Analiza spektralna wahań koniunkturalnych w gospodarce polskiej
|
|
- Filip Stachowiak
- 7 lat temu
- Przeglądów:
Transkrypt
1 Andrzej Geise * Analiza spektralna wahań koniunkturalnych w gospodarce polskiej Wstęp Aktywność gospodarcza związana jest z ciągłymi wahaniami. Fluktuacjom ulegają zarówno wiodące zmienne makroekonomiczne, takie jak realny produkt czy produkcja przemysłowa, a także pozostałe zmienne służące opisowi aktywności gospodarczej, m.in. stopa bezrobocia czy zmienne finansowe. Wahania aktywności gospodarczej przebiegają w czasie z różnym natężeniem oraz częstotliwością, ale podlegają pewnym prawidłowościom cyklicznym. Artykuł zawiera wyniki badania nad identyfikacją cyklu koniunkturalnego w Polsce oraz analizy synchronizacji cyklu koniunkturalnego z cyklami wybranych wskaźników testów koniunktury. W związku z powyższym głównym celem badania jest odpowiedź na pytanie, jak cykl koniunkturalny kraju jest zsynchronizowany z przewidywaniami małych i średnich przedsiębiorstw nt. zmian koniunktury gospodarczej. Dla realizacji celu głównego ważne jest również wskazanie jak synchronizacja cykli zmieniała się w czasie. W związku z tym postawiono hipotezę badawczą, która wskazuje, że przewidywania małych i średnich przedsiębiorstw odnośnie zmian koniunktury gospodarczej są wyprzedzające w stosunku do cyklu koniunkturalnego gospodarki Polski. Do realizacji celów badania wykorzystano metody analizy szeregów czasowych w dziedzinie czasu oraz częstości. Dzięki temu ukazano obszerny obraz cykli koniunkturalnych w Polsce. W badaniu wykorzystano odchyleniową definicję cyklu koniunkturalnego oraz zastosowano filtr Hodricka-Prescotta do ekstrakcji komponentu cyklicznego. Następnie wykorzystano jednowymiarową analizę spektralną w celu identyfikacji długości wahań koniunkturalnych. Ostatni etap analizy to zastosowanie cross-spektrum do oceny stopnia zbieżności cykli koniunkturalnych oraz określenia ich korelacji. * Mgr, Katedra Ekonometrii i Statystyki, Wydział Nauk Ekonomicznych i Zarządzania, Uniwersytet Mikołaja Kopernika, a.geise@doktorant.umk.pl, 87-1 Toruń, ul. Gagarina 13A
2 1 Andrzej Geise Do przeprowadzenia analizy wykorzystano dane dotyczące produktu krajowego brutto (PKB), indeksu produkcji przemysłowej (IPP) oraz wyników dotyczących przewidywanych zdolności produkcyjnych w małych (ZPM) i średnich (ZPS) przedsiębiorstwach przemysłowych. Dane obrano z dwóch źródeł. PKB oraz IPP pochodzą z baz danych Eurostatu, natomiast ZPM i ZPS są wynikami otrzymanymi przez GUS w przeprowadzanych kwartalnie testach koniunktury. Analiza obejmuje okres od I kw. 199 roku do II kw. 1 roku, co stanowi obserwacji. 1. Przegląd badań nad synchronizacją wahań cyklicznych Problem identyfikacji oraz analizy zbieżności wahań aktywności gospodarczej podejmowany jest przez wielu badaczy, zarówno w Polsce, jak i na świecie. Szczególnie popularne obecnie są badania synchronizacji cykli koniunkturalnych krajów należących do Unii Gospodarczej i Walutowej oraz tych, które chcą do niej dołączyć, co ma silny związek z tworzeniem tzw. optymalnych obszarów walutowych (OOW). W literaturze przedmiotu, synchronizację cykli koniunkturalnych określa się mianem metakryterium OOW. Stwierdzenie to jest w pełni uzasadnione, gdyż spełnienie tych kryteriów zwiększa prawdopodobieństwo symetryczności szoków 1 i reakcji na nie w przyszłości [NBP, 1, s. ]. Z kolei badania dotyczące związków pomiędzy cyklami koniunkturalnymi wewnątrz gospodarki są mniej rozpowszechnione i liczba takich opracowań jest nieco mniejsza. W związku z tym, w rozdziale pracy skupiono uwagę na najważniejszych opracowaniach z zakresu synchronizacji cykli koniunkturalnych, wewnątrz gospodarki, jak i wśród krajów strefy euro. Zarówno w literaturze polskiej jak i światowej 3 problem synchronizacji cykli koniunkturalnych w pracach autorskich poruszało wielu autorów. Wyniki prac m.in. E. Adamowicz dotyczą badań nad stopniem 1 Symetryczność szoku, np. popytowego, występuje wówczas, gdy zmiana popytu dotyka jeden kraj lub kilka krajów (regionów) w takim samym stopniu jak inne, oznacza to, że zmiana popytu jest równomiernie rozłożona w przestrzeni i w podobnym stopniu dotyka wszystkie kraje (regiony), zobacz więcej w: [NBP, 1, s. 54]. W literaturze polskiej duże znaczenie w rozwoju wiedzy na temat synchronizacji wahań cyklicznych mają prace: [Skrzypczyński,, 8, 1], [Adamowicz i inni, 9], [Konopczak, 9], [Gradzewicz i inni, 1], [Krajewski i inni, 1]. 3 M.in. [Osborn, Sensier, ], [Massmann, Mitchell, ], [Avouyi-Dovi, Matheron, 3], [Artis, Krolzig, Toro, 4], [Avouyi-Dovi, Kierzenkowski, Lubochinsky, ], [Garnier, 9].
3 Analiza spektralna wahań koniunkturalnych w gospodarce polskiej 13 synchronizacji wahań koniunkturalnych w Polsce oraz strefie euro. Wnioski do jakich doszli autorzy wskazują, że w Polsce cykl koniunkturalny trwa od 4 do lat [Adamowicz i inni, 1]. Do podobnych wniosków w swojej pracy doszedł P. Skrzypczyński, który stwierdził, że w Polsce dominują wahania cykliczne o długości 3 lat oraz o długości od do 7 lat [Skrzypczyński, 8]. W innej pracy, P. Skrzypczyński potwierdził współwystępowanie wahań niezależnie od przyjętej metody pomiaru oraz wskazał na równoczesne lub wyprzedzające występowanie zwrotów koniunktury w przemyśle przetwórczym w stosunku do realnego PKB [Skrzypczyński, 11]. W dalszej części opracowania rozpatrywane są empiryczne fakty dotyczące identyfikacji oraz analizy synchronizacji cykli koniunkturalnych w Polsce.. Analiza spektralna w modelowaniu cykli koniunkturalnych.1. Podstawy analizy spektralnej Głównym zastosowaniem analizy spektralnej jest badanie cykliczności zmian procesów stochastycznych. Tak więc pozwala ona analizować występowanie wahań, zarówno o charakterze sezonowym jak i koniunkturalnym [Osińska,, s. 15]. Analiza spektralna pozwala analizować szeregi czasowe w dziedzinie częstości oraz stanowi doskonałe uzupełnieni analizy procesów stochastycznych w dziedzinie czasu. Podstawowym warunkiem stosowalności analizy spektralnej jest stacjonarność badanego procesu stochastycznego. Analiza spektralna w dużej mierze polega na wyznaczeniu widma badanego procesu stochastycznego, które umożliwia wskazanie, jakie częstotliwości w większym stopniu potrafią wyjaśnić zmienność analizowanego szeregu czasowego [Skrzypczyński, 8, s. 1]. Fundamentalnym założeniem analizy spektralnej jest wskazanie, że stacjonarną, przynajmniej w szerszym sensie, realizację procesu w czasie dyskretnym można wyrazić jako [Osińska,, s. 157]: Y t i1 [ a i cos( t) b sin( t)] (1) i gdzie a1, b1, a, b, są stałymi, natomiast ω=π/n jest częstością związaną z okresem n. Reprezentacja (1) jest szczególnie pomocna przy wskazaniu cykli odpowiadających za dynamikę procesu. Niech proces Yt będzie kowariancyjnie stacjonarny o średniej μ i dający się zsumować w wartościach i i
4 14 Andrzej Geise bezwzględnych funkcji kowariancyjnej (K(τ)), wówczas transformata Fouriera przyjmuje następująca postać [Osińska,, s ]: 1 i 1 1 fy ( ) K( ) e K() K( )cos () 1 Funkcję postaci () wykorzystuje się by wyznaczyć spektrum procesu Yt lub inaczej funkcję gęstości spektralnej 4 następującej postaci: 1 i 1 1 p ( ) e cos (3) 1 gdzie ω należy do przedziału od <-π ; π>, oraz p i ( ) e d (4) gdzie τ jest współczynnikiem autokorelacji. Z powyższych konstrukcji wywnioskować można, że spektrum ma następujące własności [Brockwell, Davis,, s ]: przy założeniu o sumowaniu w wartościach bezwzględnych funkcji kowariancyjnej otrzymujemy, że funkcja gęstości spektralnej jest ciągła o rzeczywistych wartościach dla dowolnej częstości, spektrum jest symetryczną i okresową funkcją o okresie π, dlatego wystarczającym jest poznanie jej wartości w przedziale [;π]. Funkcja gęstości spektralnej estymowana jest przy użyciu periodogramu. Wskazuje on na natężenie wahań o danej częstości w badanych procesach stochastycznych. W związku z powyższym periodogram przyjmuje następującą postać funkcyjną [Skrzypczyński, 8, s. 17]: T 1 T 1 1 y i 1 j y y I y ( j ) e [ cos( j )] (5) ( T 1) Reprezentacja (5) jest naturalnym estymatorem spektrum (jednocześnie funkcji gęstości spektralnej) wyrażonego wzorem (). Estymator ten posiada własność asymptotycznej nieobciążoności, ale jednocześnie jest estymatorem niezgodnym. Po oszacowaniu periodogramu należy zredukować wariancję wokół konkretnych częstości ω, czyli należy dokonać wygładzenia periodogramu. W tym celu stosuje się funkcję wagową, zwaną dalej oknem spektralnym. W literaturze przedmiotu opisano różne okna spektralne. Najczęściej stosowanymi są [Osińska,, s ]: 1 4 Spektrum utożsamia się z funkcją gęstości spektralnej i odwrotnie. Uogólnienie nastąpiło na mocy twierdzenia Kołmogorowa-Cramera [Talaga, Zieliński, 198].
