0x010088F6312065A70A44B630A6848498EAD80093CFEAFE161DC94D83C7C5C9A5A748B8

Tiltak fra 2022 var å vedlikeholde nivået i emnet, noe som har gått greit også høsten 2023. Vi har vedlikeholdt det faglige nivået i emnet, og fortsatt arbeidet med å legge til rette for et godt læringsmiljø for studentene. Emnet ble høsten 2023 gjennomført som planlagt i tråd med emnebeskrivelsen. Helhetlig er studentene godt fornøyd med emnet, og sier at faget er spennende og lagt fram på en intuitiv god måte, jfr. fagrepresentantenes rapport som er vedlagt.

Totalt sett virker studentene å være godt fornøyd med faget og foreleser (jfr. referansegruppens rapport, vedlagt). Faget oppleves som nyttig, særlig for de som skal skrive en kvantitativ masteroppgave. Dette er et målrettet emne i multivariate analyser og strukturmodellering rettet mot alle spesialiseringene på siviløkonom master ved Handelshøyskolen (HHS). Læringsutbyttebeskrivelsene i emnet er oppdaterte og relevante. De er kommunisert til studentene via BlackBoard Learn. Dette kurset er en videreføring av emnet Met 420, og studentene lærer et dataverktøy som de jobber godt og selvstendig med. De viser raskt høy grad av selvstendighet, og lærer en plattform og utvikler en verktøyboks, som de senere kan utvide ved behov. Undervisnings- og læringsaktivitetene bidrar vesentlig til at studentene oppnår et godt læringsutbytte, jfr. referansegruppens rapport. Teori blir gjennomgått i forelesningene, og studentene anvender dette ved praktiske øvinger i forelesninger og i egne øvingstimer. Foreleser deltar også på øvinger og veileder ved behov. Det er obligatoriske arbeidskrav i emnet, og dette gjør at studentene får en fin progresjon i emnet. Arbeidskravene er innrettet slik at de er relevante for eksamen. Dette bidrar til å motivere studentene til å legge ned en ekstra studieinnsats i øvingene, og vi oppnår et godt læringsmiljø i klassen. Studentene sier dette er arbeidskrevende, og at dette er motiverende og nyttig for forståelsen av teorien i kurset, jfr. referansegruppens rapport.Dette gir også et godt grunnlag for senere arbeid med kvantitative masteroppgaver. Helhetlig er studentene godt fornøyd med faget, og referansegruppen oppsummerer at totalopplevelsen er at læringsutbyttet er godt, og at foreleser er hjelpsom og engasjert, jfr referansegruppens rapport. Referansegruppen har fungert godt i emnet, og det har bidratt til et godt læringsmiljø. Referansegruppen melder om god dialog og godt samarbeid med emneansvarlig gjennom hele semesteret. Det har vært to møter, samt fortløpende dialog. Referansegruppen melder videre om at emneansvarlig har lyttet til tilbakemeldingene som har kommet og har brydd seg om hva studentenemener (jfr. referansegruppens rapport). Forelesningene har blitt gjennomført fysisk, supplert med støtte på BlackBoard og Teams. Øvingene ble gjennomført hovedsakelig fysisk, men også med veiledning via Teams av øvinger og obligatorisk semesteroppgave. Dette undervisning- og øvingsopplegget fungerte bra, og ga et godt læringsmiljø i klassen (jfr. referansegruppens rapport).  Emnet ble høsten 2023 gjennomført som planlagt i tråd med emnebeskrivelsen, og avsluttet med en digital skoleeksamen.  Vurderingsformene er skriftlig individuell eksamen, og det forutsettes at de obligatoriske arbeidskravene er bestått. Arbeidskravene medfører en fin aktivitet og fremdrift i emnet (jfr. referansegruppens rapport). Arbeidskravene er bestått/ikke bestått, og skriftlig individuell eksamen over 4 timer med karakter.

Forelesninger og veiledning i emnet ble gjennomført hovedsakelig fysisk, med støtte av BlackBoard Collaborate og Teams. Øvingene ble gjennomført fysisk av faglærer, og også noe digitalt ved Teams. Muligheten til å spørre faglærer live på Teams er et godt tilbud, da det muliggjør dialog og i enkelte tilfeller større forståelse sammenlignet med kun skriftlig hjelp via f.eks. mail, jfr. fagrepresentantenes rapport.

