Analiza czynników wpływających na poziom stopy Ŝyciowej
|
|
- Czesław Górecki
- 5 lat temu
- Przeglądów:
Transkrypt
1 Analiza czynników wpływających na poziom stopy Ŝyciowej Praca zaliczeniowa z ekonometrii Michał Galera Łukasz Siara gr 302 Warszawa 2007
2 Spis Treści I. Wstęp...2 II. Baza danych...4 III. Budowa modelu...5 IV. Estymacja...5 a) Estymator efektów losowych...5 b) Test Breuscha Pagana...7 c) Estymator efektów stałych...7 d) Test Hausmana e) Zbadanie trendu w modelu...9 V. Diagnostyka modelu...10 a) Analiza rozkładu reszt...10 b) Test Walda VI. Wnioski...11 VII. Literatura...13 VIII. Załączniki...14 Załącznik 1. Histogramy zmiennych przekształconych oraz bilansowanie panelu...14 Załącznik 2. Powtórna regresja za pomocą estymatora efektów losowych...15 Załącznik 3. Test Breuscha Pagana...15 Załącznik 4. Badanie trendu w modelu
3 I. Wstęp Problem badania i mierzenia poziomu stopy Ŝyciowej mieszkańców danego kraju lub ogólniej jakości Ŝycia, jest jednym z najdłuŝej i najpowszechniej badanym problemem zarówno na polu ekonomii, jak i socjologii czy teŝ psychologii społecznej. Stworzenie jednolitego wskaźnika, który obejmowałby moŝliwie wiele czynników wpływających na poziom Ŝycia ludzi, jest niezmiernie trudne ze względu na duŝą subiektywność w postrzeganiu poziomu Ŝycia przez kaŝdą osobę. Niemniej nieustannie trwają prace nad stworzeniem jak najpełniejszego miernika jakości Ŝycia jak i nad udoskonalaniem juŝ zaproponowanych wskaźników. Na polu ekonomii wskaźnikiem najpowszechniej stosowanym, ale równieŝ bardzo niedoskonałym, jest Produkt Krajowy Brutto per capita. Wskaźnik ten jest stosunkowo łatwy do wyliczenia, jak równieŝ jego powszechność sprawia, Ŝe moŝe on być stosowany do porównań praktycznie dowolnych krajów. PKB per capita, przy załoŝeniu równego podziału dochodu, pokazuje w przybliŝeniu sytuację ekonomiczną kaŝdego mieszkańca danego kraju. JednakŜe, w praktyce takie załoŝenie jest praktycznie niespełnialne, gdyŝ w wielu gospodarkach występują duŝe dysproporcje majątkowe w społeczeństwie stosunkowo nieliczne grupy ludzi osiągają bardzo duŝe dochody, a jednocześnie liczna część społeczeństwa Ŝyje na poziomie ubóstwa. Wskaźnik PKB per capita opiera się jedynie na czynnikach ekonomicznych, nieuwzględniając tak istotnych dla kaŝdego mieszkańca czynników jak wielkość czasu wolnego, czy zanieczyszczenie środowiska, które istotnie wpływają na subiektywne poczucie jakości Ŝycia. Na fali krytyki PKB jako sposobu mierzenia poziomu Ŝycia, w latach 70. i 80. powstał szereg wskaźników, bazujących na PKB rozszerzonych o nowe czynniki lub budowanych zupełnie od podstaw. Do najpopularniejszych mierników bazujących na wskaźniku PKB naleŝałoby zaliczyć wskaźnik Dobrobytu Krajowego Netto (Net National Welfare), który rozszerzał analizę o czynniki takie jak wartość czasu wolnego, nakłady na ochronę środowiska, straty z tytułu zanieczyszczenia środowiska oraz urbanizacji czy konsumpcję prywatną i rządową. W sferze mierników, nie czysto ekonomicznych, duŝą powszechnością cieszył się Wskaźnik Dobrobytu Ekonomicznego per capita zaproponowany przez Beckermana i Bacona. Do analizy wykorzystali wskaźniki, które określały nieekonomiczny aspekt Ŝycia i nie były 3
4 wcześniej wykorzystywane do analiz: realna konsumpcja w porównaniu z USA, roczna konsumpcja surowej stali, roczna produkcja cementu, liczba prenumerowanych pism, liczba radioodbiorników, liczba pojazdów drogowych, roczna konsumpcja mięsa. Obecnie, za sprawą ONZ, wskaźnikiem często wykorzystywanym przy analizach między krajami, jest wskaźnik rozwoju społecznego HDI (Human Development Index). On równieŝ bazuje na PKB per capita. Ponadto bierze równieŝ pod uwagę poziom wykształcenia obywateli danego kraju oraz szacowaną długość Ŝycia w momencie narodzin. W naszej pracy chcielibyśmy przeanalizować czynniki które mogą mieć wpływ na kształtowanie się wskaźnika PKB per capita. Zdając sobie sprawę z niedoskonałości tej metody jako miernika poziomu stopy Ŝyciowej, będziemy chcieli uwzględnić w modelu jak najwięcej wskaźników mających wpływ na róŝne aspekty Ŝycia. Poza czynnikami stricte ekonomicznymi, postanowiliśmy zbadać wpływ stanu środowiska (mierzonego emisją CO 2 do atmosfery), wpływ zaludnienia i urbanizacji, medyczne aspekty jakości Ŝycia (jako przewidywaną długość Ŝycia oraz ponoszone wydatki na opiekę zdrowotną), oraz stopień zbiurokratyzowania państwa (mierzony liczbą dni potrzebnych do załoŝenia działalności gospodarczej). II. Baza