Modele wielorownaniowe

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "Modele wielorownaniowe"

Transkrypt

1 Część 1. e

2 e jednorównaniowe są znacznym uproszczeniem rzeczywistości gospodarczej

3 e jednorównaniowe są znacznym uproszczeniem rzeczywistości gospodarczej e makroekonomiczne z reguły składają się z większej liczby równań

4 e jednorównaniowe są znacznym uproszczeniem rzeczywistości gospodarczej e makroekonomiczne z reguły składają się z większej liczby równań Z reguły zmienne w nich występująca są zmiennymi współzależnymi

5 e jednorównaniowe są znacznym uproszczeniem rzeczywistości gospodarczej e makroekonomiczne z reguły składają się z większej liczby równań Z reguły zmienne w nich występująca są zmiennymi współzależnymi Do matematycznego opisu takich modeli wykorzystuje się modele wielorównaniowe o równaniach współzależnych Simultaneous Equation s

6 wielorównaniowy w formie strukturalnej opisuje strukturę zależności w gospodarce

7 wielorównaniowy w formie strukturalnej opisuje strukturę zależności w gospodarce o G równaniach zapisujemy w postaci macierzowej AY t = BX t + u t

8 wielorównaniowy w formie strukturalnej opisuje strukturę zależności w gospodarce o G równaniach zapisujemy w postaci macierzowej AY t = BX t + u t gdzie: Y t = [y1,..., y G ] to wektor zmiennych endogenicznych

9 wielorównaniowy w formie strukturalnej opisuje strukturę zależności w gospodarce o G równaniach zapisujemy w postaci macierzowej AY t = BX t + u t gdzie: Y t = [y1,..., y G ] to wektor zmiennych endogenicznych A G G oraz B G G są nieosobliwe

10 wielorównaniowy w formie strukturalnej opisuje strukturę zależności w gospodarce o G równaniach zapisujemy w postaci macierzowej AY t = BX t + u t gdzie: Y t = [y1,..., y G ] to wektor zmiennych endogenicznych A G G oraz B G G są nieosobliwe X t to wektor zmiennych objaśniających nieskorelowanych ze składnikiem losowym u

11 wielorównaniowy w formie strukturalnej opisuje strukturę zależności w gospodarce o G równaniach zapisujemy w postaci macierzowej AY t = BX t + u t gdzie: Y t = [y1,..., y G ] to wektor zmiennych endogenicznych A G G oraz B G G są nieosobliwe X t to wektor zmiennych objaśniających nieskorelowanych ze składnikiem losowym u u t = [u 1,..., u G ]

12 wielorównaniowy w formie strukturalnej opisuje strukturę zależności w gospodarce o G równaniach zapisujemy w postaci macierzowej AY t = BX t + u t gdzie: Y t = [y1,..., y G ] to wektor zmiennych endogenicznych A G G oraz B G G są nieosobliwe X t to wektor zmiennych objaśniających nieskorelowanych ze składnikiem losowym u u t = [u 1,..., u G ] E(u) = 0, Var(u t ) = Σ, t s E(u t u s ) = 0

13 Zmienne X t nazywamy zmiennymi z góry ustalonymi. Są nimi zarówno zmienne egzogeniczne, jak również opóźnione wartości zmiennych endogenicznych

14 Zmienne X t nazywamy zmiennymi z góry ustalonymi. Są nimi zarówno zmienne egzogeniczne, jak również opóźnione wartości zmiennych endogenicznych W jednym równaniu może występować więcej niż jedna zmienna endogeniczna

15 Zmienne X t nazywamy zmiennymi z góry ustalonymi. Są nimi zarówno zmienne egzogeniczne, jak również opóźnione wartości zmiennych endogenicznych W jednym równaniu może występować więcej niż jedna zmienna endogeniczna Liczba zmiennych endogenicznych w modelu jest równa liczbie równań G

16 Zmienne X t nazywamy zmiennymi z góry ustalonymi. Są nimi zarówno zmienne egzogeniczne, jak również opóźnione wartości zmiennych endogenicznych W jednym równaniu może występować więcej niż jedna zmienna endogeniczna Liczba zmiennych endogenicznych w modelu jest równa liczbie równań G Przejęto konwencję zapisu modelu według której w każdym równaniu po lewej stronie znajduje się inna zmienna endogeniczna

17 Zmienne X t nazywamy zmiennymi z góry ustalonymi. Są nimi zarówno zmienne egzogeniczne, jak również opóźnione wartości zmiennych endogenicznych W jednym równaniu może występować więcej niż jedna zmienna endogeniczna Liczba zmiennych endogenicznych w modelu jest równa liczbie równań G Przejęto konwencję zapisu modelu według której w każdym równaniu po lewej stronie znajduje się inna zmienna endogeniczna Jednak wystepują od niej pewne odstępstwa, gdy inny zapis ułatwia interpretację parametrów

18 Sposób zapisu formy strukturalnej powinien zapewniać możliwość interpretacji ekonomicznej parametrów modelu

19 Sposób zapisu formy strukturalnej powinien zapewniać możliwość interpretacji ekonomicznej parametrów modelu Ta interpretacja bezpośrednio wynika z teorii ekonomicznej

20 Sposób zapisu formy strukturalnej powinien zapewniać możliwość interpretacji ekonomicznej parametrów modelu Ta interpretacja bezpośrednio wynika z teorii ekonomicznej Celem budowy modelu jest identyfikacja kanałów transmisji polityki gospodarczej

21 Sposób zapisu formy strukturalnej powinien zapewniać możliwość interpretacji ekonomicznej parametrów modelu Ta interpretacja bezpośrednio wynika z teorii ekonomicznej Celem budowy modelu jest identyfikacja kanałów transmisji polityki gospodarczej Postać poszczególnych równań, oraz podział zmiennych na endogeniczne i egzogeniczne powinny bezpośrednio wynikać z teorii ekonomicznej

22 Przykład Wprowadzenie Załóżmy, że pewną gałąź gospodarki opisuje model strukturalny q D = α 0 + α 1 p + α 2 y + u 1 q S = β 1 p + β 2 p m + u 2 q D = q s

23 Przykład Wprowadzenie Załóżmy, że pewną gałąź gospodarki opisuje model strukturalny q D = α 0 + α 1 p + α 2 y + u 1 q S = β 1 p + β 2 p m + u 2 q D = q s gdzie: q D logarytm popytu; q S logarytm podaży

24 Przykład Wprowadzenie Załóżmy, że pewną gałąź gospodarki opisuje model strukturalny q D = α 0 + α 1 p + α 2 y + u 1 q S = β 1 p + β 2 p m + u 2 q D = q s gdzie: q D logarytm popytu; q S logarytm podaży p logarytm ceny dobra; y logarytm dochodu konsumentów

25 Przykład Wprowadzenie Załóżmy, że pewną gałąź gospodarki opisuje model strukturalny q D = α 0 + α 1 p + α 2 y + u 1 q S = β 1 p + β 2 p m + u 2 q D = q s gdzie: q D logarytm popytu; q S logarytm podaży p logarytm ceny dobra; y logarytm dochodu konsumentów p m indeks cen surowców

