Ekonometria. wiczenia 8 Modele zmiennej jako±ciowej. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
|
|
- Andrzej Gajewski
- 5 lat temu
- Przeglądów:
Transkrypt
1 Ekonometria wiczenia 8 Modele zmiennej jako±ciowej (8) Ekonometria 1 / 25
2 Plan wicze«1 Modele zmiennej jako±ciowej 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3 Predykcja z modelu logitowego 4 Dodatkowe zadania (8) Ekonometria 2 / 25
3 Plan prezentacji 1 Modele zmiennej jako±ciowej 2 Model logitowy 3 Predykcja z modelu logitowego 4 Dodatkowe zadania (8) Ekonometria 3 / 25
4 Zmienna 0-1 jako obja±niana Modele zmiennej jako±ciowej Zob. te» artykuª Ekonometria stoi za Obam (Parkiet, 2008). (8) Ekonometria 4 / 25
5 Zmienna 0-1 jako obja±niana Przykªad: zbiór danych o pasa»erach Titanica Zmienna obja±niana: Survived (czy prze»yª?) Zmienne obja±niaj ce: Age: wiek Fare: cena za bilet Parch: liczba rodziców i dzieci pasa»era obecnych na pokªadzie SibSp: liczba rodze«stwa i wspóªmaª»onków pasa»era obecnych na pokªadzie Pclass: klasa, w której podró»owaª pasa»er (wysoka/±rednia/niska) Sex: pªe pasa»era Embark: miasto, w którym pasa»er wsiadª na pokªad (8) Ekonometria 5 / 25
6 Zmienna 0-1 jako obja±niana Przykªad: zbiór danych o pasa»erach Titanica Zmienna obja±niana: Survived (czy prze»yª?) Zmienne obja±niaj ce: Age: wiek Fare: cena za bilet Parch: liczba rodziców i dzieci pasa»era obecnych na pokªadzie SibSp: liczba rodze«stwa i wspóªmaª»onków pasa»era obecnych na pokªadzie Pclass: klasa, w której podró»owaª pasa»er (wysoka/±rednia/niska) Sex: pªe pasa»era Embark: miasto, w którym pasa»er wsiadª na pokªad (8) Ekonometria 5 / 25
7 LMP Liniowy model prawdopodobie«stwa y i = α 0 + α 1 x 1i + α 2 x 2i + ε i Warto± oczekiwana y i? E (y i ) = ŷ i = α 0 + α 1 x 1i + α 2 x 2i E (y i ) = p i 1 + (1 p i ) 0 Wniosek: warto± teoretyczna z modelu oszacowanego MNK = prawdopodobie«stwo,»e zmienna przyjmie warto± 1...problemy? (8) Ekonometria 6 / 25
8 LMP Zadanie Problem 1: warto±ci teoretyczne mog znajdowa si poza przedziaªem <0;1> Problem 2: (8) Ekonometria 7 / 25
9 Plan prezentacji 1 Modele zmiennej jako±ciowej 2 Model logitowy 3 Predykcja z modelu logitowego 4 Dodatkowe zadania (8) Ekonometria 8 / 25
10 Specykacja i interpretacja parametrów Model logitowy (1) Zmienna obja±niana: y i o warto±ciach {0; 1}. Prawdopodobie«stwo przyj cia warto±ci 1 przez y i zale»y od wektora cech i-tej jednostki, x i, i wyra»a si nast puj cym wzorem (funkcja logistyczna): p i = eβ 0 +β 1 x 1,i +β 2 x 2,i +...+β k x k,i 1+e β 0 +β 1 x 1,i +β 2 x 2,i +...+β k x k,i Dodatni znak parametru mówi,»e wzrost zmiennej zwi ksza prawdopodobie«stwo przyj cia przez zmienn y warto±ci 1. (Ujemny znak: wzrost zmiennej zwi ksza prawdopodobie«stwo warto±ci 0). Istotno± zmiennych mo»na testowa (podobnie jak w modelu regresji liniowej). (8) Ekonometria 9 / 25
11 Specykacja i interpretacja parametrów Model logitowy (1) Zmienna obja±niana: y i o warto±ciach {0; 1}. Prawdopodobie«stwo przyj cia warto±ci 1 przez y i zale»y od wektora cech i-tej jednostki, x i, i wyra»a si nast puj cym wzorem (funkcja logistyczna): p i = eβ 0 +β 1 x 1,i +β 2 x 2,i +...+β k x k,i 1+e β 0 +β 1 x 1,i +β 2 x 2,i +...+β k x k,i Dodatni znak parametru mówi,»e wzrost zmiennej zwi ksza prawdopodobie«stwo przyj cia przez zmienn y warto±ci 1. (Ujemny znak: wzrost zmiennej zwi ksza prawdopodobie«stwo warto±ci 0). Istotno± zmiennych mo»na testowa (podobnie jak w modelu regresji liniowej). (8) Ekonometria 9 / 25
