1 Uogólniona Metoda Momentów

Wielkość: px
Rozpocząć pokaz od strony:

Download "1 Uogólniona Metoda Momentów"

Transkrypt

1 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 x i exp ε i i ε i, ε j są iezależe dla i j.. Pokazać, że zalezieie estymatorów M N W parametrów α i β wymaga rozwiązaia ieliiowych układów rówań Podpowiedź: Skorzystaj z tego, że f z F z z. Wyprowdzić wzory aalitycze dla estymatorów UMM w tym modelu. Podpowiedź: Wartość oczekiwaa w rozkładzie wykładiczym o dystrybuacie F z exp βz β 3. Opisz, bez wyprowadzaia wzorów aalityczych, w jaki sposób moża uzyskać bardziej precyzyje oszacowaia α i β stosując estymator UMM z optymalą macierzą wag. ZADANIE. Aalizujemy prosty model liiowy z heteroskedastyczością: y i x i β + ε i ε i N 0, σ i σ i exp α 0 + α x i oraz wiemy, że ε i i ε j są iezależe dla i j.. Pokaż, że estymator MNW będzie wymagał w tym przypadku rozwiązaia ieliiowego układu rówań.. Zapropouj estymator UMM i wyprowadź jego aalityczą postać. Modele wielorówaiowe ZADANIE. Mamy astępujący model popytu i podaży pracy l t α 0 + α w t + α h t + ε t l t β w t + β k t + ε t l t l t gdzie l t l t l t ozacza logarytm zatrudieia, w t to logarytm płacy realej, h t liczba osób w wieku produkcyjym, a k t logarytm wielkości kapitału w gospodarce. Zmieymi edogeiczymi są l t, l t i w t. Zmiee h t i k t są traktowae jako egzogeicze.. Które z tych rówań jest według rówaiem popytu a pracę, a które podaży pracy? Odpowiedź uzasadić.. Sprawdzić idetyfikację poszczególych rówań. 3. Wyjaśić jaką postać będzie miała forma zredukowaa tego modelu. 4. Jaka jest różica między iterpretacją parametru przy h t w rówaiu dla popytu a pracę w formie strukturalej i rówaiem wilkości zatrudieia w formie zredukowaej tego modelu? 5. Wyjaśić, dlaczego rówaia popytu ie moża poprawie wyestymować za pomocą MNK.

2 Zbiór zadań z ekoometrii Copyright c 005 by Jerzy Mycielski wersja: 3/6/ W jaki sposób moża użyć formy zredukowaej do policzeia estymatorów Pośrediej M N K? Wyprowadzić estymator β tej metody i wyjaśić uzyskae w te sposób oszacowaie jest jedozacze. 7. Jeśli zastosowalibyśmy do estymacji rówaia popytu M ZI, to jakie zmiee mogłyby być użyte jako istrumety? ZADANIE. W prostym modelu popytu i podaży w zapisie pomiięto ideksy obserwacji:. Sprawdzić idetyfikację rówań. Q D α 0 + α P + ε Q S β P + ε Q D Q S. Wyprowadzić estymator Pośrediej MNK dla parametrów w rówaiach, które są zidetyfikowae. 3. Wyprowadzić postać estymatora MZI dla parametrów w rówaiach, które są zidetyfikowae. 4. Policzyć graicę według prawdopodobieństwa estymatora MNK parametru β. Czy estymator te jest zgody? Założyć, że E ε E ε 0, Var ε σ,cov ε, ε σ, P t P t p P. ZADANIE.3 Mamy astępujący model wielorówaiowy C t α + α Y t + u t Y t C t + I t + G t przy czym zakładamy, że C t kosumpcja i Y t dochód arodowy jest edogeicze a I t iwestycje i G t wydatki rządowe są egzogeicze.. Zbadać, czy rówaia kosumpcji jest zidetyfikowae.. Wyjaśić z jakiego powodu w modelu tym występuje sprzeżeie zwrote i dlaczego powoduje oo, że estymator M N K ie będzie zgody.. 3. Jak azywamy rówaie o postaci takiej jak rówaie a Y t w tym modelu? Czym tego typu wyróżiają się tego typu rówaia? 4. Czy estymator wektora parametrów α α, α postaci α X Z Z y gdzie x i, y i a z i, I t jest estymatorem zgodym? Przy jakich założeiach? Odpowiedź uzasadij. 5. Czy moża w jakiś sposób wykorzystać jedocześie I t i G t w estymacji rówaia kosumpcji ZADANIE.4 Dla daych kwartalych dla Polski skostruowao astępującą wersję modelu IS/LM C t α + β Y t + ε t I t β 0 + β Y t + β 3 r t + ε t r t φ 0 + φ Y t + φ M t + ε 3t Y t C t + I t + G t + X t

