Dylematy podwójnej metody najmniejszych kwadratów w mikromodelu ekonometrycznym
|
|
- Lidia Jabłońska
- 8 lat temu
- Przeglądów:
Transkrypt
1 Jerzy W. Wiśniewski* Dylematy podwójnej metody najmniejszych kwadratów w mikromodelu ekonometrycznym Wstęp Parametry ekonometrycznych układów równań współzależnych najczęściej szacowane są podwójną metodą najmniejszych kwadratów. Głównym obszarem danych statystycznych do budowy modeli o równaniach współzależnych są zmienne makroekonomiczne, o rocznym okresie obserwacji. W rezultacie dokładność dopasowania empirycznych równań formy zredukowanej jest wysoka, ze współczynnikiem R 2 przekraczającym najczęściej wielkość 0,95. Takiej dokładności opisu w tego typu równaniach dla mikrodanych, zwłaszcza o okresie obserwacji krótszym niż rok, nie daje się uzyskać. W konsekwencji stopień podobieństwa teoretycznych wartości zmiennych łącznie współzależnych z empirycznych równań formy zredukowanej do oryginałów bywa daleki od potrzeb modelowania ekonometrycznego. 1. Specyfika modeli opisujących procesy ekonomiczne przedsiębiorstwa Modelowanie procesów ekonomicznych zachodzących w przedsiębiorstwie przeprowadza się przede wszystkim dla szeregów statystycznych w postaci danych miesięcznych i kwartalnych, a niekiedy również o krótszych okresach obserwacji. Agregacja danych z przedsiębiorstw powoduje wygładzanie szeregów czasowych, ukrywanie wielu wahań, obserwowanych wcześniej w szeregach indywidualnych. Również tworzenie rocznych szeregów z danych o krótszych okresach obserwacji eliminuje wiele spośród wahań okresowych. Model ekonometryczny budowany w oparciu o dane roczne charakteryzuje się zazwyczaj mniejszymi wahaniami losowymi w porównaniu z analogiczną konstrukcją, wykorzystującą informacje kwartalne lub miesięczne. Ekonometryczne równania opisujące procesy zachodzące w przedsiębiorstwach w okresach miesięcznych lub kwartalnych charakteryzują się inną dokładnością opisu, w porównaniu do zmiennych makroekonomicznych o rocznym okresie obserwacji. Wyniki modelowania w przedsiębiorstwie uznaje się często za wystarczająco dokładne, gdy R 2 osiąga wartości z przedziału [0,6; 0,8]. Rzadko udaje się uzyskiwać wyniki empiryczne równań z wartością R 2 > 0,9, co można uznać za rezultat o wyjątkowo dobrym poziomie dopasowania do danych rzeczywistych. * Prof. dr hab., Uniwersytet Mikołaja Kopernika w Toruniu, Wydział Nauk Ekonomicznych i Zarządzania, Katedra Ekonometrii i Statystyki, Jerzy.Wisniewski@umk.pl.
2 524 Jerzy W. Wiśniewski 2. Pomiar płynności finansowej i efektywności windykacji wierzytelności w przedsiębiorstwie Poniżej zaprezentowany zostanie ekonometryczny układ równań współzależnych, opisujących powiązania pomiędzy płynnością finansową w małym przedsiębiorstwie i efektywnością windykacji jego wierzytelności. W związku z tym przedstawić trzeba miary płynności i skuteczności windykacji należności w małej firmie. Pierwszą możliwość pomiaru płynności zrealizować można przez porównanie wartości równoczesnych wpływów pieniężnych z wartością wykonanej produkcji gotowej 1. Jeśli pien t prod t (t = 1,..., n), to przedsiębiorstwo posiada niezbędne środki pieniężne na pokrycie zobowiązań w okresie t. Sytuacja, gdy pien t < prod t oznaczać może niedobór środków pieniężnych. Warto jednak zwrócić uwagę na to, że przedsiębiorca, który musi liczyć głównie na własną zapobiegliwość. Potrafi gromadzić środki pieniężne, pochodzące z okresów ich nadwyżek nad zobowiązaniami, wykorzystując je w czasie bieżącego niedoboru. W związku z tym lepszym rozwiązaniem analitycznym może być rozpatrywanie skumulowanej wartości środków pieniężnych w kolejnych okresach danego roku i porównywanie jej ze skumulowaną wartością produkcji gotowej. W rezultacie w niniejszej pracy wykorzystamy miernik płynności finansowej małej firmy jako różnicę pomiędzy skumulowanymi miesięcznymi wpływami pieniężnymi a kumulantą wartości produkcji gotowej 2, czyli plyn t = cum.pien t cum.prod t, (1) gdzie: cum.pien t = cum.pien t 1 + pien t, w roku t*, cum.prod t = cum.prod t 1 + prod t, w roku t*, (t* = 1,..., 11; t = 2,...,12) oraz cum.pien 1 = pien 1, cum.prod 1 = prod 1. Konstrukcja miernika efektywności windykacji wierzytelności wymaga znalezienia różnic pomiędzy wpływem kwot za sprzedane towary (pien t ) i wartością równoczesnych przychodów ze sprzedaży brutto (pbrut t ), jak też opóźnionych o 1 miesiąc (pbrut t 1 ) oraz o dwa miesiące (pbrut t 2 ). Konieczne jest więc rozpatrzenie następujących różnic 3 : 1 Por. w tej sprawie pracę: Sokołowska E., Wiśniewski J.W. (2008): Dynamiczny model ekonometryczny w ocenie płynności finansowej małego przedsiębiorstwa, w: Metody ilościowe w badaniach ekonomicznych, IX, Modele ekonometryczne, Wydawnictwo SGGW, Warszawa, s Posługiwanie się wielkościami skumulowanymi wynika z założenia o odpowiedniej przezorności właściciela małego przedsiębiorstwa. Gromadzi on środki w okresach posiadania nadwyżek finansowych na czas zmniejszonych wpływów pieniężnych. Właściciel, który nie posiada umiejętności akumulowania, z reguły nie jest w stanie utrzymać firmy w warunkach silnej konkurencji na rynku. Symbolem t* oznaczono numer roku, natomiast przez t oznaczono numer miesiąca w roku t*. 3 Por. w tej sprawie pracę: Wiśniewski J. W. (2009): Ekonometryczne modelowanie skuteczności windykacji wierzytelności, Modelowanie i Prognozowanie Gospodarki Narodowej, Prace i Materiały Wydziału Zarządzania Uniwersytetu Gdańskiego Nr 4/2, Sopot, s
