1.7 Ograniczenia nakładane na równanie regresji
|
|
- Eleonora Kowalik
- 6 lat temu
- Przeglądów:
Transkrypt
1 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 się jak wpływ na jakość uzyskanych oszacowań wartości parametrów ma uwzględnianie niepotrzebnych (statystycznie nieistotnych) zmiennych objaśniających lub usuwanie potrzebnych (statystycznie istotnych) Regresja podzielona Podzielmy równanie regresji w następujący sposób: y = Xβ + ε = X 1 β 1 + X 2 β 2 + ε (1) Chcemy uzyskać oszacowanie b 1 parametrów związanych ze zmiennymi zawartymi w macierzy X 1. Z własności hiperpłaszczyzny regresji wiemy, że X 1e = oraz X 2e =. Zapiszemy macierz idempotentną dla macierzy X 2 M X2 = I X 2 (X 2X 2 ) 1 X 2 Ta macierz zeruje współczynniki dla parametrów przy zmiennych zawartych w macierzy X 2. Przemnożymy (1) przez M X2 z lewej strony M X2 y = M X2 X 1 b 1 + M X2 X }{{} 2 β2 + M X2 e Mnożąc teraz lewostronnie przez X 1 uzyskujemy wobec tego M X2 y = M X2 X 1 b 1 + e (2) X 1M X2 y = X 1M X2 X 1 b 1 + X 1e }{{} b 1 = (X 1M X2 X 1 ) 1 X 1M X2 y (3) Wzór ten daje dokładnie ten sam wynik co standardowo obliczony estymator MNK Dodawanie i usuwanie regresorów z równania regresji Rozpatrzymy dwa równania regresji: y = X 1 β 1 + ε 1 (4) y = X 1 β 1 + X 2 β 2 + ε 2 (5) 37
2 Przypuśćmy, że zjawisko ekonomiczne jest opisywane przez równanie (5), ale do modelowania stosujemy równanie (4). Pomijamy k 2 regresorów zawartych w macierzy X 2 przyjmując, że odpowiednie współczynniki wektora β są równe zero. W modelu może pojawić się problem zmiennych pominiętych. Szacujemy nieznane współczynniki wektora β z równania (4) b 1 = (X 1X 1 ) 1 X 1y ale poprawnym modelem jest (5) zatem: b 1 = (X 1X 1 ) 1 X 1(X 1 β 1 +X 2 β 2 +ε 2 ) = β 1 +(X 1X 1 ) 1 X 1X 2 β 2 +(X 1X 1 ) 1 X 1ε 2 Jeżeli obliczymy wartość oczekiwaną tego estymatora otrzymamy: E(b 1 ) = β 1 + (X 1X 1 ) 1 X 1X 2 β 2 Zatem otrzymany przez nas estymator jest obciążony. Jego obciążenie wynosi (X 1X 1 ) 1 X 1X 2. W przypadku gdy przestrzeń rozpinana przez kolumny macierzy X 1 jest ortogonalna do przestrzeni rozpinanej przez kolumny macierzy X 2 to obciążenie estymatora b 1 znika, ponieważ E(b 1 ) = β 1 + (X 1X 1 ) 1 X 1X }{{} 2 Ekonomicznie oznacza to, że zmienne zawarte w macierzy X 2 są nieskorelowane ze zmiennymi zawartymi w macierzy X 1. Reszty z modelu (4) można zapisać jako: e 1 = M 1 y gdzie M 1 jest macierzą idempotentną utworzoną z macierzy X 1. Przekształcając wektor reszt otrzymujemy: e 1 = M 1 (X 1 β 1 + X 2 β 2 + ε 2 ) e 1 = M 1 X 2 β 2 + M 1 ε 2 Wobec tego estymatorem wariancji składnika losowego dla tego modelu jest: E(e 1e 1 ) = E[(M 1 X 2 β 2 + M 1 ε 2 ) (M 1 X 2 β 2 + M 1 ε 2 )] β 2 E(e 1e 1 ) = β 2X 2M 1 X 2 β 2 + σ 2 (T k) W tej sytuacji estymator wariancji składnika losowego jest dodatnio obciążony, bowiem forma kwadratowa X 2M 1 X 2 jest dodatnio określona, a wektor β 2 jest niezerowy. Rozważmy teraz przypadek odwrotny. Niech poprawnym równaniem zjawiska zachodzącego w populacji będzie (4), ale do modelowania stosujemy 38
3 równanie (5). Dochodzi wtedy do sytuacji, w której w modelu uwzględniamy zmienne nieistotne. Mamy zatem o k 2 za dużo regresorów w równaniu. [ ] [ ] [ ] b1 β1 β1 E = = b 2 β 2 Na mocy twierdzenia Gaussa-Markowa estymatory nieznanych wartości parametrów β są nieobciążone. Z tych samych powodów estymator wariancji składnika losowego jest nieobciążony. Więc estymator b wektora parametrów β jest nieobciążony i ma minimalną wariancję. Ale suma kwadratów reszt w modelu jest za duża. Powoduje to, że oszacowania nieznanych parametrów modelu są mniej dokładne. Wniosek: Z praktycznego punktu widzenia sytuacja druga, tzn. uwzględnienie nieistotnych zmiennych w modelu, jest mniej niebezpieczna od sytuacji pierwszej, czyli pominięcia zmiennych statystycznie istotnych. Jednak pozostawiając w modelu regresji liniowej zmienne nieistotne otrzymujemy mniejszą dokładność oszacowania parametrów modelu. Pomimo tego, jest to generalnie przyjęta strategia budowania modelu ekonometrycznego. Nosi ona nazwę