Mikroekonometria 1. Mikołaj Czajkowski Wiktor Budziński
|
|
- Roman Witkowski
- 8 lat temu
- Przeglądów:
Transkrypt
1 Mikroekonometria 1 Mikołaj Czajkowski Wiktor Budziński
2 Materiały i informacje (hasło do materiałów '')
3 Mikroekonomia Zajęcia: piątek 11:30-13:05 grupa 109, sala 202 piątek 13:15-14:50 grupa 108, sala 202 Dyżur, problemy, pytania: Wiktor Budziński Dyżur po uzgodnieniu przez Kontakt Mikołaj Czajkowski Dyżur po uzgodnieniu przez Kontakt
4 Plan kursu Posługiwanie się programem NLOGIT Modele Modele dla zmiennych ciągłych MNK, regresja kwantylowa, uogólnione modele liniowe Modele binarne logit, probit i inne Wielomianowe modele logitowe Modele wyboru uporządkowanego Modele liczności zdarzeń regresja Poissona, model ujemny dwumianowy Estymacja i interpretacja Estymacja metodą największej wiarygodności, cechy estymatorów, optymalizacja Miary 'dopasowania' modelu Testowanie hipotez Identyfikacja Efekty krańcowe w modelach nieliniowych Metody numeryczne i symulacje Rozszerzenia modeli Dane przekrojowe vs. dane panelowe model efektów losowych, model efektów stałych Heteroskedastyczność w modelach liniowych oraz nieliniowych Heterogeniczność parametrów (preferencji) model parametrów losowych, model klas ukrytych Wybrane aplikacje Model użyteczności losowej a modele funkcji wskaźnikowej (zmiennej ukrytej) Przegląd zastosowań metody wyceny nierynkowej, modelowanie preferencji, estymacja gotowości do zapłaty Nadwyżka konsumenta w metodzie kosztu podróży Przegląd innych zagadnień mikroekonometrii
5 Organizacja zajęć Zajęcia przy komputerach Teoria + praktyka + prace domowe NLOGIT Warunki licencji Literatura Biblioteka materiały pomocnicze
6 Podręczniki podstawowe: Greene, W. H., Econometric Analysis. 7 Ed., Prentice Hall. Cameron, A. C., and Trivedi, P. K., Microeconometrics: Methods and Applications. Cambridge University Press. Wooldridge, J. M., Introductory Econometrics: A Modern Approach. 5 Ed., Cengage Learning. manuale: Greene, W. H., LIMDEP 10 Reference Guide. Econometric Software, Plainview, NY. Greene, W. H., LIMDEP 10 Econometric Modeling Guide. Econometric Software, Plainview, NY. Greene, W. H., NLOGIT 5 Reference Guide. Econometric Software, Plainview, NY. Cameron, A. C., and Trivedi, P. K., Microeconometrics Using Stata. 2 Ed., Stata Press. tematy szczegółowe: inne: Train, K. E., Discrete Choice Methods with Simulation. 2 Ed., Cambridge University Press, New York. Hensher, D. A., Rose, J. M., and Greene, W. H., Applied Choice Analysis: A Primer. Cambridge University Press, Cambridge. Greene, W. H., and Hensher, D. A., Modeling Ordered Choices: A Primer. Cambridge University Press. Wooldridge, J. M., Econometric Analysis of Cross Section and Panel Data. 2 Ed., The MIT Press. Gujarati, D., and Porter, D., Basic Econometrics. 5 Ed., McGraw-Hill/Irwin. Gujarati, D., Econometrics by Example. Palgrave Macmillan. Durlauf, S. N., and Blume, L. E., Microeconometrics. Palgrave Macmillan.
7 Zasady zaliczenia Pisemny egzamin końcowy (70%) + punkty za prace domowe (30%) Egzamin Część teoretyczna (test jednokrotnego wyboru, 25%) Część praktyczna (modele do przygotowania na komputerach, open book, 75%) Prace domowe Zadania do przygotowania samodzielnie lub w grupach (zależnie od polecenia) Sprawdzane tylko gdy oddane w terminie i w odpowiedniej formie Odpowiedzi są sprawdzane, typowe błędy omawiane na zajęciach Obecności nie są warunkiem zaliczenia Wspólny termin egzaminu i egzaminu poprawkowego. Brak innych terminów egzaminów i innych sposobów zaliczenia. Nieobecność na egzaminie w dowolnym terminie oznacza jego niezaliczenie (NK). Obowiązuje zasada '0 tolerancji dla ściągania', dotycząca zarówno egzaminu jak i prac domowych.
