Stanisław Cichocki Natalia Nehrebecka. Wykład 2

Podobne dokumenty
Stanisław Cichocki Natalia Nehrebecka. Wykład 2

Stanisław Cichocki Natalia Nehrebecka. Wykład 3

FINANSOWE SZEREGI CZASOWE WYKŁAD 3

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ

Stanisław Cichocki Natalia Nehrebecka. Wykład 3

Natalia Nehrebecka. Wykład 2

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Natalia Nehrebecka. Zajęcia 3

Matematyka ubezpieczeń majątkowych r.

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki Natalia Nehrebecka. Wykład 4

Wykład 6. Badanie dynamiki zjawisk

Wykład 6. Badanie dynamiki zjawisk

Procedura normalizacji

Natalia Nehrebecka. Zajęcia 4

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4

Funkcje i charakterystyki zmiennych losowych

Ntli Natalia Nehrebecka. Dariusz Szymański. Zajęcia 4

Statystyka. Zmienne losowe

13. DWA MODELE POTOKU RUCHU (TEORIOKOLEJKOWE)(wg Wocha,1998)

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

STATYSTYKA MATEMATYCZNA

PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK

PODSTAWOWE MIERNIKI DYNAMIKI ZJAWISK

Matematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )

Natalia Nehrebecka Stanisław Cichocki. Wykład 10

Natalia Nehrebecka. Dariusz Szymański

Weryfikacja hipotez dla wielu populacji

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Matematyka ubezpieczeń majątkowych r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n

Wygładzanie metodą średnich ruchomych w procesach stałych

Stanisław Cichocki. Natalia Nehrebecka. Wykład 11

PROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA

Inne kanały transmisji

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

KURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE. Strona 1

EKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnienia

Ekonometryczne modele nieliniowe

2. Wprowadzenie. Obiekt

Stacjonarność Integracja. Integracja. Integracja

Modelowanie i analiza szeregów czasowych

Politechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych

Statystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego

t t t t T 2 Interpretacja: Przeciętna wartość zmiennej objaśnianej różni się od wartości teoretycznej średnio o

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

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

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

Cechy szeregów czasowych

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

PROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński

Pattern Classification

= σ σ. 5. CML Capital Market Line, Rynkowa Linia Kapitału

Statystyka Inżynierska

ψ przedstawia zależność

Analiza zależności zmiennych ilościowych korelacja i regresja

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

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

Metody analizy i prognozowania szeregów czasowych

Automatyzacja Statku

ANALIZA SZEREGÓW CZASOWYCH

Finansowe szeregi czasowe wykład 7

Europejska opcja kupna akcji calloption

Prawdopodobieństwo i statystyka r.

EKONOMETRIA I Spotkanie 1, dn

V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH

t t t t T 2 Interpretacja: Przeciętna wartość zmiennej objaśnianej różni się od wartości teoretycznej średnio o ˆ

PROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH

Pobieranie próby. Rozkład χ 2

PARAMETRY ELEKTRYCZNE CYFROWYCH ELEMENTÓW PÓŁPRZEWODNIKOWYCH

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

PROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1

SZTUCZNA INTELIGENCJA

Współczynnik korelacji liniowej oraz funkcja regresji liniowej dwóch zmiennych

Prognozowanie cen detalicznych żywności w Polsce

Elżbieta Szulc Uniwersytet Mikołaja Kopernika w Toruniu. Modelowanie zależności między przestrzennoczasowymi procesami ekonomicznymi

ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1

Treść zadań 1 8 odnosi się do poniższego diagramu przestrzenno-czasowego.

POMIAR PARAMETRÓW SYGNAŁOW NAPIĘCIOWYCH METODĄ PRÓKOWANIA I CYFROWEGO PRZETWARZANIA SYGNAŁU

Mikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE MODELE EKONOMETRYCZNE

Mikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński

Kurtoza w procesach generowanych przez model RCA GARCH

PAŃSTWOWA WYŻSZA SZKOŁA ZAWODOWA W PILE INSTYTUT POLITECHNICZNY. Zakład Budowy i Eksploatacji Maszyn PRACOWNIA TERMODYNAMIKI TECHNICZNEJ INSTRUKCJA

Dyskretny proces Markowa

Stanisław Cichocki Natalia Nehrebecka. Wykład 5

Integracja zmiennych Zmienna y

6. ROŻNICE MIĘDZY OBSERWACJAMI STATYSTYCZNYMI RUCHU KOLEJOWEGO A SAMOCHODOWEGO







Stanisław Cihcocki. Natalia Nehrebecka

Definicje ogólne

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

Transkrypt:

Sansław Cchock Naala Nehrebecka Wykład 2 1

1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 2

1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 3

Szereg czasowy jes pojedynczą realzacją pewnego procesu sochasycznego. 4

Kurs USD/PLN Daa 20.02.2017 4,0692 21.02.2017 4,0942 22.02.2017 4,0899 23.02.2017 4,0840 24.02.2017 4,0681 5

hp://www.banker.pl/nwesowane/profle/quoe.hml?symbol=ropa 6

1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 7

O sezonowośc mówmy wedy gdy zmenna zmena sę w pewnym cyklu, zwykle zwązanym z cyklem kalendarzowym. Np. zmenne kwaralne charakeryzują sę sezonowoścą kwaralną a zmenne mesęczne charakeryzują sę sezonowoścą mesęczną Sezonowość w danych może pojawać sę z rożnych powodów: czynnk klmayczne (spadek warośc dodanej w budowncwe w okrese zmowym); czynnk kulurowe (wzros warośc sprzedaży w okrese śwą). 8

