Эконометрика

Бакалавриат 2020/2021

Статус: Курс обязательный (Мировая экономика)

Направление: 38.03.01. Экономика

Кто читает: Департамент прикладной экономики

Где читается: Факультет мировой экономики и мировой политики

Когда читается: 3-й курс, 1-3 модуль

Формат изучения: с онлайн-курсом

Преподаватели: Жукова Людмила Вячеславовна, Погорелова Полина Вячеславовна, Поляков Константин Львович, Стебунова Ольга Ивановна

Язык: русский

Кредиты: 7

Контактные часы: 104

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Настоящая программа учебной дисциплины устанавливает минимальные требования к знаниям и умениям студента и определяет содержание и виды учебных занятий и отчетности. Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов направления 38.03.01 "Экономика" подготовки бакалавра, изучающих дисциплину «Эконометрика».

Цель освоения дисциплины

Цель дисциплины — дать студентам научное представление о методах и моделях современной эконометрики, которые позволяют давать количественную оценку основным закономерностям экономической теории, а также прогнозировать социально-экономические процессы.

Планируемые результаты обучения

Интерпретирует основные понятия эконометрики, этапы построения эконометрических моделей,
Применяет основные методы оценивания неизвестных параметров моделей,
Применяет основные методы диагностики (проверки качества) эконометрических моделей.
Оперирует навыками обработки реальных статистических данных
Применяет методы анализа многомерных данных
Работает в эконометрических пакетах для построения и диагностики эконометрических моделей (например, ППП MS Excel, Eviews, STATA, Gretl, R).

Содержание учебной дисциплины

Предмет эконометрики. Основные Понятия и определения. Этапы построения эконометрической модели
Цели и методы эконометрики. Этапы построения эконометрической модели. Взаимосвязи между переменными. Примеры простейших эконометрических моделей. Типы эконометрических данных: временные ряды, перекрестные данные, панельные данные. Методы оценивания. Верификация оцененной модели.
Модель множественной линейной регрессии. Оценка параметров модели. Верификация. Теорема Гаусса-Маркова
Множественная линейная регрессия: спецификация модели в скалярной и матричной формах. Метод наименьших квадратов и его геометрическая интерпретация в многомерном случае. Нахождение оценок параметров модели. Теорема Гаусса – Маркова для случая множественной линейной регрессии (без доказательства). 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. Предположение о нормальности распределения случайной ошибки. Проверка гипотез о конкретном значении коэффициентов регрессии. Проверка гипотез o значимости коэффициентов регрессии. Построение доверительных интервалов для коэффициентов регрессии. Проверка гипотезы об адекватности регрессии в целом.
Модель множественной линейной регрессии. Введение в модель фиктивных (дамми) переменных. Тест Чоу
Фиктивные переменные для дифференциации свободного члена и коэффициентов наклона. Сравнение двух регрессий с помощью фиктивных переменных и теста Чоу (Chow). Эквивалентность этих подходов. Анализ сезонности с помощью фиктивных переменных
Нарушения предпосылок теоремы Гаусса-Маркова: ошибки спецификации. Тест Рамсея
Проблема выбора "наилучшей" модели. Свойства, которыми должна обладать "хорошая" модель. Типы ошибок спецификации модели. Пропущенные и излишние переменные. Неправильная функциональная форма модели. Смещение в оценках коэффициентов, вызываемое невключением существенных переменных. Ухудшение точности оценок (увеличение оценок дисперсий) при включении в модель излишних переменных. RESET тест Рамсея (Ramsey's RESET test) для проверки гипотезы о существовании упущенных переменных.
Нарушения предпосылок теоремы Гаусса-Маркова: мультиколлинеарность
Совершенная и практическая мультиколлинеарность данных. Признаки наличия мультиколлинеарности. Теоретические последствия мультиколлинеарности для оценок параметров регрессионной модели. Неустойчивость оценок параметров регрессии и их дисперсий при малых изменениях исходных данных при наличии мультиколлинеарности. Показатели степени мультиколлинеарности. Показатель "вздутия" дисперсии (VIF). Методы борьбы с мультиколлинеарностью. Метод последовательного включения/ исключения факторов. Понятие о методе главных компонент.
Нарушения предпосылок теоремы Гаусса-Маркова: гетероскедастиность случайных возмущений
Нарушение гипотезы о гомоскедастичности. Последствия гетероскедастичности для оценок коэффициентов регрессии методом наименьших квадратов. Применение тестов Уайта, Годфельда – Квандта, Бройша-Пагана и др. для диагностирования гетероскедастичности. Оценивание коэффициентов множественной линейной регрессии при гетероскедастичности. Понятие о взвешенном МНК. Стандартные ошибки, скорректированные с учетом гетероскедастичности, в форме Уайта.
Обнаружение резко выделяющихся наблюдений
Сила воздействия измерения на подогнанное значение зависимой переменной. Понятие выброса. Критерии обнаружения выбросов.
Нарушения предпосылок теоремы Гаусса-Маркова: автокорреляция случайных возмущений
Понятие об автокорреляции случайных возмущений. Последствия автокорреляции для оценок коэффициентов регрессии, полученных МНК. Диагностирование автокорреляции с помощью статистики Дарбина–Уотсона. Условия применимости статистики Дарбина-Уотсона. Методы оценки параметра автокорреляции. Преобразование исходных данных, позволяющее применить метод наименьших квадратов. Оценка параметра автокорреляции по значению статистики Дарбина-Уотсона и коэффициенту авторегрессии остатков. Тестирование модели на наличие автокорреляции более высокого порядка: тест Бройша-Годфри.
Модели бинарного выбора: логит- и пробит-модели. Метод максимального правдоподобия
Применение моделей бинарного выбора к анализу социально-экономических процессов. Линейная вероятностная модель, ее недостатки. Логит- и пробит- модели: спецификация, предельные эффекты, оценивание параметров методом максимального правдоподобия, оценка качества моделей (псевдо R2,LR-статистика).
Введение в анализ временных рядов
Основные определения: стохастический процесс, стационарность в узком и широком смыслах. Компоненты временного ряда. Аддитивная и мультипликативная модели временных рядов. Примеры экономических временных рядов с трендом и сезонностью. Автоковариационная и автокорреляционная функции (АКФ). Применение АКФ и частной АКФ для идентификации временных рядов
Введение в анализ временных рядов. Модели стационарных временных рядов с конечным числом лагов. Методология Бокса-Дженкинса
Процесс «белого шума». Процесс случайного блуждания. Процессы авторегрессии AR(1) и AR(2): числовые характеристики, АКФ, частная АКФ (с выводом). Проверка на стационарность: графический анализ, анализ АКФ и частной АКФ, формальные тесты: статистика Бокса-Пирса, статистика Льюнга-Бокса, тест Дики-Фуллера. Методология Бокса-Дженкинса: ARIMA (p, d, q).
Модели панельных данных
Основные определения. Преимущества и недостатки при работе с панельными данными. Основные предположения, лежащие в основе модели. Спецификация модели. Модель between. Модель с фиксированными эффектами (fixed effects). Модель со случайными эффектами (random effects). Какую модель предпочесть: тесты Вальда, Бройша-Пагана, Хаусмана.

