CZĘŚĆ A. Literatura: Gomez V., Maravall A. (1996), Programs Tramo and Seats. Instructions for the User, Banco de Espana, Working Paper nr
|
|
- Zofia Urbańska
- 6 lat temu
- Przeglądów:
Transkrypt
1 CZĘŚĆ A ANALIZA SZEREGÓW CZASOWYCH ( max 200 znaków) Stanisław Cichocki, Natalia Nehrebecka, Paweł Strawiński Prowadzący zajęcia dr Stanisław Cichocki, dr Natalia Nehrebecka, dr Paweł Stawiński 30 godz. Semestr letni Sposób prowadzenia zajęć: bezpośredni Krótki opis zajęć (max 1000 znaków) Zajęcia konwersatoryjne będą podzielone na krótką część wprowadzającą o charakterze teoretycznym, oraz część praktyczną. W ramach kursu uczestnicy zapoznają się z podstawowymi pojęciami i narzędziami wykorzystywanymi w analizie i prognozowaniu szeregów czasowych. Celem dalszej części zajęć będzie przekazanie studentom praktycznych umiejętności potrzebnych do samodzielnego przeprowadzenia badania ekonometrycznego: przygotowania danych czasowych, estymacji i weryfikacji modelu, przeprowadzenia testów diagnostycznych i wreszcie oszacowania prognoz. Kolejne zagadnienia omawiane będą wraz z przykładami empirycznymi w formie case study. Pod okiem prowadzących studenci będą samodzielnie rozwiązywali problemy i przykładowe zadania. Zaliczenie będzie składało się z wykonania modelu oraz egzaminu pisemnego z częsci teoretycznej. Pełny opis przedmiotu (max 65 tys. znaków) 1. Dekompozycja szeregów czasowych [1-3] [1-2] klasyczne metody dekompozycji szeregu czasowego w formie addytywnej i multiplikatywnej na trend, wahania sezonowe, składnik cykliczny oraz składnik czysto stochastyczny, metody wyrównywana wykorzystująca średnie ruchome, metody wyrównywana wykładniczego, wygładzanie sezonowe szeregu czasowego, modele niesezonowe Holta i sezonowe Holta-Wintersa, trendy wielomianowe, prognozy w modelach ekstrapolacyjnych miary precyzji prognoz Evans (2003) [3] domena częstotliwości, spektrum szeregu czasowego, analiza spektralna szeregu czasowego, metody filtracji szeregu (filtr Hodricka-Prescotta, Baxtera-Kinga), programy X-12, TRAMO-SEATS Gomez V., Maravall A. (1996), Programs Tramo and Seats. Instructions for the User, Banco de Espana, Working Paper nr Jednorównaniowe modele szeregów czasowych modelowanie i prognozowanie [4-8]
2 [4] proces stochastyczny, proces deterministyczny, szereg czasowy, silna i słaba stacjonarność szeregów czasowych, błądzenie losowe (z dryfem/z trendem), biały szum testy Portmanteau: Boxa-Pierce a, Ljunga-Boxa [5] proces autoregresyjny AR(p) i jego własności, proces średniej ruchomej MA(q) i jego własności, testowanie stacjonarności szeregów, testy pierwiastków jednostkowych: testy DF/ADF, test KPSS, test Philipsa-Perrona funkcje autokorelacji i cząstkowej autokorelacji (ACF, PACF), korelogramy, rozkłady wartości ACF i PACF, przedziały ufności dla ACF i PACF [6] modele ARMA(p,q), warunki stacjonarności, procedura Boxa-Jenkinsa, wyznaczanie rzędów modelu, kryteria informacyjne AIC, SBC (BIC), HQ, estymacja parametrów, układ równań Yule a-walkera, diagnostyka modeli [7] szeregi zintegrowane, sprowadzanie szeregów do postaci stacjonarnej, różnicowanie szeregów modele dla szeregów zintegrowanych ARIMA prognozowanie w modelach ARMA/ARIMA, błąd prognozy ex-ante, przedziały ufności dla prognozy, kryteria jakości prognozy ex-post (absolutne i procentowe) [8] sezonowość stochastyczna, sezonowość deterministyczna testowanie wystepowania sezonowości (test Dickey-Hasza-Fuller, test HEGY) sezonowe modele SARIMA; prognozowanie w modelach sezonowych SARIMA Charemza, Deadman (1997), Enders (1995), Brockwell, Davis (1996), Maddala (2006), Mills (1999) 3. Modelowanie zmienności (volatility) [9-10] [9] stylizowane fakty w finansowych szeregach czasowych, szeregi leptokurtyczne, grube ogony, efekty dźwigni homoskedastyczność vs. heteroskedastyczność wariancja warunkowa vs. wariancja bezwarunkowa procesy ARCH(q) i ich własności, testy na występowanie efektu warunkowej heteroskedastyczności estymacja modeli klasy ARCH [10] uogólnione modele ARCH czyli GARCH, metody estymacji rozszerzenia modeli GARCH: IGARCH, GARCH-M, GARCH-t, asymetryczne modele GARCH: GARCH-Cauchy, EGARCH, QGARCH, GJR- GARCH, TGARCH
