EKONOMETRIA. Ekonometryczne modele specjalne. Zbigniew.Tarapata zbigniew.tarapata.akcja.pl/p_ekonometria/ tel.
|
|
- Bartosz Turek
- 7 lat temu
- Przeglądów:
Transkrypt
1 EKONOMETRIA Tmat wykładu: Ekonomtryczn modl spcjaln Prowadzący: dr inż. Zbigniw TARAPATA -mail: Zbigniw.Tarapata zbigniw.tarapata.akcja.pl/p_konomtria/ tl.: Plan wykładu Wprowadzni do modli spcjalnych; Modl autorgrsyjn jdnorównaniow z opóźnioną zminną objaśnianą; Przykład budowy modlu autorgrsyjngo; Modl z zminnymi binarnymi; Przykład budowy modlu z zminnymi binarnymi;
2 Wprowadzni do modli spcjalnych Do pwnj klasy modli konomtrycznych można zaliczyć modl, w których odchodzi się od niktórych założń dotyczących cych klasyczngo modlu rgrsji. Chodzi tu mianowici o odjści od założnia o : braku autokorlacji składnika losowgo; homoskdastyczności (braku zminności w czasi wariancji składnika losowgo); stabilności paramtrów strukturalnych modlu; nilosowości zminnych objaśniających. W zasadzi każdy modl, który odbiga od założń klasyczngo modlu rgrsji można nazwać modlm spcjalnym. 3 Wprowadzni do modli spcjalnych Wśród różngo rodzaju modli konomtrycznych stosowanych w praktyc ważną rolę odgrywają modl autorgrsyjn (autokorlacyjn). Cchą charaktrystyczną tych modli jst to, ż ni okrślają on ilościowo związków zachodzących między zminną ndogniczną (objaśnianą), a zminnymi objaśniającymi. Możmy spotkać się w zasadzi z dwoma rodzajami modli autorgrsyjnych: z uwzględninim opóźniń zminnj ndognicznj (objaśnianj); z uwzględninim opóźniń zminnych objaśniających. 4
3 Modl autorgrsyjn jdnorównaniow z opóźnioną zminną objaśnianą Modl uwzględniając zjawisko autokorlacji z uwzględninim opóźniń zminnj objaśnianj można ogólni zapisać w następującj postaci: Y ( ) () t = f Yt, Yt,..., Yt p, ξt W praktyc najczęścij przyjmuj się, ż funkcja f jst liniowa. W przypadku funkcji liniowj prowadzi to do modlu postaci: p Yt = α0 + αiyt i + ξt, () i= gdzi: Y t prognozowana zminna w okrsi (momnci) t; Y t-i prognozowana zminna opóźniona w chwili t-i; α 0, α,..., α p paramtry modlu; p rząd autorgrsji; ξ t składnik losowy. 5 Modl autorgrsyjn jdnorównaniow z opóźnioną zminną objaśnianą Paramtry modlu () można szacować wykorzystując np. mtodę najmnijszych kwadratów. Zakładając, z paramtry modlu () stymujmy w oparciu o n wartości szrgu czasowgo ( y t ), wprowadzamy t=,..., n następując oznacznia: y wktor zaobsrwowanych wartości zminnj Y o rozmiarach ( n p) ; X macirz o wymiarach ( n p) ( p +), którj pirwsza kolumna składa się z jdynk, a pozostał z zaobsrwowanych opóźnionych wartości zminnj Y; α - wktor niznanych paramtrów o rozmiarach ( p + ) ; ξ - wktor składników losowych o rozmiarach n p. ( ) 6
4 Modl autorgrsyjn jdnorównaniow z opóźnioną zminną objaśnianą y p+ y p y p L y α0 ξ p+ y p+ y p+ y p L y α ξ = ξ p+ y =, X = =, α, M M M M L M M M yn yn n n-p α y L y p ξn Przy tych oznaczniach modl tn można zapisać w równoważnj postaci: y = Xα + ξ (5) Stosując mtodę najmnijszych kwadratów (por. wzór (6) w wykładzi nr 5) otrzymujmy wktor wartości poszukiwanych paramtrów (przy czym X =X T macirz transponowana macirzy X): ' a = X X X (6) ( ) y 7 Modl autorgrsyjn jdnorównaniow z opóźnioną zminną objaśnianą W wyniku stymacji paramtrów przyjętgo modlu uzyskujmy następującą jgo postać: y ˆ = Xa + (7) gdzi to wktor rszt o rozmiarach ( n p). Macirz wariancji-kowariancji stymatorów paramtrów modlu () dana jst wzorm (por. () w wykładzi nr 5): D przy czym wariancja rsztowa a ( ) a = s ( p ( X ) = Var X ( ) ) s ( p) jst równa: (8) s ( p) = n ' p ( p + ) (9) 8
5 Modl autorgrsyjn jdnorównaniow z opóźnioną zminną objaśnianą Z koli współczynnik zbiżno ności wynosi: ' ϕ = n y t y ( ) t= p+ (0) y gdzi to śrdnia arytmtyczna wartości szrgu od okrsu (momntu) do n, czyli: t = p + y = n p n y t t= p+ (0a) Współczynnik dtrminacji R możmy wyliczyć z wzoru: R = ϕ (0b) 9 Modl autorgrsyjn jdnorównaniow z opóźnioną zminną objaśnianą Przy budowaniu omawianych modli występuj problm ustalnia wartości paramtru p, czyli rzędu autorgrsji. Optymalną wartość p można ustalić wykorzystując np. mtodę, w którj podstawą wyboru jst funkcja: gdzi: SR k n ( k) = ln s ( k) + ln n ( k = 0,,..., K ) s ( k) () - ocna wariancji składnika losowgo modlu autorgrsji rzędu k; K maksymalny rząd autorgrsji. Korzystając z tj funkcji paramtr p wybiramy tak, aby spłnia niał warunk: SR( p) = min SR( k) k {0,..., K} () 0
6 Modl autorgrsyjn jdnorównaniow z opóźnioną zminną objaśnianą Zauważmy ważną rzcz: Aby wyliczyć wartości funkcji SR(k) z () musimy znać wartość wariancji składnika rsztowgo s ( k) dla modlu autorgrsji rzędu k; Z koli, aby znać wartość wariancji składnika rsztowgo nalży najpirw dysponować modlm! Zatm, aby okrślić optymalną wartość rzędu autorgrsji z () nalży wczśnij oszacować wszystki modl auorgrsji rzędu k=0,,..., =0,,...,K!!! Następni z tych modli (już oszacowanych!!!) wybiramy tn, dla którgo wartość SR(k) jst minimalna (zgodni z ()). I już!!! Modl autorgrsyjn jdnorównaniow z opóźnioną zminną objaśnianą -Przykład W tabli przdstawiono kwartalną wartość produkcji sprzdanj (w mln dol.) wyrobów z gumy i tworzyw sztucznych w Polsc w latach Na podstawi tych danych oszacować modl autorgrsyjny okrślony wzorm () oraz okrślić jgo jakość. Kwartał Tabla 3 4 Rok ,3 356,9 373,5 55,3 635,7 679,6 80,3 779,4 877, 96, 48, 48,5 634,7 754,4 783,9 9, 909,9 989,0 345, 378, 474,7 70,8 809,9 87, 960,0 075, 04,0 36,8 376,8 56, 708,4 75,8 80,9 895,8 040,5 949,
