Wprowadzenie Modele o opóźnieniach rozłożonych Modele autoregresyjne o opóźnieniach rozłożonych. Modele dynamiczne.
|
|
- Magda Lis
- 4 lat temu
- Przeglądów:
Transkrypt
1
2 opisują kształtowanie się zjawiska w czasie
3 opisują kształtowanie się zjawiska w czasie Najważniejszymi zastosowaniami modeli dynamicznych są
4 opisują kształtowanie się zjawiska w czasie Najważniejszymi zastosowaniami modeli dynamicznych są badanie procesu dochodzenia do równowagi długookresowej
5 opisują kształtowanie się zjawiska w czasie Najważniejszymi zastosowaniami modeli dynamicznych są badanie procesu dochodzenia do równowagi długookresowej istnienie takiej równowagi
6 opisują kształtowanie się zjawiska w czasie Najważniejszymi zastosowaniami modeli dynamicznych są badanie procesu dochodzenia do równowagi długookresowej istnienie takiej równowagi szybkość dostosowań w obliczu szoków egzogenicznych
7 opisują kształtowanie się zjawiska w czasie Najważniejszymi zastosowaniami modeli dynamicznych są badanie procesu dochodzenia do równowagi długookresowej istnienie takiej równowagi szybkość dostosowań w obliczu szoków egzogenicznych dodatkowo modele dynamiczne można wykorzystać do
8 opisują kształtowanie się zjawiska w czasie Najważniejszymi zastosowaniami modeli dynamicznych są badanie procesu dochodzenia do równowagi długookresowej istnienie takiej równowagi szybkość dostosowań w obliczu szoków egzogenicznych dodatkowo modele dynamiczne można wykorzystać do budowania prognoz
9 opisują kształtowanie się zjawiska w czasie Najważniejszymi zastosowaniami modeli dynamicznych są badanie procesu dochodzenia do równowagi długookresowej istnienie takiej równowagi szybkość dostosowań w obliczu szoków egzogenicznych dodatkowo modele dynamiczne można wykorzystać do budowania prognoz objaśniania dynamiki zmiennej zależnej
10 Szereg czasowy - definicja nieformalna Proces stochastyczny jest to zbiór ścieżek możliwych realizacji zmiennej losowej. Każdą pojedynczą ścieżkę nazywamy szeregiem czasowym {y 1, y 2,..., y T }
11 Model DL Specyfikacja modelu Wpływ zmiennych niezależnych na zmienną zależną jest rozłożony w czasie
12 Model DL Specyfikacja modelu Wpływ zmiennych niezależnych na zmienną zależną jest rozłożony w czasie Budując model zjawiska uwzględnia się nie tylko bieżące wartości zmiennej objaśniającej, ale również jej opóźnione wartości
13 Model DL Specyfikacja modelu Model DL może spełniać założenia KRML
14 Model DL Specyfikacja modelu Model DL może spełniać założenia KRML Model DL ma następującą postać y t = µ + β 0 x t + β 1 x t β p x t p + ε
15 Model DL Specyfikacja modelu Model DL może spełniać założenia KRML Model DL ma następującą postać y t = µ + β 0 x t + β 1 x t β p x t p + ε Jeżeli zmienne objaśniające są nielosowe i składnik losowy modelu nie podlega autokorelacji to model DL spełnia założenia KMRL
16 Specyfikacja modelu Szacowana jest zależność miedzy zmianą stopy bezrobocia (U) a zmianą poziomu cen (inflacja) na podstawie danych miesięcznych dla Polski inflacja t = c + β 0 U t + β 1 U t 1 + β 2 U t 2 +β 3 U t 3 + β 4 U t 4 + ε t
17 Specyfikacja modelu Source SS df MS Number of obs = F( 5, 122) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = inflacja Coef. Std. Err. t P> t stopa L L L L _cons
18 Specyfikacja modelu Parametrów modelu DL nie można interpretować tak jak parametrów modelu regresji, bowiem jednostkowa zmiana wartości zmiennej w kolejnym okresie powoduje zmianę wartości opóźnienia zmiennej
19 Specyfikacja modelu Parametrów modelu DL nie można interpretować tak jak parametrów modelu regresji, bowiem jednostkowa zmiana wartości zmiennej w kolejnym okresie powoduje zmianę wartości opóźnienia zmiennej W związku z tym interpretowany jest rozmiar natychmiastowej reakcji na szok, oraz efekt długookresowy.
20 Mnożnik bezpośredni Specyfikacja modelu Opisuje natychmiastową reakcję modelu na szok i wynosi E(y t + y) = µ + β 0 (x t + x) + β 1 x t β p x t p
21 Mnożnik bezpośredni Specyfikacja modelu Opisuje natychmiastową reakcję modelu na szok i wynosi E(y t + y) = µ + β 0 (x t + x) + β 1 x t β p x t p E(y t + y) = µ + β 0 x t + β 1 x t β p x t p + β 0 x
22 Mnożnik bezpośredni Specyfikacja modelu Opisuje natychmiastową reakcję modelu na szok i wynosi E(y t + y) = µ + β 0 (x t + x) + β 1 x t β p x t p E(y t + y) = µ + β 0 x t + β 1 x t β p x t p + β 0 x E(y t + y) = E(y t ) + β 0 x
23 Mnożnik bezpośredni Specyfikacja modelu Opisuje natychmiastową reakcję modelu na szok i wynosi E(y t + y) = µ + β 0 (x t + x) + β 1 x t β p x t p E(y t + y) = µ + β 0 x t + β 1 x t β p x t p + β 0 x Zatem mnożnik jest równy E(y t + y) = E(y t ) + β 0 x E( y) x = β 0
24 Mnożnik skumulowany Specyfikacja modelu opisuje reakcję y na zmianę x w τ kolejnych okresach i wynosi E(y t + y) = µ+β 0 (x t + x)+...+β τ (x t τ + x)+...+β p x t p
25 Mnożnik skumulowany Specyfikacja modelu opisuje reakcję y na zmianę x w τ kolejnych okresach i wynosi E(y t + y) = µ+β 0 (x t + x)+...+β τ (x t τ + x)+...+β p x t p τ E(y t + y) = E(y t ) + β i x i=0
26 Mnożnik skumulowany Specyfikacja modelu opisuje reakcję y na zmianę x w τ kolejnych okresach i wynosi E(y t + y) = µ+β 0 (x t + x)+...+β τ (x t τ + x)+...+β p x t p E(y t + y) = E(y t ) + Zatem mnożnik jest równy τ β i x i=0 E( y) x = τ s=0 β s
27 Mnożnik długookresowy Specyfikacja modelu Opisuje reakcję y na zmianę jednostkową wszystkich zmiennych niezależnych x
28 Mnożnik długookresowy Specyfikacja modelu Opisuje reakcję y na zmianę jednostkową wszystkich zmiennych niezależnych x Jest on równy E( y) x = β = s=0 β s
29 Średnie opóźnienie Specyfikacja modelu Opisuje czas, w którym realizuje się połowa efektu trwałej zmiany zmiennej niezależnej x w = s=0 s β s β
30 Przykład Specyfikacja modelu Mnożnik bezpośredni jest równy 4,46. Zatem 1% wzrost stopy bezrobocia powoduje wzrost inflacji o 4,46 punktu procentowego.
31 Przykład Specyfikacja modelu Mnożnik bezpośredni jest równy 4,46. Zatem 1% wzrost stopy bezrobocia powoduje wzrost inflacji o 4,46 punktu procentowego. Mnożnik długookresowy jest równy s=0 β s = 0,62. Efektem długookresowym wzrostu bezrobocia jest spadek inflacji o 0,6 punktu procentowego.
32 Zgodność estymatorów MNK dla ARDL Tak jak w przypadku modelu DL, wpływ zmiennych niezależnych na zmienną zależną jest rozłożony w czasie
33 Zgodność estymatorów MNK dla ARDL Tak jak w przypadku modelu DL, wpływ zmiennych niezależnych na zmienną zależną jest rozłożony w czasie Budując model zjawiska uwzględnia się nie tylko bieżące wartości zmiennej objaśniającej, ale również jej opóźnione wartości oraz opóźnione wartości zmiennej objaśnianej
34 Zgodność estymatorów MNK dla ARDL zazwyczaj nie spełnia założeń KRML
35 Zgodność estymatorów MNK dla ARDL zazwyczaj nie spełnia założeń KRML ma następującą postać y t = α 1 y t 1 + α 2 y t α q y t q + }{{} AR + µ + β 0 x t + β 1 x t β p x t p +ε }{{} DL
36 Zgodność estymatorów MNK dla ARDL Source SS df MS Number of obs = F( 4, 125) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = inflacja Coef. Std. Err. t P> t inflacja L L stopa L _cons
37 Stan równowagi Zgodność estymatorów MNK dla ARDL y = E(y t ) = E(y t 1 ) =... = E(y t q )
38 Stan równowagi Zgodność estymatorów MNK dla ARDL y = E(y t ) = E(y t 1 ) =... = E(y t q ) x = x t = x t 1 =... = x t p
39 Stan równowagi Zgodność estymatorów MNK dla ARDL y = E(y t ) = E(y t 1 ) =... = E(y t q ) x = x t = x t 1 =... = x t p wstawiając y oraz x do postaci modelu ARDL (1 α 1... α q )y = µ + β 0 x + β 1 x β p x
40 Stan równowagi Zgodność estymatorów MNK dla ARDL równowaga zachodzi przy y = µ + βx gdzie µ = β = µ 1 α i βi 1 α i
41 Przykład Zgodność estymatorów MNK dla ARDL Stopa inflacji w długim okresie dąży do poziomu y = µ + βx = 0, ,960, ,960 x y = x Przy 10 % bezrobociu stopa inflacji wg modelu powinna wynosić 4,125 %.
42 Zgodność estymatorów MNK dla ARDL Równowaga długookresowa ARDL posiada równowagę długookresową, gdy jego część autoregresyjna jest opisana procesem stacjonarnym
43 Mnożnik bezpośredni Zgodność estymatorów MNK dla ARDL Opisuje natychmiastową reakcję modelu na szok i wynosi E(y t + y) = E(y t ) + β 0 x
44 Mnożnik bezpośredni Zgodność estymatorów MNK dla ARDL Opisuje natychmiastową reakcję modelu na szok i wynosi Zatem mnożnik jest równy E(y t + y) = E(y t ) + β 0 x E( y) x = β 0
45 Mnożnik bezpośredni Zgodność estymatorów MNK dla ARDL Opisuje natychmiastową reakcję modelu na szok i wynosi Zatem mnożnik jest równy E(y t + y) = E(y t ) + β 0 x E( y) x = β 0 Postać mnożnika jest identyczna jak w przypadku modelu DL
46 Mnożnik długookresowy Zgodność estymatorów MNK dla ARDL Inaczej jest w przypadku mnożnika długookresowego y = µ + x β
47 Mnożnik długookresowy Zgodność estymatorów MNK dla ARDL Inaczej jest w przypadku mnożnika długookresowego y = µ + x β po dodaniu uzyskujemy y + E( y) = µ + (x + x)β
48 Mnożnik długookresowy Zgodność estymatorów MNK dla ARDL Inaczej jest w przypadku mnożnika długookresowego y = µ + x β po dodaniu uzyskujemy y + E( y) = µ + (x + x)β odejmując stronami uzyskujemy E( y) = xβ
49 Mnożnik długookresowy Zgodność estymatorów MNK dla ARDL Inaczej jest w przypadku mnożnika długookresowego y = µ + x β po dodaniu uzyskujemy y + E( y) = µ + (x + x)β odejmując stronami uzyskujemy E( y) = xβ zatem mnożnik długookresowy wynosi β = βi 1 α i
50 Zgodność estymatorów MNK dla ARDL zmienne objaśniające są losowe, ponieważ dla losowego y t jego opóźnione wartości są losowe
51 Zgodność estymatorów MNK dla ARDL zmienne objaśniające są losowe, ponieważ dla losowego y t jego opóźnione wartości są losowe do wykazania zgodności niezbędne jest założenie cov(x t, ε t ) = 0
52 Zgodność estymatorów MNK dla ARDL Niech y t = αy t 1 + ε t
53 Zgodność estymatorów MNK dla ARDL Niech y t = αy t 1 + ε t załóżmy, że cov(ε t, ε t 1 ) = ρ, oraz cov(ε t, ε t s ) = 0 s > 1
54 Zgodność estymatorów MNK dla ARDL Niech y t = αy t 1 + ε t załóżmy, że cov(ε t, ε t 1 ) = ρ, oraz cov(ε t, ε t s ) = 0 s > 1 wobec tego y t 1 = αy t 2 + ε t 1
55 Zgodność estymatorów MNK dla ARDL Obliczmy kowariancję y t oraz ε t 1 cov(y t 1, ε t ) = cov(αy t 2 + ε t 1, ε t )
56 Zgodność estymatorów MNK dla ARDL Obliczmy kowariancję y t oraz ε t 1 cov(y t 1, ε t ) = cov(αy t 2 + ε t 1, ε t ) cov(y t 1, ε t ) = α cov(y t 2, ε t ) +cov(ε }{{} t 1, ε t ) = ρ 0
57 Zgodność estymatorów MNK dla ARDL Obliczmy kowariancję y t oraz ε t 1 cov(y t 1, ε t ) = cov(αy t 2 + ε t 1, ε t ) cov(y t 1, ε t ) = α cov(y t 2, ε t ) +cov(ε }{{} t 1, ε t ) = ρ 0 zatem zmienne objaśniające są skorelowane ze składnikiem losowym
58 Zgodność estymatorów MNK dla ARDL Breusch-Godfrey LM test for autocorrelation lags(p) chi2 df Prob > chi
Przyczynowość Kointegracja. Kointegracja. Kointegracja
korelacja a związek o charakterze przyczynowo-skutkowym korelacja a związek o charakterze przyczynowo-skutkowym Przyczynowość w sensie Grangera Zmienna x jest przyczyną w sensie Grangera zmiennej y jeżeli
Bardziej 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 4
Sanisław Cichocki Naalia Nehrebecka Wykład 4 1 1. Badanie sacjonarności: o o o Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) Tes KPSS 2. Modele o rozłożonych opóźnieniach (DL) 3. Modele auoregresyjne
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 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 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 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 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 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 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 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 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 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 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 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 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
Pytania teoretyczne Egzamin z Ekonometrii 18.06.2015 1. Opisać procedurę od ogólnego do szczegółowego na przykładzie doboru liczby opóźnień w modelu. 2. Na czym polega najważniejsza różnica między testowaniem
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 szczegółowo0.1 Modele Dynamiczne
0.1 Modele Dynamiczne 0.1.1 Wprowadzenie Często konkretne działanie czy zjawisko ekonomiczne nie tylko zależy od bieżących wartości pewnych wskaźników - zmiennych objaśniających modelu, ale również od
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 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 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 szczegółowoEkonometria. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk
Ekonometria Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 5 & 6 Szaeregi czasowe 1
