Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość?

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość?"

Transkrypt

1 Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość? Wykres stopy bezrobocia rejestrowanego w okresie , dane Polskie stopa Wykres podaży pieniądza M1 okresie , dane Polskie M

2 2. Czy wykres ΔM1 sugeruje, że zmienna jest stacjonarna? Wykres pierwszych różnic M d_m Czy wykres Δln(M1) sugeruje, że zmienna jest stacjonarna? d_l_m

3 4. Przeprowadzono test DF dla ln(m1) i otrzymano następujące wyniki: TABELA 1 Test Dickeya-Fullera dla zmiennej l_m1 liczebność próby 133 Hipoteza zerowa: występuje pierwiastek jednostkowy a = 1; proces I(1) test bez wyrazu wolnego (const) model: (1 - L)y = (a-1)*y(-1) + e rząd opóźnienia: 0 Autokorelacja reszt rzędu pierwszego: -0,312 estymowana wartość (a-1) wynosi: 0, Statystyka testu: tau_nc(1) = 4,73378 wartość p 1 Równanie regresji testu Dickeya-Fullera Estymacja KMNK z wykorzystaniem 133 obserwacji 1996: :02 l_m1_1 0, , ,734 5,60E-06 *** TABELA 2 test z wyrazem wolnym (const) model: (1 - L)y = b0 + (a-1)*y(-1) + e rząd opóźnienia: 0 Autokorelacja reszt rzędu pierwszego: -0,318 estymowana wartość (a-1) wynosi: 0, Statystyka testu: tau_c(1) = 0, wartość p 0,9906 Równanie regresji testu Dickeya-Fullera Estymacja KMNK z wykorzystaniem 133 obserwacji 1996: :02 const -0, , ,4745 0,6359 l_m1_1 0, , ,6506 0,5164 TABELA 3 z wyrazem wolnym i trendem liniowym model: (1 - L)y = b0 + b1*t + (a-1)*y(-1) + e rząd opóźnienia: 0 Autokorelacja reszt rzędu pierwszego: -0,253 estymowana wartość (a-1) wynosi: -0, Statystyka testu: tau_ct(1) = -2,18334 wartość p 0,4945 Równanie regresji testu Dickeya-Fullera Estymacja KMNK z wykorzystaniem 133 obserwacji 1996: :02 const 0, , ,202 0,0295 ** l_m1_1-0, , ,183 0,0308 ** time 0, , ,313 0,0223 ** 3

4 Następnie przeprowadzono test Breuscha Godfreya na występowanie autokorelacji: TABELA 4 Model 1: Estymacja KMNK z wykorzystaniem 133 obserwacji 1996: :02 const 0, , ,202 0,0295 ** l_m1_1-0, , ,183 0,0308 ** time 0, , ,313 0,0223 ** Średnia arytmetyczna zmiennej zależnej = 0, Odchylenie standardowe zmiennej zależnej = 0, Suma kwadratów reszt = 0, Błąd standardowy reszt = 0, Wsp. determinacji R-kwadrat = 0,04262 Skorygowany wsp. R-kwadrat = 0,02789 Statystyka F (2, 130) = 2,89353 (wartość p = 0,059) Statystyka testu Durbina-Watsona = 2,46011 Autokorelacja reszt rzędu pierwszego = -0, Logarytm wiarygodności = 284,911 Kryterium informacyjne Akaike'a (AIC) = -563,823 Kryterium bayesowskie Schwarza (BIC) = -555,152 Kryterium infor. Hannana-Quinna (HQC) = -560,299 TABELA 5 Test Breuscha-Godfreya na autokorelację rzędu pierwszego Estymacja KMNK z wykorzystaniem 133 obserwacji 1996: :02 Zmienna zależna: uhat const -0, , ,411 0,1607 l_m1_1 0, , ,411 0,1607 time -0, , ,393 0,1659 uhat_1-0, , ,303 0,0012 *** Wsp. determinacji R-kwadrat = 0,07799 Statystyka testu: LMF = 10,911748, z wartością p = P(F(1,129) > 10,9117) = 0,00124 Statystyka testu: TR^2 = 10,372699, z wartością p = P(Chi-kwadrat(1) > 10,3727) = 0,00128 Ljung-Box Q' = 8,64527 z wartością p = P(Chi-kwadrat(1) > 8,64527) = 0,

5 TABELA 6 Test Breuscha-Godfreya na autokorelację do rzędu 2 Estymacja KMNK z wykorzystaniem 133 obserwacji 1996: :02 Zmienna zależna: uhat const -0, , ,698 0,0920 * l_m1_1 0, , ,698 0,0920 * time -0, , ,681 0,0951 * uhat_1-0, , ,420 0,0008 *** uhat_2-0, , ,9945 0,3219 Wsp. determinacji R-kwadrat = 0,08506 Statystyka testu: LMF = 5,949910, z wartością p = P(F(2,128) > 5,94991) = 0,00338 Statystyka testu: TR^2 = 11,312924, z wartością p = P(Chi-kwadrat(2) > 11,3129) = 0,00349 Ljung-Box Q' = 8,82352 z wartością p = P(Chi-kwadrat(2) > 8,82352) = 0, Przeprowadzono test ADF dla ln(m1) i otrzymano następujące wyniki: TABELA 7 Test Dickeya-Fullera dla zmiennej l_m1 liczebność próby 132 Hipoteza zerowa: występuje pierwiastek jednostkowy a = 1; proces I(1) test bez wyrazu wolnego (const) model: (1 - L)y = (a-1)*y(-1) e rząd opóźnienia: 1 Autokorelacja reszt rzędu pierwszego: -0,064 estymowana wartość (a-1) wynosi: 0, Statystyka testu: tau_nc(1) = 6,37519 asymptotyczna wartość p = 1 Równanie regresji rozszerzonego testu Dickeya-Fullera Estymacja KMNK z wykorzystaniem 132 obserwacji 1996: :02 l_m1_1 0, , ,375 2,93E-09 *** d_l_m1_1-0, , ,844 0,0002 *** 5

