Modele nieliniowe sprowadzalne do liniowych
|
|
- Teresa Sobolewska
- 6 lat temu
- Przeglądów:
Transkrypt
1 Modele nieliniowe sprowadzalne do liniowych Modele liniowe względem parametrów przykłady, zastosowania Modele hiperboliczne i wykładnicze Związek kształtu modelu z celem analizy ekonometrycznej NajwaŜniejsze typy modeli liniowych względem parametrów - c.d. β X. Model hiperboliczny 2 Y = β + + Z
2 Przypadek a) to np. krzywa długookresowych średnich kosztów stałych producenta Przypadek b) to np. krzywa Philipsa procentowy wzrost płac [%] Naturalna stopa bezrobocia stopa bezrobocia [%] 2
3 Przypadek c) często wykorzystywany jest w opisach popytu konsumpcyjnego Są to tzw. krzywe Engla (Ernst Engel, ) Związki między postacią modelu a interpretacją parametrów strukturalnych β β 2. Model log-log : lny = + 2 ln( X ) + Z Interpretacja: β 2 to elastyczność Y względem X ; X E X = Y ' = Y dy dx X Y 3. Model log-lin: lny β + β X + Z = 2 Interpretacja: β 2 = względny przyrost Y przyrost X względny przyrost Y =β przyrost X Wyjaśnić skąd to się wzięło i dlaczego warto zmienić postać modelu? 3
4 Związki postaci modelu z estymacją wybranych wskaźników analizy marginalnej Typ modelu równanie przyrost krańcowy elastyczność Model liniowy Model log-log Model log-lin Model lin-log Model hiperboliczny Y β + β X + Z = 2 lny = β + β2 ln X + Z lny β + β X + Z = 2 Y = β + β 2 ln X + Z β2 Y = β + + Z X β 2 β 2 β Y 2 Y X β2 X β2 X 2 β 2 β 2 X β 2 β 2 β 2 X Y Y XY Przykład Model wydatków konsumpcyjnych Przeprowadzono badania dotyczące wydatków konsumpcyjnych w rodzinach zamieszkujących pewien region przemysłowy. Przedstawione dane podają roczne wydatki na pewne dobra (W) oraz roczne dochody w tych rodzinach per capita (DC) DC W DC W
5 Przykład Model wydatków konsumpcyjnych Wybrane części procesu budowy modelu Etap I: Propozycja postaci modelu - propozycja modelu liniowego W = β + β 2 DC + Z Etap II: Estymacja parametrów b = 9257, b 2 = 0.55 Etap III : Weryfikacja modelu - A - wskaźniki jakości modelu. Współczynnik determinacji: R 2 = Wskaźnik wyrazistości: V=% 3. Standardowe błędy ocen parametrów: S b = 844, S b2 = Przykład Model wydatków konsumpcyjnych Etap III : Weryfikacja modelu - etap C - test serii , , , , , , , 47.5, , 50.32, , 25.99, , , 257.4, 26.68, , , , , , , , , , , 449.2, 246.7, , , , , , , , , , , , Liczba plusów N + =22, liczba minusów N_=8. Liczba serii N s = 7. 5
6 Przykład Model wydatków konsumpcyjnych Etap III : Weryfikacja modelu - etap C - graficzna analiza reszt W T Diagram korelacyjny DC Wykres: reszty vs. zmienna objaśniająca DC Odrzucamy model Przykład Model wydatków konsumpcyjnych Wybrane części procesu budowy modelu - inna postać wersja 2. Etap I: Propozycja nowej postaci modelu W = β + β 2 + Z DC 6