12 Specykacja i interpretacja parametrów Model logitowy (1) Zmienna obja±niana: y i o warto±ciach {0; 1}. Prawdopodobie«stwo przyj cia warto±ci 1 przez y i zale»y od wektora cech i-tej jednostki, x i, i wyra»a si nast puj cym wzorem (funkcja logistyczna): p i = eβ 0 +β 1 x 1,i +β 2 x 2,i +...+β k x k,i 1+e β 0 +β 1 x 1,i +β 2 x 2,i +...+β k x k,i Dodatni znak parametru mówi,»e wzrost zmiennej zwi ksza prawdopodobie«stwo przyj cia przez zmienn y warto±ci 1. (Ujemny znak: wzrost zmiennej zwi ksza prawdopodobie«stwo warto±ci 0). Istotno± zmiennych mo»na testowa (podobnie jak w modelu regresji liniowej). (8) Ekonometria 9 / 25
13 Specykacja i interpretacja parametrów Model logitowy (1) Zmienna obja±niana: y i o warto±ciach {0; 1}. Prawdopodobie«stwo przyj cia warto±ci 1 przez y i zale»y od wektora cech i-tej jednostki, x i, i wyra»a si nast puj cym wzorem (funkcja logistyczna): p i = eβ 0 +β 1 x 1,i +β 2 x 2,i +...+β k x k,i 1+e β 0 +β 1 x 1,i +β 2 x 2,i +...+β k x k,i Dodatni znak parametru mówi,»e wzrost zmiennej zwi ksza prawdopodobie«stwo przyj cia przez zmienn y warto±ci 1. (Ujemny znak: wzrost zmiennej zwi ksza prawdopodobie«stwo warto±ci 0). Istotno± zmiennych mo»na testowa (podobnie jak w modelu regresji liniowej). (8) Ekonometria 9 / 25
14 Specykacja i interpretacja parametrów Model logitowy (2) Pytanie 1 Które czynniki istotnie zwi kszaªy, a które zmniejszaªy prawdopodobie«stwo prze»ycia katastrofy? Pytanie 2 Wyznacz prawdopodobie«stwo prze»ycia dla 20-letniego m»czyzny, podró»uj cego bez»adnych bliskich, w niskiej klasie, który wsiadª w Southampton (przyjmij cen biletu na poziomie ±rednim w próbie). (8) Ekonometria 10 / 25
15 Specykacja i interpretacja parametrów Model logitowy (2) Pytanie 1 Które czynniki istotnie zwi kszaªy, a które zmniejszaªy prawdopodobie«stwo prze»ycia katastrofy? Pytanie 2 Wyznacz prawdopodobie«stwo prze»ycia dla 20-letniego m»czyzny, podró»uj cego bez»adnych bliskich, w niskiej klasie, który wsiadª w Southampton (przyjmij cen biletu na poziomie ±rednim w próbie). (8) Ekonometria 10 / 25
16 Specykacja i interpretacja parametrów Interpretacja parametrów w modelu logitowym (1) Logit to liniowe wyra»enie w wykªadniku: ln p i 1 p i = β 0 + β 1 x 1,i + β 2 x 2,i β k x k,i Wzrost x 1 o jednostk zwi ksza logit o β 1 (ceteris paribus). Nieintuicyjna interpretacja! Mamy dwa inne sposoby. (8) Ekonometria 11 / 25
17 Specykacja i interpretacja parametrów Interpretacja parametrów w modelu logitowym (2) Sposób 1. Iloraz szans (sukcesu i pora»ki) to stosunek prawdopodobie«stwa»e y i = 1 do prawdopodobie«stwa y i = 0: p i 1 p i = e β 0+β 1 x 1,i +β 2 x 2,i +...+β k x k,i Iloraz szans dla zmiennej: e β j Uzasadnienie: e β 0+β 1(x 1,i +1)+β 2 x 2,i +...+β k x k,i = e β 0+β 1 x 1,i +β 2 x 2,i +...+β k x k,i e β 1 = p i 1 p i e β 1 Wzrost x 1 o 1 zmienia iloraz szans razy e β 1. Np. je»eli e β 1 = 1, 05, to zwi ksza go o 5%, a gdy e β 1 = 0, 97, to zmniejsza go o 3%. (8) Ekonometria 12 / 25
18 Specykacja i interpretacja parametrów Interpretacja parametrów w modelu logitowym (3) Pytanie 3 Oblicz i zinterpretuj ilorazy szans dla zmiennych oznaczaj cych wiek i klas. (8) Ekonometria 13 / 25
