Multivariate analyser og strukturmodellering (SEM)

Emneoversikt

Del 1:

• Klassisk lineær multippel regresjonsmodell. "Ordinary Least Squares" (OLS). Hypotesetesting og evaluering av modeller. De klassiske OLS-forutsetningene, og avvik fra disse. OLS-regresjon med tidsseriedata. Autokorrelasjon. Stasjonære og ikke-stasjonære variabler. Spuriøse regresjoner.
• Paneldatamodeller. Fixed effects og random effects modeller. Hausman test. Tester for autokorrelasjon og heteroskedastisitet i paneldata.

Del 2:

• Tidsserieanalyser. Grunnleggende forutsetninger. Stasjonaritet og autokorrelasjon.
• Estimering og tolkning av autoregresjonsmodeller - AR modeller.
• Tester for stasjonaritet: Dickey-Fuller tester.
• Residualanalyser. Tester for autokorrelasjon: Ljung-Box test. Tester for heteroskedastisitet: ARCH test. Tester for normalitet.
• Estimering og tolkning av VAR-modeller (vector autoregression models) og VECM-feilkorreksjonsmodeller (Vector error correction models).
• Kointegrasjon. Engle Granger test for kointegrasjon. Tolkninger av Granger-kausalitet i VAR- og VECM-modeller.

Del 3:

• Prinsipal komponent analyse. Egenverdier og egenvektorer til en kovariansmatrise.
• Eksplorativ faktoranalyse. Faktoranalyse teknikker. Faktor rotasjoner. Faktoranalyse versus prinsipal komponent analyse.
• Simultane likninger. Skjevhet ved OLS-regresjon. "Two-Stage Least Squares" 2SLS.

Del 4:

• SEM strukturmodellering med observerte variabler.
• Bekreftende faktoranalyse CFA. Stidiagram. Estimering og testing av modeller. Anvendelser med moderne statistisk programvare.
• Strukturmodeller med latente variabler. Ulike estimeringsteknikker: ML, GLS og ULS.
• Evaluering av modeller. Tilpasningsmål. Tilpasningsindekser og kjikvadrattester.
• Statistiske forutsetninger for strukturmodellering SEM.

Del 5:

• Validitet og reliabilitet i SEM.
• Manglende data i SEM analysen.
• Ikkenormalitet i SEM. Kurtose og skjevhet. Konsekvenser for SEM analysen. Estimeringsteknikker ved ikkenormalitet. Robust estimering: RML, RGLS og WLS.
• Strukturmodeller med ordinale variabler. Estimering med DWLS.

Anvendelser av multivariate statistiske metoder og strukturmodellering SEM innen økonomiske analyser, ved bruk av moderne statistisk programvare.

Valg av statistisk programvare oppgis ved semesterstart.

Tar forbehold om endringer i faglig innhold.

Kunnskaper

Studenten har:

• Inngående kunnskap innen multivariate statistiske metoder og strukturmodellering (SEM), med god innsikt i estimering og evaluering av ulike typer strukturmodeller både med observerte og latente variabler. Studentene kan anvende ulike estimeringsteknikker ved ikkenormalitet og ved ulike målenivå på variablene.
• Inngående kunnskap om estimering av multiple regresjonsmodeller, og konsekvenser ved brudd på de klassiske forutsetningene ved bruk av OLS. Studentene fordyper seg i estimering og tolkning av tidsseriemodeller: AR-, VAR- og VECM-modeller.

Ferdigheter

Studenten kan:

• Estimere og tolke ulike faktormodeller, regresjonsmodeller og generelle strukturmodeller ved bruk av moderne statistisk programvare. Presentere analyseresultatene skriftlig.
• Forstå forutsetningene og begrensningene disse teknikkene bygger på.

Generell kompetanse

Studenten kan:

• Foreslå og forstå resultatene av moderne multivariate statistiske teknikker som i økende grad benyttes i næringsliv og forskning.
• Håndtere den generelle strukturmodellen og forstå viktigheten av å inkludere målefeil i økonometriske modeller.
• Anvende relevant statistisk programvare for analyse av økonomiske data, og være i stand til å utvide sin verktøyboks ved behov.

Forelesninger og gruppearbeid, hvor studentene skal bruke multivariate statistiske metoder og strukturmodellering innen økonomiske analyser, ved bruk av moderne statistisk programvare. Det forutsettes stor aktivitet i form av både obligatoriske og frivillige øvinger underveis i emnet.