5 Analiza spektralna wahań koniunkturalnych w gospodarce polskiej 15 okno Bartletta postaci: 1 sin( M / ) M ( ) sin( / ) () M okno Parzena postaci: 3 sin( M / 4) M ( ) 3 8 1/ sin( / ) (7) M Okno Bartletta przyjmuje wartości nieujemne, stąd estymator spektrum jest nieujemny. W oknie Parzena M przyjmuje wartości parzyste, natomiast dla dowolnych częstości okno to przyjmuje wartości dodatnie, a estymator spektrum przyjmuje wartości nieujemne... Wzajemna analiza spektralna Analiza wzajemnej gęstości spektralnej stochastycznych procesów ekonomicznych pozwala badać zależności pomiędzy poszczególnymi częstościami dwóch szeregów czasowych m.in. korelacje i przesunięcie w fazach cykli [Talaga, Zieliński, 198, s. 19]. Zależność pomiędzy parami składowych dwóch procesów Xt oraz Yt charakteryzowana jest poprzez trzy fundamentalne parametry spektralne, a mianowicie funkcję gęstości spektralnej procesu Xt (fx(ω)), funkcję gęstości spektralnej procesu Yt (fy(ω)) oraz funkcję wzajemnej gęstości spektralnej (fxy(ω)). Funkcja wzajemnej gęstości spektralnej przyjmuje następującą postać [Skrzypczyński, 8, s. 18]: 1 i f xy ( ) K xy ( ) e cxy ( ) iq xy ( ) (8) Reprezentacja (8) wskazuje, że funkcja wzajemnej gęstości spektralnej jest transformatą Fouriera funkcji kowariancji wzajemnej procesu dwuwymiarowego. Dodatkowo wskazuje, że spektrum wzajemne przyjmuje w ogólności wartości zespolone, gdzie cxy(ω) nazywane kospektrum mierzy kowariancję między składowymi Xt oraz Yt mającymi jednakową fazę, natomiast qxy(ω) nazywane kwadrospektrum, mierzy kowariancję między składowymi Xt i Yt poza fazą [Talaga, Zieliński, 198, s. 74]. Kospektrum i spektrum kwadraturowe przyjmują następujące postaci: 1 xy c cos( ) xy ( ) (9) 1 xy q ( ) sin( ) xy (1) 4
6 1 Andrzej Geise z czego wynika, że cxy(ω) jest funkcją parzystą, natomiast qxy(ω) jest funkcją nieparzystą. W praktyce najczęściej stosuje się funkcje równań (9) i (1). Wśród nich znaczącą rolę odgrywają następujące współczynniki [Skrzypczyński,, s. 18]: amplituda wzajemna: c ( ) q ( ), 5 A( ) (11) współczynnik koherencji (koherencja): f xy ( ) K( ) (1) f ( ) f ( ), 5 xx Koherencja jest unormowana w przedziale od [ ; 1] i mierzy siłę zależności liniowej między procesami dla danej częstości dla wszystkich opóźnień i wyprzedzeń czasowych [por. Talaga, Zieliński, 198, s. 3-31]. koherencja kwadratowa: yy K( K ( ) ) (13) Koherencja kwadratowa z kolei informuje w jakim stopniu liniowa regresja jednego procesu względem opóźnień, wyprzedzeń i wartości bieżących drugiego procesu potrafi wyjaśnić zmienność wariancji każdego z procesów dla danej częstości [Skrzypczyński, 8, s. 18]. kąt fazowy (spektrum fazowe): ( ) ( ) arctg q (14) c( ) Spektrum fazowe mierzy różnicę w fazie między poszczególnymi komponentami cyklicznymi badanych procesów stochastycznych, czyli jest tzw. kątem fazowym wyprzedzania procesu Yt przez proces Xt dla danych częstości ω [por. Talaga, Zieliński, 198, s. 3-33]. odstęp czasu w dziedzinie częstości: ( ) ( ) (15) Stanowi pomocniczą wielkość obok kąta fazowego, który służy identyfikacji wyprzedzania badanych procesów stochastycznych. wzmocnienie (funkcja przyrostu): f xy ( ) A( ) G( ) (1) f ( ) f ( ) xx xx
7 Analiza spektralna wahań koniunkturalnych w gospodarce polskiej 17 Gdy funkcja przyrostu przyjmuje wartości większe od 1, wówczas oznacza to, że proces pierwszy posiada niższą amplitudę wahań niż proces drugi dla danej częstości oraz odwrotnie, gdy wzmocnienie przyjmuje wartości mniejsze od 1 [Skrzypczyński, 8, s. 18]. dynamiczny współczynnik korelacji: c( ) ( ) (17) f ( ) ( ), 5 xx f yy Współczynnik ten unormowany w przedziale od [-1, 1] mierzy siłę zależności jednoczesnych między szeregami czasowymi dla danych częstości [Skrzypczyński, 8, s. 18]. 3. Analiza empiryczna synchronizacji wahań cyklicznych 3.1. Identyfikacja cyklu koniunkturalnego w Polsce na podstawie produktu krajowego brutto oraz indeksu produkcji przemysłowej Rozdział trzeci artykułu prezentuje wyniki identyfikacji oraz analizy zbieżności wahań cyklicznych w gospodarce polskiej. Po pierwsze omówiono tutaj wyniki estymacji cyklu koniunkturalnego gospodarki polskiej. Po drugie zaprezentowano wyniki dotyczące zbieżności cyklu koniunkturalnego kraju z cyklem wyodrębnionym ze wskaźników koniunktury dotyczących zdolności produkcyjnych w małych i średnich przedsiębiorstwach. Wszystkie wyniki otrzymano na podstawie zaprezentowanych powyżej metod ekonometrycznych. Aby zidentyfikować przebieg cyklu koniunkturalnego, należy poprawnie wskazać dominujące częstotliwości wahań, które determinują dynamikę cykliczną PKB, produkcji przemysłowej oraz innych wielkości makroekonomicznych [Gradzewicz, i inni, 1, s. 48]. W celu wyodrębnienia dominujących częstotliwości wahań, PKB oraz indeksu produkcji przemysłowej, dokonano dekompozycji szeregów czasowych. Zastosowano filtr Hodricka-Prescotta 5, który umożliwił wyodrębnienie komponentów cyklicznych badanych procesów (zobacz rysunek 1). Po wyznaczeniu składowych badanych szeregów czasowych, zbadano stacjonarność komponentów cyklicznych, gdyż jest to warunek konieczny stosowania technik analizy spektralnej w identyfikacji cyklu koniunkturalnego. Wyniki testu pierwiastka jednostkowego ADF oraz testu stacjonar- 5 Estymacja komponentu trendu w ramach filtru HP sprowadza się do rozwiązania zadania minimalizacji postaci: [Skrzypczyński, 8, s. 1-13]. T T min ( yt gt ) ( gt ) t1 t3
