À propos de ce cours : Эконометрика – наука, позволяющая исследовать закономерности в реальных данных. К концу курса мы научимся отвечать на два вопроса. Как одна переменная, y, зависит от другой переменной, x? Как спрогнозировать переменную y? Мы будем подробно изучать линейные регрессионные модели, рассмотрим наиболее частые отклонения от предпосылок классической линейной регрессии. Изучим базовые модели (логит и пробит) для качественных зависимых переменных. Наряду с теоретической основой мы будем работать с реальными данными, используя статистический пакет R. Необходимые знания: Теория вероятностей и математическая статистика. Линейная алгебра опционально.
Créé par : National Research University Higher School of Economics
Enseigné par : Boris Demeshev, Senior Lecturer
Department of Applied Economics
| Engagement | 10 weeks of study, 3-8 hours/week |
| Langue | Russian |
| Comment réussir | Réussissez tous les devoirs notés pour terminer le cours. |
| Notes des utilisateurs |
Programme de cours
SEMAINE 1
Метод наименьших квадратов или рабочая лошадка эконометриста, введение в R
Материалы всех недель доступны сразу, но в системе указаны рекомендуемые сроки выполнения всех заданий. Форум также открыт для Ваших вопросов. Ознакомьтесь с правилами оценивания и проведения контрольных работ. Обращаем Ваше внимание на то, что тест можно делать сколько угодно раз, но на каждые 8 часов даются только три попытки. Если Вы начали выполнять тест, то время на его выполнение неограничено. Ссылки на pdf-файлы лекций и скрипты для всех недель находятся в разделе Ценные ресурсы так же, как и правки к видео-фрагментам :) В первых же тестах есть вопросы, где необходимо использовать R, поэтому надеемся, что Вы уже успели поставить его на свои компьютеры. Если нет, то в Ценных ресурсах лежат подробные инструкции по установке софта. После установки не забудьте открыть в R-Studio (File -> Open file) файл "install_all.R" и запустите его, чтобы поставить все необходимые нам в ближайшее время пакеты. Выделите все строчки и запустите с помощью сочетания Ctrl + Enter на Windows или Cmd + Enter на Mac. Чтобы познакомиться с R поближе, в данной виньетке представлено краткое и наглядное описание интерфейса R-studio, шоткатов и других полезных вещей. Успехов!
18 vidéos, 8 lectures
- Vidéo: О курсе. Промо-ролик
- Reading: Установка R/R-studio/Texlive под Windows
- Reading: Установка R/R-studio/Mactex под Mac
- Reading: Установка R/R-studio/Texlive под Linux
- Reading: Ссылки на pdf-версии лекций, скрипты и данные
- Reading: Источники мудрости
- Reading: Критерии оценивания
- Reading: Поправки к неточностям в видео-фрагментах
- Vidéo: 1.1.1. Суть метода наименьших квадратов
- Vidéo: 1.1.2. Пример 1. Регрессия на константу [у доски]
- Vidéo: 1.1.3. Пример 2. Парная регрессия. Начало [у доски]
- Vidéo: 1.1.4. Пример 2. Парная регрессия. Окончание [у доски]
- Vidéo: 1.1.5. МНК на графике. Случай множества регрессоров
- Vidéo: 1.1.6. Ликбез по линейной алгебре
- Vidéo: 1.1.7. Геометрия регрессии на константу [у доски]
- Vidéo: 1.1.8. Геометрия множественной регрессии [у доски]
- Vidéo: 1.1.9. Коэффициент детерминации
- Vidéo: 1.1.10. Мораль первой лекции
- Vidéo: 1.2.1. Консольный режим в R
- Vidéo: 1.2.2. Написание первого скрипта в R
- Vidéo: 1.2.3. Установка пакетов в R. Получение справки
- Vidéo: 1.2.4. Первый взгляд на набор данных в R
- Vidéo: 1.2.5. МНК в R. Пример с машинами
- Vidéo: 1.2.6. МНК в R. Пример с фертильностью
- Reading: Доброжелательное напутствие перед тестом :)
