= , t 1872, = , t 1872,0.95
|
|
- Michał Owczarek
- 5 lat temu
- Przeglądów:
Transkrypt
1 19 stycza 008 Zadae 1 Dyspoujemy próbą dla Staów Zjedoczoych z roku 1988 dotyczącą kobet: l_wage logarytm zarobków; ttl_exp całkowte dośwadczee zawodowe wyrażoe w latach; uo czy osoba ależy do zwązków zawodowych, 1 tak, 0 e; l_age logarytm weku; race rasa, 1 bały, czary, 3 w pozostałych przypadkach. Pożej zajdują sę oszacowaa regresj, w której zmeą zależą jest l_wage, atomast zmee ezależe to ttl_exp, uo, l_age, race. Poadto w regresj uwzględoo terakcje mędzy zmeą ozaczającą przyależość do zwązków zawodowych a dośwadczeem zawodowym. Pozom bazowy dla zmeej race to rasa bała. Source SS df MS Number of obs = F( 6, 1873) = 97.9 Model Prob > F = Resdual R-squared = Adj R-squared = 0.35 Total Root MSE = l_wage Coef. Std. Err. t uo ttl_exp uoxttl_exp l_age _Irace_ _Irace_ _cos Uzupełj brakujące mejsca.. Dlaczego wprowadzoo do modelu terakcje mędzy zmeą uo a ttl_exp? 3. Które ze zmeych są stote? (odpowedź ależy uzasadć) 4. Dokoaj terpretacj parametrów. 5. Przetestuj hpotezę o tym, że wpływ a dochód wzrostu dośwadczea o 1 rok u kobet ależących do zwązków zawodowych jest o 1% mejszy ż u kobet eależących do zwązków zawodowych. 6. Chcemy przetestować hpotezę, że kobety rasy ej ż bała zarabają tyle samo oraz wzrost weku o 1% powoduje spadek dochodu o 0,5%. Zapsać hpotezę zerową za pomocą macerzy: HB = h oraz wyjaść jak moża ją testować (podać postać modelu z ograczeam). Przy testowau hpotez proszę przyjąć pozom stotośc Do testowaa hpotez mogą przydać sę astępujące kwatyle: t 1873,0.95 = , t 1873,0.975 = , t 187,0.95 = , t 187,0.975 =1.9613, Rozwązae: 1. Wydruk ze Staty: Source SS df MS Number of obs = F( 6, 1873) = 97.9 Model Prob > F = Resdual R-squared = Adj R-squared = 0.35 Total Root MSE = l_wage Coef. Std. Err. t P> t [95% Cof. Iterval] _Iuo_ ttl_exp
2 _IuXttl_~ l_age _Irace_ _Irace_ _cos Oblczea: RSS = TSS ESS = = Stope swobody (df) dla ESS: K 1 = 7 1 = 6 Stope swobody (df) dla RSS: N K = = 1873 ESS R = = TSS b seˆ( b) t = =. Zapszmy fragmet modelu tylko ze zmeym uo ttl_exp: E( y ) = β1 + βuo + β3ttl _ exp + β4ttl _ exp uo Wartość oczekwaa w rozbcu a podpróby ze względu a zmeą uo: E( y ) = β + β ttl _ exp - kobeta e ależąca do zwązków zawodowych; 1 3 E( y) = β1 + β + β3ttl _ exp + β4ttl _ exp= β1 + β + ( β3 + β4) ttl _ exp - kobeta ależąca do zwązków zawodowych. Wosek: terakcja została wprowadzoa do modelu, aby uwzględć y wpływ dośwadczea zawodowego a pozom zarobków wśród kobet ależących eależących do zwązków zawodowych. Iterakcje mędzy zmeą cągła dyskretą wprowadzamy do regresj, jeśl podejrzewamy, że wpływ zmeej cągłej a zmeą objaśaą zależy od pozomów zmeej dyskretej. 3. Będzemy testować hpotezy H : 0 0 β k = vs. H : 0. 0 βk Do tego celu potrzebujemy kwatyl rzędu 0,975 (test dwustroy a pozome stotośc 0,05) z rozkładu t-studeta o 1873 stopach swobody (N K). Hpotezę zerową odrzucamy, jeśl statystyka testowa wpada do obszaru krytyczego W = ( ; ] [ ; ), czyl jeśl wartość bezwzględa statystyk testowej jest wększa od Tylko dla zmeej _race_3 brak podstaw do odrzucea H, 0 bo t = 0.3 W. Pozostałe zmee oraz stała są stote. 4. Kobety ależące do zwązków zawodowych zarabają o 38,08% węcej ż kobety e ależące do zwązków zawodowych. Każdy dodatkowy rok dośwadczea u kobety e ależącej do zwązków zawodowych powoduje wzrost dochodu o 5,1%. Każdy dodatkowy rok dośwadczea u kobety ależącej do zwązków zawodowych powoduje wzrost dochodu o 3,89% (5,1% - 1,3% = 3,89%). Wzrost weku o 1% powoduje spadek dochodu o 0,45% (zmea wek jest zlogarytmowaa!) Kobety rasy czarej zarabają o 0,% mej ż kobety rasy bałej. Kobety rasy ej ż bała lub czara zarabają o,16% węcej ż kobety rasy bałej. 5. Zgode z odpowedzą a podpukt drug, wystarczy przetestować hpotezę, że parametr przy zmeej ttl_exp wyos 0,01. Testujemy węc zestaw hpotez: H : β = 0.01 H : β ttl _ exp 1 ttl _exp 1) Wyzaczamy wartość statystyk testowej: * bttl _ exp β ( 0.01) t = = 0.4 se( b ) ttl _ exp ) t * = t0,975;1873 = W = ( ; ] [ ; ) 3) Poeważ t W, węc brak podstaw do odrzucea hpotezy zerowej.
