Aplikovaná ekonometrie 7. Lukáš Frýd
|
|
- Marian Vopička
- před 7 lety
- Počet zobrazení:
Transkript
1 Aplikovaná ekonometrie 7 Lukáš Frýd
2 Nestacionární časové řady Možné příčinny Sezonost Deterministický trend (time trend) Jednotkový kořen (Stochastický trend) Strukturní zlomy
3 Časový trend (deterministický trend) y t = α 0 + α 1 t + ε t ε t ~i. i. d(0, σ 2 ) E(y t ) = α 0 + α 1 t Kvadratický trend y t = α 0 + α 1 t + α 2 t 2 + ε t Exponenciální trend y t = exp(β 0 + β 1 t + ε t ) log(y t ) = β 0 + β 1 t + ε t
4 Náhodná procházka Jedná se o speciální typ AR(1) procesu y t = φ 0 + φ 1 y t 1 + ε t y t = y t 1 + ε t ε t ~i. i. d. y t = y t 2 + ε t 1 + ε t = y t 3 + ε t 2 + ε t 1 + ε t y t = ε t i + ε t + y 0 i=1 Trvalý dopad počáteční hodnoty Var(y t ) = Var y t 1 + ε t E(y t ) = ε t i + ε t + y 0 i=1 Var(y t ) = σ 2 t 2 Stochastický trend Na rozdíl od deterministického trendu, je přírůstek náhodný E y t E(y t ) y t s E(y t s = E ε t i + ε t + y 0 y 0 i=1 ε t i s + ε t s + y 0 y 0 = t s σ 2 i=1
5 Náhodná procházka s driftem y t = φ 0 + y t 1 + ε t φ 0 drift y t = δt + ε i + y 0 i=1 Proces obsahuje jak deterministický, tak stochastický trend
6 Závislost 2 RW
7 Stochastický trend a integrovaný proces Proces y t obsahující stochastický trend nazveme integrovaným procesem řádu d I(d) Pokud y t není kovariančně stacionární proces a po d diferencích Δ d y(t) bude kovariančně stacionární I(0) Nejčastěji se setkáme s procesem I(1) Po 1 diferenci je proces stacionární I(0) - Δy t ~I(0) y t = ε t i + ε t + y 0 i=1 Integrovaný proces
8 Jednotkový kořen (unit root) Pokud proces obsahuje jednotkový kořen, je daný proces nestacionární Operátor zpoždění L y t = y t 1 + ε t y t = Ly t + ε t y t = φ 0 + φ 1 y t 1 + φ 2 y t φ k y t k + ε t y t = φ 0 + Lφ 1 y t + L 2 φ 2 y t + + L k φ k y t + ε t y t Ly t = ε t y t (1 L) = ε t Zde je často problém ve značení charakteristické rovnice Vycházíme z diferenčních rovnic Sestavíme charakteristickou rovnici a zjistíme její kořeny 1 z = 0 z = 1 Proces obsahuje jednotkový kořen Proces není stacionární
9 y t = 3y t y t y t 3 + ε t y t = 3Ly t 2.753L 2 y t L 3 y t + ε t (1 3L L L 3 )y t = ε t Charakteristická rovnice 1 3z z z 3 = 0 z 3 3z z = 0 1 z 1 1.5z 1 0.5z = 0 Kořeny jsou z = 1 z = 2 3 z = 2
10 Stacionarita AR procesu Proces MA je vždy stacionární To však již neplatí u AR procesu U AR(1) procesu je zřejmé, že pro φ 1 > 1 proces exploduje y t = φ 0 + Lφ 1 y t + ε t y t Lφ 1 y t = φ 0 + ε t y t (1 Lφ 1 ) = φ 0 + ε t 1 φ 1 z = 0 1 φ 1 = z Hodnota z musí být vyšší jak 1! Tedy φ 1 < 1
11 y t = φ 0 + φ 1 y t 1 + φ 2 y t φ p y t p + ε t y t = φ 0 + φ 1 y t 1 + φ 2 y t 2 + ε t y t = φ 0 + Lφ 1 y t + L 2 φ 2 y t + + L p φ p y t + ε t y t = φ 0 + Lφ 1 y t + L 2 φ 2 y t + ε t 1 φ 1 z + φ 2 z φ p z p = 0 (1 Lφ 1 L 2 φ 2 )y t = 0 x 2 φ 1 x φ 2 = 0
12 Testování stacionarity testy hypotéz y t = φ 0 + φ 1 y t 1 + ε t H 0 : φ 1 = 1 H 0 : φ 1 < 1 V ekonomii a financích se většinou setkáváme s procesy 0 < φ 1 < 1 Pokud φ 0 = 0 a φ 1 = 1 pak se jedná o AR(1) proces, který má jednotkový kořen konkrétně jde o RW Pokud φ 0 0 a φ 1 = 1 pak se jedná o AR(1) proces, který má jednotkový kořen konkrétně jde o RW s driftem
