LINIOWA FUNKCJA PRAWDOPODOBIEŃSTWA
|
|
- Józef Rudnicki
- 5 lat temu
- Przeglądów:
Transkrypt
1 Studa Ekonomczne. Zeszt Naukowe Unwerstetu Ekonomcznego w Katowcach ISSN Nr Jerz W. Wśnewsk Unwerstet Mkołaja Kopernka Wdzał Nauk Ekonomcznch Zarządzana Katedra Ekonometr Statstk jerz.wsnewsk@umk.pl LINIOWA FUNKCJA PRAWDOPODOBIEŃSTWA Streszczene: Ważnm narzędzem analtcznm w ekonometr, służącm m.n. do badana asocjacj zmennch zerojednkowch, jest lnowa funkcja prawdopodobeństwa, zwana też modelem Goldbergera. Jego specfką jest zerojednkowa zmenna objaśnana, powodująca, że teoretczne wartośc modelu emprcznego są szacunkam prawdopodobeństwa wstąpena warantu sgnowanego lczbą. Zmenne objaśnające w modelu mogą bć zarówno cągłe, jak dskretne. Model Goldbergera jest ważnm nstrumentem pomaru uwarunkowań przcznowch, główne zmennch jakoścowch, ale równeż tzw. zmennch loścowch. Wmaga on jednak specfcznego podejśca, przede wszstkm do estmacj jego parametrów. Słowa kluczowe: zmenna zerojednkowa, asocjacja, prawdopodobeństwo, model ekonometrczn. JEL Classfcaton: C, C25, C5. Wprowadzene Model ekonometrczn, nosząc nazwę lnowej funkcj prawdopodobeństwa, ne znalazł należtej akceptacj w środowsku ekonomstów. Charakterzuje sę tm, że zmenna objaśnana równana regresj jest zerojednkową. Może bć zatem bardzo dobrm narzędzem analz asocjacj cech jakoścowch 2, lepszm w sense walorów nformacjnch od rozmatch współcznnków asocjacj. 2 Por. [Goldberger 972, s ; Wśnewsk, 99; Wśnewsk, 22]. O pomarze cech jakoścowch traktują prace: [Churgn, 985; Stevens, 946; Wśnewsk, 23b].
2 62 Jerz W. Wśnewsk Celem nnejszej prac jest wskazane walorów deczjnch lnowej funkcj prawdopodobeństwa, zwanej tez modelem Goldbergera. Ważnm zadanem badawczm jest też prezentacja konecznośc stosowana wspecjalzowanch narzędz w procese estmacj jego parametrów. Owe szczególne procedur będą koneczne dla uzskana odpowedno preczjnch wnków w postac emprcznego modelu Goldbergera.. Istota modelu Goldbergera Zmenna objaśnana modelu ekonometrcznego wnna charakterzować sę relatwne dużm obszarem zmennośc. Ne pownna też bć ogranczona. Oznacza to, że ne pownna posadać an dolnej, an górnej granc. Tmczasem neked pojawają sę zmenne, pełnące w modelu rolę objaśnanch, o obserwacjach ( o), które posadają nawet dwustronne ogranczena. Ich specfką jest posadane dolnej górnej granc, czl: (o), () mn gdze mn oznacza najnższą możlwą wartość obserwacj na rozważanej zmennej, natomast ma jest najwższą możlwą wartoścą obserwacj na tej zmennej objaśnanej. Załóżm, że mechanzm zmennośc zmennej ogranczonej (o) będze opsan za pomocą modelu lnowego: (o) ma = α + η. (2) Rsunek prezentuje lnow model ekonometrczn dla ogranczonej zmennej objaśnanej. Zauważa sę konsekwencje ewentualnej ekstrapolacj poza obszar obserwacj statstcznch. Próba takej ekstrapolacj może prowadzć do tego, że wartośc ekstrapolant będą meścł sę poza obszarem zmennośc zmennej ogranczonej, co jest sprzeczne z logką. Na przkład, zmenną ogranczoną może bć wskaźnk struktur, spełnając nerówność. Próba ekstrapolacj zmennej w postac wskaźnka struktur może doprowadzć (o) do tego, że ekstrapolant osągną wartośc mnejsze od % albo wększe od %, co jest sprzeczne z stotą tego wskaźnka.
3 Lnowa funkcja prawdopodobeństwa 63 Szczególnm przpadkem modelu z ogranczoną zmenną objaśnaną jest lnowa funkcja prawdopodobeństwa, zwana też modelem Goldbergera 3. Model ten można zapsać następująco: = α η, (3) gdze: zmenna zerojednkowa, zdefnowana następująco:, prz warunkach V, =, w przpadku przecwnm,,, j,, k obserwacje na zmennch objaśnającch, η składnk losow równana, α, α,, α j,, α k parametr strukturalne modelu, numer obserwacj statstcznej ( =,, n). (o) ma j j k k mn Rs.. Lnow model ogranczonej zmennej objaśnanej Zmenne objaśnające w modelu (3) mogą bć zarówno cągłe, jak dskretne. W tm zborze zmennch mogą pojawać sę równeż zmenne zerojednkowe, będące szczególnm przpadkem zmennch skokowch. Skonstruowane emprcznej lnowej funkcj prawdopodobeństwa pozwala na ustalene częstośc pojawana sę warunków V, prz określonch konfguracjach wartośc zmennch objaśnającch. W emprcznm modelu Goldbergera możlwe jest też wskazane statstczne stotnch zmennch objaśnającch, które mają wpłw na zastnene warunków V. 3 Jedną z perwszch monograf w Polsce traktującą o modelu Goldbergera jest: [Wśnewsk, 986]. Emprczne rezultat zastosowań tego modelu znaleźć można w pracach: [Wśnewsk, 29, 23a].