19 Specykacja i interpretacja parametrów Interpretacja parametrów w modelu logitowym (4) Sposób 2. Efekt kra«cowy dla ±rednich. O ile zmienia si prawdopodobie«stwo»e y i = 1 przy wzro±cie zmiennej o jednostk? Odpowied¹ nie jest tak ªatwa, bo zale»y od poziomu wszystkich zmiennych obja±niaj cych. p i x j,i = β j p i (1 p i ) = β j e β 0+β 1x 1,i +β 2x 2,i +...+β k x k,i (1+e β 0 +β 1 x 1,i +β 2 x 2,i +...+β k x k,i ) 2 W praktyce cz sto posªugujemy si t miar wyznaczon przy wszystkich warto±ciach x j na poziomie ±rednim w próbie. (8) Ekonometria 14 / 25
20 Specykacja i interpretacja parametrów Interpretacja parametrów w modelu logitowym (5) Pytanie 4 Wyznacz i zinterpretuj efekty kra«cowe dla zmiennych oznaczaj cych pªe i wiek przy zaªo»eniu,»e wszystkie zmienne obja±niaj ce s na poziomie ±rednim w próbie. Pytanie 5 Wyznacz i zinterpretuj efekt kra«cowy dla zmiennej oznaczaj cej wiek w przypadku 17-letniej kobiety, podró»uj cej z narzeczonym, bez rodze«stwa, z matk, w klasie 1, która wsiadªa w Southampton (cena biletu na poziomie ±rednim w próbie). (8) Ekonometria 15 / 25
21 Specykacja i interpretacja parametrów Interpretacja parametrów w modelu logitowym (5) Pytanie 4 Wyznacz i zinterpretuj efekty kra«cowe dla zmiennych oznaczaj cych pªe i wiek przy zaªo»eniu,»e wszystkie zmienne obja±niaj ce s na poziomie ±rednim w próbie. Pytanie 5 Wyznacz i zinterpretuj efekt kra«cowy dla zmiennej oznaczaj cej wiek w przypadku 17-letniej kobiety, podró»uj cej z narzeczonym, bez rodze«stwa, z matk, w klasie 1, która wsiadªa w Southampton (cena biletu na poziomie ±rednim w próbie). (8) Ekonometria 15 / 25
22 Dopasowanie i restrykcje Diagnostyka modelu (1) Niech: ln L logarytm warto±ci funkcji wiarygodno±ci dla rozwa»anego modelu ln L logarytm warto±ci funkcji wiarygodno±ci dla modelu tylko ze staª Miara dopasowania pseudo-r 2 McFaddena (im wy»ej, tym lepsze dopasowanie do danych): pseudor 2 = 1 ln L ln L Test ilorazu wiarygodno±ci: 2 (ln L ln L ) χ 2 (k) H 0 : caªy zestaw zmiennych obja±niaj cych nieistotny Odrzucamy H 0 przy wysokich warto±ciach statystyki (prawostronny obszar krytyczny). (8) Ekonometria 16 / 25
23 Dopasowanie i restrykcje Diagnostyka modelu (2) Pytanie 6 Czy nasz model poprawia jako± prognoz w stosunku do naiwnej predykcji, przypisuj cej ka»demu pasa»erowi prawdopodobie«stwo prze»ycia ok. 40% na podstawie danych o liczbie osób uratowanych w katastroe? (8) Ekonometria 17 / 25
24 Plan prezentacji 1 Modele zmiennej jako±ciowej 2 Model logitowy 3 Predykcja z modelu logitowego 4 Dodatkowe zadania (8) Ekonometria 18 / 25
25 Predykcja Predykcja Dla ka»dej jednostki i mo»emy wyznaczy prawdopodobie«stwo p i zdarzenia y i = 1. Ustalamy { próg odci cia δ i prognozujemy: 1 dla p i δ ŷ i = 0 dla p i < δ Intuicyjnie: δ = 0, 5. Ale taki sposób jest dobry jedynie wówczas, gdy oba warianty y i s mniej wi cej równoliczne. Pytanie 7 Optymalnie: δ = yi N. Czy b dziemy prognozowa,»e m»czyzna z pytania 2 prze»yª, czy nie? (8) Ekonometria 19 / 25
26 Predykcja Predykcja Dla ka»dej jednostki i mo»emy wyznaczy prawdopodobie«stwo p i zdarzenia y i = 1. Ustalamy { próg odci cia δ i prognozujemy: 1 dla p i δ ŷ i = 0 dla p i < δ Intuicyjnie: δ = 0, 5. Ale taki sposób jest dobry jedynie wówczas, gdy oba warianty y i s mniej wi cej równoliczne. Pytanie 7 Optymalnie: δ = yi N. Czy b dziemy prognozowa,»e m»czyzna z pytania 2 prze»yª, czy nie? (8) Ekonometria 19 / 25
