Pojem endogenity a exogenity
|
|
- Danuše Doležalová
- před 5 lety
- Počet zobrazení:
Transkript
1
2 Úvodní definice
3 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) se nemění při změnách procesu generujícího x. Proměnná je endogenní, pokud není exogenní. V lineárním regresním modelu znamená podmínka exogenity nekorelovanost regresorů s reziduální složkou.
4 Vlastnosti Endogenní proměnné v soustavě vznikají. alespoň v jedné rovnici figurují jako vysvětlované proměnné. Naopak exogenní proměnné vznikají v minulých časech nebo do soustavy vstupují zvnějšku. musí být pouze vysvětlující.
5 Druhy exogenní proměnné Exogenní proměnnou můžeme rozdělit do dvou kategoríı: Predeterminovaná je nekorelovaná se současnými a budoucími hodnotami reziduální složky. Byla vytvořena soustavou v minulém čase. Striktně exogenní je nekorelovaná se všemi hodnotami reziduální složky. Vznikla vně soustavy.
6 Kritika Rozdělení na endogenní a exogenní proměnné je subjektivní. Většinou se z důvodu dosáhnutí idenfikace některé proměnné ze systému vyloučí. Změny v exogenních proměnných by neměly měnit hodnoty koeficientů u proměnných. Další definice je založena na Grangerově kauzalitě, jejíž základní myšlenkou je, že budoucnost nemůže ovlivnit přítomnost nebo minulost a definuje: slabou exogenitu superexogenitu silnou exogenitu
7 Slabá exogenita Proměnná x t je slabě exogenní při odhadu parametru λ, pokud nedochází ke ztrátě informace. To znamená, že pokud v rovnici f (y t, x t ) = g(y t x t )h(x t ) obsahuje g(y t x t ) parametr λ, pak ho marginální rozdělení h(x t ) neobsahuje.
8 Superexogenita Proměnná x t je superexogenní, pokud je slabě exogenní. parametr v f (y t, x t ) je invariantní vůči změnám marginálního rozdělení proměnné x t.
9 Silná exogenita Proměnná x t je silně exogenní, pokud je slabě exogenní. není generována jinou endogenní proměnnou v systému.
10 Příklad V soustavě rovnic x t = α 0 + α 1 y t + ε 0t, y t = β 0 + β 1 z t + ε 1t jsou proměnné x t a y t endogenní a proměnná z t exogenní. V soustavě x t = α 0 + α 1 y t + ε 0t, y t = β 0 + β 1 z t + ε 1t, jsou všechny proměnné endogenní. z t = γ 0 + γ 1 y t + ε 2t
11 Testování exogenity 1 Hausmannův test pro instrumentální proměnné využívá F-statistiku (b 2SLS b) (( ˆX ˆX ) 1 (X X ) 1 ) 1 (b 2SLS b) s2sls 2, kde ˆX = Z(Z Z) 1 Z X a Z je matice instrumentálních proměnných. V modelu y j = Ŷjγ j + X j β j + ε j provedeme test o platnosti H 0 : γ j = 0.
12 Testování exogenity 2 Je možné použít klasický F-test, kde statistika T (k j + m j 1) RSS 0 RSS F mj 1,T (k m j 1 RSS j +m j 1). Jednodušší variantou je použití LM-testu, kde má veličina LM = TR 2 χ 2 m j 1 a R 2 je koeficient determinace v modelu E u j = Ŷ j γ j + X j β j pro OLSrezidua u j z modelu E y j = X j β j.
13 Strukturální tvar Nebo-li SEM, simultaneous equation models je soustava rovnic y jt = m i=1,i j y it γ ji + k x it β ji + ε jt, i=1 y j = Y j γ j + X j β j + ε j = Z j δ j + ε j, 0 = YΓ + XB + E = Z + E kde y jt, j = 1,..., m jsou endogenní a x it, i = 1,..., k exogenní proměnné. Matice Y je matice endogenních proměnných tvaru (T m), matice odpovídajících parametrů Γ má pak tvar (m m). Podobně má matice exogenních proměnných X tvar (T k).
