Zaawansowane metody odsezonowywania szeregów czasowych. TRAMO/SEATS i Demetra+
|
|
- Andrzej Kołodziej
- 8 lat temu
- Przeglądów:
Transkrypt
1 Demetra+ pierwszy model Metoda TRAMO-SEATS Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Zaawansowane metody odsezonowywania szeregów czasowych. 13 lutego 2013
2 Demetra+ pierwszy model Metoda TRAMO-SEATS Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Plan wykªadu 1 Podstawowe zasady i gªówne metody odsezonowania 2 Demetra+ pierwszy model 3 Metoda TRAMO-SEATS 4 Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ 5
3 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Plan prezentacji 1 Podstawowe zasady i gªówne metody odsezonowania 2 Demetra+ pierwszy model 3 Metoda TRAMO-SEATS 4 Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ 5
4 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Dekompozycja szeregu czasowego Elementy SZEREGU TREND I CYKL + SEZONOWO + ELEMENT PRZEJ CIOWY + ELEMENT NIEREGULARNY w SEATS: TREND i CYKL wyznaczaj poziom pozostaªe elementy wyra»one jako czynniki / skªadniki dodatkowo: efekty kalendarzowe obserwacje odstaj ce
5 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Rodzaje sezonowo±ci sezonowo± deterministyczna: jej wystarczaj cym przybli»eniem s sezonowe zmienne zerojedynkowe w równaniu regresji (d 1,t, d 2,t,..., d s 1,t) sezonowo± stochastyczna: wzorzec sezonowy mo»e podlega ewolucji Rozró»nienie: test HEGY (Hylleberg, Engle, Granger, Yoo, 1990). TRAMO-SEATS bazuje na modelu SARIMA implementacja sezonowo±ci stochastycznej (ale je»eli sezonowo± ma charakter deterministyczny, model te» to zªapie) sezonowo± multiplikatywna: wahania sezonowe silniejsze przy wzro±cie poziomu szeregu sezonowo± addytywna: amplituda niezale»na od poziomu szeregu TRAMO-SEATS testuje, czy modelowa szereg na poziomach, czy logarytmach (u»ytkownik mo»e to zada ).
6 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Narz dzia X-12-ARIMA US Bureau of Census nast pca X-11 (dodatkowo: forecasts & backcasts przed odsezonowaniem, zmienne egzogeniczne, automatyczna selekcja modelu itp.) TRAMO-SEATS V. Gomez i A. Maravall: Bank Hiszpanii TRAMO: Time Series Regression with ARIMA Noise, Missing Observations and Outliers SEATS: Signal Extraction in ARIMA Time Series Demetra+ korzysta z algorytmów X-12-ARIMA i TRAMO-SEATS (podobnie jak EViews, Gretl,...)
7 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja ródªa wiedzy 1 Grudkowska S. (2011), Demetra+ User Manual. 2 Maravall A. (2008), Notes on Programs Tramo and Seats, cz. I, II, III, Banco de Espana. 3 Eurostat (2009), ESS Guidelines on Seasonal Adjustment, European Communnities. 4 Koçak N. (2011), An Analysis of German Industrial Production with Demetra+, mimeo. 5 Peltola A. (2011), Working Instructions for Beginning Seasonal Adjustment with Demetra+, United Nations Economic Commission for Europe. 6 Zestaw artykuªów zwi zanych z metod TRAMO-SEATS i jej zastosowaniami
8 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Wykres szeregu czasowego obserwacje odstaj ce / bª dy w danych? wzorzec waha«sezonowych i ich amplituda? trend? zmiany strukturalne w poziomie / trendzie / charakterze sezonowo±ci?
9 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Sposób post powania w TRAMO-SEATS 1 Zidentykuj model ARIMAX (REG-ARIMA) dla obserwowalnego szeregu czasowego. 2 Zdekomponuj model na nieobserwowalne komponenty. 3 Oszacuj warto± komponentów (sygnaª) za pomoc estymatora min. MSE (MMSE).
10 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Model AR AR ang. autoregression, proces autoregresyjny bie» ca (w okresie t) warto± stacjonarnego szeregu czasowego y t zale»y od p warto±ci poprzedzaj cych: y t = c +φ 1 y t 1 +φ 2 y t φ p y t p +ε t = c + Notacja wielomianu charakterystycznego: ( 1 φ1 L φ 2 L 2... φ p L p) y t = c + ε t p φ i y t i +ε t i=1
11 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Model MA MA ang. moving average, ±rednia ruchoma bie» ca (w okresie t) warto± stacjonarnego szeregu czasowego y t zale»y od q poprzedz jacych warto±ci reszt losowych: y t = c +θ 1 ε t 1 +θ 2 ε t θ q ε t q +ε t = c + Notacja wielomianu charakterystycznego: y t c = ( 1 + θ 1 L + θ 2 L θ q L q) ε t q θ j ε t j +ε t j=1
12 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Model ARMA poª czenie AR i MA Przy odpowiednich zaªo»eniach mo»na proces AR przeksztaªci do postaci MA( ) i na odwrót. W praktyce zadowalaj ce dopasowanie uzyskuje si dzi ki kombinacji niewielkiej liczby regresorów typu AR i MA, czyli y t = c + p φ i y t i + q θ j ε t j + ε t i=1 j=1 Umieszczenie w modelu regresorów zarówno typu AR, jak i MA, pozwala uzyska rozs dne przybli»enie, cho identykacja parametrów p i q takiego modelu jest trudna. Notacja wielomianu charakterystycznego: ( 1 φ1l φ 2L 2... φ pl p) y t = c + ( 1 + θ 1L + θ 2L θ ql q) ε t
13 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Model ARIMA Szeregi niestacjonarne tworzymy model ARMA na szeregu zró»nicowanym tyle razy, aby uzyska jego stacjonarno± : Y t = Y t Y t 1 2 Y t = Y t Y t 1 Model ARIMA(p,d,q): ARMA a ARIMA d y t = c + p φ i d y t i + i=1 q θ j ε t j + ε t Model ARMA jest szczególnym przypadkiem modelu ARIMA (z parametrem d=0). j=1
14 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Model ARIMAX ARIMAX model ARIMA uzupeªniony o zestaw egzogenicznych regresorów: W TRAMO x t : d y t = c + x t β + p φ i d y t i + i=1 zadane przez u»ytkownika generowane w programie: q θ j ε t j + ε t j=1 dni robocze, Wielkanoc zmienne interwencyjne, obserwacje odstaj ce
15 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Stacjonarno± procesu Proces AR jest stacjonarny......je»eli wszystkie pierwiastki wielomianu charakterystycznego (tzn. rozwi zania równania 1 φ 1 L φ 2 L 2... φ p L p = 0 wzgl dem L) le» poza koªem jednostkowym, tzn. s co do moduªu > 1. Stacjonarny proces AR(p) mo»na przedstawi jako MA( ). W modelu AR bie» ca warto± szeregu zale»y od p poprzednich, a na poprzednie skªada sie niesko«czona liczba opó¹nionych szoków (ε). W modelu MA tych szoków model "widzi" tylko q.
16 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Odwracalno± procesu Proces MA jest odwracalny......je»eli wszystkie pierwiastki wielomianu charakterystycznego (tzn. rozwi zania równania 1 + θ 1 L + θ 2 L θ q L q = 0 wzgl dem L) le» poza koªem jednostkowym, tzn. s co do moduªu > 1. Odwracalny proces MA(q) mo»na przedstawi jako AR( ).
17 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Czym jest koªo jednostkowe? Pierwiastki wielomianu mog by liczbami zespolonymi, tzn. mie cz ± rzeczywist a i urojon b (a + bi). Mo»na je przedstawi na pªaszczy¹nie jako punkt w przestrzeni dwuwymiarowej o wspóªrz dnych (a,b). a + bi = a 2 + b 2, wi c warunek stacjonarno±ci/odwracalno±ci a + bi > 1 oznacza a 2 + b 2 > 1 2 (pole poza okr giem o ±rodku (0, 0) i promieniu 1, czyli koªem jednostkowym). Niektóre programy ekonometryczne podaj pierwiastki w formie odwrotno±ci (Inverse Roots). Skoro a + bi > 1, to 1 a+bi < 1. W tej sytuacji odwrotno± pierwiastka musi le»e wewn trz koªa jednostkowego.
18 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Ró»nicowanie sezonowe Model ARIMA z sezonowo±ci nazywamy SARIMA (Seasonal ARIMA). Dodatkowe parametry (w stosunku do ARIMA): s dªugo± cyklu sezonowo±ci (4 dla danych kwartalnych, 12 dla miesi cznych, 5 lub 7 dla dziennych itp.) D parametr sezonowego ró»nicowania Dla d = 1: Ogólnie: s y t = y t y t s 2 s y t = s y t s y t s. D s y t = D 1 s y t D 1 s y t s s ( d y t ) = d y t d y t s 2 s ( d y t ) = s ( d y t ) s ( d y t s ). D s ( d y t ) = D 1 s ( d y t ) D 1 s ( d y t s )
19 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Model SARIMA Dla uproszczenia notacji: niech y t = D s ( d y t) oznacza odpowiednio zró»nicowany szereg. Oprócz sezonowego ró»nicowania szeregu wyj±ciowego, mo»emy w modelu uwzgl dni sezonowe regresory typu AR i MA. Model ARIMA (p,d,q): ( 1 φ1l φ 2L 2... φ pl p) y t = c + ( 1 + θ 1L + θ 2L θ ql q) ε t Model SARIMA (p,d,q)x(p,d,q) s: ( 1 φ1l φ 2L 2... φ pl p) ( 1 Φ 1L 1 s Φ 2L 2 s... Φ P L P s) y t = c + ( 1 + θ 1L + θ 2L θ ql q) ( 1 + Θ 1L 1 s + Θ 2L 2 s Θ Q L Q s) ε t
20 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Model SARIMA - parametryzacja P rz d opó¹nie«sezonowych typu AR Q rz d opó¹nie«sezonowych typu MA Parametryzacja modelu SARIMA: (p,d,q)x(p,d,q) s Notacja: Φ (L) y t = Θ (L) ε t Φ (L) δ (L) y t = Θ (L) ε t Uwagi: Model ARIMA jest szczególnym przypadkiem modelu SARIMA z P=0, D=0 i Q=0. Brak sezonowo±ci sprowadza si do ustalenia parametru s=1, przez co P, D i Q trac sens bytu (staj si nierozró»nialne od odpowiednio p, d i q).
21 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Funkcja autokorelacji (ACF) Pokazuje korelacj warto±ci szeregu z kolejnymi opó¹nieniami tego samego szeregu: opó¹nienie 1 r 1 opó¹nienie 2 r 2 opó¹nienie 3 r 3 itd. Szacujemy na podstawie danych, obliczaj c wspóªczynniki korelacji liniowej Pearsona.
22 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Wspóªczynnik korelacji cz stkowej Wspóªczynnik korelacji mi dzy i oraz j z wykluczeniem wpªywu l: r ij.l = r ij r il r jl ( ) (1 r 2 il ) 1 r 2 jl
23 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Funkcja autokorelacji cz stkowej (PACF) Pokazuje korelacj warto±ci szeregu z kolejnymi opó¹nieniami tego samego szeregu, z wykluczeniem wpªywu opó¹nie«ni»szego rz du: opó¹nienie 1 r 1 (tak samo jak w ACF) opó¹nienie 2 korelacja cz stkowa warto±ci bie» cej z 2 opó¹nieniem z wykluczeniem wpªywu 1 opó¹nienia opó¹nienie 3 korelacja cz stkowa warto±ci bie» cej z 3 opó¹nieniem z wykluczeniem wpªywu 1 i 2 opó¹nienia opó¹nienie 4 korelacja cz stkowa warto±ci bie» cej z 4 opó¹nieniem z wykluczeniem wpªywu 1, 2 i 3 opó¹nienia itd.
24 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Funkcje ACF i PACF jako kryterium doboru p,q Sposób post powania podpowiadany przez korelogram: dla modeli AR(p): szukamy punktu uci cia na wykresie PACF dla modeli MA(q): szukamy punktu uci cia na wykresie ACF dla modeli ARMA(p,q): zwi kszamy stopniowo p i q, staraj c si wyczy±ci wykres ACF i PACF; szukamy: wzorców cyklicznych i nielosowych zmian znaków, niezbie»no±ci, nieusuni tej sezonowo±ci Uwaga! Przy poziomie istotno±ci 5%, 1 na 20 wspóªczynników b dzie istotny, nawet dla biaªego szumu!
