t t t t T 2 Interpretacja: Przeciętna wartość zmiennej objaśnianej różni się od wartości teoretycznej średnio o ˆ
|
|
- Kinga Olejniczak
- 5 lat temu
- Przeglądów:
Transkrypt
1 Eonoera Ćwczena Werfacja odelu eonoercznego Maerał poocncze Cele werfacj odelu Werfacja sasczna odelu polega na oblczenu szeregu ernów jaośc odelu oraz werfacj pewnch hpoez sascznch w celu sprawdzena cz na podsawe ego odelu ożna wcągać wnos doczące badanego zjawsa Sneczne ar dopasowana A Współcznn deernacj: ˆ Inerpreacja: Zenność zennej objaśnanej szałuje sę w objaśnającch odelu B Współcznn ndeernacj: Inerpreacja: neujęch odelu ˆ Zenność zennej objaśnanej szałuje sę w C Sorgowan współcznn deernacj: Inerpreacja: Zenność zennej objaśnanej szałuje sę w objaśnającch odelu po uwzględnenu lczb sopn swobod D Sorgowan współcznn ndeernacj: Inerpreacja: Zenność zennej objaśnanej szałuje sę w neujęch odelu po uwzględnenu lczb sopn swobod E Warancja reszowa: pod wpłwe zennośc zennch pod wpłwe zennośc zennch pod wpłwe zennośc zennch ˆ ˆ pod wpłwe zennośc zennch ˆ F Średn błąd reszow: ˆ ˆ Inerpreacja: Przecęna warość zennej objaśnanej różn sę od warośc eorecznej średno o ˆ G Współcznn zennośc losowej: ˆ V % Inerpreacja: dzał średnego błędu reszowego w średnej warośc zennej objaśnanej wnos V
2 Eonoera Ćwczena Werfacja odelu eonoercznego Maerał poocncze Badane ndwdualnej sonośc paraerów sruuralnch odelu (es -Sudena) Hpoez: H : Sasa esowa: H : ˆ ˆ ˆ Warość rczna: Deczja: Jeśl zachodz nerówność wag: Hpoezę zerową zenna objaśnająca o odrzuca należ rozueć w sposób nasępując: Paraer x sasczne nesone wpłwa na zenną objaśnaną Hpoezę alernawną H należ rozueć w sposób nasępując: Paraer zenna objaśnająca sasczne sone wpłwa na zenną objaśnaną x Paraer wraża pozo sonośc czl prawdopodobeńswo z ja sasa H nesone różn sę od zera j sone różn sę od zera j rczn Można go rozueć jao asaln odsee błędów jae popełna odrzucając gd znajduje sę w obszarze podczas jes prawdzwa Warość pozou sonośc przjuje badacz I a warość jes blższa zeru badane jes bardzej doładne Zazwczaj przjuje sę warośc: 5 lub Warość rczną odczuje z ablc rozładu -Sudena 4 Przedzał ufnośc dla paraeru sruuralnego Inerpreacja: z prawdopodobeńswe P ˆ ˆ ˆ ˆ ˆ ˆ zeczwsa warość paraeru zawera sę przedzale ˆ ˆ ˆ ˆ ˆ ˆ 5 Badane łącznej sonośc paraerów sruuralnch odelu (es Fshera-Snedecora) Hpoez: H Sasa esowa: Warość rczna: H : : F F Deczja: Jeśl zachodz nerówność F F o odrzuca H
3 Eonoera Ćwczena Werfacja odelu eonoercznego Maerał poocncze 6 Werfacja hpoez o rozładze noraln sładnów losowch (es Jarque-Bera) esowane hpoez zerowej doczącej noralnośc rozładu sładnów losowch odelu należ do najważnejszch eapów werfacj sascznej odelu Sas worzswane w procedurach esowana odelu eonoercznego ają rozład należące do rodzn zwązanej z rozłade noraln (rozład -Sudena rozład rozład Fshera-Snedecora) jeżel sładn załócające ają rozład noralne Jeśl odrzuca hpoezę o noralnośc sładnów załócającch poddaje w wąplwość wn esowana wszsch hpoez Hpoez: H : ~ N H ~ N Sasa esowa: : c c JB 6 4 c współcznn sośnośc c 4 Warość rczna: ˆ współcznn uroz próbow oen cenraln resz z oszacowana MNK 4 Deczja: Jeśl zachodz nerówność: JB o odrzuca 7 Werfacja hpoez o jednorodnośc warancj sładnów losowch (es Whe a) Hpoez: H E : cons Sasa esowa: H : E lość zennch objaśnającch badanego odelu lość obserwacj Warość rczna: Deczja: współcznn deernacj odelu poocnczego gdze zenną objaśnaną są wadra resz a zenn objaśnając zenne objaśnające badanego odelu ch wadra oraz ch loczn np dla odelu z dwea zenn objaśnając jes o: ˆ X X X 4 X 5X X Jeśl zachodz nerówność o odrzuca H
