EKONOMETRIA. Zastosowanie matematyki w ekonomii. Redaktor naukowy Janusz Łyko
|
|
- Daria Wasilewska
- 6 lat temu
- Przeglądów:
Transkrypt
1 EKONOMETRIA 26 Zastosowane matematyk w ekonom Redaktor naukowy Janusz Łyko Wydawnctwo Unwersytetu Ekonomcznego we Wrocławu Wrocław 2009
2 Sps treśc Wstęp... 7 Beata Bal-Domańska, Ekonometryczna analza sgma beta konwergencj regonów Un Europejskej... 9 Andrzej Bąk, Aneta Rybcka, Marcn Pełka, Modele efektów głównych modele z nterakcjam w conjont analyss z zastosowanem programu R. 25 Katarzyna Budny, Kurtoza wektora losowego Wktor Ejsmont, Optymalna lczebność grupy studentów Kaml Fjorek, Model regresj dla cechy przyjmującej wartośc z przedzału (0,) ujęce bayesowske Paweł Hanczar, Wyznaczane zapasu bezpeczeństwa w sec logstycznej Roman Huptas, Metody szacowana wewnątrzdzennej sezonowośc w analze danych fnansowych pochodzących z pojedynczych transakcj Aleksandra Iwancka, Wpływ zewnętrznych czynnków ryzyka na prawdopodobeństwo runy w skończonym horyzonce czasowym w weloklasowym modelu ryzyka Agneszka Lpeta, Stany równowag na rynkach warunkowych... 0 Krystyna Melch-Iwanek, Polsk rynek pracy w śwetle teor hsterezy Rafał Pszczek, Zastosowane modelu logt w modelowanu upadłośc Marcn Salamaga, Próba weryfkacj teor parytetu sły nabywczej na przykładze kursów wybranych walut Anton Smoluk, O zasadze dualnośc w programowanu lnowym Małgorzata Szulc-Janek, Influence of recommendatons announcements on stock prces of fuel market Jacek Welc, Regresja lnowa w szacowanu fundamentalnych współczynnków Beta na przykładze spółek gełdowych z sektorów: budownctwa, nformatyk oraz spożywczego Andrzej Wlkowsk, O współczynnku korelacj... 9 Mrosław Wójcak, Klasyfkacja nowych technolog energetycznych ze względu na determnanty ch rozwoju Andrzej Wójck, Wykorzystane model wektorowo-autoregresyjnych do modelowana gospodark Polsk Katarzyna Zeug-Żebro, Rekonstrukcja przestrzen stanów na podstawe welowymarowych szeregów czasowych... 29
3 6 Sps treśc Summares Beata Bal-Domańska, Econometrc analyss of sgma and beta convergence n the European Unon regons Andrzej Bąk, Aneta Rybcka, Marcn Pełka, Man effects models and man and nteractons models n conjont analyss wth applcaton of R software Katarzyna Budny, Kurtoss of a random vector Wktor Ejsmont, Optmal class sze of students Kaml Fjorek, Regresson model for data restrcted to the nterval (0,) Bayesan approach Paweł Hanczar, Safety stock level calculaton n a supply chan network Roman Huptas, Estmaton methods of ntraday seasonalty n transacton fnancal data analyss Aleksandra Iwancka, An mpact of some outsde rsk factors on the fnte- -tme run probablty for a mult-classes rsk model Agneszka Lpeta, States of contngent market equlbrum... 2 Krystyna Melch-Iwanek, The Polsh labour market n lght of the hysteress theory Rafał Pszczek, Logt model applcatons for bankruptcy modellng Marcn Salamaga, Attempt to verfy the purchasng power party theory n the case of some foregn currences Anton Smoluk, On dual prncple of lnear programmng Małgorzata Szulc-Janek, Analza wpływu rekomendacj analtyków na ceny akcj branży palwowej (Analza wpływu rekomendacj analtyków na ceny akcj branży palwowej) Jacek Welc, A lnear regresson n estmatng fundamental betas n the case of the stock market companes from constructon, t and food ndustres Andrzej Wlkowsk, About the coeffcent of correlaton Mrosław Wójcak, Classfcaton of new energy related technologes based on the determnants of ther development Andrzej Wójck, Usng vector-autoregressve models to modellng economy of Poland Katarzyna Zeug-Żebro, State space reconstructon from multvarate tme seres
4 PRACE NAUKOWE UNIWERSYTETU EKONOMICZNEGO WE WROCŁAWIU nr 76 Ekonometra Kaml Fjorek Unwersytet Ekonomczny w Krakowe MODEL REGRESJI DLA CECHY PRZYJMUJĄCEJ WARTOŚCI Z PRZEDZIAŁU (0, ) UJĘCIE BAYESOWSKIE Streszczene: W artykule przedstawono model regresj dla cechy, która przyjmuje wartośc z obustronne otwartego przedzału (0,). Krótko omówono wady powszechne stosowanych metod modelowana tego typu danych. W tym kontekśce zaprezentowano zreparametryzowany rozkład beta, a następne na jego podstawe skonstruowano model regresj. W ramach ujęca bayesowskego przedstawono estymację parametrów modelu, metody określana dobroc dopasowana oraz nterpretacj parametrów modelu. W dalszej częśc dokonano bayesowskego porównana model, zakładając, że rozkład zmennej zależnej jest rozkładem beta, smplex lub normalnym. Opsaną metodologę zlustrowano przykładem. Słowa kluczowe: beta regresja, ogranczona zmenna losowa, wnoskowane bayerowske.. Wstęp Ogólnym celem przeprowadzana analzy regresj jest próba loścowego ujęca zwązku pomędzy (najczęścej jedną) zmenną zależną (oznaczaną dalej symbolem y) a zmennym nezależnym. W praktyce powszechne stosowane są modele regresj dla cągłej (neogranczonej), lcznkowej lub bnarnej zmennej zależnej. Jednakże modele regresj dla zmennej, która przyjmuje wartośc z przedzału (0,), ne są powszechne znane, co oznacza, że ne są powszechne stosowane. Arbtralne założene mówące o tym, że zmenna zależna y (0,), ne jest szczególne ogranczające, gdyż dla y (a, b) (końce przedzału są znanym stałym) y a / b a 0,. możlwe jest przekształcene ( ) ( ) ( ) Keschnck [2003] przeprowadzł przegląd lteratury, aby określć najpopularnejsze metody analzy rozważanego w artykule typu danych. Na perwszym mejscu znalazła sę (co ne jest szczególnym zaskoczenem) klasyczna normalna regresja lnowa. Jednakże, ze względu na fakt, że zmenna zależna przyjmuje wartośc z przedzału (0,), założene o normalnośc rozkładu ne może być spełnone. Ponadto warancja ogranczonej zmennej losowej jest funkcją wartośc oczekwanej, powodując, że założene o stałej warancj składnka losowego ne jest spełnone. Co węcej, zastosowane tego podejśca może powodować generowane przez mo-
5 Model regresj dla cechy przyjmującej wartośc z przedzału (0, ) del predykcj spoza przedzału określonośc zmennej zależnej. Drugm często spotykanym postępowanem jest transformacja logtowa zmennej zależnej (surowych danych). Następne dla tak przekształconych danych wykonywana jest klasyczna regresja. Paolno [200] w swoch badanach symulacyjnych wykazał, że transformacja logtowa ne zawsze jest lepszym wyborem w porównanu z klasyczną regresją lnową, gdyż m.n. nedoszacowuje błędów średnch szacunku. Problemem równeż jest to, że transformacja logtowa ne stablzuje warancj zmennej zależnej. Inną metodą, już ne tak często stosowaną jak dwe poprzedne, jest wykorzystane modelu tobtowego. To podejśce równeż cerp z powodu pewnych neścsłośc, gdyż przyczyną braku danych spoza przedzału (0,) ne jest cenzorowane (lub ucęce), ale fakt, że take wartośc ne mogą wystąpć. Naturalnym rozwązanem wspomnanych powyżej problemów zwązanych z modelowanem wartośc z przedzału (0,) wydaje sę bezpośredne przyjęce rozkładu prawdopodobeństwa, który będze respektował ogranczene zmennej zależnej. 2. Rozkłady prawdopodobeństwa dla cechy o wartoścach z przedzału (0, ) W nnejszym artykule założono, że zmenna zależna przyjmuje wartośc z obustronne otwartego przedzału (0,). W przypadku, gdy przedzał ten jest obustronne (lub jednostronne) domknęty, opsane metody ne znajdują bezpośrednego zastosowana. Pewne podstawy teoretyczne w celu uogólnena metod na dyskretno-cągły rozkład zmennej zależnej poczynl autorzy prac [Lesaffre, Rzopoulos, Tsonaka 2004; Ospna, Ferrar 2008]. Rys.. Funkcja gęstośc rozkładu beta w zależnośc od wartośc parametrów kształtu Źródło: opracowane własne.
