Model 1: Estymacja KMNK z wykorzystaniem 4877 obserwacji Zmienna zależna: y
|
|
|
- Daniel Zalewski
- 5 lat temu
- Przeglądów:
Transkrypt
1 Zadanie 1 Rozpatrujemy próbę 4877 pracowników fizycznych, którzy stracili prace w USA miedzy rokiem 1982 i Nie wszyscy bezrobotni, którym przysługuje świadczenie z tytułu ubezpieczenia od utraty pracy ubiegają się o nie. Procent uprawnionych do takiego świadczenia bezrobotnych, którzy się o nie ubiegają wynosił zaledwie 68%. Celem analizy jest wskazanie czynników, które powodują, że ludzie bezrobotni decydują się zrezygnować z przysługującego im świadczenia. Opis zmiennych: y zmienna zależna; zmienna 0-1, wartość 1, jeśli osoba otrzymała zasiłek; rr stosunek wysokości zasiłku do poprzedniego dochodu; age wiek w latach; tenure długość okresu zatrudnienia w ostatnim miejscu pracy; head zmienna 0-1, 1 jeśli osoba jest głowa rodziny; married zmienna 0-1, 1 jeśli żonaty/zamężna; statemb minimalny stanowy zasiłek; dkids zmienna 0-1, 1 jeśli osoba posiada dzieci; school12 zmienna 0-1, 1 jeśli osoba ukończyła więcej niż 12 lat szkoły; male zmienna 0-1, 1 dla mężczyzn; 1. Został oszacowany liniowy model prawdopodobieństwa: Model 1: Estymacja KMNK z wykorzystaniem 4877 obserwacji const 0, , ,78 8,34E-027 *** rr -0, , ,907 0,0566 * age 0, , ,430 9,62E-06 *** tenure 0, , ,785 0,0002 *** head -0, , ,305 0,0212 ** married 0, , ,308 0,0009 *** dkids 0, , ,1602 0,8727 statemb 0, , ,379 0,0174 ** school12-0, , ,7969 0,4256 male -0, , ,9938 0,3203 Średnia arytmetyczna zmiennej zależnej = 0, Odchylenie standardowe zmiennej zależnej = 0, Suma kwadratów reszt = 1030,44 Błąd standardowy reszt = 0, Wsp. determinacji R-kwadrat = 0,02277 Skorygowany wsp. R-kwadrat = 0,02096 Statystyka F (9, 4867) = 12,6014 (wartość p < 0,00001) Logarytm wiarygodności = -3129,41 Kryterium informacyjne Akaike'a (AIC) = 6278,82 Kryterium bayesowskie Schwarza (BIC) = 6343,74 Kryterium infor. Hannana-Quinna (HQC) = 6301,61
2 a) Które ze zmiennych są istotne na poziomie istotności 5%? b) Proszę przetestować łączną nieistotność zmiennych, które są nieistotne na poziomie istotności 0,05. Hipoteza zerowa: parametry regresji dla wskazanych zmiennych są równe zero rr dkids school12 male Statystyka testu: F(4, 4867) = 1,09648, z wartością p = 0,35642 c) Testowane ograniczenie w punkcie b) okazało się prawdziwe, więc je wprowadzono do modelu i oszacowano regresje ponownie. Model 2: Estymacja KMNK z wykorzystaniem 4877 obserwacji const 0, , ,69 2,38E-036 *** age 0, , ,854 1,25E-06 *** tenure 0, , ,024 5,81E-05 *** head -0, , ,820 0,0048 *** married 0, , ,935 8,45E-05 *** statemb 0, , ,849 0,0646 * Średnia arytmetyczna zmiennej zależnej = 0, Odchylenie standardowe zmiennej zależnej = 0, Suma kwadratów reszt = 1031,37 Błąd standardowy reszt = 0, Wsp. determinacji R-kwadrat = 0,02189 Skorygowany wsp. R-kwadrat = 0,02089 Statystyka F (5, 4871) = 21,8037 (wartość p < 0,00001) Logarytm wiarygodności = -3131,61 Kryterium informacyjne Akaike'a (AIC) = 6275,21 Kryterium bayesowskie Schwarza (BIC) = 6314,17 Kryterium infor. Hannana-Quinna (HQC) = 6288,88 d) Dokonać interpretacji oszacowanych parametrów. e) Proszę sprawdzić, czy jest spełnione założenie o homoscedastyczności składnika losowego. Test Breuscha-Pagana na heteroskedastyczność Statystyka testu: LM = 33,279855, z wartością p = P(Chi-kwadrat(5) > 33,279855) = 0,000003
3 2. Następnie został oszacowany model probitowy: Zbieżność osiągnięta po 5 iteracjach Model 4: Estymacja Probit z wykorzystaniem 4877 obserwacji const 0, , ,2364 0,8131 rr -0, , ,729 0,0838 * age 0, , ,395 1,11E-05 *** tenure 0, , ,931 8,46E-05 *** head -0, , ,350 0,0188 ** married 0, , ,304 0,0010 *** statemb 0, , ,379 0,0173 ** dkids 0, , , ,9840 school12-0, , ,8243 0,4098 male -0, , ,015 0,3100 Średnia dla zmiennej y = 0,684 Liczba przypadków 'poprawnej predykcji' = 3336 (68,4%) f(beta'x) do średnich niezależnych zmiennych = 0,354 McFaddena pseudo-r-kwadrat = 0, Logarytm wiarygodności = -2985,86 Test ilorazu wiarygodności: Chi-kwadrat(9) = 114,339 (wartość p 0,000000) Kryterium informacyjne Akaike'a (AIC) = 5991,72 Kryterium bayesowskie Schwarza (BIC) = 6056,64 Kryterium infor. Hannana-Quinna (HQC) = 6014,5 Empiryczne a) Które ze zmiennych są istotne? b) Proszę przetestować łączną nieistotność zmiennych, które są nieistotne na poziomie istotności 0,05. Hipoteza zerowa: parametry regresji dla wskazanych zmiennych są równe zero rr dkids school12 male Statystyka testu: Chi-kwadrat(4) = 3,83406, z wartością p = 0,42893
