Mikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński

Podobne dokumenty
Mikroekonometria 15. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 14. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński

Natalia Nehrebecka. Wykład 2

Mikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Natalia Nehrebecka Stanisław Cichocki. Wykład 10

Rachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej

Weryfikacja hipotez dla wielu populacji

Natalia Nehrebecka. Zajęcia 3

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4

Mikroekonometria 12. Mikołaj Czajkowski Wiktor Budziński

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

dy dx stąd w przybliżeniu: y

Analiza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa. PARA ZMIENNYCH LOSOWYCH

Natalia Nehrebecka. Dariusz Szymański

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Natalia Nehrebecka. Zajęcia 4

65120/ / / /200

Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Mikroekonometria 6. Mikołaj Czajkowski Wiktor Budziński

Stanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada. Zajęcia 3

Mikroekonometria 12. Mikołaj Czajkowski Wiktor Budziński

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4

IID = 2. i i i i. x nx nx nx

Mikroekonometria 7. Mikołaj Czajkowski Wiktor Budziński

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X

Mikroekonometria 6. Mikołaj Czajkowski Wiktor Budziński

EKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnienia

Dobór zmiennych objaśniających

W praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.

STATYSTYKA MATEMATYCZNA

Badania sondażowe. Braki danych Konstrukcja wag. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa

Stanisław Cichocki. Natalia Nehrebecka. Wykład 11

D. Ciołek EKONOMETRIA wykład 0 EKONOMETRIA. Wykład 0: Informacje o przedmiocie. dr Dorota Ciołek. Katedra Ekonometrii Wydział Zarządzania UG

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW

Regresja liniowa i nieliniowa

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Statystyka Opisowa 2014 część 2. Katarzyna Lubnauer

Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów

Mikroekonometria 4. Mikołaj Czajkowski Wiktor Budziński

WYDAWNICTWO UNIWERSYTETU ŁÓDZKIEGO

Mikroekonometria 2. Mikołaj Czajkowski Wiktor Budziński

Ntli Natalia Nehrebecka. Dariusz Szymański. Zajęcia 4

I. Elementy analizy matematycznej

Analiza zależności zmiennych ilościowych korelacja i regresja

Badanie współzaleŝności dwóch cech ilościowych X i Y. Analiza korelacji prostej. Badanie zaleŝności dwóch cech ilościowych. Analiza regresji prostej

Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD A

Statystyka Inżynierska

PROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE

Prawdopodobieństwo i statystyka r.

KURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. Strona 1

Problemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA

Analiza danych OGÓLNY SCHEMAT. Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)

Propozycja modyfikacji klasycznego podejścia do analizy gospodarności

EKONOMETRIA I Spotkanie 1, dn

Modele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.

Nieparametryczne Testy Istotności

Metody predykcji analiza regresji

0 0,2 0, p 0,1 0,2 0,5 0, p 0,3 0,1 0,2 0,4

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH

Procedura normalizacji

Szkolimy z pasją. tel.(012) ; ;

Modele selekcji próby

Uogolnione modele liniowe

ZASTOSOWANIE METOD EKONOMETRYCZNYCH DO BADANIA HETEROGENICZNOŚCI OBIEKTÓW

Egzamin ze statystyki/ Studia Licencjackie Stacjonarne/ Termin I /czerwiec 2010

ANALIZA KORELACJI WYDATKÓW NA KULTURĘ Z BUDŻETU GMIN ORAZ WYKSZTAŁCENIA RADNYCH

XXX OLIMPIADA FIZYCZNA ETAP III Zadanie doświadczalne

Mikroekonometria 2. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 4. Mikołaj Czajkowski Wiktor Budziński

III. Przetwornice napięcia stałego

WPROWADZENIE DO ANALIZY KORELACJI I REGRESJI

5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim

Monte Carlo, bootstrap, jacknife


Mikroekonometria 9. Mikołaj Czajkowski Wiktor Budziński

Analiza regresji modele ekonometryczne

DZIAŁALNOŚĆ INWESTYCYJNA GOSPODARSTW ROLNYCH

Kwantowa natura promieniowania elektromagnetycznego

Współczynnik korelacji liniowej oraz funkcja regresji liniowej dwóch zmiennych

Mikroekonometria 3. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński

Ekonometria. Zajęcia

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 8

Ekonometria ćwiczenia Kolokwium 1 semestr 20/12/08. / 5 pkt. / 5 pkt. / 5 pkt. / 5 pkt. /20 pkt. Regulamin i informacje dodatkowe

EKONOMETRIA Wykład 5: Zmienne zerojedynkowe w modelowaniu ekonometrycznym

SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.

Evaluation of estimation accuracy of correlation functions with use of virtual correlator model

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ

Stanisław Cichocki Natalia Nehrebecka. Wykład 2

Modele długości trwania

Rozdział 6 MODELE ZMIENNEJ JAKOŚCIOWEJ

Proces narodzin i śmierci

Badanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej

Stanisław Cichocki Natalia Nehrebecka. Wykład 2

Transkrypt:

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 objaśnana jest np. dyskretna 1. Sprawdź konsekwencje pomnęca heteroskedastycznośc w modelu probtowym 2. Sprawdź konsekwencje wykorzystana tych samych zmennych objaśnających w obu równanach w modelu heckmana

