Science for Economics

Science for Economics Nơi chia sẻ kiến thức, hướng dẫn và giải đáp thắc mắc xung quanh ngành "Phân tích dữ liệu”

19/08/2026

CẢI THIỆN HIỆU QUẢ LẬP TRÌNH STATA: TẠI SAO CẦN "GOM NHÓM" MÃ LỆNH?

Bạn có bao giờ cảm thấy việc quản lý các đoạn mã lệnh trong Stata trở nên phức tạp, dễ nhầm lẫn, đặc biệt khi phải sửa lỗi hay cập nhật tính năng mới? Rất có thể, "sự trùng lặp mã lệnh" đang là thủ phạm ngầm đấy!

Trong lập trình, việc có nhiều đoạn mã giống nhau nhưng nằm rải rác trong các lệnh ước lượng của Stata không chỉ tốn thời gian mà còn tăng nguy cơ phát sinh lỗi. Giải pháp hiệu quả được đề xuất là "gom nhóm" những đoạn mã chung này vào một nơi. Cụ thể, chúng ta có thể tận dụng thư viện Mata cho các hàm dùng chung và sử dụng các lệnh "wrapper" (lệnh bao bọc) để tập trung hóa phần ado-code phổ biến. Việc này giống như việc bạn sắp xếp lại tủ quần áo, thay vì mỗi lần tìm đồ lại phải lục tung cả phòng, bạn chỉ cần mở một ngăn đã được phân loại rõ ràng.

Khi áp dụng cách làm này, bạn sẽ nhận được những giá trị cốt lõi sau:
✨ Giúp việc bảo trì, sửa lỗi mã lệnh trở nên dễ dàng và nhanh chóng hơn.
✨ Giảm thiểu đáng kể các lỗi phát sinh do phải chỉnh sửa nhiều chỗ khác nhau.
✨ Nâng cao hiệu suất làm việc, tiết kiệm thời gian lập trình.
✨ Xây dựng thói quen viết mã sạch, chuyên nghiệp và có tổ chức.

Bạn đã từng gặp phải tình trạng trùng lặp mã lệnh trong dự án Stata của mình chưa? Bạn thường xử lý nó như thế nào? Cùng chia sẻ kinh nghiệm nhé!

👥 Group giải đáp về phân tích dữ liệu: https://www.facebook.com/groups/cungnhauhocptdl/
🏛️ Nội dung được bảo trợ bởi: Viện Phân tích Chính sách Kinh tế và Tài chính (IEFPA)

CONTACT US:
📌 Page: https://www.facebook.com/Science.for.Economics
📌 Website: https://www.scienceforeconomics.com/
📌 Page: https://www.facebook.com/IEFPA.Vietnam
☎️ Hotline: 0357.947.680 (Ms.Hà)
📩 Email: [email protected]
📍 Địa chỉ: Số 60, ngõ 41, Phố Thái Hà, Đống Đa, Hà Nội

CÁCH DÙNG GIÁ TRỊ SHAPLEY GIẢI THÍCH DỰ BÁO CHUỖI THỜI GIANBạn đã bao giờ tự hỏi tại sao dự báo chuỗi thời gian của mình...
17/08/2026

CÁCH DÙNG GIÁ TRỊ SHAPLEY GIẢI THÍCH DỰ BÁO CHUỖI THỜI GIAN

Bạn đã bao giờ tự hỏi tại sao dự báo chuỗi thời gian của mình lại thay đổi, và yếu tố nào đã đóng góp lớn nhất vào sự thay đổi đó chưa? Hãy tưởng tượng bạn đang dự báo tiêu dùng, nhưng lại không biết liệu thu nhập, tiết kiệm hay tỷ lệ thất nghiệp mới là yếu tố quyết định. Làm sao để "mổ xẻ" dự báo và hiểu rõ vai trò của từng biến số?

Đây chính là lúc giá trị Shapley phát huy tác dụng! Trong bài học này, chúng ta sẽ khám phá cách sử dụng các giá trị Shapley chính xác để "giải phẫu" các dự báo chuỗi thời gian, đặc biệt với mô hình ahead::dynrmf và các biến ngoại sinh trong gói ahead của R. Tưởng tượng bạn đang cố gắng dự báo mức tiêu dùng trong tương lai. Bạn muốn biết chính xác mức độ ảnh hưởng của các yếu tố như Thu nhập, Tiết kiệm, và Tỷ lệ thất nghiệp đến dự báo đó trong các kịch bản khác nhau (cơ sở, bi quan, lạc quan). Với phương pháp này, chúng ta có thể tính toán và trực quan hóa đóng góp riêng lẻ của từng yếu tố này. Một điểm thú vị là tổng các giá trị Shapley sẽ chính xác bằng với độ lệch của dự báo so với dự báo cơ sở. Phương pháp này đặc biệt hiệu quả và khả thi khi bạn làm việc với một số lượng nhỏ các biến ngoại sinh.

