Эконометрика (продвинутый уровень)

2022/2023

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Статус: Маго-лего

Кто читает: Департамент прикладной экономики

Когда читается: 1, 2 модуль

Охват аудитории: для своего кампуса

Преподаватели: Макеева Наталья Михайловна, Семерикова Елена Вячеславовна

Язык: русский

Кредиты: 6

Контактные часы: 88

Полная версия программы учебной дисциплины

Аннотация

Эконометрика - наука, изучающая количественные и качественные экономические взаимосвязи с помощью математических и статистических методов и моделей. Мы будем подробно изучать линейные регрессионные модели, рассмотрим наиболее частые отклонения от предпосылок классической линейной регрессии, изучим метод максимального правдоподобия, погрузимся в базовый анализ временных рядов и панельных данных. А также изучим базовые модели (logit и probit) для качественных зависимых переменных. Наряду с теоретической основой мы будем работать с реальными данными, используя статистический пакет STATA.

Цель освоения дисциплины

Сформировать представление о теоретических основах современных эконометрических методов анализа данных
Продемонстрировать широкий спектр инструментов анализа данных, описывающих экономические процессы
Ознакомить с наиболее важными эконометрическими подходами
Сформировать навык корректного использования инструментов на практике при работе со специализированной эконометрической программой STATA.