3 Enders (1995), Mills (1999), Tsay (2002) 4. Wielorównaniowe modele szeregów czasowych [11-12] współzależność w danych finansowych, modelowanie zależności długookresowych kointegracja definicja i testowanie, estymacja wektora kointegrującego, test Johansena, modele korekty błędem ECM, testowanie przyczynowości w sensie Grangera; modele wektorowej autoregresji VAR; funkcje reakcji na impulsy dekompozycja wariancji na składowe szoków zmiennych endogenicznych wektorowe modele korekty błędem VECM; Enders (1995), Charemza, Deadman (1997), Judge et al. (1991) Zajęcia prezentacje studentów Wymagania wstępne Rachunek Prawdopodobieństwa, Statystyka Matematyczna, Ekonometria Wymagania formalne Znajomość podstawowych pojęć z zakresu rachunku prawdopodobieństwa (zmienna losowa i jej rozkład), statystyki matematycznej (funkcja wiarogodności, testowanie hipotez statystycznych) i ekonometrii (model ekonometryczny, założenia KMRL i ich testowanie) Założenia wstępne Rachunek Prawdopodobieństwa, Statystyka Matematyczna, Ekonometria, Makroekonomia, Mikroekonomia. Efekty uczenia się (max 4000 znaków) Student powinien umieć przygotować dane statystyczne do analizy, dokonać samodzielnie: dekompozycji szeregu czasowego na jego składowe, dokonac identyfikacji, estymacji i interpretacji modeli w analizie jedno- i wielowymiarowych ekonomicznych i finansowych szeregów czasowych, oraz w ramach tych modeli formułować i weryfikowac hipotezy badawcze. Ponadto, posiadać umiejętność stosowania modeli procesów niestacjonarnych w analizie wybranych zależności ekonomicznych. A także, wykrywać i modelować procesy zawierające elementy funkcji hetescedastyczności warunkowej. Dodatkowo, student powinien umieć analizowac zjawisko kointegracji w szeregachczaswych, przedstawiać szeregi skointegrowane za pomocą mechanizmu korekty błędem, oraz wykorzystywać modele wektoroej autoregresji do badania przyczynowości w sensie Grangera. Po ukończeniu kursu student jest kompetentny w: przygotowaniu danych statystycznych do dalszej analizy, dekompozycji szeregu czasowego na jego składowe, identyfikacji, estymacji i interpretacji modeli w analizie jedno- i wielowymiarowych ekonomicznych i finansowych szeregów czasowych, oraz w formułowaniu hipotez i ich weryfikacji w ramach tych modeli. Ponadto, posiada umiejętność stosowania modeli procesów niestacjonarnych w analizie wybranych zależności ekonomicznych. A także, wykrywa i modeluje procesy zawierające elementy funkcji hetescedastyczności warunkowej. Podanto, analizuje współwystepowanie zjawisk za pomocą mechanizmu korekty błędem i bada przyczynowość w sensie Grengera wykorzustyjąc jako narzędzie modele wektorowej autoregresji. Metody i kryteria oceniania (max 4000 znaków)
4 - obecność zgodnie z regulaminem studiowania na Uniwersytecie Warszawskim - wykonanie i prezentacja w wyznaczonym terminie pracy empirycznej polegającej na analizie rzeczywistych danych o charakterze szeregów czasowych (50%) - zaliczenie egzaminu w formie pisemnej. (50%) - dodatkowym warunkiem jest uzyskanie conajmniej 50% punktów z pracy empirycznej i conajmniej 50% punktów z egzaminu teoretycznego. Rodzaj przedmiotu (max 1000 znaków) Obowiązkowy dla III roku studiów pierwszego stopnia kierunku Informatyka i Ekonometria Sposób zaliczenia egzamin Sposób realizacji przedmiotu (max 1000 znaków) Przedmiot jest realizowany w sali dydaktycznej, metodą bezpośrednią. Język wykładowy: Polski Literatura ( max 65 tys. Znaków) Podręczniki: Box, G. E. and G. M. Jenkins (1994) Time Series Analysis, Prentice Hall.Brockwell, P. J. and R. A. Davis (1996) Introduction to Time Series and Forecasting, Springer-Verlag. Evans,M.K. (2003) Practical Business Forecasting, Blackwell Publishing. Gouriéroux, C. (1997) ARCH Models and Financial Applications, Springer-Verlag Gourieroux,C., Jasiak, J. (2001) Financial Econometrics: Problems, Models, and Methods, Princeton University Press Hamilton, James D. (1994) Time Series Analysis, Princeton University Press. Judge G. G., W. E. Griffiths, R. C. Hill, H. Lütkepohl and T. C. Lee (1985) The Theory and Practice of Econometrics, John Wiley & Sons, Inc., New York. Maddala, G.S. (2006) Ekonometria, PWN, Warszawa Tsay, R. S. (2002) Analysis of Financial Time Series, Wiley Artykuły: Bera A. K. and M. L. Higgins (1993) On ARCH Models: Properties, Estimation and Testing, Journal of Economic Surveys,7, Bollerslev T., R. Y. Chou, and K. F. Kroner (1992) ARCH Modeling in Finance: A Review of the Theory and Empirical Evidence, Journal of Econometrics, 52, Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroscedasticity, Journal of Econometrics, 31, Bollerslev, T., R. F. Engle and D. B. Nelson (1994) ARCH Models, in Chapter 49 of Handbook of Econometrics, Volume 4, North-Holland. Dickey, D. A., H. P. Hasza, and W. A. Fuller (1984), Testing for unit roots in seasonal time series, JASA, 79,
