Программа повышения квалификации
Анализ данных и эконометрика
Цель программы:
Главная цель - познакомить слушателей с методами эконометрического анализа, используемыми в бизнесе и современных исследованиях .
Программа поможет лучше понимать, как применять эконометрические методы в решении прикладных задач в бизнесе, что пишут в научных статьях, а также осуществлять собственные эконометрические исследования.
Для кого это программа:
Что даст вам освоение этой программы:
Документы по окончании программы:
Продолжительность
3 месяца, 72 часа
Форма обучения
заочная с применением
дистанционных технологий
Стоимость программы
34 000 руб.
Программа обучения (8 тем)
(также см. подробный учебный план ниже)
1
Введение
Вы узнаете, что такое эконометрика и зачем она нужна. Рассмотрите применения эконометрики в прикладных исследованиях и примеры вопросов, ответы на которые можно получить с ее помощью. Узнаете, какие типы данных, используются в эконометрическом моделировании.
Вам расскажут, что такое: парная регрессия, вывод формул оценок коэффициентов в парной регрессии, коэффициент R-квадрат, асимптотические свойства МНК-оценок, предпосылки линейной модели парной регрессии, тестирование статистической значимости коэффициентов, доверительные интервалы, гомоскедастичность и гетероскедастичность, состоятельные в условиях гетероскеадстичности стандартные ошибки
2
Множественная регрессия
Мотивация для использования множественной регрессии. Предпосылки линейной модели множественной регрессии. Тестирование гипотез и построение доверительных интервалов.
3
Мультиколлинеарность. Фиктивные переменные
Мультиколлинеарность. Фиктивные (бинарные переменные) сдвига и наклона.
Преобразование переменных в модели регрессии. Линейная, логарифмическая, полулогарифмические и другие формы зависимости. Содержательная интерпретация коэффициентов. Рекомендации по оформлению результатов эконометрических исследований.
4
Спецификация уравнения регрессии
Эндогенность. Последствия ошибочной спецификации модели регрессии. Замещающие переменные. Критерии для принятия решения о включении переменной в модель. Спецификационные тесты.
5
Инструментальные переменные
Последствия коррелированности объясняющих переменных и случайных ошибок. Проблема эндогенности. Инструментальные переменные. Двухшаговый метод наименьших квадратов.
6
Модели на панельных данных
Преимущества моделей, использующих панельные данные. Простая полная (pooled) регрессия, модель с фиксированными эффектами, модель со случайными эффектами. Тест на выбор типа модели.
7
Модели бинарного выбора
Линейная вероятностная модель (ЛВМ). Преимущества и недостатки ЛВМ. Логит-модель, пробит-модель. Оценивание параметров логит- и пробит-моделей. Интерпретация коэффициентов в логит- и пробит-моделях (вычисление предельных эффектов). Оценка км мачества логит- и пробит-моделей. Тестирование значимости коэффициентов в логит- и пробит-моделях.
8
Прогнозирование по данным временных рядов
Временной ряд. Определения и примеры. Стационарность и нестационарность. Единичные корни. Процессы AR(p), MA(q), ARMA(p,q). Случайное блуждание. Процесс, интегрированный порядка k. Процесс ARIMA(p,k,q).
Тестирование единичных корней.
Оценивание моделей ARIMA. Процедура идентификации модели. Прогнозирование в моделях ARIMA.
Модель авторегрессионной условной гетероскедастичности (ARCH). Различные обобще-ния модели авторегрессионной условной гетероскедастичности (GARCH и другие). Оценивание и прогнозирование.
Авторегрессионные модели распределенных лагов. Оценивание и прогнозирование.
Руководитель и автор программы:
Картаев Филипп Сергеевич, д.э.н.
Заведующий кафедры микро- и макроэкономического анализа экономического факультета МГУ.
Автор множества статей и книг по эконометрике: ссылка на работы
Контакты для связи:
Дополнительное образование МГУ