Реферат: Программа дисциплины " Эконометрика-2" для направления

Национальный исследовательский университет

Высшая школа экономики

Факультет экономики

Отделение статистики, анализа данных и демографии


Программа дисциплины

”Эконометрика-2”


для направления 080100.62 Экономика: Отделение статистики, анализа данных и демографии - магистратура


Авторы – профессор, к.т.н. В.П.Сиротин

профессор, д.ф.-м.н. В.Д.Конаков


Рекомендована секцией УМС Одобрена на заседании кафедры
_____________________________ статистических методов

Председатель Зав. кафедрой

_____________________________ ____________________В.С. Мхитарян

«_____» __________________ 20 г. «____»_____________________ 20 10 г. г


Утверждена УС факультета

_________________________________

Ученый секретарь

_________________________________

« ____» ___________________20 г.

Москва 2010



^ Описание курса

Курс рассчитан на студентов магистратуры, обучающихся по программе «Статистические методы анализа экономических и социальных программ»

^ Цель преподавания курса – обучение студентов методам построения эконометрических моделей и интерпретации получаемых результатов, обеспечение возможности совершенствования знаний в области современных направлений развития эконометрики и практики ее применения.

Задачи курса - изучение студентами традиционных и современных подходов к построению эконометрических моделей и методов их реализации, анализ условий применения различных методов в решении задач анализа экономических и социальных процессов, выработка умений и навыков эконометрического моделирования и содержательного анализа его результатов.

^ Основные требования к студентам, приступающим к изучению курса: знание основ теория вероятностей, математической статистики, математического анализа, линейной алгебры, методов оптимальных решений, экономической статистики и эконометрики.

В процессе изучения курса предусматривается чтение лекций по темам и проведение практических занятий в компьютерных классов с использованием прикладных программ Microsoft Excel, SPSS, STATISTICA, EViews, STATA. Для контроля знаний студентов и выработки у них навыков проведения эконометрических исследований предусмотрены домашние задания и рефераты.

^ Тематический план учебной дисциплины

№

Тема

Всего часов

Аудиторные часы

Самосто-

ятельная работа

Формы

текущего контроля

Лекции

Практические занятия

1

Методология эконометрического исследования

10

2




8




2

Классическая линейная модель регрессии

38

6

8

24




3

Линейный регрессионный анализ при нарушении условий теоремы Гаусса-Маркова

60

8

12

40




4

Типологическая регрессия. Регрессионные модели с переменной структурой

28

4

4

20




5

Нелинейные регрессионные модели

28

4

4

20

Домашнее задание №1

6

Непараметрическая регрессия

28

4

4

20




7

Одномерные модели временных рядов

58

12

10

36

Реферат №1




Итого по разделу I

216

36

36

144

Экзамен

8

Многомерные модели временных рядов

72

12

12

48

Контрольная работа №1

9

Оценивание параметров линейной модели в условиях эндогенности. Обобщенный метод моментов

36

8

4

24

Домашнее задание №2

10

Модели анализа панельных данных

60

8

12

40

Контрольная работа №2

11

Системы одновременных уравнений

48

8

8

32







Итого 1-2 модуль (4-й курс)

216

36

36

144

Экзамен







432

72

72

288





Базовые учебники

Айвазян С.А., Методы эконометрики: учебник– М.: Магистр: ИНФРА-М, 2010.- 512с.

Вербик Марно Путеводитель по современной эконометрике. – М.: Научная книга, 2008.

Берндт Э.Р. Практика эконометрики. – М.: ЮНИТИ-ДАНА, 2005.

Greene W.H. Econometric Analysis. Prentice Hall, 5th edition, 2003.

Мхитарян В.С., Архипова М.Ю., Дуброва Т.А., Сиротин В.П. и др. Эконометрика: Учебник / под ред. д.э.н., проф. В.С.Мхитаряна. – М.: Проспект, 2010.

A. Tsybakov. Introduction to Nonparametric Estimation. Springer. 2009.

Формы контроля

Итоговая оценка по учебной дисциплине складывается из следующих элементов:

№

Наименование элемента

Обозначение

1

Активность работы на лекциях и семинарах

А

2

Аудиторные контрольные работы

К

3

Домашние контрольные работы (по всем темам)

D

4

Экзамен

Э

Каждая форма контроля оценивается по 10-балльной шкале. Итоговая оценка ^ Z складывается из оценки А за активность на занятиях (10%), К - за аудиторные контрольные работы (10%), D - за домашние задания и рефераты (20 %+20%=40%) и оценки за экзамен Э (40 %).