3 Zbiór zadań z ekoometrii Copyright c 005 by Jerzy Mycielski wersja: 3/6/005 gdzie C t - kosumpcja kosumpcja idywiduala, I t - iwestycje akumulacja, r t reala stopa procetowa stopa referecyja - CPI, Y t - produkt arodowy GDP, M t podaż pieiądza, G t - wydatki rzadowe spożycie zbiorowe, X t saldo wymiay z zagraicą. Zakłada się, że M t, G t, X t są egzogeicze. Wszytskie dae w ml zł. Testy przeprowdzamy a poziomie istotości α Wyestymywao rówaie kosumpcji za pomocą zwyklego MNK i uzyskao astępujące wyiki: Source SS df MS Number of obs F, Model 3.384e e+0 Prob > F Residual.338e R-squared Adj R-squared Total 3.476e Root MSE C Coef. Std. Err. t P> t [95% Cof. Iterval] Y _cos Skometować poprawość tak przeprowadzoej estymacji.. Przeprowadzoo estymację rówaia Source SS df MS Number of obs F 3, Model e e+0 Prob > F Residual R-squared Adj R-squared Total 3.476e Root MSE 98.8 C Coef. Std. Err. t P> t [95% Cof. Iterval] G M X _cos C t δ 0 + δ M t + δ G t + δ 3 X t + ξ t a Czy uzyskae oszacowaia parametrów δ 0, δ, δ będą zgode? b Ziterpretować oszacowaia tych parametrów. c Wyjaśić, czym różi się to rówaie od rówaia kosumpcji w modelu strukturalym. 3. Przeprowadzoo estymację rówaia kosumpcji za pomocą MNK i uzyskao astępujące wyiki: 3

4 Zbiór zadań z ekoometrii Copyright c 005 by Jerzy Mycielski wersja: 3/6/005 Istrumetal variables SLS regressio Source SS df MS Number of obs F, Model 3.33e e+0 Prob > F Residual.399e R-squared Adj R-squared Total 3.476e Root MSE C Coef. Std. Err. t P> t [95% Cof. Iterval] Y _cos Istrumeted: Y Istrumets: G M X a Ziterpretować uzyskae oszacowaia parametrów. b Czy oszacowae wielkości parametrów są zgode z postulatem Keyesa, że udział wydatków kosupcyjych w dochodzie średia skłoość do kosumpcji spada wraz z dochodem? c Przy jakich warukach uzyskae oszacowaia są prawidłowe? 4. Przeprowadzoo test Sargaa dla rówaia kosumpcji i uzyskao astępujący wyik: Tests of overidetifyig restrictios: Sarga N*R-sq test.05 Chi-sq P-value Basma test 5.55 Chi-sq P-value Ziterpretuj wyik testu. 5. Przeprowadzoo test Hausmaa dla rówaia kosumpcji i uzyskao astępujący wyik: ---- Coefficiets ---- b B b-b sqrtdiagv_b-v_b MZI MNK Differece S.E Y 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 chi b-b [V_b-V_B^-]b-B 3.37 Prob>chi

5 Zbiór zadań z ekoometrii Copyright c 005 by Jerzy Mycielski wersja: 3/6/005 Ziterpetować wyik testu. 5

6 Zbiór zadań z ekoometrii Copyright c 005 by Jerzy Mycielski wersja: 3/6/005 Rozwiazaia zadań Zadaie.. Poieważ ε i y i α+βx i, więc dystrybuata y i ma postać: F y i x i exp y i α+βx i. Fukcja gęstości y i ma postać f y i x i F y i x i exp y i y i α + βx i α + βx i Fukcja wiarygodości będzie miała postać [ ] y i L exp α + βx i α + βx i Logarytm fukcji wiarygodości l Pochode względem α i β mają postać: l α + βx i l α + α + βx i l β x i + α + βx i y i α + βx i y i α + βx i x i y i α + βx i Po to by zaleźć estymatory α i β MNW ależy rozwiązać ieliiowy układ rówań y i α + βx α + βx i i x i y i α + βx i x i α + βx i. Wartość oczekiwaa E y i x i α+βx i. Tak więc dla f α, β y i α βx i mamy, że E [f α, β x i ] 0. Jeśli za istrumety przyjmiemy stałą i x i to uzyskamy bazwarukowe ograiczeia a momety momety E [m i α, β] E [f i α, β] E y i α βx i 0 E [m i α, β] E [f i α, β x i ] E y i x i αx i βx i 0 Zamieiąjąc momety teoretycze empiryczymi uzyskujemy y α βx 0 yx αx βx 0 Co po rozwiązaiu daje am astępujące wzory β yx yx x x i α y βx. 3. Aby precyzyjiejsze oszacowaia α i β moża zastosować estymator U M M z optymalą macierzą wag. W tym celu: α, β i zajdujemy estymatory α i β mii- a liczymy estymatory α, β ze wzorów z puktu b zajdujemy macierz wag Âkl m k α, β malizując względem α, β formę kwadratową m l Q α, β m α, β Âm α, β gdzie m α, β [m i α, β, m i α, β]. 6