3 6. Wartość oczekwaą zmeej zależej możemy zapsać: E( y ) = β + β uo + β ttl _ exp + β ttl _ exp uo + β l_ age + β race _ + β race _ β = β - kobety rasy ej ż bała zarabają tyle samo; 6 7 β 5 = 0,5 - wzrost weku o 1% powoduje spadek dochodu o 0,5%. Czyl hpotezę zerową możemy zapsać: β1 β β 3 β6 β7 = H0 : β4 β5 = 0, = 0,5 β 5 β6 β 7 Postać modelu z ograczeam: y = β + β uo + β ttl _ exp + β ttl _ exp uo 0,5l_ age + β race _ + β race _ 3 + ε y + 0,5l_ age = β1 + βuo + β3ttl _ exp + β4ttl _ exp uo + β6 ( race _ + race _ 3 ) + ε * * y race Zmea race* przyjmuje warość 0 dla kobet rasy bałej oraz 1 w pozostałych przypadkach. Hpotezę zerową testujemy za pomocą statystyk F ( porówae sumy kwadratów reszt dla modelu bez ograczeń z ograczeam). Zadae Dla modelu (*) y = X β + ε, stworzylśmy macerz X* = XA, gdze A jest pewą macerzą eosoblwą, oraz wektor y* = cy, gdze c R c 0. Następe defujemy model (**) y* = X * β * + η. 1. Ile wyos estymator MNK dla regresj (**)? Estymator b * ależy przedstawć jako fukcję estymatora b.. Wyzaczyć Var( b *). 3. Wyzaczyć wektor reszt dla regresj (**) jako fukcję wektora reszt dla regresj (*). 4. Pokazać, że R w obu regresjach jest take samo. Rozwązae: * * * 1 * * b = ( X X ) X y = (( XA) XA) ( XA) cy = c( A X XA) A X y Dla dowolych eosoblwych macerzy A B zachodz wzór a przypadek trzech odwracalych macerzy mamy Czyl ( A X XA) = A ( X X ) ( A ). = = = * b ca ( X X ) ( A ) A X y ca ( X X ) X y ca b I AB = B A Uogólając te ( ) ( ABC) = C ( AB) = C B A.. * 1 1 ( 1 ) 1 ( ) ( ) ( ) ( )( 1 ) Var b Var ca b ca Var b ca c A Var b A c A 1 σ ( X X ) 1 = = = = ( A 1 ) 3
4 * * * yˆ = X b = XAcA b = cx AA b = cxb = cyˆ, gdze ŷ ozacza wartośc dopasowae dla I regresj (*); * * * e = y yˆ = cy cyˆ = c( y yˆ ) = ce, gdze e ozacza wektor reszt dla regresj (*) * * 4. ( e ) e = ( ce) ce = c e e * 1 * 1 1 y = y 1 = cy 1 = = c y 1 = cy = = = * * * * * TSS = y y y y = cy cy cy cy = c y y y y R ( ) ( ) ( ) ( ) ( ) ( ) = 1 = 1 = R * c e e e e c ( y y ) ( y y ) ( y y ) ( y y ) Zadae 3 Oszacowao regresję logarytmu lośc sprzedawaych owych samochodów (zmea l_ocars) a logarytme PKB per capta (zmea l_y) dekse ce owych samochodów (zmea l_prce). Regresję oszacowao a daych kwartalych dla Staów Zjedoczoych z okresu Wprowadzoo także do modelu zmee sezoowe przyjmujące wartość 1 dla odpowedego kwartału, a 0 dla pozostałych (pozom bazowy to I kwartał). Wyk regresj zajdują sę pożej. Source SS df MS Number of obs = F( 5, 54) = Model Prob > F = Resdual R-squared = Adj R-squared = Total Root MSE = l_ocars Coef. Std. Err. t P> t [95% Cof. Iterval] l_y l_prce dq dq dq _cos RESET F(3, 51) = 3.45 [0.031] Durb-Watso (6,60) =.97 Breusch-Godfrey ch(4) = 4.4 [0.0001] Jarque-Bera ch() = 0.1 [0.9438] Whte ch(14) = [0.6865] Wykres lczby sprzedawaych samochodów (w tyś. sztuk) w zależośc od czasu: 4
5 ocars q q3 1978q3 1979q3 1980q q3 198q3 1983q3 1984q3 1985q3 1986q3 1987q3 1988q3 1989q3 1990q3 data Testowae hpotez ależy przeprowadzć a pozome stotośc α = 0, 05. Każdą z odpowedz ależy uzasadć odpowedm wartoścam statystyk testowych p-value. Wartośc krytycze d l d u dla testu DW przy 60 obserwacjach 5 zmeych stałej a pozome stotośc 0,05 wyoszą odpowedo Do testowaa hpotez mogą być potrzebe astępujące kwatyle rozkładu t-studeta: t 0,95;54 = ; t 0,975;54 = Określć, czy model jest dobrze dopasoway do daych oraz czy zbór zmeych ezależych stote objaśa zmeą zależą.. Podać, które zmee w modelu są stote. 3. Przetestuj hpotezę o tym, że popyt a samochody jest elastyczy (popyt jest elastyczy jeżel zmaa cey o 1% powoduje wększą ż o 1% zmaę żądaej lośc). 4. Wyjaśj a podstawe wykresu, dlaczego w modelu zawarto kwartale zmee sezoowe. 5. W jak sposób ależałoby weryfkować hpotezę mówącą o tym, że a lość sprzedawaych samochodów e wpływa pora roku? 6. Zbadać, czy w modelu występuje heteroscedastyczość. 7. Zbadać, czy w modelu występuje autokorelacja. 8. Zbadać, czy zaburzee losowe ma rozkład ormaly. 9. Sprawdzć, czy forma fukcyja modelu jest prawdłowa. 10. Jeżel model e speła założeń KMRL określć: a) które założee e jest spełoe? b) jake ma to kosekwecje dla woskowaa statystyczego? c) w jak sposób moża rozwązać problemy zasygalzowae przez wyk testów? 5
6 Rozwązae: 1. R = 0, 5657, czyl 56,57% zmeośc logarytmu lośc sprzedawaych samochodów zostało objaśoe przez zmeość zmeych ezależych. Wartość statystyk testowej w teśce a łączą stotość zmeych ezależych: F = 14, 04 ( p value = 0,0000 < 0,05). Poeważ p-value jest mejsze od przyjętego pozomu stotośc, to odrzucamy hpotezę zerową zakładającą łączą estotość zmeych objaśających.. W modelu stote są te zmee, dla których p-value jest mejsze od 0,05 (wówczas odrzucamy hpotezę zerową zakładającą estotość daej zmeej). Węc stote zmee to: l_y, l_prce, dq_ oraz stała. 3. Testoway zestaw hpotez: H0 : β l_ = 1 vs. H1 : β l_ < 1 prce 1,13440 ( 1) 1) Wartość statystyk testowej: t = 0,1803 0, 74 ) t * = t0,95;54 = W = ( ; ] (bo test lewostroy!) 3) Poeważ t W, to brak podstaw do odrzucea hpotezy. Ne moża węc przyjąć hpotezy, że popyt a samochody jest elastyczy. 4. Na wykrese wyraźe wdać, ż sprzedaż samochodów cechuje sę sezoowoścą ajwęcej samochodów sprzedaje sę w II kwartale. Aby uchwycć wpływ pory roku a sprzedaż samochodów uwzględoo w modelu zmee zerojedykowe wyróżające kwartały. 5. Należałoby przetestować hpotezę zakładającą łączą estotość zmeych sezoowych, H : β = β = β = 0. Hpotezę tę moża przetestować w stadardowy sposób czyl: 0 dq _ dq _3 dq _ 4 za pomocą statystyk F porówae sumy kwadratów reszt dla modelu bez ograczeń modelu z ograczeam (regresja z pomętym zmeym sezoowym). 6. Występowae heteroscedastyczośc testujemy za pomocą testu Whte a (hpoteza zerowa: homoscedastyczość; hpoteza alteratywa: heteroscedastyczość). Wartość statystyk testowej wyos ch(14)= oraz p-value = 0,6865 > 0,05, węc brak podstaw do odrzuceu hpotezy zerowej. 7. Autokorelację testujemy za pomocą testu Durba-Watsoa Breuscha-Godfreya. Test DW Poeważ DW = 0,97 <, węc testujemy zestaw hpotez: H0 : Cov( ε t, ε t 1) = 0 (brak autokorelacj rzędu perwszego), H1 : Cov( εt, εt 1) > 0 (dodata autokorelacja rzędu perwszego). DW = 0,97 < d l = 1,41 odrzucamy hpotezę zerową, węc występuje autokorelacja dodata perwszego rzędu; Test BG (hpoteza zerowa: brak korelacj; hpoteza alteratywa: występuje korelacja) Wartość statystyk testowej wyos ch(4) = 4.4 oraz p-value = 0,0001 < 0,05, czyl odrzucamy hpotezę zerową, występuje autokorelacja zaburzea losowego. 8. Normalość zaburzea losowego testujemy za pomocą testu Jarque-Bera (hpoteza zerowa: zaburzee losowe ma rozkład ormaly; hpoteza alteratywa: zaburzee losowe e ma rozkładu ormalego). Wartość statystyk testowej wyos ch() = 0.1 oraz p-value = 0,9438 > 0,05, czyl brak podstaw do odrzucea hpotezy zerowej zakładającej ormalość zaburzea losowego. prce 6
