Econometrics (Advanced Level)

2020/2021

Academic Year

RUS

Instruction in Russian

6

ECTS credits

Delivered by:

Department of Applied Economics

Type:

Compulsory course

When:

1 year, 1, 2 module

Instructors

Semerikova, Elena V.

Khabibullin, Ramis A.

Программа дисциплины

Аннотация

Эконометрика - наука, изучающая количественные и качественные экономические взаимосвязи с помощью математических и статистических методов и моделей. Мы будем подробно изучать линейные регрессионные модели, рассмотрим наиболее частые отклонения от предпосылок классической линейной регрессии, изучим метод максимального правдоподобия, погрузимся в базовый анализ временных рядов и панельных данных. А также изучим базовые модели (logit и probit) для качественных зависимых переменных. Наряду с теоретической основой мы будем работать с реальными данными, используя статистический пакет STATA.

Цель освоения дисциплины

• Сформировать представление о теоретических основах современных эконометрических методов анализа данных
• Продемонстрировать широкий спектр инструментов анализа данных, описывающих экономические процессы
• Ознакомить с наиболее важными эконометрическими подходами
• Сформировать навык корректного использования инструментов на практике при работе со специализированной эконометрической программой STATA.

Содержание учебной дисциплины

• 1. Введение
  1.1. Методология эконометрического исследования на примере простой макроэкономической модели. 1.2. Обзор основных разделов и методов эконометрики. 1.3. Повторение теории вероятностей и математической статистики
• 2. Классическая линейная регрессионная модель
  Оценивание параметров линейной регрессионной модели. Преимущества и недостатки различных методов оценивания. Метод наименьших квадратов (МНК). Матричная система обозначений. Операторы-проекторы и их свойства. Геометрическая интерпретация МНК. Свойства оценок метода наименьших квадратов при отсутствии предположения о случайном характере ошибок. Роль гипотезы о включении в регрессию свободного члена. Анализ вариации зависимой переменной в регрессии. Коэффициент множественной детерминации и его свойства. Коэффициент множественной детерминации, скорректированный на степени свободы. 2.2. Классическая линейная регрессия в предположении о случайном характере ошибок. Статистические характеристики ошибок, остатков, МНК-оценок параметров. Теорема Гаусса-Маркова. Несмещенная оценка дисперсии ошибок. 2.3. Гипотеза о нормальном распределении случайной ошибки. Законы распределения оценок регрессионных параметров. t-статистика для оценок коэффициентов регрессии, доверительные интервалы для теоретических значений коэффициентов и прогнозного значения зависимой переменной, доверительный интервал для дисперсии ошибки. F-статистика для линейной комбинации коэффициентов. Статистическая проверка общей линейной гипотезы о коэффициентах регрессии. 2.4. Проверка гипотезы о наличии структурных изменений. Тест Чоу. Использование фиктивных переменных для учета структурных изменений.
• 3. Регрессионный анализ при нарушении условий теоремы Гаусса-Маркова или предположения о нормальности
  3.1 Мультиколлинеарность. Внешние признаки, методы диагностики, методы устранения. Метод главных компонент. 3.2. Ошибки спецификации. Виды ошибок спецификации и их последствия. Диагностика ошибок спецификации. Выбор «оптимального» набора регрессоров и функциональной формы регрессионной зависимости. 3.3. Гетероскедастичность случайного возмущения и ее причины. Внешние признаки, методы диагностики. Свойства оценок МНК при наличии гетероскедастичности. Оценивание моделей с гетероскедастичными ошибками. Взвешенный метод наименьших квадратов. Доступный обобщенный метод наименьших квадратов. 3.4. Автокорреляция в линейных моделях. Внешние признаки, тесты.
• 4. Оценка максимального правдоподобия
  4.1. Оценка максимального правдоподобия (ML). Концепция, общие свойства оценок ML. 4.2. Оценка максимального правдоподобия параметров линейной регрессионной модели. Критерии для тестирования гипотез в линейной модели. Тесты Вальда (W), множителей Лагранжа (LM), отношения правдоподобия (LR) для тестирования общих ограничений в классической регрессионной модели. QML, понятие об обобщенном методе моментов (GMM).
• 5. Модели с дискретными зависимыми переменными.
  5.1. Дискретные зависимые переменные: номинальные, ранжированные, количественные. Модели бинарного выбора. Probit и Logit модели. Интерпретация коэффициентов в моделях бинарного выбора. Предельные эффекты. Критерии качества моделей. Ошибки спецификации в моделях бинарного выбора. 5.2. Модели множественного выбора. Упорядоченный и неупорядоченный выбор. 5.3. Модели с урезанными и цензурированными выборками. Tobit модель. Модель Хекмана. Пример Mroze: занятость женщин.. 5.4. Регрессия с переключением (switch regression model). 5.5. Модели времени жизни: от чего зависит длительность пребывания в состоянии безработицы?
• 6. Проблема эндогенности
  6.1. Неприменимость МНК в случае коррелированности регрессоров и случайной ошибки. Автокорреляция в динамических авторегрессионных моделях. Ошибки измерений переменных. Одновременность. Пропущенные регрессоры. 6.2. Инструментальные переменные. Где искать инструменты? Пригодность и уместность инструментов. Тест Хаусмана, его интерпретация. Тест Саргана. 6.3. Приложение: оценивание отдачи от образования.
• 7. Анализ временных рядов
  7.1 Понятие случайного (стохастического) процесса. Временной ряд, как дискретный случайный процесс. Слабо и сильно стационарные случайные процессы. Характеристики случайных процессов (математическое ожидание, дисперсия, автоковариационная и автокорреляционная функции). Теорема Вольда. Оператор лага. 7.2 Стационарность случайных процессов. Модели скользящего среднего MA(q). Условие обратимости. Модели авторегрессии AR(p). Уравнения Юла-Уокера. Условие стационарности. Модели авторегрессии-скользящего среднего ARMA (p,q). Автокорреляционная и частная автокорреляционная функции. 7.3 Оценивание коэффициентов авторегрессионных моделей. Оценивание коэффициентов процессов ARMA (р). Качество подгонки моделей временных рядов. Информационные критерии Акаике (AIC) и Шварца (BIC). Подход Бокса-Дженкинса к идентификации моделей стационарных временных рядов. 7.4 Многомерные временные ряды. Нестационарные ряды и кажущаяся регрессия. Понятие коинтеграции.
• 8. Модели анализа панельных данных.
  8.1. Преимущества использования панельных данных. Трудности, возникающие при работе с панельными данными. 8.2. Понятие о модели однокомпонентной ошибки или модели со специфическим индивидуальным эффектом. Спецификация модели. Детерминированный и случайный индивидуальный эффект. Операторы «Between» и «Within». Виды оценок. Сравнительный анализ оценок. 8.3. Тестирование спецификации в моделях панельных данных. Тест Хаусмана. Тест на наличие случайного индивидуального эффекта. Тест на наличие детерминированного индивидуального эффекта.
• 9. Дополнительные главы
  9.1 Медианная регрессия и квантильная регрессия. 9.2 Пространственная корреляция. Пространственные эконометрические модели. 9.3 Средний эффект воздействия ATE. Средний эффект воздействия на подвергшихся воздействию. Смещение выборки из-за отбора. Оценка среднего эффекта воздействия с помощью регрессии. Инструментальные переменные. Мэтчинг. Мера склонности.

