DYNAMICZNE MODELE EKONOMETRYCZNE
|
|
- Maria Borowska
- 5 lat temu
- Przeglądów:
Transkrypt
1 DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnoolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Koernika w Toruniu Wyższa Szkoła Informatyki i Ekonomii TWP w Olsztynie Zastosowanie rzełącznikowych modeli Markowa w analizie stó zwrotu cen akcji. Wrowadzenie Cechą charakterystyczną szeregów stó zwrotów rynków finansowych jest wystęowanie zgruowań zmienności dla odokresów o wyższej i niższej aktywności. Badania emiryczne wielokrotnie otwierdzają, wystęowanie ewnej struktury dzielącej okres na odokresy o różnych arametrach. Sosobem na oisanie tych zależności może być model zawierający jednoczesne rzełączenia badanej zmiennej i estymowanych arametrów w odokresach. Własność tę osiadają rzełącznikowe modele Markowa MS, w których zarówno zamienna jak i arametry oisują dynamikę rocesu między stanami. Po raz ierwszy dynamiczny model ekonometryczny z rzełączeniem tyu Markowa wrowadził J. Hamilton (989, 994), jako narzędzie oisujące wewnętrzną strukturę rzejścia między stanami rocesu cyklu gosodarczego. W swojej racy Hamilton rozważył łańcuch o dwóch stanach, odowiednio dla eksansji i recesji, rzy czym secyfikacji odlega średnia zwrotów. Kontynuacją były race Clements a i Krolzig a (000), nastęnie modele z rzełączeniem w wariancji lub w średniej i wariancji jednocześnie (Turner, Startz, Nelson 989, Yin 003), rzełącznikowe modele tyu VAR (Linne 000, Krolzig 00) oraz rzełącznikowe modele ARCH SWARCH (Hamilton, Susmel 993). W racy Yin a (993) wykorzystano miesięczne stoy zwrotu indeksu S&P50 ( ). Badany okres odzielono na 4 odokresy i dla każdego z okresów oszacowano model z jednoczesnym rzełączeniem w średniej i wariancji. Uzyskane wyniki wskazują na wystęowanie dwóch stanów o skrajnie różnych wartościach średniej i wariancji. Dobry stan
2 4 odznacza się 4.5 razy wyższą średnią oraz razy niższą wariancją w orównaniu do złego stanu. Stan dobry okazał się trwały ( = ) natomiast stan zły rzejściowy ( = ), co tłumaczy się owracaniem szybkim rocesu do reżimu o dobrych arametrach. Wnioski łynące z racy można odnieść do wcześniejszych badań dotyczących asymetrii w zmienności rocesów rynku kaitałowego, mianowicie gwałtownemu wzrostowi zmienności towarzyszą często duże ujemne wartości stó zwrotu, co z kolei jest rzeciwne intuicyjnemu stwierdzeniu, że wyższemu ryzyku odowiadają wysokie stoy zwrotu. Artykuł Linne a (003) miał na celu zbadanie efektu zarażenia na wschodzących rynkach wschodniej Euroy od wływek wyróżnionych kryzysów: Czechy 97, Azja 97 i Rosja 98. Do badania wykorzystano tygodniowe stoy zwrotu ( ) głównych indeksów giełdowych tj. Czech, Estonii, Węgier, Polski, Rosji, Słowacji, Słoweni. Zbudowano wektorowo-autoregresyjny rzełącznikowy model Markowa MS()-VAR(), którego wsółczynniki autoregresji dodatkowo określają wływ kryzysowych zmian na oszczególne rynki. W modelach zastosowano rzełączenie w średniej, w wariancji oraz w średniej i wariancji jednocześnie. Rynek objęty efektem odznacza się zwiększoną aktywnością handlową, wyższą zmiennością oraz sadkiem cen akcji. Artykuł jest róbą odowiedzi na ytanie: czy rzełączeniom w reżimach odowiada okres kryzysu oraz czy zachowanie stó zwrotu jest wtedy odobne? Wyniki okazały wystęowanie stanu sokoju o niskiej zmienności i dodatniej średniej oraz stanu kryzysu o wysokiej zmienności i ujemnej średniej. Prawdoodobieństwa ozostania w obu stanach są wysokie, a okresy wysokiego rawdoodobieństwa dla stanu kryzysowego odowiadają rzeczywistym badanym kryzysom (najwyraźniej jest to widoczne dla modelu MSMV() VAR(). Wnioski ozwalają na stwierdzenie, że wykorzystany model jest zdolny do wykrycia zmienności stó zwrotu wsólnej dla wszystkich rynków, tym samym dostarcza wyjaśnienia dla gruowania się zmienności cen akcji. W racy zbadano efekt ARCH wykorzystując test F zastosowany rzez Garcia, Pierre (996), wyniki nie ozwalają na odrzucenie hiotezy zerowej o braku efektu ARCH w rzyadku ięciu na siedem szeregów stó zwrotu. Celem oniżej racy jest rzedstawienie autoregresyjnego modelu rzełącznikowego MS z różnym rodzajem rzełączeń dla danych tygodniowych i dziennych, orównanie ich własności z modelem ARMA(,q) oraz zbadanie efektu ARCH.. Budowa modelu i estymacja modelu Cechą rzełącznikowego modelu Markowa jest możliwość rzełączania się wybranych arametrów rocesu między reżimami (stanami) zgodnie
3 Zastosowanie rzełącznikowych modeli Markowa w analizie stó zwrotu cen akcji 43 z rocesem Markowa. W takim rocesie stan teraźniejszy badanej zmiennej jest zależny jedynie od stanu orzedniego, co można zaisać jako: P( s t = = j / s0 = i0,s = ii,...,st = i ) = P( st = j / st = i ) ij () (owyższy zais oznacza, że rawdoodobieństwo rocesu w chwili t zależy jedynie od stanu rocesu w chwili t- i nazywane jest rawdoodobieństwem rzejścia łańcucha ze stanu i do stanu j ). Estymowany model ma ostać: ( r t st ) = ( rt s( t ) ) + et, t ~ N ( 0, st ) gdzie rzełączeniu między dwoma stanami ( resztowa, co można rzedstawić jako: () t e () s t ) odlega średnia bądź wariancja st =, st, st =. (3) st = Prawdoodobieństwa rzejścia między dwoma stanami łańcucha mają ostać: P P ( st = / st = ) = ( st / st = ) = = i tworzą macierz rawdoodobieństw rzejścia: P =. (4) Estymacji w modelach odlegają arametry tj. średnia ( ), wariancja resztowa e ( ), arametr rzy zmiennej oóźnionej ( ) oraz wartości rawdoodobieństw rzejścia oszczególnych stanów (, ), tworzą one wektor estymowanych arametrów ( θ ) dla nastęujących modeli: [ e [ 0, e, e,,, z rzełączeniem w średniej MSM(): θ =,,,,, ], z rzełączeniem w wariancji MSV(): θ = ], z rzełączeniem w średniej i w wariancji jednocześnie MSMV(): θ = [,, e, e,,, ]. Estymacja modelu rzełącznikowego olega znalezieniu ocen arametrów wektora θ rzy maksymalizacji funkcji wiarygodności : T ( ) = ln f ( r t / ψ ) L θ (5) i= t rzy warunkach obocznych: =, 0 i i Por. Kim, Nelson (999), s. 60.
