Ekonometryczne modele nieliniowe

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

specyfikacji i estymacji modelu regresji progowej (ang. threshold regression).

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Weryfikacja hipotez dla wielu populacji

Natalia Nehrebecka. Zajęcia 4

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

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Funkcje i charakterystyki zmiennych losowych

Natalia Nehrebecka. Zajęcia 3

Prawdopodobieństwo i statystyka r.

65120/ / / /200

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Statystyka. Zmienne losowe

Natalia Nehrebecka. Wykład 2

FINANSOWE SZEREGI CZASOWE WYKŁAD 3

Matematyka ubezpieczeń majątkowych r.

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

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Macierz prawdopodobieństw przejścia w pojedynczym kroku dla łańcucha Markowa jest postaci

1.1. Uprość opis zdarzeń: 1.2. Uprościć opis zdarzeń: a) A B A Uprościć opis zdarzeń: 1.4. Uprościć opis zdarzeń:

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH

(estymator asymptotycznej macierzy kowariancji estymatora nieliniowej MNK w MNRN)

Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 7. Mikołaj Czajkowski Wiktor Budziński

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

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Regresja liniowa i nieliniowa

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

EKONOMETRIA Wykład 2: Metoda Najmniejszych Kwadratów

Ekonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Model GARCH wykorzystanie dodatkowych informacji o cenach minimalnych i maksymalnych

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE

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

licencjat Pytania teoretyczne:

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

PROGNOZOWANIE I SYMULACJE - zadania powtórzeniowe

Dobór zmiennych objaśniających

Kier. MTR Programowanie w MATLABie Laboratorium

KURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. Strona 1

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

Stanisław Cichocki. Natalia Nehrebecka. Wykład 11

Parametry zmiennej losowej

Rozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1

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

Stanisław Cichocki Natalia Nehrebecka. Wykład 2


Stanisław Cichocki Natalia Nehrebecka. Wykład 2

Analiza zależności zmiennych ilościowych korelacja i regresja

Przypomnienie: wykłady i zadania kursu były zaczerpnięte z podręczników: Model statystyczny Format danych

Prawdopodobieństwo i statystyka r.

STATYSTYKA MATEMATYCZNA

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

EKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.

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

Natalia Nehrebecka. Dariusz Szymański

Statystyka Inżynierska

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

JEDNOWYMIAROWA ZMIENNA LOSOWA

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

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

V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH

Zbudowany i pozytywnie zweryfikowany jednorównaniowy model ekonometryczny. jest uŝyteczny do analizy zaleŝności między zmiennymi uwzględnionymi w

WPROWADZENIE DO ANALIZY KORELACJI I REGRESJI

Pobieranie próby. Rozkład χ 2

ma rozkład normalny z wartością oczekiwaną EX = EY = 1, EZ = 0 i macierzą kowariancji

ść ść ś ś Ą ż Ść ś Ó Ó ś ń ś ń ś ń Ć Ż ż Ó Ż Ó Ó żó ń Ó ś Ż ń ż Ź ś

EKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnienia

Procedura normalizacji

OGÓLNE PODSTAWY SPEKTROSKOPII

Kwantowa natura promieniowania elektromagnetycznego

Krzywa wieża w Pizie. SAS Data Step. Przykład (2) Wykład 13 Regresja liniowa

Zapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.

dy dx stąd w przybliżeniu: y

Plan wykładu: Typowe dane. Jednoczynnikowa Analiza wariancji. Zasada: porównać zmienność pomiędzy i wewnątrz grup

SZTUCZNA INTELIGENCJA

Finansowe szeregi czasowe wykład 7

ś ę ę ęż Ć Ł ę ę ę ś ść ż ś ż ę ś ś ę Ż ć ć ś ę ż ś ę Ś Ą Ś ś ę ś ż ż

Elementy rachunku prawdopodobieństwa. repetytorium


Dla dzielnej X (dividend) i dzielnika D 0 (divisor) liczby Q oraz R takie, Ŝe

Podstawy teorii falek (Wavelets)

TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego).

Mikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński

Prawdopodobieństwo i statystyka r.

Wykorzystanie rozkładu GED do modelowania rozkładu stóp zwrotu spółek sektora transportowego

1 Przestrzenie statystyczne, statystyki

Komputerowe generatory liczb losowych

u u u( x) u, x METODA RÓŻNIC SKOŃCZONYCH, METODA ELEMENTÓW BRZEGOWYCH i METODA ELEMENTÓW SKOŃCZONYCH

DYNAMICZNE MODELE EKONOMETRYCZNE

Bryła fotometryczna i krzywa światłości.

Twierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że

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

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda

Rachunek niepewności pomiaru opracowanie danych pomiarowych

Pomiary bezpośrednie i pośrednie obarczone błędem przypadkowym

Monika Kośko Wyższa Szkoła Informatyki i Ekonomii TWP w Olsztynie Michał Pietrzak Uniwersytet Mikołaja Kopernika w Toruniu

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW

Markowa. ZałoŜenia schematu Gaussa-

Transkrypt:

Ekonomeryczne modele nelnowe Wykład 5 Progowe modele regrej

Leraura Hanen B. E. 997 Inference n TAR Model, Sude n Nonlnear Dynamc and Economerc,. Tek na rone nerneowej wykładu

Dodakowa leraura Hanen B. E. 996 Inference When a Nuance Parameer I No Idenfed Under he Null Hypohe, Economerca 64, 43-43. Hanen B. E. Sample Splng and Threhold Emaon, Economerca 68,.575-63. 3