general-to-simple lub alternatywnie general-to-specific. W języku polskim okreslana jest mianem od ogólnego do szczegółowego. Badacze zaczynają pracę z modelem o dużej ilości zmiennych objaśniających, a następnie wykluczają nieistotne zmienne z modelu. Ale używając tej metodologii trzeba uważać, bowiem budując początkowo bardzo duży model, i przyjmując 5 % poziom istotności, jesteśmy pewni, że niektóre zmienne mogą okazać się istotne zupełnie przypadkowo. Przykład. Szacujemy model grawitacyjny handlu międzynarodowego dla krajów Unii Europejskiej w roku 2. Wyjaśniamy w nim wielkość obrotów wymiany handlowej pomiędzy krajami (trade) za pomocą produktu krajowego brutto (gdp), liczby ludności (population), wspólnej waluty (currency) oraz zmiennej (home), która mierzy wielkości produkcji sprzedanej na rynku krajowym. Obserwacja w tak skonstruowanym modelu stanowi para krajów Unii Europejskiej handlująca ze sobą. Ponieważ w bazie Eurostatu dane dla Belgii i Luksemburga są podawane łącznie mamy tylko 14 handlujące pary krajów. (Każdy kraj z każdym innym plus ze sobą).. reg trade home gdp population currency Source SS df MS Number of obs = F( 4, 99) =
4 Model Prob > F =. Residual R-squared = Adj R-squared =.6912 Total Root MSE = trade Coef. Std. Err. t P> t [95% Conf. Interval] home gdp population currency _cons Jak widać wszystkie zmienne w modelu są statystycznie istotne, oraz łącznie są istotne na co wskazuje wysoka wartość statystyki F. Dodatkowo model ma wysokie R 2. Jeśli spojrzymy na wyniki testu współliniowości to ona nie powinna wpływać na estymatory parametrów modelu.. vif Variable VIF 1/VIF population gdp home currency Mean VIF 3.53 Zgodnie z wynikami modelu wzrost produkcji o 1 % powoduje wzrost wymiany międzynarodowej o 2,7 %. Wielkość współczynnika przy zmiennej home jest trudno zinterpretować, bowiem należy pamiętać że np. Niemcy dużo więcej sprzedają na rynku wewnętrznym niż Belgia ze względu na to że w Niemczech mieszka ponad 8 razy więcej ludzi. Dla modelu grawitacyjnego istotny jest dodatni znak przy zmiennej, który oznacza, że dane państwo chętniej sprzedaje na rynku lokalnym niż eksportuje. Zmienna currency obrazuje wymianę handlową z krajami pozostającymi poza strefą euro (Wielka Brytania, Dania, Szwecja). Jej ujemny znak świadczy że brak wspólnej waluty jest czynnikiem zniechęcającym do handlu. Znowu nie możemy interpretować wielkości współczynnika z uwagi na różne rozmiary rynków w różnych krajach. Ujemny znak przy zmiennej population świadczy o tym że większe kraje relatywnie więcej sprzedają na rynku krajowym, co jest zgodne z intuicją. Z teoretycznego punktu widzenia otrzymane wyniki są zasadniczo zgodne z teoriami handlu międzynarodowego. Co się jednak stanie jeśli rozszerzymy 4
5 nasz model o zmienne instytucjonalne, takie jak wspólny język, czy wspólna granica?. reg trade home gdp population language border currency Source SS df MS Number of obs = F( 6, 97) = Model Prob > F =. Residual R-squared = Adj R-squared =.6943 Total Root MSE = trade Coef. Std. Err. t P> t [95% Conf. Interval] home gdp population language border currency _cons Obie zmienne instytucjonalne nie są statystycznie istotne. Co prawda statystyki R 2 i R2 pozakują, że model się nieznacznie poprawił, ale dzieje się tak, tylko i wyłacznie dlatego, że wartości bezwzględne statystyk t przy tych zmiennych są większe od 1. (Można pokazać, że jeżeli dodamy do modelu zmienną, której wartość bezwzględna statystyki t jest większa od 1 to współczynnik R 2 rośnie). W efekcie dołączenia zmiennych nieistotnych nieznacznie rosną wariancje estymatorów. Wobec tego oszacowania parametrów są mniej dokładne. A co się stanie jeśli opuścimy zmienną, która jest statystycznie istotna. Jeżeli opuścimy zmienną gdp z pierwotnego modelu to otrzymamy:. reg trade home population currency Source SS df MS Number of obs = F( 3, 1) = 3.96 Model Prob > F =. Residual R-squared = Adj R-squared =.466 Total Root MSE = trade Coef. Std. Err. t P> t [95% Conf. Interval]
