Ekonometria Przestrzenna
|
|
- Monika Duda
- 6 lat temu
- Przeglądów:
Transkrypt
1 Ekonometria Przestrzenna Wykªad 6: Zªo»one modele regresji przestrzennej (6) Ekonometria Przestrzenna 1 / 21
2 Plan wykªadu 1 Modele zªo»one 2 Model SARAR 3 Model SDM (Durbina) 4 Model SDEM 5 Zadania (6) Ekonometria Przestrzenna 2 / 21
3 Plan prezentacji 1 Modele zªo»one 2 Model SARAR 3 Model SDM (Durbina) 4 Model SDEM 5 Zadania (6) Ekonometria Przestrzenna 3 / 21
4 Rozkªady opó¹nie«przestrzennych Rozkªady opó¹nie«przestrzennych: oszcz dna parametryzacja Modele SAR, SEM i SLX zawieraj tylko po jednym opó¹nieniu przestrzennym odpowiednich komponentów, ale jedno opó¹nienie mo»e przybli»a rozkªad opó¹nie«innego: SAR SEM SLX y = ρwy + Xβ + ε y = Xβ + (I λw) 1 ε y = Xβ + WXθ + ε y = (I ρw) 1 Xβ + (I ρw) 1 ε y = Xβ + ε + λwε + λ 2 W 2 Xε +... y = Xβ + ρwxβ + ρ 2 W 2 Xβ ε + ρwε + ρ 2 W 2 Xε +... St d idea ª czenia ró»nych ¹ródeª (pojedynczych) opó¹nie«przestrzennych w modelu: pozwalaj one przybli»y opó¹nienia dalszego rz du innych typów, a w konsekwencji usun autokorelacj przestrzenn, która mogªa pozosta w resztach modelu z pojedynczym opó¹nieniem. (6) Ekonometria Przestrzenna 4 / 21
5 Plan prezentacji 1 Modele zªo»one 2 Model SARAR 3 Model SDM (Durbina) 4 Model SDEM 5 Zadania (6) Ekonometria Przestrzenna 5 / 21
6 Model SARAR Model SARAR relacje z innymi modelami (6) Ekonometria Przestrzenna 6 / 21
7 Model SARAR Model SARAR relacje z innymi modelami (6) Ekonometria Przestrzenna 7 / 21
8 Model SARAR Model SARAR specykacja Zwany te» SAC (porównywalny z modelem ARMA dla szeregów czasowych): y = ρwy + Xβ + ε ε = λwε + u Stosujemy, gdy poprzednie metody w niewystarczaj cym stopniu usuwaj autokorelacj przestrzenn reszt. Problem przy estymacji: hybryda problemów z SLM i SEM. (6) Ekonometria Przestrzenna 8 / 21
9 Model SARAR Model SARAR specykacja Zwany te» SAC (porównywalny z modelem ARMA dla szeregów czasowych): y = ρwy + Xβ + ε ε = λwε + u Stosujemy, gdy poprzednie metody w niewystarczaj cym stopniu usuwaj autokorelacj przestrzenn reszt. Problem przy estymacji: hybryda problemów z SLM i SEM. (6) Ekonometria Przestrzenna 8 / 21
10 Model SARAR Model SARAR specykacja Zwany te» SAC (porównywalny z modelem ARMA dla szeregów czasowych): y = ρwy + Xβ + ε ε = λwε + u Stosujemy, gdy poprzednie metody w niewystarczaj cym stopniu usuwaj autokorelacj przestrzenn reszt. Problem przy estymacji: hybryda problemów z SLM i SEM. (6) Ekonometria Przestrzenna 8 / 21
11 Model SARAR Model SARAR estymacja Mo»liwa jest estymacja zarówno metodami z rodziny najmniejszych kwadratów, jak i ML. Obie procedury dla SAR i SME nale»y odpowiednio poª czy i uogólni (szczegóªy np. w Arbia, 2014). Sposób pierwszy ML model <- sacsarlm(y ~ x, listw = W) Sposób drugi uogólniona przestrzenna 2SLS model <- gstsls(y ~ x, listw = W) (6) Ekonometria Przestrzenna 9 / 21
12 Plan prezentacji 1 Modele zªo»one 2 Model SARAR 3 Model SDM (Durbina) 4 Model SDEM 5 Zadania (6) Ekonometria Przestrzenna 10 / 21
13 Model SDM Model SDM relacje z innymi modelami (6) Ekonometria Przestrzenna 11 / 21
14 Model SDM Model SDM relacje z innymi modelami (6) Ekonometria Przestrzenna 12 / 21
15 Model SDM Model SDM Dwa ¹ródªa procesu przestrzennego: na skutek w danym regionie oddziaªuj... przyczyna w tym samym regionie i przyczyna w regionach powi zanych. y = ρwy + Xβ + WXθ + ε Estymacja ML (jak w SLM / pure SAR) model <- lagsarlm(y ~ x, listw = W, type = Durbin) Nieco trudniej w przypadku S2SLS (macierz WX jest regresorem, wi c ju» nie mo»e by instrumentem). (6) Ekonometria Przestrzenna 13 / 21
16 Plan prezentacji 1 Modele zªo»one 2 Model SARAR 3 Model SDM (Durbina) 4 Model SDEM 5 Zadania (6) Ekonometria Przestrzenna 14 / 21
