Ekonometria bayesowska: szybki start
|
|
- Paulina Walczak
- 5 lat temu
- Przeglądów:
Transkrypt
1 Ekonometria bayesowska: szybki start Wprowadzenie do reguª wnioskowania i oblicze«w R SKN Ekonometrii r. Andrzej Torój 1 / 23
2 Plan wykªadu 1 Podstawowe zasady wnioskowania bayesowskiego / 23
3 Plan prezentacji 1 Podstawowe zasady wnioskowania bayesowskiego / 23
4 Fundamentalne zasady ekonometrii bayesowskiej (1) Parametry traktujemy jako zmienne losowe. To fundamentalna ró»nica w porównaniu do klasycznej ekonometrii, gdzie zakªadali±my istnienie prawdziwej, nieznanej warto±ci parametru w procesie generuj cym dane / populacji. Pewne elementy my±lenia w kategoriach rozkªadów (np. przedziaª ufno±ci) wi zaªy si wyª cznie z faktem,»e estymatory z próby s zmiennymi losowymi ze wzgl du na losowy dobór próby. Nigdy jednak nie dotyczyªo to prawdziwych parametrów. Takie zaªo»enie odzwierciedla fundamentaln ró»nic mi dzy bayesistami a klasykami w rozumieniu poj cia prawdopodobie«stwa. Klasycy posªuguj si cz sto±ciow interpretacj prawdopodobie«stwa uwa»aj,»e nale»y si tym poj ciem posªugiwa wyª cznie w celu opisania, jak cz sto zachodzi okre±lone zdarzenie (dlatego bayesi±ci okre±laj ich jako frequentists). Bayesi±ci posªuguj si dodatkowo subiektywistyczn interpretacj prawdopodobie«stwa, która pozwala im okre±li rozkªach ich przekona«co do nieznanej warto±ci parametru. 4 / 23
5 Fundamentalne zasady ekonometrii bayesowskiej (1) Parametry traktujemy jako zmienne losowe. To fundamentalna ró»nica w porównaniu do klasycznej ekonometrii, gdzie zakªadali±my istnienie prawdziwej, nieznanej warto±ci parametru w procesie generuj cym dane / populacji. Pewne elementy my±lenia w kategoriach rozkªadów (np. przedziaª ufno±ci) wi zaªy si wyª cznie z faktem,»e estymatory z próby s zmiennymi losowymi ze wzgl du na losowy dobór próby. Nigdy jednak nie dotyczyªo to prawdziwych parametrów. Takie zaªo»enie odzwierciedla fundamentaln ró»nic mi dzy bayesistami a klasykami w rozumieniu poj cia prawdopodobie«stwa. Klasycy posªuguj si cz sto±ciow interpretacj prawdopodobie«stwa uwa»aj,»e nale»y si tym poj ciem posªugiwa wyª cznie w celu opisania, jak cz sto zachodzi okre±lone zdarzenie (dlatego bayesi±ci okre±laj ich jako frequentists). Bayesi±ci posªuguj si dodatkowo subiektywistyczn interpretacj prawdopodobie«stwa, która pozwala im okre±li rozkªach ich przekona«co do nieznanej warto±ci parametru. 4 / 23
6 Fundamentalne zasady ekonometrii bayesowskiej (2) Do procesu estymacji wprowadzamy wiedz spoza próby. Formuªujemy j w postaci rozkªadu a priori nieznanych parametrów. Mo»e on znacz co rzutowa na uzyskane wyniki. Miar sukcesu w ekonometrii bayesowskiej jest doprowadzenie do zaw»enia (ang. shrinkage) rozkªadu a priori czyli precyzyjniejszej wiedzy o parametrze po konfrontacji z danymi ni» przed. Nie musi to oznacza przesuni cia warto±ci oczekiwanej, chodzi o zmniejszenie wariancji. Je»eli rozkªad a posteriori niemal pokrywa si z rozkªadem a priori, to oznacza pora»k w analizie empirycznej dane niczego nie wniosªy do naszej wiedzy o parametrze. 5 / 23
7 Twierdzenie Bayesa zastosowanie w ekonometrii P (B A) P (A) P (A B) = P (B) f (A i B) = f (B A i ) f (A i ) f (B A i ) f (A i ) di I f (X θ) f (θ) f (θ X ) = f (X θ) f (θ) dθ I Jako zdarzenia A i rozpatrzymy ka»d mo»liw warto± parametru θ (zdarzenia θ 1,θ 2,...). Prawdopodobie«stwa tych zdarze«sumuj si do 1, gdy» budujemy funkcj g sto±ci / prawdopodobie«stwa. Zdarzenie B polega na tym,»e zaobserwowali±my okre±lony zestaw danych X. P (θ X ) wyznaczany rozkªad a posteriori, tj. warunkowy wzgl dem zaobserwowanych danych P (θ) rozkªad a priori P (X θ) funkcja wiarygodno±ci danych X przy zaªo»eniu parametru o warto±ci θ mianownik nie zale»y od θ i peªni rol staªej skaluj cej 6 / 23
8 Przykªad: rozkªady brzegowe a posteriori w modelu regresji liniowej 7 / 23
9 Highest posterior density interval (HPDI) 8 / 23
10 Porównania modeli Caªkuj c licznik wzoru Bayesa otrzymujemy wiarygodno± brzegow modelu. Iloraz wiarygodno±ci brzegowej dwóch modeli to tzw. czynnik Bayesa. Skala Jereysa (1961, The theory of probability) BF interpretacja < 10 0 negative (supports M 2 ) barely worth mentioning substantial strong very strong > 10 2 decisive Kass i Raftery (1995, Bayes factors, Journal of the American Statistical Association) BF interpretacja 1 3 not worth more than a bare mention 3 20 positive strong > 150 very strong 9 / 23
11 Rozkªady predykcyjne p (y h y) = p (y τ, θ y) dθ = p (y τ θ, y) p (θ y) dθ Θ Dalsze post powanie zale»y od tego, czy: y τ jest niezale»ne od y (pierwszy czynnik); znana jest funkcja g sto±ci parametrów a posteriori (drugi czynnik). W modelu regresji liniowej o rozkªadzie a priori N-G oba warunki s speªnione. Θ 10 / 23
