Stopę zbieżności ciagu zmiennych losowych a n, takiego, że E (a n ) < oznaczamy jako a n = o p (1) prawdopodobieństwa szybciej niż n α.
|
|
- Maria Wróbel
- 5 lat temu
- Przeglądów:
Transkrypt
1 Stopy zbieżności Stopę zbieżności ciagu zmiennych losowych a n, takiego, że a n oznaczamy jako a n = o p (1 p 0 a Jeśli n p n α 0, to a n = o p (n α i mówimy a n zbiega według prawdopodobieństwa szybciej niż n α Zauważmy, że jeśli a n n α a n = o p (n α p 0, to ( n α a n n a p 0 a więc a n = o p (1 = Stopę zbieżności ciagu zmiennych losowych a n, takiego, że E (a n < i Var (a n < dla wszytkich n oraz plim [E (a n ] < i plim Var (a n <, oznaczamy jako a n = O p (1 (pojęcie te definiuje się czasami nieco ogólniej Wykład z Ekonometrii, III rok, WE UW 1
2 a n Jeśli n α = O p (1, to a n = O p (n α i mówimy a n zbiega conajmniej tak szybko jak n α Podobnie jak w poprzednim przypadku, jeśli a n = O p (1 = n α a n = O p (n α Dodatkowo a n = o p (1 i b n = O p (1, to a n b n = o p (1 Wykład z Ekonometrii, III rok, WE UW 2
3 Estymatory M Estymator M θ jest rozwiazaniem problemu minimalizacji θ = arg min θ Θ 1 q (w i, θ dla pewnej funkcji celu q (w i, θ Zakładamy, że wektor wektor parametrów θ 0 jest jedynym rozwiazaniem tego problemu w populacji - mówimy wtedy problem, że θ jest zidentyfikowana θ 0 = arg min E [q (w i, θ] θ Θ Wykład z Ekonometrii, III rok, WE UW 3
4 Z Prawa Wielkich Liczb wiemy, że 1 q (w i, θ p E [q (w i, θ] i jeśli θ minimalizuje lewa stronę a θ 0 prawa stronę, to wydaje się logiczne, by θ p θ 0 Przykład ieliniowa Metoda ajmniejszych Kwadratów y i = m (x i,θ 0 + u i E (u i x i = 0 Funkcja celu dla MK jest minimalizacja sumy kwadratów reszt q i (x i, θ q (y i, x i, θ = [y i m (x i, θ] 2 Wykład z Ekonometrii, III rok, WE UW 4
5 Wartość oczekiwana q i a więc E [q (y i, x i, θ x i ] = E [y i m (x i, θ x i ] 2 = E [y i m (x i,θ 0 + [m (x i, θ m (x i,θ 0 ] x i ] 2 = E ( u 2 i x i 2 E (u i x i [m (x i, θ m (x i,θ 0 ] + [m (x i, θ m (x i,θ 0 ] 2 = E ( u 2 i xi + [m (xi, θ m (x i,θ 0 ] 2 E [q (y i, x i, θ x i ] > E [q (y i, x i,θ 0 x i ] = E ( u 2 i x i dla θ θ0 Jeśli policzymy teraz wartości oczekiwane względem x i bezwarunkowe wartości oczekiwane: to otrzymamy E [q (y i, x i, θ] > E [q (y i, x i,θ 0 ] dla θ θ 0 Wykład z Ekonometrii, III rok, WE UW 5
6 Istotnie więc w θ 0 jest minimum wartości oczekiwanej funkcji celu. Jedynym założeniem, które było nam potrzebne do udowodnienia tego, że możemy zastosować estymator M było E (u i x i = 0. Estymator M można więc wyprowadzić przy znacznie słabszych sałożeniach niż estymator M W dla tego modelu. Wykład z Ekonometrii, III rok, WE UW 6
7 Jednostajna zbieżność i zgodność Aby dowieść, zgodność estymatora musimy dowieść, że 1 q (w i, θ jest jednostajnie zbieżne do swojej wartości oczekiwanej (co jest silniejszym typem zbieżności niż normalna zbieżność: max θ Θ 1 q (w i, θ E [q (w i, θ] p 0 Intuicja: jednostajna zbieżność zachodzi, gdy maksymalna różnica między funkcjami daży według prawdopodobieństwa do zera Wykład z Ekonometrii, III rok, WE UW 7
8 Przykład ieliniowa Metoda ajmniejszych Kwadratów max θ Θ 1 [m (x i, θ + u i ] E [m (x i, θ + u i ] p 0 1 będzie spełnione jeśli u i dla każdego θ. p 0 i 1 m (x i, θ p E [m (x i, θ], Wykład z Ekonometrii, III rok, WE UW 8
9 Jeśli zachodzi jednostajna zbieżność, to plim θ = plim [ = arg min θ 1 arg min θ [ plim 1 ] q (w i, θ ] q (w i, θ = arg min θ {E [q (w i,θ 0 ]} = θ 0 przy czym jednostajna zbieżności umożliwia policzenie granicy argumentu (plim [arg min θ ( ] jako argumentu granicy (arg min θ [plim ( ] Estymator M jest zgodny. Dowód. Z definicji jednostajnej zbieżności oraz zbieżności funkcji celu Wykład z Ekonometrii, III rok, WE UW 9
10 mamy: max θ Θ 1 q (w i, θ E [q (w i, θ] + E [q (w i,θ 0 ] 1 q (w i,θ 0 p 0 Korzystajac z tego, że x 1 + x 2 x 1 + x 2 0 mamy max θ Θ 1 q (w i, θ 1 q (w i,θ 0 + E [q (w i,θ 0 ] E [q (w i, θ] p 0 ale z założenia, że E [q (w i,θ 0 ] jest minimum wynika, że E [q (w i, θ] E [q (w i,θ 0 ] = α 0 a więc max θ Θ 1 q (w i, θ 1 q (w i,θ 0 α p 0 Wykład z Ekonometrii, III rok, WE UW 10
