„Adatelemzés és ökonometria” - tanfolyam 34 000 rubel. MSU-tól, képzés 12 hét. (3 hónap), Dátum: 2023. november 29.
Vegyes Cikkek / / December 01, 2023
A fő cél, hogy a hallgatók megismerkedjenek az üzleti és a modern kutatásban alkalmazott ökonometriai elemzés módszereivel. A program segít jobban megérteni az ökonometriai módszerek alkalmazását az alkalmazott problémák megoldásában az üzleti életben, amit tudományos cikkekben írnak, valamint saját ökonometriai kutatásokat végeznek.
A fő cél, hogy a hallgatók megismerkedjenek az üzleti és a modern kutatásban alkalmazott ökonometriai elemzés módszereivel.
A program segít jobban megérteni az ökonometriai módszerek alkalmazását az alkalmazott problémák megoldásában az üzleti életben, amit tudományos cikkekben írnak, valamint saját ökonometriai kutatásokat végeznek.
Kinek szól ez a program:
Mindenkinek, aki szembesül az ok-okozati összefüggések azonosításával és statisztikai adatokon alapuló előrejelzésekkel
Nem igényel szigorú matematikai felkészülési követelményeket. A valószínűségszámítás és a matematikai statisztika alapjainak ismerete hasznos lesz, de nem kötelező.
Mit ad a program elsajátítása:
Tanuljon meg információkat gyűjteni és előkészíteni, valamint előzetes adatelemzést végezni;
Ismerje meg, hogyan fogalmazhat meg közgazdasági hipotéziseket ökonometriai modellek alapján;
Ön képes lesz ökonometriai számításokat végezni ökonometriai szoftverrel, hogy tesztelje hipotéziseit az elemzett adatokkal kapcsolatban
Képes lesz értékelni a kapott ökonometriai modellek minőségét;
Legyen képes helyesen értelmezni az ökonometriai modellezés eredményeit
A program befejezését követő dokumentumok: Továbbképzési bizonyítvány
Időtartam
3 hónap, 72 óra
Tanulmányi forma: levelezés távolságtechnológiákat alkalmazva
Bevezetés
Megtanulja, mi az ökonometria, és miért van rá szükség. Tekintse át az ökonometria alkalmazásait az alkalmazott kutatásban és példákat a segítségével megválaszolható kérdésekre. Ismerje meg, milyen típusú adatokat használnak az ökonometriai modellezésben.
Megmondják, mi az: páros regresszió, képletek származtatása páros regressziós együtthatók becsléséhez, R-négyzet együttható, OLS becslések aszimptotikus tulajdonságai, a párosított lineáris modelljének előfeltételei regressziók, együtthatók statisztikai szignifikancia tesztelése, konfidencia intervallumok, homoszkedaszticitás és heteroszkedaszticitás, heteroszkedaszticitásnak megfelelő standard feltételek hibákat
2 Többszörös regresszió
A többszörös regresszió alkalmazásának motivációja. Lineáris többszörös regressziós modell feltevései. Hipotézisek tesztelése és konfidenciaintervallumok felépítése.
3 Multikollinearitás. Dummy változók
Multikollinearitás. Dummy (bináris változók) eltolás és meredekség.
Változók átalakítása regressziós modellekké. Lineáris, logaritmikus, féllogaritmikus és egyéb függőségi formák. Az együtthatók értelmes értelmezése. Javaslatok az ökonometriai kutatási eredmények bemutatásához.
4 Regressziós egyenlet specifikációja
Endogenitás. A regressziós modell hibás specifikációjának következményei. Helyettesítő változók. Kritériumok annak eldöntéséhez, hogy szerepeljen-e egy változó a modellben. Specifikációs tesztek.
5 Instrumentális változók
A korrelált magyarázó változók és véletlenszerű hibák következményei. Az endogenitás problémája. Instrumentális változók. Kétlépéses legkisebb négyzetek módszere.
6 Panel adatmodellek
A paneladatokat használó modellek előnyei. Egyszerű teljes (összevont) regresszió, fix effektus modell, véletlen effektus modell. Modelltípus kiválasztási teszt.
7 Bináris választási modellek
Lineáris valószínűségi modell (LPM). Az LVM előnyei és hátrányai. Logit modell, probit modell. Logit és probit modellek paramétereinek becslése. Együtthatók értelmezése logit és probit modellekben (határhatások számítása). Logit és probit modellek minőségének becslése. Együtthatók jelentőségének tesztelése logit és probit modellekben.
8 Előrejelzés idősoros adatokból
Idősorok. Definíciók és példák. Stacionaritás és nem-stacionaritás. Az egységgyökerek. AR(p), MA(q), ARMA(p, q) feldolgozza. Véletlenszerű séta. A rendelés integrált folyamata k. ARIMA(p, k, q) folyamat.
Egységgyökér tesztelése.
ARIMA modellek értékelése. Modell azonosítási eljárás. Előrejelzés ARIMA modellekben.
Autoregresszív feltételes heteroszkedaszticitás (ARCH) modell. Az autoregresszív feltételes heteroszkedaszticitási modell különféle általánosításai (GARCH és mások). Becslés és előrejelzés.
Autoregresszív elosztott késleltetési modellek. Becslés és előrejelzés.
A kurzus megismerteti a hallgatókat a matematikai logikával, annak módszereivel, tételeivel és alkalmazásaival. A kurzus tanulmányozása során a hallgatók képesek lesznek megismerni a különböző logikai rendszereket - a klasszikus logikát, intuicionista logika, különféle modális logikák, valamint klasszikus predikátum logika és elméletek felépített az alapján.
4,2
ingyen