EKONOMETRIA Wykład 5: Zmienne zerojedynkowe w modelowaniu ekonometrycznym
|
|
- Jakub Matusiak
- 6 lat temu
- Przeglądów:
Transkrypt
1 D. Cołek EKONOMETRIA wykład 5 EKONOMETRIA Wykład 5: Zmenne zerojedynkowe w modelowanu ekonometrycznym dr Dorota Cołek Katedra Ekonometr Wydzał Zarządzana UG dorota.colek@ug.edu.pl
2 D. Cołek EKONOMETRIA wykład 5 Zmenne jakoścowe Często w ekonomcznych analzach emprycznych chcemy włączyć do badana (do modelu ekonometrycznego) także zmenne nemerzalne, jakoścowe tzw. zmenne dyskretne. Take cechy jak: - płeć, rasa, wykształcene osoby badanej - sektor gospodarczy, do jakego należy frma - regon kraju, w którym zlokalzowana jest frma - czy frma mportuje, czy ne mportuje - czy kraj ratyfkowała, czy ne np.. określoną umową handlową - Członkostwo w ugrupowanach mędzynarodowych (np. członkostwo w Un Europejskej) - tp. 2
3 D. Cołek EKONOMETRIA wykład 5 Zastosowana zmennych zerojedynkowych szerzej tzw. zmenne sztuczne (dummy varables) Zmenna przyjmuje wartość dla nektórych obserwacj, a dla pozostałych obserwacj. Często wykorzystywane w modelach jednocześne obok zmennych loścowych. Reprezentuje zmenne jakoścowe w modelu, Odzwercedla zmany strukturalne lub załamana strukturalne, Pozwala opsać sezonowość w szeregach czasowych dla danych o częstotlwośc wększej nż rok. 3
4 D. Cołek EKONOMETRIA wykład 5 Cechy jakoścowe (raczej dla danych przekrojowych) Zmenne dychotomczne (dwuwarantowe) np.: płeć, rodzaj stanowska pracownka (kerowncze, nekerowncze), członkostwo w określonym ugrupowanu (Un Europejskej), kraje anglo- neanglojęzyczne, położene kraju lub regonu nad morzem, lotnsko na obszarze danego regonu Np.: D = dla krajów należących do UE, dla krajów ne należących do UE. 4
5 D. Cołek EKONOMETRIA wykład 5 Regresja z jakoścowym zmennym objaśnającym Regresja wyjaśnająca zróżncowane w pozome wynagrodzeń: wage female 2 marred gdze obe zmenne objaśnające zdefnowane są następująco: for woman for marred person female marred for man for unmarred person Użyce zmennych zerojedynkowych prowadz do modelu regresj, w którym parametry strukturalne mają bardzo ntucyjną nterpretację : β nformuje o tym, jaka jest różnca w wynagrodzenu mędzy kobetą, a mężczyzną zakładając stałość pozostałych cech (ceters parbus). β 2 - nformuje o tym, jaka jest różnca w wynagrodzenu mędzy osobą w małżeństwe, a osobą ne będącą w małżeństwe zakładając stałość pozostałych cech (ceters parbus). 5 u
6 D. Cołek EKONOMETRIA wykład 5 Pułapka zmennych zerojedynkowych Dlaczego w modelu ne uwzględnamy jednocześne drugej zmennej zerojedynkowej np. male, która byłaby równa jeden dla mężczyzn zero dla kobet? Równoczesne użyce dwóch takch zmennych w modelu prowadzłoby do dokładnej współlnowośc zmennych objaśnających poneważ female + male = w takm przypadku ne jest możlwe oszacowane modelu ekonometrycznego przy pomocy estymatora MNK. Musmy wybrać jedną z dwóch grup jako grupę podstawową (benchmark), do której będzemy porównywać drugą grupę analzowanych osób w tym przypadku to jest grupa mężczyzn. 6
7 D. Cołek EKONOMETRIA wykład 5 Zmenne sztuczne przesunęce wyrazu wolnego Załóżmy, że w regresj mamy tylko jedną zerojedynkową zmenną objaśnającą: wage female 2 age u Jeżel zmenna zerojedynkowa wprowadzona jest w powyższy sposób, zmenamy wartość wyrazu wolnego dla wybranej grupy osób, zatem: dla kobet: wage ( ) 2 age u dla mężczyzn: wage 2 age u Przecętna różnca mędzy wynagrodzenam kobet mężczyzn jest równa β zakładając ten sam wek obu zatrudnonych. (uwaga: w tym przypadku zakładamy stałą wartość tej różncy) 7
8 D. Cołek EKONOMETRIA wykład 5 Zmana wyrazu wolnego 8
9 D. Cołek EKONOMETRIA wykład 5 Ten rodzaj regresj zapewna prosty sposób przeprowadzena testu porównawczego mędzy dwema grupam, które w tym przypadku są mężczyznam kobetam. Jeśl parametr przy zmennej objaśnającej jest statystyczne stotny, możemy powedzeć, że stneje stotna różnca mędzy obydwoma grupam: np. dyskrymnacj ze względu na płeć na rynku pracy. Inne przykłady: W regresj wzrostu możemy wprowadzć zmenną zerojedynkową dla członków UE - Czy członkostwo w UE wpływa na wzrost gospodarczy? W rozwoju regonalnym - Czy lokalzacja w poblżu morza wpływa na wzrost gospodarczy? 9
10 D. Cołek EKONOMETRIA wykład 5 Regresja ze logarytmowaną zmenną objaśnającą Uwaga: Zmennych zerojedynkowych ngdy ne logarytmujemy. Załóżmy, że mamy następującą regresję: log flm _ revenue costs 2 flm _ star 3 powesc u Jak nterpretować współczynnk przy zmennych sztucznych? Parametr β to tzw. sem-elastyczność. Jeżel w flme występuje znana gwazda flmowa, przychody z flmu są średno o β 2 *% wyższe w porównanu z podobnym flmam (z takm samym kosztam nnym cecham) - tzn. przy założenu stałośc pozostałych czynnków. Jeśl scenarusz flmu opera sę na poweśc, wówczas przychody są średno o β 3 *% wyższe w porównanu z podobnym flmem (przy tych samych kosztach nnych cechach).