4 Eonoera Ćwczena Werfacja odelu eonoercznego Maerał poocncze 8 esowane auoorelacj sładnów losowch a es Durbna-Wasona Hpoez: H : lub H : H : H : W perwsz przpadu hpoeza o brau sorelowana sładnów losowch jes werfowana hpoez alernawnej głoszącej że wsępuje sasczne sone dodane sorelowane w czase ch sładnów W drug przpadu analogczna hpoeza zerowa jes werfowana hpoez alernawnej głoszącej że wsępuje sasczne sone ujene sorelowane w czase sładnów losowch Sasa esowa: Sasa DW DW ˆ ˆ ˆ oże przjować warośc z przedzału 4 Ponado DW Warośc rczne d L oraz d odczuje z ablc rozładu DW óre zależą od lczb obserwacj od lczb zennch objaśnającch odelu Może rozparwać dwa przpad: Jeśl DW o podejrzewa dodane sorelowane sładnów losowch Wed: DW d L DW DW d d o odrzuca H d o bra jes podsaw do odrzucena L o es ne rozsrzga H H ˆ ˆ Jeśl DW 4 o podejrzewa ujene sorelowane sładnów losowch ˆ Oblcza DW 4 DW Wed: DW dl o odrzuca H DW d DW d H o bra jes podsaw do odrzucena d L o es ne rozsrzga wag: Sasa DW ne a zasosowana w przpadu odel dnacznch w órch wsępują opóźnone zenne endogenczne b es h-durbna Poneważ es Durbna-Wasona ne a zasosowana w przpadu odel dnacznch z opóźnoną zenną endogenczną zosał opracowan alernawn es ając zasosowane w przpadu ego odelu Nos on nazwę esu h-durbna Badając auoorelację sładnów losowch odelu: x x Może sosować es h-durbna Hpoez: H : Sasa esowa: H : h ˆ ˆ ˆ współcznn auoorelacj resz MNK ˆ paraeru lczebność prób ˆ ˆ eprczna warancja błędu esacj 4
5 Eonoera Ćwczena Werfacja odelu eonoercznego Maerał poocncze Warość rczna: Deczja: c es Breuscha-Godfrea z dsrbuana sandarzowanego rozładu noralnego Jeśl zachodz nerówność: h z o odrzuca es Durbna-Wasona oraz es h-durbna esują jedne auoorelację sładnów losowch rzędu perwszego ese ór ożna zwerfować hpoezę o wsępowanu auoorelacj sładnów losowch do rzędu włączne jes es Breuscha-Godfrea Hpoez: H Wsępują dwe wersje ego esu : H : Perwsza wersja jes opara o sasę LM (Lagrange Mulpler) Sasa esowa: oraz Warość rczna: LM o odpowedno lczebność prób oraz współcznn deernacj odelu poocnczego ˆ X X Deczja: Jeśl zachodz nerówność ˆ o odrzuca Druga wersja jes opara o sasę Q esu Ljunga-Boxa Sasa esowa: Q ˆ oraz o odpowedno lczebność prób odelu poocnczego oraz współcznn auoorelacj rzędu oszacowan na podsawe odelu poocnczego ˆ X Warość rczna: X Deczja: Jeśl zachodz nerówność ˆ o odrzuca ˆ H H 5
t t t t T 2 Interpretacja: Przeciętna wartość zmiennej objaśnianej różni się od wartości teoretycznej średnio o
Cele werfacj odelu Werfacja sasczna odelu polega na oblczenu szeregu ernów jaośc odelu oraz werfacj pewnch hpoez sascznch w celu sprawdzena cz na podsawe ego odelu ożna wcągać wnos doczące badanego zjawsa
Bardziej szczegółowoZajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego
Zajęcia. Esmacja i werfikacja modelu ekonomercznego Celem zadania jes oszacowanie liniowego modelu opisującego wpłw z urski zagranicznej w danm kraju w zależności od wdaków na urskę zagraniczną i liczb
Bardziej szczegółowoHipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ
WERYFIKACJA HIPOTEZY O ISTOTNOŚCI OCEN PARAMETRÓW STRUKTURALNYCH MODELU Hpoezy o sonośc oszacowao paramerów zmennych objaśnających Tesowane sonośc paramerów zmennych objaśnających sprowadza sę do nasępującego
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 4
Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 4
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających
Bardziej szczegółowoWeryfikacja hipotez dla wielu populacji
Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w
