Autokorelacja i heteroskedastyczność
|
|
- Daria Podgórska
- 5 lat temu
- Przeglądów:
Transkrypt
1 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 obserwacji Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 1
2 Załóżenie o homoskedastyczności Var (ε i ) = E ( ε 2 i) = σ 2 dla i = 1,..., N Wariancja jest taka sama dla wszytkich obserwacji Proces, który spełnia te dwa założenia nazywamy białym szumem Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 2
3 Biały szum 3 y(t)=e(t) e(t)=n(0,1) Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 3
4 Przypuśćmy, że założenia KMRL nie sa spełnione i Var (ε) =Ω = σ 2 V Mówimy, że w modelu występuje: autokorelacja, gdy Cov (ε i, ε j ) = E (ε i ε j s ) 0 dla pewnych s 1, 2,... Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 4
5 heteroskedastyczność, gdy Var (ε i ) = E ( ε 2 i) const O modelu, w którym występuje autokorelacja lub heteroskedastyczność mówimy, że jego składniki losowe sa niesferyczne Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 5
6 Autokorelacja dodatnia (rzadka zmiana znaku) 1.5 y(t)=0,6*y(t-1)+e(t) e(t)~n(0,1) Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 6
7 Autokorelacja ujemna (częsta zmiana znaku) 3 y(t)=-0.6*y(t-1)+e(t) e(t)~n(0,1) Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 7
8 Dodatnia autokorelacja często spotykana w modelach szacowanych na szeregach czasowych Powód: rozciagnięciem na dłużej niż jeden okres skutków zdarzeń losowych W przypadku błędnego zdefiniowania formy funkcyjnej autokorelacja może wystapić także w próbie przekrojowej Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 8
9 Reszty z regresji t na t 2 - silnie skorelowane! 5 y(t)=-0,01t^2+0,6t Reszty Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 9
10 Heteskedastyczność często występuje w modelach szacowanych na próbach przekrojowych Powód: wariancja błędu losowego zależy od jednej ze zmiennych objaśniajacych Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 10
11 Reszty w modelu z heteroskedastycznościa zależna od x i y(n)=3*sqrt(x(n))*e(n), e(t)~n(0,1) Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 11
12 Przykład Model wyjaśniajacy logarytm wydatków na żywność (lq) w rodzinach pracowniczych z dwojgiem dzieci, zmienne objaśniajace - logarytm dochodu (linc), klasa miejscowości (klm): Source SS df MS Number of obs = F( 6, 3339) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = lq Coef. Std. Err. t P> t [95% Conf. Interval] linc _Iklm_ _Iklm_ _Iklm_ Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 12
13 _Iklm_ _Iklm_ _cons Wynik testu Breuscha-Pagana dla zmiennej klm chi2(5) = Prob > chi2 = Wersja testu Breuscha-Pagana, która jest używana przez STAT ę opiera się na założeniu, że błędy losowe maja rozkład normalny Wynik testu Jarque-Berra Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 13
14 Skewness/Kurtosis tests for Normality joint Variable Pr(Skewness) Pr(Kurtosis) chi2(2) Prob>chi resid Wersja testu Breuscha-Pagana podana na wykładzie jest odporna na brak normalności rozkładu błędów losowych Regresja e 2 i na klm resid2 Coef. Std. Err. t P> t [95% Conf. Interval] _Iklm_ _Iklm_ _Iklm_ Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 14
15 _Iklm_ _Iklm_ _cons Łaczny test na nieistotność zmiennych klm F( 5, 3340) = 2.19 Prob > F = Regresja e 2 i na linc resid2 Coef. Std. Err. t P> t [95% Conf. Interval] linc _cons Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 15
16 Test na nieistotność linc F( 1, 3344) = Prob > F = Wniosek: heteroskedastyczność w modelu występuje i zwiazana jest z dochodem gospodarstwa Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 16
17 Konsekwencje heteroskedastyczności i autokorelacji Zakładamy, że Var (ε) = Ω = σ 2 V Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 17
18 Sprawdzmy najpierw, czy esymator b jest nieobciażony [ ] E (b) = E (X X) 1 X y [ ] = E (X X) 1 X Xβ + (X X) 1 X ε = β + (X X) 1 X E (ε) = β Estymator b pozostaje nieobciażony, korzystamy jedynie z założenia, że E (ε) = 0 Można pokazać, że estymator b będzie też zgodny b p β Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 18
