Materiaªy do zaawans. ekon. Z10
|
|
- Mariusz Kuczyński
- 7 lat temu
- Przeglądów:
Transkrypt
1 Faculty of Economic Sciences, University of Warsaw Warsaw,
2 Probit wiczenie 1. Moshe Ben-Akiva and Steven Lerman, Discrete Choice Analysis, Theory and Application to Travel Demand, MIT Press, Przytoczone w: R. Carter Hill, William E. Griths, Guay C. Lim, Principles of Econometrics, Wiley & Sons, Zmnienna obja±niana (y): AUTO i - czy dana osoba wybiera transport publiczny czy wªasny samochód. Zmienna obja±niaj ca (x): DTIME i = (bus time - auto time) - ró»nica mi dzy czasem dojazdu autobusem a samochodem.
3 Poda interpretacje oszacowa«i efektów cz stkowych. probit auto dtime Probit regression Number of obs = 21 LR chi2(1) = Prob > chi2 = Log likelihood = Pseudo R2 = auto Coef. Std. Err. z P> z [95% Conf. Interval] dtime _cons mfx compute Marginal effects after probit y = Pr(auto) (predict) = variable dy/dx Std. Err. z P> z [ 95% C.I. ] X dtime
4 Probit wiczenie 2. Dhillon, Shilling and Sirmans, Choosing Between Fixed and Adjustable Rate Mortgages, Journal of Money, Credit and Banking, 19(1), 1987, Exercise R. Carter Hill, William E. Griths, Guay C. Lim, Principles of Econometrics, Wiley & Sons, Zmnienna obja±niana (y): ADJUST i adjustable-rate mortgage - kredyt hipoteczny
5 Poda interpretacje oszacowa«i efektów cz stkowych Probit regression Number of obs = 78 LR chi2(6) = Prob > chi2 = Log likelihood = Pseudo R2 = adjust Coef. Std. Err. z P> z [95% Conf. Interval] fixrate margin yield maturity points networth _cons variable dy/dx Std. Err. z P> z [ 95% C.I. ] X fixrate margin yield maturity points networth
6 Tablica klasykacyjna. Wyznaczy R 2 liczebno±ciowe Probit model for adjust True Classified D ~D Total Total Classified + if predicted Pr(D) >=.5 True D defined as adjust!= Sensitivity Pr( + D) 65.63% Specificity Pr( - ~D) 82.61% Positive predictive value Pr( D +) 72.41% Negative predictive value Pr(~D -) 77.55% False + rate for true ~D Pr( + ~D) 17.39% False - rate for true D Pr( - D) 34.38% False + rate for classified + Pr(~D +) 27.59% False - rate for classified - Pr( D -) 22.45% Correctly classified 75.64%
7 Logit wiczenie 3. Moshe Ben-Akiva and Steven Lerman, Discrete Choice Analysis, Theory and Application to Travel Demand, MIT Press, Przytoczone w: R. Carter Hill, William E. Griths, Guay C. Lim, Principles of Econometrics, Wiley & Sons, Zmnienna obja±niana (y): AUTO i - czy dana osoba wybiera transport publiczny czy wªasny samochód. Zmienna obja±niaj ca (x): DTIME i = (bus time - auto time) - ró»nica mi dzy czasem dojazdu autobusem a samochodem.
8 Poda interpretacje oszacowa«i efektów cz stkowych. logit auto dtime Logistic regression Number of obs = 21 LR chi2(1) = Prob > chi2 = Log likelihood = Pseudo R2 = auto Coef. Std. Err. z P> z [95% Conf. Interval] dtime _cons mfx compute Marginal effects after logit y = Pr(auto) (predict) = variable dy/dx Std. Err. z P> z [ 95% C.I. ] X dtime
9 Logit wiczenie 4. Exercise 16.5 R. Carter Hill, William E. Griths, Guay C. Lim, Principles of Econometrics, Wiley & Sons, Zmnienna obja±niana (y): FOURYR i college (1), 2-letni (0) - ucze«wybraª 4-letni Zmienna obja±niaj ca (x): GRADES i 13-point scale with 1 indicating highest grade and 13 the lowest; FAMINC i gross family income in $1000; FAMSIZ numebr of family members. Are the signs of the estimated coecients consistent with your expectations? Are the estimated coecients statistically signicant?