5 Diebold, F.X. (1998), The Past and Present of Macroeconomic Forecasting, Journal of Economic Perspectives, 12, Engle, R. F. (1982) Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of U.K. Inflation, Econometrica, 50, Engle, R.F. and C.W. J. Granger (1987), Co-integration and Error Correction: Representation, Estimation, and Testing, Econometrica, 55, H. P. Hasza, and W. A. Fuller (1982), Testing for nonstationary parameter specifications in seasonal time series models, The Annals of Statistics 1982, Vol.10, No. 4, Lutkepohl, H. (2000), Vector Autoregressions, Chapter 32 in Baltagi, B. (ed.) A Companion to Theoretical Econometrics. Basil Blackwell. * Metody oceny pracy studenta Liczba punktów/udział w ocenie końcowej ocena ciągła (bieżące przygotowanie do - zajęć i aktywność) śródsemestralne pisemne testy kontrolne - śródsemestralne ustne kolokwia - końcowe zaliczenie pisemne - końcowe zaliczenie ustne - egzamin pisemny 50% egzamin ustny - kontrola obecności - praca semestralna/roczna - projekt 50% portfolio - inne Oceny będą wystawione tym uczestnikom, których frekwencja podczas zajęć wyniesie nie mniej niż 80%.
Sylabus Formularz opisu przedmiotu (formularz sylabusa) dla studiów I i II stopnia 1 wypełnia koordynator przedmiotu
Sylabus Formularz opisu przedmiotu (formularz sylabusa) dla studiów I i II stopnia 1 wypełnia koordynator przedmiotu A. Informacje ogólne Nazwa pola Nazwa przedmiotu Treść Analiza Szeregów Czasowych Jednostka
Bardziej szczegółowoEkonometria dynamiczna i finansowa Kod przedmiotu
Ekonometria dynamiczna i finansowa - opis przedmiotu Informacje ogólne Nazwa przedmiotu Ekonometria dynamiczna i finansowa Kod przedmiotu 11.5-WK-IiED-EDF-W-S14_pNadGenMOT56 Wydział Kierunek Wydział Matematyki,
Bardziej szczegółowoWYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI
1 Zał. nr 4 do ZW WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Nazwa w języku polskim ANALIZA SZEREGÓW CZASOWYCH Nazwa w języku angielskim ANALYSIS OF TIME SERIES Kierunek studiów (jeśli dotyczy):
Bardziej szczegółowoModelowanie Rynków Finansowych
Modelowanie Rynków Finansowych Modelowanie zmienności, modele GARCH Zajęcia 6 Katarzyna Lada, Paweł Sakowski, Paweł Strawiński 23 marca, 2009 Literatura na dziś Engle (2001), The Use of ARCH/GARCH Models
Bardziej szczegółowoInterdyscyplinarne seminaria
26 II 2019, uaktualnione: 5 III 2019, 12 III 2019 Interdyscyplinarne seminaria semestr letni 2018/2019 Zajęcia: wt. 8:15-9:00 s. 3.11, bud. C-11 Prowadzący: prof. dr hab. Krzysztof Bogdan dr Damian Brzyski
Bardziej szczegółowoWYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI
1 WYDZIAŁ MATEMATYKI KARTA PRZEDMIOTU Nazwa w języku polskim ANALIZA SZEREGÓW CZASOWYCH Nazwa w języku angielskim ANALYSIS OF TIME SERIES Kierunek studiów (jeśli dotyczy): Matematyka Specjalność (jeśli
Bardziej szczegółowoTadeusz Kufel Uniwersytet Mikołaja Kopernika w Toruniu. Narzędzia ekonometrii dynamicznej w oprogramowaniu GRETL
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Uniwersytet Mikołaja Kopernika
Bardziej szczegółowoMateriał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych)
Materiał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych) (studium przypadku) Nazwa przedmiotu: ekonometria finansowa I (22204), analiza szeregów czasowych
Bardziej szczegółowoBarbara Batóg* Uniwersytet Szczeciński
Studia i Prace WNEiZ US nr 45/2 2016 DOI:10.18276/sip.2016.45/2-11 Barbara Batóg* Uniwersytet Szczeciński Badanie kointegracji wybranych zmiennych ekonomiczno- -finansowych w województwie zachodniopomorskim
Bardziej szczegółowoMODELOWANIE POLSKIEJ GOSPODARKI Z PAKIETEM R Michał Rubaszek
Tytuł: Autor: MODELOWANIE POLSKIEJ GOSPODARKI Z PAKIETEM R Michał Rubaszek Wstęp Książka "Modelowanie polskiej gospodarki z pakietem R" powstała na bazie materiałów, które wykorzystywałem przez ostatnie
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 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 szczegółowoPodczas zajęć będziemy zajmować się głownie procesami ergodycznymi zdefiniowanymi na przestrzeniach ciągłych.
