PRZESTRZENNO-CZASOWE MODELOWANIE ZMIENNO CI PRODUKCJI PRZEDSI BIORSTW W POLSCE 1
|
|
- Laura Sobolewska
- 8 lat temu
- Przeglądów:
Transkrypt
1 PRZEGLD STATYSTYCZNY R. LX ZESZYT 013 ANDRZEJ GEISE PRZESTRZENNO-CZASOWE MODELOWANIE ZMIENNOCI PRODUKCJI W SEKTORACH MIKRO-, MAYCH, REDNICH I DUYCH PRZEDSIBIORSTW W POLSCE 1 1. WSTP Po roku 1989 Polska staa si jednym z dynamiczniej rozwijajcych si krajów Europy. Szybki rozwój kraju spowodowany by midzy innymi wzrostem przedsibiorczoci znacznej czci spoeczestwa. Nastpi wzrost liczebnoci maych podmiotów, dziki którym wystpi znaczny wzrost aktywnoci gospodarczej kraju, przejawiajcy si we wzrocie wartoci produktu krajowego brutto oraz spadku poziomu stopy bezrobocia. W zwizku z powyszym pozycja sektora mikro-, maych i rednich przedsibiorstw (MSP) umocnia si i jednoczenie staa si fundamentem gospodarki rynkowej. Zgodnie z denicj zawart w ustawie o swobodzie dziaalnoci gospodarczej z lipca 004 r., przedsibiorstwa klasykuje si na mikro-, mae, rednie oraz due przedsibiorstwa. Sektor MSP czy w sobie trzy podstawowe klasy wielkoci przedsibiorstw. Wskazane rodzaje przedsibiorstw w duym stopniu s niejednorodne. Na podstawie denicji kadej klasy przedsibiorstw mona wyodrbni wiele rónic wystpujcych midzy nimi. Równie literatura ekonomiczna wskazuje rónice wewntrz sektora MSP. Przykadem moe by fakt, e bariery silnie wpywajce na ograniczenie rozwoju mikroprzedsibiorczoci, nie maj a tak duego znaczenia przy rozwoju rednich przedsibiorstw. Naley zauway, e sektor MSP czy w sobie grupy przedsibiorstw róne m.in. pod wzgldem zarzdzania, organizacji oraz planowania (por. Dominiak, 005). Wane jest zatem, aby rozpatrywa przedsibiorstwa w oddzielnych grupach wedug klas wielkoci. Celem artykuu jest prezentacja oraz wykorzystanie statycznego modelowania panelowego w analizie porównawczej modelowego zwizku produkcji w sektorach 1 Artyku stanowi wyniki badania przeprowadzonego w ramach pracy magisterskiej napisanej pod kierunkiem dr hab. Marioli Piatowskiej, prof. UMK. Spadek poziomu stopy bezrobocia nie mia charakteru systematycznego. Byy okresy, zwaszcza w pocztkowym okresie transformacji, gdy poziom bezrobocia w kraju gwatownie rós, natomiast byy równie okresy oywienia gospodarczego, w których bezrobocie spadao.
2 70 Andrzej Geise mikro-, maych, rednich oraz duych przedsibiorstw, drog analizy wspóczynników elastycznoci z funkcji produkcji Cobb-Douglasa dla poziomu produkcji sprzedanej przemysu oraz poprzez analiz wspóczynników produktywnoci kracowej z liniowych modeli produkcji. W artykule zaprezentowano podstawowe estymatory suce estymacji parametrów modeli panelowych oraz testy pozwalajce oceni heteroskedastyczno analizowanych modeli. Kolejny punkt artykuu zawiera wyniki analizy empirycznej produkcji w badanych sektorach przedsibiorstw. Wnioski z przeprowadzonej analizy oraz kierunki dalszych bada zaprezentowano w podsumowaniu artykuu.. MODELOWANIE DANYCH O CHARAKTERZE PRZESTRZENNO-CZASOWYM Ze wzgldu na panelowy charakter danych szacujc parametry poszczególnych modeli produkcji posuono si statycznymi modelami panelowymi. Rosnce znaczenie zastosowa modeli panelowych wielokrotnie podkrelane jest w literaturze wiatowej oraz polskiej. Zaoenia, podstawowa terminologia, a take zalenoci wystpujce w metodyce budowy statycznych modeli panelowych rozwinite zostay m.in. w pracach Matyasa i Severstre (1996), Johnston a i DiNardo (1997), Wooldridge a (00), Greene a (003), Verbeeka (004) oraz Baltagi ego (005). W pracy podjto prób zastosowania modeli panelowych do zbadania kierunku i natenia zmian w produkcji w sektorze MSP. Gównym zaoeniem konstrukcji modeli panelowych jest niezmienno parametrów przy zmiennych objaniajcych wzgldem obiektów i czasu. Zrónicowanie skadnika losowego lub wyrazu wolnego (w zalenoci od zaoe) wzgldem obiektów i/lub czasu pozwala na uwzgldnienie zjawiska braku homogenicznoci obiektów lub zrónicowania modelowanego zjawiska w czasie. Modele statyczne, które omówione zostan poniej nazywa si odpowiednio modelami z efektami staymi ( xed effects) oraz modelami z efektami losowymi (random effects) (por. Daska-Borsiak, 011, s. 39)..1. METODY ESTYMACJI PARAMETRÓW MODELI PANELOWYCH Estymator panelowy MNK stanowi najprostszy sposób estymowania parametrów modelu opartego na danych panelowych, w którym zakada si, e badana populacja jest homogeniczna (badane obiekty s jednorodne) oraz odchylenia zaobserwowane pomidzy rzeczywist wartoci zmiennej objanianej a wartoci teoretyczn, spowodowane s wycznie skadnikiem losowym, którego rozkad jest niezaleny i identyczny dla kadego obiektu we wszystkich okresach (por. Johnston, DiNardo, 005). W praktyce, zaoenie to jest trudne do spenienia, dlatego w estymacji parametrów modelu opartego na danych panelowych proponuje si dwa podstawowe podejcia. Pierwsze podejcie stanowi estymator efektów staych (FE xed effects), który stosuje si w estymacji parametrów modeli ze stwier-
