Wprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "Wprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA"

Transkrypt

1

2 Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q)

3 Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Modele tej klasy są modelami ateoretycznymi

4 Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Modele tej klasy są modelami ateoretycznymi Model zjawiska budowany jest w oparciu o statystyczne właściwości danych

5 Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Modele tej klasy są modelami ateoretycznymi Model zjawiska budowany jest w oparciu o statystyczne właściwości danych są użytecznym narzędziem prognostycznym

6 składa się z dwóch części: y t = α 1 y t α p y t p + µ + ε t + θ 1 ε t θ q ε t q }{{}}{{} AR MA

7 model autoregresyjny y t = µ + α 1 y t 1 + α 2 y t α p y t p

8 model autoregresyjny y t = µ + α 1 y t 1 + α 2 y t α p y t p model średniej ruchomej y t = ε t + θ 1 ε t 1 + θ 2 ε t θ q ε t q E(ε t ) = 0 var(ε t ) = σ 2 E(ε t, ε s ) = 0 t s

9 składniki ε t nazywa się innowacjami

10 składniki ε t nazywa się innowacjami cześć MA można traktować jako składnik losowy o rozbudowanej strukturze u t = ε t + θ 1 ε t 1 + θ 2 ε t θ q ε t q

11 składniki ε t nazywa się innowacjami cześć MA można traktować jako składnik losowy o rozbudowanej strukturze u t = ε t + θ 1 ε t 1 + θ 2 ε t θ q ε t q w takim przypadku podlega on zjawisku autokorelacji

12 składniki ε t nazywa się innowacjami cześć MA można traktować jako składnik losowy o rozbudowanej strukturze u t = ε t + θ 1 ε t 1 + θ 2 ε t θ q ε t q w takim przypadku podlega on zjawisku autokorelacji model ARMA można wówczas przedstawić jako y t = µ + α 1 y t 1 + α 2 y t α p y t p + u t (1)

13 Jeśli model nie ma części autoregresyjnej to można jego parametry oszacować MNK

14 Jeśli model nie ma części autoregresyjnej to można jego parametry oszacować MNK Model (1) nie spełnia założeń KRML

15 Jeśli model nie ma części autoregresyjnej to można jego parametry oszacować MNK Model (1) nie spełnia założeń KRML Estymatory MNK nie są zgodne

16 Jeśli model nie ma części autoregresyjnej to można jego parametry oszacować MNK Model (1) nie spełnia założeń KRML Estymatory MNK nie są zgodne Oszacowania uzyskuje się wykorzystując MNW lub Nieliniową MNK

17 Jeśli model nie ma części autoregresyjnej to można jego parametry oszacować MNK Model (1) nie spełnia założeń KRML Estymatory MNK nie są zgodne Oszacowania uzyskuje się wykorzystując MNW lub Nieliniową MNK W przypadku rozbudowanej postaci modelu obliczenia są czasochłonne i źle numerycznie uwarunkowane

18 Jeśli model nie ma części autoregresyjnej to można jego parametry oszacować MNK Model (1) nie spełnia założeń KRML Estymatory MNK nie są zgodne Oszacowania uzyskuje się wykorzystując MNW lub Nieliniową MNK W przypadku rozbudowanej postaci modelu obliczenia są czasochłonne i źle numerycznie uwarunkowane Jest to szczególnie duży problem dla krótkich szeregów

19 Jeśli model nie ma części autoregresyjnej to można jego parametry oszacować MNK Model (1) nie spełnia założeń KRML Estymatory MNK nie są zgodne Oszacowania uzyskuje się wykorzystując MNW lub Nieliniową MNK W przypadku rozbudowanej postaci modelu obliczenia są czasochłonne i źle numerycznie uwarunkowane Jest to szczególnie duży problem dla krótkich szeregów Do testowania hipotez można użyć testów W,LR,LM

20 Przed estymacją parametrów należy ustalić rząd procesów

21 Przed estymacją parametrów należy ustalić rząd procesów Metoda Boxa-Jenkinsa

22 Przed estymacją parametrów należy ustalić rząd procesów Metoda Boxa-Jenkinsa Metoda od ogólnego do szczegółowego

23 Przed estymacją parametrów należy ustalić rząd procesów Metoda Boxa-Jenkinsa Metoda od ogólnego do szczegółowego Kryteria informacyjne

24 Jeżeli procesy są prawidłowo ustalone to reszty są białym szumem

25 Jeżeli procesy są prawidłowo ustalone to reszty są białym szumem testem niezależności reszt jest statystyka Ljunga-Boxa Q = n(n + 2) m k=1 ˆρ k T k D χ 2 m p q gdzie ˆρ k = (T k) (y ȳ) (y t k ȳ) T 1 (y ȳ) 2

26 Funkcja autokowariancji pokazuje zależność między y t a poprzednimi wartościami

27 Funkcja autokowariancji pokazuje zależność między y t a poprzednimi wartościami Dla szeregu stacjonarnego wartości zależą wyłącznie od odległości między obserwacjami E(y t E(y t ))(y t k E(y t k )) = γ k k = 0, 1, 2,...

