„Analýza dat a ekonometrie“ - kurz 34 000 rublů. z MSU, školení 12 týdnů. (3 měsíce), Datum: 29. listopadu 2023.
Různé / / December 01, 2023
Hlavním cílem je seznámit studenty s metodami ekonometrické analýzy využívanými v obchodním a moderním výzkumu. Program vám pomůže lépe pochopit, jak aplikovat ekonometrické metody při řešení aplikovaných problémů v podnikání, co píší ve vědeckých článcích, stejně jako provádějí vlastní ekonometrický výzkum.
Hlavním cílem je seznámit studenty s metodami ekonometrické analýzy využívanými v obchodním a moderním výzkumu.
Program vám pomůže lépe pochopit, jak aplikovat ekonometrické metody při řešení aplikovaných problémů v podnikání, co píší ve vědeckých článcích, stejně jako provádějí vlastní ekonometrický výzkum.
Pro koho je tento program určen:
Pro všechny, kteří se potýkají s potřebou identifikovat vztahy příčiny a následku a vytvářet prognózy na základě statistických údajů
Nevyžaduje přísné požadavky na matematickou přípravu. Znalost základů teorie pravděpodobnosti a matematické statistiky bude užitečná, ale není nutná.
Co vám zvládnutí tohoto programu dá:
Naučte se shromažďovat a připravovat informace a také provádět předběžnou analýzu dat;
Naučit se formulovat ekonomické hypotézy z hlediska ekonometrických modelů;
Budete schopni provádět ekonometrické výpočty pomocí ekonometrického softwaru a otestovat své hypotézy týkající se analyzovaných dat
Budete schopni zhodnotit kvalitu výsledných ekonometrických modelů;
Umět správně interpretovat výsledky ekonometrického modelování
Dokumenty po dokončení programu: Osvědčení o pokročilém školení
Doba trvání
3 měsíce, 72 hodin
Forma studia: korespondence pomocí distančních technologií
Úvod
Dozvíte se, co je to ekonometrie a proč je potřeba. Projděte si aplikace ekonometrie v aplikovaném výzkumu a příklady otázek, které lze pomocí ní zodpovědět. Zjistěte, jaké typy dat se používají v ekonometrickém modelování.
Řeknou vám, co je to: párová regrese, odvození vzorců pro odhad koeficientů v párové regresi, koeficient R-kvadrát, asymptotické vlastnosti odhadů OLS, předpoklady pro lineární model párových regrese, testování statistické významnosti koeficientů, intervaly spolehlivosti, homoskedasticita a heteroskedasticita, standardní podmínky konzistentní s heteroskedasticitou chyby
2 Vícenásobná regrese
Motivace pro použití vícenásobné regrese. Předpoklady lineárního vícenásobného regresního modelu. Testování hypotéz a konstrukce intervalů spolehlivosti.
3 Multikolinearita. Falešné proměnné
Multikolinearita. Dummy (binární proměnné) posun a sklon.
Transformace proměnných do regresních modelů. Lineární, logaritmické, semilogaritmické a jiné formy závislosti. Smysluplná interpretace koeficientů. Doporučení pro prezentaci výsledků ekonometrického výzkumu.
4 Specifikace regresní rovnice
Endogenita. Důsledky chybné specifikace regresního modelu. Náhradní proměnné. Kritéria pro rozhodnutí, zda do modelu zahrnout proměnnou. Specifikace testů.
5 Instrumentální proměnné
Důsledky korelovaných vysvětlujících proměnných a náhodných chyb. Problém endogenity. Instrumentální proměnné. Dvoukroková metoda nejmenších čtverců.
6 Datové modely panelů
Výhody modelů využívajících panelová data. Jednoduchá plná (sdružená) regrese, model pevných efektů, model náhodných efektů. Test výběru typu modelu.
7 Modely binární volby
Model lineární pravděpodobnosti (LPM). Výhody a nevýhody LVM. Logit model, probit model. Odhad parametrů logitových a probitových modelů. Interpretace koeficientů v logitových a probitových modelech (výpočet mezních efektů). Odhad kvality modelů logit a probit. Testování významu koeficientů v logitových a probitových modelech.
8 Prognóza z dat časové řady
Časové řady. Definice a příklady. Stacionarita a nestacionarita. Kořeny jednotky. Procesy AR(p), MA(q), ARMA(p, q). Náhodná procházka. Integrovaný proces řádu k. ARIMA(p, k, q) proces.
Testování kořenů jednotek.
Hodnocení modelů ARIMA. Postup identifikace modelu. Předpovídání v modelech ARIMA.
Model autoregresní podmíněné heteroskedasticity (ARCH). Různá zobecnění autoregresního modelu podmíněné heteroskedasticity (GARCH a další). Odhady a prognózy.
Autoregresivní modely s distribuovaným zpožděním. Odhady a prognózy.
Předmět seznamuje studenty s matematickou logikou, jejími metodami, větami a aplikacemi. V průběhu studia předmětu budou studenti schopni poznávat různé logické systémy - klasická logika, intuicionistická logika, různé modální logiky, stejně jako klasická predikátová logika a vytvořené teorie na jeho základě.
4,2
zdarma