Dr Łukasz Goczek. Uniwersytet Warszawski
|
|
- Ryszard Milewski
- 7 lat temu
- Przeglądów:
Transkrypt
1 Dr Łukasz Goczek Uniwersytet Warszawski
2 UWAGA OGÓLNA Stata rozróżnia duże i małe litery w poleceniach. Jeśli polecenie skopiowane z mojej prezentacji nie działa w Stacie, proszę zwrócić uwagę, czy Powerpoint nie zmienił pierwszej litery na dużą!
3 Przypomnienie Nickell (1981) w FE nadal występuje korelacja pomiędzy opóźnioną zmienną zależną i przekształconym wyrażeniem błędu, która sprawia, że estymatory te mają pożądane właściwości wyłącznie asymptotycznie, tzn. gdy liczba obserwacji w czasie zmierza do nieskończoności. Nie jest to przypadek typowego modelu wzrostu gdzie z reguły występuje znacznie mniej niż 5 obserwacji w czasie (ze względu na uśrednianie z reguły jest to 5-1 obserwacji).
4 Z samej definicji metoda ta ogranicza analizę do szukania średniej wewnątrz krajów, pomijając być może istotne różnice między krajami. Metoda ta w żadnym stopniu nie pomaga rozwiązać problemu przyczynowości, błędu pomiaru oraz pominiętych zmiennych, zmiennych w czasie. Nie pozwala również na szacowanie wpływu na wzrost gospodarczy zmiennych o charakterze stałym w czasie, jak np. wpływu geografii czy historii.
5 Rozwiązanie metody zmiennych instrumentalnych (i GMM) Estymatory: Andersona-Hsiao, Arellano-Bonda, Blundella Bonda, PMG, Kivietsa.
6
7 Rozważmy model w pierwszych różnicach: y β it y i t ', 1 x it Pozbycie się efektu stałego i niewiele więcej. y it Transformacja i, t 1 powoduje endogeniczność, ponieważ y y y jest skorelowane z i, t1 y i, t1 w i, t1 i, t1 i, t2 it it i, t1 w Jeżeli nie ma autokorelacji opóźnione zmienne mogą być egzogeniczne, mogą stanowić instrumenty.
8 Po zróżnicowaniu efektów stałych, dostępny jest naturalny estymator Metody Zmiennych Instrumentalnych. Możemy skonstruować instrumenty z opóźnionej zmiennej zależnej, opóźnionej dwa razy, trzy razy itd.
9 Rozwiązaniem problemu błędu pomiarowego i przeciwnej przyczynowości jest estymator Metody Zmiennych Instrumentalnych Andersona i Hsiao (1981) Zakłada szacowanie modelu na pierwszych różnicach i użycie przeszłego poziomu PKB w drugim opóźnieniu jako instrumentu dla opóźnionych pierwszych różnic PKB.
10 Przy założeniu braku AR() w, it naturalnymi instrumentami dla y i, t 1 są y i, t 2 oraz y i, t2 Wyrażenia bliskie y i, t 1 yi, t 2wydaje się rozsądniejsze: już od t = 3 Niemniej jednak tracimy mnóstwo obserwacji, gdy T jest małe. Podobnie w przypadku pozostałych zmiennych
11 Konieczność instalacji pakietu xtivreg2 net install xtivreg2 xi: xtivreg2 dpkb pop lki i.num5 (lpkb = l.lpkb), fd Parametr fd wybiera estymator Andersona i Hsiao 1981, lecz dostępne inne metody. help xtivreg2
12 IV (2SLS) estimation Estimates efficient for homoskedasticity only Statistics consistent for homoskedasticity only [del] D.dpkb Coef. Std. Err. z P> z [95% Conf. Interval] lpkb D [del] Underidentification test (Anderson canon. corr. LM statistic): Chi-sq(1) P-val = Weak identification test (Cragg-Donald Wald F statistic): Stock-Yogo weak ID test critical values: 1% maximal IV size % maximal IV size % maximal IV size % maximal IV size 5.53 Source: Stock-Yogo (25). Reproduced by permission Sargan statistic (overidentification test of all instruments):. (equation exactly identified)
13 Egzogenicznośd instrumentów Craig Donald F Poprawnośd instrumentów Sargan (o teście na koocu). Werdykt: Instrumenty egzogeniczne, ale restrykcje przeidentyfikujące niepoprawne.