26 Przykład Wprowadzenie W modelu strukturalnym q D = α 0 + α 1 p + α 2 y + u 1 (1) q S = β 1 p + β 2 p m + u 2 (2) q D = q S (3)

27 Przykład Wprowadzenie W modelu strukturalnym q D = α 0 + α 1 p + α 2 y + u 1 (1) q S = β 1 p + β 2 p m + u 2 (2) q D = q S (3) Równanie (1) oparte jest na teorii konsumenta

28 Przykład Wprowadzenie W modelu strukturalnym q D = α 0 + α 1 p + α 2 y + u 1 (1) q S = β 1 p + β 2 p m + u 2 (2) q D = q S (3) Równanie (1) oparte jest na teorii konsumenta Równanie (2) oparte jest na teorii producenta

29 Przykład Wprowadzenie W modelu strukturalnym q D = α 0 + α 1 p + α 2 y + u 1 (1) q S = β 1 p + β 2 p m + u 2 (2) q D = q S (3) Równanie (1) oparte jest na teorii konsumenta Równanie (2) oparte jest na teorii producenta Równanie (3) jest warunkiem równowagi. Tego typu równania nazywamy identycznościami

30 Przykład Wprowadzenie Parametrom poszczególnych równań formy strukturalnej można nadać interpretację ekonomiczną

31 Przykład Wprowadzenie Parametrom poszczególnych równań formy strukturalnej można nadać interpretację ekonomiczną α 1 jest cenową elastycznością popytu; α 2 jest dochodową elastycznością popytu

32 Przykład Wprowadzenie Parametrom poszczególnych równań formy strukturalnej można nadać interpretację ekonomiczną α 1 jest cenową elastycznością popytu; α 2 jest dochodową elastycznością popytu β 1 jest cenową elastycznością podaży; β 2 jest elastycznością podaży względem cen surowców

33 Przykład Wprowadzenie Parametrom poszczególnych równań formy strukturalnej można nadać interpretację ekonomiczną α 1 jest cenową elastycznością popytu; α 2 jest dochodową elastycznością popytu β 1 jest cenową elastycznością podaży; β 2 jest elastycznością podaży względem cen surowców Można również sformułować oczekiwania w stosunku do znaków: α 1 < 0, α 2 > 0,β 1 > 0, β 2 < 0

34 Przykład Wprowadzenie W modelu strukturalnym q D = α 0 + α 1 p + α 2 y + u 1 (1) q S = β 1 p + β 2 p m + u 2 (2) q D = q S (3)

35 Przykład Wprowadzenie W modelu strukturalnym q D = α 0 + α 1 p + α 2 y + u 1 (1) q S = β 1 p + β 2 p m + u 2 (2) q D = q S (3) Równanie (1) jest równaniem popytu

36 Przykład Wprowadzenie W modelu strukturalnym q D = α 0 + α 1 p + α 2 y + u 1 (1) q S = β 1 p + β 2 p m + u 2 (2) q D = q S (3) Równanie (1) jest równaniem popytu Równanie (2) jest równaniem podaży

37 Przykład Wprowadzenie W modelu strukturalnym q D = α 0 + α 1 p + α 2 y + u 1 (1) q S = β 1 p + β 2 p m + u 2 (2) q D = q S (3) Równanie (1) jest równaniem popytu Równanie (2) jest równaniem podaży Równanie (3) jest ograniczeniem, lub warunkiem równowagi

38 Rozróżnienie nie wynika z formy modelu

39 Rozróżnienie nie wynika z formy modelu Zmiennych endogenicznych jest tyle, ile jest równań w modelu

40 Rozróżnienie nie wynika z formy modelu Zmiennych endogenicznych jest tyle, ile jest równań w modelu Rozróżnienia dokonujemy na podstawie przesłanek teoretycznych q D α 1 p = α 0 + α 2 y + u 1 (4) q S β 1 p = β 2 y + u 2 (5) q D q S = 0 (6)

41 ma postać AY t = BX t + u t

42 ma postać AY t = BX t + u t wektor zmiennych endogenicznych Y t = [q D, q S, p]

43 ma postać AY t = BX t + u t wektor zmiennych endogenicznych Y t = [q D, q S, p] wektor zmiennych egzogenicznych Y t = [1, y, p m ]

44 ma postać AY t = BX t + u t wektor zmiennych endogenicznych Y t = [q D, q S, p] wektor zmiennych egzogenicznych Y t = [1, y, p m ] wektor błędów losowych u t = [u 1t, u 2t, 0]

45 Macierze A oraz B są macierzami przekształcającymi wektory w odpowiednie równania formy strukturalnej 1 0 α 1 α 0 α 2 0 A = 0 1 β 1 B = 0 0 β

46 Macierze A oraz B są macierzami rzadkimi

47 Macierze A oraz B są macierzami rzadkimi Wynika to z ograniczeń wynikających z teorii ekonomicznej

48 równania strukturalnego powstaje poprzez lewostronne pomnożenie formy strukturalnej przez A 1 AY t = BX t + u t / A 1

49 równania strukturalnego powstaje poprzez lewostronne pomnożenie formy strukturalnej przez A 1 AY t = BX t + u t / A 1 A 1 AY t = A 1 BX t + A 1 u t

50 równania strukturalnego powstaje poprzez lewostronne pomnożenie formy strukturalnej przez A 1 AY t = BX t + u t / A 1 A 1 AY t = A 1 BX t + A 1 u t Y t = A 1 BX t + A 1 u t

51 Gdy przyjmiemy oznaczenia Π = A 1 B, oraz ε t = A 1 u t to Y t = ΠX t + ε t

52 Gdy przyjmiemy oznaczenia Π = A 1 B, oraz ε t = A 1 u t to Y t = ΠX t + ε t Tę postać nazywamy formą zredukowaną modelu

53 Gdy przyjmiemy oznaczenia Π = A 1 B, oraz ε t = A 1 u t to Y t = ΠX t + ε t Tę postać nazywamy formą zredukowaną modelu W każdym jej równaniu występuje tylko jedna zmienna endogeniczna, a po prawej stronie wyłącznie zmienne z góry ustalone

54 Różnicą między formami jest sposób interpretacji parametrów

55 Różnicą między formami jest sposób interpretacji parametrów W formie strukturalnej równania opisują zachowania podmiotów

56 Różnicą między formami jest sposób interpretacji parametrów W formie strukturalnej równania opisują zachowania podmiotów W formie zredukowanej reprezentują ilościowe zależności między zmiennymi

57 Różnicą między formami jest sposób interpretacji parametrów W formie strukturalnej równania opisują zachowania podmiotów W formie zredukowanej reprezentują ilościowe zależności między zmiennymi Parametry formy zredukowanej można interpretować mnożnikowo

58 Różnicą między formami jest sposób interpretacji parametrów W formie strukturalnej równania opisują zachowania podmiotów W formie zredukowanej reprezentują ilościowe zależności między zmiennymi Parametry formy zredukowanej można interpretować mnożnikowo Między parametrami istnieje zależność wynikająca z powiązania Π = A 1 B

