I. Szereg niesezonowy
|
|
- Katarzyna Jabłońska
- 4 lat temu
- Przeglądów:
Transkrypt
1 Spis I. Szereg niesezonowy 1.1. Opis danych 1.2. Dekompozycja szeregu w programie Demetra 1.3. Analiza szeregu w STATA 1.4. Model ekstrapolacyjny 1.5. Model ARIMA 1.6. P II Szereg sezonowy 2.1. Opis danych 2.2. Dekompozyc ja w Demetrze 2.3. Analiza szeregu w STATA 2.4. Model ekstrapolacyjny 2.5. Model SARIMA PODSUMOWANIE
2 I. Szereg niesezonowy 1.1.Opis danych Szereg danych niesezonowych pochodzi z bazy danych Eurostatu i dotyczy dziennej stopy procentowej u one tej stopy. Szereg zawiera obserwacje od stycznia 2012 roku do grudnia 2017 roku. Wykres dziennej stopy procentowej na Miesi czna rednia dziennej stopy procentowej na rynku pieni nym 2012m1 2014m1 2016m1 2018m1 date Wykres z programu STATA na podstawie danych z Eurostatu
3 1.2.Dekompozycja szeregu w programie Demetra Pierwszej analizy szeregu dokonano w programie Demetra. Dekompozycji szeregu w drugim kwartale ). rzy czym - 1,6%. (wykres Wykres Dekompozycja analizowanego szeregu w programie Demetra 5.2 Poland Final Trend from Poland - Model 1 (Tramo-Seats) date Sty 2012 Sty2013 Sty 2014 Sty 2015 Sty 2016 Sty 2017 Sty2018 Wykres z programu Demetra na podstawie danych z Eurostatu 1.3. Analiza szeregu w STATA dla tego zabiegu w celu znalezienia
4 m1 2014m1 2016m1 2018m1 date dexp parms(0.0800) = stopa_procentowa Wykres z programu STATA na podstawie danych z Eurostatu 1.4.Model ekstrapolacyjny -Wintersa dla danych niesezonowych. modelem A a okres out-of-sample trzy ostatnie roku przeprowadzona prognoza. Tabela przedstawia obliczone przez program STATA parametry dla modelu oraz prognoz. alpha 1 beta 0,0677 1, reszt 0, MAE 0, MSE 0, MAPE 0, Wintersa dla danych niesezonowych
5 AMAPE 0, Wyniki estymacji w programie STATA na podstawie danych z Eurostatu Wykres Wyniki prognozy modelu Holta m1 2014m1 2016m1 2018m1 date HOLT_WINTERS Wykres z programu STATA na podstawie danych z Eurostatu 1.5. Model ARIMA Kolejno, przeprowadzona zostanie estymacja dla modelu ARIMA. analizowany szereg rozszerzony test Dickey-Fullera Wykres przedstawia wyniki estymacji dla modelu Holtaout-of-sample Breauscharozszerzony test Dickey-Fullera na stacjonarno,
6 Wynika z Wyniki rozszerzonego testu Dickey-Fullera dla jednego nia 2. Tabela Wyniki testu Breuscha-Godfreya dla analizowanego szeregu dla jednego Wydruk ze STATY na podstawie danych Eurostatu Tabela Wyniki rozszerzonego testy Dickey-Fullera dla analizowanego szeregu Wydruk z programu STATA na podstawie danych Eurostatu Wyniki testu Ljunga-Boxa (tabela ). ARIMA, dla d=1. Wykres Wydruk ze STATY na podstawie danych Eurostatu
7 szereg danych niesezonowych Miesi czna rednia dziennej stopy procentowej na rynku pieni nym, D 2012m1 2014m1 2016m1 2018m1 date Wykres z programu STATA na podstawie danych z Eurostatu d p i q, model to ARIMA(2,1,3) p q=3. ustki,
8 Wykres 1.5 Autocorrelations of D.stopa_procentowa Lag Bartlett's formula for MA(q) 95% confidence bands Partial autocorrelations of D.stopa_procentowa Lag 95% Confidence bands [se = 1/sqrt(n)] Wykres z programu STATA na podstawie danych z Eurostatu Ko ograniczenia: 1. H0 : 5=0 H1 : 5 2. H0 : 5= 4=0 H1 : H0 : 5= 4= 3=0 H1 : H0 : 2= 5=0 H1 : H0 : 2= 5= 4=0 H1 : H0 : 2= 5= 4= 3=0 H1 : Na poziomie informacyjnych u 2= 5= 4 (wyniki estymacji w tabeli ) zostaje
9 Wydruk z programu STATA na podstawie danych Eurostatu Tabela Estymacja dla modelu ARIMA(1,1,1) Wydruk z programu STATA na podstawie danych Eurostatu testem Ljunga-Boxa mem (tabela ).
