O sezonowości mówimy wtedy, gdy zmienna zmienia się w pewnym cyklu zwykle zwiazanym z cyklem rocznym
|
|
- Dariusz Matysiak
- 6 lat temu
- Przeglądów:
Transkrypt
1 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 miesięczne sezonowościa roczna Sezonowość można uwzględnić w modelu na dwa Wykład z Ekonometrii, III rok, WNE UW 1
2 sposoby: wstawiajac do modelu zmienne zero jedynkowe zwiazane z każdym kwartałem (miesiacem) stosujac różnicowanie sezonowe: na przykład w przypadku danych miesięcznych 4 y t = y t y t 4 Przykład Poziom P KB w Polsce w latach Zmiany sezonowe maja w tym ptzypadku głównie zwiazek z cyklem inwestycyjnym - największe nakłady inwestycyjne księgowane sa w czwartym kwartale. Wykład z Ekonometrii, III rok, WNE UW 2
3 rpkb q1 1997q3 2000q1 2002q3 2005q1 date P KB w wyrażeniu realnym - deflator CP I Wykład z Ekonometrii, III rok, WNE UW 3
4 Zmienne stacjonarne i niestacjonarne Zmienna stacjonarna: 1. Wartość oczekiwana równa 0 E (y t ) = 0 2. Wariancja skończona Var (y t ) = σ 2 < Wykład z Ekonometrii, III rok, WNE UW 4
5 3. Kowariancje zależa jedynie od h - dystansu między realizacjami Cov (y t1, y t1 +h) = Cov (y t2, y t2 +h) = γ h dla dowolnych t, t 1, t 2 i h. Zmienna nazywamy trendostacjonarna jeśli y t E (y t ) jest stacjonarne Często rozpatrywanym przykładem zmiennej stacjonarnego jest biały szum: Wykład z Ekonometrii, III rok, WNE UW 5
6 1. y t ma rozkład stały w czasie i o wartości oczekiwanej 0 i skończonej wariancji σ 2 2. realizacje y t sa niezależne Wykład z Ekonometrii, III rok, WNE UW 6
7 3 y(t)=e(t) e(t)=n(0,1) biały szum (zmienna I (0)) Wykład z Ekonometrii, III rok, WNE UW 7
8 Procesy zintegrowane Szczególnym rodzajem zmiennej stacjonarnej jest zmienna x t I (0). Zmienna I (0) definiuje się jako zmienna stacjonarny, który można przedstawić jako x t = i=0 θ iε t i, gdzie ε i i ε j sa nieskorelowane. Zmienna zinegrowany rzędu d oznaczany jako x t I (d), to taki zmienna, który po zastosowaniu d-tych różnic staje się zmienna stacjonarnym d x t I (0). Wykład z Ekonometrii, III rok, WNE UW 8
9 Przykład Przykładem zmiennej niestacjonarnej zmienna zachowujaca się zgodnie z modelem bła- dzenia przypadkowego y t = y t 1 + ε t ε t IID ( 0, σ 2) Jeśli podstawimy w tym wzorze za y t 1 = y t 2 + ε t 1, to uzyskamy y t = y t 2 + ε t 1 + ε t Wykład z Ekonometrii, III rok, WNE UW 9
10 Postępujac rekurencyjnie w ten sposób uzyskamy: y t = y 0 + t s=1 ε s Wykład z Ekonometrii, III rok, WNE UW 10
11 Jeśli założymy, że y 0 = 0, to E (y t ) = 0 t Var (y t ) = Var (ε s ) = tσ 2 Cov (y t, y t h ) = s=1 t h s=1 Var (ε s ) = (t h) σ 2 Wariancja i kowariancje bładzenia przypadkowego zależa od czasu - zmienna ta jest niestacjonarna! Za- Wykład z Ekonometrii, III rok, WNE UW 11
12 uważmy, że kowariancje między realizacjami zmiennej maleja bardzo wolno - w przybliżeniu liniowo. Odejmujac od obu stron y t 1 otrzymujemy: y t y t 1 = y t = ε t Po zastosowaniu pierwszych rożnic otrzymaliśmy zmienna zachowujac a się zgodnie z modelem białego szumu - zmienna I (0). Wnioskujemy z tego, że bła- dzenie przypadkowe jest I (1) Wykład z Ekonometrii, III rok, WNE UW 12
13 0-2.5 y(t)=y(t-1)+e(t) e(t)~n(0,1) bładzenie przypadkowe (zmienna I (1)) Wykład z Ekonometrii, III rok, WNE UW 13
14 W ekonomii ważne sa jedynie zmienne I (1) i I (2) Wiele procesów w ekonomii wyglada tak na zmienne I (1). W znanym artykule Nelson i Plosser (1982) pokazali, że znaczaca część szeregów makroekonomicznych wyglada na szeregi I (1) W kontekście modelowania za pomoca modeli ARM A problem niestacjonarności wykrywany był za pomoca funkcji ACF i P ACF. Wykład z Ekonometrii, III rok, WNE UW 14
15 Zmienne niestacjonarne charakteryzuja się wysoka korelacja między realizacjami - wolno malejaca funkcja ACF bliska jedności wartościa współczynniki przy pierwszym opóźnieniu - P ACF dla pierwszego opóźnienia bliskie jedności Wykład z Ekonometrii, III rok, WNE UW 15
16 Autocorrelations of i Lag Bartlett s formula for MA(q) 95% confidence bands Partial autocorrelations of i Lag 95% Confidence bands [se = 1/sqrt(n)] ACF i P ACF dla bładzenia przypadkowego I (1) Wykład z Ekonometrii, III rok, WNE UW 16