Dodakowa leraura Pruka K. 996 Meody regrej przełącznkowej ch zaoowane, Wyd. UŁ, Łódź. 4

Model progowy Ogólna poać: y ε R r = k r, r, x, I r < z r ε = = ~ d, σ paramery progowe < <... < R I q =, gdy zdane q, gdy zdane q je prawdzwe je fałzywe 5

Model progowy W ualonym reżme r model lnowy: y = r r x,,,... r, k xk, ε 6

7 Model progowy Model z dwoma reżmam: w zape macerzowym: czyl k k k k z I x x z I x x y ε > =......,,,, y ε = b x ] [ z I z I x x x > = T ] [ k k...... b = T T T ] [ b =

Eymacja Jeśl znany: ˆ - b = [ X ' X ] X ' y gdze X = [ x x... x ] N zawera kolejne oberwacje zmennych 8

Eymacja Jeśl neznany: = ˆ σ = N e N mn Szacunek : ˆ Γ Γ = { z, z,..., z } N ozacowane paramerów b modelu dla warośc ˆ przyjmujących kolejno każdą warość ze zboru Γ 9

Klayfkacja reżmów Źródło: Hanen 997

Założena włanośc Zmenna progowa egzogenczna Warancja kładnka loowego ała mędzy reżmam Eymaor zgodny

Precyzja ozacowań Jeśl neją dwa reżmy, o dla b można wylczać andardowe błędy zacunku rozkłady zacunków paramerów b ą aympoyczne normalne Dla wyznacza ę aympoyczny przedzał ufnośc

Przedzał ufnośc dla Wyznaczamy ayykę LR: σ ˆ σ LR = N ˆ σ σˆ ozacowane warancj kładnka loowego w modelu progowym dla neznanego σ ozacowane warancj dla modelu progowego, w kórym wyznaczono = 3

Przedzał ufnośc dla Sayyka LR może łużyć do eowana hpoezy = Nech zmenna loowa ξ ma dyrybuanę: x / e gdy x > P ξ x = gdy x Rozkład ayyk LR aympoyczne dąży do rozkładu zmennej loowej ξ 4

Przedzał ufnośc dla można wyznaczyć aką warość kryyczną cω, że zbór Γ ω = { R : LR c ω} je aympoycznym przedzałem ufnośc dla parameru przy pozome onośc równym ω. Jeśl zbór Γω ne anow pojedynczego przedzału: Γ kon ω =, = mnγ = maxγ ω ω 5

Przedzał ufnośc dla Źródło: Hanen 997 6

Przedzały ufnośc Konerwaywne przedzały ufnośc dla b: dla różnych warośc wybranych z pewnego przedzału Γω* budowane ą przedzały ufnośc z pozomem onośc ω dla pozczególnych paramerów b. najmnejze najwękze elemeny dla każdego parameru w wekorze b ω* - dodakowy paramer, wpływający na pozom konerwayzmu najlepej,8 Hanen [997] 7

Teowane lczby reżmów Model progowy czy model lnowy? H: H: = Jeśl znana warość parameru, o można oować ayyk F, Walda, LR, LM mają andardowe rozkłady por. wykład 8

Teowane lczby reżmów Jeśl neznana warość parameru : [ ~ F ˆ ] ˆ = N σ σ σ zacunek warancj kładnka loowego w ozacowanym modelu progowym σˆ ~σ zacunek warancj kładnka loowego w ozacowanym modelu lnowym ~ N σ = y ~ ~ x... ~ x N =, k k, 9

Teowane lczby reżmów Sayyka F ne ma andardowego rozkładu Nech zbór Γ* anow podzbór zboru Γ z kórego uunęo m elemenów np. 5% o najwękzych waroścach m elemenów o najmnejzych waroścach σˆ najmnejza warość F najwękza. F up = up F Γ*

Teowane lczby reżmów Procedura boorap :. Loowane N nezależnych lczb u z rozkładu N, oraz zdefnowany wekor oberwacj zmennej objaśnanej y * = [ u u... u ] N z ych lczb.. Szacowane ą paramery b modelu ˆ T - T * b = [ X X ] X y 3. Ocena warancj kładnka loowego Sayyka ~ * * * σ σˆ F up = N * ˆ σ ˆ σ *

Teowane lczby reżmów Procedura boorap c.d.: 4. Welokrone na przykład razy powarzane krok od do 3. * Empryczny rozkład F up - przyblżene aympoycznego rozkładu ayyk F up 5. Oblczony empryczny pozom onośc ayyk F up Podobne można oować ey LM, LR

Teowane lczby reżmów Gdy kładnk loowy heerokedayczny: W up W = Rbˆ M = X T X R = upw Γ* T [ I ] k k = I [ ] T R M V M R Rbˆ T V = X Σ X Σ - na głównej przekąnej kolejne kwadray rez, a poza ną. zaąpene u przez u e =,..., N w wekorze y* e rezy 3

4 Przykład Progowy model kuru waluowego Model lnowy, * 3 * 3 z I g z I g ε > = g ε = * 3

Wybór zmennej progowej Można eż oować kryerum nformacyjne 5

6 Wynk ozacowań eów, * 3 * 3 z I g z I g ε > =

7 Wynk ozacowań eów, * 3 * 3 z I g z I g ε > =

Dodakowe ayyk 8

9 Wynk ozacowań eów, * 3 * 3 z I g z I g ε > =

3 Wynk ozacowań eów, * 3 * 3 z I g z I g ε > =