11 D. Cołek EKONOMETRIA wykład 5 Zmana współczynnka kerunkowego prostej Czasam możemy założyć, że wartość zmennej jakoścowej ma wpływ ne tylko na stałą różncę mędzy zdefnowanym grupam, ale także na słę wpływu loścowej zmennej objaśnającej, np. weku. Zmana współczynnka kerunkowego: wage dla mężczyzn: 2 age 3 wage 2 female age age u u dla kobet: wage ) age ( 2 3 u
12 D. Cołek EKONOMETRIA wykład 5 Zmana współczynnka kerunkowego prostej 2
13 D. Cołek EKONOMETRIA wykład 5 Jednoczesna zmana współczynnka stałej wage female 2 age 3 female age u dla mężczyzn: wage 2 age u dla kobet: wage ) ( ) age ( 2 3 u Oznacza to, że w regresj uwzględnamy nterakcję mędzy zmenną loścową (wek) a zmenną jakoścową (płeć). 3
14 D. Cołek EKONOMETRIA wykład 5 Jednoczesna zmana współczynnka stałej 4
15 D. Cołek EKONOMETRIA wykład 5 Interakcje mędzy zmennym jakoścowym Zmenne jakoścowe mogą być nterakcyjne w modelach regresj podobne jak zmenne jakoścowe. W modelu możemy uwzględnć nterakcję np. mędzy płcą, a tym, że osoba jest w małżeństwe, gdy jednocześne występują zmenne zerojedynkowe dla płc dla małżeństwa. Pozwolłoby to oszacowań premę małżeńską w zależnośc od płc, wtedy gdy stneje statystyczne stotna nterakcja mędzy płcą a stanem cywlnym. Model ten pozwala równeż uzyskać szacunkową różncę płacową wśród wszystkch czterech grup, ale musmy uważać, aby połączyć prawdłową kombnację zer jedno. 5
16 D. Cołek EKONOMETRIA wykład 5 Zmenne loścowe z weloma kategoram Dla zmennej z g kategoram potrzebujemy uwzględnć w modelu g - zmennych zerojedynkowych. np: Zmenna: sektor dzałalnośc frmy - produkcja (manufacturng) - usług (servces) - handel (trade) Zdefnujmy dwe zmenne sztuczne: for servces sector servces for others Model: sale for trade sector trade for others X 2servces 3 Wówczas frmy produkcyjne są grupą referencyjną trade Parametr przy zmennej sztucznej dla określonej grupy stanow oszacowaną różncę wyrazu wolnego mędzy tą grupą a grupą bazową (referencyjną) zakładając take same wartośc pozostałych zmennych. 6 u
17 D. Cołek EKONOMETRIA wykład 5 Cechy jakoścowe (raczej dla danych przekrojowych) Zmenne welowarantowe np.: pozom wykształcena (podstawowe, średne, wyższe), stopeń naukowy pracownka dydaktycznego (magster, doktor, dr habltowany, profesor) wyznawana relga (chrześcjann, muzułmann, żyd, nna) D= dla magstrów, pozostałe stopne naukowe. dla doktorów, dla profesorów D2= D4= pozostałe stopne naukowe. pozostałe stopne naukowe. D3= dla doktorów habltowanych, pozostałe stopne naukowe. 7
18 8 D. Cołek EKONOMETRIA wykład 5 Model wyjaśnający zróżncowane wynagrodzena gdze: =,,N; W wynagrodzene -tego pracownka, S staż pracy pracownka, zmenne D stopeń naukowy pracownka Macerz obserwacj na zmennych objaśnających: Suma czterech ostatnch kolumn (dla zmennych D) jest równa kolumne jedynak, czyl tyle samo, co zmenna reprezentująca wyraz wolny. Mamy do czynena z dokładną współlnowoścą zmennych. Ne da sę oszacować takego modelu. Aby oszacować model pomjamy jedną ze zmennych D. D D D D S W s N s s s X
19 9 D. Cołek EKONOMETRIA wykład 5 Model wyjaśnający zróżncowane wynagrodzena cd gdze: =,,N; W wynagrodzene -tego pracownka, S staż pracy pracownka, zmenne D jak poprzedno Macerz obserwacj na zmennych objaśnających: Suma czterech ostatnch kolumn (dla zmennych D) jest równa kolumne jedynak, czyl tyle samo, co zmenna reprezentująca wyraz wolny. Mamy do czynena z dokładną współlnowoścą zmennych. Ne da sę oszacować takego modelu. Aby oszacować model pomjamy jedną ze zmennych D. D D D D S W s N s s s X
20 D. Cołek EKONOMETRIA wykład 5 Model wyjaśnający zróżncowane wynagrodzena cd - nterpretacja W S D D D D4 Po oszacowanu modelu MNK oceny parametrów nterpretujemy następująco: 3 : Wynagrodzene doktorów jest wyższe średno o 3 od wynagrodzena magstrów o tym samym stażu pracy. 4 : Wynagrodzene doktorów habltowanych jest wyższe średno o 4 od wynagrodzena magstrów o tym samym stażu pracy. 5 : Wynagrodzene profesorów jest wyższe średno o 5 od wynagrodzena magstrów o tym samym stażu pracy. Uwaga: oceny parametrów nterpretujemy w stosunku do pomnętej kategor zmennej jakoścowej. 2