NTNU:TIA:REST

NTNU Business School

NTNU Handelshøyskolen

Spesifiserte trykte og håndskrevne hjelpemidler tillatt. Bestemt, enkel kalkulator tillatt.

Norsk

Mer om vurdering

Hjelpemidler til eksamen: Godkjent kalkulator i henhold til NTNUs hjelpemiddelkode B-D "bestemt enkel kalkulator". Annen kalkulator som tillates i emnet er: Casio FC-100V, Casio FC-100V-2 og Texas Instruments - BAII Plus. Formelsamling utlevert ved eksamen. Emnet er kun tilgjengelig for studenter ved campus Trondheim med opptak til et studieprogram under "spesielle vilkår".

Anbefalte forkunnskaper

Forkunnskapskrav

Faglig innhold

EmneoversiktDel 1:<ul><li>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. </li><li>Paneldatamodeller. Fixed effects og random effects modeller. Hausman test. Tester for autokorrelasjon og heteroskedastisitet i paneldata.</li></ul>Del 2:<ul><li>Tidsserieanalyser. Grunnleggende forutsetninger. Stasjonaritet og autokorrelasjon. </li><li>Estimering og tolkning av autoregresjonsmodeller - AR modeller.</li><li>Tester for stasjonaritet: Dickey-Fuller tester.</li><li>Residualanalyser. Tester for autokorrelasjon: Ljung-Box test. Tester for heteroskedastisitet: ARCH test. Tester for normalitet.</li><li>Estimering og tolkning av VAR-modeller (vector autoregression models) og VECM-feilkorreksjonsmodeller (Vector error correction models).</li><li>Kointegrasjon. Engle Granger test for kointegrasjon. Tolkninger av Granger-kausalitet i VAR- og VECM-modeller.</li></ul>Del 3:<ul><li>Prinsipal komponent analyse. Egenverdier og egenvektorer til en kovariansmatrise. </li><li>Eksplorativ faktoranalyse. Faktoranalyse teknikker. Faktor rotasjoner. Faktoranalyse versus prinsipal komponent analyse.</li><li>Simultane likninger. Skjevhet ved OLS-regresjon. "Two-Stage Least Squares" 2SLS. </li></ul>Del 4:<ul><li>SEM strukturmodellering med observerte variabler.</li><li>Bekreftende faktoranalyse CFA. Stidiagram. Estimering og testing av modeller. Anvendelser med moderne statistisk programvare.</li><li>Strukturmodeller med latente variabler. Ulike estimeringsteknikker: ML, GLS og ULS.</li><li>Evaluering av modeller. Tilpasningsmål. Tilpasningsindekser og kjikvadrattester.</li><li>Statistiske forutsetninger for strukturmodellering SEM. </li></ul>Del 5:<ul><li>Validitet og reliabilitet i SEM.</li><li>Manglende data i SEM analysen.</li><li>Ikkenormalitet i SEM. Kurtose og skjevhet. Konsekvenser for SEM analysen. Estimeringsteknikker ved ikkenormalitet. Robust estimering: RML, RGLS og WLS.</li><li>Strukturmodeller med ordinale variabler. Estimering med DWLS.</li></ul> 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.

Kursmateriell

Pensumlitteratur kunngjøres ved semesterstart.

Læringsutbytte

KunnskaperStudenten har:<ul><li>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.</li><li>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.</li></ul> FerdigheterStudenten kan:<ul><li>Estimere og tolke ulike faktormodeller, regresjonsmodeller og generelle strukturmodeller ved bruk av moderne statistisk programvare. Presentere analyseresultatene skriftlig.</li><li>Forstå forutsetningene og begrensningene disse teknikkene bygger på.</li></ul> Generell kompetanseStudenten kan:<ul><li>Foreslå og forstå resultatene av moderne multivariate statistiske teknikker som i økende grad benyttes i næringsliv og forskning.</li><li>Håndtere den generelle strukturmodellen og forstå viktigheten av å inkludere målefeil i økonometriske modeller.</li><li>Anvende relevant statistisk programvare for analyse av økonomiske data, og være i stand til å utvide sin verktøyboks ved behov.</li></ul>

Læringsformer og aktiviteter

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.

