معرفی دوره
چه دانشجو باشید، چه یک متخصص و یا صرفاً فردی کنجکاو، این دوره مفاهیم دشوار مانند تحلیل رگرسیون، نظریه احتمال و مدلسازی سریهای زمانی را به درسهای ساده و قابل فهم تقسیم میکند. این دوره مطالب مشابه با یک دوره مقدماتی اقتصادسنجی را پوشش میدهد. این دوره شامل 27 ساعت سخنرانی آسان برای درک است که 100 منبع PDF قابل دانلود همراه با سخنرانیها ارائه میشود.
این دوره موضوعات زیر را پوشش خواهد داد:
پیشنیازها:
مباحث کلیدی دوره:
این فصل روش کمترین مربعات را معرفی میکند که برای برازش یک خط مستقیم از طریق یک نمودار پراکندگی استفاده میشود. این فصل بر روی جبر کمترین مربعات متمرکز است. در این فصل هیچ نظریه احتمالات یا آمار وجود ندارد. فصل با لحظات نمونه آغاز میشود، از طریق فرمول OLS عبور میکند و آن را استخراج میکند. مفاهیم مهم معرفی شده در این فصل: خط روند، باقیماندهها، مقادیر برازش شده و R-squared. علاوه بر اکسل، ما همچنین EViews را در این فصل معرفی میکنیم و به نحوه یافتن خطوط روند با استفاده از اکسل و EViews نگاهی خواهیم داشت.
برای درک بیشتر مفاهیم معرفی شده در فصل 1، به برخی از نظریههای احتمال و آمار نیاز داریم. ما میخواهیم بتوانیم انحرافات مشاهده شده از خط روند را توضیح دهیم و این کار را با متغیرهای تصادفی به نام اصطلاحات خطا انجام خواهیم داد. این فصل حداقل مطلق از نظریه احتمال را پوشش میدهد: متغیرهای تصادفی، توابع توزیع، مقدار مورد انتظار، واریانس و کوواریانس. این فصل همچنین لحظات شرطی را معرفی میکند که در اقتصادسنجی بسیار مهم خواهد بود، زیرا فرض اساسی در مورد اصطلاحات خطا به عنوان یک انتظار شرطی بیان میشود.
این فصل مهمترین مدل در اقتصادسنجی، مدل رگرسیون خطی را رسمی میکند. کل فصل به یک مورد خاص محدود شده است، یعنی زمانی که شما فقط یک متغیر توضیحی دارید. فرض کلیدی مدل رگرسیون خطی، برونزایی، معرفی شده است. سپس، فرمول OLS از فصل 1 به عنوان یک تخمینگر از پارامترهای ناشناخته در مدل رگرسیون خطی تفسیر میشود. این فصل همچنین واریانس تخمینگر OLS را تحت مجموعهای مهم از مفروضات، مفروضات گوس-مارکف، معرفی میکند. فصل با استنباط در مدل رگرسیون خطی به پایان میرسد، بهطور خاص در مورد آزمون فرضیه و فواصل اطمینان بحث میشود.
این فصل بسطی از فصل 3 است که امکان وجود چندین متغیر توضیحی را فراهم میکند. ابتدا، رگرسیون خطی با چندین متغیر توضیحی، محور تمرکز این فصل، بهطور کامل معرفی شده و بسطی از فرمول OLS مورد بحث قرار میگیرد. از آنجایی که ما در این دوره از جبر ماتریسی استفاده نمیکنیم، نمیتوانیم فرمولهای کلی مانند فرمول OLS را ارائه دهیم. در عوض، ما به این واقعیت تکیه میکنیم که آنها به درستی در نرمافزاری مانند اکسل، EVies، استاتا و موارد دیگر برنامهریزی شدهاند. ما باید تغییرات کوچکی در استنباط این مدل ایجاد کنیم و همچنین برخی از آزمونهای جدید را معرفی کنیم. یک مشکل جدید که در این مدل ظاهر میشود، چندهمخطی است. در ادامه، ما به برخی از مدلهای رگرسیون غیرخطی و به دنبال آن متغیرهای ساختگی نگاهی میاندازیم. این فصل با یک تحلیل از مشکل داده همگنی به پایان میرسد.
