testing Hypothesis on Individual Coefficients 4 VIII. Family of F-test Chapter 3: STOCHASTIC REGRESSION MODEL I. Asymptotic Properties of the Least Squares Estimators 1. Consistency 2. Cramer theorem 3. Slutsky Theorem II. Stochastic Regression 1. Stationary random variable 2. Unbiasedness of βˆ 3. VarCov ( βˆ ) 4. Consistency of βˆ III. Limiting Distributions and Asymptotic Distributions 1. Definition 2. Central limit theorem 3. Proposition IV. Asymptotic Distribution of βˆ Chapter 4: INSTRUMENTAL VARIABLES ESTIMATION I. Endogeneity Problem 1. Errors in measurement of independent variables 2. Jointly determined variables 3. Omitted variables 4. Lagged dependent variables II. Estimation by Instrumental Variable III. Two-stage Least Squares Estimation IV. Asymptotic Distribution of βˆ IV V. Hausman’s Specification Test and an Application to IV estimation 1. Theorem 2. Hausman’s test 5 3. Wu’s approach VI. Choosing Instruments Chapter 5: INFERENCE AND PREDICTION I. Nested and Non-nested Models II. Wald test 1. The asymptotic χ2 distribution and exact F-distribution 2. The restricted least squares estimatiors Chapter 6: DUMMY VARIABLES I. Intercept Dummy II. Intercept Dummy with Interactions III. Seasonal Effects IV. Differences i...

N ội dung chương trình

“Kinh T ế Lượng Nâng Cao”

Kinh tế lượng (Econometrics) là công cụ chủ yếu của các nhà nghiên cứu trong các chuyên ngành kinh tế và tài chính (Economics and Finance) Khi tiến hành các nghiên cứu hàn lâm (academic research) với số liệu kinh tế và tài chính, việc xây dựng, ước lượng và kiểm định các mô hình sử dụng các công cụ kinh tế lượng là hướng nghiên cứu chủ yếu (mainstream research) được thừa nhận rộng rãi trên thế giới

Khóa học kinh tế lượng nâng cao nhằm trang bị cho học viên những kiến thức ở cấp độ cao

nhất trong kinh tế lượng về mặt lý thuyết cũng như thực hành Các mô hình kinh tế lượng sẽ được giới thiệu chi tiết nền tảng lý thuyết, các tính chất của các ước lượng sẽ được khảo sát

về mặt lý thuyết và minh họa bằng các chương trình mô phỏng (simulation) viết trên MATLAB Các bài thực hành với số liệu sẽ sử dụng STATA hoặc EVIEWS Các phương pháp và phát triển mới nhất trong kinh tế lượng cũng sẽ được đề cập và thảo luận

Để tham gia tốt khóa học, học viên được yêu cầu có kiến thức vững chắc về xác suất thống kê

và đại số tuyến tính ở trình độ đại học, đặc biệt là các phép tính toán trên ma trận Học viên cũng được cho là đã học qua các môn kinh tế lượng ở trình độ nhập môn hoặc trung cấp (introductory or intermediate level) Tài liệu ôn tập kiến thức xác suất thống kê và đại số ma

trận sẽ được phát cho học viên vào đầu khóa học

Bài giảng (lecture notes) của khóa học sẽ được cung cấp cho học viên Khóa học sử dụng

tiếng Việt, nhưng các tài liệu cung cấp cho học viên sẽ bằng tiếng Anh

Tài li ệu tham khảo chính:

William H Greene, “Econometric Analysis”, 7th edition, 2012

(Ghi chú: việc mua tài liệu tham khảo là không bắt buộc vì bài giảng được soạn chi tiết) Khóa học sẽ bao gồm 3 học phần:

1 Kinh tế lượng: các vấn đề căn bản

2 Lựa chọn rời rạc và kinh tế lượng vi mô (micro-econometrics)

3 Chuỗi thời gian và kinh tế lượng vĩ mô (macro-econometrics)

Học phần 1 là yêu cầu tiên quyết (pre-requisite) cho học phần 2 hoặc học phần 3 Điều này có nghĩa là, sau phần 1, tùy theo dự định nghiên cứu của cá nhân, học viên có thể lựa chọn phần

2 hoặc phần 3 (hoặc cả hai) để học tiếp

Để tham gia các học phần, học viên được trông đợi là trang bị máy tính với các phần mềm EVIEWS hoặc STATA Việc có khả năng viết các chương trình mô phỏng trên MATLAB được khuyến khích, tuy rằng điều này là không bắt buộc

