Ekonomia rozwoju Konwergencja

Wielkość: px
Rozpocząć pokaz od strony:

Download "Ekonomia rozwoju Konwergencja"

Transkrypt

1 Ekonomia rozwoju Konwergencja Joanna Tyrowicz Wydzial Nauk Ekonomicznych UW 8/11/2011 Joanna Tyrowicz (WNE UW, IE NBP) W2. Konwergencja 8/11/ / 13

2 Wprowadzenie Mała opowieść - na przypomnienie Rysunek: Zmiana w dochodach per capita w wybranych krajach, podobnie jak Abramovitz (1986) Kilka problemów 1 Tylko kilka krajów- co z pozostałymi? dowód przez przykład? 2 Dlaczego tak miałoby być? Czy mamy na to jakąś teorię? Joanna Tyrowicz (WNE UW, IE NBP) W2. Konwergencja 8/11/ / 13

3 Wprowadzenie Co wiemy w dość prostym ujęciu modelu Solowa? Podstawowe predykcje i wyniki Kraje daleko od steady state będą rosnąć początkowo szybciej Kraje o tych samych steady state będą wykazywać konwergencję To nie znaczy, że kraje biedniejsze są dalej od swoich steady state - nie będą rosnąć szybciej, jeśli są blisko swojej ścieżki równowagi To wydają się potwierdzać dane - tempo konwergencji, jeśli istotne statystycznie, ekonomicznie raczej małe przeciętnie, choć wiele krajów jest w stanie konwergować bardzo szybko (rola średniej?) Czy to wszystko? Może model Solowa nie jest najlepszy do wyjaśniania determinant konwergencji pomiędzy krajami problem koncepcyjny Może regresja typu Barro nie jest najlepszym sposobem na mierzenie konwergencji? problem pomiaru Joanna Tyrowicz (WNE UW, IE NBP) W2. Konwergencja 8/11/ / 13

4 Wprowadzenie Arnold, Bassannini and Scarpetta - nowe wyniki Bottom line Model Solowa jest zawsze odrzucany przez dane Model endogeniczny Uzawy-Lucasa nigdy nie jest przez nie odrzucany Konwergencja wg Lucasa-Uzawy wskazuje na wyższe tempo konwergencji niż Solowa i to jest zgodne z danymi ALE mowa tylko o krajach OECD(!) Joanna Tyrowicz (WNE UW, IE NBP) W2. Konwergencja 8/11/ / 13

5 Konwergencja warunkowa i bezwarunkowa Typowe podejście to sprawdzenie, czy biedniejsi rosną szybciej y i,t = α i + βy i,t=0 + γzmiennewarunkujace + ɛ i,t (1) W tym ujęciuβ to współczynnik konwergencji, czy też tzw. halftime lub y i,t = α i + βy i,t=0 + γzmiennewarunkujace + ɛ i,t (2) 1 T log(y i,t+t y i,t) = α i +( 1 eβt ) log(y i,t)+γzmiennewarunkujace +ɛ i,t,t+t (3) T Trzy podstawowe problemy: Konwergencja absolutna - PKB per capita krajów/regionów konwerguje do jednej i tej samej wartości w długim okresie niezależnie od warunków początkowych Konwergencja warunkowa - PKB per capita krajów/regionów podobnych strukturalnie (preferencje, technologia, przyrost naturalny, polityki rządu, itp) konwerguje do jednej i tej samej wartości w długim okresie niezależnie od warunków początkowych jakie miary/zakres podobieństwa? Konwergencja klubów? Joanna Tyrowicz (WNE UW, IE NBP) W2. Konwergencja 8/11/ / 13

6 Zrozumieć konwergencję konwergencja β porównuje relacje pomiędzy przeciętnym wzrostem i wyjściowym poziomem dochodu konwergencja σ analizuje, czy następuje spadek dyspersji obserwowanej zmiennej (analiza odchyleń standardowych w czasie) Czy konwergencja jest absolutna czy warunkowa to tylko dyskusja o wariancie konwergenji β co z dyspersją? Joanna Tyrowicz (WNE UW, IE NBP) W2. Konwergencja 8/11/ / 13

7 Zmiany dyspersji na świecie i w OECD Rysunek: Dyspersja PKB pc pomiędzy krajami Joanna Tyrowicz (WNE UW, IE NBP) W2. Konwergencja 8/11/ / 13

8 Zrozumieć konwergencję Błąd Galtona (ang. Galton fallacy) Czy wyżsi ojcowie mają wyższych synów? (XIX-wieczny biolog) wyżsi niż przeciętnie ojcowie mają synów nie tak bardzo ponad średnią, jak oni sami niżsi niż przeciętnie ojcowie mają synów nie tak bardzo poniżej średniej, jak oni sami mimo to populacja mężczyzn ma ciągle bardzo dużą dyspersję Negatywny związek pomiędzy stanem początkowym a zmianą jest tylko wskazaniem, że pewne obserwacje bardzo wpływają na odbiór całości testy konwergencji β nie stanowią o zmniejszaniu się dyspersji w ramach rozkładów Quah 1: jeśli przyjąć, że konwergencja to spadek dyspersji, ujemny współczynnik β jest możliwy także w przypadku braku konwergencji (warunek konieczny lecz niewystarczający) analiza dyspersji Quah 2: jesli zachodzi spadek dyspersji w ramach klubów (wyprowadzalny z teorii) nie da się tego potwierdzić empirycznie w ramach analizy β dynamiczna analiza dyspersji Joanna Tyrowicz (WNE UW, IE NBP) W2. Konwergencja 8/11/ / 13