Modele dla trwana Modele dla trwana zjawska jedna z aplkacj cenzurowana danych Np. czas trwana bezroboca, strajku, choroby, życa po operacj/leczenu, funkcjonowana frmy, czas do poczęca dzecka, aresztowana Cenzurowane dla częśc obserwacj proces może nadal trwać Interesują nas raczej prawdopodobeństwa nż momenty (modele ryzyka; ang. hazard models) Czy prawdopodobeństwo maleje, jest stałe czy rośne z upływem czasu? Różne postace funkcyjne dla funkcj przetrwana, dające różne przewdywana dla zachowana sę prawdopodobeństwa w czase

Modele dla trwana Można wykorzystywać modele parametryczne, np. uogólnone modele lnowe take jak model wykładnczy lub model Webulla Najczęścej wykorzystywany jest jednak model semparametryczny: model proporcjonalnych hazardów Coxa: Funkcją hazardu nazywamy: ht 1 lm S t S t t f t S t t 0 t S t Mów nam o przecętnej lczbe 'śmerc' na jednostkę czasu

Modele dla trwana Zakładamy, że hazard dla -tego respondenta ma następującą postać: X β h t h0 t exp Model może zostać wyestymowany przy pomocy MNW Funkcja najwększej warygodnośc L h j 0 t expx β Y h t expx β j 0 j Y 1 gdy t t j j 0 gdy obserwacja jest ocenzurowana

Zadane 3. Modele dla trwana 1. Wczytaj dane me.dsrupt.dta 2. Narysuj funkcję przetrwana Dlaczego p-stwo przetrwana ngdy ne spada ponżej 0.7? Narysuj funkcję przetrwana osobno dla zwązków, w których mężczyzna stosował przemoc ne 3. Przygotuj model proporcjonalnych hazardów Coxa znterpretuj wynk

Modele dla trwana Możlwe rozszerzena Zmenne objaśnające zmenające sę w czase Stratyfkacja podstawowej (baselne) funkcj hazardu Fralty

Ocena efektów dzałań Interesuje nas ocena efektów dzałana (ang. treatment effects) Np. znaczene wyższego wykształcena dla zarobków, wpływ karmena persą/palena na IQ dzecka, dzałana leku, dana łapówk Efekty dzałań mogą być endogenczne (wspólne czynnk wyjaśnające poddane sę 'dzałanu' jego efekt) Np. na unwersytet dą ludze o określonych cechach Brak możlwośc kontrol nnego stanu (ang. mssng counterfactual) Albo ktoś jest poddany dzałanu, albo ne Często brak możlwośc losowego przydzału do próby eksperymentu

Ocena efektów dzałań Ocena efektów dzałana wymaga kontrolowana wpływu doboru próby na efekt (mus uwzględnać korelację) C γz u, C 1 jeśl C 0, 0 w p.p. y βx u, BN 0, Analogczne jak w przypadku modelu z endogencznoścą Zmenna endogenczna jest teraz bnarna Model pozwala na oszacowane średnego wpływu dzałana na poddanych dzałanu

Zadane 4. Ocena efektów dzałań 1. Wczytaj dane me.medexp3.dta 2. Wykorzystaj regresję z endogencznym dzałanem, żeby sprawdzć wpływ posadana dodatkowego ubezpeczena na logarytm wydatków na lek 3. Porównaj wynk z 2MNK MNK

Ocena efektów dzałań Możlwe rozszerzena: Załóżmy, że jesteśmy w stane zdentyfkować pary osób o takch samych obserwowalnych cechach, z których jedna została poddana dzałanu, a druga ne Mając dość takch par moglbyśmy ocenć efekty dzałana (ang. matchng estmator) Zwykle zbyt mało danych dla takej procedury Alternatywa parowane współczynnków skłonnośc (ang. propensty score matchng) Parujemy osoby o takch samych prawdopodobeństwach poddana sę procedurze

Mkroekonometra podsumowane kursu Stata Klasyczny Model Regresj Lnowej Założena - testowane, konsekwencje nespełnena, metody radzena sobe Lnowość postac funkcyjnej Heteroskedastyczność Endogenczność Estymacja Metodą Najmnejszych Kwadratów Regresja kwantylowa Metody symulacyjne Modele bnarne Estymacja Metodą Najwększej Warygodnośc Testowane hpotez Efekty krańcowe Model użytecznośc losowej Modele welomanowe Modele wyboru uporządkowanego Modele lcznośc zdarzeń Dane panelowe Heterogenczność preferencj Ocenzurowane zmenne cągłe Obcęte zmenne cągłe Selekcja próby Modele trwana Ocena efektów dzałań

Mkroekonometra przykłady nnych zagadneń Heterogenczność w modelach lnowych Losowe parametry / klasy ukryte Modele welorównanowe Analzujemy jednocześne klka zmennych Możemy poznać wzajemne zależnośc mędzy nm Modele dynamczne dla danych panelowych Modele uwzględnające przestrzenną korelację danych Modele neparametryczne Modele sem-parametryczne

2018-06-06 22:06:57 Podsumowane Mkroekonometra ma jeszcze wele zagadneń, o których w ogóle ne wspomnelśmy Wele z omawanych rozszerzeń można łączyć, np. panele z modelam welorównanowym, parametry losowe z cenzurowanem tu grancą już tylko możlwość dentyfkacj rozsądek Mając przed sobą jakś problem ekonometryczny dane w określonej forme, warto sę zastanowć, czy regresja lnowa faktyczne jest odpowedna zajrzeć do lteratury, podobny problem na pewno ktoś już analzował jeśl ne w ekonometr, to np. w bometr, psychometr lub ogólnej w statystyce POWODZENIA!