4EK211 Základy ekonometrie
|
|
- Kristina Brožová
- před 7 lety
- Počet zobrazení:
Transkript
1 4EK Základy ekonomerie Heeroskedasicia Cvičení 7 Zuzana Dlouhá
2 Gauss-Markovy předpoklady Náhodná složka: Gauss-Markovy předpoklady. E(u) = 0 náhodné vlivy se vzájemně vynulují. E(uu T ) = σ I n konečný a konsanní rozpyl = homoskedasicia porušení: heeroskedasicia náhodné složky jsou sériově nezávislé porušení: auokorelace 3. X je nesochasická maice E(X T u) = 0 veškerá náhodnos je obsažena v náhodné složce 4. X má plnou hodnos k maice X neobsahuje žádné perfekně lineárně závislé sloupce pozorování vysvělujících proměnných porušení: mulikolinearia
3 Heeroskedasicia - obecně rozpyl náhodné složky σ není konečný a konsanní, j. σ je funkcí někeré exogenní proměnné náhodná složka může mí v případě heeroskedasiciy pro každé pozorování odlišný rozpyl: E( u ) σ i i kons Příklad y = poče chyb při psaní na sroji x = poče hodin srávených cvičením y = f(x) + u Poče chyb Hodiny praxe čím více hodin cvičení ím méně chyb rozpyl věší pro skupinu lidí s nižší praxí někdo se učí rychleji a už od počáku dělá méně chyb než i, keří se učí pomaleji a na začáku dělají spousu chyb s rosoucím počem hodin praxe se schopnosi jednolivců začínají sbližova a rozpyl se ak zmenšuje 3
4 Heeroskedasicia - příčiny chybná specifikace modelu vynechání podsané vysvělující proměnné nevhodná funkční forma modelu odhad z prosorových da se značnou variabiliou v jednom náhodném výběru variabilia endogenní proměnné (a edy i reziduí) může bý závislá na někeré exogenní proměnné chyby měření s rosoucí hodnoou endogenní proměnné dochází ke kumulaci chyb měření o zvyšuje rozpyl endogenní proměnné a edy i rozpyl reziduí odhad z upravených da odhad nikoliv na původních pozorováních, ale např. ze skupinových průměrů získaných z říděných da 4
5 Heeroskedasicia - důsledky bodové odhady paramerů zůsávají nevychýlené a konzisenní nemají však minimální rozpyl j. nejsou vydané a ani asympoicky vydané odhady směrodaných chyb bodových odhadů (s bi ) a rozpylu sigma (s ) jsou vychýlené inervalové odhady nejsou směrodané saisické esy (-esy, F-es) zrácejí na síle 5
6 Heeroskedasicia esování grafický es e i homoskedasicia e i heeroskedasicia x i / y i ^ x i / y i ^ heeroskedasicia heeroskedasicia e i e i x i / y i ^ x i / y i ^ 6
7 Heeroskedasicia neparamerické esy Spearmanův es korelace pořadí - zkoumá korelaci pořadí mezi jednou vysvělující proměnou a rezidui - es je edy řeba děla pro každou vysvělující proměnnou zvlášť!!! - počíá se pro konkréní výběr řeba pak esova jeho saisickou významnos pro absrakní model Posup. Absoluní hodnoy reziduí e i seřadíme vzesupně a očíslujeme. Pořadové číslo přiřadíme k původním (j. nesrovnaným) reziduím 3. Absoluní hodnoy exogenní proměnné x i seřadíme vzesupně a očíslujeme 4. Pořadové číslo přiřadíme k původním (j. nesrovnaným) hodnoám x i 5. Spočíáme rozdíly v pořadí reziduí a pozorování: d i = pořadí e i - pořadí x i 6. Spočíáme Spearmanův koeficien korelace pořadí: r e,x n 6 di i n( n ) 7
8 Heeroskedasicia neparamerické esy 7. Vyhodnocení: r e,x 0 (resp. r e,x < 0,8 0,9) je možné očekáva homoskedasiciu r e,x (resp. r e,x > 0,8 0,9) je možné očekáva heeroskedasiciu řeba esova saisickou významnos pro absrakní model esuje se přes -saisiku: r e,x n k r e,x Tesovaná hypoéza: H 0 : homoskedasicia H : heeroskedasicia ( nk) vypočená hodnoa > * -α/ (n-k-) zamíneme H 0 vypočená hodnoa * -α/(n-k-) nezamíneme H 0 8
9 Heeroskedasicia neparamerické esy příklad Soubor: CV6_PR.xls Daa: y = průměrný roční výnos cenného papíru x = riziko cenného papíru (směrodaná odchylka) Zadání: Odhadněe závislos průměrného ročního výnosu cenného papíru (y) na riziku (x). Vyhodnoťe heeroskedasiciu s využiím Spearmanova koeficienu korelace pořadí pro α = 0,05. y i = 0 + x i + u i, i =,,...,0 9