7 9. Poprawość przyjętej formy fukcyjej modelu testujemy za pomocą testu RESET (hpoteza zerowa: przyjęta postać fukcyja modelu jest prawdłowa; hpoteza alteratywa: przyjęta postać fukcyja modelu jest epoprawa). Wartość statystyk testowej F(3, 51) = 3.45 p-value = 0,031 < 0,05, węc odrzucamy hpotezę zerową zakładającą poprawość przyjętej formy fukcyjej. 10. a) Ne jest spełoe założee o braku autokorelacj zaburzea losowego oraz założee o sposobe geerowaa daych : y = β1 + βx βk xk + ε (czyl założee o lowej zależośc mędzy zmeą zależą zmeym ezależym). b) W przypadku e spełea założea o braku autokorelacj zaburzea losowego, estymator b jest co prawda eobcążoy zgody ale eefektywy. Estymator macerzy waracj-kowaracj b jest już obcążoy ezgody. Macerz waracj-kowaracj jest wykorzystywaa do testowaa hpotez a temat stotośc zmeych, węc poprawość woskowaa statystyczego jest podważoa. Odrzucee hpotezy o poprawośc przyjętej formy fukcyjej podważa terpretację ekoomczą modelu (terpretacja oszacowaych parametrów). Take własośc jak eobcążoość czy efektywość estymatora MNK są wyprowadzae przy założeu prawdzwośc przyjętej formy fukcyjej modelu. c) Nepoprawa forma fukcyja: możemy próbować poprawć formę fukcyją modelu wprowadzając do modelu terakcje mędzy zmeym, dokoać przekształceń zmeych (p. przekształcee Boxa-Coxa), zastosować model welomaowy, schodkowy lub krzywej łamaej. Problem autokorelacj moża rozwązać za pomocą Stosowalej UMNK lub odporego estymatora Newey a-westa macerzy waracj kowaracj. 7
8 4 stycza 008 Zadae 1 a) Mamy astępujący model ze stałą jedą zmeą objaśającą: y = β + β x + ε gdze E( ε ) = 0 Var( ε ) = 1, σ I Wyzaczyć cov( b1, b ), gdze b 1 b są estymatoram parametrów uzyskaym Metodą Najmejszych Kwadratów. b) Oszacowao regresję y β x ε, x = x x uzyskao estymator b. Utworzoo owe zmee: = + gdze [ 1 k ] * * y = cy oraz [ ] a 0 c 0. Oszacowao regresję muszą spełać stałe a c aby b = ˆ γ? y x = ax ax = ax gdze a, c R oraz 1 k, = γ x + ε uzyskao estymator ˆ. γ Jak waruek * * Rozwązae: a) W trakce kolokwum zostało doprecyzowae co ależy pokazać: σ x = 1 1 = x 1 x = = 1 cov( b, b ). ( ) Postać macerzy waracj-kowaracj estymatora b w przypadku sferyczośc zaburzea 1 losowego wyos Var( b) = σ ( X X ). W modelu ze stałą jedą zmeą objaśającą: 1 x1 1 1 x 1 X X = = x 1 x = 1 x x 1 x 1 = = Wzór a odwrotość macerzy x: a b 1 d b 1 A = c d det( A) 0, to A = det( A) c a Zakładając, że macerz X ma pełe rząd kolumowy (wystarczy, że steją take j, że x x ): j ( X X ) Czyl 1 1 x 1 x = = 1 x x 1 x 1 1 = = = = Var( b) oraz ( ) 1 σ x 1 x = = 1 = σ ( X X ) = x x 1 x 1 1 = = = σ x = 1 1 = x 1 x = = 1 cov( b, b ) b) Nech * y = cy ( ) ( ) * X = ax. Wówczas: c ˆ γ = ( X X ) X y = (( ax ) ax ) ( ax ) cy = ca( a X X ) X y = ca ( X X ) X y = b * * 1 * * a Czyl mus zachodzć, że c = a. a 8
9 Zadae Dyspoujemy próbą dla Staów Zjedoczoych z roku 1988 dotyczącą kobet: l_wage logarytm zarobków; age wek w latach; age_ wek podesoy do kwadratu; race rasa, 1 bały, 0 w pozostałych przypadkach; srede 1 osoba ma PRZYNAJMNIEJ wykształcee średe (czyl średe lub wyższe), 0 w pozostałych przypadkach; wyzsze 1 osoba ma wykształcee wyższe, 0 w pozostałych przypadkach srede_race terakcja mędzy zmeą srede a race; wyzsze_race terakcja mędzy zmeą wyzsze a race. Pożej zajdują sę oszacowaa regresj, w której zmeą zależą jest l_wage, atomast zmee ezależe to age, age_, race, srede, wyzsze, srede_race wyzsze_race. Source SS df MS Number of obs = F( 7, 50) = Model Prob > F = Resdual R-squared = Adj R-squared = Total Root MSE = l_wage Coef. Std. Err. t P> t [95% Cof. Iterval] age age_ srede wyzsze race srede_race wyzsze_race _cos Dlaczego wprowadzoo do modelu terakcje mędzy wykształceem a rasą?. W jakm celu umeszczoo w modelu zmeą wek podesoą do kwadratu? W jak sposób ależałoby przetestować hpotezę, że wek e wpływa a pozom dochodu? 3. Postaowoo wprowadzć do wyżej zaprezetowaej regresj zmeą wykształcee, która ozacza lczbę lat auk w latach. Jak problem może wystąpć w owej regresj (w modelu z dołączoą zmeą wykształcee)? (odpowedź ależy dokłade uzasadć) 4. Zdefowao ową zmeą srede_1, która przyjmuje wartość 1, jeżel ajwyższym ukończoym pozomem wykształcea jest wykształcee średe oraz 0 w pozostałych przypadkach. Jeżel zdecydujemy sę umeścć tę zmeą w modelu, to jak problem ekoometryczy wystąp? (odpowedź ależy dokłade uzasadć) 5. Dokoaj terpretacj parametrów. 6. Przetestuj hpotezę, że zarobk kobet o wykształceu podstawowym rase ej ż bała są ższe o 40% ż kobet o wykształceu średm rase ej ż bała. 7. Chcemy przetestować hpotezę, że kobety z wykształceem wyższym rasy bałej rasy ej ż bała zarabają tyle samo. Zapsać hpotezę zerową za pomocą macerzy: HB = h oraz wyjaść jak moża ją testować (podać wzór a statystykę testową). Przy testowau hpotez proszę przyjąć pozom stotośc Do testowaa hpotez mogą przydać sę astępujące kwatyle: t 50,0.95 = , t 50,0.975 = Rozwązaa: 1. Postać modelu bez terakcj: 9