4 44 gdzie: f f t t = rt,st,st / st = s( t ) = ( r / ) f ( ψ ψ ), (6) t ( r,s,s / ) f ( r / s,s, ψ ) P( s,s ψ ) ψ, (7) t t t t = t t t t t t / t ψ t są obserwacjami na wektorach do momentu t-, [,, ] θ =. (8) i ei i Aby rozocząć iterację zakłada się wartości oczątkowe rawdoodobieństw: ( s = / ) π = P 0 ψ 0 = (9) P ( s = / ) π = 0 ψ 0 =. (0) Średni czas owrotu rocesu do i-tego stanu: m( i ) =. () ii Oczekiwany dalszy czas trwania rocesu w i-tym stanie: d( i ) = ii. () 3. Wyniki estymacji modelu MS dla szeregów WIG i PROKOM Do badania wykorzystane obserwacje tygodniowe oraz dzienne ( ) indeksu WIG oraz sółek Prokom, TPSA i Comarch. Modele rzełącznikowe MSM(), MSV(), MSMV() dla danych tygodniowych i dziennych orównano z modelem ARMA(,q), a nastęnie zbadano efekt ARCH w rocesie resztowym modelu rzełącznikowego, wykorzystując test Engle a. Ponad to wykorzystano kryterium informacyjne Akaike a oraz logarytm funkcji wiarygodności. Wyniki estymacji wybranych szeregów (WIG i Prokom) umieszczono w tabelach 4. Biorąc od uwagę kryteria orównawcze AIC i LL, wyniki uzyskane z modeli MSV() i MSMV() nieznacznie się od siebie różnią z rzewagą modelu MSV(), i są one lesze zarówno od modeli MSM() jak i ARMA(,q). Natomiast wsółczynnik okazała się wyższy dla modelu ARMA(,q) w większości szeregów. R Por. Engle (98).
5 Zastosowanie rzełącznikowych modeli Markowa w analizie stó zwrotu cen akcji 45 Szeregi tygodniowe (tabela ): Dla szeregów WIG i Prokom modele MSV() i MSMV() zidentyfikowały stany o niskiej i wysokiej aktywności, oba mają charakter zachowawczy, tj. rawdoodobieństwo ozostania rocesu w stanie jest wysokie, dla indeksu WIG w stanie: ( MSV ) 0.94, = ( MSMV ) = 0.90 i w stanie: ( MSV ) = 0.97, ( MSMV ) = Stan o niższym odchyleniu standardowym jest stanem niskiej aktywności, średni czas trwania systemu w tym stanie dla obu modeli wynosi odowiednio 5 i 0 tygodni, w stanie o wysokiej aktywności roces ozostaje średnio 35 i tygodni (odowiednio MSV i MSMV), system zmienia stan średnio co tydzień. Model MSMV() ozwala również na oszacowanie średnich w reżimach, niższa średnia odowiada stanowi o wyższej aktywności jednak obie średnie okazały się nieistotne. Prawdoodobieństwa ozostania rocesu dla sółki Prokom w stanie wynoszą: ( MSV ) =.00, ( MSMV ) =. 00, jest to stan o niskiej aktywności (dla MSMV o zerowej średniej) i długim okresem trwania systemu wynoszącym odowiednio dla obu modeli i tygodni, w stanie o wysokiej aktywności roces ozostaje średnio 60 tygodni (dla obu modeli). Efekt ARCH w szeregach tygodniowych modeli rzełącznikowych okazał się nieistotny. Tabela. Wyniki estymacji dla danych tygodniowych indeksu WIG Parametry MSM() MSV() MSMV() (0.003) * (0.0003) * ( ) (0.004) ( ) * (0.0490) (0.066) * (0.0306) e e m() m() d() d() AIC LL R TR ARMA(,0) 0 β AIC LL R ( ) * (0.0873) Źródło: obliczenia własne w rogramie Ox 3, w nawiasach odano średnie błędy szacunku, (*) oznacza istotność. 3
6 46 Tabela. Wyniki estymacji dla danych tygodniowych sółki Prokom Parametry MSM() MSV() MSMV() (0.0353) (0.0096) (0.004) (0.038) (0.07) 0.53* (0.073) * ( ) 0.35* (0.0665) e e , , m() m().34, d() d() , AIC LL R TR ARMA(,0) 0 β AIC LL R ( ) * ( ) Źródło: obliczenia własne w rogramie Ox, w nawiasach odano średnie błędy szacunku, (*) oznacza istotność. Szeregi dzienne (tabela 3 4): W rzyadku obu szeregów wystęują dwa stany o niskiej i wysokiej aktywności, różnice między odchyleniami standardowymi są większe niż w szeregach tygodniowych, oba stany mają charakter zachowawczy, dla indeksu WIG w stanie: ( MSV ) 0.99, = ( MSMV ) = 0.99 i w stanie ( MSV ) = 0.99, ( MSMV ) = 0. 99, w stanie o niższej aktywności roces ozostaje średnio 88 dni (dla obu modeli), w stanie o wyższej aktywności około 70 dni co okrywa się z wynikiem uzyskanym dla szeregów tygodniowych. Dla sółki Prokom rawdoodobieństwa ozostawania w stanie wynoszą: ( MSV ) 0.98, = ( MSMV ) = 0.97, średnie czasy trwania rocesu w obu stanach są zbliżone, stan o niskiej około dni, natomiast stan o wysokiej aktywności dni. Efekt ARCH w modelach rzełącznikowych dla danych dziennych jest istotny. Wyniki szacunków uzyskane dla modeli z rzełączeniem w wariancji MSV() oraz z rzełączeniem jednocześnie w średniej i wariancji MSMV() są odobne. Fakt, że rzełączenie w średniej nie zwiększa efektywności modelu, a kryteria orównawcze są nieznacznie lesze w rzyadku MSV() wskazuje na wybór modelu z rzełączeniem w wariancji.
