e) Oszacuj parametry modelu za pomocą MNK. Zapisz postać modelu po oszacowaniu wraz z błędami szacunku.

Podobne dokumenty
4. Średnia i autoregresja zmiennej prognozowanej

Zadanie 1. a) Przeprowadzono test RESET. Czy model ma poprawną formę funkcyjną? 1

Model 1: Estymacja KMNK z wykorzystaniem 4877 obserwacji Zmienna zależna: y

Outsourcing a produktywność pracy w polskich przedsiębiorstwach. Anna Grześ Zakład Zarządzania Uniwersytet w Białymstoku

Szymon Bargłowski, sb39345 MODEL. 1. Równania rozpatrywanego modelu: 1 PKB t = a 1 a 2 E t a 3 Invest t 1

Zadanie 1 1. Czy wykresy zmiennych sugerują, że zmienne są stacjonarne. Czy występuje sezonowość?

Zadanie 3 Na podstawie danych kwartalnych z lat oszacowano następujący model (w nawiasie podano błąd standardowy oszacowania):

Przyjazdy turystów zagranicznych do Polski miesięcznie od 2005 roku do 2009 roku modelowanie ekonometryczne

Niestacjonarne zmienne czasowe własności i testowanie

STUDIA I STOPNIA EGZAMIN Z EKONOMETRII

Proces modelowania zjawiska handlu zagranicznego towarami

Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych

Ekonometria I Weryfikacja: współliniowość i normalność. Dr Michał Gradzewicz Szkoła Główna Handlowa w Warszawie

Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna

Model 1: Estymacja KMNK z wykorzystaniem 32 obserwacji Zmienna zależna: st_g

Rozdział 8. Regresja. Definiowanie modelu

i EKSPLOATACJI TAbORU AUTObUSOWEGO

5. Model sezonowości i autoregresji zmiennej prognozowanej

EKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE

Ekonometria. Zajęcia

parametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających,

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16

Statystyka opisowa. Wykład V. Regresja liniowa wieloraka

Wstęp... 3 Problem i hipoteza badawcza... 4 Opis modelu. Definicje i założenia... 5 Źródła danych... 6 Szacowanie modelu... 7 Wnioski...

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA

3. Modele tendencji czasowej w prognozowaniu

Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2017/2018

Projekt zaliczeniowy z Ekonometrii i prognozowania Wyższa Szkoła Bankowa w Toruniu 2014/2015

Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki

TEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.

Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.

t y x y'y x'x y'x x-x śr (x-x śr)^2

Metody Ilościowe w Socjologii

Ekonometria. Model nieliniowe i funkcja produkcji. Jakub Mućk. Katedra Ekonomii Ilościowej. Modele nieliniowe Funkcja produkcji

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

Analiza współzależności zjawisk

Ekonometria Ćwiczenia 19/01/05

K wartość kapitału zaangażowanego w proces produkcji, w tys. jp.

Prognozowanie na podstawie modelu ekonometrycznego

Podstawy ekonometrii. Opracował: dr hab. Eugeniusz Gatnar prof. WSBiF

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 8

Projekt z Ekonometrii Dynamicznej

Regresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych (X1, X2, X3,...) na zmienną zależną (Y).

Ekonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 9 marca 2007

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl

Na podstawie danych dotyczacych rocznych wydatków na pizze oszacowano parametry poniższego modelu:

Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski

Ekonometria. Model nieliniowe i funkcja produkcji. Jakub Mućk. Katedra Ekonomii Ilościowej

REGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ. Analiza regresji i korelacji

Własności statystyczne regresji liniowej. Wykład 4

KORELACJE I REGRESJA LINIOWA

ANALIZA RYNKU NIERUCHOMOŚCI PRZY ZASTOSOWANIU PROGRAMU GRETL

Współczynnik korelacji. Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ

Egzamin z ekonometrii wersja IiE, MSEMAT

Niestacjonarne zmienne czasowe własności i testowanie

Metoda najmniejszych kwadratów

Ekonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 23 marca 2006

Mikroekonometria 3. Mikołaj Czajkowski Wiktor Budziński

Inżynieria Środowiska. II stopień ogólnoakademicki. przedmiot podstawowy obowiązkowy polski drugi. semestr zimowy

Statystyka. Wykład 8. Magdalena Alama-Bućko. 10 kwietnia Magdalena Alama-Bućko Statystyka 10 kwietnia / 31

STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE

Ekonometria. Robert Pietrzykowski.