10 E(l_ wage) = β0 + β1srede + βwyzsze + β3race Wartość oczekwaa w rozbcu a podpróby: E(l_ wage) = β - kobeta rasy ej ż bała o wykształceu podstawowym; 0 E(l_ wage) = β + β - kobeta rasy bałej o wykształceu podstawowym 0 3 E(l_ wage) = β + β - kobeta rasy ej ż bała o wykształceu średm; 0 1 E(l_ wage) = β + β + β - kobeta rasy bałej o wykształceu średm; E(l_ wage) = β + β + β - kobeta rasy ej ż bała o wykształceu wyższym; 0 1 E(l_ wage) = β0 + β1 + β + β3 - kobeta rasy bałej o wykształceu wyższym. Postać modelu z terakcjam: E(l_ wage) = β0 + β1srede + βwyzsze + β3race + β4srede _ race + β5wyzsze _ race Wartość oczekwaa w rozbcu a podpróby: E(l_ wage) = β - kobeta rasy ej ż bała o wykształceu podstawowym; 0 E(l_ wage) = β + β - kobeta rasy bałej o wykształceu podstawowym; 0 3 E(l_ wage) = β + β - kobeta rasy ej ż bała o wykształceu średm; 0 1 E(l_ wage) = β + β + β + β - kobeta rasy bałej o wykształceu średm; E(l_ wage) = β + β + β - kobeta rasy ej ż bała o wykształceu wyższym; 0 1 E(l_ wage) = β0 + β1 + β + β3 + β4 + β5 - kobeta rasy bałej o wykształceu wyższym. Model bez terakcj: β - prema za uzyskae wykształcea wyższego dla kobety rasy bałej (przejśce z wykształcea średego a wyższe); β - prema za uzyskae wykształcea wyższego dla kobety rasy ej ż bała (przejśce z wykształcea średego a wyższe); Prema jest taka sama, ezależe od rasy. Model z terakcjam: β + β5 - prema za uzyskae wykształcea wyższego dla kobety rasy bałej (przejśce z wykształcea średego a wyższe); β - prema za uzyskae wykształcea wyższego dla kobety rasy ej ż bała (przejśce z wykształcea średego a wyższe); W tym wypadku prema zależy od rasy. Wosek: wprowadzee do modelu terakcj umożlwa uchwycee różych prem uzyskwaych przez kobety o ej rase za wykształcee.. W modelu umeszczoo zmeą wek podesoą do kwadratu, poeważ spodzewao sę, że zależość mędzy płacą a wekem e jest lowa. Dochód rośe z wekem, ale coraz wolej od pewego mometu zaczya spadać. H : β = β = 0 - wek e wpływa a dochód; hpotezę tę moża przetestować za 0 age age _ pomocą statystyk F (model z ograczeam otrzymamy usuwając z wyjścowej regresj wek wek podesoy do kwadratu). 3. Zmea wykształcee będze skorelowaa ze zmeym zerojedykowym dotyczącym wykształcea. Najprawdopodobej wystąp problem współlowośc. 4. Dla każdej obserwacj zachodz: srede _1 + wyzsze = srede. Po dodau do modelu zmeej srede_1 macerz X e będze mała pełego rzędu kolumowego (bo kolumy będą lowo zależe), czyl e będze moża odwrócć macerzy X X tym samym dokoać estymacj takej regresj. Wystąp problem dokładej współlowośc. 10
11 5. Parametrów przy zmeych age age_ e możemy terpretować w stadardowy sposób. Parametry terpretujemy zakładając, że zmea sę wartość dokłade jedej zmeej objaśającej o jedostkę (lub o 1%), a pozostałe zmee ezależe pozostają a tym samym pozome. Jeżel zmea age zmea sę o 1 rok, to róweż zme sę wartość zmeej age_. Możemy jedak wyzaczyć werzchołek parabol: /( ( )) dochód rośe wraz z wekem aż do osągęca 38 lat a astępe zaczya maleć. Pozostałe parametry terpretujemy jako semelastyczośc: Kobeta rasy ej ż bała o wykształceu średm zaraba o 39,53% węcej ż kobeta rasy ej ż bała o wykształceu podstawowym. Kobeta rasy bałej o wykształceu podstawowym zaraba o,76% węcej ż kobeta rasy ej ż bała o wykształceu podstawowym. Kobeta rasy bałej o wykształceu średm zaraba o 15,71% ( ( β3 + β4)*100% ) węcej ż kobeta ej rasy ż bała o wykształceu średm. Kobeta rasy ej ż bała o wykształceu wyższym zaraba o 56,6% węcej ż kobeta rasy ej ż bała o wykształceu średm. Kobeta rasy bałej o wykształceu wyższym zaraba o 37,51% ( ( β + β5)*100% ) węcej ż kobeta rasy bałej o wykształceu średm. 6. Należy przetestować H0 : β 1 = 0, ) Statystyka testowa: t = ) W = ( ; ] [ ; ) 3) t W brak podstaw do odrzucea hpotezy zerowej. 7. Należy przetestować H0 : β3 + β4 + β5 = 0. E(l_ wage) = β + β srede + β wyzsze + β race + β srede _ race + β wyzsze _ race + β6age + β7age _ Zaps macerzowy: β 0 = β [ ] [ 0] 7 Hpotezę testujemy za pomocą statystyk F = ( er er e e)/ g e e /( N K ). 11
12 Zadae 3 RESET F(3, 3) = 1.07 [0.385] Durb-Watso (6,60) =.78 Breusch-Godfrey ch(4) = 4.4 [0.000] Jarque-Bera ch() = 1.4 [0.538] Breusch-Paga ch() = 9.4 [0.009] Chow (k = ) F(6,1) = 8.38 [0.001] Testowae hpotez ależy przeprowadzć a pozome stotośc α = 0, 01. Każdą z odpowedz ależy uzasadć odpowedm wartoścam statystyk testowych p-value. Wartośc krytycze d l d u dla testu DW przy 3 obserwacjach 5 zmeych stałej a pozome stotośc 0,01 wyoszą odpowedo Określć, czy model jest dobrze dopasoway do daych oraz czy zbór zmeych ezależych stote objaśa zmeą zależą.. Podać, które zmee w modelu są stote. 3. Zbadać, czy w modelu występuje heteroscedastyczość. 4. Zbadać, czy w modelu występuje autokorelacja. 5. Zbadać, czy zaburzee losowe ma rozkład ormaly. 6. Sprawdzć, czy forma fukcyja modelu jest prawdłowa. 7. Sprawdzć, czy parametry modelu są stable. 8. Jeżel model e speła założeń KMRL określć: a) które założee e jest spełoe? b) jake ma to kosekwecje dla woskowaa statystyczego? c) w jak sposób moża rozwązać problemy zasygalzowae przez wyk testów? Rozwązae: 1. R = 0, 630, czyl 6,3% zmeośc stopy wzrostu akładów zostało objaśoe przez zmeość zmeych ezależych. Wartość statystyk testowej w teśce a łączą stotość zmeych ezależych: F = 8, 59 ( p value = 0,0001 < 0,01). Poeważ p-value jest 1
13 mejsze od przyjętego pozomu stotośc, to odrzucamy hpotezę zerową zakładającą łączą estotość zmeych objaśających.. W modelu stote są te zmee, dla których p-value jest mejsze od 0,01 (wówczas odrzucamy hpotezę zerową zakładającą estotość daej zmeej). Węc stote zmee to stopa f. Pozostałe zmee oraz stała są estote. 3. Występowae heteroscedastyczośc testujemy za pomocą testu Breuscha-Pagaa (hpoteza zerowa: homoscedastyczość; hpoteza alteratywa: heteroscedastyczość). Wartość statystyk testowej wyos ch() = 9.4 oraz p-value = 0,009 < 0,01, węc odrzucamy hpotezę zerową zakładającą homoscedastyczość. 4. Autokorelację testujemy za pomocą testu Durba-Watsoa Breuscha-Godfreya. Test DW Poeważ DW = 0,78 <, węc testujemy zestaw hpotez: H0 : Cov( ε t, ε t 1) = 0 (brak autokorelacj rzędu perwszego), H1 : Cov( εt, εt 1) > 0 (dodata autokorelacja rzędu perwszego). DW = 0,78 < d l = 0,917 odrzucamy hpotezę zerową, węc występuje autokorelacja dodata perwszego rzędu; Test BG (hpoteza zerowa: brak korelacj; hpoteza alteratywa: występuje korelacja) Wartość statystyk testowej wyos ch(4) = 4.4 oraz p-value = 0,000 < 0,01, czyl odrzucamy hpotezę zerową, występuje autokorelacja zaburzea losowego. 5. Normalość zaburzea losowego testujemy za pomocą testu Jarque-Bera (hpoteza zerowa: zaburzee losowe ma rozkład ormaly; hpoteza alteratywa: zaburzee losowe e ma rozkładu ormalego). Wartość statystyk testowej wyos ch() = 1.4 oraz p-value = 0,538 > 0,01, czyl brak podstaw do odrzucea hpotezy zerowej zakładającej ormalość zaburzea losowego. 6. Poprawość przyjętej formy fukcyjej modelu testujemy za pomocą testu RESET (hpoteza zerowa: przyjęta postać fukcyja modelu jest prawdłowa; hpoteza alteratywa: przyjęta postać fukcyja modelu jest epoprawa). Wartość statystyk testowej F(3, 3) = 1.07 p-value = 0,385 > 0,01, węc brak podstaw do odrzucea hpotezy zerowej. 