5EN306 Aplikované kvantitativní metody I
|
|
- Nela Matoušková
- před 5 lety
- Počet zobrazení:
Transkript
1 5EN306 Aplikované kvantativní metody I Přednáška 9 Zuzana Dlouhá
2 Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam popisných charakteristik 4. Vicenásobná regrese v ekonomické analýze 5. Vicenásobná regrese: DUMMY proměnné a jejich interakce 6. Difference in differences estimator 7. First Differencing a Fixed Effects 8. Instrumentální proměnné, Panelová data 9. Testy robustnosti 10. Úvod do časových řad (zbyde-li čas) témata se prolínají 2
3 Instrumentální proměnné minule: difference in differences identifikační strategie = způsob, jakým výzkumník využívá napozorovaná data (tedy data negenerována náhodně) k přiblížení se k reálnému (přirozenému) experimentu pozorovaná korelace X a Y nemusí nutně znamenat existenci kauzaly z důvodu možné existence nepozorovaných faktorů dnes: instrumentální proměnné (zkratka IV instrumental variables) Wooldridge kap. 15 k čemu IV použít? jak je řeší? za jakých předpokladů? empirické studie 3
4 Aplikace endogena regresorů rozdíl endogena vs exogena regresorů??? Jak se vyhnout problému self-selekce? příklad: vliv povinné vojenské služby na výdělky (šlo by D. in D.?) Jak nalož s nepozorovan(ou/telnou) nebo vynechanou proměnnou? příklad: vliv dodatečného roku vzdělání na výdělky (proč ne DiD, RD nebo FE?) Jak rozseknout oboustrannou kauzalu? příklad: vliv počtu policistů na četnost zločinů příklad: odhad (elasticy) poptávky Jak odstran chybu měření? 4
5 Příklad schéma problému Vysvětlovaná proměnná Regresor - endogenní Y? X u mzda množství vzdělání cena nepozorovaný faktor Co může být nepozorovaný faktor? Co se děje s bodovými odhady parametrů? 5
6 Princip y x u x endogenní charakter 0 1 řešení - najít takovou pomocnou vysvětlující proměnnou z, že platí: y corr( z, u) 0 pozor na předpoklady!!! x z corr( z, x) 0 6
7 Odhad (1) jedná se o dvoustupňovou MNČ (two-stage least squares - 2SLS) Stupeň 1: z proměnné x potřebujeme vytvoř proměnnou exogenní pomocí instrumentů (nevysvětlený zbytek odpadne potenciální zdroj endogeny) a získáme vyrovnané hodnoty - exogenní Stupeň 2: použijeme z prvního stupně k odhadu ve druhém stupni Ukázka: ˆx y x u 0 1 x z v 0 1 ˆx y 0 1ˆ x u educ exper exper motheduc fatheduc v wage 0 1educ 2exper 3exper u 7
8 Odhad (2) odvození estimátoru s IV z 2SLS y x u cov( y, z) cov( x, z) cov( z, u) dle podmínek pak cov( xz, ) 0 a cov( zu, ) 0 cov( yz, ) 1 ˆ i1 1 n cov( xz, ) n i1 ( z z )( y y) i ( z z )( x x) i i i 8
9 Odhad (2) x = endogenní proměnná z = instrument t-testy o parametrech instrumentálních proměnných v 1. stupni H : H : x z v 0 1 9
10 Příklady Příklad 1: Y = mzda vs. X = počet let vzdělání - instrumenty: vzdělání rodičů? příjem rodičů? den narození? Angrist, J. D., and Krueger, A. B. (1991) - čtvrtletí narození (dummy proměnná, = 1 narozen v 1. čtvrtletí, 0 jinak) - je nekorelována na nepozorovaných faktorech (např. vrozená schopnost), které ovlivňují mzdu Card (1995) - vzdálenost školy Příklad 2: Y = birthweight vs. X = počet cigaret - instrumenty: cena cigaret, daň na cigarety, zákaz kouření 10
11 Mzda vs. vzdělání (2) srovnáni OLS a 2SLS, různé instrumenty OLS cca 11% návratnost investic do vzdělání na 1 rok (v průměru) 2SLS rozdíly v 1 výběru!!! 11
12 Mzda vs. vzdělání (3) Card (1995) použijme nearc4 (dummy proměnná, = 1 když jedinec bydlel v blízkosti univerzy, = 0 jinak) jako IV nearc4 zvyšuje počet let vzdělání (viz níže výsledek) zajímá nás t-statistika vysoká, nearc4 je statisticky významná za předpokladu, že nearc4 je nekorelovaná s nepozorovanými faktory v náhodné složce lze použít jako IV pro educ 12
13 Mzda vs. vzdělání (4) porovnáme odhad vs (konfidenční interval <0.024; 0.239>) co standardní chyby? neporovnávám R 2 u OLS vs IV (R 2 u OLS bude vždy vyšší, R 2 u IV může být i negativní R 2 = 1- SSR/SST, SSR > SST R 2 0) 13
