Dr hab. Jerzy Czesław Ossowski Wybrane elementy ekonometrii stosowanej cz. II Istotność zmiennych modelu, autokorelacja i modele multiplikatywne
|
|
- Amalia Nowakowska
- 6 lat temu
- Przeglądów:
Transkrypt
1 Dr hab. Jerzy Czesław Ossowski Wybrane elemeny ekonomerii sosowanej cz. II Isoność zmiennych modelu, auokorelacja i modele muliplikaywne Ekonomeria-ćw.cz-SSW dr hab. Jerzy Czesław Ossowski Kaedra Nauk Ekonomicznych Wydział Zarządzania i Ekonomii Poliechniki Gdańskiej EKONOMETRIA - ELEMENTY EKONOMETRII STOSOWANEJ CZĘŚĆ II MATERIAŁY DO PRACY WŁASNEJ - CZĘŚĆ II BADANIE ISTOTNOŚCI ZMIENNYCH, AUTOKORELACJA, MODELE MULTIPLIKATYWNE 8. Badanie isoności zmiennych w modelu regresji liniowej Rozparywany model [por. (16) i (36.a) i (61)]: (79) y = + 1x1 + x + Pełny zapis oszacowanej posaci modelu (79) uwzględniający błędy szacunku paramerów [por.: (77)]: (8) yˆ ˆ ˆ ˆ = + 1 x1 + 1 x [ S( ˆ )] [ S( ˆ 1 )] [ S( ˆ )] Dowodzi się, że jeżeli zmienna losowa ma rozkład normalny o średniej warości równej zero (E =) i sałej wariancji (E = σ =cons.), o zmienna losowa: ˆ i i (81) i = S( ˆ i ) ma rozkład -Sudena o [n-(k+1)] sopniach swobody. Wykorzysując powyższą prawidłowość dokonać możemy weryfikacji hipoezy zerowej (H ) zakładającej zerową warość parameru i na rzecz hipoezy alernaywnej (H 1 ) uznającej dodanią lub ujemną warość egoż parameru, co zapiszemy nasępująco: H : = i H1 : i W warunkach hipoezy zerowej saysyka (81) przyjmie nasępującą posać: ˆ i (8) i =, ( = ) ( ˆ i S i ) Obliczoną na podsawie (8) warość empiryczną i konfronujemy z warością kryyczną α odczyaną z ablic rozkładu -Sudena dla liczby swobody [n-(k+1)] oraz arbiralnie usalonego poziomu isoności α (alfa). Konfronacja a prowadzić może do jednej z dwu nasępujących syuacji decyzyjnych: A: i > α B: i α Obecnie powiemy, że: W przypadku A odrzucamy hipoezę zerową (H ) na rzecz hipoezy alernaywnej (H 1 ). Oznacza o, że paramer i saysycznie isonie różni się od zera. Możemy ym samym uznać, że zmienna x i wysępująca przy paramerze i saysycznie isonie oddziałuje na zmienną objaśnianą y. W przypadku B nie mamy podsaw do odrzucenia hipoezy zerowej (H ). Oznacza o, że paramer i nie różni się w sensie saysycznym isonie od zera. Powinniśmy ym samym uznać, że zmienna x i wysępująca przy paramerze i w sensie saysycznym nieisonie oddziałuje na zmienną objaśnianą y. Przykład 4. (konynuacja przykładu 1, i 3 z części I) Rozważ nasępujący model i jego oszacowaną posać dla n=8 obserwacji: y = + 1x +, gdzie: y : kwaralne koszy produkcji w milionach złoych x : kwaralna produkcja elewizorów w yś. szuk yˆ = 1, +,8 x, (pod ocenami zamieszczono średnie błędy szacunku paramerów) (,3) (,1) 1
2 Dr hab. Jerzy Czesław Ossowski Wybrane elemeny ekonomerii sosowanej cz. II Isoność zmiennych modelu, auokorelacja i modele muliplikaywne Wiedząc, że warośćkryyczna saysyki -Sudena dla 6-ciu sopni swobody i założonego poziomu isoności α=,5 wynosi: α=,5 = 1,943: 1. Posawić hipoezę zerową i alernaywną doyczącą parameru 1 i wyjaśnić sens posawionych hipoez,. Wyznaczyć warość empiryczną saysyki 1 w warunkach posawionej hipoezy zerowej. 3. Zbadać isoność oddziaływania zmiennej x na zmienną y w założonych warunkach 4. Przedyskuować problem wysąpienia rozwiązania przeciwnego wobec rozwiązania orzymanego w punkcie 3. Ad 1 Hipoeza zerowa i alernaywna: H : 1 = H : 1 W warunkach, gdy nie ma podsaw do odrzucenia H powiemy, że paramer 1 saysycznie nieisonie różni się od zera. Tym samym musielibyśmy uznać, że wzros zmiennej x (produkcji elewizorów) nie wywoła żadnych isonych zmian zmiennej y (w zakresie koszów produkcji). Oznaczałoby o, że zmienna x w sensie saysycznym nieisonie oddziałuje na zmienną y. Innymi słowy właściwości maeriału saysycznego nie pozwalają na wiarygodną, nie obdarzoną dużymi błędami ocenę parameru srukuralnego. W przypadku odrzucenia hipoezy zerowej na rzecz hipoezy alernaywnej powiedzielibyśmy, że paramer 1 saysycznie isonie różni się od zera. Tym samym moglibyśmy uznać, że wzros zmiennej x (produkcji elewizorów) wywołuje saysycznie isony wpływ na zmienną y (koszy produkcji). Ad Warość empiryczna saysyki 1 w warunkach posawionej hipoezy zerowej: ˆ ˆ 1 [ 1 = ] 1,8 1 = = = = 38,1 S( ˆ ) ( ˆ ),1 1 S 1 Ad 3 Na podsawie dokonanych obliczeń swierdzamy, że: = 38,1 38,1 1 = Oznacza o, że: 38,1 > 1,943, 1 = α = ym samym hipoezę zerową odrzucamy na rzecz hipoezy alernaywnej. Powiemy więc, że w rozważanym przypadku paramer 1 saysycznie isonie różni się od zera. Mamy ym samym prawo uznać, że zmienna x (poziom produkcji elewizorów) wywołuje saysycznie isony wpływ na zmienną y (koszy produkcji). Należy zaznaczyć, iż w rozważanym przypadku prawdopodobieńswo uznania hipoezy fałszywej za prawdziwą jes równe α=,5. Ad 4 Gdybyśmy swierdzili, że: 1 α = 1,943 musielibyśmy przychylić się w kierunku hipoezy zerowej. W ych warunkach powiedzielibyśmy, że nie ma podsaw do odrzucenia hipoezy zerowej. Wskazywałoby o, że paramer 1 saysycznie nieisonie różni się od zera. Tym samym musielibyśmy uznać, że wzros zmiennej x (produkcji elewizorów) nie wywoła żadnych isonych zmian zmiennej y (w zakresie koszów produkcji). (parz punk 1). 9. Auokorelacja składników losowych pojęcie, przyczyny i pomiar 9.1. Pojecie auokorelacji składników losowych Rozparywany model [por. (16) i (36.a), (61) (79)]: (83) y = + 1x1 + x + Auokorelacja składników losowych wysąpi wedy, gdy składniki zakłócające z kolejnych okresów oddziaływają na siebie. Siłę ego związku określa współczynnik auokorelacji składników losowych. Podsawę auokorelacji wyznacza współczynnik auokorelacji pierwszego rzędu: cov(, 1) E( 1) (84) ρ 1 = = ; ( E E 1 cons.) = = δ = var( ) E 9.. Podsawowe przyczyny auokorelacji składników losowych: a) niewłaściwa posać analiyczna modelu ( np. posać liniowa modelu zamias nieliniowej), b) nieuwzględnienie w modelu isonych w sensie ekonomicznym zmiennych objaśniających, kóre w okresie próby saysycznej wykazywały nielosową zmienność ( wyraźne endencje zmian), c) niewłaściwe określenie w modelu opóźnień czasowych w zbiorze zmiennych objaśniających lub ich nieuwzględnienie w przypadku, gdy isnieją ku emu przesłanki, d) powolne wygasanie efeków działania składnika zakłócającego (losowego),
