CZĘŚĆ A. Literatura: Gomez V., Maravall A. (1996), Programs Tramo and Seats. Instructions for the User, Banco de Espana, Working Paper nr

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "CZĘŚĆ A. Literatura: Gomez V., Maravall A. (1996), Programs Tramo and Seats. Instructions for the User, Banco de Espana, Working Paper nr"

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%.

Ekonometria dynamiczna i finansowa Kod przedmiotu

Ekonometria 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 szczegółowo

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI 1 Zał. nr 4 do ZW WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Nazwa w języku polskim ANALIZA SZEREGÓW CZASOWYCH Nazwa w języku angielskim ANALYSIS OF TIME SERIES Kierunek studiów (jeśli dotyczy):

Bardziej szczegółowo

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI 1 WYDZIAŁ MATEMATYKI KARTA PRZEDMIOTU Nazwa w języku polskim ANALIZA SZEREGÓW CZASOWYCH Nazwa w języku angielskim ANALYSIS OF TIME SERIES Kierunek studiów (jeśli dotyczy): Matematyka Specjalność (jeśli

Bardziej szczegółowo

Tadeusz Kufel Uniwersytet Mikołaja Kopernika w Toruniu. Narzędzia ekonometrii dynamicznej w oprogramowaniu GRETL

Tadeusz 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 szczegółowo

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

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

Bardziej szczegółowo

MODELOWANIE POLSKIEJ GOSPODARKI Z PAKIETEM R Michał Rubaszek

MODELOWANIE 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 szczegółowo

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

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

Bardziej szczegółowo

Analiza szeregów czasowych bezrobocia i inflacji w Danii

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

Bardziej szczegółowo

Plan wykładu: 1) Pojęcie stacjonarności i niestacjonarności zmiennych 2) Testowanie integracji 3) Pojęcie kointegracji metoda Engle a-grangera.

Plan 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 szczegółowo

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

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

Bardziej szczegółowo

przedmiotu Nazwa Pierwsza studia drugiego stopnia

przedmiotu 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 szczegółowo

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

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

Bardziej szczegółowo

3. Analiza własności szeregu czasowego i wybór typu modelu

3. Analiza własności szeregu czasowego i wybór typu modelu 3. Analiza własności szeregu czasowego i wybór typu modelu 1. Metody analizy własności szeregu czasowego obserwacji 1.1. Analiza wykresu szeregu czasowego 1.2. Analiza statystyk opisowych zmiennej prognozowanej

Bardziej szczegółowo

Test HEGY dla wybranych zmiennych makroekonomicznych gospodarki Polski w latach

Test 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 szczegółowo

Metoda Johansena objaśnienia i przykłady

Metoda 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 szczegółowo

MODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE

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

Bardziej szczegółowo

BADANIE KOINTEGRACJI POWIATOWYCH STÓP BEZROBOCIA W WOJEWÓDZTWIE ZACHODNIOPOMORSKIM

BADANIE 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 szczegółowo

ZASTOSOWANIE MODELI WEKTOROWO-AUTOREGRESYJNYCH DO PROGNOZOWANIA WYBRANYCH RACHUNKÓW NARODOWYCH

ZASTOSOWANIE 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 szczegółowo

ZESZYTY 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 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 szczegółowo

NOWY PROGRAM STUDIÓW 2016/2017 SYLABUS PRZEDMIOTU AUTORSKIEGO: Wprowadzenie do teorii ekonometrii. Część A

NOWY 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 szczegółowo

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

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

BIOSTATYSTYKA. Liczba godzin. Zakład Statystyki i Informatyki Medycznej

BIOSTATYSTYKA. 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 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

Uniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2010/2011

Uniwersytet 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 szczegółowo

wprowadzenie do analizy szeregów czasowych

wprowadzenie 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 szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK 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 szczegółowo

Wprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe

Wprowadzenie 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 szczegółowo

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

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

Bardziej szczegółowo

Brunon R. Górecki. Ekonometria. podstawy teorii i praktyki. Wydawnictwo Key Text

Brunon 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 szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16 Stanisław Cichocki Natalia Nehrebecka Zajęcia 15-16 1 1. Sezonowość 2. Zmienne stacjonarne 3. Zmienne zintegrowane 4. Test Dickey-Fullera 5. Rozszerzony test Dickey-Fullera 6. Test KPSS 7. Regresja pozorna