17 Model SDEM specykacja (6) Ekonometria Przestrzenna 15 / 21
18 Model SDEM specykacja (6) Ekonometria Przestrzenna 16 / 21
19 Model SDEM specykacja i estymacja Dwa ¹ródªa procesu przestrzennego: na skutek w danym regionie oddziaªuj... przyczyna w tym samym regionie i przyczyna w regionach powi zanych. y = Xβ + WXθ + ε ε = λwε + u Estymacja ML (jak w SEM, z dodatkowymi regresorami) model <- errorsarlm(y ~ x + wx, listw = W) (6) Ekonometria Przestrzenna 17 / 21
20 SDEM z lokaln wspóªzale»no±ci skªadników losowych y = Xβ + WXθ + ε ε = λwu + u Estymacja: jak w przypadku SEM z lokaln wspóªzale»no±ci skªadników losowych (z dodatkowymi regresorami). (6) Ekonometria Przestrzenna 18 / 21
21 Plan prezentacji 1 Modele zªo»one 2 Model SARAR 3 Model SDM (Durbina) 4 Model SDEM 5 Zadania (6) Ekonometria Przestrzenna 19 / 21
22 Zadania wiczenie Wró my do rozwa»anych wcze±niej przykªadów: prawa Okuna (bezrobocie vs produkcja); lokalizacja Biedronek vs charakterystyki rynku pracy. Czy zachodzi potrzeba oszacowania modeli o wielu ¹ródªach procesów przestrzennych? Oszacujmy w tych przypadkach poznane 3 modele (SARAR, SDM, SDEM) i wyci gnijmy wnioski. (6) Ekonometria Przestrzenna 20 / 21
23 Zadania Zadanie domowe Rozwa» mo»liwo± wykorzystania modeli SARAR, SDM i SDEM w modelowaniu zmiennej wybranej na zaj ciach 1. Czy poprzednio uzyskane wyniki testów byªy satysfakcjonuj ce? Czy testy LM / LR odrzucaj restrykcj o jednym ¹ródle procesu przestrzennego, czy nie? Zinterpretuj uzyskane wyniki w trzech nowych modelach. Wyznasz i zilustruj mno»niki przestrzenne zmiennej obja±nianej wzgl dem wybranej zmiennej obja±niaj cej we wszystkich rozwa»anych modelach. (6) Ekonometria Przestrzenna 21 / 21
Ekonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 5: Proste modele regresji przestrzennej. Dane GIS: analiza w regionach (5) Ekonometria Przestrzenna 1 / 47 Plan wykªadu 1 Model liniowy i SAR (Spatial Lag) Model liniowy
Bardziej szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 8: w modelach przestrzennych (8) Ekonometria Przestrzenna 1 / 23 Plan wykªadu 1 Modele proste Modele zªo»one 2 Wnioskowanie statystyczne dla mno»ników przestrzennych i ±rednich
Bardziej szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 4: Model autoregresji przestrzennej. Dane GIS: punkty i siatki (4) Ekonometria Przestrzenna 1 / 24 Plan wykªadu 1 Model czystej autoregresji przestrzennej (pure SAR) Specykacja
Bardziej szczegółowoWst p do ekonometrii II
Wst p do ekonometrii II Wykªad 1: Modele ADL. Analiza COMFAC. Uogólniona MNK (1) WdE II 1 / 36 Plan wykªadu 1 Restrykcje COMFAC w modelach ADL ADL(1,1) ADL(2,2) 2 Uogólniona MNK Idea UMNK Znajdowanie macierzy
Bardziej szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 3: Testowanie obecno±ci procesów przestrzennych (3) Ekonometria Przestrzenna 1 / 25 Plan wykªadu 1 Testowanie efektów przestrzennych 2 Testy ogólne Test Morana I Globalne
Bardziej szczegółowoEkonometria. wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± (3) Ekonometria 1 / 29 Plan wicze«1 Wprowadzenie 2 Normalny rozkªad 3 Autokorelacja 4 Heteroskedastyczno± Test White'a Odporne bª
Bardziej szczegółowoEkonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 1 Regresja liniowa i MNK (1) Ekonometria 1 / 25 Plan wicze«1 Ekonometria czyli...? 2 Obja±niamy ceny wina 3 Zadania z podr cznika (1) Ekonometria 2 / 25 Plan prezentacji 1 Ekonometria
Bardziej szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 9: Przestrzenne modele panelowe (9) Ekonometria Przestrzenna 1 / 37 Plan wykªadu 1 Podstawowe poj cia ekonometrii panelowej Modele panelowe bez zale»no±ci przestrzennych