7. Stablość parametrów testujemy za pomocą testu Chowa (hpoteza zerowa: parametry są take same w wyodręboych próbach; hpoteza alteratywa: parametry są róże w wyodręboych próbach). Próba została w tym wypadku podzeloa a dwa okresy: I kwartał IV kwartał 1998, I kwartał 1999 IV 00. Wartość statystyk testowej F(6,1)= 8.38 oraz p-value = 0,001 < 0,01, czyl odrzucamy hpotezę zerową zakładającą rówość parametrów w wyodręboych próbach. 8. a) Ne jest spełoe założee o braku autokorelacj homoscedastyczośc zaburzea losowego (czyl zaburzee losowe jest esferycze) oraz założee o sposobe geerowaa daych : y = β1 + βx β K xk + ε dla = 1,,...,. Mechazm geerowaa daych e jest tak sam w okresach I kwartał IV kwartał 1998 I kwartał 1999 IV 00. b) W przypadku e spełea założea o sferyczośc zaburzea losowego, estymator b jest co prawda eobcążoy zgody ale eefektywy. Estymator macerzy waracjkowaracj b jest już obcążoy ezgody. Macerz waracj-kowaracj jest wykorzystywaa do testowaa hpotez a temat stotośc zmeych, węc poprawość woskowaa statystyczego jest podważoa. Odrzucee hpotezy o stablośc parametrów podważa terpretacją ekoomczą modelu (terpretacja oszacowaych parametrów). Take 13
14 własośc jak eobcążoość czy efektywość estymatora MNK są wyprowadzae przy założeu takego samego mechazmu geerowaa daych w całym okrese badaa. c) Problem autokorelacj heteroscedastyczośc moża rozwązać za pomocą Stosowalej UMNK. Problem establośc parametrów moża rozwązać poprzez estymacje dwóch osobych regresj a wyodręboych próbach. 14
Stanisław Cichocki Natalia Nehrebecka. Zajęcia 7-8
Stasław Cchock Natala Nehreecka Zajęca 7-8 . Testowae łączej stotośc wyraych regresorów. Założea klasyczego modelu regresj lowej 3. Własośc estymatora MNK w KMRL Wartość oczekwaa eocążoość estymatora Waracja
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Zajęcia 5
Stasław Cchock Natala Nehreecka Zajęca 5 . Testowae łączej stotośc wyraych regresorów. Założea klasyczego modelu regresj lowej 3. Własośc estymatora MNK w KMRL Wartośd oczekwaa eocążoośd estymatora Waracja
Bardziej szczegółowo( X, Y ) będzie dwuwymiarową zmienną losową o funkcji gęstości
Zadae. Nech Nech (, Y będze dwuwymarową zmeą losową o fukcj gęstośc 4 x + xy gdy x ( 0, y ( 0, f ( x, y = 0 w przecwym przypadku. S = + Y V Y E V S =. =. Wyzacz ( (A 0 (B (C (D (E 8 8 7 7 Zadae. Załóżmy,
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadae. W ure zajduje sę 5 kul, z których 5 jest bałych czarych. Losujemy bez zwracaa kolejo po jedej kul. Kończymy losowae w momece, kedy wycągęte zostaą wszystke czare kule. Oblcz wartość oczekwaą lczby
Bardziej szczegółowoTESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego).
TESTY NORMALNOŚCI Test zgodośc Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład ormaly). Hpoteza alteratywa H1( Cecha X populacj e ma rozkładu ormalego). Weryfkacja powyższych hpotez za pomocą tzw. testu
Bardziej szczegółowoEgzamin z ekonometrii - wersja ogólna
Egzamin z ekonometrii - wersja ogólna 06-02-2019 Regulamin egzaminu 1. Egzamin trwa 90 min. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoma rozkład normalny z wartością oczekiwaną EX = EY = 1, EZ = 0 i macierzą kowariancji
Zadae. Zmea losowa (, Y, Z) ma rozkład ormaly z wartoścą oczekwaą E = EY =, EZ = 0 macerzą kowaracj. Oblczyć Var(( Y ) Z). (A) 5 (B) 7 (C) 6 Zadae. Zmee losowe,, K,,K P ( = ) = P( = ) =. Nech S =. Oblcz
Bardziej szczegółowoma rozkład normalny z nieznaną wartością oczekiwaną m
Zadae Każda ze zmeych losowych,, 9 ma rozkład ormaly z ezaą wartoścą oczekwaą m waracją, a każda ze zmeych losowych Y, Y,, Y9 rozkład ormaly z ezaą wartoścą oczekwaą m waracją 4 Założoo, że wszystke zmee
Bardziej szczegółowo. Wtedy E V U jest równa
Prawdopodobeństwo statystyka 7.0.0r. Zadae Dwuwymarowa zmea losowa Y ma rozkład cągły o gęstośc gdy ( ) 0 y f ( y) 0 w przecwym przypadku. Nech U Y V Y. Wtedy E V U jest rówa 8 7 5 7 8 8 5 Prawdopodobeństwo
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystyka 0.06.0 r. Zadae. Ura zawera kul o umerach: 0,,,,. Z ury cągemy kulę, zapsujemy umer kulę wrzucamy z powrotem do ury. Czyość tę powtarzamy, aż kula z każdym umerem zostae wycągęta
Bardziej szczegółowobędą niezależnymi zmiennymi losowymi o tym samym 2 x
Prawdopodobeństwo statystyka 8.0.007 r. Zadae. Nech,,, rozkładze z gęstoścą Oblczyć m E max będą ezależym zmeym losowym o tym samym { },,, { },,, gdy x > f ( x) = x. 0 gdy x 8 8 Prawdopodobeństwo statystyka
Bardziej szczegółowoW loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki:
Zadae W loter berze udzał 0 osób. Regulam loter faworyzuje te osoby, które w elmacjach osągęły lepsze wyk: Zwycęzca elmacj, azyway graczem r. otrzymuje 0 losów, Osoba, która zajęła druge mejsce w elmacjach,
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 szczegółowoZadanie 1. ), gdzie 1. Zmienna losowa X ma rozkład logarytmiczno-normalny LN (, . EX (A) 0,91 (B) 0,86 (C) 1,82 (D) 1,95 (E) 0,84
Zadae. Zmea losowa X ma rozkład logarytmczo-ormaly LN (, ), gdze E ( X e X e) 4. Wyzacz. EX (A) 0,9 (B) 0,86 (C),8 (D),95 (E) 0,84 Zadae. Nech X, X,, X0, Y, Y,, Y0 będą ezależym zmeym losowym. Zmee X,
Bardziej szczegółowoW zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =
4. Na podstawe erówośc Cramera Rao wyzacz dole ograczee dla waracj eobcążoego estymatora waracj σ w rozkładze ormalym N(0, σ ). W zadau e ma polecea wyzaczaa estymatora eobcążoego o mmalej waracj dla σ,
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natala Nehrebecka Stansław Cchock Wykład 10 1 1. Testy dagnostyczne 2. Testowane prawdłowośc formy funkcyjnej modelu 3. Testowane normalnośc składnków losowych 4. Testowane stablnośc parametrów 5. Testowane
Bardziej szczegółowoIID = 2. i i i i. x nx nx nx
Zadane Analzujemy model z jedną zmenną objaśnającą bez wyrazu wolnego: y = β x + ε, ε ~ (0, σ ), gdze x jest nelosowe.. Wyznacz estymator MNK parametru β oraz oblcz jego warancję. (4 pkt) y. Zaproponowano
Bardziej 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 szczegółowobędą niezależnymi zmiennymi losowymi z rozkładu o gęstości
Prawdopodobeństwo statystyka 4.0.00 r. Zadae Nech... będą ezależym zmeym losowym z rozkładu o gęstośc θ f ( x) = θ xe gdy x > 0. Estymujemy dodat parametr θ wykorzystując estymator ajwększej warogodośc
Bardziej szczegółowoN ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.