3 Przestrzenno-czasowe modelowanie zmiennoci produkcji w sektorach 71 dzonymi efektami indywidualnymi. Sformuowanie modelu zakada, e efekty indywidualne i dla poszczególnych jednostek nie s przypadkowe i moliwe jest oszacowanie ich wartoci (por. Osiska, 007). Oznacza to, e rónice midzy poszczególnymi jednostkami mona uchwyci w rónicach pojawiajcych si w wyrazie wolnym. Odwoujc si do konstrukcji modelu efektów staych naley wskaza, e podstawowym ograniczeniem w estymacji parametrów takiego modelu jest problem odwracania macierzy zbyt duego rzdu. Rozwizaniem problemu jest przeksztacenie danych a nastpnie szacowanie parametrów na nowo zdeniowanych szeregach panelowych. Przeksztacenia polegaj na urednieniu modelu wzgldem czasu, a nastpnie odjciu stronami od wartoci x i oraz y i dla i-tego obiektu odpowiadajcych im rednich arytmetycznych. Wówczas estymator parametrów strukturalnych FE przyjmuje posta (por. Kufel, 011): FE ~ T ~ 1 ~ T X X X ~ y ˆ. (1) Drugim sposobem estymacji parametrów modeli panelowych jest zastosowanie estymatora efektów losowych (RE random effects), który w odrónieniu od estymatora FE, efekty indywidualne traktuje jako zmienne losowe i stanowi one element skadnika losowego, rozumianego jako proces stochastyczny. Ze wzgldu na zaleno midzy skadnikiem losowym a efektami indywidualnymi wnioskuje si, e wystpuje autokorelacja w resztach. Implikuje to konieczno stosowania w modelowaniu uogólnionej metody najmniejszych kwadratów (UMNK). Estymator UMNK ma nastpujc posta (por. Osiska, 007): UMNK T 1 1 T 1 X X X y ˆ, () w którym: X oznacza macierz obserwacji na zmiennych objaniajcych o wymiarze (NT K), y oznacza macierz obserwacji na zmiennej objanianej o wymiarze (NT 1), 1 macierz blokowo diagonalna o wymiarze (NT NT) postaci: , (3) 1 w której elementy gównej przektnej wyznacza si wg formuy:
4 7 Andrzej Geise 1 RE T FE 1 etet, (4) FE T RE e t oznacza wektor reszt z uogólnionego modelu dla danych panelowych, wariancja skadnika losowego z modelu o staych efektach (FE), FE RE wariancja skadnika losowego z modelu o losowych efektach (RE)... ESTYMATOR EFEKTÓW STAYCH CZY ESTYMATOR EFEKTÓW LOSOWYCH Znajc podstawowe typy estymatorów parametrów modeli panelowych, naley odpowiedzie na pytanie, który z nich jest najlepszy w danej sytuacji. Dokonuje si tego poprzez porównanie wasnoci opisanych estymatorów, wykorzystujc w tym celu odpowiednie testy heteroskedastycznoci: Walda, Breuscha-Pagana oraz Hausmana. Testowanie efektów ustalonych odbywa si przy uyciu testu Walda. Hipoteza zerowa zakada równo wyrazów wolnych w ujciu statystycznym oraz ich niezaleno od obiektu oraz czasu. Hipoteza alternatywna natomiast, zakada, e wyrazy wolne s stae w czasie ale róne dla i-tych obiektów. Statystyka testu przyjmuje posta (por. Baltagi, 005): F SSR pooled SSRFE ) n 1), (5) SSR ) NT N K) FE SSR pooled suma kwadratów reszt obliczona dla modelu y it = X it + it, SSR FE suma kwadratów reszt obliczona dla modelu i = Xi + i, N liczba obiektów T liczba okresów, K liczba zmiennych objaniajcych w modelu. Jeeli F F,v1v, to nastpuje odrzucenie hipotezy zerowej na rzecz hipotezy alternatywnej, co wiadczy o braku jednorodnoci obiektów i sugeruje uycie estymatora FE. Wybór H 1 pozwala stwierdzi, e wprowadzenie staych wartoci wyrazu wolnego dla kadego obiektu poprawia dokadno oszacowa parametrów. W przeciwnym przypadku, gdy F < F,v1v, nie ma podstaw do odrzucenia hipotezy zerowej stwierdza si homogeniczno obiektów i uzasadnia budow modelu opierajc si na zaoeniach estymatora panelowego MNK (por. Osiska, 007). Testowanie efektów losowych odbywa si przy wykorzystaniu testu Breuscha- Pagana. Test ten jest wariantem testu mnonika Lagrange a. Prawdziwo hipotezy alternatywnej oznacza, e wprowadzenie efektów indywidualnych do modelu nie
5 Przestrzenno-czasowe modelowanie zmiennoci produkcji w sektorach 73 zmienia jego wariancji, std wariancja efektów indywidualnych jest zerowa, co oznacza, e wprowadzenie takich efektów jest zbdne, a wic w estymacji lepszy okaza si estymator uogólniony dla danych panelowych (por. Greene, 003). Hipotezy testu Breuscha-Pagana werykowane s na podstawie statystyki LM, która przyjmuje posta: N T eit NT i1 t1 LM 1 1) N T, (6) T eit i1 t1 gdzie e it s resztami modelu, w którym nie wyrónia si efektów grupowych. Przy prawdziwoci hipotezy zerowej, statystyka LM jest zbiena do rozkadu (1) z jednym stopniem swobody. W przypadku gdy warto statystyki LM przekroczy warto krytyczn, odczytan z tablic rozkadu dla przyjtego poziomu istotno- ci, naley odrzuci hipotez zerow, co oznacza, e wariancja skadnika losowego zrónicowanych efektów indywidualnych jest róna od zera, a wic odpowiednim do estymacji modelem jest model RE. Brak podstaw do odrzucenia hipotezy zerowej implikuje wyszo estymatora uogólnionego nad estymatorem efektów losowych (por. Osiska, 007). Hausman (1978) opisa test, na podstawie którego dokonuje si wyboru midzy estymatorem efektów staych a estymatorem losowych efektów indywidualnych. Hipoteza zerowa testu, oznacza brak autokorelacji midzy efektami indywidualnymi i oraz zmiennymi objaniajcymi x it. Generalna idea testu opiera si na porównaniu obu estymatorów pod wzgldem zgodnoci oraz efektywnoci (por. Verbbek, 004). W zwizku z tym rozwaono rónic midzy estymatorami postaci q = FE RE, co pozwolio Hausmanowi wyprowadzi statystyk W dan wzorem: W T 1 qˆ V qˆ) qˆ, (7) gdzie V(q ) = V( FE ) V( RE ), V( FE ) oraz V( RE ) stanowi asymptotyczne macierze wariancji i kowariancji estymatorów FE i RE (por. Owusu-Gyapong, 1986). Hausman wykaza, e statystyka W ma asymptotyczny rozkad z m stopniami swobody, gdzie m jest liczb zmiennych objaniajcych (por. Verbeek, 004). Przyjcie hipotezy alternatywnej jako prawdziwej, wie si z wyborem estymatora FE, który jest nieobciony, a jednak nie spenia zaoe o efektywnoci. Przy wyborze estymatora RE jako bardziej waciwego, wybiera si estymator nieobciony oraz zgodny (por. Osiska, 007).
