Jak napisać pracę magisterską z ekonometrii i statystyki stosowanej

Praca magisterska z ekonometrii to zupełnie inny świat niż praca z zarządzania czy marketingu. Tu nie wystarczy przegląd literatury i kilka tabel. Promotor oczekuje modelu, który coś estymuje, testów, które weryfikują założenia, i wyników, które można zinterpretować. Jeśli jesteś na SGH, UEW, UW lub UJ i masz przed sobą to wyzwanie, ten tekst pokaże ci, jak podejść do każdego etapu od wyboru tematu po obronę.

Wybór tematu – od czego zacząć

Najczęstszy błąd to pytanie „co mnie interesuje?” zamiast „jakie dane mam dostęp i jaki model pasuje do pytania badawczego?”. Pracę z ekonometrii pisze się odwrotnie niż humanistyczną: najpierw dane, potem temat.

Przykłady tematów, które dobrze działają na poziomie magisterskim:

• Determinanty płac w Polsce na podstawie BAEL (GUS) – tu naturalnie wychodzi regresja liniowa wieloraka, a przy problemie endogeniczności wynagrodzeń i wykształcenia – regresja instrumentalna
• Wpływ stóp procentowych NBP na akcję kredytową banków – dane NBP + Eurostat, model VAR lub VECM
• Prognozowanie PKB modelem ARIMA kontra XGBoost – dane Eurostat, dobry temat porównawczy
• Analiza przestrzenna bezrobocia w powiatach PL – dane GUS BDL, modele spatial lag i spatial error
• Hedonic pricing mieszkań w Warszawie lub Krakowie – dane z portali ogłoszeniowych lub GUS, regresja z dużą liczbą zmiennych
• Wpływ edukacji mierzonej wynikami PISA na zarobki – wymaga zmiennych instrumentalnych (Wooldridge 2020, rozdz. 15).

Przy każdym z tych tematów od razu widać, jaka metoda jest odpowiednia. To jest dobry znak. Jeśli temat nie sugeruje metody, to albo pytanie badawcze jest za słabe, albo trzeba je przeformułować.

Skąd brać dane

Dobre dane publiczne to podstawa. Najczęściej sięgam po:

• GUS Bank Danych Lokalnych (bdl.stat.gov.pl) – dane powiatowe i gminne (bezrobocie, wynagrodzenia, PKB per capita, przedsiębiorczość)
• BAEL (Badanie Aktywności Ekonomicznej Ludności) – mikrodata GUS, niezbędne przy modelach płacowych
• NBP – dane monetarne, stopy procentowe, bilanse banków
• Eurostat – dane makro na poziomie NUTS2 i NUTS3, idealne do analiz panelowych
• ESS (European Social Survey) – surowe mikrodata, dobre do analiz socjoekonomicznych

Przy pisaniu metodologii musisz opisać źródło, zakres czasowy, liczbę obserwacji i sposób oczyszczenia danych. Nie traktuj tego rozdziału jako formalności – recenzent zwraca uwagę, czy outliers zostały zbadane, czy brakujące wartości zostały obsłużone poprawnie.

Struktura rozdziałów

Typowa praca z ekonometrii ma od 5 do 6 rozdziałów.

Rozdział 1 – Wstęp. Pytanie badawcze, hipotezy (H1, H2…), zakres, uzasadnienie wyboru metody.

Rozdział 2 – Przegląd literatury. Nie streszczaj artykułów. Pisz, jakie wyniki uzyskali inni badacze i jak twoja praca wpisuje się w ten nurt lub od niego odchodzi. Greene (2018) i Wooldridge (2020) to klasyki, ale promotor oczekuje też artykułów z ostatnich 5-7 lat.

Rozdział 3 – Metodologia. Najważniejszy rozdział. Opisz: model empiryczny (ze wzorem matematycznym), źródła danych, opis zmiennych, spodziewane znaki współczynników i uzasadnienie.

Rozdział 4 – Wyniki estymacji. Tabela z wynikami modelu bazowego + kolejne specyfikacje. Diagnostyka reszt. Testy hipotez.

Rozdział 5 – Dyskusja. Interpretacja ekonomiczna, porównanie z literaturą, ograniczenia.

Rozdział 6 – Zakończenie. Podsumowanie hipotez (potwierdzone / odrzucone), wnioski dla polityki, propozycje dalszych badań.

