Ekonometria ćwiczenia Kolokwium 2 semestr 22/05/05. / 4 pkt. / 4 pkt. / 3 pkt. / 4 pkt. /22 pkt. Regulamin i informacje dodatkowe
|
|
- Anna Bielecka
- 7 lat temu
- Przeglądów:
Transkrypt
1 imię, nazwisko, nr indeksu: Ekonometria ćwiczenia Kolokwium 2 semestr 22/05/05 Zadanie 1 Zadanie 2 Zadanie 3 / 4 pkt / 4 pkt / 3 pkt Zadanie 4 / 7 pkt [1/1/1/2/2] Zadanie 5 Razem / 4 pkt /22 pkt Skala ocen: do 8,80 punktów 2 08,85-12,05 punktów 3 12,10-14,25 punktów 3+ 14,30-16,45 punktów 4 16,50-18,65 punktów 4+ 18,70 + punktów 5 Regulamin i informacje dodatkowe Przed przystąpieniem do rozwiązywania kolokwium należy podpisać pracę. Każda zauważona próba ściągania będzie karana podpisem osoby pilnującej złożonym na pracy. Pierwszy podpis oznacza utratę jednego punktu. Drugi podpis oznacza podzielenie wyniku punktowego przez 2. Trzeci podpis jest równoznaczny z odebraniem pracy i poinformowaniem władz wydziału o zaistniałej sytuacji. Zastrzegam sobie prawo do obniżenia progów wymaganych do otrzymania ocen. Osoby rażąco naruszające dyscyplinę i przeszkadzające w przeprowadzeniu kolokwium mogą zostać wyproszone z sali. O zaistniałym fakcie zostaną poinformowane władze dziekańskie. Powodzenia :-)
2 Teoria Należy odpowiedzieć na 2 wybranie pytania. W przypadku udzielenia odpowiedzi na więcej pytań należy zaznaczyć które mają być sprawdzane, w przeciwnym przypadku ocenione zostaną dwa pierwsze w kolejności udzielania odpowiedzi. 1. Estymator Least Absolute Deviation (LAD) jest zdefiniowany następująco: LAD : β yi Xβ min Pokaż, że estymator LAD jest estymatorem M. Wiedząc, że estymator MNK jest zgodny pokaż, że estymator LAD jest zgodny. 2. Na czym polega problem identyfikacji w modelu nielosowej selekcji 3. Co to jest obciążenie Lovella. Oblicz ile będzie wynosił prawdziwy poziom istotności jeśli do wyjaśnienia zmiennej y wybierzemy 2 regresory spośród 5, a nominalny poziom istotności wynosi 5 %. 1. Estymatory M, to estymatory minimalizujące funkcję celu. Ponieważ estymator LAD minimalizuję sumę modułów jest estymatorem klasy M. Wiemy, że estymator MNK dany wzorem (y i Xβ) 2. Jest więc kwadratem normy euklidesowej (drugiej). Estymator LAD jest równoważny normie 1. Ponieważ normy są równoważne to minimum będzie niezależne od normy. 2. Model Heckmana jest dwurównaniowy. Składa się z równania selekcji i równania zjawiska. Jeżeli w obu równaniach występuje ten sam zestaw zmiennych niezależnych X to model redukuje się do Tobitu, ponieważ: { di = X i γ + u i y i = X i β + ε i ponieważ zmienna d i jest równa 1 gdy y i > y. Parametry modelu są trudne do zidentyfikowania, ponieważ równanie probitowe może być zbliżone do równania liniowego, a jeśli oba równania są liniowe to nie możemy jednoznacznie zidentyfikować parametrów bez nałożenia dodatkowych ograniczeń na parametry. 3. Obciążenie Lovella występuje gdy wybieramy model regresji spośród grupy modeli konkurencyjnych. W takim przypadku rzeczywisty poziom istotności będzie wyższy od nominalnego. Częściej będziemy podejmować błędne decyzje. α 1 (1 α) c k = 1 (1 0.05)5 2
3 Zadanie 1. Na podstawie danych BAEL 2000 oszacowano model wyjaśniający fakt posiadania pracy dodatkowej za pomocą charakterystyk społeczno-demograficznych respondenta: płci (0 oznacza kobietę), w latach, dochodu gospodarstwa, posiadania rodziny na utrzymaniu oraz wykształcenia (dwie zmiennne 0-1). Otrzymano wyniki Logit estimates Number of obs = LR chi2(5) = Prob > chi2 = Log likelihood = Pseudo R2 = dodatkowa Odds Ratio Std. Err. z P> z plec wiek rodzina wyzsze srednie Marginal effects after logit y = Pr(dodatkowa) (predict) = variable dy/dx Std. Err. z P> z X plec* wiek rodzina* wyzsze* srednie* Przyjmując poziom istotności 5 % dokonaj interpretacji wyników oraz zbadaj istotność oraz łączną istotność modelu. Wartości krytyczne: χ 2 (2) = 5.99, χ 2 (5) = Wiedząc, że wartość funkcji logarytmu wiarogodności dla modelu bez wykształcenia wynosi przeprowadź odpowiedni test badający czy te zmienne są istotne zapisując hipotezę zerową i alternatywną. 