Natalia Nehrebecka. Wykład 2

Podobne dokumenty
Natalia Nehrebecka. Dariusz Szymański

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

Natalia Nehrebecka. Zajęcia 3

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4

Natalia Nehrebecka. Zajęcia 4

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

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

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

STATYSTYKA MATEMATYCZNA

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

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

dy dx stąd w przybliżeniu: y

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

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

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

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

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ

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

Prawdopodobieństwo i statystyka r.

Dobór zmiennych objaśniających

Analiza zależności zmiennych ilościowych korelacja i regresja

EKONOMETRIA I Spotkanie 1, dn

Mikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński

WPROWADZENIE DO ANALIZY KORELACJI I REGRESJI

Weryfikacja hipotez dla wielu populacji


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

Współczynnik korelacji liniowej oraz funkcja regresji liniowej dwóch zmiennych

Regresja liniowa i nieliniowa

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński

Natalia Nehrebecka Stanisław Cichocki. Wykład 10

Markowa. ZałoŜenia schematu Gaussa-

65120/ / / /200

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

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

Stanisław Cichocki. Natalia Nehrebecka. Wykład 11

Mikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński

Ntli Natalia Nehrebecka. Dariusz Szymański. Zajęcia 4

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 1-2

Mikroekonometria 10. Mikołaj Czajkowski Wiktor Budziński

Parametry zmiennej losowej

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

Stanisław Cichocki Natalia Nehrebecka. Wykład 2

EKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnienia

Metody predykcji analiza regresji

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

Metoda najmniejszych kwadratów

Statystyka. Zmienne losowe

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

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH


PROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE

Stanisław Cichocki Natalia Nehrebecka. Wykład 2

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

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

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 5

Funkcje i charakterystyki zmiennych losowych

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

Statystyka opisowa. Wykład V. Regresja liniowa wieloraka

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

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 7-8

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

ANALIZA WPŁYWU OBSERWACJI NIETYPOWYCH NA WYNIKI MODELOWANIA REGIONALNEJ WYDAJNOŚCI PRACY

Oligopol dynamiczny. Rozpatrzmy model sekwencyjnej konkurencji ilościowej jako gra jednokrotna z pełną i doskonalej informacją

MATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5

Rachunek niepewności pomiaru opracowanie danych pomiarowych

Ekonometryczne modele nieliniowe

Analiza regresji modele ekonometryczne

Statystyka Inżynierska

Procedura normalizacji

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

ELEKTROCHEMIA. ( i = i ) Wykład II b. Nadnapięcie Równanie Buttlera-Volmera Równania Tafela. Wykład II. Równowaga dynamiczna i prąd wymiany

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

Analiza korelacji i regresji

EKONOMETRIA Wykład 5: Zmienne zerojedynkowe w modelowaniu ekonometrycznym

Analiza struktury zbiorowości statystycznej

Statystyka Opisowa 2014 część 2. Katarzyna Lubnauer

Prawdopodobieństwo i statystyka r.

( X, Y ) będzie dwuwymiarową zmienną losową o funkcji gęstości

gdzie. Dla funkcja ma własności:

Rozdział 8. Regresja. Definiowanie modelu

MECHANIKA 2 MOMENT BEZWŁADNOŚCI. Wykład Nr 10. Prowadzący: dr Krzysztof Polko

Mikroekonometria 15. Mikołaj Czajkowski Wiktor Budziński

ANALIZA KORELACJI WYDATKÓW NA KULTURĘ Z BUDŻETU GMIN ORAZ WYKSZTAŁCENIA RADNYCH

V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH

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

EKONOMETRIA Wykład 2: Metoda Najmniejszych Kwadratów

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE

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

Kształtowanie się firm informatycznych jako nowych elementów struktury przestrzennej przemysłu

Propozycja modyfikacji klasycznego podejścia do analizy gospodarności

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

OGÓLNE PODSTAWY SPEKTROSKOPII

Badanie optymalnego poziomu kapitału i zatrudnienia w polskich przedsiębiorstwach - ocena i klasyfikacja

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

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

Teoria niepewności pomiaru (Rachunek niepewności pomiaru) Rodzaje błędów pomiaru

Wykłady Jacka Osiewalskiego. z Ekonometrii. CZĘŚĆ PIERWSZA: Modele Regresji. zebrane ku pouczeniu i przestrodze

Transkrypt:

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 modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej 3

teora ekonomczna dane empryczne zależnośc loścowe mędzy zmennym badane ekonometryczne 4

Hpoteza: stneje zwązek mędzy zmenną objaśnaną zmennym objaśnającym. Przykład: Hpoteza: średne wydatk na żywnośd w gospodarstwach małżeostw pracownczych z dwójką dzec zależą od dochodu. Średn udzał wydatków na żywnośd: 0,33 5

Hpoteza pomocncza: zwązek mędzy zmenną objaśnaną objaśnającym jest lnowy (model lnowy): y x x... x K K 6

y x x... x K K y - zmenna objaśnana (zależna, endogenczna), x,,x K - zmenne objaśnające (nezależne, egzogenczne), ε - błąd losowy, β,,β K - neznane parametry, =,,N ndeks obserwacj, N - lczba obserwacj. 7

Który z model jest poprawny dlaczego? Co jest zmenną objaśnaną a co objaśnającą? wydatk dochód dochód wydatk 8

