Załącznik 1. Wpływ funkcjonowania Specjalnych Stref Ekonomicznych na wyniki gospodarcze powiatów i podregionów Polski
|
|
- Iwona Stachowiak
- 6 lat temu
- Przeglądów:
Transkrypt
1 Załącznik 1. Wpływ funkcjonowania Specjalnych Stref Ekonomicznych na wyniki gospodarcze powiatów Z1.1. Kontekst analizy W rozdziale IV niniejszego raportu zostały przedstawione mechanizmy, za pomocą których SSE oddziałują na wyniki gospodarcze krajów i regionów. Przedstawione tam omówienie dostępnych wyników badań wskazuje, że SSE wywierają pozytywny wpływ na poziom zatrudnienia i inwestycji regionów i krajów, w których funkcjonują. Wnioski te stanowią podstawę do oczekiwania podobnego wpływu na wyniki gospodarcze SSE w Polsce. W celu zweryfikowania tej hipotezy w niniejszym raporcie przeprowadzono analizę ekonometryczną wpływu funkcjonowania SSE w Polsce na wyniki gospodarcze na poziomie podregionów i powiatów. Założenia metodologiczne oraz szczegółowe rezultaty analiz zostały przedstawione w niniejszym załączniku. Z1.2. Założenia metodologiczne W procesie wyboru odpowiedniej metody modelowania ekonometrycznego napotyka się na szereg ważnych obszarów decyzyjnych. Pierwszy z nich dotyczy wyboru między modelem strukturalnym a modelem zredukowanym (cząstkowym). Model strukturalny pozwala na analizę oddziaływania między wybranymi zmiennymi, która uwzględnia explicite kanały tej zależności i wkomponowuje je w opis funkcjonowania całej gospodarki. Model zredukowany pozwala natomiast na analizę danej relacji bez formułowania założeń odnośnie do mechanizmów tego oddziaływania. Przeprowadzony w rozdziale III.2 przegląd literatury empirycznej poświęconej modelowaniu wpływu funkcjonowania SSE na wyniki gospodarcze pozwala stwierdzić, że dominujące jest podejście bazujące na modelach zredukowanych, stąd też takie podejście zastosowano w niniejszej analizie. Drugi z obszarów dotyczy wyboru odpowiedniego poziomu agregacji terytorialnej, która ma być podstawą badania. Wybór ten powinien wynikać z zasięgu terytorialnego oddziaływania SSE, brak jest jednak badań pozwalających zdefiniować ten zasięg. Biorąc pod uwagę ten warunek, analizy skoncentrowano na podregionach i powiatach, zamiast województwach lub zagregowanym poziomie krajowym, gdyż taka granulacja próby badawczej pozwala na uwzględnienie w modelach zarówno jednostek terytorialnych posiadających, jak i nieposiadających SSE, a w związku z tym dokładniejsze wyizolowanie wpływu SSE na danym poziomie terytorialnym. Przykładowo w roku 2010 w 169 z 379 powiatów oraz 58 z 66 podregionów funkcjonowały SSE, zaś w tym samym roku nie było województwa, w którym nie funkcjonowałyby SSE. Trzecie zagadnienie dotyczy struktury estymowanych modeli ekonometrycznych. Wybrana do niniejszej analizy metodologia badawcza to estymacja szeregu wielowymiarowych modeli panelowych, w których wymiar przedmiotowy stanowi, odpowiednio, 379 powiatów lub 66 podregionów (i=1 379 lub i=1 66), zaś wymiar czasowy dane roczne z okresu (t=1 9), przy czym zakres wymiaru czasowego, ze względu na dostępność danych zawartych w Bazie Danych Regionalnych GUS, różnił się w zależności od uwzględnionego w danym modelu zestawu zmiennych kontrolnych. Zastosowanie modelu panelowego charakteryzuje się szeregiem przewag w stosunku do modelu przekrojowego, wśród których najistotniejsze z punktu widzenia niniejszego badania to możliwość uchwycenia dynamicznego charakteru analizowanych zależności oraz interakcji między poszczególnymi jednostkami (podregionami lub powiatami), a także możliwość estymacji większej, niż w przypadku modelu przekrojowego, liczby parametrów strukturalnych 1. Idea stosowanego podejścia polega na estymacji szeregu modeli, w których zmienną objaśnianą stanowi wybrana miara wyników gospodarczych, zaś zmienne opisujące działalność SSE są uwzględniane w zbiorze zmiennych objaśniających. Oprócz tych zmiennych w modelu uwzględnione są również zmienne kontrolne stanowiące klasyczne (tzn. szeroko stosowane w literaturze empirycznej) determinanty danej miary wyników 1 Obszerny przegląd metod modelowania z wykorzystaniem danych panelowych można znaleźć np. w pracy Wooldridge a (2002) i Baltagi (2003). 1
