Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość?
|
|
|
- Stanisława Bielecka
- 7 lat temu
- Przeglądów:
Transkrypt
1 Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość? Wykres stopy bezrobocia rejestrowanego w okresie , dane Polskie stopa Wykres podaży pieniądza M1 okresie , dane Polskie M
2 2. Czy wykres ΔM1 sugeruje, że zmienna jest stacjonarna? Wykres pierwszych różnic M d_m Czy wykres Δln(M1) sugeruje, że zmienna jest stacjonarna? d_l_m
3 4. Przeprowadzono test DF dla ln(m1) i otrzymano następujące wyniki: TABELA 1 Test Dickeya-Fullera dla zmiennej l_m1 liczebność próby 133 Hipoteza zerowa: występuje pierwiastek jednostkowy a = 1; proces I(1) test bez wyrazu wolnego (const) model: (1 - L)y = (a-1)*y(-1) + e rząd opóźnienia: 0 Autokorelacja reszt rzędu pierwszego: -0,312 estymowana wartość (a-1) wynosi: 0, Statystyka testu: tau_nc(1) = 4,73378 wartość p 1 Równanie regresji testu Dickeya-Fullera Estymacja KMNK z wykorzystaniem 133 obserwacji 1996: :02 l_m1_1 0, , ,734 5,60E-06 *** TABELA 2 test z wyrazem wolnym (const) model: (1 - L)y = b0 + (a-1)*y(-1) + e rząd opóźnienia: 0 Autokorelacja reszt rzędu pierwszego: -0,318 estymowana wartość (a-1) wynosi: 0, Statystyka testu: tau_c(1) = 0, wartość p 0,9906 Równanie regresji testu Dickeya-Fullera Estymacja KMNK z wykorzystaniem 133 obserwacji 1996: :02 const -0, , ,4745 0,6359 l_m1_1 0, , ,6506 0,5164 TABELA 3 z wyrazem wolnym i trendem liniowym model: (1 - L)y = b0 + b1*t + (a-1)*y(-1) + e rząd opóźnienia: 0 Autokorelacja reszt rzędu pierwszego: -0,253 estymowana wartość (a-1) wynosi: -0, Statystyka testu: tau_ct(1) = -2,18334 wartość p 0,4945 Równanie regresji testu Dickeya-Fullera Estymacja KMNK z wykorzystaniem 133 obserwacji 1996: :02 const 0, , ,202 0,0295 ** l_m1_1-0, , ,183 0,0308 ** time 0, , ,313 0,0223 ** 3
4 Następnie przeprowadzono test Breuscha Godfreya na występowanie autokorelacji: TABELA 4 Model 1: Estymacja KMNK z wykorzystaniem 133 obserwacji 1996: :02 const 0, , ,202 0,0295 ** l_m1_1-0, , ,183 0,0308 ** time 0, , ,313 0,0223 ** Średnia arytmetyczna zmiennej zależnej = 0, Odchylenie standardowe zmiennej zależnej = 0, Suma kwadratów reszt = 0, Błąd standardowy reszt = 0, Wsp. determinacji R-kwadrat = 0,04262 Skorygowany wsp. R-kwadrat = 0,02789 Statystyka F (2, 130) = 2,89353 (wartość p = 0,059) Statystyka testu Durbina-Watsona = 2,46011 Autokorelacja reszt rzędu pierwszego = -0, Logarytm wiarygodności = 284,911 Kryterium informacyjne Akaike'a (AIC) = -563,823 Kryterium bayesowskie Schwarza (BIC) = -555,152 Kryterium infor. Hannana-Quinna (HQC) = -560,299 TABELA 5 Test Breuscha-Godfreya na autokorelację rzędu pierwszego Estymacja KMNK z wykorzystaniem 133 obserwacji 1996: :02 Zmienna zależna: uhat const -0, , ,411 0,1607 l_m1_1 0, , ,411 0,1607 time -0, , ,393 0,1659 uhat_1-0, , ,303 0,0012 *** Wsp. determinacji R-kwadrat = 0,07799 Statystyka testu: LMF = 10,911748, z wartością p = P(F(1,129) > 10,9117) = 0,00124 Statystyka testu: TR^2 = 10,372699, z wartością p = P(Chi-kwadrat(1) > 10,3727) = 0,00128 Ljung-Box Q' = 8,64527 z wartością p = P(Chi-kwadrat(1) > 8,64527) = 0,