12 Plan prezentacji 1 Podstawowe zasady wnioskowania bayesowskiego / 23
13 Ubogi materiaª empiryczny mo»e zosta wzmocniony wiedz a priori w sformalizowany sposób. Uniwersalne instrumentarium do wnioskowania statystycznego, niezale»ne od rozkªadu skªadnika losowego. Przydatne w szeroko rozumianym zarz dzaniu ryzykiem (pozwalaj na wyra»anie i efektywn aktualizacj rozkªadów predykcyjnych o ró»nych ksztaªtach). 12 / 23
14 Plan prezentacji 1 Podstawowe zasady wnioskowania bayesowskiego / 23
15 Efekty zastosowania metod numerycznych Bardzo rzadko mo»emy otrzyma analitycznie funkcj g sto±ci a posteriori, z której potraliby±my losowa. Tym samym problematyczne jest wyznaczenie (i) brzegowych g sto±ci a posteriori, (ii) wiarygodno±ci brzegowej modelu, (iii) rozkªadów predykcyjnych. 1 Metody numeryczne powinny prowadzi do otrzymania wyników S-krotnego losowania z rozkªadu a posteriori. Dysponuj c tymi wynikami (oznaczmy je θ (1), θ (2),..., θ (S) ) mo»emy m.in. naszkicowa histogram rozkªadów brzegowych pojedynczych parametrów i przedziaªy ufno±ci HPDI. 2 Mo»emy równie» oszacowa warto± oczekiwan dowolnej funkcji S ( parametrów g(θ) jako 1 S g θ (s)). s=1 Istnieje wiele metod numerycznych. Najpopularniejsz metod klasy MCMC (Monte Carlo Markov chain) jest algorytm Metropolisa-Hastingsa. 14 / 23
16 Algorytm Metropolisa-Hastingsa przypadek ogólny Rozwa»my wektor parametrów θ = (θ 1, θ 2,..., θ K ) o nieznanej g sto±ci a posteriori p (θ y). Nie znamy równie» rozkªadów warunkowych jednego parametru wzgl dem pozostaªych. 1 Wybieramy wektor startowy θ (0) = (θ 1, θ 2,..., θ K ). 2 Losujemy kandydata ( θ korzystaj c z g sto±ci generuj cej kandydatów, q θ θ (0)). 3 Obliczamy ( prawdopodobie«stwo akceptacji kandydata, α θ, θ (0)). θ z prawdopodobieństwem α (θ, θ (0)) 4 θ (1) = θ (0) z prawdopodobieństwem 1 α (θ, θ (0)) 5 Powtarzamy kroki 1-4 z wektorem startowym θ (1). 6 Powtarzamy sekwencj S razy. 15 / 23
17 Algorytm Metropolisa-Hastingsa przypadek ogólny Rozwa»my wektor parametrów θ = (θ 1, θ 2,..., θ K ) o nieznanej g sto±ci a posteriori p (θ y). Nie znamy równie» rozkªadów warunkowych jednego parametru wzgl dem pozostaªych. 1 Wybieramy wektor startowy θ (0) = (θ 1, θ 2,..., θ K ). 2 Losujemy kandydata ( θ korzystaj c z g sto±ci generuj cej kandydatów, q θ θ (0)). 3 Obliczamy ( prawdopodobie«stwo akceptacji kandydata, α θ, θ (0)). θ z prawdopodobieństwem α (θ, θ (0)) 4 θ (1) = θ (0) z prawdopodobieństwem 1 α (θ, θ (0)) 5 Powtarzamy kroki 1-4 z wektorem startowym θ (1). 6 Powtarzamy sekwencj S razy. 15 / 23
18 Algorytm Metropolisa-Hastingsa przypadek ogólny Rozwa»my wektor parametrów θ = (θ 1, θ 2,..., θ K ) o nieznanej g sto±ci a posteriori p (θ y). Nie znamy równie» rozkªadów warunkowych jednego parametru wzgl dem pozostaªych. 1 Wybieramy wektor startowy θ (0) = (θ 1, θ 2,..., θ K ). 2 Losujemy kandydata ( θ korzystaj c z g sto±ci generuj cej kandydatów, q θ θ (0)). 3 Obliczamy ( prawdopodobie«stwo akceptacji kandydata, α θ, θ (0)). θ z prawdopodobieństwem α (θ, θ (0)) 4 θ (1) = θ (0) z prawdopodobieństwem 1 α (θ, θ (0)) 5 Powtarzamy kroki 1-4 z wektorem startowym θ (1). 6 Powtarzamy sekwencj S razy. 15 / 23
19 Algorytm Metropolisa-Hastingsa przypadek ogólny Rozwa»my wektor parametrów θ = (θ 1, θ 2,..., θ K ) o nieznanej g sto±ci a posteriori p (θ y). Nie znamy równie» rozkªadów warunkowych jednego parametru wzgl dem pozostaªych. 1 Wybieramy wektor startowy θ (0) = (θ 1, θ 2,..., θ K ). 2 Losujemy kandydata ( θ korzystaj c z g sto±ci generuj cej kandydatów, q θ θ (0)). 3 Obliczamy ( prawdopodobie«stwo akceptacji kandydata, α θ, θ (0)). θ z prawdopodobieństwem α (θ, θ (0)) 4 θ (1) = θ (0) z prawdopodobieństwem 1 α (θ, θ (0)) 5 Powtarzamy kroki 1-4 z wektorem startowym θ (1). 6 Powtarzamy sekwencj S razy. 15 / 23
20 Algorytm Metropolisa-Hastingsa przypadek ogólny Rozwa»my wektor parametrów θ = (θ 1, θ 2,..., θ K ) o nieznanej g sto±ci a posteriori p (θ y). Nie znamy równie» rozkªadów warunkowych jednego parametru wzgl dem pozostaªych. 1 Wybieramy wektor startowy θ (0) = (θ 1, θ 2,..., θ K ). 2 Losujemy kandydata ( θ korzystaj c z g sto±ci generuj cej kandydatów, q θ θ (0)). 3 Obliczamy ( prawdopodobie«stwo akceptacji kandydata, α θ, θ (0)). θ z prawdopodobieństwem α (θ, θ (0)) 4 θ (1) = θ (0) z prawdopodobieństwem 1 α (θ, θ (0)) 5 Powtarzamy kroki 1-4 z wektorem startowym θ (1). 6 Powtarzamy sekwencj S razy. 15 / 23
