Dr Łukasz Goczek. Uniwersytet Warszawski
|
|
- Agnieszka Kaczmarczyk
- 5 lat temu
- Przeglądów:
Transkrypt
1 Dr Łukasz Goczek Uniwersytet Warszawski
2 M3 use C:\Users\as\Desktop\Money.dta, clear format t %tm (oznaczamy tsset t tsline M m1 1970m1 1980m1 1990m1 2000m1 2010m1 t
3 tsline PPI CPI m1 1970m1 1980m1 1990m1 2000m1 2010m1 t PPI CPI
4 tsline FFR FFR m1 1970m1 1980m1 1990m1 2000m1 2010m1 t
5 dfuller M3 Dickey-Fuller test for unit root Number of obs = Interpolated Dickey-Fuller Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value Z(t) MacKinnon approximate p-value for Z(t) = Przypomnienie: H0 pierwiastek jednostkowy, proces niestacjonarny
6 g dm3=d.m3 dfuller dm3 Dickey-Fuller test for unit root Number of obs = Interpolated Dickey-Fuller Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value Z(t) MacKinnon approximate p-value for Z(t) =
7 dfuller FFR dfuller FFR Dickey-Fuller test for unit root Number of obs = Interpolated Dickey-Fuller Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value Z(t) MacKinnon approximate p-value for Z(t) =
8 g dffr=d.ffr dfuller dffr Dickey-Fuller test for unit root Number of obs = Interpolated Dickey-Fuller Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value Z(t) MacKinnon approximate p-value for Z(t) =
9 Rozwiązanie heteroskedastyczności: g lnm3=ln(m3) dfuller lnm3 Daje wynik na granicy, zatem: pperron lnm3 Phillips-Perron test for unit root Number of obs = 565 Newey-West lags = Interpolated Dickey-Fuller Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value Z(rho) Z(t) MacKinnon approximate p-value for Z(t) = Generujemy różnice g dlnm3=d.lnm3
10 Generujemy różnice g dlnm3=d.lnm3 Phillips-Perron test for unit root Number of obs = 564 Newey-West lags = Interpolated Dickey-Fuller Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value Z(rho) Z(t) MacKinnon approximate p-value for Z(t) =
11 tsline m1 1970m1 1980m1 1990m1 2000m1 2010m1 t dffr dcpi dppi dlnm3
12 Podobne wyniki pozostałych zmiennych. Niestacjonarne szeregi, w pierwszych różnicach stacjonarne zatem wszystko to procesy I(1) Rozważmy model autoregresyjny bez ograniczeń (VAR) z poprzedniego wykładu.
13 Zmienne zerojedynkowe (patrz dodatkowy tutorial ze Staty u mnie na stronie): generate m=month(dofm(t)) tab m, g(y) drop y12
14 varsoc dlnm3 dffr dppi dcpi, maxlag(24) exog(y*) Selection-order criteria Sample: 1961m2-2006m2 Number of obs = lag LL LR df p FPE AIC HQIC SBIC e e * e e * e e e e e e e e e e e e-08* * e
15 var dlnm3 dffr dppi dcpi, lags(1/15) lutstats exog(y*) Vector autoregression Sample: 1960m5-2006m2 No. of obs = 550 Log likelihood = (lutstats) AIC = FPE = 3.27e-08 HQIC = Det(Sigma_ml) = 1.14e-08 SBIC = Equation Parms RMSE R-sq chi2 P>chi dlnm dffr dppi dcpi
16 vargranger Granger causality Wald tests Equation Excluded chi2 df Prob > chi dlnm3 dffr dlnm3 dppi dlnm3 dcpi dlnm3 ALL dffr dlnm dffr dppi dffr dcpi dffr ALL dppi dlnm dppi dffr dppi dcpi dppi ALL dcpi dlnm dcpi dffr dcpi dppi dcpi ALL
17 varnorm, jbera skewness kurtosis Jarque-Bera test Equation chi2 df Prob > chi dlnm dffr 3.0e dppi dcpi ALL 3.2e Skewness test Equation Skewness chi2 df Prob > chi dlnm dffr dppi dcpi ALL
18 varnorm, jbera skewness kurtosis Kurtosis test Equation Kurtosis chi2 df Prob > chi dlnm dffr e dppi dcpi ALL 3.2e
19 varlmar, mlag(12) Lagrange-multiplier test lag chi2 df Prob > chi H0: no autocorrelation at lag order.
