“Analiza podataka i ekonometrija” - tečaj 34.000 rubalja. iz MSU, obuka 12 tjedana. (3 mjeseca), Datum: 29.11.2023.
Miscelanea / / December 01, 2023
Glavni cilj je upoznati studente s metodama ekonometrijske analize koje se koriste u gospodarstvu i suvremenim istraživanjima. Program će vam pomoći da bolje razumijete kako primijeniti ekonometrijske metode u rješavanju primijenjenih problema u poslovanja, što pišu u znanstvenim člancima, kao i provode vlastita ekonometrijska istraživanja.
Glavni cilj je upoznati studente s metodama ekonometrijske analize koje se koriste u gospodarstvu i suvremenim istraživanjima.
Program će vam pomoći da bolje razumijete kako primijeniti ekonometrijske metode u rješavanju primijenjenih problema u poslovanja, što pišu u znanstvenim člancima, kao i provode vlastita ekonometrijska istraživanja.
Za koga je ovaj program:
Za sve koji se susreću s potrebom utvrđivanja uzročno-posljedičnih veza i predviđanja na temelju statističkih podataka
Ne zahtijeva stroge zahtjeve matematičke pripreme. Poznavanje osnova teorije vjerojatnosti i matematičke statistike bit će korisno, ali nije obavezno.
Što će vam savladavanje ovog programa dati:
Naučiti prikupljati i pripremati informacije, kao i raditi preliminarne analize podataka;
Naučiti formulirati ekonomske hipoteze u smislu ekonometrijskih modela;
Moći ćete provesti ekonometrijske izračune pomoću ekonometrijskog softvera kako biste testirali svoje hipoteze u vezi s analiziranim podacima
Moći ćete procijeniti kvalitetu rezultirajućih ekonometrijskih modela;
Znati pravilno interpretirati rezultate ekonometrijskog modeliranja
Dokumenti po završetku programa: Potvrda o usavršavanju
Trajanje
3 mjeseca, 72 sata
Oblik studija: dopisivanje pomoću tehnologija na daljinu
Uvod
Naučit ćete što je ekonometrija i zašto je potrebna. Pregledajte primjene ekonometrije u primijenjenim istraživanjima i primjere pitanja na koja se pomoću nje može odgovoriti. Naučite koje se vrste podataka koriste u ekonometrijskom modeliranju.
Oni će vam reći što je: uparena regresija, izvođenje formula za procjenu koeficijenata u uparenoj regresiji, R-kvadrat koeficijent, asimptotska svojstva OLS procjena, preduvjeti za linearni model uparenih regresije, testiranje statističke značajnosti koeficijenata, intervali pouzdanosti, homoskedastičnost i heteroskedastičnost, standardni uvjeti konzistentni s heteroskedastičnošću pogreške
2 Višestruka regresija
Motivacija za korištenje višestruke regresije. Pretpostavke modela linearne višestruke regresije. Testiranje hipoteza i konstruiranje intervala povjerenja.
3 Multikolinearnost. Dummy varijable
Multikolinearnost. Dummy (binarne varijable) pomak i nagib.
Transformacija varijabli u regresijske modele. Linearna, logaritamska, polulogaritamska i drugi oblici ovisnosti. Smislena interpretacija koeficijenata. Preporuke za prezentaciju rezultata ekonometrijskih istraživanja.
4 Specifikacija regresijske jednadžbe
Endogenost. Posljedice pogrešne specifikacije regresijskog modela. Zamjenske varijable. Kriteriji za odlučivanje hoće li se varijabla uključiti u model. Specifikacijski testovi.
5 Instrumentalne varijable
Implikacije koreliranih eksplanatornih varijabli i slučajnih pogrešaka. Problem endogenosti. Instrumentalne varijable. Metoda najmanjih kvadrata u dva koraka.
6 Modeli podataka panela
Prednosti modela koji koriste podatke panela. Jednostavna puna (skupna) regresija, model fiksnih učinaka, model slučajnih učinaka. Test odabira tipa modela.
7 Modeli binarnog izbora
Linearni model vjerojatnosti (LPM). Prednosti i nedostaci LVM. Logit model, probit model. Procjena parametara logit i probit modela. Interpretacija koeficijenata u logit i probit modelima (izračun graničnih učinaka). Procjena kvalitete logit i probit modela. Ispitivanje značajnosti koeficijenata u logit i probit modelima.
8 Predviđanje iz podataka vremenske serije
Vremenske serije. Definicije i primjeri. Stacionarnost i nestacionarnost. Jedinični korijeni. Procesi AR(p), MA(q), ARMA(p, q). Slučajni hod. Integrirani proces reda k. ARIMA(p, k, q) proces.
Testiranje jediničnog korijena.
Ocjenjivanje ARIMA modela. Postupak identifikacije modela. Predviđanje u ARIMA modelima.
Model autoregresivne uvjetne heteroskedastičnosti (ARCH). Razne generalizacije modela autoregresivne uvjetne heteroskedastičnosti (GARCH i drugi). Procjena i predviđanje.
Autoregresivni modeli s distribuiranim kašnjenjem. Procjena i predviđanje.
Predmet uvodi studente u matematičku logiku, njezine metode, teoreme i primjene. U procesu izučavanja kolegija studenti će moći upoznati različite logičke sustave – klasičnu logiku, intuicionistička logika, različite modalne logike, kao i klasična logika predikata i konstruirane teorije na temelju toga.
4,2
besplatno