13 Pro testování jednotkového kořene však pracujeme s upravenou formou od rovnice odečteme y t 1 Δy t = φ 0 + φ 1 y t 1 y t 1 + ε t Δy t = φ 0 + Θy t 1 + ε t Θ = φ 1 1 H 0 : Θ = 0 H 0 : φ 1 = 1 H 1 : Θ < 0 H 1 : φ 1 < 1 Jedná se o tzv. Dickey-Fuller test Jedná se o t-test POZOR nemá však t-rozdělení. Kritické hodnoty jsou tabelovány viz. Článek DF H0: NEstacionární H1: Stacionární
14 Augment Dickey-Fuller test (ADF) DF test pracuje s předpokladem, že náhodná složka je WN. Problémem je, že časové řady mají často dynamický charakter. Upravíme DF test do dynamické podoby, tzv. ADF test Δy t = φ 0 + Θy t 1 + γ 1 Δy t γ p Δy t p + ε t H 0 : Θ = 0 H 1 : Θ < 0 Otázkou je zjistit, kolik zvolit zpoždění. Použít například AIC
15 Další otázkou je, jak odlišit proces se stochastickým a proces s deterministickým trendem Δy t = φ 0 + δt + Θy t 1 + ε t Δy t = φ 0 + δ 1 t + δ 2 t 2 + +Θy t 1 + ε t H 0 : Θ = 0 H 1 : Θ < 0 H 0 : δ = 0 většinou však neřešíme Zamítnutí obou hypotéz vede k trendově stacionárnímu procesu Δy t = φ 0 + Θy t 1 + δt + γ 1 Δy t γ p Δy t p + ε t DF i ADF test jsou náchylné na špatnou specifikaci. Hodnoty parametru φ 1 se v ekonomii často pohybují Blízko jedné. Je proto vhodné co nejpřesněji specifikovat data generující proces Vynechání časového trendu, nebo důležitého zpoždění bude mít vliv na rozptyl residuí a tím i na hodnoty testu
16 Co když zjistíme, že je časová nestacionární? Bude záležet, o jaký typ nestacionarity se jedná. My zde budeme předpokládat, že se jedná o unit root proces Provedeme první diferenci a otestujeme na stacionaritu. Tímto způsobem určíme o jaký typ I(d) procesu se jedná I(2) proces obsahuje 2 jednotkové kořeny I(d) proces obsahuje d jednotkových kořenů
17 rw <- function(k,initial.value,drift) { samples = rnorm(k,0,1) initial.value + c(drift, cumsum(samples)) } sim1=rw(1000,100,0) sim2=rw(1000,0,0) sim3=rw(1000,0,10) sim4=cumsum(rnorm(n=1001, mean=1.5, sd=sqrt(100))) t=1:1001 sim5=cumsum(rnorm(n=1001, mean=0, sd=sqrt(100)))+2*t sim6=2*t+rnorm(1001,0,50)
18 Box-Jenkins metodologie 1) Stacionarita 2) AFC,PACF 3) Odhad modelu AR,MA,ARMA 4) Kontrola residuí, chovají se jako bílý šum? Identifikace Odhad Diagnostika Informační kritéria Box and Pierce test Ljung-Box test Pokud by se residua chovala jako Gauss bílý šum Tak to pro nás znamená, že se nám podařilo Extrahovat všechny důležité informace
19 Co ovlivňuje úrokovou míru libor t = α 0 + α 1 infl t + α 2 GdpGap t + ε
20 Poptávka po penězích log M1 t = α 0 + α 1 log CPI t + α 2 realgdp t + α 3 tbilrate t + ε t
Modely pro nestacionární časové řady
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Modely ARIMA Transformace Proces náhodné procházky Random Walk Process Proces Y t = Y t 1 + ɛ t je
VíceModely pro nestacionární časové řady
Modely pro nestacionární časové řady Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Modely pro nestacionární
VícePřednáška 4. Lukáš Frýd
Přednáška 4 Lukáš Frýd Časová řada: stochastický (náhodný) proces, sekvence náhodných proměnných indexovaná časem Pozorovaná časová řada: jedna realizace stochastického procesu Analogie: Průřezový výběr,
VíceVEKTOROVÉ AUTOREGRESE. APLIKACE V PROGNÓZOVÁNÍ.
