0.1 Modele Dynamiczne
|
|
- Damian Grabowski
- 5 lat temu
- Przeglądów:
Transkrypt
1 0.1 Modele Dynamiczne Wprowadzenie Często konkretne działanie czy zjawisko ekonomiczne nie tylko zależy od bieżących wartości pewnych wskaźników - zmiennych objaśniających modelu, ale również od ich wartości przeszłych, oraz wartości zjawiska z poprzednich okresów. Lemat 1 Mnożnik bezpośredni mierzy krótkookresową reakcję na zmianę wartości zmiennej objaśniającej. Wynosi on β 0 Lemat 2 Mnożnik długookresowy mierzy skumulowany efekt powstający wskutek zmiany zmiennej wartości objaśniającej w okresie 0. Dla modelu bez części autoregresyjnej wynosi on β τ = τ i=0 β i, a gdy część autoregresyjna występuje to β τ = P τ i=0 β i 1 P p i=0 γ i Operator opóźnień Użytecznymi narzędziami skracającymi zapis postaci analitycznej modeli dynamicznych są oprerator opóźnień i operator różnicowy. Operator opóźnień jest zdefiniowany następująco: Lx t = x x 1 Ten operator możemy w obliczeniach traktować jak liczbę. Ma on następujące własności: La = a L 2 x t = L(Lx t ) = Lx t 1 = x t 2 L p x t = x t p Operator różnicowy Drugim użytecznym narzędziem jest operator różnicowy x t = x t x t 1 Ten operator również może w obliczeniach być traktowany jak liczba. Ma on następujące własności: a = 0 1
2 2 x t = x t = (x t x t 1 ) = (x t x t 1 ) (x t 1 x t 2 ) p x t =... = (x t x t 1 )... (x t (p+1) x t p ) x t = x t 1 + x t x t = (1 L)x t Możemy połączyć użycie obu operatorów: 2 x t = (1 L) 2 x t = (1 2L + L 2 )x t = x t 2x t 1 + x t 2 = x t x t 1 Dodatkowo zauważmy, że: (1 L) 2 x t = (1 L)(1 L)x t = (1 L)(x t x t 1 ) = (x t x t 1 ) (x t 1 x t 2 ) Dynamiczne równanie regresji możemy przedstawić jako: y t = α + β i L i x t + ɛ t = α + B(L)x t + ɛ t i=0 gdzie B jest wielomianem zmiennej L: B(L) = β 0 L 0 + β 1 L 1 + β 2 L Wielomian operatora opóźnień to wyrażenie postaci: A(L) = 1 + al + (al) 2 + (al) = al i i=0 jeśli a < 1, wtedy: A(L) = 1 1 al Modele o opóźnieniach rozłożonych Distributed Lags Model z opóźnieniami rozłożonymi ma następującą formę: y t = α + β γ i L i x t + ε t i=0 możemy go zapisać jako: y t = α + β(1 γl) 1 x t + ε t (1) 2
3 0.1.5 Model autoregresyjny Ten sam model możemy zapisać w formie autoregresyjnej. Mnożąc (1) przez (1 γl) otrzymujemy: po uporządkowaniu dostajemy: y t (1 γl) = α(1 γl) + βx t + ε t (1 γl) y t = α(1 γ) + βx t + γy t 1 + (1 γl)ε t możemy go również zapisać za pomocą operatora opóźnień: C(L)y t = α + βx t + ε Modele autoregresyjne o opóźnieniach rozłożonych (ARDL) Autoregressive Distributed Lags Bardziej ogólnym zapisem modeli dynamicznych jest postać ARDL. y t = µ + p r γ i y t i + β j x t j + δw t + ε t (2) i=1 j=0 gdzie o składniku losowym ɛ t zakładamy że jest homoscedastyczny i nieskorelowany. Możemy zapisać model (2) w bardziej zwięzłej postaci: gdzie: oraz C(L)y t = µ + B(L)x t + δw t + ε t C(L) = 1 γ 1 L 1 γ 2 L 2... γ p L p B(L) = β 0 β 1 L 1 β 2 L 2... β r L r Model w tej postaci zapisujemy jeszcze krócej jako ARDL(p, r). Liczby wskazują na rząd wielomianów operatorów użytych do zapisu modelu. Klasyczny Model Regresji Liniowej jest specjalnym przypadkiem ARDL dla którego p = 0, oraz r = Stacjonarność Lemat 3 Proces stochastyczny jest słabo (wariancyjnie) stacjonarny jeśli var(x i ) = σ 2 < oraz cov(x t, x t+h ) = cov(x t+j, x t+j+h ) = γ h dla dowolnych t, j, h. 3
4 Intuicyjnie proces stochastyczny jest stacjonarny jeżeli ma skończoną wariancję oraz kowariancje między obserwacjami nie zależą od czasu, a jedynie od odległości między obserwacjami. Lemat 4 Proces zintegrowany stopnia zero, oznaczamy I(0). Można przedstawić go w postaci x t E(x t ) = i=0 ε t i, gdzie ε t IID (0, σ 2 ) - biały szum. Lemat 5 Proces stochastyczny x t nazywamy procesem zintegrowanym rzędu d jeżeli d x t jest I(0) Stabilność modelu dynamicznego Stabilność modelu dynamicznego zależy od części autoregresyjnej modelu. Lemat 6 Model dynamiczny nazywamy modelem stabilnym jeżeli pierwiastki wielomianu operatora opóźnień jego części autoregresyjnej leżą poza kołem jednostkowym. Rozwiązaniem