2 gospodarczych. Takie podejście pozwala na wyizolowanie wpływu zmiennych opisujących funkcjonowanie stref od wpływu pozostałych czynników różnicujących wyniki gospodarcze między regionami. Czwartym istotnym zagadnieniem jest więc odpowiednia definicja zmiennej objaśnianej. Ponieważ wnioski z analizy dostępnej literatury empirycznej pozwalają przypuszczać, że SSE mogą oddziaływać na różne miary wyników gospodarczych, w niniejszym badaniu poddano estymacji szereg modeli ekonometrycznych, w których zmienną objaśnianą były odpowiednio: bezrob it wysokość stopy bezrobocia rejestrowanego (wyrażona w proc.) w powiecie lub podregionie o numerze i w roku t; inw it wysokość nakładów brutto na środki trwałe przedsiębiorstw w przeliczeniu na mieszkańca (wyrażona w zł, w cenach stałych) w powiecie lub podregionie o numerze i w roku t; pkb it wysokość produktu krajowego brutto na mieszkańca (wyrażona w zł, w cenach stałych) w podregionie 2 o numerze i w roku t; Piąty obszar decyzyjny dotyczy wyboru odpowiednich zmiennych objaśniających. W tej grupie zmiennych znajdują się zarówno zmienne opisujące działalność SSE, jak i inne zmienne tzw. zmienne kontrolne. W badaniu zastosowano trzy zmienne opisujące funkcjonowanie stref w danym regionie: - liczba nowoutworzonych miejsc pracy (w jednostkach, w ujęciu narastającym) w SSE w powiecie lub podregionie i w roku t; inw_sse it - wielkość nakładów inwestycyjnych (w mln zł) poniesionych przez przedsiębiorstwa zlokalizowane w SSE w powiecie lub podregionie i w roku t; - zmienna zero-jedynkowa przyjmująca wartość 1, jeśli w w powiecie lub podregionie i w roku t funkcjonowała strefa ekonomiczna i 0 w przeciwnym przypadku. Wszystkie zmienne zostały przedstawione w ujęciu rocznym, a ich wartości uzyskano z bazy danych Ministerstwa Gospodarki nt. funkcjonowania SSE. Do zbioru zmiennych objaśniających dołączono również tzw. zmienne kontrolne, które pozwalają uwzględnić różnice w wynikach gospodarczych między regionami niewynikające z działalności stref. W tej grupie znalazły się zmienne, które stanowią potencjalne determinanty, odpowiednio, poziomu bezrobocia, inwestycji lub PKB. Wybór zmiennych był również podyktowany (ograniczoną) dostępnością danych na stosowanym poziomie zagregowania administracyjnego. Ostatecznie zbiór zmiennych kontrolnych objął: - wartość brutto środków trwałych na mieszkańca (w wyrażona w zł, w cenach stałych) w podregionie lub powiecie o numerze i w roku t; wsp_zatr it relacja osób zatrudnionych do wielkości populacji w wieku produkcyjnym w podregionie o numerze i w roku t relacja osób zatrudnionych w sektorze przemysłu do łącznego zatrudnienia (w proc.) w podregionie lub powiecie o numerze i w roku t; przeciętne miesięczne wynagrodzenia brutto w podregionie lub powiecie o numerze i w roku t w relacji do średniej krajowej (Polska=100); ludnosc_produ it odsetek ludności w wieku produkcyjnym (w proc.) w podregionie lub powiecie o numerze i w roku t; ludnosc_wies it odsetek ludności mieszkającej na wsi (w proc.) w podregionie lub powiecie o numerze i w roku t; liczba podmiotów gospodarczych sektora prywatnego w przeliczeniu na mieszkańca (w jednostkach) w podregionie lub powiecie o numerze i w roku t; gestosc it gęstość zaludnienia (w osobach na km kwadratowy) w podregionie lub powiecie o numerze i w roku t; odsetek absolwentów szkół ponadgimnazjalnych w ludności w wieku produkcyjnym (w proc.) w podregionie lub powiecie o numerze i w roku t; 2 W przypadku tej miary analizę przeprowadzono jedynie dla podregionów, gdyż w przypadku powiatów dane o poziomie PKB są niedostępne. 2
