SYLLABUS ECONOMIC FORECASTING (2)
Giai đoạn 2 - Econometrics (Ngày 116–240, 125 ngày)
PHẦN A: OLS NÂNG CAO (Ngày 116–150)
Ngày 116: Ôn lại cơ chế OLS
Mục tiêu: Củng cố lại nền tảng OLS trước khi đi sâu.
Lý thuyết: Ôn lại normal equations, β = (X'X)⁻¹X'y.
Thực hành: Chạy lại OLS tự viết từ Giai đoạn 0 trên một bộ dữ liệu kinh tế mới.
Ngày 117: Định lý Gauss-Markov - Phát biểu
Mục tiêu: Hiểu phát biểu của định lý Gauss-Markov.
Lý thuyết: Gauss-Markov theorem, các giả định cần có.
Thực hành: Liệt kê lại 5 giả định Gauss-Markov với ví dụ minh họa cho từng giả định.
Ngày 118: Định lý Gauss-Markov - Trực giác chứng minh
Mục tiêu: Hiểu vì sao OLS là ước lượng tuyến tính không chệch tốt nhất.
Lý thuyết: Ý tưởng chứng minh BLUE, so sánh với các ước lượng tuyến tính không chệch khác.
Thực hành: Mô phỏng so sánh phương sai của OLS với một ước lượng tuyến tính khác trên dữ liệu giả lập.
Ngày 119: Tính chất BLUE
Mục tiêu: Hiểu sâu Best Linear Unbiased Estimator.
Lý thuyết: Unbiasedness, linearity, efficiency.
Thực hành: Mô phỏng Monte Carlo kiểm chứng OLS unbiased qua nhiều lần lấy mẫu.
Ngày 120: Độ chệch của ước lượng OLS
Mục tiêu: Hiểu khi nào và tại sao OLS bị chệch.
Lý thuyết: Bias, E[β̂] ≠ β khi vi phạm giả định.
Thực hành: Mô phỏng trường hợp OLS bị chệch khi thiếu biến quan trọng.
Ngày 121: Bias do bỏ sót biến (Omitted Variable Bias)
Mục tiêu: Tính được hướng và độ lớn của omitted variable bias.
Lý thuyết: Công thức omitted variable bias, điều kiện xảy ra.
Thực hành: Mô phỏng OVB với dữ liệu giả lập, so sánh hệ số có/không có biến bị bỏ sót.
Ngày 122: Phương sai của ước lượng OLS
Mục tiêu: Hiểu công thức tính phương sai của β̂.
Lý thuyết: Var(β̂) = σ²(X'X)⁻¹.
Thực hành: Tính tay phương sai của β̂ cho một bộ dữ liệu nhỏ, kiểm tra lại bằng code.
Ngày 123: Ma trận hiệp phương sai của hệ số
Mục tiêu: Hiểu và sử dụng variance-covariance matrix.
Lý thuyết: Variance-covariance matrix of β̂, ý nghĩa từng phần tử.
Thực hành: Trích xuất và diễn giải ma trận hiệp phương sai từ kết quả
statsmodels.
Ngày 124: Giả định phương sai đồng nhất (Homoskedasticity)
Mục tiêu: Hiểu vai trò của giả định homoskedasticity.
Lý thuyết: Homoskedasticity vs heteroskedasticity, ảnh hưởng đến suy diễn thống kê.
Thực hành: Vẽ residual plot để nhận diện trực quan homoskedasticity/heteroskedasticity.
Ngày 125: Tính hiệu quả của OLS
Mục tiêu: Hiểu khái niệm efficiency trong ước lượng.
Lý thuyết: Efficiency, Cramér-Rao lower bound (giới thiệu sơ lược).
Thực hành: So sánh phương sai OLS với một ước lượng kém hiệu quả hơn qua mô phỏng.
Ngày 126: Nội sinh (Endogeneity) - Khái niệm
Mục tiêu: Hiểu bản chất vấn đề endogeneity.
Lý thuyết: Endogeneity, Cov(X, ε) ≠ 0.
Thực hành: Mô phỏng dữ liệu có endogeneity, quan sát hệ số OLS bị chệch.
Ngày 127: Nguồn gốc nội sinh - Biến bị bỏ sót
Mục tiêu: Nhận diện endogeneity do omitted variables.
Lý thuyết: Ôn lại mối liên hệ giữa OVB và endogeneity.
Thực hành: Tìm ví dụ thực tế trong kinh tế vĩ mô có nguy cơ omitted variable (VD: hồi quy CPI thiếu biến kỳ vọng lạm phát).
Ngày 128: Nguồn gốc nội sinh - Sai số đo lường
Mục tiêu: Hiểu measurement error gây endogeneity như thế nào.
Lý thuyết: Measurement error trong biến độc lập, attenuation bias.
Thực hành: Mô phỏng thêm nhiễu vào biến X, quan sát hệ số OLS bị kéo về 0.
Ngày 129: Nguồn gốc nội sinh - Tính đồng thời
Mục tiêu: Hiểu simultaneity bias.
Lý thuyết: Simultaneity, ví dụ cung-cầu xác định đồng thời giá và lượng.
Thực hành: Phân tích ví dụ hồi quy cung hoặc cầu bị simultaneity bias.
Ngày 130: Hệ quả của nội sinh lên ước lượng
Mục tiêu: Hiểu tác động toàn diện của endogeneity.
Lý thuyết: Ôn tập tổng hợp 3 nguồn gốc endogeneity và hệ quả lên suy diễn chính sách.
Thực hành: Viết tóm tắt case study nơi kết luận sai vì bỏ qua endogeneity.
Ngày 131: Kiểm định Hausman - Giới thiệu
Mục tiêu: Biết cách kiểm tra sự tồn tại của endogeneity.
Lý thuyết: Hausman test, so sánh OLS và IV estimator.
Thực hành: Đọc ví dụ áp dụng Hausman test trong một nghiên cứu kinh tế.
Ngày 132: Biến giả (Dummy Variables)
Mục tiêu: Sử dụng thành thạo dummy variable trong hồi quy.
Lý thuyết: Dummy variable, dummy variable trap.
Thực hành: Thêm dummy biến mùa vụ vào mô hình hồi quy CPI theo tháng.
Ngày 133: Biến tương tác (Interaction Terms)
Mục tiêu: Hiểu và sử dụng interaction terms.
Lý thuyết: Interaction term, diễn giải hệ số khi có tương tác.
Thực hành: Thêm interaction term giữa lãi suất và giai đoạn khủng hoảng vào mô hình.
Ngày 134: Dạng hàm - Biến đổi log
Mục tiêu: Hiểu ứng dụng và diễn giải mô hình log.
Lý thuyết: Log-log, log-lin, lin-log models, diễn giải hệ số co giãn.
Thực hành: Ước lượng mô hình log-log cho GDP theo vốn và lao động.
Ngày 135: Dạng hàm - Đa thức
Mục tiêu: Hiểu khi nào cần thêm polynomial terms.
Lý thuyết: Quadratic terms, non-linear relationships.
Thực hành: Thêm bậc 2 của biến độc lập để mô hình hóa quan hệ phi tuyến (VD: Phillips curve phi tuyến).
Ngày 136: Độ phù hợp mô hình - R² và R² hiệu chỉnh
Mục tiêu: Hiểu và diễn giải đúng R², adjusted R².
Lý thuyết: R-squared, adjusted R-squared, hạn chế của R².
Thực hành: So sánh R² và adjusted R² khi thêm biến không liên quan vào mô hình.
Ngày 137: Kiểm định F cho ý nghĩa tổng thể
Mục tiêu: Thực hiện và diễn giải F-test.
Lý thuyết: F-test for overall significance, joint hypothesis testing.
Thực hành: Thực hiện F-test kiểm tra ý nghĩa tổng thể của mô hình hồi quy CPI.
Ngày 138: Khoảng tin cậy cho hệ số hồi quy
Mục tiêu: Tính và diễn giải confidence interval cho từng hệ số.
Lý thuyết: Ôn lại CI kết hợp với standard error của hệ số hồi quy.
Thực hành: Tính khoảng tin cậy 95% cho các hệ số trong mô hình CPI.
Ngày 139: Khoảng dự báo vs khoảng tin cậy
Mục tiêu: Phân biệt prediction interval và confidence interval.
Lý thuyết: Prediction interval (cho giá trị mới) vs confidence interval (cho giá trị trung bình).
Thực hành: Tính cả hai loại khoảng cho một dự báo CPI cụ thể, so sánh độ rộng.
Ngày 140: Đặc tả mô hình - Lựa chọn biến
Mục tiêu: Có nguyên tắc lựa chọn biến độc lập hợp lý.
Lý thuyết: Model specification, theory-driven vs data-driven variable selection.
Thực hành: Xây danh sách biến ứng viên cho mô hình dự báo CPI dựa trên lý thuyết kinh tế.
Ngày 141: Project CPI - Thu thập dữ liệu
Mục tiêu: Có bộ dữ liệu đầy đủ cho mô hình dự báo CPI.
Lý thuyết: Ôn lại các biến liên quan: cung tiền, lãi suất, tỷ giá, giá dầu, output gap.
Thực hành: Thu thập và làm sạch dữ liệu các biến trên theo tháng.
Ngày 142: Project CPI - Lựa chọn đặc trưng
Mục tiêu: Chọn được tập biến phù hợp cho mô hình.
Lý thuyết: Ôn lại lý thuyết lạm phát (demand-pull, cost-push) để chọn biến.
Thực hành: Lập bảng tương quan giữa các biến ứng viên và CPI.
Ngày 143: Project CPI - Ước lượng mô hình OLS
Mục tiêu: Fit được mô hình OLS dự báo CPI.
Lý thuyết: Ôn lại quy trình ước lượng và kiểm định.
Thực hành: Ước lượng mô hình OLS bằng
statsmodels, xuất bảng kết quả đầy đủ.
Ngày 144: Project CPI - Đánh giá mô hình
Mục tiêu: Đánh giá chất lượng mô hình đã ước lượng.
Lý thuyết: R², residual plots, kiểm tra phân phối chuẩn của residuals.
Thực hành: Vẽ residual plots, Q-Q plot cho mô hình CPI.
Ngày 145: Project CPI - Diễn giải hệ số
Mục tiêu: Diễn giải đúng ý nghĩa kinh tế của các hệ số.
Lý thuyết: Ôn lại cách đọc hệ số theo dạng hàm (level, log).
Thực hành: Viết diễn giải kinh tế cho từng hệ số trong mô hình CPI.
Ngày 146: Project CPI - So sánh đặc tả mô hình
Mục tiêu: Biết chọn mô hình tốt nhất trong nhiều lựa chọn.
Lý thuyết: So sánh các mô hình bằng AIC/BIC/R² hiệu chỉnh (giới thiệu sơ bộ).
Thực hành: Chạy 3–4 đặc tả mô hình khác nhau, lập bảng so sánh.
Ngày 147: Project CPI - Kiểm tra out-of-sample
Mục tiêu: Đánh giá khả năng dự báo thực tế của mô hình.
Lý thuyết: Train/test split cho time series (không random shuffle).
Thực hành: Chia dữ liệu theo thời gian, đánh giá RMSE/MAE trên tập test.
Ngày 148: Project CPI - Viết báo cáo
Mục tiêu: Trình bày kết quả nghiên cứu một cách chuyên nghiệp.
Lý thuyết: Cấu trúc báo cáo econometrics chuẩn (Introduction, Data, Method, Results, Conclusion).