21 D. Cołek EKONOMETRIA wykład 5 Model wyjaśnający zróżncowane wynagrodzena cd W S 2S D2 3S D3 4S D4 gdze: =,,N; W wynagrodzene -tego pracownka, S staż pracy pracownka, zmenne D jak poprzedno. Interpretacja: Dla magstrów wzrost stażu pracy o jeden rok powoduje wzrost wynagrodzena średno o jednostek. Dla doktorów wzrost stażu pracy o jeden rok powoduje wzrost wynagrodzena średno o ( + 2 ) jednostek. Dla doktorów habltowanych wzrost stażu pracy o jeden rok powoduje wzrost wynagrodzena średno o ( + 3 ) jednostek. Dla profesorów wzrost stażu pracy o jeden rok powoduje wzrost wynagrodzena średno o ( + 4 ) jednostek. 2
22 22 D. Cołek EKONOMETRIA wykład 5 Model wyjaśnający zróżncowane wynagrodzena cd gdze: =,,N; W wynagrodzene -tego pracownka, S staż pracy pracownka, zmenne D jak poprzedno. Interpretacja: Przy zerowym stażu pracy wynagrodzena doktorów różną sę od wynagrodzena magstrów średno o 5 jednostek. D D D D S D S D S S W
23 D. Cołek EKONOMETRIA wykład 5 Znaczące zmany w szeregu czasowym np. tzw. załamana strukturalne (structural breakes): Wprowadzene nowej technolog w przedsęborstwo, Przystąpene do określonego stowarzyszena lub un, Odzwercedlene netypowych obserwacj w czase: okres wojny, okres kryzysu, okres zarządzana komsarycznego, okres remontu. Dla zdefnowanego okresu wprowadzamy zmenną sztuczną: D t = w wyróżnony okrese, pozostałych okresach. 23
24 Konsumpcja D. Cołek EKONOMETRIA wykład 5 Funkcja konsumpcj w okrese w USA Kształtowane sę konsumpcj w USA w latach Konsumpcja t Dochód do dyspozycj o Dochód 2 D t D t = w latach wojny , poza latam wojny. 24
25 D. Cołek EKONOMETRIA wykład 5 Obserwacje netypowe (outlers) lub błędne Outler - obserwacja, która charakteryzuje sę netypową charakterystyką w porównanu z nnym obserwacjam w próbe. - Mechanzm, który w tym przypadku generuje zmenną zależną, jest opsany przez model. Obserwacja błędna - jej pojawene sę ne może być wyjaśnone przez teoretyczny model ekonomczny, który jest podstawą budowy modelu ekonometrycznego. - Często występuje w wynku błędów podczas wprowadzana obserwacj do bazy danych. Czasam jednak neprawdłowe obserwacje są faktycznym obserwacjam, powązanym z netypowym wydarzenam, których ne można wytłumaczyć przy pomocy naszego modelu. 25
26 D. Cołek EKONOMETRIA wykład 5 Przykład obserwacj netypowych Modelowane popytu - Załóżmy, że szacujemy krzywą popytu na żywność dla różnych krajów na śwece. - Jednakże w próbe stneją pewne kraje, w których występuje reglamentacja żywnośc, tj. Kuba lub Korea Północna. - Take obserwacje można zdentyfkować jako neprawdłowe obserwacje, poneważ teora opsująca krzywą popytu ne ma zastosowana w czase nerynkowej dystrybucj towarów. Znaczene obserwacj netypowych lub błędnych Efekt netypowej obserwacj w regresj zależy od tego, jak ta obserwacja pasuje do ln regresj. Najbardzej nepokojąca jest sytuacja, w której obserwacja ma netypowe wartośc dla zmennej nezależnej słabo pasuje do ln regresj. 26
27 D. Cołek EKONOMETRIA wykład 5 Obserwacja netypowa, która pasuje do ln regresj 27
28 D. Cołek EKONOMETRIA wykład 5 Obserwacja netypowa, która ne pasuje do ln regresj 28
29 D. Cołek EKONOMETRIA wykład 5 Znaczene obserwacj netypowych lub błędnych Uwzględnene obserwacj netypowych ma pozytywny wpływ na: A) dokładność szacunków B) dopasowane modelu Włączene błędnych obserwacj ma negatywny wpływ na: A) dokładność szacunków B) dopasowane modelu Identyfkacja obserwacj netypowych błędnych Mary, które mogą być użyte do wykryca netypowej obserwacj słabo dopasowanej do ln regresj slne wpływającej na wynk regresj: A) Leverage (dźwgna) B) Standaryzowane reszty C) Odległośc Cooka 29
30 D. Cołek EKONOMETRIA wykład 5 Leverage Merzy, jak bardzo wartość zmennej objaśnanej dla obserwacj netypowej różn sę od wartośc dla pozostałych obserwacj. Punkty tzw. wysokej dźwgn (hgh-leverage ponts) - obserwacje o ekstremalnych lub odstających wartoścach zmennej objaśnanej, przy których ne ma nnych obserwacj. Wartość leverage to: h H -ty dagonalny element tzw. macerz projekcj: H T T X X X X gdze X jest macerzą obserwacj na zmennych objaśnających. 3
31 D. Cołek EKONOMETRIA wykład 5 Wartośc leverage W każdym modelu: h W modelu z wyrazem wolnym: N h Reguła: obserwację traktujemy jako netypową wówczas, gdy: 2( k ) h N gdze N jest lczbą obserwacj k - lczbą zmennych objaśnających w regresj. Ale ne oznacza to, że dana obserwacja ne pasuje do regresj. Musmy sprawdzć wartość tzw. standaryzowanych reszt. 3