danych W modelu zostały wykorzystane dane z wydawanego przez Bank Światowy rocznika World Development Indicators. Niestety, juŝ na etapie gromadzenia danych musieliśmy znaczącą zweryfikować nasz model. Pomimo, iŝ baza zawiera interesujące nas zmienne dla ponad 200 krajów z lat , to w wyniku duŝych braków w obserwacjach lub teŝ braku ciągłości gromadzenia pewnych danych zmuszeni zostaliśmy do odrzucenia z modelu pewnych zmiennych (np. dane o emisji gazów do atmosfery zbierane są tylko raz na 5 lat, a obserwację wydatków na opiekę zdrowotną prowadzi się dopiero od roku 1998). Ostatecznie, aby masz panel spełniał warunki panelu zbilansowanego, do dalszej analizy wykorzystaliśmy dane z 39 krajów z 14 kolejnych okresów ( ), co dało łącznie 546 obserwacji. 4
5 III. Budowa modelu Ostatecznie w modelu uwzględnione zostały następujące zmienne objaśniające: 1. Roczna stopa wydatków gospodarstw domowych na konsumpcję per capita (wygdom) 2. Roczna stopa inflacji, mierzona metodą deflatora PKB (inf) 3. Liczba samochodów na 1000 mieszkańców (samoch) 4. Gęstość zaludnienia, jako ilość osób na km 2 (zalud) 5. Stopa bezrobocia (bezrob) 6. Poziom urbanizacji kraju (urban) 7. Zagraniczne inwestycje bezpośrednie netto, w mln $ (zib) 8. Oszczędności krajowe, w mld $ (gsave) Zmienną objaśnianą jest PKB per capita (pkb) liczony w $. Dotychczasowe badania nie pozwalają nam na uŝycie konkretnego estymatora, dlatego zakładamy Ŝ nasz model przyjmie jedną z dwu postaci: Model efektów losowych pkb i,t = α + βx i,t + ε i,t Model efektów indywidualnych pkb i,t = α i,t + βx i,t + ε i,t IV. Estymacja a) Estymator efektów losowych Wyniki uzyskane przy pierwszej próbie estymacji modelu, kiedy to większość zmiennych okazała się nieistotna w modelu, skłoniły nas do przyjrzenia się rozkładom zmiennych niezaleŝnych. Na podstawie analizy histogramów 1, postanowiliśmy przekształcić zmienne zalud oraz gsave, tworząc logarytmy naturalne tych zmiennych odpowiednio ln_zalud oraz ln_gsave. Następnie panel został jeszcze raz zbilansowany co skutkowało usunięciem 1 Załącznik 1 5
6 z modelu 14 obserwacji (czyli 1 kraju). Wykonanie następnej regresji 2 z wykorzystaniem przekształconych zmiennych poskutkowało usunięciem z modelu 3 zmiennych, które okazały się statystycznie nieistotne (wydgdom, inf, zib). Potwierdził to test na łączną nieistotność tych zmiennych, w którym p-value=0,43. Przy załoŝonym poziomie istotności 0,05 poskutkowało to brakiem podstaw do odrzucenia H 0 o łącznej nieistotności zmiennych wydgdom, inf oraz zib. Ostatecznie regresja z wykorzystaniem estymatora efektów losowych przybrała następującą postać: xtreg pkb samoch ln_zalud bezrob urban ln_gsave Random-effects GLS regression Number of obs = 532 Group variable (i): kraj_id Number of groups = 38 R-sq: within = Obs per group: min = 14 between = avg = 14.0 overall = max = 14 Random effects u_i ~ Gaussian Wald chi2(5) = corr(u_i, X) = 0 (assumed) Prob > chi2 = pkb Coef. Std. Err. z P> z [95% Conf. Interval] samoch ln_zalud bezrob urban ln_gsave _cons sigma_u sigma_e rho (fraction of variance due to u_i) W otrzymanej regresji zmienność zmiennej objaśnianej została w 81,44 % wyjaśniona zmiennością zmiennych objaśniających. Statystyka R 2 between pokazuje, Ŝe zmienność zmiennej objaśnianej pomiędzy poszczególnymi krajami została w 84,63 % wyjaśniona przez model. Zmienność PKB per capita w danym kraju została wyjaśniona zmiennością zmiennych objaśniających w 62,30 %. Wartość statystyki Walda = 908,88 oraz p-value = 0,0000 < α = 0,05 pozwala na odrzucenie H 0 o łącznej nieistotności zmiennych objaśniających w modelu. Ponadto kaŝda zmienna niezaleŝna okazała się w modelu istotna, gdyŝ w kaŝdym przypadku p-value statystyki t-studenta było niŝsze od załoŝonego poziomu istotności. W wyestymowanym modelu parametr przy zmiennej samoch wskazuje, Ŝe wzrost liczby samochodów o 1 na 1000 mieszkańców spowoduje wzrost PKB per capita 2 Załącznik 2 6
