Studentská limitovaná verze je ke stažení na stránkách GiveWin otevření datového souboru
|
|
- Vítězslav Radim Rohla
- před 7 lety
- Počet zobrazení:
Transkript
1 Veškeré postupy na souboru data.in7 Studentská limitovaná verze je ke stažení na stránkách Načtení databáze Databázi načítáme přes hlavní nabídku : File Open Data File. GiveWin otevření datového souboru Kromě otevírání databáze nám tato nabídka slouží také k ukládání změn v datových souborech, ukládání výsledků, ukončování programu apod. GiveWin vytváří vlastní formát datových souborů, který se vyznačuje koncovku in7. Program je kompatibilní s programem MS Eexcel, ale jen do verze MS Excel S programem MS Excel 2007 GiveWin nespolupracuje. Databázi je tedy možné vytvořit v Excelu a načíst ji do GiveWinu. Je třeba, aby takový soubor byl databází (tj. sloupce s daty a jeden řádek s názvy sloupců názvy musejí být jednoslovné a bez diakritiky). Databáze musí být souvislá a pouze na jednom listu. Dále je třeba v Excelu změnit nastavení desetinné čárky GiveWin pracuje s desetinnou tečkou, nikoliv s desetinnou čárkou. Pokud není toto nastavení změněno, databázi se nám nepodaří do GiveWinu načíst. Kromě načítání databáze je možné v GiveWinu databázi přímo vytvořit. K tomu využijeme nabídky File New Database. Navolíme charakteristiku databáze (tj. charakteristika časových řad, prostorová data atp.), otevře se prázdný datový soubor. Necháme na čtenáři, aby okusil vytváření databáze v GiveWinu. Očekáváme, že dospěje stejně jako my k závěru, že je efektivnější vytvářet databázi v externím programu. Sestavení modelu Databázi načítáme přes hlavní nabídku: File Open Data File.
2 GiveWin Moduly Model sestavuje v modulu PcGive. Ten spustíme buď v nabídce vlevo (viz obr. 11.2) nebo v hlavním menu Modules PcGive. Hlavní dialogové okno modulu PcGive je následující. GiveWin modul PcGive Z tohoto modulu nás budou zajímat nabídky Package, Model a Test. Před každým odhadem modelu je třeba v nabídce Package nastavit ekonometrické modelování, jinak bychom nevědomky mohli pracovat s jiným modulem. Package Econometric Modelling GiveWin modul PcGive, volba Package
3 Samotný model se sestavuje v nabídce Model. Obr. 11.5: GiveWin modul PcGive, volba Model V této nabídce si volíme typ modelu. GiveWin - nabidka menu Model nabídka model 1: Cross-section Regression Regrese na průřezových datech 2: Single-equation Dynamic Modelling Regrese na časových řadách 3: Non-linear Modelling Nelineární modelování 4: Multiple-equation Dynamic Modelling Modely simultánních rovnic 5: Descriptive Statistics Popisná statistika Nás bude zajímat zejména nabídka (1) a (2). Protože se v základním kurzu ekonometrie setkáváme častěji s časovými řadami než s průřezovými daty, budeme si postupy ukazovat na časových řadách, práce s průřezovými daty je podobná, jen se místo nabídky (2) volí nabídka (1). Zvolíme tedy 2: Single-equation Dynamic Modelling a pokusíme se odhadnout model na datech ze zkušebního souboru. K dispozici máme časové řady Output, Inc, Cons, Inflat. Naším cílem je nyní odhadnout model OUTPUT t = β 0 + β 1 CONS t + β 2 INC t + β 3 INFLAT t + u t. Po volbě (2) se nám otevře následující dialogové okno.
4 GiveWin dialogové okno pro sestavení modelu prostor pro zadání modelu seznam proměnných v databázi speciální proměnné trend, konstanta, sezónnost nastavení délky zpoždění v modelu aktuální databáze, se kterou se pracuje Nyní se již vyznáme v dialogovém okně a můžeme přistoupit k samotné konstrukci modelu. Nejdříve je třeba zadat do modelu endogenní proměnnou! V našem příkladu je to proměnná OUTPUT. Proměnné do modelu zadáváme dvojklikem na konkrétní proměnnou. Druhou možností je označit proměnnou a v pravé části kliknout na ADD. Dialogové okno je po zadání proměnné následující. GiveWin sestavení modelu Spolu s endogenní proměnnou se nám do modelu automaticky připojí konstanta. Konstantu je možné z modelu odstranit, my to ale dělat nebudeme, protože víme, že když odstraníme konstantu z modelu, tak již nepracujeme s klasickým lineárním regresním modelem.