6 68 Kaml Fjorek Najbardzej znanym rozkładem prawdopodobeństwa zdefnowanym na przedzale (0,) jest dwuparametrowy rozkład beta. Rozkład beta jest bardzo elastyczny. W zależnośc od wartośc parametrów funkcja gęstośc może być symetryczna, asymetryczna, J-kształtna, L-kształtna lub U-kształtna. Na rysunku przedstawono klka przykładów funkcj gęstośc rozkładu beta. Innym proponowanym w lteraturze rozkładem prawdopodobeństwa zdefnowanym na przedzale (0,) jest dwuparametrowy rozkład smplex [Barndorff- -Nelsen 99; Keschnck 2003; Qu, Song, Tan 2008]. Pommo rozbudowanej bazy teoretycznej stnejącej dla tego rozkładu, jak wynka z badań symulacyjnych przeprowadzonych przez autora nnejszego opracowana, rozkład smplex jest mało elastyczny, tzn. funkcja gęstośc może zmenać kształt w ogranczonym zakrese. Z tego powodu w dalszej częśc pracy uwaga zostane skupona na modelu regresj, w którym warunkowy rozkład zmennej zależnej to rozkład beta. Funkcja gęstośc rozkładu beta w standardowej parametryzacj ma postać: ( p q) ( p) Γ( q) Γ + p q f( y p, q) = y ( y) ; 0< y< ; p > 0, q > 0, () Γ Γ() ( ) ( ) gdze oznacza funkcję gamma, natomast p oraz q są parametram kształtu. p Wartość oczekwana wynos E( y) =, natomast warancja p + q pq Var( y ) =. W przypadku, gdy oba parametry kształtu są węk- 2 p+ q p+ q+ sze od jednośc, rozkład beta ma wartość modalną. W przypadku, gdy oba parametry są równe, rozkład beta redukuje sę do rozkładu jednostajnego. Rozkład beta w standardowej parametryzacj ne jest dogodny do skonstruowana na jego podstawe modelu regresj. W tym kontekśce Ferrar Crbar-Neto [2004] zaproponowal zreparametryzowany rozkład beta. Wyszl on z założena, że typowe dla analzy regresj jest modelowane parametru rozkładu prawdopodobeństwa odpowedzalnego za wartość oczekwaną. Przyjmując następującą parametryzację p μ = ; φ = p + q; p = μφ; q = ( μ ) φ; 0< μ < ; φ > 0, uzyskano zmodyfkowaną wersję rozkładu beta, której funkcja gęstośc ma następującą p + q postać: = natomast warancja Γ( φ ) ( μφ ) ( ) ( μ φ ) ( ) ( ) μφ f( y, ) y y μφ μφ =. (2) Γ Γ W tym przypadku wartość oczekwana ma postać E( y) μ, V ( μ ) Var( y) =, gdze V ( μ ) μ( μ). + φ = Parametr φ może być nterpretowany
7 Model regresj dla cechy przyjmującej wartośc z przedzału (0, ) jako parametr precyzj, gdyż dla ustalonego μ zwększene wartośc φ powoduje zmnejszene warancj y. 3. Model regresj dla cechy o wartoścach z przedzału (0,) Nech będze danych n nezależnych obserwacj ( y ), =,..., n takch, że rozkład y jest postac y Beta( μφ φ( μ) ) μ, φ,. Model regresj jest uzyskany przez założene, że wartość oczekwana y może być zapsana jako pewna monotonczna transformacja lnowej kombnacj k zmennych nezależnych x (,..., ) : = x xk ( ) k ( k ) g μ = x β = η; j j j=,...,, k β = β. β β (3) Borąc pod uwagę, że zmenna zależna przyjmuje wartość z przedzału (0,), należy rozważyć tylko take transformacje lnowej kombnacj zmennych nezależnych g które przyjmują wartośc z przedzału (0,). Najprostszym wyborem (), μ jest przekształcene logtowe, tj. g ( μ ) = ln. μ W nektórych przypadkach preferowane jest jednak przyjęce nnej transformacj. Na przykład gdy prawdopodobne jest wystąpene obserwacj netypowych jako funkcję transformującą można wykorzystać dystrybuantę rozkładu t-studenta o małej lczbe stopn swobody. Istnejące badana symulacyjne wskazują, że w typowych sytuacjach ne ma dużej korzyśc ze stosowana nnej nż logtowa transformacj [Keschnck 2003]. Nc ne sto na przeszkodze, aby oprócz modelowana wartośc oczekwanej zmennej zależnej równeż modelować parametr precyzj φ jako funkcję zmennych nezależnych. Jednakże w tej pracy φ jest traktowane jako parametr zakłócający, nebędący przedmotem bezpośrednego zanteresowana. Po uwzględnenu wszystkch przyjętych założeń możlwe jest wyznaczene β, φ = μ, φ, gdze funkcj warygodnośc, a konkretne jej logarytmu: ( ) ( ) ( μ φ) ( φ) ( μφ) (( μ ) φ) ( μφ ) ln y + ( ) ln, = lnγ lnγ lnγ + μ φ x ( y ) oraz μ ( ) ' e β. = + W badanach symulacyjnych wykazano, że numeryczna maksymalzacja logarytmu funkcj warygodnośc ne nastręcza szczególnych trudnośc [Smthson, Verkulen 2005]. n =
8 70 Kaml Fjorek 4. Bayesowska estymacja modelu regresj dla cechy o wartoścach z przedzału (0, ) Buckley [2002] oraz Branscum, Johnson, Thurmond [2007] jako perws podjęl sę bayesowskej estymacj modelu regresj dla cechy o wartoścach z przedzału (0,). Obaj autorzy założyl dla zmennej zależnej rozkład beta oraz wykonal oblczena w programe WnBUGS (Bayesan Inference Usng Gbbs Samplng). Zastosowane gotowego środowska oblczenowego, jakm jest WnBUGS, przyspesza proces budowana modelu, aczkolwek ne pozwala wyjść poza możlwośc przewdzane przez autora oprogramowana. Oznacza to nezmerne utrudnone wykorzystane rozkładu zmennej zależnej nnego nż rozkład beta, a tym samym praktyczne wykluczona zostaje możlwość porównywana konkurencyjnych model. Ponadto, borąc pod uwagę znaczne ogranczony zakres aspektów wnoskowana bayesowskego poruszonych przez wspomnanych autorów, celowe wydają sę dalsze badana. Zastosowane podejśca bayesowskego w estymacj omawanego modelu regresj pozwala uwzględnć wstępną wedzę badacza w postac nałożonego na parametry modelu rozkładu a pror oraz umożlwa bardzej ntucyjną (w porównanu z wnoskowanem klasycznym) nterpretację przedzałów ufnośc. Zdanem autora są to ważnejsze (choć ne jedyne) zalety wnoskowana bayesowskego. Znaczną wadą jest natomast