1. Mężczyźni mają prawie 4 kronie większą szansę na posiadanie dodatkowej pracy niż kobiety, wraz z wiekiem maleje szansa na posiadanie dodatkowej płacy o 4 % z każdym przeżytym rokiem, posiadanie rodziny zwiększa 6 krotnie szansę na posiadanie pracy dodatkowej, legitymowanie się wyższym wykształceniem zwiększa 6 krotnie szansę na posiadanie pracy dodatkowej w stosunku do wykształcenia podstawowego, legitymowanie się średnim wykształceniem zwiększa 2 krotnie szansę na posiadanie pracy dodatkowej w stosunku do wykształcenia podstawowego, 2. Wszystkie zmienne są łącznie istotne, świadczą o tym statystyki z > 2. Są również łącznie istotne ponieważ wartość statystyki LR > χ 2 (5) = 11.07, a jej p-value wynosi H 0 : β wyzsze = β srednie = 0 H 1 : H 0 LR = 2(L 1 L 0 ) = 2( ) = 82 > χ 2 (2) = 5.99 Wobec tego odrzucamy H 0 o nieistotności zmiennych związanych z poziomami wykształcenia.
4 Zadanie 2. Jesteś pracownikiem firmy ubezpieczeniowej. Na podstawie następujących danych dotyczących liczby wypadków drogowych powodowanych przez klientów firmy: 0, 1, 2, 0, 0, 1, 3, 1, 0, 1, 2, 0, 1, 1, 0, masz oszacować przeciętną liczbę wypadków. 1. wyprowadź estymator metodą momentów dla liczby wypadków. Podpowiedź: Rozpocznij od wyprowadzenia wzoru na wartość oczekiwaną wiedząc że i=0 λx x! = e λ 2. wyprowadź wzór na estymator największej wiarogodności 3. opracuj procedurę dla programu Stata, która może być wykorzystana dla analizy 1 mln obserwacji. 1. Liczbę wypadków dobrze przybliża rozkład Poissona. EX = i=0 x λx x! e λ = 0 + 1λe λ + 2 λ2 2! e λ + 3 λ3 3! e λ +... = = λ(e λ + 2 λ 2! e λ + 3 λ2 3! e λ +...) = λ I przyrównujemy średnią próbkową do średniej z populacji. EMM(λ) = xi n = L = Π n λ x i x i! e λ lnl = x i lnλ ln(x i!) λ lnl xi λ = λ n = 0 λ = xi n = program define poisson version 8 args lnf theta tempvar lambda quietly gen double lambda = exp( theta) quietly replace lnf = - lambda +$ML_y1*ln( lambda ) end
5 Zadanie 3. Wskaż model, który według Ciebie jest najbardziej odpowiedni do analizy następujących problemów społeczno-ekonomicznych. Uzasadnij swój wybór. (a) stopień zadowolenia z życia mierzony za pomocą siedmiostopniowej skali (b) wysokość zarobków mężczyzn (c) długość pozostawania na bezrobociu (a) Stopień zadowolenia z życia mierzony za pomocą siedmiostopniowej skali może być modelowany za pomocą jednego z modeli dla dyskretnej uporządkowanej zmiennej zależnej. Ankiety psychologiczne i socjologiczne zakładają, że respondent jest w stanie wartościować swoje odpowiedzi, wobec tego budując model powinniśmy wykorzystać tą informację. (b) Wysokość zarobków meżczyzn jest cechą charakterystycznej subpopulacji - pracujących mężczyzn. Powinniśmy użyć modelu Heckmana. Bycie mężczyzną jest czynnikiem niezależnym od badanej osoby, ale fakt pracowania zależy od respondenta. (c) Długość pozostawania na bezrobociu, jest okresem czasu. Jest to liczba rzeczywista (wielkość jest ciągła), ograniczona z dołu. Wobec tego powinniśmy użyć modelu dla zmiennej ocenzurowanej, czyli tobitu.
6 Zadanie 3. Wskaż model, który według Ciebie jest najbardziej odpowiedni do analizy następujących problemów społeczno-ekonomicznych. Uzasadnij swój wybór. (a) ilość izb w mieszkaniu (b) wysokość zarobków kobiet (c) wydatki na zakup sprzętu audio-video poniesione w ostatnim roku (a) Ilość izb w mieszkaniu jest dana liczbą naturalną. Z reguły mieszkanie liczy od 1 do 5 izb, więc zarówno średnia jak i wariancja powinny zawierać się w przedziale 2-3. Wobec tego rozsądnym wyborem jest model Poissona. (b) Wysokość zarobków kobiet jest cechą charakterystycznej subpopulacji - pracujących kobiet. Powinniśmy użyć modelu Heckmana. Bycie kobietą jest czynnikiem niezależnym od badanej osoby, ale fakt pracowania zależy od respondenta. (c) Nie wszystkie osoby w ostatnim roku poniosły wydatki na zakup sprzętu audiovideo.w zbiorze możemy oczekiwać wielu obserwacji o wartości zero. Wobec tego, by uzyskać dobre oszacowania, powinniśmy użyć modelu tobitowego.