Noté: МНК, введение в R
SEMAINE 2
Статистические свойства оценок коэффициентов
Бета с крышкой - друг и враг эконометриста :)
22 vidéos, 1 lecture
- Vidéo: 2.1.2. Пример подсчета условного математического ожидания [у доски]
- Vidéo: 2.1.3. Условная дисперсия [+доска]
- Vidéo: 2.1.4. Геометрическая иллюстрация условного математического ожидания [у доски]
- Vidéo: 2.1.5. Условная дисперсия МНК оценок
- Vidéo: 2.1.6. Условная дисперсия МНК оценок. Доказательство [у доски]
- Vidéo: 2.1.7. Дисперсия оценок коэффициентов в общем виде
- Vidéo: 2.1.8. Доказательство формулы для ковариационной матрицы [у доски, линал]
- Vidéo: 2.1.9. Оценка ковариационной матрицы
- Vidéo: 2.1.10. Статистические свойства оценок коэффициентов
- Vidéo: 2.1.11. Построение доверительных интервалов и проверка гипотез
- Vidéo: 2.1.12. Пример. Доверительный интервал для коэффициента бета [у доски]
- Vidéo: 2.1.13. Пример. Доверительный интервал для дисперсии [у доски]
- Vidéo: 2.1.14. Пример. Проверка гипотезы о коэффициенте бета [у доски]
- Vidéo: 2.1.15. Интерпретация стандартной таблички
- Vidéo: 2.1.16. Особенности проверки гипотез
- Vidéo: 2.1.17. Проверка гипотезы о связи коэффициентов. Заключение [+доска]
- Vidéo: 2.2.1. Работа со случайными величинами в R
- Vidéo: 2.2.2. Проверка гипотез о коэффициентах в R
- Vidéo: 2.2.3. Стандартизированные коэффициенты и эксперимент с ложно-значимыми регрессорами
- Vidéo: 2.2.4. Сохранение и загрузка данных
- Vidéo: 2.2.5. Загрузка данных RLMS
- Reading: И вновь доброжелательное напутствие!
Noté: Проверка гипотез о коэффициентах
SEMAINE 3
Дамми-переменные, сравнение вложенных моделей
Дамми для дам и не только :)
18 vidéos, 1 lecture
- Vidéo: 3.1.2. Пример построения интервалов для прогнозов [у доски]
- Vidéo: 3.1.3. Интерпретация коэффициента при логарифмировании
- Vidéo: 3.1.4. Дамми-переменные. Разные зависимости для подвыборок
- Vidéo: 3.1.5. Проверка гипотезы о нескольких линейных ограничениях
- Vidéo: 3.1.6. Пример проверки гипотезы о нескольких линейных ограничениях [у доски]
- Vidéo: 3.1.7. Вывод формулы для гипотезы о незначимости регрессии [+ доска]
- Vidéo: 3.1.8. Пример проверки гипотезы о незначимости регрессии [+ доска]
- Vidéo: 3.1.9. Лишние и пропущенные переменные
- Vidéo: 3.1.10. Тест Рамсея [+ доска]
- Vidéo: 3.1.11. Простые показатели качества модели
- Vidéo: 3.2.1. R: графики и переход к логарифмам
- Vidéo: 3.2.2. R: графики для качественных и количественных переменных
- Vidéo: 3.2.3. Оценивание моделей с дамми-переменными в R
- Vidéo: 3.2.4. Построение прогнозов в R
- Vidéo: 3.2.5. Проверка гипотезы о линейных ограничениях, графическое представление результатов
- Vidéo: 3.2.6. Ловушка дамми-переменных, информационные критерии, тест Рамсея
- Vidéo: 3.2.7. Нано-исследование
- Reading: Ну очень доброжелательное напутствие перед тестом!
Noté: Прогнозирование и гипотезы о нескольких ограничениях
SEMAINE 4
Мультиколлинеарность
Или зачастую "самая нестрашная" проблема в данных :)
10 vidéos, 1 lecture
- Vidéo: 4.1.2. Что поделать с мультиколлинеарностью?
- Vidéo: 4.1.3. Ридж и LASSO регрессия
- Vidéo: 4.1.4. Идея метода главных компонент
- Vidéo: 4.1.5. Пример нахождения главной компоненты [у доски]
- Vidéo: 4.1.6. Свойства главных компонент
- Vidéo: 4.2.1. R: доверительные интервалы при мультиколлинеарности
- Vidéo: 4.2.2. LASSO регрессия в R
- Vidéo: 4.2.3. R: ридж-регрессия и идея оценки лямбды
- Vidéo: 4.2.4. Метод главных компонент в R
- Reading: Напутствие перед тестом!
