Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych
|
|
- Maksymilian Kurek
- 7 lat temu
- Przeglądów:
Transkrypt
1 Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych Mariusz Hamulczuk Pułtusk
2 Wprowadzenie Przewidywanie a prognozowanie Metoda prognozowania rodzaje metod i prognoz Czy moŝna prognozować przyszłość efektywność informacyjna rynku? Funkcje prognoz: decyzyjna, aktywizująca, informacyjna Mikroekonomiczny wymiar prognoz gospodarczych System informacji rynkowej a prognozy
3 Metody / modele szeregów czasowych Model szeregu czasowego. Model szeregu czasowego traktuje się jako czarną skrzynkę. Prawidłowości: w strukturze szeregu czasowego: trend, wahania cykliczne, sezonowość, przypadkowe Y = t f ( TC, S, E t t t ) Rodzaje modeli Czy to wystarcza do przewidzenia przyszłości?
4 1,20 1,15 1,10 1,05 1,00 0,95 0,90 0,85 0,80 Przykładowe prawidłowości ceny Ŝywca wieprzowego C 1,20 1,15 sty 00 sty 01 sty 02 sty 03 sty 04 sty 05 sty 06 sty 07 sty 08 sty 09 sty 10 sty 11 1,10 1,05 1,00 0,95 0,90 0,85 0,80 S sty 00 sty 01 sty 02 sty 03 sty 04 sty 05 sty 06 sty 07 sty 08 sty 09 sty 10 sty 11
5 Cel badań empirycznych: Zbadanie właściwości i prawidłowości szeregów czasowych wybranych miesięcznych cen surowców rolnych, Ocena zdolności prognostycznych modeli szeregów czasowych, Wnioski co do przydatności modeli szeregów czasowych do krótkookresowego prognozowania cen surowców rolnych.
6 Modele ARIMA (p,d,q)(p,d,q) Y t = φ0 + φ1y t 1 + φt 2Yt φ pyt p + Φ1Yt S + Φ 2Yt 2S Φ PYt + e t + θ 1et 1 + θ2et θqet q + Θ1et S + Θ2et 2S Θ PS Q e + t QS Yt Yt 1 t 2 Y... Yt p - wartość zmiennej w momencie/okresie t t 1, t 2,..., t p φ,, p rząd autoregresji oznaczający maksymalne opóźnienie zmiennej objaśnianej, φ0 φ 1... φ p - parametry modelu autoregresyjnego, et - błędy (reszty) modelu, tzw. biały szum. q rząd średniej ruchomej oznaczający maksymalne jej opóźnienie, θ 0 θ 1... θ q parametry modelu średniej ruchomej, Φ i Θ oznaczają sezonowe parametry części odpowiednio: autoregresyjnej i średniej ruchomej. S d S D ( B) Φ( B )(1 B) (1 B ) Yt = φ0 + θ ( B) Θ ( B S ) e t
7 Model regarima φ S d S D ( B) Φ( B )(1 B) (1 B ) Yt = 0 + ( B) Θ φ θ ( B S ) e t Model RegARIMA φ ( B) Φ( B )( 1 B) (1 B ) ( Y X ) β = θ ( B) Θ( B ) e, t Y t oryginalny szereg czasowy, β i parametr przy i-tej zmiennej objaśniającej, X t i-ta zmienna objaśniająca: Obserwacje nietypowe: AO, TC, LS, RP Efekty dni roboczych Efekt Wielkanocy Inne S d Ogólny cel komponentu reg : usunięcie nieliniowości z oryginalnego szeregu S D t i i i t S
8 Metody sezonowej korekty danych X-12-ARIMA i TRAMO/SEATS Cel metod: analiza trendu i wahań nieregularnych estymacja i usuwanie czynnika sezonowego z szeregu czasowego prognoza krótkookresowa RóŜne sposoby estymacji komponentów szeregu czasowego: model ARIMA (TRAMO/SEATS) filtry ad-hoc średniej ruchomej (X-12-ARIMA) Obie metody dokonują wstępnej korekty szeregu czasowego o efekty dni roboczych, obserwacje odstające, wpływ czynników zewnętrznych (rozszerzony model ARIMA) Metody rekomendowane przez Eurostat. Demetra +.