10 Poda interpretacje oszacowa«i efektów cz stkowych Logistic regression Number of obs = 778 LR chi2(3) = Prob > chi2 = Log likelihood = Pseudo R2 = fouryr Coef. Std. Err. z P> z [95% Conf. Interval] grades faminc famsiz _cons Marginal effects after logit y = Pr(fouryr) (predict) = variable dy/dx Std. Err. z P> z [ 95% C.I. ] X grades faminc famsiz
11 Statystyka Walda fouryr Coef. Std. Err. z P> z [95% Conf. Interval] grades faminc famsiz _cons test faminc ( 1) [fouryr]faminc = 0 chi2( 1) = Prob > chi2 = test famsiz ( 1) [fouryr]famsiz = 0 chi2( 1) = 0.04 Prob > chi2 =
12 Statystyka Walda fouryr Coef. Std. Err. z P> z [95% Conf. Interval] grades faminc famsiz _cons test famsiz faminc ( 1) [fouryr]famsiz = 0 ( 2) [fouryr]faminc = 0 chi2( 2) = Prob > chi2 =
13 Test ilorazu wiarygodno±ci fouryr Coef. Std. Err. z P> z [95% Conf. Interval] grades faminc famsiz _cons lrtest logit1 logit2, stat Likelihood-ratio test LR chi2(2) = (Assumption: logit2 nested in logit1) Prob > chi2 = Model Obs ll(null) ll(model) df AIC BIC logit logit Note: N=Obs used in calculating BIC; see [R] BIC note
14 Logit/Probit - LINKTEST. linktest Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Iteration 4: log likelihood = Logistic regression Number of obs = 778 LR chi2(2) = Prob > chi2 = Log likelihood = Pseudo R2 = fouryr Coef. Std. Err. z P> z [95% Conf. Interval] _hat _hatsq _cons
15 Modele dla dyskretnych zmiennych zale»nych 1 Zmienna obja±niana jest binarna Logit Probit Liniowy model prawdopodobie«stwa 2 Zmienna zale»na przyjmuje wi cej ni» 2 warto± i (nieuporz dkowane) Wielomianowy logit Warunkowy logit 3 Zmienna zale»na przyjmuje wi cej ni» 2 warto± i (uporz dkowane) Uporz dkowany logit Uporz dkowany probit 4 Modele dla liczebno±ci Model Poissona Model ujemny dwumianowy
16 Qualitative and Limited Dependent Variable 1 Models with Binary Dependent Variable Logit Probit Linear Probability Model 2 Unoredered Choice Models Multinomial Logit Conditional Logit 3 Ordered Choice Models Ordered Logit Ordered Probit 4 Models for Count Data Poisson Regression Models Negative Binomial Models
17 Prawdopodobie«stwo. Binarne Zmienne Niezale»ne W modelach dla zmiennych binarnych wyja±niamy prawdopodobie«stwa stanów, za pomoc zmiennych niezale»nych. Chcemy powi za te prawdopodobie«stwa z wielko±ci zmiennych niezale»nych. Szukamy warunkowych prawdopodobie«stw stanów przy znanych wielko±ciach zmiennych niezale»nych. { 1 p(x i ), y i = 0, = [p(x p(x i ), y i = 1 i )] y i [1 p(x i )] 1 y i Czym jest p(x i )? Jest funkcj, która przyjmuje warto±ci z przedziaªu [0, 1]. p(x i ) to najcz ±ciej dystrybuanta rozkªadu ci gªego, p(x i ) = F (x i β).