20 varstable, graph Imaginary All the eigenvalues lie inside the unit circle. VAR satisfies stability condition.. Roots of the companion matrix Real
21 varwle Equation: dlnm lag chi2 df Prob > chi
22 varwle cd. Equation: dffr lag chi2 df Prob > chi Equation: dppi
23 irf set "_varbasic.irf irf create nazwa, step(30) irf cgraph (VAR dppi dcpi irf, noci) (VAR dppi dlnm3 irf, noci) (VAR dppi dffr irf, noci).05 VAR: dppi -> dcpi.001 VAR: dppi -> dlnm step step irf irf.2 VAR: dppi -> dffr step irf
24 irf set "_varbasic.irf irf create nazwa, step(30) irf cgraph (VAR dppi dcpi fevd, noci) (VAR dppi dlnm3 fevd, noci) (VAR dppi dffr fevd, noci).4 VAR: dppi -> dcpi.06 VAR: dppi -> dlnm step step fevd fevd.06 VAR: dppi -> dffr step fevd
25 irf set "_varbasic.irf irf create nazwa, step(30) irf cgraph (VAR dppi dcpi irf, noci) (VAR dppi dlnm3 irf, noci) (VAR dppi dffr irf, noci)
26 vecrank dm3 dppi dcpi dffr, trend(constant) lags(15) sindicators(y*) max ic level99 Johansen tests for cointegration Trend: constant Number of obs = 550 Sample: 1960m5-2006m2 Lags = % maximum trace critical rank parms LL eigenvalue statistic value *
27 vec dlnm3 dppi dcpi dffr, trend(constant) rank(2) lags(12) sindicators(y1 y2 y3 y4 y5 y6 y7 y8 y9 y10 y11) alpha dforce Vector error-correction model Sample: 1960m2-2006m2 No. of obs = 553 AIC = Log likelihood = HQIC = Det(Sigma_ml) = 1.44e-08 SBIC = Equation Parms RMSE R-sq chi2 P>chi D_dlnM D_dPPI D_dCPI D_dFFR
28 cd. Cointegrating equations Equation Parms chi2 P>chi _ce _ce
29 cd. Identification: beta is exactly identified Johansen normalization restrictions imposed beta Coef. Std. Err. z P> z [95% Conf. Interval] _ce1 dlnm dppi 3.47e dcpi dffr _cons _ce2 dlnm3 (omitted) dppi dcpi dffr _cons
30 cd. Identification: beta is exactly identified Johansen normalization restrictions imposed beta Coef. Std. Err. z P> z [95% Conf. Interval] _ce1 dlnm dppi 3.47e dcpi dffr _cons _ce2 dlnm3 (omitted) dppi dcpi dffr _cons
31 cd alpha Coef. Std. Err. z P> z [95% Conf. Interval] D_dlnM3 _ce1 L _ce2 L D_dPPI _ce1 L _ce2 L D_dCPI _ce1 L _ce2 L D_dFFR
32 Diagnostyka identyczna jak w przypadku VAR.
33 Imaginary Roots of the companion matrix Real The VECM specification imposes 2 unit moduli
34 1. Badanie stacjonarności 2. Sprowadzamy do tego samego poziomu integracji (pamiętajmy o sensie, czy jest sens?) różnicując 3. Wybór liczby opóźnień 4. Diagnostyka stabilność, normalność, wyłączenia opóźnień, egzogeniczność, autokorelacja. 5. Wyniki przy pomocy funkcji reakcji i dekompozycji wariancji 6. Test kointegracji. 7. Oszacowanie VEC 8. Diagnostyka jak w przypadku VAR.
35
36 Dziękuję za uwagę.
Analiza 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.