3 Dylematy podwójnej metody najmniejszych kwadratów w wind0 t = pien t pbrut t, (2) wind1 t = pien t pbrut t 1, (3) wind2 t = pien t pbrut t 2. (4) W pełni skuteczna windykacja powinna przejawiać się bliskimi zera wartościami miernika wind0 t w każdym z okresów t (t = 1,..., n). Suma wartości miernika windt 0t w roku t* (t*= 1,..., n*)4 winna być bliska 0. Oznacza to, że na- t1 12 leżności za sprzedane towary i usługi przekształcone zostały w środki pieniężne. Nie można oczekiwać, żeby windt 0t była dodatnia. Jeśli natomiast 12 t1 t t1 windt 0 jest znacznie mniejsza od zera, oznacza to brak skutecznej windykacji wierzytelności w przedsiębiorstwie, zagrażający nawet jego bytowi. Miara efektywności windykacji wierzytelności (ewind t ) będzie średnią arytmetyczną ze szczegółowych miar skuteczności windykacji należności: ewind t = (wind0 t + wind1 t + wind2 t )/3. (5) Zmienna ewind t, mająca charakter średniej ruchomej, charakteryzować się będzie znacznie mniejszą dyspersją w porównaniu ze szczegółowymi miarami skuteczności windykacji. 3. Ekonometryczny model opisujący współzależność płynności finansowej i efektywności windykacji wierzytelności w przedsiębiorstwie Praktyka krótkookresowego zarządzania finansami małego przedsiębiorstwa wymusza równoczesne kontrolowanie jego płynności finansowej oraz skuteczności windykacji należności. Niski poziom płynności finansowej może być konsekwencją małej aktywności windykacyjnej. Poprawa efektywności windykacji wierzytelności skutkuje lepszą płynnością finansową firmy. Decyzje w tej kwestii podejmowane są w przedsiębiorstwie na bieżąco. W związku z tym zakładamy, że zmienne plyn t oraz ewind t tworzą sprzężenie zwrotne bezpośrednie, czyli: plyn t ewind t (6) Hipotetyczny układ dwóch równań współzależnych, ze zmiennymi endogenicznymi plyn t oraz ewind t, będzie identyfikowalny niejednoznacznie 5. Równanie opisujące płynność finansową zawiera wśród zmiennych objaśniających autoregresję do dwunastego rzędu włącznie oraz zmienną łącznie 4 Symbolem t* oznaczono numer roku, natomiast przez n* oznaczono liczbę rozważanych lat. 5 Parametry równań formy strukturalnej tego modelu należy oszacować podwójną metodą najmniejszych kwadratów (2MNK). Pod ocenami parametrów strukturalnych równań podawane będą wartości empirycznych statystyk t-studenta. Ponadto podawane będą wartości współczynnika determinacji (R 2 ), błąd standardowy reszt (Su) oraz wartość statystyki Durbina i Watsona (DW).
4 526 Jerzy W. Wiśniewski współzależną ewind t. Ponadto występują w nim następujące zmienne z góry ustalone: ewind t-1, ewind t-2,..., ewind t-12 opóźnione o 1, 2,..., 12 miesięcy wielkości miary efektywności windykacji; zmienne zerojedynkowe służące do wyodrębnienia miesięcznych wahań okresowych, przyjmujące wartość 1 dla miesiąca wyróżnionego oraz 0 w pozostałych okresach, przy czym: st wyróżnia styczeń, lu luty, mar marzec, kw kwiecień, mj maj, cze czerwiec, lp lipiec, się sierpień, wrz wrzesień, pa październik, ls listopad. Ponadto uwzględniono zmienną czasową t, w celu uwzględnienia ewentualnego trendu liniowego i kwadratowego. W równaniu opisującym efektywność windykacji wierzytelności w naturalny sposób pojawi się objaśniająca zmienna ewind t oraz opóźnione zmienne endogeniczne ewind t-1, ewind t-2,..., ewind t-12. Ponadto uwzględnione zostaną: autoregresja do dwunastego rzędu włącznie, zmienne zerojedynkowe, opisujące wahania miesięczne (st wyróżnia styczeń, lu luty, mar marzec, kw kwiecień, mj maj, cze czerwiec, lp lipiec, się sierpień, wrz wrzesień, pa październik, ls listopad) oraz zmienna czasowa t. Poza tym pojawi się zmienna reprezentująca aktywność działalności w sieci sprzedaży pnet t przychody ze sprzedaży netto (w tys. zł) wraz z jej opóźnieniami od 1 do 12 miesięcy (pnet t, pnet t-2,..., pnet t-12 ). Zmienna pnet t informuje o intensywności obsługi sieci sprzedaży, która łączy się zawsze z równoczesną windykacją wierzytelności. Parametry obu równań formy strukturalnej oszacowano za pomocą podwójnej metody najmniejszych kwadratów (2MNK). Warto przy tym zwrócić uwagę na to, że empiryczne równania formy zredukowanej charakteryzowały się typową dla tego typu danych dokładnością dopasowania. Współczynniki determinacji każdym z tych równań wyniosły odpowiednio: R 2 plz 0, 784 oraz R ez 2 0,731. Rysunki 1 i 2 przedstawiają rzeczywiste oraz teoretyczne wartości zmiennych plyn i ewind wraz z resztami uzyskanymi z równań empirycznych formy zredukowanej, dając pogląd na dokładność ich dopasowania. Empiryczne równanie formy strukturalnej, opisujące mechanizm płynności finansowej w małym przedsiębiorstwie, ma następującą postać: plyn 59,900 0,642ewind 0,936plyn 0,170plyn (2,094) 0,514ewind 0,307ewind 0,254plyn 0,384ewind 0,146plyn 38,531mj 22,512cze 31,364lp 39,782wrz 32,929pa u pl, (3,640) (5,733) 12 (2,108) (3,468) (4,130) 1 (3,028) (18,351) 1 (2,505) (3,208) (4,802) 4 (2,310) (2,399) R 2 pl 0,808, Su pl = 28,721, DW pl = 1, (1,998) ,036st (9,522) (7)
5 Dylematy podwójnej metody najmniejszych kwadratów w 527 Rysunek 1. Rzeczywiste i teoretyczne wartości zmiennej plyn oraz reszty z empirycznego równania formy zredukowanej ( R 2 plz 0, 784) Reszty Empiryczne Teoretyczne Źródło: obliczenia własne Rysunek 2. Rzeczywiste i teoretyczne wartości zmiennej ewind oraz reszty z empirycznego równania formy zredukowanej ( R 2 ez 0, 731) Źródło: obliczenia własne Reszty Empiryczne Teoretyczne Równanie (7) potwierdza logikę ekonomiczną, z której wynika, że ze wzrostem skuteczności windykacji wierzytelności zwiększa się równoczesna płynność finansowa firmy. Relatywnie wysoka jest dokładność opisu płynności finansowej przedsiębiorstwa, bowiem współczynnik R 2 pl 0, 808> 0,8.