14 Pozwala to na wyizolowanie tej części wariacji zmiennej objaśnianej, która nie jest związana z przeciwną przyczynowością, pominiętymi zmiennymi i błędem pomiarowym. Metoda ta prowadzi do oszacowań zgodnych, lecz mogą być one nieefektywne przy niesferyczności składnika losowego z powodu braku wykorzystania wszystkich warunków dotyczących momentów (Hansen, 1982).
15 Konieczność dalszych opóźnień niepożądana. o Zmniejszenie T. o Problem dla krótkich paneli Po zróżnicowaniu, błędy nie i.i.d. o it i i, t 1 skorelowane o 2SLS nieefektywna
16 Zasadność wprowadzenia instrumentu w postaci opóźnienia zmiennej objaśnianej zapisać można w postaci założenia identyfikującego momenty: E u u y it i, t1 i, t2 Aby podnieść efektywność estymatora, Arellano i Bond (1991) wykorzystują wszystkie możliwe instrumenty w postaci opóźnień i różnic. Zasadność wprowadzenia tych instrumentów należy zapisać w postaci warunków dotyczących momentów, założeń identyfikujących, które służą do zbudowania estymatora Uogólnionej Metody Momentów.
17 Użycie dużej ilości opóźnień. W przypadku braku w macierzy zero. Utworzono instrumenty dla każdego opóźnienia i okresu. Instrumenty IV: 2, 1.. T i i y y UMM: i i i i i i y y y y y y Wynik: Arellano-Bond (1991) estymator różnicowy UMM
18 Warunki momentów utworzono przy założeniu, że opóźnione poziomy zmiennej zależnej są ortogonalne do zróżnicowanego zaburzenia są znane jako warunki momentów UMM. Warunki momentów tworzone przy użyciu ściśle egzogenicznych zmiennych są po prostu standardowymi warunkami metody zmiennych instrumentalnych( IV), nazywane są też standardowymi warunkami momentów.
19 Skund one się wzieły, te instrumenty czy jak? Każdy regresor traktujemy jako ściśle egzogeniczny. Każdy regresor daje jeden instrument. Pozostałe instrumenty pochodzą z p-2 instrumentów dostępnych w okresach p = 3, 4,, T W okresie 3, y i1 jest poprawnym instrumentem dla y i3 W okresie 4, y i1 i y i2 są poprawnym instrumentami dla y i4 W okresie 5, y i1, yi 2 i y i3 są poprawnym instrumentami dla y i5 W okresie 6, y i1, y i2, y i3 i y i4 są poprawnym instrumentami dla y i6 i tak dalej
20 Liczba instrumentów: p = T 2 (jeden okres na różnice, jeden na opóźnienie) k + p (p + 1)/2 Gdzie k to liczba egzogenicznych zmiennych.
21 xtabond dpkb l.lpkb pop ki, lags(1) vce(robust) artests(2) Arellano-Bond dynamic panel-data estimation Number of obs = 1214 Group variable: cty Number of groups = 188 Time variable: num5 Obs per group: min = 1 avg = max = 9 Number of instruments = 49 Wald chi2(4) = Prob > chi2 =. One-step results (Std. Err. adjusted for clustering on cty) Robust dpkb Coef. Std. Err. z P> z [95% Conf. Interval] dpkb L lpkb L pop ki _cons Instruments for differenced equation GMM-type: L(2/.).dpkb Standard: LD.lpkb D.pop D.ki Instruments for level equation
22 Liczba instrumentów: p = (9 + 1)/2 =49
23 Porównanie estymatorów jedno i dwustopniowych: xi: xtabond dpkb l.lpkb pop ki i.num5, lags(2) eststo AB_ONESTEP xi: xtabond dpkb l.lpkb pop ki i.num5, lags(2) two eststo AB_TWOSTEP esttab
24 (1) (2) stopniowa stopniowa L.dpkb -.784** -.118*** (-3.16) (-4.5) L2.dpkb -.176*** -.112*** (-7.27) (-6.41) L.lpkb -.443*** -.444*** (-25.45) (-19.57) pop (-.63) (-1.84) ki.468***.538*** (5.77) (6.5) cons 3.734*** 3.789*** (23.94) (19.93) N
25 Natura problemu wydaje się byd związana z nadmiernym dopasowaniem. Efektywne UMM daje mniejszą wagę momentom z wysoką wariancją (wysoka waga drugich momentów) Możliwe, że UMM w małych próbkach może nie brad pod uwagę obserwacji mniej typowych (wysoka waga pierwszych momentów) Wskazywana jest przypadkowa precyzja.