14 Redukovaný tvar Pokud je Γ invertibilní, můžeme SEM převést do redukovaného tvaru Y = XΠ + V kde Π = BΓ 1, V = EΓ 1.
15 Identifikace OLS-odhad tvaru Y = XΠ + V je nestranný a konzistentní, ale může nastat problém s transformací zpět:
16 Identifikace OLS-odhad tvaru Y = XΠ + V je nestranný a konzistentní, ale může nastat problém s transformací zpět: inverzní transformace k Π = BΓ 1 není jednoznačná nebo neexistuje
17 Identifikace OLS-odhad tvaru Y = XΠ + V je nestranný a konzistentní, ale může nastat problém s transformací zpět: inverzní transformace k Π = BΓ 1 není jednoznačná nebo neexistuje problém nenastane, tj. lze jednoznačně transformovat Π do strukturálního tvaru na Γ a B. Pak stejnou transformací z odhadu P = (X X) 1 X Y získáme nestranný a konzistentní odhad ˆΓ a ˆB, tzv. ILS-odhad
18 Druhy SEM rovnic neidetifikovaná (unidentified) - z redukovaných parametrů nelze získat žádný soubor strukturálních parametrů identifikovaná (identified) - když není neidentifikovaná přesně identifikovaná (exactly identified) - získáme právě jeden soubor, tj. jednoznačně přeidentifikovaná (overidentified) - lze získat aspoň dva odlišné soubory
19 Druhy SEM rovnic neidetifikovaná (unidentified) - z redukovaných parametrů nelze získat žádný soubor strukturálních parametrů identifikovaná (identified) - když není neidentifikovaná přesně identifikovaná (exactly identified) - získáme právě jeden soubor, tj. jednoznačně přeidentifikovaná (overidentified) - lze získat aspoň dva odlišné soubory Určení typu rozměrová podmínka (order condition) - založena na počtech zařazených a chybějících proměnných v rovnici. Pouze nutná a nikoli postačující hodnostní podmínka (rank condition) - založena na hodnostech matic parametrů. Nutná a postačující, ale technické problémy
20 Rozměrová podmínka identifikace m celkový počet endogenních proměnných k celkový počet exogenních proměnných m j počet endogenních proměnných v j-té rovnici k j počet exogenních proměnných v j-té rovnici mj kj počet vynechaných endogenních proměnných v j-té rovnici počet vynechaných exogenních proměnných v j-té rovnici Rozměrová podmínka pro identifikovanost je ve tvaru: m j + k j m 1
21 Příklad Uvažujme následující soustavu simultánních rovnic: y 1t = γ 12 y 2t + γ 13 y 3t + β 11 + β 12 x 2t + β 13 x 3t + ε 1t y 2t = γ 23 y 3t + β 21 + β 22 x 2t + ε 2t y 3t = γ 32 y 2t + β 31 + ε 3t. V tomto příkladu je m = 3 a k = 3 první rovnice je neidentifikovaná (žádná proměnná není vynechaná) druhá rovnice je přesně identifikovaná (vynechány y 1 a x 3 ) třetí rovnice je přeidentifikovaná (vynechány y 1, x 2 a x 3 ) V praxi je většina rovnic přeidentifikovaná
22 Hodnostní podmínka identifikace Hodnostní podmínka pro identifikaci je ve tvaru: rank(a j ) = m 1 zaručuje jednoznačnost
23 Hodnostní podmínka identifikace Hodnostní podmínka pro identifikaci je ve tvaru: rank(a j ) = m 1 zaručuje jednoznačnost [ Γ B ] = A 0j A 1j A 2j A 3j A 4j 1 γ j 0 β j 0 po přerovnání sloupců A 5j A 6j A 7j A 8j A 9j [ ] A2j A potom A j = 4j A 7j A 9j
24 Hodnostní podmínka identifikace Hodnostní podmínka pro identifikaci je ve tvaru: rank(a j ) = m 1 zaručuje jednoznačnost [ Γ B ] = A 0j A 1j A 2j A 3j A 4j 1 γ j 0 β j 0 po přerovnání sloupců A 5j A 6j A 7j A 8j A 9j [ ] A2j A potom A j = 4j A 7j A 9j podmínky spolu souvisejí - počet vynechaných proměnných je počet nul
25 Příklad γ γ 12 1 γ 32 y y 2 A β 1 x β 21 β 31 β 41 0 x 2 β 12 1 β 32 0 β 52 A Bx 3 C 0 γ 23 1 y 3 β β 43 x A ε 1 1 ε 2 A 4 ε 3 x 5 A 1 = ( ) ( ) ( ) 1 β52 β41 1 β21 β, A γ =, A β 3 = γ 12 1 β 32 β 52 Kromě A 2 můžeme dosáhnout hodnost matic A j rovnu m 1 = 2, a tedy kromě druhé rovnice mohou být všechny identifikované.
