Ekonometria 1 2. Metoda Najmniejszych Kwadratów. Katarzyna Bech-Wysocka Szkoła Główna Handlowa w Warszawie
|
|
- Fabian Kruk
- 4 lat temu
- Przeglądów:
Transkrypt
1 Ekonometria 1 2. Metoda Najmniejszych Kwadratów Katarzyna Bech-Wysocka Szkoła Główna Handlowa w Warszawie 1
2 Prosty model regresji liniowej (simple linear regression model) Ekonomiści interesują się związkami między zmiennymi, np. teoria ekonomcizna mówi, że wydatki na dane dobro y (np. jedzenie) zależą od dochodu x. W ekonometrii,yjest zmienną losową i należy wykorzystać dane, żeby zrozumieć tę zależność między wydatkami a dochodem. Model ekonometryczny pozwala na oszacowanie warunkowej wartości oczekiwanej E(y x)= μ y x oraz warunkowej wariancji σ 2 zmiennej y. Parametry μ y x i σ 2 dostarczają wartościowych informacji o populacji, którą analizujemy. 2
3 Prosty model regresji liniowej 3
4 Prosty model regresji liniowej 4
5 Prosty model regresji liniowej W celu analizy związku między wydatkami a dochodami wykorzystujemy model ekonomiczny wraz z odpowiednim modelem ekonometrycznym (lub modelem regresji): lub gdzie β 0 to wyraz wolny, a β 1 współczynnik kierunkowy (funkcji liniowej). Jest to model prosty, nie dlatego, że łatwo się go analizuje, ale dlatego, że mamy w nim tylko jedną zmienną objaśniającą (jeden x po prawej stronie równania). Współczynnik kierunkowy modelu to: β 2 1 E ( y x) de( y x) = = x dx czyli pochodna warunkowej wartości oczekiwanej y (warunkując po x). 5
6 Szacowanie parametrów regresji Idea szacowania parametrów: wykorzystując obserwacje w próbie,, 1,,, znajdź liniową kombinację 1,, która odpowiednio dobrze odzwierciedla wartości. 6
7 Szacowanie parametrów regresji Wybierz dowolną kombinację, parametry a i b dobierz tak, żeby odległość między dopasowaną linią, a prawdziwą wartością y była mała. W celu określenia co oznacza mała możemy wykorzystać różne miary. 7
8 Szacowanie parametrów regresji Dopasowana linia (oszacowany model): a reszty określamy jako: Wartości estymatorów i minimalizują sumę kwadratów reszt: " "! # # FOCs (nazywane normal equations): $!! $% & $ $% ( " # =0 " # =0
9 Szacowanie parametrów regresji Rozwiązanie: " #! +! "! # i +-. Estymatory MNK w prostym modelu regresji liniowej 9
10 Szacowanie parametrów regresji Model empiryczny: Załóżmy, że:..//0_ :;/<2. Jak zinterpretować oszacowane wartości parametrów tego modelu? 10
11 Szacowanie parametrów regresji: przykład Na podstawie danych w bweight.gdt oszacowano wpływ wieku matki (mage, w latach) na wagę urodzeniową noworodka (bweight, w gramach). Model 1: OLS, using observations Dependent variable: bweight Coefficient Std. Error t-ratio p-value const < *** mage < *** Mean dependent var S.D. dependent var Sum squared resid 1.54e+09 S.E. of regression R-squared Adjusted R-squared F(1, 4640) P-value(F) 6.22e-13 Log-likelihood Akaike criterion Schwarz criterion Hannan-Quinn Czy oszacowany wyraz wolny ma ekonomiczną interpretację? O ile zmieni się waga urodzeniowa dziecka, jeżeli wiek matki wzrośnie o 1 jednostkę (1 rok)? 11
12 Model liniowej regresji wielorakiej (multiple linear regression model) W modelu regresji wielorakiej, zmienna objaśniana y zależy od (więcej niż jednej) kilku zmiennych objaśniających x 1, x 2,, x K w równaniu: Pojedynczy parameter β k mierzy wpływ zmiany wartości zmiennej x k na wartość oczekiwaną y, przy założeniu ceteris paribus. W modelu w notacji macierzowej estymator MNK = minimalizuje sumę kwadratów reszt: = argminc argmin D! D! FOC to: i otrzymujemy: J J. D FC F 2DG 2D G D 0 = D G D! H D G Estymatory MNK w modelu liniowej regresji wielorakiej 12
13 Model liniowej regresji wielorakiej Załóżmy, że posiadamy dodatkowe informacje o innych determinantach wydatków na jedzenie, które możemy włączyć jako dodatkowe zmiennej objaśniające do naszego modelu. Po oszacowaniu parametrów tego rozszerzonego modelu otrzymujemy:.//0_ :;/< NO;2P: O<2O, gdzie.no;2p:02 to indeks cen jedzenia, a.o<2o to zmienna zero-jedynkowa, przyjmująca wartośc 1 dla rolników. Jak możemy zinterpretować oszacowane parametry tego modelu? 13