Экзаменационный билет состоит из двух теоретических вопросов и двух задач. За экзамен отличная оценка может быть поставлена только при условии полного ответа на все 4 вопроса, свободного владения теоретическим материалом и практическими навыками. Хорошая оценка может быть поставлена только при условии хороших ответов, по крайней мере, на 3 из 4 экзаменационных вопросов, твердого знания основ курса. Удовлетворительная оценка ставится при правильных ответах на половину экзаменационных вопросов, при этом обязательны ответ на один теоретический вопрос и решение одной задачи.

Итоговая оценка вычисляется по формуле:

.

Результат округляется до целых единиц по правилам математики. Итоговая оценка выставляется в 5-балльной и 10-балльной системах в ведомость и зачетную книжку студента. Перевод в 5-балльную систему из 10-балльной системы осуществляется согласно следующему правилу:

0 ≤ ^ Z ≤ 3 неудовлетворительно,

4 ≤ Z ≤ 5 удовлетворительно,

6 ≤ Z ≤ 7 хорошо,

8 ≤ Z ≤ 10 отлично.

Содержание программы

Тема 1. Методология эконометрического исследования

Методология эконометрического исследования. Этапы создания эконометрических моделей. Информационные технологии, используемые в эконометрике.

^ Тема 2. Классическая линейная модель регрессии

Оценивание параметров линейной модели методом наименьших квадратов. Теорема Гаусса-Маркова. Анализ регрессионных остатков. Построение регрессионной модели в условиях мультиколлинеарности регрессоров.

^ Тема 3. Линейный регрессионный анализ при нарушении условий теоремы Гаусса-Маркова

Обобщенная линейная модель множественной регрессии. Применение метода наименьших квадратов для идентификации обобщенной регрессионной модели, ошибки в форме Уайта и в форме Невье-Веста. Обобщенный метод наименьших квадратов. Линейная модель регрессии с гетероскедастичными остатками. Тестирование гетероскедастичности. Линейная модель регрессии с автокоррелированными остатками. Оценка параметров модели с автокоррелированными остатками: процедура Кохрейна-Оркатта.

^ Тема 4. Типологическая регрессия. Линейные регрессионные модели с переменной структурой

Проблема неоднородности данных в регрессионном анализе. Типологизация объектов. Типологическая регрессия. Регрессионные модели с фиктивными переменными. Проверка гипотезы о регрессионной однородности двух групп наблюдений: критерий Чоу. Построение линейных регрессионных моделей по неоднородным данным. Линейные регрессионные модели с переменной структурой.

^ Тема 5. Нелинейные регрессионные модели

Классификация нелинейных регрессионных моделей. Линеаризация нелинейных моделей. Методы нелинейной оптимизации. Подбор линеаризующего преобразования (подход Бокса-Кокса). Модель с постоянными темпами роста (полулогарифмическая шкала). Полиномиальная регрессия. Идентификация производственной функции Кобба-Дугласа. Линейная модель вероятности. Модели бинарного выбора: логит-модель, пробит-модель. Оценивание параметров моделей бинарного выбора.


^ Тема 6. Непараметрическая регрессия

Оценка Надарая - Ватсона. Непараметрическая регрессия со случайными регрессорами. Непараметрическая регрессия с неслучайными регрессорами. Класс весовых непараметрических линейных оценок регрессии как обобщение оценок типа Надарая - Ватсона. Свойства оценок. Локально-полиномиальные оценки регрессии . Определение локально-полиномиальных оценок регрессии и их свойства.

^ Тема 7. Одномерные модели временных рядов

Временной ряд: основные понятия и определения. Компонентный анализ временного ряда. Тренд-сезонные модели временных рядов. Адаптивные модели временных рядов. Проверка временного ряда на стационарность: анализ автокорреляционной функции, анализ частной автокорреляционной функции, статистики Дики-Фуллера. Модели стационарных временных рядов (ARMA). Методология Бокса-Дженкинса (ARIMA-модели).

