1. Γενικοί στόχοι – Γενικά μαθησιακά αποτελέσματα
Κεντρικός στόχος του μαθήματος είναι η απόκτηση γνώσεων και δεξιοτήτων με βάση τις οποίες οι φοιτητές θα είναι ικανοί να συναρθρώσουν τις θεωρητικές προσεγγίσεις-θεωρίες με τα δεδομένα και με στοιχεία που παρατηρούνται πραγματικά στη ζωή. Η Οικονομετρία, όπως και η Στατιστική, είναι επιστήμες που εξυπηρετούν τους παραπάνω σκοπούς και αυτό, βέβαια σε άμεσο συνδυασμό με τη χρήση της Πληροφορικής και άλλων προχωρημένων οικονομετρικών λογισμικών. Όσο πιο πολύπλοκες είναι οι σχέσεις και η εξέλιξη/μεταβολή των κοινωνικο-οικονομικών φαινόμενων, τόσο μεγαλύτερη είναι η ανάγκη ανάπτυξης αποτελεσματικών, αλλά και ευέλικτων εργαλείων για την ανάλυση τους. Παρουσιάζονται και αναλύονται (α) οι σημαντικότερες αρχές και έννοιες της οικονομετρίας, (β) τα πιο χρήσιμα υποδείγματα της οικονομετρίας καθώς και (γ) η σύγχρονη στατιστική και οικονομετρική μεθοδολογία που εφαρμόζεται στη διερεύνηση, στον έλεγχο και στην πρόβλεψη των φαινόμενων που μελετώνται, ειδικά σε συνθήκες αβεβαιότητας. Έμφαση δίνεται στην: 1. εμπειρική εφαρμογή της οικονομετρίας σε θέμα κοινωνικο-οικονομικής καθώς και χωρικής ανάλυσης και 2. στην ερμηνεία των αποτελεσμάτων σύμφωνα με τις δυνατότητες και τους περιορισμούς που περιλαμβάνει η οικονομετρία.
Πως εξειδικεύονται στις παρακάτω κατηγορίες 1.1. Γνώσεις Με το πέρας του μαθήματος, οι φοιτητές / φοιτήτριες είναι σε θέση να κατανοούν τις στατιστικές και οικονομετρικές μέθοδοι ανάλυσης κοινωνικοοικονομικών φαινόμενων που έχουν επίσης χωρική διάσταση. 1.2. Δεξιότητες Με το πέρας του μαθήματος, οι φοιτητές / φοιτήτριες είναι σε θέση να εφαρμόζουν τις στατιστικές μέθοδοι ανάλυσης δεδομένων καθώς και τα κύρια γραμμικά και μη γραμμικά μοντέλα (πολλαπλή παλινδρόμηση, παλινδρόμηση με panel data, Λογιστική παλινδρόμηση κ.ά.,). Παράλληλα, έχουν απόκτηση ικανότητες κριτικής ανάλυσης, αξιολόγησης και σύνθεσης πολύπλοκων και πολυδιάστατων φαινομένων. 1.3. Ικανότητες Με το πέρας του μαθήματος, οι φοιτητές / φοιτήτριες είναι σε θέση (ι) να επιλέγουν την κατάλληλη μορφή εξειδίκευσης οικονομετρικού μοντέλου ανάλογα με τις ιδιαιτερότητες των δεδομένων και φαινομένων που καλούνται να εξεταστούν, (ιι) να εφαρμόζουν τις κατάλληλες οικονομετρικές μεθόδους προσαρμογής στις πραγματικές ερευνητικές διαδικασίες ειδικά ως προς την αναζήτηση, την επεξεργασία και την ερμηνεία αξιόπιστων δεδομένων.
|
Το μάθημα αποτελείται από 13 διαλέξεις οι οποίες καλύπτουν τα σημαντικά επιστημονικά πεδία της στατιστικής και οικονομετρικής ανάλυσης.