11 Z tego z kolei wnioskujemy, że 1 q (w i, θ 1 q (w i,θ 0 p α 0 dla każdego θ przy czym równość zachodzi jedynie dla θ = θ 0. Wnioskujemy z tego, że w granicy 1 q (w i, θ osiaga minimum dla θ = θ 0. Jeśli θ to p θ 0 i funkcja r (w i, θ jest jednostajnie zbieżna do E [r (w i, θ], i w zwiazku z tym 1 r 1 ( r w i, θ ( w i, θ p E [r (w i,θ 0 ] [ ( jest zgodnym estymatorem E r w i, θ ] Dowód. Z definicji jednostajnej zbieżności oraz zbieżności funkcji celu Wykład z Ekonometrii, III rok, WE UW 11
12 mamy: max θ Θ 1 r Z twierdzenia Cramera wynika E ( w i, θ E [ ( ] p r w i, θ 0 [ ( ] p r w i, θ E [r (w i, θ] Z kolei z jednostajnej zbieżności wnioskujemy, że 1 r ( p w i, θ E [r (w i, θ] Wykład z Ekonometrii, III rok, WE UW 12
13 Asymptotyczna normalność estymatorów M Założenia: 1. spełnione sa warunki, dla których estymator M jest zgodny θ θ 0 = o p (1 2. poszczególne s (w i, θ sa niezależne i maja identyczne rozkłady bezwarunkowe 1 3. gradient s (w i, θ s (w i, θ i hessjan 1 H (w i, θ sa jednostajnie zbieżne odpowiednio do E [ s (w i, θ s (w i, θ ] i E [H (w i, θ] gdzie s (w i, θ jest pierwsza pochodna q (w i, θ Estymator θ minimalizuje wartość oczekiwana q (w, θ Wykład z Ekonometrii, III rok, WE UW 13
14 Jeśli q (w, θ jest ciagle różniczkowalna, to pierwsza pochodna q (w, θ powinna być równa 0 dla θ s ( w i, θ = 0 Funkcja s (w i, θ jest gradientem elementu funkcji q (w i, θ celu (score Rozwinięcie Taylora (w s i, θ s gdzie H i ( w i, θ = H = ( w i, θ wokół θ 0 daje ( s (w i, θ 0 + H i ( θ θ0 + o p (1 jest hessjanem funkcji celu. Zbieżność reszty Wykład z Ekonometrii, III rok, WE UW 14
15 wynika z tego, że θ θ 0 = o p (1. Jak już wspomniano (w s i, θ = 0 ( s (w i, θ 0 = H i ( θ θ0 + o p (1 Z Prawa Wielkich Liczb wynika, że 1 H p i E [H (w,θ 0 ] = A 0 = O p (1 (zakładamy dodatkowo, że A 0 jest nieosobliwa. Mnożac obie strony przez 1 uzyskujemy 1 ( 1 s (w i, θ 0 = H i ( θ θ0 + o p ( 1 Wykład z Ekonometrii, III rok, WE UW 15
16 dzielac obie strony przez 1 H i = O p (1, przenoszac na druga stronę i mnożac przez uzyskujemy ( θ θ0 ( 1 = 1 [ H i 1 ] s (w i, θ 0 + o p ( 1 A więc ( θ θ0 = A 1 0 [ 1 s (w i, θ 0 ] + o p ( 1 Zauważmy, że przy spełnionych warunkach regularności: [ ] θ E [q (w, θ] θ=θ0 = E q (w, θ = E [s (w, θ 0 ] = 0 θ θ=θ 0 Wykład z Ekonometrii, III rok, WE UW 16
17 Ponieważ zgodnie z założeniami q (w i, θ sa niezależne i maja identyczne rozkłady więc s (w i, θ 0 spełnia Centralnego Twierdzenia Granicznego i 1 s (w i, θ 0 D (0, B 0 gdzie W rezultacie B 0 = E [ s (w i, θ 0 s (w i, θ 0 ] D ( ( θ θ0 0, A 1 0 B 0A 1 0 Rozkład estymatora M jest normalny! Aasymptotyczna aproksymacja wariancji estymatora może być znaleziona Wykład z Ekonometrii, III rok, WE UW 17
18 jako a θ θ 0 (0, 1 A 1 0 B 0A 1 0 Wykład z Ekonometrii, III rok, WE UW 18
19 Estymatory macierzy wariancji dla estymatorów M Często trudno jest bezpośrednio znaleźć B 0 A 0 = E [H (w,θ 0 ]. = E [ s (w, θ 0 s (w, θ 0 ] i Jednak używajac poprzednio wprowadzonego Lematu: Â = 1 H ( w i, θ = 1 Ĥ i p E [H (w,θ 0 ] = A 0 Wady tego estymatora: konieczne policzenie macierzy drugich pochodnych estymator nie zawsze musi być dodatnio określony Wykład z Ekonometrii, III rok, WE UW 19
20 W wielu zastosowanich ekonomicznych wnioskowanie prowadzimy warunkowo wględem x i i liczymy w zwiazku z tym warunkowa macierz: A i = A (x i,θ 0 = E [H (w i, θ x i ] Zgodnie z prawem iterowanych wartosci oczekiwanych E [A (x i,θ 0 ] = E [H (w i, θ] = A 0 Dalej  = 1 A ( x i, θ = 1  i p A 0 Ten estymator ma sens jeśli można łatwo uzyskać E [H (w i, θ x i ]. W wielu przypadkach można pokazać, że estymator ten jest dodatnio określony. Wykład z Ekonometrii, III rok, WE UW 20
21 Estymator B 0 można uzyskać w sposób analogiczny: B = 1 s ( w i, θ ( s w i, θ = 1 ŝ i ŝ i p B 0 W rezultacie zgodnym estymatorem wariancji ( θ θ0 będzie V = Â 1 BÂ 1 A asymptotyczna aproksymacja wariancji θ jest Avar ( θ = Â 1 BÂ 1/ Wykład z Ekonometrii, III rok, WE UW 21