5 TABELA 6 Test Breuscha-Godfreya na autokorelację do rzędu 2 Estymacja KMNK z wykorzystaniem 133 obserwacji 1996: :02 Zmienna zależna: uhat const -0, , ,698 0,0920 * l_m1_1 0, , ,698 0,0920 * time -0, , ,681 0,0951 * uhat_1-0, , ,420 0,0008 *** uhat_2-0, , ,9945 0,3219 Wsp. determinacji R-kwadrat = 0,08506 Statystyka testu: LMF = 5,949910, z wartością p = P(F(2,128) > 5,94991) = 0,00338 Statystyka testu: TR^2 = 11,312924, z wartością p = P(Chi-kwadrat(2) > 11,3129) = 0,00349 Ljung-Box Q' = 8,82352 z wartością p = P(Chi-kwadrat(2) > 8,82352) = 0, Przeprowadzono test ADF dla ln(m1) i otrzymano następujące wyniki: TABELA 7 Test Dickeya-Fullera dla zmiennej l_m1 liczebność próby 132 Hipoteza zerowa: występuje pierwiastek jednostkowy a = 1; proces I(1) test bez wyrazu wolnego (const) model: (1 - L)y = (a-1)*y(-1) e rząd opóźnienia: 1 Autokorelacja reszt rzędu pierwszego: -0,064 estymowana wartość (a-1) wynosi: 0, Statystyka testu: tau_nc(1) = 6,37519 asymptotyczna wartość p = 1 Równanie regresji rozszerzonego testu Dickeya-Fullera Estymacja KMNK z wykorzystaniem 132 obserwacji 1996: :02 l_m1_1 0, , ,375 2,93E-09 *** d_l_m1_1-0, , ,844 0,0002 *** 5
6 TABELA 8 test z wyrazem wolnym (const) model: (1 - L)y = b0 + (a-1)*y(-1) e rząd opóźnienia: 1 Autokorelacja reszt rzędu pierwszego: -0,065 estymowana wartość (a-1) wynosi: 0, Statystyka testu: tau_c(1) = 0, asymptotyczna wartość p = 0,995 Równanie regresji rozszerzonego testu Dickeya-Fullera Estymacja KMNK z wykorzystaniem 132 obserwacji 1996: :02 const -0, , ,6028 0,5477 l_m1_1 0, , ,8564 0,3934 d_l_m1_1-0, , ,880 0,0002 *** TABELA 9 z wyrazem wolnym i trendem liniowym model: (1 - L)y = b0 + b1*t + (a-1)*y(-1) e rząd opóźnienia: 1 Autokorelacja reszt rzędu pierwszego: -0,054 estymowana wartość (a-1) wynosi: -0, Statystyka testu: tau_ct(1) = -1,15859 asymptotyczna wartość p = 0,9175 Równanie regresji rozszerzonego testu Dickeya-Fullera Estymacja KMNK z wykorzystaniem 132 obserwacji 1996: :02 const 0, , ,189 0,2368 l_m1_1-0, , ,159 0,2488 d_l_m1_1-0, , ,472 0,0007 *** time 0, , ,304 0,9175 6
7 Następnie przeprowadzono test Breuscha Godfreya na występowanie autokorelacji: TABELA 10 Model 2: Estymacja KMNK z wykorzystaniem 132 obserwacji 1996: :02 const 0, , ,189 0,2368 l_m1_1-0, , ,159 0,2488 time 0, , ,304 0,1947 d_l_m1_1-0, , ,472 0,0007 *** Średnia arytmetyczna zmiennej zależnej = 0, Odchylenie standardowe zmiennej zależnej = 0, Suma kwadratów reszt = 0, Błąd standardowy reszt = 0, Wsp. determinacji R-kwadrat = 0,11686 Skorygowany wsp. R-kwadrat = 0,09617 Statystyka F (3, 128) = 5,64606 (wartość p = 0,00115) Statystyka testu Durbina-Watsona = 2,09606 Autokorelacja reszt rzędu pierwszego = -0, Statystyka testu Durbina h = -2,3607 Logarytm wiarygodności = 291,075 Kryterium informacyjne Akaike'a (AIC) = -574,151 Kryterium bayesowskie Schwarza (BIC) = -562,62 Kryterium infor. Hannana-Quinna (HQC) = -569,465 TABELA 11 Test LM na autokorelację rzędu 1 - Hipoteza zerowa: brak autokorelacji składnika losowego Statystyka testu: LMF = 3,03215 z wartością p = P(F(1,127) > 3,03215) = 0, Test Breuscha-Godfreya na autokorelację rzędu pierwszego Estymacja KMNK z wykorzystaniem 132 obserwacji 1996: :02 Zmienna zależna: uhat const -0, , ,7536 0,4525 l_m1_1 0, , ,7488 0,4554 time -0, , ,7894 0,4314 d_l_m1_1 0, , ,608 0,1104 uhat_1-0, , ,741 0,0841 * Wsp. determinacji R-kwadrat = 0,02332 Statystyka testu: LMF = 3,032147, z wartością p = P(F(1,127) > 3,03215) = 0,0841 Statystyka testu: TR^2 = 3,078034, z wartością p = P(Chi-kwadrat(1) > 3,07803) = 0,0794 Ljung-Box Q' = 0, z wartością p = P(Chi-kwadrat(1) > 0,391187) = 0,532 7
