"Dataanalyse og økonometrikk" - kurs 34 000 rubler. fra MSU, trening 12 uker. (3 måneder), dato: 29. november 2023.
Miscellanea / / December 01, 2023
Hovedmålet er å introdusere studentene til metodene for økonometrisk analyse som brukes i næringslivet og moderne forskning. Programmet vil hjelpe deg å bedre forstå hvordan du bruker økonometriske metoder for å løse anvendte problemer i business, hva de skriver i vitenskapelige artikler, samt utfører egen økonometrisk forskning.
Hovedmålet er å introdusere studentene til metodene for økonometrisk analyse som brukes i næringslivet og moderne forskning.
Programmet vil hjelpe deg å bedre forstå hvordan du bruker økonometriske metoder for å løse anvendte problemer i business, hva de skriver i vitenskapelige artikler, samt utfører egen økonometrisk forskning.
Hvem er dette programmet for:
For alle som står overfor behovet for å identifisere årsak-virkningsforhold og lage prognoser basert på statistiske data
Krever ikke strenge matematiske forberedelseskrav. Kunnskap om det grunnleggende innen sannsynlighetsteori og matematisk statistikk vil være nyttig, men ikke nødvendig.
Hva vil mestring av dette programmet gi deg:
Lær å samle inn og forberede informasjon, samt gjøre foreløpig dataanalyse;
Lær hvordan du kan formulere økonomiske hypoteser i form av økonometriske modeller;
Du vil være i stand til å utføre økonometriske beregninger ved å bruke økonometrisk programvare for å teste hypotesene dine angående de analyserte dataene
Du vil være i stand til å evaluere kvaliteten på de resulterende økonometriske modellene;
Kunne tolke resultatene av økonometrisk modellering korrekt
Dokumenter ved fullføring av programmet: Sertifikat for videregående opplæring
Varighet
3 måneder, 72 timer
Studieform: korrespondanse ved bruk av avstandsteknologi
Introduksjon
Du vil lære hva økonometri er og hvorfor det er nødvendig. Gjennomgå anvendelsene av økonometri i anvendt forskning og eksempler på spørsmål som kan besvares ved hjelp av den. Lær hvilke typer data som brukes i økonometrisk modellering.
De vil fortelle deg hva som er: paret regresjon, utledning av formler for å estimere koeffisienter i paret regresjon, R-kvadrert koeffisient, asymptotiske egenskaper ved OLS-estimater, forutsetninger for en lineær modell av paret regresjoner, testing av den statistiske signifikansen av koeffisienter, konfidensintervaller, homoskedastisitet og heteroskedastisitet, standardbetingelser i samsvar med heteroskedastisitet feil
2 Multippel regresjon
Motivasjon for bruk av multippel regresjon. Forutsetninger for en lineær multippel regresjonsmodell. Teste hypoteser og konstruere konfidensintervaller.
3 Multikollinearitet. Dummy-variabler
Multikollinearitet. Dummy (binære variabler) forskyvning og helning.
Transformere variabler til regresjonsmodeller. Lineær, logaritmisk, semi-logaritmisk og andre former for avhengighet. Meningsfull tolkning av koeffisienter. Anbefalinger for presentasjon av økonometriske forskningsresultater.
4 Regresjonsligningsspesifikasjon
Endogenitet. Konsekvenser av feilspesifikasjon av regresjonsmodell. Erstatningsvariabler. Kriterier for å avgjøre om en variabel skal inkluderes i modellen. Spesifikasjonstester.
5 Instrumentelle variabler
Implikasjoner av korrelerte forklaringsvariabler og tilfeldige feil. Problemet med endogenitet. Instrumentelle variabler. To-trinns minste kvadraters metode.
6 Paneldatamodeller
Fordeler med modeller som bruker paneldata. Enkel full (poolet) regresjon, modell med faste effekter, modell for tilfeldige effekter. Modelltypevalgtest.
7 binære valgmodeller
Lineær sannsynlighetsmodell (LPM). Fordeler og ulemper med LVM. Logit-modell, probit-modell. Estimering av parametere for logit- og probit-modeller. Tolkning av koeffisienter i logit- og probitmodeller (beregning av marginaleffekter). Estimering av kvaliteten på logit- og probit-modeller. Testing av betydningen av koeffisienter i logit- og probit-modeller.
8 Prognoser fra tidsseriedata
Tidsserier. Definisjoner og eksempler. Stasjonaritet og ikke-stasjonaritet. Enhetsrøtter. Behandler AR(p), MA(q), ARMA(p, q). Tilfeldig tur. Prosessintegrert av ordre k. ARIMA(p, k, q) prosess.
Enhetsrottesting.
Evaluering av ARIMA-modeller. Modellidentifikasjonsprosedyre. Prognoser i ARIMA-modeller.
Autoregressiv betinget heteroskedastisitet (ARCH) modell. Ulike generaliseringer av den autoregressive betingede heteroskedastisitetsmodellen (GARCH og andre). Estimering og prognoser.
Autoregressive distribuerte lag-modeller. Estimering og prognoser.
Kurset introduserer studentene til matematisk logikk, dens metoder, teoremer og anvendelser. I prosessen med å studere emnet vil studentene kunne lære om ulike logiske systemer - klassisk logikk, intuisjonistisk logikk, ulike modale logikker, samt klassisk predikatlogikk og teorier konstruert basert på det.
4,2
gratis