Διάλεξη 1: Εισαγωγή στην Οικονομετρία: Ορισμοί, σκοποί, μεθοδολογική προσέγγιση, μορφές υποδειγμάτων – εξειδίκευση, απαραίτητες στατιστικές έννοιες (συσχέτιση, διακύμανση, έλεγχοι υποθέσεων κλπ)
Διάλεξη 2: Το κλασικό Γραμμικό Υπόδειγμα: Βασικές υποθέσεις, συνάρτηση παλινδρόμησης (διμεταβλητό και τριμεταβλτό υπόδειγμα), Μέθοδος των Ελάχιστων Τετραγώνων (ΜΕΤ), συντελεστές παλινδρόμησης, Αξιολόγηση του μοντέλου (συνολική αξιολόγηση του υποδείγματος και αξιολόγηση των συντελεστών του υποδείγματος)
Διάλεξη 3: Εκτίμηση της καμπύλης παλινδρόμησης (Curve estimation): Από την γραμμική στην μη γραμμική καμπύλη. Εφαρμογή στο SPSS – επιλογή της «αποτελεσματικής» καμπύλης
Διάλεξη 4: Το Γενικευμένο Γραμμικό Υπόδειγμα (Α) : Μαθηματική μορφή του υποδείγματος, αξιολόγηση του πολυμεταβλητού δείγματος, έλεγχος υποθέσεων, ανάλυση και ερμηνεία των αποτελεσμάτων με τη χρήση διαφορών παραδειγμάτων. Εφαρμογή στο SPSS
Διάλεξη 5: Το Γενικευμένο Γραμμικό Υπόδειγμα (Β): Εισαγωγή διαρθρωτικών μεταβλητών (ψευδομεταβλητές) και έλεγχος τους, Chow-Test. (i) Το παράδειγμα του υποδείγματος της Βαρύτητας (Gravity model). Εφαρμογή στο SPSS και στο ΕViews, (ii) Η Εφαρμογή του μη γραμμικού υποδείγματος στο SPSS (NonLinear Regression)
Διάλεξη 6: Οι παραβιάσεις των σημαντικότερων υποθέσεων των γραμμικών υποδειγμάτων (Α): Αυτοσυσχέτιση, Ετεροσκεδαστικότητα, έλεγχοι και επίλυση
Διάλεξη 7: Οι παραβιάσεις των σημαντικότερων υποθέσεων των γραμμικών υποδειγμάτων (Β): Πολυσυγραμμικότητα, Σφάλματα εξειδίκευσης υποδειγμάτων, έλεγχοι και επίλυση
Διάλεξη 8: Εφαρμογή μοντέλων με SPSS και EViews
Διάλεξη 9: Χρονολογικές σειρές: Εκτιμήσεις- προβλέψεις (Κλασικές μέθοδοι ανάλυσης, Στοχαστική Ανάλυση)
Διάλεξη 10: Υπόδειγμα με Panel data: Υπόδειγμα με διαστρωματικά στοιχεία χρονολογικών σειρών (Panel data)
Διάλεξη 11: Υποδείγματα διακριτών και περιορισμένων εξαρτημένων μεταβλητών: Υποδείγματα πιθανότητας, το υπόδειγμα Probit – Logit
Διάλεξη 12: Υποδείγματα διακριτών και περιορισμένων εξαρτημένων μεταβλητών: Πολυωνυμική λογιστική παλινδρόμηση (MLR)
Διάλεξη 13: Εφαρμογή Υποδειγμάτων διακριτών και περιορισμένων εξαρτημένων μεταβλητών με SPSS και EViews.
Κριτήρια αξιολόγησης
Οι ερωτήσεις σύντομης απάντησης εφαρμόζονται κάθε 15 μέρες. Η γραπτή πρόοδος γίνεται κατά την 8η διάλεξη. Ο φοιτητής επιλέγει ένα θέμα με βάση τον οποίο θα δημιουργήσει και εφαρμόσει οικονομετρικό υπόδειγμα. Στο πλαίσιο αυτό, προγραμματίζονται κατά τακτά διάστημα, συναντήσεις προκειμένου ο φοιτητής να έχει τη δυνατότητα να λύνει όλες τις ενδεχόμενες απορίες του.
Οι ερωτήσεις σύντομης απάντησης, η ατομική γραπτή εργασία και η προφορική παρουσίαση της εργασίας στο τέλος του εξάμηνου πιστοποιούν την κατανόηση των βασικών εννοιών / εργαλείων καθώς και μεθόδων του μαθήματος από μέρους των φοιτητών / φοιτητριών.
Η ατομική εργασία πιστοποιεί την ικανότητα των φοιτητών / φοιτητριών να σχεδιάζουν, να εφαρμόζουν και να ερμηνεύουν συγκεκριμένα οικονομετρικά μοντέλα.
Το περίγραμμα του μαθήματος αναφέρει τον τρόπο αξιολόγησης των φοιτητών/φοιτητριών και βρίσκεται αναρτημένο στην ιστοσελίδα του μαθήματος καθώς και στην πλατφόρμα ασύγχρονης τηλεκπαίδευσης.
Οι φοιτητές / φοιτήτριες παρακολουθούνται συστηματικά καθ’ όλη τη διάρκεια του εξαμήνου και ιδιαίτερα κατά την εκπόνηση της ατομικής εργασίας όπου πραγματοποιούνται συναντήσεις («διορθώσεις») σε ημέρες και ώρες που ορίζονται από τους διδάσκοντες έπειτα από συνεννόηση με τους φοιτητές / φοιτήτριες
Σε περίπτωση κατά την οποία υπάρχει διάσταση απόψεων αναφορικά με τη βαθμολόγηση, οι φοιτητές / φοιτήτριες έχουν το δικαίωμα να ζητήσουν αναβαθμολόγηση από τη ΓΣ του Τμήματος.
Πεδίον ΄Άρεως, 383 34, Βόλος
24210 74452-55
24210 74380
g-prd@prd.uth.gr