Ekonometria Przestrzenna
|
|
- Joanna Osińska
- 4 lat temu
- Przeglądów:
Transkrypt
1 Ekonometria Przestrzenna Wykªad 8: w modelach przestrzennych (8) Ekonometria Przestrzenna 1 / 23
2 Plan wykªadu 1 Modele proste Modele zªo»one 2 Wnioskowanie statystyczne dla mno»ników przestrzennych i ±rednich efektów Wnioskowanie w modelach z komponentem SAR Wnioskowanie w modelach bez komponentu SAR (8) Ekonometria Przestrzenna 2 / 23
3 Plan prezentacji 1 2 Wnioskowanie statystyczne dla mno»ników przestrzennych i ±rednich efektów (8) Ekonometria Przestrzenna 3 / 23
4 Modele proste Kra«cowe efekty wzrostu regresorów w modelu liniowym Rozwa»my model SAR (i modele zªo»one, zawieraj ce komponent ρwy): y = ρwy + Xβ + ε W przypadku ρ = 0 kra«cowy wpªyw zmiennej x k na y jest po prostu parametrem β k, czyli odpowiednim elementem wektora β (st d interpretacja parametrów modelu liniowego): y = Xβ + ε (8) Ekonometria Przestrzenna 4 / 23
5 Modele proste Kra«cowe efekty wzrostu regresorów w modelu liniowym Rozwa»my model SAR (i modele zªo»one, zawieraj ce komponent ρwy): y = ρwy + Xβ + ε W przypadku ρ = 0 kra«cowy wpªyw zmiennej x k na y jest po prostu parametrem β k, czyli odpowiednim elementem wektora β (st d interpretacja parametrów modelu liniowego): y = Xβ + ε (8) Ekonometria Przestrzenna 4 / 23
6 Modele proste Kra«cowe efekty wzrostu regresorów w modelu liniowym (2) Wpªyw takiej zale»no±ci przyczynowo-skutkowej mo»emy zapisa dla ka»dej pary jednostek, ró»niczkuj c wektor y wzgl dem wektora x k (ka»dy z nich ma dªugo± N liczba obserwacji, st d wynik to macierz N N): x k,1 = 1 S k = y x = [x k β k ] k x = β k I N = k β k x k,2 = 1 0 x k,n = 1 0 y 1 0 β k 0 y β k y N macierz diagonalna: zmiana x k dla i-tej jednostki nie ma wpªywu na y dla»adnej innej jednostki macierz sferyczna (równo± elementów diagonalnych): efekt kra«cowy równy dla wszystkich jednostek (8) Ekonometria Przestrzenna 5 / 23
7 Modele proste Kra«cowe efekty wzrostu regresorów w modelu SAR (1) Rozwa»my model SAR (i modele zªo»one, zawieraj ce komponent ρwy): y = ρwy + Xβ + ε W przypadku ρ 0 kalkulacja efektu kra«cowego wymaga najpierw rozwikªania tej zale»no±ci wzgl dem y: y = (I ρw) 1 Xβ + (I ρw) 1 ε (8) Ekonometria Przestrzenna 6 / 23
8 Modele proste Kra«cowe efekty wzrostu regresorów w modelu SAR (1) Rozwa»my model SAR (i modele zªo»one, zawieraj ce komponent ρwy): y = ρwy + Xβ + ε W przypadku ρ 0 kalkulacja efektu kra«cowego wymaga najpierw rozwikªania tej zale»no±ci wzgl dem y: y = (I ρw) 1 Xβ + (I ρw) 1 ε (8) Ekonometria Przestrzenna 6 / 23
9 Modele proste Kra«cowe efekty wzrostu regresorów w modelu SAR (2) Efekt ró»niczkowania to równie» macierz N N, ale tym razem... S k = y x k = [(I ρw) 1 x k β k] x = β k (I ρw) 1 = k x k,1 = 1 x k,2 = 1 x k,n = 1 m 1,1 m 1,2 m 1,N y 1 m 2,1 m 2,2 m 2,N y m N,1 m N,2 m N,N y N ta macierz nie jest ani diagonalna (zale»no± obserwacji: zmiana x k dla i-tej jednostki mo»e mie wpªyw na y dla innych jednostek)... ani sferyczna (ró»ne efekty bezpo±rednie w ró»nych jednostkach). (8) Ekonometria Przestrzenna 7 / 23
10 Modele proste Interakcje s siadów komplikacja mno»ników (1) (8) Ekonometria Przestrzenna 8 / 23
11 Modele proste Interakcje s siadów komplikacje mno»ników (2) Kot wpªywa na Pata (β 1 ). W konsekwencji Pat wpªywa na Mata (β 1 ρ 2 ), Mat na Pata (β 1 ρ 2 ρ 1 ), Pat znów na Mata (β 1 ρ 2 ρ 1 ρ 2 )... Innymi sªowy (w j zyku modeli przestrzennych): S k = β k (I ρw) 1 = β k I + β k ρw + β k ρ 2 W β k I: efekt bez uwzgl dnienia zale»no±ci przestrzennej (diagonalny, sferyczny) β k ρw: efekt s siedztwa pierwszego rz du (ale efekty na diagonali S k wci» równe, bo diagonala W zerowa) β k ρ 2 W : diagonala S k przestaje by równa (efekty s siedztwa drugiego rz du i dalszych oddziaªuj ju» z ró»n siª na poszczególne jednostki) (8) Ekonometria Przestrzenna 9 / 23
12 Modele proste Interakcje s siadów komplikacje mno»ników (2) Kot wpªywa na Pata (β 1 ). W konsekwencji Pat wpªywa na Mata (β 1 ρ 2 ), Mat na Pata (β 1 ρ 2 ρ 1 ), Pat znów na Mata (β 1 ρ 2 ρ 1 ρ 2 )... Innymi sªowy (w j zyku modeli przestrzennych): S k = β k (I ρw) 1 = β k I + β k ρw + β k ρ 2 W β k I: efekt bez uwzgl dnienia zale»no±ci przestrzennej (diagonalny, sferyczny) β k ρw: efekt s siedztwa pierwszego rz du (ale efekty na diagonali S k wci» równe, bo diagonala W zerowa) β k ρ 2 W : diagonala S k przestaje by równa (efekty s siedztwa drugiego rz du i dalszych oddziaªuj ju» z ró»n siª na poszczególne jednostki) (8) Ekonometria Przestrzenna 9 / 23
13 Modele proste modeli SEM i SLX Du»o pro±ciej: M {}}{ SEM: y = Xβ + (I λw) 1 u β jak w modelu liniowym λ przez pryzmat macierzy M = [m i,j ]: u j = 1 y i = m i,j (z takich mno»ników rzadko korzystamy w praktyce...) SLX: y = Xβ + WXθ + ε β i θ efekty kra«cowe: S k = y x k = [x k(β k I+θ k W)] x k = β k I + θ k W...i dalej jak w SAR (8) Ekonometria Przestrzenna 10 / 23
14 Modele proste modeli SEM i SLX Du»o pro±ciej: M {}}{ SEM: y = Xβ + (I λw) 1 u β jak w modelu liniowym λ przez pryzmat macierzy M = [m i,j ]: u j = 1 y i = m i,j (z takich mno»ników rzadko korzystamy w praktyce...) SLX: y = Xβ + WXθ + ε β i θ efekty kra«cowe: S k = y x k = [x k(β k I+θ k W)] x k = β k I + θ k W...i dalej jak w SAR (8) Ekonometria Przestrzenna 10 / 23
15 Modele proste modeli SEM i SLX Du»o pro±ciej: M {}}{ SEM: y = Xβ + (I λw) 1 u β jak w modelu liniowym λ przez pryzmat macierzy M = [m i,j ]: u j = 1 y i = m i,j (z takich mno»ników rzadko korzystamy w praktyce...) SLX: y = Xβ + WXθ + ε β i θ efekty kra«cowe: S k = y x k = [x k(β k I+θ k W)] x k = β k I + θ k W...i dalej jak w SAR (8) Ekonometria Przestrzenna 10 / 23
16 Modele proste Efekty bezpo±rednie, po±rednie i caªkowite (1) Prezentacja macierzy S k w caªo±ci: kªopotliwa i zwykle niepotrzebna. Miary syntetyczne. Efekt bezpo±redni dla zmiennej x k : Ek D = tr(s k) N. Wpªyw jednostkowego wzrostu x k w danym regionie na y w tym samym regionie (u±redniony po regionach). Efekt caªkowity dla zmiennej x k : Ek T = 1 N ΣN i=1 m i,j. rednia sum kolumnowych macierzy S j. Wpªyw jednostkowego wzrostu x k w danym regionie na y we wszystkich regionach ª cznie (u±redniony po regionach, w których mo»e wyst pi impuls). Efekt po±redni dla zmiennej x k : Ek I = E k T E k D. Wpªyw jednostkowego wzrostu x j na y w pozostaªych regionach ª cznie (u±redniony po regionach, w których mo»e wyst pi impuls). (8) Ekonometria Przestrzenna 11 / 23
