Эконометрика-2 ВШЭ (2)

Национальный исследовательский университет
Высшая школа экономики
Факультет экономики
Отделение статистики, анализа данных и демографии
Программа дисциплины
”Эконометрика-2”
для направления 080100.68 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
_____________________________
Председатель
_____________________________
«_____» __________________ 20 г.
г
Одобрена на заседании кафедры
статистических методов
Зав. кафедрой
____________________В.С. Мхитарян
«____»_____________________ 20 10 г.
Утверждена УС факультета
_________________________________
Ученый секретарь
_________________________________
« ____» ___________________20
г.
Москва 2010
I. 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
№
Всего
часов
Тема
Аудиторные часы
Лекции
Практические
занятия
Самостоятельная
работа
Формы
текущего
контроля
1
Методология
эконометрического
исследования
10
2
2
Классическая линейная
модель регрессии
38
6
8
24
3
Линейный регрессионный
анализ при нарушении
условий теоремы ГауссаМаркова
60
8
12
40
4
Типологическая регрессия.
Регрессионные модели с
переменной структурой
28
4
4
20
5
Нелинейные
регрессионные модели
28
4
4
20
6
Непараметрическая
регрессия
28
4
4
20
7
Одномерные модели
временных рядов
58
12
10
36
Реферат №1
216
36
36
144
Экзамен
Итого по разделу I
8
Домашнее
задание №1
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
216
36
36
144
432
72
72
288
Итого 1-2 модуль (4-й курс)
Экзамен
Базовые учебники
1. Айвазян С.А., Методы эконометрики: учебник– М.: Магистр: ИНФРА-М,
2010.- 512с.
2. Вербик Марно Путеводитель по современной эконометрике. – М.: Научная
книга, 2008.
3. Берндт Э.Р. Практика эконометрики. – М.: ЮНИТИ-ДАНА, 2005.
4. Greene W.H. Econometric Analysis. Prentice Hall, 5th edition, 2003.
5. 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.
6. A. Tsybakov. Introduction to Nonparametric Estimation. Springer. 2009.
Формы контроля
Итоговая оценка по учебной дисциплине складывается из следующих
элементов:
№
1
2
3
4
Наименование элемента
Активность работы на лекциях и семинарах
Аудиторные контрольные работы
Домашние контрольные работы (по всем темам)
Экзамен
Обозначение
А
К
D
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:
Z  0,1  A  0,1  K  0,4  D  0,4  Э .
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
эндогенности. Обобщенный метод моментов
модели
в
условиях
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
1.
Айвазян С.А., Методы эконометрики: учебник– М.: Магистр: ИНФРА-М,
2010.- 512с.
2.
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.
3.
A. Tsybakov. Introduction to Nonparametric Estimation. Springer. 2009
4.
J. D. Hamilton. Time series analysis. Princeton. 1994
5.
J.H. Cochrane. Time series for Macroeconomics and Finance. Preprint. University
of Chicago, 2005
Дополнительная литература:
1.
Айвазян С.А., Основы эконометрики. Учебник для вузов. – М.: ЮНИТИДАНА, 2001- 432с.
2.
Айвазян С.А., Мхитарян В.С. Прикладная статистика
эконометрики. Учебник для вузов. – М.: ЮНИТИ, 1998.- 1022с.
3.
Доугерти К., Введение в эконометрику: Пер. с англ.-М.: ЮНИТИ-М, 1997402с.
4.
Вербик М., Путеводитель по современной эконометрике. Пер. с. англ.-М.:
Научная книга, 2008.-616с.
5.
Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный
курс: учебник.-М.: Дело, 2005. - 504 с.
6.
Берндт Э.Р. Практика эконометрики: классика и современность: учебник.М.: ЮНИТИ-ДАНА, 2005. – 863 с.
7.
Айвазян С.А., Мхитарян В.С. Теория вероятностей и прикладная статистика.
Учебник для вузов. – М.: ЮНИТИ-ДАНА, 2001.- 656с.
8.
Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная
исследование зависимостей. – М.: Финансы и статистика, 1985.
9.
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.
и
основы
статистика:
10. М.Дж. Кендалл, А. Стюарт. Многомерный статистический анализ и
временные ряды. М., Наука. 1976, стр. 662-684.
11. Г.Г. Канторович. Анализ временных рядов. Лекционные и методические
материалы. Экономический журнал ВШЭ. 2002. №4, стр. 513 – 523.
12. Болч Б. , Хуань К. Дж. Многомерные статистические методы для экономики.
- М.: Статистика, 1979. - 317 с.
13. Кендалл М. Дж., Стюарт А. Многомерный статистический анализ и
временные ряды. - М.: Наука, 1976, 736 с.
14. Дубров А.М., Мхитарян В.С., Трошин Л.И. Многомерные статистические
методы.– М.: Финансы и статистика, 2003.
15. Лекции: [email protected]
16. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования
временных рядов. – М.: Финансы и статистика, 2003.