14 Model liniowej regresji wielorakiej: przykład Na podstawie danych w bweight.gdt oszacowano wpływ wieku matki (mage, w latach), wieku ojca (fage, w latach) oraz rasy matki (mhisp=1 jeżeli matka jest Latynoską, mrace=1 jeżeli matka jest biała) na wagę urodzeniową noworodka (bweight, w gramach). Model 2: OLS, using observations Dependent variable: bweight Coefficient Std. Error t-ratio p-value const < *** mage *** fage * mhisp mrace < *** Mean dependent var S.D. dependent var Sum squared resid 1.48e+09 S.E. of regression R-squared Adjusted R-squared F(4, 4637) P-value(F) 1.63e-48 Log-likelihood Akaike criterion Schwarz criterion Hannan-Quinn Czy oszacowany wyraz wolny ma ekonomiczną interpretację? O ile zmieni się waga urodzeniowa dziecko, jeżeli wiek matki wzrośnie o 1 jednostkę (1 rok)? Jak zinterpretować pozostałe oszacowania? 14
15 Założenia Założenie 1 Prawdziwy jest model A1 oznacza, że: D Poprawnie dobrano postać funkcyjną modelu. Odpowiednio dobrano zbiór regresorów, tj. nie pominięto żadnej zmiennej, która jest ważna w objaśnianiu zmienności zmiennej zależnej (brak omitted variables). Odpowiednio dobrano zbiór regresorów, tj. nie włączono do zbioru regresorów niepotrzebnych zmiennych, czyli takich, które nie wpływają na y (brak irrelevant regressors) Założenie 2 0 Niespełnienia założenia A2 (pewnej zmodyfikowanej wersji tego założenia) nazywamy endogenicznością. Będziemy ten problem omawiać pod koniec semestru. 15
16 Założenia Założenie 3 RO S P Złamanie A3 oznacza, że wariancja jest heteroskedastyczna lub, że występuje korelacja składników losowych z różnych obserwacji. Założenie 4 X jest nielosową macierzą : T U 1! z rzędem O:V D U 1! W. Złamanie A4 oznacza, że regresory są współliniowe. Założenie 5 (opcjonalne) ~ 0,S P! Założenie A5 nie jest konieczne do zapewnienia odpowiednich własności estymatorów MNK, ale jest potrzebne do przeprowadzania testów (tylko w małych próbach). 16
17 Własności estymatorów MNK Możemy zbadać własności estymatorów MNK, jeżeli spełnione są założenia A1-A4 i odpowiedzieć na pytania: 1. Skoro estymatory MNK są zmiennymi losowymi, to jaka jest ich wartość oczekiwana, wariancja, kowariancje oraz rozkład prawdopodobieństwa? 2. Jak możemy porównać estymatory MNK do estymatorów otrzymanych z innych (niż MNK) metod estymacji? Zaczynamy od najważniejszej własności estymatora, czylinieobciążoności. = D G D H D G D G D H D G D! D G D H D G D G D H D G. Jeżeli spełnione są założenia A1-A4 to estymatory MNK są nieobciążone. WAŻNE: nieobciążoność nie oznacza, że wartość estymatora (estimate) z jednej próby losowej jest bliska prawdziwej wartości parametru! (pamiętaj, że estimate Y estimator). 17
18 Własności estymatorów MNK Jaka jest wariancja estymatora MNK? RO = = = = = S D G D! H to macierz wariancji-kowariancji, a wariancje poszczególnych Z to elementy na głównej przekątnej tej macierzy. 1. Im większa wariancja składnika losowego σ 2, tym większa jest niepewność modelu ekonometrycznego oraz większa wariancja (i kowariancje) estymatorów MNK. 2. Im większa liczebość próby N, tym mniejsza jest wariancja (i kowariancje) estymatorów MNK. 18
19 Twierdzenie Gaussa - Markova Jeżeli spełnione są założenia A1-A4, to estymator MNK ma najmniejszą wariancję wśród wszystkich liniowych, nieobciążonych estymatorów (jest najefektywniejszy). Mówimy wtedy, że jestbest Linear Unbiased Estimators (BLUE). Zauważ, że: 1. Estymatory MNK są najlepsze w porównaniu do innych liniowych, nieobciążonych estymatorów twierdzenie nie mówi o wszystkich możliwych estymatorach. 2. Estymatory MNK są najlepsze, bo mają najmniejsze wariancje. 3. Twierdzenie jest prawdziwe tylko, jeżeli spełnione są założenia A1-A4. Jeżeli którekolwiek z nich jest niespełnione, to estymatory MNK nie są BLUE. ASIDE: Jeżeli dodatkowo spełnione jest założenie A5, to zamiast estymacji metodą MNK możemy wykorzystać Metodą Największej Wiarygodności (Maximum Likelihood Estimation). Jeżeli spełnione są wszystkie założenia to estymatory MLE są algebraicznie identyczne jak estymatory MNK. Możemy wtedy wykorzystać Cramer-Rao Lower Bound, żeby udowodnić, że estymatory MLE=MNK są BUE-Best Unbiased Estimators. 19
20 Wariancja składnika losowego W celu oszacowania wariancji estymatorów MNK musimy zastąpić nieznaną wartość wariancji składnika losowego oszacowaniem. Oczywistym estymatorem wariancji składnika losowego jest (średnia arytmetyczna kwadratów reszt): " S 1 # Niestety, możemy pokazać, że ten estymator jest obciążony. Niebciążony estymator dany jest wzorem: [ 1 U 1! # Idea: mianownik (N U 1!) to korekta stopni swobody. W celu obliczenia [, musimy oszacować U 1 bet, tj. tracimy U 1! stopnie swobody. " Pierwiastek kwadratowy z [ nazywamy błędem standardowym regresji. 20
