Modele warunkowej heteroscedastyczności
|
|
- Tadeusz Skowroński
- 7 lat temu
- Przeglądów:
Transkrypt
1
2 Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne
3 Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Racjonalne oczekiwania inwestorów P t = E(P t+1 I t ) 1 + R (1)
4 Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Racjonalne oczekiwania inwestorów P t = E(P t+1 I t ) 1 + R (1) Jeżeli równość (1) jest spełniona to nie ma możliwości arbitrażu
5 Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Racjonalne oczekiwania inwestorów P t = E(P t+1 I t ) 1 + R (1) Jeżeli równość (1) jest spełniona to nie ma możliwości arbitrażu Równanie (1) nazywane jest hipotezą rynku efektywnego
6 Teoria Przykład - zwroty z WIG Jeżeli I t zawiera jedynie ceny z przeszłości, to E(P t P t 1, P t 2,...) = P t 1 (1 + R)
7 Teoria Przykład - zwroty z WIG Jeżeli I t zawiera jedynie ceny z przeszłości, to E(P t P t 1, P t 2,...) = P t 1 (1 + R) Dzieląc obie strony przez P t 1 i logarytmując E( ln P t P t 1, P t 2,...) = ln(1 + R)
8 Teoria Przykład - zwroty z WIG Jeżeli I t zawiera jedynie ceny z przeszłości, to E(P t P t 1, P t 2,...) = P t 1 (1 + R) Dzieląc obie strony przez P t 1 i logarytmując E( ln P t P t 1, P t 2,...) = ln(1 + R) Oznaczając p t = ln(p t ) oraz r = ln(1 + R) oraz definiując ε t = p t r uzyskujemy p t = r + ε t gdzie E(ε t P t, P t 1,...) = 0 E(ε t ε t, ε t 1,...) = 0
9 Teoria Przykład - zwroty z WIG Przyrost ceny ma warunkową wartość oczekiwaną r
10 Teoria Przykład - zwroty z WIG Przyrost ceny ma warunkową wartość oczekiwaną r Nie jest możliwe przewidzenie przyszłych cen
11 Teoria Przykład - zwroty z WIG Przyrost ceny ma warunkową wartość oczekiwaną r Nie jest możliwe przewidzenie przyszłych cen Logarytmy cen zachowują się zgodnie z procesem błądzenia przypadkowego
12 Teoria Przykład - zwroty z WIG Indeks WIG t
13 Teoria Przykład - zwroty z WIG Logartym indeksu WIG t
14 Stacjonarność logarytmu WIG Teoria Przykład - zwroty z WIG. dfuller lnwig, lags(20) reg Augmented Dickey-Fuller test for unit root Number of obs = Interpolated Dickey-Fuller Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value Z(t) MacKinnon approximate p-value for Z(t) =
15 Stacjonarność logarytmu WIG Teoria Przykład - zwroty z WIG. dfuller lnwig, lags(20) reg Augmented Dickey-Fuller test for unit root Number of obs = Interpolated Dickey-Fuller Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value Z(t) MacKinnon approximate p-value for Z(t) = Zatem logarytm WIG jest niestacjonarny
16 Teoria Przykład - zwroty z WIG Logarytm stopy zwrotu t
17 Stacjonarność zwrotów z WIG Teoria Przykład - zwroty z WIG. dfuller dlnwig, lags(20) reg Augmented Dickey-Fuller test for unit root Number of obs = Interpolated Dickey-Fuller Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value Z(t) MacKinnon approximate p-value for Z(t) =
18 Stacjonarność zwrotów z WIG Teoria Przykład - zwroty z WIG. dfuller dlnwig, lags(20) reg Augmented Dickey-Fuller test for unit root Number of obs = Interpolated Dickey-Fuller Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value Z(t) MacKinnon approximate p-value for Z(t) = Zatem logarytmiczna stopa zwrotu z WIG jest stacjonarna
19 Teoria Przykład - zwroty z WIG Czy zwrot z WIG jest białym szumem test Ljunga-Boxa dla WIG Portmanteau test for white noise Portmanteau (Q) statistic = Prob > chi2(40) =
20 Teoria Przykład - zwroty z WIG Czy zwrot z WIG jest białym szumem test Ljunga-Boxa dla WIG Portmanteau test for white noise Portmanteau (Q) statistic = Prob > chi2(40) = Na podstawie wartości statystyki testowej wnioskujemy, że WIG nie zachowuje się jak biały szum
21 Teoria Przykład - zwroty z WIG Autocorrelations of dlnwig Lag Bartlett s formula for MA(q) 95% confidence bands
22 Teoria Przykład - zwroty z WIG Partial autocorrelations of dlnwig Lag 95% Confidence bands [se = 1/sqrt(n)]
