Karolina Kluth Uniwersytet Mikołaja Kopernika w Toruniu. Konwergencja gospodarcza w zakresie kryteriów Traktatu z Maastricht analiza ekonometryczna
|
|
- Kinga Malinowska
- 7 lat temu
- Przeglądów:
Transkrypt
1 DYAMICZE MODELE EKOOMETRYCZE X Ogólnopolske Semnarum aukowe, 4 6 wrześna 007 w Torunu Kaedra Ekonomer Saysyk, Unwersye Mkołaja Kopernka w Torunu Karolna Kluh Unwersye Mkołaja Kopernka w Torunu Konwergencja gospodarcza w zakrese kryerów Trakau z Maasrch analza ekonomeryczna. Wsęp Badana nad konwergencją gospodarczą w konekśce makroekonomcznej eor wzrosu gospodarczego daują sę od pracy R. Barro X. Sala--Marn (Barro, Sala--Marn, 99), kórzy wprowadzl równane regresj mędzy sopą wzrosu PKB per capa pozomem PKB per capa w okrese począkowym. ajwększym obszarem konwergencj kulur, gospodarek oraz sysemów prawnych poszczególnych nacj sała sę Una Europejska. Proces globalzacj wymusł na nej usanowene konwergencj gospodarczej jako jednego z głównych celów polyk UE. Cele e zosały przyjęe w 99 roku w Maasrch obowązują do dna dzsejszego. Określone w nch wskaźnk makroekonomczne sały sę wyznacznkam osągana przez kraje UE podobnego pozomu rozwoju gospodarczego. Celem pracy jes przedsawene wybranych meod esowana negracj konegracj dla danych panelowych oraz ch zasosowane do porównana pozomu rozwoju gospodarek poszczególnych pańsw Un Europejskej.. Pojęce konwergencj meody jej badana Aby móc rozsrzygać o snenu lub o braku konwergencj gospodarczej, koneczne jes jasne zdefnowane ego pojęca określena kryerum za pomocą, kórego będze można zweryfkować hpoezy o konwergencj gospodarczej. W leraurze ekonomcznej przedsawane są dwa główne sposoby rozumena problemu konwergencj gospodarczej, a manowce:
2 308 Karolna Kluh kaegorę polyczną w rozumenu rakau z Maasrch. Poprzez kryera konwergencj w nm zaware, nadał on szczególnego znaczena konwergencj gospodarczej w konekśce makroekonomcznym: kryerum sablnośc cen oznacza, że dane pańswo członkowske ma rwały pozom sablnośc cen, a średna sopa nflacj, odnoowana w ym pańswe w cągu jednego roku poprzedzającego badane, ne przekracza o węcej nż,5 punku procenowego nflacj rzech pańsw członkowskch o najbardzej sablnych cenach. kryerum syuacj fnansów publcznych, oznacza, że w czase badana dane pańswo członkowske ne jes objęe decyzją Rady Europejskej, swerdzającą snene nadmernego defcyu. kryerum udzału w mechanzme kursów walu Europejskego Sysemu Waluowego oznacza, że dane pańswo członkowske sosowało normalne grance wahań, przewdzane w mechanzme kursów walu Europejskego Sysemu Waluowego, bez poważnych napęć co najmnej przez dwa laa przed badanem. kryerum konwergencj sóp procenowych oznacza, że w cągu jednego roku przed badanem średna nomnalna długoermnowa sopa procenowa w danym pańswe członkowskm ne przekraczała węcej nż o dwa punky procenowe sopy procenowej rzech pańsw członkowskch o najbardzej sablnych cenach ( PL Dzennk Urzędowy Un Europejskej). dynamkę procesu zbeżnośc gospodark do jej sanu równowag. Konwergencja, w ym przypadku defnowana jes jako własność sysemu dochodzena do sanu równowag, a faza zbeżnośc jes okresem, w kórym gospodarka lub grupa gospodarek zblża sę do sanu równowag. San równowag może zmenać sę w czase wskuek zman określających go egzogencznych paramerów. Jednakże nowy san równowag pozosaje w każdym momence arakorem rozparywanej rzeczywsośc gospodarczej (Malaga, 004). Analzując leraurę przedmou, możemy wyróżnć klka sposobów pomaru konwergencj gospodarczej: Sgma (σ) konwergencję kóra odnos sę do pomaru pozomu zróżncowana zamożnośc krajów, merzonego odchylenem sandardowym lub warancją logarymu PKB. O sgma konwergencj możemy mówć w przypadku malejącej warancj logarymu PKB per capa w grupe krajów w kolejnych momenach określonego horyzonu czasu. Bea (β) konwergencję kóra zakłada, że kraje o nższym począkowym pozome dochodu charakeryzują sę szybszym empem wzrosu nż kraje począkowo bogasze, co z czasem prowadz do wyrównana pozomu dochodu per capa (Cołek, 003). W podejścu β rozróżna sę:
3 Konwergencja gospodarcza w zakrese kryerów Trakau z Maasrch Bea (β) konwergencję bezwarunkową opsuje ona relacje mędzy sopą wzrosu PKB per capa w pewnym horyzonce czasu a pozomem PKB per capa w momence począkowym (Cołek, 003). Gdy dla danego okresu sopa wzrosu PKB per capa w grupe krajów jes ujemne skorelowana z pozomem PKB per capa w momence począkowym w ych krajach, wedy przyjmuje sę hpoezę o bea konwergencj bezwarunkowej (Malaga, 004), Bea (β) konwergencję warunkową oznacza, że ujemna korelacja mędzy sopą zwrou PKB p.c. PKB p.c. w momence począkowym jes spełnona, jeżel dla danej grupy krajów nekóre paramery przyjmują zblżone warośc. Weryfkacja ej hpoezy sprowadza sę do oszacowana model regresj konwergencj warunkowej, uzależnającego sopę wzrosu PKB p.c. w pewnym horyzonce czasu od warośc PKB p.c. w momence począkowym oraz od nnych zmennych. Jeśl współczynnk sojący przy zmennej opsującej PKB p.c. w momence począkowym jes ujemny saysyczne sony, o hpoeza o konwergencj warunkowej jes spełnona (Malaga, 004). W doychczasowych badanach nad konwergencją gospodarczą najczęścej weryfkowana jes hpoeza o bea konwergencj warunkowej, kóra prowadz do zmany skal, poneważ poszczególne kraje wykazują zbeżność do sablnych sanów równowag. 3. Tesowane negracj konegracj dla danych panelowych Perwsze esy sacjonarnośc dla szeregów na danych panelowych opublkowane zosały w laach 90 XX weku. Do najpopularnejszych auorów należą Im, Pesaran Shn (995, 997), Maddala Wu (999) oraz Hard (000). Tesy opracowane przez dwe perwsze grupy auorów (dalej zwane odpowedno IPS oraz MW) zakładają brak sacjonarnośc w hpoeze zerowej, a w alernaywnej sacjonarność wszyskch, częśc lub co najmnej jednego szeregu. W przypadku esu Hard (dalej zwany H) w hpoeze zerowej zakłada sę sacjonarność, zaś w alernaywnej jej brak. Tesy IPS MW posadają cechy esów perwaska jednoskowego, jednakże wyprowadzone dla danych panelowych. Tes zaproponowany przez Ima, Pesarana Shna (arykuł z 003) wykorzysuje do badana sacjonarnośc szeregów worzących zbór danych panelowych podobną wersję regresj do wzorowanej na ADF z a różncą, że przeprowadza sę ją dla każdej wysępującej w szeregu jednosk (cross-secon) oddzelne. Można ją zapsać jako: Δy p ' + βjδy j + X δ ε () j = = α y + Szczegółowe hpoezy w eśce IPS mają nasępującą posać: H : α 0 dla wszyskch, () 0 =
4 30 Karolna Kluh α = 0 H : α < 0 dla =,,..., = +, +,...,, (3) Po przeesowanu ndywdualnego perwaska jednoskowego dla każdego wysępującego szeregu, średna saysyk dla α z poszczególnych regresj ADF ( p ) ) ma nasępującą posać: X ( T = X ( p ) / =, (4) jes wówczas pożądanym esem saysycznym. W przypadku, gdy sopeń opóźnena jes zawsze równy zero ( wszyskch ), symulowane warośc kryyczne dla = 0, dla w eśce IPS pokazane są dla różnych jednosek, szeregów T oraz równań zawerających wyraz wolny oraz wyraz wolny rend lnowy. aomas w przypadku, gdy w równanu () sopeń opóźnena w nekórych jednoskach w szeregu jes różny od zera, odpowedno sandaryzowana saysyka T ma nasępujący rozkład asympoyczny: W T = T = = Var( E( x x ( p )) T ( p )) (0,), (5) gdze E ( x ( p )) oraz Var( x ( p )) - oznaczają odpowedno asympoyczne warośc warośc oczekwanej warancj średnej grupowej warośc saysyk. W T Alernaywnym esem badana wysępowana perwasków jednoskowych w szeregach panelowym jes es MW proponowany przez Maddala Wu (999), kórego podsawa wywodz sę z esu Fshera z 93 r. Polega on na odpowednm łączenu warośc p-value z każdego ndywdualnego esu perwaska jednoskowego. Przy założenu hpoez ()-(3) defnujemyπ jako warośc p-value z ndywdualnych esów perwaska jednoskowego dla - ej jednosk, wedy dla wszyskch wynków z jednosek mamy nasępujący asympoyczny rezula: γ = log( π ) χ = p (6)
5 Konwergencja gospodarcza w zakrese kryerów Trakau z Maasrch... 3 gdze suma logarymów prawdopodobeńsw emprycznych ndywdualnych esów będze mała rozkład χ, naomas wyrażene log( π ) ma rozkład χ. Hadr (000) zaproponował odmenny rodzaj esu, kóry jes uogólnenem esu KPSS (99). Przy założenu wysępowana sałej rendu, proces generujący dane w eśce H przybera ponższą posać: y gdze = δ + η + ε (7) y - analzowane szereg czasowe, ε - składnk losowy o rozkładze normalnym dla =,,, oraz =,,,T z E( ) = S ( ) > 0. ε H0 = : S ( ) > Przy założenu, że hpoeza zerowej jes posac : S ( ) 0, y jes procesem sacjonarnym, naomas przyjęce hpoezy alernaywnej H 0 oznacza nesacjonarność procesu. Oznaczając reszy procesu regresj jako εˆ, saysyka LM przedsawa sę nasępująco: LM = / = S ( ) / T f (8) 0 gdze S () oznacza sumę resz, S ( ) = ) ε, a f0 oznacza średną z ndywdualnych esymaorów pozosałego spekrum o zerowej częsolwośc, f0 = = f 0 /. Tes LM dla modelu (7) sprawdzamy poprzez saysykę Z, kóra ma asympoyczny rozkład normalny: Z = ( LM ξ ) (0,) ζ gdze ξ, ζ - oznaczają warość oczekwaną warancję, a oszacowana: ξ = / 6 ζ = / 45, ξ = / 5, ζ = / 6300 opublkowane są w arykule Hard (000). Do badana relacj długookresowych sosowany jes es panelowej konegracj auorswa McCoskey Kao (998). Proces generujący dane do badana konegracj panelowej zakłada heerogenczność efeków ndywdualnych α oraz współczynnków β, co prowadz do nasępującej posac modelu: s= y = α + βx + v dla =,,,; =,,,T. (0) y = α + βx + v ; v = γ + u () v γ + u () = (9)
