Rozdziaª 5. Modele wektorowej autoregresji

Wielkość: px
Rozpocząć pokaz od strony:

Download "Rozdziaª 5. Modele wektorowej autoregresji"

Transkrypt

1 Rozdziaª 5. Modele wektorowej autoregresji MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 5) Modele VAR 1 / 32

2 Wielowymiarowe modele szeregów czasowych Modele VAR uwzgl dniaj wzajemne powi zania mi dzy zmiennymi ekonomicznymi narz dzie statystyczne pomocne w opisie dynamicznych wªa±ciwo±ci wielowymiarowej zmiennej VAR jako model ekonomiczny (SVAR) MPGzR (rozdz. 5) Modele VAR 2 / 32

3 Specykacja modelu VAR Model VAR jest postaci dla wektora y t = [y 1t, y 2t,..., y nt ] : lub szybciej: y t = A 0 + A 1 y t 1 + A 2 y t A p y t p + ϵ t, ϵ t N(0, Σ) Liczba parametrów wynosi: A 0 : N 1 A p : Σ: (I A 1 L... A P L P )y t = A(L)y t = A 0 + ϵ t N N N(N+1) 2 MPGzR (rozdz. 5) Modele VAR 3 / 32

4 Stacjonarno± modelu VAR Wa»n cech modelu VAR jest stacjonarno±, któr mo»na zdeniowa w kategoriach wygasania wpªywu szoku ϵ t na warto± wektora y t : y t+k lim = 0. k ϵ t W takim przypadku istnieje dªugookresowa warto± µ do której powraca proces y t : µ = A(1) 1 A 0, Tempo powrotu do równowagi jest dane przez pierwiastki równania: A(z) = 0, Dla stacjonarnego modelu VAR pierwiastki (których liczba wynosi P N) znajduj si poza koªem jednostkowym, tj.: { z i > 1 : i = 1, 2,..., PN} MPGzR (rozdz. 5) Modele VAR 4 / 32

5 Stacjonarno± modelu VAR Stacjonarny model VAR ma reprezentacj niesko«czonej wektorowej ±redniej ruchomej (vector moving vaerage, VMA): gdzie: y t = A(L) 1 (A 0 + ϵ t ) = µ + Θ i ϵ t i, i=0 Θ i = y t+i ϵ t. MPGzR (rozdz. 5) Modele VAR 5 / 32

6 Stacjonarno± modelu VAR - przykªad VAR(1) Dla modelu VAR(1) postaci y t = A 0 + Ay t + ϵ t : Θ k = y t+k ϵ t = A k. Czyli model VAR(1) jest stacjonarny je»eli: lim k Ak = 0. Posta niesko«czonej ±redniej ruchomej jest nast puj ca: y t = (I A) 1 A 0 + (A) i ϵ t i. i=0 MPGzR (rozdz. 5) Modele VAR 6 / 32

7 Stacjonarno± modelu VAR - przykªad VAR(1) cd Przy liczeniu granicy ci gu A k przydatna jest dekompozycja Jordanowska: A = V ΛV 1, gdzie Λ i V s macierzami zawieraj cymi warto±ci wªasne oraz odpowiadaj ce im wektory wªasne macierzy A: Λ = diag(λ 1, λ 2,..., λ n ) V = [v1, v2,..., v3], Zdeniujmy ỹ t = V 1 y t, Ã0 = V 1 A0 oraz ϵ t = V 1 ϵ t i zapiszmy model VAR(1) jako: ỹ t = Ã0 + Λỹ t 1 + ϵ t, Macierz Λ jest diagonalna o elementach na przek tnej {λ n : n = 1, 2,..., N}, za± równanie dla n-tej skªadowej wektora ỹ t jest nast puj ce: ỹ nt = α 0n + λ n ỹ n,t 1 + ϵ nt. Zmienna ỹ nt jest stacjonarna, je»eli λ n < 1. Model VAR(1) jest stacjonarny je»eli λ n < 1 dla n = 1, 2,..., N. MPGzR (rozdz. 5) Modele VAR 7 / 32

8 Stacjonarno± modelu VAR - przykªad VAR(1) cd Zauwa»my,»e: A k = V Λ k V 1, a zatem lim k Λ k = 0 implikuje,»e lim k A k = 0. Dla modelu VAR(1) warto±ci wªasne λ n macierzy A s odwrotno±ci pierwiastków równania A(z) = 0,tj. z n = 1 λ n Warto±ci wªasne: A λi = 0 Pierwiastki równania: I Az = 0 MPGzR (rozdz. 5) Modele VAR 8 / 32

9 Stacjonarno± modelu VAR(P) Stacjonarno± modelu VAR(P) mo»na ustali poprzez zapisanie go w postaci kanonicznej (tj. modelu VAR(1)): y t y t 1 y t 2... y t P+1 = A A 1 A 2 A 3... A P I I y t 1 y t 2 y t 3... y P + ϵ t oraz obliczenie N P warto±ci wªasnych dla macierzy kanonicznej. MPGzR (rozdz. 5) Modele VAR 9 / 32

10 Estymacja modelu VAR Najcz ±ciej stosowana metoda: MNK oddzielnie dla wszystkich równa«stosowanie MNK jest uzasadnione bo zmienne obja±niaj ce s z góry ustalone i tym samym niezale»ne wzgl dem skªadnika losowego ϵ t (brak problemu endogeniczno±ci zmiennych obja±niaj cych) MPGzR (rozdz. 5) Modele VAR 10 / 32