23 Teoria Przykład - zwroty z WIG Density 0 5.0e stopa zwrotu Density Logarytm stopy zwrotu
24 Teoria Przykład - zwroty z WIG stopa zwrotu logarytm stopy zwrotu Obs Mean Std. Dev Variance Skewness Kurtosis Zatem rozkład zwroty charakteryzuje się grubymi ogonami
25 W sposób ogólny warunkową heteroscedastyczność definiuje się nastepująco σ 2 t = E(ε 2 t ε t 1, ε t 2,... ε t k ) E(ε 2 t )
26 W sposób ogólny warunkową heteroscedastyczność definiuje się nastepująco σ 2 t = E(ε 2 t ε t 1, ε t 2,... ε t k ) E(ε 2 t ) Najprostszym wariantem jest proces AutoRegressive Conditional Heteroscedasticity σ 2 t = E(ε 2 t ε t 1, ε t 2,... ε t k ) = α 0 + α 1 ε 2 t α k ε 2 t k
27 Kwadrat logarytmicznej stopy zwrotu t
28 Występowanie zjawiska warunkowej heteroscedastyczności reszt bada się testem ARCHLM H 0 : E(ε 2 t ε t 1, ε t 2,... ε t k ) = E(ε 2 ) H 1 : E(ε 2 t ε t 1, ε t 2,... ε t k ) E(ε 2 )
29 Występowanie zjawiska warunkowej heteroscedastyczności reszt bada się testem ARCHLM H 0 : E(ε 2 t ε t 1, ε t 2,... ε t k ) = E(ε 2 ) H 1 : E(ε 2 t ε t 1, ε t 2,... ε t k ) E(ε 2 ) statystyka testowa ma rozkład χ 2 (k)
30 Procedura testowa przebiega następująco
31 Procedura testowa przebiega następująco 1 Szacujemy parametry modelu i reszty
32 Procedura testowa przebiega następująco 1 Szacujemy parametry modelu i reszty 2 Reszty e podnosimy do kwadratu
33 Procedura testowa przebiega następująco 1 Szacujemy parametry modelu i reszty 2 Reszty e podnosimy do kwadratu 3 Szacujemy model autoregresyjny dla kwadratów reszt zapamiętując R 2 0 e 2 t = α 0 + α 1 e 2 t α q e 2 t q
34 Procedura testowa przebiega następująco 1 Szacujemy parametry modelu i reszty 2 Reszty e podnosimy do kwadratu 3 Szacujemy model autoregresyjny dla kwadratów reszt zapamiętując R 2 0 e 2 t = α 0 + α 1 e 2 t α q e 2 t q 4 Testujemy łączną nieistotność parametrów α 1,... α q
35 Procedura testowa przebiega następująco 1 Szacujemy parametry modelu i reszty 2 Reszty e podnosimy do kwadratu 3 Szacujemy model autoregresyjny dla kwadratów reszt zapamiętując R 2 0 e 2 t = α 0 + α 1 e 2 t α q e 2 t q 4 Testujemy łączną nieistotność parametrów α 1,... α q 5 W tym celu budujemy statystykę ARCHLM = TR 2 0 a χ 2 (q)
36 . reg lnwig L.lnwig Source SS df MS Number of obs = F( 1, 3616) =. Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = lnwig Coef. Std. Err. t P> t [95% Conf. Interval] lnwig L _cons estat archlm LM test for autoregressive conditional heteroskedasticity (ARCH) lags(p) chi2 df Prob > chi H0: no ARCH effects vs. H1: ARCH(p) disturbance
37 ARCH Modelowanie stóp zwrotu Podstawowym modelem jest model ARCH(q). y t = X t β + ε t E(ε t X t ) = 0 ε t = u t θ 0 + θ 1 ε 2 t θ qε 2 t q u t IID N (0, 1)
38 ARCH Modelowanie stóp zwrotu Podstawowym modelem jest model ARCH(q). y t = X t β + ε t E(ε t X t ) = 0 ε t = u t θ 0 + θ 1 ε 2 t θ qε 2 t q u t IID N (0, 1) Pierwsze równanie opisuje średnią, drugie wariancję.
39 ARCH Modelowanie stóp zwrotu Równoważnym sposobem zapisu modelu jest y t = X t β + ε t E(ε t X t ) = 0 ε t = u t σ t σt 2 = θ 0 + θ 1 ε 2 t θ q ε 2 t q
40 ARCH Modelowanie stóp zwrotu W modelu ARCH(q) warunkowa wariancja nie jest stała, ponieważ σ 2 t = var(ε t ε t 1,... ε t q ) = (θ 0 +θ 1 ε 2 t θ q ε 2 t q)var(u t )
41 ARCH Modelowanie stóp zwrotu W modelu ARCH(q) warunkowa wariancja nie jest stała, ponieważ σ 2 t = var(ε t ε t 1,... ε t q ) = (θ 0 +θ 1 ε 2 t θ q ε 2 t q)var(u t ) σ 2 t = θ 0 + θ 1 ε 2 t θ q ε 2 t q
42 ARCH Modelowanie stóp zwrotu W modelu ARCH(q) warunkowa wariancja nie jest stała, ponieważ σ 2 t = var(ε t ε t 1,... ε t q ) = (θ 0 +θ 1 ε 2 t θ q ε 2 t q)var(u t ) σ 2 t = θ 0 + θ 1 ε 2 t θ q ε 2 t q Pomimo tego wariancja bezwarunkowa jest stała, jeśli ε t jest stacjonarnym procesem stochastycznym, ponieważ var(ε t ) = var(ε t 1 ) =... = var(ε t q )