Giá trị cốt lõi bạn sẽ nhận được:
✨ Hiểu rõ nguyên nhân sâu xa đằng sau các dự báo chuỗi thời gian.
✨ Định lượng chính xác mức độ ảnh hưởng của từng yếu tố đến kết quả dự báo.
✨ Ứng dụng ngay các khái niệm phức tạp với mô hình thực tế trong gói ahead của R.
✨ Đưa ra các quyết định sáng suốt và minh bạch hơn dựa trên phân tích có cơ sở.

Bạn có nghĩ việc hiểu rõ đóng góp của từng yếu tố sẽ làm thay đổi cách bạn tin tưởng vào các dự báo của mình không? Hãy chia sẻ một ví dụ về biến số bạn muốn "giải thích" trong mô hình dự báo của mình nhé!

👥 Group giải đáp về phân tích dữ liệu: https://www.facebook.com/groups/cungnhauhocptdl/
🏛️ Nội dung được bảo trợ bởi: Viện Phân tích Chính sách Kinh tế và Tài chính (IEFPA)

CONTACT US:
📌 Page: https://www.facebook.com/Science.for.Economics
📌 Website: https://www.scienceforeconomics.com/
📌 Page: https://www.facebook.com/IEFPA.Vietnam
☎️ Hotline: 0357.947.680 (Ms.Hà)
📩 Email: [email protected]
📍 Địa chỉ: Số 60, ngõ 41, Phố Thái Hà, Đống Đa, Hà Nội

TÍCH HỢP PYTHON VÀ STATA: BÍ QUYẾT LẤY DỮ LIỆU TỪ API HIỆU QUẢBạn có bao giờ cảm thấy 'đau đầu' khi cần lấy dữ liệu trực...
14/08/2026

TÍCH HỢP PYTHON VÀ STATA: BÍ QUYẾT LẤY DỮ LIỆU TỪ API HIỆU QUẢ

Bạn có bao giờ cảm thấy 'đau đầu' khi cần lấy dữ liệu trực tiếp từ các nguồn online mà chúng lại không phải là file Excel hay CSV thẳng thớm? Đặc biệt là khi gặp dữ liệu JSON từ các API – trông phức tạp và khó nhằn quá phải không? Thường thì chúng ta hay tải thủ công, copy paste hoặc 'né' luôn API, bỏ lỡ kho dữ liệu khổng lồ, cập nhật liên tục?

Đừng lo lắng nữa! Bài học này sẽ 'mách nước' cho bạn cách kết hợp 'bộ đôi quyền lực' Python và Stata để giải quyết vấn đề này một cách mượt mà. Chúng ta sẽ khám phá cách:
- Sử dụng thư viện 'requests' của Python giống như một 'trợ lý' thông minh giúp bạn 'gõ cửa' các API trên mạng để lấy về những gói dữ liệu giá trị.
- 'Giải mã' dữ liệu JSON, đặc biệt là những cấu trúc lồng ghép phức tạp (kiểu như bóc từng lớp vỏ của củ hành tây vậy!), để biến chúng thành thông tin dễ hiểu.
- Chuyển đổi dữ liệu đã 'giải mã' thành một bảng gọn gàng, có tổ chức trong Python (gọi là pandas DataFrame).
- Cuối cùng, lưu bảng dữ liệu này dưới định dạng mà Stata có thể đọc được ngay lập tức, sẵn sàng cho các phân tích chuyên sâu của bạn.
Chúng ta sẽ cùng nhau thực hành với ví dụ từ API của OpenFDA để thấy việc này đơn giản đến thế nào nhé!

✨ Tự động hóa hoàn toàn quá trình lấy dữ liệu, không còn phải thao tác thủ công mất thời gian.
✨ Mở rộng khả năng tiếp cận các nguồn dữ liệu phong phú, cập nhật theo thời gian thực từ các API.
✨ Nắm vững kỹ năng kết nối sức mạnh của Python và sự linh hoạt của Stata trong phân tích.
✨ Xử lý hiệu quả các định dạng dữ liệu phức tạp như JSON, nâng cao năng lực phân tích dữ liệu của bạn.

Sau khi học xong, bạn có hình dung được API nào khác mà bạn muốn thử lấy dữ liệu về để phân tích không? Hãy chia sẻ ý tưởng của bạn dưới phần bình luận nhé!

