2.2 Autokorelacja Wprowadzenie
|
|
- Grzegorz Smoliński
- 7 lat temu
- Przeglądów:
Transkrypt
1 2.2 Autokorelacja Wprowadzenie Przy wyprowadzaniu estymatorów Klasycznego Modelu Regresji Liniowej (KMRL) zakładaliśmy, że są spełnione założenia Gaussa-Markowa, tzn. składniki losowe są homoscedastyczne i nieskorelowane. Jednak te założenia dla dużej liczby modeli nie są spełnione. W wielu zastosowaniach reszty modelu są skorelowane. Szczególnie dotyczy to modeli szacowanych na podstawie danych o wymiarze czasowym (dane pochodzące z szeregów czasowych). W ekonometrii skorelowanie zmiennej z tą samą zmienną z innego okresu (obiektu) nazywamy autokorelacją. Gdy wartość każda z wartości zmiennej jest skorelowana z poprzedzającą wartością mówimy o występowaniu autokorelacji pierwszego rzędu. Gdy autokorelacji podlegają obserwacje oddalone o s okresów mówimy o występowaniu autokorelacji rzędu s. W przypadku występowania zjawiska autokorelacji składnika losowego macierz wariancji-kowariancji nie jest macierzą diagonalną. Dzieje się tak, ponieważ składniki losowe dla obserwacji pochodzących z różnych okresów nie są niezależne, one są skorelowane. Podobnie jak w przypadku autokorelacji analizę zaczynamy od Klasycznego Modelu Regresji Liniowej. Postać funkcyjną modelu możemy zapisać jako: y = Xβ + ε (1) Ale uchylamy założenie o nieskorelowaniu składnika losowego, czyli przyjmujemy, że E(ε t, ε s ) 0 dla t s. Macierz wariancji-kowariancji dla modelu z autokorelacją ma taką samą diagonalę jak macierz wariancji-kowariancji w KMRL. Różnica polega na tym, że poza diagonalą są elementy różne od zera, należące do przedziału [ 1, 1] obrazujące wartość współczynnika korelacji między składnikami losowymi pochodzącymi od różnych obserwacji. Autokorelacja, czyli skorelowanie składników losowych, jest naruszeniem założeń modelu które odnosi się wyłącznie do danych o charakterze szeregów czasowych. Macierz wariancji-kowariancji, podobnie jak dla modelu z heteroscedastycznością oznaczamy przez: var(ε) = σ 2 Ω (2) gdzie Ω jest macierzą której elementy znajdujące się na diagonali są równe 1. Ale poza diagonalą znajdują się elementy różne od zera, będące współczynnikami korelacji składników losowych z odpowiednich okresów. Traktując model regresji liniowej bardzo ogólnie można powiedzieć, że składnik losowy ε t zawiera wpływ zmiennych nieuwzględnionych w równaniu regresji na zmienną objaśnianą. Wobec tego brak uwzględnienia zmiennej 88
2 istotnej lub błędna specyfikacja formy funkcyjnej modelu jest częstą przyczyną występowania dodatniej autokorelacji w modelu. Jeżeli wartości takiej zmiennej są obserwowane i mogą zostać włączone do modelu, możemy interpretować występowanie autokorelacji jako wskazanie błędnej specyfikacji modelu. Biały szum Jeżeli spełnione są założenia KMRL, w szczególności założenie o normalności rozkładu reszt, reszty z modelu powinny być niezależne od siebie i pochodzić z rozkładu o średniej 0 i stałej wariancji równej σ 2. ε iid (0, σ 2 ) Jeżeli reszt są niezależne od siebie, to zachowują się w sposób czysto losowy. Znają wartość reszty z okresu t nie jesteśmy w stanie nic powiedzieć o wartości reszty w okresie t + 1. Co więcej, nawet nie można określić czy będzie dodatnia, czy też ujemna. W całkowicie odmienny sposób zachowują się resz- Rysunek 1: Biały szum y x ty, które są skorelowane. Dodatnia korelacja składnika losowego sprawia, że jeżeli błąd w okresie t jest dodatni to będzie większe prawdopodobieństwo, że w okresie t + 1 będzie dodatni, niż ujemny. Natomiast jeżeli w okresie t błąd był ujemny, to będzie wyższe prawdopodobieństwo otrzymania w okresie t + 1 błędu ujemnego niż błędu dodatniego. Jeżeli porównamy rysunki białego szumu i reszt z dodatnią autokorelacją to zauważymy, że na rysunku z dodatnią autokorelacją wykres reszt przecina oś zerową znacznie rzadziej niż wykres białego szumu. 89