10 Heeroskedasicia neparamerické esy Goldfeldův-Quandův es Posup:. zvolíme saisicky významnou proměnnou a seřadíme daový soubor vzesupně podle éo proměnné. rozdělíme daa na dvě sejné poloviny a kolem sředu řady vynecháme q hodno (q n/4) 3. vypočeme supně volnosi v n q v k 4. vypočeme F(v,v) saisiku (odhad modelů v EViews a použí Sum Squared resid) S F( v,v) S, kde S j e j j, dělím vyšší hodnou nižší (F vyjde ) 0
11 Heeroskedasicia neparamerické esy 5. Vyhodnocení - esovaná hypoéza: H 0 : homoskedasicia H : heeroskedasicia F(v,v) > F*(v,v) zamíám H 0 o homoskedasiciě na hladině α, F(v,v) F*(v,v) nezamíám H 0 o homoskedasiciě na hladině α
12 Heeroskedasicia neparamerické esy příklad Soubor: CV6_PR.xls Daa: y = spořební výdaje (is. USD/rok) x = disponibilní příjem (is. USD/rok) Zadání: Odhadněe závislos spořebních výdajů (y) na disponibilním příjmu (x). Vyhodnoťe heeroskedasiciu graficky (EViews sca x resid anebo fi yf (uložím predikované hodnoy y) sca yf resid s využiím esu Goldfelda-Quanda pro α = 0,05 (EViews sor x; smpl ; ls y c x; smpl 9 30; ls y c x) uvažuje logarimickou ransformaci modelu a vyhodnoťe heeroskedasiciu s využiím esu Goldfelda-Quanda pro α = 0,05 (EViews smpl ; smpl 9 30; y i = 0 + x i + u i, i =,,...,30
13 Heeroskedasicia paramerické esy esy s pomocnou regresí věšinou pořebujeme n 30 Parkův es podle Parka je vzah mezi rozpylem a proměnnou (kerá způsobuje heeroskedasiciu) následovný (pomocná regrese): σ 0 X e po zlogarimování: v lnσ 0 lnx v náhodná složka je neměřielná, akže pomocná regrese přes rezidua: lne 0 lnx v paramery modelu odhadneme pomocí MNČ a -esem vyhodnoíme významnos H 0 : homoskedasicia H : heeroskedasicia 3
14 4 Heeroskedasicia paramerické esy Glejserův es pomocná regrese na absoluní hodnoě reziduí a formy závislosi: paramery modelu odhadneme pomocí MNČ a -esem vyhodnoíme významnos H 0 : homoskedasicia H : heeroskedasicia T... v X e v X e v X e v X e v X e v X e,,,
15 Heeroskedasicia paramerické esy Whieův es pomocná regrese: e = f(x, x, x, x, x *x, ) + v esuje se koeficien deerminace (R ) u éo pomocné regrese saisika n* R χ (k-) n = rozsah souboru k = poče paramerů pomocné regrese Tesovaná hypoéza: H 0 : homoskedasicia H : heeroskedasicia n* R > abulková χ α (k-)... zamíáme nulovou hypoézu o homoskedasiciě EViews odhad modelu, okno Equaion -> View -> Residual Diagnosics Whie Prob. Chi-Square(k) < 0,0 (α) -> zamíame hypoézu o homoskedasiciě 5
16 Heeroskedasicia paramerické esy příklady Soubor: CV6_PR3.xls Daa: vydaje = průměrné měsíční výdaje placené krediní karou (v USD) vek = věk (v leech) prijem = příjem (v is. USD) Zadání: Odhadněe závislos výdajů na věku a příjmu. Vyhodnoťe heeroskedasiciu s využiím Whieova esu pro α = 0,05. vydaje i = 0 + vek i + prijem i + u i, i =,,...,7 Výsledek z EViews: Heeroskedasiciy Tes: Whie F-saisic.3736 Prob. F(5,66) Obs*R-squared Prob. Chi-Square(5) Scaled explained SS Prob. Chi-Square(5) n* R = 6,539 < Χ 0,05 (5) =,070 Prob. Chi-Square(5) = 0,578 > 0,05 => nezamíáme nulovou hypoézu o homoskedasiciě na α = 0,05 6
17 Heeroskedasicia paramerické esy příklady Soubor: CV6_PR4.xls Daa: prijmy = příjem (v is. USD) vydaje = výdaje placené krediní karou (v is. USD) Zadání: Odhadněe závislos výdajů na příjmech. Vyhodnoťe heeroskedasiciu s využiím Whieova esu pro α = 0,0. vydaje i = 0 + prijmy i + u i, i =,,...,0 Výsledek z EViews: Heeroskedasiciy Tes: Whie F-saisic Prob. F(,7) Obs*R-squared Prob. Chi-Square() Scaled explained SS Prob. Chi-Square() n* R = 7,56 > Χ 0,0 () = 9, Prob. Chi-Square(5) = 0,000 < 0,0 => zamíáme nulovou hypoézu o homoskedasiciě na α = 0,0 7