9 Miesięczne ceny skupu pszenicy
10 Ceny pszenicy porównanie czynników sezonowych
11 Ceny pszenicy model regarima (1,1,0)(0,1,1)
12 Miesięczne ceny skupu żywca wieprzowego w Polsce
13 Ceny żywca wieprzowego porównanie czynników sezonowych
14 Ceny żywca wieprzowego - model regarima (1,1,0)(0,1,1)
15 Dokładność prognoz ex post Analiza prognoz ex post: marzec marzec 2011 Błędy obliczono za pomocą: MAPE = 1 k k t= 1 Y t Y Yˆ t t 100% gdzie: k liczba wykonanych prognoz ex post, Yt realizacja zmiennej Y w momencie t, Ŷt prognoza zmiennej Y na moment t. Porównanie z prognozami naiwnymi oraz prognozami Zespołu ekspertów ARR
16 Prognozy ex post cen pszenicy regarma Tramo Seats
17 Błędy ex post prognoz cen pszenicy
18 Błędy ex post prognoz cen wieprzowiny
19 Podsumowanie Modele szeregów czasowych pozwalają na formułowanie wniosków w zakresie prawidłowości kształtowania cen: trendu, wahań cyklicznych, czy sezonowości. Wejście do UE miało wpływ na zmiany wzorców i zmiany poziomów cen. Modele szeregów czasowych stanowić mogą narzędzie prognoz krótkookresowych na okres do 3 miesięcy.
20 Podsumowanie Prognozy budowane na podstawie modeli szeregów czasowych są generalnie mniej dokładne niŝ prognozy formułowane na podstawie opinii ekspertów. Metody szeregów czasowych mogą stanowić źródło wiedzy o prawidłowościach natomiast prognozy generowane z ich udziałem powinny być merytorycznie ocenianie/korygowane przez ekspertów. Prognozowanie jest bardziej sztuką niŝ nauką.
21 Dziękuj kuję za uwagę
Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody. Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB
Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB Plan prezentacji Wprowadzenie do prognozowania Metody
Bardziej szczegółowoZMIENNOŚĆI CENOWE NA RYNKACH ROLNYCH. Mariusz Hamulczuk SGGW
ZMIENNOŚĆI CENOWE NA RYNKACH ROLNYCH Mariusz Hamulczuk SGGW 2 Wstęp Rola cen w gospodarce rynkowej, Funkcja celu uczestników rynku rolnego, Zmiany ceny jako źródło ekspozycji na ryzyko dochodowe (zmienność
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 szczegółowoWprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA
Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Modele tej klasy są modelami ateoretycznymi Ważną klasę modeli dynamicznych stanowią
Bardziej szczegółowoI. Szereg niesezonowy
Spis I. Szereg niesezonowy 1.1. Opis danych 1.2. Dekompozycja szeregu w programie Demetra 1.3. Analiza szeregu w STATA 1.4. Model ekstrapolacyjny 1.5. Model ARIMA 1.6. P II Szereg sezonowy 2.1. Opis danych
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 szczegółowoPrognozowanie na podstawie modelu ekonometrycznego
Prognozowanie na podstawie modelu ekonometrycznego Przykład. Firma usługowa świadcząca usługi doradcze w ostatnich kwartałach (t) odnotowała wynik finansowy (yt - tys. zł), obsługując liczbę klientów (x1t)
Bardziej szczegółowoPrognozowanie cen żywca wieprzowego z wykorzystaniem modeli zgodnych i zmiennych wyprzedzających
Mariusz Hamulczuk Katedra Ekonomiki Rolnictwa i Międzynarodowych Stosunków Gospodarczych SGGW Prognozowanie cen żywca wieprzowego z wykorzystaniem modeli zgodnych i zmiennych wyprzedzających Wstęp Prognozowanie
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK
1 PROGNOZOWANIE I SYMULACJE 2 http://www.outcome-seo.pl/excel1.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodatek Solver jest dostępny w menu Narzędzia. Jeżeli Solver nie jest
Bardziej szczegółowoWprowadzenie do teorii prognozowania
Wprowadzenie do teorii prognozowania I Pojęcia: 1. Prognoza i zmienna prognozowana (przedmiot prognozy). Prognoza punktowa i przedziałowa. 2. Okres prognozy i horyzont prognozy. Prognozy krótkoterminowe
Bardziej szczegółowoAnaliza autokorelacji
Analiza autokorelacji Oblicza się wartości współczynników korelacji między y t oraz y t-i (dla i=1,2,...,k), czyli współczynniki autokorelacji różnych rzędów. Bada się statystyczną istotność tych współczynników.
