Heteroskedastyczość w szeregach czasowyh
|
|
- Elżbieta Kaczmarczyk
- 6 lat temu
- Przeglądów:
Transkrypt
1 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 sa tutaj dane z rynków finansowych Gdy zaczęto je badać zauważono, że szeregi te (np. walut etc.) ceny akcji, kursy 1. zachowuja się w przybliżeniu zgodnie z modelem bładzenia przypadkowego z dryfem 2. w rozkładach piewszych różnic obserwuje się silna leptokutozę Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 1
2 zbyt grube ogony rozkładu zbyt wysoka koncentracja wokół zera Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 2
3 Indeks Dow Jones Indeks Dow Jones jan19301jan19401jan19501jan19601jan19701jan19801jan19901jan20001jan2010 Data Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 3
4 Histogram zwrotów z Dow Jones Gêsto æ Dzienne stopy zwrotu Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 4
5 Histogram logarytmów zwrotów z Dow Jones Gêsto æ Logarytm dziennej stopy zwrotu Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 5
6 Wynik testu Jarque-Berra na normalność rozkładu logarytmów zwrotów z Dow-Jones Skewness/Kurtosis tests for Normality joint Variable Pr(Skewness) Pr(Kurtosis) chi2(2) Prob>chi lreturn Wielkość współczynnika asymetrii i kurtozy: variable skewness kurtosis lreturn Hipoteza o normalności rozkładu logarytmów zwrotów z Dow Jonesa został bardzo silnie odrzucona Z wyliczonych z próby wartości współczynnika asymetrii i kurtozy Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 6
7 wnioskujemy, że główna przyczyna odrzucenia tej hipotezy była silna kurtoza Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 7
8 Wyniki testu Dickey-Fullera dla logarytmu dziennej stopy zwrotu (regresja ze stała) Dickey-Fuller test for unit root Number of obs = Z(t) has t-distribution Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value Z(t) p-value for Z(t) = Dickey-Fuller test for unit root Number of obs = Interpolated Dickey-Fuller Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value Z(t) MacKinnon approximate p-value for Z(t) = Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 8
9 H 0 o istnieniu pierwiastka jednostkowego w logarytmach indeksu Dow Jones nie został odrzucona H 0 o istnieniu pierwiastka jednostkowego w pierwszych różnicach logarytmu indeksu Dow Jones została odrzucona Wniosek: log ( pt p t 1 ) = log (p t ) I (0), p t I (1) Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 9
10 Modelowanie log ( pt p t 1 ) w latach Source SS df MS Number of obs = F( 10, 19215) = 6.62 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = lreturn Coef. Std. Err. t P> t [95% Conf. Interval] lreturn L L L L L L L L L Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 10
11 L _cons Współczynniki wychodza istotne: czy tak zbudowany model można wykorzystać do zarabiania na NYSE? Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 11
12 Wyniki regresji dla lat Source SS df MS Number of obs = F( 10, 6393) = 1.60 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = lreturn Coef. Std. Err. t P> t [95% Conf. Interval] lreturn L L L L L L L L L L Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 12
13 _cons Dla ostatnich 25 lat nie da się niestty zaobserwować żadnej istotnej korelacji! Czy więc zwroty z Dow Jones sa białym szumem: ciagiem nieskorelowanych ε t? Dlaczego w zwrotach występuje leptokurtoza? Portmanteau test for white noise Portmanteau (Q) statistic = Prob > chi2(40) = Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 13
14 Zwroty z Dow Jones Zmiana indeksu Dow Jones jan jan jan jan jan jan2005 Data Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 14
15 Zwroty z Dow Jones i biały szum Zmiana indeksu Dow Jones jan jan jan jan jan jan2005 Data Bia³y szum jan jan jan jan jan jan2005 Data Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 15
