Heteroscedastyczność. Zjawisko heteroscedastyczności Uogólniona Metoda Najmniejszych Kwadratów Stosowalna Metoda Najmniejszych Kwadratów
|
|
- Emilia Kowalewska
- 5 lat temu
- Przeglądów:
Transkrypt
1
2 Formy heteroscedastyczności Własności estymatorów MNK wydatki konsumpcyjne dochód rozporz¹dzalny Zródlo: Obliczenia wlasne, dane BBGD 2004
3 Formy heteroscedastyczności Własności estymatorów MNK Model y = X β + ε
4 Formy heteroscedastyczności Własności estymatorów MNK Model y = X β + ε Wariancja składnika losowego var(ε) = Ω = σ 2 V
5 Formy heteroscedastyczności Własności estymatorów MNK Model Wariancja składnika losowego y = X β + ε var(ε) = Ω = σ 2 V W przypadku heteroscedastycznego składnika losowego i braku autokorelacji V jest macierzą diagonalną
6 Formy heteroscedastyczności Własności estymatorów MNK 1 Wariancja może być funkcją liniową zmiennych macierzy Z var(ε i ) = σ 2 i = δz i δ > 0
7 Formy heteroscedastyczności Własności estymatorów MNK 1 Wariancja może być funkcją liniową zmiennych macierzy Z var(ε i ) = σi 2 = δz i δ > 0 2 Forma kwadratowa zabezpiecza przed ujemnością wariancji var(ε i ) = σi 2 = δzi 2 δ > 0
8 Formy heteroscedastyczności Własności estymatorów MNK 1 Wariancja może być funkcją liniową zmiennych macierzy Z var(ε i ) = σ 2 i = δz i δ > 0 2 Forma kwadratowa zabezpiecza przed ujemnością wariancji var(ε i ) = σ 2 i = δz 2 i δ > 0 3 Wariancja może być również funkcją afiniczną zmiennych macierzy Z var(ε i ) = σ 2 i = δ 1 + δ 2 z 2 i δ 1 > 0, δ 2 > 0 W takim przypadku mówimy o heteroscedastyczności addytywnej.
9 Formy heteroscedastyczności Własności estymatorów MNK 4 Wariancja może przyjmować postać wykładniczą var(ε i ) = σ 2 i = exp(δ 1 + δ 2 z 2 i ) Wtedy mówimy o wariancji z heteroscedastycznością multiplikatywną.
10 Formy heteroscedastyczności Własności estymatorów MNK 4 Wariancja może przyjmować postać wykładniczą var(ε i ) = σ 2 i = exp(δ 1 + δ 2 z 2 i ) Wtedy mówimy o wariancji z heteroscedastycznością multiplikatywną. 5 W modelu może również występować wariancja przełącznikowa (switching) { var(ε i ) = σi 2 σ 2 = 1 dla i=1...s dla i=s+1...t ten typ wariancji może być połączony z każdą z uprzednio przedstawionych postaci. σ 2 2
11 Nieobciążoność Formy heteroscedastyczności Własności estymatorów MNK Nieobciążoność estymatora wektora parametrów E(b) = E(X X ) 1 X y = E(X X ) 1 X (X β + ε) =
12 Nieobciążoność Formy heteroscedastyczności Własności estymatorów MNK Nieobciążoność estymatora wektora parametrów E(b) = E(X X ) 1 X y = E(X X ) 1 X (X β + ε) = = (X X ) 1 X X E(β) + (X X ) 1 X E(ε) = β }{{}}{{} I 0
13 Nieobciążoność Formy heteroscedastyczności Własności estymatorów MNK Nieobciążoność estymatora wektora parametrów E(b) = E(X X ) 1 X y = E(X X ) 1 X (X β + ε) = = (X X ) 1 X X E(β) + (X X ) 1 X E(ε) = β }{{}}{{} I 0 Estymator jest nieobciążony, gdyż jego postać nie zależy od składnika losowego
14 Brak zgodności Formy heteroscedastyczności Własności estymatorów MNK Brak zgodności estymatora wariancji wektora parametrów var(b) = E(b E(b))(b E(b)) = E[(X X ) 1 X εε X (X X ) 1 ]
15 Brak zgodności Formy heteroscedastyczności Własności estymatorów MNK Brak zgodności estymatora wariancji wektora parametrów var(b) = E(b E(b))(b E(b)) = E[(X X ) 1 X εε X (X X ) 1 ] = (X X ) 1 X E(εε )X (X X ) 1 = (X X ) 1 X E[Ω]X (X X ) 1
16 Brak zgodności Formy heteroscedastyczności Własności estymatorów MNK Brak zgodności estymatora wariancji wektora parametrów var(b) = E(b E(b))(b E(b)) = E[(X X ) 1 X εε X (X X ) 1 ] = (X X ) 1 X E(εε )X (X X ) 1 = (X X ) 1 X E[Ω]X (X X ) 1 var(b) = σ 2 (X X ) 1 X VX (X X ) 1
17 Brak zgodności Formy heteroscedastyczności Własności estymatorów MNK Brak zgodności estymatora wariancji wektora parametrów var(b) = E(b E(b))(b E(b)) = E[(X X ) 1 X εε X (X X ) 1 ] = (X X ) 1 X E(εε )X (X X ) 1 = (X X ) 1 X E[Ω]X (X X ) 1 var(b) = σ 2 (X X ) 1 X VX (X X ) 1 Standardowe testy oparte na statystykach t, χ 2 oraz F będą wskazywać nieprawidłowe wyniki
18 Własności estymatorów UMNK Ważona MNK Twierdzenie o faktoryzacji macierzy Każdą dodatnio określoną macierz A można przedstawić w postaci A = CΛC 1 gdzie kolumny macierzy C zawierają wektory własne macierzy A, a Λ jest macierzą diagonalną z wartościami własnymi macierzy A na diagonali.
