• A
  • A
  • A
  • ABC
  • ABC
  • ABC
  • А
  • А
  • А
  • А
  • А
Regular version of the site

Econometrics (Advanced Level)

2024/2025
Academic Year
RUS
Instruction in Russian
6
ECTS credits
Course type:
Compulsory course
When:
1 year, 1, 2 module

Instructor

Программа дисциплины

Аннотация

Целью освоения дисциплины является изучение продвинутых методов эконометрического анализа, их применения в экономической и финансовой сфере с использованием соответствующего программного обеспечения (Stata). Ключевой акцент делается на умении подобрать эконометрические методы, наиболее подходящие для исследовательской задачи, и их качественного применения с использованием современного программного обеспечения.
Цель освоения дисциплины

Цель освоения дисциплины

  • Целью освоения дисциплины является изучение продвинутых методов эконометрического анализа, их применения в экономической и финансовой сфере с использованием соответствующего программного обеспечения (Stata).
Планируемые результаты обучения

Планируемые результаты обучения

  • Владеет методами построения регрессий и оценивает качество моделей.
  • Владеет приёмами построения несмещённых и эффективных оценок регрессии в условиях гетероскедастичности.
  • Владеет тестами остатков на наличие автокорреляций.
  • Владение программными процедурами Stata для оценивания моделей и теоретическими знаниями для обоснования и интерпретации результатов
  • Иметь понятие об автокорреляции случайной составляющей
  • Использует метод максимального правдоподобия и модели бинарного выбора.
  • Умеет использовать вывод программного пакета Stata для проверки статистических гипотез и построения доверительных интервалов парной регрессии.
  • Умение оценивать и интерпретировать вероятностные модели бинарного выбора
  • Уметь анализировать временные ряды
  • Студент понимает, что из себя представляют панельные данные и знает об их преимуществах. Кроме того, студент знаком с такими понятиями, как: сбалансированная и несбалансированная панель, модель сквозной регрессии, модель с фиксированным эффектом (FE) и модель со случайным эффектом (RE). Также, студент способен применять знания о панельных данных на практике в статистической среде RStudio.
  • Способен протестировать временные ряды на наличие причинно-следственных связей. Способенг оценить порядок и параметры модели векторной авторегрессии. Способен провести тест Чоу (F-тест) и LR тест. Способен построить интервальный и имитационный прогноз с помощью VAR модели. Способен оценить параметры модели VMA и модели VARMA. Способен вычислить функции ответа на импульс (IRF).
  • Умеет анализировать нестационарные неоднородные временные ряды
  • Умеет анализировать стационарные неоднородные временные ряды
  • Называет последствия автокорреляции.
  • Записывает модели бинарного выбора.
  • Готовить данные к анализу в Stata
  • Владеет понятием об эндогенности. Умеет применять метод инструментальных переменных. Различает сильные и слабые инструменты. Владеет тестом Хаусмана проверки экзогенности регрессоров. Применяет обобщенный метод моментов.
  • 2.1.1. Оценивать параметры линейной регрессионной модели. Выявлять преимущества и недостатки различных методов оценивания. Владеть МНК, матричной системой обозначений, операторами-проекторами, свойствами, геометрической интерпретацией МНК, свойствами оценок МНК при отсутствии предположения о случайном характере ошибок.
  • 2.2. Оценивать классическую линейную регрессию в предположении о случайном характере ошибок. Анализировать статистические характеристики ошибок, остатков, МНК-оценок параметров. Применять теорему Гаусса-Маркова. Интерпретировать несмещенную оценку дисперсии ошибок.
  • 3.3. Выявлять гетероскедастичность случайного возмущения и ее причины. Анализировать внешние признаки, методы диагностики. Владеть свойствами оценок МНК при наличии гетероскедастичности. Оценивать модели с гетероскедастичными ошибками. Применять взвешенный метод наименьших квадратов. Применять доступный обобщенный метод наименьших квадратов. 3.4. Выявлять автокорреляцию в линейных моделях. Определять внешние признаки, тесты.
  • 4.1. Владеть оценкой максимального правдоподобия (ML), концепцией, общими свойствами оценок ML. 4.2. Владеть оценкой максимального правдоподобия параметров линейной регрессионной модели, критериями для тестирования гипотез в линейной модели. Применять тесты Вальда (W), множителей Лагранжа (LM), отношения правдоподобия (LR) для тестирования общих ограничений в классической регрессионной модели. Владеть QML, понятием об обобщенном методе моментов (GMM).
  • 8.1. Различать преимущества использования панельных данных. Выявлять трудности, возникающие при работе с панельными данными. 8.2. Владеть понятием о модели однокомпонентной ошибки или модели со специфическим индивидуальным эффектом. Выбирать спецификацию модели. Анализировать детерминированный и случайный индивидуальный эффект. Применять операторы «Between» и «Within». Анализировать виды оценок. Применять сравнительный анализ оценок.
  • 8.3. Тестировать спецификации в моделях панельных данных. Владеть тестом Хаусмана, тестом на наличие случайного индивидуального эффекта, тестом на наличие детерминированного индивидуального эффекта.
  • Оценивать динамические пространственные модели на панельных данных
  • Оценивать базовые модели панельных данных
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Множественная линейная регрессия
  • Тестирование моделей в условиях отклонений от КЛРМ
  • Модели с ограниченными зависимыми переменными
  • Анализ временных рядов
  • Анализ панельных данных
Элементы контроля