28 Funkcja autokowariancji pokazuje zależność między y t a poprzednimi wartościami Dla szeregu stacjonarnego wartości zależą wyłącznie od odległości między obserwacjami E(y t E(y t ))(y t k E(y t k )) = γ k k = 0, 1, 2,... autkowariancje są nieunormowane

29 Funkcja autokowariancji pokazuje zależność między y t a poprzednimi wartościami Dla szeregu stacjonarnego wartości zależą wyłącznie od odległości między obserwacjami E(y t E(y t ))(y t k E(y t k )) = γ k k = 0, 1, 2,... autkowariancje są nieunormowane Funkcja autokorelacji (ACF) (Autocorrelation Function) ρ k = cov(y t, y t k ) var(y t )

30 Funkcja autokowariancji pokazuje zależność między y t a poprzednimi wartościami Dla szeregu stacjonarnego wartości zależą wyłącznie od odległości między obserwacjami E(y t E(y t ))(y t k E(y t k )) = γ k k = 0, 1, 2,... autkowariancje są nieunormowane Funkcja autokorelacji (ACF) (Autocorrelation Function) ρ k [ 1, 1] ρ k = cov(y t, y t k ) var(y t )

31 Funkcja autokowariancji pokazuje zależność między y t a poprzednimi wartościami Dla szeregu stacjonarnego wartości zależą wyłącznie od odległości między obserwacjami E(y t E(y t ))(y t k E(y t k )) = γ k k = 0, 1, 2,... autkowariancje są nieunormowane Funkcja autokorelacji (ACF) (Autocorrelation Function) ρ k [ 1, 1] ρ k = ρ k ρ k = cov(y t, y t k ) var(y t )

32 Autocorrelations of inflacja Lag Bartlett s formula for MA(q) 95% confidence bands

33 Funkcja cząstkowej autokorelacji (Partial Autocorrelation Function) pokazuje zależność między y t a poprzednimi wartościami, pomijając wpływ pośrednich opóźnień

34 Funkcja cząstkowej autokorelacji (Partial Autocorrelation Function) pokazuje zależność między y t a poprzednimi wartościami, pomijając wpływ pośrednich opóźnień Liczbowo jest równa oszacowaniu współczynnika ρ k w modelu: y t = µ + ρ 1 y t ρ k y t k + ε t

35 Partial autocorrelations of inflacja Lag 95% Confidence bands [se = 1/sqrt(n)]

36 LAG AC PAC Q Prob>Q [Autocorrelation] [Partial Autocor]

37 Polega na graficznej analizie przebiegu funkcji ACF i PACF

38 Polega na graficznej analizie przebiegu funkcji ACF i PACF Wielkość p oraz q można oszacować na podstawie przebiegu funkcji ACF i PACF

39 Polega na graficznej analizie przebiegu funkcji ACF i PACF Wielkość p oraz q można oszacować na podstawie przebiegu funkcji ACF i PACF Urywająca się funkcja ACF wskazuje na rząd procesu MA

40 Polega na graficznej analizie przebiegu funkcji ACF i PACF Wielkość p oraz q można oszacować na podstawie przebiegu funkcji ACF i PACF Urywająca się funkcja ACF wskazuje na rząd procesu MA Urywająca się funkcja PACF wskazuje na rząd procesu AR

41 Polega na graficznej analizie przebiegu funkcji ACF i PACF Wielkość p oraz q można oszacować na podstawie przebiegu funkcji ACF i PACF Urywająca się funkcja ACF wskazuje na rząd procesu MA Urywająca się funkcja PACF wskazuje na rząd procesu AR Jeżeli obie funkcję maleją bardzo powoli należy szereg zróżnicować

42 Polega na graficznej analizie przebiegu funkcji ACF i PACF Wielkość p oraz q można oszacować na podstawie przebiegu funkcji ACF i PACF Urywająca się funkcja ACF wskazuje na rząd procesu MA Urywająca się funkcja PACF wskazuje na rząd procesu AR Jeżeli obie funkcję maleją bardzo powoli należy szereg zróżnicować Regularne skoki mogą wskazywać na obecność sezonowości

43 Autocorrelations of inflacja Lag Partial autocorrelations of inflacja Lag Bartlett s formula for MA(q) 95% confidence bands 95% Confidence bands [se = 1/sqrt(n)]

44 W praktyce wykresy są trudne do jednoznacznej interpretacji

45 W praktyce wykresy są trudne do jednoznacznej interpretacji Dodatkowy problemem jest brak zgodności oszacowań PACF

46 W praktyce wykresy są trudne do jednoznacznej interpretacji Dodatkowy problemem jest brak zgodności oszacowań PACF Wskazane jest posłużenie się formalnymi metodami

47 W praktyce wykresy są trudne do jednoznacznej interpretacji Dodatkowy problemem jest brak zgodności oszacowań PACF Wskazane jest posłużenie się formalnymi metodami Celem jest wybór modelu o małej liczbie parametrów

