0.1 Metoda Zmiennych Instrumentalnych
|
|
- Maja Przybylska
- 7 lat temu
- Przeglądów:
Transkrypt
1 Notatki do ćwiczeń z ekoometrii 0.1 Metoda Zmieych Istrumetalych Wprowadzeie W dotychczasowej aalizie Klasyczego Modelu Regresji Liiowej przyjmowaliśmy założeie o iezależości składika losowego rówaia regresji od macierzy zmieych objaśiających modelu X. Obecie to założeie uchylimy. Metodę Zmieych Istrumetalych (MZI) stosuje się do aalizy modeli, kórych składik losowy ie jest iezależy od zmieych objaśiających modelu. Jest oa uogólieiem metody ajmiejszych kwadratów. W modelu y i = X i β + ε i (1) zmieymi egzogeiczymi będziemy azywać zmiee, które ie są skorelowae ze składikiem losowym ε, atomiast zmieymi edogeiczymi, te zmiee, które są skorelowae z błędami losowymi. Zatem w modelu (1) wszystkie k zmieych w macierzy X, lub iektóre z ich są skorelowae ze składikiem losowym ε. Jedocześie przypuśćmy, że dyspoujemy zbiorem L zmieych Z i, takich, że L jest coajmiej rówe K, tz. dyspoujemy coajmiej tyloma dodatkowymi zmieymi, ile jest zmieych w macierzy X skorelowaych z błędem losowym ɛ, oraz że zmiee z macierzy Z i są skorelowae ze zmieymi macierzy X, ale ie są skorelowae ze składikiem losowym ε. W takim przypadku jesteśmy w staie zbudować zgody estymator dla wektora iezaych parametrów β Przykłady modele o składiku lowosym skorelowaym ze zmieymi objaśiającymi W praktyce badawczej problem skorelowaia zmieych ze składikiem losowym jest ierzadko spotykay. 1. Model Keyesowski gospodarki zakłada, że Y = C + iwestycje + wydatki rzadowe + export etto. Z drugiej stroy Keyesowska fukcja kosumpcji zakłada, że kosumpcja jest fukcją produktu arodowego C = f(y, ε). Szacując parametry tej ostatiej za pomocą KMRL C t = β 0 + β 1 Y t + ε t ie spełia założeń modelu bowiem, z postaci modelu Keyesowskiego wyika, że cov(y t, ε t ) 0. Z drugiej stroy założeie, że cov[y t, ɛ t ] = 0 eguje sesowość modelu Keyesowskiego, bowiem ozacza, iż ie ma zależości między poziomem kosumpcji i dochodem. 1
2 Notatki do ćwiczeń z ekoometrii 2. Jeżeli szacujemy model autoregresyje a podstawie daych z szeregu czasowego, tzw. dyamicze rówaie regresji. Jest to model postaci to y t = f(y t 1, y t 2,...) + ε t (2) y t 1 = f(y t 2, y t 3,...) + ε t 1 (3) zatem cov(y t 1, ε t 1 ) 0. Wobec tego w (2) zmiee objaśiające są skorelowae z błędem losowym. Dodatkowo, moża zauważyć, że składik losowy ε t jest skoreloway z przeszłymi wartościami zmieej objaśiającej i zatem zawiera autokorelację. Jeśli jest autokorelacja, ozacza oa że składik losowy w okresie t zależy od wartości składika losowego z poprzedich okresów, a więc rówież zależy od wartości zmieych objaśiających z tych okresów. 3. Model ze zmieą pomiiętą. Zazwyczaj w zbiorach daych mikroekoomiczych brakuje iformacji o zdolościach respodetów. Mimo wszystko, często w badaiach ekoomiczych szacowae jest rówaie płacy typu Micera l(placa) = β 0 + β 1 plec + β 2 wyksztalceie + β 3 wiek + β 4 wiek 2 + u (4) Poieważ w modelu pomiięto istotą zmieą iezależą zdolości to składik losowy będzie miał postać u = γ 0 + γ 1 zdolosci + φ (5) Z drugiej stroy uzyskay poziom wykształceia jest bez wątpieia determioway przez zdolości respodeta.zatem cov(u, wyksz) = cov(u, zdolosci+φ) = cov(u, zdolosci) +cov(u, φ) 0 }{{} 0 Poieważ zmiea pomiięta jest dodatio skorelowaa z uzyskaym poziomem wykształceia i wpływa dodatio a uzyskiwae zarobki to parametr przy zmieej wykształceie będzie dodatio obciążoy. 4. Błąd w pomiarze zmieej w zmieych objaśiających. W takim przypadku moża pokazać, że składik losowy i zmiea objaśiającasą skorelowae. Niezerowa korelację pomiędzy zmieymi objaśiającymi a składikiem losowym pochodzącym z tego samego okresu w literaturze azywa się problemem rówoczesości. We wszystkich wymieioych przykładach, jeśli zastosujemy MNK otrzymamy estymatory, które ie są estymatorami zgodymi. 2