VEKTOROVÉ AUTOREGRESE. APLIKACE V PROGNÓZOVÁNÍ. Vektorové autoregrese (VAR se používají tehdy, když chceme zkoumat časové řady dvou či více proměnných. Je sice možné za tím účelem použít dynamické modely
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
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
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
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
VíceZáklady ekonometrie. X. Regrese s časovými řadami. Základy ekonometrie (ZAEK) X. Regrese s časovými řadami Podzim / 47
Základy ekonometrie X. Regrese s časovými řadami Základy ekonometrie (ZAEK) X. Regrese s časovými řadami Podzim 2015 1 / 47 Obsah tématu 1 ADL model 2 Regrese se stacionárními řadami 3 Regrese s řadami
VíceModely stacionárních časových řad
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Proces bílého šumu Proces {ɛ t} nazveme bílým šumem s nulovou střední hodnotou a rozptylem σ 2 a
VíceREGRESNÍ ANALÝZA NESTACIONÁRNÍCH EKONOMICKÝCH ČASOVÝCH ŘAD
Politická ekonomie 45: (2), str. 281-289, VŠE Praha, 1997. ISSN 0032-3233. (Rukopis) REGRESNÍ ANALÝZA NESTACIONÁRNÍCH EKONOMICKÝCH ČASOVÝCH ŘAD Josef ARLT, Vysoká škola ekonomická, Praha 1. Úvod Pro modelování
Více4EK211 Základy ekonometrie
4EK11 Základy ekonometrie Autokorelace Cvičení 5 Zuzana Dlouhá Gauss-Markovy předpoklady Náhodná složka: Gauss-Markovy předpoklady 1. E(u) = náhodné vlivy se vzájemně vynulují. E(uu T ) = σ I n konečný
Více4ST432. Kamil Kladívko. 1 Cena a výnos aktiva, volatilita 2. 1.1 Odhad očekávaného výnosu, interval spolehlivosti, test hypotézy...
4ST432 Modely ekonomických a finančních časových řad Kamil Kladívko Zadání úkolů a data najdete v souboru zadani432.xlsx. Výpočty jsou v souboru solution432.xlsx. Obsah 1 Cena a výnos aktiva, volatilita
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
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)
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
VíceLekce 1 úvod do ekonometrie
Lekce 1 úvod do ekonometrie Některé věci se zde budou opakovat několikrát důležité pro rozležení v hlavě a jiný úhel pohledu Dokázat aplikovat ekonometrie nestačí se pouze naučit na zkoušku Základní kurz
Více5 Časové řady. Definice 16 Posloupnost náhodných veličin {X t, t T } nazveme slabě stacionární, pokud
5 Časové řady Časovou řadou rozumíme posloupnost reálných náhodných veličin X 1,..., X n, přičemž indexy t = 1,..., n interpretujeme jako časové okamžiky. Někdy však uvažujeme i nekonečné posloupnosti
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
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
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
VíceLineární a adaptivní zpracování dat. 1. ÚVOD: SIGNÁLY, ČASOVÉ ŘADY a SYSTÉMY
Lineární a adaptivní zpracování dat 1. ÚVOD: SIGNÁLY, ČASOVÉ ŘADY a SYSTÉMY Daniel Schwarz Investice do rozvoje vzdělávání Osnova Úvodní informace o předmětu Signály, časové řady klasifikace, příklady,
VíceZdánlivá regrese ekonomických
Univerzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCE Magdalena Komzáková Zdánlivá regrese ekonomických ukazatelů Katedra pravděpodobnosti a matematické statistiky Vedoucí diplomové
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
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
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
VíceLineární a adaptivní zpracování dat. 1. ÚVOD: SIGNÁLY a SYSTÉMY
Lineární a adaptivní zpracování dat 1. ÚVOD: SIGNÁLY a SYSTÉMY Daniel Schwarz Investice do rozvoje vzdělávání Osnova Úvodní informace o předmětu Signály, časové řady klasifikace, příklady, vlastnosti Vzorkovací
