"Analyse des données et économétrie" - cours 34 000 roubles. de MSU, formation 12 semaines. (3 mois), Date: 29 novembre 2023.
Miscellanea / / December 01, 2023
L'objectif principal est de présenter aux étudiants les méthodes d'analyse économétrique utilisées dans les affaires et la recherche moderne. Le programme vous aidera à mieux comprendre comment appliquer les méthodes économétriques pour résoudre des problèmes appliqués dans entreprises, ce qu'ils écrivent dans des articles scientifiques, ainsi que mener leurs propres recherches économétriques.
L'objectif principal est de présenter aux étudiants les méthodes d'analyse économétrique utilisées dans les affaires et la recherche moderne.
Le programme vous aidera à mieux comprendre comment appliquer les méthodes économétriques pour résoudre des problèmes appliqués dans entreprises, ce qu'ils écrivent dans des articles scientifiques, ainsi que mener leurs propres recherches économétriques.
À qui s'adresse ce programme :
Pour tous ceux qui sont confrontés à la nécessité d'identifier des relations de cause à effet et de faire des prévisions basées sur des données statistiques
Ne nécessite pas d’exigences strictes de préparation mathématique. La connaissance des bases de la théorie des probabilités et des statistiques mathématiques sera utile, mais pas obligatoire.
Qu'est-ce que la maîtrise de ce programme vous apportera :
Apprendre à collecter et préparer des informations, ainsi qu'à effectuer des analyses préliminaires de données ;
Apprendre à formuler des hypothèses économiques en termes de modèles économétriques ;
Vous serez en mesure d'effectuer des calculs économétriques à l'aide d'un logiciel économétrique pour tester vos hypothèses concernant les données analysées.
Vous serez en mesure d'évaluer la qualité des modèles économétriques obtenus ;
Être capable d’interpréter correctement les résultats de la modélisation économétrique
Documents à la fin du programme : Certificat de formation avancée
Durée
3 mois, 72 heures
Forme d'étude: correspondance utilisant les technologies à distance
Introduction
Vous apprendrez ce qu'est l'économétrie et pourquoi elle est nécessaire. Passez en revue les applications de l'économétrie dans la recherche appliquée et des exemples de questions auxquelles on peut répondre en l'utilisant. Découvrez quels types de données sont utilisés dans la modélisation économétrique.
Ils vous diront ce qu'est: la régression appariée, la dérivation de formules pour estimer les coefficients dans la régression appariée, le coefficient R au carré, les propriétés asymptotiques des estimations MCO, les conditions préalables à un modèle linéaire de régression appariée. régressions, testant la signification statistique des coefficients, les intervalles de confiance, l'homoscédasticité et l'hétéroscédasticité, les conditions standard compatibles avec l'hétéroscédasticité les erreurs
2 Régression multiple
Motivation pour utiliser la régression multiple. Hypothèses d'un modèle de régression multiple linéaire. Tester des hypothèses et construire des intervalles de confiance.
3 Multicolinéarité. Variables factices
Multicolinéarité. Décalage et pente factices (variables binaires).
Transformer les variables en modèles de régression. Dépendance linéaire, logarithmique, semi-logarithmique et autres. Interprétation significative des coefficients. Recommandations pour la présentation des résultats de recherches économétriques.
4 Spécification de l'équation de régression
Endogénéité. Conséquences d'une mauvaise spécification du modèle de régression. Remplacer les variables. Critères permettant de décider d'inclure ou non une variable dans le modèle. Essais de spécifications.
5 Variables instrumentales
Implications des variables explicatives corrélées et des erreurs aléatoires. Le problème de l'endogénéité. Variables instrumentales. Méthode des moindres carrés en deux étapes.
6 modèles de données de panel
Avantages des modèles utilisant des données de panel. Régression simple complète (poolée), modèle à effets fixes, modèle à effets aléatoires. Test de sélection du type de modèle.
7 modèles de choix binaires
Modèle de probabilité linéaire (LPM). Avantages et inconvénients de LVM. Modèle Logit, modèle probit. Estimation des paramètres des modèles logit et probit. Interprétation des coefficients dans les modèles logit et probit (calcul des effets marginaux). Estimation de la qualité des modèles logit et probit. Tester la signification des coefficients dans les modèles logit et probit.
8 Prévisions à partir de données de séries chronologiques
Des séries chronologiques. Définitions et exemples. Stationnarité et non-stationnarité. Racines unitaires. Traite AR(p), MA(q), ARMA(p, q). Promenade aléatoire. Processus intégré d'ordre k. Processus ARIMA(p, k, q).
Test de racine unitaire.
Évaluation des modèles ARIMA. Procédure d'identification du modèle. Prévisions dans les modèles ARIMA.
Modèle d’hétéroscédasticité conditionnelle autorégressive (ARCH). Diverses généralisations du modèle d'hétéroscédasticité conditionnelle autorégressive (GARCH et autres). Estimation et prévision.
Modèles de décalage distribué autorégressifs. Estimation et prévision.
Le cours présente aux étudiants la logique mathématique, ses méthodes, ses théorèmes et ses applications. Au cours de l'étude du cours, les étudiants seront en mesure de se familiariser avec divers systèmes logiques - logique classique, logique intuitionniste, diverses logiques modales, ainsi que la logique classique des prédicats et les théories construites basé sur cela.
4,2
gratuitement