26 Oszacowanie jednostopniowe: Y ˆβ 1 f (warunkowo względem X, Z) Oszacowanie jednostopniowe błędów do Ωˆ : βˆ 1 ' 1 ˆ ' ' ' 1 ˆ ' Z X X Z Z ΩZ Z Y g( Y, Ωˆ ) g( Y, f ( )) ' 2 X Z Z ΩZ Y Standardowe oszacowanie ˆ 2 Var β uznaje Ωˆ za stałą, obserwowaną i dokładną pomimo zależności od losowego Y.
27 Roszerzenie Taylora g wokół prawdziwego β : βˆ 2 g βˆ Y, Ωˆ gy, Ωˆ gy, Ωˆ βˆ β ˆ 1 ˆ βˆ β Korekta bierze się z drugiego wyrazu: E β ˆ 1 β zatem ˆ E β 2 brak obciążeń współczynników Wpływ na wariancję - jedynie na błędy. 1
28 Porównanie estymatorów jedno i dwustopniowych: xi: xtabond dpkb l.lpkb pop ki i.num5, lags(2) eststo AB_ONESTEP xi: xtabond dpkb l.lpkb pop ki i.num5, lags(2) two eststo AB_TWOSTEP xi: xtabond dpkb l.lpkb pop ki i.num5, lags(2) two vce(robust) eststo AB_TWOSTEP_WIND esttab
29 (1) (2) (3) ONESTEP TWOSTEP TWOSTEP_WIND L.dpkb -.784** -.118*** -.118* (-3.16) (-4.5) (-2.18) L2.dpkb -.176*** -.112*** -.112*** (-7.27) (-6.41) (-3.41) L.lpkb -.443*** -.444*** -.444*** (-25.45) (-19.57) (-1.65) pop (-.63) (-1.84) (-.7) ki.468***.538***.538*** (5.77) (6.5) (3.66) _cons 3.734*** 3.789*** 3.789*** (23.94) (19.93) (11.23) N t statistics in parentheses * p<.5, ** p<.1, *** p<.1.
30 Hipoteza zerowa: H : wprowadzenie restrykcji było uzasadnione. Sar ' ZW Z' u ~ Statystyka testu określona jest jako: 1 N 1 gdzie: W N jest optymalną macierzą wag, ~ u 1 jest wektorem reszt z I stopnia estymacji dla odpowiedniego estymatora. 1 N u ~ u 1 dla UMM w modelu na pierwszych różnicach u 1 ˆ 1 u dla systemowego UMM, Z jest macierzą instrumentów odpowiadającą danemu estymatorowi.
31 Hipoteza zerowa: H : wprowadzenie restrykcji było uzasadnione. Sar ' ZW Z' u ~ Statystyka testu określona jest jako: 1 N 1 1 N u ~ Statystyka ma asymptotycznie rozkład 2 pk, gdzie p oznacza liczbę wszystkich wykorzystywanych warunków, natomiast k jest liczbą szacowanych parametrów.
32 xtabond dpkb l.lpkb pop ki, lags(2) artests(2) estat sargan Sargan test of overidentifying restrictions H: overidentifying restrictions are valid chi2(42) = Prob > chi2 =.
33 xtabond dpkb l.lpkb pop ki, lags(5) artests(2) estat sargan Sargan test of overidentifying restrictions H: overidentifying restrictions are valid chi2(3) = Prob > chi2 =.
34 xtabond dpkb l.lpkb pop ki, lags(7) artests(2) estat sargan Sargan test of overidentifying restrictions H: overidentifying restrictions are valid chi2(9) = Prob > chi2 =.1934
35 Niby sukces, ale test osłabł od dużej ilości instrumentów!
36 Spodziewamy się AR() w it i it Aby sprawdzić AR(1) w it, testujemy AR(2) w e it porównujemy e it e i, t 1 i e i, t 2 e i, t 3 żeby stwierdzić e e i, t1 ~ i, t2 Statistyka testu AR(l): i, t e it e i, t l Normalny rozkład przy H o braku AR(l) Arellano i Bond obliczają odchylenie test z dla AR()
37 xtabond dpkb l.lpkb pop ki, lags(1) artests(2) estat abond artests not computed for one-step system estimator with vce(gmm) Arellano-Bond test for zero autocorrelation in firstdifferenced errors Order z Prob > z H: no autocorrelation
38 Obecność autokorelacji pierwszego rzędu przyrostów zakłóceń wynika z konstrukcji modelu. Oznacza to, że obecność autokorelacji pierwszego rzędu nie świadczy o niezgodności estymatorów UMM. H odrzucona również na drugim poziomie. Tu problem, autokorelacja drugiego rzędu. Oszacowania niezgodne. Zwiększamy liczbę opóźnień.
