"Tietojen analyysi ja ekonometria" - kurssi 34 000 ruplaa. MSU: sta, koulutus 12 viikkoa. (3 kuukautta), päivämäärä: 29. marraskuuta 2023.
Miscellanea / / December 01, 2023
Päätavoitteena on perehdyttää opiskelijat liiketaloudessa ja nykyaikaisessa tutkimuksessa käytettyihin ekonometrisen analyysin menetelmiin. Ohjelma auttaa ymmärtämään paremmin ekonometristen menetelmien soveltamista sovellettavien ongelmien ratkaisemiseen liiketoimintaa, mitä he kirjoittavat tieteellisissä artikkeleissa, sekä tekevät omaa ekonometristä tutkimustaan.
Päätavoitteena on perehdyttää opiskelijat liiketaloudessa ja nykyaikaisessa tutkimuksessa käytettyihin ekonometrisen analyysin menetelmiin.
Ohjelma auttaa ymmärtämään paremmin ekonometristen menetelmien soveltamista sovellettavien ongelmien ratkaisemiseen liiketoimintaa, mitä he kirjoittavat tieteellisissä artikkeleissa, sekä tekevät omaa ekonometristä tutkimustaan.
Kenelle tämä ohjelma on tarkoitettu:
Kaikille, jotka kohtaavat tarpeen tunnistaa syy-seuraus-suhteet ja tehdä ennusteita tilastotietoihin perustuen
Ei vaadi tiukkoja matemaattisia valmisteluvaatimuksia. Todennäköisyysteorian perusteiden ja matemaattisten tilastojen tuntemus on hyödyllistä, mutta ei välttämätöntä.
Mitä tämän ohjelman hallitseminen antaa sinulle:
Opi keräämään ja valmistelemaan tietoa sekä tekemään alustavaa data-analyysiä;
Opi muotoilemaan taloudellisia hypoteeseja ekonometristen mallien avulla;
Pystyt suorittamaan ekonometrisiä laskelmia ekonometristen ohjelmistojen avulla testataksesi hypoteesisi analysoidusta datasta
Pystyt arvioimaan tuloksena olevien ekonometristen mallien laatua;
Osaa tulkita oikein ekonometrisen mallinnuksen tuloksia
Asiakirjat ohjelman päätyttyä: Todistus jatkokoulutuksesta
Kesto
3 kuukautta, 72 tuntia
Opiskelumuoto: kirjeenvaihto etäisyystekniikoita käyttäen
Johdanto
Opit mitä ekonometria on ja miksi sitä tarvitaan. Käy läpi ekonometiikan sovelluksia soveltavassa tutkimuksessa ja esimerkkejä kysymyksistä, joihin sen avulla voidaan vastata. Opi millaisia tietoja käytetään ekonometrisessä mallintamisessa.
He kertovat sinulle, mikä on: parillinen regressio, kaavojen johtaminen pariregression kertoimien estimoimiseksi, R-neliökerroin, OLS-estimaattien asymptoottiset ominaisuudet, edellytykset parin lineaariseen malliin regressiot, kertoimien tilastollisen merkitsevyyden testaus, luottamusvälit, homoskedastisuus ja heteroskedastisuus, heteroskedastisuuden kanssa yhdenmukaiset standardiehdot virheitä
2 Monikertainen regressio
Motivaatio moninkertaisen regression käyttöön. Lineaarisen moniregressiomallin oletukset. Hypoteesien testaus ja luottamusvälien muodostaminen.
3 Multikollineaarisuus. Tyhmiä muuttujia
Monikollineaarisuus. Dummy (binäärimuuttujat) siirtymä ja kaltevuus.
Muuttujien muuntaminen regressiomalleiksi. Lineaarinen, logaritminen, puolilogaritminen ja muut riippuvuuden muodot. Kertoimien mielekäs tulkinta. Suosituksia ekonometristen tutkimustulosten esittämiseen.
4 Regressioyhtälön määrittely
Endogeenisuus. Regressiomallin virheellisen määrittelyn seuraukset. Korvaavat muuttujat. Kriteerit, joiden perusteella päätetään, sisällytetäänkö muuttuja malliin. Erittelytestit.
5 Instrumentaalimuuttujat
Korreloitujen selittävien muuttujien ja satunnaisvirheiden vaikutukset. Endogeenisuuden ongelma. Instrumentaaliset muuttujat. Kaksivaiheinen pienimmän neliösumman menetelmä.
6 Paneelitietomallit
Paneelitietoja käyttävien mallien edut. Yksinkertainen täysi (yhdistetty) regressio, kiinteiden efektien malli, satunnaisvaikutusmalli. Mallin tyypin valintatesti.
7 Binäärivalintamallit
Lineaarinen todennäköisyysmalli (LPM). LVM: n edut ja haitat. Logit malli, probit malli. Logit- ja probit-mallien parametrien estimointi. Kertoimien tulkinta logit- ja probit-malleissa (rajavaikutusten laskenta). Logit- ja probit-mallien laadun arviointi. Kertoimien merkittävyyden testaus logit- ja probit-malleissa.
8 Ennuste aikasarjatiedoista
Aikasarja. Määritelmät ja esimerkit. Stationaarisuus ja ei-stationaarisuus. Yksikön juuret. Käsittelee AR(p), MA(q), ARMA(p, q). Satunnainen kävely. Prosessi integroitu tilaukseen k. ARIMA(p, k, q) -prosessi.
Yksikköjuuritestaus.
ARIMA-mallien arviointi. Mallin tunnistusmenettely. Ennustaminen ARIMA-malleissa.
Autoregressiivinen ehdollinen heteroskedastisuus (ARCH) malli. Erilaisia autoregressiivisen ehdollisen heteroskedastisiteettimallin yleistyksiä (GARCH ja muut). Arviointi ja ennustaminen.
Autoregressiiviset hajautetut viivemallit. Arviointi ja ennustaminen.
Kurssi perehtyy matemaattiseen logiikkaan, sen menetelmiin, lauseisiin ja sovelluksiin. Opintojakson aikana opiskelijat voivat oppia erilaisista loogisista järjestelmistä - klassisesta logiikasta, intuitionistinen logiikka, erilaiset modaalilogiikat sekä klassinen predikaattilogiikka ja rakennetut teoriat sen perusteella.
4,2
ilmaiseksi