Dr 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
Heteroskedastyczość 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
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
Modele 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
Analiza szeregów czasowych bezrobocia i inflacji w Danii
Uniwersytet Warszawski Wydział Nauk Ekonomicznych Mateusz Błażej Nr albumu: 308521 Analiza szeregów czasowych bezrobocia i inflacji w Danii Projekt zaliczeniowy z przedmiotu: Analiza Szeregów Czasowych
Autoregresyjne 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
Jednowskaźnikowy 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
ANALIZA DANYCH W STATA 8.0 CZĘŚĆ II
ANALIZA DANYCH W STATA 8.0 CZĘŚĆ II ZAJĘCIA 4 (CZĘŚĆ II) Będziemy pracować na pliku bory tucholskie.dta Wszystkie przykłady najlepiej jest robić w Do-file Editor (wejście: doedit) Wygładzanie szeregów
Stacjonarność 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:
1 Modele ADL - interpretacja współczynników
1 Modele ADL - interpretacja współczynników ZADANIE 1.1 Dany jest proces DL następującej postaci: y t = µ + β 0 x t + β 1 x t 1 + ε t. 1. Wyjaśnić, jaka jest intepretacja współczynników β 0 i β 1. 2. Pokazać
Czasowy wymiar danych
Problem autokorelacji Model regresji dla szeregów czasowych Model regresji dla szeregów czasowych y t = X t β + ε t Zasadnicze różnice 1 Budowa prognoz 2 Problem stabilności parametrów 3 Problem autokorelacji
O 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
Testy własności składnika losowego Testy formy funkcyjnej. Diagnostyka modelu. Część 2. Diagnostyka modelu
Część 2 Test Durbina-Watsona Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε t, ε t 1 ) 0 Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε
Diagnostyka 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.
Diagnostyka 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.
Dr Łukasz Goczek. Uniwersytet Warszawski
Dr Łukasz Goczek Uniwersytet Warszawski Wykłady do końca: Niezależność polityki pieniężnej w długim okresie 2 część Wzrost długookresowy w gospodarce otwartej 2 wykłady Egzamin??, godz.?? Obie części 50%/50%.
Stanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 Diagnostyka a) Test RESET b) Test Jarque-Bera c) Testowanie heteroskedastyczności a) groupwise heteroscedasticity b) cross-sectional correlation d) Testowanie autokorelacji
Ekonometria 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).
Wprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA
Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Modele tej klasy są modelami ateoretycznymi Ważną klasę modeli dynamicznych stanowią
Ekonometria Ćwiczenia 19/01/05
Oszacowano regresję stopy bezrobocia (unemp) na wzroście realnego PKB (pkb) i stopie inflacji (cpi) oraz na zmiennych zero-jedynkowych związanymi z kwartałami (season). Regresję przeprowadzono na danych
Wprowadzenie 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
Wprowadzenie Modele o opóźnieniach rozłożonych Modele autoregresyjne o opóźnieniach rozłożonych. Modele dynamiczne.
opisują kształtowanie się zjawiska w czasie opisują kształtowanie się zjawiska w czasie Najważniejszymi zastosowaniami modeli dynamicznych są opisują kształtowanie się zjawiska w czasie Najważniejszymi
Stanisław 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
Estymacja modeli ARIMA przy uŝyciu Staty oraz Integracja i kointegracja. Grzegorz Ogonek KSiE WNE UW
Estymacja modeli ARIMA przy uŝyciu Staty oraz Integracja i kointegracja Grzegorz Ogonek KSiE WNE UW 26.02.2005 * Materiały opracowano w wersji 7 Staty. Tam gdzie zauwaŝyłem rozbieŝności z kolejną wersją
Stanisław 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
Stanisław 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
1 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,
Stanisław 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
Ekonometria 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
Magdalena Gańko Rafał Janaczek. Model ekonometryczny. Zastosowanie mechanizmu korekty błędem w modelowaniu kursu walutowego
Magdalena Gańko Rafał Janaczek Model ekonometryczny Zastosowanie mechanizmu korekty błędem w modelowaniu kursu walutowego Warszawa 2006 Spis treści Wstęp...3 Rozdział I Podstawowe informacje teoretyczne...4
Stanisław 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
Szacowanie modeli wielowartościowych w pakiecie STATA
Szacowanie modeli wielowartościowych w pakiecie STATA Uniwersytet Warszawski Wydział Nauk Ekonomicznych 25 kwietnia 2007 W badaniach ekonomicznych i społecznych często odpowiedzi na pytania są kodowane
Natalia 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
1. 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.