3 Dr hab. Jerzy Czesław Ossowski Wybrane elemeny ekonomerii sosowanej cz. II Isoność zmiennych modelu, auokorelacja i modele muliplikaywne e) w przypadku posługiwania się danymi miesięcznymi, kwaralnymi lub półrocznymi - nieuwzględnienie w modelu funkcji określającej efeky sezonowe lub niewyeliminowanie sezonowości w danych saysycznych (np. zasosowanie przyrosów rocznych zmiennych) Pomiar auokorelacji składników losowych: Z uwagi na fak, iż składniki losowe nie są obserwowalne, przy pomiarze auokorelacji składników losowych posługujemy się reszami modelu, uznając je za ocenę ich realizacji. W rezulacie ocenę współczynnika auokorelacji definiuje się nasępująco: n = ( ˆ ˆ 1) (85) ˆ ρ 1 = n ˆ = 1 W prakyce, przy weryfikacji auokorelacji składników losowych nie korzysa się z powyższego wyrażenia, gdyż saysyki opare na nim nie uwzględniałyby liczby zmiennych objaśniających w modelu. Tych mankamenów pozbawiona jes saysyka Durbina-Wasona: (86) DW = n = ( ˆ ˆ 1) n ˆ = 1 Waro zauważyć, że isnieje pewien przybliżony związek pomiędzy wyrażeniem (85) a (86), kóry zapisać możemy nasępująco: (87) DW (1 ˆ ρ1) Z powyższego wynika, że: A. ρ = 1 DW ˆ1 B. ρ = DW ˆ1 C. ˆ1 ρ = 1 DW 4 Oznacza o, że jeżeli saysyka empiryczna DW przyjmuje warość bliską, o może wsępnie uznać, iż auokorelacja jes nieisona. Szacując model w syuacji, gdy 1,5<DW<,5, wsępnie możemy uznać go za saysfakcjonujący z punku widzenia auokorelacji. Jak wykazali Durbin i Wason, rozkład saysyki DW dla liczby obserwacji n i liczby zmiennych k zawiera się miedzy dwiema innymi saysykami d L i d U, gdzie pierwsza jes kresem dolnym a druga kresem górnym w ej saysyc. Aby wykorzysać właściwości esu formułujemy nasępująco zapisane hipoezy konkurencyjne względem siebie: H : ρ 1 = H 1 : ρ 1 > Rozważyć możemy rzy nasępujące syuacje: I. DW < d L II. d L DW d U III. DW > d U W przypadku I hipoezę zerową odrzucamy na rzecz hipoezy alernaywnej, co wskazuje na silną dodanią auokorelację W przypadku II es nie daje odpowiedzi, w kierunku kórej z hipoez należy się przychylić (es jes niekonkluzywny). W przypadku III przychylamy się w kierunku hipoezy zerowej, uznając brak dodaniej auokorelacji między składnikami zakłócającymi. Tabela II.1 Przykład warości kryycznych rozkładu DW k 1 3 n d L d U d L d U d L d U 6,61 1, ,7 1,356,467 1, ,763 1,33,559 1,777,368,87 9,84 1,3,69 1,699,455, Przykład 5 (konynuacja przykładu 1 i ) Wykorzysując informacje saysyczne i oszacowania z przykładu 1 i oszacować i zinerpreować: 1. Empiryczną warość saysyki DW. Zweryfikować hipoezy doyczące auokorelacji składników losowych rozparywanego w przykładzie 1 modelu, 3. Przedyskuować problem wysąpienia rozwiązania przeciwnego wobec rozwiązania orzymanego w punkcie. 3
4 Dr hab. Jerzy Czesław Ossowski Wybrane elemeny ekonomerii sosowanej cz. II Isoność zmiennych modelu, auokorelacja i modele muliplikaywne Tabela II. Ad 1 ˆ ˆ 1 ˆ ˆ 1 ( ˆ ˆ 1 ) ˆ 1, ,1 -,1,1 -,,4,1 3,1 -,1,,4,1 4,1,1,,,1 5 -,,1 -,3,9,4 6 -,1 -,,1,1,1 7 -,3 -,1 -,,4,9 8,4 -,3,7,49,16, - -,71,34 Empiryczna warość saysyki DW (Durbina-Wasona): n= 8 ˆ ˆ = ( 1),71 DW = = =,88 n= 8ˆ,34 = 1 Zauważ, że: DW DW (1 ˆ ρ ) ˆ 1 ρ1 1 Oznacza o, że w analizowanym przypadku współczynnik auokorelacji resz pierwszego rzędu w przybliżeniu wynosi: DW,88 ˆ1 ρ 1 = 1 = 1 1,44 =,44 Ad Weryfikujemy nasępująco zdefiniowaną hipoezę zerową względem jej alernaywy: H : ρ 1 = H : ρ 1 > Z ablic rozkładu DW odczyujemy warości kryyczne d L i d U dla liczby obserwacji n=8 oraz liczby zmiennych objaśniających k=1 przy poziomie isoności α=,5. Warości e wynoszą odpowiednio: d L =, 763, d U = 1,33 Z uwagi na fak, iż: DW =,88 > d U = 1,33 Przychylamy się w kierunku H uznając, iż dodania auokorelacja składników losowych jes nieisona (wykluczamy wysąpienie dodaniej auokorelacji). Ad.3 Przypadek 3.a: Gdybyśmy swierdzili, że: DW < d L =,763 wówczas odrzucilibyśmy hipoezę zerową na rzecz hipoezy alernaywnej, Świadczyłoby o, iż w rozparywanym przypadku należałoby uznać isone dodanie skorelowanie składników losowych (jes o zw. dodania auokorelacja składników losowych). Przypadek 3.b: Gdybyśmy swierdzili, że: d L =,763 < DW < d U = 1,33 wówczas oznaczałoby o, iż es jes niekonkluzywny, a ym samym nie pozwala na przychylenie się w kierunku kórejś z posawionych hipoez. 1. Modele muliplikaywne podsawy 1.1 Muliplikaywne modele poęgowe Przykład poęgowego modelu muliplikaywnego: 1 1 (88) y = B x x e Posać zlinearyzowana modelu (88): (89) ln y = + 1 ln x1 + ln x + ; ( = ln B ) 4
5 Dr hab. Jerzy Czesław Ossowski Wybrane elemeny ekonomerii sosowanej cz. II Isoność zmiennych modelu, auokorelacja i modele muliplikaywne Właściwości inerpreacyjne modeli poęgowych: I.A. Uwagi doycząca pomiaru elasyczności w modelu o ogólnej posaci: y = y(x) Pojęcie elasyczności przedziałowej zmiennej y ze względu na x: E y(x) =[ y/y(x)]/( x/x), gdzie: x=x 1 -x ; y=y(x 1 )- y(x ) Powiemy, że jeżeli zmienna x wzrośnie o 1% o zmienna y zmieni się o około E y(x) %. Zauważ, że funkcję elasyczności przekszałcić możemy do nasępującej posaci: E y(x) =[ y/ x] [x/ y(x)] Oznacza o, że w granicy elasyczność punkowa będzie równa: E y(x) =lim x [ y/ x] [x/ y(x)]= [dy/ dx] [x/ y(x)] I.B. Przypadek funkcji poęgowej z jedną zmienną objaśniającą: y = A x a, gdzie: dy/dx = (a/x) A x a Oznacza o, że E y(x) = [dy/dx] [x/y(x)]= (a/x) A x a [x/ A x a ] = a Oznacza o, że w przypadku funkcji poęgowej elasyczność jes sała i ponado równa wykładnikowi poęgi. Powiemy więc, że jeżeli zmienna x wzrośnie o 1% o, zmienna y zmieni się (wzrośnie lub zmaleje) o a%. II. Uwagi doyczące pomiaru elasyczności w modelach poęgowych o ogólnej posaci: y = A x a z b Wykorzysując właściwości różniczki zupełnej, na podsawie powyższego modelu w nasępujący sposób określamy związek pomiędzy względną zmianą zmiennej y a względnymi zmianami zmiennych x i z: dy/y = a (dx/x) + b (dz/z) Oznacza o, że: 1. w warunkach sałości zmiennej z (zn. dz=) wzros x o 1% prowadzi do zmiany zmiennej y o a%, ym samym paramer a jes elasycznością cząskową y ze względu na x : E y(x) =(dy/y)/(dx/x), w warunkach gdy dz=,. w warunkach sałości zmiennej x (zn. dx=) wzros z o 1% prowadzi do zmiany zmiennej y o b%, ym samym paramer b jes elasycznością cząskową y ze względu na z : E y(z) =(dy/y)/(dz/z), w warunkach gdy dx=. Przykład 6 [modyfikacja modelu z przykładów 1, i 3 przypadek modelu poęgowego(muliplikaywnego)] Rozważ nasępującą zmodyfikowaną posać modelu z przykładu 1 (cz.1): y = B x 1 e Celem oszacowania paramerów srukuralnych powyższego modelu dokonano jego linearyzacji poprzez jego obusronne zlogarymowanie: ln y = + 1 ln x +, ( = ln B ) Powyższą posać modelu oszacowano za pomocą esymaora MNK i orzymano nasępujące wyniki: ln yˆ =,76 +,848 ln (pod ocena parameru 1 zamieszczony jes średni błąd szacunku) x (,7) R =,996 DW = 1,875 Odpowiednie warości kryyczne saysyk - Sudena i Durbina-Wasona wynoszą odpowiednio: [ α=,5 = 1,943 ], [d L =, 763, d U = 1,33] Na podsawie powyższych informacji: 1. Zinerpreować współczynnik deerminacji,. Zbadać isoność oddziaływania zmiennej x na zmienną y, 3. Zweryfikować hipoezy doyczące auokorelacji składników losowych, 4. Oszacowaną posać modelu sprowadzić do posaci pierwonej i zinerpreować wpływ zmiennej x na zmienną y. (zinerpreować oszacowaną elasyczność) Ad 1 Na podsawie współczynnika deerminacji R =,996 powiemy, że 99,6 % zmienności zmiennej objaśnianej (logarymu koszów produkcji) zosało wyjaśnione przez zmienną objaśniającą modelu (logarym poziomu produkcji elewizorów). 5