6 3 Karolna Kluh gdze { u } ~... d. (0, σ ),{ } u y, x są procesam znegrowanym I(). Hpoeza zerowa w eśce MCK, zakładająca wysępowane konegracj, jes sformułowana jako: H 0 : θ = 0, wobec alernaywnej H : θ 0. Paramer θ merzy poencjalny efek, jak zakłócena losowe wywerają na proces błądzena przypadkowego komponen sacjonarny relacj długookresowej (Srzała, 005). Procedura badana konegracj panelowej analogczna jes do soy koncepcj konegracj wprowadzonej przez Engle a Grangera w 987 roku zawera sę w ym, że mędzy procesam ekonomcznym można wyznaczyć pewną długookresową śceżkę równowag nezależną od czasu, naomas warośc znajdujące sę poza ną sanową krókookresowe, zależne od czasu, odchylena od sanu równowag. W prezenowanym badanu najperw oszacowana zosane relacja (0) za pomocą KMK, a nasępne przeprowadzone zosane badane sacjonarnośc resz. 4. Analza empryczna negracj konegracj PKB per capa dla wybranych krajów Un Europejskej Do badana negracj konegracj welkośc PKB per capa dla wybranym krajów wykorzysano dane saysyczne pochodzące ze srony nerneowej Dane o kwaralnej częsolwośc obejmują okres od syczna 999 roku do 3 grudna 006 roku. Lczebność próby wynos 3 obserwacje dla każdego z wybranych krajów. Modelowanu poddano welkośc PKB per capa dla wybranych par krajów: Ausr, Francj, Holand, emec, Eson, Polsk, Słowacj Węger, poneważ wsępna analza danych wskazała, że PKB p.c. w wymenonych krajach charakeryzuje sę podobnym rendem rosnącym (por. wykres ). 9000,0 Warość PKB p er cap a w Eu ro 8000,0 7000,0 6000,0 5000,0 4000,0 3000,0 000,0 000,0 emcy Francja Holanda Ausra Słowacja Węgry Polska Esona 0,0 999q0 999q04 000q03 00q0 00q0 00q04 003q03 004q0 005q0 005q04 006q03 Wykres. Welkość PKB (w euro) dla Ausr, Francj, Holand, emec, Eson, Polsk, Słowacj Węger w laach od 999 do 006 Źródło: opracowane własne.
7 Konwergencja gospodarcza w zakrese kryerów Trakau z Maasrch Badane sopna negracj procesu dla danych panelowych sprawdzano za pomocą wcześnej opsanych esów IPS (4), MW (6) H (8). Wynk saysyk przedsawono w ablcy. Tablca. Wynk panelowych esów perwaska jednoskowego Panel Tes Saysyka p-value Saysyka p-value Pozomy Perwsze różnce IPS 3, , Esona Polska MW 0,08.000, H 5, , IPS 5, ,9 0,97 Esona Słowacja MW 0, , H 5, ,087 0,08 IPS 3, , Francja Ausra MW 0, , H 5, , IPS, , Holanda Ausra MW 0, , H , IPS, , Holanda Francja MW 0, , H 5, , IPS 4, , emcy Ausra MW H 5, , IPS 3, , emcy Francja MW 0, , H 5, , IPS, , emcy Holanda MW 0, , H 0, ,6 0.4 IPS 3,90.000, Słowacja Polska MW 0,07.000, H 5, , IPS, , Węgry Esona MW, , H 5, ,773 0,9 IPS, , Węgry Polska MW, , H 5, , IPS, , Węgry Słowacja MW, , H 5, , Źródło: oblczena własne. Zameszczone wynk badana sacjonarnośc dla perwszych różnc, powerdzają sopeń znegrowana I() PKB per capa dla szeregów panelowych wybranych krajów Un Europejskej.
8 34 Karolna Kluh Po zbadanu sopna negracj procesów oszacowano relację (0) welkośc PKB dla 3 wybranych kombnacj szeregów panelowych zbadano sacjonarność resz za pomocą szybcej opsanego esu IPS (4). Posać wspomnanych model jes nasępująca: ) PKB HA = 56, +,7 PKB ES + ε ; R = 0,87; DW =,53; (0,06) ) PKB HA = 504,76 +,4 PKB WE + ε ; R = 0,88; DW =,54; (0,06) 3) PKB F = 508,5 + 0,83 PKB WE + ε ; R = 0,87; DW =,33; (0,04) gdze w nawasach przedsawono średne błędy ocen paramerów. 5. Zakończene Celem przedsawonej pracy była próba zdenyfkowana długookresowej zależnośc mędzy wybranym krajam Un Europejskej z zakresu kryerów konwergencj z Maasrch. Wysępowane konwergencj badane było poprzez koncepcję konegracj dla danych panelowych. Wynk badana mogą być nerpreowane jako przypadk wysępowana długookresowej zależnośc mędzy wybranym krajam UE na ym przykładze można sądzć, że sneje endencja do wyrównywana sę dochodów per capa, jednak jednoznaczne ne można określć wysępowana konwergencj mędzy ym pańswam. Leraura Barro, R., Sala-I-Marn, X. (99), Convergence, Journal of Polcal Economy. Cołek, D. (003), Badane konwergencj krajów Europy Środkowo-Wschodnej z wykorzysanem danych panelowych, Dynamczne Modele Ekonomeryczne, Wyd. UMK Toruń. Dzennk Urzędowy Un Europejskej C 30/339, Traka usanawający konsyucję dla Europy, PL. Hadr, K. (000), Tesng for Saonary n Heerogenous Panel Daa, The Economercs Journal, vol. 3. Im, K., Pesaran, H., Shn, Y. (003), Tesng for Un Roos n Heerogenous Panels, Journal of Economercs, vol. 5. Maddala, G. S., Wu, S. (999), A Comparave Sudy of Un Roo Tess wh Panel Daa and a new smple es, Oxford Bullen of Economcs and Sascs, Specal Issue. Malaga, K. (004), Konwergencja gospodarcza w krajach OECD w śwele zagregowanych model wzrosu, Akadema Ekonomczna w Poznanu, Poznań. Srzała, K. (005), Relacja nwesycj oszczędnośc w krajach Un Europejskej weryfkacja empryczna z wykorzysanem podejśca panelowego, w: Szreder M. (red.), Ekonomeryczne modelowane prognozowane wzrosu gospodarczego, Prace Maerały Wydzału Zarządzana Unwersyeu Gdańskego, r.