16 Najprawdopodobniej przyczyna występowania leptokurtozy jest zjawisko grupowania obserwacji o dużej wariancji Oczekiwanej wielkości zwrotów nie da się przewidzieć (z pewnym zastrzeżeniem do którego jeszcze do tego wrócimy) Do pewnego stopnia przewidywalne jest jednak wariancja Modelowanie zmian wariancji jest w praktyce bardzo ważne ponieważ jest to parametr, od którego zależa ceny instrumentów pochodnych (np. opcji) Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 16
17 Warunkowa autoregresyjna heteroskedastyczność ARCH (q) Model ARCH (1) (Autoregressive Conditional Heteroskedasticity) y t = x t β + ε t ε t = u t θ 0 + θ 1 ε 2 t 1 gdzie u t N (0, 1), u t jest niezależne od ε t 1 i E (ε t x t, ε t 1 ) = 0 Bazwarunkowa wariancja ε t jest stała Var (ε t ) = E ( ε 2 t) = εt = E ( u 2 ( t) E θ0 + 1 ε 2 ) t 1 = θ 0 + θ 1 Var ( ε 2 ) t 1 Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 17
18 Jeśli proces generujacy wariancje jest stacjonarny to Var ( ) ε 2 t Var ( εt 1) 2 =... = Podstawiajac i rozwiazuj ac dla Var (ε t ) otrzymujemy: Var ( ε 2 ) θ 0 t = 1 θ 1 Założenia KM RL sa spełnione - estymator M N K jest najlepszym liniowym i niobciażonym estymatorem β Z racji na występowanie warunkowej heteroskedastyczności istnieja jednak lepsze nieliniowe estymatory β Wariancja nie jest jednak stała warunkowo: Var (ε t ε t 1 ) = E ( ε 2 ) t εt 1 = θ0 + θ 1 ε 2 t 1 Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 18
19 Ogólna postać modelu ARCH (q) y t = x t β + ε t ε t = u t σ t σ 2 t = θ 0 + θ 1 ε 2 t θ q ε 2 t q Zauważmy, że model opisujacy wariancję jest w gruncie rzeczy procesem MA (q) Test na występowanie warunkowej heteroskedastyczności rzędu q: 1. przeprowadzamy regresję y t na x t 2. uzyskane reszty tej regresji podniesimy do kwadratu 3. przeprowadzamy regresję e 2 t na e 2 t 1,..., e 2 t q 4. liczymy statystykę LM = T R 2 χ 2 q Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 19
20 Wynik testu LM na hetoroskedastyczność warunkowa dla logarytmów zwrotów z Dow Jones a. LM test for autoregressive conditional heteroskedasticity (ARCH) lags(p) chi2 df Prob > chi H0: no ARCH effects vs. H1: ARCH(p) disturbance Wynik testu: bardzo silnie odrzucamy hipotezę o braku warunkowej hetoroskedytyczności Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 20
21 Model ARCH (3) ARCH family regression Sample: to -1 Number of obs = 6404 Wald chi2(.) =. Log likelihood = Prob > chi2 = OPG lreturn Coef. Std. Err. z P> z [95% Conf. Interval] lreturn _cons ARCH arch L L L _cons e Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 21
22 Test LR na łaczn a nieistotność parametrów likelihood-ratio test LR chi2(3) = (Assumption:. nested in model) Prob > chi2 = Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 22
23 Model uogólnionej warunkowej hetoroskedastyczności GARCH (p, q) Model GARCH (p, q) (Generalized Autoregressive Conditional Heteroskedasticity) ma dla wariancji postać podobna do modelu ARMA (p, q) y t = x t β + ε t ε t = u t σ t σ 2 t = α 1 σ 2 t 1 + α 2 σ 2 t α 2 σ 2 t p + θ 0 + θ 1 ε 2 t θ q ε 2 t q Wyniki estymacji modelu GARCH (3, 3) ARCH family regression Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 23
24 Sample: to -1 Number of obs = 6404 Wald chi2(.) =. Log likelihood = Prob > chi2 = OPG lreturn Coef. Std. Err. z P> z [95% Conf. Interval] lreturn _cons ARCH arch L L L garch L L L _cons 4.54e e e e Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 24
25 Model ARCH w średnich Model ARCHM (ARCH in Means) ma następujac a postać: y t = x t β + δσ 2 t + ε t ε t = u t σ t σ 2 t = θ 0 + θ 1 ε 2 t θ q ε 2 t q W przypadku tego modelu zmiany wariancji wpływaja także na średnia Model ten ma zastosowania w finansach, gdzie zakłada się, że na ceny akcji wpływa także ryzyko Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 25
26 Jeśli ryzyko zmienia się w czasie to także powinno to wpływać na ceny akcji Parametr δ jest więc zwiazany z awersja do ryzyka Ponieważ wyższe ryzyko powinno się wiazać z wyższymi zwrotami, więc parametr ten powinien być dodatni Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 26
