YoVDO

คณิตเศรษฐศาสตร์และเศรษฐมิติเพื่อการธุรกิจ | Mathematical Economics and Econometrics for Business

Offered By: Sukhothai Thammathirat Open University via ThaiMOOC

Tags

Econometrics Courses Mathematics Courses Business Analysis Courses Time Series Analysis Courses Forecasting Courses Mathematical Economics Courses Business Problem Solving Courses

Course Description

Overview

รายวิชาเรียนตาม อัธยาศัย รายวิชานี้ได้ ปรับรูปแบบการจัดการเรียนการสอนเป็น "การเรียนรู้ด้วยตนเองตามอัธยาศัย (Self-Paced)" คณิตเศรษฐศาสตร์และเศรษฐมิติเพื่อการธุรกิจ มุ่งเน้นให้ผู้เรียนเข้าใจแนวคิดเกี่ยวกับคณิตเศรษฐศาสตร์และเศรษฐมิติเพื่อแก้ปัญหาทางธุรกิจ เน้นการวิเคราะห์การถดถอยอย่างง่าย การวิเคราะห์การถดถอยพหุคูณ ปัญหาของตัวแปรตามและตัวแปรอิสระ ปัญหาของตัวคลาดเคลื่อน การพยากรณ์ด้วยอนุกรมเวลา โดยศึกษากรณีตัวอย่างเพื่อการประยุกต์ในการดำเนินธุรกิจ จำนวนชั่วโมงเรียนรู้ทั้งหมด 10 ชั่วโมงการเรียนรู้ (จำนวนชั่วโมงสื่อวีดิทัศน์ 3 ชั่วโมง 30 นาที) วัตถุประสงค์การเรียนรู้ 1. อธิบายความหมาย ความสำคัญ และประมาณค่าสัมประสิทธิ์การถดถอยอย่างง่ายได้ 2. อธิบายการประยุกต์การถดถอยพหุคูณ และประมาณค่าการถดถอยพหุคูณได้ 3. อธิบายความหมาย คำนวณหาค่าสัมประสิทธิ์แห่งการกำหนดและพยากรณ์ได้ [ คุณสมบัติผู้เรียน/ความรู้พื้นฐานที่ควรมีมาก่อน ] รายวิชาคณิตเศรษฐศาสตร์และเศรษฐมิติเพื่อการธุรกิจ เปิดรับผู้ที่สนใจที่ต้องการที่จะเพิ่มพูนความรู้สำหรับการยกระดับการจัดการธุรกิจ เริ่มต้นด้วยการเข้าใจโลกธุรกิจที่จะนำไปสู่การจัดการข้อมูลที่เกี่ยวข้อง ผู้เรียนจะได้เรียนรู้การการวิเคราะห์การถดถอยอย่างง่าย การวิเคราะห์การถดถอยพหุคูณและการพยากรณ์ [ รายละเอียดเกณฑ์การประเมินผลรายวิชา ] การประเมินผลวัดจากการทำแบบทดสอบหลังเรียน จำนวนเรื่องละ 10 ข้อ ผลคะแนนแต่ละหัวข้อได้เกินกว่าร้อยละ 80 จึงจะถือว่า "ผ่าน" รายวิชานี้ [ ทีมผู้สอน ] ผู้ช่วยศาสตราจารย์ ดร.พิทักษ์ ศรีสุขใส ผู้ช่วยศาสตราจารย์ประจำสาขาวิชาเศรษฐศาสตร์ มหาวิทยาลัยสุโขทัยธรรมาธิราช email: [email protected] ผู้ช่วยศาสตราจารย์ปรัชญ์ ปราบปรปักษ์ ผู้ช่วยศาสตราจารย์ประจำสาขาวิชาเศรษฐศาสตร์ มหาวิทยาลัยสุโขทัยธรรมาธิราช email: [email protected] Creative common สัญญาอนุญาตสิทธิ์ “สื่อการสอนนี้เป็นส่วนหนึ่งของโครงการ Thai MOOC (thaimooc.org) และเผยแพร่ภายใต้สัญญาอนุญาตสิทธิ์แบบ Creative Commons ด้วยเงื่อนไข CC BY NC SA”

Tags

Related Courses

Data Science Methodology
IBM via Coursera
ML Building Blocks: Services and Terminology
Amazon via Independent
Predict Employee Turnover with scikit-learn
Coursera Project Network via Coursera
Deep Learning Prerequisites: Logistic Regression in Python
Udemy
AWS Foundations: Machine Learning Basics
Pluralsight