Natalia 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
Egzamin 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
Dr Łukasz Goczek. Uniwersytet Warszawski
Dr Łukasz Goczek Uniwersytet Warszawski UWAGA OGÓLNA Stata rozróżnia duże i małe litery w poleceniach. Jeśli polecenie skopiowane z mojej prezentacji nie działa w Stacie, proszę zwrócić uwagę, czy Powerpoint
Egzamin 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.
Stanisław 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.
ANALIZA ZALEŻNOŚCI MIĘDZY INDEKSAMI RYNKÓW AKCJI NA GIEŁDZIE POLSKIEJ I AMERYKAŃSKIEJ. Indeksy giełdowe
B A D A N I A O P E R A C Y J N E I D E C Y Z J E Nr 3 4 2007 Grzegorz PRZEKOTA* ANALIZA ZALEŻNOŚCI MIĘDZY INDEKSAMI RYNKÓW AKCJI NA GIEŁDZIE POLSKIEJ I AMERYKAŃSKIEJ W artykule skonstruowano dwa modele
Stanisław Cichocki. Natalia Nehrebecka. Wykład 12
Stanisław Cichocki Natalia Nehrebecka Wykład 12 1 1.Problemy z danymi Zmienne pominięte Zmienne nieistotne 2. Autokorelacja o Testowanie autokorelacji 1.Problemy z danymi Zmienne pominięte Zmienne nieistotne
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
Stanisław 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
Testowanie 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
Ekonometria 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:
Stanisław 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
Ekonometria. 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
Metoda 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
Modele 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
Wydział Nauk Ekonomicznych Uniwersytet Warszawski
Wydział Nauk Ekonomicznych Uniwersytet Warszawski Model ekonometryczny ADL: Wpływ czynników ekonomicznych i pozaekonomicznych na liczbę popełnianych zabójstw z użyciem broni palnej w Australii Warszawa,
Sylabus Formularz opisu przedmiotu (formularz sylabusa) dla studiów I i II stopnia 1 wypełnia koordynator przedmiotu
Sylabus Formularz opisu przedmiotu (formularz sylabusa) dla studiów I i II stopnia 1 wypełnia koordynator przedmiotu A. Informacje ogólne Nazwa pola Nazwa przedmiotu Treść Analiza Szeregów Czasowych Jednostka
Autokorelacja 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
Estymacja modeli ARIMA przy uŝyciu Staty oraz Integracja i kointegracja. Grzegorz Ogonek KSiE WNE UW
Estymacja modeli ARIMA przy uŝyciu Staty oraz Integracja i kointegracja Grzegorz Ogonek KSiE WNE UW 26.02.2005 Budowa modelu ARIMA dla szeregu czasowego PPI (Producer Price Index) dla Polski dla okresu
Dr Łukasz Goczek. Uniwersytet Warszawski
Dr Łukasz Goczek Uniwersytet Warszawski Jeżeli y ma charakter bliski błądzeniu losowemu, y i, t 1 jest słabym instrumentem dla yit. Pytanie: które procesy w ekonomii NIE mają takiego charakteru? . sort
Problem 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
Egzamin 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.
Natalia 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
Plan wykładu: 1) Pojęcie stacjonarności i niestacjonarności zmiennych 2) Testowanie integracji 3) Pojęcie kointegracji metoda Engle a-grangera.