17 Przy modelowaniu ARM A w razie wykrycia niestacjonarności powinno się szereg zróżnicować i modelować pierwsze różnice. W przypadku, kiedy nawet pierwsze różnice wydaja się niestacjonarne należy dalej różnicować - aż do skutku. Model ARM A (p, q) dla zmiennej zróżnicowanej d razy oznacza się jako ARIM A (p, d, q) - AutoRegressive Integrated Moving Avarage. Wykład z Ekonometrii, III rok, WNE UW 17
18 Rzad integracji zmiennej można przetestować za pomoca jednego z testów stacjonarności/niestacjonarnoś (testów na istnienie pierwiastka jednostkowego) Wykład z Ekonometrii, III rok, WNE UW 18
19 Test Dickey-Fullera (DF ) Badamy, czy zmienna jest niestacjonarna Najprostszy przypadek y t = βy t 1 + ε t H 0 : β = 1, wtedy y t jest niestacjonarna (jest bła- dzeniem przypadkowym - procesem I (1)) Wykład z Ekonometrii, III rok, WNE UW 19
20 H 1 : β < 1, wtedy y t jest stacjonarna Przekształcajac y t = (β 1) y t 1 + ε t = ρy t 1 + ε t H 0 : ρ = 0, wtedy y t jest niestacjonarna H 0 : ρ ( 2, 0), wtedy y t jest niestacjonarna Hipotezy, że ρ = 0 nie można badać za pomoca Wykład z Ekonometrii, III rok, WNE UW 20
21 standardowych tablic - używamy do tego specjalnych tablic dla testu DF Sposób przeprowadzania testu: 1. Przeprowadzamy regresję y t na y t 1 2. Porównujemy statystykę t dla y t 1 z wartościami krytycznymi testu DF. Jeśli współczynnik jest mniejszy od wartości krytycznej odrzucamy H 0. Uwaga: W teście Dickey Fullera: H 0 zmienna jest niestacjonarna Wykład z Ekonometrii, III rok, WNE UW 21
22 H 1 zmienna jest stacjonarna Uwaga: W niektórych tablicach testu DF przed wartościami krytycznymi pomijany jest znak. Wykład z Ekonometrii, III rok, WNE UW 22
23 Rozszerzony test Dickey-Fullera (ADF ) Często w regresji y t = ρy t 1 + ε t występuje autokorelacja Autokorelacja w regresjach z opóźniona zmienna zależna jest bardzo niekorzystna - prowadzi do wystapiniea problemu równoczesności. Stosujemy wtedy test DF z rozszerzeniem (test Wykład z Ekonometrii, III rok, WNE UW 23
24 ADF - Augmanted Dickey Fuller) y t = ρy t 1 + k i=1 γ i y t i + ε t Ilość opóźnień k dobieramy w taki sposób, by w modelu nie występowała autokorelacja. Sposób uwzględnienia stałej lub trendu w modelu: 1. y t = ρy t 1 + k i=1 γ i y t i + ε t 2. y t = a + ρy t 1 + k i=1 γ i y t i + ε t Wykład z Ekonometrii, III rok, WNE UW 24
25 3. y t = a + bt + ρy t 1 + k i=1 γ i y t i + ε t Dla każdej z tych możliwości stosuje się inna wersję tablic DF Przykład Realny wzrost P KB w latach , indeks kwartalny - wzrostp KB kwartał do analogicznego kwartału poprzedniego roku. Zauważmy, że przy tak skonstruowanym indeksie (różnicowanie sezonowe), znika sezonowość. Wykład z Ekonometrii, III rok, WNE UW 25
26 PKB q1 1997q3 2000q1 2002q3 2005q1 data Wzrost P KB indeks kwartalny Wykład z Ekonometrii, III rok, WNE UW 26
27 Autocorrelations of pkb Lag Bartlett s formula for MA(q) 95% confidence bands Partial autocorrelations of pkb Lag 95% Confidence bands [se = 1/sqrt(n)] ACF i P ACF dla indeksu P KB Wykład z Ekonometrii, III rok, WNE UW 27
28 D.pkb Coef. Std. Err. t P> t [95% Conf. Interval] pkb L LD L2D L3D L4D L5D L6D L7D _cons Breusch-Godfrey LM test for autocorrelation lags(p) chi2 df Prob > chi H0: no serial correlation Wykład z Ekonometrii, III rok, WNE UW 28
29 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) = Wykład z Ekonometrii, III rok, WNE UW 29
30 Test KPSS (Kwiatkowski, Philips, Schmidt, Shin) Możliwe jest także testowanie stacjonarności za pomoca testów, w których H 0 mówi, że zmienna jest I (0) Tego rodzaju testem test test KP SS W modelu y t = δ + ζ t + ε t Wykład z Ekonometrii, III rok, WNE UW 30
31 gdzie ε t jest I (0) oraz ζ t = ζ t 1 + u t, i u t IID ( 0, σ 2 u a więc ζ t jest bładzeniem przypadkowym. Testujemy H 0 : σ u = 0 co jest równoważnie hipotezie, że ζ t = 0. Jeśli H 0 jest prawdziwa, bładzenie przypadkowe nie odgrywa roli i y t jest stacjonarne. Jeśli odrzucimy H 0, to musimy przyjać hipotezę al- ) Wykład z Ekonometrii, III rok, WNE UW 31
32 trenatywna, że proces jest niestacjonarny. Często się zdarza (szczególnie jeśli mamy mało obserwacji), że zarówno H 0 w teście DF (niestacjonarność) jak H 0 w teście KP SS (stacjonarność), nie moga być odrzucone. Sposób pozbywania się wpływu korelacji między ε t jest w przypadku testu KP SS dosyć skomplikowany. Przykład (kontynuacja) Testowanie stacjonanrno- Wykład z Ekonometrii, III rok, WNE UW 32