7 Zbiór zadań z ekoometrii Copyright c 005 by Jerzy Mycielski wersja: 3/6/005 Zadaie.. Fukcja gęstości rozkładu ormalego, dla każdej z obserwacji ma postać f y i x i exp y i x i β πσ i σ i Logarytm fukcji wiarygodości pomijamy elemety stałe będzie więc miał postać: l α 0, α, β l σ y x i β i σ i α 0 + α x i y x i β exp α 0 α x i Pierwsze pochode fukcji wiarygodości mają postać: l α 0, α, β α 0 + l α 0, α, β α l α 0, α, β β y i x i β exp α 0 + α x i x i + y i x i β x i exp α 0 + α x i y i x i β x i exp α 0 + α x i Zalezieie estymatorów MNW wymaga więc zalezieia rozwiązaia ieliiwoego układu rówań: y i x i β exp α 0 + α x i y i x i β xi exp α 0 + α x i y i x i exp α 0 + α x i x i x i β exp α 0 + α x i. Estymator UMM możemy wyprowadzić zauważając, że E ε i x i 0 oraz E ε i x i α0 α x i 0. Używając jako itrumetów w pierwszym przypadku oraz i x i w drugim otrzymujemy astępujące waruki arzucoe a momety bezwarukowe: E ε i E y i x i β 0 E ε ] i E [y i x i β α 0 α x i 0 E ε [ ] i x i E y i x i β x i α 0 x i α x i 0 Zastępując momety teoretycze empiryczymi uzyskujemy: y x β 0 y i x i β α 0 + α x y i x i β xi α 0 x + α x 7

8 Zbiór zadań z ekoometrii Copyright c 005 by Jerzy Mycielski wersja: 3/6/005 Wzór a β y x uzyskujemy z pierwszego rówaia. Mając β możemy policzyć y i x i β y i x i β. i Wystarczy teraz rozwiązać układ rówań xi e i e e i x i e x i e α 0 + α x e x i α 0 x + α x Rozwiązując te układ rówań uzyskujemy x x α e x i e x α 0 e α x Zadaie.. Rówaiem podaży pracy jest pierwsze rówaie: podaż pracy zależy od płacy i liczby osób w wieku produkcyjym ale ie zależy od kapitału. Rówaiem popytu a pracę jest rówaie drugie: popyt a pracę zależy od płacy i wielkości kapitału w gospodarce. Zależość między popytem a pracę i kapitałem wyika z tego, że im miejszy kapitał, tym miejsza produkcyjość krańcowa i iższa płaca przy tej samej wielkości zatrudieia.. zmiee egzogeicze zmiee edogeicze, p t, q t l t, w t K 3 G K zidetyfikowae 3 K G + K 3 G K zidetyfikowae 3 K G + K 3. W formie zredukowaej po lewej stroie zajdują się zmiee edogeicze a po prawej wyłączie zmiee egzogeicze. W przypadku aalizowaego modelu, forma zredukowaa będzie więc miała postać: l t π 0 + π h t + π k t + ɛ t w t π 0 + π h t + π k t + ɛ t 4. Parametr α w rówaiu podaży pracy itepretujemy jako elestyczość podaży pracy względem zmiay liczby osób w wieku produkcyjym. Opisuje o ile procet zmiaiłaby się podaży pracy, gdyby liczba osób w wieku produkcyjym wzrosła o % a wysokość płacy pozostała iezmieioa. π jest możikiem wielkości zatrudieia względem liczby osób w wieku produkcyjym. Opisuje o o ile procet wzrosłoby zatrudieie, gdyby liczba osób w wieku produkcyjym wzrosła o % a płaca dostasowała się do owego poziomu rówowagi. 5. Rówaia popytu ie da się wyestymować za pomocą M N K, poieważ jeda ze zmieych objaśiających jest zmieą edogeiczą płaca co ozacza, że jest skorelowaa z błędem losowym. W tym przypadku MNK daje estymatory, które ie są zgode. 8