6 74 Andrzej Geise 3. ANALIZA EMPIRYCZNA ZRÓNICOWANIA SEKTORA MSP Analiza empiryczna zrónicowania sektora MSP przeprowadzona zostaa drog analizy wspóczynników elastycznoci z modeli produkcji Cobb-Douglasa oraz wspóczynników produktywnoci kracowej z linowych modeli produkcji. Dane do analizy pobrane zostay z baz danych Gównego Urzdu Statystycznego. Obejmuj one poziom produkcji sprzedanej przemysu, nakady inwestycyjne oraz zatrudnienie w ukadzie 16 województw w latach Wspóczynniki elastycznoci z funkcji Cobb-Douglasa oraz wspóczynniki produktywnoci kracowej z liniowych modeli szacowane byy w dwóch wariantach. Pierwszy wariant modelu Cobb-Douglasa obejmowa w specykacji dwie zmienne objaniajce tj. nakady inwestycyjne oraz poziom zatrudnienia. Z kolei drugi wariant modelu Cobb-Douglasa uwzgldnia dodatkowo wystpowanie trendu. Specykacja liniowych modeli produkcji jest identyczna jak w przypadku modeli Cobb-Douglasa. Uwzgldnienie w modelowaniu zmiennoci produkcji zmiennej czasowej t, pozwala na ewentualn eliminacj niestacjonarnoci procesów. Uwzgldnienie skadnika trendu w modelach produkcji stanowi intuicyjne podejcie, nie jest natomiast efektem badania wewntrznej struktury procesu. - 1) NI ) Z 1) NI ) Z Rysunek 1. Warianty modelowania ródo: opracowanie wasne. Do opisu wartoci produkcji [P it ], w zalenoci od przyjtej postaci analitycznej funkcji, zaproponowano nastpujce postaci modeli produkcji: model Cobb-Douglasa P it t uit 0 NI it 1 Z it e e, (8) model liniowy P it 0 1NI it Z it t it, (9) dla i = 1,,,16 oraz t = 1,,,5, gdzie: P it warto produkcji w mln z w i-tym sektorze w okresie t,
7 Przestrzenno-czasowe modelowanie zmiennoci produkcji w sektorach 75 NI it warto nakadów inwestycyjnych w tys. z w i-tym sektorze w okresie t, Z it wielko zatrudnienia w tys. osób w i-tym sektorze w okresie t, t skadnik trendu,, miernik efektów neutralnego postpu technicznego i postpu organizacyjnego, 0, 0 parametr wyrazu wolnego, 1, wspóczynniki produktywnoci kracowej liniowych modeli produkcji, 1, wspóczynniki elastycznoci funkcji produkcji Cobba-Douglasa, u it, it skadnik losowy równania. Ze wzgldu na panelowy charakter danych rozwaono stosowanie trzech typów estymatorów: panelowego MNK, estymatora xed effects oraz estymatora random effects. Wyboru jednego z nich dokonano drog analizy heteroskedastycznoci skadnika losowego, wykorzystujc opisane wyej testy heteroskedastycznoci: po pierwsze, badano czy wprowadzenie zrónicowanych wyrazów wolnych dla i-tych obiektów daje dokadniejsze oszacowania parametrów modelu danych panelowych (test Walda), po drugie, badano zaoenia o staoci wariancji skadnika losowego dla N obiektów (test Breuscha-Pagana), po trzecie, badano wasnoci estymatorów FE oraz RE a nastpnie wybrano nieobciony estymator (test Hausmana). Wybór odpowiednich estymatorów dla odpowiednich wariantów modelowania zaprezentowano w tabeli 1. Dla funkcji produkcji Cobb-Douglasa w wariancie I we wszystkich sektorach przedsibiorstw w testach Walda oraz Breuscha-Pagana odrzucono hipotez zerow na korzy alternatywnej, uznajc estymator FE jako bardziej odpowiedni, w przypadku testu Walda oraz wskazujc wyszo estymatora RE, w przypadku testu Breuscha-Pagana. Rozstrzygniciem dylematu wyboru najlepszego estymatora stanowi wic test Hausmana, który przy 5% poziomie istotnoci wskazuje na brak podstaw do odrzucenia hipotezy zerowej uznajc tym samy estymator RE jako bardziej efektywny (zob. tabela 1 model produkcji Cobb-Douglasa, wariant I). Uwzgldnienie w analizie czynnika czasu w wariancie II spowodowao zmiany w wyborze estymatora najlepszego do szacowania parametrów w badanych sektorach przedsibiorstw. Zmiana nastpia tylko w sektorze MMP, gdzie w tecie Hausmana wskazano na brak podstaw do odrzucenia hipotezy zerowej, tym samym wybierajc estymator FE. W pozostaych sektorach najlepszy okaza si estymator RE (zob. tabela 1 modele produkcji Cobb-Douglasa, wariant II). Analiza jednorodnoci skadnika losowego dla liniowych modeli produkcji we wszystkich sektorach przedsibiorstw w wariancie I wskazuje, i estymatorem nieobcionym jest estymator efektów staych (FE) (zob. tabela 1 liniowe modele produkcji, wariant I). Uwzgldnienie czynnika czasu w liniowych modelach produkcji dla sektorów MMP, SP oraz MSP nie spowodowao zmian wasnoci wykorzystywanych estymatorów. W dalszym cigu nieobcionym
8 76 Andrzej Geise estymatorem w tych sektorach jest estymator FE. Natomiast w sektorze DP, test Hausmana wskazuje, e estymatorem nieobcionymi efektywnym jest estymator RE (zob. tabela 1 liniowe modele produkcji, wariant II). Testy heteroskedastycznoci dla funkcji produkcji Cobb-Douglasa oraz liniowych funkcji produkcji wariant I oraz II Tabela 1. Funkcja produkcji Cobb-Douglasa Testy MMP SP MSP DP Wariant I TEST WALDA F=6,008* F=9,406* F=18,49* F=17,50* TEST BREUSCHA PAGANA LM=104,556* LM=58,830* LM=88,909* LM=90,901* TEST HAUSMANA W = 5,08 W = 1,5878 W =,60 W = 1,990 Wariant II TEST WALDA F=33,398* F=9,53* F=18,543* F=5,644* TEST BREUSCHA PAGANA LM=11,680* LM=6,688* LM=90,754* LM=18,139* TEST HAUSMANA W = 10,484* W = 0,015 W = 3,33 W = 1,486 Liniowa funkcja produkcji Wariant I TEST WALDA F=7,481* F=7,335* F=17,743* F=58,751* TEST BREUSCHA PAGANA LM=9,471* LM=,479* LM=53,318* LM=111,514* TEST HAUSMANA W = 8,493* W = 15,49* W = 17,763* W = 6,754* Wariant II TEST WALDA F=8,944* F=7,736* F=18,999* F=73,659* TEST BREUSCHA PAGANA LM=99,534* LM=4,94* LM=60,698* LM=117,17* TEST HAUSMANA W = 10,61* W = 17,067* W = 17,408* W = 5,04* * odrzucenie hipotezy zerowej przy poziomie istotnoci =0,05. ródo: obliczenia wasne. Wyniki oszacowa parametrów w modelach produkcji przy zastosowaniu odpowiednich estymatorów przedstawiono w tabeli.
9 Przestrzenno-czasowe modelowanie zmiennoci produkcji w sektorach 77 Tabela. Wyniki estymacji parametrów modeli produkcji FUNKCJA PRODUKCJI COBBA-DOUGLASA Wariant I Wariant II Zmienna MMP SP MSP DP MMP SP MSP DP RE RE RE RE FE RE RE RE const. 0,05 0,066 0,038 0,46,895 0,083 0,043 0,973 (-5,99) (-4,14) (-4,86) (-1,3) (0,68) (-3,77) (-4,64) (-0,04) NI 0,176 0,193 0,40 0,176 0,069 0,13 0,159-0,036 (6,77) (3,6) (6,04) (3,05) (1,67)* (1,84)* (,57) (-0,9)* Z 0, ,801 0,740 0,716 0,544 0,863 0,8 0,897 (1,9) (8,53) (9,77) (7,9) (3,58) (8,93) (9,13) (1,3) t 0,030 0,019 0,014 0,069 (4,4) (,15) (1,69)* (11,7) Wspóczynniki determinacji (%) 70,75 46,65 64,71 43,46 78,79 49,75 66,11 81,35 (%) 96,70 95,46 95,94 93,89 96,78 95,5 96,1 93,59 (%) 96,1 93,65 95,16 9,58 95,80 93,84 95,37 93,8 Statystyka testu F F 118, 809,5 909,8 591,6 1157, 80,9 953,8 56,1 LINIOWA FUNKCJA PRODUKCJI Zmienna Wariant I Wariant II MMP SP MSP DP MMP SP MSP DP FE FE FE FE FE FE FE RE const. 3074,53 339, ,71 495,45 356,8 5366, ,89 46,99 (,48) (0,94) (1,85) (1,9) (,77) (,04) (,36) (1,04) NI 0,001 0,001 0,001 0,00 0,001 0,001 0,001 0,001 (7,43) (,4) (5,77) (4,55) (4,49) (,09) (4,19) (,89) Z 0,01 0,067 0,019 0,106 0,01 0,09 0,016 0,107 (,37) (,) (1,84)* (3,67) (,46) (0,91)* (1,56)* (5,63) t 167,94 319,49 375,8 1511,14 (,88) (,7) (,66) (4,64) Wspóczynniki determinacji (%) 70,75 35,77 64,67 60,35 74,5 4,64 68,35 70,8 (%) 93,03 9,0 90,71 81,47 93,76 89,3 90,90 81,94 (%) 9,18 90,09 89,80 80,79 9,54 86,04 89,59 81,59 Statystyka testu F F 513,9 444,0 375,9 169,3 578,5 319,0 384,6 174,7 * brak podstaw do odrzucenia H 0 w tecie t-studenta, w nawiasach podano wartoci statystyki t-studenta, RE oznacza estymator efektów losowych, FE oznacza estymator efektów staych; statystyka testu F wyznaczona w oparciu o midzygrupowy wspóczynnik determinacji. ródo: obliczenia wasne.