Bardziej szczegółowoZapraszamy do współpracy FACULTY OF ENGINEERING MANAGEMENT www.fem.put.poznan.pl Agnieszka Stachowiak agnieszka.stachowiak@put.poznan.pl Pokój 312 (obok czytelni) Dyżury: strona wydziałowa Materiały dydaktyczne:
Bardziej szczegółowoĆwiczenia IV
Ćwiczenia IV - 17.10.2007 1. Spośród podanych macierzy X wskaż te, których nie można wykorzystać do estymacji MNK parametrów modelu ekonometrycznego postaci y = β 0 + β 1 x 1 + β 2 x 2 + ε 2. Na podstawie
Bardziej 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 szczegółowoAnaliza sezonowości. Sezonowość może mieć charakter addytywny lub multiplikatywny
Analiza sezonowości Wiele zjawisk charakteryzuje się nie tylko trendem i wahaniami przypadkowymi, lecz także pewną sezonowością. Występowanie wahań sezonowych może mieć charakter kwartalny, miesięczny,
Bardziej 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 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 szczegółowoPROGNOZOWANIE PRZYCHODÓW ZE SPRZEDAŻY
Joanna Chrabołowska Joanicjusz Nazarko PROGNOZOWANIE PRZYCHODÓW ZE SPRZEDAŻY NA PRZYKŁADZIE PRZEDSIĘBIORSTWA HANDLOWEGO TYPU CASH & CARRY Wprowadzenie Wśród wielu prognoz szczególną rolę w zarządzaniu
Bardziej szczegółowo4. Średnia i autoregresja zmiennej prognozowanej
4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)
Bardziej szczegółowoEkonometria. Modele dynamiczne. Paweł Cibis 27 kwietnia 2006
Modele dynamiczne Paweł Cibis pcibis@o2.pl 27 kwietnia 2006 1 Wyodrębnianie tendencji rozwojowej 2 Etap I Wyodrębnienie tendencji rozwojowej Etap II Uwolnienie wyrazów szeregu empirycznego od trendu Etap
Bardziej szczegółowoPrognozowanie popytu. mgr inż. Michał Adamczak
Prognozowanie popytu mgr inż. Michał Adamczak Plan prezentacji 1. Definicja prognozy 2. Klasyfikacja prognoz 3. Szereg czasowy 4. Metody prognozowania 4.1. Model naiwny 4.2. Modele średniej arytmetycznej
Bardziej 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 szczegółowoK wartość kapitału zaangażowanego w proces produkcji, w tys. jp.
Sprawdzian 2. Zadanie 1. Za pomocą KMNK oszacowano następującą funkcję produkcji: Gdzie: P wartość produkcji, w tys. jp (jednostek pieniężnych) K wartość kapitału zaangażowanego w proces produkcji, w tys.
Bardziej szczegółowoĆwiczenia 13 WAHANIA SEZONOWE
Ćwiczenia 3 WAHANIA SEZONOWE Wyrównanie szeregu czasowego (wyodrębnienie czystego trendu) mechanicznie Zadanie. Badano spożycie owoców i przetworów (yt) (w kg) w latach według kwartałów: kwartał lata 009
Bardziej szczegółowoOcena jakości prognoz wybranych wskaźników rozwoju gospodarczego woj. lubelskiego
61 Barometr Regionalny Nr 2(24) 2011 Ocena jakości prognoz wybranych wskaźników rozwoju gospodarczego woj. lubelskiego Jarosław Bielak Wyższa Szkoła Zarządzania i Administracji w Zamościu Streszczenie:
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 szczegółowoKRÓTKOOKRESOWE PROGNOZOWANIE CENY EKSPORTOWEJ WĘGLA ROSYJSKIEGO W PORTACH BAŁTYCKICH. Sławomir Śmiech, Monika Papież
KRÓTKOOKRESOWE PROGNOZOWANIE CENY EKSPORTOWEJ WĘGLA ROSYJSKIEGO W PORTACH BAŁTYCKICH Sławomir Śmiech, Monika Papież email: smiechs@uek.krakow.pl papiezm@uek.krakow.pl Plan prezentacji Wprowadzenie Ceny
Bardziej szczegółowoAnaliza metod prognozowania kursów akcji
Analiza metod prognozowania kursów akcji Izabela Łabuś Wydział InŜynierii Mechanicznej i Informatyki Kierunek informatyka, Rok V Specjalność informatyka ekonomiczna Politechnika Częstochowska izulka184@o2.pl
Bardziej szczegółowoProjekcja wyników ekonomicznych produkcji mleka na 2020 rok. Seminarium, IERiGŻ-PIB, r. mgr Konrad Jabłoński
Projekcja wyników ekonomicznych produkcji mleka na 2020 rok Seminarium, IERiGŻ-PIB, 02.09.2016 r. mgr Konrad Jabłoński Plan prezentacji 1. Cel badań 2. Metodyka badań 3. Projekcja wyników ekonomicznych
Bardziej szczegółowoPAWEŁ SZOŁTYSEK WYDZIAŁ NAUK EKONOMICZNYCH
