2023/2024

Избранные темы науки о данных

Статус: Маго-лего

Кто читает: Департамент политологии и международных отношений

Когда читается: 4 модуль

Охват аудитории: для своего кампуса

Преподаватели: Снарский Ярослав Александрович

Язык: русский

Кредиты: 3

Контактные часы: 32

Программа дисциплины

Аннотация

В ходе курса будет представлен обзор альтернативных подходов к анализу данных, когда предпосылки линейной регрессии не выполняются. Курс начнется с обзора основных теоретических предположений, которые делаются в рамках линейной регрессии и ситуаций, когда эти предпосылки не выполняются: временные ряды, панельные и пространственные данные. Вторая часть курса вводит слушателей в основы причинно-следственного вывода – экспериментальные и квази-экспериментальные дизайны. Знание теории вероятности и статистики, линейной алгебры на базовом уровне необходимо для освоения курса. R, статистический язык с открытым исходным кодом, будет использоваться на протяжении всего курса.

Цель освоения дисциплины

• Разбираться в продвинутых подходах к статистическому моделированию
• Уметь применять квази-экспериментальные подходы для выявления причинности
• Разбираться в применимости моделей с фиксированными и случайными эффектами

Планируемые результаты обучения

• Диагностировать нарушение предпосылок линейной регрессии.
• Подбирать альтернативные подходы к данным, которые не соответствуют предпосылкам линейной регрессии.
• Овладеть терминологией, используемой в анализе временных рядов
• Тестировать автокорреляцию и применять модели распределенных лагов
• Выбирать модели с фиксированными и случайными эффектами в зависимости от типа исследуемых данных
• Использовать кластеризацию стандартных ошибок
• Овладеть основными подходами к визуализации и моделированию пространственных данных.
• Разбираться в основных подходах к причинно-следственному выводу
• Уметь применять квази-экспериментальные подходы в собственных исследовательских проектах
• Уметь применять метод инструментальных переменных

Содержание учебной дисциплины

• Введение в эконометрику. Нарушение предпосылок линейной регрессии
• Временные ряды: Введение
• Многомерные модели временных рядов
• Панельные данные. Модели с фиксированными и случайными эффектами.
• Робастные стандартные ошибки. Кластеризация стандартных ошибок
• Пространственные данные и GIS
• Введение в причинно-следственный вывод
• Разность-в-разностях и разрывная регрессия
• Метод инструментальных переменных

Элементы контроля

• Промежуточный тест
  Тест по первой части курса - тестированию предпосылок линейной регрессии, проверки временных моделей и моделей панельных данных.
• Домашние задания
• Активность на семинарах
• Проект квази-экспериментального исследования

Промежуточная аттестация

• 2023/2024 учебный год 4 модуль
  0.1 * Активность на семинарах + 0.3 * Домашние задания + 0.3 * Проект квази-экспериментального исследования + 0.3 * Промежуточный тест

Список литературы

Рекомендуемая основная литература

• Analysis of integrated and cointegrated time series with R, Pfaff, B., 2008
• Applied econometric time series, Enders, W., 2010
• Applied spatial data analysis with R, Bivand, R., 2008
• Bivand, R., Pebesma, E. J., & Gómez-Rubio, V. (2013). Applied Spatial Data Analysis with R (Vol. 2nd ed). New York, NY: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=601853
• Kleiber, C., & Zeileis, A. (2008). Applied Econometrics with R. New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=275761
• Marcellino, M. (2018). Applied Econometrics : An Introduction. Bocconi University Press.
• Mostly harmless econometrics: an empiricist's companion, Angrist, J.D., 2009
• Thyer, B. A. (2012). Quasi-Experimental Research Designs. New York: Oxford University Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=422245

Рекомендуемая дополнительная литература

• Aguirregabiria, V., & Carro, J. M. (2021). Identification of Average Marginal Effects in Fixed Effects Dynamic Discrete Choice Models.
• Causal inference in statistics, social, and biomedical sciences : an introduction, Imbens, G.W., 2020
• Counterfactuals and causal inference : methods and principles for social research, Morgan, S. L., 2015
• Fixed effects regression models, Allison, P. D., 2009
• Keele, L. (2015). The Statistics of Causal Inference: A View from Political Methodology. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.4DF27A52

Авторы

• Снарский Ярослав Александрович