specyfikacji i estymacji modelu regresji progowej (ang. threshold regression).

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "specyfikacji i estymacji modelu regresji progowej (ang. threshold regression)."

Transkrypt

1 4. Modele regresji progowej W badaniach empirycznych coraz większym zaineresowaniem cieszą się akie modele szeregów czasowych, kóre pozwalają na objaśnianie nieliniowych zależności między poszczególnymi zmiennymi. Zaineresowanie o wynika ze złożoności rzeczywisych zjawisk gospodarczych, kóre czasami nie dają objaśnić się w sposób liniowy. Zdarzają się syuacje, kiedy gospodarka wypada ze sanu równowagi, rynki finansowe z okresu prosperiy przechodzą w okres recesji, albo ceny akywów wykazują zwiększoną zmienność. W akich syuacjach relacje między niekórymi zmiennymi ekonomicznymi mogą sawać się silniejsze albo słabsze niż zwykle. Pewne mechanizmy mogą wedy oddziaływać na zmienne w sposób asymeryczny, o znaczy w sposób zależny od sanu w jakim znajduje się cały sysem. Jedną z grup modeli, kóra w szczególny sposób nadaje się do opisywania gospodarki w różnych jej sanach, są modele wieloreżimowe (ang. muli-regime models). Modele przełącznikowe (ang. swiching models), progowe (ang. hreshold models), modele łagodnego przejścia (ang. smooh ransiion models) i inne należące do ej grupy objaśniają zachowanie poszczególnych zmiennych ekonomicznych w skończonej liczbie reżimów (ong 99, Granger, eräsvira 993, Hamilon 989, eräsvira 994). W ym punkcie przedsawiono opracowaną przez Hansena (996, ) meodę specyfikacji i esymacji modelu regresji progowej (ang. hreshold regression). Zaprezenowano eż echnikę weryfikacji hipoezy, że prawdziwy model jes liniowy przeciw hipoezie, że model jes regresją progową. 4.. Oceny paramerów modelu W ogólnym przypadku model progowy opisujący zmienną y z jedną egzogeniczną

2 zmienną progową z i zmiennymi objaśniającymi x, x,, x k jes nieliniowym modelem ekonomerycznym posaci: y α ( + ε (4.) R k = r, + αr, ixi, I γ r < z γ r ) r = i= ε ~ iid(, σ ), gdzie γ, γ,, γ R- są usalonymi warościami progowymi dla zmiennej z, spełniającymi warunek: γ < γ <... < γ R. (4.) Funkcja I(q) idenyfikuje warość logiczną zdania q:, gdy zdanie q jes prawdziwe I ( q) =. (4.3), gdy zdanie q jes fałszywe W modelu (4.) wysępują paramery srukuralne α r,, α r,,, α r,k, gdzie r =,,..., R. Przy usalonym reżimie r model przyjmuje posać regresji liniowej: y α α α + ε = r, + r,x, r, k xk,, (4.4) gdzie {,,..., N} oraz z spełnia nierówność γ r < z γ r. Dla dwóch reżimów równanie (4.) można zapisać nasępująco: y = α + α x + + α x I z γ + β + β x + + β x I z > γ + ε (,... k k, ) ( ) (,... k k, ) ( ) (4.5) czyli w zapisie macierzowym: y = x ( γ ) b + ε, (4.6) gdzie x (γ) jes wierszowym wekorem obserwacji zmiennych objaśniających posaci: x γ ) = [ I( z γ ) x I ( z γ ) x ]. (4.7) ( x oznacza wekor [ x, x, x P, ] a b jes wekorem paramerów srukuralnych: α α α β β... β b = [... k k ]. (4.8) W dalszym ekście sosuje się akże oznaczenia α = [ α α... ] i β = [ β β... ], czyli: α k β k

3 [ α β ] b =. (4.9) W modelu progowym z dwoma reżimami (4.5) wysępuje ylko jeden paramer progowy γ. Jeżeli warość ego parameru jes znana, a warości paramerów srukuralnych b modelu (4.5) nie są znane, o można je oszacować klasyczną meodą najmniejszych kwadraów według wzoru: bˆ - = [( X( γ ) X( γ )] X( γ ) y. (4.) Macierz X γ ) = [ x ( γ ) x ( γ )... x ( γ ) ] zawiera kolejne (w czasie) obserwacje wekora x (γ), ( N naomias y y y... y ] oznacza wekor obserwacji zmiennej objaśnianej. = [ N Kiedy warość progowa γ, dla kórej szacowane są warości paramerów modelu (4.5), nie jes znana a priori, zakłada się, że ocena ego parameru powinna minimalizować warość wariancji resz modelu progowego: N e ( γ ) = ˆ σ ( γ ) = N min. (4.) e (γ) oznacza uaj kwadra reszy modelu w momencie. Ponieważ przy esymacji paramerów modelu wykorzysywane jes co najwyżej N różnych obserwacji zmiennej progowej z (część obserwacji może mieć ę samą warość), o bez ograniczania ogólności rozważań można przyjąć, że ocena parameru progowego gdzie Γ = { z z..., },, z N γˆ Γ,. Najprosszym sposobem znalezienia oceny warości γ, kóra minimalizuje wariancję resz, jes oszacowanie paramerów b modelu dla warości γˆ przyjmujących kolejno każdą warość ze zbioru Г. Nasępnie należy wybrać aki szacunek γˆ i odpowiadające mu oszacowanie bˆ, dla kórych wariancja (4.) jes najmniejsza. akie oszacowania paramerów w modelu (4.5) ze zmiennymi sacjonarnymi są zgodne (Hansen 997). Analizę niesacjonarnych szeregów czasowych z efekem progowym przedsawiono między innymi w pracach Canera i Hansena () i Hansena i Seo (). 3

4 Zwykle isnieje porzeba oceny dokładności oszacowań wekora paramerów b i γ. W ym celu można wyznaczyć odpowiednie przedziały ufności według meody przedsawionej w pracy Hansena (997). Wykorzysano nasępującą saysykę ilorazu wiarygodności LR: σ ( γ ) ˆ σ ( γ ) LR ( γ ) = N, (4.) ˆ σ ( γ ) gdzie ˆ σ ( γ ) oznacza oszacowanie wariancji składnika losowego w modelu progowym (4.5), paramer progowy γ oszacowany jes zgodnie ze wzorem (4.), a σ γ ) oznacza oszacowanie wariancji dla modelu progowego, w kórym wyznaczono γ = γ. Waro zauważyć, że saysyka ilorazu wiarygodności LR (analogiczna do saysyki F opisanej w nasępnym punkcie) może służyć do esowania hipoezy zerowej, że γ = γ. Niech zmienna losowa ξ ma dysrybuanę zadaną wzorem: x / ( e ) gdy x > P( ξ x) =. (4.3) gdy x Hansen udowodnił, że rozkład saysyki LR(γ ) danej wzorem (4.) asympoycznie dąży do rozkładu zmiennej losowej ξ. Zaem można wyznaczyć aką warość kryyczną c(ω) dla zmiennej ξ, że zbiór: Γ( ω) = { γ R : LR( γ ) c( ω)} (4.4) jes asympoycznym przedziałem ufności dla parameru γ przy poziomie isoności równym ω. Może się zdarzyć, że dla danego poziomu isoności zbiór Г(ω) nie sanowi pojedynczego przedziału ylko jes sumą kilku rozłącznych przedziałów przedzielonych akimi obszarami, w kórych LR(γ)>c(ω). Rozwiązaniem problemu jes budowa konserwaywnego przedziału ufności dla parameru γ: ( Γ kons ( ω ) = γ, γ, (4.5) 4