4 c) Testowane ograniczenie w punkcie b) okazało się prawdziwe, więc wprowadzono je do modelu i oszacowano regresje ponownie. Model 5: Estymacja Probit z wykorzystaniem 4877 obserwacji const -0, , ,271 0,2038 age 0, , ,824 1,41E-06 *** tenure 0, , ,174 3,00E-05 *** head -0, , ,888 0,0039 *** married 0, , ,850 0,0001 *** statemb 0, , ,919 0,0549 * Średnia dla zmiennej y = 0,684 Liczba przypadków 'poprawnej predykcji' = 3335 (68,4%) f(beta'x) do średnich niezależnych zmiennych = 0,354 McFaddena pseudo-r-kwadrat = 0, Logarytm wiarygodności = -2987,78 Test ilorazu wiarygodności: Chi-kwadrat(5) = 110,505 (wartość p 0,000000) Kryterium informacyjne Akaike'a (AIC) = 5987,55 Kryterium bayesowskie Schwarza (BIC) = 6026,5 Kryterium infor. Hannana-Quinna (HQC) = 6001,22 Empiryczne d) Proszę porównać Model 4 i Model 5 na podstawie kryteriów informacyjnych. e) Proszę sprawdzić, czy łącznie zmienne objaśniające są istotne w modelu. f) Dokonać interpretacji oszacowanych parametrów (przypominam, że interpretujemy tylko znaki oszacowanych parametrów). g) Dokonać interpretacji efektów krańcowych. Zbieżność osiągnięta po 5 iteracjach Model 5: Estymacja Probit z wykorzystaniem 4877 obserwacji współczynnik błąd standardowy t-student efekt krańcowy const -0, , ,271 age 0, , ,824 0, tenure 0, , ,174 0, head -0, , ,888-0, married 0, , ,850 0, statemb 0, , ,919 0, Średnia dla zmiennej y = 0,684 Liczba przypadków 'poprawnej predykcji' = 3335 (68,4%) f(beta'x) do średnich niezależnych zmiennych = 0,354 McFaddena pseudo-r-kwadrat = 0, Logarytm wiarygodności = -2987,78 Test ilorazu wiarygodności: Chi-kwadrat(5) = 110,505 (wartość p 0,000000) Kryterium informacyjne Akaike'a (AIC) = 5987,55 Kryterium bayesowskie Schwarza (BIC) = 6026,5 Kryterium infor. Hannana-Quinna (HQC) = 6001,22
5 Empiryczne i) Proszę obliczyć i zinterpretować liczebnościowe R² i skorygowane liczebnościowe R². j) Proszę obliczyć wrażliwość i specyficzność. 3. Następnie został oszacowany model logitowy: Zbieżność osiągnięta po 4 iteracjach Model 6: Estymacja Logit z wykorzystaniem 4877 obserwacji const 0, , ,2367 0,8129 age 0, , ,36,30E-05 *** tenure 0, , ,024 5,73E-05 *** head -0, , ,431 0,0151 ** married 0, , ,334 0,0009 *** statemb 0, , ,339 0,0194 ** rr -0, , ,809 0,0705 * dkids -0, , , ,9925 school12-0, , ,7937 0,4273 male -0, , ,013 0,3110 Średnia dla zmiennej y = 0,684 Liczba przypadków 'poprawnej predykcji' = 3336 (68,4%) f(beta'x) do średnich niezależnych zmiennych = 0,214 McFaddena pseudo-r-kwadrat = 0, Logarytm wiarygodności = -2985,03 Test ilorazu wiarygodności: Chi-kwadrat(9) = 115,993 (wartość p 0,000000) Kryterium informacyjne Akaike'a (AIC) = 5990,06 Kryterium bayesowskie Schwarza (BIC) = 6054,99 Kryterium infor. Hannana-Quinna (HQC) = 6012,85 Empiryczne a) Które ze zmiennych są istotne? b) Proszę przetestować łączną nieistotność zmiennych, które są nieistotne na poziomie istotności 0,05. Hipoteza zerowa: parametry regresji dla wskazanych zmiennych są równe zero rr dkids school12 male Statystyka testu: Chi-kwadrat(4) = 4,04884, z wartością p = 0,399436
6 c) Testowane ograniczenie w punkcie b) okazało się prawdziwe, więc je wprowadzono do modelu i oszacowano regresje ponownie. Zbieżność osiągnięta po 4 iteracjach Model 7: Estymacja Logit z wykorzystaniem 4877 obserwacji const -0, , ,347 0,1779 age 0, , ,782 1,73E-06 *** tenure 0, , ,262 2,03E-05 *** head -0, , ,923 0,0035 *** married 0, , ,881 0,0001 *** statemb 0, , ,850 0,0643 * Średnia dla zmiennej y = 0,684 Liczba przypadków 'poprawnej predykcji' = 3335 (68,4%) f(beta'x) do średnich niezależnych zmiennych = 0,214 McFaddena pseudo-r-kwadrat = 0, Logarytm wiarygodności = -2987,06 Test ilorazu wiarygodności: Chi-kwadrat(5) = 111,945 (wartość p 0,000000) Kryterium