Trochę teorii W celu przeprowadzenia rygorystycznej ekonometrycznej analizy szeregu finansowego będziemy traktowali obserwowany ciąg danych (x 1, x 2,..., x T ) jako realizację pewnego procesu stochastycznego.
Bardziej szczegółowoPlan wykładu: 1) Pojęcie stacjonarności i niestacjonarności zmiennych 2) Testowanie integracji 3) Pojęcie kointegracji metoda Engle a-grangera.
1 Plan wykładu: 1) Pojęcie stacjonarności i niestacjonarności zmiennych 2) Testowanie integracji 3) Pojęcie kointegracji metoda Engle a-grangera. Pojęcie stacjonarności i niestacjonarności zmiennych Szereg
Bardziej szczegółowo1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4.
1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4. Prognozowanie stóp zwrotu na podstawie modeli ARMA 5. Relacje kointegrujące
Bardziej szczegółowoprzedmiotu Nazwa Pierwsza studia drugiego stopnia
Nazwa przedmiotu K A R T A P R Z E D M I O T U ( S Y L L A B U S ) O p i s p r z e d m i o t u Kod przedmiotu EKONOMETRIA UTH/I/O/MT/zmi/ /C 1/ST/2(m)/1Z/C1.1.5 Język wykładowy ECONOMETRICS JĘZYK POLSKI
Bardziej szczegółowo3. Analiza własności szeregu czasowego i wybór typu modelu
3. Analiza własności szeregu czasowego i wybór typu modelu 1. Metody analizy własności szeregu czasowego obserwacji 1.1. Analiza wykresu szeregu czasowego 1.2. Analiza statystyk opisowych zmiennej prognozowanej
Bardziej szczegółowoTest HEGY dla wybranych zmiennych makroekonomicznych gospodarki Polski w latach
89 Zeszyty Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Gdańsku Test HEGY dla wybranych zmiennych makroekonomicznych gospodarki Polski w latach 1996-2009 Streszczenie.
Bardziej szczegółowoMetoda Johansena objaśnienia i przykłady
Metoda Johansena objaśnienia i przykłady Model wektorowej autoregresji rzędu p, VAR(p), ma postad gdzie oznacza wektor zmiennych endogenicznych modelu. Model VAR jest stabilny, jeżeli dla, tzn. wielomian
Bardziej szczegółowoMODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XI/2, 2010, str. 254 263 MODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE Agnieszka Tłuczak Zakład Ekonometrii i Metod Ilościowych, Wydział Ekonomiczny
Bardziej szczegółowo1.1 Opis danych Dekompozycja szeregu ARIMA Prognoza Podsumowanie Opis danych...
1 Szereg niesezonowy... 3 1.1 Opis danych... 3 1.2 Dekompozycja szeregu... 3 1.3... 3 1.4 ARIMA... 10 1.5 Prognoza... 12 1.6 Podsumowanie... 15 2 Szereg sezonowy... 15 2.1 Opis danych... 15 2.2 Dekompozycja
Bardziej szczegółowoWYKŁAD: Szeregi czasowe I. Zaawansowane Metody Uczenia Maszynowego
WYKŁAD: Szeregi czasowe I Zaawansowane Metody Uczenia Maszynowego Szereg czasowy (X t ) - ciąg zmiennych losowych indeksowany parametrem t (czas). Z reguły t N lub t Z. Dotąd rozpatrywaliśmy: (X t )- ciąg
Bardziej szczegółowoZASTOSOWANIE MODELI WEKTOROWO-AUTOREGRESYJNYCH DO PROGNOZOWANIA WYBRANYCH RACHUNKÓW NARODOWYCH
Katarzyna Warzecha Andrzej Wójcik Uniwersytet Ekonomiczny w Katowicach ZASTOSOWANIE MODELI WEKTOROWO-AUTOREGRESYJNYCH DO PROGNOZOWANIA WYBRANYCH RACHUNKÓW NARODOWYCH Wprowadzenie Najważniejszym i najczęściej
Bardziej szczegółowoImię, nazwisko i tytuł/stopień KOORDYNATORA przedmiotu zatwierdzającego protokoły w systemie USOS Jacek Marcinkiewicz, dr
Tryb studiów Stacjonarne Nazwa kierunku studiów EKONOMIA Poziom studiów Stopień pierwszy Rok studiów/ semestr III; semestr 5 Specjalność Bez specjalności Kod przedmiotu w systemie USOS 1000-ES1-3EC1 Liczba
Bardziej szczegółowoUniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2010/2011
SYLLABUS na rok akademicki 00/0 Tryb studiów Stacjonarne Nazwa kierunku studiów EKONOMIA Poziom studiów Stopień pierwszy Rok studiów/ semestr III; semestr 5 Specjalność Bez specjalności Kod przedmiotu
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 szczegółowoBADANIE KOINTEGRACJI POWIATOWYCH STÓP BEZROBOCIA W WOJEWÓDZTWIE ZACHODNIOPOMORSKIM
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 31 Barbara Batóg Uniwersytet Szczeciński BADANIE KOINTEGRACJI POWIATOWYCH STÓP BEZROBOCIA W WOJEWÓDZTWIE ZACHODNIOPOMORSKIM Streszczenie W artykule
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 szczegółowoI. Szereg niesezonowy
Spis I. Szereg niesezonowy 1.1. Opis danych 1.2. Dekompozycja szeregu w programie Demetra 1.3. Analiza szeregu w STATA 1.4. Model ekstrapolacyjny 1.5. Model ARIMA 1.6. P II Szereg sezonowy 2.1. Opis danych
Bardziej szczegółowoZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR NNN FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR FF 2013
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR NNN FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR FF 2013 Ryszard Węgrzyn Zastosowanie wybranych modeli zmienności w analizie ryzyka cen akcji Słowa kluczowe:...
