Analýza panelových dat
|
|
- Emilie Doležalová
- před 7 lety
- Počet zobrazení:
Transkript
1 Petr Novák Petr Novák * Úvod V posledních desetletích výrazně roste zájem o problematku analýzy panelových dat. A to jak ve výzkumu socálních vazeb a způsobů chování obyvatelstva na straně jedné, tak př řešení otázek ve sféře podnkové, národní č meznárodní. Aplkace tedy nalezneme na mkro makroúrovn. V ekonom je analýza panelových dat užívána například ke studu chování frem a mezd zaměstnanců v průběhu určého časově ohrančeného období. V polckých vědách se můžeme setkat s panelovým výzkumem volebních preferencí, změn polcké příslušnost. Je využívána v psycholog, socolog, zdravotnctví, bankovnctví, pojšťovnctví, školství. Analýzu panelových dat bychom mohl defnovat jako studum jednotlvých subjektů (jednotlvců, domácností, podnků, regonů, států,...) a jejch vzájemných vztahů, u kterých perodcky provádíme zjšťování charakterstckých znaků a jejch následné hlubší prozkoumávání. Podobná defnce může být následující: panelová data, někdy také nazývaná jako longudnální data nebo taktéž věcně-prostorová data zjšťovaná opakovaně za určý časový úsek, jsou data, kde jsou charakterstky za jednotlvá pozorování (ldé, frmy, země,...) zjšťovány za dvě a více časových období. Panelová data poskytují oprot prostým věcně prostorovým datům (tzn. získaných pouze v jednom časovém okamžku nebo za jeden časový nterval) a datům v časových řadách několk nesporných výhod. Především získáme velké množství pozorování, která nejsou v konvenčních časových řadách dostupná. Panelová data nejsou obvykle přílš agregovaná jako typcká data v časových řadách, proto můžeme analyzovat a testovat komplkovanější hypotézy dynamky a vzájemného chování. To se nám nepodaří v případě použí věcně prostorových dat získaných právě pouze v čase t. Konečně využí panelových dat může taktéž slouž k dokonalejší analýze skrytých, nepozorova(tel)ných, náhodných skutečností v ekonometrcké (pokud provádíme výzkum na makroúrovn), socologcké a další struktuře vztahů mez jednotkam. Panelem (angl. ekvvalent panel data set ) se rozumí soubor jednotek, které s jsou nějakou charakterstckou vlastností velm podobné nebo příbuzné (osoby, domácnost, frmy, geografcké oblast atp.), na kterých se provádí kontnuální (v čase se opakující) výzkum. Zmíněným souborem může být například jak celá populace, tak soubor náhodným způsobem vygenerovaný a původní generac dobře reprezentující. Nutnou podmínkou pro možnost defnování panelu a následné analýzy panelových dat je zejména ta skutečnost, že soubor jednotek se v čase nemění, vypadnuté jednotky se nenahrazují novým. * Ing. Petr Novák doktorand; Katedra statstky a pravděpodobnost, Fakulta nformatky a statstky, VŠE v Praze, novakp@vse.cz. 71
2 Acta Oeconomca Pragensa, roč. 15, č. 1, 007 Zkoumání panelových dat využívá modelového způsobu řešení, ve kterém se objevují jak prvky analýzy časových řad, tak prvky regresní analýzy. Panelová analýza tedy v podstatě představuje další stupeň modelace, která mnohonásobně zhodnocuje obvykle draze získané nformace o nějaké skutečnost. Panelová analýza není doposud detalně teoretcky popsána, jednak z důvodu krátké hstore a jednak z důvodu náročnost zkoumání. Ncméně s rozvojem nových softwarových produktů, bez nchž je v současnost analýza panelů nepředstavelná, se můžeme dočkat nových poznatků objevujících se ve vědeckých pracích exponencálním tempem. Model a symbolka Předpokládejme, že získáme pomocí výběrových technk hodnoty u K+1 znaků u N pozorovaných objektů přes T časových období. Jným slovy, provedeme T-krát opakovaný záznam odpovědí na K+1 otázek, které jsme položl N respondentům. Nyní s zavedeme nutnou symbolku, která nám pomůže v přehledném zápsu vztahů a modelů. Symbolem y, = 1,,..., N; t = 1,,..., T budeme označovat hodnotu vysvětlované proměnné u -tého pozorování v čase t závslé na K exogenních, vysvětlujících proměnných, tedy x ( x 1,..., x ), kde x j ; j = 1,,..., K, = K = 1,,..., N, t = 1,,..., T vyjadřuje hodnotu j-té nezávslé, vysvětlující, proměnné u - tého pozorování v čase t. V případě, že T = 1, získáme čstě průřezová data, pak můžeme použít obvyklé regresní č jné technky analýzy průřezových dat. Pokud N = 1, dostaneme v čase opakovaně získané údaje týkající se jednoho pozorování, tedy časovou řadu hodnot, potom použjeme pro zkoumání této řady nejrůznější technky analýzy časových řad. Uvažujme lneární regresní model ve tvaru y K = µ + β x + u ; j = 1,,..., K, = 1,,..., N, t = 1,,..., T (1) j= 1 j j Tento model předpokládá, že vlv vypuštěných, v čase měnlvých, proměnných