"Анализа података и економетрија" - курс 34.000 рубаља. из МСУ, обука 12 недеља. (3 месеца), Датум: 29.11.2023.

мисцеланеа / by admin / December 01, 2023

click fraud protection

Основни циљ је упознавање студената са методама економетријске анализе које се користе у пословању и савременим истраживањима. Програм ће вам помоћи да боље разумете како да примените економетријске методе у решавању примењених проблема у пословања, шта пишу у научним чланцима, као и спроводе сопствена економетријска истраживања.

Основни циљ је упознавање студената са методама економетријске анализе које се користе у пословању и савременим истраживањима.

Програм ће вам помоћи да боље разумете како да примените економетријске методе у решавању примењених проблема у пословања, шта пишу у научним чланцима, као и спроводе сопствена економетријска истраживања.

За кога је овај програм:

За све који се суочавају са потребом да идентификују узрочно-последичне везе и праве прогнозе на основу статистичких података
Не захтева строге математичке захтеве за припрему. Познавање основа теорије вероватноће и математичке статистике ће бити корисно, али није обавезно.

Шта ће вам савладавање овог програма дати:

Научите да прикупљате и припремате информације, као и да радите прелиминарну анализу података;

instagram viewer

Научите како да формулишете економске хипотезе у смислу економетријских модела;
Моћи ћете да извршите економетријске прорачуне користећи економетријски софтвер да бисте тестирали своје хипотезе у вези са анализираним подацима
Моћи ћете да процените квалитет добијених економетријских модела;
Умети да правилно интерпретира резултате економетријског моделирања

Документи по завршетку програма: Сертификат о усавршавању

Трајање
3 месеца, 72 сата

Форма учења: преписка коришћењем даљинских технологија

Увод

Научићете шта је економетрија и зашто је потребна. Прегледајте примену економетрије у примењеним истраживањима и примере питања на која се помоћу ње може одговорити. Сазнајте које врсте података се користе у економетријском моделирању.

Они ће вам рећи шта је: упарена регресија, извођење формула за процену коефицијената у парној регресији, Р-квадрат коефицијент, асимптотске особине ОЛС процена, предуслови за линеарни модел упарене регресије, тестирање статистичке значајности коефицијената, интервали поверења, хомоскедастичност и хетероскедастичност, стандардни услови у складу са хетероскедастичношћу грешке

2 Вишеструка регресија

Мотивација за коришћење вишеструке регресије. Претпоставке линеарног модела вишеструке регресије. Тестирање хипотеза и конструисање интервала поверења.

3 Мултиколинеарност. Лажне варијабле

Мултиколинеарност. Думми (бинарне варијабле) померање и нагиб.

Трансформисање променљивих у регресионе моделе. Линеарна, логаритамска, полулогаритамска и други облици зависности. Смислено тумачење коефицијената. Препоруке за презентацију резултата економетријског истраживања.

4 Спецификација регресионе једначине

Ендогеност. Последице погрешне спецификације регресионог модела. Замените варијабле. Критеријуми за одлучивање да ли да се променљива укључи у модел. Спецификација тестова.

5 Инструменталне варијабле

Импликације корелираних експланаторних варијабли и случајних грешака. Проблем ендогености. Инструменталне варијабле. Метода најмањих квадрата у два корака.

6 Модели података панела

Предности модела који користе податке панела. Једноставна пуна (скупљена) регресија, модел фиксних ефеката, модел случајних ефеката. Тест избора типа модела.

7 Модели бинарног избора

Модел линеарне вероватноће (ЛПМ). Предности и мане ЛВМ-а. Логит модел, пробит модел. Процена параметара логит и пробит модела. Интерпретација коефицијената у логит и пробит моделима (прорачун маргиналних ефеката). Процена квалитета логит и пробит модела. Тестирање значаја коефицијената у логит и пробит моделима.

8 Предвиђање на основу података временске серије

Временске серије. Дефиниције и примери. Стационарност и нестационарност. Јединични корени. Обрађује АР(п), МА(к), АРМА(п, к). Случајни ход. Интегрисан процес налога к. АРИМА(п, к, к) процес.

Унит роот тестирање.

Евалуација АРИМА модела. Поступак идентификације модела. Предвиђање у АРИМА моделима.

Модел ауторегресивне условне хетероскедастичности (АРЦХ). Различите генерализације модела ауторегресивне условне хетероскедастичности (ГАРЦХ и други). Процена и предвиђање.

Ауторегресивни дистрибуирани модели кашњења. Процена и предвиђање.

Логика

Предмет упознаје студенте са математичком логиком, њеним методама, теоремама и применама. У процесу изучавања предмета студенти ће моћи да упознају различите логичке системе – класична логика, интуиционистичка логика, разне модалне логике, као и класична предикатска логика и конструисане теорије на основу тога.

4,2

бесплатно

Детаљније На веб страницу курса