Ekonometria - ćwiczenia 1
|
|
- Witold Kujawa
- 8 lat temu
- Przeglądów:
Transkrypt
1 Ekonometria - ćwiczenia 1 Mateusz Myśliwski Zakład Ekonometrii Stosowanej Instytut Ekonometrii Kolegium Analiz Ekonomicznych Szkoła Główna Handlowa 5 października 2012
2 1 Sprawy organizacyjne 2 Czym jest ekonometria? Dane ekonomiczne 3 - definicja Klasyfikacja modeli ekonometrycznych Jednorównaniowy liniowy model ekonometryczny Zapis modelu w postaci macierzowej 4 Estymator KMNK Założenia i własności Estymator wariancji składnika losowego Testy istotności zmiennych
3 Ćwiczenia: grupa piątek, , sala 108G grupa piątek, , sala 108G Informacje o zaliczeniu przedmiotu oraz polecanej literaturze w sylabusie, oraz na stronie Konsultacje: środy, g , sala 217M (inny termin po kontakcie mailowym) Kontakt: mateusz.mysliwski@gmail.com
4 Czym jest ekonometria? Dane ekonomiczne Ekonometria wykorzystuje metody statystyczne do szacowania siły zależności ekonomicznych, testowania teorii ekonomicznych oraz do oceny efektywności polityk publicznych i skutków zmian regulacji, na podstawie zgromadzonych danych. Najbardziej intuicyjnym i prawdopodobnie najczęściej używanym zastosowaniem ekonometrii jest prognozowanie wielkości makroekonomicznych, jednak zakres stosowalności omawianych m.in. podczas tego kursu metod jest znacznie szerszy i obejmuje chociażby ekonomię pracy edukacji, zdrowia, czy ekonomię polityczną.
5 Ekonometria a data mining Czym jest ekonometria? Dane ekonomiczne W odróżnieniu od ekonometrii, gdzie budowa modelu prowadzącego do odkrycia pewnych zależności jest poprzedzona obserwacją rzeczywistości i studiowaniem teorii ekonomicznej, data mining skupia się wyłącznie na mechanicznym wyszukiwaniu wzorców i podobieństw w dużych zbiorach danych. Obserwacja rzeczywistości Ekonometria Data mining Dane Dane Teoria ekonomiczna Teoria ekonomiczna Wnioski Hipotezy badawcze Hipotezy badawcze Modelowanie ekonometryczne Wnioski
6 Czym jest ekonometria? Dane ekonomiczne Podstawowa cecha odróżniająca dane ekonomiczne od danych wykorzystywanych np. w naukach przyrodniczych - dane ekonomiczne nie pochodzą z eksperymentu. Dane nieeksperymentalne bywają nazywane obserwacyjnymi, lub historycznymi (retrospektywnymi). Dane można podzielić według kilku kryteriów, m.in. 1 Ze względu na stopień agregacji: mikrodane - dane o pojedynczych jednostkach, podejmujących decyzje ekonomiczne np. firma, gospodarstwo domowe, makrodane - dane otrzymane w wyniku agregacji danych indywidualnych na poziomie regionu, kraju. 2 Moment pomiaru: zasób - wartość zmiennej mierzona jest w określonym punkcie czasu (np. liczba ludności), strumień - wartość zmiennej mierzona w pewnym przedziale czasu (np. PKB). 3 Możliwość pomiaru ilościowe - wartości zmiennych są wyrażone w jednostkach mierzalnych, jakościowe - zmienne przyjmują wartości niemierzalne.
7 Czym jest ekonometria? Dane ekonomiczne W praktyce najczęściej wykorzystywany jest następujący podział danych: 1 Dane przekrojowe - wyrażają stan zjawiska w ustalonym momencie czasu w odniesieniu do różnych obiektów np. PKB per capita w krajach UE w roku Szereg czasowy - dane przedstawiające zmienność badanego zjawiska w kolejnych jednostkach czasu np. PKB per capita w Polsce w latach Dane panelowe - złożenie szeregu czasowego i danych przekrojowych np. PKB per capita w krajach UE w latach
8 Przykład - dane przekrojowe Czym jest ekonometria? Dane ekonomiczne Źródło: Wooldridge J. (2009): Introductory Econometrics. A Modern Approach, 4e, South-Western CENAGE Learning.
