Data analysis and modeling of economy
Description: Дисциплина направлена на изучение методов работы с массивами социально-экономических данных, приобретение навыков их обработки и компактного представления. В курсе рассматриваются методы извлечения из статистических данных полезной информации о причинно-следственных связях, временных тенденциях, схожести объектов или явлений, методы упрощения данных, моделирования и построения прогнозов.
Amount of credits: 5
Пререквизиты:
- Statistics
Course Workload:
| Types of classes | hours |
|---|---|
| Lectures | 15 |
| Practical works | 30 |
| Laboratory works | |
| SAWTG (Student Autonomous Work under Teacher Guidance) | 30 |
| SAW (Student autonomous work) | 75 |
| Form of final control | Exam |
| Final assessment method |
Component: Component by selection
Cycle: Base disciplines
Goal
- Приобретение знаний и развитие навыков обработки экономической информации с помощью математико-статистических методов и приемов, знаний и навыков извлечения из статистических данных полезной информации для управления явлениями и процессами.
Objective
- 1) теоретическая и практическая подготовка студентов в области моделирования и прогнозирования экономических процессов; 2) овладение студентами методами приведения данных в удобный вид для дальнейшей аналитической работы; 3) освоение и применение пакетов прикладных программ для анализа статистических данных.
Learning outcome: knowledge and understanding
- Знать и понимать: 1) математические методы приведения статистических данных экономической природы в удобный вид для анализа и принятия управленческого решения; 2) математические методы выявления зависимостей, тенденций, закономерностей; 3) математические методы моделирования и прогнозирования экономических показателей; 4) методы проведения факторного анализа; 5) подходы к формированию и назначение кластеров; 6) способы обработки экспертных данных; 7) проведение и назначение имитационного моделирования
Learning outcome: applying knowledge and understanding
- Уметь: 1) приводить статистические данные в удобный для анализа вид с помощью формирования рядов вариации, группировки, средних величин; 2) графически представлять данные; 3) рассчитывать числовые характеристики вариационных рядов и формулировать выводы по результатам; 4) выявлять наличие и степень зависимости социально-экономических величин и показателей; 5) выявлять тенденции и закономерности в социально-экономическом развитии; 6) анализировать временные ряды; 7) строить прогноз с помощью математического моделирования и оценивать его надежность и достоверность; 8) строить прогноз с помощью других неэконометрических методов; 9) формировать кластеры; 10) проводить имитационное моделирование; 11) обрабатывать данные, полученные экспертным путем.
Learning outcome: formation of judgments
- Уметь делать заключение о закономерностях, зависимостях, тенденциях, прогнозах, особенностях социально-экономического развития региона, страны, а также дальнейшего развития отдельного предприятия.
Learning outcome: communicative abilities
- Уметь формулировать, сообщать, обосновывать и доказывать выработанные заключения на любом уровне управления.
Learning outcome: learning skills or learning abilities
- Навыки самостоятельного изучения прикладных статистических программ.
Teaching methods
1) информационно-коммуникационные технологии обучения; 2) предметно-ориентированные технологии обучения
Assessment of the student's knowledge
Teacher oversees various tasks related to ongoing assessment and determines students' current performance twice during each academic period. Ratings 1 and 2 are formulated based on the outcomes of this ongoing assessment. The student's learning achievements are assessed using a 100-point scale, and the final grades P1 and P2 are calculated as the average of their ongoing performance evaluations. The teacher evaluates the student's work throughout the academic period in alignment with the assignment submission schedule for the discipline. The assessment system may incorporate a mix of written and oral, group and individual formats.
| Period | Type of task | Total |
|---|---|---|
| 1 rating | Задачи на определение типа экономических данных | 0-100 |
| Задачи на расчет средних величин | ||
| Задачи на расчет показателей вариации | ||
| Задачи на построение парной линейной модели данных методом наименьших квадратов и оценка качества модели | ||
| Задачи на построение парных нелинейных моделей данных методом наименьших квадратов и оценка качества модели | ||
| 2 rating | Задачи на выбор наилучшего варианта сглаживания временного ряда | 0-100 |
| Задачи на построение многофакторной модели и ее оптимизации | ||
| Задачи на построение прогнозов неэконометрическими методами и выбор наиболее надежного метода | ||
| Задачи на формирование кластеров | ||
| Задачи на сокращение размерности признакового пространства | ||
| Total control | Exam | 0-100 |
The evaluating policy of learning outcomes by work type
| Type of task | 90-100 | 70-89 | 50-69 | 0-49 |
|---|---|---|---|---|
| Excellent | Good | Satisfactory | Unsatisfactory |
Evaluation form
The student's final grade in the course is calculated on a 100 point grading scale, it includes:
- 40% of the examination result;
- 60% of current control result.