VíceInovace bakalářského studijního oboru Aplikovaná chemie
http://aplchem.upol.cz CZ.1.07/2.2.00/15.0247 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Regrese Závislostproměnných funkční y= f(x) regresní y= f(x)
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
VíceII. Statistické metody vyhodnocení kvantitativních dat Gejza Dohnal
Základy navrhování průmyslových experimentů DOE II. Statistické metody vyhodnocení kvantitativních dat Gejza Dohnal! Testování statistických hypotéz kvalitativní odezva kvantitativní chí-kvadrát test homogenity,
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
VíceFORUM STATISTICUM SLOVACUM 7/
FORUM STATISTICUM SLOVACUM 7/2012 167 Možnosti testování sezonních jednotkových kořenů demografických časových řad v systému GRETL The possibilities in testing of seasonal unit roots in demographic time
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
VíceLineární a adaptivní zpracování dat. 1. ÚVOD: SIGNÁLY, ČASOVÉ ŘADY a SYSTÉMY
Lineární a adaptivní zpracování dat 1. ÚVOD: SIGNÁLY, ČASOVÉ ŘADY a SYSTÉMY Daniel Schwarz Investice do rozvoje vzdělávání Osnova Úvodní informace o předmětu Signály, časové řady klasifikace, příklady,
VíceEkonometrie. Jiří Neubauer
Úvod do analýzy časových řad Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Úvod do analýzy
VíceSTANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ. J. Pruška, T. Parák
STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ J. Pruška, T. Parák OBSAH: 1. Co je to spolehlivost, pravděpodobnost poruchy, riziko. 2. Deterministický a pravděpodobnostní přístup k řešení problémů.
Více7.3. Diferenciální rovnice II. řádu
Diferenciální rovnice 7 Diferenciální rovnice II řádu Ve stručném přehledu se budeme zabývat výhradně řešením lineárních diferenciálních rovnic II řádu s konstantními koeficienty Obecný tvar: ay + ay +
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
VíceFakulta elektrotechnická. Komponenta pro měření a predikci spotřeby elektrické energie
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta elektrotechnická DIPLOMOVÁ PRÁCE Komponenta pro měření a predikci spotřeby elektrické energie Praha, 2014 Autor: Tomáš Reichl i Poděkování Chtěl bych na tomto
VícePredikce příjmů veřejného zdravotního pojištění Aleš Bělohradský a Zdeněk Štolc. Ministerstvo financí České republiky. Metodické kompendium
metodika, kompendium, predikce, příjmy, veřejné zdravotní pojištění, zaměstnanci, zaměstnavatelé, státní pojištěnec, osoby samostatně výdělečně činné, osoby bez zdanitelných příjmů, regrese, kointegrace,
VíceSEBELOKALIZACE MOBILNÍCH ROBOTŮ. Tomáš Jílek
SEBELOKALIZACE MOBILNÍCH ROBOTŮ Tomáš Jílek Sebelokalizace Autonomní určení pozice a orientace robotu ve zvoleném souřadnicovém systému Souřadnicové systémy Globální / lokální WGS-84, ETRS-89 globální
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická
VíceUniverzita Palackého v Olomouci , Ostrava
Časové řady II Ondřej Vencálek Univerzita Palackého v Olomouci ondrej.vencalek@upol.cz seminář pro VŠB-TUO 2015-03-20, Ostrava Nové kreativní týmy v prioritách vědeckého bádání CZ.1.07/2.3.00/30.0055 Tento
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
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
VíceModelování finančních časových řad pomocí vybraného stochastického modelu
U N I V E R ZI T A P A R D U B I C E FAKULTA EKONOMICKO-SPRÁVNÍ Ú S T A V S Y S TÉMOVÉHO IN ŽE N Ý R S T VÍ A I N F ORMATIKY Modelování finančních časových řad pomocí vybraného stochastického modelu DIPLOMOVÁ