Bardziej szczegółowoWspółczynnik korelacji liniowej oraz funkcja regresji liniowej dwóch zmiennych
Współcznnk korelacj lnowej oraz funkcja regresj lnowej dwóch zmennch S S r, cov współcznnk determnacj R r Współcznnk ndetermnacj ϕ r Zarówno współcznnk determnacj jak ndetermnacj po przemnożenu przez 00
Bardziej szczegółowoParametry zmiennej losowej
Eonometra Ćwczena Powtórzene wadomośc ze statysty SS EK Defncja Zmenną losową X nazywamy funcję odwzorowującą przestrzeń zdarzeń elementarnych w zbór lczb rzeczywstych, taą że przecwobraz dowolnego zboru
Bardziej szczegółowoFINANSOWE SZEREGI CZASOWE WYKŁAD 3
FINANSOWE SZEREGI CZASOWE WYKŁAD 3 dr Tomasz Wójowcz Wydzał Zarządzana AGH 3800 3300 800 300 800 300 800 0 0 30 40 50 60 70 Kraków 0 Tomasz Wójowcz, WZ AGH Kraków przypomnene MA(q): gdze ε są d(0,σ ).
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 4
Sanisław Cichocki Naalia Nehrebecka Wykład 4 1 1. Badanie sacjonarności: o o o Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) Tes KPSS 2. Modele o rozłożonych opóźnieniach (DL) 3. Modele auoregresyjne
Bardziej szczegółowoZAJĘCIA 3. Pozycyjne miary dyspersji, miary asymetrii, spłaszczenia i koncentracji
ZAJĘCIA Pozycyjne ary dyspersj, ary asyetr, spłaszczena koncentracj MIARY DYSPERSJI: POZYCYJNE, BEZWZGLĘDNE Rozstęp dwartkowy (ędzykwartylowy) Rozstęp dwartkowy określa rozpętośd tej częśc obszaru zennośc
Bardziej szczegółowo2012-10-11. Definicje ogólne
0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj
Bardziej szczegółowoMarkowa. ZałoŜenia schematu Gaussa-
ZałoŜena scheatu Gaussa- Markowa I. Model jest nezennczy ze względu na obserwacje: f f f3... fl f, czyl y f (x, ε) II. Model jest lnowy względe paraetrów. y βo + β x +ε Funkcja a być lnowa względe paraetrów
Bardziej szczegółowoEkonometria I materiały do ćwiczeń data lp wykładu temat Wykład dr Dorota Ciołek Ćwiczenia mgr inż. Marta Chylińska
Ekonomera I maerał do ćwczeń daa lp wkładu ema Wkład dr Doroa Cołek Ćwczena mgr nż. Mara Chlńska - Rodzaje danch sascznch 1a) Przkład problemów badawczch - Zmenne ekonomczne jako zmenne hpoeza, propozcja
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 3
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 3 1. Dobroć dopasowana równana regresj. Współczynnk determnacj R Dk Dekompozycja warancj zmennej zależnej ż Współczynnk determnacj R. Zmenne cągłe a
Bardziej szczegółowoDane modelu - parametry
Dae modelu - paramer ˆ Ozaczea zmech a0 ax ax - osz w s. zł Budowa modelu: x - welość producj w seach o x - welość zarudea w osobach Meoda MNK Dae: x x 34 9 0 60 34 9 0 60 35 3 7 35 3 7 X T 0 9 3 4 5 3
Bardziej szczegółowoEKONOMETRIA Wykład 2: Metoda Najmniejszych Kwadratów
EKONOMERIA Wkład : Meoda Najmnejszch Kwadraów dr Doroa Cołek Kaedra Ekonomer Wdzał Zarządzana UG hp://wzr.pl/dc doroa.colek@ug.edu.pl Lnow model ekonomerczn:... zmenna endogenczna, 0 k k u zmenne objaśnające,
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 2
Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 3 Szereg czasowy jes pojedynczą realzacją pewnego
Bardziej szczegółowoNatalia Nehrebecka. Wykład 2
Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 2
Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 3 Szereg
Bardziej szczegółowo(estymator asymptotycznej macierzy kowariancji estymatora nieliniowej MNK w MNRN)
W ypowym zadanu z regresj nelnowej mamy nasępujące eapy: Esymacja (uzyskane ocen punkowych paramerów), w ym: 1. Dobór punków sarowych.. Kolejne eracje algorymu Gaussa Newona. 3. Zakończene algorymu Gaussa