6 TABELA 8 test z wyrazem wolnym (const) model: (1 - L)y = b0 + (a-1)*y(-1) e rząd opóźnienia: 1 Autokorelacja reszt rzędu pierwszego: -0,065 estymowana wartość (a-1) wynosi: 0, Statystyka testu: tau_c(1) = 0, asymptotyczna wartość p = 0,995 Równanie regresji rozszerzonego testu Dickeya-Fullera Estymacja KMNK z wykorzystaniem 132 obserwacji 1996: :02 const -0, , ,6028 0,5477 l_m1_1 0, , ,8564 0,3934 d_l_m1_1-0, , ,880 0,0002 *** TABELA 9 z wyrazem wolnym i trendem liniowym model: (1 - L)y = b0 + b1*t + (a-1)*y(-1) e rząd opóźnienia: 1 Autokorelacja reszt rzędu pierwszego: -0,054 estymowana wartość (a-1) wynosi: -0, Statystyka testu: tau_ct(1) = -1,15859 asymptotyczna wartość p = 0,9175 Równanie regresji rozszerzonego testu Dickeya-Fullera Estymacja KMNK z wykorzystaniem 132 obserwacji 1996: :02 const 0, , ,189 0,2368 l_m1_1-0, , ,159 0,2488 d_l_m1_1-0, , ,472 0,0007 *** time 0, , ,304 0,9175 6

7 Następnie przeprowadzono test Breuscha Godfreya na występowanie autokorelacji: TABELA 10 Model 2: Estymacja KMNK z wykorzystaniem 132 obserwacji 1996: :02 const 0, , ,189 0,2368 l_m1_1-0, , ,159 0,2488 time 0, , ,304 0,1947 d_l_m1_1-0, , ,472 0,0007 *** Średnia arytmetyczna zmiennej zależnej = 0, Odchylenie standardowe zmiennej zależnej = 0, Suma kwadratów reszt = 0, Błąd standardowy reszt = 0, Wsp. determinacji R-kwadrat = 0,11686 Skorygowany wsp. R-kwadrat = 0,09617 Statystyka F (3, 128) = 5,64606 (wartość p = 0,00115) Statystyka testu Durbina-Watsona = 2,09606 Autokorelacja reszt rzędu pierwszego = -0, Statystyka testu Durbina h = -2,3607 Logarytm wiarygodności = 291,075 Kryterium informacyjne Akaike'a (AIC) = -574,151 Kryterium bayesowskie Schwarza (BIC) = -562,62 Kryterium infor. Hannana-Quinna (HQC) = -569,465 TABELA 11 Test LM na autokorelację rzędu 1 - Hipoteza zerowa: brak autokorelacji składnika losowego Statystyka testu: LMF = 3,03215 z wartością p = P(F(1,127) > 3,03215) = 0, Test Breuscha-Godfreya na autokorelację rzędu pierwszego Estymacja KMNK z wykorzystaniem 132 obserwacji 1996: :02 Zmienna zależna: uhat const -0, , ,7536 0,4525 l_m1_1 0, , ,7488 0,4554 time -0, , ,7894 0,4314 d_l_m1_1 0, , ,608 0,1104 uhat_1-0, , ,741 0,0841 * Wsp. determinacji R-kwadrat = 0,02332 Statystyka testu: LMF = 3,032147, z wartością p = P(F(1,127) > 3,03215) = 0,0841 Statystyka testu: TR^2 = 3,078034, z wartością p = P(Chi-kwadrat(1) > 3,07803) = 0,0794 Ljung-Box Q' = 0, z wartością p = P(Chi-kwadrat(1) > 0,391187) = 0,532 7

8 TABELA 11 Test Breuscha-Godfreya na autokorelację do rzędu 2 Estymacja KMNK z wykorzystaniem 132 obserwacji 1996: :02 Zmienna zależna: uhat const -0, , ,7326 0,4652 l_m1_1 0, , ,7243 0,4702 time -0, , ,7926 0,4295 d_l_m1_1 0, , ,651 0,1013 uhat_1-0, , ,798 0,0745 * uhat_2 0, , ,7891 0,4315 Wsp. determinacji R-kwadrat = 0,02812 Statystyka testu: LMF = 1,822895, z wartością p = P(F(2,126) > 1,8229) = 0,166 Statystyka testu: TR^2 = 3,711994, z wartością p = P(Chi-kwadrat(2) > 3,71199) = 0,156 Ljung-Box Q' = 0, z wartością p = P(Chi-kwadrat(2) > 0,714736) = 0,7 8