7 o 46,16968 dolarów. Wzrost wielkości logarytmu zaludnienia (ln_zalud) o 1 jednostkę spowoduje wzrost PKB per capita o 1146,273 $. Ponadto wzrost ln_gsave o 1 jednostkę powoduje wzrost PKB na mieszkańca o 1809,665 dolarów. Zgodny z teoria jest równieŝ parametr przy zmiennej bezrob wzrost stopy bezrobocia o 1 punkt procentowy skutkuje obniŝeniem PKB na mieszkańca o 301,0722 dolarów. Pewnym zaskoczeniem jest znak parametru przy zmiennej urban wskazuje on na dodatnią korelację pomiędzy stopniem urbanizacji kraju a PKB per capita podczas gdy w rozwaŝaniach teoretycznych ta korelacja jest ujemna. Oczywiście taki wynik moŝe być teŝ spowodowany małą liczebnością modelu i nieuwzględnieniem w nim danych dla wszystkich krajów. b) Test Breuscha Pagana Po wyestymowaniu regresji przeprowadzony został test Breuscha Pagana, aby ustalić występowanie estymatora efektów losowych w modelu. Wynik testu 3 p-value = 0,0000 nakazuje odrzucenie H 0 o nieistotności efektów losowych w naszym modelu. c) Estymator efektów stałych xtreg pkb samoch ln_zalud bezrob urban ln_gsave, fe Fixed-effects (within) regression Number of obs = 532 Group variable (i): kraj_id Number of groups = 38 R-sq: within = Obs per group: min = 14 between = avg = 14.0 overall = max = 14 F(5,489) = corr(u_i, Xb) = Prob > F = pkb Coef. Std. Err. t P> t [95% Conf. Interval] samoch ln_zalud bezrob urban ln_gsave _cons sigma_u sigma_e rho (fraction of variance due to u_i) F test that all u_i=0: F(37, 489) = Prob > F = Załącznik 3. 7
8 W estymacji modelu przeprowadzonej za pomocą estymatora efektów stałych znacząco, w porównaniu do estymacji estymatorem losowym, zmieniły się wartości statystyki R 2. Obecnie jedynie w 16,32 % zmienność zmiennej objaśnianej została wyjaśniona zmiennością zmiennych objaśniających. Statystyka R 2 międzygrupowa pokazuje, Ŝe zmienność zmiennej objaśnianej pomiędzy poszczególnymi krajami została w 16,18 % wyjaśniona przez model. Zmienność PKB per capita w danym kraju została wyjaśniona zmiennością zmiennych objaśniających w 65,71 %. Nadal wszystkie zmienne w modelu są łącznie istotne (statystyka F = 187,43; p-value = 0,0000), jak równieŝ kaŝda z nich z osobna jest istotna. Zmienna samoch pozostała dodatnio skorelowana ze zmienną zaleŝną - wzrost liczby samochodów o 1 na 1000 mieszkańców spowoduje wzrost PKB per capita o 50,61251 dolarów. Bezrob pozostało skorelowane ujemnie - wzrost stopy bezrobocia o 1 punkt procentowy powoduje spadek PKB per capita o 274,9162 dolarów. W przypadku regresji za pomocą estymatora efektów stałych zmienił się natomiast znak przy parametrze zmiennej urban obecnie wzrost stopnia urbanizacji kraju o 1 % powoduje spadek PKB na mieszkańca o 308,5363 $. Jest to relacja zgodna z tą jaką tradycyjnie podaje się w literaturze. Niezmienione znaki zostały przy zmiennych ln_zalud oraz ln_gsave. Ich wzrost o 1 jednostkę przekłada się równieŝ na wzrost PKB na mieszkańca (odpowiednio o 17258,94 $ i 2629,28 $). Za pomocą testu F, w którym H 0 zakłada nieistotność efektów indywidualnych w modelu, moŝemy stwierdzić występowanie w szacowanym modelu efektów stałych. Bowiem wartość krytyczna statystyki F = 0,0000 jest niŝsza od załoŝonego poziomu istotność = 0,05, co skutkuje odrzuceniem hipotezy zerowej w tym teście. 8
9 d) Test Hausmana Test Hausmana uŝywany jest gdy w modelu istotny jest estymator efektów losowych jak i estymator efektów stałych i chcemy zdecydować który z nich jest lepszy do przeprowadzenia wnioskowania na temat modelu. hausman. random_effects ---- Coefficients ---- (b) (B) (b-b) sqrt(diag(v_b-v_b)). random_eff~s Difference S.E. samoch ln_zalud bezrob urban ln_gsave b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test: Ho: difference in coefficients not systematic chi2(5) = (b-b)'[(v_b-v_b)^(-1)](b-b) = Prob>chi2 = (V_b-V_B is not positive definite) Wynik testu Hausmana (Prob>chi2 = 0,0000) nakazuje odrzucenie H 0 mówiącej o tym, Ŝe w modelu lepszy będzie estymator efektów losowych. Tak więc do dalszej analizy uŝywana będzie estymacja na estymatorze efektów stałych. Problemem, który się ujawnił przy okazji tego testu, jest to ze macierz wariancjikowariancji nie jest pozytywnie określona, co podwaŝa wiarygodność tego testu, niemniej na chwile obecną nie jesteśmy w stanie przezwycięŝyć tego problemu. e) Zbadanie trendu w modelu Ostatnią rzeczą jaką postanowiliśmy przetestować w modelu było dodanie do niego trendu i sprawdzanie czy ma on wpływ na zmianę PKB per capita. Z otrzymanej regresji 4 moŝemy wnioskować, Ŝe z kaŝdym kolejnym rokiem PKB per capita zwiększa się przeciętnie o 686,4299 dolarów. Wynik ten potwierdza poniŝszy wykres: 4 Załącznik 4. 9
10 PKB per capita, PPP (w $) rok MoŜemy na nim zaobserwować, Ŝe pomimo odchyleń poszczególnych krajów, linia trendu rosnącego jest zachowana. V. Diagnostyka modelu a) Analiza rozkładu reszt Density 0 1.0e e e e[kraj_id,t] Analiza histogramu rozkładu reszt skłania do przyjęcia tezy o normalności rozkładu reszt, jednak przeprowadzenie testu na normalność składnika resztowego oraz testu Shapiro- Wilka jednoznacznie wskazuje na odrzucenie tezy o normalności rozkładu składnika resztowego ( w obu testach p-value=0,0000 co nakazuje odrzucenie H 0 ). 10