19 Estymator s 2 jest obciażony w małych próbach ale także jest zgodny s 2 p σ 2 Macierz wariancji kowariancji b dla niesferycznych składników losowych: Var (b) = E ((X X) 1 X εε X (X X) 1) = (X X) 1 X ΩX (X X) 1 = σ 2 (X X) 1 X V X (X X) 1 A więc Var (b) σ 2 (X X) 1 Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 19
20 Nawet dla bardzo dużych N, macierze σ 2 (X X) 1 i σ 2 (X X) 1 X V X (X X) 1 będa od siebie różne. = estymator S = s 2 (X X) 1 jest nie jest zgodnym estymatorem wariancji b! Wynik W przypadku występowania heteroskedastycznoś badź autokorelacji estymator b jest dalej nieobciażony i zgodny, estymator s 2 jest obciażony ale zgodny jednak esymator wariancji b jest obciażony i nie jest zgodny. Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 20
21 Standardowe statystyki testowe oparte na estymatorze wariancji S = stosowanie standardowych statystyk testowych w modelu, w którym składniki losowe sa niesferyczne, może prowadzić do błędnych wyników wnioskowania Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 21
22 Uogólniona Metoda Najmniejszych Kwadratów Jednym z możliwych sposobów rozwiazania problemu heteroskedastyczności jest wymodelowanie wariancji błędu losowego Analizowany model y = Xβ + u, Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 22
23 X jest nielosowe Var (u) = Ω = σ 2 V Dla dodatnio określonej i symetrycznej V zawsze można znaleźć taka macierz L, że LV L = I n i L L = V 1 Jeśli Var (u) σ 2 I estymator b jest nieobciażony i zgodny Pomnóżmy obie strony modelu przez L Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 23
24 Otrzymujemy w ten sposób model Ly = LXβ + Lu Zdefiniujmy y = Ly, X = LX, u = Lu y = X β + u Dla modelu przekształconego Var (u ) = Var (Lu) = σ 2 LV L = σ 2 I Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 24
25 Dla modelu przekształconego błędy losowe sa homoskedastycznie i nieskorelowane! Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 25
26 Estymator b UMNK otrzymujemy liczac estymator M N K dla przekształconych zmiennych b UMNK = (X X ) 1 X y = ( (LX) (LX) ) 1 (LX) Ly = ( X V 1 X ) 1 X V 1 y = ( X Ω 1 X ) 1 X Ω 1 y Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 26
27 Macierz wariancji kowariancji b UMNK Var (b UMNK ) = σ 2 (X X ) 1 = σ [ 2 (LX) (LX) ] 1 = σ ( 2 X V 1 X ) 1 = ( X Ω 1 X ) 1 Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 27
28 Estymator UMNK wariancji błędu losowego s 2 UMNK = (y X b UMNK ) (y X b UMNK ) n K = (y Xb UMNK) V 1 (y Xb UMNK ) n K = e UMNK V 1 e UMNK n K gdzie e UMNK = y Xb UMNK. Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 28
29 Uwaga (Tw. Aitkena) Estymator Uogólnionej Metody Najmniejszych Kwadratów jest najlepszym, liniowym i nieobciażonym estymatorem parametru β o ile macierz Ω jest znana. Uwaga Ponieważ model przekształcony spełnia wszytskie założenia KM RL więc testowanie wszystkich hipotez przebiega w nim dokładnie tak jak w standardowej M N K. Uwaga Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 29
30 1. W ogólnym przypadku estymatory U M N K sa niemożliwe do bezpośredniego zostosowania, ponieważ nieznane sa macierze Ω, V lub L 2. Stosowalna UMNK polega na zastapieniu macierzy Ω jej zgodnym estymatorem Ω 3. Jeśli forma Ω nie jest ograniczona, mamy zbyt mało stopni swobody by wyestymować Ω ilość parametrów zawartych w Ω wynosi n(n+1) 2 ilość dostępnych stopni swobody n K Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 30
31 Ważona Metoda Najmniejszych Kwadratów W modelu występuje σ Ω =... 0 σ 2 n = σ 2 v v n = σ 2 V Załóżmy, że elementy v i sa znane Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 31
32 Macierz L ma postać L = 1 v vn UMNK sprowadza się do MNK z użyciem zmiennych X = LX i y = Ly W naszym przypadku zmienne te będa miały postać yi = y i vi i x s,i = x s,i vi Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 32
33 Wielkości v i można interpretować jako wagi przypisywane obserwacjom Obserwacje o niskiej wariancji błędu losowego moja przypisana większa wagę a te o wyższej wariancji uzyskuja niższa wagę Przykład Przypuśćmy, że heteroskedastyczność w modelu ma postać σ 2 i = σ 2 zi 2, gdzie z i jest pewna z góry ustalona zmienna. W tym przypadku yi = y i z i i x s,i = x s,i z i Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 33