32 D. Cołek EKONOMETRIA wykład 5 Standaryzowane reszty Reszty są korygowane tak, aby były zgodne ze standardowym rozkładem normalnym. Trudność polega na tym, że dostosowane ne zawsze jest możlwe. Znormalzowane reszty to reszty skorygowane według nnej formuły, która w przyblżenu spełna założene o standaryzowanym rozkładze normalnym. Znormalzowane reszty można oblczyć jako: u~ s uˆ h N k gdze s to średn błąd kwadratowy w modelu regresj. ~ t Dla regresj netypowych: ~ 2 u 32
33 D. Cołek EKONOMETRIA wykład 5 Wartośc standaryzowanych reszt Jednakże, jeżel składnk losowe mają rozkład normalny wtedy statystyczne rzecz borąc około 5% obserwacj może meć znormalzowane reszty o wartośc powyżej 2. Musmy zwracać szczególną uwagę na obserwacje, które jednocześne mają wysoką wartość leverage oraz wysoką wartość standaryzowanej reszty są to netypowe obserwacje wpływowe. 33
34 D. Cołek EKONOMETRIA wykład 5 Odległość Cooka Merzy wpływ pojedynczej obserwacj na oszacowane regresj. Sprawdza efekt usunęca danej obserwacj z estymacj. Wskazuje te obserwacje, które wymagają sprawdzena, czy są błędne, czy też wymagają wprowadzena dodatkowych zmennych zerojedynkowych. Formuła: 2 uˆ h CD 2 2 s ( k ) h gdze h jest wartoścą leverage a s to średn kwadratowy błąd modelu, k lczba zmennych objaśnających w modelu. Neformalna reguła wskazuje, że obserwacjam wymagającym specjalnej uwag są te o wartośc: 4 CD N 34
Stanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 4
Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 4
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 3
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 3 1. Dobroć dopasowana równana regresj. Współczynnk determnacj R Dk Dekompozycja warancj zmennej zależnej ż Współczynnk determnacj R. Zmenne cągłe a
Bardziej szczegółowoNatalia Nehrebecka. Wykład 2
Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada. Zajęcia 3
Stansław Cchock Natala Nehrebecka Katarzyna Rosak-Lada Zajęca 3 1. Dobrod dopasowana równana regresj. Współczynnk determnacj R 2 Dekompozycja warancj zmennej zależnej Współczynnk determnacj R 2 2. Zmenne
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL W standardowym modelu lnowym zakładamy,
Bardziej szczegółowoEKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnienia
EKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnena dr Dorota Cołek Katedra Ekonometr Wydzał Zarządzana UG http://wzr.pl/dorota-colek/ dorota.colek@ug.edu.pl 1 Wpływ skalowana danych na MNK
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 . Zmenne dyskretne Kontrasty: efekty progowe, kontrasty w odchylenach Interakcje. Przyblżane model nelnowych Stosowane do zmennych dyskretnych o uporządkowanych
Bardziej szczegółowoW praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
Bardziej szczegółowoNtli Natalia Nehrebecka. Dariusz Szymański. Zajęcia 4
Ntl Natala Nehrebecka Darusz Szymańsk Zajęca 4 1 1. Zmenne dyskretne 3. Modele z nterakcjam 2. Przyblżane model dlnelnowych 2 Zmenne dyskretne Zmenne nomnalne Zmenne uporządkowane 3 Neco bardzej skomplkowana
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
Bardziej szczegółowoWeryfikacja hipotez dla wielu populacji
Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natala Nehrebecka Stansław Cchock Wykład 10 1 1. Testy dagnostyczne 2. Testowane prawdłowośc formy funkcyjnej modelu 3. Testowane normalnośc składnków losowych 4. Testowane stablnośc parametrów 5. Testowane
Bardziej szczegółowoStatystyka Opisowa 2014 część 2. Katarzyna Lubnauer
Statystyka Opsowa 2014 część 2 Katarzyna Lubnauer Lteratura: 1. Statystyka w Zarządzanu Admr D. Aczel 2. Statystyka Opsowa od Podstaw Ewa Waslewska 3. Statystyka, Lucjan Kowalsk. 4. Statystyka opsowa,
Bardziej szczegółowoNatalia Nehrebecka. Dariusz Szymański
Natala Nehrebecka Darusz Szymańsk . Sprawy organzacyjne Zasady zalczena Ćwczena Lteratura. Czym zajmuje sę ekonometra? Model ekonometryczny 3. Model lnowy Postać modelu lnowego Zaps macerzowy modelu dl
Bardziej szczegółowoBadanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej
Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.
