Testy własności składnika losowego Testy formy funkcyjnej. Diagnostyka modelu. Część 2. Diagnostyka modelu
|
|
- Józef Popławski
- 7 lat temu
- Przeglądów:
Transkrypt
1 Część 2
2 Test Durbina-Watsona
3 Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε t, ε t 1 ) 0
4 Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε t, ε t 1 ) 0 Statystyka testowa DW = T i=2 (e t e t 1 ) 2 T i=1 e2 t
5 Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε t, ε t 1 ) 0 Statystyka testowa DW = T i=2 (e t e t 1 ) 2 T i=1 e2 t DW = 2(1 ρ εtε t 1 ) e2 1 + e2 T 2e 1e 0 T i=1 e2 t
6 Test Durbina-Watsona Dla dużej próby DW p 2(1 ρ εtε t 1 )
7 Test Durbina-Watsona Dla dużej próby Rozkład statystyki testowej DW p 2(1 ρ εtε t 1 )
8 Test Durbina-Watsona Dla dużej próby Rozkład statystyki testowej DW p 2(1 ρ εtε t 1 ) 1 jeżeli zakładana jest dodatnia autokorelacja, wtedy DW < 2, oraz
9 Test Durbina-Watsona Dla dużej próby Rozkład statystyki testowej DW p 2(1 ρ εtε t 1 ) 1 jeżeli zakładana jest dodatnia autokorelacja, wtedy DW < 2, oraz a) DW < d L, odrzucamy hipotezę zerową,
10 Test Durbina-Watsona Dla dużej próby Rozkład statystyki testowej DW p 2(1 ρ εtε t 1 ) 1 jeżeli zakładana jest dodatnia autokorelacja, wtedy DW < 2, oraz a) DW < d L, odrzucamy hipotezę zerową, b) d L < DW < d U brak konkluzji,
11 Test Durbina-Watsona Dla dużej próby Rozkład statystyki testowej DW p 2(1 ρ εtε t 1 ) 1 jeżeli zakładana jest dodatnia autokorelacja, wtedy DW < 2, oraz a) DW < d L, odrzucamy hipotezę zerową, b) d L < DW < d U brak konkluzji, c) DW > d U nie ma podstaw do odrzucenia H 0.
12 Test Durbina-Watsona Dla dużej próby Rozkład statystyki testowej DW p 2(1 ρ εtε t 1 ) 1 jeżeli zakładana jest dodatnia autokorelacja, wtedy DW < 2, oraz a) DW < d L, odrzucamy hipotezę zerową, b) d L < DW < d U brak konkluzji, c) DW > d U nie ma podstaw do odrzucenia H 0. 2 jeżeli zakładana jest ujemna autokorelacja, wtedy DW > 2, oraz
13 Test Durbina-Watsona Dla dużej próby Rozkład statystyki testowej DW p 2(1 ρ εtε t 1 ) 1 jeżeli zakładana jest dodatnia autokorelacja, wtedy DW < 2, oraz a) DW < d L, odrzucamy hipotezę zerową, b) d L < DW < d U brak konkluzji, c) DW > d U nie ma podstaw do odrzucenia H 0. 2 jeżeli zakładana jest ujemna autokorelacja, wtedy DW > 2, oraz a) DW > 4 d L, odrzucamy hipotezę zerową,
14 Test Durbina-Watsona Dla dużej próby Rozkład statystyki testowej DW p 2(1 ρ εtε t 1 ) 1 jeżeli zakładana jest dodatnia autokorelacja, wtedy DW < 2, oraz a) DW < d L, odrzucamy hipotezę zerową, b) d L < DW < d U brak konkluzji, c) DW > d U nie ma podstaw do odrzucenia H 0. 2 jeżeli zakładana jest ujemna autokorelacja, wtedy DW > 2, oraz a) DW > 4 d L, odrzucamy hipotezę zerową, b) 4 d U < DW < 4 d L brak konkluzji,
15 Test Durbina-Watsona Dla dużej próby Rozkład statystyki testowej DW p 2(1 ρ εtε t 1 ) 1 jeżeli zakładana jest dodatnia autokorelacja, wtedy DW < 2, oraz a) DW < d L, odrzucamy hipotezę zerową, b) d L < DW < d U brak konkluzji, c) DW > d U nie ma podstaw do odrzucenia H 0. 2 jeżeli zakładana jest ujemna autokorelacja, wtedy DW > 2, oraz a) DW > 4 d L, odrzucamy hipotezę zerową, b) 4 d U < DW < 4 d L brak konkluzji, c) DW < 4 d U nie ma podstaw do odrzucenia H 0.
