Badanie stacjonarności szeregów czasowych w programie GRETL
|
|
- Julian Wolski
- 7 lat temu
- Przeglądów:
Transkrypt
1 Badanie stacjonarności szeregów czasowych w programie GRETL Program proponuje następujące rodzaje testów stacjonarności zmiennych:. Funcję autoorelacji i autoorelacji cząstowej 2. Test Diceya-Fullera na pierwiasti jednostowe 3. Periodogram i spetrum procesów Poniżej omawiamy pierwsze dwie grupy testów.. Funcja autoorelacji (autocorrelations function ACF) Funcja autoorelacyjna dana jest wzorem: (.) r = ˆ ρ = T t= + ( x t x)( x t x) / T t= ( x t x) 2 = T t= + ( x t x)( x Ts 2 t x) W przypadu, gdy badany proces jest stacjonarny olejne wartości r powinny być blisie zeru. Statystyą badająca istotność olejnych współczynniów orelacji w programie GRETL jest statystya Ljunga-Boxa postaci: (.2) Q( ) = T ( T + 2) ( T i) i= 2 r i Statystya (.2) ma rozład χ 2 z stopniami swobody. Wartości sprawdzianu więsze od wartości rytycznych pozwalają na odrzucenie hipotezy zerowej mówiącej o nieistotności autoorelacji rzędu. W przeciwnym wypadu nie ma podstaw do odrzucenia hipotezy zerowej. Funcja autoorelacji cząstowej (partial autocorrelations function PACF) Pozwala ocenić rząd opóźnienia badanego procesu dla modelu autoregresji AR() na podstawie statystyi Quenouilla postaci:.96 (.3) Q = n Jeżeli współczynni autoorelacji cząstowej jest mniejszy od statystyi Q to nie ma podstaw do odrzucenia hipotezy o brau związu pomiędzy procesami o odstępie równym. W przypadu, gdy wszystie wartości funcji autoorelacji cząstowej są mniejsze od Q należy wniosować, że badany proces jest stacjonarny, co więcej, losowy. ACF i PACF w programie GRETL W celu oszacowania ACF i PACF oraz statysty Q() i Q w programie GRETL należy wybrać z menu głównego Zmienna Korelogram (lub Korelogram menu ontestowego)
2 2. Testy Diceya- Fullera na pierwiasti jednostowe Test Diceya- Fullera (test DF) zaproponowany w 979 r. zwany jest również testem pierwiastów jednostowych. Sprawdza on istnienie pierwiasta jednostowego, tzn. hipotezę, że ρ= w równaniu : (2.a) y t =ρ y t- + t Komentarz: gdzie t jest procesem białego szumu, tóry z założenia ma średnią równą zero, stałą wariancję i zerową owariancję pomiędzy różnymi obserwacjami, jest więc stacjonarny. Idea użycia równania (2.a) do badania stacjonarności wywodzi się z fatu, że jeśli ρ <, to szereg y t jest stacjonarny (ma zerową średnią i stałą wariancję). W przeciwnym wypadu, średnia procesu jest również stała, lecz wariancja rośnie wraz ze wzrostem t, czyli y t jest niestacjonarny. W pratyce, w celu uninięcia sutów niestacjonarności regresanta, testowanie parametru przy opóźnionej zmiennej odbywa się w oparciu o równanie: (2.b) y t =δy t- + t ; Odrzucenie hipotezy zerowej załadającej istnienie pierwiasta jednosowego: H 0 : δ=0, na rzecz alternatywnej załadającej stacjonarność procesu y t : H : δ<0, pozwala na stwierdzenie, że zmienna y t jest integrowana rzędu 0 - y t I(0) - czyli jest stacjonarna. Statystya służąca do weryfiacji hipotezy o istnieniu pierwiasta jednostowego ma postać: ^ δ DF = S( ^ δ ) Statystya DF przypomina sprawdzian testu t-studenta, lecz nie charateryzuje się podobnym rozładem, lecz jego wartości rytyczne są znacznie wyższe w porównaniu do rozładu t- Studenta 2. Jeśli obliczona statystya DF jest mniejsza od wartości rytycznej dla odpowiedniej liczby obserwacji (n), to odrzucamy hipotezę zerową (o pierwiastu jednostowym) na orzyść Oreślenie pierwiaste jednostowy odnosi się do jednostowego parametru ρ przy y t-. Stwierdzenie, że proces y t ma pierwiaste jednostowy, lub jest zintegrowany rzędu pierwszego jest równoważne. 2 Tablice wartości rytycznych znajdują się np. w pracy W. Charemza, D. Deadman [992], lub W. Enders [995]. Użycie ich nie zawsze jest onieczne, bowiem nowoczesne paiety do analizy szeregów czasowych (również GRETL) automatycznie podają wartości rytyczne, lub prawdopodobieństwa odrzucenia hipotezy zerowej. 2
3 hipotezy alternatywnej mówiącej o stacjonarności y 3 t. Jeśli obliczona statystya jest więsza od wartości rytycznej, nie ma podstaw do odrzucenia hipotezy zerowej. Następnym etapem analizy powinno być wtedy testowanie integracji pierwszego rzędu, tzn. jeśli y t I(), to y t I(0). Powtarzamy zatem test, używając y t zamiast y t, gdzie y t oznacza pierwsze różnice zmiennej y t. Test Diceya - Fullera częściej stosuje się do badania stopnia integracji dla zmiennej generowanej przez proces stochastyczny z dryfem (ang. drift), tzn. dla równania: (2.) y t =µ+δy t- + t gdzie µ jest stałą (wyrazem wolnym) reprezentującą dryf. Technia testowania jest analogiczna do wyżej zaprezentowanej Słabością powyższych testów jest fat, że nie biorą one pod uwagę możliwości występowania autoorelacji sładnia losowego. Jeśli autoorelacja taa występuje (czyli sładni losowy nie jest procesem białego szumu) to wtedy estymatory KMNK nie są efetywne. Prostym rozwiązaniem polecanym przez Diceya i Fullera jest użycie opóźnionej zmiennej objaśnianej jao dodatowej zmiennej objaśniającej w celu usunięcia autoorelacji. Test ten, zwany jest rozszerzonym testem Diceya-Fullera ADF (ang. Augmented Dicey- Fuller test) i bazuje na oszacowaniach równania: (2.2) y t =µ+δy t- + i= δ i y t-i + t, lub (2.2a) y t =δy t- + i= δ i y t-i + t Za pomocą testu Diceya - Fullera można również testować hipotezę o pierwiastu jednostowym przeciwo hipotezie o występowaniu trendu deterministycznego. Badanie taie przeprowadza się w oparciu o ogólny model postaci: (2.3) y t =α 0 +δα t+δy t-i + i= δ i y t- + t gdzie zespół hipotez ma postać: H 0 : δ= 0 (pierwiaste jednostowy); H : δ<0 (trend deterministyczny); 3 Wartości rytyczne rozładu DF są ujemne. Oznacza to, że jeśli weźmiemy pod uwagę wartości bezwzględne (rytyczne i sprawdzianu testu), hipotezę zerową odrzucamy dla wartości więszych od wartości rytycznych. 3
4 Przyłady zastosowania testów na stacjonarność zmiennych w programie GRETL Przyłady dotyczą sztucznie generowanych zmiennych w oparciu o następujące procesy: y t =y t- +e t y 2t =y 2t- +e 2t y 3t =y 3t- +e 3t y 4t =+y 4t- +e 4t y 5t =-+y 5t- +e 5t y 6t =y 6t- +t+e 6t y 7t =+y 7t- +t+e 7t y 8t =0.y 8t- +e 8t y 9t =0.5y 9t- +e 9t y 0t =0.9y 0t- +e 0t y t =0.y I- +t+e t y 2t =0.5y 2t- +t+e 2t y 3t =0.9y 3t- +t+e 3t Sposób generowania procesów y y 3 polegał na tym, że najpierw wygenerowano w Excelu 3 zmiennych losowych o długości 00 obserwacji ze standaryzowanego rozładu normalnego (Narzędzia Analiza Danych Generowanie Liczb Pseudolosowych). Następnie, przyjmując w ażdym z powyższych przypadów y 0 =0, obliczano olejne wartości y t dla =,...3, t=,...,00. W ten sposób wygenerowano zmienne, o tórych z góry wiadomo, że: e,...,e 3 to białoszumowe procesy losowe, zintegrowane rzędu 0, tzn. stacjonarne w średniej (trend deterministyczny) i wariancji (trend stochastyczny, integracja) y, y 2, y 3 to procesy random wal, tzn. integrowane rzędu, czyli z trendem stochastycznym y 4, y 5 to procesy random wal with drift, tzn.integrowane rzędu, czyli z trendem stochastycznym y 6, y 7 to procesy random wal with trend (ew. drift), czyli zintegrowane rzędu z dodatowym trendem liniowym, tzn. trend stochastyczny i deterministyczny y 8, y 9, y 0 procesy stacjonarne: bez trendu stochastycznego i deterministycznego y, y 2, y 3 procesy stacjonarne w wariancji (zintegrowane rzędu 0, czyli bez trendu stochastycznego), lecz niestacjonarne w średniej (z trendem deterministycznym). 4
5 Przyład badania stacjonarności za pomocą funcji autoorelacyjnej w programie GRETL Po wybraniu z menu ontestowego opcji Korelogram (lub Zmienna Korelogram) dla zmiennej e otrzymujemy następujące wynii: Tablica : Wynii działania funcji Korelogram zastosowanej do zmiennej e Ljung-Box Q' = Stopnie swobody = 4, p-value = ) ) ) ) ) ) ) ) ) ) ) ) ) ) Funcja autoorelacji cząstowej (PACF): ) ) ) ) ) ) ) ) ) ) ) ) ) ) Źródło: Obliczenia własne w programie GRETL Z tabeli wynia, że poszczególne wartości współczynniów autoorelacji są niewielie, pozwalające przypuszczać, że można je uznać za równe zero. Niestety statystya Q() por. wzór.2, tóra to weryfiuje, jest liczona w programie GRETL jedynie dla ostatniej orelacji rzędu =4 (a zatem możemy zweryfiować istotność tylo tej ostatniej autoorealcji). W tym wypadu statystya Q(4)=20,997 jest mniejsza od 5% wartości rytycznej rozładu χ2 z 4 stopniami swobody wynoszącej χ =23, Nie ma zatem podstaw do odrzucenie hipotezy zerowej o brau autoorelacji rzędu 4 (o czym świadczy również wartość p-value). Ponieważ w podanym przyładzie nie występują przesłani do badania autoorelacji oreślonego rzędu (w przeciwieństwie do danych wartalnych lub miesięcznych, gdzie bada się autoorelację 4 lub 2 rzędu) obliczymy funcję autoorelacyjną rzędu. W tym celu po wybraniu opcji Korelogram należy wpisać wartość w onie Masymalne opóźnienie. Po wyonaniu tych czynności dostajemy wynii z tabeli 2. Tablica 2:Wynii działania funcji Korelogram zastosowanej do zmiennej e z opóźnieniem Ljung-Box Q' = Stopnie swobody =, p-value = ) Funcja autoorelacji cząstowej (PACF): ) Źródło: Obliczenia własne w programie GRETL Oczywiście wartości autoorelacji są identyczne, lecz w tym wypadu otrzymujemy statystyę Q() pozwalającą przetestować autoorelację rzędu. Ponieważ Q()=0,4408 jest mniejsza od 5% wartości rytycznej rozładu χ2 z stopniem swobody wynoszącej χ =3,84 zatem stwierdzamy, że autoorelację rzędu można uznać za równą zeru. Jest to zgodne z przewidywaniami, ponieważ wiadomo, że e jest procesem losowym. 4 Wartości rytyczne rozładu możemy uzysać w programie GRETL w menu Narzędzia Tablice Statystyczne 5
6 Przyład badania stacjonarności za pomocą testów Diceya-Fullera w programie GRETL- dla stacjonarnego procesu e bez trendu liniowego Testy Diceya Fullera weryfiują następujący zespół hipotez: H 0 : y t jest integrowane rzędu, tzn. w procesie występuje pierwiaste jednostowy (trend stochastyczny) H : y t jest integrowane rzędu 0, tzn. stacjonarne, bez trendu stochastycznego (lecz w dalszym ciągu z możliwością występowania trendu deterministycznego) W programie GRETL możliwe jest testowanie następujących specyfiacji modelu: (2.), (2.a), (2.2) oraz modyfiacji tych postaci z dołączonymi zmiennymi opóźnionymi w celu wyeliminowanie autororelacji załóceń, tzn. (2.2), (2.2a), (2.3). Aby zastosować test DF w programie GRETL należy z menu głównego wybrać: Zmienna Test ADF (lub z menu ontesowego Test Diceya-Fullera) a następnie zaznaczyć trzy pierwsze specyfiacje modelu, tzn.: - test bez wyrazu wolnego (2.2a) - test z wyrazem wolnym (2.2) - test z trendem liniowym (2.3) Rys. : Pole wyboru testu ADF Źródło: Program GRETL 6
7 Domyślnie GRETL wyświetla wartości statysty dla równań (2.2) (2.2a) i (2.3) przy =, lecz można to zmienić, co jest polecane w przypadu danych o oreślonej częstotliwości. Ponieważ w naszym przypadu nie zachodzi niebezpieczeństwo autoorelacji wybieramy =0, co powoduje oszacowanie prostszych wersji powyższych równań a mianowicie postaci (2.a), (2.) i (2.2). Zastosowanie postaci z trendem liniowym (2.2) lub (2.3) jest wsazane wówczas, gdy wiadomo, że badana zmienna wyazuje trend deterministyczny. Natomiast wybór postaci z wyrazem wolnym i bez nie wpływa zasadniczo na wynii testów. Wynii działania funcji ADF poazuje tabela 3: Tabela 3: Test DF dla zmiennej e dla równań (2.a), (2.), (2.2) - =0 Test Diceya-Fullera dla e liczebność próby 99 Hipoteza zerowa: występuje pierwiaste jednostowy a = ; proces I() test bez wyrazu wolnego (const) model: ( - L)y = (a-)*y(-) + e estymowana wartość (a-) wynosi: statystya testu: t = p-value 2.4e-034 test z wyrazem wolnym (const) model: ( - L)y = b0 + (a-)*y(-) + e estymowana wartość (a-) wynosi: statystya testu: t = p-value 5.48e-009 z wyrazem wolnym i trendem liniowym model: ( - L)y = b0 + b*t + (a-)*y(-) + e estymowana wartość (a-) wynosi: statystya testu: t = p-value.969e-0 Źródło: Obliczenia własne w programie GRETL Program GRETL nie podaje wartości rytycznych (tóre nie można również wygenerować w programie, lecz można znaleźć w podręczniach) lecz wartość p, tóra mówi o poziomie istotności dla tórego można odrzucić hipotezę zerową. Jeżeli zdecydujemy się wniosować na 5% poziomie istotności, to wartości p-value poniżej 0,05 będą świadczyć o stacjonarności zmiennej. W naszym przypadu, zgodnie z oczeiwaniami wartości p z wszystich trzech regresji (por. tablica 3) są znacznie niższe od 0,05, zatem stwierdzamy, że badany proces e jest stacjonarny 7
8 Przyład badania stacjonarności za pomocą testów Diceya-Fullera w programie GRETL- dla stacjonarnego procesu y z trendem liniowym W przypadu, gdy badana zmienna wyazuje liniowy trend deterministyczny, użycie testów (2.a), (2.) lub (2.2a) (2.2) wsaże na występowanie pierwiasta jednostowego, czyli integracji pierwszego stopnia. Podejmiemy zatem decyzję o niestacjonarności zmiennej, lecz błędnie rozpoznamy przyczynę tej niestacjonarności w postaci trendu stochastycznego, podczas gdy niestacjonarność jest wywołana przez trend deterministyczny. W tablicy 4 poazana jest właśnie taa sytuacja, gdy dla zmiennej y, o tórej wiadomo, że charateryzuje się jedynie trendem deterministycznym, z dwóch pierwszych regresji otrzymujemy bardzo wysoą wartość p, wsazującą na występowanie pierwiasta jednostowego. Tablica 4: Test DF dla zmiennej y bez pierwiasta jednostowego z trendem liniowym Test Diceya-Fullera dla y liczebność próby 99 Hipoteza zerowa: występuje pierwiaste jednostowy a = ; proces I() test bez wyrazu wolnego (const) model: ( - L)y = (a-)*y(-) + e estymowana wartość (a-) wynosi: statystya testu: t = p-value test z wyrazem wolnym (const) model: ( - L)y = b0 + (a-)*y(-) + e estymowana wartość (a-) wynosi: statystya testu: t = p-value z wyrazem wolnym i trendem liniowym model: ( - L)y = b0 + b*t + (a-)*y(-) + e estymowana wartość (a-) wynosi: statystya testu: t = p-value 6.06e-00 Źródło: Obliczenia własne w programie GRETL Jeśli natomiast użyjemy do badania regresji trzeciej, uwzględniającej liniowy trend deterministyczny, to podejmiemy właściwą decyzję o brau integracji (pierwiasta jednostowego). Wartość p dla tej regresji wynosi p-value=0, i jest znacznie niższa od poziomu istotności rzędu 0,05, co pozwala odrzucić hipotezę o pierwiastu jednostowym. 8
9 NOTATNIK Uwagi ogólne do programu GRETL:. Zarówno zmienne, ja i foldery nie powinny zawierać polsich znaów oraz nazw dłuższych niż 8 znaów 2. Aby były dostępne funcje do analizy szeregów czasowych należy oreślić właściwą struturę danych: Próba Strutura danych Szeregi czasowe 9
Niestacjonarne zmienne czasowe własności i testowanie
Materiał dla studentów Niestacjonarne zmienne czasowe własności i testowanie (studium przypadku) Część 3: Przykłady testowania niestacjonarności Nazwa przedmiotu: ekonometria finansowa I (22204), analiza
Bardziej szczegółowo4. Średnia i autoregresja zmiennej prognozowanej
4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)
Bardziej szczegółowoEkonometria 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:
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 szczegółowo3. Analiza własności szeregu czasowego i wybór typu modelu
3. Analiza własności szeregu czasowego i wybór typu modelu 1. Metody analizy własności szeregu czasowego obserwacji 1.1. Analiza wykresu szeregu czasowego 1.2. Analiza statystyk opisowych zmiennej prognozowanej
Bardziej szczegółowo5. Model sezonowości i autoregresji zmiennej prognozowanej
5. Model sezonowości i autoregresji zmiennej prognozowanej 1. Model Sezonowości kwartalnej i autoregresji zmiennej prognozowanej (rząd istotnej autokorelacji K = 1) Szacowana postać: y = c Q + ρ y, t =
Bardziej szczegółowo4. Weryfikacja modelu
4. Weryfiacja modelu Wyznaczenie wetora parametrów struturalnych uładu ończy etap estymacji. Kolejnym etapem jest etap weryfiacji modelu. Przeprowadza się ją w dwóch ujęciach: merytorycznym i statystycznym.
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 szczegółowoPrawdopodobieństwo i statystyka
Zadanie Rozważmy następujący model strzelania do tarczy. Współrzędne puntu trafienia (, Y ) są niezależnymi zmiennymi losowymi o jednaowym rozładzie normalnym N ( 0, σ ). Punt (0,0) uznajemy za środe tarczy,
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 szczegółowo1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4.
1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4. Prognozowanie stóp zwrotu na podstawie modeli ARMA 5. Relacje kointegrujące
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 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 szczegółowoSygnały stochastyczne
Sygnały stochastyczne Zmienne losowe E zbiór zdarzeń elementarnych (zbiór możliwych wyniów esperymentu) e E zdarzenie elementarne (wyni esperymentu) B zbiór wybranych podzbiorów zbioru E β B zdarzenie
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 szczegółowob) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas:
ROZWIĄZANIA I ODPOWIEDZI Zadanie A1. Można założyć, że przy losowaniu trzech kul jednocześnie kolejność ich wylosowania nie jest istotna. A więc: Ω = 20 3. a) Niech: - wśród trzech wylosowanych opakowań
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 szczegółowoNiestacjonarne zmienne czasowe własności i testowanie
Materiał dla studentów Niestacjonarne zmienne czasowe własności i testowanie (studium przypadku) Część 1: Opis ogólny i plan pracy Nazwa przedmiotu: ekonometria finansowa I (22204), analiza szeregów czasowych
Bardziej szczegółowoZASTOSOWANIE DYNAMICZNEGO MODELU ZGODNEGO W ANALIZIE GOSPODARKI GÓRNEGO ŚLĄSKA
Uniwersytet Ekonomiczny w Katowicach ZASTOSOWANIE DYNAMICZNEGO MODELU ZGODNEGO W ANALIZIE GOSPODARKI GÓRNEGO ŚLĄSKA Wprowadzenie W opracowaniu podjęto próbę porównania jakości modelu ekonometrycznego gospodarki
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. 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 szczegółowoparametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających,
诲 瞴瞶 瞶 ƭ0 ƭ 瞰 parametrów strukturalnych modelu Y zmienna objaśniana, = + + + + + X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających, α 0, α 1, α 2,,α k parametry strukturalne modelu, k+1 parametrów
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 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 szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoUwaga. Decyzje brzmią różnie! Testy parametryczne dotyczące nieznanej wartości
TESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu, z którego pochodzi próbka. Hipotezy dzielimy na parametryczne i nieparametryczne. Parametrycznymi
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 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 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 szczegółowoWIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI. Test zgodności i analiza wariancji Analiza wariancji
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI Test zgodności i analiza wariancji Analiza wariancji Test zgodności Chi-kwadrat Sprawdza się za jego pomocą ZGODNOŚĆ ROZKŁADU EMPIRYCZNEGO Z PRÓBY Z ROZKŁADEM HIPOTETYCZNYM
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 szczegółowoZadanie 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
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 szczegółowoWNIOSKOWANIE W MODELU REGRESJI LINIOWEJ
WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ Dana jest populacja generalna, w której dwuwymiarowa cecha (zmienna losowa) (X, Y ) ma pewien dwuwymiarowy rozk lad. Miara korelacji liniowej dla zmiennych (X, Y
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 szczegółowoWykład 3 Hipotezy statystyczne
Wykład 3 Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu obserwowanej zmiennej losowej (cechy populacji generalnej) Hipoteza zerowa (H 0 ) jest hipoteza
Bardziej szczegółowoAnaliza autokorelacji
Analiza autokorelacji Oblicza się wartości współczynników korelacji między y t oraz y t-i (dla i=1,2,...,k), czyli współczynniki autokorelacji różnych rzędów. Bada się statystyczną istotność tych współczynników.
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. #5 Testowanie hipotez statystycznych. Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik. rok akademicki 2016/ / 28
Statystyka #5 Testowanie hipotez statystycznych Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik rok akademicki 2016/2017 1 / 28 Testowanie hipotez statystycznych 2 / 28 Testowanie hipotez statystycznych
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 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 szczegółowoDRGANIA WŁASNE RAM OBLICZANIE CZĘSTOŚCI KOŁOWYCH DRGAŃ WŁASNYCH
Część 5. DRGANIA WŁASNE RAM OBLICZANIE CZĘSTOŚCI KOŁOWYCH... 5. 5. DRGANIA WŁASNE RAM OBLICZANIE CZĘSTOŚCI KOŁOWYCH DRGAŃ WŁASNYCH 5.. Wprowadzenie Rozwiązywanie zadań z zaresu dynamii budowli sprowadza
Bardziej szczegółowoTemat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, że 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.
Bardziej szczegółowoMetoda Johansena objaśnienia i przykłady
Metoda Johansena objaśnienia i przykłady Model wektorowej autoregresji rzędu p, VAR(p), ma postad gdzie oznacza wektor zmiennych endogenicznych modelu. Model VAR jest stabilny, jeżeli dla, tzn. wielomian
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 5.
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 5. PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Rozłady soowe Rozład jednopuntowy Oreślamy: P(X c) 1 gdzie c ustalona liczba. 1 EX c, D 2 X 0 (tylo ten rozład ma zerową wariancję!!!)
Bardziej szczegółowoTemat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, Ŝe 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.
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 szczegółowoAnaliza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817
Analiza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817 Zadanie 1: wiek 7 8 9 1 11 11,5 12 13 14 14 15 16 17 18 18,5 19 wzrost 12 122 125 131 135 14 142 145 15 1 154 159 162 164 168 17 Wykres
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 szczegółowo7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej
7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach
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 szczegółowoMateriały dydaktyczne. Matematyka. Semestr III. Wykłady
Materiały dydatyczne Matematya Semestr III Wyłady Aademia Morsa w Szczecinie ul. Wały Chrobrego - 70-500 Szczecin WIII RÓWNANIA RÓŻNICZKOWE ZWYCZAJNE PIERWSZEGO RZĘDU. Pojęcia wstępne. Równania różniczowe
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 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 szczegółowoTestowanie hipotez statystycznych. Wnioskowanie statystyczne
Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy
Bardziej szczegółowoModele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 4
Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 4 Konrad Miziński, nr albumu 233703 31 maja 2015 Zadanie 1 Wartości oczekiwane µ 1 i µ 2 oszacowano wg wzorów: { µ1 = 0.43925 µ = X
Bardziej szczegółowoWeryfikacja hipotez statystycznych testy t Studenta
Weryfikacja hipotez statystycznych testy t Studenta JERZY STEFANOWSKI Marek Kubiak Instytut Informatyki Politechnika Poznańska Standardowy schemat postępowania (znane σ) Założenia: X ma rozkład normalny
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 szczegółowoWeryfikacja hipotez statystycznych za pomocą testów statystycznych
Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów stat. Hipoteza statystyczna Dowolne przypuszczenie co do rozkładu populacji generalnej
Bardziej szczegółowoTablica Wzorów Rachunek Prawdopodobieństwa i Statystyki
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...
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 szczegółowoProces modelowania zjawiska handlu zagranicznego towarami
Załącznik nr 1 do raportu końcowego z wykonania pracy badawczej pt. Handel zagraniczny w województwach (NTS2) realizowanej przez Centrum Badań i Edukacji Statystycznej z siedzibą w Jachrance na podstawie
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 4. Testowanie hipotez Estymacja parametrów
STATYSTYKA MATEMATYCZNA WYKŁAD 4 Testowanie hipotez Estymacja parametrów WSTĘP 1. Testowanie hipotez Błędy związane z testowaniem hipotez Etapy testowana hipotez Testowanie wielokrotne 2. Estymacja parametrów
Bardziej szczegółowoTestowanie hipotez statystycznych
Temat Testowanie hipotez statystycznych Kody znaków: Ŝółte wyróŝnienie nowe pojęcie pomarańczowy uwaga kursywa komentarz 1 Zagadnienia omawiane na zajęciach 1. Idea i pojęcia teorii testowania hipotez
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoZMIENNE LOSOWE. Zmienna losowa (ZL) X( ) jest funkcją przekształcającą przestrzeń zdarzeń elementarnych w zbiór liczb rzeczywistych R 1 tzn. X: R 1.
Opracowała: Joanna Kisielińska ZMIENNE LOSOWE Zmienna losowa (ZL) X( ) jest funkcją przekształcającą przestrzeń zdarzeń elementarnych w zbiór liczb rzeczywistych R tzn. X: R. Realizacją zmiennej losowej
Bardziej szczegółowoTESTOWANIE HIPOTEZ STATYSTYCZNYCH
TETOWANIE HIPOTEZ TATYTYCZNYCH HIPOTEZA TATYTYCZNA przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Prawdziwość tego przypuszczenia jest oceniana na
Bardziej szczegółowoEkonometria. Zajęcia
Ekonometria Zajęcia 16.05.2018 Wstęp hipoteza itp. Model gęstości zaludnienia ( model gradientu gęstości ) zakłada, że gęstość zaludnienia zależy od odległości od okręgu centralnego: y t = Ae βx t (1)
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO. Wykład 2
STATYSTYKA I DOŚWIADCZALNICTWO Wykład Parametry przedziałowe rozkładów ciągłych określane na podstawie próby (przedziały ufności) Przedział ufności dla średniej s X t( α;n 1),X + t( α;n 1) n s n t (α;
Bardziej szczegółowoStatystyczna analiza danych w programie STATISTICA (wykład 2) Dariusz Gozdowski
Statystyczna analiza danych w programie STATISTICA (wykład ) Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Weryfikacja (testowanie) hipotez statystycznych
Bardziej szczegółowoEstymacja parametrów w modelu normalnym
Estymacja parametrów w modelu normalnym dr Mariusz Grządziel 6 kwietnia 2009 Model normalny Przez model normalny będziemy rozumieć rodzine rozkładów normalnych N(µ, σ), µ R, σ > 0. Z Centralnego Twierdzenia
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZA 1. Wyład wstępny. Teoria prawdopodobieństwa i elementy ombinatoryi. Zmienne losowe i ich rozłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez statystycznych
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 szczegółowoKolokwium ze statystyki matematycznej
Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę
Bardziej szczegółowoA. Cel ćwiczenia. B. Część teoretyczna
A. Cel ćwiczenia Celem ćwiczenia jest zapoznanie się z wsaźniami esploatacyjnymi eletronicznych systemów bezpieczeństwa oraz wyorzystaniem ich do alizacji procesu esplatacji z uwzględnieniem przeglądów
Bardziej szczegółowoMetody 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
Bardziej szczegółowoTesty nieparametryczne
Testy nieparametryczne Testy nieparametryczne możemy stosować, gdy nie są spełnione założenia wymagane dla testów parametrycznych. Stosujemy je również, gdy dane można uporządkować według określonych kryteriów
Bardziej szczegółowoDane dotyczące wartości zmiennej (cechy) wprowadzamy w jednej kolumnie. W przypadku większej liczby zmiennych wprowadzamy każdą w oddzielnej kolumnie.
STATISTICA INSTRUKCJA - 1 I. Wprowadzanie danych Podstawowe / Nowy / Arkusz Dane dotyczące wartości zmiennej (cechy) wprowadzamy w jednej kolumnie. W przypadku większej liczby zmiennych wprowadzamy każdą
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 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 szczegółowoTestowanie hipotez statystycznych cd.
Temat Testowanie hipotez statystycznych cd. Kody znaków: żółte wyróżnienie nowe pojęcie pomarańczowy uwaga kursywa komentarz 1 Zagadnienia omawiane na zajęciach 1. Przykłady testowania hipotez dotyczących:
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 szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład VI. Niestacjonarne szeregi czasowe
Prognozowanie i Symulacje. Wykład VI. e-mail:e.kozlovski@pollub.pl Spis treści Analiza stacjonarności szeregów czasowych 1 Analiza stacjonarności szeregów czasowych Modele niestacjonarne Szeregi TS i DS
Bardziej szczegółowoMateriał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych)
Materiał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych) (studium przypadku) Nazwa przedmiotu: ekonometria finansowa I (22204), analiza szeregów czasowych
Bardziej szczegółowoEKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE
EKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE ZADANIE 1 Oszacowano zależność między luką popytowa a stopą inflacji dla gospodarki niemieckiej. Wyniki estymacji są następujące: Estymacja KMNK,
Bardziej szczegółowoTESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipotezą statystyczną nazywamy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy.
TESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipotezą statystyczną nazywamy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy. Hipotezy dzielimy na parametryczne i nieparametryczne. Zajmiemy
Bardziej szczegółowoPlan 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
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowo( ) + ( ) T ( ) + E IE E E. Obliczanie gradientu błędu metodą układu dołączonego
Obliczanie gradientu błędu metodą uładu dołączonego /9 Obliczanie gradientu błędu metodą uładu dołączonego Chodzi o wyznaczenie pochodnych cząstowych funcji błędu E względem parametrów elementów uładu
Bardziej szczegółowoStatystyka. Rozkład prawdopodobieństwa Testowanie hipotez. Wykład III ( )
Statystyka Rozkład prawdopodobieństwa Testowanie hipotez Wykład III (04.01.2016) Rozkład t-studenta Rozkład T jest rozkładem pomocniczym we wnioskowaniu statystycznym; stosuje się go wyznaczenia przedziału
Bardziej szczegółowoTESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy.
TESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy. Hipotezy dzielimy na parametryczne i nieparametryczne. Zajmiemy
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO Wykład 7
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 7 Analiza korelacji - współczynnik korelacji Pearsona Cel: ocena współzależności między dwiema zmiennymi ilościowymi Ocenia jedynie zależność liniową. r = cov(x,y
Bardziej szczegółowoWykład 3 Testowanie hipotez statystycznych o wartości średniej. średniej i wariancji z populacji o rozkładzie normalnym
Wykład 3 Testowanie hipotez statystycznych o wartości średniej i wariancji z populacji o rozkładzie normalnym Wrocław, 08.03.2017r Model 1 Testowanie hipotez dla średniej w rozkładzie normalnym ze znaną
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 szczegółowoStatystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych.
Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Hipotezy i Testy statystyczne Każde
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria Wykład 5 dr inż. Anna Skowrońska-Szmer zima 2017/2018 Hipotezy 2 Hipoteza zerowa (H 0 )- hipoteza o wartości jednego (lub wielu) parametru populacji. Traktujemy ją
Bardziej szczegółowo