Stata trong nghiên cứu định lượng

1. 1.1
   Nội dung chuyên môn

   • Vai trò của kinh tế lượng trong việc trả lời câu hỏi nghiên cứu thuộc lĩnh vực kinh tế và quản trị.
   • Phân biệt dữ liệu cắt ngang, chuỗi thời gian và dữ liệu bảng; liên hệ cấu trúc dữ liệu với phương án phân tích.
   • Kết nối cơ sở lý thuyết, giả thuyết, biến nghiên cứu và mô hình thực nghiệm.
   • Làm quen với giao diện Stata, cửa sổ lệnh, kết quả và thông tin biến.
   • Tổ chức thư mục nghiên cứu; sử dụng do-file và log-file để lưu lại quá trình xử lý.
   • Nhập dữ liệu từ Excel hoặc CSV; đặt nhãn, mã hóa và tạo biến bằng các thao tác như encode, generate và replace.
   • Khảo sát dữ liệu bằng thống kê mô tả, bảng tần số và đồ thị.
   • Thực hành hồi quy OLS bằng reg; đọc hệ số, sai số chuẩn, thống kê t, F và R².
   • Lưu kết quả, tạo giá trị dự báo bằng predict và làm quen với việc xuất bảng.
2. 1.2
   Ứng dụng ChatGPT

   • Viết yêu cầu có đủ thông tin về cấu trúc dữ liệu, tên biến và mục tiêu phân tích.
   • Nhờ ChatGPT đề xuất câu lệnh nhập dữ liệu, tạo biến, thống kê mô tả và hồi quy cơ bản.
   • Kiểm tra từng câu lệnh trên Stata và sử dụng thông báo lỗi để điều chỉnh.

Sản phẩm: một do-file gồm các bước nhập dữ liệu, xử lý ban đầu, thống kê mô tả và ước lượng OLS.

1. 2.1
   Nội dung chuyên môn

   • Phương sai thay đổi: biểu hiện, ảnh hưởng đến suy luận thống kê và cách kiểm tra bằng Breusch–Pagan, White hoặc đồ thị phần dư.
   • Xem xét sai số chuẩn robust, biến đổi dữ liệu và FGLS trong những điều kiện phù hợp.
   • Đa cộng tuyến: nhận diện qua quan hệ giữa các biến và chỉ số VIF.
   • Thảo luận việc lựa chọn biến, gộp biến hoặc xây dựng chỉ số tổng hợp dựa trên cơ sở lý thuyết.
   • Tự tương quan trong chuỗi thời gian: nhận diện và kiểm tra bằng Durbin–Watson, Breusch–Godfrey.
   • Giới thiệu cách xử lý bằng sai số chuẩn Newey–West HAC, cấu trúc AR và FGLS phù hợp.
   • Thực hành so sánh OLS thông thường, OLS với sai số chuẩn robust và FGLS.
2. 2.2
   Ứng dụng ChatGPT

   • Xây dựng câu lệnh kiểm định dựa trên mô hình và loại dữ liệu đã xác định.
   • Phân tích lỗi cú pháp, điều kiện sử dụng lệnh và các bước kiểm tra bổ sung.
   • Đối chiếu nhận xét do ChatGPT đề xuất với kết quả kiểm định thực tế.

Sản phẩm: một bảng tổng hợp vấn đề mô hình, bằng chứng kiểm định và phương án xử lý; kèm bảng so sánh kết quả ước lượng.

1. 3.1
   Nội dung chuyên môn

   • Nhận diện các nguồn nội sinh: biến bị bỏ sót, sai số đo lường, quan hệ đồng thời và lựa chọn mẫu.
   • Giải thích ảnh hưởng của nội sinh đến độ tin cậy của ước lượng OLS.
   • Điều kiện lựa chọn biến công cụ: tính liên quan và điều kiện loại trừ.
   • Thực hành IV/2SLS bằng ivregress.
   • Đánh giá công cụ yếu và thực hiện kiểm định quá xác định khi mô hình đáp ứng điều kiện.
   • Xây dựng hệ phương trình đồng thời qua các tình huống kinh tế và tài chính.
   • Thực hành 2SLS và 3SLS bằng reg3.
   • So sánh OLS, IV/2SLS và 3SLS về giả định, phạm vi áp dụng và cách diễn giải.
2. 3.2
   Ứng dụng ChatGPT

   • Chuyển mô tả mô hình thành cấu trúc câu lệnh IV/2SLS hoặc hệ phương trình.
   • Kiểm tra cách khai báo biến nội sinh, biến ngoại sinh và biến công cụ.
   • Hỗ trợ bố trí bảng kết quả, đặt tên biến và viết ghi chú phương pháp.
   • Phân biệt bằng chứng kiểm định với lập luận lý thuyết về tính hợp lệ của biến công cụ.