7 Zastosowanie rzełącznikowych modeli Markowa w analizie stó zwrotu cen akcji 47 Tabela 3. Wyniki estymacji dla danych dziennych indeksu WIG Parametry MSM() MSV() MSMV() (0.003) * (0.0003) * ( ) (0.004) ( ) * (0.0490) (0.066) * (0.0306) e e , , m() m().33, d() d() , AIC LL R TR ARMA(,0) 0 β AIC LL R ( ) * (0.0873) Źródło: obliczenia własne w rogramie Ox, w nawiasach odano średnie błędy szacunku, (*) oznacza istotność. Tabela 4. Wyniki estymacji dla danych dziennych sółki Prokom Parametry MSM() MSV() MSMV() (0.0077) ( ) -0.00* (0.006) (0.0044) (0.0008) (0.035) 0.079* (0.033) 0.073* (0.034) e e m() m() d() d() AIC LL R TR ARMA(,0) 0 β AIC LL R ( ) * ( ) Źródło: obliczenia własne w rogramie Ox, w nawiasach odano średnie błędy szacunku, (*) oznacza istotność.
8 48 4. Podsumowanie Celem racy było rzedstawienie zastosowania modeli rzełącznikowych w analizie stó zwrotu cen akcji, zbadanie własności MS oraz orównanie ich z modelem ARMA(,q), jednym z najbardziej oularnych modeli oisujących zmienność finansowych szeregów czasowych. Wyniki badania wskazują na wybór modelu z rzełączeniem w wariancji, zarówno dla danych tygodniowych jak i dziennych. Wszystkie stany mają charakter zachowawczy co jest dowodem na wystęowanie w szeregach stó zwrotu ewnej struktury o różnych arametrach (różnej wariancji resztowej) i uzależnionej od zmian tego szeregu. Brak efektu ARCH dla danych tygodniowych świadczy o leszych własnościach modeli MS budowanych na danych o mniejszej częstotliwości, w których efekt ARCH jest słabszy. W modelach MS dla danych dziennych efekt ARCH ozostaje. Stwierdza się, że MS nie oisują zmienności wariancji warunkowej w szeregach dziennych, co może być wskazówką do dalszych badań idących w kierunku budowy rzełącznikowego modelu ARCH. Literatura Brzeszczyński, J., Kalm R. (00), Ekonometryczne modele rynków finansowych, WIG- Press, Warszawa. Engle, R.F. (98), Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation, Econometrica, vol. 50. Garcia, R., Pierre, P. (996), An Analysis of the Real Interest Rate under Regime Shift, Review of Economics and Statistics, vol. 78. Hamilton, J.D. (989), W New Aroach to the Economic Analysis of Nonstationary Time Series and the Busines Cycle, Econometrica,vol. 57. Kim, C. J., Nelson, C.R. (999), State-Sace Models with Regime Switching, The MIT Press, London. Koskinen, L., Pukkila, T. (995), An Alication of the Vector Autoregressive Model with a Markov Regime to Inflation Rates, źródła internetowe. Krolzig, H.M. (998), Econometric Modelling of Markov_Switching Vector Autoregressions using MSVAR for Ox, Institute for Economics and Statistics, Oxford. Linne, T. (00), A Markov Switching Model of Stock Returns: An Alication to the Emerging Markets in Central and Eastern Euroe, East Euroean Transition and EU Englargement A Quantitative Aroach, Berlin. Podgórska M. (00), Łańcuch Markowa w teorii i zastosowaniach, SGH, Warszawa. Stawicki, J. (004), Wykorzystanie łańcuchów Markowa w analizie rynków kaitałowych, Wydawnictwo UMK, Toruń. Yin, P. (003), Markov Switching in the Stock Market, Economics, vol. 43,
( n) Łańcuchy Markowa X 0, X 1,...