Bardziej szczegółowoNOWY PROGRAM STUDIÓW 2016/2017 SYLABUS PRZEDMIOTU AUTORSKIEGO: Wprowadzenie do teorii ekonometrii. Część A
NOWY PROGRAM STUDIÓW 2016/2017 SYLABUS PRZEDMIOTU AUTORSKIEGO: Autor: 1. Dobromił Serwa 2. Tytuł przedmiotu Sygnatura (będzie nadana, po akceptacji przez Senacką Komisję Programową) Wprowadzenie do teorii
Bardziej szczegółowoEkonometria / G. S. Maddala ; red. nauk. przekł. Marek Gruszczyński. wyd. 2, dodr. 1. Warszawa, Spis treści
Ekonometria / G. S. Maddala ; red. nauk. przekł. Marek Gruszczyński. wyd. 2, dodr. 1. Warszawa, 2013 Spis treści Przedsłowie 15 Przedmowa do drugiego wydania 17 Przedmowa do trzeciego wydania 21 Nekrolog
Bardziej szczegółowoWprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe
Wprowadzenie do teorii ekonometrii Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Zajęcia Wykład Laboratorium komputerowe 2 Zaliczenie EGZAMIN (50%) Na egzaminie obowiązują wszystkie informacje
Bardziej szczegółowoBIOSTATYSTYKA. Liczba godzin. Zakład Statystyki i Informatyki Medycznej
Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna za przedmiot: Osoba(y) prowadząca(e) Przedmioty wprowadzające wraz z wymaganiami wstępnymi
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 szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: przedmiot obowiązkowy w ramach treści kierunkowych, moduł kierunkowy ogólny Rodzaj zajęć: wykład, ćwiczenia I KARTA PRZEDMIOTU CEL PRZEDMIOTU
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 szczegółowoEkonometryczne modele nieliniowe
Ekonometryczne modele nieliniowe Wykład 10 Modele przełącznikowe Markowa Literatura P.H.Franses, D. van Dijk (2000) Non-linear time series models in empirical finance, Cambridge University Press. R. Breuning,
Bardziej szczegółowowprowadzenie do analizy szeregów czasowych
19 stycznia 2016 Wprowadzenie Prezentacja danych Dekompozycja Preprocessing Model predykcji ARIMA Dobór parametrów modelu ARIMA Podsumowanie Definicje i przykłady Definicje Szeregiem czasowym nazywamy
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS
Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna za przedmiot: Osoba(y) prowadząca(e) Przedmioty wprowadzające wraz z wymaganiami wstępnymi
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS
Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna za przedmiot: Osoba(y) prowadząca(e) Przedmioty wprowadzające wraz z wymaganiami wstępnymi
Bardziej szczegółowoEkonometria dla III roku studiów licencjackich dr Stanisław Cichocki dr Natalia Nehrebecka
Ekonometria dla III roku studiów licencjackich dr Stanisław Cichocki dr Natalia Nehrebecka Wykład 30 godz. Ćwiczenia 30 godz. Cel zajęć Wykład i ćwiczenia z ekonometrii mają zapoznać studentów z technikami
Bardziej szczegółowo4. Średnia i autoregresja zmiennej prognozowanej
4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)
Bardziej szczegółowoANALIZA KOINTEGRACJI STÓP PROCENTOWYCH W POLSCE
Aneta KŁODZIŃSKA ZESZYTY NAUKOWE INSTYTUTU EKONOMII I ZARZĄDZANIA ANALIZA KOINTEGRACJI STÓP PROCENTOWYCH W POLSCE Zarys treści: Celem artykułu jest określenie czy między stopami procentowymi w Polsce występuje
Bardziej szczegółowoStanisław Cihcocki. Natalia Nehrebecka
Stanisław Cihcocki Natalia Nehrebecka 1 1. Kryteria informacyjne 2. Testowanie autokorelacji w modelu 3. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych opóźnieniach
Bardziej szczegółowoBrunon R. Górecki. Ekonometria. podstawy teorii i praktyki. Wydawnictwo Key Text
Brunon R. Górecki Ekonometria podstawy teorii i praktyki Wydawnictwo Key Text Darmowy fragment Darmowy fragment Darmowy fragment Wydawnictwo Key Text Recenzent prof. dr hab. Jan B. Gajda Opracowanie graficzne
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 szczegółowo12. Przynależność do grupy przedmiotów: Blok przedmiotów matematycznych
(pieczęć wydziału) KARTA PRZEDMIOTU Z1-PU7 WYDANIE N1 Strona 1 z 5 1. Nazwa przedmiotu: Rachunek prawdopodobieństwa i statystyka matematyczna 2. Kod przedmiotu: RPiS 3. Karta przedmiotu ważna od roku akademickiego:
Bardziej szczegółowoPROGNOZA WYSTĄPIENIA WSTRZĄSU ZA POMOCĄ SZEREGÓW CZASOWYCH. 1. Wprowadzenie. Zdzisław Iwulski* Górnictwo i Geoinżynieria Rok 31 Zeszyt 3/1 2007
Górnictwo i Geoinżynieria Rok 31 Zeszyt 3/1 2007 Zdzisław Iwulski* PROGNOZA WYSTĄPIENIA WSTRZĄSU ZA POMOCĄ SZEREGÓW CZASOWYCH 1. Wprowadzenie Z szeregami czasowymi spotykamy się w inżynierii, geologii,
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 szczegółowoPrognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody. Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB
Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB Plan prezentacji Wprowadzenie do prognozowania Metody
Bardziej szczegółowoS YLABUS MODUŁU (PRZEDMIOTU) I nformacje ogólne. Nie dotyczy
S YLABUS MODUŁU (PRZEDMIOTU) I nformacje ogólne Nazwa modułu: Moduł B - Statystyka z elementami matematyki Rodzaj modułu/przedmiotu Wydział PUM Kierunek studiów Specjalność Poziom studiów Forma studiów
Bardziej szczegółowoProjekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015
Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015 Nr indeksu... Imię i Nazwisko... Nr grupy ćwiczeniowej... Imię i Nazwisko prowadzącego... 1. Specyfikacja modelu
Bardziej szczegółowo7.4 Automatyczne stawianie prognoz
szeregów czasowych za pomocą pakietu SPSS Następnie korzystamy z menu DANE WYBIERZ OBSERWACJE i wybieramy opcję WSZYSTKIE OBSERWACJE (wówczas wszystkie obserwacje są aktywne). Wreszcie wybieramy z menu
Bardziej szczegółowoWYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU
Zał. nr 4 do ZW WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Nazwa w języku polskim STATYSTYCZNA ANALIZA DANYCH Nazwa w języku angielskim STATISTICAL DATA ANALYSIS Kierunek studiów (jeśli dotyczy):
Bardziej szczegółowoWYDZIAŁ MATEMATYKI KARTA PRZEDMIOTU
WYDZIAŁ MATEMATYKI KARTA PRZEDMIOTU Nazwa w języku polskim: ANALIZA DANYCH ANKIETOWYCH Nazwa w języku angielskim: Categorical Data Analysis Kierunek studiów (jeśli dotyczy): MATEMATYKA I STATYSTYKA Specjalność
Bardziej szczegółowoRok akademicki: 2013/2014 Kod: ZIE n Punkty ECTS: 6. Poziom studiów: Studia I stopnia Forma i tryb studiów: -
Nazwa modułu: Statystyka opisowa i ekonomiczna Rok akademicki: 2013/2014 Kod: ZIE-1-205-n Punkty ECTS: 6 Wydział: Zarządzania Kierunek: Informatyka i Ekonometria Specjalność: - Poziom studiów: Studia I
Bardziej szczegółowoInżynieria Środowiska. II stopień ogólnoakademicki. przedmiot podstawowy obowiązkowy polski drugi. semestr zimowy
Załącznik nr 7 do Zarządzenia Rektora nr../12 z dnia.... 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2017/2018 STATYSTYKA
Bardziej szczegółowoModele warunkowej heteroscedastyczności
Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Racjonalne oczekiwania inwestorów P t = E(P t+1 I t ) 1 + R (1) Teoria Przykład - zwroty
Bardziej szczegółowoCo trzeba wiedzieć korzystając z modelu ARIMA i które parametry są kluczowe?
Prognozowanie Co trzeba wiedzieć korzystając z modelu ARIMA Marta Płonka Predictive Solutions W trzecim już artykule dotyczącym szeregów czasowych przyjrzymy się modelom ARIMA. Dzisiaj skupimy się na metodzie
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS
KARTA PRZEDMIOTU / SYLABUS Wydział Nauk o Zdrowiu Załącznik nr 5b do Uchwały senatu UMB nr 61/2016 z dnia 30.05.2016 Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email):
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS
Załącznik nr 5b do Uchwały nr 21/2013 Senatu KARTA PRZEDMIOTU / SYLABUS Wydział Nauk o Zdrowiu Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna
Bardziej szczegółowo12. Przynależność do grupy przedmiotów: Blok przedmiotów matematycznych
(pieczęć wydziału) KARTA PRZEDMIOTU Z1-PU7 WYDANIE N1 Strona 1 z 5 1. Nazwa przedmiotu: Rachunek prawdopodobieństwa i statystyka matematyczna 2. Kod przedmiotu: RPiS 3. Karta przedmiotu ważna od roku akademickiego:
Bardziej szczegółowoSylabus przedmiotu: Data wydruku: Dla rocznika: 2015/2016. Kierunek: Opis przedmiotu. prognoz. Dane podstawowe. Efekty i cele. Opis.