39 xtabond dpkb l.lpkb pop ki, lags(2) artests(2) estat abond artests not computed for one-step system estimator with vce(gmm) Arellano-Bond test for zero autocorrelation in firstdifferenced errors Order z Prob > z H: no autocorrelation
40 ALGORYTM 1. FE>MNK, chociaż w przypadku niektórych obciążeń MNK bardziej efektywna. 2. FE versus RE, BE - test Hausmanna. 3. Jeżeli FE test Woolridge a, czy poprawka na zaburzenie AR(1) 4. Pozostaje zbadać, czy model FE jednokierunkowy, czy dwukierunkowy test F zmiennych zerojedynkowych. 5. Anderson-Hsiao, sprawdzić testem Sargana, czy instrumenty: Poprawne, testem Craig-Donalda czy egzogeniczne. 6. Arellano-Bond jedno czy dwustopniowy, czy z korektą na skończoną próbę test Sargana i Arellano Bonda. 7. Jak źle wychodzą testy, zwiększamy liczbę instrumentów, z metody jednostopniowej przechodzimy na dwustopniową, zwiększamy liczbę instrumentów, ale bez przesady! Bo to jeszcze nie koniec
41 Nie można uzyskad szacunków zmiennych o charakterze stałym. W tych zebranych danych nie ma takiej zmiennej, niemniej jednak pozostaje do wyboru Hausman-Taylor IV estymator, który w Stacie można uzyskad przy pomocy: help xthtaylor Który umożliwia takie oszacowanie przy pomocy instrumentów polegających na zmiennych objaśniających z okresów innych niż aktualnie szacowany.
42 Jeżeli y ma charakter bliski błądzeniu losowemu, y i, t 1 jest słabym instrumentem dla yit. Pytanie: które procesy w ekonomii NIE mają takiego charakteru?
43
44
45
46 Dziękuję za uwagę.
Dr Łukasz Goczek. Uniwersytet Warszawski
Dr Łukasz Goczek Uniwersytet Warszawski Jeżeli y ma charakter bliski błądzeniu losowemu, y i, t 1 jest słabym instrumentem dla yit. Pytanie: które procesy w ekonomii NIE mają takiego charakteru? . sort
Bardziej szczegółowoDr Łukasz Goczek. Uniwersytet Warszawski
Dr Łukasz Goczek Uniwersytet Warszawski Penn World Table PWT 6.3 Alan Heston, Robert Summers and Bettina Aten, Penn World Table Version 6.3, Center for International Comparisons of Production, Income and
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 szczegółowoCzasowy wymiar danych
Problem autokorelacji Model regresji dla szeregów czasowych Model regresji dla szeregów czasowych y t = X t β + ε t Zasadnicze różnice 1 Budowa prognoz 2 Problem stabilności parametrów 3 Problem autokorelacji
Bardziej szczegółowoProblem równoczesności w MNK
Problem równoczesności w MNK O problemie równoczesności mówimy, gdy występuje korelacja między wartościa oczekiwana ε i i równoczesnym x i Model liniowy y = Xβ + ε, E (u) = 0 Powiedzmy, że występuje w
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 12
Stanisław Cichocki Natalia Nehrebecka Wykład 1 1 1. Testy diagnostyczne Testowanie stabilności parametrów modelu: test Chowa. Heteroskedastyczność Konsekwencje Testowanie heteroskedastyczności 1. Testy
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 szczegółowoPrzyczynowość Kointegracja. Kointegracja. Kointegracja
korelacja a związek o charakterze przyczynowo-skutkowym korelacja a związek o charakterze przyczynowo-skutkowym Przyczynowość w sensie Grangera Zmienna x jest przyczyną w sensie Grangera zmiennej y jeżeli
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Autokorelacja Konsekwencje Testowanie autokorelacji 2. Metody radzenia sobie z heteroskedastycznością i autokorelacją Uogólniona Metoda Najmniejszych
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 szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natalia Nehrebecka Stanisław Cichocki Wykład 10 1 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 14
Stanisław Cichocki Natalia Nehrebecka Wykład 14 1 1.Problemy z danymi Współliniowość 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji Metody radzenia sobie z heteroskedastycznością
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 10