3 Z.1.3. Wyniki estymacji panelowych modeli wpływu SSE na wyniki gospodarcze regionów Bazując na metodologii przedstawionej w poprzednim podrozdziale dokonano estymacji szeregu modeli panelowych opisujących wpływ funkcjonowania SSE na różnice w kształtowaniu się wyników gospodarczych między podregionami i powiatami. Tabela podsumowuje charakterystyki tych modeli: Tabela Zestawienie analizowanych modeli Miara wyników gospodarczych bezrob it Miara funkcjonowania SSE Powiaty Podregiony Zmienne kontrolne + +,, + +,, inw_sse it + + pkb it ,, wsp_ zatr it,, ludnosc_wies it + +, ludnosc_produ it, inw it,, + + gestosc it Nazwy zmiennych w tabeli są spójne z nazwami zmiennych zaprezentowanych w poprzedniej sekcji. Każdy model, który został poddany estymacji jest oznaczony za pomocą plusa w kolumnie odpowiadającej próbie, na jakiej został oszacowany. Do każdej z trzech zmiennych objaśnianych (miar wyników gospodarczych) przyporządkowano niezależnie od wyboru miary funkcjonowania SSE, pięć zmiennych kontrolnych spośród wcześniej przedstawionej listy. Ogólne postać funkcyjna estymowanych modeli może być przedstawiona następującym równaniem: Y it = f (X it,z it ) + ε it gdzie Yit jest jedną z opisanych wcześniej miar wyników gospodarczych, Xit to jedna ze zmiennych opisujących funkcjonowanie SSE, Zit to wektor zmiennych kontrolnych stanowiący podzbiór zmiennych opisanych w poprzednim podrozdziale, f to funkcja liniowa ze względu na parametry opisująca relację między daną miarą wyników gospodarczych a zestawem zmiennych objaśniających, ε jest składnikiem losowym, a subskrypty i = (w przypadku modeli dla powiatów) lub i = 1 66 (w przypadku modeli dla podregionów) oraz t = 1,,10 identyfikują wymiar, odpowiednio, przekrojowy i czasowy danych. Do estymacji parametrów każdego modelu zastosowano trzy różne estymatory w celu zidentyfikowania wpływu różnic w zakładanej postaci funkcyjnej na otrzymane oszacowania parametrów. Pierwszy sposób polega na estymacji parametrów modelu z tzw. efektami ustalonymi (ang. fixed effects, dalej: FE), który zakłada homogeniczność parametrów stojących przy zmiennych objaśniających, lecz dopuszcza różne wartości wyrazu wolnego dla poszczególnych jednostek terytorialnych. Efekty indywidualne, czyli specyficzne dla danej jednostki cechy (np. różnic wynikających z położenia geograficznego, uwarunkowań historycznych itp.) nieujęte w modelu, lecz wpływające na zmienną objaśnianą są więc traktowane jako dodatkowe parametry podlegające estymacji, a model przyjmuje postać: Y it = α i + βx it + Z it γ + ε it gdzie α i jest wyrazem wolnym dla jednostki o indeksie i, β to parametr strukturalny definiujący zmiennej opisującej oddziaływanie SSE na wyniki gospodarcze, zaś γ to wektor parametrów strukturalnych opisujących wpływ poszczególnych zmiennych kontrolnych na miarę wyników gospodarczych. 3
4 Drugi sposób polega z kolei na estymacji parametrów modeli z tzw. efektami losowymi (ang. random effects, dalej: RE). Podobnie jak w przypadku estymatora FE zakłada się tutaj, że parametry przy zmiennych objaśniających są homogeniczne. Różnica polega jednak na odmiennym traktowaniu efektów indywidualnych: w przypadku estymatora RE traktuje się je jako wartości losowe i włącza do składnika losowego 3. Model przyjmuje więc postać: Y it =α 0 +βx it +Z it γ+v it gdzie v it = ε it + α it. W ostatnim podejściu uchylono założenie o homoskedastyczności oraz braku autokorelacji składnika losowego tzn. zależności składników losowych w czasie. Wydaje się, że szeroko stosowaną obecnie metodą estymacji w sytuacji występowania heteroskedastyczności i autokorelacji jest zaproponowany przez Becka i Katza (1995) estymator panelowy ze skorygowanymi błędami standardowymi (ang. panel corrected standard error, dalej: PCSE) bazujący na regresji Prasa-Winsteina 4. Pozwala on jednocześnie uwzględnić brak sferyczności składnika losowego wynikający z zależności jego wartości między poszczególnymi jednostkami, jak i okresami. W efekcie dokonano estymacji 36 modeli (każdy z 12 modeli przedstawionych