Эконометрика

Аспирантура 2020/2021

Статус: Курс обязательный

Направление: 38.06.01. Экономика

Кто читает: Департамент экономики и финансов

Когда читается: 1-й курс, 2 семестр

Формат изучения: с онлайн-курсом

Преподаватели: Паршаков Петр Андреевич

Язык: русский

Кредиты: 5

Контактные часы: 2

Полная версия программы учебной дисциплины

Аннотация

На Эконометрике для аспирантов изучаются линейные и нелинейные (логит и пробит) базовые регрессионные модели; наиболее частые проблемы, связанные с отклонением от предпосылок классической линейной регрессии; формируются навыки уверенной работы с реальными данными в статистическом пакете R (R-Studio). Пререквизитов не имеется. Итоговой формой контроля является экзамен. Настоящая программа учебной дисциплины устанавливает требования к образовательным результатам и результатам обучения аспиранта и определяет содержание и виды учебных занятий и отчетности. Программа предназначена для преподавателей, ведущих дисциплину «Эконометрика», и аспирантов направления подготовки 38.06.01 Экономика. Программа учебной дисциплины разработана в соответствии с: • Образовательным стандартом НИУ ВШЭ подготовки научно-педагогических кад-ров в аспирантуре по направлению подготовки 38.06.01 Экономика, утвержденным Ученым Советом НИУ ВШЭ, протокол № 08 от 28.11.2014; • Учебным планом основной образовательной программы высшего образования – программы подготовки научно-педагогических кадров в аспирантуре по направлению 38.06.01 Экономика.

Цель освоения дисциплины

Подготовка аспиранта к самостоятельной деятельности как ученого-исследователя, освоение современных эконометрических методов анализа данных, понимание сильных и слабых сторон каждого их них, выбора наиболее подходящих инструментов для решения конкретных научно-исследовательских задач; развитие навыков самостоятельного проведения сбора, анализа и представления результатов эмпирического исследования с использованием методов эконометрического анализа на основе собранных данных.
Изучение базовых основ эконометрики, ключевых эконометрических методов анализа области их применения для решения современных экономических проблем. Обучение методам статистического анализа с помощью современного пакета R.

Планируемые результаты обучения

Владеть методами построения теоретических моделей; методами верификации теоретических моделей с помощью реальных статистических данных; современным эконометрическим инструментарием.
Уметь выбирать правильный инструментарий для решения задач, возникающих в ходе научно-исследовательской деятельности.
Уметь сформулировать основной исследовательский вопрос и обосновать его значимость; идентифицировать проблему в своей исследовательской области;