6 home population currency _cons Współczynnik R 2 tego modelu drastycznie spada. Ponadto zmienna currency staje się nieistotna statystycznie. Natomiast statystycznie istotna staje się stała, która do tej pory nie miała znaczenia. Poza tym współczynniki przy zmiennych dość nieoczekiwanie zmieniają znaki oraz rozmiary. Wyraźnie widać, że ten model jest dużo gorzej dopasowany do danych od poprzednich Testowanie ograniczeń nakładanych na parametry modelu Jednym z podstawowych celów dla których tworzy się modele ekonometryczne jest weryfikacja teorii ekonomicznej. Formułując matematyczny model badanego zjawiska należy go skonstruować w sposób pozwalający zweryfikować czy dane empiryczne potwierdzają teorię ekonomiczną. Weryfikacja poprawności teorii ekonomicznej oparta jest o sprawdzenie czy wartości oszacowań parametrów modelu są zgodne z wartościami wynikającymi z teorii. Testując badamy czy parametry są bliskie narzuconym na nie ograniczeniom i czy ewentualne odchylenia wartości parametrów wynikają z losowości próby czy są raczej błędami systematycznymi. Rozważmy przypadek weryfikacji J ograniczeń nałożonych na parametry modelu. Weryfikujemy hipotezę zerową: przeciwko alternatywie: H : Rβ q = H 1 : Rβ q Macierz R jest macierzą ograniczeń liniowych nałożonych na wektor estymowanych parametrów β. Każdy wiersz macierzy odpowiada jednemu ograniczeniu. Przeważnie w każdym wierszu jest dużo zer i jeden bądź kilka elementów niezerowych. Rząd macierzy R jest równy liczbie nałożonych ograniczeń. Macierz ograniczeń R może na przykład przyjmować następującą postać: 1. Jeden ze współczynników wektora β jest równy zero, β j =. R = [ ], q = 2. Dwa współczynniki równania regresji są sobie równe, β j = β k : R = [ ], q = 42
7 3. Kilka współczynników równania regresji sumuje się do jedynki, β 2 + β 3 + β 4 = 1: R = [ ], q = 1 4. Kilka współczynników równania regresji jest równych zero, β 1 = β 2 = β 3 = : 1... R = 1... q = Kilka ograniczeń liniowych nałożonych na współczynniki regresji, β 2 + β 3 = 1 β 4 + β 6 = β 5 + β 6 = R = 1 1 q = Wszystkie współczynniki modelu są równe zero. Znając estymator metody najmniejszych kwadratów dla wektora parametrów β, szukamy wektora odchyleń od narzuconych ograniczeń na parametry m = Rb q. Jeżeli narzucone ograniczenia są spełnione przez dostępne dane empiryczne to wektor odchyleń m powinien być wektorem zerowym. Jednak w praktyce jest mało prawdopodobne, że wektor m będzie wektorem zerowym. Dużo częściej różni się on od zera. Statystyka testowa dla ograniczeń bazuje na statystycznej istotności odchyleń wektora m od zera. Estymator wektora β, wektor b ma rozkład normalny, wektor m jako kombinacja liniowa wektora b ma również rozkład normalny. Przy prawdziwej hipotezie zerowej wartość oczekiwana wektora m wynosi: a macierz wariancji-kowariancji: E[m X] = RE[b X] q = Rβ q = var[m X] = RE[Rb q X] q = Rvar[b X]R = σ 2 R(X X) 1 R Na podstawie tej macierzy można skonstruować statystykę testu Walda (W). W = m var[m X]m = (Rb q) [σ 2 R(X X) 1 R ] 1 (Rb q) χ 2 (J) (6) Przy prawdziwej hipotezie zerowej statystyka Walda ma rozkład χ 2 z liczbą stopni swobody równą liczbie nakładanych ograniczeń na wektor parametrów. Jeśli zamiast prawdziwej wariancji σ 2 używany jest jej estymator S 2 to 43
8 statystyka Walda ma rozkład F (J, N k) stopniami swobody, gdzie k jest liczbą regresorów łącznie ze stałą w modelu bez ograniczeń. Trzy równoważne testy. Obliczenie statystyki Walda (W) ze wzoru (6) jest skomplikowane i czasochłonne w przypadku rozbudowanych ograniczeń na parametry modelu, jeśli nie dysponujemy pakietem statystyczym. Statystyka Walda dla weryfikująca hipotezę, że parametr jest równy zero redukuje się do: F = ˆβ 2 k (7) se(β k ) 2 gdzie w liczniku jest estymator MNK dla k-tego współczynnika wektora β, a w mianowniku mamy kwadrat jego odchylenia standardowego. Łatwo zauważyć, że w ten sposób skonstruowana statystyka F jest kwadratem statystyki t dla pojedynczego parametru. Testem równoważnym do testu Walda jest test ilorazu wiarogodności (LR). Jego przeprowadzenie wymaga obliczenia dwóch