анализ данных и Прикладная Эконометрика

Получить консультацию
Регистрация

Образовательная программа

Анализ данных и прикладная 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:

  • Для всех, кто сталкивается с необходимостью выявлять причинно-следственные связи и строить прогнозы на основе статистических данных
  • Не предполагает жестких требований к математической подготовке. Знание основ теории вероятностей и математической статистики будет полезно, но необязательно.

Что даст вам освоение этой программы:

  • Научитесь  собирать и подготавливать информацию, а также делать предварительный анализ данных;
  • Узнаете, как формулировать экономические гипотезы в терминах эконометрических моделей;
  • Сможете проводить эконометрические расчеты с помощью эконометрического ПО для проверки ваших гипотез относительно анализируемых данных
  • Будете способны оценить  качество полученных эконометрических моделей;
  • Сумеете правильно интерпретировать результаты эконометрического моделирования

Документы по окончании программы:

  • Сертификат МГУ о прохождении программы

Продолжительность

3 месяца, 72 часа

Форма обучения

заочная с приминением

дистанционных технологий

Стоимость программы

36 000 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

 Заведующий кафедры математических методов анализа экономики экономического факультета МГУ.

Автор множества статей и книг по эконометрике: ссылка на работы

Контакты для связи:

  • Менеджер программы – Дивильковский Иван Михайлович

Дополнительное образование МГУ