4 64 Jerz W. Wśnewsk 2. Charakterstka procedur estmacjnej Estmacja parametrów modelu (2) za pomocą klascznej metod najmnejszch kwadratów (KMNK) skutkuje ogranczoną preczją szacunków parametrów 4. Rezultatem zastosowana KMNK jest przpadek nejednorodnośc warancj składnka losowego. Koneczna jest w tm przpadku procedura dwustopnowa. W perwszm kroku należ zastosować KMNK do oszacowana parametrów modelu z zerojednkową zmenną endogenczną. Po oblczenu teoretcznch wartośc z równana emprcznego tpu (3) można wznaczć wag dla każdej obserwacj, oblczane następująco: w = = ( ), (,, n) (4) W rezultace można skonstruować emprczną macerz Ω o postac: w Ω = w. (5) w n W praktce mogą pojawć sę ujemne wartośc wag w. Dlatego też lepszm warantem będze wkorzstane modułów wag oblczonch według wzoru (4). Macerz Ω przjme węc następującą postać: w Ω = w. (6) w n 4 W nnejszej prac zastosowano termn preczja szacunków, zamast stosowanego w lteraturze pojęca efektwnośc szacunków. Wnka to z stnena w statstce pojęca preczj τ, oblczanej jako: τ =, gdze σ jest odchlenem standardowm. Spadek wartośc odchlena σ standardowego oznacza poprawę efektwnośc estmacj. Ze spadkem welkośc σ następuje wzrost preczj τ, wskazując na poprawę preczj estmatora.
5 Lnowa funkcja prawdopodobeństwa 65 Estmator Atkena dla przpadku objaśnanej zmennej zerojednkowej będze mał zatem następującą postać: albo Macerz * T T α = ( X Ω X ) X Ω Y (7) Ω będze mała następującą strukturę: Ω Ω ( ) = w = w ( ) w n n ( n ) Estmator (7) daje bardzej efektwne (preczjne) szacunk parametrów modelu z zerojednkową zmenną objaśnaną, w porównanu z estmatorem KMNK. (8) 3. Emprczn model Goldbergera Ponżej zaprezentowano przkład konstrukcj emprcznego modelu Goldbergera. Zagadnene deczjne polega na ustalenu cech osobstch handlowców w przedsęborstwe ZET, które mają stotn statstczne wpłw na gene-
6 66 Jerz W. Wśnewsk rowane przez nch werztelnośc przetermnowanch 5. Informacje statstczne o efektwnośc prac handlowców oraz ch cechach osobstch zawera tab.. Lnowa funkcja prawdopodobeństwa opswała będze skuteczność wndkacj werztelnośc, w zależnośc od rozmatch cech osobstch handlowców. Tabela. Efektwność prac handlowców ch cech osobste w przedsęborstwe ZET Nr Źródło: dane przedsęborstwa ZET analogczne do rzeczwstch. Pomaru skutecznośc wndkacj werztelnośc dokonano za pomocą zmennej zerojednkowej, zdefnowanej następująco 6 : 5 6 Przkład jest analogczn do zameszczonego w monograf: [Wśnewsk, 26, podrozdzał 6.4]. Handlowec wnen uzskwać wsoke przchod ze sprzedaż oraz zabegać o skuteczną wndkację werztelnośc w obsługwanej przez nego sec sprzedaż.
7 Lnowa funkcja prawdopodobeństwa 67 zmenna zerojednkowa przjmująca wartość, gd w sec sprzedaż -tego handlowca powstał werztelnośc przetermnowane 7 oraz zero w przpadku przecwnm, 2 przchód ze sprzedaż netto uzskan roczne przez -tego handlowca (ts. zł), zmenna zerojednkowa, reprezentująca płeć handlowca, przjmująca wartość dla kobet dla mężczzn, 2 zmenna zerojednkowa, nformująca o fakce uprawana sportu wcznowego przez handlowca, przjmująca wartość, gd uprawał on sport wcznowo oraz w przpadku przecwnm, 3 staż prac w zawodze handlowca, wrażon lczbą przepracowanch lat, 4 zmenna zerojednkowa, nformująca o posadanu wkształcena ekonomcznego, przjmująca wartość, gd handlowec posada wkształcene ekonomczne oraz, gd takego wkształcena ne posada, 5 lczba osób na utrzmanu handlowca, 6 wek handlowca, wrażon lczbą ukończonch lat żca, 7 zmenna zerojednkowa, nformująca o posadanu wkształcena wższego, przjmująca wartość, gd handlowec posada wkształcene wższe oraz, gd takego wkształcena ne posada. Rozważono hpotetczn model rekurencjn 8, któr zawera lnową funkcję prawdopodobeństwa, opsującą : 2 = α 4 4 = α β η 3 7 3, η + 2, (9) () gdze 9 : α, α 2 parametr strukturalne prz zmennch z gór ustalonch modelu (=,,,7), β 2 parametr strukturaln prz zmennej łączne współzależnej modelu, η, η 2 składnk losowe równań modelu Chodz o należnośc przetermnowane ponad ustaloną w przedsęborstwe normę. Pojawene sę w równanu (9) zmennej objaśnającej, wrażającej wartość przchodów ze sprzedaż, uzskwanch przez handlowca, wnka z wątplwośc, cz sstem motwowana jest poprawne skonstruowan. Poprawn sstem motwacjn ne pownen zachęcać do tworzena werztelnośc przetermnowanch w częśc sec, którą obsługuje handlowec. W dalszej częśc nnejszej prac zajęto sę estmacją parametrów lnowej funkcj prawdopodobeństwa, czl równana (9), rezgnując z rozważań nad równanem (). Por. [Wśnewsk, 26, s. 87].