14 Test endogeny teorie, dosavadní výzkumy potřebujeme nějaký statistický test např. Hausmanův test (Gretl) kde z j jsou exogenní proměnné předpokládejme existenci dalších exogenních proměnných z3 a z4, které nejsou ve výše uvedené rovnici Postup y x z z u x z z z z v 3. t-test o δ: H 0 : δ = 0 H 1 : δ y x z z v w ˆ pokud je x exogenní, pak 2SLS poskytuje vyšší standardní chyby odhadů (OLS je vydatnější) 14
15 IV problémy endogena teorie, testy (pozn. Jaké jsou formy endogeny?) všudepřítomná v sociálních vědách a v ekonomii mnohé důležé proměnné se nedají měř často jsou korelované s pozorovanými vysvětlujícími proměnnými chyby měření estimátory jsou vychýlené a konzistentní volba (existence) instrumentů platnost všech předpokladů weak instrument slabá korelace mezi z a x identifikace pro každý endogenní regresor alespoň jeden instrument multikolineara často výrazný problém R 2 OLS vs. 2SLS vzhledem k tomu, že může být R 2 záporný, nemá při metodě 2SLS přirozenou interpretaci a velký význam tato metoda se zaměřuje na odhad ceteris paribus efektu, nikoliv na maximalizaci R 2 (pro potřeby predikce) standardní chyby z 2 stupně SLS nejsou platné, kdybychom obě rovnice počítali zvlášť!!! software dodává správné!!! 15
16 IV problémy simultanea poptávka Y = poptávané množství X = cena instrumenty: počasí, technologický šok, daň, nabídka Y = nabízené množství X = cena instrumenty: cena substutů, cena komplementů, reklamní kampaň cena je endogenní!!! 16
17 Příklady možných instrumentů Legal/polical instutions as an instrument (laws, election dynamics) Administrative rules as an instrument (wage/staffing rules, reimbursement rules, eligibily rules) správné použí regresní diskontinuy (nespojosti) existuje nějaká spojá proměnná (x), která skokově ovlivňuje pravděpodobnost např. účasti na projektu Naturally occurring randomization (draft, birth timing, lottery, roommate assignment, weather) Geography as an instrument (distance, rivers, small area variation) další příklady viz Table 1, článek Angrist - IV 17
18 Ukázka 1 Asensio Dráhy Asensio, J.: The success story of Spanish suburban railways: determinant of demand and policy, Transport Policy, Volume 7, Issue 4, October 2000, pp k dispozici na stránkách log RIDERSHIP 6 13 dummy log price lag _ rider e log qualy 2 log 3 petrol log 4 pop suburb 5 RIDERSHIP - measured in passenger-kms (in area i, in time t) PRICE - is calculated as the ratio of total revenue in real terms over passengers-km at each urban area () QUALITY - the number of places_km offered by RENFE, divided by the length of the suburban rail network at each cy () PETROL - the real price of petrol () POP - total population living in the municipalies covered by RENFE's suburban network () SUB - the ratio of peripheral to central cy population () 18
19 Ukázka 1 Asensio Dráhy možný problém s endogenou regresorů? PRICE - is calculated as the ratio of total revenue in real terms over passengers-km at each urban area () změny cen pod kontrolou vlády OK QUALITY - the number of places_km offered by RENFE, divided by the length of the suburban rail network at each cy () zde by mohl být problém (počet míst mění RENFE v závislosti na poptávce) - IV 19
20 20 e rider lag dummy suburb pop petrol qualy price RIDERSHIP _ log log log log log Ukázka 1 Asensio Dráhy
21 Ukázka 2 Levt Police force Levt (1997): what is the effect of increasing the police force on the crime rate? Aby byl efekt počtu policistů na kriminalu identifikován, je potřeba proměnná, která ovlivňuje počet policistů, ale není přímo spojena s kriminalou 59 měst USA, This is a classic case of simultaneous causaly (high crime areas tend to need large police forces) resulting in an incorrectly-signed (posive) coefficient. To address this problem, Levt uses the timing of mayoral and gubernatorial elections as an instrumental variable. Is this instrument valid? Relevance: police force increases in election years Exogeney: election cycles are pre-determined. 21
