Přepoklady KLM a Gauss Markov teorém. Blue odhad - GM. KLM Klasický lineární model. 1) Lineární v parametrech. 2) E ε = 0
|
|
- František Liška
- před 7 lety
- Počet zobrazení:
Transkript
1 Heteroskedasticita
2 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)= 0 4) Není dokonalá multikolinearita 5) Var( ȁ ε X) = σ I 6) ε~n(0, σ ) 3) X je nestochastická (nenáhodná) matice 4) Není dokonalá multikolinearita - X má plnou hodnost 5) E εε = σ I 6) ε~n(0, σ )
3 Homoskedasticita Podmíněný rozptyl je konstatní Heteroskedasticita Podmíněný rozptyl NENÍ konstatní Var ȁ ε x = σ I Rozptyl ε, který je dán x, se nemění v závislosti se změnami x Rozptyl y, který je dán x, se nemění v závislosti se změnami x Platí Var ε i ȁx i = Var y i ȁx i = σ Rozptyl ε, který je dán x, se mění v závislosti se změnami x Rozptyl y, který je dán x, se mění v závislosti se změnami x Var ε i ȁx i = σ i wage Var( ε i ȁedu i ) = σ Podmíněný rozptyl náhodné složky se bude měnit v závislosti na hodnotě nezávislé proměnné (x) wage edu edu
4 Jak se mění rozptyl y, když se mění (roste) x? f( yȁx) y E( yȁx) = β 0 + β 1. x x 1 x x
5 Jak se mění rozptyl y, když se mění (roste) x? f( yȁx) y E( yȁx) = β 0 + β 1. x x 1 x x 3 x
6 5) E εε = σ I 5) Var( ȁ ε X) = σ I Var ε = E εε = E ε 1 ε. ε 1 ε ε 3 = ε 3 Var ȁ ε X = E ȁ εε X = E ε 1 ε. ε 1 ε ε 3 X = ε 3 = E ε 1 ε 1 ε 1 ε ε 1 ε 3 ε ε 1 ε ε ε ε 3 = ε 3 ε 1 ε 3 ε ε 3 ε 3 = E ε 1 ε 1 ε 1 ε ε 1 ε 3 ε ε 1 ε ε ε ε 3 ȁx = ε 3 ε 1 ε 3 ε ε 3 ε 3 E(ε 1 ε 1 ȁx) E(ε 1 ε ȁx) E(ε 1 ε 3 ȁx) E(ε ε 1 ȁx) E(ε ε ȁx) E(ε ε 3 ȁx) E(ε 3 ε 1 ȁx) E(ε 3 ε ȁx) E(ε 3 ε 3 ȁx) = E(ε 1 ε 1 ) E(ε 1 ε ) E(ε 1 ε 3 ) E(ε ε 1 ) E(ε ε ) E(ε ε 3 ) E(ε 3 ε 1 ) E(ε 3 ε ) E(ε 3 ε 3 ) σ σ 0 = σ 0 0 σ = σ I Nebudeme předpokládat autokorelaci Prvky mimo diagonálu budou =0
7 5) E εε = σ I Var(b) = Var(β + X X 1 X ϵ) 5) Var( ȁ ε X) = σ I Var b X = Var β + X X 1 X ϵ X Var b = Var[ X X 1 X ϵ] Var b X = Var X X 1 X ϵ X Var(b) = X X 1 X Var(ε) X X 1 X Var b X = X X 1 X Var ϵ X X X 1 X Var(b) = X X 1 X Var(ε)X X X 1 Var b = X X 1 X σ I X X X 1 X X 1 X X = I σ konstanta, lze vytknout před Var b = σ X X 1 Var b X = X X 1 X Var ϵ X X X X 1 Var b = X X 1 X σ I X X X 1 X X 1 X X = I σ konstanta, lze vytknout před Var b = σ X X 1 Pro nás reálnější předpoklad, že X je náhodná matice Můj osobní názor je, že se to pak dá i lépe pochopit Proto budu pracovat s podmíněným rozptylem, závěry jsou však stejné
