Цели и задачи дисциплины
Цель освоения дисциплины:
Основной целью освоения дисциплины является формирование у обучающихся комплекса теоретических знаний и устойчивых практических навыков в области эконометрического моделирования, проведения корреляционно-регрессионного анализа и применения современных статистических методов для обработки реальных эмпирических данных с целью выявления скрытых закономерностей.
Основные задачи курса:
Овладение методами сбора, предварительной подготовки и визуализации «сырых» баз данных (на примере статистических показателей).
Проведение разведочного (EDA) и интеллектуального анализа данных, изучение основ описательной статистики и статистики вывода.
Освоение методов проверки эмпирических данных на нормальность распределения и алгоритмов применения нормализующих преобразований (метод Бокса-Кокса).
Практическое построение, спецификация и параметризация эконометрических моделей (парная, множественная и нелинейная регрессия).
Овладение математическим инструментарием для оценки качества и адекватности построенных уравнений регрессии.
Выявление и устранение нарушений классических предпосылок метода наименьших квадратов (МНК), решение проблем мультиколлинеарности и гетероскедастичности.
Краткое содержание дисциплины
1. Разведочный анализ и статистическая обработка данных.
Введение в эконометрику. Сбор и подготовка эмпирических баз данных. Методы описательной статистики и визуализации данных (графические функции). Проведение разведочного (EDA) и интеллектуального анализа данных. Основы статистики вывода. Проверка данных на нормальность распределения и применение нормализующих преобразований (метод Бокса-Кокса).
2. Эконометрическое моделирование и регрессионный анализ.
Основы корреляционного анализа. Спецификация и параметризация моделей парной и множественной линейной регрессии. Оценка качества уравнения регрессии и введение показателей эффективности. Построение моделей нелинейной регрессии и определение типа функциональной связи. Проверка выполнения классических предпосылок МНК: выявление и устранение проблем мультиколлинеарности и гетероскедастичности. Снижение размерности моделей.