33 ści wzrostu P KB KPSS test for pkb Maxlag = 9 chosen by Schwert criterion Autocovariances weighted by Bartlett kernel Critical values for H0: pkb is level stationary 10%: % : %: % : Lag order Test statistic Wykład z Ekonometrii, III rok, WNE UW 33
34 Dla większej liczby opóźnień nie jesteśmy w stanie odrzucić hipotezy o stacjonarności wzrostu P KB! KPSS test for D.pkb Maxlag = 9 chosen by Schwert criterion Autocovariances weighted by Bartlett kernel Critical values for H0: D.pkb is level stationary 10%: % : %: % : Lag order Test statistic Wykład z Ekonometrii, III rok, WNE UW 34
35 Pierwsze różnice wzrostu P KB sa niewatpliwie stacjonarne Wykład z Ekonometrii, III rok, WNE UW 35
36 Procesy skointegrowane O procesach x 1t I (1) i x 2t I (1) mówimy, że sa skointegrowane jeśli istnieje takie β, że x 1t + βx 2t jest I (0). W przypadku wektora x t, jeśli każdy element wektora x t jest I (1), to mówimy, że elementy tego wektora sa skointegrowane wektorem kointegrujacym β, jeśli β x t jest I (0) Wykład z Ekonometrii, III rok, WNE UW 36
37 Isnieje taka kombinacja liniowa elementów wektora x t, która jest I (0), mimo że elementy tego wektora sa I (1) Wykład z Ekonometrii, III rok, WNE UW 37
38 y=2+x* *e(t) e(t)~n(0,0.09) x~i(1) zmienne skointegrowane Wykład z Ekonometrii, III rok, WNE UW 38
39 Regresja pozorna Problem regresji pozornej może się pojawić jeśli zmienne w modelu nie sa I (0) Może to dotyczyć zarówno zmiennych objaśnianych jak i objaśniajacych W regresji ze zmiennymi I (1) uzyskujemy w dużych próbach istotne statystyki t w MNK nawet jeśli zmienna endogeniczna i zmienne egzogeniczne Wykład z Ekonometrii, III rok, WNE UW 39
40 sa od siebie niezależne. Estymator MNK w takiej regresji jest dalej zgodny. Przeprowadźmy regresję y t na x t, gdzie y t i x t sa niezależnymi procesami I (1). y t = β 0 + β 1 x t + e t Wartości p z rozkładu t-studenta i uzyskane z sy- Wykład z Ekonometrii, III rok, WNE UW 40
41 mulacji dla hipotezy H 0 : β 1 = 0. p-stwo, że t > t α liczba obserwacji t α t-student symulacja Dla długich obserwacji jest niemal pewne, że t > t α i że w konsekwencji odrzucimy prawdziwa hipotezę zerowa o braku zwiazku między zmiennymi! Wykład z Ekonometrii, III rok, WNE UW 41
42 Problem regresji pozornej jest potencjalnie bardzo poważny, ponieważ może doprowadzić do zbudowania modelu, w którym zmienne sa caałkowicie niepowiazane ze soba mimo pozornie istotnych statystyk t UWAGA: mimo, że statystyki t maja całkowicie nietypowe rozkłady w przypadku, kiedy zmienna zależna jest I (1) i zmienne niezależne sa I (1), to jednak estymatory współczynników regresji sa zgodne. Wykład z Ekonometrii, III rok, WNE UW 42
43 Proste rozwiazanie problemu regresji pozornej: w przypadku zmiennych I (1) możemy oszacować model na pierwszych różnicach - te będa I (0) więc statystyki t będa miały standardowe rozkłady. Problem: za pomoca regresji na pierwszych różnicach nie da się oszacować równowagi długookresowej: y t = x t β + ε t E (y t y t 1 ) = E (x t x t 1 ) β Wykład z Ekonometrii, III rok, WNE UW 43
44 i przy założeniu, że y = E (y t ) = E (y t 1 ) =... i x = E (x t ) = E (x t 1 ) =... otrzymujemy mało mówiac a tożsamość 0 = 0β. Wykład z Ekonometrii, III rok, WNE UW 44
45 Mechanizm korekty błędem Praktyczne znaczenie pojęcia kointegracji zwia- zane jest z twierdzeniem Grangera, Twierdzenie Jeśli (y t, x t ) sa skointegrowane, oraz y t i x t sa I (1), to y t można przedstawić w postaci Mechanizmu Korekty Błędem (ECM Error Correction Wykład z Ekonometrii, III rok, WNE UW 45
46 Mechanism) gdzie y t 1 x t 1 β I (0) k 1 y t = α (y t 1 x t 1 β)+ i=1 k 1 θ i y t i + i=0 x t i γ i +ε t Znaczenie twierdzenia Grangera: umożliwia ono nam interpretacje wektora kointegrujacego jako równowagi długookresowej: Wykład z Ekonometrii, III rok, WNE UW 46
47 y = E (y t ) =... = E (y t k ) = E ( y t ) =... = E ( y k 1 ) = 0 x = E (x t ) =... = E (x t k ) = E ( x t ) =... = E ( x k 1 ) = 0 a więc z ECM: 0 = α (y x β) Równowaga długookresowa dana wzorem y = Wykład z Ekonometrii, III rok, WNE UW 47