stabilnym modelu dynamicznego nazywamy rozwiązanie dla którego y t = y t 1 =... = y t p, x t = x t 1 =... = x t q, oraz iε i = Model ARIMA Nazwa modelu jest zbitką trzech nazw. AR pochodzi od procesu autoregresyjnego, I od procesu zintegrowanego, a MA od procesu średniej ruchomej. Postać analityczna modelu jest dość skomplikowana: d y t = µ + γ 1 d y t 1 + γ 2 d y t γ p d y t p + ε t θ 1 ε t 1... θ q ε t q ale zapis można uprościć stosując wielomiany operatora opóźnień i operator różnicowy: C(L)[(1 L) d y t ] = µ + D(L)ε t Innym sposobem zapisu modelu jest ARIMA(p, d, q), gdzie p oznacza rząd procesu autoregresyjnego, q rząd procesu średniej ruchomej, a d rząd integracji procesu Pierwiastki jednostkowe i Test Dickey a-fullera Jeżeli proces stochastyczny zawiera pierwiastek który leży wewnątrz bądź na obrzeżu koła jednostkowego, to jest procesem niestacjonarnym. Test Dicke ya- Fullera wykrywa obecność pierwiastków jednostkowych. 4
5 Jeżeli mamy model autoregresji w którym zmienna y t jest szeregiem czasowymi postaci: y t = ρy t 1 + ε t (3) Chcemy sprawdzić czy zmienna y t jest stacjonarna. Wydaje się, że wystarczy przeprowadzić test czy ρ = 1 za pomocą statystyki t-studenta. Jeżeli składnik losowy w równaniu (3) jest procesem białego szumu, to jeśli ρ < 1 to ten proces jest zintegrowany stopnia zero. Lecz w przypadku gdy ρ = 1 równanie reprezentuje proces błądzenia losowego. Wtedy proces generujący y t jest niestacjonarny. W takim przypadku statystyka t nie będzie miała rozkładu t-studenta i nie możemy jej wartości używać do standardowych testów. Rozwiązaniem problemu testowania stopnia integracji jest procedura zaproponowana przez Dickey a i Fullera i nazwana od nazwisk autorów testem DF. Test DF weryfikuje hipotezę, że w równaniu (3) ρ = 1, czyli że mamy pierwiastek jednostkowy. Dlatego ten test również jest nazywany testem pierwiastka jednostkowego. Zapiszmy równanie (3) w postaci: i testujemy hipotezę zerową: y t = (1 + δ)y t 1 + ε t y t y t 1 = δy t 1 + ε t y t = δy t 1 + ε t (4) H 0 : δ = 0 H 1 : δ < 0 odrzucenie hipotezy zerowej δ = 0 na rzecz hipotezy alternatywnej oznacza że y t nie ma pierwiastków w kole jednostkowym, jest zintegrowane stopnia zero I(0). Statystyka testowa t nie ma rozkładu t-studenta. Wartości krytyczne odczytujemy z tablic wartości testu Dickey a-fullera. Wszystkie wartości krytyczne są w lewym ogonie rozkładu i są znacznie niższe od statystyk t- Studenta. Wartości krytyczne testu Dickey-Fuller a otrzymywane są za pomocą symulacji Monte Carlo, więc są one obciążone pewnym błędem. Dlatego niektóre tablice podają nie jedną, a dwie wartości krytyczne dolną i górną. Pomiędzy nimi leży obszar braku konkluzji Test ADF Test Dickey a-fullera nie uwzględnia faktu, że składnik losowy równania (3) może zawierać autokorelację. W przypadku występowania autokorelacji estymatory MNK są nieefektywne. Wobec tego stosuje się Rozszerzony test 5
6 Dickey a-fullera (Augmented Dickey-Fuller test). W równaniu regresji po prawej stronie umieszcza się opóźnione wartości zmiennej zależnej. Równanie przyjmuje postać: y t = δy t 1 + k γ i y t i + ε t (5) i=1 Sposób testowania oraz wartości krytyczne testu są identyczne jak w teście Dickey-Fullera Kointegracja i Test Engla-Grengera Jeżeli mamy równanie regresji w którym zmienne x t i y t są szeregami czasowymi, to te szeregi mogą zawierać trendy czasowe. Wobec tego są one niestacjonarne. Jeżeli istnieje między nimi długookresowy związek, to mówimy że procesy x t i y t są skointegrowane jeżeli odchylenia od ścieżki długookresowej są stacjonarne. Formalna definicja kointegracji podana przez Engla i Grengera jest następująca: Lemat 7 Mówimy, że szeregi czasowe są skointegrowane stopnia (d, b) co zapisujemy: x t, y t CI(d, b) jeżeli: 1. Oba szeregi są zintegrowane stopnia b 2. istnieje kombinacja liniowa tych zmiennych a 1 x t + a 2 y t, która jest zintegrowana stopnia d b Lemat 8 Wektor [a 1, a 2 ] nazywamy wektorem kointegrującym. Testowanie kointegracji jest analogiczne do testowania integracji. Sprawdzamy czy kombinacja liniowa zmiennych jest I(0). Test przeprowadzamy za pomocą procedury zaproponowanej przez Engla i Grengera. 1. Testujemy stopień integracji zmiennych związanych z badaną długookresową zależnością. Jeżeli w modelu mamy więcej niż dwie zmienne to stopień integracji zmiennej zależnej nie może być wyższy niż stopień integracji którejkolwiek ze zmiennych objaśniających. Ponadto liczba zmiennych o stopniu integracji wyższym od zmiennej zależnej modelu, powinna być albo równa zero, albo powinny być dwie takie zmienne. 6