6 Dr hab. Jerzy Czesław Ossowski Wybrane elemeny ekonomerii sosowanej cz. II Isoność zmiennych modelu, auokorelacja i modele muliplikaywne Ad Weryfikujemy hipoezę zerową względem jej nasępująco zdefiniowanej alernaywy: H : 1 = H : 1 Warość empiryczna saysyki 1 w warunkach posawionej hipoezy zerowej wynosi: ˆ, = = = 37,36 ˆ( σ ˆ 1),7 Na podsawie dokonanych obliczeń swierdzamy, że: 1 = 37,36 = 37,36 Oznacza o, że: 1 = 37,36 > α = 1,943, ym samym hipoezę zerową odrzucamy na rzecz hipoezy alernaywnej. Powiemy więc, że w rozważanym przypadku paramer 1 saysycznie isonie różni się od zera. Mamy ym samym prawo uznać, że zmienna x (wielkość produkcji elewizorów) wywołuje saysycznie isony wpływ na zmienną y (koszy produkcji). Jednocześnie możemy powiedzieć, iż w rozważanym przypadku prawdopodobieńswo uznania hipoezy fałszywej za prawdziwą jes równe α=,5. Ad 3. Weryfikujemy nasępująco zdefiniowaną hipoezę zerową względem jej alernaywy: H : ρ 1 = H : ρ 1 > Z uwagi na fak, iż: DW = 1,875 > d U = 1,33 Przychylamy się w kierunku H uznając, iż dodania auokorelacja składników losowych jes nieisona (wykluczamy możliwość wysąpienia dodaniej auokorelacji składników losowych). Ad.4 Sprowadzenie posaci zlogarymowanej modelu do jego posaci pierwonej,76,848 ln y ˆ =,76 +,848 ln x yˆ = e x (,7) Elasyczność koszów ze względu na poziom produkcji: dyˆ / yˆ dyˆ yˆ E yˆ ( x) = = : =,848 dx / x dx x Powiemy, że jeżeli produkcja elewizorów wzrośnie o 1% o koszy produkcji wzrosną o około,848% z przecięnym błędem,3%. Zauważ, że elasyczność możemy wyrazić alernaywnie w posaci: a) pochodnej logarymicznej w punkcie funkcji: d ln yˆ E yˆ ( x) = =,848 d ln x b) lub relacji przyrosów logarymów zmiennych w przedziale funkcji: ln yˆ E yˆ ( x) = =,848 ln x Problem 9. (konynuacja problemu 8 z cz. I maeriałów) Zinerpreuj muliplikaywny model całkowiej konsumpcji globalnej oraz jego zlinearyzowanej posaci oszacowanej na podsawie informacji zawarych w abeli 3 z części I. Posać srukuralna modelu: CON B PKBN e = 1 Posać zlinearyzowana modelu: ln CON = + 1 ln PKBN +, ( = ln B ) Oszacowana posać zlinearyzowanego modelu: ln CON ˆ =,596+,884 PKBN (,151) (,) Podsawowe miary dopasowania modelu do rzeczywisości: R =,996 DW=1,951 6
7 Dr hab. Jerzy Czesław Ossowski Wybrane elemeny ekonomerii sosowanej cz. II Isoność zmiennych modelu, auokorelacja i modele muliplikaywne Odpowiednie warości kryyczne saysyk: [ α=,5 = 1,895 ], [d L =,84 d U = 1,3] 1. Muliplikaywne modele poęgowo-wykładnicze Przykład poęgowo-wykładniczego modelu muliplikaywnego: 1 (9) y = B x e e Posać zlinearyzowana modelu (88): (91) ln y = + 1 ln x + + Właściwości inerpreacyjne poęgowo-wykładniczego modelu muliplikaywnego. III. Uwagi doyczące właściwości inerpreacyjnych modeli poęgowo-wykładniczych o posaci: (1) y = A x a e b (=1,,3,...) A) Zauważmy, że w dowolnym okresie wzros x o 1% prowadzi do zmiany zmiennej y o a%, ym samym paramer a jes elasycznością cząskową y ze względu na x w okresie : E y(x) =(dy/y)/(dx/x)=a. B) Zauważmy, że w warunkach sałości zmiennej x funkcję (1), dla kolejnych okresów: -1 i, zapisać możemy nasępująco: (.1) y -1 = A e b (-1) (.) y = A e b gdzie: A = A x a -1 = A x a jako, że: x -1 =x =cons. dla = 1,,3... Wiedząc, że: y =y -y -1 oraz dzieląc (.) przez (.1) orzymujemy kolejno: (3.1) [y /y -1 ] = e b, (3.) [(y -1 + y )/y -1 ] = e b (3.3) [1+( y /y -1 )]= e b Osaecznie orzymujemy miernik empa zmian y w posaci okresowej sopy wzrosu zmiennej y (ry ): (4) ry : y /y -1 = e b -1 b Na podsawie (4) powiemy, że w warunkach sałości zmiennej x, z okresu na okres zmienna y wzrasa (lub maleje) o (e b -1) 1%, czyli w przybliżeniu o b 1%. Przykład 7 [modyfikacja modelu z przykładów 1,,3 i 6 przypadek modelu muliplikaywnego poęgowo-wykładniczego Rozważ nasępującą zmodyfikowaną posać modelu z przykładu 1 i 6 (cz.1): 1 y = B x e e Celem oszacowania paramerów srukuralnych powyższego modelu dokonano jego linearyzacji poprzez jego obusronne zlogarymowanie: ln y = + 1 ln x + +, ( = ln B ) Powyższą posać modelu na podsawie danych saysycznych z przykładu 1 oszacowano za pomocą esymaora MNK i orzymano nasępujące wyniki: ln yˆ =,638 +,593 ln x +,45 (pod ocena parameru 1 i zamieszczono ich średnie błędy szacunku) (,195) (,345) R =,997 DW =,166 Odpowiednie warości kryyczne saysyk - Sudena i Durbina-Wasona wynoszą odpowiednio: [ α=,5 =,15 ], [d L =,559, d U = 1,77] Na podsawie powyższych informacji: 1. Zinerpreować współczynnik deerminacji,. Zbadać isoność oddziaływania zmiennej x i na zmienną y, 3. Zweryfikować hipoezy doyczące auokorelacji składników losowych, 4. Oszacowaną posać modelu sprowadzić do posaci pierwonej i zinerpreować wpływ zmiennej x oraz na zmienną y. (zinerpreować oszacowaną elasyczność i warunkową sopę wzrosu) Ad 1 Na podsawie współczynnika deerminacji R =,997 powiemy, że 99,7 % zmienności zmiennej objaśnianej (logarymu koszów produkcji) zosało wyjaśnione przez zmienną objaśniającą modelu (logarym ilości elewizorów). Ad Weryfikujemy hipoezę zerową względem jej nasępująco zdefiniowanej alernaywy: H : 1 = H : 1 Warość empiryczna saysyki 1 w warunkach posawionej hipoezy zerowej wynosi: ˆ 1,593 1 = = = 3,4 ˆ( σ ˆ ),
8 Dr hab. Jerzy Czesław Ossowski Wybrane elemeny ekonomerii sosowanej cz. II Isoność zmiennych modelu, auokorelacja i modele muliplikaywne Na podsawie dokonanych obliczeń swierdzamy, że: = 3,4 3,4 1 = Oznacza o, że: 3,4 >,15, 1 = α = ym samym hipoezę zerową odrzucamy na rzecz hipoezy alernaywnej. Powiemy więc, że w rozważanym przypadku paramer 1 saysycznie isonie różni się od zera. Mamy ym samym prawo uznać, że zmienna x (wielkość produkcji elewizorów) w dowolnym okresie wywołuje saysycznie isony wpływ na zmienną y (koszy produkcji). Jednocześnie możemy powiedzieć, iż w rozważanym przypadku prawdopodobieńswo uznania hipoezy fałszywej za prawdziwą jes równe α=,5. Weryfikujemy hipoezę zerową względem jej nasępująco zdefiniowanej alernaywy: H : = H : Warość empiryczna saysyki w warunkach posawionej hipoezy zerowej wynosi: ˆ,45 = = = 1,34 S( ˆ ),345 Na podsawie dokonanych obliczeń swierdzamy, że: = 1,34 1,34 = Oznacza o, że: 1,34 <,15, = α = ym samym przy przyjęym poziomie isoności nie ma podsaw do odrzucenia hipoezy zerowej. Powiemy więc, że w rozważanym przypadku paramer nie wykazuje saysycznie isonej różnicy od zera. Mamy ym samym prawo uznać, że zmienna czasowa nie wpływa saysycznie isonie zmienną y (koszy produkcji). Ad 3. Weryfikujemy nasępująco zdefiniowaną hipoezę zerową względem jej alernaywy: H : ρ 1 = H : ρ 1 > Z uwagi na fak, iż: DW =,166 > d U = 1,77 przychylamy się w kierunku H uznając, iż dodania auokorelacja składników losowych jes nieisona (wykluczamy możliwość wysąpienia dodaniej auokorelacji składników losowych). Ad.4 Sprowadzenie posaci zlogarymowanej modelu do jego posaci pierwonej,76,848,45 ln yˆ =,638 +,593 ln x +,45 yˆ = e x e (,195) (,345) Elasyczność koszów produkcji ze względu na poziom produkcji: dyˆ / yˆ dyˆ yˆ E yˆ ( x) = = : =,593 dx / x dx x Powiemy, że w dowolnym okresie, jeżeli produkcja wzrośnie o 1% o koszy produkcji wzrosną o około,93% z przecięnym błędem,195%. Warunkowa sopa wzrosu koszów produkcji (zn., w warunkach sałości poziomu produkcji): yˆ ˆ, 45 r y = ( 1) =,46 ˆ = e ry % = 4,6% yˆ 1 Powiemy, że w warunkach sałości produkcji (x =cons.) przecięna roczna sopa wzrosu ich koszów produkcji wynosiła 4,6%. Można byłoby o łumaczyć między innymi wzrosem cen czynników produkcji (np. cen energii, paliw lub płac). 