Econometrics

2024/2025

Academic Year

RUS

Instruction in Russian

5

ECTS credits

Delivered by:

Department of Applied Economics

Type:

Compulsory course

When:

3 year, 1-3 module

Instructors

Polyakov, Konstantin L.

Rozhkova, Ksenia

Urazbaeva, Alina

Программа дисциплины

Аннотация

Анализ данных на различных уровнях их формирования от макроэкономики до экономики фирмы и семейного хозяйства, с целью обнаружения скрытых закономерностей и связей, является одной из важнейших детерминант успешного развития современной отечественной и мировой экономики. В настоящее время и в обозримой перспективе инструментарий исследователя в этой области активно обогащается и будет обогащаться методами искусственного интеллекта, которые позволяют переложить решение части творческих задач на интеллектуальные системы. Освоение этих возможностей следует начинать на начальной стадии развития необходимых навыков у студентов. Целью дисциплины «Эконометрика» является — дать студентам научное представление о методах и моделях современной эконометрики, в частности, основанных на использовании искусственного интеллекта, которые позволяют получать количественные оценки различных закономерностей в экономике, а также прогнозировать социально-экономические процессы. Настоящая программа учебной дисциплины устанавливает минимальные требования к знаниям и умениям студента и определяет содержание и виды учебных занятий и отчетности. Программа предназначена для преподавателей, ведущих данную дисциплину, учебных ассистентов и студентов направления 38.03.01 "Экономика" подготовки бакалавра, изучающих дисциплину «Эконометрика».

Цель освоения дисциплины

•  Формирование у студентов навыков самостоятельной реализации элементарных проектов, связанных с управлением данными— организацией сбора и хранения данных, выбором данных по определенным критериям, содержащим несколько условий, модификацией данных, обменом данными между различными приложениями, интеграцией данных, полученных из различных источников.
•  Формирование у студентов навыков самостоятельной реализации элементарных проектов, связанных с современным анализом данных основанном на машинном/статистическом обучении с целью описания статистических взаимосвязей между различными показателями для организации планирования, управления и прогнозирования.
•  Ознакомление студентов с примерами использования методов искусственного интеллекта в анализе экономических данных, в частности в исследовании рынков и интеллектуальном анализе полученных данных.

Планируемые результаты обучения

• Умеет содержательно интерпретировать параметры моделей с панельными данными.
• Умеет анализировать качество данных, умеет обнаруживать статистические свойства данных.
• Знает методы обнаружения «единичных корней».
• Знает определение модели ARMA.
• Знает определение стационарности в широком смысле.
• Умеет определять наличие/отсутствие стационарности.
• Умеет построить модель ARMA.
• Умеет приводить ряд к стационарному виду.
• Умеет проверять гипотезы из прикладной области с помощью построенной МЛР на основе проверки статистических гипотез.
• Умеет выбирать релеватную спецификацию модели для анализа панельных данных, корректно интерпретирует результаты оценивания модели с фиксированными эффектами и модели со случайными эффектами
• Записывает уравнение регрессии, учитывающее панельный характер данных.
• Умеет оценивать параметры моделей с панельными данными
• Знать основные принципы регрессионного анализа панельных данных и уметь с ними работать
• Умеет строить модель долговременного и гармонического тренда временного ряда
• Знать основные задачи, решаемые с использованием статистического обучения.
• Знать основные проблемы, возникающие при использовании статистического обучения.
• Уметь выполнить иерархическую кластеризацию данных и интерпретировать полученные результаты
• Уметь выполнить кластеризацию к-средних с выбором оптимального числа кластеров. Уметь интерпретировать полученные результаты.
• Уметь выбрать количество и построить главные компоненты для заданного набора данных.
• Уметь дать интерпретацию главным компонентам.
• Знать понятия "выброс для линейной регрессии", "точка разбалансировки".
• Уметь диагностировать точки разбалансировки и выбросы для линейной регрессии.
• Уметь специфицировать и оценить модель логистической регрессии.
• Уметь оценить качество модели логистической регрессии
• Уметь построить регрессионное дерево
• Уметь построить дерево классификации

