Практикум по эконометрике (syllabus)

Планируемые результаты обучения (Знать, Уметь, Владеть)	Знать: основные параметры распределений (математическое ожидание, дисперсия, стандартное отклонение) и их интерпретацию в социальных исследованиях; понятие корреляции и ковариации, методы оценки линейной связи между социально-экономическими показателями; базовые принципы регрессионного анализа: концепция модели, остатки, предпосылки (линейность, гомоскедастичность, нормальность остатков). Уметь рассчитывать и интерпретировать статистические характеристики выборки на конкретных данных (например, оценки доходов семей из выборочного обследования населения); строить и проверять графики распределения выборочных данных и диаграммы рассеяния для анализа связи между переменными; оценивать параметры простой линейной регрессии и проводить тест значимости коэффициентов (t-тест, F-тест). Владеть навыками описательного анализа с помощью R (функции mean(), sd(), plot(), lm()); 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	NetLogo, R, CODAP, Simple Economy, Urban Suite - Economic Disparity, Central Limit Theorem, Random Basic Advanced
Книги, на которых основывается учебный курс	Introduction to Econometrics with R, Дружелюбная эконометрика, Big Data with R

Последовательность курса

Содержание курса

Курс начинается с подготовительных блоков (outcomes, понятия, ресурсы), где вводятся компетенции по анализу данных образования и инструменты вроде R для регрессии, NetLogo для симуляций классов/групп студентов. Основной поток структурирован по обязательным темам:

1. Введение фокусируется на типичных образовательных данных (панели вузов, временные ряды онлайн-курсов)
2. Регрессионный анализ охватывает OLS/logit для предикторов dropout (возраст, мотивация), с бутстрапом для интервальных оценок;
3. Анализ временных рядов применяет ARIMA к динамике успеваемости или метрикам E-learning;
4. Системы уравнений разбирают 2SLS для эндогенных выборов (вуз/специальность).

Параллельно интегрируется NetLogo для генерации синтетических данных (агенты-студенты с поведением), которые затем анализируются эконометрически, связывая с материалами DigiDa по моделированию. ​

Каждый этап завершается мини-заданиями в SMW (DigiDa-страницы), а финальный мини-проект — полным циклом:

• симуляция в NetLogo (например, модель мотивации в классе),
• бутстрап-регрессия на сгенерированных данных, выводы по эффективности вмешательств.

Итоговая проверка outcomes обеспечивает достижение: студенты публикуют скрипты, модели и категории в вики,

Введение в эконометрику

Description

Эконометрика

Эконометрика — 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.