17 Modele proste Efekty bezpo±rednie, po±rednie i caªkowite (1) Prezentacja macierzy S k w caªo±ci: kªopotliwa i zwykle niepotrzebna. Miary syntetyczne. Efekt bezpo±redni dla zmiennej x k : Ek D = tr(s k) N. Wpªyw jednostkowego wzrostu x k w danym regionie na y w tym samym regionie (u±redniony po regionach). Efekt caªkowity dla zmiennej x k : Ek T = 1 N ΣN i=1 m i,j. rednia sum kolumnowych macierzy S j. Wpªyw jednostkowego wzrostu x k w danym regionie na y we wszystkich regionach ª cznie (u±redniony po regionach, w których mo»e wyst pi impuls). Efekt po±redni dla zmiennej x k : Ek I = E k T E k D. Wpªyw jednostkowego wzrostu x j na y w pozostaªych regionach ª cznie (u±redniony po regionach, w których mo»e wyst pi impuls). (8) Ekonometria Przestrzenna 11 / 23
18 Modele proste Efekty bezpo±rednie, po±rednie i caªkowite (1) Prezentacja macierzy S k w caªo±ci: kªopotliwa i zwykle niepotrzebna. Miary syntetyczne. Efekt bezpo±redni dla zmiennej x k : Ek D = tr(s k) N. Wpªyw jednostkowego wzrostu x k w danym regionie na y w tym samym regionie (u±redniony po regionach). Efekt caªkowity dla zmiennej x k : Ek T = 1 N ΣN i=1 m i,j. rednia sum kolumnowych macierzy S j. Wpªyw jednostkowego wzrostu x k w danym regionie na y we wszystkich regionach ª cznie (u±redniony po regionach, w których mo»e wyst pi impuls). Efekt po±redni dla zmiennej x k : Ek I = E k T E k D. Wpªyw jednostkowego wzrostu x j na y w pozostaªych regionach ª cznie (u±redniony po regionach, w których mo»e wyst pi impuls). (8) Ekonometria Przestrzenna 11 / 23
19 Modele proste Efekty bezpo±rednie, po±rednie i caªkowite (1) Prezentacja macierzy S k w caªo±ci: kªopotliwa i zwykle niepotrzebna. Miary syntetyczne. Efekt bezpo±redni dla zmiennej x k : Ek D = tr(s k) N. Wpªyw jednostkowego wzrostu x k w danym regionie na y w tym samym regionie (u±redniony po regionach). Efekt caªkowity dla zmiennej x k : Ek T = 1 N ΣN i=1 m i,j. rednia sum kolumnowych macierzy S j. Wpªyw jednostkowego wzrostu x k w danym regionie na y we wszystkich regionach ª cznie (u±redniony po regionach, w których mo»e wyst pi impuls). Efekt po±redni dla zmiennej x k : Ek I = E k T E k D. Wpªyw jednostkowego wzrostu x j na y w pozostaªych regionach ª cznie (u±redniony po regionach, w których mo»e wyst pi impuls). (8) Ekonometria Przestrzenna 11 / 23
20 Modele proste Efekty bezpo±rednie, po±rednie i caªkowite (2) Zwykle, tzn. przy ρ (0; 1), mamy β k < E D k < E T k. Interpretuj c w takiej sytuacji β k tak jak w modelu liniowym popeªniamy wi c bª d, gdy» podobn interpretacj ma co najwy»ej Ek T (abstrahuj c od faktu u±rednienia po regionach). Efekty liczymy poleceniem impacts po oszacowaniu modelu impacts <- impacts(model, listw = W) Efekty z modelu SLX liczone s tylko przy jednym sposobie szacowania (z argumentem type) i nie wymagaj wówczas argumentu listw. (8) Ekonometria Przestrzenna 12 / 23
21 Modele zªo»one w modelach zªo»onych {}}{ SARAR: y = (I ρw) 1 Xβ + (I ρw) 1 (I λw) 1 u β i ρ ª cznie jak w modelu SAR (impacts w R) ρ i λ ª cznie przez pryzmat macierzy M (jak SEM) SDM: y = (I ρw) 1 Xβ + (I ρw) 1 WXθ + (I ρw) 1 ε β, θ, ρ efekty kra«cowe: S k = y x k = {x k[β k (I ρw) 1 +θ k (I ρw) 1 W]} x k = (I ρw) 1 [β k I + θ k W]...i dalej jak w SAR (impacts w R) SDEM: y = Xβ + WXθ + (I λw) 1 u β i θ jak w SLX (impacts w R) λ jak w SEM M (8) Ekonometria Przestrzenna 13 / 23
22 Modele zªo»one w modelach zªo»onych {}}{ SARAR: y = (I ρw) 1 Xβ + (I ρw) 1 (I λw) 1 u β i ρ ª cznie jak w modelu SAR (impacts w R) ρ i λ ª cznie przez pryzmat macierzy M (jak SEM) SDM: y = (I ρw) 1 Xβ + (I ρw) 1 WXθ + (I ρw) 1 ε β, θ, ρ efekty kra«cowe: S k = y x k = {x k[β k (I ρw) 1 +θ k (I ρw) 1 W]} x k = (I ρw) 1 [β k I + θ k W]...i dalej jak w SAR (impacts w R) SDEM: y = Xβ + WXθ + (I λw) 1 u β i θ jak w SLX (impacts w R) λ jak w SEM M (8) Ekonometria Przestrzenna 13 / 23
23 Modele zªo»one w modelach zªo»onych {}}{ SARAR: y = (I ρw) 1 Xβ + (I ρw) 1 (I λw) 1 u β i ρ ª cznie jak w modelu SAR (impacts w R) ρ i λ ª cznie przez pryzmat macierzy M (jak SEM) SDM: y = (I ρw) 1 Xβ + (I ρw) 1 WXθ + (I ρw) 1 ε β, θ, ρ efekty kra«cowe: S k = y x k = {x k[β k (I ρw) 1 +θ k (I ρw) 1 W]} x k = (I ρw) 1 [β k I + θ k W]...i dalej jak w SAR (impacts w R) SDEM: y = Xβ + WXθ + (I λw) 1 u β i θ jak w SLX (impacts w R) λ jak w SEM M (8) Ekonometria Przestrzenna 13 / 23
24 Plan prezentacji 1 2 Wnioskowanie statystyczne dla mno»ników przestrzennych i ±rednich efektów (8) Ekonometria Przestrzenna 14 / 23
25 Wnioskowanie w modelach z komponentem SAR Wnioskowanie w modelach z komponentem SAR SAR / SARAR: Ŝ k = (I ˆρW) 1 [ ˆβk SDM: Ŝ k = (I ˆρW) 1 ˆβk I + ˆθ ] k W W obu przypadkach macierze mno»ników stanowi nieliniow funkcj szacowanych parametrów (ze wzgl du na ˆρ). Ocena niepewno±ci takich szacunków (i pochodnej wobec nich niepewno±ci u±rednionych efektów) wymaga zastosowania przybli»e«lub metod numerycznych. (8) Ekonometria Przestrzenna 15 / 23
26 Wnioskowanie w modelach z komponentem SAR Wnioskowanie w modelach z komponentem SAR SAR / SARAR: Ŝ k = (I ˆρW) 1 [ ˆβk SDM: Ŝ k = (I ˆρW) 1 ˆβk I + ˆθ ] k W W obu przypadkach macierze mno»ników stanowi nieliniow funkcj szacowanych parametrów (ze wzgl du na ˆρ). Ocena niepewno±ci takich szacunków (i pochodnej wobec nich niepewno±ci u±rednionych efektów) wymaga zastosowania przybli»e«lub metod numerycznych. (8) Ekonometria Przestrzenna 15 / 23
27 Wnioskowanie w modelach z komponentem SAR Wnioskowanie w modelach z komponentem SAR SAR / SARAR: Ŝ k = (I ˆρW) 1 [ ˆβk SDM: Ŝ k = (I ˆρW) 1 ˆβk I + ˆθ ] k W W obu przypadkach macierze mno»ników stanowi nieliniow funkcj szacowanych parametrów (ze wzgl du na ˆρ). Ocena niepewno±ci takich szacunków (i pochodnej wobec nich niepewno±ci u±rednionych efektów) wymaga zastosowania przybli»e«lub metod numerycznych. (8) Ekonometria Przestrzenna 15 / 23
28 Wnioskowanie w modelach z komponentem SAR Metoda 1: przybli»enie delta (model SAR) (1) Niech k = Ŝ k [ ˆρ ˆβ k ], gdzie Ŝ k oznacza pionowy wektor dªugo±ci N N zªo»ony z elementów macierzy Ŝ k. Macierz pochodnych k ma wymiary (N N) 2 (pochodne N N elementów po 2 parametrach). Ŝ k ˆβ k = (I ˆρW) 1 ˆβk ˆβ k Ŝ k ˆρ = (I ˆρW) 1 ˆβk ˆρ MWM = (I ˆρW) 1 M Z reguª ró»niczkowania macierzowego: U(x) 1 x = U (x) 1 U(x) x = (I ˆρW) 1 ( W) (I ˆρW) 1 U (x) 1 (8) Ekonometria Przestrzenna 16 / 23