25 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja ACF i PACF: przykªad (1) Proces AR(1): Correlogram of P2 Autocorrelation Partial Correlation AC PAC Q-Stat Prob
26 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja ACF i PACF: przykªad (2) Proces MA(1): Correlogram of P4 Autocorrelation Partial Correlation AC PAC Q-Stat Prob
27 Demetra+ pierwszy model Odsezonowanie ogólne informacje Metoda TRAMO-SEATS Dekompozycja i narz dzia eksploracji szeregu czasowego Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sezonowo± w modelach ARIMA: przypomnienie i notacja Teoretyczne i empiryczne funkcje ACF i PACF Maj c dane (oszacowane) parametry φ i, θ i mo»emy obliczy teoretyczne warto±ci autokorelacji i autokorelacji cz stkowej szeregu dla ka»dego( rz du opó¹nie«. ) ACF ˆ (y t, y t j ) = f ˆφ 1,..., ˆφ p, ˆθ 1,..., ˆθ q ˆ PACF (y t, y t j y t 1,..., y t j+1 ) = f ( ˆφ 1,..., ˆφ p, ˆθ 1,..., ˆθ q ) Mo»emy je skonfrontowa z rzeczywistymi funkcjami ACF i PACF, obliczonymi na podstawie danych: ACF (y t, y t j ) = f (y) PACF (y t, y t j y t 1,..., y t j+1 ) = f (y) Takie porównanie pozwala gracznie oceni, czy model oddaje natur procesu.
28 Demetra+ pierwszy model Demetra+ interfejs u»ytkownika i import danych Metoda TRAMO-SEATS Kluczowe wyniki Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Plan prezentacji 1 Podstawowe zasady i gªówne metody odsezonowania 2 Demetra+ pierwszy model 3 Metoda TRAMO-SEATS 4 Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ 5
29 Demetra+ pierwszy model Demetra+ interfejs u»ytkownika i import danych Metoda TRAMO-SEATS Kluczowe wyniki Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Wklejenie danych (1) zakªadka XML w oknie Browsers Ctrl+C w Excelu Paste w D+ (potem mo»na zapisa : Save i wczyta : Open albo skasowa : New) Zaznaczony blok musi zawiera : lewa kraw d¹ daty, górny wiersz nazwy szeregów (ograniczenia!), komórka (1,1) pusta
30 Demetra+ pierwszy model Demetra+ interfejs u»ytkownika i import danych Metoda TRAMO-SEATS Kluczowe wyniki Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Wklejenie danych (2)
31 Demetra+ pierwszy model Demetra+ interfejs u»ytkownika i import danych Metoda TRAMO-SEATS Kluczowe wyniki Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Poª czenie z Excelem zakªadka Excel w oknie Browsers; Add a workbook dane pojawi si w postaci drzewa (w zªy = arkusze w xls) naci±ni cie gwiazdki powoduje zaªadowanie arkusza do pami ci cache
32 Demetra+ pierwszy model Demetra+ interfejs u»ytkownika i import danych Metoda TRAMO-SEATS Kluczowe wyniki Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ TS Properties
33 Demetra+ pierwszy model Demetra+ interfejs u»ytkownika i import danych Metoda TRAMO-SEATS Kluczowe wyniki Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Log komunikaty
34 Demetra+ pierwszy model Demetra+ interfejs u»ytkownika i import danych Metoda TRAMO-SEATS Kluczowe wyniki Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Elementy przestrzeni roboczej (1) drzewo zawiera wszystkie elementy przestrzeni roboczej, które zostaªy do niej dodane 6 podstawowych specykacji modeli TRAMO-SEATS (RSA0... RSA5), mo»na je: obejrze (podwójne klikni cie / Open), ale nie zmodykowa! klonowa (Clone), tworz c nowe specykacje na bazie istniej cych tworzy nowe specykacje (TramoSeats / Add New...) aktywowa (Active), wówczas podwójne klikni cie szeregu w oknie Browsers inicjuje analiz za pomoc aktywnej specykacji kalendarze i zmienne egzogeniczne Workspace / Save As... zapisuje przestrze«robocz jako plik xml To inny plik xml ni» ten z zapisanymi danymi, wklejonymi wcze±niej z Excela!
35 Demetra+ pierwszy model Demetra+ interfejs u»ytkownika i import danych Metoda TRAMO-SEATS Kluczowe wyniki Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Elementy przestrzeni roboczej (2)
36 Demetra+ pierwszy model Demetra+ interfejs u»ytkownika i import danych Metoda TRAMO-SEATS Kluczowe wyniki Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Menu Tools Narz dzia eksploracji szeregu czasowego przeci gnij i upu± z listy zmiennych po otworzeniu okna: Chart wykres zmiennych Growth Chart wykres dynamiki Grid tabela danych List podstawowe informacje o zmiennych zestawione w tabeli TS Properties duplikat okna z lewego dolnego rogu (kolejne instancje mog sªu»y do porównywania szeregów) Spektrum Autoregresyjne spektrum Dierencing zestawienie funkcji ACF, PACF i innych informacji dla ró»nych rz dów ró»nicowania i sezonowego ró»nicowania szeregu Look&feel Demetry+ opiera si na przeci ganiu i upuszczaniu elementów Niestety nie dziaªa wielokrotny wybór z Ctrl ani Shift!
37 Demetra+ pierwszy model Demetra+ interfejs u»ytkownika i import danych Metoda TRAMO-SEATS Kluczowe wyniki Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Sposoby inicjowania analizy dwukrotne klikni cie szeregu w oknie Browsers i analiza za pomoc specykacji aktywnej (lub, przy jej braku, wybranej w oknie dialogowym) menu Seasonal Adjustment / Single Analysis / New, a nast pnie przeci gni cie nazwy szeregu na górn cz ± nowo otwartego okna (w okolice sªów Source i Name) menu Seasonal Adjustment / Single Analysis / Wizard, a nast pnie przej±cie przez kreatora wyboru szeregu, metody i specykacji
38 Demetra+ pierwszy model Demetra+ interfejs u»ytkownika i import danych Metoda TRAMO-SEATS Kluczowe wyniki Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Single- i multi-processing SINGLE-PROCESSING podstawowa forma analizy danych w Demetrze+, uaktywnia si po dwukrotnym klikni ciu sªu»y do szczegóªowej analizy pojedynczego szeregu MULTI-PROCESSING do jednoczesnej analizy wielu szeregów czasowych do regularnej, powtarzalnej produkcji oczyszczonych sezonowo szeregów masowe przetwarzanie zbiorów danych, dost pne zbiorcze oceny jako±ci tego przetwarzania za pomoc tego samego lub ró»nych modeli zostanie omówione w dalszej cz ±ci prezentacji
39 Demetra+ pierwszy model Demetra+ interfejs u»ytkownika i import danych Metoda TRAMO-SEATS Kluczowe wyniki Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Edycja specykacji Specykacji RSA0-RSA5 nie mo»na edytowa! Mo»na modykowa inne, dodane przez u»ytkownika specykacje (dwukrotne klikni cie na nazwie w oknie Workspace). Gdy kursor jest na polu parametru, mo»na podejrze nazw parametru wej±ciowego TRAMO-SEATS, przydatn przy korzystaniu z mniej zaawansowanych interfejsów ni» Demetra+ (np. w plikach programów EViews).
40 Demetra+ pierwszy model Demetra+ interfejs u»ytkownika i import danych Metoda TRAMO-SEATS Kluczowe wyniki Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Podstawowe parametry wej±ciowe (1) transformation series span: zakres próby function: poziom zmiennej, logarytm naturalny lub wybór automatyczny fct>1: obci»enie testu w kierunku poziomów fct<1: obci»enie testu w kierunku ln Transformacja logarytmiczna szeregu ln(x t ) pomaga osi gn staª wariancj (wraz z korekt obserwacji odstaj cych) warunek stacjonarno±ci (alternatywa: modelowanie zmiennej wariancji np. GARCH) brak skali i procentowa interpretacja ró»nic wªa±ciwa, gdy amplituda oscylacji ro±nie z warto±ci szeregu (wahania multiplikatywne) interpretacja odch. standardowego reszt jako procentowego bª du prognozy wzgl dem poziomu szeregu WADA: roczna ±rednia szeregu wyj±ciowego > oczyszczonego sezonowo (±rednia geometryczna vs arytmetyczna nierówno± Cauchy'ego)
41 Demetra+ pierwszy model Demetra+ interfejs u»ytkownika i import danych Metoda TRAMO-SEATS Kluczowe wyniki Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Podstawowe parametry wej±ciowe (2) calendar eects efekt liczby dni roboczych: brak / zdeniowany (td1 = weekendy, td2 = td1 + rok przest pny, td6 = 6 zmiennych 0-1 dla ró»nych dni tygodnia, td7 = td6 + rok przest pny) / kalendarz (zmienne td? oraz ±wi ta z kalendarza) / zdeniowane przez u»ytkownika (na podstawie samodzielnie stworzonych zmiennych) efekt Wielkanocy: ile dni przed trwa? (duration) mo»liwo± testowania istotno±ci wprowadzonych zmiennych td? oraz wª czenia / wyª czenia / testowania wyst powania i dªugo±ci efektu Wielkanocy (1 / 8 / 15) zwykle od 3 do 8 dni, je»eli zadawane przez u»ytkownika ARIMA modelling mo»liwo± automatycznego wyboru modelu ARIMA do analizy szeregu wyniki poszczególnych testów specykacji widoczne na pocz tku okna Main results
42 Demetra+ pierwszy model Demetra+ interfejs u»ytkownika i import danych Metoda TRAMO-SEATS Kluczowe wyniki Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Main results Main results: przegl d podstawowych wyników z sumaryczn ocen modelu Charts: w menu kontekstowym dost pna legenda Table: mo»liwo± kopiowania cz ±ci lub caªo±ci danych do Excela
43 Demetra+ pierwszy model Demetra+ interfejs u»ytkownika i import danych Metoda TRAMO-SEATS Kluczowe wyniki Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SI-ratio (por. Tools / Tool Window / Seasonal Chart - pokazane punkty danych w ukªadzie poszczególnych okresów sezonowo±ci): punkty: S+I krzywa linia (niebieska): czynnik sezonowy prosta linia (czerwona): u±redniony czynnik sezonowy klikni cie w obszarze danego miesi ca / kwartaªu powi ksza element wykresu interpretacja: wykres pozwala wykry zmiany strukturalne w schemacie sezonowo±ci (do osobnego modelowania)...i zauwa»y okresy o wy»szej zmienno±ci czynnika sezonowego ewolucja akceptowalna, chyba»e czynnik sezonowy mija 0 (w modelu addytywnym) lub 1 (w multiplikatywnym)
44 Demetra+ pierwszy model Demetra+ interfejs u»ytkownika i import danych Metoda TRAMO-SEATS Kluczowe wyniki Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Zapisanie wyników w przestrzeni roboczej Zapisanie przestrzeni roboczej po wykonaniu analizy nie zachowa modelu! Nale»y dodatkowo doda wyniki do drzewa przestrzeni roboczej za pomoc menu, które pojawia si, gdy aktywne jest okno wyników analizy (np. TramoSeatsDoc-1). W dalszej cz ±ci prezentacji takie menu oznaczane jest jako [menu].
45 Demetra+ pierwszy model Demetra+ interfejs u»ytkownika i import danych Metoda TRAMO-SEATS Kluczowe wyniki Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Organizacja gªównego okna menu Window Floating albo Tabbed Tile vertically albo Tile horizontally albo Cascade Skinning: dla estetycznie wra»liwych :-) mo»liwe jest wykonanie dostosowania dla wielu modeli lub szeregów i porównywanie wyników w s siaduj cych zakªadkach lub oknach
46 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Plan prezentacji 1 Podstawowe zasady i gªówne metody odsezonowania 2 Demetra+ pierwszy model 3 Metoda TRAMO-SEATS 4 Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ 5
47 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Podstawowe parametry T [LB; UB] (dªugo± szeregu) { 36 s = 12 LB = max {12; 4s} s 12 UB = 600 Rekomendowane limity dla TRAMO (uwzgl dniane w procedurach automatycznych): p, d, q 3 P, D, Q 2
48 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS TRAMO i SEATS co robi?
49 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS TRAMO podstawowe specykacje RSA0 SARIMA (0,1,1)x(0,1,1) dla poziomu wedªug Maravalla i Gomeza model szczególnie elastyczny dla znacznej liczby makroekonomicznych szeregów czasowych i wygodny punkt wyj±cia dla analizy RSA1 RSA0 + test log vs level + wykrywanie outlierów RSA2 RSA1 + dni robocze + Wielkanoc RSA3 automatyczna specykacja ARIMA + test log-level + wykrywanie outlierów RSA4 RSA3 + dni robocze + Wielkanoc RSA5 RSA4 + test 6 zmiennych dla poszczególnych dni roboczych
50 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Specykacja modelu ARIMA aktywna przy wyª czonym modelowaniu automatycznym ARIMA (p,d,q)x(p,d,q) mo»na zada warto±ci startowe dla parametrów lub naªo»y restrykcj (zaznaczaj c Fixed)
51 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Wielomian MA z zaªo»enia odwracalny TRAMO wymusza odwracalno± cz ±ci MA procesu ARIMA. Powód: stabilno± numeryczna oblicze«w sko«czonych próbach. Je»eli odwrotno± pierwiastka wielomianu charakterystycznego zbiega (od doªu) do 1, zatrzymuje si na pewnej warto±ci (default = 0,99, mo»na j zmieni w oknie specykacji: Decomposition (Seats) / MA unit root boundary) Nadmierne ró»nicowanie (overdierencing) Niech y t = ε t (biaªy szum). Przy ró»nicowaniu y t = (1 L) y t znajdziemy model MA (1 L) y t = (1 0.99L) ε t WNIOSEK: (umiarkowane) nadmierne ró»nicowanie nie stanowi, z praktycznego punktu widzenia, istotnego problemu w TRAMO. Przy wªasnor cznej specykacji, zwi kszeniu d mo»e towarzyszy zwi kszenie q (parametr θ q mo»e, ale nie musi okaza si nieistotny).