koneczność przeprowadzena względne skomplkowanych często czasochłonnych oblczeń. Wnoskowane bayesowske sprowadza sę (w zasadze) do wyznaczena rozkładu warunkowego parametrów przy ustalonych obserwacjach, nazywanego rozkładem a posteror [Osewalsk 200, s. 6-7]. Funkcję gęstośc rozkładu a posteror parametrów uzyskuje sę na podstawe wzoru Bayesa: L( μ( β), φ) p( β, φ n ) ( β φ ) = L( μ( β), φ) p( β, φ) dβdφ = ( μ( ) ) ( ) p, y L β, φ p β, φ, (4) n (, ) ( ( ), ) ( ( ) gdze ( ) f y μ β φ = L μ β φ y = L μ β, φ y to funkcja warygodnośc = dla n nezależnych obserwacj, a p( β, φ ) to rozkład a pror parametrów. W emprycznej częśc opracowana dla wszystkch parametrów przyjęto newłaścwe rozkłady a pror. Łączny rozkład parametrów (jak równeż ch rozkłady warunkowe) ne przyjmuje znanej postac. Wyklucza to bezpośredne metody symulacj z rozkładu a posteror oraz próbkowane Gbbsa. W tej sytuacj wykorzystano unwersalny algorytm Metropolsa-Hastngsa z błądzenem przypadkowym [Lynch 2007, s. 08-5] w celu wygenerowana próby z rozkładu a posteror (wykonywano losowań, perwsze uznawano za losowana spalone). Ponadto, w celu zbadana zbeżnośc do rozkładu a posteror, algorytm Metropolsa- )
9 Model regresj dla cechy przyjmującej wartośc z przedzału (0, ) Hastngsa rozpoczynano z różnych punktów startowych oraz obserwowano, czy zbega on do tego samego obszaru przestrzen parametrów. Standardową metodą analzy dopasowana modelu do danych jest wyznaczene funkcj gęstośc rozkładu predyktywnego (rozkładu przyszłych obserwacj) dla każdej z n orygnalnych obserwacj. W przypadku dobrego dopasowana danych do modelu, tzn. gdy model adekwatne opsuje proces generujący dane, przyszłe obserwacje pownny być podobne do rzeczywśce zaobserwowanych. Rozkład predyktywny uzyskuje sę z następującego wyrażena: p p ( ) (, ) ( ( ), ) (, ) p y y = p y β φ L μ β φ p β φ dβd φ. (5) Grafczna nspekcja dopasowana modelu do danych polega na nanesenu na wykres funkcj gęstośc rozkładu predyktywnego rzeczywstej realzacj zmennej zależnej. Jeżel obserwacja znajduje sę w centrum rozkładu predyktywnego, można stwerdzć dobre dopasowane, w przecwnym raze, gdy obserwacja znajduje sę w ogonach rozkładu, można mówć o złym dopasowanu [Lynch 2007, s ]. Omówona technka jest szczególne przydatna, gdy lczba zmennych nezależnych jest wększa od. Po określenu dobroc dopasowana należy przejść do nterpretacj kluczowych parametrów modelu (β). Ze względu na fakt, że wartość oczekwana rozkładu zmennej zależnej jest nelnową funkcją zmennych nezależnych, ch bezpośredna nterpretacja jest utrudnona. Aby ułatwć nterpretację, wyznacza sę efekty krańcowe dla poszczególnych zmennych nezależnych, przyjmując, że pozostałe zmenne znajdują sę na przecętnym pozome. Efekt krańcowy dla j-tej zmennej zależnej (w przypadku transformacj logtowej) wyraża sę następującym wzorem: ' ( x β) ' ( x β ) g( x) β exp = x j + exp Na grunce wnoskowana bayesowskego możlwe jest bezpośredne porównywane konkurujących ze sobą model w celu określena najlepszego modelu. Bayesowska dea porównywana model sprowadza sę do wyznaczena brzegowej gęstośc wektora obserwacj przy założenu danego modelu p( y M g ) = = L( μ ( β), φ M ) p( β, φ M ) g g dβdφ, gdze M g oznacza g-ty model. Iloraz gęstośc brzegowych dla dwóch konkurujących model nazywany jest czynnkem Bayesa (BF Bayes Factor). Wartość czynnka Bayesa wększa od przemawa na korzyść perwszego modelu. W praktyce wartośc wększe od 3 uznaje sę za znaczące. Na podstawe opsanej powyżej metodolog w dalszej częśc pracy zostaną porównane modele regresj zakładające, że rozkład zmennej zależnej jest rozkładem beta, smplex lub normalnym. 2. (6)
10 72 Kaml Fjorek Oblczene gęstośc brzegowej wektora obserwacj ne jest zadanem prostym. W rozważanym w częśc emprycznej przypadku rozmar przestrzen parametrów ne jest duży, dlatego też możlwe było wyznaczene prawdopodobeństw brzegowych za pomocą próbkowana z funkcją ważnośc q( ). Zadane to sprowadza sę do zastosowana ponższych formuł: BF ( g ) ( μ( β), φ) p( β, φ) q( βφ, ) L p ym = q dβdφ (7) w ( M ) ( ) r r = w r r M2, gdze wr( Mg) = r ( β, φ) ( β, φ) r( β, φ) q ( βφ, ) p y p Podstawowe zalecena odnośne do konstruowana funkcj ważnośc q( ) wskazują na wykorzystane welowymarowego rozkładu t-studenta o nskej lczbe stopn swobody, którego wektor wartośc oczekwanych oraz macerz kowarancj wyznacza sę na podstawe wynków próbkowana z rozkładu a posteror [Ross, Allenby, McCulloch 2005, s ; Congdon 2006, s ]. 5. Przykład empryczny Przedstawona metodologa zostane zlustrowana na podstawe zboru danych zawerającego nformację o dochodze całkowtym gospodarstwa domowego (zmenna nezależna) oraz o odsetku wydatków na żywność (zmenna zależna). Obserwacje pochodzą z losowej próby 38 gospodarstw domowych z dużego masta w Stanach Zjednoczonych (zob.: [Grffths, Hll, Judge 993, tab. 5.4]). Wybór tego stosunkowo prostego zboru danych jest podyktowany faktem, że klka spośród dotychczas opublkowanych opracowań traktujących o analze regresj zmennej zależnej o wartoścach z przedzału (0,) wykorzystuje go w celach lustracyjnych [Ferrar, Crbar-Neto 2004; Branscum, Johnson, Thurmond 2007]. r. Tabela. Wynk estymacj modelu regresj Parametr Ocena punktowa 95-procentowy przedzał ufnośc Efekty krańcowe 95-procentowy przedzał ufnośc β 0 0,2 ( 0,626; 0,208) β 0,9 ( 0,089; 0,0049) 0,00244 ( 0,00386; 0,0004) φ 27,5 (6,63; 4,8) Źródło: opracowane własne.