5 Po zadání endogenní proměnné můžeme do modelu zadat exogenní, příp. různým způsobem zpožděné hodnoty exogenní, ev. endogenní proměnné. V našem příkladu nemáme žádnou zpožděnou proměnnou, proto zadáme pouze hodnoty bez zpoždění. GiveWin zadaný model V dialogovém okně se nyní nachází model, který odpovídá našemu zadání. Pokud nechceme do modelu přidávat žádnou ze speciálních proměnných (trend či sezónnost), můžeme model potvrdit OK. V následujícím dialogovém okně jsme vyzváni k volbě metody odhadu modelu. GiveWin volba odhadové techniky
6 Ordinary least squares = metoda nejmenších čtverců budeme volit nejčastěji. Instrumental variables = metoda instrumentálních (pomocných) proměnných, s touto metodou se v základním kurzu ekonometrie nesetkáme. Autoregressive least squares = metoda zobecněných nejmenších čtverců tuto metodu použijeme při odstraňování autokorelace z modelu. Nyní tedy zvolíme první nabídku a odhadneme model metodou nejmenších čtverců. V dalším dialogovém okně máme možnost korigovat, na kterých pozorováních se má model odhadnout. V tomto okně je shrnuta metoda odhadu a je zde možné odstranit počáteční nebo koncová pozorování, a ta pak nebudou brána v potaz při odhadu modelu. GiveWin upřesnění modelu v této části odebíráme pozorování ze začátku databáze stanovuje se zde počáteční pozorování, od kterého se bude model odhadovat v této části odebíráme pozorování z konce databáze stanovuje se zde poslední pozorování, po které se bude model odhadovat počet pozorování, na kterých se model odhaduje Pokud jsme s tímto nastavením spokojení, opět potvrdíme OK. V dalším okně se již objeví standardní výstup s odhadnutým modelem. EQ( 1) Modelling OUTPUT by OLS (using data.in7) The estimation sample is: 1968 (1) to 2007 (3) Coefficient Std.Error t-value t-prob Part.R^2 Constant CONS INC INFLAT sigma RSS R^ F(3,155) = [0.000]** log-likelihood DW no. of observations 159 no. of parameters 4 mean(output) var(output) Výstup z programu GiveWin Naším úkolem je seznámit se v této části s ovládáním softwaru, proto se nyní nebudeme vyhodnocování výstupu věnovat a tuto záležitost přenecháme jiným kapitolám.
7 Práce s modelem Po odhadu modelu můžeme přistoupit k vyhodnocování dodatečných testů, příp. ke grafické analýze atp. V modelu PcGive k tomu slouží menu Test. GiveWin dodatečné testy První v nabídce je grafická analýza. Zde si můžeme nechat zobrazit různé typy grafů. Grafy však nelze příliš upravovat, pro nás budou mít pouze informativní charakter. GiveWin grafická analýza Nejčastěji nás bude zajímat nabídka graf Actual and fitted values, který zachycuje skutečné a modelem vyrovnané hodnoty endogenní proměnné, a dále graf Residuals (scaled), který zobrazuje rezidua modelu.
8 GiveWin graf skutečných a vyrovnaných hodnot, graf reziduí V této nabídce si můžeme nechat zobrazit také funkce ACF a PACF, ale to jsou již záležitosti týkající se pokročilejších kurzů. V menu Test nás budou dále zajímat předpovědi tj. nabídka Forecast... Abychom mohli předpovídat, musíme mít v databázi pozorování, která jsme nepoužili k odhadu modelu. Dialogové okno je stejné pro předpovědi ex-post i ex-ante. GiveWin předpovědi počet požadovaných predikcí zde se nastavuje, jaká směrodatná chyba se má u predikování užít zda směrodatná chyba modelu nebo tato chyba upravená o parametr nejistoty; pokud nás směrodatná chyba nezajímá, zvolíme Do not compute zde je třeba zatrhnout, aby software předpovědi vypsal namísto vykreslení grafu Vedle grafů a předpovědí si můžeme v tomto menu vyvolat dodatečné testy, které potřebujeme k vyhodnocování vlastností modelu. V menu Test volíme nabídku Test...