informacyjne Akaike'a (AIC) = 5986,11 Kryterium bayesowskie Schwarza (BIC) = 6025,07 Kryterium infor. Hannana-Quinna (HQC) = 5999,78 Empiryczne d) Proszę porównać Model 6 i Model 7 na podstawie kryteriów informacyjnych. e) Proszę sprawdzić, czy łącznie zmienne objaśniające są istotne w modelu. f) Dokonać interpretacji oszacowanych parametrów (przypominam, że interpretujemy tylko znaki oszacowanych parametrów). g) Dokonać interpretacji efektów krańcowych. Zbieżność osiągnięta po 4 iteracjach Model 7: Estymacja Logit z wykorzystaniem 4877 obserwacji współczynnik błąd standardowy t-student efekt krańcowy const -0, , ,347 age 0, , ,782 0, tenure 0, , ,262 0, head -0, , ,923-0, married 0, , ,881 0, statemb 0, , ,850 0, Średnia dla zmiennej y = 0,684 Liczba przypadków 'poprawnej predykcji' = 3335 (68,4%) f(beta'x) do średnich niezależnych zmiennych = 0,214 McFaddena pseudo-r-kwadrat = 0, Logarytm wiarygodności = -2987,06 Test ilorazu wiarygodności: Chi-kwadrat(5) = 111,945 (wartość p 0,000000) Kryterium informacyjne Akaike'a (AIC) = 5986,11 Kryterium bayesowskie Schwarza (BIC) = 6025,07
7 Kryterium infor. Hannana-Quinna (HQC) = 5999,78 Empiryczne i) Proszę obliczyć i zinterpretować liczebnościowe R²i skorygowane liczebnościowe R². j) Proszę obliczyć wrażliwość i specyficzność.
8 Zadanie 2 Celem analizy jest sprawdzenie, czy nowa metoda nauki ekonomii PSI (Personalized System of Instruction) wpływa istotnie na wyniki uzyskiwane przez studentów. Opis zmiennych: GRADE zmienna zależna, przyjmuje wartość 1, jeżeli student z egzaminu z zaawansowanego kursu makroekonomii uzyskał lepszy wynik niż z egzaminu z podstawowego kursu ekonomii oraz 0 w pozostałych przypadkach. Zmienne niezależne: GPA średnia z ocen studenta; TUCE liczba punktów zdobytych przez studenta na egzaminie wstępnym z makroekonomii, który sprawdzał początkową wiedze studenta PSI zmienna binarna; zmienna przyjmuje wartość 1, jeżeli student był objęty programem PSI oraz 0 w pozostałych przypadkach. 1) Oszacowano liniowy model prawdopodobieństwa: Model 1: Estymacja KMNK z wykorzystaniem 32 obserwacji 1-32 Zmienna zależna: GRADE const -1, , ,859 0,0079 *** GPA 0, , ,864 0,0078 *** TUCE 0, , ,5387 0,5944 PSI 0, , ,720 0,0111 ** Średnia arytmetyczna zmiennej zależnej = 0,34375 Odchylenie standardowe zmiennej zależnej = 0, Suma kwadratów reszt = 4,21647 Błąd standardowy reszt = 0, Wsp. determinacji R-kwadrat = 0,41590 Skorygowany wsp. R-kwadrat = 0,35332 Statystyka F (3, 28) = 6,64566 (wartość p = 0,00157) Logarytm wiarygodności = -12,9782 Kryterium informacyjne Akaike'a (AIC) = 33,9565 Kryterium bayesowskie Schwarza (BIC) = 39,8194 Kryterium infor. Hannana-Quinna (HQC) = 35,8999 a) Które ze zmiennych są istotne na poziomie istotności 0,05? b) Dokonaj interpretacji współczynników. Czy na podstawie tego modelu można stwierdzić, iż student objęty programem PSI ma większe prawdopodobieństwo zdania egzaminu? c) Czy wyniki testu Breuscha-Pagana wskazują na występowanie w modelu heteroscedastyczności składnika losowego? Test Breuscha-Pagana na heteroskedastyczność Statystyka testu: LM = 4,579482, z wartością p = P(Chi-kwadrat(3) > 4,579482) = 0,205309
9 2) Oszacowano model probitowy. Czy na podstawie tego modelu można stwierdzić, iż student objęty programem PSI ma większe prawdopodobieństwo zdania egzaminu? Zbieżność osiągnięta po 7 iteracjach Model 2: Estymacja Probit z wykorzystaniem 32 obserwacji 1-32 Zmienna zależna: GRADE współczynnik błąd standardowy t-student efekt krańcowy const -7, , ,931 GPA 1, , ,343 0, TUCE 0, , ,6166 0, PSI 1, , ,397 0, Średnia dla zmiennej GRADE = 0,344 Liczba przypadków 'poprawnej predykcji' = 26 (81,3%) f(beta'x) do średnich niezależnych zmiennych = 0,328 McFaddena pseudo-r-kwadrat = 0, Logarytm wiarygodności = -12,8188 Test ilorazu wiarygodności: Chi-kwadrat(3) = 15,5459 (wartość p 0,001405) Kryterium informacyjne Akaike'a (AIC) = 33,6376 Kryterium bayesowskie Schwarza (BIC) = 39,5006 Kryterium infor. Hannana-Quinna (HQC) = 35,581 Empiryczne d) Proszę obliczyć i zinterpretować liczebnościowe R²i skorygowane liczebnościowe R². e) Proszę obliczyć wrażliwość i specyficzność.