11 Model regresj dla cechy przyjmującej wartośc z przedzału (0, ) W tabel zaprezentowano podstawowe charakterystyk rozkładu a posteror parametrów modelu, tj. wartośc przecętne, które uzupełnono o 95-procentowe przedzały ufnośc. Dodatkowo umeszczono tam punktową oraz przedzałową ocenę efektu krańcowego zmany dochodu całkowtego gospodarstwa domowego (przy założenu, że dochód znajduje sę na przecętnym dla próby pozome). Na rysunku 2 przedstawono wykres rozrzutu danych wraz z nanesoną na nego funkcją regresj oraz dolną górną grancą predykcj (95-procentowy przedzał predykcj uzyskany na podstawe rozkładu predyktywnego). Na podkreślene zasługuje obserwacja, że uzyskane przedzały predykcj ścśle odzwercedlają naturę ogranczonej zmennej zależnej, tzn. są one asymetryczne (uwzględnene skośnośc rozkładu zmennej zależnej) oraz ch długość zmnejsza sę w marę zblżana sę do krańców przedzału określonośc zmennej zależnej (uwzględnene zależnośc warancj zmennej zależnej od jej wartośc oczekwanej). Rys. 2. Wykres rozrzutu danych wraz z dopasowaną funkcją regresj oraz 95-procentowym przedzałam predykcj Źródło: opracowane własne. Na rysunku 3 przedstawono wykres funkcj gęstośc predyktywnej dla dwóch przykładowych obserwacj. Wykres prezentuje rzeczywstą realzację zmennej zależnej (ponowa kreska) oraz rozkład prawdopodobeństwa dla przyszłych realzacj wartośc zmennej zależnej. Lewa część wykresu obrazuje sytuację, w której przyszłe obserwacje generowane przez model znajdują sę w zgodze z zaobserwowaną wartoścą. Natomast prawa część wykresu wskazuje sytuację, w której przyszłe obserwacje częścej będą wększe nż zaobserwowana wartość. W rozważanym przypadku (tylko zmenna nezależna) nformacja zawarta na rys. 3 znajduje sę w bezpośrednej korespondencj z nformacją przedstawoną na
12 74 Kaml Fjorek rys. 2. Jednakże w sytuacj dużej lczby zmennych nezależnych, gdy nemożlwe jest ch jednoczesne przedstawene na wykrese rozrzutu, wykresy gęstośc predyktywnej nadal dostarczają nformacj o jakośc dopasowana modelu do danych. Rys. 3. Funkcja gęstośc predyktywnej dla 2 przykładowych obserwacj Źródło: opracowane własne. Tabela 2. Porównane konkurencyjnych model regresj czynnk Bayesa Rozkład Beta Smplex Normalny Beta 0,82 20,6 Smplex,22 256,7 Normalny 0,0047 0,0039 Źródło: opracowane własne. W tabel 2 zaprezentowano wynk porównana konkurencyjnych specyfkacj model, w których kolejno założono, że rozkład zmennej zależnej jest rozkładem beta, smplex lub normalnym. W wynku stwerdzono, że dane przemawają za rozkładem smplex, jednakże różnca pomędzy nm a rozkładem beta jest zanedbywalna. Istotna jest obserwacja, że dane bardzo slne odrzucają model o warunkowym rozkładze normalnym na korzyść dwóch pozostałych model. 6. Dyskusja Interesującym, aczkolwek mało znanym rozkładem prawdopodobeństwa zdefnowanym na przedzale (0,) jest dwuparametrowy rozkład Kumaraswamy. Jest
13 Model regresj dla cechy przyjmującej wartośc z przedzału (0, ) on równe elastyczny jak rozkład beta [Mtnk 2008]. Wadą tego rozkładu w porównanu z rozkładem beta jest brak prostej formuły na wartość oczekwaną oraz warancję. Zaletą jest posadane dystrybuanty w postac analtycznej. Fakt ten otwera możlwość zbudowana modelu regresj na podstawe medany. Przedmotem dalszych prac będze próba wykorzystana bayesowskego uśrednana model w celu uwzględnena nepewnośc o prawdzwej postac rozkładu zmennej zależnej, tzn. tego, czy jest to rozkład beta, smplex czy rozkład Kumaraswamy. W przypadku omawanej klasy model jest to obszar dotychczas nezbadany. Lteratura Barndorff-Nelsen O., Some Parametrc Models on the Smplex, Journal of Multvarate Analyss 99 vol. 39, s Branscum A., Johnson W., Thurmond M., Bayesan Beta Regresson: Applcaton to Household Expendture Data and Genetc Dstance between Foot-and-mouth Dsease Vruses, Australan & New Zealand Journal of Statstcs 2007 vol. 49, no 3, s Buckley J., Estmaton of Models wth Beta-Dstrbuted Dependent Varables: A Replcaton and Extenson of Paolno (200), Poltcal Analyss 2002 vol., s. -2. Congdon P., Bayesan Statstcal Modellng, Wley, Ferrar S., Crbar-Neto F., Beta Regresson for Modellng Rates and Proportons, Journal of Appled Statstcs 2004 vol. 3(7), s Grffths W., Hll R., Judge G., Learnng and Practcng Econometrcs, Wley, 993. Keschnck R., Regresson Analyss of Varates Observed on (0,): Percentages, Proportons and Fractons, Statstcal Modellng 2003 vol. 3, no 3, s Lesaffre E., Rzopoulos D., Tsonaka S., The Logstc-transform for Bounded Outcome Scores, Techncal Report 0448, Lynch S., Introducton to Appled Bayesan Statstcs and Estmaton for Socal Scentsts, Sprnger, Mtnk P., The Kumaraswamy Dstrbuton: a Medan Dsperson Reparametrzaton for Regresson Modelng and Smulaton-based Estmaton, Workng Paper, Osewalsk J., Ekonometra bayesowska w zastosowanach, AE, Kraków, 200. Ospna R., Ferrar S., Inflated Beta Dstrbutons, Statstcal Papers, Sprnger, 0.007/s , Paolno P., Maxmum Lkelhood Estmaton of Models wth Beta-Dstrbuted Dependent Varables, Poltcal Analyss 200 vol. 9, no 4, s Qu Z., Song P., Tan M., Smplex Mxed-Effects Models for Longtudnal Proportonal Data, Scandnavan Journal of Statstcs 2008 vol. 35, s Ross P., Allenby G., McCulloch R., Bayesan Statstcs and Marketng, Wley, Smthson M., Verkulen J., A Better Lemon Squeezer? Maxmum-Lkelhood Regresson Wth Beta- Dstrbuted Dependent Varables, Psychologcal Methods 2006 vol., no, Smthson M., Verkulen J., Beta Regresson: Practcal Issues n Estmaton,
14 76 Kaml Fjorek REGRESSION MODEL FOR DATA RESTRICTED TO THE INTERVAL (0,) BAYESIAN APPROACH Summary: Ths artcle presents a regresson framework for a dependent varable whch s restrcted to the open nterval (0,). The man drawbacks of wdely used methods of modellng ths type of data (e.g. lnear regresson model) have been brefly dscussed. In ths context, the beta dstrbuted dependent varable s presented on the bass of whch a regresson model s constructed. The estmaton of the model parameters as well as graphcal methods for assessng the goodness of ft and the nterpretaton of model parameters are shown wthn the Bayesan framework. Next the Bayesan comparson of three competng models assumng the beta, smplex or normal dstrbuton of a dependent varable s conducted. The model comparson results are presented n terms of the Bayes Factors. Theoretcal results are appled to a small dataset on food expendture and ncome. Future research work wll nvestgate, among others, the applcaton of the Kumaraswamy dstrbuton for a dependent varable and the applcaton of the Bayesan model averagng.