7 Przykład Model wydatków konsumpcyjnych Wybrane części procesu budowy modelu - inna postać wersja 2. Etap II: Estymacja parametrów Dane: DC W /DC X = Estymator MNK b = (X T X) - X T W W= Przykład Model wydatków konsumpcyjnych Wybrane części procesu budowy modelu - inna postać wersja 2. Etap II: Estymacja parametrów b = 2507, b 2 = Etap III : Weryfikacja modelu - A - wskaźniki jakości modelu. Współczynnik determinacji: R 2 = Wskaźnik wyrazistości: V=5% 3. Standardowe błędy ocen parametrów: S b = 277, S b2 =
8 Przykład Model wydatków konsumpcyjnych Wybrane części procesu budowy modelu - inna postać wersja 2. Etap III : Weryfikacja modelu - C - test serii , 32.6, 530.6, , 8.539, , , 9.44, , , , , , , , 7.299, , , , , 2.355, , , , 97.30, , , , , , , 78.7, , 595., , , , , 823.4, Liczba plusów N + =22, liczba minusów N_=8. Liczba serii N s = 22. Nie ma podstaw do odrzucenia hipotezy o liniowości modelu. Przykład Model wydatków konsumpcyjnych Wybrane części procesu budowy modelu - inna postać wersja 2. Etap III : Weryfikacja modelu - C - graficzna analiza reszt Diagram korelacyjny Wykres: reszty vs. zmienna objaśniająca DC 8
9 Otrzymaliśmy krzywą Engla W = 2507 DC Przykład Model wydatków konsumpcyjnych Wybrane części procesu budowy modelu - inna postać wersja 3. Proponowana postać lnw = β + β2 ln DC + Z Postać ta umoŝliwi nam precyzyjniejsze (?) oszacowanie elastyczności dochodowej popytu na to dobro Otrzymujemy oszacowany model (juŝ trochę na skróty) ln W = ln DC Oznacza to, Ŝe elastyczność dochodowa popytu na to dobro wynosi 0.57 Jak nazywamy takie dobra? Kwestie do rozwaŝenia czy model jest poprawny, czy moŝna go było wykorzystać w opisanym celu? czy elastyczność dochodowa jest dla tego dobra stała? 9
10 Przykład Model popytu PoniŜsze dane* przedstawiają obserwacje wielkości spoŝycia kawy w USA w latach CP DP gdzie CP to wielkość spoŝycia mierzona w filiŝankach na dzień per capita, zaś DP to cena kawy w dolarach za funt ( w dolarach z roku 969) *Dane z Summary of National Coffee Drinking Study, Data Group, Inc., Elkins Park, Penn.,!98 Przykład Model popytu Proponowana postać modelu CP β + β DP + Z = 2 Oszacowania i podstawowe wskaźniki modelu: CP = DP Współczynnik determinacji r 2 =0.66 (0.2) (0.) W teście serii otrzymujemy ciąg co nie przeczy hipotezie o liniowości modelu. 0
11 Przykład Model popytu, wersja 2 Proponowana teraz postać modelu to lncp = β + β2 ln DP + Z Oszacowania i podstawowe wskaźniki modelu: Który model wybrać? lncp = ln DP (0.05) (0.05) Współczynnik determinacji r 2 =0.74 W teście serii otrzymujemy ciąg co nie przeczy hipotezie o liniowości modelu. Dyskusja? Tak czy owak, jeszcze do tego wrócimy na kolejnym wykładzie, na razie tylko jedno: Przykład Model popytu, wersja 2 Postać lncp = ln DP (0.05) (0.05) modelu popytu na kawę umoŝliwia nam lepszą ocenę elastyczności dochodowej popytu. Po co nam ona? Przypomnijmy, Ŝe ułatwia ona pewne decyzje producenckie, np. ocenę opłacalności zmiany cen.