11. Przyczynowo-skukowy model płac realnych usuwanie przyczyn auokorelacji Problem 1 Zinerpreuj przyczynowo-skukowy muliplikaywny model poziomu przecięnej płacy realnej w Polsce oszacowany na podsawie danych rocznych z la Założenie do przyczynowo-skukowego modelu płac: Przecięny poziom realnej płacy (W) w danym okresie jes dodanio uzależniony od poziomu przecięnej wydajności pracy (APL) z danego okresu oraz ujemnie uzależniony od odpowiednio opóźnionej w czasie sopy bezrobocia (UR): W W ( APL, AUR ), = i ( + ) ( ) 8
9 Dr hab. Jerzy Czesław Ossowski Wybrane elemeny ekonomerii sosowanej cz. II Isoność zmiennych modelu, auokorelacja i modele muliplikaywne gdzie: AUR - uśredniona w roku sopa bezrobocia, i - sopień opóźnienia w czasie oddziaływaniu sopy bezrobocia na poziom płacy realnej Posać srukuralna modelu muliplikaywnego: W = B APL AUR 1 1 Zlinearyzowana osaeczna posać modelu: ln W = + 1 ln APL + ln AUR 1 + Oszacowana posać zlinearyzowanego modelu dla la : lnw ˆ 4,968+,661 ln APL,1 ln AUR e = 1 (,84) (,5) (,15) Podsawowe miary dopasowania modelu do rzeczywisości: R =,99 DW=1,691 Odpowiednie warości kryyczne saysyk dla n=14 obserwacji: [ α=,5 = 1,895 ], [d L =,95 d U = 1,551] Informacje o sopniu zmienności zmiennych wysępujących w modelu 1 Sopa bezrobocia (UR) oraz usredniona sopa bezrobocia w Polsce w laach UR AUR r 1996r 1997r 1998r 1999r r 1r r 3r 4r 5r 6r 7r 8r 9r 1,8 1,6 1,4 Indeksy płac realnych (IW), wydajnosci pracy (IAPL) oraz uśrednionej sopy bezrobocia (IAUR) w Polsce w laach IW IAPL IAUR 1, 1,8,6,4 1995r 1996r 1997r 1998r 1999r r 1r r 3r 4r 5r 6r 7r 8r 9r Problem 11 przyczyny auokorelacji Uwzględniając graficzne informacje o zmiennych wysępujących w przyczynowo-skukowym modelu płac, oceń przyczyny auokorelacji i sposoby usunięcia przyczyn, na podsawie nasępujących wersji modelu płac w konfronacji z osaeczna wersją modelu przedsawioną w problemie 1. 9
10 Dr hab. Jerzy Czesław Ossowski Wybrane elemeny ekonomerii sosowanej cz. II Isoność zmiennych modelu, auokorelacja i modele muliplikaywne Wersja 1. Model płac uwzględniający w zbiorze zmiennych objaśniających jedynie wydajność pracy: lnwˆ = 4,54 +,689ln APL R =,945 (,163) (,46) DW=,5 Wersja. Model płac uwzględniający w zbiorze zmiennych objaśniających wydajność pracy oraz nieopóźnioną zmienną sopy bezrobocia. lnwˆ = 4,875+,67 ln APL,99 ln AUR R =,977 (,138) (,314) DW=,643 (,44) ZADANIA DO CZĘŚCI II Zadanie 4 (konynuacja zadania 1, i 3 z części I maeriałów ) (parz: przykład 4) Rozważ nasępujący model i jego oszacowaną posać dla n =6 obserwacji: y = + 1x +, gdzie: y : konsumpcja globalna (bez konsumpcji zbiorowej) gospodarsw domowych w [mld. zł.] x : warość PKB [mld.zł] yˆ =,1 +,5 x, (pod ocenami zamieszczono średnie błędy szacunku paramerów) (,8) (,74) Wiedząc, że warośćkryyczna saysyki -Sudena dla 4-ch sopni swobody i założonego poziomu isoności α=,5 wynosi: α=,5 =,13: a. Posawić hipoezę zerową i alernaywną doyczącą parameru 1 i wyjaśnić sens posawionych hipoez, b. Wyznaczyć warość empiryczną saysyki 1 w warunkach posawionej hipoezy zerowej. c. Zbadać isoność oddziaływania zmiennej x na zmienną y w założonych warunkach. d. Przedyskuować problem wysąpienia rozwiązania przeciwnego wobec rozwiązania z punku 3. Zadanie 5 (konynuacja zadania 1, i 3 z części I maeriałów ) (parz: przykład 5) Wykorzysując informacje saysyczne i oszacowania z zadania 1 i części I, oszacować i zinerpreować: 1. Empiryczną warość saysyki DW.. Zweryfikować hipoezy doyczące auokorelacji składników losowych rozparywanego w zadaniu 1 modelu wiedząc, że dla liczby obserwacji n=6 oraz liczby zmiennych objaśniających k=1 przy poziomie isoności α=,5. warości kryyczne wynoszą odpowiednio: d L =,61 i d U = 1,4 3. Przedyskuować problem wysąpienia rozwiązania przeciwnego wobec rozwiązania z punku Tabela II.4 1 -,1,5 3,1 4 -,5 5,5 6 -,5 ˆ ˆ 1 ˆ ˆ 1 ( ˆ ˆ 1 ), Zadanie 6 (konynuacja zadania 1, i 3 z części I maeriałów ) (parz: przykład 6) Rozważ nasępującą zmodyfikowaną posać modelu z zadania 1 (cz.1): y = B x 1 e Celem oszacowania paramerów srukuralnych powyższego modelu dokonano jego linearyzacji poprzez jego obusronne zlogarymowanie: ln y = + 1 ln x +, ( = ln B ) Powyższą posać modelu oszacowano za pomocą esymaora MNK i orzymano nasępujące wyniki: ln yˆ =,56 +,96 ln x (pod ocena parameru 1 zamieszczony jes średni błąd szacunku) (,159) R =,91 DW = 1,937 Odpowiednie warości kryyczne saysyk - Sudena i Durbina-Wasona wynoszą odpowiednio: [ α=,5 =,13 ], [d L =,61 d U = 1,4] ˆ 1
11 Dr hab. Jerzy Czesław Ossowski Wybrane elemeny ekonomerii sosowanej cz. II Isoność zmiennych modelu, auokorelacja i modele muliplikaywne Na podsawie powyższych informacji: 1. Zinerpreować współczynnik deerminacji,. Zbadać isoność oddziaływania zmiennej x na zmienną y, 3. Zweryfikować hipoezy doyczące auokorelacji składników losowych, 4. Oszacowaną posać modelu sprowadzić do posaci pierwonej i zinerpreować wpływ zmiennej x na zmienną y. (zinerpreować oszacowaną elasyczność) Model wyjściowy: DODATEK I Przyczynowo-skukowy model zaporzebowania na pracę, 1 (1) L = B e K 1 Y ( α <, <, > ) α α ( 1) 1 () L 1 = Be K 1Y 1, gdzie: L zarudnienie, K kapiał rzeczowy, Y PKB Model sopy wzrosu zaporzebowania na pracę: (3) rl = α + 1 rk + ry gdzie sopy wzrosu zarudnienia, kapiału rzeczowego i produku krajowego: (3.1) rl = ( L / L 1) ln L = ln L ln L 1 (3.) rk = ( K / K 1) ln K = ln K ln K 1 (3.3) rpkb Y / Y ) lny = lny lny, ( PKB Y ) = ( Roczne sopy wzrosu PKB (rpkb), zarudnienia (ral) i kapiału rzeczowego (rak) rpkb ral rak r 1997r 1996r 1r r 1999r 4r 3r r 7r 6r 5r 1r 9r 8r Wniosek: Mała zmienność sopy wzrosu kapiału sprowadza model 3 do uproszczonej posaci: (4) rl = α + α X 5 + rpkb + 1 gdzie X5 jes zmienna zero-jedynkową przyjmującą nasępujące warości: - X5 = w laach , - X5 =1 w laach 5-1, Oszacowana posać modelu (4) dla okresu od 1996 r. do 1 (n=15): (5) rl = 3,81+ 1,69 X 5 +,8 rpkb R (,58) (,43) (,1) =,843; ˆ σ =,81; DW = 1,78 11