7 2. Jeżeli znamy postać wektora kointegrującego [1, β] to test Dickey a- Fullera na kointegrację polega na obliczeniu statystyki t-studenta dla parametru δ w regresji gdzie: u t = δu t 1 + ε t (6) u t = y t βx t i porównaniu jej z wartością krytyczną z tablic dla testu DF. Dla testu ADF procedura jest analogiczna. Obliczamy statystykę t dla parametru δ z równania: k u t = δu t 1 + δ i u t i + ε t (7) Jeżeli relacja długookresowa nie jest znana a prori to najpierw szacujemy MNK parametry wektora kointegrującego. i=1 y t = β 1 x β k x k + ν t Następnie do równania (6) lub (7) w zależności od postaci testu zamiast u t wstawiamy oszacowane wektor reszt ν, więc: lub w przypadku testu ADF: ν t = δν t 1 + ε t ν t = δν t 1 + k δ i ν t i + ζ t i=1 Podobnie jak w przypadku testu integracji statystyka wartości krytyczne dla statystyki t-studenta odczytujemy z tablic testu DF. Gdy musimy oszacować wektor kointegujący wartości krytyczne dla statystyki testowej zależą również od liczby szacowanych parametrów wektora kointegrującego m Mechanizm korekcji błędem (ECM) Jeżeli dwa szeregi czasowe x t i y t są niestacjonarne i skointegrowane, to ich kointegracja powoduje, że składnik losowy relacji długookresowej nie zwiększa się. Engle i Grenger udowodnili, że każdy szereg skointegrowany ma reprezentację za pomocą mechanizmu korekty błędem. Twierdzenie odwrotne jest również prawdziwe, tzn. każdy mechanizm korekty błędem można przedstawić za pomocą szeregów skointegrowanych. 7
8 Rozpatrzmy model: y t = βx t + ɛ t (8) gdzie y t oraz x t są I(1). Przypuśćmy że y t i x t są CI(1, 1) z wektorem kointegrującym [ 1, β]. Wobec tego model (8) można przedstawić za pomocą mechanizmu korekty błędem y t = α 1 x t + α 2 (y t 1 βx t 1 ) + ε t (9) gdzie α 2 < 0. Ten model szacuje się również za pomocą dwustopniowej procedury Engla-Grengera. W pierwszym kroku szacujemy równanie (8) za pomocą MNK i testujemy hipotezę o stacjonarności reszt. Jeśli są stacjonarne to szacujemy (9) zastępując β otrzymanym w pierwszym kroku estymatorem. W ten sposób w równaniu (9) wszystkie zmienne są stacjonarne Zadania Zadanie 1. Mamy proces DL następującej postaci y t = µ + β 0 x t + β 1 x t 1 + ε t (a) Wyjaśnij jaka jest intepretacja współczynników przy β 0 i β 1 (b) Podaj jaki będzie wpływ na y t zmiany x t 1 i x t o jednostkę. Jak nazywamy współczynnik β τ? (c) Policz odchylenie standartowe współczynnika β τ [, jeżeli macierz ] wariancjikowariancji dla β 0 i β 1 ma postać: var(β τ ) = σ00 σ 01 σ 11 Rozwiązanie ad a) β 0 zmiana y t jeśli x t wzrośnie o jednostkę, β 1 zmiana y t jeśli x t 1 wzrośnie o jednostkę. ad b) β 0 jest to mnożnik bezpośredni, β τ jest to mnożnik długookresowy. β τ = β 0 + β 1 W pierwszym okresie y t zmieni się o β 0, w następnym y t zmieni się o β τ ad c) var(β τ ) = var(β 0 +β 1 ) = var(β 0 )+var(β1)+2cov(β 0 β 1 ) = σ 00 +σ 11 +2σ 01 se(β τ ) = σ 00 + σ σ 01 8
9 Zadanie 2. Mamy proces ARDL następującej postaci: y t = µ + ay t 1 + β 0 x t + β 1 x t 1 + ε t (a) Podaj warunek konieczny do tego, aby proces ten był stabilny (wpływ ɛ t na y t+s malał z upływem czasu) (b) Znajdź wielkość mnożnika bezpośredniego i długookresowego dla zmiennej x t. Jaka jest intepretacja tych mnożników? (c) Chcemy przeanalizować scenariusz w którym x t 1 było większe o 1 niż obserwowane. O ile większe w takim przypadku będzie oczekiwany y t? (d) Chcemy przeanalizować scenariusz w którym x t i x t 1 były większe o 1 niż obserwowane. O ile większe w takim przypadku będzie oczekiwany y t? (e) Jakie warunki musi spełniać ɛ t, żeby model ten można było wyestymować za pomocą MNK? Rozwiązanie ad a) Wartości bezwzględne pierwiastków wielomianu opóźnień muszą być większe od 1. 