Rozdziaª 5. Modele wektorowej autoregresji
|
|
- Bartłomiej Baran
- 5 lat temu
- Przeglądów:
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 MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 4) Modele ARMA 1 / 24 Jednowymiarowe modele szeregów czasowych Jednowymiarowe modele szeregów czasowych:
Bardziej szczegółowoEkonometria. 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 szczegółowoEkonometria. 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 szczegółowoModele 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 szczegółowoElementarna 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 szczegółowoEkonometria. 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 szczegółowoIn»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 szczegółowoRozdziaª 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 szczegółowoModele 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 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 szczegółowoBiostatystyka, # 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 szczegółowoEGZAMIN 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 szczegółowoWst 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 szczegółowoRozdziaª 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 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 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 szczegółowoRozwini 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 szczegółowoMetody 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 szczegółowoStacjonarne 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 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 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 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 szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoModele 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 szczegółowoBiostatystyka, # 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 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 szczegółowoWst 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 szczegółowo5. (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 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 szczegółowoRozdziaª 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 szczegółowoEkonometria 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 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 szczegółowoEgzamin 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 szczegółowoWYKŁADY 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 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 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 szczegółowoEkonometria 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 szczegółowoEkonometria egzamin 07/03/2018
imię, nazwisko, nr indeksu: Ekonometria egzamin 07/03/2018 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoEkonometria - 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 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 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 szczegółowoWykład 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 szczegółowoPodstawy 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 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 szczegółowoWykład 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 szczegółowoDodatek 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 szczegółowoSTATYSTYCZNE 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 szczegółowoEstymacja 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 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 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 szczegółowoMetoda 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 szczegółowoStatystyka 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 szczegółowoWykªad 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 szczegółowoSpis 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 szczegółowoEfekty 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 szczegółowoZadanie 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 szczegółowoSpis 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 szczegółowoMODELE 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 szczegółowoEkonometria. 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 szczegółowoMetody 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 szczegółowoMakroekonomia 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 szczegółowo1.8 Diagnostyka modelu
1.8 Diagnostyka modelu Dotychczas zajmowaliśmy się własnościami estymatorów przy spełnionych założeniach KMRL. W praktyce nie zawsze spełnione są wszystkie założenia modelu. Jeżeli któreś z nich nie jest
Bardziej szczegółowoNiech 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 szczegółowoDodatek 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 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 szczegółowoE 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 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 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 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 szczegółowoStatystyka 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 szczegółowoWykład 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 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 szczegółowoModele 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 szczegółowoSTATYSTYKA 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 szczegółowoTestowanie 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 szczegółowoMatematyka 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 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 szczegółowo2. 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 szczegółowoEkonometria. 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 szczegółowoModele zapisane w przestrzeni stanów
Modele zapisane w przestrzeni stanów Modele Przestrzeni Stanów (State Space Models) sa to modele, w których część parametrów jest nieobserwowalna i losowa. Zachowanie wielowymiarowej zmiennej y t zależy
Bardziej szczegółowoDefinicja 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 szczegółowoStanisław 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 szczegółowoEstymacja 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 szczegółowoRozdziaª 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 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 szczegółowoEkonometria. 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 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 szczegółowoElementarna 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 szczegółowoEkonometria 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 szczegółowoWYKŁADY 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 szczegółowoEstymacja 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 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Testowanie autokorelacji 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji 3.Problemy z danymi Zmienne pominięte
Bardziej 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 szczegółowoStosowana 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 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 szczegółowoElementy 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 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 szczegółowoMetoda 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 szczegółowoHeteroscedastyczność. Zjawisko heteroscedastyczności Uogólniona Metoda Najmniejszych Kwadratów Stosowalna Metoda Najmniejszych Kwadratów
Formy heteroscedastyczności Własności estymatorów MNK wydatki konsumpcyjne 0 10000 20000 30000 40000 14.4 31786.08 dochód rozporz¹dzalny Zródlo: Obliczenia wlasne, dane BBGD 2004 Formy heteroscedastyczności
Bardziej szczegółowo