26 Existuje mnoho metod, jak odhadovat soustavy simultánních rovnic. Obecně můžeme tyto odhady rozdělit do dvou skupin Odhady s omezenou informací (LI-odhady, limited information methods) - odhadují jednotlivé rovnice soustavy každou zvlášť, takže pro odhad j-té rovnice nevyužijí veškerou informaci, kterou o soustavě máme. Patří sem např. ILS - odhad, 2SLS - odhad a LIML - odhad. Odhady s úplnou informací (FI-odhady, full information methods) - odhadují najednou parametry všech rovnic soustavy, takže využijí veškerou datovou informaci, kterou o soustavě máme. Patří sem např. 3SLS - odhad a FIML - odhad.
27 ILS - odhad (Indirect Least Squares, nepřímý odhad metodou nejmenších čtverců) Tento odhad přistupuje k odhadu strukturálních parametrů simultánních rovnic ve dvou krocích klasickou metodou nejmenších čtverců odhadneme matici parametrů redukované formy P = (X X) 1 X Y spočítáme parametry strukturální formy podle vztahu ˆB = PˆΓ
28 - transformace inverzní k nemusí obecně existovat. Platí Π = BΓ 1 pro neidentifikovanou rovnici neexistuje ILS - odhad pro přesně identifikovanou rovnici existuje právě jeden ILS - odhad, tento odhad je konzistentní a asymptoticky eficientní pro přeidentifikovanou rovnici existují aspoň dva různé ILS - odhady, všech možných odhadů je nejvýše ( ) k kj. m j 1 Každý z těchto odhadů je konzistentní, ale není asymptoticky eficientní.
29 2SLS - odhad (Two Stage Least Squares, dvoustupňový odhad metodou nejmenších čtverců) Tento odhad je nejpoužívanějším odhadem pro SEM. Za instrumentální proměnné se vezmou všechny exogenní proměnné uvažované soustavy. 2SLS - odhad se opět provádí ve dvou krocích pro j-tou rovnici y j = Y j γ j + X j β j + ε j = Z j δ j + ε j vypočteme OLS - hodnoty všech endogenních proměnných Y j na pravé straně j-té rovnice Ŷ j = XP j = X(X X) 1 X Y j
30 vypočteme finální odhad b 2SLSj a c 2SLSj parametrů β j a γ j tak, že v původní rovnici nahradíme regresory Y j vypočtenými hodnotami Ŷj Platí y j = Ŷ j γ j + X j β j + ε j a opět zkonstruujeme OLS - odhad. 2SLS - odhad parametrů j-té rovnice je konzistentní 2SLS - odhad parametrů j-té rovnice je asymptoticky normální 2SLS - odhad parametrů j-té rovnice je asymptoticky eficientní 2SLS - odhad parametrů j-té rovnice je totožný s ILS - odhadem, pokud j-tá rovnice je přesně identifikovaná
31 LIML - odhad (Limited Information Maximum Likelihood, maximálně věrohodný odhad s neúplnou informací) Tento odhad je maximálně věrohodný odhad vycházející z pravděpodobnostního rozdělení reziduální složky j-té rovnice, v praxi většinou předpokládáme (asymptotickou) normalitu. Označme W 0 j = E 0 j E 0 j, kde a E 0 j = [I X j (X jx j ) 1 X j]y 0 j Y 0 j = (y j, Y j ).
32 Tedy každý sloupec E 0 j odpovídá vektoru reziduí při regresi odpovídajícího sloupce Y 0 j na X j (tj. regrese endogenních proměnných vyskytujících se v j-té rovnici na exogenní proměnné ve stejné rovnici). Dále definujme W 1 j = E 1 j E 1 j = Y 0 j [I X(X X) 1 X ]Y 0 j. V tomto modelu každý sloupec E 1 j odpovídajícího sloupce Y 0 j na X. odpovídá vektoru reziduí při regresi
33 Označme λ nejmenší vlastní číslo matice (W 1 j ) 1 W 0 j W 0 j a W 1 j ve tvaru ( ) W 0 wjj 0 w 0 j j = w 0 j W 0 jj a W 1 j = ( wjj 1 w 1 j w 1 j W 1 jj ) a zapišme matice
34 Potom LIML - odhady parametrů β j a γ j jsou definovány jako c LIMLj = [W 0 jj λw 1 jj] 1 (w 0 j λw 1 j ) a b LIMLj = [X jx j ] 1 X j (y j Y j c LIMLj ).