3 Notatki do ćwiczeń z ekoometrii Własości esymatorów MNK przy iezerowej korelacji między regresorami a składikiem losowym Jeżeli model (1) oszacujemy za pomocą metody ajmiejszych kwadratów to otrzymay estmator będzie obciążoy, poieważ: E(b) = E(X X) 1 X y = E[(X X) 1 X Xβ+(X X) 1 X ε] = β+(x X) 1 X ε wobec tego ie spełia o założeń twierdzeia Gaussa-Markowa. Poieważ E[ε i X i ] = γ składik losowy jest skoreloway z macierzą zmieych objaśiających modelu X, to γ 0. Wobec tego: ( X ε ) plim = γ Wobec tego estymator MNK ie jest rówież zgody: ( X X plimb = β + plim ) 1plim ( X ε ) = β + [E(x 2 ik)] 1 γ β Wyika z tego że, awet dyspoując dużą próbą ie jesteśmy w staie otrzymać dobrych esymatorów wektora iezaych parametrów β Estymacja i własości estymatora MZI Metoda Zmieych istrumetalych jest sposobem pozwalającym a uzyskaie prawidłowych oszacowań w przypadku rówoczesości. W skrócie mówiąc polega oa a zastąpieiu orygialych zmieych istrumetami, które są skorelowae z orygialymi zmieymi, ale ieskorelowae ze składikiem losowym. Estymacja Metodą Zmieych Istrumetalych polega a zalezieiu macierzy istrumetów Z. Elemety macierzy z muszą być iezależe od składika losowego ɛ. Macierz istrumetów Z musi mieć coajmiej tyle kolum (zmieych) co macierz X. Ale ie ozacza to że musimy dla każdego modelu zaleźć coajmiej k dodatkowych zmieych. W macierzy itrumetów mogą pojawiać się zmiee z macierzy X, o ile ie są oe skorelowae ze składikiem losowym ε. Jeżeli macierz Z ma więcej iż k kolum to pierwszym etapem MZI jest zbudowaie macierzy istrumetów. Zajdujemy ją dokoując rzutu wektorów macierzy X a przestrzeń wektorową rozpiaą przez kolumy macierzy istrumetów Z. ˆX = Z(Z Z) 1 Z X = P Z X 3
4 Notatki do ćwiczeń z ekoometrii Zauważmy, że macierz P Z = Z(Z Z) 1 Z jest macierzą rzutu. Wobec tego jest oa symetrycza i idempoteta. Posiadając macierz istrumetów ˆX możemy zbudować estymator b IV = ( ˆX ˆX) 1 ˆXy b IV = ((Z(Z Z) 1 Z X) (Z(Z Z) 1 Z X)) 1 (Z(Z Z) 1 Z X)y b IV = (X Z(Z Z) 1 Z X) 1 (Z(Z Z) 1 Z X)y Jeżeli macierz Z ma tyle samo zmieych co macierz X, czyli r(z) = r(x) to estmator MZI upraszcza się do: b IV = (Z X) 1 Z y W przypadku gdy koluma macierzy X pojawia się w macierzy istrumetów Z, wtedy ta zmiea jest dokładie odwzorowaa w macierzy pomociczej ˆX, jest po prostu sama swoim istrumetem. Ozacza to, że w przypadku gdy tylko jeda ze zmieych objaśiających modelu jest skorelowaa z błędem losowym to potrzebujemy ie zbioru k istrumetów, wystarczy am jede. Pozostałe k 1 zmieych macierzy X, możemy bezpośredio przepisać do macierzy Z, poieważ ie są skorelowae z błędem losowym. Kolumy macierzy ˆX mogą być iterpretowae jako wartości dopasowae regresji kolejych kolum z macierzy X a macierz istrumetów Z. Gdy k-ta koluma pojawia się zarówo w macierzy obserwacji X jak i w macierzy istrumetów Z jest oa doskoale odwzorowaa przez samą siebie, bez pomocy pozostałych kolum macierzy Z. Natomiast, gdy jest to koluma skorelowaa ze składikiem losowym to jest oa w macierzy ˆX zastępowaa przez wartości dopasowae regresji tej zmieej a kolumy macierzy Z Dwustopiowa metoda MNK Estymator MZI jest rówież azyway estymatorem dwustopiowej metody ajmiejszych kwadratów. Bowiem w pierwszym kroku przeprowadzaa jest regresja zmieych edogeiczych a zmiee istrumetale X = Z β i w te sposób uzyskiwaa jest macierz istrumetów istrumetów. Wtedy: b IV = ( ˆX 1 ˆX) ˆX y b IV = (X (I M Z )X) 1 X (I M Z )Xy 4 ˆX będzie zbiorem
5 Notatki do ćwiczeń z ekoometrii b IV = (X (P Z )X) 1 X (P Z )Xy b IV = (X Z(Z Z) 1 ZX) 1 X Z(Z Z) 1 ZXy estymator MZI jest estymatorem MNK z regresji y a ˆX. Wobec tego estymator metody zmieych istrumetalych moża otrzymać w efekcie zastosowaia dwustopiowej procedury. W pierwszym kroku za pomocą metody MNK ależy obliczyć macierz ˆX z regresji macierzy obserwacji X a macierz istrumetów Z. Drugim krokiem jest poowe zastosowaie MNK i obliczeie b IV z regresji y a ˆX Skąd wziąć istrumety. Dobrym istrumetem jest zmiea, która jest skorelowaa ze zmieą dla której potrzebujemy istrumetu, ale ie jest skorelowaa ze składikiem losowym szacowaego rówaia. W modelach szacowaych a daych pochodzących z szeregów czasowych wartości opóźioe zmieych są dobrymi kadydatami a istrumety, o ile ie są oe skorelowae ze składiekiem losowym. W ogólym przypadku odpowiedź ie jest jedozacza, poieważ asymptotycza macierz wariacji-kowariacji będzie duża jeżeli zmiee, których używamy jako istrumety