Bardziej szczegółowo

KARTA PRZEDMIOTU / SYLABUS

KARTA 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 szczegółowo

ANALIZA KOINTEGRACJI STÓP PROCENTOWYCH W POLSCE

ANALIZA 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 szczegółowo

4. Średnia i autoregresja zmiennej prognozowanej

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

Bardziej szczegółowo

WYDZIAŁ MATEMATYKI KARTA PRZEDMIOTU

WYDZIAŁ 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 szczegółowo

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

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

Bardziej szczegółowo

Szeregi czasowe, analiza zależności krótkoi długozasięgowych

Szeregi czasowe, analiza zależności krótkoi długozasięgowych Szeregi czasowe, analiza zależności krótkoi długozasięgowych Rafał Weron rweron@im.pwr.wroc.pl Definicje Mając dany proces {X t } autokowariancję definiujemy jako : γ(t, t ) = cov(x t, X t ) = = E[(X t

Bardziej szczegółowo

7.4 Automatyczne stawianie prognoz

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

Bardziej szczegółowo

Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody. Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB

Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody. Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB Plan prezentacji Wprowadzenie do prognozowania Metody

Bardziej szczegółowo

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

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

Bardziej szczegółowo

12. Przynależność do grupy przedmiotów: Blok przedmiotów matematycznych

12. 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 szczegółowo

przedmiot podstawowy obowiązkowy polski drugi

przedmiot 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 szczegółowo

Spis treści. Summaries

Spis treści. Summaries Spis treści Wstęp.............................................................. 7 Ireneusz Kuropka: Przydatność wybranych modeli umieralności do prognozowania natężenia zgonów w Polsce.............................

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA 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 szczegółowo

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

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

Bardziej szczegółowo

WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU

WYDZIAŁ 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 szczegółowo

Modele warunkowej heteroscedastyczności

Modele warunkowej heteroscedastyczności Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Racjonalne oczekiwania inwestorów P t = E(P t+1 I t ) 1 + R (1) Teoria Przykład - zwroty

Bardziej szczegółowo

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI

WYMAGANIA 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 szczegółowo

Rok akademicki: 2013/2014 Kod: ZIE n Punkty ECTS: 6. Poziom studiów: Studia I stopnia Forma i tryb studiów: -

Rok 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 szczegółowo

Stanisław Cichocki. Natalia Neherbecka. Zajęcia 13

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

Bardziej szczegółowo

Długookresowe powiązania stóp procentowych w strefie euro, USA i Polsce

Długookresowe 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 szczegółowo

KARTA PRZEDMIOTU / SYLABUS

KARTA 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 szczegółowo

Krakowska 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 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 szczegółowo

KARTA PRZEDMIOTU / SYLABUS Wydział Nauk o Zdrowiu Zdrowie Publiczne ogólnoakademicki praktyczny inny jaki. Zakład Statystyki i Informatyki Medycznej

KARTA 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 szczegółowo

KARTA 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 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 szczegółowo

3. Modele tendencji czasowej w prognozowaniu

3. 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 szczegółowo

Nazwa przedmiotu: Informatyczne systemy statystycznej obróbki danych. Informatics systems for the statistical treatment of data Kierunek:

Nazwa 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 szczegółowo

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

Szczegółowy 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 szczegółowo

STATYSTYKA Statistics. Inżynieria Środowiska. II stopień ogólnoakademicki

STATYSTYKA 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 szczegółowo

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

Wprowadzenie 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 szczegółowo

Nazwa studiów: Studia Podyplomowe Metody statystyczne w biznesie

Nazwa 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 szczegółowo

Ekonomia II stopień ogólnoakademicki. stacjonarne wszystkie Katedra Matematyki Dr hab. Artur Maciąg. podstawowy. obowiązkowy polski.