3 Metody estymacj N ( µ, σ ) Wyzacz estymatory parametrów µ 3 Populacja geerala ma rozład ormaly mometów wyorzystując perwszy momet zwyły drug momet cetraly z prób σ metodą 3 Zmea losowa ma rozład geometryczy
Bardziej szczegółowoW zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =
4. Na podstawe erówośc Cramera Rao wyzacz dole ograczee dla waracj eobcążoego estymatora waracj σ w rozkładze ormalym N(0, σ. W zadau e ma polecea wyzaczaa estymatora eobcążoego o mmalej waracj dla σ,
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natalia Nehrebecka Stanisław Cichocki Wykład 10 1 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoWnioskowanie statystyczne dla korelacji i regresji.
STATYSTYKA MATEMATYCZNA WYKŁAD 6 Woskowae statstcze dla korelacj regresj. Aalza korelacj Założee: zmea losowa dwuwmarowa X, Y) ma rozkład ormal o współczku korelacj ρ. X, Y cech adae rówocześe. X X X...
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 4
Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja
Bardziej szczegółowoTablica Galtona. Mechaniczny model rozkładu normalnego (M10)
Tablca Galtoa. Mechaczy model rozkładu ormalego (M) I. Zestaw przyrządów: Tablca Galtoa, komplet kulek sztuk. II. Wykoae pomarów.. Wykoać 8 pomarów, wrzucając kulk pojedyczo.. Uporządkować wyk pomarów,
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 4
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających
Bardziej szczegółowoZadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów.
Pradopodobeństo statystya 6..3r. Zadae. Rzucamy symetryczą moetą ta długo aż dóch olejych rzutach pojaą sę resz. Oblcz artość oczeaą lczby yoaych rzutó. (A) 7 (B) 8 (C) 9 (D) (E) 6 Wsazóa: jeśl rzuce umer
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 szczegółowoCzasowy wymiar danych
Problem autokorelacji Model regresji dla szeregów czasowych Model regresji dla szeregów czasowych y t = X t β + ε t Zasadnicze różnice 1 Budowa prognoz 2 Problem stabilności parametrów 3 Problem autokorelacji
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r. t warunkowo niezależne i mają (brzegowe) rozkłady Poissona:
Zadae. W kolejych okresach czasu t =, ubezpeczoy, charakteryzujący sę parametrem ryzyka Λ, geeruje N t szkód. Dla daego Λ = λ zmee N, N są warukowo ezależe mają (brzegowe) rozkłady Possoa: k λ Pr( N t
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 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 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 szczegółowoStatystyka. Analiza zależności. Rodzaje zależności między zmiennymi występujące w praktyce: Funkcyjna
Aalza zależośc Rodzaje zależośc mędzy zmeym występujące w praktyce: Fukcyja wraz ze zmaą wartośc jedej zmeej astępuje ścśle określoa zmaa wartośc drugej zmeej (p. w fzyce: spadek swobody gt s ) tochastycza
Bardziej szczegółowoTesty własności składnika losowego Testy formy funkcyjnej. Diagnostyka modelu. Część 2. Diagnostyka modelu
Część 2 Test Durbina-Watsona Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε t, ε t 1 ) 0 Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 11
Stansław Cchock Natala Nehrebecka Wykład 11 1 1. Testowane hpotez łącznych 2. Testy dagnostyczne Testowane prawdłowośc formy funkcyjnej: test RESET Testowane normalnośc składnków losowych: test Jarque-Berra
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL W standardowym modelu lnowym zakładamy,
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 2 ESTYMACJA PUNKTOWA
STATYSTYKA MATEMATYCZNA WYKŁAD ESTYMACJA PUNKTOWA Nech - ezay parametr rozkładu cechy X. Wartość parametru będzemy estymować (przyblżać) a podstawe elemetowej próby. - wyberamy statystykę U o rozkładze
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 szczegółowoROZKŁADY ZMIENNYCH LOSOWYCH
ROZKŁADY ZMIENNYCH LOSOWYCH ZMIENNA LOSOWA Defcja. Zmeą losową jest fukcja: X: E -> R która każdemu zdarzeu elemetaremu E przypsuje lczbę rzeczywstą e X ( e) R DYSTRYBUANTA Dystrybuatą zmeej losowej X
Bardziej szczegółowoTestowanie hipotez statystycznych
Część 2 Hipoteza złożona Testowanie hipotez łącznych Zapis matematyczny Rozkład statystyki testowej Hipoteza łączna H 0 : Rβ = q Hipoteza złożona Testowanie hipotez łącznych Zapis matematyczny Rozkład
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 . Zmenne dyskretne Kontrasty: efekty progowe, kontrasty w odchylenach Interakcje. Przyblżane model nelnowych Stosowane do zmennych dyskretnych o uporządkowanych
Bardziej szczegółowoStatystyka Inżynierska
Statystyka Iżyerska dr hab. ż. Jacek Tarasuk AGH, WFIS 013 Wykład 3 DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE, PODSTAWY ESTYMACJI Dwuwymarowa, dyskreta fukcja rozkładu rawdoodobeństwa, Rozkłady brzegowe
Bardziej szczegółowoEkonometria egzamin 31/01/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 31/01/2018 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoNatalia Nehrebecka. Dariusz Szymański
atala ehreecka Darusz Szmańsk Wkład . MK przpadek welu zmech. Własośc hperpłaszczz regresj 3. Doroć ć dopasowaa rówaa regresj. Współczk determacj R Dekompozcjawaracj zmeejzależejzależej Współczk determacj
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 szczegółowoPOPULACJA I PRÓBA. Próba reprezentatywna. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 5 1
POPULACJA I PRÓBA POPULACJĄ w statystyce matematyczej azywamy zbór wszystkch elemetów (zdarzeń elemetarych charakteryzujących sę badaą cechą opsywaą zmeą losową. Zbadae całej populacj (przeprowadzee tzw.