5 gdzie: γ = minγ( ω), γ = maxγ( ω). (4.6) γ γ Możliwe jes akże odpowiednie zmodyfikowanie saysyki LR, ak by była ona bardziej odporna na heeroskedasyczność składnika losowego. Dość skomplikowany opis ej modyfikacji zosał przedsawiony w pracy Hansena (997). Rozkłady szacunków paramerów w wekorze b są sandardowe (asympoycznie normalne), kiedy warość parameru γ jes znana a priori. Jeśli a warość nie jes znana i rzeba ją oszacować, o w dalszym ciągu rozkłady szacunków paramerów wekora b są normalne. Przy założeniu, że efek progowy jes isony, można wykorzysać sandardowe esy, F, LM (mnożnika Lagrange a, ang. Lagrange Muliplier es), LR (ilorazu wiarygodności, ang. Likelihood Raio es) do esowania warunków nakładanych na paramery w wekorze b. Możliwe jes akże zbudowanie konserwaywnych przedziałów dla oszacowań paramerów w wekorze b w podobny sposób do budowy konserwaywnego przedziału isoności dla szacunku parameru γ (por. (4.5)). Dla różnych warości γ wybranych z pewnego przedziału Г(ω * ), skonsruowanego zgodnie ze wzorem (4.5), budowane są wedy przedziały ufności z poziomem isoności ω dla poszczególnych paramerów b. Nasępnie wybierane są z ych przedziałów najmniejsze i największe elemeny dla każdego parameru w wekorze b w celu wyznaczenia największych przedziałów ufności poszczególnych paramerów. Wyrażenie ω *, w odróżnieniu do ω, nie oznacza poziomu isoności lecz sanowi dodakowy paramer, wpływający na poziom konserwayzmu przedziału ufności przy wybranym poziomie isoności ω (Hansen 997). Według obliczeń Hansena opymalna warość ω * wynosi, esowanie liczby reżimów w modelu 5

6 W lieraurze ekonomicznej preferowane są modele, kóre opisują rzeczywisość w sposób wysarczająco dokładny a jednocześnie prosy. Jeżeli ekonomeryczny model liniowy objaśnia zachowanie pewnej zmiennej równie dobrze jak model nieliniowy, o do dalszej analizy zwykle wybierany jes model liniowy z uwagi na swą prosoę i ławość inerpreacji wyników. Dlaego w procesie weryfikacji modelu progowego ważne jes sprawdzenie, czy model en dokładniej opisuje zachowanie zmiennej objaśnianej niż sandardowy model liniowy: y = + αx, + + αk xk, α... + ε, (4.) o znaczy model pozbawiony efeku progowego. Weryfikacja isnienia efeku progowego polega na sprawdzeniu, czy model progowy (4.5) isonie różni się od modelu liniowego (4.), o znaczy czy warości paramerów modelu progowego różnią się między reżimami. Hansen (997) przedsawił meodę weryfikacji isoności modelu progowego zarówno w syuacji, gdy warość parameru progowego jes znana jak i kiedy nie jes znana. Mimo, że prezenowana procedura służy do esowania isoności dwóch reżimów w modelu progowym, o w analogiczny sposób może być esowana większa liczba reżimów (np. Gonzalo, Piarakis ). W celu weryfikacji hipoezy o wysępowaniu efeku progowego sprawdzane jes prawdopodobieńswo, że w modelu (4.5) zachodzi warunek α=β, oznaczający, że paramery modelu nie różnią się isonie między reżimami. esowana jes hipoeza zerowa H : α = β (4.3) wobec hipoezy alernaywnej H : α β. (4.4) 6

7 Jeśli znana jes a priori warość parameru progowego γ=γ, o można w celu weryfikacji hipoezy zerowej posłużyć się klasycznymi esami saysycznymi: F, LM, czy LR. Saysyki F, LM i LR mają wedy asympoyczne rozkłady χ. Na przykład warość saysyki F obliczana jes według wzoru: [ ~ F γ ) = N σ ˆ σ ( γ )] ˆ σ ( ), (4.5) ( γ gdzie ˆ σ ( γ ) dane jes wzorem (4.), ~σ sanowi oszacowanie wariancji składnika losowego modelu liniowego (4.): ~ N σ = ( y ~ α + ~ α x ~ α x ), (4.6) N =, k k, a ~ α ~ α,..., ~, αk są oszacowaniami paramerów α, α,..., αk modelu (4.), orzymanymi przy pomocy meody najmniejszych kwadraów. Jeśli nie jes znana warość parameru γ, o rzeba ją oszacować meodą przedsawioną w podpunkcie 4.. ego rozdziału. Paramer γ jes jednak wedy nieidenyfikowalny przy założeniu hipoezy zerowej. Oznacza o, że nie można określić warości parameru γ (może być ona dowolna), gdy paramery modelu regresji są idenyczne w obu reżimach. Przy założeniu hipoezy zerowej saysyki F, LM i LR nie dążą w ym przypadku asympoycznie do sandardowych rozkładów (np. Davies 977, 987, Andrews 993, Andrews i Ploberger 994). Zgodnie z meodą Hansena (997) można jednak wykorzysać saysykę analogiczną do ej zadanej wzorem (4.5) oraz odpowiednio obliczone warości kryyczne do zweryfikowania hipoezy H względem H. Niech zbiór Г * sanowi podzbiór zbioru Г, z kórego usunięo m elemenów (na przykład 5%) o największych warościach i m elemenów o najmniejszych warościach (Andrews 993, Hansen 996). W modelu (4.5) z odpowiednio dobraną warością parameru Andrews (993) i Hansen (996) sugerują odrzucenie % do 3% skrajnych obserwacji ze zbioru Г w celu zwiększenia mocy esów analogicznych do przedsawionego. 7

8 γ, ak by wariancja składnika losowego ˆ σ ( γ ) była najmniejsza, warość saysyki F(γ) jes największa. Do dalszej analizy wykorzysywana jes zaem nasępująca saysyka: F sup = sup F( γ ), (4.7) γ Γ* gdzie wyrażenie F(γ) dane jes wzorem (4.5). Saysyka F sup nie ma asympoycznego sandardowego rozkładu (na przykład χ ), dlaego do obliczenia warości kryycznych z rozkładu empirycznego ej saysyki wykorzysywana jes nasępująca procedura boosrap (Hansen 996, 997, Horowiz ): ) Losowane jes N niezależnych liczb u z rozkładu N(,) oraz zdefiniowany zosaje wekor obserwacji zmiennej objaśnianej y u u...u ] złożony z ych liczb. * = [ N ) Szacowane są paramery b i γ modelu (4.5) za pomocą wzoru (4.) oraz wzoru (4.), w kórym wekor y zamieniono na y *, czyli: bˆ [ γ γ ] γ - * = ( X( ) X( ) X( ) y. 3) Ocena wariancji składnika losowego ˆ σ * ( γ ) w ym oszacowanym modelu obliczana jes na podsawie wzoru (4.). Służy ona do obliczenia saysyki ~ * * * σ σˆ ( γ ) F sup = N, (4.8) * ˆ σ ( γ ) gdzie wariancja * ~σ obliczana jes według wzoru (4.6). * F sup : 4) Wielokronie (na przykład razy) powarzane są kroki do 3, ak by można było orzymać empiryczny rozkład saysyki * F sup przy założeniu prawdziwości hipoezy zerowej. Rozkład empiryczny sanowi przybliżenie asympoycznego rozkładu saysyki F sup. 5) W zbiorze policzonych saysyk * F sup sprawdzany jes udział ych warości * F sup, kóre są większe od policzonej saysyki F sup. W en sposób obliczony zosaje poziom isoności saysyki F sup. Jeśli w zbiorze policzonych saysyk * F sup mniej 8