Stanisław Cichocki Natalia Nehrebecka Wykład 10 1 1. Testy diagnostyczne Testowanie prawidłowości formy funkcyjnej: test RESET Testowanie normalności składników losowych: test Jarque-Berra Testowanie stabilności
Bardziej szczegółowoTesty własności składnika losowego Testy formy funkcyjnej. Diagnostyka modelu. Część 2. Diagnostyka modelu
Część 2 Test Durbina-Watsona Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε t, ε t 1 ) 0 Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε
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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Testowanie autokorelacji 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji 3.Problemy z danymi Zmienne pominięte
Bardziej szczegółowoModele wielorównaniowe (forma strukturalna)
Modele wielorównaniowe (forma strukturalna) Formę strukturalna modelu o G równaniach AY t = BX t + u t, gdzie Y t = [y 1t,..., y Gt ] X t = [x 1t,..., x Kt ] u t = [u 1t,..., u Gt ] E (u t ) = 0 Var (u
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 5 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.hedonic.dta przygotuj model oszacowujący wartość kosztów zewnętrznych rolnictwa 1. Przeprowadź regresję objaśniającą
Bardziej szczegółowoMetoda najmniejszych kwadratów
Własności algebraiczne Model liniowy Zapis modelu zarobki = β 0 + β 1 plec + β 2 wiek + ε Oszacowania wartości współczynników zarobki = b 0 + b 1 plec + b 2 wiek + e Model liniowy Tabela: Oszacowania współczynników
Bardziej 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 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 szczegółowoDiagnostyka w Pakiecie Stata
Karol Kuhl Zgodnie z twierdzeniem Gaussa-Markowa, estymator MNK w KMRL jest liniowym estymatorem efektywnym i nieobciążonym, co po angielsku opisuje się za pomocą wyrażenia BLUE Best Linear Unbiased Estimator.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wprowadzenie do danych panelowych a) Charakterystyka danych panelowych b) Zalety i ograniczenia 2. Modele ekonometryczne danych panelowych a) Model efektów nieobserwowalnych
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 szczegółowoDiagnostyka w Pakiecie Stata
Karol Kuhl Zgodnie z twierdzeniem Gaussa-Markowa, estymator MNK w KMRL jest liniowym estymatorem efektywnym i nieobciążonym, co po angielsku opisuje się za pomocą wyrażenia BLUE Best Linear Unbiased Estimator.
Bardziej szczegółowoDefinicja danych panelowych Typy danych panelowych Modele dla danych panelowych. Dane panelowe. Część 1. Dane panelowe
Część 1 to dane, które jednocześnie posiadają cechy danych przekrojowych i szeregów czasowych to dane, które jednocześnie posiadają cechy danych przekrojowych i szeregów czasowych Czyli obserwujemy te
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 9
Stanisław Cichocki Natalia Nehrebecka Wykład 9 1 1. Dodatkowe założenie KMRL 2. Testowanie hipotez prostych Rozkład estymatora b Testowanie hipotez prostych przy użyciu statystyki t 3. Przedziały ufności
Bardziej szczegółowoWykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu
Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)
Bardziej szczegółowoNatalia Neherbecka. 11 czerwca 2010
Natalia Neherbecka 11 czerwca 2010 1 1. Konsekwencje heteroskedastyczności i autokorelacji 2. Uogólniona MNK 3. Stosowalna Uogólniona MNK 4. Odporne macierze wariancji i kowariancji b 2 1. Konsekwencje
Bardziej szczegółowoWprowadzenie Modele o opóźnieniach rozłożonych Modele autoregresyjne o opóźnieniach rozłożonych. Modele dynamiczne.
opisują kształtowanie się zjawiska w czasie opisują kształtowanie się zjawiska w czasie Najważniejszymi zastosowaniami modeli dynamicznych są opisują kształtowanie się zjawiska w czasie Najważniejszymi
Bardziej szczegółowoMonte Carlo, bootstrap, jacknife
Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział
Bardziej 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 szczegółowo1. Pokaż, że estymator MNW parametru β ma postać β = nieobciążony. Znajdź estymator parametru σ 2.