Содержание учебной дисциплины

Эконометрическое моделирование в R.
Автокорреляция; стационарные временные ряды. Продвинутые методы.
Метод наименьших квадратов.
Суть метода наименьших квадратов. Регрессия на константу. Парная регрессия. МНК на графике. Случай множества регрессоров.
Геометрия МНК
Ликбез по линейной алгебре. Геометрия регрессии на константу. Геометрия множественной регрессии. Коэффициент детерминации
Линейные ограничения и пропущенные переменные
Проверка гипотезы о нескольких линейных ограничениях. Пример проверки гипотезы о нескольких линейных ограничениях. Вывод формулы для гипотезы о незначимости регрессии. Пример проверки гипотезы о незначимости регрессии. Лишние и пропущенные переменные. Тест Рамсея. Простые показатели качества модели
R: введение и МНК
Консольный режим в R. Написание первого скрипта в R. Первый взгляд на набор данных в R. МНК в R: примеры с машинами и с фертильностью
Дамми-переменные, сравнение вложенных моделей
Прогнозирование и дамми-переменные.Прогнозирование во множественной регрессии. Пример построения интервалов для прогнозов. Интерпретация коэффициента при логарифмировании. Дамми-переменные. Разные зависимости для подвыборок.
R: проверка гипотез и загрузка данных
Работа со случайными величинами в R. Проверка гипотез о коэффициентах в R. Стандартизированные коэффициенты и эксперимент с ложно-значимыми регрессорами. Сохранение и загрузка данных. Загрузка данных RLMS
Построение доверительных интервалов и проверка гипотез
Статистические свойства оценок коэффициентов. Построение доверительных интервалов и проверка гипотез. Примеры: доверительный интервал для коэффициента бета, доверительный интервал для дисперсии, проверка гипотезы о коэффициенте бета. Интерпретация стандартной таблички. Особенности проверки гипотез. Проверка гипотезы о связи коэффици-ентов.
Статистические свойства оценок коэффициентов
Условное математическое ожидание, определение, геометрическая иллюстрация условного математического ожидания. Условная дисперсия. Условная дисперсия МНК оценок. Дисперсия оценок коэффициентов в общем виде. Оценка ковариационной матрицы
R: графики, построение прогнозов и нано-исследование
R: графики и переход к логарифмам. R: графики для качественных и количественных переменных. Оценивание моделей с дамми-переменными в R. Построение прогнозов в R. Проверка гипотезы о линейных ограничениях, графическое представление результатов. Ловушка дамми-переменных, информационные критерии, тест Рамсея
R: реализация описанных методов
Квантильная регрессия и алгоритм случайного леса. Логит-модель: байесовский подход. Регрессия пик-плато: байесовский подход
Байесовский подход, апостериорное распределение и MCMC.
Суть байесовского подхода. Расчет апостериорного распределения, примеры. Алгоритм MCMC и логит-модель. Регрессия пик-плато.
Мультиколлинеарность
Мультиколлинеарность: понятие и методы борьбы. Определение мультиколлинеарности. Ридж и LASSO регрессия. Идея метода главных компонент. Свойства главных компонент.
R: методы борьбы с мультиколлинеарностью
R: доверительные интервалы при мультиколлинеарности. LASSO регрессия в R. R: ридж-регрессия и идея оценки лямбды. Метод главных компонент в R
Гетероскедастичность
Гомоскедастичность. Условная гетероскедастичность. Безусловная гетероскедастич-ность. Последствия гетероскедастичности для малых выборок. Последствия гетероскедастичности: нормальность и большие выборки.
Тесты на гетероскедастичность
Робастные стандартные ошибки и обнаружение. Пример теста Уайта. Тест Голдфельда-Квандта. Пример с известной структурой гетероскедастичности
R: создание функций и циклов, проверка на гетероскедастичность
Написание функций в R. Написание циклов в R. Прежние оценки для сравнения. Дове-рительные интервалы при гетероскедастичности в R. Тесты на гетероскедастичность в R
Автокорреляция: понятие, последствия и тесты
Автокорреляция, определение. Свойства автокорреляции первого порядка. Последствия автокорреляции. Робастные стандартные ошибки и тест Дарбина-Уотсона. Тест Бройша-Годфри. Пример тестирования автокорреляции. Тема 16. R: даты и временные ряды, загрузка данных и тесты на автокорреляцию. Работа с датами в R. Базовые действия с временными рядами. Загрузка данных из внеш-них источников. R: Построение робастных доверительных интервалов. Тесты на автокорреля-цию в R.
Метод максимального правдоподобия: суть и использование
Суть метода максимального правдоподобия. ML в непрерывном случае. ML и построение доверительных интервалов. Проверка гипотез. LR тест
Логит-модель: вид, оценивание и интерпретация
Логит-модель. Вероятность и отношение шансов. Предельные эффекты и прогнозы. Не-существование оценок логит-модели
R: качественные переменные, предельные эффекты и ROC кривая
Графики для качественных переменных в R. Оценивание коэффициентов и прогнозирование скрытой переменной. Доверительный интервал для вероятности и LR тест в R. Предельные эффекты в R. ROC кривая
Проверка на стационарность, прогнозирование и ARMA процесс
Стационарность через характеристический многочлен. Прогнозирование процессов авторегрессии. Модель авторегрессии и скользящего среднего ARMA(p,q). Алгоритм оценивания АRMA процесса
R: примеры анализа временных рядов
Искусственно сгенерированные стационарные процессы. Искусственно сгенерированные нестационарные процессы. Примеры: анализ уровня воды озера Гурон; анализ стоимости акций компании Гугл; анализ численности населения России; анализ индекса потребительских цен
Эндогенность
Эндогенность: определение, причины и методы борьбы. Различные формы записи одной модели. Определение эндогенности. Ошибка измерения регрессора. Пропущенная объясняющая переменная. Система уравнений с двумя эндогенными переменными. Метод инструментальных переменных. Корреляция и причинность. Три иллю-страции к данным наблюдений.
Байесовский подход, апостериорное распределение и MCMC
Байесовский подход, апостериорное распределение и MCMC. Суть байесовского подхода. Расчет апостериорного распределения, примеры. Алгоритм MCMC и логит-модель. Регрессия пик-плато.
R: реализация описанных методов
Квантильная регрессия и алгоритм случайного леса. Логит-модель: байесовский подход. Регрессия пик-плато: байесовский подход.
Нестандартные сюжеты
Нестандартные регрессии и алгоритм случайного леса Медианная регрессия. Квантильная регрессия. Алгоритм случайного леса. Пример построения регрессионного дерева.

Элементы контроля

Тесты по темам курса
По каждой теме через 8 часов можно повторить прохождение теста еще трижды.
Итоговый тест

Промежуточная аттестация

Промежуточная аттестация (II семестр)
0.5 * Итоговый тест + 0.5 * Тесты по темам курса

Программа дисциплины