27 Predykcja Diagnostyka modelu (3) Tablica trafno±ci Y przewidywane ŷ i 0 1 zaobserwowane y i 0 n 00 n 01 1 n 10 n 11 zliczeniowe R 2 = n 00 +n 11 n 00 +n 01 +n 10 +n 11 Pytanie 8 W ilu % przypadków nasz model prognozowaª poprawnie? (8) Ekonometria 20 / 25
28 Predykcja Diagnostyka modelu (3) Tablica trafno±ci Y przewidywane ŷ i 0 1 zaobserwowane y i 0 n 00 n 01 1 n 10 n 11 zliczeniowe R 2 = n 00 +n 11 n 00 +n 01 +n 10 +n 11 Pytanie 8 W ilu % przypadków nasz model prognozowaª poprawnie? (8) Ekonometria 20 / 25
29 Plan prezentacji 1 Modele zmiennej jako±ciowej 2 Model logitowy 3 Predykcja z modelu logitowego 4 Dodatkowe zadania (8) Ekonometria 21 / 25
30 Dodatkowe zadania Zadanie E6 (8) Ekonometria 22 / 25
31 Dodatkowe zadania Zadania (8) Ekonometria 23 / 25
32 Dodatkowe zadania b) Zinterpretuj parametry modelu ze zmiennymi linc, lsize i buscar. Wykorzystaj ilorazy szans. (8) Ekonometria 24 / 25
33 Dodatkowe zadania (8) Ekonometria 25 / 25
Wykªad 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 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 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 szczegółowoEkonometria. Modelowanie zmiennej jakościowej. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Modelowanie zmiennej jakościowej Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 8 Zmienna jakościowa 1 / 25 Zmienna jakościowa Zmienna ilościowa może zostać zmierzona
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 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 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 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 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 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 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 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 szczegółowogdzie. Dla funkcja ma własności:
Ekonometria, 21 listopada 2011 r. Modele ściśle nieliniowe Funkcja logistyczna należy do modeli ściśle nieliniowych względem parametrów. Jest to funkcja jednej zmiennej, zwykle czasu (t). Dla t>0 wartośd
Bardziej szczegółowoStatystyczna analiza danych w programie STATISTICA. Dariusz Gozdowski. Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW
Statystyczna analiza danych w programie STATISTICA ( 4 (wykład Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Regresja prosta liniowa Regresja prosta jest
Bardziej szczegółowoStatystyka matematyczna - ZSTA LMO
Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 4 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 4 1 / 18 Wykªad 4 - zagadnienia
Bardziej szczegółowoWIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA Powtórka Powtórki Kowiariancja cov xy lub c xy - kierunek zależności Współczynnik korelacji liniowej Pearsona r siła liniowej zależności Istotność
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 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 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 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 szczegółowoEgzamin z ekonometrii - wersja ogólna
Egzamin z ekonometrii - wersja ogólna 27-0-202 Pytania teoretyczne. Dlaczego w modelu nie powinno si umieszcza staªej i wszystkich zmiennych zero-jedynkowych, zwi zanych z poziomami zmiennej dyskretnej?