Łańcuchy Markowa Łańcuchy Markowa to rocesy dyskretne w czasie i o dyskretnym zbiorze stanów, "bez amięci". Zwykle będziemy zakładać, że zbiór stanów to odzbiór zbioru liczb całkowitych Z lub zbioru {,,,...}
Bardziej szczegółowoWYZNACZENIE OKRESU RÓWNOWAGI I STABILIZACJI DŁUGOOKRESOWEJ
Anna Janiga-Ćmiel WYZNACZENIE OKRESU RÓWNOWAGI I STABILIZACJI DŁUGOOKRESOWEJ Wrowadzenie W rozwoju każdego zjawiska niezależnie od tego, jak rozwój ten jest ukształtowany rzez trend i wahania, można wyznaczyć
Bardziej szczegółowoPrzełącznikowe modele Markowa (MS) charakterystyka i sposoby zastosowań w badaniach ekonomicznych
Monika Kośko Wydział Informatyki i Ekonomii Wyższa Szkoła Informatyki i Ekonomii w Olsztynie Marta Kwiecień, Joanna Stempińska Wydział Matematyki i Informatyki Uniwersytet Warmińsko-Mazurski w Olsztynie
Bardziej szczegółowoJanusz Górczyński. Prognozowanie i symulacje w zadaniach
Wykłady ze statystyki i ekonometrii Janusz Górczyński Prognozowanie i symulacje w zadaniach Wyższa Szkoła Zarządzania i Marketingu Sochaczew 2009 Publikacja ta jest czwartą ozycją w serii wydawniczej Wykłady
Bardziej szczegółowoIdentyfikacja punktów zwrotnych cykli koniunkturalnych wybranych krajów z wykorzystaniem modeli Markowa
Monika Kośko Wydział Informatyki i Ekonomii Wyższa Szkoła Informatyki i Ekonomii w Olsztynie Marta Kwiecień, Joanna Stempińska Wydział Matematyki i Informatyki Uniwersytet Warmińsko-Mazurski w Olsztynie
Bardziej szczegółowoEkonometryczne modele nieliniowe
Ekonometryczne modele nieliniowe Wykład 10 Modele przełącznikowe Markowa Literatura P.H.Franses, D. van Dijk (2000) Non-linear time series models in empirical finance, Cambridge University Press. R. Breuning,
Bardziej szczegółowoRysunek 1 Przykładowy graf stanów procesu z dyskretnymi położeniami.
Procesy Markowa Proces stochastyczny { X } t t nazywamy rocesem markowowskim, jeśli dla każdego momentu t 0 rawdoodobieństwo dowolnego ołożenia systemu w rzyszłości (t>t 0 ) zależy tylko od jego ołożenia
Bardziej szczegółowoLaboratorium Metod i Algorytmów Sterowania Cyfrowego
Laboratorium Metod i Algorytmów Sterowania Cyfrowego Ćwiczenie 3 Dobór nastaw cyfrowych regulatorów rzemysłowych PID I. Cel ćwiczenia 1. Poznanie zasad doboru nastaw cyfrowych regulatorów rzemysłowych..
Bardziej szczegółowoA C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 389 TORUŃ 2009
A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 389 TORUŃ 2009 Uniwersytet Ekonomiczny w Poznaniu Katedra Matematyki Stosowanej Marcin
Bardziej szczegółowoMateriał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych)
Materiał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych) (studium przypadku) Nazwa przedmiotu: ekonometria finansowa I (22204), analiza szeregów czasowych
Bardziej szczegółowoKonsumpcja. Powyższe założenia sprawiły, że funkcja konsumpcji Keynesa przyjmuje postać: (1) gdzie a > 0, 0 < c < 1
Konsumcja Do tej ory omawialiśmy różne modele analizujące wływ różnych zmiennych na krótko o długookresową równowagę w gosodarce. Nie koncentrowaliśmy się jednak na szczegółowym badaniu zachowania oszczególnych
Bardziej szczegółowoKomisja Egzaminacyjna dla Aktuariuszy. XL Egzamin dla Aktuariuszy z 9 października 2006 r. Część I. Matematyka finansowa
Komisja Egzaminacyjna dla Aktuariuszy XL Egzamin dla Aktuariuszy z 9 aździernika 006 r. Część I Matematyka finansowa Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 00 minut . Ile wynosi wartość
Bardziej szczegółowoJacek Kwiatkowski Uniwersytet Mikołaja Kopernika w Toruniu. Bayesowskie testowanie procesów STUR analiza indeksów i spółek notowanych na GPW 1
DYNAICZNE ODELE EKONOERYCZNE IX Ogólnoolskie Seminarium Naukowe, 6 8 września 005 w oruniu Katedra Ekonometrii i Statystyki, Uniwersytet ikołaja Koernika w oruniu Uniwersytet ikołaja Koernika w oruniu
Bardziej szczegółowoZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR NNN FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR FF 2013
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR NNN FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR FF 2013 Ryszard Węgrzyn Zastosowanie wybranych modeli zmienności w analizie ryzyka cen akcji Słowa kluczowe:...