u jednotlvých pozorování je nevýznamný, ncméně pro model jako celek jž ho jako významný chápat lze. Všechny tyto vypuštěné ndvduální vlvy jsou zahrnuty v parametru µ. Parametry směrnc β j, j = 1,,..., K, jsou stejné pro všechna pozorování. Pokud bychom chtěl tento model použít k popsu nějaké skutečnost, dospějeme k závěru, že za těchto předpokladů je nepouželný. Například porovnáváme-l důchody na osobu v několka zemích, zjstíme, že změny v těchto důchodech nereagují stejnou měrou na změny populačního růstu nebo na změny kapálových statků. Jným slovy ndvduální efekty a efekty času nebudou tak nedůležé. Mohou být korelovány s vysvětlujícím proměnným. Proto je potřeba vytvoř model, který by zachytl tuto heterogenu. Problém heterogeny v panelových modelech řeší dva typy modelů: modely fxních efektů a modely náhodných efektů. 7
3 Petr Novák Modely fxních a náhodných efektů Model fxních efektů ( Fxed Effects Model ) Nechť y závsí na souboru K vysvětlujících proměnných, x = ( 1,..., ) x xk a konstanty jsou specfcké pro -tou jednotku v čase t, ve stejném čase jsou ale konstantní, potom y = x + * α + β u ; = 1,,..., N, t = 1,,..., T. () β je vektor konstant rozměru 1xK a α * je konstanta reprezentující efekty těch proměnných, které jsou příznačné (charakterstcké) -tému pozorování. Chybová složka u reprezentuje efekty nevýznamných proměnných příznačných -tým pozorováním a danému časovému ntervalu. Dále o této složce předpokládáme, že je nekorelovaná s vektorem x, pro všechna a t, a pochází z nezávsle dentckého rozdělení s nulovou střední hodnotou a konstantním rozptylem, symbolcky u u ~ IID(0; σ ). (3) Tento model je často nazýván také jako model kovaranční analýzy ( analyss-ofcovarance model ) nebo jako základní model reprezentující strukturu panelových dat. Model náhodných efektů ( Random Effects Model ) V regresní analýze se považuje za standardní prax předpokládat, že velká část faktorů, které mají dopad na chování závslé proměnné a přom nejsou explcně součástí nezávslých proměnných, jsou zahrnuty do faktoru vyjadřujícího náhodné výkyvy. Pokud provedeme v čase opakované zjšťování u N objektů, předpokládá se často, že některé proměnné budou reprezentovat faktory, které jsou příznačné jak jednotlvým objektům, tak jednotlvým časovým úsekům. Jné proměnné budou odrážet ndvduální rozdíly, které mají v průběhu času sklon ovlvňovat získané hodnoty jednotlvých objektů víceméně stejným způsobem. Konečně poslední část proměnných bude odrážet faktory, které jsou vlastní specfckým časovým úsekům, ale mají podobný dopad na chování jednotlvých objektů panelu. Proto zavedeme rezdua υ, která spojují výše popsané charakterstky proměnných, ve tvaru υ = α + λ + u, (4) t kde E( α ) E( λ ) = E( u ) = 0, = t λt ) = E( α u ) = E( λtu ( α α ) = σ α E( α j ) = E( α ) = 0, E, α 0 pro j, E, E( λ λ ) = 0 pro t s, E ( λ t λt ) = σ λ ( u u ) σ u t s =, E ( u u js) = 0 pro j nebo t s. (5) (6) (7) (8) (9) 73
4 Acta Oeconomca Pragensa, roč. 15, č. 1, 007 Dále se předpokládá E α x ) = E( λ x ) = E( u x ) = 0. (10) ( t Rozptyl proměnné y je potom dán jako součet rozptylů jednotlvých složek, tedy σ Rozptyly y σα + σ λ + σ u = (11) σ α, σ λ a σ u jsou označovány jako složkové rozptyly ( varance σ y. Proto se components ): každý z rozptylu má svou typčnost a je složkou rozptylu tento model ve tvaru y = µ + β x + α + λ + u (1) t označuje jako model složek rozptylu ( varance-components model ) nebo také jako model komponentních chyb ( error-components model ). Dynamcké modely panelových dat Většna ekonomckých velčn jsou ve své podstatě dynamckým procesy, proto by bylo vhodné je jako dynamcké modelovat. V případě použí panelu pro modelac jako datové základny nám časový rozměr umožňuje popsat v čase probíhající proces přzpůsobování. Tímto se dostáváme k popsu dynamckých modelů typu y = γy β + α + λ + u, = 1,,..., N, t = 1,,..., T, (13), t 1 + x * t kde x je Kx1 rozměrný vektor vysvětlujících proměnných, β je 1xK rozměrný vektor konstant, α jsou (nepozorované) ndvduální efekty a λ t časově specfcké efekty, * o kterých se předpokládá, že zůstávají pro -té pozorování v čase konstantní; a u reprezentuje složku nepozorovatelných proměnných přes ndexy a t. Dále požadujeme některé vlastnost týkající náhodných chyb: 1. E ( u ) = 0, tedy nulovou střední hodnotu náhodných chyb,. E( u u js ) = σ u pro = j a t = s, tzn. pro všechna pozorování v čase konstantní rozptyl a 3. E ( u u js) = 0 pro j a/nebo t s, tedy nulové autokovarance náhodných chyb. Př použí tohoto modelu, ačkolv vypadá podobně jako statcký panelový model, se objeví komplkace s odhady. Problémy se týkají konzstence a nezkreslenost odhadu βˆ. Z tohoto důvodu byly navrženy odhadové technky používající: metodu maxmální věrohodnost ( Maxmum Lkelhood Estmator MLE), metodu zobecněných nejmenších čtverců ( Generalzed Least-Squares Estmator GLS), 74