21 Algorytm Metropolisa-Hastingsa przypadek ogólny Rozwa»my wektor parametrów θ = (θ 1, θ 2,..., θ K ) o nieznanej g sto±ci a posteriori p (θ y). Nie znamy równie» rozkªadów warunkowych jednego parametru wzgl dem pozostaªych. 1 Wybieramy wektor startowy θ (0) = (θ 1, θ 2,..., θ K ). 2 Losujemy kandydata ( θ korzystaj c z g sto±ci generuj cej kandydatów, q θ θ (0)). 3 Obliczamy ( prawdopodobie«stwo akceptacji kandydata, α θ, θ (0)). θ z prawdopodobieństwem α (θ, θ (0)) 4 θ (1) = θ (0) z prawdopodobieństwem 1 α (θ, θ (0)) 5 Powtarzamy kroki 1-4 z wektorem startowym θ (1). 6 Powtarzamy sekwencj S razy. 15 / 23
22 Algorytm MH g sto± generuj ca kandydatów W ogólnym przypadku zakªadamy,»e jest zale»na od bie» cego punktu θ (s). Najcz stsz implementacj ( ) jest Random Walk MH, gdzie losujemy ε N θ (s), Σ i rozwa»amy kandydata: θ = θ (s) + ε 16 / 23
23 Algorytm MH prawdopodobie«stwo akceptacji α 1 Poniewa» q to funkcja umowna, korzystanie z niej bez dodatkowych korekt nie gwarantuje nam uzyskania sekwencji losowa«przybli»aj cych rozkªad a posteriori. 1 Algorytm bez korekt zbyt cz sto pozostaje w obszarach o wysokiej g sto±ci a posteriori. 2 W zwi zku z tym musimy go skorygowa, by dostatecznie dobrze zwiedzi caª dziedzin parametrów. 2 Korekta polega na nieakceptowaniu wszystkich kandydatów wylosowanych na podstawie g sto±ci q. W przypadku braku akceptacji, kolejnym elementem ªa«cucha jest kopia poprzedniego. 1 Ogólny wzór na prawdopodobie«stwo akceptacji zale»y od g sto±ci a posteriori (p) oraz g sto±ci generuj cej kandydatów (q) dla wektorów: poprzedniego (θ (s) ) oraz kandydata (θ ). 2 W implementacji Random Walk: tylko od p, ale nie q ) [ ] α (θ, θ (0) p(θ = min y) p(θ (s 1) y), 1 17 / 23
24 Algorytm MH prawdopodobie«stwo akceptacji α 1 Poniewa» q to funkcja umowna, korzystanie z niej bez dodatkowych korekt nie gwarantuje nam uzyskania sekwencji losowa«przybli»aj cych rozkªad a posteriori. 1 Algorytm bez korekt zbyt cz sto pozostaje w obszarach o wysokiej g sto±ci a posteriori. 2 W zwi zku z tym musimy go skorygowa, by dostatecznie dobrze zwiedzi caª dziedzin parametrów. 2 Korekta polega na nieakceptowaniu wszystkich kandydatów wylosowanych na podstawie g sto±ci q. W przypadku braku akceptacji, kolejnym elementem ªa«cucha jest kopia poprzedniego. 1 Ogólny wzór na prawdopodobie«stwo akceptacji zale»y od g sto±ci a posteriori (p) oraz g sto±ci generuj cej kandydatów (q) dla wektorów: poprzedniego (θ (s) ) oraz kandydata (θ ). 2 W implementacji Random Walk: tylko od p, ale nie q ) [ ] α (θ, θ (0) p(θ = min y) p(θ (s 1) y), 1 17 / 23
25 Algorytm MH α versus q Miar jako±ci wyników jest m.in. ±rednie prawdopodobie«stwo akceptacji ᾱ. Okazuje si,»e optymalne warto±ci ᾱ [0, 2; 0, 4]. Dostatecznie niskie prawdopodobie«stwo akceptacji oznacza,»e dziedzina g sto±ci a posteriori zostaªa dobrze wyeksplorowana. ᾱ to jednak warto± wynikowa i nie mo»emy jej wprost wybra. Zale»y ona przede wszystkim od doboru g sto±ci generuj cej kandydatów q. W przypadku Random Walk MH, sprowadza si to do odpowiedniego ustalenia wariancji kroku ε, czyli Σ. Relacj mi dzy ᾱ a Σ nale»y zbada w ramach dodatkowej procedury iteracyjnej. Zaczynamy w niej od Σ (0) = c (0) I. W przypadku zbyt wysokiego ᾱ (0) zbyt cz sto akceptujemy, a wi c jeste±my zbyt konserwatywni w zwiedzaniu dziedziny, czyli powinnismy ustali c (1) > c (0). 18 / 23
26 Rozrzedzanie i zwielokrotnienie ªa«cucha Aby unikn efektu silnej autokorelacji w wygenerowanej sekwencji θ (1), θ (2),..., θ (S) decydujemy si czasami na jej rozrzedzanie (thinning), czyli wybór co m-tego elementu. Eliminacja autokorelacji jest istotna, bo pozwala (i) pracowa z równie dªugimi ªa«cuchami ale o lepszej zawarto±ci informacyjnej, (ii) uªatwia kalkulacj miar zwi zanych z diagnostyk zbie»no±ci ªa«cucha (o tym nast pnym razem). Zasadno± tego zabiegu jest jednak czasami przedmiotem kontrowersji w literaturze. Cz sto decydujemy si na u»ycie wi kszej liczby ªa«cuchów ni» tylko jeden (to równie» przydaje si w diagnostyce zbie»no±ci MCMC). 19 / 23
27 Plan prezentacji 1 Podstawowe zasady wnioskowania bayesowskiego / 23
28 Podstawowe programy i pakiety Nie istniej na razie pakiety umo»liwiaj ce w peªni ogólne wnioskowanie bayesowskie przeprowadzane wyª cznie za pomoc R. Istniej ce pakiety do symulacji rozkªadu a posteriori s interfejsami do programów zewn trznych, takich jak: STAN (rstan) BUGS / WinBUGS / JAGS (R2WinBUGS, rjags, R2jags, runjags, dclone,...) LaplacesDemon Na podstawie gotowych ªa«cuchów mo»emy wnioskowa z u»yciem pakietu coda. Istniej równie» pakiety umo»liwiaj ce szybk estymacj wielu modeli specjalnych (MCMCpack, BMR, gecon,...). 21 / 23
29 Analiza z u»yciem BUGS/JAGS Istnieje wiele funkcji, które pozwalaj próbkowa z rozkªadu a posteriori: jags.model + jags.samples (pakiet jags) jags / jags2 / jags.parallel (pakiet R2jags) jags.t / jags.part (pakiet dclone) Posªu»ymy si funkcj jags.parallel z R2jags, której atutem jest wzgl dna szybko±. Niestety, darwinistyczna natura R nie pomaga w szybkim i wiarygodnym zorientowaniu si w dost pnych narz dziach... :) 22 / 23