8 TABELA 11 Test Breuscha-Godfreya na autokorelację do rzędu 2 Estymacja KMNK z wykorzystaniem 132 obserwacji 1996: :02 Zmienna zależna: uhat const -0, , ,7326 0,4652 l_m1_1 0, , ,7243 0,4702 time -0, , ,7926 0,4295 d_l_m1_1 0, , ,651 0,1013 uhat_1-0, , ,798 0,0745 * uhat_2 0, , ,7891 0,4315 Wsp. determinacji R-kwadrat = 0,02812 Statystyka testu: LMF = 1,822895, z wartością p = P(F(2,126) > 1,8229) = 0,166 Statystyka testu: TR^2 = 3,711994, z wartością p = P(Chi-kwadrat(2) > 3,71199) = 0,156 Ljung-Box Q' = 0, z wartością p = P(Chi-kwadrat(2) > 0,714736) = 0,7 8
9 4. Przeprowadzono test DF dla Δln(M1) i otrzymano następujące wyniki: TABELA 12 Test Dickeya-Fullera dla zmiennej d_l_m1 liczebność próby 132 Hipoteza zerowa: występuje pierwiastek jednostkowy a = 1; proces I(1) test bez wyrazu wolnego (const) model: (1 - L)y = (a-1)*y(-1) + e rząd opóźnienia: 0 Autokorelacja reszt rzędu pierwszego: 0,011 estymowana wartość (a-1) wynosi: -1,11095 Statystyka testu: tau_nc(1) = -12,9886 wartość p 6,389e-058 Równanie regresji testu Dickeya-Fullera Estymacja KMNK z wykorzystaniem 132 obserwacji 1996: :02 Zmienna zależna: d_d_l_m1 d_l_m1_1-1, , ,99 2,65E-025 *** Następnie przeprowadzono test Breuscha Godfreya na występowanie autokorelacji: TABELA 13 Model 3: Estymacja KMNK z wykorzystaniem 132 obserwacji 1996: :02 Zmienna zależna: d_d_l_m1 d_l_m1 1, , ,65 1,88E-024 *** Średnia arytmetyczna zmiennej zależnej = 0, Odchylenie standardowe zmiennej zależnej = 0, Suma kwadratów reszt = 0, Błąd standardowy reszt = 0, Wsp. determinacji R-kwadrat = 0,54970 Skorygowany wsp. R-kwadrat = 0,54970 Centrowany R-kwadrat = 0,54967 Statystyka F (1, 131) = 159,917 (wartość p < 0,00001) Statystyka testu Durbina-Watsona = 1,88934 Autokorelacja reszt rzędu pierwszego = 0, Logarytm wiarygodności = 270,1 Kryterium informacyjne Akaike'a (AIC) = -538,2 Kryterium bayesowskie Schwarza (BIC) = -535,318 Kryterium infor. Hannana-Quinna (HQC) = -537,029 9
10 TABELA 14 Test Breuscha-Godfreya na autokorelację rzędu pierwszego Estymacja KMNK z wykorzystaniem 133 obserwacji 1996: :02 Zmienna zależna: uhat d_l_m1 0, , , ,9714 uhat_1 0, , ,2676 0,7895 Wsp. determinacji R-kwadrat = 0,00055 Centrowany R-kwadrat = -0,22746 Statystyka testu: LMF = 0,071587, z wartością p = P(F(1,131) > 0, ) = 0,789 Statystyka testu: TR^2 = 0,072641, z wartością p = P(Chi-kwadrat(1) > 0, ) = 0,788 Ljung-Box Q' = 5,60387 z wartością p = P(Chi-kwadrat(1) > 5,60387) = 0,0179 TABELA 15 Test Breuscha-Godfreya na autokorelację do rzędu 2 Estymacja KMNK z wykorzystaniem 133 obserwacji 1996: :02 Zmienna zależna: uhat d_l_m1 0, , ,5651 0,5729 uhat_1 0, , ,3420 0,7329 uhat_2 0, , ,057 0,0416 ** Wsp. determinacji R-kwadrat = 0,03206 Centrowany R-kwadrat = -0,18876 Statystyka testu: LMF = 2,153188, z wartością p = P(F(2,130) > 2,15319) = 0,12 Statystyka testu: TR^2 = 4,264489, z wartością p = P(Chi-kwadrat(2) > 4,26449) = 0,119 Ljung-Box Q' = 5,67377 z wartością p = P(Chi-kwadrat(2) > 5,67377) = 0,
