开始时间: 04/22/2022 持续时间: Unknown
所在平台: CourseraArchive 课程类别: 经济与金融 大学或机构: Higher School of Economics 授课老师: Boris Demeshev |
课程主页: https://www.coursera.org/course/econometrics
课程评论:没有评论
Эконометрика – наука, позволяющая исследовать закономерности в реальных данных. К концу курса мы научимся отвечать на два вопроса. Как одна переменная, y, зависит от другой переменной, x? Как спрогнозировать переменную y?
Мы будем подробно изучать линейные регрессионные модели, рассмотрим наиболее частые отклонения от предпосылок классической линейной регрессии. Изучим базовые модели (логит и пробит) для качественных зависимых переменных. Наряду с теоретической основой мы будем работать с реальными данными, используя статистический пакет R.
Econometrics is the science that enables to discover and analyze patterns in data. At the end of the course we will be able to answer two major questions. How can one variable, x, influence another one, y? How can we predict values of y?
We will study in details the linear regression and we will consider the most probable departures from assumptions of the classical liner model. The basic non-linear models for binary dependent variables (logit and probit) will also be covered. We will not only study theoretical concepts, but work with real data with the help of statistical package R as well.Неделя 1: Метод наименьших квадратов. Множественная регрессия. Ошибка прогноза. Сумма квадратов остатков. Общая сумма квадратов. Объясненная сумма квадратов. Коэффициент детерминации. Введение в R. Установка пакетов. Описательные статистики. Простейшие графики.
Неделя 2: Геометрический смысл метода наименьших квадратов. Условное математическое ожидание. Статистические предположения. Стандартные ошибки коэффициентов. Проверка гипотез. Доверительные интервалы для коэффициентов. Точное P-значение. Прогнозирование.
Неделя 3: Статистические свойства оценок. Теорема Гаусса-Маркова. Ограниченная и неограниченная модель. Проверка гипотезы о значимости регрессии в целом. Проверка гипотез о линейных ограничениях. Дамми-переменные.
Неделя 4: Мультиколлинеарность. Коэффициент вздутия дисперсии. Регуляризация. Метод LASSO. Ridge-регрессия. Метод эластичной сети. Выбросы. Метод главных компонент. Оформление документов с использованием R.
Неделя 5: Гетероскедастичность. Определение. Последствия. Методы устранения. Стандартные ошибки, робастные к гетероскедастичности. Предварительная обработка данных.
Неделя 6: Автокорреляция. Определение. Последствия. Методы устранения. Стандартные ошибки, робастные к автокорреляции. Особенности работы с временными рядами.
Неделя 7: Метод максимального правдоподобия. Свойства оценок максимального правдоподобия. Информационная матрица. Модели бинарного выбора: логит и пробит-модели. Предельные эффекты.
Неделя 8: Стационарные и нестационарные временные ряды. Процессы авторегрессии и скользящего среднего (ARMA). Корни характеристического уравнения. Автокорреляционная и частная автокорреляционная функция. Понятие единичного корня.
Неделя 9: Причинность и статистическая взаимосвязь. Понятие эндогенности. Основные причины эндогенности. Метод инструментальных переменных. Двухшаговый метод наименьших квадратов.
Неделя 10: Несколько нестандартных сюжетов. Метод наименьших абсолютных отклонений. Квантильная регрессия. Алгоритм случайного леса. Байесовский подход. Априорное и апостериорное распределение. Регрессия пик-плато.
Мы будем учиться находить зависимости в реальных данных, оценивать их, визуализировать, интерпретировать и использовать их для прогнозирования.