Bardziej szczegółowoANALIZA 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
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 szczegółowo4. Średnia i autoregresja zmiennej prognozowanej
4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)
Bardziej 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 szczegółowoEKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ Joanna Górka WŁASNOŚCI PROGNOSTYCZNE MODELI KLASY RCA *
ACTA UNIVERSITATIS NICOLAI COPERNICI EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ 2009 Uniwersytet Mikołaja Kopernika w Toruniu Katedra Ekonometrii i Statystyki Joanna Górka WŁASNOŚCI PROGNOSTYCZNE
Bardziej szczegółowoSprawy organizacyjne
Sprawy organizacyjne forma zajęć warunki uczestnictwa warunki zaliczenia Modelowanie Rynków Finansowych 1 Hipoteza Random Walk na wschodzących rynkach Europejskich Graham Smith, Hyun-Jung Ryoo (2003) Variance
Bardziej szczegółowoĆwiczenia 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
Bardziej szczegółowoProjekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018
Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018 Nr indeksu... Imię i Nazwisko... Nr grupy ćwiczeniowej... Imię i Nazwisko prowadzącego... 1. Specyfikacja modelu
Bardziej szczegółowoProjekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015
Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015 Nr indeksu... Imię i Nazwisko... Nr grupy ćwiczeniowej... Imię i Nazwisko prowadzącego... 1. Specyfikacja modelu
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 szczegółowoMetody 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
Bardziej szczegółowoTeoria informacji i kodowania Ćwiczenia Sem. zimowy 2016/2017
Teoria informacji i kodowania Ćwiczenia Sem. zimowy 06/07 Źródła z amięcią Zadanie (kolokwium z lat orzednich) Obserwujemy źródło emitujące dwie wiadomości: $ oraz. Stwierdzono, że częstotliwości wystęowania
Bardziej szczegółowoEKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE
EKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE ZADANIE 1 Oszacowano zależność między luką popytowa a stopą inflacji dla gospodarki niemieckiej. Wyniki estymacji są następujące: Estymacja KMNK,
Bardziej szczegółowoMarcin Błażejowski Wyższa Szkoła Bankowa w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Wyższa Szkoła Bankowa w Toruniu
Bardziej szczegółowoMODELOWANIE POLSKIEJ GOSPODARKI Z PAKIETEM R Michał Rubaszek
Tytuł: Autor: MODELOWANIE POLSKIEJ GOSPODARKI Z PAKIETEM R Michał Rubaszek Wstęp Książka "Modelowanie polskiej gospodarki z pakietem R" powstała na bazie materiałów, które wykorzystywałem przez ostatnie
Bardziej szczegółowoEliza Khemissi, doctor of Economics
Eliza Khemissi, doctor of Economics https://www.researchgate.net/profile/eliza_khemissi Publication Highlights Thesis Eliza Khemissi: Wybór najlepszych prognostycznych modeli zmienności za pomocą testów
Bardziej szczegółowoAnaliza 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.
Bardziej szczegółowoTomasz Stryjewski Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETYCZNE IX Ogólnopolskie Seminarium Naukowe 6 8 września 5 w Toruniu Katedra Ekonometrii i Statystyki Uniwersytet Mikołaja Kopernika w Toruniu Uniwersytet Mikołaja Kopernika w Toruniu
Bardziej szczegółowo1. Pokaż, że estymator MNW parametru β ma postać β = nieobciążony. Znajdź estymator parametru σ 2.
Zadanie 1 Niech y t ma rozkład logarytmiczno normalny o funkcji gęstości postaci [ ] 1 f (y t ) = y exp (ln y t β ln x t ) 2 t 2πσ 2 2σ 2 Zakładamy, że x t jest nielosowe a y t są nieskorelowane w czasie.
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 szczegółowoANALIZA KOINTEGRACJI STÓP PROCENTOWYCH W POLSCE
Aneta KŁODZIŃSKA ZESZYTY NAUKOWE INSTYTUTU EKONOMII I ZARZĄDZANIA ANALIZA KOINTEGRACJI STÓP PROCENTOWYCH W POLSCE Zarys treści: Celem artykułu jest określenie czy między stopami procentowymi w Polsce występuje
Bardziej szczegółowoWPŁYW SZOKÓW NAFTOWYCH NA ASYMETRIĘ CYKLU KONIUNKTURALNEGO - ANALIZA PRZEŁĄCZNIKOWYCH MODELI MARKOWA DLA PAŃSTW UNII EUROPEJSKIEJ
Zeszyty Naukowe PWSZ w Płocku Nauki Ekonomiczne, t. XXII, 2015. Uniwersytet Mikołaja Kopernika w Toruniu WPŁYW SZOKÓW NAFTOWYCH NA ASYMETRIĘ CYKLU KONIUNKTURALNEGO - ANALIZA PRZEŁĄCZNIKOWYCH MODELI MARKOWA
Bardziej szczegółowo3. 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
Bardziej szczegółowoMetoda Johansena objaśnienia i przykłady
Metoda Johansena objaśnienia i przykłady Model wektorowej autoregresji rzędu p, VAR(p), ma postad gdzie oznacza wektor zmiennych endogenicznych modelu. Model VAR jest stabilny, jeżeli dla, tzn. wielomian
Bardziej szczegółowoMini-quiz 0 Mini-quiz 1
rawda fałsz Mini-quiz 0.Wielkości ekstensywne to: a rędkość kątowa b masa układu c ilość cząstek d temeratura e całkowity moment magnetyczny.. Układy otwarte: a mogą wymieniać energię z otoczeniem b mogą
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 szczegółowoPiotr Fiszeder Uniwersytet Mikołaja Kopernika w Toruniu. Modelowanie procesów finansowych z długą pamięcią w średniej i wariancji
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Piotr Fiszeder Uniwersytet Mikołaja
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoANALIZA ZMIENNOŚCI INDEKSÓW GIEŁDOWYCH NA RYNKACH ZAGRANICZNYCH
Analiza zmienności indeksów giełdowych na rynkach zagranicznych STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 2 219 DOMINIK ROZKRUT Uniwersytet Szczeciński ANALIZA ZMIENNOŚCI INDEKSÓW GIEŁDOWYCH
Bardziej szczegółowoEkonometria. Ćwiczenia nr 3. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Ćwiczenia nr 3 Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 3 Własności składnika losowego 1 / 18 Agenda KMNK przypomnienie 1 KMNK przypomnienie 2 3 4 Jakub Mućk
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoMarcin Bartkowiak Katedra Matematyki Stosowanej AE Poznań. Charakterystyka wybranych szeregów czasowych na GPW
Marcin Bartkowiak Katedra Matematyki Stosowanej AE Poznań Charakterystyka wybranych szeregów czasowych na GPW 1. Wstęp Modelowanie szeregów czasowych jest podstawą ekonometrii finansowej. Umożliwia między
Bardziej szczegółowoWYBÓR FORMY OPODATKOWANIA PRZEDSIĘBIORSTW NIEPOSIADAJĄCYCH OSOBOWOŚCI PRAWNEJ
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 667 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 40 2011 ADAM ADAMCZYK Uniwersytet Szczeciński WYBÓR FORMY OPODATKOWANIA PRZEDSIĘBIORSTW NIEPOSIADAJĄCYCH OSOBOWOŚCI
Bardziej szczegółowo... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).