10 Tabela Wyniki testu dla reszt modelu ARIMA (1,1,1) Wydruk z programu STATA na podstawie danych Eurostatu przedstawia wyniki zauwa do estymacji modelem Holta-Wintersa prognoza jej spadek. Dodatkowo, tabela modelu ARIMA. Wykres Wyniki estymacji modelu ARIMA(1,1,1) dla zmiennej lnhdd m1 2014m1 2016m1 2018m1 date ARIMA Wykres z programu STATA na podstawie danych z Eurostatu MSE 0, MAE 0,
11 MAPE 0, AMAPE 0, podobne rezultaty jak ta modelem ekstrapolacyjnym. Wykres przedstawia obie prognozy, wykres przedstawia jedynie obserwacje od 2016 roku). prognoza modelem Holtadla modelu Holta m1 2016m7 2017m1 2017m7 2018m1 date ARIMA HOLT_WINTERS Wykres z programu STATA na podstawie danych z Eurostatu
12 ekstrapolacyjnego Holta-Wintersa noz dla modelu ARIMA (1,1,1) oraz modelu ARIMA(1,1,1) Holt-Winters MSE 0, , MAE 0, ,14031 MAPE 0, , AMAPE 0, , programu STATA na podstawie danych Eurostatu
13 II Szereg sezonowy 2.1. Opis danych Heating Degreee Days (HDD) HDD jest to techniczny indeks wymaganej w budynkach dla konkretnego obszaru dla roku. Obliczany jest na podstawie obserwacji meteorologicznych. y Wykres szeregu HDD m1 2014m1 2016m1 2018m1 data Eurostatu Wykres wygenerowany z programu ST
14 2.2. Dekompozycja w Demetrze Dane poddane analizie w Demetrze wskazuj na sezonowo przedstawia dekompozy siedmioma regresorami. -Seats z czasu ogrzewania HDD 800 HDD Final Seasonally Adjusted Series f rom HDD - Model 1 (Tramo-Seats) Final Trend from HDD - Model 1 (Tramo-Seats) Sty 2012 Sty 2013 Sty 2014 Sty 2015 Sty 2016 Sty 2017 Sty 2018 date. kres
15 Wykres Komponent sezonowy dla szeregu dot. danych nt. w 300 Final Seasonal Factors/Component f rom HDD - Model 1 (Tramo-Seats) Sty 2012 Sty 2013 Sty 2014 Sty 2015 Sty 2016 Sty 2017 Sty 2018 date Wydruk z programu Demetra na podstawie 2.3. Analiza szeregu w STATA Wykres przedsta Zlogarytmowany szereg sezonowy lnhdd m1 2014m1 2016m1 2018m1 data
16 . Wynik tego zabiegu przedstawiony jest na jednak w maleje. Wykres m1 2014m1 2016m1 2018m1 data lnhdd dexp parms(0.0500) = lnhdd 2.4. Model ekstrapolacyjny Holtapostaci modelu ekstrapolacyjnego addytywnego, czy multiplikatywnego. Z samej analizy in-sample out-of-sample przedstawia
17 prognoz. Obliczon to alpha= 0,0482, beta=0,001, gamma 0, Dodatkowo, na wykresie estymacji ). Tabela lnhdd Model addytywny Model multiplikatywny MAE 0, , MSE 0, , MAPE 0, , AMAPE 0, , STATA na postawie danych z Eurostatu Wykres Modele ekstrapolacyjne a szereg lnhdd
18 , Wykres Modele ekstrapolacyjne a szereg lnhdd m1 2017m4 2017m7 2017m m1 data lnhdd MULTIPLIKATYWNY 2.5. Model SARIMA out-of-sample - lnhdd nie jest stacjonarny (tabela ). - -
19 Tabela Wyniki rozszerzonego testu Dickey-Fullera dla lnhdd Tabela Wyniki testu Dickey-Fullera d testu Breuscha-Godfreya emu =1. D=1. szumem. Wyniki testu Ljunga-
20 Tabela Wyniki testu na biay szum lnhdd p, q, P, Q. dla odsezonowanego, (wykres ). p oraz q ARIMA, dlatego te p=3 (trzy pierwsze wypustki istotne dla wykresu PACF), a q=1 (tylko pierwsza wypustka istotna dla wykresu P Q=1. SARIMA(3,1,1)(1,1,1,12). odesenowanego, lnhdd Autocorrelations of DS12.lnHDD Lag Bartlett's formula for MA(q) 95% confidence bands Partial autocorrelations of DS12.lnHDD Lag 95% Confidence bands [se = 1/sqrt(n)]
21 SARIMA (ta SARIMA(2,1,0) ). -Boxa, (tabela Tablea Kryteria informacyjne dla wybranych modeli SARIMA
22 Tabela Wyniki testu Ljunga- out-of-sample pokry nhdd a estymacja modelu SARIMA(2,1,0)(0,1,1,12) m1 2014m1 2016m1 2018m1 data SARIMA lnhdd SARIMA(2,1,0)(0,1,1,12) MAE 0, MSE 0, MAPE 0, AMAPE 0, Opracowanie
23 modeli SARIMA(2,1,0)(0,1,1,12 modeli ekstrapolacyjny multiplikatywny prognozuje najlepiej dla badanego, zlogarytmowanego szeregu. szeregu lnhdd m1 2016m7 2017m1 2017m7 2018m1 data MULTIPLIKATYWNY SARIMA lnhdd
24 SARIMA(2,1,0)(0,1,1,12) Model multiplikatywny MAE 0, , MSE 0, , MAPE 0, , AMAPE 0, , PODSUMOWANIE oraz niesezonowego. - sezonowego Holta-Wintersa, a dla danych sezonowych model ekstrapolacyjny multiplikatywny Holta- Wintersa).