35 3SLS - odhad (Three Stage Least Squares, třístupňový odhad metodou nejmenších čtverců) v prvním a druhém kroku získáme 2SLS - rezidua všech rovnic soustavy a pomocí nich odhadneme všechny kovariance σ ij ve třetím kroku vypočteme finální 3SLS - odhad jako přípustný Aitkenův odhad v zobecněném modelu lineární regrese. Platí 3SLS - odhad je konzistentní 3SLS - odhad je asymptoticky normální 3SLS - odhad je asymptoticky eficientní
36 FIML - odhad (Full Information Maximum Likelihood, maximálně věrohodný odhad s úplnou informací) Tento odhad je maximálně věrohodný odhad vycházející z pravděpodobnostního rozdělení reziduálních složek všech rovnic soustavy, v praxi většinou předpokládáme (asymptotickou) normalitu. Vycházíme z redukovaného tvaru soustavy Y = XΠ + V a předpokládáme, že každý řádek V má mnohorozměrné normální rozdělení s E[v t X] = 0 a E[v t v t X] = Ω.
37 Potom logaritmická věrohodnostní funkce má tvar log L = T 2 [m log(2π) + log Ω + tr(ω 1 W)], kde W ij = 1 T (y Xπ0 i ) (y Xπ 0 j ) a π 0 j je j-tý sloupec Π.
38 Použitím substitucí Π = BΓ 1 a Ω 1 = ΓΣ 1 Γ a několika úpravami dostaneme logaritmickou věrohodnostní funkci ve tvaru log L = T 2 [m log(2π) 2 log Γ + tr(σ 1 S) + log Σ ], kde s ij = 1 T (Y Γ i + XB i ) (Y Γ j + XB j ). FIML - odhad dostaneme maximalizací této věrohodnostní funkce.
39 Cipra, T., Finanční ekonomie. Ekopress, Praha. Wooldridge, J. M., Econometric Analysis of Cross Section and Panel Data. MIT Press, Cambridge, Massachusetts. Maddala, G. S., Introduction to Econometrics. Macmillam Press, New York. Greene, W. H., Econometric Analysis. Macmillam Press, New York.
AVDAT 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
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.........................................
VíceMETODY ODHADU REDUKOVANÉHO A STRUKTURNÍHO TVARU MODELŮ SIMULTÁNNÍCH ROVNIC.
METODY ODHADU REDUKOVANÉHO A STRUKTURNÍHO TVARU MODELŮ SIMULTÁNNÍCH ROVNIC. ZÁKLADNÍ HARRODŮV-DOMARŮV MODEL RŮSTU A JEHO VERZE VE FORMĚ MULTIPLIKÁTOR AKCELERÁTOR. Parametry modelu simultánních rovnic ve
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
VíceAVDAT Geometrie metody nejmenších čtverců
AVDAT Geometrie metody nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model klasický lineární regresní model odhad parametrů MNČ y = Xβ + ε, ε
VíceTestování hypotéz o parametrech regresního modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model kde Y = Xβ + e, y 1 e 1 β y 2 Y =., e = e 2 x 11 x 1 1k., X =....... β 2,
VíceTestování hypotéz o parametrech regresního modelu
Testování hypotéz o parametrech regresního modelu Ekonometrie Jiří Neubauer Katedra kvantitativních metod FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra UO
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
VíceLWS při heteroskedasticitě
Stochastické modelování v ekonomii a financích Petr Jonáš 7. prosince 2009 Obsah 1 2 3 4 5 47 1 Předpoklad 1: Y i = X i β 0 + e i i = 1,..., n. (X i, e i) je posloupnost nezávislých nestejně rozdělených
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
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
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
VíceÚlohy nejmenších čtverců
Úlohy nejmenších čtverců Petr Tichý 7. listopadu 2012 1 Problémy nejmenších čtverců Ax b Řešení Ax = b nemusí existovat, a pokud existuje, nemusí být jednoznačné. Často má smysl hledat x tak, že Ax b.