11 Zadanie 2 Dla przeprowadzenia modelu ADL dla zależności stopy wzrostu konsumpcji benzyny od stopy wzrostu dochodu oraz od stopy wzrostu cen benzyny w latach 1960 i stopa wzrostu konsumpcji benzyny - st_g stopa wzrostu cen benzyny - st_pg stopa wzrostu dochodu - st_y TABELA 1 Test Dickeya-Fullera dla zmiennej st_g liczebność próby 34 Hipoteza zerowa: występuje pierwiastek jednostkowy a = 1; proces I(1) test bez wyrazu wolnego (const) model: (1 - L)y = (a-1)*y(-1) + e rząd opóźnienia: 0 Autokorelacja reszt rzędu pierwszego: -0,061 estymowana wartość (a-1) wynosi: -0, Statystyka testu: tau_nc(1) = -3,05008 wartość p 0,00335 Równanie regresji testu Dickeya-Fullera Estymacja KMNK z wykorzystaniem 34 obserwacji Zmienna zależna: d_st_g st_g_1-0, , ,050 0,0045 *** Test Breuscha Gogfreya: Rząd Wartość statystyki p value 1 0, , , ,5 3 1, ,708 11
12 TABELA 2 Test Dickeya-Fullera dla zmiennej st_pg liczebność próby 33 Hipoteza zerowa: występuje pierwiastek jednostkowy a = 1; proces I(1) test bez wyrazu wolnego (const) model: (1 - L)y = (a-1)*y(-1) + e rząd opóźnienia: 0 Autokorelacja reszt rzędu pierwszego: -0,042 estymowana wartość (a-1) wynosi: -1,16734 Statystyka testu: tau_nc(1) = -6,69927 wartość p 9,724e-009 Równanie regresji testu Dickeya-Fullera Estymacja KMNK z wykorzystaniem 33 obserwacji Zmienna zależna: d_st_pg - st_pg_1-1, , ,699 1,46E-07 *** Test Breuscha Gogfreya: Rząd Wartość statystyki p value 1 0, , , ,82 3 0, ,917 TABELA 3 Test Dickeya-Fullera dla zmiennej st_y liczebność próby 33 Hipoteza zerowa: występuje pierwiastek jednostkowy a = 1; proces I(1) test bez wyrazu wolnego (const) model: (1 - L)y = (a-1)*y(-1) + e rząd opóźnienia: 0 Autokorelacja reszt rzędu pierwszego: -0,106 estymowana wartość (a-1) wynosi: -1,43786 Statystyka testu: tau_nc(1) = -9,0589 wartość p 2,063e-016 Równanie regresji testu Dickeya-Fullera Estymacja KMNK z wykorzystaniem 33 obserwacji Zmienna zależna: d_st_y st_y_1-1, , ,059 2,40E-010 *** Test Breuscha Gogfreya: Rząd Wartość statystyki p value 1 3, , , , , ,17 12
13 TABELA 4 Hipoteza zerowa: proces stacjonarny; test KPSS dla zmiennej st_g (bez trendu) Parametr rzędu opóźnienia (lag truncation) = 3 Statystyka testu = 0, % 5% 2,5% 1% Krytyczna wart.: 0,347 0,463 0,574 0,739 TABELA 5 Hipoteza zerowa: proces stacjonarny; test KPSS dla zmiennej st_pg (bez trendu) Parametr rzędu opóźnienia (lag truncation) = 3 Statystyka testu = 0, % 5% 2,5% 1% Krytyczna wart.: 0,347 0,463 0,574 0,739 TABELA 6 Hipoteza zerowa: proces stacjonarny; test KPSS dla zmiennej st_y (bez trendu) Parametr rzędu opóźnienia (lag truncation) = 3 Statystyka testu = 0, % 5% 2,5% 1% Krytyczna wart.: 0,347 0,463 0,574 0,739 Pytania: 1. Przeprowadzić testy DF na istnienie pierwiastka jednostkowego dla zmiennych: stopa wzrostu konsumpcji benzyny - st_g stopa wzrostu cen benzyny - st_pg stopa wzrostu dochodu - st_y 2. Przeprowadzić testy KPSS na istnienie pierwiastka jednostkowego dla zmiennych: stopa wzrostu konsumpcji benzyny - st_g stopa wzrostu cen benzyny - st_pg stopa wzrostu dochodu - st_y 13
14 3. Następnie oszacowano modele ADL: Model 1: Estymacja KMNK z wykorzystaniem 33 obserwacji Zmienna zależna: st_g st_y 0, , ,567 9,06E-05 *** st_y_2 0, , ,860 0,0006 *** st_pg -0, , ,604 2,38E-09 *** st_pg_2 0, , ,515 0,0015 *** st_g_1 0, , ,142 0,0039 *** Średnia arytmetyczna zmiennej zależnej = 0, Odchylenie standardowe zmiennej zależnej = 0, Suma kwadratów reszt = 0, Błąd standardowy reszt = 0, Wsp. determinacji R-kwadrat = 0,89763 Skorygowany wsp. R-kwadrat = 0,88301 Centrowany R-kwadrat = 0,85389 Statystyka F (5, 28) = 49,106 (wartość p < 0,00001) Statystyka testu Durbina-Watsona = 2,14743 Autokorelacja reszt rzędu pierwszego = -0, Statystyka testu Durbina h = -0, Logarytm wiarygodności = 93,2985 Kryterium informacyjne Akaike'a (AIC) = -176,597 Kryterium bayesowskie Schwarza (BIC) = -169,115 Kryterium infor. Hannana-Quinna (HQC) = -174,079 Test Breuscha-Godfreya na autokorelację do rzędu 3 Estymacja KMNK z wykorzystaniem 33 obserwacji Statystyka testu: TR^2 = 4,902628, z wartością p = P(Chi-kwadrat(3) > 4,90263) = 0,179 a) Proszę policzyć i zinterpretować mnożniki bezpośrednie dla Modelu 1. b) Proszę policzyć i zinterpretować mnożniki długookresowe dla Modelu 1. c) Jak wygląda równowaga długookresowa w Modelu 1? d) Za pomocą jakiego testu powinno się przetestować w tym modelu autokorelację, dlaczego jest to ważne? e) Co implikuje wynik testu Breuscha Godfreya w Modelu 1? 14
Model 1: Estymacja KMNK z wykorzystaniem 32 obserwacji 1964-1995 Zmienna zależna: st_g
Zadanie 1 Dla modelu DL dla zależności stopy wzrostu konsumpcji benzyny od stopy wzrostu dochodu oraz od stopy wzrostu cen benzyny w latach 1960 i 1995 otrzymaliśmy następujące oszacowanie parametrów.
Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16
Stanisław Cichocki Natalia Nehrebecka Zajęcia 15-16 1 1. Sezonowość 2. Zmienne stacjonarne 3. Zmienne zintegrowane 4. Test Dickey-Fullera 5. Rozszerzony test Dickey-Fullera 6. Test KPSS 7. Regresja pozorna
4. Średnia i autoregresja zmiennej prognozowanej
4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)
Model 1: Estymacja KMNK z wykorzystaniem 4877 obserwacji Zmienna zależna: y
Zadanie 1 Rozpatrujemy próbę 4877 pracowników fizycznych, którzy stracili prace w USA miedzy rokiem 1982 i 1991. Nie wszyscy bezrobotni, którym przysługuje świadczenie z tytułu ubezpieczenia od utraty
Szymon Bargłowski, sb39345 MODEL. 1. Równania rozpatrywanego modelu: 1 PKB t = a 1 a 2 E t a 3 Invest t 1
Szymon Bargłowski, sb39345 MODEL 1. Równania rozpatrywanego modelu: 1 PKB t = a 1 a 2 E t a 3 Invest t 1 2 C t = b 1 b 2 PKB t b 3 Invest t 1 b 4 G t 2 3 Invest t = d 1 d 2 C t d 3 R t 3 gdzie: G - wydatki
Niestacjonarne zmienne czasowe własności i testowanie
Materiał dla studentów Niestacjonarne zmienne czasowe własności i testowanie (studium przypadku) Część 3: Przykłady testowania niestacjonarności Nazwa przedmiotu: ekonometria finansowa I (22204), analiza
STUDIA I STOPNIA EGZAMIN Z EKONOMETRII
NAZWISKO IMIĘ Nr albumu Nr zestawu Zadanie 1. Dana jest macierz Leontiefa pewnego zamkniętego trzygałęziowego układu gospodarczego: 0,64 0,3 0,3 0,6 0,88 0,. 0,4 0,8 0,85 W okresie t stosunek zuŝycia środków
1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4.
1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4. Prognozowanie stóp zwrotu na podstawie modeli ARMA 5. Relacje kointegrujące
Zadanie 3 Na podstawie danych kwartalnych z lat oszacowano następujący model (w nawiasie podano błąd standardowy oszacowania):
Zadanie 1 Fabryka Dolce Vita do produkcji czekolady potrzebuje nakładów kapitału i siły roboczej. Na podstawie historycznych danych o wielkości produkcji oraz nakładów czynników produkcji w tej fabryce
EKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE
EKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE ZADANIE 1 Oszacowano zależność między luką popytowa a stopą inflacji dla gospodarki niemieckiej. Wyniki estymacji są następujące: Estymacja KMNK,
e) Oszacuj parametry modelu za pomocą MNK. Zapisz postać modelu po oszacowaniu wraz z błędami szacunku.