1.1 Opis danych Dekompozycja szeregu ARIMA Prognoza Podsumowanie Opis danych...
1 Szereg niesezonowy... 3 1.1 Opis danych... 3 1.2 Dekompozycja szeregu... 3 1.3... 3 1.4 ARIMA... 10 1.5 Prognoza... 12 1.6 Podsumowanie... 15 2 Szereg sezonowy... 15 2.1 Opis danych... 15 2.2 Dekompozycja
Bardziej szczegółowo1. Szereg niesezonowy 1.1. Opis szeregu
kwaralnych z la 2000-217 z la 2010-2017.. Szereg sezonowy ma charaker danych model z klasy ARIMA/SARIMA i model eksrapolacyjny oraz d prognoz z ych modeli. 1. Szereg niesezonowy 1.1. Opis szeregu Analizowany
Bardziej szczegółowoWprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA
Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Modele tej klasy są modelami ateoretycznymi Ważną klasę modeli dynamicznych stanowią
Bardziej szczegółowoAnaliza szeregów czasowych bezrobocia i inflacji w Danii
Uniwersytet Warszawski Wydział Nauk Ekonomicznych Mateusz Błażej Nr albumu: 308521 Analiza szeregów czasowych bezrobocia i inflacji w Danii Projekt zaliczeniowy z przedmiotu: Analiza Szeregów Czasowych
Bardziej szczegółowoSylabus Formularz opisu przedmiotu (formularz sylabusa) dla studiów I i II stopnia 1 wypełnia koordynator przedmiotu
Sylabus Formularz opisu przedmiotu (formularz sylabusa) dla studiów I i II stopnia 1 wypełnia koordynator przedmiotu A. Informacje ogólne Nazwa pola Nazwa przedmiotu Treść Analiza Szeregów Czasowych Jednostka
Bardziej szczegółowoPrognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody. Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB
Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB Plan prezentacji Wprowadzenie do prognozowania Metody
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 szczegółowoPrognozowanie cen surowców w rolnych na podstawie szeregów w czasowych
Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych Mariusz Hamulczuk Pułtusk 06.12.1011 Wprowadzenie Przewidywanie a prognozowanie Metoda prognozowania rodzaje metod i prognoz Czy moŝna
Bardziej szczegółowoAnaliza Szeregów Czasowych. Egzamin
Analiza Szeregów Czasowych Egzamin 12-06-2018 Zadanie 1: Zadanie 2: Zadanie 3: Zadanie 4: / 12 pkt. / 12 pkt. / 12 pkt. / 14 pkt. Projekt zaliczeniowy: Razem: / 100 pkt. / 50 pkt. Regulamin egzaminu 1.
Bardziej szczegółowo4. Średnia i autoregresja zmiennej prognozowanej
4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)
Bardziej szczegółowo5. Model sezonowości i autoregresji zmiennej prognozowanej
5. Model sezonowości i autoregresji zmiennej prognozowanej 1. Model Sezonowości kwartalnej i autoregresji zmiennej prognozowanej (rząd istotnej autokorelacji K = 1) Szacowana postać: y = c Q + ρ y, t =
Bardziej szczegółowoStacjonarność Integracja. Integracja. Integracja
Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli: Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli:
Bardziej szczegółowo7.4 Automatyczne stawianie prognoz
szeregów czasowych za pomocą pakietu SPSS Następnie korzystamy z menu DANE WYBIERZ OBSERWACJE i wybieramy opcję WSZYSTKIE OBSERWACJE (wówczas wszystkie obserwacje są aktywne). Wreszcie wybieramy z menu
Bardziej szczegółowoModele warunkowej heteroscedastyczności
Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Racjonalne oczekiwania inwestorów P t = E(P t+1 I t ) 1 + R (1) Teoria Przykład - zwroty
Bardziej szczegółowoZadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość?
Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość? Wykres stopy bezrobocia rejestrowanego w okresie 01.1998 12.2008, dane Polskie 22 20 18 16 stopa 14 12
Bardziej szczegółowo3. Analiza własności szeregu czasowego i wybór typu modelu
3. Analiza własności szeregu czasowego i wybór typu modelu 1. Metody analizy własności szeregu czasowego obserwacji 1.1. Analiza wykresu szeregu czasowego 1.2. Analiza statystyk opisowych zmiennej prognozowanej
Bardziej szczegółowoEKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE
EKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE ZADANIE 1 Oszacowano zależność między luką popytowa a stopą inflacji dla gospodarki niemieckiej. Wyniki estymacji są następujące: Estymacja KMNK,
Bardziej szczegółowoCZĘŚĆ A. Literatura: Gomez V., Maravall A. (1996), Programs Tramo and Seats. Instructions for the User, Banco de Espana, Working Paper nr
CZĘŚĆ A ANALIZA SZEREGÓW CZASOWYCH ( max 200 znaków) Stanisław Cichocki, Natalia Nehrebecka, Paweł Strawiński Prowadzący zajęcia dr Stanisław Cichocki, dr Natalia Nehrebecka, dr Paweł Stawiński 30 godz.
Bardziej szczegółowoEstymacja modeli ARIMA przy uŝyciu Staty oraz Integracja i kointegracja. Grzegorz Ogonek KSiE WNE UW
Estymacja modeli ARIMA przy uŝyciu Staty oraz Integracja i kointegracja Grzegorz Ogonek KSiE WNE UW 26.02.2005 * Materiały opracowano w wersji 7 Staty. Tam gdzie zauwaŝyłem rozbieŝności z kolejną wersją
Bardziej szczegółowoModele ARIMA prognoza, specykacja
Modele ARIMA prognoza, specykacja Wst p do ekonometrii szeregów czasowych wiczenia 3 5 marca 2010 Plan prezentacji 1 Specykacja modelu ARIMA 2 3 Plan prezentacji 1 Specykacja modelu ARIMA 2 3 Funkcja autokorelacji
Bardziej szczegółowoPrognozowanie produkcji budowlano montażowej w województwie dolnośląskim. Część I
Budownictwo i Architektura 11 (01) 11-137 Prognozowanie produkcji budowlano montażowej w województwie dolnośląskim. Część I Katedra Inżynierii Procesów Budowlanych, Wydział Budownictwa i Architektury,
Bardziej szczegółowoAnaliza metod prognozowania kursów akcji
Analiza metod prognozowania kursów akcji Izabela Łabuś Wydział InŜynierii Mechanicznej i Informatyki Kierunek informatyka, Rok V Specjalność informatyka ekonomiczna Politechnika Częstochowska izulka184@o2.pl
Bardziej szczegółowoMODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XI/2, 2010, str. 254 263 MODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE Agnieszka Tłuczak Zakład Ekonometrii i Metod Ilościowych, Wydział Ekonomiczny
Bardziej szczegółowoZagadnienie 1: Prognozowanie za pomocą modeli liniowych i kwadratowych przy wykorzystaniu Analizy regresji wielorakiej w programie STATISTICA
Zagadnienie 1: Prognozowanie za pomocą modeli liniowych i kwadratowych przy wykorzystaniu Analizy regresji wielorakiej w programie STATISTICA Zadanie 1 (Plik danych: Transport w Polsce (1990-2015)) Na
Bardziej szczegółowoAnaliza autokorelacji
Analiza autokorelacji Oblicza się wartości współczynników korelacji między y t oraz y t-i (dla i=1,2,...,k), czyli współczynniki autokorelacji różnych rzędów. Bada się statystyczną istotność tych współczynników.