11 Estymacja modelu VAR Niech x t = [1 y t 1... y t P ] oraz A = [A 0 A 1... A P ], za± model VAR b dzie postaci: y t = Ax t + ϵ t, Estymator MNK dla parametrów n-tego równania modelu VAR: y nt = a n x t + ϵ nt, gdzie a n jest n-tym wierszem macierzy A, wynosi: ( T ) ( 1 T â n = y nt x t x t x t). t=1 t=1 Estymator MNK dla caªej macierzy parametrów: ( T ) ( 1 T Â = y t x t x t x t). t=1 t=1 MPGzR (rozdz. 5) Modele VAR 11 / 32

12 Estymacja modelu VAR Dla ϵ t N(0, Σ), tj. y t N(Ax t, Σ), warto± funkcji wiarygodno±ci wynosi: T L(A, Σ) = (2π) TN/2 T /2 Σ exp t=1 { 1 } 2 (y t Ax t ) Σ 1 (y t Ax t ). Estymator MNW macierzy A pokrywa si z estymatorem MNK, za± estymator macierzy kowariancji skªadnika losowego wynosi: ˆΣ = 1 T T e 2 t, t=1 gdzie e t = y t Âx t. Warto± funkcji wiarygodno±ci w maksimum jest proporcjonalna do ˆΣ : { L(Â, ˆΣ) = (2π) TN/2 ˆΣ T /2 exp TN }. 2 MPGzR (rozdz. 5) Modele VAR 12 / 32

13 Estymacja modelu VAR - Przykªad Model VAR(2) dla tempa wzrostu PKB oraz stopy bezrobocia w Polsce Dynamika PKB: dy Stopa bezrobocia: U MPGzR (rozdz. 5) Modele VAR 13 / 32

14 Estymacja modelu VAR - Przykªad Odwrotnosc modulu pierwiastków rownania charakterystycznego: Oszacowania równania tempa wzrostu PKB (dy): dy = dy.l1 + U.l1 + dy.l2 + U.l2 + const Estimate Std. Error t value Pr(> t ) dy.l U.l dy.l U.l const MPGzR (rozdz. 5) Modele VAR 14 / 32

15 Estymacja modelu VAR - Przykªad Oszacowania równania bezrobocia (U): U = dy.l1 + U.l1 + dy.l2 + U.l2 + const Estimate Std. Error t value Pr(> t ) dy.l U.l < 2e-16 *** dy.l U.l e-13 *** const * Macierz korelacji dla reszt dy U dy U MPGzR (rozdz. 5) Modele VAR 15 / 32

16 Estymacja modelu VAR - Przykªad Posta VMA( ) Theta0 Theta1 Theta2 dy U Theta3 Theta4 Theta100 dy U MPGzR (rozdz. 5) Modele VAR 16 / 32

17 Dobór opó¹nienia modelu VAR 1. Kryteria informacyjne: AIC = ln( ˆΣ ) + 2 K T BIC = ln( ˆΣ ) + K T ln T HQIC = ln( ˆΣ ) + 2 K T ln(ln T ) gdzie K = N(1 + NP) okre±la liczb parametrów. 2. Testy na autokorelacje oraz istotno± opó¹nie«mpgzr (rozdz. 5) Modele VAR 17 / 32

18 Dobór opó¹nienia modelu VAR Wartosci kryteriow informacyjnych P = 1 P = 2 P = 3 P = 4 Wybor AIC(n) P = 3 HQ(n) P = 2 SC(n) P = 2 MPGzR (rozdz. 5) Modele VAR 18 / 32

19 Test ilorazu wiarygodno±ci na istotno± opó¹nie«zespóª hipotez: H 0 :A P = 0 H 1 :A P 0. Statystyka testu ilorazu funkcji wiarygodno±ci: LR = T (ln ˆΣ r ln ˆΣ u ), ma asymptotyczny rozkªad χ 2 (m), gdzie m = N 2 jest równe liczbie restrykcji zerowych. MPGzR (rozdz. 5) Modele VAR 19 / 32

20 Testy na autokorelacj reszt 1. Autokorelacja: estymator MNK jest obci»ony oznaka zªej specykacji modelu VAR (zbyt niskie opó¹nienie) 2. Podstawowe testy Ljung-Box Breusch-Godfrey MPGzR (rozdz. 5) Modele VAR 20 / 32

21 Test Ljunga-Boxa Zespóª hipotez: H 0 : 1 j J Γ j = 0 H 1 : 1 j J Γ j 0, gdzie Γ j = Cov(ϵ t, ϵ t j ) jest macierz autokowariancji rz du j dla skªadnika losowego modelu VAR. Statystyka: LB = T 2 J j=1 1 T j tr(ˆγ j ˆΓ 1 0 ˆΓ i ˆΓ 1 0 ) (1) gdzie ˆΓ s = 1 T T t=s+1 y ty t s przy prawdziwo±ci H 0 ma rozkªad χ 2 o N 2 (J P) stopniach swobody. MPGzR (rozdz. 5) Modele VAR 21 / 32

22 Test Ljunga-Boxa - Przykªad Dla modelu VAR(2) Wyniki testu Ljunga-Boxa J stat. df prawd MPGzR (rozdz. 5) Modele VAR 22 / 32