12 Przykład Modele hiperboliczne cd. Krzywa Philipsa procentowy wzrost płac [%] Naturalna stopa bezrobocia stopa bezrobocia [%] Przykład. ZaleŜność wzrostu płac od stopy bezrobocia. Dane brytyjskie PoniŜsze dane przedstawiają procentowy wzrost płac (increase of wages) i wielkość stopy bezrobocia (unemployment rate) w UK w latach IW UR
13 Zgodnie z teorią Philipsa budujemy model hiperboliczny: β2 IW = β + + Z UR W wyniku estymacji otrzymujemy model IW = UR (2.07) (2.85) Otrzymana krzywa jest zgodna z teorią - nie tylko jej przebieg, ale takŝe znaki współczynników modelu. Współczynnik determinacji dla modelu R 2 =0.38 I co z tego? IW = UR procentowy wzrost płac [%] Naturalna stopa bezrobocia stopa bezrobocia [%] Krzywa Philipsa dla danych brytyjskich z lat ZauwaŜmy, Ŝe oszacowanie tzw. naturalnej stopy bezrobocia wynosi w tym przypadku 6.% 3
14 IW = UR 8 procentowy wzrost płac [%] Naturalna stopa bezrobocia stopa bezrobocia [%] Krzywa Philipsa dla danych brytyjskich z lat Przykład. ZaleŜność wzrostu płac od stopy bezrobocia. Dane polskie PoniŜsze dane przedstawiają procentowy wzrost inflacji i wielkość stopy bezrobocia w Polsce w latach WI WSB
15 Ponownie, stosując się do teorii Philipsa budujemy model hiperboliczny: β2 WI = β + + Z WSB W wyniku estymacji otrzymujemy model WI = WSB (0.5) (38.3) Otrzymana krzywa takŝe jest zgodna z teorią - tak jej przebieg, jak i znaki współczynników modelu. Współczynnik determinacji dla modelu R 2 =0.56 WI = WSB procentowy wzrost inflacji [%] Naturalna stopa bezrobocia stopa bezrobocia [%] Krzywa Philipsa dla danych polskich z lat ZauwaŜmy, Ŝe oszacowanie naturalnej stopy bezrobocia wynosi w tym przypadku 24.5% 5
16 Przykład. ZaleŜność wzrostu płac od stopy bezrobocia. Dane USA PoniŜsze dane przedstawiają procentowy wzrost inflacji i wielkość stopy bezrobocia w USA w latach WI WSB WI = WSB procentowy wzrost inflacji [%] stopa bezrobocia [%] Krzywa Philipsa dla danych amerykańskich z lat Oczywiście Ŝadne wskaźniki tego modelu nie są zadowalające nawet gorzej ZauwaŜmy, absolutną niezgodność z teorią! 6
17 Przykład: model wzrostu dochodu narodowego USA (growth of real GNP) PoniŜsze dane przedstawiają wielkość dochodu narodowego USA w latach (miliardy dolarów) GNP Przykład Model dochodu narodowego USA Proponowana postać modelu GNP β + β Year + Z = 2 Oszacowania i podstawowe wskaźniki modelu: GNP = Year (6632) (8.44) Współczynnik determinacji r 2 =0.9 Wskaźnik wyrazistości modelu V=6% 7
18 Przykład Model dochodu narodowego USA, wersja 2 Proponowana teraz postać modelu to ln GNP β + β Year + Z = 2 Oszacowania i podstawowe wskaźniki modelu: lngnp = Year Współczynnik determinacji r 2 =0.99 Wskaźnik wyrazistości modelu V=6% (3.29) (0.007) Który model wybrać? Interpretacja parametrów: 8
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 szczegółowoZadanie 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 szczegółowoEkonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 9 marca 2007
, transformacja liniowa i estymacja modelu KMNK Paweł Cibis pawel@cibis.pl 9 marca 2007 1 Miary dopasowania modelu do danych empirycznych Współczynnik determinacji Współczynnik zbieżności Skorygowany R
Bardziej szczegółowoEkonometria. Model nieliniowe i funkcja produkcji. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Model nieliniowe i funkcja produkcji Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 7 i funkcja produkcji 1 / 23 Agenda 1 2 3 Jakub Mućk Ekonometria Wykład 7 i funkcja
Bardziej szczegółowoEstymacja 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 szczegółowoEkonometria. Model nieliniowe i funkcja produkcji. Jakub Mućk. Katedra Ekonomii Ilościowej. Modele nieliniowe Funkcja produkcji
Ekonometria Model nieliniowe i funkcja produkcji Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 7 Modele nieliniowe i funkcja produkcji 1 / 19 Agenda Modele nieliniowe 1 Modele
Bardziej szczegółowoEkonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 23 marca 2006
, transformacja liniowa i estymacja modelu KMNK Paweł Cibis pcibis@o2.pl 23 marca 2006 1 Miary dopasowania modelu do danych empirycznych Współczynnik determinacji Współczynnik zbieżności 2 3 Etapy transformacji
Bardziej szczegółowoMetody Ilościowe w Socjologii
Metody Ilościowe w Socjologii wykład 2 i 3 EKONOMETRIA dr inż. Maciej Wolny AGENDA I. Ekonometria podstawowe definicje II. Etapy budowy modelu ekonometrycznego III. Wybrane metody doboru zmiennych do modelu
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 szczegółowoEKONOMETRIA. Prof. dr hab. Eugeniusz Gatnar.
