Projekt z Ekonometrii Dynamicznej
|
|
- Magda Podgórska
- 7 lat temu
- Przeglądów:
Transkrypt
1 Projekt z Ekonometrii Dynamicznej Tomasz Tymecki L.p. Nazwa 1 KGHM 2 ORBIS 3 FERRUM 4 VISTULA 5 BORYSZEW 6 MOSTOSTALZAB 7 BYTOM 8 FORTE 9 PRÓCHNIK 1 ŻYWIEC 11 Indeks WIG 12 Indeks WIG2
2 Spis treści I. Analiza szeregów czasowych logarytmicznych stóp zwrotu wybranych 1 spółek + 2 indeksów GPW w Warszawie S.A. w okresie od stycznia 1998 do września 211 roku Wstęp Wykresy oraz podstawowe statystyki opisowe logarytmicznych stóp zwrotu w ujęciu dziennym 5 3. Podstawowe statystyki opisowe Macierz korelacji między szeregami Korelogramy Weryfikacja hipotezy o stacjonarności szeregów czasowych Weryfikacja hipotez o braku autokorelacji i normalności rozkładu. Dzienne Weryfikacja hipotez o braku autokorelacji i normalności rozkładu. Miesięczne Weryfikacja hipotez o braku autokorelacji i normalności rozkładu. Kwartalne... 1 II. Identyfikacja modelu ARMA/ARIMA WIG TABELA Z WYNIKAMI MODELI ARMA Model ARMA (,1) Prognoza 5 dniowa WIG TABELA Z WYNIKAMI MODELI ARMA MODEL ARMA ( 2,2 ) PROGNOZA 5 DNIOWA KGHM TABELA Z WYNIKAMI MODELI ARMA MODEL ARMA (,1 ) PROGNOZA 5 DNIOWA ORBIS TABELA Z WYNIKAMI MODELI ARMA MODEL ARMA ( 1,1 ) PROGNOZA 5 DNIOWA FERRUM TABELA Z WYNIKAMI MODELI ARMA MODEL ARMA (,1 ) PROGNOZA 5 DNIOWA VISTULA TABELA Z WYNIKAMI MODELI ARMA MODEL ARMA ( 2,2 )... 18
3 PROGNOZA 5 DNIOWA BORYSZEW TABELA Z WYNIKAMI MODELI ARMA MODEL ARMA ( 2, ) PROGNOZA 5 DNIOWA MOSTOSTALZAB... 2 TABELA Z WYNIKAMI MODELI ARMA... 2 MODEL ARMA (,1 ) PROGNOZA 5 DNIOWA BYTOM TABELA Z WYNIKAMI MODELI ARMA MODEL ARMA ( 1,1 ) PROGNOZA 5 DNIOWA FORTE TABELA Z WYNIKAMI MODELI ARMA MODEL ARMA ( 2,1 ) PROGNOZA 5 DNIOWA PRÓCHNIK TABELA Z WYNIKAMI MODELI ARMA MODEL ARMA ( 1,1 ) PROGNOZA 5 DNIOWA ŻYWIEC TABELA Z WYNIKAMI MODELI ARMA MODEL ARMA ( 2,2 ) PROGNOZA 5 DNIOWA III. Testowanie efektu ARCH w resztach z modelu ARMA/ARIMA IV. Modele GARCH WIG KGHM ORBIS FERRUM... 3 VISTULA BORYSZEW MOSTOSTALZAB BYTOM FORTE... 35
4 PROCHNIK ŻYWIEC Bibliografia... 39
5 I. Analiza szeregów czasowych logarytmicznych stóp zwrotu wybranych 1 spółek + 2 indeksów GPW w Warszawie S.A. w okresie od stycznia 1998 do września 211 roku. 1. Wstęp Korzystamy z transformacji logarytmicznej, gdyż umożliwia ona liniowe przekształcenia i bezpośrednie stosowanie klasycznych narzędzi opisu statystycznego, np. momenty zwykłe i centralne. Z uwagi na własności funkcji logarytmicznej, rosnącej coraz wolniej, stopy logarytmiczne są nie większe niż zwykłe stopy zwrotu. Logarytmowanie szeregów cen stabilizuje wariancję elementów tego szeregu, zatem stopy logarytmiczne co do modułu są nie większe niż stopy zwykłe obliczane na pierwotnych wyrazach szeregu cen. Obserwując logarytmiczne stopy zwrotu, można zauważyć pewną symetrię wzrostów i spadków, czyli wartości ruchów cen zamknięcia w dół i w górę co do wartości bezwzględnej są podobne. W badanym okresie wystąpiły splity następujących spółek: Data Spółka Wysokość VISTULA 1: BORYSZEW 1: BORYSZEW 1: BYTOM 1:1 2. Wykresy oraz podstawowe statystyki opisowe logarytmicznych stóp zwrotu w ujęciu dziennym,4,2 -,2 RWIG RWIG2 RKGHM RORBIS RFERRUM RVISTULA RBORYSZEW RMOSTALZAB RBYTOM RFORTE RPROCHNIK RZYWIEC -,4 -,6 -,8-1 -1,2-1,
6 3. Podstawowe statystyki opisowe Statystyki opisowe, wykorzystane obserwacje 1998/1/5-211/9/3 -,1 -,8 -,6 -,4 -,2,2,4,6, RWIG -,12 -,1 -,8 -,6 -,4 -,2,2,4,6,8, RWIG2 -,25 -,2 -,15 -,1 -,5,5,1,15, RKGHM -,2 -,15 -,1 -,5,5,1, RORBIS -,6 -,5 -,4 -,3 -,2 -,1,1,2,3, RFERRUM -,3 -,2 -,1,1,2,3, RVISTULA -1,4-1,2-1 -,8 -,6 -,4 -,2,2, RBORYSZEW -,4 -,3 -,2 -,1,1,2, RMOSTALZAB -,4 -,3 -,2 -,1,1,2,3, RBYTOM -,25 -,2 -,15 -,1 -,5,5,1,15, RFORTE -,3 -,2 -,1,1,2,3, RPROCHNIK -,15 -,1 -,5,5,1, RZYWIEC
7 (obserwacje z brakującymi danymi będą pominięte) Średnia Mediana Minimalna Maksymalna RWIG,27376, ,99741,78933 RWIG2, ,579e-5 -,1449,96 RKGHM,6614, -,23624,17693 RORBIS,2153, -,15558,14497 RFERRUM 4,279e-5, -,5629,33244 RVISTULA -1,7614e-5, -,24512,33968 RBORYSZEW -,44183, -1,3895,28141 RMOSTALZAB -,82636, -,32229,23974 RBYTOM -,1573, -,37156,33999 RFORTE -,164, -,21892,16687 RPROCHNIK -,1156, -,28768,35282 RZYWIEC,2522, -,1536,1315 Odch. Stand.Wsp. zmienności Skośność Kurtoza RWIG, ,35 -,3156 3,997 RWIG2, ,86 -,241 2,6454 RKGHM, ,831 -,2821 3,796 RORBIS, ,91, ,4843 RFERRUM, ,9 -, ,336 RVISTULA, ,3,5836 9,2845 RBORYSZEW, ,5-12, ,2 RMOSTALZAB, ,87 -, ,8416 RBYTOM, ,27 -,2957 7,655 RFORTE, ,94 -,1674 4,9594 RPROCHNIK, ,577, ,5783 RZYWIEC, ,55,281 6, Macierz korelacji między szeregami WIG WIG2 KGHM ORBIS FERRUM VISTULA BORYSZEW MOSTALZAB BYTOM FORTE PROCHNIK ZYWIEC WIG 1,837,6784,466,2116,2892,1936,3785,1249,2777,2234,2535 WIG2,837 1,6498,424,165,2263,1646,3223,898,1911,1728,1962 KGHM,6784,6498 1,327,129,1966,1789,2614,623,1781,1447,176 ORBIS,466,424,327 1,1316,1692,912,271,68,1378,18,1241 FERRUM,2116,165,129,1316 1,189,72,1228,36,1118,131,688 VISTULA,2892,2263,1966,1692,189 1,546,1744,849,195,1296,795 BORYSZEW,1936,1646,1789,912,72,546 1,198,478,944,572,657 MOSTALZAB,3785,3223,2614,271,1228,1744,198 1,442,1627,1568,994 BYTOM,1249,898,623,68,36,849,478,442 1,419,986,56 FORTE,2777,1911,1781,1378,1118,195,944,1627,419 1,655,782 PROCHNIK,2234,1728,1447,18,131,1296,572,1568,986,655 1,86 ZYWIEC,2535,1962,176,1241,688,795,657,994,56,782,86 1
8 5. Korelogramy ACF dla zmiennej RWIG ACF dla zmiennej RWIG2,1 +- 1,96/T^,5,6,4 +- 1,96/T^,5,5,2 -,5 -,2 -, ,4 -, PACF dla zmiennej RWIG PACF dla zmiennej RWIG2,1 +- 1,96/T^,5,6,4 +- 1,96/T^,5,5,2 -,5 -,2 -, ,4 -, ACF dla zmiennej RKGHM ACF dla zmiennej RORBIS,6,4 +- 1,96/T^,5,6,4 +- 1,96/T^,5,2,2 -,2 -,2 -,4 -,4 -, , PACF dla zmiennej RKGHM PACF dla zmiennej RORBIS,6,4 +- 1,96/T^,5,6,4 +- 1,96/T^,5,2,2 -,2 -,2 -,4 -,4 -, , ACF dla zmiennej RFERRUM ACF dla zmiennej RVISTULA,6,4 +- 1,96/T^,5,6,4 +- 1,96/T^,5,2,2 -,2 -,4 -, ,2 -,4 -, PACF dla zmiennej RFERRUM PACF dla zmiennej RVISTULA,6,4 +- 1,96/T^,5,6,4 +- 1,96/T^,5,2,2 -,2 -,4 -, ,2 -,4 -, ACF dla zmiennej RBORYSZEW ACF dla zmiennej RMOSTALZAB,6,4 +- 1,96/T^,5,1 +- 1,96/T^,5,2,5 -,2 -,5 -,4 -, , PACF dla zmiennej RBORYSZEW PACF dla zmiennej RMOSTALZAB,6,4 +- 1,96/T^,5,1 +- 1,96/T^,5,2,5 -,2 -,5 -,4 -, ,
9 ACF dla zmiennej RBYTOM ACF dla zmiennej RFORTE,15,1 +- 1,96/T^,5,8,6,4 +- 1,96/T^,5,5,2 -,5 -,1 -, ,2 -,4 -,6 -, PACF dla zmiennej RBYTOM PACF dla zmiennej RFORTE,15,1 +- 1,96/T^,5,8,6,4 +- 1,96/T^,5,5,2 -,5 -,1 -, ,2 -,4 -,6 -, ACF dla zmiennej RPROCHNIK,1 +- 1,96/T^,5,5 -,5 -, ACF dla zmiennej RZYWIEC,8 +- 1,96/T^,5,6,4,2 -,2 -,4 -,6 -, PACF dla zmiennej RPROCHNIK,1 +- 1,96/T^,5,5 -,5 -, PACF dla zmiennej RZYWIEC,8 +- 1,96/T^,5,6,4,2 -,2 -,4 -,6 -, Weryfikacja hipotezy o stacjonarności szeregów czasowych Nazwa Wartości testów ADF KPSS KGHM 4,54e-51,7686 ORBIS 2,77e-51, FERRUM 2,68e-44,1669 VISTULA 9,86e-51, BORYSZEW 3,46e-5, MOSTOSTALZAB 1,7e-51, BYTOM 3,14e-52,27741 FORTE 3,38e-52,16468 PRÓCHNIK 8,57e-52,29459 ŻYWIEC 1,89e-51,73829 Indeks WIG 5,223e-42,11318 Indeks WIG2 1,57e-43,77146 Wartość krytyczna α=5% Krytyczna wartość przy α=5%dla testu KPSS to,461 Analizując wyniki testów ADF oraz KPSS można stwierdzić, iż tylko spółka Boryszew przekroczyła nieznacznie wartość krytyczną dla testu KPSS i okazała się niestacjonarna przy przyjętym poziomie krytycznym α=5%.