👥 Group giải đáp về phân tích dữ liệu: https://www.facebook.com/groups/cungnhauhocptdl/
🏛️ Nội dung được bảo trợ bởi: Viện Phân tích Chính sách Kinh tế và Tài chính (IEFPA)

CONTACT US:
📌 Page: https://www.facebook.com/Science.for.Economics
📌 Website: https://www.scienceforeconomics.com/
📌 Page: https://www.facebook.com/IEFPA.Vietnam
☎️ Hotline: 0357.947.680 (Ms.Hà)
📩 Email: [email protected]
📍 Địa chỉ: Số 60, ngõ 41, Phố Thái Hà, Đống Đa, Hà Nội

PHÂN TÍCH XU HƯỚNG HOME RUN TRONG BÓNG CHÀY MLB BẰNG RBạn có bao giờ thắc mắc tại sao số lượng cú home run trong các trậ...
12/08/2026

PHÂN TÍCH XU HƯỚNG HOME RUN TRONG BÓNG CHÀY MLB BẰNG R

Bạn có bao giờ thắc mắc tại sao số lượng cú home run trong các trận bóng chày MLB ngày càng tăng đột biến không? Liệu xu hướng này có phải là ngẫu nhiên, hay ẩn chứa những thay đổi sâu sắc trong chiến lược và cách chơi của bộ môn thể thao đầy kịch tính này?

Dựa trên dữ liệu lịch sử từ năm 1901 đến nay, chúng ta có thể thấy một sự gia tăng rõ rệt về số lượng home run mỗi trận đấu. Đỉnh điểm là vào năm 2019 với trung bình 1.39 cú home run mỗi trận, gấp sáu lần so với năm 1910! Đây không chỉ là một con số, mà nó phản ánh một "cơn sốt home run" đã trải qua nhiều giai đoạn lịch sử của bóng chày – từ kỷ nguyên "dead-ball" (bóng chết) đến kỷ nguyên "power hitting" (tấn công mạnh mẽ), từ thời đại steroid cho đến "cách mạng góc đánh" (launch-angle revolution) gần đây. Vậy đâu là nguyên nhân? Sự cải tiến trong chế độ tập luyện, phân tích dữ liệu chuyên sâu (analytics), và thậm chí là sự thay đổi trong cấu tạo quả bóng đều góp phần tạo nên xu hướng này. Điều này không chỉ làm thay đổi chiến thuật thi đấu (như sự gia tăng của các "ba kết quả thật" - three true outcomes) mà còn có tác động đáng kể đến thị trường cá cược thể thao.

✨ Nắm bắt cách dữ liệu lịch sử có thể "kể chuyện" về sự phát triển của một môn thể thao.
✨ Biết cách sử dụng R và các bộ dữ liệu lớn (như Lahman Baseball Database) để thực hiện phân tích chuyên sâu.
✨ Hiểu được các yếu tố vĩ mô và vi mô ảnh hưởng đến hiệu suất và chiến lược trong thể thao.
✨ Phát triển tư duy phân tích để đưa ra quyết định tốt hơn, ngay cả trong lĩnh vực cá cược thể thao.

Theo bạn, liệu xu hướng home run này có tiếp tục tăng trưởng trong thập kỷ tới không, hay chúng ta sẽ chứng kiến một sự ổn định hoặc thậm chí là suy giảm? Những yếu tố nào sẽ định hình xu hướng này?

👥 Group giải đáp về phân tích dữ liệu: https://www.facebook.com/groups/cungnhauhocptdl/
🏛️ Nội dung được bảo trợ bởi: Viện Phân tích Chính sách Kinh tế và Tài chính (IEFPA)

CONTACT US:
📌 Page: https://www.facebook.com/Science.for.Economics
📌 Website: https://www.scienceforeconomics.com/
📌 Page: https://www.facebook.com/IEFPA.Vietnam
☎️ Hotline: 0357.947.680 (Ms.Hà)
📩 Email: [email protected]
📍 Địa chỉ: Số 60, ngõ 41, Phố Thái Hà, Đống Đa, Hà Nội

10/08/2026

LÀM CHỦ KẾT NỐI DỮ LIỆU STATA VÀ PYTHON PANDAS BẰNG SFI

Bạn có đang loay hoay mỗi khi cần chuyển một phần dữ liệu từ Stata sang Python để phân tích chuyên sâu hơn? Hay việc chuyển đổi thủ công khiến bạn tốn nhiều thời gian và dễ sai sót, đặc biệt với những bộ dữ liệu lớn? Ước gì có cách nào đó nhanh hơn, chuẩn hơn để làm việc này nhỉ? Đừng lo lắng, hôm nay chúng ta sẽ khám phá bí quyết với module Stata Function Interface (SFI)!

SFI chính là cây cầu nối mạnh mẽ giúp bạn tương tác mượt mà giữa Stata và Python. Trong đó, hai phương pháp Data.get() và Data.getAsDict() là "trợ thủ" đắc lực cho việc chuyển đổi dữ liệu hiệu quả.

Data.get() hoạt động như một "người chọn lọc thông minh". Nó cho phép bạn lấy chính xác phần dữ liệu mình cần: chỉ những biến bạn quan tâm, một khoảng quan sát nhất định, hoặc lọc theo điều kiện cụ thể. Đặc biệt, Data.get() còn có khả năng tự động đọc nhãn giá trị (value labels) và xử lý các giá trị khuyết thiếu, sau đó chuyển toàn bộ vào một danh sách Python để bạn dễ dàng định dạng thành DataFrame.