modeli regresji. Na początku szacujemy parametry modelu bez ograniczeń i to co nas interesuje to suma kwadratów reszt (RSS U ). Nałożenie ograniczeń na parametry wektora β powoduje że trudniej jest dopasować taki model do danych empirycznych. Z tego powodu suma kwadratów reszt modelu z ograniczeniami (RSS R ) będzie niemniejsza, a zazwyczaj większa niż w modelu bez ograniczeń. Test ilorazu wiarogodności polega na sprawdzeniu czy różnica kwadratów błędów obu modeli jest statystycznie istotna. Test przeprowadza się wykorzystując statystykę LR: LR = (RSS R RSS U )/J S 2 (8) gdzie S 2 = RSS U /(N k) jest estymatorem wariancji otrzymanym z regresji bez ograniczeń. Statystyka LR ma asymptotyczny rozkład F z [J, N K] stopniami swobody, gdzie J jest liczbą testowanych ograniczeń, N liczbą obserwacji, a k liczbą regresorów w równaniu regresji bez ograniczeń. Trzecim sposobem sprawdzenia istotności ograniczeń nałożonych na parametry modelu jest przeprowadzenie testu mnożników Lagrange a (LM). Bazuje on na wynikach powstałych przy estymacji regresji z narzuconymi ograniczeniami. Statystyka testowa ma postać: LM = ˆγ2 s 2 γ w której γ jest współczynnikiem regresji reszt z modelu z ograniczeniami na pojedynczą zmienną dla której badamy nałożone ograniczenie. 44 (9)
9 Gdy chcemy zbadać złożoną hipotezę postępujemy według następującego schematu: 1. Wyliczamy model regresji z ograniczeniami i zapamiętujemy z niego reszty e R 2. Przeprowadzamy regresję pomocniczą. Wyjaśniamy reszty e R pełenym zestawem zmiennych objaśniających bez żadnych ograniczeń. 3. Obliczamy wartość statystyki NR 2, gdzie N jest liczbą obserwacji, a R 2 współczynnikiem dopasowania modelu regresji pomocniczej. Tak otrzymana statystyka ma asymptotyczny rozkład χ 2 z liczbą stopni swobody równą liczbie testowanych ograniczeń. 4. Alternatywnym sposobem jest skonstruowanie statystyki o rozkładzie F: LMF = N k R 2 (1) J 1 R 2 gdzie k jest liczbą regresorów, a m liczbą testowanych ograniczeń. Statystyka LMF ma asymptotyczny rozkład F (J, N k). Te trzy testy są asymptotycznie równoważne i w dużych próbach dla modeli liniowych zachodzi zależność (Greene, str.496): Przykład 1. W modelu: W LR LM y i = β + x 1i β 1 + x 2i β 2 + x 3i β 3 + ɛ i (11) chcemy weryfikować hipotezę H postaci: β = β 1 = β 2 β 2 + β 3 = 1 1. Znajdź macierze H i h za pomocą których hipotezę H można zapisać jako Hβ = h 2. Przekształć tak podany model, by model spełniający ograniczenia dane przez H można było zapisać jako: y i = x i β + ε t (12) gdzie y i oraz x i są funkcjami zmiennych modelu. 45
10 3. Modele (11) oraz (12) oszacowano za pomocą MNK na próbie 29 elementowej. Otrzymano sumę kwadratów reszt w modelu bez ograniczeń RSS U = 1, a w modelu z ograniczeniami RSS R = 2. Oblicz statystykę testową F dla zadanych ograniczeń na parametry i zweryfikuj ją na poziomie istotności α =.1 4. Wyjaśnij dlaczego problemy może spowodować próba przetestowania hipotezy H : Hβ = h, jeżeli macierz H nie ma pełnego rzędu wierszowego. Odpowiedź. Kolejne wiersze macierzy H zawierają ograniczenia na parametry. Zatem macierz ma postać: 1 H = a macierz h to wektor, którego elementy to prawe strony nałożonych ograniczeń. h = 1 Ad.2. Jeżeli narzucimy ograniczenia na współczynniki równania (11) to nasz model możemy zapisać jako: y i = γ + x 1i γ 2 + x 2i γ 2 + x 3i (1 γ 2 ) + ε i grupując zmienne X i oraz pamiętając, że γ = otrzymujemy: y i = (x 1i + x 2i x 3i )γ 2 + x 3i + εi wobec tego nowe zmienne możemy zapisać jako: yi = y i x i = [ x 1i + x 2i x 3i x 3i ] Ad. 3. F = (SRR R SRR U )/k SRR U /(N k) = (2 1)/3 1/(29 3) = 8, 66 wartość krytyczne testu F.99 (3, 25) = 4.68, co powoduje że statystyka testowa znajduje się w obszarze krytycznym testu. Wobec tego odrzucamy 46