5 Petr Novák nstrumentální proměnné ( Instrumental-Varable Estmator IV), zobecněnou momentovou metodu ( Generalzed Method of Moments Estmator GMM). Testy jednotkových kořenů panelových dat ( panel un root tests ) Jak uvádí například Breung, Pesaran (005), jeden z hlavních důvodů stojících za aplkacem testů jednotkových kořenů a podobně testů kontegrace panelových dat bylo dosažení statstcké síly a případně zvýšení síly jejch exstujících jednorozměrných protějšků. Toho bylo docíleno aplkacem testů jednotkových kořenů tzv. první generace na časových řadách typu reálný měnový kurz, celkový výstup a nflace. Bohužel testování hypotéz o exstenc jednotkových kořenů a kontegrace za použí panelových dat oprot testům v rámc jednorozměrných časových řad přnáší dodatečné komplkace. Za prvé, panelová data obecně vnášejí do modelů podstatné množství nepozorované heterogeny, která je spodobněná ve specfckých parametrech jednotlvých objektů. Za druhé, v mnoha emprckých aplkacích, zejména v aplkacích typu reálných měnových kurzů, se neadekvátně předpokládá nezávslost průřezových dat. K překonání těchto problémů byly vyvnuty a doposud jsou vyvíjeny varantní technky testování panelových jednotkových kořenů uplatnelných v rozlčných formách mezobjektových závslostí. Za třetí, je často velm obtížné nterpretovat výsledky určého panelového modelu v případě zamítnutí hypotézy neexstence jednotkových kořenů nebo neexstence kontegračních vztahů mez proměnným v modelu. Závěr uskutečněný na základě výsledků testů nemůže tedy obvykle vypadat následovně: statstcky významná část objektů panelu je staconární nebo kontegrovaná. V porovnání s testy panelových jednotkových kořenů, analýza kontegrace v panelech je stále na počátku hledání odpovědí. Práce současných autorů navrhují tedy testy jednotkových kořenů panelových dat, které mají větší sílu než testy jednotkových kořenů používaných pro ověřování staconary jednorozměrných časových řad. Lze zmín testy autorů Levn, Ln a Chu (00) test LLC Breung (000) Im, Pesaran a Shn (003) test IPS Maddala a Wu (1999), Cho (001) Fsher-ADF test a Fsher-PP test Hadr (000). Z hledska testování panelových jednotkových kořenů je nutné přjmout určé předpoklady týkající se parametrů γ. Uvažuje se případ, kdy jsou všechny autoregresní parametry γ dentcké pro všechny objekty, tedy γ = γ, pro všechna = 1,,..., N. Za tohoto předpokladu lze použít testy Levna, Lna a Chua (test LLC), Breunga a Hadrho. Alternatvně lze parametry γ označ jako ndvduálně specfcké autoregresní koefcenty, potom použjeme testy Ima, Pesarana a Shna (IPS test), Fsherův ADF test nebo Fsherův PP test. 75
6 Acta Oeconomca Pragensa, roč. 15, č. 1, 007 Tabulka: Panelové testy jednotkových kořenů Test Nulová hypotéza Alternatvní hypotéza Determnstcké komponenty v modelu Autokorelační korekční metoda Levn, Ln a Chu jsou Nejsou jednotkové N, F, T Zpoždění Breung jsou Nejsou jednotkové N, F, T Zpoždění IPS jsou Některé objekty mají jednotkové F, T Zpoždění Fsher-ADF jsou Některé objekty mají jednotkové N, F, T Zpoždění Fsher-PP jsou Některé objekty mají jednotkové N, F, T Kernel Hadr Nejsou jednotkové jsou F, T Kernel Pozn.: N bez exogenních proměnných, F fxní efekty, T ndvduální efekty a ndvduální trendy, Kernel jádrová metoda odhadu parametrů Počítačové aplkace efektvní zpracování panelových dat V současné době je jž nemyslelné analyzovat datové soubory v rámc panelové analýzy bez použí statstcko-ekonometrckých počítačových produktů. Mez hlavní představele uveďme programy jako EVIEWS, LIMDEP, PcGve (modul GveWn), SHAZAM, STATA. Pracujeme-l se specfckým modelem panelových dat nebo mámel zájem zkoumat panelová data atypckým způsobem, lze kromě výše uvedených programů využít doplňkové zpracování pomocí ekonometrckých programovacích jazyků (GAUSS, OX). Závěr Cílem této práce bylo seznám čtenáře se základy problematky panelových modelů. Chtěl jsem ukázat, že práce s analyzováním panelových dat není v žádném případě jednoduchá záležost. U analytka klade vysoké nároky jak teoretckého charakteru, tak na zkušenost s modelováním skutečných jevů a procesů. Nedílnou součástí musí být samozřejmě znalost týkající se schopností výpočetních technk různých aplkačních softwarů, bez kterých je jž nepředstavelné s panelovým daty pracovat. 76