43 ARCH Modelowanie stóp zwrotu Przekształcając równanie warunkowej wariancji uzyskujemy var(ε t ) = E(ε 2 t ) = E(θ 0 + θ 1 ε 2 t θ q ε 2 t q)e(u 2 t ) =
44 ARCH Modelowanie stóp zwrotu Przekształcając równanie warunkowej wariancji uzyskujemy var(ε t ) = E(ε 2 t ) = E(θ 0 + θ 1 ε 2 t θ q ε 2 t q)e(u 2 t ) = var(ε t ) = θ 0 + θ 1 var(ε 2 t 1) θ q var(ε 2 t q)
45 ARCH Modelowanie stóp zwrotu Przekształcając równanie warunkowej wariancji uzyskujemy var(ε t ) = E(ε 2 t ) = E(θ 0 + θ 1 ε 2 t θ q ε 2 t q)e(u 2 t ) = var(ε t ) = θ 0 + θ 1 var(ε 2 t 1) θ q var(ε 2 t q) wobec tego var(ε t ) = θ 0 1 θ 1... θ q = σ 2
46 ARCH Modelowanie stóp zwrotu Przekształcając równanie warunkowej wariancji uzyskujemy var(ε t ) = E(ε 2 t ) = E(θ 0 + θ 1 ε 2 t θ q ε 2 t q)e(u 2 t ) = var(ε t ) = θ 0 + θ 1 var(ε 2 t 1) θ q var(ε 2 t q) wobec tego var(ε t ) = θ 0 1 θ 1... θ q = σ 2 gdzie σ 2 jest bezwarunkową wariancją
47 Szacowanie modelu ARCH MNK do równania średniej
48 Szacowanie modelu ARCH MNK do równania średniej MNK dla modelu autoregresyjnego dla reszt
49 Szacowanie modelu ARCH MNK do równania średniej MNK dla modelu autoregresyjnego dla reszt Dzięki temu uzyskuje się zgodne estymatory
50 Szacowanie modelu ARCH MNK do równania średniej MNK dla modelu autoregresyjnego dla reszt Dzięki temu uzyskuje się zgodne estymatory Estymatory efektywne otrzymuje się wykorzystując MNW
51 Najważniejsza różnica między modelem regresji a ARCH polega na innym sposobie szacowania błędu prognozy
52 Najważniejsza różnica między modelem regresji a ARCH polega na innym sposobie szacowania błędu prognozy Nieobciażoną prognozą dla y t+1 jest X t+1 ˆβ
53 Najważniejsza różnica między modelem regresji a ARCH polega na innym sposobie szacowania błędu prognozy Nieobciażoną prognozą dla y t+1 jest X t+1 ˆβ Jej wariancja jest równa var(x T +1 b) = σ 2 x T +1 (X X ) 1 x T +1 + σ 2
54 Najważniejsza różnica między modelem regresji a ARCH polega na innym sposobie szacowania błędu prognozy Nieobciażoną prognozą dla y t+1 jest X t+1 ˆβ Jej wariancja jest równa var(x T +1 b) = σ 2 x T +1 (X X ) 1 x T +1 + σ 2 dla składnika losowego zawierającego proces warunkowej heteroscedastyczności var(x T +1 b ε t 1,..., ε t q ) = x T +1 σ2 T +1 (X X ) 1 x T +1 + σ 2 gdzie σ 2 T +1 = ˆθ 0 + ˆθ 1 e 2 T ˆθ q e 2 T q+1
55 ARCH family regression -- AR disturbances Sample: Number of obs = 3618 Distribution: Gaussian Wald chi2(1) = Log likelihood = Prob > chi2 = OPG Coef. Std. Err. z P> z [95% Conf. Interval] dlnwig _cons ARMA ar L ARCH arch L _cons e
56 GARCH Modelowanie stóp zwrotu Rozszerzenia podstawowego modelu
57 GARCH Modelowanie stóp zwrotu Rozszerzenia podstawowego modelu Specyfikacja ARCH wymaga nieujemności parametrów
58 GARCH Modelowanie stóp zwrotu Rozszerzenia podstawowego modelu Specyfikacja ARCH wymaga nieujemności parametrów Bardziej ogólną formą jest model GARCH(p,q) y t = X t β + ε t ε t = u t σ t σ 2 t = α 1 σ 2 t α p σ 2 t p + θ 0 + θ 1 ε 2 t θ q ε 2 t q
59 GARCH Modelowanie stóp zwrotu Równanie wariancji składa się z części autoregresyjnej i części opisującej warunkową wariancję
60 GARCH Modelowanie stóp zwrotu Równanie wariancji składa się z części autoregresyjnej i części opisującej warunkową wariancję Model jest szacowany MNW
61 GARCH Modelowanie stóp zwrotu Równanie wariancji składa się z części autoregresyjnej i części opisującej warunkową wariancję Model jest szacowany MNW W praktyce ma on mniejszą liczbę parametrów niż model ARCH
62 ARCH family regression -- AR disturbances Sample: Number of obs = 3618 Distribution: Gaussian Wald chi2(1) = Log likelihood = Prob > chi2 = OPG Coef. Std. Err. z P> z [95% Conf. Interval] dlnwig _cons ARMA ar L ARCH arch L garch L _cons 4.62e e e e
63 TARCH Modelowanie stóp zwrotu Asymetryczność zmian cen
64 TARCH Modelowanie stóp zwrotu Asymetryczność zmian cen Modelem uwzględniającym ten efekt jest TARCH y t = X t β + ε t ε t = u t σ t σ 2 t = { θ0 + θ 1 ε t θ q ε t q θ 0 + θ 1 ε t θ qε t q