Noté: Мультиколлинеарность
SEMAINE 5
Гетероскедастичность
В древнерусском Разноразбросие :)
15 vidéos, 1 lecture
- Vidéo: 5.1.2. Условная гетероскедастичность [доска]
- Vidéo: 5.1.3. Безусловная гетероскедастичность [доска]
- Vidéo: 5.1.4. Последствия гетероскедастичности для малых выборок
- Vidéo: 5.1.5. Последствия гетероскедастичности: нормальность и большие выборки
- Vidéo: 5.1.6. Робастные стандартные ошибки и обнаружение гетероскедастичности
- Vidéo: 5.1.7. Пример теста Уайта [доска]
- Vidéo: 5.1.8. Тест Голдфельда-Квандта [+ доска]
- Vidéo: 5.1.9. Пример с известной структурой гетероскедастичности [+доска]
- Vidéo: 5.1.10. Мораль лекции о гетероскедастичности
- Vidéo: 5.2.1. Написание функций в R
- Vidéo: 5.2.2. Написание циклов в R
- Vidéo: 5.2.3. Прежние оценки для сравнения
- Vidéo: 5.2.4. Доверительные интервалы при гетероскедастичности в R
- Vidéo: 5.2.5. Тесты на гетероскедастичность в R
- Reading: Очень-очень доброжелательное и важное напутствие перед экзаменом
Noté: Промежуточный экзамен
SEMAINE 6
Автокорреляция
Или о том, чем могут быть опасны зависимые ошибки :)
10 vidéos, 2 lectures
- Vidéo: 6.1.2. Свойства автокорреляции первого порядка [доска]
- Vidéo: 6.1.3. Последствия автокорреляции
- Vidéo: 6.1.4. Робастные стандартные ошибки и тест Дарбина-Уотсона
- Vidéo: 6.1.5. Тест Бройша-Годфри. Пример тестирования автокорреляции [+доска]
- Vidéo: 6.2.1. Работа с датами в R
- Vidéo: 6.2.2. Базовые действия с временными рядами
- Vidéo: 6.2.3. Загрузка данных из внешних источников
- Vidéo: 6.2.4. R: Построение робастных доверительных интервалов
- Vidéo: 6.2.5. Тесты на автокорреляцию в R
- Reading: Напутствие перед тестом
- Reading: Перед выполнением теста
Noté: Гетероскедастичность и автокорреляция
Noté: Анализ реальных данных на примере РЛМС
SEMAINE 7
Метод максимального правдоподобия. Модели бинарного выбора
Или о том, что делать, если зависимая переменная принимает всего два значения
13 vidéos, 1 lecture
- Vidéo: 7.1.2. ML в непрерывном случае [+доска]
- Vidéo: 7.1.3. ML и построение доверительных интервалов [+доска]
- Vidéo: 7.1.4. Проверка гипотез. LR тест [+доска]
- Vidéo: 7.1.5. Логит-модель [+доска]
- Vidéo: 7.1.6. Вероятность и отношение шансов [у доски]
- Vidéo: 7.1.7. Предельные эффекты и прогнозы
- Vidéo: 7.1.8. Несуществование оценок логит-модели. Заключение [+доска]
- Vidéo: 7.2.1. Графики для качественных переменных в R
- Vidéo: 7.2.2. Оценивание коэффициентов и прогнозирование скрытой переменной [+доска]
- Vidéo: 7.2.3. Доверительный интервал для вероятности и LR тест в R
- Vidéo: 7.2.4. Предельные эффекты в R
- Vidéo: 7.2.5. ROC кривая
- Reading: Напутствие перед тестом!
Noté: Метод максимального правдоподобия
SEMAINE 8
Стационарные временные ряды
Даты, встаньте в ряд! :)
16 vidéos, 1 lecture
- Vidéo: 8.1.2. Процесс скользящего среднего, MA(q) [+доска]
- Vidéo: 8.1.3. Автокорреляционная функция [+доска]
- Vidéo: 8.1.4. Частная автокорреляционная функция [+доска]
- Vidéo: 8.1.5. Процесс авторегрессии [+доска]
- Vidéo: 8.1.6. Пример подсчёта частной автокорреляционной функции AR(1) процесса [доска]
- Vidéo: 8.1.7. Множественность решений уравнения AR(1) процесса [+доска]
- Vidéo: 8.1.8. Стационарность через характеристический многочлен [+доска]
- Vidéo: 8.1.9. Прогнозирование процессов авторегрессии [+доска]
- Vidéo: 8.1.10. Модель авторегрессии и скользящего среднего ARMA(p,q)
- Vidéo: 8.1.11. Алгоритм оценивания ARMA процесса
- Vidéo: 8.2.1. Искусственно сгенерированные стационарные процессы
- Vidéo: 8.2.2. Искусственно сгенерированные нестационарные процессы
- Vidéo: 8.2.3. Пример 1. Анализ уровня воды озера Гурон
- Vidéo: 8.2.4. Пример 2 и 3. Анализ стоимости акций компании Гугл и численности населения России
- Vidéo: 8.2.5. Пример 4. Анализ индекса потребительских цен
- Reading: Прочитать перед тестом!