9 Przykład - szereg czasowy Czym jest ekonometria? Dane ekonomiczne Źródło: Wooldridge J. (2009): Introductory Econometrics. A Modern Approach, 4e, South-Western CENAGE Learning.
10 Przykład - dane panelowe Czym jest ekonometria? Dane ekonomiczne Źródło: Wooldridge J. (2009): Introductory Econometrics. A Modern Approach, 4e, South-Western CENAGE Learning.
11 - definicja Klasyfikacja modeli ekonometrycznych Jednorównaniowy liniowy model ekonometryczny Zapis modelu w postaci macierzowej to formalny opis stochastycznej zależności wyróżnionej wielkości, zjawiska lub przebiegu procesu ekonomicznego (zjawisk, procesów) od czynników, które je kształtują, wyrażony w formie równania lub układu równań. y i = f (x 1i, x 2i,..., x ki ) +ε i } {{ } Model ekonomiczny ε i jest nazywany składnikiem lub zaburzeniem losowym. Można go postrzegać jako wszystkie pozostałe czynniki, mające potencjalnie wpływ na kształtowanie się zmiennej y.
12 Przykład - przestępczość - Becker (1968) - definicja Klasyfikacja modeli ekonometrycznych Jednorównaniowy liniowy model ekonometryczny Zapis modelu w postaci macierzowej W bardzo znanym artykule, Gary Becker zaproponował teorię, zgodnie z którą decyzja o podjęciu działalności przestępczej jednostki wynika z zasady maksymalizacji indywidualnej użyteczności. Bardzo ogólnie, ten model ekonomiczny można zapisać jako: y = f (x 1, x 2, x 3, x 4, x 5, x 6, x 7 ), gdzie: y - liczba godzin poświęcanych na działalność przestępczą, x 1 - wynagrodzenie za godzinę gangsterki, x 2 - wynagrodzenie za godzinę legalnego zatrudnienia, x 3 - pozostały dochód, x 4 - prawdopodobieństwo zostania złapanym, x 5 - prawdopodobieństwo zostania skazanym w przypadku złapania, x 6 - oczekiwana długość wyroku, x 7 - wiek.
13 - definicja Klasyfikacja modeli ekonometrycznych Jednorównaniowy liniowy model ekonometryczny Zapis modelu w postaci macierzowej Przykład - przestępczość - Becker (1968) - c.d. y = f (x 1, x 2, x 3, x 4, x 5, x 6, x 7 ), Przejście od powyższego modelu ekonomicznego do modelu ekonometrycznego wymaga kilku zabiegów: 1 Określenia lub przyjęcia założeń co do formy funkcyjnej f ( ). 2 Skonfrontowania założeń modelu ekonomicznego z dostępnością danych i obserwowalnością niektórych zmiennych.
14 - definicja Klasyfikacja modeli ekonometrycznych Jednorównaniowy liniowy model ekonometryczny Zapis modelu w postaci macierzowej Klasyfikacja modeli ekonometrycznych: 1 Liczba równań w modelu modele jednorównaniowe modele wielorównaniowe 2 Postać analityczna zależności funkcyjnych modelu modele liniowe modele nieliniowe 3 Rola czynnika czasu w równaniach modelu modele statyczne modele dynamiczne 4 Charakter powiązań między nieopóźnionymi zmiennymi endogenicznymi w modelu wielorównaniowym modele proste modele rekurencyjne modele o równaniach współzależnych
15 Podstawy Sprawy organizacyjne - definicja Klasyfikacja modeli ekonometrycznych Jednorównaniowy liniowy model ekonometryczny Zapis modelu w postaci macierzowej Model regresji prostej: Model regresji wielorakiej: y i = β 0 + β 1 x 1i + ε i, i = 1, 2,..., n (1) y i = β 0 + β 1 x 1i + β 2 x 2i β k x ki + ε i, i = 1, 2,..., n (2) y - zmienna objaśniana (zależna, regresant), x 1, x 2,..., x k - zmienne objaśniające (niezależne, regresory), β 0, β 1,..., β k - parametry strukturalne modelu, ε - składnik losowy.