22 Ukázka 2 Levt Police force Two-stage least squares: Stage 1: Decompose police hires into the component that can be predicted by the electoral cycle and the problematic component police = election + Stage 2: Use the predicted value of police i from the first-stage regression to estimate s effect on crime i crime = police-hat + Finding: an increased police force reduces violent crime (but has ltle effect on property crime) počet policistů snižuje zločinnost statisticky významný výsledek jen u násilných činů počet policistů ve velkých městech je pod optimální hranicí (ale pozor: velmi hrubé odhady) 22
5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantativní metody I Přednáška 8 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více5. PŘEDNÁŠKA EKONOMETRICKÝ MODEL REGRESNÍ ANALÝZA DUMMIES VÍCENÁSOBNÁ REGRESE
5. PŘEDNÁŠKA EKONOMETRICKÝ MODEL REGRESNÍ ANALÝZA DUMMIES VÍCENÁSOBNÁ REGRESE 1 STRUKTURA PŘEDNÁŠKY - DNES - Formulace a strukturace problému za pomoci teorie; data; ekonometrický model; identifikační
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 10 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 5 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 6 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. vorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 1 Zuzana Dlouhá Úvod do předmětu obecné informace Konzultační hodiny: úterý 16:00 18:00, místnost 433 NB e-mail: figlova@vse.cz // zuzana.dlouha@vse.cz
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 6 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 9 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 2 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 7 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 3 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 4 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 3 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie Predikce Multikolinearita Cvičení 4 Zuzana Dlouhá Aplikace EM predikce obecně ekonomické prognózování, předpověď, předvídání hlavním cílem je odhad hodnot vysvětlované proměnné
Více4EK211 Základy ekonometrie
4EK Základy ekonometrie Odhad klasického lineárního regresního modelu II Cvičení 3 Zuzana Dlouhá Klasický lineární regresní model - zadání příkladu Soubor: CV3_PR.xls Data: y = maloobchodní obrat potřeb
VíceMatematické modelování Náhled do ekonometrie. Lukáš Frýd
Matematické modelování Náhled do ekonometrie Lukáš Frýd Výnos akcie vs. Výnos celého trhu - CAPM model r it = r ft + β 1. (r mt r ft ) r it r ft = α 0 + β 1. (r mt r ft ) + ε it Ekonomický (finanční model)
VícePraktikum z ekonometrie Panelová data
Praktikum z ekonometrie Panelová data Jan Zouhar Katedra ekonometrie, FIS VŠE v Praze, zouharj@vse.cz 9. května 2014 1 Terminologie a značení Sledujeme-li pro všechny průřezové jednotky stejná časová období,
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 3 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie Predikce Multikolinearita Cvičení 4 Zuzana Dlouhá Aplikace EM predikce obecně ekonomické prognózování, předpověď, předvídání hlavním cílem je odhad hodnot vysvětlované proměnné
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2015/16 Cvičení 7: Časově řady, autokorelace LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Časové řady Data: HDP.wf1
Více4EK201 Matematické modelování. 11. Ekonometrie
4EK201 Matematické modelování 11. Ekonometrie 11. Ekonometrie Ekonometrie Interdisciplinární vědní disciplína Zkoumá vztahy mezi ekonomickými veličinami Mikroekonomickými i makroekonomickými Ekonomie ekonomické
VícePojem endogenity a exogenity