23 Test Breuscha-Godfrey Test Breuscha-Godfrey'a = wielowymiarowy test mno»ników Lagrange'a. Dla regresji postaci: e t = F 0 + F 1 y t F P y t p + G 1 e t G J e t J + ν t, werykowany jest zespóª hipotez: Statystyka testu: H 0 : 1 j J G j = 0 H 1 : 1 j J G j 0. BG = T (N tr(ˆω 1 r ˆΩ u )), gdzie ˆΩ r i ˆΩ u oznaczaj oszacowanie macierzy kowariancji skªadnika losowego dla modelu z restykacjami oraz bez restrykcji, przy prawdziwo±ci hipotezy zerowej ma rozkªad χ 2 o JN 2 stopniach swobody. MPGzR (rozdz. 5) Modele VAR 23 / 32

24 Test Breusch-Godfrey'a - Przykªad Dla modelu VAR(2) Breusch-Godfrey'a J stat. df1 prawd MPGzR (rozdz. 5) Modele VAR 24 / 32

25 Normalno± rozkªadu skªadnika losowego Zespóª hipotez testu Dornika-Hansena (wielowymiarowe uogólnienie testu Jarque-Bera): H 0 : ϵ t N(0, Σ) H 1 : ϵ t N(0, Σ) Dla standaryzowanych reszty modelu VAR: u t = ˆΣ 1/2 e t, liczone s sko±no± s n i kurtoza k n dla n = 1, 2,..., N. Statystka testu: DH = T 6 N s 2 n + T 24 n=1 N (k n 3) 2 n=1 przy prawdziwo±ci H 0 ma rozkªad χ 2 o 2N stopniach swobody. MPGzR (rozdz. 5) Modele VAR 25 / 32

26 Stabilno± modelu VAR Metody testowania stabilno±ci modelu VAR: 1. rekursywna estymacja parametrów 2. formalne testy na zmian postaci strukturalnej, np. wielowymiarowe testy Chowa 3. analizie bª dów prognozy ex-post o horyzoncie jednego okresu MPGzR (rozdz. 5) Modele VAR 26 / 32

27 Stabilno± modelu VAR Etapy testu Chowa (typu break-point): 1. ustal obserwacj T 1 zmiany strukturalnej modelu 2. oszacuj model VAR na podstawie dwóch podprób oraz peªnej próby: model 1: t {1, 2,..., T1}, reszty e t(1), macierz ˆΣ (1) = T 1 T1 1 t=1 e (1) e (1)t model 2: model 3: 3. oblicz statystyk : t {T1 + 1,..., T }, reszty e t(2), macierz ˆΣ (2) = T 1 T2 2 t=1 e (2)t e (2) t {1, 2,..., T }, reszty e t, macierz ˆΣ = T 1 T t=1 et e t LR BP = T ln ˆΣ (T 1 ln ˆΣ (1) + T 2 ln ˆΣ (2) ) która przy prawdziwo±ci H 0 o stabilno±ci modelu ma rozkªad χ 2 o N(PN + 1) + (N+1)N 2 stopniach swobody (caªkowita liczba parametrów modelu VAR, wliczaj c parametry macierzy Σ). MPGzR (rozdz. 5) Modele VAR 27 / 32

28 Stabilno± modelu VAR Procedura dla testowania stabilno±ci na podstawie rekursywnych bª dów prognozy o horyzoncie jednego okresu: 1. Ustali moment pocz tkowy liczenia rekursywanych reszt: T 1 2. Oszacowa parametry T T 1 modeli VAR na podstawie obserwacji t = 1, 2,..., T, gdzie T = T 1, T 1 + 1,..., T 1 3. Obliczy prognoz punktow na okres T Obliczy bª d prognozy na jeden okres do przodu oraz oraz ±redni bª d prognozy ex-ante (eiτ P oraz S nτ P ) 5. Skonstruowa szereg oraz jego przedziaª ufno±ci: T enτ P CUMSUM nt = S P τ=t1+1 nτ 6. Je»eli szereg znajduje sie w przedziale ufno±ci: brak podstaw do odrzucenia hipotezy o stabilno±ci modelu. MPGzR (rozdz. 5) Modele VAR 28 / 32

29 Stabilno± modelu VAR równanie dla dy równanie dla U MPGzR (rozdz. 5) Modele VAR 29 / 32

30 Prognozowanie z modelem VAR Dla modelu VAR(P): Prognoza punktowa: y t = A 0 + A 1 y t A P y t P + ϵ t. y f T +1 =E(y T +1 ) = A 0 + A 1 y T A P y T +1 P y f T +2 =A 0 + A 1 y f T A P y T +2 P y f T +3 =A 0 + A 1 y f T A P y T +3 P... y f T +k =A 0 + A 1 y f T +k A P y f T +k P dla k > P MPGzR (rozdz. 5) Modele VAR 30 / 32

31 Prognozowanie z modelem VAR Posta niesko«czonej ±redniej ruchomej: y t = µ + Θ i ϵ t i Bª d prognozy wynikaj cy z wyst powania skªadnika losowego wynosi: i=0 Wariancja prognozy na k okresów: Prognoza przedziaªowa dla n-tej zmiennej: y T +1 y f T +1 =ϵ T +1 y T +2 y f T +2 =ϵ T +2 + Θ 1 ϵ T +1. k 1 y T +k y f = Θ T +k i ϵ T +k i i=0 k 1 Σ k = Var(y T +k y f ) = Θ T +k i ΣΘ i P(y n,t +k [y f n,t +k cα σk(nn) ; y f T +k + cα Σ k(nn) ]) = 1 α, gdzie cα jest warto±ci krytyczn rozkªadu normalnego dla poziomu istotno±ci 5%. i=0 MPGzR (rozdz. 5) Modele VAR 31 / 32

