Mô tả vắn tắt học phần
1. Tên học phần:
Kinh tế lượng nâng cao
2. Ngôn ngữ giảng dạy:
Tiếng Việt
3. Mã học phần:
M00265
4. Bộ môn phụ trách giảng dạy:
KTLQLNN - Khoa Toán - Thống kê / Bộ môn Toán kinh tế
5. Trình độ:
Đại Học
6. Số tín chỉ:
3
7. Phân bổ thời gian:
- Đối với hoạt động trên lớp:
- Lý thuyết: 45 tiết
- Làm việc nhóm, thảo luận:
- Đối với hoạt động tại phòng máy tính, phòng mô phỏng, …:
- Thực hành, làm việc nhóm, thảo luận: 30 tiết
- Tự nghiên cứu, tự học: 90 tiết
- Đồ án, Đề án, Dự án
- Thực tập
8. Tính chất học phần:
Bắt buộc
9. Ngành áp dụng:
CTĐT Toán tài chính
10. Điều kiện tiên quyết:
| STT | Mã học phần | Tên học phần (VN) | Tên học phần (EN) | Số tín chỉ |
|---|---|---|---|---|
| 1 | M00263 | Kinh tế lượng | Econometrics | 3 |
11. Mục tiêu học phần:
Học phần Kinh tế lượng nâng cao cung cấp các kiến thức nâng cao của kinh tế lượng, nhằm trang bị cho học viên những kỹ năng cần thiết để phân tích và xử lý dữ liệu phức tạp trong nghiên cứu kinh tế. Nội dung học phần bao gồm:
- Sử dụng biến công cụ và phương pháp 2SLS (Two-Stage Least Squares) để giải quyết vấn đề nội sinh trong mô hình hồi quy.
- Giới thiệu phương pháp GMM để ước lượng các mô hình kinh tế lượng.
- Giới thiệu các phương pháp xử lý và phân tích dữ liệu bảng, bao gồm mô hình hồi quy dạng bảng động.
- Cung cấp kiến thức cơ bản về chuỗi thời gian, bao gồm các thành phần của chuỗi thời gian, tính dừng của dữ liệu và vấn đề hồi quy giả mạo.
- Cung cấp các kiến thức về các chuỗi nhiễu trắng, bước ngẫu nhiên, quá trình tự hồi quy (AR - AutoRegressive), quá trình trung bình trược (MA - Moving Average), quá trình ARMA (AutoRegressive Moving Average), ARIMA (AutoRegressive Integrated Moving Average) và các dạng mở rộng để phân tích và dự báo chuỗi thời gian.
12. Mô tả vắn tắt nội dung học phần:
Học phần Kinh tế lượng nâng cao giới thiệu các kiến thức nâng cao trong kinh tế lượng, bao gồm xử lý hiện tượng nội sinh bằng biến công cụ và phương pháp 2SLS; phương pháp GMM, các mô hình xử lý dữ liệu bảng, mô hình hồi quy dạng bảng động. Bên cạnh đó, học phần cũng giúp học viên có những kiến thức cơ bản về chuỗi thời gian như các thành phần của chuỗi thời gian, tính dừng của dữ liệu và vấn đề hồi quy giả mạo. Các chuỗi nhiễu trắng, bước ngẫu nhiên, quá trình AR, MA, ARMA, ARIMA và các dạng mở rộng cũng được đề cập trong chương trình để học viên có thể phân tích các chuỗi thời gian và dự báo. Các tính toán học phần được hỗ trợ bằng phần mềm Stata hoặc R.