Эконометрика

2019/2020

Учебный год

RUS

Обучение ведется на русском языке

6

Кредиты

Кто читает:

Отдел сопровождения учебного процесса в Совместном бакалавриате ВШЭ-РЭШ

Статус:

Курс обязательный

Когда читается:

3-й курс, 1, 2 модуль

Программа дисциплины

Аннотация

Это вводный курс по эконометрике для студентов Совместной программы по экономике НИУ ВШЭ и РЭШ. В ходе курса студенты научатся применять на практике эконометрические методы для дальнейшей самостоятельной прикладной работы. Приобретенные компетенции будут полезны студентам при работе над выпускной квалификационной работой в виде самостоятельного исследования. Пререквизитами для курса являются математический анализ и математическая статистика. Наличие навыков программирования будет большим плюсом.

Цель освоения дисциплины

• Цель дисциплины «Эконометрика» - дать студентам научное представление о методах и моделях современной эконометрики, которые позволяют делать количественную оценку основным закономерностям экономической теории.

Планируемые результаты обучения

• знать основные понятия эконометрики, основные методы оценивания неизвестных параметров эконометрических моделей, методы проверки статистических гипотез о параметрах построенных моделей, основные методы диагностики (проверки качества) эконометрических моделей.
• уметь применять стандартные методы построения эконометрических моделей, обрабатывать статистическую информацию и получать статистически обоснованные выводы, давать содержательную интерпретацию результатов эконометрического моделирования.
• владеть навыками обработки реальных статистических данных; применения эконометрических пакетов для построения и диагностики эконометрических моделей.

Содержание учебной дисциплины

• Основные понятия эконометрики
  Цели и методы эконометрики. Этапы построения эконометрической модели. Взаимосвязи между переменными. Примеры простейших эконометрических моделей. Типы эконометрических данных: временные ряды, перекрестные данные, панельные данные. Методы оценивания. Верификация оцененной модели. Линейная регрессионная модель для случая одной объясняющей переменной. Метод наименьших квадратов (МНК) для оценивания параметров модели. Система нормальных уравнений и ее решение. Свойства оценок параметров, полученных методом наименьших квадратов. Дисперсионный анализ. Разложение суммы квадратов отклонений наблюдаемых значений зависимой переменной от ее выборочного среднего. Степень соответствия линии регрессии имеющимся данным. Коэффициент детерминации и его свойства. Теорема Гаусса – Маркова для случая одной объясняющей переменной (без доказательства). Предположение о нормальном распределении случайной ошибки в рамках классической линейной регрессии. Проверка гипотез о конкретном значении коэффициентов регрессии. Проверка гипотез о значимости коэффициентов регрессии. Доверительные интервалы для оценок параметров. Проверка адекватности регрессии на основе F-статистики Фишера.
• Множественная линейная регрессия. Теорема Гаусса-Маркова
  Множественная линейная регрессия. Метод наименьших квадратов и его геометрическая интерпретация в многомерном случае. Система нормальных уравнений. Теорема Гаусса – Маркова для случая множественной линейной регрессии (без доказательства). Коэффициент множественной детерминации и его свойства. Неприменимость коэффициента детерминации для оценки качества подгонки регрессии, проходящей через начало координат. Коэффициент множественной детерминации, скорректированный на число степеней свободы. Предположение о нормальности распределения случайной ошибки. Проверка гипотез о конкретном значении коэффициентов регрессии. Проверка гипотез о значимости коэффициентов регрессии. Построение доверительных интервалов для коэффициентов регрессии. Проверка гипотезы об адекватности регрессии в целом.
• Некоторые аспекты множественной линейной регрессии: проверка гипотезы о наличии линейных ограничений на параметры; введение в модель dummy-переменных; тест Чоу
  Проверка общей линейной гипотезы о наличии нескольких линейных соотношений между коэффициентами регрессии. Фиктивные переменные для дифференциации свободного члена и коэффициентов наклона. Сравнение двух регрессий с помощью фиктивных переменных и теста Чоу (Chow). Эквивалентность этих подходов. Анализ сезонности с помощью фиктивных переменных. Функциональные преобразования в линейной регрессионной модели. Линейная в логарифмах регрессия как модель с постоянной эластичностью. Полулинейная модель как модель с постоянными темпами роста. Выбор между линейной и линейной в логарифмах моделью, непригодность для этого коэффициента множественной детерминации. Тест Бокса-Кокса (Box-Cox test). Преобразование Зарембки (Zarembka scaling).
• Нарушения предпосылок теоремы Гаусса-Маркова: ошибки спецификации; мультиколлинеарность; гетероскедастичность и автокорреляция случайных возмущений
  Проблема выбора "наилучшей" модели. Свойства, которыми должна обладать "хорошая" модель. Типы ошибок спецификации модели. Пропущенные и излишние переменные. Неправильная функциональная форма модели. Смещение в оценках коэффициентов, вызываемое невключением существенных переменных. Ухудшение точности оценок (увеличение оценок дисперсий) при включении в модель излишних переменных. RESET тест Рамсея (Ramsey's RESET test) для проверки гипотезы о существовании упущенных переменных. Совершенная и практическая мультиколлинеарность данных. Признаки наличия мультиколлинеарности. Теоретические последствия мультиколлинеарности для оценок параметров регрессионной модели. Неустойчивость оценок параметров регрессии и их дисперсий при малых изменениях исходных данных при наличии мультиколлинеарности. Показатели степени мультиколлинеарности. Показатель "вздутия" дисперсии (VIF). Методы борьбы с мультиколлинеарностью. Метод последовательного включения/ исключения факторов. Нарушение гипотезы о гомоскедастичности. Последствия гетероскедастичности для оценок коэффициентов регрессии методом наименьших квадратов. Применение тестов Уайта, Годфельда – Квандта, и др. для диагностирования гетероскедастичности. Оценивание коэффициентов множественной линейной регрессии при гетероскедастичности. Понятие о взвешенном МНК. Стандартные ошибки, скорректированные с учетом гетероскедастичности, в форме Уайта. Понятие об автокорреляции случайных возмущений. Последствия автокорреляции для оценок коэффициентов регрессии, полученных МНК. Диагностирование автокорреляции с помощью статистики Дарбина – Уотсона. Условия применимости статистики ДарбинаУотсона. Методы оценки параметра автокорреляции. Преобразование исходных данных, позволяющее применить метод наименьших квадратов. Оценка параметра автокорреляции по значению статистики Дарбина-Уотсона и коэффициенту авторегрессии остатков. Тестирование модели на наличие автокорреляции более высокого порядка: тест Бройша Годфри.

Элементы контроля

• Домашние работы
• Промежуточный тест
• Итоговый тест

Промежуточная аттестация

• Промежуточная аттестация (1 модуль)
  0.3 * Домашние работы + 0.7 * Промежуточный тест
• Промежуточная аттестация (2 модуль)
  0.5 * Итоговый тест + 0.5 * Промежуточная аттестация (1 модуль)

Список литературы

Рекомендуемая основная литература

• Joshua D. Angrist, & Jörn-Steffen Pischke. (2014). Mastering ’Metrics: The Path from Cause to Effect. Princeton University Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.b.pup.pbooks.10363

Рекомендуемая дополнительная литература

• Angrist, J. D. (DE-588)124748430, (DE-576)166629405. (2009). Mostly harmless econometrics : an empiricist’s companion / Joshua D. Angrist and Jörn-Steffen Pischke. Princeton, NJ [u.a.]: Princeton Univ. Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edswao&AN=edswao.286816679