8 Zasady zaliczenia Ocena końcowa wyznaczana na podstawie następującego algorytmu: 0,25 procentowy wynik z egzaminu teoretycznego + wynik = 0,7 + 0,75 procentowy wynik z egzaminu praktycznego 0,3 procentowy wynik z prac domowych Skala ocen: ( ) Punkty (%) Ocena <50-60) 3 <60-70) 3,5 <70-80) 4 <80-90) 4,5 <90-100) !
9 Zasady zaliczenia Istnieje możliwość zdobycia punktów 'bonusowych', które dodają się do punktów uzyskanych z egzaminu: Punkty bonusowe przyznawane są za zgłoszenia błędów w aktualnych materiałach do Mikroekonometrii dostępnych na stronie ; Liczą się tylko zgłoszenia em i tylko pierwsze zgłoszenie danego błędu; Zgłoszenia przyjmowane są do momentu rozpoczęcia pierwszego terminu egzaminu; Za 'błąd' uznawane są tylko 'rozsądne' zgłoszenia; Punkty bonusowe przyznaje się w liczbie nie większej niż zapewniającej 100% wyniku z egzaminu.
10 NLOGIT podstawy 1. Uruchom NLOGIT 2. Okna Projekt (.lpj) Plik poleceń (.lim) Output (.sav) 3. Komendy RESET $ SAMPLE; $ CREATE; X = rnn(0,1) $ CREATE; Y = X + rnn(0,1) $ REGRESS ; lhs = Y ; rhs = one,x $ $ kończy każde polecenie ; rozdziela elementy składni (kolejność nie ma znaczenia) RESET usuwa wszystkie dane projektu SAMPLE określa zakres danych CREATE tworzy nową zmienną rnn(m,s) losuje z rozkładu normalnego o średniej m i odchyleniu standardowym s REGRESS model regresji liniowej lhs zmienna objaśniana rhs zmienne objaśniające 'one' stała
11 NLOGIT podstawy 1. Zaznacz pożądane komendy i kliknij 'GO' (ctrl+r) 2. Sprawdź: Zmienne w projekcie ('Variables') Macierze ('Matrices') Skalary ('Scalars') NREG liczba obserwacji LOGL wartość funkcji największej wiarygodności 3. Komendy można łatwo zmodyfikować Uruchom model ponownie dodając komendy 'plot' i 'matrix' Co się zmieniło? PLOT rysuje wykres (specyficzny dla modelu, przyjmuje parametry) MATRIX zachowuje wyniki w postaci macierzy
12 NLOGIT podstawy 1. Składnia 2. Nazywanie zmiennych, macierzy, list, skalarów, procedur dla komend ważne tylko pierwsze 4 znaki case insensitive spacje, tabulacje, znaki nowej linii pomijane '?' i '/*' '*/' oznacza komentarz case insensitive nazwa musi zaczynać się od litery nazwa może zawierać do 8 znaków spośród 26 liter, 10 cyfr i '_' nazwy zastrzeżone: one (stała) b, varb, sigma (macierze specyficzne dla modelu) n (aktualna wielkość próby), pi ( ), s, sy, ybar, degfrdm, kreg, lmda, logl, nreg, rho, rsqrd, ssqrd, sumsqdev (skalary wykorzystywane przez niektóre modele) exitcode (zawiera informację o zakończeniu estymacji)
13 NLOGIT wczytywanie danych 1. Help i manuale 2. Zapisz plik poleceń (zapisuj regularnie!) 3. Zakończ NLOGIT 4. Zacznij nową sesję 5. Obejrzyj plik z danymi me.sleep.csv Czy istnieje trade-off między ilością snu, a czasem pracy? Biddle and Hamermesh (1990) me.sleep.csv - dane me.sleep.description.txt - opis
14 NLOGIT wczytywanie danych 1. Wczytywanie danych me.sleep.txt 34 zmienne 706 obserwacji me.sleep.description.txt - opis READ wczytuje dane z plików większości formatów FILE nazwa pliku (i ścieżka) NVAR liczba zmiennych NOBS liczba obserwacji NAMES nazwy zmiennych FORMAT typ pliku LABELS kolumna pliku zawierająca nazwy obserwacji BY VARIABLES dane transponowane READ ; FILE = "C:\...\filename.ext" ; NVAR =... ; NOBS =...$
15 NLOGIT wczytywanie danych Wygodnie mieć nazwy zmiennych w pliku me.sleep.csv Pliki ASCII (np..txt) Brak danych kodowany "-999", inaczej wczytywane jako "0" BLANKS Pliki.csv: Uwaga na "." vs "," i "," vs ";" Arkusze kalkulacyjne (np..xls,.xlsx) Może źle interpretować niektóre funkcje xls Pliki binarne, STATA (10 i 11), Excel (.xls) READ ; FILE = "C:\...\filename.ext" ; NVAR =... ; NOBS =... ; NAMES = 1$
16 NLOGIT wczytywanie danych IMPORT Działa dla większości plików ASCII i arkuszy Excela IMPORT ; FILE = "C:\...\filename.ext"$ APPEND dołącza obserwacje MERGE łączy dane z różnych źródeł (np. dla paneli) WRITE zapisuje dane do pliku EXPORT zapisuje dane do ASCII lub.csv Import menu Edytor danych Możliwości Domyślnie: komórek, 900 zmiennych Więcej (max ): Aktualny projekt: Project -> Settings Ogólnie: Tools -> Options -> Projects ROWS zdefiniuj liczbę obserwacji, liczba kolumn automatycznie się dostosuje