30 Praca z rjags / R2jags 1 Deniujemy nasz model w j zyku BUGS, jako funkcj w R (wiersze towarzysz cego kodu). 2 Zapisujemy nasz model w pliku zewn trznym (polecenie write.model z pakietu R2WinBUGS, wiersz 59). 3 Nadajemy R dost p do JAGS (wiersz 66; je»eli zainstalowali±my JAGS sami, wówczas ten krok nale»y pomin ). 4 Uruchamiamy symulator a posteriori (70-79). 5 Mo»emy wyznaczy ±redni i dowoln inn statystyk a posteriori, HPDI, numeryczny bª d standardowy. 6 Nale»y równie» zbada zbie»no± i korelacje w ªa«cuchach. 7 Porównania modeli mo»emy dokona za pomoc DIC (deviance information criterion). 23 / 23
Ekonometria Bayesowska
Ekonometria Bayesowska Wykªad 9: Metody numeryczne: MCMC Andrzej Torój 1 / 17 Plan wykªadu Wprowadzenie 1 Wprowadzenie 3 / 17 Plan prezentacji Wprowadzenie 1 Wprowadzenie 3 3 / 17 Zastosowanie metod numerycznych
Bardziej szczegółowoWst p do ekonometrii II
Wst p do ekonometrii II Wykªad 4: Wprowadzenie do ekonometrii bayesowskiej (4) WdE II 1 / 41 Plan wykªadu 1 Podstawowe zasady wnioskowania bayesowskiego 2 Zastosowania ekonometrii bayesowskiej 3 Metody
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 10: Symulacje a posteriori w R (10) Ekonometria Bayesowska 1 / 23 Plan wykªadu 1 Przykªad: model ze skªadnikiem losowym o grubych ogonach 2 Wykorzystanie pakietu rjags 3 Diagnostyka
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 10: Symulacje a posteriori w R Andrzej Torój 1 / 23 Plan wykªadu 1 Przykªad: model ze skªadnikiem losowym o grubych ogonach 2 3 4 2 / 23 Plan prezentacji 1 Przykªad: model
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 5: Narz dzia wnioskowania w ekonometrii bayesowskiej (5) Ekonometria Bayesowska 1 / 8 Plan wykªadu 1 Przedziaªy ufno±ci HPDI Werykacja hipotez podej±cie bayesowskie 3 Werykacja
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 2: Bayesowska estymacja równania ze staª. Elementy j zyka R (2) Ekonometria Bayesowska / 24 Plan wykªadu Model ze staª 2 Podstawy j zyka R 3 Bayesowska analiza modelu ze staª
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 1: Twierdzenie Bayesa, rozkªad a priori i a posteriori (1) Ekonometria Bayesowska 1 / 35 Plan wykªadu 1 Przykªad UEFA Euro 2016 2 Podstawowe poj cia ekonometrii bayesowskiej
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 1: Twierdzenie Bayesa, rozkªad a priori i a posteriori Andrzej Torój 1 / 35 Plan wykªadu 1 Przykªad UEFA Euro 2016 2 3 4 2 / 35 Plan prezentacji Polska na Euro 2016 Ocena
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 6: Bayesowskie ª czenie wiedzy (6) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Wprowadzenie 2 Oczekiwana wielko± modelu 3 Losowanie próby modeli 4 wiczenia w R (6) Ekonometria
Bardziej szczegółowoBiostatystyka, # 5 /Weterynaria I/
Biostatystyka, # 5 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 8: Restrykcje na parametry w postaci nierówno±ci: analiza bayesowska (8) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Restrykcje nierówno±ciowe: podej±cie klasyczne a bayesowskie
Bardziej szczegółowoEkonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 2 Werykacja modelu liniowego (2) Ekonometria 1 / 33 Plan wicze«1 Wprowadzenie 2 Ocena dopasowania R-kwadrat Skorygowany R-kwadrat i kryteria informacyjne 3 Ocena istotno±ci zmiennych
Bardziej szczegółowoCAŠKOWANIE METODAMI MONTE CARLO Janusz Adamowski
III. CAŠKOWAIE METODAMI MOTE CARLO Janusz Adamowski 1 1 azwa metody Podstawowym zastosowaniem w zyce metody Monte Carlo (MC) jest opis zªo-»onych ukªadów zycznych o du»ej liczbie stopni swobody. Opis zªo»onych
Bardziej szczegółowoIn»ynierskie zastosowania statystyki wiczenia
Uwagi: 27012014 poprawiono kilka literówek, zwi zanych z przedziaªami ufno±ci dla wariancji i odchylenia standardowego In»ynierskie zastosowania statystyki wiczenia Przedziaªy wiarygodno±ci, testowanie
Bardziej szczegółowoEkonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 1 Regresja liniowa i MNK (1) Ekonometria 1 / 25 Plan wicze«1 Ekonometria czyli...? 2 Obja±niamy ceny wina 3 Zadania z podr cznika (1) Ekonometria 2 / 25 Plan prezentacji 1 Ekonometria
Bardziej szczegółowoElementarna statystyka Dwie próby: porównanie dwóch proporcji (Two-sample problem: comparing two proportions)
Elementarna statystyka Dwie próby: porównanie dwóch proporcji (Two-sample problem: comparing two proportions) Alexander Bendikov Uniwersytet Wrocªawski 25 maja 2016 Elementarna statystyka Dwie próby: porównanie
Bardziej szczegółowoMetody numeryczne i statystyka dla in»ynierów