19 Własności estymatorów UMNK Ważona MNK Zatem Ω = CΛC 1
20 Własności estymatorów UMNK Ważona MNK Zatem Ω = CΛC 1 Niech Λ = Λ 1 2 Λ 1 2
21 Własności estymatorów UMNK Ważona MNK Zatem Niech Λ = Λ 1 2 Λ 1 2 Ω = CΛC 1 Niech P = CΛ 1 2. Wobec tego Ω 1 = P P, ponieważ P (jeśli nie ma autokorelacji) i Λ są diagonalne to P = P oraz Λ = Λ.
22 Własności estymatorów UMNK Ważona MNK Zatem Niech Λ = Λ 1 2 Λ 1 2 Ω = CΛC 1 Niech P = CΛ 1 2. Wobec tego Ω 1 = P P, ponieważ P (jeśli nie ma autokorelacji) i Λ są diagonalne to P = P oraz Λ = Λ. Mnożąc model regresji przez macierz P z lewej strony uzyskujemy Py = PX β + Pε lub alternatywnie y = X β + ε (1)
23 Własności estymatorów UMNK Ważona MNK Zatem Niech Λ = Λ 1 2 Λ 1 2 Ω = CΛC 1 Niech P = CΛ 1 2. Wobec tego Ω 1 = P P, ponieważ P (jeśli nie ma autokorelacji) i Λ są diagonalne to P = P oraz Λ = Λ. Mnożąc model regresji przez macierz P z lewej strony uzyskujemy Py = PX β + Pε lub alternatywnie y = X β + ε (1) Wariancja składnika losowego dla przekształconego modelu wynosi E[ε ε ] = Pεε P = σ 2 PVP = σ 2 I
24 Własności estymatorów UMNK Ważona MNK Estymator UMNK wektora parametrów Zapiszmy wzór na estymator MNK ˆβ = (X X ) 1 X y
25 Własności estymatorów UMNK Ważona MNK Estymator UMNK wektora parametrów Zapiszmy wzór na estymator MNK ˆβ = (X X ) 1 X y Podstawiając otrzymujemy ˆβ = (X P PX ) 1 X P Py
26 Własności estymatorów UMNK Ważona MNK Estymator UMNK wektora parametrów Zapiszmy wzór na estymator MNK ˆβ = (X X ) 1 X y Podstawiając otrzymujemy ˆβ = (X P PX ) 1 X P Py W rezultacie ˆβ = (X Ω 1 X ) 1 X Ω 1 y
27 Własności estymatorów UMNK Ważona MNK Estymator UMNK wariancji wektora parametrów W MNK var(b) = σ 2 (X X ) 1 zatem var( ˆβ) = σ 2 (X V 1 X ) 1
28 Własności estymatorów UMNK Ważona MNK Estymator UMNK wariancji wektora parametrów W MNK var(b) = σ 2 (X X ) 1 zatem var( ˆβ) = σ 2 (X V 1 X ) 1 Ale nie jest ona równa wariancji estymatora MNK var(b) = σ 2 (X X ) 1 X VX (X X ) 1 σ 2 (X V 1 X ) 1
29 Własności estymatorów UMNK Ważona MNK Estymator UMNK wariancji wektora parametrów W MNK var(b) = σ 2 (X X ) 1 zatem var( ˆβ) = σ 2 (X V 1 X ) 1 Ale nie jest ona równa wariancji estymatora MNK var(b) = σ 2 (X X ) 1 X VX (X X ) 1 σ 2 (X V 1 X ) 1 Zatem wykorzystując MNK nie można w prawidłowy sposób oszacować wariancji jeśli składnik losowy nie jest sferyczny
30 Własności estymatorów UMNK Ważona MNK Twierdzenie Aitkena Estymator Uogólnionej Metody Najmniejszych Kwadratów jest najlepszym, liniowym i nieobciążonym estymatorem wektora parametrów β o ile postać macierzy wariancji jest znana
