Эконометрика (продвинутый уровень)

Аспирантура 2023/2024

Статус: Курс обязательный

Направление: 00.00.00. Аспирантура

Кто читает: Департамент экономики и финансов

Когда читается: 1-й курс, 1 семестр

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Кашин Дмитрий Викторович

Язык: русский

Кредиты: 3

Контактные часы: 48

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Целью освоения дисциплины является изучение продвинутых методов эконометрического анализа, их применения в экономической и финансовой сфере с использованием соответствующего программного обеспечения (Stata). Ключевой акцент делается на умении подобрать эконометрические методы, наиболее подходящие для исследовательской задачи, и их качественного применения с использованием современного программного обеспечения.

Цель освоения дисциплины

Целью освоения дисциплины является изучение продвинутых методов эконометрического анализа, их применения в экономической и финансовой сфере с использованием соответствующего программного обеспечения (Stata).

Планируемые результаты обучения

Владеет методами построения регрессий и оценивает качество моделей.
Владеет приёмами построения несмещённых и эффективных оценок регрессии в условиях гетероскедастичности.
Владеет тестами остатков на наличие автокорреляций.
Владение программными процедурами Stata для оценивания моделей и теоретическими знаниями для обоснования и интерпретации результатов
Иметь понятие об автокорреляции случайной составляющей
Использует метод максимального правдоподобия и модели бинарного выбора.
Умеет использовать вывод программного пакета Stata для проверки статистических гипотез и построения доверительных интервалов парной регрессии.
Умение оценивать и интерпретировать вероятностные модели бинарного выбора
Уметь анализировать временные ряды
Студент понимает, что из себя представляют панельные данные и знает об их преимуществах. Кроме того, студент знаком с такими понятиями, как: сбалансированная и несбалансированная панель, модель сквозной регрессии, модель с фиксированным эффектом (FE) и модель со случайным эффектом (RE). Также, студент способен применять знания о панельных данных на практике в статистической среде RStudio.
Способен протестировать временные ряды на наличие причинно-следственных связей. Способенг оценить порядок и параметры модели векторной авторегрессии. Способен провести тест Чоу (F-тест) и LR тест. Способен построить интервальный и имитационный прогноз с помощью VAR модели. Способен оценить параметры модели VMA и модели VARMA. Способен вычислить функции ответа на импульс (IRF).
Умеет анализировать нестационарные неоднородные временные ряды
Умеет анализировать стационарные неоднородные временные ряды
Называет последствия автокорреляции.
Записывает модели бинарного выбора.
Готовить данные к анализу в Stata
Владеет понятием об эндогенности. Умеет применять метод инструментальных переменных. Различает сильные и слабые инструменты. Владеет тестом Хаусмана проверки экзогенности регрессоров. Применяет обобщенный метод моментов.
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.
2.2. 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.
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).
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.
Оценивать динамические пространственные модели на панельных данных
Оценивать базовые модели панельных данных