Прикладная эконометрика - дистанционно

Московский Государственный Университет имени М.В. Ломоносова (МГУ) приглашает Вас пройти актуальный курс обучения: «Прикладная эконометрика» в формате дистанционного курса.

Цель программы

Главная цель — познакомить слушателей с методами эконометрического анализа, используемыми в бизнесе и современных исследованиях.

Программа поможет лучше понимать, как применять эконометрические методы в решении прикладных задач в бизнесе, что пишут в научных статьях, а также осуществлять собственные эконометрические исследования.

Целевая аудитория

Для всех, кто сталкивается с необходимостью выявлять причинно-следственные связи и строить прогнозы на основе статистических данных
Не предполагает жестких требований к математической подготовке. Знание основ теории вероятностей и математической статистики будет полезно, но необязательно.

Формат и форма обучения	Продолжительность:	Итоговая аттестация:	Получаемый документ:
Дистанционно	72 ак. часа	Онлайн-тестирование	Удостоверение о повышении квалификации МГУ

Ваши результаты по итогам прохождения курса:

Научитесь собирать и подготавливать информацию, а также делать предварительный анализ данных;
Узнаете, как формулировать экономические гипотезы в терминах эконометрических моделей;
Сможете проводить эконометрические расчеты с помощью эконометрического ПО для проверки ваших гипотез относительно анализируемых данных
Будете способны оценить качество полученных эконометрических моделей;
Сумеете правильно интерпретировать результаты эконометрического моделирования

Преподаватель

Картаев Филипп Сергеевич

Доцент кафедры математических методов анализа экономики экономического факультета МГУ.

Автор множества статей и книг по эконометрике

Модули программы

Введение
- Вы узнаете, что такое эконометрика и зачем она нужна. Рассмотрите применения эконометрики в прикладных исследованиях и примеры вопросов, ответы на которые можно получить с ее помощью. Узнаете, какие типы данных, используются в эконометрическом моделировании.
- Вам расскажут, что такое: парная регрессия, вывод формул оценок коэффициентов в парной регрессии, коэффициент R-квадрат, асимптотические свойства МНК-оценок, предпосылки линейной модели парной регрессии, тестирование статистической значимости коэффициентов, доверительные интервалы, гомоскедастичность и гетероскедастичность, состоятельные в условиях гетероскеадстичности стандартные ошибки
Множественная регрессия
- Мотивация для использования множественной регрессии.
- Предпосылки линейной модели множественной регрессии.
- Тестирование гипотез и построение доверительных интервалов.
Мультиколлинеарность. Фиктивные переменные
- Мультиколлинеарность. Фиктивные (бинарные переменные) сдвига и наклона.
- Преобразование переменных в модели регрессии. Линейная, логарифмическая, полулогарифмические и другие формы зависимости. Содержательная интерпретация коэффициентов. Рекомендации по оформлению результатов эконометрических исследований.
Спецификация уравнения регрессии
- Эндогенность.
- Последствия ошибочной спецификации модели регрессии. З
- Замещающие переменные.
- Критерии для принятия решения о включении переменной в модель.
- Спецификационные тесты.
Инструментальные переменные
- Последствия коррелированности объясняющих переменных и случайных ошибок.
- Проблема эндогенности. Инструментальные переменные.
- Двухшаговый метод наименьших квадратов.
Модели на панельных данных
- Преимущества моделей, использующих панельные данные.
- Простая полная (pooled) регрессия, модель с фиксированными эффектами, модель со случайными эффектами. -
- Тест на выбор типа модели.
Модели бинарного выбора
- Линейная вероятностная модель (ЛВМ).
- Преимущества и недостатки ЛВМ. Логит-модель, пробит-модель.
- Оценивание параметров логит- и пробит-моделей.
- Интерпретация коэффициентов в логит- и пробит-моделях (вычисление предельных эффектов).
- Оценка качества логит- и пробит-моделей.
- Тестирование значимости коэффициентов в логит- и пробит-моделях.
Прогнозирование по данным временных рядов
- Временной ряд. Определения и примеры.
- Стационарность и нестационарность. Единичные корни.
- Процессы AR(p), MA(q), ARMA(p,q). Случайное блуждание.
- Процесс, интегрированный порядка k. Процесс ARIMA(p,k,q).
- Тестирование единичных корней.
- Оценивание моделей ARIMA.
- Процедура идентификации модели.
- Прогнозирование в моделях ARIMA.
- Модель авторегрессионной условной гетероскедастичности (ARCH).
- Различные обобщения модели авторегрессионной условной гетероскедастичности (GARCH и другие). -
- Оценивание и прогнозирование.

Авторегрессионные модели распределенных лагов. Оценивание и прогнозирование