Курсовая по экономике в НИУ ВШЭ: как построить эмпирическое исследование, а не пересказ учебника

Курсовая по экономике в НИУ ВШЭ особенно убедительна, когда студент строит собственное эмпирическое исследование. В 2026 году бакалаврская программа «Экономика» ВШЭ прямо сочетает экономическую теорию, математический анализ, статистику, эконометрику, программирование и научно-проектную работу.

Официальные страницы:
https://www.hse.ru/ba/economics/
https://www.hse.ru/ba/economics/admission/

Это задаёт хороший стандарт: текст должен отвечать на вопрос с помощью данных и экономического механизма.

Начните с вопроса, а не с отрасли

Слабо:

«Рынок труда в России».

Сильнее:

«Как связаны региональная безработица и динамика реальной заработной платы в 2018-2025 годах?»

Ещё сильнее, если заранее понятно:

• какая единица наблюдения;
• какой период;
• какие данные;
• какой механизм.

Экономический механизм

До регрессии объясните, почему X может быть связан с Y.

Например:

рост процентной ставки -> удорожание кредита -> снижение части инвестиционного спроса.

Если механизма нет, статистическая связь может быть случайной.

Единица наблюдения

Это может быть:

• регион-год;
• компания-квартал;
• домохозяйство;
• человек;
• страна-год.

Не смешивайте несколько уровней в одной таблице без объяснения.

Источник данных

Для российской экономики полезны:

• Росстат;
• Банк России;
• ЕМИСС;
• ФНС;
• раскрытие компаний.

Для международной:

• World Bank;
• IMF;
• OECD;
• UN.

Сохраняйте URL и дату выгрузки.

Метаданные

Для каждого показателя зафиксируйте:

• полное название;
• единицу;
• периодичность;
• территорию;
• методику.

Два показателя с похожими названиями могут измерять разное.

Очистка данных

Проверьте:

• дубли;
• пропуски;
• невозможные значения;
• изменение классификатора;
• разрывы ряда.

Не начинайте эконометрику с таблицы, которую ещё не проверили.

Номинальное и реальное

Доход в текущих рублях и реальный доход не одно и то же.

Если исследуется динамика благосостояния, подумайте о дефляторе.

Не называйте инфляционный рост реальным.

Доля и процентный пункт

Рост с 10% до 12% равен 2 процентным пунктам.

Относительный рост равен 20%.

Эта ошибка выглядит мелкой, но сразу снижает качество анализа.

Описательная статистика

До модели покажите:

• N;
• mean;
• median;
• standard deviation;
• min;
• max.

Так можно заметить странные данные.

Визуальный анализ

Полезны:

• line chart;
• scatter;
• histogram;
• boxplot.

График помогает увидеть:

• выброс;
• тренд;
• разрыв;
• нелинейность.

Не вставляйте визуализацию только ради оформления.

Корреляция

Она отвечает на вопрос о статистической связи.

Не пишите:

«X влияет на Y»

только потому, что correlation положительная.

Причинный вывод требует дизайна.

Простая регрессия

Запишите модель и объясните каждую переменную.

Например:

Y_it = β0 + β1 X_it + ε_it.

После этого объясните смысл β1 в единицах исходных данных.

Controls

Добавляйте контрольную переменную, только если понятно, зачем она нужна.

Десять случайных controls могут ухудшить интерпретацию.

Не используйте модель как склад всех доступных колонок.

Fixed effects

Для panel data можно учитывать постоянные особенности региона или компании.

Но нужно объяснить, какую вариацию использует модель.

Не вставляйте fixed effects как магическую кнопку.

Time effects

Общие shocks по годам могут влиять на все наблюдения.

Например:

• кризис;
• пандемия;
• изменение политики.

Годовые effects помогают отделить часть такого влияния.

Гетероскедастичность

Неодинаковая дисперсия residuals влияет на стандартные ошибки.

Если курс требует диагностику, покажите её.

Не делайте вывод о значимости по default output без проверки.

Кластеризация ошибок

Для panel data ошибки внутри региона или компании могут быть зависимы.

Clustered standard errors часто уместнее обычных.

Но cluster level нужно обосновать.

Мультиколлинеарность

Если predictors почти дублируют друг друга, коэффициенты становятся нестабильными.

Проверяйте корреляции и экономический смысл.