32 Prognozowanie z modelem VAR prognoza dla dy prognoza dla U MPGzR (rozdz. 5) Modele VAR 32 / 32

Rozdziaª 4. Jednowymiarowe modele szeregów czasowych

Rozdziaª 4. Jednowymiarowe modele szeregów czasowych Rozdziaª 4. Jednowymiarowe modele szeregów czasowych MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 4) Modele ARMA 1 / 24 Jednowymiarowe modele szeregów czasowych Jednowymiarowe modele szeregów czasowych:

Bardziej szczegółowo

Ekonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej Ekonometria wiczenia 4 Prognozowanie (4) Ekonometria 1 / 18 Plan wicze«1 Prognoza punktowa i przedziaªowa 2 Ocena prognozy ex post 3 Stabilno± i sezonowo± Sezonowo± zadanie (4) Ekonometria 2 / 18 Plan

Bardziej szczegółowo

Ekonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej Ekonometria wiczenia 2 Werykacja modelu liniowego (2) Ekonometria 1 / 33 Plan wicze«1 Wprowadzenie 2 Ocena dopasowania R-kwadrat Skorygowany R-kwadrat i kryteria informacyjne 3 Ocena istotno±ci zmiennych

Bardziej szczegółowo

Modele wielorównaniowe. Estymacja parametrów

Modele wielorównaniowe. Estymacja parametrów Modele wielorównaniowe. Estymacja parametrów Ekonometria Szeregów Czasowych SGH Estymacja 1 / 47 Plan wykªadu 1 Po±rednia MNK 2 Metoda zmiennych instrumentalnych 3 Podwójna MNK 4 Estymatory klasy k 5 MNW

Bardziej szczegółowo

Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13

Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13 Elementarna statystyka Wnioskowanie o regresji (Inference for regression) Alexander Bendikov Uniwersytet Wrocªawski 2 czerwca 2016 Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for

Bardziej szczegółowo

Ekonometria. wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej Ekonometria wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± (3) Ekonometria 1 / 29 Plan wicze«1 Wprowadzenie 2 Normalny rozkªad 3 Autokorelacja 4 Heteroskedastyczno± Test White'a Odporne bª

Bardziej szczegółowo

In»ynierskie zastosowania statystyki wiczenia

In»ynierskie zastosowania statystyki wiczenia Uwagi: 27012014 poprawiono kilka literówek, zwi zanych z przedziaªami ufno±ci dla wariancji i odchylenia standardowego In»ynierskie zastosowania statystyki wiczenia Przedziaªy wiarygodno±ci, testowanie

Bardziej szczegółowo

Rozdziaª 7. Modele klasy ARCH

Rozdziaª 7. Modele klasy ARCH Rozdziaª 7. Modele klasy ARCH MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 7) Modele ARCH 1 / 24 Modele klasy ARCH Charakterystyki wi kszo±ci szeregów nansowych: Grupowanie wariancji (volatility clustering):

Bardziej szczegółowo

Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6

Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Model mieszany

Bardziej szczegółowo

Ekonometria. wiczenia 5 i 6 Modelowanie szeregów czasowych. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. 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 szczegółowo

Biostatystyka, # 5 /Weterynaria I/

Biostatystyka, # 5 /Weterynaria I/ Biostatystyka, # 5 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach

EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) O rozkªadzie pewnego ryzyka S wiemy,»e: E[(S 20) + ] = 8 E[S 10 < S 20] = 13 P (S 20) = 3 4 P (S 10) = 1

Bardziej szczegółowo

Wst p do ekonometrii II

Wst p do ekonometrii II Wst p do ekonometrii II Wykªad 1: Modele ADL. Analiza COMFAC. Uogólniona MNK (1) WdE II 1 / 36 Plan wykªadu 1 Restrykcje COMFAC w modelach ADL ADL(1,1) ADL(2,2) 2 Uogólniona MNK Idea UMNK Znajdowanie macierzy

Bardziej szczegółowo

Rozdziaª 6. Strukturalne modele VAR

Rozdziaª 6. Strukturalne modele VAR Rozdziaª 6. Strukturalne modele VAR MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 6) Modele SVAR 1 / 25 Wprowadzenie do modeli SVAR Krytyka modeli wielorównaniowych z lat 50-tych i 60-tych postaci:

Bardziej szczegółowo

Wprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA

Wprowadzenie 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 szczegółowo

1 Modele ADL - interpretacja współczynników

1 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 szczegółowo

Rozwini cia asymptotyczne dla mocy testów przybli»onych

Rozwini cia asymptotyczne dla mocy testów przybli»onych Rozwini cia asymptotyczne dla mocy testów przybli»onych Piotr Majerski, Zbigniew Szkutnik AGH Kraków Wisªa 2010 P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa 2010 1 / 22

Bardziej szczegółowo

Metody probablistyczne i statystyka stosowana

Metody probablistyczne i statystyka stosowana Politechnika Wrocªawska - Wydziaª Podstawowych Problemów Techniki - 011 Metody probablistyczne i statystyka stosowana prowadz cy: dr hab. in». Krzysztof Szajowski opracowanie: Tomasz Kusienicki* κ 17801