16 Przykład powraca - definicja Klasyfikacja modeli ekonometrycznych Jednorównaniowy liniowy model ekonometryczny Zapis modelu w postaci macierzowej Wróćmy do przykładu z przestępczością: y = f (x 1, x 2, x 3, x 4, x 5, x 6, x 7 ), gdzie: y - liczba godzin poświęcanych na działalność przestępczą, x 1 - wynagrodzenie za godzinę gangsterki, x 2 - wynagrodzenie za godzinę legalnego zatrudnienia, x 3 - pozostały dochód, x 4 - prawdopodobieństwo zostania złapanym, x 5 - prawdopodobieństwo zostania skazanym w przypadku złapania, x 6 - oczekiwana długość wyroku, x 7 - wiek. Zakładając, że f ( ) jest funkcją liniową, oraz że mamy informacje o wszystkich charakterystykach, model ekonometryczny przestępczości można zapisać jako: przest i = β 0 +β 1 haracz i +β 2 legalne i +β 3 dochod i +β 4 p zlap i +β 5 p skaz i +β 6 wyrok i +β 7 wiek i +ε i
17 - definicja Klasyfikacja modeli ekonometrycznych Jednorównaniowy liniowy model ekonometryczny Zapis modelu w postaci macierzowej Zapis modelu w postaci macierzowej: y = Xβ + ε (3) y - wektor obserwacji zmiennej objaśnianej, o wymiarach n 1, x - macierz zaobserwowanych wartości zmiennych objaśniających, o wymiarach n (k + 1), β - wektor parametrów strukturalnych modelu, o wymiarach (k + 1) 1, ε - wektor składników losowych, o wymiarach n 1.
18 - definicja Klasyfikacja modeli ekonometrycznych Jednorównaniowy liniowy model ekonometryczny Zapis modelu w postaci macierzowej y = y 1 y 2. y n (n 1) β = 1 x 11 x x 1k 1 x 21 x x X = 2k x n1 x n2... x nk β 0 β 1. β k (k 1) ε = ε 1 ε 2. ε n (n 1) (n (k+1))
19 Estymator KMNK Założenia i własności Estymator wariancji składnika losowego Testy istotności zmiennych Metoda najmniejszych kwadratów (ang. ordinary least squares OLS) jest najprostszym i najpopularniejszym sposobem szacowania parametrów strukturalnych liniowego modelu ekonometrycznego, która przy spełnieniu pewnych założeń, daje wyniki dobrej jakości. Model regresji w postaci macierzowej: Wartości teoretyczne: y = Xβ + ε (4) ŷ = X ˆβ (5) ŷ - wektor wartości teoretycznych zmiennej objaśnianej, ˆβ - wektor ocen (oszacowań) parametrów. Reszty z modelu: e = y ŷ = y X ˆβ (6) MNK polega na znalezieniu wektora parametrów strukturalnych, minimalizującego sumę kwadratów reszt: ˆβ = argmin e T e (7)
20 Estymator KMNK Założenia i własności Estymator wariancji składnika losowego Testy istotności zmiennych Najważniejszy wzór na tym przedmiocie ˆβ = (X T X) 1 X T y
21 Estymator KMNK Założenia i własności Estymator wariancji składnika losowego Testy istotności zmiennych Twierdzenie Gaussa-Markowa Jeżeli spełnione są poniższe założenia: Elementy macierzy X są nielosowe, nieskorelowane ze składnikiem losowym (ε), inaczej E(X T ε) = 0 Macierz zmiennych objaśniających X ma pełny rząd kolumnowy - rz(x) = k + 1 n Wartość oczekiwana składnika losowego wynosi zero - E(ε) = 0 Składnik losowy jest sferyczny - D 2 (ε) = σ 2 I Składnik losowy ma rozkład normlany - ε N(0, σ 2 ), to estymator KMNK jest BLUE (Best Linear Unbiased Estimator), tj. liniowym, nieobciążonym estymatorem o najmniejszej wariancji w swojej klasie.
