Эконометрика

Аспирантура 2020/2021

Статус: Курс обязательный

Направление: 38.06.01. Экономика

Кто читает: Школа финансов

Когда читается: 1-й курс, 1 семестр

Формат изучения: без онлайн-курса

Преподаватели: Полякова Марина Васильевна

Язык: русский

Кредиты: 5

Контактные часы: 48

Полная версия программы учебной дисциплины

Аннотация

Настоящая программа учебной дисциплины устанавливает минимальные требования к знаниям и умениям аспиранта по направлению подготовки 38.06.01 «Экономика» и определяет содержание и виды учебных занятий и отчетности. Изучение данной дисциплины базируется на следующих базовых дисциплинах: • Линейная алгебра, • Математический анализ, • Теория вероятностей, • Математическая статистика. Основные положения дисциплины могут быть использованы в дальнейшем при изучении следующих дисциплин: • Микроэконометрика (продвинутый уровень) • Теория отраслевых рынков и конкурентная политика • Моделирование кредитных рейтингов • Современные исследования финансовых рынков • Современные исследования в корпоративных финансах, а также при написании эмпирической части диссертации.

Цель освоения дисциплины

• Получение аспирантами представления о теоретических основах эконометрики, основных эконометрических моделях и методах их оценивания, области их применения
• Освоение аспирантами статистических пакетов, позволяющих применить эконометрические методы к анализу реальных статистических данных
• Развитие навыков выбирать и применять методы исследования, адекватные предмету и задачам исследования - способности предложить эконометрическую модель, приближающую и объясняющую происходящие в обществе процессы, а также адекватный метод ее оценивания
• Развитие навыка выбирать необходимые для исследования статистические данные
• Развитие способности оценииать необходимые эконометрические модели по имеющимся статистическим данным с использованием современных статистических пакетов

Планируемые результаты обучения

Знать теоретическое обоснование основных эконометрических моделей и методов.
Уметь применять эконометрические методы оценивания при работе с реальными статистическими данными
Иметь навыки (приобрести опыт) работы с модулями статистических пакетов Excel, Gretl и STATA , позволяющие применить эконометрические методы оценивания.

Содержание учебной дисциплины

Основные понятия теории вероятностей
Случайные события и случайные величины. Непрерывные и дискретные случайные величины и их основные числовые характеристики. Условное математическое ожидание. Нормальное и основные связанные с ним распределения. Генеральная совокупность и выборка. Статистическое оценивание. Точечные оценки. Линейность, несмещенность, эффективность и состоятельность оценок. Интервальные оценки. Метод максимального правдоподобия и метод моментов для получения оценок параметров.
Множественная линейная регрессия
Множественная линейная регрессия. Метод наименьших квадратов и его геометрическая интерпретация в многомерном случае. Теорема Гаусса – Маркова для множественной линейной регрессии. Коэффициент множественной детерминации и его свойства. Неприменимость коэффициента детерминации для оценки качества подгонки регрессии, проходящей через начало координат. Коэффициент множественной детерминации, скорректированный на число степеней свободы
Проверка гипотез для коэффициентов множественной регрессии
Предположение о нормальном распределении случайной ошибки. Проверка гипотез о конкретном значении коэффициентов регрессии. Проверка гипотез о значимости коэффициентов регрессии. Доверительные интервалы для коэффициентов регрессии. Проверка гипотезы об адекватности регрессии. Проверка общей линейной гипотезы о наличии нескольких линейных соотношений между коэффициентами регрессии. Тесты Вальда, отношения правдоподобий и множителей Лагранжа для проверки общих ограничений в классической регрессионной модели.
Выбор функциональной формы модели
Линейная в логарифмах регрессия как модель с постоянной эластичностью. Полулинейная модель как модель с постоянными темпами роста. Выбор между моделями с помощью теста Бокса-Кокса. Фиктивные (dummy) переменные и их использование для дифференциации свободных членов и коэффициентов наклона регрессии. Исследование структурной устойчивости коэффициентов регрессии с помощью теста Чоу (Chow).
Ошибки спецификации модели
Смещение в оценках коэффициентов, вызванное невключением существенных переменных. Уменьшение эффективности оценок коэффициентов при включении в модель излишних переменных. RESET- тест Рамсея для проверки гипотезы о существовании упущенных переменных. Идеальная и практическая мультиколлинеарность данных. Диагностика и последствия наличия мультиколлинеарности для оценок параметров регрессионной модели. Методы борьбы с мультиколлинеарностью.
Гетероскедастичность. Обобщенный МНК
Нарушение гипотезы о гомоскедастичности. Последствия гетероскедастичности для оценок коэффициентов регрессии методом наименьших квадратов. Применение тестов для диагностирования гетероскедастичности. Коррекция на гетероскедастичность. Стандартные ошибки в форме Уайта. Обобщенный метод наименьших квдратов.
Эндогенность
Понятие об эндогенности. Метод инструментальных переменных. Сильные и слабые инструменты. Тест Хаусмана проверки экзогенности регрессоров. Обобщенный метод моментов.
Модели с ограниченными зависимыми переменными
Логит и пробит - модели с бинарной зависимой переменной. Модели упорядоченного выбора. Мультиномиальные модели.
Тобит-модели и модели Хекмана. Модели счетных данных
Тобит модели. Модели Хекмана. Регрессия Пуассона. Отрицательная биномиальная модель.
Модели панельных данных
Модели сквозной регрессии. Модели с фиксированными эффектами. Модели со случайными эффектами. Тесты Бройша-Пагана и Хаусмана для выбора между моделями. Динамические модели панельных данных, их оценка методом Ареллано-Бонда
Введение в теорию временных рядов. Одномерные модели временных рядов
Основные компоненты временного ряда. Выделение тренда и сезонной составляющей. Понятие об автокорреляции случайной составляющей. Последствия неучета автокорреляции. Диагностирование автокорреляции. Стационарные и нестационарные временные ряды. Тестирование наличия единичного корня. Методология Бокса-Дженкинса, модели ARIMA.
Многомерные модели временных рядов
Модели с нестационарными переменными. Ложные регрессии. Коинтеграция. Тестирование на коинтеграцию. Векторные модели авторегрессии.

Элементы контроля

Компьютерное домашнее задание
В случае сдачи позднее назначенного срока - потеря 20% баллов
Письменный экзамен

Промежуточная аттестация

Промежуточная аттестация (I семестр)
0.6 * Компьютерное домашнее задание + 0.4 * Письменный экзамен

Программа дисциплины