12 Dr hab. Jerzy Czesław Ossowski Wybrane elemeny ekonomerii sosowanej cz. II Isoność zmiennych modelu, auokorelacja i modele muliplikaywne A) Model dla la (X5=): (6.1) rl = 3,81 +,8 rpkb B) Model dla la 5-1 (X5=): (6.) rl =,1 +,8 rpkb Wnioski: 1). W laach 1996 do 1 wzros rocznej sopy wzrosu PKB o 1 punk % prowadził do przyrosu rocznej sopy wzrosu zarudnienia o o,8 p-ku procenowego,.1) W laach w warunkach zerowego wzrosu PKB (rpkb=) sopa wzrosu zarudnienia malała średniorocznie o 3,81%..) W laach 5-1 w warunkach zerowego wzrosu PKB (rpkb=) sopa wzrosu zarudnienia malała średniorocznie o,1%. Wyznaczanie granicznej sopy wzrosu PKB: A) dla la : (7.1) rl = 3,81 =,8 rpkb rpkb = 3,81/,8 = 4,65% B) dla la 5-1: (7.) rl =,1 =,8 rpkb rpkb =,1 /,8 =,6% I II Powiemy, że: A) w laach , aby nasąpił wzros zarudnienia, PKB powinien wzrasać w rocznym empie przekraczającym 4,65%, B) w laach 5-1, aby nasąpił wzros zarudnienia, PKB powinien wzrasać w rocznym empie przekraczającym,6%. I DODATEK II Globalny popy konsumpcyjny analiza przyczynowo skukowa Tabela1.1. Nominalne i realne globalne wydaki konsumpcyjne na le realnego Produku Krajowego Bruo w Polsce w laach (w mld złoych) ROK CON ICK RCON PKB IPKB URCON% 1995r 66,8 1, 66,8 337, 1, 79,1 1996r 34,3 1, , ,164 1,6 79,5 1997r 414,8 1, , ,3964 1,137 78, r 479,3 1, ,1776 4,6168 1,194 77, r 536,9 1,657 34,855 4,856 1,48 77,1947 r 67, 1, , ,344 1,3 76,55 1r 646, 1, ,68 444,496 1,318 75,7394 r 686, 1,956 35, ,499 1,336 77,845 3r 77,8 1, , ,336 1,388 76,6716 4r 76,7,414 37,635 49,9864 1,46 75,5864 5r 81,1, ,387 51,858 1,515 75,81 6r 856,,154 46,575 54,5548 1,69 74,9363 7r 9,9,158 47, ,396 1,718 73,819 8r 11,, , ,983 1,86 74,573 9r 168,8, ,98 619,4364 1,837 74,1367 1r 1136,, , ,5799 1,99 73,936 11r 17,6, , ,64 1,991 7,314 II 1
13 Dr hab. Jerzy Czesław Ossowski Wybrane elemeny ekonomerii sosowanej cz. II Isoność zmiennych modelu, auokorelacja i modele muliplikaywne r Wykres 1.1 Wydaki konsumpcyjne (RCON) oraz Produk Krajowy Bruo (PKB) w mld złoych w cenach sałych z roku 1995 w Polsce w laach r RCON PKB 1997r 1998r 1999r r 1r r 3r 4r 5r 6r 7r 8r 9r 1r 11r Wykres 1. Udział wydaków konsumpcyjnych (RCON) w Produkcie Krajowym Bruo (PKB) w cenach sałych: URCON=RCON/PKB URCON 1995r 1996r 1997r 1998r 1999r r 1r r 3r 4r 5r 6r 7r 8r 9r 1r 11r Podsawowe pojęcia z zakresu globalnego popyu konsumpcyjnego: I. Krańcowa skłonność do konsumpcji KSK (MPC): RCON C (1.1) KSK = PKB Y Na podsawie KSK powiemy, jaką część z każdej dodakowej jednoski PKB (Y) społeczeńswo przeznacza na konsumpcję (RCON=C). II. Przecięna skłonność do konsumpcji PSK (APC): RCON C (1.1) PSK = ; ( PSK1% = URCON %) PKB Y Na podsawie PSK powiemy, jaki jes udział wydaków konsumpcyjnych (RCON) w produkcie Krajowym Bruo (PKB). Liniowy model popyu konsumpcyjnego: () C = + 1Y + Ordinary Leas Squares Esimaion Dependen variable is RCON 17 observaions used for esimaion from 1995 o 11 Regressor Coefficien Sandard Error T-Raio[Prob] C [.] PKB [.] R-Squared R-Bar-Squared S.E. of Regression 3.74 F-sa. F( 1, 15) 73.6[.] Mean of Dependen Variable S.D. of Dependen Variable Residual Sum of Squares Equaion Log-likelihood Akaike Info. Crierion Schwarz Bayesian Crierion DW-saisic
14 Dr hab. Jerzy Czesław Ossowski Wybrane elemeny ekonomerii sosowanej cz. II Isoność zmiennych modelu, auokorelacja i modele muliplikaywne Oszacowana posać liniowego modelu popyu konsumpcyjnego: (3) Cˆ = 43,17+, 67 Y R (4,) (,8) =,998; ˆ σ = 3,7; DW = 1,876 Krańcowa skłonność do konsumpcji (KSK): Cˆ (4) KSK = =,67 (,8) Y Inerpreacja: Z każdego dodakowego miliarda zł PKB społeczeńswo przeznacza na konsumpcję przecięnie,67 mld złoych z przecięnym błędem,8 mld złoych. Funkcja przecięnej skłonności do konsumpcji (PSK): (5) P SK ˆ = 43,17 (1 / ) Y, 67 Oszacowana posać modelu PSK: Ordinary Leas Squares Esimaion Dependen variable is PSK 17 observaions used for esimaion from 1995 o 11 Regressor Coefficien Sandard Error T-Raio[Prob] OPKB [.] C [.] R-Squared.9459 R-Bar-Squared.8983 S.E. of Regression F-sa. F( 1, 15) 14.[.] Mean of Dependen Variable.766 S.D. of Dependen Variable.56 Residual Sum of Squares.614E-3 Equaion Log-likelihood Akaike Info. Crierion Schwarz Bayesian Crierion DW-saisic Inerpreacja: W warunkach, gdy PKB zmierzać będzie do nieskończoności, o udział wydaków konsumpcyjnych w produkcie krajowym zmierzać będzie do,67 (czyli 67%). Przekszałcenie modelu liniowego do modelu w posaci indeksowej (zależności względne na podsawie modelu liniowego) (6.1) C C = / C + ( / C ) Y + C (6.) (6.3) Gdzie: / 1 / / C = / C + ( 1 Y / C ) ( Y / Y ) + = + 1 Y + C C (6.4.a) C = C / C = C / 37, 5 (6.4.b) Y = Y / Y = Y / 49, 5 (6.4.c) ˆ = 44,41 / 37,5 =, 1 (6.4.d) ˆ = (,667 49,5) / 37,5 =, 89 1 Przekszałcona posać modelu liniowego do posaci indeksowej: (7) Cˆ =,1 +,89 Y Inerpreacja: Wzros produku krajowego o jeden punk procenowy (1 pk%) prowadzi do wzrosu konsumpcji globalnej przecięnie o około,89 punku procenowego (,89 pk%). 14
15 Dr hab. Jerzy Czesław Ossowski Wybrane elemeny ekonomerii sosowanej cz. II Isoność zmiennych modelu, auokorelacja i modele muliplikaywne (8) C = B Y e 1 Model poęgowy konsumpcji: Posać zlinearyzowana modelu poęgowego konsumpcji: (9) ln C = + 1 lny + Ordinary Leas Squares Esimaion Dependen variable is LRCON 17 observaions used for esimaion from 1995 o 11 Regressor Coefficien Sandard Error T-Raio[Prob] C [.] LPKB [.] R-Squared.9981 R-Bar-Squared S.E. of Regression.8677 F-sa. F( 1, 15) [.] Mean of Dependen Variable S.D. of Dependen Variable Residual Sum of Squares.153 Equaion Log-likelihood Akaike Info. Crierion Schwarz Bayesian Crierion DW-saisic Oszacowana posać zlinearyzowanego modelu popyu konsumpcyjnego: (1) ln Cˆ =,467+, 88 lny R (,61) (,1) =,998; ˆ σ =,83; DW = 1,9517 (11) Posać zdelogarymowana modelu: ˆ,467,88 C = e Y Inerpreacja: Wzros produku krajowego bruo o 1% prowadził do przecięnego przyrosu konsumpcji o,88% z błędem,1%. Oszacowana posać modelu PSK:,467,1 (1) ˆ P SK = e Y Inerpreacja: Wzros produku krajowego bruo o 1% prowadził do przecięnego spadku udziału wydaków konsumpcyjnych w produkcie krajowym o około,1%. Ordinary Leas Squares Esimaion Dependen variable is LPSK 17 observaions used for esimaion from 1995 o 11 Regressor Coefficien Sandard Error T-Raio[Prob] C [.] LPKB [.] R-Squared.9795 R-Bar-Squared.9181 S.E. of Regression.8677 F-sa. F( 1, 15) [.] Mean of Dependen Variable S.D. of Dependen Variable.6385 Residual Sum of Squares.153 Equaion Log-likelihood Akaike Info. Crierion Schwarz Bayesian Crierion DW-saisic
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
Bardziej szczegółowoEKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.