10 7. Weryfikacja hipotez o braku autokorelacji i normalności rozkładu. Dzienne Nazwa Autokorelacja Normalność LMF p-value Chi-kwadrat p-value KGHM 1,54212, ,454 3,53926e-19 ORBIS 1,2784, ,298 1,85662e-181 FERRUM 1,14872, ,35 VISTULA 1,552, ,49 BORYSZEW 1,54622, MOSTOSTALZAB 1,1394, ,34 BYTOM 2,312 7,46765e ,41 FORTE 1,9366, ,6 2,49885e-289 PRÓCHNIK 1,51982, ,87 ŻYWIEC 1,82122, ,9 Indeks WIG 1,68567, ,412 1,5223e-138 Indeks WIG2 1,82579, ,742 1,86591e Weryfikacja hipotez o braku autokorelacji i normalności rozkładu. Miesięczne Nazwa Autokorelacja Normalność LMF p-value Chi-kwadrat p-value KGHM 1,66289, ,27496,96825 ORBIS 1,18346, ,4573, FERRUM 1,6573, ,8364 9,2427e-7 VISTULA 2,6591, ,3142 2,68277e-17 BORYSZEW 1,389, ,9339 1,3899e-14 MOSTOSTALZAB,62999, ,7937 8,51583e-15 BYTOM,797774, ,11748,17278 FORTE,957796, ,4555,1623 PRÓCHNIK,71935, ,1959 3,12123e-14 ŻYWIEC,513429, ,2174 4,7234e-5 Indeks WIG,687813, ,8819 1,7464e-5 Indeks WIG2,558332, ,4992 9,61493e-5 9. Weryfikacja hipotez o braku autokorelacji i normalności rozkładu. Kwartalne Nazwa Autokorelacja Normalność LMF p-value Chi-kwadrat p-value KGHM 1,61315, ,94362,22959 ORBIS 1,3234, ,14484,34218 FERRUM 1,11433, ,51514, VISTULA 1,19884, ,3124,314737
11 BORYSZEW,418381, ,4446,18584 MOSTOSTALZAB,956663,4463 3,5312,1711 BYTOM 1,2364, ,97219, FORTE,99364,4229 2,51584, PRÓCHNIK,79983, ,2523 3,285e-6 ŻYWIEC,576858,6883,697924,7542 Indeks WIG,742192,56872,956246, Indeks WIG2 1,245, ,81658,43214 wartość krytyczna alfa=,5 autokorelacja występuje dla wartości mniejszych niz wartości krytyczne normalność występuje dla wartości większych niż wartości krytyczne II. Identyfikacja modelu ARMA/ARIMA 1. WIG TABELA Z WYNIKAMI MODELI ARMA ARMA Akaike bayes. Schwarza Hannana-Quinna 2, , , ,81 2,1 Nieistotny 1,2 Nieistotny 2, , , ,44, , , ,2 1, , , ,39, , , ,1 1, , , ,82 Model ARMA (,1) Oceny funkcji: 33 Ocena grafientu: 5 Model 9: Estymacja ARMA, wykorzystane obserwacje 1998/1/6-211/9/3 (N = 3449) Estymacja z wykorzystaniem filtru Kalmana (właściwa ML) Zmienna zależna: ld_wig ---- const,273733,28368,967,3335 theta_1,1997, ,328 2,48e-1 *** Średn.aryt.zm.zależnej,274 Odch.stand.zm.zależnej,1566 Średnia zaburzeń los. -1,23e-9 Odch.st. zaburzeń los.,14978 Logarytm wiarygodności 9595,844 Kryt. inform. Akaike'a ,69 Kryt. bayes. Schwarza ,25 Kryt. Hannana-Quinna ,1 część Rzeczywista Urojona Moduł Częstość
12 MA Pierwiastek 1-9,986, 9,986,5 Prognoza 5 dniowa,6 ld_wig prognoza 95 procentowy przedzia³,4,2 -,2 -,4 -,6 -,8 211,35 211,4 211,45 211,5 211,55 211,6 211,65 211,7 211,75 Dla 95% przedziału ufności, z(,25) = 1,96 Obs ld_wig prognoza błąd ex ante 95% przedział ufności 211/9/3,116, ,18, , , ,274,1569 -,2926 -, ,274,1569 -,2926 -, ,274,1569 -,2926 -, ,274,1569 -,2926 -, WIG2 TABELA Z WYNIKAMI MODELI ARMA ARMA Akaike bayes. Schwarza Hannana-Quinna 2, , , ,45 2, , , ,77 1, , , ,94 2, Nieistotne,2 Nieistotne 1,1 Nieistotne,1 Nieistotne 1, Nieistotne MODEL ARMA ( 2,2 ) Oceny funkcji: 182
13 Ocena grafientu: 32 Model 2: Estymacja ARMA, wykorzystane obserwacje 1998/1/6-211/9/3 (N Estymacja z wykorzystaniem filtru Kalmana (właściwa ML) Zmienna zależna: ld_wig_ const,112971,313397,365,7185 phi_1 -,53169, ,3 7,95e-53 *** phi_2 -,957867, ,58, *** theta_1,554179, ,83 1,49e-63 *** theta_2,969945, ,43, *** Średn.aryt.zm.zależnej,113 Odch.stand.zm.zależnej,18214 Średnia zaburzeń los. 4,16e-7 Odch.st. zaburzeń los.,18153 Logarytm wiarygodności 8932,81 Kryt. inform. Akaike'a ,62 Kryt. bayes. Schwarza ,75 Kryt. Hannana-Quinna -1784,45 część Rzeczywista Urojona Moduł Częstość AR Pierwiastek 1 -,2775 -,9834 1,218 -,2938 Pierwiastek 2 -,2775,9834 1,218,2938 MA Pierwiastek 1 -,2857 -,9744 1,154 -,2954 Pierwiastek 2 -,2857,9744 1,154,2954 PROGNOZA 5 DNIOWA,6 ld_wig_2 prognoza 95 procentowy przedzia³,4,2 -,2 -,4 -,6 -,8 211,35 211,4 211,45 211,5 211,55 211,6 211,65 211,7 211,75 Dla 95% przedziału ufności, z(,25) = 1,96 Obs ld_wig_2 prognoza błąd ex ante 95% przedział ufności 211/9/3,, ,1537, ,3442 -, ,1131, , , ,589, ,5163 -, ,1678,2719 -, , ,46, ,5791 -,5789
14 3. KGHM TABELA Z WYNIKAMI MODELI ARMA ARMA Akaike bayes. Schwarza Hannana-Quinna 2, ,8-1445, ,91 2, , , ,83 1, , , ,53 2, , , ,8, , , ,96 1, , , ,93, , , ,1 1, , , ,98 MODEL ARMA (,1 ) Oceny funkcji: 33 Ocena grafientu: 5 Model 29: Estymacja ARMA, wykorzystane obserwacje 1998/1/6-211/9/3 (N Estymacja z wykorzystaniem filtru Kalmana (właściwa ML) Zmienna zależna: ld_kghm --- const,6627, ,247,2125 theta_1,59997,1732 2,994,28 *** Średn.aryt.zm.zależnej,661 Odch.stand.zm.zależnej,29635 Średnia zaburzeń los. 5,81e-7 Odch.st. zaburzeń los.,29593 Logarytm wiarygodności 7247,342 Kryt. inform. Akaike'a ,68 Kryt. bayes. Schwarza -1447,25 Kryt. Hannana-Quinna ,1 część Rzeczywista Urojona Moduł Częstość MA Pierwiastek 1-19,68, 19,68,5 PROGNOZA 5 DNIOWA
15 ,1 ld_kghm prognoza 95 procentowy przedzia³,5 -,5 -,1 -,15 211,35 211,4 211,45 211,5 211,55 211,6 211,65 211,7 211,75 Dla 95% przedziału ufności, z(,25) = 1,96 Obs ld_kghm prognoza błąd ex ante 95% przedział ufności 211/9/3 -,15152, ,115, , , ,66, , , ,66, , , ,66, , , ,66, , , ORBIS TABELA Z WYNIKAMI MODELI ARMA ARMA Akaike bayes. Schwarza Hannana-Quinna 2,2 błąd w wyznaczaniu hesjanu 2, , , ,85 1, , , ,89 2, nieistotne,2 nieistotne 1, , , ,8,1 nieistotne 1, nieistotne MODEL ARMA ( 1,1 ) Oceny funkcji: 35 Ocena grafientu: 8 Model 37: Estymacja ARMA, wykorzystane obserwacje 1998/1/6-211/9/3 (N Estymacja z wykorzystaniem filtru Kalmana (właściwa ML) Zmienna zależna: ld_orbis const,21492,426323,4937,6215 phi_1,64351, ,911,36 ***
16 theta_1 -,57541, ,73,69 *** Średn.aryt.zm.zależnej,211 Odch.stand.zm.zależnej,2335 Średnia zaburzeń los. -1,87e-7 Odch.st. zaburzeń los.,23331 Logarytm wiarygodności 867,288 Kryt. inform. Akaike'a ,58 Kryt. bayes. Schwarza -1611,99 Kryt. Hannana-Quinna ,8 część Rzeczywista Urojona Moduł Częstość AR Pierwiastek 1 1,6547, 1,6547, MA Pierwiastek 1 1,7379, 1,7379, PROGNOZA 5 DNIOWA,1,8 ld_orbis prognoza 95 procentowy przedzia³,6,4,2 -,2 -,4 -,6 211,35 211,4 211,45 211,5 211,55 211,6 211,65 211,7 211,75 Dla 95% przedziału ufności, z(,25) = 1,96 Obs ld_orbis prognoza błąd ex ante 95% przedział ufności 211/9/3 -,26668, ,11, , , ,17, , , ,94, , , ,14, , , ,168, ,4559 -, FERRUM TABELA Z WYNIKAMI MODELI ARMA ARMA Akaike bayes. Schwarza Hannana-Quinna 2, , , ,3 2,1 Nieistotne 1,2 Nieistotne 2, , , ,36, , , ,26 1,1 Nieistotne, , , ,44 1, , ,3-1163,88
