• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Глава в книге
Assessment of the Impact of the Urban Environment on the Emotional State of Citizens

Burova A., Nikonov V.

In bk.: Proceedings of CIRMARE 2023. Recovery, Maintenance and Rehabilitation of Buildings. Cham: Springer, 2024. P. 233-241.

Препринт
Fast gradient-free activation maximization for neurons in spiking neural networks

Pospelov N., Chertkov A., Beketov M. et al.

arxiv Neural and Evolutionary Computing. arxiv:cs.NE. Cornell University, 2023

Регрессионный анализ: панельные данные и каузальность

2021/2022
Учебный год
RUS
Обучение ведется на русском языке
5
Кредиты
Статус:
Курс обязательный
Когда читается:
3-й курс, 1, 2 модуль

Преподаватель

Программа дисциплины

Аннотация

Курс «Регрессионный анализ: панельные данные и каузальность» состоит из двух частей: в рамках первой части студенты осваивают статистические инструменты для анализа панельных данных, вторая часть знакомит студентов с проблемой эндогенности в регрессионном анализе. Изучаемый теоретический материал иллюстрируется примерами из исследований в области социальных наук. На семинарах используется RStudio для отработки применения статистических методов анализа. Для успешного освоения материала студенты должны знать основы статистики и регрессионный анализ в объеме курсов «Теория вероятностей и математическая статистика» и «Введение в многомерный статистический анализ».
Цель освоения дисциплины

Цель освоения дисциплины

  • выработать базовые компетенции по решению задач, связанных с анализом эмпирических данных с помощью методов многомерной статистики.
Планируемые результаты обучения

Планируемые результаты обучения

  • Умеет выбирать релеватную спецификацию модели для анализа панельных данных, корректно интерпретирует результаты оценивания модели с фиксированными эффектами и модели со случайными эффектами
  • Умеет выбрать и обосновать спецификацию модели со смешанными эффектами для анализа панельных данных, корректно интерпретирует оценки коэффициентов в моделях со смешанными эффектами, понимает различие между фиксированными и случайными эффектами в контексте модели со смешанными эффектами.
  • Умеет диагностировать потенциальные источники эндогенности. Корректно применяет методы инструментальных переменных и difference-in-differences, а также корректно интерпретирует результаты.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Основы анализа панельных данных: модели с фиксированными эффектами и модели со случайными эффектами
  • Анализ панельных данных с помощью моделей со смешанными эффектами
  • Эндогенность в регрессионном анализе. Инструменты выявления каузального эффекта в рамках анализа панельных данных
Элементы контроля

Элементы контроля

  • неблокирующий Домашние задания
  • неблокирующий Самостоятельные работы
  • неблокирующий Контрольная работа
  • неблокирующий Эссе
  • неблокирующий Экзаменационная работа
  • неблокирующий Работа на практических занятиях
Промежуточная аттестация

Промежуточная аттестация

  • 2021/2022 учебный год 2 модуль
    0.15 * Эссе + 0.3 * Экзаменационная работа + 0.15 * Самостоятельные работы + 0.15 * Контрольная работа + 0.1 * Работа на практических занятиях + 0.15 * Домашние задания
Список литературы

Список литературы

Рекомендуемая основная литература

  • Mostly harmless econometrics : an empiricist's companion, Angrist, J. D., 2009