4EK211 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
Více4EK211 Základy ekonometrie
4EK11 Základy ekonometrie Autokorelace Cvičení 5 Zuzana Dlouhá Gauss-Markovy předpoklady Náhodná složka: Gauss-Markovy předpoklady 1. E(u) = náhodné vlivy se vzájemně vynulují. E(uu T ) = σ I n konečný
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie Predikce Multikolinearita Cvičení 4 Zuzana Dlouhá Aplikace EM predikce obecně ekonomické prognózování, předpověď, předvídání hlavním cílem je odhad hodnot vysvětlované proměnné
VíceVolba vhodného modelu trendu
8. Splinové funkce Trend mění v čase svůj charaker Nelze jej v sledovaném období popsa jedinou maemaickou křivkou aplikace echniky zv. splinových funkcí: o Řadu rozdělíme na několik úseků o V každém úseku
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
VíceUniverzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE. Martina Čechvalová. Speciální problémy regrese v ekonomii a financích
Univerzia Karlova v Praze Maemaicko-fyzikální fakula BAKALÁŘSKÁ PRÁCE Marina Čechvalová Speciální problémy regrese v ekonomii a financích Kaedra pravděpodobnosi a maemaické saisiky Vedoucí bakalářské práce:
Více( ) Základní transformace časových řad. C t. C t t = Μ. Makroekonomická analýza Popisná analýza ekonomických časových řad (ii) 1
Makroekonomická analýza Popisná analýza ekonomických časových řad (ii) 1 Základní ransformace časových řad Veškeré násroje základní korelační analýzy, kam paří i lineární regresní (ekonomerické) modely
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
VíceAnalýza časových řad. Informační a komunikační technologie ve zdravotnictví. Biomedical Data Processing G r o u p
Analýza časových řad Informační a komunikační echnologie ve zdravonicví Definice Řada je posloupnos hodno Časová řada chronologicky uspořádaná posloupnos hodno určiého saisického ukazaele formálně je realizací
Více4EK211 Základy ekonometrie
4EK Základy ekonomerie Modely simulánních rovnic Problém idenifikace srukurních simulánních rovnic Cvičení Zuzana Dlouhá Modely simulánních rovnic (MSR) eisence vzájemných vazeb mezi proměnnými v modelu,
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 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
VíceMETODY MONTE CARLO V EKONOMETRII.
Mone Carlo Oázka C METOD MONTE CARLO V EKONOMETRII. MAKROEKONOMICKÁ ÚLOHA VLÁD V ekonomerii se někdy objeví problémy, keré nelze řeši analyickými posupy, nebo je o přinejmenším velmi obížné. V om případě
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
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvaniaivní meod I Přednáška 3 Zuzana Dlouhá Předmě a srukura kurzu. Úvod: srukura empirických výzkumů. vorba ekonomických modelů: eorie 3. Daa: zdroje a p da, význam popisných charakerisik
VíceDemografické projekce počtu žáků mateřských a základních škol pro malé územní celky
Demografické projekce poču žáků maeřských a základních škol pro malé územní celky Tomáš Fiala, Jika Langhamrová Kaedra demografie Fakula informaiky a saisiky Vysoká škola ekonomická v Praze Pořebná daa
VíceEKONOMETRIE 6. přednáška Modely národního důchodu
EKONOMETRIE 6. přednáška Modely národního důchodu Makroekonomické modely se zabývají modelováním a analýzou vzahů mezi agregáními ekonomickými veličinami jako je důchod, spořeba, invesice, vládní výdaje,
VíceMÍRA RIZIKA CHUDOBY V ČESKÉ REPUBLICE Z HLEDISKA POHLAVÍ LEVEL OF POVERTY RISK FROM THE GENDER SEEK IN THE CZECH REPUBLIC
MÍRA RIZIKA CHUDOBY V ČESKÉ REPUBLICE Z HLEDISKA POHLAVÍ LEVEL OF POVERTY RISK FROM THE GENDER SEEK IN THE CZECH REPUBLIC Dagmar Blaná Absrac Differen crieria are used o assess he povery rae, mos ofen