6 528 Jerzy W. Wiśniewski Równocześnie oszacowano za pomocą 2MNK parametry równania opisującego efektywność windykacji wierzytelności. Jego postać empiryczna jest następująca: ewind 23,061 0,007plyn 0,283ewind (4,407) (3,896) 0,289pnet 2 (0,233) 0,324pnet (6,411) (2,637) (3,072) 10 0,084plyn (5,797) (3,132) (2,096) 0,206pnet (4,200) (3,757) 1 16,334st 37,174mar 11,356lp 23,588ls u e R 2 el 0,701, Su el = 14,827, DW e1 = 2,034. Dokładność dopasowania równania (8) jest wyraźnie gorsza w porównaniu z równaniem (7). Ponadto zmienna plyn okazuje się statystycznie nieistotna (statystyka t-studenta t plyn = 0,233). Powstaje więc konieczność redukcji zmiennych nieistotnych w kolejnych iteracjach. Prowadzi to ostatecznie do zastosowania klasycznej metody najmniejszych kwadratów. W jej wyniku empiryczne równanie opisujące efektywność windykacji wierzytelności przedsiębiorstwa jest następujące: ewind 22,593 0,279ewind 0,086plyn 0,202pnet 0,290pnet 0,321pnet (6,677) (4,104) 16,809st 37,209mar 12,126kw 11,228lp 23,367ls u (2,908) (3,112) 10 (5,870) (3,426) (2,131) (4,386) (2,106) 1 (3,808) (4,519) R 2 e2 0,705, Su e2 = 14,663, DW e2 = 2,039. Równania (7) i (9) tworzą więc układ rekurencyjny. Rozpadło się sprzężenie zwrotne (6). Pojawiło się tylko oddziaływanie jednokierunkowe plyn t ewind t. Dokładność dopasowania równania (9) jest wyraźnie niższa w porównaniu z równaniem (7). Wynika to z jednej strony z większej roli wahań losowych w procesie ewind. Z drugiej jednak strony uzyskany rezultat sprzeczny jest ze sformułowaną hipotezą o sprzężeniu zwrotnym (6). Praktyka prawidłowego zarządzania finansami małego przedsiębiorstwa wymusza istnienie tegoż sprzężenia zwrotnego w okresie miesięcznym; jego brak oznacza bowiem wadliwe zarządzanie przepływami pieniężnymi. Powstaje w związku z tym pytanie: czy brak tego sprzężenia zwrotnego wynika z błędów w zarządzaniu finansami, czy też jest rezultatem wadliwej procedury badawczej? Przeprowadzimy w dalszej części niniejszej pracy eksperyment, w którym pojawi się założenie o pozornej nieistotności zmiennej plyn w równaniu empirycznym (8). Owa statystyczna nieistotność może być rezultatem pogorszenia efektywności estymatora 2MNK wskutek zbyt małej dokładności opisu zmiennej plyn w równaniu formy zredukowanej. Wszak teoretyczne wartości zmiennej plyn w tymże równaniu formy zredukowanej różnią się o 22,6% od rzeczywistych wartości płynności finansowej przedsiębiorstwa. Mogła to być w tym szczególnym przypadku nadmierna różnica pomiędzy oryginałem i swoistą kopią. 4. Możliwości rozwiązań estymacyjnych Załóżmy, że zarządzanie płynnością i windykacją przedsiębiorstwa było poprawne. Czy zmiana procedury estymacyjnej ujawni sprzężenie zwrotne po- e2 2, 1 (8) (9)
7 Dylematy podwójnej metody najmniejszych kwadratów w 529 między płynnością finansową i efektywnością windykacji wierzytelności? Zastosujemy klasyczną metodę najmniejszych kwadratów do oszacowania parametrów równania opisującego zmienną ewind, ryzykując brak zgodności tegoż estymatora. Empiryczne równanie opisujące mechanizm zmienności zmiennej ewind jest następujące: ewind 15,232 0,202plyn 0,179ewind 10 0,210plyn1 0,189pnet1 (3,297) (5,704) (3,250) (6,094) (4,475) (10) 0,267 pnet 0,250pnet 37,575st 25,874mar 24,720ls u, (4,636) 2 (6,244) (6,411) (4,499) (4,531) R 2 e3 0,753, Su e3 = 13,409, DW e3 = 1,944. Wśród zmiennych objaśniających pojawiła się zmienna plyn, zamykająca sprzężenie zwrotne (6). W równaniu (10) okazała się ona silną zmienną objaśniającą, potwierdzając rezultaty praktyki zarządzania finansami małego przedsiębiorstwa. Równanie to ma wyraźnie lepsze charakterystyki poziomu dopasowania do danych rzeczywistych ( R 2 e3 0,753, Su e3 = 13,409, DW e3 = 1,944) na tle równań (8) i (9). Układ równań współzależnych (7) i (10) spełnia oczekiwania decydenta, zarządzającego finansami firmy. Równanie (10) pozwala na szacowanie zdecydowanie bardziej precyzyjnych prognoz, niż równania (8) i (9). Rozstrzygnięcia wymaga też, czy ważniejsze w modelowaniu ekonometrycznym w obszarze mikromodeli jest uzyskanie zgodnego estymatora 2MNK, czy też dbałość o efektywność, którą gwarantuje KMNK 6. W praktycznym działaniu małego przedsiębiorstwa, przy podejmowaniu decyzji krótkookresowych, niskie wariancje ocen parametrów są ważniejsze, niż asymptotyczne własności oszacowań. Zakończenie Rozbieżności w wartościach teoretycznych zmiennych łącznie współzależnych, uzyskiwanych z empirycznych równań formy zredukowanej, w porównaniu z ich wartościami rzeczywistymi, mogą powodować obniżenie efektywności szacunków parametrów równań formy strukturalnej, w wyniku zastosowania podwójnej metody najmniejszych kwadratów. Konsekwencją tego może być rozbicie sprzężenia zwrotnego, prowadzące do układu równań rekurencyjnych, a niekiedy do modelu prostego. Warto znaleźć odpowiedź na pytanie o to, dlaczego w części przypadków ma to miejsce, w innych z kolei sytuacjach owa słabość empirycznych równań formy zredukowanej nie ma to żadnego znaczenia. e3 6 A. S. Goldberger (1972) w pracy Teoria ekonometrii, PWE Warszawa, pisze: (...) pomimo niezgodności, estymatory uzyskane klasyczną metodą najmniejszych kwadratów zachowują własność minimalnej wariancji. (s. 454). Dalej autor ten pisze: Powyższa analiza sugeruje, że dla małych prób drugie momenty (względem prawdziwej wartości parametru) estymatorów uzyskanych klasyczną metodą najmniejszych kwadratów mogą być mniejsze niż odpowiednie momenty estymatorów uzyskanych 2MNK, a wariancje estymatorów uzyskanych metodą klasyczną mogą być wystarczająco małe, by skompensować obciążenie tych estymatorów. (s ).