Bardziej szczegółowoWprowadzenie Testy własności składnika losowego. Diagnostyka modelu. Część 1. Diagnostyka modelu
Część 1 Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy małej próby Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy małej próby Testy
Bardziej szczegółowoNatalia Nehrebecka. 18 maja 2010
Natalia Nehrebecka 18 maja 2010 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów 5. Testowanie
Bardziej szczegółowoEkonometria egzamin 07/03/2018
imię, nazwisko, nr indeksu: Ekonometria egzamin 07/03/2018 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowo65120/ / / /200
. W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę
Bardziej szczegółowoEkonometria dla IiE i MSEMat Z12
Ekonometria dla IiE i MSEMat Z12 Rafał Woźniak Faculty of Economic Sciences, University of Warsaw Warszawa, 09-01-2017 Test RESET Ramsey a W pierwszym etapie estymujemy współczynniki regresji w modelu:
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 szczegółowoMetoda najmniejszych kwadratów
Własności algebraiczne Model liniowy Zapis modelu zarobki = β 0 + β 1 plec + β 2 wiek + ε Oszacowania wartości współczynników zarobki = b 0 + b 1 plec + b 2 wiek + e Model liniowy Tabela: Oszacowania współczynników
Bardziej szczegółowoPlanowanie eksperymentu pomiarowego I
POLITECHNIKA ŚLĄSKA W GLIWICACH WYDZIAŁ INŻYNIERII ŚRODOWISKA ENERGETYKI INSTYTUT MASZYN URZĄDZEŃ ENERGETYCZNYCH Plaowae eksperymetu pomarowego I Laboratorum merctwa (M 0) Opracował: dr ż. Grzegorz Wcak
Bardziej szczegółowo5. OPTYMALIZACJA NIELINIOWA
5. OPTYMALIZACJA NIELINIOWA Zdarza sę dość często, że zależośc występujące w aalzowaych procesach (p. ospodarczych) mają charakter elowy. Dlateo też, oprócz lowych zadań decyzyjych, formułujemy także elowe
Bardziej szczegółowoWprowadzenie Modele o opóźnieniach rozłożonych Modele autoregresyjne o opóźnieniach rozłożonych. Modele dynamiczne.
opisują kształtowanie się zjawiska w czasie opisują kształtowanie się zjawiska w czasie Najważniejszymi zastosowaniami modeli dynamicznych są opisują kształtowanie się zjawiska w czasie Najważniejszymi
Bardziej szczegółowoJEDNOWYMIAROWA ZMIENNA LOSOWA
JEDNOWYMIAROWA ZMIENNA LOSOWA Nech E będze zborem zdarzeń elemetarych daego dośwadczea. Fucję X(e) przyporządowującą ażdemu zdarzeu elemetaremu e E jedą tylo jedą lczbę X(e)=x azywamy ZMIENNĄ LOSOWĄ. Przyład:
Bardziej szczegółowo[, ] [, ] [, ] ~ [23, 2;163,3] 19,023 2,7
6. Przez 0 losowo wybrayh d merzoo zas dojazdu do pray paa A uzyskują próbkę x,..., x 0. Wyk przedstawały sę astępująo: jest to próbka losowa z rozkładu 0 0 x 300, 944. x Zakładamy, że N ( µ, z ezaym parametram
Bardziej szczegółowoPodprzestrzenie macierzowe
Podprzestrzee macerzowe werdzee: Dla dwóch macerzy A B o tych samych wymarach zachodz: ( ) ( ) wersz a) R A R B A ~ B Dowód: wersz a) A ~ B stee P taka że PA B 3 0 A 4 3 0 0 E A B 0 0 0 E B 3 6 4 0 0 0
Bardziej szczegółowoL.Kowalski zadania ze statystyki opisowej-zestaw 5. ZADANIA Zestaw 5
L.Kowalsk zadaa ze statystyk opsowej-zestaw 5 Zadae 5. X cea (zł, Y popyt (tys. szt.. Mając dae ZADANIA Zestaw 5 x,5,5 3 3,5 4 4,5 5 y 44 43 43 37 36 34 35 35 Oblcz współczyk korelacj Pearsoa. Oblcz współczyk
Bardziej szczegółowoBudowa modelu i testowanie hipotez
Problemy metodologiczne Gdzie jest problem? Obciążenie Lovella Dysponujemy oszacowaniami parametrów następującego modelu y t = β 0 + β 1 x 1 +... + β k x k + ε t Gdzie jest problem? Obciążenie Lovella
Bardziej szczegółowoEgzamin z ekonometrii wersja ogolna
Egzamin z ekonometrii wersja ogolna 04-02-2016 Pytania teoretyczne 1. Wymienić założenia Klasycznego Modelu Regresji Liniowej (KMRL). 2. Wyprowadzić estymator MNK dla modelu z wieloma zmiennymi objaśniającymi.
Bardziej szczegółowoEkonometria egzamin wersja Informatyka i Ekonometria 26/06/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja Informatyka i Ekonometria 26/06/08 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Testowanie autokorelacji 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji 3.Problemy z danymi Zmienne pominięte
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 10
Stanisław Cichocki Natalia Nehrebecka Wykład 10 1 1. Testy diagnostyczne Testowanie prawidłowości formy funkcyjnej: test RESET Testowanie normalności składników losowych: test Jarque-Berra Testowanie stabilności
Bardziej szczegółowoĆWICZENIE 5 TESTY STATYSTYCZNE
ĆWICZENIE 5 TESTY STATYSTYCZNE Cel Przedstawee wybraych testów statystyczych zasad wyboru właścwego testu przeprowadzea go oraz terpretac wyów. Wprowadzee teoretycze Testem statystyczym azywamy metodę
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 szczegółowoMiary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej
Podstawy Mary położea wskazują mejsce wartośc ajlepej reprezetującej wszystke welkośc daej zmeej. Mówą o przecętym pozome aalzowaej cechy. Średa arytmetycza suma wartośc zmeej wszystkch jedostek badaej
Bardziej szczegółowoStatystyka Opisowa 2014 część 3. Katarzyna Lubnauer
Statystyka Opsowa 014 część 3 Katarzya Lubauer Lteratura: 1. Statystyka w Zarządzau Admr D. Aczel. Statystyka Opsowa od Podstaw Ewa Waslewska 3. Statystyka, Lucja Kowalsk. 4. Statystyka opsowa, Meczysław
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natalia Nehrebecka Stanisław Cichocki Wykład 10 1 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane
Bardziej szczegółowo1. Relacja preferencji
dr Mchał Koopczyńsk EKONOMIA MATEMATYCZNA Wykłady, 2, 3 (a podstawe skryptu r 65) Relaca preferec koszyk towarów: przestrzeń towarów: R + = { x R x 0} x = ( x,, x ) X X R+ x 0 x 0 =, 2,, x~y xf y x y x
Bardziej szczegółowoopisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn
ROZKŁAD PRAWDOPODBIEŃSTWA WIELU ZMIENNYCH LOSOWYCH W przpadku gd mam do czea z zmem losowm możem prawdopodobeństwo, ż przjmą oe wartośc,,, opsać welowmarową fukcją rozkładu gęstośc prawdopodobeństwa f(,,,.