27 Wyniki estymacji modelu ARCHM (3) Log likelihood = Prob > chi2 = OPG lreturn Coef. Std. Err. z P> z [95% Conf. Interval] lreturn _cons ARCHM sigma ARCH arch L L L _cons e Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 27
28 Istotnie δ = > 0 Z modelu tego mogłoby wynikać, że przychody sa jednak częściowo przewidywalne - jednak jedynie w tym sensie, że w okresie wysokiego ryzyka sa nieco wyższe! Wykład z Ekonometrii nr 24-25, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 28
Modele warunkowej heteroscedastyczności
Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Racjonalne oczekiwania inwestorów P t = E(P t+1 I t ) 1 + R (1) Teoria Przykład - zwroty
Bardziej szczegółowoWprowadzenie Testy własności składnika losowego. Diagnostyka modelu. Część 1. Diagnostyka modelu
Część 1 Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy małej próby Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy małej próby Testy
Bardziej szczegółowoJednowskaźnikowy model Sharpe`a
Uniwersytet Warszawski Wydział Nauk Ekonomicznych Milena Jamroziak i Paweł Androszczuk Model ekonometryczny Jednowskaźnikowy model Sharpe`a dla akcji Amici Praca zaliczeniowa napisana pod kierunkiem mgr
Bardziej 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 szczegółowoDiagnostyka w Pakiecie Stata
Karol Kuhl Zgodnie z twierdzeniem Gaussa-Markowa, estymator MNK w KMRL jest liniowym estymatorem efektywnym i nieobciążonym, co po angielsku opisuje się za pomocą wyrażenia BLUE Best Linear Unbiased Estimator.
Bardziej szczegółowoAnaliza Szeregów Czasowych. Egzamin
Analiza Szeregów Czasowych Egzamin 12-06-2018 Zadanie 1: Zadanie 2: Zadanie 3: Zadanie 4: / 12 pkt. / 12 pkt. / 12 pkt. / 14 pkt. Projekt zaliczeniowy: Razem: / 100 pkt. / 50 pkt. Regulamin egzaminu 1.
Bardziej 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 10
Stanisław Cichocki Natalia Nehrebecka Wykład 10 1 1. Testy diagnostyczne Testowanie prawidłowości formy funkcyjnej: test RESET Testowanie normalności składników losowych: test Jarque-Berra Testowanie stabilności
Bardziej szczegółowoProblem równoczesności w MNK
Problem równoczesności w MNK O problemie równoczesności mówimy, gdy występuje korelacja między wartościa oczekiwana ε i i równoczesnym x i Model liniowy y = Xβ + ε, E (u) = 0 Powiedzmy, że występuje w
Bardziej szczegółowoTestowanie hipotez statystycznych
Część 2 Hipoteza złożona Testowanie hipotez łącznych Zapis matematyczny Rozkład statystyki testowej Hipoteza łączna H 0 : Rβ = q Hipoteza złożona Testowanie hipotez łącznych Zapis matematyczny Rozkład
Bardziej szczegółowoAutoregresyjne modele o rozłożonych opóźnieniach - Autoregressive Distributed Lags models
Autoregresyjne modele o rozłożonych opóźnieniach - Autoregressive Distributed Lags models ADL ADL Ogólna postać modelu ADL o p-opóźnieniach zmiennej zależnej i r-opóźnieniach zmiennej/zmiennych objaśniających
Bardziej 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 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 szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natalia Nehrebecka Stanisław Cichocki Wykład 10 1 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoValue at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16
Value at Risk (VaR) Jerzy Mycielski WNE 2018 Jerzy Mycielski (Institute) Value at Risk (VaR) 2018 1 / 16 Warunkowa heteroskedastyczność O warunkowej autoregresyjnej heteroskedastyczności mówimy, gdy σ
Bardziej szczegółowoO sezonowości mówimy wtedy, gdy zmienna zmienia się w pewnym cyklu zwykle zwiazanym z cyklem rocznym
Sezonowość O sezonowości mówimy wtedy, gdy zmienna zmienia się w pewnym cyklu zwykle zwiazanym z cyklem rocznym Na przykład zmienne kwartalne charakteryzuja się zwykle sezonowościa kwartalna a zmienne
Bardziej szczegółowoDiagnostyka w Pakiecie Stata
Karol Kuhl Zgodnie z twierdzeniem Gaussa-Markowa, estymator MNK w KMRL jest liniowym estymatorem efektywnym i nieobciążonym, co po angielsku opisuje się za pomocą wyrażenia BLUE Best Linear Unbiased Estimator.