48 Przykład Wprowadzenie Porównanie statystyk różnych modeli Kryterium ARMA(2,0) ARMA(2,1) ARMA(1,1) ARMA(2,2) AIC BIC LL

49 Powszechność sezonowości

50 Powszechność sezonowości Brak jej uwzględnienia może powodować autokorelację

51 Powszechność sezonowości Brak jej uwzględnienia może powodować autokorelację Zmienne zero-jedynkowe

52 Powszechność sezonowości Brak jej uwzględnienia może powodować autokorelację Zmienne zero-jedynkowe Sezonowe wyrównywanie szeregów (X11, TRAMO-SEATS)

53 Powszechność sezonowości Brak jej uwzględnienia może powodować autokorelację Zmienne zero-jedynkowe Sezonowe wyrównywanie szeregów (X11, TRAMO-SEATS) Różnicowanie sezownowe

54 Przykład Wprowadzenie Porównanie statystyk różnych modeli Kryterium SARMA(2,0) SARMA(1,1) SARMA(1,0) AIC BIC LL

55 może być wykorzystany jako narzędzie prognostyczne

56 może być wykorzystany jako narzędzie prognostyczne Wartość w kolejnym okresie zależy wyłącznie od znanych wartości y T +1 = µ+α 1 y T +...+α p y T p+1 +ε T +1 +θ 1 ε T +...+θ q ε T q+1 gdzie T oznacza ostatnią obserwację w próbie

57 może być wykorzystany jako narzędzie prognostyczne Wartość w kolejnym okresie zależy wyłącznie od znanych wartości y T +1 = µ+α 1 y T +...+α p y T p+1 +ε T +1 +θ 1 ε T +...+θ q ε T q+1 gdzie T oznacza ostatnią obserwację w próbie Zakłada się że reszty dla przyszłych okresów są równe 0

58 może być wykorzystany jako narzędzie prognostyczne Wartość w kolejnym okresie zależy wyłącznie od znanych wartości y T +1 = µ+α 1 y T +...+α p y T p+1 +ε T +1 +θ 1 ε T +...+θ q ε T q+1 gdzie T oznacza ostatnią obserwację w próbie Zakłada się że reszty dla przyszłych okresów są równe 0 Prognoza y T +1 jest równa y T ˆ +1 = ˆµ + α 1 yˆ T α p y T p+1 ˆ + θ 1 e T θ q e T q+1

59 może być wykorzystany jako narzędzie prognostyczne Wartość w kolejnym okresie zależy wyłącznie od znanych wartości y T +1 = µ+α 1 y T +...+α p y T p+1 +ε T +1 +θ 1 ε T +...+θ q ε T q+1 gdzie T oznacza ostatnią obserwację w próbie Zakłada się że reszty dla przyszłych okresów są równe 0 Prognoza y T +1 jest równa y T ˆ +1 = ˆµ + α 1 yˆ T α p y T p+1 ˆ + θ 1 e T θ q e T q+1 prognozy oblicza się rekurencyjnie

60 sensowne prognozy z modelu ARMA najwyżej na max{p, q} okresów

61 sensowne prognozy z modelu ARMA najwyżej na max{p, q} okresów dla kolejnych okresów przyjmują wartość y µ = 1 α i

62 ARIMA regression Sample: 1998m1-2008m12 Number of obs = 132 Wald chi2(2) = Log likelihood = Prob > chi2 = OPG inflacja Coef. Std. Err. z P> z [95% Conf. Interval] inflacja _cons ARMA ar L L /sigma

63 Prognoza na 1 okres naprzód y T +1 = α 1 y T + α 2 y T 1 = = 4.47

64 Prognoza na 1 okres naprzód y T +1 = α 1 y T + α 2 y T 1 = = 4.47 Prognoza na 2 okresy naprzód y T +2 = α 1 y T ˆ +1 + α 2 y T = = 4.45

65 Prognoza na 1 okres naprzód y T +1 = α 1 y T + α 2 y T 1 = = 4.47 Prognoza na 2 okresy naprzód y T +2 = α 1 y T ˆ +1 + α 2 y T = = 4.45 Prognoza na 3 okresy naprzód y T +3 = α 1 y T ˆ +2 + α 2 y T ˆ +1 = = 4.44

66 m1 2000m1 2002m1 2004m1 2006m1 2008m1 2010m1 miesiac badania inflacja netto xb prediction, dyn(tm(2009q1))

67 Ze względu na ateoretyczną naturę procesu ARMA, czasem wykorzystuje się go w połączeniu z innym modelem

68 Ze względu na ateoretyczną naturę procesu ARMA, czasem wykorzystuje się go w połączeniu z innym modelem Wówczas ma on postać y t = X t β + u u t ARMA(p, q)

69 ARIMA regression Number of obs = 131 Sample: 1998m2-2008m12 Wald chi2(4) = Log likelihood = Prob > chi2 = OPG inflacja Coef. Std. Err. z P> z [95% Conf. Interval] stopa L _cons ARMA ar L L /sigma ======================================================================= Model Obs ll(null) ll(model) df AIC BIC ARMA Note: N=Obs used in calculating BIC; see [R] BIC note