این فصل مقدمهای بر اقتصادسنجی با دادههای سری زمانی است. فصلهای 1 تا 4 به دادههای مقطعی، دادههای مربوط به افراد، شرکتها، کشورها و غیره محدود شدهاند. کار با دادههای سری زمانی مشکلات جدیدی را معرفی میکند، که اولین و مهمترین آنها این است که دادههای سری زمانی ممکن است غیر ایستا باشند که ممکن است منجر به نتایج کاذب (گمراهکننده) شود. با این حال، این فصل فقط به دادههای سری زمانی ایستا نگاه میکند. مدلهای سری زمانی ممکن است ایستا یا پویا باشند، جایی که دومی به این معنی است که متغیر وابسته ممکن است به مقادیر دورههای قبلی بستگی داشته باشد. ما به برخی از مدلهای پویا، مهمتر از همه مدلهای ADL (لگ تأخیر توزیع شده خودرگرسیو) و مدلهای AR (خودرگرسیو) نگاه خواهیم کرد. مشکل دیگری در دادههای سری زمانی این است که اصطلاحات خطا ممکن است در طول زمان همبستگی داشته باشند (خودهمبستگی). این فصل با بحثی در مورد خودهمبستگی، نحوه آزمایش خودهمبستگی و نحوه تخمین مدلها در حضور خودهمبستگی به پایان میرسد.
در طول دوره تا کنون، ما فرض کردهایم که متغیرهای توضیحی برونزا هستند. این مهمترین فرض در اقتصادسنجی است. در این فصل به مواردی نگاه خواهیم کرد که در آن نمیتوان انتظار داشت متغیرهای توضیحی برونزا باشند (در این صورت میگوییم که آنها درونزا هستند). ما همچنین به عواقب تحلیل اقتصادسنجی با متغیرهای درونزا نگاه خواهیم کرد. بهطور خاص، ما به خطای مشخصات مدل، خطاها در متغیرها و مشکل همزمانی نگاه خواهیم کرد. هنگامی که متغیرهای درونزا داریم، گاهی اوقات میتوانیم برای آنها ابزارهایی پیدا کنیم، متغیرهایی که با متغیر درونزای ما همبستگی دارند اما با اصطلاح خطا همبستگی ندارند. این امر امکان تخمین مداوم پارامترها در مدل ما را با استفاده از تخمینگر متغیر ابزاری و تخمینگر متغیر ابزاری تعمیمیافته فراهم میکند.
این فصل مقدمهای بر مدلهای میکرو اقتصادسنجی است. ما به سادهترین این نوع مدلها، مدل انتخاب باینری، مدلی که در آن متغیر وابسته شما یک متغیر ساختگی است، نگاه خواهیم کرد. مشخص میشود که ما میتوانیم از همان روشهای توضیح داده شده در فصل 4 استفاده کنیم، سپس مدل، مدل احتمال خطی نامیده میشود. با این حال، مدل احتمال خطی مشکلاتی دارد. به عنوان مثال، پیشبینی احتمال میتواند کمتر از صفر و/یا بزرگتر از 100٪ باشد. برای اصلاح این مشکل، مدلهای جدیدی (مدل پروبیت و لاجیت) ارائه میشود و یک تکنیک جدید برای تخمین این مدلها معرفی میشود (حداکثر احتمال).
در فصل 5 کار با دادههای سری زمانی، ایستایی یک فرض حیاتی بود. در این فصل، ما دادههایی را که ایستا نیستند، عواقب استفاده از دادههای غیر ایستا و نحوه تعیین ایستایی دادههای خود را بررسی میکنیم.
دادههای پانلی دادههایی در طول مقاطع و زمان هستند. این فصل فقط مقدمهای بر مدلهایی است که از دادههای پانلی استفاده میکنند. تمرکز این فصل بر روی مدل مولفه خطا است که در آن به تخمینگر اثر ثابت و همچنین مدل اثرات تصادفی نگاه میکنیم. این فصل با بحثی در مورد چگونگی انتخاب بین s و چگونگی انتخاب بین تخمینگر اثر ثابت و تخمینگر اثرات تصادفی (از جمله آزمون هاسمن) به پایان میرسد.
سخنرانیها توسط پیتر جوکومزن، مدرس اقتصادسنجی مشهور از دانشگاه لوند ارائه میشود.
نمایش نظرات