Còn Data.getAsDict() thì sao? Nó giống như một "chuyên gia đóng gói" vậy. Cũng với khả năng chọn lọc tinh tế như Data.get(), nhưng Data.getAsDict() sẽ trả về cho bạn một từ điển (dictionary) mà trong đó, tên biến của Stata chính là các khóa. Điều này giúp việc gán tên cột cho DataFrame của bạn ở Python trở nên cực kỳ đơn giản và rõ ràng, tiết kiệm công sức sắp xếp thủ công.

Cả hai phương pháp này đều giúp bạn tích hợp dữ liệu một cách có mục tiêu, chính xác và nhanh chóng, giải quyết nỗi lo về việc chuyển đổi dữ liệu giữa hai phần mềm!

Giá trị cốt lõi bạn sẽ nhận được:
✨ Tiết kiệm thời gian và công sức đáng kể khi chuyển dữ liệu giữa Stata và Python.
✨ Đảm bảo độ chính xác cao nhờ khả năng chọn lọc và xử lý tự động của SFI.
✨ Tăng cường hiệu quả làm việc, giúp bạn tập trung hơn vào phân tích chuyên sâu.
✨ Dễ dàng tích hợp các tập con dữ liệu phức tạp vào luồng công việc của bạn mà không cần thao tác thủ công rườm rà.

Bạn đã từng gặp khó khăn gì khi chuyển dữ liệu giữa Stata và Python? Hãy chia sẻ kinh nghiệm của bạn ở phần bình luận nhé! Theo bạn, trong trường hợp nào thì Data.get() sẽ ưu việt hơn Data.getAsDict(), và ngược lại?

👥 Group giải đáp về phân tích dữ liệu: https://www.facebook.com/groups/cungnhauhocptdl/
🏛️ Nội dung được bảo trợ bởi: Viện Phân tích Chính sách Kinh tế và Tài chính (IEFPA)

CONTACT US:
📌 Page: https://www.facebook.com/Science.for.Economics
📌 Website: https://www.scienceforeconomics.com/
📌 Page: https://www.facebook.com/IEFPA.Vietnam
☎️ Hotline: 0357.947.680 (Ms.Hà)
📩 Email: [email protected]
📍 Địa chỉ: Số 60, ngõ 41, Phố Thái Hà, Đống Đa, Hà Nội

CÁCH GỌI "TRỢ THỦ ĐẮC LỰC" PYTHON VÀO LÀM VIỆC NGAY LẬP TỨC!Bạn đang học Python để phân tích dữ liệu nhưng đôi khi thấy ...
10/08/2026

CÁCH GỌI "TRỢ THỦ ĐẮC LỰC" PYTHON VÀO LÀM VIỆC NGAY LẬP TỨC!

Bạn đang học Python để phân tích dữ liệu nhưng đôi khi thấy bối rối không biết làm sao để tận dụng hàng ngàn công cụ mạnh mẽ từ các thư viện có sẵn? Đặc biệt là thư viện pandas, "người bạn" không thể thiếu của mọi nhà phân tích dữ liệu? Đừng lo lắng, việc gọi các gói thư viện vào dùng cực kỳ đơn giản!

Hãy hình dung các gói thư viện Python như những "kho công cụ" khổng lồ, chứa đầy các chức năng hữu ích được viết sẵn để giúp bạn giải quyết mọi vấn đề về dữ liệu. Việc của bạn chỉ là biết cách "mở kho" và "lấy công cụ" ra dùng thôi:

🔹 ĐỂ MỞ TOÀN BỘ KHO CÔNG CỤ "PANDAS": Bạn chỉ cần gõ `import pandas`. Sau lệnh này, bạn có thể truy cập mọi chức năng của pandas bằng cách viết `pandas.tên_chức_năng()`.
🔹 ĐỂ GỌI NHANH VÀ ĐẶT BIỆT DANH: Nếu bạn thấy tên "pandas" hơi dài, bạn có thể đặt cho nó một cái tên tắt dễ gọi hơn, ví dụ `pd` (đây là cách làm phổ biến nhất!). Cú pháp là `import pandas as pd`. Giờ thì bạn chỉ cần gọi `pd.tên_chức_năng()` là xong. Tiện lợi quá phải không?
🔹 CHỈ LẤY MỘT CÔNG CỤ DUY NHẤT BẠN CẦN: Đôi khi bạn chỉ muốn dùng một chức năng cụ thể trong gói thư viện, ví dụ như tạo một bảng dữ liệu (DataFrame). Thay vì nhập cả gói, bạn có thể chọn lọc chỉ lấy đúng chức năng đó ra: `from pandas import DataFrame`.
🔹 ĐẶT BIỆT DANH CHO CÔNG CỤ CỤ THỂ: Tương tự như trên, bạn có thể đặt biệt danh cho riêng chức năng đó: `from pandas import DataFrame as df`. Từ giờ, cứ dùng `df` là bạn đang thao tác với DataFrame rồi!