Ekonomia 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 szczegółowo

MODELE ARIMA W PROGNOZOWANIU SPRZEDAŻY***

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

Bardziej szczegółowo

STATYSTYKA 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 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 szczegółowo

POWIĄZANIA DŁUGOOKRESOWE MIĘDZY STOPAMI PROCENTOWYMI POLSKI, STANÓW ZJEDNOCZONYCH I STREFY EURO

POWIĄZANIA DŁUGOOKRESOWE MIĘDZY STOPAMI PROCENTOWYMI POLSKI, STANÓW ZJEDNOCZONYCH I STREFY EURO ZESZYTY NAUKOWE INSTYTUTU EKONOMII I ZARZĄDZANIA Ewa CZAPLA * POWIĄZANIA DŁUGOOKRESOWE MIĘDZY STOPAMI PROCENTOWYMI POLSKI, STANÓW ZJEDNOCZONYCH I STREFY EURO Zarys treści: W pracy podjęto próbę zbadania

Bardziej szczegółowo

KARTA KURSU. Kod Punktacja ECTS* 1

KARTA 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 szczegółowo

Narzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski

Narzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski Narzędzia statystyczne i ekonometryczne Wykład 1 dr Paweł Baranowski Informacje organizacyjne Wydział Ek-Soc, pok. B-109 pawel@baranowski.edu.pl Strona: baranowski.edu.pl (w tym materiały) Konsultacje:

Bardziej szczegółowo

KARTA PRZEDMIOTU / SYLABUS

KARTA 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 szczegółowo

czasowa, zmienne zero - jedynkowe, lub inne niestochastyczne regresory; A - macierz parametrów przy zmiennych wektora D t, nie zawierająca zerowych

czasowa, zmienne zero - jedynkowe, lub inne niestochastyczne regresory; A - macierz parametrów przy zmiennych wektora D t, nie zawierająca zerowych Wprowadzenie Lata pięćdziesiąte i sześćdziesiąte to okres ekspansji i wzrostu optymizmu co do możliwości i przyszłości metod ekonometrycznych. To lata w których wyznaczone zostały wysokie standardy profesjonalne

Bardziej szczegółowo

Państwowa Wyższa Szkoła Zawodowa w Suwałkach SYLLABUS na rok akademicki 2014/2015

Państwowa 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

Piotr Fiszeder Uniwersytet Mikołaja Kopernika w Toruniu. Modelowanie procesów finansowych z długą pamięcią w średniej i wariancji

Piotr 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 szczegółowo

Paweł Miłobędzki Uniwersytet Gdański. Orlen czy Lotos? Kto kształtuje ceny na hurtowym rynku benzyn silnikowych w Polsce?

Paweł Miłobędzki Uniwersytet Gdański. Orlen czy Lotos? Kto kształtuje ceny na hurtowym rynku benzyn silnikowych w Polsce? DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Uniwersytet Gdański Orlen czy

Bardziej szczegółowo

KARTA PRZEDMIOTU / SYLABUS. Zakład Statystyki i Informatyki Medycznej. tel./fax (85) dr Robert Milewski

KARTA PRZEDMIOTU / SYLABUS. Zakład Statystyki i Informatyki Medycznej. tel./fax (85) dr Robert Milewski 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 szczegółowo

Opis przedmiotu: Probabilistyka I

Opis przedmiotu: Probabilistyka I Opis : Probabilistyka I Kod Nazwa Wersja TR.SIK303 Probabilistyka I 2012/13 A. Usytuowanie w systemie studiów Poziom Kształcenia Stopień Rodzaj Kierunek studiów Profil studiów Specjalność Jednostka prowadząca

Bardziej szczegółowo

MODELE WEKTOROWO-AUTOREGRESYJNE JAKO ODPOWIEDŹ NA KRYTYKĘ STRUKTURALNYCH WIELORÓWNANIOWYCH MODELI EKONOMETRYCZNYCH

MODELE WEKTOROWO-AUTOREGRESYJNE JAKO ODPOWIEDŹ NA KRYTYKĘ STRUKTURALNYCH WIELORÓWNANIOWYCH MODELI EKONOMETRYCZNYCH Andrzej Wójcik Uniwersytet Ekonomiczny w Katowicach MODELE WEKTOROWO-AUTOREGRESYJNE JAKO ODPOWIEDŹ NA KRYTYKĘ STRUKTURALNYCH WIELORÓWNANIOWYCH MODELI EKONOMETRYCZNYCH Wprowadzenie Komisja Cowlesa 1 stworzyła

Bardziej szczegółowo

egzamin oraz kolokwium

egzamin 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 szczegółowo

Egzamin / zaliczenie na ocenę*

Egzamin / zaliczenie na ocenę* Zał. nr do ZW /01 WYDZIAŁ / STUDIUM KARTA PRZEDMIOTU Nazwa w języku polskim Identyfikacja systemów Nazwa w języku angielskim System identification Kierunek studiów (jeśli dotyczy): Inżynieria Systemów

