University of Warsaw - Central Authentication System
Strona główna

Econometrics

General data

Course ID: 1000-135EKN
Erasmus code / ISCED: 11.923 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0619) Information and Communication Technologies (ICTs), not elsewhere classified The ISCED (International Standard Classification of Education) code has been designed by UNESCO.
Course title: Econometrics
Name in Polish: Ekonometria
Organizational unit: Faculty of Mathematics, Informatics, and Mechanics
Course groups: (in Polish) Przedmioty obieralne na studiach drugiego stopnia na kierunku bioinformatyka
Elective courses for 2nd stage studies in Mathematics
ECTS credit allocation (and other scores): 6.00 Basic information on ECTS credits allocation principles:
  • the annual hourly workload of the student’s work required to achieve the expected learning outcomes for a given stage is 1500-1800h, corresponding to 60 ECTS;
  • the student’s weekly hourly workload is 45 h;
  • 1 ECTS point corresponds to 25-30 hours of student work needed to achieve the assumed learning outcomes;
  • weekly student workload necessary to achieve the assumed learning outcomes allows to obtain 1.5 ECTS;
  • work required to pass the course, which has been assigned 3 ECTS, constitutes 10% of the semester student load.
view allocation of credits
Language: English
Type of course:

elective courses
Short description:

The aim of the course is to present the theoretical background, main concepts and basic methodology of modern econometrics. We will discuss classification and examples of econometric models, in particular one equation linear model, estimation with least squares, applications in non-linear models, large sample theory, time series: stationarity, ARIMA,heteroskedasticity and forecasting.
Full description:

1. Econometrics -- basic methods and goals. Examples of econometric models. Classification. Prediction. (1 lecture)

2. The least square method (LSM). The setting of the problem. The determining of the optimal values of the parameters. The error of the approximation. The algebraic properties of the model. (1--2 lectures)

3. The classical single-equation linear econometric model. Model assumptions. The least square estimation of the structural parameters of the model. The statistical verification of the model. Example: The Cobb-Douglas production function. (4--5 lectures)

4. The least square method in nonlinear models. Example: Consumption demand modeling - the Törnqvist function. (1 lecture)

5. Large-sample theory. Review of limit theorems of random variables. Model assumptions. Asymptotic properties of least square estimators. The statistical erification of the model. Example: Rational expectations theory. (4 lectures)

6. Econometric models based on time series. Stationarity. Classical linear models ARMA and ARIMA. Heteroskedastic models ARCH and GARCH. Prediction.(2--3 lectures)
Bibliography:

W.H.Greene, Econometric Analysis, Prentice Hall, 2000.

F.Hayashi, Econometrics. Princeton University Press, 2000.
Learning outcomes: (in Polish)

Wiedza i umiejętności:

1. Zna cele ekonometrii i pojęcie modelu ekonometrycznego.

2. Zna założenia regresji liniowej; metodę estymacji metodą najmniejszych kwadratów; wnioskowanie statystyczne w tym modelu: budowę przedziałów ufności dla współczynników, weryfikację hipotez.

3. Rozumie skutki naruszenia założeń podstawowego modelu regresji, w tym efekty heteroskedastyczności, autokorelacji reszt, współliniowości; umie przeprowadzić odpowiednie testy statystyczne i zastosować metody estymacji właściwe dla danej sytuacji (z użyciem instrumentów bądź uogólnionej metody najmniejszych kwadratów).

4. Poznał modele nieliniowe i metody ich estymacji.

5. Zna założenia i umie zastosować metodę największej wiarygodności do estymacji modeli liniowych i nieliniowych.

6. Potrafi przeprowadzić wnioskowanie statystyczne dla danych jakościowych i danych uciętych.

7. Poznał podstawowe metody analizy szeregów czasowych, w tym użycie modeli autoregresyjnych, ze średnią ruchomą, jak również modeli typu GARCH.

Kompetencje społeczne:

1. Rozumie znaczenie ekonometrii jako narzędzia w analizie zjawisk społeczno-ekonomicznych.
Assessment methods and assessment criteria: (in Polish)

Ćwiczenia będą zaliczane na podstawie:

* aktywności an zajęciach;

* liczby punktów uzyskanych z prac domowych.

Do egzaminu są dopuszczeni tylko studenci, którzy uzyskali zaliczenie ćwiczeń.

Egzamin będzie w formie pisemnej lub pisemnej i ustnej.

Classes in period "Summer semester 2023/24" (in progress)

Time span: 2024-02-19 - 2024-06-16
Selected timetable range:
Navigate to timetable
Type of class:
Classes, 30 hours more information
Lecture, 30 hours more information
Coordinators: Piotr Jaworski
Group instructors: Piotr Jaworski
Students list: (inaccessible to you)
Examination: Course - Examination
Lecture - Examination

Classes in period "Summer semester 2024/25" (future)

Time span: 2025-02-17 - 2025-06-08
Selected timetable range:
Navigate to timetable
Type of class:
Classes, 30 hours more information
Lecture, 30 hours more information
Coordinators: Piotr Jaworski
Group instructors: Piotr Jaworski
Students list: (inaccessible to you)
Examination: Course - Examination
Lecture - Examination
Course descriptions are protected by copyright.
Copyright by University of Warsaw.
Krakowskie Przedmieście 26/28
00-927 Warszawa tel: +48 22 55 20 000 https://uw.edu.pl/ contact accessibility statement USOSweb 7.0.3.0 (2024-03-22)