52 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Automatyczna identykacja ARIMA (1) Pcr: warto± statystyki Ljunga-Boxa dla reszt, powy»ej której model nie zostanie zaakceptowany Tsig: minimalna warto± statystyki t dla uwzgl dnienia staªej w modelu
53 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Test Ljunga-Boxa Test Ljunga-Boxa H 0 : nie ma autokorelacji do rz du P wª cznie H 1 : wyst puje autokorelacja rz du od 1 do P Q = T (T + 2) P j=1 T ˆε t ˆε t j T ˆε 2 t t=1 } {{ } 1 t=j+1 T j ρ 2 j Q s = T (T + 2) P ( j=1 1 T js ρ2 js ) Nale»y wybra maksymalne P do przetestowania (24 opó¹nienia dla autokorelacji zwykªej, 3 dla sezonowej). Q s ma sens wyª cznie przy dodatniej autokorelacji sezonowej. Przy ujemnej mamy dwuletnie cykle i wtedy SEATS zakªada Q s = 0.
54 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Automatyczna identykacja ARIMA (2) Algorytm: 1 znajd¹ pierwiastki jednostkowe i ustal stopie«ró»nicowania (d,d) ub: odwrotno± pierwiastka, która powoduje zakwalikowanie go jako pierwiastka jednostkowego (ub1, ub2 pocz tkowo bardziej zachowawczo) nie testujemy obecno±ci pierwiastka jednostkowego (ADF, KPSS itd.) niska moc testów w obecno±ci silnych waha«sezonowych, problem data mining przy automatycznej identykacji i wykrywaniu obserwacji odstaj cych TRAMO-SEATS obci»one w kierunku ró»nicowania sezonowego 2 zidentykuj rz d procesu ARMA dla szeregu stacjonarnego kryterium informacyjne BIC (restrykcyjne dla nadmiernej parametryzacji) faworyzowane s zbilansowane modele, tzn. p + sp q + sq cancel: próg dla odwrotno±ci pierwiastka, poni»ej którego usuni ty jest on z modelu sekwencyjny rozwa»any zwykªy i sezonowy rz d AR i MA TRAMO unika modeli z q > p lub p q Zwi ksza to ryzyko,»e w SEATS nie b dzie istniaªa dopuszczalna dekompozycja (zob. dalej).
55 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Estymacja modelu ARIMA EML estimation: TAK: Exact Maximum Likelihood (mo»na dobra parametr precyzji w procedurze optymalizacyjnej dla funkcji wiarygodno±ci) NIE: metoda Hannana-Rissanena Model ARIMA zawiera nieobserwowalne regresory (cz ± MA). Dlatego: zapisanie (stacjonarnego) modelu w przestrzeni stanów (Akaike, 1974) maksymalizacja funkcji wiarygodno±ci wyprowadzonej przy pomocy ltru Kalmana (Mélard, 1984) W procesie maksymalizacji: kryterium stopu reguluje parametr precision je»eli parametry implikuj (prawie) jednostkowe pierwiastki, rewizja zaªo»e«nt. stopnia ró»nicowania parametr ubp potrzebujemy warto±ci startowych...
56 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Metoda Hannana-Rissanena Szacujemy parametry modelu ARMA(p,d): Φ (L) y t = Θ (L) ε t Θ (L) 1 Φ (L) y t = ε t Efekt dzielenia wielomianów (wymuszony odwracalny proces MA!): Π (L) y t = ε t Wielomian Π (L) jest niesko«czony, ale przy odwracalnym procesie MA jego parametry zbiegaj do zera w niesko«czono±ci. Dlatego mo»na go przybli»y sko«czonym wielomianem Π n (L). Wtedy parametry równania mog zosta oszacowane za pomoc MNK, co pozwoli uzyska oszacowania reszt ˆε t. W drugim kroku oszacowania te traktujemy jako obserwowalne regresory do cz ±ci MA. szybko± oblicze«, przypadki niestabilne numerycznie uzyskanie warto±ci startowych do estymacji
57 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Zmienne interwencyjne i obserwacje odstaj ce Wybór przy specykacji modelu dla TRAMO, zakªadka Regression: AO: Additive Outlier, [ ] TC: Transitory Change, [ δ δ 2 δ ] gdy δ = 1 efekt skrajnie uporczywy (LS), gdy δ = 0 natychmiast przemija (AO) LS: Level Shift, [ ] ramps: [ ] zmienne interwencyjne: dowolne sekwencje 0-1 wygªadzone 1 ltrem znana data wyst pienia efektu, znany a (1 δl)(1 δ S L S ) priori wzorzec dynamiczny jego reperkusji inne zmienne egzogeniczne, z listy zmiennych zdeniowanych przez u»ytkownika (wraz z rozkªadem opó¹nie«i sposobem uwzgl dnienia w modelu Demetra+ nie uwzgl dnia mo»liwo±ci dodania zmiennej do komponentu sezonowego)
58 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Outliers
59 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Automatyczna identykacja obserwacji odstaj cych czy przeprowadza? na jakiej podpróbie? jakiego typu outliery wykrywa? (AO, TC, LS) je»eli TC, to jaka warto± parametru wygasania δ? (default=0.7)
60 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Wªasno±ci procedury automatycznej identykacji cel: usuni cie odchyle«od normalnego rozkªadu reszt, pozornych efektów w ACF, obci»enia oszacowa«nieznana LOKALIZACJA ex ante! (tym obserwacje odstaj ce si ró»ni od zmiennych interwencyjnych) ale je»eli jest uzasadnienie ex post, lepiej wprowadzi zmienn interwencyjn optymalnie do 2%, maksymalnie do 5% liczby obserwacji w szeregu mo»liwo± sterowania warto±ci krytyczn testu na obecno± outliera: im wy»sza, tym trudniej go stwierdzi (Critical value w Outlier detection) default = 3,5, w praktyce od 3 (krótki szereg, <50) do 4 (dªugi szereg, >450) statystyka testowa: Maravall, cz. II, s. 93 w TRAMO-SEATS i Demetrze+ brak mo»liwo±ci uwzgl dniania sezonowych outlierów w automatycznej procedurze!
61 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Przebieg procedury automatycznej identykacji 1 Oszacowanie modelu ARIMAX (EML lub HR). 2 Test na obecno± obserwacji nietypowej ka»dego z 3 typów dla reszt modelu we wszystkich okresach. nie znaleziono outlierów w pierwszym przebiegu: STOP. nie znaleziono outlierów, ale nie byª to pierwszy przebieg: ID DO 3. znaleziono outliery: uzupeªnij model o zmienne egzogeniczne i ID DO 1. 3 Regresja ze wszystkimi dodanymi zmiennymi zerojedynkowymi. s nieistotne outliery: usu«ten z najni»sz warto±ci statystyki i ID DO 1. brak nieistotnych outlierów: STOP.
62 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Wyniki testów: pomoc w interpretacji Wedªug p-value: good uncertain (<0,1) bad (<0,05) severe (<0,01) Mo»na te poziomy zmieni w Tools / Options / Diagnostics. undened (przetwarzanie si nie powiodªo) error (bª d bezsensowne wyniki przetwarzania)
63 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Wyniki testów: agregacja
64 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Pre-processing log-likelihood, kryteria informacyjne i podstawowe statystyki modelu ARIMA oszacowania c, β, φ, θ, Φ, Θ ARIMA: te same oszacowania w notacji wielomianu charakterystycznego; teoretyczne spektrum modelu, teoretyczna ACF regressors: lista zmiennych egzogenicznych x t dla ARIMAX pre-adjustment series: szereg interpolowany (usuni te braki danych: Kalman xed-point smoother, Gomez i Maravall, 1994) linearyzowany (korekta o obserwacje odstaj ce zaªo»enie o ª cznej normalno±ci reszt: dzi ki temu warunkowa warto± oczekiwana przyszªych i brakuj cych warto±ci oraz ltrowanego sygnaªu liniow funkcj obserwacji) skorygowany o efekty kalendarzowe
65 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Kryteria informacyjne AIC = ln 1 T SIC (BIC) = ln 1 T HQC = ln 1 T T t=1 ˆε 2 t + 2k T T ˆε 2 t + t=1 T ˆε 2 t + t=1 k ln(t ) n 2k ln[ln(t )] T
66 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Skªadnik losowy Denicje reszt niuans Demetra+, TRAMO-SEATS i ARIMA-X12 stosuj inne denicje, cho praktyczne znaczenie tego rozró»nienia jest minimalne. Szczegóªy: Maravall, cz. II, s. 14 i 25; D+ User Manual, s Reszty w TRAMO z ltru Kalmana = liczba obserwacji - stopie«ró»nicowania - utracone stopnie swobody (np. outliers) - brakuj ce obserwacje Reszty w SEATS = liczba obserwacji (oszacowanie dla uªatwienia ltrowania) Analiza reszt: brak rozkªadu normalnego niestacjonarno± niesferyczno± (autokorelacja i heteroskedastyczno± )
67 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Residuals Mean H o : ±rednia reszt = 0 (reszty z ltru Kalmana, a nie z MNK!) Skewness H o : sko±no± reszt odpowiada rozkªadowi normalnemu Kurtosis H o : kurtoza reszt odpowiada rozkªadowi normalnemu Normality H o : sko±no± i kurtoza reszt odpowiada rozkªadowi normalnemu (na podstawie statystyk opisowych) Ljung-Box (Box-Pierce) H o : brak autokorelacji reszt do rz du 24 wª cznie Ljung-Box (Box-Pierce) on seasonality H o : brak sezonowej autokorelacji reszt do rz du 3 wª cznie Randomness ró»ne warianty testu serii (H o : losowy charakter reszt)
68 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Testy liniowo±ci Linearity H o : liniowy charakter modelu (liniowa kombinacja normalnych reszt) test porównuje autokorelacj kwadratów reszt z kwadratami wspóªczynników autokorelacji reszt alternatywa: ARCH, GARCH... Wyniki testów kurtoza, nieliniowo± ograniczony wpªyw na oszacowania punktowe, jedynie na bª dy standardowe i wnioskowanie statystyczne sko±no± wypªyw na oszacowania punktowe; obserwacje odstaj ce, zmiana specykacji... niezerowa ±rednia, autokorelacja, seryjno± reszt zmiana specykacji!
69 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS SEATS: zasady dekompozycji wszystkie komponenty szeregu czasowego s ortogonalne... (testy ortogonalno±ci w sekcji Decomposition (Seats) / Model-based tests)...i mog by modelowane za pomoc osobnych procesów ARIMA komponent nieregularny koncentruje w sobie szum, wielomiany charakterystyczne: AR=1, MA=1 zaªo»enie w procesie identykacji: wariancja komponentu nieregularnego maksymalizowana kosztem trendu i sezonowo±ci konsekwencja: inne komponenty zawieraj spektralne zero (co implikuje nieodwracalno± cz ±ci MA) wielomiany charakterystyczne AR i MA caªego procesu iloczynem odpowiednich wielomianów dla trendu i sezonowo±ci dwa wielomiany charakterystyczne AR: niestacjonarny (z pierwiastkami jednostkowymi) i stacjonarny; tylko stacjonarne wielomiany charakterystyczne MA (z zaªo»enia)
70 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Identykacja komponentów
71 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS SEATS: dekompozycja Φ (L) y t = Θ (L) ε t Φ (L) = Φ (L) (L) y = s t t + p t (+c t ) + u t } {{ } nt Φ p (L) p t = Θ p (L) ε p t Φ s (L) s t = Θ s (L) ε s t Φ c (L) c t = Θ c (L) ε c t u t = ε u t Φ (L) = Φ p (L) Φ s (L) Φ c (L) y t = Θ(L) Φ(L) ε t = Θp(L) Φ p(l) + Θs(L) Θc (L) εp t Φ s(l) + εs t Φ c (L) + ε εc u t t
72 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Analiza w domenie cz stotliwo±ci (1) Ka»dy szereg czasowy x t (t = 1,..., T) mo»emy obja±ni (stuprocentowo) za pomoc ukªadu T równa«z T niewiadomymi a i : x t = a 0 + a 1 t + a 2 t a T 1 t T 1 Dla ka»dej obserwacji x t mo»emy zapisa, przy znanych a i i x t : t T 1 + a T 2 a T 1 t T a 2 a T 1 t 2 + a 1 a T 1 t + a 0 x t a T 1 = 0 Powy»szy zapis jest to»samy z równaniem charakterystycznym jednorodnego liniowego równania ró»nicowego o rzeczywistych wspóªczynnikach. Rozwi zanie takiego równania jest postaci: y t = A cos (ωt) + B sin (ωt)...i mo»emy je znale¹ dla ka»dego x t.