Egzamin ze Statystyki Matematycznej, WNE UW, wrzesień 016, zestaw B Odpowiedzi i szkice rozwiązań 1. Zbadano koszt 7 noclegów dla 4-osobowej rodziny (kwatery) nad morzem w sezonie letnim 014 i 015. Wylosowano
Bardziej szczegółowoMetody doświadczalne w hydraulice Ćwiczenia laboratoryjne. 1. Badanie przelewu o ostrej krawędzi
Metody doświadczalne w hydraulice Ćwiczenia laboratoryjne 1. adanie rzelewu o ostrej krawędzi Wrowadzenie Przelewem nazywana jest cześć rzegrody umiejscowionej w kanale, onad którą może nastąić rzeływ.
Bardziej szczegółowoEstymacja 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
Bardziej szczegółowoPorównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych
dr Piotr Sulewski POMORSKA AKADEMIA PEDAGOGICZNA W SŁUPSKU KATEDRA INFORMATYKI I STATYSTYKI Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych Wprowadzenie Obecnie bardzo
Bardziej szczegółowoWSTĘP 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:
Bardziej szczegółowoALGORYTM STRAŻAKA W WALCE Z ROZLEWAMI OLEJOWYMI
JOLANTA MAZUREK Akademia Morska w Gdyni Katedra Matematyki ALGORYTM STRAŻAKA W WALCE Z ROZLEWAMI OLEJOWYMI W artykule rzedstawiono model wykorzystujący narzędzia matematyczne do ustalenia reguł oraz rozwiązań,
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 11-12
Stanisław Cichocki Natalia Nehrebecka Zajęcia 11-12 1. Zmienne pominięte 2. Zmienne nieistotne 3. Obserwacje nietypowe i błędne 4. Współliniowość - Mamy 2 modele: y X u 1 1 (1) y X X 1 1 2 2 (2) - Potencjalnie
Bardziej szczegółowoSzeregi czasowe, analiza zależności krótkoi długozasięgowych
Szeregi czasowe, analiza zależności krótkoi długozasięgowych Rafał Weron rweron@im.pwr.wroc.pl Definicje Mając dany proces {X t } autokowariancję definiujemy jako : γ(t, t ) = cov(x t, X t ) = = E[(X t
Bardziej szczegółowoKarolina Napierała Wojciech Otto
Kalkulaca rezerw w ubezieczeniach maątkowych w oarciu o teorię zaufania, z równoczesnym r wykorzystaniem danych o odszkodowaniach wyłaconych i rezerwie liczone metodą indywidualną Karolina Naierała Wociech
Bardziej szczegółowoTemperatura i ciepło E=E K +E P +U. Q=c m T=c m(t K -T P ) Q=c przem m. Fizyka 1 Wróbel Wojciech
emeratura i cieło E=E K +E P +U Energia wewnętrzna [J] - ieło jest energią rzekazywaną między układem a jego otoczeniem na skutek istniejącej między nimi różnicy temeratur na sosób cielny rzez chaotyczne
Bardziej szczegółowoLABORATORIUM TECHNIKI CIEPLNEJ INSTYTUTU TECHNIKI CIEPLNEJ WYDZIAŁ INŻYNIERII ŚRODOWISKA I ENERGETYKI POLITECHNIKI ŚLĄSKIEJ
INSTYTUTU TECHNIKI CIEPLNEJ WYDZIAŁ INŻYNIERII ŚRODOWISKA I ENERGETYKI POLITECHNIKI ŚLĄSKIEJ INSTRUKCJA LABORATORYJNA Temat ćwiczenia: KONWEKCJA SWOBODNA W POWIETRZU OD RURY Konwekcja swobodna od rury
Bardziej szczegółowoKOMPUTEROWA SYMULACJA RUCHU CIAŁA SZTYWNEGO. WSPÓŁCZYNNIK RESTYTUCJI
Autorzy ćwiczenia: J. Grabski, K. Januszkiewicz Ćwiczenie 10 KOPUTEROWA SYULACJA RUCHU CIAŁA SZTYWNEGO. WSPÓŁCZYNNIK RESTYTUCJI 10.1. Cel ćwiczenia Celem ćwiczenia jest rzedstawienie możliwości wykorzystania
Bardziej szczegółowoEkonometria. 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
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 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 szczegółowoAnaliza nośności pionowej pojedynczego pala
Poradnik Inżyniera Nr 13 Aktualizacja: 09/2016 Analiza nośności ionowej ojedynczego ala Program: Plik owiązany: Pal Demo_manual_13.gi Celem niniejszego rzewodnika jest rzedstawienie wykorzystania rogramu
Bardziej szczegółowoWprowadzenie 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
Bardziej szczegółowo3. Analiza własności szeregu czasowego i wybór typu modelu
3. Analiza własności szeregu czasowego i wybór typu modelu 1. Metody analizy własności szeregu czasowego obserwacji 1.1. Analiza wykresu szeregu czasowego 1.2. Analiza statystyk opisowych zmiennej prognozowanej
Bardziej szczegółowoZad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:
Zadania ze statystyki cz. 7. Zad.1 Z populacji wyłoniono próbę wielkości 64 jednostek. Średnia arytmetyczna wartość cechy wyniosła 110, zaś odchylenie standardowe 16. Należy wyznaczyć przedział ufności
Bardziej szczegółowoMikroekonometria 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
Bardziej szczegółowoMetoda najmniejszych kwadratów
Własności algebraiczne Model liniowy Zapis modelu zarobki = β 0 + β 1 plec + β 2 wiek + ε Oszacowania wartości współczynników zarobki = b 0 + b 1 plec + b 2 wiek + e Model liniowy Tabela: Oszacowania współczynników
Bardziej szczegółowoWPŁYW KRYZYSU SUBPRIME NA DETERMINANTY WARIANCJI WARUNKOWEJ INDEKSU WIG20
Eliza Buszkowska Uniwersytet Adama Mickiewicza Piotr Płuciennik Uniwersytet Adama Mickiewicza WPŁYW KRYZYSU SUBPRIME NA DETERMINANTY WARIANCJI WARUNKOWEJ INDEKSU WIG0 Streszczenie. Kryzys subprime, który
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 szczegółowoOszczędności gospodarstw domowych Analiza przekrojowa i analiza kohort
Oszczędności gospodarstw domowych Analiza przekrojowa i analiza kohort Barbara Liberda prof. zw. Uniwersytetu Warszawskiego Wydział Nauk Ekonomicznych Konferencja Długoterminowe oszczędzanie Szkoła Główna
Bardziej szczegółowoWYKŁAD 5 TRANZYSTORY BIPOLARNE
43 KŁAD 5 TRANZYSTORY IPOLARN Tranzystor biolarny to odowiednie ołączenie dwu złącz n : n n n W rzeczywistości budowa tranzystora znacznie różni się od schematu okazanego owyżej : (PRZYKŁAD TRANZYSTORA
Bardziej szczegółowoZapis pochodnej. Modelowanie dynamicznych systemów biocybernetycznych. Dotychczas rozważane były głownie modele biocybernetyczne typu statycznego.