1 Plan wykładu: 1) Pojęcie stacjonarności i niestacjonarności zmiennych 2) Testowanie integracji 3) Pojęcie kointegracji metoda Engle a-grangera. Pojęcie stacjonarności i niestacjonarności zmiennych Szereg
Stanisław 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
6 Modele wyborów dyskretnych dla danych panelowych
6 Modele wyborów dyskretnych dla danych panelowych Dane do notatek są danymi do podręcznika Cameron & Trivedi (2008), pochodzą z artykułu Deb i Triverdi (2002). Przedmiotem badania jest eksperyment związany
Ekonometria Wykład 5. Procesy stochastyczne, stacjonarność, integracja. Dr Michał Gradzewicz Katedra Ekonomii I KAE
Ekonometria Wykład 5. Procesy stochastyczne, stacjonarność, integracja Dr Michał Gradzewicz Katedra Ekonomii I KAE Ekonometria szeregów czasowych Procesy stochastyczne Stacjonarność i biały szum Niestacjonarność:
Zmienne 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
Stanisław 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
Egzamin 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
Natalia Nehrebecka. Wykład 1
Natalia Nehrebecka Wykład 1 1 1. Sprawy organizacyjne Zasady zaliczenia Dwiczenia Literatura 2. Czym zajmuje się ekonometria? 3. Formy danych statystycznych 4. Model ekonometryczny 2 1. Sprawy organizacyjne
Egzamin 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
Stanisław 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
Modelowanie zachowania kursu EURUSD po ogłoszeniu odczytu US Nonfarm Payrolls z wykorzystaniem modeli ARIMA-GARCH
Raport 10/2015 Modelowanie zachowania kursu EURUSD po ogłoszeniu odczytu US Nonfarm Payrolls z wykorzystaniem modeli ARIMA-GARCH autor: Michał Osmoła INIME Instytut nauk informatycznych i matematycznych
Egzamin 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
Stanisław 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
Metodologia klasyczna
Metodologia klasyczna Podział na zmienne z egzo i endogeniczne jest z góry znany Forma funkcyjna modelu jest z góry znana Zmienne w modelu sa stacjonarne Forma modelu wynika z wiedzy a priori (np. ekonomicznej)
Budowa 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
Dr Łukasz Goczek. Uniwersytet Warszawski
Dr Łukasz Goczek Uniwersytet Warszawski Wykłady do końca: Niezależność polityki pieniężnej w długim okresie 2 wykłady Wzrost długookresowy w gospodarce otwartej 2 wykłady Egzamin 12.06.2013, godz. 17 sala
1.8 Diagnostyka modelu
1.8 Diagnostyka modelu Dotychczas zajmowaliśmy się własnościami estymatorów przy spełnionych założeniach KMRL. W praktyce nie zawsze spełnione są wszystkie założenia modelu. Jeżeli któreś z nich nie jest
Ekonometria 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
Przykładowy model ekonometryczny. Sebastian Michalski
Przykładowy model ekonometryczny Sebastian Michalski 1 Spis treści 1 Postać modelu 3 1.1 Dane.................................. 4 1. Graficzna prezentacja danych.................... 5 Dobór zmiennych objaśniających
Ćwiczenia 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
Natalia 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
Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość?
Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość? Wykres stopy bezrobocia rejestrowanego w okresie 01.1998 12.2008, dane Polskie 22 20 18 16 stopa 14 12
2.3 Modele nieliniowe
2.3 Modele nieliniowe Do tej pory zajmowaliśmy się modelami liniowymi lub o liniowej formie funkcyjnej i musieliśmy akceptować ich ograniczenia. Metoda Największej Wiarogodności pozwala również na efektywną
Stanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Testowanie autokorelacji 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji 3.Problemy z danymi Zmienne pominięte
Ekonometria. 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
Heteroscedastyczność. Zjawisko heteroscedastyczności Uogólniona Metoda Najmniejszych Kwadratów Stosowalna Metoda Najmniejszych Kwadratów