11 Skewness/Kurtosis tests for Normality joint Variable Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi reszty Shapiro-Wilk W test for normal data Variable Obs W V z Prob>z reszty b) Test Walda Do zbadania występowania grupowej homoskedastyczności wariancji składnika losowego uŝyto Testu Walda, który jest odporny na brak normalności reszt. Variable Obs Mean Std. Dev. Min Max W e p_value Wynik testu Walda (p-value=0, ) skłania nas to przyjęcia H 0 o występowaniu grupowej homoskedastyczności wariancji składnika losowego. VI. Wnioski Niestety model okazał się ostatecznie znacznie uboŝszy od tego jaki chcieliśmy badać. Związane głównie do było z niedostępnością wielu zmiennych lub niespełnieniem przez nie warunków, aby mogły zostać wykorzystane w modelu panelowym (głownie problemy z brakiem cykliczności obserwacji). Pewnym zaskoczeniem okazała się nieistotność w modelu zmiennej dotyczącej wydatków gospodarstw domowych. W literaturze bowiem, bardzo często podkreśla się dodatnią zaleŝność między wzrostem poziomu wydatków w gospodarstwach domowych a poziomem PKB w danym kraju. Oczywiście, odrzucenie jej w modelu mogło być spowodowane zbyt niska liczebnością badanej próby. Oszacowania przy pozostałych istotnych zmiennych w modelu okazały się juŝ zgodne z dotychczasowa teorią w zakresie badania stopy Ŝyciowej mieszkańców metoda PKB per capita. Zaobserwowana została dodatnia zaleŝność przy zmiennych dotyczących liczby 11
12 samochodów na 1000 mieszkańców, a ujemna przy zmiennych dotyczących stopy bezrobocia i stopnia urbanizacji kraju. W modelu powstały dwa techniczne problemy, które mogą istotnie wpłynąć na wartość prognostyczną modelu. Macierz wariancji kowariancji w teście Hausmana nie została dodatnio określona, jak równieŝ reszty w modelu nie mają rozkładu normalnego. Problemy te prawdopodobnie spowodowane zostały małą liczebnością badanej próby. 12
13 VII. Literatura 1. Barro R. J., Sala-I-Martin X., Economic Growth, McGraw-Hill, New York Begg D., Fischer S., DornBusch R., Makroekonomia, PWE, Warszawa Beckerman W., Bacon R., International Comparisons of Income Levels: an Additional Measure: Reply, Economic Journal, Royal Economic Society, vol. 80(318), pages Ciecieląg J., Tomaszewski A., Ekonometryczna analiza danych panelowych, Wydział Nauk Ekonomicznych, Warszawa Greene W.H., Econometric Analysis, Prentice Hall, Mankiw G.N., Macroeconomics, Worth Publishers, New York Morawetz D., International Comparisons of Income Levels: A Comment, The Economic Journal, Vol. 80, No. 320 (Dec., 1970), pp
14 VIII. Załączniki Załącznik 1. Histogramy zmiennych przekształconych oraz bilansowanie panelu zmienna zalud Density Gęstość zaludnienia (ilość osób na km2) Density ln_zalud zmienna gsave Density Oszczędności Krajowe (w mld $) Density ln_gsave bilansowanie panelu. by kraj_id,s: egen n1=count(ln_zalud). tab n1 n1 Freq. Percent Cum Total keep if n1==14 (0 observations deleted). by kraj_id,s: egen n2=count(ln_gsave). tab n2 n2 Freq. Percent Cum Total keep if n2==14 (14 observations deleted) 14
15 Załącznik 2. Powtórna regresja za pomocą estymatora efektów losowych xtreg pkb wydgdom inf samoch ln_zalud bezrob urban zib ln_gsave Random-effects GLS regression Number of obs = 532 Group variable (i): kraj_id Number of groups = 38 R-sq: within = Obs per group: min = 14 between = avg = 14.0 overall = max = 14 Random effects u_i ~ Gaussian Wald chi2(8) = corr(u_i, X) = 0 (assumed) Prob > chi2 = pkb Coef. Std. Err. z P> z [95% Conf. Interval] wydgdom inf samoch ln_zalud bezrob urban zib ln_gsave _cons sigma_u sigma_e rho (fraction of variance due to u_i). test inf zib wydgdom ( 1) inf = 0 ( 2) zib = 0 ( 3) wydgdom = 0 chi2( 3) = 2.76 Prob > chi2 = Załącznik 3. Test Breuscha Pagana Breusch and Pagan Lagrangian multiplier test for random effects: pkb[kraj_id,t] = Xb + u[kraj_id] + e[kraj_id,t] Estimated results: Var sd = sqrt(var) pkb 8.77e e u 1.15e Test: Var(u) = 0 chi2(1) = Prob > chi2 =
16 Załącznik 4. Badanie trendu w modelu xtreg pkb samoch ln_zalud bezrob urban ln_gsave rok, fe Fixed-effects (within) regression Number of obs = 532 Group variable (i): kraj_id Number of groups = 38 R-sq: within = Obs per group: min = 14 between = avg = 14.0 overall = max = 14 F(6,488) = corr(u_i, Xb) = Prob > F = pkb Coef. Std. Err. t P> t [95% Conf. Interval] samoch ln_zalud bezrob urban ln_gsave rok _cons sigma_u sigma_e rho (fraction of variance due to u_i) 16
Stanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wprowadzenie do danych panelowych a) Charakterystyka danych panelowych b) Zalety i ograniczenia 2. Modele ekonometryczne danych panelowych a) Model efektów nieobserwowalnych
Bardziej szczegółowoEgzamin z ekonometrii
Pytania teoretyczne Egzamin z ekonometrii 22.06.2012 1. Podaj ogólną postać modeli DL i ADL 2. Wyjaśnij jak należy rozumieć przyczynowość w sensie Grangera i jak jest testowana. 3. Jakie są wady liniowego
Bardziej szczegółowoEkonometria Ćwiczenia 19/01/05
Oszacowano regresję stopy bezrobocia (unemp) na wzroście realnego PKB (pkb) i stopie inflacji (cpi) oraz na zmiennych zero-jedynkowych związanymi z kwartałami (season). Regresję przeprowadzono na danych
Bardziej szczegółowoEgzamin z ekonometrii IiE
Pytania teoretyczne Egzamin z ekonometrii IiE 22.06.2012 1. Kiedy selekcja próby jest problemem i jaki model można stosować w przypadku samoselekcji próby? 2. Jakie są konieczne założenia, by estymator
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 Diagnostyka a) Test RESET b) Test Jarque-Bera c) Testowanie heteroskedastyczności a) groupwise heteroscedasticity b) cross-sectional correlation d) Testowanie autokorelacji
Bardziej szczegółowoDiagnostyka w Pakiecie Stata
Karol Kuhl Zgodnie z twierdzeniem Gaussa-Markowa, estymator MNK w KMRL jest liniowym estymatorem efektywnym i nieobciążonym, co po angielsku opisuje się za pomocą wyrażenia BLUE Best Linear Unbiased Estimator.
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 02/02/2011 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoWprowadzenie Testy własności składnika losowego. Diagnostyka modelu. Część 1. Diagnostyka modelu
Część 1 Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy małej próby Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy małej próby Testy
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 10
Stanisław Cichocki Natalia Nehrebecka Wykład 10 1 1. Testy diagnostyczne Testowanie prawidłowości formy funkcyjnej: test RESET Testowanie normalności składników losowych: test Jarque-Berra Testowanie stabilności
Bardziej szczegółowoEkonometria egzamin semestr drugi 14/06/09
imię, nazwisko, nr indeksu: Ekonometria egzamin semestr drugi 14/06/09 1. Przed przystąpieniem do pisania egzaminu należy podpisać wszystkie kartki arkusza egzaminacyjnego (na dole w przewidzianym miejscu).
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 szczegółowoProblem równoczesności w MNK
Problem równoczesności w MNK O problemie równoczesności mówimy, gdy występuje korelacja między wartościa oczekiwana ε i i równoczesnym x i Model liniowy y = Xβ + ε, E (u) = 0 Powiedzmy, że występuje w
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Egzamin z ekonometrii wersja IiE, MSEMAT 04-02-2016 Pytania teoretyczne 1. Za pomocą jakiego testu weryfikowana jest normalność składnika losowego? Jakiemu założeniu KMRL odpowiada w tym teście? Jakie
Bardziej szczegółowoAutokorelacja i heteroskedastyczność
Autokorelacja i heteroskedastyczność Założenie o braku autokorelacji Cov (ε i, ε j ) = E (ε i ε j ) = 0 dla i j Oczekiwana wielkość elementu losowego nie zależy od wielkości elementu losowego dla innych
Bardziej szczegółowo1. Pokaż, że estymator MNW parametru β ma postać β = nieobciążony. Znajdź estymator parametru σ 2.
Zadanie 1 Niech y t ma rozkład logarytmiczno normalny o funkcji gęstości postaci [ ] 1 f (y t ) = y exp (ln y t β ln x t ) 2 t 2πσ 2 2σ 2 Zakładamy, że x t jest nielosowe a y t są nieskorelowane w czasie.
Bardziej szczegółowoZbiór pyta«zaawansowanej ekonometrii. c Rafaª Wo¹niak 1
Zbiór pyta«zaawansowanej ekonometrii. c Rafaª Wo¹niak 1 Zadanie 2 Wykorzystuj c zbiór danych crime.dta z ksi»ki Principles of Econometrics, R. Carter Hill, William E. Griths, Guay C. Lim, Wydanie 3, Wiley,
Bardziej szczegółowoEgzamin z ekonometrii wersja ogólna Pytania teoretyczne
Egzamin z ekonometrii wersja ogólna 08-02-2017 Pytania teoretyczne 1. Za pomocą którego testu testujemy stabilność parametrów? Jakiemu założeniu KMRL odpowiada H0 w tym teście? Jaka jest hipoteza alternatywna
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Pytania teoretyczne Egzamin z ekonometrii wersja IiE, MSEMAT 08-02-2017 1. W jaki sposób przeprowadzamy test Chowa? 2. Pokazać, że jest nieobciążonym estymatorem. 3. Udowodnić, że w modelu ze stałą TSSESS+RSS.