16 Test Durbina-Watsona Dla dużej próby Rozkład statystyki testowej DW p 2(1 ρ εtε t 1 ) 1 jeżeli zakładana jest dodatnia autokorelacja, wtedy DW < 2, oraz a) DW < d L, odrzucamy hipotezę zerową, b) d L < DW < d U brak konkluzji, c) DW > d U nie ma podstaw do odrzucenia H 0. 2 jeżeli zakładana jest ujemna autokorelacja, wtedy DW > 2, oraz a) DW > 4 d L, odrzucamy hipotezę zerową, b) 4 d U < DW < 4 d L brak konkluzji, c) DW < 4 d U nie ma podstaw do odrzucenia H 0. 3 jeżeli DW = 2 to brak jest autokorelacji.
17 Test Durbina-Watsona Wady testu
18 Test Durbina-Watsona Wady testu 1 wykrywa jedynie autokorelację pierwszego rzędu
19 Test Durbina-Watsona Wady testu 1 wykrywa jedynie autokorelację pierwszego rzędu 2 wartości krytycznych nie można uzyskać analitycznie
20 Test Durbina-Watsona Wady testu 1 wykrywa jedynie autokorelację pierwszego rzędu 2 wartości krytycznych nie można uzyskać analitycznie 3 obszar braku konkluzji
21 Test Durbina-Watsona Wady testu 1 wykrywa jedynie autokorelację pierwszego rzędu 2 wartości krytycznych nie można uzyskać analitycznie 3 obszar braku konkluzji 4 niska moc testu
22 Test Durbina - Watsona - przykład. reg gnp armed_forces employment Source SS df MS Number of obs = F( 2, 13) = Model e e+10 Prob > F = Residual e R-squared = Adj R-squared = Total e e+09 Root MSE = gnp Coef. Std. Err. t P> t [95% Conf. Interval] armed_forces employment _cons estat dwatson Durbin-Watson d-statistic( 3, 16) =
23 Test Breuscha-Godfreya Test oparty o mnożniki Lagrange a.
24 Test Breuscha-Godfreya Test oparty o mnożniki Lagrange a. Jest w stanie wykryć obecność autokorelacji wyższych rzędów.