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
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Definice lineárního normálního regresního modelu Lineární normální regresní model Y β ε Matice n,k je matice realizací. Předpoklad: n > k, h() k - tj. matice je plné hodnosti
VíceTestování předpokladů pro metodu chain-ladder. Seminář z aktuárských věd Petra Španihelová
Testování předpokladů pro metodu chain-ladder Seminář z aktuárských věd 4. 11. 2016 Petra Španihelová Obsah Datová struktura Posouzení dat Předpoklady metody chain-ladder dle T. Macka Běžná lineární regrese
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
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Definice lineárního normálního regresního modelu Lineární normální regresní model Y Xβ ε Předpoklady: Matice X X n,k je matice realizací. Předpoklad: n > k, h(x) k - tj. matice
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
VíceV praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více
9 Vícerozměrná data a jejich zpracování 9.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat, hledáme souvislosti mezi dvěmi, případně více náhodnými veličinami. V praxi pracujeme
Více8 Coxův model proporcionálních rizik I
8 Coxův model proporcionálních rizik I Předpokládané výstupy z výuky: 1. Student umí formulovat Coxův model proporcionálních rizik 2. Student rozumí významu regresních koeficientů modelu 3. Student zná
VíceKVADRATICKÁ KALIBRACE
Petra Širůčková, prof. RNDr. Gejza Wimmer, DrSc. Finanční matematika v praxi III. a Matematické modely a aplikace 4. 9. 2013 Osnova Kalibrace 1 Kalibrace Pojem kalibrace Cíle kalibrace Předpoklady 2 3
Více6. ZÁKLADY STATIST. ODHADOVÁNÍ. Θ parametrický prostor. Dva základní způsoby odhadu neznámého vektoru parametrů bodový a intervalový.
6. ZÁKLADY STATIST. ODHADOVÁNÍ X={X 1, X 2,..., X n } výběr z rozdělení s F (x, θ), θ={θ 1,..., θ r } - vektor reálných neznámých param. θ Θ R k. Θ parametrický prostor. Dva základní způsoby odhadu neznámého
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)
Vícea + b + c = 2 b + c = 1 a b = a 1 2a 1 + a a 3 + a 5 + 2a 2 + a 2 + a
Zadání A. 1. Polynom P (x) má v uspořádané bázi (x 2 + x 1, 2x 2 x 1, x 2 + x + 2) souřadnice (1, 1, 1). Najděte jeho souřadnice vzhledem k uspořádané bázi (x 2 1, x 2 + x 1, x 2 + x). Nejprve si spočítáme
VíceVEKTOROVÉ AUTOREGRESE. APLIKACE V PROGNÓZOVÁNÍ.
VEKTOROVÉ AUTOREGRESE. APLIKACE V PROGNÓZOVÁNÍ. Vektorové autoregrese (VAR se používají tehdy, když chceme zkoumat časové řady dvou či více proměnných. Je sice možné za tím účelem použít dynamické modely
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
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
VíceMatematika pro chemické inženýry
Matematika pro chemické inženýry Drahoslava Janovská Lineární a nelineární regrese Přednášky ZS 2016-2017 Sponzorováno grantem VŠCHT Praha, PIGA 413-17-6642, 2016 Povinná látka. Bude v písemkách a bude
Víceα 1 α 2 + α 3 = 0 2α 1 + α 2 + α 3 = 0
Vzhledem k tomu, že jsem to psala ve velkém spěchu, mohou se vyskytnout nějaké chybičky. Pokud nějaké najdu, opravím je hned po prázdninách. Zadání A. 1. Vektory u, v, w jsou lineárně nezávislé. Rozhodněte,
VíceLineární a logistická regrese
Lineární a logistická regrese Martin Branda Univerzita Karlova v Praze Matematicko-fyzikální fakulta Katedra pravděpodobnosti a matematické statistiky Výpočetní prostředky finanční a pojistné matematiky
VíceStatistika (KMI/PSTAT)
Statistika (KMI/PSTAT) Cvičení dvanácté aneb Regrese a korelace Statistika (KMI/PSTAT) 1 / 18 V souboru 25 jedinců jsme měřili jejich výšku a hmotnost. Výsledky jsou v tabulce a grafu. Statistika (KMI/PSTAT)
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
VíceAVDAT Nelineární regresní model
AVDAT Nelineární regresní model Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Nelineární regresní model Ey i = f (x i, β) kde x i je k-členný vektor vysvětlujících proměnných
VíceREGRESNÍ ANALÝZA NESTACIONÁRNÍCH EKONOMICKÝCH ČASOVÝCH ŘAD
Politická ekonomie 45: (2), str. 281-289, VŠE Praha, 1997. ISSN 0032-3233. (Rukopis) REGRESNÍ ANALÝZA NESTACIONÁRNÍCH EKONOMICKÝCH ČASOVÝCH ŘAD Josef ARLT, Vysoká škola ekonomická, Praha 1. Úvod Pro modelování
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
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
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
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
VíceLineární programování
Lineární programování Petr Tichý 19. prosince 2012 1 Outline 1 Lineární programování 2 Optimalita a dualita 3 Geometrie úlohy 4 Simplexová metoda 2 Lineární programování Lineární program (1) min f(x) za
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
Více7. Analýza rozptylu.