7 Modl autorgrsyjn jdnorównaniow z opóźnioną zminną objaśnianą Przykład, c.d. Rozwiązani. Ustalni rzędu autorgrsji. Wykorzystując modl () nalży ustalić rząd autorgrsji p. W tym clu korzystamy z wzoru (); ocnę wariancji składnika losowgo oszacowanych modli autorgrsji rzędu k=,...,8 oraz wartości funkcji () przdstawiamy w tabli. k s ( k) 5466, , , ,068 33, ,068 65, ,09 SR ( k) 8,7 8,85 8,36 8,50 8,54 8,63 8,57 8,73 Tabla Jak obliczyliśmy lmnty tabli? Np. SR(k=), n t ' t= p s ( k = ) = = = = 574,48 n k ( k + ) SR k n 36 s ( k = ) patrz tabla 3 na następnj stroni ( k = ) = ln s ( k) + ln n = ln s ( k = ) + ln36 = ln 574,48 + ln 36 = 8,65 + 0, = 8, t yt y(t-) y(t-) y(t)^ (t)^ 3 345, 96, 98,3 345,0409 0, ,8 345, 96, 389,306 70, ,9 36,8 345, 406,5 435, , 356,9 36,8 40,383 76, , 48, 356,9 465, , ,8 378, 48, 4,7588 0, ,5 376,8 378, 49,5546, ,5 373,5 376,8 46,5388 3, ,7 48,5 373,5 457, ,744 56, 474,7 48,5 508, , ,3 56, 474,7 547,557, ,7 55,3 56, 58,68 870, ,8 634,7 55,3 656,453 48, ,4 70,8 634,7 79,6895 7, ,7 708,4 70,8 76, , ,4 635,7 708,4 660,8 8858, ,9 754,4 635,7 766, , ,8 809,9 754,4 88, , ,6 75,8 809,9 768, , ,9 679,6 75,8 700, , , 783,9 679,6 794,00 533, ,9 87, 783,9 86, ,0 5 80,3 80,9 87, 83, , , 80,3 80,9 8, , , 80,3 9,604 34, , , 957, , ,4 895, , , ,9 779,4 895,8 793, , ,0 909,9 779,4 90, , ,50 075,0 909,9 06, 47, , 040,50 075,0 033, , , 040,50 885, , , , 983, , , 04, , ,8 suma 7807 Modl autorgrsyjn jdnorównaniow z opóźnioną zminną objaśnianą Przykład, c.d. Wyniki oszacowania modlu dla p=, tzn. dla modlu: Y Po skorzystaniu z sposobu szacowania paramtrów modlu z wiloma zminnymi objaśniającymi (patrz wykład poprzdni) otrzymujmy modl: yˆ Uwaga! (t)^= Tabla 3 t = 0 + αy t + αyt α + ξ t = 7, + 0,9059 yt + 0, 087 yt t = yˆ ) ( yt t t 4
8 Modl autorgrsyjn jdnorównaniow z opóźnioną zminną objaśnianą Przykład, c.d. Z wartości funkcji SR(k) zawartych w tabli wynika, ż w rozważanym przypadku powinniśmy oszacować modl autorgrsji z maksymalnym opóźninim p=3 (dla tgo opóźninia funkcja SR(k) przyjmuj najmnijszą wartość), czyli modl postaci: Y t = α0 + αy t + αyt + α3yt 3 + ξ t Oszacowani paramtrów w modlu. Paramtry wybrango modlu oszacujmy za pomocą klasycznj mtody najmnijszych kwadratów korzystając z wzoru (6). Dla danych z tabli odpowidni macirz mają postać jak na następnym slajdzi. 5 y = 36,8 345, 96, 98,3 356,9 36,8 345, 96, 48, 356,9 36,8 345, 378, 48, 356,9 36,8 376,8 378, 48, 356,9 373,5 376,8 378, 48, 48,5 373,5 376,8 378, 474,7 48,5 373,5 376,8 56, 474,7 48,5 373,5 55,3 56, 474,7 48,5 634,7 55,3 56, 474,7 70,8 634,7 55,3 56, 708,4 70,8 634,7 55,3 635,7 708,4 70,8 634,7 754,4 635,7 708,4 70,8 809,9 754,4 635,7 708,4 75,8, X = 809,9 754,4 635,7 679,6 75,8 809,9 754,4 783,9 679,6 75,8 809,9 87, 783,9 679,6 75,8 80,9 87, 783,9 679,6 80,3 80,9 87, 783,9 9, 80,3 80,9 87, 960,0 9, 80,3 80,9 895,8 960,0 9, 80,3 779,4 895,8 960,0 9, 909,9 779,4 895,8 960,0 075, 909,9 779,4 895,8 040,5 075, 909,9 779,4 877, 040,5 075, 909,9 989,0 877, 040,5 075, 04,0 989,0 877, 040,5 949, 04,0 989,0 877, Modl autorgrsyjn jdnorównaniow z opóźnioną zminną objaśnianą Przykład, c.d. y X`X = (X`X) - = 33,00 945,70 00,90 50,0 945, , , ,9 00, , , ,3 50, , , ,8 0, , , , , , , , , , , , , , , , X`y = i ostatczni 3549, , , ,74 a =(X`X) - X`y = 65,584 0,8977-0,6479 0,705 Oszacowany modl ma zatm postać: t = 65, ,8977yt 0,6479yt + 0, 705yt 3 y +. t,, 6
9 t yt y(t-) y(t-) y(t-3) y(t)^ (t)^ 4 36,8 345, 96, 98,3 393,83 96, ,9 36,8 345, 96, 376,56 386, , 356,9 36,8 345, 394,8 50, , 48, 356,9 36,8 474,59 990, ,8 378, 48, 356,9 379,35 6, ,5 376,8 378, 48, 460,76 765, ,5 373,5 376,8 378, 43,45 4,49 474,7 48,5 373,5 376,8 465,00 94,6 56, 474,7 48,5 373,5 483,96 03,7 3 55,3 56, 474,7 48,5 56,45 85, ,7 55,3 56, 474,7 56,76 530, ,8 634,7 55,3 56, 64,47 376, ,4 70,8 634,7 55,3 674,74 3, ,7 708,4 70,8 634,7 693, , ,4 635,7 708,4 70,8 67, , ,9 754,4 635,7 708,4 830,50 44, ,8 809,9 754,4 635,7 75,5 0,43 679,6 75,8 809,9 754,4 748, ,4 783,9 679,6 75,8 809,9 759,06 67, , 783,9 679,6 75,8 859,85 87, ,9 87, 783,9 679,6 770,46 05, ,3 80,9 87, 783,9 809,75 7,4 6 9, 80,3 80,9 87, 840, , , 80,3 80,9 930,6 863, , , 80,3 90,08 39, ,4 895, , 890,33 306, ,9 779,4 895, ,85 308, ,0 909,9 779,4 895,8 009,4 4363, ,50 075,0 909,9 779,4 990,90 460, , 040,50 075,0 909,9 944, , , 040,50 075,0 937,04 699, , , 040,50 8, , , 04, , 977,84 86,9 suma 977,74 Modl autorgrsyjn jdnorównaniow z opóźnioną zminną objaśnianą Przykład, c.d. Jakość modlu. Po obliczniu wartości tortycznych (kolumna y(t)^ w tabli 4) i rszt szacujmy (korzystając z wzoru (9)) wariancję rsztową oszacowango modlu i otrzymujmy: s ' ( p) = n p Tabla 4 977,737 = = 38,9908 ( p + ) 36 3 ( 3 + ) 7 Modl autorgrsyjn jdnorównaniow z opóźnioną zminną objaśnianą Przykład, c.d. Następni (wykorzystując wzór (8)) szacujmy macirz wariancji i kowariancji stymatorów paramtrów modlu: 00,4808 -,55-0,084-0,447 -,55 0,087-0,074-0,000 Var( a) = s ( ( p) X X) = -0,084-0,074 0,0349-0,074-0,447-0,000-0,074 0,085 Na tj podstawi oszacowany modl możmy zapisać w postaci (w nawiasach podano śrdni błąd szacunku dango paramtru): yˆ t = 65,584+ 0,8977 yt 0,6479 yt + 0,705 yt 3 ( 3,788) ( 0,367) ( 0,869) ( 0,359) oraz obliczyć wartości następujących miar dopasowania: s = 56,409, V = 0,0790, ϕ = 5,7%, R = 94,3% 8