65 ARCH family regression -- AR disturbances Sample: Number of obs = 3618 Distribution: Gaussian Wald chi2(1) = Log likelihood = Prob > chi2 = OPG Coef. Std. Err. z P> z [95% Conf. Interval] dlnwig _cons ARMA ar L ARCH tarch L garch L _cons 1.35e e e e
66 ARCH-in-Mean Pozwala on uwzględnić wpływ wariancji na wartość oczekiwaną y t = X t β + δσ 2 t + ε t ε t = u t σ t σ 2 t = θ 0 + θ 1 ε t θ q ε t q
67 Diagnostyka Diagnostyka nie odbiega od standardowej diagnostyki modelu regresji
68 Diagnostyka Diagnostyka nie odbiega od standardowej diagnostyki modelu regresji Równanie średniej polega standardowej procedurze diagnostycznej
69 Diagnostyka Diagnostyka nie odbiega od standardowej diagnostyki modelu regresji Równanie średniej polega standardowej procedurze diagnostycznej Testem poprawności specyfikacji modelu jest test normalności reszt oraz zbadanie występowania efektów ARCH w resztach
70 Prawdopodobieństwo poniesienia wysokiej straty
71 Prawdopodobieństwo poniesienia wysokiej straty Dla danego poziomu prawdopodobieństwa α jest to strata jaka może się zdażyć z prawdopodobieństwem α Pr(L j > J t ) = 1 Pr(L j < J t ) = 1 F (J t ) = α J t jest wartością narażoną na ryzyko.
72 VaR dla WIG Stopa zwrotu jest dana przez r t = ln(p t ) ln(p t 1 )
73 VaR dla WIG Stopa zwrotu jest dana przez Bank inwestuje Q jednostek r t = ln(p t ) ln(p t 1 )
74 VaR dla WIG Stopa zwrotu jest dana przez r t = ln(p t ) ln(p t 1 ) Bank inwestuje Q jednostek Zmiana ceny funduszu wynosi P t P t 1 = P t 1 [exp(r t ) 1]
75 VaR dla WIG Stopa zwrotu jest dana przez r t = ln(p t ) ln(p t 1 ) Bank inwestuje Q jednostek Zmiana ceny funduszu wynosi P t P t 1 = P t 1 [exp(r t ) 1] Zatem wynik inwestycji netto jest równy L t = Q P t = QP t 1 [exp(r t ) 1]
76 VaR dla WIG VaR wynosi Pr(L j < J t ) = Pr(QP t 1 [exp(r t ) 1] < J t ) Pr(L j < J t ) = Pr(r t < ln(1 + )) QP }{{ t 1 } k t J t
77 VaR dla WIG VaR wynosi Pr(L j < J t ) = Pr(QP t 1 [exp(r t ) 1] < J t ) Wystarczy znaleźć k t Pr(L j < J t ) = Pr(r t < ln(1 + )) QP }{{ t 1 } k t J t Pr(r t < k t ) = Pr( r t µ t σ t < k t µ t ) = Pr(u t < k t µ t ) σ t σ t Pr(r t < k t ) = Pr(u t < k t µ t σ t ) = F ( k t µ t ) = 1 α σ t
78 VaR dla WIG VaR wynosi Pr(L j < J t ) = Pr(QP t 1 [exp(r t ) 1] < J t ) Wystarczy znaleźć k t Pr(L j < J t ) = Pr(r t < ln(1 + )) QP }{{ t 1 } k t J t Pr(r t < k t ) = Pr( r t µ t σ t < k t µ t ) = Pr(u t < k t µ t ) σ t σ t Zatem Pr(r t < k t ) = Pr(u t < k t µ t σ t k t = µ t + F 1 (1 α)σ t ) = F ( k t µ t ) = 1 α σ t
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 szczegółowo1 Modele ADL - interpretacja współczynników
1 Modele ADL - interpretacja współczynników ZADANIE 1.1 Dany jest proces DL następującej postaci: y t = µ + β 0 x t + β 1 x t 1 + ε t. 1. Wyjaśnić, jaka jest intepretacja współczynników β 0 i β 1. 2. Pokazać
Bardziej szczegółowoStacjonarność Integracja. Integracja. Integracja
Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli: Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli:
Bardziej szczegółowoPrzyczynowość Kointegracja. Kointegracja. Kointegracja
korelacja a związek o charakterze przyczynowo-skutkowym korelacja a związek o charakterze przyczynowo-skutkowym Przyczynowość w sensie Grangera Zmienna x jest przyczyną w sensie Grangera zmiennej y jeżeli
Bardziej szczegółowoWprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA
Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Modele tej klasy są modelami ateoretycznymi Ważną klasę modeli dynamicznych stanowią
Bardziej szczegółowoAnaliza Szeregów Czasowych. Egzamin
Analiza Szeregów Czasowych Egzamin 12-06-2018 Zadanie 1: Zadanie 2: Zadanie 3: Zadanie 4: / 12 pkt. / 12 pkt. / 12 pkt. / 14 pkt. Projekt zaliczeniowy: Razem: / 100 pkt. / 50 pkt. Regulamin egzaminu 1.