w Tabeli został wyestymowany trzykrotnie tzn. przy pomocy każdego z opisanych wyżej estymatorów), których wyniki prezentują Tabele do Wnioski z estymacji przedstawione w głównej części raportu (por. rozdział V.2, strona 40) odnoszą się do punktowych wartości wyestymowanych parametrów strukturalnych stojących przy zmiennych opisujących funkcjonowanie SSE. Podane tam przedziały informują o, odpowiednio, najniższej i najwyższej wartości parametru w danym równaniu otrzymanej w wyniku zastosowania trzech różnych metod estymacji. Wnioski z wyestymowanych modeli wskazują na istotną rolę SSE w wyjaśnianiu zróżnicowania wyników gospodarczych między analizowanymi regionami, zarówno w obszarze rynku pracy, jak i inwestycji i PKB, chociaż ocena siły tego wpływu różni się w zależności od zastosowanej metody estymacji i zestawu tzw. zmiennych kontrolnych 5. Tabele do dotyczą analizy na poziomie powiatów, a tabele odnoszą się do próby podregionów. Wpływ funkcjonowania SSE na wyniki gospodarcze jest reprezentowany przez oszacowania parametru stojącego przy pierwszej zmiennej objaśniającej. Na przykład w tabeli dla modelu oszacowanego metodą FE, interpretacja wpływu SSE jest taka, że jeśli w danym powiecie funkcjonuje SSE, to wówczas poziom bezrobocia jest niższy o przeciętnie 2,3 punktu procentowego niż w powiatach bez SSE. W nawiasach podano standardowe błędy szacunku parametrów. Gwiazdki stojące przy oszacowaniach parametrów oznaczają poziom istotności wyestymowanych parametrów. Trzy gwiazdki oznaczają 0,01 prawdopodobieństwa, dwie gwiazdki 0,05 prawdopodobieństwa a jedna gwiazdka oznacza 0,1 prawdopodobieństwa, że dany współczynnik nie jest istotnie statystyczny. 3 Przyjęcie takiego założenia prowadzi do niesferyczności składnika losowego ze względu na jego autokorelację w ramach obserwacji dla poszczególnych regionów. W efekcie konieczne jest tu stosowanie do estymacji uogólnionej metody najmniejszych kwadratów lub metody największej wiarygodności. 4 Często stosowaną metodą jest też estymator uogólnionej metody najmniejszych kwadratów Parksa, jednak Beck i Katz (1995) przekonują, że metoda ta prowadzi do znacznego niedoszacowania standardowych błędów szacunków. Z drugiej strony Chen, Lin i Reed (2005) dowodzą, że estymator PCSE dostarcza rzeczywiście dokładniejszego w porównaniu do estymatora Parksa oszacowania błędów standardowych, lecz kosztem gorszej precyzji punktowego oszacowania parametrów strukturalnych. 5 Przedstawione tabele z wynikami estymacji poszczególnych modeli zawierają również szacunki parametrów strukturalnych stojących przy zmiennych kontrolnych. Szczegółowa interpretacja tych wyników wykracza poza cele niniejszego raportu, można jednak stwierdzić, że zarówno znaki, jak i wartości wyestymowanych parametrów są w większości przypadków zgodne z oczekiwaniami wynikającymi z teorii i z innych badań empirycznych. 4
5 Tabela Wyniki estymacji parametrów dla modelu analizującego bezrobocie na poziomie powiatów *** *** *** (0,34) (0,37) (0,28) *** *** *** *** *** -0,021 (0,04) (0,03) (0,02) 0.097** 0.144*** -0,019 (0,04) (0,03) (0,02) *** *** *** (21,65) (8,06) (4,49) 5.129*** 4.940*** 2.121*** (0,31) (0,28) (0,21) *** *** *** (4,66) (2,39) (1,66) Liczba obserwacji Tabela Wyniki estymacji parametrów dla modelu analizującego bezrobocie na poziomie powiatów *** *** *** (0,0002) (0,0002) (0,0002) *** *** *** *** *** -0,0299 (0,046) (0,0282) (0,0226) ** *** -0,0158 (0,043) (0,0285) (0,02) *** *** *** (21,7637) (8,1257) (4,6303) *** *** *** (0,3112) (0,2811) (0,2127) *** *** *** (4,7197) (2,4061) (1,6776) Liczba obserwacji