21 Oszacowana wariancja estymatorów MNK Zastąpmy nieznaną wartość σ 2 estymatorem, żeby otrzymać: RO = [ D G D! H Pierwiastki kwadratowe tych oszacowanych wariancji nazywamy błędami standardowymi estymatorów MNK: [2 = Z ]O 4= Z! Błąd standardowy może być wykorzystany do mierzenia precyzji otrzymanych oszacowań MNK. Możemy skonstruować relatywny błąd standardowy jako Z^ [2 = Z = Z T 100%. Jeżeli wartość tej statystyki jest <50%, to możemy być zadowoleni z precyzji naszych oszacowań. 21
22 Szacowanie przedziałowe Błędy standardowe mogą być również wykorzystane do konstrukcji przedziałów ufności (lub oszacowań przedziałowych), tj. przedziału wartości, do którego z określonym prawdopodobieństwem należy prawdziwa wartość parametru. Jeżeli spełnione jest założenie A5, to: = Z ~ Z,RO = Z!! lub = Z Z RO = Z! ~ 0,1! Jeżeli znalibyśmy S to oznacza, że P ( 1.96 Z 1.96) = N = Z 1.96 RO = Z ` Z ` = Z 1.96 RO = Z!
23 Szacowanie przedziałowe Niestety, nie znamy S i musimy ją zastąpić przez [, a wtedy: co oznacza = Z Z [2 = Z! ~a "H Jb! N = Z a c [2 = Z! ` Z ` = Z a c [2 = Z! 0.95 Przedział = Z d a c [2 = Z! nazywamy e!% przedziałem ufności dla parametru Z. 23
24 Szacowanie przedziałowe: przykład Na podstawie danych w bweight.gdt otrzymano następujący wynik estymacji: Model 1: OLS, using observations Dependent variable: bweight Coefficient Std. Error t-ratio p-value const < *** mage < *** Mean dependent var S.D. dependent var Sum squared resid 1.54e+09 S.E. of regression R-squared Adjusted R-squared F(1, 4640) P-value(F) 6.22e-13 Log-likelihood Akaike criterion Schwarz criterion Hannan-Quinn % przedział ufności dla fghi to ( , ). Jak obliczono ten przedział? Spróbuj obliczyć go samodzielne. 24
25 Dopasowanie modelu: R-kwadrat (R-square) Jak ocenić jakość modelu? Możemy rozdzielić na gdzie to część wyjaśniona, a to część losowa, niewyjaśniona. Na podstawie modelu empirycznego mamy: lub jako odchylenie od średniej: + +!. Total sample variation lub total sum of squares (TSS) można rozdzielić na sumę kwadratów objaśnioną w modelu i sumę kwadratów reszt: +! +! TSS=SSR+RSS Współczynnik determinacji C zdefiniowany jest jako proporcja zmienności y wyjaśniona przez model: C C j 1 C j. C przyjmuje wartości od 0 do 1. Im bliżej 1, tym lepiej. 25
26 Dopasowanie modelu: adjusted R-square Problemem miary C jest fakt, że miara ta rośnie (nie maleje), jeżeli dodajemy do modelu kolejne regresory, nawet jeżeli te zmienne nie wpływają na y. Dlatego, w celu porównywania alternatywnych specyfikacji modeli korzystamy ze skorygowanego C+ : C+ C/ U! 1 j/ 1! który wprowadza karę za liczbę parametrów i rośnie tylko wtedy, gdy nowo-dodane zmienne są ważne w wyjaśnianiu zmienności y. Pamiętaj: gdy porównujemy alternatywne specyfikacje modelu, wybierz tę z wyższą wartością skorygowanego R-kwadrat. Można też porównywać modele wykorzystując kryteria informacyjne: Akaike Information Criterion (AIC), Baysian- Schwartz Information Criterion (BIC) or Hannan-Quinn Information Criterion (HIC). Pamiętaj: gdy porównujemy alternatywne specyfikacje modelu, wybierz tę z niższą wartością kryteriów informacyjnych. 26
27 Zadania 27
28 Zadania Zadanie 2.1. Niełatwo jest zrozumieć, że estymatory MNK to zmienne losowe i ich wartości zależą od zbioru danych, z którym pracujemy. Wygenerujemy syntetyczne obserwacje (jeden zbiór danych dla każdego studenta w sali). Załóżmy, że dane pochodzą z procesu: D~ 5,2 ~ 0,1 l D. Wygeneruj taką próbę z N=50 obserwacjami. Oszacuj parametry modelu: i zapisz otrzymane wartości estymatorów MNK. Czy wszyscy otrzymali identyczne wyniki? 28
29 Zadania Zadanie 2.2. Jak zmiana jednostek miary zmiennych wpływa na oszacowania? Załóżmy, że szacujemy parametru prostego modelu liniowego: ℇ a) Jeżeli wartości x pomnożymy przez 10, a nie zmienimy wartości y, co stanie się z wartościami parametrów? Co stanie się z wartościami estymatorów MNK? Co stanie się z wariancją składnika losowego? b) Jeżeli wartości y pomnożymy przez 10, a nie zmienimy wartości x, co stanie się z wartościami parametrów? Co stanie się z wartościami estymatorów MNK? Co stanie się z wariancją składnika losowego? 29
