Bayesowskie prognozy migracji zagranicznych w Europie: wybrane propozycje metodologiczne

Podobne dokumenty
Proces narodzin i śmierci

Weryfikacja hipotez dla wielu populacji

Funkcje i charakterystyki zmiennych losowych

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

FINANSOWE SZEREGI CZASOWE WYKŁAD 3

Prawdopodobieństwo i statystyka r.

Natalia Nehrebecka. Zajęcia 3

Macierz prawdopodobieństw przejścia w pojedynczym kroku dla łańcucha Markowa jest postaci

EKONOMIA MENEDŻERSKA. Wykład 3 Funkcje produkcji 1 FUNKCJE PRODUKCJI. ANALIZA KOSZTÓW I KORZYŚCI SKALI. MINIMALIZACJA KOSZTÓW PRODUKCJI.

Statystyka. Zmienne losowe

Finansowe szeregi czasowe wykład 7

Natalia Nehrebecka. Wykład 2

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

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH

Stanisław Cichocki Natalia Nehrebecka. Wykład 2

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

Natalia Nehrebecka. Zajęcia 4

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Współczynnik korelacji liniowej oraz funkcja regresji liniowej dwóch zmiennych

Zarządzanie ryzykiem w przedsiębiorstwie i jego wpływ na analizę opłacalności przedsięwzięć inwestycyjnych

6. ROŻNICE MIĘDZY OBSERWACJAMI STATYSTYCZNYMI RUCHU KOLEJOWEGO A SAMOCHODOWEGO

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4

STARE A NOWE KRAJE UE KONKURENCYJNOŚĆ POLSKIEGO EKSPORTU

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ

Statystyka Inżynierska

SZTUCZNA INTELIGENCJA

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

Ekonometryczne modele nieliniowe

Dobór zmiennych objaśniających

Pattern Classification


Bayesowskie testowanie modeli tobitowych w analizie spłaty kredytów detalicznych

Stanisław Cichocki Natalia Nehrebecka. Wykład 2

Dywersyfikacja portfela poprzez inwestycje alternatywne. Prowadzący: Jerzy Nikorowski, Superfund TFI.

Procedura normalizacji

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

STATYSTYKA MATEMATYCZNA

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

EKONOMETRIA I Spotkanie 1, dn

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

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

Stanisław Cichocki. Natalia Nehrebecka. Wykład 11

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

Heteroskedastyczość w szeregach czasowyh

EKONOMETRIA Wykład 4: Model ekonometryczny - dodatkowe zagadnienia

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

Natalia Nehrebecka. Dariusz Szymański

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

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB

Stacjonarność Integracja. Integracja. Integracja

Przyczynowość Kointegracja. Kointegracja. Kointegracja

Ekonometria Wykład 4 Prognozowanie, sezonowość. Dr Michał Gradzewicz Katedra Ekonomii I KAE

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

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

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

PARAMETRY ELEKTRYCZNE CYFROWYCH ELEMENTÓW PÓŁPRZEWODNIKOWYCH

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE

Guy Meredith (2003) Medium-Term Exchange Rate Forecasting: What We Can Expect IMF Working Paper WP 03/021.

KARTA MODUŁU KSZTAŁCENIA

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

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

Weryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1

Geometryczna zbieżność algorytmu Gibbsa

Szeregi czasowe, analiza zależności krótkoi długozasięgowych

WYKORZYSTANIE SYMULACJI STOCHASTYCZNEJ DO BADANIA WRAŻLIWOŚCI SKŁADU OPTYMALNYCH PORTFELI AKCJI

Testowanie hipotez statystycznych cd.

Ekonometria. Zajęcia

EKONOMIA XL NAUKI HUMANISTYCZNO-SPOŁECZNE ZESZYT 391 TORUŃ Joanna Górka WŁASNOŚCI PROGNOSTYCZNE MODELI KLASY RCA *

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

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

Wprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA

Mikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński

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

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

1. SPRAWDZENIE WYSTEPOWANIA RYZYKA KONDENSACJI POWIERZCHNIOWEJ ORAZ KONDENSACJI MIĘDZYWARSTWOWEJ W ŚCIANIE ZEWNĘTRZNEJ

Numeryczne metody optymalizacji Optymalizacja w kierunku. informacje dodatkowe

2.1 Przykład wstępny Określenie i konstrukcja Model dwupunktowy Model gaussowski... 7

Ekonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej

Spis treści Wstęp Estymacja Testowanie. Efekty losowe. Bogumiła Koprowska, Elżbieta Kukla

Badanie energetyczne płaskiego kolektora słonecznego

Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński

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

V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH

Kształtowanie się firm informatycznych jako nowych elementów struktury przestrzennej przemysłu

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Matematyka ubezpieczeń majątkowych r.