Bardziej szczegółowoEgzamin z ekonometrii - wersja ogólna
Egzamin z ekonometrii - wersja ogólna 06-02-2019 Regulamin egzaminu 1. Egzamin trwa 90 min. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoEkonometria egzamin 07/03/2018
imię, nazwisko, nr indeksu: Ekonometria egzamin 07/03/2018 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowo1 Modele ADL - interpretacja współczynników
1 Modele ADL - interpretacja współczynników ZADANIE 1.1 Dany jest proces DL następującej postaci: y t = µ + β 0 x t + β 1 x t 1 + ε t. 1. Wyjaśnić, jaka jest intepretacja współczynników β 0 i β 1. 2. Pokazać
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 12
Stanisław Cichocki Natalia Nehrebecka Wykład 1 1 1. Testy diagnostyczne Testowanie stabilności parametrów modelu: test Chowa. Heteroskedastyczność Konsekwencje Testowanie heteroskedastyczności 1. Testy
Bardziej szczegółowoCzasowy wymiar danych
Problem autokorelacji Model regresji dla szeregów czasowych Model regresji dla szeregów czasowych y t = X t β + ε t Zasadnicze różnice 1 Budowa prognoz 2 Problem stabilności parametrów 3 Problem autokorelacji
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 14
Stanisław Cichocki Natalia Nehrebecka Wykład 14 1 1.Problemy z danymi Współliniowość 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji Metody radzenia sobie z heteroskedastycznością
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 12
Stanisław Cichocki Natalia Nehrebecka Wykład 12 1 1.Problemy z danymi Zmienne pominięte Zmienne nieistotne 2. Autokorelacja o Testowanie autokorelacji 1.Problemy z danymi Zmienne pominięte Zmienne nieistotne
Bardziej szczegółowoEgzamin z ekonometrii wersja ogolna
Egzamin z ekonometrii wersja ogolna 04-02-2016 Pytania teoretyczne 1. Wymienić założenia Klasycznego Modelu Regresji Liniowej (KMRL). 2. Wyprowadzić estymator MNK dla modelu z wieloma zmiennymi objaśniającymi.
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natalia Nehrebecka Stanisław Cichocki Wykład 10 1 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Autokorelacja Konsekwencje Testowanie autokorelacji 2. Metody radzenia sobie z heteroskedastycznością i autokorelacją Uogólniona Metoda Najmniejszych
Bardziej szczegółowoDiagnostyka w Pakiecie Stata
Karol Kuhl Zgodnie z twierdzeniem Gaussa-Markowa, estymator MNK w KMRL jest liniowym estymatorem efektywnym i nieobciążonym, co po angielsku opisuje się za pomocą wyrażenia BLUE Best Linear Unbiased Estimator.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoEkonometria dla IiE i MSEMat Z12
Ekonometria dla IiE i MSEMat Z12 Rafał Woźniak Faculty of Economic Sciences, University of Warsaw Warszawa, 09-01-2017 Test RESET Ramsey a W pierwszym etapie estymujemy współczynniki regresji w modelu:
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 9
Stanisław Cichocki Natalia Nehrebecka Wykład 9 1 1. Dodatkowe założenie KMRL 2. Testowanie hipotez prostych Rozkład estymatora b Testowanie hipotez prostych przy użyciu statystyki t 3. Przedziały ufności
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 szczegółowo6 Modele wyborów dyskretnych dla danych panelowych
6 Modele wyborów dyskretnych dla danych panelowych Dane do notatek są danymi do podręcznika Cameron & Trivedi (2008), pochodzą z artykułu Deb i Triverdi (2002). Przedmiotem badania jest eksperyment związany
Bardziej szczegółowoHeteroskedastyczość w szeregach czasowyh
Heteroskedastyczość w szeregach czasowyh Czesto zakłada się, że szeregi czasowe wykazuja autokorelację ae sa homoskedastyczne W rzeczywistości jednak często wariancja zmienia się w czasie Dobrym przykładem
Bardziej szczegółowoEkonometria egzamin 06/03/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 06/03/2019 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoDr Łukasz Goczek. Uniwersytet Warszawski
Dr Łukasz Goczek Uniwersytet Warszawski Penn World Table PWT 6.3 Alan Heston, Robert Summers and Bettina Aten, Penn World Table Version 6.3, Center for International Comparisons of Production, Income and
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoEkonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 01/02/2019 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
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 szczegółowoEkonometria egzamin wersja ogólna 17/06/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja ogólna 17/06/08 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natalia Nehrebecka Stanisław Cichocki Wykład 10 1 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 8
Stanisław Cichocki Natalia Nehrebecka Zajęcia 8 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
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 szczegółowoTesty własności składnika losowego Testy formy funkcyjnej. Diagnostyka modelu. Część 2. Diagnostyka modelu
Część 2 Test Durbina-Watsona Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε t, ε t 1 ) 0 Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε
Bardziej szczegółowoEkonometria. Zajęcia
Ekonometria Zajęcia 16.05.2018 Wstęp hipoteza itp. Model gęstości zaludnienia ( model gradientu gęstości ) zakłada, że gęstość zaludnienia zależy od odległości od okręgu centralnego: y t = Ae βx t (1)
Bardziej szczegółowoNa podstawie danych dotyczacych rocznych wydatków na pizze oszacowano parametry poniższego modelu:
Zadanie 1. Oszacowano model ekonometryczny liczby narodzin dzieci (w tys.) w Polsce w latach 2000 2010 w zależnosci od średniego rocznego wynagrodzenia (w ujęciu realnym, PLN), stopy bezrobocia (w punktach
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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Testowanie autokorelacji 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji 3.Problemy z danymi Zmienne pominięte
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMat Pytania teoretyczne
Egzamin z ekonometrii wersja IiE, MSEMat 31-01-2014 Pytania teoretyczne 1. Podać postać przekształcenia Boxa-Coxa i wyjaśnić, do czego jest stosowane w ekonometrii. 2. Wyjaśnić, jakie korzyści i niebezpieczeństwa
Bardziej szczegółowoEkonometria egzamin 31/01/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 31/01/2018 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoEkonometria egzamin wersja Informatyka i Ekonometria 26/06/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja Informatyka i Ekonometria 26/06/08 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
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 dla IiE i MSEMat Z7
Ekonometria dla IiE i MSEMat Z7 Rafał Woźniak Faculty of Economic Sciences, University of Warsaw Warszawa, 21-11-2016 Na podstawie zbioru danych cps_small.dat z książki Principles of Econometrics oszacowany
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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 14
Stanisław Cichocki Natalia Nehrebecka Wykład 14 1 1.Problemy z danymi Zmienne pominięte Zmienne nieistotne Obserwacje nietypowe i błędne Współliniowość - Mamy 2 modele: y X u 1 1 (1) y X X 1 1 2 2 (2)
Bardziej szczegółowoModele wielorównaniowe (forma strukturalna)
Modele wielorównaniowe (forma strukturalna) Formę strukturalna modelu o G równaniach AY t = BX t + u t, gdzie Y t = [y 1t,..., y Gt ] X t = [x 1t,..., x Kt ] u t = [u 1t,..., u Gt ] E (u t ) = 0 Var (u
Bardziej szczegółowoWprowadzenie Modele o opóźnieniach rozłożonych Modele autoregresyjne o opóźnieniach rozłożonych. Modele dynamiczne.