Formy heteroscedastyczności Własności estymatorów MNK wydatki konsumpcyjne 0 10000 20000 30000 40000 14.4 31786.08 dochód rozporz¹dzalny Zródlo: Obliczenia wlasne, dane BBGD 2004 Formy heteroscedastyczności
Brunon R. Górecki. Ekonometria. podstawy teorii i praktyki. Wydawnictwo Key Text
Brunon R. Górecki Ekonometria podstawy teorii i praktyki Wydawnictwo Key Text Darmowy fragment Darmowy fragment Darmowy fragment Wydawnictwo Key Text Recenzent prof. dr hab. Jan B. Gajda Opracowanie graficzne
Stanisław 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
Estymacja modeli ARDL przy u»yciu Staty
Estymacja modeli ARDL przy u»yciu Staty Michaª Kurcewicz 21 lutego 2005 Celem zadania jest oszacowanie dªugookresowego modelu popytu na szeroki pieni dz w Niemczech. Zaª czony zbiór danych beyer.csv pochodzi
Długookresowe powiązania stóp procentowych w strefie euro, USA i Polsce
105 Zeszyty Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Politechnika Koszalińska Długookresowe powiązania stóp procentowych w strefie euro, USA i Polsce Streszczenie. W artykule podjęto próbę
Modele dla zmiennej binarnej w pakiecie STATA materiały na ćwiczenia z ekonometrii 18.03.2005 r. Piotr Wójcik, KTRG WNE UW
Modele dla zmiennej binarnej w pakiecie STATA materiały na ćwiczenia z ekonometrii 18.03.2005 r. Piotr Wójcik, KTRG WNE UW Dane Dane wykorzystane w przykładzie pochodzą z pracy McCall, B.P., 1995, The
ANALIZA DANYCH W STATA 8.0
ANALIZA DANYCH W STATA 8.0 ZAJĘCIA 6 1. Rozpoczęcie 1. Stworzyć w katalogu C:/temp katalog stata_6 2. Ściągnąć z internetu ze strony http://akson.sgh.waw.pl/~mproch plik zajecia6.zip (kryje się on pod
Egzamin z ekonometrii
Pytania teoretyczne Egzamin z ekonometrii 22.06.2012 1. Podaj ogólną postać modeli DL i ADL 2. Wyjaśnij jak należy rozumieć przyczynowość w sensie Grangera i jak jest testowana. 3. Jakie są wady liniowego
Modelowanie indeksu cen nieruchomo ci mieszkaniowych w Polsce
Studia i Materia y, 2/2016 (22), cz. 2: 108 118 ISSN 1733-9758, Wydzia Zarz dzania UW DOI 10.7172/1733-9758.2016.22.8 Modelowanie indeksu cen nieruchomo ci mieszkaniowych w Polsce Rafa Zbyrowski * Celem
1.1 Opis danych Dekompozycja szeregu ARIMA Prognoza Podsumowanie Opis danych...
1 Szereg niesezonowy... 3 1.1 Opis danych... 3 1.2 Dekompozycja szeregu... 3 1.3... 3 1.4 ARIMA... 10 1.5 Prognoza... 12 1.6 Podsumowanie... 15 2 Szereg sezonowy... 15 2.1 Opis danych... 15 2.2 Dekompozycja
Stanisław 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
Stanisław Cichocki Natalia Nehrebecka. Wykład 7
Stanisław Cichocki Natalia Nehrebecka Wykład 7 1 1. Metoda Największej Wiarygodności MNW 2. Założenia MNW 3. Własności estymatorów MNW 4. Testowanie hipotez w MNW 2 1. Metoda Największej Wiarygodności
Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2
Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2 Dr hab. inż. Agnieszka Wyłomańska Faculty of Pure and Applied Mathematics Hugo Steinhaus Center Wrocław University of Science and
Tadeusz Kufel Uniwersytet Mikołaja Kopernika w Toruniu. Narzędzia ekonometrii dynamicznej w oprogramowaniu GRETL
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Uniwersytet Mikołaja Kopernika
Testowanie stopnia zintegrowania. czasowego. Wst p do ekonometrii szeregów czasowych wiczenia 1. Andrzej Torój. 19 lutego 2010
szeregu czasowego Wst p do ekonometrii szeregów czasowych wiczenia 1 19 lutego 2010 Plan prezentacji 1 Szereg czasowy, poj cie stacjonarno±ci 2 3 4 5 6 7 Plan prezentacji 1 Szereg czasowy, poj cie stacjonarno±ci
Barbara Batóg* Uniwersytet Szczeciński
Studia i Prace WNEiZ US nr 45/2 2016 DOI:10.18276/sip.2016.45/2-11 Barbara Batóg* Uniwersytet Szczeciński Badanie kointegracji wybranych zmiennych ekonomiczno- -finansowych w województwie zachodniopomorskim
MODELOWANIE 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