FINANSOWE SZEREGI CZASOWE WYKŁAD 3
FINANSOWE SZEREGI CZASOWE WYKŁAD 3 dr Tomasz Wójowcz Wydzał Zarządzana AGH 3800 3300 800 300 800 300 800 0 0 30 40 50 60 70 Kraków 0 Tomasz Wójowcz, WZ AGH Kraków przypomnene MA(q): gdze ε są d(0,σ ).
Bardziej szczegółowoHipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ
WERYFIKACJA HIPOTEZY O ISTOTNOŚCI OCEN PARAMETRÓW STRUKTURALNYCH MODELU Hpoezy o sonośc oszacowao paramerów zmennych objaśnających Tesowane sonośc paramerów zmennych objaśnających sprowadza sę do nasępującego
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 2
Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 3 Szereg
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 4
Sanisław Cichocki Naalia Nehrebecka Wykład 4 1 1. Badanie sacjonarności: o o o Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) Tes KPSS 2. Modele o rozłożonych opóźnieniach (DL) 3. Modele auoregresyjne
Bardziej szczegółowoWeryfikacja hipotez dla wielu populacji
Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAICZNE ODELE EKONOETRYCZNE X Ogólnopolske Semnarum Naukowe, 4 6 wrześna 7 w Torunu Kaedra Ekonomer Saysyk, Unwersye kołaja Kopernka w Torunu Jacek Kwakowsk Unwersye kołaja Kopernka w Torunu odele RCA
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 2
Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 3 Szereg czasowy jes pojedynczą realzacją pewnego
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Regresja pozorna 2. Funkcje ACF i PACF 3. Badanie sacjonarności Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) 2 1. Regresja pozorna 2. Funkcje
Bardziej szczegółowoEkonometryczne modele nieliniowe
Ekonomeryczne modele nelnowe Wykład 5 Progowe modele regrej Leraura Hanen B. E. 997 Inference n TAR Model, Sude n Nonlnear Dynamc and Economerc,. Tek na rone nerneowej wykładu Dodakowa leraura Hanen B.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Maemayka ubezpeczeń mająkowych 7.05.00 r. Zadane. Pewne ryzyko generuje jedną szkodę z prawdopodobeńswem q, zaś zero szkód z prawdopodobeńswem ( q). Ubezpeczycel pokrywa nadwyżkę szkody ponad udzał własny
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
Bardziej szczegółowoMonika Kośko Wyższa Szkoła Informatyki i Ekonomii TWP w Olsztynie Michał Pietrzak Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolske Semnarum Naukowe, 4 6 wrześna 007 w Torunu Kaedra Ekonomer Saysyk, Unwersye Mkołaja Kopernka w Torunu Monka Kośko Wyższa Szkoła Informayk Ekonom TWP w Olszyne
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 4
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających
Bardziej szczegółowoW praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
Bardziej szczegółowoFinansowe szeregi czasowe wykład 7
Fnansowe szereg czasowe wykład 7 dr Tomasz Wójowcz Wydzał Zarządzana AGH 38 33 28 23 18 13 8 1 11 21 31 41 51 61 71 Kraków 213 Noowana ndeksu WIG w okrese: 3 marca 29 31 syczna 211 55 5 45 4 35 3 25 2
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy
Bardziej szczegółowoKurtoza w procesach generowanych przez model RCA GARCH
Joanna Górka * Kuroza w procesach generowanych przez model RCA GARCH Wsęp Na przesrzen osanej dekady odnoowuje sę szybk rozwój model nelnowych. Wdoczna jes zwłaszcza różnorodność nelnowych specyfkacj modelowych,
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 4
Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja
Bardziej szczegółowoJerzy Czesław Ossowski Katedra Ekonomii i Zarzdzania Przedsibiorstwem Wydział Zarzdzania i Ekonomii Politechnika Gdaska
Jerzy Czesław Ossowsk Kaedra Ekonom Zarzdzana Przedsborswem Wydzał Zarzdzana Ekonom Polechnka Gdaska IX Ogólnoposke Semnarum Naukowe n. Dynamczne modele ekonomeryczne, Kaedra Ekonomer Saysyk, Unwersye
Bardziej szczegółowoPROBLEM ODWROTNY DLA RÓWNANIA PARABOLICZNEGO W PRZESTRZENI NIESKOŃCZENIE WYMIAROWEJ THE INVERSE PARABOLIC PROBLEM IN THE INFINITE DIMENSIONAL SPACE
JAN KOOŃSKI POBLEM ODWOTNY DLA ÓWNANIA PAABOLICZNEGO W PZESTZENI NIESKOŃCZENIE WYMIAOWEJ THE INVESE PAABOLIC POBLEM IN THE INFINITE DIMENSIONAL SPACE S r e s z c z e n e A b s r a c W arykule skonsruowano
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 3
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 3 1. Dobroć dopasowana równana regresj. Współczynnk determnacj R Dk Dekompozycja warancj zmennej zależnej ż Współczynnk determnacj R. Zmenne cągłe a
Bardziej szczegółowo) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
Bardziej szczegółowospecyfikacji i estymacji modelu regresji progowej (ang. threshold regression).