Thực hành: Viết báo cáo hoàn chỉnh cho mô hình dự báo CPI.
Ngày 149: Ôn tập OLS nâng cao
Mục tiêu: Củng cố toàn bộ kiến thức Phần A.
Lý thuyết: Ôn tập Ngày 116–148.
Thực hành: Làm bộ câu hỏi ôn tập tổng hợp về Gauss-Markov, bias, variance, endogeneity.
Ngày 150: Đọc chuyên sâu Wooldridge
Mục tiêu: Củng cố lý thuyết bằng tài liệu chuẩn.
Lý thuyết: Đọc các chương liên quan trong Wooldridge – Introductory Econometrics.
Thực hành: Tóm tắt lại 3 điểm quan trọng nhất học được, đối chiếu với phần đã tự học.
PHẦN B: MULTIPLE REGRESSION & CHẨN ĐOÁN MÔ HÌNH (Ngày 151–190)
Ngày 151: Mô hình hồi quy đa biến
Mục tiêu: Mở rộng OLS từ đơn biến sang đa biến một cách vững chắc.
Lý thuyết: Multiple regression model, ceteris paribus interpretation.
Thực hành: Ước lượng mô hình đa biến cho GDP theo nhiều yếu tố đầu vào.
Ngày 152: Đa cộng tuyến - Khái niệm
Mục tiêu: Hiểu bản chất của multicollinearity.
Lý thuyết: Multicollinearity, perfect vs imperfect multicollinearity.
Thực hành: Tạo dữ liệu giả lập có multicollinearity cao, quan sát hệ số hồi quy bất ổn.
Ngày 153: Phát hiện đa cộng tuyến - VIF
Mục tiêu: Tính và diễn giải Variance Inflation Factor.
Lý thuyết: VIF, ngưỡng thường dùng (VIF > 10).
Thực hành: Tính VIF cho các biến trong mô hình CPI đã xây ở Phần A.
Ngày 154: Hệ quả của đa cộng tuyến
Mục tiêu: Hiểu tác động của multicollinearity lên suy diễn.
Lý thuyết: Ôn lại ảnh hưởng đến standard errors, tính ổn định hệ số.
Thực hành: So sánh hệ số và SE trước/sau khi thêm biến gây đa cộng tuyến.
Ngày 155: Khắc phục đa cộng tuyến - Loại bỏ biến
Mục tiêu: Biết cách xử lý multicollinearity đơn giản.
Lý thuyết: Dropping variables, combining variables.
Thực hành: Thử loại bỏ biến gây đa cộng tuyến cao nhất, đánh giá lại mô hình.
Ngày 156: Khắc phục đa cộng tuyến - PCA/Ridge
Mục tiêu: Biết các phương pháp nâng cao xử lý multicollinearity.
Lý thuyết: Sử dụng PCA (đã học ở Giai đoạn 0) hoặc ridge regression để giảm đa cộng tuyến.
Thực hành: Áp dụng PCA lên các biến đa cộng tuyến, hồi quy trên principal components.
Ngày 157: Phương sai không đồng nhất - Khái niệm
Mục tiêu: Hiểu bản chất heteroskedasticity.
Lý thuyết: Heteroskedasticity, ví dụ kinh tế điển hình (chi tiêu hộ gia đình theo thu nhập).
Thực hành: Mô phỏng dữ liệu có heteroskedasticity, vẽ residual plot minh họa.
Ngày 158: Phát hiện heteroskedasticity - Trực quan
Mục tiêu: Nhận diện heteroskedasticity bằng đồ thị.
Lý thuyết: Residual vs fitted plot, residual vs predictor plot.
Thực hành: Vẽ các đồ thị chẩn đoán cho mô hình CPI.
Ngày 159: Kiểm định Breusch-Pagan
Mục tiêu: Thực hiện kiểm định thống kê chính thức cho heteroskedasticity.
Lý thuyết: Breusch-Pagan test.
Thực hành: Chạy Breusch-Pagan test bằng
statsmodelstrên mô hình CPI.
Ngày 160: Kiểm định White
Mục tiêu: Biết một kiểm định thay thế mạnh hơn cho heteroskedasticity.
Lý thuyết: White test, ưu điểm so với Breusch-Pagan.
Thực hành: Chạy White test, so sánh kết quả với Breusch-Pagan.
Ngày 161: Hệ quả của heteroskedasticity
Mục tiêu: Hiểu tại sao heteroskedasticity không gây bias nhưng gây sai lệch suy diễn.
Lý thuyết: Ôn lại: hệ số vẫn unbiased nhưng standard errors sai.
Thực hành: So sánh kết quả kiểm định giả thuyết trước/sau khi phát hiện heteroskedasticity.
Ngày 162: Sai số chuẩn vững (Robust Standard Errors)
Mục tiêu: Biết cách khắc phục heteroskedasticity đơn giản nhất.
Lý thuyết: Heteroskedasticity-robust standard errors (White SE).
Thực hành: Ước lượng lại mô hình CPI với robust standard errors.
Ngày 163: Bình phương tối thiểu có trọng số (WLS)
Mục tiêu: Hiểu phương pháp WLS khi biết cấu trúc phương sai.
Lý thuyết: Weighted Least Squares.
Thực hành: Áp dụng WLS cho một trường hợp có phương sai biết trước.
Ngày 164: Tự tương quan - Khái niệm
Mục tiêu: Hiểu bản chất autocorrelation trong dữ liệu chuỗi thời gian.
Lý thuyết: Autocorrelation, đặc biệt phổ biến trong time series econometrics.
Thực hành: Vẽ residuals theo thời gian cho mô hình CPI, quan sát pattern.
Ngày 165: Kiểm định Durbin-Watson
Mục tiêu: Thực hiện kiểm định autocorrelation bậc 1.
Lý thuyết: Durbin-Watson test, khoảng giá trị diễn giải (gần 2 = không có tự tương quan).
Thực hành: Tính Durbin-Watson statistic cho mô hình CPI.
Ngày 166: Kiểm định Breusch-Godfrey
Mục tiêu: Biết kiểm định autocorrelation bậc cao hơn.
Lý thuyết: Breusch-Godfrey test, ưu điểm so với Durbin-Watson.
Thực hành: Chạy Breusch-Godfrey test bằng
statsmodels.
Ngày 167: Hệ quả của tự tương quan
Mục tiêu: Hiểu tác động của autocorrelation lên suy diễn.
Lý thuyết: Ôn lại: hệ số vẫn unbiased nhưng SE bị đánh giá sai, thường bị underestimate.
Thực hành: So sánh SE trước/sau khi phát hiện autocorrelation.
Ngày 168: Sai số chuẩn Newey-West
Mục tiêu: Biết cách khắc phục cả heteroskedasticity và autocorrelation cùng lúc (HAC).
Lý thuyết: Newey-West standard errors (HAC).
Thực hành: Ước lượng lại mô hình CPI với Newey-West SE.
Ngày 169: Bình phương tối thiểu tổng quát (GLS)
Mục tiêu: Hiểu nguyên lý GLS.
Lý thuyết: Generalized Least Squares, mối liên hệ với WLS.
Thực hành: Đọc ví dụ áp dụng GLS trong một nghiên cứu econometrics.
Ngày 170: Phân tích phần dư (Residual Analysis)
Mục tiêu: Thành thạo việc chẩn đoán mô hình qua residuals.
Lý thuyết: Tổng hợp các loại residual plots cần kiểm tra.
Thực hành: Xây quy trình chẩn đoán residual chuẩn (checklist) áp dụng cho mọi mô hình.
Ngày 171: Giá trị ngoại lai và điểm ảnh hưởng
Mục tiêu: Nhận diện outliers và influential points.
Lý thuyết: Outliers, influential observations.
Thực hành: Xác định outliers trong dữ liệu CPI, đánh giá tác động khi loại bỏ.
Ngày 172: Leverage và khoảng cách Cook
Mục tiêu: Định lượng mức độ ảnh hưởng của từng quan sát.
Lý thuyết: Leverage, Cook's distance.
Thực hành: Tính Cook's distance cho mô hình CPI, xác định quan sát cần xem xét lại.
Ngày 173: Kiểm định đặc tả - RESET test
Mục tiêu: Kiểm tra mô hình có bị thiếu dạng hàm phù hợp không.
Lý thuyết: Ramsey RESET test.
Thực hành: Chạy RESET test cho mô hình CPI, diễn giải kết quả.
Ngày 174: Đứt gãy cấu trúc - Kiểm định Chow
Mục tiêu: Kiểm tra tính ổn định của hệ số hồi quy qua thời gian.
Lý thuyết: Structural break, Chow test.
Thực hành: Kiểm tra structural break cho mô hình CPI quanh giai đoạn COVID-19.
Ngày 175: Project chẩn đoán - Thiết lập dữ liệu
Mục tiêu: Chuẩn bị bộ dữ liệu cho project kiểm định giả định OLS toàn diện.
Lý thuyết: Ôn lại toàn bộ các giả định Gauss-Markov cần kiểm tra.
Thực hành: Chuẩn bị lại mô hình CPI đầy đủ làm đối tượng kiểm định.
Ngày 176: Project chẩn đoán - Kiểm tra đa cộng tuyến
Mục tiêu: Áp dụng kiểm định multicollinearity một cách hệ thống.
Lý thuyết: Ôn lại VIF.
Thực hành: Tính VIF cho toàn bộ biến, lập bảng kết quả.
Ngày 177: Project chẩn đoán - Kiểm tra heteroskedasticity
Mục tiêu: Áp dụng kiểm định heteroskedasticity một cách hệ thống.
Lý thuyết: Ôn lại Breusch-Pagan, White test.
Thực hành: Chạy cả hai kiểm định, lập bảng kết quả.
Ngày 178: Project chẩn đoán - Kiểm tra tự tương quan
Mục tiêu: Áp dụng kiểm định autocorrelation một cách hệ thống.
Lý thuyết: Ôn lại Durbin-Watson, Breusch-Godfrey.
Thực hành: Chạy cả hai kiểm định, lập bảng kết quả.
Ngày 179: Project chẩn đoán - Áp dụng robust SE
Mục tiêu: Khắc phục các vi phạm đã phát hiện.
Lý thuyết: Ôn lại robust SE, Newey-West SE.
Thực hành: Ước lượng lại mô hình với SE phù hợp dựa trên kết quả chẩn đoán.
Ngày 180: Project chẩn đoán - So sánh trước/sau
Mục tiêu: Đánh giá tác động của việc khắc phục vi phạm.
Lý thuyết: Ôn lại ý nghĩa thay đổi trong SE và p-value.
Thực hành: Lập bảng so sánh hệ số, SE, p-value trước và sau khi khắc phục.
Ngày 181: Project chẩn đoán - Viết báo cáo
Mục tiêu: Trình bày quy trình chẩn đoán mô hình chuyên nghiệp.
Lý thuyết: Cấu trúc báo cáo model diagnostics.
Thực hành: Viết báo cáo hoàn chỉnh về quá trình kiểm định giả định OLS.
Ngày 182: Lựa chọn mô hình - AIC, BIC
Mục tiêu: Biết dùng các tiêu chí thông tin để chọn mô hình.
Lý thuyết: Akaike Information Criterion, Bayesian Information Criterion.
Thực hành: Tính AIC/BIC cho các đặc tả mô hình CPI đã thử ở Ngày 146.
Ngày 183: Lựa chọn mô hình - Stepwise regression
Mục tiêu: Hiểu và áp dụng stepwise selection.
Lý thuyết: Forward selection, backward elimination, stepwise.