VíceNávrh rozložení výroby jednotlivých výrobků do směn sloužící ke snížení zmetkovitosti
MENDELOVA UNIVERZITA V BRNĚ Provozně ekonomická fakula Úsav saisiky a operačního výzkumu Návrh rozložení výroby jednolivých výrobků do směn sloužící ke snížení zmekoviosi Diplomová práce Vedoucí práce:
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
VíceVybrané metody statistické regulace procesu pro autokorelovaná data
XXVIII. ASR '2003 Seminar, Insrumens and Conrol, Osrava, May 6, 2003 239 Vybrané meody saisické regulace procesu pro auokorelovaná daa NOSKIEVIČOVÁ, Darja Doc., Ing., CSc. Kaedra konroly a řízení jakosi,
VíceŠKODA AUTO VYSOKÁ ŠKOLA, O.P.S. B A K A L Á Ř S K Á P R Á C E
ŠKODA AUTO VYSOKÁ ŠKOLA, O.P.S. B A K A L Á Ř S K Á P R Á C E 2013 Per Zápoocký ŠKODA AUTO VYSOKÁ ŠKOLA, O.P.S. Sudijní program: B6208 Ekonomika a managemen Sudijní obor: 6208R088 Podniková ekonomika a
Vícetransformace Idea afinního prostoru Definice afinního prostoru velké a stejně orientované.
finní ransformace je posunuí plus lineární ransformace má svou maici vzhledem k homogenním souřadnicím využií například v počíačové grafice [] Idea afinního prosoru BI-LIN, afinia, 3, P. Olšák [2] Lineární
VíceModelování volatility akciového indexu FTSE 100
ISSN 805-06X 805-0638 (online) ETTN 07--0000-09-4 Modelování volailiy akciového indexu FTSE 00 Adam Borovička Vysoká škola ekonomická v Praze Fakula informaiky a saisiky Kaedra ekonomerie; nám. W. Churchilla
Vícelistopadu 2016., t < 0., t 0, 1 2 ), t 1 2,1) 1, 1 t. Pro X, U a V najděte kvantilové funkce, střední hodnoty a rozptyly.
6. cvičení z PSI 7. -. lisopadu 6 6. kvanil, sřední hodnoa, rozpyl - pokračování příkladu z minula) Náhodná veličina X má disribuční funkci e, < F X ),, ) + 3,,), a je směsí diskréní náhodné veličiny U
VíceVýkonnost a spolehlivost číslicových systémů
Výkonnos a spolehlivos číslicových sysémů Úloha Generování a zpracování náhodných čísel Zadání 9 Trojúhelníkové rozdělení Jan Kupka A65 kupka@sudens.zcu.cz . Zadání vyvoře generáor rozdělení jako funkci
VíceVyužijeme znalostí z předchozích kapitol, především z 9. kapitoly, která pojednávala o regresní analýze, a rozšíříme je.
Pravděpodobnos a saisika 0. ČASOVÉ ŘADY Průvodce sudiem Využijeme znalosí z předchozích kapiol, především z 9. kapioly, kerá pojednávala o regresní analýze, a rozšíříme je. Předpokládané znalosi Pojmy
VícePřijímací zkouška na navazující magisterské studium 2016
Přijímací zkouška a avazující magiserské sudium 2016 Sudijí program: Sudijí obor: Maemaika Fiačí a pojisá maemaika Variaa A Řešeí příkladů pečlivě odůvoděe. Věuje pozoros ověřeí předpokladů použiých maemaických
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
VíceSkupinová obnova. Postup při skupinové obnově
Skupinová obnova Při skupinové obnově se obnovují všechny prvky základního souboru nebo určiá skupina akových prvků najednou. Posup při skupinové obnově prvky, jež selžou v určiém období, je nuno obnovi
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
VíceODHADY VARIABILITY POSLOUPNOSTÍ
ÚVOD MÍRY VARIABILITY, ODHADY VLASTNOSTI FF SEGMENTACE ZÁZNAMU MINIMALIZACE MSE SNÍŽENÍ ROZPTYLU ODHADY VARIABILITY POSLOUPNOSTÍ NEURONOVÝCH IMPULSŮ Kamil Rajdl Úsav maemaiky a saisiky Přírodovědecká fakula
VíceNumerická integrace. b a. sin 100 t dt
Numerická inegrace Mirko Navara Cenrum srojového vnímání kaedra kyberneiky FEL ČVUT Karlovo náměsí, budova G, mísnos 14a hp://cmpfelkcvucz/~navara/nm 1 lisopadu 18 Úloha: Odhadnou b a f() d na základě
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
VíceKlasifikace, identifikace a statistická analýza nestacionárních náhodných procesů
