·  Disclaimer.  The following information reflects the official schedule of classes as of July 31,

2022. Due to the uncertainty from the Covid-19 pandemic, some of the organizational details on the syllabus may change.  Please make sure you check Canvas and the syllabus regularly for updates.

·  Assigned lecture sections. MW 2:00pm - 4:50pm. Remote only mode (via ZOOM). ·  Assigned discussion sections. F 3:00pm - 4:50pm. Remote only mode (via ZOOM). · Instructor. Ying Zhu; Email: [email protected].

·  Teaching assistants.  Connor Goldstick; Email: [email protected]

–  Office hours:  Tue 1:00pm - 2:00pm (on ZOOM, starting on 08/02/2022).  Th 7:00pm - 8:00pm (on Zoom, starting on 08/04/2022).

Organization

·  In  the  assigned  lecture  sections,  I  will  cover  five  topics  described  in  “Course

Outline” of this syllabus.  I will also answer questions about the course.  The live

lecture sessions will not be recorded.

·  I have pre-recorded lectures (that cover the same materials in my live lectures),

and will post them on Canvas after each live lecture session.

·  Your TA will hold the discussion sections in a synchronized fashion.  These dis-

cussion sections will be recorded and uploaded on Canvas.

·  Problem sets and solutions, as well as final project assignment will also be posted

on Canvas.

· Invitations links for ZOOM will be posted on Canvas.

·  Answering questions related to the course material via email can be difficult, es-

pecially when equations and/or code are involved. Please only email us questions on course policies.

·  Please include ECON178 in the subject line of your email.

My lectures and course materials, including pre-recorded video lectures, outlines, and similar ma- terials, are protected by U.S. copyright law and by University policy. I am the exclusive owner of the copyright in those materials I create. You may take notes and make copies of course materials

for your own use.  You may also share those materials with another student who is enrolled in or auditing this course. You may not reproduce, distribute or display (post/upload) lecture notes or recordings or course materials in any other way — whether or not a fee is charged — without my express prior written consent.  You also may not allow others to do so.  If you do so, you may be subject to student conduct proceedings under the UC San Diego Student Code of Conduct. Similarly, you own the copyright in your original papers and exam essays.  If I am interested in posting your answers or papers on the course web site, I will ask for your written permission.

Course Description

This course provides an introduction to a number of statistical learning methods, including stepwise

selection, ridge regression, the Lasso, logistic regressions and nearest neighborhood. We will discuss

the basic concepts and computational issues behind these methods, the concepts of prediction, as well as applications in economics and business.

Textbook and Other Course Materials

·  Required: An Introduction to Statistical Learning with Applications in R . 2nd edition. Gareth

James, Daniela Witten, Trevor Hastie, and Robert Tibshirani. Springer.

–  (https://statlearning.com/)

·  My lecture notes (motivations, concepts, methods, theory, computational issues) ·  Discussion notes (reviewing lectures, demonstrations in R)1

Prerequisites

ECON 120C

Software

This course is heavily based on the statistical software R. Each problem set will include empirical questions based on real data sets. To answer the empirical questions, you will need to use R. Your

teaching assistant will run tutorials on R and explain the necessary commands needed

to complete the problem sets.  This will be a good opportunity for you to be familiar with this software and see how it works in practice.

Course Outline

1.  Motivation and basic concepts of statistical learning

2.  Review of the linear regression model and least squares estimator

3.  Ridge regression and the Bayesian interpretation

4. Feature selection: best subset selection, stepwise selection, the Lasso

5.  Generalized additive models

1 Thank to my previous ECON178’s TAs who have prepared these notes.

Grades

1. A problem set – 45%.  The problem set will include both conceptual and applied questions. The purpose of the problem set is to help you learn the material and assess your progress.

2. A final project – 55%. You will be provided with a data set and guidelines that help you to work through the project.

3.  Bonus opportunity – 5%. Competition for top predictors (to be discussed).

4. Additional bonus opportunities – to be discussed.

Late  assignment  submissions  will  not  be  accepted  except  with  my  prior  consent  or

in  unusual  circumstances  permitted  by  University  policies  (proper  documentations will be needed).  Normally, I consider the syllabus my contract with the class.  However, some flexibility might be desirable in this quarter due to all of the uncertainty related to the pandemic.

My current prediction of how I will assess your performance in this course is stated above. While I will do what I can to keep to the predicted assessments for this course, the evolving situation may make it necessary for me to make changes. If that happens, I will make sure to inform you as early

as possible, and to explain as best as I can the rationale behind the change.

Academic Dishonesty

Academic dishonesty will be dealt with according to the University policies.

Please see https://academicintegrity.ucsd.edu/. Cheating includes, but is not limited to: copying someone else’s assignments, stealing someone else’s assignments, asking someone else to do your assignments, etc. Using program code written by someone else (except those explicitly provided by the course staff members) or giving code to someone else is considered violation of academic integrity.  You may cite materials from the textbook, my lecture notes, and the TA’s discussion notes to help answer the questions on the assignments.  Whenever you use materials outside the textbook and the course materials, you have to provide references  (remember that information online could be incorrect and/or misleading).

·  You are allowed to discuss the problem set  (Item 1 under “Grades”).  However,

each of you must write your OWN versions of program code and hand in your OWN versions of the answers.

·  You are not allowed to work together with others on the final project and the

bonus opportunity (Items 2 and 3 under “Grades”); you are not allowed to get any help  (including but not limited to program code) from others  (except the ECON178 SU-II instructor and teaching assistant) on the final project and the bonus opportunity.

We will use tools to catch any form of plagiarism and cheating. Penalties on cheating include, among others,  a  failing grade  for the course.   In addition,  the  Council of Deans of

Student Affairs will impose a disciplinary penalty.

Every  student  in  ECON178  must  read,  understand,  agree  and  sign  the  integrity

pledge  (https://academicintegrity.ucsd.edu/forms/form-pledge.html) before complet-

ing  any  assignment  for  ECON178.   After you  sign the  pledge  form,  a  receipt will  be

emailed to you.  Please include this receipt in the submission of your assignment.