30 Zadania Zadanie 2.3. Lorraine Jenkins jest dyrektorem firmy produkującej ciasteczka. Poprosiła swojego asystenta o zebranie danych dotyczących produktywności pracowników firmy. Zebrano informacje o: Produktywności (mierzonej jako odchylenie od średniej) Poziomie wykształcenia (zmienna kategoryczna z 7 wartościami: 1 najniższy poziom, 7 najwyższy poziom) Wrodzonej inteligencji (IQ, mierzone jako odchylenie od średniej) Płci (zmienna zero-jedynkowa, 1 dla kobiet) Stanie cywilnym (zmienna zero-jedynkowa, 1 dla zamężnych/żonatych). Lorraine jest samotną matką i nie podoba jej się nowa polityka działu HR promująca pracowników pozostających w związkach małżeńskich. Lorraine chce wykorzystać dane, żeby udowodnić, że niezamężni/nieżonaci pracownicy są równie produktywni co ci w związkach małżeńskich. Model, który Lorraine chce oszacować to: 3O/0o;a]a 20o;a/: Pp q <OO20. 30
31 Zadania Wyniki (na podstawie 2649 obserwacji) to: a) Zinterpretuj oszacowania parametrów. b) Skoro Lorraine chce głównie mierzyć różnice w produktywności singli i osób w związkach małżeńskich mogłaby oszacować prostszy model: Wyjaśnij dlaczego to jest zły pomysł. coefficient standard error q 3O/0o;a]a <OO20. c) Lorraine otrzymała C C Jak możemy zinterpretowac te wartości? Dlaczego są inne? 31
32 Zadania d) Lorraine dodała do modelu zmienną płeć : 3O/0o;a]a 20o;a/: Pp q <OO20 r s2:02o. Otrzymała następujące wyniki: coefficient Co możemy powiedzieć na temat produktywności kobiet? standard error q r 32
33 Zadania e) Lorraine oszacowała ponownie oryginalny model, ale tylko dla kobiet i otrzymała: coefficient standard error q Porównując te wyniki do (d) czy widzisz jakieś nieścisłości? Czy zamężne kobiety są bardziej czy mniej produktywne niż kobiety niezamężne? f) Biorąc pod uwagę wszystkie wyniki otrzymane przez Lorraine, czy polityka działu HR i promowanie zamężnych/żonatych pracowników ma sens? 33
34 Zadania Zadanie 2.4. Chcemy oszacować wpływ dochodu (P - w $) i ceny (N - w $) na konsumpcję czekolady (th/; - w 100g). Podstawowe równanie to Otrzymano następujące wyniki: th/; P N. 27 [ 0.19 th/; P 0.95N i macierz wariancji-kowariancji: [ D G D! H Zinterpretuj wartości oszacowań. Dla każdego oszacowania oblicz relatywny błąd standardowy i określ precyzję tego oszacowania. Podaj 99% przedziały ufności dla /Ov. 34
35 Zadania Zadanie 2.5. Na podstawie pliku Q3_data.xlsx. Anna jest naukowcem zajmującym się badaniem zdolności językowych dzieci. Stawia hipotezę, że bogactwo słownictwa dzieci zależy od bogactwa słownictwa jakie matka używa mówiąc do dziecka. Anna przez 5 lat zbierała informacje na temat dwóch interesujących zmiennych. Po pierwsze, zebrała informację o liczbie różnych słów wypowiadanych przez matkę do dziecka w pierwszym roku jego życia zmienna W. Po drugie, zebrała dane o wyniku testu słownictwa dzieci, który odbywa się w pierwszym roku szkoły zmienna S (mierzona w skali 1-100). 1. Zapisz model regresji pozwalający na zbadanie związku, którym Anna jest zainteresowana. 2. Na podstawie danych zebranych przez Annę, oszacuj parametry tego modelu. 3. Zinterpretuj wyniki. 35
36 Zadania Lola również zajmuje się badaniem zdolności językowych dzieci. Lola wykorzystuje dane zgromadzone przez Annę, ale zamiast mierzyć wynik testu dzieci w skali używa skali Na podstawie danych Loli oszacuj model z punktu (1). 5. Opisz zależność między oszacowaniami z punktu (2) i (4). Maria jest kolejnym badaczem zdolności językowych dzieci, który również korzysta z danych zebranych przez Annę. Maria nie pracuje jednak bezpośrednio ze zmienną W, ale używa odchylenia wartości od średniej zmienna w w wx. 6. Na podstawie danych Marii oszacuj parametry modelu. 7. Porównaj wyniki z (6) z wynikami z (2) oraz (4). 36
37 Zadania Zadanie 2.6. Jak edukacja wpływa na zarobki? Plik cps5.gdt zawiera dane o stawce godzinowej, edukacji i innych zmiennych zebranych w 2008 Current Population Survey (CPS). 1. Oblicz statystyki opisowe i zbuduj histogramy dla zmiennych WAGE i EDUC. Opis charakterystykę tych danych. 2. Oszacuj model liniowy wpływu edukacji na zarobki. Zinterpretuj wyniki. 3. Oszacuj reszty i zbuduj wykres reszt względem edukacji. Czy coś na tym wykresie wygląda niepokojąco? Czy obserwujemy jakiś wzór? Jeżeli spełnione są założenia A1-A4, to czy powinnismy obserwować jakiś wzór w rozkładzie reszt? 4. Dodaje zmienne black, exper, female, faminc and south jako dodatkowe zmienne objaśniające. Oszacuj parametry tego modelu i zinterpretuj wpływ poszczególnych zmiennych na zarobki. 5. Dla każdego oszacowania oblicz relatywny błąd standardowy i oceń prezycję tych oszacowań. 6. Porównaj skorygowany R-kwadrat między modelem prostym, a tym z wieloma regresorami. Który model jest lepiej dopasowany do danych? 7. Porównaj AIC między modelem prostym, a tym z wieloma regresorami. Który model jest lepiej dopasowany do danych? 37