4. Modele regresji progowej W badaniach empirycznych coraz większym zaineresowaniem cieszą się akie modele szeregów czasowych, kóre pozwalają na objaśnianie nieliniowych zależności między poszczególnymi
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Zmienne sacjonarne 2. Zmienne zinegrowane 3. Regresja pozorna 4. Funkcje ACF i PACF 5. Badanie sacjonarności Tes Dickey-Fullera (DF) 2 1. Zmienne sacjonarne
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Gdański Zasosowanie modelu
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada. Zajęcia 3
Stansław Cchock Natala Nehrebecka Katarzyna Rosak-Lada Zajęca 3 1. Dobrod dopasowana równana regresj. Współczynnk determnacj R 2 Dekompozycja warancj zmennej zależnej Współczynnk determnacj R 2 2. Zmenne
Bardziej szczegółowoBadanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej
Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.
Bardziej szczegółowoANALIZA POWIĄZAŃ MIĘDZY INDEKSAMI GIEŁDY FRANCUSKIEJ, HOLENDERSKIEJ I BELGIJSKIEJ Z WYKORZYSTANIEM MODELU KOREKTY BŁĘDEM
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 083-86 Nr 89 06 Uniwersye Ekonomiczny w Kaowicach Wydział Ekonomii Kaedra Meod Saysyczno-Maemaycznych w Ekonomii pawel.prenzena@edu.ueka.pl
Bardziej szczegółowoKURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE. Strona 1
KURS EKONOMETRIA Lekcja 1 Wprowadzenie do modelowania ekonomerycznego ZADANIE DOMOWE www.erapez.pl Srona 1 Część 1: TEST Zaznacz poprawną odpowiedź (ylko jedna jes prawdziwa). Pyanie 1 Kóre z poniższych
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych
Bardziej szczegółowoInne kanały transmisji
Wykład 4 Inne kanały ransmsj Plan wykładu. Ceny akywów 3. Ceny akywów Wzros sopy procenowej powoduje spadek cen domów akcj. gdze C warość kuponu, F warość nomnalna gdze dywdenda, g empo wzrosu dywdendy
Bardziej szczegółowoA C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 389 TORUŃ 2009.
A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 389 TORUŃ 2009 Unwersytet Mkołaja Kopernka w Torunu Katedra Ekonometr Statystyk Elżbeta
Bardziej szczegółowo65120/ / / /200
. W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę
Bardziej szczegółowoMODELOWANIE I PROGNOZOWANIE ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ W WYBRANYM REGIONIE
MODELOWANIE I PROGNOZOWANIE ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ W WYBRANYM REGIONIE Marcn Zawada Kaedra Ekonomer Saysyk, Wydzał Zarządzana, Polechnka Częsochowska, Częsochowa 1 WSTĘP Proces ransformacj
Bardziej szczegółowo( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X
Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są
Bardziej szczegółowot t t t T 2 Interpretacja: Przeciętna wartość zmiennej objaśnianej różni się od wartości teoretycznej średnio o
Cele werfacj odelu Werfacja sasczna odelu polega na oblczenu szeregu ernów jaośc odelu oraz werfacj pewnch hpoez sascznch w celu sprawdzena cz na podsawe ego odelu ożna wcągać wnos doczące badanego zjawsa
Bardziej szczegółowot t t t T 2 Interpretacja: Przeciętna wartość zmiennej objaśnianej różni się od wartości teoretycznej średnio o ˆ
Eonoera Ćwczena Werfacja odelu eonoercznego Maerał poocncze Cele werfacj odelu Werfacja sasczna odelu polega na oblczenu szeregu ernów jaośc odelu oraz werfacj pewnch hpoez sascznch w celu sprawdzena cz
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk Krzywa wieża w Pizie 1 2 3 4 5 6 7 8 9 10 11 12 13 y 4,9642 4,9644 4,9656 4,9667 4,9673 4,9688 4,9696 4,9698 4,9713 4,9717 4,9725 4,9742 4,9757 Szeregiem czasowym nazywamy
Bardziej szczegółowoEKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.
EKONOMERIA wykład Prof. dr hab. Eugeniusz Ganar eganar@mail.wz.uw.edu.pl Przedziały ufności Dla paramerów srukuralnych modelu: P bˆ j S( bˆ z prawdopodobieńswem parameru b bˆ S( bˆ, ( m j j j, ( m j b
Bardziej szczegółowoModel CAPM z ryzykiem płynności na polskim rynku kapitałowym
UNIWERSYTET SZCZECIŃSKI Z e s z y y Naukowe nr 858 Współczesne Problemy Ekonomczne DOI: 10.18276/wpe.2015.11-18 Sebasan Porowsk* odel CAP z ryzykem płynnośc na polskm rynku kapałowym Słowa kluczowe: eora
Bardziej szczegółowoSTARE A NOWE KRAJE UE KONKURENCYJNOŚĆ POLSKIEGO EKSPORTU
Ewa Szymank Katedra Teor Ekonom Akadema Ekonomczna w Krakowe ul. Rakowcka 27, 31-510 Kraków STARE A NOWE KRAJE UE KONKURENCYJNOŚĆ POLSKIEGO EKSPORTU Abstrakt Artykuł przedstawa wynk badań konkurencyjnośc
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej szczegółowoHIPOTEZA STOPY NATURALNEJ. MIĘDZY EKONOMETRIĄ A HISTORIĄ MYŚLI EKONOMICZNEJ.