8 68 Jerz W. Wśnewsk Parametr równana (8) oszacowano za pomocą klascznej metod najmnejszch kwadratów (KMNK), z wkorzstanem paketu GRETL. Po elmnacj zmennch objaśnającch, które okazał sę statstczne nestotne, powstał model emprczn, którego charakterstk zawera tab. 2. Reszt równana emprcznego: =,389,338 +,35,4494 +,98 () wkorzstane został do konstrukcj wag tpu (4). Tabela 2. Estmacja KMNK, wkorzstane obserwacje -35 Zmenna zależna (Y): Wszczególnene Współcznnk t-studenta Wartość p Ważność const -, ,955,3672 -, ,957,68 *** 2, ,3646,247 ** 4 -, ,2852,26 ***,97945,879,79 * 6 Średn. art. zm. zależnej,2 Odch. stand. zm. zależnej,4584 Suma kwadratów reszt 3,6498 Błąd standardow reszt,39588 Wsp. determ. R-kwadrat,45284 Skorgowan R-kwadrat, F(4, 3) 6,2734 Wartość p dla testu F,99 Logartm wargodnośc -7,39938 Krt. nform. Akake a 24,7988 Krt. baes. Schwarza 3,85662 Krt. Hannana-Qunna 26, Tabela 3. Estmacja WLS, wkorzstane obserwacje -35 Zmenna zależna (Y): 4 Zmenna jako waga: wag Wszczególnene Współcznnk Błąd stand. t-studenta Wartość p Ważność const -,5859, ,245,88 -,349, ,4678, *** 2,2957,7644 3,868,6 *** 4 -,44966, ,6773 <, *** 6,7954,746274,586,245 6 Trz gwazdk w kolumne ważność oznaczają statstczną stotność na pozome stotnośc ponżej p =,; dwe gwazdk oznaczają stotność zmennej na pozome stotnośc ponżej p =,5, natomast jedna gwazdka oznacza stotność na pozome stotnośc ponżej p =,. Brak gwazdk oznacza brak statstcznej stotnośc danej zmennej objaśnającej.
9 Lnowa funkcja prawdopodobeństwa 69 cd. tabel 3 Podstawowe statstk dla ważonch danch: Suma kwadratów reszt 5,6292 Błąd standardow reszt,72785 Wsp. determ. R-kwadrat,52496 Skorgowan R-kwadrat,46623 F(4, 3) 8,28893 Wartość p dla testu F,26 Logartm wargodnośc -35,55423 Krt. nform. Akake a 8,845 Krt. baes. Schwarza 88,8859 Krt. Hannana-Qunna 83,79298 Podstawowe statstk dla orgnalnch danch: Średn. art. zm. zależnej,2 Odch. stand. zm. zależnej,4584 Suma kwadratów reszt 3,478 Błąd standardow reszt,32353 Porównane wnków z tab. 3 2 wskazuje na wzrost wartośc współcznnka R 2 w rezultace zastosowana uogólnonej metod najmnejszch kwadratów (do pozomu,525) w porównanu z KMNK (,4528). Ponadto wzrosł wartośc statstk t-studenta, zwązane ze zmennm, 2 oraz 4. Po elmnacj słabej zmennej objaśnającej 6 otrzmujem wnk, zameszczon w tab. 4. Tabela 4. Estmacja WLS, wkorzstane obserwacje -35 Zmenna zależna (Y):. Zmenna jako waga: wag Wszczególnene Współcznnk Błąd stand. t-studenta Wartość p Ważność const,3457,6659 5,27 <, *** -,322538, ,6996 <, *** 2,3322, ,463 <, *** 4 -,32774, ,7742 <, *** Podstawowe statstk dla ważonch danch: Suma kwadratów reszt 6,937 Błąd standardow reszt,7392 Wsp. determ. R-kwadrat,48543 Skorgowan R-kwadrat,43564 F(3, 3) 9,7479 Wartość p dla testu F, Logartm wargodnośc -36,954 Krt. nform. Akake a 8,98 Krt. baes. Schwarza 88,294 Krt. Hannana-Qunna 84,5564 Podstawowe statstk dla orgnalnch danch: Średn. art. zm. zależnej,2 Odch. stand. zm. zależnej,4584 Suma kwadratów reszt 3, Błąd standardow reszt,33242
10 7 Jerz W. Wśnewsk 4. Rozwązane uzupełnające dla modelu Goldbergera Posadane szacunków prawdopodobeństwa (częstośc) tworzena werztelnośc przetermnowanch ( ) pozwala na zastosowane nnego rozwązana modelowego dla przgotowana narzędza deczjnego. Owe częstośc wkorzstane zostaną do konstrukcj równana emprcznego, w którm zmenną objaśnaną będze logtowa transformacja zmennej ogranczonej, jaką jest. Przekształcene tej zmennej ogranczonej odbędze sę w dwóch krokach. Najperw wkonana zostane transformacja podstawowa: (p) mn ma = (2) która powoduje, że zmenna dwustronne ogranczona staje sę ogranczoną jednostronne, z mnmum wnoszącm zero. Kolejna transformacja logtowa: (l) (p) mn ma = ln = ln (3) przekształca częstośc w zmenną neogranczoną. Rozważono zatem równane: ( l) = α + β η (4) którego parametr oszacowane zostaną za pomocą KMNK. Rezultat estmacj zameszczone został w tab. 5. Dostrzega sę kolejną poprawę wartośc współcznnka R 2, którego wartość wzrosła do pozomu,585. Ponadto poprawła sę preczja szacunków parametrów strukturalnch równana. Tabela 5. Estmacja KMNK, wkorzstane obserwacje -35 (l) Zmenna zależna (Y): Wszczególnene Współcznnk Błąd stand. t-studenta Wartość p Ważność const -,2934, ,895,682 * -,657637, ,6866,9 *** 2,73486,2462 3,6476, *** 4 -,87824, ,757,3 ***,3252,784,94,655 * 6