Планируемые результаты обучения

1.1. Применять методологию эконометрического исследования на примере простой макроэкономической модели. 1.2. Воспроизводить основные разделы и методы эконометрики. 1.3. Формулировать необходимые понятия теории вероятностей и математической статистики
2.1.1. Оценивать параметры линейной регрессионной модели. Выявлять преимущества и недостатки различных методов оценивания. Владеть МНК, матричной системой обозначений, операторами-проекторами, свойствами, геометрической интерпретацией МНК, свойствами оценок МНК при отсутствии предположения о случайном характере ошибок.
2.1.2. Анализировать роль гипотезы о включении в регрессию свободного члена, вариацию зависимой переменной в регрессии, коэффициент множественной детерминации, свойства, коэффициент множественной детерминации, скорректированный на степени свободы.
2.2. Оценивать классическую линейную регрессию в предположении о случайном характере ошибок. Анализировать статистические характеристики ошибок, остатков, МНК-оценок параметров. Применять теорему Гаусса-Маркова. Интерпретировать несмещенную оценку дисперсии ошибок.
2.3. Владеть гипотезой о нормальном распределении случайной ошибки, законами распределения оценок регрессионных параметров, t-статистикой для оценок коэффициентов регрессии, доверительными интервалами для теоретических значений коэффициентов и прогнозного значения зависимой переменной, доверительными интервалами для дисперсии ошибки, F-статистикой для линейной комбинации коэффициентов. Применять статистическую проверку общей линейной гипотезы о коэффициентах регрессии.
2.4. Проверять гипотезу о наличии структурных изменений, тест Чоу. Использовать фиктивные переменные для учета структурных изменений.
3.1 Выявлять мультиколлинеарность. Анализировать внешние признаки, применять методы диагностики, методы устранения. Владеть методом главных компонент. 3.2. Выявлять ошибки спецификации. Различать виды ошибок спецификации и их последствия. Диагностировать ошибки спецификации. Выбирать «оптимальный» набор регрессоров и функциональную форму регрессионной зависимости.
3.3. Выявлять гетероскедастичность случайного возмущения и ее причины. Анализировать внешние признаки, методы диагностики. Владеть свойствами оценок МНК при наличии гетероскедастичности. Оценивать модели с гетероскедастичными ошибками. Применять взвешенный метод наименьших квадратов. Применять доступный обобщенный метод наименьших квадратов. 3.4. Выявлять автокорреляцию в линейных моделях. Определять внешние признаки, тесты.
4.1. Владеть оценкой максимального правдоподобия (ML), концепцией, общими свойствами оценок ML. 4.2. Владеть оценкой максимального правдоподобия параметров линейной регрессионной модели, критериями для тестирования гипотез в линейной модели. Применять тесты Вальда (W), множителей Лагранжа (LM), отношения правдоподобия (LR) для тестирования общих ограничений в классической регрессионной модели. Владеть QML, понятием об обобщенном методе моментов (GMM).
5.1. Владеть дискретными зависимыми переменными: номинальные, ранжированные, количественные. Анализировать модели бинарного выбора, Probit и Logit модели. Интерпретировать коэффициентов в моделях бинарного выбора. Анализировать предельные эффекты, критерии качества моделей, ошибки спецификации в моделях бинарного выбора. 5.2. Применять модели множественного выбора, упорядоченный и неупорядоченный выбор.
5.3. Анализировать модели с урезанными и цензурированными выборками, Tobit модель, модель Хекмана. Владеть примером Mroze: занятость женщин.. 5.4. Владеть регрессией с переключением (switch regression model). 5.5. Анализировать модели времени жизни: от чего зависит длительность пребывания в состоянии безработицы?
6.1. Анализировать неприменимость МНК в случае коррелированности регрессоров и случайной ошибки, автокорреляцию в динамических авторегрессионных моделях. Рассчитывать ошибки измерений переменных. Владеть одновременностью. Анализировать пропущенные регрессоры.
6.2. Владеть инструментальными переменными и методами их поиска. Анализировать пригодность и уместность инструментов. Применять тест Хаусмана, его интерпретировать. Применять тест Саргана. 6.3. Владеть дополнительным материалом: оценивание отдачи от образования.
7.1 Владеть понятием случайного (стохастического) процесса, временного ряда. Различать слабо и сильно стационарные случайные процессы. Анализировать характеристики случайных процессов (математическое ожидание, дисперсия, автоковариационная и автокорреляционная функции). Применять теорему Вольда. Владеть понятием оператора лага.
7.2 Анализировать стационарность случайных процессов. Владеть моделями скользящего среднего MA(q), условием обратимости, моделями авторегрессии AR(p), уравнением Юла-Уокера, условием стационарности, моделями авторегрессии-скользящего среднего ARMA (p,q). Анализировать автокорреляционную и частную автокорреляционную функции.
7.3 Оценивать коэффициенты авторегрессионных моделей. Оценивать коэффициенты процессов ARMA (р). Анализировать качество подгонки моделей временных рядов, информационные критерии Акаике (AIC) и Шварца (BIC). Применять подход Бокса-Дженкинса к идентификации моделей стационарных временных рядов. 7.4 Владеть многомерными временными рядами. Различать нестационарные ряды и кажущаеся регрессии. Владеть понятием коинтеграции.
8.1. Различать преимущества использования панельных данных. Выявлять трудности, возникающие при работе с панельными данными. 8.2. Владеть понятием о модели однокомпонентной ошибки или модели со специфическим индивидуальным эффектом. Выбирать спецификацию модели. Анализировать детерминированный и случайный индивидуальный эффект. Применять операторы «Between» и «Within». Анализировать виды оценок. Применять сравнительный анализ оценок.
8.3. Тестировать спецификации в моделях панельных данных. Владеть тестом Хаусмана, тестом на наличие случайного индивидуального эффекта, тестом на наличие детерминированного индивидуального эффекта.
9.1 Владеть медианной регрессией и квантильной регрессией. 9.2 Анализировать пространственную корреляцию. Применять пространственные эконометрические модели. 9.3 Рассчитывать средний эффект воздействия ATE, средний эффект воздействия на подвергшихся воздействию. Анализировать смещение выборки из-за отбора. Оценивать средний эффект воздействия с помощью регрессии. Применять инструментальные переменные. Владеть мэтчингом, мерой склонности.

Содержание учебной дисциплины

1. Введение
2. Классическая линейная регрессионная модель
3. Регрессионный анализ при нарушении условий теоремы Гаусса-Маркова или предположения о нормальности
4. Оценка максимального правдоподобия
5. Модели с дискретными зависимыми переменными.
6. Проблема эндогенности
7. Анализ временных рядов
8. Модели анализа панельных данных.
9. Дополнительные главы

Элементы контроля

Домашнее задание 1
Домашнее задание представляет собой набор задач для самостоятельного решения.
Домашнее задание 2
Промежуточный экзамен (октябрь)
Итоговый экзамен
Проект
Проект явлется практическим заданием по анализу реальных данных.
Квизы

Промежуточная аттестация

2022/2023 учебный год 1 модуль
0.16 * Домашнее задание 1 + 0.8 * Промежуточный экзамен (октябрь) + 0.04 * Квизы
2022/2023 учебный год 2 модуль
0.27 * Проект + 0.67 * Итоговый экзамен + 0.05 * Домашнее задание 2 + 0.01 * Квизы

Список литературы

Авторы

Семерикова Елена Вячеславовна
Хабибуллин Рамис Арсланович

Программа дисциплины