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej
Rachunek prawdopodobeństwa statstka W 11: Analz zależnoścpomędz zmennm losowm Model regresj welokrotnej Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Model regresj lnowej Model regresj lnowej prostej
Bardziej szczegółowoW praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =
Bardziej szczegółowo) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
Bardziej szczegółowoPODSTAWOWE MIERNIKI DYNAMIKI ZJAWISK
PODSTAWOWE MIERNIKI DYNAMIKI ZJAWISK Założena Nech oznacza ozom (warość) badanego zjawska (zmennej) w kolejnch momenach czasu T0, gdze T 0 0,1,..., n 1 oznacza worz szereg czasow. zbór numerów czasu. Cąg
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL W standardowym modelu lnowym zakładamy,
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Regresja pozorna 2. Funkcje ACF i PACF 3. Badanie sacjonarności Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) 2 1. Regresja pozorna 2. Funkcje
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne
Bardziej szczegółowo5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim
5. Pocodna funkcj Defncja 5.1 Nec f: (a, b) R nec c (a, b). Jeśl stneje granca lm x c x c to nazywamy ją pocodną funkcj f w punkce c oznaczamy symbolem f (c) Twerdzene 5.1 Jeśl funkcja f: (a, b) R ma pocodną
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
Bardziej szczegółowoDobór zmiennych objaśniających
Dobór zmennych objaśnających Metoda grafowa: Należy tak rozpąć graf na werzchołkach opsujących poszczególne zmenne, aby występowały w nm wyłączne łuk symbolzujące stotne korelacje pomędzy zmennym opsującym.
Bardziej szczegółowoProjekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE
Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 5
Sanisław Cichocki Naalia Nehrebecka Wkład 5 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA 2 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA
Bardziej szczegółowoTomasz Zdanowicz Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolse emnarum Nauowe 4 6 wrześna 007 w Torunu Kaedra Eonomer as Unwerse Mołaja Koperna w Torunu Tomasz Zdanowcz Unwerse Mołaja Koperna w Torunu Porównane własnośc
Bardziej szczegółowoKonspekty wykładów z ekonometrii
Konspek wkładów z ekonomerii Budowa i werfikaca modelu - reść przkładu W wniku ssemacznch badań popu na warzwa w pewnm mieście, orzmano nasępuące szeregi czasowe: przros (zmian) popu na warzwa (w zł. na
Bardziej szczegółowolicencjat Pytania teoretyczne:
Plan wykładu: 1. Wiadomości ogólne. 2. Model ekonomeryczny i jego elemeny 3. Meody doboru zmiennych do modelu ekonomerycznego. 4. Szacownie paramerów srukuralnych MNK. Weryfikacja modelu KMNK 6. Prognozowanie
Bardziej szczegółowo= σ σ. 5. CML Capital Market Line, Rynkowa Linia Kapitału
5 CML Catal Market Lne, ynkowa Lna Katału Zbór ortolo o nalny odchylenu standardowy zbór eektywny ozważy ortolo złożone ze wszystkch aktywów stnejących na rynku Załóży, że jest ch N A * P H P Q P 3 * B
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 11
Stansław Cchock Natala Nehrebecka Wykład 11 1 1. Testowane hpotez łącznych 2. Testy dagnostyczne Testowane prawdłowośc formy funkcyjnej: test RESET Testowane normalnośc składnków losowych: test Jarque-Berra
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 szczegółowoEkonometryczne modele nieliniowe
Ekonomeryczne modele nelnowe Wykład 5 Progowe modele regrej Leraura Hanen B. E. 997 Inference n TAR Model, Sude n Nonlnear Dynamc and Economerc,. Tek na rone nerneowej wykładu Dodakowa leraura Hanen B.