Thực hành: Áp dụng stepwise regression để chọn biến cho mô hình CPI.
Ngày 184: Cross-validation cho hồi quy
Mục tiêu: Áp dụng cross-validation đúng cách cho dữ liệu chuỗi thời gian.
Lý thuyết: K-fold CV vs time series CV (walk-forward - sẽ học sâu ở Giai đoạn 5).
Thực hành: Thực hiện time series split CV đơn giản cho mô hình CPI.
Ngày 185: Regularization - Ridge Regression
Mục tiêu: Hiểu và áp dụng Ridge regression.
Lý thuyết: L2 penalty, bias-variance trade-off.
Thực hành: Ước lượng Ridge regression cho mô hình CPI bằng
sklearn.
Ngày 186: Regularization - Lasso Regression
Mục tiêu: Hiểu và áp dụng Lasso regression.
Lý thuyết: L1 penalty, tính chất chọn biến tự động của Lasso.
Thực hành: Ước lượng Lasso regression cho mô hình CPI, quan sát biến bị loại.
Ngày 187: Regularization - Elastic Net
Mục tiêu: Hiểu phương pháp kết hợp Ridge và Lasso.
Lý thuyết: Elastic Net, tham số trộn L1/L2.
Thực hành: Ước lượng Elastic Net cho mô hình CPI, tinh chỉnh tham số bằng CV.
Ngày 188: So sánh OLS và các phương pháp Regularized
Mục tiêu: Đánh giá được khi nào nên dùng regularization.
Lý thuyết: Ôn lại bias-variance trade-off giữa OLS, Ridge, Lasso, Elastic Net.
Thực hành: Lập bảng so sánh RMSE out-of-sample giữa 4 phương pháp trên mô hình CPI.
Ngày 189: Thực hành tổng hợp Regularization
Mục tiêu: Củng cố kỹ năng regularization trên bài toán mới.
Lý thuyết: Ôn lại quy trình chọn tham số bằng CV.
Thực hành: Áp dụng quy trình đầy đủ (tiền xử lý → CV → chọn tham số → đánh giá) cho một mô hình dự báo khác (VD: lãi suất).
Ngày 190: Tổng kết Multiple Regression
Mục tiêu: Củng cố toàn bộ kiến thức Phần B.
Lý thuyết: Ôn tập Ngày 151–189.
Thực hành: Làm bài kiểm tra tổng hợp: cho một mô hình có vi phạm giả định, yêu cầu chẩn đoán và khắc phục đầy đủ.
PHẦN C: CAUSAL INFERENCE (Ngày 191–240)
Ngày 191: Tương quan và nhân quả
Mục tiêu: Hiểu rõ sự khác biệt giữa correlation và causation.
Lý thuyết: Correlation vs causation, ví dụ spurious correlation kinh điển.
Thực hành: Tìm 2 ví dụ spurious correlation trong dữ liệu kinh tế, giải thích tại sao chúng không có quan hệ nhân quả.
Ngày 192: Khung kết quả tiềm năng
Mục tiêu: Hiểu potential outcomes framework.
Lý thuyết: Potential outcomes, treatment effect, counterfactual.
Thực hành: Thiết lập bài toán causal inference đơn giản dưới dạng potential outcomes.
Ngày 193: Thiên lệch lựa chọn (Selection Bias)
Mục tiêu: Nhận diện selection bias trong nghiên cứu kinh tế.
Lý thuyết: Selection bias, ví dụ điển hình (ai tham gia chương trình đào tạo).
Thực hành: Phân tích một ví dụ chính sách kinh tế có nguy cơ selection bias.
Ngày 194: Thử nghiệm ngẫu nhiên có đối chứng - Lý thuyết
Mục tiêu: Hiểu vì sao RCT được coi là "chuẩn vàng".
Lý thuyết: Randomized Controlled Trial, randomization giải quyết selection bias thế nào.
Thực hành: Thiết kế (trên giấy) một RCT giả định để đánh giá tác động một chính sách hỗ trợ doanh nghiệp.
Ngày 195: RCT trong kinh tế học
Mục tiêu: Biết các ứng dụng thực tế của RCT trong kinh tế phát triển.
Lý thuyết: Ôn lại các nghiên cứu RCT nổi tiếng (kinh tế học phát triển, vi mô).
Thực hành: Đọc tóm tắt một nghiên cứu RCT kinh tế và rút ra bài học phương pháp luận.
Ngày 196: Biến công cụ (Instrumental Variables) - Khái niệm
Mục tiêu: Hiểu ý tưởng cốt lõi của IV.
Lý thuyết: Instrumental variable, giải quyết endogeneity.
Thực hành: Vẽ sơ đồ đường dẫn (DAG) minh họa cách IV hoạt động.
Ngày 197: Điều kiện của biến công cụ
Mục tiêu: Hiểu và kiểm tra được các điều kiện cần của một IV hợp lệ.
Lý thuyết: Relevance condition, exogeneity condition (exclusion restriction).
Thực hành: Đánh giá tính hợp lệ của một biến công cụ trong một case study có sẵn.
Ngày 198: Hồi quy hai giai đoạn (2SLS) - Lý thuyết
Mục tiêu: Hiểu cơ chế hoạt động của 2SLS.
Lý thuyết: Two-Stage Least Squares, first stage, second stage.
Thực hành: Viết lại công thức 2SLS bằng tay cho trường hợp một biến nội sinh, một biến công cụ.
Ngày 199: Cài đặt 2SLS
Mục tiêu: Tự cài đặt được 2SLS bằng code.
Lý thuyết: Ôn lại quy trình ước lượng 2 bước.
Thực hành: Cài đặt 2SLS bằng NumPy (thủ công), kiểm tra lại bằng
linearmodels.
Ngày 200: Kiểm định biến công cụ yếu
Mục tiêu: Biết cách kiểm tra vấn đề weak instruments.
Lý thuyết: Weak instrument problem, F-statistic của first stage (ngưỡng >10).
Thực hành: Tính F-statistic first stage cho mô hình IV đã ước lượng.
Ngày 201: Case study IV trong kinh tế
Mục tiêu: Củng cố hiểu biết qua ví dụ thực tế.
Lý thuyết: Đọc một nghiên cứu kinh tế vĩ mô nổi tiếng sử dụng IV.
Thực hành: Tóm tắt biến công cụ được sử dụng và lý do tính hợp lệ của nó.
Ngày 202: Khác biệt trong khác biệt (DID) - Khái niệm
Mục tiêu: Hiểu ý tưởng cốt lõi của DID.
Lý thuyết: Difference-in-Differences, treatment group, control group.
Thực hành: Vẽ sơ đồ minh họa DID với 2 nhóm, 2 thời điểm.
Ngày 203: Giả định xu hướng song song
Mục tiêu: Hiểu và đánh giá được giả định parallel trends.
Lý thuyết: Parallel trends assumption, tầm quan trọng đối với tính hợp lệ của DID.
Thực hành: Vẽ đồ thị xu hướng trước can thiệp cho nhóm treatment/control để kiểm tra trực quan.
Ngày 204: Cài đặt mô hình DID cơ bản
Mục tiêu: Tự ước lượng được mô hình DID.
Lý thuyết: DID regression specification (interaction term treatment × post).
Thực hành: Ước lượng mô hình DID bằng OLS với interaction term.
Ngày 205: Kiểm tra xu hướng song song
Mục tiêu: Thực hiện kiểm định chính thức cho parallel trends.
Lý thuyết: Pre-trend test, event study design để kiểm tra.
Thực hành: Chạy pre-trend test cho case study DID đã chọn.
Ngày 206: Case study DID chính sách kinh tế
Mục tiêu: Áp dụng DID vào một chính sách kinh tế thực tế.
Lý thuyết: Chọn một chính sách có mốc thời gian rõ ràng (VD: thay đổi thuế/lãi suất theo vùng).
Thực hành: Thu thập dữ liệu và ước lượng DID cho case study đã chọn.
Ngày 207: Event Study - Mở rộng DID
Mục tiêu: Hiểu cách mở rộng DID với nhiều thời điểm.
Lý thuyết: Event study design, dynamic treatment effects.
Thực hành: Ước lượng mô hình event study, vẽ đồ thị hệ số theo từng giai đoạn trước/sau can thiệp.
Ngày 208: Thiết kế gián đoạn hồi quy (RDD) - Khái niệm
Mục tiêu: Hiểu ý tưởng cốt lõi của RDD.
Lý thuyết: Regression Discontinuity Design, running variable, cutoff.
Thực hành: Vẽ sơ đồ minh họa RDD với một ngưỡng cắt giả định.
Ngày 209: RDD sắc nét và mờ
Mục tiêu: Phân biệt sharp và fuzzy RDD.
Lý thuyết: Sharp RDD vs fuzzy RDD.
Thực hành: Xác định loại RDD phù hợp cho một case study chính sách cụ thể (VD: ngưỡng thu nhập nhận trợ cấp).
Ngày 210: Cài đặt mô hình RDD
Mục tiêu: Tự ước lượng được mô hình RDD cơ bản.
Lý thuyết: Local linear regression quanh ngưỡng cắt, bandwidth selection.
Thực hành: Ước lượng RDD bằng
rdrobust(Python/R) hoặc tự cài đặt local linear regression.
Ngày 211: Kiểm tra tính hợp lệ của RDD
Mục tiêu: Biết cách kiểm tra RDD có đáng tin cậy không.
Lý thuyết: McCrary density test (khái niệm), kiểm tra không có "manipulation" quanh ngưỡng.
Thực hành: Vẽ histogram của running variable quanh ngưỡng để kiểm tra trực quan.
Ngày 212: Case study RDD
Mục tiêu: Củng cố hiểu biết qua ví dụ thực tế.
Lý thuyết: Đọc một nghiên cứu kinh tế sử dụng RDD (VD: ngưỡng chính sách trợ cấp/thuế).
Thực hành: Tóm tắt thiết kế nghiên cứu và kết quả chính.
Ngày 213: Dữ liệu bảng - Khái niệm cơ bản
Mục tiêu: Hiểu cấu trúc panel data.
Lý thuyết: Panel data, cross-section + time series kết hợp.
Thực hành: Tổ chức một bộ dữ liệu panel giả định (VD: các tỉnh Việt Nam theo năm).
Ngày 214: Mô hình hiệu ứng cố định (Fixed Effects)
Mục tiêu: Hiểu và ước lượng fixed effects model.
Lý thuyết: Fixed effects, within transformation, kiểm soát unobserved heterogeneity.
Thực hành: Ước lượng mô hình fixed effects cho dữ liệu panel bằng
linearmodels.
Ngày 215: Mô hình hiệu ứng ngẫu nhiên (Random Effects)
Mục tiêu: Hiểu và ước lượng random effects model.
Lý thuyết: Random effects, giả định khác biệt so với fixed effects.
Thực hành: Ước lượng mô hình random effects cho cùng bộ dữ liệu panel.
Ngày 216: Kiểm định Hausman - Chọn FE hay RE
Mục tiêu: Biết cách chọn giữa FE và RE.
Lý thuyết: Hausman test cho panel data.
Thực hành: Chạy Hausman test, đưa ra quyết định mô hình phù hợp.
Ngày 217: Ứng dụng panel data trong kinh tế vĩ mô
Mục tiêu: Thấy được panel data hữu ích thế nào cho phân tích đa quốc gia/vùng.
Lý thuyết: Ví dụ ứng dụng: tăng trưởng kinh tế các tỉnh, hội tụ kinh tế (convergence).