11 Lnowa funkcja prawdopodobeństwa 7 cd. tabel 5 Średn. art. zm. zależnej -,82939 Odch. stand. zm. zależnej, Suma kwadratów reszt 7,47664 Błąd standardow reszt,4992 Wsp. determ. R-kwadrat, Skorgowan R-kwadrat, F(4, 3),5778 Wartość p dla testu F,8 Logartm wargodnośc -22,6492 Krt. nform. Akake a 55,29824 Krt. baes. Schwarza 63,7498 Krt. Hannana-Qunna 57,98277 Emprczna funkcja prawdopodobeństwa wnna dostarczć nformacj, które będą przdatne w podejmowanu deczj. W rozpatrwanm przpadku kolejne rozwązana modelowe udzelł odpowedz na ptane o stotne statstczne zmenne, wpłwające na skuteczność wndkacj handlowca. Czter cech osobste okazał sę znaczące w dzałanach wndkacjnch handlowca, z którch trz można uznać za decdujące. Rozwązane zawarte w tab. 5 pozwolło uzskać ważną nformację na temat stotne statstcznm oddzałwanu zmennej 6 na prawdopodobeństwo generowana przez handlowca werztelnośc przetermnowanch. Poprawła sę zatem wartość poznawcza wnków emprcznch. Wkorzstane tch nformacj w konkretnm przedsęborstwe, gd pojaw sę potrzeba zatrudnena kolejnego handlowca, pozwol na ogranczene rzka błędnej deczj kadrowej. Podsumowane Nnejsz artkuł pozwala na wsunęce następującch wnosków:. Lnowa funkcja prawdopodobeństwa jest przdatnm narzędzem analtcznm ekonomst. 2. Umożlwa wskazane stotnch statstczne zmennch wpłwającch na pojawene sę warunków zdefnowanch za pomocą zmennej zerojednkowej w warance przjmującm wartość jeden. 3. Może bć wkorzstana w analze tzw. cech jakoścowch, jak też we wskazwanu uwarunkowań pojawana sę tzw. obserwacj netpowch w szeregach statstcznch. 4. Umejętne wkorzstane emprcznego modelu Goldbergera pozwol na podejmowane deczj, charakterzującch sę zmnejszenem rzka ch negatwnch następstw.
12 72 Jerz W. Wśnewsk Lteratura Churgn J. (985), Jak polczć nepolczalne, Wedza Powszechna, sera OMEGA, Warszawa. Goldberger A.S. (972), Teora ekonometr, PWE, Warszawa. Stevens S.S. (946), On the Theor of Scales Measurement, Scence, Vol. 3, No Wśnewsk J.W. (986), Ekonometrczne badane zjawsk jakoścowch. Studum metodologczne, UMK, Toruń. Wśnewsk J.W. (99), Dnamczne modelowane ekonometrczne ogranczonej zmennej zależnej, Przegląd Statstczn, z. 4, s Wśnewsk J.W. (29), Mkroekonometra, Wdawnctwo Naukowe Unwerstetu Mkołaja Kopernka, Toruń. Wśnewsk J.W. (22), Dlemmas of Economc Measurements n Weak Scales, Fola Oeconomca Stetnensa, No. (8), s Wśnewsk J.W. (23a), Forecastng Staffng Decsons, EKONOMETRIA. ECONO- METRICS (39), Publshng House of Wrocław, Unverst of Economcs Wrocław, s Wśnewsk J.W. (23b), Correlaton and Regresson of Economc Qualtatve Features, LAP LAMBERT Academc Publshng, Saarbrücken. Wśnewsk J.W. (26), Mcroeconometrcs n Busness Management, John Wle&Sons, Chchester. LINEAR FUNCTION OF PROBABILITY Summar: An mportant analtcal tool n econometrcs, servng, nter ala, to nvestgate the assocaton of dumm varables, s a lnear functon of probablt. The functon s also known as Goldberger model. Its specfct s the dumm dependent varable whch causes, that theoretcal values of the emprcal model are emprcal estmates of probablt of a varant, sgned as. The eplanator varables n the model can be both contnuous or dscrete. The Goldberger model s an mportant nstrument for the measurement of the casual condtons, manl qualtatve varables, but also the quanttatve varables. However, t requres a specfc approach, prmarl n estmatng of ts parameters. Kewords: dumm varable, assocaton, probablt, econometrc model.