7. Analýza rozptylu. Uvedeme obecnou ideu, která je založena na minimalizaci chyby metodou nejmenších čtverců. Nejdříve uvedeme několik základních tvrzení. Uvažujeme náhodný vektor Y = (Y, Y,..., Y n a
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)=
Více3 Bodové odhady a jejich vlastnosti
3 Bodové odhady a jejich vlastnosti 3.1 Statistika (Skripta str. 77) Výběr pořizujeme proto, abychom se (více) dověděli o souboru, ze kterého jsme výběr pořídili. Zde se soustředíme na situaci, kdy známe
Vícez Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin
Příklady k procvičení z Matematické statistiky Poslední úprava. listopadu 207. Konvergence posloupnosti náhodných veličin. Necht X, X 2... jsou nezávislé veličiny s rovnoměrným rozdělením na [0, ]. Definujme
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
VíceOperace s maticemi
Operace s maticemi Seminář druhý 17.10. 2018 Obsah 1 Operace s maticemi 2 Hodnost matice 3 Regulární matice 4 Inverzní matice Matice Definice (Matice). Reálná matice typu m n je obdélníkové schema A =
VíceLINEÁRNÍ MODELY. Zdeňka Veselá
LINEÁRNÍ MODELY Zdeňka Veselá vesela.zdenka@vuzv.cz Genetika kvantitativních vlastností Jednotlivé geny nejsou zjistitelné ani měřitelné Efekty většího počtu genů poskytují variabilitu, kterou lze většinou
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
Více1 Determinanty a inverzní matice
Determinanty a inverzní matice Definice Necht A = (a ij ) je matice typu (n, n), n 2 Subdeterminantem A ij matice A příslušným pozici (i, j) nazýváme determinant matice, která vznikne z A vypuštěním i-tého
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
VícePROGNÓZOVÁNÍ POMOCÍ EKONOMETRICKÝCH MODELŮ. ÚLOHA OČEKÁVÁNÍ V EKONOMII.
PROGNÓZOVÁNÍ POMOCÍ EKONOMETRICKÝCH MODELŮ. ÚLOHA OČEKÁVÁNÍ V EKONOMII. Tento text věnuje prognózování, tedy predikci hodnot vysvětlovaných proměnných. Typy kvantitativních prognostických postupů můžeme
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
VíceAfinita je stručný název pro afinní transformaci prostoru, tj.vzájemně jednoznačné afinní zobrazení bodového prostoru A n na sebe.
4 Afinita Afinita je stručný název pro afinní transformaci prostoru, tj.vzájemně jednoznačné afinní zobrazení bodového prostoru A n na sebe. Poznámka. Vzájemně jednoznačným zobrazením rozumíme zobrazení,
Vícesprávně - A, jeden celý příklad správně - B, jinak - C. Pro postup k ústní části zkoušky je potřeba dosáhnout stupně A nebo B.