59 Przykład Wprowadzenie W przypadku modelu popytu i podaży forma zredukowana ma postać q D = q S = Π 11 + Π 12 y + Π 13 p m + ε 1 (7) p = Π 21 + Π 22 y + Π 23 p m + ε 2 (8)

60 Przykład Wprowadzenie W przypadku modelu popytu i podaży forma zredukowana ma postać q D = q S = Π 11 + Π 12 y + Π 13 p m + ε 1 (7) p = Π 21 + Π 22 y + Π 23 p m + ε 2 (8) Rozwiązując formę strukturalną względem p oraz q D uzyskujemy q D, q S = p = β 1 α 0 + β 1α 2 y β 2α 1 p m + β 1 u 1 α 1 u 2 β 1 α 1 β 1 α 1 β 1 α 1 β 1 α 1 β 1 α 1 α 0 β 1 α 1 + α 2 β 1 α 1 y β 2 β 1 α 1 p m + 1 β 1 α 1 u 1 1 β 1 α 1 u 2

61 Przykład Wprowadzenie Zależności pomiędzy parametrami formy strukturalnej i zredukowanej są następujące Π 11 = β 1α 0 β 1 α 1 Π 12 = β 1α 2 β 1 α 1 Π 13 = β 2α 1 β 1 α 1 Π 21 = α 0 β 1 α 1 Π 22 = α 2 β 1 α 1 Π 23 = β 2 β 1 α 1

62 Przykład Wprowadzenie Zależności pomiędzy parametrami formy strukturalnej i zredukowanej są następujące Π 11 = β 1α 0 β 1 α 1 Π 12 = β 1α 2 β 1 α 1 Π 13 = β 2α 1 β 1 α 1 Π 21 = α 0 β 1 α 1 Π 22 = α 2 β 1 α 1 Π 23 = β 2 β 1 α 1 Parametrom Π nie można nadać interpretacji behawioralnej

63 Przykład Wprowadzenie Zależności pomiędzy parametrami formy strukturalnej i zredukowanej są następujące Π 11 = β 1α 0 β 1 α 1 Π 12 = β 1α 2 β 1 α 1 Π 13 = β 2α 1 β 1 α 1 Π 21 = α 0 β 1 α 1 Π 22 = α 2 β 1 α 1 Π 23 = β 2 β 1 α 1 Parametrom Π nie można nadać interpretacji behawioralnej Przy szacowaniu formy zredukowanej wystąpi problem równoczesności

Modele Wielorównaniowe

Modele Wielorównaniowe Rozdział 8 Modele Wielorównaniowe Modele wielorównaniowe o równaniach współzależnych (Simultaneus Equations Model) stosuje się do opisu zależności między zmiennymi, które wzajemnie i równocześnie wpływają

Bardziej szczegółowo

1. Ekonometria jako dyscyplina naukowa (przedmiot, metodologia, teorie ekonomiczne). Model ekonometryczny, postać modelu, struktura, klasyfikacja.

1. Ekonometria jako dyscyplina naukowa (przedmiot, metodologia, teorie ekonomiczne). Model ekonometryczny, postać modelu, struktura, klasyfikacja. 1. Ekonometria jako dyscyplina naukowa (przedmiot, metodologia, teorie ekonomiczne). Model ekonometryczny, postać modelu, struktura, klasyfikacja. Zadanie 1. Celem zadania jest oszacowanie modelu opisującego

Bardziej szczegółowo

Modele wielorównaniowe. Estymacja parametrów

Modele wielorównaniowe. Estymacja parametrów Modele wielorównaniowe. Estymacja parametrów Ekonometria Szeregów Czasowych SGH Estymacja 1 / 47 Plan wykªadu 1 Po±rednia MNK 2 Metoda zmiennych instrumentalnych 3 Podwójna MNK 4 Estymatory klasy k 5 MNW

Bardziej szczegółowo

Finanse i Rachunkowość studia niestacjonarne/stacjonarne Model Przepływów Międzygałęziowych

Finanse i Rachunkowość studia niestacjonarne/stacjonarne Model Przepływów Międzygałęziowych dr inż. Ryszard Rębowski 1 OPIS ZJAWISKA Finanse i Rachunkowość studia niestacjonarne/stacjonarne Model Przepływów Międzygałęziowych 8 listopada 2015 1 Opis zjawiska Będziemy obserwowali proces tworzenia

Bardziej szczegółowo

Ekonometria. Wprowadzenie do modelowania ekonometrycznego Estymator KMNK. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria. Wprowadzenie do modelowania ekonometrycznego Estymator KMNK. Jakub Mućk. Katedra Ekonomii Ilościowej Ekonometria Wprowadzenie do modelowania ekonometrycznego Estymator Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 1 Estymator 1 / 16 Agenda 1 Literatura Zaliczenie przedmiotu 2 Model

Bardziej szczegółowo

K wartość kapitału zaangażowanego w proces produkcji, w tys. jp.

K wartość kapitału zaangażowanego w proces produkcji, w tys. jp. Sprawdzian 2. Zadanie 1. Za pomocą KMNK oszacowano następującą funkcję produkcji: Gdzie: P wartość produkcji, w tys. jp (jednostek pieniężnych) K wartość kapitału zaangażowanego w proces produkcji, w tys.

Bardziej szczegółowo

Przekształcenia liniowe

Przekształcenia liniowe Przekształcenia liniowe Zadania Które z następujących przekształceń są liniowe? (a) T : R 2 R 2, T (x, x 2 ) = (2x, x x 2 ), (b) T : R 2 R 2, T (x, x 2 ) = (x + 3x 2, x 2 ), (c) T : R 2 R, T (x, x 2 )

Bardziej szczegółowo

Ekonomia matematyczna - 1.2

Ekonomia matematyczna - 1.2 Ekonomia matematyczna - 1.2 6. Popyt Marshalla, a popyt Hicksa. Poruszać się będziemy w tzw. standardowym polu preferencji X,, gdzie X R n i jest relacją preferencji, która jest: a) rosnąca (tzn. x y x

Bardziej szczegółowo

a 11 a a 1n a 21 a a 2n... a m1 a m2... a mn x 1 x 2... x m ...

a 11 a a 1n a 21 a a 2n... a m1 a m2... a mn x 1 x 2... x m ... Wykład 15 Układy równań liniowych Niech K będzie ciałem i niech α 1, α 2,, α n, β K. Równanie: α 1 x 1 + α 2 x 2 + + α n x n = β z niewiadomymi x 1, x 2,, x n nazywamy równaniem liniowym. Układ: a 21 x

Bardziej szczegółowo

JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY

JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY Będziemy zapisywać wektory w postaci (,, ) albo traktując go jak macierz jednokolumnową (dzięki temu nie będzie kontrowersji przy transponowaniu wektora ) Model

Bardziej szczegółowo

Stosowane modele równowagi. Wykład 1

Stosowane modele równowagi. Wykład 1 Stosowane modele równowagi ogólnej (CGE) Wykład 1 Literatura Horridge M., MINIMAL. A Simplified General Equilibrium Model, 2001, http://www.copsmodels.com/minimal.htm dowolny podręcznik do mikroekonomii

