اقتصادسنجی - نظریه‌ها، مدل‌ها و توابع

آنچه یاد خواهید گرفت:

• با مبانی رگرسیون حداقل مربعات آشنا شوید: توضیح جبر حداقل مربعات، شامل ترندلاین ها، باقیمانده‌ها، مقادیر برازش شده و R-squared 
• ابزارهای نرم‌افزاری برای تحلیل رگرسیون را به کار گیرید: از اکسل و EViews برای محاسبه و تفسیر ترندلاین ها استفاده کنید.
• مفاهیم پایه‌ای احتمال را درک کنید: تعریف متغیرهای تصادفی، امید ریاضی، واریانس و کوواریانس و ارتباط آن‌ها با مدل‌های اقتصادسنجی 
• مدل رگرسیون خطی را فرموله و تفسیر کنید: مفهوم برون‌زایی را درک کنید و فرضیات گاوس-مارکوف را برای استخراج برآوردگرهای OLS به کار ببرید.
• مدل‌های رگرسیون چند متغیره را تحلیل کنید: تحلیل رگرسیون را به چندین متغیر توضیحی گسترش دهید و چالش‌هایی مانند همخطی چندگانه و ناهم واریانسی را برطرف کنید.
• مدل‌سازی و تفسیر داده‌های سری زمانی: داده‌های سری زمانی ایستا و غیرایستا را شناسایی کرده و مدل‌های ADL و AR را بررسی کنید و با خودهمبستگی آشنا شوید.
• درون زایی را شناسایی و برطرف کنید: پیامدهای درون زایی را درک کرده و تکنیک‌های متغیرهای ابزاری را برای برآورد پارامترهای سازگار به کار ببرید.
• مدل‌های انتخاب باینری را بررسی کنید: مدل‌های احتمال خطی، پروبیت و لوجیت را مقایسه کرده و تخمین حداکثر احتمال را به کار ببرید.
• با داده‌های پانل کار کنید: توضیح مدل‌های اثر ثابت و اثر تصادفی و استفاده از آزمون هاسمن برای تعیین مدل مناسب برای تحلیل داده‌های پانل 

پیش نیازهای دوره

• پایه‌های ریاضی
• توانایی کار با کامپیوتر
• دانش پایه اقتصاد
• تفکر منطقی و تحلیلی

توضیحات دوره

مقدمه‌ای بر اقتصادسنجی

این دوره مطالبی معادل یک دوره‌ی ابتدایی در اقتصادسنجی را پوشش می‌دهد. آموزش پیش رو شامل 27 ساعت از 100 درس آسان به همراه بیش از صد منبع PDF قابل دانلود همراه با سخنرانی‌ها است.

این دوره شامل موارد زیر خواهد بود:

فصل 1: جبر حداقل مربعات با یک متغیر توضیحی

این فصل روش حداقل مربعات را معرفی می‌کند که برای برازش یک لاین مستقیم از طریق نمودار پراکندگی استفاده می‌شود. این فصل بر جبر حداقل مربعات تمرکز دارد. در این فصل نظریه احتمال یا آمار وجود ندارد. فصل 1 با گشتاورهای نمونه شروع می‌شود، فرمول OLS را استخراج می‌کند و به بررسی آنها می‌پردازد. مفاهیم مهم معرفی شده در این فصل شامل: ترندلاین، باقیمانده‌ها، مقادیر برازش شده و R-squared است. علاوه بر اکسل، در این فصل EViews را معرفی کرده و به نحوه‌ی یافتن ترندلاین ها با استفاده از اکسل و EViews می پردازیم.

فصل 2: مقدمه‌ای بر نظریه احتمال

برای درک بیشتر از مفاهیم معرفی شده در فصل 1، به نظریه احتمال و آمار نیاز داریم. هدف این است که بتوانیم انحرافات مشاهده شده از ترندلاین را توضیح دهیم و این کار را با متغیرهای تصادفی به نام ترم‌های خطا انجام خواهیم داد. این فصل کمینه مطلق از نظریه احتمال شامل: متغیرهای تصادفی، تابع‌های توزیع، امید ریاضی، واریانس و کوواریانس را پوشش می‌دهد. این فصل همچنین گشتاورهای شرطی را معرفی می‌کند که در اقتصادسنجی بسیار مهم خواهد بود زیرا فرض بنیادین بر روی ترم‌های خطا به عنوان امید شرطی بیان می‌شود.

فصل 3: مدل رگرسیون خطی با متغیر توضیحی

این فصل مهم‌ترین مدل در اقتصادسنجی، یعنی مدل رگرسیون خطی را فرموله می‌کند. کل فصل محدود به یک حالت خاص است، یعنی زمانی که تنها یک متغیر توضیحی دارید. فرض کلیدی مدل رگرسیون خطی، برون زایی معرفی می‌شود. سپس فرمول OLS از فصل 1 به عنوان یک برآوردگر پارامترهای ناشناخته در مدل رگرسیون خطی تفسیر می‌شود. این فصل همچنین واریانس برآوردگر OLS را تحت مجموعه‌ای از فرضیات مهم، یعنی فرضیات گاوس-مارکوف معرفی می‌کند. فصل با استنتاج در مدل رگرسیون خطی، به‌ویژه بحث درباره آزمون فرضی و فواصل اطمینان به پایان می‌رسد.

