23/12/2019
0
visninger
"Dataanalyse og økonometri" - kursus 34.000 rubler. fra MSU, træning 12 uger. (3 måneder), Dato: 29. november 2023.
Miscellanea / / December 01, 2023
Hovedmålet er at introducere eleverne til metoderne til økonometrisk analyse, der anvendes i erhvervslivet og moderne forskning. Programmet vil hjælpe dig med bedre at forstå, hvordan man anvender økonometriske metoder til at løse anvendte problemer i erhvervslivet, hvad de skriver i videnskabelige artikler, samt udfører deres egen økonometriske forskning.
Hovedmålet er at introducere eleverne til metoderne til økonometrisk analyse, der anvendes i erhvervslivet og moderne forskning.
Programmet vil hjælpe dig med bedre at forstå, hvordan man anvender økonometriske metoder til at løse anvendte problemer i erhvervslivet, hvad de skriver i videnskabelige artikler, samt udfører deres egen økonometriske forskning.
Hvem er dette program til:
For alle, der står over for behovet for at identificere årsag og virkning sammenhænge og lave prognoser baseret på statistiske data
Kræver ikke strenge matematiske forberedelseskrav. Kendskab til det grundlæggende i sandsynlighedsteori og matematisk statistik vil være nyttigt, men ikke påkrævet.
Hvad vil mestring af dette program give dig:
Lær at indsamle og forberede information, samt lave indledende dataanalyse;
Lær at formulere økonomiske hypoteser i form af økonometriske modeller;
Du vil være i stand til at udføre økonometriske beregninger ved hjælp af økonometrisk software for at teste dine hypoteser vedrørende de analyserede data
Du vil være i stand til at vurdere kvaliteten af de resulterende økonometriske modeller;
Kunne fortolke resultaterne af økonometrisk modellering korrekt
Dokumenter efter afslutning af programmet: Bevis for videregående uddannelse
Varighed
3 måneder, 72 timer
Studieform: korrespondance ved hjælp af afstandsteknologier
Introduktion
Du vil lære, hvad økonometri er, og hvorfor det er nødvendigt. Gennemgå anvendelserne af økonometri i anvendt forskning og eksempler på spørgsmål, der kan besvares ved hjælp af den. Lær, hvilke typer data der bruges i økonometrisk modellering.
De vil fortælle dig, hvad der er: parret regression, afledning af formler til at estimere koefficienter i parret regression, R-kvadrat koefficient, asymptotiske egenskaber ved OLS estimater, forudsætninger for en lineær model af parret regressioner, test af den statistiske signifikans af koefficienter, konfidensintervaller, homoskedasticitet og heteroskedasticitet, standardbetingelser i overensstemmelse med heteroskedasticitet fejl
2 Multipel regression
Motivation for at bruge multipel regression. Forudsætninger for en lineær multipel regressionsmodel. Test af hypoteser og konstruering af konfidensintervaller.
3 Multikolinearitet. Dummy variabler
Multikolinearitet. Dummy (binære variable) skift og hældning.
Transformation af variable til regressionsmodeller. Lineær, logaritmisk, semi-logaritmisk og andre former for afhængighed. Meningsfuld fortolkning af koefficienter. Anbefalinger til præsentation af økonometriske forskningsresultater.
4 Regressionsligningsspecifikation
Endogenitet. Konsekvenser af fejlspecifikation af regressionsmodel. Erstatningsvariable. Kriterier for at beslutte om en variabel skal inkluderes i modellen. Specifikationstest.
5 Instrumentelle variable
Implikationer af korrelerede forklaringsvariable og tilfældige fejl. Problemet med endogenitet. Instrumentelle variable. To-trins mindste kvadraters metode.
6 Paneldatamodeller
Fordele ved modeller, der bruger paneldata. Simpel fuld (poolet) regression, model med faste effekter, model med tilfældige effekter. Modeltypevalgstest.
7 binære valg modeller
Lineær sandsynlighedsmodel (LPM). Fordele og ulemper ved LVM. Logit model, probit model. Estimering af parametre for logit og probit modeller. Fortolkning af koefficienter i logit- og probit-modeller (beregning af marginaleffekter). Vurdering af kvaliteten af logit og probit modeller. Test af betydningen af koefficienter i logit og probit modeller.
8 Prognose fra tidsseriedata
Tidsserier. Definitioner og eksempler. Stationaritet og ikke-stationaritet. Enhedsrødder. Behandler AR(p), MA(q), ARMA(p, q). Tilfældig gåtur. Procesintegreret af ordre k. ARIMA(p, k, q) proces.
Enhedsrodtest.
Evaluering af ARIMA-modeller. Modelidentifikationsprocedure. Forecasting i ARIMA-modeller.
Autoregressiv betinget heteroskedasticitet (ARCH) model. Forskellige generaliseringer af den autoregressive betingede heteroskedasticitetsmodel (GARCH og andre). Estimering og prognose.
Autoregressive distribuerede lag-modeller. Estimering og prognose.
Logikker
Kurset introducerer eleverne til matematisk logik, dens metoder, teoremer og anvendelser. I processen med at studere kurset vil de studerende være i stand til at lære om forskellige logiske systemer - klassisk logik, intuitionistisk logik, forskellige modale logikker samt klassisk prædikatlogik og konstruerede teorier baseret på det.
4,2
gratis
Flere detaljer Til kursets hjemmeside
Tilmelding
YOU MIGHT ALSO LIKE