34 Przykład Funkcja konsumpcji C i = a + by i + ε i gdzie C i konsumpcja w kraju i, Y i jest poziomem GDP w tym kraju. Precyzję oszacowania można mierzyć stosunkiem σ y i. Wartość dóbr skonsumowanych na Litwie jest około 1000 razy mniejsza niż wartość konsumpcji w USA. Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 34
35 Jeśli w oszacowanym modelu relacja σ C i dla Litwy wynosiłaby 1, to dla Stanów stosunek wynosiłaby 0, 001 Homoskedastyczności implikuje, że precyzja oszacowania jest wyższa dla krajów dużych niż dla krajów małych Bardziej realistyczny model na zmiennych wyrażonych per capita gdzie C i = C i z i, Yi C i = a 1 z i + by i = Y i z i + ε i a z i jest ludnościa danego Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 35
36 kraju UMNK jeśli odchylenie standardowe błędu losowego proporcjonalne do liczby ludności Zwróćmy uwagę, że stała przy takim przekształceniu zamienia się w zmienn a 1 z i Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 36
37 Stosowalna UMNK (SUMNK) Zakładamy, że Var (ε) = Ω (θ), gdzie wymiar θ nie zależy od ilości obserwacji Dla znanego θ moglibyśmy zastosować UMNK, jednak zwykle θ jest nieznane. Wiemy, że estymator M N K jest zgodny nawet wtedy, gdy występuje autokorelacja lub heteroskedastyczn Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 37
38 Dwa kroki wykonywalnej UMNK 1. Szacujemy model za pomoca MNK uzyskujemy zgodny estymator b. Na podstawie oszacowania b uzyskujemy zgodny estymator θ 2. Uzyskujemy oszacowanie ) SU M N K przy zastosowaniu macierzy Ω ( θ b SUMNK = [ ) X 1 Ω ( θ 1 ) X] X 1 Ω ( θ Uwaga Estymator SUMNK jest równie efektywny (ma ta sama macierz wariancji kowariancji), co Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 38 y
39 estymator UMNK, jeśli tylko estymator θ jest zgodny. Typowy przykład zastosowania SUMNK - usuwanie heteroskedastyczności z modelu Heteroskedastyczność ma postać zależności funkcyjnej σ 2 i = α 0 + z i α, a więc Var (ε) = Ω (α 0, α) Można ja wykryć za pomoca testu Breuscha- Pagana Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 39
40 Estymator UMNK można policzyć dla znanych α 0 i α Najczęściej jednak α 0 i α sa nieznane W tym przypadku możemy posłużyć się metoda dwustopniowa Estymator MNK jest nieobciażony i zgodny e 2 i - kwadraty reszt z MNK stanowia pewne oszacowanie σ 2 i Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 40
41 Regresja e 2 i na stałej i z i da zgodny estymator α 0 i α Dla tak policzonych estymatorów α 0 i α policzyć można wartości teoretyczne σ 2 i = α 0 + z i α dla poszczególnych obserwacji i uzyskać macierz Ω ( α 0, α) Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 41
42 Stosowalna U M N K polega na wystymowania MNK równania gdzie y i = y i σ i a x s,i = x s,i σ i. y i = x iβ + ε i, Uzyskany w ten sposób estymator będzie asymptotycznie zgodnym i efektywnym Przykład Wydatki na żywność cd. Przyjęto, że zależność między wariancja błędu losowego i ma Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 42
43 postać σ 2 i = α 0 + αlinc. Z regresji lq na stałej i linc uzyskano reszty e i. Następnie wyestymowano regresję e 2 i na stałej i linc resid2 Coef. Std. Err. t P> t [95% Conf. Interval] linc _cons Z regresji tej najpierw wartości dopasowne σ i = α0 + α 1 linc Podzielono zmienna zależna i wszytkie zmienne Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 43
44 niezależne (łacznie ze stała i zmiennymi zerojedynkowymi w pierwotnej regresji przez σ i Przeprowadzono regresję na zmiennych przekształconych i uzyskano następujacy wynik: Source SS df MS Number of obs = F( 7, 3339) =. Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = t_lq Coef. Std. Err. t P> t [95% Conf. Interval] t_linc t_iklm_ t_iklm_ Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 44
45 t_iklm_ t_iklm_ t_iklm_ t_cons Oszacowanie błędu standardowego s 2 powinno być równe 1. Standardowo uzyskiwana wielkość statystyki F jest niepoprawna (przekształcona stała jest traktowana jako jedna ze zmiennych). Poprawny test F powinien testować łaczn a istotność wszystkich zmiennych poza przekształcona stała Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 45