Bardziej szczegółowo

KARTA PRZEDMIOTU. 12. PRZEDMIOTOWE EFEKTY KSZTAŁCENIA Odniesienie do kierunkowych efektów kształcenia (symbol)

KARTA PRZEDMIOTU. 12. PRZEDMIOTOWE EFEKTY KSZTAŁCENIA Odniesienie do kierunkowych efektów kształcenia (symbol) KARTA PRZEDMIOTU 1. NAZWA PRZEDMIOTU: Ekonometria 2. KIERUNEK: MATEMATYKA 3. POZIOM STUDIÓW: I stopnia 4. ROK/ SEMESTR STUDIÓW: III/6 5. LICZBA PUNKTÓW ECTS: 5 6. LICZBA GODZIN: 30 / 30 7. TYP PRZEDMIOTU

Bardziej szczegółowo

WYKORZYSTANIE MODELU ARIMA DO ANALIZY SZEREGU CZASOWEGO

WYKORZYSTANIE MODELU ARIMA DO ANALIZY SZEREGU CZASOWEGO ZESZYTY NAUKOWE POLITECHNIKI RZESZOWSKIEJ 292, Elektrotechnika 34 RUTJEE, z. 34 (3/2015), lipiec-wrzesień 2015, s. 23-30 Wiesława MALSKA 1 Henryk WACHTA 2 WYKORZYSTANIE MODELU ARIMA DO ANALIZY SZEREGU

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Wykorzystanie modeli autoregresji i średniej ruchomej w prognozowaniu wielkości popytu niezależnego

Wykorzystanie modeli autoregresji i średniej ruchomej w prognozowaniu wielkości popytu niezależnego GRZESICA Dariusz 1 WIĘCEK Paweł 2 Wykorzystanie modeli autoregresji i średniej ruchomej w prognozowaniu wielkości popytu niezależnego 1. Wstęp Dostępne rozwiązania w zakresie prognozowania przyszłych wielkości

Bardziej szczegółowo

Kierunkowy Obowiązkowy Polski Semestr VI

Kierunkowy 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 szczegółowo

Analiza autokorelacji

Analiza autokorelacji Analiza autokorelacji Oblicza się wartości współczynników korelacji między y t oraz y t-i (dla i=1,2,...,k), czyli współczynniki autokorelacji różnych rzędów. Bada się statystyczną istotność tych współczynników.

Bardziej szczegółowo

Ekonometria_FIRJK Arkusz1

Ekonometria_FIRJK Arkusz1 Rok akademicki: Grupa przedmiotów Numer katalogowy: Nazwa przedmiotu 1) : łumaczenie nazwy na jęz. angielski 3) : Kierunek studiów 4) : Ekonometria Econometrics Ekonomia ECS 2) Koordynator przedmiotu 5)

Bardziej szczegółowo

Spis treści 3 SPIS TREŚCI

Spis treści 3 SPIS TREŚCI Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe

Bardziej szczegółowo

EKONOMETRIA I SYLABUS

EKONOMETRIA I SYLABUS Załącznik nr 5 do Uchwały nr 1202 Senatu UwB z dnia 29 lutego 2012 r. EKONOMETRIA I SYLABUS A. Informacje ogólne Elementy składowe sylabusu Nazwa jednostki prowadzącej kierunek Nazwa kierunku studiów Poziom

Bardziej szczegółowo

EKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE

EKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE EKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE ZADANIE 1 Oszacowano zależność między luką popytowa a stopą inflacji dla gospodarki niemieckiej. Wyniki estymacji są następujące: Estymacja KMNK,

Bardziej szczegółowo

Wykład Ćwiczenia Laboratorium Projekt Seminarium Liczba godzin zajęć

Wykład Ćwiczenia Laboratorium Projekt Seminarium Liczba godzin zajęć WYDZIAŁ MATEMATYKI KARTA PRZEDMIOTU Nazwa w języku polskim WSTĘP DO STATYSTYKI MATEMATYCZNEJ Nazwa w języku angielskim Introduction to Mathematical Statistics Kierunek studiów (jeśli dotyczy): Matematyka

Bardziej szczegółowo

Rachunek prawdopodobieństwa WZ-ST1-AG--16/17Z-RACH. Liczba godzin stacjonarne: Wykłady: 15 Ćwiczenia: 30. niestacjonarne: Wykłady: 9 Ćwiczenia: 18