1 al = 0 = L = 1 a L > 1 = a < 1 = a ( 1, 1) ad b) mnożnik bezpośredni β 0 ; mnożnik długookresowy β 0+β 1. Mnożnik bezpośredni to efekt krótkookresowy (natychmiastowy). Mnożnik długo- 1 a okresowy pokazuje efekt zmiany w dłuższym okresie. ad c) E(y t ) wzrośnie o β 1 ad d) E(y t ) wzrośnie o β 0 + β 1 + aβ 0, ponieważ należy uwzględnić wpływ x t 1 na y t 1 ad e) cov(ε t, x t ) = 0, cov(ε t, x t 1 ) = 0, cov(ε t, y t ) = 0, cov(ε t, y t 1 ) = 0 9
10 Zadanie 3. Mamy następujący proces ARIM A(p, d, q): y t = µ + a y t 1 + ε t + θε t 1 E(ε) = 0 var(ε) = σ 2 I (a) Ile wynoszą parametry p, d, q? (b) Jaki jest warunek stabilności procesu y t? (c) Jakie jest rozwiązanie długookresowe dla procesu y t? (d) Czemu jest równa wartość oczekiwana procesu y t? (e) Jaka jest wariancja procesu y t? Rozwiązanie ad a) ARIMA (1,1,1) ad b) Pierwiastek wielomianu operatora opóźnień musi leżeć poza kołem jednostkowym, czyli: można zapisać jako: y t = µ + a y t 1 + ε t + θε t 1 (1 al) y t = µ + ε t + θε t 1 1 al = 0 = L = 1 a L > 1 = a < 1 = a ( 1, 1) ac c) Rozwiązanie długookresowe y = µ 1 a ad d) E( y t ) = E(µ) + E(a y t 1 ) + E(ε t ) + E(θε t 1 ) E( y t ) = E(µ) + E(a y t 1 ) E( y t ) = µ 1 a 10
11 ad e) (var( y t )) = var(µ + a y t 1 + ε t + θε t 1 ) (var( y t )) = var(µ) + var(a y t 1 ) + var(ε t ) + var(θε t 1 ) (var( y t )) = 0 + a 2 var( y t ) + σ 2 I + θ 2 σ 2 I (1 a 2 )(var( y t )) = σ 2 I + θ 2 σ 2 I (var( y t )) = σ2 I + θ 2 σ 2 I (1 a 2 ) Zadanie 7. Estymacja modelu AR(2) na pierwszych różnicach dla próby 100 obserwacji dała następujący wynik (w nawiasach są błędy standardowe) y t = 0, 18 0, 14 y t y t 1 + ε t (0, 12) (0, 05) (0, 10) Przetestuj na poziomie istotności α = 0, 05 hipotezę o pierwiastku jednostkowym. Dokładnie objaśnij jak brzmi hipoteza zerowa i alternatywna. Rozwiązanie Zapiszmy ogólną postać modelu: Należy przetestować hipotezę y t = α + βy t 1 + γ y t 1 + ε H 0 : β = 0 H 1 : β < 0 Wartość statystyki testowej wynosi t = 0,14 = 2, 8. Wartość krytyczną 0,05 odczytana z tablic testu Dickey a-fullera wynosi t DF (100) = 2, 9. Ponieważ t > t DF brak jest podstaw do odrzucania hipotezy zerowej o istnieniu pierwiastka jednostkowego. Zadanie 8. Powiedzmy, że mamy model: y t = α(y t 1 βx t 1 ) + δ y t 1 + ε t 11
12 i wyniki następujących regresji dla 100 obserwacji (poziom istotności α = 0, 05) y t = 0, 4 y t +0.2 y t 1 (0, 2) (0, 02) x t = 0, 8 x t +0.2 x t 1 (0, 5) (0, 1) (a) Czy w tym przypadku ma sens (i dlaczego) testowanie kointegracji między x t i y t? (b) Powiedzmy, że otrzymałeś z MNK reszty û t z regresji y t na x t a regresji û t na u t 1 ˆ dała następujący wynik (błędy standardowe w nawiasach) û t = 0, 8 u t 1 ˆ (0, 2) Jaki jest wynik testu na kointegrację? Rozwiązanie ad a) Wartość krytyczna testu Dickey a-fullera t DF (100) = 2, 9 ad b) t y = 0, 4 0, 2 = 2 Ponieważ statystyka testowa t y = 2 > t DF wartości krytycznej testu wnioskujemy, że istnieje pierwiastek jednostkowy, czyli szereg y t jest zintegrowany stopnia jeden I(1). t x = 0, 8 0, 5 = 1, 6 Ponieważ statystyka testowa t x = 1.6 > t DF wartości krytycznej testu wnioskujemy że istnieje pierwiastek jednostkowy, czyli szereg y t jest zintegrowany stopnia jeden I(1). Ponieważ oba szeregi są I(1) testowanie kointegracji jest sensowne, bowiem model może wskazywać nie na relację pomiędzy zmiennymi x t i y t, a między trendami zawartymi w zmiennych. t = 0, 8 0, 2 = 4 Ponieważ statystyka testowa t x = 4 < t DF wartości krytycznej testu wnioskujemy że zmienne są skointegrowane. 12
13 Literatura [1] Wojciech Charemza, Derek Deadman (1997) Nowa ekonometria, PWE. [2] William H. Greene (2003) Econometric Analysis, 5th edition. [3] Jerzy Mycielski (2000), WNE. 13
0.1 Modele Dynamiczne
0.1 Modele Dynamiczne 0.1.1 Wprowadzenie Często konkretne działanie czy zjawisko ekonomiczne nie tylko zależy od bieżących wartości pewnych wskaźników - zmiennych objaśniających modelu, ale również od