Bardziej szczegółowoEkonometryczne modele nieliniowe
Ekonoeryczne odele nieliniowe Wykład 4 NMNK, MNW, eody radienowe Lieraura W. Greene Econoeric Analysis, rozdz. 7. sr. -4 J. Hailon 994 ie Series Analysis, sr. 33 5 Chun-Min Kuan 7 Inroducion o Econoeric
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA. Wkład wstępn. Teora prawdopodobeństwa element kombnatork. Zmenne losowe ch rozkład 3. Populacje prób danch, estmacja parametrów 4. Testowane hpotez statstcznch 5. Test parametrczne
Bardziej szczegółowo1. Szereg niesezonowy 1.1. Opis szeregu
kwaralnych z la 2000-217 z la 2010-2017.. Szereg sezonowy ma charaker danych model z klasy ARIMA/SARIMA i model eksrapolacyjny oraz d prognoz z ych modeli. 1. Szereg niesezonowy 1.1. Opis szeregu Analizowany
Bardziej szczegółowoNatalia Nehrebecka. Dariusz Szymański
Natala Nehrebecka Darusz Szymańsk . Sprawy organzacyjne Zasady zalczena Ćwczena Lteratura. Czym zajmuje sę ekonometra? Model ekonometryczny 3. Model lnowy Postać modelu lnowego Zaps macerzowy modelu dl
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych
Bardziej szczegółowoSTATYSTYKA. Zmienna losowa skokowa i jej rozkład
STATYSTYKA Wnosowane statystyczne to proces myślowy polegający na formułowanu sądów o całośc przy dysponowanu o nej ogranczoną lczbą nformacj Zmenna losowa soowa jej rozład Zmenną losową jest welość, tóra
Bardziej szczegółowoEFEKTYWNA STOPA PROCENTOWA O RÓWNOWAŻNA STPOPA PROCENTOWA
EFEKTYWNA STOPA PROCENTOWA O RÓWNOWAŻNA STPOPA PROCENTOWA Nekedy zachodz koneczność zany okesu kapt. z ównoczesny zachowane efektów opocentowane. Dzeje sę tak w nektóych zagadnenach ateatyk fnansowej np.
Bardziej szczegółowoNieparametryczne Testy Istotności
Neparametryczne Testy Istotnośc Wzory Neparametryczne testy stotnośc schemat postępowana punkt po punkce Formułujemy hpotezę główną odnoszącą sę do: zgodnośc populacj generalnej z jakmś rozkładem, lub:
Bardziej szczegółowoPortfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego
Portel nwestycyjny ćwczena Na podst. Wtold Jurek: Konstrukcja analza rozdzał 5 dr chał Konopczyńsk Portele zawerające walor pozbawony ryzyka. lementy teor rynku kaptałowego 1. Pożyczane penędzy amy dwa
Bardziej szczegółowoN ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.
