Программа обучения

Прикладная эконометрика

Записаться на курс
72 часа

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

  1. 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

  2. Множественная регрессия
    - Мотивация для использования множественной регрессии.
    - Предпосылки линейной модели множественной регрессии.
    - Тестирование гипотез и построение доверительных интервалов.

  3. 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.

  4. Спецификация уравнения регрессии
    - Эндогенность.
    - Последствия ошибочной спецификации модели регрессии. З
    - Замещающие переменные.
    - Критерии для принятия решения о включении переменной в модель.
    - Спецификационные тесты.

  5. Инструментальные переменные
    - Последствия коррелированности объясняющих переменных и случайных ошибок.
    - Проблема эндогенности. Инструментальные переменные.
    - Двухшаговый метод наименьших квадратов.

  6. 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.

  7. 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.

  8. 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

Очно - заочное обучение
Обучение доступно с любого устройства при прохождении заочного модуля курса

Зарегистрируйтесь на участие в курсе обучения по программе от МГУ:

36 000 рублей 

Поделиться:

Ваше сообщение было успешно отправлено нам. Спасибо!
На ваш email адрес отправлено письмо. Пожалуйста, подтвердите подписку.
Спасибо!