owanie dynamicznych systemów biocybernetycznych Wykład nr 9 z kursu Biocybernetyki dla Inżynierii Biomedycznej rowadzonego rzez Prof. Ryszarda Tadeusiewicza Dotychczas rozważane były głownie modele biocybernetyczne
Bardziej szczegółowoNiestacjonarne zmienne czasowe własności i testowanie
Materiał dla studentów Niestacjonarne zmienne czasowe własności i testowanie (studium przypadku) Część 3: Przykłady testowania niestacjonarności Nazwa przedmiotu: ekonometria finansowa I (22204), analiza
Bardziej szczegółowoZmiany koniunktury w Polsce. Budownictwo na tle innych sektorów.
Elżbieta Adamowicz Instytut Rozwoju Gospodarczego Szkoła Główna Handlowa w Warszawie Zmiany koniunktury w Polsce. Budownictwo na tle innych sektorów. W badaniach koniunktury przedmiotem analizy są zmiany
Bardziej szczegółowoFinansowe szeregi czasowe
24 kwietnia 2009 Modelem szeregu czasowego jest proces stochastyczny (X t ) t Z, czyli rodzina zmiennych losowych, indeksowanych liczbami całkowitymi i zdefiniowanych na pewnej przestrzeni probabilistycznej
Bardziej szczegółowoZastosowanie modelu regresji logistycznej w ocenie ryzyka ubezpieczeniowego. Łukasz Kończyk WMS AGH
Zastosowanie modelu regresji logistycznej w ocenie ryzyka ubezpieczeniowego Łukasz Kończyk WMS AGH Plan prezentacji Model regresji liniowej Uogólniony model liniowy (GLM) Ryzyko ubezpieczeniowe Przykład
Bardziej szczegółowoZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 689 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 50 2012 ANALIZA WŁASNOŚCI OPCJI SUPERSHARE
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 689 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 5 212 EWA DZIAWGO ANALIZA WŁASNOŚCI OPCJI SUPERSHARE Wprowadzenie Proces globalizacji rynków finansowych stwarza
Bardziej szczegółowoODPOWIEDZI NA PYTANIA. Dotyczy przetargu nieograniczonego na zakup sterylizatora parowego w formie leasingu finansowego (znak sprawy 75/13)
ublin, dn. 6.08.0r. ODPOWIEDZI NA PYTANIA Dotyczy rzetargu nieograniczonego na zaku sterylizatora arowego w formie leasingu finansowego (znak srawy 75/) Działając zgodnie z art. 8 ust. ustawy Prawo zamówień
Bardziej szczegółowoTERMODYNAMIKA. Termodynamika jest to dział nauk przyrodniczych zajmujący się własnościami
TERMODYNAMIKA Termodynamika jest to dział nauk rzyrodniczych zajmujący się własnościami energetycznymi ciał. Przy badaniu i objaśnianiu własności układów fizycznych termodynamika osługuje się ojęciami
Bardziej szczegółowoFORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS
FOLIA UNIVERSITATIS AGRICULTURAE STETINENSIS Folia Univ. Agric. Stetin. 007, Oeconomica 54 (47), 73 80 Mateusz GOC PROGNOZOWANIE ROZKŁADÓW LICZBY BEZROBOTNYCH WEDŁUG MIAST I POWIATÓW FORECASTING THE DISTRIBUTION
Bardziej szczegółowoWykład 4 Gaz doskonały, gaz półdoskonały i gaz rzeczywisty Równanie stanu gazu doskonałego uniwersalna stała gazowa i stała gazowa Odstępstwa gazów
Wykład 4 Gaz doskonały, gaz ółdoskonały i gaz rzeczywisty Równanie stanu gazu doskonałego uniwersalna stała gazowa i stała gazowa Odstęstwa gazów rzeczywistych od gazu doskonałego: stoień ściśliwości Z
Bardziej szczegółowoPrognozowanie cen surowców w rolnych na podstawie szeregów w czasowych
Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych Mariusz Hamulczuk Pułtusk 06.12.1011 Wprowadzenie Przewidywanie a prognozowanie Metoda prognozowania rodzaje metod i prognoz Czy moŝna
Bardziej szczegółowoCZĘŚĆ A. Literatura: Gomez V., Maravall A. (1996), Programs Tramo and Seats. Instructions for the User, Banco de Espana, Working Paper nr
CZĘŚĆ A ANALIZA SZEREGÓW CZASOWYCH ( max 200 znaków) Stanisław Cichocki, Natalia Nehrebecka, Paweł Strawiński Prowadzący zajęcia dr Stanisław Cichocki, dr Natalia Nehrebecka, dr Paweł Stawiński 30 godz.