6 Tabela Wyniki estymacji parametrów dla modelu analizującego bezrobocie na poziomie powiatów inw_sse it *** *** *** *** *** *** *** *** -0,0346 (0,05) (0,03) (0,02) ** *** -0,0143 (0,04) (0,03) (0,02) *** *** *** (21,74) (8,13) (4,51) *** *** *** (0,31) (0,28) (0,21) *** *** *** (4,71) (2,41) (1,68) Liczba obserwacji Tabela Wyniki estymacji parametrów dla modelu analizującego inwestycje na poziomie powiatów *** *** *** (74,32) (62,98) (65,78) 0.092*** 0.070*** 0.063*** (0,00) (0,00) (0,01) ludnosc_produ it *** *** *** (19,76) (13,97) (12,58) ** 1, *** (7,55) (3,44) (4,05) 2296, , ** (2531,47) (851,77) (806,51) gestosc it ** *** *** (0,74) (0,06) (0,04) *** *** *** (1483,4) (893,1) (835,16) Liczba obserwacji
7 Tabela Wyniki estymacji parametrów dla modelu analizującego inwestycje na poziomie powiatów 0.254*** 0.262*** 0.248*** (0,04) (0,03) (0,06) 0.088*** 0.067*** 0.062*** (0,00) (0,00) (0,01) ludnosc_produ it *** *** *** (18,87) (13,37) (12,77) Wyn_relacja it ** 1, *** (7,56) (3,41) (4,25) 427, , ,57 (2579,83) (847,68) (819,53) gestosc it ** *** *** (0,74) (0,06) (0,05) *** *** *** (1441,38) (864,27) (856,46) Liczba obserwacji Tabela Wyniki estymacji parametrów dla modelu analizującego bezrobocie na poziomie podregionów (0,54) (0,66) (0,43) *** *** *** * ** ** (0,16) (0,08) (0,09) *** * *** (0,14) (0,07) (0,05) ** * -0, *** *** ** (0,64) (0,62) (0,47) *** *** *** (15,5) (6,08) (4,65) *** ** *** Liczba obserwacji
8 Tabela Wyniki estymacji parametrów dla modelu analizującego bezrobocie na poziomie podregionów *** *** *** * ** ** *** -0,027 0,0073 (0,16) (0,08) (0,05) *** ** -0,0139-0,13-0,07-0, *** *** *** *** *** *** (0,61) (0,61) (0,5) *** 8, *** (15,09) (6,04) (3,96) Liczba obserwacji Tabela Wyniki estymacji parametrów dla modelu analizującego bezrobocie na poziomie podregionów inw_sse it *** *** *** ** ** ** (0,15) (0,08) (0,09) *** -0, * (0,13) (0,07) (0,05) *** *** 0, *** *** *** (0,6) (0,59) (0,48) *** *** *** (14,59) (6) (4,33) *** 6, *** Liczba obserwacji
9 Tabela Wyniki estymacji parametrów dla modelu analizującego PKB na poziomie podregionów *** *** *** (335,18) (398) (310,87) 0, *** 0.056*** (0,01) (0,02) (0,02) -101, *** *** (93,49) (49,07) (34,95) wsp_zatr it *** *** *** (8134,72) (5795,7) (5338,4) *** *** *** (4,27) (2,3) (1,77) ludność_wies it ** 13, ** (377,09) (29,21) (21,39) *** *** *** (14235,53) (4077,82) (3630,44) Liczba obserwacji Tabela Wyniki estymacji parametrów dla modelu analizującego PKB na poziomie podregionów 0, *** 0.310*** (0,11) (0,1) (0,09) 0, *** 0.052*** (0,01) (0,02) (0,02) -70, *** *** (99,61) (52,72) (41,39) wsp_zatr it *** *** *** (9006,11) (6028,55) (5915,02) *** *** *** (4,3) (2,28) (2,17) ludność_wies it ** 34,146-27,948 (391,36) (28,48) (22,78) *** *** *** (15077,1) (4149,81) (4078,83) Liczba obserwacji
10 Tabela Wyniki estymacji parametrów dla modelu analizującego inwestycje na poziomie podregionów (141,88) (113,41) (104,14) * *** *** (0,01) (0,01) (0,01) ** *** *** ludnosc_produ it (56,97) (38,42) (44,11) *** ** *** (24,76) (8,83) (8,94) 31, ** *** (1) (0,33) (0,33) *** *** 0,1611 gestosc it (5,74) (0,16) (0,2) * 0,1003 0,2054 (5536,63) (2293,32) (2354,23) *** *** *** Liczba obserwacji Tabela Wyniki estymacji parametrów dla modelu analizującego inwestycje na poziomie podregionów *** *** *** (0,03) (0,02) (0,03) ** *** *** (0,01) (0,01) (0,01) *** *** ** ludnosc_produ it (50,31) (37,74) (47,44) 30, , ** Wyn_relacja it (24,4) (8,89) (10,7) *** *** *** (0,96) (0,34) (0,46) -8,4765 0,1093 0,1807 gestosc it (5,71) (0,17) (0,21) *** *** *** (5251,61) (2301,91) (2520,83) Liczba obserwacji
11 Bibliografia Baltagi B. (2003) Testing panel data regression models with spatial error correlation, Journal of Econometrics, Vol Beck N., Katz J. (1995) What to do (and not to do) with time-series cross-section data, American Political Science Review, vol. 89(3). Chen X., Lin S., Reed W. R. (2005) Another Look At What To Do With Time-Series Cross-Section Data, Working Papers in Economics, Wooldridge J. (2002) Econometric Analysis of Cross Section and Panel Data, MIT Press. 11
Ekonometria. 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
Stanisław 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
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.