Содержание учебной дисциплины

• МИРЭК_1. Предварительный анализ данных
• ISL_2. Определение и задачи статистического обучения
• ISL_7. Обучение без учителя. Классификация
• МИРЭК_1-3 Обучение без учителя. Снижение размерности
• МИРЭК_1-4. Обучение без учителя. Обнаружение аномалий.
• ISL_4. Задача восстановления регрессии
• ISL_6. Обучение с учителем. Методы классификации. Модели конечного выбора.
• МИРЭК_1-7. Обучение с учителем. Классификация. Линейный дискриминантный анализ.
• ISL_5. Обучение с учителем. Деревья принятия решений.
• МИРЭК_1-9. Модели панельных данных
• МИРЭК_1-10. Моделирование сезонных и не сезоных явлений.
• МИРЭК_1-11. Определение и классификация временных рядов.
• МИРЭК_1-12. Модели нестационарных процессов.

Элементы контроля

• Работа на семинарах - 1
  Решение задач на семинарах.
• Экзамен - 1
• Работа на семинарах - 3
  Решение задач на семинарах
• Экзамен - 2
• Вопрос на лекции - 1
  Тест в конце каждой лекции по материалу текущей и предыдущей лекций.
• Вопрос на лекции - 2
  Тест в конце каждой лекции по материалу текущей и предыдущей лекций.
• Вопрос на лекции - 3
  Тест в конце каждой лекции по материалу текущей и предыдущей лекций.
• Работа на семинарах - 2
  Решение задач на семинарах

Промежуточная аттестация

• 2024/2025 1st module
  0.3 * Вопрос на лекции - 1 + 0.3 * Работа на семинарах - 1 + 0.4 * Экзамен - 1
• 2024/2025 3rd module
  0.1 * Вопрос на лекции - 2 + 0.1 * Вопрос на лекции - 3 + 0.3 * Работа на семинарах - 2 + 0.3 * Работа на семинарах - 3 + 0.2 * Экзамен - 2

Список литературы

Рекомендуемая основная литература

• The elements of statistical learning : data mining, inference, and prediction, Hastie, T., 2017
• Анализ временных рядов и прогнозирование : учебник для вузов, Афанасьев, В. Н., 2010
• Введение в эконометрический анализ панельных данных : учеб. пособие, Ратникова, Т. А., 2010
• Эконометрика : учеб. пособие для вузов, Айвазян, С. А., 2010
• Эконометрика. Начальный курс : учебник для вузов, Магнус, Я. Р., 2001
• Эконометрика. Начальный курс : учебник для вузов, Магнус, Я. Р., 2021

Рекомендуемая дополнительная литература

• Clustering for data mining : a data recovery approach, Mirkin, B., 2005
• Contrast data mining : concepts, algorithms, and applications, , 2013
• Data mining : practical machine learning tools and techniques, Witten, I. H., 2011
• Анализ временных рядов. Прогноз и управление. Вып.1: ., Бокс, Дж., 1974
• Анализ временных рядов. Прогноз и управление. Вып.2: ., Бокс, Дж., 1974
• Анализ панельных данных и данных о длительности состояний : учеб. пособие, Ратникова, Т. А., 2014
• Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP : учеб. пособие, Барсегян, А. А., 2008
• Эконометрика - 2: продвинутый курс с приложениями в финансах : учебник, Айвазян, С. А., 2015
• Эконометрика : учебник и практикум для прикладного бакалавриата, Демидова, О. А., 2017
• Эконометрика для начинающих : дополнительные главы, Носко, В. П., 2005
• Эконометрика для начинающих : Осн. понятия, элементарные методы, граница применимости, интерпретация результатов, Носко, В. П., 2000
• Эконометрика. Кн. 1: Ч. 1: Основные понятия, элементарные методы; Ч.2 : Регрессионный анализ временных рядов, Носко, В. П., 2011
• Эконометрика. Кн. 2: Ч. 3: Системы одновременных уравнений, панельные данные, модели с дискретными и ограниченными объ..., Носко, В. П., 2011

Авторы

• Поляков Константин Львович
• Кузнецова Елена Викторовна