Эконометрический анализ данных в SPSS и STATA

2020/2021

Лучший по критерию «Полезность курса для Вашей будущей карьеры»

Лучший по критерию «Новизна полученных знаний»

Статус: Факультатив

Кто читает: Институт социальной политики

Когда читается: 1, 2 модуль

Преподаватели: Червякова Анна Александровна

Язык: русский

Кредиты: 2

Контактные часы: 50

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Дисциплина ориентирована на всех желающих, владеющих основами статистики. Дисциплина направлена на ознакомление слушателей с современными эконометрическими методами и областью их применения для решения конкретных практических задач, совершенствование навыков работы в SPSS и STATA.

Цель освоения дисциплины

Формирование у студентов и слушателей системного представления об эконометрических методах анализа количественных данных.

Планируемые результаты обучения

Корректное применение эконометрических методов для решения практических задач
Эффективное использование статистических пакетов STATA и SPSS
Знает основные этапы анализа количественных данных
Умеет рассчитывать статистические оценки
Знает область применения метода главных компонент и методов факторного анализа
Владеет различными методами кластерного анализа и навыками подбора наилучшей классификации
Владеет навыками дискриминантного анализа

Содержание учебной дисциплины

Missing data и их виды. Методы импутации missing data. Работа в SPSS.
System and user missing data Missing at random data, missing completely at random data, missing not at a random data (MAR, MCAR, MNAR). Основные подходы к импутации данных Дескриптивный анализ пропущенных данных Процедуры множественной импутации данных
Модели дискретного выбора. Логит– и пробит-модели. Бинарная, мультино-миальная, порядковая логистическая регрессия. Работа в STATA.
Модели с дискретными объясняющими переменными Метод максимального правдоподобия Интерпретация коэффициентов: отношение шансов, предельные эффекты
Цели, задачи и предпосылки регрессионного анализа. Простая и множественная линейная регрессия. Ограничения МНК. Работа в STATA.
Цели, задачи и предпосылки регрессионного анализа Классическая модель линейной регрессии Метод наименьших квадратов Оценка качества модели регрессии Интерпретация регрессионных коэффициентов
Дескриптивный анализ данных. Корреляционный анализ. Визуализация данных (гистограммы, диаграммы рассеивания, ящичные диаграммы т др.). Знакомство с SPSS и STATA.
Генеральная и выборочная совокупность, репрезентативность выборки Точечные и интервальные оценки Статистическая проверка гипотез Этапы эконометрического моделирования
Выбросы. Мультиколлинеарность. Коррелированность ошибок. Гетероскедастичность. Нелинейность зависимой переменной. Работа в STATA.
Нарушения предположений классической модели линейной регрессии Стохастичность регрессоров, тест Хаусмана, регрессия с инструментальными переменны-ми Гетероскедастичность остатков, тест Кука-Вайсберга, обобщенный метод наименьших квадратов Автокоррелированность остатков, тест Дарбина-Уотсона Мультиколлинеарность, метод главных компонент, ридж-регрессия Выбросы, D-статистика Кука Нелинейность зависимой переменной, тест Рамсея, преобразования к линейности и нор-мальности
Временные ряды. Автокорреляционная и частная автокорреляционная функция. Модели AR, MA, ARMA, ARIMA. Работа в STATA.
Виды и компоненты временных рядов Сглаживание временных рядов Модели кривых роста Модели стационарных временных рядов (AR, MA, ARMA, ARIMA)
Multilevel modelling. Модели Random Intercept и Random Slope с двумя уровнями. Модели бинарного выбора. Работа в STATA.
Многоуровневые структуры и классификации, область применения multilevel modelling Модели Random Intercept и Random Slope. Модели бинарного выбора.
Снижение размерности. Метод главных компонент. Факторный анализ. Работа в SPSS.
Цели, задачи и предпосылки метода главных компонент. Различия между методом главных компонент и методами факторного анализа. Геометрическая интерпретация модели факторного анализа. Вращение факторов. Проблемы факторного анализа
Классификация наблюдений. Иерархический кластерный анализ. Кластеризация k-средними. Дискриминантный анализ. Работа в SPSS.
Подходы к выделению однородных групп объектов. Цели, задачи и предпосылки кластерного анализа. Измерение близости объектов. Критерии качества классификации. Цели, задачи и предпосылки дискриминантного анализа
Введение. Основы математической статистики. Основные этапы анализа количественных данных.
•Генеральная и выборочная совокупность, репрезентативность выборки. Точечные и интервальные оценки. Статистическая проверка гипотез. Этапы эконометрического моделирования

Элементы контроля

Тест в режиме самопроверки по теме 1
Тест в режиме самопроверки по теме 2
Тест по теме 3
Лабораторная работа в SPSS по теме 4
Лабораторная работа в SPSS с обсуждением результатов в аудитории по теме 5
Тест по теме 6
Тест в режиме самопроверки по теме 7
Лабораторная работа в STATA по теме 8
Лабораторная работа в STATAс обсуждением результатов в аудитории по теме 9
Устное обсуждение научных статей по теме 10

Промежуточная аттестация

Промежуточная аттестация (2 модуль)
0.1 * Лабораторная работа в SPSS по теме 4 + 0.1 * Лабораторная работа в SPSS с обсуждением результатов в аудитории по теме 5 + 0.1 * Лабораторная работа в STATA по теме 8 + 0.1 * Лабораторная работа в STATAс обсуждением результатов в аудитории по теме 9 + 0.1 * Тест в режиме самопроверки по теме 1 + 0.1 * Тест в режиме самопроверки по теме 2 + 0.1 * Тест в режиме самопроверки по теме 7 + 0.1 * Тест по теме 3 + 0.1 * Тест по теме 6 + 0.1 * Устное обсуждение научных статей по теме 10

Программа дисциплины