Ekonometryczne modele nieliniowe
|
|
- Feliks Krzemiński
- 6 lat temu
- Przeglądów:
Transkrypt
1 Ekonomeryczne modele nelnowe Wykład 5 Progowe modele regrej
2 Leraura Hanen B. E. 997 Inference n TAR Model, Sude n Nonlnear Dynamc and Economerc,. Tek na rone nerneowej wykładu
3 Dodakowa leraura Hanen B. E. 996 Inference When a Nuance Parameer I No Idenfed Under he Null Hypohe, Economerca 64, Hanen B. E. Sample Splng and Threhold Emaon, Economerca 68,
4 Dodakowa leraura Pruka K. 996 Meody regrej przełącznkowej ch zaoowane, Wyd. UŁ, Łódź. 4
5 Model progowy Ogólna poać: y ε R r = k r, r, x, I r < z r ε = = ~ d, σ paramery progowe < <... < R I q =, gdy zdane q, gdy zdane q je prawdzwe je fałzywe 5
6 Model progowy W ualonym reżme r model lnowy: y = r r x,,,... r, k xk, ε 6
7 7 Model progowy Model z dwoma reżmam: w zape macerzowym: czyl k k k k z I x x z I x x y ε > =......,,,, y ε = b x ] [ z I z I x x x > = T ] [ k k b = T T T ] [ b =
8 Eymacja Jeśl znany: ˆ - b = [ X ' X ] X ' y gdze X = [ x x... x ] N zawera kolejne oberwacje zmennych 8
9 Eymacja Jeśl neznany: = ˆ σ = N e N mn Szacunek : ˆ Γ Γ = { z, z,..., z } N ozacowane paramerów b modelu dla warośc ˆ przyjmujących kolejno każdą warość ze zboru Γ 9
10 Klayfkacja reżmów Źródło: Hanen 997
11 Założena włanośc Zmenna progowa egzogenczna Warancja kładnka loowego ała mędzy reżmam Eymaor zgodny
12 Precyzja ozacowań Jeśl neją dwa reżmy, o dla b można wylczać andardowe błędy zacunku rozkłady zacunków paramerów b ą aympoyczne normalne Dla wyznacza ę aympoyczny przedzał ufnośc
13 Przedzał ufnośc dla Wyznaczamy ayykę LR: σ ˆ σ LR = N ˆ σ σˆ ozacowane warancj kładnka loowego w modelu progowym dla neznanego σ ozacowane warancj dla modelu progowego, w kórym wyznaczono = 3
14 Przedzał ufnośc dla Sayyka LR może łużyć do eowana hpoezy = Nech zmenna loowa ξ ma dyrybuanę: x / e gdy x > P ξ x = gdy x Rozkład ayyk LR aympoyczne dąży do rozkładu zmennej loowej ξ 4
15 Przedzał ufnośc dla można wyznaczyć aką warość kryyczną cω, że zbór Γ ω = { R : LR c ω} je aympoycznym przedzałem ufnośc dla parameru przy pozome onośc równym ω. Jeśl zbór Γω ne anow pojedynczego przedzału: Γ kon ω =, = mnγ = maxγ ω ω 5
16 Przedzał ufnośc dla Źródło: Hanen 997 6
17 Przedzały ufnośc Konerwaywne przedzały ufnośc dla b: dla różnych warośc wybranych z pewnego przedzału Γω* budowane ą przedzały ufnośc z pozomem onośc ω dla pozczególnych paramerów b. najmnejze najwękze elemeny dla każdego parameru w wekorze b ω* - dodakowy paramer, wpływający na pozom konerwayzmu najlepej,8 Hanen [997] 7
18 Teowane lczby reżmów Model progowy czy model lnowy? H: H: = Jeśl znana warość parameru, o można oować ayyk F, Walda, LR, LM mają andardowe rozkłady por. wykład 8
19 Teowane lczby reżmów Jeśl neznana warość parameru : [ ~ F ˆ ] ˆ = N σ σ σ zacunek warancj kładnka loowego w ozacowanym modelu progowym σˆ ~σ zacunek warancj kładnka loowego w ozacowanym modelu lnowym ~ N σ = y ~ ~ x... ~ x N =, k k, 9
20 Teowane lczby reżmów Sayyka F ne ma andardowego rozkładu Nech zbór Γ* anow podzbór zboru Γ z kórego uunęo m elemenów np. 5% o najwękzych waroścach m elemenów o najmnejzych waroścach σˆ najmnejza warość F najwękza. F up = up F Γ*