Thực hành: Ước lượng mô hình hội tụ kinh tế đơn giản (beta convergence) trên dữ liệu panel giả định.
Ngày 218: So sánh các phương pháp causal inference
Mục tiêu: Có cái nhìn tổng quan để chọn phương pháp phù hợp.
Lý thuyết: Ôn tập so sánh RCT, IV, DID, RDD, Panel data.
Thực hành: Lập bảng so sánh ưu/nhược điểm và điều kiện áp dụng của từng phương pháp.
Ngày 219: Khi nào dùng IV vs DID vs RDD
Mục tiêu: Có khả năng chọn đúng công cụ cho từng bài toán.
Lý thuyết: Ôn lại đặc điểm dữ liệu phù hợp với từng phương pháp.
Thực hành: Cho 3 tình huống chính sách khác nhau, xác định phương pháp causal inference phù hợp nhất cho mỗi tình huống.
Ngày 220: Tính hợp lệ ngoại suy (External Validity)
Mục tiêu: Hiểu giới hạn khi tổng quát hóa kết quả causal inference.
Lý thuyết: External validity, generalizability.
Thực hành: Thảo luận liệu kết quả từ một case study DID có áp dụng được cho vùng/thời kỳ khác không.
Ngày 221: Tính hợp lệ nội tại (Internal Validity)
Mục tiêu: Hiểu các yếu tố đe dọa internal validity.
Lý thuyết: Internal validity, confounders, threats to identification.
Thực hành: Rà soát lại case study DID đã làm, liệt kê các threats to validity tiềm ẩn.
Ngày 222: Đọc paper ứng dụng
Mục tiêu: Học cách đọc và phê bình một nghiên cứu causal inference.
Lý thuyết: Đọc một paper causal inference trong kinh tế vĩ mô (VD: tác động chính sách tiền tệ).
Thực hành: Viết nhận xét về phương pháp luận, điểm mạnh/yếu của paper.
Ngày 223: Project causal - Chọn câu hỏi nghiên cứu
Mục tiêu: Xác định một câu hỏi nhân quả cụ thể để thực hành.
Lý thuyết: Tiêu chí chọn câu hỏi nghiên cứu tốt (có dữ liệu, có biến động rõ ràng).
Thực hành: Chọn 1 câu hỏi (VD: tác động của một đợt tăng lãi suất cụ thể lên tăng trưởng tín dụng).
Ngày 224: Project causal - Thu thập dữ liệu
Mục tiêu: Có bộ dữ liệu phù hợp cho câu hỏi đã chọn.
Lý thuyết: Ôn lại yêu cầu dữ liệu cho từng phương pháp (DID cần nhóm đối chứng, IV cần biến công cụ...).
Thực hành: Thu thập và tổ chức dữ liệu cho case study.
Ngày 225: Project causal - Áp dụng phương pháp
Mục tiêu: Ước lượng được mô hình causal inference cho câu hỏi đã chọn.
Lý thuyết: Ôn lại quy trình ước lượng của phương pháp đã chọn (DID/IV).
Thực hành: Ước lượng mô hình chính cho case study.
Ngày 226: Project causal - Kiểm định giả định
Mục tiêu: Đảm bảo tính hợp lệ của kết quả.
Lý thuyết: Ôn lại các kiểm định tương ứng (parallel trends/weak instrument).
Thực hành: Thực hiện đầy đủ các kiểm định giả định cho mô hình đã ước lượng.
Ngày 227: Project causal - Diễn giải kết quả
Mục tiêu: Diễn giải đúng ý nghĩa kinh tế và chính sách của kết quả.
Lý thuyết: Ôn lại cách diễn giải treatment effect.
Thực hành: Viết phần diễn giải kết quả, so sánh với kỳ vọng lý thuyết ban đầu.
Ngày 228: Project causal - Viết báo cáo
Mục tiêu: Hoàn thiện một báo cáo causal inference chuyên nghiệp.
Lý thuyết: Ôn lại cấu trúc báo cáo nghiên cứu thực nghiệm.
Thực hành: Viết báo cáo hoàn chỉnh cho case study causal inference đã chọn.
Ngày 229: Ôn tập Instrumental Variables
Mục tiêu: Củng cố kiến thức IV.
Lý thuyết: Ôn tập Ngày 196–201.
Thực hành: Làm bài tập tổng hợp về IV với một bộ dữ liệu mới.
Ngày 230: Ôn tập Difference-in-Differences
Mục tiêu: Củng cố kiến thức DID.
Lý thuyết: Ôn tập Ngày 202–207.
Thực hành: Làm bài tập tổng hợp về DID với một bộ dữ liệu mới.
Ngày 231: Ôn tập Regression Discontinuity
Mục tiêu: Củng cố kiến thức RDD.
Lý thuyết: Ôn tập Ngày 208–212.
Thực hành: Làm bài tập tổng hợp về RDD với một bộ dữ liệu mới.
Ngày 232: Ôn tập Panel Data
Mục tiêu: Củng cố kiến thức panel data.
Lý thuyết: Ôn tập Ngày 213–217.
Thực hành: Làm bài tập tổng hợp về FE/RE với một bộ dữ liệu mới.
Ngày 233: Đọc thêm - Angrist & Pischke
Mục tiêu: Tiếp cận tài liệu kinh điển về causal inference.
Lý thuyết: Đọc chương liên quan trong "Mostly Harmless Econometrics".
Thực hành: Tóm tắt các ý chính và liên hệ với những gì đã học.
Ngày 234: Vai trò của causal inference trong forecasting
Mục tiêu: Hiểu mối liên hệ giữa causal inference và dự báo.
Lý thuyết: Thảo luận: forecasting cần correlation tốt, policy analysis cần causation đúng - khi nào cần cái nào.
Thực hành: Viết bài luận ngắn (1 trang) về vai trò của causal inference trong một hệ thống dự báo kinh tế production.
Ngày 235: Case study tổng hợp - Chính sách tiền tệ
Mục tiêu: Áp dụng causal inference đánh giá chính sách tiền tệ.
Lý thuyết: Ôn lại cơ chế truyền dẫn chính sách tiền tệ (Giai đoạn 1).
Thực hành: Thiết kế một nghiên cứu (trên giấy) đánh giá tác động nhân quả của một đợt thay đổi lãi suất lên tín dụng/tăng trưởng.
Ngày 236: Case study tổng hợp - Chính sách tài khóa
Mục tiêu: Áp dụng causal inference đánh giá chính sách tài khóa.
Lý thuyết: Ôn lại fiscal multiplier (Giai đoạn 1).
Thực hành: Thiết kế một nghiên cứu đánh giá tác động nhân quả của một gói kích thích tài khóa lên việc làm.
Ngày 237: Bài tập tổng hợp Causal Inference
Mục tiêu: Kiểm tra toàn diện kiến thức Phần C.
Lý thuyết: Ôn tập tổng hợp Ngày 191–236.
Thực hành: Làm bộ bài tập lớn kết hợp nhiều phương pháp (IV, DID, RDD, Panel) trên các tình huống khác nhau.
Ngày 238: Review toàn bộ Causal Inference
Mục tiêu: Đảm bảo nắm vững trước khi chuyển giai đoạn.
Lý thuyết: Tự đánh giá lại các điểm còn yếu.
Thực hành: Viết lại (không nhìn tài liệu) quy trình đầy đủ của một phương pháp causal inference bất kỳ.
Ngày 239: Chuẩn bị chuyển tiếp sang Time Series
Mục tiêu: Kết nối kiến thức econometrics với time series sắp học.
Lý thuyết: Xem trước tổng quan Giai đoạn 3 (Time Series Foundation).
Thực hành: Liệt kê các khái niệm econometrics đã học sẽ được dùng lại trong time series (OLS, endogeneity, stationarity sẽ gặp lại...).
Ngày 240: Tổng kết Giai đoạn 2 - Econometrics
Mục tiêu: Củng cố toàn diện trước khi bước vào Time Series.
Lý thuyết: Ôn tập tổng hợp cả 3 phần: OLS nâng cao, Multiple Regression, Causal Inference.
Thực hành: Viết báo cáo tổng kết cá nhân: những kỹ thuật econometrics nào sẽ dùng trực tiếp cho dự báo kinh tế, những kỹ thuật nào chủ yếu phục vụ phân tích chính sách.
Giai đoạn 3 - Time Series Foundation (Ngày 241–375, 135 ngày)
PHẦN A: TIME SERIES BASICS (Ngày 241–255)
Ngày 241: Giới thiệu chuỗi thời gian
Mục tiêu: Hiểu chuỗi thời gian khác gì so với dữ liệu cross-section.
Lý thuyết: Time series data, đặc điểm phụ thuộc thời gian (temporal dependence).
Thực hành: Load và vẽ 3 chuỗi kinh tế Việt Nam đã thu thập (GDP, CPI, tỷ giá) bằng
matplotlib.
Ngày 242: Thành phần xu hướng (Trend)
Mục tiêu: Nhận diện và tách trend khỏi chuỗi thời gian.
Lý thuyết: Trend component, linear vs non-linear trend.
Thực hành: Fit đường trend tuyến tính cho chuỗi GDP Việt Nam.
Ngày 243: Thành phần mùa vụ (Seasonality)
Mục tiêu: Nhận diện tính mùa vụ trong dữ liệu.
Lý thuyết: Seasonal component, chu kỳ lặp lại theo tháng/quý.
Thực hành: Vẽ seasonal subseries plot cho CPI Việt Nam theo tháng.
Ngày 244: Thành phần chu kỳ (Cycles)
Mục tiêu: Phân biệt cycle với seasonality.
Lý thuyết: Business cycle component, chu kỳ không cố định độ dài (khác seasonality).
Thực hành: Xác định các chu kỳ kinh tế trong chuỗi GDP Việt Nam bằng trực quan hóa.
Ngày 245: Thành phần nhiễu (Noise/Residual)
Mục tiêu: Hiểu phần không giải thích được của chuỗi thời gian.
Lý thuyết: Noise/residual component, vai trò trong mô hình hóa.
Thực hành: Tính phần dư sau khi loại bỏ trend từ chuỗi GDP, kiểm tra phân phối.
Ngày 246: Phân rã Additive vs Multiplicative
Mục tiêu: Chọn đúng mô hình phân rã cho từng loại chuỗi.
Lý thuyết: Additive decomposition, multiplicative decomposition, khi nào dùng loại nào.
Thực hành: Phân rã CPI Việt Nam bằng cả hai phương pháp, so sánh kết quả.
Ngày 247: Phân rã STL
Mục tiêu: Sử dụng phương pháp phân rã hiện đại và linh hoạt hơn.
Lý thuyết: STL decomposition (Seasonal-Trend decomposition using Loess).
Thực hành: Áp dụng
STLtừstatsmodelscho chuỗi CPI Việt Nam.
Ngày 248: Hàm tự tương quan (ACF)
Mục tiêu: Hiểu và tính được ACF.
Lý thuyết: Autocorrelation function, ý nghĩa từng lag.
Thực hành: Vẽ ACF plot cho chuỗi GDP và CPI Việt Nam.
Ngày 249: Hàm tự tương quan riêng phần (PACF)
Mục tiêu: Hiểu và tính được PACF.
Lý thuyết: Partial autocorrelation function, khác biệt với ACF.
Thực hành: Vẽ PACF plot cho chuỗi GDP và CPI Việt Nam.
Ngày 250: Đọc và diễn giải ACF/PACF
Mục tiêu: Thành thạo việc "đọc" đồ thị ACF/PACF để nhận dạng mô hình.