18 Prawdopodobie«stwo. Binarne Zmienne Niezale»ne Funkcja wiarogodno±ci szacowanego modelu dla binarnych zmiennych zale»nych na próbie przekrojowej ma nast puj c posta : L(θ) = N i=1 [p(x i)] y i [1 p(x i )] 1 yi, a wi c logarytm funkcji wiarogodno±ci b dzie mo»na zapisa jako l(θ) = N i=1 y i lnp(x i ) + N i=1 (1 y i)ln[1 p(x i )] Poniewa» p(x i ) [0, 1], wi c lnp(x i ) 0 i ln[1 p(x i )] 0, a zatem tak»e l(θ) 0.
19 Interpretacja wspóªczynników Modele dla zmiennych binarnych nie s modelami liniowymi, poniewa» warunkowa warto± oczekiwana zmiennej zale»nej nie jest dana funkcj liniow : E(y x) = 0[1 F (xβ)] + 1F (xβ) = F (xβ) = p(xβ) Warto± oczekiwana zmiennej równa jest prawdopodobie«stwu sukcesu. Efekt cz stkowy E(y x) xk = p(xβ) xk = f (xβ)β k Efekt cz stkowy interpretujemy jako wpªyw jednostkowej zmiany zmiennej niezale»nej na wielko± prawdopodobie«stwa sukcesu.
20 Interpretacja wspóªczynników Wielko± efektu cz stokowego zale»y od x. Efekty cz stkowe zazwyczaj liczym dla ±rednich. Dla zerojedynkowych zmiennych obja±niaj cych efekt kra«cowy deniujemy jako F ( xβ) = F ( x 1 β) F ( x 0 β). Samych wielko±ci wspóªczynników nieinterpretuje si. Mo»na zinterpretowa proporcje mi dzy wspóªczynnikami. E(y x) / xk E(y x) = xm β k βm i s niezale»ne od wielko±ci zmiennych obja±niaj cych.
Stanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoModele dla zmiennej binarnej w pakiecie STATA materiały na ćwiczenia z ekonometrii 18.03.2005 r. Piotr Wójcik, KTRG WNE UW
Modele dla zmiennej binarnej w pakiecie STATA materiały na ćwiczenia z ekonometrii 18.03.2005 r. Piotr Wójcik, KTRG WNE UW Dane Dane wykorzystane w przykładzie pochodzą z pracy McCall, B.P., 1995, The
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 szczegółowoSzacowanie modeli wielowartościowych w pakiecie STATA
Szacowanie modeli wielowartościowych w pakiecie STATA Uniwersytet Warszawski Wydział Nauk Ekonomicznych 25 kwietnia 2007 W badaniach ekonomicznych i społecznych często odpowiedzi na pytania są kodowane
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 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 szczegółowo1 Metoda Największej Wiarogodności
1 Metoda Największej Wiarogodności 1.0.1 Wprowadzenie Dotychczas omawiane modele szacowane były za pomocą metody najmniejszych kwadratów. Jednak takie modele nie wyczerpują wszystkich możliwości. Istnieje
Bardziej szczegółowoBinarne zmienne zależne
Binarne zmienne zależne Zmienna zależna nie jest ciagła ale przyjmuje zero lub jeden Przykład: szukanie determinant bezrobocia (próba przekrojowa) zmienna objaśniana: zerojedynkowa (pracujacy, bezrobotny)
Bardziej szczegółowoEkonometria egzamin semestr drugi 14/06/09
imię, nazwisko, nr indeksu: Ekonometria egzamin semestr drugi 14/06/09 1. Przed przystąpieniem do pisania egzaminu należy podpisać wszystkie kartki arkusza egzaminacyjnego (na dole w przewidzianym miejscu).