7 Petr Novák Leratura [1] NOVÁK, P., 006:. Dplomová práce, 006. [] ARELLANO, M., 003: Panel Data Econometrcs. Oxford Unversy Press, 003. [3] BALTAGI, B. H., 1995: Econometrc Analyss of Panel Data. England, J. Wley, [4] BOND, S. R., 00: Dynamc Panel Data Models: A Gude to Mcro Data and Practce. Cemmap Workng Paper Seres, 00, No. CWP09/0, Instute for Fscal Studes, London. [5] BREITUNG, J., PESARAN, M. H., 005: Un Roots and Contegraton n Panels. IEPR worng paper, 005. [6] BREITUNG, J., 000: The Local Power of Some Un Root Tests for Panel Data. In B. Baltag (ed.), Advances n Econometrcs, 000, Vol. 15: Nonstatonary Panels, Panel Contegraton, and Dynamc Panels, Amsterdam: JAI Press, p [7] HADRI, K., 000: Testng for Statonary n Heterogeneous Panel Data. Econometrc Journal, 3, [8] HARRIS, R., SOLLIS, S., 003: Appled Tme Seres Modellng and Forecastng. England, J. Wley, 003. [9] HSIAO, Ch., 003: Analyss of panel data. Cambrdge Unversy Press, nd ed, 003,. [10] CHOI, I., 001: Un Root Tests for Panel Data, Journal of Internatonal Money and Fnance, 001, 0, [11] IM, K. S., PESARAN, M. H., SHIN, Y., 003: Testng for Un Roots n Heterogeneous Panels, Journal of Econometrcs, 003, 115, [1] LEVIN, A., LIN, C. F., CHU, C., 00: Un Root Tests n Panel Data: Asymptotc and Fne-Sample Propertes, Journal of Econometrcs, 00, 108, 1 4. [13] MADDALA, G. S., WU, S., 1999: A Comparatve Study of Un Root Tests wh Panel Data and A New Smple Test, Oxford Bulletn of Economcs and Statstcs, 1999, 61,
8 Acta Oeconomca Pragensa, roč. 15, č. 1, 007 Petr Novák Abstrakt Tento článek má za cíl seznám zájemce se základním prvky analýzy panelových dat, modely fxních a náhodných efektů, dynamckým modely panelových dat. Poslední část této práce je věnována otázkám možnost testování jednotkových kořenů modelů panelových dat s poznámkou ohledně používaného aplkačního softwaru a programovacích jazyků př prác s panelovým daty. Klíčová slova: analýza panelových dat; dynamcký model panelových dat; jednotkové panelových dat. Panel data analyss Abstract Ths artcle takes focus on the man basc elements of panel data analyss, fxed effects and random effects models, dynamc panel data models. The last part of ths artcle s about possbles of testng panel data un roots wh a notce about the usage of the applcaton software and specal languages n the area of panel data. Key words: panel data analyss; dynamc panel data model; panel data un roots. JEL classfcaton: G30 78
4EK211 Základy ekonometrie
4EK211 Základy ekonometre Specální případy použtí MNČ Cvčení 8 Zuzana Dlouhá Specální případy použtí MNČ cvčení 1 7 = ekonometrcký model, který byl lneární v proměnných v parametrech MNČ můžeme použít,
VíceRegresní a korelační analýza
Regresní a korelační analýza Závslost příčnná (kauzální). Závslostí pevnou se označuje případ, kdy výskytu jednoho jevu nutně odpovídá výskyt druhé jevu (a často naopak). Z pravděpodobnostního hledska
VíceREGRESNÍ ANALÝZA. 13. cvičení
REGRESNÍ ANALÝZA 13. cvčení Závslost náhodných velčn Závslost mez kvanttatvním proměnným X a Y: Funkční závslost hodnotam nezávsle proměnných je jednoznačně dána hodnota závslé proměnné. Y=f(X) Stochastcká
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometre Specální případy použtí MNČ Cvčení 9 Zuzana Dlouhá Specální případy použtí MNČ cvčení 1 8 = ekonometrcký model, který byl lneární v proměnných v parametrech MNČ můžeme použít,
Více9. cvičení 4ST201. Obsah: Jednoduchá lineární regrese Vícenásobná lineární regrese Korelační analýza. Jednoduchá lineární regrese
cvčící 9. cvčení 4ST01 Obsah: Jednoduchá lneární regrese Vícenásobná lneární regrese Korelační analýza Vysoká škola ekonomcká 1 Jednoduchá lneární regrese Regresní analýza je statstcká metoda pro modelování
VíceANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN
ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN V dokumentu 7a_korelacn_a_regresn_analyza jsme řešl rozdíl mez korelační a regresní analýzou. Budeme se teď věnovat pouze lneárnímu vztahu dvou velčn, protože je nejjednodušší
VíceSimulační metody hromadné obsluhy
Smulační metody hromadné osluhy Systém m a model vstupy S výstupy Systém Část prostředí, kterou lze od jeho okolí oddělt fyzckou neo myšlenkovou hrancí Model Zjednodušený, astraktní nástroj používaný pro
Více4EK211 Základy ekonometrie
4EK Základy ekonometre Zobecněná MNČ Cvčení 8 Zuzana Dlouhá Gauss-Markovy předpoklady Náhodná složka: Gauss-Markovy předpoklady. E(u) = náhodné vlvy se vzájemně vynulují. E(u u T ) = σ I n konečný a konstantní
VícePráce s panelovými daty #
