„Анализ на данни и иконометрия“ - курс 34 000 рубли. от MSU, обучение 12 седмици. (3 месеца), Дата: 29 ноември 2023 г.
разни / / December 01, 2023
Основната цел е да запознае студентите с методите на иконометричния анализ, използвани в бизнеса и съвременните изследвания. Програмата ще ви помогне да разберете по-добре как да прилагате иконометрични методи при решаване на приложни проблеми в бизнес, какво пишат в научни статии, както и да извършват собствени иконометрични изследвания.
Основната цел е да запознае студентите с методите на иконометричния анализ, използвани в бизнеса и съвременните изследвания.
Програмата ще ви помогне да разберете по-добре как да прилагате иконометрични методи при решаване на приложни проблеми в бизнес, какво пишат в научни статии, както и да извършват собствени иконометрични изследвания.
За кого е тази програма:
За всички, които са изправени пред необходимостта да установяват причинно-следствените връзки и да правят прогнози въз основа на статистически данни
Не изисква строги изисквания за математическа подготовка. Познаването на основите на теорията на вероятностите и математическата статистика ще бъде полезно, но не е задължително.
Какво ще ви даде усвояването на тази програма:
Научете се да събирате и подготвяте информация, както и да правите предварителен анализ на данни;
Научете как да формулирате икономически хипотези по отношение на иконометрични модели;
Ще можете да извършвате иконометрични изчисления с помощта на иконометричен софтуер, за да тествате вашите хипотези по отношение на анализираните данни
Ще можете да оцените качеството на получените иконометрични модели;
Да може да интерпретира правилно резултатите от иконометричното моделиране
Документи при завършване на програмата: Сертификат за напреднало обучение
Продължителност
3 месеца, 72 часа
Форма на обучение: кореспонденция чрез дистанционни технологии
Въведение
Ще научите какво е иконометрия и защо е необходима. Прегледайте приложенията на иконометрията в приложните изследвания и примери за въпроси, на които може да се отговори с помощта на нея. Научете какви типове данни се използват в иконометричното моделиране.
Те ще ви кажат какво е: сдвоена регресия, извеждане на формули за оценка на коефициентите в сдвоена регресия, R-квадратен коефициент, асимптотични свойства на OLS оценките, предпоставки за линеен модел на сдвоени регресии, тестване на статистическата значимост на коефициентите, доверителни интервали, хомоскедастичност и хетероскедастичност, стандартни условия, съответстващи на хетероскедастичността грешки
2 Множествена регресия
Мотивация за използване на множествена регресия. Допускания на линеен модел на множествена регресия. Тестване на хипотези и конструиране на доверителни интервали.
3 Мултиколинеарност. Фиктивни променливи
Мултиколинеарност. Фиктивно (двоични променливи) отместване и наклон.
Трансформиране на променливи в регресионни модели. Линейна, логаритмична, полулогаритмична и други форми на зависимост. Смислена интерпретация на коефициентите. Препоръки за представяне на резултатите от иконометричните изследвания.
4 Спецификация на регресионното уравнение
Ендогенност. Последици от грешна спецификация на регресионния модел. Заместващи променливи. Критерии за вземане на решение дали да се включи променлива в модела. Тестове за спецификация.
5 Инструментални променливи
Последици от корелирани обяснителни променливи и случайни грешки. Проблемът с ендогенността. Инструментални променливи. Двустепенен метод на най-малките квадрати.
6 Панелни модели на данни
Предимства на моделите, използващи панелни данни. Проста пълна (обединена) регресия, модел с фиксирани ефекти, модел на произволни ефекти. Тест за избор на тип модел.
7 Модели за двоичен избор
Линеен вероятностен модел (LPM). Предимства и недостатъци на LVM. Логит модел, пробит модел. Оценка на параметрите на логит и пробит модели. Интерпретация на коефициенти в логит и пробит модели (изчисляване на маргинални ефекти). Оценка на качеството на логит и пробит модели. Тестване на значимостта на коефициентите в логит и пробит модели.
8 Прогнозиране от данни от времеви редове
Времеви редове. Определения и примери. Стационарност и нестационарност. Единични корени. Процеси AR(p), MA(q), ARMA(p, q). Случайна разходка. Интегриран процес от поръчка k. ARIMA(p, k, q) процес.
Тестване на единичен корен.
Оценяване на ARIMA модели. Процедура за идентифициране на модела. Прогнозиране в ARIMA модели.
Авторегресивен модел на условна хетероскедастичност (ARCH). Различни обобщения на авторегресивния модел на условна хетероскедастичност (GARCH и други). Оценка и прогнозиране.
Авторегресивни модели с разпределено забавяне. Оценка и прогнозиране.
Курсът запознава студентите с математическата логика, нейните методи, теореми и приложения. В процеса на изучаване на дисциплината студентите ще могат да се запознаят с различни логически системи - класическа логика, интуиционистка логика, различни модални логики, както и класическа предикатна логика и изградени теории въз основа на него.
4,2
безплатно