Mieczysław Kowerski. Program Polska-Białoruś-Ukraina narzędziem konwergencji gospodarczej województwa lubelskiego
Mieczysław Kowerski Wyższa Szkoła Zarządzania i Administracji w Zamościu Program Polska-Białoruś-Ukraina narzędziem konwergencji gospodarczej województwa lubelskiego The Cross-border Cooperation Programme
Etapy modelowania ekonometrycznego
Etapy modelowania ekonometrycznego jest podstawowym narzędziem badawczym, jakim posługuje się ekonometria. Stanowi on matematyczno-statystyczną formę zapisu prawidłowości statystycznej w zakresie rozkładu,
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
Stanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada
Stanisław Cichocki Natalia Nehrebecka Katarzyna Rosiak-Lada 1. Sprawy organizacyjne Zasady zaliczenia 2. Czym zajmuje się ekonometria? 3. Formy danych statystycznych 4. Model ekonometryczny 2 1. Sprawy
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 +
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
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
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)
Mikroekonometria 12. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 12 Mikołaj Czajkowski Wiktor Budziński Dane panelowe Co jeśli mamy do dyspozycji dane panelowe? Kilka obserwacji od tych samych respondentów, w różnych punktach czasu (np. ankieta realizowana
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
Wiadomości ogólne o ekonometrii
Wiadomości ogólne o ekonometrii Materiały zostały przygotowane w oparciu o podręcznik Ekonometria Wybrane Zagadnienia, którego autorami są: Bolesław Borkowski, Hanna Dudek oraz Wiesław Szczęsny. Ekonometria
Rozdział 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,
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.
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
Mikroekonometria 14. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 14 Mikołaj Czajkowski Wiktor Budziński Symulacje Analogicznie jak w przypadku ciągłej zmiennej zależnej można wykorzystać metody Monte Carlo do analizy różnego rodzaju problemów w modelach
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,
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
Ćwiczenia IV
Ćwiczenia IV - 17.10.2007 1. Spośród podanych macierzy X wskaż te, których nie można wykorzystać do estymacji MNK parametrów modelu ekonometrycznego postaci y = β 0 + β 1 x 1 + β 2 x 2 + ε 2. Na podstawie
Metoda najmniejszych kwadratów
Model ekonometryczny Wykształcenie a zarobki Hipoteza badawcza: Istnieje zależność między poziomem wykształcenia a wysokością zarobków Wykształcenie a zarobki Hipoteza badawcza: Istnieje zależność między
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
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
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
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
Metody 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
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
Mikroekonometria 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
1.1 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
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
Wielowymiarowa analiza regresji. Regresja wieloraka, wielokrotna
Wielowymiarowa analiza regresji. Regresja wieloraka, wielokrotna Badanie współzależności zmiennych Uwzględniając ilość zmiennych otrzymamy 4 odmiany zależności: Zmienna zależna jednowymiarowa oraz jedna
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 -
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
Analiza zdarzeń Event studies
Analiza zdarzeń Event studies Dobromił Serwa akson.sgh.waw.pl/~dserwa/ef.htm Leratura Campbell J., Lo A., MacKinlay A.C.(997) he Econometrics of Financial Markets. Princeton Universy Press, Rozdział 4.
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
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
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
EKONOMETRIA PRZESTRZENNA
EKONOMETRIA PRZESTRZENNA Wstęp podstawy ekonometrii Uniwersytet Ekonomiczny w Krakowie, 2012 1 EKONOMETRIA wybrane definicje (Osińska) Ekonometria dziedzina ekonomii wykorzystująca modele i sposoby wnioskowania
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
MAZOWIECKI RYNEK PRACY I KWARTAŁ 2015 I KWARTAŁ 2015 NAJWAŻNIEJSZE INFORMACJE
MAZOWIECKI RYNEK PRACY I KWARTAŁ 2015 I KWARTAŁ 2015 NAJWAŻNIEJSZE INFORMACJE Na Mazowszu nie pracowało 43,2% ludności w wieku 15 lat i więcej co oznacza poprawę sytuacji w ujęciu rocznym. W województwie
Załóżmy, że obserwujemy nie jedną lecz dwie cechy, które oznaczymy symbolami X i Y. Wyniki obserwacji obu cech w i-tym obiekcie oznaczymy parą liczb
Współzależność Załóżmy, że obserwujemy nie jedną lecz dwie cechy, które oznaczymy symbolami X i Y. Wyniki obserwacji obu cech w i-tym obiekcie oznaczymy parą liczb (x i, y i ). Geometrycznie taką parę
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
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
MAZOWIECKI RYNEK PRACY II KWARTAŁ 2015 II KWARTAŁ 2015 NAJWAŻNIEJSZE INFORMACJE
MAZOWIECKI RYNEK PRACY II KWARTAŁ 2015 II KWARTAŁ 2015 NAJWAŻNIEJSZE INFORMACJE Na Mazowszu nie pracowało 43,4% ludności w wieku 15 lat i więcej, co oznacza pogorszenie sytuacji w ujęciu rocznym o 0,5
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
MAZOWIECKI RYNEK PRACY IV KWARTAŁ 2015 IV KWARTAŁ 2015 NAJWAŻNIEJSZE INFORMACJE
MAZOWIECKI RYNEK PRACY IV KWARTAŁ 2015 IV KWARTAŁ 2015 NAJWAŻNIEJSZE INFORMACJE Na Mazowszu nie pracowało 41,9% ludności w wieku 15 lat i więcej, co oznacza poprawę sytuacji w ujęciu rocznym o 0,5 p. proc.