17 NLOGIT wczytywanie danych SAVE zapisuje projekt (dane) DATA rozpoczyna wprowadzanie opisu projektu (do 255 linii po 80 znaków) ENDATA kończy wprowadzanie opisu projektu LOAD wczytuje zapisany projekt 1. Wczytaj projekt me.sleep.lpj 2. Sprawdź czy istnieje tradeoff między ilością snu, a czasem pracy :40:14
Mikroekonomia B.0. Mikołaj Czajkowski
Mikroekonomia B.0 Mikołaj Czajkowski Materiały i informacje hasło Mikroekonomia Wykłady: środa 15:00-16:35 aula A, dr hab. Mikołaj Czajkowski, prof. UW poniedziałek 09:45-11:20 aula A, dr hab. Ewa Aksman
Bardziej szczegółowoMikroekonometria 14. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 14 Mikołaj Czajkowski Wiktor Budziński Symulacje Analogicznie jak w przypadku ciągłej zmiennej zależnej można wykorzystać metody Monte Carlo do analizy różnego rodzaju problemów w modelach
Bardziej szczegółowoMikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 13 Mikołaj Czajkowski Wiktor Budziński Endogeniczność regresja liniowa W regresji liniowej estymujemy następujące równanie: i i i Metoda Najmniejszych Kwadratów zakłada, że wszystkie zmienne
Bardziej szczegółowoMikroekonometria 12. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 12 Mikołaj Czajkowski Wiktor Budziński Dane panelowe Co jeśli mamy do dyspozycji dane panelowe? Kilka obserwacji od tych samych respondentów, w różnych punktach czasu (np. ankieta realizowana
Bardziej szczegółowoEkonometria. Wprowadzenie do modelowania ekonometrycznego Estymator KMNK. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Wprowadzenie do modelowania ekonometrycznego Estymator Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 1 Estymator 1 / 16 Agenda 1 Literatura Zaliczenie przedmiotu 2 Model
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 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 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 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 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 szczegółowoPrzedmiot ekonometrii
Model ekonometryczny Informacje ogólne Egzamin Kryteria oceny Literatura uzupełniająca w języku polskim Literatura uzupełniająca w języku angielskm Wykładowca: dr hab. Paweł Strawiński Dyżur: wtorek 17:00-18:00,
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 szczegółowoMikroekonometria 2. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 2 Mikołaj Czajkowski Wiktor Budziński STATA wczytywanie danych 1. Import danych do Staty Copy-paste z Excela do edytora danych Import z różnych formatów (File -> Import -> ) me.sleep.txt,
Bardziej szczegółowo1. Wprowadzenie do oprogramowania gretl. Wprowadzanie danych.
Laboratorium z ekonometrii (GRETL) 1. Wprowadzenie do oprogramowania gretl. Wprowadzanie danych. Okno startowe: Póki nie wczytamy jakiejś bazy danych (lub nie stworzymy własnej), mamy dostęp tylko do dwóch
Bardziej szczegółowoEkonometria dla III roku studiów licencjackich dr Stanisław Cichocki dr Natalia Nehrebecka
Ekonometria dla III roku studiów licencjackich dr Stanisław Cichocki dr Natalia Nehrebecka Wykład 30 godz. Ćwiczenia 30 godz. Cel zajęć Wykład i ćwiczenia z ekonometrii mają zapoznać studentów z technikami
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 szczegółowoPrzedmiot ekonometrii
Informacje ogólne Egzamin Kryteria oceny Ćwiczenia Literatura po polsku Literatura po angielsku Wykładowca: dr Paweł Strawiński Dyżur: wtorek 17:00-18:00(?), katedra Statystyki i Ekonometrii Materiały
Bardziej szczegółowoMikroekonometria 2. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 2 Mikołaj Czajkowski Wiktor Budziński Klasyczny Model Regresji Liniowej (KMRL) Postać modelu regresji liniowej: yi = Xiβ + εi Modelujemy liniową zależność y od zmiennych objaśniających