Bardziej szczegółowoZadane 1: Wyznacz średne ruchome 3-okresowe z następujących danych obrazujących zużyce energ elektrycznej [kwh] w pewnym zakładze w mesącach styczeń - lpec 1998 r.: 400; 410; 430; 40; 400; 380; 370. Zadane
Bardziej szczegółowo65120/ / / /200
. W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę
Bardziej szczegółowoEKONOMETRIA I Spotkanie 1, dn. 05.10.2010
EKONOMETRIA I Spotkane, dn. 5..2 Dr Katarzyna Beń Program ramowy: http://www.sgh.waw.pl/nstytuty/e/oferta_dydaktyczna/ekonometra_stacjonarne_nest acjonarne/ Zadana, dane do zadań, ważne nformacje: http://www.e-sgh.pl/ben/ekonometra
Bardziej szczegółowoANALIZA WPŁYWU OBSERWACJI NIETYPOWYCH NA WYNIKI MODELOWANIA REGIONALNEJ WYDAJNOŚCI PRACY
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 36, T. 1 Barbara Batóg *, Jacek Batóg ** Unwersytet Szczecńsk ANALIZA WPŁYWU OBSERWACJI NIETYPOWYCH NA WYNIKI MODELOWANIA REGIONALNEJ WYDAJNOŚCI
Bardziej szczegółowoIID = 2. i i i i. x nx nx nx
Zadane Analzujemy model z jedną zmenną objaśnającą bez wyrazu wolnego: y = β x + ε, ε ~ (0, σ ), gdze x jest nelosowe.. Wyznacz estymator MNK parametru β oraz oblcz jego warancję. (4 pkt) y. Zaproponowano
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 5 Mkołaj Czajkowsk Wktor Budzńsk Uogólnone modele lnowe Uogólnone modele lnowe (ang. Generalzed Lnear Models GLM) Różną sę od standardowego MNK na dwa sposoby: Rozkład zmennej objaśnanej
Bardziej szczegółowoProcedura normalizacji
Metody Badań w Geograf Społeczno Ekonomcznej Procedura normalzacj Budowane macerzy danych geografcznych mgr Marcn Semczuk Zakład Przedsęborczośc Gospodark Przestrzennej Instytut Geograf Unwersytet Pedagogczny
Bardziej szczegółowoAnaliza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)
Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz
Bardziej szczegółowoOcena jakościowo-cenowych strategii konkurowania w polskim handlu produktami rolno-spożywczymi. dr Iwona Szczepaniak
Ocena jakoścowo-cenowych strateg konkurowana w polskm handlu produktam rolno-spożywczym dr Iwona Szczepanak Ekonomczne, społeczne nstytucjonalne czynnk wzrostu w sektorze rolno-spożywczym w Europe Cechocnek,
Bardziej szczegółowoAnaliza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A
Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe
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 szczegółowoD. Ciołek EKONOMETRIA wykład 0 EKONOMETRIA. Wykład 0: Informacje o przedmiocie. dr Dorota Ciołek. Katedra Ekonometrii Wydział Zarządzania UG
D. Cołek EKONOMETRIA wykład 0 EKONOMETRIA Wykład 0: Informacje o przedmoce dr Dorota Cołek Katedra Ekonometr Wydzał Zarządzana UG http://wzr.pl/dc dorota.colek@ug.edu.pl D. Cołek EKONOMETRIA wykład 0 Informacje
Bardziej szczegółowoZASTOSOWANIE METOD EKONOMETRYCZNYCH DO BADANIA HETEROGENICZNOŚCI OBIEKTÓW
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 31 Marusz Doszyń Unwersytet Szczecńsk ZASTOSOWANIE METOD EKONOMETRYCZNYCH DO BADANIA HETEROGENICZNOŚCI OBIEKTÓW Streszczene W artykule scharakteryzowano
Bardziej szczegółowoDobór zmiennych objaśniających
Dobór zmennych objaśnających Metoda grafowa: Należy tak rozpąć graf na werzchołkach opsujących poszczególne zmenne, aby występowały w nm wyłączne łuk symbolzujące stotne korelacje pomędzy zmennym opsującym.
Bardziej szczegółowoMikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 13 Mkołaj Czajkowsk Wktor Budzńsk Symulacje Analogczne jak w przypadku cągłej zmennej zależnej można wykorzystać metody Monte Carlo do analzy różnego rodzaju problemów w modelach gdze zmenna
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 szczegółowo) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
Bardziej szczegółowody dx stąd w przybliżeniu: y
Przykłady do funkcj nelnowych funkcj Törnqusta Proszę sprawdzć uzasadnć, które z podanych zdań są prawdzwe, a które fałszywe: Przykład 1. Mesęczne wydatk na warzywa (y, w jednostkach penężnych, jp) w zależnośc
Bardziej szczegółowoProjekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE
Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 11
Stansław Cchock Natala Nehrebecka Wykład 11 1 1. Testowane hpotez łącznych 2. Testy dagnostyczne Testowane prawdłowośc formy funkcyjnej: test RESET Testowane normalnośc składnków losowych: test Jarque-Berra
Bardziej szczegółowoAnaliza zależności zmiennych ilościowych korelacja i regresja
Analza zależnośc zmennych loścowych korelacja regresja JERZY STEFANOWSKI Instytut Informatyk Poltechnka Poznańska Plan wykładu 1. Lnowa zależność mędzy dwoma zmennym: Prosta regresja Metoda najmnejszych
Bardziej szczegółowoPROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE
PROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE Janusz Wątroba, StatSoft Polska Sp. z o.o. W nemal wszystkch dzedznach badań emprycznych mamy do czynena ze złożonoścą zjawsk procesów.