Bardziej szczegółowoDr Łukasz Goczek. Uniwersytet Warszawski
Dr Łukasz Goczek Uniwersytet Warszawski Dane krótko i długookresowe stopy procentowe Co wiemy z teorii? Krótkookresowe stopy powodują stopami długookresowymi (toteż taka jest idea bezpośredniego celu
Bardziej szczegółowoModelowanie rynków finansowych
Modelowanie rynków finansowych Jerzy Mycielski WNE UW 5 października 2017 Jerzy Mycielski (WNE UW) Modelowanie rynków finansowych 5 października 2017 1 / 12 Podstawowe elementy teorii 1 racjonalne oczekiwania
Bardziej szczegółowoCzasowy wymiar danych
Problem autokorelacji Model regresji dla szeregów czasowych Model regresji dla szeregów czasowych y t = X t β + ε t Zasadnicze różnice 1 Budowa prognoz 2 Problem stabilności parametrów 3 Problem autokorelacji
Bardziej szczegółowoEkonometria 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 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 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 12
Stanisław Cichocki Natalia Nehrebecka Wykład 12 1 1.Problemy z danymi Zmienne pominięte Zmienne nieistotne 2. Autokorelacja o Testowanie autokorelacji 1.Problemy z danymi Zmienne pominięte Zmienne nieistotne
Bardziej szczegółowoEgzamin z ekonometrii - wersja ogólna
Egzamin z ekonometrii - wersja ogólna 06-02-2019 Regulamin egzaminu 1. Egzamin trwa 90 min. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoMetoda najmniejszych kwadratów
Własności algebraiczne Model liniowy Zapis modelu zarobki = β 0 + β 1 plec + β 2 wiek + ε Oszacowania wartości współczynników zarobki = b 0 + b 1 plec + b 2 wiek + e Model liniowy Tabela: Oszacowania współczynników
Bardziej szczegółowoModele wielorównaniowe (forma strukturalna)
Modele wielorównaniowe (forma strukturalna) Formę strukturalna modelu o G równaniach AY t = BX t + u t, gdzie Y t = [y 1t,..., y Gt ] X t = [x 1t,..., x Kt ] u t = [u 1t,..., u Gt ] E (u t ) = 0 Var (u
Bardziej szczegółowoDr Łukasz Goczek. Uniwersytet Warszawski
Dr Łukasz Goczek Uniwersytet Warszawski 10000 2000 4000 6000 8000 M3 use C:\Users\as\Desktop\Money.dta, clear format t %tm (oznaczamy tsset t tsline M3 0 1960m1 1970m1 1980m1 1990m1 2000m1 2010m1 t tsline
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Autokorelacja Konsekwencje Testowanie autokorelacji 2. Metody radzenia sobie z heteroskedastycznością i autokorelacją Uogólniona Metoda Najmniejszych
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 12
Stanisław Cichocki Natalia Nehrebecka Wykład 1 1 1. Testy diagnostyczne Testowanie stabilności parametrów modelu: test Chowa. Heteroskedastyczność Konsekwencje Testowanie heteroskedastyczności 1. Testy
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 14
Stanisław Cichocki Natalia Nehrebecka Wykład 14 1 1.Problemy z danymi Współliniowość 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji Metody radzenia sobie z heteroskedastycznością
Bardziej 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 szczegółowoAnaliza szeregów czasowych bezrobocia i inflacji w Danii
Uniwersytet Warszawski Wydział Nauk Ekonomicznych Mateusz Błażej Nr albumu: 308521 Analiza szeregów czasowych bezrobocia i inflacji w Danii Projekt zaliczeniowy z przedmiotu: Analiza Szeregów Czasowych
