Временные ряды и их практическое применение

2026/2027

ID 1038786

Статус: Майнор

Кто читает: Департамент статистики и анализа данных

Где читается: Факультет экономических наук

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Звездина Наталья Валерьевна, Попков Никита Игоревич, Родионова Лилия Анатольевна

Язык: русский

Кредиты: 5

Контактные часы: 76

Дополнительные материалы в LMS Задать вопрос

Аннотация

Представленные в хронологической последовательности данные об объектах, или временные ряды, являются информационной базой для статистического прогнозирования. Методы прогнозной экстраполяции основаны на использовании свойства инерционности процессов и моделирования основной тенденции (тренда) и циклических изменений. Современные социально-экономические процессы все более утрачивают инерционность в силу "виртуализации" основных показателей, например, финансовых, и преобладающими моделями временных рядов становятся бестрендовые. Какую модель предпочесть и как рассчитать ее параметры, чтобы сделать прогноз на будущее? Какой прогноз: краткосрочный или долгосрочный, - можно сделать на основе построенной модели, и насколько он надежен? Ответы на эти и другие вопросы можно найти в процессе изучения предлагаемого курса, в ходе которого будут отработаны модели прогнозирования на основе реальных данных. Для моделирования и прогнозирования предполагается широкое использование передовых информационных технологий и прикладных программ. Также в процессе изучения курса Вы познакомитесь с теорией случайных процессов.

Цель освоения дисциплины

Целью освоения является формирование у студентов научного представления о методах, моделях и приемах, позволяющих получать количественные выражения закономерностям экономической теории на базе экономической статистики с использованием математико-статистического инструментария анализа временных рядов.
выработка у студентов навыков критического анализа различных источников информации о временных рядах
подготовка студента к решению профессиональных задач в области анализа временных рядов

Планируемые результаты обучения

Владеет понятийным аппаратом анализа временных рядов; имеет навыки обработки реальных статистических данных, применения пакетов прикладных программ для оценивания моделей временных рядов и построения прогнозов (например, ППП MS Excel, SPSS, STATA, R, Gretl, Python).
Использует цифровые инструменты и сервисы на основе искусственного интеллекта (ChatGPT, DeepSeek и др.) для автоматизации написания и отладки кода в соответствии с задачей курса в статистических пакетах (R, SPSS, Stata, Gretl, Python), а также для критической интерпретации результатов оценивания моделей и прогнозирования, полученных с применением таких инструментов.
Владеет понятийным аппаратом анализа временных рядов на основе моделей ARMA для прогнозирования экономических показателей.
Имеет представления и умеет использовать методы оценивания моделей ARIMA для прогнозирования экономических показателей, умеет применять тесты единичного корня.
Имеет представления и умеет использовать модели сезонных колебаний с фиктивными переменными, модели SARIMA, адаптивные сезонные модели временных рядов для прогнозирования экономических показателей, применять тесты на сезонные единичные корни.
Имеет представления и умеет использовать модели с авторегрессионной условной гетероскедастичностью для прогнозирования экономических показателей, идентифицировать ARCH-эффект.
Имеет представления и умеет использовать основные модели многомерных временных рядов: модели коинтеграции, моделей коррекции ошибками, авторегрессионной модели распределенных лагов, модели векторной авторегрессии для прогнозирования экономических показателей.
Имеет представления об особенностях статистического анализа временных рядов; основных принципах эконометрических моделей, умеет работать с ними и решать основные проблемы спецификации регрессионных моделей по временным рядам.