10 78 Andrzej Geise Pod wzgldem istotnoci parametrów oraz jakoci dopasowania danych empirycznych, modele produkcji w prezentowanych wariantach s akceptowalne. Ze wzgldu na kluczowy w caym badaniu charakter wspóczynników elastycznoci oraz wspóczynników produktywnoci kracowej, nie usuwano z modeli zmiennych nieistotnych statystycznie. Dla potwierdzenia cznej istotnoci parametrów badanych modeli przeprowadzono test F (zob. tabela ). Interpretacja ekonomiczna wspóczynników elastycznoci w modelach produkcji Cobb-Douglasa oznacza przecitny przyrost poziomu produkcji spowodowany jednoprocentowym wzrostem nakadu czynnika produkcji, przy zaoeniu staoci pozostaych czynników. Jednoprocentowy wzrost wielkoci nakadów inwestycyjnych (ceteris paribus) w modelach produkcji Cobb-Douglasa w wariancie I powoduje przecitny wzrost poziomu produkcji rednio o 0,1763% w grupie mikroprzedsibiorstw i maych przedsibiorstw, 0,1935% w grupie rednich przedsibiorstw, 0,398% w sektorze MSP oraz 0,1763% w grupie duych przedsibiorstw. W wariancie II modeli Cobb-Douglasa, wzrost nakadów inwestycyjnych o 1%, ceteris paribus, powoduje przecitny wzrost poziomu produkcji odpowiednio o 0,069% w sektorze mikro i maych przedsibiorstw, 0,13% w sektorze rednich przedsibiorstw oraz 0,159% w sektorze MSP. Zmienno produkcji spowodowana zmianami wielkoci nakadów inwestycyjnych, przy zaoeniu staoci poziomu zatrudnienia w badanych sektorach, jest mniejsza w sektorze mikro i maych przedsibiorstw oraz sektorze rednich przedsibiorstw w porównaniu z sektorem MSP. Oznacza to, e traktujc sektor MSP bez rozrónienia na sektor maych oraz sektor rednich przedsibiorstw, zawyono by wpyw wzrostu nakadów inwestycyjnych na wzrost produkcji (zob. tabela ). Uwzgldnienie w modelu produkcji Cobb-Douglasa czynnika czasu spowodowao obnienie siy wpywu zmian wielkoci nakadów inwestycyjnych w grupach MMP, SP oraz MSP przy zaoeniu staoci zatrudnienia (zob. tabela ). Analiza zmian wielkoci zatrudnienia w modelach produkcji Cobba-Douglasa w wariantach I oraz II przy zaoeniu staoci nakadów inwestycyjnych, wskazuje, e wzrost zatrudnienia o 1% powoduje redni wzrost poziomu produkcji o: 0,816% w wariacie I oraz 0,5436% w wariancie II w grupie MMP, 0,8008% w wariancie I oraz 0,8631% w wariancie II w grupie SP, 0,7397% w wariancie I oraz 0,818% w wariancie II w sektorze MSP, 0,7160% w wariancie I oraz 0,8975% w wariancie II w grupie DP (zob. tabela ). W wariancie I wzrost zatrudnienia w sektorze mikro i maych przedsibiorstw oraz w sektorze rednich przedsibiorstw jest zbliony. Z kolei badajc wpyw wzrostu zatrudnienia na zmiany produkcji, przy zaoeniu staoci nakadów inwestycyjnych, w sektorze MSP, naley wskaza, e wpyw ten jest niszy. Wyniki te potwierdza równie analiza wspóczynnika elastycznoci wzgldem zatrudnienia w wariancie II, gdzie zmienno produkcji w sektorze MSP na zmiany poziomu zatrudnienia, ceteris paribus, jest nisza (zob. tabela ).
11 Przestrzenno-czasowe modelowanie zmiennoci produkcji w sektorach 79 Interpretacja ekonomiczna wspóczynnika produktywnoci kracowej z liniowych modeli produkcji oznacza zmiany poziomu produkcji wywoane przez wzrost czynnika produkcji o jednostk. Wzrost nakadów inwestycyjnych o tys. z, ceteris paribus, powoduje przecitny wzrost poziomu produkcji w wariancie I o 1,11 tys. z dla sektora mikro i maych przedsibiorstw (MMP), o 966 z dla rednich przedsibiorstw (SP), o 1,43 tys. z dla sektora MSP traktowanego cznie oraz,49 tys. z dla sektora duych przedsibiorstw (DP). W wariancie II po uwzgldnieniu w modelach produkcji czynnika czasu szacunki parametrów ulegy znacznemu zmniejszeniu. W grupie mikro i maych przedsibiorstw wzrost nakadów inwestycyjnych, ceteris paribus, powoduje przecitny wzrost produkcji o 800 z. Dla grupy rednich przedsibiorstw wzrost produkcji wynosi przecitnie 865 z, dla sektora MSP 1,11 tys. z oraz dla grupy duych przedsibiorstw 1,36 tys. z (zob. tabela ). Reakcj wielkoci produkcji w badanych sektorach na zmiany w wielkociach zatrudnienia przy zao- eniu, e wielko nakadów inwestycyjnych pozostaje staa w czasie wskazuje, e w wariancie I wzrost zatrudnienia o 1 tys. osób powoduje przecitny wzrost produkcji o 0,01173 mln z w sektorze MMP, o 0,06695 mln z w sektorze SP, o 0,01951 mln z w sektorze MSP oraz o 106,4 tys. z w sektorze DP. W wariancie II, szacunki parametrów przy zatrudnieniu wskazuj, e reakcja wywoana wzrostem zatrudnienia o 1000 osób, ceteris paribus, powoduje wzrost poziomu produkcji przecitnie o 11,5 tys. z w przedsibiorstwach mikro oraz maych, 9 tys. z w przedsibiorstwach redniej wielkoci, 15,9 tys. z w sektorze MSP oraz 106,6 tys. z w sektorze duych przedsibiorstw (zob. tabela ). Porównujc wpyw wzrostu w nakadach inwestycyjnych, ceteris paribus, na zmienno produkcji naley wskaza, e w sektorach MMP, SP oraz MSP, zarówno w wariancie I jak i II wpyw jest jednakowy. Natomiast porównujc badane sektory pod wzgldem wpywu poziomu zatrudnienia na zmienno produkcji, widocznym jest, e tylko sektor SP charakteryzuje si wiksz zmiennoci. Z kolei sektor MMP oraz MSP przyjmuj zblione wielkoci parametrów produktywnoci kracowej (zob. tabela ). Powysze wyniki s zgodne z wiedz ekonomiczn, dotyczc wpywu zmian w nakadach inwestycyjnych oraz zatrudnieniu na poziom produkcji. 4. WNIOSKI W artykule przedstawiono analiz zmian we wspóczynnikach elastycznoci oraz wspóczynnikach produktywnoci kracowej na podstawie modeli produkcji dla sektorów MMP, SP, MSP oraz DP. Wspóczynniki elastycznoci dostarczaj informacji wzgldnych o reakcji produkcji na wzrost nakadów i zatrudnienia w badanych sektorach przedsibiorstw. Informacji bezwzgldnych o zrónicowaniu reakcji produkcji w sektorach przedsibiorstw dostarczaj wspóczynniki produktywnoci kracowej.