38 Zadania Zadanie 2.7. Dane o nieruchomościach sprzedawanych w Stockton, California zawarte są w pliku stockton5.gdt. Dostępne zmienne to SPRICE ($) cena domu, LIVAREA (hundreds of square feet) - powierzchnia, BEDS- liczba sypialni, BATHS liczba łazienek, LGELOT 1, jeżeli powierzchnia działki jest większa niż 0.5 ara, AGE wiek domu i POOL- 1, jeżeli jest basen. 1. Stwórz histogram dla zmiennej PRICE. Co obserwujesz? 2. Oszacuj parametry modelu wyjaśniającego PRICE pozostałymi zmiennymi. Zinterpretuj oszacowania. 3. Zinterpretuj wartość R-kwadrat. Jeżeli mielibysmy dostęp do innych zmiennych, to jakie czynniki (inne niż te wykorzystane w zadaniu) mają wpływ na cenę mieszkań? Jak możemy je zmierzyć? 4. Dla każdego regresora, podaj 95% przedział ufności dla parametru. Formalnie zinterpretuj te przedziały. 38
Rozdział 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 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 szczegółowoEkonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 01/02/2019 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej 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 szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 4
Stanisław Cichocki Natalia Nehrebecka Wykład 4 1 1. Własności hiperpłaszczyzny regresji 2. Dobroć dopasowania równania regresji. Współczynnik determinacji R 2 Dekompozycja wariancji zmiennej zależnej Współczynnik
Bardziej szczegółowoEkonometria dla IiE i MSEMat Z7
Ekonometria dla IiE i MSEMat Z7 Rafał Woźniak Faculty of Economic Sciences, University of Warsaw Warszawa, 21-11-2016 Na podstawie zbioru danych cps_small.dat z książki Principles of Econometrics oszacowany
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 szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoRegresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna
Regresja wieloraka Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna zmienna niezależna (można zobrazować
Bardziej szczegółowoEkonometria egzamin 07/03/2018
imię, nazwisko, nr indeksu: Ekonometria egzamin 07/03/2018 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoWnioskowanie statystyczne. Statystyka w 5
Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających
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 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 szczegółowoStanisław Cichocki. Natalia Neherbecka. Zajęcia 13
Stanisław Cichocki Natalia Neherbecka Zajęcia 13 1 1. Kryteria informacyjne 2. Testowanie autokorelacji 3. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych
Bardziej szczegółowoEkonometria. Własności składnika losowego. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Własności składnika losowego Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 1 / 31 Agenda KMNK przypomnienie 1 KMNK przypomnienie 2 3 4
Bardziej szczegółowoEkonometria. Ćwiczenia nr 3. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Ćwiczenia nr 3 Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 3 Własności składnika losowego 1 / 18 Agenda KMNK przypomnienie 1 KMNK przypomnienie 2 3 4 Jakub Mućk
Bardziej 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 szczegółowoEstymacja punktowa i przedziałowa
Temat: Estymacja punktowa i przedziałowa Kody znaków: żółte wyróżnienie nowe pojęcie czerwony uwaga kursywa komentarz 1 Zagadnienia 1. Statystyczny opis próby. Idea estymacji punktowej pojęcie estymatora
Bardziej szczegółowoEkonometria. Weryfikacja liniowego modelu jednorównaniowego. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Weryfikacja liniowego modelu jednorównaniowego Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 2 Weryfikacja liniowego modelu jednorównaniowego 1 / 28 Agenda 1 Estymator
Bardziej szczegółowoEkonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 0/0/0. Egzamin trwa 90 minut.. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu. Złamanie
Bardziej szczegółowoWIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA Powtórka Powtórki Kowiariancja cov xy lub c xy - kierunek zależności Współczynnik korelacji liniowej Pearsona r siła liniowej zależności Istotność
Bardziej szczegółowoRegresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych (X1, X2, X3,...) na zmienną zależną (Y).