9 Dialogové okno má tuto podobu. GiveWin testy heteroskedasticity Z této nabídky nás budou zajímat pouze testy na heteroskedasticitu V menu Test lze také ukládat vyrovnané hodnoty nebo rezidua přímo do databáze. Děje se tak přes nabídku Store Residuals etc. in Database. GiveWin uložení reziduí Zde uložíme rezidua modelu a vyrovnané hodnoty endogenní proměnné do databáze K vyhodnocení předpokladů modelu musíme umět vyvolat korelační matici. K tomu nám neslouží ekonometrické modelování, ale popisná (deskriptivní) statistika. Je třeba změnit nastavení programu. Nastavení změníme. Package Descriptive statistics
10 GiveWin popisná (deskriptivní) statistika Nabídka Model se nyní změnila. GiveWin nabídka model v popisné (deskriptivní) statistice K tomu abychom získali matici korelačních koeficientů, musíme nyní zvolit Formulate... a nadefinovat, mezi kterými proměnnými tuto matici chceme vytvářet. Dialogové okno, kde se zadávají proměnné, je podobné jako při sestavování modelu v ekonometrickém modelování. GiveWin sestavení modelu v deskriptivní statistice
11 Proměnné navolíme a přes OK se přepneme do dalšího okna. GiveWin základní statistické charakteristiky Zde nás bude zajímat pouze první nabídka, kterou spočítáme průměry, střední hodnoty a matici korelačních koeficientů mezi zvolenými proměnnými. Tuto část je možné využít také na testování jednotkových kořenů atp., ale to je již součástí pokročilých kurzů. Další zajímavá menu Kromě ekonometrického modelování disponuje GiveWin také funkcemi, které známe například z Excelu. Tyto funkce najdeme v hlavním menu programu v nabídce Tools. GiveWin nabídka Tools Z této nabídky nás bude zajímat především Calculator a Algebra Editor. Tyto součásti programu slouží k pomocným výpočtům. Obě tyto aplikace, stejně jako celý GiveWin, jsou
12 citlivé na malá a velká písmena a tedy pro software je proměnná CONS odlišná od proměnné cons. Názvy nově napočítaných proměnných je třeba zadávat bez diakritiky. GiveWin nabídka Calculator proměnné z databáze aktuální databáze seznam matematických funkcí, které lze v kalkulátoru použít, VAR se nahrazuje proměnnou, se kterou chceme úpravy provádět Kliknutím na = potvrdíme zadání funkce a poté jsme vyzváni ke vložení názvu nové proměnné. Tato proměnná se objeví jako další sloupec v aktuální databázi. Na podobném systému jako Calculator pracuje také Algebra Editor. GiveWin nabídka Algebra Editor proměnné z databáze aktuální databáze a rozsah dat nabídka funkcí prostor pro zadání funkcí, eventuelně vzorců; jednotlivé vzorce/funkce jsou odděleny středníkem, nejdříve se definuje název nové proměnné (odlišné od Calculator), poté se definuje způsob výpočtu této proměnné nově definované proměnné se objevují jako další sloupec v aktuální databázi Příklad ruční výpočet DW statistiky Nyní si ukážeme, jak je možné DW statistiku spočítat pomocí nástroje Algebra Editor. Statistiku budeme počítat pro model, který jsme odhadovali v předchozí části.
13 Nejdříve musíme odhadnout model modul PcGive Package Econometric Modelling modul PcGive Model 2: Single-equation Dynamic Modelling EQ( 1) Modelling OUTPUT by OLS (using data.in7) The estimation sample is: 1953 (1) to 1992 (3) Coefficient Std.Error t-value t-prob Part.R^2 Constant CONS INC INFLAT sigma RSS R^ F(3,155) = [0.000]** log-likelihood DW no. of observations 159 no. of parameters 4 mean(output) var(output) Výstup z programu GiveWin DW statistika se počítá dle vzorce d = T t= 2 2 ( et et 1). T e t= 1 Ve vzorci se vyskytují rezidua, ta si tedy musíme uložit do databáze, abychom s nimi mohli dále pracovat. Pro naše potřeby je pojmenujeme e. modul PcGive Test Store residuals etc. in Database Nyní již můžeme přistoupit k zadání vzorce do Algebra Editoru. Vzorec musíme zadat po částech. Nejprve napočítáme rozdíl reziduí, který pojmenujeme jako dif1. K výpočtu rozdílů, resp. diferencí, slouží funkce diff(var,lag), kde LAG je délka zpoždění (v našem příkladu 1) dif1 = diff(e,1); Poté potřebujeme mocniny tohoto rozdílu pojmenujeme jako dif2 dif2=dif1*dif1; Tyto mocniny potřebujeme sečíst součet pojmenujeme jako dif3. K sečtení použijeme funkci kumulovaný součet tj. cum(var) dif3 = cum(dif2); Nyní jsme spočítali hodnotu, která se ve vzorci vyskytuje v čitateli. Podobně bychom mohli spočítat hodnotu ve jmenovateli. Tady nám ale stačí si uvědomit, že výraz ve jmenovateli představuje součet čtverců reziduí, tj. RSS, které máme ve výstupu. 2 t
14 Takže nám zbývá vyjádřit podíl čitatele a jmenovatele. Zavedeme novou proměnnou DW, která nám tento podíl zachytí. DW = dif3/ ; Hodnota se rovná RSS z výstupu, opět musíme místo desetinné čárky použít desetinnou tečku. Zadání v Algebra Editoru je následující. GiveWin sestavení kódu v Algebra Editoru Hodnotu DW statistiky nalezneme v posledním řádku sloupce DW. Je na čtenáři, aby si ověřil, že tato hodnota je stejná jako hodnota vypočtená softwarem. Hlavní rozdíl mezi aplikací Calculator a Algebra Editor tedy spočívá v tom, že v Algebra Editoru můžeme zadávat více příkazů současně, zatímco Calculator funguje na principu kalkulačky. Pokud provádíme dodatečné testy k výstupu, často se dostaneme do situace, kdy nám software vyjádří vypočtenou hodnotu námi testovaného kritéria, ale již nám nezobrazí kritickou hodnotu pro tuto statistiku. V takovém případě můžeme začít listovat statistickými tabulkami nebo využít v GiveWinu menu Tools Tail Probability. GiveWin v sobě nemá integrované statistické tabulky, proto nám nezobrazuje kritické hodnoty, ale dokáže posoudit, zda hodnota, kterou mu zadáme, je větší nebo menší než hodnota kritická a na jaké hladině významnosti.