Bardziej szczegółowoWykªad 6: Model logitowy
Wykªad 6: Model logitowy Ekonometria Stosowana SGH Model logitowy 1 / 18 Plan wicze«1 Modele zmiennej jako±ciowej idea 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3
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 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 szczegółowoZbiór pyta«zaawansowanej ekonometrii. c Rafaª Wo¹niak 1
Zbiór pyta«zaawansowanej ekonometrii. c Rafaª Wo¹niak 1 Zadanie 2 Wykorzystuj c zbiór danych crime.dta z ksi»ki Principles of Econometrics, R. Carter Hill, William E. Griths, Guay C. Lim, Wydanie 3, Wiley,
Bardziej szczegółowoEkonometria dla IiE i MSEMat Z7
Ekonometria dla IiE i MSEMat Z7 Rafał Woźniak Faculty of Economic Sciences, University of Warsaw Warszawa, 21-11-2016 Na podstawie zbioru danych cps_small.dat z książki Principles of Econometrics oszacowany
Bardziej szczegółowoBinarne zmienne zależne
Binarne zmienne zależne Zmienna zależna nie jest ciagła ale przyjmuje zero lub jeden Przykład: szukanie determinant bezrobocia (próba przekrojowa) zmienna objaśniana: zerojedynkowa (pracujacy, bezrobotny)
Bardziej szczegółowoAnaliza Szeregów Czasowych. Egzamin
Analiza Szeregów Czasowych Egzamin 12-06-2018 Zadanie 1: Zadanie 2: Zadanie 3: Zadanie 4: / 12 pkt. / 12 pkt. / 12 pkt. / 14 pkt. Projekt zaliczeniowy: Razem: / 100 pkt. / 50 pkt. Regulamin egzaminu 1.
Bardziej szczegółowoAnaliza czynników wpływających na poziom wykształcenia.
Analiza czynników wpływających na poziom wykształcenia. Celem tej pracy jest potwierdzenie lub odrzucenie opinii, którą większość społeczeństwa uznaje za oczywistą, o tym ė w Polsce lepiej wykształceni
Bardziej szczegółowoEkonometria. wiczenia 8 Modele zmiennej jako±ciowej. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 8 Modele zmiennej jako±ciowej (8) Ekonometria 1 / 25 Plan wicze«1 Modele zmiennej jako±ciowej 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3 Predykcja
Bardziej szczegółowo2 Logit i logit wielomianowy
2 Logit i logit wielomianowy 2.1 Logit i miary dopasowania Miary dopasowania modelu do danych empirycznych opisane w niniejszym rozdziale mają szersze zastosowanie, do szerszej klasy modeli z dyskretnymi
Bardziej szczegółowo6 Modele wyborów dyskretnych dla danych panelowych
6 Modele wyborów dyskretnych dla danych panelowych Dane do notatek są danymi do podręcznika Cameron & Trivedi (2008), pochodzą z artykułu Deb i Triverdi (2002). Przedmiotem badania jest eksperyment związany
Bardziej szczegółowo2.3 Modele nieliniowe
2.3 Modele nieliniowe Do tej pory zajmowaliśmy się modelami liniowymi lub o liniowej formie funkcyjnej i musieliśmy akceptować ich ograniczenia. Metoda Największej Wiarogodności pozwala również na efektywną
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 szczegółowoMetody statystyczne w biologii - Wykªad 8. Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t
Metody statystyczne w biologii - Wykªad 8 Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Regresja logistyczna 1. Podstawy teoretyczne i przykªady zastosowania
Bardziej szczegółowoNIE STRASZNY NAM KRYZYS, CZYLI JAK NIE DAĆ SIĘ DEPRESJI Determinanty depresji w Polsce
Model ekonometryczny NIE STRASZNY NAM KRYZYS, CZYLI JAK NIE DAĆ SIĘ DEPRESJI Determinanty depresji w Polsce Michał Danilewski Paweł Klimaszewski UNIWERSYTET WARSZAWSKI WYDZIAŁ NAUK EKONOMICZNYCH WARSZAWA
Bardziej szczegółowoEkonometria ćwiczenia Kolokwium 2 semestr 22/05/05. / 4 pkt. / 4 pkt. / 3 pkt. / 4 pkt. /22 pkt. Regulamin i informacje dodatkowe