7.4 Automatyczne stawianie prognoz
szeregów czasowych za pomocą pakietu SPSS Następnie korzystamy z menu DANE WYBIERZ OBSERWACJE i wybieramy opcję WSZYSTKIE OBSERWACJE (wówczas wszystkie obserwacje są aktywne). Wreszcie wybieramy z menu
Statystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria Wykład 9 Anna Skowrońska-Szmer lato 2016/2017 Ekonometria (Gładysz B., Mercik J., Modelowanie ekonometryczne. Studium przypadku, Wydawnictwo PWr., Wrocław 2004.) 2
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 =
EKONOMETRIA. 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
ANALIZA DYNAMIKI DOCHODU KRAJOWEGO BRUTTO
ANALIZA DYNAMIKI DOCHODU KRAJOWEGO BRUTTO Wprowadzenie Zmienność koniunktury gospodarczej jest kształtowana przez wiele różnych czynników ekonomicznych i pozaekonomicznych. Znajomość zmienności poszczególnych
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
Ekonometria. 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
Przykład 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
Mikroekonometria 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
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:
Spis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
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:
166 Wstęp do statystyki matematycznej
166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej
KARTA PRZEDMIOTU. 12. PRZEDMIOTOWE EFEKTY KSZTAŁCENIA Odniesienie do kierunkowych efektów kształcenia (symbol)
KARTA PRZEDMIOTU 1. NAZWA PRZEDMIOTU: Ekonometria 2. KIERUNEK: MATEMATYKA 3. POZIOM STUDIÓW: I stopnia 4. ROK/ SEMESTR STUDIÓW: III/6 5. LICZBA PUNKTÓW ECTS: 5 6. LICZBA GODZIN: 30 / 30 7. TYP PRZEDMIOTU
MAZOWIECKI RYNEK PRACY I KWARTAŁ 2017 I KWARTAŁ 2017 NAJWAŻNIEJSZE INFORMACJE
MAZOWIECKI RYNEK PRACY I KWARTAŁ 2017 I KWARTAŁ 2017 NAJWAŻNIEJSZE INFORMACJE Na Mazowszu nie pracowało 43,3% ludności w wieku 15 lat i więcej. W województwie mazowieckim populacja pracujących wyniosła
Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Analiza współzależności zjawisk
Analiza współzależności zjawisk Informacje ogólne Jednostki tworzące zbiorowość statystyczną charakteryzowane są zazwyczaj za pomocą wielu cech zmiennych, które nierzadko pozostają ze sobą w pewnym związku.
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
Weryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
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
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
Zawansowane modele wyborów dyskretnych
Zawansowane modele wyborów dyskretnych Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Zawansowane modele wyborów dyskretnych grudzien 2013 1 / 16 Model efektów
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.
Szacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE. Joanna Sawicka
Szacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE Joanna Sawicka Plan prezentacji Model Poissona-Gamma ze składnikiem regresyjnym Konstrukcja optymalnego systemu Bonus- Malus Estymacja
MAZOWIECKI RYNEK PRACY II KWARTAŁ 2016 II KWARTAŁ 2016 NAJWAŻNIEJSZE INFORMACJE
MAZOWIECKI RYNEK PRACY II KWARTAŁ 2016 II KWARTAŁ 2016 NAJWAŻNIEJSZE INFORMACJE Na Mazowszu nie pracowało 43,4% ludności w wieku 15 lat i więcej. W województwie mazowieckim populacja pracujących wyniosła
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
czerwiec 2013 Uwaga: Przy rozwiązywaniu zadań, jeśli to konieczne, należy przyjąć poziom istotności 0,1 i współczynnik ufności 0,90
Uwaga: Przy rozwiązywaniu zadań, jeśli to konieczne, należy przyjąć poziom istotności 0,1 i współczynnik ufności 0,90 czerwiec 2013 Zadanie 1 Poniższe tabele przestawiają dane dotyczące umieralności dzieci
Ekonometria. Model nieliniowe i funkcja produkcji. Jakub Mućk. Katedra Ekonomii Ilościowej. Modele nieliniowe Funkcja produkcji
Ekonometria Model nieliniowe i funkcja produkcji Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 7 Modele nieliniowe i funkcja produkcji 1 / 19 Agenda Modele nieliniowe 1 Modele
Adaptacyjność gospodarki polskiej do szoków makroekonomicznych panelowa analiza SVECM
Adaptacyjność gospodarki polskiej do szoków makroekonomicznych panelowa analiza SVECM Piotr Lewandowski Instytut Badań Strukturalnych VII 2008 Wyzwania badawcze Gospodarki krajów naszego regionu od drugiej
MAZOWIECKI RYNEK PRACY IV KWARTAŁ 2014 IV KWARTAŁ 2014 NAJWAŻNIEJSZE INFORMACJE
MAZOWIECKI RYNEK PRACY IV KWARTAŁ 2014 IV KWARTAŁ 2014 NAJWAŻNIEJSZE INFORMACJE Na Mazowszu nie pracowało 42,4% ludności w wieku 15 lat i więcej co oznacza poprawę sytuacji w ujęciu rocznym. W województwie
MAZOWIECKI RYNEK PRACY I KWARTAŁ 2016 I KWARTAŁ 2016 NAJWAŻNIEJSZE INFORMACJE
MAZOWIECKI RYNEK PRACY I KWARTAŁ 2016 I KWARTAŁ 2016 NAJWAŻNIEJSZE INFORMACJE Na Mazowszu nie pracowało 44,3% ludności w wieku 15 lat i więcej, co oznacza pogorszenie sytuacji w ujęciu rocznym o 1,1 p.