48 x β jest intepretowana jako taka relacja między zmiennymi, do której zmienne daż a przy braku zakłóceń zwiazanych z zaburzeniami losowymi y t x t β jest odchyleniem od tej równowagi długookresowej. Odchylenie to jest korygowane za pośrednictwem α (y t 1 x t 1 β). Współczynnik α zwiazany jest więc szybkościa dostosowania y t do poziomu równowagi. Wykład z Ekonometrii, III rok, WNE UW 48
49 Współczynniki θ i i γ i zwiazane sa z krótkookresowa dynamika procesu. Do modelu powinniśmy wstawić taka liczbę opóźnionych różnic y t i x t, by wyeliminować autokorelację reszt. Przy ustalaniu k można posłużyć się metoda od ogólnego do szczegółowego badź kryteriami informacyjnymi. Wykład z Ekonometrii, III rok, WNE UW 49
50 Dwustopniowa metoda Engela-Grangera Uwaga: Testowanie kointegracji ma sens jedynie wtedy, gdy y t i wszystkie zmienne zawarte w x t sa I (1). Pierwszym etapem analizy kointegracji musi więc być przetestowanie, czy wszystkie analizowane zmienne sa I (1) Wykład z Ekonometrii, III rok, WNE UW 50
51 1. Estymujemy równanie na poziomach y t = x t β+ u t otrzymujemy relację długookresowa 1, β. Ponieważ w regresji zmiennej I (1) na I (1) oszacowanie β jest zgodne więc reszty û t stanowia dobre oszacowanie błędów losowych u t. 2. Przeprowadzamy test DF dla û t : jeśli û t stacjonarne to występuje kointegracja Wykład z Ekonometrii, III rok, WNE UW 51
52 3. Rozkład statystyki testu DF w przypadku testowania kointegracji zależy od liczby zmiennych objaśniajacych zawartych w wektorze x t. 4. Szacujemy ECM z wykorzustujac otrzymane β y t = α ( ) y t 1 x t 1 β + k 1 k 1 θ i y t i + x t i γ i +ɛ t i=1 i=0 Tak uzyskane estymatory parametrów α i β sa zgodne ale nieefektywne Wykład z Ekonometrii, III rok, WNE UW 52
53 Istnieja także inne metody szacowania współczynników w ECM Przykład Badamy istnienie kointgracji między realnym wzrostem spożycia indywidualnego gospodarstw domowych i realnym wzrostem P KB. Używamy danych kwartalnych , wzrost liczony kwartał do analogicznego kwartału. Wyliczony wcześniej test ADF wskazał, że P KB jest niestacjonarne. Wykład z Ekonometrii, III rok, WNE UW 53
54 Wynik testu ADF dla pierwszych różnic P KB: 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) = Wniosek: P KB niestacjonarne, P KB stacjonarne = P KB I (1) Podobnie dla spożycia indywidualnego dla poziomów otrzymujemy Wykład z Ekonometrii, III rok, WNE UW 54
55 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) = A dla pierwszych różnic: 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) = Wykład z Ekonometrii, III rok, WNE UW 55
56 Wynika z tego, że spożycie indywidualne jest też I (1) Kointegracja między zmiennymi jest możliwa! Wykład z Ekonometrii, III rok, WNE UW 56
57 PKB/Spoz_ind q1 1997q3 2000q1 2002q3 2005q1 data PKB Spoz_ind zmienna P KB i spożycie indywidualne Wykład z Ekonometrii, III rok, WNE UW 57
58 Pierwszy stopień procedury Engla-Grangera - regresja P KB na stałej i spożyciu indywidualnym Source SS df MS Number of obs = F( 1, 33) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = spoz_ind Coef. Std. Err. t P> t [95% Conf. Interval] pkb _cons Tworzymy reszty i przeprowadzamy dla nich test Dickey-Fullera: Wykład z Ekonometrii, III rok, WNE UW 58
59 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) = Uzyskane automatycznie wartości krytyczne testu nie sa prawidłowe (dotycza przypadku testowania rzędu integracji) Znajdujemy prawidłowa wartość p =.0319 < 0.05 Odrzucamy hipotezę zerowa o niestacjonarności Wykład z Ekonometrii, III rok, WNE UW 59
60 reszt i przyjmujemy hipotezę alternatywna o ich stacjonarności - między zmiennymi występuje kointegracja! Wykład z Ekonometrii, III rok, WNE UW 60
61 Szacujemy ECM Source SS df MS Number of obs = F( 1, 32) = 3.00 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = D.spoz_ind Coef. Std. Err. t P> t [95% Conf. Interval] ecm L _cons Breusch-Godfrey LM test for autocorrelation lags(p) chi2 df Prob > chi H0: no serial correlation Wykład z Ekonometrii, III rok, WNE UW 61