22 W wielu przypadkach można uzyskać znaczne uproszczenie, jeśli E [ s (w, θ s (w, θ ] = σ 2 0 E [H (w, θ 0 ] (* albo B 0 = σ 2 A 0 W tym szczególnym (choć częstym - tak jest np. w MW dla σ 2 0 = 1 przypadku: V = σ 2 Â 1 1 = B Macierz warinacji kowariancji Avâr ( θ = Â 1 BÂ 1/ jest niekiedy nazywana odporna macierz wariancji kowariancji (robust, ponieważ daje prawidłowe oszacowania nawet wtedy, gdy nie jest spełnione założenie * Przykład Szacowanie macierzy wariancji kowariancji w MK w przypadku występowania heteroskedastyczności. Wykład z Ekonometrii, III rok, WE UW 22
23 Standardowa postać macierzy wariancji kowariancji estymator M K została wyprowadzona przy założeniu braku heteroskedastyczności (KM RL. Dowiedliśmy wcześniej, że estymator M oparty na minimalizacji sumy kwadratów reszt dla modelu postaci y i = m (x i,θ 0 + u i jest zgodny jeśli tylko E (u i x i = 0. Odnosi się to oczywiście także do modelu do modelu liniowego m (x i, β = x i β, q (y i, x i, β = (y i x i β 2. Zakładmy dodatkowo, że Var (u i = σ 2, że u i, u j sa niezależne i u i ma ten sam rozkład dla każdego i. Różnica w stosunku do KMRL. ie zakładamy braku zależności między wariancja a zmiennymi objaśniajacymi. Var (u i x i może nie być stała dla każdego i. Zakładamy jedynie, że Ex [Var (u i x i ] = Var (u i = σ 2. Dla modelu liniowego wektor score i oszacowania z parametru β Wykład z Ekonometrii, III rok, WE UW 23
24 oznaczonego b mamy s (y i, x i, b = 2x ix i b 2x iy i = = x i (y i x i b = 2x ie i W zwiazku z tym oszacowaniem B jest równe B = 4 1 x i x ie 2 i. Hessian funkcji celu jest równy H (y i, x i, β = 2x ix i a więc oszacowaniem macierzy A 0 będzie  = 1 2x ix i = 2X X Wykład z Ekonometrii, III rok, WE UW 24
25 W rezultacie oszacowaniem macierzy wariancji kowariancji będzie Avar (b = ( X X ( 1 (X x ix i e 2 i X 1 a więc macierz odporna White a. Wykład z Ekonometrii, III rok, WE UW 25
26 Testowanie hipotez Podobnie jak w przypadku MW dla estymatorów M można zastosować odpowiedniki testów Walda, mnożnikow Lagrange a LM i ilorazu wiarogodności LR. Przy ogólnej hipotezie nieliniowej h (θ = 0 i założeniu, że H (θ = h(θ θ ma pełen rzad Test Walda ma postać W = ĥ [ Ĥ V Ĥ ] 1 ĥ D χ 2 g gdzie V jest asympotyczna wariancja θ, ( θ ĥ = h, ( θ Ĥ = H Wykład z Ekonometrii, III rok, WE UW 26
27 Test mnożników Lagrange a ( ŝ i  1 Ĥ ( ( Ĥ V Ĥ 1 / Ĥ 1 ŝ i d χ 2 Q gdzie wszystkie ŝ i = s i ( θr, Ĥ = H ( θr. Test QLR (quasi iloraz wiarygodności ma postać [ QLR = 2 q (w i, θ R q ( ] d w i, θ χ 2 Q gdzie θ R jest estymatorem z ograniczeniami θ bez ograniczeń Wykład z Ekonometrii, III rok, WE UW 27
28 Estymatory MW i pseudo MW W przypadku modelu estymowanego M W funkcja gęstości musimy znać warunkowa funkcję gęstości dla każdej obserwacji f (y i x i ; θ = p 0 (y i x i Estymatory MW sa specjalnym przypadkiem estymatorów M, ponieważ E [l i (θ 0 x i ] E [l i (θ x i ] dla każdego θ Θ gdzie l i (θ = l i (y i, x i, θ = log [f (y i x i ; θ] Wykład z Ekonometrii, III rok, WE UW 28
29 Dowód. Z własności prawdopodobieństwa Y f (y i x i ; θ 0 dy i = 1. Z warunkowej wersji nierówności Jensena E [ ( ] f (yi x i ; θ log x i f (y i x i ; θ 0 { [ ]} f (yi x i, θ log E f (y i x i, θ 0 x i = { } f (y i x i, θ = log Y f (y i x i, θ 0 f (y i x i, θ 0 dy i [ ] = log f (y i x i ; θ dy i = 0 Y i z definicji l i (θ E [l i (θ 0 x i ] E [l i (θ x i ] a więc w θ 0 wartość oczekiwana funkcji celu przyjmuje wartość maksymalna Wykład z Ekonometrii, III rok, WE UW 29
30 W tym przypadku maksymalizujemy funkcję celu max θ Θ l i (θ Założenie, przy którym wyprowadza się standardowe własności estymatora MW mówi, że L (θ = f (y x; θ = f (y i x i, θ 0 jest poprawna funkcja wiarygodności dla całej próby. Implikuje to, że poszczególne obserwacje sa niezależne co często nie jest prawda. Wykład z Ekonometrii, III rok, WE UW 30