Analiza zależności zmiennych ilościowych korelacja i regresja

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

Testowanie hipotez statystycznych

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

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

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

Przykład 2. Stopa bezrobocia

DYNAMICZNE MODELE EKONOMETRYCZNE

WSHiG Karta przedmiotu/sylabus

WSHiG Karta przedmiotu/sylabus. Prawo pracy i ubezpieczeń społecznych. Studia stacjonarne 16 godz. Studia niestacjonarne 30 godz.

65120/ / / /200

WYZNACZANIE WSPÓŁCZYNNIKA LEPKOŚCI CIECZY METODĄ STOKESA

Wprowadzenie Modele o opóźnieniach rozłożonych Modele autoregresyjne o opóźnieniach rozłożonych. Modele dynamiczne.

Analiza i zarządzanie ryzykiem inwestycyjnym przedsiębiorstwa w przedsięwzięciach międzynarodowych

Transkrypt:

Bayesowske rognozy mgracj zagrancznych w Euroe: wybrane roozycje metodologczne Jakub Bjak Badań Mgracyjnych Ludnoścowych w Warszawe Ogólnoolske Semnarum Naukowe Dynamczne Modele Ekonometryczne Toruń, 4 6 wrześna 2007 r. Projekt fnansowany z grantu badawczego Fundacj na rzecz Ludnośc, Mgracj Środowska BMU-PME z Zurychu

Plan rezentacj 1. Wybór model w ujęcu bayesowskm: wrowadzene 2. Ilustracja emryczna: rognoza mgracj mędzy Polską a Nemcam na lata 2005 2015 Proste rocesy stochastyczne z klasy ARMA1,1 Modele ze zmenną warancją warunkową Prognozowane rzez analogę 3. Odorność rognoz na zmany wybranych rozkładów a ror 4. Podsumowane wnosk

1. Wybór model w ujęcu bayesowskm Teora: neewność dotycząca secyfkacj modelu Nech M 1,, M m będą wzajemne wykluczającym sę modelam składającym sę na skończoną rzestrzeń M Nech M 1,, M m oznaczają rawdoodobeństwa a ror tych model, n.: Jednakowe rozkład jednostajny: M 1 M m Rozkład tyu brzytwy Ockhama faworyzujący rostsze modele z mnejszą lczbą arametrów, l : M 2 l Do rognozowana wyberany jest model o najwyższym rawdoodobeństwe a osteror, z twerdzena Bayesa: M x M xm /Σ k M {M k xm k } [Hoetng n., 1999; Osewalsk, 2001]

Praktyka: oblczena numeryczne 1. Wybór model w ujęcu bayesowskm Wybór modelu za omocą metod MCMCMC, [Carln Chb, 1995] mlementacja w akece WnBUGS 1.4 [Segelhalter n., 2003] Metoda: teracyjne róbkowane z ełnych rozkładów warunkowych dla arametrów oraz ndeksu modelu : Parametry są losowane z ełnych rozkładów warunkowych gdy, lub z gęstośc łączących seudo-a ror w.. Iteracje rzed osągnęcem zbeżnośc są odrzucane. ], [,, for for,,, M M M x x x x x k j j k k j j j k M k M

1. Wybór model w ujęcu bayesowskm Uzasadnene dla zastosowań w rognozach mgracj Cechy odejśca bayesowskego: Stochastyczny charakter zaewna formalzm wnoskowana, ze szczególnym zwrócenem uwag na kwestę neewnośc Douszczona jest wedza eksercka a ror, która może uzuełnć nformację z róby stotne dla krótkch szeregów danych o mgracjach w Euroe [n. Wllekens, 1994] Metody formalnego wyboru model: Sosób na uwzględnene neewnośc secyfkacyjnej Użyte z odowednm rozkładam a ror tyu brzytwy Ockhama dostarczają rzesłanek odnośne stona złożonośc model rognostycznych [n. Ahlburg, 1995; Smth, 1997]