12 80 Andrzej Geise Zmiany powstajce wskutek waha w wielkociach czynników produkcji w rónych sektorach przedsibiorstw znaczco róni si od tych zmian, które maj miejsce w sektorze MSP. czne traktowanie przedsibiorstw o rónych wielkociach moe powodowa znieksztacenie informacji o reakcji produkcji na zmiany czynników produkcji w poszczególnych sektorach. Wartoci wspóczynników dla sektorów MMP i SP maj wartoci istotnie wysze lub istotnie nisze w stosunku do wartoci osiganych przez sektor MSP. Wspóczynniki elastycznoci wyznaczone w grupach przedsibiorstw pozwalaj oceni, w którym z sektorów produkcja mocniej reaguje na zmiany nakadów inwestycyjnych lub zatrudnienia. Wspóczynniki elastycznoci wzgldem nakadów inwestycyjnych w sektorze MMP w obu rozwaanych wariantach przyjmuj wartoci na poziomie niszym, ni te wspóczynniki w sektorze MSP (zob. tabela ). Mona wic wskaza, e produkcja sektora MSP reaguje wikszymi zmianami na wzrost poziomu nakadów inwestycyjnych ni produkcja sektorów MMP bd SP. Reakcja produkcji na wzrost zatrudnienia w sektorze SP wskazuje jednoznacznie, e w tym sektorze przecitny wzrost produkcji wywoany przez wzrost zatrudnienia jest wikszy ni w sektorze MSP (zob. tabela ). W zalenoci od przyjtej postaci analitycznej modelu oraz wariantu modelowania, natenie, z jakim produkcja reaguje na zmiany zatrudnienia lub nakadów inwestycyjnych, jest zrónicowane (zob. tabela ). Dla oceny wpywu zdarze majcych miejsce w sektorze MSP, wane jest zbadanie tych zdarze osobno, dla mikroprzedsibiorstw, maych oraz rednich przedsibiorstw. W toku rozwaa nad zmiennoci produkcji dla sektora mikro, maych i rednich przedsibiorstw, naley wskaza, e zasadnym jest badanie zmiennoci zmiennych charakterystycznych dla sektora MSP z rozrónieniem sektorów MMP oraz SP. Sektor maych i rednich przedsibiorstw jest zrónicowany pod wzgldem reakcji produkcji na zmiany poszczególnych procesów, zmieniajcych si wewntrz sektora. Wskazuj na to wspóczynniki elastycznoci z funkcji produkcji Cobb-Douglasa oraz wspóczynniki produktywnoci kracowej z liniowych modeli produkcji. Wartoci parametrów róni si midzy sob, co wskazuje, e reakcja produkcji na zmiany nakadów inwestycyjnych i zatrudnienia jest niejednakowa. Mona stwierdzi, i badanie zmiennoci wewntrz sektora dostarcza wicej warto- ciowych informacji ni ogólna analiza sektora bez rozrónienia na podmioty gospodarcze o mikro, maej oraz redniej wielkoci. Uniwersytet Mikoaja Kopernika w Toruniu
13 Przestrzenno-czasowe modelowanie zmiennoci produkcji w sektorach 81 LITERATURA [1] Baltagi B. H., (005), Econometric Analysis of Panel Data (3 rd ed.), John Wiley & Sons Ltd, Londyn. [] Daska-Borsiak B., (011), Dynamiczne modele panelowe w badaniach ekonomicznych, Wydawnictwo Uniwersytetu ódzkiego, ód. [3] Dominiak P., (005), Sektor MSP we wspóczesnej gospodarce, PWN, Warszawa. [4] Greene W. H., (003), Econometric Analysis (5 th ed.), Macmillan Publishing Company, New Jersey. [5] Johnston J., DiNardo J., (1997), Econometric Methods (4 th ed.), Wydawnictwo Uniwersity of Southern California, California. [6] Kufel T., (011), Ekonometria. Rozwizanie problemów z wykorzystaniem program Gretl, PWN, Warszawa. [7] Kukua K. (red.), (009), Wprowadzenie do ekonometrii, Wydawnictwo PWN, Warszawa. [8] Maddala G. S., (008), Ekonometria, PWN, Warszawa. [9] Osiska M., (007), Ekonometria wspóczesna, Wydawnictwo Dom Organizatora, Toru. [10] Owusu-Gyapong A., (1986), Alternative Estimating Techniques for Panel Data on Strike Activity, The Review of Economics and Statistics, 68 (3), [11] Pawowski Z., (1976), Ekonometryczna analiza procesu produkcyjnego, Wydawnictwo PWN, Warszawa. [1] Piatowska M., (003), Modelowanie niestacjonarnych procesów ekonomicznych Studium metodologiczne, Wydawnictwo Uniwersytetu Mikoaja Kopernika, Toru. [13] Ustawa z dnia lipca 004 roku o swobodzie dziaalnoci gospodarczej (tekst jednolity: Dz.U. 004, Nr 173 poz z pón. zm.). [14] Wooldridge J., (00), Econometric Analysis of Cross Section and Panel Data, The MIT Press, Londyn. [15] Verbeek M., (004), A Guide to Modern Econometrics ( nd ed.), Wydawinctwo John Wiley & Sons Ltd, Londyn. [16] Zastempowski M., (010), Uwarunkowanie budowy potencjau innowacyjnego polskich maych i rednich przedsibiorstw, Wydawnictwo Naukowe UMK, Toru. PRZESTRZENNO-CZASOWE MODELOWANIE ZMIENNOCI PRODUKCJI W SEKTORACH MIKRO-, MAYCH, REDNICH I DUYCH PRZEDSIBIORSTW W POLSCE Streszczenie W ostatnich latach coraz szersze zastosowanie w analizach ekonomicznych znajduj modele panelowe. Przedmiotem rozwaa jest przestrzenno-czasowe modelowanie zmiennoci poziomu produkcji w Polsce. Celem badania jest próba ekonometrycznej werykacji hipotezy o wewntrznej niejednorodnoci sektora MSP, przez analiz wspóczynników elastycznoci z funkcji Cobb-Douglasa dla poziomu produkcji sprzedanej przemysu oraz przez analiz wspóczynników produktywnoci kracowej z liniowych modeli produkcji. Sowa kluczowe: sektor MSP, funkcja produkcji Cobba-Douglasa, estymator xed effects, estymator random effects
14 8 Andrzej Geise TIME-SPATIAL MODELLING OF THE VARIABILITY OF PRODUCTION IN SECTORS OF MICRO, SMALL, MEDIUM AND LARGE ENTERPRISES IN POLAND Abstract In recent years, more and more in the economic analysis are used panel models. The consideration of the paper are focused on investigation of spatiotemporal modeling of production in Poland. The main goal of the study is to verify the hypothesis of econometric internal heterogeneity of the SME sector. It is possible due to analysis the elasticity coefcients of the Cobb-Douglas production model and the factor of marginal productivity in linear production model. Key words: SME sector, Cobb-Douglas production model, xed effects estimator, random effects estimator
I Kolokwium z Ekonometrii. Nazwisko i imi...grupa...
ZESTAW A1 I Kolokwium z Ekonometrii Nazwisko i imi...grupa... 1. Model teoretyczny ma posta: z t = α 0 + α 1 x t + α 2 p t + ξ t, (t = 1, 2,..., 28) (1) gdzie: z t - koszty produkcji w mln z, p t - wielko
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 szczegółowoEkonometria. Wprowadzenie do modelowania ekonometrycznego Estymator KMNK. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Wprowadzenie do modelowania ekonometrycznego Estymator Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 1 Estymator 1 / 16 Agenda 1 Literatura Zaliczenie przedmiotu 2 Model
Bardziej 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 szczegółowoZadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.
tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1
Bardziej szczegółowoEkonometria. Zajęcia
Ekonometria Zajęcia 16.05.2018 Wstęp hipoteza itp. Model gęstości zaludnienia ( model gradientu gęstości ) zakłada, że gęstość zaludnienia zależy od odległości od okręgu centralnego: y t = Ae βx t (1)
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 szczegółowoProces modelowania zjawiska handlu zagranicznego towarami
Załącznik nr 1 do raportu końcowego z wykonania pracy badawczej pt. Handel zagraniczny w województwach (NTS2) realizowanej przez Centrum Badań i Edukacji Statystycznej z siedzibą w Jachrance na podstawie
Bardziej szczegółowoEKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE
EKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE ZADANIE 1 Oszacowano zależność między luką popytowa a stopą inflacji dla gospodarki niemieckiej. Wyniki estymacji są następujące: Estymacja KMNK,
Bardziej szczegółowoEkonometria. Ćwiczenia nr 3. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Ćwiczenia nr 3 Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 3 Własności składnika losowego 1 / 18 Agenda KMNK przypomnienie 1 KMNK przypomnienie 2 3 4 Jakub Mućk
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 szczegółowoTEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.
