"Analiza podatkov in ekonometrija" - tečaj 34.000 rubljev. iz MSU, usposabljanje 12 tednov. (3 meseci), datum: 29. november 2023.
Miscellanea / / December 01, 2023
Glavni cilj je seznaniti študente z metodami ekonometrične analize, ki se uporabljajo v gospodarstvu in sodobnih raziskavah. Program vam bo pomagal bolje razumeti, kako uporabiti ekonometrične metode pri reševanju aplikativnih problemov v poslovanja, kaj pišejo v znanstvenih člankih, pa tudi izvajajo lastne ekonometrične raziskave.
Glavni cilj je seznaniti študente z metodami ekonometrične analize, ki se uporabljajo v gospodarstvu in sodobnih raziskavah.
Program vam bo pomagal bolje razumeti, kako uporabiti ekonometrične metode pri reševanju aplikativnih problemov v poslovanja, kaj pišejo v znanstvenih člankih, pa tudi izvajajo lastne ekonometrične raziskave.
Komu je ta program namenjen:
Za vse, ki se soočate s potrebo po ugotavljanju vzročno-posledičnih zvez in napovedovanju na podlagi statističnih podatkov.
Ne zahteva stroge matematične priprave. Poznavanje osnov teorije verjetnosti in matematične statistike bo koristno, ni pa obvezno.
Kaj vam bo obvladovanje tega programa dalo:
Naučite se zbirati in pripravljati informacije ter izvajati preliminarne analize podatkov;
Naučite se oblikovati ekonomske hipoteze v smislu ekonometričnih modelov;
Z ekonometrično programsko opremo boste lahko izvedli ekonometrične izračune za testiranje svojih hipotez v zvezi z analiziranimi podatki
Znali boste oceniti kakovost nastalih ekonometričnih modelov;
Znati pravilno interpretirati rezultate ekonometričnega modeliranja
Dokumenti ob zaključku programa: Potrdilo o izpopolnjevanju
Trajanje
3 mesece, 72 ur
Oblika študija: dopisovanje z uporabo tehnologij na daljavo
Uvod
Spoznali boste, kaj je ekonometrija in zakaj je potrebna. Preglejte aplikacije ekonometrije v uporabnih raziskavah in primere vprašanj, na katera je mogoče odgovoriti z njeno uporabo. Naučite se, katere vrste podatkov se uporabljajo v ekonometričnem modeliranju.
Povedali vam bodo, kaj je: parna regresija, izpeljava formul za ocenjevanje koeficientov v parni regresiji, koeficient R-kvadrat, asimptotične lastnosti ocen OLS, predpogoji za linearni model parnih regresije, testiranje statistične pomembnosti koeficientov, intervali zaupanja, homoskedastičnost in heteroskedastičnost, standardni pogoji skladni s heteroskedastičnostjo napake
2 Multipla regresija
Motivacija za uporabo multiple regresije. Predpostavke modela linearne multiple regresije. Preizkušanje hipotez in konstruiranje intervalov zaupanja.
3 Multikolinearnost. Navidezne spremenljivke
Multikolinearnost. Navidezni (binarni spremenljivki) premik in naklon.
Pretvorba spremenljivk v regresijske modele. Linearna, logaritemska, pollogaritemska in druge oblike odvisnosti. Smiselna interpretacija koeficientov. Priporočila za prikaz rezultatov ekonometričnih raziskav.
4 Specifikacija regresijske enačbe
Endogenost. Posledice napačne specifikacije regresijskega modela. Nadomestne spremenljivke. Kriteriji za odločanje o vključitvi spremenljivke v model. Specifični testi.
5 Instrumentalne spremenljivke
Posledice koreliranih pojasnjevalnih spremenljivk in naključnih napak. Problem endogenosti. Instrumentalne spremenljivke. Dvostopenjska metoda najmanjših kvadratov.
6 Panelni podatkovni modeli
Prednosti modelov, ki uporabljajo panelne podatke. Enostavna popolna (združena) regresija, model fiksnih učinkov, model naključnih učinkov. Test izbire vrste modela.
7 Modeli binarne izbire
Linearni verjetnostni model (LPM). Prednosti in slabosti LVM. Logit model, probit model. Ocenjevanje parametrov logit in probit modelov. Interpretacija koeficientov v logit in probit modelih (izračun mejnih učinkov). Ocena kakovosti logit in probit modelov. Testiranje pomembnosti koeficientov v logit in probit modelih.
8 Napovedovanje iz podatkov časovnih vrst
Časovne serije. Definicije in primeri. Stacionarnost in nestacionarnost. Enotski koreni. Procesi AR(p), MA(q), ARMA(p, q). Naključni sprehod. Integrirani proces reda k. postopek ARIMA(p, k, q).
Testiranje korena enote.
Ocenjevanje modelov ARIMA. Postopek identifikacije modela. Napovedovanje v modelih ARIMA.
Model avtoregresivne pogojne heteroskedastičnosti (ARCH). Različne posplošitve modela avtoregresivne pogojne heteroskedastičnosti (GARCH in drugi). Ocenjevanje in napovedovanje.
Avtoregresivni modeli porazdeljenega zamika. Ocenjevanje in napovedovanje.
Predmet študente seznani z matematično logiko, njenimi metodami, izreki in aplikacijami. V procesu študija predmeta bodo študenti lahko spoznali različne logične sisteme - klasično logiko, intuicionistična logika, različne modalne logike, pa tudi klasična predikatna logika in konstruirane teorije na podlagi tega.
4,2
zastonj