8 Porušené klasického lineárního modelu heteroskedasticita Var ȁ ε X = E ȁ εε X = E ε 1 ε. ε 1 ε ε n X = ε n = E ε 1 ε 1 ε 1 ε ε 1 ε n ε ε 1 ε ε ε ε n ȁx = ε n ε 1 ε n ε ε n ε n E(ε 1 ε 1 ȁx) E(ε 1 ε ȁx) E(ε 1 ε n ȁx) E(ε ε 1 ȁx) E(ε ε ȁx) E(ε ε n ȁx) E(ε n ε 1 ȁx) E(ε n ε ȁx) E(ε n ε n ȁx) = σ σ σ n = V Var ε i ȁx i = σ i = E ε 1 ε 1 ε 1 ε ε 1 ε 3 ε ε 1 ε ε ε ε 3 ȁx = ε 3 ε 1 ε 3 ε ε 3 ε 3 σ σ σ 3 = V
9 b OLS = X X 1. X y = X X 1. X Xβ + ε = β + X X 1. X ε Var ȁ b OLS X = X X 1. X. Var εȁx. X. X X 1 σ σ σ n = V Var ε X = V Var ε X = σ I Var b OLS ȁx = X X 1. X. V. X. X X 1 Var b = X X 1 X σ I X X X 1 Var b hetero = X X 1 X V X X X 1 Var b OLS ȁx = σ X X 1 Var b homo = σ X X 1 OLS již není BLUE
10 Porušené klasického lineárního modelu heteroskedasticita Var(b) = X X 1 X Var(ε)X X X 1 Var(ε) σ I Var b X = X X 1 X Var ϵ X X X X 1 Var ϵ X σ I Var(b) σ X X 1 Var b X σ X X 1 b j t = sd b j KOVARIANČNÍ MATICE 5) Var( ȁ ε X) = σ I 5) Var(ε) = σ I Var b X = σ X X 1 Var b = σ X X 1 NEPLÉST
11 Důsledky heteroskedasticity Var(b) σ X X 1 Odhad rozptylu bodového odhadu (b) je zkreslený Var b j σn i=1 σ ε x ij xҧ (1 R j ) Nelze použít t-test, F-test, LM-test Konfidenční intervaly t = b j sd b j Var b j σn i=1 σ ε x ij xҧ (1 R j ) NEMÁ DOPAD NA ODHAD PARAMETRŮ β NEOVLIVNÍ ZKRESLENOST/NEZKRESLENOST pro konečný počet pozorování Pro velký počet pozorování large sample nemá vliv na konzistenci odhadu OLS odhad již není BLUE má vliv na vydatnost odhadu Tím, že pozoruje určitý vzorec jak residua (náhodná složka) např. rostou tak jsme nepostihli všechny informace v modelu a proto nemůže být BLUE (best) Bude jiný lepší (BLUE) estimator, který postihne tuto informaci Pro large sample velký počet pozorování Var b j nebude ani asymptoticky vydatny
12 Heteroskedasticita v průřezových datech Rozptyl náhodné složky, bude funkcí nezávislé (nezávislých) proměnných Var ȁ ε x = Var ȁ y x ε~n 0, σ I Var ε i ȁx i = σ i sav = β 0 + β 1 inc + ε Homoskedasticita Var ε inc = σ Var ε i ȁinc i = σ Var Var ȁ ε i x i = σ h(x i ) ȁ ε X = σ h(x) Heteroskedasticita Var ε inc = σ. h(inc) Var sav inc = σ. h(inc) Var ε i ȁ inc i = σ i sav S rostoucím příjmem roste variabilita úspor např. více možností S rostoucím vzděláním roste možnost uplatnění a tedy i mezd inc