8 530 Jerzy W. Wiśniewski Wydaje się, że źródeł tego zjawiska poszukiwać należy w rozmaitości konfiguracji zmiennych objaśniających równań formy strukturalnej, zwłaszcza wynikające z tego wszelkie efekty współzależności stochastycznej. Ponadto znaczącą rolę odgrywać mogą wzajemne powiązania zmiennych łącznie współzależnych, pozostających w sprzężeniach zwrotnych, w obszarze tzw. zależności biało szumowych. Literatura 1. Goldberger A.S. (1972): Teoria ekonometrii, PWE, Warszawa 2. Sokołowska E., Wiśniewski J.W. (2008): Dynamiczny model ekonometryczny w ocenie płynności finansowej małego przedsiębiorstwa, w: Metody ilościowe w badaniach ekonomicznych, IX, Modele ekonometryczne, Wydawnictwo SGGW, Warszawa, s Wiśniewski J. W. (2009): Mikroekonometria, Wydawnictwo Naukowe Uniwersytetu Mikołaja Kopernika, Toruń 4. Wiśniewski J. W. (2009): Ekonometryczne modelowanie skuteczności windykacji wierzytelności, Modelowanie i Prognozowanie Gospodarki Narodowej, Prace i Materiały Wydziału Zarządzania Uniwersytetu Gdańskiego Nr 4/2, Sopot, s Streszczenie Rozważmy układ równań współzależnych, opisany mikromodelem ekonometrycznym. Zgodnie z klasycznymi wymogami estymacyjnymi jego parametry winny być szacowane za pomocą podwójnej metody najmniejszych kwadratów (2MNK). Pojawia się jednak trudność, gdy przedmiotem rozważań jest mikromodel ekonometryczny, dla którego zgromadzono informacje w postaci szeregów czasowych o okresie obserwacji krótszym, niż rok. Wówczas dokładność opisu empirycznych równań jego formy zredukowanej bywa ograniczona. Współczynnik R 2 osiąga często wartość poniżej 0,8. Konsekwencją tego bywa znaczące pogorszenie efektywności szacunków parametrów równań formy strukturalnej. Konieczne jest więc rozstrzygnięcie zasadności stosowania w takim przypadku estymatora 2MNK. Dilemmas of the two stages least square methods in econometric micromodel (Summary) Consider an interdependent system of equations, described by the econometric micromodel. According to the classical estimation requirements - its parameters should be estimated using the two stages least square methods (2LS). However, there is a difficulty when considering an econometric micromodel for which the collected information in the form of time series of the observation period is shorter than a year. Then the empirical equations describing the accuracy of its reduced form are sometimes limited. Often, the R 2 coefficient reaches a value below 0.8. The consequence of this is sometimes a significant deterioration in the efficiency estimates, such as structural parameters of equations of the form. It is therefore necessary to decide the merits of the estimator 2LS.
Jerzy Witold Wiśniewski Uniwersytet Mikołaja Kopernika w Toruniu. Ekonometryczny model miesięcznej płynności finansowej małego przedsiębiorstwa
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 27 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Uniwersytet Mikołaja Kopernika
Bardziej szczegółowoJerzy Witold Wiśniewski
ACTA UNIVERSITATIS NICOLAI COPERNICI EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ 2009 Uniwersytet Mikołaja Kopernika Katedra Ekonometrii i Statystyki Jerzy Witold Wiśniewski SKUTECZNOŚĆ
Bardziej szczegółowoK wartość kapitału zaangażowanego w proces produkcji, w tys. jp.
Sprawdzian 2. Zadanie 1. Za pomocą KMNK oszacowano następującą funkcję produkcji: Gdzie: P wartość produkcji, w tys. jp (jednostek pieniężnych) K wartość kapitału zaangażowanego w proces produkcji, w tys.
Bardziej szczegółowo3. Modele tendencji czasowej w prognozowaniu
II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa
Bardziej szczegółowoFORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS
FOLIA UNIVERSITATIS AGRICULTURAE STETINENSIS Folia Univ. Agric. Stetin. 007, Oeconomica 54 (47), 73 80 Mateusz GOC PROGNOZOWANIE ROZKŁADÓW LICZBY BEZROBOTNYCH WEDŁUG MIAST I POWIATÓW FORECASTING THE DISTRIBUTION
Bardziej szczegółowoWiadomości ogólne o ekonometrii
Wiadomości ogólne o ekonometrii Materiały zostały przygotowane w oparciu o podręcznik Ekonometria Wybrane Zagadnienia, którego autorami są: Bolesław Borkowski, Hanna Dudek oraz Wiesław Szczęsny. Ekonometria
Bardziej szczegółowoANALIZA DYNAMIKI DOCHODU KRAJOWEGO BRUTTO
ANALIZA DYNAMIKI DOCHODU KRAJOWEGO BRUTTO Wprowadzenie Zmienność koniunktury gospodarczej jest kształtowana przez wiele różnych czynników ekonomicznych i pozaekonomicznych. Znajomość zmienności poszczególnych
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Bardziej szczegółowoEtapy modelowania ekonometrycznego
Etapy modelowania ekonometrycznego jest podstawowym narzędziem badawczym, jakim posługuje się ekonometria. Stanowi on matematyczno-statystyczną formę zapisu prawidłowości statystycznej w zakresie rozkładu,
Bardziej szczegółowoStanisław Cichocki. Natalia Neherbecka. Zajęcia 13
Stanisław Cichocki Natalia Neherbecka Zajęcia 13 1 1. Kryteria informacyjne 2. Testowanie autokorelacji 3. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych
Bardziej szczegółowoZadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.
tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1
Bardziej szczegółowoĆwiczenia IV
Ćwiczenia IV - 17.10.2007 1. Spośród podanych macierzy X wskaż te, których nie można wykorzystać do estymacji MNK parametrów modelu ekonometrycznego postaci y = β 0 + β 1 x 1 + β 2 x 2 + ε 2. Na podstawie
Bardziej szczegółowoEkonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota
Ekonometria ćwiczenia 3 Prowadzący: Sebastian Czarnota Strona - niezbędnik http://sebastianczarnota.com/sgh/ Normalność rozkładu składnika losowego Brak normalności rozkładu nie odbija się na jakości otrzymywanych
Bardziej szczegółowoProces modelowania zjawiska handlu zagranicznego towarami
Załącznik nr 1 do raportu końcowego z wykonania pracy badawczej pt. Handel zagraniczny w województwach (NTS2) realizowanej przez Centrum Badań i Edukacji Statystycznej z siedzibą w Jachrance na podstawie
Bardziej szczegółowoMarcin Błażejowski Wyższa Szkoła Bankowa w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Wyższa Szkoła Bankowa w Toruniu
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoStanisław Cihcocki. Natalia Nehrebecka
Stanisław Cihcocki Natalia Nehrebecka 1 1. Kryteria informacyjne 2. Testowanie autokorelacji w modelu 3. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych opóźnieniach
Bardziej szczegółowoWprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
Bardziej szczegółowoNa poprzednim wykładzie omówiliśmy podstawowe zagadnienia. związane z badaniem dynami zjawisk. Dzisiaj dokładniej zagłębimy
Analiza dynami zjawisk Na poprzednim wykładzie omówiliśmy podstawowe zagadnienia związane z badaniem dynami zjawisk. Dzisiaj dokładniej zagłębimy się w tej tematyce. Indywidualne indeksy dynamiki Indywidualne
Bardziej szczegółowoŚREDNI BŁĄD PROGNOZOWANIA DLA METODY EKSTRAPOLACJI PRZYROSTU EMPIRYCZNEGO
B A D A N I A O P E R A C Y J N E I D E C Y Z J E Nr 3 4 006 Bogusław GUZIK ŚREDNI BŁĄD PROGNOZOWANIA DLA METODY EKSTRAPOLACJI PRZYROSTU EMPIRYCZNEGO W artykule sformułowano standardowy układ założeń stochastycznych
Bardziej szczegółowoStatystyka opisowa. Wykład V. Regresja liniowa wieloraka
Statystyka opisowa. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Prosta regresji cechy Y względem cech X 1,..., X k. 2 3 Wyznaczamy zależność cechy Y od cech X 1, X 2,..., X k postaci Y = α 0 +
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoprzedmiotu Nazwa Pierwsza studia drugiego stopnia
Nazwa przedmiotu K A R T A P R Z E D M I O T U ( S Y L L A B U S ) O p i s p r z e d m i o t u Kod przedmiotu EKONOMETRIA UTH/I/O/MT/zmi/ /C 1/ST/2(m)/1Z/C1.1.5 Język wykładowy ECONOMETRICS JĘZYK POLSKI
Bardziej szczegółowoEkonometryczna analiza popytu na wodę
Jacek Batóg Uniwersytet Szczeciński Ekonometryczna analiza popytu na wodę Jednym z czynników niezbędnych dla funkcjonowania gospodarstw domowych oraz realizacji wielu procesów technologicznych jest woda.
Bardziej szczegółowo4. Średnia i autoregresja zmiennej prognozowanej
4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)
Bardziej szczegółowoMetoda najmniejszych kwadratów
Model ekonometryczny Wykształcenie a zarobki Hipoteza badawcza: Istnieje zależność między poziomem wykształcenia a wysokością zarobków Wykształcenie a zarobki Hipoteza badawcza: Istnieje zależność między
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
Bardziej szczegółowoTomasz Stryjewski Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETYCZNE IX Ogólnopolskie Seminarium Naukowe 6 8 września 5 w Toruniu Katedra Ekonometrii i Statystyki Uniwersytet Mikołaja Kopernika w Toruniu Uniwersytet Mikołaja Kopernika w Toruniu
Bardziej szczegółowoREGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ. Analiza regresji i korelacji
Statystyka i opracowanie danych Ćwiczenia 5 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ MODEL REGRESJI LINIOWEJ Analiza regresji
Bardziej szczegółowoAnaliza współzależności zjawisk
Analiza współzależności zjawisk Informacje ogólne Jednostki tworzące zbiorowość statystyczną charakteryzowane są zazwyczaj za pomocą wielu cech zmiennych, które nierzadko pozostają ze sobą w pewnym związku.
Bardziej szczegółowoEKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE
EKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE ZADANIE 1 Oszacowano zależność między luką popytowa a stopą inflacji dla gospodarki niemieckiej. Wyniki estymacji są następujące: Estymacja KMNK,
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowo5. Model sezonowości i autoregresji zmiennej prognozowanej
5. Model sezonowości i autoregresji zmiennej prognozowanej 1. Model Sezonowości kwartalnej i autoregresji zmiennej prognozowanej (rząd istotnej autokorelacji K = 1) Szacowana postać: y = c Q + ρ y, t =
Bardziej szczegółowoModele wielorownaniowe
Część 1. e e jednorównaniowe są znacznym uproszczeniem rzeczywistości gospodarczej e jednorównaniowe są znacznym uproszczeniem rzeczywistości gospodarczej e makroekonomiczne z reguły składają się z większej
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 11-12
Stanisław Cichocki Natalia Nehrebecka Zajęcia 11-12 1. Zmienne pominięte 2. Zmienne nieistotne 3. Obserwacje nietypowe i błędne 4. Współliniowość - Mamy 2 modele: y X u 1 1 (1) y X X 1 1 2 2 (2) - Potencjalnie
Bardziej szczegółowoparametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających,
诲 瞴瞶 瞶 ƭ0 ƭ 瞰 parametrów strukturalnych modelu Y zmienna objaśniana, = + + + + + X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających, α 0, α 1, α 2,,α k parametry strukturalne modelu, k+1 parametrów
Bardziej szczegółowoStanisław Cichocki Natalia Neherbecka
Stanisław Cichocki Natalia Neherbecka 13 marca 2010 1 1. Kryteria informacyjne 2. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych opóźnieniach (ADL) 3. Analiza
Bardziej szczegółowoPYTANIA NA EGZAMIN MAGISTERSKI KIERUNEK: EKONOMIA STUDIA DRUGIEGO STOPNIA. CZĘŚĆ I dotyczy wszystkich studentów kierunku Ekonomia pytania podstawowe
PYTANIA NA EGZAMIN MAGISTERSKI KIERUNEK: EKONOMIA STUDIA DRUGIEGO STOPNIA CZĘŚĆ I dotyczy wszystkich studentów kierunku Ekonomia pytania podstawowe 1. Cele i przydatność ujęcia modelowego w ekonomii 2.