Điều quan trọng nhất cần nhớ là: Bất kỳ gói thư viện, lớp hay hàm nào bạn muốn dùng, bạn đều phải "nhập" (import) chúng vào trước khi có thể sử dụng. Việc này giống như bạn phải mở tủ đồ nghề ra trước khi lấy búa hay kìm vậy!

Vậy bạn sẽ nhận được gì khi nắm vững cách nhập và sử dụng thư viện?
✨ Tiết kiệm thời gian và công sức nhờ các hàm đã được kiểm chứng.
✨ Viết mã Python sạch sẽ, gọn gàng và dễ đọc hơn rất nhiều.
✨ Mở rộng không giới hạn khả năng phân tích và xử lý dữ liệu của bạn.
✨ Tận dụng sức mạnh cộng đồng phát triển Python khổng lồ.

Thư viện pandas có rất nhiều phương thức mạnh mẽ. Bạn đã từng dùng phương thức nào của pandas mà thấy "wow" nhất? Chia sẻ trong phần bình luận nhé!

👥 Group giải đáp về phân tích dữ liệu: https://www.facebook.com/groups/cungnhauhocptdl/
🏛️ Nội dung được bảo trợ bởi: Viện Phân tích Chính sách Kinh tế và Tài chính (IEFPA)

CONTACT US:
📌 Page: https://www.facebook.com/Science.for.Economics
📌 Website: https://www.scienceforeconomics.com/
📌 Page: https://www.facebook.com/IEFPA.Vietnam
☎️ Hotline: 0357.947.680 (Ms.Hà)
📩 Email: [email protected]
📍 Địa chỉ: Số 60, ngõ 41, Phố Thái Hà, Đống Đa, Hà Nội

29/07/2026

LÀM SAO ĐỂ BIẾT MÔ HÌNH AI CỦA BẠN CÓ THỰC SỰ TỐT HƠN MÔ HÌNH CŨ?

Bạn đã từng đau đầu khi thấy hai mô hình AI đều cho ra các con số độ chính xác (accuracy) gần như nhau, hoặc mô hình mới chỉ nhỉnh hơn một chút, rồi tự hỏi liệu nó có thực sự tốt hơn không? Liệu sự khác biệt nhỏ đó có phải chỉ là may mắn?

Trong phân tích dữ liệu, đặc biệt là khi so sánh các mô hình phân loại nhị phân, việc chỉ nhìn vào một con số như độ chính xác từ một tập dữ liệu kiểm tra duy nhất có thể gây hiểu lầm lớn. Tại sao ư? Vì dữ liệu có tính ngẫu nhiên, và sự khác biệt bạn thấy có thể chỉ là do mẫu dữ liệu bạn đang dùng, chứ không phải do mô hình thực sự tốt hơn. Giống như bạn thử món ăn ở hai nhà hàng khác nhau một lần và vội vàng kết luận cái nào ngon hơn vậy!

Để thực sự biết được mô hình nào vượt trội, chúng ta cần dùng đến các kiểm định thống kê chuyên sâu. Bài viết này giới thiệu hai công cụ cực kỳ hữu ích:

Đầu tiên là Kiểm định McNemar. Kiểm định này giúp bạn so sánh hai mô hình trên cùng một tập dữ liệu kiểm tra. Nó tập trung phân tích những trường hợp mà hai mô hình đưa ra kết quả khác nhau (một đúng, một sai) để xem liệu có sự khác biệt có ý nghĩa thống kê giữa chúng hay không. Hay nói cách khác, kiểm tra xem hai "đầu bếp" có thực sự khác biệt về khả năng tạo ra "món ăn" ngon không, dựa trên cùng một "nguyên liệu".

Tiếp theo là Kiểm định F chéo 5x2 (5x2 cross-validated F test). Đây là một kiểm định mạnh mẽ hơn, được dùng để đánh giá khả năng tổng quát hóa của mô hình trên nhiều tập dữ liệu con khác nhau, giúp bạn tin tưởng hơn vào kết luận về hiệu suất tổng thể. Tưởng tượng bạn cho hai "đầu bếp" thử nấu món đó năm lần, mỗi lần với hai bộ "nguyên liệu" khác nhau để đảm bảo kết quả không phải là may mắn.

Ví dụ, khi sử dụng bộ công cụ h2oml của Stata, nhiều khi chúng ta thấy sự khác biệt về độ chính xác giữa hai mô hình, nhưng khi áp dụng các kiểm định này, chúng ta nhận ra rằng sự khác biệt đó không có ý nghĩa thống kê. Điều này có nghĩa là, mô hình mới có thể không thực sự tốt hơn mô hình cũ như chúng ta lầm tưởng. Đừng để những con số "bề nổi" đánh lừa bạn nhé!

