Микроэконометрика (продвинутый уровень)

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: Коссова Елена Владимировна, Ратникова Татьяна Анатольевна

Язык: русский

Кредиты: 4

Контактные часы: 40

Полная версия программы учебной дисциплины

Аннотация

Курс «Микроэконометрика» посвящен моделям панельных данных и моделям, описывающим ситуацию, когда в качестве зависимой переменной в эконометрической модели выступает переменная, характеризующая наличие или отсутствие некоторого качества рассматриваемого объекта. Задача курса – дать представление о многообразии современных подходов эконометрического исследования данных, поступающих из опросов домохозяйств, предприятий, индивидов и т.п. Научить пониманию и использованию математического языка, на котором принято описывать современные эконометрические методы в этой области, привить критический подход при отборе инструментов анализа и осознание необходимости тщательного тестирования статистической адекватности получаемых моделей, а также развить навыки содержательной интерпретации результатов. Материал курса предназначен для использования в дисциплинах, связанных с эмпирическим анализом реальных экономических явлений, в курсах макро- и микро- экономики, при выполнении исследований в ходе подготовки кандидатских диссертаций.

Цель освоения дисциплины

Целями освоения дисциплины «Микроэконометрика» являются овладение методами анализа микроэкономических данных, оценивания моделей с качественными и ограниченными значениями зависимой переменной, моделями панельных данных навыками работы со статистическими пакетами.

Планируемые результаты обучения

Умение оценивать и интерпретировать вероятностные модели бинарного выбора
Умение оценивать и интерпретировать системы бинарных уравнений с коррелированными ошибками
Умение грамотно выбирать и оценивать эконометрические модели по усечённым, цензурированным данным и данным, подверженным смещению отбора наблюдений
Умение правильно интерпретировать результаты оценивания моделей с ограниченными значениями зависимой переменной
Умение применять современные непараметрические подходы к оцениванию моделей со смещением отбора.
Умение выбирать между параметрическим и непараметрическим подходами к оцениванию моделей с ограничеными значениями объясняемой переменной.
Умение обосновывать необходимость применения панельного анализа данных в исследованиях, понимание того, как содержательно интерпретируется смысл ненаблюдаемых индивидуальных и временных эффектов в моделях
Умение находить в интернете и загружать в Stata процедуры для тестирования гетероскедастичности, автокорреляции и пространственной корреляции ошибок панельных регрессий. Способность подбирать подходящий метод коррекции моделей.
Способность анализировать объясняющие переменные модели на предмет выделения источников эндогенности, умение подбирать и тестировать на релевантность и валидность инструментов
Владение теорией, лежащей в основе обобщенного метода моментов, умение тестировать результаты процедур Ареллано-Бонда и Бланделла-Бонда на адекватность, способность подбирать метод оценивания, адекватный особенностям выборки
Умение проводить предварительный визуальный анализ данных на предмет выявления степени неоднородности данных, владение тестовыми процедурами для статистической диагностики соответствия степени неоднородности данных и возможности ее учета моделями

Содержание учебной дисциплины

Модели бинарного выбора
Линейная вероятностная модель. Probit и logit модели. Предельные эффекты. Тестирование общей линейной гипотезы. Прогнозирование. Ошибки спецификации.
Системы бинарных уравнений с коррелированными ошибками
Внешне несвязанные и иерархические системы бинарных уравнений. Условия идентификации. Особенности оценивания и интерпретации результатов. Предельные эффекты совместных и условных вероятностей.
Оценивание вероятностей по сгруппированным данным
Группировка данных по значениям качественных объясняющих переменных. Использование взвешенного метода наименьших квадратов для оценивания вероятности при различных предположениях о распределении случайных ошибок.
Модели множественного выбора
Порядковые (ordered) модели. Латентная переменная и ее интерпретация. Предельные эффекты. Проверка гипотезы о независимости границ латентной переменной от объясняющих переменных. Обобщенная порядковая модель. Модели последовательных значений. Множественная Logit-модель Мак Фаддена. Интерпретация с точки зрения полезности. Предположение и проверка гипотезы о независимости от посторонних альтернатив. Множественная probit модель.
Модели с ограниченными значениями зависимой переменной
Усечённые и цензурированные выборки. Особенности функции правдоподобия. Truncated модели. Модель Тобина. Предельные эффекты и прогнозирование безусловного и условного математического ожидания зависимой переменной. Смещение отбора. Модель Хекмана. Предельные эффекты, прогнозирование и тестирование гипотез. Выбор между моделями Тобина, Хекмана и классической линейной регрессионной моделью. Модели с переключением.
Непараметрический подход к оцениванию моделей со смещением отбора
Критика параметрического подхода Хекмана. Двух и трёх шаговые процедуры оценивания модели Хекмана с корректировкой смещения отбора как неизвестной функции от объясняющих переменных. Методы Галланта и Нички, Ньюи и Велла, Робинсона.
Модели бинарного выбора и модели с ограниченными значениями объясняемой переменной, оцениваемые по панельным данным
Особенности оценивания и интерпретации probit и logit моделей бинарного выбора при наличии фиксированных и случайных индивидуальных эффектов. Оценивание моделей с усеченными данными по панельным данным. Подходы к оцениванию модели Хекмана по панельным данным.
Специфика моделирования по панельным данным
Преимущества использования панельных данных. Трудности, возникающие при работе с панельными данными. Основные понятия и обозначения. Классификация методов анализа панельных данных в зависимости от степени учета неоднородности. .
Особенности оценивания моделей с панельными данными в условиях гетероскедастичности и серийных корреляций случайных возмущений
Источники и способ учета гетероскедастичности ошибок наблюдений в моделях с индивидуальным специфическим эффектом. Методы оценивания и тестирования моделей с серийно коррелированными ошибками наблюдений. Методы оценивания и тестирования моделей с пространственной корреляцией объектов
Оценивание коэффициентов панельных регрессий в условиях эндогенности
Оценивание коэффициентов панельных регрессий при наличии инвариантных по времени регрессоров в условиях коррелированности регрессоров и индивидуальных эффектов. Метод Хаусмана-Тейлора. Оценивание панелей при наличии общей коррелированности ошибок и регрессоров. Метод инструментальных переменных. Тестирование релевантности и валидности инструментов. Тест Саргана-Хансена.
Тестирование спецификации.
Выбор между моделями индивидуальных регрессий, объединенной регрессии (Pool), регрессией с детерминированными эффектами на константу (ANCOVA) . Выбор между моделями Pool, FE, RE. Тест Хаусмана-Мундлака
Оценивание статических и динамических моделей с дискретными и ограниченными зависимыми переменными по панельным данным
Модели бинарного выбора.Модель logit с детерминированным эффектом. Модель probit со случайным эффектом. Модель tobit. Динамические модели бинарного выбора. Иерархические модели бинарного выбора и симуляционный ММП.
Обобщенный метод моментов и оценивание динамических моделей
Причина несостоятельности оценок динамических моделей FE. Метод Ареллано-Бонда, метод Бланделла-Бонда. Тестирование валидности инструментов и автокорреляции ошибок. Проблема нестационарности и понятие о панельной коинтеграции.

Элементы контроля

домашнее задание №1
домашнее задание №2
Домашнее задание оценивается со штрафными баллами, если оно сдано после объявленного срока без уважительной причины. Домашние задания принимаются (со штрафами) до момента экзамена.
экзамен

Промежуточная аттестация

Промежуточная аттестация (I семестр)
0.4 * домашнее задание №1 + 0.4 * домашнее задание №2 + 0.2 * экзамен

Программа дисциплины