21 Teowane lczby reżmów Procedura boorap :. Loowane N nezależnych lczb u z rozkładu N, oraz zdefnowany wekor oberwacj zmennej objaśnanej y * = [ u u... u ] N z ych lczb.. Szacowane ą paramery b modelu ˆ T - T * b = [ X X ] X y 3. Ocena warancj kładnka loowego Sayyka ~ * * * σ σˆ F up = N * ˆ σ ˆ σ *
22 Teowane lczby reżmów Procedura boorap c.d.: 4. Welokrone na przykład razy powarzane krok od do 3. * Empryczny rozkład F up - przyblżene aympoycznego rozkładu ayyk F up 5. Oblczony empryczny pozom onośc ayyk F up Podobne można oować ey LM, LR
23 Teowane lczby reżmów Gdy kładnk loowy heerokedayczny: W up W = Rbˆ M = X T X R = upw Γ* T [ I ] k k = I [ ] T R M V M R Rbˆ T V = X Σ X Σ - na głównej przekąnej kolejne kwadray rez, a poza ną. zaąpene u przez u e =,..., N w wekorze y* e rezy 3
24 4 Przykład Progowy model kuru waluowego Model lnowy, * 3 * 3 z I g z I g ε > = g ε = * 3
25 Wybór zmennej progowej Można eż oować kryerum nformacyjne 5
26 6 Wynk ozacowań eów, * 3 * 3 z I g z I g ε > =
27 7 Wynk ozacowań eów, * 3 * 3 z I g z I g ε > =
28 Dodakowe ayyk 8
29 9 Wynk ozacowań eów, * 3 * 3 z I g z I g ε > =
30 3 Wynk ozacowań eów, * 3 * 3 z I g z I g ε > =
) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
Bardziej szczegółowospecyfikacji i estymacji modelu regresji progowej (ang. threshold regression).
4. Modele regresji progowej W badaniach empirycznych coraz większym zaineresowaniem cieszą się akie modele szeregów czasowych, kóre pozwalają na objaśnianie nieliniowych zależności między poszczególnymi
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych
Bardziej szczegółowoWeryfikacja hipotez dla wielu populacji
Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 4
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających
Bardziej szczegółowo( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X
Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 4
Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane
Bardziej szczegółowoFunkcje i charakterystyki zmiennych losowych
Funkcje charakterystyk zmennych losowych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Funkcje zmennych losowych
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 3
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 3 1. Dobroć dopasowana równana regresj. Współczynnk determnacj R Dk Dekompozycja warancj zmennej zależnej ż Współczynnk determnacj R. Zmenne cągłe a
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =
Bardziej szczegółowo65120/ / / /200
. W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne
Bardziej szczegółowoStatystyka. Zmienne losowe
Statystyka Zmenne losowe Zmenna losowa Zmenna losowa jest funkcją, w której każdej wartośc R odpowada pewen podzbór zboru będący zdarzenem losowym. Zmenna losowa powstaje poprzez przyporządkowane każdemu
Bardziej szczegółowoNatalia Nehrebecka. Wykład 2
Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad
Bardziej szczegółowoFINANSOWE SZEREGI CZASOWE WYKŁAD 3
FINANSOWE SZEREGI CZASOWE WYKŁAD 3 dr Tomasz Wójowcz Wydzał Zarządzana AGH 3800 3300 800 300 800 300 800 0 0 30 40 50 60 70 Kraków 0 Tomasz Wójowcz, WZ AGH Kraków przypomnene MA(q): gdze ε są d(0,σ ).