Bardziej szczegółowoDr Łukasz Goczek. Uniwersytet Warszawski
Dr Łukasz Goczek Uniwersytet Warszawski Dane krótko i długookresowe stopy procentowe Co wiemy z teorii? Krótkookresowe stopy powodują stopami długookresowymi (toteż taka jest idea bezpośredniego celu
Bardziej szczegółowoWprowadzenie Testy własności składnika losowego. Diagnostyka modelu. Część 1. Diagnostyka modelu
Część 1 Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy małej próby Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy małej próby Testy
Bardziej szczegółowoValue at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16
Value at Risk (VaR) Jerzy Mycielski WNE 2018 Jerzy Mycielski (Institute) Value at Risk (VaR) 2018 1 / 16 Warunkowa heteroskedastyczność O warunkowej autoregresyjnej heteroskedastyczności mówimy, gdy σ
Bardziej szczegółowoTestowanie hipotez statystycznych
Część 2 Hipoteza złożona Testowanie hipotez łącznych Zapis matematyczny Rozkład statystyki testowej Hipoteza łączna H 0 : Rβ = q Hipoteza złożona Testowanie hipotez łącznych Zapis matematyczny Rozkład
Bardziej szczegółowoCzasowy wymiar danych
Problem autokorelacji Model regresji dla szeregów czasowych Model regresji dla szeregów czasowych y t = X t β + ε t Zasadnicze różnice 1 Budowa prognoz 2 Problem stabilności parametrów 3 Problem autokorelacji
Bardziej szczegółowoAutoregresyjne modele o rozłożonych opóźnieniach - Autoregressive Distributed Lags models
Autoregresyjne modele o rozłożonych opóźnieniach - Autoregressive Distributed Lags models ADL ADL Ogólna postać modelu ADL o p-opóźnieniach zmiennej zależnej i r-opóźnieniach zmiennej/zmiennych objaśniających
Bardziej szczegółowoWprowadzenie Modele o opóźnieniach rozłożonych Modele autoregresyjne o opóźnieniach rozłożonych. Modele dynamiczne.
opisują kształtowanie się zjawiska w czasie opisują kształtowanie się zjawiska w czasie Najważniejszymi zastosowaniami modeli dynamicznych są opisują kształtowanie się zjawiska w czasie Najważniejszymi
Bardziej szczegółowoJednowskaźnikowy 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 szczegółowoO 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 szczegółowoHeteroscedastyczność. Zjawisko heteroscedastyczności Uogólniona Metoda Najmniejszych Kwadratów Stosowalna Metoda Najmniejszych Kwadratów
Formy heteroscedastyczności Własności estymatorów MNK wydatki konsumpcyjne 0 10000 20000 30000 40000 14.4 31786.08 dochód rozporz¹dzalny Zródlo: Obliczenia wlasne, dane BBGD 2004 Formy heteroscedastyczności
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 9
Stanisław Cichocki Natalia Nehrebecka Wykład 9 1 1. Dodatkowe założenie KMRL 2. Testowanie hipotez prostych Rozkład estymatora b Testowanie hipotez prostych przy użyciu statystyki t 3. Przedziały ufności
Bardziej szczegółowoTesty własności składnika losowego Testy formy funkcyjnej. Diagnostyka modelu. Część 2. Diagnostyka modelu
Część 2 Test Durbina-Watsona Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε t, ε t 1 ) 0 Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε
Bardziej szczegółowoEkonometria 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 szczegółowoEkonometria Ćwiczenia 19/01/05
Oszacowano regresję stopy bezrobocia (unemp) na wzroście realnego PKB (pkb) i stopie inflacji (cpi) oraz na zmiennych zero-jedynkowych związanymi z kwartałami (season). Regresję przeprowadzono na danych
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoBudowa modelu i testowanie hipotez
Problemy metodologiczne Gdzie jest problem? Obciążenie Lovella Dysponujemy oszacowaniami parametrów następującego modelu y t = β 0 + β 1 x 1 +... + β k x k + ε t Gdzie jest problem? Obciążenie Lovella
Bardziej szczegółowoEkonometria dla IiE i MSEMat Z12
Ekonometria dla IiE i MSEMat Z12 Rafał Woźniak Faculty of Economic Sciences, University of Warsaw Warszawa, 09-01-2017 Test RESET Ramsey a W pierwszym etapie estymujemy współczynniki regresji w modelu:
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoAnaliza 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 szczegółowoDiagnostyka w Pakiecie Stata
Karol Kuhl Zgodnie z twierdzeniem Gaussa-Markowa, estymator MNK w KMRL jest liniowym estymatorem efektywnym i nieobciążonym, co po angielsku opisuje się za pomocą wyrażenia BLUE Best Linear Unbiased Estimator.