Proceedings of Inernaional Scienific Conference of FME Session 4: Auomaion Conrol and Applied Informaics Paper 26 Klasifikace, idenifikace a saisická analýza nesacionárních náhodných procesů MORÁVKA, Jan
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)=
VíceFREQUENCY SPECTRUM ESTIMATION BY AUTOREGRESSIVE MODELING
FEQUENCY SPECU ESIAION BY AUOEGESSIVE ODELING J.ůma * Summary: he paper deals wih mehods for frequency specrum esimaion by auoregressive modeling. Esimae of he auoregressive model parameers is he firs
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
VíceKatedra aplikované matematiky FEI VŠB Technická univerzita Ostrava
Lineární algebra 4. přednáška: Vekorové prosory Dalibor Lukáš Kaedra aplikované maemaiky FEI VŠB Technická univerzia Osrava email: dalibor.lukas@vsb.cz hp://www.am.vsb.cz/lukas/la Tex byl vyvořen v rámci
VíceRozbor složek spotřeby a komparace různých spotřebních funkcí v České republice
Mendelova univerzia v Brně Provozně ekonomická fakula Rozbor složek spořeby a komparace různých spořebních funkcí v České republice Bakalářská práce Vedoucí práce: Ing. Zdeněk Rosenberg Radek Pavelka,
VícePrůzkumová analýza dat (Exploratory Data Analysis, EDA)
19. února 2007 Přednáška 1 maeriály: přednášky zápoče: v průběhu semesr určiý projek na zápoče a na známku, kerá bude ke zkoušce zkouška: zadaný určiý problém, na něj zadaný určiý čas, zpracováván s využiím
VíceSROVNÁNÍ VOLATILITY AKCIOVÝCH INDEXŮ PX A FTSE 100
SROVNÁNÍ VOLATILITY AKCIOVÝCH INDEXŮ PX A FTSE 100 Adam Borovička * Úvod Volailia slovo, keré slyšíme dnes a denně. Valí se na nás z elevizních obrazovek, hlasových přijímačů, išěných médií, vkrádá se
Více5. Modifikovaný exponenciální trend
5. Modifikovaný exponenciální rend Tvar rendu Paraer: α, β, Tr = + α β, =,..., n ( β > 0) Hodí se k odelování rendu s konsanní podíle sousedních diferencí Aspoick oezen (viz obr., α < 0,0 < β 0) α
VíceT t. S t krátkodobé náhodná složka. sezónní. Trend + periodická složka = deterministická složka
Analýza časových řad Klasický přísup k analýze ČŘ dekompozice časové řady - rozklad ČŘ na složky charakerizující různé druhy pohybů v ČŘ, keré umíme popsa a kvanifikova rend periodické kolísání cyklické
VíceRole fundamentálních faktorů při analýze chování Pražské burzy #
Role fundamenálních fakorů při analýze chování Pražské burzy # Ví Poša Výzkum chování akciových a obecně finančních rhů má dlouhou hisorii, jehož výsupy nalézají uplanění v ekonomické eorii, pro kerou
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
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 3 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
VíceSchéma modelu důchodového systému
Schéma modelu důchodového sysému Cílem následujícího exu je názorně popsa srukuru modelu, kerý slouží pro kvanifikaci příjmové i výdajové srany důchodového sysému v ČR, a o jak ve varianách paramerických,
VícePasivní tvarovací obvody RC
Sřední průmyslová škola elekroechnická Pardubice CVIČENÍ Z ELEKTRONIKY Pasivní varovací obvody RC Příjmení : Česák Číslo úlohy : 3 Jméno : Per Daum zadání : 7.0.97 Školní rok : 997/98 Daum odevzdání :
VíceDERIVACE A MONOTÓNNOST FUNKCE DERIVACE A MONOTÓNNOST FUNKCE. y y
Předmě: Ročník: Vvořil: Daum: MATEMATIKA ČTVRTÝ Mgr Tomáš MAŇÁK 5 srpna Název zpracovaného celku: DERIVACE A MONOTÓNNOST FUNKCE DERIVACE A MONOTÓNNOST FUNKCE je monoónní na celém svém deiničním oboru D
VíceNEPARAMETRICKÝ HEURISTICKÝ PŘÍSTUP K ODHADU MODELU GARCH-M A JEHO VÝHODY
NEPARAMERICKÝ HEURISICKÝ PŘÍSUP K ODHADU MODELU GARCH-M A JEHO VÝHODY Jaromír Kukal, České vysoké učení echnické; ran Van Quang, Vysoká škola ekonomická v Praze* 1. Úvod Volailia je důležiý ukazael pro
Víceβ 1 β Y L a tím i ekonomicky názorně interpretovatelný vztah o závislosti veličiny L K (vybavenost práce kapitálem).přitažlivost