9 Zbiór zadań z ekoometrii Copyright c 005 by Jerzy Mycielski wersja: 3/6/ Aby zaleźć postać estymatorów pośrediej M N K ależy zaleźć zaleźości między parametrami formy strukturalej i zredukowaej. Rozwiązując formę strukturalą dla l t i w t uzyskujemy l t β α 0 + α k t β α h t + α ε t β ε t α β }{{ α β }}{{ α β }}{{ α β }}{{ } π 0 π π ɛ t β w t α 0 + k t α h t + ε t ε t α β }{{ α β }}{{ α β }}{{ α β }}{{ } π 0 π π ɛ t Mamy więc astępujące zależości między parametrami formy strukturalej i zredukowaej π 0 α0 α β π β α β π α α β π 0 β α0 α β π α α β π β α α β Estymatory parametrów uzyskujemy estymując formę zredukowaą, zastępując π ij estymatorami π ij i rozwiązując te układ rówań dla α 0, α, α, β i β. Z rówań tych moża uzyskać dwa estymatory parametru β postaci: β π0 π 0, β π0 π 0. Uzyskaliśmy dwa oszacowaia jedego parametru! 7. Zmieymi istrumetalymi mogłyby być wszystkie zmiee egzogeicze a więc stała, h t i k t. Zadaie.. Sprawdzamy idetyfikację rówań zmiee egzogeicze zmiee edogeicze Q D, Q S, P K G K iezidetyfikowae K < G + K G K 0 zidetyfikowae K G + K Rówaie popytu ie jest zidetyfikowae, rówaie podaży jest zidetyfikowae. Budujemy formę zredukowaą. Jedyą zmieą egzogeiczą jest stała, forma zredukowaa ma postać: Q D Q S π 0 + ɛ P π + ɛ Rozwiązując formę strukturalą dla Q D, Q S i P otrzymujemy Q D Q S β α 0 + β ε α ε β α β α P α 0 + ε ε β α β α Zależości między parametrami formy strukturalej i zredukowaej π 0 π β α 0 β α α 0 β α Wyika z tego, że estymator Pośrediej MNK parametru β moża policzyć jako β π 0 π. Poieważ estymatorami MNK stałej w modelu tylko ze stała są średie zmieych zależych więc β Q P. 9

10 Zbiór zadań z ekoometrii Copyright c 005 by Jerzy Mycielski wersja: 3/6/ Jedyym zidetyfikowaym rówaiem jest rówaie podaży Y [Q S,..., Q st ] a jedyą zmieą istrumetalą stała Z [,..., ]. Mamy dokładie tyle zmieych objaśiających X [P,..., P T ] Postać estymatora MZI w tym przypadku będzie astępująca: b MZI Z X Z y Q P a więc dokładie te sam wzór co w przypadku zastosowaia Pośrediej M N K. Sytuacja taka zachodzi zawsze, gdy rówaie jest dokładie zidetyfikowae. 4. Wzór a estymator MNK w rówaiu podaży jest astępujący b X X X t y P tq St t P t t P t β P t + ε t P t β + t P tε t P t Korzystając z wyprowadzoego wzoru a P t w formie zredukowaej, otrzymujemy T α 0 P t ε β α t Poieważ jedak plim E ε σ więc Estymator MNK ie jest zgody. T ε + t β α T t ε E ε 0, plim T ε ε β α t t plim b β + plim P tε plim β + plim β + T t T t ε ε Cov ε, ε σ, plim t P t T t P tε t P t σ σ β α P ε T t ε Zadaie.3. zmiee egzogeicze zmiee edogeicze, I t, G t C t, Y t K 3 G K zidetyfikowae 3 K G + K Idetyfikacji drugiego rówaia ie badamy bo ie ma w im parametrów do oszacowaia. C t wpływa a Y t a Y t wpływa a C t, mamy więc w modelu sprzężeie zwrote. Poieważ wpływ C t a Y t ozacza, że u t wpływa a Y t więc Y t i u t są skorelowae a tym samym w modelu występuje problem rówoczesości, który powoduje, że estymator MNK jest obciążoy. 3. Rówaie a Y t jest tożsamością wyikającą z rachukowości dochodu arodowego. Tożsamości odróżiają się od iych rówań tym, że ie występuje w ich błąd losowy ai parametry do oszacowaia. 4. Estymator α jest estymatorem MZI, będzie o zgody jeśli zmiea I t jest rzeczywiście egzogeicza a więc ieskorelowaa z zaburzeiem losowym u t. 0

