Econometrics (Advanced Level)

2021/2022

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.

Планируемые результаты обучения

• 1.1. Применять методологию эконометрического исследования на примере простой макроэкономической модели. 1.2. Воспроизводить основные разделы и методы эконометрики. 1.3. Формулировать необходимые понятия теории вероятностей и математической статистики
• 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.
• 2.1.2. Анализировать роль гипотезы о включении в регрессию свободного члена, вариацию зависимой переменной в регрессии, коэффициент множественной детерминации, свойства, коэффициент множественной детерминации, скорректированный на степени свободы.
• 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.
• 2.3. Владеть гипотезой о нормальном распределении случайной ошибки, законами распределения оценок регрессионных параметров, t-статистикой для оценок коэффициентов регрессии, доверительными интервалами для теоретических значений коэффициентов и прогнозного значения зависимой переменной, доверительными интервалами для дисперсии ошибки, F-статистикой для линейной комбинации коэффициентов. Применять статистическую проверку общей линейной гипотезы о коэффициентах регрессии.
• 2.4. Проверять гипотезу о наличии структурных изменений, тест Чоу. Использовать фиктивные переменные для учета структурных изменений.
• 3.1 Выявлять мультиколлинеарность. Анализировать внешние признаки, применять методы диагностики, методы устранения. Владеть методом главных компонент. 3.2. Выявлять ошибки спецификации. Различать виды ошибок спецификации и их последствия. Диагностировать ошибки спецификации. Выбирать «оптимальный» набор регрессоров и функциональную форму регрессионной зависимости.
• 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).
• 5.1. Владеть дискретными зависимыми переменными: номинальные, ранжированные, количественные. Анализировать модели бинарного выбора, Probit и Logit модели. Интерпретировать коэффициентов в моделях бинарного выбора. Анализировать предельные эффекты, критерии качества моделей, ошибки спецификации в моделях бинарного выбора. 5.2. Применять модели множественного выбора, упорядоченный и неупорядоченный выбор.
• 5.3. Анализировать модели с урезанными и цензурированными выборками, Tobit модель, модель Хекмана. Владеть примером Mroze: занятость женщин.. 5.4. Владеть регрессией с переключением (switch regression model). 5.5. Анализировать модели времени жизни: от чего зависит длительность пребывания в состоянии безработицы?
• 6.1. Анализировать неприменимость МНК в случае коррелированности регрессоров и случайной ошибки, автокорреляцию в динамических авторегрессионных моделях. Рассчитывать ошибки измерений переменных. Владеть одновременностью. Анализировать пропущенные регрессоры.
• 6.2. Владеть инструментальными переменными и методами их поиска. Анализировать пригодность и уместность инструментов. Применять тест Хаусмана, его интерпретировать. Применять тест Саргана. 6.3. Владеть дополнительным материалом: оценивание отдачи от образования.
• 7.1 Владеть понятием случайного (стохастического) процесса, временного ряда. Различать слабо и сильно стационарные случайные процессы. Анализировать характеристики случайных процессов (математическое ожидание, дисперсия, автоковариационная и автокорреляционная функции). Применять теорему Вольда. Владеть понятием оператора лага.
• 7.2 Анализировать стационарность случайных процессов. Владеть моделями скользящего среднего MA(q), условием обратимости, моделями авторегрессии AR(p), уравнением Юла-Уокера, условием стационарности, моделями авторегрессии-скользящего среднего ARMA (p,q). Анализировать автокорреляционную и частную автокорреляционную функции.
• 7.3 Оценивать коэффициенты авторегрессионных моделей. Оценивать коэффициенты процессов ARMA (р). Анализировать качество подгонки моделей временных рядов, информационные критерии Акаике (AIC) и Шварца (BIC). Применять подход Бокса-Дженкинса к идентификации моделей стационарных временных рядов. 7.4 Владеть многомерными временными рядами. Различать нестационарные ряды и кажущаеся регрессии. Владеть понятием коинтеграции.
• 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.
• 9.1 Владеть медианной регрессией и квантильной регрессией. 9.2 Анализировать пространственную корреляцию. Применять пространственные эконометрические модели. 9.3 Рассчитывать средний эффект воздействия ATE, средний эффект воздействия на подвергшихся воздействию. Анализировать смещение выборки из-за отбора. Оценивать средний эффект воздействия с помощью регрессии. Применять инструментальные переменные. Владеть мэтчингом, мерой склонности.

Содержание учебной дисциплины

• 1. Введение
• 2. Классическая линейная регрессионная модель
• 3. Регрессионный анализ при нарушении условий теоремы Гаусса-Маркова или предположения о нормальности
• 4. Оценка максимального правдоподобия
• 5. Модели с дискретными зависимыми переменными.
• 6. Проблема эндогенности
• 7. Анализ временных рядов
• 8. Модели анализа панельных данных.
• 9. Дополнительные главы

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.
• Активность на семинарах

Промежуточная аттестация

• 2021/2022 учебный год 1 модуль
  0.2 * Домашние задания №1 и №2 + 0.1 * Квизы + 0.7 * Контрольная по итогам 1-го модуля
• 2021/2022 учебный год 2 модуль
  0.1 * Контрольная по итогам 1-го модуля + 0.2 * Проект + 0.09 * Домашние задания №1 и №2 + 0.6 * Финальный письменный экзамен + 0.01 * Квизы

Список литературы

Рекомендуемая основная литература

• Christopher F Baum. (2006). An Introduction to Modern Econometrics using Stata. StataCorp LP. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsrep&AN=edsrep.b.tsj.spbook.imeus
• Kleiber, C., & Zeileis, A. (2008). Applied Econometrics with R. New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=275761
• Verbeek, M. (2017). A Guide to Modern Econometrics (Vol. 5th edition). Hoboken, NJ: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1639496
• 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

Авторы

• Семерикова Елена Вячеславовна
• Хабибуллин Рамис Арсланович