PROGNOZA WIELKOŚCI ZUŻYCIA CIEPŁA DOSTARCZANEGO PRZEZ FIRMĘ FORTUM DLA CELÓW CENTRALNEGO OGRZEWANIA W ROKU 2013 DLA BUDYNKÓW WSPÓLNOTY MIESZKANIOWEJ PRZY UL. GAJOWEJ 14-16, 20-24 WE WROCŁAWIU PAWEŁ SZOŁTYSEK
Bardziej szczegółowoModelowanie i prognozowanie cen surowców energetycznych. Monika Papie Sławomir Âmiech
Modelowanie i prognozowanie cen surowców energetycznych Monika Papie Sławomir Âmiech Modelowanie i prognozowanie cen surowców energetycznych Autorzy: Monika Papie wst p*, rozdziały: 2, 3.5, 4; 5, 7, zakoƒczenie*
Bardziej szczegółowoDopasowywanie modelu do danych
Tematyka wykładu dopasowanie modelu trendu do danych; wybrane rodzaje modeli trendu i ich właściwości; dopasowanie modeli do danych za pomocą narzędzi wykresów liniowych (wykresów rozrzutu) programu STATISTICA;
Bardziej szczegółowoREAKCJA CEN SKUPU ŻYWCA WIEPRZOWEGO W POLSCE NA ZMIANY INDEKSU GIEŁDOWEGO UJĘCIE EKONOMETRYCZNE
ROCZNIKI NAUKOWE Reakcja cen STOWARZYSZENIA skupu żywca wieprzowego EKONOMISTÓW w Polsce na zmiany ROLNICTWA indeksu giełdowego... I AGROBIZNESU 2017 tom XIX zeszyt 4 doi: 10.5604/01.3001.0010.5158 wpłynęło:
Bardziej szczegółowoWydatki [zł] Wydatki 36,4 38, ,6 37,6 40, , ,5 33 Czas
Wydatki [zł] Zestaw zadań z Zastosowania metod progn. Zadanie 1 Dany jest następujący szereg czasowy: t 1 2 3 4 5 6 7 8 y t 11 14 13 18 17 25 26 28 Dokonaj jego dekompozycji na podstawowe składowe. Wykonaj
Bardziej szczegółowoSylabus Formularz opisu przedmiotu (formularz sylabusa) dla studiów I i II stopnia 1 wypełnia koordynator przedmiotu
Sylabus Formularz opisu przedmiotu (formularz sylabusa) dla studiów I i II stopnia 1 wypełnia koordynator przedmiotu A. Informacje ogólne Nazwa pola Nazwa przedmiotu Treść Analiza Szeregów Czasowych Jednostka
Bardziej szczegółowoFORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS
FOLIA UNIVERSITATIS AGRICULTURAE STETINENSIS Folia Univ. Agric. Stetin. 007, Oeconomica 54 (47), 73 80 Mateusz GOC PROGNOZOWANIE ROZKŁADÓW LICZBY BEZROBOTNYCH WEDŁUG MIAST I POWIATÓW FORECASTING THE DISTRIBUTION
Bardziej szczegółowoEKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE
EKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE ZADANIE 1 Oszacowano zależność między luką popytowa a stopą inflacji dla gospodarki niemieckiej. Wyniki estymacji są następujące: Estymacja KMNK,
Bardziej szczegółowoKształtowanie się cen m 2 mieszkania we Wrocławiu w krótkim okresie
Kształtowanie się cen m 2 mieszkania we Wrocławiu w krótkim okresie Projekt prognostyczny ElŜbieta Bulak Piotr Olszewski Michał Tomanek Tomasz Witka IV ZI gr. 13. Wrocław 2007 I. Sformułowanie zadania
Bardziej szczegółowoze skupem żywca wieprzowego w polsce w latach wstęp
AnnA OlszAńskA Uniwersytet Ekonomiczny Wrocław Ceny targowiskowe prosiąt i ich związki ze skupem żywca wieprzowego w polsce w latach 1991-29 wstęp Ceny targowiskowe prosiąt mają charakter rynkowy i ich
Bardziej szczegółowoPo co w ogóle prognozujemy?
Po co w ogóle prognozujemy? Pojęcie prognozy: racjonalne, naukowe przewidywanie przyszłych zdarzeń stwierdzenie odnoszącym się do określonej przyszłości formułowanym z wykorzystaniem metod naukowym, weryfikowalnym
Bardziej szczegółowoEkonometria Wykład 4 Prognozowanie, sezonowość. Dr Michał Gradzewicz Katedra Ekonomii I KAE
Ekonometria Wykład 4 Prognozowanie, sezonowość Dr Michał Gradzewicz Katedra Ekonomii I KAE Plan wykładu Prognozowanie Założenia i własności predykcji ekonometrycznej Stabilność modelu ekonometrycznego
Bardziej szczegółowoSTATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND Finanse i Rachunkowość rok 2 Analiza dynamiki Szereg czasowy: y 1 y 2... y n 1 y n. y t poziom (wartość) badanego zjawiska w
Bardziej szczegółowoArkadiusz Manikowski Zbigniew Tarapata. Prognozowanie i symulacja rozwoju przedsiębiorstw
Arkadiusz Manikowski Zbigniew Tarapata Prognozowanie i symulacja rozwoju przedsiębiorstw Warszawa 2002 Recenzenci doc. dr. inż. Ryszard Mizera skład i Łamanie mgr. inż Ignacy Nyka PROJEKT OKŁADKI GrafComp,