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Maemayka ubezpeczeń mająkowych 7.05.00 r. Zadane. Pewne ryzyko generuje jedną szkodę z prawdopodobeńswem q, zaś zero szkód z prawdopodobeńswem ( q). Ubezpeczycel pokrywa nadwyżkę szkody ponad udzał własny
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada. Zajęcia 3
Stansław Cchock Natala Nehrebecka Katarzyna Rosak-Lada Zajęca 3 1. Dobrod dopasowana równana regresj. Współczynnk determnacj R 2 Dekompozycja warancj zmennej zależnej Współczynnk determnacj R 2 2. Zmenne
Bardziej szczegółowoHipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ
WERYFIKACJA HIPOTEZY O ISTOTNOŚCI OCEN PARAMETRÓW STRUKTURALNYCH MODELU Hpoezy o sonośc oszacowao paramerów zmennych objaśnających Tesowane sonośc paramerów zmennych objaśnających sprowadza sę do nasępującego
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy
Bardziej szczegółowoMacierz prawdopodobieństw przejścia w pojedynczym kroku dla łańcucha Markowa jest postaci
Zadane. Macerz radoodobeńst rzejśca ojedynczym kroku dla łańcucha Markoa...... o trzech stanach { } jest ostac 0 n 0 0 (oczyśce element stojący -tym erszu j -tej kolumne tej macerzy oznacza P( = j. Wtedy
Bardziej szczegółowo1.1. Uprość opis zdarzeń: 1.2. Uprościć opis zdarzeń: a) A B A Uprościć opis zdarzeń: 1.4. Uprościć opis zdarzeń:
.. Uprość ops zdarzeń: a) A B, A \ B b) ( A B) ( A' B).. Uproścć ops zdarzeń: a) A B A b) A B, ( A B) ( B C).. Uproścć ops zdarzeń: a) A B A B b) A B C ( A B) ( B C).4. Uproścć ops zdarzeń: a) A B, A B
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
Bardziej szczegółowo(estymator asymptotycznej macierzy kowariancji estymatora nieliniowej MNK w MNRN)
W ypowym zadanu z regresj nelnowej mamy nasępujące eapy: Esymacja (uzyskane ocen punkowych paramerów), w ym: 1. Dobór punków sarowych.. Kolejne eracje algorymu Gaussa Newona. 3. Zakończene algorymu Gaussa
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 5 Mkołaj Czajkowsk Wktor Budzńsk Uogólnone modele lnowe Uogólnone modele lnowe (ang. Generalzed Lnear Models GLM) Różną sę od standardowego MNK na dwa sposoby: Rozkład zmennej objaśnanej
Bardziej szczegółowoMikroekonometria 7. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 7 Mkołaj Czajkowsk Wktor Budzńsk Testowane hpotez 4 podstawowe testy Przedzał ufnośc Parametry mają asymptotyczny rozkład normalny Znamy błąd standardowy Czy parametr jest statystyczne różny
Bardziej szczegółowo0 0,2 0, p 0,1 0,2 0,5 0, p 0,3 0,1 0,2 0,4
Zad. 1. Dana jest unkcja prawdopodobeństwa zmennej losowej X -5-1 3 8 p 1 1 c 1 Wyznaczyć: a. stałą c b. wykres unkcj prawdopodobeństwa jej hstogram c. dystrybuantę jej wykres d. prawdopodobeństwa: P (
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL W standardowym modelu lnowym zakładamy,
Bardziej szczegółowoRegresja liniowa i nieliniowa
Metody prognozowana: Regresja lnowa nelnowa Dr nż. Sebastan Skoczypec Zmenna losowa Zmenna losowa X zmenna, która w wynku pewnego dośwadczena przyjmuje z pewnym prawdopodobeństwem wartość z określonego
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 . Zmenne dyskretne Kontrasty: efekty progowe, kontrasty w odchylenach Interakcje. Przyblżane model nelnowych Stosowane do zmennych dyskretnych o uporządkowanych
Bardziej szczegółowoEKONOMETRIA Wykład 2: Metoda Najmniejszych Kwadratów
EKONOMERIA Wkład : Meoda Najmnejszch Kwadraów dr Doroa Cołek Kaedra Ekonomer Wdzał Zarządzana UG hp://wzr.pl/dc doroa.colek@ug.edu.pl Lnow model ekonomerczn:... zmenna endogenczna, 0 k k u zmenne objaśnające,
Bardziej szczegółowoEkonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
mę, nazwsko, nr ndeksu: Ekonometra egzamn 1//19 1. Egzamn trwa 9 mnut.. Rozwązywane zadań należy rozpocząć po ogłoszenu początku egzamnu a skończyć wraz z ogłoszenem końca egzamnu. Złamane tej zasady skutkuje
Bardziej szczegółowoModel GARCH wykorzystanie dodatkowych informacji o cenach minimalnych i maksymalnych
Bank Kredy 45 4 5 Model GARCH wykorzyane dodakowych normacj o cenach mnmalnych makymalnych Grzegorz Perczak * Por Fzeder # adełany: 9 marca r. Zaakceowany: loada r. Srezczene W racy zarezenowano modele