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 5
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 5 Analiza korelacji - współczynnik korelacji Pearsona Cel: ocena współzależności między dwiema zmiennymi ilościowymi Ocenia jedynie zależność liniową. r = cov(x,y
METODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Weryfikacja 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
Czasowy 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
/2019 WORKING PAPER. System prognoz krótkoterminowych (wersja pilotażowa)
1 /2019 WORKING PAPER System prognoz krótkoterminowych (wersja pilotażowa) Warszawa, lipiec 2019 r. Autorzy: Michał Gniazdowski, Marek Lachowicz, Krzysztof Marczewski Redakcja: Małgorzata Wieteska Projekt
Mikroekonometria 9. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 9 Mikołaj Czajkowski Wiktor Budziński Wielomianowy model logitowy Uogólnienie modelu binarnego Wybór pomiędzy 2 lub większą liczbą alternatyw Np. wybór środka transportu, głos w wyborach,
Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
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.)
Ekonometria. Weryfikacja liniowego modelu jednorównaniowego. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Weryfikacja liniowego modelu jednorównaniowego Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 2 Weryfikacja liniowego modelu jednorównaniowego 1 / 28 Agenda 1 Estymator
STRESZCZENIE. rozprawy doktorskiej pt. Zmienne jakościowe w procesie wyceny wartości rynkowej nieruchomości. Ujęcie statystyczne.
STRESZCZENIE rozprawy doktorskiej pt. Zmienne jakościowe w procesie wyceny wartości rynkowej nieruchomości. Ujęcie statystyczne. Zasadniczym czynnikiem stanowiącym motywację dla podjętych w pracy rozważań
A C T A U N I V E R S I T A T I S L O D Z I E N S I S FOLIA OECONOMICA 6 (308), 2014
A C T A U N I V E R S I T A T I S L O D Z I E N S I S FOLIA OECONOMICA 6 (308), 2014 Piotr Ciżkowicz Andrzej Rzońca Magda Ciżkowicz-Pękała Piotr Pękała EFEKTYWNOŚĆ SPECJALNYCH STREF EKONOMICZNYCH W POLSCE
Testowanie 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
Spis treści Wstęp Estymacja Testowanie. Efekty losowe. Bogumiła Koprowska, Elżbieta Kukla
Bogumiła Koprowska Elżbieta Kukla 1 Wstęp Czym są efekty losowe? Przykłady Model mieszany 2 Estymacja Jednokierunkowa klasyfikacja (ANOVA) Metoda największej wiarogodności (ML) Metoda największej wiarogodności
Luka płacowa, czyli co zrobić żeby kobiety nie zarabiały mniej?
Luka płacowa, czyli co zrobić żeby kobiety nie zarabiały mniej? Jak mierzyć lukę płacową? Warszawa, 26 marca 2014 r. Obowiązujące prawo - Konstytucja Artykuł 33 Konstytucji Rzeczypospolitej Polskiej gwarantuje
Joanna Muszyńska, Ewa Zdunek Uniwersytet Mikołaja Kopernika w Toruniu. Ekonometryczna analiza upadłości przedsiębiorstw w Polsce w latach 1990-2005
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Uniwersytet Mikołaja Kopernika
Metody Ilościowe w Socjologii
Metody Ilościowe w Socjologii wykład 2 i 3 EKONOMETRIA dr inż. Maciej Wolny AGENDA I. Ekonometria podstawowe definicje II. Etapy budowy modelu ekonometrycznego III. Wybrane metody doboru zmiennych do modelu
Stanisław 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
STATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
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,
Weryfikacja 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
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