Obligatoriske innleveringer

Multivariate analyser og strukturmodellering (SEM)

Økonomi og administrasjon

Master i økonomi og administrasjon

Regnskap og revisjon - masterstudium

Master i ledelse av teknologi

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(25489)/FieldValuesAsText

Har ikke formulert noen tiltak i Kasper. Har vedlikeholdt det faglige nivået i kurset, og har fortsatt arbeidet med å legge til rette for et godt læringsmiljø for studentene i emnet.

Emneansvarliges vurdering av emnet og studentenes læringsutbytte: Totalt sett virker studentene å være fornøyd med faget og foreleser. Faget oppleves som nyttig, særlig for de som skal skrive en kvantitativ masteroppgave. Dette er et målrettet kurs i multivariate analyser og strukturmodellering rettet mot alle spesialiseringene på siviløkonom master ved Handelshøyskolen (HHS). Læringsutbyttebeskrivelsene i emnet er oppdaterte og relevante. De er kommunisert til studentene via BlackBoard Learn. Dette kurset er en videreføring av kurset Met 420, og studentene lærer et dataverktøy som de jobber godt og selvstendig med. De viser raskt høy grad av selvstendighet, og lærer en plattform og utvikler en verktøyboks, de senere kan utvide ved behov. Undervisnings- og læringsaktivitetene bidrar vesentlig til at studentene oppnår et godt læringsutbytte. Teori blir gjennomgått i forelesningene, og studentene anvender dette ved praktiske øvinger i forelesningene og i egne øvingstimer. Foreleser deltar også på øvinger og veileder ved behov. Det er obligatoriske arbeidskrav i kurset, og dette gjør at studentene får en fin progresjon i kurset. Arbeidskravene er innrettet slik at de er eksamensrelevante. Dette bidrar til å motivere studentene til å legge ned en ekstra studieinnsats i øvingene, og vi oppnår et godt læringsmiljø i klassen. Studentene mener dette er arbeidskrevende, og sier at dette er motiverende og nyttig for forståelsen av teorien i kurset, jfr. rapport fra fagutvalget under. Dette gir også et godt grunnlag for senere arbeid med kvantitative masteroppgaver. Helhetlig er studentene fornøyd med faget, og referansegruppen oppsummerer at totalopplevelsen er at læringsutbyttet er godt, og at foreleser er faglig sterk, hjelpsom og engasjert., jfr. rapport fra fagutvalget under. Referansegruppen har fungert godt i emnet, og det har bidratt til et godt læringsmiljø. Referansegruppen melder om god dialog og godt samarbeid med emneansvarlig gjennom hele semesteret. Det har vært to møter, samt fortløpende dialog. Referansegruppen melder videre om at emneansvarlig har lyttet til tilbakemeldingene som har kommet og har brydd seg om hva studentene mener (jfr. rapport fra fagutvalget vedlagt) 12. mars 2020 ble NTNU korona-stengt. Høsten 2021 var fortsatt preget av en uklar smittesituasjon, og undervisning og veiledning av øvinger i emnet ble derfor gjennomført digitalt. Forelesningene ble gjennomført digitalt i BlackBoard Collaborate, både live og ved opptak. Øvingene ble gjennomført i Teams med digitale øvingsrom, med veiledning av øvinger og obligatoriske semesteroppgaver. Dette undervisning- og øvingsopplegget fungerte bra, og ga et godt læringsmiljø i klassen (jfr rapport fra fagutvalget under).  Emnet ble høsten 2021 gjennomført som planlagt i tråd med emnebeskrivelsen, jfr. fagrapport fra fagrepresentantene, og avsluttet med en digital hjemmeeksamen. Eksamensresultatene ble som tidligere år. Vurderingsformene er skriftlig individuell eksamen, og forutsetter at de obligatoriske arbeidskravene er bestått. Arbeidskravene medfører en fin aktivitet og fremdrift i kurset (jfr. rapport fra fagutvalget under). Arbeidskravene er bestått/ikke bestått, og skriftlig individuell eksamen 4 timer med karakter.

Hjelpemidler til eksamen: Godkjent kalkulator i henhold til NTNUs hjelpemiddelkode B-D "bestemt enkel kalkulator". Annen kalkulator som tillates i emnet er: Casio FC-100V og Texas Instruments - BAII Plus. Formelsamling utlevert ved eksamen. Emnet er kun tilgjengelig for studenter ved campus Trondheim med opptak til et studieprogram under "spesielle vilkår".