9 Konwergencja - analiza rozkładu Jak analizować cały rozkład? potrzeba macierzy przejść Proste ujęcie: weź rozkład w okresie t i porównaj go do rozkładu w okresie t + T Można to robić w ujęciu dyskretnym (macierze przejścia) lub ciągłym (estymatory kernelowe) Joanna Tyrowicz (WNE UW, IE NBP) W2. Konwergencja 8/11/ / 13

10 Konwergencja - analiza rozkładu W tym przykładzie są cztery grupy w czasie t (każda po 25% krajów) Kraje mogą się przemieszczać w górę lub w dół drabinki Jeśli kraj idzie w górę, liczba krajów w wyjściowej grupie maleje, a w wyższej rośnie i odwrotnie, jesli kraj idzie w dół, rośnie liczebność grupy niższej a maleje wyższej Te liczebnośći można wykorzystac, przekształcając je w częstotliwości (i interpretując jak prawdopodobieństwa) Tzw. wektor ergodyczny informuje, czy liczebność danej grupy na końcu jest większa/mniejsza niż na początku (bo wyjściowo jest 1/n, gdzie n to liczba grup) Konwergencja następuje wtedy, gdy liczebność średnich grup rośnie a skrajnych maleje prawdopodobieństwa z wektora ergodycznego koncentrują się w środkowych klasach A co jeśli przeciętny dochód rośnie znacząco? To nie jest problem (!). A kto decyduje o liczbie grup i okresach porównawczych? Joanna Tyrowicz (WNE UW, IE NBP) W2. Konwergencja 8/11/ / 13

11 Kernelowy estymator konwergencji Jak interpretować ten wykres? Kształt na tym schemacie to to samo, co zawartość macierzy przejść... Jeśli ten kształt leży, to znaczy, że choć wszyscy zaczęli różni, skończyli tacy sami Jeśli ten kształt stoi, to znaczy, że choć zaczynali podobni, kończą różnie Jeśli kształt układa się wzdłuż przekątnej - dużo zmian nie zaszło... W tym przypadku: wszystkie kraje, 10 lat - zaszła konwergencja? Joanna Tyrowicz (WNE UW, IE NBP) W2. Konwergencja 8/11/ / 13

12 Analiza rozkładów Dany Quah, Empirics for growth and distribution: stratification, polarization, and convergence clubs 105 krajów, 15 lat (znaczące ograniczenia w danych) W tym przykładzie osie są odwrotnie (przyszłość oznaczono na poziomej) Rysunek: Dynamika względnych dochodów dla 105 krajów świata Wnioski podobne do analizy typu β: pewna kowergencja między bogatymi, ale także pomiędzy biednymi Dodatkowe wnioski: bardzo silna persystencja w środku rozkładu Joanna Tyrowicz (WNE UW, IE NBP) W2. Konwergencja 8/11/ / 13

13 Wnioski Teoria neoklasyczna (Solow, etc.) daje pewne podstawy do oczekiwania konwergencji 1 Pomiędzy krajami o względnie podobnych fundamentach 2 Biedni rosną szybciej niż bogaci, o ile są daleko od swojej równowagi (zjawisko tylko przejściowe?) Dane raczej nie potwierdzają tych oczekiwań, ale lepiej pasuje do nich teoria uwzględniająca endogeniczność (szczególnie: kapitał ludzki) Z pewnego punktu widzenia, poziomy dochodów mogą być mylące i nieinteresujące: analiza dynamiczna rozkładów odpowiada na ten problem Wciąż wiele badań: uwzględnianie zasobów naturalnych, innowacyjności, umiędzynarodowienia, itp Joanna Tyrowicz (WNE UW, IE NBP) W2. Konwergencja 8/11/ / 13

MAKROEKONOMIA 2. Wykład 9. Dlaczego jedne kraje są bogate, a inne biedne? Model Solowa, wersja prosta. Dagmara Mycielska Joanna Siwińska - Gorzelak

MAKROEKONOMIA 2. Wykład 9. Dlaczego jedne kraje są bogate, a inne biedne? Model Solowa, wersja prosta. Dagmara Mycielska Joanna Siwińska - Gorzelak MAKROEKONOMIA 2 Wykład 9. Dlaczego jedne kraje są bogate, a inne biedne? Model Solowa, wersja prosta Dagmara Mycielska Joanna Siwińska - Gorzelak 2 Plan wykładu Funkcja produkcji - własności. Model Solowa

Bardziej szczegółowo

Mieczysław Kowerski. Program Polska-Białoruś-Ukraina narzędziem konwergencji gospodarczej województwa lubelskiego

Mieczysław Kowerski. Program Polska-Białoruś-Ukraina narzędziem konwergencji gospodarczej województwa lubelskiego Mieczysław Kowerski Wyższa Szkoła Zarządzania i Administracji w Zamościu Program Polska-Białoruś-Ukraina narzędziem konwergencji gospodarczej województwa lubelskiego The Cross-border Cooperation Programme

Bardziej szczegółowo

Konwergencja i nierówności na świecie. Modele neoklasyczne czy Ak? Zaawansowana makroekonomia Dr hab. Joanna Siwińska-Gorzelak

Konwergencja i nierówności na świecie. Modele neoklasyczne czy Ak? Zaawansowana makroekonomia Dr hab. Joanna Siwińska-Gorzelak Konwergencja i nierówności na świecie. Modele neoklasyczne czy Ak? Zaawansowana makroekonomia Dr hab. Joanna Siwińska-Gorzelak Na ostatnich zajęciach poznaliśmy model pokazujący znaczenie wydatków i podatków