Model klasycznej regresji liniowej (OLS/KMNK)

To punkt startowy większości prac. Model ma postać:

Y = Xβ + ε

gdzie Y to zmienna objaśniana, X – macierz zmiennych objaśniających, β – wektor parametrów, ε – wektor składników losowych.

Przy OLS musisz zweryfikować wszystkie założenia Gaussa-Markowa (GM1-GM6). W praktyce chodzi o:

1. Liniowość (test RESET Ramseya)
2. Brak współliniowości (VIF – jeśli VIF > 10, masz problem)
3. Sferyczność składnika losowego – brak heteroskedastyczności (test Breuscha-Pagana lub White’a) i brak autokorelacji (Durbin-Watson lub Breusch-Godfrey dla wyższych rzędów)
4. Normalność rozkładu reszt (Jarque-Bera, ale przy n > 100 nie jest krytyczna)

W R wygląda to tak:

library(lmtest)
library(car)

model <- lm(ln_wage ~ education + experience + I(experience^2) + female + urban, data = bael)

bptest(model)         # Breusch-Pagan
dwtest(model)         # Durbin-Watson
bgtest(model, order=2) # Breusch-Godfrey
resettest(model)      # RESET Ramseya
vif(model)            # VIF

Jeśli heteroskedastyczność jest potwierdzona, możesz użyć błędów standardowych odpornych na heteroskedastyczność (HC3 Mackinon-White lub HAC przy autokorelacji):

library(sandwich)
library(lmtest)
coeftest(model, vcov = vcovHC(model, type = "HC3"))

Zmienne endogeniczne i IV/2SLS

W pracy o płacach prawie zawsze masz problem endogeniczności – wykształcenie jest skorelowane ze składnikiem losowym, bo zdolności człowieka wpływają i na decyzję o edukacji, i na zarobki. OLS da wtedy estymator obciążony.

Rozwiązanie: zmienne instrumentalne (IV). Instrument musi spełniać dwa warunki: relewantność (korelacja z endogeniczną zmienną objaśniającą) i egzogeniczność (brak korelacji z błędem). Klasyczny instrument dla lat edukacji to odległość od uczelni wyższej (Card 1995) lub reformy systemu edukacji.

Estymacja metodą 2SLS w R:

library(AER)

iv_model <- ivreg(ln_wage ~ education + experience | experience + distance_to_college, data = df)
summary(iv_model, diagnostics = TRUE)

Diagnostics z pakietu AER dają od razu test słabych instrumentów (F-stat > 10 jako reguła kciuka, ale lepiej użyć Cragg-Donald lub Kleibergen-Paap) i test Sargana-Hansena dla nadidentyfikacji. Test endogeniczności Durbin-Wu-Hausmana sprawdza, czy w ogóle IV jest potrzebne:

first_stage <- lm(education ~ experience + distance_to_college, data = df)
residuals_fs <- residuals(first_stage)
hausman_test <- lm(ln_wage ~ education + experience + residuals_fs, data = df)

Jeśli współczynnik przy residuals_fs jest istotny statystycznie, masz endogeniczność i potrzebujesz IV.

Modele panelowe

Dane panelowe (te same jednostki obserwowane przez wiele okresów) dają więcej informacji niż przekrój, bo możesz kontrolować nieobserwowaną heterogeniczność między jednostkami.

Model efektów stałych (FE, Fixed Effects):

Y_it = α_i + X_it β + ε_it

Model efektów losowych (RE, Random Effects) zakłada, że α_i jest nieskorelowane z X_it.

Wybór między FE i RE robi test Hausmana (Hausman 1978). Jeśli p-value < 0.05, preferujesz FE:

library(plm)

panel_data <- pdata.frame(df, index = c("id_powiatu", "rok"))

fe_model <- plm(bezrobocie ~ pkb_per_cap + wydatki_socjalne + urbanizacja,
                data = panel_data, model = "within")

re_model <- plm(bezrobocie ~ pkb_per_cap + wydatki_socjalne + urbanizacja,
                data = panel_data, model = "random")

phtest(fe_model, re_model)  # Test Hausmana

LSDV (Least Squares Dummy Variables) to alternatywna forma FE z dummies dla każdej jednostki – wyniki tożsame, ale drogie obliczeniowo dla dużych paneli.