17 MODEL ARMA (,1 ) Oceny funkcji: 3 Ocena grafientu: 5 Model 46: Estymacja ARMA, wykorzystane obserwacje 1998/1/6-211/9/3 (N Estymacja z wykorzystaniem filtru Kalmana (właściwa ML) Zmienna zależna: ld_ferrum const 4,119e-5,718177,571,9545 theta_1 -,57222, ,293,1 *** Średn.aryt.zm.zależnej,4 Odch.stand.zm.zależnej,44813 Średnia zaburzeń los. -3,46e-7 Odch.st. zaburzeń los.,44736 Logarytm wiarygodności 5822,14 Kryt. inform. Akaike'a ,3 Kryt. bayes. Schwarza ,59 Kryt. Hannana-Quinna ,44 część Rzeczywista Urojona Moduł Częstość MA Pierwiastek 1 17,4758, 17,4758, PROGNOZA 5 DNIOWA,15 ld_ferrum prognoza 95 procentowy przedzia³,1,5 -,5 -,1 -,15 211,35 211,4 211,45 211,5 211,55 211,6 211,65 211,7 211,75 Dla 95% przedziału ufności, z(,25) = 1,96 Obs ld_ferrum prognoza błąd ex ante 95% przedział ufności 211/9/3 -, , ,1515, , , ,41,4481 -, , ,41,4481 -, , ,41,4481 -, , ,41,4481 -, ,87866
18 6. VISTULA TABELA Z WYNIKAMI MODELI ARMA ARMA Akaike bayes. Schwarza Hannana-Quinna 2, , , ,34 2,1-1398, , ,7 1,2-1398, , ,74 2, -139, , ,18,2-139, , ,16 1,1 nieistotne,1-1392, , ,17 1, -1392, , ,29 MODEL ARMA ( 2,2 ) Oceny funkcji: 212 Ocena grafientu: 35 Model 55: Estymacja ARMA, wykorzystane obserwacje 1998/1/6-211/9/3 (N Estymacja z wykorzystaniem filtru Kalmana (właściwa ML) Zmienna zależna: ld_vistula --- const -1,7147e-5, ,356,9756 phi_1,366587, ,85,278 phi_2 -,929842, ,29 4,88e-176 *** theta_1 -,13161, ,428,6871 theta_2,949237, ,63, *** Średn.aryt.zm.zależnej -,18 Odch.stand.zm.zależnej,32263 Średnia zaburzeń los. 4,2e-7 Odch.st. zaburzeń los.,32147 Logarytm wiarygodności 6961,755 Kryt. inform. Akaike'a ,51 Kryt. bayes. Schwarza ,63 Kryt. Hannana-Quinna ,34 część Rzeczywista Urojona Moduł Częstość AR Pierwiastek 1,197-1,369 1,37 -,247 Pierwiastek 2,197 1,369 1,37,247 MA Pierwiastek 1,69-1,264 1,264 -,2489 Pierwiastek 2,69 1,264 1,264,2489 PROGNOZA 5 DNIOWA
19 ,1,8 ld_vistula prognoza 95 procentowy przedzia³,6,4,2 -,2 -,4 -,6 -,8 -,1 Dla 95% przedziału ufności, z(,25) = 1,96 Obs ld_vistula prognoza błąd ex ante 95% przedział ufności 211/9/3, -, ,158, , , ,4922, ,5812 -, ,836, ,8864 -, ,464, , , ,574, , , BORYSZEW TABELA Z WYNIKAMI MODELI ARMA -,12 211,35 211,4 211,45 211,5 211,55 211,6 211,65 211,7 211,75 ARMA Akaike bayes. Schwarza Hannana-Quinna 2,2-1865, , ,44 2,1 błąd w wyznaczaniu hesjanu 1,2-186, , ,28 2, -1863, , ,33,2-1862, , ,4 1,1-1856, , ,2,1-1856, ,9-1849,75 1, nieistotne MODEL ARMA ( 2, ) Oceny funkcji: 37 Ocena grafientu: 6 Model 64: Estymacja ARMA, wykorzystane obserwacje 1998/1/6-211/9/3 (N Estymacja z wykorzystaniem filtru Kalmana (właściwa ML) Zmienna zależna: ld_boryszew const -,44169, ,5576,5771 phi_1 -,281871, ,673,943 * phi_2 -,512276, ,32,24 ***
20 Średn.aryt.zm.zależnej -,442 Odch.stand.zm.zależnej,5132 Średnia zaburzeń los. -1,17e-6 Odch.st. zaburzeń los.,541 Logarytm wiarygodności 5435,556 Kryt. inform. Akaike'a -1863,11 Kryt. bayes. Schwarza -1838,53 Kryt. Hannana-Quinna -1854,33 część Rzeczywista Urojona Moduł Częstość AR Pierwiastek 1 -,2751-4,497 4,4182 -,2599 Pierwiastek 2 -,2751 4,497 4,4182,2599 PROGNOZA 5 DNIOWA,15 ld_boryszew prognoza 95 procentowy przedzia³,1,5 -,5 -,1 -,15 211,35 211,4 211,45 211,5 211,55 211,6 211,65 211,7 211,75 Dla 95% przedziału ufności, z(,25) = 1,96 Obs ld_boryszew prognoza błąd ex ante 95% przedział ufności 211/9/3 -, , ,1499,541 -, , ,1844,561 -, , ,45,5124 -, , ,557,5124 -, , ,436,5124 -, , MOSTOSTALZAB TABELA Z WYNIKAMI MODELI ARMA ARMA Akaike bayes. Schwarza Hannana-Quinna 2, , , ,67 2,1 Nieistotne 1,2-1331, ,3-1329,78 2, , , ,6, , , ,61 1,1 Nieistotne,1-133, , ,69 1, -133, , ,65
21 MODEL ARMA (,1 ) Oceny funkcji: 31 Ocena grafientu: 6 Model 76: Estymacja ARMA, wykorzystane obserwacje 1998/1/6-211/9/3 (N Estymacja z wykorzystaniem filtru Kalmana (właściwa ML) Zmienna zależna: ld_mostalzab ---- const -,826949, ,245,213 theta_1,19284,168 6,55 7,77e-11 *** Średn.aryt.zm.zależnej -,826 Odch.stand.zm.zależnej,35374 Średnia zaburzeń los. 4,27e-7 Odch.st. zaburzeń los.,35157 Logarytm wiarygodności 6653,136 Kryt. inform. Akaike'a -133,27 Kryt. bayes. Schwarza ,83 Kryt. Hannana-Quinna ,69 część Rzeczywista Urojona Moduł Częstość MA Pierwiastek 1-9,155, 9,155,5 PROGNOZA 5 DNIOWA,1 ld_mostalzab prognoza 95 procentowy przedzia³,5 -,5 -,1 Dla 95% przedziału ufności, z(,25) = 1,96 Obs ld_mostalzab prognoza błąd ex ante 95% przedział ufności 211/9/3 -,932 -, ,1211, ,7116 -, ,827, ,7143 -, ,827, ,7143 -, ,827, ,7143 -, ,827, ,7143 -, BYTOM TABELA Z WYNIKAMI MODELI ARMA -,15 211,35 211,4 211,45 211,5 211,55 211,6 211,65 211,7 211,75 ARMA Akaike bayes. Schwarza Hannana-Quinna
22 2,2-1471, , ,22 2,1-1471, ,5-146,81 1,2 Nieistotne 2, -1467, ,7-1458,88,2-1472, , ,7 1,1-1472, , ,21,1-1459, , ,29 1, -1446, ,44-144,3 MODEL ARMA ( 1,1 ) Oceny funkcji: 6 Ocena grafientu: 12 Model 85: Estymacja ARMA, wykorzystane obserwacje 1998/1/6-211/9/3 (N Estymacja z wykorzystaniem filtru Kalmana (właściwa ML) Zmienna zależna: ld_bytom const -,1645, ,235,8142 phi_1,327134, ,394 1,11e-5 *** theta_1 -,4976, ,179 7,e-13 *** Średn.aryt.zm.zależnej -,157 Odch.stand.zm.zależnej,53746 Średnia zaburzeń los. -5,46e-6 Odch.st. zaburzeń los.,52952 Logarytm wiarygodności 524,495 Kryt. inform. Akaike'a -1472,99 Kryt. bayes. Schwarza -1448,41 Kryt. Hannana-Quinna -1464,21 część Rzeczywista Urojona Moduł Częstość AR Pierwiastek 1 3,568, 3,568, MA Pierwiastek 1 2,379, 2,379, PROGNOZA 5 DNIOWA,2 ld_bytom prognoza 95 procentowy przedzia³,15,1,5 -,5 -,1 211,35 211,4 211,45 211,5 211,55 211,6 211,65 211,7 211,75 Dla 95% przedziału ufności, z(,25) = 1,96