22. 4. 2010 Úvodní definice Klasická definice Exogenita a endogenita není jednoznačná, přesto se nejčastěji pracuje s následující definicí. Proměnná x vysvětlující proměnnou y je exogenní, pokud L(y x)
VíceFJFJ Cvičení 1. Lukáš Frýd
FJFJ Cvičení 1 Lukáš Frýd WAGE1.RAW https://sites.google.com/site/ekonometrievse/4ek214/tyden-03 DATA log wage = β 0 + β 1 educ + β 2 exper + β 3 tenure + ε Jak vypadá výběrová regresní funkce? Interpretace
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 10 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
VíceLekce 1 úvod do ekonometrie
Lekce 1 úvod do ekonometrie Některé věci se zde budou opakovat několikrát důležité pro rozležení v hlavě a jiný úhel pohledu Dokázat aplikovat ekonometrie nestačí se pouze naučit na zkoušku Základní kurz
VíceKarta předmětu prezenční studium
Karta předmětu prezenční studium Název předmětu: Číslo předmětu: 545-0250 Garantující institut: Garant předmětu: Ekonomická statistika Institut ekonomiky a systémů řízení RNDr. Radmila Sousedíková, Ph.D.
VíceEKONOMETRIE 7. přednáška Fáze ekonometrické analýzy
EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy Ekonometrická analýza proces, skládající se z následujících fází: a) specifikace b) kvantifikace c) verifikace d) aplikace Postupné zpřesňování jednotlivých
VíceOptimalizace provozních podmínek. Eva Jarošová
Optimalizace provozních podmínek Eva Jarošová 1 Obsah 1. Experimenty pro optimalizaci provozních podmínek 2. EVOP klasický postup využití statistického softwaru 3. Centrální složený návrh model odezvové
VíceCross-section pozorování Firma, člověk Časový úsek
Pooled data y = Xβ + ε Cross-section pozorování Firma, člověk ds = αsdt + σsdw Časový úsek Základní soubor Výběrový soubor Základní soubor Je Proces 1 konkrétní realizace Co sledovat firmu(y), osobu(y)
VíceT T. Think Together 2013. Marta Gryčová THINK TOGETHER
Česká zemědělská univerzita v Praze Provozně ekonomická fakulta Doktorská vědecká konference 4. února 2013 T T THINK TOGETHER Think Together 2013 Mzdová disparita v českém agrárním sektoru v období od
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie LS 2014/15 Cvičení 7: Autokorelace LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Autokorelace - teorie Zopakujte si G-M
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VíceČasové řady, typy trendových funkcí a odhady trendů
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Stochastický proces Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2 } se nazývá stochastický proces
Více4EK211 Základy ekonometrie
4EK211 Základ ekonometrie Odhad klasického lineárního regresního modelu I Cvičení 2 Zuzana Dlouhá Metodologický postup tvor EM 1. Specifikace modelu určení proměnných určení vzájemných vaze mezi proměnnými
VíceStatistika. Regresní a korelační analýza Úvod do problému. Roman Biskup
Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009
VíceČasové řady, typy trendových funkcí a odhady trendů
Časové řady, typy trendových funkcí a odhady trendů Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Jiří Neubauer (Katedra ekonometrie UO Brno) Časové
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 12 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
VíceZáklady ekonometrie. XI. Vektorové autoregresní modely. Základy ekonometrie (ZAEK) XI. VAR modely Podzim / 28
Základy ekonometrie XI. Vektorové autoregresní modely Základy ekonometrie (ZAEK) XI. VAR modely Podzim 2015 1 / 28 Obsah tématu 1 Prognózování s VAR modely 2 Vektorové modely korekce chyb (VECM) 3 Impulzní
VíceOdhady Parametrů Lineární Regrese
Odhady Parametrů Lineární Regrese Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké
VíceZkušenosti s použitím metod Counterfactual Impact Evaluation při evaluaci ESF v České republice. Jan Brůha IREAS