Przykład 1 ceny mieszkań

Diagnostyka w Pakiecie Stata

Testowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona;

przedmiotu Nazwa Pierwsza studia drugiego stopnia

Ekonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Regresja i Korelacja

Ekonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota

Diagnostyka w Pakiecie Stata

Wielkość dziennego obrotu w tys. zł. (y) Liczba ekspedientek (x) ,5 6,6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 4

MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ

Wskaźniki transportowe a koniunktura gospodarcza na przykładzie polskiej gospodarki w latach

Wprowadzenie do analizy korelacji i regresji

Regresja logistyczna (LOGISTIC)

Stanisław Cichocki. Natalia Nehrebecka

Ekonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie:

EKONOMETRIA. Prof. dr hab. Eugeniusz Gatnar.

Analiza zależności cech ilościowych regresja liniowa (Wykład 13)

Ćwiczenia 10. Analiza regresji. Część I.

Narzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski

7.4 Automatyczne stawianie prognoz

Statystyka. Wykład 9. Magdalena Alama-Bućko. 24 kwietnia Magdalena Alama-Bućko Statystyka 24 kwietnia / 34

STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA

Ekonometria egzamin 07/03/2018

1. Stacjonarnośd i niestacjonarnośd szeregów czasowych 2. Test ADF i test KPSS 3. Budowa modeli ARMA dla zmiennych niestacjonarnych 4.

Stanisław Cichocki. Natalia Nehrebecka. Wykład 10

Stosowana Analiza Regresji

Stanisław Cichocki. Natalia Nehrebecka

Zawartość. Zawartość

Ekonometria. Modelowanie zmiennej jakościowej. Jakub Mućk. Katedra Ekonomii Ilościowej

Opis programu studiów

PDF created with FinePrint pdffactory Pro trial version

Ekonometria. Własności składnika losowego. Jakub Mućk. Katedra Ekonomii Ilościowej

Value at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16

Przykład 2. Stopa bezrobocia

Przykład 2. Na podstawie książki J. Kowal: Metody statystyczne w badaniach sondażowych rynku

Transkrypt:

Zajęcia 4. Estymacja i weryfikacja modelu model potęgowy Wersja rozszerzona W pliku Funkcja produkcji.xls zostały przygotowane przykładowe dane o produkcji, kapitale i zatrudnieniu dla 27 przedsiębiorstw branży metalurgicznej. Dane dotyczą przedsiębiorstw amerykańskich. Wykorzystano następujące zmienne: Li nakład pracy w i-tym przedsiębiorstwie [osoby], K i wartość brutto zakładu lub fabryki [mln $], Yi wartość dodana brutto wypracowana w i-tym przedsiębiorstwie [mln $]. a) Zaimportuj dane do programu GRETL. b) Dodaj zmienne będące logarytmami danych zmiennych. c) Oblicz współczynniki korelacji pomiędzy zmiennymi. 1 2 i d) Funkcja produkcji Cobb-Douglasa przyjmuje następującą postać: Yi 0 Li Ki e. Sprowadź ten model do postaci zlinearyzowanej. e) Oszacuj parametry modelu za pomocą MNK. Zapisz postać modelu po oszacowaniu wraz z błędami szacunku. Model 1: Estymacja KMNK, wykorzystane obserwacje 1-27 Zmienna zależna (Y): l_y Współczynnik Błąd stand. t-studenta wartość p const 1,17064 0,326782 3,5823 0,0015 *** l_l 0,602999 0,125954 4,7875 <0,0001 *** l_k 0,37571 0,0853459 4,4022 0,0002 *** Średn.aryt.zm.zależnej 7,443631 Odch.stand.zm.zależnej 0,761153 Suma kwadratów reszt 0,851634 Błąd standardowy reszt 0,188374 Wsp. determ. R-kwadrat 0,943463 Skorygowany R-kwadrat 0,938751 F(2, 24) 200,2489 p dla testu F 1,07e-15 Logarytm wiarygodności 8,350541 Kryt. inform. Akaike'a 10,70108 Kryt. bayes. Schwarza 6,813572 Kryt. Hannana-Quinna 9,545122 f) Wyznacz wartości teoretyczne zmiennej objaśnianej oraz wartości reszt. Sporządź ich wykresy. g) Zinterpretuj parametry strukturalne łącznie z błędami szacunku.