Bardziej szczegółowoPodczas zajęć będziemy zajmować się głownie procesami ergodycznymi zdefiniowanymi na przestrzeniach ciągłych.
Trochę teorii W celu przeprowadzenia rygorystycznej ekonometrycznej analizy szeregu finansowego będziemy traktowali obserwowany ciąg danych (x 1, x 2,..., x T ) jako realizację pewnego procesu stochastycznego.
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 szczegółowoStacjonarność Integracja. Integracja. Integracja
Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli: Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli:
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 szczegółowoEkonometria. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk
Ekonometria Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 5 & 6 Szaeregi czasowe 1
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. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk
Ekonometria Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 5 & 6 Szaeregi
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 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 szczegółowo2.6 Zmienne stacjonarne i niestacjonarne 2.6. ZMIENNE STACJONARNE I NIESTACJONARNE 33. RYSUNEK 2.6: PKB w wyrażeniu realnym
2.6. ZMIENNE STACJONARNE I NIESTACJONARNE 33 tale. Rysunek 2.6 ilustruje sezonowość w logarytmie PKB w wyrażeniu realnym. Realny PKB został uzyskany poprzez zdeflowanie nominalnego PKB przez indeks cen
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 szczegółowoEkonometria Wykład 5. Procesy stochastyczne, stacjonarność, integracja. Dr Michał Gradzewicz Katedra Ekonomii I KAE
Ekonometria Wykład 5. Procesy stochastyczne, stacjonarność, integracja Dr Michał Gradzewicz Katedra Ekonomii I KAE Ekonometria szeregów czasowych Procesy stochastyczne Stacjonarność i biały szum Niestacjonarność:
Bardziej szczegółowoZadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.
tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1
Bardziej szczegółowoStanisław 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
Bardziej szczegółowoNiestacjonarne zmienne czasowe własności i testowanie
Materiał dla studentów Niestacjonarne zmienne czasowe własności i testowanie (studium przypadku) Część 3: Przykłady testowania niestacjonarności Nazwa przedmiotu: ekonometria finansowa I (22204), analiza
Bardziej szczegółowoEKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE
EKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE ZADANIE 1 Oszacowano zależność między luką popytowa a stopą inflacji dla gospodarki niemieckiej. Wyniki estymacji są następujące: Estymacja KMNK,
Bardziej szczegółowoMetoda Johansena objaśnienia i przykłady
Metoda Johansena objaśnienia i przykłady Model wektorowej autoregresji rzędu p, VAR(p), ma postad gdzie oznacza wektor zmiennych endogenicznych modelu. Model VAR jest stabilny, jeżeli dla, tzn. wielomian
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej 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 szczegółowoNatalia Neherbecka. 11 czerwca 2010
Natalia Neherbecka 11 czerwca 2010 1 1. Konsekwencje heteroskedastyczności i autokorelacji 2. Uogólniona MNK 3. Stosowalna Uogólniona MNK 4. Odporne macierze wariancji i kowariancji b 2 1. Konsekwencje
Bardziej 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 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 szczegółowo1.1 Klasyczny Model Regresji Liniowej
1.1 Klasyczny Model Regresji Liniowej Klasyczny model Regresji Liniowej jest bardzo użytecznym narzędziem służącym do analizy danych empirycznych. Analiza regresji zajmuje się opisem zależności między
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład VI. Niestacjonarne szeregi czasowe
Prognozowanie i Symulacje. Wykład VI. e-mail:e.kozlovski@pollub.pl Spis treści Analiza stacjonarności szeregów czasowych 1 Analiza stacjonarności szeregów czasowych Modele niestacjonarne Szeregi TS i DS
Bardziej szczegółowoTEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.