Bardziej szczegółowot y x y'y x'x y'x x-x śr (x-x śr)^2
Na podstawie:w.samuelson, S.Marks Ekonomia menedżerska Zadanie 1 W przedsiębiorstwie toczy się dyskusja na temat wpływu reklamy na wielkość. Dział marketingu uważa, że reklama daje wysoce pozytywne efekty,
Bardziej szczegółowoEKONOMETRIA. Prof. dr hab. Eugeniusz Gatnar.
EKONOMETRIA Prof. dr hab. Eugeniusz Gatnar egatnar@mail.wz.uw.edu.pl Sprawy organizacyjne Wykłady - prezentacja zagadnień dotyczących: budowy i weryfikacji modelu ekonometrycznego, doboru zmiennych, estymacji
Bardziej szczegółowoStatystyka. Wykład 13. Magdalena Alama-Bućko. 12 czerwca Magdalena Alama-Bućko Statystyka 12 czerwca / 30
Statystyka Wykład 13 Magdalena Alama-Bućko 12 czerwca 2017 Magdalena Alama-Bućko Statystyka 12 czerwca 2017 1 / 30 Co wpływa na zmiany wartości danej cechy w czasie? W najbardziej ogólnym przypadku, na
Bardziej szczegółowo7.4 Automatyczne stawianie prognoz
szeregów czasowych za pomocą pakietu SPSS Następnie korzystamy z menu DANE WYBIERZ OBSERWACJE i wybieramy opcję WSZYSTKIE OBSERWACJE (wówczas wszystkie obserwacje są aktywne). Wreszcie wybieramy z menu
Bardziej szczegółowoZASTOSOWANIE DYNAMICZNEGO MODELU ZGODNEGO W ANALIZIE GOSPODARKI GÓRNEGO ŚLĄSKA
Uniwersytet Ekonomiczny w Katowicach ZASTOSOWANIE DYNAMICZNEGO MODELU ZGODNEGO W ANALIZIE GOSPODARKI GÓRNEGO ŚLĄSKA Wprowadzenie W opracowaniu podjęto próbę porównania jakości modelu ekonometrycznego gospodarki
Bardziej szczegółowoPrzykład 2. Stopa bezrobocia
Przykład 2 Stopa bezrobocia Stopa bezrobocia. Komentarz: model ekonometryczny stopy bezrobocia w Polsce jest modelem nieliniowym autoregresyjnym. Podobnie jak model podaŝy pieniądza zbudowany został w
Bardziej szczegółowoNarzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski
Narzędzia statystyczne i ekonometryczne Wykład 1 dr Paweł Baranowski Informacje organizacyjne Wydział Ek-Soc, pok. B-109 pawel@baranowski.edu.pl Strona: baranowski.edu.pl (w tym materiały) Konsultacje:
Bardziej szczegółowoEkonometria. Wprowadzenie do modelowania ekonometrycznego Estymator KMNK. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Wprowadzenie do modelowania ekonometrycznego Estymator Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 1 Estymator 1 / 16 Agenda 1 Literatura Zaliczenie przedmiotu 2 Model
Bardziej szczegółowo3. Analiza własności szeregu czasowego i wybór typu modelu
3. Analiza własności szeregu czasowego i wybór typu modelu 1. Metody analizy własności szeregu czasowego obserwacji 1.1. Analiza wykresu szeregu czasowego 1.2. Analiza statystyk opisowych zmiennej prognozowanej
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16
Stanisław Cichocki Natalia Nehrebecka Zajęcia 15-16 1 1. Sezonowość 2. Zmienne stacjonarne 3. Zmienne zintegrowane 4. Test Dickey-Fullera 5. Rozszerzony test Dickey-Fullera 6. Test KPSS 7. Regresja pozorna
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje
Bardziej szczegółowoKARTA PRZEDMIOTU. 12. PRZEDMIOTOWE EFEKTY KSZTAŁCENIA Odniesienie do kierunkowych efektów kształcenia (symbol)
KARTA PRZEDMIOTU 1. NAZWA PRZEDMIOTU: Ekonometria 2. KIERUNEK: MATEMATYKA 3. POZIOM STUDIÓW: I stopnia 4. ROK/ SEMESTR STUDIÓW: III/6 5. LICZBA PUNKTÓW ECTS: 5 6. LICZBA GODZIN: 30 / 30 7. TYP PRZEDMIOTU
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK
1 PROGNOZOWANIE I SYMULACJE 2 http://www.outcome-seo.pl/excel1.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodatek Solver jest dostępny w menu Narzędzia. Jeżeli Solver nie jest
Bardziej szczegółowoRegresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych (X1, X2, X3,...) na zmienną zależną (Y).
Statystyka i opracowanie danych Ćwiczenia 12 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA WIELORAKA Regresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych
Bardziej szczegółowoEstymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych
Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych 3.1. Estymacja parametrów i ocena dopasowania modeli z jedną zmienną 23. Właściciel komisu w celu zbadania
Bardziej szczegółowoLOGISTYKA. Zapas: definicja. Zapasy: podział
LOGISTYKA Zapasy Zapas: definicja Zapas to określona ilość dóbr znajdująca się w rozpatrywanym systemie logistycznym, bieżąco nie wykorzystywana, a przeznaczona do późniejszego przetworzenia lub sprzedaży.