2. Prognozy mgracj olsko-nemeckch Cel Prognoza długookresowych mgracj mędzy Polską a Nemcam na lata 2005 2015 dla różnych klas model Dane Prognozowana zmenna logarytmy wsółczynnków emgracj na 1,000 ludnośc kraju ochodzena: m t lnmg t / Po t * 1,000 Szereg danych dla lat 1985 1991 2004 Źródła danych: stany ludnośc Eurostat mgracje Destats dane nemecke Stany ludnośc w Polsce skorygowane o NSP 2002

2. Prognozy mgracj olsko-nemeckch a Proste rocesy stochastyczne z klasy ARMA1,1 M 1 : m t c + ε t [losowe oscylacje wokół stałej] M 2 : m t c + m t 1 + ε t [błądzene rzyadkowe z dryfem] M 3 : m t c + φ m t 1 + ε t ; φ {0, 1} [roces AR1] M 4 : m t c ε t 1 + ε t ; 0 [roces MA1] M 5 : m t c + φ m t 1 ε t 1 + ε t ; φ, 0 [ARMA1,1] Składnk losowy: ε t ~ N0, σ 2 Próba: 1991 2004 N14 A ror: stałe c ~ N0, 100 2 rozroszone mało nformacyjne φ, ~ N0.5, 1 2 : rocesy raczej stacjonarne / odwracalne Nska recyzja: τ PL DE σ 2 ~ Γ0.25, 0.25; τ DE PL ~ Γ4, 0.4

2. Prognozy mgracj olsko-nemeckch b Rozszerzena AR1: zmenne warancje warunkowe Model ogólny: m t c + φ m t 1 + ε t, gdze ε t ~ N0, σ t2 M 5 : σ t2 σ 2 [model referencyjny o stałej warancj] M 6 : σ t2 k + α ε 2 t 1 [roces AR1 ARCH1] M 7 : σ t2 k + α ε t 12 + β σ 2 t 1 [model AR1 GARCH1,1] M 8 : lnσ t2 k + γ lnσ t 12 + ζ t [stochastyczna zmenność, SV] Zmenność determnstyczna M 6 M 7 vs. stochastyczna M 8 2. składnk losowy: ζ t ~ N0, ρ 2 Próba: 1985 2004 N20 A ror: c, φ jak wyżej; z rzyczyn techncznych skuone rozkłady dla: α, β, γ ~ Γ10, 20; k ~ Γ1, 0.1; 1/ρ 2 ~ Γ10, 1

2. Prognozy mgracj olsko-nemeckch c Modele z analogą do mgracj w krajach beryjskch Idea na uchwycene zman nstytucjonalnych, n. akcesj do UE otwarca zachodnch rynków racy [Kuszewsk, 1998] M 10 : m t c + ε t [model referencyjny, bez analog] M 11 : m t c + a m PT t 18 + b 1 t2002 + ε t [Portugala] M 12 : m t c + a m ES t 18 + ε t [Hszana] M 13 : m t c + a m IB t 18 + b 1 t2002 + ε t [oba kraje] Uzasadnena: chronologa akcesj, transformacje systemowe Składnk losowy: ε t ~ AR1 Próba: 1992 2004 N13 A ror: c, φ, τ jak wyżej, a ~ N0.5, 1 2 dodatna analoga

2. Prognozy mgracj olsko-nemeckch Bayesowsk wybór model dla roonowanych klas M Prawdoodobeństwa M x dla brzytwy Ockhama, M 2 l Przeływ mgracyjny Modele z klasy ARMA1,1 M 1 M 2 M 3 M 4 M 5 Zmenna warancja M 6 M 7 M 8 M 9 Modele z analogą M 10 M 11 M 12 M 13 Polska Nemcy 0.42 0.29 0.14 0.11 0.03 0.12 0.10 0.05 0.74 0.69 0.07 0.14 0.10 Nemcy Polska 0.23 0.49 0.16 0.08 0.03 0.71 0.02 0.00 0.27 0.88 0.01 0.09 0.02 Rozkład a ror M 0.31 0.31 0.15 0.15 0.08 0.50 0.25 0.13 0.13 0.40 0.20 0.20 0.20 Proste modele losowe: oscylacje / błądzene rzyadkowe Warunkowa warancja stała lub zmenna stochastyczne Lnowe analoge ne mają uzasadnena w danych

2. Prognozy mgracj olsko-nemeckch Przegląd wybranych wynków emrycznych Mgracje z Polsk do Nemec: rozkłady wybranych arametrów, rognoza na 2005 r. Mgracje z Nemec do Polsk: rozkłady wybranych arametrów, rognoza na 2005 r. Szare lne rozkłady a ror, czarne a osteror. Najwększe błędy ex ost dla M 1, najmnejsze M 2