25 Test Breuscha-Godfreya Test oparty o mnożniki Lagrange a. Jest w stanie wykryć obecność autokorelacji wyższych rzędów. Weryfikowana hipoteza H 0 : brak autokorelacji H 1 : ε i = AR(p) ε i = MA(p)
26 Test Breuscha-Godfreya Test oparty o mnożniki Lagrange a. Jest w stanie wykryć obecność autokorelacji wyższych rzędów. Weryfikowana hipoteza H 0 : brak autokorelacji H 1 : ε i = AR(p) ε i = MA(p) W obu przypadkach taka sama statystyka testowa LM = TR 2 0 (1)
27 Test Breuscha-Godfreya Można jej wartość obliczyć dwoma metodami:
28 Test Breuscha-Godfreya Można jej wartość obliczyć dwoma metodami: 1 Sposób 1. szacujemy wartości parametrów równania regresji
29 Test Breuscha-Godfreya Można jej wartość obliczyć dwoma metodami: 1 Sposób 1. szacujemy wartości parametrów równania regresji bierzemy wektor reszt i przeprowadzamy regresję pomocniczą e t = γ 0 + γ 1e t 1 + γ 2e t γ pe t p + ξ t
30 Test Breuscha-Godfreya Można jej wartość obliczyć dwoma metodami: 1 Sposób 1. szacujemy wartości parametrów równania regresji bierzemy wektor reszt i przeprowadzamy regresję pomocniczą e t = γ 0 + γ 1e t 1 + γ 2e t γ pe t p + ξ t następnie obliczamy współczynnik LM = TR 2 0. Statystyka testowa ma rozkład χ 2 (p)
31 Test Breuscha-Godfreya Można jej wartość obliczyć dwoma metodami: 1 Sposób 1. szacujemy wartości parametrów równania regresji bierzemy wektor reszt i przeprowadzamy regresję pomocniczą e t = γ 0 + γ 1e t 1 + γ 2e t γ pe t p + ξ t następnie obliczamy współczynnik LM = TR 2 0. Statystyka testowa ma rozkład χ 2 (p) 2 Sposób 2. Zaczynamy od wyjściowego modelu
32 Test Breuscha-Godfreya Można jej wartość obliczyć dwoma metodami: 1 Sposób 1. szacujemy wartości parametrów równania regresji bierzemy wektor reszt i przeprowadzamy regresję pomocniczą e t = γ 0 + γ 1e t 1 + γ 2e t γ pe t p + ξ t następnie obliczamy współczynnik LM = TR 2 0. Statystyka testowa ma rozkład χ 2 (p) 2 Sposób 2. Zaczynamy od wyjściowego modelu do oryginalnego równania regresji dodajemy p kolumn, zawierających opóźnione reszty y t = X tβ + γ 1e t 1 + γ 2e t γ pe t p + ψ t
33 Test Breuscha-Godfreya Można jej wartość obliczyć dwoma metodami: 1 Sposób 1. szacujemy wartości parametrów równania regresji bierzemy wektor reszt i przeprowadzamy regresję pomocniczą e t = γ 0 + γ 1e t 1 + γ 2e t γ pe t p + ξ t następnie obliczamy współczynnik LM = TR 2 0. Statystyka testowa ma rozkład χ 2 (p) 2 Sposób 2. Zaczynamy od wyjściowego modelu do oryginalnego równania regresji dodajemy p kolumn, zawierających opóźnione reszty y t = X tβ + γ 1e t 1 + γ 2e t γ pe t p + ψ t sprawdzamy łączną istotność opóźnionych reszt za pomocą statystyki LM = TR 2 0. Ma ona rozkład χ 2 (p)
34 Test Breuscha - Godfreya - przykład. estat bgodfrey, lags(1 2 3) Breusch-Godfrey LM test for autocorrelation lags(p) chi2 df Prob > chi H0: no serial correlation. estat bgodfrey, lags(1 2 3) small Breusch-Godfrey LM test for autocorrelation lags(p) F df Prob > F ( 1, 12 ) ( 2, 11 ) ( 3, 10 )
35 Test RESET Testy własności składnika losowego Diagnostyka Poszukiwanie formy modelu Test poprawności specyfikacji formy funkcyjnej modelu
36 Test RESET Testy własności składnika losowego Diagnostyka Poszukiwanie formy modelu Test poprawności specyfikacji formy funkcyjnej modelu Regression Equation Specification Error Test
37 Test RESET Testy własności składnika losowego Diagnostyka Poszukiwanie formy modelu Test poprawności specyfikacji formy funkcyjnej modelu Regression Equation Specification Error Test Do modelu regresji liniowej y = X β + ε
38 Test RESET Testy własności składnika losowego Diagnostyka Poszukiwanie formy modelu Test poprawności specyfikacji formy funkcyjnej modelu Regression Equation Specification Error Test Do modelu regresji liniowej y = X β + ε Dodajemy macierz dodatkowych regresorów Z y = X β + Zγ + ε