9 4. Przeprowadzono test DF dla Δln(M1) i otrzymano następujące wyniki: TABELA 12 Test Dickeya-Fullera dla zmiennej d_l_m1 liczebność próby 132 Hipoteza zerowa: występuje pierwiastek jednostkowy a = 1; proces I(1) test bez wyrazu wolnego (const) model: (1 - L)y = (a-1)*y(-1) + e rząd opóźnienia: 0 Autokorelacja reszt rzędu pierwszego: 0,011 estymowana wartość (a-1) wynosi: -1,11095 Statystyka testu: tau_nc(1) = -12,9886 wartość p 6,389e-058 Równanie regresji testu Dickeya-Fullera Estymacja KMNK z wykorzystaniem 132 obserwacji 1996: :02 Zmienna zależna: d_d_l_m1 d_l_m1_1-1, , ,99 2,65E-025 *** Następnie przeprowadzono test Breuscha Godfreya na występowanie autokorelacji: TABELA 13 Model 3: Estymacja KMNK z wykorzystaniem 132 obserwacji 1996: :02 Zmienna zależna: d_d_l_m1 d_l_m1 1, , ,65 1,88E-024 *** Średnia arytmetyczna zmiennej zależnej = 0, Odchylenie standardowe zmiennej zależnej = 0, Suma kwadratów reszt = 0, Błąd standardowy reszt = 0, Wsp. determinacji R-kwadrat = 0,54970 Skorygowany wsp. R-kwadrat = 0,54970 Centrowany R-kwadrat = 0,54967 Statystyka F (1, 131) = 159,917 (wartość p < 0,00001) Statystyka testu Durbina-Watsona = 1,88934 Autokorelacja reszt rzędu pierwszego = 0, Logarytm wiarygodności = 270,1 Kryterium informacyjne Akaike'a (AIC) = -538,2 Kryterium bayesowskie Schwarza (BIC) = -535,318 Kryterium infor. Hannana-Quinna (HQC) = -537,029 9

10 TABELA 14 Test Breuscha-Godfreya na autokorelację rzędu pierwszego Estymacja KMNK z wykorzystaniem 133 obserwacji 1996: :02 Zmienna zależna: uhat d_l_m1 0, , , ,9714 uhat_1 0, , ,2676 0,7895 Wsp. determinacji R-kwadrat = 0,00055 Centrowany R-kwadrat = -0,22746 Statystyka testu: LMF = 0,071587, z wartością p = P(F(1,131) > 0, ) = 0,789 Statystyka testu: TR^2 = 0,072641, z wartością p = P(Chi-kwadrat(1) > 0, ) = 0,788 Ljung-Box Q' = 5,60387 z wartością p = P(Chi-kwadrat(1) > 5,60387) = 0,0179 TABELA 15 Test Breuscha-Godfreya na autokorelację do rzędu 2 Estymacja KMNK z wykorzystaniem 133 obserwacji 1996: :02 Zmienna zależna: uhat d_l_m1 0, , ,5651 0,5729 uhat_1 0, , ,3420 0,7329 uhat_2 0, , ,057 0,0416 ** Wsp. determinacji R-kwadrat = 0,03206 Centrowany R-kwadrat = -0,18876 Statystyka testu: LMF = 2,153188, z wartością p = P(F(2,130) > 2,15319) = 0,12 Statystyka testu: TR^2 = 4,264489, z wartością p = P(Chi-kwadrat(2) > 4,26449) = 0,119 Ljung-Box Q' = 5,67377 z wartością p = P(Chi-kwadrat(2) > 5,67377) = 0,

11 Zadanie 2 Dla przeprowadzenia modelu ADL dla zależności stopy wzrostu konsumpcji benzyny od stopy wzrostu dochodu oraz od stopy wzrostu cen benzyny w latach 1960 i stopa wzrostu konsumpcji benzyny - st_g stopa wzrostu cen benzyny - st_pg stopa wzrostu dochodu - st_y TABELA 1 Test Dickeya-Fullera dla zmiennej st_g liczebność próby 34 Hipoteza zerowa: występuje pierwiastek jednostkowy a = 1; proces I(1) test bez wyrazu wolnego (const) model: (1 - L)y = (a-1)*y(-1) + e rząd opóźnienia: 0 Autokorelacja reszt rzędu pierwszego: -0,061 estymowana wartość (a-1) wynosi: -0, Statystyka testu: tau_nc(1) = -3,05008 wartość p 0,00335 Równanie regresji testu Dickeya-Fullera Estymacja KMNK z wykorzystaniem 34 obserwacji Zmienna zależna: d_st_g st_g_1-0, , ,050 0,0045 *** Test Breuscha Gogfreya: Rząd Wartość statystyki p value 1 0, , , ,5 3 1, ,708 11

12 TABELA 2 Test Dickeya-Fullera dla zmiennej st_pg liczebność próby 33 Hipoteza zerowa: występuje pierwiastek jednostkowy a = 1; proces I(1) test bez wyrazu wolnego (const) model: (1 - L)y = (a-1)*y(-1) + e rząd opóźnienia: 0 Autokorelacja reszt rzędu pierwszego: -0,042 estymowana wartość (a-1) wynosi: -1,16734 Statystyka testu: tau_nc(1) = -6,69927 wartość p 9,724e-009 Równanie regresji testu Dickeya-Fullera Estymacja KMNK z wykorzystaniem 33 obserwacji Zmienna zależna: d_st_pg - st_pg_1-1, , ,699 1,46E-07 *** Test Breuscha Gogfreya: Rząd Wartość statystyki p value 1 0, , , ,82 3 0, ,917 TABELA 3 Test Dickeya-Fullera dla zmiennej st_y liczebność próby 33 Hipoteza zerowa: występuje pierwiastek jednostkowy a = 1; proces I(1) test bez wyrazu wolnego (const) model: (1 - L)y = (a-1)*y(-1) + e rząd opóźnienia: 0 Autokorelacja reszt rzędu pierwszego: -0,106 estymowana wartość (a-1) wynosi: -1,43786 Statystyka testu: tau_nc(1) = -9,0589 wartość p 2,063e-016 Równanie regresji testu Dickeya-Fullera Estymacja KMNK z wykorzystaniem 33 obserwacji Zmienna zależna: d_st_y st_y_1-1, , ,059 2,40E-010 *** Test Breuscha Gogfreya: Rząd Wartość statystyki p value 1 3, , , , , ,17 12

