0
Visningar
"Dataanalys och ekonometri" - kurs 34 000 rubel. från MSU, träning 12 veckor. (3 månader), Datum: 29 november 2023.
Miscellanea / / December 01, 2023
Huvudmålet är att introducera studenterna till de metoder för ekonometrisk analys som används i näringslivet och modern forskning. Programmet hjälper dig att bättre förstå hur man tillämpar ekonometriska metoder för att lösa tillämpade problem i företag, vad de skriver i vetenskapliga artiklar, samt bedriver egen ekonometrisk forskning.
Huvudmålet är att introducera studenterna till de metoder för ekonometrisk analys som används i näringslivet och modern forskning.
Programmet hjälper dig att bättre förstå hur man tillämpar ekonometriska metoder för att lösa tillämpade problem i företag, vad de skriver i vetenskapliga artiklar, samt bedriver egen ekonometrisk forskning.
Vem är detta program för:
För alla som står inför behovet av att identifiera orsak-och-verkan samband och göra prognoser baserade på statistiska data
Kräver inga strikta matematiska förberedelsekrav. Kunskaper om grunderna i sannolikhetsteori och matematisk statistik kommer att vara användbara, men inget krav.
Vad kommer att bemästra detta program ge dig:
Lär dig att samla in och förbereda information, samt göra preliminär dataanalys;
Lär dig hur man formulerar ekonomiska hypoteser i termer av ekonometriska modeller;
Du kommer att kunna utföra ekonometriska beräkningar med hjälp av ekonometrisk programvara för att testa dina hypoteser angående de analyserade data
Du kommer att kunna utvärdera kvaliteten på de resulterande ekonometriska modellerna;
Kunna tolka resultaten av ekonometrisk modellering korrekt
Dokument efter avslutat program: Intyg om avancerad utbildning
Varaktighet
3 månader, 72 timmar
Studieform: korrespondens med distansteknik
Introduktion
Du kommer att lära dig vad ekonometri är och varför det behövs. Gå igenom ekonometrins tillämpningar i tillämpad forskning och exempel på frågor som kan besvaras med hjälp av den. Lär dig vilka typer av data som används i ekonometrisk modellering.
De kommer att berätta vad som är: parad regression, härledning av formler för att uppskatta koefficienter i parad regression, R-kvadratkoefficient, asymptotiska egenskaper hos OLS-uppskattningar, förutsättningar för en linjär modell av parad regressioner, testning av den statistiska signifikansen av koefficienter, konfidensintervall, homoskedasticitet och heteroskedasticitet, standardvillkor som överensstämmer med heteroskedasticitet fel
2 Multipel regression
Motivation för att använda multipel regression. Antaganden om en linjär multipel regressionsmodell. Testa hypoteser och konstruera konfidensintervall.
3 Multikollinearitet. Dummyvariabler
Multikollinearitet. Dummy (binära variabler) skift och lutning.
Omvandla variabler till regressionsmodeller. Linjära, logaritmiska, semilogaritmiska och andra former av beroende. Meningsfull tolkning av koefficienter. Rekommendationer för presentation av ekonometriska forskningsresultat.
4 Regressionsekvationsspecifikation
Endogenitet. Konsekvenser av felspecifikation av regressionsmodell. Ersättande variabler. Kriterier för att bestämma om en variabel ska ingå i modellen. Specifikationstester.
5 Instrumentella variabler
Implikationer av korrelerade förklaringsvariabler och slumpmässiga fel. Problemet med endogenitet. Instrumentella variabler. Tvåstegs minsta kvadratmetod.
6 paneldatamodeller
Fördelar med modeller som använder paneldata. Enkel full (poolad) regression, modell med fasta effekter, modell för slumpmässiga effekter. Val av modelltyp.
7 binära valmodeller
Linjär sannolikhetsmodell (LPM). Fördelar och nackdelar med LVM. Logit-modell, probit-modell. Uppskattning av parametrar för logit- och probitmodeller. Tolkning av koefficienter i logit- och probitmodeller (beräkning av marginaleffekter). Uppskattning av kvaliteten på logit- och probit-modeller. Testa betydelsen av koefficienter i logit- och probitmodeller.
8 Prognos från tidsseriedata
Tidsföljder. Definitioner och exempel. Stationaritet och icke-stationaritet. Enhetsrötter. Bearbetar AR(p), MA(q), ARMA(p, q). En spontan promenad. Processintegrerad av order k. ARIMA(p, k, q) process.
Enhetsrottestning.
Utvärdera ARIMA-modeller. Modellidentifieringsprocedur. Prognos i ARIMA-modeller.
Autoregressiv villkorlig heteroskedasticitet (ARCH) modell. Olika generaliseringar av den autoregressiva villkorade heteroskedasticitetsmodellen (GARCH och andra). Uppskattning och prognos.
Autoregressiva distribuerade lagmodeller. Uppskattning och prognos.
Logik
Kursen introducerar studenterna till matematisk logik, dess metoder, satser och tillämpningar. I processen att studera kursen kommer studenterna att kunna lära sig om olika logiska system - klassisk logik, intuitionistisk logik, olika modala logiker, såväl som klassisk predikatlogik och konstruerade teorier baserat på det.
4,2
gratis
Fler detaljer Till kursens hemsida
Prenumerera
YOU MIGHT ALSO LIKE
-
-
19/12/2019 -