13 Var ε x = σ. h(x) E ε X = σ. h(x) Var ȁ ε X = E ε 1 ε 1 ε ε 1 ε 3 ε ε 1 ε ε ε 3 ቮ ε 3 ε 1 ε 3 ε ε 3 X = E[ε 1 หX] E[ ε ε 1 ȁx] ȁ E[ε 3 ε 1 X] ȁ E[ε 1 ε X] E[ε หX] ȁ E[ε 3 ε X] ȁ E[ε 1 ε 3 X] ȁ E[ε ε 3 X] E[ε 3 หX] = E[ε 1 หX] E[ε หX] E[ε 3 หX] = σ. Ω Ω = h(x) h(x) h(x) Ω = h(inc) h(inc) h(inc)
14 sav = β Var εȁinc = σ 0 + β 1 inc + ε h(x) Var ε i ȁx i Víme = σ inc i S rostoucím příjmem roste variabilita úspor např. více možností Var ȁ ε X = E ε 1 ε 1 ε ε 1 ε 3 ε ε 1 ε 3 ε ε 3 ቮ ε 3 ε 1 ε 3 ε ε 3 inc = E[ε 1 หinc] E[ε หinc] E[ε 3 หinc] = = σ inc inc inc 3 Ω = h(inc) h(inc) h(inc) Ω = inc inc inc 3
15 Víme sav = β Var εȁinc = σ 0 + β 1 inc + ε h(x) Var ε i ȁx i = σ inc i S rostoucím příjmem roste variabilita úspor např. více možností Var ȁ ε X = E ε 1 ε 1 ε ε 1 ε 3 ε ε 1 ε 3 ε ε 3 ቮ ε 3 ε 1 ε 3 ε ε 3 inc = E[ε 1 หinc] E[ε หinc] E[ε 3 หinc] = = σ 0 inc 0 inc inc 3 Ω = h(inc) h(inc) h(inc) Ω = inc inc inc 3
16 b OLS = X X 1. X y = X X 1. X Xβ + ε = β + X X 1. X ε E[ε 1 หX] 0 0 Var ȁ b OLS X = X X 1. X. Var εȁx. X. X X 1 0 E[ε หX] E[ε 3 หX] = σ. Ω Var ε X = σ Ω Var ε X = σ I Ω = h(x) h(x) h(x) Var b OLS ȁx = X X 1. X. σ Ω. X. X X 1 Var b = X X 1 X σ I X X X 1 Var b hetero = σ X X 1 X Ω X X X 1 Var b OLS ȁx = σ X X 1 Var b homo = σ X X 1 OLS již není BLUE
17 Var ȁ ε x = Var ȁ y x Var ε x = σ Var sav inc = σ Var ε inc = σ y ε, e Homoskedasticita x x ε, e ε, e σ x, y x, y
18 Var ȁ ε x = Var ȁ y x y Var ε x = σ. h(x) ε, e Var sav inc = σ. h(inc) Var ε inc = σ. h(inc) Heteroskedasticita x x Nejprve předpokládejme, že známe h(x) h x = x Var ε x = σ. x ε, e ε, e h x = x Var ε x = σ. x h x = e x Var ε x = σ. e x x, y x, y
19 Příčiny existence heteroskedasticity Průřezová data Značně odlišné hodnoty v jednom modelu - outlier Variabilita závislé proměnné (y) závisí na některé nezávislé proměnné (x) Chybná specifikace modelu Vynechání důležité nezávislé proměnné Nevhodná funkční forma modelu log(wage) = β 0 + β 1 educ + ε wage = β 0 + β 1 educ + ε Chyby v měření S rostoucí hodnotou endogenní proměnné dochází ke kumulaci chyb měření to zvyšuje rozptyl endogenní proměnné a tedy i rozptyl reziduí
20 Přestože se dá usuzovat, že přímka proloží data nejlépe Po zobrazení residuí pozorujeme vzorec v residuích Zakřivení, trend atd. Uděláme log-transformaci, odmocninu Jak poznat kterou použít? Někdy matematická logika, ekonomická teorie A někdy prostě pokus/omyl Porovnat podle R - který lineární vztah je silnější pozor na rozdílné tvary závislé proměnné!!