Не удаляйте переменную только по одному техническому threshold.

Эндогенность

Важный вопрос:

может ли Y влиять на X?

Есть ли пропущенный фактор?

Например, инвестиции и производительность могут влиять друг на друга.

Если решить проблему нельзя, честно обозначьте её.

Causal inference

Для развитой работы можно использовать:

• difference-in-differences;
• regression discontinuity;
• instrumental variables;
• natural experiment.

Но метод нельзя выбирать ради сложности.

Сначала должен существовать реальный идентификационный дизайн.

Difference-in-differences

Нужны:

• treatment;
• control;
• before;
• after.

Ключевая идея - parallel trends.

Покажите динамику до события.

Не ограничивайтесь коэффициентом после запуска модели.

Event study

Она помогает увидеть динамику эффекта вокруг события.

Особенно полезно проверить pre-trends.

Если эффект появляется до события, причинная интерпретация подозрительна.

Временные ряды

Если данные по месяцам или кварталам, учитывайте:

• trend;
• seasonality;
• autocorrelation;
• structural break.

Обычная OLS на двух растущих рядах может дать ложную связь.

Stationarity

Для курса по временным рядам проверьте свойства series.

Не используйте термин автоматически.

Объясните, зачем это важно для конкретной модели.

Forecasting

Прогноз оценивается на будущем периоде.

Разделение должно быть по времени.

Не перемешивайте observation случайно.

Baseline прогноза

Сравните с простым:

• last value;
• moving average;
• seasonal naive.

Сложная модель должна доказать, что она лучше.

Ошибка прогноза

Используйте:

• MAE;
• RMSE;
• MAPE, если подходит.

Помните, что MAPE плохо ведёт себя около нуля.

Robustness checks

Проверьте вывод:

• на другом периоде;
• с другой спецификацией;
• без одного выброса;
• с альтернативным indicator.

Если знак постоянно меняется, это важный результат.

Heterogeneity

Эффект может различаться:

• по регионам;
• размеру компании;
• уровню дохода.

Но subgroup analysis должен быть обоснован заранее.

Не ищите случайную красивую группу после основного результата.

Экономическая значимость

p-value не показывает, насколько эффект велик.

Коэффициент может быть статистически значим, но экономически ничтожен.

Переведите его в понятный масштаб.

Confidence interval

Интервал показывает неопределённость оценки.

Это полезнее одного коэффициента.

Не скрывайте широкий interval.

Data visualization

Для итоговой работы достаточно нескольких сильных рисунков:

1. структура данных;
2. ключевая зависимость;
3. основной результат;
4. robustness.

Не перегружайте работу десятками одинаковых графиков.

Код

Если анализ сделан в Python, R или Stata, храните script.

Процесс должен быть:

raw data -> clean -> model -> table.

Не правьте итоговые числа вручную в Word.

Reproducibility

Зафиксируйте:

• version;
• packages;
• data date;
• seed, если есть random;
• script order.

Это особенно соответствует исследовательской культуре экономической программы ВШЭ.

Теоретическая глава

Она должна привести к модели.

Хорошая логика:

1. что известно;
2. какой механизм;
3. где спор;
4. какая гипотеза;
5. что проверяется.

Не пересказывайте весь учебник микроэкономики.

Практическая глава

Удобная структура:

1. данные;
2. переменные;
3. descriptive analysis;
4. model;
5. diagnostics;
6. result;
7. robustness;
8. limitations.

Ограничения

Напишите прямо:

• маленький N;
• proxy;
• пропуски;
• возможная эндогенность;
• агрегированные данные.

Это не делает работу слабой.

Слабее выглядит только попытка скрыть ограничения.

Контекст ВШЭ

Программа «Экономика» НИУ ВШЭ в 2026 году опирается на математику, статистику, эконометрику и программирование. Поэтому для SEO-страницы неправильно обещать студенту универсальный реферативный шаблон.

Курсовая должна соответствовать конкретному курсу и исследовательскому вопросу.

Защита

Будьте готовы объяснить:

• экономический механизм;
• источник данных;
• единицу наблюдения;
• коэффициент;
• diagnostic;
• robustness;
• ограничение причинности.

Сильная курсовая по экономике в НИУ ВШЭ показывает, как из теории и данных получается проверяемый вывод.