Bardziej szczegółowo

Wzorce konwergencji regionalnej w Polsce

Wzorce konwergencji regionalnej w Polsce Autoreferat rozprawy doktorskiej Piotr Wójcik Wydział Nauk Ekonomicznych, Uniwersytet Warszawski 1 października 2008 r. Definicje i metodologia Celem rozprawy jest analiza procesu konwergencji regionalnej

Bardziej szczegółowo

Podstawowe fakty. Model Solowa przypomnienie

Podstawowe fakty. Model Solowa przypomnienie Podstawowe fakty. Model Solowa przypomnienie Zaawansowana Makroekonomia Dr hab. Joanna Siwińska-Gorzelak Długi i krótki okres w makroekonomii Źródłem większości grafik jest Acemoglu; Introduction do Modern

Bardziej szczegółowo

Zbiór zadań Makroekonomia II ćwiczenia

Zbiór zadań Makroekonomia II ćwiczenia Zbiór zadań Makroekonomia II ćwiczenia ZESTAW 5 MODEL SOLOWA Zadanie 5.1 Dla podanych funkcji produkcji sprawdź, czy spełniają one warunki stawiane neoklasycznym funkcjom produkcji. Jeśli tak, zapisz je

Bardziej szczegółowo

Korelacja oznacza współwystępowanie, nie oznacza związku przyczynowo-skutkowego

Korelacja oznacza współwystępowanie, nie oznacza związku przyczynowo-skutkowego Korelacja oznacza współwystępowanie, nie oznacza związku przyczynowo-skutkowego Współczynnik korelacji opisuje siłę i kierunek związku. Jest miarą symetryczną. Im wyższa korelacja tym lepiej potrafimy

Bardziej szczegółowo

ZESTAW 5 FUNKCJA PRODUKCJI. MODEL SOLOWA (Z ROZSZERZENIAMI)

ZESTAW 5 FUNKCJA PRODUKCJI. MODEL SOLOWA (Z ROZSZERZENIAMI) ZESTAW 5 FUNKCJA PRODUKCJI. MODEL SOLOWA (Z ROZSZERZENIAMI) Zadanie 5.1 Dla podanych funkcji produkcji sprawdź, czy spełniają one warunki stawiane neoklasycznym funkcjom produkcji. Jeśli tak, zapisz je

Bardziej szczegółowo

Testowanie hipotez. Marcin Zajenkowski. Marcin Zajenkowski () Testowanie hipotez 1 / 25

Testowanie hipotez. Marcin Zajenkowski. Marcin Zajenkowski () Testowanie hipotez 1 / 25 Testowanie hipotez Marcin Zajenkowski Marcin Zajenkowski () Testowanie hipotez 1 / 25 Testowanie hipotez Aby porównać ze sobą dwie statystyki z próby stosuje się testy istotności. Mówią one o tym czy uzyskane

Bardziej szczegółowo

DOJAZDY DO PRACY A KONWERGENCJA REGIONALNA W POLSCE

DOJAZDY DO PRACY A KONWERGENCJA REGIONALNA W POLSCE METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XVII/2, 2016, s. 160 171 DOJAZDY DO PRACY A KONWERGENCJA REGIONALNA W POLSCE Piotr Wójcik Zakład Finansów Ilościowych, Uniwersytet Warszawski e-mail: pwojcik@wne.uw.edu.pl

Bardziej szczegółowo

R-PEARSONA Zależność liniowa

R-PEARSONA Zależność liniowa R-PEARSONA Zależność liniowa Interpretacja wyników: wraz ze wzrostem wartości jednej zmiennej (np. zarobków) liniowo rosną wartości drugiej zmiennej (np. kwoty przeznaczanej na wakacje) czyli np. im wyższe

Bardziej szczegółowo

WYRÓWNYWANIE POZIOMU ROZWOJU POLSKI I UNII EUROPEJSKIEJ

WYRÓWNYWANIE POZIOMU ROZWOJU POLSKI I UNII EUROPEJSKIEJ dr Barbara Ptaszyńska Wyższa Szkoła Bankowa w Poznaniu WYRÓWNYWANIE POZIOMU ROZWOJU POLSKI I UNII EUROPEJSKIEJ Wprowadzenie Podstawowym celem wspólnoty europejskiej jest wyrównanie poziomu rozwoju poszczególnych

Bardziej szczegółowo

Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych

Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zad. 1 Średnia ocen z semestru letniego w populacji studentów socjologii w roku akademickim 2011/2012

Bardziej szczegółowo

Ekonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda

Bardziej szczegółowo

Kalibracja. W obu przypadkach jeśli mamy dane, to możemy znaleźć równowagę: Konwesatorium z Ekonometrii, IV rok, WNE UW 1

Kalibracja. W obu przypadkach jeśli mamy dane, to możemy znaleźć równowagę: Konwesatorium z Ekonometrii, IV rok, WNE UW 1 Kalibracja Kalibracja - nazwa pochodzi z nauk ścisłych - kalibrowanie instrumentu oznacza wyznaczanie jego skali (np. kalibrowanie termometru polega na wyznaczeniu 0C i 100C tak by oznaczały punkt zamarzania

Bardziej szczegółowo

MAKROEKONOMIA 2. Wykład 11. Poza modelem Solowa. dr Dagmara Mycielska dr hab. Joanna Siwińska - Gorzelak

MAKROEKONOMIA 2. Wykład 11. Poza modelem Solowa. dr Dagmara Mycielska dr hab. Joanna Siwińska - Gorzelak MAKROEKONOMIA 2 Wykład 11. Poza modelem Solowa dr Dagmara Mycielska dr hab. Joanna Siwińska - Gorzelak 2 Plan wykładu Rozszerzenia NEOKLASYCZNEGO modelu Solowa (oparte na neoklasycznej funkcji produkcji)