TEST STATYSTYCZNY Testem statystycznym nazywamy regułę postępowania rozstrzygająca, przy jakich wynikach z próby hipotezę sprawdzaną H 0 należy odrzucić, a przy jakich nie ma podstaw do jej odrzucenia.
Bardziej szczegółowoWYKŁAD: Szeregi czasowe I. Zaawansowane Metody Uczenia Maszynowego
WYKŁAD: Szeregi czasowe I Zaawansowane Metody Uczenia Maszynowego Szereg czasowy (X t ) - ciąg zmiennych losowych indeksowany parametrem t (czas). Z reguły t N lub t Z. Dotąd rozpatrywaliśmy: (X t )- ciąg
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 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 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 szczegółowoEkonometria Wykład 6 - Kointegracja, rozkłady opóźnień. Dr Michał Gradzewicz Katedra Ekonomii I KAE
Ekonometria Wykład 6 - Kointegracja, rozkłady opóźnień Dr Michał Gradzewicz Katedra Ekonomii I KAE Plan wykładu Ekonometria wielu szeregów czasowych i analiza zależności pomiędzy nimi Przykłady ważnych
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 szczegółowo3. Analiza własności szeregu czasowego i wybór typu modelu
3. Analiza własności szeregu czasowego i wybór typu modelu 1. Metody analizy własności szeregu czasowego obserwacji 1.1. Analiza wykresu szeregu czasowego 1.2. Analiza statystyk opisowych zmiennej prognozowanej
Bardziej szczegółowoSzeregi czasowe, analiza zależności krótkoi długozasięgowych
Szeregi czasowe, analiza zależności krótkoi długozasięgowych Rafał Weron rweron@im.pwr.wroc.pl Definicje Mając dany proces {X t } autokowariancję definiujemy jako : γ(t, t ) = cov(x t, X t ) = = E[(X t
Bardziej 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 szczegółowo1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4.
1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4. Prognozowanie stóp zwrotu na podstawie modeli ARMA 5. Relacje kointegrujące
Bardziej szczegółowoparametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających,
诲 瞴瞶 瞶 ƭ0 ƭ 瞰 parametrów strukturalnych modelu Y zmienna objaśniana, = + + + + + X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających, α 0, α 1, α 2,,α k parametry strukturalne modelu, k+1 parametrów
Bardziej 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 szczegółowo4. Średnia i autoregresja zmiennej prognozowanej
4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)
Bardziej 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 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 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 szczegółowoTesty pierwiastka jednostkowego
2 listopada 2017 Proces generujący ceny Wnioski Słaba efektywność rynkowa i błądzenie przypadkowe Załóżmy, że rynek jest słabo efektywny Logarytmicznej stopy zwrotu ( p t = ln ( Pt P t 1 )) w czasie t
Bardziej szczegółowoTestowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego
Testowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego Ze względu na jakość uzyskiwanych ocen parametrów strukturalnych modelu oraz weryfikację modelu, metoda najmniejszych
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 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 szczegółowoPowtórzenie wiadomości z rachunku prawdopodobieństwa i statystyki.
Powtórzenie wiadomości z rachunku prawdopodobieństwa i statystyki. Zaj ecia 5 Natalia Nehrebeceka 04 maja, 2010 Plan zaj eć 1 Rachunek prawdopodobieństwa Wektor losowy Wartość oczekiwana Wariancja Odchylenie
Bardziej szczegółowoWNIOSKOWANIE W MODELU REGRESJI LINIOWEJ
WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ Dana jest populacja generalna, w której dwuwymiarowa cecha (zmienna losowa) (X, Y ) ma pewien dwuwymiarowy rozk lad. Miara korelacji liniowej dla zmiennych (X, Y
Bardziej szczegółowoBłędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa
Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie
Bardziej szczegółowoTestowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.