EKONOMETRIA Prof. dr hab. Eugeniusz Gatnar egatnar@mail.wz.uw.edu.pl Sprawy organizacyjne Wykłady - prezentacja zagadnień dotyczących: budowy i weryfikacji modelu ekonometrycznego, doboru zmiennych, estymacji
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 28 listopada 2018 Plan zaj eć 1 Rozk lad estymatora b 2 3 dla parametrów 4 Hipotezy l aczne - test F 5 Dodatkowe za lożenie
Bardziej szczegółowoparametrów 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 szczegółowoWybór postaci analitycznej modelu ekonometrycznego
Wybór postaci analitycznej modelu ekonometrycznego Wybór postaci analitycznej modelu ekonometrycznego jest jednym z najtrudniejszych etapów badań. Jest on szczególnie uciążliwy, gdy rozpatrujemy modele
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 szczegółowoTestowanie hipotez statystycznych
round Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 13 grudnia 2014 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
Bardziej szczegółowoNarzędzia 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 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 szczegółowoStatystyka 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 szczegółowoZależność. przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna),
Zależność przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna), funkcyjna stochastyczna Korelacja brak korelacji korelacja krzywoliniowa korelacja dodatnia korelacja ujemna Szereg korelacyjny numer
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 8 Natalia Nehrebecka Stanis law Cichocki 29 listopada 2015 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
Bardziej szczegółowoStanisław 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 szczegółowoK 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 szczegółowot y x y'y x'x y'x x-x śr (x-x śr)^2
Na podstawie:w.samuelson, S.Marks Ekonomia menedżerska Zadanie 1 W przedsiębiorstwie toczy się dyskusja na temat wpływu reklamy na wielkość. Dział marketingu uważa, że reklama daje wysoce pozytywne efekty,
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 szczegółowoBADANIE ZALEśNOŚCI CECHY Y OD CECHY X - ANALIZA REGRESJI PROSTEJ
WYKŁAD 3 BADANIE ZALEśNOŚCI CECHY Y OD CECHY X - ANALIZA REGRESJI PROSTEJ Było: Przykład. Z dziesięciu poletek doświadczalnych zerano plony ulw ziemniaczanych (cecha X) i oznaczono w nich procentową zawartość
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
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 szczegółowoStatystyka 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 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 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka - adres mailowy: nnehrebecka@wne.uw.edu.pl - strona internetowa: www.wne.uw.edu.pl/nnehrebecka - dyżur: wtorek 18.30-19.30 sala 302 lub 303 - 80% oceny: egzaminy -
Bardziej szczegółowodr Bartłomiej Rokicki Katedra Makroekonomii i Teorii Handlu Zagranicznego Wydział Nauk Ekonomicznych UW
Katedra Makroekonomii i Teorii Handlu Zagranicznego Wydział Nauk Ekonomicznych UW Model klasyczny podstawowe założenia W modelu klasycznym wielkość PKB jest określana przez stronę podażową. Mamy 2 czynniki
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada
Stanisław Cichocki Natalia Nehrebecka Katarzyna Rosiak-Lada 1. Sprawy organizacyjne Zasady zaliczenia 2. Czym zajmuje się ekonometria? 3. Formy danych statystycznych 4. Model ekonometryczny 2 1. Sprawy