Bardziej szczegółowoEkonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 2 Werykacja modelu liniowego (2) Ekonometria 1 / 33 Plan wicze«1 Wprowadzenie 2 Ocena dopasowania R-kwadrat Skorygowany R-kwadrat i kryteria informacyjne 3 Ocena istotno±ci zmiennych
Bardziej szczegółowoModele 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 szczegółowoEkonometria. wiczenia 5 i 6 Modelowanie szeregów czasowych. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 5 i 6 Modelowanie szeregów czasowych (5-6) Ekonometria 1 / 30 Plan prezentacji 1 Regresja pozorna 2 Testowanie stopnia zintegrowania szeregu 3 Kointegracja 4 Modele dynamiczne (5-6)
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 6: Bayesowskie ª czenie wiedzy (6) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Wprowadzenie 2 Oczekiwana wielko± modelu 3 Losowanie próby modeli 4 wiczenia w R (6) Ekonometria
Bardziej szczegółowoModele 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 szczegółowoModele ARIMA prognoza, specykacja
Modele ARIMA prognoza, specykacja Wst p do ekonometrii szeregów czasowych wiczenia 3 5 marca 2010 Plan prezentacji 1 Specykacja modelu ARIMA 2 3 Plan prezentacji 1 Specykacja modelu ARIMA 2 3 Funkcja autokorelacji
Bardziej szczegółowoEkonometria. wiczenia 7 Modele nieliniowe. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 7 Modele nieliniowe (7) Ekonometria 1 / 19 Plan wicze«1 Nieliniowo± : co to zmienia? 2 Funkcja produkcji Cobba-Douglasa 3 Nieliniowa MNK (7) Ekonometria 2 / 19 Plan prezentacji 1 Nieliniowo±
Bardziej szczegółowoEkonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 4 Prognozowanie (4) Ekonometria 1 / 18 Plan wicze«1 Prognoza punktowa i przedziaªowa 2 Ocena prognozy ex post 3 Stabilno± i sezonowo± Sezonowo± zadanie (4) Ekonometria 2 / 18 Plan
Bardziej szczegółowoEfekty przestrzenne w konwergencji polskich podregionów
Efekty przestrzenne w konwergencji polskich podregionów Mikoªaj Herbst EUROREG UW Piotr Wójcik WNE UW Konferencja Ministerstwa Rozwoju Regionalnego Budowanie spójno±ci terytorialnej i przeciwdziaªanie
Bardziej szczegółowoWst p do ekonometrii II
Wst p do ekonometrii II Wykªad 2: Modele ARIMA. Filtr Kalmana (2) WdE II 1 / 46 Plan wykªadu 1 Modele ARIMA Modele AR, MA, ARMA, ARIMA i ARIMAX Specykacja modelu ARIMA Modele sezonowe: SARIMA 2 Filtr Kalmana
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 9: Metody numeryczne: MCMC Andrzej Torój 1 / 17 Plan wykªadu Wprowadzenie 1 Wprowadzenie 3 / 17 Plan prezentacji Wprowadzenie 1 Wprowadzenie 3 3 / 17 Zastosowanie metod numerycznych
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 2: Bayesowska estymacja równania ze staª. Elementy j zyka R (2) Ekonometria Bayesowska / 24 Plan wykªadu Model ze staª 2 Podstawy j zyka R 3 Bayesowska analiza modelu ze staª
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 szczegółowoWykªad 1+2: Klasyczny model regresji liniowej. Podstawy R
Wykªad 1+2: Klasyczny model regresji liniowej Podstawy R Ekonometria Stosowana SGH KMNK i R 1 / 45 Plan wykªadu 1 Informacje organizacyjne 2 Wprowadzenie do ekonometrii Ekonometria Dane i postacie funkcyjne
Bardziej szczegółowoEkonometria. 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 szczegółowoRozdziaª 4. Jednowymiarowe modele szeregów czasowych
Rozdziaª 4. Jednowymiarowe modele szeregów czasowych MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 4) Modele ARMA 1 / 24 Jednowymiarowe modele szeregów czasowych Jednowymiarowe modele szeregów czasowych:
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoModele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6
Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Model mieszany
Bardziej szczegółowoEstymacja modeli ARDL przy u»yciu Staty