Testowanie hipotez Niech X = (X 1... X n ) będzie próbą losową na przestrzeni X zaś P = {P θ θ Θ} rodziną rozkładów prawdopodobieństwa określonych na przestrzeni próby X. Definicja 1. Hipotezą zerową Θ
Bardziej 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 szczegółowoTablica 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:...
Bardziej szczegółowoIdea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość
Idea Niech θ oznacza parametr modelu statystycznego. Dotychczasowe rozważania dotyczyły metod estymacji tego parametru. Teraz zamiast szacować nieznaną wartość parametru będziemy weryfikowali hipotezę
Bardziej szczegółowoZadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość?
Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość? Wykres stopy bezrobocia rejestrowanego w okresie 01.1998 12.2008, dane Polskie 22 20 18 16 stopa 14 12
Bardziej szczegółowoStatystyka 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
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 szczegółowoLosowe zmienne objaśniające. Rozszerzenia KMRL. Rozszerzenia KMRL
MNK z losową macierzą obserwacji Równanie modelu y = X β + ε Jeżeli X zawiera elementy losowe to należy sprawdzić czy E(b β) = E[(X X ) 1 X ε]? = E[(X X ) 1 X ]E(ε) Przypomnienie: Nieskorelowane zmienne
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 szczegółowoStosowana Analiza Regresji
prostej Stosowana Wykład I 5 Października 2011 1 / 29 prostej Przykład Dane trees - wyniki pomiarów objętości (Volume), średnicy (Girth) i wysokości (Height) pni drzew. Interesuje nas zależność (o ile
Bardziej szczegółowo5. Model sezonowości i autoregresji zmiennej prognozowanej
5. Model sezonowości i autoregresji zmiennej prognozowanej 1. Model Sezonowości kwartalnej i autoregresji zmiennej prognozowanej (rząd istotnej autokorelacji K = 1) Szacowana postać: y = c Q + ρ y, t =
Bardziej szczegółowoAnaliza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń Problem Przykłady
Analiza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń 1. Problem ozwaŝamy zjawisko (model): Y = β 1 X 1 X +...+ β k X k +Z Ηβ = w r Hipoteza alternatywna: Ηβ w r
Bardziej szczegółowoEkonometria. Zajęcia
Ekonometria Zajęcia 16.05.2018 Wstęp hipoteza itp. Model gęstości zaludnienia ( model gradientu gęstości ) zakłada, że gęstość zaludnienia zależy od odległości od okręgu centralnego: y t = Ae βx t (1)
Bardziej szczegółowoWnioskowanie statystyczne i weryfikacja hipotez statystycznych
Wnioskowanie statystyczne i weryfikacja hipotez statystycznych Wnioskowanie statystyczne Wnioskowanie statystyczne obejmuje następujące czynności: Sformułowanie hipotezy zerowej i hipotezy alternatywnej.
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 szczegółowo1.3 Własności statystyczne estymatorów MNK
1.3 Własności statystyczne estymatorów MNK 1. Estymator nazywamy estymatorem nieobciążonym, jeżeli jego wartość oczekiwana jest równa wartości szacowanego parametru. Udowodnimy, że estymator MNK wektora
Bardziej szczegółowoPrzykład 2. Stopa bezrobocia
Przykład 2 Stopa bezrobocia Stopa bezrobocia. Komentarz: model ekonometryczny stopy bezrobocia w Polsce jest modelem nieliniowym autoregresyjnym. Podobnie jak model podaŝy pieniądza zbudowany został w
Bardziej szczegółowoWspółczynnik korelacji. Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ
Współczynnik korelacji Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ Własności współczynnika korelacji 1. Współczynnik korelacji jest liczbą niemianowaną 2. ϱ 1,
Bardziej szczegółowoBrunon R. Górecki. Ekonometria. podstawy teorii i praktyki. Wydawnictwo Key Text
Brunon R. Górecki Ekonometria podstawy teorii i praktyki Wydawnictwo Key Text Darmowy fragment Darmowy fragment Darmowy fragment Wydawnictwo Key Text Recenzent prof. dr hab. Jan B. Gajda Opracowanie graficzne
Bardziej szczegółowoPlan wykładu: 1) Pojęcie stacjonarności i niestacjonarności zmiennych 2) Testowanie integracji 3) Pojęcie kointegracji metoda Engle a-grangera.
1 Plan wykładu: 1) Pojęcie stacjonarności i niestacjonarności zmiennych 2) Testowanie integracji 3) Pojęcie kointegracji metoda Engle a-grangera. Pojęcie stacjonarności i niestacjonarności zmiennych Szereg
Bardziej szczegółowoMonte Carlo, bootstrap, jacknife
Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział
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 szczegółowo... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).