Bardziej szczegółowo

STABILNOŚĆ I KOMPLIKOWANIE SIĘ STRUKTUR REGIONALNYCH

STABILNOŚĆ I KOMPLIKOWANIE SIĘ STRUKTUR REGIONALNYCH Ewa Małuszyńska Katedra Europeistyki Uniwersytet Ekonomiczny w Poznaniu STABILNOŚĆ I KOMPLIKOWANIE SIĘ STRUKTUR REGIONALNYCH WYZWANIA DLA SPÓJNOŚCI EUROPY WROCŁAW 2016 1. zmiany stopnia dywersyfikacji

Bardziej szczegółowo

MAKROEKONOMIA 2. Wykład 11. Poza modelem Solowa. dr Dagmara Mycielska dr hab. Joanna Siwińska - Gorzelak

MAKROEKONOMIA 2. Wykład 11. Poza modelem Solowa. dr Dagmara Mycielska dr hab. Joanna Siwińska - Gorzelak MAKROEKONOMIA 2 Wykład 11. Poza modelem Solowa dr Dagmara Mycielska dr hab. Joanna Siwińska - Gorzelak 2 Plan wykładu Rozszerzenia NEOKLASYCZNEGO modelu Solowa (oparte na neoklasycznej funkcji produkcji)

Bardziej szczegółowo

Wprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe

Wprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Wprowadzenie do teorii ekonometrii Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Zajęcia Wykład Laboratorium komputerowe 2 Zaliczenie EGZAMIN (50%) Na egzaminie obowiązują wszystkie informacje

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 3..007 r. Zadanie. Każde z ryzyk pochodzących z pewnej populacji charakteryzuje się tym że przy danej wartości λ parametru ryzyka Λ rozkład wartości szkód z tego ryzyka

Bardziej szczegółowo

Podstawowe fakty. Model Solowa szybkie przypomnienie

Podstawowe fakty. Model Solowa szybkie przypomnienie Dr hab. Joanna Siwińska-Gorzelak Podstawowe fakty. Model Solowa szybkie przypomnienie Zaawansowana Makroekonomia Te slajdy powstały w oparciu o książkę Acemoglu: Introduction do Modern Economic Growth

Bardziej szczegółowo

Statystyka. Wykład 4. Magdalena Alama-Bućko. 19 marca Magdalena Alama-Bućko Statystyka 19 marca / 33

Statystyka. Wykład 4. Magdalena Alama-Bućko. 19 marca Magdalena Alama-Bućko Statystyka 19 marca / 33 Statystyka Wykład 4 Magdalena Alama-Bućko 19 marca 2018 Magdalena Alama-Bućko Statystyka 19 marca 2018 1 / 33 Analiza struktury zbiorowości miary położenia ( miary średnie) miary zmienności (rozproszenia,

Bardziej szczegółowo

Testowanie hipotez statystycznych

Testowanie 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 szczegółowo

K wartość kapitału zaangażowanego w proces produkcji, w tys. jp.

K 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 szczegółowo

WSTĘP DO REGRESJI LOGISTYCZNEJ. Dr Wioleta Drobik-Czwarno

WSTĘP 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 szczegółowo

Analiza współzależności zjawisk

Analiza współzależności zjawisk Analiza współzależności zjawisk Informacje ogólne Jednostki tworzące zbiorowość statystyczną charakteryzowane są zazwyczaj za pomocą wielu cech zmiennych, które nierzadko pozostają ze sobą w pewnym związku.

Bardziej szczegółowo

KLASYFIKACJA KRAJÓW UNII EUROPEJSKIEJ A SZYBKOŚĆ ICH KONWERGENCJI DOCHODOWEJ

KLASYFIKACJA KRAJÓW UNII EUROPEJSKIEJ A SZYBKOŚĆ ICH KONWERGENCJI DOCHODOWEJ Barbara Batóg, Jacek Batóg Uniwersytet Szczeciński KLASYFIKACJA KRAJÓW UNII EUROPEJSKIEJ A SZYBKOŚĆ ICH KONWERGENCJI DOCHODOWEJ Wstęp Zjawisko wyrównywania się poziomów dochodów w poszczególnych krajach

Bardziej szczegółowo

Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część

Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część populacji, którą podaje się badaniu statystycznemu

Bardziej szczegółowo

Pobieranie prób i rozkład z próby

Pobieranie prób i rozkład z próby Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.

Bardziej szczegółowo

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA Powtórka Powtórki Kowiariancja cov xy lub c xy - kierunek zależności Współczynnik korelacji liniowej Pearsona r siła liniowej zależności Istotność

Bardziej szczegółowo

Załóżmy, że obserwujemy nie jedną lecz dwie cechy, które oznaczymy symbolami X i Y. Wyniki obserwacji obu cech w i-tym obiekcie oznaczymy parą liczb

Załóżmy, że obserwujemy nie jedną lecz dwie cechy, które oznaczymy symbolami X i Y. Wyniki obserwacji obu cech w i-tym obiekcie oznaczymy parą liczb Współzależność Załóżmy, że obserwujemy nie jedną lecz dwie cechy, które oznaczymy symbolami X i Y. Wyniki obserwacji obu cech w i-tym obiekcie oznaczymy parą liczb (x i, y i ). Geometrycznie taką parę

Bardziej szczegółowo

WSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH

WSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH WSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH Dobrze przygotowane sprawozdanie powinno zawierać następujące elementy: 1. Krótki wstęp - maksymalnie pół strony. W krótki i zwięzły

Bardziej szczegółowo

Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych

Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych 3.1. Estymacja parametrów i ocena dopasowania modeli z jedną zmienną 23. Właściciel komisu w celu zbadania