23 Obs ld_bytom prognoza błąd ex ante 95% przedział ufności 211/9/3, , ,18627, , , ,621, , , ,2137, , , ,87, , , ,372, , , FORTE TABELA Z WYNIKAMI MODELI ARMA ARMA Akaike bayes. Schwarza Hannana-Quinna 2, , , ,71 2, , , ,9 1, , , ,72 2, -1478, , ,41,2-1478, , ,75 1,1 Nieistotne,1-1478, ,2-1472,6 1, -1479, , ,64 MODEL ARMA ( 2,1 ) Oceny funkcji: 136 Ocena grafientu: 25 Model 94: Estymacja ARMA, wykorzystane obserwacje 1998/1/6-211/9/3 (N Estymacja z wykorzystaniem filtru Kalmana (właściwa ML) Zmienna zależna: ld_forte const -,129138, ,199,8423 phi_1,887956, ,9 2,6e-159 *** phi_2,791894, ,614 3,96e-6 *** theta_1 -,956145, ,22 6,16e-242 *** Średn.aryt.zm.zależnej -,16 Odch.stand.zm.zależnej,28729 Średnia zaburzeń los.,15 Odch.st. zaburzeń los.,28621 Logarytm wiarygodności 7362,438 Kryt. inform. Akaike'a ,88 Kryt. bayes. Schwarza ,15 Kryt. Hannana-Quinna -1473,9 część Rzeczywista Urojona Moduł Częstość AR Pierwiastek 1 1,313, 1,313, Pierwiastek 2-12,2444, 12,2444,5 MA Pierwiastek 1 1,459, 1,459, PROGNOZA 5 DNIOWA
24 ,1,8 ld_forte prognoza 95 procentowy przedzia³,6,4,2 -,2 -,4 -,6 -,8 -,1 Dla 95% przedziału ufności, z(,25) = 1,96 Obs ld_forte prognoza błąd ex ante 95% przedział ufności 211/9/3 -, , ,633, , , ,97, , , ,815, ,5752 -, ,85, ,5745 -, ,784, ,5727 -, PRÓCHNIK TABELA Z WYNIKAMI MODELI ARMA -,12 211,35 211,4 211,45 211,5 211,55 211,6 211,65 211,7 211,75 ARMA Akaike bayes. Schwarza Hannana-Quinna 2, , , ,42 2, , , ,94 1, , , ,88 2, , , ,7, , , ,57 1, , , ,82, , , , , , ,7 MODEL ARMA ( 1,1 ) Oceny funkcji: 57 Ocena grafientu: 14 Model 13: Estymacja ARMA, wykorzystane obserwacje 1998/1/6-211/9/3 (N Estymacja z wykorzystaniem filtru Kalmana (właściwa ML) Zmienna zależna: ld_prochnik ---- const -,114774, ,76,881 * phi_1,381516, ,348,8 *** theta_1 -,473857, ,378 1,2e-5 *** Średn.aryt.zm.zależnej -,1151 Odch.stand.zm.zależnej,46689
25 Średnia zaburzeń los. -3,61e-6 Odch.st. zaburzeń los.,46451 Logarytm wiarygodności 5692,299 Kryt. inform. Akaike'a ,6 Kryt. bayes. Schwarza ,2 Kryt. Hannana-Quinna ,82 część Rzeczywista Urojona Moduł Częstość AR Pierwiastek 1 2,6211, 2,6211, MA Pierwiastek 1 2,113, 2,113, PROGNOZA 5 DNIOWA,1 ld_prochnik prognoza 95 procentowy przedzia³,5 -,5 -,1 Dla 95% przedziału ufności, z(,25) = 1,96 Obs ld_prochnik prognoza błąd ex ante 95% przedział ufności 211/9/3, -, ,1832, , , ,149, , , ,1247, , , ,1186, , , ,1162, , , ŻYWIEC TABELA Z WYNIKAMI MODELI ARMA -,15 211,35 211,4 211,45 211,5 211,55 211,6 211,65 211,7 211,75 ARMA Akaike bayes. Schwarza Hannana-Quinna 2,2-1769, , ,2 2, , , ,38 1, , , ,55 2, , , ,46, , , ,68 1,1 Nieistotne, , , ,57 1, -1768, , ,28 MODEL ARMA ( 2,2 )
26 Oceny funkcji: 84 Ocena grafientu: 2 Model 112: Estymacja ARMA, wykorzystane obserwacje 1998/1/6-211/9/3 (N Estymacja z wykorzystaniem filtru Kalmana (właściwa ML) Zmienna zależna: ld_zywiec const,2444,299114,6835,4943 phi_1 -,439628, ,942 8,6e-5 *** phi_2 -,6771, ,284 3,3e-1 *** theta_1,373123, ,168,15 *** theta_2,627132, ,486 4,1e-8 *** Średn.aryt.zm.zależnej,25 Odch.stand.zm.zależnej,18686 Średnia zaburzeń los. 7,84e-7 Odch.st. zaburzeń los.,18588 Logarytm wiarygodności 8851,93 Kryt. inform. Akaike'a -1769,19 Kryt. bayes. Schwarza ,31 Kryt. Hannana-Quinna ,2 część Rzeczywista Urojona Moduł Częstość AR Pierwiastek 1 -,3247-1,1712 1,2154 -,293 Pierwiastek 2 -,3247 1,1712 1,2154,293 MA Pierwiastek 1 -,2975-1,2272 1,2628 -,2878 Pierwiastek 2 -,2975 1,2272 1,2628,2878 PROGNOZA 5 DNIOWA,4,3 ld_zywiec prognoza 95 procentowy przedzia³,2,1 -,1 -,2 -,3 -,4 -,5 -,6 211,35 211,4 211,45 211,5 211,55 211,6 211,65 211,7 211,75 Dla 95% przedziału ufności, z(,25) = 1,96 Obs ld_zywiec prognoza błąd ex ante 95% przedział ufności 211/9/3,, ,394, , , ,415, ,3698 -, ,517, , , ,76, , , ,116, , ,4524
27 III. Testowanie efektu ARCH w resztach z modelu ARMA/ARIMA Nazwa KGHM ORBIS FERRUM VISTULA BORYSZEW MOSTOSTALZAB BYTOM FORTE PRÓCHNIK ŻYWIEC Indeks WIG Indeks WIG2 Wyniki testów Engle'a McLeoda-Li LM = 235,934 LM = 162,83 LM = 75,9526 LM = 299,583 LM = 3,5613 Nie P=, występuje Nie występuje LM = 192,243 LM = 262,435 LM = 233,879 LM = 32,714 LM = 351,117 LM = 421,892 LM = 46,952 Przeprowadzone testy dowiodły, iż w prawie wszystkich badanych modelach występował efekt ARCH. Wyjątkiem była spółka Boryszew gdzie efekt ten nie występował. Odrzucenie hipotezy zerowej mówiącej o niewystępowaniu efektu ARCH musiałoby odbyć sie w warunkach ponad 6% ryzyka. IV. Modele GARCH WIG Oceny funkcji: 131 Ocena grafientu: 25 Model 13: Estymacja GARCH, wykorzystane obserwacje 1998/1/6-211/9/3 (N Zmienna zależna: RWIG -----
28 const,35679,2132 1,744,811 * alpha() 1,77242e-6 4,99125e-7 3,551,4 *** alpha(1),698667, ,64 5,43e-22 *** beta(1),923523, ,2, *** Średn.aryt.zm.zależnej -1,23e-9 Odch.stand.zm.zależnej,14981 Logarytm wiarygodności 9998,819 Kryt. inform. Akaike'a ,64 Kryt. bayes. Schwarza ,91 Kryt. Hannana-Quinna ,66 Bezwarunkowa wariancja błędu modelu =,26813 Test ilorazu wiarygodności dla (G)ARCH: Chi-kwadrat(2) = 85,94 [9,82732e-176] ACF dla zmiennej WIGst ACF dla zmiennej sq_wigst,4 +- 1,96/T^,5,6 +- 1,96/T^,5,2,4,2 -,2 -,2 -,4 -,4 -, PACF dla zmiennej WIGst PACF dla zmiennej sq_wigst,4 +- 1,96/T^,5,6 +- 1,96/T^,5,2,4,2 -,2 -,2 -,4 -,4 -, Test na normalność rozkładu WIGst: Test Doornika-Hansena = 93,332, z wartością p 5,48858e-21 Test Shapiro-Wilka =,993163, z wartością p 1,19e-11 Test Lillieforsa =,249641, z wartością p ~= Test Jarque'a-Bera = 132,773, z wartością p 1,475e-29 KGHM Oceny funkcji: 91 Ocena grafientu: 17 Model 15: Estymacja GARCH, wykorzystane obserwacje 1998/1/6-211/9/3 (N Zmienna zależna: RKGHM const,194461,426487,456,6484 alpha() 1,36984e-5 3,33849e-6 4,13 4,8e-5 *** alpha(1),69475, ,295 1,9e-16 *** beta(1),916374, ,, *** Średn.aryt.zm.zależnej 5,81e-7 Odch.stand.zm.zależnej,29597 Logarytm wiarygodności 7522,797 Kryt. inform. Akaike'a -1535,59 Kryt. bayes. Schwarza -154,87 Kryt. Hannana-Quinna -1524,62 Bezwarunkowa wariancja błędu modelu =, Test ilorazu wiarygodności dla (G)ARCH:
29 Chi-kwadrat(2) = 55,914 [2,34768e-12 ACF dla zmiennej KGHMst ACF dla zmiennej sq_kghmst,4 +- 1,96/T^,5,4 +- 1,96/T^,5,2,2 -,2 -,2 -,4 -, PACF dla zmiennej KGHMst PACF dla zmiennej sq_kghmst,4 +- 1,96/T^,5,4 +- 1,96/T^,5,2,2 -,2 -,2 -,4 -, Test na normalność rozkładu KGHMst: Test Doornika-Hansena = 265,751, z wartością p 1,96268e-58 Test Shapiro-Wilka =,985541, z wartością p 2,62736e-18 Test Lillieforsa =,287426, z wartością p ~= Test Jarque'a-Bera = 492,17, z wartością p 1,33862e-17 ORBIS Oceny funkcji: 18 Ocena grafientu: 19 Model 16: Estymacja GARCH, wykorzystane obserwacje 1998/1/6-211/9/3 (N Zmienna zależna: RORBIS const,126169,343724,3671,7136 alpha() 7,929e-6 2,5784e-6 3,72,21 *** alpha(1),6549, ,37 1,89e-1 *** beta(1),927152, ,4, *** Średn.aryt.zm.zależnej -1,87e-7 Odch.stand.zm.zależnej,23335 Logarytm wiarygodności 8286,651 Kryt. inform. Akaike'a ,3 Kryt. bayes. Schwarza ,57 Kryt. Hannana-Quinna ,33 Bezwarunkowa wariancja błędu modelu =, Test ilorazu wiarygodności dla (G)ARCH: Chi-kwadrat(2) = 438,724 [5,39763e-96]
30 ACF dla zmiennej ORBISst ACF dla zmiennej sq_orbisst,4 +- 1,96/T^,5,8,6 +- 1,96/T^,5,2,4,2 -,2 -,2 -,4 -,4 -,6 -, PACF dla zmiennej ORBISst PACF dla zmiennej sq_orbisst,4 +- 1,96/T^,5,8,6 +- 1,96/T^,5,2,4,2 -,2 -,2 -,4 -,4 -,6 -, Test na normalność rozkładu ORBISst: Test Doornika-Hansena = 5,726, z wartością p 1,85699e-19 Test Shapiro-Wilka =,97515, z wartością p 4,34e-24 Test Lillieforsa =,5516, z wartością p ~= Test Jarque'a-Bera = 938,985, z wartością p 1,26449e-24 FERRUM Oceny funkcji: 71 Ocena grafientu: 17 GARCH Akaike bayes. Schwarza Hannana-Quinna 2,2 Kryterium zbieżności nie zostało osiągnięte 2,1 Kryterium zbieżności nie zostało osiągnięte 1,2 Macierz jest niedodatnio określona,2-1275, , ,97 1,1 Kryterium zbieżności nie zostało osiągnięte, , , ,91 Model 3: Estymacja GARCH, wykorzystane obserwacje 1998/1/6-211/9/3 (N Zmienna zależna: RFERRUM ---- const -,16231, ,556,1198 alpha(), ,15427e-5 31,92 1,65e-223 *** alpha(1),251338, ,21 1,86e-19 *** alpha(2),11187, ,59 7,57e-11 *** Średn.aryt.zm.zależnej -1,71e-7 Odch.stand.zm.zależnej,44743 Logarytm wiarygodności 642,972 Kryt. inform. Akaike'a -1275,94 Kryt. bayes. Schwarza -1245,22 Kryt. Hannana-Quinna -1264,97 Bezwarunkowa wariancja błędu modelu =,2826 Test ilorazu wiarygodności dla (G)ARCH: Chi-kwadrat(2) = 441,91 [1,9789e-96]
31 ACF dla zmiennej FERRUMst ACF dla zmiennej sq_ferrumst,4 +- 1,96/T^,5,6,4 +- 1,96/T^,5,2,2 -,2 -,2 -, ,4 -, PACF dla zmiennej FERRUMst PACF dla zmiennej sq_ferrumst,4 +- 1,96/T^,5,6,4 +- 1,96/T^,5,2,2 -,2 -,2 -, Test na normalność rozkładu FERRUMst: -,4 -, Test Doornika-Hansena = 67,98, z wartością p Test Shapiro-Wilka =,846575, z wartością p 1,1257e-49 Test Lillieforsa =,118721, z wartością p ~= Test Jarque'a-Bera = 7311,5, z wartością p VISTULA Oceny funkcji: 8 Ocena grafientu: 16 Model 22: Estymacja GARCH, wykorzystane obserwacje 1998/1/6-211/9/3 (N Zmienna zależna: RVISTULA const 3,57942e-5,44687,824,936 alpha() 2,17321e-5 4,7489e-6 4,576 4,73e-6 *** alpha(1),788788, ,927 2,24e-15 *** beta(1),9144, ,39, *** Średn.aryt.zm.zależnej -1,67e-6 Odch.stand.zm.zależnej,32151 Logarytm wiarygodności 7346,825 Kryt. inform. Akaike'a ,65 Kryt. bayes. Schwarza ,92 Kryt. Hannana-Quinna ,67 Bezwarunkowa wariancja błędu modelu =,11419 Test ilorazu wiarygodności dla (G)ARCH: Chi-kwadrat(2) = 769,939 [6,4542e-168]
32 ACF dla zmiennej VISTULAst ACF dla zmiennej sq_vistulast,4 +- 1,96/T^,5,8,6 +- 1,96/T^,5,2,4,2 -,2 -,2 -,4 -, ,6 -, PACF dla zmiennej VISTULAst PACF dla zmiennej sq_vistulast,4 +- 1,96/T^,5,8,6 +- 1,96/T^,5,2,4,2 -,2 -,2 -,4 -, Test na normalność rozkładu VISTULAst: -,6 -, Test Doornika-Hansena = 984,374, z wartością p 1,7615e-214 Test Shapiro-Wilka =,95454, z wartością p 1,67573e-31 Test Lillieforsa =,62479, z wartością p ~= Test Jarque'a-Bera = 2215,67, z wartością p BORYSZEW Oceny funkcji: 1 Ocena grafientu: 25 Model 23: Estymacja GARCH, wykorzystane obserwacje 1998/1/6-211/9/3 (N Zmienna zależna: RBORYSZEW ---- const,751219, ,26,35 alpha(), ,91231e-5 31,25 1,95e-214 *** alpha(1),598868, ,87 1,5e-22 *** beta(1),487778, ,49,2942 Średn.aryt.zm.zależnej 6,24e-7 Odch.stand.zm.zależnej,548 Logarytm wiarygodności 5829,688 Kryt. inform. Akaike'a ,38 Kryt. bayes. Schwarza ,65 Kryt. Hannana-Quinna ,4 Bezwarunkowa wariancja błędu modelu =, Test ilorazu wiarygodności dla (G)ARCH: Chi-kwadrat(2) = 788,259 [6,78881e-172]
33 ACF dla zmiennej BORYSZEWst ACF dla zmiennej sq_boryszewst,4 +- 1,96/T^,5,4 +- 1,96/T^,5,2,2 -,2 -,2 -,4 -, PACF dla zmiennej BORYSZEWst PACF dla zmiennej sq_boryszewst,4 +- 1,96/T^,5,4 +- 1,96/T^,5,2,2 -,2 -,2 -,4 -, Test na normalność rozkładu BORYSZEWst: Test Doornika-Hansena = 257,6, z wartością p Test Shapiro-Wilka =,5786, z wartością p 2,1181e-68 Test Lillieforsa =,144713, z wartością p ~= Test Jarque'a-Bera = 1,64659e+7, z wartością p MOSTOSTALZAB Oceny funkcji: 82 Ocena grafientu: 15 Model 17: Estymacja GARCH, wykorzystane obserwacje 1998/1/6-211/9/3 (N Zmienna zależna: RMOSTOSTAL const 7,8489e-6,57197,1397,9889 alpha() 3,45953e-5 1,3356e-5 3,347,8 *** alpha(1),8421, ,636 1,74e-8 *** beta(1),891655, ,8, *** Średn.aryt.zm.zależnej 4,27e-7 Odch.stand.zm.zależnej,35162 Logarytm wiarygodności 692,197 Kryt. inform. Akaike'a -1383,39 Kryt. bayes. Schwarza ,66 Kryt. Hannana-Quinna ,42 Bezwarunkowa wariancja błędu modelu =,14328 Test ilorazu wiarygodności dla (G)ARCH: Chi-kwadrat(2) = 534,112 [1,4483e-116
34 ACF dla zmiennej MOSTOSTALst ACF dla zmiennej sq_mostostals,4 +- 1,96/T^,5,6,4 +- 1,96/T^,5,2,2 -,2 -,2 -, ,4 -, PACF dla zmiennej MOSTOSTALst PACF dla zmiennej sq_mostostals,4 +- 1,96/T^,5,6,4 +- 1,96/T^,5,2,2 -,2 -,2 -, ,4 -, Test na normalność rozkładu MOSTOSTALst: Test Doornika-Hansena = 1664,7, z wartością p Test Shapiro-Wilka =,94351, z wartością p 1,96491e-34 Test Lillieforsa =,6415, z wartością p ~= Test Jarque'a-Bera = 4857,24, z wartością p BYTOM Oceny funkcji: 88 Ocena grafientu: 19 Model 18: Estymacja GARCH, wykorzystane obserwacje 1998/1/6-211/9/3 (N Zmienna zależna: RBYTOM const -,444786, ,6565,5115 alpha() 2,875e-5 5,78351e-6 4,971 6,66e-7 *** alpha(1),73814,7636 9,672 3,95e-22 *** beta(1),9266, ,9, *** Średn.aryt.zm.zależnej -5,46e-6 Odch.stand.zm.zależnej,5296 Logarytm wiarygodności 5724,787 Kryt. inform. Akaike'a ,57 Kryt. bayes. Schwarza -1148,84 Kryt. Hannana-Quinna ,6 Bezwarunkowa wariancja błędu modelu =, Test ilorazu wiarygodności dla (G)ARCH: Chi-kwadrat(2) = 968,598 [4,69573e-211