imię, nazwisko, nr indeksu: Ekonometria ćwiczenia Kolokwium 2 semestr 22/05/05 Zadanie 1 Zadanie 2 Zadanie 3 / 4 pkt / 4 pkt / 3 pkt Zadanie 4 / 7 pkt [1/1/1/2/2] Zadanie 5 Razem / 4 pkt /22 pkt Skala
Bardziej szczegółowoUniwersytet Warszawski Wydział Nauk Ekonomicznych. Determinanty kryzysów bankowych
Uniwersytet Warszawski Wydział Nauk Ekonomicznych Determinanty kryzysów bankowych Jarosław Wasilewski Warszawa 2007 1 1. Wstęp Kryzys bankowy to sytuacja, w której znacząca grupa instytucji finansowych
Bardziej szczegółowoCzasowy wymiar danych
Problem autokorelacji Model regresji dla szeregów czasowych Model regresji dla szeregów czasowych y t = X t β + ε t Zasadnicze różnice 1 Budowa prognoz 2 Problem stabilności parametrów 3 Problem autokorelacji
Bardziej 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 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 szczegółowoElementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13
Elementarna statystyka Wnioskowanie o regresji (Inference for regression) Alexander Bendikov Uniwersytet Wrocªawski 2 czerwca 2016 Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for
Bardziej szczegółowoSzacowanie modeli dla nielosowej selekcji w pakiecie STATA
Szacowanie modeli dla nielosowej selekcji w pakiecie STATA Paweł Strawiński Uniwersytet Warszawski Wydział Nauk Ekonomicznych 17 kwietnia 2005 1 Dane Przedmiotem badania jest oszacowanie funkcji płacy
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 szczegółowoSystemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład II 2017/2018
Systemy pomiarowo-diagnostyczne Metody uczenia maszynowego wykład II bogumil.konopka@pwr.edu.pl 2017/2018 Określenie rzeczywistej dokładności modelu Zbiór treningowym vs zbiór testowy Zbiór treningowy
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 szczegółowo(LMP-Liniowy model prawdopodobieństwa)
OGÓLNY MODEL REGRESJI BINARNEJ (LMP-Liniowy model prawdopodobieństwa) Dla k3 y α α α α + x + x + x 2 2 3 3 + α x x α x x + α x x + α x x + ε + x 4 2 5 3 6 2 3 7 2 3 Zał.: Wszystkie zmienne interakcyjne
Bardziej szczegółowoModelowanie wielopoziomowe model z losowym nachyleniem
Modelowanie wielopoziomowe model z losowym nachyleniem Maciej Jakubowski Artur Pokropek październik 2008 Plan dzisiejszych zajęć 1) modelowanie edukacyjnej wartości dodanej 2) model EWD z losową stałą
Bardziej szczegółowo4 Logit wielomianowy, warunkowy i zagnieżdżony
4 Logit wielomianowy, warunkowy i zagnieżdżony Celem tej części notetek jest pokazanie różnic miedzy wartościami parametrów modeli szacowanych przy utrzymanym założeniu o niezależności niezwiązanych alternatyw
Bardziej szczegółowoEgzamin z ekonometrii
Pytania teoretyczne Egzamin z ekonometrii 22.06.2012 1. Podaj ogólną postać modeli DL i ADL 2. Wyjaśnij jak należy rozumieć przyczynowość w sensie Grangera i jak jest testowana. 3. Jakie są wady liniowego
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 6
Natalia Nehrebecka Stanisław Cichocki Wykład 6 1 1. Zmienne dyskretne Zmienne zero-jedynkowe 2. Modele z interakcjami 2 Zmienne dyskretne Zmienne nominalne Zmienne uporządkowane 3 4 1 podstawowe i 0 podstawowe
Bardziej szczegółowoPaweł Strawiński Ćwiczenia
Zadanie 1 Na podstawie wników badań PGSS starano się zidentfikować zmienne, które wpłwają na poziom szczęścia. Na podstawie odpowiedzi stworzono zmienną hapunhap, która przjmuje wartość 1 dla osób, które
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 szczegółowoWYKORZYSTANIE MODELU LOGITOWEGO DO ANALIZY BEZROBOCIA WŚRÓD OSÓB NIEPEŁNOSPRAWNYCH W POLSCE W 2010 ROKU