1 Modele ADL - interpretacja współczynników

1 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 szczegółowo

Modele warunkowej heteroscedastyczności

Modele 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 szczegółowo

Analiza szeregów czasowych bezrobocia i inflacji w Danii

Analiza szeregów czasowych bezrobocia i inflacji w Danii Uniwersytet Warszawski Wydział Nauk Ekonomicznych Mateusz Błażej Nr albumu: 308521 Analiza szeregów czasowych bezrobocia i inflacji w Danii Projekt zaliczeniowy z przedmiotu: Analiza Szeregów Czasowych

Bardziej szczegółowo

Przyczynowość Kointegracja. Kointegracja. Kointegracja

Przyczynowość 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 szczegółowo

Testy własności składnika losowego Testy formy funkcyjnej. Diagnostyka modelu. Część 2. Diagnostyka modelu

Testy 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 szczegółowo

Heteroskedastyczość w szeregach czasowyh

Heteroskedastyczość 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 szczegółowo

O sezonowości mówimy wtedy, gdy zmienna zmienia się w pewnym cyklu zwykle zwiazanym z cyklem rocznym

O sezonowości mówimy wtedy, gdy zmienna zmienia się w pewnym cyklu zwykle zwiazanym z cyklem rocznym Sezonowość O sezonowości mówimy wtedy, gdy zmienna zmienia się w pewnym cyklu zwykle zwiazanym z cyklem rocznym Na przykład zmienne kwartalne charakteryzuja się zwykle sezonowościa kwartalna a zmienne

Bardziej szczegółowo

3. Analiza własności szeregu czasowego i wybór typu modelu

3. 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 szczegółowo

Szeregi czasowe, analiza zależności krótkoi długozasięgowych

Szeregi 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 szczegółowo

Ekonometria. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk

Ekonometria. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk Ekonometria Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 5 & 6 Szaeregi czasowe 1

Bardziej szczegółowo

Ekonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Ekonometria 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 szczegółowo

Ekonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Ekonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora. imię, nazwisko, nr indeksu: Ekonometria egzamin 02/02/2011 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.

Bardziej szczegółowo

Modele ARIMA prognoza, specykacja

Modele ARIMA prognoza, specykacja Modele ARIMA prognoza, specykacja Wst p do ekonometrii szeregów czasowych wiczenia 3 5 marca 2010 Plan prezentacji 1 Specykacja modelu ARIMA 2 3 Plan prezentacji 1 Specykacja modelu ARIMA 2 3 Funkcja autokorelacji

Bardziej szczegółowo

2.2 Autokorelacja Wprowadzenie

2.2 Autokorelacja Wprowadzenie 2.2 Autokorelacja 2.2.1 Wprowadzenie Przy wyprowadzaniu estymatorów Klasycznego Modelu Regresji Liniowej (KMRL) zakładaliśmy, że są spełnione założenia Gaussa-Markowa, tzn. składniki losowe są homoscedastyczne

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16

Stanisław 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 szczegółowo

Modele dynamiczne. Rozdział 2

Modele dynamiczne. Rozdział 2 Rozdział 2 Modele dynamiczne Modele dynamiczne są to modele, których celem jest opisanie procesu dostosowań do stanu równowagi. Modele takie szacowane są na szeregach czasowych. Własności dynamiczne systemu

Bardziej szczegółowo

Ekonometria. Metodologia budowy modelu. Jerzy Mycielski. Luty, 2011 WNE, UW. Jerzy Mycielski (WNE, UW) Ekonometria Luty, / 18

Ekonometria. 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 szczegółowo

Ekonometria egzamin wersja Informatyka i Ekonometria 26/06/08

Ekonometria 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 szczegółowo

Egzamin z ekonometrii wersja IiE, MSEMAT

Egzamin 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 szczegółowo

Definicja danych panelowych Typy danych panelowych Modele dla danych panelowych. Dane panelowe. Część 1. Dane panelowe

Definicja 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 szczegółowo

Ćwiczenia IV

Ćwiczenia 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 szczegółowo

1.8 Diagnostyka modelu

1.8 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 szczegółowo

2.3 Modele nieliniowe

2.3 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 szczegółowo

1 Metoda Najmniejszych Kwadratów (MNK) 2 Interpretacja parametrów modelu. 3 Klasyczny Model Regresji Liniowej (KMRL)

1 Metoda Najmniejszych Kwadratów (MNK) 2 Interpretacja parametrów modelu. 3 Klasyczny Model Regresji Liniowej (KMRL) 1 Metoda Najmniejszych Kwadratów (MNK) 1. Co to jest zmienna endogeniczna, a co to zmienne egzogeniczna? 2. Podaj postać macierzy obserwacji dla modelu y t = a + bt + ε t 3. Co to jest wartość dopasowana,

Bardziej szczegółowo

Przykład 2. Stopa bezrobocia

Przykład 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 szczegółowo

Prognozowanie 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 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 szczegółowo

