• 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

Введение в регрессионный анализ

2022/2023
Учебный год
RUS
Обучение ведется на русском языке
3
Кредиты
Статус:
Курс обязательный
Когда читается:
2-й курс, 1 модуль

Преподаватели

Программа дисциплины

Аннотация

Регрессионный анализ - основной инструмент анализа данных в политической науке, государственном управлении, микро и макроэкономике. Он позволяет строить прогнозы, описывать сложные взаимосвязи между наборами признаков, а в некоторых случаях - даже измерять эффекты воздействий и оценивать силу причинно-следственных связей. Дисциплина «Введение в регрессионный анализ» посвящена базовым темам регрессионного анализа и дает студентам представление о содержательном смысле линейных регрессионных моделей, их основных допущениях, инструментах диагностики этих допущений, а также интерпретации полученных результатов. Для успешного освоения этой дисциплины требуются знания по теории вероятностей и математической статистике в объеме вводного курса, а также умение дифференцировать линейную функцию и полином. Студенты смогут продолжить углублённое изучение регрессионных и других моделей анализа социально-экономических и политологических данных в курсах по выбору: «Линейная алгебра и приложения в многомерной статистике» и «Регрессионный анализ: панельные данные и каузальность» на втором и третьем курсах образовательной программы.
Цель освоения дисциплины

Цель освоения дисциплины

  • Знакомство студентов-политологов с основные понятиями и инструментами регрессионного анализа и их использованием в фундаментальных и прикладных исследованиях
Планируемые результаты обучения

Планируемые результаты обучения

  • Умение строить парную регрессию
  • Умение интерпретировать результаты построения парной регрессии
  • Понимать логику и алгоритмы статистического вывода (с примерами)
  • Знать основные статистические критерии, используемые в регрессионном анализе
  • Понимать правила создания фиктивных переменных, верно интерпретировать коэффициенты при них
  • Знать основные понятия, связанные со множественной регрессией
  • Объяснять преимущества множественной регрессии перед парной в терминах пропущенных переменных
  • Проверять гипотезы о коэффициентах множественной регрессии
  • Оценивать качество модели множественной регрессии
  • Объяснять суть гетерогенности эффектов
  • Понимать механизм создания и интерпретацию моделей со взаимодействиями переменных
  • Объяснять суть проблемы эндогенности
  • Объяснять суть и механизм нахождения оценок инструментальных переменных
  • Приводить примеры инструментальных переменных
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Введение в парную регрессию
  • Парная регрессия. Продолжение
  • Бинарность
  • Регрессия и каузальность
  • Проверка модели на устойчивость
  • Ненормальная регрессия
  • Разность разностей
Элементы контроля

Элементы контроля

  • неблокирующий Домашнее задание 1
    ДЗ1: компьютерный практикум; на основе предложенных данных построить модель парной линейной регрессии в R, проанализировать её и проинтерпретировать результаты.
  • неблокирующий Домашнее задание 2
    ДЗ2: reflection paper; прочитать статью и написать на неё критический отзыв с учётом материала, пройденного в рамках темы «регрессия и казуальность».
  • неблокирующий Домашнее задание 3
    ДЗ3: мини-исследование: самостоятельно выбрать данные из предложенного списка, сформулировать исследовательский вопрос и гипотезы, проверить их с помощью моделей множественной линейной регрессии и содержательно проинтерпретировать результаты.
  • неблокирующий Самостоятельная работа
    Проверочная работа содержит тестовые и открытые вопросы по пройденному материалу. Задания проверочной работы не предполагают объёмных вычислений, они могут включать интерпретацию готовой выдачи из R, дополнение этой выдачи, исходя из теоретических соображений, вопросы на понимание используемых терминов. Во время работы нельзя пользоваться какими-либо материалами, но можно использовать калькулятор.
  • неблокирующий Экзамен
    Экзамен представляет собой набор заданий по всем пройденным темам. Формат экзамена похож на формат проверочной работы. Во время экзамена нельзя пользоваться какими-либо материалами, но можно использовать калькулятор. Продолжительность экзамена – 1 час 20 минут, состоится в конце курса на сессионной неделе. Для получения оценки 10 за экзамен студент должен продемонстрировать знания, полученные в ходе чтения дополнительной литературы по курсу (предлагается преподавателями после занятий) и выполнения необязательных домашних заданий.
Промежуточная аттестация

Промежуточная аттестация

  • 2022/2023 учебный год 1 модуль
    0.3 * Экзамен + 0.15 * Домашнее задание 1 + 0.15 * Самостоятельная работа + 0.15 * Домашнее задание 2 + 0.25 * Домашнее задание 3