Практикум по эконометрике (syllabus): различия между версиями

Материал из Поле цифровой дидактики
Нет описания правки
Строка 21: Строка 21:
Общее понятие о системах уравнений, используемых в эконометрике. Структурная и приведенная формы модели.
Общее понятие о системах уравнений, используемых в эконометрике. Структурная и приведенная формы модели.
}}
}}
== Последовательность курса ==
<uml>
@startuml
skinparam NoteBackgroundColor tan
skinparam backgroundColor white
skinparam activity {
  BackgroundColor lightblue
  BorderColor navy
}
start
:Learning outcomes;\\n(Компетенции);
note right
C1: Построение эконометрических моделей образования
C2: Вычислительные методы (бутстрап, симуляции)
C3: NetLogo для агентных моделей обучения
C4: Анализ образовательных данных в R/Python
end note
:Ключевые понятия;\\n(Образовательные данные);
note left
Успеваемость, dropout rates
Длительность обучения
Эффективность программ
Панельные данные вузов
Временные ряды E-learning
Агентные модели студентов
end note
:Ресурсы;(Книги, сайты);
note right
Эконометрика образования (HSE)
Digida.mgpu.ru моделирование
NetLogo Library (Education)
Данные HSE/МГПУ
end note
:Инструменты;\\n(Выбор);
note right
R (tidyverse, broom)
NetLogo
Semantic MediaWiki (DigiDa)
Python (statsmodels)
end note
:Languages;\\n(R + NetLogo);
note right
Основной: R (для регрессии/бутстрап)
NetLogo (агенты)
Доп: Python, SMW queries
end note
partition "Основной поток" {
  :Введение;\\n(Данные образования, DGP);
 
  :Регрессионный анализ;\\n(OLS, logit dropout, бутстрап оценок);
 
  fork
    :NetLogo: Модель классной комнаты;
  fork again
    :Данные из DigiDa\\n(Смоделировать успеваемость);
  end fork
 
  :Анализ временных рядов;\\n(ARIMA успеваемости, E-learning метрики);
 
  :Системы уравнений;\\n(2SLS, модели выбора вуза/специальности);
 
  :Мини-проект;\\n(NetLogo + регрессия на симуляциях);
}
:Learning outputs;\\n(Результаты обучения);
note left
SMW-страница с моделью
R/NetLogo скрипты
Анализ образовательного кейса
Категория "Эконометрика образования"
end note
if (Достигнуты ли результаты?) then (нет)
  :Learning Outcomes\\nНе достигнуты;
 
  :Провал! ;
  stop
else (да)
  :Learning Outcomes\\nДостигнуты;
endif
stop
@enduml
</uml>
== Введение в  эконометрику ==
== Введение в  эконометрику ==
  {{#ask: [[Эконометрика]] | ?Description }}
  {{#ask: [[Эконометрика]] | ?Description }}

Версия от 12:35, 16 февраля 2026



Планируемые результаты обучения (Знать, Уметь, Владеть) Знать:
  1. основные параметры распределений (математическое ожидание, дисперсия, стандартное отклонение) и их интерпретацию в социальных исследованиях;
  2. понятие корреляции и ковариации, методы оценки линейной связи между социально-экономическими показателями;
  3. базовые принципы регрессионного анализа: концепция модели, остатки, предпосылки (линейность, гомоскедастичность, нормальность остатков).
Уметь
  1. рассчитывать и интерпретировать статистические характеристики выборки на конкретных данных (например, оценки доходов семей из выборочного обследования населения);
  2. строить и проверять графики распределения выборочных данных и диаграммы рассеяния для анализа связи между переменными;
  3. оценивать параметры простой линейной регрессии и проводить тест значимости коэффициентов (t-тест, F-тест).
Владеть
  1. навыками описательного анализа с помощью R (функции mean(), sd(), plot(), lm());
  2. приёмами проверки предпосылок регрессионной модели через графики остатков и тесты на гетероскедастичность
Содержание разделов курса -
Введение в эконометрику
Регрессионный анализ
Анализ временных рядов

Основные элементы временного ряда. Автокорреляция уровней временного ряда и выявление его структуры. Методы исключения тенденции. Автокорреляция в остатках.

Системы эконометрических уравнений

Общее понятие о системах уравнений, используемых в эконометрике. Структурная и приведенная формы модели.

Видео запись
Среды и средства, которые поддерживают учебный курс
Книги, на которых основывается учебный курс

Последовательность курса


Введение в эконометрику

 Description
ЭконометрикаЭконометрика — наука, изучающая количественные и качественные экономические взаимосвязи с помощью математических и статистических методов. Современное определение предмета эконометрики было выработано в уставе Эконометрического общества, которое главными целями назвало использование статистики и математики для развития экономической теории. Термин «эконометрика» состоит из двух частей: «эконо» — от «экономика» и «метрика» — от «измерение». Теоретическая эконометрика рассматривает статистические свойства оценок и испытаний, в то время как прикладная эконометрика занимается применением эконометрических методов для оценки экономических теорий.

Предмет и задачи эконометрики

Эконометрика исследует применимость статистических методов к экономическим данным для проверки экономических теорий и построения прогностических моделей. Основные задачи:

  • Построение и оценка регрессионных моделей. Общая форма простой линейной регрессии:

[math]\displaystyle{ y_i=\beta_0+\beta_1x_i+\varepsilon_i }[/math]

  • Оценка параметров с помощью метода наименьших квадратов (МНК)

[math]\displaystyle{ S = \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 \rightarrow \min }[/math]

  • Проверка статистических гипотез (t-тест, F-тест).
  • Построение доверительных интервалов и прогнозирование.