3 Metody estymacj N ( µ, σ ) Wyzacz estymatory parametrów µ 3 Populacja geerala ma rozład ormaly mometów wyorzystując perwszy momet zwyły drug momet cetraly z prób σ metodą 3 Zmea losowa ma rozład geometryczy
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 5 Mkołaj Czajkowsk Wktor Budzńsk Uogólnone modele lnowe Uogólnone modele lnowe (ang. Generalzed Lnear Models GLM) Różną sę od standardowego MNK na dwa sposoby: Rozkład zmennej objaśnanej
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natala Nehrebecka Stansław Cchock Wykład 10 1 1. Testy dagnostyczne 2. Testowane prawdłowośc formy funkcyjnej modelu 3. Testowane normalnośc składnków losowych 4. Testowane stablnośc parametrów 5. Testowane
Bardziej szczegółowoProblem nośności granicznej płyt żelbetowych w ujęciu aktualnych przepisów normowych. Prof. dr hab. inż. Piotr Konderla, Politechnika Wrocławska
Proble nośnośc grancznej płt żelbetowch w ujęcu aktualnch przepsów norowch Prof. dr hab. nż. Potr Konderla Poltechnka Wrocławska 1. Wprowadzene Przedote analz jest płta żelbetowa zbrojona ortogonalne paraetrzowana
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 szczegółowo65120/ / / /200
. W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę
Bardziej szczegółowoEgzamin ze statystyki/ Studia Licencjackie Stacjonarne/ Termin I /czerwiec 2010
Egzamn ze statystyk/ Studa Lcencjacke Stacjonarne/ Termn /czerwec 2010 Uwaga: Przy rozwązywanu zadań, jeśl to koneczne, naleŝy przyjąć pozom stotnośc 0,01 współczynnk ufnośc 0,99 Zadane 1 PonŜsze zestawene
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 szczegółowoRegresja liniowa i nieliniowa
Metody prognozowana: Regresja lnowa nelnowa Dr nż. Sebastan Skoczypec Zmenna losowa Zmenna losowa X zmenna, która w wynku pewnego dośwadczena przyjmuje z pewnym prawdopodobeństwem wartość z określonego
Bardziej szczegółowoPODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH
PODTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH I Pracowa IF UJ Luy 03 PODRĘCZNIKI Wsęp do aalzy błędu pomarowego Joh R. Taylor Wydawcwo Naukowe PWN Warszawa 999 I Pracowa
Bardziej szczegółowoFizyka 1- Mechanika. Wykład 7 16.XI Zygmunt Szefliński Środowiskowe Laboratorium Ciężkich Jonów
zyka - Mechanka Wykład 7 6.XI.07 Zygunt Szeflńsk Środowskowe Laboratoru Cężkch Jonów szef@fuw.edu.pl http://www.fuw.edu.pl/~szef/ Zasada zachowana pędu Układ zolowany Każde cało oże w dowolny sposób oddzaływać
Bardziej szczegółowoJEDNOWYMIAROWA ZMIENNA LOSOWA
JEDNOWYMIAROWA ZMIENNA LOSOWA Nech E będze zborem zdarzeń elemetarych daego dośwadczea. Fucję X(e) przyporządowującą ażdemu zdarzeu elemetaremu e E jedą tylo jedą lczbę X(e)=x azywamy ZMIENNĄ LOSOWĄ. Przyład:
Bardziej szczegółowoEKONOMETRIA. metody analizy i wykorzystania danych ekonomicznych
UIWERSYE EKOOMICZY w Krakowe EKOOMERIA EKOOMERIA meod analz wkorzsana danch ekonomcznch (handous zapsk wkładowc dla sudenów) Kraków Anon Gorl Anna Walkosz Unwerse Ekonomczn w Krakowe emaka. Wprowadzene..
Bardziej szczegółowoKomputerowe generatory liczb losowych
. Perwszy generator Komputerowe generatory lczb losowych 2. Przykłady zastosowań 3. Jak generuje sę lczby losowe przy pomocy komputera. Perwszy generator lczb losowych L. H. C. Tppet - 927 Ksąż ążka -
Bardziej szczegółowoXXXV Konferencja Statystyka Matematyczna
XXXV Konferencja Saysyka Maeayczna MODEL OTOWOŚCI SYSTEMU TECHNICZNEO Karol J. ANDRZEJCZAK karol.andrzejczak@pu.poznan.pl Polechnka Poznańska hp://www.pu.poznan.pl/ PRORAM REERATU 1. WPROWADZENIE 2. ORMALIZACJA
Bardziej szczegółowoSELEKCJA: JAK JEDNA POPULACJA (STRATEGIA) WYPIERA INNĄ
W stronę bolog: dnama oulacj Martn. owa Evolutonar Dnamcs elna Press 6 SELEKCJ: JK JED POPULCJ (STRTEGI) WYPIER IĄ Model determnstczn ( a ) ( b ) : Dodając stronam mam a b czl średne dostosowane (ftness).
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 szczegółowoMatematyka ubezpieczeń majątkowych r.