Bardziej szczegółowo

Układy równań liniowych

Układy równań liniowych Układy równań liniowych Niech K będzie ciałem. Niech n, m N. Równanie liniowe nad ciałem K z niewiadomymi (lub zmiennymi) x 1, x 2,..., x n K definiujemy jako formę zdaniową zmiennej (x 1,..., x n ) K

Bardziej szczegółowo

Załóżmy, że obserwujemy nie jedną lecz dwie cechy, które oznaczymy symbolami X i Y. Wyniki obserwacji obu cech w i-tym obiekcie oznaczymy parą liczb

Załóżmy, że obserwujemy nie jedną lecz dwie cechy, które oznaczymy symbolami X i Y. Wyniki obserwacji obu cech w i-tym obiekcie oznaczymy parą liczb Współzależność Załóżmy, że obserwujemy nie jedną lecz dwie cechy, które oznaczymy symbolami X i Y. Wyniki obserwacji obu cech w i-tym obiekcie oznaczymy parą liczb (x i, y i ). Geometrycznie taką parę

Bardziej szczegółowo

Rozdział 1. Modelowanie ekonometryczne

Rozdział 1. Modelowanie ekonometryczne 1.1. Istota modelu ekonometrycznego i jego elementy składowe Istotą modelowania ekonometrycznego jest budowa modelu wyjaśniającego mechanizm zmian zachodzących w badanym wycinku rzeczywistości. Przedmiotem

Bardziej szczegółowo

Wiadomości ogólne o ekonometrii

Wiadomości ogólne o ekonometrii Wiadomości ogólne o ekonometrii Materiały zostały przygotowane w oparciu o podręcznik Ekonometria Wybrane Zagadnienia, którego autorami są: Bolesław Borkowski, Hanna Dudek oraz Wiesław Szczęsny. Ekonometria

Bardziej szczegółowo

Układy równań liniowych. Ax = b (1)

Układy równań liniowych. Ax = b (1) Układy równań liniowych Dany jest układ m równań z n niewiadomymi. Liczba równań m nie musi być równa liczbie niewiadomych n, tj. mn. a a... a b n n a a... a b n n... a a... a b m m mn n m

Bardziej szczegółowo

Statystyka matematyczna i ekonometria

Statystyka matematyczna i ekonometria Statystyka matematyczna i ekonometria Wykład 9 Anna Skowrońska-Szmer lato 2016/2017 Ekonometria (Gładysz B., Mercik J., Modelowanie ekonometryczne. Studium przypadku, Wydawnictwo PWr., Wrocław 2004.) 2

Bardziej szczegółowo

Ekonometria. Model nieliniowe i funkcja produkcji. Jakub Mućk. Katedra Ekonomii Ilościowej. Modele nieliniowe Funkcja produkcji

Ekonometria. Model nieliniowe i funkcja produkcji. Jakub Mućk. Katedra Ekonomii Ilościowej. Modele nieliniowe Funkcja produkcji Ekonometria Model nieliniowe i funkcja produkcji Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 7 Modele nieliniowe i funkcja produkcji 1 / 19 Agenda Modele nieliniowe 1 Modele

Bardziej szczegółowo

ANALIZA PORÓWNAWCZA WYBRANYCH PROCEDUR MODELOWANIA EKONOMETRYCZNEGO DLA MODELU GOSPODARKI WOJEWÓDZTWA ŚLĄSKIEGO

ANALIZA PORÓWNAWCZA WYBRANYCH PROCEDUR MODELOWANIA EKONOMETRYCZNEGO DLA MODELU GOSPODARKI WOJEWÓDZTWA ŚLĄSKIEGO Józef Biolik Uniwersytet Ekonomiczny w Katowicach ANALIZA PORÓWNAWCZA WYBRANYCH PROCEDUR MODELOWANIA EKONOMETRYCZNEGO DLA MODELU GOSPODARKI WOJEWÓDZTWA ŚLĄSKIEGO Wprowadzenie Jednym z narzędzi analizy

Bardziej szczegółowo

Modele wielorównaniowe. Problem identykacji

Modele wielorównaniowe. Problem identykacji Modele wielorównaniowe. Problem identykacji Ekonometria Szeregów Czasowych SGH Identykacja 1 / 43 Plan wykªadu 1 Wprowadzenie 2 Trzy przykªady 3 Przykªady: interpretacja 4 Warunki identykowalno±ci 5 Restrykcje

Bardziej szczegółowo

Obliczenia iteracyjne

Obliczenia iteracyjne Lekcja Strona z Obliczenia iteracyjne Zmienne iteracyjne (wyliczeniowe) Obliczenia iteracyjne wymagają zdefiniowania specjalnej zmiennej nazywanej iteracyjną lub wyliczeniową. Zmienną iteracyjną od zwykłej

Bardziej szczegółowo

EKONOMETRIA. Prof. dr hab. Eugeniusz Gatnar.

EKONOMETRIA. Prof. dr hab. Eugeniusz Gatnar. EKONOMETRIA Prof. dr hab. Eugeniusz Gatnar egatnar@mail.wz.uw.edu.pl Sprawy organizacyjne Wykłady - prezentacja zagadnień dotyczących: budowy i weryfikacji modelu ekonometrycznego, doboru zmiennych, estymacji

Bardziej szczegółowo

Ekonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda

Bardziej szczegółowo

Przyczyny wahań realnego kursu walutowego w Polsce wyniki badań z wykorzystaniem bayesowskich strukturalnych modeli VAR

Przyczyny wahań realnego kursu walutowego w Polsce wyniki badań z wykorzystaniem bayesowskich strukturalnych modeli VAR Przyczyny wahań realnego kursu walutowego w Polsce wyniki badań z wykorzystaniem bayesowskich strukturalnych modeli VAR dr Marek A. Dąbrowski Uniwersytet Ekonomiczny w Krakowie Katedra Makroekonomii marek.dabrowski@uek.krakow.pl

Bardziej szczegółowo

Metoda najmniejszych kwadratów

Metoda najmniejszych kwadratów Metoda najmniejszych kwadratów Przykład wstępny. W ekonomicznej teorii produkcji rozważa się funkcję produkcji Cobba Douglasa: z = AL α K β gdzie z oznacza wielkość produkcji, L jest nakładem pracy, K

Bardziej szczegółowo

Model przepływów międzygałęziowych (model Leontiewa)

Model przepływów międzygałęziowych (model Leontiewa) Model przepływów międzygałęziowych (model Leontiewa) Maciej Grzesiak Przedstawimy tzw. analizę wejścia-wyjścia jako narzędzie do badań ekonomicznych. Stworzymy matematyczny model gospodarki, w którym można

Bardziej szczegółowo

Metoda najmniejszych kwadratów

Metoda najmniejszych kwadratów Model ekonometryczny Wykształcenie a zarobki Hipoteza badawcza: Istnieje zależność między poziomem wykształcenia a wysokością zarobków Wykształcenie a zarobki Hipoteza badawcza: Istnieje zależność między