29 Wnioskowanie w modelach z komponentem SAR Metoda 1: przybli»enie delta (model SAR) (1) Niech k = Ŝ k [ ˆρ ˆβ k ], gdzie Ŝ k oznacza pionowy wektor dªugo±ci N N zªo»ony z elementów macierzy Ŝ k. Macierz pochodnych k ma wymiary (N N) 2 (pochodne N N elementów po 2 parametrach). Ŝ k ˆβ k = (I ˆρW) 1 ˆβk ˆβ k Ŝ k ˆρ = (I ˆρW) 1 ˆβk ˆρ MWM = (I ˆρW) 1 M Z reguª ró»niczkowania macierzowego: U(x) 1 x = U (x) 1 U(x) x = (I ˆρW) 1 ( W) (I ˆρW) 1 U (x) 1 (8) Ekonometria Przestrzenna 16 / 23
30 Wnioskowanie w modelach z komponentem SAR Metoda 1: przybli»enie delta (model SAR) (1) Niech k = Ŝ k [ ˆρ ˆβ k ], gdzie Ŝ k oznacza pionowy wektor dªugo±ci N N zªo»ony z elementów macierzy Ŝ k. Macierz pochodnych k ma wymiary (N N) 2 (pochodne N N elementów po 2 parametrach). Ŝ k ˆβ k = (I ˆρW) 1 ˆβk ˆβ k Ŝ k ˆρ = (I ˆρW) 1 ˆβk ˆρ MWM = (I ˆρW) 1 M Z reguª ró»niczkowania macierzowego: U(x) 1 x = U (x) 1 U(x) x = (I ˆρW) 1 ( W) (I ˆρW) 1 U (x) 1 (8) Ekonometria Przestrzenna 16 / 23
31 Wnioskowanie w modelach z komponentem SAR Metoda 1: przybli»enie delta (model SAR) (2) Niech Σ k = ( ) Var (ˆρ) Cov ˆρ, ˆβ k ( ). Var ˆβk b dzie odpowiednim fragmentem 2 2 macierzy wariancji-kowariancji oszacowa«parametrów modelu. Z rozwini cia wzoru na wariancj Ŝ k w szereg Taylora 1. rz du wynika wzór ma macierz (N N) (N N): Var (Ŝ k ) T k (Σ k) 1 k Diagonalne elementy tej macierzy mog zosta z powrotem odpowiednio uªo»one w macierz N N, a ich pierwiastki b d stanowiªy oszacowania bª dów standardowych Ŝ k. (8) Ekonometria Przestrzenna 17 / 23
32 Wnioskowanie w modelach z komponentem SAR Metoda 1: przybli»enie delta (model SAR) (2) Niech Σ k = ( ) Var (ˆρ) Cov ˆρ, ˆβ k ( ). Var ˆβk b dzie odpowiednim fragmentem 2 2 macierzy wariancji-kowariancji oszacowa«parametrów modelu. Z rozwini cia wzoru na wariancj Ŝ k w szereg Taylora 1. rz du wynika wzór ma macierz (N N) (N N): Var (Ŝ k ) T k (Σ k) 1 k Diagonalne elementy tej macierzy mog zosta z powrotem odpowiednio uªo»one w macierz N N, a ich pierwiastki b d stanowiªy oszacowania bª dów standardowych Ŝ k. (8) Ekonometria Przestrzenna 17 / 23
33 Wnioskowanie w modelach z komponentem SAR Metoda 1: przybli»enie delta (model SAR) (2) Niech Σ k = ( ) Var (ˆρ) Cov ˆρ, ˆβ k ( ). Var ˆβk b dzie odpowiednim fragmentem 2 2 macierzy wariancji-kowariancji oszacowa«parametrów modelu. Z rozwini cia wzoru na wariancj Ŝ k w szereg Taylora 1. rz du wynika wzór ma macierz (N N) (N N): Var (Ŝ k ) T k (Σ k) 1 k Diagonalne elementy tej macierzy mog zosta z powrotem odpowiednio uªo»one w macierz N N, a ich pierwiastki b d stanowiªy oszacowania bª dów standardowych Ŝ k. (8) Ekonometria Przestrzenna 17 / 23
34 Wnioskowanie w modelach z komponentem SAR Metoda 2: bootstrap (1) Zwykle mówi c o metodach bootstrapowych mamy na my±li wariant nieparametryczny: Losujemy niezale»nie ze zwracaniem N regionów z populacji N regionów. Dla ka»dego wyniku losowania r = 1,..., R wyznaczamy Ŝ (r) Z otrzymanego rozkªadu Ŝ (r) k wyznaczamy wybrane kwantyle ka»dego elementu tej macierzy (np. rz du 0,025 i 0,975, otrzymuj c 95-procentowy przedziaª ufno±ci). Jednak ten wariant nie sprawdzi si w modelach przestrzennych! Obserwacje nie s niezale»ne. Losuj c w ten sposób, rozrywamy cz ±ciowo sie zale»no±ci, o której pó¹niej b dziemy wnioskowa na podstawie ˆρ. Rozwi zaniem mogªoby by losowanie grupowe (ang. block bootstrap), jak w dynamicznych modelach szeregów czasowych (obserwacja + opó¹nienie). Bardzo trudne w dynamicznych panelowych modelach przestrzennych (dwa wymiary grupowania: czas i przestrze«!). k. (8) Ekonometria Przestrzenna 18 / 23
35 Wnioskowanie w modelach z komponentem SAR Metoda 2: bootstrap (1) Zwykle mówi c o metodach bootstrapowych mamy na my±li wariant nieparametryczny: Losujemy niezale»nie ze zwracaniem N regionów z populacji N regionów. Dla ka»dego wyniku losowania r = 1,..., R wyznaczamy Ŝ (r) Z otrzymanego rozkªadu Ŝ (r) k wyznaczamy wybrane kwantyle ka»dego elementu tej macierzy (np. rz du 0,025 i 0,975, otrzymuj c 95-procentowy przedziaª ufno±ci). Jednak ten wariant nie sprawdzi si w modelach przestrzennych! Obserwacje nie s niezale»ne. Losuj c w ten sposób, rozrywamy cz ±ciowo sie zale»no±ci, o której pó¹niej b dziemy wnioskowa na podstawie ˆρ. Rozwi zaniem mogªoby by losowanie grupowe (ang. block bootstrap), jak w dynamicznych modelach szeregów czasowych (obserwacja + opó¹nienie). Bardzo trudne w dynamicznych panelowych modelach przestrzennych (dwa wymiary grupowania: czas i przestrze«!). k. (8) Ekonometria Przestrzenna 18 / 23
36 Wnioskowanie w modelach z komponentem SAR Metoda 2: bootstrap (2) Bootstrap parametryczny: dysponuj c oszacowanym modelem z parametrami ˆρ, ˆβ: Losujemy R realizacji wektora skªadników losowych ε (r) : i.i.d., N ( 0, ˆσ ( 2) Dla ka»dej z nich rekonstruujemy y (r) = f ε (r), X, W, ˆβ, ) ˆρ. [ Szacujemy ˆρ (r), ˆβ (r)] = f (y (r), X, W) i na tej podstawie wyznaczamy Ŝ (r) k. Równowa»nie (i pro±ciej w praktyce): Losujemy R razy [ ˆρ (r), ˆβ (r)] MVN podstawie wyznaczamy Ŝ (r) k. ([ ] [ ]) ˆρ, ˆβ, Cov ˆρ, ˆβ i na tej Z otrzymanego rozkªadu Ŝ (r) k wyznaczamy wybrane kwantyle ka»dego elementu tej macierzy (np. rz du 0,025 i 0,975, otrzymuj c 95-procentowy przedziaª ufno±ci). Ograniczenie: zakªadamy,»e mamy model o prawidªowych wªasno±ciach statystycznych! (8) Ekonometria Przestrzenna 19 / 23
37 Wnioskowanie w modelach z komponentem SAR Metoda 2: bootstrap (2) Bootstrap parametryczny: dysponuj c oszacowanym modelem z parametrami ˆρ, ˆβ: Losujemy R realizacji wektora skªadników losowych ε (r) : i.i.d., N ( 0, ˆσ ( 2) Dla ka»dej z nich rekonstruujemy y (r) = f ε (r), X, W, ˆβ, ) ˆρ. [ Szacujemy ˆρ (r), ˆβ (r)] = f (y (r), X, W) i na tej podstawie wyznaczamy Ŝ (r) k. Równowa»nie (i pro±ciej w praktyce): Losujemy R razy [ ˆρ (r), ˆβ (r)] MVN podstawie wyznaczamy Ŝ (r) k. ([ ] [ ]) ˆρ, ˆβ, Cov ˆρ, ˆβ i na tej Z otrzymanego rozkªadu Ŝ (r) k wyznaczamy wybrane kwantyle ka»dego elementu tej macierzy (np. rz du 0,025 i 0,975, otrzymuj c 95-procentowy przedziaª ufno±ci). Ograniczenie: zakªadamy,»e mamy model o prawidªowych wªasno±ciach statystycznych! (8) Ekonometria Przestrzenna 19 / 23