35 ACF dla zmiennej BYTOMst ACF dla zmiennej sq_bytomst,6,4,2 +- 1,96/T^,5,8,6,4,2 +- 1,96/T^,5 -,2 -,4 -,6 -,2 -,4 -,6 -, PACF dla zmiennej BYTOMst PACF dla zmiennej sq_bytomst,6,4,2 +- 1,96/T^,5,8,6,4,2 +- 1,96/T^,5 -,2 -,4 -,6 -,2 -,4 -,6 -, Test na normalność rozkładu BYTOMst: Test Doornika-Hansena = 146,22, z wartością p 4,39532e-36 Test Shapiro-Wilka =,927127, z wartością p 4,82348e-38 Test Lillieforsa =,88986, z wartością p ~= Test Jarque'a-Bera = 3657,6, z wartością p FORTE Oceny funkcji: 89 Ocena grafientu: 17 Model 19: Estymacja GARCH, wykorzystane obserwacje 1998/1/6-211/9/3 (N Zmienna zależna: RFORTE const -4,79276e-5, ,1222,927 alpha() 2,9729e-6 1,379e-6 2,959,31 *** alpha(1),33734, ,79 1,21e-9 *** beta(1),96334, ,7, *** Średn.aryt.zm.zależnej,15 Odch.stand.zm.zależnej,28626 Logarytm wiarygodności 771,699 Kryt. inform. Akaike'a ,4 Kryt. bayes. Schwarza ,67 Kryt. Hannana-Quinna ,42 Bezwarunkowa wariancja błędu modelu =,1139 Test ilorazu wiarygodności dla (G)ARCH: Chi-kwadrat(2) = 678,548 [4,51969e-148
36 ACF dla zmiennej FORTEst ACF dla zmiennej sq_fortest,4 +- 1,96/T^,5,1 +- 1,96/T^,5,2,5 -,2 -,5 -,4 -, PACF dla zmiennej FORTEst PACF dla zmiennej sq_fortest,4 +- 1,96/T^,5,1 +- 1,96/T^,5,2,5 -,2 -,5 -,4 -, Test na normalność rozkładu FORTEst: Test Doornika-Hansena = 12,9, z wartością p 3,8553e-222 Test Shapiro-Wilka =,949143, z wartością p 5,34179e-33 Test Lillieforsa =,784619, z wartością p ~= Test Jarque'a-Bera = 2722,6, z wartością p PROCHNIK Oceny funkcji: 78 Ocena grafientu: 16 Model 2: Estymacja GARCH, wykorzystane obserwacje 1998/1/6-211/9/3 (N Zmienna zależna: RPROCHNIK ---- const -,669174, ,9,2757 alpha() 7,9846e-5 1,1144e-5 6,392 1,63e-1 *** alpha(1),133756, ,971 2,94e-19 *** beta(1),845328, ,18, *** Średn.aryt.zm.zależnej -3,61e-6 Odch.stand.zm.zależnej,46458 Logarytm wiarygodności 696,565 Kryt. inform. Akaike'a ,13 Kryt. bayes. Schwarza ,4 Kryt. Hannana-Quinna ,15 Bezwarunkowa wariancja błędu modelu =, Test ilorazu wiarygodności dla (G)ARCH: Chi-kwadrat(2) = 88,529 [2,69186e-176]
37 ACF dla zmiennej PROCHNIKst ACF dla zmiennej sq_prochnikst,4 +- 1,96/T^,5,4 +- 1,96/T^,5,2,2 -,2 -,2 -,4 -, PACF dla zmiennej PROCHNIKst PACF dla zmiennej sq_prochnikst,4 +- 1,96/T^,5,4 +- 1,96/T^,5,2,2 -,2 -,2 -,4 -, Test na normalność rozkładu PROCHNIKst: Test Doornika-Hansena = 177,6, z wartością p Test Shapiro-Wilka =,926655, z wartością p 3,88538e-38 Test Lillieforsa =,929681, z wartością p ~= Test Jarque'a-Bera = 625,8, z wartością p ŻYWIEC Oceny funkcji: 92 Ocena grafientu: 17 GARCH Akaike bayes. Schwarza Hannana-Quinna 2,2 Kryterium zbieżności nie zostało osiągnięte 2,1 Kryterium zbieżności nie zostało osiągnięte 1,2 Kryterium zbieżności nie zostało osiągnięte,2-1833,84-183, ,86 1,1 Kryterium zbieżności nie zostało osiągnięte, ,5-1893, ,72 Model 1: Estymacja GARCH, wykorzystane obserwacje 1998/1/6-211/9/3 (N Zmienna zależna: RZYWIEC const -,111325, ,4343,6641 alpha(),1819 6,95268e-6 26,3 2,2e-149 *** alpha(1),282646, ,8 1,8e-19 *** alpha(2),263134, ,767 8,6e-15 *** Średn.aryt.zm.zależnej 7,84e-7 Odch.stand.zm.zależnej,18591 Logarytm wiarygodności 917,42 Kryt. inform. Akaike'a -1833,84 Kryt. bayes. Schwarza -183,11 Kryt. Hannana-Quinna ,86 Bezwarunkowa wariancja błędu modelu =,39856 Test ilorazu wiarygodności dla (G)ARCH: Chi-kwadrat(2) = 638,763 [1,96955e-139]
38 ACF dla zmiennej ZYWIECst ACF dla zmiennej sq_zywiecst,6,4,2 +- 1,96/T^,5,1,5 +- 1,96/T^,5 -,2 -,4 -,5 -, , PACF dla zmiennej ZYWIECst PACF dla zmiennej sq_zywiecst,6,4,2 +- 1,96/T^,5,1,5 +- 1,96/T^,5 -,2 -,4 -,5 -, , Test na normalność rozkładu ZYWIECst: Test Doornika-Hansena = 2584,63, z wartością p Test Shapiro-Wilka =,896975, z wartością p 2,9726e-43 Test Lillieforsa =,983683, z wartością p ~= Test Jarque'a-Bera = 9364,9, z wartością p
39 Bibliografia - niezbednik shg testowanie garch przy pomocy gretla
4. 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 szczegółowo1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4.
1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4. Prognozowanie stóp zwrotu na podstawie modeli ARMA 5. Relacje kointegrujące
Bardziej 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 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 szczegółowoProces modelowania zjawiska handlu zagranicznego towarami
Załącznik nr 1 do raportu końcowego z wykonania pracy badawczej pt. Handel zagraniczny w województwach (NTS2) realizowanej przez Centrum Badań i Edukacji Statystycznej z siedzibą w Jachrance na podstawie
Bardziej szczegółowoNiestacjonarne zmienne czasowe własności i testowanie
Materiał dla studentów Niestacjonarne zmienne czasowe własności i testowanie (studium przypadku) Część 3: Przykłady testowania niestacjonarności Nazwa przedmiotu: ekonometria finansowa I (22204), analiza
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 szczegółowoProjekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015
Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015 Nr indeksu... Imię i Nazwisko... Nr grupy ćwiczeniowej... Imię i Nazwisko prowadzącego... 1. Specyfikacja modelu
Bardziej szczegółowoZadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość?
Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość? Wykres stopy bezrobocia rejestrowanego w okresie 01.1998 12.2008, dane Polskie 22 20 18 16 stopa 14 12
Bardziej szczegółowoModel 1: Estymacja KMNK z wykorzystaniem 32 obserwacji 1964-1995 Zmienna zależna: st_g
Zadanie 1 Dla modelu DL dla zależności stopy wzrostu konsumpcji benzyny od stopy wzrostu dochodu oraz od stopy wzrostu cen benzyny w latach 1960 i 1995 otrzymaliśmy następujące oszacowanie parametrów.