Rachunek prawdopodobieństwa WZ-ST1-AG--16/17Z-RACH. Liczba godzin stacjonarne: Wykłady: 15 Ćwiczenia: 30. niestacjonarne: Wykłady: 9 Ćwiczenia: 18 Karta przedmiotu Wydział: Wydział Zarządzania Kierunek: Analityka gospodarcza I. Informacje podstawowe Nazwa przedmiotu Rachunek prawdopodobieństwa Nazwa przedmiotu w j. ang. Język prowadzenia przedmiotu

Bardziej szczegółowo

Wprowadzenie do szeregów czasowych i modelu ARIMA

Wprowadzenie do szeregów czasowych i modelu ARIMA Wprowadzenie do szeregów czasowych i modelu ARIMA 25.02.2011 Plan 1 Pojęcie szeregu czasowego 2 Stacjonarne szeregi czasowe 3 Model autoregresyjny - AR 4 Model średniej ruchomej - MA 5 Model ARMA 6 ARIMA

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 8

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 8 Stanisław Cichocki Natalia Nehrebecka Zajęcia 8 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów

Bardziej szczegółowo

Ćwiczenia IV

Ćwiczenia IV Ćwiczenia IV - 17.10.2007 1. Spośród podanych macierzy X wskaż te, których nie można wykorzystać do estymacji MNK parametrów modelu ekonometrycznego postaci y = β 0 + β 1 x 1 + β 2 x 2 + ε 2. Na podstawie

Bardziej szczegółowo

Matematyka stosowana w geomatyce Nazwa modułu w języku angielskim Applied Mathematics in Geomatics Obowiązuje od roku akademickiego 2012/2013

Matematyka stosowana w geomatyce Nazwa modułu w języku angielskim Applied Mathematics in Geomatics Obowiązuje od roku akademickiego 2012/2013 KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Matematyka stosowana w geomatyce Nazwa modułu w języku angielskim Applied Mathematics in Geomatics Obowiązuje od roku akademickiego 2012/2013 A.

Bardziej szczegółowo

Ekonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota

Ekonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota Ekonometria ćwiczenia 3 Prowadzący: Sebastian Czarnota Strona - niezbędnik http://sebastianczarnota.com/sgh/ Normalność rozkładu składnika losowego Brak normalności rozkładu nie odbija się na jakości otrzymywanych

Bardziej szczegółowo

WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU

WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Nazwa w języku polskim: STATYSTYKA W MODELACH NIEZAWODNOŚCI I ANALIZIE PRZEŻYCIA Nazwa w języku angielskim: STATISTICS IN RELIABILITY MODELS AND

Bardziej szczegółowo

Karta (sylabus) modułu/przedmiotu Inżynieria Materiałowa Studia II stopnia Specjalność: Inżynieria Powierzchni

Karta (sylabus) modułu/przedmiotu Inżynieria Materiałowa Studia II stopnia Specjalność: Inżynieria Powierzchni Karta (sylabus) modułu/przedmiotu Inżynieria Materiałowa Studia II stopnia Specjalność: Inżynieria Powierzchni Przedmiot: Statystyczne Sterowanie Procesami Rodzaj przedmiotu: Obowiązkowy Kod przedmiotu:

Bardziej szczegółowo

Sylabus do programu kształcenia obowiązującego od roku akademickiego 2014/15

Sylabus do programu kształcenia obowiązującego od roku akademickiego 2014/15 Sylabus do programu kształcenia obowiązującego od roku akademickiego 0/5 () Nazwa Rachunek prawdopodobieństwa i statystyka () Nazwa jednostki prowadzącej Wydział Matematyczno - Przyrodniczy przedmiot ()

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka

Stanisław Cichocki. Natalia Nehrebecka Stanisław Cichocki Natalia Nehrebecka - adres mailowy: scichocki@o2.pl - strona internetowa: www.wne.uw.edu.pl/scichocki - dyżur: po zajęciach lub po umówieniu mailowo - 80% oceny: egzaminy - 20% oceny:

Bardziej szczegółowo

Dodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH

Dodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH Dodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (dodatek 3) Modele MGARCH 1 / 11 Ogólna specykacja modelu MGARCH Ogólna posta dla N-wymiarowego procesu

Bardziej szczegółowo

2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona

2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona Sprawdzanie założeń przyjętych o modelu (etap IIIC przyjętego schematu modelowania regresyjnego) 1. Szum 2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona

Bardziej szczegółowo