Estymacja modeli ARDL przy u»yciu Staty Michaª Kurcewicz 21 lutego 2005 Celem zadania jest oszacowanie dªugookresowego modelu popytu na szeroki pieni dz w Niemczech. Zaª czony zbiór danych beyer.csv pochodzi
Bardziej szczegółowoMetody Ekonometryczne
Metody Ekonometryczne Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Metody Ekonometyczne Wykład 4 Uogólniona Metoda Najmniejszych Kwadratów (GLS) 1 / 19 Outline 1 2 3 Jakub Mućk Metody Ekonometyczne
Bardziej szczegółowoEkonometria - wykªad 8
Ekonometria - wykªad 8 3.1 Specykacja i werykacja modelu liniowego dobór zmiennych obja±niaj cych - cz ± 1 Barbara Jasiulis-Goªdyn 11.04.2014, 25.04.2014 2013/2014 Wprowadzenie Ideologia Y zmienna obja±niana
Bardziej szczegółowoMikroekonometria 3. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 3 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.hedonic.dta przygotuj model oszacowujący wartość kosztów zewnętrznych rolnictwa 1. Przeprowadź regresję objaśniającą
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowo4. Średnia i autoregresja zmiennej prognozowanej
4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)
Bardziej szczegółowoREGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO. Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój
1 REGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój 2 DOTYCHCZASOWE MODELE Regresja liniowa o postaci: y
Bardziej szczegółowoTestowanie stopnia zintegrowania. czasowego. Wst p do ekonometrii szeregów czasowych wiczenia 1. Andrzej Torój. 19 lutego 2010
szeregu czasowego Wst p do ekonometrii szeregów czasowych wiczenia 1 19 lutego 2010 Plan prezentacji 1 Szereg czasowy, poj cie stacjonarno±ci 2 3 4 5 6 7 Plan prezentacji 1 Szereg czasowy, poj cie stacjonarno±ci
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 szczegółowoEkonometria. wiczenia 8 Modele zmiennej jako±ciowej. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 8 Modele zmiennej jako±ciowej (8) Ekonometria 1 / 25 Plan wicze«1 Modele zmiennej jako±ciowej 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3 Predykcja
Bardziej szczegółowoEkonometria - 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 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 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 szczegółowoEDUKARIS - O±rodek Ksztaªcenia
- O±rodek Ksztaªcenia Zabrania si kopiowania i rozpowszechniania niniejszego regulaminu przez inne podmioty oraz wykorzystywania go w dziaªalno±ci innych podmiotów. Autor regulaminu zastrzega do niego
Bardziej szczegółowoSTUDIA I STOPNIA EGZAMIN Z EKONOMETRII
NAZWISKO IMIĘ Nr albumu Nr zestawu Zadanie 1. Dana jest macierz Leontiefa pewnego zamkniętego trzygałęziowego układu gospodarczego: 0,64 0,3 0,3 0,6 0,88 0,. 0,4 0,8 0,85 W okresie t stosunek zuŝycia środków
Bardziej szczegółowoMODELOWANIE PRZESTRZENNE CHARAKTERYSTYK RYNKU PRACY
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 083-8611 Nr 65 016 Uniwersytet Ekonomiczny w Katowicach Wydział Zarządzania Katedra Matematyki posp@ue.katowice.pl MODELOWANIE
Bardziej szczegółowoMetoda 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 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 szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 1: Idea modelowania przestrzennego. Wizualizacja danych przestrzennych w R (1) Ekonometria Przestrzenna 1 / 30 Plan wykªadu 1 Dlaczego modelowanie przestrzenne? Przestrze«a
Bardziej szczegółowoEkonometria. Ćwiczenia nr 3. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Ćwiczenia nr 3 Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 3 Własności składnika losowego 1 / 18 Agenda KMNK przypomnienie 1 KMNK przypomnienie 2 3 4 Jakub Mućk
Bardziej szczegółowoWykªad 6: Model logitowy