10 Zadanie 3 Opis zmiennych: uzytk_int czy osoba korzysta z internetu; 0 nie, 1 tak wiek wiek wyrażony w latach dochod1os dochód wyrażony w złotówkach Wszystkie testy przeprowadzamy na poziomie istotności równym 0, Model został oszacowany Metodą Najmniejszych Kwadratów, w którym zmienna zależna jest uzytk_int, a zmienne niezależne to wiek i dochod1os. Model 1: Estymacja KMNK z wykorzystaniem 3028 obserwacji Zmienna zależna: uzytk_int const 0, , ,73 5,36E-301 *** wiek -0, , ,42 7,05E-072 *** doch1os 0, ,79494E-05 9,976 4,40E-023 *** Średnia arytmetyczna zmiennej zależnej = 0,68461 Odchylenie standardowe zmiennej zależnej = 0, Suma kwadratów reszt = 582,626 Błąd standardowy reszt = 0, Wsp. determinacji R-kwadrat = 0,10887 Skorygowany wsp. R-kwadrat = 0,10828 Statystyka F (2, 3025) = 184,776 (wartość p < 0,00001) Logarytm wiarygodności = -1801,3 Kryterium informacyjne Akaike'a (AIC) = 3608,61 Kryterium bayesowskie Schwarza (BIC) = 3626,65 Kryterium infor. Hannana-Quinna (HQC) = 3615,1 a) Które ze zmiennych są istotne na poziomie istotności 5%? b) Dokonaj interpretacji oszacowanych parametrów. c) Proszę sprawdzić, czy jest spełnione założenie o homoscedastyczności składnika losowego. Test Breuscha-Pagana na heteroskedastyczność Statystyka testu: LM = 94,383622, z wartością p = P(Chi-kwadrat(2) > 94,383622) = 0, d) Czy wartości dopasowane wypadają poza przedział [0;1]? Statystyki opisowe, wykorzystane obserwacje dla zmiennej 'yhat1' (3028 prawidłowych obserwacji) Średnia 0,68461 Mediana 0,72333 Minimalna 0,14839 Maksymalna 1,8401 Odchylenie standardowe 0,15334
11 2. Oszacowany został model logitowy, w którym zmienna zależna będzie uzytk_int, a zmienne niezależne to wiek i dochod1os. Model 2: Estymacja Logit z wykorzystaniem 3028 obserwacji Zmienna zależna: uzytk_int const 1, , ,16 1,02E-058 *** wiek -0, , ,1,45E-065 *** doch1os 0, , ,635 5,69E-022 *** a) Które ze zmiennych są istotne na poziomie istotności 5%? b) Dokonaj interpretacji oszacowanych parametrów (przypominam, że interpretujemy tylko znaki oszacowanych parametrów). Model 3: Estymacja Logit z wykorzystaniem 3028 obserwacji Zmienna zależna: uzytk_int współczynnik błąd standardowy t-student efekt krańcowy const 1, , ,16 wiek -0, , ,10-0, doch1os 0, , ,635 0, Średnia dla zmiennej uzytk_int = 0,685 Liczba przypadków 'poprawnej predykcji' = 2143 (70,8%) f(beta'x) do średnich niezależnych zmiennych = 0,207 McFaddena pseudo-r-kwadrat = 0, Logarytm wiarygodności = -1710,47 Test ilorazu wiarygodności: Chi-kwadrat(2) = 354,037 (wartość p 0,000000) Kryterium informacyjne Akaike'a (AIC) = 3426,94 Kryterium bayesowskie Schwarza (BIC) = 3444,99 Kryterium infor. Hannana-Quinna (HQC) = 3433,43 Empiryczne a) Dokonaj interpretacji efektów krańcowych. b) Proszę obliczyć i zinterpretować liczebnościowe R² i skorygowane liczebnościowe R². c) Proszę obliczyć wrażliwość i specyficzność.