Lý thuyết: Các pattern điển hình (decay, cutoff) tương ứng với AR/MA.
Thực hành: Phân tích ACF/PACF của 3 chuỗi giả lập khác nhau (AR, MA, không có cấu trúc) để luyện nhận dạng.
Ngày 251: Nhiễu trắng (White Noise)
Mục tiêu: Hiểu quá trình white noise - nền tảng của mọi mô hình time series.
Lý thuyết: White noise process, đặc điểm ACF bằng 0 tại mọi lag (trừ lag 0).
Thực hành: Mô phỏng white noise, kiểm tra ACF của nó.
Ngày 252: Bước đi ngẫu nhiên (Random Walk)
Mục tiêu: Hiểu random walk - mô hình nền cho nhiều chuỗi kinh tế/tài chính.
Lý thuyết: Random walk, random walk with drift, tính non-stationary.
Thực hành: Mô phỏng random walk, so sánh với chuỗi tỷ giá thực tế.
Ngày 253: Làm mượt bằng trung bình động
Mục tiêu: Sử dụng moving average để làm mượt chuỗi.
Lý thuyết: Simple moving average, exponential moving average.
Thực hành: Áp dụng SMA và EMA cho chuỗi CPI, so sánh mức độ làm mượt.
Ngày 254: Project - Phân tích GDP Việt Nam (Decomposition)
Mục tiêu: Áp dụng toàn bộ kiến thức Phần A vào một chuỗi thực tế.
Lý thuyết: Ôn lại quy trình phân rã đầy đủ.
Thực hành: Phân rã đầy đủ chuỗi GDP Việt Nam (trend, seasonal, residual), viết nhận xét.
Ngày 255: Project - Phân tích GDP Việt Nam (ACF/PACF)
Mục tiêu: Hoàn thiện bước phân tích trước khi mô hình hóa.
Lý thuyết: Ôn lại cách đọc ACF/PACF.
Thực hành: Vẽ và diễn giải ACF/PACF của chuỗi GDP đã loại trend, đưa ra nhận định sơ bộ về cấu trúc mô hình phù hợp.
PHẦN B: STATIONARITY (Ngày 256–270)
Ngày 256: Khái niệm Stationarity
Mục tiêu: Hiểu vì sao stationarity là điều kiện cốt lõi của time series modeling.
Lý thuyết: Stationarity, mean/variance/autocovariance không đổi theo thời gian.
Thực hành: So sánh trực quan một chuỗi stationary và một chuỗi non-stationary.
Ngày 257: Stationary yếu và stationary chặt
Mục tiêu: Phân biệt hai định nghĩa stationarity.
Lý thuyết: Weak (covariance) stationarity vs strict stationarity.
Thực hành: Giải thích tại sao hầu hết mô hình time series chỉ yêu cầu weak stationarity.
Ngày 258: Vì sao Stationarity quan trọng
Mục tiêu: Hiểu hệ quả khi mô hình hóa chuỗi non-stationary mà không xử lý.
Lý thuyết: Spurious regression, vấn đề khi hồi quy hai chuỗi non-stationary không liên quan.
Thực hành: Mô phỏng spurious regression giữa hai random walk độc lập, quan sát R² cao giả tạo.
Ngày 259: Nghiệm đơn vị (Unit Root)
Mục tiêu: Hiểu khái niệm unit root và mối liên hệ với non-stationarity.
Lý thuyết: Unit root, characteristic equation của quá trình AR.
Thực hành: Xác định unit root cho một vài phương trình AR mẫu bằng tay.
Ngày 260: Kiểm định ADF - Lý thuyết
Mục tiêu: Hiểu cơ chế của Augmented Dickey-Fuller test.
Lý thuyết: ADF test, giả thuyết H0 (có unit root).
Thực hành: Đọc và diễn giải output mẫu của ADF test.
Ngày 261: Kiểm định ADF - Thực hành
Mục tiêu: Thực hiện ADF test trên dữ liệu thực.
Lý thuyết: Ôn lại cách chọn số lag cho ADF test.
Thực hành: Chạy ADF test cho GDP, CPI, tỷ giá, lãi suất Việt Nam bằng
statsmodels.
Ngày 262: Kiểm định KPSS - Lý thuyết
Mục tiêu: Hiểu cơ chế của KPSS test - bổ sung cho ADF.
Lý thuyết: KPSS test, giả thuyết H0 ngược với ADF (H0: stationary).
Thực hành: Đọc và diễn giải output mẫu của KPSS test.
Ngày 263: Kiểm định KPSS - Thực hành
Mục tiêu: Thực hiện KPSS test trên dữ liệu thực.
Lý thuyết: Ôn lại cách chọn tham số cho KPSS.
Thực hành: Chạy KPSS test cho 4 chuỗi kinh tế Việt Nam, so sánh với kết quả ADF.
Ngày 264: So sánh ADF và KPSS
Mục tiêu: Biết kết hợp hai kiểm định để đưa ra kết luận chắc chắn hơn.
Lý thuyết: 4 trường hợp kết hợp kết quả ADF/KPSS và cách diễn giải từng trường hợp.
Thực hành: Lập bảng tổng hợp kết quả ADF + KPSS cho toàn bộ chuỗi đã thu thập.
Ngày 265: Sai phân (Differencing)
Mục tiêu: Biết cách biến chuỗi non-stationary thành stationary.
Lý thuyết: First differencing, second differencing.
Thực hành: Lấy sai phân bậc 1 cho các chuỗi có unit root, kiểm tra lại bằng ADF.
Ngày 266: Biến đổi Log
Mục tiêu: Biết cách ổn định phương sai bằng log transformation.
Lý thuyết: Log transformation, khi nào cần dùng trước khi differencing.
Thực hành: So sánh chuỗi GDP trước/sau log transform, quan sát sự ổn định phương sai.
Ngày 267: Sai phân mùa vụ (Seasonal Differencing)
Mục tiêu: Xử lý stationarity cho chuỗi có tính mùa vụ.
Lý thuyết: Seasonal differencing, ký hiệu (1-B^s).
Thực hành: Áp dụng seasonal differencing cho CPI Việt Nam theo tháng.
Ngày 268: Sai phân quá mức (Over-differencing)
Mục tiêu: Nhận biết và tránh over-differencing.
Lý thuyết: Hệ quả của việc lấy sai phân quá nhiều lần (thêm nhiễu, MA term không cần thiết).
Thực hành: So sánh ACF của chuỗi sau 1 lần và 2 lần differencing để nhận diện over-differencing.
Ngày 269: Project - Tự cài đặt ADF test
Mục tiêu: Hiểu sâu cơ chế ADF bằng cách tự implement.
Lý thuyết: Ôn lại công thức hồi quy ADF (Δy_t = α + βt + γy_{t-1} + Σδᵢ Δy_{t-i} + ε_t).
Thực hành: Viết hàm tự tính ADF statistic bằng OLS, so sánh kết quả với
statsmodels.tsa.stattools.adfuller.
Ngày 270: Project - Kiểm tra Stationarity toàn bộ chuỗi Việt Nam
Mục tiêu: Hoàn thiện bước tiền xử lý bắt buộc trước khi mô hình hóa.
Lý thuyết: Ôn lại quy trình đầy đủ: kiểm tra → differencing → kiểm tra lại.
Thực hành: Xử lý toàn bộ các chuỗi kinh tế Việt Nam đã thu thập (GDP, CPI, tỷ giá, lãi suất) về dạng stationary, lưu lại bậc differencing cần thiết cho từng chuỗi.
PHẦN C: AR (Ngày 271–280)
Ngày 271: Mô hình AR(1)
Mục tiêu: Hiểu cấu trúc và ý nghĩa của mô hình tự hồi quy bậc 1.
Lý thuyết: AR(1) model, y_t = φy_{t-1} + ε_t.
Thực hành: Mô phỏng chuỗi AR(1) với các giá trị φ khác nhau, quan sát hành vi chuỗi.
Ngày 272: Điều kiện Stationarity của AR(1)
Mục tiêu: Biết điều kiện để AR(1) là stationary.
Lý thuyết: |φ| < 1 là điều kiện cần và đủ.
Thực hành: Mô phỏng AR(1) với |φ| ≥ 1, quan sát chuỗi "nổ" (explosive).
Ngày 273: Mô hình AR(p) tổng quát
Mục tiêu: Mở rộng sang bậc p tùy ý.
Lý thuyết: AR(p) model, characteristic equation.
Thực hành: Mô phỏng chuỗi AR(2), kiểm tra điều kiện stationarity qua characteristic roots.
Ngày 274: Ước lượng tham số AR bằng OLS
Mục tiêu: Hiểu vì sao có thể dùng OLS để ước lượng AR.
Lý thuyết: Coi AR(p) như hồi quy y_t theo các lag của chính nó.
Thực hành: Ước lượng AR(2) bằng OLS tự viết từ Giai đoạn 0.
Ngày 275: Phương trình Yule-Walker
Mục tiêu: Biết phương pháp ước lượng thay thế cho AR.
Lý thuyết: Yule-Walker equations, mối liên hệ giữa hệ số AR và ACF.
Thực hành: Giải hệ Yule-Walker bằng tay cho AR(2), so sánh với kết quả OLS.
Ngày 276: Chọn bậc p bằng PACF
Mục tiêu: Biết cách xác định bậc AR phù hợp từ dữ liệu.
Lý thuyết: PACF cutoff sau lag p là dấu hiệu của AR(p).
Thực hành: Xác định bậc AR phù hợp cho một chuỗi kinh tế Việt Nam đã stationary hóa bằng PACF.
Ngày 277: Dự báo với mô hình AR
Mục tiêu: Thực hiện dự báo nhiều bước với AR.
Lý thuyết: One-step-ahead forecast, multi-step-ahead forecast, hội tụ về mean khi horizon dài.
Thực hành: Dự báo 6 bước tới cho một chuỗi AR đã ước lượng, vẽ khoảng dự báo.
Ngày 278: Cài đặt AR model từ scratch
Mục tiêu: Tự xây dựng class AR hoàn chỉnh.
Lý thuyết: Ôn lại toàn bộ quy trình: ước lượng → dự báo → tính khoảng tin cậy.
Thực hành: Viết class
ARModelbằng Python (fit/predict), test trên dữ liệu giả lập.
Ngày 279: Áp dụng AR cho chuỗi kinh tế Việt Nam
Mục tiêu: Áp dụng thực tế lên dữ liệu đã xử lý stationarity.
Lý thuyết: Ôn lại quy trình chọn bậc, ước lượng, chẩn đoán.
Thực hành: Fit mô hình AR cho chuỗi lãi suất Việt Nam đã stationary hóa.
Ngày 280: Đánh giá và tổng kết AR
Mục tiêu: Củng cố toàn bộ Phần C.
Lý thuyết: Ôn tập Ngày 271–279.
Thực hành: Đánh giá RMSE dự báo out-of-sample của mô hình AR trên chuỗi lãi suất.
PHẦN D: MA (Ngày 281–290)
Ngày 281: Mô hình MA(1)
Mục tiêu: Hiểu cấu trúc mô hình trung bình trượt bậc 1.
Lý thuyết: MA(1) model, y_t = ε_t + θε_{t-1}.
Thực hành: Mô phỏng chuỗi MA(1) với các giá trị θ khác nhau.
Ngày 282: Tính khả nghịch (Invertibility) của MA
Mục tiêu: Hiểu điều kiện invertibility và vì sao nó cần thiết.