73 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Analiza w domenie cz stotliwo±ci (2) Analizuj c sezonowo±, szukamy powtarzalnych, okresowych wzorców w szeregu. Rozwa»my szereg jako funkcj upªywaj cego czasu (t), cz stotliwo±ci waha«(ω) i funkcji trygonometrycznych sin i cos: x t = A t [B cos (ωt) + C sin (ωt)] Okres funkcji cos i sin to 2π. Niech to b dzie odpowiednik 1 roku. Wówczas: MIESI C: 2π = π 12 6 KWARTAŠ: 2π = π 4 2 W wahaniach miesi cznych mog by ukryte wahania o wy»szej cz stotliwo±ci, b d cej wielokrotno±ci π : 2π, 3π, 4π, 5π (harmonics). St d w danych: miesi cznych: n π cz stotliwo±ci sezonowe 6 kwartalnych: n π cz stotliwo±ci sezonowe 2
74 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Spektrum (1) Wniosek Mo»emy znale¹ dokªadne przeksztaªcenie szeregu x t do postaci sumy funkcji sin-cos: T /2 x t = (A j cos (ω j t) + B j sin (ω j t)) j=1 przy czym ω j = 2π T j Z ka»d cz stotliwo±ci ω j = 2πj (raz w szeregu, 2x w szeregu,..., co druga T obserwacja w szeregu) wi» si liczby A j, B j. Ich funkcj A 2 j + B 2 j mo»emy interpretowa jako wzgl dny wkªad cz stotliwo±ci ω j w obja±nienie zmienno±ci caªego szeregu. Spektrum Wykres zale»no±ci A 2 j + B 2 j od ω j [0; π] mo»emy uzna za odpowiednik histogramu w (standardowej) dziedzinie czasu. Ze wzgl du na okresowo± i symetri funkcji cos nie ma sensu rozwa»a innych cz stotliwo±ci ni» [0; π].
75 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Spektrum (2) istnieje wzajemnie jednoznaczne przeksztaªcenie szeregu czasowego z dziedziny czasu na dziedzin cz stotliwo±ci/okresu... dekomponuje ono wariancj szeregu ze wzgl du na cz stotliwo± poszczególnych waha«ka»d obserwacj mo»na przedstawi jako wa»on sum fal sinusoidalnych o ró»nej dªugo±ci wagi przy tych sinusoidach obrazuj, z jakich fal (krótkich czy dªugich) w dominuj cym stopniu skªada si szereg szereg z trendem o znikomych wahaniach lokalnych: wysoko wa»y dªugi okres = niska cz stotliwo± szereg bez trendu o relatywnie silnych wahaniach lokalnych: wysoko wa»y krótki okres = wysoka cz stotliwo± szereg z wahaniami sezonowymi: pojawia si dodatkowa górka Odsezonowanie: Usu«my zmienno± wokóª cz sto±ci sezonowych ( 2π τ i wielokrotno±ci), a nast pnie wró my z domeny cz stotliwo±ci do domeny czasu!
76 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Spektrum (3)
77 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Analiza w domenie cz stotliwo±ci (3) Rozwa»my wielomian charakterystyczny dla sezonowych ró»nic przy danych miesi cznych: x t x t 12 ( 1 L 12 ) x t Pierwiastki rozwi zaniami równania: 1 L 12 = 0 12 pierwiastków o module jednostkowym: L =
78 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Rozbicie wielomianów charakterystycznych Mo»na rozªo»y ( 1 L 12) x t na czynniki: ( ) 1 L 12 x t = (1 L) (1 3L + L 2) ( ) 1 L + L 2 ( ) 1 + L 2 ( ) 1 + L + L 2 (1 + 3L + L 2) (1 + L) } {{ } } {{ }} {{ }} {{ }} {{ }} {{ } } {{ } trend 1/rok= π 2/rok= 2π 6 6 3/rok= 3π 6 4/rok= 4π 6 5/rok= 5π 6/rok= 6π 6 6 } {{ } sezonowosc W ten sposób SEATS rozbija zidentykowany model ARIMA na komponenty w tym przypadku: non-stationary trend, non-stationary seasonal w ogólnym przypadku równie» cz ±ci stacjonarne
79 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Parametry dekompozycji Φ (L) = Φ p (L) Φ s (L) Φ c (L) pierwiastki AR s przypisywane stosownie do cz stotliwo±ci, jakie generuj Decomposition (Seats) / Trend boundary: granica, powy»ej której odwrotno± pierwiastka AR jest przypisywana do trendu (poni»ej: komponent przej±ciowy) Decomposition (Seats) / Seasonal tolerance: odlegªo± w spektrum od cz stotliwo±ci sezonowych (w stopniach), poni»ej której pierwiastek jest przypisywany do komponentu sezonowego Gdy q > p, zawsze pojawi si komponent przej±ciowy, nawet je»eli»aden pierwiastek AR nie zostanie do niego przypisany. Obecno± stacjonarnego (z denicji) komponentu przej±ciowego sªu»y temu, by zawrze w nim struktury korelacyjne szeregu, które nie zostaªy zawarte w trendzie i sezonowo±ci, tak aby komponent nieregularny byª biaªoszumowy.
80 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Dekompozycja: przykªad
81 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS SEATS: wariancja innowacji w poszczególnych komponentach
82 Demetra+ pierwszy model Metoda TRAMO-SEATS Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Wprowadzenie TRAMO SEATS Filtr Wienera-Koªmogorowa (1) narz dzie szacowania komponentów (w tym sezonowego) liniowa funkcja obserwacji na szeregu z parametrami wynikaj cymi z modeli ARIMA dla komponentów zbie»ny (wynika z odwracalno±ci cz ±ci MA), scentrowany i symetryczny ,2 0 0,2 0,4 0,6 0,
83 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Filtr Wienera-Koªmogorowa (2) Φ (L) y t = Θ (L) ε t, ε t (0; V ) y t = Ψ(L)ε t Φ s (L) s t = Θ s (L) ε s t, ε s t (0; V s ) s t = Ψ s (L)ε s t (PsiE weights) ŝ t = V s V Ψs (L)Ψ s (F ) Ψ(L)Ψ(F ) } {{ } υ s(l,f ) gdzie F i = L i (operator przesuni cia w przyszªo± ) W mianowniku wielomiany MA caªego modelu (odwracalne) i AR cz ±ci sezonowej (skróc si z licznikiem, bo tam wielomiany AR caªego modelu b d ce iloczynem wielomianów sezonowych i niesezonowych). St d: zbie»no± wag w niesko«czono±ci i ltr mo»e by obci ty dla potrzeb analizy sko«czonej próby. y t
84 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Wagi PsiE Filtr WK obejmuje przyszªe obserwacje, wi c wagi mogªyby da wyobra»enie o skali i horyzoncie mo»liwych rewizji odsezonowanego szeregu. Jednak w takim uj ciu ta skala byªaby przeszacowana, gdy» w modelu ARIMA o przyszªych obserwacjach sporo ju» wiadomo (prognoza z modelu ARIMA). Dlatego w tym celu wyrazi ŝ t jako funkcj przyszªych innowacji ε t. ŝ t = υ s (L, F ) y t = υ s (L, F ) Θ(B) Φ(B) ε t = ξ s (B, F ) ε } {{ } t PsiE weights Niesymetryczne, zbie»ne w przyszªo±ci, rozbie»ne w przeszªo±ci dla modelu niestacjonarnego.
85 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Spektrum teoretycznych komponentów Z zaªo»e«identykacji wynika: spektrum trendu i sezonowego komponentu dotyka 0 (mo»liwie najni»sza wariancja) poziome (z denicji) spektrum komponentu nieregularnego maksymalnie wysoko (mo»liwie najwy»sza wariancja)
86 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Spektrum estymatorów
87 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Istnienie dopuszczalnej dekompozycji Dopuszczalna dekompozycja......gdy spektrum wszystkich komponentów jest nieujemne. Decomposition (Seats) / Force model gdy dekompozycja jest niedopuszczalna, wymusza struktur modelu mo»liwie blisk dekompozycji dopuszczalnej. Przykªad niedopuszczalnej dekompozycji: Maravall, cz. III, s. 43.
88 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Squared gain Wró my do slajdów Spektrum 1-2 i pomysªu na odsezonowanie... Odsezonowanie Usu«my zmienno± wokóª cz sto±ci sezonowych ( 2π τ i wielokrotno±ci), a nast pnie wró my z domeny cz stotliwo±ci do domeny czasu! SPEKTRUM SZEREGU ODSEZONO- WANEGO (ω j ) = SPEKTRUM SZEREGU (ω j ) x LICZBA Z PRZEDZIAŠU [0;1] wynikaj ca z wag ltru W-K T liczb (dla ka»dego ω j ) nazywamy SQUARED GAIN (of the W-K lter).
89 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Squared gain (2) jaki % wariancji dla danej cz stotliwo±ci ltr W-K przepuszcza do poszczególnych komponentów? dla których cz stotliwo±ci wariancja w oszacowaniu silniejsza ni» w teoretycznym komponencie?
90 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Estymator ko«cowy i wst pny (1) nal (historical) vs preliminary ró»nica wynika z obecno±ci w ltrze WK obserwacji opó¹nionych (niedost pne dla pocz tku próby) i przyszªych (niedost pne dla ko«ca próby) model ARIMA forecasting & backcasting ltrowanie rozszerzonej próby horyzont (sensownej) prognozy wymusza obci cie (niesko«czonego) ltru WK do pewnego zakresu ltr implicite jednostronny gdy obserwacji przybywa, rewizje zbiegaj do pewnego punktu wraz z rozszerzaniem si ltra dla obserwacji, która jest coraz gª biej zanurzona w próbie efekt fazowy: o ile ltr przesuwa w czasie poszczególne cz stotliwo±ci dla poszczególnych elementów (trend-cykl + szereg wyrównany sezonowo: dla oceny, o ile ltry przesuwaj istotne informacje zwi zane z przebiegiem cyklu koniunkturalnego) byªby nieobecny przy ltrze czysto dwustronnym
91 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Estymator ko«cowy i wst pny (2)
92 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Prognozy w TRAMO-SEATS TRAMO prognoza ze sko«czon pami ci (nite memory): z ltru Kalmana do estymacji SEATS prognoza z niesko«czon pami ci (innite memory) z modelu ARIMA niewielkie ró»nice, w szczególno±ci przy dªugim szeregu
93 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS SEATS: testy wariancje, autokorelacje i spektra poszczególnych komponentów teoretyczne dla optymalnego estymatora (Estimator) empiryczne dla wykorzystanego estymatora (Estimate) Model-based tests: porównanie obu wielko±ci (powinny by podobne). Je»eli nie s (dla komponentu sezonowego), skala sezonowo±ci mogªa zosta przeszacowana (niedoszacowana), a przez to wariancja szeregu oczyszczonego sezonowo niedoszacowana (przeszacowana). Wariancja empiryczna oszacowania komponentu zawsze ni»sza ni» teoretyczna komponentu. Im stabilniejszy trend, tym wy»sza ró»nica. Im bardziej stochastyczny, tym ró»nica mniejsza (tym mniej niedoszacowana jego empiryczna wariancja).
94 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Ró»nica mi dzy komponentem i estymatorem Jej ¹ródªem s przyszªe obserwacje (symetryczny charakter ltru WK). Φ s (L) s t = Θ s (L) ε s t proces teoretyczny Filtr WK zawiera równie» wielomiany z udziaªem F (wyprowadzenie zob. Maravall, cz. III, str. 61). WNIOSEK: modelowanie odsezonowanych szeregów czasowych (w szczególno±ci za pomoc modeli AR) mo»e by myl ce, gdy» ltr generuje dodatkowe struktury korelacyjne (przykªad: Maravall, cz. III, s ).
95 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Diagnostyka (1) denition: sprawdzenie poprawno±ci podstawowych to»samo±ci mi dzy komponentami szeregu czasowego (np. szereg oczyszczony sezonowo = szereg wyj±ciowy - czynnik sezonowy = trend + komponent nieregularny; itd.) peªna lista w D+ User Manual, str annual totals: porównane roczne sumy szeregu wyj±ciowego i oczyszczonego sezonowo (powinny by podobne) suma komponentów sezonowych na przestrzeni roku = 0 w modelu deterministycznym; w modelu stochastycznym tak by nie musi, ale ta suma PRZECI TNIE powinna wynosi 0 i w poszczególnych przypadkach nie by od niego ZNACZNIE oddalona
96 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Diagnostyka (2) visual spectral analysis: identykacja wierzchoªków na wykresie spektrum dla (i) komponentu sezonowego i (ii) komponentu liczby dni roboczych regarima spectral peaks: przy zaªo»eniu normalno±ci rozkªadu reszt z modelu ARIMA mo»liwe wyprowadzenie testów istotno±ci wokóª pewnych cz stotliwo±ci w spektrum (sezonowo±, dni robocze) odrzucenie H o sugeruje,»e sezonowo±ci i efektu dni roboczych nie udaªo si w peªni usun residual seasonality: test F stabilnej sezonowo±ci dla szeregu odsezonowanego (caªy szereg, ostatnie 3 lata) oraz komponentu nieregularnego liczba obserwacji odstaj cych: czy nie za du»o?
