Презентация на тему Курс Эконометрика

и математическая статистика;
Кремер Н.Ш. Теория вероятностей и математическая статистика.

Эконометрика:
Магнус

Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс;
Чичагов В.В., Радионова М.В. Руководство к решению задач по эконометрике Wooldridge, J.M. Introductory Econometrics: A Modern Approach;
Вербик М. Путеводитель по современной эконометрике;
Доугерти К. Введение в эконометрику;

Stock J., Watson M. Introduction to Econometrics;
Берндт, Э.Р. Практика эконометрики: классика и современность;
Дайитбегов Д.М. Компьютерные технологии анализа данных в эконометрике;

Айвазян С.А., Мхитарян В.С. Прикладная статистика в задачах и упражнениях;
Мхитарян В.С., Архипова М.Ю., Балаш В.А. Эконометрика;
Бывшев В.А. Эконометрика;
Магнус Я.Р., Нейдеккер Х. Матричное дифференциальное исчисление с приложениями к статистике и эконометрике.

2

часть 1», Квантиль №5, стр.67-72;
Цыплаков, Александр (2008) «Мини-словарь англоязычных

эконометрических терминов, часть 2», Квантиль №3, стр.41-48;
Цыплаков, Александр (2014) «Мини-словарь англоязычных эконометрических терминов, часть 3», Квантиль №12, стр.45-51;
Анатольев, Станислав (2008) «Оформление
эконометрических отчетов», Квантиль №4, стр.71-78;
Анатольев, Станислав и Александр Цыплаков (2009) «Где
найти данные в сети?», Квантиль, №6, стр.59-71.

матрицами;
Определитель, ранг матрицы;
Обратная матрица;
Системы линейных уравнений;
Собственные числа и векторы;
Симметричные

матрицы;
Положительно определенные матрицы;
Идемпотентные матрицы.

распределения СВ;
Функция и плотность распределения СВ;
Квантиль распределения;
Совместное распределение;
Условное распределение;
Типы

распределений;
Закон больших числе и Центральная предельная теорема;
Числовые характеристики СВ;
Оценивание неизвестных параметров;
Проверка статистических гипотез.

(Австро-Венгрия):
Бухгалтер , впервые употребил термин «эконометрия»
Если данные бухгалтерского учета

анализировать с помощью методов алгебры и геометрии, то будет получено новое, более глубокое представление о результатах хозяйственной деятельности.

29.12.1930 г. И. Фишер, Р. Фриша, Я. Тинбергена, И. Шумпетер, О.
Андерсон и др. ученые:
на заседании Американской ассоциации развития науки (США, Кливленд, штат Огайо) было сформированоэконометрическое общество, на котором норвежский ученый Р. Фриш присвоил новой науке название – «эконометрика».
1933 г. – начал выпускаться журнал «Econometrica»
1941 г. – издан первый учебник по эконометрике (Я. Тиберген)

по экономике присуждена эконометристам Рагнару Фришу и Яну Тибенбергу

(«За создание и применение динамических моделей к анализу экономических процессов»)
2000 г. – Нобелевская премия по экономике - Джеймс Хекман (и Дэниел Макфадден («За развитие теории и методов анализа дискретного выбора»)
2003 г. – Нобелевская премия по экономике - Роберт Энгл («За разработку метода анализа временных рядов в экономике на основе математической модели с авторегрессионной условной гетероскедастичностью (ARCH)») и Клайв Грэнджер («За разработку метода коинтеграции для анализа временных рядов в экономике»)
2011 г. – Нобелевская премия по экономике - Томас Сарджент и Кристофер Симс («За эмпирические исследования причинно- следственных связей в макроэкономике»)

состоит из применения математической статистики к экономическим данным для

предоставления эмпирической поддержки моделям, которые созданы в рамках математической экономики, и получения числовых результатов
(P.A. Samuelson, T.C. Koopmans, and J.R.N. Stone, “Report of the evaluative Committee for
Econometrica” , Econometrica, v. 22, no.2, Apr 1954, pp. 141-146).
Целью эконометрики является эмпирический вывод различных экономических законов.
Econometrics  Statistics Probability  Event  Set

Робрет Фогель и Дуглас Сессил Норт
Биометрия;
и др.

однокомнатным квартирам Мотовилихинского района (Пермь)
Metrosphera.ru (октябрь 2013 г.)
2,000

1,500

1,000

500
2,500
4,000

3,500

3,000
10
20
50
60
30 40

Общая площ адь

(кв.м)

Цена (тыс. руб.)

yˆ  24,94  58,96x

Регрессионная модель выглядит следующим образом:

исследования
Экономическая модель
Априорный этап
Данные (источник данных!)
Выбор данных и выдвижение гипотез
Анализ

выборки (визуальный анализ, описательные статистики)
Эконометрическая модель
Постановочный этап
Параметризация и спецификация модели

специфицирована
y  f (x1, x2 , x3 , x4 ,

x5 , x6 , x7 )

Hours spent in criminal activities

„Wage“ of cri- minal activities
Wage for legal employment

Other

Probability of

income getting caught

Age
Expected sentence
Probability of conviction if caught

Источник: J. Wooldridge, Introductory Econometrics

wage  f (educ, exp er,training )

Hourly wage

Years of formal
education

Years of work- force experience

Weeks spent
in job training

в один тот же момент времени;
Временные (time series data)

-
совокупность экономической информации, которая характеризует один и тот же объект, но за разные периоды времени;
Панельные (panel data) -
совокупность кросс-секционных и временных данных.

Introductory Econometrics

GDP
Growth rate of real per capita GDP
Источник: J. Wooldridge,

Introductory Econometrics

year
Gross national product
Источник: J. Wooldridge, Introductory Econometrics

reform

After reform
Источник: J. Wooldridge, Introductory Econometrics

in 1986


Number of police in 1990
Источник: J. Wooldridge, Introductory

Econometrics

employment
Other income
Frequency of prior arrests
Frequency of conviction
Average sentence length

after conviction

Age

Unobserved deter- minants of criminal activity

e.g. moral character, wage in criminal activity, family background …

Hourly wage

Years of formal
education

Years of work- force experience

Weeks spent in job training

Unobserved deter- minants of the wage

e.g. innate ability, quality of education, family background …

crime  0  1wagem  2othinc  3 freqarr 
4 freqconv  5avgsen 6age  

wage  0  1educ  2 exp er  3training  

с одним уравнением;
Системы одновременных уравнений.

предыдущие значения
(для изучения и прогнозирования

объема продаж авиабилетов, спроса на мороженое, краткосрочного прогноза процентных ставок и т.п.):
модели аддитивного прогноза;
модели авторегрессии;
модели скользящего среднего;
и др.

Модели тренда: yt  T t t, где T t  - временной тренд заданного параметрического вида, t - случайная стохастическая компонента;

Модели сезонности: yt  St t
компонента;
Модели тренда и сезонности

St  -периодическая

зарплаты от среднего уровня доходов, возраста, пола, уровня образования,

территориального расположения работы, стажа и так далее.

Общий вид:
y  f x,   f x1, x2 ,, xn , 1, 2 ,, k 

функции f от независимых переменных x1,..., xn
и параметров 1, 2 ,, k .
Модели можно разделить в зависимости от вида функции на:
линейные;
нелинейные.
Например, можно анализировать спрос на мороженое как функцию