Ekonometria Wykład 5. Procesy stochastyczne, stacjonarność, integracja. Dr Michał Gradzewicz Katedra Ekonomii I KAE

Ekonometria Wykład 5. Procesy stochastyczne, stacjonarność, integracja. Dr Michał Gradzewicz Katedra Ekonomii I KAE Ekonometria Wykład 5. Procesy stochastyczne, stacjonarność, integracja Dr Michał Gradzewicz Katedra Ekonomii I KAE Ekonometria szeregów czasowych Procesy stochastyczne Stacjonarność i biały szum Niestacjonarność:

Bardziej szczegółowo

Ekonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda

Bardziej szczegółowo

Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych

Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych Mariusz Hamulczuk Pułtusk 06.12.1011 Wprowadzenie Przewidywanie a prognozowanie Metoda prognozowania rodzaje metod i prognoz Czy moŝna

Bardziej szczegółowo

7.4 Automatyczne stawianie prognoz

7.4 Automatyczne stawianie prognoz szeregów czasowych za pomocą pakietu SPSS Następnie korzystamy z menu DANE WYBIERZ OBSERWACJE i wybieramy opcję WSZYSTKIE OBSERWACJE (wówczas wszystkie obserwacje są aktywne). Wreszcie wybieramy z menu

Bardziej szczegółowo

Ekonometria egzamin wersja Informatyka i Ekonometria 29/01/08

Ekonometria egzamin wersja Informatyka i Ekonometria 29/01/08 imię, nazwisko, nr indeksu: Ekonometria egzamin wersja Informatyka i Ekonometria 29/0/08. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz

Bardziej szczegółowo

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA

WIELKA 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 szczegółowo

Analiza metod prognozowania kursów akcji

Analiza metod prognozowania kursów akcji Analiza metod prognozowania kursów akcji Izabela Łabuś Wydział InŜynierii Mechanicznej i Informatyki Kierunek informatyka, Rok V Specjalność informatyka ekonomiczna Politechnika Częstochowska izulka184@o2.pl

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD listopada 2009

STATYSTYKA MATEMATYCZNA WYKŁAD listopada 2009 STATYSTYKA MATEMATYCZNA WYKŁAD 7 23 listopada 2009 Wykład 6 (16.XI.2009) zakończył się zdefiniowaniem współczynnika korelacji: E X µ x σ x Y µ y σ y = T WSPÓŁCZYNNIK KORELACJI ρ X,Y = ρ Y,X (!) WSPÓŁCZYNNIK

Bardziej szczegółowo

Stosowana Analiza Regresji

Stosowana Analiza Regresji prostej Stosowana Wykład I 5 Października 2011 1 / 29 prostej Przykład Dane trees - wyniki pomiarów objętości (Volume), średnicy (Girth) i wysokości (Height) pni drzew. Interesuje nas zależność (o ile

Bardziej szczegółowo

Metoda najmniejszych kwadratów

Metoda najmniejszych kwadratów Metoda najmniejszych kwadratów Przykład wstępny. W ekonomicznej teorii produkcji rozważa się funkcję produkcji Cobba Douglasa: z = AL α K β gdzie z oznacza wielkość produkcji, L jest nakładem pracy, K

Bardziej szczegółowo

Natalia Nehrebecka Stanisław Cichocki. Wykład 10

Natalia 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 szczegółowo

TEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.

TEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności. TEST STATYSTYCZNY Testem statystycznym nazywamy regułę postępowania rozstrzygająca, przy jakich wynikach z próby hipotezę sprawdzaną H 0 należy odrzucić, a przy jakich nie ma podstaw do jej odrzucenia.

Bardziej szczegółowo

Egzamin z Ekonometrii

Egzamin 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 szczegółowo

Co trzeba wiedzieć korzystając z modelu ARIMA i które parametry są kluczowe?

Co trzeba wiedzieć korzystając z modelu ARIMA i które parametry są kluczowe? Prognozowanie Co trzeba wiedzieć korzystając z modelu ARIMA Marta Płonka Predictive Solutions W trzecim już artykule dotyczącym szeregów czasowych przyjrzymy się modelom ARIMA. Dzisiaj skupimy się na metodzie

Bardziej szczegółowo

4. Średnia i autoregresja zmiennej prognozowanej

4. Średnia i autoregresja zmiennej prognozowanej 4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Wykład 1

Stanisław Cichocki Natalia Nehrebecka. Wykład 1 Stanisław Cichocki Natalia Nehrebecka Wykład 1 1 1. Sprawy organizacyjne Zasady zaliczenia Ćwiczenia Literatura 2. Obciążenie Lovella 3. Metoda od ogólnego do szczególnego 4. Kryteria informacyjne 2 1.

