Эконометрика

Бакалавриат 2026/2027

Статус: Курс обязательный (Совместная программа по экономике НИУ ВШЭ и РЭШ)

Кто читает: Департамент прикладной экономики

Где читается: Факультет экономических наук

Когда читается: 3-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 6

Контактные часы: 96

Дополнительные материалы в LMS Задать вопрос

Аннотация

Это вводный курс по эконометрике для студентов Совместной программы по экономике НИУ ВШЭ и РЭШ. В ходе курса студенты научатся применять на практике эконометрические методы для дальнейшей самостоятельной прикладной работы. Приобретенные компетенции будут полезны студентам при работе над выпускной квалификационной работой в виде самостоятельного исследования. Пререквизитами для курса являются математический анализ и математическая статистика. Наличие навыков программирования будет большим плюсом.

Цель освоения дисциплины

The main objective of the course is to introduce the students to basic econometrics techniques and thus get them prepared for their own applied work.

Планируемые результаты обучения

1.1. Применять методологию эконометрического исследования. 1.2. Формулировать основные свойства оценок. 1.3. Формулировать необходимые понятия теории вероятностей и математической статистики
2.1. Оценивать параметры линейной регрессионной модели методом наименьших квадратов, использовать матричную форму модели и интерпретировать свойства и геометрический смысл МНК оценок.
2.2. Анализировать спецификацию и качество линейной регрессионной модели, включая роль свободного члена, вариацию зависимой переменной, коэффициент детерминации и скорректированный коэффициент детерминации.
2.3. Анализировать статистические свойства ошибок, остатков и оценок параметров классической линейной регрессии; применять теорему Гаусса-Маркова и оценивать дисперсию случайной ошибки.
2.4. Проводить статистический вывод в линейной регрессии: проверять гипотезы о коэффициентах регрессии с использованием t и F статистик, строить доверительные интервалы для параметров, дисперсии ошибки и прогнозных значений зависимой переменной.
3.1. Выбирать и обосновывать функциональную форму и спецификацию регрессионной модели с учетом характера исследуемых зависимостей и особенностей данных.
3.2. Применять и интерпретировать логарифмические и нелинейные спецификации регрессионных моделей, использовать фиктивные переменные и переменные взаимодействия для моделирования структурных различий.
3.3. Осуществлять выбор регрессоров и анализировать последствия ошибок спецификации, связанных с пропуском существенных и включением избыточных объясняющих переменных.
3.4. Выявлять и анализировать мультиколлинеарность, оценивать её влияние на свойства оценок параметров и результаты статистического вывода.
3.5. Проверять ограничения на параметры регрессионной модели и проводить диагностику её спецификации с использованием соответствующих статистических тестов.
4.1. Объяснять причины возникновения гетероскедастичности и анализировать её последствия для свойств оценок параметров регрессионной модели и статистического вывода.
4.2. Выявлять гетероскедастичность с использованием графических и статистических методов диагностики.
4.3. Применять устойчивые к гетероскедастичности стандартные ошибки для корректного статистического вывода.
4.4. Использовать взвешенный метод наименьших квадратов для оценивания регрессионных моделей при гетероскедастичности.
4.5. Применять обобщённый метод наименьших квадратов и обосновывать выбор метода оценивания с учётом структуры дисперсии случайной ошибки.
5.1. Анализировать основные источники эндогенности.
5.2. Обосновывать выбор инструментальных переменных и проверять условия их применимости.
5.3. Применять метод инструментальных переменных и двухшаговый метод наименьших квадратов (2SLS) для оценивания моделей с эндогенными регрессорами.
5.4. Выявлять проблему слабых инструментов, оценивать её последствия для свойств IV-оценок.