TEST STATYSTYCZNY Testem statystycznym nazywamy regułę postępowania rozstrzygająca, przy jakich wynikach z próby hipotezę sprawdzaną H 0 należy odrzucić, a przy jakich nie ma podstaw do jej odrzucenia.
Bardziej szczegółowoEkonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota
Ekonometria ćwiczenia 3 Prowadzący: Sebastian Czarnota Strona - niezbędnik http://sebastianczarnota.com/sgh/ Normalność rozkładu składnika losowego Brak normalności rozkładu nie odbija się na jakości otrzymywanych
Bardziej szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoNiestacjonarne zmienne czasowe własności i testowanie
Materiał dla studentów Niestacjonarne zmienne czasowe własności i testowanie (studium przypadku) Część 3: Przykłady testowania niestacjonarności Nazwa przedmiotu: ekonometria finansowa I (22204), analiza
Bardziej szczegółowoDIAGNOZOWANIE STANÓW ZDOLNO CI JAKO CIOWEJ PROCESU PRODUKCYJNEGO
DIAGNOSTYKA 27 ARTYKUY GÓWNE SZKODA, Diagnozowanie stanów zdolnoci jakociowej 89 DIAGNOZOWANIE STANÓW ZDOLNOCI JAKOCIOWEJ PROCESU PRODUKCYJNEGO Jerzy SZKODA Katedra Eksploatacji Pojazdów i Maszyn Uniwersytetu
Bardziej szczegółowoJoanna Muszyńska. Modelowanie danych panelowych Panel data models
Joanna Muszyńska Modelowanie danych panelowych Panel data models Słowa kluczowe: dane panelowe, modele z dekompozycją, modele efektów stałych, modele efektów zmiennych Key words: panel data, error component
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 szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 8
Stanisław Cichocki Natalia Nehrebecka Zajęcia 8 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Bardziej szczegółowoMetody Ilościowe w Socjologii
Metody Ilościowe w Socjologii wykład 2 i 3 EKONOMETRIA dr inż. Maciej Wolny AGENDA I. Ekonometria podstawowe definicje II. Etapy budowy modelu ekonometrycznego III. Wybrane metody doboru zmiennych do modelu
Bardziej szczegółowoSTRUKTURALNE MODELE SZEREGÓW CZASOWYCH W ESTYMACJI STOPY BEZROBOCIA W DEZAGREGACJI NA WOJEWÓDZTWA,
PRZEGLD STATYSTYCZNY R. LXI ZESZYT 4 2014 KAMIL WILAK STRUKTURALNE MODELE SZEREGÓW CZASOWYCH W ESTYMACJI STOPY BEZROBOCIA W DEZAGREGACJI NA WOJEWÓDZTWA, PE I WIEK 1. WSTP Jednym z podstawowych wskaników
Bardziej szczegółowoWprowadzenie: Krystyna Gurbiel Dyrektor Generalny Polskiej Fundacji Promocji i Rozwoju Ma"ych i (rednich Przedsi)biorstw... 9. Streszczenie...
SPIS TRE%CI Wprowadzenie: Krystyna Gurbiel Dyrektor Generalny Polskiej Fundacji Promocji i Rozwoju Ma"ych i (rednich Przedsi)biorstw... 9 Streszczenie... 11 1. Zmiany makroekonomiczne w Polsce w latach
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 szczegółowoEkonometria dla III roku studiów licencjackich dr Stanisław Cichocki dr Natalia Nehrebecka
Ekonometria dla III roku studiów licencjackich dr Stanisław Cichocki dr Natalia Nehrebecka Wykład 30 godz. Ćwiczenia 30 godz. Cel zajęć Wykład i ćwiczenia z ekonometrii mają zapoznać studentów z technikami
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 szczegółowoPraktyczne zastosowanie wybranych modeli panelowych do oceny sytuacji finansowej przedsiębiorstw rolniczych 1
Justyna Franc-Dąbrowska Katedra Ekonomiki i Organizacji Przedsiębiorstw Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Praktyczne zastosowanie wybranych modeli panelowych do oceny sytuacji finansowej
Bardziej szczegółowoNatalia Neherbecka. 11 czerwca 2010
Natalia Neherbecka 11 czerwca 2010 1 1. Konsekwencje heteroskedastyczności i autokorelacji 2. Uogólniona MNK 3. Stosowalna Uogólniona MNK 4. Odporne macierze wariancji i kowariancji b 2 1. Konsekwencje
Bardziej szczegółowoEkonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda
Bardziej szczegółowoMatematyka z elementami statystyki
Matematyka z elementami statystyki Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Korelacja Zale»no± funkcyjna wraz ze wzrostem jednej zmiennej nast puje ±ci±le okre±lona zmiana druiej zmiennej.