13 TABELA 4 Hipoteza zerowa: proces stacjonarny; test KPSS dla zmiennej st_g (bez trendu) Parametr rzędu opóźnienia (lag truncation) = 3 Statystyka testu = 0, % 5% 2,5% 1% Krytyczna wart.: 0,347 0,463 0,574 0,739 TABELA 5 Hipoteza zerowa: proces stacjonarny; test KPSS dla zmiennej st_pg (bez trendu) Parametr rzędu opóźnienia (lag truncation) = 3 Statystyka testu = 0, % 5% 2,5% 1% Krytyczna wart.: 0,347 0,463 0,574 0,739 TABELA 6 Hipoteza zerowa: proces stacjonarny; test KPSS dla zmiennej st_y (bez trendu) Parametr rzędu opóźnienia (lag truncation) = 3 Statystyka testu = 0, % 5% 2,5% 1% Krytyczna wart.: 0,347 0,463 0,574 0,739 Pytania: 1. Przeprowadzić testy DF na istnienie pierwiastka jednostkowego dla zmiennych: stopa wzrostu konsumpcji benzyny - st_g stopa wzrostu cen benzyny - st_pg stopa wzrostu dochodu - st_y 2. Przeprowadzić testy KPSS na istnienie pierwiastka jednostkowego dla zmiennych: stopa wzrostu konsumpcji benzyny - st_g stopa wzrostu cen benzyny - st_pg stopa wzrostu dochodu - st_y 13

14 3. Następnie oszacowano modele ADL: Model 1: Estymacja KMNK z wykorzystaniem 33 obserwacji Zmienna zależna: st_g st_y 0, , ,567 9,06E-05 *** st_y_2 0, , ,860 0,0006 *** st_pg -0, , ,604 2,38E-09 *** st_pg_2 0, , ,515 0,0015 *** st_g_1 0, , ,142 0,0039 *** Średnia arytmetyczna zmiennej zależnej = 0, Odchylenie standardowe zmiennej zależnej = 0, Suma kwadratów reszt = 0, Błąd standardowy reszt = 0, Wsp. determinacji R-kwadrat = 0,89763 Skorygowany wsp. R-kwadrat = 0,88301 Centrowany R-kwadrat = 0,85389 Statystyka F (5, 28) = 49,106 (wartość p < 0,00001) Statystyka testu Durbina-Watsona = 2,14743 Autokorelacja reszt rzędu pierwszego = -0, Statystyka testu Durbina h = -0, Logarytm wiarygodności = 93,2985 Kryterium informacyjne Akaike'a (AIC) = -176,597 Kryterium bayesowskie Schwarza (BIC) = -169,115 Kryterium infor. Hannana-Quinna (HQC) = -174,079 Test Breuscha-Godfreya na autokorelację do rzędu 3 Estymacja KMNK z wykorzystaniem 33 obserwacji Statystyka testu: TR^2 = 4,902628, z wartością p = P(Chi-kwadrat(3) > 4,90263) = 0,179 a) Proszę policzyć i zinterpretować mnożniki bezpośrednie dla Modelu 1. b) Proszę policzyć i zinterpretować mnożniki długookresowe dla Modelu 1. c) Jak wygląda równowaga długookresowa w Modelu 1? d) Za pomocą jakiego testu powinno się przetestować w tym modelu autokorelację, dlaczego jest to ważne? e) Co implikuje wynik testu Breuscha Godfreya w Modelu 1? 14

Model 1: Estymacja KMNK z wykorzystaniem 32 obserwacji 1964-1995 Zmienna zależna: st_g

Model 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 szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16

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

Bardziej szczegółowo

4. Średnia i autoregresja zmiennej prognozowanej

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

Bardziej szczegółowo

Szymon Bargłowski, sb39345 MODEL. 1. Równania rozpatrywanego modelu: 1 PKB t = a 1 a 2 E t a 3 Invest t 1

Szymon Bargłowski, sb39345 MODEL. 1. Równania rozpatrywanego modelu: 1 PKB t = a 1 a 2 E t a 3 Invest t 1 Szymon Bargłowski, sb39345 MODEL 1. Równania rozpatrywanego modelu: 1 PKB t = a 1 a 2 E t a 3 Invest t 1 2 C t = b 1 b 2 PKB t b 3 Invest t 1 b 4 G t 2 3 Invest t = d 1 d 2 C t d 3 R t 3 gdzie: G - wydatki

Bardziej szczegółowo

Niestacjonarne zmienne czasowe własności i testowanie

Niestacjonarne zmienne czasowe własności i testowanie Materiał dla studentów Niestacjonarne zmienne czasowe własności i testowanie (studium przypadku) Część 3: Przykłady testowania niestacjonarności Nazwa przedmiotu: ekonometria finansowa I (22204), analiza

Bardziej szczegółowo

STUDIA I STOPNIA EGZAMIN Z EKONOMETRII

STUDIA 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 szczegółowo

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

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

Bardziej szczegółowo

Zadanie 3 Na podstawie danych kwartalnych z lat oszacowano następujący model (w nawiasie podano błąd standardowy oszacowania):

Zadanie 3 Na podstawie danych kwartalnych z lat oszacowano następujący model (w nawiasie podano błąd standardowy oszacowania): Zadanie 1 Fabryka Dolce Vita do produkcji czekolady potrzebuje nakładów kapitału i siły roboczej. Na podstawie historycznych danych o wielkości produkcji oraz nakładów czynników produkcji w tej fabryce

Bardziej szczegółowo

EKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE

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

Bardziej szczegółowo

Niestacjonarne zmienne czasowe własności i testowanie

Niestacjonarne zmienne czasowe własności i testowanie Materiał dla studentów Niestacjonarne zmienne czasowe własności i testowanie (studium przypadku) Część 1: Opis ogólny i plan pracy Nazwa przedmiotu: ekonometria finansowa I (22204), analiza szeregów czasowych