3 Klasické funkční vary v eorii produkce 3. COBB- DOUGLASova produkční funkce Teno funkční var popisuje vzah mezi produkcí a výrobními fakory práce a kapiál mocninným vyjádřením j. (3.) K kde se pro paramery
VíceV EKONOMETRICKÉM MODELU
J. Arl, Š. Radkovský ANALÝZA ZPOŽDĚNÍ V EKONOMETRICKÉM MODELU VP č. Praha Auoři: doc. Ing. Josef Arl, CSc. Ing. Šěpán Radkovský Názor a sanoviska v éo sudii jsou názor auorů a nemusí nuně odpovída názorům
VícePlánování experimentu
Fakulta chemicko technologická Katedra analytické chemie licenční studium Management systému jakosti Autor: Ing. Radek Růčka Přednášející: Prof. Ing. Jiří Militký, CSc. 1. LEPTÁNÍ PLAZMOU 1.1 Zadání Proces
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
VíceAPLIKACE FIGARCH A EWMA MODELŮ NA BURZOVNÍ INDEXY PX A BUX
APLIKACE FIGARCH A EWMA MODELŮ NA BURZOVNÍ INDEXY PX A BUX Zdeněk Šolc * Úvod U finančních časových řad lze pozorova jev, kdy i velmi vzdálené náhodné veličiny mohou bý relaivně silně závislé. Too chování
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
VíceSTOCHASTICKÁ ANALÝZA NESTACIONÁRNÍCH PROCESŮ V MATLABU
STOCHASTICKÁ ANALÝZA NESTACIONÁRNÍCH PROCESŮ V MATLABU David Kvapil UNIS, a.s., Brno Absrak Příspěvek popisuje sochasickou analýzu a malabovské modelování nesacionárních procesů v echnomerii. Sumarizují
VíceParciální funkce a parciální derivace
Parciální funkce a parciální derivace Pro sudeny FP TUL Marina Šimůnková 19. září 2018 1. Parciální funkce. Příklad: zvolíme-li ve funkci f : (x, y) sin(xy) pevnou hodnou y, například y = 2, dosaneme funkci
Více6.3.6 Zákon radioaktivních přeměn
.3. Zákon radioakivních přeměn Předpoklady: 35 ěkeré nuklidy se rozpadají. Jak můžeme vysvěli, že se čás jádra (například čásice 4 α v jádře uranu 38 U ) oddělí a vyleí ven? lasická fyzika Pokud má čásice
VíceSeznámíte se s principem integrace substituční metodou a se základními typy integrálů, které lze touto metodou vypočítat.
4 Inegrace subsiucí 4 Inegrace subsiucí Průvodce sudiem Inegrály, keré nelze řeši pomocí základních vzorců, lze velmi časo řeši subsiuční meodou Vzorce pro derivace elemenárních funkcí a věy o derivaci
VíceMaxwellovy a vlnová rovnice v obecném prostředí
Maxwellovy a vlnová rovnie v obeném prosředí Ing. B. Mihal Malík, Ing. B. Jiří rimas TCHNICKÁ UNIVRZITA V LIBRCI Fakula meharoniky, informaiky a mezioborovýh sudií Teno maeriál vznikl v rámi proeku SF
VíceVojtěch Janoušek: III. Statistické zpracování a interpretace analytických dat
Vojěch Janoušek: III. Sascké zpracování a nerpreace analyckých da Úvod III. Zpracování a nerpreace analyckých da Sascké vyhodnocení analyckých da Zdroje chyb, přesnos a správnos analýzy Sysemacké chyby,
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
VíceKATEDRA FINANCÍ. Estimate of the selected model types of financial assets
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA EKONOMICKÁ FAKULTA KATEDRA FINANCÍ Odhad vybraných ypů modelů finančních akiv Esimae of he seleced model ypes of financial asses Suden: Vedoucí diplomové
VíceInformační efektivnost burzovních trhů ve střední Evropě
Informační efekivnos burzovních rhů ve sřední Evropě Auoři článku: PhDr. Karel Diviš IES FSV UK.ročník PGS e-mail: divis@mbox.fsv.cuni.cz PhDr. Per Teplý IES FSV UK.ročník PGS e-mail: eply@mbox.fsv.cuni.cz
VíceAPLIKACE INDEXU DAŇOVÉ PROGRESIVITY V PODMÍNKÁCH ČESKÉ REPUBLIKY
APLIKACE INDEXU DAŇOVÉ PROGRESIVIT V PODMÍNKÁCH ČESKÉ REPUBLIK Ramanová Ivea ABSTRAKT Příspěvek je věnován problemaice měření míry progresiviy zdanění pomocí indexu daňové progresiviy, kerý vychází z makroekonomických
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).
