Эконометрика

Аспирантура 2025/2026

Статус: Курс обязательный

Кто читает: Школа финансов

Где читается: Факультет экономических наук

Когда читается: 1-й курс, 2 семестр

Охват аудитории: для своего кампуса

Преподаватели: Полякова Марина Васильевна

Язык: русский

Дополнительные материалы в LMS Задать вопрос

Аннотация

Настоящая программа учебной дисциплины устанавливает минимальные требования к знаниям и умениям аспиранта по направлению подготовки 38.06.01 «Экономика» и определяет содержание и виды учебных занятий и отчетности. Изучение данной дисциплины базируется на следующих базовых дисциплинах: • Линейная алгебра, • Математический анализ, • Теория вероятностей, • Математическая статистика. Основные положения дисциплины могут быть использованы в дальнейшем при изучении следующих дисциплин: • Микроэконометрика (продвинутый уровень) • Теория отраслевых рынков и конкурентная политика • Моделирование кредитных рейтингов • Современные исследования финансовых рынков • Современные исследования в корпоративных финансах, а также при написании эмпирической части диссертации.

Цель освоения дисциплины

• Получение аспирантами представления о теоретических основах эконометрики, основных эконометрических моделях и методах их оценивания, области их применения
• Освоение аспирантами статистических пакетов, позволяющих применить эконометрические методы к анализу реальных статистических данных
• Развитие навыков выбирать и применять методы исследования, адекватные предмету и задачам исследования - способности предложить эконометрическую модель, приближающую и объясняющую происходящие в обществе процессы, а также адекватный метод ее оценивания
• Развитие навыка выбирать необходимые для исследования статистические данные
• Развитие способности оценииать необходимые эконометрические модели по имеющимся статистическим данным с использованием современных статистических пакетов

Планируемые результаты обучения

Умеет выбирать регрессионную модель в зависимости от типа шкалы зависимой переменной;
Знать теоретическое обоснование основных эконометрических моделей и методов.
Иметь навыки (приобрести опыт) работы с модулями статистических пакетов Excel, Gretl и STATA , позволяющие применить эконометрические методы оценивания.
Уметь применять эконометрические методы оценивания при работе с реальными статистическими данными
знать базовые модели (логит и пробит) для качественных зависимых переменных
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).
Уметь построить модель панельных данных и описать её
Уметь строить модели с фиксированным и случайным эффектом для панельных данных. Знать тест Хаусмана и тесты на наличие случайного/детерминированного индивидуального эффекта.
Студент понимает, что из себя представляют панельные данные и знает об их преимуществах. Кроме того, студент знаком с такими понятиями, как: сбалансированная и несбалансированная панель, модель сквозной регрессии, модель с фиксированным эффектом (FE) и модель со случайным эффектом (RE). Также, студент способен применять знания о панельных данных на практике в статистической среде RStudio.
Умеет специфицировать и оценить регрессионную модель.
Понимает, что такое мультиколлинеарность и умеет проверять её наличие в модели
Выявление проблемы выбора "наилучшей" модели. Свойства, которыми должна обладать "хорошая" модель. Типы ошибок спецификации модели. Пропущенные и излишние переменные. Не-правильная функциональная форма модели. Смещение в оценках коэффициентов, вызыва-емое невключением существенных переменных. Ухудшение точности оценок (увеличение оценок дисперсий) при включении в модель излишних переменных. RESET тест Рамсея (Ramsey's RESET test) для проверки гипотезы о существовании упущенных переменных.
Включать в регрессионную модель переменные взаимодействия и интерпретировать коэффициенты переменных взаимодействия
знает модели бинарного выбора (линейную модель вероятности и ее недостатки, модель логит, модель пробит)
Знает методы анализа временных рядов;
Знать основные принципы регрессионного анализа панельных данных и уметь с ними работать
Уметь выявлять эндогенность, подбирать инструментальные переменные, тестировать валидность и релевантность инструментов
Построить линейную регрессионную модель и интерпретировать полученные результаты
Строить модель логит, интерпретировать коэффициенты
Знать основные понятия анализа одномерных временных рядов
Знать основные понятия анализа многомерных временных рядов
Умеет построить линейную регрессионную модель и интерпретировать полученные результаты
Умеет проверять гипотезы о коэффициентах и об адекватности модели регрессии в целом.
Знает подходы к построению моделей, линейных по параметрам.
Умеет использовать фиктивные переменные
Знает подходы к оценке моделей для данных с самоотбором выборки

Содержание учебной дисциплины

Основные понятия теории вероятностей
Множественная линейная регрессия
Проверка гипотез для коэффициентов множественной регрессии
Выбор функциональной формы модели
Ошибки спецификации модели
Гетероскедастичность. Обобщенный МНК
Эндогенность
Модели с ограниченными зависимыми переменными
Тобит-модели и модели Хекмана. Модели счетных данных
Модели панельных данных
Введение в теорию временных рядов. Одномерные модели временных рядов

Элементы контроля

Тест
Тест на 30 минут с открытыми и закрытыми вопросами
Самостоятельная работа - построение модели множественной регрессии
Работа должна быть выполнена к фиксированной дате. Опоздание влечет потерю 20% баллов.

Промежуточная аттестация

2025/2026 2nd semester
0.6 * Самостоятельная работа - построение модели множественной регрессии + 0.4 * Тест

Список литературы

Авторы

Полякова Марина Васильевна

Программа дисциплины