Bardziej szczegółowo

Stacjonarne szeregi czasowe

Stacjonarne szeregi czasowe e-mail:e.kozlovski@pollub.pl Spis tre±ci 1 Denicja 1 Szereg {x t } 1 t N nazywamy ±ci±le stacjonarnym (stacjonarnym w w»szym sensie), je»eli dla dowolnych m, t 1, t 2,..., t m, τ ª czny rozkªad prawdopodobie«stwa

Bardziej szczegółowo

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 Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda

Bardziej szczegółowo

Stanisław Cichocki. Natalia Neherbecka. Zajęcia 13

Stanisław Cichocki. Natalia Neherbecka. Zajęcia 13 Stanisław Cichocki Natalia Neherbecka Zajęcia 13 1 1. Kryteria informacyjne 2. Testowanie autokorelacji 3. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych

Bardziej szczegółowo

Czasowy wymiar danych

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

Bardziej szczegółowo

Własności statystyczne regresji liniowej. Wykład 4

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

Bardziej szczegółowo

Modele wielorównaniowe. Problem identykacji

Modele wielorównaniowe. Problem identykacji Modele wielorównaniowe. Problem identykacji Ekonometria Szeregów Czasowych SGH Identykacja 1 / 43 Plan wykªadu 1 Wprowadzenie 2 Trzy przykªady 3 Przykªady: interpretacja 4 Warunki identykowalno±ci 5 Restrykcje

Bardziej szczegółowo

Biostatystyka, # 4 /Weterynaria I/

Biostatystyka, # 4 /Weterynaria I/ Biostatystyka, # 4 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl

Bardziej szczegółowo

Stanisław Cihcocki. Natalia Nehrebecka

Stanisław Cihcocki. Natalia Nehrebecka Stanisław Cihcocki Natalia Nehrebecka 1 1. Kryteria informacyjne 2. Testowanie autokorelacji w modelu 3. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych opóźnieniach

Bardziej szczegółowo

Wst p do ekonometrii II

Wst p do ekonometrii II Wst p do ekonometrii II Wykªad 2: Modele ARIMA. Filtr Kalmana (2) WdE II 1 / 46 Plan wykªadu 1 Modele ARIMA Modele AR, MA, ARMA, ARIMA i ARIMAX Specykacja modelu ARIMA Modele sezonowe: SARIMA 2 Filtr Kalmana

Bardziej szczegółowo

5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach

5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach Matematyka w ekonomii i ubezpieczeniach ( Niezale»ne szkody maja rozkªady P (X i = k) = exp( 1)/k!, P (Y i = k) = 4+k ) k (1/3) 5 (/3) k, k = 0, 1,.... Niech S = X 1 +... + X 500 + Y 1 +... + Y 500. Skªadka

Bardziej szczegółowo

Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów

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,

Bardziej szczegółowo

Rozdziaª 2. Analiza spektralna

Rozdziaª 2. Analiza spektralna Rozdziaª 2. Analiza spektralna MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 2) Analiza spektralna 1 / 18 Widmo szeregu czasowego W analizie spektralnej szereg {y t : t = 1, 2,..., T } postrzegany

Bardziej szczegółowo

Ekonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota

Ekonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota Ekonometria ćwiczenia 3 Prowadzący: Sebastian Czarnota Strona - niezbędnik http://sebastianczarnota.com/sgh/ Normalność rozkładu składnika losowego Brak normalności rozkładu nie odbija się na jakości otrzymywanych

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka

Stanisław Cichocki. Natalia Nehrebecka Stanisław Cichocki Natalia Nehrebecka 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów 5. Testowanie

Bardziej szczegółowo

Egzamin z ekonometrii - wersja ogólna

Egzamin z ekonometrii - wersja ogólna Egzamin z ekonometrii - wersja ogólna 27-0-202 Pytania teoretyczne. Dlaczego w modelu nie powinno si umieszcza staªej i wszystkich zmiennych zero-jedynkowych, zwi zanych z poziomami zmiennej dyskretnej?

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 3 1 / 8 ZADANIE z rachunku

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 12

Stanisław 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 szczegółowo

WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ

WNIOSKOWANIE 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 szczegółowo

Ekonometria Przestrzenna

Ekonometria Przestrzenna Ekonometria Przestrzenna Wykªad 9: Przestrzenne modele panelowe (9) Ekonometria Przestrzenna 1 / 37 Plan wykªadu 1 Podstawowe poj cia ekonometrii panelowej Modele panelowe bez zale»no±ci przestrzennych

Bardziej szczegółowo

Ekonometria egzamin 07/03/2018

Ekonometria egzamin 07/03/2018 imię, nazwisko, nr indeksu: Ekonometria egzamin 07/03/2018 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.

Bardziej szczegółowo

Ekonometria - wykªad 8

Ekonometria - wykªad 8 Ekonometria - wykªad 8 3.1 Specykacja i werykacja modelu liniowego dobór zmiennych obja±niaj cych - cz ± 1 Barbara Jasiulis-Goªdyn 11.04.2014, 25.04.2014 2013/2014 Wprowadzenie Ideologia Y zmienna obja±niana

Bardziej szczegółowo

Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość?

Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość? 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 szczegółowo

WYKŁAD: Szeregi czasowe I. Zaawansowane Metody Uczenia Maszynowego

WYKŁAD: 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 szczegółowo

Wykład 12 Testowanie hipotez dla współczynnika korelacji

Wykład 12 Testowanie hipotez dla współczynnika korelacji Wykład 12 Testowanie hipotez dla współczynnika korelacji Wrocław, 23 maja 2018 Współczynnik korelacji Niech będą dane dwie próby danych X = (X 1, X 2,..., X n ) oraz Y = (Y 1, Y 2,..., Y n ). Współczynnikiem

Bardziej szczegółowo

Podstawy statystycznego modelowania danych - Wykªad 7

Podstawy statystycznego modelowania danych - Wykªad 7 Podstawy statystycznego modelowania danych - Wykªad 7 Tomasz Suchocki ANOVA Plan wykªadu Analiza wariancji 1. Rys historyczny 2. Podstawy teoretyczne i przykªady zastosowania 3. ANOVA w pakiecie R Tomasz

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16 Stanisław Cichocki Natalia Nehrebecka Zajęcia 15-16 1 1. Sezonowość 2. Zmienne stacjonarne 3. Zmienne zintegrowane 4. Test Dickey-Fullera 5. Rozszerzony test Dickey-Fullera 6. Test KPSS 7. Regresja pozorna

Bardziej szczegółowo

Wykład 12 Testowanie hipotez dla współczynnika korelacji

Wykład 12 Testowanie hipotez dla współczynnika korelacji Wykład 12 Testowanie hipotez dla współczynnika korelacji Wrocław, 24 maja 2017 Współczynnik korelacji Niech będą dane dwie próby danych X = (X 1, X 2,..., X n ) oraz Y = (Y 1, Y 2,..., Y n ). Współczynnikiem

Bardziej szczegółowo

Dodatek 2. Wielowymiarowe modele GARCH model GoGarch

Dodatek 2. Wielowymiarowe modele GARCH model GoGarch Dodatek 2. Wielowymiarowe modele GARCH model GoGarch MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (dodatek 2) Model GoGARCH 1 / 14 Ogólna specykacja modelu MGARCH Ogólna posta dla N-wymiarowego procesu MGARCH

Bardziej szczegółowo

STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH

STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH WYKŠAD 4 03 listopad 2014 1 / 47 Plan wykªadu 1. Testowanie zaªo»e«o proporcjonalnym hazardzie w modelu Cox'a 2. Wybór zmiennych do modelu Cox'a 3. Meta analiza

Bardziej szczegółowo

Estymacja modeli ARDL przy u»yciu Staty

Estymacja modeli ARDL przy u»yciu Staty Estymacja modeli ARDL przy u»yciu Staty Michaª Kurcewicz 21 lutego 2005 Celem zadania jest oszacowanie dªugookresowego modelu popytu na szeroki pieni dz w Niemczech. Zaª czony zbiór danych beyer.csv pochodzi

Bardziej szczegółowo

TEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.

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.

Bardziej szczegółowo

Metoda największej wiarogodności

Metoda 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 szczegółowo

Metoda momentów i kwantyli próbkowych. Wrocław, 7 listopada 2014

Metoda momentów i kwantyli próbkowych. Wrocław, 7 listopada 2014 Metoda momentów i kwantyli próbkowych Wrocław, 7 listopada 2014 Metoda momentów Momenty zmiennych losowych X 1, X 2,..., X n - próba losowa. Momenty zmiennych losowych X 1, X 2,..., X n - próba losowa.

Bardziej szczegółowo

Statystyka matematyczna - ZSTA LMO

Statystyka matematyczna - ZSTA LMO Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 4 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 4 1 / 18 Wykªad 4 - zagadnienia

Bardziej szczegółowo

Wykªad 1+2: Klasyczny model regresji liniowej. Podstawy R

Wykªad 1+2: Klasyczny model regresji liniowej. Podstawy R Wykªad 1+2: Klasyczny model regresji liniowej Podstawy R Ekonometria Stosowana SGH KMNK i R 1 / 45 Plan wykªadu 1 Informacje organizacyjne 2 Wprowadzenie do ekonometrii Ekonometria Dane i postacie funkcyjne

Bardziej szczegółowo

Spis treści Wstęp Estymacja Testowanie. Efekty losowe. Bogumiła Koprowska, Elżbieta Kukla

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

Bardziej szczegółowo

Efekty przestrzenne w konwergencji polskich podregionów

Efekty przestrzenne w konwergencji polskich podregionów Efekty przestrzenne w konwergencji polskich podregionów Mikoªaj Herbst EUROREG UW Piotr Wójcik WNE UW Konferencja Ministerstwa Rozwoju Regionalnego Budowanie spójno±ci terytorialnej i przeciwdziaªanie

Bardziej szczegółowo

Zadanie 1. (8 punktów) Dana jest nast puj ca macierz: M =

Zadanie 1. (8 punktów) Dana jest nast puj ca macierz: M = Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dana jest nast puj ca macierz: M = 2 14 2 10 8 0 10 8. a) Znajd¹ rozwi zanie dwuosobowej gry o sumie zero maj cej powy»sz macierz wypªat. b) Przyjmuj