8 199Q1 199Q4 1997Q3 1998Q 1999Q1 1999Q4 Q3 1Q Q1 Q4 3Q3 4Q 5Q1 5Q4 Q3 7Q 8Q1 8Q4 9Q3 1Q 11Q1 11Q4 18 Andrzej Geise ności KPSS wskazują na brak pierwiastka jednostkowego w komponentach cyklicznych PKB oraz IPP, co pozwala uznać je za zmienne stacjonarne (zobacz tablica 1). Rysunek 1. Składowa cykliczna realnego PKB oraz indeksu produkcji przemysłowej w Polsce (filtr Hodricka-Prescotta),15,1,5 -,5 -,1 -,15 -, Źródło: Opracowanie własne. Tablica 1. Test pierwiastka jednostkowego ADF dla komponentów cyklicznych badanych szeregów czasowych Składowe cykliczne badanych szeregów Składowa cykliczna indeksu produkcji przemysłowej Składowa cykliczna PKB Test pierwiastka jednostkowego ADF z wyrazem wolnym dla poziomów p-value zmiennej Testy stacjonarności Test stacjonarności KPSS z wyrazem wolnym dla poziomów szerokość pasma zmiennej PKB -4,98,1,433 3 IPP -99,1,335 3 ZPM -4,579,1,39 3 ZPS -4,18,9,1 3 PKB produkt krajowy brutto, IPP indeks produkcji przemysłowej, ZPM zdolności produkcyjne małych przedsiębiorstw, ZPS zdolności produkcyjne średnich przedsiębiorstw, asymptotyczne wartości krytyczne dla testu KPSS wynoszą odpowiednio,35,,48 i,79 dla 1%, 5% i 1% poziomu istotności. Źródło: Opracowanie własne. Nieformalna analiza uzyskanych komponentów cyklicznych dla szeregów produktu krajowego brutto oraz indeksu produkcji przemysłowej wskazuje na podobne kształtowanie się zmiennych. Jednakże
9 Analiza spektralna wahań koniunkturalnych w gospodarce polskiej 19 składowa cykliczna indeksu produkcji przemysłowej charakteryzuje się większą zmiennością niż składowa cykliczna PKB (zobacz rysunek 1). Dzieje się tak dlatego, że produkcja przemysłowa jest bardziej zmienna niż PKB a jej udział w produkcie gospodarek rozwiniętych stanowi - 3%. Niemniej jednak wpływ sektora przemysłowego jest więcej niż proporcjonalny na całą aktywność gospodarczą, co pozwala na efektywne wykorzystanie tego wskaźnika w estymacji cyklu koniunkturalnego [Konopczak, 8, s. 1]. Tym samym można stwierdzić, że przebieg cyklu koniunkturalnego jest poprawnie zidentyfikowany. Wyraźnie obserwowalne są okresy spowolnienia związane z występowaniem kryzysów gospodarczych i finansowych mających miejsce w pierwszym dziesięcioleciu XXI wieku. Z drugiej jednak strony należy mieć świadomość, że szacunki komponentu cyklicznego produktu krajowego brutto ulegają zmianom w czasie, co ma związek z rozszerzeniem próby o nowe obserwacje. Dzieje się tak z jednej strony z uwagi na rewizje danych o PKB, z drugiej natomiast z uwagi na rewizje wprowadzane przez stosowaną metodę eliminacji wahań sezonowych oraz ekstrakcji cyklu. W przypadku filtru Hodricka-Prescotta rewizje dotyczą przede wszystkim końców próby obserwacji, gdzie filtry te stają się jednostronne. W związku z powyższym należy mieć świadomość, że uzyskane składowe cykliczne stanowią oszacowania warunkowe względem dostępnej próby obserwacji [Skrzypczyński, 8, s. ]. Aby ustalić długość dominującego cyklu koniunkturalnego w Polsce posłużono się analizą periodogramów, które wskazują, że wahania cykliczne w gospodarce polskiej kształtowane są przez dominujące częstotliwości wahań o długości ok. 4 lat. Dodatkowo wahania aktywności gospodarczej zależą również od cykli 8 letnich w przypadku kształtowania się produktu krajowego brutto, oraz od cykli letnich w przypadku kształtowania się indeksu produkcji przemysłowej (zobacz rysunek ). Pęknięcie bańki internetowej w 1 roku i wywołany tym faktem kryzys gospodarczy oraz kryzys finansowy i gospodarczy wywołany kryzysem na rynku nieruchomości w 8 roku.
10 11 Andrzej Geise Rysunek. Periodogramy składowych cyklicznych produktu krajowego brutto oraz indeksu produkcji przemysłowej (filtr Hodricka-Prescotta) A. Spektrum dla PKB B. Spektrum dla IPP Źródło: Opracowanie własne.
11 199Q1 199Q4 1997Q3 1998Q 1999Q1 1999Q4 Q3 1Q Q1 Q4 3Q3 4Q 5Q1 5Q4 Q3 7Q 8Q1 8Q4 9Q3 1Q 11Q1 11Q4 Analiza spektralna wahań koniunkturalnych w gospodarce polskiej 111 W badanym okresie od I kw. 199 roku do II kw. 1 roku, można stwierdzić, że polski cykl koniunkturalny był zdominowany przez 4- letni cykl oraz przez dwa pozostałe rodzaje fluktuacji o charakterze koniunkturalnym, tj. -letnim oraz cyklem o dłuższym okresie ok. 8 letnim. 3.. Identyfikacja cykli koniunkturalnych wybranych wskaźników na podstawie testów koniunktury GUS Obok ekonometrycznych metod ekstrakcji cykli koniunkturalnych, ważnym źródłem informacji o stanie koniunktury gospodarczej są barometry koniunktury oraz testy koniunktury. 7 W tej części artykułu podjęto próbę określenia długości wahań, które determinują zmiany w przewidywaniach małych i średnich przedsiębiorstw dotyczących zmian w koniunkturze gospodarczej. Rysunek 3. Składowa cykliczna zdolności produkcyjnych małych (ZPM) oraz średnich (ZPS) przedsiębiorstw (filtr Hodricka-Prescotta),3,,1 -,1 -, -,3 -,4 Składowa cykliczna ZPM Składowa cykliczna ZPS Źródło: Opracowanie własne. Do identyfikacji zmian cyklicznych w przewidywaniach małych i średnich przedsiębiorstw wykorzystano filtr Hodricka-Prescotta. Wyodrębnione składowe cykliczne szeregów czasowych ZPM oraz ZPS charakteryzują się dużą zmiennością w czasie (zobacz rysunek 3). Dzieje się tak dlatego, że testy koniunktury umożliwiają obserwację podmio- 7 Test koniunktury jest zbiorem powiązanych ze sobą kwestionariuszy ankietowych, zawierających pytania dotyczące głównych wielkości ekonomicznych, symptomatycznych dla koniunktury. Badaniem obejmuje się różne dziedziny gospodarcze i społeczne m.in. przemysł, budownictwo, handel detaliczny, usługi i gospodarstwa domowe; więcej na temat testów koniunktury w: [Kowalewski, 5].