15 GiveWin nabídka Tail probability zvolíme rozdělení, ke kterému vyhledáváme kritickou hodnotu a navolíme, zda chceme oboustranný nebo jednostranný interval zadáme hodnotu, ke které hledáme kritickou hodnotu zadáme stupně volnosti požadovaného rozdělení
4EK211 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
VíceZadání Máme data hdp.wf1, která najdete zde: Bodová předpověď: Intervalová předpověď:
Predikce Text o predikci pro upřesnění pro ty, které zajímá, kde se v EViews všechna ta čísla berou. Ruční výpočty u průběžného testu nebudou potřeba. Co bude v závěrečném testu, to nevím. Ale přečíst
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
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
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
VíceVzorce. StatSoft. Vzorce. Kde všude se dá zadat vzorec
StatSoft Vzorce Jistě se Vám již stalo, že data, která máte přímo k dispozici, sama o sobě nestačí potřebujete je nějak upravit, vypočítat z nich nějaké další proměnné, provést nějaké transformace, Jinak
VíceSEMINÁRNÍ PRÁCE Z 4ST432 Tereza Michlíková (xmict05) ZS 06/07
SEMINÁRNÍ PRÁCE Z 4ST432 Tereza Michlíková (xmict05) ZS 06/07 Nesezónní časová řada - Základní údaje o časové řadě Časová řada příjmy z daní z příjmu v Austrálii ( http://www.economagic.com/emcgi/data.exe/tmp/213-220-208-205!20061203093308
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
VíceAnalýza časových řad pomoci SAS82 for Win
Analýza časových řad pomoci SAS82 for Win 1) Vstupní data Vstupní data musí mít vhodný formát, tj. žádný oddělovač tisíců, správně nastavený desetinný oddělovač. Název proměnné pro SAS nesmí obsahovat
VíceSTATISTICA Téma 6. Testy na základě jednoho a dvou výběrů
STATISTICA Téma 6. Testy na základě jednoho a dvou výběrů 1) Test na velikost rozptylu Test na velikost rozptylu STATISTICA nemá. 2) Test na velikost střední hodnoty V menu Statistika zvolíme nabídku Základní
VíceIlustrační příklad odhadu LRM v SW Gretl
Ilustrační příklad odhadu LRM v SW Gretl Podkladové údaje Korelační matice Odhad lineárního regresního modelu (LRM) Verifikace modelu PEF ČZU Praha Určeno pro posluchače předmětu Ekonometrie Needitovaná
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2016/17 Cvičení 3: Lineární regresní model LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Seznámení s EViews Upřesnění
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
VíceSTATISTICA Téma 1. Práce s datovým souborem
STATISTICA Téma 1. Práce s datovým souborem 1) Otevření datového souboru Program Statistika.cz otevíráme z ikony Start, nabídka Programy, podnabídka Statistika Cz 6. Ze dvou nabídnutých možností vybereme
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
VíceZákladní vzorce a funkce v tabulkovém procesoru
Základní vzorce a funkce v tabulkovém procesoru Na tabulkovém programu je asi nejzajímavější práce se vzorci a funkcemi. Když jednou nastavíte, jak se mají dané údaje zpracovávat (některé buňky sečíst,
VícePostup: Nejprve musíme vyplnit tabulku. Pak bude vypadat takto:
Úkol: Jednoduchá tabulka v Excelu Obrázky jsou vytvořené v Excelu verze 2003 CZ. Postupy jsou platné pro všechny běžně dostupné české verze Excelu s výjimkou verze roku 2007. Postup: Nejprve musíme vyplnit
VíceParametry hledáme tak, aby součet čtverců odchylek byl minimální. Řešením podle teorie je =
Příklad 1 Metodou nejmenších čtverců nalezněte odhad lineární regresní funkce popisující závislost mezi výnosy pšenice a množstvím použitého hnojiva na základě hodnot výběrového souboru uvedeného v tabulce.
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
Více8 ANALÝZA ČASOVÝCH ŘAD SEZÓNNÍ SLOŽKA
8 ANALÝZA ČASOVÝCH ŘAD SEZÓNNÍ SLOŽKA RYCHLÝ NÁHLED KAPITOLY Následující kapitolou pokračujeme v tématu analýza časových řad a blíže se budeme zabývat problematikou jich pravidelné kolísavost, která je
VíceTéma 9: Vícenásobná regrese
Téma 9: Vícenásobná regrese 1) Vytvoření modelu V menu Statistika zvolíme nabídku Vícerozměrná regrese. Aktivujeme kartu Detailní nastavení viz obr.1. Nastavíme Proměnné tak, že v příslušném okně viz.
