
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
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 ошибкиМножественная 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
Зарегистрируйтесь на участие в курсе обучения по программе от МГУ:
36 000 рублей