Bardziej szczegółowoUniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2010/2011
SYLLABUS na rok akademicki 00/0 Tryb studiów Stacjonarne Nazwa kierunku studiów EKONOMIA Poziom studiów Stopień pierwszy Rok studiów/ semestr III; semestr 5 Specjalność Bez specjalności Kod przedmiotu
Bardziej szczegółowoImię, nazwisko i tytuł/stopień KOORDYNATORA przedmiotu zatwierdzającego protokoły w systemie USOS Jacek Marcinkiewicz, dr
Tryb studiów Stacjonarne Nazwa kierunku studiów EKONOMIA Poziom studiów Stopień pierwszy Rok studiów/ semestr III; semestr 5 Specjalność Bez specjalności Kod przedmiotu w systemie USOS 1000-ES1-3EC1 Liczba
Bardziej szczegółowo23 Zagadnienia - Prognozowanie i symulacje
1. WYJAŚNIJ POJĘCIE PROGNOZY I OMÓW PODSTAWOWE PEŁNIONE PRZEZ PROGNOZĘ FUNKCJE. Prognoza - jest to sąd dotyczący przyszłej wartości pewnego zjawiska o następujących właściwościach: jest sformułowany w
Bardziej szczegółowoWybrane problemy prognozowania cen produktów rolnych
V EUROPEJSKI KONGRES MENADŻERÓW AGROBIZNESU, ŁYSOMICE 14.11.218 Wybrane problemy prognozowania cen produków rolnych Cezary Klimkowski INSTYTUT EKONOMIKI ROLNICTWA I GOSPODARKI ŻYWNOŚCIOWEJ PAŃSTWOWY INSTYTUT
Bardziej szczegółowoNa poprzednim wykładzie omówiliśmy podstawowe zagadnienia. związane z badaniem dynami zjawisk. Dzisiaj dokładniej zagłębimy
Analiza dynami zjawisk Na poprzednim wykładzie omówiliśmy podstawowe zagadnienia związane z badaniem dynami zjawisk. Dzisiaj dokładniej zagłębimy się w tej tematyce. Indywidualne indeksy dynamiki Indywidualne
Bardziej szczegółowoPROGNOZOWANIE SPRZEDAŻY STUDIUM PRZYPADKU
PROGNOZOWANIE SPRZEDAŻY STUDIUM PRZYPADKU prof. dr hab. Andrzej Sokołowski 2 W tym opracowaniu przedstawiony zostanie przebieg procesu poszukiwania modelu prognostycznego wykorzystującego jedynie przeszłe
Bardziej szczegółowoEkonometria. Modelowanie zmiennej jakościowej. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Modelowanie zmiennej jakościowej Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 8 Zmienna jakościowa 1 / 25 Zmienna jakościowa Zmienna ilościowa może zostać zmierzona
Bardziej szczegółowoA.Światkowski. Wroclaw University of Economics. Working paper
A.Światkowski Wroclaw University of Economics Working paper 1 Planowanie sprzedaży na przykładzie przedsiębiorstwa z branży deweloperskiej Cel pracy: Zaplanowanie sprzedaży spółki na rok 2012 Słowa kluczowe:
Bardziej szczegółowoRola innowacji w ocenie ryzyka eksploatacji obiektów hydrotechnicznych
Politechnika Krakowska Instytut Inżynierii i Gospodarki Wodnej Rola innowacji w ocenie ryzyka eksploatacji obiektów hydrotechnicznych XXVI Konferencja Naukowa Metody Komputerowe w Projektowaniu i Analizie
Bardziej szczegółowoKONCEPCJA SPOSOBU PROGNOZOWANIA CEN PSZENICY W POLSCE IDEA OF FORECASTING THE PRICE OF WHEAT IN POLAND. Wstęp
STOWARZYSZENIE EKONOMISTÓW Koncepcja sposobu ROLNICTWA prognozowania I AGROBIZNESU cen pszenicy w Polsce Roczniki Naukowe tom XVI zeszyt 5 79 Kamil Jodź, Agnieszka Mruklik Uniwersytet Przyrodniczy we Wrocławiu
Bardziej szczegółowoWiadomości ogólne o ekonometrii
Wiadomości ogólne o ekonometrii Materiały zostały przygotowane w oparciu o podręcznik Ekonometria Wybrane Zagadnienia, którego autorami są: Bolesław Borkowski, Hanna Dudek oraz Wiesław Szczęsny. Ekonometria
Bardziej szczegółowoProjekt okładki: Aleksandra Olszewska Redakcja: Leszek Plak Copyright by: Wydawnictwo Placet 2008
Projekt okładki: Aleksandra Olszewska Redakcja: Leszek Plak Copyright by: Wydawnictwo Placet 2008 Wszelkie prawa zastrzeżone. Publikacja ani jej części nie mogą być w żadnej formie i za pomocą jakichkolwiek
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 szczegółowoEkonometryczna analiza popytu na wodę
Jacek Batóg Uniwersytet Szczeciński Ekonometryczna analiza popytu na wodę Jednym z czynników niezbędnych dla funkcjonowania gospodarstw domowych oraz realizacji wielu procesów technologicznych jest woda.