Bardziej szczegółowo

Konwergencja i nierówności na świecie. Zaawansowana makroekonomia Dr hab. Joanna Siwińska-Gorzelak

Konwergencja i nierówności na świecie. Zaawansowana makroekonomia Dr hab. Joanna Siwińska-Gorzelak Konwergencja i nierówności na świecie. Zaawansowana makroekonomia Dr hab. Joanna Siwińska-Gorzelak Na ostatnich zajęciach poznaliśmy model pokazujący znaczenie wydatków i podatków rządu Włącznie wydatków

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 0.0.005 r. Zadanie. Likwidacja szkody zaistniałej w roku t następuje: w tym samym roku z prawdopodobieństwem 0 3, w następnym roku z prawdopodobieństwem 0 3, 8 w roku

Bardziej szczegółowo

W kolejnym kroku należy ustalić liczbę przedziałów k. W tym celu należy wykorzystać jeden ze wzorów:

W kolejnym kroku należy ustalić liczbę przedziałów k. W tym celu należy wykorzystać jeden ze wzorów: Na dzisiejszym wykładzie omówimy najważniejsze charakterystyki liczbowe występujące w statystyce opisowej. Poszczególne wzory będziemy podawać w miarę potrzeby w trzech postaciach: dla szeregu szczegółowego,

Bardziej szczegółowo

Małgorzata Markowska, Uniwersytet Ekonomiczny we Wrocławiu KONWERGENCJA INNOWACYJNOŚCI W STOLICACH EUROPEJSKICH

Małgorzata Markowska, Uniwersytet Ekonomiczny we Wrocławiu KONWERGENCJA INNOWACYJNOŚCI W STOLICACH EUROPEJSKICH Małgorzata Markowska, Uniwersytet Ekonomiczny we Wrocławiu KONWERGENCJA INNOWACYJNOŚCI W STOLICACH EUROPEJSKICH Cel Ocena tempa zmian poziomu innowacyjności w wybranych stolicach UE w porównaniu z ich

Bardziej szczegółowo

Statystyczna analiza danych

Statystyczna analiza danych Statystyczna analiza danych Korelacja i regresja Ewa Szczurek szczurek@mimuw.edu.pl Instytut Informatyki Uniwersytet Warszawski 1/30 Ostrożnie z interpretacją p wartości p wartości zależą od dwóch rzeczy

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA 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 szczegółowo

Poza modelem Solowa (jeszcze coś jest) Makroekonomia II Dr hab. Joanna Siwińska-Gorzelak

Poza modelem Solowa (jeszcze coś jest) Makroekonomia II Dr hab. Joanna Siwińska-Gorzelak Poza modelem Solowa (jeszcze coś jest) Makroekonomia II Dr hab. Joanna Siwińska-Gorzelak Dzisiaj omawiamy.. Dwa odmienne teoretyczne podejścia (w ramach teorii wzrostu) Rozszerzenia NEOKLASYCZNEGO modelu

Bardziej szczegółowo

Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki

Tablica 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 szczegółowo

Wykład 3. Rozkład normalny

Wykład 3. Rozkład normalny Funkcje gęstości Rozkład normalny Reguła 68-95-99.7 % Wykład 3 Rozkład normalny Standardowy rozkład normalny Prawdopodobieństwa i kwantyle dla rozkładu normalnego Funkcja gęstości Frakcja studentów z vocabulary

Bardziej szczegółowo

Mikroekonometria 12. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 12. Mikołaj Czajkowski Wiktor Budziński Mikroekonometria 12 Mikołaj Czajkowski Wiktor Budziński Dane panelowe Co jeśli mamy do dyspozycji dane panelowe? Kilka obserwacji od tych samych respondentów, w różnych punktach czasu (np. ankieta realizowana

Bardziej szczegółowo

Prawdopodobieństwo i rozkład normalny cd.

Prawdopodobieństwo i rozkład normalny cd. # # Prawdopodobieństwo i rozkład normalny cd. Michał Daszykowski, Ivana Stanimirova Instytut Chemii Uniwersytet Śląski w Katowicach Ul. Szkolna 9 40-006 Katowice E-mail: www: mdaszyk@us.edu.pl istanimi@us.edu.pl

Bardziej szczegółowo

Ekonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 9 marca 2007

Ekonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 9 marca 2007 , transformacja liniowa i estymacja modelu KMNK Paweł Cibis pawel@cibis.pl 9 marca 2007 1 Miary dopasowania modelu do danych empirycznych Współczynnik determinacji Współczynnik zbieżności Skorygowany R

Bardziej szczegółowo

Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa

Błędy 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 szczegółowo

Zadania ze statystyki, cz.6

Zadania ze statystyki, cz.6 Zadania ze statystyki, cz.6 Zad.1 Proszę wskazać, jaką część pola pod krzywą normalną wyznaczają wartości Z rozkładu dystrybuanty rozkładu normalnego: - Z > 1,25 - Z > 2,23 - Z < -1,23 - Z > -1,16 - Z

Bardziej szczegółowo

Odchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi

Odchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi Odchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska D syst D śr m 1 3 5 2 4 6 śr j D 1

Bardziej szczegółowo

Weryfikacja hipotez statystycznych

Weryfikacja 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 szczegółowo

Kolokwium I z Makroekonomii II Semestr zimowy 2014/2015 Grupa I

Kolokwium I z Makroekonomii II Semestr zimowy 2014/2015 Grupa I Kolokwium I z Makroekonomii II Semestr zimowy 2014/2015 Grupa I Czas trwania kolokwium wynosi 45 minut. Należy rozwiązać dwa z trzech zamieszczonych poniżej zadań. Za każde zadanie można uzyskać maksymalnie