opisują kształtowanie się zjawiska w czasie opisują kształtowanie się zjawiska w czasie Najważniejszymi zastosowaniami modeli dynamicznych są opisują kształtowanie się zjawiska w czasie Najważniejszymi
Bardziej szczegółowoEgzamin z ekonometrii wersja ogólna Pytania teoretyczne
Egzamin z ekonometrii wersja ogólna 31-01-2014 Pytania teoretyczne 1. Podać postać przekształcenia Boxa-Coxa i wyjaśnić, do czego jest stosowane w ekonometrii. 2. Porównaj zastosowania znanych ci kontrastów
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów 5. Testowanie
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 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 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 szczegółowoNatalia Nehrebecka. 18 maja 2010
Natalia Nehrebecka 18 maja 2010 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów 5. Testowanie
Bardziej szczegółowoPrzyczynowość Kointegracja. Kointegracja. Kointegracja
korelacja a związek o charakterze przyczynowo-skutkowym korelacja a związek o charakterze przyczynowo-skutkowym Przyczynowość w sensie Grangera Zmienna x jest przyczyną w sensie Grangera zmiennej y jeżeli
Bardziej szczegółowoTEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.
TEST STATYSTYCZNY Testem statystycznym nazywamy regułę postępowania rozstrzygająca, przy jakich wynikach z próby hipotezę sprawdzaną H 0 należy odrzucić, a przy jakich nie ma podstaw do jej odrzucenia.
Bardziej szczegółowoModele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 4
Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 4 Konrad Miziński, nr albumu 233703 31 maja 2015 Zadanie 1 Wartości oczekiwane µ 1 i µ 2 oszacowano wg wzorów: { µ1 = 0.43925 µ = X
Bardziej szczegółowoWydział Matematyki. Testy zgodności. Wykład 03
Wydział Matematyki Testy zgodności Wykład 03 Testy zgodności W testach zgodności badamy postać rozkładu teoretycznego zmiennej losowej skokowej lub ciągłej. Weryfikują one stawiane przez badaczy hipotezy
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 szczegółowo, a reszta dla pominiętej obserwacji wynosi 0, RSS jest stałe, T SS rośnie, więc zarówno R 2 jak i R2 rosną. R 2 = 1 n 1 n. rosnie. n 2 (1 R2 ) = 1 59
Zadanie 1. Ekonometryk szacując funkcję konsumpcji przeprowadził estymację osobno dla tzw. Polski A oraz Polski B. Dla Polski A posiadał n 1 = 40 obserwacji i uzyskał współczynnik dopasowania RA 2 = 0.4,
Bardziej szczegółowo1.8 Diagnostyka modelu
1.8 Diagnostyka modelu Dotychczas zajmowaliśmy się własnościami estymatorów przy spełnionych założeniach KMRL. W praktyce nie zawsze spełnione są wszystkie założenia modelu. Jeżeli któreś z nich nie jest
Bardziej szczegółowoDefinicja danych panelowych Typy danych panelowych Modele dla danych panelowych. Dane panelowe. Część 1. Dane panelowe
Część 1 to dane, które jednocześnie posiadają cechy danych przekrojowych i szeregów czasowych to dane, które jednocześnie posiadają cechy danych przekrojowych i szeregów czasowych Czyli obserwujemy te
Bardziej szczegółowoNatalia Nehrebecka. Wykład 1
Natalia Nehrebecka Wykład 1 1 1. Sprawy organizacyjne Zasady zaliczenia Dwiczenia Literatura 2. Czym zajmuje się ekonometria? 3. Formy danych statystycznych 4. Model ekonometryczny 2 1. Sprawy organizacyjne
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 szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
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 szczegółowoWprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA
Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Modele tej klasy są modelami ateoretycznymi Ważną klasę modeli dynamicznych stanowią
Bardziej szczegółowoModele warunkowej heteroscedastyczności
Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Racjonalne oczekiwania inwestorów P t = E(P t+1 I t ) 1 + R (1) Teoria Przykład - zwroty
Bardziej szczegółowoEkonometria. Własności składnika losowego. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Własności składnika losowego Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 1 / 31 Agenda KMNK przypomnienie 1 KMNK przypomnienie 2 3 4
Bardziej szczegółowoTestowanie hipotez statystycznych
Część 2 Hipoteza złożona Testowanie hipotez łącznych Zapis matematyczny Rozkład statystyki testowej Hipoteza łączna H 0 : Rβ = q Hipoteza złożona Testowanie hipotez łącznych Zapis matematyczny Rozkład
Bardziej szczegółowoBudowa modelu i testowanie hipotez