10 Modl autorgrsyjn jdnorównaniow z opóźnioną zminną objaśnianą Przykład, c.d yt t wartości rzczywist wartości tortyczn Wykrs Wykrs dopasowania danych rzczywistych do oszacowango modlu 9 Modl z zminnymi binarnymi (zro-jdynkowymi) W modlach konomtrycznych na badaną zminną często wywirają wpływ taki czynniki, jak mijsc zamiszkania badanj osoby, płć pracownika, posiadani własngo miszkania przz rodzinę o danych dochodach, znajomość języka angilskigo przz pracownika itp. Rprzntując j zminn objaśniając wprowadza się do modlu jako tzw. zminn zro-jdynkow (dychotomiczn,, binarn), przypisując im wartość zro (np. badany ni zna języka obcgo), bądź jdn (zna język obcy), zalżni od występującj sytuacji. W przypadku występowania w modlu wśród w d zminnych objaśniaj niających zminnych zro-jdynkowych postępowani prognostyczn przbiga tak, jak przy wczśnij opisywanych modlach. 0
11 Modl z zminnymi binarnymi (zro-jdynkowymi) Sytuacja się komplikuj, gdy modl konomtryczny budowany jst w clu wyjaśninia zjawisk opisywanych przz zminną jakościową, czyli wtdy, gdy zminną objaśnian nianą jst zminna zro-jdynkowa jdynkowa, gdyż żadn z poznanych przz nas do tj pory modli ni daj nam na wyjściu tylko dwóch wartości: 0 i. Modl opisywan przz nas do tj pory są modlami ciągłymi, tzn. opisują on w sposób ciągły zalżność zminnj objaśnianj od zminnych objaśniających. Modl z zminnymi binarnymi (zro-jdynkowymi) Przykład Załóżmy, ż zro-jdynkowa zminna objaśniana Y zalży od jdnj zminnj objaśniającj X. Wykrs hipottycznj sytuacji dla 0-ciu obsrwacji zaprzntowano na wykrsi. Zauważmy, ż dla oszacowango modlu liniowgo współczynnik dtrminacji wynosi tylko 0,7, czyli modl słabo opisuj zalżność między zminnymi. Ponadto jst modlm ciągłym, a nas intrsuj modl, który pozwalałby otrzymywać tylko dwi wartości zminnj objaśnianj, tzn. 0 i. Cóż bowim znaczy wartość np. y 0.5 z modlu dla x=5? y, 0,8 0,6 0,4 0, y = -0,0909x + R = 0, , x Wykrs
12 Modl z zminnymi binarnymi (zro-jdynkowymi) Przkształcni logitow W clu prognozowania wartości zminnj zro-jdynkowj jdynkowj,, stosuj się spcjaln przkształcnia modli (otrzymując c tzw. modl probitow, logitow i inn). Przyjmijmy, ż intrsuj nas modl, który objaśnia, czy badana osoba kupiła w ciągu ostatnigo roku komputr, czy tż ni. Zminna objaśniana (Y) jst więc zminną zrojdynkową przyjmującą wartość jdn, jżli dana osoba kupiła komputr, a zro - w przciwnym przypadku. Ponadto załóżmy, ż jdyną zminną objaśniającą w tym modlu jst dochód (X) badanj osoby. Modl, który opisuj tę sytuację moż mić postać: y j = α 0 + αx j + ξ j (.) gdzi j jst numrm badanj osoby. 3 Modl z zminnymi binarnymi (zro-jdynkowymi) Przkształcni logitow Na podstawi obsrwacji n osób otrzymamy modl: gdzi: ŷ j yˆ j = a0 + ax j + ξ - ralizacja zminnj losowj Y, przy czym, jżli j - ta osoba kupila komputr Y = 0, w przciwnym przypadku (.) x j - wysokość dochodów (w zł/osobę) przypadająca na j-tą osobę; a 0, a - stymatory paramtrów α 0, α. j 4
13 Modl z zminnymi binarnymi (zro-jdynkowymi) Przkształcni logitow Wartość oczkiwana zminnj objaśnianj moż być intrprtowana jako warunkow prawdopodobiństwo ralizacji dango zdarznia pod warunkim, ż zminna objaśniaj niająca przyjęł ęła a pwną wartość ść. Wartość ŷ możmy traktować jako warunkow prawdopodobiństwo ralizacji tgo zdarznia. Jdnak i w tym przypadku możmy mić problmy. Jak wiadomo prawdopodobiństwo moż przyjmować wartości tylko z przdziału [0, ] natomiast szacując nasz modl możmy wykroczyć poza zakrs tgo przdziału z wartością ŷ. Na przykład w modlu z wykrsu jżli przyjęlibyśmy wartość zminnj x=0, to otrzymujmy = Modl z zminnymi binarnymi (zro-jdynkowymi) Przkształcni logitow W clu uniknięcia większych od jdności lub mnijszych od zra wartości prawdopodobiństwa dokonuj się monotoniczngo przkształcnia prawdopodobiństwa p z przdziału [0, ] na przdział (-, + ). Jdnym z takich przkształcń jst tzw. transformacja logitowa. Wykorzystuj ona, do zamiany prawdopodobiństwa p na liczbę z przdziału (-, + ), tzw. logity L: L = ln p p (.3) których wartość dla p=0 wynosi -, zro dla p=0.5 oraz + dla p=. 6
14 Modl z zminnymi binarnymi (zro-jdynkowymi) Przkształcni logitow Wykrs 3 Wykrs funkcji logitowj 7 Modl z zminnymi binarnymi (zro-jdynkowymi) Przkształcni logitow W clu ocny paramtrów modlu (.) odpowidni wartości L nalży podstawić w mijsc zminnj objaśnianj. Tym samym modl przybirz postać: L β + β + ξ (.4) j = 0 x j Aby z modlu (.4) uzyskać wartość prawdopodobiństwa, trzba posłużyć się funkcją logitową (.3) i wyznaczyć p j. Dokonując ciągu przkształcń wzoru (.3) otrzymamy: j p p L = = = = + = + p = p L L p p p + (.5) (.6) (.7) (.8) L L 8
