"Ανάλυση δεδομένων και Οικονομετρία" - μάθημα 34.000 ρούβλια. από το MSU, εκπαίδευση 12 εβδομάδων. (3 μήνες), Ημερομηνία: 29 Νοεμβρίου 2023.
μικροαντικείμενα / / December 01, 2023
Κύριος στόχος είναι η εισαγωγή των φοιτητών στις μεθόδους οικονομετρικής ανάλυσης που χρησιμοποιούνται στην επιχειρηματική και σύγχρονη έρευνα. Το πρόγραμμα θα σας βοηθήσει να κατανοήσετε καλύτερα πώς να εφαρμόζετε οικονομετρικές μεθόδους στην επίλυση εφαρμοζόμενων προβλημάτων στο επιχειρήσεων, όσα γράφουν σε επιστημονικά άρθρα, καθώς και να πραγματοποιούν τη δική τους οικονομετρική έρευνα.
Κύριος στόχος είναι η εισαγωγή των φοιτητών στις μεθόδους οικονομετρικής ανάλυσης που χρησιμοποιούνται στην επιχειρηματική και σύγχρονη έρευνα.
Το πρόγραμμα θα σας βοηθήσει να κατανοήσετε καλύτερα πώς να εφαρμόζετε οικονομετρικές μεθόδους στην επίλυση εφαρμοζόμενων προβλημάτων στο επιχειρήσεων, όσα γράφουν σε επιστημονικά άρθρα, καθώς και να πραγματοποιούν τη δική τους οικονομετρική έρευνα.
Σε ποιους απευθύνεται αυτό το πρόγραμμα:
Για όλους όσους αντιμετωπίζουν την ανάγκη να προσδιορίσουν σχέσεις αιτίας-αποτελέσματος και να κάνουν προβλέψεις με βάση στατιστικά δεδομένα
Δεν απαιτεί αυστηρές μαθηματικές απαιτήσεις προετοιμασίας. Η γνώση των βασικών στοιχείων της θεωρίας πιθανοτήτων και της μαθηματικής στατιστικής θα είναι χρήσιμη, αλλά όχι απαραίτητη.
Τι θα σας δώσει η εκμάθηση αυτού του προγράμματος:
Μάθετε να συλλέγετε και να προετοιμάζετε πληροφορίες, καθώς και να κάνετε προκαταρκτική ανάλυση δεδομένων.
Μάθετε πώς να διατυπώνετε οικονομικές υποθέσεις από την άποψη των οικονομετρικών μοντέλων.
Θα είστε σε θέση να πραγματοποιήσετε οικονομετρικούς υπολογισμούς χρησιμοποιώντας οικονομετρικό λογισμικό για να ελέγξετε τις υποθέσεις σας σχετικά με τα δεδομένα που αναλύθηκαν
Θα είστε σε θέση να αξιολογήσετε την ποιότητα των οικονομετρικών μοντέλων που προκύπτουν.
Να είναι σε θέση να ερμηνεύει σωστά τα αποτελέσματα της οικονομετρικής μοντελοποίησης
Έγγραφα μετά την ολοκλήρωση του προγράμματος: Πιστοποιητικό προχωρημένης εκπαίδευσης
Διάρκεια
3 μήνες, 72 ώρες
Μορφή σπουδών: αλληλογραφία με χρήση τεχνολογιών εξ αποστάσεως
Εισαγωγή
Θα μάθετε τι είναι οικονομετρία και γιατί χρειάζεται. Εξετάστε τις εφαρμογές της οικονομετρίας στην εφαρμοσμένη έρευνα και παραδείγματα ερωτήσεων που μπορούν να απαντηθούν χρησιμοποιώντας αυτήν. Μάθετε ποιοι τύποι δεδομένων χρησιμοποιούνται στην οικονομετρική μοντελοποίηση.
Θα σας πουν τι είναι: ζευγαρωμένη παλινδρόμηση, παραγωγή τύπων για την εκτίμηση των συντελεστών σε ζευγαρωμένη παλινδρόμηση, συντελεστής R-τετράγωνο, ασυμπτωτικές ιδιότητες των εκτιμήσεων OLS, προϋποθέσεις για ένα γραμμικό μοντέλο ζευγαρωμένης παλινδρομήσεις, έλεγχος της στατιστικής σημασίας των συντελεστών, των διαστημάτων εμπιστοσύνης, της ομοσκεδαστικότητας και της ετεροσκεδαστικότητας, τυπικές συνθήκες που συνάδουν με την ετεροσκεδαστικότητα Σφάλματα
2 Πολλαπλή παλινδρόμηση
Κίνητρο για χρήση πολλαπλής παλινδρόμησης. Υποθέσεις γραμμικού μοντέλου πολλαπλής παλινδρόμησης. Έλεγχος υποθέσεων και κατασκευή διαστημάτων εμπιστοσύνης.