39 Test RESET Testy własności składnika losowego Diagnostyka Poszukiwanie formy modelu Test poprawności specyfikacji formy funkcyjnej modelu Regression Equation Specification Error Test Do modelu regresji liniowej y = X β + ε Dodajemy macierz dodatkowych regresorów Z y = X β + Zγ + ε Weryfikujemy hipotezę H 0 : γ = 0
40 Test RESET Testy własności składnika losowego Diagnostyka Poszukiwanie formy modelu Procedura testowa jest analogiczna do testu łącznej istotności
41 Test RESET Testy własności składnika losowego Diagnostyka Poszukiwanie formy modelu Procedura testowa jest analogiczna do testu łącznej istotności Statystyka testowa ma rozkład F (r(z), N k)
42 Test RESET Testy własności składnika losowego Diagnostyka Poszukiwanie formy modelu Procedura testowa jest analogiczna do testu łącznej istotności Statystyka testowa ma rozkład F (r(z), N k) Alternatywna postać testu wykorzystuje rozwinięcie w szereg Taylora y = γ 0 + γ 1 X β + γ 2 (X β) γ p (X β) p + ε
43 Test RESET Testy własności składnika losowego Diagnostyka Poszukiwanie formy modelu Procedura testowa jest analogiczna do testu łącznej istotności Statystyka testowa ma rozkład F (r(z), N k) Alternatywna postać testu wykorzystuje rozwinięcie w szereg Taylora y = γ 0 + γ 1 X β + γ 2 (X β) γ p (X β) p + ε Podstawiając wartość dopasowaną uzyskujemy y = γ 0 + γ 1 ŷ + γ 2 ŷ γ p ŷ p + ε
44 Test RESET Testy własności składnika losowego Diagnostyka Poszukiwanie formy modelu Procedura testowa jest analogiczna do testu łącznej istotności Statystyka testowa ma rozkład F (r(z), N k) Alternatywna postać testu wykorzystuje rozwinięcie w szereg Taylora y = γ 0 + γ 1 X β + γ 2 (X β) γ p (X β) p + ε Podstawiając wartość dopasowaną uzyskujemy Test łącznej istotności y = γ 0 + γ 1 ŷ + γ 2 ŷ γ p ŷ p + ε LM = nr 2 a χ 2 (p)
45 Test RESET - przykład duża próba Diagnostyka Poszukiwanie formy modelu. estat ovtest, rhs (note: wiek2 dropped because of collinearity) (note: wiek2^2 dropped because of collinearity) Ramsey RESET test using powers of the independent variables Ho: model has no omitted variables F(5, 16141) = Prob > F = estat ovtest Ramsey RESET test using powers of the fitted values of lzarobki Ho: model has no omitted variables F(3, 16142) = Prob > F =
46 Test RESET - przykład mała próba Diagnostyka Poszukiwanie formy modelu. estat ovtest, rhs (note: wiek2 dropped because of collinearity) (note: wiek2^2 dropped because of collinearity) Ramsey RESET test using powers of the independent variables Ho: model has no omitted variables F(5, 158) = 0.87 Prob > F = estat ovtest Ramsey RESET test using powers of the fitted values of lzarobki Ho: model has no omitted variables F(3, 159) = 0.25 Prob > F =
47 Przekształcenie Boxa-Coxa Diagnostyka Poszukiwanie formy modelu Forma przekształcenia g(x, λ) = x λ 1 λ
48 Diagnostyka Poszukiwanie formy modelu Przekształcenie Boxa-Coxa - przykład Number of obs = LR chi2(16) = Log likelihood = Prob > chi2 = zarobki Coef. Std. Err. z P> z [95% Conf. Interval] /theta Estimates of scale-variant parameters Coef Notrans _Iplec_ wiek wiek _Iwyksztal~ _Iwyksztal~ _Iwyksztal~ _Iwyksztal~ _Iwyksztal~ _Iwyksztal~ _Iklm_12_ _Iklm_12_ _Iklm_12_ _Iklm_12_ _Iklm_12_ _Iklm_12_ _Iklm_12_ _cons /sigma
49 Diagnostyka Poszukiwanie formy modelu Przekształcenie Boxa-Coxa - przykład Test Restricted LR statistic P-value H0: log likelihood chi2 Prob > chi theta = theta = theta =
50 Rozszerzenia regresji Diagnostyka Poszukiwanie formy modelu 1 modele wielomianowe
51 Rozszerzenia regresji Diagnostyka Poszukiwanie formy modelu 1 modele wielomianowe 2 modele schodkowe
52 Rozszerzenia regresji Diagnostyka Poszukiwanie formy modelu 1 modele wielomianowe 2 modele schodkowe 3 modele krzywej łamanej