11 hipotezę zerową H na korzyść hipotezy alternatywnej. Inaczej mówiąc wyniki testu wskazują, że dane empiryczne nie spełniają żądanych ograniczeń. Ad. 4. Jeżeli macierz H nie ma pełnego rzędu wierszowego, oznacza to że przynajmniej jedno z ograniczeń jest współliniowe z pozostałymi. W takim przypadku nie jesteśmy w stanie rozwiązać jednoznacznie układu równań Hβ = h, albo jest on sprzeczny. Przykład 2. Zadanie przygotowawcze do kolokwium Na podstawie danych pochodzących z Badania Aktywności Ekonomicznej Ludności (BAEL) zbudowano Klasyczny Model Regresji Liniowej wyjaśniający poziom zarobków za pomocą płci (1-mężczyzna), wykształcenia, stażu pracy i zamieszkiwania w dużym mieście. Oszacowano następujący model: zarobki n = stala + β 1 plec + β 2 wyzsze + β 3 srednie + β 4 staz + β 5 dmiasto + ε (13) Otrzymano następujące oszacowania wielkości parametrów β: stala β 1 β 2 β 3 β 4 β oraz ich macierz wariancji-kowariancji: plec wyzsze srednie staz dmiasto _cons plec wyzsze srednie staz dmiasto _cons Uzupełnij brakujące wielkości w poniższej tabeli, a następnie oceń poprawność modelu analizując wyniki testów istotności i łącznej istotności oszacowań parametrów. Dokonaj interpretacji statystycznie istotnych współczynników wektora β. Source SS df MS Number of obs = F( 5, 25788) = Model Prob > F =. Residual 1.256e R-squared = Adj R-squared =. Total e Root MSE =
12 zarobki Coef. Std. Err. t [95% Conf. Interval] plec wyzsze srednie staz dmiasto _cons Rozwiązanie: 1. Wariancje estymatorów odczytujemy z diagonali macierzy wariancjikowariancji. Błędy standartowe estymatorów to pierwiastki ich wariancji. se(β plec ) = = se(β wyzsze ) = = 5.16 se(β srednie ) = = se(β staz ) = =.122 se(β miasto ) = = se(β stala ) = = Statystyki t-studenta otrzymujemy dzieląc współczynniki wektora β przez wcześniej obliczone błędy standardowe. t βplec = = t β wyzsze = = t βsrednie = = 33.3 t β staz = = 7.93 t βdmiasto = = 28.5 t β stala = = Współczynnik R 2 uzyskujemy ze stasystyki F. R 2 = k 1 F N k 1 + k 1 F = N k Znając R 2 łatwo wyliczamy dopasowane R 2 : =.1622 R 2 = (1.1622) = Po wykonaniu powyższych czynności możemy uzupełnić tabelę. 48
13 Source SS df MS Number of obs = F( 5, 25788) = Model Prob > F =. Residual 1.256e R-squared = Adj R-squared =.162 Total e Root MSE = zarobki Coef. Std. Err. t [95% Conf. Interval] plec wyzsze srednie staz dmiasto _cons Na podstawie powyższych wyników widzimy, że model w około 16 % wyjaśnia zróżnicowanie zarobków. Interpretacja współczynników β jest następująca. Mężczyżni przeciętnie zarabiają o 59 złotych więcej niż kobiety. Wykształcenie wyższe daje zarobki o 242 złote wyższe w stosunku do wykształcenia podstawowego, a wykształcenie średnie 118 złotych więcej niż podstawowe. Staż pracy wpływa ujemnie na zarobki. Każdy rok pracy oznacza przeciętnie obniżenie pensji o złotówkę. Mieszkańcy dużych miast zarabiają przeciętnie o 9 złotych więcej od pozostałych. Literatura [1] William H. Greene (23) Econometric Analysis, 5th edition. [2] Jerzy Mycielski (2), WNE. [3] Aleksander Welfe (1998) Zbiór zadań z ekonometrii, PWE 49
Testowanie 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 szczegółowo1.6 Zmienne jakościowe i dyskretne w modelu regresji
1.6 Zmienne jakościowe i dyskretne w modelu regresji 1.6.1 Zmienne dyskretne i zero-jedynkowe (Dummy Variables) W badaniach ekonometrycznych bardzo często występują zjawiska, które opisujemy zmiennymi
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 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 szczegółowoTesty własności składnika losowego Testy formy funkcyjnej. Diagnostyka modelu. Część 2. Diagnostyka modelu
Część 2 Test Durbina-Watsona Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε t, ε t 1 ) 0 Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε
Bardziej 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 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 szczegółowoAnaliza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń Problem Przykłady
Analiza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń 1. Problem ozwaŝamy zjawisko (model): Y = β 1 X 1 X +...+ β k X k +Z Ηβ = w r Hipoteza alternatywna: Ηβ w r