15 Modl z zminnymi binarnymi (zro-jdynkowymi) Przkształcni logitow Podstawiając p=p j oraz L=L j i korzystając z (.4) otrzymujmy: p (.9) j = ( β 0+ βx ) + j przy czym pominęliśmy składnik losowy ξ j, gdyż w klasycznym modlu rgrsji przyjmowaliśmy założni, ż E{ξ j }=0. Paramtry modlu (.4) szacuj się uogólnion lnioną mtodą najmnijszych kwadratów (mtoda najmnijszych kwadratów daj gorsz oszacowania). Natomiast prawdopodobiństwa p j zastępuj się często stościami oszacowanymi na podstawi próby by. 9 Modl z zminnymi binarnymi (zro-jdynkowymi) Przkształcni logitow - Przykład W badaniu budżtów rodzinnych zbrano od 400 rodzin informacj o wysokości dochodu i fakci zakupu (lub ni) komputra w ciągu roku. W badaniu wyróżniono 8 grup dochodowych. Zbran informacj zaprzntowano w Tabli 5. Na podstawi modlu: Pj = β 0 + βx j odpowidzić na pytania:. Jaka jst szansa zakupu komputra przz rodzinę o dochodzi 6 tys. zł?. Przy jakim poziomi dochodu rodziny szansa zakupu komputra wynosi 0,9? Tabla 5 Dochód (w tys. zł) Wartość zminnj objaśniającj (X) Liczba badanych gospodarstw domowych (N) Liczba rodzin kupujących komputr (n) Częstość (p) n p = N Logit (L) p L = ln p 0,5-,5 0 0,0 -,0,5-,5 40 0,30-0,85,5-3, ,57 0,7 3,5-4, ,63 0,53 4,5-5, ,68 0,73 5,5-6, ,73,0 6,5-7, ,88,99 7,5-8, ,90,0 30
16 Modl z zminnymi binarnymi (zro-jdynkowymi) Przkształcni logitow Przykład, c.d. Rozwiązani (stosujmy mtodę najmnijszych kwadratów do szacowania paramtrów modlu) Liniowa funkcja rgrsji opisująca zalżność logitu od wysokości dochodów została przdstawiona na Wykrsi 4 i ma postać: L = j X j L 3,00,00,00 0,00 -,00 -,00-3,00 dan rzczywist Liniowy (dan rzczywist) L = -, ,564 X R = 0, X 3 Tabla 6 Modl z zminnymi binarnymi (zro-jdynkowymi) Przkształcni logitow Przykład, c.d. Korzystając z dfinicji logitu (.3) wartość prawdopodobiństwa dla liniowj funkcji rgrsji opisującj logit obliczamy z wzoru (.9) (wyniki w tabli 6): p j = = = L j ( β 0 + βx j ) (,0787 0,564 X j ) X j L j p j Częstość -,5 0,8079 0,0-0,95 0, ,30 3-0,39 0, ,57 4 0,8 0, ,63 5 0,74 0, ,68 6,3 0, ,73 7,87 0, ,88 8,43 0, ,90 3
17 Modl z zminnymi binarnymi (zro-jdynkowymi) Przkształcni logitow Przykład, c.d. Możmy obcni odpowidzić na pytania zawart w trści zadania. Ad. Szansa zakupu komputra przz rodzinę o dochodzi 6 tys. zł wynosi: p j = 0,79 (, ,564*6) + Ad. Poziom dochodu rodziny, przy którym szansa zakupu komputra wynosi 0,9 jst równy:, ,564X =,0 X=7,58 33
Uogólnione wektory własne
Uogólnion wktory własn m Dfinicja: Wktor nazywamy uogólnionym wktorm własnym rzędu m macirzy A do wartości własnj λ jśli ( A - I) m m- λ al ( A - λ I) Przykład: Znajdź uogólniony wktor własny rzędu do
Bardziej szczegółowoDefinicja: Wektor nazywamy uogólnionym wektorem własnym rzędu m macierzy A
Uogólnion wktory własnw Dfinicja: Wktor nazywamy uogólnionym wktorm własnym rzędu m macirzy A m do wartości własnj λ jśli ( A - I) m m- λ al ( A - λ I) Przykład: Znajdź uogólniony wktor własny rzędu do
Bardziej szczegółowo2009 ZARZĄDZANIE. LUTY 2009
Wybran zstawy gzaminacyjn kursu Matmatyka na Wydzial ZF Uniwrsyttu Ekonomiczngo w Wrocławiu w latach 009 06 Zstawy dotyczą trybu stacjonarngo Niktór zstawy zawirają kompltn rozwiązania Zakrs matriału w
Bardziej szczegółowoRachunek Prawdopodobieństwa MAP1151, 2011/12 Wydział Elektroniki Wykładowca: dr hab. Agnieszka Jurlewicz
1 Rachunk Prawdopodobiństwa MAP1151, 011/1 Wydział Elktroniki Wykładowca: dr hab. Agniszka Jurlwicz Listy zadań nr 5-6 Opracowani: dr hab. Agniszka Jurlwicz Lista 5. Zminn losow dwuwymiarow. Rozkłady łączn,
Bardziej szczegółowoSzeregowy obwód RC - model matematyczny układu
Akadmia Morska w Gdyni Katdra Automatyki Okrętowj Toria strowania Mirosław Tomra Na przykładzi szrgowgo obwodu lktryczngo składającgo się z dwóch lmntów pasywnych: rzystora R i kondnsatora C przdstawiony
Bardziej szczegółowoZASTOSOWANIE REGRESJI LOGISTYCZNEJ DO OKREŚLENIA PRAWDOPODOBIEŃSTWA SPRZEDAŻY ZASOBU MIESZKANIOWEGO
ZASTOSOWANIE REGRESJI LOGISTYCZNEJ DO OKREŚLENIA PRAWDOPODOBIEŃSTWA SPRZEDAŻY ZASOBU MIESZKANIOWEGO Łukasz MACH Strszczni: W artykul przdstawiono procs budowy modlu rgrsji logistycznj, którgo clm jst wspomagani
Bardziej szczegółowoSieci neuronowe - uczenie
Sici nuronow - uczni http://zajcia.jakubw.pl/nai/ Prcptron - przypomnini x x x n w w w n wi xi θ y w p. p. y Uczni prcptronu Przykład: rozpoznawani znaków 36 wjść Wyjści:, jśli na wjściu pojawia się litra
Bardziej szczegółowoFunkcja nieciągła. Typy nieciągłości funkcji. Autorzy: Anna Barbaszewska-Wiśniowska
Funkcja niciągła. Typy niciągłości funkcji Autorzy: Anna Barbaszwska-Wiśniowska 2018 Funkcja niciągła. Typy niciągłości funkcji Autor: Anna Barbaszwska-Wiśniowska DEFINICJA Dfinicja 1: Funkcja niciągła
Bardziej szczegółowoJEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY
JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY Będziemy zapisywać wektory w postaci (,, ) albo traktując go jak macierz jednokolumnową (dzięki temu nie będzie kontrowersji przy transponowaniu wektora ) Model
Bardziej szczegółowoRachunek Prawdopodobieństwa MAP1064, 2008/09
1 Rachunk Prawdopodobiństwa MAP1064, 008/09 Wydział Elktroniki Wykładowca: dr hab. Agniszka Jurlwicz Listy zadań nr 10-1 Opracowani: dr hab. Agniszka Jurlwicz Litratura: [1] A. Plucińska, E. Pluciński,
Bardziej szczegółowoElektroniczne systemy bezpieczeństwa mogą występować w trzech rodzajach struktur. Są to struktury typu: - skupionego, - rozproszonego, - mieszanego.