Bardziej szczegółowoPróba wyjaśnienia regionalnego zróżnicowania międzypłciowej luki płacowej w Polsce
Studa Regonalne Lokalne Nr 3(49)/2012 ISSN 1509 4995 Tymon Słoczyńsk* Próba wyjaśnena regonalnego zróżncowana mędzypłcowej luk płacowej w Polsce W artykule opsano regonalne zróżncowane mędzypłcowej luk
Bardziej szczegółowoHipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ
WERYFIKACJA HIPOTEZY O ISTOTNOŚCI OCEN PARAMETRÓW STRUKTURALNYCH MODELU Hpoezy o sonośc oszacowao paramerów zmennych objaśnających Tesowane sonośc paramerów zmennych objaśnających sprowadza sę do nasępującego
Bardziej szczegółowoAnaliza korelacji i regresji
Analza korelacj regresj Zad. Pewen zakład produkcyjny zatrudna pracownków fzycznych. Ich wydajność pracy (Y w szt./h) oraz mesęczne wynagrodzene (X w tys. zł) przedstawa ponższa tabela: Pracownk y x A
Bardziej szczegółowo0. Oszacowanie kilku prostych regresji, interpretacja oszacować parametrów
0. Oszacowane klku prostych regresj, nterpretacja oszacować parametrów Zacznemy od oszacowana metodą najmnejszych kwadratów następującego modelu: dochod = β0 + βwekwek + ε Najperw zastanowmy sę w jak sposób
Bardziej szczegółowoMetody predykcji analiza regresji
Metody predykcj analza regresj TPD 008/009 JERZY STEFANOWSKI Instytut Informatyk Poltechnka Poznańska Przebeg wykładu. Predykcja z wykorzystanem analzy regresj.. Przypomnene wadomośc z poprzednch przedmotów..
Bardziej szczegółowoProces narodzin i śmierci
Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do
Bardziej szczegółowoEgzamin ze statystyki/ Studia Licencjackie Stacjonarne/ Termin I /czerwiec 2010
Egzamn ze statystyk/ Studa Lcencjacke Stacjonarne/ Termn /czerwec 2010 Uwaga: Przy rozwązywanu zadań, jeśl to koneczne, naleŝy przyjąć pozom stotnośc 0,01 współczynnk ufnośc 0,99 Zadane 1 PonŜsze zestawene
Bardziej szczegółowoWPROWADZENIE DO ANALIZY KORELACJI I REGRESJI
WPROWADZENIE DO ANALIZY KORELACJI I REGRESJI dr Janusz Wątroba, StatSoft Polska Sp. z o.o. Prezentowany artykuł pośwęcony jest wybranym zagadnenom analzy korelacj regresj. Po przedstawenu najważnejszych
Bardziej szczegółowoParametry zmiennej losowej
Eonometra Ćwczena Powtórzene wadomośc ze statysty SS EK Defncja Zmenną losową X nazywamy funcję odwzorowującą przestrzeń zdarzeń elementarnych w zbór lczb rzeczywstych, taą że przecwobraz dowolnego zboru
Bardziej szczegółowoPropozycja modyfikacji klasycznego podejścia do analizy gospodarności
Jacek Batóg Unwersytet Szczecńsk Propozycja modyfkacj klasycznego podejśca do analzy gospodarnośc Przedsęborstwa dysponujące dentycznym zasobam czynnków produkcj oraz dzałające w dentycznych warunkach
Bardziej szczegółowoModele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.
Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej
Rachunek prawdopodobeństwa statstka W 11: Analz zależnoścpomędz zmennm losowm Model regresj welokrotnej Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Model regresj lnowej Model regresj lnowej prostej
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA. Wkład wstępn. Teora prawdopodobeństwa element kombnatork. Zmenne losowe ch rozkład 3. Populacje prób danch, estmacja parametrów 4. Testowane hpotez statstcznch 5. Test parametrczne
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 15. ANALIZA DANYCH WYKRYWANIE OBSERWACJI. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska
SYSTEMY UCZĄCE SIĘ WYKŁAD 15. ANALIZA DANYCH WYKRYWANIE OBSERWACJI ODSTAJĄCYCH, UZUPEŁNIANIE BRAKUJĄCYCH DANYCH Częstochowa 2014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska WYKRYWANIE
Bardziej szczegółowoEKONOMETRYCZNA ANALIZA WPŁYWU CZYNNIKÓW SUBIEKTYWNYCH NA DZIAŁALNOŚĆ SPÓŁEK NOTOWANYCH NA GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH W WARSZAWIE
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 31 Marusz Doszyń Unwersytet Szczecńsk Beata Antonewcz-Nogaj Ccero SC EKONOMETRYCZNA ANALIZA WPŁYWU CZYNNIKÓW SUBIEKTYWNYCH NA DZIAŁALNOŚĆ SPÓŁEK
Bardziej szczegółowoTwierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że
Twerdzene Bezouta lczby zespolone Javer de Lucas Ćwczene 1 Ustal dla których a, b R można podzelć f 1 X) = X 4 3X 2 + ax b przez f 2 X) = X 2 3X+2 Oblcz a b Z 5 jeżel zak ladamy, że f 1 f 2 s a welomanam
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 9. jej modyfkacje. Oznaczena Będzemy rozpatrywać zagadnene rozwązana następującego układu n równań lnowych z n newadomym x 1... x n : a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x
Bardziej szczegółowoMikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 10 Mkołaj Czajkowsk Wktor Budzńsk Jak analzować dane o charakterze uporządkowanym? Dane o charakterze uporządkowanym Wybór jednej z welkośc na uporządkowanej skal Skala ne ma nterpretacj
Bardziej szczegółowo5. OPTYMALIZACJA GRAFOWO-SIECIOWA
. OPTYMALIZACJA GRAFOWO-SIECIOWA Defncja grafu Pod pojęcem grafu G rozumemy następującą dwójkę uporządkowaną (defncja grafu Berge a): (.) G W,U gdze: W zbór werzchołków grafu, U zbór łuków grafu, U W W,
Bardziej szczegółowoA C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 389 TORUŃ 2009.