są słabo skorelowae ze zmieymi objaśiającymi modelu. Wobec tego wydaje się, że kryterium wyboru powiie być stopień korelacji ze zmieą/zmieymi z macierzy X. Ale pojawia się astępujący problem. Jeśli zmiea z i jest wysoce skorelowaa ze zmiea x i, a zmieą x i jest skorelowaa ze składikiem losowym, to czy moża twierdzić, że zmiea z i jest ieskorelowaa ze składikiem losowym? Test Hausmaa W przypadku MZI test Hausmaa-Wu stosuje się do weryfikacji hipotezy o egzogeiczości zmieych objasiajacych X. Jeżeli w modelu ekoometryczym ie występują regresory skorelowae z błędem losowym, i wszystkie są dokładie mierzoe (ie występuje systematyczy błąd pomiaru), to w takim przypadku estymatory MNK są zgode i efektywe, a estymatory MZI są zgode ale maja większą wariację. Natomiast w przypadku iezerowej korelacji między regresowami a składikiem losowym estymator MZI jest zgode, podczss gdy estymator MNK ie jest zgody. Wobec tego ależy sprawdzić czy istieje potrzeba użycia estymatorów MZI. W tym celu przeprowadza się test Hausmaa. Jego statystyka testowa bazuje a porówaiu asymptotyczym macierzy wariacji-kowariacji estymatorów przy założeiu, że plim 1 X ε = 0. 5
6 Notatki do ćwiczeń z ekoometrii Asymptotycza wariacja estymatora MNK wyosi: plim s 2 ( X X ) 1 = σ 2 Q 1 gdzie Q jest macierzą odwracalą o skończoych elemetach. Asy.var(b MNK ) = s 2 (X X) 1 (6) macierz wariacji-kowariacji estymatora b MZI wyraża się wzorem: Asy.var(b MZI ) = s 2 (X Z(Z Z) 1 Z X) 1 (7) Porówując asymptotycze macierze wariacji-kowariacji otrzymujemy: Asy.var(b MZI ) Asy.var(b MNK ) = σ 2 ( X plim Z(Z Z) 1 Z X ) 1 σ 2 ( X plim X ) 1 = σ 2 plim [(X Z(Z Z) 1 Z X) 1 (X X) 1 ] W celu porówaia dwóch macierzy możemy porówać ich odwrotości. Odwrotość pierwszej z ich możemy zapisać jako: (X Z(Z Z) 1 Z X) 1 = X (I M Z )X = X X X M Z X Poieważ macierz M Z jest ieujemie określoa to macierz (X Z(Z Z) 1 Z X) 1 jest miejsza od macierzy (X X) 1. Wobec tego dla ich odwrotości zachodzi ierówość w drugą stroę. Wyika z tego, że przy spełioym założeiu różica między macierzą wariacji-kowariacji estymatora MZI, a macierzą wariacji-kowariacji estymatora MNK jest dodatia. Wyosi oa zero w przypadku gdy ˆX = X, czyli predykcja a podstawie macierzy istrumetów idealie replikuje macierz obserwacji X. Procedura testu Hausmaa jest astępująca. Przy prawdziwej hipotezie zerowej oba estymatory b MNK i b MZI są zgode. Jeżeli prawdziwa jest hipoteza aleteratywa, tz. macierz X jest skorelowaa z zaburzeiem losowym, zgodym estymatorem jest jedyie te otrzymay metodą zmieych istrumetalych (MZI). Wobec tego badając różicę estymatorów d = b MZI b MNK możemy zweryfikować słuszość założeia o ieskorelowaiu macierzy obserwacji z błędem losowym. H 0 : estymator MNK jest zgody H 1 : estymator MNK ie jest zgody 6
7 Notatki do ćwiczeń z ekoometrii Przy prawdziwej H 0 statystyka testowa H = d [Asy. varb MZI Asy. varb MNK ]d s 2 χ 2 (J) w przypadku prawdziwej H 0 wskazae jest zastosowaie estymatora MNK, w przeciwym przypadku w celu uzyskaia zgodych oszacowań parametrów ależy użyć MZI Test Sargaa Test Sargaa weryfikuje poprawość zastosowaych istrumetów. Reszty w drugim kroku procedury dwustopiowej są rówe e = (I X(X P Z X) 1 X P Z )ε P Z e = (P Z P Z X(X P Z X) 1 X P Z )ε = M Z ε oczywiście M Z jest macierzą idempotetą. Przy prawdziwej hipotezie o braku korelacji istrumetów z błędami losowymi e P Z e σ 2 χ 2 p K Ta statystyka może służyć do weryfikacji hipotezy o prawidłowości doboru istrumetów. Niestety, przeprowadzeie testu możliwe jest wyłączie gdy liczba istrumetów (p) przekracza liczbę zmieych objaśiających w modelu (K) Przykłady Przykład 1. Czy dla modelu Y t = β 0 + β 1 X t + αy t 1 + ε t, gdzie ε t spełia założeia klasycze MZI jest właściwą metodą szacowaia, czy też moża zastosować MNK? Odpowiedź Zapiszmy rówaie modelu: i to samo rówaie dla kolejego okresu: Y t = β 0 + β 1 X t + αy t 1 + ε t (8) Y t+1 = β 0 + β 1 X t+1 + αy t + ε t+1 (9) 7