11 Zbiór zadań z ekoometrii Copyright c 005 by Jerzy Mycielski wersja: 3/6/ Moża zastosować obie te zmiee jako zmiee istrumetale w uogólioym estymatorze zmieych istrumetalych postaci: b MZI X X X y, gdzie X Z Z Z Z X i Z jest macierzą obserwacji dla istrumetów zawierającą stałą, I t, G t Zadaie.4. Uzyskae w te sposób oszacowaia parametrów ie będą zgode poieważ w rówaiu kosumpcji występuje zmiea Y t dochód arodowy, która jest w modelu zmieą edogeiczą. Z racji a występowaie sprzężeia zwrotego między C t i Y t, zmiea Y t będzie skorelowaa z ε t a tym samym w rówaiu wystąpi rówoczesość i estymator MNK będzie iezgody.. a Poieważ po prawej stroie rówaia zajdują się jedyie zmiee egzogeicze więc oszacowaie MNK, tego rówaia da zgode estymatory parametrów δ 0, δ, δ, δ 3. b Poieważ oszacowae rówaie jest zredukowaą formą modelu strukturalego, więc oszacowae parametry będziemy itepretować jako możiki: wzrost wydatków o zł zwiększa kosumpcję w owym położeiu rówowagi o.884 zł, wzrost podaży pieiądza o zł zwiększa kosumpcję w owym położeiu rówowagi o zł, wzrost salda hadlu zagraiczego o zł zwiększa kosumpcję w owym położeiu rówowagi o zł. c Rówaie to jest rówaiem formy zredukowaej. Uzyskae wielkości parametrów dotyczą reakcji wartości zmieych edogeiczych w położeiu rówowagi a zmiay wartościach zmieych egzogeiczych. W formie strukuralej parametry opisują wpływ zmia pojedyczych zmieych edogeiczych i egzogeiczych a daą zmieą edogeiczą. 3. a Zmiaa wielkości dochodu arodowego o zł zwiększa kosumpcję o b Oszacowaa wielkość parametrów ie jest zgoda z postulatem Keesa. Średia skłoość do kosumpcji jest rówa C Y. Pierwsza pochoda C a+by Y Y Y Y a Y. Jedak asze oszacowaia wskazują, że a < 0, co implikuje, że średia skłoość do kosumpcji rośie wraz z dochodem! c Oszacowaia będą prawidłowe jeśli zastosowae istrumety G t, M t, X t będą rzeczywiście egzogeicze ieskorelowe z ε 4. Uzyskay wyik testu Sargaa sugeruje, że zastosowae itrumety ie są prawidłowe [.05, < 0.05] 5. Uzyskay wyik testu Hausmaa wskazuje, że w modelu istieje problem edogeiczości [3.37, < 0.05], ie powiiśmy stosować do estymacji tego rówaia MNK.

Problem równoczesności w MNK

Problem 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 szczegółowo

0.1 Metoda Zmiennych Instrumentalnych

0.1 Metoda Zmiennych Instrumentalnych Notatki do ćwiczeń z ekoometrii 0.1 Metoda Zmieych Istrumetalych 0.1.1 Wprowadzeie W dotychczasowej aalizie Klasyczego Modelu Regresji Liiowej przyjmowaliśmy założeie o iezależości składika losowego rówaia

Bardziej szczegółowo

Modele wielorównaniowe (forma strukturalna)

Modele 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 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

Zadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,.

Zadanie 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 szczegółowo

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

Wprowadzenie Modele o opóźnieniach rozłożonych Modele autoregresyjne o opóźnieniach rozłożonych. Modele dynamiczne.

Wprowadzenie 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 szczegółowo

Statystyka matematyczna. Wykład II. Estymacja punktowa

Statystyka 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 szczegółowo

Lista 6. Estymacja punktowa

Lista 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 szczegółowo

Budowa modelu i testowanie hipotez

Budowa 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 szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 12

Stanisław 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 szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 9

Stanisław 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 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

Stanisław Cichocki. Natalia Nehrebecka. Wykład 12

Stanisław 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 szczegółowo

Czasowy wymiar danych

Czasowy 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 szczegółowo

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej

3. 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 szczegółowo

Heteroscedastyczność. Zjawisko heteroscedastyczności Uogólniona Metoda Najmniejszych Kwadratów Stosowalna Metoda Najmniejszych Kwadratów

Heteroscedastyczność. 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 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

Testowanie hipotez statystycznych

Testowanie 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 szczegółowo

będą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0,

będą 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 szczegółowo

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA

ZAGADNIENIE 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 szczegółowo

Wokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych

Wokół 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 szczegółowo

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y

ma 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 szczegółowo

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w

Trzeba 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 szczegółowo

z przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X

z przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X Matematyka ubezpieczeń majątkowych.0.0 r. Zadaie. Mamy day ciąg liczb q, q,..., q z przedziału 0,. Rozważmy trzy zmiee losowe: o X X X... X, gdzie X i ma rozkład dwumiaowy o parametrach,q i, i wszystkie

Bardziej szczegółowo

Autokorelacja i heteroskedastyczność

Autokorelacja 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 szczegółowo

Metoda najmniejszych kwadratów

Metoda 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 szczegółowo

Egzamin z ekonometrii - wersja ogólna

Egzamin 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 szczegółowo

Podprzestrzenie macierzowe

Podprzestrzenie 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 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

Stanisław Cichocki. Natalia Nehrebecka. Wykład 10

Stanisław 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 szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA TATYTYKA MATEMATYCZNA ROZKŁADY PODTAWOWYCH TATYTYK zmiea losowa odpowiedik badaej cechy, (,,..., ) próba losowa (zmiea losowa wymiarowa, i iezależe zmiee losowe o takim samym rozkładzie jak (taką próbę

