01
Το ενδεικτικό περίγραμμα του μαθήματος έχει ως εξής:
Εξάμηνο 1
Elective
Special background
Ποσοτικές Μέθοδοι και Στατιστική Μάθηση
6
Μονάδες ECTS
39
Συνολικές Ώρες Διδασκαλίας
English
Γλώσσα
None
Προαπαιτούμενα
No
Ανοιχτό σε Erasmus
Περιγραφή Μαθήματος
Το μάθημα παρέχει τα απαραίτητα ποσοτικά εργαλεία που χρειάζονται οι φοιτητές για την ανάλυση δεδομένων στη λογιστική, την ελεγκτική και τη χρηματοοικονομική διοίκηση. Αρχικά, το μάθημα επανεξετάζει βασικές στατιστικές μεθόδους, πριν προχωρήσει στην ανάλυση παλινδρόμησης, στη μοντελοποίηση χρονοσειρών και σε τεχνικές δεδομένων πάνελ. Εξετάζονται επίσης σύγχρονες προσεγγίσεις της ανάλυσης παλινδρόμησης, όπως οι μέθοδοι επαναδειγματοληψίας, η λογιστική παλινδρόμηση και η παλινδρόμηση ποσοστημορίων. Εισάγονται προσεγγίσεις στατιστικής μάθησης, όπως η ανάλυση κύριων συνιστωσών και οι μέθοδοι συρρίκνωσης (παλινδρόμηση ridge και lasso). Κάθε θεματική ενότητα περιλαμβάνει συνεδρία προγραμματισμού, όπου οι ποσοτικές μέθοδοι εφαρμόζονται σε μελέτες περίπτωσης πραγματικού κόσμου.
Μαθησιακά Αποτελέσματα
Μετά από επιτυχή ολοκλήρωση, οι φοιτητές θα είναι σε θέση να:
- 1. Διατύπωση και εκτίμηση γραμμικών μοντέλων παλινδρόμησης που ενσωματώνουν ποιοτικές και ποσοτικές μεταβλητές.
- 2. Ενσωμάτωση σύγχρονων πτυχών της επιλογής μοντέλου και της εκτίμησης στην ανάλυση παλινδρόμησης.
- 3. Χρήση κατάλληλων γλωσσών προγραμματισμού για την εκτέλεση των απαραίτητων εκτιμήσεων.
- 4. Ερμηνεία των αποτελεσμάτων των προσεγγίσεων επιβλεπόμενης και μη επιβλεπόμενης μάθησης.
- 5. Ερμηνεία, αναπαραγωγή και κριτική αξιολόγηση ευρημάτων που αναφέρονται σε δημοσιευμένη έρευνα.
Περίγραμμα Μαθήματος
12 θεματικές ενότητες ανά το εξάμηνο.
02
Θεμέλια Στατιστικής Συμπερασματολογίας: Περιγραφική στατιστική, κατανομές πιθανότητας και θεωρία δειγματοληψίας, σημειακή εκτίμηση, διαστήματα εμπιστοσύνης και έλεγχος υποθέσεων.
03
Παλινδρόμηση I: Απλό και πολλαπλό γραμμικό μοντέλο παλινδρόμησης, καλή προσαρμογή, έλεγχος υποθέσεων για μεμονωμένους συντελεστές και συνολική σημαντικότητα, ερμηνεία και εφαρμογή σε μελέτες περίπτωσης με R.
04
Παλινδρόμηση II: Ψευδομεταβλητές και όροι αλληλεπίδρασης, μονάδες μέτρησης και εκτιμώμενοι συντελεστές, λογαριθμικά και πολυωνυμικά μοντέλα, επισκόπηση της παλινδρόμησης Οργανικών Μεταβλητών (IV), ερμηνεία και εφαρμογή σε μελέτες περίπτωσης με R.
05
Ανάλυση Χρονοσειρών I: Ιδιότητες δεδομένων χρονοσειρών, συναρτήσεις αυτοσυσχέτισης και μερικής αυτοσυσχέτισης (ACF/PACF), αυτοπαλίνδρομη διαδικασία (AR), παραγωγή της συνάρτησης αυτοσυσχέτισης μιας διαδικασίας AR(1), ερμηνεία και εφαρμογή σε μελέτες περίπτωσης με R.
06
Ανάλυση Χρονοσειρών II: Η διαδικασία κινούμενου μέσου όρου (MA), παραγωγή της συνάρτησης αυτοσυσχέτισης μιας διαδικασίας MA(1), στασιμότητα, ο έλεγχος Augmented Dickey Fuller (ADF), το μοντέλο ARIMA(p, d, q), η μεθοδολογία Box-Jenkins για την επιλογή μοντέλου, ερμηνεία και εφαρμογή σε μελέτες περίπτωσης με R.
07
Ανάλυση Δεδομένων Πάνελ I: Δομή δεδομένων πάνελ, συγκεντρωτικά OLS και εκτιμητής σταθερών επιδράσεων (εσωτερικός μετασχηματισμός), σταθερές επιδράσεις μονάδας και χρόνου, ερμηνεία και εφαρμογή σε μελέτες περίπτωσης με R.
08
Ανάλυση Δεδομένων Πάνελ II: Εκτιμητής τυχαίων επιδράσεων, σταθερές έναντι τυχαίων επιδράσεων με τον έλεγχο Hausman, ομαδοποιημένα τυπικά σφάλματα, ενδογένεια, επισκόπηση δυναμικών πάνελ, ερμηνεία και εφαρμογή σε μελέτες περίπτωσης με R.