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
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
VíceTématické okruhy pro státní závěrečné zkoušky. Navazující magisterské studium. studijní obor "Management kvality"
Tématické okruhy pro státní závěrečné zkoušky Navazující magisterské studium studijní obor "Management kvality" školní rok 2016/2017 Integrované systémy managementu A 1. Koncepce a principy integrovaných
VíceZměny deformací a napjatosti materiálu v čase (dny, týdny, roky, desetiletí,...) Materiály: beton, dřevo
Časově závislé chování materiálu, díl I. Změny deformací a napjatosti materiálu v čase (dny, týdny, roky, desetiletí,...) Materiály: beton, dřevo Jevy: dotvarování, smršt ování apod. Teorie: viskoelasticita
VíceNormální rozložení a odvozená rozložení
I Normální rozložení a odvozená rozložení I.I Normální rozložení Data, se kterými pracujeme, pocházejí z různých rozložení. Mohou být vychýlena (doleva popř. doprava, nebo v nich není na první pohled vidět
VíceStochastické diferenciální rovnice
KDM MFF UK, Praha Aplikace matematiky pro učitele 15.11.2011 Kermack-McKendrickův model Kermack-McKendrickův model s vakcinací Model pro nemoc s rychlým šířením a krátkou dobou léčby. Příkladem takovéto
VíceUniverzita Karlova v Praze procesy II. Zuzana. Predikce
ne ve Náhodné 1 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze email: praskova@karlin.mff.cuni.cz 23.4.-7.5. 2010 ne ve 1 ne Outline 2 ve ne ve Definice: Nechť H je Hilbertův
VíceČasové řady a jejich periodicita pokračování
Časové řady a jejich periodicita pokračování Jana Klicnarová Katedra aplikované matematiky a informatiky Jihočeská Univerzita v Českých Budějovicích, Ekonomická fakulta 2010 Dekompozice časových řad Jak
VíceÚvod do zpracování signálů
1 / 25 Úvod do zpracování signálů Karel Horák Rozvrh přednášky: 1. Spojitý a diskrétní signál. 2. Spektrum signálu. 3. Vzorkovací věta. 4. Konvoluce signálů. 5. Korelace signálů. 2 / 25 Úvod do zpracování
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
VíceČESKÁ ZEMĚDĚLSKÁ UNIVERZITA V PRAZE PROVOZNĚ
ČESKÁ ZEMĚDĚLSKÁ UNIVERZITA V PRAZE PROVOZNĚ EKONOMICKÁ FAKULTA Katedra ekonomiky Prognostické metody Seminární práce Autor: Miloš Uldrich Cvičící: Ing. Lukáš Čechura, Ph.D. ČT 12:15 (su) 2009 ČZU v Praze
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)=
VíceStatistika II. Jiří Neubauer
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Časová řada konečná posloupnost reálných hodnot určitého sledovaného ukazatele měřeného v určitých
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
Více12. cvičení z PSI prosince (Test střední hodnoty dvou normálních rozdělení se stejným neznámým rozptylem)
cvičení z PSI 0-4 prosince 06 Test střední hodnoty dvou normálních rozdělení se stejným neznámým rozptylem) Z realizací náhodných veličin X a Y s normálním rozdělením) jsme z výběrů daného rozsahu obdrželi
VíceTestování statistických hypotéz
Testování statistických hypotéz Michal Fusek Ústav matematiky FEKT VUT, fusekmi@feec.vutbr.cz 11. přednáška z ESMAT Michal Fusek (fusekmi@feec.vutbr.cz) 1 / 27 Obsah 1 Testování statistických hypotéz 2
VíceFakulta stavební GEOSTATISTIKA. Martin Dzurov, Kristýna Kitzbergerová, Lucie Šindelářová
České Vysoké Učení Technické v Praze Fakulta stavební GEOSTATISTIKA Martin Dzurov, Kristýna Kitzbergerová, Lucie Šindelářová Studijní program: Geoinformatika Vedoucí projektu: Dr. RNDr. Jana Nosková Praha,
VíceIntervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
VíceTématické okruhy pro státní závěrečné zkoušky. Navazující magisterské studium. studijní obor "Management jakosti"