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 szczegółowoWst p i organizacja zaj
Wst p i organizacja zaj Katedra Ekonometrii Uniwersytet Šódzki sem. letni 2014/2015 Literatura Ocena osi gni Program zaj Prowadz cy Podstawowa i uzupeªniaj ca Podstawowa: 1 Gruszczy«ski M. (2012 / 2010),,
Bardziej szczegółowoEkonometria. Regresja liniowa, współczynnik zmienności, współczynnik korelacji liniowej, współczynnik korelacji wielorakiej
Regresja liniowa, współczynnik zmienności, współczynnik korelacji liniowej, współczynnik korelacji wielorakiej Paweł Cibis pawel@cibis.pl 23 lutego 2007 1 Regresja liniowa 2 wzory funkcje 3 Korelacja liniowa
Bardziej szczegółowoWprowadzenie do środowiska
Wprowadzenie do środowiska www.mathworks.com Piotr Wróbel piotr.wrobel@igf.fuw.edu.pl Pok. B 4.22 Metody numeryczne w optyce 2017 Czym jest Matlab Matlab (matrix laboratory) środowisko obliczeniowe oraz
Bardziej szczegółowoMIKROEKONOMIA 1 ĆWICZENIA BARTOSZ KOPCZYŃSKI KATEDRA MIKROEKONOMII
MIKROEKONOMIA 1 ĆWICZENIA BARTOSZ KOPCZYŃSKI KATEDRA MIKROEKONOMII O CZYM BĘDZIEMY SIĘ UCZYĆ 1. Główne zagadnienia mikroekonomii (rynek, konsumenci, producenci, modele, efektywność Pareto, rynek konkurencyjny,
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 szczegółowoRegresja liniowa wprowadzenie
Regresja liniowa wprowadzenie a) Model regresji liniowej ma postać: gdzie jest zmienną objaśnianą (zależną); są zmiennymi objaśniającymi (niezależnymi); natomiast są parametrami modelu. jest składnikiem
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 szczegółowoPodstawy statystyki matematycznej w programie R
Podstawy statystyki matematycznej w programie R Piotr Ćwiakowski Wydział Fizyki Uniwersytetu Warszawskiego Zajęcia 1. Wprowadzenie 1 marca 2017 r. Program R Wprowadzenie do R i badań statystycznych podstawowe
Bardziej szczegółowoZanim zaczniemy GNU Octave
MatLab część I 1 Zanim zaczniemy GNU Octave 2 Zanim zaczniemy GNU Octave 3 Zanim zaczniemy GNU Octave 4 Środowisko MatLab-a MatLab ang. MATrix LABoratory Obliczenia numeryczne i symboliczne operacje na
Bardziej szczegółowoEkonometria. Modele regresji wielorakiej - dobór zmiennych, szacowanie. Paweł Cibis pawel@cibis.pl. 1 kwietnia 2007
Modele regresji wielorakiej - dobór zmiennych, szacowanie Paweł Cibis pawel@cibis.pl 1 kwietnia 2007 1 Współczynnik zmienności Współczynnik zmienności wzory Współczynnik zmienności funkcje 2 Korelacja
Bardziej szczegółowoTestowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona;
LABORATORIUM 4 Testowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona; dwie zmienne zależne mierzalne małe próby duże próby rozkład normalny
Bardziej szczegółowoplansoft.org www.plansoft.org Zmiany w Plansoft.org Błyskawiczny eksport danych PLANOWANIE ZAJĘĆ, REZERWOWANIE SAL I ZASOBÓW
Zmiany w Plansoft.org Błyskawiczny eksport danych... 1 Jak wyeksportować dane... 1 Eksportowanie planu studiów, zajęć, statystyk i danych słownikowych... 2 Dostosowywanie wyników eksportu... 4 Filtrowanie
Bardziej szczegółowoĆwiczenie 12. Metody eksploracji danych
Ćwiczenie 12. Metody eksploracji danych Modelowanie regresji (Regression modeling) 1. Zadanie regresji Modelowanie regresji jest metodą szacowania wartości ciągłej zmiennej celu. Do najczęściej stosowanych
Bardziej szczegółowoTablica Wzorów Rachunek Prawdopodobieństwa i Statystyki
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...
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 szczegółowoZadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.
tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1
Bardziej szczegółowoTadeusz Kufel Uniwersytet Mikołaja Kopernika w Toruniu
UNIFIKACJA PROGRAMÓW NAUCZNIA METOD ILOŚCIOWYCH XVI Konferencja Dydaktyczna, 11-12 czerwca 2007 w Łodzi Instytut Statystyki i Ekonometrii, Uniwersytet Łódzki Tadeusz Kufel Uniwersytet Mikołaja Kopernika
Bardziej szczegółowoNotepad++ / PuTTY. Interaktywne środowisko programowania w języku ForthLogic. www.plcmax.pl. Wersja dokumentu P.1. Wersja dokumentu NP1.