7 Zadanie 4. Oszacowano na podstawie próby reprezentatywnej model Heckmana dla zależności między wysokością oferowanej przez rynek płacy a charakterystykami respondenta. W równaniu regresji umieszczono wiek i płeć, a w równaniu selekcji wiek, płeć (1 mężczyzna, 2 kobieta) i dochód pozapłacowy. Zarówno płaca jak i dochód pozapłacowy zostały zlogarytmowane. Uzyskane oszacowania parametrów modelu i efektów cząstkowych znajdują się poniżej. Heckman selection model Number of obs = 1470 (regression model with sample selection) Censored obs = 837 Uncensored obs = 633 Wald chi2(2) = Log likelihood = Prob > chi2 = Coef. Std. Err. z P> z lrincome age _Isex_ _cons select _Isex_ age lextincome _cons /athrho /lnsigma rho sigma lambda LR test of indep. eqns.(rho = 0):chi2(1)=11.82 Pr > chi2 = Marginal effects after heckman y = E(lrincome Zg>0) (predict, ycond) = variable dy/dx Std. Err. z P> z X age _Isex_2* lextin~e (*) dy/dx is for discrete change of dummy variable from 0 to 1 Marginal effects after heckman y = Pr(select) (predict, psel) = variable dy/dx Std. Err. z P> z X age _Isex_2* lextin~e (*) dy/dx is for discrete change of dummy variable from 0 to 1 Marginal effects after heckman y = E(lrincome* Pr(select)) (predict, yexpected) =
8 variable dy/dx Std. Err. z P> z X age _Isex_2* lextin~e (*) dy/dx is for discrete change of dummy variable from 0 to 1 1. Sprawdź istotność oraz łączną istotność zmiennych w modelu α = Oceń dopasowanie modelu do danych empirycznych. 2. Podaj interpretację ekonomiczną wielkości oszacowanych parametrów modelu. 3. Podaj interpretację ekonomiczną efektów cząstkowych dla wieku w pierwszej, drugiej i trzeciej tablicy efektów cząstkowych. 4. Zinterpretuj wyliczoną wielkość parametru ρ i wyjaśnij, czy jest ona zgodna z intuicją. Przeprowadź test na korelację między efektami błędami losowymi w równaniu płac i równaniu selekcji i wyjaśnij jego znaczenie praktyczne. 5. Podaj ekonomiczne i ekonometryczne powody, dla których zmienna dochód pozapłacowy (lrincome) nie została umieszczona w równaniu regresji. 1. W równaniu zjawiska zmienną nieistotną okazał się wiek [ 1.25, p-value0.211 > 0.05]. Pozostałe zmienne w modelu są istotne. Łącznie wszystkie zmienne w modelu są istotne [36.92, p-value0.000 < 0.05]. 2. Oszacowany model opisuje wpływ czynników na ofertę płacy. Każdy dodatkowy rok życia obniża oferowaną płacę o 0.38%. Kobietom oferowana jest płaca o 29% niższa niż mężczyznom. 3. Osoby, które pracują z każdym dodatkowym rokiem życia otrzymują ofertę płacy o 0.37% niższą. Dodatkowy rok życia obniża prawdopodobieństwo posiadania pracy o 1.4%. Oczekiwany dochód z pracy spada z każdym rokiem życia o 7.4%. 4. Parametr ρ mierzy stopień korelacji między nieobserwowalnymi czynnikami w równaniu płac i partycypacji w rynku pracy. W modelu korelacja ta wyszła dodatnia. Ponieważ oczekujemy, że czynniki, które pozytywnie wpływają na prawdopodobieństwo posiadania pracy wpływają także pozytywnie na wysokość płacy, więc dodatni znak tego oszacowania tego parametru jest zgodny z intuicją. By przeprowadzić test patrzymy na statystykę LR dla H 0 : ρ = 0. Wielkość statystyki testowej równa i wartość p value = < 0.05 skłaniają nas do odrzucenia H 0 i przyjęcia hipotezy alternatywnej, że istnieje niezerowa korelacja między błędami losowymi w równaniach. Praktyczne znaczenie tego testu wiąże się z tym, że w razie prawdziwości H 0 : ρ = 0 można do oszacowania równania regresji zastosować zwykłe MNK. 5. Z punktu widzenia ekonomii dla pracodawcy jest nieistotne jaki dochód pozapłacowy osiąga pracownik. W równaniu oferty płacy ta zmienna nie powinna się pojawiać. Z drugiej strony z przyczyn ekonometrycznych bardzo pożądane jest, by w równaniu selekcji pojawiały się zmienne nie pojawiające się w równaniu zjawiska. Tylko w tym przypadku można uzyskać precyzyjne oszacowania parametrów.