46 F( 6, 3339) = Prob > F = R 2 uzyskane w takiej regresji nie jest intepretowalne - zmienna zależna została stworzona sztucznie Można policzyć R 2 dla orginalnej regresji i uzyskanych z UMNK wartości dopasowanych ( ŷ UMNK,i ŷ UMNK ) 2 R 2 UMNK = (yi y) 2 = ρ 2 ŷ,y Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 46
47 gdzie ŷ UMNK = x i β UMNK. Policzona wartość R 2 UMNK = Statystyka ta jest wyłacznie statystyka opisowa, nie służyć do porównywania wyników regresji MNK i UMNK Wynik standardowego testu Breuscha-Pagana jest teraz następujacy: Wielkości uzyskanych statystyk R 2 i wielkość Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 47
48 Breusch-Pagan LM statistic: Chi-sq( 1) P-value =.9242 Heteroskedastyczność udało się usunać! Zwróć uwagę na małe różnice w oszacowaniach parametrów a także odchyleń standardowych Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 48
49 Estymacja macierzy wariancji kowariancji metoda Neweya-Westa Estymator ten stanowi uogólnienie estymatora White a na przypadek, kiedy w modelu występuje auokorelacja Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 49
50 Zdefiniujmy Ŝ x = Ŝ0 + 1 n L l=1 w l = 1 l L + 1 n t=l+1 ( ) w l e t e t l xt x t l x t l x t w l zostało tak dobrane by macierz Ŝx była zawsze dodatnio określona Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 50
51 Forma estymatora zapewnia, że macierz ta jest również symetryczna Przy założeniu, że korelacja między e t i e t l malej wraz ze wzrostem l można pokazać, że plim Ŝx = lim S x Estymator zgodny jeśli wielkość L proporcjonalne do T 1 4 Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 51
52 Estymatorem wariancji b Σ b = n (X X) 1 Ŝ x (X X) 1 Estymator ten nazywamy odpornym estymatorem (robust) macierzy wariancji-kowariancji Można go używać przy testowaniu hipotez. Problemem może być ustalenie ilości opóźnień L Wykład z Ekonometrii nr 13-14, III rok, WNE UW, Copyright c 2005 by Jerzy Mycielski 52
Natalia 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 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 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 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 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 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 szczegółowoProblem równoczesności w MNK
Problem równoczesności w MNK O problemie równoczesności mówimy, gdy występuje korelacja między wartościa oczekiwana ε i i równoczesnym x i Model liniowy y = Xβ + ε, E (u) = 0 Powiedzmy, że występuje w
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 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 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 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 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 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 szczegółowoHeteroscedastyczność. Zjawisko heteroscedastyczności Uogólniona Metoda Najmniejszych Kwadratów Stosowalna Metoda Najmniejszych Kwadratów
Formy heteroscedastyczności Własności estymatorów MNK wydatki konsumpcyjne 0 10000 20000 30000 40000 14.4 31786.08 dochód rozporz¹dzalny Zródlo: Obliczenia wlasne, dane BBGD 2004 Formy heteroscedastyczności
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 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 szczegółowoHeteroskedastyczość w szeregach czasowyh
Heteroskedastyczość w szeregach czasowyh Czesto zakłada się, że szeregi czasowe wykazuja autokorelację ae sa homoskedastyczne W rzeczywistości jednak często wariancja zmienia się w czasie Dobrym przykładem
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 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 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 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 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 (forma strukturalna)
Modele wielorównaniowe (forma strukturalna) Formę strukturalna modelu o G równaniach AY t = BX t + u t, gdzie Y t = [y 1t,..., y Gt ] X t = [x 1t,..., x Kt ] u t = [u 1t,..., u Gt ] E (u t ) = 0 Var (u
