Uniwersytet Warszawski, Wydział Nauk Ekonomicznych - Centralny System Uwierzytelniania
Strona główna

Advanced Econometrics

Informacje ogólne

Kod przedmiotu: 2400-DS1AE
Kod Erasmus / ISCED: 14.3 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0311) Ekonomia Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Advanced Econometrics
Jednostka: Wydział Nauk Ekonomicznych
Grupy: Anglojęzyczna oferta zajęć WNE UW
Przedmioty kierunkowe do wyboru - studia II stopnia IE - grupa 2 (2*30h)
Przedmioty obowiązkowe dla I roku Data Science and Business Analytics
Punkty ECTS i inne: 6.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
Język prowadzenia: angielski
Rodzaj przedmiotu:

obowiązkowe

Skrócony opis:

The lecture and exercises on econometrics are to familiarize students with advanced econometric techniques, their properties and the most important applications.

The lecture concerns: models estimated on the time series and panels as well as the applications of the MLE and GMM estimators.

The lecture is intended for students of the Data Science programme.

The lecture uses concepts in the field of linear algebra, mathematical analysis, probability calculus, descriptive and mathematical statistics and basic econometrics.

Pełny opis:

The lecture concerns important areas of modern econometrics: models estimated on the time series and panels, and the applications of the Maximum Likelihood and Generalised Method of Moments estimators.

During the lecture, the most important statistical models used in modern econometrics will be discussed. The lecture will be illustrated with empirical examples.

Exercises for the lecture are used to familiarize students with the applications of econometric models discussed at the lecture and to check students' knowledge on an ongoing basis.

Topics:

1. Stochastic process, Spurious regression

2. Stationarity and Nonstationarity, Stationarity testing – Augmented Dickey-Fuller and KPSS test

3. DL and ARDL models

4. ARMA and ARIMA models

5. Seasonality

6. Cointegration and Error correction model

7. Maximum Likelihood Estimators, Likelihood function, properties and testing process

8. Binary dependent variables models (LPM, Logit, Probit and others)

9. Ordered Logit & Probit

10. Multinomial Logit, Conditional Logit

11. Models for count data (Poisson, Negative Binomial and others)

12. Censored data, sample selection, Censored data model (Tobit), Sample selection (Heckmann model)

13. Panel data, Panel data specificity and properties, OLS, Random Effects and Fixed Effects models, Hausman and Individual Effects tests

14. Endogeneity, Instrumental Variables Methods, Instruments choice, Hausman and Sargan tests

15. Generalised Method of Moments

Literatura:

Obligatory literature:

1. Wooldridge, Introductory Econometrics.

2. Greene, Econometric Analysis, Prentice Hall.

3. Enders, W. (2015). Applied econometric time series. Hoboken: Wiley.

4. Charemza, W. W., & Deadman, D. F. (1999). New directions in econometric practice: general to specific modelling, cointegration and vector autoregression. Cheltenham: E. Elgar.

5. Davidson, McKinnon, Estimation and Inference in Econometrics, OUP, 1993.

6. Maddala, Limited Dependent and Qualitative Variables in Econometrics, OUP 1983.

Efekty uczenia się:

Students will be able to identify features of time series, panel & cross sectional data and select best modeling method.

They will know how to:

1. choose the most appropriate model,

2. implement it in a statistical tool,

3. assess a quality of the model, and

4. interpret obtained results.

K_W01, K_U03, K_U04

Metody i kryteria oceniania:

1. Class presence according to common University of Warsaw rules,

2. Preparation and presentation of own research project on real data (50%),

3. Written, open book final exam (50%).

Zajęcia w cyklu "Semestr letni 2021/22" (zakończony)

Okres: 2022-02-21 - 2022-06-15
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć:
Ćwiczenia, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Rafał Woźniak
Prowadzący grup: Honorata Bogusz, Marcin Chlebus, Rafał Woźniak
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Ćwiczenia - Zaliczenie na ocenę
Wykład - Egzamin

Zajęcia w cyklu "Semestr letni 2022/23" (jeszcze nie rozpoczęty)

Okres: 2023-02-20 - 2023-06-18
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć:
Ćwiczenia, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Rafał Woźniak
Prowadzący grup: Marcin Chlebus, Rafał Woźniak, Kateryna Zabarina
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Ćwiczenia - Zaliczenie na ocenę
Wykład - Egzamin
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Nauk Ekonomicznych.
ul. Długa 44/50
00-241 Warszawa
tel: +48 22 55 49 126 https://www.wne.uw.edu.pl/
kontakt deklaracja dostępności USOSweb 6.8.0.0-7 (2022-11-16)