38 Wnioskowanie w modelach z komponentem SAR Metoda 2: bootstrap (2) Bootstrap parametryczny: dysponuj c oszacowanym modelem z parametrami ˆρ, ˆβ: Losujemy R realizacji wektora skªadników losowych ε (r) : i.i.d., N ( 0, ˆσ ( 2) Dla ka»dej z nich rekonstruujemy y (r) = f ε (r), X, W, ˆβ, ) ˆρ. [ Szacujemy ˆρ (r), ˆβ (r)] = f (y (r), X, W) i na tej podstawie wyznaczamy Ŝ (r) k. Równowa»nie (i pro±ciej w praktyce): Losujemy R razy [ ˆρ (r), ˆβ (r)] MVN podstawie wyznaczamy Ŝ (r) k. ([ ] [ ]) ˆρ, ˆβ, Cov ˆρ, ˆβ i na tej Z otrzymanego rozkªadu Ŝ (r) k wyznaczamy wybrane kwantyle ka»dego elementu tej macierzy (np. rz du 0,025 i 0,975, otrzymuj c 95-procentowy przedziaª ufno±ci). Ograniczenie: zakªadamy,»e mamy model o prawidªowych wªasno±ciach statystycznych! (8) Ekonometria Przestrzenna 19 / 23
39 Wnioskowanie w modelach z komponentem SAR Metoda 2: bootstrap (2) Bootstrap parametryczny: dysponuj c oszacowanym modelem z parametrami ˆρ, ˆβ: Losujemy R realizacji wektora skªadników losowych ε (r) : i.i.d., N ( 0, ˆσ ( 2) Dla ka»dej z nich rekonstruujemy y (r) = f ε (r), X, W, ˆβ, ) ˆρ. [ Szacujemy ˆρ (r), ˆβ (r)] = f (y (r), X, W) i na tej podstawie wyznaczamy Ŝ (r) k. Równowa»nie (i pro±ciej w praktyce): Losujemy R razy [ ˆρ (r), ˆβ (r)] MVN podstawie wyznaczamy Ŝ (r) k. ([ ] [ ]) ˆρ, ˆβ, Cov ˆρ, ˆβ i na tej Z otrzymanego rozkªadu Ŝ (r) k wyznaczamy wybrane kwantyle ka»dego elementu tej macierzy (np. rz du 0,025 i 0,975, otrzymuj c 95-procentowy przedziaª ufno±ci). Ograniczenie: zakªadamy,»e mamy model o prawidªowych wªasno±ciach statystycznych! (8) Ekonometria Przestrzenna 19 / 23
40 Wnioskowanie w modelach z komponentem SAR Ocena niepewno±ci wokóª ±rednich efektów R dostarcza gotowej procedury bootstrapowej w odniesieniu do ±rednich efektów bezpo±rednich, po±rednich i caªkowitych. Oceniaj c efekty za pomoc polecenia impacts uzupeªniamy je o argumenty: R = 200 (liczba powtórze«r w procedurze bootstrapowej) zstats = TRUE Na podstawie uzyskanego rozkªadu zostanie przeprowadzony test trzech hipotez: H 0 : E D k = 0 H 0 : E I k = 0 H 0 : E T k = 0 (8) Ekonometria Przestrzenna 20 / 23
41 Wnioskowanie w modelach bez komponentu SAR Wnioskowanie w modelach bez komponentu SAR Obie metody mo»na równie» stosowa w odniesieniu do modelu SLX / SDEM. Metoda delta zapewni wówczas dokªadn formuª zamiast przybli»enia, bo S k = β k I + θ k W to funkcja liniowa ze wzgl du na β k i θ k. (Dokªadna formuªa analityczna dla rozkªadu liniowych funkcji parametrów modelu liniowego wyprowadzona np. w Greene, 2003). Metoda bootstrapowa równie» zapewni prawidªowe wnioskowanie (cho jej stosowanie w praktyce nie jest obliczeniowo efektywne wobec ªatwego rozwi zania analitycznego). (8) Ekonometria Przestrzenna 21 / 23
42 Wnioskowanie w modelach bez komponentu SAR Wnioskowanie w modelach bez komponentu SAR Obie metody mo»na równie» stosowa w odniesieniu do modelu SLX / SDEM. Metoda delta zapewni wówczas dokªadn formuª zamiast przybli»enia, bo S k = β k I + θ k W to funkcja liniowa ze wzgl du na β k i θ k. (Dokªadna formuªa analityczna dla rozkªadu liniowych funkcji parametrów modelu liniowego wyprowadzona np. w Greene, 2003). Metoda bootstrapowa równie» zapewni prawidªowe wnioskowanie (cho jej stosowanie w praktyce nie jest obliczeniowo efektywne wobec ªatwego rozwi zania analitycznego). (8) Ekonometria Przestrzenna 21 / 23
43 Wnioskowanie w modelach bez komponentu SAR Wnioskowanie w modelach bez komponentu SAR Obie metody mo»na równie» stosowa w odniesieniu do modelu SLX / SDEM. Metoda delta zapewni wówczas dokªadn formuª zamiast przybli»enia, bo S k = β k I + θ k W to funkcja liniowa ze wzgl du na β k i θ k. (Dokªadna formuªa analityczna dla rozkªadu liniowych funkcji parametrów modelu liniowego wyprowadzona np. w Greene, 2003). Metoda bootstrapowa równie» zapewni prawidªowe wnioskowanie (cho jej stosowanie w praktyce nie jest obliczeniowo efektywne wobec ªatwego rozwi zania analitycznego). (8) Ekonometria Przestrzenna 21 / 23
44 Wnioskowanie w modelach bez komponentu SAR Wnioskowanie w modelach bez komponentu SAR Obie metody mo»na równie» stosowa w odniesieniu do modelu SLX / SDEM. Metoda delta zapewni wówczas dokªadn formuª zamiast przybli»enia, bo S k = β k I + θ k W to funkcja liniowa ze wzgl du na β k i θ k. (Dokªadna formuªa analityczna dla rozkªadu liniowych funkcji parametrów modelu liniowego wyprowadzona np. w Greene, 2003). Metoda bootstrapowa równie» zapewni prawidªowe wnioskowanie (cho jej stosowanie w praktyce nie jest obliczeniowo efektywne wobec ªatwego rozwi zania analitycznego). (8) Ekonometria Przestrzenna 21 / 23
45 Wnioskowanie w modelach bez komponentu SAR Zmienne interakcyjne Uwaga! W caªym wykªadzie (niezale»nie od modelu i metody wnioskowania) zakªadali±my,»e w±ród zmiennych X nie ma zmiennych interakcyjnych (typu x 1 x 2 ). W przeciwnym razie nale»y inaczej wyprowadzi mno»niki dla zmiennych x 1 i x 2. Polecam jako wiczenie. Mno»niki przestrzenne dla danej jednostki zale» od: siªy aprzestrzennego oddziaªywania X na y (β) siªy powi za«przestrzennych (ρ, θ) stopnia zintegrowania jednostki z sieci powi za«(w) w modelach ze zmiennymi interakcyjnymi: poziomu innych predyktorów w analizowanym regionie i innych regionach (X) (8) Ekonometria Przestrzenna 22 / 23
46 Wnioskowanie w modelach bez komponentu SAR Zmienne interakcyjne Uwaga! W caªym wykªadzie (niezale»nie od modelu i metody wnioskowania) zakªadali±my,»e w±ród zmiennych X nie ma zmiennych interakcyjnych (typu x 1 x 2 ). W przeciwnym razie nale»y inaczej wyprowadzi mno»niki dla zmiennych x 1 i x 2. Polecam jako wiczenie. Mno»niki przestrzenne dla danej jednostki zale» od: siªy aprzestrzennego oddziaªywania X na y (β) siªy powi za«przestrzennych (ρ, θ) stopnia zintegrowania jednostki z sieci powi za«(w) w modelach ze zmiennymi interakcyjnymi: poziomu innych predyktorów w analizowanym regionie i innych regionach (X) (8) Ekonometria Przestrzenna 22 / 23