Bardziej szczegółowoTestowanie 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 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 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 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 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 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 szczegółowo1.1 Klasyczny Model Regresji Liniowej
1.1 Klasyczny Model Regresji Liniowej Klasyczny model Regresji Liniowej jest bardzo użytecznym narzędziem służącym do analizy danych empirycznych. Analiza regresji zajmuje się opisem zależności między
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 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 szczegółowo1.3 Własności statystyczne estymatorów MNK
1.3 Własności statystyczne estymatorów MNK 1. Estymator nazywamy estymatorem nieobciążonym, jeżeli jego wartość oczekiwana jest równa wartości szacowanego parametru. Udowodnimy, że estymator MNK wektora
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 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 szczegółowoTestowanie hipotez statystycznych
round Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 13 grudnia 2014 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
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 szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 8 Natalia Nehrebecka Stanis law Cichocki 29 listopada 2015 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
Bardziej szczegółowoWprowadzenie Testy własności składnika losowego. Diagnostyka modelu. Część 1. Diagnostyka modelu
Część 1 Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy małej próby Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy małej próby Testy
Bardziej 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 szczegółowoBłędy 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 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 szczegółowoZadanie 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
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 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 4
Stanisław Cichocki Natalia Nehrebecka Wykład 4 1 1. Własności hiperpłaszczyzny regresji 2. Dobroć dopasowania równania regresji. Współczynnik determinacji R 2 Dekompozycja wariancji zmiennej zależnej Współczynnik
Bardziej szczegółowoNatalia 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
Bardziej szczegółowoWłasności 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
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 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 szczegółowo1.5 Problemy ze zbiorem danych
1.5 Problemy ze zbiorem danych W praktyce ekonometrycznej bardzo rzadko spełnione są wszystkie założenia klasycznego modelu regresji liniowej. Częstym przypadkiem jest, że zbiór danych którymi dysponujemy
Bardziej szczegółowoEkonometria. Wprowadzenie do modelowania ekonometrycznego Estymator KMNK. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Wprowadzenie do modelowania ekonometrycznego Estymator Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 1 Estymator 1 / 16 Agenda 1 Literatura Zaliczenie przedmiotu 2 Model
Bardziej szczegółowoparametrów 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
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 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 szczegółowoEkonometria. 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 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 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 szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO Wykład 5
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 5 Analiza korelacji - współczynnik korelacji Pearsona Cel: ocena współzależności między dwiema zmiennymi ilościowymi Ocenia jedynie zależność liniową. r = cov(x,y
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO Wykład 7
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 7 Analiza korelacji - współczynnik korelacji Pearsona Cel: ocena współzależności między dwiema zmiennymi ilościowymi Ocenia jedynie zależność liniową. r = cov(x,y
Bardziej szczegółowoStatystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych
Statystyka matematyczna. Wykład IV. e-mail:e.kozlovski@pollub.pl Spis treści 1 2 3 Definicja 1 Hipoteza statystyczna jest to przypuszczenie dotyczące rozkładu (wielkości parametru lub rodzaju) zmiennej
Bardziej szczegółowoEkonometria. Weryfikacja liniowego modelu jednorównaniowego. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Weryfikacja liniowego modelu jednorównaniowego Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 2 Weryfikacja liniowego modelu jednorównaniowego 1 / 28 Agenda 1 Estymator
Bardziej szczegółowoStatystyka 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
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 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 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 szczegółowoStanisław 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 szczegółowoStatystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych.
Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Hipotezy i Testy statystyczne Każde
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 szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoWeryfikacja 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 szczegółowoRegresja 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
Bardziej szczegółowoStatystyka. Rozkład prawdopodobieństwa Testowanie hipotez. Wykład III ( )
Statystyka Rozkład prawdopodobieństwa Testowanie hipotez Wykład III (04.01.2016) Rozkład t-studenta Rozkład T jest rozkładem pomocniczym we wnioskowaniu statystycznym; stosuje się go wyznaczenia przedziału
Bardziej szczegółowoWIELKA 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 szczegółowoMetoda największej wiarogodności
Wprowadzenie Założenia Logarytm funkcji wiarogodności Metoda Największej Wiarogodności (MNW) jest bardziej uniwersalną niż MNK metodą szacowania wartości nieznanych parametrów Wprowadzenie Założenia Logarytm
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 szczegółowoStatystyka 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 szczegółowoTestowanie hipotez statystycznych. Wnioskowanie statystyczne
Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy
Bardziej szczegółowoTestowanie 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
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 szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje
Bardziej szczegółowoIdea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość
Idea Niech θ oznacza parametr modelu statystycznego. Dotychczasowe rozważania dotyczyły metod estymacji tego parametru. Teraz zamiast szacować nieznaną wartość parametru będziemy weryfikowali hipotezę
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 szczegółowoAnalizowane modele. Dwa modele: y = X 1 β 1 + u (1) y = X 1 β 1 + X 2 β 2 + ε (2) Będziemy analizować dwie sytuacje:
Analizowane modele Dwa modele: y = X 1 β 1 + u (1) Będziemy analizować dwie sytuacje: y = X 1 β 1 + X 2 β 2 + ε (2) zmienne pominięte: estymujemy model (1) a w rzeczywistości β 2 0 zmienne nieistotne:
Bardziej szczegółowoREGRESJA 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 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 szczegółowoKolokwium 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
Bardziej szczegółowoMetoda najmniejszych kwadratów
Metoda najmniejszych kwadratów Przykład wstępny. W ekonomicznej teorii produkcji rozważa się funkcję produkcji Cobba Douglasa: z = AL α K β gdzie z oznacza wielkość produkcji, L jest nakładem pracy, K
Bardziej szczegółowoTestowanie 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 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 szczegółowoRozdział 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
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 szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 4 Wrocław, 17 października 2011 Temat. Weryfikacja hipotez statystycznych dotyczących wartości oczekiwanej w dwóch populacjach o rozkładach normalnych. Model 3. Porównanie średnich
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 szczegółowo