Bardziej szczegółowo

dr Mariusz Grządziel 15,29 kwietnia 2014 Przestrzeń R k R k = R R... R k razy Elementy R k wektory;

dr Mariusz Grządziel 15,29 kwietnia 2014 Przestrzeń R k R k = R R... R k razy Elementy R k wektory; Wykłady 8 i 9 Pojęcia przestrzeni wektorowej i macierzy Układy równań liniowych Elementy algebry macierzy dodawanie, odejmowanie, mnożenie macierzy; macierz odwrotna dr Mariusz Grządziel 15,29 kwietnia

Bardziej szczegółowo

Prognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania

Prognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym

Bardziej szczegółowo

Algebra z geometrią analityczną zadania z odpowiedziami

Algebra z geometrią analityczną zadania z odpowiedziami Algebra z geometrią analityczną zadania z odpowiedziami Maciej Burnecki Spis treści 0 Wyrażenia algebraiczne, indukcja matematyczna 2 2 2 1 Geometria analityczna w R 2 3 3 3 2 Liczby zespolone 4 4 4 3

Bardziej szczegółowo

Ekonometria - ćwiczenia 1

Ekonometria - ćwiczenia 1 Ekonometria - ćwiczenia 1 Mateusz Myśliwski Zakład Ekonometrii Stosowanej Instytut Ekonometrii Kolegium Analiz Ekonomicznych Szkoła Główna Handlowa 5 października 2012 1 Sprawy organizacyjne 2 Czym jest

Bardziej szczegółowo

ALGEBRA LINIOWA Z ELEMENTAMI GEOMETRII ANALITYCZNEJ. 1. Ciała

ALGEBRA LINIOWA Z ELEMENTAMI GEOMETRII ANALITYCZNEJ. 1. Ciała ALGEBRA LINIOWA Z ELEMENTAMI GEOMETRII ANALITYCZNEJ WSHE, O/K-CE 1. Ciała Definicja 1. Układ { ; 0, 1; +, } złożony ze zbioru, dwóch wyróżnionych elementów 0, 1 oraz dwóch działań +:, : nazywamy ciałem

Bardziej szczegółowo

1.1 Klasyczny Model Regresji Liniowej

1.1 Klasyczny Model Regresji Liniowej 1.1 Klasyczny Model Regresji Liniowej Klasyczny model Regresji Liniowej jest bardzo użytecznym narzędziem służącym do analizy danych empirycznych. Analiza regresji zajmuje się opisem zależności między

Bardziej szczegółowo

Rozdział 1. Modelowanie ekonometryczne

Rozdział 1. Modelowanie ekonometryczne Wprowadzenie Zajęcia z ekonometrii są w mniejszym lub większym zakresie realizowane we wszystkich uczelniach ekonomicznych. Przekazywane w ramach tego przedmiotu treści są dość zróżnicowane i uzależnione

Bardziej szczegółowo

3. Wykład Układy równań liniowych.

3. Wykład Układy równań liniowych. 31 Układy równań liniowych 3 Wykład 3 Definicja 31 Niech F będzie ciałem Układem m równań liniowych o niewiadomych x 1,, x n, m, n N, o współczynnikach z ciała F nazywamy układ równań postaci: x 1 + +

Bardziej szczegółowo

13 Układy równań liniowych

13 Układy równań liniowych 13 Układy równań liniowych Definicja 13.1 Niech m, n N. Układem równań liniowych nad ciałem F m równaniach i n niewiadomych x 1, x 2,..., x n nazywamy koniunkcję równań postaci a 11 x 1 + a 12 x 2 +...

Bardziej szczegółowo

Ekonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Ekonometria 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 szczegółowo

Egzamin z Ekonometrii

Egzamin 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 szczegółowo

27. RÓWNANIA RÓŻNICZKOWE CZĄSTKOWE

27. RÓWNANIA RÓŻNICZKOWE CZĄSTKOWE 27. RÓWNANIA RÓŻNICZKOWE CZĄSTKOWE 27.1. Wiadomości wstępne Równaniem różniczkowym cząstkowym nazywamy związek w którym występuje funkcja niewiadoma u dwóch lub większej liczby zmiennych niezależnych i

Bardziej szczegółowo

PODSTAWY EKONOMETRII. z elementami algebry liniowej

PODSTAWY EKONOMETRII. z elementami algebry liniowej PODSTAWY EKONOMETRII z elementami algebry liniowej Eligiusz W. Nowakowski PODSTAWY EKONOMETRII z elementami algebry liniowej Recenzent prof. dr hab. Wiesław Sasin Redakcja tekstu Bogumił Paszkiewicz Projekt

Bardziej szczegółowo

EKONOMETRIA prowadzący: Piotr Piwowarski

EKONOMETRIA prowadzący: Piotr Piwowarski EKONOMETRIA prowadzący: Piotr Piwowarski Termin konsultacji: poniedziałek 13:15 14:45 wtorek 13:15 14:45 pokój 1101/1102 jedenaste piętro e-mail: piotr.piwowarski@poczta.umcs.lublin.pl strona internetowa:

Bardziej szczegółowo

Kalibracja. W obu przypadkach jeśli mamy dane, to możemy znaleźć równowagę: Konwesatorium z Ekonometrii, IV rok, WNE UW 1

Kalibracja. W obu przypadkach jeśli mamy dane, to możemy znaleźć równowagę: Konwesatorium z Ekonometrii, IV rok, WNE UW 1 Kalibracja Kalibracja - nazwa pochodzi z nauk ścisłych - kalibrowanie instrumentu oznacza wyznaczanie jego skali (np. kalibrowanie termometru polega na wyznaczeniu 0C i 100C tak by oznaczały punkt zamarzania

Bardziej szczegółowo

Makroekonomia II Polityka fiskalna

Makroekonomia II Polityka fiskalna Makroekonomia II Polityka fiskalna D R A D A M C Z E R N I A K S Z K O Ł A G Ł Ó W N A H A N D L O W A W W A R S Z A W I E K A T E D R A E K O N O M I I I I 2 MIERNIKI RÓWNOWAGI FISKALNEJ wykład I Co składa

Bardziej szczegółowo

11. POLITYKA MIKROEKONOMICZNA Istota podstawowych problemów praktyki mikroekonomicznej Polityka mikroekonomiczna

11. POLITYKA MIKROEKONOMICZNA Istota podstawowych problemów praktyki mikroekonomicznej Polityka mikroekonomiczna Spis treści WSTĘP 10. TEORIA MIKROEKONOMII 10.1. Pojęcie i istota mikroekonomii 10.2. Płaszczyzny identyfikacji mikroekonomii 10.2.1. Podstawowe obszary zainteresowań mikroekonomii 10.2.1.1. Gospodarstwo

Bardziej szczegółowo

Zaawansowane metody numeryczne

Zaawansowane metody numeryczne Wykład 1 Zadanie Definicja 1.1. (zadanie) Zadaniem nazywamy zagadnienie znalezienia rozwiązania x spełniającego równanie F (x, d) = 0, gdzie d jest zbiorem danych (od których zależy rozwiązanie x), a F

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład XV: Zagadnienia redukcji wymiaru danych 2 lutego 2015 r. Standaryzacja danych Standaryzacja danych Własności macierzy korelacji Definicja Niech X będzie zmienną losową o skończonym drugim momencie.