Bardziej szczegółowoDiagnostyka w Pakiecie Stata
Karol Kuhl Zgodnie z twierdzeniem Gaussa-Markowa, estymator MNK w KMRL jest liniowym estymatorem efektywnym i nieobciążonym, co po angielsku opisuje się za pomocą wyrażenia BLUE Best Linear Unbiased Estimator.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 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 szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natalia Nehrebecka Stanisław Cichocki Wykład 10 1 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natalia Nehrebecka Stanisław Cichocki Wykład 10 1 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 10
Stanisław Cichocki Natalia Nehrebecka Wykład 10 1 1. Testy diagnostyczne Testowanie prawidłowości formy funkcyjnej: test RESET Testowanie normalności składników losowych: test Jarque-Berra Testowanie stabilności
Bardziej szczegółowoEkonometria egzamin 31/01/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 31/01/2018 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoModelowanie rynków finansowych
Modelowanie rynków finansowych Jerzy Mycielski WNE UW 5 października 2017 Jerzy Mycielski (WNE UW) Modelowanie rynków finansowych 5 października 2017 1 / 12 Podstawowe elementy teorii 1 racjonalne oczekiwania
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Egzamin z ekonometrii wersja IiE, MSEMAT 04-02-2016 Pytania teoretyczne 1. Za pomocą jakiego testu weryfikowana jest normalność składnika losowego? Jakiemu założeniu KMRL odpowiada w tym teście? Jakie
Bardziej szczegółowoEkonometria egzamin semestr drugi 14/06/09
imię, nazwisko, nr indeksu: Ekonometria egzamin semestr drugi 14/06/09 1. Przed przystąpieniem do pisania egzaminu należy podpisać wszystkie kartki arkusza egzaminacyjnego (na dole w przewidzianym miejscu).
Bardziej szczegółowoEgzamin z ekonometrii - wersja ogólna
Egzamin z ekonometrii - wersja ogólna 06-02-2019 Regulamin egzaminu 1. Egzamin trwa 90 min. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoMetoda najmniejszych kwadratów
Własności algebraiczne Model liniowy Zapis modelu zarobki = β 0 + β 1 plec + β 2 wiek + ε Oszacowania wartości współczynników zarobki = b 0 + b 1 plec + b 2 wiek + e Model liniowy Tabela: Oszacowania współczynników
Bardziej szczegółowoEkonometria egzamin 07/03/2018
imię, nazwisko, nr indeksu: Ekonometria egzamin 07/03/2018 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowo1. Pokaż, że estymator MNW parametru β ma postać β = nieobciążony. Znajdź estymator parametru σ 2.
Zadanie 1 Niech y t ma rozkład logarytmiczno normalny o funkcji gęstości postaci [ ] 1 f (y t ) = y exp (ln y t β ln x t ) 2 t 2πσ 2 2σ 2 Zakładamy, że x t jest nielosowe a y t są nieskorelowane w czasie.
Bardziej szczegółowoEkonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 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 szczegółowoDr Łukasz Goczek. Uniwersytet Warszawski
Dr Łukasz Goczek Uniwersytet Warszawski 10000 2000 4000 6000 8000 M3 use C:\Users\as\Desktop\Money.dta, clear format t %tm (oznaczamy tsset t tsline M3 0 1960m1 1970m1 1980m1 1990m1 2000m1 2010m1 t tsline
Bardziej szczegółowoProblem równoczesności w MNK
Problem równoczesności w MNK O problemie równoczesności mówimy, gdy występuje korelacja między wartościa oczekiwana ε i i równoczesnym x i Model liniowy y = Xβ + ε, E (u) = 0 Powiedzmy, że występuje w
Bardziej szczegółowoEkonometria. 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 szczegółowoEgzamin z ekonometrii wersja IiE, MSEMat Pytania teoretyczne
Egzamin z ekonometrii wersja IiE, MSEMat 31-01-2014 Pytania teoretyczne 1. Podać postać przekształcenia Boxa-Coxa i wyjaśnić, do czego jest stosowane w ekonometrii. 2. Wyjaśnić, jakie korzyści i niebezpieczeństwa
Bardziej szczegółowoEkonometria 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 szczegółowo1.8 Diagnostyka modelu
1.8 Diagnostyka modelu Dotychczas zajmowaliśmy się własnościami estymatorów przy spełnionych założeniach KMRL. W praktyce nie zawsze spełnione są wszystkie założenia modelu. Jeżeli któreś z nich nie jest
Bardziej szczegółowoStanisław 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 szczegółowoEkonometria egzamin wersja Informatyka i Ekonometria 26/06/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja Informatyka i Ekonometria 26/06/08 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Autokorelacja Konsekwencje Testowanie autokorelacji 2. Metody radzenia sobie z heteroskedastycznością i autokorelacją Uogólniona Metoda Najmniejszych
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 14
Stanisław Cichocki Natalia Nehrebecka Wykład 14 1 1.Problemy z danymi Współliniowość 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji Metody radzenia sobie z heteroskedastycznością
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wprowadzenie do danych panelowych a) Charakterystyka danych panelowych b) Zalety i ograniczenia 2. Modele ekonometryczne danych panelowych a) Model efektów nieobserwowalnych
Bardziej szczegółowoAutokorelacja i heteroskedastyczność
Autokorelacja i heteroskedastyczność Założenie o braku autokorelacji Cov (ε i, ε j ) = E (ε i ε j ) = 0 dla i j Oczekiwana wielkość elementu losowego nie zależy od wielkości elementu losowego dla innych
Bardziej szczegółowoEgzamin z ekonometrii wersja ogólna Pytania teoretyczne
Egzamin z ekonometrii wersja ogólna 31-01-2014 Pytania teoretyczne 1. Podać postać przekształcenia Boxa-Coxa i wyjaśnić, do czego jest stosowane w ekonometrii. 2. Porównaj zastosowania znanych ci kontrastów
Bardziej szczegółowoNatalia Nehrebecka. 18 maja 2010
Natalia Nehrebecka 18 maja 2010 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów 5. Testowanie
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 Diagnostyka a) Test RESET b) Test Jarque-Bera c) Testowanie heteroskedastyczności a) groupwise heteroscedasticity b) cross-sectional correlation d) Testowanie autokorelacji
Bardziej szczegółowoEkonometria egzamin 06/03/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 06/03/2019 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Egzamin z ekonometrii wersja IiE, MSEMAT 02022015 Pytania teoretyczne 1. Podać treść twierdzenia GaussaMarkowa i wyjaśnić jego znaczenie. 2. Za pomocą jakich testów testuje się autokorelację? Jakiemu założeniu
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Pytania teoretyczne Egzamin z ekonometrii wersja IiE, MSEMAT 08-02-2017 1. W jaki sposób przeprowadzamy test Chowa? 2. Pokazać, że jest nieobciążonym estymatorem. 3. Udowodnić, że w modelu ze stałą TSSESS+RSS.