9 niż 5% przekracza warość F sup, o na poziomie isoności,5 są podsawy do odrzucenia hipoezy zerowej H na korzyść hipoezy alernaywnej H. Można wedy wnioskować, że model progowy jes właściwym modelem do opisu zmiennej y. W podobny sposób do przedsawionego powyżej może być esowana hipoeza zerowa za pomocą esów mnożnika Lagrange a i ilorazu wiarygodności. Wedy eż należy wykorzysać empiryczne rozkłady ych saysyk, obliczone za pomocą meody boosrap (np. Hansen 996). W syuacji, gdy model ekonomeryczny opisuje zależności między zmiennymi z rynków finansowych częso nie spełnione pozosaje założenie o sałej wariancji składnika losowego (wysępuje heeroskedasyczność składnika losowego). Zmiany wariancji inerpreowane mogą być wedy jako miara napływu nowych informacji na rynki finansowe i objaśniane są zwykle za pomocą modeli klasy ARCH, modeli zmienności sochasycznej (ang. sochasic volailiy models) i innych. Do esowania efeku progowego w modelach regresji, w kórych wariancja składnika losowego prawdopodobnie nie jes sała, zamias saysyki F można sosować nasępującą saysykę Walda: [ R( M( γ ) V( γ ) M( γ ) ) R ] ( Rbˆ ) W ( γ ) = ( Rbˆ), (4.9) gdzie ( γ ) = X( γ ) M X( γ ), V( γ ) X( γ ) Σ( γ ) X( γ ) = i R = [ I I] k k. Macierz I o macierz jednoskowa, a macierz Σ(γ) o kwadraowa macierz, w kórej na głównej przekąnej znajdują się kolejne kwadray resz e (γ) oszacowanego modelu progowego, a pozosałe elemeny macierzy równe są. Warość saysyki W(γ) podobnie jak saysyki F(γ) zależy od warości γ. Gdy warość parameru γ szacowana jes razem z innymi paramerami modelu, o do badania efeku progowego wykorzysywana jes nasępująca saysyka, analogiczna do F sup : 9

10 W sup = supw ( γ ). (4.) γ Γ* Do wyznaczenia warości kryycznych (lub granicznych poziomów isoności) dla saysyki W sup służy procedura boosrap, podobna do ej przedsawionej powyżej. Różnica polega na zasąpieniu warości u przez warości iloczynów oznaczają uaj kolejne reszy oszacowanego modelu. u e (=,..., N) w wekorze y*. Warości e

EKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.

EKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar. EKONOMERIA wykład Prof. dr hab. Eugeniusz Ganar eganar@mail.wz.uw.edu.pl Przedziały ufności Dla paramerów srukuralnych modelu: P bˆ j S( bˆ z prawdopodobieńswem parameru b bˆ S( bˆ, ( m j j j, ( m j b

Bardziej szczegółowo

WNIOSKOWANIE STATYSTYCZNE

WNIOSKOWANIE STATYSTYCZNE Wnioskowanie saysyczne w ekonomerycznej analizie procesu produkcyjnego / WNIOSKOWANIE STATYSTYCZNE W EKONOMETRYCZNEJ ANAIZIE PROCESU PRODUKCYJNEGO Maeriał pomocniczy: proszę przejrzeć srony www.cyf-kr.edu.pl/~eomazur/zadl4.hml

Bardziej szczegółowo

licencjat Pytania teoretyczne:

licencjat Pytania teoretyczne: Plan wykładu: 1. Wiadomości ogólne. 2. Model ekonomeryczny i jego elemeny 3. Meody doboru zmiennych do modelu ekonomerycznego. 4. Szacownie paramerów srukuralnych MNK. Weryfikacja modelu KMNK 6. Prognozowanie

Bardziej szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE MODELE EKONOMETRYCZNE DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika

Bardziej szczegółowo

Pobieranie próby. Rozkład χ 2

Pobieranie próby. Rozkład χ 2 Graficzne przedsawianie próby Hisogram Esymaory przykład Próby z rozkładów cząskowych Próby ze skończonej populacji Próby z rozkładu normalnego Rozkład χ Pobieranie próby. Rozkład χ Posać i własności Znaczenie

Bardziej szczegółowo

TESTOWANIE EGZOGENICZNOŚCI ZMIENNYCH W MODELACH EKONOMETRYCZNYCH

TESTOWANIE EGZOGENICZNOŚCI ZMIENNYCH W MODELACH EKONOMETRYCZNYCH STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Mariusz Doszyń TESTOWANIE EGZOGENICZNOŚCI ZMIENNYCH W MODELACH EKONOMETRYCZNYCH Od pewnego czasu w lieraurze ekonomerycznej pojawiają się

Bardziej szczegółowo

DYNAMIKA KONSTRUKCJI

DYNAMIKA KONSTRUKCJI 10. DYNAMIKA KONSTRUKCJI 1 10. 10. DYNAMIKA KONSTRUKCJI 10.1. Wprowadzenie Ogólne równanie dynamiki zapisujemy w posaci: M d C d Kd =P (10.1) Zapis powyższy oznacza, że równanie musi być spełnione w każdej

Bardziej szczegółowo

Ekonometryczne modele nieliniowe

Ekonometryczne modele nieliniowe Ekonomeryczne modele nelnowe Wykład 5 Progowe modele regrej Leraura Hanen B. E. 997 Inference n TAR Model, Sude n Nonlnear Dynamc and Economerc,. Tek na rone nerneowej wykładu Dodakowa leraura Hanen B.

Bardziej szczegółowo

Niestacjonarne zmienne czasowe własności i testowanie

Niestacjonarne zmienne czasowe własności i testowanie Maeriał dla sudenów Niesacjonarne zmienne czasowe własności i esowanie (sudium przypadku) Nazwa przedmiou: ekonomeria finansowa I (22204), analiza szeregów czasowych i prognozowanie (13201); Kierunek sudiów:

Bardziej szczegółowo

Modelowanie i analiza szeregów czasowych

Modelowanie i analiza szeregów czasowych Modelowanie i analiza szeregów czasowych Małgorzaa Doman Plan zajęć Część. Modelowanie szeregów jednowymiarowych.. Szeregi jednowymiarowe własności i diagnozowanie. Modele auoregresji i średniej ruchomej

Bardziej szczegółowo

Jacek Kwiatkowski Magdalena Osińska. Procesy zawierające stochastyczne pierwiastki jednostkowe identyfikacja i zastosowanie.