Zkouška z předmětu KMA/PST. Anotace předmětu Náhodné jevy, pravděpodobnost, podmíněná pravděpodobnost. Nezávislé náhodné jevy. Náhodná veličina, distribuční funkce. Diskrétní a absolutně spojitá náhodná
VíceDEFINICE Z LINEÁRNÍ ALGEBRY
DEFINICE Z LINEÁRNÍ ALGEBRY Skripta Matematické metody pro statistiku a operační výzkum (Nešetřilová, H., Šařecová, P., 2009). 1. definice Vektorovým prostorem rozumíme neprázdnou množinu prvků V, na které
Více(Cramerovo pravidlo, determinanty, inverzní matice)
KMA/MAT1 Přednáška a cvičení, Lineární algebra 2 Řešení soustav lineárních rovnic se čtvercovou maticí soustavy (Cramerovo pravidlo, determinanty, inverzní matice) 16 a 21 října 2014 V dnešní přednášce
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Vektory Definice 011 Vektorem aritmetického prostorur n budeme rozumět uspořádanou n-tici reálných čísel x 1, x 2,, x n Definice 012 Definice sčítání
VíceVI. Maticový počet. VI.1. Základní operace s maticemi. Definice. Tabulku
VI Maticový počet VI1 Základní operace s maticemi Definice Tabulku a 11 a 12 a 1n a 21 a 22 a 2n, a m1 a m2 a mn kde a ij R, i = 1,, m, j = 1,, n, nazýváme maticí typu m n Zkráceně zapisujeme (a ij i=1m
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
Vícedat Robust ledna 2018
Analýza prostorově závislých funkcionálních dat V. Římalová, A. Menafoglio, A. Pini, E. Fišerová Robust 2018 25. ledna 2018 Motivace Data a náhled lokace Měsíční měření (březen-říjen 2015 a 2016) 5 chemických
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
VíceZáklady ekonometrie. V. Uvolnění klasických předpokladů heteroskedasticita. Základy ekonometrie (ZAEK) V. Heteroskedasticita Podzim / 56
Základy ekonometrie V. Uvolnění klasických předpokladů heteroskedasticita Základy ekonometrie (ZAEK) V. Heteroskedasticita Podzim 2015 1 / 56 Obsah tématu 1 Nenulová střední hodnota náhodné složky 2 Nenormalita
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
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 =
VíceFaktorová analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel
Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz J. Neubauer, J. Michálek (Katedra ekonometrie UO) 1 / 27 úvod Na sledovaných objektech
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
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,
VíceVektory a matice. Obsah. Aplikovaná matematika I. Carl Friedrich Gauss. Základní pojmy a operace
Vektory a matice Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah 1 Vektory Základní pojmy a operace Lineární závislost a nezávislost vektorů 2 Matice Základní pojmy, druhy matic Operace s maticemi
VíceZáklady navrhování průmyslových experimentů DOE
Základy navrhování průmyslových experimentů DOE cílová hodnota V. Vícefaktoriální experimenty Gejza Dohnal střední hodnota cílová hodnota Vícefaktoriální návrhy experimentů počet faktorů: počet úrovní:
Více5. B o d o v é o d h a d y p a r a m e t r ů
5. B o d o v é o d h a d y p a r a m e t r ů Na základě hodnot náhodného výběru z rozdělení určitého typu odhadujeme parametry tohoto rozdělení, tak aby co nejlépe odpovídaly hodnotám výběru. Formulujme
VíceStatistika II. Jiří Neubauer
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Časová řada konečná posloupnost reálných hodnot určitého sledovaného ukazatele měřeného v určitých
VíceNecht tedy máme přirozená čísla n, k pod pojmem systém lineárních rovnic rozumíme rovnice ve tvaru
2. Systémy lineárních rovnic V této kapitole se budeme zabývat soustavami lineárních rovnic s koeficienty z pole reálných případně komplexních čísel. Uvádíme podmínku pro existenci řešení systému lineárních
VíceIB112 Základy matematiky
IB112 Základy matematiky Řešení soustavy lineárních rovnic, matice, vektory Jan Strejček IB112 Základy matematiky: Řešení soustavy lineárních rovnic, matice, vektory 2/53 Obsah Soustava lineárních rovnic
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
Více5 Časové řady. Definice 16 Posloupnost náhodných veličin {X t, t T } nazveme slabě stacionární, pokud
5 Časové řady Časovou řadou rozumíme posloupnost reálných náhodných veličin X 1,..., X n, přičemž indexy t = 1,..., n interpretujeme jako časové okamžiky. Někdy však uvažujeme i nekonečné posloupnosti
VíceInterpolace, ortogonální polynomy, Gaussova kvadratura
Interpolace, ortogonální polynomy, Gaussova kvadratura Petr Tichý 20. listopadu 2013 1 Úloha Lagrangeovy interpolace Dán omezený uzavřený interval [a, b] a v něm n + 1 různých bodů x 0, x 1,..., x n. Nechť