97 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Testy stabilnej sezonowo±ci Friedman (statystyka testowa jak w analizie wariancji) Kruskall-Wallis (statystyka testowa oparta na rangach obserwacji) Hipoteza zerowa zakªada brak powtarzalnego wzorca sezonowego na przestrzeni roku. Testy bazuj na oszacowaniu proporcji zró»nicowania SI-ratio zwi zanych z okresami (miesi cami, kwartaªami) w wariancji szeregu. Testy dla wst pnego oszacowania komponentu (z outlierami). test for the presence of seasonality assuming stability Test istotno±ci zró»nicowania mi dzygrupowego (na tle wewn trzgrupowego) w analizie wariancji. Bazuje na nast puj cej dekompozycji wariancji nalnego oszacowania komponentu S-I (po eliminacji outlierów): S 2 = S 2 A + S 2 R gdzie: S 2 A wariancja ±rednich miesi cznych / kwartalnych wokóª ±redniej szeregu (wahania sezonowe), S 2 R wariancja obserwacji wokóª ±rednich miesi cznych (wahania przypadkowe).
98 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Testy niestabilnej sezonowo±ci moving seasonality test H 0 : brak (analiza wariancji z klasykacj dwuczynnikow : lata vs miesi ce) identiable seasonality: ª czna statystyka testowa dla testu F stabilnej sezonowo±ci i ruchomej sezonowo±ci combined seasonality test stabilna i niestabilna sezonowo± ª cznie (H 0 : brak) Residual seasonality test Test sezonowo±ci w resztach (caªa próba i ostatnie 3 lata). H 0 : brak. Niestabilna sezonowo± to ogólniejsza specykacja ni» stabilna......a oba rozwi zania s porównywalne w kategoriach utraty liczby stopni swobody (obci cie pocz tkowych informacji vs oszacowanie wielu parametrów zmiennych zerojedynkowych). Nie jest wi c potrzebna korekta modelu SARIMA, je»eli sezonowo± okazuje si stabilna.
99 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Combined seasonality
100 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Analiza spektralna warto porówna spektrum komponentu nieregularnego i szeregu oczyszczonego (Diagnostics / Spectral Analysis) sezonowo ze spektrum wyj±ciowego szeregu (Tools / Tool Window / Spectral Analysis) szare pionowe linie: cz stotliwo±ci zwi zane z sezonowo±ci ( 2π f ) oletowa linia: cz stotliwo± zwi zana z efektem dni roboczych wnioski: zmiana specykacji (górka dla cz stotliwo±ci sezonowych) lub uzupeªnienie listy regresorów (górka dla cz stotliwo±ci efektu dni roboczych)
101 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Autoregresyjne spektrum gdzie φ j wspóªczynniki z regresji elementów szeregu wzgl dem j-tych opó¹nie«, gdzie j=1,...,m, σ 2 m wariancja reszt tego modelu Sposób na wyostrzenie spektrum przez eliminacj szumu zwi zanego z autokorelacj i dominacji trendu. Kryterium wizualnej istotno±ci dla wierzchoªka spektrum AR: powy»ej mediany dla spektrum wy»ej od elementów s siaduj cych przynajmniej o 6 52 rozst pu dla spektrum
102 Demetra+ pierwszy model Wprowadzenie Metoda TRAMO-SEATS TRAMO Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ SEATS Zakres prezentowanych wyników Tools / Options / Default SA processing output
103 Tworzenie, zapisywanie i wykorzystanie kalendarzy Podstawowe zasady i gªówne metody odsezonowania Zmienne u»ytkownika Demetra+ pierwszy model Przetwarzanie du»ych zbiorów danych (multi-processing) Metoda TRAMO-SEATS Diagnostyka stabilno±ci wyników Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Ponowne wykorzystanie i aktualizacja modelu Wybrane opcje programu Plan prezentacji 1 Podstawowe zasady i gªówne metody odsezonowania 2 Demetra+ pierwszy model 3 Metoda TRAMO-SEATS 4 Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ 5
104 Tworzenie, zapisywanie i wykorzystanie kalendarzy Podstawowe zasady i gªówne metody odsezonowania Zmienne u»ytkownika Demetra+ pierwszy model Przetwarzanie du»ych zbiorów danych (multi-processing) Metoda TRAMO-SEATS Diagnostyka stabilno±ci wyników Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Ponowne wykorzystanie i aktualizacja modelu Wybrane opcje programu Tworzenie nowego kalendarza Podstawowy (dotychczas wykorzystywany): Workspace / Calendars / Default. Tworzenie nowego: Workspace / Edit / Calendars. Kalendarz musi si ga co najmniej do horyzontu prognozy! Sposoby uwzgl dniania ±wi t w TRAMO jako element kalendarza (dzie«wolny od pracy) jako osobny efekt w regresji (utrata stopni swobody, mo»e ale nie musi by to uzasadnione)
105 Tworzenie, zapisywanie i wykorzystanie kalendarzy Podstawowe zasady i gªówne metody odsezonowania Zmienne u»ytkownika Demetra+ pierwszy model Przetwarzanie du»ych zbiorów danych (multi-processing) Metoda TRAMO-SEATS Diagnostyka stabilno±ci wyników Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Ponowne wykorzystanie i aktualizacja modelu Wybrane opcje programu Budowa kalendarza 3 typy kalendarza: National: podstawowy typ kalendarza Composite: ±rednia wa»ona kilku kalendarzy (dla agregatów, np. odsezonowanie PKB w stree euro) Chained: zªo»enie kalendarzy (dla zmian re»imu, np. bez wolnego 6 stycznia do 2010 r. i wolne od 2011 r.) Wªasno±ci kalendarza: Frequency (M, Q itd.) Pocz tek i dªugo± Zmienne jako liczba danego typu dni w odpowiadaj cej jednostce czasu, zawsze przeksztaªcone do postaci o ±redniej 0 Leap year (rok przest pny) DEFAULT Trading days: 6 zmiennych zerojedynkowych (poniedziaªek,..., sobota) DEFAULT Working days: 2 zmienne zerojedynkowe (tydzie«, weekend)
106 Tworzenie, zapisywanie i wykorzystanie kalendarzy Podstawowe zasady i gªówne metody odsezonowania Zmienne u»ytkownika Demetra+ pierwszy model Przetwarzanie du»ych zbiorów danych (multi-processing) Metoda TRAMO-SEATS Diagnostyka stabilno±ci wyników Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Ponowne wykorzystanie i aktualizacja modelu Wybrane opcje programu Dodawanie nowych ±wi t Workspace / Edit / Calendars albo [menu] / Specications nowe ±wi ta: OFFSET predeniowane zale»ne od Wielkanocy dodane przez u»ytkownika Przesuni cie wzgl dem ±wi ta odniesienia, np. dla Easter-related oset=-3 to Wielki Czwartek.
107 Tworzenie, zapisywanie i wykorzystanie kalendarzy Podstawowe zasady i gªówne metody odsezonowania Zmienne u»ytkownika Demetra+ pierwszy model Przetwarzanie du»ych zbiorów danych (multi-processing) Metoda TRAMO-SEATS Diagnostyka stabilno±ci wyników Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Ponowne wykorzystanie i aktualizacja modelu Wybrane opcje programu Eksport i import kalendarza Przy zapisaniu przestrzeni roboczej jako aaa.xml, w tym samym katalogu pojawi si podkatalog aaa/calendars, a w nim plik Calendars.xml ze zdeniowanymi kalendarzami. Mo»na je wczyta do innej przestrzeni roboczej przez Workspace / Import / Calendars. Zmienne w kalendarzach mo»na: Kopiowa i wkleja (mi dzy kalendarzami) Przeci ga (za nazw ) na list zmiennych w oknie Browsers Kopiowa do Excela
108 Tworzenie, zapisywanie i wykorzystanie kalendarzy Podstawowe zasady i gªówne metody odsezonowania Zmienne u»ytkownika Demetra+ pierwszy model Przetwarzanie du»ych zbiorów danych (multi-processing) Metoda TRAMO-SEATS Diagnostyka stabilno±ci wyników Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Ponowne wykorzystanie i aktualizacja modelu Wybrane opcje programu Zmienne u»ytkownika Zostan zapami tane w przestrzeni roboczej (te zaimportowane w Browsers nie!). Dwukrotne klikni cie User dened variables na drzewie Workspace lub z menu Workspace / Edit / User variables otwiera ich list Za pierwszym razem mog zosta dodane przez: Ctrl+C w Excelu Ctrl+V w oknie Variables przeci gni cie z Excela UWAGA! Szereg(i) w Excelu musi(-sz ) by w odpowiedniej dla D+ formie. Po zapisaniu przestrzeni roboczej ze zmiennymi, mo»na je zaimportowa do innej przez Workspace / Import / User variables, a nast pnie wybranie pliku Variables.xml z podkatalogu Variables przestrzeni roboczej (jak przy imporcie kalendarza). PRZYKŠAD: calendar eects w specykacji modelu dla TRAMO: zmienne zdeniowane przez u»ytkownika mog sªu»y jako ¹ródªo informacji o ±wi tach w kalendarzu
109 Tworzenie, zapisywanie i wykorzystanie kalendarzy Podstawowe zasady i gªówne metody odsezonowania Zmienne u»ytkownika Demetra+ pierwszy model Przetwarzanie du»ych zbiorów danych (multi-processing) Metoda TRAMO-SEATS Diagnostyka stabilno±ci wyników Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Ponowne wykorzystanie i aktualizacja modelu Wybrane opcje programu Zarz dzanie obiektami Multi-processing Nowe: Multi-processing w drzewie Workspace klikni cie prawym przyciskiem: Add new menu Seasonal Adjustment / Multi-processing / New (ew. Wizard) Eksport: Import: [menu] / Add to workspace, potem zapisanie przestrzeni roboczej (obiekty Multi-processing w plikach xml) Multi-processing w drzewie Workspace klikni cie prawym przyciskiem: Add existing i wybranie pliku xml z katalogu SAProcessing innej, uprzednio zapisanej przestrzeni roboczej
110 Tworzenie, zapisywanie i wykorzystanie kalendarzy Podstawowe zasady i gªówne metody odsezonowania Zmienne u»ytkownika Demetra+ pierwszy model Przetwarzanie du»ych zbiorów danych (multi-processing) Metoda TRAMO-SEATS Diagnostyka stabilno±ci wyników Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Ponowne wykorzystanie i aktualizacja modelu Wybrane opcje programu Przebieg Multi-processing 1 Tworzymy (lub importujemy) obiekt. 2 Wybieramy aktywn specykacj modelu (Workspace). 3 Wybieramy interesuj cy nas szereg (Browsers) i przeci gamy go do okna obiektu. 4 Kroki 2-3 powtarzamy dla wszystkich szeregów do przetworzenia. 5 [menu] / Run. Interpretacja zestawionych wyników: jak przy single processing (notacja). [menu] / Generate output pozwala zapisa du» liczb wytworzonych szeregów czasowych w pliku xls (lub innym).
111 Tworzenie, zapisywanie i wykorzystanie kalendarzy Podstawowe zasady i gªówne metody odsezonowania Zmienne u»ytkownika Demetra+ pierwszy model Przetwarzanie du»ych zbiorów danych (multi-processing) Metoda TRAMO-SEATS Diagnostyka stabilno±ci wyników Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Ponowne wykorzystanie i aktualizacja modelu Wybrane opcje programu Multi-processing: edycja obiektu Dwukrotne klikni cie na nazw szeregu otwiera okno single-processing. Po klikni ciu prawym przyciskiem mo»emy: usun szereg z obiektu zmieni metod zaakceptowa wyniki (wtedy zamiast syntetycznego wska¹nika jako±ci w kolumnie Quality pojawi si sªowo Accepted na szarym tle) Z [menu] mo»na: update reports: od±wie»enie po zmianach specykacji refresh: od±wie»enie po zmianie danych (np. dodaniu obserwacji) por. dalej initial order: przywróci kolejno±, w której dodano zmienne (je»eli zostaªa zmieniona innym sortowaniem) Mo»na wyci gn z obiektu MP obiekt SP (za nazw ).
112 Tworzenie, zapisywanie i wykorzystanie kalendarzy Podstawowe zasady i gªówne metody odsezonowania Zmienne u»ytkownika Demetra+ pierwszy model Przetwarzanie du»ych zbiorów danych (multi-processing) Metoda TRAMO-SEATS Diagnostyka stabilno±ci wyników Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Ponowne wykorzystanie i aktualizacja modelu Wybrane opcje programu Rewizje oszacowa«komponentów
113 Tworzenie, zapisywanie i wykorzystanie kalendarzy Podstawowe zasady i gªówne metody odsezonowania Zmienne u»ytkownika Demetra+ pierwszy model Przetwarzanie du»ych zbiorów danych (multi-processing) Metoda TRAMO-SEATS Diagnostyka stabilno±ci wyników Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Ponowne wykorzystanie i aktualizacja modelu Wybrane opcje programu Rewizje: informacje szczegóªowe Klikni cie w niebieski punkt wy±wietla jego histori rewizji. Liczby prezentowane na wykresie mog by przeci gni te do Excela. Menu kontekstowe drzewa wyników Revision policy: parameters: tylko warto±ci parametrów outliers: warto±ci parametrów + ponowna identykacja obserwacji odstaj cych complete: rewizja caªego modelu Okno Absolute dierences: ró»nica mi dzy nalnym a pocz tkowym oszacowaniem komponentu. Ró»nice przekraczaj ce ±redni o 2 RMSE s zaznaczone na czerwono (±wiadectwo niestabilno±ci poczatkowych oszacowa«).