Jacek Kwiatkowski Magdalena Osińska. Procesy zawierające stochastyczne pierwiastki jednostkowe identyfikacja i zastosowanie. DYNAMICZNE MODELE EKONOMETRYCZNE Jacek Kwiakowski Magdalena Osińska Uniwersye Mikołaja Kopernika Procesy zawierające sochasyczne pierwiaski jednoskowe idenyfikacja i zasosowanie.. Wsęp Większość lieraury

Bardziej szczegółowo

E k o n o m e t r i a S t r o n a 1. Nieliniowy model ekonometryczny

E k o n o m e t r i a S t r o n a 1. Nieliniowy model ekonometryczny E k o n o m e r i a S r o n a Nieliniowy model ekonomeryczny Jednorównaniowy model ekonomeryczny ma posać = f( X, X,, X k, ε ) gdzie: zmienna objaśniana, X, X,, X k zmienne objaśniające, ε - składnik losowy,

Bardziej szczegółowo

WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA NA PRZYKŁADZIE VALUE AT RISK

WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA NA PRZYKŁADZIE VALUE AT RISK Przemysław Jeziorski Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Zakład Demografii i Saysyki Ekonomicznej przemyslaw.jeziorski@ue.kaowice.pl WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA

Bardziej szczegółowo

Politechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych

Politechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych Poliechnika Częsochowska Wydział Inżynierii Mechanicznej i Informayki Sprawozdanie #2 z przedmiou: Prognozowanie w sysemach mulimedialnych Andrzej Siwczyński Andrzej Rezler Informayka Rok V, Grupa IO II

Bardziej szczegółowo

ψ przedstawia zależność

ψ przedstawia zależność Ruch falowy 4-4 Ruch falowy Ruch falowy polega na rozchodzeniu się zaburzenia (odkszałcenia) w ośrodku sprężysym Wielkość zaburzenia jes, podobnie jak w przypadku drgań, funkcją czasu () Zaburzenie rozchodzi

Bardziej szczegółowo

Metody prognozowania: Szeregi czasowe. Dr inż. Sebastian Skoczypiec. ver Co to jest szereg czasowy?

Metody prognozowania: Szeregi czasowe. Dr inż. Sebastian Skoczypiec. ver Co to jest szereg czasowy? Meody prognozowania: Szeregi czasowe Dr inż. Sebasian Skoczypiec ver. 11.20.2009 Co o jes szereg czasowy? Szereg czasowy: uporządkowany zbiór warości badanej cechy lub warości określonego zjawiska, zaobserwowanych

Bardziej szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE MODELE EKONOMETRYCZNE DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika

Bardziej szczegółowo

Analiza szeregów czasowych w Gretlu (zajęcia 8)

Analiza szeregów czasowych w Gretlu (zajęcia 8) Analiza szeregów czasowych w Grelu (zajęcia 8) Grel jes dość dobrym narzędziem do analizy szeregów czasowych. Już w samej podsawie Grela znajdziemy sporo zaimplemenowanych echnik służących do obróbki danych

Bardziej szczegółowo

Parytet stóp procentowych a premia za ryzyko na przykładzie kursu EURUSD

Parytet stóp procentowych a premia za ryzyko na przykładzie kursu EURUSD Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Marcin Gajewski Uniwersye Łódzki 4.12.2008 Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Niezabazpieczony UIP)

Bardziej szczegółowo

ANALIZA POWIĄZAŃ MIĘDZY INDEKSAMI GIEŁDY FRANCUSKIEJ, HOLENDERSKIEJ I BELGIJSKIEJ Z WYKORZYSTANIEM MODELU KOREKTY BŁĘDEM

ANALIZA POWIĄZAŃ MIĘDZY INDEKSAMI GIEŁDY FRANCUSKIEJ, HOLENDERSKIEJ I BELGIJSKIEJ Z WYKORZYSTANIEM MODELU KOREKTY BŁĘDEM Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 083-86 Nr 89 06 Uniwersye Ekonomiczny w Kaowicach Wydział Ekonomii Kaedra Meod Saysyczno-Maemaycznych w Ekonomii pawel.prenzena@edu.ueka.pl

Bardziej szczegółowo

Porównanie jakości nieliniowych modeli ekonometrycznych na podstawie testów trafności prognoz

Porównanie jakości nieliniowych modeli ekonometrycznych na podstawie testów trafności prognoz 233 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Porównanie jakości nieliniowych modeli ekonomerycznych na podsawie esów rafności prognoz Sreszczenie.

Bardziej szczegółowo

Natalia Iwaszczuk, Piotr Drygaś, Piotr Pusz, Radosław Pusz PROGNOZOWANIE GOSPODARCZE

Natalia Iwaszczuk, Piotr Drygaś, Piotr Pusz, Radosław Pusz PROGNOZOWANIE GOSPODARCZE Naalia Iwaszczuk, Pior Drygaś, Pior Pusz, Radosław Pusz PROGNOZOWANIE GOSPODARCZE Wyd-wo, Rzeszów 03 dr hab., prof. nadzw. Naalia Iwaszczuk, AGH Akademia Górniczo-Hunicza im. Sanisława Saszica w Krakowie

Bardziej szczegółowo

MODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH

MODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Wsęp MODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH Nowoczesne echniki zarządzania ryzykiem rynkowym

Bardziej szczegółowo

Metody badania wpływu zmian kursu walutowego na wskaźnik inflacji

Metody badania wpływu zmian kursu walutowego na wskaźnik inflacji Agnieszka Przybylska-Mazur * Meody badania wpływu zmian kursu waluowego na wskaźnik inflacji Wsęp Do oceny łącznego efeku przenoszenia zmian czynników zewnęrznych, akich jak zmiany cen zewnęrznych (szoki

Bardziej szczegółowo

STATYSTYCZNA WERYFIKACJA MODELU CAPM NA PRZYKŁADZIE POLSKIEGO RYNKU KAPITAŁOWEGO WPROWADZENIE METODOLOGIA TESTOWANIA MODELU

STATYSTYCZNA WERYFIKACJA MODELU CAPM NA PRZYKŁADZIE POLSKIEGO RYNKU KAPITAŁOWEGO WPROWADZENIE METODOLOGIA TESTOWANIA MODELU GraŜyna Trzpio, Dominik KręŜołek Kaedra Saysyki Akademii Ekonomicznej w Kaowicach e-mail rzpio@sulu.ae.kaowice.pl, dominik_arkano@wp.pl STATYSTYCZNA WERYFIKACJA MODELU CAPM NA PRZYKŁADZIE POLSKIEGO RYNKU

Bardziej szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE MODELE EKONOMETRYCZNE DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Kaarzyna Kuziak Akademia Ekonomiczna

Bardziej szczegółowo

MODELOWANIE WŁASNOŚCI SZEREGÓW STÓP ZWROTU SKOŚNOŚĆ ROZKŁADÓW

MODELOWANIE WŁASNOŚCI SZEREGÓW STÓP ZWROTU SKOŚNOŚĆ ROZKŁADÓW Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu MODELOWANIE WŁASNOŚCI SZEREGÓW STÓP ZWROTU SKOŚNOŚĆ ROZKŁADÓW Wprowadzenie Współczesne zarządzanie ryzykiem

Bardziej szczegółowo

WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH

WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH SaSof Polska, el. 12 428 43 00, 601 41 41 51, info@sasof.pl, www.sasof.pl WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH Joanna Maych, Krajowy Depozy Papierów

Bardziej szczegółowo

Statystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego

Statystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego Część VII. Analiza szeregu czasowego 1 DEFINICJA SZEREGU CZASOWEGO Szeregiem czasowym nazywamy zbiór warości cechy w uporządkowanych chronologicznie różnych momenach (okresach) czasu. Oznaczając przez