Maemayka ubezpeczeń mająkowych 7.05.00 r. Zadane. Pewne ryzyko generuje jedną szkodę z prawdopodobeńswem q, zaś zero szkód z prawdopodobeńswem ( q). Ubezpeczycel pokrywa nadwyżkę szkody ponad udzał własny
Bardziej szczegółowoJEDNOWYMIAROWA ZMIENNA LOSOWA
JEDNOWYMIAROWA ZMIENNA LOSOWA Nech E bedze zborem zdarzen elementarnych danego doswadczena. Funcje X(e) przyporzadowujaca azdemu zdarzenu elementarnemu e E jedna tylo jedna lczbe X(e)x nazywamy ZMIENNA
Bardziej szczegółowoEKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.
EKONOMERIA wykład Prof. dr hab. Eugeniusz Ganar eganar@mail.wz.uw.edu.pl Przedziały ufności Dla paramerów srukuralnych modelu: P bˆ j S( bˆ z prawdopodobieńswem parameru b bˆ S( bˆ, ( m j j j, ( m j b
Bardziej szczegółowoKier. MTR Programowanie w MATLABie Laboratorium Ćw. 12
Ker. MTR Programowane w MATLABe Laboratorum Ćw. Analza statystyczna grafczna danych pomarowych. Wprowadzene MATLAB dysponuje weloma funcjam umożlwającym przeprowadzene analzy statystycznej pomarów, czy
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Zmienne sacjonarne 2. Zmienne zinegrowane 3. Regresja pozorna 4. Funkcje ACF i PACF 5. Badanie sacjonarności Tes Dickey-Fullera (DF) 2 1. Zmienne sacjonarne
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystyka 0.06.0 r. Zadae. Ura zawera kul o umerach: 0,,,,. Z ury cągemy kulę, zapsujemy umer kulę wrzucamy z powrotem do ury. Czyość tę powtarzamy, aż kula z każdym umerem zostae wycągęta
Bardziej szczegółowop Z(G). (G : Z({x i })),
3. Wykład 3: p-grupy twerdzena Sylowa. Defncja 3.1. Nech (G, ) będze grupą. Grupę G nazywamy p-grupą, jeżel G = dla pewnej lczby perwszej p oraz k N. Twerdzene 3.1. Nech (G, ) będze p-grupą. Wówczas W
Bardziej szczegółowoZadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów.
Pradopodobeństo statystya 6..3r. Zadae. Rzucamy symetryczą moetą ta długo aż dóch olejych rzutach pojaą sę resz. Oblcz artość oczeaą lczby yoaych rzutó. (A) 7 (B) 8 (C) 9 (D) (E) 6 Wsazóa: jeśl rzuce umer
Bardziej szczegółowoStatystyka Inżynierska
Statystyka Inżynerska dr hab. nż. Jacek Tarasuk AGH, WFIS 013 Wykład DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE Zmenna losowa, Funkcja rozkładu, Funkcja gęstośc, Dystrybuanta, Charakterystyk zmennej, Funkcje
Bardziej szczegółowoEkonometria ćwiczenia Kolokwium 1 semestr 20/12/08. / 5 pkt. / 5 pkt. / 5 pkt. / 5 pkt. /20 pkt. Regulamin i informacje dodatkowe
Ekonometra IE Kolokwum 0/1/08 mę, nazwsko, nr ndeksu: Ekonometra ćwczena Kolokwum 1 semestr 0/1/08 Zadane 1 Zadane Zadane 3 Zadane 4 Razem / 5 pkt / 5 pkt / 5 pkt / 5 pkt /0 pkt Skala ocen: do 8,00 punktów
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 1 Statystyka opsowa ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 W statystyce opsowej mamy pełne nformacje
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 szczegółowoZaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,
Bardziej szczegółowoRUCH OBROTOWY Można opisać ruch obrotowy ze stałym przyspieszeniem ε poprzez analogię do ruchu postępowego jednostajnie zmiennego.