Đánh giá cuối mỗi học phần:

Khóa học mở rộng và tự nguyện cho các đối tượng trong thông báo Các bài tập lý thuyết và ứng dụng sẽ được giao cho học viên, học viên sẽ làm các bài tập đó trên tinh thần tự giác

Cuối mỗi học phần, học viên được yêu cầu chọn một đề tài ứng dụng với số liệu thực tiễn, và

tiến hành viết một bài nghiên cứu ứng dụng Tối đa 2 học viên có thể kết hợp để viết một bài nghiên cứu Các đề tài và cách khai thác các nguồn số liệu trên internet sẽ được thảo luận trên

lớp Hạn nộp bài là 8 tuần sau khi kết thúc học phần

Học viên chỉ được coi là hoàn thành học phần sau khi đã trình bày bài nghiên cứu ứng dụng

của mình cho giảng viên của khóa học

University of Economics - Ho Chi Minh City

2012

ADVANCED ECONOMETRIC COURSE (PhD level)

PART I BASIC ECONOMETRIC MODELS

Chapter 1: LINEAR REGRESSION MODEL

I Model

II Assumptions of the Classical Regression Model

III Ordinary Least Squares Estimation (OLS)

IV Algebraic Properties of Least Squares

V Partitioned Regression

VI Goodness of Fit

Chapter 2: FINITE SAMPLE PROPERTIES OF LEAST SQUARES

ESTIMATORS

I Unbiased

II Linearity

III VarCov(βˆ), estimation of 2

ˆ

σ

IV Efficient

V Gauss - Markov Theorem

VI Review of Stochastic Inference

1 Normally distributed vector

2 Chi-squares distribution

3 Eigenvalue - Eigenvector problem

4 F and t-distribution

VII Testing Hypothesis on Individual Coefficients

VIII Family of F-test

Chapter 3: STOCHASTIC REGRESSION MODEL

I Asymptotic Properties of the Least Squares Estimators

1 Consistency

2 Cramer theorem

3 Slutsky Theorem

II Stochastic Regression

1 Stationary random variable

2 Unbiasedness of βˆ

3 VarCov (βˆ)

4 Consistency of βˆ

III Limiting Distributions and Asymptotic Distributions

1 Definition

2 Central limit theorem

3 Proposition

IV Asymptotic Distribution of βˆ

Chapter 4: INSTRUMENTAL VARIABLES ESTIMATION

I Endogeneity Problem

1 Errors in measurement of independent variables

2 Jointly determined variables

3 Omitted variables

4 Lagged dependent variables

II Estimation by Instrumental Variable

III Two-stage Least Squares Estimation

IV Asymptotic Distribution of βˆIV

V Hausman’s Specification Test and an Application to IV estimation

1 Theorem

2 Hausman’s test

3 Wu’s approach

VI Choosing Instruments

Chapter 5: INFERENCE AND PREDICTION

I Nested and Non-nested Models

II Wald test

1 The asymptotic χ 2

distribution and exact F-distribution

2 The restricted least squares estimatiors

Chapter 6: DUMMY VARIABLES

I Intercept Dummy

II Intercept Dummy with Interactions

III Seasonal Effects

IV Differences in Differences

V Test for Structural Break

Chapter 7: GENERALIZED LINEAR REGRESSION

I Model

II Properties of OLS Estimators

III White’s Heteroskedasticity Consistent Estimator for VarCov(βˆ)

IV Generalized Least Squares Estimation

V Feasible GLS Estimation

Chapter 8: HETEROSKEDASTICTY

I Properties of OLS Estimator under Heteroskedasticity

II Testing for Heteroskedasticity

III Treatment for Heteroskedasticity

Chapter 9: AUTOCORRELATION

I Properties of OLS Estimator under Autocorrelation

II Disturbance Processes

III Treatment for Autocorrelation

IV Testing for Autocorrelation

V Neway-West Procedure for Consistent Estimation of VarCov(βˆ )

Chapter 10: MODELS FOR PANEL DATA

I General Framework

II Panel Regression

III Fixed-Effects Models

1 Least Squares Dummy Variables (LSDV) model

2 Within-estimator and Between-estimator

3 Fixed time and Group effects

4 Unbalanced panel

5 Testing for group effect

6 Shortcoming of fixed-effect model

7 Autocorrelation and Heteroskedasticity in fixed-effect model

IV Random Effects Model

V Choosing between Fixed-Effects and Random Effects Model

VI Finding the big VarCov(βˆ)