12 11 Andrzej Geise tów gospodarczych w momencie podejmowania decyzji, a ich celem jest m.in. rozpoznanie zamierzeń i oczekiwań respondentów, które ulegają częstym zmianom [Kowalewski, 5, s. 58]. Pomimo dużej zmienności badanych szeregów, okazały się one być zmiennymi stacjonarnymi (zobacz tablica 1). Analizując nieformalnie przebieg komponentów cyklicznych w czasie można stwierdzić, że obie składowe charakteryzują się podobną zmiennością, gdzie podobnie jak w przypadku komponentów cyklicznych PKB oraz IPP, można wskazać okresy spowolnienia gospodarczego wywołane kryzysami gospodarczymi (zobacz rysunek 3). Dla ustalenia długości wahań dominujących w badanych szeregach czasowych posłużono się analizą periodogramów. Dla zmian w przewidywaniach małych przedsiębiorstw dominującymi okazały się wahania 1,5- lat oraz 4-letnie, natomiast w grupie średnich przedsiębiorstw wahania te przyjmują cykle 1,5- lat oraz 3-letnie (zobacz rysunek 4). Rysunek 4. Periodogramy składowych cyklicznych ZPM oraz ZPS (filtr Hodricka-Prescotta) A. Spektrum dla ZPM
13 Analiza spektralna wahań koniunkturalnych w gospodarce polskiej 113 B. Spektrum dla ZPS Źródło: Opracowanie własne Analiza synchronizacji cykli wybranych wskaźników z testów koniunktury z cyklem koniunkturalnym gospodarki polskiej Analiza synchronizacji na podstawie zmienności produktu krajowego brutto Dwuwymiarowa analiza spektralna dostarcza informacji na temat wzajemnych związków istniejących pomiędzy badanymi szeregami czasowymi. Wskazuje również jakie związki zachodzą miedzy procesami ekonomicznymi i jak badane zmienne powiązane są w czasie [Talaga, Zieliński, 198, s. 118]. Wykorzystując opisane wskaźniki w podpunkcie.. przeprowadzono analizę zależności zachodzących między składowymi cyklicznymi produktu krajowego brutto (PKB) i zdolności produkcyjnych małych (ZPM) oraz średnich (ZPS) przedsiębiorstw. Rysunek 5 przedstawia zależności cross-spektralne składowych cyklicznych PKB oraz ZPM. Formalny opis zjawiska zbieżności cykli gospodarczych przeprowadzony na podstawie wyznaczonych statystyk cross-spektralnych wskazuje na średnie dopasowanie wahań dla zdol-
14 114 Andrzej Geise ności produkcyjnych małych przedsiębiorstw do cyklu koniunkturalnego Polski w okresie od I kw. 199 roku do II kw. 1 roku. Współczynnik koherencji wskazuje na zróżnicowaną korelację komponentu cyklicznego w poszczególnych częstościach. Dla wahań od lat do 1 lat korelacja wynosi powyżej 5%. Natomiast dla częstości wysokich skorelowanie badanych procesów waha się w przedziale od 1% do 4% (zobacz rysunek 5B). Regresja PKB względem zmian zdolności produkcyjnych małych przedsiębiorstw wyjaśnia zmienność wariancji PKB w średnim stopniu dla niskich częstości, o czym informuje koherencja kwadratowa (zobacz rysunek 5B). Różnice fazowe występujące między PKB a ZPM dla niskich częstości są dodatnie o czym informuje kąt fazowy. Oznacza to, że zmiany ZPM w stosunku do zmian PKB są wyprzedzające. Szczególnie widoczne w cyklu o niskich częstościach, gdzie wyprzedzenie sięga ok. roku, natomiast w wysokich częstościach cykl PKB jest miej opóźniony w stosunku do zmian ZPM (zobacz rysunek 5D). Powyższe wnioski potwierdza również odstęp czasu w dziedzinie częstości dla analizowanych cykli (zobacz rysunek 5D). Dynamiczny współczynnik korelacji wskazuje na istotną dodatnią zależność pomiędzy cyklami PKB oraz ZPM, gdzie dla niskich częstości wahań o okresach od 8 do 1 lat przyjmuje wartości ok. 5%. Natomiast dla częstości wyższych od 1 roku do 3 lat współczynnik ten waha się w przedziale od -% do %. Oznacza to niskie skorelowanie, które w zależności od częstości wahań zmienia się z ujemnego na dodatnie (zobacz rysunek 5C). Analizując wykres wzmocnienia, wnioskować można, że amplitudy cyklu ZPM są zdecydowanie wyższe od amplitud korespondującego cyklu koniunkturalnego Polski. Wniosek taki otrzymano analizując wartości wzmocnienia, gdzie dla wszystkich częstości przyjmuje on wartości większe od 1 oraz waha się w przedziale od 1 do 8 (zobacz rysunek 5A). Na podstawie wyników analizy cross-spektralnej komponentów cyklicznych szeregów czasowych PKB oraz ZPM można stwierdzić, iż cykle są średnio zsynchronizowane. Wskazują na to zarówno zmiany w amplitudach wahań oraz różnice w czasie występowania punktów zwrotnych, ale także zmiany w poziomach skorelowania cykli w wyznaczonych częstościach.
15 13, 5,8,87,4,44,8,13 13, 5,8,87,4,44,8,13 13, 5,8,87,4,44,8,13 13, 5,8,87,4,44,8,13 Analiza spektralna wahań koniunkturalnych w gospodarce polskiej 115 Rysunek 5. Współczynniki cross-spektralne składowych cyklicznych PKB i zdolności produkcyjnych małych przedsiębiorstw (ZPM) A. Wzmocnienie (PKBZPM) B. Koherencja/koherencja^ 1 8 4,7,,5,4,3,,1 G1(ω) K^ K(ω) C. Dynamiczny współ. korelacji D. Kąt fazowy/odstęp czasu,,4, -, -, r(ω) Źródło: Opracowanie własne. φ(ω) τ(ω) Rysunek z kolei przedstawia zależności cross-spektralne składowych cyklicznych PKB oraz ZPS, które opisują zjawisko zbieżności cykli badanych szeregów czasowych. Statystyki te wskazują na słabe dopasowanie wahań dla zdolności produkcyjnych średnich przedsiębiorstw do cyklu koniunkturalnego Polski w okresie od I kw. 199 roku do II kw. 1 roku. Współczynnik koherencji wskazuje na słabą korelację komponentu cyklicznego w poszczególnych częstościach. Dla wahań o częstości ok. 3,5 roku korelacja wynosi powyżej 4%. Natomiast dla pozostałych częstości skorelowanie badanych procesów waha się w przedziale do 1% (zobacz rysunek F). Regresja PKB względem zmian zdolności produkcyjnych średnich przedsiębiorstw wyjaśnia zmienność wariancji PKB w niskim stopniu dla wyznaczonych częstości, o czym informuje koherencja kwadratowa (zobacz rysunek F). Różnice fazowe występujące między PKB a ZPS dla niskich częstości są dodatnie o czym informuje kąt fazowy. Oznacza to, że zmiany
16 13, 5,8,87,4,44,8,13 13, 5,8,87,4,44,8,13 13, 5,8,87,4,44,8,13 13, 5,8,87,4,44,8,13 11 Andrzej Geise ZPS w stosunku do zmian PKB są wyprzedzające. Szczególnie widoczne w cyklu o niskich częstościach, gdzie wyprzedzenie sięga ok. roku, natomiast w wysokich częstościach spektrum fazowe waha się mocniej między ujemnymi a dodatnimi wartościami (zobacz rysunek H). Dynamiczny współczynnik korelacji dla wszystkich częstości przyjmuje niskie wartości, wahając się w przedziale od,1 do -, dla niskich częstości oraz oscylując wokół dla wysokich częstości (zobacz rysunek G). Analizując wykres wzmocnienia, wnioskować można, że amplitudy cyklu ZPS są zdecydowanie wyższe od amplitud korespondującego cyklu koniunkturalnego Polski dla wahań o niskiej częstości. Wniosek odwrotny należy wysnuć dla cykli o wysokich częstościach wahań (zobacz rysunek E). Rysunek. Współczynniki cross-spektralne składowych cyklicznych PKB i zdolności produkcyjnych średnich przedsiębiorstw (ZPS) E. Wzmocnienie (PKBZPS) F. Koherencja/koherencja^ 3,5 1,5 1,5,5,4,3,,1 G1(ω) K^ K(ω) G. Dynamiczny współ. korelacji H. Kąt fazowy/odstęp czasu,,15,1,5 -,5 -,1 -,15 -, -, r(ω) Źródło: Opracowanie własne. φ(ω) τ(ω)