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 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 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 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 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
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 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 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
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
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 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 szczegółowoEkonometria. Metodologia budowy modelu. Jerzy Mycielski. Luty, 2011 WNE, UW. Jerzy Mycielski (WNE, UW) Ekonometria Luty, / 18
Ekonometria Metodologia budowy modelu Jerzy Mycielski WNE, UW Luty, 2011 Jerzy Mycielski (WNE, UW) Ekonometria Luty, 2011 1 / 18 Sprawy organizacyjne Dyżur: środa godz. 14-15 w sali 302. Strona internetowa
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 szczegółowoAnalizowane modele. Dwa modele: y = X 1 β 1 + u (1) y = X 1 β 1 + X 2 β 2 + ε (2) Będziemy analizować dwie sytuacje:
Analizowane modele Dwa modele: y = X 1 β 1 + u (1) Będziemy analizować dwie sytuacje: y = X 1 β 1 + X 2 β 2 + ε (2) zmienne pominięte: estymujemy model (1) a w rzeczywistości β 2 0 zmienne nieistotne:
Bardziej szczegółowoMikroekonometria 3. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 3 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.hedonic.dta przygotuj model oszacowujący wartość kosztów zewnętrznych rolnictwa 1. Przeprowadź regresję objaśniającą
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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Problemy z danymi Obserwacje nietypowe i błędne Współliniowość. Heteroskedastycznośd i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji
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 szczegółowo1.8 Diagnostyka modelu
1.8 Diagnostyka modelu Dotychczas zajmowaliśmy się własnościami estymatorów przy spełnionych założeniach KMRL. W praktyce nie zawsze spełnione są wszystkie założenia modelu. Jeżeli któreś z nich nie jest
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 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 szczegółowoEkonometria egzamin wersja ogólna 17/06/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja ogólna 17/06/08 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca
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 szczegółowo2.2 Autokorelacja Wprowadzenie
2.2 Autokorelacja 2.2.1 Wprowadzenie Przy wyprowadzaniu estymatorów Klasycznego Modelu Regresji Liniowej (KMRL) zakładaliśmy, że są spełnione założenia Gaussa-Markowa, tzn. składniki losowe są homoscedastyczne
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 14
Stanisław Cichocki Natalia Nehrebecka Wykład 14 1 1.Problemy z danymi Zmienne pominięte Zmienne nieistotne Obserwacje nietypowe i błędne Współliniowość - Mamy 2 modele: y X u 1 1 (1) y X X 1 1 2 2 (2)
Bardziej 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 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 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 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 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 szczegółowoEkonometria egzamin 06/03/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 06/03/2019 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
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 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 szczegółowoUogólniona Metoda Momentów
Uogólniona Metoda Momentów Momenty z próby daż a do momentów teoretycznych (Prawo Wielkich Liczb) plim 1 n y i = E (y) n i=1 Klasyczna Metoda Momentów (M M) polega na szacowaniu momentów teoretycznych
Bardziej szczegółowoStopę zbieżności ciagu zmiennych losowych a n, takiego, że E (a n ) < oznaczamy jako a n = o p (1) prawdopodobieństwa szybciej niż n α.
Stopy zbieżności Stopę zbieżności ciagu zmiennych losowych a n, takiego, że a n oznaczamy jako a n = o p (1 p 0 a Jeśli n p n α 0, to a n = o p (n α i mówimy a n zbiega według prawdopodobieństwa szybciej
Bardziej szczegółowo1. Pokaż, że estymator MNW parametru β ma postać β = nieobciążony. Znajdź estymator parametru σ 2.