31 Zauważmy, że do zbieżności estymatora M (a więc i estymatora MW wystarczy, by poprawnie była wyspecyfikowana funkcja gęstości dla pojedynczego zdarzenia ( ( Uwaga: w dowodzie dla Var l(θ θ = 2 l(θ E θ θ = I (θ używaliśmy założenia, że funkcja wiarygodności jest poprawnie wyspecyfikowana, tylko dla tego przypadku macierza warinacji kowariancji będzie I (θ 1. Wniosek: jeśli poprawnie wyspecyfikowana jest jedynie funkcja gęstości dla pojedynczego zdarzenia to estymator M W jest dalej zgodny aby poprawnie wyestymować macierz wariancji estymatora należy zastosować wersję odporna macierzy wariancji estymatora M Przykład (Próbkowanie warstwami Załóżmy, że chcemy wyestymować model probitowy dla próby, która została wylosowana w sposób następujacy: Wykład z Ekonometrii, III rok, WE UW 31
32 najpierw losowano gospodarstwa a później zadawano pytania wszystkim członkom gospodarstwa (tak losowana jest np. próba BAEL. Załóżmy dla uproszczenia, że badano jedynie gospodarstwa k osobowe. Problem estymacji w tym przypadku zwiazany jest z ewentualnym zależnościa między elementami losowymi wewnatrz gospodarstwa - poszczególne obserwacje moga być zależne. Załóżmy, że model ma następujac a postać: yij = x ij β + ε ij { 1 dla y y ij = ij > 0 0 dla yij 0 ε i (0, Σ gdzie i jest indeksem gospodarstwa, j jest indeksem osoby wewnatrz, ε ij jest czynnikiem losowym. Zakładamy, że czynniki losowe moga być skorelowane wewnatrz gospodarstwa E (ε i ε i = Σ σ2 I ale sa niezależne dla różnych gospodarstw E ( ε i ε j = 0. Sformułowanie pełnej funkcji Wykład z Ekonometrii, III rok, WE UW 32
33 wiarygodności dla tego problemu byłoby bardzo trudne, ponieważ trudne jest policzenie dystrybuanty wielowymiarowego rozkladu normalnego. Można jednak zauważyć, że dla każdej z k obserwacji spełnione jest, że E [l ij (θ 0 y i, x i ] E [l ij (θ y i, x i ] Dalej suma l i (θ 0 = k j=1 l ij (θ 0 będzie też maksymalizowane przez θ 0. E [l i (θ 0 y i, x i ] E [l i (θ 0 y i, x i ] Z kolei z racji na założony brak korelacji między obserwacjami dla różnych gospodarstw, poszczególne l i (θ będa niezależne. Wynika z tego, że zgodnym estymator M oparty na funkcji celu l (θ = 1 k j=1 l ij (θ, gdzie jest liczba przebadanych gospodarstw. Estymator ten będzie miał Wykład z Ekonometrii, III rok, WE UW 33
34 asymptotyczny rozkład normalny o wariancji: A 0 = E [H (y i, x i,θ 0 ] B 0 = E [ s (y i, x i, θ s (y i, x i, θ ] gdzie s (y i, x i, θ = k j=1 l ij (θ θ a H (y i, x i,θ = 2 kj=1 l ij (θ θ θ. Wykład z Ekonometrii, III rok, WE UW 34
Uogólniona Metoda Momentów
Uogólniona Metoda Momentów Momenty z próby daż a do momentów teoretycznych (Prawo Wielkich Liczb) plim 1 n y i = E (y) n i=1 Klasyczna Metoda Momentów (M M) polega na szacowaniu momentów teoretycznych
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 7
Stanisław Cichocki Natalia Nehrebecka Wykład 7 1 1. Metoda Największej Wiarygodności MNW 2. Założenia MNW 3. Własności estymatorów MNW 4. Testowanie hipotez w MNW 2 1. Metoda Największej Wiarygodności
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 szczegółowoNatalia Neherbecka. 11 czerwca 2010
Natalia Neherbecka 11 czerwca 2010 1 1. Konsekwencje heteroskedastyczności i autokorelacji 2. Uogólniona MNK 3. Stosowalna Uogólniona MNK 4. Odporne macierze wariancji i kowariancji b 2 1. Konsekwencje
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 szczegółowoModele zapisane w przestrzeni stanów
Modele zapisane w przestrzeni stanów Modele Przestrzeni Stanów (State Space Models) sa to modele, w których część parametrów jest nieobserwowalna i losowa. Zachowanie wielowymiarowej zmiennej y t zależy
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 szczegółowoLosowe zmienne objaśniające. Rozszerzenia KMRL. Rozszerzenia KMRL
MNK z losową macierzą obserwacji Równanie modelu y = X β + ε Jeżeli X zawiera elementy losowe to należy sprawdzić czy E(b β) = E[(X X ) 1 X ε]? = E[(X X ) 1 X ]E(ε) Przypomnienie: Nieskorelowane zmienne