A. Cl ćwicznia Clm ćwicznia jst zapoznani się z wskaźnikami nizawodnościowymi lktronicznych systmów bzpiczństwa oraz wykorzystanim ich do optymalizacji struktury nizawodnościowj systmu.. Część tortyczna
Bardziej szczegółowoCHARAKTERYSTYKA OBCIĄŻENIOWA
Opracowani: dr inż. Ewa Fudalj-Kostrzwa CHARAKTERYSTYKA OBCIĄŻENIOWA Charaktrystyki obciążniow są wyznaczan w ramach klasycznych statycznych badań silników zarówno dla silników o zapłoni iskrowym jak i
Bardziej szczegółowo- Jeśli dany papier charakteryzuje się wskaźnikiem beta równym 1, to premia za ryzyko tego papieru wartościowego równa się wartości premii rynkowej.
Śrdni waŝony koszt kapitału (WACC) Spółki mogą korzystać z wilu dostępnych na rynku źródł finansowania: akcj zwykł, kapitał uprzywiljowany, krdyty bankow, obligacj, obligacj zaminn itd. W warunkach polskich
Bardziej szczegółowoRozwiązanie równania różniczkowego MES
Rozwiązani równania różniczkowgo MES Jrzy Pamin -mail: jpamin@l5.pk.du.pl Instytut Tchnologii Informatycznych w Inżynirii Lądowj Wydział Inżynirii Lądowj Politchniki Krakowskij Strona domowa: www.l5.pk.du.pl
Bardziej szczegółowoWPŁYW STÓP PROCENTOWYCH W USA I W STREFIE EURO NA STOPY PROCENTOWE W POLSCE I. STOPY PROCENTOWE W GOSPODARCE OTWARTEJ.
Ewa Czapla Instytut Ekonomii i Zarządzania Politchnika Koszalińska WPŁYW STÓP PROCENTOWYCH W USA I W STREFIE EURO NA STOPY PROCENTOWE W POLSCE I. STOPY PROCENTOWE W GOSPODARCE OTWARTEJ. Stopy procntow
Bardziej szczegółowoAnaliza danych jakościowych
Analiza danych jakościowych Ccha ciągła a ccha dyskrtna! Ciągła kg Dyskrtna Cchy jakościow są to cchy, których jdnoznaczn i oczywist scharaktryzowani za pomocą liczb jst nimożliw lub bardzo utrudnion.
Bardziej szczegółowoTemat: Pochodna funkcji. Zastosowania
Tmat: Pochodna funkcji. Zastosowania A n n a R a j f u r a, M a t m a t y k a s m s t r, W S Z i M w S o c h a c z w i Kody kolorów: Ŝółty now pojęci pomarańczowy uwaga A n n a R a j f u r a, M a t m a
Bardziej szczegółowoAutor: Dariusz Piwczyński :07
Autor: Dariusz Piwczyński 011-1-01 14:07 Analiza danych jakościowych tsty opart o statystykę χ. Cchy jakościow są to cchy, których jdnoznaczn i oczywist scharaktryzowani za pomocą liczb jst nimożliw lub
Bardziej szczegółowo2. Architektury sztucznych sieci neuronowych
- 8-2. Architktury sztucznych sici nuronowych 2.. Matmatyczny modl nuronu i prostj sici nuronowj Sztuczn sici nuronow są modlami inspirowanymi przz strukturę i zachowani prawdziwych nuronów. Podobni jak
Bardziej szczegółowoZASTOSOWANIA POCHODNEJ
ZASTOSOWANIA POCODNEJ Ruła d l'ospitala. Nich, - różniczkowa w pwnym sąsidztwi punktu oraz lub istnij skończona lub niwłaściwa ranica wtdy Uwaa. Powyższ twirdzni jst równiż prawdziw dla ranic jdnostronnych
Bardziej szczegółowoAnaliza wybranych własności rozkładu reszt
Analiza wybranych własności rozkładu rsz Poprawni skonsruowany i oszacowany modl, kóry nasępni ma być wykorzysany do clów analizy i prdykcji, poza wysokim sopnim odzwircidlania zmian warości mpirycznych
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 szczegółowoWykład VIII: Odkształcenie materiałów - właściwości sprężyste
Wykład VIII: Odkształcni matriałów - właściwości sprężyst JERZY LI Wydział Inżynirii Matriałowj i ramiki Katdra Tchnologii ramiki i Matriałów Ogniotrwałych Trść wykładu: 1. Właściwości matriałów wprowadzni
Bardziej szczegółowoTermodynamika. Część 10. Elementy fizyki statystycznej klasyczny gaz doskonały. Janusz Brzychczyk, Instytut Fizyki UJ
Trodynaika Część 1 Elnty fizyki statystycznj klasyczny gaz doskonały Janusz Brzychczyk, Instytut Fizyki UJ Użytczn całki ax2 dx = 1 2 a x ax2 dx = 1 2a ax2 dx = a a x 2 ax2 dx = 1 4a a x 3 ax2 dx = 1 2a
Bardziej szczegółowoPrzykład 1 modelowania jednowymiarowego przepływu ciepła
Przykład 1 modlowania jdnowymiarowgo przpływu cipła 1. Modl przpływu przz ścianę wilowarstwową Ściana składa się trzch warstw o różnych grubościach wykonana z różnych matriałów. Na jdnj z ścian zwnętrznych
Bardziej szczegółowoPerspektywy rozwoju rolnictwa ekologicznego w Polsce
Anna urczak Zachodniopomorska Szkoła Biznsu w Szczcini Prspktywy rozwoju rolnictwa kologiczngo w Polsc Strszczni W artykul wyjaśniono istotę rolnictwa kologiczngo Następni szczgółowo omówiono zasady, na
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 szczegółowoEkonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 23 marca 2006
, transformacja liniowa i estymacja modelu KMNK Paweł Cibis pcibis@o2.pl 23 marca 2006 1 Miary dopasowania modelu do danych empirycznych Współczynnik determinacji Współczynnik zbieżności 2 3 Etapy transformacji