Zajęcia 4. Estymacja i weryfikacja modelu model potęgowy Wersja rozszerzona W pliku Funkcja produkcji.xls zostały przygotowane przykładowe dane o produkcji, kapitale i zatrudnieniu dla 27 przedsiębiorstw
Niestacjonarne zmienne czasowe własności i testowanie
Materiał dla studentów Niestacjonarne zmienne czasowe własności i testowanie (studium przypadku) Część 1: Opis ogólny i plan pracy Nazwa przedmiotu: ekonometria finansowa I (22204), analiza szeregów czasowych
Proces modelowania zjawiska handlu zagranicznego towarami
Załącznik nr 1 do raportu końcowego z wykonania pracy badawczej pt. Handel zagraniczny w województwach (NTS2) realizowanej przez Centrum Badań i Edukacji Statystycznej z siedzibą w Jachrance na podstawie
1 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
Metoda Johansena objaśnienia i przykłady
Metoda Johansena objaśnienia i przykłady Model wektorowej autoregresji rzędu p, VAR(p), ma postad gdzie oznacza wektor zmiennych endogenicznych modelu. Model VAR jest stabilny, jeżeli dla, tzn. wielomian
Outsourcing a produktywność pracy w polskich przedsiębiorstwach. Anna Grześ Zakład Zarządzania Uniwersytet w Białymstoku
Outsourcing a produktywność pracy w polskich przedsiębiorstwach Anna Grześ Zakład Zarządzania Uniwersytet w Białymstoku Cele : pomiar produktywności pracy w polskich przedsiębiorstwach na poziomie sekcji
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 =
Zadanie 1. a) Przeprowadzono test RESET. Czy model ma poprawną formę funkcyjną? 1
Zadanie 1 a) Przeprowadzono test RESET. Czy model ma poprawną formę funkcyjną? 1 b) W naszym przypadku populacja są inżynierowie w Tajlandii. Czy można jednak przypuszczać, że na zarobki kobiet-inżynierów
Stanisław 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
Stanisław 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
Stanisław Cichocki Natalia Neherbecka
Stanisław Cichocki Natalia Neherbecka 13 marca 2010 1 1. Kryteria informacyjne 2. Modele dynamiczne: modele o rozłożonych opóźnieniach (DL) modele autoregresyjne o rozłożonych opóźnieniach (ADL) 3. Analiza
Stanisław 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
Ekonometria 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
Stanisław 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
7.4 Automatyczne stawianie prognoz
szeregów czasowych za pomocą pakietu SPSS Następnie korzystamy z menu DANE WYBIERZ OBSERWACJE i wybieramy opcję WSZYSTKIE OBSERWACJE (wówczas wszystkie obserwacje są aktywne). Wreszcie wybieramy z menu
Stanisław 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
Rozdział 8. Regresja. Definiowanie modelu
Rozdział 8 Regresja Definiowanie modelu Analizę korelacji można traktować jako wstęp do analizy regresji. Jeżeli wykresy rozrzutu oraz wartości współczynników korelacji wskazują na istniejąca współzmienność
Ekonometria I Weryfikacja: współliniowość i normalność. Dr Michał Gradzewicz Szkoła Główna Handlowa w Warszawie
Ekonometria I Weryfikacja: współliniowość i normalność Dr Michał Gradzewicz Szkoła Główna Handlowa w Warszawie 1 Współliniowość 2 Przypomnienie: Założenia MNK Założenia MNK: 1. Zmienne objaśniające są
Egzamin 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
Zadanie 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
Wstęp... 3 Problem i hipoteza badawcza... 4 Opis modelu. Definicje i założenia... 5 Źródła danych... 6 Szacowanie modelu... 7 Wnioski...
Spis treści Wstęp... 3 Problem i hipoteza badawcza... 4 Opis modelu. Definicje i założenia... 5 Źródła danych... 6 Szacowanie modelu... 7 Wnioski... 14 2 Wstęp Podatek od towarów i usług (zwany również
Przyjazdy turystów zagranicznych do Polski miesięcznie od 2005 roku do 2009 roku modelowanie ekonometryczne
Dawid Twardowski Wrocław, dnia 6 czerwca 2010 Przyjazdy turystów zagranicznych do Polski miesięcznie od 2005 roku do 2009 roku modelowanie ekonometryczne Spis treści Spis treści... 1 Struktura projektu...
1 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,
Przykład 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
Analiza 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.