Sylabus przedmiotu: Specjalność: Prognozowanie i symulacja w przedsiębiorstwie Wszystkie specjalności Data wydruku: 23.01.2016 Dla rocznika: 2015/2016 Kierunek: Wydział: Zarządzanie i inżynieria produkcji
Bardziej szczegółowoprzedmiot podstawowy obowiązkowy polski drugi
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 07/08 IN--008 STATYSTYKA W INŻYNIERII ŚRODOWISKA Statistics in environmental engineering
Bardziej szczegółowoStanisław Cichocki. Natalia Neherbecka. Zajęcia 13
Stanisław Cichocki Natalia Neherbecka Zajęcia 13 1 1. Kryteria informacyjne 2. Testowanie autokorelacji 3. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych
Bardziej szczegółowoWYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO
Zał. nr 4 do ZW WYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO KARTA PRZEDMIOTU Nazwa w języku polskim STATYSTYKA STOSOWANA Nazwa w języku angielskim APPLIED STATISTICS Kierunek studiów (jeśli dotyczy): Specjalność
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 szczegółowo3. Modele tendencji czasowej w prognozowaniu
II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa
Bardziej szczegółowoProjekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018
Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018 Nr indeksu... Imię i Nazwisko... Nr grupy ćwiczeniowej... Imię i Nazwisko prowadzącego... 1. Specyfikacja modelu
Bardziej szczegółowoSpis treści. Summaries
Spis treści Wstęp.............................................................. 7 Ireneusz Kuropka: Przydatność wybranych modeli umieralności do prognozowania natężenia zgonów w Polsce.............................
Bardziej szczegółowoMODELE ARIMA W PROGNOZOWANIU SPRZEDAŻY***
ZAGADNIENIA TECHNICZNO-EKONOMICZNE Tom 48 Zeszyt 3 2003 Joanna Chrabołowska*, Joanicjusz Nazarko** MODELE ARIMA W PROGNOZOWANIU SPRZEDAŻY*** W artykule przedstawiono metodykę budowy modeli ARIMA oraz ich
Bardziej szczegółowoEkonomia II stopień ogólnoakademicki. stacjonarne wszystkie Katedra Matematyki Dr hab. Artur Maciąg. podstawowy. obowiązkowy polski.
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Z-EKO2-500 Nazwa modułu Ekonometria i prognozowanie procesów ekonomicznych Nazwa modułu w języku angielskim Econometrics and forecasting economics proceses Obowiązuje
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 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 szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: PROGNOZOWANIE Z WYKORZYSTANIEM SYSTEMÓW INFORMATYCZNYCH Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS Wydział Nauk o Zdrowiu Zdrowie Publiczne ogólnoakademicki praktyczny inny jaki. Zakład Statystyki i Informatyki Medycznej
Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna za przedmiot: Osoba(y) prowadząca(e) Przedmioty wprowadzające wraz z wymaganiami wstępnymi
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
Zał. nr 4 do ZW WYDZIAŁ ELEKTRONIKI KARTA PRZEDMIOTU Nazwa w języku polskim STATYSTYKA MATEMATYCZNA Nazwa w języku angielskim Mathematical Statistics Kierunek studiów (jeśli dotyczy): Specjalność (jeśli
Bardziej szczegółowoKrakowska Akademia im. Andrzeja Frycza Modrzewskiego. Karta przedmiotu. obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 2014/2015
Krakowska Akademia im. Andrzeja Frycza Modrzewskiego Karta przedmiotu obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 201/2015 WydziałZarządzania i Komunikacji Społecznej Kierunek studiów:
Bardziej szczegółowoKARTA PRZEDMIOTU. 1. NAZWA PRZEDMIOTU: Statystyka matematyczna (STA230) 2. KIERUNEK: MATEMATYKA. 3. POZIOM STUDIÓW: I stopnia
KARTA PRZEDMIOTU 1. NAZWA PRZEDMIOTU: Statystyka matematyczna (STA230) 2. KIERUNEK: MATEMATYKA 3. POZIOM STUDIÓW: I stopnia 4. ROK/ SEMESTR STUDIÓW: III/5 5. LICZBA PUNKTÓW ECTS: 6 6. LICZBA GODZIN: 30
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS
Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email): Osoba odpowiedzialna za przedmiot: Osoba(y) prowadząca(e) Przedmioty wprowadzające wraz z wymaganiami wstępnymi
Bardziej szczegółowo5. Model sezonowości i autoregresji zmiennej prognozowanej
5. Model sezonowości i autoregresji zmiennej prognozowanej 1. Model Sezonowości kwartalnej i autoregresji zmiennej prognozowanej (rząd istotnej autokorelacji K = 1) Szacowana postać: y = c Q + ρ y, t =
Bardziej szczegółowoNazwa przedmiotu: Informatyczne systemy statystycznej obróbki danych. Informatics systems for the statistical treatment of data Kierunek:
Nazwa przedmiotu: Informatyczne systemy statystycznej obróbki danych I KARTA PRZEDMIOTU CEL PRZEDMIOTU Informatics systems for the statistical treatment of data Kierunek: Forma studiów Informatyka Stacjonarne
Bardziej szczegółowoSTATYSTYKA OD PODSTAW Z SYSTEMEM SAS. wersja 9.2 i 9.3. Szkoła Główna Handlowa w Warszawie
STATYSTYKA OD PODSTAW Z SYSTEMEM SAS wersja 9.2 i 9.3 Szkoła Główna Handlowa w Warszawie Spis treści Wprowadzenie... 6 1. Podstawowe informacje o systemie SAS... 9 1.1. Informacje ogólne... 9 1.2. Analityka...