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 szczegółowoWprowadzenie Nieparametryczne metody analizy widmowej: periodogram (Schustera) i periodogram ważony Literatura uzupełniająca z analizy widmowej
LIZ WIDMOW Wprowadzni iparamtryczn mtody analizy widmowj: priodogram (Schustra) i priodogram ważony Litratura uzupłniająca z analizy widmowj Ewa Hrmanowicz, p.6, konsultacj: ponidziałk godz. :3 do 5:3,
Bardziej szczegółowot y x y'y x'x y'x x-x śr (x-x śr)^2
Na podstawie:w.samuelson, S.Marks Ekonomia menedżerska Zadanie 1 W przedsiębiorstwie toczy się dyskusja na temat wpływu reklamy na wielkość. Dział marketingu uważa, że reklama daje wysoce pozytywne efekty,
Bardziej szczegółowoZakład Ubezpieczeń Społecznych Departament Zamówień Publicznych ul. Szamocka 3, 5, 01-748 Warszawa tel: 22 667 17 04, fax: 22 667 17 33
Zakład Ubzpiczń Społcznych Dpartamnt Zamówiń Publicznych ul. Szamocka 3, 5, 01-748 Warszawa tl: 22 667 17 04, fax: 22 667 17 33 993200/271/IN- 268/15 Warszawa, dnia 19.03.2015 r. Informacja dla Wykonawców,
Bardziej szczegółowoQ n. 1 1 x. el = i. L [m] q [kn/m] P [kn] E [kpa], A [m 2 ] n-1 n. Sławomir Milewski
Ćwiczni a: Statyka rozciągango pręta - intrpolacja liniowa Dany jst pręt o długości L, zamocowany na lwym końcu, obciążony w sposób jdnorodny ciągły (obciążni q) i skupiony (siła P na prawym swobodnym
Bardziej szczegółowoStatystyka. Wykład 9. Magdalena Alama-Bućko. 24 kwietnia Magdalena Alama-Bućko Statystyka 24 kwietnia / 34
Statystyka Wykład 9 Magdalena Alama-Bućko 24 kwietnia 2017 Magdalena Alama-Bućko Statystyka 24 kwietnia 2017 1 / 34 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia
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 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 szczegółowoPROTOKÓŁ POMIAROWY LABORATORIUM OBWODÓW I SYGNAŁÓW ELEKTRYCZNYCH Grupa Podgrupa Numer ćwiczenia
PROTOKÓŁ POMAROWY LABORATORM OBWODÓW SYGNAŁÓW ELEKTRYCNYCH Grupa Podgrupa Numr ćwicznia 4 Nazwisko i imię Data wykonania ćwicznia Prowadzący ćwiczni 3. Podpis 4. Data oddania 5. sprawozdania Tmat CWÓRNK
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 szczegółowoMetoda Elementów Skończonych w Modelowaniu Układów Mechatronicznych. Układy prętowe (Scilab)
Mtoda Elmntów Skończonych w Modlowaniu Układów Mchatronicznych Układy prętow (Scilab) str.1 I. MES 1D układy prętow. Podstawow informacj Istotą mtody lmntów skończonych jst sposób aproksymacji cząstkowych
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 szczegółowoGranica funkcji - Lucjan Kowalski GRANICA FUNKCJI
GRANICA FUNKCJI Granica uncji. - dowolna liczba rzczywista. O, = - ; + - otoczni liczby puntu o prominiu, S, = - ;, + - sąsidztwo liczby puntu o prominiu, Nich uncja będzi orślona w sąsidztwi puntu, g
Bardziej szczegółowoAnaliza współzależności zjawisk
Analiza współzależności zjawisk Informacje ogólne Jednostki tworzące zbiorowość statystyczną charakteryzowane są zazwyczaj za pomocą wielu cech zmiennych, które nierzadko pozostają ze sobą w pewnym związku.
Bardziej szczegółowoZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 760 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 59 2013
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 760 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 59 2013 KAROL MAREK KLIMCZAK SYMULACJA FINANSOWA SPÓŁKI ZA POMOCĄ MODELU ZYSKU REZYDUALNEGO Słowa kluczow:
Bardziej szczegółowo16, zbudowano test jednostajnie najmocniejszy dla weryfikacji hipotezy H
Zada Zakładając, ż zm losow,,, 6 są zalż mają rozkłady ormal ~ N( m, ),,, 6, zbudowao tst jdostaj ajmocjszy dla wryfkacj hpotzy H 0 : m 0 przy altratyw H : m 0 a pozom stotośc 0,05 W rzczywstośc okazało
Bardziej szczegółowolim lim 4) lim lim lim lim lim x 3 e e lim lim x lim lim 2 lim lim lim Zadanie 1 Wyznacz dziedziny następujących funkcji: log x x 6x
Tmat : Funkcj jdnj zminnj Zadani Wyznacz dzidziny następujących funkcji: ) f ) f 5) log 6 ) f ) f 7 Zadani Oblicz granic funkcji: log f 5 6) f 7 8 ) ) ) 8 7 ) 5) 6) 7) 8) 9) 5 5 7 7 7 6 0) 6 ) ) 9) 0)
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 szczegółowo3. Modele tendencji czasowej w prognozowaniu
II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa
Bardziej szczegółowon=0 (n + r)a n x n+r 1 (n + r)(n + r 1)a n x n+r 2. Wykorzystując te obliczenia otrzymujemy, że lewa strona równania (1) jest równa
Równanie Bessela Będziemy rozważać następujące równanie Bessela x y xy x ν )y 0 ) gdzie ν 0 jest pewnym parametrem Rozwiązania równania ) nazywamy funkcjami Bessela rzędu ν Sprawdzamy, że x 0 jest regularnym
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 szczegółowo4) lim. lim. lim. lim. lim. x 3. e e. lim. lim x. lim. lim. lim. lim 2. lim. lim. lim. Zadanie 1 Wyznacz dziedziny następujących funkcji: log x.