Bardziej szczegółowo1.8 Diagnostyka modelu
1.8 Diagnostyka modelu Dotychczas zajmowaliśmy się własnościami estymatorów przy spełnionych założeniach KMRL. W praktyce nie zawsze spełnione są wszystkie założenia modelu. Jeżeli któreś z nich nie jest
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 Diagnostyka a) Test RESET b) Test Jarque-Bera c) Testowanie heteroskedastyczności a) groupwise heteroscedasticity b) cross-sectional correlation d) Testowanie autokorelacji
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Egzamin z ekonometrii wersja IiE, MSEMAT 04-02-2016 Pytania teoretyczne 1. Za pomocą jakiego testu weryfikowana jest normalność składnika losowego? Jakiemu założeniu KMRL odpowiada w tym teście? Jakie
Bardziej szczegółowoNatalia Nehrebecka. 18 maja 2010
Natalia Nehrebecka 18 maja 2010 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów 5. Testowanie
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Pytania teoretyczne Egzamin z ekonometrii wersja IiE, MSEMAT 08-02-2017 1. W jaki sposób przeprowadzamy test Chowa? 2. Pokazać, że jest nieobciążonym estymatorem. 3. Udowodnić, że w modelu ze stałą TSSESS+RSS.
Bardziej szczegółowoEkonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 02/02/2011 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej 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 szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natalia Nehrebecka Stanisław Cichocki Wykład 10 1 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 9
Stanisław Cichocki Natalia Nehrebecka Wykład 9 1 1. Dodatkowe założenie KMRL 2. Testowanie hipotez prostych Rozkład estymatora b Testowanie hipotez prostych przy użyciu statystyki t 3. Przedziały ufności
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoWprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA
Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Modele tej klasy są modelami ateoretycznymi Ważną klasę modeli dynamicznych stanowią
Bardziej szczegółowoEkonometria egzamin 31/01/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 31/01/2018 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoHeteroscedastyczność. Zjawisko heteroscedastyczności Uogólniona Metoda Najmniejszych Kwadratów Stosowalna Metoda Najmniejszych Kwadratów
Formy heteroscedastyczności Własności estymatorów MNK wydatki konsumpcyjne 0 10000 20000 30000 40000 14.4 31786.08 dochód rozporz¹dzalny Zródlo: Obliczenia wlasne, dane BBGD 2004 Formy heteroscedastyczności
Bardziej szczegółowoEgzamin z ekonometrii wersja ogólna Pytania teoretyczne
Egzamin z ekonometrii wersja ogólna 08-02-2017 Pytania teoretyczne 1. Za pomocą którego testu testujemy stabilność parametrów? Jakiemu założeniu KMRL odpowiada H0 w tym teście? Jaka jest hipoteza alternatywna
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wprowadzenie do danych panelowych a) Charakterystyka danych panelowych b) Zalety i ograniczenia 2. Modele ekonometryczne danych panelowych a) Model efektów nieobserwowalnych
Bardziej szczegółowoStanisław 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 szczegółowoAnalizowane modele. Dwa modele: y = X 1 β 1 + u (1) y = X 1 β 1 + X 2 β 2 + ε (2) Będziemy analizować dwie sytuacje:
Analizowane modele Dwa modele: y = X 1 β 1 + u (1) Będziemy analizować dwie sytuacje: y = X 1 β 1 + X 2 β 2 + ε (2) zmienne pominięte: estymujemy model (1) a w rzeczywistości β 2 0 zmienne nieistotne:
Bardziej szczegółowoEkonometria. Metodologia budowy modelu. Jerzy Mycielski. Luty, 2011 WNE, UW. Jerzy Mycielski (WNE, UW) Ekonometria Luty, / 18
Ekonometria Metodologia budowy modelu Jerzy Mycielski WNE, UW Luty, 2011 Jerzy Mycielski (WNE, UW) Ekonometria Luty, 2011 1 / 18 Sprawy organizacyjne Dyżur: środa godz. 14-15 w sali 302. Strona internetowa
Bardziej szczegółowo1 Metoda Najmniejszych Kwadratów (MNK) 2 Interpretacja parametrów modelu. 3 Klasyczny Model Regresji Liniowej (KMRL)
1 Metoda Najmniejszych Kwadratów (MNK) 1. Co to jest zmienna endogeniczna, a co to zmienne egzogeniczna? 2. Podaj postać macierzy obserwacji dla modelu y t = a + bt + ε t 3. Co to jest wartość dopasowana,
Bardziej szczegółowoZmienne sztuczne i jakościowe
Zmienne o ograniczonym zbiorze wartości Przykład 1. zarobki = β 0 + β 1 liczba godzin pracy + β 2 wykształcenie + ε Przykład 2. zarobki = β 0 + β 1 liczba godzin pracy + β 2 klm + ε zarobki = β 0 + β 1
Bardziej szczegółowoEkonometria dla IiE i MSEMat Z7
Ekonometria dla IiE i MSEMat Z7 Rafał Woźniak Faculty of Economic Sciences, University of Warsaw Warszawa, 21-11-2016 Na podstawie zbioru danych cps_small.dat z książki Principles of Econometrics oszacowany
Bardziej szczegółowoEkonometria egzamin semestr drugi 14/06/09
imię, nazwisko, nr indeksu: Ekonometria egzamin semestr drugi 14/06/09 1. Przed przystąpieniem do pisania egzaminu należy podpisać wszystkie kartki arkusza egzaminacyjnego (na dole w przewidzianym miejscu).
Bardziej szczegółowoEgzamin z ekonometrii wersja ogólna Pytania teoretyczne
Egzamin z ekonometrii wersja ogólna 31-01-2014 Pytania teoretyczne 1. Podać postać przekształcenia Boxa-Coxa i wyjaśnić, do czego jest stosowane w ekonometrii. 2. Porównaj zastosowania znanych ci kontrastów
Bardziej szczegółowoBudowa modelu i testowanie hipotez
Problemy metodologiczne Gdzie jest problem? Obciążenie Lovella Dysponujemy oszacowaniami parametrów następującego modelu y t = β 0 + β 1 x 1 +... + β k x k + ε t Gdzie jest problem? Obciążenie Lovella
Bardziej szczegółowo1. Pokaż, że estymator MNW parametru β ma postać β = nieobciążony. Znajdź estymator parametru σ 2.
Zadanie 1 Niech y t ma rozkład logarytmiczno normalny o funkcji gęstości postaci [ ] 1 f (y t ) = y exp (ln y t β ln x t ) 2 t 2πσ 2 2σ 2 Zakładamy, że x t jest nielosowe a y t są nieskorelowane w czasie.
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Egzamin z ekonometrii wersja IiE, MSEMAT 02022015 Pytania teoretyczne 1. Podać treść twierdzenia GaussaMarkowa i wyjaśnić jego znaczenie. 2. Za pomocą jakich testów testuje się autokorelację? Jakiemu założeniu
Bardziej szczegółowoEgzamin z ekonometrii wersja ogolna
Egzamin z ekonometrii wersja ogolna 04-02-2016 Pytania teoretyczne 1. Wymienić założenia Klasycznego Modelu Regresji Liniowej (KMRL). 2. Wyprowadzić estymator MNK dla modelu z wieloma zmiennymi objaśniającymi.