Wykªad 6: Model logitowy Ekonometria Stosowana SGH Model logitowy 1 / 18 Plan wicze«1 Modele zmiennej jako±ciowej idea 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3
Bardziej szczegółowoUogólniona Metoda Momentów
Uogólniona Metoda Momentów Momenty z próby daż a do momentów teoretycznych (Prawo Wielkich Liczb) plim 1 n y i = E (y) n i=1 Klasyczna Metoda Momentów (M M) polega na szacowaniu momentów teoretycznych
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 2 3 1. Wprowadzenie do danych panelowych a) Charakterystyka danych panelowych b) Zalety i ograniczenia 2. Modele ekonometryczne danych panelowych a) Model efektów
Bardziej szczegółowo5. Model sezonowości i autoregresji zmiennej prognozowanej
5. Model sezonowości i autoregresji zmiennej prognozowanej 1. Model Sezonowości kwartalnej i autoregresji zmiennej prognozowanej (rząd istotnej autokorelacji K = 1) Szacowana postać: y = c Q + ρ y, t =
Bardziej szczegółowoProces modelowania zjawiska handlu zagranicznego towarami
Załącznik nr 1 do raportu końcowego z wykonania pracy badawczej pt. Handel zagraniczny w województwach (NTS2) realizowanej przez Centrum Badań i Edukacji Statystycznej z siedzibą w Jachrance na podstawie
Bardziej szczegółowoMikroekonometria 4. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 4 Mikołaj Czajkowski Wiktor Budziński Endogeniczność regresja liniowa W regresji liniowej estymujemy następujące równanie: i i i KMRL zakłada, że wszystkie zmienne objaśniające są egzogeniczne
Bardziej szczegółowoRozdziaª 5. Modele wektorowej autoregresji
Rozdziaª 5. Modele wektorowej autoregresji MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 5) Modele VAR 1 / 32 Wielowymiarowe modele szeregów czasowych Modele VAR uwzgl dniaj wzajemne powi zania mi
Bardziej szczegółowo1.1 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 szczegółowoProjekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018
Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018 Nr indeksu... Imię i Nazwisko... Nr grupy ćwiczeniowej... Imię i Nazwisko prowadzącego... 1. Specyfikacja modelu
Bardziej szczegółowoEkonometria Szeregów Czasowych
Ekonometria Szeregów Czasowych Wykªad: Niestacjonarno± 8/12 marca 2017 dr Karolina Konopczak Katedra Ekonomii Stosowanej Plan zaj Poj cie stacjonarno±ci Stopie«zintegrowania szeregu Wyznaczenie piewiastków
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 szczegółowoLiniowe zadania najmniejszych kwadratów
Rozdziaª 9 Liniowe zadania najmniejszych kwadratów Liniowe zadania najmniejszych kwadratów polega na znalezieniu x R n, który minimalizuje Ax b 2 dla danej macierzy A R m,n i wektora b R m. Zauwa»my,»e
Bardziej szczegółowoPrzyczynowość Kointegracja. Kointegracja. Kointegracja
korelacja a związek o charakterze przyczynowo-skutkowym korelacja a związek o charakterze przyczynowo-skutkowym Przyczynowość w sensie Grangera Zmienna x jest przyczyną w sensie Grangera zmiennej y jeżeli
Bardziej szczegółowoIn»ynierskie zastosowania statystyki wiczenia
Uwagi: 27012014 poprawiono kilka literówek, zwi zanych z przedziaªami ufno±ci dla wariancji i odchylenia standardowego In»ynierskie zastosowania statystyki wiczenia Przedziaªy wiarygodno±ci, testowanie
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoMetody probablistyczne i statystyka stosowana
Politechnika Wrocªawska - Wydziaª Podstawowych Problemów Techniki - 011 Metody probablistyczne i statystyka stosowana prowadz cy: dr hab. in». Krzysztof Szajowski opracowanie: Tomasz Kusienicki* κ 17801
Bardziej szczegółowoWIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA Powtórka Powtórki Kowiariancja cov xy lub c xy - kierunek zależności Współczynnik korelacji liniowej Pearsona r siła liniowej zależności Istotność