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka - adres mailowy: scichocki@o2.pl - strona internetowa: www.wne.uw.edu.pl/scichocki - dyżur: po zajęciach lub po umówieniu mailowo - 80% oceny: egzaminy - 20% oceny:
Bardziej 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 szczegółowoStanisław Cihcocki. Natalia Nehrebecka
Stanisław Cihcocki Natalia Nehrebecka 1 1. Kryteria informacyjne 2. Testowanie autokorelacji w modelu 3. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych opóźnieniach
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 szczegółowoMakroekonomia 1 Wykład 12: Zagregowany popyt i zagregowana podaż
Makroekonomia 1 Wykład 12: Zagregowany popyt i zagregowana podaż Gabriela Grotkowska Katedra Makroekonomii i Teorii Handlu Zagranicznego Horyzont czasu w makroekonomii Długi okres Ceny są elastyczne i
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 13
Natalia Nehrebecka Stanisław Cichocki Wykład 13 1 1. Zmienne pominięte 2. Zmienne nieistotne 3. Obserwacje nietypowe i błędne 4. Współliniowość 2 1. Zmienne pominięte 2. Zmienne nieistotne 3. Obserwacje
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 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 szczegółowoRegresja 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 szczegółowoPrognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
Bardziej szczegółowoEkonometria Wykład 4 Prognozowanie, sezonowość. Dr Michał Gradzewicz Katedra Ekonomii I KAE
Ekonometria Wykład 4 Prognozowanie, sezonowość Dr Michał Gradzewicz Katedra Ekonomii I KAE Plan wykładu Prognozowanie Założenia i własności predykcji ekonometrycznej Stabilność modelu ekonometrycznego
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 szczegółowodr Bartłomiej Rokicki Katedra Makroekonomii i Teorii Handlu Zagranicznego Wydział Nauk Ekonomicznych UW
Katedra Makroekonomii i Teorii Handlu Zagranicznego Wydział Nauk konomicznych UW Warunek arbitrażu Arbitraż jest możliwy jedynie w przypadku występowania różnic w cenie identycznych lub podobnych dóbr
Bardziej szczegółowoEkonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda
Bardziej 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 szczegółowoWykład 3 Równania rózniczkowe cd
7 grudnia 2010 Definicja Równanie różniczkowe dy dx + p (x) y = q (x) (1) nazywamy równaniem różniczkowym liniowym pierwszego rzędu. Jeśli q (x) 0, to równanie (1) czyli równanie dy dx + p (x) y = 0 nazywamy
Bardziej szczegółowoStatystyka i Analiza Danych
Warsztaty Statystyka i Analiza Danych Gdańsk, 20-22 lutego 2014 Zastosowania wybranych technik regresyjnych do modelowania współzależności zjawisk Janusz Wątroba StatSoft Polska Centrum Zastosowań Matematyki
Bardziej szczegółowoEkonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota
Ekonometria ćwiczenia 3 Prowadzący: Sebastian Czarnota Strona - niezbędnik http://sebastianczarnota.com/sgh/ Normalność rozkładu składnika losowego Brak normalności rozkładu nie odbija się na jakości otrzymywanych
Bardziej szczegółowodr Bartłomiej Rokicki Katedra Makroekonomii i Teorii Handlu Zagranicznego Wydział Nauk Ekonomicznych UW
Katedra Makroekonomii i Teorii Handlu Zagranicznego Wydział Nauk konomicznych UW Warunek arbitrażu Arbitraż jest możliwy jedynie w przypadku występowania różnic w cenie identycznych lub podobnych dóbr
Bardziej szczegółowopieniężnej. Jak wpłynie to na: krzywą LM... krajową stopę procentową... kurs walutowy... realny kurs walutowy ( przyjmij e ) ... K eksport netto...