Statystyka i opracowanie danych Ćwiczenia 12 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA WIELORAKA Regresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych
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 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 szczegółowoK wartość kapitału zaangażowanego w proces produkcji, w tys. jp.
Sprawdzian 2. Zadanie 1. Za pomocą KMNK oszacowano następującą funkcję produkcji: Gdzie: P wartość produkcji, w tys. jp (jednostek pieniężnych) K wartość kapitału zaangażowanego w proces produkcji, w tys.
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 szczegółowoEkonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 02/02/2011 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 9
Stanisław Cichocki Natalia Nehrebecka Wykład 9 1 1. Dodatkowe założenie KMRL 2. Testowanie hipotez prostych Rozkład estymatora b Testowanie hipotez prostych przy użyciu statystyki t 3. Przedziały ufności
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 szczegółowoREGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ. Analiza regresji i korelacji
Statystyka i opracowanie danych Ćwiczenia 5 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ MODEL REGRESJI LINIOWEJ Analiza regresji
Bardziej szczegółowoNarzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski
Narzędzia statystyczne i ekonometryczne Wykład 1 dr Paweł Baranowski Informacje organizacyjne Wydział Ek-Soc, pok. B-109 pawel@baranowski.edu.pl Strona: baranowski.edu.pl (w tym materiały) Konsultacje:
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Pytania teoretyczne Egzamin z ekonometrii wersja IiE, MSEMAT 08-02-2017 1. W jaki sposób przeprowadzamy test Chowa? 2. Pokazać, że jest nieobciążonym estymatorem. 3. Udowodnić, że w modelu ze stałą TSSESS+RSS.
Bardziej szczegółowoStatystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r
Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów
Bardziej szczegółowoAnaliza zależności cech ilościowych regresja liniowa (Wykład 13)
Analiza zależności cech ilościowych regresja liniowa (Wykład 13) dr Mariusz Grządziel semestr letni 2012 Przykład wprowadzajacy W zbiorze danych homedata (z pakietu R-owskiego UsingR) można znaleźć ceny
Bardziej szczegółowoWprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
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 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 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 szczegółowoStosowana Analiza Regresji
prostej Stosowana Wykład I 5 Października 2011 1 / 29 prostej Przykład Dane trees - wyniki pomiarów objętości (Volume), średnicy (Girth) i wysokości (Height) pni drzew. Interesuje nas zależność (o ile
Bardziej szczegółowoOszacowanie i rozkład t
Oszacowanie i rozkład t Marcin Zajenkowski Marcin Zajenkowski () Oszacowanie i rozkład t 1 / 31 Oszacowanie 1 Na podstawie danych z próby szacuje się wiele wartości w populacji, np.: jakie jest poparcie
Bardziej szczegółowoZależność. przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna),
Zależność przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna), funkcyjna stochastyczna Korelacja brak korelacji korelacja krzywoliniowa korelacja dodatnia korelacja ujemna Szereg korelacyjny numer
Bardziej szczegółowoNatalia Neherbecka. 11 czerwca 2010
Natalia Neherbecka 11 czerwca 2010 1 1. Konsekwencje heteroskedastyczności i autokorelacji 2. Uogólniona MNK 3. Stosowalna Uogólniona MNK 4. Odporne macierze wariancji i kowariancji b 2 1. Konsekwencje
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoZad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:
Zadania ze statystyki cz. 7. Zad.1 Z populacji wyłoniono próbę wielkości 64 jednostek. Średnia arytmetyczna wartość cechy wyniosła 110, zaś odchylenie standardowe 16. Należy wyznaczyć przedział ufności
Bardziej szczegółowoMikroekonometria 4. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 4 Mikołaj Czajkowski Wiktor Budziński Endogeniczność regresja liniowa W regresji liniowej estymujemy następujące równanie: i i i KMRL zakłada, że wszystkie zmienne objaśniające są egzogeniczne
Bardziej szczegółowoEkonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota
Ekonometria ćwiczenia 3 Prowadzący: Sebastian Czarnota Strona - niezbędnik http://sebastianczarnota.com/sgh/ Normalność rozkładu składnika losowego Brak normalności rozkładu nie odbija się na jakości otrzymywanych
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 szczegółowoMetody Ekonometryczne
Metody Ekonometryczne Goodness of fit i wprowadzenie do wnioskowania statystycznego Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Metody Ekonometyczne Wykład 2 Goodness of fit i wprowadzenie do wnioskowania
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 7