9 Zadanie 5. Rozważ następujący model: y i = exp (α + βx i ) + u i, i = 1,..., n ε N ( 0, σ 2 I ) 1. Znajdź warunki pierwszego rzędu na estymatory MNW parametrów α i β 2. Jakie własności będą miały uzyskane w ten sposób estymatory? 3. Wyprowadź statystykę LM dla hipotezy β = 0. Przedyskutuj zalety statystyki LM w stosunku do statystyki Walda i statystyki LR. 4. Wyjaśnij, czy model ten można przekształcić do modelu, który można oszacować za pomocą MNK. 1. y i N(exp(α + βx i ), σ 2 I) Więc funkcja gęstości jest dana przez { } 1 f(y i ) = exp [y i exp (α + βx i )] 2 2πσ 2 2σ 2 ln f (y 1... y n ) = n 2 ln (2π) n 2 ln ( σ 2) [y i exp (α + βx i )] 2 2σ 2 ln f n { } β = [yi exp (α + βx i )] exp (α + βx i ) x i σ 2 n y i exp (α + βx i ) x i = n exp (2α + 2βx i ) x i ln f σ 2 = n 1 n 2 σ 2 + [y i exp (α + βx i )] 2 2σ 4 σ 2 = 1 n n [y i exp (α + βx i )] 2 2. Dla spełnionych założeń M N W estymator ten będzie estymatorem zgodnym ponieważ estymatory MNW są zgodne. 3. Statystykę LM można policzyć w następujący sposób: (a) oszacować model, w którym zakładamy, że H 0 : β = 0. Taki model ma postać y i = exp (α) + u i jest więc zwykłym model liniowym, w którym występuje jedynie stała α = exp (α). Po oszacowaniu α za pomocą MNK znajdujemy oszacowanie α = ln ( α ). Oznaczmy reszty z MNK jako û i = y i α = y i exp ( α).
10 (b) Liczymy gradienty funkcji wiarogodności dla modelu bez ograniczeń dla wartości oszacowanych w modelu z ograniczeniami (wektory score): ln f i [y i exp ( α)] exp ( α) x i β β=0 = s α=bα 2 = ûi α x i s 2 σ 2 =s 2 ln f i σ 2 β=0 α=bα σ 2 =s 2 [ = s 2 + [y i exp ( α)] 2 2s 4 = 1 2s 2 1 ) ] 2 (ûi s (c) Znajdujemy statystykę LM przy jako sumę wartości dopasowanych w regresji score ów na 1. Statystykę tą można znaleźć przy zastosowaniu MNK. Statystyki LR i W wymagałyby oszacowania modelu nieliniowego. 4. Nie, modelu tego nie da się sprowadzić do liniowości.
1. Pokaż, że estymator MNW parametru β ma postać β = nieobciążony. Znajdź estymator parametru σ 2.
Zadanie 1 Niech y t ma rozkład logarytmiczno normalny o funkcji gęstości postaci [ ] 1 f (y t ) = y exp (ln y t β ln x t ) 2 t 2πσ 2 2σ 2 Zakładamy, że x t jest nielosowe a y t są nieskorelowane w czasie.
Bardziej 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoEkonometria egzamin 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 szczegółowoEkonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 02/02/2011 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej 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 szczegółowoEkonometria egzamin 06/03/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 06/03/2019 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoEkonometria egzamin 07/03/2018
imię, nazwisko, nr indeksu: Ekonometria egzamin 07/03/2018 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoTestowanie hipotez statystycznych
Część 2 Hipoteza złożona Testowanie hipotez łącznych Zapis matematyczny Rozkład statystyki testowej Hipoteza łączna H 0 : Rβ = q Hipoteza złożona Testowanie hipotez łącznych Zapis matematyczny Rozkład
Bardziej 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 szczegółowoEkonometria egzamin 31/01/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 31/01/2018 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
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej 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 szczegółowoBudowa modelu i testowanie hipotez
Problemy metodologiczne Gdzie jest problem? Obciążenie Lovella Dysponujemy oszacowaniami parametrów następującego modelu y t = β 0 + β 1 x 1 +... + β k x k + ε t Gdzie jest problem? Obciążenie Lovella
Bardziej szczegółowoEkonometria egzamin wersja Informatyka i Ekonometria 26/06/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja Informatyka i Ekonometria 26/06/08 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz
Bardziej szczegółowoTesty własności składnika losowego Testy formy funkcyjnej. Diagnostyka modelu. Część 2. Diagnostyka modelu
Część 2 Test Durbina-Watsona Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε t, ε t 1 ) 0 Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε
Bardziej szczegółowoEkonometria. Modelowanie zmiennej jakościowej. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Modelowanie zmiennej jakościowej Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 8 Zmienna jakościowa 1 / 25 Zmienna jakościowa Zmienna ilościowa może zostać zmierzona
Bardziej szczegółowoEgzamin z ekonometrii
Pytania teoretyczne Egzamin z ekonometrii 22.06.2012 1. Podaj ogólną postać modeli DL i ADL 2. Wyjaśnij jak należy rozumieć przyczynowość w sensie Grangera i jak jest testowana. 3. Jakie są wady liniowego
Bardziej 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 szczegółowoEgzamin z ekonometrii IiE
Pytania teoretyczne Egzamin z ekonometrii IiE 22.06.2012 1. Kiedy selekcja próby jest problemem i jaki model można stosować w przypadku samoselekcji próby? 2. Jakie są konieczne założenia, by estymator
Bardziej szczegółowoZawansowane modele wyborów dyskretnych
Zawansowane modele wyborów dyskretnych Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Zawansowane modele wyborów dyskretnych grudzien 2013 1 / 16 Model efektów
Bardziej szczegółowo... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).