Jacek Wallusch Akadema Ekonomczna w Poznanu HIPOTEZA STOPY NATURALNEJ. MIĘDZY EKONOMETRIĄ A HISTORIĄ MYŚLI EKONOMICZNEJ. Dazu brauche ch ene Besazung de mmach dam alles klapp. Wenn se mmachen soll dann
Bardziej szczegółowoPODSTAWOWE MIERNIKI DYNAMIKI ZJAWISK
PODSTAWOWE MIERNIKI DYNAMIKI ZJAWISK Założena Nech oznacza ozom (warość) badanego zjawska (zmennej) w kolejnch momenach czasu T0, gdze T 0 0,1,..., n 1 oznacza worz szereg czasow. zbór numerów czasu. Cąg
Bardziej szczegółowoWYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA NA PRZYKŁADZIE VALUE AT RISK
Przemysław Jeziorski Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Zakład Demografii i Saysyki Ekonomicznej przemyslaw.jeziorski@ue.kaowice.pl WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA
Bardziej szczegółowoKier. MTR Programowanie w MATLABie Laboratorium
Ker. MTR Programowane w MATLABe Laboraorum Ćw. Zasosowane bbloecznych funkcj MATLABa do numerycznego rozwązywana równań różnczkowych. Wprowadzene Układy równań różnczkowych zwyczajnych perwszego rzędu
Bardziej szczegółowoAlicja Ganczarek Akademia Ekonomiczna w Katowicach. Analiza niezależności przekroczeń VaR na wybranym segmencie rynku energii
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna w Kaowicach Analiza
Bardziej szczegółowo13. DWA MODELE POTOKU RUCHU (TEORIOKOLEJKOWE)(wg Wocha,1998)
3. Dwa modele pooku ruchu (eorokolejkowe) 3. DWA MODELE POTOKU RUCHU (TEORIOKOLEJKOWE)(wg Wocha,998) 3.. Model Hagha Isneje wele prac z la powojennych, w kórych wysępują próby modelowana kolejek ruchowych
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolske Semnarum Naukowe, 4 6 wrześna 007 w Torunu Kaedra Ekonomer Saysyk, Unwersye Mkołaa Kopernka w Torunu Unwersye Mkołaa Kopernka w Torunu Ops kurozy rozkładów
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODEE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Joanna Małgorzaa andmesser Szkoła Główna
Bardziej szczegółowo(estymator asymptotycznej macierzy kowariancji estymatora nieliniowej MNK w MNRN)
W ypowym zadanu z regresj nelnowej mamy nasępujące eapy: Esymacja (uzyskane ocen punkowych paramerów), w ym: 1. Dobór punków sarowych.. Kolejne eracje algorymu Gaussa Newona. 3. Zakończene algorymu Gaussa
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA
1 PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: mgr inż. ŻANETA PRUSKA DODATEK SOLVER 2 Sprawdzić czy w zakładce Dane znajduję się Solver 1. Kliknij przycisk Microsof Office, a nasępnie kliknij przycisk Opcje
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk TREND WYODRĘBNIANIE SKŁADNIKÓW SZEREGU CZASOWEGO 1. FUNKCJA TRENDU METODA ANALITYCZNA 2. ŚREDNIE RUCHOME METODA WYRÓWNYWANIA MECHANICZNEGO średnie ruchome zwykłe średnie
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1
PROGNOZOWANIE I SYMULACJE mgr Żanea Pruska Ćwiczenia 2 Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X, wyrażona w ysiącach wyprodukowanych i dosarczonych szuk firmie Bea,
Bardziej szczegółowoStatystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego
Część VII. Analiza szeregu czasowego 1 DEFINICJA SZEREGU CZASOWEGO Szeregiem czasowym nazywamy zbiór warości cechy w uporządkowanych chronologicznie różnych momenach (okresach) czasu. Oznaczając przez
Bardziej szczegółowoZadane 1: Wyznacz średne ruchome 3-okresowe z następujących danych obrazujących zużyce energ elektrycznej [kwh] w pewnym zakładze w mesącach styczeń - lpec 1998 r.: 400; 410; 430; 40; 400; 380; 370. Zadane
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK
1 PROGNOZOWANIE I SYMULACJE 2 hp://www.oucome-seo.pl/excel2.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodaek Solver jes dosępny w menu Narzędzia. Jeżeli Solver nie jes dosępny
Bardziej szczegółowoIntegracja zmiennych Zmienna y
Inegracja zmiennych Zmienna y jes zinegrowana rzędu d jeśli jej różnice rzędu d są sacjonarne. Zapisujemy o y ~ I ( d ). Przyjmuje się również, że zmienna sacjonarna y (jako że nie rzeba jej różnicować,
Bardziej szczegółowoNatalia Nehrebecka. Wykład 2
Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad
Bardziej szczegółowoProcedura normalizacji
Metody Badań w Geograf Społeczno Ekonomcznej Procedura normalzacj Budowane macerzy danych geografcznych mgr Marcn Semczuk Zakład Przedsęborczośc Gospodark Przestrzennej Instytut Geograf Unwersytet Pedagogczny
Bardziej szczegółowoModel CAPM z ryzykiem płynności na polskim rynku kapitałowym
UNIWERSYTET SZCZECIŃSKI Zeszyy Naukowe nr 858 Wspó łczesne Problemy Ekonomczne n r 11 ( 2 0 1 5 DOI: 10.18276/wpe.2015.11-18 Sebasan Porowsk* Model CAPM z ryzykem płynnośc na polskm rynku kapałowym Słowa
Bardziej szczegółowoKombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz
Noaki do wykładu 005 Kombinowanie prognoz - dlaczego należy kombinować prognozy? - obejmowanie prognoz - podsawowe meody kombinowania prognoz - przykłady kombinowania prognoz gospodarki polskiej - zalecenia
Bardziej szczegółowoPrognozowanie cen detalicznych żywności w Polsce
Prognozowane cen dealcznych żywnośc w Polsce Marusz Hamulczuk IERGŻ - PIB Kaarzyna Herel NBP Co dlaczego prognozujemy Krókookresowe prognozy cen dealcznych Ceny dealczne (ndywdualne produky, agregay) Isone
Bardziej szczegółowoAnaliza rynku projekt
Analiza rynku projek A. Układ projeku 1. Srona yułowa Tema Auor 2. Spis reści 3. Treść projeku 1 B. Treść projeku 1. Wsęp Po co? Na co? Dlaczego? Dlaczego robię badania? Jakimi meodami? Dla Kogo o jes
Bardziej szczegółowoMAKROEKONOMIA 2. Wykład 3. Dynamiczny model DAD/DAS, część 2. Dagmara Mycielska Joanna Siwińska - Gorzelak
MAKROEKONOMIA 2 Wykład 3. Dynamiczny model DAD/DAS, część 2 Dagmara Mycielska Joanna Siwińska - Gorzelak ( ) ( ) ( ) i E E E i r r = = = = = θ θ ρ ν φ ε ρ α * 1 1 1 ) ( R. popyu R. Fishera Krzywa Phillipsa
Bardziej szczegółowoNiestacjonarne zmienne czasowe własności i testowanie
Maeriał dla sudenów Niesacjonarne zmienne czasowe własności i esowanie (sudium przypadku) Nazwa przedmiou: ekonomeria finansowa I (22204), analiza szeregów czasowych i prognozowanie (13201); Kierunek sudiów:
Bardziej szczegółowoModelowanie równowagi cenowej na Giełdzie Papierów Wartościowych w Warszawie w okresach przed i po wejściu Polski do Unii Europejskiej
Sansław Urbańsk * Modelowane równowag cenowej na Gełdze Paperów Waroścowych w Warszawe w okresach przed po wejścu Polsk do Un Europejskej Wsęp Praca nnejsza sanow konynuację badań doyczących wyceny akcj
Bardziej szczegółowoTAKSONOMICZNE WSKAŹNIKI PRZESTRZENNEGO ZRÓŻNICOWANIA ROZWOJU POWIATÓW WOJEWÓDZTWA PODKARPACKIEGO
Suda Prawno-Ekonomczne,. LXXX, 2009 PL ISSN 0081-6841 s. 201 214 Paweł Dykas * TAKSONOMICZNE WSKAŹNIKI PRZESTRZENNEGO ZRÓŻNICOWANIA ROZWOJU POWIATÓW WOJEWÓDZTWA PODKARPACKIEGO Wprowadzene Celem ego opracowana
Bardziej szczegółowoMAKROEKONOMIA 2. Wykład 3. Dynamiczny model DAD/DAS, część 2. Dagmara Mycielska Joanna Siwińska - Gorzelak
MAKROEKONOMIA 2 Wykład 3. Dynamiczny model DAD/DAS, część 2 Dagmara Mycielska Joanna Siwińska - Gorzelak 2 Plan wykładu Zakłócenia w modelu DAD/DAS: Wzros produkcji poencjalnej; Zakłócenie podażowe o sile
Bardziej szczegółowo1. Szereg niesezonowy 1.1. Opis szeregu
kwaralnych z la 2000-217 z la 2010-2017.. Szereg sezonowy ma charaker danych model z klasy ARIMA/SARIMA i model eksrapolacyjny oraz d prognoz z ych modeli. 1. Szereg niesezonowy 1.1. Opis szeregu Analizowany
Bardziej szczegółowo1.1. Uprość opis zdarzeń: 1.2. Uprościć opis zdarzeń: a) A B A Uprościć opis zdarzeń: 1.4. Uprościć opis zdarzeń:
.. Uprość ops zdarzeń: a) A B, A \ B b) ( A B) ( A' B).. Uproścć ops zdarzeń: a) A B A b) A B, ( A B) ( B C).. Uproścć ops zdarzeń: a) A B A B b) A B C ( A B) ( B C).4. Uproścć ops zdarzeń: a) A B, A B
Bardziej szczegółowoJerzy Czesław Ossowski Politechnika Gdańska. Dynamika wzrostu gospodarczego a stopy procentowe w Polsce w latach
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Poliechnika Gdańska Dynamika wzrosu
Bardziej szczegółowoStudia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 219 2015
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 2083-86 Nr 29 205 Alicja Ganczarek-Gamro Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Kaedra Demografii
Bardziej szczegółowoProces narodzin i śmierci
Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do
Bardziej szczegółowo0 0,2 0, p 0,1 0,2 0,5 0, p 0,3 0,1 0,2 0,4
Zad. 1. Dana jest unkcja prawdopodobeństwa zmennej losowej X -5-1 3 8 p 1 1 c 1 Wyznaczyć: a. stałą c b. wykres unkcj prawdopodobeństwa jej hstogram c. dystrybuantę jej wykres d. prawdopodobeństwa: P (
Bardziej szczegółowoAnaliza szeregów czasowych w Gretlu (zajęcia 8)
Analiza szeregów czasowych w Grelu (zajęcia 8) Grel jes dość dobrym narzędziem do analizy szeregów czasowych. Już w samej podsawie Grela znajdziemy sporo zaimplemenowanych echnik służących do obróbki danych
Bardziej szczegółowoParytet stóp procentowych a premia za ryzyko na przykładzie kursu EURUSD
Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Marcin Gajewski Uniwersye Łódzki 4.12.2008 Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Niezabazpieczony UIP)
Bardziej szczegółowoEwa Dziawgo Uniwersytet Mikołaja Kopernika w Toruniu. Analiza wrażliwości modelu wyceny opcji złożonych
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 7 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoJacek Kwiatkowski Magdalena Osińska. Procesy zawierające stochastyczne pierwiastki jednostkowe identyfikacja i zastosowanie.