21 brain = β 0 + β 1 weight + ε log brain = β 0 + β 1 log weight + ε
22 wage = β 0 + β 1 educ + ε log(wage) = β 0 + β 1 educ + ε
23 Var ε x = σ. h(x) Na ose y je hodnota vygenerované náhodné veličiny, ne její rozptyl!
24 Var ε x = σ. h(x)
25 Parametrické vs. Neparametrické testy Parametrické testy Známe (předpokládáme) konkrétní rozdělení základního souboru Park test Breusch-Pagan test (BP) Glejser test White test Neparametrické testy Neznáme konkrétní rozdělení základního souboru Spearman test korelace pořadí Goldfeld-Quandt test
26 Testování heteroskedasticity-parametrické testy Základní myšlenka ovlivňují nezávislé (X) proměnné rozptyl náhodné složky? y = β 0 + β 1. x 1 + β. x + + β k. x k + ε H0: Var ε x 1, x,, x k = σ H0: Var ε X = σ Var ε X = E(ε ȁx) = E ε = σ Var X = E X E X Var ε X = E ε X E ε X Reg.fce ε = γ 0 + γ 1. x 1 + γ. x + + γ k. x k + v H0: γ 1 = γ = = γ k = 0 γ 0 = σ H1: neplatí H0 F-test/LM test
27 Breusch-Pagan test Nepozorujeme náhodnou složku ε = γ 0 + γ 1. x 1 + γ. x + + γ k. x k + v H0: γ 1 = γ = = γ k = 0 H1: neplatí H0 H0: homoskedasticita H1: heteroskedasticita F-test/LM test e = γ 0 + γ 1. x 1 + γ. x + + γ k. x k + v LM = n. R e ~χ (k) při platnosti H0 málm asymptotické chi kvadrát rozdělení s k stupni volnosti Nevýhoda postihuje pouze lineární vztahy Rozptyl náhodné složky může záviset na X, X
28 White test Pro BP test jsme si řekli, že nepostihne nelineární vztah mezi rozptylem náhodné složky a X Jedno z možných řešení White test y = β 0 + β 1. x 1 + β. x + β 3. x 3 + ε Pomocná regrese x i x j kdy i j cross products e = α 0 + α 1 x 1 + α x + α 3 x 3 + α 4 x 1 + α 5 x + α 6 x 3 + α 7 x 1 x + α 8 x 1 x 3 + α 9 x x 3 + v Využití F testu, nebo LM testu H0: homoskedasticita H1: heteroskedasticita n. R ~χ (k) V případě více proměnných Snížený počet stupňů volnosti 10 x a 30 pozorování
29 V případě více proměnných snížený počet stupňů volnosti -10 x a 30 pozorování e = α 0 + α 1 y + α y + v H0: α 1 = α = 0 H1: neplatí H0 Postup: 1) Odhadnu rovnici a získám residua (e) a nafitované hodnoty y ) Pomocná regrese z kvadrátů residuí na nafitované hodnoty + jejich kvadráty 3) Vyhodnotím pomocí LM/F-testu Test lze využít i pro testování zvoleného funkčního tvaru
30 Glejser test Princip podobný jako u BP testu Má nezávislá proměnná vliv na kvadrát residuí Zde na residua v absolutní hodnotě Výhoda testu Můžeme testovat různé formy heteroskedasticity Různé funkční závislosti Vyhodnotíme na základě adjr Odhadneme pomocí MNČ e = β 0 + β 1 x + v e = β 0 + β 1 x + v e = β 0 + β 1 1 x + v e = β 0 + β 1 1 x + v H0: β 1 = 0 H1: β 1 0 homoskedasticita heteroskedasticita Jedná se o t-test
31 Heteroskedasticity-Robust inference Rozptyl bodobého odhadu (b) je v případě heteroskedasticity zkreslený Nemůžeme použít t,f,lm test, ani spoléhat na jejich asymptotické chování Potřebujeme takový odhad rozptylu, který nebude citlivý na přítomnost heteroskedasticity Říkáme, že bude robustní vůči heteroskedasticitě Například White dokázal, že pro velký počet pozorování je n Var(b 1 ) = σ i=1 σn i=1 x i xҧ e i x i xҧ Var(b 1 ) = σn i=1 σ x i xҧ Konzistentním odhadem rozptylu Můžeme tak použít t-test Pamatovat, že se však jedná o asymptotickou vlastnost t-test má pouze asymptotické t-rozdělení, F test má pouze asymptotické F rozdělení heteroskedastic robust t,lm-statistic Při malém počtu pozorování můžeme být úplně mimo Robustní odhad chyb může být větší i menší, než klasický odhad Nemusíme znát přesný tvar heteroskedasticity