22 Własności estymatorów Estymator KMNK Założenia i własności Estymator wariancji składnika losowego Testy istotności zmiennych 1 Nieobciążenie wartość oczekiwana estymatora jest równa prawdziwej wartości parametru w populacji, tj. E( ˆβ) = β. 2 Efektywność najmniejsza wariancja w danej klasie estymatorów (np. w klasie estymatorów liniowych i nieobciążonych). 3 Zgodność stochastyczna zbieżność do prawdziwej wartości, gdy n, tj. lim n P( ˆβ n β < δ) = 1 δ > 0. Dodatkowo estymator jest liniowy, jeśli każda składowa wektora β jest liniową funkcją składowych wektora zmiennej losowej y.
23 Estymator KMNK Założenia i własności Estymator wariancji składnika losowego Testy istotności zmiennych Macierz kowariancji: Estymator wariancji składnika losowego: D 2 ( ˆβ) = σ 2 (X T X) 1 (8) S 2 = e T e n (k + 1) = (y X ˆβ) T )(y X ˆβ) = yt y ˆβ T X T y n (k + 1) n (k + 1) (9) Estymator macierzy kowariancji: ˆD 2 ( ˆβ) = S 2 (X T X) 1 (10)
24 Estymator KMNK Założenia i własności Estymator wariancji składnika losowego Testy istotności zmiennych Średni błąd szacunku: S j = d jj, j = 0, 1,..., k (11) Średni względny błąd szacunku: S w j = S j ˆβ 100, j = 0, 1,..., k (12) j
25 Estymator KMNK Założenia i własności Estymator wariancji składnika losowego Testy istotności zmiennych Test istotności t-studenta Hipotezy Statystyka testowa Obszar odrzucenia hipotezy zerowej H 0 : β j = 0 H 1 : β j 0 (13) t = ˆβ j S j t n (k+1) (14) (, t n (k+1) > < t n (k+1), ) (15)
26 Operacje macierzowe w Excelu =TRANSPONUJ(zakres) transpozycja, =MACIERZ.ODW(zakres) odwracanie macierzy, =MACIERZ.ILOCZYN(macierz1;macierz2) mnożenie macierzy. Po wykonaniu formuły, wynik pojawia się tylko w 1 komórce. Należy zaznaczyć tę komórkę wraz z całym zakresem wyniku (np. jeśli transponujemy macierz 5x3 to zaznaczyć obszar 3x5), wcisnąć F2, a następnie Ctrl+Shift+Enter.
27 Zadanie M. Grossman i F. Chaloupka opublikowali w 1998 r. wyniki badań nad pytaniem, czy można na gruncie ekonomicznym znaleźć potwierdzenie uzależniających własności kokainy. Skonstruowali w tym celu jednorównaniowy liniowy model ekonometryczny, w którym zmienną objaśnianą była konsumpcja kokainy. Zgromadzone przez autorów dane miały charakter przekrojowo-czasowy i obejmowały zarówno indywidualne cechy młodych Amerykanów (płeć, rasę, dochody, miejsce zamieszkania), jak i ceny narkotyków w poszczególnych stanach Stanów Zjednoczonych. 1 Zaproponuj sposób weryfikacji hipotezy, że kokaina ma własności uzależniające. 2 Grossman i Chaloupka stwierdzili, że znak oszacowania parametru przy opóźnionej zmiennej objaśnianej jest dodatni. Zinterpretuj ten wynik. 3 Autorzy stwierdzili zależność konsumpcji kokainy od jej ceny. Dla zmiennych objaśniających przyjmujących wartości równe ich medianom, długookresowa cenowa elastyczność konsumpcji kokainy jest równa -1,35, natomiast natychmiastowy efekt jednorazowej zmiany ceny wynosi -0,50. Czy te wyniki są sprzeczne z wnioskami z punktu 2? 4 Oszacowanie parametru przy zmiennej zero-jedynkowej przyjmującej wartość 1 dla obszarów, na których marihuana nie jest zdelegalizowana i 0 w przeciwnym przypadku, przyjęło wartość dodatnią. Czy kokaina i marihuana są dobrami substytucyjnymi czy komplementarnymi? 5 Oszacowanie parametru przy zmiennej objaśniającej, opisującej wiek, od którego w danym stanie można legalnie pić alkohol, przyjęło wartość dodatnią. Czy kokaina i alkohol są dobrami substytucyjnymi czy komplementarnymi?