Wprowadzenie 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 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 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 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 szczegółowo1.8 Diagnostyka modelu
1.8 Diagnostyka modelu Dotychczas zajmowaliśmy się własnościami estymatorów przy spełnionych założeniach KMRL. W praktyce nie zawsze spełnione są wszystkie założenia modelu. Jeżeli któreś z nich nie jest
Bardziej 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 Ćwiczenia 19/01/05
Oszacowano regresję stopy bezrobocia (unemp) na wzroście realnego PKB (pkb) i stopie inflacji (cpi) oraz na zmiennych zero-jedynkowych związanymi z kwartałami (season). Regresję przeprowadzono na danych
Bardziej szczegółowoDiagnostyka w Pakiecie Stata
Karol Kuhl Zgodnie z twierdzeniem Gaussa-Markowa, estymator MNK w KMRL jest liniowym estymatorem efektywnym i nieobciążonym, co po angielsku opisuje się za pomocą wyrażenia BLUE Best Linear Unbiased Estimator.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 10
Stanisław Cichocki Natalia Nehrebecka Wykład 10 1 1. Testy diagnostyczne Testowanie prawidłowości formy funkcyjnej: test RESET Testowanie normalności składników losowych: test Jarque-Berra Testowanie stabilności
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Autokorelacja Konsekwencje Testowanie autokorelacji 2. Metody radzenia sobie z heteroskedastycznością i autokorelacją Uogólniona Metoda Najmniejszych
Bardziej 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 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 szczegółowoTEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.
TEST STATYSTYCZNY Testem statystycznym nazywamy regułę postępowania rozstrzygająca, przy jakich wynikach z próby hipotezę sprawdzaną H 0 należy odrzucić, a przy jakich nie ma podstaw do jej odrzucenia.
Bardziej 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 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 szczegółowoEkonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 02/02/2011 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej 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 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 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 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 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 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 szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natalia Nehrebecka Stanisław Cichocki Wykład 10 1 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 12
Stanisław Cichocki Natalia Nehrebecka Wykład 1 1 1. Testy diagnostyczne Testowanie stabilności parametrów modelu: test Chowa. Heteroskedastyczność Konsekwencje Testowanie heteroskedastyczności 1. Testy
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Testowanie autokorelacji 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji 3.Problemy z danymi Zmienne pominięte
Bardziej 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 szczegółowoBudowa modelu i testowanie hipotez
Problemy metodologiczne Gdzie jest problem? Obciążenie Lovella Dysponujemy oszacowaniami parametrów następującego modelu y t = β 0 + β 1 x 1 +... + β k x k + ε t Gdzie jest problem? Obciążenie Lovella
Bardziej szczegółowoEkonometria egzamin 31/01/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 31/01/2018 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoEkonometria egzamin wersja Informatyka i Ekonometria 26/06/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja Informatyka i Ekonometria 26/06/08 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz
Bardziej 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 szczegółowoNatalia Nehrebecka. 18 maja 2010
Natalia Nehrebecka 18 maja 2010 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów 5. Testowanie
