Econometrics (Advanced Level)

2021/2022

Academic Year

RUS

Instruction in Russian

5

ECTS credits

Delivered by:

Department of Applied Economics

Type:

Compulsory course

When:

1 year, 3, 4 module

Instructors

Peresetsky, Anatoly

Pogorelova, Polina

Программа дисциплины

Аннотация

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, обучающихся по магистерской программе “Стохастическое моделирование в экономике и финансах”.

Цель освоения дисциплины

• Целью данного курса является не только обучение студентов новым навыкам в работе с эконометрическим аппаратом и их применение к изучению текущих экономических реалий, но также изучение и обзор эконометрических методов, составляющих основу эконометрики как дисциплины. Программа курса включает в себя вывод базовых свойств основных эконометрических методов оценивания, исключая наиболее сложные аналитические доказательства. Изучение данных методов позволяет понять суть подходов, принятых в эконометрике. В курсе рассматриваются предположения, в соответствии с которыми возможно применение того или иного подхода. Кроме того, в ходе изучения курса студенты получают навыки, необходимые для прочтения и понимания эконометрических публикаций продвинутого уровня.

Планируемые результаты обучения

• Знать о влиянии включения/исключения наблюдений и объясняющих переменных на свойства МНК-оценок параметров регрессии., а также о последствиях неправильной спецификации модели регрессии. Уметь производить анализ остатков модели регрессии (тесты на нормальность, автокорреляцию и гетероскедастичность остатков).
• Знать определения различных типов сходимости. Уметь применять метод инструментальных переменных для получения оценок коэффициентов моделей регрессии со стохастическими параметрами.
• Знать основные понятия регрессивного анализа. Уметь применять метод моментов и метод наименьших квадратов для оценки коэффициентов модели регрессии. Знать свойства и геометрическую интерпретацию МНК-оценок коэффициентов регрессии. Знать критерии качества подгонки регрессионной модели к данным, а также их свойства.
• Знать теорему Гаусса-Маркова. Уметь строить линейные модели с линейными ограничениями на параметры. Уметь применять метод множителей Лагранжа для получения УМНК-оценок.
• Ознакомиться с одной из представленных на выбор тем по эконометрике с целью расширения кругозора в области эконометрического моделирования.
• Уметь использовать фиктивные переменные для построения моделей регрессии для разнородных данных. Уметь применять тест Чоу и дамми-переменные для выявления структурных сдвигов.
• Уметь применять метод максимального правдоподобия для получения оценок коэффициентов регрессии. Знать свойства ММП-оценок и их взаимосвязь с МНК-оценками. Уметь применять ассимптотические тесты в ММП (LR-тест, тест Вальда, LM-тест).
• Уметь применять профессиональные знания и умения на практике.
• Уметь строить модели с дискретной зависимой переменной (модели бинарного и множественного выбора, модели с урезанными и центрированными данными, Пуассоновская регрессия), а также знать как интерпретируются их коэффициенты.
• Уметь строить модели с фиксированным и случайным эффектом для панельных данных. Знать тест Хаусмана и тесты на наличие случайного/детерминированного индивидуального эффекта.
• Уметь строить нелинейные модели регрессии, а также оценивать их коэффициенты с помощью нелинейного МНК (НМНК) и ММП.

Содержание учебной дисциплины

• Тема 1. Понятие регрессии. Геометрическая интерпретация в линейной регрессии.
• Тема 2. Понятие классической линейной регрессии (CLR). МНК в предположении о нормальности
• Тема 3. Случайные регрессоры. Состоятельность оценок.
• Тема 4. Разнородность наблюдаемых объектов. Гетероскедастичность. Автокорреляция остатков.
• Тема 5. Диагностика в линейной модели. Ошибки спецификации в линейной регрессии. Критерии выбора модели.
• Тема 6. Оценки метода максимального правдоподобия (ML) и квазимаксимального правдоподобия (QML).
• Тема 7. Нелинейные модели регрессии.
• Тема 8. Понятие о моделях с дискретной зависимой переменной.
• Тема 9. Понятие о моделях с панельными данными.
• Тема 10. Другие вопросы эконометрики.

Элементы контроля

• Контрольная работа №1
• Контрольная работа №2
  Время выполнения - 2.5 часа. Проводится без прокторинга. Студентам будут разосланы задачи, они через указанное время должны загрузить pdf-файл с решениями.
• Домашние задания и самостоятельные работы
  Домашние задания являются еженедельными и принимаются только в бумажном виде (сканы) и в указанные сроки. В течение всего курса предусмотрены две самостоятельные работы.
• Проект (самостоятельное прикладное эконометрическое исследование)
  «Проект» принимается только в бумажном виде(сканы) и только в указанные сроки.
• Контрольная работа №1
• Контрольная работа №2
  Время выполнения - 2.5 часа. Проводится без прокторинга. Студентам будут разосланы задачи, они через указанное время должны загрузить pdf-файл с решениями.
• Домашние задания и самостоятельные работы
  Домашние задания являются еженедельными и принимаются только в бумажном виде (сканы) и в указанные сроки. В течение всего курса предусмотрены две самостоятельные работы.
• Проект (самостоятельное прикладное эконометрическое исследование)
  «Проект» принимается только в бумажном виде(сканы) и только в указанные сроки.

Промежуточная аттестация

• 2021/2022 учебный год 4 модуль
  0.1 * Контрольная работа №1 + 0.6 * Контрольная работа №2 + 0.1 * Домашние задания и самостоятельные работы + 0.2 * Проект (самостоятельное прикладное эконометрическое исследование)

Список литературы

Рекомендуемая основная литература

• A guide to modern econometrics, Verbeek, M., 2008
• Cameron, A. C., & Trivedi, P. K. (2005). Microeconometrics : Methods and Applications. New York, NY: Cambridge University Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=138992
• Wooldridge, J. M. (2002). Econometric Analysis of Cross Section and Panel Data. Cambridge, Mass: MIT Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=78079
• Сборник задач к начальному курсу эконометрики : учеб. пособие для вузов, Катышев, П. К., 2007
• Эконометрика. Начальный курс : учебник для вузов, Магнус, Я. Р., 2007

Рекомендуемая дополнительная литература

• Econometric theory and methods, Davidson, R., 2004

Авторы

• Погорелова Полина Вячеславовна
• Пересецкий Анатолий Абрамович