12 3. Oszacowac model probitowy, w którym zmienna zależna będzie uzytk_int, a zmienne niezależne to wiek i dochod1os. Model 4: Estymacja Probit z wykorzystaniem 3028 obserwacji Zmienna zależna: uzytk_int const 1, , ,03 5,08E-065 *** wiek -0, , ,57 3,97E-069 *** doch1os 0, ,04122E-05 10,03 1,09E-023 *** a) Które ze zmiennych są istotne? b) Dokonaj interpretacji oszacowanych parametrów (przypominam, że interpretujemy tylko znaki oszacowanych parametrów). Model 5: Estymacja Probit z wykorzystaniem 3028 obserwacji Zmienna zależna: uzytk_int współczynnik błąd standardowy t-student efekt krańcowy const 1, , ,03 wiek -0, , ,57-0, doch1os 0, ,04122E-05 10,03 0, Średnia dla zmiennej uzytk_int = 0,685 Liczba przypadków 'poprawnej predykcji' = 2143 (70,8%) f(beta'x) do średnich niezależnych zmiennych = 0,346 McFaddena pseudo-r-kwadrat = 0, Logarytm wiarygodności = -1710,04 Test ilorazu wiarygodności: Chi-kwadrat(2) = 354,898 (wartość p 0,000000) Kryterium informacyjne Akaike'a (AIC) = 3426,08 Kryterium bayesowskie Schwarza (BIC) = 3444,13 Kryterium infor. Hannana-Quinna (HQC) = 3432,57 Empiryczne a) Dokonaj interpretacji efektów krańcowych. b) Proszę obliczyć i zinterpretować liczebnościowe R² i skorygowane liczebnościowe R². c) Proszę obliczyć wrażliwość i specyficzność.
Zadanie 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
Model 1: Estymacja KMNK z wykorzystaniem 32 obserwacji 1964-1995 Zmienna zależna: st_g
Zadanie 1 Dla modelu DL dla zależności stopy wzrostu konsumpcji benzyny od stopy wzrostu dochodu oraz od stopy wzrostu cen benzyny w latach 1960 i 1995 otrzymaliśmy następujące oszacowanie parametrów.
Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość?
Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość? Wykres stopy bezrobocia rejestrowanego w okresie 01.1998 12.2008, dane Polskie 22 20 18 16 stopa 14 12
e) Oszacuj parametry modelu za pomocą MNK. Zapisz postać modelu po oszacowaniu wraz z błędami szacunku.
Zajęcia 4. Estymacja i weryfikacja modelu model potęgowy Wersja rozszerzona W pliku Funkcja produkcji.xls zostały przygotowane przykładowe dane o produkcji, kapitale i zatrudnieniu dla 27 przedsiębiorstw
STUDIA I STOPNIA EGZAMIN Z EKONOMETRII
NAZWISKO IMIĘ Nr albumu Nr zestawu Zadanie 1. Dana jest macierz Leontiefa pewnego zamkniętego trzygałęziowego układu gospodarczego: 0,64 0,3 0,3 0,6 0,88 0,. 0,4 0,8 0,85 W okresie t stosunek zuŝycia środków
4. Średnia i autoregresja zmiennej prognozowanej
4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)
Szymon Bargłowski, sb39345 MODEL. 1. Równania rozpatrywanego modelu: 1 PKB t = a 1 a 2 E t a 3 Invest t 1
Szymon Bargłowski, sb39345 MODEL 1. Równania rozpatrywanego modelu: 1 PKB t = a 1 a 2 E t a 3 Invest t 1 2 C t = b 1 b 2 PKB t b 3 Invest t 1 b 4 G t 2 3 Invest t = d 1 d 2 C t d 3 R t 3 gdzie: G - wydatki
Stanisław 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
Stanisław 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
Stanisław 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
(LMP-Liniowy model prawdopodobieństwa)
OGÓLNY MODEL REGRESJI BINARNEJ (LMP-Liniowy model prawdopodobieństwa) Dla k3 y α α α α + x + x + x 2 2 3 3 + α x x α x x + α x x + α x x + ε + x 4 2 5 3 6 2 3 7 2 3 Zał.: Wszystkie zmienne interakcyjne
Stanisław 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
Proces modelowania zjawiska handlu zagranicznego towarami
Załącznik nr 1 do raportu końcowego z wykonania pracy badawczej pt. Handel zagraniczny w województwach (NTS2) realizowanej przez Centrum Badań i Edukacji Statystycznej z siedzibą w Jachrance na podstawie
Outsourcing a produktywność pracy w polskich przedsiębiorstwach. Anna Grześ Zakład Zarządzania Uniwersytet w Białymstoku
Outsourcing a produktywność pracy w polskich przedsiębiorstwach Anna Grześ Zakład Zarządzania Uniwersytet w Białymstoku Cele : pomiar produktywności pracy w polskich przedsiębiorstwach na poziomie sekcji
Stanisław Cichocki. Natalia Neherebecka. Zajęcia 15-17
Stanisław Cichocki Natalia Neherebecka Zajęcia 15-17 1 1. Binarne zmienne zależne 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników 3. Probit a) Interpretacja współczynników b) Miary
Stanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Binarne zmienne zależne 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników 3. Probit a) Interpretacja współczynników b) Miary dopasowania 4.