Zkušenosti s použitím metod Counterfactual Impact Evaluation při evaluaci ESF v České republice Jan Brůha IREAS Pilotní projekt použití CIE pro hodnocení ESF OPLZZ V současné době byly použity tři metody
VíceAVDAT Klasický lineární model, metoda nejmenších
AVDAT Klasický lineární model, metoda nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model y i = β 0 + β 1 x i1 + + β k x ik + ε i (1) kde y i
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie Logistická křivka Umělé proměnné Cvičení 11 Zuzana Dlouhá Logistická křivka log-lineární model patří mezi poptávkové funkce, ty dělíme na: a) klasické D = f (příjem, cenový index,
VíceKlasická a robustní ortogonální regrese mezi složkami kompozice
Klasická a robustní ortogonální regrese mezi složkami kompozice K. Hrůzová, V. Todorov, K. Hron, P. Filzmoser 13. září 2016 Kompoziční data kladná reálná čísla nesoucí pouze relativní informaci, x = (x
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 7 Jak hodnotit vztah spojitých proměnných
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2015/16 Cvičení 6: Multikolinearita, umělé proměnné LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Otevřete si data z
VíceTeorie časových řad Test 2 Varianta A HODNOCENÍ (max. 45 bodů z 50 možných)
Teorie časových řad Test 2 Varianta A HODNOCENÍ (max. 45 bodů z 50 možných) 1. SPECIFIKACE (12 bodů): (1) Graf průběhu proměnných (1) Obě řady se chovají stejně, lze předpokládat jejich lineární vztah
VíceKorelační a regresní analýza
Korelační a regresní analýza Analýza závislosti v normálním rozdělení Pearsonův (výběrový) korelační koeficient: r = s XY s X s Y, kde s XY = 1 n (x n 1 i=0 i x )(y i y ), s X (s Y ) je výběrová směrodatná
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2014/15 Cvičení 5: Vícenásobná regrese, multikolinearita LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Jednoduchá
VíceBodové a intervalové odhady parametrů v regresním modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model Mějme lineární regresní model (LRM) Y = Xβ + e, kde y 1 e 1 β y 2 Y =., e
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie LS 2014/15 Cvičení 10: Heteroskedasticita LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Heteroskedasticita - teorie Druhý
VíceTECHNIKA UMĚLÝCH PROMĚNNÝCH V PRŮŘEZOVÉ ANALÝZE A V MODELECH ČASOVÝCH ŘAD
TECHNIKA UMĚLÝCH PROMĚNNÝCH V PRŮŘEZOVÉ ANALÝZE A V MODELECH ČASOVÝCH ŘAD Umělé (dummy) proměnné se používají, pokud chceme do modelu zahrnout proměnné, které mají kvalitativní či diskrétní charakter,
VíceMěření dat Filtrace dat, Kalmanův filtr
Měření dat Filtrace dat, Matematické metody pro ITS (11MAMY) Jan Přikryl Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 3. přednáška 11MAMY čtvrtek 28. února 2018 verze: 2018-02-28 12:20 Obsah
Více4EK211 Základy ekonometrie
4EK11 Základy ekonometrie Autokorelace Cvičení 5 Zuzana Dlouhá Gauss-Markovy předpoklady Náhodná složka: Gauss-Markovy předpoklady 1. E(u) = náhodné vlivy se vzájemně vynulují. E(uu T ) = σ I n konečný
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2014/15 Cvičení 6: Dummy proměnné, multikolinearita LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Pokračování z minula:
VícePředvídání lidské volby:
Předvídání lidské volby: preference versus informace Dle: Jakub Steiner, Colin Stewart, Filip Matějka, Rational Inattention Dynamics: inertia and delay in decision making, v tisku v časopise Econometrica
VíceKorelační a regresní analýza. 1. Pearsonův korelační koeficient 2. jednoduchá regresní analýza 3. vícenásobná regresní analýza
Korelační a regresní analýza 1. Pearsonův korelační koeficient 2. jednoduchá regresní analýza 3. vícenásobná regresní analýza Pearsonův korelační koeficient u intervalových a poměrových dat můžeme jako
VíceÚvodem Dříve les než stromy 3 Operace s maticemi
Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 8 Jak analyzovat přežití pacientů.