Ekonometria. Wprowadzenie do modelowania ekonometrycznego Estymator KMNK. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Wprowadzenie do modelowania ekonometrycznego Estymator Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 1 Estymator 1 / 16 Agenda 1 Literatura Zaliczenie przedmiotu 2 Model
Bardziej szczegółowoLiniowy model ekonometryczny Metoda najmniejszych kwadratów Laboratorium 1.
Liniowy model ekonometryczny Metoda najmniejszych kwadratów Laboratorium 1. mgr mgr Krzysztof Czauderna Instytut Statystyki i Demografii Kolegium Analiz Ekonomicznych Szkoła Główna Handlowa w Warszawie
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 szczegółowoEkonometria. Weryfikacja liniowego modelu jednorównaniowego. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Weryfikacja liniowego modelu jednorównaniowego Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 2 Weryfikacja liniowego modelu jednorównaniowego 1 / 28 Agenda 1 Estymator
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 szczegółowoEKONOMETRIA. Prof. dr hab. Eugeniusz Gatnar.
EKONOMETRIA Prof. dr hab. Eugeniusz Gatnar egatnar@mail.wz.uw.edu.pl Sprawy organizacyjne Wykłady - prezentacja zagadnień dotyczących: budowy i weryfikacji modelu ekonometrycznego, doboru zmiennych, estymacji
Bardziej 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 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 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 szczegółowoprzedmiotu Nazwa Pierwsza studia drugiego stopnia
Nazwa przedmiotu K A R T A P R Z E D M I O T U ( S Y L L A B U S ) O p i s p r z e d m i o t u Kod przedmiotu EKONOMETRIA UTH/I/O/MT/zmi/ /C 1/ST/2(m)/1Z/C1.1.5 Język wykładowy ECONOMETRICS JĘZYK POLSKI
Bardziej szczegółowo1. Ekonometria jako dyscyplina naukowa (przedmiot, metodologia, teorie ekonomiczne). Model ekonometryczny, postać modelu, struktura, klasyfikacja.
1. Ekonometria jako dyscyplina naukowa (przedmiot, metodologia, teorie ekonomiczne). Model ekonometryczny, postać modelu, struktura, klasyfikacja. Zadanie 1. Celem zadania jest oszacowanie modelu opisującego
Bardziej szczegółowoStatystyka opisowa. Wykład V. Regresja liniowa wieloraka
Statystyka opisowa. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Prosta regresji cechy Y względem cech X 1,..., X k. 2 3 Wyznaczamy zależność cechy Y od cech X 1, X 2,..., X k postaci Y = α 0 +
Bardziej 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 szczegółowoEKONOMETRIA PRZESTRZENNA
EKONOMETRIA PRZESTRZENNA Wstęp podstawy ekonometrii Uniwersytet Ekonomiczny w Krakowie, 2012 1 EKONOMETRIA wybrane definicje (Osińska) Ekonometria dziedzina ekonomii wykorzystująca modele i sposoby wnioskowania
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada
Stanisław Cichocki Natalia Nehrebecka Katarzyna Rosiak-Lada 1. Sprawy organizacyjne Zasady zaliczenia 2. Czym zajmuje się ekonometria? 3. Formy danych statystycznych 4. Model ekonometryczny 2 1. Sprawy
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 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 szczegółowoparametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających,
诲 瞴瞶 瞶 ƭ0 ƭ 瞰 parametrów strukturalnych modelu Y zmienna objaśniana, = + + + + + X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających, α 0, α 1, α 2,,α k parametry strukturalne modelu, k+1 parametrów
Bardziej szczegółowoMetody Ekonometryczne
Metody Ekonometryczne Goodness of fit i wprowadzenie do wnioskowania statystycznego Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Metody Ekonometyczne Wykład 2 Goodness of fit i wprowadzenie do wnioskowania
Bardziej szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoEkonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 9 marca 2007