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 8
Stanisław Cichocki Natalia Nehrebecka Zajęcia 8 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoZawansowane modele wyborów dyskretnych
Zawansowane modele wyborów dyskretnych Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Zawansowane modele wyborów dyskretnych grudzien 2013 1 / 16 Model efektów
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoEkonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 01/02/2019 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoSTATYSTYKA
Wykład 1 20.02.2008r. 1. ROZKŁADY PRAWDOPODOBIEŃSTWA 1.1 Rozkład dwumianowy Rozkład dwumianowy, 0 1 Uwaga: 1, rozkład zero jedynkowy. 1 ; 1,2,, Fakt: Niech,, będą niezależnymi zmiennymi losowymi o jednakowym
Bardziej szczegółowoUogolnione modele liniowe
Uogolnione modele liniowe Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Uogolnione modele liniowe grudzien 2013 1 / 17 (generalized linear model - glm) Zakładamy,
Bardziej szczegółowoWprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe
Wprowadzenie do teorii ekonometrii Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Zajęcia Wykład Laboratorium komputerowe 2 Zaliczenie EGZAMIN (50%) Na egzaminie obowiązują wszystkie informacje
Bardziej szczegółowoProblem równoczesności w MNK
Problem równoczesności w MNK O problemie równoczesności mówimy, gdy występuje korelacja między wartościa oczekiwana ε i i równoczesnym x i Model liniowy y = Xβ + ε, E (u) = 0 Powiedzmy, że występuje w
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej 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 szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
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 szczegółowoMETODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie
METODY ESTYMACJI PUNKTOWEJ X 1,..., X n - próbka z rozkładu P θ, θ Θ, θ jest nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie P θ. Definicja. Estymatorem
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 szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 4 1 / 23 ZAGADNIENIE ESTYMACJI Zagadnienie
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowo1 Modele ADL - interpretacja współczynników
1 Modele ADL - interpretacja współczynników ZADANIE 1.1 Dany jest proces DL następującej postaci: y t = µ + β 0 x t + β 1 x t 1 + ε t. 1. Wyjaśnić, jaka jest intepretacja współczynników β 0 i β 1. 2. Pokazać
Bardziej szczegółowoModele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11
Modele DSGE Jerzy Mycielski Maj 2008 Jerzy Mycielski () Modele DSGE Maj 2008 1 / 11 Modele DSGE DSGE - Dynamiczne, stochastyczne modele równowagi ogólnej (Dynamic Stochastic General Equilibrium Model)
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadanie. Niech (X, Y) ) będzie dwuwymiarową zmienną losową, o wartości oczekiwanej (μ, μ, wariancji każdej ze współrzędnych równej σ oraz kowariancji równej X Y ρσ. Staramy się obserwować niezależne realizacje
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Autokorelacja Konsekwencje Testowanie autokorelacji 2. Metody radzenia sobie z heteroskedastycznością i autokorelacją Uogólniona Metoda Najmniejszych
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 12
Stanisław Cichocki Natalia Nehrebecka Wykład 1 1 1. Testy diagnostyczne Testowanie stabilności parametrów modelu: test Chowa. Heteroskedastyczność Konsekwencje Testowanie heteroskedastyczności 1. Testy
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 9 Wrocław, 5 grudnia 2011 Temat. Test zgodności χ 2 Pearsona. Statystyka χ 2 Pearsona Rozpatrzmy ciąg niezależnych zmiennych losowych X 1,..., X n o jednakowym dyskretnym rozkładzie
Bardziej szczegółowoTestowanie hipotez statystycznych
round Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 13 grudnia 2014 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
Bardziej szczegółowoZadania o numerze 4 z zestawów licencjat 2014.
