Motivations

Dear M,

Econometrics là môn học quan trọng (ít nhất là cho những ai định hướng theo đuổi bậc học sau đại học). Đối với hầu hết sinh viên, kể cả theo học ngành kinh tế, thì đây vẫn được coi là môn học khó. Textbook về môn học này thì nhiều. Ở Việt Nam có thể dễ dàng tìm được những textbooks nổi tiếng (chỉ nêu tên một số sách) của Gurajati, Woodbridge, Green, và Hill.

Trong số các textbooks này thì cuốn của Green dành cho bậc sau đại học nên nặng về phần toán. Sách của Gurajati và Woodbridge dành cho bậc đại học (Undergraduate) nhưng rất dày (đều trên 900 trang) và còn cả những mảng chuyên sâu về Panel Data và Time Series - những phần thường không được lựa chọn để giảng dạy môn học này cho bậc đại học khối ngành kinh tế ở hầu hết các đại học Việt Nam. Do vậy cuốn sách của Hill (chỉ 380 trang) tỏ ra là phù hợp hơn cả: không quá dài, trực quan dễ hình dung, và còn giải thích chi tiết cái gốc Thống Kê của môn học này.

Post này được viết để bạn có thể sử dụng textbook này một cách nhanh chóng.

Graph Section

Trước hết bạn nên load toàn bộ data của textbook này tại đây. Graph là một phần quan trọng của môn học này. Chúng ta có thể tái lập lại Figure 3.6 được trình bày tại trang 51 của giáo trình này với ngôn ngữ R như sau:

# Clear R our environment: 

rm(list = ls())

# Load data (from http://www.econometrics.com/comdata/hill/data.html): 

read.table("http://www.econometrics.com/comdata/hill/TAB3-1.shd", header = TRUE) -> exp_income_data

# Load some R packages: 

library(dplyr) # For data processing. 
library(ggplot2) # For data visualization. 

# Replicate figure 3.6 (page 51): 

exp_income_data %>% 
  ggplot(aes(x = x, y = y)) + 
  geom_point() + 
  labs(x = "Income", y = "Expenditure", 
       title = "Figure 3.6: Expenditure-Income Relationship", 
       subtitle = "Note: Replicate graph created by Hill et all. (2001)", 
       caption = "Source: http://principlesofeconometrics.com/ue2/ue2.htm")

Econometric Model

Giả sử chúng ta đề xuất mô hình kinh tế lượng dưới đây nhằm đánh giá mối quan hệ giữa thu nhập và chi tiêu:

\[Expenditure_i = \beta_0 + \beta_1 Income_{i} + u_i \ , \ i=1,\dots,n.\] Dưới đây là R codes ước lượng các hệ số hồi quy của mô hình trên:

x <- 1:10
sum(x)
## [1] 55
# Estimate coefficients: 

lm(data = exp_income_data, y ~ x) -> ols_model

# Present results: 

library(stargazer)

stargazer(ols_model,  
          title = "Table 3.6: Regression Results",
          type = "text", 
          align = TRUE)
## 
## Table 3.6: Regression Results
## ===============================================
##                         Dependent variable:    
##                     ---------------------------
##                                  y             
## -----------------------------------------------
## x                            0.128***          
##                               (0.031)          
##                                                
## Constant                      40.768*          
##                              (22.139)          
##                                                
## -----------------------------------------------
## Observations                    40             
## R2                             0.317           
## Adjusted R2                    0.299           
## Residual Std. Error      37.805 (df = 38)      
## F Statistic           17.647*** (df = 1; 38)   
## ===============================================
## Note:               *p<0.1; **p<0.05; ***p<0.01

Đây chính là kết quả được trình bày trong textbook bằng phần mềm SAS tại trang 57.

Đương nhiên chúng ta có thể bổ sung thêm cả Regression Line màu đỏ với khoảng tin cậy 95% như sau:

# Add regression line: 

exp_income_data %>% 
  ggplot(aes(x = x, y = y)) + 
  geom_point() + 
  geom_smooth(method = "lm", color = "red") + 
  labs(x = "Income", y = "Expenditure", 
       title = "Figure 3.6: Expenditure-Income Relationship", 
       subtitle = "Note: Replicate graph created by Hill et all. (2001)", 
       caption = "Source: http://principlesofeconometrics.com/ue2/ue2.htm")

Basic Econometrics

Đây cũng là một textbook nhập môn rất hay (và rất dày) của Gujarati. Sách này có thể download tại đây. Data của textbook có thể download tại đây. Theo truyền thống tì textbook này sử dụng phần mềm Eviews (với các file dữ liệu có đuôi là .wf1). Dưới đây là một bộ số liệu được trình bày ở trang 24.

.

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