ZADANIA, TY I 1. Rozważmy model gospodarki otwartej (IS-LM i B), z płynnym kursem walutowym, gdy (nachylenie LM > nachylenie B). aństwo decyduje się na prowadzenie ekspansywnej polityki krzywą LM krajową
Bardziej szczegółowoSTATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 Zależność przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna), funkcyjna stochastyczna
Bardziej szczegółowoNa 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 szczegółowoEKONOMETRIA prowadzący: Piotr Piwowarski
EKONOMETRIA prowadzący: Piotr Piwowarski Termin konsultacji: poniedziałek 13:15 14:45 wtorek 13:15 14:45 pokój 1101/1102 jedenaste piętro e-mail: piotr.piwowarski@poczta.umcs.lublin.pl strona internetowa:
Bardziej szczegółowoAnaliza zależności cech ilościowych regresja liniowa (Wykład 13)
Analiza zależności cech ilościowych regresja liniowa (Wykład 13) dr Mariusz Grządziel semestr letni 2012 Przykład wprowadzajacy W zbiorze danych homedata (z pakietu R-owskiego UsingR) można znaleźć ceny
Bardziej szczegółowo3. 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 szczegółowoMakroekonomia I ćwiczenia 13
Makroekonomia I ćwiczenia 13 Prawo Okuna, Krzywa Philipsa Kilka uwag przed kolokwium Tomasz Gajderowicz Agenda Prawo Okuna, Krzywa Philipsa Kilka uwag przed kolokwium Zadanie 1 (inflacja i adaptacyjne
Bardziej szczegółowoStatystyka. Wykład 9. Magdalena Alama-Bućko. 24 kwietnia Magdalena Alama-Bućko Statystyka 24 kwietnia / 34
Statystyka Wykład 9 Magdalena Alama-Bućko 24 kwietnia 2017 Magdalena Alama-Bućko Statystyka 24 kwietnia 2017 1 / 34 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia
Bardziej szczegółowoEkonomia 1 sem. TM ns oraz 2 sem. TiL ns wykład 06. dr Adam Salomon
1 sem. TM ns oraz 2 sem. TiL ns wykład 06 dr Adam Salomon : ZATRUDNIENIE I BEZROBOCIE 2 Podaż pracy Podaż pracy jest określona przez decyzje poszczególnych pracowników, dotyczące ilości czasu, który chcą
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 szczegółowoNieliniowe. Liniowe. Nieliniowe. Liniowe. względem parametrów. Linearyzowane. sensu stricto
Ekonometria jak dorać funkcję? Przykłady użyte w materiałach opracowano w większości na azie danych ze skryptu B.Guzik, W.Jurek Podstawowe metody ekonometrii (wyd. AE Poznań 3) W doorze postaci funkcji
Bardziej szczegółowoANALIZA 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 szczegółowoWprowadzenie do teorii prognozowania
Wprowadzenie do teorii prognozowania I Pojęcia: 1. Prognoza i zmienna prognozowana (przedmiot prognozy). Prognoza punktowa i przedziałowa. 2. Okres prognozy i horyzont prognozy. Prognozy krótkoterminowe
Bardziej szczegółowoStanisław 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 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 szczegółowoMakroekonomia 1 dla MSEMen. Gabriela Grotkowska
Makroekonomia 1 dla MSEMen Gabriela Grotkowska Struktura wykładu Inflacja, bezrobocie i PKB Krzywa Philipsa w ujęciu tradycyjnym Przyczyny sztywności na rynku pracy: czemu płace dostosowują się w wolnym
Bardziej szczegółowoPodstawy ekonomii ELASTYCZNOŚCI W EKONOMII
Podstawy ekonomii ELASTYCZNOŚCI W EKONOMII Elastyczność krzyŝowa popytu Elastyczność dochodowa popytu Opracowanie: dr Tomasz Taraszkiewicz Elastyczność krzyŝowa popytu Elastyczność krzyŝowa popytu Elastyczność
Bardziej szczegółowoWspółliniowość zmiennych objaśniających: test Walda i test Studenta w badaniu istotności zmiennych objaśniających - przykłady.
Współliniowość zmiennych objaśniających: test Walda i test Studenta w badaniu istotności zmiennych objaśniających - przykłady. Przykład: Test Walda a test Studenta w badaniu istotności zmiennych objaśniających.