Bardziej szczegółowo

Spis treści 3 SPIS TREŚCI

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

Bardziej szczegółowo

MODELE LINIOWE i MIESZANE

MODELE LINIOWE i MIESZANE MODELE LINIOWE i MIESZANE WYKŠAD 5 13 kwiecie«2018 1 / 48 Plan wykªadu 1. Metody Monte Carlo we wnioskowaniu statystycznym 2. Pakiet R 2 / 48 Metody Monte Carlo we wnioskowaniu statystycznym 3 / 48 Zaªó»my,»e

Bardziej szczegółowo

Ekonometria. wiczenia 8 Modele zmiennej jako±ciowej. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 8 Modele zmiennej jako±ciowej. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej Ekonometria wiczenia 8 Modele zmiennej jako±ciowej (8) Ekonometria 1 / 25 Plan wicze«1 Modele zmiennej jako±ciowej 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3 Predykcja

Bardziej szczegółowo

Metody Ekonometryczne

Metody Ekonometryczne Metody Ekonometryczne Goodness of fit i wprowadzenie do wnioskowania statystycznego Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Metody Ekonometyczne Wykład 2 Goodness of fit i wprowadzenie do wnioskowania

Bardziej szczegółowo

Makroekonomia Zaawansowana

Makroekonomia Zaawansowana Makroekonomia Zaawansowana wiczenia 1 Stan ustalony i log-linearyzacja MZ 1 / 27 Plan wicze«1 Praca z modelami DSGE 2 Stan ustalony 3 Log-linearyzacja 4 Zadania MZ 2 / 27 Plan prezentacji 1 Praca z modelami

Bardziej szczegółowo

1.8 Diagnostyka modelu

1.8 Diagnostyka modelu 1.8 Diagnostyka modelu Dotychczas zajmowaliśmy się własnościami estymatorów przy spełnionych założeniach KMRL. W praktyce nie zawsze spełnione są wszystkie założenia modelu. Jeżeli któreś z nich nie jest

Bardziej szczegółowo

Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.

Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =. Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,

Bardziej szczegółowo

Dodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH

Dodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH Dodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (dodatek 3) Modele MGARCH 1 / 11 Ogólna specykacja modelu MGARCH Ogólna posta dla N-wymiarowego procesu

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 13

Stanisław 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 szczegółowo

E k o n o m e t r i a S t r o n a 1

E k o n o m e t r i a S t r o n a 1 E k o n o m e t r i a S t r o n a Liniowy model ekonometryczny Jednorównaniowy liniowy model ekonometryczny (model regresji wielorakiej) można zapisać w postaci: y = α + α x + α x +... + α x + ε, t =,,...,

Bardziej szczegółowo

Wprowadzenie Modele o opóźnieniach rozłożonych Modele autoregresyjne o opóźnieniach rozłożonych. Modele dynamiczne.

Wprowadzenie 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 szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 8

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

Bardziej szczegółowo

Value at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16

Value 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

Statystyka matematyczna. Wykład III. Estymacja przedziałowa

Statystyka matematyczna. Wykład III. Estymacja przedziałowa Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności

Bardziej szczegółowo

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem

Bardziej szczegółowo

Ekonometria Ćwiczenia 19/01/05

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

Bardziej szczegółowo

Modele ARIMA prognoza, specykacja

Modele ARIMA prognoza, specykacja Modele ARIMA prognoza, specykacja Wst p do ekonometrii szeregów czasowych wiczenia 3 5 marca 2010 Plan prezentacji 1 Specykacja modelu ARIMA 2 3 Plan prezentacji 1 Specykacja modelu ARIMA 2 3 Funkcja autokorelacji

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD października 2009

STATYSTYKA MATEMATYCZNA WYKŁAD października 2009 STATYSTYKA MATEMATYCZNA WYKŁAD 4 26 października 2009 Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ (X µ) 2 { (x µ) 2 exp 1 ( ) } x µ 2 dx 2 σ Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ

Bardziej szczegółowo

Testowanie hipotez statystycznych.

Testowanie hipotez statystycznych. Bioinformatyka Wykład 9 Wrocław, 5 grudnia 2011 Temat. Test zgodności χ 2 Pearsona. Statystyka χ 2 Pearsona Rozpatrzmy ciąg niezależnych zmiennych losowych X 1,..., X n o jednakowym dyskretnym rozkładzie

Bardziej szczegółowo

Matematyka z elementami statystyki

Matematyka z elementami statystyki Matematyka z elementami statystyki Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Korelacja Zale»no± funkcyjna wraz ze wzrostem jednej zmiennej nast puje ±ci±le okre±lona zmiana druiej zmiennej.

Bardziej szczegółowo

Testy własności składnika losowego Testy formy funkcyjnej. Diagnostyka modelu. Część 2. Diagnostyka modelu

Testy 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 szczegółowo

2. L(a u) = al( u) dla dowolnych u U i a R. Uwaga 1. Warunki 1., 2. mo»na zast pi jednym warunkiem: L(a u + b v) = al( u) + bl( v)

2. L(a u) = al( u) dla dowolnych u U i a R. Uwaga 1. Warunki 1., 2. mo»na zast pi jednym warunkiem: L(a u + b v) = al( u) + bl( v) Przeksztaªcenia liniowe Def 1 Przeksztaªceniem liniowym (homomorzmem liniowym) rzeczywistych przestrzeni liniowych U i V nazywamy dowoln funkcj L : U V speªniaj c warunki: 1 L( u + v) = L( u) + L( v) dla