Práce s panelovým dat Práce s panelovým dat # Václava Pánková * Úvod Panelová data vznkají opakovaným pozorováním skupn jednotek, např. domácností, frem nebo států, majících určtou společnou charakterstku
Více4EK211 Základy ekonometrie
4EK Základy ekonometre Zobecněná MNČ Cvčení 7 Zuzana Dlouhá Gauss-Markovy předpoklady Náhodná složka: Gauss-Markovy předpoklady. E(u) = náhodné vlvy se vzájemně vynulují. E(uu T ) = σ I n konečný a konstantní
VíceNeparametrické metody
Neparametrcké metody Přestože parametrcké metody zaujímají klíčovou úlohu ve statstcké analýze dat, je možné některé problémy řešt př neparametrckém přístupu. V této přednášce uvedeme neparametrcké odhady
Vícepodle typu regresní funkce na lineární nebo nelineární model Jednoduchá lineární regrese se dá vyjádřit vztahem y
4 Lneární regrese 4 LINEÁRNÍ REGRESE RYCHLÝ NÁHLED DO KAPITOLY Častokrát potřebujete zjstt nejen, jestl jsou dvě nebo více proměnných na sobě závslé, ale také jakým vztahem se tato závslost dá popsat.
VíceValidation of the selected factors impact on the insured accident
6 th Internatonal Scentfc Conference Managng and Modellng of Fnancal Rsks Ostrava VŠB-TU Ostrava, Faculty of Economcs,Fnance Department 0 th th September 202 Valdaton of the selected factors mpact on the
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,
VíceANALÝZA ROZPTYLU (Analysis of Variance ANOVA)
NLÝZ OZPYLU (nalyss of Varance NOV) Používá se buď ako samostatná technka, nebo ako postup, umožňuící analýzu zdroů varablty v lneární regres. Př. použtí: k porovnání středních hodnot (průměrů) více než
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)
VícePOUŽITÍ METODY PERT PŘI ŘÍZENÍ PROJEKTŮ
5. Odborná konference doktorského studa s meznárodní účastí Brno 003 POUŽITÍ METODY PERT PŘI ŘÍZEÍ PROJEKTŮ A USAGE OF PERT METHOD I PROJECT MAAGEMET Vladslav Grycz 1 Abstract PERT Method and Graph theory
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
VíceZápadočeská univerzita v Plzni Fakulta aplikovaných věd Katedra matematiky. Bakalářská práce. Zpracování výsledků vstupních testů z matematiky
Západočeská unverzta v Plzn Fakulta aplkovaných věd Katedra matematky Bakalářská práce Zpracování výsledků vstupních testů z matematky Plzeň, 13 Tereza Pazderníková Prohlášení Prohlašuj, že jsem bakalářskou
VíceTéma 5: Parametrická rozdělení pravděpodobnosti spojité náhodné veličiny
0.05 0.0 0.05 0.0 0.005 Nomnální napětí v pásnc Std Mean 40 60 80 00 0 40 60 Std Téma 5: Parametrcká rozdělení pravděpodobnost spojté náhodné velčn Přednáška z předmětu: Pravděpodobnostní posuzování konstrukcí
Více6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu
6. Demonstrační smulační projekt generátory vstupních proudů smulačního modelu Studjní cíl Na příkladu smulačního projektu představeného v mnulém bloku je dále lustrována metodka pro stanovování typů a
Více7. STATISTICKÝ SOUBOR S JEDNÍM ARGUMENTEM
7. STATISTICKÝ SOUBOR S JEDNÍM ARGUMENTEM Průvodce studem Předchozí kaptoly byly věnovány pravděpodobnost a tomu, co s tímto pojmem souvsí. Nyní znalost z počtu pravděpodobnost aplkujeme ve statstce. Předpokládané
VíceIvana Linkeová SPECIÁLNÍ PŘÍPADY NURBS REPREZENTACE. 2 NURBS reprezentace křivek
25. KONFERENCE O GEOMETRII A POČÍTAČOVÉ GRAFICE Ivana Lnkeová SPECIÁLNÍ PŘÍPADY NURBS REPREZENTACE Abstrakt Příspěvek prezentuje B-splne křvku a Coonsovu, Bézerovu a Fergusonovu kubku jako specální případy
VíceANOVA. Analýza rozptylu při jednoduchém třídění. Jana Vránová, 3.lékařská fakulta UK, Praha
ANOVA Analýza rozptylu př jednoduchém třídění Jana Vránová, 3.léařsá faulta UK, Praha Teore Máme nezávslých výběrů, > Mají rozsahy n, teré obecně nemusí být stejné V aždém z nch známe průměr a rozptyl
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
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
Více3 VYBRANÉ MODELY NÁHODNÝCH VELIČIN. 3.1 Náhodná veličina
3 VBRANÉ MODEL NÁHODNÝCH VELIČIN 3. Náhodná velčna Tato kaptola uvádí stručný pops vybraných pravděpodobnostních modelů spojtých náhodných velčn s důrazem na jejch uplatnění př rozboru spolehlvost stavebních
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
VíceMODELOVÁNÍ A SIMULACE
MODELOVÁNÍ A SIMULACE základní pojmy a postupy vytváření matematckých modelů na základě blancí prncp numerckého řešení dferencálních rovnc základy práce se smulačním jazykem PSI Základní pojmy matematcký
VíceVLIV VELIKOSTI OBCE NA TRŽNÍ CENY RODINNÝCH DOMŮ
VLIV VELIKOSTI OBCE NA TRŽNÍ CENY RODINNÝCH DOMŮ Abstrakt Martn Cupal 1 Prncp tvorby tržní ceny nemovtost je sce založen na tržní nabídce a poptávce, avšak tento trh je značně nedokonalý. Nejvíce ovlvňuje
VíceMonte Carlo metody Josef Pelikán CGG MFF UK Praha.