Egzamin ze Statystyki Matematycznej, WNE UW, wrzesień 016, zestaw B Odpowiedzi i szkice rozwiązań 1. Zbadano koszt 7 noclegów dla 4-osobowej rodziny (kwatery) nad morzem w sezonie letnim 014 i 015. Wylosowano
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Pytania teoretyczne Egzamin z ekonometrii wersja IiE, MSEMAT 08-02-2017 1. W jaki sposób przeprowadzamy test Chowa? 2. Pokazać, że jest nieobciążonym estymatorem. 3. Udowodnić, że w modelu ze stałą TSSESS+RSS.
Bardziej szczegółowoProblem równoczesności w MNK
Problem równoczesności w MNK O problemie równoczesności mówimy, gdy występuje korelacja między wartościa oczekiwana ε i i równoczesnym x i Model liniowy y = Xβ + ε, E (u) = 0 Powiedzmy, że występuje w
Bardziej szczegółowoSzacowanie modeli dla nielosowej selekcji w pakiecie STATA
Szacowanie modeli dla nielosowej selekcji w pakiecie STATA Paweł Strawiński Uniwersytet Warszawski Wydział Nauk Ekonomicznych 17 kwietnia 2005 1 Dane Przedmiotem badania jest oszacowanie funkcji płacy
Bardziej szczegółowoMetoda najmniejszych kwadratów
Własności algebraiczne Model liniowy Zapis modelu zarobki = β 0 + β 1 plec + β 2 wiek + ε Oszacowania wartości współczynników zarobki = b 0 + b 1 plec + b 2 wiek + e Model liniowy Tabela: Oszacowania współczynników
Bardziej szczegółowoWIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA Powtórka Powtórki Kowiariancja cov xy lub c xy - kierunek zależności Współczynnik korelacji liniowej Pearsona r siła liniowej zależności Istotność
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 szczegółowo1 Modele ADL - interpretacja współczynników
1 Modele ADL - interpretacja współczynników ZADANIE 1.1 Dany jest proces DL następującej postaci: y t = µ + β 0 x t + β 1 x t 1 + ε t. 1. Wyjaśnić, jaka jest intepretacja współczynników β 0 i β 1. 2. Pokazać
Bardziej szczegółowoPrzyczynowość Kointegracja. Kointegracja. Kointegracja
korelacja a związek o charakterze przyczynowo-skutkowym korelacja a związek o charakterze przyczynowo-skutkowym Przyczynowość w sensie Grangera Zmienna x jest przyczyną w sensie Grangera zmiennej y jeżeli
Bardziej szczegółowoStatystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych.
Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Hipotezy i Testy statystyczne Każde
Bardziej szczegółowo1.3 Własności statystyczne estymatorów MNK
1.3 Własności statystyczne estymatorów MNK 1. Estymator nazywamy estymatorem nieobciążonym, jeżeli jego wartość oczekiwana jest równa wartości szacowanego parametru. Udowodnimy, że estymator MNK wektora
Bardziej szczegółowo1.6 Zmienne jakościowe i dyskretne w modelu regresji
1.6 Zmienne jakościowe i dyskretne w modelu regresji 1.6.1 Zmienne dyskretne i zero-jedynkowe (Dummy Variables) W badaniach ekonometrycznych bardzo często występują zjawiska, które opisujemy zmiennymi
Bardziej szczegółowo, a reszta dla pominiętej obserwacji wynosi 0, RSS jest stałe, T SS rośnie, więc zarówno R 2 jak i R2 rosną. R 2 = 1 n 1 n. rosnie. n 2 (1 R2 ) = 1 59
Zadanie 1. Ekonometryk szacując funkcję konsumpcji przeprowadził estymację osobno dla tzw. Polski A oraz Polski B. Dla Polski A posiadał n 1 = 40 obserwacji i uzyskał współczynnik dopasowania RA 2 = 0.4,
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 szczegółowoEkonometria egzamin semestr drugi 14/06/09
imię, nazwisko, nr indeksu: Ekonometria egzamin semestr drugi 14/06/09 1. Przed przystąpieniem do pisania egzaminu należy podpisać wszystkie kartki arkusza egzaminacyjnego (na dole w przewidzianym miejscu).