Projekt 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
Własności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Ekonometria. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk
Ekonometria Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 5 & 6 Szaeregi
3. Analiza własności szeregu czasowego i wybór typu modelu
3. Analiza własności szeregu czasowego i wybór typu modelu 1. Metody analizy własności szeregu czasowego obserwacji 1.1. Analiza wykresu szeregu czasowego 1.2. Analiza statystyk opisowych zmiennej prognozowanej
Ekonometria. 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
Analiza 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
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
140, , ,000 80, ROK
140,000 PRODUKCJA 120,000 100,000 80,000 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 ROK 130,000 120,000 PRODUKCJA 110,000 100,000 90,000 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008
Projekt 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
Stanisław 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
Ekonometria. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk
Ekonometria Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 5 & 6 Szaeregi czasowe 1
Kolokwium ze statystyki matematycznej
Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę
ZASTOSOWANIE MODELI WEKTOROWO-AUTOREGRESYJNYCH DO PROGNOZOWANIA WYBRANYCH RACHUNKÓW NARODOWYCH
Katarzyna Warzecha Andrzej Wójcik Uniwersytet Ekonomiczny w Katowicach ZASTOSOWANIE MODELI WEKTOROWO-AUTOREGRESYJNYCH DO PROGNOZOWANIA WYBRANYCH RACHUNKÓW NARODOWYCH Wprowadzenie Najważniejszym i najczęściej
Pobrane z czasopisma Annales H - Oeconomia Data: 16/02/ :42:11
DOI:10.17951/h.2017.51.5.283 ANNALES UNIVERSITATIS MARIAE CURIE-SKŁODOWSKA LUBLIN POLONIA VOL. LI, 5 SECTIO H 2017 Uniwersytet Łódzki. Wydział Zarządzania pasek@uni.lodz.pl Nastrój inwestorów i stopy zwrotu
Testy 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
Ćwiczenia 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
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:...
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Regresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych (X1, X2, X3,...) na zmienną zależną (Y).
Statystyka i opracowanie danych Ćwiczenia 12 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA WIELORAKA Regresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych
i EKSPLOATACJI TAbORU AUTObUSOWEGO
PTiL 3/2016 (35) ISSN: 1644-275X www.wnus.edu.pl/ptil DOI: 10.18276/ptl.2016.35-02 19 28 Prognozowanie KOSZTów UTRZYmANIA i EKSPLOATACJI TAbORU AUTObUSOWEGO Data przesłania: 30.06.2016 Data akceptacji:
Przyczynowość 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
Stanisław 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
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
Stanisław 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
TEST 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.
Ekonometria. 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
Materiał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych)
Materiał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych) (studium przypadku) Nazwa przedmiotu: ekonometria finansowa I (22204), analiza szeregów czasowych
( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie:
ma postać y = ax + b Równanie regresji liniowej By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : xy b = a = b lub x Gdzie: xy = też a = x = ( b ) i to dane empiryczne, a ilość
Stacjonarność 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:
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.
1.1 Opis danych Dekompozycja szeregu ARIMA Prognoza Podsumowanie Opis danych...
1 Szereg niesezonowy... 3 1.1 Opis danych... 3 1.2 Dekompozycja szeregu... 3 1.3... 3 1.4 ARIMA... 10 1.5 Prognoza... 12 1.6 Podsumowanie... 15 2 Szereg sezonowy... 15 2.1 Opis danych... 15 2.2 Dekompozycja
Podczas zajęć będziemy zajmować się głownie procesami ergodycznymi zdefiniowanymi na przestrzeniach ciągłych.
Trochę teorii W celu przeprowadzenia rygorystycznej ekonometrycznej analizy szeregu finansowego będziemy traktowali obserwowany ciąg danych (x 1, x 2,..., x T ) jako realizację pewnego procesu stochastycznego.
Na podstawie danych dotyczacych rocznych wydatków na pizze oszacowano parametry poniższego modelu:
Zadanie 1. Oszacowano model ekonometryczny liczby narodzin dzieci (w tys.) w Polsce w latach 2000 2010 w zależnosci od średniego rocznego wynagrodzenia (w ujęciu realnym, PLN), stopy bezrobocia (w punktach
Czasowy 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
Ekonometria / G. S. Maddala ; red. nauk. przekł. Marek Gruszczyński. wyd. 2, dodr. 1. Warszawa, Spis treści
Ekonometria / G. S. Maddala ; red. nauk. przekł. Marek Gruszczyński. wyd. 2, dodr. 1. Warszawa, 2013 Spis treści Przedsłowie 15 Przedmowa do drugiego wydania 17 Przedmowa do trzeciego wydania 21 Nekrolog
Egzamin 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.