Bardziej szczegółowo

Macierz X ma wymiary: 27 wierszy (liczba obserwacji) x 6 kolumn (kolumna jednostkowa i 5 kolumn ze zmiennymi objaśniającymi) X

Macierz X ma wymiary: 27 wierszy (liczba obserwacji) x 6 kolumn (kolumna jednostkowa i 5 kolumn ze zmiennymi objaśniającymi) X ROZWIĄZANIA ZADAO Zadanie EKONOMETRIA_dw_.xls Na podsawie danych zamieszczonych w arkuszu Zadanie. Podad posad analiyczną modelu ekonomerycznego wielkości produkcji w przemyśle od PO - liczby pracujących

Bardziej szczegółowo

Silniki cieplne i rekurencje

Silniki cieplne i rekurencje 6 FOTO 33, Lao 6 Silniki cieplne i rekurencje Jakub Mielczarek Insyu Fizyki UJ Chciałbym Pańswu zaprezenować zagadnienie, kóre pozwala, rozważając emaykę sprawności układu silników cieplnych, zapoznać

Bardziej szczegółowo

PROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1

PROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1 PROGNOZOWANIE I SYMULACJE mgr Żanea Pruska Ćwiczenia 2 Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X, wyrażona w ysiącach wyprodukowanych i dosarczonych szuk firmie Bea,

Bardziej szczegółowo

Kombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz

Kombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz Noaki do wykładu 005 Kombinowanie prognoz - dlaczego należy kombinować prognozy? - obejmowanie prognoz - podsawowe meody kombinowania prognoz - przykłady kombinowania prognoz gospodarki polskiej - zalecenia

Bardziej szczegółowo

Wykład 6. Badanie dynamiki zjawisk

Wykład 6. Badanie dynamiki zjawisk Wykład 6 Badanie dynamiki zjawisk Krzywa wieża w Pizie 1 2 3 4 5 6 7 8 9 10 11 12 13 y 4,9642 4,9644 4,9656 4,9667 4,9673 4,9688 4,9696 4,9698 4,9713 4,9717 4,9725 4,9742 4,9757 Szeregiem czasowym nazywamy

Bardziej szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE MODELE EKONOMETRYCZNE DYNAMICZNE MODEE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Joanna Małgorzaa andmesser Szkoła Główna

Bardziej szczegółowo

Modelowanie ryzyka kredytowego MODELOWANIE ZA POMOCA HAZARDU

Modelowanie ryzyka kredytowego MODELOWANIE ZA POMOCA HAZARDU Modelowanie ryzyka kredyowego MODELOWANIE ZA POMOCA PROCESU HAZARDU Mariusz Niewęgłowski Wydział Maemayki i Nauk Informacyjnych, Poliechniki Warszawskiej Warszawa 2014 hazardu Warszawa 2014 1 / 18 Proces

Bardziej szczegółowo

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki Poliechnika Gdańska Wydział Elekroechniki i Auomayki Kaedra Inżynierii Sysemów Serowania Podsawy Auomayki Repeyorium z Podsaw auomayki Zadania do ćwiczeń ermin T15 Opracowanie: Kazimierz Duzinkiewicz,

Bardziej szczegółowo

MODELOWANIE I PROGNOZOWANIE EKONOMETRYCZNE W LOGISTYCE PRZEDSIĘBIORSTWA MODELING AND ECONOMETRIC PREDICTION IN LOGISTICS COMPANY

MODELOWANIE I PROGNOZOWANIE EKONOMETRYCZNE W LOGISTYCE PRZEDSIĘBIORSTWA MODELING AND ECONOMETRIC PREDICTION IN LOGISTICS COMPANY Sysemy Logisyczne Wojsk nr 44/06 MODELOWANIE I PROGNOZOWANIE EKONOMETRYCZNE W LOGISTYCE PRZEDSIĘBIORSTWA MODELING AND ECONOMETRIC PREDICTION IN LOGISTICS COMPANY Agnieszka DUDA a.duda@aon.edu.pl Akademia

Bardziej szczegółowo

Metody analizy i prognozowania szeregów czasowych

Metody analizy i prognozowania szeregów czasowych Meody analizy i prognozowania szeregów czasowych Wsęp 1. Modele szeregów czasowych 2. Modele ARMA i procedura Boxa-Jenkinsa 3. Modele rendów deerminisycznych i sochasycznych 4. Meody dekompozycji szeregów

Bardziej szczegółowo

PROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński

PROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński Ćwiczenia 2 mgr Dawid Doliński Modele szeregów czasowych sały poziom rend sezonowość Y Y Y Czas Czas Czas Modele naiwny Modele średniej arymeycznej Model Browna Modele ARMA Model Hola Modele analiyczne

Bardziej szczegółowo

Wykład 5 Elementy teorii układów liniowych stacjonarnych odpowiedź na dowolne wymuszenie

Wykład 5 Elementy teorii układów liniowych stacjonarnych odpowiedź na dowolne wymuszenie Wykład 5 Elemeny eorii układów liniowych sacjonarnych odpowiedź na dowolne wymuszenie Prowadzący: dr inż. Tomasz Sikorski Insyu Podsaw Elekroechniki i Elekroechnologii Wydział Elekryczny Poliechnika Wrocławska

Bardziej szczegółowo

Modelowanie systemów skointegrowanych. Aspekty teoretyczne

Modelowanie systemów skointegrowanych. Aspekty teoretyczne Bank i Kredy 45(5), 04, 433 466 Modelowanie sysemów skoinegrowanych. Aspeky eoreyczne Michał Majserek Nadesłany: 30 kwienia 04 r. Zaakcepowany: 3 września 04 r. Sreszczenie Analiza ekonomeryczna w przypadku

Bardziej szczegółowo

Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 219 2015

Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 219 2015 Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 2083-86 Nr 29 205 Alicja Ganczarek-Gamro Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Kaedra Demografii

Bardziej szczegółowo

Ocena efektywności procedury Congruent Specyfication dla małych prób

Ocena efektywności procedury Congruent Specyfication dla małych prób 243 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Ocena efekywności procedury Congruen Specyficaion dla małych prób Sreszczenie. Procedura specyfikacji

Bardziej szczegółowo

Heteroskedastyczność szeregu stóp zwrotu a koncepcja pomiaru ryzyka metodą VaR

Heteroskedastyczność szeregu stóp zwrotu a koncepcja pomiaru ryzyka metodą VaR Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Heeroskedasyczność szeregu sóp zwrou a koncepcja pomiaru ryzyka meodą VaR Wsęp Spośród wielu rodzajów ryzyka

Bardziej szczegółowo

Strukturalne podejście w prognozowaniu produktu krajowego brutto w ujęciu regionalnym

Strukturalne podejście w prognozowaniu produktu krajowego brutto w ujęciu regionalnym Jacek Baóg Uniwersye Szczeciński Srukuralne podejście w prognozowaniu produku krajowego bruo w ujęciu regionalnym Znajomość poziomu i dynamiki produku krajowego bruo wyworzonego w poszczególnych regionach

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Weryfikacja hipotez statystycznych

Weryfikacja hipotez statystycznych Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta

Bardziej szczegółowo

OeconomiA copernicana. Małgorzata Madrak-Grochowska, Mirosława Żurek Uniwersytet Mikołaja Kopernika w Toruniu