Lý thuyết: Invertibility, |θ| < 1 cho MA(1), ý nghĩa biểu diễn MA thành AR(∞).
Thực hành: Chứng minh bằng mô phỏng: MA(1) với |θ| < 1 có thể biểu diễn xấp xỉ bằng AR bậc cao.
Ngày 283: Mô hình MA(q) tổng quát
Mục tiêu: Mở rộng sang bậc q tùy ý.
Lý thuyết: MA(q) model, tính stationary luôn đúng với MA (khác AR).
Thực hành: Mô phỏng chuỗi MA(2), MA(3), quan sát ACF tương ứng.
Ngày 284: Mối quan hệ giữa AR và MA
Mục tiêu: Hiểu tính đối ngẫu giữa hai lớp mô hình.
Lý thuyết: AR(∞) ≈ MA hữu hạn và ngược lại, Wold decomposition (giới thiệu sơ lược).
Thực hành: Minh họa bằng cách xấp xỉ một chuỗi AR(1) bằng mô hình MA bậc cao.
Ngày 285: Ước lượng MA bằng Maximum Likelihood
Mục tiêu: Hiểu vì sao MA không ước lượng trực tiếp bằng OLS được.
Lý thuyết: MLE cho MA model, thuật toán tối ưu số (numerical optimization).
Thực hành: Ước lượng MA(1) bằng
statsmodels, quan sát log-likelihood.
Ngày 286: Chọn bậc q bằng ACF
Mục tiêu: Biết cách xác định bậc MA phù hợp từ dữ liệu.
Lý thuyết: ACF cutoff sau lag q là dấu hiệu của MA(q).
Thực hành: Xác định bậc MA phù hợp cho một chuỗi residual đã có từ mô hình AR ở Phần C.
Ngày 287: Dự báo với mô hình MA
Mục tiêu: Thực hiện dự báo với MA.
Lý thuyết: Đặc điểm dự báo MA(q) - chỉ phụ thuộc q sai số gần nhất, hội tụ nhanh về mean.
Thực hành: Dự báo với mô hình MA đã ước lượng, so sánh tốc độ hội tụ về mean với AR.
Ngày 288: Cài đặt MA model bằng statsmodels
Mục tiêu: Thành thạo công cụ chuẩn cho MA modeling.
Lý thuyết: Ôn lại API của
statsmodels.tsa.arima.model.ARIMAvới order=(0,0,q).Thực hành: Fit và dự báo mô hình MA(2) bằng
statsmodels.
Ngày 289: Áp dụng MA cho chuỗi kinh tế Việt Nam
Mục tiêu: Áp dụng thực tế MA modeling.
Lý thuyết: Ôn lại quy trình chọn bậc, ước lượng, chẩn đoán.
Thực hành: Fit mô hình MA cho phần residual của chuỗi tỷ giá sau khi loại trend.
Ngày 290: Đánh giá và tổng kết MA
Mục tiêu: Củng cố toàn bộ Phần D.
Lý thuyết: Ôn tập Ngày 281–289.
Thực hành: So sánh hiệu quả dự báo giữa mô hình AR (Phần C) và MA (Phần D) trên cùng một chuỗi.
PHẦN E: ARMA (Ngày 291–305)
Ngày 291: Mô hình ARMA(p,q)
Mục tiêu: Hiểu cách kết hợp AR và MA trong một mô hình.
Lý thuyết: ARMA(p,q) model, kết hợp thành phần tự hồi quy và trung bình trượt.
Thực hành: Mô phỏng chuỗi ARMA(1,1), quan sát ACF/PACF.
Ngày 292: Điều kiện Stationarity và Invertibility của ARMA
Mục tiêu: Hiểu điều kiện áp dụng đồng thời cho cả hai thành phần.
Lý thuyết: Ôn lại điều kiện AR và MA riêng lẻ, áp dụng đồng thời cho ARMA.
Thực hành: Kiểm tra điều kiện cho một vài đặc tả ARMA mẫu.
Ngày 293: Phương pháp luận Box-Jenkins
Mục tiêu: Nắm được quy trình chuẩn để xây dựng mô hình ARMA/ARIMA.
Lý thuyết: Box-Jenkins methodology: Identification → Estimation → Diagnostic checking → Forecasting.
Thực hành: Vẽ sơ đồ quy trình Box-Jenkins làm checklist cho các bước sau.
Ngày 294: Nhận dạng bậc ARMA bằng ACF/PACF
Mục tiêu: Thực hành nhận dạng bậc (p,q) khi cả ACF và PACF đều decay.
Lý thuyết: Khó khăn khi nhận dạng ARMA hỗn hợp (khác biệt AR/MA thuần).
Thực hành: Thử nhận dạng bậc cho 3 chuỗi ARMA mô phỏng khác nhau, so sánh với bậc thật.
Ngày 295: Ước lượng ARMA bằng MLE
Mục tiêu: Thực hiện ước lượng đầy đủ ARMA.
Lý thuyết: Ôn lại MLE, áp dụng cho hàm hợp lý ARMA.
Thực hành: Fit ARMA(1,1) bằng
statsmodels, đọc bảng kết quả đầy đủ.
Ngày 296: Kiểm định phần dư - Ljung-Box test
Mục tiêu: Kiểm tra phần dư có còn cấu trúc tự tương quan không.
Lý thuyết: Ljung-Box test, giả thuyết H0 (residuals là white noise).
Thực hành: Chạy Ljung-Box test cho residual của mô hình ARMA đã fit.
Ngày 297: Chọn mô hình bằng AIC/BIC cho ARMA
Mục tiêu: So sánh nhiều đặc tả ARMA một cách có hệ thống.
Lý thuyết: Ôn lại AIC/BIC (đã học ở Giai đoạn 2), áp dụng cho lựa chọn (p,q).
Thực hành: Chạy grid search qua các cặp (p,q), lập bảng AIC/BIC, chọn mô hình tốt nhất.
Ngày 298: Dự báo với ARMA
Mục tiêu: Thực hiện dự báo với mô hình ARMA đã chọn.
Lý thuyết: Ôn lại cơ chế dự báo kết hợp AR và MA.
Thực hành: Dự báo multi-step cho chuỗi đã fit, vẽ biểu đồ actual vs forecast.
Ngày 299: Khoảng dự báo cho ARMA
Mục tiêu: Tính và diễn giải prediction interval cho ARMA.
Lý thuyết: Công thức phương sai dự báo tăng theo horizon.
Thực hành: Vẽ fan chart (khoảng dự báo mở rộng dần) cho dự báo ARMA.
Ngày 300: Cài đặt quy trình Box-Jenkins đầy đủ
Mục tiêu: Tự động hóa toàn bộ pipeline ARMA.
Lý thuyết: Ôn lại toàn bộ 4 bước Box-Jenkins.
Thực hành: Viết hàm Python thực hiện tự động: kiểm tra stationarity → nhận dạng → ước lượng → chẩn đoán → dự báo.
Ngày 301: Case study - ARMA cho lãi suất
Mục tiêu: Áp dụng pipeline đã xây vào dữ liệu thực.
Lý thuyết: Ôn lại đặc điểm chuỗi lãi suất (thường có tính persistence cao).
Thực hành: Chạy pipeline Box-Jenkins cho chuỗi lãi suất Việt Nam.
Ngày 302: So sánh nhiều đặc tả ARMA
Mục tiêu: Luyện kỹ năng so sánh và lựa chọn mô hình.
Lý thuyết: Ôn lại nguyên tắc parsimony (mô hình đơn giản nhất phù hợp).
Thực hành: So sánh 3–4 đặc tả ARMA cho cùng chuỗi lãi suất, chọn mô hình cuối cùng có lý giải.
Ngày 303: Walk-forward validation cho ARMA
Mục tiêu: Đánh giá mô hình đúng cách theo thời gian.
Lý thuyết: Walk-forward validation (rolling origin), khác biệt với train/test split đơn giản.
Thực hành: Cài đặt walk-forward validation cho mô hình ARMA lãi suất.
Ngày 304: Hạn chế của mô hình tuyến tính ARMA
Mục tiêu: Hiểu giới hạn của ARMA để chuẩn bị học các mô hình phức tạp hơn.
Lý thuyết: ARMA giả định tuyến tính, không bắt được structural breaks, regime changes, non-linearity.
Thực hành: Tìm một giai đoạn trong chuỗi kinh tế Việt Nam mà ARMA dự báo kém (VD: giai đoạn COVID), phân tích lý do.
Ngày 305: Tổng kết ARMA
Mục tiêu: Củng cố toàn bộ Phần E.
Lý thuyết: Ôn tập Ngày 291–304.
Thực hành: Viết báo cáo tổng kết quy trình Box-Jenkins áp dụng cho chuỗi lãi suất Việt Nam.
PHẦN F: ARIMA (Ngày 306–325)
Ngày 306: Mô hình ARIMA - Ý tưởng
Mục tiêu: Hiểu ARIMA là ARMA áp dụng trên chuỗi đã differencing.
Lý thuyết: ARIMA = Integrated + ARMA.
Thực hành: Minh họa bằng cách so sánh fit ARMA trên chuỗi gốc (sai) vs ARIMA đúng cách.
Ngày 307: Ký hiệu ARIMA(p,d,q)
Mục tiêu: Hiểu đầy đủ 3 tham số của ARIMA.
Lý thuyết: p (AR order), d (differencing order), q (MA order).
Thực hành: Viết lại phương trình đầy đủ cho một vài ví dụ ARIMA(p,d,q) cụ thể.
Ngày 308: Xác định bậc differencing d
Mục tiêu: Biết cách chọn d một cách có hệ thống.
Lý thuyết: Ôn lại ADF/KPSS (Phần B) để xác định d.
Thực hành: Xác định d cho từng chuỗi kinh tế Việt Nam đã có.
Ngày 309: Nhận dạng p, q sau differencing
Mục tiêu: Áp dụng nhận dạng ACF/PACF trên chuỗi đã differencing.
Lý thuyết: Ôn lại quy tắc nhận dạng từ Phần C, D, E.
Thực hành: Nhận dạng (p,q) cho chuỗi GDP Việt Nam sau khi differencing.
Ngày 310: Ước lượng mô hình ARIMA
Mục tiêu: Thực hiện ước lượng ARIMA đầy đủ.
Lý thuyết: Ôn lại MLE áp dụng cho ARIMA.
Thực hành: Fit ARIMA(p,d,q) cho chuỗi GDP Việt Nam bằng
statsmodels.
Ngày 311: Kiểm định phần dư ARIMA
Mục tiêu: Đảm bảo mô hình đã bắt hết cấu trúc.
Lý thuyết: Ôn lại Ljung-Box test áp dụng cho ARIMA.
Thực hành: Kiểm định phần dư cho mô hình ARIMA GDP đã fit.
Ngày 312: Dự báo và khoảng dự báo ARIMA
Mục tiêu: Thực hiện dự báo hoàn chỉnh với ARIMA.
Lý thuyết: Ôn lại cách chuyển dự báo từ chuỗi differenced về chuỗi gốc (integration ngược).
Thực hành: Dự báo GDP 4 quý tới, vẽ khoảng dự báo trên chuỗi gốc (chưa differencing).
Ngày 313: Auto-ARIMA - Thuật toán
Mục tiêu: Hiểu cách các công cụ tự động chọn bậc ARIMA.
Lý thuyết: Thuật toán Hyndman-Khandakar (stepwise search dựa trên AICc).
Thực hành: Đọc tài liệu thuật toán, tóm tắt các bước chính.
