Badania ilościowe w finansach przedsiębiorstw 2400-PLSM158A
Seminarium prowadzi do przygotowania samodzielnej pracy magisterskiej prezentującej własne badanie empiryczne z finansów przedsiębiorstw. Zakres metod jest dobierany do pytania badawczego i przygotowania studenta; nie zakłada się obowiązkowego zastosowania wszystkich wymienionych technik. Analizę można prowadzić w R, Pythonie, Stata lub innym uzgodnionym środowisku. Seminarium wykorzystuje wiedzę z Zaawansowanej Ekonometrii.
1. Projekt badania: problem z zakresu finansów przedsiębiorstw, cel, pytanie badawcze, hipotezy i wykonalność projektu.
2. Krytyczny przegląd literatury: wyszukiwanie i ocena publikacji, luka badawcza, powiązanie teorii, metod i wyników.
3. Dane: źródła i warunki dostępu, dobór próby, definicje zmiennych, łączenie zbiorów, braki danych, obserwacje odstające i ryzyko błędów pomiaru.
4. Strategia empiryczna: dobór modelu do pytania i struktury danych, założenia identyfikacyjne, korelacja a przyczynowość, endogeniczność i ograniczenia wnioskowania.
5. Analiza ilościowa: regresja i modele panelowe; zależnie od tematu badania zdarzeń, metody quasi-eksperymentalne, modele zmiennych jakościowych, prognozowanie lub symulacje.
6. Ocena wyników: diagnostyka, niepewność oszacowań, istotność statystyczna i znaczenie ekonomiczne, alternatywne specyfikacje i próby. W projektach predykcyjnych także walidacja poza próbą i zapobieganie wyciekowi informacji.
7. Dokumentowanie analizy: uporządkowany kod, słownik zmiennych, opis przekształceń danych, wersje oprogramowania i instrukcja odtworzenia tabel oraz wykresów.
8. Pisanie pracy: struktura argumentacji, prezentacja wyników, cytowanie źródeł, ograniczenia badania i wnioski dla finansów przedsiębiorstw.
9. Etyka badań i AI: samodzielność, weryfikacja źródeł, poufność danych, ujawnianie wykorzystanych narzędzi i odpowiedzialność autora.
10. Referaty i dyskusja: prezentacja kolejnych etapów pracy, informacja zwrotna oraz uzasadnienie wprowadzonych zmian.
Przykładowe tematy prac
• Stopy procentowe a inwestycje, zadłużenie i płynność przedsiębiorstw.
• Struktura kapitału, zapadalność długu i ryzyko refinansowania.
• Ograniczenia finansowe a innowacyjność i inwestycje niematerialne.
• Ryzyko klimatyczne i ujawnienia ESG a koszt finansowania.
• Cyfryzacja i wykorzystanie AI a produktywność i wyniki finansowe firm.
• Struktura własności i ład korporacyjny a decyzje finansowe.
• Kapitał obrotowy, rezerwy gotówkowe i odporność przedsiębiorstw na szoki.
• Prognozowanie trudności finansowych: porównanie modeli ekonometrycznych i uczenia maszynowego.
• Fuzje, przejęcia, emisje kapitału i polityka wypłat a wartość przedsiębiorstwa.
• Niepewność gospodarcza i zaburzenia łańcuchów dostaw a inwestycje firm.
• Wycena projektów inwestycyjnych z wykorzystaniem analizy scenariuszy i symulacji Monte Carlo.
Dokumentacja badania
Student przekazuje promotorowi kod przygotowania danych i analizy, słownik zmiennych oraz plik opisujący źródła danych, kolejność uruchamiania skryptów i wersje oprogramowania. Zbiory danych przekazuje się w zakresie dozwolonym przez licencje i zasady poufności; przy ograniczeniach dostępu dokumentacja opisuje sposób ich pozyskania. Nie wymaga się publicznego udostępnienia danych objętych ograniczeniami.
Zasady korzystania z AI
DURK.2026.75.UURK.75.pdf
Szacunkowy nakład pracy
Łącznie 75 godzin, odpowiadających 3 ECTS: 25 godzin kontaktowych w formie konsultacji oraz 50 godzin pracy samodzielnej nad literaturą, danymi, analizą, tekstem i referatem. Podział pracy samodzielnej zależy od aktualnego etapu badania.
Koordynatorzy przedmiotu
Rodzaj przedmiotu
Efekty uczenia się
WIEDZA
W1. Student wyjaśnia teorie i wyniki aktualnych badań dotyczących wybranego problemu finansów przedsiębiorstw oraz identyfikuje lukę badawczą.
W2. Student wyjaśnia założenia i ograniczenia metod ilościowych stosowanych w pracy, w tym problemy identyfikacji, endogeniczności i jakości danych.