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka

Stanisław Cichocki. Natalia Nehrebecka Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników

Bardziej szczegółowo

KADD Metoda najmniejszych kwadratów

KADD 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 szczegółowo

Parametryzacja rozwiązań układu równań

Parametryzacja 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 szczegółowo

Wprowadzenie Testy własności składnika losowego. Diagnostyka modelu. Część 1. Diagnostyka modelu

Wprowadzenie 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 szczegółowo

Ekonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Ekonometria 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 szczegółowo

Jarosław Wróblewski Analiza Matematyczna 1, zima 2016/17

Jarosław Wróblewski Analiza Matematyczna 1, zima 2016/17 Egzami, 18.02.2017, godz. 9:00-11:30 Zadaie 1. (22 pukty) W każdym z zadań 1.1-1.10 podaj w postaci uproszczoej kresy zbioru oraz apisz, czy kresy ależą do zbioru (apisz TAK albo NIE, ewetualie T albo

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

są niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X

są 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 szczegółowo

Ekonometria dla IiE i MSEMat Z12

Ekonometria 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 szczegółowo

Ekonometria egzamin 07/03/2018

Ekonometria 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 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

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo 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 szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo 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 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

, 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

Ekonometria Ćwiczenia 19/01/05

Ekonometria 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 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

P π n π. Równanie ogólne płaszczyzny w E 3. Dane: n=[a,b,c] Wówczas: P 0 P=[x-x 0,y-y 0,z-z 0 ] Równanie (1) nazywamy równaniem ogólnym płaszczyzny

P π n π. Równanie ogólne płaszczyzny w E 3. Dane: n=[a,b,c] Wówczas: P 0 P=[x-x 0,y-y 0,z-z 0 ] Równanie (1) nazywamy równaniem ogólnym płaszczyzny Rówaie ogóle płaszczyzy w E 3. ae: P π i π o =[A,B,C] P (,y,z ) Wówczas: P P=[-,y-y,z-z ] P π PP PP= o o Rówaie () azywamy rówaiem ogólym płaszczyzy A(- )+B(y-y )+C(z-z )= ( ) A+By+Cz+= Przykład

Bardziej szczegółowo

Znajdowanie pozostałych pierwiastków liczby zespolonej, gdy znany jest jeden pierwiastek

Znajdowanie 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 szczegółowo

Struktura czasowa stóp procentowych (term structure of interest rates)

Struktura czasowa stóp procentowych (term structure of interest rates) Struktura czasowa stóp procetowych (term structure of iterest rates) Wysokość rykowych stóp procetowych Na ryku istieje wiele różorodych stóp procetowych. Poziom rykowej stopy procetowej (lub omialej stopy,

Bardziej szczegółowo

Korelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12

Korelacja 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 szczegółowo

EKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą

EKONOMETRIA. 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 szczegółowo

Stanisław Cichocki. Natalia Nehrebecka

Stanisław Cichocki. Natalia Nehrebecka Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników

Bardziej szczegółowo

Podprzestrzenie macierzowe

Podprzestrzenie 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 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 IiE

Egzamin z ekonometrii IiE Pytania teoretyczne Egzamin z ekonometrii IiE 22.06.2012 1. Kiedy selekcja próby jest problemem i jaki model można stosować w przypadku samoselekcji próby? 2. Jakie są konieczne założenia, by estymator

Bardziej szczegółowo

Ekonometria egzamin 06/03/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Ekonometria 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 szczegółowo

θx θ 1, dla 0 < x < 1, 0, poza tym,

θx 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 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

1. Pokaż, że estymator MNW parametru β ma postać β = nieobciążony. Znajdź estymator parametru σ 2.

1. Pokaż, że estymator MNW parametru β ma postać β = nieobciążony. Znajdź estymator parametru σ 2. Zadanie 1 Niech y t ma rozkład logarytmiczno normalny o funkcji gęstości postaci [ ] 1 f (y t ) = y exp (ln y t β ln x t ) 2 t 2πσ 2 2σ 2 Zakładamy, że x t jest nielosowe a y t są nieskorelowane w czasie.

Bardziej szczegółowo

I. Podzielność liczb całkowitych

I. Podzielność liczb całkowitych I Podzielość liczb całkowitych Liczba a = 57 przy dzieleiu przez pewą liczbę dodatią całkowitą b daje iloraz k = 3 i resztę r Zaleźć dzieik b oraz resztę r a = 57 = 3 b + r, 0 r b Stąd 5 r b 8, 3 więc

Bardziej szczegółowo

Zmienna losowa N ma rozkład ujemny dwumianowy z parametrami (, q) = 7,

Zmienna losowa N ma rozkład ujemny dwumianowy z parametrami (, q) = 7, Matematyka ubezpieczeń majątkowych.0.008 r. Zadaie. r, Zmiea losowa N ma rozkład ujemy dwumiaowy z parametrami (, q), tz.: Pr( N k) (.5 + k) (.5) k! Γ Γ * Niech k ozacza taką liczbę aturalą, że: * k if{

Bardziej szczegółowo

Informatyka Stosowana-egzamin z Analizy Matematycznej Każde zadanie należy rozwiązać na oddzielnej, podpisanej kartce!