Stanisław Cichocki Natalia Nehrebecka Wykład 7 1 1. Metoda Największej Wiarygodności MNW 2. Założenia MNW 3. Własności estymatorów MNW 4. Testowanie hipotez w MNW 2 1. Metoda Największej Wiarygodności
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 10
Stanisław Cichocki Natalia Nehrebecka Wykład 10 1 1. Testy diagnostyczne Testowanie prawidłowości formy funkcyjnej: test RESET Testowanie normalności składników losowych: test Jarque-Berra Testowanie stabilności
Bardziej szczegółowo1 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 szczegółowoEkonometria I Weryfikacja: współliniowość i normalność. Dr Michał Gradzewicz Szkoła Główna Handlowa w Warszawie
Ekonometria I Weryfikacja: współliniowość i normalność Dr Michał Gradzewicz Szkoła Główna Handlowa w Warszawie 1 Współliniowość 2 Przypomnienie: Założenia MNK Założenia MNK: 1. Zmienne objaśniające są
Bardziej szczegółowoWykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu
Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowoWIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI. Test zgodności i analiza wariancji Analiza wariancji
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI Test zgodności i analiza wariancji Analiza wariancji Test zgodności Chi-kwadrat Sprawdza się za jego pomocą ZGODNOŚĆ ROZKŁADU EMPIRYCZNEGO Z PRÓBY Z ROZKŁADEM HIPOTETYCZNYM
Bardziej szczegółowoMetoda najmniejszych kwadratów
Model ekonometryczny Wykształcenie a zarobki Hipoteza badawcza: Istnieje zależność między poziomem wykształcenia a wysokością zarobków Wykształcenie a zarobki Hipoteza badawcza: Istnieje zależność między
Bardziej szczegółowoMikroekonometria 3. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 3 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.hedonic.dta przygotuj model oszacowujący wartość kosztów zewnętrznych rolnictwa 1. Przeprowadź regresję objaśniającą
Bardziej szczegółowoWERYFIKACJA MODELI MODELE LINIOWE. Biomatematyka wykład 8 Dr Wioleta Drobik-Czwarno
WERYFIKACJA MODELI MODELE LINIOWE Biomatematyka wykład 8 Dr Wioleta Drobik-Czwarno ANALIZA KORELACJI LINIOWEJ to NIE JEST badanie związku przyczynowo-skutkowego, Badanie współwystępowania cech (czy istnieje
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Egzamin z ekonometrii wersja IiE, MSEMAT 04-02-2016 Pytania teoretyczne 1. Za pomocą jakiego testu weryfikowana jest normalność składnika losowego? Jakiemu założeniu KMRL odpowiada w tym teście? Jakie
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów 5. Testowanie
Bardziej szczegółowoANALIZA REGRESJI WIELOKROTNEJ. Zastosowanie statystyki w bioinżynierii Ćwiczenia 8
ANALIZA REGRESJI WIELOKROTNEJ Zastosowanie statystyki w bioinżynierii Ćwiczenia 8 ZADANIE 1A 1. Irysy: Sprawdź zależność długości płatków korony od ich szerokości Utwórz wykres punktowy Wyznacz współczynnik
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 11-12
Stanisław Cichocki Natalia Nehrebecka Zajęcia 11-12 1. Zmienne pominięte 2. Zmienne nieistotne 3. Obserwacje nietypowe i błędne 4. Współliniowość - Mamy 2 modele: y X u 1 1 (1) y X X 1 1 2 2 (2) - Potencjalnie
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowo1.1 Klasyczny Model Regresji Liniowej
1.1 Klasyczny Model Regresji Liniowej Klasyczny model Regresji Liniowej jest bardzo użytecznym narzędziem służącym do analizy danych empirycznych. Analiza regresji zajmuje się opisem zależności między
Bardziej 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 szczegółowoZmienne zależne i niezależne
Analiza kanoniczna Motywacja (1) 2 Często w badaniach spotykamy problemy badawcze, w których szukamy zakresu i kierunku zależności pomiędzy zbiorami zmiennych: { X i Jak oceniać takie 1, X 2,..., X p }
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 szczegółowoEkonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda
Bardziej 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 szczegółowoEkonometria egzamin 06/03/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 06/03/2019 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoTestowanie hipotez. Marcin Zajenkowski. Marcin Zajenkowski () Testowanie hipotez 1 / 25
Testowanie hipotez Marcin Zajenkowski Marcin Zajenkowski () Testowanie hipotez 1 / 25 Testowanie hipotez Aby porównać ze sobą dwie statystyki z próby stosuje się testy istotności. Mówią one o tym czy uzyskane
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 szczegółowoKORELACJE I REGRESJA LINIOWA
KORELACJE I REGRESJA LINIOWA Korelacje i regresja liniowa Analiza korelacji: Badanie, czy pomiędzy dwoma zmiennymi istnieje zależność Obie analizy się wzajemnie przeplatają Analiza regresji: Opisanie modelem
Bardziej szczegółowo1. Pokaż, że estymator MNW parametru β ma postać β = nieobciążony. Znajdź estymator parametru σ 2.