Bardziej szczegółowoMetody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2
Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2 Dr hab. inż. Agnieszka Wyłomańska Faculty of Pure and Applied Mathematics Hugo Steinhaus Center Wrocław University of Science and
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 szczegółowoPiotr Fiszeder Uniwersytet Mikołaja Kopernika w Toruniu. Modelowanie procesów finansowych z długą pamięcią w średniej i wariancji
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Piotr Fiszeder Uniwersytet Mikołaja
Bardziej szczegółowoWYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI
WYDZIAŁ GEOINŻYNIERII, GÓRNICTWA I GEOLOGII KARTA PRZEDMIOTU Nazwa w języku polskim: Statystyka matematyczna Nazwa w języku angielskim: Mathematical Statistics Kierunek studiów (jeśli dotyczy): Górnictwo
Bardziej szczegółowoSTATYSTYKA Statistics. Inżynieria Środowiska. II stopień ogólnoakademicki
Załącznik nr 7 do Zarządzenia Rektora nr../12 z dnia.... 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/13 STATYSTYKA
Bardziej szczegółowoegzamin oraz kolokwium
KARTA PRZEDMIOTU Kod przedmiotu E/FIRP/PSY w języku polskim Prognozowanie i symulacje Nazwa przedmiotu w języku angielskim Forecasting and simulation USYTUOWANIE PRZEDMIOTU W SYSTEMIE STUDIÓW Kierunek
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 szczegółowoNazwa studiów: Studia Podyplomowe Metody statystyczne w biznesie
S TUDIA PODYPLOMOWE Nazwa studiów: Studia Podyplomowe Metody statystyczne w biznesie Organizator: Wydział Nauk Ekonomicznych Uniwersytetu Warszawskiego, ul. Długa 44/50 00-241 Warszawa. Kierownik naukowy:
Bardziej szczegółowoKierunkowy Obowiązkowy Polski Semestr VI
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2015/2016 Z-ID-603 Prognozowanie i symulacje w przedsiębiorstwie Forecasting and
Bardziej szczegółowoDługookresowe powiązania stóp procentowych w strefie euro, USA i Polsce
105 Zeszyty Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Politechnika Koszalińska Długookresowe powiązania stóp procentowych w strefie euro, USA i Polsce Streszczenie. W artykule podjęto próbę
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS
KARTA PRZEDMIOTU / SYLABUS Wydział Nauk o Zdrowiu Załącznik nr 5b do Uchwały senatu UMB nr 61/2016 z dnia 30.05.2016 Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email):
Bardziej szczegółowoKARTA PRZEDMIOTU / SYLABUS
KARTA PRZEDMIOTU / SYLABUS Wydział Nauk o Zdrowiu Załącznik nr 5b do Uchwały senatu UMB nr 61/2016 z dnia 30.05.2016 Kierunek Profil kształcenia Nazwa jednostki realizującej moduł/przedmiot: Kontakt (tel./email):
Bardziej szczegółowoKARTA KURSU. Kod Punktacja ECTS* 1
KARTA KURSU Nazwa Nazwa w j. ang. Wprowadzenie do statystyki Introduction to statistics Kod Punktacja ECTS* 1 Koordynator Prof. dr hab. Jerzy Wołek Zespół dydaktyczny Prof. dr hab. Jerzy Wołek doktoranci
Bardziej szczegółowoModelowanie ekonometryczne
Modelowanie ekonometryczne Kamil Skoczylas Kamilskoczylas@wp.pl 1. Wstęp Otaczający nas świat to zbiór różnych zjawisk. W zależności od zainteresowań człowiek staje się obserwatorem niektórych z nich.
Bardziej szczegółowoPaństwowa Wyższa Szkoła Zawodowa w Suwałkach SYLLABUS na rok akademicki 2014/2015
Tryb studiów Niestacjonarne Nazwa kierunku studiów Finanse i Rachunkowość Poziom studiów Stopień pierwszy Rok studiów/ semestr II/4 Państwowa Wyższa Szkoła Zawodowa w Suwałkach SYLLABUS na rok akademicki
Bardziej szczegółowo