Bardziej szczegółowoO LICZBIE ABONENTÓW TELEFONII KOMÓRKOWEJ W POLSCE ZDANIEM TRZECH STATYSTYKÓW
Rafał Czyżycki, Marcin Hundert, Rafał Klóska Wydział Zarządzania i Ekonomiki Usług Uniwersytet Szczeciński O LICZBIE ABONENTÓW TELEFONII KOMÓRKOWEJ W POLSCE ZDANIEM TRZECH STATYSTYKÓW Wprowadzenie Poruszana
Bardziej szczegółowoAnaliza współzależności dwóch cech I
Analiza współzależności dwóch cech I Współzależność dwóch cech W tym rozdziale pokażemy metody stosowane dla potrzeb wykrywania zależności lub współzależności między dwiema cechami. W celu wykrycia tych
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria Wykład 9 Anna Skowrońska-Szmer lato 2016/2017 Ekonometria (Gładysz B., Mercik J., Modelowanie ekonometryczne. Studium przypadku, Wydawnictwo PWr., Wrocław 2004.) 2
Bardziej szczegółowoTestowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego
Testowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego Ze względu na jakość uzyskiwanych ocen parametrów strukturalnych modelu oraz weryfikację modelu, metoda najmniejszych
Bardziej szczegółowoPrognoza sprawozdania finansowego Bilans
Prognoza sprawozdania go Bilans 31.12.24 31.12.25 31.12.26 Wartości niematerialne i prawne Rzeczowe aktywa trwałe Długoterminowe Zapasy Należności Inwestycje 594 3474 3528 954 52119 54 12 759 693 2259
Bardziej szczegółowoANALIZA PORÓWNAWCZA WYBRANYCH PROCEDUR MODELOWANIA EKONOMETRYCZNEGO DLA MODELU GOSPODARKI WOJEWÓDZTWA ŚLĄSKIEGO
Józef Biolik Uniwersytet Ekonomiczny w Katowicach ANALIZA PORÓWNAWCZA WYBRANYCH PROCEDUR MODELOWANIA EKONOMETRYCZNEGO DLA MODELU GOSPODARKI WOJEWÓDZTWA ŚLĄSKIEGO Wprowadzenie Jednym z narzędzi analizy
Bardziej szczegółowoTeoretyczne podstawy analizy indeksowej klasyfikacja indeksów, konstrukcja, zastosowanie
Teoretyczne podstawy analizy indeksowej klasyfikacja indeksów, konstrukcja, zastosowanie Szkolenie dla pracowników Urzędu Statystycznego nt. Wybrane metody statystyczne w analizach makroekonomicznych dr
Bardziej szczegółowoEkonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda
Bardziej szczegółowoRozdział 8. Regresja. Definiowanie modelu
Rozdział 8 Regresja Definiowanie modelu Analizę korelacji można traktować jako wstęp do analizy regresji. Jeżeli wykresy rozrzutu oraz wartości współczynników korelacji wskazują na istniejąca współzmienność
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoUniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2010/2011
SYLLABUS na rok akademicki 00/0 Tryb studiów Stacjonarne Nazwa kierunku studiów EKONOMIA Poziom studiów Stopień pierwszy Rok studiów/ semestr III; semestr 5 Specjalność Bez specjalności Kod przedmiotu
Bardziej szczegółowoImię, nazwisko i tytuł/stopień KOORDYNATORA przedmiotu zatwierdzającego protokoły w systemie USOS Jacek Marcinkiewicz, dr
Tryb studiów Stacjonarne Nazwa kierunku studiów EKONOMIA Poziom studiów Stopień pierwszy Rok studiów/ semestr III; semestr 5 Specjalność Bez specjalności Kod przedmiotu w systemie USOS 1000-ES1-3EC1 Liczba
Bardziej szczegółowoPYTANIA NA EGZAMIN MAGISTERSKI KIERUNEK: EKONOMIA STUDIA DRUGIEGO STOPNIA. CZĘŚĆ I dotyczy wszystkich studentów kierunku Ekonomia pytania podstawowe
PYTANIA NA EGZAMIN MAGISTERSKI KIERUNEK: EKONOMIA STUDIA DRUGIEGO STOPNIA CZĘŚĆ I dotyczy wszystkich studentów kierunku Ekonomia pytania podstawowe 1. Cele i przydatność ujęcia modelowego w ekonomii 2.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 2 3 1. Wprowadzenie do danych panelowych a) Charakterystyka danych panelowych b) Zalety i ograniczenia 2. Modele ekonometryczne danych panelowych a) Model efektów
Bardziej szczegółowoMetody Ilościowe w Socjologii
Metody Ilościowe w Socjologii wykład 2 i 3 EKONOMETRIA dr inż. Maciej Wolny AGENDA I. Ekonometria podstawowe definicje II. Etapy budowy modelu ekonometrycznego III. Wybrane metody doboru zmiennych do modelu
Bardziej szczegółowoEkonometria - ćwiczenia 1
Ekonometria - ćwiczenia 1 Mateusz Myśliwski Zakład Ekonometrii Stosowanej Instytut Ekonometrii Kolegium Analiz Ekonomicznych Szkoła Główna Handlowa 5 października 2012 1 Sprawy organizacyjne 2 Czym jest
Bardziej szczegółowoAnaliza zdarzeń Event studies
Analiza zdarzeń Event studies Dobromił Serwa akson.sgh.waw.pl/~dserwa/ef.htm Leratura Campbell J., Lo A., MacKinlay A.C.(997) he Econometrics of Financial Markets. Princeton Universy Press, Rozdział 4.
