• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Бакалавриат 2024/2025

Регрессионный анализ социально-экономических процессов

Статус: Курс обязательный (Вычислительные социальные науки)
Направление: 01.03.02. Прикладная математика и информатика
Когда читается: 3-й курс, 1, 3, 4 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для своего кампуса
Язык: русский
Кредиты: 10
Контактные часы: 96

Программа дисциплины

Аннотация

Курс «Регрессионный анализ социально-экономических процессов» читается для студентов 3 курса бакалаврской программы «Вычислительные социальные науки». Целью освоения дисциплины является формирование у студентов практических навыков применения регрессионного анализа, необходимых для решения прикладных задач машинного обучения и анализа данных в социальных науках. Программа курса охватывает классическую линейную регрессию; методы, подходящие для случая категориальной зависимой переменной; регрессионные модели, применяемые в контексте анализа панельных и TSCS данных. Одним из наиболее важных форматов семинарских занятий, позволяющих студентам развить практические навыки, является репликация результатов исследований с последующей критикой и корректировкой примененной стратегии эмпирического анализа. На занятиях для анализа данных используется Python.
Цель освоения дисциплины

Цель освоения дисциплины

  • Формирование у студентов практических навыков применения регрессионного анализа, необходимых для решения прикладных задач машинного обучения и анализа данных в социальных науках
Планируемые результаты обучения

Планируемые результаты обучения

  • Корректно интерпретирует оценки коэффициентов множественной регрессии, включающей переменные взаимодействия
  • Умеет выбирать релеватную спецификацию модели для анализа панельных данных, корректно интерпретирует результаты оценивания модели с фиксированными эффектами и модели со случайными эффектами
  • Корректно интерпретирует результаты оценивания модели с фиксированными эффектами, знает область применения модели с фиксированными эффектами
  • Корректно интерпретирует оценки коэффициентов множественной регрессионной модели
  • Умеет объяснять суть понятия "гетероскедастичность" и применять необходимые поправки в условиях гетероскедастичности
  • Умеет диагностировать нетипичные наблюдения по отклику (outliers) и предикторам (leverages), влиятельные наблюдения в регрессионной модели
  • Умеет объяснять суть понятия "мультиколлинеарность", диагностировать мультиколлинеарность и применять необходимые поправки в условиях мультиколлинеарности, умеет объяснить, к каким последствиям и почему приводит строгая и сильная мультиколлинеарность
  • Умеет осуществлять инференцию в регрессии при помощи бутстрапа
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Парная линейная регрессия. Повторение
  • Модель множественной линейной регрессии. Спецификация модели
  • МНК-оценки в рамках множественной линейной регрессии
  • Оценка качества регрессионной модели: коэффициент детерминации
  • Свойства оценок коэффициентов в регрессионной модели
  • Мультиколлинеарность
  • Устойчивость регрессионной модели
  • Инференция в регрессии при помощи бутстрапа
  • Переменные взаимодействия в регрессионной модели
  • Модели бинарного выбора
  • Модели множественного упорядоченного выбора
  • Регрессионные модели для анализа панельных данных
  • Эндогенность в регрессионных моделях
Элементы контроля

Элементы контроля

  • неблокирующий Проверочная работа 1
  • неблокирующий Проверочная работа 2
  • неблокирующий Проверочная работа 3
  • неблокирующий Экзамен 1
  • неблокирующий Семинарская активность 1
  • неблокирующий Семинарская активность 2
  • неблокирующий Домашнее задание 1
  • неблокирующий Домашнее задание 2
  • неблокирующий Домашнее задание 3
  • неблокирующий Домашнее задание 4
  • неблокирующий Экзамен 2
Промежуточная аттестация

Промежуточная аттестация

  • 2024/2025 1st module
    0.1 * Домашнее задание 1 + 0.1 * Домашнее задание 2 + 0.2 * Проверочная работа 1 + 0.1 * Семинарская активность 1 + 0.5 * Экзамен 1
  • 2024/2025 4th module
    0.1 * Домашнее задание 3 + 0.1 * Домашнее задание 4 + 0.15 * Проверочная работа 2 + 0.15 * Проверочная работа 3 + 0.1 * Семинарская активность 2 + 0.4 * Экзамен 2
Список литературы

Список литературы

Рекомендуемая основная литература

  • An Introduction to the Bootstrap, Efron, B., 1993
  • Applied Logistic Regression, 2nd ed., 375 p., Hosmer, D. W., Lemeshow, S., 2000
  • Basic econometrics, Gujarati, D. N., 2009
  • Bootstrapping : a nonparametric approach to statistical inference, Mooney, C. Z., 1993
  • Fixed effects regression models, Allison, P. D., 2009
  • Mastering 'Metrics : the path from cause to effect, Angrist, J. D., 2015
  • Mostly harmless econometrics : an empiricist's companion, Angrist, J. D., 2009
  • Regression models for categorical and limited dependent variables, Long, J. S., 1997
  • Прикладная статистика. Основы эконометрики. Т.1: Теория вероятностей и прикладная статистика, Айвазян, С. А., 2001

Рекомендуемая дополнительная литература

  • An introduction to categorical data analysis, Agresti, A., 2007
  • Categorical data analysis, Agresti, A., 2002
  • Counterfactuals and causal inference : methods and principles for social research, Morgan, S. L., 2012
  • Introductory econometrics : a modern approach, Wooldridge, J. M., 2020

Авторы

  • Сальникова Дарья Вячеславовна
  • Буваева Роксана Викторовна