Bardziej szczegółowoZałącznik 1. Wpływ funkcjonowania Specjalnych Stref Ekonomicznych na wyniki gospodarcze powiatów i podregionów Polski
Załącznik 1. Wpływ funkcjonowania Specjalnych Stref Ekonomicznych na wyniki gospodarcze powiatów Z1.1. Kontekst analizy W rozdziale IV niniejszego raportu zostały przedstawione mechanizmy, za pomocą których
Bardziej szczegółowoEstymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych
Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych 3.1. Estymacja parametrów i ocena dopasowania modeli z jedną zmienną 23. Właściciel komisu w celu zbadania
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów 5. Testowanie
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 szczegółowoparametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających,
诲 瞴瞶 瞶 ƭ0 ƭ 瞰 parametrów strukturalnych modelu Y zmienna objaśniana, = + + + + + X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających, α 0, α 1, α 2,,α k parametry strukturalne modelu, k+1 parametrów
Bardziej szczegółowoZASTOSOWANIE ODCINKOWO-LINIOWEGO MINIMODELU DO MODELOWANIA PRODUKCJI SPRZEDANEJ PRZEMYSŁU
ZASTOSOWANIE ODCINKOWO-LINIOWEGO MINIMODELU DO MODELOWANIA PRODUKCJI SPRZEDANEJ PRZEMYSŁU W artykule przedstawiono now metod modelowania zjawisk ekonomicznych. Metoda odcinkowo-liniowego minimodelu szczególnie
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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 12
Stanisław Cichocki Natalia Nehrebecka Wykład 1 1 1. Testy diagnostyczne Testowanie stabilności parametrów modelu: test Chowa. Heteroskedastyczność Konsekwencje Testowanie heteroskedastyczności 1. Testy
Bardziej szczegółowoStanisław Cichocki. Natalia Neherbecka. Zajęcia 13
Stanisław Cichocki Natalia Neherbecka Zajęcia 13 1 1. Kryteria informacyjne 2. Testowanie autokorelacji 3. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych
Bardziej szczegółowoLiczba godzin Punkty ECTS Sposób zaliczenia. ćwiczenia 16 zaliczenie z oceną
Wydział: Zarządzanie i Finanse Nazwa kierunku kształcenia: Finanse i Rachunkowość Rodzaj przedmiotu: podstawowy Opiekun: prof. nadzw. dr hab. Tomasz Kuszewski Poziom studiów (I lub II stopnia): II stopnia
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 2 3 1. Wprowadzenie do danych panelowych a) Charakterystyka danych panelowych b) Zalety i ograniczenia 2. Modele ekonometryczne danych panelowych a) Model efektów
Bardziej szczegółowoEkonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 9 marca 2007
, transformacja liniowa i estymacja modelu KMNK Paweł Cibis pawel@cibis.pl 9 marca 2007 1 Miary dopasowania modelu do danych empirycznych Współczynnik determinacji Współczynnik zbieżności Skorygowany R
Bardziej szczegółowoOCENA RYZYKA INWESTOWANIA ZA POMOCĄ POZORNIE NIEZALEŻNYCH REGRESJI SUR I PANELOWEGO MODELU CAPM NA PRZYKŁADZIE AKCYJNYCH FUNDUSZY INWESTYCYJNYCH
EWA MAJEROWSKA I DOROTA CIOŁEK Uniwersytet Gdański OCENA RYZYKA INWESTOWANIA ZA POMOCĄ POZORNIE NIEZALEŻNYCH REGRESJI SUR I PANELOWEGO MODELU CAPM NA PRZYKŁADZIE AKCYJNYCH FUNDUSZY INWESTYCYJNYCH Wstęp
Bardziej szczegółowoWYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU
Zał. nr 4 do ZW WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Nazwa w języku polskim STATYSTYCZNA ANALIZA DANYCH Nazwa w języku angielskim STATISTICAL DATA ANALYSIS Kierunek studiów (jeśli dotyczy):
Bardziej szczegółowoPrzykład 1. (A. Łomnicki)
Plan wykładu: 1. Wariancje wewnątrz grup i między grupami do czego prowadzi ich ocena 2. Rozkład F 3. Analiza wariancji jako metoda badań założenia, etapy postępowania 4. Dwie klasyfikacje a dwa modele
Bardziej szczegółowoPoprawa efektywnoci metody wstecznej propagacji bdu. Jacek Bartman
Poprawa efektywnoci metody wstecznej propagac bdu Algorytm wstecznej propagac bdu. Wygeneruj losowo wektory wag. 2. Podaj wybrany wzorzec na wejcie sieci. 3. Wyznacz odpowiedzi wszystkich neuronów wyjciowych
Bardziej szczegółowo2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Sprawdzanie założeń przyjętych o modelu (etap IIIC przyjętego schematu modelowania regresyjnego) 1. Szum 2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Bardziej szczegółowoEKONOMETRYCZNE MODELOWANIE ZRÓŻNICOWANIA ZWIĄZKÓW W SEKTORZE MAŁYCH I ŚREDNICH PRZEDSIĘBIORSTW W PRZESTRZENI REGIONALNEJ
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 26 Janusz Korol Uniwersytet Szczeciński Przemysław Szczuciński Państwowa Wyższa Szkoła Zawodowa w Gorzowie Wlkp. EKONOMETRYCZNE MODELOWANIE ZRÓŻNICOWANIA
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowoMetoda Johansena objaśnienia i przykłady
Metoda Johansena objaśnienia i przykłady Model wektorowej autoregresji rzędu p, VAR(p), ma postad gdzie oznacza wektor zmiennych endogenicznych modelu. Model VAR jest stabilny, jeżeli dla, tzn. wielomian
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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 12
Stanisław Cichocki Natalia Nehrebecka Wykład 12 1 1.Problemy z danymi Zmienne pominięte Zmienne nieistotne 2. Autokorelacja o Testowanie autokorelacji 1.Problemy z danymi Zmienne pominięte Zmienne nieistotne
Bardziej szczegółowoBłędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa
Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie
Bardziej szczegółowoWSTĘP DO EKONOMETRII DANYCH PANELOWYCH. Spis treści
WSTĘP DO EKONOMETRII DANYCH PANELOWYCH Spis treści Czym są dane panelowe... 2 Analiza regresji dla danych panelowych... 5 1. Analiza naiwna - pooled estimator... 5 2. Model z efektami stałymi fixed effect
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Egzamin z ekonometrii wersja IiE, MSEMAT 04-02-2016 Pytania teoretyczne 1. Za pomocą jakiego testu weryfikowana jest normalność składnika losowego? Jakiemu założeniu KMRL odpowiada w tym teście? Jakie
Bardziej szczegółowostopie szaro ci piksela ( x, y)
I. Wstp. Jednym z podstawowych zada analizy obrazu jest segmentacja. Jest to podział obrazu na obszary spełniajce pewne kryterium jednorodnoci. Jedn z najprostszych metod segmentacji obrazu jest progowanie.
Bardziej szczegółowoEkonometria. Własności składnika losowego. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Własności składnika losowego Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 1 / 31 Agenda KMNK przypomnienie 1 KMNK przypomnienie 2 3 4
Bardziej szczegółowoK wartość kapitału zaangażowanego w proces produkcji, w tys. jp.
Sprawdzian 2. Zadanie 1. Za pomocą KMNK oszacowano następującą funkcję produkcji: Gdzie: P wartość produkcji, w tys. jp (jednostek pieniężnych) K wartość kapitału zaangażowanego w proces produkcji, w tys.
Bardziej szczegółowoEgzamin z ekonometrii - wersja ogólna
Egzamin z ekonometrii - wersja ogólna 27-0-202 Pytania teoretyczne. Dlaczego w modelu nie powinno si umieszcza staªej i wszystkich zmiennych zero-jedynkowych, zwi zanych z poziomami zmiennej dyskretnej?
Bardziej szczegółowoZadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość?
Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość? Wykres stopy bezrobocia rejestrowanego w okresie 01.1998 12.2008, dane Polskie 22 20 18 16 stopa 14 12
Bardziej szczegółowoEkonometria. Weryfikacja liniowego modelu jednorównaniowego. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Weryfikacja liniowego modelu jednorównaniowego Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 2 Weryfikacja liniowego modelu jednorównaniowego 1 / 28 Agenda 1 Estymator
Bardziej szczegółowoPrzykład 2. Stopa bezrobocia
Przykład 2 Stopa bezrobocia Stopa bezrobocia. Komentarz: model ekonometryczny stopy bezrobocia w Polsce jest modelem nieliniowym autoregresyjnym. Podobnie jak model podaŝy pieniądza zbudowany został w
Bardziej szczegółowoNarzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski
Narzędzia statystyczne i ekonometryczne Wykład 1 dr Paweł Baranowski Informacje organizacyjne Wydział Ek-Soc, pok. B-109 pawel@baranowski.edu.pl Strona: baranowski.edu.pl (w tym materiały) Konsultacje:
Bardziej szczegółowoTestowanie hipotez statystycznych
round Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 13 grudnia 2014 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 28 listopada 2018 Plan zaj eć 1 Rozk lad estymatora b 2 3 dla parametrów 4 Hipotezy l aczne - test F 5 Dodatkowe za lożenie
Bardziej szczegółowoEkonometria Ćwiczenia 19/01/05
Oszacowano regresję stopy bezrobocia (unemp) na wzroście realnego PKB (pkb) i stopie inflacji (cpi) oraz na zmiennych zero-jedynkowych związanymi z kwartałami (season). Regresję przeprowadzono na danych
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Autokorelacja Konsekwencje Testowanie autokorelacji 2. Metody radzenia sobie z heteroskedastycznością i autokorelacją Uogólniona Metoda Najmniejszych
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoEkonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 02/02/2011 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoStatystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych
Statystyka matematyczna. Wykład IV. e-mail:e.kozlovski@pollub.pl Spis treści 1 2 3 Definicja 1 Hipoteza statystyczna jest to przypuszczenie dotyczące rozkładu (wielkości parametru lub rodzaju) zmiennej
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 8 Natalia Nehrebecka Stanis law Cichocki 29 listopada 2015 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 9
Stanisław Cichocki Natalia Nehrebecka Wykład 9 1 1. Dodatkowe założenie KMRL 2. Testowanie hipotez prostych Rozkład estymatora b Testowanie hipotez prostych przy użyciu statystyki t 3. Przedziały ufności
Bardziej 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 szczegółowoNOWY PROGRAM STUDIÓW 2016/2017 SYLABUS PRZEDMIOTU AUTORSKIEGO: Wprowadzenie do teorii ekonometrii. Część A
NOWY PROGRAM STUDIÓW 2016/2017 SYLABUS PRZEDMIOTU AUTORSKIEGO: Autor: 1. Dobromił Serwa 2. Tytuł przedmiotu Sygnatura (będzie nadana, po akceptacji przez Senacką Komisję Programową) Wprowadzenie do teorii
Bardziej szczegółowoMODELE LINIOWE. Dr Wioleta Drobik
MODELE LINIOWE Dr Wioleta Drobik MODELE LINIOWE Jedna z najstarszych i najpopularniejszych metod modelowania Zależność między zbiorem zmiennych objaśniających, a zmienną ilościową nazywaną zmienną objaśnianą
Bardziej szczegółowo3. Modele tendencji czasowej w prognozowaniu
II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa
Bardziej szczegółowoTestowanie hipotez statystycznych. Wnioskowanie statystyczne
Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoEkonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 23 marca 2006
, transformacja liniowa i estymacja modelu KMNK Paweł Cibis pcibis@o2.pl 23 marca 2006 1 Miary dopasowania modelu do danych empirycznych Współczynnik determinacji Współczynnik zbieżności 2 3 Etapy transformacji
Bardziej szczegółowoPowtórzenie wiadomości z rachunku prawdopodobieństwa i statystyki.