Bardziej szczegółowoPrzykład 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 szczegółowoSTATYSTYKA 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 szczegółowoKształtowanie się cen m 2 mieszkania we Wrocławiu w krótkim okresie
Kształtowanie się cen m 2 mieszkania we Wrocławiu w krótkim okresie Projekt prognostyczny ElŜbieta Bulak Piotr Olszewski Michał Tomanek Tomasz Witka IV ZI gr. 13. Wrocław 2007 I. Sformułowanie zadania
Bardziej szczegółowoEkonometria Wykład 7 Modele nieliniowe, funkcja produkcji. Dr Michał Gradzewicz Katedra Ekonomii I KAE
Ekonometria Wykład 7 Modele nieliniowe, funkcja produkcji Dr Michał Gradzewicz atedra Ekonomii I AE Plan wykładu (Nie)liniowość modeli ekonomerycznych iniowość modeli ekonometrycznych Efekty krańcowe Elastyczności
Bardziej szczegółowoEkonometria. Regresja liniowa, dobór postaci analitycznej, transformacja liniowa. Paweł Cibis 24 marca 2007
Regresja liniowa, dobór postaci analitycznej, transformacja liniowa Paweł Cibis pawel@cibis.pl 24 marca 2007 1 Regresja liniowa 2 Metoda aprioryczna Metoda heurystyczna Metoda oceny wzrokowej rozrzutu
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 szczegółowoPodstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych
Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych dla studentów Chemii (2018) Autor prezentacji :dr hab. Paweł Korecki dr Szymon Godlewski e-mail: szymon.godlewski@uj.edu.pl
Bardziej szczegółowoWiadomości ogólne o ekonometrii
Wiadomości ogólne o ekonometrii Materiały zostały przygotowane w oparciu o podręcznik Ekonometria Wybrane Zagadnienia, którego autorami są: Bolesław Borkowski, Hanna Dudek oraz Wiesław Szczęsny. Ekonometria
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO Wykład 5
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 5 Analiza korelacji - współczynnik korelacji Pearsona Cel: ocena współzależności między dwiema zmiennymi ilościowymi Ocenia jedynie zależność liniową. r = cov(x,y
Bardziej szczegółowoPrognozowanie na podstawie modelu ekonometrycznego
Prognozowanie na podstawie modelu ekonometrycznego Przykład. Firma usługowa świadcząca usługi doradcze w ostatnich kwartałach (t) odnotowała wynik finansowy (yt - tys. zł), obsługując liczbę klientów (x1t)
Bardziej szczegółowoPodstawy ekonometrii. Opracował: dr hab. Eugeniusz Gatnar prof. WSBiF
Podstawy ekonometrii Opracował: dr hab. Eugeniusz Gatnar prof. WSBiF Cele przedmiotu: I. Ogólne informacje o przedmiocie. - Opanowanie podstaw teoretycznych, poznanie przykładów zastosowań metod modelowania
Bardziej szczegółowoStosowana Analiza Regresji
prostej Stosowana Wykład I 5 Października 2011 1 / 29 prostej Przykład Dane trees - wyniki pomiarów objętości (Volume), średnicy (Girth) i wysokości (Height) pni drzew. Interesuje nas zależność (o ile
Bardziej szczegółowoe) Oszacuj parametry modelu za pomocą MNK. Zapisz postać modelu po oszacowaniu wraz z błędami szacunku.