Bardziej szczegółowoPrognoza wybranych wskaźników rozwoju obrotu bezgotówkowego na lata
Prognoza wybranych wskaźników rozwoju obrotu bezgotówkowego na lata 2011 2016 Mariusz Kozakiewicz i Marek Kwas Szkoła Główna Handlowa 15 grudnia 2011 Spis treści Rozdział 1 Wprowadzenie... 3 1.1 Charakterystyka
Bardziej szczegółowoTestowanie stopnia zintegrowania. czasowego. Wst p do ekonometrii szeregów czasowych wiczenia 1. Andrzej Torój. 19 lutego 2010
szeregu czasowego Wst p do ekonometrii szeregów czasowych wiczenia 1 19 lutego 2010 Plan prezentacji 1 Szereg czasowy, poj cie stacjonarno±ci 2 3 4 5 6 7 Plan prezentacji 1 Szereg czasowy, poj cie stacjonarno±ci
Bardziej szczegółowoAnaliza sezonowości. Sezonowość może mieć charakter addytywny lub multiplikatywny
Analiza sezonowości Wiele zjawisk charakteryzuje się nie tylko trendem i wahaniami przypadkowymi, lecz także pewną sezonowością. Występowanie wahań sezonowych może mieć charakter kwartalny, miesięczny,
Bardziej szczegółowoCo trzeba wiedzieć korzystając z modelu ARIMA i które parametry są kluczowe?
Prognozowanie Co trzeba wiedzieć korzystając z modelu ARIMA Marta Płonka Predictive Solutions W trzecim już artykule dotyczącym szeregów czasowych przyjrzymy się modelom ARIMA. Dzisiaj skupimy się na metodzie
Bardziej szczegółowoMetody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2
Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2 Dr hab. inż. Agnieszka Wyłomańska Faculty of Pure and Applied Mathematics Hugo Steinhaus Center Wrocław University of Science and
Bardziej szczegółowoMODELE ARIMA W PROGNOZOWANIU SPRZEDAŻY***
ZAGADNIENIA TECHNICZNO-EKONOMICZNE Tom 48 Zeszyt 3 2003 Joanna Chrabołowska*, Joanicjusz Nazarko** MODELE ARIMA W PROGNOZOWANIU SPRZEDAŻY*** W artykule przedstawiono metodykę budowy modeli ARIMA oraz ich
Bardziej szczegółowowprowadzenie do analizy szeregów czasowych
19 stycznia 2016 Wprowadzenie Prezentacja danych Dekompozycja Preprocessing Model predykcji ARIMA Dobór parametrów modelu ARIMA Podsumowanie Definicje i przykłady Definicje Szeregiem czasowym nazywamy
Bardziej szczegółowoFLESZ LUTY Wszystkie dotychczas wypracowane przez Obserwatorium treści znaleźć można na stronie internetowej:
FLESZ LUTY 2019 Obserwatorium Gospodarki i Rynku Pracy Aglomeracji skiej zostało powołane pod koniec 2013 roku. Celem jego działalności jest prowadzenie monitoringu sytuacji społeczno - ekonomicznej na
Bardziej szczegółowoFLESZ. Wszystkie dotychczas wypracowane przez Obserwatorium treści znaleźć można na stronie internetowej:
FLESZ marzec 2019 Obserwatorium Gospodarki i Rynku Pracy Aglomeracji skiej zostało powołane pod koniec 2013 roku. Celem jego działalności jest prowadzenie monitoringu sytuacji społeczno - ekonomicznej
Bardziej szczegółowoO sezonowości mówimy wtedy, gdy zmienna zmienia się w pewnym cyklu zwykle zwiazanym z cyklem rocznym
Sezonowość O sezonowości mówimy wtedy, gdy zmienna zmienia się w pewnym cyklu zwykle zwiazanym z cyklem rocznym Na przykład zmienne kwartalne charakteryzuja się zwykle sezonowościa kwartalna a zmienne
Bardziej szczegółowoFLESZ listopad Wszystkie dotychczas wypracowane przez Obserwatorium treści znaleźć można na stronie internetowej:
FLESZ listopad 2018 Obserwatorium Gospodarki i Rynku Pracy Aglomeracji skiej zostało powołane pod koniec 2013 roku. Celem jego działalności jest prowadzenie monitoringu sytuacji społeczno - ekonomicznej
Bardziej szczegółowoDANE STATYSTYKI PUBLICZNEJ I OBLICZENIA WSKAŹNIKÓW CHARAKTERYZUJĄCYCH RYNEK PRACY ORAZ GOSPODARKĘ AGLOMERACJI POZNAŃSKIEJ
DANE STATYSTYKI PUBLICZNEJ I OBLICZENIA WSKAŹNIKÓW CHARAKTERYZUJĄCYCH RYNEK PRACY ORAZ GOSPODARKĘ AGLOMERACJI POZNAŃSKIEJ OBSERWATORIUM GOSPODARKI I RYNKU PRACY AGLOMERACJI POZNAŃSKIEJ STOPA BEZROBOCIA
Bardziej szczegółowoWydatki [zł] Wydatki 36,4 38, ,6 37,6 40, , ,5 33 Czas
Wydatki [zł] Zestaw zadań z Zastosowania metod progn. Zadanie 1 Dany jest następujący szereg czasowy: t 1 2 3 4 5 6 7 8 y t 11 14 13 18 17 25 26 28 Dokonaj jego dekompozycji na podstawowe składowe. Wykonaj
Bardziej szczegółowoDANE STATYSTYKI PUBLICZNEJ I OBLICZENIA WSKAŹNIKÓW CHARAKTERYZUJĄCYCH RYNEK PRACY ORAZ GOSPODARKĘ AGLOMERACJI POZNAŃSKIEJ