Rachunek 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 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 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 szczegółowoRACHUNEK NIEPEWNOŚCI POMIARU
Mędznarodowa Norma Ocen Nepewnośc Pomaru(Gude to Epresson of Uncertant n Measurements - Mędznarodowa Organzacja Normalzacjna ISO) RACHUNEK NIEPEWNOŚCI http://phscs.nst./gov/uncertant POMIARU Wrażane Nepewnośc
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 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 szczegółowoINFORMATYKA W SELEKCJI
IFORMATYKA W SELEKCJI IFORMATYKA W SELEKCJI - zagadnena. Dane w prac hodowlanej praca z dużm zborem danch (Ecel). Podstaw prac z relacjną bazą danch w programe MS Access 3. Sstem statstczne na przkładze
Bardziej szczegółowoformularzy opisowych, ankiet lub innych dokumentów stanowi nieuporządkowany statystyczny, stanowi on podstawę dalszych
Zebran materał statstczn w forme sprawozdań, formularz opsowch, anket lub nnch dokumentów stanow neuporządkowan surow materał statstczn, neprzdatn jeszcze do bezpośrednej analz, porównań wnosków. Materał
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 szczegółowoStatystyka i opracowanie danych W 5: Odkrywanie i analiza zależności pomiędzy zmiennymi losowymi (danymi empirycznymi)
Statstka opracowane danch W 5: Odkrwane analza zależnośc pomędz zmennm losowm (danm emprcznm) Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Odkrwane analza zależnośc pomędz zmennm loścowm(lczowm) Przedmotem
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 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 szczegółowoZad 2 Dynamika zatrudnienia mierzona indeksami łańcuchowymi w ostatnich pięciu latach kształtowały się następująco: Lata Indeksy ( w %)
Analza dnamk Zad. 1 Indeks lczb studującch studentów w województwe śląskm w kolejnch pęcu latach przedstawał sę następująco: Lata 1 2 3 4 5 Indeks jednopodstawowe z roku t = 1 100,0 115,7 161,4 250,8 195,9
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 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 szczegółowoZaawansowane metody numeryczne
Wykład 9. jej modyfkacje. Oznaczena Będzemy rozpatrywać zagadnene rozwązana następującego układu n równań lnowych z n newadomym x 1... x n : a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x
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 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 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 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 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 szczegółowoProcedura normalizacji
Metody Badań w Geograf Społeczno Ekonomcznej Procedura normalzacj Budowane macerzy danych geografcznych mgr Marcn Semczuk Zakład Przedsęborczośc Gospodark Przestrzennej Instytut Geograf Unwersytet Pedagogczny
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 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 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 szczegółowotermodynamika fenomenologiczna p, VT V, teoria kinetyczno-molekularna <v 2 > termodynamika statystyczna n(v) to jest długi czas, zachodzi
fzka statstczna stan makroskopow układ - skończon obszar przestrzenn (w szczególnośc zolowan) termodnamka fenomenologczna p, VT V, teora knetczno-molekularna termodnamka statstczna n(v) stan makroskopow
Bardziej szczegółowoBADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda
BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp
Bardziej szczegółowoEKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnienia
EKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnena dr Dorota Cołek Katedra Ekonometr Wydzał Zarządzana UG http://wzr.pl/dorota-colek/ dorota.colek@ug.edu.pl 1 Wpływ skalowana danych na MNK
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 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 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 Nehrebecka. Zajęcia 1-2
Stanisław Cichocki Natalia Nehreecka Zajęcia - . Model liniow Postać modelu liniowego Zapis macierzow modelu liniowego. Estmacja modelu Przkład Wartość teoretczna (dopasowana) Reszt 3. MNK - przpadek wielu
Bardziej szczegółowoCZĘŚĆ 6. MODEL REGRESJI, TREND LINIOWY ESTYMACJA, WNIOSKOWANIE
CZĘŚĆ 6. MODEL REGRESJI, TREND LINIOWY ESTYMACJA, WNIOSKOWANIE Zadane 1. Na podstawe obserwacj dotczącch welkośc powerzchn ekspozcjnej (cecha X w m kw.) oraz welkośc dzennego obrotu punktu sprzedaż płtek
Bardziej szczegółowoSZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.
Bardziej szczegółowoPropozycja modyfikacji klasycznego podejścia do analizy gospodarności
Jacek Batóg Unwersytet Szczecńsk Propozycja modyfkacj klasycznego podejśca do analzy gospodarnośc Przedsęborstwa dysponujące dentycznym zasobam czynnków produkcj oraz dzałające w dentycznych warunkach
Bardziej szczegółowoKlasyfkator lnowy Wstęp Klasyfkator lnowy jest najprostszym możlwym klasyfkatorem. Zakłada on lnową separację lnowy podzał dwóch klas mędzy sobą. Przedstawa to ponższy rysunek: 5 4 3 1 0-1 - -3-4 -5-5
Bardziej szczegółowoRozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1
Rozkład dwupunktowy Zmenna losowa przyjmuje tylko dwe wartośc: wartość 1 z prawdopodobeństwem p wartość 0 z prawdopodobeństwem 1- p x p 0 1-p 1 p suma 1 Rozkład dwupunktowy Funkcja rozkładu prawdopodobeństwa
Bardziej szczegółowoMikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 13 Mkołaj Czajkowsk Wktor Budzńsk Symulacje Analogczne jak w przypadku cągłej zmennej zależnej można wykorzystać metody Monte Carlo do analzy różnego rodzaju problemów w modelach gdze zmenna
Bardziej szczegółowoe) Oszacuj parametry modelu za pomocą MNK. Zapisz postać modelu po oszacowaniu wraz z błędami szacunku.
Zajęcia 4. Estymacja i weryfikacja modelu model potęgowy Wersja rozszerzona W pliku Funkcja produkcji.xls zostały przygotowane przykładowe dane o produkcji, kapitale i zatrudnieniu dla 27 przedsiębiorstw
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 szczegółowo( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X
Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są
Bardziej szczegółowoDiagonalizacja macierzy kwadratowej
Dagonalzacja macerzy kwadratowej Dana jest macerz A nân. Jej wartośc własne wektory własne spełnają równane Ax x dla,..., n Każde z równań własnych osobno można zapsać w postac: a a an x x a a an x x an
Bardziej szczegółowoPattern Classification
attern Classfcaton All materals n these sldes were taken from attern Classfcaton nd ed by R. O. Duda,. E. Hart and D. G. Stork, John Wley & Sons, 000 wth the permsson of the authors and the publsher Chapter
Bardziej szczegółowoTermodynamika. Wydział Inżynierii Mechanicznej i Robotyki II rok inż. Pomiary temperatury Instrukcja do ćwiczenia
Termodnamka Wdzał Inżner Mechancznej Robotk II rok nż. Pomar temperatur Instrukcja do ćwczena Katedra Sstemów Energetcznch Urządzeń Ochron Środowska AGH Kraków 014 1. INSTRUKCJA DO ĆWICZENIA LABORATORYJNEGO
Bardziej szczegółowoZestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.
Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :
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 szczegółowoTermodynamika techniczna
Termodnamka technczna Wdzał Geolog, Geofzk Ochron Środowska Ekologczne Źródła Energ II rok Pomar temperatur Instrukcja do ćwczena Katedra Sstemów Energetcznch Urządzeń Ochron Środowska AGH Kraków 015 1.
Bardziej szczegółowoPrzedziały ufności i testy parametrów. Przedziały ufności dla średniej odpowiedzi. Interwały prognoz (dla przyszłych obserwacji)
Wkład 1: Prosta regresja liniowa Statstczn model regresji liniowej Dane dla prostej regresji liniowej Przedział ufności i test parametrów Przedział ufności dla średniej odpowiedzi Interwał prognoz (dla
Bardziej szczegółowoWPŁYW AKCESJI POLSKI DO UNII EUROPEJSKIEJ NA ROZWÓJ ROLNICTWA EKOLOGICZNEGO. Lidia Luty
74 LIDIA LUTY ROCZNIKI NAUKOWE EKONOMII ROLNICTWA I ROZWOJU OBSZARÓW WIEJSKICH, T. 11, z. 1, 214 WPŁYW AKCESJI POLSKI DO UNII EUROPEJSKIEJ NA ROZWÓJ ROLNICTWA EKOLOGICZNEGO Lda Lut Katedra Statstk Matematcznej
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 szczegółowoBadanie optymalnego poziomu kapitału i zatrudnienia w polskich przedsiębiorstwach - ocena i klasyfikacja
Jacek Batóg Unwersytet Szczecńsk Badane optymalnego pozomu kaptału zatrudnena w polskch przedsęborstwach - ocena klasyfkacja Prowadząc dzałalność gospodarczą przedsęborstwa kerują sę jedną z dwóch zasad
Bardziej szczegółowoSłużą opisowi oraz przewidywaniu przyszłego kształtowania się zależności gospodarczych.
MODEL EOOMERYCZY MODEL EOOMERYCZY DEFIICJA Modl konomtrczn jst równanm matmatcznm (lub układm równao), któr przdstawa zasadncz powązana loścow pomędz rozpatrwanm zjawskam konomcznm., uwzględnającm tlko
Bardziej szczegółowoOeconomiA copernicana 2013 Nr 3. Modele ekonometryczne w opisie wartości rezydualnej inwestycji
OeconomA coperncana 2013 Nr 3 ISSN 2083-1277, (Onlne) ISSN 2353-1827 http://www.oeconoma.coperncana.umk.pl/ Klber P., Stefańsk A. (2003), Modele ekonometryczne w opse wartośc rezydualnej nwestycj, Oeconoma
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 szczegółowoE K O N O M E T R I A
E K O N O M E T R I A LITERATURA: Ekonometra, red. M. Krzsztofak, PWE, Warszawa 1984 Ekonometra, S. Bartosewcz, PWE, Warszawa 1978 Matematczne Technk Zarz¹dzana dzana, skrpt AGH, rozdzaù V Statstka w zarz¹dzanu,
Bardziej szczegółowoMetody prognozowania: Jakość prognoz Wprowadzenie (1) 6. Oszacowanie przypuszczalnej trafności prognozy
Metod prognozowania: Jakość prognoz Dr inż. Sebastian Skoczpiec ver. 03.2012 Wprowadzenie (1) 1. Sformułowanie zadania prognostcznego: 2. Określenie przesłanek prognostcznch: 3. Zebranie danch 4. Określenie
Bardziej szczegółowoPrzypomnienie: wykłady i zadania kursu były zaczerpnięte z podręczników: Model statystyczny Format danych
Wkład 13: (prota) regreja lnowa Model tattczn Format danch Przedzał ufnośc tet totnośc dla parametrów modelu Przpomnene: wkład zadana kuru bł zaczerpnęte z podręcznków: Stattka dla tudentów kerunków techncznch
Bardziej szczegółowoJózef Beluch Akademia Górniczo-Hutnicza w Krakowie. Wpływ wag współrzędnych na wyniki transformacji Helmerta
Józef Beluch Akadema Górczo-Hutcza w Krakowe płw wag współrzędch a wk trasformacj Helmerta . zór a trasformację współrzędch sposobem Helmerta: = c + b = d + a + a b () 2 2. Dwa modele wzaczea parametrów
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 szczegółowoTeoria i praktyka. Wyższa Szkoła Turystyki i Ekologii. Fizyka. WSTiE Sucha Beskidzka Fizyka
Nepewośc pomarowe. Teora praktka. Prowadząc: Dr ż. Adrzej Skoczeń Wższa Szkoła Turstk Ekolog Wdzał Iformatk, rok I Fzka 014 03 30 WSTE Sucha Beskdzka Fzka 1 Iformacje teoretcze zameszczoe a slajdach tej
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 szczegółowoMETODA UNITARYZACJI ZEROWANEJ Porównanie obiektów przy ocenie wielokryterialnej. Ranking obiektów.
