Anvendt økonometri
Kurset gir studentene innføring i de ferdigheter og kunnskaper som trengs for å integrere teori, matematisk modellering, økonometriske metoder og datahåndtering i analysen av økonomiske problemstillinger. Kurset har et praktisk perspektiv med oppgaver og datalabøvinger i programmeringsverktøyet R med RStudio. Temaene i kurset bygger videre på basiskunnskaper fra de grunnleggende matematikk- og statistikkursene. De viktigste grunnelementene fra disse kursene som vi har bruk for blir repetert i kurset.
Kursets hovedtema:
- Innføring i programmeringsverktøyet R og RStudio.
- Grunnleggende matematisk statistikk: tilfeldig utvalg, mål på sentraltendens og spredning, uavhengig og identisk fordelte (IID) variabler, utvalgsfordeling, store talls lov, klassisk sentralgrenseteorem (Lindeberg-Lévy),.
- Sannsynlighetsfordelinger: Nomal, Student's t, Kjikvadrat, F. Enkel sannsynlighetsregning i disse fordelingene som grunnlag for hypotesetesting.
- Hypotesetesting: med utforming av hypoteser (ensidig og tosidig) og beregning av testobservatorer.
- Enkel og multippel lineær regresjonsanalyse med tverrsnittsdata: forutsetninger, modellevaluering.
- Ikke-lineære sammenhenger: logaritmiske modeller Lin-log; log-lin; log-log).
- Regresjon med dummyvariabler: faste effekter; dummyvariabel som avhengig variabel (Probit-modellen).
- Introduksjon til lineær regresjonsanalyse med tidsseriedata: forskjellen mellom tverrsnitts- og tidsseriedata, stasjonaritetskravet, enkle statiske modeller, enkle autoregresjonsmodeller, autokorrelasjon.
Emnet er kun åpent for studenter på studieprogrammet Bachelor i økonomi og ledelse.
Studenter må ha bestått MET1001 Anvendt metode, MAT1001 Matematikk og STT1001 Statistikk eller tilsvarende.
Etter å ha gjennomført emnet skal studentene ha tilegnet seg:
Kunnskaper:
- Forstå hvordan regresjonsanalyse ved minste kvadraters metode (MKM) kan brukes til å kvantifisere sammenhenger mellom variabler. Herunder en grundig forståelse av modellforutsetninger konsekvenser av brudd på disse.
- Forstå hvordan normalfordelingen og avledede fordelinger anvendes i standard hypotesetesting.
- Kunne velge hensiktsmessig analyseform basert på problemstilling og tilgjengelige data.
- Opparbeide kunnskap om de vanligste typer regresjonsmodeller.
- Forstå hvorfor tidsrekkedata som hovedregel ikke oppfyller forutsetningen om tilfeldig utvalg (IID-forutsetningen), og hvilke tilleggskrav som må stilles for gyldig estimering og hypotesetesting.
- Forstå at økonometri kun er manipulering av korrelasjoner, og at korrelasjon ikke er det samme som kausalitet.
Ferdigheter:
- Beherske de mest grunnleggende beregningene i enkel lineær regresjon med minste kvadraters metode (MKM) «for hånd», dvs. uten andre hjelpemidler enn kalkulator, penn og papir.
Ved hjelp av statistikkverktøyet R med RStudio:
- Laste inn data. Importere programpakker for å løse spesielle operasjoner (f.eks. residualtester, lage tabeller, etc.)
- Lage og redigere script (programblokker) for å utføre enkel og multippel regresjonsmetode med både tverrsnitts- og tidsrekkedata. Lage grafer, figurer og tabeller som beskriver modellene, og som kan brukes i rapporter og andre skriftlige arbeider.
- Transformere ikke-lineære regresjonsfunksjoner, f.eks. log-transformasjon av eksponentielle funksjoner, slik at de blir lineære i parametrene og kan estimeres med MKM.
Generell kompetanse:
Studentene skal oppøve en kritisk sans til de forutsetninger som enkel regresjonsanalyse bygger på, slik at de kan evaluere både sine egne og andres arbeider. I mange konkrete anvendelser bryter disse forutsetningene sammen, og de skal kjenne til hvilke problemer dette kan gi, og hvordan de kan avhjelpes. Studentene må derfor utvikle sin kritiske sans, og kjenne til metoder for å teste om kritiske forutsetninger holder i praksis. Studentene skal også være bevisst på:
- at det finnes årsakssammenhenger som det ikke er mulig å kvantifisere i praksis,
- at data kan være mangelfulle ved at de f.eks. inneholder feil eller at utvalget er skjevt.
Med tanke på bacheloroppgave og senere arbeidsliv skal studentene kunne anvende et egnet statistikkverktøy til å estimere parametere i modellen, samt presentere resultater i oversiktlige og selvforklarende tabeller, og ved ulike grafiske fremstillinger.
Tavleundervisning («Ansikt til ansikt»), datalabøvinger, oppgaveseminar, to obligatoriske innleveringer.
Enkel kalkulator og tospråklige ordbøker. Å generere besvarelse ved hjelp av ChatGPT eller lignende kunstig intelligens og levere den helt eller delvis som egen besvarelse er å regne som fusk.