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
VícePřílohy. Příloha 1. Obr. P1.1 Zadání úlohy v MS Excel
Přílohy Příloha 1 Řešení úlohy lineárního programování v MS Excel V této příloze si ukážeme, jak lze řešit úlohy lineárního programování pomocí tabulkového procesoru MS Excel 2007. Výpočet budeme demonstrovat
VíceObr. P1.1 Zadání úlohy v MS Excel
Přílohy Příloha 1 Řešení úlohy lineárního programování v MS Excel V této příloze si ukážeme, jak lze řešit úlohy lineárního programování pomocí tabulkového procesoru MS Excel. Výpočet budeme demonstrovat
VíceCvičení 9 dekompozice časových řad a ARMA procesy
Cvičení 9 dekompozice časových řad a ARMA procesy Příklad 1: Dekompozice časové řady Soubor 18AEK-cv09.xls obsahuje dvě časové řady (X a Y) se 72 pozorováními. Použijte časovou řadu Y. a) Pokuste se na
VíceSOLVER UŽIVATELSKÁ PŘÍRUČKA. Kamil Šamaj, František Vižďa Univerzita obrany, Brno, 2008 Výzkumný záměr MO0 FVT0000404
SOLVER UŽIVATELSKÁ PŘÍRUČKA Kamil Šamaj, František Vižďa Univerzita obrany, Brno, 2008 Výzkumný záměr MO0 FVT0000404 1. Solver Program Solver slouží pro vyhodnocení experimentálně naměřených dat. Základem
VíceZačínáme pracovat s tabulkovým procesorem MS Excel
Začínáme pracovat s tabulkovým procesorem MS Excel Nejtypičtějším představitelem tabulkových procesorů je MS Excel. Je to pokročilý nástroj pro tvorbu jednoduchých i složitých výpočtů a grafů. Program
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
VíceChceme určit hodnoty parametrů závislosti p 1,.., p n a to
Zpracování výsledků měření početními metodami Měříme závislost jedné veličiny na druhé. Měření - soubor hodnot {y i, x i } a příslušných chyb. Hledáme vyjádření závislosti y = f(x; p 1,.., p n ). Chceme
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
VíceJEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica
JEDNOVÝBĚROVÉ TESTY Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu
VíceNeuronové časové řady (ANN-TS)
Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci
VíceTVOŘÍME MAPU V GIS. manuál
TVOŘÍME MAPU V GIS manuál 1 Quantum GIS Každý GIS pracuje s tzv. vrstvami (vrstva měst, řek, krajů, atd.), které pak zobrazuje v mapovém poli. Pro práci s jednotlivými vrstvami slouží panel nástrojů, kde
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
VíceZobrazení zdrojových dat u krabicového grafu
StatSoft Zobrazení zdrojových dat u krabicového grafu Krabicový graf zobrazuje informace o poloze i variabilitě dat. Zachycujeme na něm různé charakteristiky a někdy může být žádoucí zobrazit si v grafu
VíceLineární regrese. Komentované řešení pomocí MS Excel
Lineární regrese Komentované řešení pomocí MS Excel Vstupní data Tabulka se vstupními daty je umístěna v oblasti A1:B11 (viz. obrázek) na listu cela data Postup Základní výpočty - regrese Výpočet základních
VíceIlustrační příklad odhadu SM v SW Gretl
Ilustrační příklad odhadu SM v SW Gretl Odhad simultánního modelu (SM) Verifikace modelu PEF ČZU Praha Určeno pro posluchače předmětu Ekonometrie Needitovaná studijní pomůcka MM2011 Úvodní obrazovka Gretlu
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
VíceSTATISTICA Téma 7. Testy na základě více než 2 výběrů
STATISTICA Téma 7. Testy na základě více než 2 výběrů 1) Test na homoskedasticitu Nalezneme jej v několika submenu. Omezme se na submenu Základní statistiky a tabulky základního menu Statistika. V něm
VíceStatSoft Jak vyzrát na datum
StatSoft Jak vyzrát na datum Tento článek se věnuje podrobně možnostem práce s proměnnými, které jsou ve formě datumu. A že jich není málo. Pokud potřebujete pracovat s datumem, pak se Vám bude tento článek
VíceSimulace. Simulace dat. Parametry
Simulace Simulace dat Menu: QCExpert Simulace Simulace dat Tento modul je určen pro generování pseudonáhodných dat s danými statistickými vlastnostmi. Nabízí čtyři typy rozdělení: normální, logaritmicko-normální,
VíceSTATISTIKA I Metodický list č. 1 Název tématického celku:
STATISTIKA I Metodický list č. 1 Analýza závislostí Základním cílem tohoto tématického celku je seznámit se s pokročilejšími metodami zpracování statistických údajů.. 1. kontingenční tabulky 2. regresní
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
VícePravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1
Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu
VíceKAPITOLA 9 - POKROČILÁ PRÁCE S TABULKOVÝM PROCESOREM
KAPITOLA 9 - POKROČILÁ PRÁCE S TABULKOVÝM PROCESOREM CÍLE KAPITOLY Využívat pokročilé možnosti formátování, jako je podmíněné formátování, používat vlastní formát čísel a umět pracovat s listy. Používat
VíceNávod pro práci s SPSS
Návod pro práci s SPSS Návody pro práci s programem SPSS pro kurz Metodologie pro Informační studia a knihovnictví 2 (jaro 2013) Ladislava Zbiejczuk Suchá Instalace programu SPSS najdete v INETu. Po přihlášení
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
VíceRegrese. 28. listopadu Pokud chceme daty proložit vhodnou regresní křivku, musíme obvykle splnit tři úkoly:
Regrese 28. listopadu 2013 Pokud chceme daty proložit vhodnou regresní křivku, musíme obvykle splnit tři úkoly: 1. Ukázat, že data jsou opravdu závislá. 2. Provést regresi. 3. Ukázat, že zvolená křivka
VíceSemestrální práce. 3.3 Tvorba nelineárních regresních modelů v analýze dat
Semestrální práce 1 3.3 Tvorba nelineárních regresních modelů v analýze dat Ing. Ján Lengyel, CSc. Centrální analytická laboratoř Ústav jaderného výzkumu Řež, a. s. Husinec Řež 130 250 68 Řež V Řeži, únor
VíceOvládání Open Office.org Calc Ukládání dokumentu : Levým tlačítkem myši kliknete v menu na Soubor a pak na Uložit jako.
Ukládání dokumentu : Levým tlačítkem myši kliknete v menu na Soubor a pak na Uložit jako. Otevře se tabulka, v které si najdete místo adresář, pomocí malé šedočerné šipky (jako na obrázku), do kterého
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
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
VíceZpracování chybějících dat a dat mimo rozsah
StatSoft Zpracování chybějících dat a dat mimo rozsah V tomto článku si představíme jeden z možných postupů, jak se rychle a snadno vypořádat s detekcí chybějících dat a dat mimo stanovený rozsah. Načtení
VíceNový způsob práce s průběžnou klasifikací lze nastavit pouze tehdy, je-li průběžná klasifikace v evidenčním pololetí a školním roce prázdná.
Průběžná klasifikace Nová verze modulu Klasifikace žáků přináší novinky především v práci s průběžnou klasifikací. Pro zadání průběžné klasifikace ve třídě doposud existovaly 3 funkce Průběžná klasifikace,
VíceProtokol č. 1. Tloušťková struktura. Zadání:
Protokol č. 1 Tloušťková struktura Zadání: Pro zadané výčetní tloušťky (v cm) vypočítejte statistické charakteristiky a slovně interpretujte základní statistické vlastnosti tohoto souboru tloušťek. Dále
Více18AEK Aplikovaná ekonometrie a teorie časových řad. Řešení domácích úkolů č. 1 a 2 příklad 1
18AEK Aplikovaná ekonometrie a teorie časových řad Řešení domácích úkolů č. 1 a 2 příklad 1 Obecné pravidlo pro všechny testy Je stanovena nulová hypotéza: H 0 Je stanovena alternativní hypotéza: H A Je
VíceStanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace )
Příklad č. 1 Stanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace ) Zadání : Stanovení manganu ve vodách se provádí oxidací jodistanem v kyselém prostředí až na manganistan. (1) Sestrojte
VíceStručný manuál k ovládání programu STATISTICA. Mgr. Petra Beranová
Stručný manuál k ovládání programu STATISTICA Mgr. Petra Beranová Copyright StatSoft CR s.r.o. 2008, 1. vydání 2008 StatSoft CR Podbabská 16 CZ-160 00 Praha 6 tel.: +420 233 325 006 fax: +420 233 324 005
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
VíceLINEÁRNÍ REGRESE Komentované řešení pomocí programu Statistica
LINEÁRNÍ REGRESE Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu Popisná
VíceManuální kroková regrese Newsletter Statistica ACADEMY
Manuální kroková regrese Newsletter Statistica ACADEMY Téma: Logistická regrese Typ článku: Novinka verze 12, návody Dnes si popíšeme funkcionalitu, která Vám pomůže při tvorbě regresního modelu (v našem
VícePlánování experimentu
SEMESTRÁLNÍ PRÁCE Plánování experimentu 05/06 Ing. Petr Eliáš 1. NÁVRH NOVÉHO VALIVÉHO LOŽISKA 1.1 Zadání Při návrhu nového valivého ložiska se v prvotní fázi uvažovalo pouze o změně designu věnečku (parametr
VíceObsah Úvod Kapitola 1 Než začneme Kapitola 2 Práce s hromadnými daty před analýzou
Úvod.................................................................. 11 Kapitola 1 Než začneme.................................................................. 17 1.1 Logika kvantitativního výzkumu...........................................