Bardziej szczegółowoEkonometria egzamin wersja Informatyka i Ekonometria 29/01/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja Informatyka i Ekonometria 29/0/08. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz
Bardziej szczegółowo1 Metoda Najmniejszych Kwadratów (MNK) 2 Interpretacja parametrów modelu. 3 Klasyczny Model Regresji Liniowej (KMRL)
1 Metoda Najmniejszych Kwadratów (MNK) 1. Co to jest zmienna endogeniczna, a co to zmienne egzogeniczna? 2. Podaj postać macierzy obserwacji dla modelu y t = a + bt + ε t 3. Co to jest wartość dopasowana,
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natalia Nehrebecka Stanisław Cichocki Wykład 10 1 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej 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 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 szczegółowoHeteroscedastyczność. Zjawisko heteroscedastyczności Uogólniona Metoda Najmniejszych Kwadratów Stosowalna Metoda Najmniejszych Kwadratów
Formy heteroscedastyczności Własności estymatorów MNK wydatki konsumpcyjne 0 10000 20000 30000 40000 14.4 31786.08 dochód rozporz¹dzalny Zródlo: Obliczenia wlasne, dane BBGD 2004 Formy heteroscedastyczności
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
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 egzamin 07/03/2018
imię, nazwisko, nr indeksu: Ekonometria egzamin 07/03/2018 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowo2.2 Autokorelacja Wprowadzenie
2.2 Autokorelacja 2.2.1 Wprowadzenie Przy wyprowadzaniu estymatorów Klasycznego Modelu Regresji Liniowej (KMRL) zakładaliśmy, że są spełnione założenia Gaussa-Markowa, tzn. składniki losowe są homoscedastyczne
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 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 szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natala Nehrebecka Stansław Cchock Wykład 10 1 1. Testy dagnostyczne 2. Testowane prawdłowośc formy funkcyjnej modelu 3. Testowane normalnośc składnków losowych 4. Testowane stablnośc parametrów 5. Testowane
Bardziej szczegółowoEgzamin z ekonometrii wersja ogolna
Egzamin z ekonometrii wersja ogolna 04-02-2016 Pytania teoretyczne 1. Wymienić założenia Klasycznego Modelu Regresji Liniowej (KMRL). 2. Wyprowadzić estymator MNK dla modelu z wieloma zmiennymi objaśniającymi.
Bardziej 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 szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Egzamin z ekonometrii wersja IiE, MSEMAT 02022015 Pytania teoretyczne 1. Podać treść twierdzenia GaussaMarkowa i wyjaśnić jego znaczenie. 2. Za pomocą jakich testów testuje się autokorelację? Jakiemu założeniu
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoEkonometria egzamin 06/03/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 06/03/2019 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMat Pytania teoretyczne
Egzamin z ekonometrii wersja IiE, MSEMat 31-01-2014 Pytania teoretyczne 1. Podać postać przekształcenia Boxa-Coxa i wyjaśnić, do czego jest stosowane w ekonometrii. 2. Wyjaśnić, jakie korzyści i niebezpieczeństwa
Bardziej szczegółowoAutoregresyjne modele o rozłożonych opóźnieniach - Autoregressive Distributed Lags models
Autoregresyjne modele o rozłożonych opóźnieniach - Autoregressive Distributed Lags models ADL ADL Ogólna postać modelu ADL o p-opóźnieniach zmiennej zależnej i r-opóźnieniach zmiennej/zmiennych objaśniających
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 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 szczegółowoEkonometria. Ćwiczenia nr 3. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Ćwiczenia nr 3 Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 3 Własności składnika losowego 1 / 18 Agenda KMNK przypomnienie 1 KMNK przypomnienie 2 3 4 Jakub Mućk