Bardziej szczegółowoProjekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE
Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:
Bardziej szczegółowoAnaliza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)
Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz
Bardziej szczegółowolicencjat Pytania teoretyczne:
Plan wykładu: 1. Wiadomości ogólne. 2. Model ekonomeryczny i jego elemeny 3. Meody doboru zmiennych do modelu ekonomerycznego. 4. Szacownie paramerów srukuralnych MNK. Weryfikacja modelu KMNK 6. Prognozowanie
Bardziej szczegółowoW praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE - zadania powtórzeniowe
PROGNOZOWANIE I SYMULACJE - zadana powórzenowe Zadana I. Na podsawe danych z la 88- zbudowano model: y = + 3, 5 s = szuk, R =,3 opsujcy lczb sprzedawanych arówek w yscach szuk w pewnej frme. Wyznaczy prognoz
Bardziej szczegółowoDobór zmiennych objaśniających
Dobór zmennych objaśnających Metoda grafowa: Należy tak rozpąć graf na werzchołkach opsujących poszczególne zmenne, aby występowały w nm wyłączne łuk symbolzujące stotne korelacje pomędzy zmennym opsującym.
Bardziej szczegółowoKier. MTR Programowanie w MATLABie Laboratorium
Ker. MTR Programowane w MATLABe Laboraorum Ćw. Zasosowane bbloecznych funkcj MATLABa do numerycznego rozwązywana równań różnczkowych. Wprowadzene Układy równań różnczkowych zwyczajnych perwszego rzędu
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 1 Statystyka opsowa ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 W statystyce opsowej mamy pełne nformacje
Bardziej szczegółowoBadanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej
Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 11
Stansław Cchock Natala Nehrebecka Wykład 11 1 1. Testowane hpotez łącznych 2. Testy dagnostyczne Testowane prawdłowośc formy funkcyjnej: test RESET Testowane normalnośc składnków losowych: test Jarque-Berra
Bardziej szczegółowoParametry zmiennej losowej
Eonometra Ćwczena Powtórzene wadomośc ze statysty SS EK Defncja Zmenną losową X nazywamy funcję odwzorowującą przestrzeń zdarzeń elementarnych w zbór lczb rzeczywstych, taą że przecwobraz dowolnego zboru
Bardziej szczegółowoRozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1
Rozkład dwupunktowy Zmenna losowa przyjmuje tylko dwe wartośc: wartość 1 z prawdopodobeństwem p wartość 0 z prawdopodobeństwem 1- p x p 0 1-p 1 p suma 1 Rozkład dwupunktowy Funkcja rozkładu prawdopodobeństwa
Bardziej szczegółowoProblemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA
Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 2
Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 3 Szereg czasowy jes pojedynczą realzacją pewnego
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 2
Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 3 Szereg
Bardziej szczegółowoAnaliza zależności zmiennych ilościowych korelacja i regresja
Analza zależnośc zmennych loścowych korelacja regresja JERZY STEFANOWSKI Instytut Informatyk Poltechnka Poznańska Plan wykładu 1. Lnowa zależność mędzy dwoma zmennym: Prosta regresja Metoda najmnejszych
Bardziej szczegółowoPrzypomnienie: wykłady i zadania kursu były zaczerpnięte z podręczników: Model statystyczny Format danych
Wkład 13: (prota) regreja lnowa Model tattczn Format danch Przedzał ufnośc tet totnośc dla parametrów modelu Przpomnene: wkład zadana kuru bł zaczerpnęte z podręcznków: Stattka dla tudentów kerunków techncznch
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystyka 0.06.0 r. Zadae. Ura zawera kul o umerach: 0,,,,. Z ury cągemy kulę, zapsujemy umer kulę wrzucamy z powrotem do ury. Czyość tę powtarzamy, aż kula z każdym umerem zostae wycągęta
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA. Wkład wstępn. Teora prawdopodobeństwa element kombnatork. Zmenne losowe ch rozkład 3. Populacje prób danch, estmacja parametrów 4. Testowane hpotez statstcznch 5. Test parametrczne
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
Bardziej szczegółowoEKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.