Ngày 314: Sử dụng pmdarima/auto_arima
Mục tiêu: Thành thạo công cụ auto-ARIMA trong thực tế.
Lý thuyết: Ôn lại API của
pmdarima.auto_arima.Thực hành: Chạy auto_arima cho chuỗi GDP, so sánh bậc được chọn với bậc tự nhận dạng ở Ngày 309.
Ngày 315: So sánh Manual Selection vs Auto-ARIMA
Mục tiêu: Hiểu ưu nhược điểm của từng cách tiếp cận.
Lý thuyết: Auto-ARIMA nhanh nhưng có thể bỏ sót domain knowledge; manual chậm nhưng chính xác hơn về mặt lý thuyết.
Thực hành: Lập bảng so sánh RMSE out-of-sample giữa 2 phương pháp trên nhiều chuỗi.
Ngày 316: Project ARIMA CPI - Thu thập và tiền xử lý
Mục tiêu: Chuẩn bị dữ liệu cho project ARIMA hoàn chỉnh.
Lý thuyết: Ôn lại yêu cầu dữ liệu sạch, tần suất đều đặn.
Thực hành: Chuẩn hóa lại chuỗi CPI Việt Nam (xử lý missing, đảm bảo tần suất tháng).
Ngày 317: Project ARIMA CPI - Kiểm tra Stationarity
Mục tiêu: Xác định bậc d cho CPI.
Lý thuyết: Ôn lại ADF/KPSS.
Thực hành: Chạy kiểm định và xác định d cho chuỗi CPI.
Ngày 318: Project ARIMA CPI - Nhận dạng mô hình
Mục tiêu: Xác định (p,q) cho CPI.
Lý thuyết: Ôn lại ACF/PACF sau differencing.
Thực hành: Vẽ ACF/PACF, đề xuất 2–3 đặc tả (p,d,q) ứng viên.
Ngày 319: Project ARIMA CPI - Ước lượng và chẩn đoán
Mục tiêu: Fit và kiểm định các đặc tả ứng viên.
Lý thuyết: Ôn lại Ljung-Box, AIC/BIC.
Thực hành: Fit từng đặc tả, so sánh chỉ số, chọn mô hình cuối cùng.
Ngày 320: Project ARIMA CPI - Dự báo 12 tháng
Mục tiêu: Tạo ra dự báo thực tế có thể trình bày.
Lý thuyết: Ôn lại cách tính khoảng dự báo.
Thực hành: Dự báo CPI 12 tháng tới, vẽ biểu đồ fan chart.
Ngày 321: Project ARIMA CPI - Đánh giá Walk-forward
Mục tiêu: Đánh giá độ chính xác dự báo một cách nghiêm túc.
Lý thuyết: Ôn lại walk-forward validation (Ngày 303).
Thực hành: Chạy walk-forward validation cho mô hình ARIMA CPI, tính RMSE/MAE/MAPE trung bình.
Ngày 322: Project ARIMA CPI - So sánh với mô hình OLS
Mục tiêu: Đánh giá ARIMA so với phương pháp econometrics truyền thống.
Lý thuyết: Ôn lại mô hình OLS dự báo CPI đã xây ở Giai đoạn 2.
Thực hành: So sánh RMSE out-of-sample giữa ARIMA và OLS trên cùng giai đoạn test.
Ngày 323: Project ARIMA CPI - Viết báo cáo
Mục tiêu: Trình bày kết quả một cách chuyên nghiệp.
Lý thuyết: Ôn lại cấu trúc báo cáo forecasting (Data, Method, Results, Comparison, Conclusion).
Thực hành: Viết báo cáo hoàn chỉnh cho project ARIMA CPI.
Ngày 324: Rolling Forecast Origin
Mục tiêu: Hiểu sâu hơn khái niệm rolling origin trong đánh giá dự báo.
Lý thuyết: Rolling forecast origin, expanding window vs sliding window.
Thực hành: So sánh kết quả đánh giá khi dùng expanding window vs sliding window cho mô hình CPI.
Ngày 325: Tổng kết ARIMA
Mục tiêu: Củng cố toàn bộ Phần F.
Lý thuyết: Ôn tập Ngày 306–324.
Thực hành: Làm bài kiểm tra tổng hợp: cho một chuỗi mới, thực hiện đầy đủ quy trình ARIMA từ đầu đến cuối.
PHẦN G: SARIMA (Ngày 326–340)
Ngày 326: Tính mùa vụ trong dữ liệu kinh tế
Mục tiêu: Nhận diện các chuỗi kinh tế có tính mùa vụ mạnh.
Lý thuyết: Ôn lại seasonality (Ngày 243), ví dụ CPI, doanh số bán lẻ, xuất khẩu.
Thực hành: Liệt kê các chuỗi kinh tế Việt Nam có khả năng có mùa vụ và giải thích nguyên nhân (Tết, mùa vụ nông nghiệp...).
Ngày 327: Mô hình SARIMA - Ký hiệu
Mục tiêu: Hiểu đầy đủ ký hiệu SARIMA(p,d,q)(P,D,Q)s.
Lý thuyết: Thành phần non-seasonal (p,d,q) và seasonal (P,D,Q)s.
Thực hành: Viết lại phương trình đầy đủ cho SARIMA(1,1,1)(1,1,1)12.
Ngày 328: Sai phân mùa vụ chi tiết
Mục tiêu: Áp dụng thành thạo seasonal differencing.
Lý thuyết: Ôn lại (1-B^s), kết hợp với non-seasonal differencing.
Thực hành: Áp dụng cả differencing thường và seasonal differencing cho CPI, kiểm tra ADF sau mỗi bước.
Ngày 329: Nhận dạng bậc Seasonal bằng ACF/PACF
Mục tiêu: Nhận dạng (P,Q) từ ACF/PACF tại các lag theo chu kỳ mùa vụ.
Lý thuyết: Spike tại lag s, 2s, 3s... trên ACF/PACF là dấu hiệu seasonal component.
Thực hành: Vẽ ACF/PACF mở rộng (nhiều lag) cho CPI đã seasonal differencing, xác định (P,Q).
Ngày 330: Ước lượng mô hình SARIMA
Mục tiêu: Thực hiện ước lượng SARIMA đầy đủ.
Lý thuyết: Ôn lại MLE áp dụng cho SARIMA (phức tạp hơn ARIMA do nhiều tham số).
Thực hành: Fit SARIMA cho CPI bằng
statsmodels.tsa.statespace.sarimax.
Ngày 331: Chẩn đoán mô hình SARIMA
Mục tiêu: Kiểm tra chất lượng mô hình SARIMA.
Lý thuyết: Ôn lại Ljung-Box, kiểm tra riêng phần dư tại các lag mùa vụ.
Thực hành: Chạy chẩn đoán đầy đủ cho mô hình SARIMA CPI đã fit.
Ngày 332: Dự báo với SARIMA
Mục tiêu: Thực hiện dự báo có tính đến mùa vụ.
Lý thuyết: Ôn lại cách kết hợp cả hai loại differencing khi tính dự báo về chuỗi gốc.
Thực hành: Dự báo CPI 12 tháng tới bằng SARIMA, so sánh hình dạng dự báo (có mùa vụ) với ARIMA thường (Ngày 320).
Ngày 333: Auto-SARIMA
Mục tiêu: Sử dụng công cụ tự động cho SARIMA.
Lý thuyết: Ôn lại
pmdarima.auto_arimavới tham sốseasonal=True.Thực hành: Chạy auto-SARIMA cho CPI, so sánh với mô hình tự nhận dạng.
Ngày 334: Project SARIMA lạm phát - Thu thập dữ liệu
Mục tiêu: Chuẩn bị dữ liệu cho project SARIMA hoàn chỉnh.
Lý thuyết: Ôn lại yêu cầu tần suất tháng, đủ độ dài (khuyến nghị >4-5 năm để bắt seasonal pattern).
Thực hành: Chuẩn bị chuỗi lạm phát (YoY inflation) Việt Nam theo tháng.
Ngày 335: Project SARIMA lạm phát - Nhận dạng mùa vụ
Mục tiêu: Xác định cấu trúc mùa vụ của lạm phát.
Lý thuyết: Ôn lại STL decomposition (Ngày 247) để kiểm tra độ mạnh mùa vụ.
Thực hành: Phân rã STL cho chuỗi lạm phát, đánh giá mức độ đóng góp của thành phần mùa vụ.
Ngày 336: Project SARIMA lạm phát - Ước lượng mô hình
Mục tiêu: Fit mô hình SARIMA cuối cùng.
Lý thuyết: Ôn lại quy trình chọn (p,d,q)(P,D,Q)s.
Thực hành: Fit và so sánh 2–3 đặc tả SARIMA cho chuỗi lạm phát.
Ngày 337: Project SARIMA lạm phát - Dự báo 12 tháng
Mục tiêu: Tạo dự báo hoàn chỉnh có thể trình bày.
Lý thuyết: Ôn lại cách tính khoảng dự báo cho SARIMA.
Thực hành: Dự báo lạm phát 12 tháng tới, vẽ biểu đồ kèm khoảng tin cậy.
Ngày 338: Project SARIMA lạm phát - Đánh giá độ chính xác
Mục tiêu: Đánh giá nghiêm túc chất lượng dự báo.
Lý thuyết: Ôn lại walk-forward validation áp dụng cho SARIMA.
Thực hành: Chạy walk-forward validation, tính RMSE/MAE/MAPE.
Ngày 339: Project SARIMA lạm phát - Viết báo cáo
Mục tiêu: Hoàn thiện báo cáo project.
Lý thuyết: Ôn lại cấu trúc báo cáo forecasting chuẩn.
Thực hành: Viết báo cáo hoàn chỉnh cho project SARIMA lạm phát.
Ngày 340: Tổng kết SARIMA
Mục tiêu: Củng cố toàn bộ Phần G.
Lý thuyết: Ôn tập Ngày 326–339.
Thực hành: So sánh tổng hợp hiệu quả dự báo giữa AR, MA, ARMA, ARIMA, SARIMA trên cùng một chuỗi lạm phát.
PHẦN H: VAR (Ngày 341–360)
Ngày 341: Giới thiệu mô hình đa biến
Mục tiêu: Hiểu tại sao cần mô hình đa biến thay vì đơn biến.
Lý thuyết: Hạn chế của mô hình đơn biến (ARIMA/SARIMA) khi các biến kinh tế tương tác lẫn nhau.
Thực hành: Liệt kê các cặp biến kinh tế Việt Nam có khả năng tương tác hai chiều (VD: lãi suất và tỷ giá).
Ngày 342: Mô hình VAR(p)
Mục tiêu: Hiểu cấu trúc mô hình Vector Autoregression.
Lý thuyết: VAR(p) model, mỗi biến được hồi quy theo lag của chính nó và lag của các biến khác.
Thực hành: Viết lại hệ phương trình VAR(1) đầy đủ cho 3 biến (GDP, CPI, lãi suất).
Ngày 343: Điều kiện Stationarity của hệ VAR
Mục tiêu: Hiểu điều kiện stationarity mở rộng cho hệ nhiều phương trình.
Lý thuyết: Stability condition cho VAR (nghiệm của phương trình đặc trưng nằm ngoài unit circle).
Thực hành: Kiểm tra stationarity từng biến trong hệ trước khi đưa vào VAR (dùng kết quả từ Phần B).
Ngày 344: Chọn bậc trễ p cho VAR
Mục tiêu: Biết cách xác định bậc trễ tối ưu cho hệ đa biến.