09
Μοντέλα Δυαδικής Επιλογής I: Το μοντέλο γραμμικής πιθανότητας (LPM) και οι περιορισμοί του, η λογιστική συνάρτηση και η σύνδεσή της με τη θεωρία χρησιμότητας, η παλινδρόμηση logit, λόγοι πιθανοτήτων και οριακές επιδράσεις, ερμηνεία και εφαρμογή σε μελέτες περίπτωσης με R.
10
Μοντέλα Δυαδικής Επιλογής II: Το μοντέλο πολυωνυμικής παλινδρόμησης, διατεταγμένες επιλογές και διατεταγμένη logit, ερμηνεία και εφαρμογή σε μελέτες περίπτωσης με R.
11
Σύγχρονες Προσεγγίσεις: Μια επισκόπηση των μεθόδων επαναδειγματοληψίας (bootstrap, διασταυρούμενη επικύρωση, jackknife), μια εισαγωγή στην παλινδρόμηση ποσοστημορίων, μέθοδοι συρρίκνωσης (παλινδρόμηση lasso και ridge).
12
Επιβλεπόμενη και Μη Επιβλεπόμενη Μάθηση: Ανάλυση Κύριων Συνιστωσών (PCA), αποσύνθεση ιδιοτιμών και διαγράμματα scree, επιλογή συνιστωσών, παραγοντική ανάλυση έναντι PCA, ο ρόλος της PCA στην κατασκευή σύνθετων δεικτών, η παλινδρόμηση PCA, μια επισκόπηση της Παλινδρόμησης Μερικών Ελαχίστων Τετραγώνων, μια επισκόπηση της Πολλαπλής Ανάλυσης Αντιστοιχιών (MCA) και της στατιστικής της θεμελίωσης, ο αλγόριθμος Principal Components Pursuit (PCP).
Αξιολόγηση
Περιγραφή της διαδικασίας αξιολόγησης
Γλώσσα Αξιολόγησης, Μέθοδοι Αξιολόγησης, Διαμορφωτική ή Συμπερασματική, Δοκιμασία Πολλαπλής Επιλογής, Ερωτήσεις Σύντομης Απάντησης, Ερωτήσεις Ανάπτυξης Δοκιμίων, Επίλυση Προβλημάτων, Γραπτή Εργασία, Αναφορά/Έκθεση, Προφορική Εξέταση, Δημόσια Παρουσίαση, Εργαστηριακή Εργασία, Κλινική Εξέταση Ασθενούς, Καλλιτεχνική Ερμηνεία, Άλλο/Έτερο
Αναφέρονται ρητά καθορισμένα κριτήρια αξιολόγησης και εάν και πού είναι προσβάσιμα στους φοιτητές.
Η γλώσσα αξιολόγησης του μαθήματος είναι η αγγλική και οι φοιτητές αναμένεται να επιδείξουν το απαιτούμενο επίπεδο επάρκειας.
Η αξιολόγηση του μαθήματος αποτελείται από:
Ενδιάμεση Εξέταση (40%, επίλυση προβλημάτων)
Εργασία Εξαμήνου (10%, επίλυση προβλημάτων)
Τελική εξέταση (50%, επίλυση προβλημάτων)
Τα κριτήρια αξιολόγησης σε όλους τους τρόπους αξιολόγησης περιλαμβάνουν τα εξής:
Απόδειξη βασικής γνώσης σχετικής με το περιεχόμενο του μαθήματος
Απόδειξη ικανότητας εφαρμογής της γνώσης σε ένα δεδομένο πρόβλημα ή μελέτη περίπτωσης
Κριτική ικανότητα εμφανής στην εφαρμογή κατάλληλων μεθόδων/γνώσεων σε μια δεδομένη περίπτωση ή/και στην ανάπτυξη επιχειρημάτων βασισμένων στη θεωρία και τη βιβλιογραφία.
Δομή και παρουσίαση
Χρήση της αγγλικής γλώσσας
Πιο λεπτομερή κριτήρια αξιολόγησης θα σας παρασχεθούν στο εγχειρίδιο του μαθήματος ή θα αναρτηθούν στην ιστοσελίδα του μαθήματος, εφόσον κριθεί απαραίτητο.
Προτεινόμενη Βιβλιογραφία
- Asteriou, D., & Hall, S.G. (2021) Applied Econometrics. 4th edition, Palgrave Macmillan.
- Brooks, C. (2019) Introductory Econometrics for Finance. 4th edn. Cambridge University Press.
- Gujarati, D.N. and Porter, D.C. (2009) Basic Econometrics. 5th edition, McGraw-Hill.
- James, G., Witten, D., Hastie, T. and Tibshirani, R. (2023) An Introduction to Statistical Learning with Applications in R. 2nd edn. Springer.
- Kleiber, C. and Zeileis, A. (2008) Applied Econometrics with R. Springer.
- Wickham, H. and Grolemund, G. (2023) R for Data Science. 2nd edn. O’Reilly Media.
- Wooldridge, J. (2020) Introductory Econometrics: A Modern Approach. 7th edition, Cengage Learning.
- Συναφή Επιστημονικά Περιοδικά
- Journal of Applied Econometrics, Journal of Econometrics, Econometrica, Quantitative Economics, Econometric Theory, Journal of Business & Economic Statistics, Journal of Financial Econometrics, The Econometrics Journal, Journal of Time Series Econometrics, Journal of Financial and Quantitative Analysis (JFQA)
- Άλλες πηγές της βιβλιοθήκης, συμπεριλαμβανομένων άρθρων περιοδικών προσβάσιμων μέσω της Βιβλιοθήκης, όπως ορίζονται από τον διδάσκοντα.