0
Views
“Datu analīze un ekonometrija” - kurss 34 000 rubļu. no MSU, apmācība 12 nedēļas. (3 mēneši), datums: 2023. gada 29. novembris.
Literārs Mistrojums / / December 01, 2023
Galvenais mērķis ir iepazīstināt studentus ar ekonometriskās analīzes metodēm, ko izmanto uzņēmējdarbībā un mūsdienu pētniecībā. Programma palīdzēs labāk izprast, kā pielietot ekonometriskās metodes lietišķo problēmu risināšanā uzņēmējdarbību, ko raksta zinātniskos rakstos, kā arī veic paši savus ekonometriskos pētījumus.
Galvenais mērķis ir iepazīstināt studentus ar ekonometriskās analīzes metodēm, ko izmanto uzņēmējdarbībā un mūsdienu pētniecībā.
Programma palīdzēs labāk izprast, kā pielietot ekonometriskās metodes lietišķo problēmu risināšanā uzņēmējdarbību, ko raksta zinātniskos rakstos, kā arī veic paši savus ekonometriskos pētījumus.
Kam šī programma ir paredzēta:
Ikvienam, kurš saskaras ar nepieciešamību identificēt cēloņu un seku attiecības un veikt prognozes, pamatojoties uz statistikas datiem
Neprasa stingras matemātiskās sagatavošanas prasības. Zināšanas par varbūtību teorijas un matemātiskās statistikas pamatiem noderēs, bet nav obligātas.
Ko šīs programmas apguve dos:
Mācīties vākt un sagatavot informāciju, kā arī veikt sākotnējo datu analīzi;
Uzziniet, kā formulēt ekonomiskās hipotēzes ekonometriskiem modeļiem;
Jūs varēsiet veikt ekonometriskos aprēķinus, izmantojot ekonometrisko programmatūru, lai pārbaudītu savas hipotēzes par analizētajiem datiem
Varēsi novērtēt iegūto ekonometrisko modeļu kvalitāti;
Prast pareizi interpretēt ekonometriskās modelēšanas rezultātus
Dokumenti pēc programmas pabeigšanas: Padziļinātas apmācības sertifikāts
Ilgums
3 mēneši, 72 stundas
Studiju forma: sarakste, izmantojot distances tehnoloģijas
Ievads
Jūs uzzināsiet, kas ir ekonometrija un kāpēc tā ir nepieciešama. Apskatīt ekonometrijas pielietojumus lietišķajos pētījumos un jautājumu piemērus, uz kuriem var atbildēt, izmantojot to. Uzziniet, kāda veida dati tiek izmantoti ekonometriskajā modelēšanā.
Viņi jums pateiks, kas ir: pāru regresija, formulu atvasināšana pāru regresijas koeficientu novērtēšanai, R kvadrāta koeficients, OLS aplēšu asimptotiskās īpašības, priekšnoteikumi pāru lineāram modelim. regresijas, koeficientu statistiskā nozīmīguma pārbaude, ticamības intervāli, homoskedastiskums un heteroskedastiskums, standarta nosacījumi, kas atbilst heteroskedasticitātei kļūdas
2 Daudzkārtēja regresija
Motivācija vairākkārtējas regresijas izmantošanai. Lineārās daudzkārtējās regresijas modeļa pieņēmumi. Hipotēžu pārbaude un ticamības intervālu konstruēšana.
3 Daudzkolinearitāte. Dummy mainīgie
Daudzkolinearitāte. Manekena (bināro mainīgo) nobīde un slīpums.
Mainīgo pārveidošana regresijas modeļos. Lineārās, logaritmiskās, puslogaritmiskās un citas atkarības formas. Koeficientu jēgpilna interpretācija. Ieteikumi ekonometrisko pētījumu rezultātu prezentēšanai.
4 Regresijas vienādojuma specifikācija
Endogenitāte. Regresijas modeļa nepareizas specifikācijas sekas. Aizstājošie mainīgie. Kritēriji, lai izlemtu, vai modelī iekļaut mainīgo. Specifikācijas testi.
5 Instrumentālie mainīgie
Korelēto skaidrojošo mainīgo un nejaušo kļūdu ietekme. Endogenitātes problēma. Instrumentālie mainīgie. Divpakāpju mazāko kvadrātu metode.
6 Paneļu datu modeļi
Modeļu priekšrocības, izmantojot paneļa datus. Vienkārša pilna (apvienotā) regresija, fiksēto efektu modelis, izlases efektu modelis. Modeļa tipa izvēles tests.
7 Binārās izvēles modeļi
Lineārais varbūtības modelis (LPM). LVM priekšrocības un trūkumi. Logit modelis, probit modelis. Logit un probit modeļu parametru novērtēšana. Koeficientu interpretācija logit un probit modeļos (robežefektu aprēķins). Logit un probit modeļu kvalitātes novērtējums. Koeficientu nozīmīguma pārbaude logit un probit modeļos.
8 Prognoze no laikrindu datiem
Laika rindas. Definīcijas un piemēri. Stacionaritāte un nestacionaritāte. Vienības saknes. Apstrādā AR(p), MA(q), ARMA(p, q). Izlases pastaiga. Pasūtījuma k process integrēts. ARIMA(p, k, q) process.
Vienības saknes pārbaude.
ARIMA modeļu izvērtēšana. Modeļa identifikācijas procedūra. Prognozēšana ARIMA modeļos.
Autoregresīvais nosacītās heteroskedastikas (ARCH) modelis. Dažādi autoregresīvā nosacītā heteroskedastiskuma modeļa vispārinājumi (GARCH un citi). Novērtēšana un prognozēšana.
Autoregresīvi sadalīti nobīdes modeļi. Novērtēšana un prognozēšana.
Loģika
Kurss iepazīstina studentus ar matemātisko loģiku, tās metodēm, teorēmām un pielietojumiem. Kursa apguves procesā studenti varēs apgūt dažādas loģiskās sistēmas – klasisko loģiku, intuicionistiskā loģika, dažādas modālās loģikas, kā arī klasiskā predikātu loģika un konstruētas teorijas pamatojoties uz to.
4,2
par brīvu
Skatīt vairāk Uz kursa vietni
Abonēt
YOU MIGHT ALSO LIKE