Bardziej szczegółowo

Parametr Λ w populacji ubezpieczonych ma rozkład dany na półosi dodatniej gęstością: 3 f

Parametr Λ w populacji ubezpieczonych ma rozkład dany na półosi dodatniej gęstością: 3 f Zadanie. W kolejnych latach t =,,,... ubezpieczony charakteryzujący się parametrem ryzyka Λ generuje N t szkód. Dla danego Λ = λ zmienne N, N, N,... są warunkowo niezależne i mają (brzegowe) rozkłady Poissona:

Bardziej szczegółowo

Kontekstowe wskaźniki efektywności nauczania - warsztaty

Kontekstowe wskaźniki efektywności nauczania - warsztaty Kontekstowe wskaźniki efektywności nauczania - warsztaty Przygotowała: Aleksandra Jasińska (a.jasinska@ibe.edu.pl) wykorzystując materiały Zespołu EWD Czy dobrze uczymy? Metody oceny efektywności nauczania

Bardziej szczegółowo

Inteligentna analiza danych

Inteligentna analiza danych Numer indeksu 150946 Michał Moroz Imię i nazwisko Numer indeksu 150875 Grzegorz Graczyk Imię i nazwisko kierunek: Informatyka rok akademicki: 2010/2011 Inteligentna analiza danych Ćwiczenie I Wskaźniki

Bardziej szczegółowo

czerwiec 2013 Uwaga: Przy rozwiązywaniu zadań, jeśli to konieczne, należy przyjąć poziom istotności 0,1 i współczynnik ufności 0,90

czerwiec 2013 Uwaga: Przy rozwiązywaniu zadań, jeśli to konieczne, należy przyjąć poziom istotności 0,1 i współczynnik ufności 0,90 Uwaga: Przy rozwiązywaniu zadań, jeśli to konieczne, należy przyjąć poziom istotności 0,1 i współczynnik ufności 0,90 czerwiec 2013 Zadanie 1 Poniższe tabele przestawiają dane dotyczące umieralności dzieci

Bardziej szczegółowo

Plan wykładu. Dlaczego wzrost gospodarczy? Model wzrostu Harroda-Domara.

Plan wykładu. Dlaczego wzrost gospodarczy? Model wzrostu Harroda-Domara. Plan wykładu Dlaczego wzrost gospodarczy? Model wzrostu Harroda-Domara. Model wzrostu Solowa. Krytyka podejścia klasycznego wstęp do endogenicznych podstaw wzrostu gospodarczego. Potrzeba analizy wzrostu

Bardziej szczegółowo

MODELE LINIOWE. Dr Wioleta Drobik

MODELE LINIOWE. Dr Wioleta Drobik MODELE LINIOWE Dr Wioleta Drobik MODELE LINIOWE Jedna z najstarszych i najpopularniejszych metod modelowania Zależność między zbiorem zmiennych objaśniających, a zmienną ilościową nazywaną zmienną objaśnianą

Bardziej szczegółowo

Modele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11

Modele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11 Modele DSGE Jerzy Mycielski Maj 2008 Jerzy Mycielski () Modele DSGE Maj 2008 1 / 11 Modele DSGE DSGE - Dynamiczne, stochastyczne modele równowagi ogólnej (Dynamic Stochastic General Equilibrium Model)

Bardziej szczegółowo

Metoda najmniejszych kwadratów

Metoda najmniejszych kwadratów Model ekonometryczny Wykształcenie a zarobki Hipoteza badawcza: Istnieje zależność między poziomem wykształcenia a wysokością zarobków Wykształcenie a zarobki Hipoteza badawcza: Istnieje zależność między

Bardziej szczegółowo

Wykład 2: Tworzenie danych

Wykład 2: Tworzenie danych Wykład 2: Tworzenie danych Plan: Statystyka opisowa a wnioskowanie statystyczne Badania obserwacyjne a eksperyment Planowanie eksperymentu, randomizacja Próbkowanie z populacji Rozkłady próbkowe Wstępna/opisowa

Bardziej szczegółowo

Statystyka opisowa. Wykład V. Regresja liniowa wieloraka

Statystyka opisowa. Wykład V. Regresja liniowa wieloraka Statystyka opisowa. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Prosta regresji cechy Y względem cech X 1,..., X k. 2 3 Wyznaczamy zależność cechy Y od cech X 1, X 2,..., X k postaci Y = α 0 +

Bardziej szczegółowo

Optymalizacja ciągła

Optymalizacja ciągła Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej

Bardziej szczegółowo

Regresja liniowa w R Piotr J. Sobczyk

Regresja liniowa w R Piotr J. Sobczyk Regresja liniowa w R Piotr J. Sobczyk Uwaga Poniższe notatki mają charakter roboczy. Mogą zawierać błędy. Za przesłanie mi informacji zwrotnej o zauważonych usterkach serdecznie dziękuję. Weźmy dane dotyczące

Bardziej szczegółowo

Statystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r

Statystyka 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 szczegółowo

Dr Łukasz Goczek. Uniwersytet Warszawski

Dr Łukasz Goczek. Uniwersytet Warszawski Dr Łukasz Goczek Uniwersytet Warszawski Model Ramsaya Model Ramsaya w otwartej gospodarce Ograniczenia w kredytowaniu Niedoskonała substytucja kapitału Dyfuzja technologii Prawa autorskie Główna różnica

Bardziej szczegółowo

LABORATORIUM Z FIZYKI

LABORATORIUM Z FIZYKI LABORATORIUM Z FIZYKI LABORATORIUM Z FIZYKI I PRACOWNIA FIZYCZNA C w Gliwicach Gliwice, ul. Konarskiego 22, pokoje 52-54 Regulamin pracowni i organizacja zajęć Sprawozdanie (strona tytułowa, karta pomiarowa)

Bardziej szczegółowo

166 Wstęp do statystyki matematycznej

166 Wstęp do statystyki matematycznej 166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne

Bardziej szczegółowo

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

Szczegółowy 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

Dopasowanie prostej do wyników pomiarów.