EKONOMERIA wykład Prof. dr hab. Eugeniusz Ganar eganar@mail.wz.uw.edu.pl Przedziały ufności Dla paramerów srukuralnych modelu: P bˆ j S( bˆ z prawdopodobieńswem parameru b bˆ S( bˆ, ( m j j j, ( m j b
Bardziej szczegółowoZajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego
Zajęcia. Esmacja i werfikacja modelu ekonomercznego Celem zadania jes oszacowanie liniowego modelu opisującego wpłw z urski zagranicznej w danm kraju w zależności od wdaków na urskę zagraniczną i liczb
Bardziej szczegółowolicencjat Pytania teoretyczne:
Plan wykładu: 1. Wiadomości ogólne. 2. Model ekonomeryczny i jego elemeny 3. Meody doboru zmiennych do modelu ekonomerycznego. 4. Szacownie paramerów srukuralnych MNK. Weryfikacja modelu KMNK 6. Prognozowanie
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk Krzywa wieża w Pizie 1 2 3 4 5 6 7 8 9 10 11 12 13 y 4,9642 4,9644 4,9656 4,9667 4,9673 4,9688 4,9696 4,9698 4,9713 4,9717 4,9725 4,9742 4,9757 Szeregiem czasowym nazywamy
Bardziej szczegółowoWNIOSKOWANIE STATYSTYCZNE
Wnioskowanie saysyczne w ekonomerycznej analizie procesu produkcyjnego / WNIOSKOWANIE STATYSTYCZNE W EKONOMETRYCZNEJ ANAIZIE PROCESU PRODUKCYJNEGO Maeriał pomocniczy: proszę przejrzeć srony www.cyf-kr.edu.pl/~eomazur/zadl4.hml
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 szczegółowoKlasyfikacja modeli. Metoda najmniejszych kwadratów
Konspek ekonomeria: Weryfikacja modelu ekonomerycznego Klasyfikacja modeli Modele dzielimy na: - jedno- i wielorównaniowe - liniowe i nieliniowe - sayczne i dynamiczne - sochasyczne i deerminisyczne -
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 szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk TREND WYODRĘBNIANIE SKŁADNIKÓW SZEREGU CZASOWEGO 1. FUNKCJA TRENDU METODA ANALITYCZNA 2. ŚREDNIE RUCHOME METODA WYRÓWNYWANIA MECHANICZNEGO średnie ruchome zwykłe średnie
Bardziej szczegółowoKURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE. Strona 1
KURS EKONOMETRIA Lekcja 1 Wprowadzenie do modelowania ekonomerycznego ZADANIE DOMOWE www.erapez.pl Srona 1 Część 1: TEST Zaznacz poprawną odpowiedź (ylko jedna jes prawdziwa). Pyanie 1 Kóre z poniższych
Bardziej szczegółowoStatystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego
Część VII. Analiza szeregu czasowego 1 DEFINICJA SZEREGU CZASOWEGO Szeregiem czasowym nazywamy zbiór warości cechy w uporządkowanych chronologicznie różnych momenach (okresach) czasu. Oznaczając przez
Bardziej szczegółowoE k o n o m e t r i a S t r o n a 1. Nieliniowy model ekonometryczny
E k o n o m e r i a S r o n a Nieliniowy model ekonomeryczny Jednorównaniowy model ekonomeryczny ma posać = f( X, X,, X k, ε ) gdzie: zmienna objaśniana, X, X,, X k zmienne objaśniające, ε - składnik losowy,
Bardziej szczegółowoAnaliza szeregów czasowych w Gretlu (zajęcia 8)
Analiza szeregów czasowych w Grelu (zajęcia 8) Grel jes dość dobrym narzędziem do analizy szeregów czasowych. Już w samej podsawie Grela znajdziemy sporo zaimplemenowanych echnik służących do obróbki danych
Bardziej szczegółowoJerzy Czesław Ossowski Politechnika Gdańska. Dynamika wzrostu gospodarczego a stopy procentowe w Polsce w latach
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Poliechnika Gdańska Dynamika wzrosu
Bardziej szczegółowoTESTOWANIE EGZOGENICZNOŚCI ZMIENNYCH W MODELACH EKONOMETRYCZNYCH
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Mariusz Doszyń TESTOWANIE EGZOGENICZNOŚCI ZMIENNYCH W MODELACH EKONOMETRYCZNYCH Od pewnego czasu w lieraurze ekonomerycznej pojawiają się
Bardziej szczegółowo1. Szereg niesezonowy 1.1. Opis szeregu
kwaralnych z la 2000-217 z la 2010-2017.. Szereg sezonowy ma charaker danych model z klasy ARIMA/SARIMA i model eksrapolacyjny oraz d prognoz z ych modeli. 1. Szereg niesezonowy 1.1. Opis szeregu Analizowany
Bardziej szczegółowoModel segmentowy bezzatrudnieniowego wzrostu gospodarczego
Maria Jadamus-Hacura * Krysyna Melich-Iwanek ** Model segmenowy bezzarudnieniowego wzrosu gospodarczego Wsęp Wzros gospodarczy jes jednym z podsawowych czynników kszałujących rynek pracy. Rynek en jes
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Gdański Zasosowanie modelu
Bardziej szczegółowoPobieranie próby. Rozkład χ 2
Graficzne przedsawianie próby Hisogram Esymaory przykład Próby z rozkładów cząskowych Próby ze skończonej populacji Próby z rozkładu normalnego Rozkład χ Pobieranie próby. Rozkład χ Posać i własności Znaczenie
Bardziej szczegółowoJerzy Czesław Ossowski Katedra Ekonomii i Zarzdzania Przedsibiorstwem Wydział Zarzdzania i Ekonomii Politechnika Gdaska
A.07.3 Jerzy Czesław Ossowski Kaedra Ekonomii i Zarzdzania Przedsibiorswem Wydział Zarzdzania i Ekonomii Poliechnika Gdaska XII Seminarium Naukowe Kaedry Ekonomii i Zarzdzania Przedsibiorswem Poliechniki
Bardziej szczegółowoZESTAW VI. ε, są składnikami losowymi. Oba modele są nieliniowe. Model (1) Y X Y = = Y X NIELINIOWE MODELE EKONOMETRYCZNE, FUNKCJA PRODUKCJI
NIELINIOWE MODELE EKONOMETRYCZNE, FUNKCJA PRODUKCJI ZESTAW VI Przykład: Weźmy pod uwagę dwa modele ednorównaniowe: () Y = a+ b + c, () Y = + g + g Z + ξ, Gdzie,Y,Z oznaczaą zmienne, a,b,c,,g paramery srukuralne
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1
PROGNOZOWANIE I SYMULACJE mgr Żanea Pruska Ćwiczenia 2 Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X, wyrażona w ysiącach wyprodukowanych i dosarczonych szuk firmie Bea,
Bardziej szczegółowoAnaliza rynku projekt
Analiza rynku projek A. Układ projeku 1. Srona yułowa Tema Auor 2. Spis reści 3. Treść projeku 1 B. Treść projeku 1. Wsęp Po co? Na co? Dlaczego? Dlaczego robię badania? Jakimi meodami? Dla Kogo o jes
Bardziej szczegółowoZASTOSOWANIE MODELI EKONOMETRYCZNYCH DO BADANIA SKŁONNOŚCI
Zasosowanie modeli ekonomerycznych do badania skłonności STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 2 39 MARIUSZ DOSZYŃ Uniwersye Szczeciński ZASTOSOWANIE MODELI EKONOMETRYCZNYCH DO BADANIA
Bardziej szczegółowoPrognoza scenariuszowa poziomu oraz struktury sektorowej i zawodowej popytu na pracę w województwie łódzkim na lata
Projek Kapiał ludzki i społeczny jako czynniki rozwoju regionu łódzkiego współfinansowany ze środków Unii Europejskiej w ramach Europejskiego Funduszu Społecznego Prognoza scenariuszowa poziomu oraz srukury
Bardziej szczegółowoMacierz X ma wymiary: 27 wierszy (liczba obserwacji) x 6 kolumn (kolumna jednostkowa i 5 kolumn ze zmiennymi objaśniającymi) X
ROZWIĄZANIA ZADAO Zadanie EKONOMETRIA_dw_.xls Na podsawie danych zamieszczonych w arkuszu Zadanie. Podad posad analiyczną modelu ekonomerycznego wielkości produkcji w przemyśle od PO - liczby pracujących
Bardziej szczegółowoJerzy Czesław Ossowski Katedra Nauk Ekonomicznych Zakład Ekonometrii Wydział Zarzdzania i Ekonomii Politechnika Gdaska
A.09.. Jerzy Cz. Ossowski, Mikro i Makroekonomiczne podsawy zaporzebowania na prac w eorii i rzeczywisoci gospodarki polskiej, XIV Ogólnopolska onferencja Naukowa n. Mikroekonomia w eorii i prakyce, aedra
Bardziej szczegółowoZATRUDNIENIE A WZROST GOSPODARCZY W TEORII I W RZECZYWISTOŚCI GOSPODARKI POLSKIEJ 1
PRZEGĄD STATSTCZN R. VII ZESZT 200 JERZ CZESŁAW OSSOWSKI ZATRUDNIENIE A WZROST GOSPODARCZ W TEORII I W RZECZWISTOŚCI GOSPODARKI POSKIEJ. MAKROEKONOMICZNE PODSTAW ZAPOTRZEBOWANIA NA PRACĘ Zaporzebowanie
Bardziej szczegółowoEwa Dziawgo Uniwersytet Mikołaja Kopernika w Toruniu. Analiza wrażliwości modelu wyceny opcji złożonych
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 7 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
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 szczegółowoCopyright by Politechnika Białostocka, Białystok 2017
Recenzenci: dr hab. Sanisław Łobejko, prof. SGH prof. dr hab. Doroa Wikowska Redakor naukowy: Joanicjusz Nazarko Auorzy: Ewa Chodakowska Kaarzyna Halicka Arkadiusz Jurczuk Joanicjusz Nazarko Redakor wydawnicwa:
Bardziej szczegółowoAlicja Ganczarek Akademia Ekonomiczna w Katowicach. Analiza niezależności przekroczeń VaR na wybranym segmencie rynku energii
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna w Kaowicach Analiza
Bardziej szczegółowospecyfikacji i estymacji modelu regresji progowej (ang. threshold regression).