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 31 Beata Bieszk-Stolorz Uniwersytet Szczeciński WYKORZYSTANIE MODELU LOGITOWEGO DO ANALIZY BEZROBOCIA WŚRÓD OSÓB NIEPEŁNOSPRAWNYCH W POLSCE W
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 Diagnostyka a) Test RESET b) Test Jarque-Bera c) Testowanie heteroskedastyczności a) groupwise heteroscedasticity b) cross-sectional correlation d) Testowanie autokorelacji
Bardziej szczegółowoEkonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 2 Werykacja modelu liniowego (2) Ekonometria 1 / 33 Plan wicze«1 Wprowadzenie 2 Ocena dopasowania R-kwadrat Skorygowany R-kwadrat i kryteria informacyjne 3 Ocena istotno±ci zmiennych
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 szczegółowopostanowiono zbadać co wpływa na przyznanie wyróżnienia. Hipotezy testujemy na poziomie istotności 0,05. Zadanie 1 Na podstawie danych
Zadanie 1 Na podstawie danych Contains data obs: 200 vars: 7 10 Feb 2001 16:27 size: 6,400 (99.8% of memory free) - 1. id float %9.0g 2. female float %9.0g fl sex: 0 male; 1 - female 3. ses float %9.0g
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 szczegółowoWst p i organizacja zaj
Wst p i organizacja zaj Katedra Ekonometrii Uniwersytet Šódzki sem. letni 2014/2015 Literatura Ocena osi gni Program zaj Prowadz cy Podstawowa i uzupeªniaj ca Podstawowa: 1 Gruszczy«ski M. (2012 / 2010),,
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 szczegółowoEgzamin z ekonometrii - wersja IiE, MSEMAT
Egzamin z ekonometrii - wersja IiE, MSEMAT 7-02-2013 Pytania teoretyczne 1. Porówna zastosowania znanych Ci kontrastów ze standardowym sposobem rozkodowania zmiennej dyskretnej. 2. Wyprowadzi estymator
Bardziej szczegółowoStatystyka medyczna II. 7. Wstęp do regresji logistycznej. Regresja logistyczna prosta, porównanie z miarami ryzyka.
Statystyka medyczna II. 7. Wstęp do regresji logistycznej. Regresja logistyczna prosta, porównanie z miarami ryzyka. Dane The Western Collaborative Group Study (WCGS) badanie epidemiologiczne zaprojektowane,
Bardziej szczegółowoEstymacja modeli ARDL przy u»yciu Staty
Estymacja modeli ARDL przy u»yciu Staty Michaª Kurcewicz 21 lutego 2005 Celem zadania jest oszacowanie dªugookresowego modelu popytu na szeroki pieni dz w Niemczech. Zaª czony zbiór danych beyer.csv pochodzi
Bardziej 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 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 szczegółowoEgzamin z ekonometrii IiE
Pytania teoretyczne Egzamin z ekonometrii IiE 22.06.2012 1. Kiedy selekcja próby jest problemem i jaki model można stosować w przypadku samoselekcji próby? 2. Jakie są konieczne założenia, by estymator
Bardziej szczegółowoEkonometria. wiczenia 7 Modele nieliniowe. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 7 Modele nieliniowe (7) Ekonometria 1 / 19 Plan wicze«1 Nieliniowo± : co to zmienia? 2 Funkcja produkcji Cobba-Douglasa 3 Nieliniowa MNK (7) Ekonometria 2 / 19 Plan prezentacji 1 Nieliniowo±
Bardziej szczegółowoModele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6
Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Model mieszany
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 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 szczegółowoEgzamin z ekonometrii - wersja ogólna
Egzamin z ekonometrii - wersja ogólna 27-0-202 Pytania teoretyczne. Dlaczego w modelu nie powinno si umieszcza staªej i wszystkich zmiennych zero-jedynkowych, zwi zanych z poziomami zmiennej dyskretnej?