, transformacja liniowa i estymacja modelu KMNK Paweł Cibis pawel@cibis.pl 9 marca 2007 1 Miary dopasowania modelu do danych empirycznych Współczynnik determinacji Współczynnik zbieżności Skorygowany R
Bardziej szczegółowoNarzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski
Narzędzia statystyczne i ekonometryczne Wykład 1 dr Paweł Baranowski Informacje organizacyjne Wydział Ek-Soc, pok. B-109 pawel@baranowski.edu.pl Strona: baranowski.edu.pl (w tym materiały) Konsultacje:
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 szczegółowoTestowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego
Testowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego Ze względu na jakość uzyskiwanych ocen parametrów strukturalnych modelu oraz weryfikację modelu, metoda najmniejszych
Bardziej 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 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 szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka - adres mailowy: nnehrebecka@wne.uw.edu.pl - strona internetowa: www.wne.uw.edu.pl/nnehrebecka - dyżur: wtorek 18.30-19.30 sala 302 lub 303 - 80% oceny: egzaminy -
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka - adres mailowy: scichocki@o2.pl - strona internetowa: www.wne.uw.edu.pl/scichocki - dyżur: po zajęciach lub po umówieniu mailowo - 80% oceny: egzaminy - 20% oceny:
Bardziej szczegółowoEkonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 23 marca 2006
, transformacja liniowa i estymacja modelu KMNK Paweł Cibis pcibis@o2.pl 23 marca 2006 1 Miary dopasowania modelu do danych empirycznych Współczynnik determinacji Współczynnik zbieżności 2 3 Etapy transformacji
Bardziej szczegółowoKARTA PRZEDMIOTU. 12. PRZEDMIOTOWE EFEKTY KSZTAŁCENIA Odniesienie do kierunkowych efektów kształcenia (symbol)
KARTA PRZEDMIOTU 1. NAZWA PRZEDMIOTU: Ekonometria 2. KIERUNEK: MATEMATYKA 3. POZIOM STUDIÓW: I stopnia 4. ROK/ SEMESTR STUDIÓW: III/6 5. LICZBA PUNKTÓW ECTS: 5 6. LICZBA GODZIN: 30 / 30 7. TYP PRZEDMIOTU
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej 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 szczegółowoMetoda najmniejszych kwadratów
Metoda najmniejszych kwadratów Przykład wstępny. W ekonomicznej teorii produkcji rozważa się funkcję produkcji Cobba Douglasa: z = AL α K β gdzie z oznacza wielkość produkcji, L jest nakładem pracy, K
Bardziej szczegółowoModele wielorownaniowe
Część 1. e e jednorównaniowe są znacznym uproszczeniem rzeczywistości gospodarczej e jednorównaniowe są znacznym uproszczeniem rzeczywistości gospodarczej e makroekonomiczne z reguły składają się z większej
Bardziej szczegółowoWprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 11-12
Stanisław Cichocki Natalia Nehrebecka Zajęcia 11-12 1. Zmienne pominięte 2. Zmienne nieistotne 3. Obserwacje nietypowe i błędne 4. Współliniowość - Mamy 2 modele: y X u 1 1 (1) y X X 1 1 2 2 (2) - Potencjalnie
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
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 szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowo1.1 Klasyczny Model Regresji Liniowej
1.1 Klasyczny Model Regresji Liniowej Klasyczny model Regresji Liniowej jest bardzo użytecznym narzędziem służącym do analizy danych empirycznych. Analiza regresji zajmuje się opisem zależności między
Bardziej 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 szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 1
Stanisław Cichocki Natalia Nehrebecka Wykład 1 1 1. Sprawy organizacyjne Zasady zaliczenia Ćwiczenia Literatura 2. Formy danych statystycznych 3. Czym zajmuje się ekonometria? Model ekonometryczny 2 1.