Více7.4.1 Parametrické vyjádření přímky I
741 Paramerické vyjádření přímky I Předpoklady: 7303 Jak jsme vyjadřovali přímky v rovině? X = + D Ke všem bodů z roviny se z bod dosaneme posním C o vekor Pokd je bod na přímce, posováme se o vekor, E
Více2.2.9 Jiné pohyby, jiné rychlosti II
2.2.9 Jiné pohyby, jiné rychlosi II Předpoklady: 020208 Pomůcky: papíry s grafy Př. 1: V abulce je naměřeno prvních řice sekund pohybu konkurenčního šneka. Vypoči: a) jeho průměrnou rychlos, b) okamžié
VíceMatematika v automatizaci - pro řešení regulačních obvodů:
. Komplexní čísla Inegrovaná sřední škola, Kumburská 846, Nová Paka Auomaizace maemaika v auomaizaci Maemaika v auomaizaci - pro řešení regulačních obvodů: Komplexní číslo je bod v rovině komplexních čísel.
VíceANALÝZA EKONOMICKÝCH ČASOVÝCH ŘAD S PŘÍKLADY
VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Fakula informaiky a saisiky ANALÝZA EKONOMICKÝCH ČASOVÝCH ŘAD S PŘÍKLADY Josef Arl Markéa Arlová Eva Rublíková 00 Recenzeni: Prof. Ing. Franišek Fabian, CSc. Doc. Ing. Jiří
VíceNelineární regrese v chemické kinetice
Kaedra eoreické a fyzikální chemie, Přírodovědecká fakula MU, rno Nelineární regrese v chemické kineice Miroslav Holík F 457/999 Obsah Úvod Čás - Regresní rovnice. Lineární regrese. Vícerozměrná lineární
VíceLaplaceova transformace Modelování systémů a procesů (11MSP)
aplaceova ransformace Modelování sysémů a procesů (MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček 5. přednáška MSP čvrek 2. března 24 verze: 24-3-2 5:4 Obsah Fourierova ransformace Komplexní exponenciála
VíceNUMP403 (Pravděpodobnost a Matematická statistika II) 1. Na autě jsou prováděny dvě nezávislé opravy a obě opravy budou hotovy do jedné hodiny.
Spojiá rozdělení I.. Na auě jou prováděny dvě nezávilé opravy a obě opravy budou hoovy do jedné hodiny. Předpokládejme, že obě opravy jou v akové fázi, že rozdělení čau do ukončení konkréní opravy je rovnoměrné.
VíceLineární rovnice prvního řádu. Máme řešit nehomogenní lineární diferenciální rovnici prvního řádu. Funkce h(t) = 2
Cvičení 1 Lineární rovnice prvního řádu 1. Najděe řešení Cauchyovy úlohy x + x g = cos, keré vyhovuje podmínce x(π) =. Máme nehomogenní lineární diferenciální ( rovnici prvního řádu. Funkce h() = g a q()
Více5. Využití elektroanalogie při analýze a modelování dynamických vlastností mechanických soustav
5. Využií elekroanalogie při analýze a modelování dynamických vlasnosí mechanických sousav Analogie mezi mechanickými, elekrickými či hydraulickými sysémy je známá a lze ji účelně využíva při analýze dynamických
VíceVývoj dynamického modelu pro odhad radonové
Univerzia Karlova v Praze Maemaicko-fyzikální fakula DIPLOMOVÁ PRÁCE Barbora Lebdušková Vývoj dynamického modelu pro odhad radonové záěže budov Kaedra pravděpodobnosi a maemaické saisiky Vedoucí diplomové
VíceÚloha V.E... Vypař se!