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 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 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 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 szczegółowoMatematyka 1. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Matematyka 1 Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Pochodna funkcji Niech a, b R, a < b. Niech f : (a, b) R b dzie funkcj oraz x, x 0 (a, b) b d ró»nymi punktami przedziaªu (a, b). Wyra»enie
Bardziej szczegółowoModel 1: Estymacja KMNK z wykorzystaniem 4877 obserwacji Zmienna zależna: y
Zadanie 1 Rozpatrujemy próbę 4877 pracowników fizycznych, którzy stracili prace w USA miedzy rokiem 1982 i 1991. Nie wszyscy bezrobotni, którym przysługuje świadczenie z tytułu ubezpieczenia od utraty
Bardziej szczegółowoStatystyka I. Regresja dla zmiennej jakościowej - wykład dodatkowy (nieobowiązkowy)
Statystyka I Regresja dla zmiennej jakościowej - wykład dodatkowy (nieobowiązkowy) 1 Zmienne jakościowe qzmienne jakościowe niemierzalne kategorie: np. pracujący / bezrobotny qzmienna binarna Y=0,1 qczasami
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 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 szczegółowoValue at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16
Value at Risk (VaR) Jerzy Mycielski WNE 2018 Jerzy Mycielski (Institute) Value at Risk (VaR) 2018 1 / 16 Warunkowa heteroskedastyczność O warunkowej autoregresyjnej heteroskedastyczności mówimy, gdy σ
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 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 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 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 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 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 szczegółowoEkonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda
Bardziej szczegółowoWyk lad 3. Natalia Nehrebecka Dariusz Szymański. 13 kwietnia, 2010
Wyk lad 3 Natalia Nehrebecka Dariusz Szymański 13 kwietnia, 2010 N. Nehrebecka, D.Szymański Plan zaj eć 1 Sprowadzenie modelu nieliniowego do liniowego 2 w modelu liniowym Elastyczność Semielastyczność
Bardziej szczegółowoEkonometria 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 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 szczegółowoE k o n o m e t r i a S t r o n a 1
E k o n o m e t r i a S t r o n a Liniowy model ekonometryczny Jednorównaniowy liniowy model ekonometryczny (model regresji wielorakiej) można zapisać w postaci: y = α + α x + α x +... + α x + ε, t =,,...,
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 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 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 szczegółowoMetoda największej wiarogodności
Wprowadzenie Założenia Logarytm funkcji wiarogodności Metoda Największej Wiarogodności (MNW) jest bardziej uniwersalną niż MNK metodą szacowania wartości nieznanych parametrów Wprowadzenie Założenia Logarytm
Bardziej szczegółowoEkonometria - wykªad 1
Ekonometria - wykªad 1 0. Wprowadzenie Barbara Jasiulis-Goªdyn 28.02.2014 2013/2014 Ekonometria Literatura [1] B. Borkowski, H. Dudek, W. Szczesny, Ekonometria. Wybrane Zaganienia, PWN, Warszawa 2003.
Bardziej szczegółowoEkonometria. wiczenia 13 Metoda ±cie»ki krytycznej. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
wiczenia 13 Metoda ±cie»ki krytycznej Instytut Ekonometrii Zakªad Ekonometrii Stosowanej Plan wicze«1 Przykªad: ubieranie choinki 2 3 Programowanie liniowe w analizie czasowej i czasowo-kosztowej projektu
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 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 szczegółowoWSTĘP DO REGRESJI LOGISTYCZNEJ. Dr Wioleta Drobik-Czwarno
WSTĘP DO REGRESJI LOGISTYCZNEJ Dr Wioleta Drobik-Czwarno REGRESJA LOGISTYCZNA Zmienna zależna jest zmienną dychotomiczną (dwustanową) przyjmuje dwie wartości, najczęściej 0 i 1 Zmienną zależną może być:
Bardziej szczegółowo(LMP-Liniowy model prawdopodobieństwa)
OGÓLNY MODEL REGRESJI BINARNEJ (LMP-Liniowy model prawdopodobieństwa) Dla k3 y α α α α + x + x + x 2 2 3 3 + α x x α x x + α x x + α x x + ε + x 4 2 5 3 6 2 3 7 2 3 Zał.: Wszystkie zmienne interakcyjne