2. Prognozy mgracj olsko-nemeckch Prognozy exm t dla wybranych model, 2005 2015 Model M 1 : oscylacje M 9 : AR1 SV M 10 : bez analog M 2 : RWD M 6 : AR1 M 9 : AR1 SV M 10 : bez analog Prognozowane exm 2005 Prognozowane exm 2010 10% Medana 90% 10% Medana 90% Polska Nemcy: exm 2004 3.65; exm 2005 4.17 1.77 2.57 3.72 1.78 2.57 3.71 2.64 3.42 4.41 1.74 3.31 7.18 1.96 2.99 4.41 1.71 2.62 4.04 Nemcy Polska: exm 2004 1.27 ; exm 2005 1.28 0.91 1.25 1.71 0.48 1.18 2.90 0.90 1.26 1.76 0.69 1.24 2.36 0.94 1.25 1.67 0.72 1.21 2.24 0.80 1.12 1.55 0.69 1.01 1.48 Prognozowane exm 2015 10% Medana 90% 1.78 2.57 3.72 1.60 3.28 8.40 1.71 2.63 4.05 0.28 1.12 4.36 0.63 1.24 2.71 0.68 1.21 2.62 0.69 1.01 1.48 Trajektore dla medan douszczalne, sugerują stablzację Grance 80-rocentowych rzedzałów równeż zasadne, za wyjątkem model nestacjonarnych RWD / AR z φ >1

3. Odorność na zmany rozkładów a ror a Jednostajny rozkład M zamast brzytwy Ockhama Wynk dla model klasy ARMA1,1: wybrane zostały te same modele, ale z nnym rawdoodobeństwam M x b Alternatywne, referencyjne rozkłady a ror dla arametrów : rozkłady nenformacyjne [Jeffreys, 1961] W zastosowanach raktycznych, dla wygody oblczeń mogą być wykorzystane rozkłady mało nformacyjne : [Congdon, 2003] Dla arametrów strukturalnych: N0, D 2 rzy dużych D Dla recyzj τ σ 2 : Γa, a z małym arametram a Przy D 100 oraz a 0.001 rognozy z model oscylacj, błądzena losowego AR1 różną sę od nformacyjnych rognoz zwłaszcza w odnesenu do oszacowań neewnośc

3. Odorność na zmany rozkładów a ror Wynk: nformacyjne oraz mało nformacyjne rozkłady a ror 7,2 6,0 4,8 3,6 2,4 1,2 Mgraton from Poland to Germany, oscllaton rates er 1,000 oulaton of a sendng country 0,0 1985 1990 1995 2000 2005 2010 2015 4,8 4,0 3,2 2,4 1,6 0,8 Mgraton from Germany to Poland, RWD rates er 1,000 oulaton of a sendng country 0,0 1985 1990 1995 2000 2005 2010 2015 7,2 6,0 4,8 3,6 2,4 1,2 Mgraton from Poland to Germany, AR1 rates er 1,000 oulaton of a sendng country 0,0 1985 1990 1995 2000 2005 2010 2015 4,8 4,0 3,2 2,4 1,6 0,8 Mgraton from Germany to Poland, AR1 rates er 1,000 oulaton of a sendng country 0,0 1985 1990 1995 2000 2005 2010 2015 Bez założena a ror nskej recyzj τ σ 2 80-rocentowe rzedzały redykcyjne są często węższe od zakresu zmennośc m t w róbe

4. Podsumowane wnosk Metody bayesowske ozwalają na dentyfkację model najbardzej zgodnych z danym oraz na ocenę neewnośc na welu ozomach, w tym dotyczącej secyfkacj modelu Wynk emryczne: referencje dla model rostych Wybór oscylacj, błądzena losowego oraz stochastycznej zmennośc wskazuje na słabo rzewdywalny charakter zarówno samych mgracj, jak ch mar neewnośc Ze względu na krótke szereg, wynk ne są odorne na zmany rozkładów a ror zwłaszcza dla recyzj Z drugej strony, bez założena a ror o nskej recyzj rzedzały redykcyjne byłyby w welu rzyadkach zbyt wąske, jak na tak neewne zjawsko, jakm są mgracje

Dzękuję za uwagę! Podzękowana za część omysłów oraz cenne uwag dyskusje dotyczące rzedstawonego materału należą sę rof. Jackow Osewalskemu