OeconomiA copernicana. Małgorzata Madrak-Grochowska, Mirosława Żurek Uniwersytet Mikołaja Kopernika w Toruniu OeconomiA copernicana 2011 Nr 4 Małgorzaa Madrak-Grochowska, Mirosława Żurek Uniwersye Mikołaja Kopernika w Toruniu TESTOWANIE PRZYCZYNOWOŚCI W WARIANCJI MIĘDZY WYBRANYMI INDEKSAMI RYNKÓW AKCJI NA ŚWIECIE

Bardziej szczegółowo

Wygładzanie metodą średnich ruchomych w procesach stałych

Wygładzanie metodą średnich ruchomych w procesach stałych Wgładzanie meodą średnich ruchomch w procesach sałch Cel ćwiczenia. Przgoowanie procedur Średniej Ruchomej (dla ruchomego okna danch); 2. apisanie procedur do obliczenia sandardowego błędu esmacji;. Wizualizacja

Bardziej szczegółowo

METODY STATYSTYCZNE W FINANSACH

METODY STATYSTYCZNE W FINANSACH METODY STATYSTYCZNE W FINANSACH Krzyszof Jajuga Akademia Ekonomiczna we Wrocławiu, Kaedra Inwesycji Finansowych i Ubezpieczeń Wprowadzenie W osanich kilkunasu laach na świecie obserwuje się dynamiczny

Bardziej szczegółowo

Redukcja wariancji w metodach Monte-Carlo

Redukcja wariancji w metodach Monte-Carlo 14.02.2006 Seminarium szkoleniowe 14 lutego 2006 Plan prezentacji Wprowadzenie Metoda losowania warstwowego Metoda próbkowania ważonego Metoda zmiennych kontrolnych Metoda zmiennych antytetycznych Metoda

Bardziej szczegółowo

Mariusz Plich. Spis treści:

Mariusz Plich. Spis treści: Spis reści: Modele wielorównaniowe - mnożniki i symulacje. Podsawowe pojęcia i klasyfikacje. Czynniki modelowania i sposoby wykorzysania modelu 3. ypy i posacie modeli wielorównaniowych 4. Przykłady modeli

Bardziej szczegółowo

Alicja Ganczarek Akademia Ekonomiczna w Katowicach. Analiza niezależności przekroczeń VaR na wybranym segmencie rynku energii

Alicja Ganczarek Akademia Ekonomiczna w Katowicach. Analiza niezależności przekroczeń VaR na wybranym segmencie rynku energii DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna w Kaowicach Analiza

Bardziej szczegółowo

Ekonometria. 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 Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda

Bardziej szczegółowo

Wyzwania praktyczne w modelowaniu wielowymiarowych procesów GARCH

Wyzwania praktyczne w modelowaniu wielowymiarowych procesów GARCH Krzyszof Pionek Akademia Ekonomiczna we Wrocławiu Wyzwania prakyczne w modelowaniu wielowymiarowych procesów GARCH Wsęp Od zaproponowania przez Engla w 1982 roku jednowymiarowego modelu klasy ARCH, modele

Bardziej szczegółowo

EFEKT DŹWIGNI NA GPW W WARSZAWIE WPROWADZENIE

EFEKT DŹWIGNI NA GPW W WARSZAWIE WPROWADZENIE Paweł Kobus, Rober Pierzykowski Kaedra Ekonomerii i Informayki SGGW e-mail: pawel.kobus@saysyka.info EFEKT DŹWIGNI NA GPW W WARSZAWIE Sreszczenie: Do modelowania asymerycznego wpływu dobrych i złych informacji

Bardziej szczegółowo

Efekty agregacji czasowej szeregów finansowych a modele klasy Sign RCA

Efekty agregacji czasowej szeregów finansowych a modele klasy Sign RCA Joanna Górka * Efeky agregacji czasowej szeregów finansowych a modele klasy Sign RCA Wsęp Wprowadzenie losowego parameru do modelu auoregresyjnego zwiększa możliwości aplikacyjne ego modelu, gdyż pozwala

Bardziej szczegółowo

ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1

ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1 ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1 mgr inż. Żanea Pruska Maeriał opracowany na podsawie lieraury przedmiou. Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X,

Bardziej szczegółowo

PRACA MAGISTERSKA. Modelowanie cen i zapotrzebowania na energię elektryczną.

PRACA MAGISTERSKA. Modelowanie cen i zapotrzebowania na energię elektryczną. Insyu Maemayki Wydział Podsawowych Problemów Techniki Poliechnika Wrocławska PRACA MAGISTERSKA Modelowanie cen i zaporzebowania na energię elekryczną. Pior Wilman 14.6.22 Wrocław promoor: dr Rafał Weron

Bardziej szczegółowo

Klasyfikacja modeli. Metoda najmniejszych kwadratów

Klasyfikacja modeli. Metoda najmniejszych kwadratów Konspek ekonomeria: Weryfikacja modelu ekonomerycznego Podręcznik: Ekonomeria i badania operacyjne, red. nauk. Marek Gruszczyński, Maria Podgórska, omasz Kuszewski (ale można czyać dowolny podręcznik do

Bardziej szczegółowo

Równania różniczkowe. Lista nr 2. Literatura: N.M. Matwiejew, Metody całkowania równań różniczkowych zwyczajnych.

Równania różniczkowe. Lista nr 2. Literatura: N.M. Matwiejew, Metody całkowania równań różniczkowych zwyczajnych. Równania różniczkowe. Lisa nr 2. Lieraura: N.M. Mawiejew, Meody całkowania równań różniczkowych zwyczajnych. W. Krysicki, L. Włodarski, Analiza Maemayczna w Zadaniach, część II 1. Znaleźć ogólną posać

Bardziej szczegółowo

Wykład 6. Badanie dynamiki zjawisk

Wykład 6. Badanie dynamiki zjawisk Wykład 6 Badanie dynamiki zjawisk TREND WYODRĘBNIANIE SKŁADNIKÓW SZEREGU CZASOWEGO 1. FUNKCJA TRENDU METODA ANALITYCZNA 2. ŚREDNIE RUCHOME METODA WYRÓWNYWANIA MECHANICZNEGO średnie ruchome zwykłe średnie

Bardziej szczegółowo

FINANSOWE SZEREGI CZASOWE WYKŁAD 3

FINANSOWE SZEREGI CZASOWE WYKŁAD 3 FINANSOWE SZEREGI CZASOWE WYKŁAD 3 dr Tomasz Wójowcz Wydzał Zarządzana AGH 3800 3300 800 300 800 300 800 0 0 30 40 50 60 70 Kraków 0 Tomasz Wójowcz, WZ AGH Kraków przypomnene MA(q): gdze ε są d(0,σ ).