F&F Filipowski sp.j. ul. Konstantynowska 79/81 95-200 Pabianice tel/fax 42-2152383, 2270971 e-mail: Hfif@fif.com.pl www.fif.com.pl Notepad++ / PuTTY Interaktywne środowisko programowania w języku ForthLogic
Bardziej szczegółowoWykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap
Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Magdalena Frąszczak Wrocław, 21.02.2018r Tematyka Wykładów: Próba i populacja. Estymacja parametrów z wykorzystaniem metody
Bardziej szczegółowoINFORMATYKA W SELEKCJI
INFORMATYKA W SELEKCJI INFORMATYKA W SELEKCJI - zagadnienia 1. Dane w pracy hodowlanej praca z dużym zbiorem danych (Excel) 2. Podstawy pracy z relacyjną bazą danych w programie MS Access 3. Systemy statystyczne
Bardziej szczegółowoWykład z Nowej ekonometrii, 7 marca 2006:
Wykład z Nowej ekonometrii, 7 marca 2006: Na mojej stronie internetowej podane są pliki z danymi: http://akson.sgh.waw.pl/~ewams/mills.zip http://akson.sgh.waw.pl/~ewams/mills_obligacje.xls dane z pierwszego
Bardziej szczegółowoArkusz Optivum. Praca z repozytorium wymaga połączenia z Internetem i zalogowania się do Sigmy.
Arkusz Optivum Przechowywanie, opiniowanie i zatwierdzanie arkuszy z wykorzystaniem repozytorium arkuszy Jeśli program Arkusz Optivum funkcjonuje jako moduł aplikacji Sigma, to arkusze organizacyjne przygotowane
Bardziej szczegółowoMikroekonometria 8. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 8 Mikołaj Czajkowski Wiktor Budziński Efekty krańcowe W jaki sposób zmiana wartości zmiennej objaśniającej wpływa na zmianę prawdopodobieństwa zdarzenia? Model jest nieliniowy, więc sprawa
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada
Stanisław Cichocki Natalia Nehrebecka Katarzyna Rosiak-Lada 1. Sprawy organizacyjne Zasady zaliczenia 2. Czym zajmuje się ekonometria? 3. Formy danych statystycznych 4. Model ekonometryczny 2 1. Sprawy
Bardziej szczegółowoBIOSTATYSTYKA. Liczba godzin. Zakład Statystyki i Informatyki Medycznej
Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna za przedmiot: Osoba(y) prowadząca(e) Przedmioty wprowadzające wraz z wymaganiami wstępnymi
Bardziej szczegółowoLiniowy model ekonometryczny Metoda najmniejszych kwadratów Laboratorium 1.
Liniowy model ekonometryczny Metoda najmniejszych kwadratów Laboratorium 1. mgr mgr Krzysztof Czauderna Instytut Statystyki i Demografii Kolegium Analiz Ekonomicznych Szkoła Główna Handlowa w Warszawie
Bardziej szczegółowoZadanie Tworzenie próbki z rozkładu logarytmiczno normalnego LN(5, 2) Plot Probability Distributions
Zadanie 1. 1 Wygenerować 200 elementowa próbkę z rozkładu logarytmiczno-normalnego o parametrach LN(5,2). Utworzyć dla tej próbki: - szereg rozdzielczy - histogramy liczebności i częstości - histogramy
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 szczegółowoPorównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych
dr Piotr Sulewski POMORSKA AKADEMIA PEDAGOGICZNA W SŁUPSKU KATEDRA INFORMATYKI I STATYSTYKI Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych Wprowadzenie Obecnie bardzo
Bardziej szczegółowoS YLABUS MODUŁU (PRZEDMIOTU) I nformacje ogólne. Nie dotyczy
S YLABUS MODUŁU (PRZEDMIOTU) I nformacje ogólne Nazwa modułu: Moduł B - Statystyka z elementami matematyki Rodzaj modułu/przedmiotu Wydział PUM Kierunek studiów Specjalność Poziom studiów Forma studiów
Bardziej szczegółowoINSTRUKCJA OTWIERANIA PLIKU DPT (data point table)
INSTRUKCJA OTWIERANIA PLIKU DPT (data point table) Plik DPT jest tekstowym zapisem widma. Otwarty w notatniku wygląda następująco: Aby móc stworzyć wykres, należy tak zaimportować plik do arkusza kalkulacyjnego,
Bardziej szczegółowoWprowadzenie do analizy dyskryminacyjnej
Wprowadzenie do analizy dyskryminacyjnej Analiza dyskryminacyjna to zespół metod statystycznych używanych w celu znalezienia funkcji dyskryminacyjnej, która możliwie najlepiej charakteryzuje bądź rozdziela
Bardziej szczegółowoMATLAB Z3. Rafał Woźniak. Warsaw, Faculty of Economic Sciences, University of Warsaw
Faculty of Economic Sciences, University of Warsaw Warsaw, 09-03-2017 Generowanie liczb losowych rand(1) rand(1) generuje liczbę losową z przedziału (0,1) Jak można uzyskać liczby losowe z przedziału 1
Bardziej szczegółowoPodręcznik użytkownika
Podręcznik użytkownika Moduł kliencki Kodak Asset Management Software Stan i ustawienia zasobów... 1 Menu Stan zasobów... 2 Menu Ustawienia zasobów... 3 Obsługa alertów... 7 Komunikaty zarządzania zasobami...