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie Úvod do předmětu obecné informace Základní pojmy ze statistiky / ekonometrie Úvod do programu EViews, Gretl Některé užitečné funkce v MS Excel Cvičení 1 Zuzana Dlouhá Úvod do
Více4ST201 STATISTIKA CVIČENÍ Č. 10
4ST201 STATISTIKA CVIČENÍ Č. 10 regresní analýza - vícenásobná lineární regrese korelační analýza Př. 10.1 Máte zadaný výstup regresní analýzy závislosti závisle proměnné Y na nezávisle proměnné X. Doplňte
VíceStatistické metody v marketingu. Ing. Michael Rost, Ph.D.
Statistické metody v marketingu Ing. Michael Rost, Ph.D. Jihočeská univerzita v Českých Budějovicích Úvodem Modelování vztahů mezi vysvětlující a vysvětlovanou (závisle) proměnnou patří mezi základní aktivity,
VíceIntervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
VíceWORKSHEET 1: LINEAR EQUATION 1
WORKSHEET 1: LINEAR EQUATION 1 1. Write down the arithmetical problem according the dictation: 2. Translate the English words, you can use a dictionary: equations to solve solve inverse operation variable
Více6. Lineární regresní modely
6. Lineární regresní modely 6.1 Jednoduchá regrese a validace 6.2 Testy hypotéz v lineární regresi 6.3 Kritika dat v regresním tripletu 6.4 Multikolinearita a polynomy 6.5 Kritika modelu v regresním tripletu
VícePřepoklady KLM a Gauss Markov teorém. Blue odhad - GM. KLM Klasický lineární model. 1) Lineární v parametrech. 2) E ε = 0
Heteroskedasticita Přepoklady KLM a Gauss Markov teorém KLM Klasický lineární model 1) Lineární v parametrech ) E ε = 0 Blue odhad - GM Nezkreslený odhad 1) Lineární v parametrech ) E ε = 0 3) E( ȁ ε X)=
VíceZpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi.
SEMINÁRNÍ PRÁCE Zadání: Data: Statistické metody: Zpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi. Minimálně 6 proměnných o 30 pozorováních (z toho 2 proměnné
Víceodpovídá jedna a jen jedna hodnota jiných
8. Regresní a korelační analýza Problém: hledání, zkoumání a hodnocení souvislostí, závislostí mezi dvěma a více statistickými znaky (veličinami). Typy závislostí: pevné a volné Pevná závislost každé hodnotě
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2014/15 Cvičení 6: Dummy proměnné, úvod do časových řad LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Multikolinearita
VíceSmíšené regresní modely a možnosti jejich využití. Karel Drápela
Smíšené regresní modely a možnosti jejich využití Karel Drápela Regresní modely Základní úloha regresní analýzy nalezení vhodného modelu studované závislosti vyjádření reálného tvaru závislosti minimalizace
VíceEkonomické předstihové ukazatele: nástroj krátkodobé predikce
Ekonomické předstihové ukazatele: nástroj krátkodobé predikce Vojtěch Benda ČNB, Sekce měnová a statistiky email: vojtech.benda@cnb.cz Ekonomické předstihové ukazatele (LEI) kritéria výběru Opora v ekonomické
VíceIntervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
VíceAplikovaná statistika v R - cvičení 3
Aplikovaná statistika v R - cvičení 3 Filip Děchtěrenko Matematicko-fyzikální fakulta filip.dechterenko@gmail.com 5.8.2014 Filip Děchtěrenko (MFF UK) Aplikovaná statistika v R 5.8.2014 1 / 10 Lineární
VíceRegresní analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel
Regresní analýza Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Regresní analýza 1 / 23
VícePřednáška 4. Lukáš Frýd
Přednáška 4 Lukáš Frýd Časová řada: stochastický (náhodný) proces, sekvence náhodných proměnných indexovaná časem Pozorovaná časová řada: jedna realizace stochastického procesu Analogie: Průřezový výběr,
VíceRegresní analýza. Eva Jarošová
Regresní analýza Eva Jarošová 1 Obsah 1. Regresní přímka 2. Možnosti zlepšení modelu 3. Testy v regresním modelu 4. Regresní diagnostika 5. Speciální využití Lineární model 2 1. Regresní přímka 3 nosnost
VíceAVDAT Mnohorozměrné metody, metody klasifikace
AVDAT Mnohorozměrné metody, metody klasifikace Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Mnohorozměrné metody Regrese jedna náhodná veličina je vysvětlována pomocí jiných
VíceTransportation Problem
Transportation Problem ١ C H A P T E R 7 Transportation Problem The transportation problem seeks to minimize the total shipping costs of transporting goods from m origins (each with a supply s i ) to n
VíceZáklady ekonometrie. X. Regrese s časovými řadami. Základy ekonometrie (ZAEK) X. Regrese s časovými řadami Podzim / 47
Základy ekonometrie X. Regrese s časovými řadami Základy ekonometrie (ZAEK) X. Regrese s časovými řadami Podzim 2015 1 / 47 Obsah tématu 1 ADL model 2 Regrese se stacionárními řadami 3 Regrese s řadami
VíceDiagnostika regrese pomocí grafu 7krát jinak
StatSoft Diagnostika regrese pomocí grafu 7krát jinak V tomto článečku si uděláme exkurzi do teorie regresní analýzy a detailně se podíváme na jeden jediný diagnostický graf. Jedná se o graf Předpovědi
VíceSociologický výzkum (stručný úvod) Michal Peliš
Sociologický výzkum (stručný úvod) Michal Peliš vědy exaktní X sociální tvrzení deterministického charakteru univerzální platnost experiment prokazování kauzality tvrzení pravděpodobnostního charakteru
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická
VíceDesign Experimentu a Statistika - AGA46E
Design Experimentu a Statistika - AGA46E Czech University of Life Sciences in Prague Department of Genetics and Breeding Summer Term 2015 Matúš Maciak (@ A 211) Office Hours: T 9:00 10:30 or by appointment
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
VíceSEIZMICKÝ EFEKT ŽELEZNIČNÍ DOPRAVY ÚVODNÍ STUDIE
SEIZMICKÝ EFEKT ŽELEZNIČNÍ DOPAVY ÚVODNÍ STUDIE Josef Čejka 1 Abstract In spite of development of road transport, carriage by rail still keeps its significant position on traffic market. It assumes increases
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
VíceZáklady ekonometrie. I. Úvod do ekonometrie a práce s daty. Základy ekonometrie (ZAEK) I. Úvod do ekonometrie a práce s daty Podzim / 66
Základy ekonometrie I. Úvod do ekonometrie a práce s daty Základy ekonometrie (ZAEK) I. Úvod do ekonometrie a práce s daty Podzim 2015 1 / 66 Obsah tématu 1 Úvod do ekonometrie Ekonomický model Ekonometrický
VíceANALÝZA KATEGORIZOVANÝCH DAT V SOCIOLOGII
ANALÝZA KATEGORIZOVANÝCH DAT V SOCIOLOGII Tomáš Katrňák Fakulta sociálních studií Masarykova univerzita Brno ÚVOD DO LOGLINEÁRNÍHO MODELOVÁNÍ historie - až do 60. let se k analýze kontingenčních tabulek
VíceCvičení ze statistiky - 9. Filip Děchtěrenko