Bardziej szczegółowo

2.6 Zmienne stacjonarne i niestacjonarne 2.6. ZMIENNE STACJONARNE I NIESTACJONARNE 33. RYSUNEK 2.6: PKB w wyrażeniu realnym

2.6 Zmienne stacjonarne i niestacjonarne 2.6. ZMIENNE STACJONARNE I NIESTACJONARNE 33. RYSUNEK 2.6: PKB w wyrażeniu realnym 2.6. ZMIENNE STACJONARNE I NIESTACJONARNE 33 tale. Rysunek 2.6 ilustruje sezonowość w logarytmie PKB w wyrażeniu realnym. Realny PKB został uzyskany poprzez zdeflowanie nominalnego PKB przez indeks cen

Bardziej szczegółowo

Materiał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych)

Materiał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych) Materiał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych) (studium przypadku) Nazwa przedmiotu: ekonometria finansowa I (22204), analiza szeregów czasowych

Bardziej szczegółowo

Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych

Estymacja 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 szczegółowo

Ekonometria egzamin wersja ogólna 29/01/08

Ekonometria 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 szczegółowo

Egzamin z ekonometrii wersja ogolna

Egzamin 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 szczegółowo

Stanisław Cichocki. Natalia Neherbecka. Zajęcia 13

Stanisław Cichocki. Natalia Neherbecka. Zajęcia 13 Stanisław Cichocki Natalia Neherbecka Zajęcia 13 1 1. Kryteria informacyjne 2. Testowanie autokorelacji 3. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych

Bardziej szczegółowo

Prognozowanie i Symulacje. Wykład VI. Niestacjonarne szeregi czasowe

Prognozowanie i Symulacje. Wykład VI. Niestacjonarne szeregi czasowe Prognozowanie i Symulacje. Wykład VI. e-mail:e.kozlovski@pollub.pl Spis treści Analiza stacjonarności szeregów czasowych 1 Analiza stacjonarności szeregów czasowych Modele niestacjonarne Szeregi TS i DS

Bardziej szczegółowo

Jednowskaźnikowy model Sharpe`a

Jednowskaźnikowy model Sharpe`a Uniwersytet Warszawski Wydział Nauk Ekonomicznych Milena Jamroziak i Paweł Androszczuk Model ekonometryczny Jednowskaźnikowy model Sharpe`a dla akcji Amici Praca zaliczeniowa napisana pod kierunkiem mgr

Bardziej szczegółowo

Ekonometria. Modelowanie zmiennej jakościowej. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria. 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 szczegółowo

Analiza autokorelacji

Analiza 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 szczegółowo

PROGNOZOWANIE PRZYCHODÓW ZE SPRZEDAŻY

PROGNOZOWANIE PRZYCHODÓW ZE SPRZEDAŻY Joanna Chrabołowska Joanicjusz Nazarko PROGNOZOWANIE PRZYCHODÓW ZE SPRZEDAŻY NA PRZYKŁADZIE PRZEDSIĘBIORSTWA HANDLOWEGO TYPU CASH & CARRY Wprowadzenie Wśród wielu prognoz szczególną rolę w zarządzaniu

Bardziej szczegółowo

1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4.

1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4. 1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4. Prognozowanie stóp zwrotu na podstawie modeli ARMA 5. Relacje kointegrujące

Bardziej szczegółowo

1.1 Klasyczny Model Regresji Liniowej

1.1 Klasyczny Model Regresji Liniowej 1.1 Klasyczny Model Regresji Liniowej Klasyczny model Regresji Liniowej jest bardzo użytecznym narzędziem służącym do analizy danych empirycznych. Analiza regresji zajmuje się opisem zależności między

Bardziej szczegółowo

EKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE

EKONOMETRIA 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 szczegółowo

Diagnostyka w Pakiecie Stata

Diagnostyka 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 szczegółowo

Statystyka w przykładach

Statystyka w przykładach w przykładach Tomasz Mostowski Zajęcia 10.04.2008 Plan Estymatory 1 Estymatory 2 Plan Estymatory 1 Estymatory 2 Własności estymatorów Zazwyczaj w badaniach potrzebujemy oszacować pewne parametry na podstawie

Bardziej szczegółowo

Uogolnione modele liniowe

Uogolnione 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

Ekonometria egzamin wersja ogólna 17/06/08

Ekonometria 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 szczegółowo

MODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE

MODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XI/2, 2010, str. 254 263 MODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE Agnieszka Tłuczak Zakład Ekonometrii i Metod Ilościowych, Wydział Ekonomiczny

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład XV: Zagadnienia redukcji wymiaru danych 2 lutego 2015 r. Standaryzacja danych Standaryzacja danych Własności macierzy korelacji Definicja Niech X będzie zmienną losową o skończonym drugim momencie.