Với kiến thức này, bạn sẽ:
✨ Đánh giá mô hình một cách khoa học và chính xác hơn, không bị đánh lừa bởi những con số bề mặt.
✨ Tự tin hơn khi đưa ra quyết định lựa chọn mô hình nào để triển khai trong thực tế.
✨ Nâng cao kỹ năng phân tích dữ liệu, trở thành một chuyên gia có cái nhìn sâu sắc.
✨ Hiểu rõ hơn về tầm quan trọng của các kiểm định thống kê trong việc so sánh hiệu suất thuật toán.

Bạn đã bao giờ gặp trường hợp hai mô hình có độ chính xác gần giống nhau và bối rối không biết chọn mô hình nào chưa? Bạn đã dùng phương pháp gì để đưa ra quyết định? Hãy chia sẻ kinh nghiệm của bạn dưới phần bình luận nhé!

👥 Group giải đáp về phân tích dữ liệu: https://www.facebook.com/groups/cungnhauhocptdl/
🏛️ Nội dung được bảo trợ bởi: Viện Phân tích Chính sách Kinh tế và Tài chính (IEFPA)

CONTACT US:
📌 Page: https://www.facebook.com/Science.for.Economics
📌 Website: https://www.scienceforeconomics.com/
📌 Page: https://www.facebook.com/IEFPA.Vietnam
☎️ Hotline: 0357.947.680 (Ms.Hà)
📩 Email: [email protected]
📍 Địa chỉ: Số 60, ngõ 41, Phố Thái Hà, Đống Đa, Hà Nội

HƯỚNG DẪN CÀI ĐẶT CÁC GÓI THƯ VIỆN PYTHON TRONG STATA ĐƠN GIẢN VÀ HIỆU QUẢBạn đang "mắc kẹt" với Stata nhưng lại "say nắ...
28/07/2026

HƯỚNG DẪN CÀI ĐẶT CÁC GÓI THƯ VIỆN PYTHON TRONG STATA ĐƠN GIẢN VÀ HIỆU QUẢ

Bạn đang "mắc kẹt" với Stata nhưng lại "say nắng" trước sức mạnh và thư viện khổng lồ của Python? Hay bạn muốn kết hợp cả hai công cụ này để phân tích dữ liệu hiệu quả hơn nhưng không biết bắt đầu từ đâu? Đừng lo lắng, chúng ta sẽ cùng nhau "bắt tay" Python và Stata ngay hôm nay!

Python nổi tiếng với kho thư viện đồ sộ, và tin tốt là bạn hoàn toàn có thể sử dụng chúng ngay trong Stata! Bí quyết nằm ở "pip" - "người vận chuyển" gói thư viện của Python.
Cách làm rất đơn giản, chỉ với vài bước:
1. Đầu tiên, hãy kiểm tra xem Stata của bạn đã nhận diện được Python chưa bằng lệnh `python query`. Nếu chưa, bạn cần thiết lập Python cho Stata trước nhé.
2. Sau khi Stata đã "thân thiện" với Python, bạn mở cửa sổ dòng lệnh hệ thống (terminal) ngay trong Stata bằng cách gõ `shell` hoặc dấu chấm than `!`.
3. Trong cửa sổ dòng lệnh này, bạn chỉ cần gõ lệnh "pip install" kèm theo tên gói thư viện muốn cài đặt. Ví dụ, để cài đặt các gói cơ bản và cực kỳ hữu ích như NumPy, Pandas, Matplotlib hay Scikit-learn, bạn sẽ lần lượt gõ:
* pip install numpy
* pip install pandas
* pip install matplotlib
* pip install scikit-learn
4. Cuối cùng, để chắc chắn rằng các gói đã được cài đặt thành công và Stata có thể "gọi tên" chúng, bạn có thể kiểm tra lại bằng lệnh `python which [tên_gói]`.
Cứ như vậy, bạn có thể cài đặt bất kỳ gói thư viện Python nào khác mà bạn cần cho công việc phân tích của mình!

✨ Mở rộng khả năng phân tích dữ liệu của bạn vượt ra ngoài giới hạn của Stata.
✨ Tận dụng hàng ngàn thư viện mạnh mẽ của Python cho các tác vụ chuyên sâu như xử lý số, quản lý dữ liệu, trực quan hóa hay học máy.
✨ Tối ưu hóa quy trình làm việc bằng cách kết hợp ưu điểm của cả hai công cụ.

Bạn đã thử kết hợp Stata và Python trong công việc của mình chưa? Gói thư viện Python nào mà bạn thấy hữu ích nhất khi làm việc với Stata? Hãy chia sẻ kinh nghiệm và những câu hỏi của bạn bên dưới nhé!