فصل 4: مدل رگرسیون با چند متغیر توضیحی

این فصل، ادامه‌ی فصل 3 است که اجازه استفاده از چندین متغیر توضیحی را می‌دهد. ابتدا، رگرسیون خطی با چندین متغیر توضیحی که موضوع این فصل است به طور کامل معرفی می‌شود و بسطی از فرمول OLS مورد بحث قرار می‌گیرد. از آنجا که در این دوره از جبر ماتریسی استفاده نمی‌کنیم، نمی‌توانیم فرمول‌های عمومی مانند فرمول OLS را ارائه دهیم. به جای آن، به این واقعیت تکیه می‌کنیم که آن‌ها به درستی در نرم‌افزارهایی مانند اکسل، EViews ،Stata و غیره برنامه‌ریزی شده‌اند. نیاز است که تغییرات کوچکی در استنتاج این مدل ایجاد کنیم و همچنین برخی آزمون‌های جدید را معرفی خواهیم کرد. یک مشکل جدید که در این مدل ظاهر می‌شود، همخطی چندگانه است. در ادامه، به بررسی برخی از مدل‌های رگرسیون غیرخطی و به دنبال آن متغیرهای ساختگی می‌پردازیم. این فصل با تحلیلی از مشکل داده به نام ناهم واریانسی 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، داده‌هایی برای افراد، شرکت‌ها، کشورها و غیره محدود شده‌اند. کار با داده‌های سری زمانی مشکلات جدیدی را معرفی خواهد کرد، اولین و مهم‌ترین مشکل این است که داده‌های سری زمانی ممکن است غیرایستا باشند که ممکن است منجر به نتایج گمراه‌کننده شود. با این حال، این فصل تنها به داده‌های سری زمانی ایستا می پردازد. مدل‌های سری زمانی ممکن است ایستا یا پویا باشند، که در مدل‌های پویا به این معنی است که متغیر وابسته ممکن است به مقادیر دوره‌های قبلی وابسته باشد. ما به بررسی برخی مدل‌های پویا، به‌ویژه مدل‌های ADL (autoregessive distributed lag) و AR (autoregessive) می‌پردازیم. مشکل دیگری که با داده‌های سری زمانی وجود دارد این است که ترم‌های خطا ممکن است با زمان همبسته باشند (خودهمبستگی). این فصل با بحثی درباره خودهمبستگی، نحوه آزمون برای خودهمبستگی و نحوه برآورد مدل‌ها در حضور خودهمبستگی به پایان می‌رسد.

فصل 6: درون زایی و متغیرهای ابزاری

در طول دوره تاکنون، فرض کردیم که متغیرهای توضیحی برون زا هستند. این مهم‌ترین فرض در اقتصادسنجی است. در این فصل به مواردی خواهیم پرداخت که در آن متغیرهای توضیحی نمی‌توانند برون زا باشند (که در این صورت می‌گوییم آن‌ها درون‌زا هستند). ما همچنین به پیامدهای تحلیل اقتصادسنجی با متغیرهای درون‌زا خواهیم پرداخت. به‌طور خاص، به ساخت اشتباه مدل، خطا در متغیرها و مشکل هم‌زمانی می پردازیم. زمانی که متغیرهای درون‌زا داریم، گاهی اوقات می‌توانیم متغیرهای ابزاری برای آن‌ها پیدا کنیم، متغیرهایی که با متغیر درون‌زای ما همبسته هستند اما با ترم خطا همبسته نیستند. این امر امکان برآورد مداوم پارامترها در مدل ما را با استفاده از برآوردگر متغیر ابزاری و برآوردگر متغیر ابزاری تعمیم‌یافته فراهم می‌کند.

فصل 7: مدل‌های انتخاب باینری

این فصل مقدمه‌ای بر مدل‌های میکرواقتصادی است. ما به ساده‌ترین این مدل‌ها، یعنی مدل انتخاب باینری می پردازیم، مدلی که در آن متغیر وابسته شما یک متغیر ساختگی است. به نظر می‌رسد که می‌توانیم از همان روش‌های توصیف شده در فصل 4 استفاده کنیم که در چنین شرایطی مدل به نام مدل احتمال خطی نامیده می‌شود. با این حال، مدل احتمال خطی مشکلاتی به همراه دارد. به عنوان مثال، احتمال پیش‌بینی ممکن است کمتر از صفر و یا بیشتر از 100% باشد. برای اصلاح این مشکل، مدل‌های جدیدی معرفی می‌شوند (مدل‌های پروبیت و لوجیت) و یک تکنیک جدید برای برآورد این مدل‌ها معرفی می‌شود (حداکثر احتمال).

فصل 8: مدل‌های سری زمانی غیرایستا

در فصل 5 که با داده‌های سری زمانی کار می‌کردیم، ایستایی مهم‌ترین فرض بود. در این فصل به بررسی داده‌هایی که ایستا نیستند، پیامدهای استفاده از داده‌های غیرایستا و چگونگی تعیین اینکه آیا داده‌های شما ایستا هستند یا خیر خواهیم پرداخت.

فصل 9: داده‌های پانل

داده‌های پانل، داده‌هایی هستند که شامل مقاطع زمانی و مکانی هستند. این فصل تنها مقدمه‌ای بر مدل‌های استفاده از داده‌های پانل است. تمرکز این فصل بر روی مدل‌های مؤلفه خطا است که در آن به برآوردگر اثر ثابت و همچنین مدل اثر تصادفی می پردازیم. این فصل با بحث در مورد چگونگی انتخاب بین مدل‌های مختلف و همچنین انتخاب بین برآوردگر اثر ثابت و برآوردگراثر تصادفی (شامل آزمون هاسمن) به پایان می‌رسد.

این دوره برای چه کسانی مناسب است؟

• دانشجویان کارشناسی
• دانشجویان تحصیلات تکمیلی
• پژوهشگران مشتاق
• تحلیلگران سیاست و حرفه‌ای‌ها
• علاقه‌مندان به داده
• تحلیلگران کسب‌وکار
• اساتید و مدرسان 
• هر کسی که تازه با اقتصادسنجی آشنا شده است.