31 Własności estymatorów UMNK Ważona MNK Twierdzenie Aitkena Estymator Uogólnionej Metody Najmniejszych Kwadratów jest najlepszym, liniowym i nieobciążonym estymatorem wektora parametrów β o ile postać macierzy wariancji jest znana Twierdzenie Aitkena wynika wprost z zastosowania Twierdzenia Gaussa-Markowa do przekształconego modelu
32 Własności estymatorów UMNK Ważona MNK Praktyka. Nie znamy postaci macierzy V
33 Własności estymatorów UMNK Ważona MNK Praktyka. Nie znamy postaci macierzy V Nie możemy jej oszacować ze względu na duży wymiar
34 Własności estymatorów UMNK Ważona MNK Praktyka. Nie znamy postaci macierzy V Nie możemy jej oszacować ze względu na duży wymiar Szczególny przypadek - Ważona Metoda Najmniejszych Kwadratów
35 Własności estymatorów UMNK Ważona MNK Estymator UMNK dany jest wzorem: ˆβ = (X Ω 1 X ) 1 X Ω 1 y
36 Własności estymatorów UMNK Ważona MNK Estymator UMNK dany jest wzorem: ˆβ = (X Ω 1 X ) 1 X Ω 1 y Jeżeli elementy ω i (wagi) są znane to Ω 1 jest macierzą diagonalną o elementach na diagonali równych 1/ω i.
37 Własności estymatorów UMNK Ważona MNK Estymator UMNK dany jest wzorem: ˆβ = (X Ω 1 X ) 1 X Ω 1 y Jeżeli elementy ω i (wagi) są znane to Ω 1 jest macierzą diagonalną o elementach na diagonali równych 1/ω i. Przekształcając model mnożąc przez macierz P daną wzorem: P = 1/ ω / ω N i stosując MNK do przekształconego modelu
38 Własności estymatorów UMNK Ważona MNK Estymator UMNK dany jest wzorem: ˆβ = (X Ω 1 X ) 1 X Ω 1 y Jeżeli elementy ω i (wagi) są znane to Ω 1 jest macierzą diagonalną o elementach na diagonali równych 1/ω i. Przekształcając model mnożąc przez macierz P daną wzorem: P = 1/ ω / ω N i stosując MNK do przekształconego modelu otrzymujemy estymator ważonej MNK w którym w i = 1/ω i. ( n ) 1 ( n ) b = w i x i x i w i x i y i i=1 i=1
39 Estymator White a Zakładamy, że wariancja jest funkcją zmiennych Z E(ε i Z i ) = σ 2 i = σ 2 f (z i )
40 Estymator White a Zakładamy, że wariancja jest funkcją zmiennych Z E(ε i Z i ) = σ 2 i = σ 2 f (z i ) Wówczas odwrotność macierzy wariancji-kowariancji ma postać Ω 1 = 1 σ 2 V 1 = 1 σ 2 1 f (α 0 +αz i ) f (α 0 +αz i ) = σ 2 L L
41 SUMNK - algorytm Estymator White a 1 Szacujemy model y i = x i b + e i i uzyskujemy wektor reszt.
42 SUMNK - algorytm Estymator White a 1 Szacujemy model y i = x i b + e i i uzyskujemy wektor reszt. 2 Przeprowadzamy regresję e 2 i na stałej i wektorze z i
43 SUMNK - algorytm Estymator White a 1 Szacujemy model y i = x i b + e i i uzyskujemy wektor reszt. 2 Przeprowadzamy regresję e 2 i na stałej i wektorze z i 3 Szacujemy macierz L.