114 Demetra+ pierwszy model Metoda TRAMO-SEATS Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Tworzenie, zapisywanie i wykorzystanie kalendarzy Zmienne u»ytkownika Przetwarzanie du»ych zbiorów danych (multi-processing) Diagnostyka stabilno±ci wyników Ponowne wykorzystanie i aktualizacja modelu Wybrane opcje programu Bª dy rewizji Po ilu okresach uzupeªnienie zbioru danych o now obserwacj przestaje powodowa istotn rewizj dotychczasowych oszacowa«poszczególnych komponentów? Decomposition (Seats) / WK analysis / Error analysis Bª d rewizji (zwi zany z efektem przyszªych innowacji) jest tylko cz ±ci bª du oszacowania komponentu. Caªo± : Total error. ε t T = (s t ŝ t ) + ( ŝ t ŝ t T )
115 Tworzenie, zapisywanie i wykorzystanie kalendarzy Podstawowe zasady i gªówne metody odsezonowania Zmienne u»ytkownika Demetra+ pierwszy model Przetwarzanie du»ych zbiorów danych (multi-processing) Metoda TRAMO-SEATS Diagnostyka stabilno±ci wyników Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Ponowne wykorzystanie i aktualizacja modelu Wybrane opcje programu Sliding spans: idea diagnostyka stabilno±ci oszacowa«komponentów pod k tem silnych zmian wzorca sezonowo±ci znacznej liczby obserwacji odstaj cych
116 Tworzenie, zapisywanie i wykorzystanie kalendarzy Podstawowe zasady i gªówne metody odsezonowania Zmienne u»ytkownika Demetra+ pierwszy model Przetwarzanie du»ych zbiorów danych (multi-processing) Metoda TRAMO-SEATS Diagnostyka stabilno±ci wyników Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Ponowne wykorzystanie i aktualizacja modelu Wybrane opcje programu Sliding spans: statystyki dla poszczególnych 2-4 podprób: testy sezonowo±ci i ±redni czynnik sezonowy (ewolucja wzorca sezonowo±ci?) dla ka»dego okresu obliczona statystyka testowa (na podstawie ró»nic mi dzy oszacowaniami komponentów dla tych samych okresów w ró»nych podpróbach) warto± uznawana za niestabiln, je»eli ró»nica mi dzy najwy»szym a najni»szym oszacowaniem komponentu dla danego okresu przekracza 3% (tego drugiego) rozkªad statystyki na histogramie (powinien by skoncentrowany przy niewielkich warto±ciach, prawostronnie asymetryczny) informacje na temat lokalizacji wysokich warto±ci statystyki (lata, miesi ce) >25% niestabilnych warto±ci zmiana specykacji modelu
117 Tworzenie, zapisywanie i wykorzystanie kalendarzy Podstawowe zasady i gªówne metody odsezonowania Zmienne u»ytkownika Demetra+ pierwszy model Przetwarzanie du»ych zbiorów danych (multi-processing) Metoda TRAMO-SEATS Diagnostyka stabilno±ci wyników Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Ponowne wykorzystanie i aktualizacja modelu Wybrane opcje programu Sliding spans: dobry i zªy wynik
118 Tworzenie, zapisywanie i wykorzystanie kalendarzy Podstawowe zasady i gªówne metody odsezonowania Zmienne u»ytkownika Demetra+ pierwszy model Przetwarzanie du»ych zbiorów danych (multi-processing) Metoda TRAMO-SEATS Diagnostyka stabilno±ci wyników Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Ponowne wykorzystanie i aktualizacja modelu Wybrane opcje programu Model stability Parametry oszacowane dla ruchomego, 8-letniego okna.
119 Tworzenie, zapisywanie i wykorzystanie kalendarzy Podstawowe zasady i gªówne metody odsezonowania Zmienne u»ytkownika Demetra+ pierwszy model Przetwarzanie du»ych zbiorów danych (multi-processing) Metoda TRAMO-SEATS Diagnostyka stabilno±ci wyników Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Ponowne wykorzystanie i aktualizacja modelu Wybrane opcje programu Przebieg aktualizacji 1 Aktualizacja danych w ¹ródle. 2 Otwarcie D+ i zapisanej przestrzeni roboczej (z dodanymi specykacjami i dynamicznie podª czonymi ¹ródªami danych, tzn. nie mog to by zmienne u»ytkownika ani zmienne wklejone przez Copy-Paste; pliki ¹ródªowe nie mog mie zmienionych nazw i lokalizacji). 3 Wybranie obiektu multi-processing. 4 [menu] / Refresh /... i potwierdzenie. 5 [menu] / Generate output.
120 Tworzenie, zapisywanie i wykorzystanie kalendarzy Podstawowe zasady i gªówne metody odsezonowania Zmienne u»ytkownika Demetra+ pierwszy model Przetwarzanie du»ych zbiorów danych (multi-processing) Metoda TRAMO-SEATS Diagnostyka stabilno±ci wyników Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Ponowne wykorzystanie i aktualizacja modelu Wybrane opcje programu Sposoby aktualizacji current adjustment (partial): BEZ ZMIAN struktura modelu, BEZ ZMIAN warto±ci parametrów parameters: BEZ ZMIAN struktura modelu, ZMIANA parametrów last outliers: BEZ ZMIAN struktura modelu, ZMIANA parametrów, ZMIANA obs. odstaj cych z ost. roku outliers: BEZ ZMIAN struktura modelu, ZMIANA parametrów, ZMIANA wszystkich obs. odstaj cych concurrent adjustment: REESTYMACJA caªego modelu
121 Tworzenie, zapisywanie i wykorzystanie kalendarzy Podstawowe zasady i gªówne metody odsezonowania Zmienne u»ytkownika Demetra+ pierwszy model Przetwarzanie du»ych zbiorów danych (multi-processing) Metoda TRAMO-SEATS Diagnostyka stabilno±ci wyników Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Ponowne wykorzystanie i aktualizacja modelu Wybrane opcje programu Zmiana specykacji istniej cego modelu [menu] / Specication / Current specication zmiany Apply [menu] / Specication / Specication from result zmiany Apply RÓ NICA! W drugim przypadku punktem wyj±cia jest specykacja znaleziona przez program (wszystkie automatycznie znalezione parametry, tzn. p, d, q, P, D, Q, log vs level, efekt wielkanocny, automatycznie znalezione obserwacje odstaj ce itd.) powy»sze decyzje nie s rewidowane.
122 Tworzenie, zapisywanie i wykorzystanie kalendarzy Podstawowe zasady i gªówne metody odsezonowania Zmienne u»ytkownika Demetra+ pierwszy model Przetwarzanie du»ych zbiorów danych (multi-processing) Metoda TRAMO-SEATS Diagnostyka stabilno±ci wyników Rozszerzenia TRAMO-SEATS implementacja w Demetrze+ Ponowne wykorzystanie i aktualizacja modelu Wybrane opcje programu Eksport wyników do plików wybranego typu: xls (By Series / By Component / One Sheet), csv (dla multi-processing), txt, inne wybrane elementy Tools / Options / Outputs nale»y wybra folder
Modele ARIMA prognoza, specykacja
Modele ARIMA prognoza, specykacja Wst p do ekonometrii szeregów czasowych wiczenia 3 5 marca 2010 Plan prezentacji 1 Specykacja modelu ARIMA 2 3 Plan prezentacji 1 Specykacja modelu ARIMA 2 3 Funkcja autokorelacji
Bardziej szczegółowoEkonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 1 Regresja liniowa i MNK (1) Ekonometria 1 / 25 Plan wicze«1 Ekonometria czyli...? 2 Obja±niamy ceny wina 3 Zadania z podr cznika (1) Ekonometria 2 / 25 Plan prezentacji 1 Ekonometria
Bardziej szczegółowoEkonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 2 Werykacja modelu liniowego (2) Ekonometria 1 / 33 Plan wicze«1 Wprowadzenie 2 Ocena dopasowania R-kwadrat Skorygowany R-kwadrat i kryteria informacyjne 3 Ocena istotno±ci zmiennych
Bardziej szczegółowoWst p do ekonometrii II
Wst p do ekonometrii II Wykªad 2: Modele ARIMA. Filtr Kalmana (2) WdE II 1 / 46 Plan wykªadu 1 Modele ARIMA Modele AR, MA, ARMA, ARIMA i ARIMAX Specykacja modelu ARIMA Modele sezonowe: SARIMA 2 Filtr Kalmana
Bardziej szczegółowoSylabus Formularz opisu przedmiotu (formularz sylabusa) dla studiów I i II stopnia 1 wypełnia koordynator przedmiotu
Sylabus Formularz opisu przedmiotu (formularz sylabusa) dla studiów I i II stopnia 1 wypełnia koordynator przedmiotu A. Informacje ogólne Nazwa pola Nazwa przedmiotu Treść Analiza Szeregów Czasowych Jednostka
Bardziej szczegółowoPrognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody. Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB
Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB Plan prezentacji Wprowadzenie do prognozowania Metody
Bardziej szczegółowoEkonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 4 Prognozowanie (4) Ekonometria 1 / 18 Plan wicze«1 Prognoza punktowa i przedziaªowa 2 Ocena prognozy ex post 3 Stabilno± i sezonowo± Sezonowo± zadanie (4) Ekonometria 2 / 18 Plan
Bardziej szczegółowoEkonometria. wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± (3) Ekonometria 1 / 29 Plan wicze«1 Wprowadzenie 2 Normalny rozkªad 3 Autokorelacja 4 Heteroskedastyczno± Test White'a Odporne bª
Bardziej szczegółowoEkonometria - wykªad 8
Ekonometria - wykªad 8 3.1 Specykacja i werykacja modelu liniowego dobór zmiennych obja±niaj cych - cz ± 1 Barbara Jasiulis-Goªdyn 11.04.2014, 25.04.2014 2013/2014 Wprowadzenie Ideologia Y zmienna obja±niana
Bardziej szczegółowoZaawansowane metody odsezonowywania szeregów czasowych. TRAMO/SEATS i JDemetra+
Zaawansowane metody odsezonowywania szeregów czasowych. TRAMO/SEATS i JDemetra+ Ekonometria Szeregów Czasowych SGH TRAMO/SEATS i JDemetra+ 1 / 84 Plan wykªadu 1 Odsezonowanie ogólne informacje 2 Sezonowo±
Bardziej szczegółowoANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15
ANALIZA NUMERYCZNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Metoda Eulera 3 1.1 zagadnienia brzegowe....................... 3 1.2 Zastosowanie ró»niczki...................... 4 1.3 Output do pliku
Bardziej szczegółowoMetody numeryczne i statystyka dla in»ynierów
Kierunek: Automatyka i Robotyka, II rok Wprowadzenie PWSZ Gªogów, 2009 Plan wykªadów Wprowadzenie, podanie zagadnie«, poj cie metody numerycznej i algorytmu numerycznego, obszar zainteresowa«i stosowalno±ci
Bardziej szczegółowoMateriaªy do Repetytorium z matematyki
Materiaªy do Repetytorium z matematyki 0/0 Dziaªania na liczbach wymiernych i niewymiernych wiczenie Obliczy + 4 + 4 5. ( + ) ( 4 + 4 5). ( : ) ( : 4) 4 5 6. 7. { [ 7 4 ( 0 7) ] ( } : 5) : 0 75 ( 8) (
Bardziej szczegółowoI. Szereg niesezonowy
Spis I. Szereg niesezonowy 1.1. Opis danych 1.2. Dekompozycja szeregu w programie Demetra 1.3. Analiza szeregu w STATA 1.4. Model ekstrapolacyjny 1.5. Model ARIMA 1.6. P II Szereg sezonowy 2.1. Opis danych
Bardziej szczegółowoArkusz maturalny. Šukasz Dawidowski. 25 kwietnia 2016r. Powtórki maturalne
Arkusz maturalny Šukasz Dawidowski Powtórki maturalne 25 kwietnia 2016r. Odwrotno±ci liczby rzeczywistej 1. 9 8 2. 0, (1) 3. 8 9 4. 0, (8) 3 4 4 4 1 jest liczba Odwrotno±ci liczby rzeczywistej 3 4 4 4
Bardziej szczegółowoEkonometria. wiczenia 5 i 6 Modelowanie szeregów czasowych. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 5 i 6 Modelowanie szeregów czasowych (5-6) Ekonometria 1 / 30 Plan prezentacji 1 Regresja pozorna 2 Testowanie stopnia zintegrowania szeregu 3 Kointegracja 4 Modele dynamiczne (5-6)
Bardziej szczegółowoRozdziaª 4. Jednowymiarowe modele szeregów czasowych
Rozdziaª 4. Jednowymiarowe modele szeregów czasowych MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 4) Modele ARMA 1 / 24 Jednowymiarowe modele szeregów czasowych Jednowymiarowe modele szeregów czasowych:
Bardziej szczegółowoWprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA
Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Modele tej klasy są modelami ateoretycznymi Ważną klasę modeli dynamicznych stanowią
Bardziej szczegółowoRozwi zanie równania ró»niczkowego metod operatorow (zastosowanie transformaty Laplace'a).