Sản phẩm: một do-file ước lượng mô hình có nội sinh hoặc hệ phương trình, cùng bảng kết quả và phần diễn giải ngắn.

1. 4.1
   Nội dung chuyên môn

   • Đọc cấu trúc dữ liệu bảng theo số đơn vị quan sát và số thời kỳ; khai báo dữ liệu bằng xtset.
   • Ước lượng mô hình tác động cố định và tác động ngẫu nhiên bằng xtreg.
   • Sử dụng kiểm định Hausman trong điều kiện phù hợp và thảo luận cơ sở lựa chọn FE/RE.
   • Kiểm tra phương sai thay đổi, tự tương quan và phụ thuộc chéo trong dữ liệu bảng.
   • Giới thiệu kiểm định Pesaran CD và các phương án phân tích liên quan đến xtgls, xtscc.
   • Mô hình bảng động: tiếp cận Arellano–Bond và System GMM.
   • Thực hành GMM bằng xtabond hoặc xtabond2; xem xét cách xây dựng và kiểm soát số lượng công cụ.
   • Đọc kiểm định Hansen, AR(1), AR(2) và đánh giá kết quả trong bối cảnh mô hình.
   • Giới thiệu PMG trong mô hình panel ARDL; phân biệt quan hệ ngắn hạn và dài hạn.
   • Thực hành xtpmg, đọc hệ số dài hạn, động học ngắn hạn và hệ số hiệu chỉnh sai số.
2. 4.2
   Ứng dụng ChatGPT

   • Hỗ trợ xây dựng câu lệnh dữ liệu bảng, độ trễ và cấu trúc công cụ theo phương án phân tích đã lựa chọn.
   • Đề xuất câu lệnh xuất bảng và định dạng bảng cho Word hoặc Excel.
   • Đối chiếu bảng xuất với output gốc: hệ số, sai số chuẩn, p-value, số quan sát, mẫu ước lượng và ghi chú.
   • Kiểm tra sự nhất quán giữa kết quả thống kê và phần diễn giải; nhận diện những kết luận vượt quá bằng chứng.

Sản phẩm: một bảng kết quả dữ liệu bảng có ghi chú đầy đủ, kèm danh sách các bước kiểm tra trước khi sử dụng trong bản thảo.

1. 5.1
   Rà soát quy trình phân tích

   • Hệ thống lại các bước: nhập dữ liệu, làm sạch, mô tả, kiểm định, ước lượng, lưu và trình bày kết quả.
   • Rà soát do-file để bảo đảm người nghiên cứu có thể chạy lại và đối chiếu quá trình phân tích.
2. 5.2
   Trao đổi trực tiếp về nghiên cứu của học viên

   • Thảo luận câu hỏi nghiên cứu, cấu trúc dữ liệu, cách đo lường biến và mô hình đang sử dụng.
   • Giải đáp vướng mắc về lựa chọn phương pháp, kiểm định, lỗi Stata và diễn giải kết quả.
   • Xem xét sản phẩm thực hành sử dụng một hoặc hai phương pháp đã học trên dữ liệu mẫu hoặc dữ liệu của học viên.
   • Góp ý bảng kết quả và đoạn trình bày theo hình thức luận văn hoặc bài báo.
   • Xác định những vấn đề cần xử lý tiếp và các kiểm tra độ vững phù hợp với nghiên cứu.
3. 5.3
   Định hướng lựa chọn tạp chí quốc tế

   • Đánh giá mức độ phù hợp giữa chủ đề, phương pháp, đóng góp nghiên cứu và phạm vi của tạp chí.
   • Hướng dẫn tìm kiếm, đối chiếu thông tin về tạp chí, tình trạng lập chỉ mục và yêu cầu gửi bài.
   • Thảo luận các lựa chọn công bố dựa trên chất lượng bản thảo, nhóm độc giả, chi phí và mục tiêu của tác giả.
   • Góp ý những phần cần hoàn thiện trước khi nộp bài: lập luận đóng góp, phương pháp, kết quả, thảo luận và tài liệu tham khảo.
   • Giới thiệu quy trình chuẩn bị hồ sơ gửi bài và phản hồi nhận xét của biên tập viên, phản biện.
   • Định hướng tiếp tục tự học Stata và phát triển nghiên cứu sau khóa học.
4. 5.4
   Học viên được khuyến khích gửi trước

   • Câu hỏi nghiên cứu
   • Mô tả dữ liệu
   • Do-file
   • Kết quả cần trao đổi

Sản phẩm cuối khóa: học viên hoàn thiện một bộ sản phẩm thực hành gồm do-file, bảng kết quả và phần diễn giải; đồng thời xác định kế hoạch cải thiện nghiên cứu và hướng công bố phù hợp.