Kierunek: Automatyka i Robotyka, II rok Wprowadzenie PWSZ Gªogów, 2009 Plan wykªadów Wprowadzenie, podanie zagadnie«, poj cie metody numerycznej i algorytmu numerycznego, obszar zainteresowa«i stosowalno±ci
Bardziej szczegółowo3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka
EGZAMIN MAGISTERSKI, 26.06.2017 Biomatematyka 1. (8 punktów) Rozwój wielko±ci pewnej populacji jest opisany równaniem: dn dt = rn(t) (1 + an(t), b gdzie N(t) jest wielko±ci populacji w chwili t, natomiast
Bardziej szczegółowo5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
Matematyka w ekonomii i ubezpieczeniach ( Niezale»ne szkody maja rozkªady P (X i = k) = exp( 1)/k!, P (Y i = k) = 4+k ) k (1/3) 5 (/3) k, k = 0, 1,.... Niech S = X 1 +... + X 500 + Y 1 +... + Y 500. Skªadka
Bardziej szczegółowoEkonometria - wykªad 8
Ekonometria - wykªad 8 3.1 Specykacja i werykacja modelu liniowego dobór zmiennych obja±niaj cych - cz ± 1 Barbara Jasiulis-Goªdyn 11.04.2014, 25.04.2014 2013/2014 Wprowadzenie Ideologia Y zmienna obja±niana
Bardziej szczegółowoMODELE LINIOWE i MIESZANE
MODELE LINIOWE i MIESZANE WYKŠAD 5 13 kwiecie«2018 1 / 48 Plan wykªadu 1. Metody Monte Carlo we wnioskowaniu statystycznym 2. Pakiet R 2 / 48 Metody Monte Carlo we wnioskowaniu statystycznym 3 / 48 Zaªó»my,»e
Bardziej szczegółowoModele wielorównaniowe. Estymacja parametrów
Modele wielorównaniowe. Estymacja parametrów Ekonometria Szeregów Czasowych SGH Estymacja 1 / 47 Plan wykªadu 1 Po±rednia MNK 2 Metoda zmiennych instrumentalnych 3 Podwójna MNK 4 Estymatory klasy k 5 MNW
Bardziej szczegółowoStatystyka. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Statystyka Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Statystyka Statystyka: nauka zajmuj ca si liczbowym opisem zjawisk masowych oraz ich analizowaniem, zbiory informacji liczbowych. (Sªownik
Bardziej szczegółowoBiostatystyka, # 4 /Weterynaria I/
Biostatystyka, # 4 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoModele wielorównaniowe. Problem identykacji
Modele wielorównaniowe. Problem identykacji Ekonometria Szeregów Czasowych SGH Identykacja 1 / 43 Plan wykªadu 1 Wprowadzenie 2 Trzy przykªady 3 Przykªady: interpretacja 4 Warunki identykowalno±ci 5 Restrykcje
Bardziej szczegółowoElementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13
Elementarna statystyka Wnioskowanie o regresji (Inference for regression) Alexander Bendikov Uniwersytet Wrocªawski 2 czerwca 2016 Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for
Bardziej szczegółowoEkonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 4 Prognozowanie (4) Ekonometria 1 / 18 Plan wicze«1 Prognoza punktowa i przedziaªowa 2 Ocena prognozy ex post 3 Stabilno± i sezonowo± Sezonowo± zadanie (4) Ekonometria 2 / 18 Plan
Bardziej szczegółowoMetody probablistyczne i statystyka stosowana
Politechnika Wrocªawska - Wydziaª Podstawowych Problemów Techniki - 011 Metody probablistyczne i statystyka stosowana prowadz cy: dr hab. in». Krzysztof Szajowski opracowanie: Tomasz Kusienicki* κ 17801
Bardziej szczegółowo1 Metody iteracyjne rozwi zywania równania f(x)=0
1 Metody iteracyjne rozwi zywania równania f()=0 1.1 Metoda bisekcji Zaªó»my,»e funkcja f jest ci gªa w [a 0, b 0 ]. Pierwiastek jest w przedziale [a 0, b 0 ] gdy f(a 0 )f(b 0 ) < 0. (1) Ustalmy f(a 0
Bardziej szczegółowoStacjonarne szeregi czasowe
e-mail:e.kozlovski@pollub.pl Spis tre±ci 1 Denicja 1 Szereg {x t } 1 t N nazywamy ±ci±le stacjonarnym (stacjonarnym w w»szym sensie), je»eli dla dowolnych m, t 1, t 2,..., t m, τ ª czny rozkªad prawdopodobie«stwa
Bardziej szczegółowoModele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6
Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Model mieszany
Bardziej szczegółowoEkonometria. wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± (3) Ekonometria 1 / 29 Plan wicze«1 Wprowadzenie 2 Normalny rozkªad 3 Autokorelacja 4 Heteroskedastyczno± Test White'a Odporne bª
Bardziej szczegółowoEkonometria. wiczenia 7 Modele nieliniowe. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 7 Modele nieliniowe (7) Ekonometria 1 / 19 Plan wicze«1 Nieliniowo± : co to zmienia? 2 Funkcja produkcji Cobba-Douglasa 3 Nieliniowa MNK (7) Ekonometria 2 / 19 Plan prezentacji 1 Nieliniowo±
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) O rozkªadzie pewnego ryzyka S wiemy,»e: E[(S 20) + ] = 8 E[S 10 < S 20] = 13 P (S 20) = 3 4 P (S 10) = 1
Bardziej szczegółowoMatematyka z elementami statystyki
Matematyka z elementami statystyki Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Korelacja Zale»no± funkcyjna wraz ze wzrostem jednej zmiennej nast puje ±ci±le okre±lona zmiana druiej zmiennej.