Bardziej szczegółowo

Proces modelowania zjawiska handlu zagranicznego towarami

Proces 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 szczegółowo

Metoda Johansena objaśnienia i przykłady

Metoda Johansena objaśnienia i przykłady Metoda Johansena objaśnienia i przykłady Model wektorowej autoregresji rzędu p, VAR(p), ma postad gdzie oznacza wektor zmiennych endogenicznych modelu. Model VAR jest stabilny, jeżeli dla, tzn. wielomian

Bardziej szczegółowo

1 Modele ADL - interpretacja współczynników

1 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 szczegółowo

Outsourcing a produktywność pracy w polskich przedsiębiorstwach. Anna Grześ Zakład Zarządzania Uniwersytet w Białymstoku

Outsourcing a produktywność pracy w polskich przedsiębiorstwach. Anna Grześ Zakład Zarządzania Uniwersytet w Białymstoku Outsourcing a produktywność pracy w polskich przedsiębiorstwach Anna Grześ Zakład Zarządzania Uniwersytet w Białymstoku Cele : pomiar produktywności pracy w polskich przedsiębiorstwach na poziomie sekcji

Bardziej szczegółowo

Zadanie 1. a) Przeprowadzono test RESET. Czy model ma poprawną formę funkcyjną? 1

Zadanie 1. a) Przeprowadzono test RESET. Czy model ma poprawną formę funkcyjną? 1 Zadanie 1 a) Przeprowadzono test RESET. Czy model ma poprawną formę funkcyjną? 1 b) W naszym przypadku populacja są inżynierowie w Tajlandii. Czy można jednak przypuszczać, że na zarobki kobiet-inżynierów

Bardziej szczegółowo

Stanisław Cichocki. Natalia Neherbecka. Zajęcia 13

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

Bardziej szczegółowo

7.4 Automatyczne stawianie prognoz

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

Bardziej szczegółowo

Przyjazdy turystów zagranicznych do Polski miesięcznie od 2005 roku do 2009 roku modelowanie ekonometryczne

Przyjazdy turystów zagranicznych do Polski miesięcznie od 2005 roku do 2009 roku modelowanie ekonometryczne Dawid Twardowski Wrocław, dnia 6 czerwca 2010 Przyjazdy turystów zagranicznych do Polski miesięcznie od 2005 roku do 2009 roku modelowanie ekonometryczne Spis treści Spis treści... 1 Struktura projektu...

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

Egzamin z ekonometrii wersja IiE, MSEMAT

Egzamin z ekonometrii wersja IiE, MSEMAT Egzamin z ekonometrii wersja IiE, MSEMAT 04-02-2016 Pytania teoretyczne 1. Za pomocą jakiego testu weryfikowana jest normalność składnika losowego? Jakiemu założeniu KMRL odpowiada w tym teście? Jakie

Bardziej szczegółowo

1 Metoda Najmniejszych Kwadratów (MNK) 2 Interpretacja parametrów modelu. 3 Klasyczny Model Regresji Liniowej (KMRL)

1 Metoda Najmniejszych Kwadratów (MNK) 2 Interpretacja parametrów modelu. 3 Klasyczny Model Regresji Liniowej (KMRL) 1 Metoda Najmniejszych Kwadratów (MNK) 1. Co to jest zmienna endogeniczna, a co to zmienne egzogeniczna? 2. Podaj postać macierzy obserwacji dla modelu y t = a + bt + ε t 3. Co to jest wartość dopasowana,

Bardziej szczegółowo

Przykład 2. Stopa bezrobocia

Przykład 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 szczegółowo

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

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

3. Analiza własności szeregu czasowego i wybór typu modelu

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Ekonometria. Ćwiczenia nr 3. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria. 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 szczegółowo

Analiza szeregów czasowych bezrobocia i inflacji w Danii

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

Bardziej szczegółowo

140, , ,000 80, ROK

140, , ,000 80, ROK 140,000 PRODUKCJA 120,000 100,000 80,000 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 ROK 130,000 120,000 PRODUKCJA 110,000 100,000 90,000 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008

Bardziej szczegółowo

Kolokwium ze statystyki matematycznej

Kolokwium ze statystyki matematycznej Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę

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

Pobrane z czasopisma Annales H - Oeconomia Data: 16/02/ :42:11

Pobrane z czasopisma Annales H - Oeconomia  Data: 16/02/ :42:11 DOI:10.17951/h.2017.51.5.283 ANNALES UNIVERSITATIS MARIAE CURIE-SKŁODOWSKA LUBLIN POLONIA VOL. LI, 5 SECTIO H 2017 Uniwersytet Łódzki. Wydział Zarządzania pasek@uni.lodz.pl Nastrój inwestorów i stopy zwrotu

Bardziej szczegółowo

Testy własności składnika losowego Testy formy funkcyjnej. Diagnostyka modelu. Część 2. Diagnostyka modelu

Testy 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 szczegółowo

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący

Bardziej szczegółowo

Ćwiczenia IV

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

Bardziej szczegółowo

Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki

Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...