Informatyka Stosowana-egzamin z Analizy Matematycznej Każde zadanie należy rozwiązać na oddzielnej, podpisanej kartce! Iformatyka Stosowaa-egzami z Aalizy Matematyczej Każde zadaie ależy rozwiązać a oddzielej, podpisaej kartce! y, Daa jest fukcja f (, + y, a) zbadać ciągłość tej fukcji f b) obliczyć (,) (, (, (,) c) zbadać,

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 10

Stanisław Cichocki. Natalia Nehrebecka. Wykład 10 Stanisław Cichoci Natalia Nehrebeca Wyład 10 1 1. Testowanie hipotez prostych Rozład estymatora b Testowanie hipotez prostych przy użyciu statystyi t Przedziały ufności Badamy czy hipotezy teoretyczne

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 13

Stanisław 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 szczegółowo

X 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.

X 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 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

STATYSTKA I ANALIZA DANYCH LAB II

STATYSTKA I ANALIZA DANYCH LAB II STATYSTKA I ANALIZA DANYCH LAB II 1. Pla laboratorium II rozkłady prawdopodobieństwa Rozkłady prawdopodobieństwa dwupuktowy, dwumiaowy, jedostajy, ormaly. Związki pomiędzy rozkładami prawdopodobieństw.

Bardziej szczegółowo

STATYSTYKA I ANALIZA DANYCH

STATYSTYKA 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 szczegółowo

Zmienne sztuczne i jakościowe

Zmienne 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

Ćwiczenia nr 5. TEMATYKA: Regresja liniowa dla prostej i płaszczyzny

Ćwiczenia 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 szczegółowo

Twierdzenie Cayleya-Hamiltona

Twierdzenie 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 szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka 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 szczegółowo

Relacje rekurencyjne. będzie następująco zdefiniowanym ciągiem:

Relacje 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 szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 14

Stanisław 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 szczegółowo

1 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.

1 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 szczegółowo

Ekonometria egzamin 31/01/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Ekonometria 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 szczegółowo

Twierdzenia graniczne:

Twierdzenia 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 szczegółowo

WYDZIAŁ ELEKTRYCZNY POLITECHNIKI WARSZAWSKIEJ INSTYTUT ELEKTROENERGETYKI ZAKŁAD ELEKTROWNI I GOSPODARKI ELEKTROENERGETYCZNEJ

WYDZIAŁ ELEKTRYCZNY POLITECHNIKI WARSZAWSKIEJ INSTYTUT ELEKTROENERGETYKI ZAKŁAD ELEKTROWNI I GOSPODARKI ELEKTROENERGETYCZNEJ WYDZIAŁ ELEKTRYCZNY POLITECHNIKI WARSZAWSKIEJ INSTYTUT ELEKTROENERGETYKI ZAKŁAD ELEKTROWNI I GOSPODARKI ELEKTROENERGETYCZNEJ LABORATORIUM RACHUNEK EKONOMICZNY W ELEKTROENERGETYCE INSTRUKCJA DO ĆWICZENIA

Bardziej szczegółowo

ZADANIA NA ĆWICZENIA 3 I 4

ZADANIA NA ĆWICZENIA 3 I 4 Agata Boratyńska Statystyka aktuariala... 1 ZADANIA NA ĆWICZENIA 3 I 4 1. Wygeeruj szkody dla polis z kolejych lat wg rozkładu P (N = 1) = 0, 1 P (N = 0) = 0, 9, gdzie N jest liczbą szkód z jedej polisy.

Bardziej szczegółowo

O pewnych zastosowaniach rachunku różniczkowego funkcji dwóch zmiennych w ekonomii

O 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 szczegółowo

PRZYKŁADY ROZWIAZAŃ STACJONARNEGO RÓWNANIA SCHRӦDINGERA. Ruch cząstki nieograniczony z klasycznego punktu widzenia. mamy do rozwiązania równanie 0,,

PRZYKŁADY ROZWIAZAŃ STACJONARNEGO RÓWNANIA SCHRӦDINGERA. Ruch cząstki nieograniczony z klasycznego punktu widzenia. mamy do rozwiązania równanie 0,, PRZYKŁADY ROZWIAZAŃ STACJONARNEGO RÓWNANIA SCHRӦDINGERA Ruch cząstki ieograiczoy z klasyczego puktu widzeia W tym przypadku V = cost, przejmiemy V ( x ) = 0, cząstka porusza się wzdłuż osi x. Rozwiązujemy

Bardziej szczegółowo

Arkusz ćwiczeniowy z matematyki Poziom podstawowy ZADANIA ZAMKNIĘTE. W zadaniach od 1. do 21. wybierz i zaznacz poprawną odpowiedź. 1 C. 3 D.