62 Wynik testu Breuscha-Godfreya wskazuje na to że nia potrzeby wstawiania do ECM dodatkowych elementów zwiazanych z opóźnionymi poerwszymi różnicami x t i y t. Wspołczynnik przy ecm wskazuje na to, 25% różnicy między zależnościa długokresowa a aktualnymi wartościami y t i x t jest redukowana w ciagu jednego kwartału. Wykład z Ekonometrii, III rok, WNE UW 62
63 Residuals q1 1997q3 2000q1 2002q3 2005q1 data odchylania od stanu równowagi - zmienna ecm Wykład z Ekonometrii, III rok, WNE UW 63
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 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 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 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 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 szczegółowoHeteroskedastyczość 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 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 szczegółowo2.6 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 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 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 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 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 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 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 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 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 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 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 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 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. 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 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 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 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 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. 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 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 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 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 szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Regresja pozorna 2. Funkcje ACF i PACF 3. Badanie sacjonarności Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) 2 1. Regresja pozorna 2. Funkcje
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 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 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. 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 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Zmienne sacjonarne 2. Zmienne zinegrowane 3. Regresja pozorna 4. Funkcje ACF i PACF 5. Badanie sacjonarności Tes Dickey-Fullera (DF) 2 1. Zmienne sacjonarne
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 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 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 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 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 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 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 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 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 szczegółowoEKONOMETRIA 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 szczegółowoNiestacjonarne zmienne czasowe własności i testowanie
Materiał dla studentów Niestacjonarne zmienne czasowe własności i testowanie (studium przypadku) Część 3: Przykłady testowania niestacjonarności Nazwa przedmiotu: ekonometria finansowa I (22204), analiza
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 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 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 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 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 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 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 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 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 szczegółowo1.1 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 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 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 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 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 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 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 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 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 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 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 szczegółowoTesty pierwiastka jednostkowego