ANALIZA REGRESJI WIELOKROTNEJ. Zastosowanie statystyki w bioinżynierii Ćwiczenia 8
ANALIZA REGRESJI WIELOKROTNEJ Zastosowanie statystyki w bioinżynierii Ćwiczenia 8 ZADANIE 1A 1. Irysy: Sprawdź zależność długości płatków korony od ich szerokości Utwórz wykres punktowy Wyznacz współczynnik
3. Modele tendencji czasowej w prognozowaniu
II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa
t y x y'y x'x y'x x-x śr (x-x śr)^2
Na podstawie:w.samuelson, S.Marks Ekonomia menedżerska Zadanie 1 W przedsiębiorstwie toczy się dyskusja na temat wpływu reklamy na wielkość. Dział marketingu uważa, że reklama daje wysoce pozytywne efekty,
STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE
STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE 1 W trakcie badania obliczono wartości średniej (15,4), mediany (13,6) oraz dominanty (10,0). Określ typ asymetrii rozkładu. 2 Wymień 3 cechy rozkładu Gauss
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
Projekt z Ekonometrii Dynamicznej
Projekt z Ekonometrii Dynamicznej Tomasz Tymecki L.p. Nazwa 1 KGHM 2 ORBIS 3 FERRUM 4 VISTULA 5 BORYSZEW 6 MOSTOSTALZAB 7 BYTOM 8 FORTE 9 PRÓCHNIK 1 ŻYWIEC 11 Indeks WIG 12 Indeks WIG2 Spis treści I. Analiza
MODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XI/2, 2010, str. 254 263 MODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE Agnieszka Tłuczak Zakład Ekonometrii i Metod Ilościowych, Wydział Ekonomiczny
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
2.6 Zmienne stacjonarne i niestacjonarne 2.6. ZMIENNE STACJONARNE I NIESTACJONARNE 33. RYSUNEK 2.6: PKB w wyrażeniu realnym
2.6. ZMIENNE STACJONARNE I NIESTACJONARNE 33 tale. Rysunek 2.6 ilustruje sezonowość w logarytmie PKB w wyrażeniu realnym. Realny PKB został uzyskany poprzez zdeflowanie nominalnego PKB przez indeks cen
Stanisław 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
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
0.1 Modele Dynamiczne
0.1 Modele Dynamiczne 0.1.1 Wprowadzenie Często konkretne działanie czy zjawisko ekonomiczne nie tylko zależy od bieżących wartości pewnych wskaźników - zmiennych objaśniających modelu, ale również od
log Ôi = 1, , 0014P i + 0, 0561C i 0, 4050R i se = (0, 0009) (0, 0227) (0, 1568)
1. Na podstawie danych zawartych w pliku [zgony niemowlat.xls] oszacuj (przy pomocy pakietu gretl lub arkusza kalkulacyjnego) parametry MNK następującego liniowego modelu ekonometrycznego: ZN t = a 0 +
Plan wykładu: 1) Pojęcie stacjonarności i niestacjonarności zmiennych 2) Testowanie integracji 3) Pojęcie kointegracji metoda Engle a-grangera.
1 Plan wykładu: 1) Pojęcie stacjonarności i niestacjonarności zmiennych 2) Testowanie integracji 3) Pojęcie kointegracji metoda Engle a-grangera. Pojęcie stacjonarności i niestacjonarności zmiennych Szereg
Statystyka w zarzadzaniu / Amir D. Aczel, Jayavel Sounderpandian. Wydanie 2. Warszawa, Spis treści
Statystyka w zarzadzaniu / Amir D. Aczel, Jayavel Sounderpandian. Wydanie 2. Warszawa, 2018 Spis treści Przedmowa 13 O Autorach 15 Przedmowa od Tłumacza 17 1. Wprowadzenie i statystyka opisowa 19 1.1.
Egzamin 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
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
Wprowadzenie 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
Narzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski
Narzędzia statystyczne i ekonometryczne Wykład 1 dr Paweł Baranowski Informacje organizacyjne Wydział Ek-Soc, pok. B-109 pawel@baranowski.edu.pl Strona: baranowski.edu.pl (w tym materiały) Konsultacje:
Ekonometria Wykład 5. Procesy stochastyczne, stacjonarność, integracja. Dr Michał Gradzewicz Katedra Ekonomii I KAE
Ekonometria Wykład 5. Procesy stochastyczne, stacjonarność, integracja Dr Michał Gradzewicz Katedra Ekonomii I KAE Ekonometria szeregów czasowych Procesy stochastyczne Stacjonarność i biały szum Niestacjonarność:
parametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających,
诲 瞴瞶 瞶 ƭ0 ƭ 瞰 parametrów strukturalnych modelu Y zmienna objaśniana, = + + + + + X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających, α 0, α 1, α 2,,α k parametry strukturalne modelu, k+1 parametrów
Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
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
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
Ekonometria 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.
Natalia Neherbecka. 11 czerwca 2010
Natalia Neherbecka 11 czerwca 2010 1 1. Konsekwencje heteroskedastyczności i autokorelacji 2. Uogólniona MNK 3. Stosowalna Uogólniona MNK 4. Odporne macierze wariancji i kowariancji b 2 1. Konsekwencje
Testowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego
Testowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego Ze względu na jakość uzyskiwanych ocen parametrów strukturalnych modelu oraz weryfikację modelu, metoda najmniejszych