Bardziej szczegółowoSTATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH
STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH WYKŠAD 3 29 pa¹dziernik 2015 1 / 39 Plan wykªadu 1. Test log-rank dla wi cej ni» dwóch grup 2. Test Mantela-Haenszela dla wi cej ni» dwóch grup 3. Wst p do
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 szczegółowoEgzamin z ekonometrii wersja ogólna Pytania teoretyczne
Egzamin z ekonometrii wersja ogólna 08-02-2017 Pytania teoretyczne 1. Za pomocą którego testu testujemy stabilność parametrów? Jakiemu założeniu KMRL odpowiada H0 w tym teście? Jaka jest hipoteza alternatywna
Bardziej szczegółowoZmienne sztuczne i jakościowe
Zmienne o ograniczonym zbiorze wartości Przykład 1. zarobki = β 0 + β 1 liczba godzin pracy + β 2 wykształcenie + ε Przykład 2. zarobki = β 0 + β 1 liczba godzin pracy + β 2 klm + ε zarobki = β 0 + β 1
Bardziej szczegółowoUogolnione modele liniowe
Uogolnione modele liniowe Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Uogolnione modele liniowe grudzien 2013 1 / 17 (generalized linear model - glm) Zakładamy,
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 szczegółowoMatematyka z elementami statystyki
Matematyka z elementami statystyki Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Korelacja Zale»no± funkcyjna wraz ze wzrostem jednej zmiennej nast puje ±ci±le okre±lona zmiana druiej zmiennej.
Bardziej szczegółowoSzacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE. Joanna Sawicka
Szacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE Joanna Sawicka Plan prezentacji Model Poissona-Gamma ze składnikiem regresyjnym Konstrukcja optymalnego systemu Bonus- Malus Estymacja
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Binarne zmienne zależne 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników 3. Probit a) Interpretacja współczynników b) Miary dopasowania 4.
Bardziej szczegółowoEkonometria - wykªad 8
Ekonometria - wykªad 8 3.1 Specykacja i werykacja modelu liniowego dobór zmiennych obja±niaj cych - cz ± 1 Barbara Jasiulis-Goªdyn 11.04.2014, 25.04.2014 2013/2014 Wprowadzenie Ideologia Y zmienna obja±niana
Bardziej szczegółowo3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka
EGZAMIN MAGISTERSKI, 26.06.2017 Biomatematyka 1. (8 punktów) Rozwój wielko±ci pewnej populacji jest opisany równaniem: dn dt = rn(t) (1 + an(t), b gdzie N(t) jest wielko±ci populacji w chwili t, natomiast
Bardziej szczegółowoBiostatystyka, # 4 /Weterynaria I/
Biostatystyka, # 4 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoPodstawy statystycznego modelowania danych Analiza prze»ycia
Podstawy statystycznego modelowania danych Analiza prze»ycia Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu 1. Wprowadzenie 2. Hazard rate
Bardziej szczegółowoBiostatystyka, # 5 /Weterynaria I/
Biostatystyka, # 5 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 1
Stanisław Cichocki Natalia Nehrebecka Wykład 1 1 1. Sprawy organizacyjne Zasady zaliczenia Ćwiczenia Literatura 2. Obciążenie Lovella 3. Metoda od ogólnego do szczególnego 4. Kryteria informacyjne 2 1.