Bardziej szczegółowoStatystyka matematyczna
Statystyka matematyczna Aleksandra Ki±lak-Malinowska akis@uwm.edu.pl http://wmii.uwm.edu.pl/ akis/ Czym zajmuje si statystyka? Statystyka zajmuje si opisywaniem i analiz zjawisk masowych otaczaj cej czªowieka
Bardziej szczegółowoEkonometria. wiczenia 8 Modele zmiennej jako±ciowej. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 8 Modele zmiennej jako±ciowej (8) Ekonometria 1 / 25 Plan wicze«1 Modele zmiennej jako±ciowej 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3 Predykcja
Bardziej szczegółowoElementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo
Spis tre±ci Elementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis tre±ci Spis tre±ci 1 2 3 4 5 Spis tre±ci Spis tre±ci 1 2 3 4
Bardziej szczegółowoRozwini cia asymptotyczne dla mocy testów przybli»onych
Rozwini cia asymptotyczne dla mocy testów przybli»onych Piotr Majerski, Zbigniew Szkutnik AGH Kraków Wisªa 2010 P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa 2010 1 / 22
Bardziej szczegółowo2 Liczby rzeczywiste - cz. 2
2 Liczby rzeczywiste - cz. 2 W tej lekcji omówimy pozostaªe tematy zwi zane z liczbami rzeczywistymi. 2. Przedziaªy liczbowe Wyró»niamy nast puj ce rodzaje przedziaªów liczbowych: (a) przedziaªy ograniczone:
Bardziej szczegółowoEkonometria. wiczenia 5 i 6 Modelowanie szeregów czasowych. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 5 i 6 Modelowanie szeregów czasowych (5-6) Ekonometria 1 / 30 Plan prezentacji 1 Regresja pozorna 2 Testowanie stopnia zintegrowania szeregu 3 Kointegracja 4 Modele dynamiczne (5-6)
Bardziej szczegółowoElementarna statystyka Test Istotno±ci (Tests of Signicance)
Elementarna statystyka Test Istotno±ci (Tests of Signicance) Alexander Bendikov Uniwersytet Wrocªawski 16 kwietnia 2016 Elementarna statystyka Test Istotno±ci (Tests of Signicance) 16 kwietnia 2016 1 /
Bardziej szczegółowoPodstawy statystycznego modelowania danych Analiza prze»ycia
Podstawy statystycznego modelowania danych Analiza prze»ycia Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu 1. Wprowadzenie 2. Hazard rate
Bardziej szczegółowoMonte Carlo Optimization
Monte Carlo Optimization Seminarium szkoleniowe Eliza Bujnowska 28 lutego 2006 Eliza Bujnowska () Monte Carlo Optimization 28 lutego 2006 1 / 38 Zagadnienia optymalizacji metod Monte Carlo Przeszukiwanie
Bardziej szczegółowoAlgorytmy MCMC i ich zastosowania statystyczne
Algorytmy MCMC i ich zastosowania statystyczne Wojciech Niemiro Uniwersytet Mikołaja Kopernika, Toruń i Uniwersytet Warszawski Statystyka Matematyczna Wisła, grudzień 2010 Wykład 1 1 Co to jest MCMC? 2
Bardziej szczegółowoZadanie 1. (8 punktów) Dana jest nast puj ca macierz: M =
Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dana jest nast puj ca macierz: M = 2 14 2 10 8 0 10 8. a) Znajd¹ rozwi zanie dwuosobowej gry o sumie zero maj cej powy»sz macierz wypªat. b) Przyjmuj
Bardziej szczegółowoWnioskowanie bayesowskie
Wnioskowanie bayesowskie W podejściu klasycznym wnioskowanie statystyczne oparte jest wyłącznie na podstawie pobranej próby losowej. Możemy np. estymować punktowo lub przedziałowo nieznane parametry rozkładów,
Bardziej szczegółowo1 Bª dy i arytmetyka zmiennopozycyjna
1 Bª dy i arytmetyka zmiennopozycyjna Liczby w pami ci komputera przedstawiamy w ukªadzie dwójkowym w postaci zmiennopozycyjnej Oznacza to,»e s one postaci ±m c, 01 m < 1, c min c c max, (1) gdzie m nazywamy
Bardziej szczegółowoJanusz Adamowski METODY OBLICZENIOWE FIZYKI Zastosowanie eliptycznych równa«ró»niczkowych
Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdziaª 9 RÓWNANIA ELIPTYCZNE 9.1 Zastosowanie eliptycznych równa«ró»niczkowych cz stkowych 9.1.1 Problemy z warunkami brzegowymi W przestrzeni dwuwymiarowej
Bardziej szczegółowoWykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu
Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)
Bardziej szczegółowoWzorce projektowe kreacyjne
Wzorce projektowe kreacyjne Krzysztof Ciebiera 14 pa¹dziernika 2005 1 1 Wst p 1.1 Podstawy Opis Ogólny Podstawowe informacje Wzorce kreacyjne sªu» do uabstrakcyjniania procesu tworzenia obiektów. Znaczenie
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 szczegółowoStatystyka matematyczna - ZSTA LMO
Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 1 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 1 1 / 28 Kontakt Dr Šukasz
Bardziej szczegółowoMetody statystyczne w biologii - Wykªad 8. Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t
Metody statystyczne w biologii - Wykªad 8 Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Regresja logistyczna 1. Podstawy teoretyczne i przykªady zastosowania
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010
STATYSTYKA MATEMATYCZNA WYKŁAD 14 18 stycznia 2010 Model statystyczny ROZKŁAD DWUMIANOWY ( ) {0, 1,, n}, {P θ, θ (0, 1)}, n ustalone P θ {K = k} = ( ) n θ k (1 θ) n k, k k = 0, 1,, n Geneza: Rozkład Bernoulliego
Bardziej szczegółowoPodstawy statystycznego modelowania danych - Wykªad 7
Podstawy statystycznego modelowania danych - Wykªad 7 Tomasz Suchocki ANOVA Plan wykªadu Analiza wariancji 1. Rys historyczny 2. Podstawy teoretyczne i przykªady zastosowania 3. ANOVA w pakiecie R Tomasz
Bardziej szczegółowoANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15
ANALIZA NUMERYCZNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Metoda Eulera 3 1.1 zagadnienia brzegowe....................... 3 1.2 Zastosowanie ró»niczki...................... 4 1.3 Output do pliku
Bardziej szczegółowoSTATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH
STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH WYKŠAD 4 03 listopad 2014 1 / 47 Plan wykªadu 1. Testowanie zaªo»e«o proporcjonalnym hazardzie w modelu Cox'a 2. Wybór zmiennych do modelu Cox'a 3. Meta analiza
Bardziej szczegółowoNumeryczne zadanie wªasne
Rozdziaª 11 Numeryczne zadanie wªasne W tym rozdziale zajmiemy si symetrycznym zadaniem wªasnym, tzn. zadaniem znajdowania warto±ci i/lub wektorów wªasnych dla macierzy symetrycznej A = A T. W zadaniach
Bardziej szczegółowoModele ARIMA prognoza, specykacja
Modele ARIMA prognoza, specykacja Wst p do ekonometrii szeregów czasowych wiczenia 3 5 marca 2010 Plan prezentacji 1 Specykacja modelu ARIMA 2 3 Plan prezentacji 1 Specykacja modelu ARIMA 2 3 Funkcja autokorelacji
Bardziej szczegółowoAlgorytm Metropolisa-Hastingsa
Seminarium szkoleniowe, 25 kwietnia 2006 Plan prezentacji 1 Problem Metoda MCMC 2 Niezależny algorytm Metropolisa-Hastingsa Bła dzenie losowe Zbieżność procedury Metropolisa-Hastingsa Problem Metoda MCMC
Bardziej szczegółowo5 Błąd średniokwadratowy i obciążenie
5 Błąd średniokwadratowy i obciążenie Przeprowadziliśmy 200 powtórzeń przebiegu próbnika dla tego samego zestawu parametrów modelowych co w Rozdziale 1, to znaczy µ = 0, s = 10, v = 10, n i = 10 (i = 1,...,
Bardziej szczegółowoMetody numeryczne i statystyka dla in»ynierów
Kierunek: Automatyka i Robotyka, II rok Interpolacja PWSZ Gªogów, 2009 Interpolacja Okre±lenie zale»no±ci pomi dzy interesuj cymi nas wielko±ciami, Umo»liwia uproszczenie skomplikowanych funkcji (np. wykorzystywana
Bardziej szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 8: w modelach przestrzennych (8) Ekonometria Przestrzenna 1 / 23 Plan wykªadu 1 Modele proste Modele zªo»one 2 Wnioskowanie statystyczne dla mno»ników przestrzennych i ±rednich
Bardziej szczegółowoWyra»enia logicznie równowa»ne
Wyra»enia logicznie równowa»ne Denicja. Wyra»enia rachunku zda«nazywamy logicznie równowa»nymi, gdy maj równe warto±ci logiczne dla dowolnych warto±ci logicznych zmiennych zdaniowych. 1 Przykªady: Wyra»enia
Bardziej szczegółowoWykªad 6: Model logitowy
Wykªad 6: Model logitowy Ekonometria Stosowana SGH Model logitowy 1 / 18 Plan wicze«1 Modele zmiennej jako±ciowej idea 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3
Bardziej szczegółowoFunkcje wielu zmiennych
dr Krzysztof yjewski Informatyka I rok I 0 in» 12 stycznia 2016 Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(x y) b dzie okre±lona przynajmniej na otoczeniu punktu (x 0 y 0 )
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa
Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa M. Czoków, J. Piersa 2012-01-10 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego 3 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego
Bardziej szczegółowoPROBABILISTYKA I STATYSTYKA - Zadania do oddania
PROBABILISTYKA I STATYSTYKA - Zadania do oddania Parametr k = liczba trzycyfrowa, dwie ostatnie cyfry to dwie ostatnie cyfry numeru indeksu, pierwsza cyfra to pierwsza cyfra liczby liter pierwszego imienia.
Bardziej szczegółowoElementarna statystyka Test Istotno±ci
Elementarna statystyka Test Istotno±ci Alexander Bendikov Uniwersytet Wrocªawski 27 kwietnia 2017 Alexander Bendikov (UWr) Elementarna statystyka Test Istotno±ci 27 kwietnia 2017 1 / 24 Wnioskowanie statystyczne:
Bardziej szczegółowoBash i algorytmy. Elwira Wachowicz. 20 lutego
Bash i algorytmy Elwira Wachowicz elwira@ifd.uni.wroc.pl 20 lutego 2012 Elwira Wachowicz (elwira@ifd.uni.wroc.pl) Bash i algorytmy 20 lutego 2012 1 / 16 Inne przydatne polecenia Polecenie Dziaªanie Przykªad
Bardziej szczegółowoRzut oka na zagadnienia zwi zane z projektowaniem list rozkazów
Rzut oka na zagadnienia zwi zane z projektowaniem list rozkazów 1 Wst p Przypomnijmy,»e komputer skªada si z procesora, pami ci, systemu wej±cia-wyj±cia oraz po- ª cze«mi dzy nimi. W procesorze mo»emy
Bardziej szczegółowoTwierdzenie Wainera. Marek Czarnecki. Warszawa, 3 lipca Wydziaª Filozoi i Socjologii Uniwersytet Warszawski
Twierdzenie Wainera Marek Czarnecki Wydziaª Filozoi i Socjologii Uniwersytet Warszawski Wydziaª Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski Warszawa, 3 lipca 2009 Motywacje Dla dowolnej
Bardziej szczegółowoModele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11
Modele DSGE Jerzy Mycielski Maj 2008 Jerzy Mycielski () Modele DSGE Maj 2008 1 / 11 Modele DSGE DSGE - Dynamiczne, stochastyczne modele równowagi ogólnej (Dynamic Stochastic General Equilibrium Model)
Bardziej szczegółowoREGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO. Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój
1 REGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój 2 DOTYCHCZASOWE MODELE Regresja liniowa o postaci: y
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 szczegółowoSzacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE. Joanna Sawicka
Szacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE Joanna Sawicka Plan prezentacji Model Poissona-Gamma ze składnikiem regresyjnym Konstrukcja optymalnego systemu Bonus- Malus Estymacja
Bardziej szczegółowoWst p do ekonometrii II
Wst p do ekonometrii II Wykªad 1: Modele ADL. Analiza COMFAC. Uogólniona MNK (1) WdE II 1 / 36 Plan wykªadu 1 Restrykcje COMFAC w modelach ADL ADL(1,1) ADL(2,2) 2 Uogólniona MNK Idea UMNK Znajdowanie macierzy
Bardziej szczegółowoJAO - J zyki, Automaty i Obliczenia - Wykªad 1. JAO - J zyki, Automaty i Obliczenia - Wykªad 1
J zyki formalne i operacje na j zykach J zyki formalne s abstrakcyjnie zbiorami sªów nad alfabetem sko«czonym Σ. J zyk formalny L to opis pewnego problemu decyzyjnego: sªowa to kody instancji (wej±cia)
Bardziej szczegółowoMetodydowodzenia twierdzeń