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 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 szczegółowoEkonometria. Modele dynamiczne. Paweł Cibis 27 kwietnia 2006
Modele dynamiczne Paweł Cibis pcibis@o2.pl 27 kwietnia 2006 1 Wyodrębnianie tendencji rozwojowej 2 Etap I Wyodrębnienie tendencji rozwojowej Etap II Uwolnienie wyrazów szeregu empirycznego od trendu Etap
Bardziej 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 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 szczegółowoĆwiczenia IV
Ćwiczenia IV - 17.10.2007 1. Spośród podanych macierzy X wskaż te, których nie można wykorzystać do estymacji MNK parametrów modelu ekonometrycznego postaci y = β 0 + β 1 x 1 + β 2 x 2 + ε 2. Na podstawie
Bardziej szczegółowoEkonometria 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 szczegółowoJEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY
JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY Będziemy zapisywać wektory w postaci (,, ) albo traktując go jak macierz jednokolumnową (dzięki temu nie będzie kontrowersji przy transponowaniu wektora ) Model
Bardziej szczegółowoWyk lad 5. Natalia Nehrebecka Stanis law Cichocki. 7 listopada 2015
Wyk lad 5 Natalia Nehrebecka Stanis law Cichocki 7 listopada 2015 N. Nehrebecka Plan zaj eć 1 Sprowadzenie modelu nieliniowego do liniowego 2 w modelu liniowym Elastyczność w modelu logliniowym Semielastyczność
Bardziej szczegółowo1 Poj cia pomocnicze. Przykªad 1. A A d
Poj cia pomocnicze Otoczeniem punktu x nazywamy dowolny zbiór otwarty zawieraj cy punkt x. Najcz ±ciej rozwa»amy otoczenia kuliste, tj. kule o danym promieniu ε i ±rodku x. S siedztwem punktu x nazywamy
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 szczegółowoKolokwium Zadanie 1. Dla jakich warto±ci parametrów a i b funkcja sklejona
Kolokwium 3 0.0. Zadanie. Dla jakich warto±ci parametrów a i b funkcja sklejona a : π, f() = cos() : π < π, a + b : π < jest ci gªa? Rozwi zanie: Funkcja jest ci gªa we wszystkich punktach poza, by mo»e,
Bardziej szczegółowoEfekty przestrzenne w konwergencji polskich podregionów
Efekty przestrzenne w konwergencji polskich podregionów Mikoªaj Herbst EUROREG UW Piotr Wójcik WNE UW Konferencja Ministerstwa Rozwoju Regionalnego Budowanie spójno±ci terytorialnej i przeciwdziaªanie
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Binarne zmienne zależne 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników 3. Probit a) Interpretacja współczynników b) Miary dopasowania 4.
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 szczegółowoFunkcje jednej zmiennej. Granica, ci gªo±. (szkic wykªadu)
Funkcje jednej zmiennej Granica, ci gªo± (szkic wykªadu) opracowaªa Gra»yna Ciecierska 1 Granica funkcji Denicja Niech 0 R, r > 0 Otoczeniem punktu 0 o promieniu r nazywamy przedziaª ( 0 r, 0 +r) Otoczeniem
Bardziej szczegółowoStanisław Cichocki. Natalia Neherebecka. Zajęcia 15-17
Stanisław Cichocki Natalia Neherebecka Zajęcia 15-17 1 1. Binarne zmienne zależne 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników 3. Probit a) Interpretacja współczynników b) Miary
Bardziej szczegółowoMikroekonometria 9. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 9 Mikołaj Czajkowski Wiktor Budziński Wielomianowy model logitowy Uogólnienie modelu binarnego Wybór pomiędzy 2 lub większą liczbą alternatyw Np. wybór środka transportu, głos w wyborach,
Bardziej szczegółowoSTATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH
STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH WYKŠAD 3 29 pa¹dziernik 2015 1 / 39 Plan wykªadu 1. Test log-rank dla wi cej ni» dwóch grup 2. Test Mantela-Haenszela dla wi cej ni» dwóch grup 3. Wst p do
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 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 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 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 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 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 szczegółowoMikroekonometria 9. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 9 Mikołaj Czajkowski Wiktor Budziński Wielomianowy model logitowy Użyteczność konsumenta i z wyboru alternatywy j spośród J i alternatyw X wektor cech (atrybutów) danej alternatywy Z wektor