Bardziej szczegółowo

i EKSPLOATACJI TAbORU AUTObUSOWEGO

i EKSPLOATACJI TAbORU AUTObUSOWEGO PTiL 3/2016 (35) ISSN: 1644-275X www.wnus.edu.pl/ptil DOI: 10.18276/ptl.2016.35-02 19 28 Prognozowanie KOSZTów UTRZYmANIA i EKSPLOATACJI TAbORU AUTObUSOWEGO Data przesłania: 30.06.2016 Data akceptacji:

Bardziej szczegółowo

ZASTOSOWANIE MODELI WEKTOROWO-AUTOREGRESYJNYCH DO PROGNOZOWANIA WYBRANYCH RACHUNKÓW NARODOWYCH

ZASTOSOWANIE MODELI WEKTOROWO-AUTOREGRESYJNYCH DO PROGNOZOWANIA WYBRANYCH RACHUNKÓW NARODOWYCH Katarzyna Warzecha Andrzej Wójcik Uniwersytet Ekonomiczny w Katowicach ZASTOSOWANIE MODELI WEKTOROWO-AUTOREGRESYJNYCH DO PROGNOZOWANIA WYBRANYCH RACHUNKÓW NARODOWYCH Wprowadzenie Najważniejszym i najczęściej

Bardziej szczegółowo

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

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

Bardziej szczegółowo

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

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

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

Bardziej szczegółowo

Ekonometria. Własności składnika losowego. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria. Własności składnika losowego. Jakub Mućk. Katedra Ekonomii Ilościowej Ekonometria Własności składnika losowego Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 1 / 31 Agenda KMNK przypomnienie 1 KMNK przypomnienie 2 3 4

Bardziej szczegółowo

( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie:

( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie: ma postać y = ax + b Równanie regresji liniowej By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : xy b = a = b lub x Gdzie: xy = też a = x = ( b ) i to dane empiryczne, a ilość

Bardziej szczegółowo

TEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.

TEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności. TEST STATYSTYCZNY Testem statystycznym nazywamy regułę postępowania rozstrzygająca, przy jakich wynikach z próby hipotezę sprawdzaną H 0 należy odrzucić, a przy jakich nie ma podstaw do jej odrzucenia.

Bardziej 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

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

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

Bardziej szczegółowo

Na podstawie danych dotyczacych rocznych wydatków na pizze oszacowano parametry poniższego modelu:

Na podstawie danych dotyczacych rocznych wydatków na pizze oszacowano parametry poniższego modelu: Zadanie 1. Oszacowano model ekonometryczny liczby narodzin dzieci (w tys.) w Polsce w latach 2000 2010 w zależnosci od średniego rocznego wynagrodzenia (w ujęciu realnym, PLN), stopy bezrobocia (w punktach

Bardziej szczegółowo

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

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

Bardziej szczegółowo

3. Modele tendencji czasowej w prognozowaniu

3. Modele tendencji czasowej w prognozowaniu II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa

Bardziej szczegółowo

Egzamin z ekonometrii wersja ogolna

Egzamin z ekonometrii wersja ogolna Egzamin z ekonometrii wersja ogolna 04-02-2016 Pytania teoretyczne 1. Wymienić założenia Klasycznego Modelu Regresji Liniowej (KMRL). 2. Wyprowadzić estymator MNK dla modelu z wieloma zmiennymi objaśniającymi.

Bardziej szczegółowo

Projekt z Ekonometrii Dynamicznej

Projekt z Ekonometrii Dynamicznej Projekt z Ekonometrii Dynamicznej Tomasz Tymecki L.p. Nazwa 1 KGHM 2 ORBIS 3 FERRUM 4 VISTULA 5 BORYSZEW 6 MOSTOSTALZAB 7 BYTOM 8 FORTE 9 PRÓCHNIK 1 ŻYWIEC 11 Indeks WIG 12 Indeks WIG2 Spis treści I. Analiza

Bardziej szczegółowo

log Ôi = 1, , 0014P i + 0, 0561C i 0, 4050R i se = (0, 0009) (0, 0227) (0, 1568)

log Ôi = 1, , 0014P i + 0, 0561C i 0, 4050R i se = (0, 0009) (0, 0227) (0, 1568) 1. Na podstawie danych zawartych w pliku [zgony niemowlat.xls] oszacuj (przy pomocy pakietu gretl lub arkusza kalkulacyjnego) parametry MNK następującego liniowego modelu ekonometrycznego: ZN t = a 0 +

Bardziej szczegółowo

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

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

MODELE LINIOWE. Dr Wioleta Drobik

MODELE LINIOWE. Dr Wioleta Drobik MODELE LINIOWE Dr Wioleta Drobik MODELE LINIOWE Jedna z najstarszych i najpopularniejszych metod modelowania Zależność między zbiorem zmiennych objaśniających, a zmienną ilościową nazywaną zmienną objaśnianą

Bardziej szczegółowo

MODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE

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

Bardziej szczegółowo

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

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

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

Bardziej szczegółowo

Narzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski

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

Bardziej szczegółowo

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

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego

Bardziej szczegółowo

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16 Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego

Bardziej szczegółowo

parametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających,

parametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających, 诲 瞴瞶 瞶 ƭ0 ƭ 瞰 parametrów strukturalnych modelu Y zmienna objaśniana, = + + + + + X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających, α 0, α 1, α 2,,α k parametry strukturalne modelu, k+1 parametrów

Bardziej szczegółowo

KORELACJE I REGRESJA LINIOWA

KORELACJE I REGRESJA LINIOWA KORELACJE I REGRESJA LINIOWA Korelacje i regresja liniowa Analiza korelacji: Badanie, czy pomiędzy dwoma zmiennymi istnieje zależność Obie analizy się wzajemnie przeplatają Analiza regresji: Opisanie modelem

Bardziej szczegółowo

Testowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego

Testowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego Testowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego Ze względu na jakość uzyskiwanych ocen parametrów strukturalnych modelu oraz weryfikację modelu, metoda najmniejszych

Bardziej szczegółowo

Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski

Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej

Bardziej szczegółowo

Estymacja parametrów rozkładu cechy

Estymacja parametrów rozkładu cechy Estymacja parametrów rozkładu cechy Estymujemy parametr θ rozkładu cechy X Próba: X 1, X 2,..., X n Estymator punktowy jest funkcją próby ˆθ = ˆθX 1, X 2,..., X n przybliżającą wartość parametru θ Przedział