Bardziej szczegółowoEkonometria. Metodologia budowy modelu. Jerzy Mycielski. Luty, 2011 WNE, UW. Jerzy Mycielski (WNE, UW) Ekonometria Luty, / 18
Ekonometria Metodologia budowy modelu Jerzy Mycielski WNE, UW Luty, 2011 Jerzy Mycielski (WNE, UW) Ekonometria Luty, 2011 1 / 18 Sprawy organizacyjne Dyżur: środa godz. 14-15 w sali 302. Strona internetowa
Bardziej szczegółowoMetoda największej wiarogodności
Wprowadzenie Założenia Logarytm funkcji wiarogodności Metoda Największej Wiarogodności (MNW) jest bardziej uniwersalną niż MNK metodą szacowania wartości nieznanych parametrów Wprowadzenie Założenia Logarytm
Bardziej 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 szczegółowoEkonometria egzamin wersja ogólna 17/06/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja ogólna 17/06/08 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca
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 szczegółowoEgzamin z Ekonometrii
Pytania teoretyczne Egzamin z Ekonometrii 18.06.2015 1. Opisać procedurę od ogólnego do szczegółowego na przykładzie doboru liczby opóźnień w modelu. 2. Na czym polega najważniejsza różnica między testowaniem
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 7
Stanisław Cichocki Natalia Nehrebecka Wykład 7 1 1. Metoda Największej Wiarygodności MNW 2. Założenia MNW 3. Własności estymatorów MNW 4. Testowanie hipotez w MNW 2 1. Metoda Największej Wiarygodności
Bardziej szczegółowoKolokwium ze statystyki matematycznej
Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę
Bardziej szczegółowoBinarne zmienne zależne
Binarne zmienne zależne Zmienna zależna nie jest ciagła ale przyjmuje zero lub jeden Przykład: szukanie determinant bezrobocia (próba przekrojowa) zmienna objaśniana: zerojedynkowa (pracujacy, bezrobotny)
Bardziej szczegółowoZJAZD 4. gdzie E(x) jest wartością oczekiwaną x
ZJAZD 4 KORELACJA, BADANIE NIEZALEŻNOŚCI, ANALIZA REGRESJI Analiza korelacji i regresji jest działem statystyki zajmującym się badaniem zależności i związków pomiędzy rozkładami dwu lub więcej badanych
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 szczegółowoEkonometria dla IiE i MSEMat Z12
Ekonometria dla IiE i MSEMat Z12 Rafał Woźniak Faculty of Economic Sciences, University of Warsaw Warszawa, 09-01-2017 Test RESET Ramsey a W pierwszym etapie estymujemy współczynniki regresji w modelu:
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wprowadzenie do danych panelowych a) Charakterystyka danych panelowych b) Zalety i ograniczenia 2. Modele ekonometryczne danych panelowych a) Model efektów nieobserwowalnych
Bardziej 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 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 szczegółowoMikroekonometria 12. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 12 Mikołaj Czajkowski Wiktor Budziński Dane panelowe Co jeśli mamy do dyspozycji dane panelowe? Kilka obserwacji od tych samych respondentów, w różnych punktach czasu (np. ankieta realizowana
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMat Pytania teoretyczne
Egzamin z ekonometrii wersja IiE, MSEMat 31-01-2014 Pytania teoretyczne 1. Podać postać przekształcenia Boxa-Coxa i wyjaśnić, do czego jest stosowane w ekonometrii. 2. Wyjaśnić, jakie korzyści i niebezpieczeństwa
Bardziej szczegółowoHeteroskedastyczość w szeregach czasowyh
Heteroskedastyczość w szeregach czasowyh Czesto zakłada się, że szeregi czasowe wykazuja autokorelację ae sa homoskedastyczne W rzeczywistości jednak często wariancja zmienia się w czasie Dobrym przykładem
Bardziej 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 szczegółowoAnaliza czynników wpływających na poziom wykształcenia.