Bardziej szczegółowo

Układy równań i równania wyższych rzędów

Układy równań i równania wyższych rzędów Rozdział Układy równań i równania wyższych rzędów Układy równań różniczkowych zwyczajnych Wprowadzenie W poprzednich paragrafach zajmowaliśmy się równaniami różniczkowymi y = f(x, y), których rozwiązaniem

Bardziej szczegółowo

Algebra z geometrią analityczną zadania z odpowiedziami

Algebra z geometrią analityczną zadania z odpowiedziami Algebra z geometrią analityczną zadania z odpowiedziami Maciej Burnecki Spis treści strona główna 1 Wyrażenia algebraiczne, indukcja matematyczna 2 2 Geometria analityczna w R 2 Liczby zespolone 4 4 Wielomiany

Bardziej szczegółowo

Ekonometria - wykªad 1

Ekonometria - wykªad 1 Ekonometria - wykªad 1 0. Wprowadzenie Barbara Jasiulis-Goªdyn 28.02.2014 2013/2014 Ekonometria Literatura [1] B. Borkowski, H. Dudek, W. Szczesny, Ekonometria. Wybrane Zaganienia, PWN, Warszawa 2003.

Bardziej szczegółowo

Algebra z geometrią analityczną zadania z odpowiedziami

Algebra z geometrią analityczną zadania z odpowiedziami Algebra z geometrią analityczną zadania z odpowiedziami Maciej Burnecki opracowanie Spis treści I Wyrażenia algebraiczne, indukcja matematyczna 2 II Geometria analityczna w R 2 4 III Liczby zespolone 5

Bardziej szczegółowo

15. Macierze. Definicja Macierzy. Definicja Delty Kroneckera. Definicja Macierzy Kwadratowej. Definicja Macierzy Jednostkowej

15. Macierze. Definicja Macierzy. Definicja Delty Kroneckera. Definicja Macierzy Kwadratowej. Definicja Macierzy Jednostkowej 15. Macierze Definicja Macierzy. Dla danego ciała F i dla danych m, n IN funkcję A : {1,...,m} {1,...,n} F nazywamy macierzą m n ( macierzą o m wierszach i n kolumnach) o wyrazach z F. Wartość A(i, j)

Bardziej szczegółowo

Statystyka i eksploracja danych

Statystyka i eksploracja danych Wykład XII: Zagadnienia redukcji wymiaru danych 12 maja 2014 Definicja Niech X będzie zmienną losową o skończonym drugim momencie. Standaryzacją zmiennej X nazywamy zmienną losową Z = X EX Var (X ). Definicja

Bardziej szczegółowo

Wektor, prosta, płaszczyzna; liniowa niezależność, rząd macierzy

Wektor, prosta, płaszczyzna; liniowa niezależność, rząd macierzy Wektor, prosta, płaszczyzna; liniowa niezależność, rząd macierzy Justyna Winnicka Na podstawie podręcznika Matematyka. e-book M. Dędys, S. Dorosiewicza, M. Ekes, J. Kłopotowskiego. rok akademicki 217/218

Bardziej szczegółowo

Macierze i Wyznaczniki

Macierze i Wyznaczniki dr Krzysztof Żyjewski MiBM; S-I 0.inż. 0 października 04 Macierze i Wyznaczniki Kilka wzorów i informacji pomocniczych: Definicja. Iloczynem macierzy A = [a ij m n, i macierzy B = [b ij n p nazywamy macierz

Bardziej szczegółowo

Matematyka licea ogólnokształcące, technika

Matematyka licea ogólnokształcące, technika Matematyka licea ogólnokształcące, technika Opracowano m.in. na podstawie podręcznika MATEMATYKA w otaczającym nas świecie zakres podstawowy i rozszerzony Funkcja liniowa Funkcję f: R R określoną wzorem

Bardziej szczegółowo

Metoda największej wiarogodności

Metoda największej wiarogodności Wprowadzenie Założenia Logarytm funkcji wiarogodności Metoda Największej Wiarogodności (MNW) jest bardziej uniwersalną niż MNK metodą szacowania wartości nieznanych parametrów Wprowadzenie Założenia Logarytm

Bardziej szczegółowo

macierze jednostkowe (identyczności) macierze diagonalne, które na przekątnej mają same

macierze jednostkowe (identyczności) macierze diagonalne, które na przekątnej mają same 1 Macierz definicja i zapis Macierzą wymiaru m na n nazywamy tabelę a 11 a 1n A = a m1 a mn złożoną z liczb (rzeczywistych lub zespolonych) o m wierszach i n kolumnach (zamiennie będziemy też czasem mówili,

Bardziej szczegółowo

Zadania z ekonomii matematycznej Teoria konsumenta

Zadania z ekonomii matematycznej Teoria konsumenta Paweł Kliber Zadania z ekonomii matematycznej Teoria konsumenta Zad Dla podanych niżej funcji użyteczności: (a u (x x = x + x (b u (x x = x x (c u (x x = x x (d u (x x = x x 4 (e u (x x = x + x = x + x

Bardziej szczegółowo

3. Macierze i Układy Równań Liniowych

3. Macierze i Układy Równań Liniowych 3. Macierze i Układy Równań Liniowych Rozważamy równanie macierzowe z końcówki ostatniego wykładu ( ) 3 1 X = 4 1 ( ) 2 5 Podstawiając X = ( ) x y i wymnażając, otrzymujemy układ 2 równań liniowych 3x

Bardziej szczegółowo

Lokalna odwracalność odwzorowań, odwzorowania uwikłane

Lokalna odwracalność odwzorowań, odwzorowania uwikłane Lokalna odwracalność odwzorowań, odwzorowania uwikłane Katedra Matematyki i Ekonomii Matematycznej Szkoła Główna Handlowa 17 maja 2012 Definicja Mówimy, że odwzorowanie F : X R n, gdzie X R n, jest lokalnie

Bardziej szczegółowo

MATEMATYKA I SEMESTR ALK (PwZ) 1. Sumy i sumy podwójne : Σ i ΣΣ

MATEMATYKA I SEMESTR ALK (PwZ) 1. Sumy i sumy podwójne : Σ i ΣΣ MATEMATYKA I SEMESTR ALK (PwZ). Sumy i sumy podwójne : Σ i ΣΣ.. OKREŚLENIE Ciąg liczbowy = Dowolna funkcja przypisująca liczby rzeczywiste pierwszym n (ciąg skończony), albo wszystkim (ciąg nieskończony)

Bardziej szczegółowo

Zadania z ekonomii matematycznej Teoria produkcji

Zadania z ekonomii matematycznej Teoria produkcji Paweł Kliber Zadania z ekonomii matematycznej Teoria produkcji Zadania Zad Dla podanych funkcji produkcji a fk z k + z b fk z 6k z c fk z k z d fk z k 4 z e fk z k + z wykonaj następujące polecenia: A

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

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 Zależność przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna), funkcyjna stochastyczna