Powtórzenie wiadomości z rachunku prawdopodobieństwa i statystyki. Zaj ecia 5 Natalia Nehrebeceka 04 maja, 2010 Plan zaj eć 1 Rachunek prawdopodobieństwa Wektor losowy Wartość oczekiwana Wariancja Odchylenie
Bardziej szczegółowoMETODY ILOŚCIOWE W ZARZĄDZANIU
1.1.1 Metody ilościowe w zarządzaniu I. OGÓLNE INFORMACJE PODSTAWOWE O PRZEDMIOCIE METODY ILOŚCIOWE W ZARZĄDZANIU Nazwa jednostki organizacyjnej prowadzącej kierunek: Kod przedmiotu: RiAF_PS5 Wydział Zamiejscowy
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoStanisław Cihcocki. Natalia Nehrebecka
Stanisław Cihcocki Natalia Nehrebecka 1 1. Kryteria informacyjne 2. Testowanie autokorelacji w modelu 3. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych opóźnieniach
Bardziej szczegółowoWYKRES 14. BEZROBOCIE W LATACH (ilo bezrobotnych)
2.2.5 Bezrobocie i lokalny rynek pracy Lokalna sytuacja gospodarcza ma swoje bezporednie przełoenie na poziom lokalnego bezrobocia. winoujcie do koca lat dziewidziesitych było pod tym wzgldem miastem wyjtkowym
Bardziej szczegółowoPrognozowanie na podstawie modelu ekonometrycznego
Prognozowanie na podstawie modelu ekonometrycznego Przykład. Firma usługowa świadcząca usługi doradcze w ostatnich kwartałach (t) odnotowała wynik finansowy (yt - tys. zł), obsługując liczbę klientów (x1t)
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada
Stanisław Cichocki Natalia Nehrebecka Katarzyna Rosiak-Lada 1. Sprawy organizacyjne Zasady zaliczenia 2. Czym zajmuje się ekonometria? 3. Formy danych statystycznych 4. Model ekonometryczny 2 1. Sprawy
Bardziej 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 szczegółowoWiadomości ogólne o ekonometrii
Wiadomości ogólne o ekonometrii Materiały zostały przygotowane w oparciu o podręcznik Ekonometria Wybrane Zagadnienia, którego autorami są: Bolesław Borkowski, Hanna Dudek oraz Wiesław Szczęsny. Ekonometria
Bardziej szczegółowoTestowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.
Testowanie hipotez Niech X = (X 1... X n ) będzie próbą losową na przestrzeni X zaś P = {P θ θ Θ} rodziną rozkładów prawdopodobieństwa określonych na przestrzeni próby X. Definicja 1. Hipotezą zerową Θ
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16
Stanisław Cichocki Natalia Nehrebecka Zajęcia 15-16 1 1. Sezonowość 2. Zmienne stacjonarne 3. Zmienne zintegrowane 4. Test Dickey-Fullera 5. Rozszerzony test Dickey-Fullera 6. Test KPSS 7. Regresja pozorna
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Pytania teoretyczne Egzamin z ekonometrii wersja IiE, MSEMAT 08-02-2017 1. W jaki sposób przeprowadzamy test Chowa? 2. Pokazać, że jest nieobciążonym estymatorem. 3. Udowodnić, że w modelu ze stałą TSSESS+RSS.
Bardziej szczegółowoStatystyka Małych Obszarów w badaniach próbkowych
Statystyka Małych Obszarów w badaniach próbkowych Łukasz Wawrowski l.wawrowski@stat.gov.pl Urząd Statystyczny w Poznaniu SKN Estymator, UEP 5.03.2012 1 Wprowadzenie Podstawowe pojęcia Badanie 2 Estymator
Bardziej szczegółowoEkonometria - wykªad 1
Ekonometria - wykªad 1 0. Wprowadzenie Barbara Jasiulis-Goªdyn 28.02.2014 2013/2014 Ekonometria Literatura [1] B. Borkowski, H. Dudek, W. Szczesny, Ekonometria. Wybrane Zaganienia, PWN, Warszawa 2003.
Bardziej szczegółowoSTUDIA I STOPNIA EGZAMIN Z EKONOMETRII
NAZWISKO IMIĘ Nr albumu Nr zestawu Zadanie 1. Dana jest macierz Leontiefa pewnego zamkniętego trzygałęziowego układu gospodarczego: 0,64 0,3 0,3 0,6 0,88 0,. 0,4 0,8 0,85 W okresie t stosunek zuŝycia środków
Bardziej szczegółowoTESTY NIEPARAMETRYCZNE. 1. Testy równości średnich bez założenia normalności rozkładu zmiennych: Manna-Whitney a i Kruskala-Wallisa.
TESTY NIEPARAMETRYCZNE 1. Testy równości średnich bez założenia normalności rozkładu zmiennych: Manna-Whitney a i Kruskala-Wallisa. Standardowe testy równości średnich wymagają aby badane zmienne losowe
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 egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 0/0/0. Egzamin trwa 90 minut.. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu. Złamanie
Bardziej szczegółowoPORÓWNANIE METODY REDNIEJ ORAZ REDNIEJ WA ONEJ KONSTRUOWANIA INDEKSÓW CEN NIERUCHOMO CI MIESZKANIOWYCH
PORÓWNANIE METODY REDNIEJ ORAZ REDNIEJ WAONEJ KONSTRUOWANIA INDEKSÓW CEN NIERUCHOMOCI MIESZKANIOWYCH Radosaw Trojanek Katedra Inwestycji i Nieruchomoci Uniwersytet Ekonomiczny w Poznaniu e-mail: r.trojanek@ue.poznan.pl
Bardziej szczegółowoWykład 8 Dane kategoryczne
Wykład 8 Dane kategoryczne Wrocław, 19.04.2017r Zmienne kategoryczne 1 Przykłady zmiennych kategorycznych 2 Zmienne nominalne, zmienne ordynalne (porządkowe) 3 Zmienne dychotomiczne kodowanie zmiennych
Bardziej szczegółowo