Bardziej 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 szczegółowoStatystyczna analiza danych w programie STATISTICA. Dariusz Gozdowski. Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW
Statystyczna analiza danych w programie STATISTICA ( 4 (wykład Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Regresja prosta liniowa Regresja prosta jest
Bardziej szczegółowoStatystyka I. Regresja dla zmiennej jakościowej - wykład dodatkowy (nieobowiązkowy)
Statystyka I Regresja dla zmiennej jakościowej - wykład dodatkowy (nieobowiązkowy) 1 Zmienne jakościowe qzmienne jakościowe niemierzalne kategorie: np. pracujący / bezrobotny qzmienna binarna Y=0,1 qczasami
Bardziej szczegółowoStanisław Cichocki. Natalia Neherebecka. Zajęcia 15-17
Stanisław Cichocki Natalia Neherebecka Zajęcia 15-17 1 1. Binarne zmienne zależne 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników 3. Probit a) Interpretacja współczynników b) Miary
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. 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 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 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 szczegółowoWSTĘP DO REGRESJI LOGISTYCZNEJ. Dr Wioleta Drobik-Czwarno
WSTĘP DO REGRESJI LOGISTYCZNEJ Dr Wioleta Drobik-Czwarno REGRESJA LOGISTYCZNA Zmienna zależna jest zmienną dychotomiczną (dwustanową) przyjmuje dwie wartości, najczęściej 0 i 1 Zmienną zależną może być:
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 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 szczegółowoMetody probablistyczne i statystyka stosowana
Politechnika Wrocªawska - Wydziaª Podstawowych Problemów Techniki - 011 Metody probablistyczne i statystyka stosowana prowadz cy: dr hab. in». Krzysztof Szajowski opracowanie: Tomasz Kusienicki* κ 17801
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 szczegółowoDr Łukasz Goczek. Uniwersytet Warszawski
Dr Łukasz Goczek Uniwersytet Warszawski 10000 2000 4000 6000 8000 M3 use C:\Users\as\Desktop\Money.dta, clear format t %tm (oznaczamy tsset t tsline M3 0 1960m1 1970m1 1980m1 1990m1 2000m1 2010m1 t tsline
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 szczegółowo3 Modele wyborów dyskretnych
3 Modele wyborów dyskretnych Przykłady, rozszerzenia i interpretacja Dane do przykładu pochodzą z piątej fali badania Health and Retirement Study przeprowadzonego w Stanach Zjednoczonych Ameryki Północnej
Bardziej szczegółowoZamów książkę w księgarni internetowej
Zamów książkę w księgarni internetowej Wydawca Monika Pawłowska Redaktor prowadzący Janina Burek Opracowanie redakcyjne Bogumiła Ziembla Korekta i łamanie Wydawnictwo JAK Projekt graficzny okładki Barbara
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 szczegółowoRozdziaª 4. Jednowymiarowe modele szeregów czasowych
Rozdziaª 4. Jednowymiarowe modele szeregów czasowych MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 4) Modele ARMA 1 / 24 Jednowymiarowe modele szeregów czasowych Jednowymiarowe modele szeregów czasowych:
Bardziej szczegółowoZastosowanie modeli hazardu do szacowania długości czasu pozostawania bez pracy w Niemczech i w Polsce. 2. Wybór i opis właściwej metody analizy
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6-8 września 2005 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Szkoła Główna Gospodarstwa Wiejskiego
Bardziej szczegółowoEfekty przestrzenne w konwergencji polskich podregionów
Efekty przestrzenne w konwergencji polskich podregionów Mikoªaj Herbst EUROREG UW Piotr Wójcik WNE UW Konferencja Ministerstwa Rozwoju Regionalnego Budowanie spójno±ci terytorialnej i przeciwdziaªanie
Bardziej szczegółowoEkonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 1 Regresja liniowa i MNK (1) Ekonometria 1 / 25 Plan wicze«1 Ekonometria czyli...? 2 Obja±niamy ceny wina 3 Zadania z podr cznika (1) Ekonometria 2 / 25 Plan prezentacji 1 Ekonometria
Bardziej szczegółowoEkonometria. Modelowanie zmiennej jakościowej. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Modelowanie zmiennej jakościowej Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 8 Zmienna jakościowa 1 / 25 Zmienna jakościowa Zmienna ilościowa może zostać zmierzona
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 szczegółowo