EKONOMERIA wykład Prof. dr hab. Eugeniusz Ganar eganar@mail.wz.uw.edu.pl Przedziały ufności Dla paramerów srukuralnych modelu: P bˆ j S( bˆ z prawdopodobieńswem parameru b bˆ S( bˆ, ( m j j j, ( m j b
Bardziej szczegółowoIID = 2. i i i i. x nx nx nx
Zadane Analzujemy model z jedną zmenną objaśnającą bez wyrazu wolnego: y = β x + ε, ε ~ (0, σ ), gdze x jest nelosowe.. Wyznacz estymator MNK parametru β oraz oblcz jego warancję. (4 pkt) y. Zaproponowano
Bardziej szczegółowoNatalia Nehrebecka. Dariusz Szymański
Natala Nehrebecka Darusz Szymańsk . Sprawy organzacyjne Zasady zalczena Ćwczena Lteratura. Czym zajmuje sę ekonometra? Model ekonometryczny 3. Model lnowy Postać modelu lnowego Zaps macerzowy modelu dl
Bardziej szczegółowoStatystyka Inżynierska
Statystyka Inżynerska dr hab. nż. Jacek Tarasuk AGH, WFIS 013 Wykład DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE Zmenna losowa, Funkcja rozkładu, Funkcja gęstośc, Dystrybuanta, Charakterystyk zmennej, Funkcje
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA Częstochowa 4 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TWIERDZENIE BAYESA Wedza pozyskwana przez metody probablstyczne ma
Bardziej szczegółowoJEDNOWYMIAROWA ZMIENNA LOSOWA
JEDNOWYMIAROWA ZMIENNA LOSOWA Nech E bedze zborem zdarzen elementarnych danego doswadczena. Funcje X(e) przyporzadowujaca azdemu zdarzenu elementarnemu e E jedna tylo jedna lczbe X(e)x nazywamy ZMIENNA
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej
Rachunek prawdopodobeństwa statstka W 11: Analz zależnoścpomędz zmennm losowm Model regresj welokrotnej Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Model regresj lnowej Model regresj lnowej prostej
Bardziej szczegółowoZestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.
Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :
Bardziej szczegółowoV. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH
Krs na Stdach Doktoranckch Poltechnk Wrocławskej wersja: lty 007 34 V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH. Zbór np. lczb rzeczywstych a, b elementy zbor A a A b A, podzbór B zbor A : B A, sma zborów
Bardziej szczegółowoZbudowany i pozytywnie zweryfikowany jednorównaniowy model ekonometryczny. jest uŝyteczny do analizy zaleŝności między zmiennymi uwzględnionymi w
ROGNOZOWANIE EKONOMERYCZNE (REDYKCJA EKONOMERYCZNA) ZEAW V Zbudowan i pozwnie zwerfikowan jednorównaniow model ekonomerczn je uŝeczn do analiz zaleŝności międz zmiennmi uwzględnionmi w modelu w okreie,
Bardziej szczegółowoWPROWADZENIE DO ANALIZY KORELACJI I REGRESJI