Noté: Временные ряды
SEMAINE 9
Эндогенность
Проблема, которую можно найти почти во всех исследованиях :)
11 vidéos, 1 lecture
- Vidéo: 9.1.2. Определение эндогенности
- Vidéo: 9.1.3. Ошибка измерения регрессора [+доска]
- Vidéo: 9.1.4. Пропущенная объясняющая переменная [+доска]
- Vidéo: 9.1.5. Система уравнений с двумя эндогенными переменными [у доски]
- Vidéo: 9.1.6. Метод инструментальных переменных [+доска]
- Vidéo: 9.1.7. Корреляция и причинность
- Vidéo: 9.1.8. Три иллюстрации к данным наблюдений
- Vidéo: 9.2.1. Деление выборки на обучающую и тестовую
- Vidéo: 9.2.2. Двухшаговый метод наименьших квадратов в парной регрессии
- Vidéo: 9.2.3. Пара нюансов двухшагового метода наименьших квадратов
- Reading: Напутствие перед тестом!
Noté: Эндогенность
SEMAINE 10
Нестандартные сюжеты
Продвинутые методы, включая машинное обучение
12 vidéos, 1 lecture
- Vidéo: 10.1.2. Квантильная регрессия
- Vidéo: 10.1.3. Алгоритм случайного леса
- Vidéo: 10.1.4. Пример построения регрессионного дерева [у доски]
- Vidéo: 10.1.5. Суть байесовского подхода
- Vidéo: 10.1.6. Расчет апостериорного распределения: пример 1 [у доски]
- Vidéo: 10.1.7. Расчет апостериорного распределения: пример 2 [у доски]
- Vidéo: 10.1.8. Алгоритм MCMC и логит-модель
- Vidéo: 10.1.9. Регрессия пик-плато и спасибо
- Vidéo: 10.2.1. Квантильная регрессия и алгоритм случайного леса
- Vidéo: 10.2.2. Логит-модель: байесовский подход
- Vidéo: 10.2.3. Регрессия пик-плато: байесовский подход
- Reading: Последнее наше напутствие!
Noté: Финальный экзамен
FAQ
Comment cela fonctionne
Travail en cours
Chaque cours fonctionne comme un manuel interactif en proposant des vidéos préenregistrées, des quiz et des projets.
Aide de la part de vos pairs
Connectez-vous à des milliers d'autres étudiants et débattez sur des idées, discutez le contenu du cours et obtenez de l'aide pour en maîtriser les concepts.
Certificats
Obtenez une reconnaissance officielle pour votre travail et partagez votre réussite avec vos amis, vos collègues et vos employeurs.
Créateurs
National Research University Higher School of Economics
National Research University - Higher School of Economics (HSE) is one of the top research universities in Russia. Established in 1992 to promote new research and teaching in economics and related disciplines, it now offers programs at all levels of university education across an extraordinary range of fields of study including business, sociology, cultural studies, philosophy, political science, international relations, law, Asian studies, media and communications, IT, mathematics, engineering, and more.
Learn more on www.hse.ru
Notation et examens
Очень крутой курс! Всем, кто крутит или собирается крутить данные, советую его пройти! Как мне показалось, то большинство материала касается описания моделей. То есть, если тебя интересует лишь прогнозирование, то материал не окажется слишком полезным конкретно в этой ситуации. Но ведь и прогнозировать нужно со знанием дела, а не в лоб применяя какие-то методы из интернета и книжек, поэтому этот курс сильно поможет. Борис - замечательный лектор, рассказывает интересно и понятно. Огромное спасибо ему, а также всем, кто принял участие в создании курса.
Пожалуй лучший курс из всех что довелось пройти.
Борис лучший - так дать эконометрику надо уметь: 1) понятно 2) просто 3) с сильной практикой
Coursera propose un accès universel à la meilleure formation au monde,
en partenariat avec des universités et des organisations du plus haut niveau, pour proposer des cours en ligne.
© 2018 Coursera Inc. Tous droits réservés.
A
Курс мне дал общее понимание эконометрики. Темы, которые не понимал раньше, типа метода макс правдободобия, лоиг моделей, случайных лесов и тд, довольно доступно объясняются. Все делается в R, так что все становится еще более понятным. Даже если теоретически непонятно, то по крайней мере знаешь как это применить. Последним плюсом является математика, думаю без ее доказательств курс был бы очень неглубоким. Хотя необязательно понимать все для прохождения курса, понимание математической состовляющей позволяет понимать многие нюансы и не остаться делитантом.