h) Oblicz i zinterpretuj parametr przeciętny, parametr krańcowy oraz elastyczność wartości dodanej brutto względem nakładu pracy dla przedsiębiorstwa zatrudniającego 500 osób, o wartości brutto zakładu wynoszącej 6 000 mln $. i) Wyznacz i zinterpretuj przedziały ufności dla parametrów strukturalnych na poziomie istotności 0, 05. t(24, 0,025) = 2,064 Zmienna Współczynnik 95 przedział ufności const 1,17064 (0,496199, 1,84509) l_l 0,602999 (0,343043, 0,862955) l_k 0,375710 (0,199565, 0,551856) j) Zbadaj indywidualną istotność parametrów strukturalnych.

k) Zbadaj łączną istotność parametrów strukturalnych. l) Oblicz i zinterpretuj syntetyczne miary dopasowania: 1. współczynnik determinacji, 2. współczynnik zbieżności, 3. skorygowany współczynnik determinacji, 4. skorygowany współczynnik zbieżności, 5. błąd standardowy reszt, 6. współczynnik zmienności losowej. m) Zbadaj heteroskedastyczność składnika losowego. (Testy/Test heteroskedastyczności/test White a) Test White'a na heteroskedastyczność reszt (zmienność wariancji resztowej) Estymacja KMNK, wykorzystane obserwacje 1-27 Zmienna zależna (Y): uhat^2 współczynnik błąd standardowy t-studenta wartość p --------------------------------------------------------------- const 0,935552 0,873429 1,071 0,2963 l_l 0,181057 0,464530 0,3898 0,7006 l_k 0,105698 0,304949 0,3466 0,7323 sq_l_l 0,101335 0,106132 0,9548 0,3505 X2_X3 0,186597 0,131709 1,417 0,1712 sq_l_k 0,0681210 0,0439015 1,552 0,1357 Wsp. determ. R-kwadrat = 0,270425 testu: TR^2 = 7,301479, z wartością p = P(Chi-kwadrat(5) > 7,301479) = 0,199167

n) Zbadaj normalność rozkładu składnika losowego. (Testy/Test normalności rozkładu reszt) Rozkład częstości dla uhat1, obserwacje 1-27 liczba przedziałów = 7, średnia = 2,23689e-015, odch.std. = 0,188374 Przedziały średnia liczba częstość skumlowana < -0,23639-0,30385 2 7,41% 7,41% ** -0,23639 - -0,10149-0,16894 5 18,52% 25,93% ****** -0,10149-0,033418-0,034035 11 40,74% 66,67% ************** 0,033418-0,16832 0,10087 5 18,52% 85,19% ****** 0,16832-0,30323 0,23578 2 7,41% 92,59% ** 0,30323-0,43814 0,37068 1 3,70% 96,30% * >= 0,43814 0,50559 1 3,70% 100,00% * : dystrybuanta empiryczna posiada rozkład normalny.test Doornika-Hansena (1994) - transformowana skośność i kurtoza.: Chi-kwadrat(2) = 4,522 z wartością p 0,10427

o) Sprawdź czy postać analityczna modelu została dobrana poprawnie. (Testy/Test specyfikacji Ramsey a RESET) Pomocnicze równanie regresji dla testu specyfikacji RESET Estymacja KMNK, wykorzystane obserwacje 1-27 Zmienna zależna (Y): l_y współczynnik błąd standardowy t-studenta wartość p --------------------------------------------------------------- const 2,65926 20,2156 0,1315 0,8965 l_l 2,51783 8,81084 0,2858 0,7777 l_k 1,58207 5,43613 0,2910 0,7738 yhat^2 0,443842 1,88497 0,2355 0,8160 yhat^3 0,0203496 0,0809952 0,2512 0,8040 testu: F = 0,122323, z wartością p = P(F(2,22) > 0,122323) = 0,885 p) Czy w Twojej ocenie powyższy model przeszedł weryfikację pozytywnie?