Rozwi zania zada«z egzaminu podstawowego z Analizy matematycznej 2.3A (24/5). Rozwi zanie równania ró»niczkowego metod operatorow (zastosowanie transformaty Laplace'a). Zadanie P/4. Metod operatorow rozwi
Bardziej szczegółowo5. Model sezonowości i autoregresji zmiennej prognozowanej
5. Model sezonowości i autoregresji zmiennej prognozowanej 1. Model Sezonowości kwartalnej i autoregresji zmiennej prognozowanej (rząd istotnej autokorelacji K = 1) Szacowana postać: y = c Q + ρ y, t =
Bardziej szczegółowo1 Metody iteracyjne rozwi zywania równania f(x)=0
1 Metody iteracyjne rozwi zywania równania f()=0 1.1 Metoda bisekcji Zaªó»my,»e funkcja f jest ci gªa w [a 0, b 0 ]. Pierwiastek jest w przedziale [a 0, b 0 ] gdy f(a 0 )f(b 0 ) < 0. (1) Ustalmy f(a 0
Bardziej szczegółowoZagadnienia na wej±ciówki z matematyki Technologia Chemiczna
Zagadnienia na wej±ciówki z matematyki Technologia Chemiczna 1. Podaj denicj liczby zespolonej. 2. Jak obliczy sum /iloczyn dwóch liczb zespolonych w postaci algebraicznej? 3. Co to jest liczba urojona?
Bardziej szczegółowoInformacje pomocnicze
Funkcje wymierne. Równania i nierówno±ci wymierne Denicja. (uªamki proste) Wyra»enia postaci Informacje pomocnicze A gdzie A d e R n N (dx e) n nazywamy uªamkami prostymi pierwszego rodzaju. Wyra»enia
Bardziej szczegółowo1 Przypomnienie wiadomo±ci ze szkoªy ±redniej. Rozwi zywanie prostych równa«i nierówno±ci
Zebraª do celów edukacyjnych od wykªadowców PK, z ró»nych podr czników Maciej Zakarczemny 1 Przypomnienie wiadomo±ci ze szkoªy ±redniej Rozwi zywanie prostych równa«i nierówno±ci dotycz cych funkcji elementarnych,
Bardziej szczegółowoModele wielorównaniowe. Problem identykacji
Modele wielorównaniowe. Problem identykacji Ekonometria Szeregów Czasowych SGH Identykacja 1 / 43 Plan wykªadu 1 Wprowadzenie 2 Trzy przykªady 3 Przykªady: interpretacja 4 Warunki identykowalno±ci 5 Restrykcje
Bardziej szczegółowoTestowanie stopnia zintegrowania. czasowego. Wst p do ekonometrii szeregów czasowych wiczenia 1. Andrzej Torój. 19 lutego 2010
szeregu czasowego Wst p do ekonometrii szeregów czasowych wiczenia 1 19 lutego 2010 Plan prezentacji 1 Szereg czasowy, poj cie stacjonarno±ci 2 3 4 5 6 7 Plan prezentacji 1 Szereg czasowy, poj cie stacjonarno±ci
Bardziej szczegółowoEkonometria. wiczenia 7 Modele nieliniowe. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 7 Modele nieliniowe (7) Ekonometria 1 / 19 Plan wicze«1 Nieliniowo± : co to zmienia? 2 Funkcja produkcji Cobba-Douglasa 3 Nieliniowa MNK (7) Ekonometria 2 / 19 Plan prezentacji 1 Nieliniowo±
Bardziej szczegółowoModele wielorównaniowe. Estymacja parametrów
Modele wielorównaniowe. Estymacja parametrów Ekonometria Szeregów Czasowych SGH Estymacja 1 / 47 Plan wykªadu 1 Po±rednia MNK 2 Metoda zmiennych instrumentalnych 3 Podwójna MNK 4 Estymatory klasy k 5 MNW
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoLekcja 9 - LICZBY LOSOWE, ZMIENNE
Lekcja 9 - LICZBY LOSOWE, ZMIENNE I STAŠE 1 Liczby losowe Czasami spotkamy si z tak sytuacj,»e b dziemy potrzebowa by program za nas wylosowaª jak ± liczb. U»yjemy do tego polecenia: - liczba losowa Sprawd¹my
Bardziej szczegółowo1 Modele ADL - interpretacja współczynników
1 Modele ADL - interpretacja współczynników ZADANIE 1.1 Dany jest proces DL następującej postaci: y t = µ + β 0 x t + β 1 x t 1 + ε t. 1. Wyjaśnić, jaka jest intepretacja współczynników β 0 i β 1. 2. Pokazać
Bardziej szczegółowo7.4 Automatyczne stawianie prognoz
szeregów czasowych za pomocą pakietu SPSS Następnie korzystamy z menu DANE WYBIERZ OBSERWACJE i wybieramy opcję WSZYSTKIE OBSERWACJE (wówczas wszystkie obserwacje są aktywne). Wreszcie wybieramy z menu
Bardziej szczegółowoRównania ró»niczkowe I rz du (RRIR) Twierdzenie Picarda. Anna D browska. WFTiMS. 23 marca 2010
WFTiMS 23 marca 2010 Spis tre±ci 1 Denicja 1 (równanie ró»niczkowe pierwszego rz du) Równanie y = f (t, y) (1) nazywamy równaniem ró»niczkowym zwyczajnym pierwszego rz du w postaci normalnej. Uwaga 1 Ogólna
Bardziej szczegółowoLab. 02: Algorytm Schrage
Lab. 02: Algorytm Schrage Andrzej Gnatowski 5 kwietnia 2015 1 Opis zadania Celem zadania laboratoryjnego jest zapoznanie si z jednym z przybli»onych algorytmów sªu» cych do szukania rozwi za«znanego z
Bardziej szczegółowoStatystyka opisowa. Wykªad II. Elementy statystyki opisowej. Edward Kozªowski.
Statystyka opisowa. Wykªad II. e-mail:e.kozlovski@pollub.pl Spis tre±ci Mediana i moda 1 Mediana i moda 2 3 4 Mediana i moda Median m e (warto±ci ±rodkow ) próbki x 1,..., x n nazywamy ±rodkow liczb w
Bardziej szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 6: Zªo»one modele regresji przestrzennej (6) Ekonometria Przestrzenna 1 / 21 Plan wykªadu 1 Modele zªo»one 2 Model SARAR 3 Model SDM (Durbina) 4 Model SDEM 5 Zadania (6)
Bardziej szczegółowoJAO - J zyki, Automaty i Obliczenia - Wykªad 1. JAO - J zyki, Automaty i Obliczenia - Wykªad 1
J zyki formalne i operacje na j zykach J zyki formalne s abstrakcyjnie zbiorami sªów nad alfabetem sko«czonym Σ. J zyk formalny L to opis pewnego problemu decyzyjnego: sªowa to kody instancji (wej±cia)
Bardziej szczegółowoMatematyka wykªad 1. Macierze (1) Andrzej Torój. 17 wrze±nia 2011. Wy»sza Szkoªa Zarz dzania i Prawa im. H. Chodkowskiej
Matematyka wykªad 1 Macierze (1) Andrzej Torój Wy»sza Szkoªa Zarz dzania i Prawa im. H. Chodkowskiej 17 wrze±nia 2011 Plan wykªadu 1 2 3 4 5 Plan prezentacji 1 2 3 4 5 Kontakt moja strona internetowa:
Bardziej szczegółowoMakroekonomia Zaawansowana
Makroekonomia Zaawansowana wiczenia 3 Racjonalne oczekiwania i krytyka Lucasa MZ 1 / 15 Plan wicze«1 Racjonalne oczekiwania 2 Krytyka Lucasa 3 Zadanie MZ 2 / 15 Plan prezentacji 1 Racjonalne oczekiwania
Bardziej szczegółowoStatystyka. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Statystyka Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Statystyka Statystyka: nauka zajmuj ca si liczbowym opisem zjawisk masowych oraz ich analizowaniem, zbiory informacji liczbowych. (Sªownik
Bardziej szczegółowo2 Liczby rzeczywiste - cz. 2
2 Liczby rzeczywiste - cz. 2 W tej lekcji omówimy pozostaªe tematy zwi zane z liczbami rzeczywistymi. 2. Przedziaªy liczbowe Wyró»niamy nast puj ce rodzaje przedziaªów liczbowych: (a) przedziaªy ograniczone:
Bardziej szczegółowoMicrosoft Management Console
Microsoft Management Console Konsola zarządzania jest narzędziem pozwalającym w prosty sposób konfigurować i kontrolować pracę praktycznie wszystkich mechanizmów i usług dostępnych w sieci Microsoft. Co
Bardziej szczegółowoJanusz Adamowski METODY OBLICZENIOWE FIZYKI Zastosowanie eliptycznych równa«ró»niczkowych
Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdziaª 9 RÓWNANIA ELIPTYCZNE 9.1 Zastosowanie eliptycznych równa«ró»niczkowych cz stkowych 9.1.1 Problemy z warunkami brzegowymi W przestrzeni dwuwymiarowej
Bardziej szczegółowoLekcja 8 - ANIMACJA. 1 Polecenia. 2 Typy animacji. 3 Pierwsza animacja - Mrugaj ca twarz
Lekcja 8 - ANIMACJA 1 Polecenia Za pomoc Baltiego mo»emy tworzy animacj, tzn. sprawia by obraz na ekranie wygl daª jakby si poruszaª. Do animowania przedmiotów i tworzenia animacji posªu» nam polecenia
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 6: Bayesowskie ª czenie wiedzy (6) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Wprowadzenie 2 Oczekiwana wielko± modelu 3 Losowanie próby modeli 4 wiczenia w R (6) Ekonometria
Bardziej szczegółowoZarządzanie Zasobami by CTI. Instrukcja
Zarządzanie Zasobami by CTI Instrukcja Spis treści 1. Opis programu... 3 2. Konfiguracja... 4 3. Okno główne programu... 5 3.1. Narzędzia do zarządzania zasobami... 5 3.2. Oś czasu... 7 3.3. Wykres Gantta...
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 9: Metody numeryczne: MCMC Andrzej Torój 1 / 17 Plan wykªadu Wprowadzenie 1 Wprowadzenie 3 / 17 Plan prezentacji Wprowadzenie 1 Wprowadzenie 3 3 / 17 Zastosowanie metod numerycznych
Bardziej szczegółowoSzeregi czasowe, analiza zależności krótkoi długozasięgowych
Szeregi czasowe, analiza zależności krótkoi długozasięgowych Rafał Weron rweron@im.pwr.wroc.pl Definicje Mając dany proces {X t } autokowariancję definiujemy jako : γ(t, t ) = cov(x t, X t ) = = E[(X t
Bardziej szczegółowo1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4.
1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4. Prognozowanie stóp zwrotu na podstawie modeli ARMA 5. Relacje kointegrujące
Bardziej szczegółowoWST P DO TEORII INFORMACJI I KODOWANIA. Grzegorz Szkibiel. Wiosna 2013/14
WST P DO TEORII INFORMACJI I KODOWANIA Grzegorz Szkibiel Wiosna 203/4 Spis tre±ci Kodowanie i dekodowanie 4. Kodowanie a szyfrowanie..................... 4.2 Podstawowe poj cia........................
Bardziej szczegółowo3. Analiza własności szeregu czasowego i wybór typu modelu
3. Analiza własności szeregu czasowego i wybór typu modelu 1. Metody analizy własności szeregu czasowego obserwacji 1.1. Analiza wykresu szeregu czasowego 1.2. Analiza statystyk opisowych zmiennej prognozowanej
Bardziej szczegółowo1 Bª dy i arytmetyka zmiennopozycyjna
1 Bª dy i arytmetyka zmiennopozycyjna Liczby w pami ci komputera przedstawiamy w ukªadzie dwójkowym w postaci zmiennopozycyjnej Oznacza to,»e s one postaci ±m c, 01 m < 1, c min c c max, (1) gdzie m nazywamy
Bardziej szczegółowoFunkcje, wielomiany. Informacje pomocnicze
Funkcje, wielomiany Informacje pomocnicze Przydatne wzory: (a + b) 2 = a 2 + 2ab + b 2 (a b) 2 = a 2 2ab + b 2 (a + b) 3 = a 3 + 3a 2 b + 3ab 2 + b 3 (a b) 3 = a 3 3a 2 b + 3ab 2 b 3 a 2 b 2 = (a + b)(a
Bardziej szczegółowoWykªad 7. Ekstrema lokalne funkcji dwóch zmiennych.
Wykªad jest prowadzony w oparciu o podr cznik Analiza matematyczna 2. Denicje, twierdzenia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 7. Ekstrema lokalne funkcji dwóch zmiennych. Denicja Mówimy,»e funkcja
Bardziej szczegółowo1.1 Opis danych Dekompozycja szeregu ARIMA Prognoza Podsumowanie Opis danych...