Bardziej szczegółowoĆwiczenie 5 PROGNOZOWANIE
Ćwiczenie 5 PROGNOZOWANIE Prognozowanie jest procesem przewidywania przyszłych zdarzeń. Obszary zastosowań prognozowania obejmują np. analizę danych giełdowych, przewidywanie zapotrzebowania na pracowników,
Bardziej szczegółowowprowadzenie do analizy szeregów czasowych
19 stycznia 2016 Wprowadzenie Prezentacja danych Dekompozycja Preprocessing Model predykcji ARIMA Dobór parametrów modelu ARIMA Podsumowanie Definicje i przykłady Definicje Szeregiem czasowym nazywamy
Bardziej szczegółowoBudowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego
Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne
Bardziej szczegółowoMETODA PROGNOZOWANIA RYNKU PRACY Z WYKORZYSTANIEM WSKAŹNIKÓW WYPRZEDZAJĄCYCH
BAROMETR REGIONALNY 57 METODA PROGNOZOWANIA RYNKU PRACY Z WYKORZYSTANIEM WSKAŹNIKÓW WYPRZEDZAJĄCYCH Jarosław Bielak Wyższa Szkoła Zarządzania i Administracji w Zamościu Wstęp Celem niniejszego opracowania
Bardziej szczegółowoIndeksy dynamiki (o stałej i zmiennej podstawie)
Indeksy dynamiki (o stałej i zmiennej podstawie) Proste indeksy dynamiki określają tempo zmian pojedynczego szeregu czasowego. Wyodrębnia się dwa podstawowe typy indeksów: indeksy o stałej podstawie; indeksy
Bardziej szczegółowo/2019 WORKING PAPER. System prognoz krótkoterminowych (wersja pilotażowa)
1 /2019 WORKING PAPER System prognoz krótkoterminowych (wersja pilotażowa) Warszawa, lipiec 2019 r. Autorzy: Michał Gniazdowski, Marek Lachowicz, Krzysztof Marczewski Redakcja: Małgorzata Wieteska Projekt
Bardziej szczegółowoANALIZA DYNAMIKI DOCHODU KRAJOWEGO BRUTTO
ANALIZA DYNAMIKI DOCHODU KRAJOWEGO BRUTTO Wprowadzenie Zmienność koniunktury gospodarczej jest kształtowana przez wiele różnych czynników ekonomicznych i pozaekonomicznych. Znajomość zmienności poszczególnych
Bardziej szczegółowoRecenzenci dr inż. Stanisław Gędek, UP w Lublinie dr Rafał Kusy, WSFiZ w Warszawie. Korekta Barbara Walkiewicz. Redakcja techniczna Leszek Ślipski
Pracę zrealizowano w ramach tematu Rozwój i aplikacja zaawansowanych metod analitycznych do ewolucji ex-ante i ex-post efektów zmian we Wspólnej Polityce Rolnej i w uwarunkowaniach makroekonomicznych w
Bardziej szczegółowoAnaliza Zmian w czasie
Statystyka Opisowa z Demografią oraz Biostatystyka Analiza Zmian w czasie Aleksander Denisiuk denisjuk@euh-e.edu.pl Elblaska Uczelnia Humanistyczno-Ekonomiczna ul. Lotnicza 2 82-300 Elblag oraz Biostatystyka
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
Bardziej szczegółowoMetoda najmniejszych kwadratów
Model ekonometryczny Wykształcenie a zarobki Hipoteza badawcza: Istnieje zależność między poziomem wykształcenia a wysokością zarobków Wykształcenie a zarobki Hipoteza badawcza: Istnieje zależność między
Bardziej szczegółowoWYKORZYSTANIE MODELI AUTOREGRESJI DO PROGNOZOWANIA SZEREGU CZASOWEGO ZWIĄZANEGO ZE SPRZEDAŻĄ ASORTYMENTU HUTNICZEGO
5/18 ARCHIWUM ODLEWNICTWA Rok 2006, Rocznik 6, Nr 18 (1/2) ARCHIVES OF FOUNDRY Year 2006, Volume 6, N o 18 (1/2) PAN Katowice PL ISSN 1642-5308 WYKORZYSTANIE MODELI AUTOREGRESJI DO PROGNOZOWANIA SZEREGU
Bardziej szczegółowoStanisław Cichocki Natalia Neherbecka
Stanisław Cichocki Natalia Neherbecka 13 marca 2010 1 1. Kryteria informacyjne 2. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych opóźnieniach (ADL) 3. Analiza
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 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 szczegółowoPROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński
Ćwiczenia 2 mgr Dawid Doliński Modele szeregów czasowych sały poziom rend sezonowość Y Y Y Czas Czas Czas Modele naiwny Modele średniej arymeycznej Model Browna Modele ARMA Model Hola Modele analiyczne
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 szczegółowoJEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY
JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY Będziemy zapisywać wektory w postaci (,, ) albo traktując go jak macierz jednokolumnową (dzięki temu nie będzie kontrowersji przy transponowaniu wektora ) Model
Bardziej szczegółowoTeoretyczne podstawy analizy indeksowej klasyfikacja indeksów, konstrukcja, zastosowanie
Teoretyczne podstawy analizy indeksowej klasyfikacja indeksów, konstrukcja, zastosowanie Szkolenie dla pracowników Urzędu Statystycznego nt. Wybrane metody statystyczne w analizach makroekonomicznych dr
Bardziej 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 szczegółowoPropozycja modelu prognostycznego dla wartości jednostek rozrachunkowych OFE. 1. Wstęp
1 Sugerowany przypis: Chybalski F., Propozycja modelu prognostycznego dla wartości jednostek rozrachunkowych OFE, Przegląd Statystyczny, nr 3/2006, Dom Wydawniczy Elipsa, Warszawa 2006, s. 73-82 Propozycja
Bardziej szczegółowoDANE STATYSTYKI PUBLICZNEJ I OBLICZENIA WSKAŹNIKÓW CHARAKTERYZUJĄCYCH RYNEK PRACY ORAZ GOSPODARKĘ AGLOMERACJI POZNAŃSKIEJ
DANE STATYSTYKI PUBLICZNEJ I OBLICZENIA WSKAŹNIKÓW CHARAKTERYZUJĄCYCH RYNEK PRACY ORAZ GOSPODARKĘ AGLOMERACJI POZNAŃSKIEJ OBSERWATORIUM GOSPODARKI I RYNKU PRACY AGLOMERACJI POZNAŃSKIEJ STOPA BEZROBOCIA
Bardziej szczegółowoPORÓWNANIE METOD TRAMO-SEATS I SIECI NEURONOWYCH WYKORZYSTYWANYCH DO PROGNOZOWANIA KRÓTKOOKRESOWEGO SZEREGÓW CZASOWYCH WSTĘP
Tomasz Ząbkowski Katedra Ekonometrii i Informatyki, SGGW e-mail: tzabkowski@mors.sggw.waw.pl PORÓWNANIE METOD TRAMO-SEATS I SIECI NEURONOWYCH WYKORZYSTYWANYCH DO PROGNOZOWANIA KRÓTKOOKRESOWEGO SZEREGÓW
Bardziej szczegółowoMRB TO KOMPENDIUM WIEDZY O AKTUALNEJ SYTUACJI GOSPODARCZEJ POLSKI I BRANŻY BUDOWLANEJ. A PONADTO NAJBARDZIEJ AKTUALNE, WIARYGODNE I RZETELNE PROGNOZY.
MRB TO KOMPENDIUM WIEDZY O AKTUALNEJ SYTUACJI GOSPODARCZEJ POLSKI I BRANŻY BUDOWLANEJ. A PONADTO NAJBARDZIEJ AKTUALNE, WIARYGODNE I RZETELNE PROGNOZY. CHCESZ WIEDZIEĆ: JAK KSZTAŁTUJĄ SIĘ PROGNOZY NAJWAŻNIEJSZYCH
Bardziej szczegółowoOCENA PRZYDATNOŚCI MODELU WINTERSA DO PROGNOZOWANIA CEN SKUPU MLEKA
STOWARZYSZENIE Ocena przydatności EKONOMISTÓW modelu Wintersa ROLNICTWA do prognozowania I AGROBIZNESU cen skupu mleka Roczniki Naukowe tom XV zeszyt 4 231 Jarosław Lira Uniwersytet Przyrodniczy w Poznaniu
Bardziej szczegółowoDANE STATYSTYKI PUBLICZNEJ I OBLICZENIA WSKAŹNIKÓW CHARAKTERYZUJĄCYCH RYNEK PRACY ORAZ GOSPODARKĘ AGLOMERACJI POZNAŃSKIEJ
DANE STATYSTYKI PUBLICZNEJ I OBLICZENIA WSKAŹNIKÓW CHARAKTERYZUJĄCYCH RYNEK PRACY ORAZ GOSPODARKĘ AGLOMERACJI POZNAŃSKIEJ OBSERWATORIUM GOSPODARKI I RYNKU PRACY AGLOMERACJI POZNAŃSKIEJ STOPA BEZROBOCIA
Bardziej 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 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 szczegółowoRynek zbóż i żywca: ceny w dół!
https://www. Rynek zbóż i żywca: ceny w dół! Autor: Elżbieta Sulima Data: 13 kwietnia 2016 Ceny zdecydowanie lecą w dół. Sytuacja ta dotyczy nie tylko zbóż, ale również wieprzowiny, brojlerów, cen skupu
Bardziej szczegółowoModelowanie ekonometryczne
Modelowanie ekonometryczne Kamil Skoczylas Kamilskoczylas@wp.pl 1. Wstęp Otaczający nas świat to zbiór różnych zjawisk. W zależności od zainteresowań człowiek staje się obserwatorem niektórych z nich.