Arkusz ćwiczeniowy z matematyki Poziom podstawowy ZADANIA ZAMKNIĘTE. W zadaniach od 1. do 21. wybierz i zaznacz poprawną odpowiedź. 1 C. 3 D. Arkusz ćwiczeiowy z matematyki Poziom podstawowy ZADANIA ZAMKNIĘTE W zadaiach od. do. wybierz i zazacz poprawą odpowiedź. Zadaie. ( pkt) Liczbę moża przedstawić w postaci A. 8. C. 4 8 D. 4 Zadaie. ( pkt)

Bardziej szczegółowo

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja

Charakterystyki 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 szczegółowo

MINIMALIZACJA PUSTYCH PRZEBIEGÓW PRZEZ ŚRODKI TRANSPORTU

MINIMALIZACJA PUSTYCH PRZEBIEGÓW PRZEZ ŚRODKI TRANSPORTU Przedmiot: Iformatyka w logistyce Forma: Laboratorium Temat: Zadaie 2. Automatyzacja obsługi usług logistyczych z wykorzystaiem zaawasowaych fukcji oprogramowaia Excel. Miimalizacja pustych przebiegów

Bardziej szczegółowo

Niezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne

Niezależność 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 szczegółowo

1.9 Czasowy wymiar danych

1.9 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 szczegółowo

oznaczają łączne wartości szkód odpowiednio dla k-tego kontraktu w t-tym roku. O składnikach naszych zmiennych zakładamy, że:

oznaczają łączne wartości szkód odpowiednio dla k-tego kontraktu w t-tym roku. O składnikach naszych zmiennych zakładamy, że: Zadaie. Niech zmiee losowe: X t,k = μ + α k + β t + ε t,k, k =,2,, K oraz t =,2,, T, ozaczają łącze wartości szkód odpowiedio dla k-tego kotraktu w t-tym roku. O składikach aszych zmieych zakładamy, że:

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 13

Stanisław Cichocki. Natalia Nehrebecka. Wykład 13 Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Testowanie autokorelacji 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji 3.Problemy z danymi Zmienne pominięte

Bardziej szczegółowo

I kolokwium z Analizy Matematycznej

I kolokwium z Analizy Matematycznej I kolokwium z Aalizy Matematyczej 4 XI 0 Grupa A. Korzystając z zasady idukcji matematyczej udowodić ierówość dla wszystkich N. Rozwiązaie:... 4 < + Nierówość zachodzi dla, bo 4

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 14

Stanisław Cichocki. Natalia Nehrebecka. Wykład 14 Stanisław Cichocki Natalia Nehrebecka Wykład 14 1 1.Problemy z danymi Zmienne pominięte Zmienne nieistotne Obserwacje nietypowe i błędne Współliniowość - Mamy 2 modele: y X u 1 1 (1) y X X 1 1 2 2 (2)

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

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład VI: Metoda Mote Carlo 17 listopada 2014 Zastosowaie: przybliżoe całkowaie Prosta metoda Mote Carlo Przybliżoe obliczaie całki ozaczoej Rozważmy całkowalą fukcję f : [0, 1] R. Chcemy zaleźć przybliżoą

Bardziej szczegółowo

Zawansowane modele wyborów dyskretnych

Zawansowane modele wyborów dyskretnych Zawansowane modele wyborów dyskretnych Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Zawansowane modele wyborów dyskretnych grudzien 2013 1 / 16 Model efektów

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Prawdopodobieństwo i statystyka.0.00 r. Zadaie Rozważy astępującą, uproszczoą wersję gry w,,woję. Talia składa się z 5 kart. Dobrze potasowae karty rozdajey dwó graczo, każdeu po 6 i układay w dwie kupki.

Bardziej szczegółowo

1 Układy równań liniowych

1 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 szczegółowo

Natalia Nehrebecka Stanisław Cichocki. Wykład 6

Natalia Nehrebecka Stanisław Cichocki. Wykład 6 Natalia Nehrebecka Stanisław Cichocki Wykład 6 1 1. Zmienne dyskretne Zmienne zero-jedynkowe 2. Modele z interakcjami 2 Zmienne dyskretne Zmienne nominalne Zmienne uporządkowane 3 4 1 podstawowe i 0 podstawowe

Bardziej szczegółowo

Lista 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. 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 szczegółowo