47 Wnioskowanie w modelach bez komponentu SAR Zadanie domowe 7 Wybierz dowoln zmienn obja±niaj c z modeli omawianych w pracach domowych 5 i 6. Dla modelu wskazanego jako najlepszy (a je»eli byª to model SEM to dla dowolnego innego modelu) wyznacz w przypadku tej zmiennej efekt bezpo±redni, po±redni i caªkowity. Przeprowad¹ test istotno±ci ww. efektu po±redniego. Zilustruj na mapie wpªyw jednostkowej zmiany wskazanej zmiennej obja±niaj cej w wybranym regionie na zmienn obja±nian w poszczególnych regionach. Skomentuj wyniki. Plik PDF powinien zawiera wyniki oblicze«wraz z interpretacjami i map. (8) Ekonometria Przestrzenna 23 / 23
Ekonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 6: Zªo»one modele regresji przestrzennej (6) Ekonometria Przestrzenna 1 / 21 Plan wykªadu 1 Modele zªo»one 2 Model SARAR 3 Model SDM (Durbina) 4 Model SDEM 5 Zadania (6)
Bardziej szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 4: Model autoregresji przestrzennej. Dane GIS: punkty i siatki (4) Ekonometria Przestrzenna 1 / 24 Plan wykªadu 1 Model czystej autoregresji przestrzennej (pure SAR) Specykacja
Bardziej szczegółowoEkonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 1 Regresja liniowa i MNK (1) Ekonometria 1 / 25 Plan wicze«1 Ekonometria czyli...? 2 Obja±niamy ceny wina 3 Zadania z podr cznika (1) Ekonometria 2 / 25 Plan prezentacji 1 Ekonometria
Bardziej szczegółowoEkonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 2 Werykacja modelu liniowego (2) Ekonometria 1 / 33 Plan wicze«1 Wprowadzenie 2 Ocena dopasowania R-kwadrat Skorygowany R-kwadrat i kryteria informacyjne 3 Ocena istotno±ci zmiennych
Bardziej szczegółowoWst p do ekonometrii II
Wst p do ekonometrii II Wykªad 1: Modele ADL. Analiza COMFAC. Uogólniona MNK (1) WdE II 1 / 36 Plan wykªadu 1 Restrykcje COMFAC w modelach ADL ADL(1,1) ADL(2,2) 2 Uogólniona MNK Idea UMNK Znajdowanie macierzy
Bardziej szczegółowoModele wielorównaniowe. Estymacja parametrów
Modele wielorównaniowe. Estymacja parametrów Ekonometria Szeregów Czasowych SGH Estymacja 1 / 47 Plan wykªadu 1 Po±rednia MNK 2 Metoda zmiennych instrumentalnych 3 Podwójna MNK 4 Estymatory klasy k 5 MNW
Bardziej szczegółowoEkonometria. wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± (3) Ekonometria 1 / 29 Plan wicze«1 Wprowadzenie 2 Normalny rozkªad 3 Autokorelacja 4 Heteroskedastyczno± Test White'a Odporne bª
Bardziej szczegółowoModele wielorównaniowe. Problem identykacji
Modele wielorównaniowe. Problem identykacji Ekonometria Szeregów Czasowych SGH Identykacja 1 / 43 Plan wykªadu 1 Wprowadzenie 2 Trzy przykªady 3 Przykªady: interpretacja 4 Warunki identykowalno±ci 5 Restrykcje
Bardziej szczegółowoEkonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 4 Prognozowanie (4) Ekonometria 1 / 18 Plan wicze«1 Prognoza punktowa i przedziaªowa 2 Ocena prognozy ex post 3 Stabilno± i sezonowo± Sezonowo± zadanie (4) Ekonometria 2 / 18 Plan
Bardziej szczegółowoEkonometria. wiczenia 5 i 6 Modelowanie szeregów czasowych. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 5 i 6 Modelowanie szeregów czasowych (5-6) Ekonometria 1 / 30 Plan prezentacji 1 Regresja pozorna 2 Testowanie stopnia zintegrowania szeregu 3 Kointegracja 4 Modele dynamiczne (5-6)
Bardziej szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 5: Proste modele regresji przestrzennej. Dane GIS: analiza w regionach (5) Ekonometria Przestrzenna 1 / 47 Plan wykªadu 1 Model liniowy i SAR (Spatial Lag) Model liniowy
Bardziej szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 9: Przestrzenne modele panelowe (9) Ekonometria Przestrzenna 1 / 37 Plan wykªadu 1 Podstawowe poj cia ekonometrii panelowej Modele panelowe bez zale»no±ci przestrzennych
Bardziej szczegółowoModele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6
Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Model mieszany
Bardziej szczegółowoWykªad 1+2: Klasyczny model regresji liniowej. Podstawy R
Wykªad 1+2: Klasyczny model regresji liniowej Podstawy R Ekonometria Stosowana SGH KMNK i R 1 / 45 Plan wykªadu 1 Informacje organizacyjne 2 Wprowadzenie do ekonometrii Ekonometria Dane i postacie funkcyjne
Bardziej szczegółowoBiostatystyka, # 5 /Weterynaria I/
Biostatystyka, # 5 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15
ANALIZA NUMERYCZNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Metoda Eulera 3 1.1 zagadnienia brzegowe....................... 3 1.2 Zastosowanie ró»niczki...................... 4 1.3 Output do pliku
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 6: Bayesowskie ª czenie wiedzy (6) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Wprowadzenie 2 Oczekiwana wielko± modelu 3 Losowanie próby modeli 4 wiczenia w R (6) Ekonometria
Bardziej szczegółowoIn»ynierskie zastosowania statystyki wiczenia
Uwagi: 27012014 poprawiono kilka literówek, zwi zanych z przedziaªami ufno±ci dla wariancji i odchylenia standardowego In»ynierskie zastosowania statystyki wiczenia Przedziaªy wiarygodno±ci, testowanie
Bardziej szczegółowoEkonometria. wiczenia 7 Modele nieliniowe. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 7 Modele nieliniowe (7) Ekonometria 1 / 19 Plan wicze«1 Nieliniowo± : co to zmienia? 2 Funkcja produkcji Cobba-Douglasa 3 Nieliniowa MNK (7) Ekonometria 2 / 19 Plan prezentacji 1 Nieliniowo±
Bardziej 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 szczegółowoEkonometria - wykªad 8
Ekonometria - wykªad 8 3.1 Specykacja i werykacja modelu liniowego dobór zmiennych obja±niaj cych - cz ± 1 Barbara Jasiulis-Goªdyn 11.04.2014, 25.04.2014 2013/2014 Wprowadzenie Ideologia Y zmienna obja±niana
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 9: Metody numeryczne: MCMC Andrzej Torój 1 / 17 Plan wykªadu Wprowadzenie 1 Wprowadzenie 3 / 17 Plan prezentacji Wprowadzenie 1 Wprowadzenie 3 3 / 17 Zastosowanie metod numerycznych
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 10: Symulacje a posteriori w R Andrzej Torój 1 / 23 Plan wykªadu 1 Przykªad: model ze skªadnikiem losowym o grubych ogonach 2 3 4 2 / 23 Plan prezentacji 1 Przykªad: model
Bardziej szczegółowoMODELE LINIOWE i MIESZANE
MODELE LINIOWE i MIESZANE WYKŠAD 5 13 kwiecie«2018 1 / 48 Plan wykªadu 1. Metody Monte Carlo we wnioskowaniu statystycznym 2. Pakiet R 2 / 48 Metody Monte Carlo we wnioskowaniu statystycznym 3 / 48 Zaªó»my,»e
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XV: Zagadnienia redukcji wymiaru danych 2 lutego 2015 r. Standaryzacja danych Standaryzacja danych Własności macierzy korelacji Definicja Niech X będzie zmienną losową o skończonym drugim momencie.
