آموزش اقتصادسنجی الف تا ی: نظریه‌ها، مدل‌ها، توابع و داده‌ها - آخرین آپدیت

دانلود Econometrics A-Z: Theories, Models, Functions, and Data

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

دوره آموزشی اقتصادسنجی: مبانی و کاربردها

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:

  • رگرسیون
  • گوس-مارکف
  • ALS
  • احتمال
  • مدل‌سازی آماری (اکسل و ای‌ویوز)
  • درون‌زایی
  • متغیرها
  • داده‌ها

پیش‌نیازها:

  • مبانی ریاضی
  • توانایی کار با کامپیوتر
  • دانش اولیه اقتصاد
  • تفکر منطقی و تحلیلی

مباحث کلیدی دوره:

فصل 1: جبر کمترین مربعات با یک متغیر توضیحی

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.

فصل 2: مقدمه‌ای بر نظریه احتمال

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.

فصل 3: مدل رگرسیون خطی با یک متغیر توضیحی

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.

فصل 4: مدل رگرسیون با چندین متغیر توضیحی

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.

فصل 5: داده‌های سری زمانی

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.

فصل 6: درون‌زایی و متغیرهای ابزاری

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.

فصل 7: مدل‌های انتخاب باینری

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).

فصل 8: مدل‌های سری زمانی غیر ایستا

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.

فصل 9: داده‌های پانلی

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.


سرفصل ها و درس ها

The algebra of least squares with one explanatory variable

  • لحظات نمونه‌ای Sample moments

  • مقدمه‌ای بر ایویوز Introduction to Eviews

  • مقدمه‌ای بر دستورات در ایویوز Introduction to Commands in Eviews

  • فرمول OLS The OLS formula

  • مقدمه‌ای بر معادلات در ایویوز Introduction to equations in Eviews

  • باقیمانده‌ها و مقادیر برازش شده Residuals and fitted values

  • اصل حداقل مربعات The least squares principle

  • خط روند با عرض از مبدا صفر Trendline with no intercept

  • استخراج فرمول OLS Deriving the OLS formula

  • حداقل سراسری RSS Global minimum of RSS

  • برخی نتایج OLS Some OLS results

  • اندازه گیری برازش Measure of fit

  • باقیمانده‌ها و برازش در ایویوز Residuals and fit in Eviews

مقدمه‌ای بر نظریه احتمال Introduction to probability theory

  • متغیر تصادفی Random variable

  • توابع توزیع Distribution functions

  • نرمال استاندارد Standard normal

  • مقدار انتظاری یک متغیر تصادفی گسسته Expected value of a discrete random variable

  • مقدار انتظاری یک متغیر تصادفی پیوسته Expected value of a continuous random variable

  • واریانس متغیر تصادفی The variance of random variable

  • مقدار انتظاری و واریانس یک تابع خطی از یک متغیر تصادفی The expected value and variance of a linear function of a random variable

  • توزیع نرمال Normal distribution

  • کوواریانس، همبستگی و استقلال (مقدمه) Covariance, correlation, and independence (intro)

  • امید ریاضی شرطی و واریانس شرطی، مقدمه Conditional expectation and conditional variance, introduction

  • نمونه به عنوان یک دنباله از متغیرهای تصادفی Sample as a sequence of random variables

مبانی اقتصادسنجی Econometrics Basics

  • مدل رگرسیون خطی The linear regression model

  • LRM با یک متغیر توضیحی برونزا LRM with an exogenous explanatory variable

  • برآوردگر OLS The OLS estimator

  • چه زمانی برآوردگرهای OLS نااریب و سازگار هستند؟ When are the OLS estimators unbiased and consistent?

  • همسانی و ناهمسانی و فرض‌های گاوس-مارکوف Homoscedasticity, heteroscedasticity and the Gauss-Markov assumptions

  • واریانس برآوردگر OLS The variance of the OLS estimator

  • برآورد σ2 Estimating σ2

  • برآورد واریانس برآوردگرهای OLS Estimating the variance of the OLS estimators

  • قضیه گاوس-مارکوف The Gauss-Markov theorem

  • توزیع کای-دو The chi-square distribution

  • توزیع t The t-distribution

  • توزیع F The F-distribution

  • مقادیر بحرانی Critical values

  • مقدمه‌ای بر آزمون فرض Introduction to hypothesis testing

  • آزمون فرض در LRM: آزمون t Hypothesis testing in the LRM: The t-test

  • فاصله‌های اطمینان در LRM Confidence intervals in the LRM

مدل رگرسیون با چندین متغیر توضیحی The regression model with several explanatory variable

  • رگرسیون خطی با چندین متغیر توضیحی Linear regression with several explanatory variables