Bardziej szczegółowo

Porównanie modeli regresji. klasycznymi modelami regresji liniowej i logistycznej

Porównanie modeli regresji. klasycznymi modelami regresji liniowej i logistycznej Porównanie modeli logicznej regresji z klasycznymi modelami regresji liniowej i logistycznej Instytut Matematyczny, Uniwersytet Wrocławski Małgorzata Bogdan Instytut Matematyki i Informatyki, Politechnika

Bardziej szczegółowo

Ekonometria. 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. 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 szczegółowo

Statystyka i eksploracja danych

Statystyka i eksploracja danych Wykład XII: Zagadnienia redukcji wymiaru danych 12 maja 2014 Definicja Niech X będzie zmienną losową o skończonym drugim momencie. Standaryzacją zmiennej X nazywamy zmienną losową Z = X EX Var (X ). Definicja

Bardziej szczegółowo

Analiza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń Problem Przykłady

Analiza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń Problem Przykłady Analiza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń 1. Problem ozwaŝamy zjawisko (model): Y = β 1 X 1 X +...+ β k X k +Z Ηβ = w r Hipoteza alternatywna: Ηβ w r

Bardziej szczegółowo

Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015

Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015 Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015 Nr indeksu... Imię i Nazwisko... Nr grupy ćwiczeniowej... Imię i Nazwisko prowadzącego... 1. Specyfikacja modelu

Bardziej szczegółowo

Metoda największej wiarogodności

Metoda 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 szczegółowo

EKONOMETRIA. Prof. dr hab. Eugeniusz Gatnar.

EKONOMETRIA. 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 szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD października 2009

STATYSTYKA MATEMATYCZNA WYKŁAD października 2009 STATYSTYKA MATEMATYCZNA WYKŁAD 4 26 października 2009 Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ (X µ) 2 { (x µ) 2 exp 1 ( ) } x µ 2 dx 2 σ Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ

Bardziej szczegółowo

MODELE ARIMA W PROGNOZOWANIU SPRZEDAŻY***

MODELE ARIMA W PROGNOZOWANIU SPRZEDAŻY*** ZAGADNIENIA TECHNICZNO-EKONOMICZNE Tom 48 Zeszyt 3 2003 Joanna Chrabołowska*, Joanicjusz Nazarko** MODELE ARIMA W PROGNOZOWANIU SPRZEDAŻY*** W artykule przedstawiono metodykę budowy modeli ARIMA oraz ich

Bardziej szczegółowo

Ekonometria. Ćwiczenia nr 3. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria. Ćwiczenia nr 3. Jakub Mućk. Katedra Ekonomii Ilościowej Ekonometria Ćwiczenia nr 3 Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 3 Własności składnika losowego 1 / 18 Agenda KMNK przypomnienie 1 KMNK przypomnienie 2 3 4 Jakub Mućk

Bardziej szczegółowo

Egzamin z ekonometrii wersja IiE, MSEMAT

Egzamin 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 szczegółowo

Podczas zajęć będziemy zajmować się głownie procesami ergodycznymi zdefiniowanymi na przestrzeniach ciągłych.

Podczas zajęć będziemy zajmować się głownie procesami ergodycznymi zdefiniowanymi na przestrzeniach ciągłych. Trochę teorii W celu przeprowadzenia rygorystycznej ekonometrycznej analizy szeregu finansowego będziemy traktowali obserwowany ciąg danych (x 1, x 2,..., x T ) jako realizację pewnego procesu stochastycznego.

Bardziej szczegółowo

Estymacja modeli ARIMA przy uŝyciu Staty oraz Integracja i kointegracja. Grzegorz Ogonek KSiE WNE UW

Estymacja modeli ARIMA przy uŝyciu Staty oraz Integracja i kointegracja. Grzegorz Ogonek KSiE WNE UW Estymacja modeli ARIMA przy uŝyciu Staty oraz Integracja i kointegracja Grzegorz Ogonek KSiE WNE UW 26.02.2005 Budowa modelu ARIMA dla szeregu czasowego PPI (Producer Price Index) dla Polski dla okresu

Bardziej szczegółowo

1.7 Ograniczenia nakładane na równanie regresji

1.7 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 szczegółowo

Statystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r

Statystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów

Bardziej szczegółowo

Ekonometria / G. S. Maddala ; red. nauk. przekł. Marek Gruszczyński. wyd. 2, dodr. 1. Warszawa, Spis treści

Ekonometria / G. S. Maddala ; red. nauk. przekł. Marek Gruszczyński. wyd. 2, dodr. 1. Warszawa, Spis treści Ekonometria / G. S. Maddala ; red. nauk. przekł. Marek Gruszczyński. wyd. 2, dodr. 1. Warszawa, 2013 Spis treści Przedsłowie 15 Przedmowa do drugiego wydania 17 Przedmowa do trzeciego wydania 21 Nekrolog

Bardziej szczegółowo

K wartość kapitału zaangażowanego w proces produkcji, w tys. jp.