W3. Student zna zasady przygotowania pracy magisterskiej, dokumentowania analiz, cytowania źródeł i odpowiedzialnego korzystania z danych oraz AI.
UMIEJĘTNOŚCI
U1. Student formułuje wykonalne pytanie badawcze i hipotezy, dokonuje krytycznej syntezy literatury oraz opracowuje plan badania.
U2. Student przygotowuje i dokumentuje zbiór danych, uzasadnia dobór modelu i metody estymacji oraz przeprowadza analizę z użyciem wybranego oprogramowania.
U3. Student interpretuje wyniki pod względem statystycznym i ekonomicznym, ocenia ich odporność oraz odróżnia wnioski opisowe, predykcyjne i przyczynowe.
U4. Student przygotowuje tekst pracy, prezentację i kod pozwalający odtworzyć analizę, a także wyjaśnia zastosowane rozwiązania i ograniczenia.
KOMPETENCJE SPOŁECZNE
K1. Student krytycznie ocenia własne wyniki i wiarygodność źródeł, identyfikuje potrzebę uzupełniania wiedzy i uwzględnia uzasadnioną informację zwrotną.
K2. Student samodzielnie i terminowo realizuje uzgodnione etapy pracy oraz udziela rzeczowej informacji zwrotnej podczas dyskusji seminaryjnych.
K3. Student przestrzega zasad rzetelności naukowej, ochrony danych i ujawniania wykorzystania AI oraz ponosi odpowiedzialność za treść pracy i wyniki analiz.
Kody efektów kierunkowych: KW01, KW02, KW03, KU01, KU02, KU03, KK01, KK02, KK03.
Kryteria oceniania
Zaliczenie bez oceny, na podstawie postępów pracy. W każdym semestrze student przekazuje uzgodnione materiały pisemne i analityczne oraz wygłasza jeden referat z dyskusją. Terminy i zakres materiałów ustala się z promotorem na początku semestru.
Etapy pracy
A. Koncepcja: pytanie, hipotezy, przegląd literatury, dostępność danych i plan analizy.
B. Przygotowanie badania: udokumentowany zbiór danych, statystyki opisowe i uzasadniona strategia empiryczna.
C. Wyniki: model podstawowy, diagnostyka, sprawdzenie odporności wyników i interpretacja.
D. Finalizacja: kompletna praca, poprawki po konsultacjach i pakiet umożliwiający odtworzenie analizy.
Etapy są rozłożone na kolejne semestry zgodnie z harmonogramem uzgodnionym z promotorem na początku każdego semestru; etap nie musi odpowiadać jednemu semestrowi.
Kryteria zaliczenia: realizacja uzgodnionego etapu; spójność pytania, literatury, danych i metody; poprawność analizy i wnioskowania; przejrzystość dokumentacji; samodzielność i rzetelność; umiejętność wyjaśnienia wyników oraz odniesienia się do uwag. Kryteria stosuje się odpowiednio do etapu pracy. Istotne błędy uniemożliwiające uzasadnienie wniosków wymagają poprawy przed zaliczeniem.
W ostatnim semestrze wymagane są ponadto ukończenie i złożenie pracy zgodnie z obowiązującą procedurą WNE UW.
Weryfikacja efektów: W1 i U1 – koncepcja i przegląd literatury; W2, U2 i U3 – dane, kod, analiza i dyskusja wyników; W3, U4 i K3 – tekst oraz dokumentacja pracy; K1 i K2 – dyskusje, odpowiedzi na uwagi i realizacja harmonogramu.
Literatura
Podstawowa literatura metodyczna – wybrane rozdziały dobierane do projektu
Wooldridge, J. M. (2010). Econometric Analysis of Cross Section and Panel Data. 2nd ed. MIT Press.
Cunningham, S. (2021). Causal Inference: The Mixtape. Yale University Press.
Literatura uzupełniająca – dla projektów predykcyjnych
James, G., Witten, D., Hastie, T., Tibshirani, R., Taylor, J. (2023). An Introduction to Statistical Learning: with Applications in Python. Springer.
Literatura tematyczna
Aktualne zagraniczne artykuły empiryczne i przeglądowe z finansów przedsiębiorstw, dobrane z promotorem do pytania badawczego, ze szczególnym uwzględnieniem publikacji z ostatnich pięciu lat oraz prac fundamentalnych.
Materiały warsztatowe
WNE UW: Wytyczne dotyczące prac – https://www.wne.uw.edu.pl/student/prace-dyplomowe/wytyczne-dotyczace-prac
URK UW: Wytyczne dotyczące korzystania z narzędzi sztucznej inteligencji w procesie kształcenia – https://urk.uw.edu.pl/wytyczne_sztuczna_inteligencja/
DURK.2026.75.UURK.75.pdf
AEA: Data and Code Policies and Guidance (materiał pomocniczy o dokumentowaniu badań) – https://www.aeaweb.org/journals/data