Zwązek przyczynowo-skutkowy korelacja Przykład Stwerdzono dodatną korelację mędzy welkoścą spożyca lodów w danym dnu lczbą utonęd w tym dnu. Czy po zjedzenu lodów ne pownno sę wchodzd do wody? Odpowedź Węcej utonęd zdarza sę w cepłe dn (kąpe sę wtedy węcej osób). W take dn jest też wększe spożyce lodów. Jednak spożyce lodów ne powoduje utonęca Czyl: występuje korelacja mędzy zdarzenam ale ne ma mędzy nm zwązku przyczynowo-skutkowego 9

y x x... x K K y - zmenna objaśnana (zależna, endogenczna), x,,x K - zmenne objaśnające (nezależne, egzogenczne), ε - błąd losowy, β,,β K - neznane parametry, =,,N ndeks obserwacj, N - lczba obserwacj. 0

N K X KN N N K y N x x x x x x y y Stąd równane macerzowe ma postad: X y

wydatk dochód d wydatk dochód 639,09 890,6 664,47 300 3 467,55 84,5

Zależnośd mędzy analzowanym zmennym jest lnowa (równane regresj lnowej wyznacza hperpłaszczyznę regresj) Istneje zależnośd przyczynowo-skutkowa mędzy zmennym ( korelacja) zmenne objaśnające są przyczyną zmennośc zmennej objaśnanej zależnośd zwykle wynka z teor (pownna) Pewna częśd zmennośc zmennej objaśnanej pozostaje newyjaśnona, bo: neuwzględnene pewnych zmennych objaśnających losowy charakter czynnków wpływających na zmenną objaśnaną 3

. Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej 4

Teora zwykle ne dostarcza nformacj nt. welkośc parametrów modelu (β,,β K ). Welkośd neznanych parametrów należy oszacowad (estymowad) na podstawe danych emprycznych (próby). Oszacowane welkośc parametrów (estymatory) (b,,b K ) są nedokładne (losowe), zależą od próby. 5

6

7

8

9

0

3

Wartośc dopasowane: wartośc zmennej objaśnanej (y ) przewdywane na podstawe oszacowanego modelu - regresj lnowej y na x,,x K : ˆ x b x b y... x K b K Różną sę od wartośc rzeczywstych, bo: zamast neznanych prawdzwych welkośc parametrów (β,, β K ) używamy ch estymatorów (b,,b K ) pomjamy błąd losowy (ε ) 4

Reszty: różnca mędzy wartoścą rzeczywstą a dopasowaną zmennej objaśnanej, są to oszacowana (ε ) : Zależnośd mędzy resztam, obserwacjam oszacowanam parametrów: K K b x b x b x y y y e... ˆ 5 K K e b x b x b x e y y... ˆ

Estymatory (b,,b K ) są to oszacowana (β,, β K ) ale ne są m równe Reszty (e ) są to oszacowana (ε ) ale ne są m równe 6

7

wydatk y dochód X 8

Id Wydatk Dochód 639, 890,6 yˆ e 463 0,08890,6 534, 639, 534, 04,9 9

30

3

Im mnejsza jest odległośd wartośc rzeczywstych od teoretycznych tym lepszy model estymatory parametrów modelu mnmalzują sumę odległośc y od : ŷ N N e y y ˆ 3 y y e ˆ

N y yˆ N e Funkcja ta jest cągła różnczkowalna dla wszystkch e, dzęk czemu można znaleźd jej mnmum względem welkośc parametrów poprzez rozwązane standardowych warunków perwszego rzędu. 33

Jaką znasz nną funkcję odległośc? Dlaczego trudno jest ją stosowad w procese estymacj? 34

. Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej 35

Zapsz model teoretyczny, wartośc dopasowane oraz reszty dla modelu lnowego zawerającego jedną zmenną objaśnającą stałą 36

Model teoretyczny: Wartośd dopasowana (teoretyczna): Reszta: ˆ b x b y y y e ˆ b x b y x y 37

Oszacowana b b pownny byd dobrane tak, by suma kwadratów reszt była jak najmnejsza. N N N x b b x b b x y b y b y x b b y e b b S ), ( 38

Polcz pochodne cząstkowe względem parametrów b b powyższego równana przyrównaj je do zera. 39

Lcząc pochodne dla poszczególnych równao uzyskujemy układ równao zwany układem równao normalnych. 40

4

4

Estymacja modelu wyjaśnającym welkośd wydatków na żywnośd dochodam gospodarstwa wydatk dochód Zmenna Średna Warancja Wydatk 644,8 46737 Dochód 6,34 584300 Kowarancja empryczna mędzy zmennym jest równa 6. 43

44

. Zapsad model lnowy lnowy. Podad nterpretację poszczególnych elementów tego modelu.. Podad wzajemne relacje mędzy wartoścam obserwowanym zmennej zależnej, oszacowanam parametrów, wartoścam dopasowanym resztam. 3. Wyjaśnj różncę mędzy parametram oszacowanam parametrów oraz mędzy odchylenam losowym resztam. 4. Skąd berze sę nazwa Metoda Najmnejszych Kwadratów? 5. Wyprowadzd estymator MNK dla modelu ze stałą jedną zmenną objaśnającą. 45

Dzękuję za uwagę 46