Bardziej szczegółowo3. Analiza własności szeregu czasowego i wybór typu modelu
3. Analiza własności szeregu czasowego i wybór typu modelu 1. Metody analizy własności szeregu czasowego obserwacji 1.1. Analiza wykresu szeregu czasowego 1.2. Analiza statystyk opisowych zmiennej prognozowanej
Bardziej szczegółowoOutsourcing a produktywność pracy w polskich przedsiębiorstwach. Anna Grześ Zakład Zarządzania Uniwersytet w Białymstoku
Outsourcing a produktywność pracy w polskich przedsiębiorstwach Anna Grześ Zakład Zarządzania Uniwersytet w Białymstoku Cele : pomiar produktywności pracy w polskich przedsiębiorstwach na poziomie sekcji
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoProjekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018
Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018 Nr indeksu... Imię i Nazwisko... Nr grupy ćwiczeniowej... Imię i Nazwisko prowadzącego... 1. Specyfikacja modelu
Bardziej szczegółowoNiestacjonarne zmienne czasowe własności i testowanie
Materiał dla studentów Niestacjonarne zmienne czasowe własności i testowanie (studium przypadku) Część 1: Opis ogólny i plan pracy Nazwa przedmiotu: ekonometria finansowa I (22204), analiza szeregów czasowych
Bardziej szczegółowoMODELOWANIE ZMIENNOŚCI I RYZYKA INWESTYCJI W ZŁOTO. Celina Otolińska
MODELOWANIE ZMIENNOŚCI I RYZYKA INWESTYCJI W ZŁOTO Celina Otolińska PLAN: 1. Rynek złota-krótka informacja. 2. Wartość zagrożona i dlaczego ona. 3. Badany szereg czasowy oraz jego własności. 4. Modele
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16
Stanisław Cichocki Natalia Nehrebecka Zajęcia 15-16 1 1. Sezonowość 2. Zmienne stacjonarne 3. Zmienne zintegrowane 4. Test Dickey-Fullera 5. Rozszerzony test Dickey-Fullera 6. Test KPSS 7. Regresja pozorna
Bardziej szczegółowoMateriał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych)
Materiał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych) (studium przypadku) Nazwa przedmiotu: ekonometria finansowa I (22204), analiza szeregów czasowych
Bardziej 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 szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoZadanie 3 Na podstawie danych kwartalnych z lat oszacowano następujący model (w nawiasie podano błąd standardowy oszacowania):
Zadanie 1 Fabryka Dolce Vita do produkcji czekolady potrzebuje nakładów kapitału i siły roboczej. Na podstawie historycznych danych o wielkości produkcji oraz nakładów czynników produkcji w tej fabryce
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 szczegółowo7.4 Automatyczne stawianie prognoz
szeregów czasowych za pomocą pakietu SPSS Następnie korzystamy z menu DANE WYBIERZ OBSERWACJE i wybieramy opcję WSZYSTKIE OBSERWACJE (wówczas wszystkie obserwacje są aktywne). Wreszcie wybieramy z menu
Bardziej szczegółowoMODELOWANIE POLSKIEJ GOSPODARKI Z PAKIETEM R Michał Rubaszek
Tytuł: Autor: MODELOWANIE POLSKIEJ GOSPODARKI Z PAKIETEM R Michał Rubaszek Wstęp Książka "Modelowanie polskiej gospodarki z pakietem R" powstała na bazie materiałów, które wykorzystywałem przez ostatnie
Bardziej szczegółowoModele ARIMA prognoza, specykacja
Modele ARIMA prognoza, specykacja Wst p do ekonometrii szeregów czasowych wiczenia 3 5 marca 2010 Plan prezentacji 1 Specykacja modelu ARIMA 2 3 Plan prezentacji 1 Specykacja modelu ARIMA 2 3 Funkcja autokorelacji
Bardziej 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 szczegółowoPrognozowanie rynku pracy woj. lubelskiego z wykorzystaniem modeli ARIMA i ARIMAX
27 Barometr Regionalny Nr 1(19) 21 Prognozowanie rynku pracy woj. lubelskiego z wykorzystaniem modeli ARIMA i ARIMAX Jarosław Bielak Wyższa Szkoła Zarządzania i Administracji w Zamościu. Streszczenie:
Bardziej szczegółowoPrzyjazdy turystów zagranicznych do Polski miesięcznie od 2005 roku do 2009 roku modelowanie ekonometryczne
Dawid Twardowski Wrocław, dnia 6 czerwca 2010 Przyjazdy turystów zagranicznych do Polski miesięcznie od 2005 roku do 2009 roku modelowanie ekonometryczne Spis treści Spis treści... 1 Struktura projektu...
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 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 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 szczegółowoValue at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16
Value at Risk (VaR) Jerzy Mycielski WNE 2018 Jerzy Mycielski (Institute) Value at Risk (VaR) 2018 1 / 16 Warunkowa heteroskedastyczność O warunkowej autoregresyjnej heteroskedastyczności mówimy, gdy σ
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 szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoProjekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski
Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski Zadanie 1 Eksploracja (EXAMINE) Informacja o analizowanych danych Obserwacje Uwzględnione Wykluczone Ogółem
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 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 szczegółowoSzeregi czasowe, analiza zależności krótkoi długozasięgowych
Szeregi czasowe, analiza zależności krótkoi długozasięgowych Rafał Weron rweron@im.pwr.wroc.pl Definicje Mając dany proces {X t } autokowariancję definiujemy jako : γ(t, t ) = cov(x t, X t ) = = E[(X t
Bardziej 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 szczegółowoTestowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona;
LABORATORIUM 4 Testowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona; dwie zmienne zależne mierzalne małe próby duże próby rozkład normalny
Bardziej 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 szczegółowoWstęp... 3 Problem i hipoteza badawcza... 4 Opis modelu. Definicje i założenia... 5 Źródła danych... 6 Szacowanie modelu... 7 Wnioski...
Spis treści Wstęp... 3 Problem i hipoteza badawcza... 4 Opis modelu. Definicje i założenia... 5 Źródła danych... 6 Szacowanie modelu... 7 Wnioski... 14 2 Wstęp Podatek od towarów i usług (zwany również
Bardziej szczegółowoEkonometria dynamiczna i finansowa Kod przedmiotu
Ekonometria dynamiczna i finansowa - opis przedmiotu Informacje ogólne Nazwa przedmiotu Ekonometria dynamiczna i finansowa Kod przedmiotu 11.5-WK-IiED-EDF-W-S14_pNadGenMOT56 Wydział Kierunek Wydział Matematyki,
Bardziej szczegółowoAnaliza szeregów czasowych bezrobocia i inflacji w Danii
Uniwersytet Warszawski Wydział Nauk Ekonomicznych Mateusz Błażej Nr albumu: 308521 Analiza szeregów czasowych bezrobocia i inflacji w Danii Projekt zaliczeniowy z przedmiotu: Analiza Szeregów Czasowych
Bardziej szczegółowoCo trzeba wiedzieć korzystając z modelu ARIMA i które parametry są kluczowe?
Prognozowanie Co trzeba wiedzieć korzystając z modelu ARIMA Marta Płonka Predictive Solutions W trzecim już artykule dotyczącym szeregów czasowych przyjrzymy się modelom ARIMA. Dzisiaj skupimy się na metodzie
Bardziej szczegółowoLABORATORIUM 3. Jeśli p α, to hipotezę zerową odrzucamy Jeśli p > α, to nie mamy podstaw do odrzucenia hipotezy zerowej
LABORATORIUM 3 Przygotowanie pliku (nazwy zmiennych, export plików.xlsx, selekcja przypadków); Graficzna prezentacja danych: Histogramy (skategoryzowane) i 3-wymiarowe; Wykresy ramka wąsy; Wykresy powierzchniowe;
Bardziej szczegółowoPrzykład 2. Stopa bezrobocia
Przykład 2 Stopa bezrobocia Stopa bezrobocia. Komentarz: model ekonometryczny stopy bezrobocia w Polsce jest modelem nieliniowym autoregresyjnym. Podobnie jak model podaŝy pieniądza zbudowany został w
Bardziej szczegółowoPomiary urodzeń według płci noworodka i województwa.podział na miasto i wieś.
Pomiary urodzeń według płci noworodka i województwa.podział na miasto i wieś. Województwo Urodzenia według płci noworodka i województwa. ; Rok 2008; POLSKA Ogółem Miasta Wieś Pozamałżeńskie- Miasta Pozamałżeńskie-
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 szczegółowoOBLICZENIE PRZEPŁYWÓW MAKSYMALNYCH ROCZNYCH O OKREŚLONYM PRAWDOPODOBIEŃSTWIE PRZEWYŻSZENIA. z wykorzystaniem programu obliczeniowego Q maxp
tel.: +48 662 635 712 Liczba stron: 15 Data: 20.07.2010r OBLICZENIE PRZEPŁYWÓW MAKSYMALNYCH ROCZNYCH O OKREŚLONYM PRAWDOPODOBIEŃSTWIE PRZEWYŻSZENIA z wykorzystaniem programu obliczeniowego Q maxp DŁUGIE
Bardziej szczegółowoStare Jabłonki,
Włodzimierz Rembisz Adam Waszkowski Instytut Ekonomiki Rolnictwa i Gospodarki Żywnościowej Państwowy Instytut Badawczy Zakład Zastosowań Matematyki w Ekonomice Rolnictwa Stare Jabłonki, 7.12.217 Wprowadzenie
Bardziej szczegółowoMetody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2
Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2 Dr hab. inż. Agnieszka Wyłomańska Faculty of Pure and Applied Mathematics Hugo Steinhaus Center Wrocław University of Science and
Bardziej 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 szczegółowoSzymon Bargłowski, sb39345 MODEL. 1. Równania rozpatrywanego modelu: 1 PKB t = a 1 a 2 E t a 3 Invest t 1
Szymon Bargłowski, sb39345 MODEL 1. Równania rozpatrywanego modelu: 1 PKB t = a 1 a 2 E t a 3 Invest t 1 2 C t = b 1 b 2 PKB t b 3 Invest t 1 b 4 G t 2 3 Invest t = d 1 d 2 C t d 3 R t 3 gdzie: G - wydatki
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO Wykład 4
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 4 Inne układy doświadczalne 1) Układ losowanych bloków Stosujemy, gdy podejrzewamy, że może występować systematyczna zmienność między powtórzeniami np. - zmienność
Bardziej szczegółowoTestowanie hipotez. 1 Testowanie hipotez na temat średniej
Testowanie hipotez Poziom p Poziom p jest to najmniejszy poziom istotności α, przy którym możemy odrzucić hipotezę zerową dysponując otrzymaną wartością statystyki testowej. 1 Testowanie hipotez na temat
Bardziej szczegółowoPodczas zajęć będziemy zajmować się głownie procesami ergodycznymi zdefiniowanymi na przestrzeniach ciągłych.