Bardziej szczegółowoEkonometria. Ćwiczenia nr 3. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Ćwiczenia nr 3 Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 3 Własności składnika losowego 1 / 18 Agenda KMNK przypomnienie 1 KMNK przypomnienie 2 3 4 Jakub Mućk
Bardziej szczegółowoEkonometria. Modele dynamiczne. Paweł Cibis 27 kwietnia 2006
Modele dynamiczne Paweł Cibis pcibis@o2.pl 27 kwietnia 2006 1 Wyodrębnianie tendencji rozwojowej 2 Etap I Wyodrębnienie tendencji rozwojowej Etap II Uwolnienie wyrazów szeregu empirycznego od trendu Etap
Bardziej szczegółowoPrognozowanie na podstawie modelu ekonometrycznego
Prognozowanie na podstawie modelu ekonometrycznego Przykład. Firma usługowa świadcząca usługi doradcze w ostatnich kwartałach (t) odnotowała wynik finansowy (yt - tys. zł), obsługując liczbę klientów (x1t)
Bardziej szczegółowoKORELACJA I REGRESJA W DECYZJACH KADROWYCH
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 242 2015 Ekonomia 3 Uniwersytet Mikołaja Kopernika Wydział Nauk Ekonomicznych i Zarządzania Katedra Ekonometrii
Bardziej szczegółowoAnaliza porównawcza koniunktury gospodarczej w województwie zachodniopomorskim i w Polsce w ujęciu sektorowym
Jacek Batóg Uniwersytet Szczeciński Analiza porównawcza koniunktury gospodarczej w województwie zachodniopomorskim i w Polsce w ujęciu sektorowym Warunki działania przedsiębiorstw oraz uzyskiwane przez
Bardziej szczegółowoWstęp do teorii niepewności pomiaru. Danuta J. Michczyńska Adam Michczyński
Wstęp do teorii niepewności pomiaru Danuta J. Michczyńska Adam Michczyński Podstawowe informacje: Strona Politechniki Śląskiej: www.polsl.pl Instytut Fizyki / strona własna Instytutu / Dydaktyka / I Pracownia
Bardziej szczegółowoDopasowywanie modelu do danych
Tematyka wykładu dopasowanie modelu trendu do danych; wybrane rodzaje modeli trendu i ich właściwości; dopasowanie modeli do danych za pomocą narzędzi wykresów liniowych (wykresów rozrzutu) programu STATISTICA;
Bardziej szczegółowoZawansowane modele wyborów dyskretnych
Zawansowane modele wyborów dyskretnych Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Zawansowane modele wyborów dyskretnych grudzien 2013 1 / 16 Model efektów
Bardziej szczegółowoSTATYSTYKA EKONOMICZNA
STATYSTYKA EKONOMICZNA Analiza statystyczna w ocenie działalności przedsiębiorstwa Opracowano na podstawie : E. Nowak, Metody statystyczne w analizie działalności przedsiębiorstwa, PWN, Warszawa 2001 Dr
Bardziej szczegółowoREGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ
REGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ Korelacja oznacza fakt współzależności zmiennych, czyli istnienie powiązania pomiędzy nimi. Siłę i kierunek powiązania określa się za pomocą współczynnika korelacji
Bardziej szczegółowoProjekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015
Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015 Nr indeksu... Imię i Nazwisko... Nr grupy ćwiczeniowej... Imię i Nazwisko prowadzącego... 1. Specyfikacja modelu
Bardziej szczegółowoEkonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 9 marca 2007
, transformacja liniowa i estymacja modelu KMNK Paweł Cibis pawel@cibis.pl 9 marca 2007 1 Miary dopasowania modelu do danych empirycznych Współczynnik determinacji Współczynnik zbieżności Skorygowany R
Bardziej szczegółowoWIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI. Test zgodności i analiza wariancji Analiza wariancji
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI Test zgodności i analiza wariancji Analiza wariancji Test zgodności Chi-kwadrat Sprawdza się za jego pomocą ZGODNOŚĆ ROZKŁADU EMPIRYCZNEGO Z PRÓBY Z ROZKŁADEM HIPOTETYCZNYM
Bardziej szczegółowoProjekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018
Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018 Nr indeksu... Imię i Nazwisko... Nr grupy ćwiczeniowej... Imię i Nazwisko prowadzącego... 1. Specyfikacja modelu
Bardziej szczegółowoPrognoza terminu sadzenia rozsady sałaty w uprawach szklarniowych. Janusz Górczyński, Jolanta Kobryń, Wojciech Zieliński
Prognoza terminu sadzenia rozsady sałaty w uprawach szklarniowych Janusz Górczyński, Jolanta Kobryń, Wojciech Zieliński Streszczenie. W uprawach szklarniowych sałaty pojawia się następujący problem: kiedy
Bardziej szczegółowoAnaliza autokorelacji
Analiza autokorelacji Oblicza się wartości współczynników korelacji między y t oraz y t-i (dla i=1,2,...,k), czyli współczynniki autokorelacji różnych rzędów. Bada się statystyczną istotność tych współczynników.
Bardziej szczegółowoWnioskowanie statystyczne. Statystyka w 5
Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających
Bardziej szczegółowoĆwiczenie 5 PROGNOZOWANIE
Ćwiczenie 5 PROGNOZOWANIE Prognozowanie jest procesem przewidywania przyszłych zdarzeń. Obszary zastosowań prognozowania obejmują np. analizę danych giełdowych, przewidywanie zapotrzebowania na pracowników,
Bardziej szczegółowoZMIENNE LOSOWE CZY NIELOSOWE W EKONOMETRII
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 36 Józef Hozer * Uniwersytet Szczeciński ZMIENNE LOSOWE CZY NIELOSOWE W EKONOMETRII STRESZCZENIE W literaturze ekonometryczno-statystycznej większość
Bardziej szczegółowoRegresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna
Regresja wieloraka Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna zmienna niezależna (można zobrazować
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoProgramowanie celowe #1
Programowanie celowe #1 Problem programowania celowego (PC) jest przykładem problemu programowania matematycznego nieliniowego, który można skutecznie zlinearyzować, tzn. zapisać (i rozwiązać) jako problem
Bardziej szczegółowoPaństwowa Wyższa Szkoła Zawodowa w Suwałkach SYLLABUS na rok akademicki 2014/2015
Tryb studiów Niestacjonarne Nazwa kierunku studiów Finanse i Rachunkowość Poziom studiów Stopień pierwszy Rok studiów/ semestr II/4 Państwowa Wyższa Szkoła Zawodowa w Suwałkach SYLLABUS na rok akademicki
Bardziej szczegółowoEkonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 0/0/0. Egzamin trwa 90 minut.. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu. Złamanie
Bardziej szczegółowoPrognozowanie popytu. mgr inż. Michał Adamczak
Prognozowanie popytu mgr inż. Michał Adamczak Plan prezentacji 1. Definicja prognozy 2. Klasyfikacja prognoz 3. Szereg czasowy 4. Metody prognozowania 4.1. Model naiwny 4.2. Modele średniej arytmetycznej
Bardziej szczegółowoZapraszamy do współpracy FACULTY OF ENGINEERING MANAGEMENT www.fem.put.poznan.pl Agnieszka Stachowiak agnieszka.stachowiak@put.poznan.pl Pokój 312 (obok czytelni) Dyżury: strona wydziałowa Materiały dydaktyczne:
Bardziej szczegółowoJoanna Muszyńska, Ewa Zdunek Uniwersytet Mikołaja Kopernika w Toruniu. Ekonometryczna analiza upadłości przedsiębiorstw w Polsce w latach 1990-2005
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Uniwersytet Mikołaja Kopernika
Bardziej szczegółowo