• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Магистратура 2023/2024

Эконометрика (продвинутый уровень)

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Лучший по критерию «Новизна полученных знаний»
Направление: 38.04.01. Экономика
Когда читается: 1-й курс, 3, 4 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для своего кампуса
Прогр. обучения: Стохастическое моделирование в экономике и финансах
Язык: русский
Кредиты: 6
Контактные часы: 120

Программа дисциплины

Аннотация

Настоящая программа учебной дисциплины устанавливает минимальные требования к знаниям и умениям студента и определяет содержание и виды учебных занятий и отчетности. Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов, обучающихся по магистерской программе “Стохастическое моделирование в экономике и финансах”.
Цель освоения дисциплины

Цель освоения дисциплины

  • Целью данного курса является не только обучение студентов новым навыкам в работе с эконометрическим аппаратом и их применение к изучению текущих экономических реалий, но также изучение и обзор эконометрических методов, составляющих основу эконометрики как дисциплины. Программа курса включает в себя вывод базовых свойств основных эконометрических методов оценивания, исключая наиболее сложные аналитические доказательства. Изучение данных методов позволяет понять суть подходов, принятых в эконометрике. В курсе рассматриваются предположения, в соответствии с которыми возможно применение того или иного подхода. Кроме того, в ходе изучения курса студенты получают навыки, необходимые для прочтения и понимания эконометрических публикаций продвинутого уровня.
Планируемые результаты обучения

Планируемые результаты обучения

  • Знать о влиянии включения/исключения наблюдений и объясняющих переменных на свойства МНК-оценок параметров регрессии., а также о последствиях неправильной спецификации модели регрессии. Уметь производить анализ остатков модели регрессии (тесты на нормальность, автокорреляцию и гетероскедастичность остатков).
  • Знать определения различных типов сходимости. Уметь применять метод инструментальных переменных для получения оценок коэффициентов моделей регрессии со стохастическими параметрами.
  • Знать основные понятия регрессивного анализа. Уметь применять метод моментов и метод наименьших квадратов для оценки коэффициентов модели регрессии. Знать свойства и геометрическую интерпретацию МНК-оценок коэффициентов регрессии. Знать критерии качества подгонки регрессионной модели к данным, а также их свойства.
  • Знать теорему Гаусса-Маркова. Уметь строить линейные модели с линейными ограничениями на параметры. Уметь применять метод множителей Лагранжа для получения УМНК-оценок.
  • Ознакомиться с одной из представленных на выбор тем по эконометрике с целью расширения кругозора в области эконометрического моделирования.
  • Уметь использовать фиктивные переменные для построения моделей регрессии для разнородных данных. Уметь применять тест Чоу и дамми-переменные для выявления структурных сдвигов.
  • Уметь применять метод максимального правдоподобия для получения оценок коэффициентов регрессии. Знать свойства ММП-оценок и их взаимосвязь с МНК-оценками. Уметь применять ассимптотические тесты в ММП (LR-тест, тест Вальда, LM-тест).
  • Уметь применять профессиональные знания и умения на практике.
  • Уметь строить модели с дискретной зависимой переменной (модели бинарного и множественного выбора, модели с урезанными и центрированными данными, Пуассоновская регрессия), а также знать как интерпретируются их коэффициенты.
  • Уметь строить модели с фиксированным и случайным эффектом для панельных данных. Знать тест Хаусмана и тесты на наличие случайного/детерминированного индивидуального эффекта.
  • Уметь строить нелинейные модели регрессии, а также оценивать их коэффициенты с помощью нелинейного МНК (НМНК) и ММП.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Тема 1. Понятие регрессии. Геометрическая интерпретация в линейной регрессии.
  • Тема 2. Понятие классической линейной регрессии (CLR). МНК в предположении о нормальности
  • Тема 3. Случайные регрессоры. Состоятельность оценок.
  • Тема 4. Разнородность наблюдаемых объектов. Гетероскедастичность. Автокорреляция остатков.
  • Тема 5. Диагностика в линейной модели. Ошибки спецификации в линейной регрессии. Критерии выбора модели.
  • Тема 6. Оценки метода максимального правдоподобия (ML) и квазимаксимального правдоподобия (QML).
  • Тема 7. Нелинейные модели регрессии.
  • Тема 8. Понятие о моделях с дискретной зависимой переменной.
  • Тема 9. Понятие о моделях с панельными данными.
  • Тема 10. Другие вопросы эконометрики.
Элементы контроля

Элементы контроля

  • неблокирующий Домашние задания и самостоятельные работы
  • неблокирующий Контрольная работа №1
  • неблокирующий Проект
  • блокирующий Контрольная работа №2
Промежуточная аттестация

Промежуточная аттестация

  • 2023/2024 учебный год 4 модуль
    0.1 * Домашние задания и самостоятельные работы + 0.1 * Контрольная работа №1 + 0.6 * Контрольная работа №2 + 0.2 * Проект
Список литературы

Список литературы

Рекомендуемая основная литература

  • A guide to modern econometrics, Verbeek, M., 2008
  • Cameron, A. C., & Trivedi, P. K. (2005). Microeconometrics : Methods and Applications. New York, NY: Cambridge University Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=138992
  • Wooldridge, J. M. (2002). Econometric Analysis of Cross Section and Panel Data. Cambridge, Mass: MIT Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=78079
  • Сборник задач к начальному курсу эконометрики : учеб. пособие для вузов, Катышев, П. К., 2007
  • Эконометрика. Начальный курс : учебник для вузов, Магнус, Я. Р., 2007

Рекомендуемая дополнительная литература

  • Econometric theory and methods, Davidson, R., 2004

Авторы

  • Пересецкий Анатолий Абрамович
  • Погорелова Полина Вячеславовна