4. Modele regresji progowej W badaniach empirycznych coraz większym zaineresowaniem cieszą się akie modele szeregów czasowych, kóre pozwalają na objaśnianie nieliniowych zależności między poszczególnymi
Bardziej szczegółowoPolitechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych
Poliechnika Częsochowska Wydział Inżynierii Mechanicznej i Informayki Sprawozdanie #2 z przedmiou: Prognozowanie w sysemach mulimedialnych Andrzej Siwczyński Andrzej Rezler Informayka Rok V, Grupa IO II
Bardziej szczegółowoANALIZA POWIĄZAŃ MIĘDZY INDEKSAMI GIEŁDY FRANCUSKIEJ, HOLENDERSKIEJ I BELGIJSKIEJ Z WYKORZYSTANIEM MODELU KOREKTY BŁĘDEM
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 083-86 Nr 89 06 Uniwersye Ekonomiczny w Kaowicach Wydział Ekonomii Kaedra Meod Saysyczno-Maemaycznych w Ekonomii pawel.prenzena@edu.ueka.pl
Bardziej szczegółowoKombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz
Noaki do wykładu 005 Kombinowanie prognoz - dlaczego należy kombinować prognozy? - obejmowanie prognoz - podsawowe meody kombinowania prognoz - przykłady kombinowania prognoz gospodarki polskiej - zalecenia
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK
1 PROGNOZOWANIE I SYMULACJE 2 hp://www.oucome-seo.pl/excel2.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodaek Solver jes dosępny w menu Narzędzia. Jeżeli Solver nie jes dosępny
Bardziej szczegółowoSTATYSTYCZNA WERYFIKACJA MODELU CAPM NA PRZYKŁADZIE POLSKIEGO RYNKU KAPITAŁOWEGO WPROWADZENIE METODOLOGIA TESTOWANIA MODELU
GraŜyna Trzpio, Dominik KręŜołek Kaedra Saysyki Akademii Ekonomicznej w Kaowicach e-mail rzpio@sulu.ae.kaowice.pl, dominik_arkano@wp.pl STATYSTYCZNA WERYFIKACJA MODELU CAPM NA PRZYKŁADZIE POLSKIEGO RYNKU
Bardziej szczegółowoPROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński
Ćwiczenia 2 mgr Dawid Doliński Modele szeregów czasowych sały poziom rend sezonowość Y Y Y Czas Czas Czas Modele naiwny Modele średniej arymeycznej Model Browna Modele ARMA Model Hola Modele analiyczne
Bardziej szczegółowoDobór przekroju żyły powrotnej w kablach elektroenergetycznych
Dobór przekroju żyły powronej w kablach elekroenergeycznych Franciszek pyra, ZPBE Energopomiar Elekryka, Gliwice Marian Urbańczyk, Insyu Fizyki Poliechnika Śląska, Gliwice. Wsęp Zagadnienie poprawnego
Bardziej szczegółowoEkonometria I materiały do ćwiczeń
lp daa wkładu ema Wkład dr Doroa Ciołek Ćwiczenia mgr inż. - Rodzaje danch sascznch - Zmienne ekonomiczne jako zmienne losowe 1a) Przkład problemów badawczch hipoeza, propozcja modelu ekonomercznego, zmienne
Bardziej szczegółowodr Bartłomiej Rokicki Katedra Makroekonomii i Teorii Handlu Zagranicznego Wydział Nauk Ekonomicznych UW
Kaedra Makroekonomii i Teorii Handlu Zagranicznego Wydział Nauk Ekonomicznych UW Sposoby usalania płac w gospodarce Jednym z głównych powodów, dla kórych na rynku pracy obserwujemy poziom bezrobocia wyższy
Bardziej szczegółowoANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1
ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1 mgr inż. Żanea Pruska Maeriał opracowany na podsawie lieraury przedmiou. Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X,
Bardziej szczegółowoElżbieta Szulc Uniwersytet Mikołaja Kopernika w Toruniu. Modelowanie zależności między przestrzennoczasowymi procesami ekonomicznymi
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyk Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoZarządzanie ryzykiem. Lista 3
Zaządzanie yzykiem Lisa 3 1. Oszacowano nasępujący ozkład pawdopodobieńswa dla sóp zwou z akcji A i B (Tabela 1). W chwili obecnej Akcja A ma waość ynkową 70, a akcja B 50 zł. Ile wynosi pięciopocenowa
Bardziej szczegółowoKonspekty wykładów z ekonometrii
Konspek wkładów z ekonomerii Budowa i werfikaca modelu - reść przkładu W wniku ssemacznch badań popu na warzwa w pewnm mieście, orzmano nasępuące szeregi czasowe: przros (zmian) popu na warzwa (w zł. na
Bardziej szczegółowoMetody prognozowania: Szeregi czasowe. Dr inż. Sebastian Skoczypiec. ver Co to jest szereg czasowy?
Meody prognozowania: Szeregi czasowe Dr inż. Sebasian Skoczypiec ver. 11.20.2009 Co o jes szereg czasowy? Szereg czasowy: uporządkowany zbiór warości badanej cechy lub warości określonego zjawiska, zaobserwowanych
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 szczegółowoWykład 4 Metoda Klasyczna część III
Teoria Obwodów Wykład 4 Meoda Klasyczna część III Prowadzący: dr inż. Tomasz Sikorski Insyu Podsaw Elekroechniki i Elekroechnologii Wydział Elekryczny Poliechnika Wrocławska D-, 5/8 el: (7) 3 6 fax: (7)
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )
Zadanie. Zmienna losowa: X = Y +... + Y N ma złożony rozkład Poissona. W abeli poniżej podano rozkład prawdopodobieńswa składnika sumy Y. W ejże abeli podano akże obliczone dla k = 0... 4 prawdopodobieńswa
Bardziej szczegółowoEstymator jest nieobciążony, jeśli jego wartośd oczekiwana pokrywa się z wartością szacowanego parametru.
ZAŁOŻENIA ESYMAORA MNK. E(u) średnia wartośd oczekiwana równa Zakłócenia (składniki losowe, reszty) nie wykazują żadnej tendencji do odchylania wartości empirycznych zmiennej objaśnianej od wartości teoretycznych
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 szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA
1 PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: mgr inż. ŻANETA PRUSKA DODATEK SOLVER 2 Sprawdzić czy w zakładce Dane znajduję się Solver 1. Kliknij przycisk Microsof Office, a nasępnie kliknij przycisk Opcje
Bardziej szczegółowoC d u. Po podstawieniu prądu z pierwszego równania do równania drugiego i uporządkowaniu składników lewej strony uzyskuje się:
Zadanie. Obliczyć przebieg napięcia na pojemności C w sanie przejściowym przebiegającym przy nasępującej sekwencji działania łączników: ) łączniki Si S są oware dla < 0, ) łącznik S zamyka się w chwili
Bardziej szczegółowoParytet stóp procentowych a premia za ryzyko na przykładzie kursu EURUSD
Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Marcin Gajewski Uniwersye Łódzki 4.12.2008 Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Niezabazpieczony UIP)
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 szczegółowoWitold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoIntegracja zmiennych Zmienna y
Inegracja zmiennych Zmienna y jes zinegrowana rzędu d jeśli jej różnice rzędu d są sacjonarne. Zapisujemy o y ~ I ( d ). Przyjmuje się również, że zmienna sacjonarna y (jako że nie rzeba jej różnicować,
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 szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
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 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 szczegółowoHeteroskedastyczność szeregu stóp zwrotu a koncepcja pomiaru ryzyka metodą VaR
Krzyszof Pionek Kaedra Inwesycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Heeroskedasyczność szeregu sóp zwrou a koncepcja pomiaru ryzyka meodą VaR Wsęp Spośród wielu rodzajów ryzyka
Bardziej szczegółowoSYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE
SYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE Janusz Sowiński, Rober Tomaszewski, Arur Wacharczyk Insyu Elekroenergeyki Poliechnika Częsochowska Aky prawne
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 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 szczegółowoK wartość kapitału zaangażowanego w proces produkcji, w tys. jp.
Sprawdzian 2. Zadanie 1. Za pomocą KMNK oszacowano następującą funkcję produkcji: Gdzie: P wartość produkcji, w tys. jp (jednostek pieniężnych) K wartość kapitału zaangażowanego w proces produkcji, w tys.
Bardziej 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 szczegółowoMetody Ilościowe w Socjologii
Metody Ilościowe w Socjologii wykład 2 i 3 EKONOMETRIA dr inż. Maciej Wolny AGENDA I. Ekonometria podstawowe definicje II. Etapy budowy modelu ekonometrycznego III. Wybrane metody doboru zmiennych do modelu
Bardziej szczegółowoStudia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 219 2015
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 2083-86 Nr 29 205 Alicja Ganczarek-Gamro Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Kaedra Demografii
Bardziej szczegółowoNatalia Iwaszczuk, Piotr Drygaś, Piotr Pusz, Radosław Pusz PROGNOZOWANIE GOSPODARCZE
Naalia Iwaszczuk, Pior Drygaś, Pior Pusz, Radosław Pusz PROGNOZOWANIE GOSPODARCZE Wyd-wo, Rzeszów 03 dr hab., prof. nadzw. Naalia Iwaszczuk, AGH Akademia Górniczo-Hunicza im. Sanisława Saszica w Krakowie
Bardziej szczegółowoPorównanie jakości nieliniowych modeli ekonometrycznych na podstawie testów trafności prognoz
233 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Porównanie jakości nieliniowych modeli ekonomerycznych na podsawie esów rafności prognoz Sreszczenie.
