Практикум по эконометрике (syllabus): различия между версиями

Материал из Поле цифровой дидактики
Строка 33: Строка 33:
start
start


:Learning outcomes;\\n(Компетенции);
:Learning outcomes;\n(Компетенции);
note right
note right
C1: Построение эконометрических моделей образования
C1: Построение эконометрических моделей
C2: Вычислительные методы (бутстрап, симуляции)
C2: Вычислительные методы (бутстрап, симуляции)
C3: NetLogo для агентных моделей обучения
C3: NetLogo для агентных моделей обучения
Строка 41: Строка 41:
end note
end note


:Ключевые понятия;\\n(Образовательные данные);
:Ключевые понятия;\n(Образовательные данные);
note left
note left
Успеваемость, dropout rates
Успеваемость, dropout rates
Строка 51: Строка 51:
end note
end note


:Ресурсы;(Книги, сайты);
:Ресурсы (Книги, сайты);
note right
note right
Эконометрика образования (HSE)
Digida.mgpu.ru - статьи, данные
Digida.mgpu.ru моделирование
NetLogo  
NetLogo Library (Education)
Данные МГПУ
Данные HSE/МГПУ
end note
end note


:Инструменты;\\n(Выбор);
:Инструменты;
note right
note right
StatKey
RAWGraphs
R (tidyverse, broom)
R (tidyverse, broom)
NetLogo
NetLogo BehaviorSpace
Semantic MediaWiki (DigiDa)
Semantic MediaWiki  
Python (statsmodels)
end note
end note


:Languages;\\n(R + NetLogo);
:Languages;\\n(R + NetLogo);
note right
note right
Основной: R (для регрессии/бутстрап)
R  
NetLogo (агенты)
NetLogo (агенты)
Доп: Python, SMW queries
Доп: Python, SMW queries
Строка 75: Строка 75:


partition "Основной поток" {
partition "Основной поток" {
   :Введение;\\n(Данные образования, DGP);
   :Введение;\\n(Данные образования);
    
    
   :Регрессионный анализ;\\n(OLS, logit dropout, бутстрап оценок);
   :Регрессионный анализ;\n(OLS, logit dropout, бутстрап оценок);
    
    
   fork
   fork
     :NetLogo: Модель классной комнаты;
     :NetLogo: Модель систем образования;
   fork again
   fork again
     :Данные из DigiDa\\n(Смоделировать успеваемость);
     :Данные из Digida;
   end fork
   end fork
    
    
   :Анализ временных рядов;\\n(ARIMA успеваемости, E-learning метрики);
   :Анализ временных рядов;\n(E-learning метрики);
    
    
   :Системы уравнений;\\n(2SLS, модели выбора вуза/специальности);
   :Системы уравнений;\n(модели выбора вуза/специальности);
    
    
   :Мини-проект;\\n(NetLogo + регрессия на симуляциях);
   :Мини-проект;\\n(NetLogo + регрессия на симуляциях);
Строка 112: Строка 112:
@enduml
@enduml
</uml>
</uml>


== Введение в  эконометрику ==
== Введение в  эконометрику ==

Версия от 13:00, 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.