👥 Group giải đáp về phân tích dữ liệu: https://www.facebook.com/groups/cungnhauhocptdl/
🏛️ Nội dung được bảo trợ bởi: Viện Phân tích Chính sách Kinh tế và Tài chính (IEFPA)

CONTACT US:
📌 Page: https://www.facebook.com/Science.for.Economics
📌 Website: https://www.scienceforeconomics.com/
📌 Page: https://www.facebook.com/IEFPA.Vietnam
☎️ Hotline: 0357.947.680 (Ms.Hà)
📩 Email: [email protected]
📍 Địa chỉ: Số 60, ngõ 41, Phố Thái Hà, Đống Đa, Hà Nội

BÍ QUYẾT TẠO BẢNG CHUYÊN NGHIỆP TRONG STATA 17 VỚI LỆNH COLLECTBạn tốn hàng giờ chỉnh sửa từng con số, từng dòng kẻ tron...
22/07/2026

BÍ QUYẾT TẠO BẢNG CHUYÊN NGHIỆP TRONG STATA 17 VỚI LỆNH COLLECT

Bạn tốn hàng giờ chỉnh sửa từng con số, từng dòng kẻ trong bảng kết quả phân tích Stata để nó trông "đẹp" và "chuẩn" theo yêu cầu báo cáo? Hay bạn đau đầu vì phải xuất dữ liệu ra Word, Excel rồi lại copy paste thủ công?

Nếu đó là bạn, thì Stata 17 đã có một "vị cứu tinh" mang tên lệnh "collect"! Đây không chỉ là một lệnh đơn thuần mà là một bộ công cụ siêu mạnh giúp bạn tạo ra những bảng kết quả chuyên nghiệp, tùy chỉnh theo ý muốn và xuất ra các định dạng phổ biến một cách tự động. Với "collect", bạn có thể:
Tổ chức các kết quả phân tích của mình thành "bộ sưu tập" có cấu trúc, dễ dàng quản lý.
Dễ dàng thay đổi nhãn, tiêu đề cho các dòng, cột để bảng biểu rõ ràng và dễ hiểu hơn.
Áp dụng các phong cách định dạng có sẵn hoặc tự tạo để bảng của bạn luôn đồng bộ và đẹp mắt.
Lưu lại các tùy chỉnh yêu thích để lần sau chỉ cần "tái sử dụng" mà không cần làm lại từ đầu.
Xuất bảng ra các file Word, Excel, PDF chỉ với vài cú nhấp chuột, hoặc tích hợp trực tiếp vào tài liệu Word của bạn.

Khi thành thạo lệnh "collect", bạn sẽ:
✨ Tiết kiệm thời gian đáng kể cho việc định dạng bảng biểu.
✨ Tạo ra các bảng kết quả chuyên nghiệp, sẵn sàng cho báo cáo hoặc bài nghiên cứu.
✨ Nâng cao hiệu quả làm việc, tập trung vào phân tích thay vì chỉnh sửa thủ công.
✨ Đảm bảo tính nhất quán và chuẩn mực cho mọi bảng biểu bạn tạo ra.

Bạn có thường xuyên phải tạo và chỉnh sửa bảng biểu trong Stata không? Đâu là khó khăn lớn nhất của bạn khi làm việc với bảng kết quả và bạn nghĩ lệnh "collect" có thể giúp ích như thế nào?

👥 Group giải đáp về phân tích dữ liệu: https://www.facebook.com/groups/cungnhauhocptdl/
🏛️ Nội dung được bảo trợ bởi: Viện Phân tích Chính sách Kinh tế và Tài chính (IEFPA)

CONTACT US:
📌 Page: https://www.facebook.com/Science.for.Economics
📌 Website: https://www.scienceforeconomics.com/
📌 Page: https://www.facebook.com/IEFPA.Vietnam
☎️ Hotline: 0357.947.680 (Ms.Hà)
📩 Email: [email protected]
📍 Địa chỉ: Số 60, ngõ 41, Phố Thái Hà, Đống Đa, Hà Nội

[𝐈𝐄𝐅𝐏𝐀 𝐇𝐈𝐑𝐈𝐍𝐆] TUYỂN DỤNG CHUYÊN VIÊN NGHIÊN CỨUViện Phân tích Chính sách Kinh tế và Tài chính – IEFPA đang tìm kiếm 01 ...
21/07/2026