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMat Pytania teoretyczne
Egzamin z ekonometrii wersja IiE, MSEMat 31-01-2014 Pytania teoretyczne 1. Podać postać przekształcenia Boxa-Coxa i wyjaśnić, do czego jest stosowane w ekonometrii. 2. Wyjaśnić, jakie korzyści i niebezpieczeństwa
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Zmienne sacjonarne 2. Zmienne zinegrowane 3. Regresja pozorna 4. Funkcje ACF i PACF 5. Badanie sacjonarności Tes Dickey-Fullera (DF) 2 1. Zmienne sacjonarne
Bardziej szczegółowoStacjonarność Integracja. Integracja. Integracja
Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli: Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli:
Bardziej 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Testowanie autokorelacji 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji 3.Problemy z danymi Zmienne pominięte
Bardziej szczegółowo, a reszta dla pominiętej obserwacji wynosi 0, RSS jest stałe, T SS rośnie, więc zarówno R 2 jak i R2 rosną. R 2 = 1 n 1 n. rosnie. n 2 (1 R2 ) = 1 59
Zadanie 1. Ekonometryk szacując funkcję konsumpcji przeprowadził estymację osobno dla tzw. Polski A oraz Polski B. Dla Polski A posiadał n 1 = 40 obserwacji i uzyskał współczynnik dopasowania RA 2 = 0.4,
Bardziej szczegółowo1.9 Czasowy wymiar danych
1.9 Czasowy wymiar danych Do tej pory rozpatrywaliśmy jedynie modele tworzone na podstawie danych empirycznych pochodzących z prób przekrojowych. Teraz zajmiemy się zagadnieniem budowy modeli regresji,
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 10
Stanisław Cichoci Natalia Nehrebeca Wyład 10 1 1. Testowanie hipotez prostych Rozład estymatora b Testowanie hipotez prostych przy użyciu statystyi t Przedziały ufności Badamy czy hipotezy teoretyczne
Bardziej szczegółowoEgzamin z Ekonometrii
Pytania teoretyczne Egzamin z Ekonometrii 18.06.2015 1. Opisać procedurę od ogólnego do szczegółowego na przykładzie doboru liczby opóźnień w modelu. 2. Na czym polega najważniejsza różnica między testowaniem
Bardziej szczegółowoEkonometria egzamin wersja Informatyka i Ekonometria 29/01/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja Informatyka i Ekonometria 29/0/08. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 6
Natalia Nehrebecka Stanisław Cichocki Wykład 6 1 1. Zmienne dyskretne Zmienne zero-jedynkowe 2. Modele z interakcjami 2 Zmienne dyskretne Zmienne nominalne Zmienne uporządkowane 3 4 1 podstawowe i 0 podstawowe
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Regresja pozorna 2. Funkcje ACF i PACF 3. Badanie sacjonarności Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) 2 1. Regresja pozorna 2. Funkcje
Bardziej 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 szczegółowoStopę zbieżności ciagu zmiennych losowych a n, takiego, że E (a n ) < oznaczamy jako a n = o p (1) prawdopodobieństwa szybciej niż n α.
Stopy zbieżności Stopę zbieżności ciagu zmiennych losowych a n, takiego, że a n oznaczamy jako a n = o p (1 p 0 a Jeśli n p n α 0, to a n = o p (n α i mówimy a n zbiega według prawdopodobieństwa szybciej
Bardziej szczegółowoModelowanie zachowania kursu EURUSD po ogłoszeniu odczytu US Nonfarm Payrolls z wykorzystaniem modeli ARIMA-GARCH
Raport 10/2015 Modelowanie zachowania kursu EURUSD po ogłoszeniu odczytu US Nonfarm Payrolls z wykorzystaniem modeli ARIMA-GARCH autor: Michał Osmoła INIME Instytut nauk informatycznych i matematycznych
Bardziej szczegółowoEkonometria egzamin 06/03/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 06/03/2019 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej 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 szczegółowo1.7 Ograniczenia nakładane na równanie regresji
1.7 Ograniczenia nakładane na równanie regresji Często teoria ekonomiczna wskazuje dobór zmiennych do modelu. Jednak nie w każdym przypadku oceny wartości parametrów są statystycznie istotne. Zastanowimy