Bardziej szczegółowoWykład 4 Wybór najlepszej procedury. Estymacja parametrów re
Wykład 4 Wybór najlepszej procedury. Estymacja parametrów regresji z wykorzystaniem metody bootstrap. Wrocław, 22.03.2017r Wybór najlepszej procedury - podsumowanie Co nas interesuje przed przeprowadzeniem
Bardziej szczegółowoWYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI I INFORMATYKI INSTYTUT AUTOMATYKI I INFORMATYKI KIERUNEK AUTOMATYKA I ROBOTYKA STUDIA STACJONARNE I STOPNIA
WYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI I INFORMATYKI INSTYTUT AUTOMATYKI I INFORMATYKI KIERUNEK AUTOMATYKA I ROBOTYKA STUDIA STACJONARNE I STOPNIA PRZEDMIOT : : LABORATORIUM PODSTAW AUTOMATYKI 1. WSTĘP DO
Bardziej szczegółowoMetody eksploracji danych Laboratorium 2. Weka + Python + regresja
Metody eksploracji danych Laboratorium 2 Weka + Python + regresja KnowledgeFlow KnowledgeFlow pozwala na zdefiniowanie procesu przetwarzania danych Komponenty realizujące poszczególne czynności można konfigurować,
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka - adres mailowy: nnehrebecka@wne.uw.edu.pl - strona internetowa: www.wne.uw.edu.pl/nnehrebecka - dyżur: wtorek 18.30-19.30 sala 302 lub 303 - 80% oceny: egzaminy -
Bardziej szczegółowoSkanowanie OCR w aplikacji Kancelaria Komornika. Instrukcja dla użytkownika
Skanowanie OCR w aplikacji Kancelaria Komornika Instrukcja dla użytkownika Spis treści 1. Zakładka Wyrażenia... 3 2. Zakładka Grupy wyrażeń... 5 3. Opcje Skanowania / OCR... 7 4. Rozpoznawanie Danych...
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoPrzygotowanie rozkładu materiału nauczania w programie Excel
UONET+ Jak opracować rozkład materiału nauczania w Excelu i zaimportować go do modułu Dziennik? System UONET+ gromadzi stosowane w szkole rozkłady materiału nauczania. Dzięki temu nauczyciele mogą korzystać
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS
Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna za przedmiot: Osoba(y) prowadząca(e) Przedmioty wprowadzające wraz z wymaganiami wstępnymi
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 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 szczegółowoLEPIEJ, ŻEBY SĄSIADOWI ZDECHŁA KROWA, NIŻ ŻEBYŚMY MY MIELI DRUGĄ
LEPIEJ, ŻEBY SĄSIADOWI ZDECHŁA KROWA, NIŻ ŻEBYŚMY MY MIELI DRUGĄ. NIECHĘĆ UCZESTNICZENIA W HIPOTETYCZNYCH POLSKO- BIAŁORUSKICH PROJEKTACH WZMOCNIENIA OCHRONY PRZYRODY W PUSZCZY BIAŁOWIESKIEJ Sviataslau
Bardziej szczegółowoLekcja 1: Origin GUI GUI to Graficzny interfejs użytkownika (ang. GraphicalUserInterface) często nazywany też środowiskiem graficznym
Lekcja 1: Origin GUI GUI to Graficzny interfejs użytkownika (ang. GraphicalUserInterface) często nazywany też środowiskiem graficznym jest to ogólne określenie sposobu prezentacji informacji przez komputer
Bardziej szczegółowoInstrukcja korzystania ze skryptu kroswalidacja.py
Instrukcja korzystania ze skryptu kroswalidacja.py 1) Wczytać do SGeMS plik z danymi pomiarowymi dwukrotnie (Menu Objects Load Object): raz jako dane, a za drugim razem pod inną nazwą, np. punkty jako
Bardziej szczegółowoNOWY PROGRAM STUDIÓW 2016/2017 SYLABUS PRZEDMIOTU AUTORSKIEGO: Wprowadzenie do teorii ekonometrii. Część A
NOWY PROGRAM STUDIÓW 2016/2017 SYLABUS PRZEDMIOTU AUTORSKIEGO: Autor: 1. Dobromił Serwa 2. Tytuł przedmiotu Sygnatura (będzie nadana, po akceptacji przez Senacką Komisję Programową) Wprowadzenie do teorii
Bardziej szczegółowoZastosowanie Excela w matematyce
Zastosowanie Excela w matematyce Komputer w dzisiejszych czasach zajmuje bardzo znamienne miejsce. Trudno sobie wyobrazić jakąkolwiek firmę czy instytucję działającą bez tego urządzenia. W szkołach pierwsze
Bardziej szczegółowoStatystyka w zarzadzaniu / Amir D. Aczel, Jayavel Sounderpandian. Wydanie 2. Warszawa, Spis treści
Statystyka w zarzadzaniu / Amir D. Aczel, Jayavel Sounderpandian. Wydanie 2. Warszawa, 2018 Spis treści Przedmowa 13 O Autorach 15 Przedmowa od Tłumacza 17 1. Wprowadzenie i statystyka opisowa 19 1.1.