Monte Carlo metody 996-7 Josef Pelkán CGG MFF UK Praha pepca@cgg.mff.cun.cz http://cgg.mff.cun.cz/~pepca/ Monte Carlo 7 Josef Pelkán, http://cgg.ms.mff.cun.cz/~pepca / 44 Monte Carlo ntegrace Odhadovaný
VíceANALÝZA VLIVU DEMOGRAFICKÝCH FAKTORŮ NA SPOKOJENOST ZÁKAZNÍKŮ VE VYBRANÉ LÉKÁRNĚ S VYUŽITÍM LOGISTICKÉ REGRESE
ANALÝZA VLIVU DEMOGRAFICKÝCH FAKTORŮ NA SPOKOJENOST ZÁKAZNÍKŮ VE VYBRANÉ LÉKÁRNĚ S VYUŽITÍM LOGISTICKÉ REGRESE Jana Valečková 1 1 Vysoká škola báňská-techncká unverzta Ostrava, Ekonomcká fakulta, Sokolská
VícePosuzování výkonnosti projektů a projektového řízení
Posuzování výkonnost projektů a projektového řízení Ing. Jarmla Ircngová Západočeská unverzta v Plzn, Fakulta ekonomcká, Katedra managementu, novací a projektů jrcngo@kp.zcu.cz Abstrakt V současnost je
VíceTeoretické modely diskrétních náhodných veličin
Teoretcké modely dskrétních náhodných velčn Velčny, kterým se zabýváme, bývají nejrůznější povahy. Přesto však estují skupny náhodných velčn, které mají podobně rozloženou pravděpodobnostní funkc a lze
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Testování hypotéz 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
Více6 LINEÁRNÍ REGRESNÍ MODELY
1 6 LINEÁRNÍ REGRESNÍ MODELY Př budování regresních modelů se běžně užívá metody nejmenších čtverců. Metoda nejmenších čtverců poskytuje postačující odhady parametrů jenom př současném splnění všech předpokladů
VíceTeorie efektivních trhů (E.Fama (1965))
Teore efektvních trhů (E.Fama (965)) Efektvní efektvní zpracování nových nformací Efektvní trh trh, který rychle a přesně absorbuje nové nf. Ceny II (akcí) náhodná procházka Předpoklady: na trhu partcpuje
VíceSTATISTIKA (pro navazující magisterské studium)
Slezská unverzta v Opavě Obchodně podnkatelská fakulta v Karvné STATISTIKA (pro navazující magsterské studum) Jaroslav Ramík Karvná 007 Jaroslav Ramík, Statstka Jaroslav Ramík, Statstka 3 OBSAH MODULU
VíceJednofaktorová analýza rozptylu
I I.I Jednofaktorová analýza rozptylu Úvod Jednofaktorová analýza rozptylu (ANOVA) se využívá při porovnání několika středních hodnot. Často se využívá ve vědeckých a lékařských experimentech, při kterých
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
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
VíceCHYBY MĚŘENÍ. uvádíme ve tvaru x = x ± δ.