Zadanie 1 Niech y t ma rozkład logarytmiczno normalny o funkcji gęstości postaci [ ] 1 f (y t ) = y exp (ln y t β ln x t ) 2 t 2πσ 2 2σ 2 Zakładamy, że x t jest nielosowe a y t są nieskorelowane w czasie.
Bardziej szczegółowoDr Łukasz Goczek. Uniwersytet Warszawski
Dr Łukasz Goczek Uniwersytet Warszawski 10000 2000 4000 6000 8000 M3 use C:\Users\as\Desktop\Money.dta, clear format t %tm (oznaczamy tsset t tsline M3 0 1960m1 1970m1 1980m1 1990m1 2000m1 2010m1 t tsline
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 szczegółowoAutokorelacja i heteroskedastyczność
Autokorelacja i heteroskedastyczność Założenie o braku autokorelacji Cov (ε i, ε j ) = E (ε i ε j ) = 0 dla i j Oczekiwana wielkość elementu losowego nie zależy od wielkości elementu losowego dla innych
Bardziej szczegółowoEkonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 01/02/2019 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoEgzamin z ekonometrii - wersja ogólna
Egzamin z ekonometrii - wersja ogólna 06-02-2019 Regulamin egzaminu 1. Egzamin trwa 90 min. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
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 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 szczegółowoWprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe
Wprowadzenie do teorii ekonometrii Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Zajęcia Wykład Laboratorium komputerowe 2 Zaliczenie EGZAMIN (50%) Na egzaminie obowiązują wszystkie informacje
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 Diagnostyka a) Test RESET b) Test Jarque-Bera c) Testowanie heteroskedastyczności a) groupwise heteroscedasticity b) cross-sectional correlation d) Testowanie autokorelacji
Bardziej szczegółowoMetody ekonometryczne w modelach wzrostu gospodarczego
GOSPODARKA NARODOWA 10 (254) Rok LXXX/XXI październik 2012 s. 49-71 Łukasz GOCZEK * Metody ekonometryczne w modelach wzrostu gospodarczego Streszczenie: Celem artykułu jest przegląd i ocena poszczególnych
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 szczegółowoHeteroscedastyczność. Zjawisko heteroscedastyczności Uogólniona Metoda Najmniejszych Kwadratów Stosowalna Metoda Najmniejszych Kwadratów
Formy heteroscedastyczności Własności estymatorów MNK wydatki konsumpcyjne 0 10000 20000 30000 40000 14.4 31786.08 dochód rozporz¹dzalny Zródlo: Obliczenia wlasne, dane BBGD 2004 Formy heteroscedastyczności
Bardziej szczegółowoMikroekonometria 4. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 4 Mikołaj Czajkowski Wiktor Budziński Endogeniczność regresja liniowa W regresji liniowej estymujemy następujące równanie: i i i KMRL zakłada, że wszystkie zmienne objaśniające są egzogeniczne
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoTestowanie hipotez statystycznych
Część 2 Hipoteza złożona Testowanie hipotez łącznych Zapis matematyczny Rozkład statystyki testowej Hipoteza łączna H 0 : Rβ = q Hipoteza złożona Testowanie hipotez łącznych Zapis matematyczny Rozkład
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoWprowadzenie Testy własności składnika losowego. Diagnostyka modelu. Część 1. Diagnostyka modelu
Część 1 Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy małej próby Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy małej próby Testy
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 5 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.medexp3.dta przygotuj model regresji kwantylowej 1. Przygotuj model regresji kwantylowej w którym logarytm wydatków
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoEkonometria egzamin wersja Informatyka i Ekonometria 26/06/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja Informatyka i Ekonometria 26/06/08 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz
Bardziej szczegółowoZadanie 1. a) Przeprowadzono test RESET. Czy model ma poprawną formę funkcyjną? 1
