Denna kurs bygger vidare på grundläggande kunskaper i statistik, inklusive nyckelbegrepp som sannolikhet, fördelningar, urvalsmetoder, hypotesprövning, variansanalys och regressionsanalys. Den är avsedd för studenter som redan har erfarenhet av att tillämpa dessa grundläggande tekniker på ekonomiska problem. I denna kurs på avancerad nivå går deltagarna vidare till samtida analytiska metoder som används inom modern ekonomisk forskning och datavetenskap, med fokus på mer komplexa, högdimensionella och tidsberoende data.
Kursen är utformad för att ge studenterna praktisk erfarenhet av Python samtidigt som deras förståelse för statistiskt resonemang och maskininlärning fördjupas. Studenterna kommer att arbeta med verkliga datamängder för att bygga tidsseriemodeller (t.ex. ARIMA), utföra logistisk regression och generaliserad linjär modellering med regularisering (lasso, ridge), tillämpa tekniker för dimensionsreduktion som PCA och faktoranalys samt experimentera med klusteranalys och modeller för övervakad inlärning, såsom slumpmässiga skogar och gradientboosting.
I stället för att skilja teori från praktik följer alla sessioner ett integrerat format där studenterna omedelbart tillämpar begreppen genom kodning och gruppanalys. Målet är att ge studenterna förmågan att utföra självständiga, robusta och kommunicerbara ekonomiska analyser som uppfyller både akademiska och tillämpade forskningsstandarder.