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.
EKONOMETRIA. Zastosowanie matematyki w ekonomii. Redaktor naukowy Janusz Łyko
EKONOMETRIA 26 Zastosowane matematyk w ekonom Redaktor naukowy Janusz Łyko Wydawnctwo Unwersytetu Ekonomcznego we Wrocławu Wrocław 2009 Sps treśc Wstęp 7 Beata Bal-Domańska, Ekonometryczna analza sgma
) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
Natalia Nehrebecka. Zajęcia 3
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 3 1. Dobroć dopasowana równana regresj. Współczynnk determnacj R Dk Dekompozycja warancj zmennej zależnej ż Współczynnk determnacj R. Zmenne cągłe a
Stanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane
Zastosowanie hierarchicznej estymacji bayesowskiej w szacowaniu wartości dochodów ludności dla powiatów
Zastosowane herarchcznej estymacj bayesowskej w szacowanu wartośc dochodów ludnośc dla powatów Jan Kuback Ośrodek Statystyk Matematycznej, Urząd Statystyczny w Łodz Herarchczna estymacja bayesowska - wprowadzene
MODELOWANIE LICZBY SZKÓD W UBEZPIECZENIACH KOMUNIKACYJNYCH W PRZYPADKU WYSTĘPOWANIA DUŻEJ LICZBY ZER, Z WYKORZYSTANIEM PROCEDURY KROSWALIDACJI
Alcja Wolny-Domnak Unwersytet Ekonomczny w Katowcach MODELOWANIE LICZBY SZKÓD W UBEZPIECZENIACH KOMUNIKACYJNYCH W PRZYPADKU WYSTĘPOWANIA DUŻEJ LICZBY ZER, Z WYKORZYSTANIEM PROCEDURY KROSWALIDACJI Wprowadzene
Stanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada. Zajęcia 3
Stansław Cchock Natala Nehrebecka Katarzyna Rosak-Lada Zajęca 3 1. Dobrod dopasowana równana regresj. Współczynnk determnacj R 2 Dekompozycja warancj zmennej zależnej Współczynnk determnacj R 2 2. Zmenne
Stanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne
Funkcje i charakterystyki zmiennych losowych
Funkcje charakterystyk zmennych losowych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Funkcje zmennych losowych
( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X
Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są
Modele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.
Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można
Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4
Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja
Stanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych
Statystyka. Zmienne losowe
Statystyka Zmenne losowe Zmenna losowa Zmenna losowa jest funkcją, w której każdej wartośc R odpowada pewen podzbór zboru będący zdarzenem losowym. Zmenna losowa powstaje poprzez przyporządkowane każdemu
Natalia Nehrebecka. Wykład 2
Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad
Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 5 Mkołaj Czajkowsk Wktor Budzńsk Uogólnone modele lnowe Uogólnone modele lnowe (ang. Generalzed Lnear Models GLM) Różną sę od standardowego MNK na dwa sposoby: Rozkład zmennej objaśnanej
Pattern Classification
attern Classfcaton All materals n these sldes were taken from attern Classfcaton nd ed by R. O. Duda,. E. Hart and D. G. Stork, John Wley & Sons, 000 wth the permsson of the authors and the publsher Chapter
Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A
Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe
Mikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 10 Mkołaj Czajkowsk Wktor Budzńsk Jak analzować dane o charakterze uporządkowanym? Dane o charakterze uporządkowanym Wybór jednej z welkośc na uporządkowanej skal Skala ne ma nterpretacj
ANALIZA WPŁYWU OBSERWACJI NIETYPOWYCH NA WYNIKI MODELOWANIA REGIONALNEJ WYDAJNOŚCI PRACY
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 36, T. 1 Barbara Batóg *, Jacek Batóg ** Unwersytet Szczecńsk ANALIZA WPŁYWU OBSERWACJI NIETYPOWYCH NA WYNIKI MODELOWANIA REGIONALNEJ WYDAJNOŚCI
Stanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy
Prawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =
Weryfikacja hipotez dla wielu populacji
Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w
Natalia Nehrebecka. Zajęcia 4
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających
KURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 1 Statystyka opsowa ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 W statystyce opsowej mamy pełne nformacje
Statystyka Inżynierska
Statystyka Inżynerska dr hab. nż. Jacek Tarasuk AGH, WFIS 013 Wykład DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE Zmenna losowa, Funkcja rozkładu, Funkcja gęstośc, Dystrybuanta, Charakterystyk zmennej, Funkcje
Evaluation of estimation accuracy of correlation functions with use of virtual correlator model
Jadwga LAL-JADZIAK Unwersytet Zelonogórsk Instytut etrolog Elektrycznej Elżbeta KAWECKA Unwersytet Zelonogórsk Instytut Informatyk Elektronk Ocena dokładnośc estymacj funkcj korelacyjnych z użycem modelu
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
KURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
65120/ / / /200
. W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę
0 0,2 0, p 0,1 0,2 0,5 0, p 0,3 0,1 0,2 0,4
Zad. 1. Dana jest unkcja prawdopodobeństwa zmennej losowej X -5-1 3 8 p 1 1 c 1 Wyznaczyć: a. stałą c b. wykres unkcj prawdopodobeństwa jej hstogram c. dystrybuantę jej wykres d. prawdopodobeństwa: P (
ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 5(96)/2013
ZESZYTY NAUKOWE NSTYTUTU POJAZDÓW 5(96)/2013 Hubert Sar, Potr Fundowcz 1 WYZNACZANE MASOWEGO MOMENTU BEZWŁADNOŚC WZGLĘDEM OS PODŁUŻNEJ DLA SAMOCHODU TYPU VAN NA PODSTAWE WZORÓW DOŚWADCZALNYCH 1. Wstęp
6. ROŻNICE MIĘDZY OBSERWACJAMI STATYSTYCZNYMI RUCHU KOLEJOWEGO A SAMOCHODOWEGO
Różnce mędzy obserwacjam statystycznym ruchu kolejowego a samochodowego 7. ROŻNICE MIĘDZY OBSERWACJAMI STATYSTYCZNYMI RUCHU KOLEJOWEGO A SAMOCHODOWEGO.. Obserwacje odstępów mędzy kolejnym wjazdam na stację
Regulacje i sądownictwo przeszkody w konkurencji między firmami w Europie Środkowej i Wschodniej
Łukasz Goczek * Regulacje sądownctwo przeszkody w konkurencj mędzy frmam w Europe Środkowej Wschodnej Wstęp Celem artykułu jest analza przeszkód dla konkurencj pomędzy frmam w Europe Środkowej Wschodnej.
SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA Częstochowa 4 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TWIERDZENIE BAYESA Wedza pozyskwana przez metody probablstyczne ma
Komputerowe generatory liczb losowych
. Perwszy generator Komputerowe generatory lczb losowych 2. Przykłady zastosowań 3. Jak generuje sę lczby losowe przy pomocy komputera. Perwszy generator lczb losowych L. H. C. Tppet - 927 Ksąż ążka -
WPŁYW PARAMETRÓW DYSKRETYZACJI NA NIEPEWNOŚĆ WYNIKÓW POMIARU OBIEKTÓW OBRAZU CYFROWEGO
Walenty OWIECZKO WPŁYW PARAMETRÓW DYSKRETYZACJI A IEPEWOŚĆ WYIKÓW POMIARU OBIEKTÓW OBRAZU CYFROWEGO STRESZCZEIE W artykule przedstaono ynk analzy nepenośc pomaru ybranych cech obektu obrazu cyfroego. Wyznaczono
Metody predykcji analiza regresji
Metody predykcj analza regresj TPD 008/009 JERZY STEFANOWSKI Instytut Informatyk Poltechnka Poznańska Przebeg wykładu. Predykcja z wykorzystanem analzy regresj.. Przypomnene wadomośc z poprzednch przedmotów..
PROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE
PROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE Janusz Wątroba, StatSoft Polska Sp. z o.o. W nemal wszystkch dzedznach badań emprycznych mamy do czynena ze złożonoścą zjawsk procesów.
Mikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 13 Mkołaj Czajkowsk Wktor Budzńsk Symulacje Analogczne jak w przypadku cągłej zmennej zależnej można wykorzystać metody Monte Carlo do analzy różnego rodzaju problemów w modelach gdze zmenna
Procedura normalizacji
Metody Badań w Geograf Społeczno Ekonomcznej Procedura normalzacj Budowane macerzy danych geografcznych mgr Marcn Semczuk Zakład Przedsęborczośc Gospodark Przestrzennej Instytut Geograf Unwersytet Pedagogczny
ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 2(88)/2012
ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW (88)/01 Hubert Sar, Potr Fundowcz 1 WYZNACZANIE ASOWEGO OENTU BEZWŁADNOŚCI WZGLĘDE OSI PIONOWEJ DLA SAOCHODU TYPU VAN NA PODSTAWIE WZORU EPIRYCZNEGO 1. Wstęp asowy moment
O PEWNYM MODELU POZWALAJĄCYM IDENTYFIKOWAĆ K NAJBARDZIEJ PODEJRZANYCH REKORDÓW W ZBIORZE DANYCH KSIĘGOWYCH W PROCESIE WYKRYWANIA OSZUSTW FINANSOWYCH
Mateusz Baryła Unwersytet Ekonomczny w Krakowe O PEWNYM MODELU POZWALAJĄCYM IDENTYFIKOWAĆ K NAJBARDZIEJ PODEJRZANYCH REKORDÓW W ZBIORZE DANYCH KSIĘGOWYCH W PROCESIE WYKRYWANIA OSZUSTW FINANSOWYCH Wprowadzene
Rozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1
Rozkład dwupunktowy Zmenna losowa przyjmuje tylko dwe wartośc: wartość 1 z prawdopodobeństwem p wartość 0 z prawdopodobeństwem 1- p x p 0 1-p 1 p suma 1 Rozkład dwupunktowy Funkcja rozkładu prawdopodobeństwa
NAFTA-GAZ marzec 2011 ROK LXVII. Wprowadzenie. Tadeusz Kwilosz
NAFTA-GAZ marzec 2011 ROK LXVII Tadeusz Kwlosz Instytut Nafty Gazu, Oddzał Krosno Zastosowane metody statystycznej do oszacowana zapasu strategcznego PMG, z uwzględnenem nepewnośc wyznaczena parametrów
EKONOMETRIA. Zastosowanie matematyki w ekonomii. Redaktor naukowy Janusz Łyko
EKONOMETRIA 26 Zastosowanie matematyki w ekonomii Redaktor naukowy Janusz Łyko Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu Wrocław 2009 Spis treści Wstęp... 7 Beata Bal-Domańska, Ekonometryczna
Mikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 10 Mkołaj Czajkowsk Wktor Budzńsk Wybór uporządkowany Wybór uporządkowany (ang. ordered choce) Wybór jednej z welkośc na podanej skal Skala wartośc są uporządkowane Przykłady: Oceny konsumencke
Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE
Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:
Badanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej
Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.
STATECZNOŚĆ SKARP. α - kąt nachylenia skarpy [ o ], φ - kąt tarcia wewnętrznego gruntu [ o ],
STATECZNOŚĆ SKARP W przypadku obektu wykonanego z gruntów nespostych zaprojektowane bezpecznego nachylena skarp sprowadza sę do przekształcena wzoru na współczynnk statecznośc do postac: tgφ tgα = n gdze:
Stanisław Cichocki. Natalia Nehrebecka. Wykład 11
Stansław Cchock Natala Nehrebecka Wykład 11 1 1. Testowane hpotez łącznych 2. Testy dagnostyczne Testowane prawdłowośc formy funkcyjnej: test RESET Testowane normalnośc składnków losowych: test Jarque-Berra
Model oceny ryzyka w działalności firmy logistycznej - uwagi metodyczne
Magdalena OSIŃSKA Unwersytet Mkołaja Kopernka w Torunu Model oceny ryzyka w dzałalnośc frmy logstycznej - uwag metodyczne WSTĘP Logstyka w cągu ostatnch 2. lat stała sę bardzo rozbudowaną dzedzną dzałalnośc
MATERIAŁY I STUDIA. Zeszyt nr 286. Analiza dyskryminacyjna i regresja logistyczna w procesie oceny zdolności kredytowej przedsiębiorstw
MATERIAŁY I STUDIA Zeszyt nr 86 Analza dyskrymnacyjna regresja logstyczna w procese oceny zdolnośc kredytowej przedsęborstw Robert Jagełło Warszawa, 0 r. Wstęp Robert Jagełło Narodowy Bank Polsk. Składam
Propozycja modyfikacji klasycznego podejścia do analizy gospodarności
Jacek Batóg Unwersytet Szczecńsk Propozycja modyfkacj klasycznego podejśca do analzy gospodarnośc Przedsęborstwa dysponujące dentycznym zasobam czynnków produkcj oraz dzałające w dentycznych warunkach
MODELE COPULA M-GARCH O ROZKŁADACH NIEZMIENNICZYCH NA TRANSFORMACJE ORTOGONALNE
Mateusz Ppeń Unwersytet Ekonomczny w Krakowe MODELE COPULA M-GARCH O ROZKŁADACH NIEZMIENNICZYCH NA TRANSFORMACJE ORTOGONALNE Wprowadzene W analzach emprycznych przeprowadzonych z wykorzystanem welorównanowych
A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 389 TORUŃ 2009.