Ekonometria. Modelowanie zmiennej jakościowej. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Modelowanie zmiennej jakościowej Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 8 Zmienna jakościowa 1 / 25 Zmienna jakościowa Zmienna ilościowa może zostać zmierzona
Stanisław 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
WSTĘP DO REGRESJI LOGISTYCZNEJ. Dr Wioleta Drobik-Czwarno
WSTĘP DO REGRESJI LOGISTYCZNEJ Dr Wioleta Drobik-Czwarno REGRESJA LOGISTYCZNA Zmienna zależna jest zmienną dychotomiczną (dwustanową) przyjmuje dwie wartości, najczęściej 0 i 1 Zmienną zależną może być:
5. Model sezonowości i autoregresji zmiennej prognozowanej
5. Model sezonowości i autoregresji zmiennej prognozowanej 1. Model Sezonowości kwartalnej i autoregresji zmiennej prognozowanej (rząd istotnej autokorelacji K = 1) Szacowana postać: y = c Q + ρ y, t =
Egzamin 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
Niestacjonarne zmienne czasowe własności i testowanie
Materiał dla studentów Niestacjonarne zmienne czasowe własności i testowanie (studium przypadku) Część 3: Przykłady testowania niestacjonarności Nazwa przedmiotu: ekonometria finansowa I (22204), analiza
1. 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.
Ekonometria 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
Metoda Johansena objaśnienia i przykłady
Metoda Johansena objaśnienia i przykłady Model wektorowej autoregresji rzędu p, VAR(p), ma postad gdzie oznacza wektor zmiennych endogenicznych modelu. Model VAR jest stabilny, jeżeli dla, tzn. wielomian
Zadanie 3 Na podstawie danych kwartalnych z lat oszacowano następujący model (w nawiasie podano błąd standardowy oszacowania):
Zadanie 1 Fabryka Dolce Vita do produkcji czekolady potrzebuje nakładów kapitału i siły roboczej. Na podstawie historycznych danych o wielkości produkcji oraz nakładów czynników produkcji w tej fabryce
Modele dla zmiennej binarnej w pakiecie STATA materiały na ćwiczenia z ekonometrii 18.03.2005 r. Piotr Wójcik, KTRG WNE UW
Modele dla zmiennej binarnej w pakiecie STATA materiały na ćwiczenia z ekonometrii 18.03.2005 r. Piotr Wójcik, KTRG WNE UW Dane Dane wykorzystane w przykładzie pochodzą z pracy McCall, B.P., 1995, The
EKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE
EKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE ZADANIE 1 Oszacowano zależność między luką popytowa a stopą inflacji dla gospodarki niemieckiej. Wyniki estymacji są następujące: Estymacja KMNK,
Własności 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
Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych
Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych 3.1. Estymacja parametrów i ocena dopasowania modeli z jedną zmienną 23. Właściciel komisu w celu zbadania
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...
Stanisław 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
Ekonometria I Weryfikacja: współliniowość i normalność. Dr Michał Gradzewicz Szkoła Główna Handlowa w Warszawie
Ekonometria I Weryfikacja: współliniowość i normalność Dr Michał Gradzewicz Szkoła Główna Handlowa w Warszawie 1 Współliniowość 2 Przypomnienie: Założenia MNK Założenia MNK: 1. Zmienne objaśniające są
MODELE LINIOWE. Dr Wioleta Drobik
MODELE LINIOWE Dr Wioleta Drobik MODELE LINIOWE Jedna z najstarszych i najpopularniejszych metod modelowania Zależność między zbiorem zmiennych objaśniających, a zmienną ilościową nazywaną zmienną objaśnianą
Ekonometria 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
Egzamin 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.
Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.
tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1
Stanisław 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
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Stanisław Cichocki Natalia Neherbecka
Stanisław Cichocki Natalia Neherbecka 13 marca 2010 1 1. Kryteria informacyjne 2. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych opóźnieniach (ADL) 3. Analiza
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA Powtórka Powtórki Kowiariancja cov xy lub c xy - kierunek zależności Współczynnik korelacji liniowej Pearsona r siła liniowej zależności Istotność
Inżynieria Środowiska. II stopień ogólnoakademicki. przedmiot podstawowy obowiązkowy polski drugi. semestr zimowy
Załącznik nr 7 do Zarządzenia Rektora nr../12 z dnia.... 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2017/2018 STATYSTYKA
Rozdział 8. Regresja. Definiowanie modelu
Rozdział 8 Regresja Definiowanie modelu Analizę korelacji można traktować jako wstęp do analizy regresji. Jeżeli wykresy rozrzutu oraz wartości współczynników korelacji wskazują na istniejąca współzmienność
WERYFIKACJA MODELI MODELE LINIOWE. Biomatematyka wykład 8 Dr Wioleta Drobik-Czwarno
WERYFIKACJA MODELI MODELE LINIOWE Biomatematyka wykład 8 Dr Wioleta Drobik-Czwarno ANALIZA KORELACJI LINIOWEJ to NIE JEST badanie związku przyczynowo-skutkowego, Badanie współwystępowania cech (czy istnieje
Mikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 13 Mikołaj Czajkowski Wiktor Budziński Endogeniczność regresja liniowa W regresji liniowej estymujemy następujące równanie: i i i Metoda Najmniejszych Kwadratów zakłada, że wszystkie zmienne
Ekonometria 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.