K 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 szczegółowo

Finansowe szeregi czasowe

Finansowe szeregi czasowe 24 kwietnia 2009 Modelem szeregu czasowego jest proces stochastyczny (X t ) t Z, czyli rodzina zmiennych losowych, indeksowanych liczbami całkowitymi i zdefiniowanych na pewnej przestrzeni probabilistycznej

Bardziej szczegółowo

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI

WYMAGANIA 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 szczegółowo

parametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających,

parametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających, 诲 瞴瞶 瞶 ƭ0 ƭ 瞰 parametrów strukturalnych modelu Y zmienna objaśniana, = + + + + + X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających, α 0, α 1, α 2,,α k parametry strukturalne modelu, k+1 parametrów

Bardziej szczegółowo

Monte Carlo, bootstrap, jacknife

Monte Carlo, bootstrap, jacknife Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział

Bardziej szczegółowo

log Ôi = 1, , 0014P i + 0, 0561C i 0, 4050R i se = (0, 0009) (0, 0227) (0, 1568)

log Ôi = 1, , 0014P i + 0, 0561C i 0, 4050R i se = (0, 0009) (0, 0227) (0, 1568) 1. Na podstawie danych zawartych w pliku [zgony niemowlat.xls] oszacuj (przy pomocy pakietu gretl lub arkusza kalkulacyjnego) parametry MNK następującego liniowego modelu ekonometrycznego: ZN t = a 0 +

Bardziej szczegółowo

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16 Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego

Bardziej szczegółowo

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI

WYMAGANIA 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 szczegółowo

Analiza regresji - weryfikacja założeń

Analiza 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 szczegółowo

EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ Joanna Górka WŁASNOŚCI PROGNOSTYCZNE MODELI KLASY RCA *

EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ Joanna Górka WŁASNOŚCI PROGNOSTYCZNE MODELI KLASY RCA * ACTA UNIVERSITATIS NICOLAI COPERNICI EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ 2009 Uniwersytet Mikołaja Kopernika w Toruniu Katedra Ekonometrii i Statystyki Joanna Górka WŁASNOŚCI PROGNOSTYCZNE

Bardziej szczegółowo

Estymacja parametrów rozkładu cechy

Estymacja parametrów rozkładu cechy Estymacja parametrów rozkładu cechy Estymujemy parametr θ rozkładu cechy X Próba: X 1, X 2,..., X n Estymator punktowy jest funkcją próby ˆθ = ˆθX 1, X 2,..., X n przybliżającą wartość parametru θ Przedział

Bardziej szczegółowo

Ekonometria dla IiE i MSEMat Z7

Ekonometria dla IiE i MSEMat Z7 Ekonometria dla IiE i MSEMat Z7 Rafał Woźniak Faculty of Economic Sciences, University of Warsaw Warszawa, 21-11-2016 Na podstawie zbioru danych cps_small.dat z książki Principles of Econometrics oszacowany

Bardziej szczegółowo

Analiza szeregów czasowych: 5. Liniowe modele stochastyczne

Analiza szeregów czasowych: 5. Liniowe modele stochastyczne Analiza szeregów czasowych: 5. Liniowe modele stochastyczne P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2006/07 Dwa rodzaje modelowania 1. Modelowanie z pierwszych zasad. Znamy prawa

Bardziej szczegółowo

Ekonometria ćwiczenia Kolokwium 2 semestr 22/05/05. / 4 pkt. / 4 pkt. / 3 pkt. / 4 pkt. /22 pkt. Regulamin i informacje dodatkowe

Ekonometria ćwiczenia Kolokwium 2 semestr 22/05/05. / 4 pkt. / 4 pkt. / 3 pkt. / 4 pkt. /22 pkt. Regulamin i informacje dodatkowe 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

Bardziej szczegółowo

Modele dla zmiennej binarnej w pakiecie STATA materiały na ćwiczenia z ekonometrii 18.03.2005 r. Piotr Wójcik, KTRG WNE UW

Modele dla zmiennej binarnej w pakiecie STATA materiały na ćwiczenia z ekonometrii 18.03.2005 r. Piotr Wójcik, KTRG WNE UW Modele dla zmiennej binarnej w pakiecie STATA materiały na ćwiczenia z ekonometrii 18.03.2005 r. Piotr Wójcik, KTRG WNE UW Dane Dane wykorzystane w przykładzie pochodzą z pracy McCall, B.P., 1995, The

Bardziej szczegółowo

1.3 Własności statystyczne estymatorów MNK

1.3 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 szczegółowo

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 Zależność przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna), funkcyjna stochastyczna

Bardziej szczegółowo

Ekonometria. Własności składnika losowego. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria. Własności składnika losowego. Jakub Mućk. Katedra Ekonomii Ilościowej Ekonometria Własności składnika losowego Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 1 / 31 Agenda KMNK przypomnienie 1 KMNK przypomnienie 2 3 4

Bardziej szczegółowo

Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski

Statystyka 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 szczegółowo

Statystyka 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 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 szczegółowo

Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość?

Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość? Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość? Wykres stopy bezrobocia rejestrowanego w okresie 01.1998 12.2008, dane Polskie 22 20 18 16 stopa 14 12

Bardziej szczegółowo

Analiza dynamiki zjawisk masowych Analiza szeregów czasowych. Wprowadzenie

Analiza dynamiki zjawisk masowych Analiza szeregów czasowych. Wprowadzenie Wprowadzenie Analiza dynamiki zjawisk masowych Analizę dynamiki zjawisk masowych przeprowadza się na podstawie szeregówczasowych.sątociągi (Y t )wartościbadanegozjawiska obserwowanego w kolejnych jednostkach

Bardziej szczegółowo