Zrozumieć modelowanie ekonometryczne

Ekonometria to specyficzne dla ekonomii połącznie matematyki, statystyki oraz narzędzi IT. Po opanowaniu podstaw, trzeba długo zdobywać doświadczenie, dzięki któremu można oddzielić zły od dobrego sposób użycia ekonometrii w badaniach naukowych i prognozowaniu. W kursie tym zostaną pokazane niuanse modelowania ekonometrycznego, które decydują o jakości prowadzanych badań.

Jest to kurs w którym prowadzący dzielą się własnym doświadczeniem oraz wypracowaną przez nich metodą weryfikacji tego, czy dany model faktycznie daje prawidłowe wyniki. Polega ona na tworzeniu danych z generatora liczb losowych przy prostych założeniach odnośnie tego, w jaki sposób takie dane powstają. Pozwala to na eksperymentowanie z modelami ekonometrycznymi posiadając jednocześnie wiedzę, jakie powinno się otrzymać wyniki. Jest to bardzo efektywny sposób eksploracji konsekwencji występowania problemów ekonometrycznych w kontekście różnych modeli i metod. Pozwala on na wybranie rozwiązań adekwatnych do danego problemu oraz odrzucić te, które nie radzą prawdziwych wyników.

Kurs ma na celu zaznajomienie uczestników z fundamentalnymi problemami ekonometrycznymi, które znajdują odniesienie w aktualnej literaturze empirycznej. Szczególny nacisk położono na problemy związane z wnioskowaniem o przyczynowości – Selection Bias, Endogenity, Bad Control. Kurs może być traktowany jako uzupełnienie, bądź łagodne wprowadzenie do problematyki Causal Inference.

Ramowy plan zajęć [zalezny od mozliwosci i checi grupy]:

[1-3 zajęć] Wstep: Wprowadzenie do problematyki, minimalistyczne wprowadzenie do środowiska R/Python, pierwsze symulacje.

[6-10 zajęć] Problemy identyfikacji: W miarę możliwości grupy poruszone zostaną problemy: omitted variable bias, selection bias, measurement error, nonlinearity, bad control, panel control, experiment/natural experiment, lub inne aspekty dotyczące identyfikacji modeli ekonometrycznych.

[2-5 zajęć] Problemy estymacji: W miarę możliwości grupy poruszone zostaną problemy związane z błędami pierwszego i drugiego rodzaju: data mining, clustering, power measurement, OLS assumptions testing lub inne aspekty dotyczące problemów estymacyjnych.

[2-4 zajęć] Prezentacje projektów.

WIEDZA

• Zna podstawowe problemy modelowania ekonometrycznego

• Zna symulacyjne podejście do badania prawdziwości modeli ekonometrycznych

• Posiada wiedzę o oprogramowaniu niezbędnym do stworzenia modeli ekonometrycznych i eksperymentów obliczeniowych

UMIEJĘTNOŚCI

• Potrafi samodzielnie i krytycznie analizować wyniki modelowania ekonometrycznego

• Może wykorzystywać różne zestawy danych do prowadzenia własnych badań

KOMPETENCJE SPOŁECZNE

• Jest krytyczny w stosunku do prezentowych problemów ekonometrii i statystyki w badaniach społecznych oraz dąży do racjonalnego wyjaśnienia otaczających go zjawisk ekonomicznych i społecznych, uczy się myśleć, wypowiadać oraz pisać w sposób logiczny i spójny