Продвинутые количественные методы исследований в менеджменте

Аспирантура 2019/2020

Статус: Курс по выбору

Направление: 38.06.01. Экономика

Кто читает: Департамент прикладной экономики

Когда читается: 2-й курс, 1 семестр

Формат изучения: без онлайн-курса

Преподаватели: Поляков Константин Львович

Язык: русский

Кредиты: 4

Контактные часы: 40

Полная версия программы учебной дисциплины

Аннотация

Учебная дисциплина «Продвинутые количественные методы исследований в менеджменте» читается для аспирантов второго года обучения в аспирантской школе по менеджменту НИУ ВШЭ. Она ориентирована на специалистов, планирующих карьеру в области управления организацией или научных работников, которые планируют проводить исследования в области современного менеджмента. Современное развитие информационных технологий позволило существенно расширить типологию данных доступных для измерения и, соответственно, для использования при принятии управленческих решений. Также, существенно возрос объем накапливаемых в организациях данных за счет совершенствования технологий их сбора и снижения стоимости хранения. На сегодняшний день данные являются потенциальным активом любой организации, существенным фактором, влияющим на ее стоимость. В тоже время, организация может реализовать скрытый в данных потенциал только при условии адекватного уровня культуры работы с данными. Достижение этого уровня предполагает, в частности, подготовку специалистов, владеющих арсеналом как современных, так и классических методов анализа данных. Дисциплина «Продвинутые количественные методы исследований в менеджменте» принимает эстафету у дисциплины «Эконометрика», которая формирует у слушателей базовые навыки анализа данных. В рамках рассматриваемой дисциплины, слушатели, используя знания и умения, полученные в ходе освоения «Эконометрики», знакомятся с рядом актуальных для решения управленческих задач технологий. Их объединяет адекватность современным вызовам в управлении организацией связанным с ростом конкуренции и глобализацией бизнеса, что требует от руководителей всех уровней извлекать максимум знаний из нарастающего потока данных. Структура курса соответствует специфике бизнес-аналитики. Основное внимание уделяется границам применимости методов анализа данных и интерпретации получаемых результатов. В фокусе внимания слушателей оказываются непараметрические методы статистики, а также методы глубинного анализа данных, которые опираются на реалистические предположения о природе используемых результатов измерений. Большое внимание уделяется работе с качественными данными.

Цель освоения дисциплины

Знать аналитические потребности, возникающие в задачах управления организацией, а также, классификацию возникающих в различных видах человеческой деятельности данных и математические методы извлечения знаний из этих данных.
Уметь формализовать задачу из предметной области, сформулировать требования к данным, подобрать адекватные методы их анализа, выполнить расчеты и интерпретировать полученные результаты.
Иметь навыки самостоятельного анализа данных, возникающих в ходе профессиональной деятельности.

Планируемые результаты обучения

Умеет анализировать качество данных
Умеет обнаруживать статистические особенности данных
Умеет специфицировать и оценить регрессионную модель.
Знает определение стационарности в широком смысле.
Умеет определять наличие/отсутствие стационарности.
Знает определение модели ARMA.
Умеет построить модель ARMA.
Знает методы обнаружения «единичных корней».
Умеет приводить ряд к стационарному виду.
Знает определение модели ARIMAX.
Умеет построить модель ARMAX.

Содержание учебной дисциплины

Предварительный анализ данных.
Типология шкал. Номинальная, порядковая, интервальная и относительная шкалы. Допустимые преобразования и операции. Использование в модели линейной регрессии МЛР. Простейшие методы идентификации МЛР. Анализ диаграмм рассеивания. Анализ диаграмм Бокса – Вискера для номинальных и порядковых переменных. Анализ корреляционной матрицы для интервальных и относительных переменных.
Основы регрессионного анализа.
Определение МЛР. Нелинейная, внутренне линейная модель. Логолинейная модель. Метод наименьших квадратов и линейная регрессия. Статистические свойства МНК оценки параметров МЛР. Анализ значимости регрессоров. Прогнозирование. Нарушение основных гипотез МЛР. МЛР с переменной структурой (фиктивные переменные). Общая линейная гипотеза. Критерий Вальда. Критерий Чоу.
Моделирование стационарных временных рядов.
Понятие "временной ряд" и его основные характеристики. Понятие "автокорреляция". Стационарность в широком и узком смысле. Тема 3.1 Теоретические основы динамических моделей. Понятие "линейный фильтр" (ЛФ). Физически реализуемый ЛФ. Наилучший линейный прогноз. Частная автокорреляция. Разложение Вольда. Операторное представление разностных уравнений. Передаточная функция. Модель авторегрессии. Операторное представление. Необходимое и достаточное условие стационарности. Вид функции автокорреляции. Модель скользящего среднего. Смешанные модели. Операторное представление, условие обратимости. Вид автокорреляционной функции.
Модели нестационарных процессов.
Динамические модели временных рядов с внешними факторами.
Методы классификации.
Основы кластерного анализа.
Модели панельных данных.

Элементы контроля

Устный опрос на занятиях
Самостоятельная работа

Промежуточная аттестация

Промежуточная аттестация (I семестр)
Текущая оценка TO=10 Score/Score_max , где Score — сумма баллов, полученная за работу на семинарах. Score_max — максимальная сумма баллов в группе. ИО= 0.3ТО+0.7СР, где СР — оценка задания для самостоятельной работы, ТО — текущая оценка.

Программа дисциплины