Dla danych panelowych sprawdź też heteroskedastyczność i autokorelację wewnątrz grup:

pbgtest(fe_model)   # Breusch-Godfrey dla panelu
pcdtest(fe_model)   # Test przekrojowej zależności (Pesaran)

Modele panelowe dynamiczne (GMM Arellano-Bond)

Gdy w modelu masz opóźnioną zmienną zależną Y_{i,t-1} jako regressor, FE i RE są niekonsystentne (Nickell bias). Rozwiązanie: uogólniona metoda momentów (GMM) Arellano-Bonda (1991):

library(plm)

gmm_model <- pgmm(bezrobocie ~ lag(bezrobocie, 1) + pkb_per_cap | lag(bezrobocie, 2:4),
                  data = panel_data, effect = "twoways", model = "twosteps")

summary(gmm_model, robust = TRUE)

Zawsze sprawdzaj test Sargana (overidentification) i test AR(2) – autokorelacja drugiego rzędu nie powinna być istotna.

Modele szeregów czasowych

ARIMA i SARIMA

Dla danych makroekonomicznych w czasie najczęściej stosujesz ARIMA(p,d,q). Przed estymacją sprawdź stacjonarność:

library(tseries)
library(forecast)

adf.test(ts_pkb)     # Augmented Dickey-Fuller
pp.test(ts_pkb)      # Phillips-Perron
kpss.test(ts_pkb)    # KPSS (H0: stacjonarność)

ADF i PP mają H0: niestacjonarność, KPSS na odwrót. Przy sprzecznych wynikach kieruj się KPSS i wykresem ACF/PACF. Rząd integracji d ustala się przez liczbę różnicowań potrzebnych do osiągnięcia stacjonarności.

auto.arima(ts_pkb, ic = "bic")  # Automatyczny dobór p, d, q przez kryterium BIC

Przy danych kwartalnych lub miesięcznych (np. inflacja, sprzedaż detaliczna) rozważ SARIMA(p,d,q)(P,D,Q)[s].

Modele wariancji warunkowej (ARCH/GARCH)

Przy danych finansowych (kursy walut, ceny akcji, rentowności obligacji) reszty OLS często mają skupienia wariancji. Test LM Engla:

library(FinTS)
ArchTest(residuals(arima_model), lags = 12)

Jeśli istotny, estymujesz GARCH(1,1):

library(rugarch)

spec <- ugarchspec(variance.model = list(model = "sGARCH", garchOrder = c(1,1)),
                   mean.model = list(armaOrder = c(1,0)))

fit <- ugarchfit(spec, data = ts_returns)

Kointegracja i VECM

Gdy masz dwie niestacjonarne zmienne I(1), ale ich kombinacja liniowa jest stacjonarna – mają wspólny trend stochastyczny. Test kointegracji Johansena:

library(vars)

jotest <- ca.jo(cbind(ln_ceny_wieprzowiny, ln_ceny_woly), type = "trace",
                K = 4, ecdet = "const")
summary(jotest)

Ranga kointegracji r decyduje o liczbie wektorów kointegrujących. Przy r = 1 estymujesz VECM:

vecm_model <- cajorls(jotest, r = 1)

VECM rozróżnia krótkookresową dynamikę (parametry Gamma) od mechanizmu korekty błędem (alfa – szybkość powrotu do równowagi).

Model VAR

Dla analizy wzajemnych zależności między kilkoma zmiennymi makroekonomicznymi (PKB, inflacja, stopy procentowe) – VAR(p). Dobór rzędu przez kryterium AIC/BIC/HQ:

VARselect(cbind(d_pkb, d_inflacja, d_stopa), lag.max = 8)
var_model <- VAR(cbind(d_pkb, d_inflacja, d_stopa), p = 2, type = "const")

Po estymacji analizujesz funkcje impulse-response (IRF) i dekompozycję wariancji błędu prognozy (FEVD) – to najciekawsza część interpretacji.

Modele dyskretne wyboru

Gdy zmienna zależna jest zero-jedynkowa (np. aktywność zawodowa, posiadanie kredytu), OLS jest nieodpowiednie – daje prognozy spoza [0,1] i nie respektuje struktury binarnej.

