“Análisis de datos y econometría” - curso 34.000 rublos. de MSU, entrenando 12 semanas. (3 meses), Fecha: 29 de noviembre de 2023.
Miscelánea / / December 01, 2023
El objetivo principal es presentar a los estudiantes los métodos de análisis econométrico utilizados en los negocios y la investigación moderna. El programa le ayudará a comprender mejor cómo aplicar métodos econométricos para resolver problemas aplicados en negocios, lo que escriben en artículos científicos, así como realizar sus propias investigaciones econométricas.
El objetivo principal es presentar a los estudiantes los métodos de análisis econométrico utilizados en los negocios y la investigación moderna.
El programa le ayudará a comprender mejor cómo aplicar métodos econométricos para resolver problemas aplicados en negocios, lo que escriben en artículos científicos, así como realizar sus propias investigaciones econométricas.
¿Para quién es este programa?
Para todos los que se enfrentan a la necesidad de identificar relaciones de causa y efecto y realizar pronósticos basados en datos estadísticos.
No requiere requisitos estrictos de preparación matemática. El conocimiento de los conceptos básicos de la teoría de la probabilidad y la estadística matemática será útil, pero no obligatorio.
¿Qué te aportará dominar este programa?
Aprenda a recopilar y preparar información, así como a realizar análisis preliminares de datos;
Aprenda a formular hipótesis económicas en términos de modelos econométricos;
Podrás realizar cálculos econométricos utilizando software econométrico para probar tus hipótesis sobre los datos analizados.
Podrás evaluar la calidad de los modelos econométricos resultantes;
Ser capaz de interpretar correctamente los resultados de la modelización econométrica.
Documentos al finalizar el programa: Certificado de formación avanzada.
Duración
3 meses, 72 horas
forma de estudio: correspondencia utilizando tecnologías a distancia
Introducción
Aprenderá qué es la econometría y por qué es necesaria. Revisar las aplicaciones de la econometría en la investigación aplicada y ejemplos de preguntas que se pueden responder usándola. Aprenda qué tipos de datos se utilizan en los modelos econométricos.
Le dirán qué es: regresión pareada, derivación de fórmulas para estimar coeficientes en regresión pareada, coeficiente R cuadrado, propiedades asintóticas de las estimaciones MCO, requisitos previos para un modelo lineal de regresión pareada. regresiones, prueba de significancia estadística de coeficientes, intervalos de confianza, homocedasticidad y heterocedasticidad, condiciones estándar consistentes con heterocedasticidad errores
2 Regresión múltiple
Motivación para utilizar la regresión múltiple. Supuestos de un modelo de regresión lineal múltiple. Probar hipótesis y construir intervalos de confianza.
3 Multicolinealidad. Variables ficticias
Multicolinealidad. Desplazamiento y pendiente ficticios (variables binarias).
Transformación de variables en modelos de regresión. Dependencia lineal, logarítmica, semilogarítmica y otras formas. Interpretación significativa de los coeficientes. Recomendaciones para la presentación de resultados de investigaciones econométricas.
4 Especificación de la ecuación de regresión
Endogeneidad. Consecuencias de la especificación errónea del modelo de regresión. Sustituir variables. Criterios para decidir si se incluye una variable en el modelo. Pruebas de especificación.
5 variables instrumentales
Implicaciones de variables explicativas correlacionadas y errores aleatorios. El problema de la endogeneidad. Variables instrumentales. Método de mínimos cuadrados en dos pasos.
6 modelos de datos de panel
Ventajas de los modelos que utilizan datos de panel. Regresión completa simple (agrupada), modelo de efectos fijos, modelo de efectos aleatorios. Prueba de selección de tipo de modelo.
7 modelos de elección binaria
Modelo de probabilidad lineal (LPM). Ventajas y desventajas de LVM. Modelo logit, modelo probit. Estimación de parámetros de modelos logit y probit. Interpretación de coeficientes en modelos logit y probit (cálculo de efectos marginales). Estimación de la calidad de modelos logit y probit. Prueba de la importancia de los coeficientes en modelos logit y probit.
8 Pronósticos a partir de datos de series temporales
Series de tiempo. Definiciones y ejemplos. Estacionariedad y no estacionariedad. Raíces unitarias. Procesa AR(p), MA(q), ARMA(p, q). Caminata aleatoria. Proceso integrado de orden k. Proceso ARIMA(p, k,q).
Pruebas de raíz unitaria.
Evaluación de modelos ARIMA. Procedimiento de identificación del modelo. Previsión en modelos ARIMA.
Modelo de heterocedasticidad condicional autorregresiva (ARCH). Varias generalizaciones del modelo de heterocedasticidad condicional autorregresiva (GARCH y otros). Estimación y previsión.
Modelos de retardo distribuido autorregresivos. Estimación y previsión.
El curso introduce a los estudiantes a la lógica matemática, sus métodos, teoremas y aplicaciones. Durante el curso, los estudiantes podrán aprender sobre varios sistemas lógicos: lógica clásica, lógica intuicionista, diversas lógicas modales, así como la lógica de predicados clásica y las teorías construidas basado en ello.
4,2
gratis