Bardziej szczegółowoEkonometria egzamin wersja ogólna 17/06/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja ogólna 17/06/08 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca
Bardziej szczegółowoEgzamin z ekonometrii
Pytania teoretyczne Egzamin z ekonometrii 22.06.2012 1. Podaj ogólną postać modeli DL i ADL 2. Wyjaśnij jak należy rozumieć przyczynowość w sensie Grangera i jak jest testowana. 3. Jakie są wady liniowego
Bardziej szczegółowoEkonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 01/02/2019 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowo1.5 Problemy ze zbiorem danych
1.5 Problemy ze zbiorem danych W praktyce ekonometrycznej bardzo rzadko spełnione są wszystkie założenia klasycznego modelu regresji liniowej. Częstym przypadkiem jest, że zbiór danych którymi dysponujemy
Bardziej szczegółowoEgzamin z ekonometrii IiE
Pytania teoretyczne Egzamin z ekonometrii IiE 22.06.2012 1. Kiedy selekcja próby jest problemem i jaki model można stosować w przypadku samoselekcji próby? 2. Jakie są konieczne założenia, by estymator
Bardziej szczegółowo2.3 Modele nieliniowe
2.3 Modele nieliniowe Do tej pory zajmowaliśmy się modelami liniowymi lub o liniowej formie funkcyjnej i musieliśmy akceptować ich ograniczenia. Metoda Największej Wiarogodności pozwala również na efektywną
Bardziej szczegółowoNatalia Nehrebecka. Wykład 1
Natalia Nehrebecka Wykład 1 1 1. Sprawy organizacyjne Zasady zaliczenia Dwiczenia Literatura 2. Czym zajmuje się ekonometria? 3. Formy danych statystycznych 4. Model ekonometryczny 2 1. Sprawy organizacyjne
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 4
Stanisław Cichocki Natalia Nehrebecka Wykład 4 1 1. Własności hiperpłaszczyzny regresji 2. Dobroć dopasowania równania regresji. Współczynnik determinacji R 2 Dekompozycja wariancji zmiennej zależnej Współczynnik
Bardziej szczegółowoBinarne zmienne zależne
Binarne zmienne zależne Zmienna zależna nie jest ciagła ale przyjmuje zero lub jeden Przykład: szukanie determinant bezrobocia (próba przekrojowa) zmienna objaśniana: zerojedynkowa (pracujacy, bezrobotny)
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Problemy z danymi Obserwacje nietypowe i błędne Współliniowość. Heteroskedastycznośd i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 14
Stanisław Cichocki Natalia Nehrebecka Wykład 14 1 1.Problemy z danymi Zmienne pominięte Zmienne nieistotne Obserwacje nietypowe i błędne Współliniowość - Mamy 2 modele: y X u 1 1 (1) y X X 1 1 2 2 (2)
Bardziej szczegółowoĆwiczenia 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 szczegółowoEkonometria egzamin wersja ogólna 29/01/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja ogólna 29/0/08. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca
Bardziej szczegółowoWYKŁAD: Szeregi czasowe II. Zaawansowane Metody Uczenia Maszynowego
WYKŁAD: Szeregi czasowe II Zaawansowane Metody Uczenia Maszynowego Zwroty indeksów finansowych Y t : indeks finansowy w momencie t (wartość waloru, kurs walutowy itp). Określimy zwrot indeksu finansowego
Bardziej szczegółowo1. Obserwacje nietypowe
1. Obserwacje nietypowe Przeanalizujemy następujący eksperyment: 1) Generujemy zmienną x z rozkładu N (,1) (37 obserwacji). ) Generujemy zmienną y w następujący sposób: y = 1+ x + ε, gdzie ε ~ N(0,1).
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 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 szczegółowoDefinicja danych panelowych Typy danych panelowych Modele dla danych panelowych. Dane panelowe. Część 1. Dane panelowe
Część 1 to dane, które jednocześnie posiadają cechy danych przekrojowych i szeregów czasowych to dane, które jednocześnie posiadają cechy danych przekrojowych i szeregów czasowych Czyli obserwujemy te
Bardziej szczegółowo6 Modele wyborów dyskretnych dla danych panelowych
6 Modele wyborów dyskretnych dla danych panelowych Dane do notatek są danymi do podręcznika Cameron & Trivedi (2008), pochodzą z artykułu Deb i Triverdi (2002). Przedmiotem badania jest eksperyment związany
Bardziej szczegółowo