Logit i probit różnią się rozkładem: logistyczny vs normalny standardowy. W praktyce wyniki są podobne, probit jest częstszy w ekonometrii pracy.

logit_model <- glm(aktywnosc_zaw ~ wyksztalcenie + wiek + I(wiek^2) + dzieci_do6 + region,
                   family = binomial(link = "logit"), data = df)

probit_model <- glm(aktywnosc_zaw ~ wyksztalcenie + wiek + I(wiek^2) + dzieci_do6 + region,
                    family = binomial(link = "probit"), data = df)

Uwaga: współczynniki z logit/probit to nie są efekty krańcowe. Musisz je policzyć osobno:

library(margins)
margins(logit_model)  # Średnie efekty krańcowe (AME)

Dla zmiennej ciągłej efekt krańcowy to pochodna P(Y=1) po tej zmiennej, liczona w każdej obserwacji i uśredniana. Dla zmiennej binarnej (np. płeć) to różnica prawdopodobieństw przy zmianie z 0 na 1.

Model Tobita stosuj, gdy zmienna zależna jest cenzurowana (np. wydatki na kulturę: dużo zer, bo część osób w ogóle nie wydaje):

library(AER)
tobit_model <- tobit(wydatki_kultura ~ dochod + wyksztalcenie + wiek, left = 0, data = df)

Modele przestrzenne

Analiza przestrzenna bezrobocia albo wynagrodzeń w powiatach wymaga uwzględnienia efektów sąsiedztwa. Ignorowanie przestrzennej autokorelacji daje obciążone lub nieefektywne estymatory (zależnie od rodzaju błędu).

Najpierw test Morana dla reszt OLS:

library(spdep)
library(spatialreg)

nb <- poly2nb(powiaty_sf)
W <- nb2listw(nb, style = "W")

moran.test(residuals(ols_model), W)

Jeśli test Morana istotny (p < 0.05), masz przestrzenną autokorelację. Wybór modelu przez testy LM i LM* (robust):

lm.LMtests(ols_model, W, test = c("LMlag", "LMerr", "RLMlag", "RLMerr"))

Jeśli LMlag istotny, a LMerr nie – spatial lag model (SAR). Odwrotnie – spatial error model (SEM). Oba istotne – zazwyczaj SAR, bo modeluje substancjalną zależność przestrzenną:

sar_model <- lagsarlm(bezrobocie ~ pkb_per_cap + urbanizacja, data = powiaty, listw = W)
sem_model <- errorsarlm(bezrobocie ~ pkb_per_cap + urbanizacja, data = powiaty, listw = W)

Interpretacja rho w modelu SAR: jeśli rho = 0.4, to wzrost bezrobocia w sąsiednich powiatach o 1 pp. podnosi bezrobocie w danym powiecie o 0.4 pp. (efekt bezpośredni). Całkowity efekt zmiennej objaśniającej dzielisz na bezpośredni i pośredni (spillover) przez funkcję impacts().

Metody ML w ekonometrii

Ekonometria coraz częściej sięga po metody uczenia maszynowego – szczególnie gdy chodzi o predykcję lub selekcję zmiennych przy dużej liczbie regresorów.

LASSO (Tibshirani 1996) minimalizuje sumę kwadratów reszt z penalizacją L1 – zeruje nieistotne współczynniki. Ridge stosuje penalizację L2 – kurczy, ale nie zeruje. Elastic net to kombinacja obu:

from sklearn.linear_model import LassoCV, RidgeCV, ElasticNetCV
from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

lasso = LassoCV(cv=10).fit(X_scaled, y)
print(f"Optymalny lambda: {lasso.alpha_:.4f}")
print(f"Liczba niezerowych coef.: {(lasso.coef_ != 0).sum()}")

Random Forest i XGBoost pozwalają modelować nieliniowości i interakcje bez specyfikowania ich z góry. Przydatne do prognozowania PKB czy cen nieruchomości. SHAP (Shapley Additive Explanations) daje interpretowalność – pokazuje, jak każda zmienna wpływa na prognozę dla konkretnej obserwacji:

import xgboost as xgb
import shap

xgb_model = xgb.XGBRegressor(n_estimators=300, max_depth=4, learning_rate=0.05)
xgb_model.fit(X_train, y_train)

explainer = shap.TreeExplainer(xgb_model)
shap_values = explainer.shap_values(X_test)
shap.summary_plot(shap_values, X_test)

W pracy porównawczej (ARIMA vs XGBoost) oceniasz modele przez RMSE, MAE i MAPE na próbie testowej. Pamiętaj o właściwym podziale: dla szeregów czasowych nie losuj – używaj walk-forward validation.