Bardziej szczegółowo1.9 Czasowy wymiar danych
1.9 Czasowy wymiar danych Do tej pory rozpatrywaliśmy jedynie modele tworzone na podstawie danych empirycznych pochodzących z prób przekrojowych. Teraz zajmiemy się zagadnieniem budowy modeli regresji,
Bardziej szczegółowoEgzamin z ekonometrii wersja ogólna Pytania teoretyczne
Egzamin z ekonometrii wersja ogólna 08-02-2017 Pytania teoretyczne 1. Za pomocą którego testu testujemy stabilność parametrów? Jakiemu założeniu KMRL odpowiada H0 w tym teście? Jaka jest hipoteza alternatywna
Bardziej szczegółowo0.1 Modele Dynamiczne
0.1 Modele Dynamiczne 0.1.1 Wprowadzenie Często konkretne działanie czy zjawisko ekonomiczne nie tylko zależy od bieżących wartości pewnych wskaźników - zmiennych objaśniających modelu, ale również od
Bardziej szczegółowoEgzamin z ekonometrii wersja ogolna
Egzamin z ekonometrii wersja ogolna 04-02-2016 Pytania teoretyczne 1. Wymienić założenia Klasycznego Modelu Regresji Liniowej (KMRL). 2. Wyprowadzić estymator MNK dla modelu z wieloma zmiennymi objaśniającymi.
Bardziej szczegółowoEgzamin z Ekonometrii
Pytania teoretyczne Egzamin z Ekonometrii 18.06.2015 1. Opisać procedurę od ogólnego do szczegółowego na przykładzie doboru liczby opóźnień w modelu. 2. Na czym polega najważniejsza różnica między testowaniem
Bardziej szczegółowo2.2 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 szczegółowoStanisław 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 szczegółowo0.1 Modele Dynamiczne
0.1 Modele Dynamiczne 0.1.1 Wprowadzenie Często konkretne działanie czy zjawisko ekonomiczne nie tylko zależy od bieżących wartości pewnych wskaźników - zmiennych objaśniających modelu, ale również od
Bardziej szczegółowoEkonometria 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 szczegółowoStanisław 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 szczegółowoEkonometria. Metodologia budowy modelu. Jerzy Mycielski. Luty, 2011 WNE, UW. Jerzy Mycielski (WNE, UW) Ekonometria Luty, / 18
Ekonometria Metodologia budowy modelu Jerzy Mycielski WNE, UW Luty, 2011 Jerzy Mycielski (WNE, UW) Ekonometria Luty, 2011 1 / 18 Sprawy organizacyjne Dyżur: środa godz. 14-15 w sali 302. Strona internetowa
Bardziej szczegółowoEkonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 01/02/2019 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowo, a reszta dla pominiętej obserwacji wynosi 0, RSS jest stałe, T SS rośnie, więc zarówno R 2 jak i R2 rosną. R 2 = 1 n 1 n. rosnie. n 2 (1 R2 ) = 1 59
Zadanie 1. Ekonometryk szacując funkcję konsumpcji przeprowadził estymację osobno dla tzw. Polski A oraz Polski B. Dla Polski A posiadał n 1 = 40 obserwacji i uzyskał współczynnik dopasowania RA 2 = 0.4,
Bardziej szczegółowoModele wielorównaniowe (forma strukturalna)
Modele wielorównaniowe (forma strukturalna) Formę strukturalna modelu o G równaniach AY t = BX t + u t, gdzie Y t = [y 1t,..., y Gt ] X t = [x 1t,..., x Kt ] u t = [u 1t,..., u Gt ] E (u t ) = 0 Var (u
Bardziej szczegółowoEkonometria. 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 Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 5 & 6 Szaeregi
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoZmienne sztuczne i jakościowe
Zmienne o ograniczonym zbiorze wartości Przykład 1. zarobki = β 0 + β 1 liczba godzin pracy + β 2 wykształcenie + ε Przykład 2. zarobki = β 0 + β 1 liczba godzin pracy + β 2 klm + ε zarobki = β 0 + β 1
Bardziej szczegółowoMetoda największej wiarogodności
Wprowadzenie Założenia Logarytm funkcji wiarogodności Metoda Największej Wiarogodności (MNW) jest bardziej uniwersalną niż MNK metodą szacowania wartości nieznanych parametrów Wprowadzenie Założenia Logarytm
Bardziej szczegółowoEkonometria 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowo1 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 szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 8 Natalia Nehrebecka Stanis law Cichocki 29 listopada 2015 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
Bardziej szczegółowoStanisław 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 szczegółowo2.3 Modele nieliniowe