DYNAMICZNE MODELE EKONOMETRYCZNE Jacek Kwiakowski Magdalena Osińska Uniwersye Mikołaja Kopernika Procesy zawierające sochasyczne pierwiaski jednoskowe idenyfikacja i zasosowanie.. Wsęp Większość lieraury
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE - zadania powtórzeniowe
PROGNOZOWANIE I SYMULACJE - zadana powórzenowe Zadana I. Na podsawe danych z la 88- zbudowano model: y = + 3, 5 s = szuk, R =,3 opsujcy lczb sprzedawanych arówek w yscach szuk w pewnej frme. Wyznaczy prognoz
Bardziej szczegółowoWNIOSKOWANIE STATYSTYCZNE
Wnioskowanie saysyczne w ekonomerycznej analizie procesu produkcyjnego / WNIOSKOWANIE STATYSTYCZNE W EKONOMETRYCZNEJ ANAIZIE PROCESU PRODUKCYJNEGO Maeriał pomocniczy: proszę przejrzeć srony www.cyf-kr.edu.pl/~eomazur/zadl4.hml
Bardziej szczegółowoEFEKT DŹWIGNI NA GPW W WARSZAWIE WPROWADZENIE
Paweł Kobus, Rober Pierzykowski Kaedra Ekonomerii i Informayki SGGW e-mail: pawel.kobus@saysyka.info EFEKT DŹWIGNI NA GPW W WARSZAWIE Sreszczenie: Do modelowania asymerycznego wpływu dobrych i złych informacji
Bardziej szczegółowoStatystyka Opisowa 2014 część 2. Katarzyna Lubnauer
Statystyka Opsowa 2014 część 2 Katarzyna Lubnauer Lteratura: 1. Statystyka w Zarządzanu Admr D. Aczel 2. Statystyka Opsowa od Podstaw Ewa Waslewska 3. Statystyka, Lucjan Kowalsk. 4. Statystyka opsowa,
Bardziej szczegółowoPODAŻOWE CZYNNIKI WZROSTU GOSPODARCZEGO PODSTAWOWE MODELE TEORETYCZNE
ACTA UIVRSITATIS LODZISIS FOLIA OCOOMICA 294, 23 Paweł Dykas *, Tomasz Tokarsk ** PODAŻOW CZYIKI WZROSTU GOSPODARCZGO PODSTAWOW MODL TORTYCZ Sreszczene. Celem prezenowanego opracowana jes analza podażowych
Bardziej szczegółowoKształtowanie się firm informatycznych jako nowych elementów struktury przestrzennej przemysłu
PRACE KOMISJI GEOGRAFII PRZEMY SŁU Nr 7 WARSZAWA KRAKÓW 2004 Akadema Pedagogczna, Kraków Kształtowane sę frm nformatycznych jako nowych elementów struktury przestrzennej przemysłu Postępujący proces rozwoju
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki
Poliechnika Gdańska Wydział Elekroechniki i Auomayki Kaedra Inżynierii Sysemów Serowania Podsawy Auomayki Repeyorium z Podsaw auomayki Zadania do ćwiczeń ermin T15 Opracowanie: Kazimierz Duzinkiewicz,
Bardziej szczegółowoPodstawowe algorytmy indeksów giełdowych
Podsawowe algorymy ndeksów gełdowych Wersja 1.1 San na 25-11-13 Podsawowe algorymy ndeksów gełdowych Wersja 1.1 San na 2013-11-25 Sps reśc I. Algorymy oblczana warośc ndeksów gełdowych...3 1. Warość beżąca
Bardziej szczegółowoZASTOSOWANIE ANALIZY HARMONICZNEJ DO OKREŚLENIA SIŁY I DŁUGOŚCI CYKLI GIEŁDOWYCH
Grzegorz PRZEKOTA ZESZYTY NAUKOWE WYDZIAŁU NAUK EKONOMICZNYCH ZASTOSOWANIE ANALIZY HARMONICZNEJ DO OKREŚLENIA SIŁY I DŁUGOŚCI CYKLI GIEŁDOWYCH Zarys treśc: W pracy podjęto problem dentyfkacj cykl gełdowych.
Bardziej szczegółowoModele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.
Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można
Bardziej szczegółowoAnaliza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa. PARA ZMIENNYCH LOSOWYCH
Analza danych Analza danych welowymarowych. Regresja lnowa. Dyskrymnacja lnowa. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ PARA ZMIENNYCH LOSOWYCH Parę zmennych losowych X, Y możemy
Bardziej szczegółowoKatarzyna Osiecka Politechnika Warszawska Józef Stawicki Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE X Oólnopolske Semnarum Naukowe, 4 6 wrześna 27 w Torunu Kaedra Ekonomer Saysyk, Unwersye Mkołaja Kopernka w Torunu Kaarzyna Osecka Polechnka Warszawska Józef Sawck Unwersye
Bardziej szczegółowoRozdział 2. Zasady budowy prognoz
Rozdzał. Zasady budowy prognoz Rozdzał. Zasady budowy prognoz (z ksążk A. Mankowsk, Z. arapaa, Prognozowane symulacja rozwoju przedsęborsw, Warszawa 00) Kopowane za zgodą auorów.. Rodzaje prognoz... Klasyfkacje
Bardziej szczegółowoZaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,
Bardziej szczegółowoZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 2(88)/2012
ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW (88)/01 Hubert Sar, Potr Fundowcz 1 WYZNACZANIE ASOWEGO OENTU BEZWŁADNOŚCI WZGLĘDE OSI PIONOWEJ DLA SAOCHODU TYPU VAN NA PODSTAWIE WZORU EPIRYCZNEGO 1. Wstęp asowy moment
Bardziej szczegółowoZbigniew Palmowski. Analiza Przeżycia
Zbgnew Palmowsk Analza Przeżyca Wrocław 9 Zbgnew Palmowsk Docendo dscmus (Ucząc nnych, sam sę uczymy) Seneka Mos of he me I fnd myself workng n heorecal problems, because I am neresed n applcaons. I also
Bardziej szczegółowoProjekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE
Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:
Bardziej szczegółowo