Dobór specyfikacji i selekcja zmiennych

Zanim zaczniesz estymować, musisz podjąć decyzje specyfikacyjne. Najczęstsze kryteria:

• AIC (Akaike) i BIC (Bayesian) – mniejsza wartość, lepszy model. BIC silniej karze za liczbę parametrów, preferuje modele oszczędne
• R-squared adjusted – rośnie tylko przy dodaniu naprawdę przydatnej zmiennej
• Testy F (łączna istotność) i Walda (ograniczenia liniowe) – sprawdź, czy usunięcie grupy zmiennych istotnie pogarsza dopasowanie

Stepwise regression (forward, backward, both) jest wygodna, ale ma wady – nie daje poprawnych p-values, bo ignores problem wielokrotnego testowania. Lepiej użyj LASSO jako selektora zmiennych, a potem OLS na wybranych.

Pamiętaj o logarytmowaniu: gdy rozkład zmiennej jest prawostronnie skośny (dochody, ceny), transformacja log zmniejsza wpływ outlierów i często poprawia normalność reszt. Współczynnik przy log(X) interpretuje się jako elastyczność.

Bootstrapping i symulacje Monte Carlo

Gdy rozkład statystyki testowej jest nieznany lub próba jest mała, bootstrapping daje empiryczny rozkład błędów standardowych:

library(boot)

bs_coef <- function(data, indices) {
  d <- data[indices, ]
  coef(lm(ln_wage ~ education + experience, data = d))
}

boot_result <- boot(df, statistic = bs_coef, R = 2000)
boot.ci(boot_result, type = "perc", index = 2)  # CI dla coef. przy education

Symulacje Monte Carlo przydają się do weryfikacji właściwości estymatora (obciążenie, RMSE) w skończonych próbach – bardzo dobrze wyglądają w pracy jako uzupełnienie teorii asymptotycznej.

Jak pisać rozdział z wynikami

Nie pisz „zmienna X jest istotna statystycznie i dodatnia”. Pisz: „Wzrost liczby lat edukacji o 1 rok wiąże się ze wzrostem logarytmu płacy o 0.082 (SE = 0.011, p < 0.001), co odpowiada premii płacowej rzędu 8.5% (po korekcie: e^0.082 – 1).” Podaj statystyki t lub z, przedziały ufności i interpretację ekonomiczną obok każdego wyniku.

Tabela wyników powinna zawierać co najmniej trzy specyfikacje modelu: bazową (samo pytanie badawcze), rozszerzoną (kontrole) i robustness check (inne próby, metoda lub definicja zmiennej). Tak weryfikujesz, że wynik nie zależy od jednej decyzji.

Przy modelach logit/probit w tabeli podawaj efekty krańcowe – nie logit-coefficients. Recenzent bez znajomości skali probit nie wyciągnie wniosków z samych beta.

Najczęstsze uwagi recenzentów

Na obronach z ekonometrii słyszę wciąż te same zarzuty. Oto lista problemów, które warto wyeliminować przed złożeniem:

• Brak testu endogeniczności przy użyciu IV – jeśli używasz zmiennych instrumentalnych, udowodnij, że są potrzebne
• Nieopisane kryteria doboru instrumentów – powiedz, dlaczego akurat ta zmienna spełnia warunek egzogeniczności
• Interpretacja korelacji jako przyczynowości – frazy „X powoduje wzrost Y” bez uzasadnienia identyfikacji są błędem
• Brak diagnostyki reszt – tabela bez wyników bptest/dwtest to niekompletny wynik
• Nieprzetestowana stacjonarność przy szeregach czasowych – regresja pozorowana to klasyczny błąd (Granger i Newbold 1974).
• Zbyt mała próba do danej metody – GMM Arellano-Bonda wymaga dużego n przy krótkim T

Oprogramowanie – R, Stata, Python

Na SGH i UEW dominuje Stata. Na UW i UJ coraz częściej R. Python rośnie przy pracach z ML. Dobrze jest umieć jedno narzędzie naprawdę dobrze, niż trochę wszystkie.

W Stata główne pakiety to regress, xtreg (modele panelowe), ivreg2 (IV/2SLS), arima, var, vecrank (kointegracja Johansena), xtabond2 (GMM Arellano-Bond), spregress (modele przestrzenne), lasso2 i pdslasso.

W R: lm, AER, plm, tseries, forecast, vars, spatialreg, spdep, glmnet (LASSO/Ridge), caret i tidymodels (ML pipeline), ggplot2 (wykresy).

W Pythonie: statsmodels (regresja, ARIMA, VAR), linearmodels (panelowe, IV), sklearn (ML), xgboost, shap, pysal (przestrzenne).

