Требования к уровню освоения дисциплины
В результате изучения дисциплины специалист должен:
знать методы количественной оценки социально-экономических процессов, основные принципы статистического моделирования, методы сбора и анализа статистической информации, необходимой для разработки экономических моделей, модели, применяемые при анализе, расчете и прогнозировании социально-экономических явлений, содержательные интерпретации формальных результатов,
применять полученные теоретические знания в решении социально-экономических задач от стадии постановки задачи до реализации решения в прикладных программах и правильной интерпретации полученных результатов,
осуществлять постановку задач при разработке статистических моделей, отражающих в динамике структуру, взаимосвязь социально-экономических явлений и процессов, прогноз на основе расчета модели, оценку качества полученных результатов, их точность и надежность.
Объем дисциплины
Объем дисциплины и виды учебной работы
Форма обучения – заочная, 5 лет
| Вид учебной работы | Всего по учебному плану |
| Аудиторные занятия | |
| - лекции | |
| - практические занятия | |
| Самостоятельная работа | |
| Всего часов на дисциплину | |
| Вид промежуточного контроля | Контрольная работа, экзамен |
Распределение часов по темам и видам учебной работы
| Темы | Количество часов | |||||
| Всего | Самост. работа | Ауд. занятия | В том числе | |||
| лекции | практ. занятия | |||||
| 1.Введение в эконометрику | ||||||
| 2. Модель парной регрессии | ||||||
| 3. Модель множественной регрессии | ||||||
| 4. Различные аспекты множественной регрессии | ||||||
| 5. Обобщения множественной регрессии | ||||||
| 6. Временные ряды в эконометрических исследованиях | ||||||
| ВСЕГО |
Содержание дисциплины
Содержание лекционных занятий
Тема 1. Введение в эконометрику
Эконометрика и ее место в ряду других экономических и статистических дисциплин. Типы моделей, которые применяются для анализа или прогноза. Типы данных при моделировании экономических процессов. Основные стадии процесса эконометрического моделирования.
Тема 2. Модель парной регрессии
Понятие о функциональной, статистической и корреляционной связях. Основные задачи прикладного корреляционно-регрессионного анализа. Линейные и нелинейные виды уравнений регрессии. Метод наименьших квадратов. Классическая линейная регрессионная модель. Теорема Гаусса-Маркова. Оценка дисперсии ошибок. Критерий Стьюдента для проверки гипотез. Анализ вариации зависимой переменной в регрессии. Коэффициент детерминации. F-статистика для проверки гипотез. Оценка параметров методом максимального правдоподобия.