Bardziej szczegółowoEgzamin z ekonometrii wersja ogólna Pytania teoretyczne
Egzamin z ekonometrii wersja ogólna 31-01-2014 Pytania teoretyczne 1. Podać postać przekształcenia Boxa-Coxa i wyjaśnić, do czego jest stosowane w ekonometrii. 2. Porównaj zastosowania znanych ci kontrastów
Bardziej szczegółowo1 Metoda Najmniejszych Kwadratów (MNK) 2 Interpretacja parametrów modelu. 3 Klasyczny Model Regresji Liniowej (KMRL)
1 Metoda Najmniejszych Kwadratów (MNK) 1. Co to jest zmienna endogeniczna, a co to zmienne egzogeniczna? 2. Podaj postać macierzy obserwacji dla modelu y t = a + bt + ε t 3. Co to jest wartość dopasowana,
Bardziej szczegółowobędzie próbką prostą z rozkładu normalnego ( 2
Zadae. eh K będze próbką prostą z rozkładu ormalego ( μ σ ) zaś: ( ) S gdze:. Iteresuje as względy błąd estymaj: σ R S. σ rzy wartość ozekwaa E R jest rówa ( ) (A).8 (B).9 (C). (D). (E). Zadae. eh K K
Bardziej szczegółowo3. OPTYMALIZACJA NIELINIOWA
Wybrae zaadea badań operacyjych dr ż. Zbew Tarapata 3. OPTYMALIZACJA NIELINIOWA Zdarza sę dość często że zależośc występujące w aalzowaych procesach (p. ospodarczych) mają charakter elowy. Dlateo też oprócz
Bardziej szczegółowoAutokorelacja i heteroskedastyczność
Autokorelacja i heteroskedastyczność Założenie o braku autokorelacji Cov (ε i, ε j ) = E (ε i ε j ) = 0 dla i j Oczekiwana wielkość elementu losowego nie zależy od wielkości elementu losowego dla innych
Bardziej szczegółowoRóżniczkowanie funkcji rzeczywistych wielu zmiennych. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski
Różczkowae fukcj rzeczywstych welu zmeych rzeczywstych Matematyka Studum doktoracke KAE SGH Semestr let 8/9 R. Łochowsk Pochoda fukcj jedej zmeej e spojrzee Nech f : ( α, β ) R, α, β R, α < β Fukcja f
Bardziej szczegółowoSystem finansowy gospodarki
System fasowy gospodark Zajęca r 7 Krzywa retowośc, zadaa (mat. f.), marża w hadlu, NPV IRR, Ustawa o kredyce kosumeckm, fukcje fasowe Excela Krzywa retowośc (dochodowośc) Yeld Curve Krzywa ta jest grafczym
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMat Pytania teoretyczne
Egzamin z ekonometrii wersja IiE, MSEMat 31-01-2014 Pytania teoretyczne 1. Podać postać przekształcenia Boxa-Coxa i wyjaśnić, do czego jest stosowane w ekonometrii. 2. Wyjaśnić, jakie korzyści i niebezpieczeństwa
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wprowadzenie do danych panelowych a) Charakterystyka danych panelowych b) Zalety i ograniczenia 2. Modele ekonometryczne danych panelowych a) Model efektów nieobserwowalnych
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 14
Stanisław Cichocki Natalia Nehrebecka Wykład 14 1 1.Problemy z danymi Współliniowość 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji Metody radzenia sobie z heteroskedastycznością
Bardziej szczegółowoPrzyczynowość Kointegracja. Kointegracja. Kointegracja
korelacja a związek o charakterze przyczynowo-skutkowym korelacja a związek o charakterze przyczynowo-skutkowym Przyczynowość w sensie Grangera Zmienna x jest przyczyną w sensie Grangera zmiennej y jeżeli
Bardziej szczegółowoJego zależy od wysokości i częstotliwości wypłat kuponów odsetkowych, ceny wykupu, oczekiwanej stopy zwrotu oraz zapłaconej ceny za obligację.
Wrażlwość oblgacj Jedym z czyków ryzyka westowaa w oblgacje jest zmeość rykowych stóp procetowych. Iżyera fasowa dyspouje metodam pozwalającym zabezpeczyć portfel przed egatywym skutkam zma stóp procetowych.
Bardziej szczegółowoPodstawy analizy niepewności pomiarowych (I Pracownia Fizyki)
Podstawy aalzy epewośc pomarowych (I Pracowa Fzyk) Potr Cygak Zakład Fzyk Naostruktur Naotecholog Istytut Fzyk UJ Pok. 47 Tel. 0-663-5838 e-mal: potr.cygak@uj.edu.pl Potr Cygak 008 Co to jest błąd pomarowy?
Bardziej szczegółowoEkonometria egzamin wersja Informatyka i Ekonometria 29/01/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja Informatyka i Ekonometria 29/0/08. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz
Bardziej szczegółowo( ) ( ) ( ) ( ) ( ) ( )
,,, ~ B, β ( β β ( ( Γ( β Γ + f ( Γ ( + ( + β + ( + β Γ + β Γ + Γ + β Γ + + β E Γ Γ β Γ Γ + + β Γ + Γ β + β β β Γ + β Γ + Γ + β Γ + + β E ( Γ Γ β Γ Γ + + β Γ + Γ β β + β Metoda mometów polega a przyrówau
Bardziej szczegółowo( ) L 1. θ θ = M. Przybycień Rachunek prawdopodobieństwa i statystyka. = θ. min
Fukca warogodośc Nech będze daa próba losowa prosta o lczebośc z rozkładu f (x;. Fukcą warogodośc dla próby x azywamy welkość: ( x; f ( x ; L Twerdzee (Cramera-Rao: Mmala wartość warac m dowolego eobcążoego
Bardziej szczegółowoOBLICZANIE NIEPEWNOŚCI METODĄ TYPU B
OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B W przypadku gdy e występuje statystyczy rozrzut wyków (wszystke pomary dają te sam wyk epewość pomaru wyzaczamy w y sposób. Główą przyczyą epewośc pomaru jest epewość
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 szczegółowoL.Kowalski PODSTAWOWE TESTY STATYSTYCZNE WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH
L.Kowalsk PODSTAWOWE TESTY STATYSTYCZNE TESTY STATYSTYCZNE poteza statystycza to dowole przypuszczee dotyczące rozkładu cechy X. potezy statystycze: -parametrycze dotyczą ezaego parametru, -parametrycze
Bardziej szczegółowoDiagnostyka w Pakiecie Stata
Karol Kuhl Zgodnie z twierdzeniem Gaussa-Markowa, estymator MNK w KMRL jest liniowym estymatorem efektywnym i nieobciążonym, co po angielsku opisuje się za pomocą wyrażenia BLUE Best Linear Unbiased Estimator.
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 1. Wiadomości wstępne
TATYTYKA MATEMATYCZNA WYKŁAD Wadomośc wstępe tatystyka to dyscypla aukowa, której zadaem jest wykrywae, aalza ops prawdłowośc występujących w procesach masowych. Populacja to zborowość podlegająca badau
Bardziej szczegółowoPodstawowe zadanie statystyki. Statystyczna interpretacja wyników eksperymentu. Zalety statystyki II. Zalety statystyki
tatystycza terpretacja wyków eksperymetu Małgorzata Jakubowska Katedra Chem Aaltyczej Wydzał IŜyer Materałowej Ceramk AGH Podstawowe zadae statystyk tatystyka to uwersale łatwo dostępe arzędze, które pomaga
Bardziej szczegółowoMonika Jeziorska - Pąpka Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMERYCZNE X Ogólopolske Semarum Naukowe, 4 6 wrześa 2007 w oruu Katedra Ekoometr Statystyk, Uwersytet Mkołaja Koperka w oruu Moka Jezorska - Pąpka Uwersytet Mkołaja Koperka w oruu
Bardziej szczegółowoEgzamin z ekonometrii wersja ogólna Pytania teoretyczne
Egzamin z ekonometrii wersja ogólna 08-02-2017 Pytania teoretyczne 1. Za pomocą którego testu testujemy stabilność parametrów? Jakiemu założeniu KMRL odpowiada H0 w tym teście? Jaka jest hipoteza alternatywna
Bardziej szczegółowoEkonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 01/02/2019 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoNatalia Nehrebecka. Wykład 2
Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad
Bardziej szczegółowo