Bardziej szczegółowo

Statystyka i Analiza Danych

Statystyka i Analiza Danych Warsztaty Statystyka i Analiza Danych Gdańsk, 20-22 lutego 2014 Zastosowania wybranych technik regresyjnych do modelowania współzależności zjawisk Janusz Wątroba StatSoft Polska Centrum Zastosowań Matematyki

Bardziej szczegółowo

Makroekonomia 1 Wykład 12: Naturalna stopa bezrobocia i krzywa AS

Makroekonomia 1 Wykład 12: Naturalna stopa bezrobocia i krzywa AS Makroekonomia 1 Wykład 12: Naturalna stopa bezrobocia i krzywa AS Gabriela Grotkowska Katedra Makroekonomii i Teorii Handlu Zagranicznego NATURALNA STOPA BEZROBOCIA Naturalna stopa bezrobocia Ponieważ

Bardziej szczegółowo

Model regresji wielokrotnej Wykład 14 ( ) Przykład ceny domów w Chicago

Model regresji wielokrotnej Wykład 14 ( ) Przykład ceny domów w Chicago Model regresji wielokrotnej Wykład 14 (4.06.2007) Przykład ceny domów w Chicago Poniżej są przedstawione dane dotyczące cen domów w Chicago (źródło: Sen, A., Srivastava, M., Regression Analysis, Springer,

Bardziej szczegółowo

ALGEBRA Z GEOMETRIĄ ANALITYCZNĄ zadania z odpowiedziami

ALGEBRA Z GEOMETRIĄ ANALITYCZNĄ zadania z odpowiedziami ALGEBRA Z GEOMETRIĄ ANALITYCZNĄ zadania z odpowiedziami Maciej Burnecki opracowanie strona główna Spis treści 1 Wyrażenia algebraiczne indukcja matematyczna 1 Geometria analityczna w R 3 3 Liczby zespolone

Bardziej szczegółowo

Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.

Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1. tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1

Bardziej szczegółowo

Wykład z modelowania matematycznego.

Wykład z modelowania matematycznego. Załóżmy, że równanie różniczkowe x (t) = f (t, x) (1) ma rozwiązanie ogólne x(t) = ϕ(t, c). (2) Załóżmy, że równanie różniczkowe x (t) = f (t, x) (1) ma rozwiązanie ogólne x(t) = ϕ(t, c). (2) Rodzina funkcji

Bardziej szczegółowo

POD- I NADOKREŚLONE UKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH

POD- I NADOKREŚLONE UKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH POD- I NADOKREŚLONE UKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH Transport, studia I stopnia rok akademicki 2011/2012 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko

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

Liniowy model ekonometryczny Metoda najmniejszych kwadratów Laboratorium 1.

Liniowy model ekonometryczny Metoda najmniejszych kwadratów Laboratorium 1. Liniowy model ekonometryczny Metoda najmniejszych kwadratów Laboratorium 1. mgr mgr Krzysztof Czauderna Instytut Statystyki i Demografii Kolegium Analiz Ekonomicznych Szkoła Główna Handlowa w Warszawie

Bardziej szczegółowo

Elastyczność. Krzysztof Kołodziejczyk, PhD

Elastyczność. Krzysztof Kołodziejczyk, PhD Elastyczność Krzysztof Kołodziejczyk, PhD https://flic.kr/p/j4fg3d Agenda 1. Dostosowania wielkości popytu i podaży do zmian cen i dochodów (elastyczne, nieelastyczne) 2. Wskaźniki Ep i Edp i ich interpretacja

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

Wektory i wartości własne

Wektory i wartości własne Treść wykładu Podprzestrzenie niezmiennicze Podprzestrzenie niezmiennicze... Twierdzenie Cayley Hamiltona Podprzestrzenie niezmiennicze Definicja Niech f : V V będzie przekształceniem liniowym. Podprzestrzeń

Bardziej szczegółowo

WEKTORY I MACIERZE. Strona 1 z 11. Lekcja 7.

WEKTORY I MACIERZE. Strona 1 z 11. Lekcja 7. Strona z WEKTORY I MACIERZE Wektory i macierze ogólnie nazywamy tablicami. Wprowadzamy je:. W sposób jawny: - z menu Insert Matrix, - skrót klawiszowy: {ctrl}+m, - odpowiedni przycisk z menu paska narzędziowego

Bardziej szczegółowo

MAKROEKONOMIA 2. Wykład 2. Dynamiczny model DAD/DAS. Dagmara Mycielska Joanna Siwińska - Gorzelak

MAKROEKONOMIA 2. Wykład 2. Dynamiczny model DAD/DAS. Dagmara Mycielska Joanna Siwińska - Gorzelak MAKROEKONOMIA 2 Wykład 2. Dynamiczny model DAD/DAS Dagmara Mycielska Joanna Siwińska - Gorzelak Plan wykładu Uwzględnienie dynamiki w modelu AD/AS. Modelowanie wpływu zakłóceń lub zmian polityki gospodarczej

Bardziej szczegółowo

3. Optymalizacja portfela inwestycyjnego Model Markowitza Model jednowskaźnikowy Sharpe a Model wyceny aktywów kapitałowych CAPM

3. Optymalizacja portfela inwestycyjnego Model Markowitza Model jednowskaźnikowy Sharpe a Model wyceny aktywów kapitałowych CAPM 3. Optymalizacja portfela inwestycyjnego Model Markowitza Model jednowskaźnikowy Sharpe a Model wyceny aktywów kapitałowych CAPM Oczekiwana stopa zwrotu portfela dwóch akcji: E(r p ) = w 1 E(R 1 ) + w

Bardziej szczegółowo

PROGNOZOWANIE RENTOWNOŚCI PRODUKCJI WĘGLA KAMIENNEGO Z WYKORZYSTANIEM MODELU KOMPUTEROWEGO

PROGNOZOWANIE RENTOWNOŚCI PRODUKCJI WĘGLA KAMIENNEGO Z WYKORZYSTANIEM MODELU KOMPUTEROWEGO PROGNOZOWANIE RENTOWNOŚCI PRODUKCJI WĘGLA KAMIENNEGO Z WYKORZYSTANIEM MODELU KOMPUTEROWEGO Jolanta BIJAŃSKA, Krzysztof WODARSKI Streszczenie: W artykule przedstawiono model komputerowy, który został opracowany

Bardziej szczegółowo

Mikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński Mikroekonometria 13 Mikołaj Czajkowski Wiktor Budziński Endogeniczność regresja liniowa W regresji liniowej estymujemy następujące równanie: i i i Metoda Najmniejszych Kwadratów zakłada, że wszystkie zmienne

Bardziej szczegółowo

Tydzień nr 9-10 (16 maja - 29 maja), Równania różniczkowe, wartości własne, funkcja wykładnicza od operatora - Matematyka II 2010/2011L

Tydzień nr 9-10 (16 maja - 29 maja), Równania różniczkowe, wartości własne, funkcja wykładnicza od operatora - Matematyka II 2010/2011L Tydzień nr 9-10 (16 maja - 29 maja) Równania różniczkowe wartości własne funkcja wykładnicza od operatora - Matematyka II 2010/2011L Wszelkie pytania oraz uwagi o błędach proszę kierować na przemek.majewski@gmail.com