[𝐈𝐄𝐅𝐏𝐀 𝐇𝐈𝐑𝐈𝐍𝐆] TUYỂN DỤNG CHUYÊN VIÊN NGHIÊN CỨU
Viện Phân tích Chính sách Kinh tế và Tài chính – IEFPA đang tìm kiếm 01 Chuyên viên Nghiên cứu Full-time để đồng hành cùng đội ngũ nghiên cứu và công nghệ của Viện.
🔗 JD chi tiết: https://drive.google.com/file/d/1K5Qt97OVuP_RDa777VkuS1MODpA7lz9a/view?fbclid=IwY2xjawTLsGtleHRuA2FlbQIxMABicmlkETE5d2VKaWhoeVhRcWI4aGNQc3J0YwZhcHBfaWQQMjIyMDM5MTc4ODIwMDg5MgABHhGnCBF05RP5EFAPSjy4_Yx-fWYZNSSVJF5buUA8Y7T5kL2WfMt96vELoWcD_aem_HvZO8cwR1yMFiZ3cphy1qA
📌MÔ TẢ CÔNG VIỆC
• Phối hợp với đội ngũ nghiên cứu để triển khai các giải pháp phần mềm công nghệ.
• Nghiên cứu, cập nhật các công nghệ mới trong lĩnh vực AI/ML và đề xuất áp dụng vào sản phẩm.
• Xây dựng, huấn luyện và triển khai các mô hình dự báo, theo dõi hiệu suất và tối ưu hóa mô hình theo thời gian.
• Triển khai các quy trình ứng dụng LLM RAG (Retrieval-Augmented Generation), bao gồm xây dựng pipeline truy xuất dữ liệu và tích hợp với mô hình ngôn ngữ.
• Theo dõi, bảo trì và xử lý sự cố cho các hệ thống đang vận hành.
• Dựng workflow thu thập dữ liệu từ nhiều nguồn khác nhau (API, web scraping, database), xử lý, làm sạch và chuẩn hóa dữ liệu phục vụ cho phân tích và mô hình hóa.
📌YÊU CẦU ỨNG VIÊN
• Tốt nghiệp hoặc sắp tốt nghiệp các ngành Công nghệ thông tin, Khoa học dữ liệu hoặc các ngành liên quan đến Tài chính, Fintech.
• Có kiến thức nền tảng về lập trình, cấu trúc dữ liệu và phân tích dữ liệu; biết Python là một lợi thế.
• Có tư duy logic, khả năng phân tích và giải quyết vấn đề tốt.
• Có khả năng đọc hiểu tài liệu bằng tiếng Anh.
• Chủ động, trách nhiệm, cẩn thận, sẵn sàng học hỏi kiến thức mới.
• Có tinh thần làm việc nhóm và phối hợp hiệu quả.
• Không yêu cầu kinh nghiệm; ứng viên có nền tảng và tiềm năng phù hợp sẽ được đào tạo trong quá trình làm việc.
📌ƯU TIÊN ỨNG VIÊN
• Có hiểu biết về cơ sở dữ liệu, API hoặc quy trình xử lý dữ liệu.
• Có kiến thức hoặc kinh nghiệm liên quan đến Data, AI/ML hoặc LLM.
• Đã từng sử dụng các công cụ như Git, Docker hoặc các nền tảng cloud.
• Có sản phẩm cá nhân, GitHub hoặc dự án liên quan đến Data, Automation hoặc phân tích tài chính.
📌QUYỀN LỢI
• Thu nhập gồm lương cố định và thưởng theo dự án; mức cụ thể được trao đổi trong quá trình phỏng vấn.
• Được đào tạo và hướng dẫn trực tiếp trong quá trình làm việc.
• Được tham gia phát triển các sản phẩm thực tế về dữ liệu, AI, LLM, fintech và phân tích chính sách.
• Được làm việc cùng đội ngũ nghiên cứu, chuyên gia kinh tế, tài chính và công nghệ.
• Được tiếp cận các công cụ, dữ liệu và tài liệu chuyên môn phục vụ công việc.
• Có cơ hội tham gia các chương trình đào tạo, hội thảo và hoạt động chuyên môn của Viện.
• Môi trường làm việc chuyên nghiệp, sáng tạo và khuyến khích thử nghiệm các giải pháp mới.
📌CHẾ ĐỘ LÀM VIỆC
• Hình thức: Full-time
• Làm việc trực tiếp tại văn phòng Viện.
• Thu nhập: Lương cố định + thưởng theo dự án
• Thời gian thử việc: Tối đa 2 tháng tùy vào kinh nghiệm và năng lực của ứng viên
• Ưu tiên ứng viên có định hướng gắn bó lâu dài.
• Địa điểm làm việc: Tầng 1, số 60, ngõ 41 Thái Hà, Đống Đa, Hà Nội.
📌CÁCH ỨNG TUYỂN
Ứng viên vui lòng gửi:
• CV cá nhân.
• Sản phẩm cá nhân, GitHub hoặc dự án liên quan, nếu có.
Email nhận hồ sơ: [email protected]
Tiêu đề email: [IEFPA CVNC 2026] – Họ và tên
HẠN ỨNG TUYỂN: 25/07/2026
____________________________________________________________
Group giải đáp tất tần tật về phân tích dữ liệu:
https://www.facebook.com/groups/cungnhauhocptdl/
____________________________________________________________
THÔNG TIN LIÊN HỆ
Fanpage: https://www.facebook.com/IEFPA.Vietnam
Website: https://www.iefpa.org.vn/
Hotline: 0357.947.680 – Ms. Hà
Email: [email protected]

Address

60/41 Thái Hà, P. Trung Liệt, Q. Đống Đa
Hanoi

Website

Alerts

Be the first to know and let us send you an email when Science for Economics posts news and promotions. Your email address will not be used for any other purpose, and you can unsubscribe at any time.

Contact The School

Send a message to Science for Economics:

Shortcuts

Share

Category