  • OLS OLS

  • ویژگی‌های برآوردگر OLS The properties of the OLS estimator

  • آزمون فرض، یک محدودیت – آزمون t Hypothesis testing, one restriction – the t-test

  • آزمون فرض، چندین محدودیت – آزمون F Hypothesis testing, several restrictions – the F-test

  • فاصله‌های اطمینان در LRM Confidence intervals in the LRM

  • هم‌خطی چندگانه Multicollinearity

  • پیش‌بینی در LRM Forecast in the LRM

  • خطی بر حسب پارامترها و/یا خطی بر حسب داده‌ها Linear in parameters and/or linear in data

  • مدل‌های رگرسیون خطی که نسبت به داده‌ها غیرخطی هستند Linear regression models which are nonlinear in data

  • مدل log-log The log-log model

  • مدل log-linear The log-linear model

  • لاگ گرفتن از یک متغیر x Logging an x-variable

  • آزمون RESET رمزی Ramsey’s RESET test

  • LRM با یک متغیر مجازی The LRM with a dummy variable

  • LRM با بیش از دو دسته LRM with more than two categories

  • متغیرهای مجازی تعاملی Interactive dummy variables

  • آزمون چو The Chow test

  • ناهمسانی Heteroscedasticity

  • آزمون برای ناهمسانی با استفاده از باقیمانده‌های مربع شده Test for heteroscedasticity using squared residuals

  • خطاهای استاندارد قوی با ناهمسانی Robust standard errors with heteroscedasticity

  • حداقل مربعات وزنی Weighted least squares

داده‌های سری زمانی Time series data

  • داده‌های سری زمانی Time series data

  • ایستایی Stationarity

  • LRM با داده‌های سری زمانی – مدل ایستا LRM with time series data – the static model

  • ویژگی‌های برآوردگر OLS در مدل ایستا The properties of the OLS estimator in the static model

  • مدل ADL(p,q) ADL(p,q) model

  • فرایند AR(1) The AR(1) process

  • فرایند AR(p) The AR(p) process

  • برآورد مدل‌های ADL(p,q) Estimating ADL(p,q) models

  • آثار بلندمدت و کوتاه‌مدت در مدل‌های ADL Long run and short run effects in ADL models

  • همبستگی خودکار Autocorrelation

  • آزمون برای همبستگی خودکار، آزمون بروش-گادفری Test for autocorrelation, Breusch-Godfrey test

  • خطاهای استاندارد قوی با همبستگی خودکار Robust standard errors with autocorrelation

  • برآورد کارآمد با خطاهای AR(1) Efficient estimation with AR(1) errors

درون‌زادی و متغیرهای ابزاری Endogeneity and instrumental variables

  • متغیرهای زائد Redundant variables

  • متغیرهای گم‌شده Missing variables

  • خطاهای اندازه‌گیری Measurement errors

  • یک مدل ساده از خطاهای اندازه‌گیری در یک LRM A simple model of measurement errors in a LRM

  • معادلات همزمان Simultaneous equations

  • سوگیری معادله همزمان Simultaneous equation bias

  • متغیرهای درون‌زا Endogenous variables

  • متغیرهای ابزاری، یک متغیر توضیحی Instrumental variables, one explanatory variable

  • متغیرهای ابزاری، چندین متغیر توضیحی Instrumental variables, several explanatory variables

  • IV تعمیم‌یافته Generalized IV

  • آزمون هاوسمن برای متغیرهای درون‌زا Hausman test for endogenous variables

مدل‌های انتخاب باینری Binary choice models

  • مدل احتمال خطی The linear probability model

  • مدل‌های انتخاب باینری Binary choice models

  • مدل‌های انتخاب باینری، استنتاج Binary choice models, inference

  • مشکل داده‌های ناایستا The problem with nonstationary data

مدل‌های سری زمانی ناایستا Non-stationary time series models

  • مدل‌های ناایستا Nonstationary models

  • آزمون برای ریشه واحد Test for unit root

  • هم‌انباشتگی Cointegration

داده‌های پانلی Panel data

  • داده‌های پانلی Panel data

  • OLS تجمیعی Pooled OLS

  • مدل مولفه خطا Error component model

  • مدل اثرات تصادفی Random effects model

  • مدل اثرات ثابت Fixed effects model

  • اثرات تصادفی در مقابل اثرات ثابت Random effects versus fixed effects

  • آزمون هاوسمن برای اثرات تصادفی The Hausman test for random effects

نمایش نظرات

آموزش اقتصادسنجی الف تا ی: نظریه‌ها، مدل‌ها، توابع و داده‌ها
جزییات دوره
27 hours
100
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
832
4.6 از 5
دارد
ندارد
ندارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar