Econométrie!

ơ bi giờ mình mới biết là có môn này, thế sao ko để ý nhỉ? hay là trong các trường nó có 1 tên khác???
bạn nào học giới thiệu qua qua tí, mà học toán kinh tế khó lắm à; tớ nghĩ là ở bên này càng học cái gì vế số lại càng đơn giản hơn học cái gì toàn chữ như kiểu social ý, sợ nhất là đọc nhiều viết nhiều

Một ngành học hấp dẫn thế này mà ít người biết đến quá nhỉ??? Chẳng thấy ai trả lời gì cả! Tiếc thật!

Bạn Fisu thân mến (nếu chưa thì sẽ, trước lạ sau quen thôi)
Nếu nghành này hay thì bạn có thể quảng cáo cho mọi người thêm nữa được không?? Trước tớ học về ecônmique et finance, không biết có giống nghành của bạn không nhỉ, chắc là không rùi, cho dù ngoài ECO và FIN tớ cũng được học khá nhiêu về maths và probabilités.......

Được fantomevn sửa chữa / chuyển vào 23:46 ngày 17/05/2005

Sao bạn không thử tìm trên google về Licence Econometrie nhỉ? Mình vừa thử vào phần giới thiệu của Univ Lyon 2, chương trình học như vậy nè, bạn tham khao thử xem nhé!
Econométrie I
1 Introduction.
1.1L''approche économétrique
1.1.1Qu''est ce que l''économétrie
1.1.2La nature de l''approche économétrique
1.1.3Les buts de l''approche économétrique
1.2 Modèles et modèles économétriques
1.2.1 Qu''est ce qu''un modèle ?
1.2.2 Les différents types de modèles
1.2.3 Les modèles économétriques
1.2.4 Les problèmes rencontrés dans les modèles économétriques.
1.3 Données et données traitées
1.3.1 Que sont les données ?
1.3.2 Données quantitatives, qualitatives, variables de codage.
1.3.3 Données temporelles et données croisées
1.3.4 Données expérimentales contre données non expérimentales
1.3.5 Problèmes avec les données
2 Le modèle linéaire général.
2.1 Le modèle et ses hypothèses
2.1.1 Le modèle.
2.1.2 Les hypothèses structurelles
2.1.3 Les hypothèses stochastiques
2.1.4 Premières conséquences des hypothèses stochastiques.
2.1.5 Annexes 2.1
2.2 Estimation des paramètres propriétés des estimateurs
2.2.1 L''estimateur des MCO de a, â
2.2.2 Propriétés de l''estimateur des MCO
2.2.3 Le théorème de Gauss Markov
2.2.4 Estimateur du MV de a,
2.2.5 Annexes 2.2
2.3 Estimation de la variance résiduelle
2.3.1 Estimation des MCO. Matrice fondamentale idempotente des MCO.
2.3.2 Estimateur du MV de 2,
2.3.3 Exemple du Riesling, méthode de Monte Carlo
2.4 Lois de probabilité des estimateurs
2.4.1 Lois de probabilité dans le modèle linéaire général normal. Distribution de la forme quadratique ?T?
2.4.2 Propriétés d''échantillon des estimateurs du MV ( et ) et de
2.4.3 Annexes 2.4
2.5 Interprétation géométrique des MCO
2.5.1 Interprétation géométrique de la méthode des MCO
2.5.2 Cas particulier du modèle à une variable explicative vraie
2.6 Coefficient de détermination
2.6.1 Le coefficient R2 et l''équation d''analyse de variance
2.6.2 Un tableau d''analyse de variance d''une régression
2.6.3 Le coefficient de détermination ajusté
2.6.4 Annexes 2.6
2.7 Estimations par intervalles. Tests d''hypothèses
2.7.1 Estimation par intervalle de confiance (IC) ou par régions de confiance (RC)
2.7.2 Tests d''hypothèses
2.7.3 Pratique des tests usuels. Résumé
2.7.4 Ellipse d''estimation au cas particulier de deux variables explicatives. Notion de bande de confiance
2.7.5 Distribution d''échantillonnage des coefficients de corrélation
2.7.6Annexes 2.7
2.8 La prévision
2.8.1 Cas du modèle statistique linéaire général
2.8.2 Cas du modèle statistique linéaire général normal
2.8.3 Cas d''un modèle à une variable explicative vraie
2.8.4 Exemple du Riesling
2.8.5Annexes 2.8
2.9 Addendum :examen graphique des résidus
2.9.1 Tracé global
2.9.2 Tracé en série temporelle
2.9.3 Tracé en fonction des valeurs prévus de l''endogène
2.10 Coefficients de corrélation partielle et multiple
2.10.1 Les notations.
2.10.2 CC d?Tordre 0 et CCM.
2.10.3 CCP d?Tordre 1.
2.10.4 CCP d?Tordre , 2
3 Violation des hypothèses.
3.1 Matrice des covariances non scalaire unité
3.1.1 Introduction
3.1.2 Le Modèle statistique de base
3.1.3 Le modèle statistique linéaire normal
3.1.4 Conséquences de l''utilisation des MCO
3.1.5 Estimations et tests d''hypothèses quand la matrice T est inconnue
3.1.6 Annexes 3.1
3.2 Autocorrélation des erreurs
3.2.1 Le problème général
3.2.2 Le test de Durbin Watson
3.2.3 Méthodes d''estimation dans le cas AR(1)
3.2.4La prévision dans les modèles avec autocorrélation des erreurs
3.2.5 Les tests autres que Durbin Watson
3.2.6 Annexes 3.2
3.3 Systèmes d''équations apparemment non corrélées
3.3.1 Introduction
3.3.2 Estimation d''un ensemble d''équations avec des erreurs corrélées de façon contemporaine au cas d''une matrice de covariances connue
3.3.3 Estimation au cas d''une matrice des covariances inconnue
3.3.4 Qualité des résultats et tests d''hypothèses
3.4 L''hétéroscédasticité des erreurs
3.4.1 Le problème général
3.4.2 Les procédures d''estimation selon les diverses hypothèses d''hétéroscédasticité
3.4.3 Tests généraux d''hétéroscédasticité
3.4.4 Remarques finales
4 Des tests
4.1 Tests de changements structurels.
4.1.1 Le test de Chow.
4.1.2 Utilisation de « Dummy variables ».
4.1.3 Des tests similaires.
4.1.4 Test de Chow et Hétéroscédasticité entre blocs.
4.1.5 Le test CUSUM.
4.2 Choix de régresseurs, modèles non emboîtés.
4.2.1 Le J test.
4.2.2 Test de Cox