Kod wstaw do aneksu lub do treści pracy jako fragmenty – to pokazuje, że wyniki są odtwarzalne. Na żądanie promotora powinieneś móc uruchomić skrypt i dostać te same liczby co w tabelach.

GLS i estymatory odporne na naruszenia założeń

Kiedy heteroskedastyczność jest potwierdzona, masz dwa wyjścia: błędy standardowe odporne (HC3, HAC) albo estymacja GLS (Generalized Least Squares). GLS daje efektywniejsze estymatory, gdy znasz strukturę macierzy wariancji-kowariancji składnika losowego.

W praktyce najczęściej stosujesz FGLS (Feasible GLS), bo prawdziwa macierz jest nieznana i musisz ją oszacować z danych. Przy heteroskedastyczności grupowej (np. różna wariancja reszt dla grup wiekowych) możesz użyć ważonej regresji WLS:

aux_model <- lm(log(residuals(ols_model)^2) ~ group_var, data = df)
weights <- 1 / exp(fitted(aux_model))

wls_model <- lm(ln_wage ~ education + experience + female, weights = weights, data = df)

Przy autokorelacji w szeregach czasowych (typowe w danych makro) FGLS to regresja na danych po transformacji Cochrane-Orcutt lub Prais-Winsten, która usuwa autokorelację AR(1):

library(orcutt)
cochrane_model <- cochrane.orcutt(ols_model)

Interpretacja wyników GLS vs OLS: gdy GLS i OLS dają podobne punktowe estymatory, ale różne błędy standardowe – to sygnał, że heteroskedastyczność wpływała na testy, nie na wartości współczynników. Napisz to wprost w dyskusji.

Selekcja modelu i kryteria informacyjne w praktyce

Dobór specyfikacji to jeden z najtrudniejszych etapów dla studentów. Kilka zasad, które sprawdzają się w praktyce.

Po pierwsze, zacznij od modelu ekonomicznie uzasadnionego, a nie od „wsadzenia wszystkiego do regresji”. Jeśli teoria przewiduje log-liniowy związek między dochodem a wydatkami, zrób test Box-Coxa i sprawdź, czy logarytm rzeczywiście poprawia dopasowanie.

Po drugie, porównuj modele przez AIC i BIC. BIC jest konsystentny (wybiera prawdziwy model przy dużym n), AIC asymptotycznie ekwiwalentny z walidacją krzyżową. W pracy magisterskiej podaj oba:

AIC(model_1, model_2, model_3)
BIC(model_1, model_2, model_3)

Po trzecie, test F dla ograniczeń liniowych mówi, czy uproszczona specyfikacja statystycznie gorsza od rozszerzonej:

linearHypothesis(full_model, c("I(age^2) = 0", "I(age^3) = 0"))

Po czwarte, RESET Ramseya sprawdza, czy liniowa forma funkcyjna jest odpowiednia. Jeśli jest istotny, rozważ potęgi wyższych stopni, logarytmy lub interakcje.

Tabela z wynikami BIC/AIC dla kilku specyfikacji to dobry element rozdziału metodologicznego – pokazuje, że decyzja o finalnej specyfikacji była świadoma, nie przypadkowa.

Korekta i redakcja przed złożeniem

Praca ekonometryczna ma specyficzne wymagania edytorskie. Wzory zapisuj w LaTeX lub MathType (nie jako zdjęcia). Tabele wyników formatuj według standardu akademickiego: gwiazdki przy p < 0.05, p < 0.01, p < 0.001 z objaśnieniem w stopce, błędy standardowe w nawiasach pod współczynnikami.

Przed złożeniem do dziekanatu warto dać pracę do korekty językowej – błędy interpunkcyjne i stylistyczne przy rzetelnej analizie statystycznej to szkoda. Dobra praca powinna być zarówno poprawna metodologicznie, jak i zrozumiale napisana. Recenzent to też czytelnik.

Rozdział z metodologią często wymaga kilku iteracji. Napisz go wcześnie, daj promotorowi do oceny, zanim zainwestujesz czas w estymację modelu. Jeden komentarz na tym etapie oszczędza tygodnie pracy przy wynikach.

Natalia Witek-Dąbrowska

Redaktorka i korektorka z 20-letnim doświadczeniem

Specjalizuję się w korekcie prac naukowych i dyplomowych. Jeśli potrzebujesz pomocy z tekstem, napisz do mnie.