Элементы контроля

• Домашние задания №1 и №2
  Составляют 5% от итоговой оценки.
• Квизы
  Представляют собой письменные опросы на лекциях продолжительностью 15 минут. Составляют 5% от итоговой оценки.
• Проект
  Большое домашнее задание, выполняемое на реальных данных. Составляет 20% от итоговой оценки.
• Контрольная по итогам 1-го модуля
  Составляет 10% от итоговой отметки.
• Финальный письменный экзамен
  Составляет 60% итоговой отметки. Экзамен проводится в дистанционном формате
• Активность на семинарах
  К итоговой сумме добавляются баллы за активность на семинарах (т.е. теоретически итоговая оценка может быть более 100 баллов).
• Домашние задания №1 и №2
  Составляют 5% от итоговой оценки.
• Квизы
  Представляют собой письменные опросы на лекциях продолжительностью 15 минут. Составляют 5% от итоговой оценки.
• Проект
  Большое домашнее задание, выполняемое на реальных данных. Составляет 20% от итоговой оценки.
• Контрольная по итогам 1-го модуля
  Составляет 10% от итоговой отметки.
• Финальный письменный экзамен
  Составляет 60% итоговой отметки.
• Активность на семинарах
  К итоговой сумме добавляются баллы за активность на семинарах (т.е. теоретически итоговая оценка может быть более 100 баллов).

Промежуточная аттестация

• Промежуточная аттестация (1 модуль)
• Промежуточная аттестация (2 модуль)
  0.09 * Домашние задания №1 и №2 + 0.01 * Квизы + 0.1 * Контрольная по итогам 1-го модуля + 0.2 * Проект + 0.6 * Финальный письменный экзамен

Список литературы

Рекомендуемая основная литература

• Эконометрика. Начальный курс, учебное пособие, АНХ при Правит. РФ, 2-е изд., испр., 248 с., Магнус, Я. Р., Катышев, П. К., Пересецкий, А. А., 1998

Рекомендуемая дополнительная литература

• Эконометрика. Применение пакета STATA : учеб. и практикум для вузов, Баум К.Ф., Айвазян С.А., 2018