44 SUMNK - algorytm Estymator White a 1 Szacujemy model y i = x i b + e i i uzyskujemy wektor reszt. 2 Przeprowadzamy regresję ei 2 na stałej i wektorze z i 3 Szacujemy macierz L. 4 Przekształcamy za pomocą oszacowania ˆL oryginalny model
45 SUMNK - algorytm Estymator White a 1 Szacujemy model y i = x i b + e i i uzyskujemy wektor reszt. 2 Przeprowadzamy regresję ei 2 na stałej i wektorze z i 3 Szacujemy macierz L. 4 Przekształcamy za pomocą oszacowania ˆL oryginalny model 5 Obliczamy wartość estymatora
46 SUMNK - algorytm Estymator White a 1 Szacujemy model y i = x i b + e i i uzyskujemy wektor reszt. 2 Przeprowadzamy regresję ei 2 na stałej i wektorze z i 3 Szacujemy macierz L. 4 Przekształcamy za pomocą oszacowania ˆL oryginalny model 5 Obliczamy wartość estymatora W praktyce oszacowania uzyskane za pomocą SUMNK są zbliżone do oszacowań MNK.
47 ( Estymator White a SUMNK - przykład) Source SS df MS Number of obs = F( 1, 27368) = Model e e+10 Prob > F = Residual e R-squared = Adj R-squared = Total e Root MSE = w Coef. Std. Err. t P> t [95% Conf. Interval] ld _cons
48 ( Estymator White a SUMNK - przykład) Source SS df MS Number of obs = F( 1, 31488) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = w_f Coef. Std. Err. t P> t [95% Conf. Interval] ld_f _cons
49 Estymator White a Estymator odporny na heteroscedastyczność Jeżeli macierz wariacji-kowariancji Ω byłaby znana, wówczas estymatorem asymptotycznej macierzy kowariancji b byłoby Ω = 1 N ( 1 N X X ) 1 ( 1 N X V 1 X )( 1 N X X ) 1 Aby oszacować elementy środkowej macierzy trzeba znaleźć elementy macierzy plim 1 N N σ 2 N ijx i x j i=1 j=1 Ponieważ estymator MNK dla wektora parametrów β jest zgodny, estymatory dla reszt e i są punktowo zgodne White (1980) pokazał, że plim 1 N ei 2 = x i x i = plim 1 N N σ 2 N N ijx i x j i=1 i=1 j=1
50 Estymator White a Estymator odporny na heteroscedastyczność Zatem następujące macierze są asymptotycznie równoważne 1 N X ΩX = 1 N X σ 2 i IX
51 Estymator White a Estymator odporny na heteroscedastyczność Zatem następujące macierze są asymptotycznie równoważne 1 N X ΩX = 1 N X σ 2 i IX Zgodnym estymatorem macierzy wariancji-kowariancji wektora parametrów jest ˆΣ b = n(x X ) 1[ 1 ] e 2 N i x i x i (X X ) 1
52 Regresja odporna - przykład Estymator White a. reg wtukg ldochg [aw=w04g] if dochg>0 & wtukg>0 (sum of wgt is e+04) Source SS df MS Number of obs = F( 1, 32052) = Model e e+10 Prob > F = Residual e R-squared = Adj R-squared = Total e Root MSE = wtukg Coef. Std. Err. t P> t [95% Conf. Interval] ldochg _cons
53 Regresja odporna - przykład Estymator White a. reg wtukg ldochg [aw=w04g] if dochg>0 & wtukg>0,robust (sum of wgt is e+04) Linear regression Number of obs = F( 1, 32052) = Prob > F = R-squared = Root MSE = Robust wtukg Coef. Std. Err. t P> t [95% Conf. Interval] ldochg _cons
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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 14
Stanisław Cichocki Natalia Nehrebecka Wykład 14 1 1.Problemy z danymi Współliniowość 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji Metody radzenia sobie z heteroskedastycznością
Bardziej szczegółowo2 Rozszerzenia MNK. 2.1 Heteroscedastyczność
2 Rozszerzenia MNK 2.1 Heteroscedastyczność 2.1.1 Wprowadzenie Przy wyprowadzaniu estymatorów Klasycznego Modelu Regresji Liniowej (KMRL) zakładaliśmy, że są spełnione założenia Gaussa-Markowa, tzn. składniki
Bardziej szczegółowoCzasowy wymiar danych
Problem autokorelacji Model regresji dla szeregów czasowych Model regresji dla szeregów czasowych y t = X t β + ε t Zasadnicze różnice 1 Budowa prognoz 2 Problem stabilności parametrów 3 Problem autokorelacji
Bardziej szczegółowoNatalia Neherbecka. 11 czerwca 2010
Natalia Neherbecka 11 czerwca 2010 1 1. Konsekwencje heteroskedastyczności i autokorelacji 2. Uogólniona MNK 3. Stosowalna Uogólniona MNK 4. Odporne macierze wariancji i kowariancji b 2 1. Konsekwencje
Bardziej szczegółowoTestowanie hipotez statystycznych
Część 2 Hipoteza złożona Testowanie hipotez łącznych Zapis matematyczny Rozkład statystyki testowej Hipoteza łączna H 0 : Rβ = q Hipoteza złożona Testowanie hipotez łącznych Zapis matematyczny Rozkład
Bardziej szczegółowoEkonometria dla IiE i MSEMat Z12
Ekonometria dla IiE i MSEMat Z12 Rafał Woźniak Faculty of Economic Sciences, University of Warsaw Warszawa, 09-01-2017 Test RESET Ramsey a W pierwszym etapie estymujemy współczynniki regresji w modelu:
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 12
Stanisław Cichocki Natalia Nehrebecka Wykład 1 1 1. Testy diagnostyczne Testowanie stabilności parametrów modelu: test Chowa. Heteroskedastyczność Konsekwencje Testowanie heteroskedastyczności 1. Testy
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 szczegółowoEkonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 0/0/0. Egzamin trwa 90 minut.. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu. Złamanie
Bardziej szczegółowoMetody Ekonometryczne
Metody Ekonometryczne Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Metody Ekonometyczne Wykład 4 Uogólniona Metoda Najmniejszych Kwadratów (GLS) 1 / 19 Outline 1 2 3 Jakub Mućk Metody Ekonometyczne