Bardziej szczegółowoWykład 3 POLITYKA PIENIĘŻNA POLITYKA FISKALNA
Makroekonomia II Wykład 3 POLITKA PIENIĘŻNA POLITKA FISKALNA PLAN POLITKA PIENIĘŻNA. Podaż pieniądza. Sysem rezerwy ułamkowej i podaż pieniądza.2 Insrumeny poliyki pieniężnej 2. Popy na pieniądz 3. Prowadzenie
Bardziej szczegółowoWYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA NA PRZYKŁADZIE VALUE AT RISK
Przemysław Jeziorski Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Zakład Demografii i Saysyki Ekonomicznej przemyslaw.jeziorski@ue.kaowice.pl WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA
Bardziej szczegółowoWZROST GOSPODARCZY A BEZROBOCIE
Wojciech Pacho & WZROST GOSPODARCZ A BEZROBOCIE Celem niniejszego arykułu jes pokazanie związku pomiędzy ezroociem a dynamiką wzrosu zagregowanej produkcji. Poszukujemy oowiedzi na pyanie czy i jak silnie
Bardziej szczegółowoHipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ
WERYFIKACJA HIPOTEZY O ISTOTNOŚCI OCEN PARAMETRÓW STRUKTURALNYCH MODELU Hpoezy o sonośc oszacowao paramerów zmennych objaśnających Tesowane sonośc paramerów zmennych objaśnających sprowadza sę do nasępującego
Bardziej szczegółowoInwestycje. Makroekonomia II Dr hab. Joanna Siwińska-Gorzelak
Inwesycje Makroekonomia II Dr hab. Joanna Siwińska-Gorzelak CIASTECZOWY ZAWRÓT GŁOWY o akcja mająca miejsce w najbliższą środę (30 lisopada) na naszym Wydziale. Wydarzenie o związane jes z rwającym od
Bardziej szczegółowoAnaliza i Zarządzanie Portfelem cz. 6 R = Ocena wyników zarządzania portfelem. Pomiar wyników zarządzania portfelem. Dr Katarzyna Kuziak
Ocena wyników zarządzania porelem Analiza i Zarządzanie Porelem cz. 6 Dr Kaarzyna Kuziak Eapy oceny wyników zarządzania porelem: - (porolio perormance measuremen) - Przypisanie wyników zarządzania porelem
Bardziej szczegółowoMNOŻNIK INWESTYCYJNY KEYNESA W OCENIE WPŁYWU INWESTYCJI W POGŁĘBIENIE TORU WODNEGO ŚWINOUJŚCIE-SZCZECIN DO 12,5 M NA GOSPODARKĘ POLSKI
PTiL 1/2017 (37) ISSN: 1644-275X www.wnus.edu.pl/pil DOI: 10.18276/pl.2017.37-28 187 201 MNOŻNIK INWESTYCYJNY KEYNESA W OCENIE WPŁYWU INWESTYCJI W POGŁĘBIENIE TORU WODNEGO ŚWINOUJŚCIE-SZCZECIN DO 12,5
Bardziej szczegółowoĆWICZENIE 7 WYZNACZANIE LOGARYTMICZNEGO DEKREMENTU TŁUMIENIA ORAZ WSPÓŁCZYNNIKA OPORU OŚRODKA. Wprowadzenie
ĆWICZENIE 7 WYZNACZIE LOGARYTMICZNEGO DEKREMENTU TŁUMIENIA ORAZ WSPÓŁCZYNNIKA OPORU OŚRODKA Wprowadzenie Ciało drgające w rzeczywisym ośrodku z upływem czasu zmniejsza ampliudę drgań maleje energia mechaniczna
Bardziej szczegółowoPOTENCJAŁ KONKURENCYJNY PRZEMYSŁU SPOŻYWCZEGO W POLSCE
MAŁGORZATA JUCHNIEWICZ ATARZYNA ŁUIEWSA Uniwersye Warmińsko-Mazurski Olszyn POTENCJAŁ ONURENCYJNY PRZEMYSŁU SPOŻYWCZEGO W POSCE Wprowadzenie Wielowymiarowe podejście do konkurencyjności powoduje, że w
Bardziej szczegółowoINWESTYCJE. Makroekonomia II Dr Dagmara Mycielska Dr hab. Joanna Siwińska-Gorzelak
INWESTYCJE Makroekonomia II Dr Dagmara Mycielska Dr hab. Joanna Siwińska-Gorzelak Inwesycje Inwesycje w kapiał rwały: wydaki przedsiębiorsw na dobra używane podczas procesu produkcji innych dóbr Inwesycje
Bardziej szczegółowoSTATYSTYKA EKONOMICZNA w LOGISTYCE. Metody statystyczne w analizie procesów produkcji
SAYSYKA EKONOMICZNA w LOGISYCE Meody saysyczne w analizie procesów produkcji Pomiar poziomu produkcji Produkcja jes maerialnym efekem działalności przedsiębiorswa przemysłowego. Do produkcji zalicza się
Bardziej szczegółowoStrukturalne podejście w prognozowaniu produktu krajowego brutto w ujęciu regionalnym
Jacek Baóg Uniwersye Szczeciński Srukuralne podejście w prognozowaniu produku krajowego bruo w ujęciu regionalnym Znajomość poziomu i dynamiki produku krajowego bruo wyworzonego w poszczególnych regionach
Bardziej szczegółowoWpływ przestępczości na wzrost gospodarczy
Magdalena Paszkiewicz Uniwersye Łódzki magpasz@wp.pl Wpływ przesępczości na wzros gospodarczy Myśl o dobrobycie jes bliska każdemu z nas. Chcielibyśmy być obywaelami bogaego, praworządnego pańswa, w kórego
Bardziej szczegółowoModelowanie i analiza szeregów czasowych
Modelowanie i analiza szeregów czasowych Małgorzaa Doman Plan zajęć Część. Modelowanie szeregów jednowymiarowych.. Szeregi jednowymiarowe własności i diagnozowanie. Modele auoregresji i średniej ruchomej
Bardziej szczegółowot 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,
Bardziej szczegółowoEKONOMETRIA. Prof. dr hab. Eugeniusz Gatnar.
EKONOMETRIA Prof. dr hab. Eugeniusz Gatnar egatnar@mail.wz.uw.edu.pl Sprawy organizacyjne Wykłady - prezentacja zagadnień dotyczących: budowy i weryfikacji modelu ekonometrycznego, doboru zmiennych, estymacji
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODEE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Joanna Małgorzaa andmesser Szkoła Główna
Bardziej szczegółowoAnaliza autokorelacji
Analiza autokorelacji Oblicza się wartości współczynników korelacji między y t oraz y t-i (dla i=1,2,...,k), czyli współczynniki autokorelacji różnych rzędów. Bada się statystyczną istotność tych współczynników.
Bardziej szczegółowoMODELOWANIE PROCESU PRODUKCJI W MAKROEKONOMETRYCZNYM MODELU W8D-2010
ACTA UNIVERSITATIS LODZIENSIS FOLIA OECONOMICA 294, 213 Waldemar Florczak *, Iwona Świeczewska ** Władysław Welfe *** MODELOWANIE PROCESU PRODUKCJI W MAKROEKONOMETRYCZNYM MODELU W8D-21 Sreszczenie. Arykuł
Bardziej szczegółowoPROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Barbara Baóg Iwona Foryś PROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH Wsęp Koszy dosarczenia wody
Bardziej szczegółowoNiestacjonarne zmienne czasowe własności i testowanie
Maeriał dla sudenów Niesacjonarne zmienne czasowe własności i esowanie (sudium przypadku) Nazwa przedmiou: ekonomeria finansowa I (22204), analiza szeregów czasowych i prognozowanie (13201); Kierunek sudiów:
Bardziej szczegółowoĆwiczenia 3 ( ) Współczynnik przyrostu naturalnego. Koncepcja ludności zastojowej i ustabilizowanej. Prawo Lotki.
Ćwiczenia 3 (22.04.2013) Współczynnik przyrosu nauralnego. Koncepcja ludności zasojowej i usabilizowanej. Prawo Loki. Współczynnik przyrosu nauralnego r = U Z L gdzie: U - urodzenia w roku Z - zgony w
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 szczegółowoDaniel Papla Akademia Ekonomiczna we Wrocławiu. Wykorzystanie modelu DCC-MGARCH w analizie zmian zależności wybranych akcji GPW w Warszawie
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 27 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna we Wrocławiu Wykorzysanie
Bardziej szczegółowoESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/3, 202, sr. 253 26 ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI Adam Waszkowski Kaedra Ekonomiki Rolnicwa i Międzynarodowych Sosunków
Bardziej szczegółowoOcena płynności wybranymi metodami szacowania osadu 1
Bogdan Ludwiczak Wprowadzenie Ocena płynności wybranymi meodami szacowania osadu W ubiegłym roku zaszły znaczące zmiany doyczące pomiaru i zarządzania ryzykiem bankowym. Są one konsekwencją nowowprowadzonych
Bardziej szczegółowo