1 Szereg niesezonowy... 3 1.1 Opis danych... 3 1.2 Dekompozycja szeregu... 3 1.3... 3 1.4 ARIMA... 10 1.5 Prognoza... 12 1.6 Podsumowanie... 15 2 Szereg sezonowy... 15 2.1 Opis danych... 15 2.2 Dekompozycja
Bardziej szczegółowoLiniowe zadania najmniejszych kwadratów
Rozdziaª 9 Liniowe zadania najmniejszych kwadratów Liniowe zadania najmniejszych kwadratów polega na znalezieniu x R n, który minimalizuje Ax b 2 dla danej macierzy A R m,n i wektora b R m. Zauwa»my,»e
Bardziej szczegółowoKurs wyrównawczy dla kandydatów i studentów UTP
Kurs wyrównawczy dla kandydatów i studentów UTP Część III Funkcja wymierna, potęgowa, logarytmiczna i wykładnicza Magdalena Alama-Bućko Ewa Fabińska Alfred Witkowski Grażyna Zachwieja Uniwersytet Technologiczno
Bardziej szczegółowowiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. Metodyka bada«do±wiadczalnych dr hab. in». Sebastian Skoczypiec Cel wiczenia Zaªo»enia
wiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. wiczenia 1 2 do wiczenia 3 4 Badanie do±wiadczalne 5 pomiarów 6 7 Cel Celem wiczenia jest zapoznanie studentów z etapami przygotowania i
Bardziej szczegółowoMetody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2
Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2 Dr hab. inż. Agnieszka Wyłomańska Faculty of Pure and Applied Mathematics Hugo Steinhaus Center Wrocław University of Science and
Bardziej szczegółowoODPOWIEDZI I SCHEMAT PUNKTOWANIA ZESTAW NR 2 POZIOM ROZSZERZONY. S x 3x y. 1.5 Podanie odpowiedzi: Poszukiwane liczby to : 2, 6, 5.
Nr zadania Nr czynno ci... ODPOWIEDZI I SCHEMAT PUNKTOWANIA ZESTAW NR POZIOM ROZSZERZONY Etapy rozwi zania zadania Wprowadzenie oznacze : x, x, y poszukiwane liczby i zapisanie równania: x y lub: zapisanie
Bardziej szczegółowoLekcja 3 Banki i nowe przedmioty
Lekcja 3 Banki i nowe przedmioty Akademia im. Jana Dªugosza w Cz stochowie Banki przedmiotów Co ju» wiemy? co to s banki przedmiotów w Baltie potramy korzysta z banków przedmiotów mo»emy tworzy nowe przedmioty
Bardziej szczegółowoMetody numeryczne i statystyka dla in»ynierów
Kierunek: Automatyka i Robotyka, II rok Interpolacja PWSZ Gªogów, 2009 Interpolacja Okre±lenie zale»no±ci pomi dzy interesuj cymi nas wielko±ciami, Umo»liwia uproszczenie skomplikowanych funkcji (np. wykorzystywana
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 10: Symulacje a posteriori w R (10) Ekonometria Bayesowska 1 / 23 Plan wykªadu 1 Przykªad: model ze skªadnikiem losowym o grubych ogonach 2 Wykorzystanie pakietu rjags 3 Diagnostyka
Bardziej szczegółowoCAŠKOWANIE METODAMI MONTE CARLO Janusz Adamowski
III. CAŠKOWAIE METODAMI MOTE CARLO Janusz Adamowski 1 1 azwa metody Podstawowym zastosowaniem w zyce metody Monte Carlo (MC) jest opis zªo-»onych ukªadów zycznych o du»ej liczbie stopni swobody. Opis zªo»onych
Bardziej szczegółowoLiniowe równania ró»niczkowe n tego rz du o staªych wspóªczynnikach
Liniowe równania ró»niczkowe n tego rz du o staªych wspóªczynnikach Teoria obowi zuje z wykªadu, dlatego te» zostan tutaj przedstawione tylko podstawowe denicje, twierdzenia i wzory. Denicja 1. Równanie
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoWykªad 4. Funkcje wielu zmiennych.
Wykªad jest prowadzony w oparciu o podr cznik Analiza matematyczna 2. Denicje, twierdzenia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 4. Funkcje wielu zmiennych. Zbiory na pªaszczy¹nie i w przestrzeni.
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 10: Symulacje a posteriori w R Andrzej Torój 1 / 23 Plan wykªadu 1 Przykªad: model ze skªadnikiem losowym o grubych ogonach 2 3 4 2 / 23 Plan prezentacji 1 Przykªad: model
Bardziej szczegółowoMateriał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych)
Materiał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych) (studium przypadku) Nazwa przedmiotu: ekonometria finansowa I (22204), analiza szeregów czasowych
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 4: Model autoregresji przestrzennej. Dane GIS: punkty i siatki (4) Ekonometria Przestrzenna 1 / 24 Plan wykªadu 1 Model czystej autoregresji przestrzennej (pure SAR) Specykacja
Bardziej szczegółowoUkªady równa«liniowych
dr Krzysztof yjewski Mechatronika; S-I 0 in» 7 listopada 206 Ukªady równa«liniowych Informacje pomocnicze Denicja Ogólna posta ukªadu m równa«liniowych z n niewiadomymi x, x, x n, gdzie m, n N jest nast
Bardziej szczegółowoAnaliza szeregów czasowych bezrobocia i inflacji w Danii
Uniwersytet Warszawski Wydział Nauk Ekonomicznych Mateusz Błażej Nr albumu: 308521 Analiza szeregów czasowych bezrobocia i inflacji w Danii Projekt zaliczeniowy z przedmiotu: Analiza Szeregów Czasowych
Bardziej szczegółowoOptyka geometryczna. Soczewki. Marcin S. Ma kowicz. rok szk. 2009/2010. Zespóª Szkóª Ponadgimnazjalnych Nr 2 w Brzesku
skupiaj ce rozpraszaj ce Optyka geometryczna Zespóª Szkóª Ponadgimnazjalnych Nr 2 w Brzesku rok szk. 2009/2010 skupiaj ce rozpraszaj ce Spis tre±ci 1 Wprowadzenie 2 Ciekawostki 3 skupiaj ce Konstrukcja
Bardziej szczegółowoModuł. Rama 2D suplement do wersji Konstruktora 4.6
Moduł Rama 2D suplement do wersji Konstruktora 4.6 110-1 Spis treści 110. RAMA 2D - SUPLEMENT...3 110.1 OPIS ZMIAN...3 110.1.1 Nowy tryb wymiarowania...3 110.1.2 Moduł dynamicznego przeglądania wyników...5
Bardziej szczegółowoMetodydowodzenia twierdzeń
1 Metodydowodzenia twierdzeń Przez zdanie rozumiemy dowolne stwierdzenie, które jest albo prawdziwe, albo faªszywe (nie mo»e by ono jednocze±nie prawdziwe i faªszywe). Tradycyjnie b dziemy u»ywali maªych
Bardziej szczegółowoWektory w przestrzeni
Wektory w przestrzeni Informacje pomocnicze Denicja 1. Wektorem nazywamy uporz dkowan par punktów. Pierwszy z tych punktów nazywamy pocz tkiem wektora albo punktem zaczepienia wektora, a drugi - ko«cem
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) O rozkªadzie pewnego ryzyka S wiemy,»e: E[(S 20) + ] = 8 E[S 10 < S 20] = 13 P (S 20) = 3 4 P (S 10) = 1
Bardziej szczegółowoprzewidywania zapotrzebowania na moc elektryczn
do Wykorzystanie do na moc elektryczn Instytut Techniki Cieplnej Politechnika Warszawska Slide 1 of 20 do Coraz bardziej popularne staj si zagadnienia zwi zane z prac ¹ródªa energii elektrycznej (i cieplnej)
Bardziej szczegółowo2 Model neo-keynsistowski (ze sztywnymi cenami).
1 Dane empiryczne wiczenia 5 i 6 Krzysztof Makarski Szoki popytowe i poda»owe jako ¹ródªa uktuacji. Wspóªczynnik korelacji Odchylenie standardowe (w stosunku do PKB) Cykliczno± Konsumpcja 0,76 75,6% procykliczna
Bardziej szczegółowoWST P DO TEORII INFORMACJI I KODOWANIA. Grzegorz Szkibiel. Wiosna 2013/14
WST P DO TEORII INFORMACJI I KODOWANIA Grzegorz Szkibiel Wiosna 2013/14 Spis tre±ci 1 Kodowanie i dekodowanie 4 1.1 Kodowanie a szyfrowanie..................... 4 1.2 Podstawowe poj cia........................
Bardziej szczegółowoBifurkacje. Ewa Gudowska-Nowak Nowak. Plus ratio quam vis
Bifurkacje Nowak Plus ratio quam vis M. Kac Complex Systems Research Center, M. Smoluchowski Institute of Physics, Jagellonian University, Kraków, Poland 2008 Gªówna idea.. Pozornie "dynamika" ukªadów
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowo4. Średnia i autoregresja zmiennej prognozowanej
4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)
Bardziej szczegółowoEkonometria. Regresja liniowa, współczynnik zmienności, współczynnik korelacji liniowej, współczynnik korelacji wielorakiej
Regresja liniowa, współczynnik zmienności, współczynnik korelacji liniowej, współczynnik korelacji wielorakiej Paweł Cibis pawel@cibis.pl 23 lutego 2007 1 Regresja liniowa 2 wzory funkcje 3 Korelacja liniowa
Bardziej szczegółowoWykªad 6: Model logitowy
Wykªad 6: Model logitowy Ekonometria Stosowana SGH Model logitowy 1 / 18 Plan wicze«1 Modele zmiennej jako±ciowej idea 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3
Bardziej szczegółowoIn»ynierskie zastosowania statystyki wiczenia
Uwagi: 27012014 poprawiono kilka literówek, zwi zanych z przedziaªami ufno±ci dla wariancji i odchylenia standardowego In»ynierskie zastosowania statystyki wiczenia Przedziaªy wiarygodno±ci, testowanie
Bardziej szczegółowoXVII Warmi«sko-Mazurskie Zawody Matematyczne
1 XVII Warmi«sko-Mazurskie Zawody Matematyczne Kategoria: klasa VIII szkoªy podstawowej i III gimnazjum Olsztyn, 16 maja 2019r. Zad. 1. Udowodnij,»e dla dowolnych liczb rzeczywistych x, y, z speªniaj cych
Bardziej szczegółowoBash i algorytmy. Elwira Wachowicz. 20 lutego
Bash i algorytmy Elwira Wachowicz elwira@ifd.uni.wroc.pl 20 lutego 2012 Elwira Wachowicz (elwira@ifd.uni.wroc.pl) Bash i algorytmy 20 lutego 2012 1 / 16 Inne przydatne polecenia Polecenie Dziaªanie Przykªad
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoPo co planowanie? Planowanie projektu. Najcz stsz przyczyn niepowodzenia projektów jest brak czasu.
Po co planowanie? Najcz stsz przyczyn niepowodzenia projektów jest brak czasu. Po co planowanie? Najcz stsz przyczyn niepowodzenia projektów jest brak czasu. Tygodnie kodowania mog zaoszcz dzi nam godzin
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 2: Bayesowska estymacja równania ze staª. Elementy j zyka R (2) Ekonometria Bayesowska / 24 Plan wykªadu Model ze staª 2 Podstawy j zyka R 3 Bayesowska analiza modelu ze staª
Bardziej szczegółowoMetody numeryczne. Wst p do metod numerycznych. Dawid Rasaªa. January 9, 2012. Dawid Rasaªa Metody numeryczne 1 / 9
Metody numeryczne Wst p do metod numerycznych Dawid Rasaªa January 9, 2012 Dawid Rasaªa Metody numeryczne 1 / 9 Metody numeryczne Czym s metody numeryczne? Istota metod numerycznych Metody numeryczne s
Bardziej szczegółowoWst p do ekonometrii II
Wst p do ekonometrii II Wykªad 1: Modele ADL. Analiza COMFAC. Uogólniona MNK (1) WdE II 1 / 36 Plan wykªadu 1 Restrykcje COMFAC w modelach ADL ADL(1,1) ADL(2,2) 2 Uogólniona MNK Idea UMNK Znajdowanie macierzy
Bardziej szczegółowoPRZYPOMNIENIE Ka»d przestrze«wektorow V, o wymiarze dim V = n < nad ciaªem F mo»na jednoznacznie odwzorowa na przestrze«f n n-ek uporz dkowanych:
Plan Spis tre±ci 1 Homomorzm 1 1.1 Macierz homomorzmu....................... 2 1.2 Dziaªania............................... 3 2 Ukªady równa«6 3 Zadania 8 1 Homomorzm PRZYPOMNIENIE Ka»d przestrze«wektorow
Bardziej szczegółowoLekcja 12 - POMOCNICY
Lekcja 12 - POMOCNICY 1 Pomocnicy Pomocnicy, jak sama nazwa wskazuje, pomagaj Baltiemu w programach wykonuj c cz ± czynno±ci. S oni szczególnie pomocni, gdy chcemy ci g polece«wykona kilka razy w programie.
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoUkªady równa«liniowych - rozkªady typu LU i LL'
Rozdziaª 9 Ukªady równa«liniowych - rozkªady typu LU i LL' W tym rozdziale zapoznamy si z metodami sªu» cych do rozwi zywania ukªadów równa«liniowych przy pomocy uzyskiwaniu odpowiednich rozkªadów macierzy
Bardziej szczegółowoĆwiczenia IV
Ćwiczenia IV - 17.10.2007 1. Spośród podanych macierzy X wskaż te, których nie można wykorzystać do estymacji MNK parametrów modelu ekonometrycznego postaci y = β 0 + β 1 x 1 + β 2 x 2 + ε 2. Na podstawie
Bardziej szczegółowo