WPROWADZENIE DO ANALIZY KORELACJI I REGRESJI dr Janusz Wątroba, StatSoft Polska Sp. z o.o. Prezentowany artykuł pośwęcony jest wybranym zagadnenom analzy korelacj regresj. Po przedstawenu najważnejszych
Bardziej szczegółowoPobieranie próby. Rozkład χ 2
Graficzne przedsawianie próby Hisogram Esymaory przykład Próby z rozkładów cząskowych Próby ze skończonej populacji Próby z rozkładu normalnego Rozkład χ Pobieranie próby. Rozkład χ Posać i własności Znaczenie
Bardziej szczegółowoma rozkład normalny z wartością oczekiwaną EX = EY = 1, EZ = 0 i macierzą kowariancji
Zadae. Zmea losowa (, Y, Z) ma rozkład ormaly z wartoścą oczekwaą E = EY =, EZ = 0 macerzą kowaracj. Oblczyć Var(( Y ) Z). (A) 5 (B) 7 (C) 6 Zadae. Zmee losowe,, K,,K P ( = ) = P( = ) =. Nech S =. Oblcz
Bardziej szczegółowość ść ś ś Ą ż Ść ś Ó Ó ś ń ś ń ś ń Ć Ż ż Ó Ż Ó Ó żó ń Ó ś Ż ń ż Ź ś
ś Ó Ó Ó Ó ś ń Ę ś ś Ó Ó Ż ń ń ż ń ś ż Ó ś Ó ś Ż ś ń Ó Ż ń Ó ń Ó Ż ń Ó ś Ó Ó ń Ó Ę ść ść ść ś ś Ą ż Ść ś Ó Ó ś ń ś ń ś ń Ć Ż ż Ó Ż Ó Ó żó ń Ó ś Ż ń ż Ź ś ś ńą ś ś ż ś ż Ó Ż ś Ó Ó Ó Ź Ó Ó Ś Ó Ó Ó Ó Ę ś Ę
Bardziej szczegółowoEKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnienia
EKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnena dr Dorota Cołek Katedra Ekonometr Wydzał Zarządzana UG http://wzr.pl/dorota-colek/ dorota.colek@ug.edu.pl 1 Wpływ skalowana danych na MNK
Bardziej szczegółowoProcedura normalizacji
Metody Badań w Geograf Społeczno Ekonomcznej Procedura normalzacj Budowane macerzy danych geografcznych mgr Marcn Semczuk Zakład Przedsęborczośc Gospodark Przestrzennej Instytut Geograf Unwersytet Pedagogczny
Bardziej szczegółowoOGÓLNE PODSTAWY SPEKTROSKOPII
WYKŁAD 8 OGÓLNE PODSTAWY SPEKTROSKOPII E E0 sn( ωt kx) ; k π ; ω πν ; λ T ν E (m c 4 p c ) / E +, dla fotonu m 0 p c p hk Rozkład energ w stane równowag: ROZKŁAD BOLTZMANA!!!!! P(E) e E / kt N E N E/
Bardziej szczegółowoKwantowa natura promieniowania elektromagnetycznego
Efekt Comptona. Kwantowa natura promenowana elektromagnetycznego Zadane 1. Foton jest rozpraszany na swobodnym elektrone. Wyznaczyć zmanę długośc fal fotonu w wynku rozproszena. Poneważ układ foton swobodny
Bardziej szczegółowoKrzywa wieża w Pizie. SAS Data Step. Przykład (2) Wykład 13 Regresja liniowa
Bonformatyka - rozwój oferty edukacyjnej Unwersytetu Przyrodnczego we Wrocławu projekt realzowany w ramac Programu Operacyjnego Kaptał Ludzk współfnansowanego ze środków Europejskego Funduszu Społecznego
Bardziej szczegółowoZapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.