DANE STATYSTYKI PUBLICZNEJ I OBLICZENIA WSKAŹNIKÓW CHARAKTERYZUJĄCYCH RYNEK PRACY ORAZ GOSPODARKĘ AGLOMERACJI POZNAŃSKIEJ OBSERWATORIUM GOSPODARKI I RYNKU PRACY AGLOMERACJI POZNAŃSKIEJ STOPA BEZROBOCIA
Bardziej szczegółowoModelowanie zachowania kursu EURUSD po ogłoszeniu odczytu US Nonfarm Payrolls z wykorzystaniem modeli ARIMA-GARCH
Raport 10/2015 Modelowanie zachowania kursu EURUSD po ogłoszeniu odczytu US Nonfarm Payrolls z wykorzystaniem modeli ARIMA-GARCH autor: Michał Osmoła INIME Instytut nauk informatycznych i matematycznych
Bardziej szczegółowoPROGNOZOWANIE PRZYCHODÓW ZE SPRZEDAŻY
Joanna Chrabołowska Joanicjusz Nazarko PROGNOZOWANIE PRZYCHODÓW ZE SPRZEDAŻY NA PRZYKŁADZIE PRZEDSIĘBIORSTWA HANDLOWEGO TYPU CASH & CARRY Wprowadzenie Wśród wielu prognoz szczególną rolę w zarządzaniu
Bardziej szczegółowoPrognoza wybranych wskaźników rozwoju obrotu bezgotówkowego na lata 2014 2020
Prognoza wybranych wskaźników rozwoju obrotu bezgotówkowego na lata 2014 2020 Mariusz Kozakiewicz i Marek Kwas Szkoła Główna Handlowa 18 grudnia 2014 Spis treści Prognoza wybranych wskaźników rozwoju obrotu
Bardziej szczegółowoPrognozowanie liczby pacjentów poradni ortopedycznej
Zeszyty Naukowe Metody analizy danych Uniwersytet Ekonomiczny w Krakowie 876 Kraków 2011 Studia Doktoranckie Wydziału Zarządzania Prognozowanie liczby pacjentów poradni ortopedycznej 1. Wprowadzenie W
Bardziej szczegółowoĆwiczenia IV
Ćwiczenia IV - 17.10.2007 1. Spośród podanych macierzy X wskaż te, których nie można wykorzystać do estymacji MNK parametrów modelu ekonometrycznego postaci y = β 0 + β 1 x 1 + β 2 x 2 + ε 2. Na podstawie
Bardziej szczegółowoRola innowacji w ocenie ryzyka eksploatacji obiektów hydrotechnicznych
Politechnika Krakowska Instytut Inżynierii i Gospodarki Wodnej Rola innowacji w ocenie ryzyka eksploatacji obiektów hydrotechnicznych XXVI Konferencja Naukowa Metody Komputerowe w Projektowaniu i Analizie
Bardziej szczegółowoDANE STATYSTYKI PUBLICZNEJ I OBLICZENIA WSKAŹNIKÓW CHARAKTERYZUJĄCYCH RYNEK PRACY ORAZ GOSPODARKĘ AGLOMERACJI POZNAŃSKIEJ
DANE STATYSTYKI PUBLICZNEJ I OBLICZENIA WSKAŹNIKÓW CHARAKTERYZUJĄCYCH RYNEK PRACY ORAZ GOSPODARKĘ AGLOMERACJI POZNAŃSKIEJ OBSERWATORIUM GOSPODARKI I RYNKU PRACY AGLOMERACJI POZNAŃSKIEJ STOPA BEZROBOCIA
Bardziej szczegółowoFLESZ PAŹDZIERNIK 2018
FLESZ PAŹDZIERNIK 2018 Obserwatorium Gospodarki i Rynku Pracy Aglomeracji skiej zostało powołane pod koniec 2013 roku. Celem jego działalności jest prowadzenie monitoringu sytuacji społeczno - ekonomicznej
Bardziej szczegółowoPROGNOZA WYSTĄPIENIA WSTRZĄSU ZA POMOCĄ SZEREGÓW CZASOWYCH. 1. Wprowadzenie. Zdzisław Iwulski* Górnictwo i Geoinżynieria Rok 31 Zeszyt 3/1 2007
Górnictwo i Geoinżynieria Rok 31 Zeszyt 3/1 2007 Zdzisław Iwulski* PROGNOZA WYSTĄPIENIA WSTRZĄSU ZA POMOCĄ SZEREGÓW CZASOWYCH 1. Wprowadzenie Z szeregami czasowymi spotykamy się w inżynierii, geologii,
Bardziej szczegółowoEKONOMETRYCZNA PROGNOZA ODPŁYWÓW Z BEZROBOCIA
EKONOMETRYCZNA PROGNOZA ODPŁYWÓW Z BEZROBOCIA W OPARCIU O KONCEPCJĘ FUNKCJI DOPASOWAŃ Adam Kowol 2 1. Sformułowanie zadania prognostycznego Celem niniejszej pracy jest próba prognozy kształtowania się
Bardziej szczegółowoTadeusz Kufel Uniwersytet Mikołaja Kopernika w Toruniu. Narzędzia ekonometrii dynamicznej w oprogramowaniu GRETL
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Uniwersytet Mikołaja Kopernika
Bardziej szczegółowoFLESZ. Wszystkie dotychczas wypracowane przez Obserwatorium treści znaleźć można na stronie internetowej:
FLESZ czerwiec 2018 Obserwatorium Gospodarki i Rynku Pracy Aglomeracji skiej zostało powołane pod koniec 2013 roku. Celem jego działalności jest prowadzenie monitoringu sytuacji społeczno - ekonomicznej
Bardziej szczegółowoSzeregi czasowe, analiza zależności krótkoi długozasięgowych
Szeregi czasowe, analiza zależności krótkoi długozasięgowych Rafał Weron rweron@im.pwr.wroc.pl Definicje Mając dany proces {X t } autokowariancję definiujemy jako : γ(t, t ) = cov(x t, X t ) = = E[(X t
Bardziej szczegółowoFLESZ. Wszystkie dotychczas wypracowane przez Obserwatorium treści znaleźć można na stronie internetowej:
FLESZ marzec 2018 Obserwatorium Gospodarki i Rynku Pracy Aglomeracji skiej zostało powołane pod koniec 2013 roku. Celem jego działalności jest prowadzenie monitoringu sytuacji społeczno - ekonomicznej
Bardziej szczegółowoĆwiczenia 13 WAHANIA SEZONOWE
Ćwiczenia 3 WAHANIA SEZONOWE Wyrównanie szeregu czasowego (wyodrębnienie czystego trendu) mechanicznie Zadanie. Badano spożycie owoców i przetworów (yt) (w kg) w latach według kwartałów: kwartał lata 009
Bardziej szczegółowoZJAWISKO SEZONOWOŚCI POPYTU A STRATEGIE PRODUKCJI WĘGLA KAMIENNEGO W POLSCE 1
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2017 Seria: NAZWA SERII WERSALIKAMI z. 108 Nr kol. 1983 Aurelia RYBAK Anna MANOWSKA Politechnika Śląska Wydział Górnictwa i Geologii Aurelia.Rybak@polsl.pl ZJAWISKO
Bardziej szczegółowoDr Łukasz Goczek. Uniwersytet Warszawski
Dr Łukasz Goczek Uniwersytet Warszawski Dane krótko i długookresowe stopy procentowe Co wiemy z teorii? Krótkookresowe stopy powodują stopami długookresowymi (toteż taka jest idea bezpośredniego celu
Bardziej szczegółowoPrognozowanie na podstawie modelu ekonometrycznego
Prognozowanie na podstawie modelu ekonometrycznego Przykład. Firma usługowa świadcząca usługi doradcze w ostatnich kwartałach (t) odnotowała wynik finansowy (yt - tys. zł), obsługując liczbę klientów (x1t)
Bardziej szczegółowoFIZYKA BUDOWLI W TEORII I PRAKTYCE TOM VIII, Nr
FIZYKA BUDOWLI W TEORII I PRAKTYCE TOM VIII, Nr 1-2016 Instytut Fizyki Budowli DOKŁADNOŚĆ PROGNOZOWANIA ZAPOTRZEBOWANIA NA CIEPŁO W SZKLARNI Sławomir GRABARCZYK Politechnika Warszawska, Filia w Płocku
Bardziej szczegółowoAnaliza Szeregów Czasowych
Analiza Szeregów Czasowych Plan 1. Uwagi wstępne (szeregi, przykłady, prognozowanie, ) 2. Cel analizy szeregów czasowych 3. Struktura szeregów czasowych (trend/składowa stała, wahania sezonowe, wahania
Bardziej szczegółowoWprowadzenie do teorii prognozowania
Wprowadzenie do teorii prognozowania I Pojęcia: 1. Prognoza i zmienna prognozowana (przedmiot prognozy). Prognoza punktowa i przedziałowa. 2. Okres prognozy i horyzont prognozy. Prognozy krótkoterminowe
Bardziej szczegółowoWykład 6: Analiza danych czasowych Wykresy, indeksy dynamiki
Wykład 6: Analiza danych czasowych Wykresy, indeksy dynamiki ... poczynając od XIV wieku zegar czynił nas najpierw stróżów czasu, następnie ciułaczy czasu, i wreszcie obecnie - niewolników czasu. W trakcie
Bardziej szczegółowoWytyczne do projektów
Wytyczne do projektów Prognozowanie i symulacje wszystkie rodzaje studiów Politechnika Śląska Wydział Organizacji i Zarządzania w Zabrzu rok akademicki 2012/13 Wytyczne do projektów Prognozowanie i symulacje
Bardziej szczegółowoZaawansowane metody odsezonowywania szeregów czasowych. TRAMO/SEATS i Demetra+
Demetra+ pierwszy model Metoda TRAMO-SEATS Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Zaawansowane metody odsezonowywania szeregów czasowych. 13 lutego 2013 Demetra+ pierwszy model Metoda TRAMO-SEATS
Bardziej szczegółowo1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4.
1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4. Prognozowanie stóp zwrotu na podstawie modeli ARMA 5. Relacje kointegrujące
Bardziej szczegółowoWYKORZYSTANIE MODELU ARIMA DO ANALIZY SZEREGU CZASOWEGO
ZESZYTY NAUKOWE POLITECHNIKI RZESZOWSKIEJ 292, Elektrotechnika 34 RUTJEE, z. 34 (3/2015), lipiec-wrzesień 2015, s. 23-30 Wiesława MALSKA 1 Henryk WACHTA 2 WYKORZYSTANIE MODELU ARIMA DO ANALIZY SZEREGU
Bardziej szczegółowoZaawansowane metody odsezonowywania szeregów czasowych. TRAMO/SEATS i JDemetra+
Zaawansowane metody odsezonowywania szeregów czasowych. TRAMO/SEATS i JDemetra+ Ekonometria Szeregów Czasowych SGH TRAMO/SEATS i JDemetra+ 1 / 84 Plan wykªadu 1 Odsezonowanie ogólne informacje 2 Sezonowo±
Bardziej szczegółowoPodczas zajęć będziemy zajmować się głownie procesami ergodycznymi zdefiniowanymi na przestrzeniach ciągłych.
Trochę teorii W celu przeprowadzenia rygorystycznej ekonometrycznej analizy szeregu finansowego będziemy traktowali obserwowany ciąg danych (x 1, x 2,..., x T ) jako realizację pewnego procesu stochastycznego.