Zadanie 1 a) Przeprowadzono test RESET. Czy model ma poprawną formę funkcyjną? 1 b) W naszym przypadku populacja są inżynierowie w Tajlandii. Czy można jednak przypuszczać, że na zarobki kobiet-inżynierów
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 14
Stanisław Cichocki Natalia Nehrebecka Wykład 14 1 1.Problemy z danymi Zmienne pominięte Zmienne nieistotne Obserwacje nietypowe i błędne Współliniowość - Mamy 2 modele: y X u 1 1 (1) y X X 1 1 2 2 (2)
Bardziej szczegółowoEgzamin z ekonometrii wersja ogólna Pytania teoretyczne
Egzamin z ekonometrii wersja ogólna 08-02-2017 Pytania teoretyczne 1. Za pomocą którego testu testujemy stabilność parametrów? Jakiemu założeniu KMRL odpowiada H0 w tym teście? Jaka jest hipoteza alternatywna
Bardziej szczegółowoEkonometria egzamin 07/03/2018
imię, nazwisko, nr indeksu: Ekonometria egzamin 07/03/2018 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoEkonometria dla IiE i MSEMat Z12
Ekonometria dla IiE i MSEMat Z12 Rafał Woźniak Faculty of Economic Sciences, University of Warsaw Warszawa, 09-01-2017 Test RESET Ramsey a W pierwszym etapie estymujemy współczynniki regresji w modelu:
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Problemy z danymi Obserwacje nietypowe i błędne Współliniowość. Heteroskedastycznośd i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji
Bardziej szczegółowoMikroekonometria 2. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 2 Mikołaj Czajkowski Wiktor Budziński STATA wczytywanie danych 1. Import danych do Staty Copy-paste z Excela do edytora danych Import z różnych formatów (File -> Import -> ) me.sleep.txt,
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Egzamin z ekonometrii wersja IiE, MSEMAT 02022015 Pytania teoretyczne 1. Podać treść twierdzenia GaussaMarkowa i wyjaśnić jego znaczenie. 2. Za pomocą jakich testów testuje się autokorelację? Jakiemu założeniu
Bardziej szczegółowoModele warunkowej heteroscedastyczności
Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Racjonalne oczekiwania inwestorów P t = E(P t+1 I t ) 1 + R (1) Teoria Przykład - zwroty
Bardziej szczegółowoWykład 4 Wybór najlepszej procedury. Estymacja parametrów re
Wykład 4 Wybór najlepszej procedury. Estymacja parametrów regresji z wykorzystaniem metody bootstrap. Wrocław, 22.03.2017r Wybór najlepszej procedury - podsumowanie Co nas interesuje przed przeprowadzeniem
Bardziej szczegółowoUogólniona Metoda Momentów
Uogólniona Metoda Momentów Momenty z próby daż a do momentów teoretycznych (Prawo Wielkich Liczb) plim 1 n y i = E (y) n i=1 Klasyczna Metoda Momentów (M M) polega na szacowaniu momentów teoretycznych
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 2 3 1. Wprowadzenie do danych panelowych a) Charakterystyka danych panelowych b) Zalety i ograniczenia 2. Modele ekonometryczne danych panelowych a) Model efektów
Bardziej szczegółowoMikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 13 Mikołaj Czajkowski Wiktor Budziński Endogeniczność regresja liniowa W regresji liniowej estymujemy następujące równanie: i i i Metoda Najmniejszych Kwadratów zakłada, że wszystkie zmienne
Bardziej szczegółowoMetody Ekonometryczne
Metody Ekonometryczne Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Metody Ekonometyczne Wykład 4 Uogólniona Metoda Najmniejszych Kwadratów (GLS) 1 / 19 Outline 1 2 3 Jakub Mućk Metody Ekonometyczne
Bardziej szczegółowoEkonometria. 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 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 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 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 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 szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Pytania teoretyczne Egzamin z ekonometrii wersja IiE, MSEMAT 08-02-2017 1. W jaki sposób przeprowadzamy test Chowa? 2. Pokazać, że jest nieobciążonym estymatorem. 3. Udowodnić, że w modelu ze stałą TSSESS+RSS.