The final grade is calculated by the formula:
| FG = 0,6 | MT1+MT2 | +0,4E |
| 2 |
Where Midterm 1, Midterm 2are digital equivalents of the grades of Midterm 1 and 2;
E is a digital equivalent of the exam grade.
Final alphabetical grade and its equivalent in points:
The letter grading system for students' academic achievements, corresponding to the numerical equivalent on a four-point scale:
| Alphabetical grade | Numerical value | Points (%) | Traditional grade |
|---|---|---|---|
| A | 4.0 | 95-100 | Excellent |
| A- | 3.67 | 90-94 | |
| B+ | 3.33 | 85-89 | Good |
| B | 3.0 | 80-84 | |
| B- | 2.67 | 75-79 | |
| C+ | 2.33 | 70-74 | |
| C | 2.0 | 65-69 | Satisfactory |
| C- | 1.67 | 60-64 | |
| D+ | 1.33 | 55-59 | |
| D | 1.0 | 50-54 | |
| FX | 0.5 | 25-49 | Unsatisfactory |
| F | 0 | 0-24 |
Topics of lectures
- Экономические данные и методы их обработки: роль информации, данных в принятии управленческих решений; типы экономических данных; роль математических методов в обработке статистических данных; базовые понятия математической статистики
- Первичная обработка статистических данных с помощью средних величин: аналитические и структурные средние
- Первичная обработка статистических данных с помощью показателей вариации: дисперсия, средние отклонения, коэффициент вариации; виды дисперсии; дисперсионный анализ статистических данных
- Прогнозирование социально-экономических процессов: методы построения прогнозов; понятие зависимости прогнозируемой величины от факторов; строгая функциональная зависимость и ее особенности; корреляционная зависимость и ее особенности; понятие и назначение математической модели и ее виды; строгие функциональные и корреляционные модели; корреляционный анализ статистических данных
- Построение парных линейных и нелинейных математических моделей для прогноза
- Сглаживание временного ряда: назначение, способы
- Построение линейных и нелинейных многофакторных функций прогнозирования
- Неэконометрические методы построения прогноза: метод среднего индекса роста, прогноз с помощью скользящих и экспоненциальных средних
- Методы Холта и Брауна для построения прогноза социально-экономического показателя
- Анализ методов построения прогнозов, выявление достоинств и недостатков
Key reading
- 1 Мхитарян В.С. Анализ данных. Учебник. - М.: Юрайт, 2018. 2 Светуньков И.В. Методы социально-экономического прогнозирования в двух томах. Учебник и практикум для академического бакалавриата. – М.: Юрайт, 2018. 3 Садовникова Н.А. Анализ временных рядов и прогнозирование. Учебник. – М.: Синергия, 2016. 4 Невская Н.А. Макроэкономическое планирование и прогнозирование. Учебник и практикум для академического бакалавриата. – М.: Юрайт, 2016. 5 Клинов В.Г. Прогнозирование долгосрочных тенденций в развитии мирового хозяйства. Учебное пособие. – М.: Магистр, 2017. 6 Эконометрика: учебник / под ред. И.И. Елисеевой. – М.: Проспект, 2014. 7 Антохонова И.В. Методы прогнозирования социально-экономических процессов: учебное пособие. – М.: Юрайт, 2018.
Further reading
- 1) Сигал А.В. Моделирование экономики. Учебное пособие.-М.: Инфра-М, 2021. 2) Орлова И.В. Экономико-математические методы и модели. Компьютерное моделирование. Учебное пособие. - М.: Вузовский учебник, 2018. 3) Козлов А.Ю., Мхитарян В.С. Статистический анализ данных в MS Excel. Учебное пособие.-М.: Инфра-М, 2019.