EmneoversiktDel 1:<ul><li>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.</li><li>Paneldatamodeller. Fixed effects og random effects modeller. Hausman test.</li></ul>Del 2:<ul><li>Tidsserieanalyser. Grunnleggende forutsetninger. Stasjonaritet og autokorrelasjon.</li><li>Estimering av autoregresjonsmodeller - AR modeller.</li><li>Tester for autokorrelasjon: Ljung-Box test. Tester for stasjonaritet: Dickey-Fuller test. Tester for heteroskedastisitet: ARCH test. Tester for normalitet.</li><li>Estimering 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.</li></ul>Del 3:<ul><li>Prinsipal komponentanalyse.</li><li>Eksplorativ faktoranalyse.</li><li>Simultane likninger. Skjevhet ved OLS-regresjon. Estimeringsteknikken "Two-Stage Least Squares" 2SLS.</li></ul>Del 4:<ul><li>SEM strukturmodellering med observerte variabler.</li><li>Bekreftende faktoranalyse. Stidiagram. Estimering og testing av modeller. Anvendelser med moderne analyseverktøy.</li><li>Strukturmodeller med observerte og latente variabler. Ulike estimeringsteknikker: ML, GLS og ULS.</li><li>Evaluering av modeller. Tilpasningsmål. Tilpasningsindekser og kjikvadrattester.</li><li>Statistiske forutsetninger for strukturmodellering SEM.</li></ul>Del 5:<ul><li>Validitet og reliabilitet i SEM.</li><li>Manglende data i SEM analysen.</li><li>Ikkenormalitet i SEM. Kurtose og skjevhet. Konsekvenser for SEM analysen. Estimeringsteknikker ved ikkenormalitet: RML, RGLS og WLS.</li><li>Strukturmodeller med ordinale variabler. Estimeringsteknikken DWLS.</li></ul> Anvendelser av multivariate statistiske metoder og strukturmodellering SEM innen økonomiske analyser, ved bruk av moderne analyseverktøy. Valg av analyseverktøy og annen programvare for kurset oppgis ved semesterstart. Tar forbehold om endringer.

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

KunnskaperStudenten har:<ul><li>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.</li><li>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.</li></ul> FerdigheterStudenten kan:<ul><li>Estimere og tolke ulike faktormodeller, regresjonsmodeller og generelle strukturmodeller ved bruk av moderne analyseverktøy. Presentere analyseresultatene skriftlig.</li><li>Forstå forutsetningene og begrensningene disse teknikkene bygger på.</li></ul> Generell kompetanseStudenten kan:<ul><li>Foreslå og forstå resultatene av moderne multivariate statistiske teknikker som i økende grad benyttes i næringsliv og forskning.</li><li>Håndtere den generelle strukturmodellen og forstå viktigheten av å inkludere målefeil i økonometriske modeller.</li><li>Anvende relevante statistiske verktøy for analyse av økonomiske data, og være i stand til å utvide sin verktøyboks ved behov.</li></ul>

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(14473)/FieldValuesAsText

Emneansvarliges vurdering av kvaliteten i emnet: Totalt sett virker studentene å være fornøyd med faget og foreleser. Faget oppleves som nyttig, særlig for de som skal skrive en kvantitativ masteroppgave, jfr. rapport fra fagutvalget. Dette er et målrettet kurs i multivariate analyser og strukturmodellering, rettet mot alle spesialiseringene på siviløkonom master ved Handelshøyskolen (HHS).

Læringsutbyttebeskrivelsene er oppdaterte og relevante. De er kommunisert til studentene via BlackBoard Learn. Dette kurset er en videreføring av kurset Met 420, og studentene lærer et dataverktøy som de jobber godt og selvstendig med. De viser raskt høy grad av selvstendighet, og lærer en plattform og utvikler en verktøyboks, de senere kan utvide ved behov. Helhetlig er studentene fornøyd med faget, jfr. rapport fra fagutvalget.