Bardziej szczegółowoparametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających,
诲 瞴瞶 瞶 ƭ0 ƭ 瞰 parametrów strukturalnych modelu Y zmienna objaśniana, = + + + + + X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających, α 0, α 1, α 2,,α k parametry strukturalne modelu, k+1 parametrów
Bardziej szczegółowoSzacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE. Joanna Sawicka
Szacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE Joanna Sawicka Plan prezentacji Model Poissona-Gamma ze składnikiem regresyjnym Konstrukcja optymalnego systemu Bonus- Malus Estymacja
Bardziej 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 szczegółowoKARTA PRZEDMIOTU / SYLABUS
Załącznik nr 5b do Uchwały nr 21/2013 Senatu KARTA PRZEDMIOTU / SYLABUS Wydział Nauk o Zdrowiu Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna
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 szczegółowoOrientacja pojedynczego zdjęcia
Orientacja pojedynczego zdjęcia 1. Na dysku D\\student założyć folder o nazwie PM_swoje nazwisko 2. Z dysku D\\!_Materiały_do_zajęć_sala_136\\Images(pl)\\Trybsz_30 przekopiować do swojego katalogu zdjęcie
Bardziej szczegółowoDokumentacja Administratora portalu. aplikacji. Wirtualna szkoła
Dokumentacja Administratora portalu aplikacji Wirtualna szkoła aktualna na dzień 20.12.2012 Wykonawca: Young Digital Planet SA 2012 Strona 2 z 15 Spis Treści Wirtualna szkoła SYSTEM ZARZĄDZANIA NAUCZANIEM...
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 szczegółowoDokumentacja Końcowa
Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Dokumentacja Końcowa Autorzy: Robert Wojciechowski Michał Denkiewicz Wstęp Celem
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 szczegółowoMetody komputerowe statystyki Computer Methods in Statistics. Matematyka. Poziom kwalifikacji: II stopnia. Liczba godzin/tydzień: 2W, 3L
Nazwa przedmiotu: Kierunek: Metody komputerowe statystyki Computer Methods in Statistics Matematyka Rodzaj przedmiotu: przedmiot obowiązkowy dla specjalności matematyka przemysłowa Rodzaj zajęć: wykład,
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 szczegółowoEkonometryczne modele nieliniowe
Ekonometryczne modele nieliniowe Wykład 10 Modele przełącznikowe Markowa Literatura P.H.Franses, D. van Dijk (2000) Non-linear time series models in empirical finance, Cambridge University Press. R. Breuning,
Bardziej szczegółowoPodstawowe operacje na macierzach, operacje we/wy
26 listopad 2012 Podstawowe operacje na macierzach, operacje we/wy Slajd 1 Podstawowe operacje na macierzach, operacje we/wy Zakład Komputerowego Wspomagania Projektowania Semestr 1. 26 listopad 2012 Podstawowe
Bardziej szczegółowoPlatforma e-learnigowa Moodle Testy i oceny
Platforma e-learnigowa Moodle Testy i oceny 02.02.2011 Przygotowanie quizu - baza pytań Pytania Baza pytań niezależna od quizów Struktura bazy: kategorie obejmujące określoną część materiału, np. pytania
Bardziej szczegółowoStatystyka opisowa. Wykład V. Regresja liniowa wieloraka
Statystyka opisowa. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Prosta regresji cechy Y względem cech X 1,..., X k. 2 3 Wyznaczamy zależność cechy Y od cech X 1, X 2,..., X k postaci Y = α 0 +
Bardziej szczegółowo( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie:
ma postać y = ax + b Równanie regresji liniowej By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : xy b = a = b lub x Gdzie: xy = też a = x = ( b ) i to dane empiryczne, a ilość
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS
Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna za przedmiot: Osoba(y) prowadząca(e) Przedmioty wprowadzające wraz z wymaganiami wstępnymi
Bardziej szczegółowoUogólniony model liniowy
Uogólniony model liniowy Ogólny model liniowy y = Xb + e Każda obserwacja ma rozkład normalny Każda obserwacja ma tą samą wariancję Dane nienormalne Rozkład binomialny np. liczba chorych krów w stadzie
Bardziej szczegółowoPrzygotowanie własnej procedury... 3 Instrukcja msgbox wyświetlanie informacji w oknie... 6 Sposoby uruchamiania makra... 8
Przygotowanie własnej procedury... 3 Instrukcja msgbox wyświetlanie informacji w oknie... 6 Sposoby uruchamiania makra... 8 Podstawy programowania makr w Excelu 1 Aby rozpocząć pracę z makrami, należy
Bardziej szczegółowoDiary przydatne polecenie. Korzystanie z funkcji wbudowanych i systemu pomocy on-line. Najczęstsze typy plików. diary nazwa_pliku
Diary przydatne polecenie diary nazwa_pliku Polecenie to powoduje, że od tego momentu sesja MATLAB-a, tj. polecenia i teksty wysyłane na ekran (nie dotyczy grafiki) będą zapisywane w pliku o podanej nazwie.