Chapter 11: SEEMINGLY UNRELATED REGRESSION (SUR)

I Model

II Kronecker Product

III Generalized Least Squares (GLS)Estimation for SUR

IV Feasible GLS Estimation for SUR model

V Cases in which there is no efficiency gain of SUR over OLS

VI Hypothesis Testing and Autocorrelation in SUR

Chapter 12: SIMULTANEOUS EQUATION MODELS

I Model

1 General framework

2 Reduced form

II Rank and Order Conditions for Identification

III Estimation of a Simultaneous Equation Model

1 OLS estimation

2 Two-stage least squares (2-SLS)method

3 Computational formula for 2-SLS

4 Three-stage least squares estimation

Chapter 13: GENERALIZED METHOD OF MOMENTS (GMM)

ESTIMATION

I The Basic for The GMM estimation

1 Estimation based on orthogonality condition

2 Generalizing the method of moments

3 Properties of the GMM estimator

II GMM and Conventional Estimators

1 GMM and IV, 2-SLS

2 Why use GMM?

III GMM Estimation of Econometric Models

1 Single-equation linear models

2 Seemingly unrelated regression models

3 Simultaneous equations models with heteroskedasticity

PART II DISCRETE CHOICE AND MICRO-ECONOMETRICS

Chapter 1: DISCRETE CHOICE ANALYSIS: BINARY OUTCOMES

I Models for Binary Outcomes

II Estimation and Inference in Binary Choice Models

1 Marginal effects and average partial effects

2 Measuring goodness of fit

3 Hypothesis Tests

4 Specification Analysis

III Binary Choice Models for Panel Data

IV Multivariate Probit Model

Chapter 2: DISCRETE CHOICE ANALYSIS: MULTINOMIAL AND

EVEN COUNTS MODELS

I Models for Unordered Multiple Choices

1 The multinomial logit model

2 The conditional logit model

3 The independent from irrelevant alternatives (IIA) assumption

4 Nested logit models

5 The mixed logit model

II Random Utility Models for Ordered Choices

III Models for Counts of Events

1 The Poisson regression model

2 Measuring goodness of fit

3 Testing for overdispersion

4 Negative binomial regression model

5 Two-part models: zero inflation and hurdle models

Chapter 3: LIMITED DEPENDENT VARIABLES

I Truncation

1 Truncated distribution

2 The truncated regression model

3 The stochastic frontier model

II Censored Data

1 The censored normal distribution

2 The Tobit model

3 Heteroskedasticity and non-normality

III Sample Selection Models

1 Incidental truncation in a bivariate distribution

2 Regression in a model of selection

3 Two-step and maximum likelihood estimation

4 Panel data applications of sample selection models

IV Evaluating Treatments Effects

1 Regression analysis of treatment effects

2 Propensity score matching

3 Regression discontinuity

PART III TIME SERIES AND MACRO-ECONOMETRICS

Chapter 1: STATIONARY TIME-SERIES MODEL

I Stochastic Difference Equation Model

II ARMA Model

III Stationary

IV Properties of Forecasts

Chapter 2: MODELING VOLATILITY

I ARCH Processes

II A GARCH Model of Risk

III The ARCH-M Model

IV Properties of GARCH Processes

V Maximum-Likelihood Estimation of GARCH Model

VI Multivariate GARCH

Chapter 4: VECTOR AUTOREGRESSION MODEL (VAR)

I Introduction to VAR analysis

II Estimation and Identification

III The Impulse Response Function (IRF)

IV Testing Hypotheses

V Structural VARs

Chapter 5: NON-STATIONARY DATA

I Non-stationary Processes and Unit Roots

1 Integrated processes and differencing

2 Random walks and trend

3 Spurious regressions

4 Testing for unit roots

II Cointegration

1 Common trends between non-stationary variables

2 Testing for cointegration

3 Estimating cointegrating vector

III Vector Error-Correction Model

1 The Engle-Granger methodology

2 Trace and maximum eigenvalue tests for cointegration

3 The Johansen methodology

IV Non-stationary Panel Data

1 Testing for unit roots and cointegration in non-stationary panel

2 Models estimation using non-stationary panel data