Trochę teorii W celu przeprowadzenia rygorystycznej ekonometrycznej analizy szeregu finansowego będziemy traktowali obserwowany ciąg danych (x 1, x 2,..., x T ) jako realizację pewnego procesu stochastycznego.
Bardziej szczegółowoEKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ Joanna Górka WŁASNOŚCI PROGNOSTYCZNE MODELI KLASY RCA *
ACTA UNIVERSITATIS NICOLAI COPERNICI EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ 2009 Uniwersytet Mikołaja Kopernika w Toruniu Katedra Ekonometrii i Statystyki Joanna Górka WŁASNOŚCI PROGNOSTYCZNE
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 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 szczegółowoZałożenia do analizy wariancji. dr Anna Rajfura Kat. Doświadczalnictwa i Bioinformatyki SGGW
Założenia do analizy wariancji dr Anna Rajfura Kat. Doświadczalnictwa i Bioinformatyki SGGW anna_rajfura@sggw.pl Zagadnienia 1. Normalność rozkładu cechy Testy: chi-kwadrat zgodności, Shapiro-Wilka, Kołmogorowa-Smirnowa
Bardziej szczegółowo2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Sprawdzanie założeń przyjętych o modelu (etap IIIC przyjętego schematu modelowania regresyjnego) 1. Szum 2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Bardziej szczegółowoMetoda Johansena objaśnienia i przykłady
Metoda Johansena objaśnienia i przykłady Model wektorowej autoregresji rzędu p, VAR(p), ma postad gdzie oznacza wektor zmiennych endogenicznych modelu. Model VAR jest stabilny, jeżeli dla, tzn. wielomian
Bardziej szczegółowoNa podstawie danych dotyczacych rocznych wydatków na pizze oszacowano parametry poniższego modelu:
Zadanie 1. Oszacowano model ekonometryczny liczby narodzin dzieci (w tys.) w Polsce w latach 2000 2010 w zależnosci od średniego rocznego wynagrodzenia (w ujęciu realnym, PLN), stopy bezrobocia (w punktach
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 szczegółowoAnalizy wariancji ANOVA (analysis of variance)
ANOVA Analizy wariancji ANOVA (analysis of variance) jest to metoda równoczesnego badania istotności różnic między wieloma średnimi z prób pochodzących z wielu populacji (grup). Model jednoczynnikowy analiza
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 szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO Wykład 6
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 6 Metody sprawdzania założeń w analizie wariancji: -Sprawdzanie równości (jednorodności) wariancji testy: - Cochrana - Hartleya - Bartletta -Sprawdzanie zgodności
Bardziej szczegółowoIdea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość
Idea Niech θ oznacza parametr modelu statystycznego. Dotychczasowe rozważania dotyczyły metod estymacji tego parametru. Teraz zamiast szacować nieznaną wartość parametru będziemy weryfikowali hipotezę
Bardziej szczegółowoKolokwium ze statystyki matematycznej
Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę
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 szczegółowoTadeusz Kufel Uniwersytet Mikołaja Kopernika w Toruniu. Narzędzia ekonometrii dynamicznej w oprogramowaniu GRETL
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Uniwersytet Mikołaja Kopernika
Bardziej szczegółowo2008-03-18 wolne wolne 2008-03-25 wolne wolne
PLAN SPOTKAŃ ĆWICZEŃ: Data Grupa 2a Grupa 4a Grupa 2b Grupa 4b 2008-02-19 Zajęcia 1 Zajęcia 1 2008-02-26 Zajęcia 1 Zajęcia 1 2008-03-04 Zajęcia 2 Zajęcia 2 2008-03-11 Zajęcia 2 Zajęcia 2 2008-03-18 wolne
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria prof. dr hab. inż. Jacek Mercik B4 pok. 55 jacek.mercik@pwr.wroc.pl (tylko z konta studenckiego z serwera PWr) Konsultacje, kontakt itp. Strona WWW Elementy wykładu.
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
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 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 szczegółowoStanisław Cihcocki. Natalia Nehrebecka
Stanisław Cihcocki Natalia Nehrebecka 1 1. Kryteria informacyjne 2. Testowanie autokorelacji w modelu 3. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych opóźnieniach
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 szczegółowoWykorzystanie funkcji powiązań do pomiaru ryzyka rynkowego. Katarzyna Kuziak
Wykorzystanie funkcji powiązań do pomiaru ryzyka rynkowego Katarzyna Kuziak Cel: łączenie różnych rodzajów ryzyka rynkowego za pomocą wielowymiarowej funkcji powiązań 2 Ryzyko rynkowe W pomiarze ryzyka
Bardziej szczegółowoWeryfikacja przypuszczeń odnoszących się do określonego poziomu cechy w zbiorowości (grupach) lub jej rozkładu w populacji generalnej,
Szacownie nieznanych wartości parametrów (średniej arytmetycznej, odchylenia standardowego, itd.) w populacji generalnej na postawie wartości tych miar otrzymanych w próbie (estymacja punktowa, przedziałowa)
Bardziej szczegółowoEkonometria Ćwiczenia 19/01/05
Oszacowano regresję stopy bezrobocia (unemp) na wzroście realnego PKB (pkb) i stopie inflacji (cpi) oraz na zmiennych zero-jedynkowych związanymi z kwartałami (season). Regresję przeprowadzono na danych
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Hipotezą statystyczną jest dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Prawdziwość tego przypuszczenia
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoMODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XI/2, 2010, str. 254 263 MODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE Agnieszka Tłuczak Zakład Ekonometrii i Metod Ilościowych, Wydział Ekonomiczny
Bardziej szczegółowoJak sprawdzić normalność rozkładu w teście dla prób zależnych?
Jak sprawdzić normalność rozkładu w teście dla prób zależnych? W pliku zalezne_10.sta znajdują się dwie zmienne: czasu biegu przed rozpoczęciem cyklu treningowego (zmienna 1) oraz czasu biegu po zakończeniu
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 szczegółowoHeteroskedastyczość w szeregach czasowyh
Heteroskedastyczość w szeregach czasowyh Czesto zakłada się, że szeregi czasowe wykazuja autokorelację ae sa homoskedastyczne W rzeczywistości jednak często wariancja zmienia się w czasie Dobrym przykładem
Bardziej szczegółowoLiczba godzin Punkty ECTS Sposób zaliczenia. ćwiczenia 16 zaliczenie z oceną
Wydział: Zarządzanie i Finanse Nazwa kierunku kształcenia: Finanse i Rachunkowość Rodzaj przedmiotu: podstawowy Opiekun: prof. nadzw. dr hab. Tomasz Kuszewski Poziom studiów (I lub II stopnia): II stopnia
Bardziej szczegółowoPorównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych
dr Piotr Sulewski POMORSKA AKADEMIA PEDAGOGICZNA W SŁUPSKU KATEDRA INFORMATYKI I STATYSTYKI Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych Wprowadzenie Obecnie bardzo
Bardziej 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 szczegółowoWnioskowanie statystyczne Weryfikacja hipotez. Statystyka
Wnioskowanie statystyczne Weryfikacja hipotez Statystyka Co nazywamy hipotezą Każde stwierdzenie o parametrach rozkładu lub rozkładzie zmiennej losowej w populacji nazywać będziemy hipotezą statystyczną
Bardziej szczegółowoTestowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego
Testowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego Ze względu na jakość uzyskiwanych ocen parametrów strukturalnych modelu oraz weryfikację modelu, metoda najmniejszych
Bardziej szczegółowoEstymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych
Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych 3.1. Estymacja parametrów i ocena dopasowania modeli z jedną zmienną 23. Właściciel komisu w celu zbadania
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 szczegółowoAnaliza Szeregów Czasowych. Egzamin
Analiza Szeregów Czasowych Egzamin 12-06-2018 Zadanie 1: Zadanie 2: Zadanie 3: Zadanie 4: / 12 pkt. / 12 pkt. / 12 pkt. / 14 pkt. Projekt zaliczeniowy: Razem: / 100 pkt. / 50 pkt. Regulamin egzaminu 1.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 12
Stanisław Cichocki Natalia Nehrebecka Wykład 12 1 1.Problemy z danymi Zmienne pominięte Zmienne nieistotne 2. Autokorelacja o Testowanie autokorelacji 1.Problemy z danymi Zmienne pominięte Zmienne nieistotne
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 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 szczegółowoWYKŁAD: Szeregi czasowe I. Zaawansowane Metody Uczenia Maszynowego
WYKŁAD: Szeregi czasowe I Zaawansowane Metody Uczenia Maszynowego Szereg czasowy (X t ) - ciąg zmiennych losowych indeksowany parametrem t (czas). Z reguły t N lub t Z. Dotąd rozpatrywaliśmy: (X t )- ciąg
Bardziej szczegółowo