17 Analiza spektralna wahań koniunkturalnych w gospodarce polskiej 117 Na podstawie wyników analizy cross-spektralnej komponentów cyklicznych szeregów czasowych PKB oraz ZPS można stwierdzić, iż cykle są słabo zsynchronizowane, wręcz nie wykazują synchronizacji w badanym okresie na co wskazują zmiany w amplitudach wahań, różnice w czasie występowania punktów zwrotnych, ale przede wszystkim brak skorelowania cykli w wyznaczonych częstościach Analiza synchronizacji na podstawie zmienności indeksu produkcji przemysłowej Analiza synchronizacji cyklu koniunkturalnego zidentyfikowanego jako wahania indeksu produkcji przemysłowej ze zmianami ZPM oraz ZPS pozwala na dokładniejsze ujęcie analizowanego problemu. Rysunek 7 przedstawia zależności cross-spektralne składowych cyklicznych IPP oraz ZPM. Wyznaczone statystyki wskazują na średnie dopasowanie wahań dla zdolności produkcyjnych małych przedsiębiorstw do wahań cyklicznych produkcji przemysłowej Polski. Współczynnik koherencji wskazuje na średnią korelację komponentu cyklicznego w poszczególnych częstościach. Dla wahań o częstościach niskich korelacja waha się między,4 a,. Natomiast dla wysokich częstości skorelowanie badanych procesów jest nieco mniejsze, wahające się w przedziale do,1 do,5 (zobacz rysunek 7J). Regresja IPP względem zmian zdolności produkcyjnych małych przedsiębiorstw wyjaśnia zmienność wariancji IPP w średnim stopniu dla wyznaczonych częstości, o czym informuje koherencja kwadratowa (zobacz rysunek 7J). Różnice fazowe występujące między IPP a ZPM dla niskich częstości wskazują, że zmiany ZPM w stosunku do zmian IPP są wyprzedzające. ZPM wyprzedza IPP średnio o rok. W wysokich częstościach spektrum fazowe waha się mocniej między ujemnymi a dodatnimi wartościami (zobacz rysunek 7L). Dynamiczny współczynnik korelacji waha się w przedziale od, do -,5 co oznacza średnią zależność cykli w badanym okresie (zobacz rysunek 7K). Analizując wykres wzmocnienia, wywnioskować można, że amplitudy obu cykli są mocno zmienne. Jednak większą amplitudą wahań charakteryzuje się szereg ZPM, gdzie wartość współczynnika G przewyższa wartość 1 (zobacz rysunek 7I). Na podstawie wyników analizy cross-spektralnej komponentów cyklicznych szeregów czasowych IPP oraz ZPM można stwierdzić, iż cykle są średnio zsynchronizowane w badanym okresie na co wskazują
18 13, 5,8,87,4,44,8,13 13, 5,8,87,4,44,8,13 13, 5,8,87,4,44,8,13 13, 5,8,87,4,44,8, Andrzej Geise zmiany w amplitudach wahań, różnice w czasie występowania punktów zwrotnych oraz poziom skorelowania cykli w wyznaczonych częstościach. Rysunek 8 przedstawia zależności cross-spektralne składowych cyklicznych IPP oraz ZPS. Wyznaczone statystyki wskazują na średnie dopasowanie wahań dla zdolności produkcyjnych średnich przedsiębiorstw do wahań cyklicznych produkcji przemysłowej Polski w okresie od I kw. 199 roku do II kw. 1 roku. Rysunek 7. Współczynniki cross-spektralne składowych cyklicznych IPP i zdolności produkcyjnych małych przedsiębiorstw (ZPM) I. Wzmocnienie (IPPZPM) J. Koherencja/koherencja^,5 1,5 1,5,8,7,,5,4,3,,1 G1(ω) K^ K(ω) K. Dynamiczny współ. korelacji L. Kąt fazowy/odstęp czasu,3,,1 -,1 -, -,3 -,4 -,5 -, r(ω) φ(ω) τ(ω) Źródło: Opracowanie własne. Współczynnik koherencji wskazuje na średnią korelację komponentu cyklicznego w poszczególnych częstościach. Dla wahań o częstościach niskich korelacja waha się między,45 a,5. Również dla wysokich częstości skorelowanie badanych procesów jest średnie, jednakże waha się w przedziale do,1 do,, czyli zmienność jest większa (zobacz rysunek 8N). Regresja IPP względem zmian zdolności produkcyj-
19 13, 5,8,87,4,44,8,13 13, 5,8,87,4,44,8,13 13, 5,8,87,4,44,8,13 13, 5,8,87,4,44,8,13 Analiza spektralna wahań koniunkturalnych w gospodarce polskiej 119 nych średnich przedsiębiorstw wyjaśnia zmienność wariancji IPP w średnim stopniu dla wyznaczonych częstości, o czym informuje koherencja kwadratowa (zobacz rysunek 8N). Różnice fazowe występujące między IPP a ZPS dla niskich częstości są dodatnie o czym informuje kąt fazowy. Oznacza to, że zmiany ZPS w stosunku do zmian IPP są wyprzedzające. ZPS wyprzedza IPP średnio o rok. W wysokich częstościach spektrum fazowe waha się mocniej między ujemnymi a dodatnimi wartościami (zobacz rysunek 8P). Dynamiczny współczynnik korelacji waha się w przedziale od,3 do -, co oznacza średnią zależność cykli w badanym okresie. Dla niskich częstości wahań zależność ta jest ujemna (zobacz rysunek 8O). Rysunek 8. Współczynniki cross-spektralne składowych cyklicznych IPP i zdolności produkcyjnych małych przedsiębiorstw (ZPM) M. Wzmocnienie (IPPZPS) N. Koherencja/koherencja^ 3,5 1,5 1,5,7,,5,4,3,,1 G1(ω) K^ K(ω) O. Dynamiczny współ. korelacji P. Kąt fazowy/odstęp czasu,4, -, -,4 -, -, r(ω) Źródło: Opracowanie własne. φ(ω) τ(ω) Analizując wykres wzmocnienia, wywnioskować można, że amplituda wahań IPP dla częstości od 1 roku do lat jest większa niż w przy-
20 1 Andrzej Geise padku amplitudy wahań ZPS. Dla częstości poniżej roku ZPS waha się częściej niż IPP, podobnie jak dla wahań powyżej lat, gdzie wartość wzmocnienia jest mniejsza od 1 (zobacz rysunek 8M). Na podstawie wyników analizy cross-spektralnej komponentów cyklicznych szeregów czasowych IPP oraz ZPS można stwierdzić, iż cykle są średnio zsynchronizowane. Zakończenie W treści artykułu podjęto próbę wskazania poziomu dopasowania cykli koniunkturalnych w Polsce do przewidywań małych i średnich przedsiębiorców odnośnie zmian koniunktury gospodarczej. Badanie pozwoliło na stwierdzenie, że w gospodarce polskiej wahania cykliczne stwierdzone w PKB ujawniły się również w przebiegu indeksu produkcji przemysłowej oraz w wynikach testów koniunktury GUS. Wahania komponentów cyklicznych badanych zmiennych były ze sobą skorelowane w stopniu średnim. Wskaźniki koherencji, wskazujące na dopasowanie cykli poszczególnych zmiennych, najwyższe wartości przyjmowały w wynikach zbieżności indeksu produkcji przemysłowej ze zdolnościami małych i średnich przedsiębiorstw. W przypadku badań synchronizacji PKB z ZPM oraz ZPS dopasowanie było mniejsze. W toku rozważań potwierdzono hipotezę badawczą. Przeprowadzone analizy pozwoliły na wskazanie, że przewidywania małych i średnich przedsiębiorstw w stosunku do zmian koniunktury gospodarczej wyprzedzają realne zmiany koniunktury nawet o rok. Oznacza to możliwość wykorzystania wyników testów koniunktury gospodarczej w procesie predykcji aktywności gospodarczej. Natomiast w miarę realne prognozy koniunktury usprawniłyby proces podejmowania decyzji w podmiotach gospodarczych. Literatura 1. Adamowicz E., Dudek S., Pachucki D., Walczyk K. (1), Wahania cykliczne w Polsce i strefie euro, Prace i materiały IRG SGH, Warszawa.. Artis M., Krolzig H.M., Toro J. (4), The European business cycle, Oxford Economic Papers no Avouyl-Dovi S., Kierzenkowski R., Lubochinsky C. () An analysis of business and credit cycles: The case of Poland, Hungary, the Czech Republic and the euro area, Banque de France Bulletin Digest, No Brockwell P.J., Davis R.A. (), Introduction to time series and forecasting nd ed., Springer, New York.