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
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 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 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 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 szczegółowoTestowanie hipotez statystycznych
round Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 13 grudnia 2014 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 8 Natalia Nehrebecka Stanis law Cichocki 29 listopada 2015 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 1
Stanisław Cichocki Natalia Nehrebecka Wykład 1 1 1. Sprawy organizacyjne Zasady zaliczenia Ćwiczenia Literatura 2. Czym zajmuje się ekonometria? 3. Formy danych statystycznych 4. Model ekonometryczny 2
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria prof. dr hab. inż. Jacek Mercik B4 pok. 55 jacek.mercik@pwr.wroc.pl (tylko z konta studenckiego z serwera PWr) Konsultacje, kontakt itp. Strona WWW Elementy wykładu.
Bardziej szczegółowoProces modelowania zjawiska handlu zagranicznego towarami
Załącznik nr 1 do raportu końcowego z wykonania pracy badawczej pt. Handel zagraniczny w województwach (NTS2) realizowanej przez Centrum Badań i Edukacji Statystycznej z siedzibą w Jachrance na podstawie
Bardziej szczegółowoNiestacjonarne zmienne czasowe własności i testowanie
Materiał dla studentów Niestacjonarne zmienne czasowe własności i testowanie (studium przypadku) Część 3: Przykłady testowania niestacjonarności Nazwa przedmiotu: ekonometria finansowa I (22204), analiza
Bardziej szczegółowoNa podstawie danych dotyczacych rocznych wydatków na pizze oszacowano parametry poniższego modelu:
Zadanie 1. Oszacowano model ekonometryczny liczby narodzin dzieci (w tys.) w Polsce w latach 2000 2010 w zależnosci od średniego rocznego wynagrodzenia (w ujęciu realnym, PLN), stopy bezrobocia (w punktach
Bardziej szczegółowoMetody Ekonometryczne
Metody Ekonometryczne Metoda Najmniejszych Kwadratów Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Metody Ekonometyczne Wykład 1 1 / 45 Outline Literatura Zaliczenie przedmiotu 1 Sprawy organizacyjne
Bardziej szczegółowoRozdział 1. Modelowanie ekonometryczne
1.1. Istota modelu ekonometrycznego i jego elementy składowe Istotą modelowania ekonometrycznego jest budowa modelu wyjaśniającego mechanizm zmian zachodzących w badanym wycinku rzeczywistości. Przedmiotem
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 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 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 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 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 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 szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 28 listopada 2018 Plan zaj eć 1 Rozk lad estymatora b 2 3 dla parametrów 4 Hipotezy l aczne - test F 5 Dodatkowe za lożenie
Bardziej szczegółowoStatystyka i Analiza Danych
Warsztaty Statystyka i Analiza Danych Gdańsk, 20-22 lutego 2014 Zastosowania wybranych technik regresyjnych do modelowania współzależności zjawisk Janusz Wątroba StatSoft Polska Centrum Zastosowań Matematyki
Bardziej szczegółowoEkonometria dla III roku studiów licencjackich dr Stanisław Cichocki dr Natalia Nehrebecka
Ekonometria dla III roku studiów licencjackich dr Stanisław Cichocki dr Natalia Nehrebecka Wykład 30 godz. Ćwiczenia 30 godz. Cel zajęć Wykład i ćwiczenia z ekonometrii mają zapoznać studentów z technikami
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 szczegółowoRegresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych (X1, X2, X3,...) na zmienną zależną (Y).
Statystyka i opracowanie danych Ćwiczenia 12 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA WIELORAKA Regresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoTEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.
TEST STATYSTYCZNY Testem statystycznym nazywamy regułę postępowania rozstrzygająca, przy jakich wynikach z próby hipotezę sprawdzaną H 0 należy odrzucić, a przy jakich nie ma podstaw do jej odrzucenia.