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 szczegółowoO sezonowości mówimy wtedy, gdy zmienna zmienia się w pewnym cyklu zwykle zwiazanym z cyklem rocznym
Sezonowość O sezonowości mówimy wtedy, gdy zmienna zmienia się w pewnym cyklu zwykle zwiazanym z cyklem rocznym Na przykład zmienne kwartalne charakteryzuja się zwykle sezonowościa kwartalna a zmienne
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 szczegółowoEkonometria. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk
Ekonometria Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 5 & 6 Szaeregi
Bardziej szczegółowoAutoregresyjne modele o rozłożonych opóźnieniach - Autoregressive Distributed Lags models
Autoregresyjne modele o rozłożonych opóźnieniach - Autoregressive Distributed Lags models ADL ADL Ogólna postać modelu ADL o p-opóźnieniach zmiennej zależnej i r-opóźnieniach zmiennej/zmiennych objaśniających
Bardziej szczegółowo0.1 Modele Dynamiczne
0.1 Modele Dynamiczne 0.1.1 Wprowadzenie Często konkretne działanie czy zjawisko ekonomiczne nie tylko zależy od bieżących wartości pewnych wskaźników - zmiennych objaśniających modelu, ale również od
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 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 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 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 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 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 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 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 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 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 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Zmienne sacjonarne 2. Zmienne zinegrowane 3. Regresja pozorna 4. Funkcje ACF i PACF 5. Badanie sacjonarności Tes Dickey-Fullera (DF) 2 1. Zmienne sacjonarne
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 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 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 szczegółowoMetoda najmniejszych kwadratów
Model ekonometryczny Wykształcenie a zarobki Hipoteza badawcza: Istnieje zależność między poziomem wykształcenia a wysokością zarobków Wykształcenie a zarobki Hipoteza badawcza: Istnieje zależność między
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 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 szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Regresja pozorna 2. Funkcje ACF i PACF 3. Badanie sacjonarności Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) 2 1. Regresja pozorna 2. Funkcje
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 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 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 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 szczegółowoJednowskaźnikowy model Sharpe`a
Uniwersytet Warszawski Wydział Nauk Ekonomicznych Milena Jamroziak i Paweł Androszczuk Model ekonometryczny Jednowskaźnikowy model Sharpe`a dla akcji Amici Praca zaliczeniowa napisana pod kierunkiem mgr
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 szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natala Nehrebecka Stansław Cchock Wykład 10 1 1. Testy dagnostyczne 2. Testowane prawdłowośc formy funkcyjnej modelu 3. Testowane normalnośc składnków losowych 4. Testowane stablnośc parametrów 5. Testowane
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL W standardowym modelu lnowym zakładamy,
Bardziej szczegółowoDr Łukasz Goczek. Uniwersytet Warszawski
Dr Łukasz Goczek Uniwersytet Warszawski Dane krótko i długookresowe stopy procentowe Co wiemy z teorii? Krótkookresowe stopy powodują stopami długookresowymi (toteż taka jest idea bezpośredniego celu
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 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 szczegółowoModele dynamiczne. Rozdział 2
Rozdział 2 Modele dynamiczne Modele dynamiczne są to modele, których celem jest opisanie procesu dostosowań do stanu równowagi. Modele takie szacowane są na szeregach czasowych. Własności dynamiczne systemu
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 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 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 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 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 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 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 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 szczegółowoEkonometria egzamin semestr drugi 14/06/09
imię, nazwisko, nr indeksu: Ekonometria egzamin semestr drugi 14/06/09 1. Przed przystąpieniem do pisania egzaminu należy podpisać wszystkie kartki arkusza egzaminacyjnego (na dole w przewidzianym miejscu).
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 szczegółowo