Statystyka opisowa. Wykład V. Regresja liniowa wieloraka
Statystyka opisowa. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Prosta regresji cechy Y względem cech X 1,..., X k. 2 3 Wyznaczamy zależność cechy Y od cech X 1, X 2,..., X k postaci Y = α 0 +
1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4.
1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4. Prognozowanie stóp zwrotu na podstawie modeli ARMA 5. Relacje kointegrujące
K wartość kapitału zaangażowanego w proces produkcji, w tys. jp.
Sprawdzian 2. Zadanie 1. Za pomocą KMNK oszacowano następującą funkcję produkcji: Gdzie: P wartość produkcji, w tys. jp (jednostek pieniężnych) K wartość kapitału zaangażowanego w proces produkcji, w tys.
parametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających,
诲 瞴瞶 瞶 ƭ0 ƭ 瞰 parametrów strukturalnych modelu Y zmienna objaśniana, = + + + + + X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających, α 0, α 1, α 2,,α k parametry strukturalne modelu, k+1 parametrów
Stanisław 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
3. Modele tendencji czasowej w prognozowaniu
II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa
Przyjazdy turystów zagranicznych do Polski miesięcznie od 2005 roku do 2009 roku modelowanie ekonometryczne
Dawid Twardowski Wrocław, dnia 6 czerwca 2010 Przyjazdy turystów zagranicznych do Polski miesięcznie od 2005 roku do 2009 roku modelowanie ekonometryczne Spis treści Spis treści... 1 Struktura projektu...
Adam Kirpsza Zastosowanie regresji logistycznej w studiach nad Unią Europejska. Anna Stankiewicz Izabela Słomska
Adam Kirpsza Zastosowanie regresji logistycznej w studiach nad Unią Europejska Anna Stankiewicz Izabela Słomska Wstęp- statystyka w politologii Rzadkie stosowanie narzędzi statystycznych Pisma Karla Poppera
Regresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych (X1, X2, X3,...) na zmienną zależną (Y).
Statystyka i opracowanie danych Ćwiczenia 12 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA WIELORAKA Regresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
t y x y'y x'x y'x x-x śr (x-x śr)^2
Na podstawie:w.samuelson, S.Marks Ekonomia menedżerska Zadanie 1 W przedsiębiorstwie toczy się dyskusja na temat wpływu reklamy na wielkość. Dział marketingu uważa, że reklama daje wysoce pozytywne efekty,
REGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ. Analiza regresji i korelacji
Statystyka i opracowanie danych Ćwiczenia 5 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ MODEL REGRESJI LINIOWEJ Analiza regresji
Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna
Regresja wieloraka Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna zmienna niezależna (można zobrazować
Testowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona;
LABORATORIUM 4 Testowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona; dwie zmienne zależne mierzalne małe próby duże próby rozkład normalny
Na podstawie danych dotyczacych rocznych wydatków na pizze oszacowano parametry poniższego modelu:
Zadanie 1. Oszacowano model ekonometryczny liczby narodzin dzieci (w tys.) w Polsce w latach 2000 2010 w zależnosci od średniego rocznego wynagrodzenia (w ujęciu realnym, PLN), stopy bezrobocia (w punktach
Stanisław 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
TEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.
TEST STATYSTYCZNY Testem statystycznym nazywamy regułę postępowania rozstrzygająca, przy jakich wynikach z próby hipotezę sprawdzaną H 0 należy odrzucić, a przy jakich nie ma podstaw do jej odrzucenia.
Stanisław 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
Ekonometria 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:
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
i EKSPLOATACJI TAbORU AUTObUSOWEGO
PTiL 3/2016 (35) ISSN: 1644-275X www.wnus.edu.pl/ptil DOI: 10.18276/ptl.2016.35-02 19 28 Prognozowanie KOSZTów UTRZYmANIA i EKSPLOATACJI TAbORU AUTObUSOWEGO Data przesłania: 30.06.2016 Data akceptacji:
ANALIZA REGRESJI SPSS
NLIZ REGRESJI SPSS Metody badań geografii społeczno-ekonomicznej KORELCJ REGRESJ O ile celem korelacji jest zmierzenie siły związku liniowego między (najczęściej dwoma) zmiennymi, o tyle w regresji związek
Ekonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda
Estymacja parametrów rozkładu cechy
Estymacja parametrów rozkładu cechy Estymujemy parametr θ rozkładu cechy X Próba: X 1, X 2,..., X n Estymator punktowy jest funkcją próby ˆθ = ˆθX 1, X 2,..., X n przybliżającą wartość parametru θ Przedział
Regresja liniowa wprowadzenie
Regresja liniowa wprowadzenie a) Model regresji liniowej ma postać: gdzie jest zmienną objaśnianą (zależną); są zmiennymi objaśniającymi (niezależnymi); natomiast są parametrami modelu. jest składnikiem
Stanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka - adres mailowy: scichocki@o2.pl - strona internetowa: www.wne.uw.edu.pl/scichocki - dyżur: po zajęciach lub po umówieniu mailowo - 80% oceny: egzaminy - 20% oceny:
ANALIZA REGRESJI WIELOKROTNEJ. Zastosowanie statystyki w bioinżynierii Ćwiczenia 8
