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.
Econometrics A (ØkA)
Bacheloruddannelsen i datalogi-økonomi
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.
Se Absalon.
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.
- ECTS
- 7,5 ECTS
- Prøveform
-
Mundtlig prøve, 20 minutter (ingen forberedelsestid)
- Eksamensforudsætninger
-
3 ud af 3 obligatoriske afleveringsopgaver skal være godkendt for at den studerende kan deltage i eksamen.
Opgaverne kan laves individuelt eller i grupper på op til tre studerende
Brug af large language models (LLM)/large multimodal models (LMM) – som f.eks. ChatGPT og GPT-4 – er tilladt til de obligatoriske opgaver.
- Hjælpemidler
- Skriftlige hjælpemidler tilladt
- Bedømmelsesform
- 7-trins skala
- Censurform
- Ingen ekstern censur
Flere interne bedømmere
- Reeksamen
-
Samme som ordinær eksamen.
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)
- 123
- Eksamen
- 1
- 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)
Er du BA- eller KA-studerende?
Kursusinformation for indskrevne studerende