5.5. Проводить диагностику моделей с инструментальными переменными и содержательно интерпретировать полученные IV-оценки.
6.1. Объяснять особенности эконометрического моделирования зависимых переменных с ограниченной областью значений и ограничения применения линейной регрессии в таких задачах.
6.2. Применять метод максимального правдоподобия для оценивания параметров эконометрических моделей и интерпретировать полученные оценки.
6.3. Строить и сравнивать линейную вероятностную, logit- и probit-модели, оценивать вероятности наступления событий и интерпретировать предельные эффекты.
6.4. Выбирать подходящую модель для ограниченной зависимой переменной, оценивать качество модели.
7.1. Объяснять особенности структуры панельных данных и преимущества их использования для анализа экономических зависимостей.
7.2. Применять объединённый метод наименьших квадратов, модели фиксированных и случайных эффектов для оценивания регрессионных моделей на панельных данных.
7.3. Сравнивать модели фиксированных и случайных эффектов, обосновывать выбор подходящей спецификации и интерпретировать полученные оценки.
7.4. Применять модели двусторонних фиксированных эффектов для учёта ненаблюдаемых индивидуальных и временных факторов.
7.5. Использовать подход Мундлака
8.1. Выявлять автокорреляцию ошибок с использованием графических и статистических методов диагностики.
8.2. Оценивать влияние автокорреляции на стандартные ошибки, проверку статистических гипотез и доверительные интервалы.
8.3. Применять методы корректировки регрессионных моделей при наличии серийной корреляции ошибок.
8.4. Использовать устойчивые стандартные ошибки HAC для проведения корректного статистического вывода при наличии гетероскедастичности и автокорреляции.
9.1. Объяснять особенности динамических регрессионных моделей и роль лаговых значений зависимой и объясняющих переменных в моделировании экономических процессов.
9.2. Строить и оценивать модели распределённых лагов и ARDL-модели, обосновывать выбор их спецификации.
9.3. Различать и интерпретировать краткосрочные и долгосрочные эффекты в динамических регрессионных моделях.
9.4. Рассчитывать и интерпретировать динамические мультипликаторы и использовать динамические модели для прогнозирования.
10.1. Различать стационарные и нестационарные процессы.
10.2. Идентифицировать и оценивать модели AR, MA, ARMA и ARIMA с использованием автокорреляционной и частной автокорреляционной функций.
10.3. Выявлять наличие единичных корней и учитывать нестационарность временных рядов при выборе и спецификации модели.
10.4. Применять подход Бокса–Дженкинса.
10.5. Использовать модели временных рядов для прогнозирования, оценивать точность и качество полученных прогнозов.
11.1. Применять принципы построения и интерпретации моделей векторной авторегрессии (VAR).
11.2. Проверять причинность по Грейнджеру и интерпретировать результаты тестирования взаимосвязей между временными рядами.
11.3. Интерпретировать функции импульсного отклика.
11.4. Объяснять понятие коинтеграции и роль моделей коррекции ошибок в анализе долгосрочных и краткосрочных взаимосвязей между нестационарными временными рядами.

Содержание учебной дисциплины

Введение в эконометрику и повторение
Линейная регрессионная модель
Функциональная форма и спецификация модели
Гетероскедастичность
Эндогенность и инструментальные переменные
Модели с ограниченными зависимыми переменными
Методы анализа панельных данных
Автокорреляция
Динамические регрессионные модели
Одномерные временные ряды
Многомерные временные ряды

Элементы контроля

Домашнее задание 1
Домашнее задание 2
Домашнее задание 3
Контрольная работа
Контрольная работа по темам первого модуля.
Проект
Групповая работа с реальными данными с применением изученных в течении курса методов.
Итоговый Экзамен

Промежуточная аттестация

2026/2027 2nd module
0.05 * Домашнее задание 3 + 0.4 * Итоговый Экзамен + 0.2 * Проект + 0.25 * Контрольная работа + 0.05 * Домашнее задание 2 + 0.05 * Домашнее задание 1

Список литературы

Авторы

Ширшикова Алина Геннадьевна

Программа дисциплины