32 White robust estimator Var(b 1 ) = σ n i=1 x i xҧ e i SST x Pro případ velkých výběrů je daný odhad robustní Přestože je v datech obsažena heteroskedasticita y = Xβ + ε e i residua z OLS nepozorujeme ε, tedy ani σ musíme odhadnout b = X X 1 X y b = β + X X 1 X ε Var b = X X 1 X Var(ε) X X X 1 Var b = X X 1 σ i x i x i X X 1 n i=1 n σ i x i x i i=1 Proč automaticky nevyužíváme tento robustní odhad? Asymptotické vlastnosti testů! V případě, kdy nebude přítomna heteroskedasticita A náhodná složka bude mít normální rozdělení t-test má právě studentovo rozdělení Var b = X X 1 n e i x i x i X X 1 V případě použití robustního odhadu chyb Bude mít t-test pouze asymptoticky studentovo rozdělení i=1
33 Autokorelace
34 6) Náhodné chyby jsou nekorelovaná mezi sebou E ε i ε j = 0 Corr ε i, ε j ȁx = 0 kdy i j Problém v časových řadách Náhodná chyba v čase (t), ovlivní náhodnou chybu v čase (t+1) Nezaměstnanost, HDP v 000 má vliv na HDP v 001 Corr ε i, ε j Chování souseda ovlivní další sousedy Dopad na OLS odhad: Obdobné jako heteroskedasticita Odhad parametrů stále nezkreslený a konzistentní (po splnění 1-4GM) Odhad rozptylu náhodné složky zkreslený Problém s testováním hypotéz = 0 kdy i j y y = β 0 + β 1 t + ε t
35 Dynamický charakter ekonomických veličin Minulost má dopad na přítomnost (budoucnost) Daný proces má paměť Dlouhou vs. Krátkou AR proces HDP t = γ 0 + γ 1 HDP t γ 13 HDP t 1 + v t v t ~N(0, σ v ) Dynamický charakter zajistí Zpožděná závisle proměnná (y) Zpožděná nezávisle proměnná(é) Zpožděná náhodná složka (ε)
36 Zpožděná náhodná složka Faktory obsažené v náhodné složce v čase t, závisí na předchozí(ch) hodnotě(ách) náhodné složky ε t = ρ 1 ε t 1 + v t ρ 1 koeficient autokorelace (parametr) Autokorelace není závislost mezi dvěma a více proměnnými Ale jedná se o závislost mezi různými hodnotami JEDNÉ proměnné Zde náhodné složky ε t = ρ 1 ε t 1 + v t v t ~N(0, σ v ) ρ 1 < 1 autokorelační koeficient Daný proces má paměť Dlouhou vs. Krátkou ε t = ρ 1 ε t 1 + ρ ε t + + ρ j ε t j + v t y t = β 0 + β 1 x t + ε t ε t = ρ 1 ε t 1 + v t V průřezových datech mluvíme o prostorové autokorelaci
37 ε t = 0,9ε t 1 + v t ε t = 0,9ε t 1 + v t v t Znalost náhodné složky v konkrétním okamžiku, nám pomůže určit hodnotu náhodné složky v následujícím kroku
38 ε, e ε, e ε, e t t t ε, e ε, e ε, e t t t
39 Var ȁ ε X = E ȁ εε X = E ε 1 ε. ε 1 ε ε 3 X = E ε 3 ε 1 ε 1 ε 1 ε ε 1 ε 3 ε ε 1 ε ε ε ε 3 ȁx = ε 3 ε 1 ε 3 ε ε 3 ε 3 = E(ε 1 ε 1 ȁx) E(ε 1 ε ȁx) E(ε 1 ε 3 ȁx) E(ε ε 1 ȁx) E(ε ε ȁx) E(ε ε 3 ȁx) E(ε 3 ε 1 ȁx) E(ε 3 ε ȁx) E(ε 3 ε 3 ȁx) = seriová závislost/nezávislost = Var(ε 1 ) Cov(ε 1, ε ) Cov(ε 1, ε 3 ) Cov(ε, ε 1 ) Var(ε ) Cov(ε, ε 3 ) Cov(ε 3, ε 1 ) Cov(ε 3, ε ) Var(ε 3 ) σ σ 0 = σ I 0 0 σ = σ Cov(ε 1, ε ) Cov(ε 1, ε 3 ) Cov(ε, ε 1 ) σ Cov(ε, ε 3 ) Cov(ε 3, ε 1 ) Cov(ε 3, ε ) σ Cov ε, ε 1 = ε. ε 1 = 0 ε t = ρ 1 ε t 1 + v t
40 Var ȁ ε X = E ȁ εε X = E ε 1 ε. ε 1 ε ε n X = ε n = E ε 1 ε 1 ε 1 ε ε 1 ε n ε ε 1 ε ε ε ε n ȁx = ε n ε 1 ε n ε ε n ε n E(ε 1 ε 1 ȁx) E(ε 1 ε ȁx) E(ε 1 ε n ȁx) E(ε ε 1 ȁx) E(ε ε ȁx) E(ε ε n ȁx) E(ε n ε 1 ȁx) E(ε n ε ȁx) E(ε n ε n ȁx) E(ε 1 ε ȁx) E(ε 1 ε n ȁx) Budeme rovnou uvažovat případ časových řad Jaký vztah je mezi náhodnou složkou v čase t a t-1 Jaký vztah je mezi náhodnou složkou v čase t a t-n ε t = ρ 1 ε t 1 + v t ε t = ρ 1 ε t 1 + ρ ε t + + ρ n ε t n + v t Bude záviset na řádu autokorelace
41 Příčiny vzniku Setrvačnost ekonomických veličin (paměť) HDP, export, import, volatilita, Zpožděná vysvětlující nezahrnutí zpožděných jak exogenních (X), tak endogenní proměnné (y) Chybná specifikace modelu Použijeme lineární model na nelineární vztah ukaž Chyby v měření Vynechaná důležitá nezávisle proměnná