Bardziej 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 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 szczegółowoEkonometria egzamin wersja ogólna 17/06/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja ogólna 17/06/08 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów 5. Testowanie
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 10
Stanisław Cichoci Natalia Nehrebeca Wyład 10 1 1. Testowanie hipotez prostych Rozład estymatora b Testowanie hipotez prostych przy użyciu statystyi t Przedziały ufności Badamy czy hipotezy teoretyczne
Bardziej 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 szczegółowoEkonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 01/02/2019 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowo, a reszta dla pominiętej obserwacji wynosi 0, RSS jest stałe, T SS rośnie, więc zarówno R 2 jak i R2 rosną. R 2 = 1 n 1 n. rosnie. n 2 (1 R2 ) = 1 59
Zadanie 1. Ekonometryk szacując funkcję konsumpcji przeprowadził estymację osobno dla tzw. Polski A oraz Polski B. Dla Polski A posiadał n 1 = 40 obserwacji i uzyskał współczynnik dopasowania RA 2 = 0.4,
Bardziej 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 szczegółowoJednowskaźnikowy model Sharpe`a
Uniwersytet Warszawski Wydział Nauk Ekonomicznych Milena Jamroziak i Paweł Androszczuk Model ekonometryczny Jednowskaźnikowy model Sharpe`a dla akcji Amici Praca zaliczeniowa napisana pod kierunkiem mgr
Bardziej szczegółowoEgzamin z ekonometrii wersja ogólna Pytania teoretyczne
Egzamin z ekonometrii wersja ogólna 31-01-2014 Pytania teoretyczne 1. Podać postać przekształcenia Boxa-Coxa i wyjaśnić, do czego jest stosowane w ekonometrii. 2. Porównaj zastosowania znanych ci kontrastów
Bardziej 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 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 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 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 szczegółowoEkonometria. Własności składnika losowego. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Własności składnika losowego Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 1 / 31 Agenda KMNK przypomnienie 1 KMNK przypomnienie 2 3 4
Bardziej 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 szczegółowoStanisław Cichocki. Natalia Neherbecka. Zajęcia 13
Stanisław Cichocki Natalia Neherbecka Zajęcia 13 1 1. Kryteria informacyjne 2. Testowanie autokorelacji 3. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych
Bardziej szczegółowoZadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.
tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1
Bardziej szczegółowoStanisław Cihcocki. Natalia Nehrebecka
Stanisław Cihcocki Natalia Nehrebecka 1 1. Kryteria informacyjne 2. Testowanie autokorelacji w modelu 3. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych opóźnieniach
Bardziej szczegółowo1.7 Ograniczenia nakładane na równanie regresji
1.7 Ograniczenia nakładane na równanie regresji Często teoria ekonomiczna wskazuje dobór zmiennych do modelu. Jednak nie w każdym przypadku oceny wartości parametrów są statystycznie istotne. Zastanowimy
Bardziej szczegółowoEkonometria egzamin wersja ogólna 29/01/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja ogólna 29/0/08. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca
Bardziej szczegółowoModele wielorównaniowe (forma strukturalna)
Modele wielorównaniowe (forma strukturalna) Formę strukturalna modelu o G równaniach AY t = BX t + u t, gdzie Y t = [y 1t,..., y Gt ] X t = [x 1t,..., x Kt ] u t = [u 1t,..., u Gt ] E (u t ) = 0 Var (u
Bardziej szczegółowo1. Obserwacje nietypowe
1. Obserwacje nietypowe Przeanalizujemy następujący eksperyment: 1) Generujemy zmienną x z rozkładu N (,1) (37 obserwacji). ) Generujemy zmienną y w następujący sposób: y = 1+ x + ε, gdzie ε ~ N(0,1).