Zaps nformacj, systemy pozycyjne 1 Lteratura Jerzy Grębosz, Symfona C++ standard. Harvey M. Detl, Paul J. Detl, Arkana C++. Programowane. Zaps nformacj w komputerach Wszystke elementy danych przetwarzane
Bardziej szczegółowody dx stąd w przybliżeniu: y
Przykłady do funkcj nelnowych funkcj Törnqusta Proszę sprawdzć uzasadnć, które z podanych zdań są prawdzwe, a które fałszywe: Przykład 1. Mesęczne wydatk na warzywa (y, w jednostkach penężnych, jp) w zależnośc
Bardziej szczegółowoPlan wykładu: Typowe dane. Jednoczynnikowa Analiza wariancji. Zasada: porównać zmienność pomiędzy i wewnątrz grup
Jednoczynnkowa Analza Waranc (ANOVA) Wykład 11 Przypomnene: wykłady zadana kursu były zaczerpnęte z podręcznków: Statystyka dla studentów kerunków techncznych przyrodnczych, J. Koronack, J. Melnczuk, WNT
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej
Bardziej szczegółowoFinansowe szeregi czasowe wykład 7
Fnansowe szereg czasowe wykład 7 dr Tomasz Wójowcz Wydzał Zarządzana AGH 38 33 28 23 18 13 8 1 11 21 31 41 51 61 71 Kraków 213 Noowana ndeksu WIG w okrese: 3 marca 29 31 syczna 211 55 5 45 4 35 3 25 2
Bardziej szczegółowoś ę ę ęż Ć Ł ę ę ę ś ść ż ś ż ę ś ś ę Ż ć ć ś ę ż ś ę Ś Ą Ś ś ę ś ż ż
Ż ę ż ś ę Ś ć ś ść ż ę ę Ś Ą ś ź ć ę ś ć ś ę ę ś ś Ą ść ść ę Ą ż ę ś ś ę ę ć ę ę ś ż Ś Ś ę Ś Ą ś ę ć ś ę ź ś ę ę ź ż ź ść Ż ę ż ż ść ż ż Ł Ź ż ę ś ż ż ę ę ę ę ś ś ŚĆ ę ę ż ś ś ę ś ę ę ęż Ć Ł ę ę ę ś ść
Bardziej szczegółowoElementy rachunku prawdopodobieństwa. repetytorium
Elementy rachunku prawdopodobeństwa repetytorum myślowy. - powtarzalny eksperyment fzyczny lub obserwacja czy śwatło jest zapalone czy zgaszone, określene lośc braków w bel tkanny, ustalene lośc wadlwych
Bardziej szczegółowoż Ł Ęż Ą Ę Ę ż ż ż ż Ł ń ń Ę Ę ż ż ć ż Ś ń ż ć ń ń ć ż Ł ć Ł ż Ą ń ń ć ż ż ż ć Ą Ę Ł ń Ł ć ń ń ż ż ż ż ź ż ż ż ć Ę ć ż ż ż ż ż ć ż Ą ć ż ż ć Ń ż Ę ż ż ń ć ż ż ć Ń ż ż ć ń Ę ż ż ć Ą ż ź ż ć ż Ę Ę ż ć ń
Bardziej szczegółowoDla dzielnej X (dividend) i dzielnika D 0 (divisor) liczby Q oraz R takie, Ŝe
zelene ekwencyjne zelene la dzelnej X (dvdend) dzelnka (dvor) lczby Q oraz R take, Ŝe X=Q R, R < nazywa ę lorazem Q (uotent) reztą R (remander) z dzelena X rzez. Równane dzelena moŝe meć rozwązana ełnające
Bardziej szczegółowoPodstawy teorii falek (Wavelets)
Podstawy teor falek (Wavelets) Ψ(). Transformaca Haara (97).. Przykład pewne metody zapsu obrazu Transformaca Haara Przykład zapsu obrazu -D Podstawy matematyczne transformac Algorytmy rozkładana funkc
Bardziej szczegółowoTESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego).
TESTY NORMALNOŚCI Test zgodośc Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład ormaly). Hpoteza alteratywa H1( Cecha X populacj e ma rozkładu ormalego). Weryfkacja powyższych hpotez za pomocą tzw. testu
Bardziej szczegółowoMikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 10 Mkołaj Czajkowsk Wktor Budzńsk Jak analzować dane o charakterze uporządkowanym? Dane o charakterze uporządkowanym Wybór jednej z welkośc na uporządkowanej skal Skala ne ma nterpretacj
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadae. W ure zajduje sę 5 kul, z których 5 jest bałych czarych. Losujemy bez zwracaa kolejo po jedej kul. Kończymy losowae w momece, kedy wycągęte zostaą wszystke czare kule. Oblcz wartość oczekwaą lczby
Bardziej szczegółowoWykorzystanie rozkładu GED do modelowania rozkładu stóp zwrotu spółek sektora transportowego
PUCZYŃSKI Jan CZYŻYCKI afał Wykorzyanie rozkładu GED do modelowania rozkładu óp zwrou półek ekora ranporowego WSTĘP Jednym z najczęściej prowadzonych badań doyczących rynku kapiałowego ą badania doyczące