Analiza czynników wpływających na poziom wykształcenia. Celem tej pracy jest potwierdzenie lub odrzucenie opinii, którą większość społeczeństwa uznaje za oczywistą, o tym ė w Polsce lepiej wykształceni
Bardziej szczegółowoMikroekonometria 14. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 14 Mikołaj Czajkowski Wiktor Budziński Symulacje Analogicznie jak w przypadku ciągłej zmiennej zależnej można wykorzystać metody Monte Carlo do analizy różnego rodzaju problemów w modelach
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 szczegółowoEkonometria egzamin wersja ogólna 29/01/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja ogólna 29/0/08. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca
Bardziej szczegółowoEgzamin z ekonometrii wersja ogólna Pytania teoretyczne
Egzamin z ekonometrii wersja ogólna 08-02-2017 Pytania teoretyczne 1. Za pomocą którego testu testujemy stabilność parametrów? Jakiemu założeniu KMRL odpowiada H0 w tym teście? Jaka jest hipoteza alternatywna
Bardziej szczegółowoWeryfikacja hipotez statystycznych za pomocą testów statystycznych
Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów stat. Hipoteza statystyczna Dowolne przypuszczenie co do rozkładu populacji generalnej
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 szczegółowo1.7 Ograniczenia nakładane na równanie regresji
1.7 Ograniczenia nakładane na równanie regresji Często teoria ekonomiczna wskazuje dobór zmiennych do modelu. Jednak nie w każdym przypadku oceny wartości parametrów są statystycznie istotne. Zastanowimy
Bardziej szczegółowoAnalizowane modele. Dwa modele: y = X 1 β 1 + u (1) y = X 1 β 1 + X 2 β 2 + ε (2) Będziemy analizować dwie sytuacje:
Analizowane modele Dwa modele: y = X 1 β 1 + u (1) Będziemy analizować dwie sytuacje: y = X 1 β 1 + X 2 β 2 + ε (2) zmienne pominięte: estymujemy model (1) a w rzeczywistości β 2 0 zmienne nieistotne:
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 szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobieństwo i statystyka 9.06.999 r. Zadanie. Rzucamy pięcioma kośćmi do gry. Następnie rzucamy ponownie tymi kośćmi, na których nie wypadły szóstki. W trzeciej rundzie rzucamy tymi kośćmi, na których
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoPaweł Strawiński Ćwiczenia
Zadanie 1 Na podstawie wników badań PGSS starano się zidentfikować zmienne, które wpłwają na poziom szczęścia. Na podstawie odpowiedzi stworzono zmienną hapunhap, która przjmuje wartość 1 dla osób, które
Bardziej szczegółowo2.3 Modele nieliniowe
2.3 Modele nieliniowe Do tej pory zajmowaliśmy się modelami liniowymi lub o liniowej formie funkcyjnej i musieliśmy akceptować ich ograniczenia. Metoda Największej Wiarogodności pozwala również na efektywną
Bardziej szczegółowoDiagnostyka w Pakiecie Stata
Karol Kuhl Zgodnie z twierdzeniem Gaussa-Markowa, estymator MNK w KMRL jest liniowym estymatorem efektywnym i nieobciążonym, co po angielsku opisuje się za pomocą wyrażenia BLUE Best Linear Unbiased Estimator.
Bardziej szczegółowoEgzamin z ekonometrii wersja ogolna
Egzamin z ekonometrii wersja ogolna 04-02-2016 Pytania teoretyczne 1. Wymienić założenia Klasycznego Modelu Regresji Liniowej (KMRL). 2. Wyprowadzić estymator MNK dla modelu z wieloma zmiennymi objaśniającymi.
Bardziej szczegółowoCzasowy wymiar danych
Problem autokorelacji Model regresji dla szeregów czasowych Model regresji dla szeregów czasowych y t = X t β + ε t Zasadnicze różnice 1 Budowa prognoz 2 Problem stabilności parametrów 3 Problem autokorelacji
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoEgzamin z ekonometrii wersja ogólna Pytania teoretyczne
Egzamin z ekonometrii wersja ogólna 31-01-2014 Pytania teoretyczne 1. Podać postać przekształcenia Boxa-Coxa i wyjaśnić, do czego jest stosowane w ekonometrii. 2. Porównaj zastosowania znanych ci kontrastów
Bardziej szczegółowoEkonometria. Model nieliniowe i funkcja produkcji. Jakub Mućk. Katedra Ekonomii Ilościowej. Modele nieliniowe Funkcja produkcji
Ekonometria Model nieliniowe i funkcja produkcji Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 7 Modele nieliniowe i funkcja produkcji 1 / 19 Agenda Modele nieliniowe 1 Modele
Bardziej szczegółowoDiagnostyka w Pakiecie Stata
Karol Kuhl Zgodnie z twierdzeniem Gaussa-Markowa, estymator MNK w KMRL jest liniowym estymatorem efektywnym i nieobciążonym, co po angielsku opisuje się za pomocą wyrażenia BLUE Best Linear Unbiased Estimator.