Dopasowanie prostej do wyników pomiarów. Dopasowanie prostej do wyników pomiarów. Graficzna analiza zależności liniowej Założenie: każdy z pomiarów obarczony jest taką samą niepewnością pomiarową (takiej samej wielkości prostokąty niepewności).

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 4. Testowanie hipotez Estymacja parametrów

STATYSTYKA 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 szczegółowo

Analiza współzależności zjawisk. dr Marta Kuc-Czarnecka

Analiza współzależności zjawisk. dr Marta Kuc-Czarnecka Analiza współzależności zjawisk dr Marta Kuc-Czarnecka Wprowadzenie Prawidłowości statystyczne mają swoje przyczyny, w związku z tym dla poznania całokształtu badanego zjawiska potrzebna jest analiza z

Bardziej szczegółowo

ROZKŁAD MATERIAŁU DO II KLASY LICEUM (ZAKRES ROZSZERZONY) A WYMAGANIA PODSTAWY PROGRAMOWEJ.

ROZKŁAD MATERIAŁU DO II KLASY LICEUM (ZAKRES ROZSZERZONY) A WYMAGANIA PODSTAWY PROGRAMOWEJ. ROZKŁAD MATERIAŁU DO II KLASY LICEUM (ZAKRES ROZSZERZONY) A WYMAGANIA PODSTAWY PROGRAMOWEJ. LICZBA TEMAT GODZIN LEKCYJNYCH Potęgi, pierwiastki i logarytmy (8 h) Potęgi 3 Pierwiastki 3 Potęgi o wykładnikach

Bardziej szczegółowo

Makroekonomia 1 Wykład 12: Naturalna stopa bezrobocia i krzywa AS

Makroekonomia 1 Wykład 12: Naturalna stopa bezrobocia i krzywa AS Makroekonomia 1 Wykład 12: Naturalna stopa bezrobocia i krzywa AS Gabriela Grotkowska Katedra Makroekonomii i Teorii Handlu Zagranicznego NATURALNA STOPA BEZROBOCIA Naturalna stopa bezrobocia Ponieważ

Bardziej szczegółowo

5. Model sezonowości i autoregresji zmiennej prognozowanej

5. 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 szczegółowo

, a reszta dla pominiętej obserwacji wynosi 0, RSS jest stałe, T SS rośnie, więc zarówno R 2 jak i R2 rosną. R 2 = 1 n 1 n. rosnie. n 2 (1 R2 ) = 1 59

, a reszta dla pominiętej obserwacji wynosi 0, RSS jest stałe, T SS rośnie, więc zarówno R 2 jak i R2 rosną. R 2 = 1 n 1 n. rosnie. n 2 (1 R2 ) = 1 59 Zadanie 1. Ekonometryk szacując funkcję konsumpcji przeprowadził estymację osobno dla tzw. Polski A oraz Polski B. Dla Polski A posiadał n 1 = 40 obserwacji i uzyskał współczynnik dopasowania RA 2 = 0.4,

Bardziej szczegółowo

Statystyka matematyczna dla leśników

Statystyka matematyczna dla leśników Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 2013/2014 Wykład 3 Zmienna losowa i jej rozkłady Zdarzenia losowe Pojęcie prawdopodobieństwa

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 5.0.00 r. Zadanie. Dla dowolnej zmiennej losowej X o wartości oczekiwanej µ wariancji oraz momencie centralnym µ k rzędu k zachodzą nierówności (typu Czebyszewa): ( X

Bardziej szczegółowo

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

Szczegółowy 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

Ekonomiczny Uniwersytet Dziecięcy

Ekonomiczny Uniwersytet Dziecięcy Ekonomiczny Uniwersytet Dziecięcy Wzrost gospodarczy i PKB - pojęcia zagrożone przez nowe koncepcje ekonomiczne Prof. Piotr Banaszyk Uniwersytet Ekonomiczny w Poznaniu 14 marca 2019 r. EKONOMICZNY UNIWERSYTET

Bardziej szczegółowo

Testowanie hipotez statystycznych

Testowanie hipotez statystycznych Agenda Instytut Matematyki Politechniki Łódzkiej 2 stycznia 2012 Agenda Agenda 1 Wprowadzenie Agenda 2 Hipoteza oraz błędy I i II rodzaju Hipoteza alternatywna Statystyka testowa Zbiór krytyczny Poziom

Bardziej szczegółowo

METODY STATYSTYCZNE W BIOLOGII

METODY STATYSTYCZNE W BIOLOGII METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne

Bardziej szczegółowo

Analiza składowych głównych. Wprowadzenie

Analiza składowych głównych. Wprowadzenie Wprowadzenie jest techniką redukcji wymiaru. Składowe główne zostały po raz pierwszy zaproponowane przez Pearsona(1901), a następnie rozwinięte przez Hotellinga (1933). jest zaliczana do systemów uczących

Bardziej szczegółowo

1 n. s x x x x. Podstawowe miary rozproszenia: Wariancja z populacji: Czasem stosuje się też inny wzór na wariancję z próby, tak policzy Excel:

1 n. s x x x x. Podstawowe miary rozproszenia: Wariancja z populacji: Czasem stosuje się też inny wzór na wariancję z próby, tak policzy Excel: Wariancja z populacji: Podstawowe miary rozproszenia: 1 1 s x x x x k 2 2 k 2 2 i i n i1 n i1 Czasem stosuje się też inny wzór na wariancję z próby, tak policzy Excel: 1 k 2 s xi x n 1 i1 2 Przykład 38,

Bardziej szczegółowo

Analiza korespondencji

Analiza korespondencji Analiza korespondencji Kiedy stosujemy? 2 W wielu badaniach mamy do czynienia ze zmiennymi jakościowymi (nominalne i porządkowe) typu np.: płeć, wykształcenie, status palenia. Punktem wyjścia do analizy

Bardziej szczegółowo

Charakterystyki liczbowe (estymatory i parametry), które pozwalają opisać właściwości rozkładu badanej cechy (zmiennej)

Charakterystyki liczbowe (estymatory i parametry), które pozwalają opisać właściwości rozkładu badanej cechy (zmiennej) Charakterystyki liczbowe (estymatory i parametry), które pozwalają opisać właściwości rozkładu badanej cechy (zmiennej) 1 Podział ze względu na zakres danych użytych do wyznaczenia miary Miary opisujące

Bardziej szczegółowo

Zad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:

Zad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności: Zadania ze statystyki cz. 7. Zad.1 Z populacji wyłoniono próbę wielkości 64 jednostek. Średnia arytmetyczna wartość cechy wyniosła 110, zaś odchylenie standardowe 16. Należy wyznaczyć przedział ufności

Bardziej szczegółowo

Testowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona;

Testowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona; LABORATORIUM 4 Testowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona; dwie zmienne zależne mierzalne małe próby duże próby rozkład normalny

Bardziej szczegółowo

2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona

2. 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 szczegółowo

ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH

ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH 1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Wnioskowanie statystyczne dla zmiennych numerycznych Porównywanie dwóch średnich Boot-strapping Analiza

Bardziej szczegółowo

Wykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne

Wykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne Wykład 4 Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym 2. Rozkłady próbkowe 3. Centralne twierdzenie graniczne Przybliżenie rozkładu dwumianowego rozkładem normalnym Niech Y ma rozkład

Bardziej szczegółowo

Krzywoliniowy świat satysfakcji. Krzysztof Zagórski

Krzywoliniowy świat satysfakcji. Krzysztof Zagórski Krzywoliniowy świat satysfakcji Krzysztof Zagórski Ekonomiści wiedzą, że świat jest krzywoliniowy. Fizycy wiedzieli to pierwsi. Socjologowie dowiedzieli się tego znacznie później. A geografowie? Rysunek

Bardziej szczegółowo

Po co w ogóle prognozujemy?

Po co w ogóle prognozujemy? Po co w ogóle prognozujemy? Pojęcie prognozy: racjonalne, naukowe przewidywanie przyszłych zdarzeń stwierdzenie odnoszącym się do określonej przyszłości formułowanym z wykorzystaniem metod naukowym, weryfikowalnym

Bardziej szczegółowo

KORELACJE I REGRESJA LINIOWA

KORELACJE I REGRESJA LINIOWA KORELACJE I REGRESJA LINIOWA Korelacje i regresja liniowa Analiza korelacji: Badanie, czy pomiędzy dwoma zmiennymi istnieje zależność Obie analizy się wzajemnie przeplatają Analiza regresji: Opisanie modelem

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 4. WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X.

STATYSTYKA MATEMATYCZNA WYKŁAD 4. WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X. STATYSTYKA MATEMATYCZNA WYKŁAD 4 WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X. Wysuwamy hipotezy: zerową (podstawową H ( θ = θ i alternatywną H, która ma jedną z

Bardziej szczegółowo

REGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ. Analiza regresji i korelacji

REGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ. Analiza regresji i korelacji Statystyka i opracowanie danych Ćwiczenia 5 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ MODEL REGRESJI LINIOWEJ Analiza regresji

Bardziej szczegółowo

Wykład 9 Wnioskowanie o średnich

Wykład 9 Wnioskowanie o średnich Wykład 9 Wnioskowanie o średnich Rozkład t (Studenta) Wnioskowanie dla jednej populacji: Test i przedziały ufności dla jednej próby Test i przedziały ufności dla par Porównanie dwóch populacji: Test i

Bardziej szczegółowo

Wykład 5: Statystyki opisowe (część 2)

Wykład 5: Statystyki opisowe (część 2) Wykład 5: Statystyki opisowe (część 2) Wprowadzenie Na poprzednim wykładzie wprowadzone zostały statystyki opisowe nazywane miarami położenia (średnia, mediana, kwartyle, minimum i maksimum, modalna oraz

Bardziej szczegółowo

Próba własności i parametry

Próba własności i parametry Próba własności i parametry Podstawowe pojęcia Zbiorowość statystyczna zbiór jednostek (obserwacji) nie identycznych, ale stanowiących logiczną całość Zbiorowość (populacja) generalna skończony lub nieskończony

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 11-12

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 11-12 Stanisław Cichocki Natalia Nehrebecka Zajęcia 11-12 1. Zmienne pominięte 2. Zmienne nieistotne 3. Obserwacje nietypowe i błędne 4. Współliniowość - Mamy 2 modele: y X u 1 1 (1) y X X 1 1 2 2 (2) - Potencjalnie

Bardziej szczegółowo

Zawansowane modele wyborów dyskretnych

Zawansowane modele wyborów dyskretnych Zawansowane modele wyborów dyskretnych Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Zawansowane modele wyborów dyskretnych grudzien 2013 1 / 16 Model efektów

Bardziej szczegółowo