2 listopada 2017 Proces generujący ceny Wnioski Słaba efektywność rynkowa i błądzenie przypadkowe Załóżmy, że rynek jest słabo efektywny Logarytmicznej stopy zwrotu ( p t = ln ( Pt P t 1 )) w czasie t
Bardziej szczegółowoZadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość?
Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość? Wykres stopy bezrobocia rejestrowanego w okresie 01.1998 12.2008, dane Polskie 22 20 18 16 stopa 14 12
Bardziej 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 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 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 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 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 szczegółowoEkonometria Wykład 6 - Kointegracja, rozkłady opóźnień. Dr Michał Gradzewicz Katedra Ekonomii I KAE
Ekonometria Wykład 6 - Kointegracja, rozkłady opóźnień Dr Michał Gradzewicz Katedra Ekonomii I KAE Plan wykładu Ekonometria wielu szeregów czasowych i analiza zależności pomiędzy nimi Przykłady ważnych
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 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 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 Stanisław Cichocki. Wykład 6
Natalia Nehrebecka Stanisław Cichocki Wykład 6 1 1. Zmienne dyskretne Zmienne zero-jedynkowe 2. Modele z interakcjami 2 Zmienne dyskretne Zmienne nominalne Zmienne uporządkowane 3 4 1 podstawowe i 0 podstawowe
Bardziej 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 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 szczegółowoTEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.
TEST STATYSTYCZNY Testem statystycznym nazywamy regułę postępowania rozstrzygająca, przy jakich wynikach z próby hipotezę sprawdzaną H 0 należy odrzucić, a przy jakich nie ma podstaw do jej odrzucenia.
Bardziej szczegółowoNiestacjonarne zmienne czasowe własności i testowanie
Materiał dla studentów Niestacjonarne zmienne czasowe własności i testowanie (studium przypadku) Część 1: Opis ogólny i plan pracy Nazwa przedmiotu: ekonometria finansowa I (22204), analiza szeregów czasowych
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 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 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 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 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 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 szczegółowoMagdalena Gańko Rafał Janaczek. Model ekonometryczny. Zastosowanie mechanizmu korekty błędem w modelowaniu kursu walutowego
Magdalena Gańko Rafał Janaczek Model ekonometryczny Zastosowanie mechanizmu korekty błędem w modelowaniu kursu walutowego Warszawa 2006 Spis treści Wstęp...3 Rozdział I Podstawowe informacje teoretyczne...4
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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Problemy z danymi Obserwacje nietypowe i błędne Współliniowość. Heteroskedastycznośd i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji
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 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 szczegółowoAnalizowane modele. Dwa modele: y = X 1 β 1 + u (1) y = X 1 β 1 + X 2 β 2 + ε (2) Będziemy analizować dwie sytuacje:
Analizowane modele Dwa modele: y = X 1 β 1 + u (1) Będziemy analizować dwie sytuacje: y = X 1 β 1 + X 2 β 2 + ε (2) zmienne pominięte: estymujemy model (1) a w rzeczywistości β 2 0 zmienne nieistotne:
Bardziej szczegółowo2. 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 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 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 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 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 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 szczegółowo