RUCH OBROTOWY Można opsać ruch obrotowy ze stałym przyspeszenem ε poprzez analogę do ruchu postępowego jednostajne zmennego. Ruch postępowy a const. v v at s s v t at Ruch obrotowy const. t t t Dla ruchu
Bardziej szczegółowoĄ Ą ć Ó Ó Ó Ś Ź Ź Ó ż Ź Ź Ś Ś ż Ę ĘŚ ń ń ć Ś Ą Ę ż ć Ś ć ć Ć Ó Ó ć ć Ó ć Ó ć ć ń ć Ą Ó Ó Ó Ą Ć ń ń Ź Ó ń ć Ó ć ć ć ń ż ć ć Ć Ć ć ż ć Ź Ó ć ć ć ć Ó ć ĘŚ ń ń ż ć Ś ć Ą Ó ń ć ć Ś ć Ę Ć Ę Ó Ó ń ż ź Ó Ó Ś ń
Bardziej szczegółowoÓ ź ę ę ś Ą Ą Ę Ę Ł ę ę ź Ę ę ę ś ś Ł ę ś ś ę Ą ź ę ś ś ś ś ę ś ę ę ź ę ę ś ę ś ę ę ś Ś ś ę ę ś ś ę ę ę ś ę ę ę ę ś ę ź Ł Ą Ę Ł ę ś ź ść ś ę ę ę ę ę ę ś ś ś ę ę ś ę ę ś ę ź Ć ŚĆ ć ś ś ć ę ś ś ę ś ś ź ś
Bardziej szczegółowoŁ Ą Ę Ń ć Ź ź ĘŚ ÓŁ Ę Ę ń ń ź Ę ń Ż ć ć ń ń ń Ę ń Ę ń ń Ę ń Ę ń ń ć ć ń Ę Ą Ś ń Ę Ą Ł ź ć Ś ć ć ć Ź Ł Ś ć ć ć ć ć Ł ć ć ź ń ń ń ń ń ń ń ź ź ć ń ć ć ć ź Ł ń Ę ÓŁ ń ź ź ź ń ć ć ć ń ń ń Ą ń ń ń ń ń Ś Ę
Bardziej szczegółowoBadania sondażowe. Braki danych Konstrukcja wag. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa
Badana sondażowe Brak danych Konstrukcja wag Agneszka Zęba Zakład Badań Marketngowych Instytut Statystyk Demograf Szkoła Główna Handlowa 1 Błędy braku odpowedz Całkowty brak odpowedz (UNIT nonresponse)
Bardziej szczegółowoMacierze hamiltonianu kp
Macere halonanu p acer H a, dla wranego, war 44 lu 88 jeśl were jao u n r uncje s>; X>, Y>, Z>, cl uncje ransorujące sę według repreenacj grp weora alowego Γ j. worące aę aej repreenacj - o ora najardej
Bardziej szczegółowoMiary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej
Podstawy Mary położea wskazują mejsce wartośc ajlepej reprezetującej wszystke welkośc daej zmeej. Mówą o przecętym pozome aalzowaej cechy. Średa arytmetycza suma wartośc zmeej wszystkch jedostek badaej
Bardziej szczegółowoZASTOSOWANIA EKONOMETRII
ZASTOSOWANIA EKONOMETRII Budowa, esmacja, werfikacja i inerpreacja modelu ekonomercznego. dr Doroa Ciołek Kaedra Ekonomerii Wdział Zarządzania UG hp://wzr.pl/~dciolek doroa.ciolek@ug.edu.pl Lieraura Osińska
Bardziej szczegółowo(liniowy model popytu), a > 0; b < 0
MODELE EKONOMERYCZNE Model eoomercz o ops sochasczej zależośc adaego zjawsa eoomczego od czów szałującch go, wrażo w posac rówośc lu uładu rówośc. Jeśl p. rozparujem zjawso popu a oreślo owar lu grupę
Bardziej szczegółowoRozwiązywanie zadań optymalizacji w środowisku programu MATLAB
Rozwązywane zadań optymalzacj w środowsku programu MATLAB Zagadnene optymalzacj polega na znajdowanu najlepszego, względem ustalonego kryterum, rozwązana należącego do zboru rozwązań dopuszczalnych. Standardowe
Bardziej szczegółowoMODELOWANIE UKŁADÓW MECHANICZNYCH Z NIEPEWNYMI PARAMETRAMI
Smlaca Andrze POWNUK Katedra Mecan Teoretczne Wdzał Bdownctwa Poltecna Śląsa w Glwcac MODELOWANIE UKŁADÓW MECHANICZNYCH Z NIEPEWNYMI PARAMETRAMI Streszczene. Wszste parametr ładów mecancznc są znane z
Bardziej szczegółowo