8 Notatki do ćwiczeń z ekoometrii przekształćmy to rówaie tak, by móc obliczyć wartość składika losowego: ε t+1 = Y t+1 β 0 β 1 X t+1 αy t (10) wstawiając do rówaia (10) rówaie (8) otrzymujemy: ε t+1 = Y t+1 β 0 β 1 X t+1 α(β 0 + β 1 X t + αy t 1 + ε t ) (11) po uporządkowaiu mamy: ε t+1 = β 0 (1 + α) + Y t+1 α 2 Y t 1 β 1 X t+1 αβ 1 X t αε t (12) Widać że wartość składika losowego w okresie t + 1 zarówo zależy od wartości składika losowego w poprzedim okresie t, jak i wartości zmieej Y w okresie t 1. Wobec tego zmiea Y jest skorelowaa ze składikiem losowym. Przykład 2. Pokaż, że w modelu y i = β 0 + β 1 x i + ε i (13) x i = η i estymator MNK jest ieobciążoy wtedy gdy cov(ɛ i, η i ) = 0 Odpowiedź Zapiszmy wartość oczekiwaą estymatora MNK: E(b) = E((X X) 1 X y) = E((X X) 1 X Xβ) + E((X X) 1 X ε) E(b) = β + E((X X) 1 X ε) W dużej próbie estymator b dąży według prawdopodobieństwa do: plim b = plim (X X) 1 X y = plim (X X) 1 X (Xβ + ε) = = β +plim ( X X ) 1 plim X ε = β +plim η (η ) 1 plim η ε = β +c 0 = β Wobec tego estymator MNK jest ieobciążoy. Przykład 3. Załóżmy, że w modelu y = Xβ + ε spełioe są założeia koiecze do uzyskaia zgodości estymatora MNK. Oblicz plim y ɛ. 8
9 Notatki do ćwiczeń z ekoometrii Odpowiedź plim y ε = plim (Xβ + ε) ε Przykład 4. = plim β X ε + plim ε ε = 0 + σ2 Pokaż, że w modelu y i = β 0 + β 1 x i + ε i (14) x i = γy i + η i estymator MNK jest obciążoy awet w przypadku gdy cov(ɛ i, η i ) = 0 Odpowiedź Przekształćmy model (14) astępująco: y i = β 0 + β 1 (γy i + η i ) + ε i (15) Z własości asymptotyczych estymatora MNK wiemy Możemy to zapisać jako: plim b = β + plim (X X) 1 X ε plim b = β + plim ( X X ) 1 X ɛ plim b = β + Q xx plim X ε Podstawiając za X macierz zmieych objaśiających z modelu (15) otrzymujemy: plim b = β + Q xx plim ε 1 + ε i γy i + ε i η i plim b = β + Q xx ( plim ε1 + plim ε i γy i + plim ε i η i Pokazaliśmy w poprzedim przykładzie, że macierz y ε dąży według prawdopodobieństwa do macierzy wariacji składika losowego. Wobec tego: plim b = β + Q xx (0 + σ 2 γ + 0) więc macierz po prawej stroie dąży do macierzy skończoej o iezerowych elemetach. Wobec tego estymator MNK jest obciążoy. ) 9
10 Notatki do ćwiczeń z ekoometrii Przykład Empiryczy. Dae do przykładu pochodzą z badaia paelowego dotyczącego waruków mieszkaiowych. Są oe z roku 1980 dla USA. Budujemy model dla czyszu postaci: ret = β 0 + β 1 hsgval + β 2 pcturba + ν gdzie ret to mediaa miesięczego czyszu, a hsgval to mediaa wartości domu, a pcturba to procet populacji żyjącej w miastach w daym regioie. Ale uważamy, że wartość domu może zależeć od dochodów i miejsca zamieszkaia i może powia być traktowaa jako zmiea edogeicza. Wtedy: hsgval = α 0 + α 1 famic + α 2 reg2 + α 3 reg3 + α 4 reg4 + ε Najpierw przeprowadzamy zwykłą regresję, w której traktujemy wartość domu jako zmieą egzogeiczą:. use (1980 Cesus housig data). regress ret hsgval pcturba Source SS df MS Number of obs = F( 2, 47) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = ret Coef. Std. Err. t P> t [95% Cof. Iterval] hsgval pcturba _cos estimates store mk Pierwsza komeda ściąga plik z daymi. Po oszacowaiu modelu zapamiętujemy wyiki. Następie szacujemy model traktując wartość domu jako edogeiczą. Jako istrumety dla zmieej używamy dochodu rodziy oraz zmieych regioalych. ivreg ret pcturba (hsgval=famic reg2-reg4) Istrumetal variables (2SLS) regressio 10
11 Notatki do ćwiczeń z ekoometrii Source SS df MS Number of obs = F( 2, 47) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = ret Coef. Std. Err. t P> t [95% Cof. Iterval] hsgval pcturba _cos Istrumeted: hsgval Istrumets: pcturba famic reg2 reg3 reg Oszacowaia parametrów w obu modelach różią się zaczie. Wobec tego za pomocą testu Hausmaa sprawdzamy, który model jest poprawy.. hausma. mk,costat sigmamore ---- Coefficiets ---- (b) (B) (b-b) sqrt(diag(v_b-v_b)). mk Differece S.E hsgval pcturba _cos b = cosistet uder Ho ad Ha; obtaied from ivreg B = icosistet uder Ha, efficiet uder Ho; obtaied from regress Test: Ho: differece i coefficiets ot systematic chi2(1) = (b-b) [(V_b-V_B)^(-1)](b-B) = Prob>chi2 = (V_b-V_B is ot positive defiite) Istoty statystyczie wyik testu wyraźie wskazuje a obciążoość estymatorów MNK. Wiosek jedak ie jest tak jedozaczy jak twierdzi podręczik do pakietu STATA, bowiem estymator macierzy wariacji-kowariacji estymatorów ie jest macierzą dodatio określoą. W takim przypadku literatura wskazuje, że moża uzać estymatory MNK za zgode. 11
12 Notatki do ćwiczeń z ekoometrii Literatura [1] William H. Greee (2003) Ecoometric Aalysis, 5th editio. [2] Jerzy Mycielski (2000) Notatki do ćwiczeń z ekoometrii, WNE. [3] STATA (2003) Stata Referece. Relase 8, Stata Corporatio. 12
1 Uogólniona Metoda Momentów
Zbiór zadań z ekoometrii Copyright c 005 by Jerzy Mycielski wersja: 3/6/005 Uogólioa Metoda Mometów ZADANIE. Mamy astępujący model y i α + βx i ε i gdzie ε i ma rozkład wykładiczy o dystrybuacie F ε i
Bardziej szczegółowo3. Regresja liniowa Założenia dotyczące modelu regresji liniowej
3. Regresja liiowa 3.. Założeia dotyczące modelu regresji liiowej Aby moża było wykorzystać model regresji liiowej, muszą być spełioe astępujące założeia:. Relacja pomiędzy zmieą objaśiaą a zmieymi objaśiającymi
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 szczegółowoTrzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w
Zad Dae są astępujące macierze: A =, B, C, D, E 0. 0 = = = = 0 Wykoaj astępujące działaia: a) AB, BA, C+E, DE b) tr(a), tr(ed), tr(b) c) det(a), det(c), det(e) d) A -, C Jeśli działaia są iewykoale, to
Bardziej szczegółowoWprowadzenie Modele o opóźnieniach rozłożonych Modele autoregresyjne o opóźnieniach rozłożonych. Modele dynamiczne.
opisują kształtowanie się zjawiska w czasie opisują kształtowanie się zjawiska w czasie Najważniejszymi zastosowaniami modeli dynamicznych są opisują kształtowanie się zjawiska w czasie Najważniejszymi
Bardziej 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 szczegółowoHeteroscedastyczność. Zjawisko heteroscedastyczności Uogólniona Metoda Najmniejszych Kwadratów Stosowalna Metoda Najmniejszych Kwadratów
Formy heteroscedastyczności Własności estymatorów MNK wydatki konsumpcyjne 0 10000 20000 30000 40000 14.4 31786.08 dochód rozporz¹dzalny Zródlo: Obliczenia wlasne, dane BBGD 2004 Formy heteroscedastyczności
Bardziej 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 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 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 szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natalia Nehrebecka Stanisław Cichocki Wykład 10 1 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej 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 szczegółowoWprowadzenie Testy własności składnika losowego. Diagnostyka modelu. Część 1. Diagnostyka modelu
Część 1 Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy małej próby Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy małej próby Testy
Bardziej 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 szczegółowoWokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych
Wokół testu Studeta Wprowadzeie Rozkłady prawdopodobieństwa występujące w testowaiu hipotez dotyczących rozkładów ormalych Rozkład ormaly N(µ, σ, µ R, σ > 0 gęstość: f(x σ (x µ π e σ Niech a R \ {0}, b
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadaie. Wykoujemy rzuty symetryczą kością do gry do chwili uzyskaia drugiej szóstki. Niech Y ozacza zmieą losową rówą liczbie rzutów w których uzyskaliśmy ie wyiki iż szóstka a zmieą losową rówą liczbie
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 szczegółowoParametryzacja rozwiązań układu równań
Parametryzacja rozwiązań układu rówań Przykład: ozwiąż układy rówań: / 2 2 6 2 5 2 6 2 5 //( / / 2 2 9 2 2 4 4 2 ) / 4 2 2 5 2 4 2 2 Korzystając z postaci schodkowej (środkowa macierz) i stosując podstawiaie
Bardziej szczegółowoZadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,.
Z adaie Niech,,, będą iezależymi zmieymi losowymi o idetyczym rozkładzie ormalym z wartością oczekiwaą 0 i wariacją. Wyzaczyć wariację zmieej losowej. Wskazówka: pokazać, że ma rozkład Γ, ODP: Zadaie Niech,,,
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 szczegółowoLista 6. Estymacja punktowa
Estymacja puktowa Lista 6 Model metoda mometów, rozkład ciągły. Zadaie. Metodą mometów zaleźć estymator iezaego parametru a w populacji jedostajej a odciku [a, a +. Czy jest to estymator ieobciążoy i zgody?
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 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 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 szczegółowoKorelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12
Wykład Korelacja i regresja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Wykład 8. Badaie statystycze ze względu
Bardziej szczegółowoWykład 11 ( ). Przedziały ufności dla średniej
Wykład 11 (14.05.07). Przedziały ufości dla średiej Przykład Cea metra kwadratowego (w tys. zł) z dla 14 losowo wybraych mieszkań w mieście A: 3,75; 3,89; 5,09; 3,77; 3,53; 2,82; 3,16; 2,79; 4,34; 3,61;
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 szczegółowoKADD Metoda najmniejszych kwadratów
Metoda ajmiejszych kwadratów Pomiary bezpośredie o rówej dokładości o różej dokładości średia ważoa Pomiary pośredie Zapis macierzowy Dopasowaie prostej Dopasowaie wielomiau dowolego stopia Dopasowaie
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. Wykład 12
Stanisław Cichocki Natalia Nehrebecka Wykład 1 1 1. Testy diagnostyczne Testowanie stabilności parametrów modelu: test Chowa. Heteroskedastyczność Konsekwencje Testowanie heteroskedastyczności 1. Testy
Bardziej szczegółowoEkonometria 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 szczegółowoĆwiczenia nr 5. TEMATYKA: Regresja liniowa dla prostej i płaszczyzny
TEMATYKA: Regresja liiowa dla prostej i płaszczyzy Ćwiczeia r 5 DEFINICJE: Regresja: metoda statystycza pozwalająca a badaie związku pomiędzy wielkościami daych i przewidywaie a tej podstawie iezaych wartości
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 szczegółowoDefinicja interpolacji
INTERPOLACJA Defiicja iterpolacji Defiicja iterpolacji 3 Daa jest fukcja y = f (x), x[x 0, x ]. Zamy tablice wartości tej fukcji, czyli: f ( x ) y 0 0 f ( x ) y 1 1 Defiicja iterpolacji Wyzaczamy fukcję
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 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 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 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 szczegółowo1 Twierdzenia o granicznym przejściu pod znakiem całki
1 Twierdzeia o graiczym przejściu pod zakiem całki Ozaczeia: R + = [0, ) R + = [0, ] (X, M, µ), gdzie M jest σ-ciałem podzbiorów X oraz µ: M R + - zbiór mierzaly, to zaczy M Twierdzeie 1.1. Jeżeli dae
Bardziej szczegółowoAutokorelacja i heteroskedastyczność
Autokorelacja i heteroskedastyczność Założenie o braku autokorelacji Cov (ε i, ε j ) = E (ε i ε j ) = 0 dla i j Oczekiwana wielkość elementu losowego nie zależy od wielkości elementu losowego dla innych
Bardziej szczegółowoNiezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne
Wykład 4 Niezależość zmieych, fukcje i charakterystyki wektora losowego, cetrale twierdzeia graicze Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki
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 szczegółowobędą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0,
Zadaie iech X, X,, X 6 będą iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), a Y, Y,, Y6 iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), gdzie, są iezaymi
Bardziej szczegółowoTwierdzenie Cayleya-Hamiltona
Twierdzeie Cayleya-Hamiltoa Twierdzeie (Cayleya-Hamiltoa): Każda macierz kwadratowa spełia swoje włase rówaie charakterystycze. D: Chcemy pokazać, że jeśli wielomiaem charakterystyczym macierzy A jest
Bardziej szczegółowoX i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.
Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,
Bardziej szczegółowoCharakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja
Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej
Bardziej szczegółowoDiagnostyka w Pakiecie Stata
Karol Kuhl Zgodnie z twierdzeniem Gaussa-Markowa, estymator MNK w KMRL jest liniowym estymatorem efektywnym i nieobciążonym, co po angielsku opisuje się za pomocą wyrażenia BLUE Best Linear Unbiased Estimator.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Autokorelacja Konsekwencje Testowanie autokorelacji 2. Metody radzenia sobie z heteroskedastycznością i autokorelacją Uogólniona Metoda Najmniejszych
Bardziej szczegółowoEkonometria Ćwiczenia 19/01/05
Oszacowano regresję stopy bezrobocia (unemp) na wzroście realnego PKB (pkb) i stopie inflacji (cpi) oraz na zmiennych zero-jedynkowych związanymi z kwartałami (season). Regresję przeprowadzono na danych
Bardziej szczegółowoTwierdzenia graniczne:
Twierdzeia graicze: Tw. ierówośd Markowa Jeżeli P(X > 0) = 1 oraz EX 0: P X k 1 k EX. Tw. ierówośd Czebyszewa Jeżeli EX = m i 0 < σ = D X 0: P( X m tσ) 1 t. 1. Z partii towaru o wadliwości
Bardziej szczegółowoMetrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie
Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,
Bardziej szczegółowoLista 5. Odp. 1. xf(x)dx = xdx = 1 2 E [X] = 1. Pr(X > 3/4) E [X] 3/4 = 2 3. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym
Lista 5 Zadaia a zastosowaie ierówosci Markowa i Czebyszewa. Zadaie 1. Niech zmiea losowa X ma rozkład jedostajy a odciku [0, 1]. Korzystając z ierówości Markowa oszacować od góry prawdopodobieństwo, że
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 szczegółowoθx θ 1, dla 0 < x < 1, 0, poza tym,
Zadaie 1. Niech X 1,..., X 8 będzie próbą z rozkładu ormalego z wartością oczekiwaą θ i wariacją 1. Niezay parametr θ jest z kolei zmieą losową o rozkładzie ormalym z wartością oczekiwaą 0 i wariacją 1.
Bardziej szczegółowoZnajdowanie pozostałych pierwiastków liczby zespolonej, gdy znany jest jeden pierwiastek
Zajdowaie pozostałych pierwiastków liczby zespoloej, gdy zay jest jede pierwiastek 1 Wprowadzeie Okazuje się, że gdy zamy jede z pierwiastków stopia z liczby zespoloej z, to pozostałe pierwiastki możemy
Bardziej szczegółowoStatystyka matematyczna. Wykład II. Estymacja punktowa
Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych
Bardziej szczegółowoEKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą
EKONOMETRIA Tema wykładu: Liiowy model ekoomeryczy (regresji z jedą zmieą objaśiającą Prowadzący: dr iż. Zbigiew TARAPATA e-mail: Zbigiew.Tarapaa Tarapaa@isi.wa..wa.edu.pl hp:// zbigiew.arapaa.akcja.pl/p_ekoomeria/
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.