Элементы контроля

работа на семинарах1
Текущая оценка TO=10 Score/Score_max , где Score — сумма баллов, полученная за работу на семинарах. Score_max — максимальная сумма баллов в группе
самостоятельная работа1
Для отчета студенты представляют три вида документов: "Отчет о самостоятельной работе", файлы с данными в формате MS Excel и пакета, в котором выполнялись расчеты., презентацию проекта - 5-6 слайдов в MS Power Point. Обязательным условием получения оценок 9 и 10 является устное представление результатов проекта.
Экзамен
Экзамен проводится в дистанционном формате
работа на семинарах2
Текущая оценка TO=10 Score/Score_max , где Score — сумма баллов, полученная за работу на семинарах. Score_max — максимальная сумма баллов в группе
самостоятельная работа2
Для отчета студенты представляют три вида документов: "Отчет о самостоятельной работе", файлы с данными в формате MS Excel и пакета, в котором выполнялись расчеты., презентацию проекта - 5-6 слайдов в MS Power Point. Обязательным условием получения оценок 9 и 10 является устное представление результатов проекта.
работа на семинарах3
Текущая оценка TO=10 Score/Score_max , где Score — сумма баллов, полученная за работу на семинарах. Score_max — максимальная сумма баллов в группе

Промежуточная аттестация

Промежуточная аттестация (3 модуль)
0.15 * работа на семинарах1 + 0.15 * работа на семинарах2 + 0.15 * работа на семинарах3 + 0.2 * самостоятельная работа1 + 0.2 * самостоятельная работа2 + 0.15 * Экзамен

Программа дисциплины