CHYBY MĚŘENÍ Úvod Představte s, že máte změřt délku válečku. Použjete posuvné měřítko a získáte určtou hodnotu. Pamětlv přísloví provedete ještě jedno měření. Ale ouha! Výsledek je jný. Co dělat? Měřt
VíceTeoretické modely diskrétních náhodných veličin
Teoretcké modely dskrétních náhodných velčn Velčny, kterým se zabýváme, bývají nejrůznější povahy. Přesto však estují skupny náhodných velčn, které mají podobně rozloženou pravděpodobnostní funkc a lze
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
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
VíceURČOVÁNÍ TRENDŮ A JEJICH VÝZNAM PRO EKONOMIKU
URČOVÁNÍ TRENDŮ A JEJICH VÝZNAM PRO EKONOMIKU Rudolf Kampf ÚVOD Pro marketng, management a vůbec pro člověka je jstě důležté vědět, jak se bude vyvíjet stuace v ekonomce, stuace v určtém státě z hledska
VíceANALÝZA RIZIKA A JEHO CITLIVOSTI V INVESTIČNÍM PROCESU
AALÝZA RIZIKA A JEHO CITLIVOSTI V IVESTIČÍM PROCESU Jří Marek ) ABSTRAKT Príspevek nformuje o uplatnene manažmentu rzka v nvestčnom procese. Uvádza príklad kalkulace rzka a analýzu jeho ctlvost. Kľúčové
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 Predikce Multikolinearita Cvičení 4 Zuzana Dlouhá Aplikace EM predikce obecně ekonomické prognózování, předpověď, předvídání hlavním cílem je odhad hodnot vysvětlované proměnné
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
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 4. Teoretická rozdělení Mgr. David Fiedor 9. března 2015 Osnova Úvod 1 Úvod 2 3 4 5 Vybraná rozdělení náhodných proměnných normální rozdělení normované normální rozdělení
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Testy hypotéz na základě více než 2 výběrů 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Testy hypotéz na základě více než 2 výběrů Na analýzu rozptylu lze pohlížet v podstatě
VíceZnamená vyšší korupce dražší dálnice? Evidence z dat Eurostatu. Michal Dvořák *
Znamená vyšší korupce dražší dálnce? Evdence z dat Eurostatu Mchal Dvořák * Článek je pozměněnou verzí práce Analýza vztahu mez mírou korupce a cenovou úrovní nfrastrukturních staveb, kterou autor zakončl
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
VíceMODEL IS-LM-BP.
MODEL IS-LM-BP OBECNÁ FAKTA Krátké období: Nedochází ke změně cenové hladny r= Nevyužté kapacty v ekonomce pod potencálním produktem Úroková míra endogenní nepadá z nebes je určována v modelu Otevřená
VíceČísla přiřazená elementárním jevům tvoří obor hodnot M proměnné, kterou nazýváme náhodná veličina (označujeme X, Y, Z,...)
. NÁHODNÁ VELIČINA Průvodce studem V předchozích kaptolách jste se seznáml s kombnatorkou a pravděpodobností jevů. Tyto znalost použjeme v této kaptole, zavedeme pojem náhodná velčna, funkce, které náhodnou
Více4 Parametry jízdy kolejových vozidel
4 Parametry jízdy kolejových vozdel Př zkoumání jízdy železnčních vozdel zjšťujeme většnou tř základní charakterstcké parametry jejch pohybu. Těmto charakterstkam jsou: a) průběh rychlost vozdel - tachogram,
VíceGrantový řád Vysoké školy ekonomické v Praze
Vysoké školy ekonomcké v Praze Strana / 6 Grantový řád Vysoké školy ekonomcké v Praze Anotace: Tato směrnce s celoškolskou působností stanoví zásady systému pro poskytování účelové podpory na specfcký
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
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
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
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
Více2. Definice pravděpodobnosti
2. Defnce pravděpodobnost 2.1. Úvod: V přírodě se setkáváme a v přírodních vědách studujeme pomocí matematckých struktur a algortmů procesy dvojího druhu. Jednodušší jsou determnstcké procesy, které se
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
VíceMatematika I A ukázkový test 1 pro 2018/2019
Matematka I A ukázkový test 1 pro 2018/2019 1. Je dána soustava rovnc s parametrem a R x y + z = 1 x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a a) Napšte Frobenovu větu (předpoklady + tvrzení). b) Vyšetřete
VíceTepelná kapacita = T. Ē = 1 2 hν + hν. 1 = 1 e x. ln dx. Einsteinův výpočet (1907): Soustava N nezávislých oscilátorů se stejnou vlastní frekvencí má
Tepelná kapacta C x = C V = ( ) dq ( ) du Dulong-Pettovo pravdlo: U = 3kT N C V = 3kN x V = T ( ) ds x Tepelná kapacta mřížky Osclátor s kvantovanou energí E n = ( n + 2) hν má střední hodnotu energe (po
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
VíceKorelační energie. Celkovou elektronovou energii molekuly lze experimentálně určit ze vztahu. E vib. = E at. = 39,856, E d
Korelační energe Referenční stavy Energ molekul a atomů lze vyjádřt vzhledem k různým referenčním stavům. V kvantové mechance za referenční stav s nulovou energí bereme stav odpovídající nenteragujícím
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
VíceProblematika analýzy rozptylu. Ing. Michael Rost, Ph.D.