Zadanie 1 Niech y t ma rozkład logarytmiczno normalny o funkcji gęstości postaci [ ] 1 f (y t ) = y exp (ln y t β ln x t ) 2 t 2πσ 2 2σ 2 Zakładamy, że x t jest nielosowe a y t są nieskorelowane w czasie.
Bardziej szczegółowoEkonometria. Metodologia budowy modelu. Jerzy Mycielski. Luty, 2011 WNE, UW. Jerzy Mycielski (WNE, UW) Ekonometria Luty, / 18
Ekonometria Metodologia budowy modelu Jerzy Mycielski WNE, UW Luty, 2011 Jerzy Mycielski (WNE, UW) Ekonometria Luty, 2011 1 / 18 Sprawy organizacyjne Dyżur: środa godz. 14-15 w sali 302. Strona internetowa
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 14
Stanisław Cichocki Natalia Nehrebecka Wykład 14 1 1.Problemy z danymi Współliniowość 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji Metody radzenia sobie z heteroskedastycznością
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 2 3 1. Wprowadzenie do danych panelowych a) Charakterystyka danych panelowych b) Zalety i ograniczenia 2. Modele ekonometryczne danych panelowych a) Model efektów
Bardziej szczegółowoSTATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE
STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE 1 W trakcie badania obliczono wartości średniej (15,4), mediany (13,6) oraz dominanty (10,0). Określ typ asymetrii rozkładu. 2 Wymień 3 cechy rozkładu Gauss
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje
Bardziej szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoRegresja wielokrotna. PDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com
Regresja wielokrotna Model dla zależności liniowej: Y=a+b 1 X 1 +b 2 X 2 +...+b n X n Cząstkowe współczynniki regresji wielokrotnej: b 1,..., b n Zmienne niezależne (przyczynowe): X 1,..., X n Zmienna
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 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 Zależność przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna), funkcyjna stochastyczna
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 4. Testowanie hipotez Estymacja parametrów
STATYSTYKA MATEMATYCZNA WYKŁAD 4 Testowanie hipotez Estymacja parametrów WSTĘP 1. Testowanie hipotez Błędy związane z testowaniem hipotez Etapy testowana hipotez Testowanie wielokrotne 2. Estymacja parametrów
Bardziej szczegółowoBłędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa
Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie
Bardziej szczegółowoMetoda najmniejszych kwadratów
Własności algebraiczne Model liniowy Zapis modelu zarobki = β 0 + β 1 plec + β 2 wiek + ε Oszacowania wartości współczynników zarobki = b 0 + b 1 plec + b 2 wiek + e Model liniowy Tabela: Oszacowania współczynników
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 szczegółowoMetoda największej wiarogodności
Wprowadzenie Założenia Logarytm funkcji wiarogodności Metoda Największej Wiarogodności (MNW) jest bardziej uniwersalną niż MNK metodą szacowania wartości nieznanych parametrów Wprowadzenie Założenia Logarytm
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoWYKŁAD 8 ANALIZA REGRESJI
WYKŁAD 8 ANALIZA REGRESJI Regresja 1. Metoda najmniejszych kwadratów-regresja prostoliniowa 2. Regresja krzywoliniowa 3. Estymacja liniowej funkcji regresji 4. Testy istotności współczynnika regresji liniowej
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 szczegółowoEkonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 9 marca 2007
, transformacja liniowa i estymacja modelu KMNK Paweł Cibis pawel@cibis.pl 9 marca 2007 1 Miary dopasowania modelu do danych empirycznych Współczynnik determinacji Współczynnik zbieżności Skorygowany R
Bardziej szczegółowoMATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ
MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ Opracowała: Milena Suliga Wszystkie pliki pomocnicze wymienione w treści
Bardziej szczegółowoPDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com
Analiza korelacji i regresji KORELACJA zależność liniowa Obserwujemy parę cech ilościowych (X,Y). Doświadczenie jest tak pomyślane, aby obserwowane pary cech X i Y (tzn i ta para x i i y i dla różnych
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka - adres mailowy: scichocki@o2.pl - strona internetowa: www.wne.uw.edu.pl/scichocki - dyżur: po zajęciach lub po umówieniu mailowo - 80% oceny: egzaminy - 20% oceny:
Bardziej szczegółowoANALIZA REGRESJI SPSS
NLIZ REGRESJI SPSS Metody badań geografii społeczno-ekonomicznej KORELCJ REGRESJ O ile celem korelacji jest zmierzenie siły związku liniowego między (najczęściej dwoma) zmiennymi, o tyle w regresji związek
Bardziej szczegółowo