Bardziej szczegółowoKomputerowe wspomaganie eksperymentu 5
Komputerowe wspomaganie eksperymentu 5 Dr Piotr Sitarek Katedra Fizyki Doświadczalnej, Politechnika Wrocławska Temat na dziś Macierze, tablice, file i/o, konwersja typów ni.com (część materiałów zaczerpnięta
Bardziej szczegółowoEkonometria Dla III roku studiów dziennych Dr Jerzy Mycielski
Ekonometria Dla III roku studiów dziennych Dr Jerzy Mycielski Wykład 60 godz. Ćwiczenia 60 godz. Cel zajęć Wykład i ćwiczenia z ekonometrii mają zapoznać studentów z technikami ekonometrycznymi, ich własnościami
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 1
Stanisław Cichocki Natalia Nehrebecka Wykład 1 1 1. Sprawy organizacyjne Zasady zaliczenia Ćwiczenia Literatura 2. Formy danych statystycznych 3. Czym zajmuje się ekonometria? Model ekonometryczny 2 1.
Bardziej szczegółowoDane laserowe. 2. Zaznaczamy Browse (wybieramy: seed3d)
Dane laserowe Cel ćwiczenia: Interpretacja danych pochodzących z lotniczego skaningu laserowego. Uruchomienie oprogramowania, z którego korzystamy przy wykonaniu powyższego ćwiczenia. I. Wybieramy License
Bardziej szczegółowoAnaliza zdarzeń Event studies
Analiza zdarzeń Event studies Dobromił Serwa akson.sgh.waw.pl/~dserwa/ef.htm Leratura Campbell J., Lo A., MacKinlay A.C.(997) he Econometrics of Financial Markets. Princeton Universy Press, Rozdział 4.
Bardziej szczegółowoANALIZA DANYCH W STATA 8.0
ANALIZA DANYCH W STATA 8.0 ZAJĘCIA 7 1. Rozpoczęcie 1. Stworzyć w katalogu C:/temp katalog stata_7 2. Ściągnąć z internetu ze strony http://akson.sgh.waw.pl/~mproch plik zajecia7.zip (kryje się on pod
Bardziej szczegółowoFAQ: 00000003/PL Data: 14/06/2007 Konfiguracja współpracy programów PC Access i Microsoft Excel ze sterownikiem S7-200
Za pomocą oprogramowania PC Access oraz programu Microsoft Excel moŝliwa jest prosta wizualizacja programów wykonywanych na sterowniku SIMATIC S7-200. PC Access umoŝliwia podgląd wartości zmiennych oraz
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 5 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.hedonic.dta przygotuj model oszacowujący wartość kosztów zewnętrznych rolnictwa 1. Przeprowadź regresję objaśniającą
Bardziej szczegółowoMODELE LINIOWE. Dr Wioleta Drobik
MODELE LINIOWE Dr Wioleta Drobik MODELE LINIOWE Jedna z najstarszych i najpopularniejszych metod modelowania Zależność między zbiorem zmiennych objaśniających, a zmienną ilościową nazywaną zmienną objaśnianą
Bardziej szczegółowoCzytnik kart pamięci 8w1, Conrad USB 2.0 Instrukcja obsługi
Czytnik kart pamięci 8w1, Conrad USB 2.0 Instrukcja obsługi Nr produktu: 410037 Strona 1 z 5 Instalacja oprogramowania 1. Przed podpięciem czytnika Simflash Express do komputera musisz zainstalować oprogramowanie.
Bardziej szczegółowo