Lý thuyết: AIC, BIC, HQ (Hannan-Quinn) criterion cho VAR.
Thực hành: Chạy
select_ordertrongstatsmodels.tsa.vector_arđể tìm bậc p tối ưu.
Ngày 345: Ước lượng VAR bằng OLS
Mục tiêu: Hiểu vì sao VAR có thể ước lượng bằng OLS cho từng phương trình riêng lẻ.
Lý thuyết: Mỗi phương trình trong VAR có thể ước lượng độc lập bằng OLS (do cùng tập biến giải thích).
Thực hành: Ước lượng VAR(2) cho hệ GDP-CPI-lãi suất bằng
statsmodels.
Ngày 346: Kiểm định nhân quả Granger
Mục tiêu: Kiểm tra quan hệ dự báo (không phải nhân quả thực sự) giữa các biến.
Lý thuyết: Granger causality test, ý nghĩa và giới hạn của khái niệm "nhân quả" này.
Thực hành: Chạy Granger causality test giữa từng cặp biến trong hệ VAR.
Ngày 347: Hàm phản ứng đẩy (Impulse Response) - Lý thuyết
Mục tiêu: Hiểu cách VAR mô tả phản ứng động của hệ thống trước cú sốc.
Lý thuyết: Impulse Response Function (IRF), ý nghĩa kinh tế.
Thực hành: Đọc và diễn giải một IRF plot mẫu.
Ngày 348: Hàm phản ứng đẩy - Thực hành
Mục tiêu: Tính và trực quan hóa IRF cho hệ đã ước lượng.
Lý thuyết: Ôn lại cách tính IRF từ hệ số VAR.
Thực hành: Vẽ IRF cho cú sốc lãi suất tác động đến CPI và GDP trong 12 kỳ tới.
Ngày 349: Phân rã phương sai sai số dự báo
Mục tiêu: Hiểu đóng góp của từng biến vào biến động dự báo của các biến khác.
Lý thuyết: Forecast Error Variance Decomposition (FEVD).
Thực hành: Tính FEVD cho hệ VAR, diễn giải tỷ trọng đóng góp của từng biến vào biến động CPI.
Ngày 350: Dự báo với VAR
Mục tiêu: Thực hiện dự báo đồng thời nhiều biến.
Lý thuyết: Ôn lại cơ chế dự báo multi-step cho hệ VAR.
Thực hành: Dự báo đồng thời GDP, CPI, lãi suất 4 quý tới.
Ngày 351: Cholesky Decomposition trong Identification
Mục tiêu: Hiểu vấn đề identification khi diễn giải IRF theo nghĩa nhân quả cấu trúc.
Lý thuyết: Structural VAR (giới thiệu sơ lược), Cholesky ordering, tính nhạy cảm với thứ tự biến.
Thực hành: So sánh IRF khi đổi thứ tự biến trong Cholesky decomposition, quan sát sự khác biệt.
Ngày 352: Project VAR - Thu thập dữ liệu
Mục tiêu: Chuẩn bị dữ liệu cho project VAR hoàn chỉnh.
Lý thuyết: Ôn lại yêu cầu đồng bộ tần suất giữa các biến (quy về cùng quý/tháng).
Thực hành: Tổng hợp lại GDP, CPI, lãi suất Việt Nam về cùng tần suất quý.
Ngày 353: Project VAR - Kiểm tra Stationarity từng chuỗi
Mục tiêu: Đảm bảo điều kiện đầu vào cho VAR.
Lý thuyết: Ôn lại ADF/KPSS.
Thực hành: Kiểm tra và xử lý stationarity cho cả 3 chuỗi.
Ngày 354: Project VAR - Chọn bậc trễ
Mục tiêu: Xác định p tối ưu cho hệ.
Lý thuyết: Ôn lại AIC/BIC/HQ.
Thực hành: Chạy
select_order, chọn p cuối cùng có lý giải.
Ngày 355: Project VAR - Ước lượng mô hình
Mục tiêu: Fit mô hình VAR cuối cùng.
Lý thuyết: Ôn lại quy trình ước lượng.
Thực hành: Fit VAR(p) đã chọn, xuất bảng hệ số đầy đủ.
Ngày 356: Project VAR - Granger Causality giữa 3 biến
Mục tiêu: Phân tích quan hệ dự báo giữa các biến.
Lý thuyết: Ôn lại cách diễn giải Granger causality.
Thực hành: Chạy Granger causality test cho cả 6 cặp quan hệ có hướng giữa 3 biến, lập bảng kết quả.
Ngày 357: Project VAR - Impulse Response Analysis
Mục tiêu: Phân tích động lực học của hệ thống.
Lý thuyết: Ôn lại cách diễn giải IRF.
Thực hành: Vẽ và diễn giải toàn bộ ma trận IRF (9 đồ thị cho 3 biến) của hệ.
Ngày 358: Project VAR - Dự báo 4 quý tới
Mục tiêu: Tạo dự báo hoàn chỉnh cho cả 3 biến.
Lý thuyết: Ôn lại cách tính khoảng dự báo cho hệ đa biến.
Thực hành: Dự báo và vẽ biểu đồ cho cả 3 biến với khoảng tin cậy.
Ngày 359: Project VAR - Viết báo cáo
Mục tiêu: Hoàn thiện báo cáo project.
Lý thuyết: Ôn lại cấu trúc báo cáo cho mô hình đa biến (bao gồm Granger causality, IRF, FEVD, forecast).
Thực hành: Viết báo cáo hoàn chỉnh cho project VAR.
Ngày 360: Tổng kết VAR
Mục tiêu: Củng cố toàn bộ Phần H.
Lý thuyết: Ôn tập Ngày 341–359.
Thực hành: So sánh hiệu quả dự báo CPI giữa mô hình đơn biến (SARIMA, Phần G) và mô hình đa biến (VAR).
PHẦN I: VECM (Ngày 361–375)
Ngày 361: Đồng liên kết (Cointegration)
Mục tiêu: Hiểu khái niệm cointegration - nền tảng của VECM.
Lý thuyết: Cointegration, hai chuỗi non-stationary nhưng có tổ hợp tuyến tính stationary.
Thực hành: Mô phỏng hai chuỗi random walk có cointegration, vẽ tổ hợp tuyến tính của chúng để quan sát tính stationary.
Ngày 362: Vì sao cần VECM khi có Cointegration
Mục tiêu: Hiểu hạn chế của VAR thường khi các biến bị đồng liên kết.
Lý thuyết: Mất thông tin dài hạn khi differencing các biến cointegrated để dùng VAR thường.
Thực hành: So sánh kết quả VAR trên chuỗi đã differencing (mất thông tin dài hạn) với VECM (giữ được).
Ngày 363: Kiểm định đồng liên kết Engle-Granger
Mục tiêu: Hiểu và thực hiện kiểm định cointegration đơn giản nhất.
Lý thuyết: Engle-Granger two-step method.
Thực hành: Thực hiện kiểm định Engle-Granger cho cặp GDP-tiêu dùng Việt Nam.
Ngày 364: Kiểm định đồng liên kết Johansen - Lý thuyết
Mục tiêu: Hiểu phương pháp kiểm định cointegration cho hệ nhiều biến.
Lý thuyết: Johansen test, trace statistic, eigenvalue statistic, rank of cointegration.
Thực hành: Đọc và diễn giải output mẫu của Johansen test.
Ngày 365: Kiểm định Johansen - Thực hành
Mục tiêu: Thực hiện Johansen test trên dữ liệu thực.
Lý thuyết: Ôn lại cách chọn số lag và deterministic terms cho Johansen test.
Thực hành: Chạy Johansen test cho hệ GDP-tiêu dùng-đầu tư Việt Nam bằng
statsmodels.
Ngày 366: Cấu trúc mô hình VECM
Mục tiêu: Hiểu thành phần error correction trong VECM.
Lý thuyết: Vector Error Correction Model, error correction term, tốc độ điều chỉnh về cân bằng dài hạn.
Thực hành: Viết lại phương trình VECM đầy đủ cho hệ 2 biến.
Ngày 367: Ước lượng VECM
Mục tiêu: Thực hiện ước lượng VECM đầy đủ.
Lý thuyết: Ôn lại quy trình ước lượng (dựa trên rank cointegration từ Johansen test).
Thực hành: Fit VECM cho hệ GDP-tiêu dùng bằng
statsmodels.tsa.vector_ar.vecm.
Ngày 368: Diễn giải hệ số điều chỉnh sai số
Mục tiêu: Diễn giải đúng ý nghĩa kinh tế của error correction term.
Lý thuyết: Tốc độ điều chỉnh (adjustment speed) về cân bằng dài hạn sau cú sốc.
Thực hành: Tính và diễn giải hệ số điều chỉnh cho hệ GDP-tiêu dùng đã ước lượng.
Ngày 369: Dự báo với VECM
Mục tiêu: Thực hiện dự báo có tính đến quan hệ cân bằng dài hạn.
Lý thuyết: Ôn lại cơ chế dự báo VECM (khác VAR ở việc giữ mối quan hệ dài hạn).
Thực hành: Dự báo GDP và tiêu dùng 4 quý tới bằng VECM.
Ngày 370: Project VECM - Thu thập dữ liệu
Mục tiêu: Chuẩn bị dữ liệu cho project VECM hoàn chỉnh.
Lý thuyết: Ôn lại yêu cầu dữ liệu: các biến phải I(1) và có khả năng cointegrated.
Thực hành: Chuẩn bị chuỗi GDP và tiêu dùng cuối cùng (final consumption) Việt Nam.
Ngày 371: Project VECM - Kiểm tra đồng liên kết
Mục tiêu: Xác nhận có tồn tại cointegration trước khi mô hình hóa.
Lý thuyết: Ôn lại Johansen test.
Thực hành: Chạy Johansen test, xác định rank cointegration cho hệ GDP-tiêu dùng.
Ngày 372: Project VECM - Ước lượng mô hình
Mục tiêu: Fit mô hình VECM cuối cùng.
Lý thuyết: Ôn lại quy trình ước lượng dựa trên rank đã xác định.
Thực hành: Fit VECM, xuất bảng hệ số error correction và short-run dynamics.
Ngày 373: Project VECM - Dự báo và diễn giải
Mục tiêu: Tạo dự báo và diễn giải kết quả kinh tế.
Lý thuyết: Ôn lại cách diễn giải cân bằng dài hạn giữa GDP và tiêu dùng.
Thực hành: Dự báo và vẽ biểu đồ, viết nhận định về mối quan hệ dài hạn giữa hai biến.
Ngày 374: Project VECM - Viết báo cáo
Mục tiêu: Hoàn thiện báo cáo project.
Lý thuyết: Ôn lại cấu trúc báo cáo cho mô hình VECM (bao gồm kiểm định cointegration, error correction, dự báo).
Thực hành: Viết báo cáo hoàn chỉnh cho project VECM.
Ngày 375: Tổng kết Giai đoạn 3 - Time Series Foundation
Mục tiêu: Củng cố toàn diện trước khi bước vào Macroeconomic Forecasting.
Lý thuyết: Ôn tập tổng hợp toàn bộ 9 phần: Basics, Stationarity, AR, MA, ARMA, ARIMA, SARIMA, VAR, VECM.
Thực hành: Viết báo cáo tổng kết cá nhân so sánh toàn bộ các mô hình đã học (đơn biến vs đa biến, có/không có cointegration) trên cùng bộ dữ liệu kinh tế Việt Nam, chỉ ra khi nào nên dùng mô hình nào.