Arbeidsformer og læringsaktiviteter består av forelesninger og gruppearbeid. Vi har øvinger med utgangspunkt i datasett fra de ulike hovedprofilene. Det forutsettes stor aktivitet i form av både obligatoriske og frivillige øvinger underveis i emnet. Undervisnings- og læringsaktivitetene bidrar vesentlig til at studentene oppnår et godt læringsutbytte. Teori blir gjennomgått i forelesningene, og studentene anvender dette ved praktiske øvinger i forelesningene og i egne øvingstimer. Foreleser deltar også på øvinger og veileder ved behov. Det er obligatoriske arbeidskrav i kurset, og dette gjør at studentene får en fin progresjon i kurset. Arbeidskravene er innrettet slik at de er eksamensrelevante. Dette bidrar til å motivere studentene til å legge ned en ekstra studieinnsats i øvingene, og vi oppnår et godt læringsmiljø i klassen. Studentene mener dette er arbeidskrevende, og sier at dette er motiverende og nyttig for forståelsen av teorien i kurset, jfr. rapport fra fagutvalget. 12. mars 2020 ble NTNU korona-stengt. Høsten 2020 var også preget av en uklar smittesituasjon, og undervisning og veiledning av øvinger i emnet ble derfor gjennomført digitalt. Forelesningene ble gjennomført digitalt i BlackBoard Collaborate, både live og ved opptak. Øvingene ble gjennomført i digitale øvingsrom i Teams, med veiledning av øvinger og semesteroppgaver. Dette undervisning- og øvingsopplegget fungerte bra, og ga et godt læringsmiljø i klassen (jfr rapport fra fagutvalget).  Emnet ble høsten 2020 gjennomført som planlagt i tråd med emnebeskrivelsen, jfr. fagrapport fra fagrepresentantene, og avsluttet med en digital hjemmeeksamen. Eksamensresultatene ble som tidligere år.

Hjelpemidler til eksamen: Godkjent kalkulator i henhold til NTNUs hjelpemiddelkode B-D "bestemt enkel kalkulator". Annen kalkulator som tillates i emnet er: Casio FC-100V og Texas Instruments - BAII Plus.
Formelsamling utlevert ved eksamen.

Emnet er kun tilgjengelig for studenter ved campus Trondheim med opptak til et studieprogram under "spesielle vilkår".

Emneoversikt
Del 1:
- Klassisk lineær multippel regresjonsmodell. "Ordinary Least Squares" (OLS). Hypotesetesting og evaluering av modeller. De klassiske forutsetningene, og avvik fra disse. OLS-regresjon med tidsseriedata.
- Paneldatamodeller. Fixed effects og random effects modeller.Hausman test.
Del 2:
- Tidsserieanalyser. Grunnleggende forutsetninger. Stasjonaritet og autokorrelasjon.    
- Estimering av autoregresjonsmodeller - AR modeller. 
- Tester for autokorrelasjon: Ljung-Box test. Tester for stasjonaritet: Dickey-Fuller test. Tester for heteroskedastisitet: ARCH test. Tester for normalitet. 
- Estimering av VAR-modeller og VECM-feilkorreksjonsmodeller. Kointegrasjon. Engle-Granger test for kointegrasjon. Tolkninger av Granger-kausalitet i VAR- og VECM-modeller.
Del 3:    
- Prinsipal komponent analyse.
- Eksplorativ faktoranalyse. 
- Simultane likninger. Skjevhet ved OLS-regresjon. Estimeringsteknikken "Two-Stage Least Squares" 2SLS.
Del 4:
- SEM strukturmodellering.
- Bekreftende faktoranalyse. Stidiagram. Estimering og testing av modeller. Anvendelser med moderne analyseverktøy.
- Strukturmodeller med observerte og latente variabler. Ulike estimeringsteknikker: ML, GLS og ULS.  
- Evaluering av modeller. Tilpasningsmål. Tilpasningsindekser og kjikvadrattester.  
- Statistiske forutsetninger for strukturmodellering SEM.
- Validitet og reliabilitet. 
- Manglende data i SEM analysen.
- Ikkenormalitet i SEM. Kurtose og skjevhet. Konsekvenser for SEM analysen. Estimeringsteknikker ved ikkenormalitet: RML, RGLS og WLS.
- Strukturmodeller med ordinale variabler. Estimeringsteknikken DWLS. 

Anvendelser av multivariate statistiske metoder og Strukturmodellering SEM innen økonomiske analyser, ved bruk av moderne analyseverktøy. 

Valg av analyseverktøy og annen programvare for kurset oppgis ved semesterstart.  

Tar forbehold om endringer.

Pensumlitteratur kunngjøres ved semesterstart.




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 analyseverktøy. 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 relevante statistiske verktøy for analyse av økonomiske data, og være i stand til å utvide sin verktøyboks ved behov.

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(8605)/FieldValuesAsText

Multivariate analyser og strukturmodellering (SEM) - MET500