A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 389 TORUŃ 2009 Unwersytet Mkołaja Kopernka w Torunu Katedra Ekonometr Statystyk Elżbeta
Bardziej szczegółowoDiagonalizacja macierzy kwadratowej
Dagonalzacja macerzy kwadratowej Dana jest macerz A nân. Jej wartośc własne wektory własne spełnają równane Ax x dla,..., n Każde z równań własnych osobno można zapsać w postac: a a an x x a a an x x an
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 szczegółowoBadanie współzaleŝności dwóch cech ilościowych X i Y. Analiza korelacji prostej. Badanie zaleŝności dwóch cech ilościowych. Analiza regresji prostej
Badane współzaleŝnośc dwóch cech loścowych X Y. Analza korelacj prostej Badane zaleŝnośc dwóch cech loścowych. Analza regresj prostej Kody znaków: Ŝółte wyróŝnene nowe pojęce czerwony uwaga kursywa komentarz
Bardziej szczegółowoZaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,
Bardziej szczegółowoTrzecie laboratoria komputerowe ze Staty Testy
Trzece laboratora komputerowe ze Staty Testy Korzystać będzemy z danych dane_3.dta. Chcemy (jak zwykle ) oszacować model zarobków. Tym razem nteresująca nas postać modelu to: p0 = β + β pd0 + β pl08 +
Bardziej szczegółowoProblemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA
Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA
Bardziej szczegółowoKształtowanie się firm informatycznych jako nowych elementów struktury przestrzennej przemysłu
PRACE KOMISJI GEOGRAFII PRZEMY SŁU Nr 7 WARSZAWA KRAKÓW 2004 Akadema Pedagogczna, Kraków Kształtowane sę frm nformatycznych jako nowych elementów struktury przestrzennej przemysłu Postępujący proces rozwoju
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 szczegółowoBADANIE STABILNOŚCI WSPÓŁCZYNNIKA BETA AKCJI INDEKSU WIG20
Darusz Letkowsk Unwersytet Łódzk BADANIE STABILNOŚCI WSPÓŁCZYNNIKA BETA AKCJI INDEKSU WIG0 Wprowadzene Teora wyboru efektywnego portfela nwestycyjnego zaproponowana przez H. Markowtza oraz jej rozwnęca
Bardziej szczegółowoBADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda
BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp
Bardziej szczegółowoPlan wykładu: Typowe dane. Jednoczynnikowa Analiza wariancji. Zasada: porównać zmienność pomiędzy i wewnątrz grup
Jednoczynnkowa Analza Waranc (ANOVA) Wykład 11 Przypomnene: wykłady zadana kursu były zaczerpnęte z podręcznków: Statystyka dla studentów kerunków techncznych przyrodnczych, J. Koronack, J. Melnczuk, WNT
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 szczegółowoPattern Classification
attern Classfcaton All materals n these sldes were taken from attern Classfcaton nd ed by R. O. Duda,. E. Hart and D. G. Stork, John Wley & Sons, 000 wth the permsson of the authors and the publsher Chapter
Bardziej szczegółowoSystem Przeciwdziałania Powstawaniu Bezrobocia na Terenach Słabo Zurbanizowanych SPRAWOZDANIE Z BADAŃ Autor: Joanna Wójcik
Opracowane w ramach projektu System Przecwdzałana Powstawanu Bezroboca na Terenach Słabo Zurbanzowanych ze środków Europejskego Funduszu Społecznego w ramach Incjatywy Wspólnotowej EQUAL PARTNERSTWO NA
Bardziej szczegółowoStatystyka. Zmienne losowe
Statystyka Zmenne losowe Zmenna losowa Zmenna losowa jest funkcją, w której każdej wartośc R odpowada pewen podzbór zboru będący zdarzenem losowym. Zmenna losowa powstaje poprzez przyporządkowane każdemu
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 2
Sansław Cchock Naala Nehrebecka Wykład 2 1 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 2 1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 3 Szereg czasowy jes pojedynczą realzacją pewnego
Bardziej szczegółowo± Δ. Podstawowe pojęcia procesu pomiarowego. x rzeczywiste. Określenie jakości poznania rzeczywistości
Podstawowe pojęca procesu pomarowego kreślene jakośc poznana rzeczywstośc Δ zmerzone rzeczywste 17 9 Zalety stosowana elektrycznych przyrządów 1/ 1. możlwość budowy czujnków zamenających werne każdą welkość
Bardziej szczegółowoZa: Stanisław Latoś, Niwelacja trygonometryczna, [w:] Ćwiczenia z geodezji II [red.] J. Beluch
Za: Stansław Latoś, Nwelacja trygonometryczna, [w:] Ćwczena z geodezj II [red.] J. eluch 6.1. Ogólne zasady nwelacj trygonometrycznej. Wprowadzene Nwelacja trygonometryczna, zwana równeż trygonometrycznym
Bardziej szczegółowoSTATECZNOŚĆ SKARP. α - kąt nachylenia skarpy [ o ], φ - kąt tarcia wewnętrznego gruntu [ o ],
STATECZNOŚĆ SKARP W przypadku obektu wykonanego z gruntów nespostych zaprojektowane bezpecznego nachylena skarp sprowadza sę do przekształcena wzoru na współczynnk statecznośc do postac: tgφ tgα = n gdze:
Bardziej szczegółowoBadania sondażowe. Braki danych Konstrukcja wag. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa
Badana sondażowe Brak danych Konstrukcja wag Agneszka Zęba Zakład Badań Marketngowych Instytut Statystyk Demograf Szkoła Główna Handlowa 1 Błędy braku odpowedz Całkowty brak odpowedz (UNIT nonresponse)