1 Metodydowodzenia twierdzeń Przez zdanie rozumiemy dowolne stwierdzenie, które jest albo prawdziwe, albo faªszywe (nie mo»e by ono jednocze±nie prawdziwe i faªszywe). Tradycyjnie b dziemy u»ywali maªych
Bardziej szczegółowoMakroekonomia Zaawansowana
Makroekonomia Zaawansowana wiczenia 1 Stan ustalony i log-linearyzacja MZ 1 / 27 Plan wicze«1 Praca z modelami DSGE 2 Stan ustalony 3 Log-linearyzacja 4 Zadania MZ 2 / 27 Plan prezentacji 1 Praca z modelami
Bardziej szczegółowoWykªad 1+2: Klasyczny model regresji liniowej. Podstawy R
Wykªad 1+2: Klasyczny model regresji liniowej Podstawy R Ekonometria Stosowana SGH KMNK i R 1 / 45 Plan wykªadu 1 Informacje organizacyjne 2 Wprowadzenie do ekonometrii Ekonometria Dane i postacie funkcyjne
Bardziej szczegółowoFunkcje wielu zmiennych
Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(x, y) b dzie okre±lona przynajmniej na otoczeniu punktu (x 0, y 0 ) Pochodn cz stkow pierwszego rz du funkcji dwóch zmiennych wzgl
Bardziej szczegółowoUkªady równa«liniowych - rozkªady typu LU i LL'
Rozdziaª 9 Ukªady równa«liniowych - rozkªady typu LU i LL' W tym rozdziale zapoznamy si z metodami sªu» cych do rozwi zywania ukªadów równa«liniowych przy pomocy uzyskiwaniu odpowiednich rozkªadów macierzy
Bardziej szczegółowoDynamiczne wªasno±ci algorytmu propagacji przekona«
BP propagacji przekona«4. Interdyscyplinarne Warsztaty Matematyczne Wydziaª Fizyki Politechnika Warszawska B dlewo, 26 maja, 2013 BP 1 2 3 4 5 6 BP Rysunek: Zbiór zmiennych losowych. BP Rysunek: Zbiór
Bardziej szczegółowoRozdziaª 2. Analiza spektralna
Rozdziaª 2. Analiza spektralna MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 2) Analiza spektralna 1 / 18 Widmo szeregu czasowego W analizie spektralnej szereg {y t : t = 1, 2,..., T } postrzegany
Bardziej szczegółowoPRZYPOMNIENIE Ka»d przestrze«wektorow V, o wymiarze dim V = n < nad ciaªem F mo»na jednoznacznie odwzorowa na przestrze«f n n-ek uporz dkowanych:
Plan Spis tre±ci 1 Homomorzm 1 1.1 Macierz homomorzmu....................... 2 1.2 Dziaªania............................... 3 2 Ukªady równa«6 3 Zadania 8 1 Homomorzm PRZYPOMNIENIE Ka»d przestrze«wektorow
Bardziej szczegółowoWFiIS Imi i nazwisko: Rok: Zespóª: Nr wiczenia: Fizyka Dominik Przyborowski IV 5 22 J drowa Katarzyna Wolska
WFiIS Imi i nazwisko: Rok: Zespóª: Nr wiczenia: Fizyka Dominik Przyborowski IV 5 22 J drowa Katarzyna Wolska Temat wiczenia: Wyznaczanie stosunku przekrojów czynnych na aktywacj neutronami termicznymi
Bardziej szczegółowoMonte Carlo, bootstrap, jacknife
Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział
Bardziej szczegółowoElementarna statystyka
Elementarna statystyka Alexander Bendikov 26 marca 2017 Klasyczny model: eksperyment o jednakowo prawdopodobnych wynikach Zaªo»enia: 1 Przestrze«próbek S ma sko«czenie wiele wyników ω 1, ω 2,..., ω n,
Bardziej szczegółowoMakroekonomia Zaawansowana
Makroekonomia Zaawansowana wiczenia 3 Racjonalne oczekiwania i krytyka Lucasa MZ 1 / 15 Plan wicze«1 Racjonalne oczekiwania 2 Krytyka Lucasa 3 Zadanie MZ 2 / 15 Plan prezentacji 1 Racjonalne oczekiwania
Bardziej szczegółowoWstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak
Wstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak 1 Wprowadzenie. Zmienne losowe Podczas kursu interesować nas będzie wnioskowanie o rozpatrywanym zjawisku. Poprzez wnioskowanie rozumiemy
Bardziej szczegółowoMetody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2
Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2 Dr hab. inż. Agnieszka Wyłomańska Faculty of Pure and Applied Mathematics Hugo Steinhaus Center Wrocław University of Science and
Bardziej szczegółowoKLASYCZNE ZDANIA KATEGORYCZNE. ogólne - orzekaj co± o wszystkich desygnatach podmiotu szczegóªowe - orzekaj co± o niektórych desygnatach podmiotu
➏ Filozoa z elementami logiki Na podstawie wykªadów dra Mariusza Urba«skiego Sylogistyka Przypomnij sobie: stosunki mi dzy zakresami nazw KLASYCZNE ZDANIA KATEGORYCZNE Trzy znaczenia sªowa jest trzy rodzaje
Bardziej szczegółowoPlan prezentacji. Modelowanie Bayesowskie Zastosowania Metody matematyczne Narzędzia Ocena jakości modeli
Łukasz Czekaj Plan prezentacji Modelowanie Bayesowskie Zastosowania Metody matematyczne Narzędzia Ocena jakości modeli Modelowanie Bayesowskie Budowanie modelu Rozkłady apriori hiperparametry Model generujący
Bardziej szczegółowoI Kolokwium z Ekonometrii. Nazwisko i imi...grupa...
ZESTAW A1 I Kolokwium z Ekonometrii Nazwisko i imi...grupa... 1. Model teoretyczny ma posta: z t = α 0 + α 1 x t + α 2 p t + ξ t, (t = 1, 2,..., 28) (1) gdzie: z t - koszty produkcji w mln z, p t - wielko
Bardziej szczegółowoEDUKARIS - O±rodek Ksztaªcenia
- O±rodek Ksztaªcenia Zabrania si kopiowania i rozpowszechniania niniejszego regulaminu przez inne podmioty oraz wykorzystywania go w dziaªalno±ci innych podmiotów. Autor regulaminu zastrzega do niego
Bardziej szczegółowoE. Sadowska-Owczorz Statystyka i probabilistyka - zadania kwiecie«2018
1. Jest 50 pyta«egzaminacyjnych. Na ka»dej wylosowanej przez zdaj cego kartce napisane s trzy pytania. (a) Ile mo»e by ró»nych kartek? (b) Oblicz prawdopodobie«stwo,»e zdajacy odpowie co najmniej na jedno
Bardziej szczegółowoMaszyny Turinga i problemy nierozstrzygalne. Maszyny Turinga i problemy nierozstrzygalne
Maszyny Turinga Maszyna Turinga jest automatem ta±mowym, skª da si z ta±my (tablicy symboli) potencjalnie niesko«czonej w prawo, zakªadamy,»e w prawie wszystkich (tzn. wszystkich poza sko«czon liczb )
Bardziej szczegółowoMetody dowodzenia twierdze«
Metody dowodzenia twierdze«1 Metoda indukcji matematycznej Je±li T (n) jest form zdaniow okre±lon w zbiorze liczb naturalnych, to prawdziwe jest zdanie (T (0) n N (T (n) T (n + 1))) n N T (n). 2 W przypadku
Bardziej szczegółowo