Úloha V.E... Vypař se! 8 bodů; průměr 4,86; řešilo 28 sudenů Určee, jak závisí rychlos vypařování vody na povrchu, kerý ao kapalina zaujímá. Experimen proveďe alespoň pro pě různých vhodných nádob. Zamyslee
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
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
VíceNárodohospodářská fakulta
Vysoká škola ekonomická v Praze Národohospodářská fakula Hlavní specializace: Ekonomie HOSPODÁŘSKÝ CYKLUS A NÁVŠTĚVNOST HISTORICKÝCH PAMÁTEK bakalářská práce Auor: Kaeřina Jůvová Vedoucí práce: Ing. Sára
VíceÝ Ť Ť ť Ž Í Ž Ť Ť Ť Ť š Ž Ť š š Ť Ť Ž Ť Ý Ť š Ť š š š Ť š Ťš Ť Í š š š š Ž Ť Ť š š š Ť š š Ť š š Ť š Ť ď Ť Í Š Ť š Ť Ó Ť š Ť š Ť Š š š šť š Ť š š Ť Í ď š š š Ť š Í Ú š Š š š š š ř š š Ťš Ť š ť š š Š Ť
VíceReálné opce. Typy reálných opcí. Výpočet hodnoty opce. příklady použití základních reálných opcí
Reálné opce příklady použí základních reálných opcí Typy reálných opcí! Ukonč projek odsoup! Rozšíř projek expandova, růsová! Provozní! Záměny! Složená! Eapová! Jné? Výpoče hodnoy opce! Spojě pomocí řešení
VíceStochastické modelování úrokových sazeb
Sochasické modelování úrokových sazeb Michal Papež odbor řízení rizik 1 Sochasické modelování úrokových sazeb OBSAH PŘEDNÁŠKY Úvod do problemaiky sochasických procesů Brownův pohyb, Wienerův proces Ioovo
VíceP13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.
P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod. Matematický přístup k výsledkům únavových zkoušek Náhodnost výsledků únavových zkoušek. Únavové
VíceSimulační modely úrokových měr
Univerzia Karlova v Praze Maemaicko-fyzikální fakula BAKALÁŘSKÁ PRÁCE Jakub Merl Simulační modely úrokových měr Kaedra pravděpodobnosi a maemaické saisiky Oddělení finanční a pojisné maemaiky Vedoucí práce
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
VíceKatedra obecné elektrotechniky Fakulta elektrotechniky a informatiky, VŠB - TU Ostrava 4. TROJFÁZOVÉ OBVODY
Kaedra obecné elekroechniky Fakula elekroechniky a inormaiky, VŠB - T Osrava. TOJFÁZOVÉ OBVODY.1 Úvod. Trojázová sousava. Spojení ází do hvězdy. Spojení ází do rojúhelníka.5 Výkon v rojázových souměrných
VíceDiferenciální rovnice 1. řádu
Kapiola Diferenciální rovnice. řádu. Lineární diferenciální rovnice. řádu Klíčová slova: Obyčejná lineární diferenciální rovnice prvního řádu, pravá srana rovnice, homogenní rovnice, rovnice s nulovou
VíceÚvod do teorie odhadu. Ing. Michael Rost, Ph.D.
Úvod do teorie odhadu Ing. Michael Rost, Ph.D. Náhodný výběr Náhodným výběrem ze základního souboru populace, která je popsána prostřednictvím hustoty pravděpodobnosti f(x, θ), budeme nazývat posloupnost
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).
VíceJméno a příjmení holka nebo kluk * Třída Datum Škola
P-1 Jméno a příjmení holka nebo kluk * Třída Daum Škola Zopakuje si (bude se vám o hodi ) 3 důležié pojmy a především o, co popisují Pro jednoduchos se omezíme pouze na 1D (j. jednorozměrný) případ. Pro
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).
VíceMÍRY ZÁVISLOSTI (KORELACE A REGRESE)
zhanel@fsps.muni.cz MÍRY ZÁVISLOSTI (KORELACE A REGRESE) 2.5 MÍRY ZÁVISLOSTI 2.5.1 ZÁVISLOST PEVNÁ, VOLNÁ, STATISTICKÁ A KORELAČNÍ Jednorozměrné soubory - charakterizovány jednotlivými statistickými znaky
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 9. Korelační analýza Mgr. David Fiedor 20. dubna 2015 Analýza závislostí v řadě geografických disciplín studujeme jevy, u kterých vyšetřujeme nikoliv pouze jednu vlastnost
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).
VíceVÝVOJ PODÍLU VÝDAJŮ ČESKÝCH DOMÁCNOSTÍ ZA MASO A MASNÉ VÝROBKY A ENGELOVY ZÁVISLOSTI VE SPOTŘEBĚ
ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ Ročník LII 3 Číslo 6, 2004 VÝVOJ PODÍLU VÝDAJŮ ČESKÝCH DOMÁCNOSTÍ ZA MASO
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)
Více