Bardziej szczegółowoAnaliza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa. PARA ZMIENNYCH LOSOWYCH
Analza danych Analza danych welowymarowych. Regresja lnowa. Dyskrymnacja lnowa. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ PARA ZMIENNYCH LOSOWYCH Parę zmennych losowych X, Y możemy
Bardziej szczegółowoMikroekonometria 15. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 15 Mkołaj Czajkowsk Wktor Budzńsk Mkroekonometra podsumowane kursu Zagadnena ogólne NLOGIT Metoda maksymalzacj funkcj ML Testy statystyczne Metody numeryczne, symulacje Metody wyceny nerynkowej
Bardziej szczegółowoModel ASAD. ceny i płace mogą ulegać zmianom (w odróżnieniu od poprzednio omawianych modeli)
Model odstawowe założena modelu: ceny płace mogą ulegać zmanom (w odróżnenu od poprzedno omawanych model) punktem odnesena analzy jest obserwacja pozomu produkcj cen (a ne stopy procentowej jak w modelu
Bardziej szczegółowoWykłady Jacka Osiewalskiego. z Ekonometrii. CZĘŚĆ PIERWSZA: Modele Regresji. zebrane ku pouczeniu i przestrodze
Wykłady Jacka Osewalskego z Ekonometr zebrane ku pouczenu przestrodze UWAGA!! (lstopad 003) to jest wersja neautoryzowana, spsana przeze mne dawno temu od tego czasu ne przejrzana; ma status wersj roboczej,
Bardziej szczegółowoFunkcje i charakterystyki zmiennych losowych
Funkcje charakterystyk zmennych losowych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Funkcje zmennych losowych
Bardziej szczegółowoAnaliza regresji modele ekonometryczne
Analza regresj modele ekonometryczne Klasyczny model regresj lnowej - przypadek jednej zmennej objaśnającej. Rozpatrzmy klasyczne zagadnene zależnośc pomędzy konsumpcją a dochodam. Uważa sę, że: - zależność
Bardziej szczegółowoELEKTROCHEMIA. ( i = i ) Wykład II b. Nadnapięcie Równanie Buttlera-Volmera Równania Tafela. Wykład II. Równowaga dynamiczna i prąd wymiany
Wykład II ELEKTROCHEMIA Wykład II b Nadnapęce Równane Buttlera-Volmera Równana Tafela Równowaga dynamczna prąd wymany Jeśl układ jest rozwarty przez elektrolzer ne płyne prąd, to ne oznacza wcale, że na
Bardziej szczegółowoBadanie optymalnego poziomu kapitału i zatrudnienia w polskich przedsiębiorstwach - ocena i klasyfikacja
Jacek Batóg Unwersytet Szczecńsk Badane optymalnego pozomu kaptału zatrudnena w polskch przedsęborstwach - ocena klasyfkacja Prowadząc dzałalność gospodarczą przedsęborstwa kerują sę jedną z dwóch zasad
Bardziej szczegółowoOligopol dynamiczny. Rozpatrzmy model sekwencyjnej konkurencji ilościowej jako gra jednokrotna z pełną i doskonalej informacją
Olgopol dynamczny Rozpatrzmy model sekwencyjnej konkurencj loścowej jako gra jednokrotna z pełną doskonalej nformacją (1934) Dwa okresy: t=0, 1 tzn. frma 2 podejmując decyzję zna decyzję frmy 1 Q=q 1 +q
Bardziej szczegółowoKlasyfkator lnowy Wstęp Klasyfkator lnowy jest najprostszym możlwym klasyfkatorem. Zakłada on lnową separację lnowy podzał dwóch klas mędzy sobą. Przedstawa to ponższy rysunek: 5 4 3 1 0-1 - -3-4 -5-5
Bardziej szczegółowoMikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 10 Mkołaj Czajkowsk Wktor Budzńsk Wybór uporządkowany Wybór uporządkowany (ang. ordered choce) Wybór jednej z welkośc na podanej skal Skala wartośc są uporządkowane Przykłady: Oceny konsumencke
Bardziej szczegółowoRegulacje i sądownictwo przeszkody w konkurencji między firmami w Europie Środkowej i Wschodniej
Łukasz Goczek * Regulacje sądownctwo przeszkody w konkurencj mędzy frmam w Europe Środkowej Wschodnej Wstęp Celem artykułu jest analza przeszkód dla konkurencj pomędzy frmam w Europe Środkowej Wschodnej.
Bardziej szczegółowoMODELE 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 szczegółowoMakroekonomia Gospodarki Otwartej Wykład 8 Polityka makroekonomiczna w gospodarce otwartej. Model Mundella-Fleminga
Makroekonoma Gospodark Otwartej Wykład 8 Poltyka makroekonomczna w gospodarce otwartej. Model Mundella-Flemnga Leszek Wncencak Wydzał Nauk Ekonomcznych UW 2/29 Plan wykładu: Założena analzy Zaps modelu
Bardziej szczegółowoNAFTA-GAZ marzec 2011 ROK LXVII. Wprowadzenie. Tadeusz Kwilosz
NAFTA-GAZ marzec 2011 ROK LXVII Tadeusz Kwlosz Instytut Nafty Gazu, Oddzał Krosno Zastosowane metody statystycznej do oszacowana zapasu strategcznego PMG, z uwzględnenem nepewnośc wyznaczena parametrów
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 1 Statystyka opsowa ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 W statystyce opsowej mamy pełne nformacje
Bardziej szczegółowoOeconomiA copernicana 2013 Nr 3. Modele ekonometryczne w opisie wartości rezydualnej inwestycji
OeconomA coperncana 2013 Nr 3 ISSN 2083-1277, (Onlne) ISSN 2353-1827 http://www.oeconoma.coperncana.umk.pl/ Klber P., Stefańsk A. (2003), Modele ekonometryczne w opse wartośc rezydualnej nwestycj, Oeconoma
Bardziej szczegółowo