Bardziej szczegółowoMakroekonomia Zaawansowana
Makroekonomia Zaawansowana wiczenia 1 Stan ustalony i log-linearyzacja MZ 1 / 27 Plan wicze«1 Praca z modelami DSGE 2 Stan ustalony 3 Log-linearyzacja 4 Zadania MZ 2 / 27 Plan prezentacji 1 Praca z modelami
Bardziej szczegółowoEkonometria - wykªad 1
Ekonometria - wykªad 1 0. Wprowadzenie Barbara Jasiulis-Goªdyn 28.02.2014 2013/2014 Ekonometria Literatura [1] B. Borkowski, H. Dudek, W. Szczesny, Ekonometria. Wybrane Zaganienia, PWN, Warszawa 2003.
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 10: Symulacje a posteriori w R (10) Ekonometria Bayesowska 1 / 23 Plan wykªadu 1 Przykªad: model ze skªadnikiem losowym o grubych ogonach 2 Wykorzystanie pakietu rjags 3 Diagnostyka
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład XII: Zagadnienia redukcji wymiaru danych 12 maja 2014 Definicja Niech X będzie zmienną losową o skończonym drugim momencie. Standaryzacją zmiennej X nazywamy zmienną losową Z = X EX Var (X ). Definicja
Bardziej szczegółowoElementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13
Elementarna statystyka Wnioskowanie o regresji (Inference for regression) Alexander Bendikov Uniwersytet Wrocªawski 2 czerwca 2016 Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for
Bardziej szczegółowo5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
Matematyka w ekonomii i ubezpieczeniach ( Niezale»ne szkody maja rozkªady P (X i = k) = exp( 1)/k!, P (Y i = k) = 4+k ) k (1/3) 5 (/3) k, k = 0, 1,.... Niech S = X 1 +... + X 500 + Y 1 +... + Y 500. Skªadka
Bardziej szczegółowoInterpolacja funkcjami sklejanymi
Interpolacja funkcjami sklejanymi Funkcje sklejane: Zaªó»my,»e mamy n + 1 w zªów t 0, t 1,, t n takich,»e t 0 < t 1 < < t n Dla danej liczby caªkowitej, nieujemnej k funkcj sklejan stopnia k nazywamy tak
Bardziej szczegółowoPodstawy statystycznego modelowania danych - Wykªad 7
Podstawy statystycznego modelowania danych - Wykªad 7 Tomasz Suchocki ANOVA Plan wykªadu Analiza wariancji 1. Rys historyczny 2. Podstawy teoretyczne i przykªady zastosowania 3. ANOVA w pakiecie R Tomasz
Bardziej szczegółowoCAŠKOWANIE METODAMI MONTE CARLO Janusz Adamowski
III. CAŠKOWAIE METODAMI MOTE CARLO Janusz Adamowski 1 1 azwa metody Podstawowym zastosowaniem w zyce metody Monte Carlo (MC) jest opis zªo-»onych ukªadów zycznych o du»ej liczbie stopni swobody. Opis zªo»onych
Bardziej szczegółowo1 Metody iteracyjne rozwi zywania równania f(x)=0
1 Metody iteracyjne rozwi zywania równania f()=0 1.1 Metoda bisekcji Zaªó»my,»e funkcja f jest ci gªa w [a 0, b 0 ]. Pierwiastek jest w przedziale [a 0, b 0 ] gdy f(a 0 )f(b 0 ) < 0. (1) Ustalmy f(a 0
Bardziej szczegółowoMacierze i Wyznaczniki
Macierze i Wyznaczniki Kilka wzorów i informacji pomocniczych: Denicja 1. Tablic nast puj cej postaci a 11 a 12... a 1n a 21 a 22... a 2n A =... a m1 a m2... a mn nazywamy macierz o m wierszach i n kolumnach,
Bardziej szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 3: Testowanie obecno±ci procesów przestrzennych (3) Ekonometria Przestrzenna 1 / 25 Plan wykªadu 1 Testowanie efektów przestrzennych 2 Testy ogólne Test Morana I Globalne
Bardziej szczegółowoZadania z analizy matematycznej - sem. II Rachunek ró»niczkowy funkcji wielu zmiennych
Zadania z analizy matematycznej - sem II Rachunek ró»niczkowy funkcji wielu zmiennych Denicja (Pochodne cz stkowe dla funkcji trzech zmiennych) Niech D R 3 b dzie obszarem oraz f : D R f = f y z) P 0 =
Bardziej szczegółowoEgzamin z ekonometrii - wersja ogólna
Egzamin z ekonometrii - wersja ogólna 27-0-202 Pytania teoretyczne. Dlaczego w modelu nie powinno si umieszcza staªej i wszystkich zmiennych zero-jedynkowych, zwi zanych z poziomami zmiennej dyskretnej?
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) O rozkªadzie pewnego ryzyka S wiemy,»e: E[(S 20) + ] = 8 E[S 10 < S 20] = 13 P (S 20) = 3 4 P (S 10) = 1
Bardziej szczegółowoMetody numeryczne i statystyka dla in»ynierów
Kierunek: Automatyka i Robotyka, II rok Ukªady równa«liniowych PWSZ Gªogów, 2009 Motywacje Zagadnienie kluczowe dla przetwarzania numerycznego Wiele innych zada«redukuje si do problemu rozwi zania ukªadu
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach. a) (6 pkt.) oblicz intensywno± pªaconych skªadek;
EGZAMIN MAGISTERSKI, 26.06.2019r Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dwa niezale»ne portfele S 1, S 2 maj zªo»one rozkªady Poissona. S 1 CP oisson(2, F ), S 2 CP oisson(2, G), gdzie
Bardziej szczegółowoWst p do sieci neuronowych 2010/2011 wykªad 7 Algorytm propagacji wstecznej cd.