Zadania o numerze 4 z zestawów licencjat 2014. W nawiasie przy zadaniu jego występowanie w numerze zestawu Spis treści (Z1, Z22, Z43) Definicja granicy ciągu. Obliczyć granicę:... 3 Definicja granicy ciągu...
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy
Bardziej szczegółowoTestowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.
Testowanie hipotez Niech X = (X 1... X n ) będzie próbą losową na przestrzeni X zaś P = {P θ θ Θ} rodziną rozkładów prawdopodobieństwa określonych na przestrzeni próby X. Definicja 1. Hipotezą zerową Θ
Bardziej szczegółowoStatystyka matematyczna. Wykład III. Estymacja przedziałowa
Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności
Bardziej szczegółowoMetoda Monte Carlo. Jerzy Mycielski. grudzien Jerzy Mycielski () Metoda Monte Carlo grudzien / 10
Metoda Monte Carlo Jerzy Mycielski grudzien 2012 Jerzy Mycielski () Metoda Monte Carlo grudzien 2012 1 / 10 Przybliżanie całek Powiedzmy, że mamy do policzenia następującą całkę: b f (x) dx = I a Założmy,
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek, 10-11, środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 8 Natalia Nehrebecka Stanis law Cichocki 29 listopada 2015 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
Bardziej szczegółowoMikroekonometria 4. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 4 Mikołaj Czajkowski Wiktor Budziński Regresja kwantylowa W standardowej Metodzie Najmniejszych Kwadratów modelujemy warunkową średnią zmiennej objaśnianej: E( yi Xi) = μ ( Xi) Pokazaliśmy,
Bardziej szczegółowoAutokorelacja i heteroskedastyczność
Autokorelacja i heteroskedastyczność Założenie o braku autokorelacji Cov (ε i, ε j ) = E (ε i ε j ) = 0 dla i j Oczekiwana wielkość elementu losowego nie zależy od wielkości elementu losowego dla innych
Bardziej szczegółowoRozkłady statystyk z próby
Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny
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 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 szczegółowoWykład 6 Estymatory efektywne. Własności asymptotyczne estym. estymatorów
Wykład 6 Estymatory efektywne. Własności asymptotyczne estymatorów Wrocław, 30 listopada 2016r Powtórzenie z rachunku prawdopodobieństwa Zbieżność Definicja 6.1 Niech ciąg {X } n ma rozkład o dystrybuancie
Bardziej szczegółowoZadanie 1. a) Przeprowadzono test RESET. Czy model ma poprawną formę funkcyjną? 1
Zadanie 1 a) Przeprowadzono test RESET. Czy model ma poprawną formę funkcyjną? 1 b) W naszym przypadku populacja są inżynierowie w Tajlandii. Czy można jednak przypuszczać, że na zarobki kobiet-inżynierów
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 10
Stanisław Cichocki Natalia Nehrebecka Wykład 10 1 1. Testy diagnostyczne Testowanie prawidłowości formy funkcyjnej: test RESET Testowanie normalności składników losowych: test Jarque-Berra Testowanie stabilności
Bardziej 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 szczegółowo... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).