Tématické okruhy pro státní závěrečné zkoušky Navazující magisterské studium studijní obor "Management jakosti" školní rok 2013/2014 Integrované systémy managementu A 1. Koncepce a principy integrovaných
VíceVlastnosti odhadů ukazatelů způsobilosti
Vlastnosti odhadů ukazatelů způsobilosti Jiří Michálek CQR při Ústavu teorie informace a automatizace AV ČR v Praze Úvod Ve výzkumné zprávě č 06 Odhady koeficientů způsobilosti a jejich vlastnosti viz
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNÍHO INŽENÝRSTVÍ ÚSTAV MATEMATIKY FACULTY OF MECHANICAL ENGINEERING INSTITUTE OF MATHEMATICS ANALÝZA A SROVNÁNÍ ČASOVÝCH ŘAD POMOCÍ
VíceIntervalová data a výpočet některých statistik
Intervalová data a výpočet některých statistik Milan Hladík 1 Michal Černý 2 1 Katedra aplikované matematiky Matematicko-fyzikální fakulta Univerzita Karlova 2 Katedra ekonometrie Fakulta informatiky a
VíceStochastické signály (opáčko)
Stochastické signály (opáčko) Stochastický signál nemůžeme popsat rovnicí, ale pomocí sady parametrů. Hodit se bude statistika a pravděpodobnost (umíte). Tohle je jen miniminiminiopáčko, později probereme
VíceKatedra matematické analýzy a aplikací matematiky, Přírodovědecká fakulta, UP v Olomouci
Zpracování dat v edukačních vědách - Testování hypotéz Kamila Fačevicová Katedra matematické analýzy a aplikací matematiky, Přírodovědecká fakulta, UP v Olomouci Obsah seminářů 5.11. Úvod do matematické
VíceIntervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
VíceBeáta Stehlíková Časové rady, FMFI UK, 2013/2014. CvičenievR-kuI.:ARIMAmodely p.1/15
Cvičenie v R-ku I.: ARIMA modely Beáta Stehlíková Časové rady, FMFI UK, 2013/2014 CvičenievR-kuI.:ARIMAmodely p.1/15 Príklad 1: dáta Použité dáta: Počet používatel ov prihlásených na server, dáta po minútach,
Více5 Parametrické testy hypotéz
5 Parametrické testy hypotéz 5.1 Pojem parametrického testu (Skripta str. 95-96) Na základě výběru srovnáváme dvě tvrzení o hodnotě určitého parametru θ rozdělení f(x, θ). První tvrzení (které většinou
VíceLineární modely časových řad a jejich aplikace na vybraných ekonomických problémech
PŘÍRODOVĚDECKÁ FAKULTA UNIVERZITY PALACKÉHO V OLOMOUCI Katedra matematické analýzy a aplikací matematiky školní rok 2012/2013 DIPLOMOVÁ PRÁCE Lineární modely časových řad a jejich aplikace na vybraných
VíceNormální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení popisuje vlastnosti náhodné spojité veličiny, která vzniká složením různých náhodných vlivů, které jsou navzájem nezávislé, kterých je velký
VíceODBORNÉ DOPORUČENÍ ČSpA č.1 STANOVENÍ BEZRIZIKOVÉ VÝNOSOVÉ KŘIVKY
ODBORNÉ DOPORUČENÍ ČSpA č.1 STANOVENÍ BEZRIZIKOVÉ VÝNOSOVÉ KŘIVKY Vydání č.1 schválené dne 7. prosince 2014 Právní normy a směrnice: Zákon č. 363/1999 Sb., o pojišťovnictví, ve znění pozdějších předpisů
VíceTestování statistických hypotéz
Testování statistických hypotéz 1 Testování statistických hypotéz 1 Statistická hypotéza a její test V praxi jsme nuceni rozhodnout, zda nějaké tvrzeni o parametrech náhodných veličin nebo o veličině samotné
Víceletní semestr 2012 Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy Matematická statistika
Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy letní semestr 2012 Opakování t- vs. neparametrické Wilcoxonův jednovýběrový test Opakování
VíceMocninná funkce: Příklad 1
Mocninná funkce: Příklad 1 Zadání: Vyšetřete průběh mocninné funkce. Řešení: 1. Jako první si určíme definiční obor: D(f)=R. 2. Nyní si spočítáme zda je daná funkce sudá nebo lichá: Daná funkce je lichá.