Zadanie 1 Niech y t ma rozkład logarytmiczno normalny o funkcji gęstości postaci [ ] 1 f (y t ) = y exp (ln y t β ln x t ) 2 t 2πσ 2 2σ 2 Zakładamy, że x t jest nielosowe a y t są nieskorelowane w czasie.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 10
Stanisław Cichoci Natalia Nehrebeca Wyład 10 1 1. Testowanie hipotez prostych Rozład estymatora b Testowanie hipotez prostych przy użyciu statystyi t Przedziały ufności Badamy czy hipotezy teoretyczne
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 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 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 szczegółowo1.9 Czasowy wymiar danych
1.9 Czasowy wymiar danych Do tej pory rozpatrywaliśmy jedynie modele tworzone na podstawie danych empirycznych pochodzących z prób przekrojowych. Teraz zajmiemy się zagadnieniem budowy modeli regresji,
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 szczegółowoZadanie 1. a) Przeprowadzono test RESET. Czy model ma poprawną formę funkcyjną? 1
Zadanie 1 a) Przeprowadzono test RESET. Czy model ma poprawną formę funkcyjną? 1 b) W naszym przypadku populacja są inżynierowie w Tajlandii. Czy można jednak przypuszczać, że na zarobki kobiet-inżynierów
Bardziej szczegółowoMetody Ekonometryczne
Metody Ekonometryczne Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Metody Ekonometyczne Wykład 4 Uogólniona Metoda Najmniejszych Kwadratów (GLS) 1 / 19 Outline 1 2 3 Jakub Mućk Metody Ekonometyczne
Bardziej szczegółowoDefinicja danych panelowych Typy danych panelowych Modele dla danych panelowych. Dane panelowe. Część 1. Dane panelowe
Część 1 to dane, które jednocześnie posiadają cechy danych przekrojowych i szeregów czasowych to dane, które jednocześnie posiadają cechy danych przekrojowych i szeregów czasowych Czyli obserwujemy te
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 szczegółowoMikroekonometria 2. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 2 Mikołaj Czajkowski Wiktor Budziński STATA wczytywanie danych 1. Import danych do Staty Copy-paste z Excela do edytora danych Import z różnych formatów (File -> Import -> ) me.sleep.txt,
Bardziej szczegółowo, a reszta dla pominiętej obserwacji wynosi 0, RSS jest stałe, T SS rośnie, więc zarówno R 2 jak i R2 rosną. R 2 = 1 n 1 n. rosnie. n 2 (1 R2 ) = 1 59
Zadanie 1. Ekonometryk szacując funkcję konsumpcji przeprowadził estymację osobno dla tzw. Polski A oraz Polski B. Dla Polski A posiadał n 1 = 40 obserwacji i uzyskał współczynnik dopasowania RA 2 = 0.4,
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 5 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.hedonic.dta przygotuj model oszacowujący wartość kosztów zewnętrznych rolnictwa 1. Przeprowadź regresję objaśniającą
Bardziej szczegółowoModele warunkowej heteroscedastyczności
Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Racjonalne oczekiwania inwestorów P t = E(P t+1 I t ) 1 + R (1) Teoria Przykład - zwroty
Bardziej szczegółowoEgzamin z Ekonometrii
Pytania teoretyczne Egzamin z Ekonometrii 18.06.2015 1. Opisać procedurę od ogólnego do szczegółowego na przykładzie doboru liczby opóźnień w modelu. 2. Na czym polega najważniejsza różnica między testowaniem
Bardziej szczegółowoMikroekonometria 4. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 4 Mikołaj Czajkowski Wiktor Budziński Endogeniczność regresja liniowa W regresji liniowej estymujemy następujące równanie: i i i KMRL zakłada, że wszystkie zmienne objaśniające są egzogeniczne
Bardziej szczegółowoEkonometria dla IiE i MSEMat Z7
Ekonometria dla IiE i MSEMat Z7 Rafał Woźniak Faculty of Economic Sciences, University of Warsaw Warszawa, 21-11-2016 Na podstawie zbioru danych cps_small.dat z książki Principles of Econometrics oszacowany
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 szczegółowo1.5 Problemy ze zbiorem danych
1.5 Problemy ze zbiorem danych W praktyce ekonometrycznej bardzo rzadko spełnione są wszystkie założenia klasycznego modelu regresji liniowej. Częstym przypadkiem jest, że zbiór danych którymi dysponujemy
Bardziej szczegółowoEgzamin z ekonometrii IiE
Pytania teoretyczne Egzamin z ekonometrii IiE 22.06.2012 1. Kiedy selekcja próby jest problemem i jaki model można stosować w przypadku samoselekcji próby? 2. Jakie są konieczne założenia, by estymator
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 szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 Diagnostyka a) Test RESET b) Test Jarque-Bera c) Testowanie heteroskedastyczności a) groupwise heteroscedasticity b) cross-sectional correlation d) Testowanie autokorelacji
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 szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO Wykład 7
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 7 Analiza korelacji - współczynnik korelacji Pearsona Cel: ocena współzależności między dwiema zmiennymi ilościowymi Ocenia jedynie zależność liniową. r = cov(x,y
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 1
Stanisław Cichocki Natalia Nehrebecka Wykład 1 1 1. Sprawy organizacyjne Zasady zaliczenia Ćwiczenia Literatura 2. Obciążenie Lovella 3. Metoda od ogólnego do szczególnego 4. Kryteria informacyjne 2 1.