Bardziej szczegółowo3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka
EGZAMIN MAGISTERSKI, 26.06.2017 Biomatematyka 1. (8 punktów) Rozwój wielko±ci pewnej populacji jest opisany równaniem: dn dt = rn(t) (1 + an(t), b gdzie N(t) jest wielko±ci populacji w chwili t, natomiast
Bardziej szczegółowoNatalia Neherbecka. 11 czerwca 2010
Natalia Neherbecka 11 czerwca 2010 1 1. Konsekwencje heteroskedastyczności i autokorelacji 2. Uogólniona MNK 3. Stosowalna Uogólniona MNK 4. Odporne macierze wariancji i kowariancji b 2 1. Konsekwencje
Bardziej szczegółowoMetody numeryczne i statystyka dla in»ynierów
Kierunek: Automatyka i Robotyka, II rok Wprowadzenie PWSZ Gªogów, 2009 Plan wykªadów Wprowadzenie, podanie zagadnie«, poj cie metody numerycznej i algorytmu numerycznego, obszar zainteresowa«i stosowalno±ci
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 szczegółowoRegresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych (X1, X2, X3,...) na zmienną zależną (Y).
Statystyka i opracowanie danych Ćwiczenia 12 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA WIELORAKA Regresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych
Bardziej szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoPrzetwarzanie bazuj ce na linii opó niaj cej
Przetwarzanie bazuj ce na linii opó niaj cej Przetwarzanie bazuj ce na linii opó niaj cej obejmuje kilka zagadnie. W niniejszym podrozdziale zostan omówione zagadnienia zarówno bazuj ce na linii opó niaj
Bardziej szczegółowoPrzykład 2. Stopa bezrobocia
Przykład 2 Stopa bezrobocia Stopa bezrobocia. Komentarz: model ekonometryczny stopy bezrobocia w Polsce jest modelem nieliniowym autoregresyjnym. Podobnie jak model podaŝy pieniądza zbudowany został w
Bardziej szczegółowoINSTYTUT MASZYN PRZEPŁYWOWYCH im. Roberta Szewalskiego POLSKIEJ AKADEMII NAUK 80-231 Gdańsk ul. J. Fiszera 14
Gdańsk, dnia 26/04/2011 Dotyczy: postępowania o udzielenie zamówienia publicznego numer 8/PN/ApBad/2011 prowadzonego w trybie przetargu nieograniczonego o wartości poniżej 193.000 euro na: Dostawę czujników
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 szczegółowoAproksymacja funkcji metod najmniejszych kwadratów
Aproksymacja funkcji metod najmniejszych kwadratów Teoria Interpolacja polega na znajdowaniu krzywej przechodz cej przez wszystkie w zªy. Zdarzaj si jednak sytuacje, w których dane te mog by obarczone
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 szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 5: Narz dzia wnioskowania w ekonometrii bayesowskiej (5) Ekonometria Bayesowska 1 / 8 Plan wykªadu 1 Przedziaªy ufno±ci HPDI Werykacja hipotez podej±cie bayesowskie 3 Werykacja
Bardziej szczegółowoStatystyka opisowa. Wykład V. Regresja liniowa wieloraka
Statystyka opisowa. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Prosta regresji cechy Y względem cech X 1,..., X k. 2 3 Wyznaczamy zależność cechy Y od cech X 1, X 2,..., X k postaci Y = α 0 +
Bardziej szczegółowoEkonometria Szeregów Czasowych
Ekonometria Szeregów Czasowych Zaj cia 1: Ekonometria klasyczna powtórzenie dr Karolina Konopczak Katedra Ekonomii Stosowanej Kontakt karolina.konopczak@sgh.waw.pl konsultacje: czwartki g. 8.45 (p. 10/DS
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 szczegółowoEkonometria. Weryfikacja modelu. Paweł Cibis 12 maja 2007
Weryfikacja modelu Paweł Cibis pawel@cibis.pl 12 maja 2007 1 Badanie normalności rozkładu elementu losowego Test Hellwiga dla małej próby Test Kołmogorowa dla dużej próby 2 Testy Pakiet Analiza Danych
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 10: Symulacje a posteriori w R (10) Ekonometria Bayesowska 1 / 23 Plan wykªadu 1 Przykªad: model ze skªadnikiem losowym o grubych ogonach 2 Wykorzystanie pakietu rjags 3 Diagnostyka
