R语言的计量经济学应用
第一部分 R语言快速入门
作为一门应用课程的开篇,这一部分并不会出现艰涩的代码操作,有的只是最实用的语法介绍和应用技巧。
1. 数据:构建模型的基本单元
1.1 列表
1.2 数据框
1.3 外部数据导入与格式转换
2. 函数体:呈现逻辑的基本框架
2.1 if…else 条件语句
2.2 for & while 循环语句
2.3 function定义函数
第二部分 截面数据的分析方法
从最简单也是要求最苛刻的OLS切入,在不断放宽基本假定的过程中陆续引入其他计量模型,以理解不同模型的应用条件,并使用R语言实现对各类模型的拟合。
3. 连续因变量模型
3.1 单纯的一元回归
3.2 现实的多重回归
3.2.1 多元线性回归
3.2.2 多项式回归
3.3 细节处理
3.3.1 异方差
3.3.2 自相关
3.3.3 使用虚拟变量
4. 专题讨论1:多重共线性问题的解决
4.1 逐步回归
4.2 主成分分析与因子分析
5. 专题讨论2:内生性问题的解决
5.1 两阶段最小二乘法
5.2 广义矩估计
6. 离散因变量模型
6.1 二分类概率回归与逻辑回归
6.2 多分类逻辑回归
6.3 定序变量回归
7. 受限变量模型
7.1 断尾数据回归
7.2 删截数据回归
7.3 样本选择模型
第三部分 时间序列数据的分析方法
从最简单的单变量平稳时间序列入手,逐步深入,内容涵盖ARMA、VARMA、ARCH、GARCH等模型。
8. 单变量时间序列模型
8.1自回归模型
8.2 移动平均模型
9. 多变量时间序列
9.1 向量误差修正模型
9.2 向量自回归模型
9.3 向量移动平均模型
10. 条件异方差模型
10.1 自回归条件异方差模型
10.2 广义自回归条件异方差模型
第四部分 面板数据的分析方法
从最常见的静态面板入手,逐步深入,内容涵盖固定/随机效应模型、分层线性模型、动态面板等内容。
11. 连续因变量静态面板数据模型
11.1 混合回归模型
11.2 固定效应模型
11.3 随机效应模型
11.4 分层线性模型
11.5 双重差分法
11.6 合成控制法
12. 离散因变量数据模型
12.1 面板概率/逻辑回归
12.2 面板泊松/负二项回归
13. 动态面板数据模型
13.1 差分广义矩估计
13.2 系统广义矩估计
报名时间 |
2017-09-22 00:00 至 2017-12-15 00:00 |
培训时间 |
2017年12月15-18日(周五-周一共四天) |
培训地点 |
北京市海淀区厂洼街3号丹龙大厦B座 |
培训费用 |
3200元 / 2600元 (仅限全日制在读本科生和硕士研究生优惠价) |
授课安排 |
上午9:00-12:00,下午1:30-4:30,答疑4:30-5:00 |
R语言,作为一门统计学家开发的语言,从诞生之日起,就与统计和计量问题的处理有着密不可分的联系。随着大数据的兴起,R语言凭借其强大的数据处理能力和不断完善的扩展功能,迅速成为一项炙手可热的数据分析利器,针对统计与计量问题的处理方法也越来越丰富,覆盖范围也越来越广。
这门课程的目的,正是希望能够借助R语言来处理实际计量经济学数据,以更好地感受计量经济学的实际应用效果。
在这门课程的学习过程中,基本不会出现大量晦涩的专业术语,也不会有大篇幅的公式推导和运算,我们希望用最朴素的语言和最直观的案例帮助大家理解各类计量模型的应用条件与计算结果,因此对计量经济学基础的要求并不高;同时,尽管R语言不是一项能够通过菜单操作就获得结果的编程语言,但由于她有着异常强大的扩展库,因此对编程基础的要求同样近乎于零。
课程大纲:
第一部分 R语言快速入门
目标:作为一门应用课程的开篇,这一部分并不会出现艰涩的代码操作,有的只是最实用的语法介绍和应用技巧。
1. 数据:构建模型的基本单元
1.1 列表
1.2 数据框
1.3 外部数据导入与格式转换
2. 函数体:呈现逻辑的基本框架
2.1 if…else 条件语句
2.2 for & while 循环语句
2.3 function定义函数
第二部分 截面数据的分析方法
目标:从最简单也是要求最苛刻的OLS切入,在不断放宽基本假定的过程中陆续引入其他计量模型,以理解不同模型的应用条件,并使用R语言实现对各类模型的拟合。
3. 连续因变量模型
3.1 单纯的一元回归
3.2 现实的多重回归
3.2.1 多元线性回归
3.2.2 多项式回归
3.3 细节处理
3.3.1 异方差
3.3.2 自相关
3.3.3 使用虚拟变量
4. 专题讨论1:多重共线性问题的解决
4.1 逐步回归
4.2 主成分分析与因子分析
5. 专题讨论2:内生性问题的解决
5.1 两阶段最小二乘法
5.2 广义矩估计
6. 离散因变量模型
6.1 二分类概率回归与逻辑回归
6.2 多分类逻辑回归
6.3 定序变量回归
7. 受限变量模型
7.1 断尾数据回归
7.2 删截数据回归
7.3 样本选择模型
第三部分 时间序列数据的分析方法
目标:从最简单的单变量平稳时间序列入手,逐步深入,内容涵盖ARMA、VARMA、ARCH、GARCH等模型。
8. 单变量时间序列模型
8.1自回归模型
8.2 移动平均模型
9. 多变量时间序列
9.1 向量误差修正模型
9.2 向量自回归模型
9.3 向量移动平均模型
10. 条件异方差模型
10.1 自回归条件异方差模型
10.2 广义自回归条件异方差模型
第四部分 面板数据的分析方法
目标:从最常见的静态面板入手,逐步深入,内容涵盖固定/随机效应模型、分层线性模型、动态面板等内容。
11. 连续因变量静态面板数据模型
11.1 混合回归模型
11.2 固定效应模型
11.3 随机效应模型
11.4 分层线性模型
11.5 双重差分法
11.6 合成控制法
12. 离散因变量数据模型
12.1 面板概率/逻辑回归
12.2 面板泊松/负二项回归
13. 动态面板数据模型
13.1 差分广义矩估计
13.2 系统广义矩估计
优惠:
现场班老学员9折优惠;
同一单位三人以上同时报名9折优惠;
以上优惠不叠加。
联系方式:
魏老师
QQ:1143703950
Tel:010-68478566
Mail:vip@pinggu.org