^ Тема 8. Многомерные модели временных рядов

Многомерные ARMA модели. Введение векторные авторегрессионные модели. Модель VAR (p). Переход от VAR (p) к VAR (1). Условия стационарности. Векторное представление MA(∞). Многомерный процесс белого шума. Основные многомерные ARMA модели. Модель AR (1) и её обобщения. Операторы лага, матрица полиномов от операторов лага. Обращение многомерных ARMA моделей. Многомерные авто- и кросс - корреляции. Автоковариационная матрица и её свойства. Кросс-ковариации. Автокорреляционные матрицы. Автоковариационная производящая функция для векторных процессов (случай MA и AR процессов). Преобразования векторных процессов. Оценивание, прогнозирование и проверка гипотез для моделей VAR. Импульсные функции отклика и их свойства. Условная функция правдоподобия для векторной авторегрессии. ОМП для параметров модели. Тест отношения правдоподобия. Асимптотические распределения ОМП. Задачи прогнозирования для векторных AR (1) моделей. Дисперсии ошибок прогноза. Вложение произвольного процесса в векторный AR(1) процесс. Пример: вложение ARMA (2,1) в трёхмерную модель AR (1). Импульсные функции отклика и их свойства.


^ Тема 9. Оценивание параметров линейной модели в условиях эндогенности. Обобщенный метод моментов

Динамические модели со стационарными переменными. Авторегрессионная модель с распределенными лагами. Модели с нестационарными переменными. Понятие о коинтеграции временных рядов.

^ Тема 10. Модели анализа панельных данных

Понятие о регрессионных моделях по панельным данным. Модели с фиксированными и случайными эффектами. Динамические модели со стационарными переменными. Авторегрессионная модель с распределенными лагами. Модели с нестационарными переменными. Понятие о коинтеграции временных рядов.

^ Тема 11. Системы регрессионных уравнений

Классификация переменных в системах регрессионных уравнений. Виды систем: системы внешне не связанных уравнений, рекурсивные системы, системы одновременных уравнений (СОУ). Формы систем регрессионных уравнений: структурная и приведенная форма. Необходимые и достаточные условия идентифицируемости СОУ. Оценивание параметров систем регрессионных уравнений.

Основная литература

Айвазян С.А., Методы эконометрики: учебник– М.: Магистр: ИНФРА-М, 2010.- 512с.

Мхитарян В.С., Архипова М.Ю., Дуброва Т.А., Сиротин В.П. и др. Эконометрика: Учебник / под ред. д.э.н., проф. В.С.Мхитаряна. – М.: Проспект, 2010.

A. Tsybakov. Introduction to Nonparametric Estimation. Springer. 2009

J. D. Hamilton. Time series analysis. Princeton. 1994

J.H. Cochrane. Time series for Macroeconomics and Finance. Preprint. University of Chicago, 2005

Дополнительная литература:

Айвазян С.А., Основы эконометрики. Учебник для вузов. – М.: ЮНИТИ-ДАНА, 2001- 432с.

Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики. Учебник для вузов. – М.: ЮНИТИ, 1998.- 1022с.

Доугерти К., Введение в эконометрику: Пер. с англ.-М.: ЮНИТИ-М, 1997-402с.

Вербик М., Путеводитель по современной эконометрике. Пер. с. англ.-М.: Научная книга, 2008.-616с.

Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс: учебник.-М.: Дело, 2005. - 504 с.

Берндт Э.Р. Практика эконометрики: классика и современность: учебник.- М.: ЮНИТИ-ДАНА, 2005. – 863 с.

Айвазян С.А., Мхитарян В.С. Теория вероятностей и прикладная статистика. Учебник для вузов. – М.: ЮНИТИ-ДАНА, 2001.- 656с.

Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: исследование зависимостей. – М.: Финансы и статистика, 1985.

Айвазян С. А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Д. Прикладная статистика: Классификация и снижение размерности. - М: Финансы и статистика, 1989, 607 с.

М.Дж. Кендалл, А. Стюарт. Многомерный статистический анализ и временные ряды. М., Наука. 1976, стр. 662-684.

Г.Г. Канторович. Анализ временных рядов. Лекционные и методические материалы. Экономический журнал ВШЭ. 2002. №4, стр. 513 – 523.

Болч Б. , Хуань К. Дж. Многомерные статистические методы для экономики. - М.: Статистика, 1979. - 317 с.

Кендалл М. Дж., Стюарт А. Многомерный статистический анализ и временные ряды. - М.: Наука, 1976, 736 с.

Дубров А.М., Мхитарян В.С., Трошин Л.И. Многомерные статистические методы.– М.: Финансы и статистика, 2003.

Лекции: coursespm@yahoo.com

Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. – М.: Финансы и статистика, 2003.