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 szczegółowoAnaliza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń Problem Przykłady
Analiza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń 1. Problem ozwaŝamy zjawisko (model): Y = β 1 X 1 X +...+ β k X k +Z Ηβ = w r Hipoteza alternatywna: Ηβ w r
Bardziej szczegółowoEkonometria. Zajęcia
Ekonometria Zajęcia 16.05.2018 Wstęp hipoteza itp. Model gęstości zaludnienia ( model gradientu gęstości ) zakłada, że gęstość zaludnienia zależy od odległości od okręgu centralnego: y t = Ae βx t (1)
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 10: Symulacje a posteriori w R Andrzej Torój 1 / 23 Plan wykªadu 1 Przykªad: model ze skªadnikiem losowym o grubych ogonach 2 3 4 2 / 23 Plan prezentacji 1 Przykªad: model
Bardziej szczegółowoProjekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015
Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015 Nr indeksu... Imię i Nazwisko... Nr grupy ćwiczeniowej... Imię i Nazwisko prowadzącego... 1. Specyfikacja modelu
Bardziej 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 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 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 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 Bayesowska
Ekonometria Bayesowska Wykªad 8: Restrykcje na parametry w postaci nierówno±ci: analiza bayesowska (8) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Restrykcje nierówno±ciowe: podej±cie klasyczne a bayesowskie
Bardziej szczegółowoUogolnione modele liniowe
Uogolnione modele liniowe Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Uogolnione modele liniowe grudzien 2013 1 / 17 (generalized linear model - glm) Zakładamy,
Bardziej szczegółowoMatematyka wykªad 1. Macierze (1) Andrzej Torój. 17 wrze±nia 2011. Wy»sza Szkoªa Zarz dzania i Prawa im. H. Chodkowskiej
Matematyka wykªad 1 Macierze (1) Andrzej Torój Wy»sza Szkoªa Zarz dzania i Prawa im. H. Chodkowskiej 17 wrze±nia 2011 Plan wykªadu 1 2 3 4 5 Plan prezentacji 1 2 3 4 5 Kontakt moja strona internetowa:
Bardziej szczegółowoWprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe
Wprowadzenie do teorii ekonometrii Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Zajęcia Wykład Laboratorium komputerowe 2 Zaliczenie EGZAMIN (50%) Na egzaminie obowiązują wszystkie informacje
Bardziej szczegółowoModel 1: Estymacja KMNK z wykorzystaniem 32 obserwacji 1964-1995 Zmienna zależna: st_g
Zadanie 1 Dla modelu DL dla zależności stopy wzrostu konsumpcji benzyny od stopy wzrostu dochodu oraz od stopy wzrostu cen benzyny w latach 1960 i 1995 otrzymaliśmy następujące oszacowanie parametrów.
Bardziej szczegółowoMetoda 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 szczegółowoWpływ polityki spójności na realną konwergencję wewnątrzregionalną w Polsce w latach
Wpływ polityki spójności na realną konwergencję wewnątrzregionalną w Polsce w latach 2007-2013 Emilia Modranka Seminarium EUROREG 17 maja 2018 r. Łódź, 22.01.2017 Zakres tematyczny Założenia teoretyczne
Bardziej szczegółowoEkonometria / G. S. Maddala ; red. nauk. przekł. Marek Gruszczyński. wyd. 2, dodr. 1. Warszawa, Spis treści
Ekonometria / G. S. Maddala ; red. nauk. przekł. Marek Gruszczyński. wyd. 2, dodr. 1. Warszawa, 2013 Spis treści Przedsłowie 15 Przedmowa do drugiego wydania 17 Przedmowa do trzeciego wydania 21 Nekrolog
Bardziej szczegółowoArytmetyka zmiennopozycyjna
Rozdziaª 4 Arytmetyka zmiennopozycyjna Wszystkie obliczenia w octavie s wykonywane w arytmetyce zmiennopozycyjnej (inaczej - arytmetyce ) podwójnej precyzji (double) - cho w najnowszych wersjach octave'a
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 szczegółowo