Økonometri A (ØkA)

Kursusindhold

Økonometri A gennemgår den multiple lineær regressionsmodel for primært tværsnitsdata, men kurset behandler også paneldata. Estimationsmetoden Ordinary Least Squares (OLS) introduceres og statistiske egenskaber som middelrethed, konsistens og asymptotisk normalitet af OLS diskuteres i detaljer. Hypotesetest af populationsparametre præsenteres, såvel som generelle test af misspecifikation. Avancerede emner som Instrumental Variables (IV) estimation, og paneldata metoder introduceres også i kurset med henblik på at estimere kausalitet. 

Kurset lægger vægt på, at de studerende selv får mulighed for at udføre regressionsanalyser i praksis; både ved hjælp af forprogrammerede rutiner i statistiske programpakker såsom STATA og ved brug af et matrixprogrammeringssprog, hvor der skabes en en-til-en sammenhæng mellem computerkode og de teoretiske ligninger i lærebogen. En vigtig del af kurset er derfor øvelsestimerne, hvori de studerende vil udarbejde selvstændige empiriske analyser og udvikle computerkode som implementerer de økonometriske metoder, som anvendes i kurset.

 

Engelsk titel

Econometrics A (ØkA)

Uddannelse

Bacheloruddannelsen i datalogi-økonomi

Målbeskrivelse

Viden om

  • Den multiple lineære regressionsmodel.

  • De mest centrale antagelser i regressionsanalyse, samt hvordan disse påvirker de estimerede parameterværdier.

  • Forudsætninger for kausal fortolkning af parameterværdierne.

  • Statistisk inferens i den lineære regressionsmodel.

  • Fortolkningen af parametre for kontinuerte, diskrete og transformerede variable i en regressionsmodel.

 

Færdigheder i at

  • Udføre deskriptive analyser af datasæt med henblik på anvendelse i regressionsanalyse.

  • Udlede simple estimatorer samt karakterisere deres statistiske egenskaber i form af middelrethed, konsistent og efficiens.

  • Udføre og implementere følgende estimationsmetoder: Ordinary Least Squares (OLS), Weighted Least Squares (WLS), Generalized Least Squares (GLS), Instrumental Variables (IV), Differences-in-Differences (DD), First Differences (FD), Fixed Effect (FE) og Random Effects (RE).

  • Beregne og fortolke t-test, F-tests, LM-tests, og Wald-test for hypotesetest af parameterrestriktioner i den lineær regressionsmodel for både homoskedastiske samt heteroskedastiske fejlled.

  • Redegøre for fortolkningen af parametre for kontinuerte, diskrete og transformerede variable i en regressionsmodel.

  • Udføre test for misspecifikation (heteroskedasticitet, funktionel form, eksogenitet) og redegøre for deres fortolkning.

  • Anvende simulationseksperimenter til at illustrere og efterprøve egenskaber for statistiske estimatorer og test.

  • Anvende givne parameterestimater i en konkret beregning på en økonomisk problemstilling og redegøre for resultaterne.

  • Udvikle computerkode som implementerer de økonometriske metoder, som anvendes i kurset.

 

Kompetencer til at

  • Planlægge og gennemføre en empirisk analyse af et selvstændigt udvalgt emne med udgangspunkt i de gennemgåede økonometriske metoder.
  • Anvende økonometriske metoder til at vurdere og vælge mellem økonomiske teorier og på den måde skabe selvstændig og evidensbaseret viden.
  • Anvende fundne parameterestimater i en konkret beregning på en økonomisk problemstilling.

Pensum vil primært blive gennemgået ved forelæsningerne. I holdtimer arbejdes der både med teoriopgaver, simuleringseksperimenter og anvendt økonometrisk analyse baseret på faktiske datasæt. Statistisk software til regressionsanalyse vil blive introduceret i forbindelse med holdundervisningen, som også træner skriftlig formidling af resultaterne. Det sker i form af opsummeringer som fx sammenfatter resultaterne af en empirisk analyse eller diskuterer problemerne ved en bestemt økonometrisk model.

Den studerende skal løbende aflevere obligatoriske hjemmeopgaver til holdunderviserne og til de angivne frister. Opgaverne vil efterfølgende blive gennemgået og diskuteret på holdene.

Deltagelse i kurset forudsætter viden om grundlæggende statistisk metode og sandsynlighedsteori svarende til indholdet af faget "Grundlæggende Sandsynlighedsteori og Statistik". Der anvendes matematiske forudsætninger fra MatIntro og LinAlgDat, herunder matrixregning.

Mundtlig
Kollektiv
Løbende feedback i undervisningsforløbet
ECTS
7,5 ECTS
Prøveform
Skriftlig aflevering, 12 timers
Prøveformsdetaljer
Tag-hjem-opgave til den ordinære eksamen, som kan besvares individuelt eller i grupper af op til 3 studerende.
Krav til indstilling til eksamen

3 ud af 3 obligatoriske afleveringsopgaver skal være godkendt for at den studerende kan deltage i eksamen.

 

Hjælpemidler
Kun visse hjælpemidler tilladt
  • Til den skriftlige ordinære eksamen er alle hjælpemidler tilladt.
  • Til den mundtlige reeksamination er ingen hjælpemidler tilladt.
  • Det er tilladt at bruge GitHub Copilot og lignende AI-baserede programmeringsværktøjer specifikt til programmering. Den endelige liste over tilladte AI-værktøjer vil blive annonceret på Absalon.
Bedømmelsesform
7-trins skala
Censurform
Ingen ekstern censur
Flere interne bedømmere
Reeksamen

30 minutters mundtlig eksamen (inklusiv bedømmelse) uden forberedelse.

Hvis den studerende ikke er kvalificeret til ordinær eksamen kan kvalifikation til reeksamen opnås ved aflevering og godkendelse af de obligatoriske afleveringsopgaver tre uger inden reeksamen.

Kriterier for bedømmelse

Se målbeskrivelsen

Enkeltfag dagtimer (tompladsordning)

  • Kategori
  • Timer
  • Forelæsninger
  • 44
  • Holdundervisning
  • 38
  • Forberedelse (anslået)
  • 116
  • Eksamen
  • 8
  • Total
  • 206

Kursusinformation

Undervisningssprog
Dansk
Kursusnummer
NDAB20005U
ECTS
7,5 ECTS
Niveau
Bachelor
Varighed

1 blok

Placering
Blok 1
Skemagruppe
B
Kapacitet
Ingen begrænsning – medmindre du tilmelder dig i eftertilmeldingsperioden (BA og KA) eller som merit- eller enkeltfagsstuderende.
Studienævn
Studienævn for Matematik og Datalogi
Udbydende institut
  • Datalogisk Institut
Udbydende fakultet
  • Det Natur- og Biovidenskabelige Fakultet
Kursusansvarlig
  • Bertel Schjerning   (17-44677476676e3055656a6c6774706b70694267657170306d7730666d)
Gemt den 15-04-2024

Er du BA- eller KA-studerende?

Er du bachelor- eller kandidat-studerende, så find dette kursus i kursusbasen for studerende:

Kursusinformation for indskrevne studerende