Opracowane: Dorota Mszczyńska METODA UNITARYZACJI ZEROWANEJ Porównane obektów przy ocene welokryteralnej. Rankng obektów. Porównane wybranych obektów (warantów decyzyjnych) ze względu na różne cechy (krytera)
Bardziej szczegółowo; -1 x 1 spełnia powyższe warunki. Ale
Funkcje uwkłane Przkła.ozważm równane np. nech. Ptane Cz la owolneo [ ] stneje tak że? Nech. Wówczas unkcja - spełna powższe warunk. Ale spełna je także unkcja [ ] Q. Dokłaając warunek cąłośc unkcj [ ]
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 szczegółowoELEKTROCHEMIA. ( i = i ) Wykład II b. Nadnapięcie Równanie Buttlera-Volmera Równania Tafela. Wykład II. Równowaga dynamiczna i prąd wymiany
Wykład II ELEKTROCHEMIA Wykład II b Nadnapęce Równane Buttlera-Volmera Równana Tafela Równowaga dynamczna prąd wymany Jeśl układ jest rozwarty przez elektrolzer ne płyne prąd, to ne oznacza wcale, że na
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 . Zmenne dyskretne Kontrasty: efekty progowe, kontrasty w odchylenach Interakcje. Przyblżane model nelnowych Stosowane do zmennych dyskretnych o uporządkowanych
Bardziej szczegółowoBadanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej
Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.
Bardziej szczegółowoMotto. Czy to nie zabawne, że ci sami ludzie, którzy śmieją się z science fiction, słuchają prognoz pogody oraz ekonomistów? (K.
Motto Cz to nie zabawne, że ci sami ludzie, którz śmieją się z science fiction, słuchają prognoz pogod oraz ekonomistów? (K. Throop III) 1 Specfika szeregów czasowch Modele szeregów czasowch są alternatwą
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 szczegółowoKURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
Bardziej szczegółowoEKONOMETRYCZNA ANALIZA WPŁYWU CZYNNIKÓW SUBIEKTYWNYCH NA DZIAŁALNOŚĆ SPÓŁEK NOTOWANYCH NA GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH W WARSZAWIE
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 31 Marusz Doszyń Unwersytet Szczecńsk Beata Antonewcz-Nogaj Ccero SC EKONOMETRYCZNA ANALIZA WPŁYWU CZYNNIKÓW SUBIEKTYWNYCH NA DZIAŁALNOŚĆ SPÓŁEK
Bardziej szczegółowo; -1 x 1 spełnia powyższe warunki. Ale
AIB-Inormatka-Wkła - r Aam Ćmel cmel@.ah.eu.pl Funkcje uwkłane Przkła.ozważm równane np. nech. Ptane Cz la owolneo [] stneje tak że? Nech. Wówczas unkcja - spełna powższe warunk. Ale [ ] Q spełna je także
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 szczegółowoMikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 10 Mkołaj Czajkowsk Wktor Budzńsk Jak analzować dane o charakterze uporządkowanym? Dane o charakterze uporządkowanym Wybór jednej z welkośc na uporządkowanej skal Skala ne ma nterpretacj
Bardziej szczegółowoProblemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA
Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA
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 szczegółowoSTUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 25
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 5 Marusz Doszyń Unwersytet Szczecńsk ZASTOSOWANIE FUNKCJI O STAŁEJ ELASTYCZNOŚCI SUBSTYTUCJI (CES) ORAZ FUNKCJI COBBA-DOUGLASA DO OCENY KONKURENCYJNOŚCI
Bardziej szczegółowoMinister Edukacji Narodowej Pani Katarzyna HALL Ministerstwo Edukacji Narodowej al. J. Ch. Szucha 25 00-918 Warszawa Dnia 03 czerwca 2009 r.
Mnster Edukacj arodowej Pan Katarzyna HALL Mnsterstwo Edukacj arodowej al. J. Ch. Szucha 25 00-918 arszawa Dna 03 czerwca 2009 r. TEMAT: Propozycja zmany art. 30a ustawy Karta auczycela w forme lstu otwartego
Bardziej szczegółowoAnaliza korelacji i regresji
Analza korelacj regresj Zad. Pewen zakład produkcyjny zatrudna pracownków fzycznych. Ich wydajność pracy (Y w szt./h) oraz mesęczne wynagrodzene (X w tys. zł) przedstawa ponższa tabela: Pracownk y x A
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 5. SZTUCZNE SIECI NEURONOWE REGRESJA Częstochowa 4 Dr hab. nż. Grzegorz Dudek Wdzał Elektrczn Poltechnka Częstochowska PROBLEM APROKSYMACJI FUNKCJI Aproksmaca funkc przblżane
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 szczegółowoBadanie współzaleŝności dwóch cech ilościowych X i Y. Analiza korelacji prostej. Badanie zaleŝności dwóch cech ilościowych. Analiza regresji prostej
Badane współzaleŝnośc dwóch cech loścowych X Y. Analza korelacj prostej Badane zaleŝnośc dwóch cech loścowych. Analza regresj prostej Kody znaków: Ŝółte wyróŝnene nowe pojęce czerwony uwaga kursywa komentarz
Bardziej szczegółowoINSTRUKCJA LABORATORIUM Metrologia techniczna i systemy pomiarowe.