Bardziej szczegółowoZmiany koniunktury w Polsce. Budownictwo na tle innych sektorów.
Elżbieta Adamowicz Instytut Rozwoju Gospodarczego Szkoła Główna Handlowa w Warszawie Zmiany koniunktury w Polsce. Budownictwo na tle innych sektorów. W badaniach koniunktury przedmiotem analizy są zmiany
Bardziej szczegółowoPrognozowanie liczby wybranych szkód ubezpieczeniowych w Polsce
The Wroclaw School of Banking Research Journal ISSN 1643-7772 I eissn 2392-1153 Vol. 15 I No. 5 Zeszyty Naukowe Wyższej Szkoły Bankowej we Wrocławiu ISSN 1643-7772 I eissn 2392-1153 R. 15 I Nr 5 Prognozowanie
Bardziej szczegółowoEtapy modelowania ekonometrycznego
Etapy modelowania ekonometrycznego jest podstawowym narzędziem badawczym, jakim posługuje się ekonometria. Stanowi on matematyczno-statystyczną formę zapisu prawidłowości statystycznej w zakresie rozkładu,
Bardziej szczegółowoMODELE ARIMA W PROGNOZOWANIU SPRZEDAŻY***
ZAGADNIENIA TECHNICZNO-EKONOMICZNE Tom 48 Zeszyt 3 2003 Joanna Chrabołowska*, Joanicjusz Nazarko** MODELE ARIMA W PROGNOZOWANIU SPRZEDAŻY*** W artykule przedstawiono metodykę budowy modeli ARIMA oraz ich
Bardziej 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 szczegółowoDANE STATYSTYKI PUBLICZNEJ I OBLICZENIA WSKAŹNIKÓW CHARAKTERYZUJĄCYCH RYNEK PRACY ORAZ GOSPODARKĘ AGLOMERACJI POZNAŃSKIEJ
DANE STATYSTYKI PUBLICZNEJ I OBLICZENIA WSKAŹNIKÓW CHARAKTERYZUJĄCYCH RYNEK PRACY ORAZ GOSPODARKĘ AGLOMERACJI POZNAŃSKIEJ OBSERWATORIUM GOSPODARKI I RYNKU PRACY AGLOMERACJI POZNAŃSKIEJ STOPA BEZROBOCIA
Bardziej szczegółowoPROGNOZA WYSTĄPIENIA WSTRZĄSU ZA POMOCĄ SZEREGÓW CZASOWYCH. 1. Wprowadzenie. Zdzisław Iwulski* Górnictwo i Geoinżynieria Rok 31 Zeszyt 3/1 2007
Górnictwo i Geoinżynieria Rok 31 Zeszyt 3/1 2007 Zdzisław Iwulski* PROGNOZA WYSTĄPIENIA WSTRZĄSU ZA POMOCĄ SZEREGÓW CZASOWYCH 1. Wprowadzenie Z szeregami czasowymi spotykamy się w inżynierii, geologii,
Bardziej szczegółowoAnaliza Szeregów Czasowych
Analiza Szeregów Czasowych Plan 1. Uwagi wstępne (szeregi, przykłady, prognozowanie, ) 2. Cel analizy szeregów czasowych 3. Struktura szeregów czasowych (trend/składowa stała, wahania sezonowe, wahania
Bardziej szczegółowoWprowadzenie do szeregów czasowych i modelu ARIMA
Wprowadzenie do szeregów czasowych i modelu ARIMA 25.02.2011 Plan 1 Pojęcie szeregu czasowego 2 Stacjonarne szeregi czasowe 3 Model autoregresyjny - AR 4 Model średniej ruchomej - MA 5 Model ARMA 6 ARIMA
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 szczegółowoKonkurencyjność gospodarki żywnościowej w warunkach globalizacji i integracji europejskiej
INSTYTUT EKONOMIKI! ROLNICTWA I GOSPODARKI ŻYWNOŚCIOWEJ PAŃSTWOWY INSTYTUT BADAWCZY Konkurencyjność gospodarki żywnościowej w warunkach globalizacji i integracji europejskiej Redakcja naukowa: prof. dr
Bardziej szczegółowoDRZEWA REGRESYJNE I LASY LOSOWE JAKO
DRZEWA REGRESYJNE I LASY LOSOWE JAKO NARZĘDZIA PREDYKCJI SZEREGÓW CZASOWYCH Z WAHANIAMI SEZONOWYMI Grzegorz Dudek Instytut Informatyki Wydział Elektryczny Politechnika Częstochowska www.gdudek.el.pcz.pl
Bardziej szczegółowoOcena działalności przedsiębiorstwa z zastosowaniem wybranych metod ilościowych
Grażyna Karmowska Zakład Analizy Systemowej Akademia Rolnicza w Szczecinie Ocena działalności przedsiębiorstwa z zastosowaniem wybranych metod ilościowych Wstęp Jednym z podstawowych sposobów oceny podejmowanych
Bardziej szczegółowo