Bardziej 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 szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Egzamin z ekonometrii wersja IiE, MSEMAT 04-02-2016 Pytania teoretyczne 1. Za pomocą jakiego testu weryfikowana jest normalność składnika losowego? Jakiemu założeniu KMRL odpowiada w tym teście? Jakie
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 szczegółowoEkonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 02/02/2011 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
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 szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natalia Nehrebecka Stanisław Cichocki Wykład 10 1 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoAutokorelacja i heteroskedastyczność
Autokorelacja i heteroskedastyczność Założenie o braku autokorelacji Cov (ε i, ε j ) = E (ε i ε j ) = 0 dla i j Oczekiwana wielkość elementu losowego nie zależy od wielkości elementu losowego dla innych
Bardziej szczegółowoEgzamin z ekonometrii - wersja ogólna
Egzamin z ekonometrii - wersja ogólna 06-02-2019 Regulamin egzaminu 1. Egzamin trwa 90 min. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoEkonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 01/02/2019 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoEkonometria egzamin wersja Informatyka i Ekonometria 26/06/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja Informatyka i Ekonometria 26/06/08 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoEkonometria egzamin 06/03/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 06/03/2019 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 9
Stanisław Cichocki Natalia Nehrebecka Wykład 9 1 1. Dodatkowe założenie KMRL 2. Testowanie hipotez prostych Rozkład estymatora b Testowanie hipotez prostych przy użyciu statystyki t 3. Przedziały ufności
Bardziej szczegółowo2.2 Autokorelacja Wprowadzenie
2.2 Autokorelacja 2.2.1 Wprowadzenie Przy wyprowadzaniu estymatorów Klasycznego Modelu Regresji Liniowej (KMRL) zakładaliśmy, że są spełnione założenia Gaussa-Markowa, tzn. składniki losowe są homoscedastyczne
Bardziej szczegółowoProblem równoczesności w MNK
Problem równoczesności w MNK O problemie równoczesności mówimy, gdy występuje korelacja między wartościa oczekiwana ε i i równoczesnym x i Model liniowy y = Xβ + ε, E (u) = 0 Powiedzmy, że występuje w
Bardziej szczegółowoDefinicja danych panelowych Typy danych panelowych Modele dla danych panelowych. Dane panelowe. Część 1. Dane panelowe
Część 1 to dane, które jednocześnie posiadają cechy danych przekrojowych i szeregów czasowych to dane, które jednocześnie posiadają cechy danych przekrojowych i szeregów czasowych Czyli obserwujemy te
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 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 szczegółowo1.9 Czasowy wymiar danych
1.9 Czasowy wymiar danych Do tej pory rozpatrywaliśmy jedynie modele tworzone na podstawie danych empirycznych pochodzących z prób przekrojowych. Teraz zajmiemy się zagadnieniem budowy modeli regresji,
Bardziej szczegółowoEkonometria egzamin 31/01/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 31/01/2018 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoWprowadzenie Testy własności składnika losowego. Diagnostyka modelu. Część 1. Diagnostyka modelu
Część 1 Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy małej próby Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy małej próby Testy
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 10
Stanisław Cichocki Natalia Nehrebecka Wykład 10 1 1. Testy diagnostyczne Testowanie prawidłowości formy funkcyjnej: test RESET Testowanie normalności składników losowych: test Jarque-Berra Testowanie stabilności
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 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 szczegółowoModele wielorównaniowe (forma strukturalna)
Modele wielorównaniowe (forma strukturalna) Formę strukturalna modelu o G równaniach AY t = BX t + u t, gdzie Y t = [y 1t,..., y Gt ] X t = [x 1t,..., x Kt ] u t = [u 1t,..., u Gt ] E (u t ) = 0 Var (u
Bardziej szczegółowoLosowe zmienne objaśniające. Rozszerzenia KMRL. Rozszerzenia KMRL
MNK z losową macierzą obserwacji Równanie modelu y = X β + ε Jeżeli X zawiera elementy losowe to należy sprawdzić czy E(b β) = E[(X X ) 1 X ε]? = E[(X X ) 1 X ]E(ε) Przypomnienie: Nieskorelowane zmienne
Bardziej 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 szczegółowo1.3 Własności statystyczne estymatorów MNK
1.3 Własności statystyczne estymatorów MNK 1. Estymator nazywamy estymatorem nieobciążonym, jeżeli jego wartość oczekiwana jest równa wartości szacowanego parametru. Udowodnimy, że estymator MNK wektora
Bardziej 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 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 szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Pytania teoretyczne Egzamin z ekonometrii wersja IiE, MSEMAT 08-02-2017 1. W jaki sposób przeprowadzamy test Chowa? 2. Pokazać, że jest nieobciążonym estymatorem. 3. Udowodnić, że w modelu ze stałą TSSESS+RSS.
Bardziej szczegółowoZmienne sztuczne i jakościowe
Zmienne o ograniczonym zbiorze wartości Przykład 1. zarobki = β 0 + β 1 liczba godzin pracy + β 2 wykształcenie + ε Przykład 2. zarobki = β 0 + β 1 liczba godzin pracy + β 2 klm + ε zarobki = β 0 + β 1
Bardziej szczegółowoDiagnostyka w Pakiecie Stata
Karol Kuhl Zgodnie z twierdzeniem Gaussa-Markowa, estymator MNK w KMRL jest liniowym estymatorem efektywnym i nieobciążonym, co po angielsku opisuje się za pomocą wyrażenia BLUE Best Linear Unbiased Estimator.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Problemy z danymi Obserwacje nietypowe i błędne Współliniowość. Heteroskedastycznośd i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Egzamin z ekonometrii wersja IiE, MSEMAT 02022015 Pytania teoretyczne 1. Podać treść twierdzenia GaussaMarkowa i wyjaśnić jego znaczenie. 2. Za pomocą jakich testów testuje się autokorelację? Jakiemu założeniu
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMat Pytania teoretyczne
Egzamin z ekonometrii wersja IiE, MSEMat 31-01-2014 Pytania teoretyczne 1. Podać postać przekształcenia Boxa-Coxa i wyjaśnić, do czego jest stosowane w ekonometrii. 2. Wyjaśnić, jakie korzyści i niebezpieczeństwa
Bardziej szczegółowoEgzamin z ekonometrii wersja ogólna Pytania teoretyczne
Egzamin z ekonometrii wersja ogólna 08-02-2017 Pytania teoretyczne 1. Za pomocą którego testu testujemy stabilność parametrów? Jakiemu założeniu KMRL odpowiada H0 w tym teście? Jaka jest hipoteza alternatywna
Bardziej szczegółowoEgzamin z ekonometrii wersja ogolna
Egzamin z ekonometrii wersja ogolna 04-02-2016 Pytania teoretyczne 1. Wymienić założenia Klasycznego Modelu Regresji Liniowej (KMRL). 2. Wyprowadzić estymator MNK dla modelu z wieloma zmiennymi objaśniającymi.
Bardziej szczegółowoBudowa modelu i testowanie hipotez
Problemy metodologiczne Gdzie jest problem? Obciążenie Lovella Dysponujemy oszacowaniami parametrów następującego modelu y t = β 0 + β 1 x 1 +... + β k x k + ε t Gdzie jest problem? Obciążenie Lovella
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 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 Cichocki. Natalia Nehrebecka. Wykład 14
Stanisław Cichocki Natalia Nehrebecka Wykład 14 1 1.Problemy z danymi Zmienne pominięte Zmienne nieistotne Obserwacje nietypowe i błędne Współliniowość - Mamy 2 modele: y X u 1 1 (1) y X X 1 1 2 2 (2)
Bardziej szczegółowo1.7 Ograniczenia nakładane na równanie regresji
1.7 Ograniczenia nakładane na równanie regresji Często teoria ekonomiczna wskazuje dobór zmiennych do modelu. Jednak nie w każdym przypadku oceny wartości parametrów są statystycznie istotne. Zastanowimy
Bardziej szczegółowoEgzamin z ekonometrii wersja ogólna Pytania teoretyczne
Egzamin z ekonometrii wersja ogólna 31-01-2014 Pytania teoretyczne 1. Podać postać przekształcenia Boxa-Coxa i wyjaśnić, do czego jest stosowane w ekonometrii. 2. Porównaj zastosowania znanych ci kontrastów
Bardziej szczegółowoEkonometria egzamin wersja ogólna 17/06/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja ogólna 17/06/08 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natalia Nehrebecka Stanisław Cichocki Wykład 10 1 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoNatalia Nehrebecka. 18 maja 2010
Natalia Nehrebecka 18 maja 2010 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów 5. Testowanie
Bardziej szczegółowoMetody Ekonometryczne
Metody Ekonometryczne Niesferyczność macierzy wariancji kowariancji składnika losowego Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Metody Ekonometyczne Wykład 3 Niesferyczność macierzy wariancji
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 6
Natalia Nehrebecka Stanisław Cichocki Wykład 6 1 1. Zmienne dyskretne Zmienne zero-jedynkowe 2. Modele z interakcjami 2 Zmienne dyskretne Zmienne nominalne Zmienne uporządkowane 3 4 1 podstawowe i 0 podstawowe
Bardziej szczegółowoEkonometria. Własności składnika losowego. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Własności składnika losowego Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 1 / 31 Agenda KMNK przypomnienie 1 KMNK przypomnienie 2 3 4
Bardziej szczegółowoHeteroskedastyczość w szeregach czasowyh
Heteroskedastyczość w szeregach czasowyh Czesto zakłada się, że szeregi czasowe wykazuja autokorelację ae sa homoskedastyczne W rzeczywistości jednak często wariancja zmienia się w czasie Dobrym przykładem
Bardziej szczegółowoEkonometria egzamin wersja Informatyka i Ekonometria 29/01/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja Informatyka i Ekonometria 29/0/08. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz
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 szczegółowo, a reszta dla pominiętej obserwacji wynosi 0, RSS jest stałe, T SS rośnie, więc zarówno R 2 jak i R2 rosną. R 2 = 1 n 1 n. rosnie. n 2 (1 R2 ) = 1 59
Zadanie 1. Ekonometryk szacując funkcję konsumpcji przeprowadził estymację osobno dla tzw. Polski A oraz Polski B. Dla Polski A posiadał n 1 = 40 obserwacji i uzyskał współczynnik dopasowania RA 2 = 0.4,
Bardziej szczegółowoDiagnostyka w Pakiecie Stata
Karol Kuhl Zgodnie z twierdzeniem Gaussa-Markowa, estymator MNK w KMRL jest liniowym estymatorem efektywnym i nieobciążonym, co po angielsku opisuje się za pomocą wyrażenia BLUE Best Linear Unbiased Estimator.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wprowadzenie do danych panelowych a) Charakterystyka danych panelowych b) Zalety i ograniczenia 2. Modele ekonometryczne danych panelowych a) Model efektów nieobserwowalnych
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 10
Stanisław Cichoci Natalia Nehrebeca Wyład 10 1 1. Testowanie hipotez prostych Rozład estymatora b Testowanie hipotez prostych przy użyciu statystyi t Przedziały ufności Badamy czy hipotezy teoretyczne
Bardziej szczegółowoEkonometria. Metodologia budowy modelu. Jerzy Mycielski. Luty, 2011 WNE, UW. Jerzy Mycielski (WNE, UW) Ekonometria Luty, / 18
Ekonometria Metodologia budowy modelu Jerzy Mycielski WNE, UW Luty, 2011 Jerzy Mycielski (WNE, UW) Ekonometria Luty, 2011 1 / 18 Sprawy organizacyjne Dyżur: środa godz. 14-15 w sali 302. Strona internetowa
Bardziej szczegółowo1.5 Problemy ze zbiorem danych
1.5 Problemy ze zbiorem danych W praktyce ekonometrycznej bardzo rzadko spełnione są wszystkie założenia klasycznego modelu regresji liniowej. Częstym przypadkiem jest, że zbiór danych którymi dysponujemy
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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 4
Stanisław Cichocki Natalia Nehrebecka Wykład 4 1 1. Własności hiperpłaszczyzny regresji 2. Dobroć dopasowania równania regresji. Współczynnik determinacji R 2 Dekompozycja wariancji zmiennej zależnej Współczynnik
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. 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 Nehrebecka. Wykład 1
Stanisław Cichocki Natalia Nehrebecka Wykład 1 1 1. Sprawy organizacyjne Zasady zaliczenia Ćwiczenia Literatura 2. Obciążenie Lovella 3. Metoda od ogólnego do szczególnego 4. Kryteria informacyjne 2 1.
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 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 szczegółowoEkonometria egzamin wersja ogólna 29/01/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja ogólna 29/0/08. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca
Bardziej szczegółowo1 Metoda Najmniejszych Kwadratów (MNK) 2 Interpretacja parametrów modelu. 3 Klasyczny Model Regresji Liniowej (KMRL)
1 Metoda Najmniejszych Kwadratów (MNK) 1. Co to jest zmienna endogeniczna, a co to zmienne egzogeniczna? 2. Podaj postać macierzy obserwacji dla modelu y t = a + bt + ε t 3. Co to jest wartość dopasowana,
Bardziej 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 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 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 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 Ekonometryczne
Metody Ekonometryczne Metoda Najmniejszych Kwadratów Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Metody Ekonometyczne Wykład 1 1 / 45 Outline Literatura Zaliczenie przedmiotu 1 Sprawy organizacyjne
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 szczegółowo1.1 Klasyczny Model Regresji Liniowej
1.1 Klasyczny Model Regresji Liniowej Klasyczny model Regresji Liniowej jest bardzo użytecznym narzędziem służącym do analizy danych empirycznych. Analiza regresji zajmuje się opisem zależności między
Bardziej szczegółowoAnaliza Szeregów Czasowych. Egzamin
Analiza Szeregów Czasowych Egzamin 12-06-2018 Zadanie 1: Zadanie 2: Zadanie 3: Zadanie 4: / 12 pkt. / 12 pkt. / 12 pkt. / 14 pkt. Projekt zaliczeniowy: Razem: / 100 pkt. / 50 pkt. Regulamin egzaminu 1.
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 szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 2 3 1. Wprowadzenie do danych panelowych a) Charakterystyka danych panelowych b) Zalety i ograniczenia 2. Modele ekonometryczne danych panelowych a) Model efektów
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XV: Zagadnienia redukcji wymiaru danych 2 lutego 2015 r. Standaryzacja danych Standaryzacja danych Własności macierzy korelacji Definicja Niech X będzie zmienną losową o skończonym drugim momencie.
Bardziej szczegółowoEgzamin z ekonometrii IiE
Pytania teoretyczne Egzamin z ekonometrii IiE 22.06.2012 1. Kiedy selekcja próby jest problemem i jaki model można stosować w przypadku samoselekcji próby? 2. Jakie są konieczne założenia, by estymator
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 28 listopada 2018 Plan zaj eć 1 Rozk lad estymatora b 2 3 dla parametrów 4 Hipotezy l aczne - test F 5 Dodatkowe za lożenie
Bardziej szczegółowoStosowana Analiza Regresji
prostej Stosowana Wykład I 5 Października 2011 1 / 29 prostej Przykład Dane trees - wyniki pomiarów objętości (Volume), średnicy (Girth) i wysokości (Height) pni drzew. Interesuje nas zależność (o ile
Bardziej szczegółowoEkonometria dla IiE i MSEMat Z7
Ekonometria dla IiE i MSEMat Z7 Rafał Woźniak Faculty of Economic Sciences, University of Warsaw Warszawa, 21-11-2016 Na podstawie zbioru danych cps_small.dat z książki Principles of Econometrics oszacowany
Bardziej szczegółowoUogólniona Metoda Momentów
Uogólniona Metoda Momentów Momenty z próby daż a do momentów teoretycznych (Prawo Wielkich Liczb) plim 1 n y i = E (y) n i=1 Klasyczna Metoda Momentów (M M) polega na szacowaniu momentów teoretycznych
Bardziej szczegółowoZmienne Binarne w Pakiecie Stata
Karol Kuhl Zbiór (hipotetyczny) dummy.dta zawiera dane, na podstawie których prowadzono analizy opisane poniżej. Nazwy zmiennych oznaczają: doch dochód w jednostkach pieniężnych; plec płeć: kobieta (0),
Bardziej szczegółowoAnalizowane modele. Dwa modele: y = X 1 β 1 + u (1) y = X 1 β 1 + X 2 β 2 + ε (2) Będziemy analizować dwie sytuacje:
Analizowane modele Dwa modele: y = X 1 β 1 + u (1) Będziemy analizować dwie sytuacje: y = X 1 β 1 + X 2 β 2 + ε (2) zmienne pominięte: estymujemy model (1) a w rzeczywistości β 2 0 zmienne nieistotne:
Bardziej szczegółowoWYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 6 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Własności Wariancji Przypomnijmy, że VarX = E(X EX) 2 = EX 2 (EX) 2. Własności
Bardziej szczegółowoStacjonarność Integracja. Integracja. Integracja
Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli: Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli:
Bardziej szczegółowo