2.3 Modele nieliniowe Do tej pory zajmowaliśmy się modelami liniowymi lub o liniowej formie funkcyjnej i musieliśmy akceptować ich ograniczenia. Metoda Największej Wiarogodności pozwala również na efektywną
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16
Stanisław Cichocki Natalia Nehrebecka Zajęcia 15-16 1 1. Sezonowość 2. Zmienne stacjonarne 3. Zmienne zintegrowane 4. Test Dickey-Fullera 5. Rozszerzony test Dickey-Fullera 6. Test KPSS 7. Regresja pozorna
Bardziej szczegółowoTestowanie hipotez statystycznych
round Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 13 grudnia 2014 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
Bardziej szczegółowo1.7 Ograniczenia nakładane na równanie regresji
1.7 Ograniczenia nakładane na równanie regresji Często teoria ekonomiczna wskazuje dobór zmiennych do modelu. Jednak nie w każdym przypadku oceny wartości parametrów są statystycznie istotne. Zastanowimy
Bardziej szczegółowoEkonometria egzamin wersja ogólna 29/01/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja ogólna 29/0/08. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca
Bardziej szczegółowoWYKŁAD: Szeregi czasowe II. Zaawansowane Metody Uczenia Maszynowego
WYKŁAD: Szeregi czasowe II Zaawansowane Metody Uczenia Maszynowego Zwroty indeksów finansowych Y t : indeks finansowy w momencie t (wartość waloru, kurs walutowy itp). Określimy zwrot indeksu finansowego
Bardziej szczegółowoEstymacja 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 * Materiały opracowano w wersji 7 Staty. Tam gdzie zauwaŝyłem rozbieŝności z kolejną wersją
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 4
Sanisław Cichocki Naalia Nehrebecka Wykład 4 1 1. Badanie sacjonarności: o o o Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) Tes KPSS 2. Modele o rozłożonych opóźnieniach (DL) 3. Modele auoregresyjne
Bardziej szczegółowoEgzamin z ekonometrii
Pytania teoretyczne Egzamin z ekonometrii 22.06.2012 1. Podaj ogólną postać modeli DL i ADL 2. Wyjaśnij jak należy rozumieć przyczynowość w sensie Grangera i jak jest testowana. 3. Jakie są wady liniowego
Bardziej szczegółowoSprawy organizacyjne
Sprawy organizacyjne forma zajęć warunki uczestnictwa warunki zaliczenia Modelowanie Rynków Finansowych 1 Hipoteza Random Walk na wschodzących rynkach Europejskich Graham Smith, Hyun-Jung Ryoo (2003) Variance
Bardziej szczegółowoDefinicja danych panelowych Typy danych panelowych Modele dla danych panelowych. Dane panelowe. Część 1. Dane panelowe
Część 1 to dane, które jednocześnie posiadają cechy danych przekrojowych i szeregów czasowych to dane, które jednocześnie posiadają cechy danych przekrojowych i szeregów czasowych Czyli obserwujemy te
Bardziej szczegółowo2 Rozszerzenia MNK. 2.1 Heteroscedastyczność
2 Rozszerzenia MNK 2.1 Heteroscedastyczność 2.1.1 Wprowadzenie Przy wyprowadzaniu estymatorów Klasycznego Modelu Regresji Liniowej (KMRL) zakładaliśmy, że są spełnione założenia Gaussa-Markowa, tzn. składniki
Bardziej szczegółowoEkonometria egzamin wersja ogólna 17/06/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja ogólna 17/06/08 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca
Bardziej szczegółowoSzeregi czasowe, analiza zależności krótkoi długozasięgowych
Szeregi czasowe, analiza zależności krótkoi długozasięgowych Rafał Weron rweron@im.pwr.wroc.pl Definicje Mając dany proces {X t } autokowariancję definiujemy jako : γ(t, t ) = cov(x t, X t ) = = E[(X t
Bardziej szczegółowoEKONOMIA 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 szczegółowoModelowanie zachowania kursu EURUSD po ogłoszeniu odczytu US Nonfarm Payrolls z wykorzystaniem modeli ARIMA-GARCH
Raport 10/2015 Modelowanie zachowania kursu EURUSD po ogłoszeniu odczytu US Nonfarm Payrolls z wykorzystaniem modeli ARIMA-GARCH autor: Michał Osmoła INIME Instytut nauk informatycznych i matematycznych
Bardziej szczegółowoĆwiczenia IV
Ćwiczenia IV - 17.10.2007 1. Spośród podanych macierzy X wskaż te, których nie można wykorzystać do estymacji MNK parametrów modelu ekonometrycznego postaci y = β 0 + β 1 x 1 + β 2 x 2 + ε 2. Na podstawie
Bardziej szczegółowo