ANALIZA REGRESJI WIELOKROTNEJ Zastosowanie statystyki w bioinżynierii Ćwiczenia 8 ZADANIE 1A 1. Irysy: Sprawdź zależność długości płatków korony od ich szerokości Utwórz wykres punktowy Wyznacz współczynnik
Wprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
Wprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe
Wprowadzenie do teorii ekonometrii Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Zajęcia Wykład Laboratorium komputerowe 2 Zaliczenie EGZAMIN (50%) Na egzaminie obowiązują wszystkie informacje
gdzie. Dla funkcja ma własności:
Ekonometria, 21 listopada 2011 r. Modele ściśle nieliniowe Funkcja logistyczna należy do modeli ściśle nieliniowych względem parametrów. Jest to funkcja jednej zmiennej, zwykle czasu (t). Dla t>0 wartośd
STATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez statystycznych
Regresja logistyczna (LOGISTIC)
Zmienna zależna: Wybór opcji zachodniej w polityce zagranicznej (kodowana jako tak, 0 nie) Zmienne niezależne: wiedza o Unii Europejskiej (WIEDZA), zamieszkiwanie w regionie zachodnim (ZACH) lub wschodnim
Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018
Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018 Nr indeksu... Imię i Nazwisko... Nr grupy ćwiczeniowej... Imię i Nazwisko prowadzącego... 1. Specyfikacja modelu
Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015
Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015 Nr indeksu... Imię i Nazwisko... Nr grupy ćwiczeniowej... Imię i Nazwisko prowadzącego... 1. Specyfikacja modelu
Statystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r
Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów
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
( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie:
ma postać y = ax + b Równanie regresji liniowej By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : xy b = a = b lub x Gdzie: xy = też a = x = ( b ) i to dane empiryczne, a ilość
Ekonometria. Zajęcia
Ekonometria Zajęcia 16.05.2018 Wstęp hipoteza itp. Model gęstości zaludnienia ( model gradientu gęstości ) zakłada, że gęstość zaludnienia zależy od odległości od okręgu centralnego: y t = Ae βx t (1)
Stanisław 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
Prognozowanie na podstawie modelu ekonometrycznego
Prognozowanie na podstawie modelu ekonometrycznego Przykład. Firma usługowa świadcząca usługi doradcze w ostatnich kwartałach (t) odnotowała wynik finansowy (yt - tys. zł), obsługując liczbę klientów (x1t)
P: Czy studiujący i niestudiujący preferują inne sklepy internetowe?
2 Test niezależności chi-kwadrat stosuje się (między innymi) w celu sprawdzenia czy pomiędzy zmiennymi istnieje związek/zależność. Stosujemy go w sytuacji, kiedy zmienna zależna mierzona jest na skali
Stanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka - adres mailowy: nnehrebecka@wne.uw.edu.pl - strona internetowa: www.wne.uw.edu.pl/nnehrebecka - dyżur: wtorek 18.30-19.30 sala 302 lub 303 - 80% oceny: egzaminy -
Ekonometria 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.
Natalia 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
Liczba godzin Punkty ECTS Sposób zaliczenia. ćwiczenia 16 zaliczenie z oceną
Wydział: Zarządzanie i Finanse Nazwa kierunku kształcenia: Finanse i Rachunkowość Rodzaj przedmiotu: podstawowy Opiekun: prof. nadzw. dr hab. Tomasz Kuszewski Poziom studiów (I lub II stopnia): II stopnia
Test niezależności chi-kwadrat stosuje się (między innymi) w celu sprawdzenia związku pomiędzy dwiema zmiennymi nominalnymi (lub porządkowymi)
Test niezależności chi-kwadrat stosuje się (między innymi) w celu sprawdzenia związku pomiędzy dwiema zmiennymi nominalnymi (lub porządkowymi) Czy miejsce zamieszkania różnicuje uprawianie sportu? Mieszkańcy
Egzamin 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
STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE
STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE 1 W trakcie badania obliczono wartości średniej (15,4), mediany (13,6) oraz dominanty (10,0). Określ typ asymetrii rozkładu. 2 Wymień 3 cechy rozkładu Gauss
Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski
Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski Zadanie 1 Eksploracja (EXAMINE) Informacja o analizowanych danych Obserwacje Uwzględnione Wykluczone Ogółem
Wstęp... 3 Problem i hipoteza badawcza... 4 Opis modelu. Definicje i założenia... 5 Źródła danych... 6 Szacowanie modelu... 7 Wnioski...
Spis treści Wstęp... 3 Problem i hipoteza badawcza... 4 Opis modelu. Definicje i założenia... 5 Źródła danych... 6 Szacowanie modelu... 7 Wnioski... 14 2 Wstęp Podatek od towarów i usług (zwany również
Stanisław 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
KARTA KURSU. (do zastosowania w roku akademickim 2015/16) Kod Punktacja ECTS* 3. Dr hab. Tadeusz Sozański
KARTA KURSU (do zastosowania w roku akademickim 2015/16) Nazwa Statystyka 2 Nazwa w j. ang. Statistics 2 Kod Punktacja ECTS* 3 Koordynator Dr hab. Tadeusz Sozański (koordynator, konwersatorium) Zespół