Zajęcia 4. Estymacja i weryfikacja modelu model potęgowy Wersja rozszerzona W pliku Funkcja produkcji.xls zostały przygotowane przykładowe dane o produkcji, kapitale i zatrudnieniu dla 27 przedsiębiorstw
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 szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 11-12
Stanisław Cichocki Natalia Nehrebecka Zajęcia 11-12 1. Zmienne pominięte 2. Zmienne nieistotne 3. Obserwacje nietypowe i błędne 4. Współliniowość - Mamy 2 modele: y X u 1 1 (1) y X X 1 1 2 2 (2) - Potencjalnie
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 szczegółowoROZDZIAŁ 7 WPŁYW SZOKÓW GOSPODARCZYCH NA RYNEK PRACY W STREFIE EURO
Samer Masri ROZDZIAŁ 7 WPŁYW SZOKÓW GOSPODARCZYCH NA RYNEK PRACY W STREFIE EURO Najbardziej rewolucyjnym aspektem ogólnej teorii Keynesa 1 było jego jasne i niedwuznaczne przesłanie, że w odniesieniu do
Bardziej szczegółowoPochodna funkcji c.d.-wykład 5 ( ) Funkcja logistyczna
Pochodna funkcji c.d.-wykład 5 (5.11.07) Funkcja logistyczna Rozważmy funkcję logistyczną y = f 0 (t) = 40 1+5e 0,5t Funkcja f może być wykorzystana np. do modelowania wzrostu masy ziaren kukurydzy (zmienna
Bardziej szczegółowoMIKROEKONOMIA. Wykład 3 Mikroanaliza rynku 1 MIKROANALIZA RYNKU
Wykład 3 Mikroanaliza rynku 1 MIKROANALIZA RYNKU 1. POPYT Popyt (zapotrzebowanie) - ilość towaru, jaką jest skłonny kupić nabywca po ustalonej cenie rynkowej, dysponując do tego celu odpowiednim dochodem
Bardziej szczegółowoMakroekonomia 1. Modele graficzne
Makroekonomia 1 Modele graficzne Obieg okrężny $ Gospodarstwa domowe $ $ $ $ $ Rynek zasobów $ Rynek finansowy $ $ Rząd $ $ $ $ $ $ $ Rynek dóbr i usług $ Firmy $ Model AD - AS Popyt zagregowany (AD) Popyt
Bardziej szczegółowoMikroekonometria 12. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 12 Mikołaj Czajkowski Wiktor Budziński Dane panelowe Co jeśli mamy do dyspozycji dane panelowe? Kilka obserwacji od tych samych respondentów, w różnych punktach czasu (np. ankieta realizowana
Bardziej szczegółowodr Bartłomiej Rokicki Katedra Makroekonomii i Teorii Handlu Zagranicznego Wydział Nauk Ekonomicznych UW
Katedra Makroekonomii i Teorii Handlu Zagranicznego Wydział Nauk Ekonomicznych UW arytet siły nabywczej () arytet siły nabywczej jest wyprowadzany w oparciu o prawo jednej ceny. rawo jednej ceny zakładając,
Bardziej szczegółowo... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).
Egzamin ze Statystyki Matematycznej, WNE UW, wrzesień 016, zestaw B Odpowiedzi i szkice rozwiązań 1. Zbadano koszt 7 noclegów dla 4-osobowej rodziny (kwatery) nad morzem w sezonie letnim 014 i 015. Wylosowano
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 szczegółowoStatystyka. Wykład 8. Magdalena Alama-Bućko. 10 kwietnia Magdalena Alama-Bućko Statystyka 10 kwietnia / 31
Statystyka Wykład 8 Magdalena Alama-Bućko 10 kwietnia 2017 Magdalena Alama-Bućko Statystyka 10 kwietnia 2017 1 / 31 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia
Bardziej szczegółowoRozdział 8. Regresja. Definiowanie modelu
Rozdział 8 Regresja Definiowanie modelu Analizę korelacji można traktować jako wstęp do analizy regresji. Jeżeli wykresy rozrzutu oraz wartości współczynników korelacji wskazują na istniejąca współzmienność
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 szczegółowoModele wielorownaniowe
Część 1. e e jednorównaniowe są znacznym uproszczeniem rzeczywistości gospodarczej e jednorównaniowe są znacznym uproszczeniem rzeczywistości gospodarczej e makroekonomiczne z reguły składają się z większej
Bardziej szczegółowoStanisław Cichocki Natalia Neherbecka
Stanisław Cichocki Natalia Neherbecka 13 marca 2010 1 1. Kryteria informacyjne 2. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych opóźnieniach (ADL) 3. Analiza
Bardziej szczegółowo