Bardziej szczegółowoSTATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND Finanse i Rachunkowość rok 2 Analiza dynamiki Szereg czasowy: y 1 y 2... y n 1 y n. y t poziom (wartość) badanego zjawiska w
Bardziej szczegółowoEkonometria Ćwiczenia 19/01/05
Oszacowano regresję stopy bezrobocia (unemp) na wzroście realnego PKB (pkb) i stopie inflacji (cpi) oraz na zmiennych zero-jedynkowych związanymi z kwartałami (season). Regresję przeprowadzono na danych
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16
Stanisław Cichocki Natalia Nehrebecka Zajęcia 15-16 1 1. Sezonowość 2. Zmienne stacjonarne 3. Zmienne zintegrowane 4. Test Dickey-Fullera 5. Rozszerzony test Dickey-Fullera 6. Test KPSS 7. Regresja pozorna
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Regresja pozorna 2. Funkcje ACF i PACF 3. Badanie sacjonarności Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) 2 1. Regresja pozorna 2. Funkcje
Bardziej szczegółowoFLESZ WRZESIEŃ Wszystkie dotychczas wypracowane przez Obserwatorium treści znaleźć można na stronie internetowej:
FLESZ WRZESIEŃ 2018 Obserwatorium Gospodarki i Rynku Pracy Aglomeracji skiej zostało powołane pod koniec 2013 roku. Celem jego działalności jest prowadzenie monitoringu sytuacji społeczno - ekonomicznej
Bardziej szczegółowoDANE STATYSTYKI PUBLICZNEJ I OBLICZENIA WSKAŹNIKÓW CHARAKTERYZUJĄCYCH RYNEK PRACY ORAZ GOSPODARKĘ AGLOMERACJI POZNAŃSKIEJ
DANE STATYSTYKI PUBLICZNEJ I OBLICZENIA WSKAŹNIKÓW CHARAKTERYZUJĄCYCH RYNEK PRACY ORAZ GOSPODARKĘ AGLOMERACJI POZNAŃSKIEJ OBSERWATORIUM GOSPODARKI I RYNKU PRACY AGLOMERACJI POZNAŃSKIEJ STOPA BEZROBOCIA
Bardziej szczegółowoPORÓWNANIE METOD TRAMO-SEATS I SIECI NEURONOWYCH WYKORZYSTYWANYCH DO PROGNOZOWANIA KRÓTKOOKRESOWEGO SZEREGÓW CZASOWYCH WSTĘP
Tomasz Ząbkowski Katedra Ekonometrii i Informatyki, SGGW e-mail: tzabkowski@mors.sggw.waw.pl PORÓWNANIE METOD TRAMO-SEATS I SIECI NEURONOWYCH WYKORZYSTYWANYCH DO PROGNOZOWANIA KRÓTKOOKRESOWEGO SZEREGÓW
Bardziej szczegółowoDopasowywanie modelu do danych
Tematyka wykładu dopasowanie modelu trendu do danych; wybrane rodzaje modeli trendu i ich właściwości; dopasowanie modeli do danych za pomocą narzędzi wykresów liniowych (wykresów rozrzutu) programu STATISTICA;
Bardziej szczegółowoNa poprzednim wykładzie omówiliśmy podstawowe zagadnienia. związane z badaniem dynami zjawisk. Dzisiaj dokładniej zagłębimy
Analiza dynami zjawisk Na poprzednim wykładzie omówiliśmy podstawowe zagadnienia związane z badaniem dynami zjawisk. Dzisiaj dokładniej zagłębimy się w tej tematyce. Indywidualne indeksy dynamiki Indywidualne
Bardziej szczegółowoANALIZA SZEREGÓW CZASOWYCH I PROGNOZOWANIE
ANALIZA SZEREGÓW CZASOWYCH I PROGNOZOWANIE Andrzej Sokołowski, Uniwersytet Ekonomiczny w Krakowie, StatSoft Polska Sp. z o.o. Wprowadzenie Analiza szeregów czasowych to jedna z części statystyki najczęściej
Bardziej szczegółowoCase nr 3. Zaawansowana Eksploracja Danych (Specj. TPD) Szeregi czasowe i prognozowanie
Case nr 3. Zaawansowana Eksploracja Danych (Specj. TPD) Szeregi czasowe i prognozowanie Jerzy Stefanowski, Instytut Informatyki Politechnika Poznańska 2010/11. Cel studium przypadku: Studium poświęcone
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 5
Sanisław Cichocki Naalia Nehrebecka Wkład 5 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA 2 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA
Bardziej szczegółowoZASTOSOWANIE DYNAMICZNEGO MODELU ZGODNEGO W ANALIZIE GOSPODARKI GÓRNEGO ŚLĄSKA
Uniwersytet Ekonomiczny w Katowicach ZASTOSOWANIE DYNAMICZNEGO MODELU ZGODNEGO W ANALIZIE GOSPODARKI GÓRNEGO ŚLĄSKA Wprowadzenie W opracowaniu podjęto próbę porównania jakości modelu ekonometrycznego gospodarki
Bardziej szczegółowoWykład 5: Analiza dynamiki szeregów czasowych
Wykład 5: Analiza dynamiki szeregów czasowych ... poczynając od XIV wieku zegar czynił nas najpierw stróżów czasu, następnie ciułaczy czasu, i wreszcie obecnie - niewolników czasu. W trakcie tego procesu
Bardziej szczegółowoAnaliza dynamiki zjawisk masowych. Wprowadzenie
Wprowadzenie Analizę dynamiki zjawisk masowych przeprowadza się na podstawie szeregówczasowych.sątociągi (Y t )wartościbadanegozjawiska obserwowanego w kolejnych jednostkach czasu. Zmienną niezależną jest
Bardziej szczegółowoMateriał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych)
Materiał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych) (studium przypadku) Nazwa przedmiotu: ekonometria finansowa I (22204), analiza szeregów czasowych
Bardziej szczegółowoRozdział 8. Regresja. Definiowanie modelu
Rozdział 8 Regresja Definiowanie modelu Analizę korelacji można traktować jako wstęp do analizy regresji. Jeżeli wykresy rozrzutu oraz wartości współczynników korelacji wskazują na istniejąca współzmienność
Bardziej szczegółowoModele dynamiczne 1 Laboratoria komputerowe
Modele dynamiczne 1 Laboratoria komputerowe Proszę uruchomić Statę i standardowo wykonać: set mat 800 set mem 200m Zbiór danych, którym się zajmiemy w pierwszej kolejności, to synt.dta. Proszę go otworzyć
Bardziej szczegółowoSpis treści. Summaries
Spis treści Wstęp.............................................................. 7 Ireneusz Kuropka: Przydatność wybranych modeli umieralności do prognozowania natężenia zgonów w Polsce.............................