VíceAlternativní způsoby investičního rozhodování u vybraných akciových podílových fondů v ČR
MENDELOVA ZEMĚDĚLSKÁ A LESNICKÁ UNIVERZITA V BRNĚ Fakulta provozně ekonomická Ústav financí Alternativní způsoby investičního rozhodování u vybraných akciových podílových fondů v ČR Karel Urban Vedoucí
VíceMatematika 4 FSV UK, LS Miroslav Zelený
Matematika 4 FSV UK, LS 2017-18 Miroslav Zelený 13. Diferenční rovnice 14. Diferenciální rovnice se separovanými prom. 15. Lineární diferenciální rovnice prvního řádu 16. Lineární diferenciální rovnice
VíceM-estimators. Oct 19th Charles University in Prague, Faculty of Mathematics and Physics. M-estimators. Základní pojmy - připomenutí.
Další Charles University in Prague, Faculty of Mathematics and Physics Oct 19th 2009 Influence Function Pracujeme s parametrickým modelem {F θ } θ Θ, kde Θ R je otevřená konvexní množina. Definice Influence
VíceFJFJ Cvičení 1. Lukáš Frýd
FJFJ Cvičení 1 Lukáš Frýd WAGE1.RAW https://sites.google.com/site/ekonometrievse/4ek214/tyden-03 DATA log wage = β 0 + β 1 educ + β 2 exper + β 3 tenure + ε Jak vypadá výběrová regresní funkce? Interpretace
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cz II. SIGNÁLY ZÁKLADNÍ POJMY SIGNÁL - DEFINICE SIGNÁL - DEFINICE Signál je jev fyzikální, chemické, biologické, ekonomické či jiné
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
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cz @iba.muni.cz,, Kamenice 3, 4. patro, dv.č.424.424 INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz XIV. ANALÝZA
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
Více12. prosince n pro n = n = 30 = S X
11 cvičení z PSI 1 prosince 018 111 test střední hodnoty normálního rozdělení při známém rozptylu Teploměrem o jehož chybě předpokládáme že má normální rozdělení se směrodatnou odchylkou σ = 3 jsme provedli
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
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
Vícez Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin
Příklady k procvičení z Matematické statistiky Poslední úprava. listopadu 207. Konvergence posloupnosti náhodných veličin. Necht X, X 2... jsou nezávislé veličiny s rovnoměrným rozdělením na [0, ]. Definujme
VíceInterval spolehlivosti velký výběr
Interval spolehlivosti velký výběr Z centrální limitní věty vyplývá, že pro n konvergující k nekonečnu, distribuce náhodné proměnné Z (t-průměr) konverguje ke standardnímu normálnímu rozdělení. Nechť X
Víceodpovídá jedna a jen jedna hodnota jiných
8. Regresní a korelační analýza Problém: hledání, zkoumání a hodnocení souvislostí, závislostí mezi dvěma a více statistickými znaky (veličinami). Typy závislostí: pevné a volné Pevná závislost každé hodnotě
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
Vícet-test, Studentův párový test Ing. Michael Rost, Ph.D.
Testování hypotéz: dvouvýběrový t-test, Studentův párový test Ing. Michael Rost, Ph.D. Úvod do problému... Již známe jednovýběrový t-test, při kterém jsme měli k dispozici pouze jeden výběr. Můžeme se
VíceTestování hypotéz testy o tvaru rozdělení. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistickou hypotézou se rozumí určité tvrzení o parametrech rozdělení zkoumané náhodné veličiny (µ, σ 2, π,
VíceDiferenˇcní rovnice Diferenciální rovnice Matematika IV Matematika IV Program
Program Diferenční rovnice Program Diferenční rovnice Diferenciální rovnice Program Frisch a Samuelson: Systém je dynamický, jestliže jeho chování v čase je určeno funkcionální rovnicí, jejíž neznámé závisí
VíceCvičení 5 - Inverzní matice
Cvičení 5 - Inverzní matice Pojem Inverzní matice Buď A R n n. A je inverzní maticí k A, pokud platí, AA = A A = I n. Matice A, pokud existuje, je jednoznačná. A stačí nám jen jedna rovnost, aby platilo,
VíceU Úvod do modelování a simulace systémů
U Úvod do modelování a simulace systémů Vyšetřování rozsáhlých soustav mnohdy nelze provádět analytickým výpočtem.často je nutné zkoumat chování zařízení v mezních situacích, do kterých se skutečné zařízení
Více3 Bodové odhady a jejich vlastnosti
3 Bodové odhady a jejich vlastnosti 3.1 Statistika (Skripta str. 77) Výběr pořizujeme proto, abychom se (více) dověděli o souboru, ze kterého jsme výběr pořídili. Zde se soustředíme na situaci, kdy známe
Více