Rachuek prawdopodobieństwa i statystyka W12: Statystycza aaliza daych jakościowych Dr Aa ADRIAN Paw B5, pok 407 ada@agh.edu.pl Wprowadzeie Rozróżia się dwa typy daych jakościowych: Nomiale jeśli opisują
Bardziej szczegółowosą niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X
Prawdoodobieństwo i statystyka 5..008 r. Zadaie. Załóżmy że 3 są iezależymi zmieymi losowymi o jedakowym rozkładzie Poissoa z wartością oczekiwaą λ rówą 0. Obliczyć v = var( 3 + + + 3 = 9). (A) v = 0 (B)
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 szczegółowoModele tendencji rozwojowej STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 18 listopada 2017
STATYSTYKA OPISOWA Dr Alia Gleska Istytut Matematyki WE PP 18 listopada 2017 1 Metoda aalitycza Metoda aalitycza przyjmujemy założeie, że zmiay zjawiska w czasie moża przedstawić jako fukcję zmieej czasowej
Bardziej szczegółowoRelacje rekurencyjne. będzie następująco zdefiniowanym ciągiem:
Relacje rekurecyje Defiicja: Niech =,,,... będzie astępująco zdefiiowaym ciągiem: () = r, = r,..., k = rk, gdzie r, r,..., r k są skalarami, () dla k, = a + a +... + ak k, gdzie a, a,..., ak są skalarami.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 10
Stanisław Cichocki Natalia Nehrebecka Wykład 10 1 1. Testy diagnostyczne Testowanie prawidłowości formy funkcyjnej: test RESET Testowanie normalności składników losowych: test Jarque-Berra Testowanie stabilności
Bardziej szczegółowoZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA
ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA Mamy populację geeralą i iteresujemy się pewą cechą X jedostek statystyczych, a dokładiej pewą charakterystyką liczbową θ tej cechy (p. średią wartością
Bardziej szczegółowoDefinicja danych panelowych Typy danych panelowych Modele dla danych panelowych. Dane panelowe. Część 1. Dane panelowe
Część 1 to dane, które jednocześnie posiadają cechy danych przekrojowych i szeregów czasowych to dane, które jednocześnie posiadają cechy danych przekrojowych i szeregów czasowych Czyli obserwujemy te
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadaie 1 Rzucamy 4 kości do gry (uczciwe). Prawdopodobieństwo zdarzeia iż ajmiejsza uzyskaa a pojedyczej kości liczba oczek wyiesie trzy (trzy oczka mogą wystąpić a więcej iż jedej kości) rówe jest: (A)
Bardziej szczegółowoSTATYSTYKA I ANALIZA DANYCH
TATYTYKA I ANALIZA DANYCH Zad. Z pewej partii włókie weły wylosowao dwie próbki włókie, a w każdej z ich zmierzoo średicę włókie różymi metodami. Otrzymao astępujące wyiki: I próbka: 50; średia średica
Bardziej szczegółowoP = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 +
Zadaia róże W tym rozdziale zajdują się zadaia ietypowe, często dotyczące łańcuchów Markowa oraz własości zmieych losowych. Pojawią się także zadaia z estymacji Bayesowskiej.. (Eg 8/) Rozważamy łańcuch
Bardziej szczegółowoEstymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7
Metody probabilistycze i statystyka Estymacja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze
Bardziej szczegółowoO pewnych zastosowaniach rachunku różniczkowego funkcji dwóch zmiennych w ekonomii
O pewych zastosowaiach rachuku różiczkowego fukcji dwóch zmieych w ekoomii 1 Wielkość wytwarzaego dochodu arodowego D zależa jest od wielkości produkcyjego majątku trwałego M i akładów pracy żywej Z Fukcję
Bardziej szczegółowoPodprzestrzenie macierzowe
Podprzestrzeie macierzowe Defiicja: Zakresem macierzy AŒ mâ azywamy podprzestrzeń R(A) przestrzei m geerowaą przez zakres fukcji ( ) : m f x = Ax ( A) { Ax x } = Defiicja: Zakresem macierzy A Œ âm azywamy
Bardziej szczegółowoEkonometria Mirosław Wójciak
Ekoometria Mirosław Wójciak Literatura obowiązkowa Barczak A, ST. Biolik J, Podstawy Ekoometrii, Wydawictwo AE Katowice, Katowice 1998 Dziechciarz J. Ekoometria Metody, przykłady, zadaia (wyd. ) Kukuła
Bardziej szczegółowo0.1 ROZKŁADY WYBRANYCH STATYSTYK
0.1. ROZKŁADY WYBRANYCH STATYSTYK 1 0.1 ROZKŁADY WYBRANYCH STATYSTYK Zadaia 0.1.1. Niech X 1,..., X będą iezależymi zmieymi losowymi o tym samym rozkładzie. Obliczyć ES 2 oraz D 2 ( 1 i=1 X 2 i ). 0.1.2.