Problemy metodologiczne Gdzie jest problem? Obciążenie Lovella Dysponujemy oszacowaniami parametrów następującego modelu y t = β 0 + β 1 x 1 +... + β k x k + ε t Gdzie jest problem? Obciążenie Lovella
Bardziej szczegółowo1 Metoda Najmniejszych Kwadratów (MNK) 2 Interpretacja parametrów modelu. 3 Klasyczny Model Regresji Liniowej (KMRL)
1 Metoda Najmniejszych Kwadratów (MNK) 1. Co to jest zmienna endogeniczna, a co to zmienne egzogeniczna? 2. Podaj postać macierzy obserwacji dla modelu y t = a + bt + ε t 3. Co to jest wartość dopasowana,
Bardziej szczegółowoJednowskaźnikowy model Sharpe`a
Uniwersytet Warszawski Wydział Nauk Ekonomicznych Milena Jamroziak i Paweł Androszczuk Model ekonometryczny Jednowskaźnikowy model Sharpe`a dla akcji Amici Praca zaliczeniowa napisana pod kierunkiem mgr
Bardziej szczegółowoEkonometria egzamin wersja Informatyka i Ekonometria 29/01/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja Informatyka i Ekonometria 29/0/08. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Problemy z danymi Obserwacje nietypowe i błędne Współliniowość. Heteroskedastycznośd i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji
Bardziej szczegółowoMetoda najmniejszych kwadratów
Własności algebraiczne Model liniowy Zapis modelu zarobki = β 0 + β 1 plec + β 2 wiek + ε Oszacowania wartości współczynników zarobki = b 0 + b 1 plec + b 2 wiek + e Model liniowy Tabela: Oszacowania współczynników
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 13
Natalia Nehrebecka Stanisław Cichocki Wykład 13 1 1. Zmienne pominięte 2. Zmienne nieistotne 3. Obserwacje nietypowe i błędne 4. Współliniowość 2 1. Zmienne pominięte 2. Zmienne nieistotne 3. Obserwacje
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada
Stanisław Cichocki Natalia Nehrebecka Katarzyna Rosiak-Lada 1. Sprawy organizacyjne Zasady zaliczenia 2. Czym zajmuje się ekonometria? 3. Formy danych statystycznych 4. Model ekonometryczny 2 1. Sprawy
Bardziej szczegółowoWłaściwości testu Jarque-Bera gdy w danych występuje obserwacja nietypowa.
Właściwości testu Jarque-Bera gdy w danych występuje obserwacja nietypowa. Paweł Strawiński Uniwersytet Warszawski Wydział Nauk Ekonomicznych 16 stycznia 2006 Streszczenie W artykule analizowane są właściwości
Bardziej szczegółowoMatematyka i statystyka matematyczna dla rolników w SGGW
Było: Testowanie hipotez (ogólnie): stawiamy hipotezę, wybieramy funkcję testową f (test statystyczny), przyjmujemy poziom istotności α; tym samym wyznaczamy obszar krytyczny testu (wartość krytyczną funkcji
Bardziej szczegółowo1.5 Problemy ze zbiorem danych
1.5 Problemy ze zbiorem danych W praktyce ekonometrycznej bardzo rzadko spełnione są wszystkie założenia klasycznego modelu regresji liniowej. Częstym przypadkiem jest, że zbiór danych którymi dysponujemy
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 szczegółowoWykład 5 Problem dwóch prób - testowanie hipotez dla równości średnich
Wykład 5 Problem dwóch prób - testowanie hipotez dla równości średnich Magdalena Frąszczak Wrocław, 22.03.2017r Problem Behrensa Fishera Niech X = (X 1, X 2,..., X n ) oznacza próbę z rozkładu normalnego
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 5 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.hedonic.dta przygotuj model oszacowujący wartość kosztów zewnętrznych rolnictwa 1. Przeprowadź regresję objaśniającą
Bardziej szczegółowoTestowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona;
LABORATORIUM 4 Testowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona; dwie zmienne zależne mierzalne małe próby duże próby rozkład normalny
Bardziej szczegółowoWpływ wprowadzenia wspólnej waluty do obiegu gotówkowego na zmiany w poziomie cen krajów strefy euro
Wpływ wprowadzenia wspólnej waluty do obiegu gotówkowego na zmiany w poziomie cen krajów strefy euro Karolina Konopczak NBP, Biuro ds. Integracji ze Strefą Euro Marek Rozkrut NBP, Biuro ds. Integracji
Bardziej szczegółowoPrzykład 1 ceny mieszkań
Przykład ceny mieszkań Przykład ceny mieszkań Model ekonometryczny zaleŝności ceny mieszkań od metraŝu - naleŝy do klasy modeli nieliniowych. - weryfikację empiryczną modelu przeprowadzono na przykładzie
Bardziej szczegółowoWspółczynnik korelacji. Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ
Współczynnik korelacji Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ Własności współczynnika korelacji 1. Współczynnik korelacji jest liczbą niemianowaną 2. ϱ 1,
Bardziej szczegółowo