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

Analiza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817

Analiza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817 Analiza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817 Zadanie 1: wiek 7 8 9 1 11 11,5 12 13 14 14 15 16 17 18 18,5 19 wzrost 12 122 125 131 135 14 142 145 15 1 154 159 162 164 168 17 Wykres

Bardziej szczegółowo

Sławomir I. Bukowski ROZWÓJ RYNKÓW FINANSOWYCH A WZROST GOSPODARCZY W OBSZARZE EURO-12

Sławomir I. Bukowski ROZWÓJ RYNKÓW FINANSOWYCH A WZROST GOSPODARCZY W OBSZARZE EURO-12 A C T A U N I V E R S I T A T I S L O D Z I E N S I S FOLIA OECONOMICA 268, 2012 ROZWÓJ RYNKÓW FINANSOWYCH A WZROST GOSPODARCZY W OBSZARZE EURO-12 WPROWADZENIE Problematyka wpływu finansów na wzrost gospodarczy

Bardziej szczegółowo

ANALIZA REGRESJI SPSS

ANALIZA REGRESJI SPSS NLIZ REGRESJI SPSS Metody badań geografii społeczno-ekonomicznej KORELCJ REGRESJ O ile celem korelacji jest zmierzenie siły związku liniowego między (najczęściej dwoma) zmiennymi, o tyle w regresji związek

Bardziej szczegółowo

Testowanie hipotez statystycznych.

Testowanie hipotez statystycznych. Bioinformatyka Wykład 9 Wrocław, 5 grudnia 2011 Temat. Test zgodności χ 2 Pearsona. Statystyka χ 2 Pearsona Rozpatrzmy ciąg niezależnych zmiennych losowych X 1,..., X n o jednakowym dyskretnym rozkładzie

Bardziej szczegółowo

Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna

Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna Regresja wieloraka Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna zmienna niezależna (można zobrazować

Bardziej szczegółowo

ANALIZA PORÓWNAWCZA KONIUNKTURY GOSPODARKI WOJEWÓDZTWA ŚLĄSKIEGO I GOSPODARKI POLSKI

ANALIZA PORÓWNAWCZA KONIUNKTURY GOSPODARKI WOJEWÓDZTWA ŚLĄSKIEGO I GOSPODARKI POLSKI Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 264 2016 Uniwersytet Ekonomiczny w Katowicach Wydział Zarządzania Katedra Ekonometrii jozef.biolik@ue.katowice.pl

Bardziej szczegółowo

Przykład 1 ceny mieszkań

Przykład 1 ceny mieszkań Przykład ceny mieszkań Przykład ceny mieszkań Model ekonometryczny zaleŝności ceny mieszkań od metraŝu - naleŝy do klasy modeli nieliniowych. - weryfikację empiryczną modelu przeprowadzono na przykładzie

Bardziej szczegółowo

Testowanie stopnia zintegrowania. czasowego. Wst p do ekonometrii szeregów czasowych wiczenia 1. Andrzej Torój. 19 lutego 2010

Testowanie 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 szczegółowo

WNIOSKOWANIE STATYSTYCZNE

WNIOSKOWANIE STATYSTYCZNE STATYSTYKA WNIOSKOWANIE STATYSTYCZNE ESTYMACJA oszacowanie z pewną dokładnością wartości opisującej rozkład badanej cechy statystycznej. WERYFIKACJA HIPOTEZ sprawdzanie słuszności przypuszczeń dotyczących

Bardziej szczegółowo

Adam Kirpsza Zastosowanie regresji logistycznej w studiach nad Unią Europejska. Anna Stankiewicz Izabela Słomska

Adam Kirpsza Zastosowanie regresji logistycznej w studiach nad Unią Europejska. Anna Stankiewicz Izabela Słomska Adam Kirpsza Zastosowanie regresji logistycznej w studiach nad Unią Europejska Anna Stankiewicz Izabela Słomska Wstęp- statystyka w politologii Rzadkie stosowanie narzędzi statystycznych Pisma Karla Poppera

Bardziej szczegółowo

Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski

Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski Zadanie 1 Eksploracja (EXAMINE) Informacja o analizowanych danych Obserwacje Uwzględnione Wykluczone Ogółem

Bardziej szczegółowo

RETScreen Plus Kierownik - Raport

RETScreen Plus Kierownik - Raport RETScreen Plus Kierownik - Raport RETScreen International CanmetENERGY Natural Resources Canada RETScreen Plus 2012-11-23 Minister of Natural Resources Canada 1997-2012. NRCan/CanmetENERGY Mapa Legenda

Bardziej szczegółowo

(LMP-Liniowy model prawdopodobieństwa)

(LMP-Liniowy model prawdopodobieństwa) OGÓLNY MODEL REGRESJI BINARNEJ (LMP-Liniowy model prawdopodobieństwa) Dla k3 y α α α α + x + x + x 2 2 3 3 + α x x α x x + α x x + α x x + ε + x 4 2 5 3 6 2 3 7 2 3 Zał.: Wszystkie zmienne interakcyjne

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Wykład 1

Stanisław Cichocki Natalia Nehrebecka. Wykład 1 Stanisław Cichocki Natalia Nehrebecka Wykład 1 1 1. Sprawy organizacyjne Zasady zaliczenia Ćwiczenia Literatura 2. Obciążenie Lovella 3. Metoda od ogólnego do szczególnego 4. Kryteria informacyjne 2 1.