INSTRUKCJA LABORATORIUM Metrologa techcza sstem pomarowe. MTSP pomar MTSP 00 Autor: dr ż. Potr Wcślok Stroa / 5 Cel Celem ćwczea jest wkorzstae w praktce pojęć: mezurad, estmata, błąd pomaru, wk pomaru,
Bardziej szczegółowoZmienne losowe typu ciągłego. Parametry zmiennych losowych. Izolda Gorgol wyciąg z prezentacji (wykład III)
Zmienne losowe tpu ciągłego. Parametr zmiennch losowch. Izolda Gorgol wciąg z prezentacji (wkład III) Zmienna losowa tpu ciągłego Zmienna losowa X o ciągłej dstrbuancie F nazwa się zmienną losową tpu ciągłego,
Bardziej szczegółowoSystem Przeciwdziałania Powstawaniu Bezrobocia na Terenach Słabo Zurbanizowanych SPRAWOZDANIE Z BADAŃ Autor: Joanna Wójcik
Opracowane w ramach projektu System Przecwdzałana Powstawanu Bezroboca na Terenach Słabo Zurbanzowanych ze środków Europejskego Funduszu Społecznego w ramach Incjatywy Wspólnotowej EQUAL PARTNERSTWO NA
Bardziej szczegółowoWSHiG Karta przedmiotu/sylabus. Studia stacjonarne 15 w Studia niestacjonarne 8 w Studia stacjonarne 45 ćw Studia niestacjonarne 12 ćw
WSHG Karta przedmotu/sylabus KIERUNEK SPECJALNOŚĆ TRYB STUDIÓW SEMESTR Turystyka Rekreacja Obsługa Ruchu Turystycznego Stacjonarny / nestacjonarny VI / I stopna Nazwa przedmotu Analza turystycznego ORT_MKK_S_21
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 szczegółowoMETODY KOMPUTEROWE 10
MEODY KOMPUEROWE RÓWNANIA RÓŻNICZKOWE CZĄSKOWE Poechnka Poznańska Mchał Płokowak Adam Łodgowsk Mchał PŁOKOWIAK Adam ŁODYGOWSKI Konsace nakowe dr nż. Wod Kąko Poznań 00/00 MEODY KOMPUEROWE 0 RÓWNANIA RÓŻNICZKOWE
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 szczegółowoEkonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
mę, nazwsko, nr ndeksu: Ekonometra egzamn 1//19 1. Egzamn trwa 9 mnut.. Rozwązywane zadań należy rozpocząć po ogłoszenu początku egzamnu a skończyć wraz z ogłoszenem końca egzamnu. Złamane tej zasady skutkuje
Bardziej szczegółowoAnaliza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A
Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe
Bardziej szczegółowoaij - wygrana gracza I bij - wygrana gracza II
M.Mszczsk KBO UŁ, Badana operacjne I (cz.) (wkład B 7) GRY KONFLIKTOWE GRY -OSOBOWE O SUMIE WYPŁT ZERO I. DEFINICJE TWIERDZENI Konflktowe gr dwuosobowe opsuje macerz wpłat ( a ) [ ] mxn j,b j gdze: aj
Bardziej szczegółowoMECHANIKA 2 MOMENT BEZWŁADNOŚCI. Wykład Nr 10. Prowadzący: dr Krzysztof Polko
MECHANIKA Wykład Nr 10 MOMENT BEZWŁADNOŚCI Prowadzący: dr Krzysztof Polko Defncja momentu bezwładnośc Momentem bezwładnośc punktu materalnego względem płaszczyzny, os lub beguna nazywamy loczyn masy punktu
Bardziej szczegółowoANALIZA SZEREGÓW CZASOWYCH
ANALIZA SZEREGÓW CZASWYCH Szereg czasow zbór warośc baanej cech lub warośc baanego zjawska zaobserwowanch w różnch momenach czasu uporząkowan chronologczne. Skłank szeregu czasowego:. enencja rozwojowa
Bardziej szczegółowoZESTAW ZADAŃ Z INFORMATYKI
(Wpsue zdaąc przed rozpoczęcem prac) KOD ZDAJĄCEGO ZESTAW ZADAŃ Z INFORMATYKI CZĘŚĆ II (dla pozomu rozszerzonego) GRUDZIEŃ ROK 004 Czas prac 50 mnut Instrukca dla zdaącego. Proszę sprawdzć, cz zestaw zadań
Bardziej szczegółowoKształtowanie się firm informatycznych jako nowych elementów struktury przestrzennej przemysłu
PRACE KOMISJI GEOGRAFII PRZEMY SŁU Nr 7 WARSZAWA KRAKÓW 2004 Akadema Pedagogczna, Kraków Kształtowane sę frm nformatycznych jako nowych elementów struktury przestrzennej przemysłu Postępujący proces rozwoju
Bardziej szczegółowoWSHiG Karta przedmiotu/sylabus. Studia stacjonarne 15 w Studia niestacjonarne 8 w Studia stacjonarne 45 ćw Studia niestacjonarne 12 ćw
WSHG Karta przedmotu/sylabus KIERUNEK SPECJALNOŚĆ TRYB STUDIÓW SEMESTR Turystyka Rekreacja Obsługa Ruchu Turystycznego Stacjonarny / nestacjonarny VI / I stopna Nazwa przedmotu Analza ORT_MKK_S_21 ORT_MKK_NST_21
Bardziej szczegółowoModelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja
Modelowane oblczena technczne Metody numeryczne w modelowanu: Optymalzacja Zadane optymalzacj Optymalzacja to ulepszane lub poprawa jakośc danego rozwązana, projektu, opracowana. Celem optymalzacj jest
Bardziej szczegółowo0. Oszacowanie kilku prostych regresji, interpretacja oszacować parametrów
0. Oszacowane klku prostych regresj, nterpretacja oszacować parametrów Zacznemy od oszacowana metodą najmnejszych kwadratów następującego modelu: dochod = β0 + βwekwek + ε Najperw zastanowmy sę w jak sposób
Bardziej szczegółowo