Wst p do sieci neuronowych 2010/2011 wykªad 7 Algorytm propagacji wstecznej cd. M. Czoków, J. Piersa Faculty of Mathematics and Computer Science, Nicolaus Copernicus University, Toru«, Poland 2010-11-23
Bardziej szczegółowoMacierze. 1 Podstawowe denicje. 2 Rodzaje macierzy. Denicja
Macierze 1 Podstawowe denicje Macierz wymiaru m n, gdzie m, n N nazywamy tablic liczb rzeczywistych (lub zespolonych) postaci a 11 a 1j a 1n A = A m n = [a ij ] m n = a i1 a ij a in a m1 a mj a mn W macierzy
Bardziej szczegółowoJanusz Adamowski METODY OBLICZENIOWE FIZYKI Zastosowanie eliptycznych równa«ró»niczkowych
Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdziaª 9 RÓWNANIA ELIPTYCZNE 9.1 Zastosowanie eliptycznych równa«ró»niczkowych cz stkowych 9.1.1 Problemy z warunkami brzegowymi W przestrzeni dwuwymiarowej
Bardziej szczegółowoRozdziaª 6. Strukturalne modele VAR
Rozdziaª 6. Strukturalne modele VAR MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 6) Modele SVAR 1 / 25 Wprowadzenie do modeli SVAR Krytyka modeli wielorównaniowych z lat 50-tych i 60-tych postaci:
Bardziej szczegółowoKLASYCZNE ZDANIA KATEGORYCZNE. ogólne - orzekaj co± o wszystkich desygnatach podmiotu szczegóªowe - orzekaj co± o niektórych desygnatach podmiotu
➏ Filozoa z elementami logiki Na podstawie wykªadów dra Mariusza Urba«skiego Sylogistyka Przypomnij sobie: stosunki mi dzy zakresami nazw KLASYCZNE ZDANIA KATEGORYCZNE Trzy znaczenia sªowa jest trzy rodzaje
Bardziej szczegółowoMetody probablistyczne i statystyka stosowana
Politechnika Wrocªawska - Wydziaª Podstawowych Problemów Techniki - 011 Metody probablistyczne i statystyka stosowana prowadz cy: dr hab. in». Krzysztof Szajowski opracowanie: Tomasz Kusienicki* κ 17801
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 5: Narz dzia wnioskowania w ekonometrii bayesowskiej (5) Ekonometria Bayesowska 1 / 8 Plan wykªadu 1 Przedziaªy ufno±ci HPDI Werykacja hipotez podej±cie bayesowskie 3 Werykacja
Bardziej szczegółowoA = n. 2. Ka»dy podzbiór zbioru sko«czonego jest zbiorem sko«czonym. Dowody tych twierdze«(elementarne, lecz nieco nu» ce) pominiemy.
Logika i teoria mnogo±ci, konspekt wykªad 12 Teoria mocy, cz ± II Def. 12.1 Ka»demu zbiorowi X przyporz dkowujemy oznaczany symbolem X obiekt zwany liczb kardynaln (lub moc zbioru X) w taki sposób,»e ta
Bardziej szczegółowo2. (8 punktów) 3. (8 punktów) 4. (8 punktów) 5. (8 punktów) EGZAMIN MAGISTERSKI, Matematyka w ekonomii i ubezpieczeniach
Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Znajd¹ rozwi zanie poni»szego zagadnienia programowania liniowego: Zmaksymalizowa x 1 2x 2 + x 3 x 5 przy ograniczeniach x 1 3x 2 + x 3 + 2x 5 = 8
Bardziej szczegółowoZadanie 1. (8 punktów) Dana jest nast puj ca macierz: M =
Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dana jest nast puj ca macierz: M = 2 14 2 10 8 0 10 8. a) Znajd¹ rozwi zanie dwuosobowej gry o sumie zero maj cej powy»sz macierz wypªat. b) Przyjmuj
Bardziej szczegółowo1 Ró»niczka drugiego rz du i ekstrema
Plan Spis tre±ci 1 Pochodna cz stkowa 1 1.1 Denicja................................ 1 1.2 Przykªady............................... 2 1.3 Wªasno±ci............................... 2 1.4 Pochodne wy»szych
Bardziej szczegółowoLiniowe zadania najmniejszych kwadratów
Rozdziaª 9 Liniowe zadania najmniejszych kwadratów Liniowe zadania najmniejszych kwadratów polega na znalezieniu x R n, który minimalizuje Ax b 2 dla danej macierzy A R m,n i wektora b R m. Zauwa»my,»e
Bardziej szczegółowoMetody Ekonometryczne
Metody Ekonometryczne Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Metody Ekonometyczne Wykład 4 Uogólniona Metoda Najmniejszych Kwadratów (GLS) 1 / 19 Outline 1 2 3 Jakub Mućk Metody Ekonometyczne
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 2: Bayesowska estymacja równania ze staª. Elementy j zyka R (2) Ekonometria Bayesowska / 24 Plan wykªadu Model ze staª 2 Podstawy j zyka R 3 Bayesowska analiza modelu ze staª
Bardziej szczegółowoFunkcje wielu zmiennych
dr Krzysztof yjewski Analiza matematyczna 2; MatematykaS-I 0 lic 21 maja 2018 Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(, y b dzie okre±lona przynajmniej na otoczeniu punktu
Bardziej szczegółowoFunkcje, wielomiany. Informacje pomocnicze
Funkcje, wielomiany Informacje pomocnicze Przydatne wzory: (a + b) 2 = a 2 + 2ab + b 2 (a b) 2 = a 2 2ab + b 2 (a + b) 3 = a 3 + 3a 2 b + 3ab 2 + b 3 (a b) 3 = a 3 3a 2 b + 3ab 2 b 3 a 2 b 2 = (a + b)(a
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoMetody statystyczne w biologii - Wykªad 8. Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t
Metody statystyczne w biologii - Wykªad 8 Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Regresja logistyczna 1. Podstawy teoretyczne i przykªady zastosowania
Bardziej szczegółowoWykªad 6: Model logitowy
Wykªad 6: Model logitowy Ekonometria Stosowana SGH Model logitowy 1 / 18 Plan wicze«1 Modele zmiennej jako±ciowej idea 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3
Bardziej szczegółowoEkonometria. 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 szczegółowoSTATYSTYKA MAŁYCH OBSZARÓW IV. EMPIRYCZNY NAJLEPSZY PREDYKTOR
1 STATYSTYKA MAŁYCH OBSZARÓW IV. EMPIRYCZNY NAJLEPSZY PREDYKTOR 3.1 Najlepszy predyktor i empiryczny najlepszy predyktor 3.1.1 Najlepszy predyktor i empiryczny najlepszy predyktor Ogólny mieszany model
Bardziej szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 2: Macierz wag przestrzennych W (2) Ekonometria Przestrzenna 1 / 34 Plan wykªadu 1 Macierz wag przestrzennych 2 Podstawowe metody konstrukcji macierzy W Na podstawie macierzy
Bardziej szczegółowo2 Liczby rzeczywiste - cz. 2
2 Liczby rzeczywiste - cz. 2 W tej lekcji omówimy pozostaªe tematy zwi zane z liczbami rzeczywistymi. 2. Przedziaªy liczbowe Wyró»niamy nast puj ce rodzaje przedziaªów liczbowych: (a) przedziaªy ograniczone:
Bardziej szczegółowoMatematyka wykªad 1. Macierze (1) Andrzej Torój. 17 wrze±nia 2011. Wy»sza Szkoªa Zarz dzania i Prawa im. H. Chodkowskiej
Matematyka wykªad 1 Macierze (1) Andrzej Torój Wy»sza Szkoªa Zarz dzania i Prawa im. H. Chodkowskiej 17 wrze±nia 2011 Plan wykªadu 1 2 3 4 5 Plan prezentacji 1 2 3 4 5 Kontakt moja strona internetowa:
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 szczegółowoLiniowe równania ró»niczkowe n tego rz du o staªych wspóªczynnikach
Liniowe równania ró»niczkowe n tego rz du o staªych wspóªczynnikach Teoria obowi zuje z wykªadu, dlatego te» zostan tutaj przedstawione tylko podstawowe denicje, twierdzenia i wzory. Denicja 1. Równanie
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 szczegółowoPrzetwarzanie sygnaªów
Przetwarzanie sygnaªów Wykªad 8 - Wst p do obrazów 2D Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, 2018 1 / 27 Plan wykªadu 1 Informacje wstepne 2 Przetwarzanie obrazu 3 Wizja komputerowa
Bardziej szczegółowoRozdziaª 5. Modele wektorowej autoregresji
Rozdziaª 5. Modele wektorowej autoregresji MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 5) Modele VAR 1 / 32 Wielowymiarowe modele szeregów czasowych Modele VAR uwzgl dniaj wzajemne powi zania mi
Bardziej szczegółowoNumeryczne zadanie wªasne
Rozdziaª 11 Numeryczne zadanie wªasne W tym rozdziale zajmiemy si symetrycznym zadaniem wªasnym, tzn. zadaniem znajdowania warto±ci i/lub wektorów wªasnych dla macierzy symetrycznej A = A T. W zadaniach