Bardziej szczegółowo

na egzaminach z matematyki

na egzaminach z matematyki Błędy studentów na egzaminach z matematyki W opracowaniu omówiłem typowe błędy popełniane przez studentów na kolokwiach i egzaminach z algebry oraz analizy. Ponadto podaję błędy rzadziej spotykane, które

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

Zestaw zadań 14: Wektory i wartości własne. ) =

Zestaw zadań 14: Wektory i wartości własne. ) = Zestaw zadań 4: Wektory i wartości własne () Niech V = V V 2 będzie przestrzenią liniową nad ciałem K, w którym + 0 Znaleźć wszystkie podprzestrzenie niezmiennicze rzutu V na V wzdłuż V 2 oraz symetrii

Bardziej szczegółowo

Równania różniczkowe liniowe wyższych rzędów o stałych współcz

Równania różniczkowe liniowe wyższych rzędów o stałych współcz Równania różniczkowe liniowe wyższych rzędów o stałych współczynnikach Katedra Matematyki i Ekonomii Matematycznej SGH 12 maja 2016 Równanie liniowe n-tego rzędu Definicja Równaniem różniczkowym liniowym

Bardziej szczegółowo

9. METODY SIECIOWE (ALGORYTMICZNE) ANALIZY OBWODÓW LINIOWYCH

9. METODY SIECIOWE (ALGORYTMICZNE) ANALIZY OBWODÓW LINIOWYCH OBWOD SGNAŁ 9. METOD SECOWE (ALGORTMCZNE) ANALZ OBWODÓW LNOWCH 9.. WPROWADZENE ANALZA OBWODÓW Jeżeli przy badaniu obwodu elektrycznego dane są parametry elementów i schemat obwodu, a poszukiwane są napięcia

Bardziej szczegółowo

Etapy modelowania ekonometrycznego

Etapy modelowania ekonometrycznego Etapy modelowania ekonometrycznego jest podstawowym narzędziem badawczym, jakim posługuje się ekonometria. Stanowi on matematyczno-statystyczną formę zapisu prawidłowości statystycznej w zakresie rozkładu,

Bardziej szczegółowo

Marcin Błażejowski Wyższa Szkoła Bankowa w Toruniu

Marcin Błażejowski Wyższa Szkoła Bankowa w Toruniu DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Wyższa Szkoła Bankowa w Toruniu

Bardziej szczegółowo

Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych

Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych 3.1. Estymacja parametrów i ocena dopasowania modeli z jedną zmienną 23. Właściciel komisu w celu zbadania

Bardziej szczegółowo

Baza w jądrze i baza obrazu ( )

Baza w jądrze i baza obrazu ( ) Przykład Baza w jądrze i baza obrazu (839) Znajdź bazy jądra i obrazu odwzorowania α : R 4 R 3, gdzie α(x, y, z, t) = (x + 2z + t, 2x + y 3z 5t, x y + z + 4t) () zór ten oznacza, że α jest odwzorowaniem

Bardziej szczegółowo

A. Kasperski, M. Kulej Badania Operacyjne- programowanie liniowe 1

A. Kasperski, M. Kulej Badania Operacyjne- programowanie liniowe 1 A. Kasperski, M. Kulej Badania Operacyjne- programowanie liniowe ZAGADNIENIE DUALNE Z każdym zagadnieniem liniowym związane jest inne zagadnienie nazywane dualnym. Podamy teraz teraz jak budować zagadnienie

Bardziej szczegółowo

Model pajęczyny: Równania modelu: Q d (t)=α-βp(t) Q s (t)=-γ+δp(t-1) Q d (t)= Q s (t) t=0,1,2. α,β,γ,δ>0

Model pajęczyny: Równania modelu: Q d (t)=α-βp(t) Q s (t)=-γ+δp(t-1) Q d (t)= Q s (t) t=0,1,2. α,β,γ,δ>0 Model pajęczyny: Dorota Pawlicka Model jest modelem dynamicznym z czasem dyskretnym t=0,1,2 Rozważmy rynek pewnego pojedynczego dobra. Celem modelu jest ustalenie takiej ścieżki cenowej {} na dobro aby

Bardziej szczegółowo

GAL. zestawy do prac domowych z rozwiązaniami semestr zimowy 2011/2012. Wydział MIM UW

GAL. zestawy do prac domowych z rozwiązaniami semestr zimowy 2011/2012. Wydział MIM UW GAL zestawy do prac domowych z rozwiązaniami semestr zimowy / Wydział MIM UW wersja z października Spis treści Układy równań Liczby zespolone 7 Przestrzenie liniowe, kombinacje liniowe Podprzestrzenie

Bardziej szczegółowo

Wstęp do analizy matematycznej

Wstęp do analizy matematycznej Wstęp do analizy matematycznej Andrzej Marciniak Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii informatycznych i ich zastosowań w

Bardziej szczegółowo

8. WYBRANE ZASTOSOWANIA MODELI EKONOMETRYCZNYCH

8. WYBRANE ZASTOSOWANIA MODELI EKONOMETRYCZNYCH 39 8. WYBRANE ZASTOSOWANIA MODELI EKONOMETRYCZNYCH 8.1. Funkcje popytu i elastyczności popytu 8.1.1. Czynniki determinujące popyt i ich wpływ Załóżmy, że hipoteza ekonomiczna dotycząca kształtowania się

Bardziej szczegółowo

Matematyczne Podstawy Informatyki

Matematyczne Podstawy Informatyki Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 2013/2014 Gramatyki bezkontekstowe I Gramatyką bezkontekstową

Bardziej szczegółowo

STATYSTYKA I DOŚWIADCZALNICTWO Wykład 7

STATYSTYKA I DOŚWIADCZALNICTWO Wykład 7 STATYSTYKA I DOŚWIADCZALNICTWO Wykład 7 Analiza korelacji - współczynnik korelacji Pearsona Cel: ocena współzależności między dwiema zmiennymi ilościowymi Ocenia jedynie zależność liniową. r = cov(x,y

Bardziej szczegółowo

Zestaw zadań 5: Sumy i sumy proste podprzestrzeni. Baza i wymiar. Rzędy macierzy. Struktura zbioru rozwiązań układu równań.

Zestaw zadań 5: Sumy i sumy proste podprzestrzeni. Baza i wymiar. Rzędy macierzy. Struktura zbioru rozwiązań układu równań. Zestaw zadań : Sumy i sumy proste podprzestrzeni Baza i wymiar Rzędy macierzy Struktura zbioru rozwiązań układu równań () Pokazać, że jeśli U = lin(α, α,, α k ), U = lin(β, β,, β l ), to U + U = lin(α,

Bardziej szczegółowo

Ekonometria. Modelowanie zmiennej jakościowej. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria. Modelowanie zmiennej jakościowej. Jakub Mućk. Katedra Ekonomii Ilościowej Ekonometria Modelowanie zmiennej jakościowej Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 8 Zmienna jakościowa 1 / 25 Zmienna jakościowa Zmienna ilościowa może zostać zmierzona

Bardziej szczegółowo