0
widoki
„Analiza danych i ekonometria” - kurs 34 000 rubli. z MSU, szkolenie 12 tygodni. (3 miesiące), Data: 29 listopada 2023 r.
Miscellanea / / December 01, 2023
Głównym celem jest zapoznanie studentów z metodami analizy ekonometrycznej stosowanymi w biznesie i współczesnych badaniach. Program pomoże Ci lepiej zrozumieć, jak zastosować metody ekonometryczne w rozwiązywaniu stosowanych problemów biznesem, o czym piszą w artykułach naukowych, a także prowadzą własne badania ekonometryczne.
Głównym celem jest zapoznanie studentów z metodami analizy ekonometrycznej stosowanymi w biznesie i współczesnych badaniach.
Program pomoże Ci lepiej zrozumieć, jak zastosować metody ekonometryczne w rozwiązywaniu stosowanych problemów biznesem, o czym piszą w artykułach naukowych, a także prowadzą własne badania ekonometryczne.
Dla kogo jest ten program:
Dla wszystkich, którzy stoją przed koniecznością identyfikowania związków przyczynowo-skutkowych i prognozowania na podstawie danych statystycznych
Nie wymaga ścisłych wymagań dotyczących przygotowania matematycznego. Znajomość podstaw teorii prawdopodobieństwa i statystyki matematycznej będzie przydatna, ale nie wymagana.
Co daje opanowanie tego programu:
Nauczysz się zbierać i przygotowywać informacje oraz dokonywać wstępnej analizy danych;
Nauczysz się formułować hipotezy ekonomiczne w oparciu o modele ekonometryczne;
Będziesz mógł przeprowadzić obliczenia ekonometryczne za pomocą oprogramowania ekonometrycznego, aby sprawdzić swoje hipotezy dotyczące analizowanych danych
Będziesz mógł ocenić jakość otrzymanych modeli ekonometrycznych;
Potrafić poprawnie interpretować wyniki modelowania ekonometrycznego
Dokumenty po ukończeniu programu: Certyfikat zaawansowanego szkolenia
Czas trwania
3 miesiące, 72 godziny
Forma studiów: korespondencja z wykorzystaniem technologii na odległość
Wstęp
Dowiesz się czym jest ekonometria i dlaczego jest potrzebna. Zapoznaj się z zastosowaniami ekonometrii w badaniach stosowanych i przykładami pytań, na które można dzięki niej odpowiedzieć. Dowiedz się, jakie typy danych wykorzystuje się w modelowaniu ekonometrycznym.
Opowiedzą Ci, czym jest: regresja sparowana, wyprowadzenie wzorów na estymację współczynników w regresji sparowanej, współczynnik R-kwadrat, asymptotyczne właściwości estymatorów OLS, przesłanki liniowego modelu sparowanych regresje, badanie istotności statystycznej współczynników, przedziały ufności, homoskedastyczność i heteroskedastyczność, warunki standardowe zgodne z heteroskedastycznością błędy
2 Regresja wielokrotna
Motywacja do stosowania regresji wielokrotnej. Założenia liniowego modelu regresji wielokrotnej. Testowanie hipotez i konstruowanie przedziałów ufności.
3 Wielowspółliniowość. Sztuczne zmienne
Wielowspółliniowość. Manekin (zmienne binarne) przesunięcie i nachylenie.
Transformacja zmiennych na modele regresji. Zależności liniowe, logarytmiczne, półlogarytmiczne i inne formy zależności. Znacząca interpretacja współczynników. Zalecenia dotyczące prezentacji wyników badań ekonometrycznych.
4 Specyfikacja równania regresji
Endogeniczność. Konsekwencje błędnej specyfikacji modelu regresji. Zmienne zastępcze. Kryteria podejmowania decyzji o włączeniu zmiennej do modelu. Testy specyfikacji.
5 Zmienne instrumentalne
Implikacje skorelowanych zmiennych objaśniających i błędów losowych. Problem endogeniczności. Zmienne instrumentalne. Dwuetapowa metoda najmniejszych kwadratów.
6 Panelowe modele danych
Zalety modeli wykorzystujących dane panelowe. Prosta pełna (zbiorcza) regresja, model efektów stałych, model efektów losowych. Test wyboru typu modelu.
7 Modele wyboru binarnego
Liniowy model prawdopodobieństwa (LPM). Zalety i wady LVM. Model logitowy, model probitowy. Estymacja parametrów modeli logitowych i probitowych. Interpretacja współczynników w modelach logitowych i probitowych (obliczanie efektów krańcowych). Ocena jakości modeli logitowych i probitowych. Badanie istotności współczynników w modelach logitowych i probitowych.
8 Prognozowanie na podstawie danych szeregów czasowych
Szereg czasowy. Definicje i przykłady. Stacjonarność i niestacjonarność. Korzenie jednostkowe. Procesy AR(p), MA(q), ARMA(p, q). Przypadkowy spacer. Proces zintegrowany z zamówieniem k. Proces ARIMA(p, k, q).
Testowanie pierwiastka jednostkowego.
Ocena modeli ARIMA. Procedura identyfikacji modelu. Prognozowanie w modelach ARIMA.
Model autoregresyjnej heteroskedastyczności warunkowej (ARCH). Różne uogólnienia modelu autoregresyjnej heteroskedastyczności warunkowej (GARCH i inne). Szacowanie i prognozowanie.
Modele autoregresyjnego rozproszonego opóźnienia. Szacowanie i prognozowanie.
Logika
Zajęcia zapoznają studentów z logiką matematyczną, jej metodami, twierdzeniami i zastosowaniami. W trakcie zajęć studenci będą mieli możliwość zapoznania się z różnymi systemami logicznymi – logiką klasyczną, logiką klasyczną, logika intuicjonistyczna, różne logiki modalne, a także klasyczna logika predykatów i konstruowane teorie w oparciu o to.
4,2
za darmo
Więcej szczegółów Do strony kursu
SubskrybowaĆ
YOU MIGHT ALSO LIKE