Egzamin ze Statystyki Matematycznej, WNE UW, wrzesień 016, zestaw B Odpowiedzi i szkice rozwiązań 1. Zbadano koszt 7 noclegów dla 4-osobowej rodziny (kwatery) nad morzem w sezonie letnim 014 i 015. Wylosowano
Bardziej szczegółowoESTYMACJA BŁĘDU PREDYKCJI I JEJ ZASTOSOWANIA
ESTYMACJA BŁĘDU PREDYKCJI I JEJ ZASTOSOWANIA Jan Mielniczuk Wisła, grudzień 2009 PLAN Błędy predykcji i ich podstawowe estymatory Estymacja błędu predykcji w modelu liniowym. Funkcje kryterialne Własności
Bardziej szczegółowoMikroekonometria 3. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 3 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.hedonic.dta przygotuj model oszacowujący wartość kosztów zewnętrznych rolnictwa 1. Przeprowadź regresję objaśniającą
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
Bardziej szczegółowoEkonometria. Ćwiczenia nr 3. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Ćwiczenia nr 3 Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 3 Własności składnika losowego 1 / 18 Agenda KMNK przypomnienie 1 KMNK przypomnienie 2 3 4 Jakub Mućk
Bardziej szczegółowoEkonometria egzamin wersja Informatyka i Ekonometria 26/06/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja Informatyka i Ekonometria 26/06/08 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 5 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.medexp3.dta przygotuj model regresji kwantylowej 1. Przygotuj model regresji kwantylowej w którym logarytm wydatków
Bardziej szczegółowoMikroekonometria 6. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 6 Mikołaj Czajkowski Wiktor Budziński Metody symulacyjne Monte Carlo Metoda Monte-Carlo Wykorzystanie mocy obliczeniowej komputerów, aby poznać charakterystyki zmiennych losowych poprzez
Bardziej szczegółowoREGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO. Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój
1 REGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój 2 DOTYCHCZASOWE MODELE Regresja liniowa o postaci: y
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium JAVA Zadanie nr 2 Rozpoznawanie liter autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się z problemem klasyfikacji
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 szczegółowo2. Definicja pochodnej w R n
2. Definicja pochodnej w R n Niech będzie dana funkcja f : U R określona na zbiorze otwartym U R n. Pochodną kierunkową w punkcie a U w kierunku wektora u R n nazywamy granicę u f(a) = lim t 0 f(a + tu)
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 szczegółowoInstytut Matematyczny Uniwersytet Wrocławski. Zakres egzaminu magisterskiego. Wybrane rozdziały anazlizy i topologii 1 i 2
Instytut Matematyczny Uniwersytet Wrocławski Zakres egzaminu magisterskiego Wybrane rozdziały anazlizy i topologii 1 i 2 Pojęcia, fakty: Definicje i pojęcia: metryka, iloczyn skalarny, norma supremum,
Bardziej szczegółowoBłędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa
Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się 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 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 szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VIII: Przestrzenie statystyczne. Estymatory 1 grudnia 2014 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji r(x, Z) = 0, 986 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji
Bardziej szczegółowoAnaliza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń Problem Przykłady
Analiza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń 1. Problem ozwaŝamy zjawisko (model): Y = β 1 X 1 X +...+ β k X k +Z Ηβ = w r Hipoteza alternatywna: Ηβ w r
Bardziej szczegółowoHeteroskedastyczość w szeregach czasowyh
Heteroskedastyczość w szeregach czasowyh Czesto zakłada się, że szeregi czasowe wykazuja autokorelację ae sa homoskedastyczne W rzeczywistości jednak często wariancja zmienia się w czasie Dobrym przykładem
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowo1. Pojęcie normy, normy wektora [Kiełbasiński, Schwetlick]
1. Pojęcie normy, normy wektora [Kiełbasiński, Schwetlick] wektor x R d x =(x 1,x 2,..., x d ) T wektor, punkt w przestrzeni d-wymiarowej norma wektora własności (1) kxk > 0, kxk =0tylko wtedy, gdy x =0
Bardziej szczegółowoWYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 6 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Własności Wariancji Przypomnijmy, że VarX = E(X EX) 2 = EX 2 (EX) 2. Własności
Bardziej szczegółowo1.1 Klasyczny Model Regresji Liniowej
1.1 Klasyczny Model Regresji Liniowej Klasyczny model Regresji Liniowej jest bardzo użytecznym narzędziem służącym do analizy danych empirycznych. Analiza regresji zajmuje się opisem zależności między
Bardziej szczegółowoPrawa wielkich liczb, centralne twierdzenia graniczne
, centralne twierdzenia graniczne Katedra matematyki i ekonomii matematycznej 17 maja 2012, centralne twierdzenia graniczne Rodzaje zbieżności ciągów zmiennych losowych, centralne twierdzenia graniczne
Bardziej szczegółowoStatystyka w przykładach
w przykładach Tomasz Mostowski Zajęcia 10.04.2008 Plan Estymatory 1 Estymatory 2 Plan Estymatory 1 Estymatory 2 Własności estymatorów Zazwyczaj w badaniach potrzebujemy oszacować pewne parametry na podstawie
Bardziej szczegółowoCzasowy wymiar danych
Problem autokorelacji Model regresji dla szeregów czasowych Model regresji dla szeregów czasowych y t = X t β + ε t Zasadnicze różnice 1 Budowa prognoz 2 Problem stabilności parametrów 3 Problem autokorelacji
Bardziej szczegółowo1 Gaussowskie zmienne losowe
Gaussowskie zmienne losowe W tej serii rozwiążemy zadania dotyczące zmiennych o rozkładzie normalny. Wymagana jest wiedza na temat własności rozkładu normalnego, CTG oraz warunkowych wartości oczekiwanych..