Bardziej szczegółowoWYKŁAD: Szeregi czasowe I. Zaawansowane Metody Uczenia Maszynowego
WYKŁAD: Szeregi czasowe I Zaawansowane Metody Uczenia Maszynowego Szereg czasowy (X t ) - ciąg zmiennych losowych indeksowany parametrem t (czas). Z reguły t N lub t Z. Dotąd rozpatrywaliśmy: (X t )- ciąg
Bardziej szczegółowoPrognozowanie popytu. mgr inż. Michał Adamczak
Prognozowanie popytu mgr inż. Michał Adamczak Plan prezentacji 1. Definicja prognozy 2. Klasyfikacja prognoz 3. Szereg czasowy 4. Metody prognozowania 4.1. Model naiwny 4.2. Modele średniej arytmetycznej
Bardziej szczegółowoPROGNOZOWANIE SPRZEDAŻY STUDIUM PRZYPADKU
PROGNOZOWANIE SPRZEDAŻY STUDIUM PRZYPADKU prof. dr hab. Andrzej Sokołowski 2 W tym opracowaniu przedstawiony zostanie przebieg procesu poszukiwania modelu prognostycznego wykorzystującego jedynie przeszłe
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Zmienne sacjonarne 2. Zmienne zinegrowane 3. Regresja pozorna 4. Funkcje ACF i PACF 5. Badanie sacjonarności Tes Dickey-Fullera (DF) 2 1. Zmienne sacjonarne
Bardziej szczegółowoMATERIAŁY I STUDIA. Zesz y t nr 220. X-12-ARIMA i TRAMO/SEATS empiryczne porównanie metod wyrównania sezonowego w kontekście długości próby
MATERIAŁY I STUDIA Zesz y t nr 22 X-12-ARIMA i TRAMO/SEATS empiryczne porównanie metod wyrównania sezonowego w kontekście długości próby Sylwia Grudkowska Ewa Paśnicka Warszawa, lipiec 27 r. Projekt graficzny:
Bardziej szczegółowoDANE STATYSTYKI PUBLICZNEJ I OBLICZENIA WSKAŹNIKÓW CHARAKTERYZUJĄCYCH RYNEK PRACY ORAZ GOSPODARKĘ AGLOMERACJI POZNAŃSKIEJ
DANE STATYSTYKI PUBLICZNEJ I OBLICZENIA WSKAŹNIKÓW CHARAKTERYZUJĄCYCH RYNEK PRACY ORAZ GOSPODARKĘ AGLOMERACJI POZNAŃSKIEJ OBSERWATORIUM GOSPODARKI I RYNKU PRACY AGLOMERACJI POZNAŃSKIEJ STOPA BEZROBOCIA
Bardziej szczegółowoAnaliza rynku gazu ziemnego w Polsce w latach i prognozy na lata
NAFTA-GAZ listopad 2010 ROK LXVI Piotr Kosowski, Jerzy Stopa, Stanisław Rychlicki Akademia Górniczo-Hutnicza w Krakowie Analiza rynku gazu ziemnego w Polsce w latach 2003 2009 i prognozy na lata 2010 2012
Bardziej szczegółowoArkadiusz Manikowski Zbigniew Tarapata. Prognozowanie i symulacja rozwoju przedsiębiorstw
Arkadiusz Manikowski Zbigniew Tarapata Prognozowanie i symulacja rozwoju przedsiębiorstw Warszawa 2002 Recenzenci doc. dr. inż. Ryszard Mizera skład i Łamanie mgr. inż Ignacy Nyka PROJEKT OKŁADKI GrafComp,
Bardziej szczegółowoDANE STATYSTYKI PUBLICZNEJ I OBLICZENIA WSKAŹNIKÓW CHARAKTERYZUJĄCYCH RYNEK PRACY ORAZ GOSPODARKĘ AGLOMERACJI POZNAŃSKIEJ
DANE STATYSTYKI PUBLICZNEJ I OBLICZENIA WSKAŹNIKÓW CHARAKTERYZUJĄCYCH RYNEK PRACY ORAZ GOSPODARKĘ AGLOMERACJI POZNAŃSKIEJ OBSERWATORIUM GOSPODARKI I RYNKU PRACY AGLOMERACJI POZNAŃSKIEJ STOPA BEZROBOCIA
Bardziej szczegółowoĆwiczenie 5 PROGNOZOWANIE
Ćwiczenie 5 PROGNOZOWANIE Prognozowanie jest procesem przewidywania przyszłych zdarzeń. Obszary zastosowań prognozowania obejmują np. analizę danych giełdowych, przewidywanie zapotrzebowania na pracowników,
Bardziej szczegółowoWYKŁAD: Szeregi czasowe II. Zaawansowane Metody Uczenia Maszynowego
WYKŁAD: Szeregi czasowe II Zaawansowane Metody Uczenia Maszynowego Zwroty indeksów finansowych Y t : indeks finansowy w momencie t (wartość waloru, kurs walutowy itp). Określimy zwrot indeksu finansowego
Bardziej szczegółowoDr Łukasz Goczek. Uniwersytet Warszawski
Dr Łukasz Goczek Uniwersytet Warszawski 10000 2000 4000 6000 8000 M3 use C:\Users\as\Desktop\Money.dta, clear format t %tm (oznaczamy tsset t tsline M3 0 1960m1 1970m1 1980m1 1990m1 2000m1 2010m1 t tsline
Bardziej szczegółowo