Bardziej szczegółowoEkonometria egzamin wersja ogólna 29/01/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja ogólna 29/0/08. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca
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 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 szczegółowoModele zapisane w przestrzeni stanów
Modele zapisane w przestrzeni stanów Modele Przestrzeni Stanów (State Space Models) sa to modele, w których część parametrów jest nieobserwowalna i losowa. Zachowanie wielowymiarowej zmiennej y t zależy
Bardziej szczegółowoO sezonowości mówimy wtedy, gdy zmienna zmienia się w pewnym cyklu zwykle zwiazanym z cyklem rocznym
Sezonowość O sezonowości mówimy wtedy, gdy zmienna zmienia się w pewnym cyklu zwykle zwiazanym z cyklem rocznym Na przykład zmienne kwartalne charakteryzuja się zwykle sezonowościa kwartalna a zmienne
Bardziej szczegółowoMikroekonometria 2. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 2 Mikołaj Czajkowski Wiktor Budziński Klasyczny Model Regresji Liniowej (KMRL) Postać modelu regresji liniowej: yi = Xiβ + εi Modelujemy liniową zależność y od zmiennych objaśniających
Bardziej szczegółowo1.7 Ograniczenia nakładane na równanie regresji
1.7 Ograniczenia nakładane na równanie regresji Często teoria ekonomiczna wskazuje dobór zmiennych do modelu. Jednak nie w każdym przypadku oceny wartości parametrów są statystycznie istotne. Zastanowimy
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 5 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.medexp3.dta przygotuj model regresji kwantylowej 1. Przygotuj model regresji kwantylowej w którym logarytm wydatków
Bardziej szczegółowoREGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO. Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój
1 REGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój 2 DOTYCHCZASOWE MODELE Regresja liniowa o postaci: y
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 szczegółowoWprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA
Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Modele tej klasy są modelami ateoretycznymi Ważną klasę modeli dynamicznych stanowią
Bardziej szczegółowoValue at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16
Value at Risk (VaR) Jerzy Mycielski WNE 2018 Jerzy Mycielski (Institute) Value at Risk (VaR) 2018 1 / 16 Warunkowa heteroskedastyczność O warunkowej autoregresyjnej heteroskedastyczności mówimy, gdy σ
Bardziej szczegółowo2 Rozszerzenia MNK. 2.1 Heteroscedastyczność
2 Rozszerzenia MNK 2.1 Heteroscedastyczność 2.1.1 Wprowadzenie Przy wyprowadzaniu estymatorów Klasycznego Modelu Regresji Liniowej (KMRL) zakładaliśmy, że są spełnione założenia Gaussa-Markowa, tzn. składniki
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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 4
Stanisław Cichocki Natalia Nehrebecka Wykład 4 1 1. Własności hiperpłaszczyzny regresji 2. Dobroć dopasowania równania regresji. Współczynnik determinacji R 2 Dekompozycja wariancji zmiennej zależnej Współczynnik
Bardziej szczegółowo