Bardziej 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 szczegółowoStatystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r
Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów
Bardziej szczegółowoStacjonarność Integracja. Integracja. Integracja
Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli: Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli:
Bardziej szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMat Pytania teoretyczne
Egzamin z ekonometrii wersja IiE, MSEMat 31-01-2014 Pytania teoretyczne 1. Podać postać przekształcenia Boxa-Coxa i wyjaśnić, do czego jest stosowane w ekonometrii. 2. Wyjaśnić, jakie korzyści i niebezpieczeństwa
Bardziej szczegółowo2.2 Autokorelacja Wprowadzenie
2.2 Autokorelacja 2.2.1 Wprowadzenie Przy wyprowadzaniu estymatorów Klasycznego Modelu Regresji Liniowej (KMRL) zakładaliśmy, że są spełnione założenia Gaussa-Markowa, tzn. składniki losowe są homoscedastyczne
Bardziej szczegółowoEkonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 0/0/0. Egzamin trwa 90 minut.. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu. Złamanie
Bardziej 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 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 szczegółowoEgzamin z ekonometrii IiE
Pytania teoretyczne Egzamin z ekonometrii IiE 22.06.2012 1. Kiedy selekcja próby jest problemem i jaki model można stosować w przypadku samoselekcji próby? 2. Jakie są konieczne założenia, by estymator
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoMikroekonometria 6. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 6 Mikołaj Czajkowski Wiktor Budziński Metody symulacyjne Monte Carlo Metoda Monte-Carlo Wykorzystanie mocy obliczeniowej komputerów, aby poznać charakterystyki zmiennych losowych poprzez
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 szczegółowo1.8 Diagnostyka modelu
1.8 Diagnostyka modelu Dotychczas zajmowaliśmy się własnościami estymatorów przy spełnionych założeniach KMRL. W praktyce nie zawsze spełnione są wszystkie założenia modelu. Jeżeli któreś z nich nie jest
Bardziej szczegółowoEkonometria. Własności składnika losowego. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Własności składnika losowego Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 1 / 31 Agenda KMNK przypomnienie 1 KMNK przypomnienie 2 3 4
Bardziej szczegółowo1.9 Czasowy wymiar danych
1.9 Czasowy wymiar danych Do tej pory rozpatrywaliśmy jedynie modele tworzone na podstawie danych empirycznych pochodzących z prób przekrojowych. Teraz zajmiemy się zagadnieniem budowy modeli regresji,
Bardziej szczegółowoZawansowane modele wyborów dyskretnych
Zawansowane modele wyborów dyskretnych Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Zawansowane modele wyborów dyskretnych grudzien 2013 1 / 16 Model efektów
Bardziej szczegółowoSpis treści Wstęp Estymacja Testowanie. Efekty losowe. Bogumiła Koprowska, Elżbieta Kukla
Bogumiła Koprowska Elżbieta Kukla 1 Wstęp Czym są efekty losowe? Przykłady Model mieszany 2 Estymacja Jednokierunkowa klasyfikacja (ANOVA) Metoda największej wiarogodności (ML) Metoda największej wiarogodności
Bardziej szczegółowoRegresja nieparametryczna series estimator
Regresja nieparametryczna series estimator 1 Literatura Bruce Hansen (2018) Econometrics, rozdział 18 2 Regresja nieparametryczna Dwie główne metody estymacji Estymatory jądrowe Series estimators (estymatory
Bardziej szczegółowoTestowanie hipotez statystycznych
Agenda Instytut Matematyki Politechniki Łódzkiej 2 stycznia 2012 Agenda Agenda 1 Wprowadzenie Agenda 2 Hipoteza oraz błędy I i II rodzaju Hipoteza alternatywna Statystyka testowa Zbiór krytyczny Poziom
Bardziej szczegółowo1 Metoda Najmniejszych Kwadratów (MNK) 2 Interpretacja parametrów modelu. 3 Klasyczny Model Regresji Liniowej (KMRL)
1 Metoda Najmniejszych Kwadratów (MNK) 1. Co to jest zmienna endogeniczna, a co to zmienne egzogeniczna? 2. Podaj postać macierzy obserwacji dla modelu y t = a + bt + ε t 3. Co to jest wartość dopasowana,
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej 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 szczegółowoMetoda największej wiarogodności
Wprowadzenie Założenia Logarytm funkcji wiarogodności Metoda Największej Wiarogodności (MNW) jest bardziej uniwersalną niż MNK metodą szacowania wartości nieznanych parametrów Wprowadzenie Założenia Logarytm
Bardziej szczegółowoEgzamin z ekonometrii
Pytania teoretyczne Egzamin z ekonometrii 22.06.2012 1. Podaj ogólną postać modeli DL i ADL 2. Wyjaśnij jak należy rozumieć przyczynowość w sensie Grangera i jak jest testowana. 3. Jakie są wady liniowego
Bardziej szczegółowoEkonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 02/02/2011 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowo