PROCESY AUTOREGRESYJNE ZE ZMIENNYM PARAMETREM 1. Joanna Górka. Wydział Nauk Ekonomicznych i Zarządzania UMK w Toruniu Katedra Ekonometrii i Statystyki
|
|
- Artur Nowak
- 7 lat temu
- Przeglądów:
Transkrypt
1 PROCESY AUTOREGRESYJNE ZE ZMIENNYM PARAMETREM Joanna Górka Wdział Nauk Ekonomicznch i Zarządzania UMK w Toruniu Kaedra Ekonomerii i Saski WSTĘP Niesacjonarne proces o średniej zero mogą bć reprezenowane przez proces ARMA ze zmiennmi paramerami. Klasa procesów auoregresjnch z losowmi paramerami (ozn. RCA bła po raz pierwsz opisana w monografii Nichollsa i Quinna (98. Przedmioem zaineresowań są modele auoregresjne rzędu pierwszego z losowm paramerem, zn. modele posaci: + ε, gdzie ε ~ NID(, σ ε. Można wróżnić dwa przpadki:. jeżeli exp( α ( σ α α ~ NID m,, gdzie α jes sacjonarnm procesem akim, że, o mam proces pu STUR (por. Lebourne, McCabe, Tremane (996, Lebourne, McCabe, Mills (996, Grager, Swanson (997, Osińska (4,. jeżeli ~ IID( p, σ, o wówczas mam do cznienia z modelem RCA( (por. Lebourne, McCabe, Tremane (996. Powsaje panie: jakie własności posiada model AR( ze zmiennm paramerem, jeżeli paramer opisan jes przez model AR(p? W lieraurze ekonomercznej ego pu modele nie bł jak doąd przedmioem badań. Praca przgoowana w ramach projeku badawczego nr -HB-5-5 finansowanego przez Komie Badań Naukowch. Ang. random coefficien auoregressive model. --
2 Celem referau jes przedsawienie procesu RCA(, p, jego własności, przkładowch realizacji oraz porównanie z innmi klasami modeli. Przedmioem badań są proces auoregresjne rzędu pierwszego ze zmiennm paramerem, prz czm paramer jes opisan przez model AR rzędu p. Proces aki można zapisać w posaci ogólnej jako: gdzie + ε ( + α + α α p p ( ~ NID( σ ε, ~ NID(, σ ε,. W szczególnm przpadku, gd ~ NID μ, σ, mam do cznienia z modelem auoregresjnm ze zmiennm paramerem rzędu pierwszego (RCA(, kór jes zaliczan do klas modeli z niejednorodną wariancją. p oraz (. MODEL RCA Niech dan będzie proces RCA(, opisan równaniami gdzie + ε (3 α + (4 ~ NID( σ ε, ~ NID(, σ ε,. Dokonując odpowiednich podsawień, równania (3 i (4 można zasąpić równaniem: j k ε + α i k ε j. (5 j i k Własności procesu auoregresjnego rzędu pierwszego opisanego równaniem (4 są nasępujące: ( E (6 σ var ( σ prz założeniu α α < (7 --
3 cov zaś procesu RCA(, s ( α σ ( s (8 E (9 σ var prz założeniu σ < ( ( ε ( σ cov s. ( Zaem proces RCA(, charakerzuje się zerową średnią, zerowmi kowariancjami oraz wariancją, kóra jes funkcją parameru α i wariancji składnika losowego. Ławo wkazać, że jeśli α < σ, o isnieje skończona wariancja procesu. Uogólniając dla modelu RCA(,p, orzmujem: ( E ( var ( cov s. ( f ( α,..., α, σ (3 σ ε p Model RCA(,p można zapisać w posaci modelu przesrzeni sanów (SS: gdzie H x... x Fx + G, (4 p+ H x + ε, (5... [ ] α F... α α p α p G... Modelu opisan równaniami (4-(5 jes połączeniem modelu SS ze sałmi paramerami (równanie sanu oraz modelu SS ze zmiennmi paramerami (równanie wjścia. Zaem do esmacji paramerów modelu -3-
4 RCA można zasosować meodę największej wiargodności wkorzsującą filr Kalmana. Niech paramer procesu auoregresjnego rzędu pierwszego będzie opisan poprzez proces AR( ze sałą (średnia różna od zera. Wówczas proces RCA(, ma posać: gdzie + ε (6 + α + α (7 ~ NID( σ ε, ~ NID(, σ ε,. Proces RCA(, ze sałą, podobnie jak proces RCA(, bez sałej, można zapisać w posaci: j k ( ε + α α + i k ε j. (8 j i k Jeżeli α <, o własności procesu opisanego równaniami (6 i (7 są nasępujące: ( α E (9 α σ var ( σ ( α cov α zaś dla procesu RCA(, ze sałą: s ( α σ ( s + α ( E ( σ var, prz założeniu σ <, (3 ε ( σ s α σ ε cov( α s, prz założeniu σ <. (4 σ -4-
5 Zaem proces RCA(, ze sałą ma podobnie własności jak proces RCA(, bez sałej z wjąkiem kowariancji, kóra w m przpadku jes funkcją paramerów α, α i wariancji składnika losowego. Model RCA(,p opisan równaniami (6 i (7 można zapisać w posaci modelu przesrzeni sanów (SS: gdzie H x... x Fx + E + G, (5 p+ H x + ε, (6... [ ] α F... α α p α p α E... G... Różnica posaci modelu przesrzeni sanów, w sosunku do modelu RCA bez sałej, wsępuje lko w równaniu sanu. W przpadku modelu RCA(,p ze sałą, należ dodać w równaniu (4 jedną macierz.. IDENTYFIKACJA WŁASNOŚCI MODELU RCA ZA POMOCĄ SYMULACJI W celu zilusrowania własności RCA oraz przeprowadzono ekspermen smulacjn. Wgenerowano szeregów po 5 obserwacji każd. Dla każdego z wgenerowanch szeregów przeprowadzono analizę funkcji auokorelacji (ACF oraz funkcji auokorelacji cząskowej (PACF, wznaczono warość średnią, odchlenie sandardowe, współcznniki skośności, kuroz oraz warości sask: Boxa-Ljunga, Engla ARCH, DF, McLeoda i Li. Wbrane wniki zaware są w ablicach -4. Proces generujące dane dla poszczególnch przpadków mają posać: MODEL I AR( (7. 5 gdzie ~ NID(, ε, + ε MODEL II RCA(, (8 + ε
6 gdzie ~ NID(, ε, ~ NID(, σ MODEL III RCA(, (9 + ε gdzie ~ NID(, ε, ~ NID(, σ MODEL IV RCA(,3 (3 + ε gdzie ~ NID(, ε, ~ NID(, σ Przkładowe realizacje przedsawiono na rsunku i. Rs. Przkładowe realizacje procesów ( σ. 6 i ich charakerski -6-
7 Rs. Przkładowe realizacje procesów ( σ. i ich charakerski Poniżej przedsawiono niekóre z uzskanch wników sask opisowch oraz esów sascznch. Tablica. Własności sasczne procesów dla σ. 6 Średnia Odchlenie Sandardowe AR( -,557,564,47,498,58,483 RCA(, -,56,94,84,66,9383,35 RCA(, -,574,65 -,6,399,656,387 RCA(,3 -,83,84 -,35,5,944,443 Skośność Kuroza -7-
8 AR( -,36,69,6,566 3,635,9539 RCA(, -,3593 3,493,437,7 58,4964 5,756 RCA(, -,9876,357 -,7,6385 9,3 4,5747 RCA(,3 -,6,5397 -,395,938,553 6,78 Tablica. Własności sasczne procesów dla σ. Średnia Odchlenie Sandardowe AR( -,688,378,4,53,648,489 RCA(, -,344,4,4,96,86,999 RCA(, -,393,4,,97,85, RCA(,3 -,395,9,,9,884, Skośność Kuroza AR( -,577,36,9,563 3,6346,9844 RCA(, -,39,93,74,545 4,63,998 RCA(, -,964,84,7,49 4,49,977 RCA(,3 -,35,785,6,5 4,663,977 Tablica 3. Wniki esów procesów dla σ. 6 Tes Boxa-Ljunga Engla ARCH es DF McLeoda i Li AR(,,,,,,,99,,,99 RCA(,,37,64,63,56,,,98,,,98 RCA(,,7,9,9,8,,,99,,,99 RCA(,3,4,89,86,8,,,,,, Liczba oznacza prawdopodobieńswo odrzucenia H Tablica 4. Wniki esów procesów dla σ. Tes Boxa-Ljunga Engla ARCH es DF McLeoda i Li
9 AR(,,,,,99,98,97,,99,97 RCA(,,5,4,,3,,5,7,,,7 RCA(,,6,4,,,,4,5,,,5 RCA(,3,4,4,5,3,,3,6,,,5 Analiza funkcji ACF oraz funkcji PACF oraz przedsawionch powżej wników pozwoliła na sformułowanie nasępującch wniosków:. warości współcznników ACF i PACF zależą od warości wariancji resz modelu ( w procesie generującm paramer, prz czm dla wariancji σ. prawie wszskie warości współcznników ACF i PACF są sascznie nieisone (por. ablica 4,. dla kwadraów realizacji widoczna jes jeszcze większa zależność pomiędz isonością warości współcznników ACF i PACF a warością wariancji reszowej. Wższa warość wariancji składnika losowego z równania (, o wsępowanie efeku ARCH, nieliniowość procesu 3, podwższona kuroza 3. dla wższch warości wariancji składnika losowego ( σ.36 własności sasczne procesu RCA są podobne jak własności sasczne procesów biliniowch, 4. za pomocą przedsawionch własności i esów isnieje możliwość rozróżnienia pomiędz procesem AR a procesem RCA, 5. w przpadkach granicznch, gd α σ α < σ auokorelacja wsępuje w większej ilości realizacji. Dla modelu RCA ze sałą wniki również ulegają zmianie. Powórzono ekspermen smulacjn dodając w modelach RCA sałą w równaniu ( wnoszącą.5. Wniki przedsawiono w ablicach 5-8. W m przpadku wniki esów nie zależą od warości wariancji składnika losowego. Od wariancji reszowej zależ lko warość wariacji procesu, co jes zgodne z równanie (. Tablica 5. Własności sasczne procesów ze sałą dla σ. 6 Średnia Odchlenie Sandardowe 3 według esu McLeoda i Li. -9-
10 min Max śr min max Śr AR( -,76,5,77,37,79,537 RCA(, -5, ,537,633, ,998,787 RCA(, -,6963,789 -,6,6674 7,746,846 RCA(,3-3,864 8,683,663,76 4,877 6,464 Skośność Kuroza AR( -,3564,775,8,5657 3,686,94 RCA(, -,39,647,3667 6,63 83,757 4,9339 RCA(, -,4864 7,9,48 4,66 59,959 9,8497 RCA(,3 -,95,635 -,558 4,75 8,346 45,669 Tablica 6. Własności sasczne procesów ze sałą dla σ. Średnia Odchlenie Sandardowe AR( -,79,67,6,,67,54 RCA(, -,365,3768,,68,783,4435 RCA(, -,46,3585,,,6775,49 RCA(,3 -,485,3769,9,48,7366,45 Skośność Kuroza AR( -,856,874,48,64 4,79,969 RCA(, -,466,737,,537 5,767 3,6 RCA(, -,343,64 -,79,473 4,938 3,367 RCA(,3 -,45,5673 -,34,485 6,64 3,59 Tablica 7. Wniki esów procesów ze sałą dla σ. 6 Tes Boxa-Ljunga Engla ARCH es DF McLeoda i Li AR(,,,,,,,98,,,98 RCA(,,,,,,,,,,, RCA(,,,,,,,,,,, RCA(,3,,,,,,,,,, --
11 Tablica 8. Wniki esów procesów ze sałą dla σ. Tes Boxa-Ljunga Engla ARCH es DF McLeoda i Li AR(,,,,,99,98,98,,99,97 RCA(,,,,,,,,,,, RCA(,,,,,,,,,,, RCA(,3,,,,,,,,,, 3. PODSUMOWANIE Przeprowadzona analiza własności modeli RCA(,p wkazała, że modele e charakerzują się średnią zero, wariancją zależną od warości paramerów modelu opisującego proces parameru i wariancji składników reszowch w równaniach ( i (. Warość kowariancji w zależności od pu RCA(,p (bez sałej cz ze sałą wnosi zero lub jes od zera różna i zależ od warości paramerów modelu opisującego proces parameru i wariancji składników reszowch w równaniach ( i (. Na podsawie wników ekspermenu smulacjnego można swierdzić, iż niekóre modele RCA(,p, ze względu na swoje własności, mogą opiswać sop zwrou cen akcji. Problem wkorzsania modeli RCA(,p w ekonomicznch szeregach czasowch nie jes w lieraurze rozpoznan i wmaga jeszcze dalszch pogłębionch sudiów. LITERATURA. Grager C. W. J., Swanson N. R. (997, An inroducion o sochasic uni-roo process, Journal of Economerics, 8.. Harve A. C., (99, Forecasing, Srucural Time Series Models and he Kalman Filer, Cambridge Universi Press. 3. Lebourne S. J., McCabe B. P. M., Mills T. C. (996, "Randomized uni roo processes for modeling and forecasing financial ime series: heor and applicaions", Journal of Forecasing, Lebourne S. J., McCabe B. P. M., Tremane A. R., (996, Can Economic Time Series Be Differenced Saionai?, American Saisical Associaion Journal of Business & Economic Saisics, Vol. 4, No Lükepohl H., (99, Inroducion o Muliple Time Series Analsis, Springer-Verlag, Berlin. --
12 6. Nicholls D. F., Quinn B. G., (98, Random Coefficien Auoregressive Models: An Inroducion, Springer-Verlag, New York. 7. Osińska M. (4, "Proces zawierające sochasczne pierwiaski jednoskowe - idenfikacja i zasosowania", AUNC 368, Toruń. Joanna Górka RANDOM-COEFFICIENT AUTOREGRESSIVE PROCESSES Summar In he paper we presen sochasic process which is called randomcoefficien auoregressive processes. In his aricle we show analsis of assumpion of random-coefficien auoregressive processes order one, where auoregressive model describe he coefficien. Advanage of his class of models rel on possibili descripion nonlinear mechanism in he daa. --
Stanisław Cichocki Natalia Nehrebecka. Wykład 5
Sanisław Cichocki Naalia Nehrebecka Wkład 5 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA 2 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA
Bardziej szczegółowoA C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 390 TORUŃ 2009.
A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 390 TORUŃ 009 Uniwerse Mikołaja Kopernika w Toruniu Kaedra Ekonomerii i Saski WŁASNOŚCI
Bardziej szczegółowoJacek Kwiatkowski Magdalena Osińska. Procesy zawierające stochastyczne pierwiastki jednostkowe identyfikacja i zastosowanie.
DYNAMICZNE MODELE EKONOMETRYCZNE Jacek Kwiakowski Magdalena Osińska Uniwersye Mikołaja Kopernika Procesy zawierające sochasyczne pierwiaski jednoskowe idenyfikacja i zasosowanie.. Wsęp Większość lieraury
Bardziej szczegółowoMagdalena Osińska, Joanna Górka Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 5 w Toruniu Kaedra Ekonomerii i Saski, Uniwerse Mikołaja Kopernika w Toruniu Uniwerse Mikołaja Kopernika w Toruniu Idenfikacja
Bardziej szczegółowoZajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego
Zajęcia. Esmacja i werfikacja modelu ekonomercznego Celem zadania jes oszacowanie liniowego modelu opisującego wpłw z urski zagranicznej w danm kraju w zależności od wdaków na urskę zagraniczną i liczb
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Zmienne sacjonarne 2. Zmienne zinegrowane 3. Regresja pozorna 4. Funkcje ACF i PACF 5. Badanie sacjonarności Tes Dickey-Fullera (DF) 2 1. Zmienne sacjonarne
Bardziej szczegółowoCechy szeregów czasowych
energecznch Cech szeregów czasowch Rozdział Modelowanie szeregów czasowch 7 proces deerminisczn proces kórego warość może bć preczjnie określona w dowolnm czasie =T+τ = a +b T T+τ czas = sin(ω) T T+τ czas
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Regresja pozorna 2. Funkcje ACF i PACF 3. Badanie sacjonarności Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) 2 1. Regresja pozorna 2. Funkcje
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej szczegółowoKonspekty wykładów z ekonometrii
Konspek wkładów z ekonomerii Budowa i werfikaca modelu - reść przkładu W wniku ssemacznch badań popu na warzwa w pewnm mieście, orzmano nasępuące szeregi czasowe: przros (zmian) popu na warzwa (w zł. na
Bardziej szczegółowoWygładzanie metodą średnich ruchomych w procesach stałych
Wgładzanie meodą średnich ruchomch w procesach sałch Cel ćwiczenia. Przgoowanie procedur Średniej Ruchomej (dla ruchomego okna danch); 2. apisanie procedur do obliczenia sandardowego błędu esmacji;. Wizualizacja
Bardziej szczegółowoEkonometria I materiały do ćwiczeń
lp daa wkładu ema Wkład dr Doroa Ciołek Ćwiczenia mgr inż. - Rodzaje danch sascznch - Zmienne ekonomiczne jako zmienne losowe 1a) Przkład problemów badawczch hipoeza, propozcja modelu ekonomercznego, zmienne
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 4
Sanisław Cichocki Naalia Nehrebecka Wykład 4 1 1. Badanie sacjonarności: o o o Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) Tes KPSS 2. Modele o rozłożonych opóźnieniach (DL) 3. Modele auoregresyjne
Bardziej szczegółowoPrognozowanie i symulacje
Prognozowanie i smulacje Lepiej znać prawdę niedokładnie, niż dokładnie się mlić. J. M. Kenes dr Iwona Kowalska ikowalska@wz.uw.edu.pl Prognozowanie meod naiwne i średnie ruchome Meod naiwne poziom bez
Bardziej szczegółowoEKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.
EKONOMERIA wykład Prof. dr hab. Eugeniusz Ganar eganar@mail.wz.uw.edu.pl Przedziały ufności Dla paramerów srukuralnych modelu: P bˆ j S( bˆ z prawdopodobieńswem parameru b bˆ S( bˆ, ( m j j j, ( m j b
Bardziej szczegółowoKrzywe na płaszczyźnie.
Krzwe na płaszczźnie. Współrzędne paramerczne i biegunowe. Współrzędne biegunowe. Dan jes punk O, zwan biegunem, kór sanowi począek półprosej, zwanej półosią. Dowoln punk P na płaszczźnie można opisać
Bardziej szczegółowolicencjat Pytania teoretyczne:
Plan wykładu: 1. Wiadomości ogólne. 2. Model ekonomeryczny i jego elemeny 3. Meody doboru zmiennych do modelu ekonomerycznego. 4. Szacownie paramerów srukuralnych MNK. Weryfikacja modelu KMNK 6. Prognozowanie
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Gdański Zasosowanie modelu
Bardziej szczegółowoStudia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 219 2015
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 2083-86 Nr 29 205 Alicja Ganczarek-Gamro Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Kaedra Demografii
Bardziej szczegółowoNiestacjonarne zmienne czasowe własności i testowanie
Maeriał dla sudenów Niesacjonarne zmienne czasowe własności i esowanie (sudium przypadku) Nazwa przedmiou: ekonomeria finansowa I (22204), analiza szeregów czasowych i prognozowanie (13201); Kierunek sudiów:
Bardziej szczegółowospecyfikacji i estymacji modelu regresji progowej (ang. threshold regression).
4. Modele regresji progowej W badaniach empirycznych coraz większym zaineresowaniem cieszą się akie modele szeregów czasowych, kóre pozwalają na objaśnianie nieliniowych zależności między poszczególnymi
Bardziej szczegółowoBayesowskie porównanie modeli STUR i GARCH w finansowych szeregach czasowych 1
Jacek Kwiakowski Uniwersye Mikołaja Kopernika w Toruniu Bayesowskie porównanie modeli STUR i GARCH w finansowych szeregach czasowych 1 WSTĘP Powszechnie wiadomo, że podsawowymi własnościami procesów finansowych
Bardziej szczegółowoWNIOSKOWANIE STATYSTYCZNE
Wnioskowanie saysyczne w ekonomerycznej analizie procesu produkcyjnego / WNIOSKOWANIE STATYSTYCZNE W EKONOMETRYCZNEJ ANAIZIE PROCESU PRODUKCYJNEGO Maeriał pomocniczy: proszę przejrzeć srony www.cyf-kr.edu.pl/~eomazur/zadl4.hml
Bardziej szczegółowoEKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ Joanna Górka WŁASNOŚCI PROGNOSTYCZNE MODELI KLASY RCA *
ACTA UNIVERSITATIS NICOLAI COPERNICI EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ 2009 Uniwersytet Mikołaja Kopernika w Toruniu Katedra Ekonometrii i Statystyki Joanna Górka WŁASNOŚCI PROGNOSTYCZNE
Bardziej szczegółowoWitold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu. Własności procesów STUR w świetle metod z teorii chaosu 1
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6-8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoEfekty agregacji czasowej szeregów finansowych a modele klasy Sign RCA
Joanna Górka * Efeky agregacji czasowej szeregów finansowych a modele klasy Sign RCA Wsęp Wprowadzenie losowego parameru do modelu auoregresyjnego zwiększa możliwości aplikacyjne ego modelu, gdyż pozwala
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODEE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Joanna Małgorzaa andmesser Szkoła Główna
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 szczegółowoMagdalena Sokalska Szkoła Główna Handlowa. Modelowanie zmienności stóp zwrotu danych finansowych o wysokiej częstotliwości
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Szkoła Główna Handlowa Modelowanie zmienności
Bardziej szczegółowoESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/3, 202, sr. 253 26 ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI Adam Waszkowski Kaedra Ekonomiki Rolnicwa i Międzynarodowych Sosunków
Bardziej szczegółowoElżbieta Szulc Uniwersytet Mikołaja Kopernika w Toruniu. Modelowanie zależności między przestrzennoczasowymi procesami ekonomicznymi
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyk Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoPROGRAMOWY GENERATOR PROCESÓW STOCHASTYCZNYCH LEVY EGO
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 69 Elecrical Engineering 0 Janusz WALCZAK* Seweryn MAZURKIEWICZ* PROGRAMOWY GENERATOR PROCESÓW STOCHASTYCZNYCH LEVY EGO W arykule opisano meodę generacji
Bardziej szczegółowoEFEKT DŹWIGNI NA GPW W WARSZAWIE WPROWADZENIE
Paweł Kobus, Rober Pierzykowski Kaedra Ekonomerii i Informayki SGGW e-mail: pawel.kobus@saysyka.info EFEKT DŹWIGNI NA GPW W WARSZAWIE Sreszczenie: Do modelowania asymerycznego wpływu dobrych i złych informacji
Bardziej szczegółowoModelowanie i analiza szeregów czasowych
Modelowanie i analiza szeregów czasowych Małgorzaa Doman Plan zajęć Część. Modelowanie szeregów jednowymiarowych.. Szeregi jednowymiarowe własności i diagnozowanie. Modele auoregresji i średniej ruchomej
Bardziej szczegółowoMetody badania wpływu zmian kursu walutowego na wskaźnik inflacji
Agnieszka Przybylska-Mazur * Meody badania wpływu zmian kursu waluowego na wskaźnik inflacji Wsęp Do oceny łącznego efeku przenoszenia zmian czynników zewnęrznych, akich jak zmiany cen zewnęrznych (szoki
Bardziej szczegółowoKlasyfikacja modeli. Metoda najmniejszych kwadratów
Konspek ekonomeria: Weryfikacja modelu ekonomerycznego Klasyfikacja modeli Modele dzielimy na: - jedno- i wielorównaniowe - liniowe i nieliniowe - sayczne i dynamiczne - sochasyczne i deerminisyczne -
Bardziej szczegółowoWitold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoStatystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego
Część VII. Analiza szeregu czasowego 1 DEFINICJA SZEREGU CZASOWEGO Szeregiem czasowym nazywamy zbiór warości cechy w uporządkowanych chronologicznie różnych momenach (okresach) czasu. Oznaczając przez
Bardziej szczegółowooznacza przyrost argumentu (zmiennej niezależnej) x 3A82 (Definicja). Granicę (właściwą) ilorazu różnicowego funkcji f w punkcie x x x e x lim x lim
WYKŁAD 9 34 Pochodna nkcji w pnkcie Inerpreacja geomerczna pochodnej Własności pochodnch Twierdzenia Rolle a Lagrange a Cach ego Regla de lhôspiala Niech ( ) O( ) będzie nkcją określoną w pewnm ooczeni
Bardziej szczegółowoROCZNIKI INŻYNIERII BUDOWLANEJ ZESZYT 7/2007 Komisja Inżynierii Budowlanej Oddział Polskiej Akademii Nauk w Katowicach
ROZNIKI INŻYNIERII BUDOWLANEJ ZESZYT 7/007 Komisja Inżynierii Budowlanej Oddział Polskiej Akademii Nauk w Kaowicach WYZNAZANIE PARAMETRÓW FUNKJI PEŁZANIA DREWNA W UJĘIU LOSOWYM * Kamil PAWLIK Poliechnika
Bardziej szczegółowoC d u. Po podstawieniu prądu z pierwszego równania do równania drugiego i uporządkowaniu składników lewej strony uzyskuje się:
Zadanie. Obliczyć przebieg napięcia na pojemności C w sanie przejściowym przebiegającym przy nasępującej sekwencji działania łączników: ) łączniki Si S są oware dla < 0, ) łącznik S zamyka się w chwili
Bardziej szczegółowoPobieranie próby. Rozkład χ 2
Graficzne przedsawianie próby Hisogram Esymaory przykład Próby z rozkładów cząskowych Próby ze skończonej populacji Próby z rozkładu normalnego Rozkład χ Pobieranie próby. Rozkład χ Posać i własności Znaczenie
Bardziej szczegółowoFINANSOWE SZEREGI CZASOWE WYKŁAD 3
FINANSOWE SZEREGI CZASOWE WYKŁAD 3 dr Tomasz Wójowcz Wydzał Zarządzana AGH 3800 3300 800 300 800 300 800 0 0 30 40 50 60 70 Kraków 0 Tomasz Wójowcz, WZ AGH Kraków przypomnene MA(q): gdze ε są d(0,σ ).
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Kaarzyna Kuziak Akademia Ekonomiczna
Bardziej szczegółowoZASTOSOWANIA EKONOMETRII
ZASTOSOWANIA EKONOMETRII Budowa, esmacja, werfikacja i inerpreacja modelu ekonomercznego. dr Doroa Ciołek Kaedra Ekonomerii Wdział Zarządzania UG hp://wzr.pl/~dciolek doroa.ciolek@ug.edu.pl Lieraura Osińska
Bardziej szczegółowoANALIZA POWIĄZAŃ MIĘDZY INDEKSAMI GIEŁDY FRANCUSKIEJ, HOLENDERSKIEJ I BELGIJSKIEJ Z WYKORZYSTANIEM MODELU KOREKTY BŁĘDEM
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 083-86 Nr 89 06 Uniwersye Ekonomiczny w Kaowicach Wydział Ekonomii Kaedra Meod Saysyczno-Maemaycznych w Ekonomii pawel.prenzena@edu.ueka.pl
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )
Zadanie. Zmienna losowa: X = Y +... + Y N ma złożony rozkład Poissona. W abeli poniżej podano rozkład prawdopodobieńswa składnika sumy Y. W ejże abeli podano akże obliczone dla k = 0... 4 prawdopodobieńswa
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej szczegółowoRÓWNANIA RÓŻNICZKOWE WYKŁAD 13
RÓWNANIA RÓŻNICZKOWE WYKŁAD 13 Geomeria różniczkowa Geomeria różniczkowa o dział maemayki, w kórym do badania obieków geomerycznych wykorzysuje się meody opare na rachunku różniczkowym. Obieky geomeryczne
Bardziej szczegółowoIntegracja zmiennych Zmienna y
Inegracja zmiennych Zmienna y jes zinegrowana rzędu d jeśli jej różnice rzędu d są sacjonarne. Zapisujemy o y ~ I ( d ). Przyjmuje się również, że zmienna sacjonarna y (jako że nie rzeba jej różnicować,
Bardziej szczegółowoZwiązek między ruchem harmonicznym a ruchem jednostajnym po okręgu
Związek międz ruchem harmonicznm a ruchem jednosajnm po okręgu Rozważm rzu Q i R punku P na osie i : Q cos v r R sin R Q P δ Q cos ( δ ) R sin ( δ ) Jeżeli punk P porusza się ruchem jednosajnm po okręgu,
Bardziej szczegółowoKrzysztof Piontek Akademia Ekonomiczna we Wrocławiu. Modelowanie warunkowej kurtozy oraz skośności w finansowych szeregach czasowych
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 5 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna we Wrocławiu Modelowanie
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki
Poliechnika Gdańska Wydział Elekroechniki i Auomayki Kaedra Inżynierii Sysemów Serowania Podsawy Auomayki Repeyorium z Podsaw auomayki Zadania do ćwiczeń ermin T15 Opracowanie: Kazimierz Duzinkiewicz,
Bardziej szczegółowoKRZYSZTOF JAJUGA Katedra Inwestycji Finansowych i Zarządzania Ryzykiem Akademia Ekonomiczna we Wrocławiu 25 LAT EKONOMETRII FINANSOWEJ
KRZYSZTOF JAJUGA Kaedra Inwesycji Finansowych i Zarządzania Ryzykiem Akademia Ekonomiczna we Wrocławiu 25 LAT EKONOMETRII FINANSOWEJ EKONOMETRIA FINANSOWA OKREŚLENIE Modele ekonomerii finansowej są worzone
Bardziej szczegółowo1. Szereg niesezonowy 1.1. Opis szeregu
kwaralnych z la 2000-217 z la 2010-2017.. Szereg sezonowy ma charaker danych model z klasy ARIMA/SARIMA i model eksrapolacyjny oraz d prognoz z ych modeli. 1. Szereg niesezonowy 1.1. Opis szeregu Analizowany
Bardziej szczegółowoWyzwania praktyczne w modelowaniu wielowymiarowych procesów GARCH
Krzyszof Pionek Akademia Ekonomiczna we Wrocławiu Wyzwania prakyczne w modelowaniu wielowymiarowych procesów GARCH Wsęp Od zaproponowania przez Engla w 1982 roku jednowymiarowego modelu klasy ARCH, modele
Bardziej szczegółowo2. Wprowadzenie. Obiekt
POLITECHNIKA WARSZAWSKA Insyu Elekroenergeyki, Zakład Elekrowni i Gospodarki Elekroenergeycznej Bezpieczeńswo elekroenergeyczne i niezawodność zasilania laoraorium opracował: prof. dr ha. inż. Józef Paska,
Bardziej szczegółowoPIOTR FISZEDER, JACEK KWIATKOWSKI Katedra Ekonometrii i Statystyki
PIOTR FISZEDER, JACEK KWIATKOWSKI Kaedra Ekonomerii i Saysyki DYNAMICZNA ANALIZA ZALEŻNOŚCI POMIĘDZY OCZEKIWANĄ STOPĄ ZWROTU A WARUNKOWĄ WARIANCJĄ Sreszczenie: W badaniu zasosowano modele GARCHM ze sałym
Bardziej szczegółowoMODELOWANIE KURSÓW WALUTOWYCH NA PRZYKŁADZIE MODELI KURSÓW RÓWNOWAGI ORAZ ZMIENNOŚCI NA RYNKU FOREX
Krzyszof Ćwikliński Uniwersye Ekonomiczny we Wrocławiu Wydział Zarządzania, Informayki i Finansów Kaedra Ekonomerii krzyszof.cwiklinski@ue.wroc.pl Daniel Papla Uniwersye Ekonomiczny we Wrocławiu Wydział
Bardziej szczegółowoZmienne losowe typu ciągłego. Parametry zmiennych losowych. Izolda Gorgol wyciąg z prezentacji (wykład III)
Zmienne losowe tpu ciągłego. Parametr zmiennch losowch. Izolda Gorgol wciąg z prezentacji (wkład III) Zmienna losowa tpu ciągłego Zmienna losowa X o ciągłej dstrbuancie F nazwa się zmienną losową tpu ciągłego,
Bardziej szczegółowoSYMULACYJNE BADANIE EFEKTYWNOŚCI WYKORZYSTANIA METOD NUMERYCZNYCH W PROGNOZOWANIU ZMIENNEJ ZAWIERAJĄCEJ LUKI NIESYSTEMATYCZNE
Sudia Ekonomiczne. Zesz Naukowe Uniwerseu Ekonomicznego w Kaowicach ISSN 8-86 Nr 4 7 Zachodniopomorski Uniwerse Technologiczn w Szczecinie Wdział Ekonomiczn Kaedra Zasosowań Maemaki w Ekonomii maciej.oeserreich@zu.edu.pl
Bardziej szczegółowoEkonometryczne modele nieliniowe
Eonomeryczne modele nieliniowe Wyład Doromił Serwa Zajęcia Wyład Laoraorium ompuerowe Prezenacje Zaliczenie EGZAMI 50% a egzaminie oowiązują wszysie informacje przeazane w czasie wyładów np. slajdy. Aywność
Bardziej szczegółowoĆWICZENIE 7 WYZNACZANIE LOGARYTMICZNEGO DEKREMENTU TŁUMIENIA ORAZ WSPÓŁCZYNNIKA OPORU OŚRODKA. Wprowadzenie
ĆWICZENIE 7 WYZNACZIE LOGARYTMICZNEGO DEKREMENTU TŁUMIENIA ORAZ WSPÓŁCZYNNIKA OPORU OŚRODKA Wprowadzenie Ciało drgające w rzeczywisym ośrodku z upływem czasu zmniejsza ampliudę drgań maleje energia mechaniczna
Bardziej szczegółowoSYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE
SYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE Janusz Sowiński, Rober Tomaszewski, Arur Wacharczyk Insyu Elekroenergeyki Poliechnika Częsochowska Aky prawne
Bardziej szczegółowoEkonometryczne modele nieliniowe
Ekonoeryczne odele nieliniowe Wykład 4 NMNK, MNW, eody radienowe Lieraura W. Greene Econoeric Analysis, rozdz. 7. sr. -4 J. Hailon 994 ie Series Analysis, sr. 33 5 Chun-Min Kuan 7 Inroducion o Econoeric
Bardziej szczegółowoL.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 4 ZADANIA - ZESTAW 4
ZADANIA - ZESTAW 4 Zadanie 4. 0-0,4 c 0 0, 0, Wznacz c. Wznacz rozkład brzegowe. Cz, są niezależne? (odp. c = 0,3 Zadanie 4.- 0-0,4 0,3 0 0, 0, Wznaczć macierz kowariancji i korelacji. Cz, są skorelowane?
Bardziej szczegółowoĆwiczenia 3 ( ) Współczynnik przyrostu naturalnego. Koncepcja ludności zastojowej i ustabilizowanej. Prawo Lotki.
Ćwiczenia 3 (22.04.2013) Współczynnik przyrosu nauralnego. Koncepcja ludności zasojowej i usabilizowanej. Prawo Loki. Współczynnik przyrosu nauralnego r = U Z L gdzie: U - urodzenia w roku Z - zgony w
Bardziej szczegółowoSzeregi czasowe, analiza zależności krótkoi długozasięgowych
Szeregi czasowe, analiza zależności krótkoi długozasięgowych Rafał Weron rweron@im.pwr.wroc.pl Definicje Mając dany proces {X t } autokowariancję definiujemy jako : γ(t, t ) = cov(x t, X t ) = = E[(X t
Bardziej szczegółowoKombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz
Noaki do wykładu 005 Kombinowanie prognoz - dlaczego należy kombinować prognozy? - obejmowanie prognoz - podsawowe meody kombinowania prognoz - przykłady kombinowania prognoz gospodarki polskiej - zalecenia
Bardziej szczegółowoEstymacja stopy NAIRU dla Polski *
Michał Owerczuk * Pior Śpiewanowski Esymacja sopy NAIRU dla Polski * * Sudenci, Szkoła Główna Handlowa, Sudenckie Koło Naukowe Ekonomii Teoreycznej przy kaedrze Ekonomii I. Auorzy będą bardzo wdzięczni
Bardziej szczegółowoPOMIAR PARAMETRÓW SYGNAŁOW NAPIĘCIOWYCH METODĄ PRÓKOWANIA I CYFROWEGO PRZETWARZANIA SYGNAŁU
Pomiar paramerów sygnałów napięciowych. POMIAR PARAMERÓW SYGNAŁOW NAPIĘCIOWYCH MEODĄ PRÓKOWANIA I CYFROWEGO PRZEWARZANIA SYGNAŁU Cel ćwiczenia Poznanie warunków prawidłowego wyznaczania elemenarnych paramerów
Bardziej szczegółowo25. RÓWNANIA RÓŻNICZKOWE PIERWSZEGO RZĘDU. y +y tgx=sinx
5. RÓWNANIA RÓŻNICZKOWE PIERWSZEGO RZĘDU 5.1. Pojęcia wstępne. Klasfikacja równań i rozwiązań Rozróżniam dwa zasadnicze tp równań różniczkowch: równania różniczkowe zwczajne i równania różniczkowe cząstkowe.
Bardziej szczegółowoModele wielorownaniowe
Część 1. e e jednorównaniowe są znacznym uproszczeniem rzeczywistości gospodarczej e jednorównaniowe są znacznym uproszczeniem rzeczywistości gospodarczej e makroekonomiczne z reguły składają się z większej
Bardziej szczegółowoZASTOSOWANIE TESTU PERRONA DO BADANIA PUNKTÓW ZWROTNYCH INDEKSÓW GIEŁDOWYCH: WIG, WIG20, MIDWIG I TECHWIG
Doroa Wikowska, Anna Gasek Kaedra Ekonomerii i Informayki SGGW dwikowska@mors.sggw.waw.pl ZASTOSOWANIE TESTU PERRONA DO BADANIA PUNKTÓW ZWROTNYC INDEKSÓW GIEŁDOWYC: WIG, WIG2, MIDWIG I TECWIG Sreszczenie:
Bardziej szczegółowo( ) ( ) ( τ) ( t) = 0
Obliczanie wraŝliwości w dziedzinie czasu... 1 OBLICZANIE WRAśLIWOŚCI W DZIEDZINIE CZASU Meoda układu dołączonego do obliczenia wraŝliwości układu dynamicznego w dziedzinie czasu. Wyznaczane będą zmiany
Bardziej szczegółowoBayesowska analiza modeli ARFIMA i persystencji na przykładzie kursu jednostek uczestnictwa funduszu Pioneer.
Jacek Kwiakowski Bayesowska analiza modeli ARFIMA i persysencji na przykładzie kursu jednosek uczesnicwa funduszu Pioneer.. Wsęp Celem prezenowanego arykułu jes analiza empiryczna modeli AR- FIMA oraz
Bardziej szczegółowoWYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA NA PRZYKŁADZIE VALUE AT RISK
Przemysław Jeziorski Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Zakład Demografii i Saysyki Ekonomicznej przemyslaw.jeziorski@ue.kaowice.pl WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA
Bardziej szczegółowoMODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH
Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Wsęp MODELOWANIE EFEKTU DŹWIGNI W FINANSOWYCH SZEREGACH CZASOWYCH Nowoczesne echniki zarządzania ryzykiem rynkowym
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n
Maemayka ubezpieczeń mająkowych 9.0.006 r. Zadaie. Rozważamy proces adwyżki ubezpieczyciela z czasem dyskreym posaci: U = u + c S = 0... S = W + W +... + W W W W gdzie zmiee... są iezależe i mają e sam
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1
PROGNOZOWANIE I SYMULACJE mgr Żanea Pruska Ćwiczenia 2 Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X, wyrażona w ysiącach wyprodukowanych i dosarczonych szuk firmie Bea,
Bardziej szczegółowowięc powyższy warunek będzie zapisany jako dy dt
Meo maemaczne w echnologii maeriałów Krzszof Szszkiewicz Wprowadzenie DEFINICJA. Równaniem różniczkowm zwczajnm rzędu pierwszego nazwam równanie posaci gdzie f : f (, ), () U jes daną funkcją. Rozwiązaniem
Bardziej szczegółowoEkonometryczne modele nieliniowe. Wykład 7 Modele łagodnego przejścia, sieci neuronowe w ekonometrii
Ekonomerycne modele nieliniowe Wykład 7 Modele łagodnego prejścia, sieci neuronowe w ekonomerii Lieraura Timo Teräsvira, Specificaion, Esimaion, and Evaluaion of Smooh Transiion Auoregressive Models, Journal
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XV: Zagadnienia redukcji wymiaru danych 2 lutego 2015 r. Standaryzacja danych Standaryzacja danych Własności macierzy korelacji Definicja Niech X będzie zmienną losową o skończonym drugim momencie.
Bardziej szczegółowoMODELOWANIE FINANSOWYCH SZEREGÓW CZASOWYCH Z WARUNKOWĄ WARIANCJĄ. 1. Wstęp
WERSJA ROBOCZA - PRZED POPRAWKAMI RECENZENTA Krzyszof Pionek Akademia Ekonomiczna we Wrocławiu MODELOWANIE FINANSOWYCH SZEREGÓW CZASOWYCH Z WARUNKOWĄ WARIANCJĄ. Wsęp Spośród wielu rodzajów ryzyka, szczególną
Bardziej szczegółowoWykład 4 Metoda Klasyczna część III
Teoria Obwodów Wykład 4 Meoda Klasyczna część III Prowadzący: dr inż. Tomasz Sikorski Insyu Podsaw Elekroechniki i Elekroechnologii Wydział Elekryczny Poliechnika Wrocławska D-, 5/8 el: (7) 3 6 fax: (7)
Bardziej szczegółowoψ przedstawia zależność
Ruch falowy 4-4 Ruch falowy Ruch falowy polega na rozchodzeniu się zaburzenia (odkszałcenia) w ośrodku sprężysym Wielkość zaburzenia jes, podobnie jak w przypadku drgań, funkcją czasu () Zaburzenie rozchodzi
Bardziej szczegółowoWYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH
SaSof Polska, el. 12 428 43 00, 601 41 41 51, info@sasof.pl, www.sasof.pl WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH Joanna Maych, Krajowy Depozy Papierów
Bardziej szczegółowoPodstawy elektrotechniki
Wydział Mechaniczno-Energeyczny Podsawy elekroechniki Prof. dr hab. inż. Juliusz B. Gajewski, prof. zw. PWr Wybrzeże S. Wyspiańskiego 27, 50-370 Wrocław Bud. A4 Sara kołownia, pokój 359 Tel.: 71 320 3201
Bardziej szczegółowoE k o n o m e t r i a S t r o n a 1. Nieliniowy model ekonometryczny
E k o n o m e r i a S r o n a Nieliniowy model ekonomeryczny Jednorównaniowy model ekonomeryczny ma posać = f( X, X,, X k, ε ) gdzie: zmienna objaśniana, X, X,, X k zmienne objaśniające, ε - składnik losowy,
Bardziej szczegółowoDaniel Papla Akademia Ekonomiczna we Wrocławiu. Wykorzystanie modelu DCC-MGARCH w analizie zmian zależności wybranych akcji GPW w Warszawie
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 27 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna we Wrocławiu Wykorzysanie
Bardziej szczegółowoWykład 4 Testy zgodności. dystrybuanta rozkładu populacji dystrybuanty rozkładów dwóch populacji rodzaj rozkładu wartości parametrów.
Wkład Test zgodności. Test zgodności służą do werikacji hipotez mówiącch, że a dstrbuanta rozkładu populacji ma określoną z gór postać unkcjną b dstrbuant rozkładów dwóch populacji nie różnią się w sposób
Bardziej szczegółowoWybrane dwuwymiarowe modele dla zmiennych licznikowych w ekonomii 1
Jerzy Marzec Adres e mail: marzecj@uek.krakow.pl Uniwersye Ekonomiczny w Krakowie Kaedra: Kaedra Ekonomerii i Badań Operacyjnych Wybrane dwuwymiarowe modele dla zmiennych licznikowych w ekonomii. Wsęp
Bardziej szczegółowoAnaliza danych DRZEWA DECYZYJNE. Drzewa decyzyjne. Entropia. http://zajecia.jakubw.pl/ test 1 dopełnienie testu 1
Analiza danych Drzewa decyzyjne. Enropia. Jakub Wróblewski jakubw@pjwsk.edu.pl hp://zajecia.jakubw.pl/ DRZEWA DECYZYJNE Meoda reprezenacji wiedzy (modelowania ablic decyzyjnych). Pozwala na przejrzysy
Bardziej szczegółowoDYNAMIKA KONSTRUKCJI
10. DYNAMIKA KONSTRUKCJI 1 10. 10. DYNAMIKA KONSTRUKCJI 10.1. Wprowadzenie Ogólne równanie dynamiki zapisujemy w posaci: M d C d Kd =P (10.1) Zapis powyższy oznacza, że równanie musi być spełnione w każdej
Bardziej szczegółowoPrzemysław Klęsk. Słowa kluczowe: analiza składowych głównych, rozmaitości algebraiczne
Przemysław Klęsk O ALGORYTMIE PRINCIPAL MANIFOLDS OPARTYM NA PCA SŁUŻACYM DO ZNAJDOWANIA DZIEDZIN JAKO ROZMAITOŚCI ALGEBRAICZNYCH NA PODSTAWIE ZBIORU DANYCH, PROPOZYCJA MIAR JAKOŚCI ROZMAITOŚCI Sreszczenie
Bardziej szczegółowoMetody analizy i prognozowania szeregów czasowych
Meody analizy i prognozowania szeregów czasowych Wsęp 1. Modele szeregów czasowych 2. Modele ARMA i procedura Boxa-Jenkinsa 3. Modele rendów deerminisycznych i sochasycznych 4. Meody dekompozycji szeregów
Bardziej szczegółowoTESTOWANIE EGZOGENICZNOŚCI ZMIENNYCH W MODELACH EKONOMETRYCZNYCH
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Mariusz Doszyń TESTOWANIE EGZOGENICZNOŚCI ZMIENNYCH W MODELACH EKONOMETRYCZNYCH Od pewnego czasu w lieraurze ekonomerycznej pojawiają się
Bardziej szczegółowoWYKŁAD FIZYKAIIIB 2000 Drgania tłumione
YKŁD FIZYKIIIB Drgania łumione (gasnące, zanikające). F siła łumienia; r F r b& b współczynnik łumienia [ Nm s] m & F m & && & k m b m F r k b& opis różnych zjawisk izycznych Niech Ce p p p p 4 ± Trzy
Bardziej szczegółowoKrzysztof Piontek MODELOWANIE ZMIENNOŚCI STÓP PROCENTOWYCH NA PRZYKŁADZIE STOPY WIBOR
Inwesycje finansowe i ubezpieczenia endencje świaowe a rynek polski Krzyszof Pionek Akademia Ekonomiczna we Wrocławiu MODELOWANIE ZMIENNOŚCI STÓP PROCENTOWYCH NA PRZYKŁADZIE STOPY WIBOR Wsęp Konieczność
Bardziej szczegółowoPOWIĄZANIA POMIĘDZY KRÓTKOOKRESOWYMI I DŁUGOOKRESOWYMI STOPAMI PROCENTOWYMI W POLSCE
Anea Kłodzińska, Poliechnika Koszalińska, Zakład Ekonomerii POWIĄZANIA POMIĘDZY KRÓTKOOKRESOWYMI I DŁUGOOKRESOWYMI STOPAMI PROCENTOWYMI W POLSCE Sopy procenowe w analizach ekonomicznych Sopy procenowe
Bardziej szczegółowo