Cvičení ze statistiky - 9 Filip Děchtěrenko Minule bylo.. Dobrali jsme normální rozdělení Tyhle termíny by měly být známé: Inferenční statistika Konfidenční intervaly Z-test Postup při testování hypotéz
VíceJemný úvod do statistických metod v netržním oceňování
Jemný úvod do statistických metod v netržním oceňování Ing. Jan Brůha PhD. Karlova univerzita Struktura prezentací První prezentace Cíle, možnosti a omezení Nástroje: metodologie a software CVM (open ended)
VíceVyužití a zneužití statistických metod v medicíně
Využití a zneužití statistických metod v medicíně Martin Hynek Gennet, Centre for Fetal Medicine, Prague EuroMISE Centre, First Faculty of Medicine of Charles University in Prague Statistika Existují tři
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie LS 2014/15 Cvičení 4: Statistické vlastnosti MNČ LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Upřesnění k pojmům a značení
VíceProstorová variabilita
Prostorová variabilita prostorová závislost (autokorelace) reprezentuje korelaci mezi hodnotami určité náhodné proměnné v místě i a hodnotami téže proměnné v jiném místě j; prostorová heterogenita je strukturální
Více6 Vícerovnicové ekonometrické soustavy 1
6 Vícerovnicové ekonometrické soustavy Obsah 6 Vícerovnicové ekonometrické soustavy 1 6.1 SUR - Seemingly unrelated regression (zdánlivě nepropojené regrese).......... 3 6.2 Panelová data.........................................
VíceEKONOMIE TENISU: NOVÉ
Vysoká škola ekonomická v Praze Národohospodářská fakulta EKONOMIE TENISU: NOVÉ EMPIRICKÉ TESTY TEORIE MINIMAXU (PRÁCE STUDENTŮ BAKALÁŘSKÉHO STUDIA) Barbora Kuncová Počet znaků: 35 927 Kontakt: kuncova.bara@seznam.cz,
VíceÚvod do teorie odhadu. Ing. Michael Rost, Ph.D.
Úvod do teorie odhadu Ing. Michael Rost, Ph.D. Náhodný výběr Náhodným výběrem ze základního souboru populace, která je popsána prostřednictvím hustoty pravděpodobnosti f(x, θ), budeme nazývat posloupnost
VíceCíle korelační studie
Korelační studie Cíle korelační studie cíle výzkumu v psychologii deskripce predikce explanace kontrola korelační studie popisuje vztah (ko-relaci) mezi proměnnými cíle - deskripce, příp. predikce První
VíceM cvičení : GLM04b (Vztah mezi Poissonovým a
RNDr. Marie Forbelská, Ph.D. 1 M7222 4. cvičení : GLM04b (Vztah mezi Poissonovým a binomických rozdělením) Připomeňme, že pomocí Poissonova rozdělení P o(λ) lze dobře aproximovat binomické rozdělení Bi(n,
VícePSY117/454 Statistická analýza dat v psychologii přednáška 8. Statistické usuzování, odhady
PSY117/454 Statistická analýza dat v psychologii přednáška 8 Statistické usuzování, odhady Výběr od deskripce k indukci Deskripce dat, odhad parametrů Usuzování = inference = indukce Počítá se s náhodným
VícePŘÍLOHA A. METODA NEJMENŠÍCH ČTVERCŮ PRODEJ BYTŮ. Příloha A. Metoda nejmenších čtverců Prodej bytů
PŘÍLOHA A. METODA NEJMENŠÍCH ČTVERCŮ PRODEJ BYTŮ Příloha A Metoda nejmenších čtverců Prodej bytů i PŘÍLOHA A. METODA NEJMENŠÍCH ČTVERCŮ PRODEJ BYTŮ 1 2 3 TOT. 1 7 33 40 2 1 18 125 144 2.5 1 72 73 3.5 1
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regresní analýza - motivace Základní úlohou regresní analýzy je nalezení vhodného modelu studované závislosti. Je nutné věnovat velkou pozornost tomu aby byla modelována REÁLNÁ
Více