3 Rysunek 2: Dodatnia autokorelacja y x Dodatnia autokorelacja jest znacznie częściej występującą formą autokorelacji, niż autokorelacja ujemna. Jest ona powszechnym zjawiskiem w przypadku modeli szacowanych na szeregach czasowych. Występuje w przypadku, gdy zjawisko losowe zaburzające przeciętny poziom zmiennych ma wpływ na ich wartości w więcej niż jednym okresie. Ujemna autokorelacja składnika losowego powoduje, że większe jest prawdopodobieństwo zmiany znaku przez składnik losowy. Jeżeli w okresie t jest on dodatni, to w okresie t + 1 ze znacznie większym prawdopodobieństwem będzie on ujemny niż dodatni. Natomiast jeżeli w okresie t składnik losowy jest ujemny, to ze znacznie większym prawdopodobieństwem będzie on w okresie t + 1 dodatni. Jeżeli porównamy wykres reszt z ujemną autokorelacją z wykresem białego szumu, to zauważymy, że znacznie częściej przecina on poziom 0. Proces AR Istnieje wiele form autokorelacji. Każda z nich prowadzi do innej postaci macierzy wariancji-kowariancji składnika losowego σ 2 Ω. Najbardziej rozpowszechnioną formą autokorelacji jest proces autoregresyjny pierwszego rzędu. W takim przypadku przyjmuje on postać: ε t = ρε t 1 + φ t (3) gdzie φ iid (0, σ 2 ) jest wektorem zmiennych losowych o niezależnym rozkładzie ze średnią zero i stałą wariancją wynoszącą σ 2. Zakładamy, że wartość składnika losowego jest równa ρ razy wartość składnika z poprzedniego okresu plus innowacja φ t. Nowy komponent φ t ma średnią zero, stałą wariancję 90
4 Rysunek 3: Ujemna autokorelacja y x i jest niezależny w wymiarze czasu. Dla porcesu AR(1) macierz wariancjikowariancji ma następująca postać 1 ρ ρ 1 ρ ρ 1 ρ ρ. ρ ρ 1 Wzór na proces autoregresyjny można uogólnić. Proces autoregresyjny rzędu p ma następującą postać analityczną. ε t = ρ 1 ε t 1 + ρ 2 ε t ρ t p ε t p + φ t (4) Proces MA Inną często spotykaną formą autokorelacji jest proces średniej ruchomej Moving Average. Wartość w okresie t jest średnią wartości pochodzących z pewnej ilości okresów. Ilość okresów determinuje rząd procesu. y t = µ + ε t θε t 1 (5) Podobnie jak w przypadku procesu AR możemy wzór uogólnić. Proces średniej ruchomej rzędu q dany jest przez y t = µ + ε t θ 1 ε t 1 θ 2 ε t 2... θ q ε t q (6) 91
5 2.2.2 Własności estymatorów MNK Estymator MNK dla modelu regresji jest dany przez: Jest on nadal nieobciążony, ponieważ b = (X X) 1 X y (7) E(b) = E[(X X) 1 X y] = E[(X X) 1 X (Xβ + ε)] = E[(X X) 1 X X β] = β }{{} I czyli wartość oczekiwana estymatora MNK nie zależy od postaci składnika losowego, ani jego wariancji. Tak się dzieje w przypadku braku skorelowania zmiennych objaśniających z błędem losowym. Jeżeli macierz X nie zawiera regresorów skorelowanych z błędem losowym ε, to wariancję estymatora b możemy zapisać jako: var(b) = E[b E(b)][b E(b)] = E[(X X) 1 X εε X(X X) 1 ] var(b) = E[(X X) 1 X σ 2 ΩX(X X) 1 ] = σ 2 (X X) 1 X ΩX(X X) 1 (8) Jak widać, wariancja estymatora w przypadku gdy składnik losowy podlega autokorelacji jest różna od σ 2 (X X) 1. Wobec tego statystyka S 2 będzie obciążonym estymatorem wariancji składnika losowego. Jeżeli w modelu występuje autokorelacja to zazwyczaj estymator MNK niedoszacowuje prawdziwą wielkość wariancji. Ponadto testy statystyczne oparte na statystykach t, F oraz χ 2 bardzo często będą dawać mylne wyniki. Statystyki t częściej niż powinny, będą wskazywać na istotność statystyczną regresorów Estymator Praisa-Winstena Podobnie jak w przypadku heteroscedastyczności efektywnym estymatorem dla modelu z autokorelacją jest estymator otrzymany z wykorzystaniem Uogólnionej Metody Najmniejszych Kwadratów b = (X Ω 1 X) 1 X Ωy Jednak w ogólnym przypadku nie znamy postaci macierzy wariancji-kowariancji Ω. Jeżeli błąd losowy zawiera proces autoregresyjny pierwszego rzędu, to model regresji możemy przedstawić jako: y t = X t β + ε t (9) w którym składnik losowy zależy od wartości składnika losowego w poprzednim okresie ε t = ρε t 1 + φ t (10) 92
6 o składniku losowym φ t iid (0, σ 2 ) zakładamy, że jest nieskorelowany i ma taki sam rozkład niezależny od czasu. Jeżeli równanie (9) poddamy transformacjom ε t ρε t 1, y t ρy t 1, oraz x t ρx t 1 otrzymamy model, którego składnik losowy będzie homoscedastyczny i nieskorelowany.ta procedura uzyskiwania estymatora w przypadku autokorelacji została nazwana od nazwisk autorów estymacją Cochrana-Orcutta. y t ρy t 1 = (x t ρx t 1 ) β + φ t (11) Model (11) spełnia założenia twierdzenia Gaussa-Markowa, wobec tego estymator metody najmniejszych kwadratów obliczony dla niego będzie równoważny estymatorowi UMNK, o ile znany jest współczynnik korelacji ρ. Jednakże w wyniku transformacji danych tracimy pierwszą obserwację. Wobec tego uzyskany estymator będzie jedynie przybliżeniem estymatora wartości UMNK. Uzyskane przybliżenie będzie tym lepsze, im więcej obserwacji zawiera próba. Oczywiście estymator Cochrana-Orcuta jest asymptotycznie równoważny estymatorowi UMNK. Prais i Winten zmodyfikowali procedurę i zaproponowali obliczenie wartości estymatora na podstawie całej próby. Dzięki temu estymator Praisa- Winstena jest nieobciażony. Problematyczne jest, że jako estymator SUMNK jest on tylko asymptotycznie efektywny, wobec tego w małych próbach może być obciążony. Ponadto, poza podstawowymi przypadkami nie sa znane właściwości statystyk testowych. W zastosowaniach praktycznych wartość współczynnika korelacji ρ nie jest znana. Uzyskiwana jest dzięki przeprowadzaniu regresji reszt na reszty opóźnione o jeden okres (10). Otrzymanym estymatorem współczynnika korelacji jest: ( T ) 1 ( T ) ˆρ = e t e t 1 (12) t=1 e 2 t 1 Jednak ten estymator jest obciążony. ( T t=2 E(ρ ˆρ) = E e ) T te t 1 t=1 e te t 1 = T t=1 e2 t 1 t=2 T t=1 e2 t 1 e 2 1 T t=1 e2 t 1 (13) Pomimo tego, że ten estymator jest obciążony, jest on zgodny, gdyż dla dużej wartości t obciążenie dąży do zera, wobec tego plim(ˆρ) = ρ. Oznacza to że w dużych próbach jego obciążenie dąży do zera. W praktyce zamiast prawdziwej wartości ρ stosowany jest estymator ˆρ. W rezultacie uzyskany estymator Stosowalnej UMNK nie będzie najlepszym liniowym nieobciążonym estymatorem. Ale będzie on asymptotycznie równoważny estymatorowi UMNK, wobec tego w dużych próbach obciążenie będzie pomijalnie małe. 93
7 Pakiety statystyczne do estymacji używają iterowanej metody Praisa- Winstena. Polega ona na tym, że najpierw estymuje się parametr ρ, a następnie wektor β za pomocą stosowalnej UMNK. Po uzyskaniu estymatora, generuje się wektor reszt i ponownie oblicza estymator współczynnika korelacji, i ponownie estymuje się wektor β. Procedurę powtarza się do osiągnięcia zbieżności, czyli do osiągnięcia takich wartości estymatorów dla których zastosowana kolejna iteracja już ich nie zmienia. W dużych próbach nie ma dużego znaczenia ile wykonamy iteracji, bowiem estymatory są asymptotycznie równoważne. W małych próbach procedura iterowana daje lepsze rezultaty Estymator Newey a-westa Innym problemem jest uzyskanie zgodnego oszacowania macierzy wariancjikowariancji. Macierz wariancji-kowariancji składnika losowego otrzymywana metodą MNK jest obciążonym estymatorem prawdziwej macierzy wariancjikowariancji. Macierz wariancji-kowariancji estymatora możemy zapisać jako: var(β MNK ) = X σ 2 ΩX W modelach o wymiarze czasowym zakłada się, że wielkość korelacji pomiędzy obserwacjami jest stała w czasie, a formalnie wynika to z założenia o stacjonarności szeregu. Dzięki temu zmniejsza się liczba parametrów macierzy wariancji-kowariancji wymagających oszacowania, a parametry szacuje się na podstawie reszt z modelu. Możemy obliczyć jej zgodny estymator wykorzystując wyrażenie Ŝ = 1 T T e 2 t x t x t + 1 T t=1 L T w l e t e t l (x t x t l + x t l x t) l=1 t=l+1 gdzie w l = 1 l jest wagą kolejnej obserwacji, a L liczbą opóźnień. Dla L+1 procesu średniej ruchomej liczba opóźnień jest z reguły mała. Z kolei dla procesu autoregresyjnego autokorelacja nigdy nie jest równa zero. W praktyce przyjęło się u używać L = T 1 4. Ten estymator jest obciążony. Estymator Newey a-westa dany jest wzorem var(β) = (X X) 1 Ŝ(X X) 1 (14) Jest to estymator zgodny zarówno w przypadku występowania heteroscedastyczności, jak i w przy autokorelacji składnika losowego. Co więcej do jego obliczenia nie jest wymagana znajomość formy macierzy Ω. Rozkłady statystyk testowych t, F oraz χ 2 są tylko asymptotycznie poprawne, ponieważ estymator jest zgodny ale obciążony. 94
8 2.2.5 Testowanie występowania autokorelacji Jeżeli w modelu ekonometrycznym występuje autokorelacja, a tworząc model problem ten pominiemy, to doprowadzi to do sytuacji w której będziemy wyciągać wnioski na podstawie błędnego modelu. Wobec tego sprawdzenie czy składniki losowe są skorelowane jest bardzo ważnym elementem poprzedzającym wnioskowanie statystyczne. Testy na występowanie autokorelacji bazują na fakcie, że jeżeli prawdziwe zaburzenia losowe zawierają autokorelację, to reszty z metody najmniejszych kwadratów też będą skorelowane. Test Durbina-Watsona Test Durbina-Watsona jest najpopularniejszym testem wykrywającym autokorelację. Testuje ona hipotezę: przeciwko alternatywie: H 0 : brak autokorelacji H 1 : występuje autokorelacja pierwszego rzędu Podstawową zaletą testu jest to, że rozkład statystyki testowej DW jest znany zarówno dla małych jak i dla dużych prób. Statystyka dana jest wzorem: DW = T i=2 (e i e i 1 ) 2 T i=1 e2 i = 2(1 ρ) e2 1 + e 2 T n i=1 e2 i (15) gdzie ρ jest współczynnikiem korelacji pierwszego rzędu. Jeżeli dysponujemy dużą próbą to czynnik po prawej stronie równania (15) jest pomijalnie mały. Formalnie można wykazać, że DW p 2(1 ρ εtε t 1 ) Sposób testowania zależy od tego czy sprawdzamy obecność dodatniej czy ujemnej autokorelacji. Tablice rozkładu zawierają wartości krytyczne w zależności od liczby zmiennych w modelu k i ilości obserwacji T. Dla każdej pary k, T dane są dwie wartości krytyczne d L, d U. Wnioskowanie przebiega według następującego schematu: 1. jeżeli zakładamy występowanie dodatniej autokorelacji, wtedy DW < 2, oraz a) DW < d L, odrzucamy hipotezę zerową o braku autokorelacji i przyjmujemy, że w modelu jest dodatnia autokorelacja, 95
9 b) d L < DW < d U brak konkluzji, c) DW > d U nie ma podstaw do odrzucenia H 0 o braku autokorelacji. 2. jeżeli zakładamy występowanie ujemnej autokorelacji, wtedy DW > 2, oraz a) DW > 4 d L, odrzucamy hipotezę zerową o braku autokorelacji i przyjmujemy, że w modelu jest ujemna autokorelacja, b) 4 d U < DW < 4 d L brak konkluzji, c) DW < 4 d U nie ma podstaw do odrzucenia H 0 o braku autokorelacji 3. jeżeli DW = 2 to brak jest autokorelacji. Test DW ma trzy wady. Po pierwsze, wykrywa jedynie występowanie autokorelacji pierwszego rzędu. Po drugie, rozkład statystyki testowej jest nietypowy i zazwyczaj jego wartość krytyczna musi być odczytana z tablic. Po trzecie istnieje obszar braku konkluzji, ponieważ rozkład statystyki DW zależy od postaci nielosowej macierzy obserwacji X. Wartości krytyczne sa obliczone dla takich postaci macierzy X, dla których rozkład statystyki testowej dla prawdziwej hipotezy zerowej jest przesunięty najbardziej w lewą (prawą) stronę. Z tego powodu, pomiędzy wartościami krytycznymi istnieje obszar w którym odpowiedź jest niejednoznaczna. Część ekonometryków praktyków uważa, że w przypadku znalezienia się w obszarze niekonkluzywnym powinniśmy przyjąć, że składniki losowe nie są skorelowane. Test Breuscha-Godfrey a Test Breuscha-Godfrey a jest testem wykorzystującym metodę mnożników Lagrange a. Ma on przewagę nad testem Durbina-Watsona, ponieważ jest w stanie wykrywać obecność autokorelacji wyższych rzędów. Weryfikujemy hipotezę przeciwko alternatywie: H 0 : brak autokorelacji H 1 : ε i = AR(p) ε i = MA(p) W obu przypadkach używamy takiej samej statystyki testowej: Możemy ją uzyskać dwoma metodami: LM = T R 2 0 (16) 96
10 1. bierzemy wektor reszt i przeprowadzamy regresję e t = γ 0 + γ 1 e t 1 + γ 2 e t γ p e t p następnie obliczamy współczynnik R 2 0. Statystyka testowa LM = T R 2 0 ma rozkład χ 2 (p) 2. do oryginalnego równania regresji dodajemy p kolumn, zawierających opóźnione reszty y t = x t γ 0 + γ 1 e t 1 + γ 2 e t γ p e t p a następnie sprawdzamy łączną istotność statystyczną opóźnionych reszt za pomocą statystyki LM = T R 2 0. Ma ona rozkład χ 2 (p) W obu przypadkach, jeżeli wartość statystyki jest większa od wartości z rozkładu to należy do obszaru krytycznego testu i odrzucamy hipotezę zerową o braku autokorelacji. Przykład 1. Badając występowanie procesu AR(1) w pewnym modelu, znaleziono następujące wartości krytyczne testu Durbina-Watsona: d L = 1, 00 oraz d U = 1, 31. Dla jakich wartości statystyki DW z próby możemy uznać, że: a) 1. jest autokorelacja dodatnia, 2. jest autokorelacja ujemna, 3. nie ma autokorelacji, 4. nie da się roztrzygnąć czy jest autokorelacja. b) Czy i jak wpływa na wartość statystyki DW z próby fakt, że szacując model uporządkujemy obserwacje, a więc i reszty, nie od 1 do n, a od n do 1. A jaki wpływ będzie miało uporządkowanie reszt od najmniejszej do największej? Odpowiedź. a) 1. autokorelacja dodatnia jest dla DW (0; 1), 2. autokorelacja ujemna jest dla DW (3; 4), 3. nie ma autokorelacji dla DW (1, 31; 2, 69), 4. nie da się roztrzygnąć czy jest autokorelacja DW ((1; 1, 31) (2, 69; 3)). 97
11 b) Statystyka DW dana jest wzorem: DW = n i=2 (e i e i 1 ) 2 n i=1 e2 i = 2(1 r) e2 1 + e 2 T n i=1 e2 i wobec tego odwrotne uporządkowanie obserwacji nie wpłynie na kwadrat sumy w liczniku statystyki, wobec tego wartość statystyki się nie zmieni. Natomiast uporządkowanie próby według wielkości reszt zmniejszy sumę kwadratów w liczniku statystyki DW, a więc zwiększy prawdopodobieństwo, że stwierdzimy brak autokorelacji w modelu. Przykład 2. Szacując metodą MNK model liniowy o postaci y i = β 0 + β 1 x 1t + β 2 x 2t + ε t otrzymano następujący wektor reszt: e = [1, 2, 1, 2, 3, 1, 3, 0, 4, 3] Zweryfikuj hipotezę dotyczącą występowania autokorelacji składnika losowego w tym modelu na poziomie istotności α = 0, 05. Korzystając ze wzoru na statystykę Durbina-Watsona oblicza- Odpowiedź. my: DW = (2 1)2 + ( 1 2) 2 + ( 2 + 1) 2 + (3 + 2) 2 + ( 1 3) 2 + ( 3 + 1) 2 + (2 1) 2 + (0 + 3) 2 + (4 0) 2 + ( 3 4) ( 1) 2 + ( 2) ( 1) 2 + ( 3) ( 3) 2 DW = = 2, 5 Z tablicy rozkładu Durbina-Watsona odczytujemy wartości krytyczne dla dwóch zmiennych i dziesięciu obserwacji. Ponieważ dla dwóch zmiennych i 15 obserwacji wynoszą one odpowiednio d L = 0, 7, oraz d U = 1, 64, to dla dziesięciu obserwacji d L będzie niższe, a d U wyższe. Ponieważ, wartość statystyki DW jest większa od 2, to modyfikujemy wartości krytyczne przyjmując 4 d U = 2, 36 oraz 4 d L = 3, 3. Ponieważ 4 d U < DW < 4 d L wynik testu jest niekonkluzywny. Przykład 3. Popyt na lody w USA Dane do przykładu pochodzą z artykułu Hildretha i Lu (1960). Są to szeregi czasowe zawierające po 30 comiesięcznych obserwacji od marca 1951 do lipca Obejmują one następujące zmienne: cons wielkość konsumpcji lodów na głowę w pintach. (1 pinta ok 0,54 litra), income przeciętny tygodniowy dochód rodziny, 98
12 price cena lodów, temp przeciętna temperatura w skali Fahrenheita Jeżeli spojrzymy na wykresy danych to zauważymy, że temperatura jest istotnym czynnikiem wyjaśniającym poziom konsumpcji lodów. Przeprowadzona Rysunek 4: Konsumpcja lodów, cena, oraz temperatura/ time cons temp100 price regresja metodą MNK dała następujące wyniki:. reg cons price income temp Source SS df MS Number of obs = F( 3, 26) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = cons Coef. Std. Err. t P> t [95% Conf. Interval] price income temp _cons By obliczyć wartość statystyki Durbina-Watsona w pakiecie Stata, należy najpierw zdefiniować zmienną opisującą czas. Ta zmienna może przyjmować dowolne wartości. Czas powinien rosnąć z wartością zmiennej i wartość 99
13 zmiennej nie może się powtarzać, jeżeli nie zdefiniujemy zmiennej panelowej (zmiennej która będzie przyjmowała taką samą wartość dla każdej jednostki w panelu na przestrzeni czasu, ale różna dla różnych jednostek).. tsset time time variable: time, 1 to 30 Jeśli mamy zdefiniowaną zmienną opisującą czas, obliczenie statystyki Durbina- Watsona jest proste. estat dwstat Durbin-Watson d-statistic( 4, 30) = wartości krytyczne wynoszą odpowiednio d L = 1, 21 i d U = 1, 65. Wobec tego odrzucamy hipotezę zerową o braku autokorelacji pierwszego rzędu. Wyniki testu możemy potwierdzić patrząc na wykres dopasowanych wartości konsumpcji i reszt. Na rysunku wyraźnie widać, że po dodatniej reszcie Rysunek 5: Konsumpcja lodów i dopasowana konsumpcja lodów time Fitted values cons następuje dużo częściej reszta dodatnia niż ujemna, co potwierdza występowanie zjawiska dodatniej korelacji. Występowanie autokorelacji powoduje, że błędy standardowe estymatorów nie są poprawnie oszacowane. Możemy poprawić ich oszacowanie używając stosowalnej UMNK.. reg cons price income temp, robust Regression with robust standard errors Number of obs =
14 F( 3, 26) = Prob > F = R-squared = Root MSE = Robust cons Coef. Std. Err. t P> t [95% Conf. Interval] price income temp _cons lub estymatora Newey a-westa z jednym opóźnieniem, ponieważ jesteśmy pewni że składnik losowy zawiera proces AR(1).. newey cons price income temp, lag(1) Regression with Newey-West standard errors Number of obs = 30 maximum lag: 1 F( 3, 26) = Prob > F = Newey-West cons Coef. Std. Err. t P> t [95% Conf. Interval] price income temp _cons lub z sugerowaną przez teorię ekonometryczną liczbą opóźnień = 2, 34. Wobec tego używamy 3 opóźnień.. newey cons price income temp, lag(3) Regression with Newey-West standard errors Number of obs = 30 maximum lag: 3 F( 3, 26) = Prob > F = Newey-West cons Coef. Std. Err. t P> t [95% Conf. Interval] price income temp
15 _cons Jak widać estymatory parametrów wektora β są zawsze takie same, co wynika ze zgodności estymatora MNK, natomiast uzyskujemy różne wartości odchyleń standardowych estymatorów. Literatura [1] William H. Greene (2003) Econometric Analysis, 5th edition. [2] Jerzy Mycielski (2000), WNE. [3] Marno Verbbek (2000) A Guide to Modern Econometrics, John Wiley & Sons. 102
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
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 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 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 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. Autokorelacja Konsekwencje Testowanie autokorelacji 2. Metody radzenia sobie z heteroskedastycznością i autokorelacją Uogólniona Metoda Najmniejszych
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 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 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 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 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 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 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 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 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 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 szczegółowoZadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.
tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1
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 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 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 szczegółowoTEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.
TEST STATYSTYCZNY Testem statystycznym nazywamy regułę postępowania rozstrzygająca, przy jakich wynikach z próby hipotezę sprawdzaną H 0 należy odrzucić, a przy jakich nie ma podstaw do jej odrzucenia.
Bardziej 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 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 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 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 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. 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 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 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. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów 5. Testowanie
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 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 szczegółowo2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Sprawdzanie założeń przyjętych o modelu (etap IIIC przyjętego schematu modelowania regresyjnego) 1. Szum 2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
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 szczegółowoPodczas zajęć będziemy zajmować się głownie procesami ergodycznymi zdefiniowanymi na przestrzeniach ciągłych.
Trochę teorii W celu przeprowadzenia rygorystycznej ekonometrycznej analizy szeregu finansowego będziemy traktowali obserwowany ciąg danych (x 1, x 2,..., x T ) jako realizację pewnego procesu stochastycznego.
Bardziej szczegółowoWprowadzenie Modele o opóźnieniach rozłożonych Modele autoregresyjne o opóźnieniach rozłożonych. Modele dynamiczne.
opisują kształtowanie się zjawiska w czasie opisują kształtowanie się zjawiska w czasie Najważniejszymi zastosowaniami modeli dynamicznych są opisują kształtowanie się zjawiska w czasie Najważniejszymi
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 8
Stanisław Cichocki Natalia Nehrebecka Zajęcia 8 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej 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 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 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 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 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 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 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 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 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 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 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 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 szczegółowoTestowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego
Testowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego Ze względu na jakość uzyskiwanych ocen parametrów strukturalnych modelu oraz weryfikację modelu, metoda najmniejszych
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 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 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 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 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 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 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 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 szczegółowoTestowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.
Testowanie hipotez Niech X = (X 1... X n ) będzie próbą losową na przestrzeni X zaś P = {P θ θ Θ} rodziną rozkładów prawdopodobieństwa określonych na przestrzeni próby X. Definicja 1. Hipotezą zerową Θ
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 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. Weryfikacja modelu. Paweł Cibis 12 maja 2007
Weryfikacja modelu Paweł Cibis pawel@cibis.pl 12 maja 2007 1 Badanie normalności rozkładu elementu losowego Test Hellwiga dla małej próby Test Kołmogorowa dla dużej próby 2 Testy Pakiet Analiza Danych
Bardziej szczegółowoPrzykład 2. Stopa bezrobocia
Przykład 2 Stopa bezrobocia Stopa bezrobocia. Komentarz: model ekonometryczny stopy bezrobocia w Polsce jest modelem nieliniowym autoregresyjnym. Podobnie jak model podaŝy pieniądza zbudowany został w
Bardziej 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 szczegółowo1.7 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 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 szczegółowoK wartość kapitału zaangażowanego w proces produkcji, w tys. jp.
Sprawdzian 2. Zadanie 1. Za pomocą KMNK oszacowano następującą funkcję produkcji: Gdzie: P wartość produkcji, w tys. jp (jednostek pieniężnych) K wartość kapitału zaangażowanego w proces produkcji, w tys.
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 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 szczegółowoBłędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa
Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie
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 szczegółowoMetoda największej wiarogodności
Wprowadzenie Założenia Logarytm funkcji wiarogodności Metoda Największej Wiarogodności (MNW) jest bardziej uniwersalną niż MNK metodą szacowania wartości nieznanych parametrów Wprowadzenie Założenia Logarytm
Bardziej 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 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 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 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 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 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. 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 szczegółowoStatystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r
Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów
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 szczegółowoStatystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych
Statystyka matematyczna. Wykład IV. e-mail:e.kozlovski@pollub.pl Spis treści 1 2 3 Definicja 1 Hipoteza statystyczna jest to przypuszczenie dotyczące rozkładu (wielkości parametru lub rodzaju) zmiennej
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 szczegółowoTESTY NIEPARAMETRYCZNE. 1. Testy równości średnich bez założenia normalności rozkładu zmiennych: Manna-Whitney a i Kruskala-Wallisa.
TESTY NIEPARAMETRYCZNE 1. Testy równości średnich bez założenia normalności rozkładu zmiennych: Manna-Whitney a i Kruskala-Wallisa. Standardowe testy równości średnich wymagają aby badane zmienne losowe
Bardziej szczegółowoIdea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość
Idea Niech θ oznacza parametr modelu statystycznego. Dotychczasowe rozważania dotyczyły metod estymacji tego parametru. Teraz zamiast szacować nieznaną wartość parametru będziemy weryfikowali hipotezę
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 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 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 szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoAnaliza regresji - weryfikacja założeń
Medycyna Praktyczna - portal dla lekarzy Analiza regresji - weryfikacja założeń mgr Andrzej Stanisz z Zakładu Biostatystyki i Informatyki Medycznej Collegium Medicum UJ w Krakowie (Kierownik Zakładu: prof.
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 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 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 szczegółowoAnaliza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń Problem Przykłady
Analiza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń 1. Problem ozwaŝamy zjawisko (model): Y = β 1 X 1 X +...+ β k X k +Z Ηβ = w r Hipoteza alternatywna: Ηβ w r
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 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 szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje
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 szczegółowoREGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO. Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój
1 REGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój 2 DOTYCHCZASOWE MODELE Regresja liniowa o postaci: y
Bardziej szczegółowo