21 Analiza spektralna wahań koniunkturalnych w gospodarce polskiej Garnier J. (9), How much is the Euro Area common cycle affected by the UK, National Institute Economic Review no. 8.. Gradzewicz M., Growiec J., Hagemejer J., Popowski P. (1), Cykl koniunkturalny w Polsce wnioski z analizy spektralnej, Bank i Kredyt nr 41 (5). 7. Konopczak K. (9), Analiza zbieżności cyklu koniunkturalnego gospodarki polskiej ze strefą euro na tle krajów Europy Środkowo-Wschodniej oraz państw członkowskich strefy euro, w: Raport na temat pełnego uczestnictwa Rzeczypospolitej Polskiej w trzecim etapie Unii Gospodarczej i Walutowej - Projekty badawcze część III, NBP, Warszawa. 8. Kowalewski G. (5), Zarys metod badania koniunktury gospodarczej, Wyd. Akademii Ekonomicznej im. O. Langego, Wrocław. 9. Krajewski P., Piłat K., Mackiewicz M. (1), Ocena wpływu cykliczności polityki fiskalnej na synchronizację cyklu koniunkturalnego w Polsce i strefie euro, NBP, Warszawa. 1. Massmann M., Mitchell J. (), Have UK and Eurozone business cycles become more correlated?, National institute Economic Review, No Osborn D., Sensier M. (), The prediction of business cycle phases: financial variables and international linkages, National Institute Economic Review, No Raport na temat pełnego uczestnictwa Rzeczpospolitej Polskiej w trzecim etapie Unii Gospodarczej i Walutowej (1), NBP, Warszawa. 13. Skrzypczyński P. (8), Wahania aktywności gospodarczej w Polsce i strefie euro, Materiały i studia NBP nr Skrzypczyński P. (11), Pomiar cyklu koniunkturalnego w Polsce analiza porównawcza, Bank i Kredyt nr 4 (4). 15. Talaga L., Zieliński Z. (198), Analiza spektralna w modelowaniu ekonometrycznym, PWN, Warszawa. Streszczenie W pracy przedstawiono najważniejsze wnioski dotyczące przebiegu cyklu koniunkturalnego w Polsce w latach Badanie przeprowadzono na podstawie danych kwartalnych. Dokonano dekompozycji szeregów czasowych przy użyciu filtra Hodricka-Prescotta. Wykorzystując techniki analizy spektralnej wyznaczono dominujące częstości wahań w gospodarce kraju. Omówiono również zjawisko zbieżności cykli koniunkturalnych z przewidywaniami małych i średnich przedsiębiorstw odnośnie zmian koniunktury gospodarczej.
22 1 Andrzej Geise Słowa kluczowe cykl koniunkturalny, filtr Hodricka-Prescotta, analiza spektralna Spectral analysis of economic fluctuations in the Polish economy (Summary) The consideration of the paper are focused on investigation of the business cycle in Poland in The study was based on quarterly data. In decomposition of time series process Hodrick-Prescott filter is used. In this paper, the application of spectral techniques to point out the fluctuations of the dominant frequencies are studied. Also the synchronization between business cycles and economic changes predicted by small and medium sized enterprises are discussed. Keywords business cycle, Hodrick-Prescott filter, spectral analysis
Polish Economic Society Branch in Toruń
Polish Economic Society Branch in Toruń PTE Toruń and IER Working Papers No 3/213 Analiza zbieżności cykli koniunkturalnych gospodarki polskiej oraz rynku ropy naftowej w latach 2-213 Andrzej Geise Toruń,
Bardziej szczegółowoA C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 389 TORUŃ 2009
A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 389 TORUŃ 2009 Uniwersytet Ekonomiczny w Poznaniu Katedra Ekonometrii Milda Maria
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 szczegółowoZmiany koniunktury w Polsce w okresie transformacji
Zmiany koniunktury w Polsce w okresie transformacji Elżbieta Adamowicz Międzyzdroje, 9 czerwca 2014 Plan wystąpienia Badania koniunktury Metody wyodrębniania czynnika cyklicznego Zmiany koniunktury w Polsce
Bardziej szczegółowoWahania aktywności gospodarczej w Polsce i strefie euro
Wahania aktywności gospodarczej w Polsce i strefie euro Paweł Skrzypczyński Narodowy Bank Polski Instytut Ekonomiczny Kwiecień 2008 Plan prezentacji Wstęp Metodologia Wyniki Wnioski 2 Wstęp Cel badania
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 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 szczegółowoAnaliza spektralna w ocenie stopnia synchronizacji indeksów giełdowych
mgr Joanna Michalak Wyższa Szkoła Bankowa w Toruniu Koło Naukowe International Business Analiza spektralna w ocenie stopnia synchronizacji indeksów giełdowych I. Wstęp Zasadność pytania o analizę współzależności
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 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 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 szczegółowoANALIZA PORÓWNAWCZA KONIUNKTURY GOSPODARKI WOJEWÓDZTWA ŚLĄSKIEGO I GOSPODARKI POLSKI
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 264 2016 Uniwersytet Ekonomiczny w Katowicach Wydział Zarządzania Katedra Ekonometrii jozef.biolik@ue.katowice.pl
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 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 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 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 szczegółowoANALIZA PORÓWNAWCZA KONIUNKTURY WOJEWÓDZTW POLSKI W LATACH
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 318 2017 Uniwersytet Ekonomiczny w Katowicach Wydział Zarządzania Katedra Ekonometrii jozef.biolik@ue.katowice.pl
Bardziej szczegółowoMAKROEKONOMIA II KATARZYNA ŚLEDZIEWSKA
MAKROEKONOMIA II KATARZYNA ŚLEDZIEWSKA WYKŁAD VII: CYKLE KONIUNKTURALNE Co to jest cykl koniunkturalny? Mierzenie cyklu koniunkturalnego Fakty dot. cyklu koniunkturalnego Cykle koniunkturalne w klasycznej
Bardziej szczegółowoAkademia Młodego Ekonomisty
Akademia Młodego Ekonomisty Wahania koniunktury gospodarczej OŜywienie i recesja w gospodarce prof. ElŜbieta Adamowicz Szkoła Głowna Handlowa w Warszawie 3 kwietnia 2012 r. Program wykładu: Co to jest
Bardziej szczegółowoAdaptacyjność gospodarki polskiej do szoków makroekonomicznych panelowa analiza SVECM
Adaptacyjność gospodarki polskiej do szoków makroekonomicznych panelowa analiza SVECM Piotr Lewandowski Instytut Badań Strukturalnych VII 2008 Wyzwania badawcze Gospodarki krajów naszego regionu od drugiej
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 szczegółowoROZDZIAŁ 7 WPŁYW SZOKÓW GOSPODARCZYCH NA RYNEK PRACY W STREFIE EURO
Samer Masri ROZDZIAŁ 7 WPŁYW SZOKÓW GOSPODARCZYCH NA RYNEK PRACY W STREFIE EURO Najbardziej rewolucyjnym aspektem ogólnej teorii Keynesa 1 było jego jasne i niedwuznaczne przesłanie, że w odniesieniu do
Bardziej szczegółowoEkonometria dynamiczna i finansowa Kod przedmiotu
Ekonometria dynamiczna i finansowa - opis przedmiotu Informacje ogólne Nazwa przedmiotu Ekonometria dynamiczna i finansowa Kod przedmiotu 11.5-WK-IiED-EDF-W-S14_pNadGenMOT56 Wydział Kierunek Wydział Matematyki,
Bardziej szczegółowoAnaliza współzależności zjawisk. dr Marta Kuc-Czarnecka
Analiza współzależności zjawisk dr Marta Kuc-Czarnecka Wprowadzenie Prawidłowości statystyczne mają swoje przyczyny, w związku z tym dla poznania całokształtu badanego zjawiska potrzebna jest analiza z
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 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 szczegółowoFluktuacje cen na rynkach mieszkaniowych w kontekście cykli kredytowych
Konrad Żelazowski Doktor Uniwersytet Łódzki Katedra Inwestycji i Nieruchomości KONSPEKT REFERATU Fluktuacje cen na rynkach mieszkaniowych w kontekście cykli kredytowych Obszar i cel badań Funkcjonowanie
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 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 szczegółowoAnaliza porównawcza koniunktury gospodarczej w województwie zachodniopomorskim i w Polsce w ujęciu sektorowym
Jacek Batóg Uniwersytet Szczeciński Analiza porównawcza koniunktury gospodarczej w województwie zachodniopomorskim i w Polsce w ujęciu sektorowym Warunki działania przedsiębiorstw oraz uzyskiwane przez
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 szczegółowoAnaliza szeregów czasowych: 2. Splot. Widmo mocy.