3 Πολυσυγγραμμικότητα. Ψευδικές μεταβλητές
Πολυσυγγραμμικότητα. Ομοίωμα (δυαδικές μεταβλητές) μετατόπιση και κλίση.
Μετατροπή μεταβλητών σε μοντέλα παλινδρόμησης. Γραμμική, λογαριθμική, ημιλογαριθμική και άλλες μορφές εξάρτησης. Ουσιαστική ερμηνεία των συντελεστών. Συστάσεις για την παρουσίαση αποτελεσμάτων οικονομετρικής έρευνας.
4 Προδιαγραφή εξίσωσης παλινδρόμησης
Ενδογένεια. Συνέπειες εσφαλμένης προδιαγραφής του μοντέλου παλινδρόμησης. Αντικατάσταση μεταβλητών. Κριτήρια για να αποφασίσετε εάν θα συμπεριληφθεί μια μεταβλητή στο μοντέλο. Δοκιμές προδιαγραφών.
5 Ενόργανες μεταβλητές
Επιπτώσεις συσχετισμένων επεξηγηματικών μεταβλητών και τυχαίων σφαλμάτων. Το πρόβλημα της ενδογένειας. Ενόργανες μεταβλητές. Μέθοδος ελαχίστων τετραγώνων δύο βημάτων.
6 Μοντέλα δεδομένων πίνακα
Πλεονεκτήματα μοντέλων που χρησιμοποιούν δεδομένα πίνακα. Απλή πλήρης (ομαδική) παλινδρόμηση, μοντέλο σταθερών εφέ, μοντέλο τυχαίων εφέ. Δοκιμή επιλογής τύπου μοντέλου.
7 Μοντέλα δυαδικής επιλογής
Γραμμικό μοντέλο πιθανότητας (LPM). Πλεονεκτήματα και μειονεκτήματα του LVM. Μοντέλο Logit, μοντέλο probit. Εκτίμηση παραμέτρων μοντέλων logit και probit. Ερμηνεία συντελεστών σε μοντέλα logit και probit (υπολογισμός οριακών επιπτώσεων). Εκτίμηση της ποιότητας των μοντέλων logit και probit. Έλεγχος της σημασίας των συντελεστών σε μοντέλα logit και probit.
8 Πρόβλεψη από δεδομένα χρονοσειρών
Χρονική σειρά. Ορισμοί και παραδείγματα. Σταθερότητα και μη. Μοναδιαίες ρίζες. Διεργασίες AR(p), MA(q), ARMA(p, q). Βόλτα χωρίς προορισμό. Ενσωματωμένη διαδικασία της τάξης k. Διαδικασία ARIMA(p, k, q).
Δοκιμή ρίζας μονάδας.
Αξιολόγηση μοντέλων ARIMA. Διαδικασία αναγνώρισης μοντέλου. Πρόβλεψη σε μοντέλα ARIMA.
Μοντέλο αυτοπαλινδρομικής ετεροσκεδαστικότητας υπό όρους (ARCH). Διάφορες γενικεύσεις του αυτοπαλινδρομικού μοντέλου ετεροσκεδαστικότητας υπό όρους (GARCH και άλλοι). Εκτίμηση και πρόβλεψη.
Αυτοπαλινδρομικά μοντέλα κατανεμημένης υστέρησης. Εκτίμηση και πρόβλεψη.
Το μάθημα εισάγει τους φοιτητές στη μαθηματική λογική, τις μεθόδους, τα θεωρήματα και τις εφαρμογές της. Κατά τη διάρκεια της μελέτης του μαθήματος, οι φοιτητές θα μπορούν να μάθουν για διάφορα λογικά συστήματα - κλασική λογική, διαισθητική λογική, διάφορες τροπικές λογικές, καθώς και κλασική λογική και θεωρίες που κατασκευάστηκαν με βάση αυτό.
4,2
δωρεάν