Bardziej szczegółowo

UMK w Toruniu ANALIZA ZALEŻNOŚCI MIĘDZY INDEKSEM WIG A WYBRANYMI INDEKSAMI RYNKÓW AKCJI NA ŚWIECIE

UMK w Toruniu ANALIZA ZALEŻNOŚCI MIĘDZY INDEKSEM WIG A WYBRANYMI INDEKSAMI RYNKÓW AKCJI NA ŚWIECIE Pior Fiszeder UMK w Toruniu ANALIZA ZALEŻNOŚCI MIĘDZY INDEKSEM WIG A WYBRANYMI INDEKSAMI RYNKÓW AKCJI NA ŚWIECIE. Wprowadzenie Rynki kapiałowe na świecie są coraz silniej powiązane. Do najważniejszych

Bardziej szczegółowo

SZACOWANIE MODELU RYNKOWEGO CYKLU ŻYCIA PRODUKTU

SZACOWANIE MODELU RYNKOWEGO CYKLU ŻYCIA PRODUKTU B A D A N I A O P E R A C J N E I D E C Z J E Nr 2 2006 Bogusław GUZIK* SZACOWANIE MODELU RNKOWEGO CKLU ŻCIA PRODUKTU Przedsawiono zasadnicze podejścia do saysycznego szacowania modelu rynkowego cyklu

Bardziej szczegółowo

Parametryczny koder mowy - wokoder. Synteza mowy w odbiorniku: d=1 - mowa dźwięczna (T 0 = okres tonu krtaniowego) d=0 - mowa bezdźwięczna

Parametryczny koder mowy - wokoder. Synteza mowy w odbiorniku: d=1 - mowa dźwięczna (T 0 = okres tonu krtaniowego) d=0 - mowa bezdźwięczna Paraeryczny koder owy - wokoder Syneza owy w odbiorniku: d=1 - owa dźwięczna T 0 = okres onu kraniowego d=0 - owa bezdźwięczna Wokoder nadajnik Eksrakcja onu kraniowego 1. Przebieg czasowy sygnału i błędu

Bardziej szczegółowo

POMIAR PARAMETRÓW SYGNAŁOW NAPIĘCIOWYCH METODĄ PRÓKOWANIA I CYFROWEGO PRZETWARZANIA SYGNAŁU

POMIAR PARAMETRÓW SYGNAŁOW NAPIĘCIOWYCH METODĄ PRÓKOWANIA I CYFROWEGO PRZETWARZANIA SYGNAŁU Pomiar paramerów sygnałów napięciowych. POMIAR PARAMERÓW SYGNAŁOW NAPIĘCIOWYCH MEODĄ PRÓKOWANIA I CYFROWEGO PRZEWARZANIA SYGNAŁU Cel ćwiczenia Poznanie warunków prawidłowego wyznaczania elemenarnych paramerów

Bardziej szczegółowo

ZASTOSOWANIE TEORII MASOWEJ OBSŁUGI DO MODELOWANIA SYSTEMÓW TRANSPORTOWYCH

ZASTOSOWANIE TEORII MASOWEJ OBSŁUGI DO MODELOWANIA SYSTEMÓW TRANSPORTOWYCH Pior KISIELEWSKI, Łukasz SOBOTA ZASTOSOWANIE TEORII MASOWEJ OBSŁUGI DO MODELOWANIA SYSTEMÓW TRANSPORTOWYCH W arykule przedsawiono zasosowanie eorii masowej obsługi do analizy i modelowania wybranych sysemów

Bardziej szczegółowo

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 XLIII nr 2 (2012)

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 XLIII nr 2 (2012) 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 XLIII nr 2 (2012) 211 220 Pierwsza wersja złożona 25 października 2011 ISSN Końcowa wersja zaakcepowana 3 grudnia 2012 2080-0339

Bardziej szczegółowo

Eksploracja danych. KLASYFIKACJA I REGRESJA cz. 1. Wojciech Waloszek. Teresa Zawadzka.

Eksploracja danych. KLASYFIKACJA I REGRESJA cz. 1. Wojciech Waloszek. Teresa Zawadzka. Eksploracja danych KLASYFIKACJA I REGRESJA cz. 1 Wojciech Waloszek wowal@ei.pg.gda.pl Teresa Zawadzka egra@ei.pg.gda.pl Kaedra Inżyrii Oprogramowania Wydział Elekroniki, Telekomunikacji i Informayki Poliechnika

Bardziej szczegółowo

Modelowanie i obliczenia techniczne. Równania różniczkowe Numeryczne rozwiązywanie równań różniczkowych zwyczajnych

Modelowanie i obliczenia techniczne. Równania różniczkowe Numeryczne rozwiązywanie równań różniczkowych zwyczajnych Moelowanie i obliczenia echniczne Równania różniczowe Numeryczne rozwiązywanie równań różniczowych zwyczajnych Przyła ułau ynamicznego E Uła ynamiczny R 0 Zachozi porzeba wyznaczenia: C u C () i() ur ir

Bardziej szczegółowo

Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych.

Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych. Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Hipotezy i Testy statystyczne Każde

Bardziej szczegółowo

OPTYMALIZACJA PORTFELA INWESTYCYJNEGO ZE WZGLĘDU NA MINIMALNY POZIOM TOLERANCJI DLA USTALONEGO VaR

OPTYMALIZACJA PORTFELA INWESTYCYJNEGO ZE WZGLĘDU NA MINIMALNY POZIOM TOLERANCJI DLA USTALONEGO VaR Daniel Iskra Uniwersye Ekonomiczny w Kaowicach OPTYMALIZACJA PORTFELA IWESTYCYJEGO ZE WZGLĘDU A MIIMALY POZIOM TOLERACJI DLA USTALOEGO VaR Wprowadzenie W osanich laach bardzo popularną miarą ryzyka sała

Bardziej szczegółowo

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

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

Bardziej szczegółowo

SYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE

SYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE SYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE Janusz Sowiński, Rober Tomaszewski, Arur Wacharczyk Insyu Elekroenergeyki Poliechnika Częsochowska Aky prawne

Bardziej szczegółowo

PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK

PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK 1 PROGNOZOWANIE I SYMULACJE 2 hp://www.oucome-seo.pl/excel2.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodaek Solver jes dosępny w menu Narzędzia. Jeżeli Solver nie jes dosępny

Bardziej szczegółowo

n=0 Dla zbioru Cantora prawdziwe są wersje lematu 3.6 oraz lematu 3.8 przy założeniu α = :

n=0 Dla zbioru Cantora prawdziwe są wersje lematu 3.6 oraz lematu 3.8 przy założeniu α = : 4. Zbiory borelowskie. Zbiór wszystkich podzbiorów liczb naturalnych będziemy oznaczali przez ω. Najmniejszą topologię na zbiorze ω, w której zbiory {A ω : x A ω \ y}, gdzie x oraz y są zbiorami skończonymi,

Bardziej szczegółowo

POWIĄZANIA POMIĘDZY KRÓTKOOKRESOWYMI I DŁUGOOKRESOWYMI STOPAMI PROCENTOWYMI W POLSCE

POWIĄZANIA POMIĘDZY KRÓTKOOKRESOWYMI I DŁUGOOKRESOWYMI STOPAMI PROCENTOWYMI W POLSCE Anea Kłodzińska, Poliechnika Koszalińska, Zakład Ekonomerii POWIĄZANIA POMIĘDZY KRÓTKOOKRESOWYMI I DŁUGOOKRESOWYMI STOPAMI PROCENTOWYMI W POLSCE Sopy procenowe w analizach ekonomicznych Sopy procenowe

Bardziej szczegółowo

Monte Carlo, bootstrap, jacknife

Monte Carlo, bootstrap, jacknife Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział

Bardziej szczegółowo

Ocena płynności wybranymi metodami szacowania osadu 1

Ocena płynności wybranymi metodami szacowania osadu 1 Bogdan Ludwiczak Wprowadzenie Ocena płynności wybranymi meodami szacowania osadu W ubiegłym roku zaszły znaczące zmiany doyczące pomiaru i zarządzania ryzykiem bankowym. Są one konsekwencją nowowprowadzonych

