1.Matemātiskās statistikas pamatjēdzieni. Nenobīdīts, efektīvs un konverģējošs vērtējums.
2.Hipotēžu pārbaudes vispārīgie principi. Sadalījumi un to pielietojumi hipotēžu pārbaudēm.
3.Regresijas interpretācija. Mazāko kvadrātu metode (MKM). MKM estimatori, to īpašības.
4.MKM pieņēmumi. Gausa - Markova teorēma. Determinācijas koeficients. Korelācijas koeficients.
5.Normalitātes pieņēmums. MKM estimatoru īpašības normalitātes pieņēmuma gadījumā.
6.Regresijas koeficientu ticamības intervāli. Regresijas koeficientu nozīmīguma pārbaude. Prognozēšana.
7.Lineārās regresijas modelis matricu formā.
8.Parciālie regresijas koeficienti. MKM estimatori. Normalitātes pieņēmums.
9.Hipotēžu pārbaude daudzfaktoru regresijā. Marginālais ieguldījums.
10.Korektētais determinācijas koeficients. Ierobežotie mazākie kvadrāti.
Praktisko nodarbību laikā, izmantojot MS Excel un SPSS, tiek attīstītas konometriskās analīzes un aprēķinu iemaņas. Darbs excel formātā.