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 szczegółowo3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej
PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elemety kombiatoryki 2. Zmiee losowe i ich rozkłady 3. Populacje i próby daych, estymacja parametrów 4. Testowaie hipotez 5. Testy parametrycze 6. Testy
Bardziej szczegółowoPierwiastki z liczby zespolonej. Autorzy: Agnieszka Kowalik
Pierwiastki z liczby zespoloej Autorzy: Agieszka Kowalik 09 Pierwiastki z liczby zespoloej Autor: Agieszka Kowalik DEFINICJA Defiicja : Pierwiastek z liczby zespoloej Niech będzie liczbą aturalą. Pierwiastkiem
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 szczegółowoMACIERZE STOCHASTYCZNE
MACIERZE STOCHASTYCZNE p ij - prawdopodobieństwo przejścia od stau i do stau j w jedym (dowolym) kroku, [p ij ]- macierz prawdopodobieństw przejść (w jedym kroku), Własości macierzy prawdopodobieństw przejść:
Bardziej szczegółowo2 n < 2n + 2 n. 2 n = 2. 2 n 2 +3n+2 > 2 0 = 1 = 2. n+2 n 1 n+1 = 2. n+1
Tekst a iebiesko jest kometarzem lub treścią zadaia. Zadaie 1. Zbadaj mootoiczość i ograiczoość ciągów. a = + 3 + 1 Ciąg jest mootoiczie rosący i ieograiczoy poieważ różica kolejych wyrazów jest dodatia.
Bardziej szczegółowoStatystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407
Statystyka i Opracowaie Daych W7. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl Estymacja parametrycza Podstawowym arzędziem szacowaia iezaego parametru jest estymator obliczoy a podstawie
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 szczegółowoma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y
Zadaie. Łącza wartość szkód z pewego ubezpieczeia W = Y + Y +... + YN ma rozkład złożoy Poissoa z oczekiwaą liczbą szkód rówą λ i rozkładem wartości pojedyczej szkody takim, że ( Y { 0,,,3,... }) =. Niech:
Bardziej szczegółowo1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o
1. Wioskowaie statystycze. W statystyce idetyfikujemy: Cecha-Zmiea losowa Rozkład cechy-rozkład populacji Poadto miaem statystyki określa się także fukcje zmieych losowych o tym samym rozkładzie. Rozkłady
Bardziej szczegółowoSTATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
STATYSTYKA Rafał Kucharski Uiwersytet Ekoomiczy w Katowicach 2015/16 ROND, Fiase i Rachukowość, rok 2 Rachuek prawdopodobieństwa Rzucamy 10 razy moetą, dla której prawdopodobieństwo wyrzuceia orła w pojedyczym
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 6..003 r. Zadaie. W kolejych okresach czasu t =,, 3, 4, 5 ubezpieczoy, charakteryzujący się parametrem ryzyka Λ, geeruje szkód. Dla daego Λ = λ zmiee N, N,..., N 5 są
Bardziej szczegółowo1 Przedziały ufności. ). Obliczamy. gdzie S pochodzi z rozkładu B(n, 1 2. P(2 S n 2) = 1 P(S 2) P(S n 2) = 1 2( 2 n +n2 n +2 n ) = 1 (n 2 +n+2)2 n.
Przedziały ufości W tym rozdziale będziemy zajmować się przede wszystkim zadaiami związaymi z przedziałami ufości Będą as rówież iteresować statystki pozycyje oraz estymatory ajwiększej wiarygodości (Eg
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 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 szczegółowoPodprzestrzenie macierzowe
Podprzestrzeie macierzowe Defiicja: Zakresem macierzy AŒ mâ azywamy podprzestrzeń R(A) przestrzei m geerowaą przez zakres fukcji : m f x = Ax RAAx x Defiicja: Zakresem macierzy A Œ âm azywamy podprzestrzeń
Bardziej szczegółowo8. Udowodnić, że: a) macierz X X jest macierzą symetryczną; b) jeśli M jest macierzą idempotentną, o wyznaczniku różnym od 0, to M = I;
Powtórzeie z algebry, rachuku prawdopodobieństwa i statystyki Zadaia. Pokazać, że dla dowolego odwracalego A,.. Pokazać z defiicji, że macierz jest ieujemie określoa. 3. Pokazać (z defiicji liiowej iezależości),
Bardziej szczegółowoStatystyka opisowa. () Statystyka opisowa 24 maja / 8
Część I Statystyka opisowa () Statystyka opisowa 24 maja 2010 1 / 8 Niech x 1, x 2,..., x będą wyikami pomiarów, p. temperatury, ciśieia, poziomu rzeki, wielkości ploów itp. Przykład 1: wyiki pomiarów
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 14
Stanisław Cichocki Natalia Nehrebecka Wykład 14 1 1.Problemy z danymi Współliniowość 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji Metody radzenia sobie z heteroskedastycznością
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 28 listopada 2018 Plan zaj eć 1 Rozk lad estymatora b 2 3 dla parametrów 4 Hipotezy l aczne - test F 5 Dodatkowe za lożenie
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natalia Nehrebecka Stanisław Cichocki Wykład 10 1 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowo1 Układy równań liniowych
Katarzya Borkowska, Wykłady dla EIT, UTP Układy rówań liiowych Defiicja.. Układem U m rówań liiowych o iewiadomych azywamy układ postaci: U: a x + a 2 x 2 +... + a x =b, a 2 x + a 22 x 2 +... + a 2 x =b
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. H 1 : µ 15 lub H 1 : µ < 15 lub H 1 : µ > 15
Testowaie hipotez ZałoŜeia będące przedmiotem weryfikacji azywamy hipotezami statystyczymi. KaŜde przypuszczeie ma swoją alteratywę. Jeśli postawimy hipotezę, Ŝe średica pia jedoroczych drzew owej odmiay
Bardziej szczegółowoZmienne sztuczne i jakościowe
Zmienne o ograniczonym zbiorze wartości Przykład 1. zarobki = β 0 + β 1 liczba godzin pracy + β 2 wykształcenie + ε Przykład 2. zarobki = β 0 + β 1 liczba godzin pracy + β 2 klm + ε zarobki = β 0 + β 1
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 szczegółowo