Zastosowania matmatyki w konomii Tmat : Funkcj jdnj zminnj Zadani Wyznacz dzidziny następujących funkcji: ) f ) f 5) log 6 ) f ) f 7 Zadani Oblicz granic funkcji: log f 5 6) f 7 8 ) ) ) 8 7 ) 5) 6) 7)
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 szczegółowoStatystyka. Wykład 8. Magdalena Alama-Bućko. 10 kwietnia Magdalena Alama-Bućko Statystyka 10 kwietnia / 31
Statystyka Wykład 8 Magdalena Alama-Bućko 10 kwietnia 2017 Magdalena Alama-Bućko Statystyka 10 kwietnia 2017 1 / 31 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia
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 szczegółowoWykład 3 Równania rózniczkowe cd
7 grudnia 2010 Definicja Równanie różniczkowe dy dx + p (x) y = q (x) (1) nazywamy równaniem różniczkowym liniowym pierwszego rzędu. Jeśli q (x) 0, to równanie (1) czyli równanie dy dx + p (x) y = 0 nazywamy
Bardziej szczegółowoFarmakokinetyka furaginy jako przykład procesu pierwszego rzędu w modelu jednokompartmentowym zawierającym sztuczną nerkę jako układ eliminujący lek
1 Matriał tortyczny do ćwicznia dostępny jst w oddzilnym dokumnci, jak równiż w książc: Hrmann T., Farmakokintyka. Toria i praktyka. Wydawnictwa Lkarski PZWL, Warszawa 2002, s. 13-74 Ćwiczni 6: Farmakokintyka
Bardziej szczegółowoEKONOMETRIA. Prof. dr hab. Eugeniusz Gatnar.
EKONOMETRIA Prof. dr hab. Eugeniusz Gatnar egatnar@mail.wz.uw.edu.pl Sprawy organizacyjne Wykłady - prezentacja zagadnień dotyczących: budowy i weryfikacji modelu ekonometrycznego, doboru zmiennych, estymacji
Bardziej szczegółowoPOLITECHNIKA ŚLĄSKA W GLIWICACH WYDZIAŁ MECHANICZNY TECHNOLOGICZNY. Optymalizacja układów powierzchniowych z wykorzystaniem algorytmów ewolucyjnych
POLITECHNIKA ŚLĄSKA W GLIWICACH WYDZIAŁ MECHANICZNY TECHNOLOGICZNY Katdra Wytrzymałości Matriałów i Mtod Komputrowych Mchaniki Rozprawa doktorska Tytuł: Optymalizacja układów powirzchniowych z wykorzystanim
Bardziej szczegółowoMetody Ilościowe w Socjologii
Metody Ilościowe w Socjologii wykład 2 i 3 EKONOMETRIA dr inż. Maciej Wolny AGENDA I. Ekonometria podstawowe definicje II. Etapy budowy modelu ekonometrycznego III. Wybrane metody doboru zmiennych do modelu
Bardziej szczegółowoX, K, +, - przestrzeń wektorowa
Zmiaa bazy przstrzi wktorowj Diicja 1. X, K, +, - przstrzń wktorowa ad ciałm K ( (,,..., ),,..., ) - owa baza - stara baza Macirzą przjścia P od do azywamy macirz odwzorowaia Idtyczościowgo P przstrzi
Bardziej szczegółowoRegresja i Korelacja
Regresja i Korelacja Regresja i Korelacja W przyrodzie często obserwujemy związek między kilkoma cechami, np.: drzewa grubsze są z reguły wyższe, drewno iglaste o węższych słojach ma większą gęstość, impregnowane
Bardziej szczegółowoMODELE POPYTU KONSUMPCYJNEGO DLA BRANŻ PIWOWARSKIEJ I SPIRYTUSOWEJ
Michał Purczyński * MODELE POPYTU KONSUMPCYJNEGO DLA BRANŻ PIWOWARSKIEJ I SPIRYTUSOWEJ Wstęp Tmatyka modli popytu konsumpcyjngo dla branż piwowarskij i spirytusowj jst szroko obcna w litraturz polskij
Bardziej szczegółowoMirosława Jastrząb-Mrozicka Wskaźnik skolaryzacji
Wskaźnik skolaryzacji 89 Mirosława Jastrząb-Mrozicka Wskaźnik skolaryzacji Autorka pokazuj, ja k - w zalżności od przyjętj mtody pomiaru - otrzymuj się zróżniwan wilkości tzw. wskaźnika skolaryzacji, inaczj
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 szczegółowoZagadnienie statyki kratownicy płaskiej
Zagadnini statyki kratownicy płaskij METODY OBLICZENIOWE Budownictwo, studia I stopnia, smstr 6 Instytut L-5, Wydział Inżynirii Lądowj, Politchnika Krakowska Ewa Pabisk () Równania MES dla ustrojów prętowych
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 szczegółowoWeryfikacja modelu. ( ) Założenia Gaussa-Markowa. Związek pomiędzy zmienną objaśnianą a zmiennymi objaśniającymi ma charakter liniowy
Wryfkacja modlu. Założa Gaussa-Markowa Zwązk pomędzy zmą objaśaą a zmym objaśającym ma charaktr lowy x, x,, K x k Wartośc zmych objaśających są ustalo ( są losow ε. Składk losow dla poszczgólych wartośc
Bardziej szczegółowocos(ωt) ω ( ) 1 cos ω sin(ωt)dt = sin(ωt) ω cos(ωt)dt i 1 = sin ω i ( 1 cos ω ω 1 e iωt dt = e iωt iω II sposób: ˆf(ω) = 1 = e iω 1 = i(e iω 1) i ω
Rachunk prawdopodobiństwa MAP6 Wydział Elktroniki, rok akad. 8/9, sm. ltni Wykładowca: dr hab. A. Jurlwicz Przykłady do listy : Transformata Fourira Przykłady do zadania. : Korzystając z dfinicji wyznaczyć
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. Zajęcia
Ekonometria Zajęcia 16.05.2018 Wstęp hipoteza itp. Model gęstości zaludnienia ( model gradientu gęstości ) zakłada, że gęstość zaludnienia zależy od odległości od okręgu centralnego: y t = Ae βx t (1)
Bardziej szczegółowoLaboratorium Półprzewodniki Dielektryki Magnetyki Ćwiczenie nr 11 Badanie materiałów ferromagnetycznych
Laboratorium Półprzwodniki Dilktryki Magntyki Ćwiczni nr Badani matriałów frromagntycznych I. Zagadninia do przygotowania:. Podstawow wilkości charaktryzując matriały magntyczn. Związki pomiędzy B, H i
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 szczegółowoWYKŁAD 5 TEORIA ESTYMACJI II
WYKŁAD 5 TEORIA ESTYMACJI II Teoria estymacji (wyznaczanie przedziałów ufności, błąd badania statystycznego, poziom ufności, minimalna liczba pomiarów). PRÓBA Próba powinna być reprezentacyjna tj. jak
Bardziej szczegółowoRównania różniczkowe liniowe wyższych rzędów o stałych współcz
Równania różniczkowe liniowe wyższych rzędów o stałych współczynnikach Katedra Matematyki i Ekonomii Matematycznej SGH 12 maja 2016 Równanie liniowe n-tego rzędu Definicja Równaniem różniczkowym liniowym
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 szczegółowoWspółczynnik korelacji. Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ
Współczynnik korelacji Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ Własności współczynnika korelacji 1. Współczynnik korelacji jest liczbą niemianowaną 2. ϱ 1,
Bardziej szczegółowoOptymalizacja reguł przejścia systemu bonus-malus
Optymalizaca rguł przścia systmu onus-malus Dr Marcin Topolwski Dr Michał Brnardlli Instytut Ekonomtrii Szkoła Główna Handlowa w Warszawi Plan: Inspiraca, motywaca, cl i zakrs adania Ryzyko Systm onus-malus
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 szczegółowoEkonometria. Modele regresji wielorakiej - dobór zmiennych, szacowanie. Paweł Cibis pawel@cibis.pl. 1 kwietnia 2007
Modele regresji wielorakiej - dobór zmiennych, szacowanie Paweł Cibis pawel@cibis.pl 1 kwietnia 2007 1 Współczynnik zmienności Współczynnik zmienności wzory Współczynnik zmienności funkcje 2 Korelacja
Bardziej szczegółowoEkscytony Wanniera Motta
ozpatrzmy oddziaływani lktronu o wktorz falowym bliskim minimum pasma przwodnictwa oraz dziury z obszaru blisko wirzcołka pasma walncyjngo. Zakładamy, ż oba pasma są sfryczni symtryczn, a ic kstrma znajdują
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 szczegółowoZASTOSOWANIE METODY GRAFÓW WIĄZAŃ DO MODELOWANIA PRACY ZESPOŁU PRĄDOTWÓRCZEGO W SIŁOWNI OKRĘTOWEJ
Chybowski L. Grzbiniak R. Matuszak Z. Maritim Acadmy zczcin Poland ZATOOWANIE METODY GRAFÓW WIĄZAŃ DO MODELOWANIA PRACY ZEPOŁU PRĄDOTWÓRCZEGO W IŁOWNI OKRĘTOWEJ ummary: Papr prsnts issus of application
Bardziej szczegółowoStatystyka. Wykład 9. Magdalena Alama-Bućko. 7 maja Magdalena Alama-Bućko Statystyka 7 maja / 40
Statystyka Wykład 9 Magdalena Alama-Bućko 7 maja 2018 Magdalena Alama-Bućko Statystyka 7 maja 2018 1 / 40 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia miary
Bardziej szczegółowoPOLITECHNIKA GDAŃSKA Wydział Elektrotechniki i Automatyki Katedra Energoelektroniki i Maszyn Elektrycznych LABORATORIUM
POLITECHNIKA GDAŃSKA Wydział Elktrotchniki i Automatyki Katdra Enrgolktroniki i Maszyn Elktrycznych LABORATORIUM SYSTEMY ELEKTROMECHANICZNE TEMATYKA ĆWICZENIA MASZYNA SYNCHRONICZNA BADANIE PRACY W SYSTEMIE
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 szczegółowoFizyka promieniowania jonizującego. Zygmunt Szefliński
Fizyka prominiowania jonizującgo ygmunt Szfliński 1 Wykład 10 Rozpady Rozpady - warunki nrgtyczn Ściżka stabilności Nad ściżką znajdują się jądra prominiotwórcz, ulgając rozpadowi -, zaś pod nią - jądra
Bardziej szczegółowoModele wczesnego ostrzegania przed kryzysami walutowymi zastosowania dla Polski *
4 Makrokonomia BANK I KREDYT wrzsiƒ 2005 Modl wczsngo ostrzgania przd kryzysami walutowymi zastosowania dla Polski * Dobromi Srwa 1. Wprowadzni * WczÊnijszych obliczƒ, dotyczàcych analizy sygna owj, dokona
Bardziej szczegółowoTeoretyczne podstawy analizy indeksowej klasyfikacja indeksów, konstrukcja, zastosowanie
Teoretyczne podstawy analizy indeksowej klasyfikacja indeksów, konstrukcja, zastosowanie Szkolenie dla pracowników Urzędu Statystycznego nt. Wybrane metody statystyczne w analizach makroekonomicznych dr
Bardziej szczegółowoTEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.
TEST STATYSTYCZNY Testem statystycznym nazywamy regułę postępowania rozstrzygająca, przy jakich wynikach z próby hipotezę sprawdzaną H 0 należy odrzucić, a przy jakich nie ma podstaw do jej odrzucenia.
Bardziej szczegółowoUkłady równań i równania wyższych rzędów
Rozdział Układy równań i równania wyższych rzędów Układy równań różniczkowych zwyczajnych Wprowadzenie W poprzednich paragrafach zajmowaliśmy się równaniami różniczkowymi y = f(x, y), których rozwiązaniem
Bardziej szczegółowoEkonometria. Regresja liniowa, dobór postaci analitycznej, transformacja liniowa. Paweł Cibis 24 marca 2007
Regresja liniowa, dobór postaci analitycznej, transformacja liniowa Paweł Cibis pawel@cibis.pl 24 marca 2007 1 Regresja liniowa 2 Metoda aprioryczna Metoda heurystyczna Metoda oceny wzrokowej rozrzutu
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 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 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 szczegółowo1. Znaczenie oczekiwań inflacyjnych dla banku centralnego
Tomasz Łyziak BADANIE OCZEKIWAŃ INFLACYJNYCH PODMIOTÓW INDYWIDUALNYCH NA PODSTAWIE ANKIET JAKOŚCIOWYCH Oczkiwania inflacyjn są bardzo istotnym czynnikim branym pod uwagę przz bank cntralny w prowadzonj
Bardziej szczegółowoAutomatyzacja Procesów Przemysłowych
Automatyzacja Procsów Przmysłowych Tmat: Układ rgulacji zamknięto-otwarty Zspół: Kirunk i grupa: Data: Mikuś Marcin Mizra Marcin Łochowski Radosław Politowski Dariusz Szymański Zbigniw Piwowarski Przmysław
Bardziej szczegółowoDYNAMICZNA ELIMINACJA DRGAŃ MECHANICZNYCH
LABORATORIUM DYNAMIKI MASZYN Wydział Budowy Maszyn i Zarządzania Instytut Mchaniki Stosowanj Zakład Wibroakustyki i Bio-Dynamiki Systmów Ćwiczni nr 3 Cl ćwicznia: DYNAMICZNA ELIMINACJA DRGAŃ MECHANICZNYCH
Bardziej szczegółowoEkonometria. Model nieliniowe i funkcja produkcji. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Model nieliniowe i funkcja produkcji Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 7 i funkcja produkcji 1 / 23 Agenda 1 2 3 Jakub Mućk Ekonometria Wykład 7 i funkcja
Bardziej szczegółowoKomitet Główny Olimpiady Fizycznej, Waldemar Gorzkowski: Olimpiady fizyczne XXIII i XXIV. WSiP, Warszawa 1977.
XXV OLMPADA FZYCZNA (1974/1975). Stopiń, zadani doświadczaln D Źródło: Nazwa zadania: Działy: Słowa kluczow: Komitt Główny Olimpiady Fizycznj, Waldmar Gorzkowski: Olimpiady fizyczn XX i XXV. WSiP, Warszawa
Bardziej szczegółowoSTUDIA I STOPNIA EGZAMIN Z EKONOMETRII
NAZWISKO IMIĘ Nr albumu Nr zestawu Zadanie 1. Dana jest macierz Leontiefa pewnego zamkniętego trzygałęziowego układu gospodarczego: 0,64 0,3 0,3 0,6 0,88 0,. 0,4 0,8 0,85 W okresie t stosunek zuŝycia środków
Bardziej szczegółowo