Egzamin ze Statystyki Matematycznej, WNE UW, wrzesień 016, zestaw B Odpowiedzi i szkice rozwiązań 1. Zbadano koszt 7 noclegów dla 4-osobowej rodziny (kwatery) nad morzem w sezonie letnim 014 i 015. Wylosowano
Bardziej szczegółowoEkonometria. wiczenia 5 i 6 Modelowanie szeregów czasowych. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 5 i 6 Modelowanie szeregów czasowych (5-6) Ekonometria 1 / 30 Plan prezentacji 1 Regresja pozorna 2 Testowanie stopnia zintegrowania szeregu 3 Kointegracja 4 Modele dynamiczne (5-6)
Bardziej szczegółowoUwaga. Decyzje brzmią różnie! Testy parametryczne dotyczące nieznanej wartości
TESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu, z którego pochodzi próbka. Hipotezy dzielimy na parametryczne i nieparametryczne. Parametrycznymi
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 szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
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 szczegółowoLABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI
LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI WERYFIKACJA HIPOTEZ Hipoteza statystyczna jakiekolwiek przypuszczenie dotyczące populacji generalnej- jej poszczególnych
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 szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Bardziej 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 szczegółowoRozdział 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
Bardziej szczegółowoKolokwium ze statystyki matematycznej
Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę
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 szczegółowoStatystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych
Statystyka matematyczna. Wykład IV. e-mail:e.kozlovski@pollub.pl Spis treści 1 2 3 Definicja 1 Hipoteza statystyczna jest to przypuszczenie dotyczące rozkładu (wielkości parametru lub rodzaju) zmiennej
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD listopada 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 7 23 listopada 2009 Wykład 6 (16.XI.2009) zakończył się zdefiniowaniem współczynnika korelacji: E X µ x σ x Y µ y σ y = T WSPÓŁCZYNNIK KORELACJI ρ X,Y = ρ Y,X (!) WSPÓŁCZYNNIK
Bardziej szczegółowoZależność. przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna),
Zależność przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna), funkcyjna stochastyczna Korelacja brak korelacji korelacja krzywoliniowa korelacja dodatnia korelacja ujemna Szereg korelacyjny numer
Bardziej szczegółowoFinansowe szeregi czasowe
24 kwietnia 2009 Modelem szeregu czasowego jest proces stochastyczny (X t ) t Z, czyli rodzina zmiennych losowych, indeksowanych liczbami całkowitymi i zdefiniowanych na pewnej przestrzeni probabilistycznej
Bardziej szczegółowox x 1. Przedmiot identyfikacji System x (1) x (2) : x (s) a 1 a 2 : a s mierzone, a = zestaw współczynników konkretyzujacych F ()
. Przedmiot identyfikacji System () x (2) x * a z y ( s ) x y = F (x,z)=f(x,z,a ),gdziex = F () znane, a nieznane x () x (2) x (s) mierzone, a = a a 2 a s zestaw współczynników konkretyzujacych F () informacja
Bardziej szczegółowoSTATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 Zależność przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna), funkcyjna stochastyczna
Bardziej szczegółowoEKONOMETRIA. Prof. dr hab. Eugeniusz Gatnar.
EKONOMETRIA Prof. dr hab. Eugeniusz Gatnar egatnar@mail.wz.uw.edu.pl Sprawy organizacyjne Wykłady - prezentacja zagadnień dotyczących: budowy i weryfikacji modelu ekonometrycznego, doboru zmiennych, estymacji
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 szczegółowoWYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 6 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Własności Wariancji Przypomnijmy, że VarX = E(X EX) 2 = EX 2 (EX) 2. Własności
Bardziej szczegółowoMetoda największej wiarogodności
Wprowadzenie Założenia Logarytm funkcji wiarogodności Metoda Największej Wiarogodności (MNW) jest bardziej uniwersalną niż MNK metodą szacowania wartości nieznanych parametrów Wprowadzenie Założenia Logarytm
Bardziej szczegółowoZASTOSOWANIE DYNAMICZNEGO MODELU ZGODNEGO W ANALIZIE GOSPODARKI GÓRNEGO ŚLĄSKA
Uniwersytet Ekonomiczny w Katowicach ZASTOSOWANIE DYNAMICZNEGO MODELU ZGODNEGO W ANALIZIE GOSPODARKI GÓRNEGO ŚLĄSKA Wprowadzenie W opracowaniu podjęto próbę porównania jakości modelu ekonometrycznego gospodarki
Bardziej szczegółowoSIMR 2017/18, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania
SIMR 7/8, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania. Dana jest gęstość prawdopodobieństwa zmiennej losowej ciągłej X : { a( x) dla x [, ] f(x) = dla pozostałych x Znaleźć: i) Wartość parametru
Bardziej szczegółowoK wartość kapitału zaangażowanego w proces produkcji, w tys. jp.
Sprawdzian 2. Zadanie 1. Za pomocą KMNK oszacowano następującą funkcję produkcji: Gdzie: P wartość produkcji, w tys. jp (jednostek pieniężnych) K wartość kapitału zaangażowanego w proces produkcji, w tys.
Bardziej szczegółowoStatystyka 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 +
Bardziej szczegółowo