“Análise de Dados e Econometria” - curso 34.000 rublos. da MSU, treinando 12 semanas. (3 meses), Data: 29 de novembro de 2023.

instagram viewer

Introdução

Você aprenderá o que é econometria e por que ela é necessária. Revise as aplicações da econometria na pesquisa aplicada e exemplos de questões que podem ser respondidas com ela. Aprenda quais tipos de dados são usados ​​na modelagem econométrica.

Eles lhe dirão o que é: regressão pareada, derivação de fórmulas para estimar coeficientes em regressão pareada, coeficiente R-quadrado, propriedades assintóticas de estimativas OLS, pré-requisitos para um modelo linear de estimativas pareadas regressões, testando a significância estatística de coeficientes, intervalos de confiança, homocedasticidade e heterocedasticidade, condições padrão consistentes com heterocedasticidade erros

2 Regressão múltipla

Motivação para usar regressão múltipla. Pressupostos de um modelo de regressão linear múltipla. Testar hipóteses e construir intervalos de confiança.

3 Multicolinearidade. Variáveis ​​fictícias

Multicolinearidade. Mudança e inclinação dummy (variáveis ​​binárias).

Transformação de variáveis ​​em modelos de regressão. Linear, logarítmica, semi-logarítmica e outras formas de dependência. Interpretação significativa dos coeficientes. Recomendações para apresentação de resultados de pesquisas econométricas.

4 Especificação da equação de regressão

Endogeneidade. Consequências da especificação incorreta do modelo de regressão. Variáveis ​​​​substitutas. Critérios para decidir se deve incluir uma variável no modelo. Testes de especificação.

5 Variáveis ​​instrumentais

Implicações de variáveis ​​explicativas correlacionadas e erros aleatórios. O problema da endogeneidade. Variáveis ​​instrumentais. Método dos mínimos quadrados em duas etapas.

6 Modelos de dados em painel

Vantagens dos modelos que utilizam dados em painel. Regressão completa simples (agrupada), modelo de efeitos fixos, modelo de efeitos aleatórios. Teste de seleção do tipo de modelo.

7 modelos de escolha binária

Modelo de probabilidade linear (LPM). Vantagens e desvantagens do LVM. Modelo logit, modelo probit. Estimação de parâmetros de modelos logit e probit. Interpretação de coeficientes em modelos logit e probit (cálculo de efeitos marginais). Estimativa da qualidade dos modelos logit e probit. Testando a significância dos coeficientes nos modelos logit e probit.

8 Previsão a partir de dados de série temporal

Série temporal. Definições e exemplos. Estacionaridade e não estacionariedade. Raízes unitárias. Processa AR(p), MA(q), ARMA(p, q). Caminhada aleatória. Processo integrado de ordem k. Processo ARIMA(p, k, q).

Teste de raiz unitária.

Avaliando modelos ARIMA. Procedimento de identificação do modelo. Previsão em modelos ARIMA.

Modelo de heterocedasticidade condicional autorregressiva (ARCH). Várias generalizações do modelo de heterocedasticidade condicional autoregressivo (GARCH e outros). Estimativa e previsão.

Modelos de defasagem distribuídos autorregressivos. Estimativa e previsão.