Элементы контроля

  • неблокирующий Самостоятельная работа
  • неблокирующий Проект
  • неблокирующий Экзамен 1 модуль (тест)
  • неблокирующий Экзамен 2 модуль (тест)
  • неблокирующий Микроконтроли
    Микроконтроли на лекциях по теории
Промежуточная аттестация

Промежуточная аттестация

  • 2024/2025 2nd module
    0.1 * Микроконтроли + 0.1 * Микроконтроли + 0.15 * Проект + 0.15 * Проект + 0.05 * Самостоятельная работа + 0.05 * Самостоятельная работа + 0.2 * Экзамен 1 модуль (тест) + 0.2 * Экзамен 2 модуль (тест)
Список литературы

Список литературы

Рекомендуемая основная литература

  • Econometric analysis of cross section and panel data, Wooldridge, J. M., 2002
  • Introductory econometrics : a modern approach, Wooldridge J.M., 2006
  • Introductory econometrics : a modern approach, Wooldridge, J. M., 2020
  • Путеводитель по современной эконометрике : учеб.-метод. пособие, Вербик М., Айвазян С.А., 2008

Рекомендуемая дополнительная литература

  • Kossov, V., & Kossova, E. (2013). Gasoline price as social phenomenon. MPRA Paper. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.p.pra.mprapa.48720
  • Kossova, T., Kossova, E., & Sheluntcova, M. (2018). Anti-smoking policy in Russia: Relevant factors and program planning. Evaluation and Program Planning, (C), 43. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.a.eee.epplan.v69y2018icp43.52
  • Tatiana Kossova, Elena Kossova, & Maria Sheluntcova. (2014). Estimating the Relationship Between Rate of Time Preferences And Socio-Economic Factors In Russia. European Research Studies Journal, (1), 39. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.a.ers.journl.vxviiy2014i1p39.68
  • Vladimir Kossov, & Elena Kossova. (2013). International dispersion of retail diesel fuel prices and the estimation of normal price values. HSE Working Papers. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.p.hig.wpaper.27.ec.2013
  • Вакуленко, Е. С.  Эконометрика (продвинутый курс). Применение пакета Stata : учебное пособие для вузов / Е. С. Вакуленко, Т. А. Ратникова, К. К. Фурманов. — Москва : Издательство Юрайт, 2023. — 246 с. — (Высшее образование). — ISBN 978-5-534-12244-2. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/518580 (дата обращения: 27.08.2024).

Авторы

  • Божья-Воля Анастасия Александровна
  • Борисова Елена Феликсовна
  • Кашин Дмитрий Викторович