9

Sezonowośc należy uwzględnć w modelu jeśl ma ona wpływ na zwązek mędzy zmenną objaśnającą a objaśnaną: jeśl w modelu ne zosane uwzględnona sezonowość o pojaw sę ona w reszach, kóre ne będą spełnały założeń KMRL. 10

Uwzględnene problemu sezonowośc w procese esymacj: a) posłużene sę danym wyrównanym sezonowo (publkowane przez urzędy saysyczne; samodzelne można usunąć sezonowość z danych np. korzysając z programu TRAMO/SEATS); b) dodane do modelu zmennych zerojedynkowych zwązanych z poszczególnym mesącam/kwarałam; 11

Uwzględnene problemu sezonowośc w procese esymacj: c) zasosowane różncowana sezonowego: zamas perwonych zmennych sosujemy różnce medzy ym zmennym a waroścam ych samych zmennych sprzed roku: s y y y s gdze: s=4 dla zmennych kwaralnych s=12 dla zmennych mesęcznych d. 12

13

14

1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 15

Zmenna jes sacjonarna w sense słabym (sacjonarność kowarancyjna) jeśl: E ( y ) - warość oczekwana jes skończona sała w czase Var ( ) 2 y - warancja jes skończona sała w czase Cov( y y ) Cov( y y 2 ) 1, 1 h 2, h h - dla dowolnych kowarancje mędzy realzacjam y zależą jedyne od dysansu w czase h 1, 2, h Inucyjne: zmenna sacjonarna o zmenna, kórej własnośc ne zmenają sę w czase. 16

Jeśl kóryś z warunków ne jes spełnony: zmenna nesacjonarna. 17

E( y ) - warość oczekwana jes skończona sała w czase 18

Var ( ) 2 y - warancja jes skończona sała w czase 19

Przykład zmennej sacjonarnej: bały szum (whe nose): x 2 ~ IID(0, ) IID (Independenly and Idencally Dsrbued) realzacje nezależne mają denyczne rozkłady. x są 20

Dla bałego szumu: E( x ) 0 Var ( ) 2 x Cov( x, x s ) 0 dla s 21

22

Przykład zmennej sacjonarnej: model AR(1) dla 1 y y 1 ~ IID(0, 2 ) 23

Przykład zmennej sacjonarnej: model AR(1) dla 24 1 0 0 0 ) ( ) ( ) ( E E y E 0 2 2 2 0 1 ) ( ) ( ) ( Var Var y Var

Przykład zmennej sacjonarnej: model AR(1) dla 25 1 2 2 2 1 0 0 0 0 0 1 ) ( ), ( ), ( ), ( h h h h h h h h h h Var Cov Cov y y Cov

26

27

Przykład zmennej nesacjonarnej: błądzene przypadkowe (random walk) y y 1 ~ IID(0, 2 ) 28

Przykład zmennej nesacjonarnej: błądzene przypadkowe (random walk) E( ) y 0 Var( y ) Var( s ) s1 h Cov( y, y h) Var( s ) ( h) s1 2 2 29

30

Przykład zmennej nesacjonarnej: błądzene przypadkowe z dryfem y y ~ IID(0, 1 2 ) 31

-500 0 500 1000 1500 0 200 400 600 800 1000 random_walk_drf random_walk 32

Sandardowa defncja sacjonarnośc w welu przypadkach okazuje sę zby resrykcyjna: zmenne ekonomczne oscylują ne yle wokół sałej ale wokół pewnego rendu. Zmenna sacjonarna wokół rendu (rendosacjonarna) jeśl odchylene od rendu: jes sacjonarne. y E ( y ) 33

Przykład zmennej rendosacjonarnej: rend lnowy y E( y ) y E( ) y 34

1. Szereg czasowy 2. Sezonowość 3. Zmenne sacjonarne 4. Zmenne znegrowane 35

Zmenne znegrowane: zmenne nesacjonarne, kóre można sprowadzć do sacjonarnośc poprzez różncowane. Zmenna, kóra po zasosowanu d-ych różnc saje sę zmenną sacjonarną oznaczamy jako: y ~ I d y Mówmy, ze zmenna jes znegrowana rzędu d. Zmenne sacjonarne są znegrowane rzędu 0: y ~ I(0) 36

Przykład zmennej nesacjonarnej: błądzene przypadkowe (random walk) y y Różncując zmenną : 1 ~ IID(0, y 2 ) y Bały szum, zmenna I(0). Wobec ego błądzene przypadkowe jes zmenną I(1) 37

1. Wyjaśnć co o znaczy, że w danych wysępuje sezonowość omówć sposoby uwzględnana sezonowośc w procese modelowana. 2. Podać defncję zmennej sacjonarnej rendosacjonarnej. 3. Wyjaśnć, co o są zmenne I(0) I(1) udowodnć, że bały szum jes zmenną I(0) a błądzene przypadkowe zmenną I(1).

Dzękuję za uwagę 39