Bardziej szczegółowo1 Przestrzenie statystyczne, statystyki
M. Beśka, Statystyka matematyczna, wykład 1 1 1 Przestrzene statystyczne, statystyk 1.1 Rozkłady zmennych losowych Nech Ω, F, P ) będze ustaloną przestrzeną probablstyczną, a X : Ω IR zmenną losową na
Bardziej szczegółowoKomputerowe generatory liczb losowych
. Perwszy generator Komputerowe generatory lczb losowych 2. Przykłady zastosowań 3. Jak generuje sę lczby losowe przy pomocy komputera. Perwszy generator lczb losowych L. H. C. Tppet - 927 Ksąż ążka -
Bardziej szczegółowou u u( x) u, x METODA RÓŻNIC SKOŃCZONYCH, METODA ELEMENTÓW BRZEGOWYCH i METODA ELEMENTÓW SKOŃCZONYCH
METODA RÓŻNIC SKOŃCZONYCH, METODA ELEMENTÓW BRZEGOWYCH METODA ELEMENTÓW SKOŃCZONYCH Szkc rozwązana równana Possona w przestrzen dwuwymarowe. Równane Possona to równae różnczkowe cząstkowe opsuące wele
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAICZNE ODELE EKONOETRYCZNE X Ogólnopolske Semnarum Naukowe, 4 6 wrześna 7 w Torunu Kaedra Ekonomer Saysyk, Unwersye kołaja Kopernka w Torunu Jacek Kwakowsk Unwersye kołaja Kopernka w Torunu odele RCA
Bardziej szczegółowoBryła fotometryczna i krzywa światłości.
STUDIA NIESTACJONARNE ELEKTROTECHNIKA Laboratorum PODSTAW TECHNIKI ŚWIETLNEJ Temat: WYZNACZANIE BRYŁY FOTOMETRYCZNEJ ŚWIATŁOŚCI Opracowane wykonano na podstawe: 1. Laboratorum z technk śwetlnej (praca
Bardziej szczegółowoTwierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że
Twerdzene Bezouta lczby zespolone Javer de Lucas Ćwczene 1 Ustal dla których a, b R można podzelć f 1 X) = X 4 3X 2 + ax b przez f 2 X) = X 2 3X+2 Oblcz a b Z 5 jeżel zak ladamy, że f 1 f 2 s a welomanam
Bardziej szczegółowot t t t T 2 Interpretacja: Przeciętna wartość zmiennej objaśnianej różni się od wartości teoretycznej średnio o
Cele werfacj odelu Werfacja sasczna odelu polega na oblczenu szeregu ernów jaośc odelu oraz werfacj pewnch hpoez sascznch w celu sprawdzena cz na podsawe ego odelu ożna wcągać wnos doczące badanego zjawsa
Bardziej szczegółowoBADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda
BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp
Bardziej szczegółowoRachunek niepewności pomiaru opracowanie danych pomiarowych
Rachunek nepewnośc pomaru opracowane danych pomarowych Mędzynarodowa Norma Oceny Nepewnośc Pomaru (Gude to Epresson of Uncertanty n Measurements - Mędzynarodowa Organzacja Normalzacyjna ISO) http://physcs.nst./gov/uncertanty
Bardziej szczegółowoPomiary bezpośrednie i pośrednie obarczone błędem przypadkowym
Pomary bezpośrede pośrede obarczoe błędem przypadkowym I. Szacowae wartośc przyblŝoej graczego błędu przypadkowego a przykładze bezpośredego pomaru apęca elem ćwczea jest oszacowae wartośc przyblŝoej graczego
Bardziej szczegółowoMonika Kośko Wyższa Szkoła Informatyki i Ekonomii TWP w Olsztynie Michał Pietrzak Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolske Semnarum Naukowe, 4 6 wrześna 007 w Torunu Kaedra Ekonomer Saysyk, Unwersye Mkołaja Kopernka w Torunu Monka Kośko Wyższa Szkoła Informayk Ekonom TWP w Olszyne
Bardziej szczegółowoSZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.
Bardziej szczegółowoMarkowa. ZałoŜenia schematu Gaussa-
ZałoŜena scheatu Gaussa- Markowa I. Model jest nezennczy ze względu na obserwacje: f f f3... fl f, czyl y f (x, ε) II. Model jest lnowy względe paraetrów. y βo + β x +ε Funkcja a być lnowa względe paraetrów
Bardziej szczegółowo