Bardziej szczegółowo

Analiza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń Problem Przykłady

Analiza 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 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

1. Opis tabelaryczny. 2. Graficzna prezentacja wyników. Do technik statystyki opisowej można zaliczyć:

1. Opis tabelaryczny. 2. Graficzna prezentacja wyników. Do technik statystyki opisowej można zaliczyć: Wprowadzenie Statystyka opisowa to dział statystyki zajmujący się metodami opisu danych statystycznych (np. środowiskowych) uzyskanych podczas badania statystycznego (np. badań terenowych, laboratoryjnych).

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

Jednowskaźnikowy model Sharpe`a

Jednowskaźnikowy model Sharpe`a Uniwersytet Warszawski Wydział Nauk Ekonomicznych Milena Jamroziak i Paweł Androszczuk Model ekonometryczny Jednowskaźnikowy model Sharpe`a dla akcji Amici Praca zaliczeniowa napisana pod kierunkiem mgr

Bardziej szczegółowo

Statystyka. #6 Analiza wariancji. Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik. rok akademicki 2015/ / 14

Statystyka. #6 Analiza wariancji. Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik. rok akademicki 2015/ / 14 Statystyka #6 Analiza wariancji Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik rok akademicki 2015/2016 1 / 14 Analiza wariancji 2 / 14 Analiza wariancji Analiza wariancji jest techniką badania wyników,

Bardziej szczegółowo

Wykład z Nowej ekonometrii, 7 marca 2006:

Wykład z Nowej ekonometrii, 7 marca 2006: Wykład z Nowej ekonometrii, 7 marca 2006: Na mojej stronie internetowej podane są pliki z danymi: http://akson.sgh.waw.pl/~ewams/mills.zip http://akson.sgh.waw.pl/~ewams/mills_obligacje.xls dane z pierwszego

Bardziej szczegółowo

Przykład 2. Na podstawie książki J. Kowal: Metody statystyczne w badaniach sondażowych rynku

Przykład 2. Na podstawie książki J. Kowal: Metody statystyczne w badaniach sondażowych rynku Przykład 2 Na podstawie książki J. Kowal: Metody statystyczne w badaniach sondażowych rynku Sondaż sieciowy analiza wyników badania sondażowego dotyczącego motywacji w drodze do sukcesu Cel badania: uzyskanie

Bardziej szczegółowo

Statystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r

Statystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów

Bardziej szczegółowo

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA

WIELKA 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 szczegółowo

2.2 Autokorelacja Wprowadzenie

2.2 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 szczegółowo

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI. Test zgodności i analiza wariancji Analiza wariancji

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI. Test zgodności i analiza wariancji Analiza wariancji WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI Test zgodności i analiza wariancji Analiza wariancji Test zgodności Chi-kwadrat Sprawdza się za jego pomocą ZGODNOŚĆ ROZKŁADU EMPIRYCZNEGO Z PRÓBY Z ROZKŁADEM HIPOTETYCZNYM

Bardziej szczegółowo

OBLICZENIE PRZEPŁYWÓW MAKSYMALNYCH ROCZNYCH O OKREŚLONYM PRAWDOPODOBIEŃSTWIE PRZEWYŻSZENIA. z wykorzystaniem programu obliczeniowego Q maxp

OBLICZENIE PRZEPŁYWÓW MAKSYMALNYCH ROCZNYCH O OKREŚLONYM PRAWDOPODOBIEŃSTWIE PRZEWYŻSZENIA. z wykorzystaniem programu obliczeniowego Q maxp tel.: +48 662 635 712 Liczba stron: 15 Data: 20.07.2010r OBLICZENIE PRZEPŁYWÓW MAKSYMALNYCH ROCZNYCH O OKREŚLONYM PRAWDOPODOBIEŃSTWIE PRZEWYŻSZENIA z wykorzystaniem programu obliczeniowego Q maxp DŁUGIE

Bardziej szczegółowo

Analiza regresji - weryfikacja założeń

Analiza regresji - weryfikacja założeń Medycyna Praktyczna - portal dla lekarzy Analiza regresji - weryfikacja założeń mgr Andrzej Stanisz z Zakładu Biostatystyki i Informatyki Medycznej Collegium Medicum UJ w Krakowie (Kierownik Zakładu: prof.

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez statystycznych

Bardziej szczegółowo

EKONOMETRIA PRZESTRZENNA

EKONOMETRIA PRZESTRZENNA EKONOMETRIA PRZESTRZENNA Wstęp podstawy ekonometrii Uniwersytet Ekonomiczny w Krakowie, 2012 1 EKONOMETRIA wybrane definicje (Osińska) Ekonometria dziedzina ekonomii wykorzystująca modele i sposoby wnioskowania

Bardziej szczegółowo

Modele dynamiczne. Rozdział 2

Modele dynamiczne. Rozdział 2 Rozdział 2 Modele dynamiczne Modele dynamiczne są to modele, których celem jest opisanie procesu dostosowań do stanu równowagi. Modele takie szacowane są na szeregach czasowych. Własności dynamiczne systemu

Bardziej szczegółowo

Ekonometria. Robert Pietrzykowski.

Ekonometria. Robert Pietrzykowski. Ekonometria Robert Pietrzykowski email: robert_pietrzykowski@sggw.pl www.ekonometria.info Na dziś Sprawy bieżące Prowadzący Zasady zaliczenia Konsultacje Inne 2 Sprawy ogólne czyli co nas czeka Zaliczenie

Bardziej szczegółowo

Badanie zależności skala nominalna

Badanie zależności skala nominalna Badanie zależności skala nominalna I. Jak kształtuje się zależność miedzy płcią a wykształceniem? II. Jak kształtuje się zależność między płcią a otyłością (opis BMI)? III. Jak kształtuje się zależność

Bardziej szczegółowo