Problematika analýzy rozptylu Ing. Michael Rost, Ph.D. Úvod do problému Již umíte testovat shodu dvou středních hodnot prostřednictvím t-testů. Otázka: Jaké předpoklady musí být splněny, abyste mohli použít
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
VíceL8 Asimilace dat II. Oddělení numerické předpovědi počasí ČHMÚ 2007
L8 Asmlace dat II Oddělení numercké předpověd počasí ČHMÚ 007 Plán přednášky Úvod do analýzy Optmální odhad v meteorolog D případ: demonstrace metod; mult-dmensonální případ; Zavedení předběžného pole;
VíceAnalýza závislosti veličin sledovaných v rámci TBD
Analýza závslost velčn sledovaných v rámc BD Helena Koutková Vysoké učení techncké v Brně, Fakulta stavební, Ústav matematky a deskrptvní geometre e-mal: koutkovah@fcevutbrcz Abstrakt Příspěvek se zabývá
Více11 Tachogram jízdy kolejových vozidel
Tachogram jízdy kolejových vozdel Tachogram představuje znázornění závslost rychlost vozdel na nezávslém parametru. Tímto nezávslým parametrem může být ujetá dráha, pak V = f() dráhový tachogram, nebo
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
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
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
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
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
VíceAplikace Li-Ma metody na scintigrafické vyšetření příštítných tělísek. P. Karhan, P. Fiala, J. Ptáček
Aplkace L-Ma metody na scntgrafcké vyšetření příštítných tělísek P. Karhan, P. Fala, J. Ptáček Vyšetření příštítných tělísek dagnostka hyperparatyreózy: lokalzace tkáně příštítných tělísek neexstence radofarmaka
VíceAttitudes and criterias of the financial decisionmaking under uncertainty
8 th Internatonal scentfc conference Fnancal management of frms and fnancal nsttutons Ostrava VŠB-TU Ostrava, faculty of economcs,fnance department 6 th 7 th September 2011 Atttudes and crteras of the
VíceVztah mezi počtem květů a celkovou biomasou rostliny CELKE EM. slá pro KVETU = závi
Regrese a korelace Regrese versus korelace Regrese (regresson)* popsuje vztah = závslost dvou a více kvanttatvních (popř. ordnálních) proměnných formou funkční závslost měří těsnost Korelace (correlaton)
VíceVLIV APLIKOVANÉ TECHNOLOGIE NA EFEKTIVNOST V SEKTORU VÝROBY MLÉKA # THE EFFECT OF APPLIED TECHNOLOGY ON THE EFFICIENCY IN DAIRY PRODUCTION
VLIV APLIKOVANÉ TECHNOLOGIE NA EFEKTIVNOST V SEKTORU VÝROBY MLÉKA # THE EFFECT OF APPLIED TECHNOLOGY ON THE EFFICIENCY IN DAIRY PRODUCTION JELÍNEK, Ladslav Abstract The objectve of the contrbuton s to
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
VíceMOŽNOSTI MODELOVÁNÍ A ŘEŠENÍ STŘETU PŘI OBJASŇOVÁNÍ FINGOVANÝCH DOPRAVNÍCH NEHOD
XV. konference absolventů studa technckého znalectví s meznárodní účastí MOŽNOSTI MODELOVÁNÍ A ŘEŠENÍ STŘETU PŘI OBJASŇOVÁNÍ FINGOVANÝCH DOPRAVNÍCH NEHOD Zdeněk Mrázek 1 1. Ř ešení stř etu u fngovaných
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
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
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
VícePODKLADY PRO PRAKTICKÝ SEMINÁŘ PRO UČITELE VOŠ. Logaritmické veličiny používané pro popis přenosových řetězců. Ing. Bc. Ivan Pravda, Ph.D.
PODKLADY PRO PRAKTICKÝ SEMIÁŘ PRO ČITELE VOŠ Logartmcké velčny používané pro pops přenosových řetězců Ing. Bc. Ivan Pravda, Ph.D. ATOR Ivan Pravda ÁZEV DÍLA Logartmcké velčny používané pro pops přenosových
VíceModel IS-LM Zachycuje současnou rovnováhu na trhu zboží a služeb a trhu peněz.
3 Určení rovnovážné produkce v modelu -LM Teoretcká východska Model -LM je neokeynesánským modelem, jeho autorem je anglcký ekonom J.R. Hcks. Model -LM Zachycuje současnou rovnováhu na trhu zboží a služeb
VíceNormální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení f x = 1 2 exp x 2 2 2 f(x) je funkce hustoty pravděpodobnosti, symetrická vůči poloze maxima x = μ μ střední hodnota σ směrodatná odchylka (tzv. pološířka křivky mezi inflexními
VíceStaré mapy TEMAP - elearning
Staré mapy TEMAP - elearnng Modul 4 Kartometrcké analýzy Ing. Markéta Potůčková, Ph.D., 2013 Přírodovědecká fakulta UK v Praze Katedra aplkované geonformatky a kartografe Kartometre a kartometrcké vlastnost
VíceVyužití logistické regrese pro hodnocení omaku
Využtí logstcké regrese pro hodnocení omaku Vladmír Bazík Úvod Jedním z prmárních proevů textlí e omak. Jedná se o poct který vyvolá textle př kontaktu s pokožkou. Je to ntegrální psychofyzkální vlastnost
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
Více1 Odvození poptávkové křivky
Odvození poptávkové křivky Optimalizační chování domácností (maximalizace užitku) vzhledem k rozpočtovému omezení. Nejprve odvodíme deterministický model, který potom rozšíříme o stochastické prvky. Odvozené
VíceLOGICKÉ OBVODY J I Ř Í K A L O U S E K
LOGICKÉ OBVODY J I Ř Í K A L O U S E K Ostrava 2006 Obsah předmětu 1. ČÍSELNÉ SOUSTAVY... 2 1.1. Číselné soustavy - úvod... 2 1.2. Rozdělení číselných soustav... 2 1.3. Polyadcké číselné soustavy... 2
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
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
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
Více