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Egzamin z ekonometrii wersja IiE, MSEMAT 04-02-2016 Pytania teoretyczne 1. Za pomocą jakiego testu weryfikowana jest normalność składnika losowego? Jakiemu założeniu KMRL odpowiada w tym teście? Jakie
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 11 i 12 1 / 41 TESTOWANIE HIPOTEZ - PORÓWNANIE
Bardziej szczegółowoMetoda najmniejszych kwadratów
Metoda najmniejszych kwadratów Przykład wstępny. W ekonomicznej teorii produkcji rozważa się funkcję produkcji Cobba Douglasa: z = AL α K β gdzie z oznacza wielkość produkcji, L jest nakładem pracy, K
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 szczegółowoModele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 4
Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 4 Konrad Miziński, nr albumu 233703 31 maja 2015 Zadanie 1 Wartości oczekiwane µ 1 i µ 2 oszacowano wg wzorów: { µ1 = 0.43925 µ = X
Bardziej szczegółowoWykład 10 Estymacja przedziałowa - przedziały ufności dla średn
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem
Bardziej szczegółowoElementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa
Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący
Bardziej szczegółowojest ciągiem elementów z przestrzeni B(R, R)
Wykład 2 1 Ciągi Definicja 1.1 (ciąg) Ciągiem w zbiorze X nazywamy odwzorowanie x: N X. Dla uproszczenia piszemy x n zamiast x(n). Przykład 1. x n = n jest ciągiem elementów z przestrzeni R 2. f n (x)
Bardziej szczegółowoHeteroscedastyczność. Zjawisko heteroscedastyczności Uogólniona Metoda Najmniejszych Kwadratów Stosowalna Metoda Najmniejszych Kwadratów
Formy heteroscedastyczności Własności estymatorów MNK wydatki konsumpcyjne 0 10000 20000 30000 40000 14.4 31786.08 dochód rozporz¹dzalny Zródlo: Obliczenia wlasne, dane BBGD 2004 Formy heteroscedastyczności
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoWykład 5 Estymatory nieobciążone z jednostajnie minimalną war
Wykład 5 Estymatory nieobciążone z jednostajnie minimalną wariancją Wrocław, 25 października 2017r Statystyki próbkowe - Przypomnienie Niech X = (X 1, X 2,... X n ) będzie n elementowym wektorem losowym.
Bardziej szczegółowoWykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału
Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału Magdalena Frąszczak Wrocław, 22.02.2017r Zasady oceniania Ćwiczenia 2 kolokwia (20 punktów każde) 05.04.2017 oraz 31.05.2017 2 kartkówki
Bardziej szczegółowo1 Wykład 4. Proste Prawa wielkich liczb, CTG i metody Monte Carlo
1 Wykład 4. Proste Prawa wielkich liczb, CTG i metody Monte Carlo 1.1 Rodzaje zbieżności ciagów zmiennych losowych Niech (Ω, F, P ) będzie przestrzenia probabilistyczna na której określony jest ciag {X
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natalia Nehrebecka Stanisław Cichocki Wykład 10 1 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010
STATYSTYKA MATEMATYCZNA WYKŁAD 14 18 stycznia 2010 Model statystyczny ROZKŁAD DWUMIANOWY ( ) {0, 1,, n}, {P θ, θ (0, 1)}, n ustalone P θ {K = k} = ( ) n θ k (1 θ) n k, k k = 0, 1,, n Geneza: Rozkład Bernoulliego
Bardziej szczegółowoPodstawowe modele probabilistyczne
Wrocław University of Technology Podstawowe modele probabilistyczne Maciej Zięba maciej.zieba@pwr.edu.pl Rozpoznawanie Obrazów, Lato 2018/2019 Pojęcie prawdopodobieństwa Prawdopodobieństwo reprezentuje
Bardziej szczegółowoHipotezy proste. (1 + a)x a, dla 0 < x < 1, 0, poza tym.
Hipotezy proste Zadanie 1. Niech X ma funkcję gęstości f a (x) = (1 + a)x a, dla 0 < x < 1, Testujemy H 0 : a = 1 przeciwko H 1 : a = 2. Dysponujemy pojedynczą obserwacją X. Wyznaczyć obszar krytyczny
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 2 3 1. Wprowadzenie do danych panelowych a) Charakterystyka danych panelowych b) Zalety i ograniczenia 2. Modele ekonometryczne danych panelowych a) Model efektów
Bardziej szczegółowoModele wielorównaniowe (forma strukturalna)
Modele wielorównaniowe (forma strukturalna) Formę strukturalna modelu o G równaniach AY t = BX t + u t, gdzie Y t = [y 1t,..., y Gt ] X t = [x 1t,..., x Kt ] u t = [u 1t,..., u Gt ] E (u t ) = 0 Var (u
Bardziej szczegółowo