VíceExcel 2007 praktická práce
Excel 2007 praktická práce 1 Excel OP LZZ Tento kurz je financován prostřednictvím výzvy č. 40 Operačního programu Lidské zdroje a zaměstnanost z prostředků Evropského sociálního fondu. 2 Excel Cíl kurzu
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)
VíceAplikovaná statistika v R - cvičení 2
Aplikovaná statistika v R - cvičení 2 Filip Děchtěrenko Matematicko-fyzikální fakulta filip.dechterenko@gmail.com 5.6.2014 Filip Děchtěrenko (MFF UK) Aplikovaná statistika v R 5.6.2014 1 / 18 Přehled Rkových
VíceSEMESTRÁLNÍ PRÁCE. Leptání plasmou. Ing. Pavel Bouchalík
SEMESTRÁLNÍ PRÁCE Leptání plasmou Ing. Pavel Bouchalík 1. ÚVOD Tato semestrální práce obsahuje písemné vypracování řešení příkladu Leptání plasmou. Jde o praktickou zkoušku znalostí získaných při přednáškách
VíceKAPITOLA 11 - POKROČILÁ PRÁCE S TABULKOVÝM PROCESOREM
KAPITOLA 11 - POKROČILÁ PRÁCE S TABULKOVÝM PROCESOREM FILTROVÁNÍ DAT Po filtrování dat jsou zobrazeny pouze řádky, které splňují zadaná kritéria, a řádky, které nechcete zobrazit, jsou skryty. Filtrovat
VícePopis ovládání. Po přihlášení do aplikace se objeví navigátor. Navigátor je stromově seřazen a slouží pro přístup ke všem oknům celé aplikace.
Popis ovládání 1. Úvod Tento popis má za úkol seznámit uživatele se základními principy ovládání aplikace. Ovládání je možné pomocí myši, ale všechny činnosti jsou dosažitelné také pomocí klávesnice. 2.
VíceŠkolení obsluhy PC stručný manuál obsluhy pro používání PC
Školení obsluhy PC stručný manuál obsluhy pro používání PC tabulkový procesor MS EXCEL Zpracoval: mgr. Ježek Vl. Str. 1 MS EXCEL - základy tabulkového procesoru Tyto programy jsou specielně navrženy na
VíceUNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11.
UNIVERZITA OBRANY Fakulta ekonomiky a managementu Aplikace STAT1 Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 Jiří Neubauer, Marek Sedlačík, Oldřich Kříž 3. 11. 2012 Popis a návod k použití aplikace
VícePopisná statistika. Komentované řešení pomocí MS Excel
Popisná statistika Komentované řešení pomocí MS Excel Vstupní data Máme k dispozici data o počtech bodů z 1. a 2. zápočtového testu z Matematiky I v zimním semestru 2015/2016 a to za všech 762 studentů,
VíceBeton 3D Výuková příručka Fine s. r. o. 2010
Zadání Cílem tohoto příkladu je navrhnout a posoudit výztuž šestiúhelníkového železobetonového sloupu (výška průřezu 20 cm) o výšce 2 m namáhaného normálovou silou 400 kn, momentem My=2,33 knm a momentem
VíceFrantišek Hudek. květen 2012
VY_32_INOVACE_FH06 Jméno autora výukového materiálu Datum (období), ve kterém byl VM vytvořen Ročník, pro který je VM určen Vzdělávací oblast, obor, okruh, téma Anotace František Hudek květen 2012 8. ročník
VíceSTATISTICA Téma 8. Regresní a korelační analýza, regrese prostá
STATISTICA Téma 8. Regresní a korelační analýza, regrese prostá 1) Lineární i nelineární regrese prostá, korelace Naeditujeme data viz obr. 1. Obr. 1 V menu Statistika zvolíme submenu Pokročilé lineární/nelineární
VíceNejdřív spočítáme jeden příklad na variaci konstant pro lineární diferenciální rovnici 2. řádu s kostantními koeficienty. y + y = 4 sin t.