Bardziej szczegółowo

Ekonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej Ekonometria wiczenia 1 Regresja liniowa i MNK (1) Ekonometria 1 / 25 Plan wicze«1 Ekonometria czyli...? 2 Obja±niamy ceny wina 3 Zadania z podr cznika (1) Ekonometria 2 / 25 Plan prezentacji 1 Ekonometria

Bardziej szczegółowo

Modele zapisane w przestrzeni stanów

Modele zapisane w przestrzeni stanów Modele zapisane w przestrzeni stanów Modele Przestrzeni Stanów (State Space Models) sa to modele, w których część parametrów jest nieobserwowalna i losowa. Zachowanie wielowymiarowej zmiennej y t zależy

Bardziej szczegółowo

Definicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego

Definicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego Rozdział 1 Statystyki Definicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego X = (X 1,..., X n ). Uwaga 1 Statystyka jako funkcja wektora zmiennych losowych jest zmienną losową

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Wykład 7

Stanisław Cichocki Natalia Nehrebecka. Wykład 7 Stanisław Cichocki Natalia Nehrebecka Wykład 7 1 1. Metoda Największej Wiarygodności MNW 2. Założenia MNW 3. Własności estymatorów MNW 4. Testowanie hipotez w MNW 2 1. Metoda Największej Wiarygodności

Bardziej szczegółowo

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014 Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu

Bardziej szczegółowo

Rozdziaª 10: Portfel inwestycyjny

Rozdziaª 10: Portfel inwestycyjny Rozdziaª 10: Portfel inwestycyjny MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 10) Portfel inwestycyjny 1 / 31 Wprowadzenie Wkªad Markowitza, laureata nagrody Nobla z ekonomii w 1990 r., do teorii

Bardziej szczegółowo

Testowanie hipotez statystycznych

Testowanie 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 szczegółowo

Ekonometria. Weryfikacja liniowego modelu jednorównaniowego. Jakub Mućk. Katedra Ekonomii Ilościowej

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

Bardziej szczegółowo

Testowanie hipotez statystycznych

Testowanie 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 szczegółowo

Elementarna statystyka Test Istotno±ci (Tests of Signicance)

Elementarna statystyka Test Istotno±ci (Tests of Signicance) Elementarna statystyka Test Istotno±ci (Tests of Signicance) Alexander Bendikov Uniwersytet Wrocªawski 16 kwietnia 2016 Elementarna statystyka Test Istotno±ci (Tests of Signicance) 16 kwietnia 2016 1 /

Bardziej szczegółowo

Ekonometria Szeregów Czasowych

Ekonometria Szeregów Czasowych Ekonometria Szeregów Czasowych Wykªad: Niestacjonarno± 8/12 marca 2017 dr Karolina Konopczak Katedra Ekonomii Stosowanej Plan zaj Poj cie stacjonarno±ci Stopie«zintegrowania szeregu Wyznaczenie piewiastków

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba

Bardziej szczegółowo

Estymacja parametrów rozkładu cechy

Estymacja parametrów rozkładu cechy Estymacja parametrów rozkładu cechy Estymujemy parametr θ rozkładu cechy X Próba: X 1, X 2,..., X n Estymator punktowy jest funkcją próby ˆθ = ˆθX 1, X 2,..., X n przybliżającą wartość parametru θ Przedział

Bardziej szczegółowo

Testowanie hipotez statystycznych.

Testowanie 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 szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 13

Stanisław Cichocki. Natalia Nehrebecka. Wykład 13 Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Testowanie autokorelacji 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji 3.Problemy z danymi Zmienne pominięte

Bardziej szczegółowo

Przyczynowość Kointegracja. Kointegracja. Kointegracja

Przyczynowość 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 szczegółowo

Stosowana Analiza Regresji

Stosowana Analiza Regresji Stosowana Analiza Regresji Wykład VI... 16 Listopada 2011 1 / 24 Jest to rozkład zmiennej losowej rozkład chi-kwadrat Z = n i=1 X 2 i, gdzie X i N(µ i, 1) - niezależne. Oznaczenie: Z χ 2 (n, λ), gdzie:

Bardziej szczegółowo

Przykład 2. Stopa bezrobocia

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

Bardziej szczegółowo

Elementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo

Elementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo Spis tre±ci Elementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis tre±ci Spis tre±ci 1 2 3 4 5 Spis tre±ci Spis tre±ci 1 2 3 4

Bardziej szczegółowo

Stanisław Cichocki Natalia Neherbecka

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

Bardziej szczegółowo

Metoda najmniejszych kwadratów

Metoda najmniejszych kwadratów Metoda najmniejszych kwadratów Przykład wstępny. W ekonomicznej teorii produkcji rozważa się funkcję produkcji Cobba Douglasa: z = AL α K β gdzie z oznacza wielkość produkcji, L jest nakładem pracy, K

Bardziej szczegółowo

Heteroscedastyczność. Zjawisko heteroscedastyczności Uogólniona Metoda Najmniejszych Kwadratów Stosowalna Metoda Najmniejszych Kwadratów

Heteroscedastyczność. Zjawisko heteroscedastyczności Uogólniona Metoda Najmniejszych Kwadratów Stosowalna Metoda Najmniejszych Kwadratów Formy heteroscedastyczności Własności estymatorów MNK wydatki konsumpcyjne 0 10000 20000 30000 40000 14.4 31786.08 dochód rozporz¹dzalny Zródlo: Obliczenia wlasne, dane BBGD 2004 Formy heteroscedastyczności

Bardziej szczegółowo