Bardziej szczegółowoOznacza to, że chcemy znaleźć minimum, a właściwie wartość najmniejszą funkcji
Wykład 11. Metoda najmniejszych kwadratów Szukamy zależności Dane są wyniki pomiarów dwóch wielkości x i y: (x 1, y 1 ), (x 2, y 2 ),..., (x n, y n ). Przypuśćmy, że nanieśliśmy je na wykres w układzie
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
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 szczegółowoSzacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE. Joanna Sawicka
Szacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE Joanna Sawicka Plan prezentacji Model Poissona-Gamma ze składnikiem regresyjnym Konstrukcja optymalnego systemu Bonus- Malus Estymacja
Bardziej szczegółowoModele warunkowej heteroscedastyczności
Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Racjonalne oczekiwania inwestorów P t = E(P t+1 I t ) 1 + R (1) Teoria Przykład - zwroty
Bardziej szczegółowoSIMR 2017/18, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania
SIMR 7/8, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania. Dana jest gęstość prawdopodobieństwa zmiennej losowej ciągłej X : { a( x) dla x [, ] f(x) = dla pozostałych x Znaleźć: i) Wartość parametru
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Egzamin z ekonometrii wersja IiE, MSEMAT 02022015 Pytania teoretyczne 1. Podać treść twierdzenia GaussaMarkowa i wyjaśnić jego znaczenie. 2. Za pomocą jakich testów testuje się autokorelację? Jakiemu założeniu
Bardziej szczegółowoEkonometria. Model nieliniowe i funkcja produkcji. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Model nieliniowe i funkcja produkcji Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 7 i funkcja produkcji 1 / 23 Agenda 1 2 3 Jakub Mućk Ekonometria Wykład 7 i funkcja
Bardziej szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
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 szczegółowoStatystyka, Ekonometria
Statystyka, Ekonometria Wykład dla Geodezji i Kartografii 11 kwietnia 2011 () Statystyka, Ekonometria 11 kwietnia 2011 1 / 31 LITERATURA J. Hozer, S.Kokot, W. Kuźmiński metody analizy statystycznej w wycenie
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematyczna Anna Janicka wykład X, 9.05.206 TESTOWANIE HIPOTEZ STATYSTYCZNYCH II: PORÓWNYWANIE TESTÓW Plan na dzisiaj 0. Przypomnienie potrzebnych definicji. Porównywanie testów 2. Test jednostajnie
Bardziej szczegółowoWYKŁAD 8 ANALIZA REGRESJI
WYKŁAD 8 ANALIZA REGRESJI Regresja 1. Metoda najmniejszych kwadratów-regresja prostoliniowa 2. Regresja krzywoliniowa 3. Estymacja liniowej funkcji regresji 4. Testy istotności współczynnika regresji liniowej
Bardziej szczegółowoStopę zbieżności ciagu zmiennych losowych a n, takiego, że E (a n ) < oznaczamy jako a n = o p (1) prawdopodobieństwa szybciej niż n α.
Stopy zbieżności Stopę zbieżności ciagu zmiennych losowych a n, takiego, że a n oznaczamy jako a n = o p (1 p 0 a Jeśli n p n α 0, to a n = o p (n α i mówimy a n zbiega według prawdopodobieństwa szybciej
Bardziej szczegółowoKorelacja krzywoliniowa i współzależność cech niemierzalnych
Korelacja krzywoliniowa i współzależność cech niemierzalnych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki Szczecińskiej
Bardziej szczegółowoValue at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16
Value at Risk (VaR) Jerzy Mycielski WNE 2018 Jerzy Mycielski (Institute) Value at Risk (VaR) 2018 1 / 16 Warunkowa heteroskedastyczność O warunkowej autoregresyjnej heteroskedastyczności mówimy, gdy σ
Bardziej szczegółowo1.8 Diagnostyka modelu
1.8 Diagnostyka modelu Dotychczas zajmowaliśmy się własnościami estymatorów przy spełnionych założeniach KMRL. W praktyce nie zawsze spełnione są wszystkie założenia modelu. Jeżeli któreś z nich nie jest
Bardziej szczegółowoWprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA
Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Modele tej klasy są modelami ateoretycznymi Ważną klasę modeli dynamicznych stanowią
Bardziej szczegółowoModele wielorównaniowe (forma strukturalna)
Modele wielorównaniowe (forma strukturalna) Formę strukturalna modelu o G równaniach AY t = BX t + u t, gdzie Y t = [y 1t,..., y Gt ] X t = [x 1t,..., x Kt ] u t = [u 1t,..., u Gt ] E (u t ) = 0 Var (u
Bardziej 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 szczegółowo1.9 Czasowy wymiar danych
1.9 Czasowy wymiar danych Do tej pory rozpatrywaliśmy jedynie modele tworzone na podstawie danych empirycznych pochodzących z prób przekrojowych. Teraz zajmiemy się zagadnieniem budowy modeli regresji,
Bardziej szczegółowoUogolnione modele liniowe
Uogolnione modele liniowe Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Uogolnione modele liniowe grudzien 2013 1 / 17 (generalized linear model - glm) Zakładamy,
Bardziej szczegółowo