1 Variace konstanty Nejdřív spočítáme jeden příklad na variaci konstant pro lineární diferenciální rovnici 2. řádu s kostantními koeficienty. Příklad 1 Najděte obecné řešení rovnice: y + y = 4 sin t. Co
VíceStav Svobodný Rozvedený Vdovec. Svobodná 37 10 6. Rozvedená 8 12 8. Vdova 5 8 6
1. Příklad Byly sledovány rodinné stavy nevěst a ženichů při uzavírání sňatků a byla vytvořena následující tabulka četností. Stav Svobodný Rozvedený Vdovec Svobodná 37 10 6 Rozvedená 8 12 8 Vdova 5 8 6
Více8. Posloupnosti, vektory a matice
. jsou užitečné matematické nástroje. V Mathcadu je často používáme například k rychlému zápisu velkého počtu vztahů s proměnnými parametry, ke zpracování naměřených hodnot, k výpočtům lineárních soustav
VíceMožnosti vyhodnocení časových řad v softwaru STATISTICA
StatSoft Možnosti vyhodnocení časových řad v softwaru STATISTICA Mnoho informací se zachycuje ve formě chronologicky uspořádaných údajů, jinak řečeno ve formě časových řad. Časová řada je tedy v čase uspořádaná
VíceMIDAM Simulátor Verze 1.5
MIDAM Simulátor Verze 1.5 Simuluje základní komunikační funkce modulů Midam 100, Midam 200, Midam 300, Midam 400, Midam 401, Midam 410, Midam 411, Midam 500, Midam 600. Umožňuje změny konfigurace, načítání
VíceVýsledný graf ukazuje následující obrázek.
Úvod do problematiky GRAFY - SPOJNICOVÝ GRAF A XY A. Spojnicový graf Spojnicový graf používáme především v případě, kdy chceme graficky znázornit trend některé veličiny ve zvoleném časovém intervalu. V
VíceŘešené statistické příklady v SPSS
Řešené statistické příklady v SPSS Lektor: Ing. Martin Kořínek, Ph.D. 1 Krátce o SPSS Statistických programů komerčně šířených existuje veliké množství. Jako nejpopulárnější příklady můžeme zmínit NCSS,
VícePOPISNÁ STATISTIKA Komentované řešení pomocí programu Statistica
POPISNÁ STATISTIKA Komentované řešení pomocí programu Statistica Program Statistica I Statistica je velmi podobná Excelu. Na základní úrovni je to klikací program určený ke statistickému zpracování dat.
VíceTomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není
VíceZávislost obsahu lipoproteinu v krevním séru na třech faktorech ( Lineární regresní modely )
Úloha M608 Závislost obsahu lipoproteinu v krevním séru na třech faktorech ( Lineární regresní modely ) Zadání : Při kvantitativní analýze lidského krevního séra ovlivňují hodnotu obsahu vysokohustotního
VíceČasové řady - Cvičení
Časové řady - Cvičení Příklad 2: Zobrazte měsíční časovou řadu míry nezaměstnanosti v obci Rybitví za roky 2005-2010. Příslušná data naleznete v souboru cas_rada.xlsx. Řešení: 1. Pro transformaci dat do
VíceKapitola 11: Formuláře 151
Kapitola 11: Formuláře 151 Formulář DEM-11-01 11. Formuláře Formuláře jsou speciálním typem dokumentu Wordu, který umožňuje zadávat ve Wordu data, která lze snadno načíst například do databázového systému
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
VíceP ílohy. P íloha 1. ešení úlohy lineárního programování v MS Excel
P ílohy P íloha 1 ešení úlohy lineárního programování v MS Excel V této p íloze si ukážeme, jak lze ešit úlohy lineárního programování pomocí tabulkového procesoru MS Excel 2007. Výpočet budeme demonstrovat
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
VíceZOBECNĚNÝ LINEÁRNÍ REGRESNÍ MODEL. METODA ZOBECNĚNÝCH NEJMENŠÍCH ČTVERCŮ
ZOBECNĚNÝ LINEÁRNÍ REGRESNÍ MODEL. METODA ZOBECNĚNÝCH NEJMENŠÍCH ČTVERCŮ V následujícím textu se podíváme na to, co dělat, když jsou porušeny některé GM předpoklady. Nejprve si připomeňme, o jaké předpoklady
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
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).
VíceYou created this PDF from an application that is not licensed to print to novapdf printer (http://www.novapdf.com)
Závislost náhodných veličin Úvod Předchozí přednášky: - statistické charakteristiky jednoho výběrového nebo základního souboru - vztahy mezi výběrovým a základním souborem - vztahy statistických charakteristik
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
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,
VíceVzdělávání v egoncentru ORP Louny
Zpracováno v rámci projektu č. CZ.1.04/4.1.00/40.00067 Vzdělávání v egoncentru ORP Louny Město Louny Obsah 1. Databáze... 4 2. Třídění pomocí filtrů... 5 3. Ukotvení a uvolnění příček... 6 3.1 Ukotvení
VíceTabulkový procesor. Základní rysy
Tabulkový procesor Tabulkový procesor je počítačový program zpracovávající data uložená v buňkách tabulky. Program umožňuje použití vzorců pro práci s daty a zobrazuje výsledné hodnoty podle vstupních
VíceGeoGebra známá i neznámá
GeoGebra známá i neznámá MODAM 2018 Z. Morávková, P. Schreiberová, J. Volná, P. Volný MODAM 2018 GeoGebra známá i neznámá Příklad 1: Nejmenší společný násobek Zadání: Vytvoříme aplikaci, ve které se vygenerují
Více