Bardziej szczegółowoEkonometria. Model nieliniowe i funkcja produkcji. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Model nieliniowe i funkcja produkcji Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 7 i funkcja produkcji 1 / 23 Agenda 1 2 3 Jakub Mućk Ekonometria Wykład 7 i funkcja
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 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 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 szczegółowoAnalizowane modele. Dwa modele: y = X 1 β 1 + u (1) y = X 1 β 1 + X 2 β 2 + ε (2) Będziemy analizować dwie sytuacje:
Analizowane modele Dwa modele: y = X 1 β 1 + u (1) Będziemy analizować dwie sytuacje: y = X 1 β 1 + X 2 β 2 + ε (2) zmienne pominięte: estymujemy model (1) a w rzeczywistości β 2 0 zmienne nieistotne:
Bardziej szczegółowoProgramowanie wspóªbie»ne
1 Programowanie wspóªbie»ne wiczenia 5 monitory cz. 1 Zadanie 1: Stolik dwuosobowy raz jeszcze W systemie dziaªa N par procesów. Procesy z pary s nierozró»nialne. Ka»dy proces cyklicznie wykonuje wªasnesprawy,
Bardziej szczegółowoStosowana Analiza Regresji
prostej Stosowana Wykład I 5 Października 2011 1 / 29 prostej Przykład Dane trees - wyniki pomiarów objętości (Volume), średnicy (Girth) i wysokości (Height) pni drzew. Interesuje nas zależność (o ile
Bardziej szczegółowoEgzamin z ekonometrii - wersja IiE, MSEMAT
Egzamin z ekonometrii - wersja IiE, MSEMAT 7-02-2013 Pytania teoretyczne 1. Porówna zastosowania znanych Ci kontrastów ze standardowym sposobem rozkodowania zmiennej dyskretnej. 2. Wyprowadzi estymator
Bardziej szczegółowoWybór formy funkcyjnej modelu (cz. II)
Wybór formy funkcyjnej modelu (cz. II) Wyk lad 6 Natalia Nehrebecka Stanis law Cichocki 19 listopada 2014 Plan zaj eć 1 w modelu liniowym w modelu logliniowym i semielastyczność - przyk lad 2 Zastosowania
Bardziej szczegółowot y x y'y x'x y'x x-x śr (x-x śr)^2
Na podstawie:w.samuelson, S.Marks Ekonomia menedżerska Zadanie 1 W przedsiębiorstwie toczy się dyskusja na temat wpływu reklamy na wielkość. Dział marketingu uważa, że reklama daje wysoce pozytywne efekty,
Bardziej szczegółowoMetoda najmniejszych kwadratów
Model ekonometryczny Wykształcenie a zarobki Hipoteza badawcza: Istnieje zależność między poziomem wykształcenia a wysokością zarobków Wykształcenie a zarobki Hipoteza badawcza: Istnieje zależność między
Bardziej 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 szczegółowoRozdziaª 5. Modele wektorowej autoregresji
Rozdziaª 5. Modele wektorowej autoregresji MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 5) Modele VAR 1 / 32 Wielowymiarowe modele szeregów czasowych Modele VAR uwzgl dniaj wzajemne powi zania mi
Bardziej szczegółowoEkonometria. Weryfikacja liniowego modelu jednorównaniowego. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Weryfikacja liniowego modelu jednorównaniowego Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 2 Weryfikacja liniowego modelu jednorównaniowego 1 / 28 Agenda 1 Estymator
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 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 szczegółowo1.3 Własności statystyczne estymatorów MNK
1.3 Własności statystyczne estymatorów MNK 1. Estymator nazywamy estymatorem nieobciążonym, jeżeli jego wartość oczekiwana jest równa wartości szacowanego parametru. Udowodnimy, że estymator MNK wektora
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowo1.9 Czasowy wymiar danych
1.9 Czasowy wymiar danych Do tej pory rozpatrywaliśmy jedynie modele tworzone na podstawie danych empirycznych pochodzących z prób przekrojowych. Teraz zajmiemy się zagadnieniem budowy modeli regresji,
Bardziej szczegółowoFunkcje wielu zmiennych
dr Krzysztof yjewski Analiza matematyczna 2; MatematykaS-I 0 lic 21 maja 2018 Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(, y b dzie okre±lona przynajmniej na otoczeniu punktu
Bardziej szczegółowo