Bardziej szczegółowoStatystyka SYLABUS A. Informacje ogólne
Statystyka SYLABUS A. Informacje ogólne Elementy składowe sylabusu Nazwa jednostki prowadzącej kierunek Nazwa kierunku studiów Poziom kształcenia Profil studiów Forma studiów Kod Język Rodzaj Dziedzina
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej 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 szczegółowoEkonometria. Zajęcia
Ekonometria Zajęcia 16.05.2018 Wstęp hipoteza itp. Model gęstości zaludnienia ( model gradientu gęstości ) zakłada, że gęstość zaludnienia zależy od odległości od okręgu centralnego: y t = Ae βx t (1)
Bardziej 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 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 szczegółowoEkonometria. Modele wielorównaniowe. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Modele wielorównaniowe Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 11 Modele wielorównaniowe 1 / 35 Outline 1 Wprowadzenie do modeli wielorównaniowych 2 Modele równań
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 szczegółowoEKONOMETRIA prowadzący: Piotr Piwowarski
EKONOMETRIA prowadzący: Piotr Piwowarski Termin konsultacji: poniedziałek 13:15 14:45 wtorek 13:15 14:45 pokój 1101/1102 jedenaste piętro e-mail: piotr.piwowarski@poczta.umcs.lublin.pl strona internetowa:
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 szczegółowoKrakowska Akademia im. Andrzeja Frycza Modrzewskiego. Karta przedmiotu. obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 2014/2015
Krakowska Akademia im. Andrzeja Frycza Modrzewskiego Karta przedmiotu obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 201/2015 WydziałZarządzania i Komunikacji Społecznej Kierunek studiów:
Bardziej szczegółowoMODELE LINIOWE. Dr Wioleta Drobik
MODELE LINIOWE Dr Wioleta Drobik MODELE LINIOWE Jedna z najstarszych i najpopularniejszych metod modelowania Zależność między zbiorem zmiennych objaśniających, a zmienną ilościową nazywaną zmienną objaśnianą
Bardziej szczegółowoZależność. przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna),
Zależność przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna), funkcyjna stochastyczna Korelacja brak korelacji korelacja krzywoliniowa korelacja dodatnia korelacja ujemna Szereg korelacyjny numer
Bardziej 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 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 szczegółowoMikroekonometria 3. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 3 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.hedonic.dta przygotuj model oszacowujący wartość kosztów zewnętrznych rolnictwa 1. Przeprowadź regresję objaśniającą
Bardziej szczegółowoAnaliza współzależności zjawisk
Analiza współzależności zjawisk Informacje ogólne Jednostki tworzące zbiorowość statystyczną charakteryzowane są zazwyczaj za pomocą wielu cech zmiennych, które nierzadko pozostają ze sobą w pewnym związku.
Bardziej szczegółowoREGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ. Analiza regresji i korelacji
Statystyka i opracowanie danych Ćwiczenia 5 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ MODEL REGRESJI LINIOWEJ Analiza regresji
Bardziej szczegółowoAnaliza regresji - weryfikacja założeń
Medycyna Praktyczna - portal dla lekarzy Analiza regresji - weryfikacja założeń mgr Andrzej Stanisz z Zakładu Biostatystyki i Informatyki Medycznej Collegium Medicum UJ w Krakowie (Kierownik Zakładu: prof.
Bardziej szczegółowoEkonometria_FIRJK Arkusz1
Rok akademicki: Grupa przedmiotów Numer katalogowy: Nazwa przedmiotu 1) : łumaczenie nazwy na jęz. angielski 3) : Kierunek studiów 4) : Ekonometria Econometrics Ekonomia ECS 2) Koordynator przedmiotu 5)
Bardziej szczegółowoESTYMACJA BŁĘDU PREDYKCJI I JEJ ZASTOSOWANIA
ESTYMACJA BŁĘDU PREDYKCJI I JEJ ZASTOSOWANIA Jan Mielniczuk Wisła, grudzień 2009 PLAN Błędy predykcji i ich podstawowe estymatory Estymacja błędu predykcji w modelu liniowym. Funkcje kryterialne Własności
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 szczegółowoSTATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 Zależność przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna), funkcyjna stochastyczna
Bardziej szczegółowoRegresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna
Regresja wieloraka Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna zmienna niezależna (można zobrazować
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 szczegółowoWielowymiarowa analiza regresji. Regresja wieloraka, wielokrotna
Wielowymiarowa analiza regresji. Regresja wieloraka, wielokrotna Badanie współzależności zmiennych Uwzględniając ilość zmiennych otrzymamy 4 odmiany zależności: Zmienna zależna jednowymiarowa oraz jedna
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 szczegółowo