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
VíceÚvod do analýzy časových řad
Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2... } se nazývá stochastický
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Lineární rovnice o 2 neznámých Definice 011 Lineární rovnice o dvou neznámých x, y je rovnice, která může být vyjádřena ve tvaru ax + by = c, kde
VícePorovnání prediktorů
Univerzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCE Hana Jelínková Porovnání prediktorů Katedra pravděpodobnosti a matematické statistiky Vedoucí diplomové práce: Studijní program:
VíceRegresní a korelační analýza
Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Regresní analýza Cíl regresní analýzy: stanovení formy (trendu, tvaru, průběhu)
VíceOperace s maticemi. 19. února 2018
Operace s maticemi Přednáška druhá 19. února 2018 Obsah 1 Operace s maticemi 2 Hodnost matice (opakování) 3 Regulární matice 4 Inverzní matice 5 Determinant matice Matice Definice (Matice). Reálná matice
VíceZáklady teorie odhadu parametrů bodový odhad
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Odhady parametrů Úkolem výběrového šetření je podat informaci o neznámé hodnotě charakteristiky základního souboru
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
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
VíceMATICE. a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij]
MATICE Matice typu m/n nad tělesem T je soubor m n prvků z tělesa T uspořádaných do m řádků a n sloupců: a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij] a m1 a m2 a mn Prvek a i,j je prvek matice A na místě
VíceSoustavy linea rnı ch rovnic
[1] Soustavy lineárních rovnic vlastnosti množin řešení metody hledání řešení nejednoznačnost zápisu řešení a) soustavy, 10, b) P. Olšák, FEL ČVUT, c) P. Olšák 2010, d) BI-LIN, e) L, f) 2009/2010, g)l.
Více12. cvičení z PST. 20. prosince 2017
1 cvičení z PST 0 prosince 017 11 test rozptylu normálního rozdělení Do laboratoře bylo odesláno n = 5 stejných vzorků krve ke stanovení obsahu alkoholu X v promilích alkoholu Výsledkem byla realizace
VíceDefinice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně
7 Náhodný vektor Nezávislost náhodných veličin Definice 7 Nechť je dán pravděpodobnostní prostor (Ω, A, P) Zobrazení X : Ω R n, které je A-měřitelné, se nazývá (n-rozměrný) náhodný vektor Měřitelností
VíceÚvod do lineární algebry
Úvod do lineární algebry 1 Aritmetické vektory Definice 11 Mějme n N a utvořme kartézský součin R n R R R Každou uspořádanou n tici x 1 x 2 x, x n budeme nazývat n rozměrným aritmetickým vektorem Prvky
VíceX = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní
..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X
VíceJedná se o soustavy ve tvaru A X = B, kde A je daná matice typu m n,
Soutavy lineárních algebraických rovnic Jedná se o soustavy ve tvaru A X = B, kde A je daná matice typu m n, X R n je sloupcový vektor n neznámých x 1,..., x n, B R m je daný sloupcový vektor pravých stran
VíceMatematika (CŽV Kadaň) aneb Úvod do lineární algebry Matice a soustavy rovnic
Přednáška třetí (a pravděpodobně i čtvrtá) aneb Úvod do lineární algebry Matice a soustavy rovnic Lineární rovnice o 2 neznámých Lineární rovnice o 2 neznámých Lineární rovnice o dvou neznámých x, y je
VíceEkonometrie. Jiří Neubauer
Úvod do analýzy časových řad Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Úvod do analýzy
Více7. Lineární vektorové prostory
7. Lineární vektorové prostory Tomáš Salač MÚ UK, MFF UK LS 2017/18 Tomáš Salač ( MÚ UK, MFF UK ) 7. Lineární vektorové prostory LS 2017/18 1 / 62 7.1 Definice a příklady Definice 7.1 Množina G s binární
VíceV praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více
10 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 10.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat, hledáme souvislosti mezi dvěma, případně
Více1 Projekce a projektory
Cvičení 3 - zadání a řešení úloh Základy numerické matematiky - NMNM20 Verze z 5. října 208 Projekce a projektory Opakování ortogonální projekce Definice (Ortogonální projekce). Uvažujme V vektorový prostor
VíceALGEBRA. Téma 5: Vektorové prostory
SLEZSKÁ UNIVERZITA V OPAVĚ Matematický ústav v Opavě Na Rybníčku 1, 746 01 Opava, tel. (553) 684 611 DENNÍ STUDIUM Téma 5: Vektorové prostory Základní pojmy Vektorový prostor nad polem P, reálný (komplexní)
Více