Bardziej szczegółowo

ZJAWISKA SZOKOWE W ROZWOJU GOSPODARCZYM WYBRANYCH KRAJÓW UNII EUROPEJSKIEJ

ZJAWISKA SZOKOWE W ROZWOJU GOSPODARCZYM WYBRANYCH KRAJÓW UNII EUROPEJSKIEJ Anna Janiga-Ćmiel Uniwersye Ekonomiczny w Kaowicach Wydział Zarządzania Kaedra Maemayki anna.janiga-cmiel@ue.kaowice.pl ZJAWISKA SZOKOWE W ROZWOJU GOSPODARCZYM WYBRANYCH KRAJÓW UNII EUROPEJSKIEJ Sreszczenie:

Bardziej szczegółowo

PREDYKCJA KURSU EURO/DOLAR Z WYKORZYSTANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WYBRANE MODELE EKONOMETRYCZNE I PERCEPTRON WIELOWARSTWOWY

PREDYKCJA KURSU EURO/DOLAR Z WYKORZYSTANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WYBRANE MODELE EKONOMETRYCZNE I PERCEPTRON WIELOWARSTWOWY B A D A N I A O P E R A C J N E I D E C Z J E Nr 2004 Aleksandra MAUSZEWSKA Doroa WIKOWSKA PREDKCJA KURSU EURO/DOLAR Z WKORZSANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WBRANE MODELE EKONOMERCZNE I PERCEPRON WIELOWARSWOW

Bardziej szczegółowo

Krzysztof Piontek MODELOWANIE ZMIENNOŚCI STÓP PROCENTOWYCH NA PRZYKŁADZIE STOPY WIBOR

Krzysztof Piontek MODELOWANIE ZMIENNOŚCI STÓP PROCENTOWYCH NA PRZYKŁADZIE STOPY WIBOR Inwesycje finansowe i ubezpieczenia endencje świaowe a rynek polski Krzyszof Pionek Akademia Ekonomiczna we Wrocławiu MODELOWANIE ZMIENNOŚCI STÓP PROCENTOWYCH NA PRZYKŁADZIE STOPY WIBOR Wsęp Konieczność

Bardziej szczegółowo

Dynamiczne formy pełzania i relaksacji (odprężenia) górotworu

Dynamiczne formy pełzania i relaksacji (odprężenia) górotworu Henryk FILCEK Akademia Górniczo-Hunicza, Kraków Dynamiczne formy pełzania i relaksacji (odprężenia) góroworu Sreszczenie W pracy podano rozważania na ema możliwości wzbogacenia reologicznego równania konsyuywnego

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n

Matematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n Maemayka ubezpieczeń mająkowych 9.0.006 r. Zadaie. Rozważamy proces adwyżki ubezpieczyciela z czasem dyskreym posaci: U = u + c S = 0... S = W + W +... + W W W W gdzie zmiee... są iezależe i mają e sam

Bardziej szczegółowo

Testowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.

Testowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4. Testowanie hipotez Niech X = (X 1... X n ) będzie próbą losową na przestrzeni X zaś P = {P θ θ Θ} rodziną rozkładów prawdopodobieństwa określonych na przestrzeni próby X. Definicja 1. Hipotezą zerową Θ

Bardziej szczegółowo

Cechy szeregów czasowych

Cechy szeregów czasowych energecznch Cech szeregów czasowch Rozdział Modelowanie szeregów czasowch 7 proces deerminisczn proces kórego warość może bć preczjnie określona w dowolnm czasie =T+τ = a +b T T+τ czas = sin(ω) T T+τ czas

Bardziej szczegółowo

Metody weryfikacji stabilności fiskalnej porównanie własności

Metody weryfikacji stabilności fiskalnej porównanie własności Bank i Kredy 41 (2), 2010, 87 110 www.bankikredy.nbp.pl www.bankandcredi.nbp.pl Meody weryfikacji sabilności fiskalnej porównanie własności Michał Mackiewicz* Nadesłany: 30 lipca 2009 r. Zaakcepowany:

Bardziej szczegółowo

Dynamiczne zależności na polskim rynku pracy w metodologii SVECM

Dynamiczne zależności na polskim rynku pracy w metodologii SVECM 11 Baromer Regionalny Nr 1(19) 21 Dynamiczne zależności na polskim rynku pracy w meodologii SVECM Rober Paer Wyższa Szkoła Informayki i Zarządzania w Rzeszowie Sreszczenie: W arykule dokonano analizy dynamicznych

Bardziej szczegółowo

STATYSTYKA EKONOMICZNA w LOGISTYCE. Metody statystyczne w analizie procesów produkcji

STATYSTYKA EKONOMICZNA w LOGISTYCE. Metody statystyczne w analizie procesów produkcji SAYSYKA EKONOMICZNA w LOGISYCE Meody saysyczne w analizie procesów produkcji Pomiar poziomu produkcji Produkcja jes maerialnym efekem działalności przedsiębiorswa przemysłowego. Do produkcji zalicza się

Bardziej szczegółowo

Testowanie współzależności w rozwoju gospodarczym

Testowanie współzależności w rozwoju gospodarczym The Wroclaw School of Banking Research Journal ISSN 1643-7772 I eissn 2392-1153 Vol. 15 I No. 5 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu ISSN 1643-7772 I eissn 2392-1153 R. 15 I Nr 5 Tesowanie

Bardziej szczegółowo

Daniel Papla Akademia Ekonomiczna we Wrocławiu. Wykorzystanie modelu DCC-MGARCH w analizie zmian zależności wybranych akcji GPW w Warszawie

Daniel Papla Akademia Ekonomiczna we Wrocławiu. Wykorzystanie modelu DCC-MGARCH w analizie zmian zależności wybranych akcji GPW w Warszawie DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 27 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna we Wrocławiu Wykorzysanie

Bardziej szczegółowo

Postęp techniczny. Model lidera-naśladowcy. Dr hab. Joanna Siwińska-Gorzelak

Postęp techniczny. Model lidera-naśladowcy. Dr hab. Joanna Siwińska-Gorzelak Posęp echniczny. Model lidera-naśladowcy Dr hab. Joanna Siwińska-Gorzelak Założenia Rozparujemy dwa kraje; kraj 1 jes bardziej zaawansowany echnologicznie (lider); kraj 2 jes mniej zaawansowany i nie worzy

Bardziej szczegółowo

Testowanie hipotez statystycznych.

Testowanie hipotez statystycznych. Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie

Bardziej szczegółowo

PROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA

PROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA 1 PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: mgr inż. ŻANETA PRUSKA DODATEK SOLVER 2 Sprawdzić czy w zakładce Dane znajduję się Solver 1. Kliknij przycisk Microsof Office, a nasępnie kliknij przycisk Opcje

Bardziej szczegółowo

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

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

Bardziej szczegółowo

ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI

ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/3, 202, sr. 253 26 ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI Adam Waszkowski Kaedra Ekonomiki Rolnicwa i Międzynarodowych Sosunków

Bardziej szczegółowo

Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Katedra Inwestycji Finansowych i Ubezpieczeń

Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Katedra Inwestycji Finansowych i Ubezpieczeń Krzyszof Pionek Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Kaedra Inwesycji Finansowych i Ubezpieczeń Przegląd i porównanie meod oceny modeli VaR Wsęp - Miara VaR Warość zagrożona (warość narażona

Bardziej szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE MODELE EKONOMETRYCZNE DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika Zależność

Bardziej szczegółowo