Analiza szeregów czasowych: 2. Splot. Widmo mocy. P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2007/08 Splot Jedna z najważniejszych własności transformaty Fouriera jest to, że transformata
Bardziej szczegółowoAkademia Młodego Ekonomisty
Akademia Młodego Ekonomisty Wahania koniunktury gospodarczej Ożywienia i recesje w gospodarce Konrad Walczyk Szkoła Główna Handlowa w Warszawie 12 października 216 r. Program wykładu: Co to jest koniunktura
Bardziej szczegółowo2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27
SYGNAŁY STOCHASTYCZNE Przestrzeń probabilistyczna i zmienna losowa Definicja Przestrzenią probabilistyczną (doświadczeniem) nazywamy trójkę uporządkowaną (E, B, P ), gdzie: E przestrzeń zdarzeń elementarnych;
Bardziej szczegółowoMetoda Johansena objaśnienia i przykłady
Metoda Johansena objaśnienia i przykłady Model wektorowej autoregresji rzędu p, VAR(p), ma postad gdzie oznacza wektor zmiennych endogenicznych modelu. Model VAR jest stabilny, jeżeli dla, tzn. wielomian
Bardziej 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 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 szczegółowoZmienne zależne i niezależne
Analiza kanoniczna Motywacja (1) 2 Często w badaniach spotykamy problemy badawcze, w których szukamy zakresu i kierunku zależności pomiędzy zbiorami zmiennych: { X i Jak oceniać takie 1, X 2,..., X p }
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 szczegółowoElementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa
Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący
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 szczegółowoAkademia Młodego Ekonomisty
Akademia Młodego Ekonomisty Wahania koniunktury gospodarczej Ożywienie i recesja w gospodarce Dr Joanna Czech-Rogosz Uniwersytet Ekonomiczny w Katowicach 16.04.2012 1. Co to jest koniunktura gospodarcza?
Bardziej szczegółowoAnaliza zależności liniowych
Narzędzie do ustalenia, które zmienne są ważne dla Inwestora Analiza zależności liniowych Identyfikuje siłę i kierunek powiązania pomiędzy zmiennymi Umożliwia wybór zmiennych wpływających na giełdę Ustala
Bardziej szczegółowoDynamiczne stochastyczne modele równowagi ogólnej
Dynamiczne stochastyczne modele równowagi ogólnej mgr Anna Sulima Instytut Matematyki UJ 8 maja 2012 mgr Anna Sulima (Instytut Matematyki UJ) Dynamiczne stochastyczne modele równowagi ogólnej 8 maja 2012
Bardziej szczegółowoWskaź niki cyklu kredytowego oraź kalibracja antycyklicźnego bufora kapitałowego w Polsce
Wskaź niki cyklu kredytowego oraź kalibracja antycyklicźnego bufora kapitałowego w Polsce Materiał dla Komitetu Stabilności Finansowej Warszawa, luty 2016 r. Synteza Niniejsze opracowanie zawiera informację
Bardziej szczegółowoPDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com
Analiza korelacji i regresji KORELACJA zależność liniowa Obserwujemy parę cech ilościowych (X,Y). Doświadczenie jest tak pomyślane, aby obserwowane pary cech X i Y (tzn i ta para x i i y i dla różnych
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 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 szczegółowoWYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI
1 WYDZIAŁ MATEMATYKI KARTA PRZEDMIOTU Nazwa w języku polskim ANALIZA SZEREGÓW CZASOWYCH Nazwa w języku angielskim ANALYSIS OF TIME SERIES Kierunek studiów (jeśli dotyczy): Matematyka Specjalność (jeśli
Bardziej szczegółowoEkonomiczny Uniwersytet Dziecięcy. Plan wykładu
Ekonomiczny Uniwersytet Dziecięcy Wahania koniunktury gospodarczej Konrad Walczyk Szkoła Główna Handlowa w Warszawie 22 maja 2013 r. Plan wykładu Co to jest koniunktura gospodarcza? W jaki sposób ją mierzyć?
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 szczegółowoKatedra Fizyki Ciała Stałego Uniwersytetu Łódzkiego. Ćwiczenie 2 Badanie funkcji korelacji w przebiegach elektrycznych.
Katedra Fizyki Ciała Stałego Uniwersytetu Łódzkiego Ćwiczenie Badanie unkcji korelacji w przebiegach elektrycznych. Cel ćwiczenia: Celem ćwiczenia jest zbadanie unkcji korelacji w okresowych sygnałach
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 szczegółowoWYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI
1 Zał. nr 4 do ZW WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Nazwa w języku polskim ANALIZA SZEREGÓW CZASOWYCH Nazwa w języku angielskim ANALYSIS OF TIME SERIES Kierunek studiów (jeśli dotyczy):
Bardziej szczegółowoBarometr Finansów Banków (BaFiB) propozycja badania koniunktury w sektorze bankowym
Jacek Batóg Uniwersytet Szczeciński Barometr Finansów Banków (BaFiB) propozycja badania koniunktury w sektorze bankowym Jednym z ważniejszych elementów każdej gospodarki jest system bankowy. Znaczenie
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 szczegółowoAnaliza szeregów czasowych: 2. Splot. Widmo mocy.
Analiza szeregów czasowych: 2. Splot. Widmo mocy. P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2006/07 Splot Jedna z najważniejszych własności transformaty Fouriera jest to, że transformata
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 szczegółowoTablica Wzorów Rachunek Prawdopodobieństwa i Statystyki
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...
Bardziej szczegółowoCykl koniunkturalny w Polsce wnioski z analizy spektralnej
Bank i Kredyt 41 (5), 21, 41 76 www.bankikredyt.nbp.pl www.bankandcredit.nbp.pl Cykl koniunkturalny w Polsce wnioski z analizy spektralnej Michał Gradzewicz *, Jakub Growiec #, Jan Hagemejer, Piotr Popowski
Bardziej szczegółowoW celu obliczenia charakterystyki częstotliwościowej zastosujemy wzór 1. charakterystyka amplitudowa 0,
Bierne obwody RC. Filtr dolnoprzepustowy. Filtr dolnoprzepustowy jest układem przenoszącym sygnały o małej częstotliwości bez zmian, a powodującym tłumienie i opóźnienie fazy sygnałów o większych częstotliwościach.