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 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 szczegółowoEkonometria. Zajęcia
Ekonometria Zajęcia 16.05.2018 Wstęp hipoteza itp. Model gęstości zaludnienia ( model gradientu gęstości ) zakłada, że gęstość zaludnienia zależy od odległości od okręgu centralnego: y t = Ae βx t (1)
Bardziej szczegółowoEkonometria. Weryfikacja modelu. Paweł Cibis 12 maja 2007
Weryfikacja modelu Paweł Cibis pawel@cibis.pl 12 maja 2007 1 Badanie normalności rozkładu elementu losowego Test Hellwiga dla małej próby Test Kołmogorowa dla dużej próby 2 Testy Pakiet Analiza Danych
Bardziej 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 szczegółowoProjekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015
Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015 Nr indeksu... Imię i Nazwisko... Nr grupy ćwiczeniowej... Imię i Nazwisko prowadzącego... 1. Specyfikacja modelu
Bardziej szczegółowoPrzykład 2. Stopa bezrobocia
Przykład 2 Stopa bezrobocia Stopa bezrobocia. Komentarz: model ekonometryczny stopy bezrobocia w Polsce jest modelem nieliniowym autoregresyjnym. Podobnie jak model podaŝy pieniądza zbudowany został w
Bardziej szczegółowoEkonometria 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 szczegółowo2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Sprawdzanie założeń przyjętych o modelu (etap IIIC przyjętego schematu modelowania regresyjnego) 1. Szum 2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Bardziej szczegółowoDr Łukasz Goczek. Uniwersytet Warszawski
Dr Łukasz Goczek Uniwersytet Warszawski Dane krótko i długookresowe stopy procentowe Co wiemy z teorii? Krótkookresowe stopy powodują stopami długookresowymi (toteż taka jest idea bezpośredniego celu
Bardziej szczegółowoEgzamin z Ekonometrii
Pytania teoretyczne Egzamin z Ekonometrii 18.06.2015 1. Opisać procedurę od ogólnego do szczegółowego na przykładzie doboru liczby opóźnień w modelu. 2. Na czym polega najważniejsza różnica między testowaniem
Bardziej szczegółowoProjekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018
Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018 Nr indeksu... Imię i Nazwisko... Nr grupy ćwiczeniowej... Imię i Nazwisko prowadzącego... 1. Specyfikacja modelu
Bardziej szczegółowoAnaliza szeregów czasowych bezrobocia i inflacji w Danii
Uniwersytet Warszawski Wydział Nauk Ekonomicznych Mateusz Błażej Nr albumu: 308521 Analiza szeregów czasowych bezrobocia i inflacji w Danii Projekt zaliczeniowy z przedmiotu: Analiza Szeregów Czasowych
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 szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 8
Stanisław Cichocki Natalia Nehrebecka Zajęcia 8 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Problemy z danymi Obserwacje nietypowe i błędne Współliniowość. Heteroskedastycznośd i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji
Bardziej szczegółowoO sezonowości mówimy wtedy, gdy zmienna zmienia się w pewnym cyklu zwykle zwiazanym z cyklem rocznym
Sezonowość O sezonowości mówimy wtedy, gdy zmienna zmienia się w pewnym cyklu zwykle zwiazanym z cyklem rocznym Na przykład zmienne kwartalne charakteryzuja się zwykle sezonowościa kwartalna a zmienne
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 11
Stansław Cchock Natala Nehrebecka Wykład 11 1 1. Testowane hpotez łącznych 2. Testy dagnostyczne Testowane prawdłowośc formy funkcyjnej: test RESET Testowane normalnośc składnków losowych: test Jarque-Berra
Bardziej szczegółowoZmienne Binarne w Pakiecie Stata
Karol Kuhl Zbiór (hipotetyczny) dummy.dta zawiera dane, na podstawie których prowadzono analizy opisane poniżej. Nazwy zmiennych oznaczają: doch dochód w jednostkach pieniężnych; plec płeć: kobieta (0),
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 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 szczegółowoĆwiczenia IV
Ćwiczenia IV - 17.10.2007 1. Spośród podanych macierzy X wskaż te, których nie można wykorzystać do estymacji MNK parametrów modelu ekonometrycznego postaci y = β 0 + β 1 x 1 + β 2 x 2 + ε 2. Na podstawie
Bardziej szczegółowo