Bardziej szczegółowosą niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X
Prawdoodobieństwo i statystyka 5..008 r. Zadaie. Załóżmy że 3 są iezależymi zmieymi losowymi o jedakowym rozkładzie Poissoa z wartością oczekiwaą λ rówą 0. Obliczyć v = var( 3 + + + 3 = 9). (A) v = 0 (B)
Bardziej szczegółowoEKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ Tomasz Zdanowicz TESTOWANIE SYMETRYCZNOŚCI ROZKŁADU WARUNKOWEGO
ACTA UNIVERSITATIS NICOLAI COPERNICI EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ 2009 Uniwersytet Mikołaja Kopernika w Toruniu Katedra Ekonometrii i Statystyki Tomasz Zdanowicz TESTOWANIE
Bardziej szczegółowoPorównanie nacisków obudowy Glinik 14/35-POz na spąg obliczonych metodą analityczną i metodą Jacksona
dr inż. JAN TAK Akademia Górniczo-Hutnicza im. St. Staszica w Krakowie inż. RYSZARD ŚLUSARZ Zakład Maszyn Górniczych GLINIK w Gorlicach orównanie nacisków obudowy Glinik 14/35-Oz na sąg obliczonych metodą
Bardziej szczegółowoKamila Bednarz-Okrzyńska* Uniwersytet Szczeciński
Studia i Prace WNEiZ US nr 45/1 2016 DOI: 10.18276/sip.2016.45/1-14 Kamila Bednarz-Okrzyńska* Uniwersytet Szczeciński Analiza zależności między wartością współczynnika asymetrii a wartością semiodchylenia
Bardziej szczegółowoLiteratura. Statystyka i demografia
ZESTAWIENIE zagadnień i literatury do egzaminu doktorskiego z przedmiotów kierunkowych III Wydziałowej Komisji ds. Przewodów Doktorskich na Wydziale Ekonomiczno-Socjologicznym Uniwersytetu Łódzkiego Ekonometria
Bardziej szczegółowoKurs euro/dolar natychmiastowy i terminowy analiza zależności krótkookresowych dla danych obserwowanych z częstotliwością dzienną i tygodniową
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Szkoła Główna Gospodarstwa Wiejskiego
Bardziej szczegółowoS t a t y s t y k a, część 3. Michał Żmihorski
S t a t y s t y k a, część 3 Michał Żmihorski Porównanie średnich -test T Założenia: Zmienne ciągłe (masa, temperatura) Dwie grupy (populacje) Rozkład normalny* Równe wariancje (homoscedasticity) w grupach
Bardziej szczegółowoBADANIE INFORMACYJNEJ EFEKTYWNOŚCI RYNKU W FORMIE SILNEJ NA PRZYKŁADZIE WYBRANYCH FUNDUSZY INWESTYCYJNYCH 1
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH X, 2009, str. 265-285 BADANIE INFORMACYJNEJ EFEKTYWNOŚCI RYNKU W FORMIE SILNEJ NA PRZYKŁADZIE WYBRANYCH FUNDUSZY INWESTYCYJNYCH 1 Dorota Witkowska, Krzysztof
Bardziej szczegółowoEkonometria. Zajęcia
Ekonometria Zajęcia 16.05.2018 Wstęp hipoteza itp. Model gęstości zaludnienia ( model gradientu gęstości ) zakłada, że gęstość zaludnienia zależy od odległości od okręgu centralnego: y t = Ae βx t (1)
Bardziej szczegółowoModele warunkowej heteroscedastyczności
Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Racjonalne oczekiwania inwestorów P t = E(P t+1 I t ) 1 + R (1) Teoria Przykład - zwroty
Bardziej szczegółowoe) 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
Bardziej szczegółowoNieliniowe. Liniowe. Nieliniowe. Liniowe. względem parametrów. Linearyzowane. sensu stricto
Ekonometria jak dorać funkcję? Przykłady użyte w materiałach opracowano w większości na azie danych ze skryptu B.Guzik, W.Jurek Podstawowe metody ekonometrii (wyd. AE Poznań 3) W doorze postaci funkcji
Bardziej szczegółowoProces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką
z losową stopą procentową i losową składką Instytut Matematyki i Informatyki Politechniki Wrocławskiej 10 czerwca 2008 Oznaczenia Wprowadzenie ξ n liczba wypłat w (n 1, n], Oznaczenia Wprowadzenie ξ n
Bardziej szczegółowoMarcin Błażejowski Uniwersytet Mikołaja Kopernika w Toruniu. Model opisu bąbla promocyjnego : identyfikacja, analiza oraz wykorzystanie
DYNAMICZN MODL KONOMTRYCZN IX Ogólnopolskie Seminarium Naukowe, 6 8 września 25 w Toruniu Katedra konometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Uniwersytet Mikołaja Kopernika w Toruniu
Bardziej szczegółowoDynamiczne struktury danych: listy
Dynamiczne struktury danych: listy Mirosław Mortka Zaczynając rogramować w dowolnym języku rogramowania jesteśmy zmuszeni do oanowania zasad osługiwania się odstawowymi tyami danych. Na rzykład w języku
Bardziej szczegółowoPrognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody. Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB
Prognozowanie cen surowców w rolnych na podstawie szeregów w czasowych - uwarunkowania i metody Sylwia Grudkowska NBP Mariusz Hamulczuk IERIGś-PIB Plan prezentacji Wprowadzenie do prognozowania Metody
Bardziej szczegółowo