“Andmeanalüüs ja ökonomeetria” - kursus 34 000 rubla. MSU-st, koolitus 12 nädalat. (3 kuud), kuupäev: 29. november 2023.
Varia / / December 01, 2023
Põhieesmärk on tutvustada üliõpilastele ettevõtluses ja kaasaegses teadustöös kasutatavaid ökonomeetrilise analüüsi meetodeid. Programm aitab teil paremini mõista, kuidas rakendada ökonomeetrilisi meetodeid rakendusprobleemide lahendamisel äri, mida nad kirjutavad teadusartiklites, samuti viivad läbi oma ökonomeetrilisi uuringuid.
Põhieesmärk on tutvustada üliõpilastele ettevõtluses ja kaasaegses teadustöös kasutatavaid ökonomeetrilise analüüsi meetodeid.
Programm aitab teil paremini mõista, kuidas rakendada ökonomeetrilisi meetodeid rakendusprobleemide lahendamisel äri, mida nad kirjutavad teadusartiklites, samuti viivad läbi oma ökonomeetrilisi uuringuid.
Kellele see programm on mõeldud:
Kõigile, kes seisavad silmitsi vajadusega selgitada välja põhjus-tagajärg seosed ja teha statistiliste andmete põhjal prognoose
Ei nõua rangeid matemaatilisi ettevalmistusnõudeid. Tõenäosusteooria ja matemaatilise statistika aluste tundmine on kasuks, kuid mitte kohustuslik.
Mida selle programmi valdamine teile annab:
Õppida koguma ja koostama informatsiooni, samuti tegema eelandmete analüüsi;
Õppige sõnastama majanduslikke hüpoteese ökonomeetriliste mudelite alusel;
Oskad teostada ökonomeetrilisi arvutusi ökonomeetrilise tarkvara abil, et kontrollida oma hüpoteese analüüsitud andmete kohta
Oskate hinnata saadud ökonomeetriliste mudelite kvaliteeti;
Oskab õigesti tõlgendada ökonomeetrilise modelleerimise tulemusi
Dokumendid pärast programmi lõppu: Täiendkoolituse tunnistus
Kestus
3 kuud, 72 tundi
Õppevorm: kirjavahetus kaugtehnoloogiate abil
Sissejuhatus
Saate teada, mis on ökonomeetria ja miks seda vaja on. Vaadata üle ökonomeetria rakendused rakendusuuringutes ja näited küsimustest, millele saab selle abil vastuseid leida. Siit saate teada, millist tüüpi andmeid ökonomeetrilises modelleerimises kasutatakse.
Nad ütlevad teile, mis on: paaris regressioon, paaris regressiooni koefitsientide hindamise valemite tuletamine, R-ruutkoefitsient, OLS-i hinnangute asümptootilised omadused, paarilise lineaarse mudeli eeltingimused regressioonid, koefitsientide statistilise olulisuse testimine, usaldusvahemikud, homoskedastilisus ja heteroskedastilisus, heteroskedastilisusega kooskõlas olevad standardtingimused vead
2 Mitmekordne regressioon
Motivatsioon mitmekordse regressiooni kasutamiseks. Lineaarse mitme regressiooni mudeli eeldused. Hüpoteeside kontrollimine ja usaldusvahemike konstrueerimine.
3 Multikollineaarsus. Näilikud muutujad
Multikollineaarsus. Dummy (binaarsed muutujad) nihe ja kalle.
Muutujate teisendamine regressioonimudeliteks. Lineaarne, logaritmiline, poollogaritmne ja muud sõltuvuse vormid. Koefitsientide mõtestatud tõlgendamine. Soovitused ökonomeetriliste uurimistulemuste esitamiseks.
4 Regressioonivõrrandi täpsustus
Endogeensus. Regressioonimudeli väärspetsifikatsiooni tagajärjed. Asendusmuutujad. Kriteeriumid, mille alusel otsustatakse, kas muutuja mudelisse kaasata. Spetsifikatsiooni testid.
5 Instrumentaalsed muutujad
Korreleeruvate selgitavate muutujate ja juhuslike vigade tagajärjed. Endogeensuse probleem. Instrumentaalsed muutujad. Kaheastmeline vähimruutude meetod.
6 Paneelandmete mudelid
Paneelandmeid kasutavate mudelite eelised. Lihtne täielik (ühendatud) regressioon, fikseeritud efektide mudel, juhuslike efektide mudel. Mudelitüübi valiku test.
7 binaarse valiku mudelit
Lineaarne tõenäosusmudel (LPM). LVM-i eelised ja puudused. Logiti mudel, probit mudel. Logit ja probit mudelite parameetrite hindamine. Koefitsientide tõlgendamine logit- ja probitmudelites (piirmõjude arvutamine). Logit ja probit mudelite kvaliteedi hindamine. Koefitsientide olulisuse testimine logit ja probit mudelites.
8 Prognoosimine aegridade andmetest
Aegrida. Definitsioonid ja näited. Statsionaarsus ja mittestatsionaarsus. Üksuse juured. Töötleb AR(p), MA(q), ARMA(p, q). Juhuslik jalutuskäik. Protsess integreeritud tellimuse k. ARIMA(p, k, q) protsess.
Ühikujuure testimine.
ARIMA mudelite hindamine. Mudeli tuvastamise protseduur. Prognoosimine ARIMA mudelites.
Autoregressiivne tingimusliku heteroskedastilisuse (ARCH) mudel. Autoregressiivse tingimusliku heteroskedastilisuse mudeli erinevad üldistused (GARCH jt). Hindamine ja prognoosimine.
Autoregressiivsed hajutatud viivitusmudelid. Hindamine ja prognoosimine.
Kursusel tutvustatakse matemaatilist loogikat, selle meetodeid, teoreeme ja rakendusi. Kursuse õppimise käigus saavad õpilased õppida tundma erinevaid loogilisi süsteeme - klassikalist loogikat, intuitsionistlik loogika, erinevad modaalloogikad, aga ka klassikaline predikaatloogika ja konstrueeritud teooriad selle põhjal.
4,2
tasuta