Bardziej szczegółowoMieczysław Kowerski. Program Polska-Białoruś-Ukraina narzędziem konwergencji gospodarczej województwa lubelskiego
Mieczysław Kowerski Wyższa Szkoła Zarządzania i Administracji w Zamościu Program Polska-Białoruś-Ukraina narzędziem konwergencji gospodarczej województwa lubelskiego The Cross-border Cooperation Programme
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 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 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 szczegółowoROZDZIAŁ 11 CZYNNIKI DETERMINUJĄCE DYNAMIKĘ POLSKIEGO EKSPORTU I IMPORTU
Ryszard Stefański ROZDZIAŁ CZYNNIKI DETERMINUJĄCE DYNAMIKĘ POLSKIEGO EKSPORTU I IMPORTU. Wprowadzenie Handel międzynarodowy odgrywa coraz większą rolę w gospodarce światowej. Także w Polsce dynamika eksportu
Bardziej szczegółowoSTATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE
STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE 1 W trakcie badania obliczono wartości średniej (15,4), mediany (13,6) oraz dominanty (10,0). Określ typ asymetrii rozkładu. 2 Wymień 3 cechy rozkładu Gauss
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 szczegółowoZałóżmy, że obserwujemy nie jedną lecz dwie cechy, które oznaczymy symbolami X i Y. Wyniki obserwacji obu cech w i-tym obiekcie oznaczymy parą liczb
Współzależność Załóżmy, że obserwujemy nie jedną lecz dwie cechy, które oznaczymy symbolami X i Y. Wyniki obserwacji obu cech w i-tym obiekcie oznaczymy parą liczb (x i, y i ). Geometrycznie taką parę
Bardziej szczegółowoWspółczynnik korelacji. Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ
Współczynnik korelacji Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ Własności współczynnika korelacji 1. Współczynnik korelacji jest liczbą niemianowaną 2. ϱ 1,
Bardziej szczegółowoAnaliza składowych głównych. Wprowadzenie
Wprowadzenie jest techniką redukcji wymiaru. Składowe główne zostały po raz pierwszy zaproponowane przez Pearsona(1901), a następnie rozwinięte przez Hotellinga (1933). jest zaliczana do systemów uczących
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 szczegółowoPorównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych
dr Piotr Sulewski POMORSKA AKADEMIA PEDAGOGICZNA W SŁUPSKU KATEDRA INFORMATYKI I STATYSTYKI Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych Wprowadzenie Obecnie bardzo
Bardziej szczegółowoTomasz Stryjewski Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETYCZNE IX Ogólnopolskie Seminarium Naukowe 6 8 września 5 w Toruniu Katedra Ekonometrii i Statystyki Uniwersytet Mikołaja Kopernika w Toruniu Uniwersytet Mikołaja Kopernika w Toruniu
Bardziej szczegółowoStan i prognoza koniunktury gospodarczej
222 df Instytut Badań nad Gospodarką Rynkową przedstawia osiemdziesiąty dziewiąty kwartalny raport oceniający stan koniunktury gospodarczej w Polsce (IV kwartał 2015 r.) oraz prognozy na lata 2016 2017
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria Wykład 9 Anna Skowrońska-Szmer lato 2016/2017 Ekonometria (Gładysz B., Mercik J., Modelowanie ekonometryczne. Studium przypadku, Wydawnictwo PWr., Wrocław 2004.) 2
Bardziej szczegółowo12. Przynależność do grupy przedmiotów: Blok przedmiotów matematycznych
(pieczęć wydziału) KARTA PRZEDMIOTU Z1-PU7 WYDANIE N1 Strona 1 z 5 1. Nazwa przedmiotu: Rachunek prawdopodobieństwa i statystyka matematyczna 2. Kod przedmiotu: RPiS 3. Karta przedmiotu ważna od roku akademickiego:
Bardziej szczegółowoZakładamy, że są niezależnymi zmiennymi podlegającymi (dowolnemu) rozkładowi o skończonej wartości oczekiwanej i wariancji.
Wnioskowanie_Statystyczne_-_wykład Spis treści 1 Centralne Twierdzenie Graniczne 1.1 Twierdzenie Lindeberga Levy'ego 1.2 Dowód 1.2.1 funkcja tworząca sumy zmiennych niezależnych 1.2.2 pochodna funkcji
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 szczegółowoZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO ANALIZA ZBIEŻNOŚCI STRUKTUR ZATRUDNIENIA W WYBRANYCH KRAJACH WYSOKOROZWINIĘTYCH
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 32 PRACE KATEDRY EKONOMETRII I STATYSTYKI NR 11 21 BARBARA BATÓG JACEK BATÓG Uniwersytet Szczeciński Katedra Ekonometrii i Statystyki ANALIZA ZBIEŻNOŚCI STRUKTUR
Bardziej szczegółowoPODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE
UNIWERSYTET WARMIŃSKO-MAZURSKI W OLSZTYNIE PODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE http://matman.uwm.edu.pl/psi e-mail: psi@matman.uwm.edu.pl ul. Słoneczna 54 10-561
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 szczegółowodr Bartłomiej Rokicki Chair of Macroeconomics and International Trade Theory Faculty of Economic Sciences, University of Warsaw
Chair of Macroeconomics and International Trade Theory Faculty of Economic Sciences, University of Warsaw Kryzysy walutowe Modele pierwszej generacji teorii kryzysów walutowych Model Krugmana wersja analityczna
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 szczegółowoModelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski
Modelowanie zależności pomiędzy zmiennymi losowymi Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski P Zmienne losowe niezależne - przypomnienie Dwie rzeczywiste zmienne losowe X i Y
Bardziej szczegółowoStatystyka. Wykład 8. Magdalena Alama-Bućko. 10 kwietnia Magdalena Alama-Bućko Statystyka 10 kwietnia / 31
Statystyka Wykład 8 Magdalena Alama-Bućko 10 kwietnia 2017 Magdalena Alama-Bućko Statystyka 10 kwietnia 2017 1 / 31 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia
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 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 szczegółowoAnaliza korespondencji
Analiza korespondencji Kiedy stosujemy? 2 W wielu badaniach mamy do czynienia ze zmiennymi jakościowymi (nominalne i porządkowe) typu np.: płeć, wykształcenie, status palenia. Punktem wyjścia do analizy
Bardziej szczegółowoStatystyka. Wykład 9. Magdalena Alama-Bućko. 24 kwietnia Magdalena Alama-Bućko Statystyka 24 kwietnia / 34
Statystyka Wykład 9 Magdalena Alama-Bućko 24 kwietnia 2017 Magdalena Alama-Bućko Statystyka 24 kwietnia 2017 1 / 34 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia
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 szczegółowoPrognozowanie 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 szczegółowoWykład 5: Statystyki opisowe (część 2)
Wykład 5: Statystyki opisowe (część 2) Wprowadzenie Na poprzednim wykładzie wprowadzone zostały statystyki opisowe nazywane miarami położenia (średnia, mediana, kwartyle, minimum i maksimum, modalna oraz
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 szczegółowoEKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ Ewa Dziawgo WYCENA POTĘGOWEJ ASYMETRYCZNEJ OPCJI KUPNA
ACTA UNIVERSITATIS NICOLAI COPERNICI EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ 2009 Uniwersytet Mikołaja Kopernika w Toruniu Katedra Ekonometrii i Statystyki Ewa Dziawgo WYCENA POTĘGOWEJ
Bardziej szczegółowoTeoria. a, jeśli a < 0.
Teoria Definicja 1 Wartością bezwzględną liczby a R nazywamy liczbę a określoną wzorem a, jeśli a 0, a = a, jeśli a < 0 Zgodnie z powyższym określeniem liczba a jest równa odległości liczby a od liczby
Bardziej szczegółowoRaport - badanie koniunktury województwa wg metodyki ZZK I kwartał 2013
Raport - badanie koniunktury województwa wg metodyki ZZK I kwartał 2013 Pomiar koniunktury wg metodyki ZZK Ogólny pomiar koniunktury w województwie zachodniopomorskim (ZZK Syntetyczny, ZZK Usługi, ZZK
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 szczegółowoMetody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2
Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2 Dr hab. inż. Agnieszka Wyłomańska Faculty of Pure and Applied Mathematics Hugo Steinhaus Center Wrocław University of Science and
Bardziej szczegółowoKorelacja oznacza współwystępowanie, nie oznacza związku przyczynowo-skutkowego
Korelacja oznacza współwystępowanie, nie oznacza związku przyczynowo-skutkowego Współczynnik korelacji opisuje siłę i kierunek związku. Jest miarą symetryczną. Im wyższa korelacja tym lepiej potrafimy
Bardziej szczegółowo