Эконометрика (Econometrics)

Higher School of Economics

Мы будем учиться находить и оценивать зависимости в реальных данных, а также визуализировать, интерпретировать и использовать их для прогнозирования. We will learn to identify and estimate relationships in the real data, as well as visualize, interpret and apply them for making predictions.


Курс создан при поддержке ПАО Сбербанк


Эконометрика – наука, позволяющая исследовать закономерности в реальных данных. К концу курса мы научимся отвечать на два вопроса. Как одна переменная, y, зависит от другой переменной, x? Как спрогнозировать переменную y?

Мы будем подробно изучать линейные регрессионные модели,  рассмотрим наиболее частые отклонения от предпосылок классической линейной регрессии. Изучим базовые модели (логит и пробит) для качественных зависимых переменных. Наряду с теоретической основой мы будем работать с реальными данными, используя статистический пакет R.

 

Econometrics is the science that enables to discover and analyze patterns in data. At the end of the course we will be able to answer two major questions. How can one variable, x, influence another one, y? How can we predict values of y?

We will study in details the linear regression and we will consider the most probable departures from assumptions of the classical liner model. The basic non-linear models for binary dependent variables (logit and probit) will also be covered. We will not only study theoretical concepts, but work with the real data with the help of statistical package R as well.

Syllabus

Неделя 1: Метод наименьших квадратов, введение в R

Лекция 1: Основные типы данных. Метод наименьших квадратов. Регрессия на константу. Готовые формулы для парной регрессии. Множественная регрессия. Ошибка прогноза. Сумма квадратов остатков. Общая сумма квадратов. Объясненная сумма квадратов. Абсолютный ликбез по линейной алгебре. Геометрическая иллюстрация множественного МНК. Коэффициент детерминации.

Компьютерный практикум: Консольный режим. Вектора, списки, таблицы с данными. Установка пакетов. Получение справки. Описательные статистики. Простейшие графики. Метод наименьших квадратов.

Неделя 2: Статистические свойства оценок коэффициентов

Лекция 2: Условное математическое ожидание. Ковариационная матрица случайной составляющей. Дисперсия оценок коэффициентов. Статистические свойства коэффициентов. Несмещенность. Состоятельность. Эффективность. Тестирование гипотез и построение доверительных интервалов для коэффициентов. Значимость и существенность. Стандартизованные коэффициенты. Проблема множественных сравнений.

Компьютерный практикум: Работа со случайными величинами. Доверительные интервалы и проверка гипотез. Эксперимент с бесполезными регрессорами. Табличка с несколькими моделями. Сохранение и чтение файлов. Импорт данных RLMS.

Неделя 3: Дамми-переменные, сравнение вложенных моделей

Лекция 3: Прогнозирование. Доверительный и предиктивный интервал. Четыре модели с логарифмами. Дамми-переменные. Разные модели на подвыборках. Проверка гипотезы о линейных ограничениях. Ограниченная и неограниченная модель. Лишние и пропущенные переменные. Тест Рамсея. Скорректированный коэффициент детерминации. Информационные критерии.

Компьютерный практикум: Переход к логарифмам. Графики для качественных переменных. Ограниченная и неограниченная модель. F-тест. Тест Рамсея. Нано-исследование.

Неделя 4: Мультиколлинеарность

Лекция 4: Строгая и нестрогая мультиколлинеарность. Последствия мультиколлинеарности. Коэффициент вздутия дисперсии. Регуляризация. Метод Лассо. Ридж-регрессия. Метод эластичной сети. Метод главных компонент.

Компьютерный практикум: Коэффициент вздутия дисперсии. Ридж-регрессия. Метод Лассо. Метод главных компонент. Визуализация главных компонент.

Неделя 5: Гетероскедастичность

Лекция 5: Определение гетероскедастичность. Последствия гетероскедастичности. Стандартные ошибки, робастные к гетероскедастичности. Тест Уайта. Тест Голдфельда - Квандта.

Компьютерный практикум: Стандартные ошибки, устойчивые к гетероскедастичности. Корректные доверительные интервалы. Тест Уайта. Тест Голдфельда - Квандта.

Неделя 6: Автокорреляция

Лекция 6: Определение автокорреляции. Последствия автокорреляции. Автокорреляция порядка p. Стандартные ошибки, робастные к автокорреляции. Тест Дарбина-Уотсона. Тест Бройша-Годфри.

Компьютерный практикум: Работа с датами. Загрузка данных из интернет-источников: цены акций, российские макроэкономические ряды. Тест Дарбина-Уотсона. Тест Бройша-Годфри.

Неделя 7: Метод максимального правдоподобия. Модели бинарного выбора

Лекция 7: Метод максимального правдоподобия. Свойства оценок максимального правдоподобия. Оценка дисперсии коэффициента. Тест отношения правдоподобия. Модели бинарного выбора: логит и пробит-модели. Предельные эффекты. Прогнозирование.

Компьютерный практикум: Мозаичный график. Оценивание логит и пробит-моделей. Прогнозирование. Предельные эффекты. ROC-кривая.

Неделя 8: Стационарные временные ряды

Лекция 8: Стационарные и нестационарные временные ряды. Оператор лага. Процессы авторегрессии и скользящего среднего (ARMA). Корни характеристического уравнения. Автокорреляционная и частная автокорреляционная функция.

Компьютерный практикум: Симуляция моделей ARIMA. Автокорреляционные и частные автокорреляционные функции. Оценивание моделей. Прогнозирование. Автоматический выбор порядка модели.

Неделя 9: Эндогенность

Лекция 9: Несколько форм записи модели. Понятие эндогенности. Основные причины эндогенности. Ошибка измерения регрессора. Пропущенная объясняемая переменная. Одновременнось. Метод инструментальных переменных. Двухшаговый метод наименьших квадратов. Причинность и статистическая взаимосвязь. Данные наблюдений и экспериментов.

Компьютерный практикум: Разделение выборки на две части. Двухшаговый МНК. Несколько инструментальных переменных.

Неделя 10: Нестандартные сюжеты

Лекция 10: Медианная регрессия. Квантильная регрессия. Классификационное дерево. Алгоритм случайного леса. Байесовский подход. Априорное и апостериорное распределение. Байесовская логит-модель. Регрессия пик-плато.

Компьютерный практикум: Медианная регрессия. Квантильная регрессия. Алгоритм случайного леса. Баейсовская логит-модель. Регрессия пик-плато.



Recommended Background

Теория вероятностей и математическая статистика.

Линейная алгебра опционально.

Suggested Readings

Лекций будет достаточно, однако полезны могут оказаться:

Артамонов Н.В. Введение в эконометрику

Борзых Д.А., Демешев Б.Б. Эконометрика в задачах и упраженениях

Кабаков Р.И. R в действии. Анализ и визуализация данных на языке R 

Катышев П.К., Пересецкий А. А. Эконометрика. Начальный курс

Шипунов А.Б., Балдин Е.М. и др. Наглядная статистика. Используем R!

Course Format

Курс включает в себя видео-лекции, разбитые на фрагменты от 8 до 11 минут. Длина одной лекции около полутра часов. В середине курса (на пятой неделе) будет промежуточный контроль, после промежуточного контроля будет по окончании (на десятой неделе) – экзамен. В оставшиеся недели студенту будет предложено выполнить тест по пройденному в течение недели материалу (итого 8 тестов). Также в курсе будет одно домашнее задание, которое будет взамнооцениваемым.

FAQ

Необходимо ли платить за обучение на курсе?
Нет, курс полностью бесплатный.

Получат ли учащиеся сертификаты по окончанию курса?
Да, успешно закончившие курс студенты получат электронный сертификат о прохождении курса, подписанный лектором. 

Можно ли слушать курс, если нет экономического образования?
Да, курс полезен не только экономистам, но и другим специалистам. Название “Эконометрика” является скорее данью традиции.

Что нужно установить на компьютер для прохождения этого курса?
Сам R и R-studio необходимы. LaTeX по желанию. Инструкция с нюансами.

Мне уже хочется заранее что-то сделать. Что я могу попробовать?
Чтобы не бояться R, можно попробовать TryR


Dates:
  • 2 March 2015, 10 weeks
Course properties:
  • Free:
  • Paid:
  • Certificate:
  • MOOC:
  • Video:
  • Audio:
  • Email-course:
  • Language: Russian Ru

Reviews

No reviews yet. Want to be the first?

Register to leave a review

Show?id=n3eliycplgk&bids=695438
NVIDIA
More on this topic:
Econ_5-copy Эконометрика (Econometrics)
Эконометрика - наука, позволяющая исследовать закономерности в реальных дан...
More from 'Mathematics, Statistics and Data Analysis':
B-teaser-0 Машинное обучение
Лектор: Константин Вячеславович Воронцов, старший научный сотрудник Вычисли...
B-teaser-0 Дискретный анализ и теория вероятностей
Обязательный курс первого семестра для отделения Computer Science. Препо...
Yury_lifshits Алгоритмы для Интернета
Лекции: - Построение суффиксного дерева (по Укконену) - Преобразование Бе...
Cscenter Сложность вычислений и основы криптографии
Курс знакомит со сложностью вероятностных вычислений и теоретическими основ...
Cscenter Математическая статистика
Лекция 0 «Обзор основных фактов теории вероятностей» Лекция 1 Выборка, ...
More from 'Coursera':
______________ Введение в биоинформатику (Introduction to Bioinformatics)
Курс «Введение в биоинформатику» адресован тем, кто хочет получить расширен...
Hk97 Моделирование биологических молекул на GPU (Biomolecular modeling on GPU)
Моделирование биологических молекул - одна из бурно развивающихся областей ...
Corporate-finance Основы корпоративных финансов (Fundamentals of Corporate Finance)
Мы рассмотрим принципы и модели финансового анализа компании, а также оценк...
Blue_logo_edited Электричество и магнетизм. Часть 1 (Electricity and Magnetism. Part 1)
Курс посвящен изучению базовых законов электростатики и магнитостатики. Что...
Financial-markets-and-institutions1 Финансовые рынки и институты (Financial Markets and Institutions)
Вы узнаете, как функционируют финансовые рынки и финансовые институты. Каки...

© 2013-2019