Delivered at:: School of Economics and Finance

Course type:: Compulsory course

When:: 1 year, 1, 2 module

Instructor

Kashin, Dmitry

Полная версия программы учебной 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

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

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

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

Элементы контроля

Самостоятельная работа
Проект
Экзамен 1 модуль (тест)
Экзамен 2 модуль (тест)
Микроконтроли
Микроконтроли на лекциях по теории

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

Авторы

Кашин Дмитрий Викторович
Борисова Елена Феликсовна
Божья-Воля Анастасия Александровна

Master’s Programme 'Financial Strategies and Analytics'

Econometrics (Advanced Level)

Instructor

Программа дисциплины