A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XXXIX NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZTYT 389 TORUŃ 2009 Unwersytet Mkołaja Kopernka w Torunu Katedra Ekonometr Statystyk Elżbeta
KONSTRUKCJA OPTYMALNYCH PORTFELI Z ZASTOSOWANIEM METOD ANALIZY FUNDAMENTALNEJ UJĘCIE DYNAMICZNE
Adranna Mastalerz-Kodzs Unwersytet Ekonomczny w Katowcach KONSTRUKCJA OPTYMALNYCH PORTFELI Z ZASTOSOWANIEM METOD ANALIZY FUNDAMENTALNEJ UJĘCIE DYNAMICZNE Wprowadzene W dzałalnośc nstytucj fnansowych, takch
Analiza i diagnoza sytuacji finansowej wybranych branż notowanych na Warszawskiej Giełdzie Papierów Wartościowych w latach
Jacek Batóg Unwersytet Szczecńsk Analza dagnoza sytuacj fnansowej wybranych branż notowanych na Warszawskej Gełdze Paperów Wartoścowych w latach 997-998 W artykule podjęta została próba analzy dagnozy
OPTYMALNE STRATEGIE INWESTYCYJNE PODEJŚCIE FUNDAMENTALNE OPTIMAL INVESTMENT STRATEGY FUNDAMENTAL ANALYSIS
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2014 Sera: ORGANIZACJA I ZARZĄDZANIE z. 68 Nr kol. 1905 Adranna MASTALERZ-KODZIS Unwersytet Ekonomczny w Katowcach OPTYMALNE STRATEGIE INWESTYCYJNE PODEJŚCIE FUNDAMENTALNE
± Δ. Podstawowe pojęcia procesu pomiarowego. x rzeczywiste. Określenie jakości poznania rzeczywistości
Podstawowe pojęca procesu pomarowego kreślene jakośc poznana rzeczywstośc Δ zmerzone rzeczywste 17 9 Zalety stosowana elektrycznych przyrządów 1/ 1. możlwość budowy czujnków zamenających werne każdą welkość
Analiza ryzyka jako instrument zarządzania środowiskiem
WARSZTATY 2003 z cyklu Zagrożena naturalne w górnctwe Mat. Symp. str. 461 466 Elżbeta PILECKA, Małgorzata SZCZEPAŃSKA Instytut Gospodark Surowcam Mneralnym Energą PAN, Kraków Analza ryzyka jako nstrument
PROGNOZOWANIE SPRZEDAŻY Z ZASTOSOWANIEM ROZKŁADU GAMMA Z KOREKCJĄ ZE WZGLĘDU NA WAHANIA SEZONOWE
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 36 Krzysztof Dmytrów * Marusz Doszyń ** Unwersytet Szczecńsk PROGNOZOWANIE SPRZEDAŻY Z ZASTOSOWANIEM ROZKŁADU GAMMA Z KOREKCJĄ ZE WZGLĘDU NA
ZASTOSOWANIE MODELU MOTAD DO TWORZENIA PORTFELA AKCJI KLASYFIKACJA WARUNKÓW PODEJMOWANIA DECYZJI
Krzysztof Wsńsk Katedra Statystyk Matematycznej, AR w Szczecne e-mal: kwsnsk@e-ar.pl ZASTOSOWANIE MODELU MOTAD DO TWORZENIA PORTFELA AKCJI Streszczene: W artykule omówono metodologę modelu MOTAD pod kątem
2012-10-11. Definicje ogólne
0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj
EKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnienia
EKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnena dr Dorota Cołek Katedra Ekonometr Wydzał Zarządzana UG http://wzr.pl/dorota-colek/ dorota.colek@ug.edu.pl 1 Wpływ skalowana danych na MNK
ZŁOŻONY MIESZANY ROZKŁAD POISSONA ZASTOSOWANIA UBEZPIECZENIOWE
Studa Ekonomczne. Zeszyty Naukowe Unwersytetu Ekonomcznego w Katowcach ISSN 083-8611 Nr 7 015 Mchał Trzęsok Unwersytet Ekonomczny w Katowcach Wydzał Zarządzana Katedra Analz Gospodarczych Fnansowych mchal.trzesok@ue.katowce.pl
Portfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego
Portel nwestycyjny ćwczena Na podst. Wtold Jurek: Konstrukcja analza rozdzał 5 dr chał Konopczyńsk Portele zawerające walor pozbawony ryzyka. lementy teor rynku kaptałowego 1. Pożyczane penędzy amy dwa
BADANIE DRGAŃ WŁASNYCH NAPĘDU ROBOTA KUCHENNEGO Z SILNIKIEM SRM
Zeszyty Problemowe Maszyny Elektryczne Nr 88/2010 13 Potr Bogusz Marusz Korkosz Jan Prokop POLITECHNIKA RZESZOWSKA Wydzał Elektrotechnk Informatyk BADANIE DRGAŃ WŁASNYCH NAPĘDU ROBOTA KUCHENNEGO Z SILNIKIEM
ZAJĘCIA X. Zasada największej wiarygodności
ZAJĘCIA X Zasada najwększej warygodnośc Funkcja warygodnośc Estymacja wg zasady maksymalzacj warygodnośc Rodzna estymatorów ML Przypadk szczególne WPROWADZEIE Komputerowa dentyfkacja obektów Przyjęce na
1.1. Uprość opis zdarzeń: 1.2. Uprościć opis zdarzeń: a) A B A Uprościć opis zdarzeń: 1.4. Uprościć opis zdarzeń:
.. Uprość ops zdarzeń: a) A B, A \ B b) ( A B) ( A' B).. Uproścć ops zdarzeń: a) A B A b) A B, ( A B) ( B C).. Uproścć ops zdarzeń: a) A B A B b) A B C ( A B) ( B C).4. Uproścć ops zdarzeń: a) A B, A B
Plan wykładu: Typowe dane. Jednoczynnikowa Analiza wariancji. Zasada: porównać zmienność pomiędzy i wewnątrz grup
Jednoczynnkowa Analza Waranc (ANOVA) Wykład 11 Przypomnene: wykłady zadana kursu były zaczerpnęte z podręcznków: Statystyka dla studentów kerunków techncznych przyrodnczych, J. Koronack, J. Melnczuk, WNT
EKONOMETRIA ECONOMETRICS 4(46) 2014
EKONOMERIA ECONOMERICS 4(46) 2014 Wydawnctwo Unwersytetu Ekonomcznego we Wrocławu Wrocław 2014 Redaktor Wydawnctwa: Aleksandra Ślwka Redaktor technczny: Barbara Łopusewcz Korektor: Barbara Cbs Łamane:
Zadane 1: Wyznacz średne ruchome 3-okresowe z następujących danych obrazujących zużyce energ elektrycznej [kwh] w pewnym zakładze w mesącach styczeń - lpec 1998 r.: 400; 410; 430; 40; 400; 380; 370. Zadane
EKONOMETRYCZNA ANALIZA WPŁYWU CZYNNIKÓW SUBIEKTYWNYCH NA DZIAŁALNOŚĆ SPÓŁEK NOTOWANYCH NA GIEŁDZIE PAPIERÓW WARTOŚCIOWYCH W WARSZAWIE
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 31 Marusz Doszyń Unwersytet Szczecńsk Beata Antonewcz-Nogaj Ccero SC EKONOMETRYCZNA ANALIZA WPŁYWU CZYNNIKÓW SUBIEKTYWNYCH NA DZIAŁALNOŚĆ SPÓŁEK
Regresja liniowa i nieliniowa
Metody prognozowana: Regresja lnowa nelnowa Dr nż. Sebastan Skoczypec Zmenna losowa Zmenna losowa X zmenna, która w wynku pewnego dośwadczena przyjmuje z pewnym prawdopodobeństwem wartość z określonego
Problemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA
Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA
Bayesowskie testowanie modeli tobitowych w analizie spłaty kredytów detalicznych
Jerzy Marzec, Katedra Ekonometr Badań Oeracyjnych, Unwersytet Ekonomczny w Krakowe 1 Bayesowske testowane model tobtowych w analze słaty kredytów detalcznych Wstę Podstawowym narzędzem wsomagającym racę
MIARY ZALEŻNOŚCI ANALIZA STATYSTYCZNA NA PRZYKŁADZIE WYBRANYCH WALORÓW RYNKU METALI NIEŻELAZNYCH
Domnk Krężołek Unwersytet Ekonomczny w Katowcach MIARY ZALEŻNOŚCI ANALIZA AYYCZNA NA PRZYKŁADZIE WYBRANYCH WALORÓW RYNKU MEALI NIEŻELAZNYCH Wprowadzene zereg czasowe obserwowane na rynkach kaptałowych
STATYSTYCZNA ANALIZA WYNIKÓW POMIARÓW
Zakład Metrolog Systemów Pomarowych P o l t e c h n k a P o z n ańska ul. Jana Pawła II 4 60-965 POZAŃ (budynek Centrum Mechatronk, Bomechank anonżyner) www.zmsp.mt.put.poznan.pl tel. +48 61 665 5 70 fax
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2010, Oeconomica 280 (59), 13 20
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Fola Pomer. Unv. Technol. Stetn. 2010, Oeconomca 280 (59), 13 20 Iwona Bą, Agnesza Sompolsa-Rzechuła LOGITOWA ANALIZA OSÓB UZALEŻNIONYCH OD ŚRODKÓW
ZASTOSOWANIE ANALIZY HARMONICZNEJ DO OKREŚLENIA SIŁY I DŁUGOŚCI CYKLI GIEŁDOWYCH
Grzegorz PRZEKOTA ZESZYTY NAUKOWE WYDZIAŁU NAUK EKONOMICZNYCH ZASTOSOWANIE ANALIZY HARMONICZNEJ DO OKREŚLENIA SIŁY I DŁUGOŚCI CYKLI GIEŁDOWYCH Zarys treśc: W pracy podjęto problem dentyfkacj cykl gełdowych.
Wykłady Jacka Osiewalskiego. z Ekonometrii. CZĘŚĆ PIERWSZA: Modele Regresji. zebrane ku pouczeniu i przestrodze
Wykłady Jacka Osewalskego z Ekonometr zebrane ku pouczenu przestrodze UWAGA!! (lstopad 003) to jest wersja neautoryzowana, spsana przeze mne dawno temu od tego czasu ne przejrzana; ma status wersj roboczej,
System Przeciwdziałania Powstawaniu Bezrobocia na Terenach Słabo Zurbanizowanych SPRAWOZDANIE Z BADAŃ Autor: Joanna Wójcik
Opracowane w ramach projektu System Przecwdzałana Powstawanu Bezroboca na Terenach Słabo Zurbanzowanych ze środków Europejskego Funduszu Społecznego w ramach Incjatywy Wspólnotowej EQUAL PARTNERSTWO NA
Badanie optymalnego poziomu kapitału i zatrudnienia w polskich przedsiębiorstwach - ocena i klasyfikacja
Jacek Batóg Unwersytet Szczecńsk Badane optymalnego pozomu kaptału zatrudnena w polskch przedsęborstwach - ocena klasyfkacja Prowadząc dzałalność gospodarczą przedsęborstwa kerują sę jedną z dwóch zasad
Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB
Rozwązywane zadań optymalzacj w środowsku programu MATLAB Zagadnene optymalzacj polega na znajdowanu najlepszego, względem ustalonego kryterum, rozwązana należącego do zboru rozwązań dopuszczalnych. Standardowe
Ćwiczenie 10. Metody eksploracji danych
Ćwczene 10. Metody eksploracj danych Grupowane (Clusterng) 1. Zadane grupowana Grupowane (ang. clusterng) oznacza grupowane rekordów, obserwacj lub przypadków w klasy podobnych obektów. Grupa (ang. cluster)
OeconomiA copernicana 2013 Nr 3. Modele ekonometryczne w opisie wartości rezydualnej inwestycji
OeconomA coperncana 2013 Nr 3 ISSN 2083-1277, (Onlne) ISSN 2353-1827 http://www.oeconoma.coperncana.umk.pl/ Klber P., Stefańsk A. (2003), Modele ekonometryczne w opse wartośc rezydualnej nwestycj, Oeconoma
Analiza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa. PARA ZMIENNYCH LOSOWYCH
Analza danych Analza danych welowymarowych. Regresja lnowa. Dyskrymnacja lnowa. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ PARA ZMIENNYCH LOSOWYCH Parę zmennych losowych X, Y możemy
Rachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej
Rachunek prawdopodobeństwa statstka W 11: Analz zależnoścpomędz zmennm losowm Model regresj welokrotnej Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Model regresj lnowej Model regresj lnowej prostej
BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda
BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp
Proces narodzin i śmierci
Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do
Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.
Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :
Hipotezy 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
Badania sondażowe. Braki danych Konstrukcja wag. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa
Badana sondażowe Brak danych Konstrukcja wag Agneszka Zęba Zakład Badań Marketngowych Instytut Statystyk Demograf Szkoła Główna Handlowa 1 Błędy braku odpowedz Całkowty brak odpowedz (UNIT nonresponse)
Stanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL W standardowym modelu lnowym zakładamy,
Krzywa wieża w Pizie. SAS Data Step. Przykład (2) Wykład 13 Regresja liniowa
Bonformatyka - rozwój oferty edukacyjnej Unwersytetu Przyrodnczego we Wrocławu projekt realzowany w ramac Programu Operacyjnego Kaptał Ludzk współfnansowanego ze środków Europejskego Funduszu Społecznego
SYSTEMY UCZĄCE SIĘ WYKŁAD 15. ANALIZA DANYCH WYKRYWANIE OBSERWACJI. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska
SYSTEMY UCZĄCE SIĘ WYKŁAD 15. ANALIZA DANYCH WYKRYWANIE OBSERWACJI ODSTAJĄCYCH, UZUPEŁNIANIE BRAKUJĄCYCH DANYCH Częstochowa 2014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska WYKRYWANIE
Sprawozdanie powinno zawierać:
Sprawozdane pownno zawerać: 1. wypełnoną stronę tytułową (gotowa do ćw. nr 0 na strone drugej, do pozostałych ćwczeń zameszczona na strone 3), 2. krótk ops celu dośwadczena, 3. krótk ops metody pomaru,
ANALIZA PRZESTRZENNA PROCESU STARZENIA SIĘ POLSKIEGO SPOŁECZEŃSTWA
TUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 36 Katarzyna Zeug-Żebro * Unwersytet Ekonomczny w Katowcach ANALIZA PRZETRZENNA PROCEU TARZENIA IĘ POLKIEGO POŁECZEŃTWA TREZCZENIE Perwsze prawo