Bardziej szczegółowoAproksymacja funkcji metod najmniejszych kwadratów
Aproksymacja funkcji metod najmniejszych kwadratów Teoria Interpolacja polega na znajdowaniu krzywej przechodz cej przez wszystkie w zªy. Zdarzaj si jednak sytuacje, w których dane te mog by obarczone
Bardziej szczegółowoEfekty przestrzenne w konwergencji polskich podregionów
Efekty przestrzenne w konwergencji polskich podregionów Mikoªaj Herbst EUROREG UW Piotr Wójcik WNE UW Konferencja Ministerstwa Rozwoju Regionalnego Budowanie spójno±ci terytorialnej i przeciwdziaªanie
Bardziej szczegółowoSzeregowanie zada« Przedmiot fakultatywny 15h wykªadu + 15h wicze« dr Hanna Furma«czyk. 7 pa¹dziernika 2013
Przedmiot fakultatywny 15h wykªadu + 15h wicze«7 pa¹dziernika 2013 Zasady zaliczenia 1 wiczenia (ocena): kolokwium, zadania dodatkowe (implementacje algorytmów), praca na wiczeniach. 2 Wykªad (zal): zaliczone
Bardziej szczegółowoStatystyka. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Statystyka Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Statystyka Statystyka: nauka zajmuj ca si liczbowym opisem zjawisk masowych oraz ich analizowaniem, zbiory informacji liczbowych. (Sªownik
Bardziej szczegółowoMetody numeryczne i statystyka dla in»ynierów
Kierunek: Automatyka i Robotyka, II rok Interpolacja PWSZ Gªogów, 2009 Interpolacja Okre±lenie zale»no±ci pomi dzy interesuj cymi nas wielko±ciami, Umo»liwia uproszczenie skomplikowanych funkcji (np. wykorzystywana
Bardziej szczegółowoMatematyka 1. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Matematyka 1 Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Pochodna funkcji Niech a, b R, a < b. Niech f : (a, b) R b dzie funkcj oraz x, x 0 (a, b) b d ró»nymi punktami przedziaªu (a, b). Wyra»enie
Bardziej szczegółowoSpis treści Wstęp Estymacja Testowanie. Efekty losowe. Bogumiła Koprowska, Elżbieta Kukla
Bogumiła Koprowska Elżbieta Kukla 1 Wstęp Czym są efekty losowe? Przykłady Model mieszany 2 Estymacja Jednokierunkowa klasyfikacja (ANOVA) Metoda największej wiarogodności (ML) Metoda największej wiarogodności
Bardziej szczegółowoCiaªa i wielomiany. 1 Denicja ciaªa. Ciaªa i wielomiany 1
Ciaªa i wielomiany 1 Ciaªa i wielomiany 1 Denicja ciaªa Niech F b dzie zbiorem, i niech + (dodawanie) oraz (mno»enie) b d dziaªaniami na zbiorze F. Denicja. Zbiór F wraz z dziaªaniami + i nazywamy ciaªem,
Bardziej szczegółowoLegalna ±ci ga z RRI 2015/2016
Legalna ±ci ga z RRI 205/206 Równania ró»niczkowe pierwszego rz du sprowadzalne do równa«o zmiennych rozdzielonych a) Równanie postaci: = f(ax + by + c), Równanie postaci: = f(ax + by + c), () wprowadzamy
Bardziej szczegółowoEkonometria. wiczenia 8 Modele zmiennej jako±ciowej. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 8 Modele zmiennej jako±ciowej (8) Ekonometria 1 / 25 Plan wicze«1 Modele zmiennej jako±ciowej 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3 Predykcja
Bardziej szczegółowoI Kolokwium z Ekonometrii. Nazwisko i imi...grupa...
ZESTAW A1 I Kolokwium z Ekonometrii Nazwisko i imi...grupa... 1. Model teoretyczny ma posta: z t = α 0 + α 1 x t + α 2 p t + ξ t, (t = 1, 2,..., 28) (1) gdzie: z t - koszty produkcji w mln z, p t - wielko
Bardziej szczegółowoElementarna statystyka Test Istotno±ci (Tests of Signicance)
Elementarna statystyka Test Istotno±ci (Tests of Signicance) Alexander Bendikov Uniwersytet Wrocªawski 16 kwietnia 2016 Elementarna statystyka Test Istotno±ci (Tests of Signicance) 16 kwietnia 2016 1 /
Bardziej szczegółowoPakiety statystyczne - Wykªad 8
Pakiety statystyczne - Wykªad 8 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Analiza wariancji 1. Rys historyczny 2. Podstawy teoretyczne
Bardziej szczegółowoStosowana Analiza Regresji
Model jako : Stosowana Analiza Regresji Wykład XI 21 Grudnia 2011 1 / 11 Analiza kowariancji Model jako : Oprócz czynnika o wartościach nominalnych chcemy uwzględnić wpływ predyktora o wartościach ilościowych
Bardziej szczegółowoRozwini cia asymptotyczne dla mocy testów przybli»onych
Rozwini cia asymptotyczne dla mocy testów przybli»onych Piotr Majerski, Zbigniew Szkutnik AGH Kraków Wisªa 2010 P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa 2010 1 / 22
Bardziej szczegółowoPakiety statystyczne Wykªad 14
Pakiety statystyczne Wykªad 14 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki Plan wykªadu Model mieszany 1. Podstawy teoretyczne 2. Przykªady w R 3. Przykªady zastosowania Tomasz
Bardziej szczegółowoModele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1
Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Analiza wariancji
Bardziej szczegółowoRozdziaª 4. Jednowymiarowe modele szeregów czasowych
Rozdziaª 4. Jednowymiarowe modele szeregów czasowych MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 4) Modele ARMA 1 / 24 Jednowymiarowe modele szeregów czasowych Jednowymiarowe modele szeregów czasowych:
Bardziej szczegółowoStopę zbieżności ciagu zmiennych losowych a n, takiego, że E (a n ) < oznaczamy jako a n = o p (1) prawdopodobieństwa szybciej niż n α.
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
Bardziej szczegółowoStatystyka opisowa. Wykªad II. Elementy statystyki opisowej. Edward Kozªowski.
Statystyka opisowa. Wykªad II. e-mail:e.kozlovski@pollub.pl Spis tre±ci Mediana i moda 1 Mediana i moda 2 3 4 Mediana i moda Median m e (warto±ci ±rodkow ) próbki x 1,..., x n nazywamy ±rodkow liczb w
Bardziej szczegółowoMaªgorzata Murat. Modele matematyczne.
WYKŠAD I Modele matematyczne Maªgorzata Murat Wiadomo±ci organizacyjne LITERATURA Lars Gårding "Spotkanie z matematyk " PWN 1993 http://moodle.cs.pollub.pl/ m.murat@pollub.pl Model matematyczny poj cia
Bardziej szczegółowoTwierdzenie Wainera. Marek Czarnecki. Warszawa, 3 lipca Wydziaª Filozoi i Socjologii Uniwersytet Warszawski
Twierdzenie Wainera Marek Czarnecki Wydziaª Filozoi i Socjologii Uniwersytet Warszawski Wydziaª Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski Warszawa, 3 lipca 2009 Motywacje Dla dowolnej
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 szczegółowoMonte Carlo, bootstrap, jacknife
Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział
Bardziej szczegółowoElementy geometrii analitycznej w przestrzeni
Wykªad 3 Elementy geometrii analitycznej w przestrzeni W wykªadzie tym wi kszy nacisk zostaª poªo»ony raczej na intuicyjne rozumienie deniowanych poj, ni» ±cisªe ich zdeniowanie. Dlatego niniejszy wykªad
Bardziej szczegółowoLZNK. Rozkªad QR. Metoda Householdera
Rozdziaª 10 LZNK. Rozªad QR. Metoda Householdera W tym rozdziale zajmiemy si liniowym zadaniem najmniejszych wadratów (LZNK). Dla danej macierzy A wymiaru M N i wetora b wymiaru M chcemy znale¹ wetor x
Bardziej szczegółowoStrategia czy intuicja?
Strategia czy intuicja czyli o grach niesko«czonych Instytut Matematyki Uniwersytetu Warszawskiego Grzegorzewice, 29 sierpnia 2009 Denicja gry Najprostszy przypadek: A - zbiór (na ogóª co najwy»ej przeliczalny),
Bardziej szczegółowoStosowana Analiza Regresji
Stosowana Analiza Regresji Wykład VIII 30 Listopada 2011 1 / 18 gdzie: X : n p Q : n n R : n p Zał.: n p. X = QR, - macierz eksperymentu, - ortogonalna, - ma zera poniżej głównej diagonali. [ R1 X = Q
Bardziej szczegółowo