42 Dopad na OLS odhad: Obdobné jako heteroskedasticita Odhad parametrů stále nezkreslený a konzistentní (po splnění 1-4GM) Odhad rozptylu náhodné složky zkreslený ε~n(0, σ ) Dopad na rozptyl bodových odhadů (b) Tím pádem i na t-test, F-test, LM test Var b je zkreslený Odhady již nejsou BLUE nejsou již vydatné (minimální rozptyl) Pro large sample ani asymptoticky vydatné
43 y t = β 0 + β 1 x t + ε t ε t = ρε t 1 + v t v t ~i. i. d. (0, σ v ) ρ < 1 b = β + X X 1 X ε E(b) = β + E X X 1 X ε E(b) = β + X X 1 X E(ε) Var b X = Var β + X X 1 X ϵ X Var b X = Var X X 1 X ϵ X Var b X = X X 1 X Var ϵ X X X X 1 Var b = X X 1 X σ I X X X 1 Var b = σ X X 1 Var b = X X 1 X σ Ω X X X 1
44 Testování autokorelace ε t = ρε t 1 + v t v t ~i. i. d. (0, σ v ) ρ < 1 autokorelační koeficient H0: ρ = 0 není sériová korelace H1: ρ 0 serivoá korelace Durbin-Watson Test-DW přísné podmínky použití Striktní exogenita nezávislých proměnných (nejsou ve zpoždění) Pouze pro autokorelaci prvního řádu Model obsahuje úrovňovou konstantu
45 Durbin-Watson Test-DW přísné podmínky použití Striktní exogenita nezávislých proměnných (nejsou ve zpoždění) Pouze pro autokorelaci prvního řádu Model obsahuje úrovňovou konstantu H0: ρ = 0 není sériová korelace H1: ρ 0 seriová korelace DW = σ n t= e t e t 1 σn t=1 e t DW. (1 ρ) H0: DW = H1: DW ρ = 0 DW ρ > 0 DW < ρ < 0 DW > okolí 4 negativní autokorelace okolí 0 pozitivní autokorelace okolí bez autokorelace DW statistika má symetrické rozdělení <0,4> se střední hodnotou = Závisí na: n-počet pozorování k-počet vysvětlujících proměnných Alfa-hladině významnosti
46 Problematické určení rozdělení DW pro H0 Máme kritické hodnoty d L dolní a d U horní DW < d L zamítneme H0 pro H1: ρ > 0 DW > d U Nezamítneme H0 d L DW d U neprukazný DW je z intervali 0, d L nebo 4 d L, 4 významná autokorelace DW je z intervali d U, 4 d U NEvýznamná autokorelace DW jinak, test je neprůkazný
47 Testy pro vyšší řády autokorelace house price = β 0 + β 1 GDP + ε ε t = ρ 1 ε t 1 + ρ ε t + ρ j ε t j + v t e t = ρ 1 e t 1 + ρ e t + ρ 3 e t 3 + ρ 4 e t 4 + v t H0: ρ 1 = ρ = ρ 3 = ρ 4 = 0 H1: neplatí H0
4EK211 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
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,
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
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)
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 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 Predikce Multikolinearita Cvičení 4 Zuzana Dlouhá Aplikace EM predikce obecně ekonomické prognózování, předpověď, předvídání hlavním cílem je odhad hodnot vysvětlované proměnné
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
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
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
VíceTestování hypotéz o parametrech regresního modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model kde Y = Xβ + e, y 1 e 1 β y 2 Y =., e = e 2 x 11 x 1 1k., X =....... β 2,
VíceTestování hypotéz o parametrech regresního modelu
Testování hypotéz o parametrech regresního modelu Ekonometrie Jiří Neubauer Katedra kvantitativních metod FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra UO
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 5 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
VícePRAVDĚPODOBNOST A STATISTIKA
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
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
Více4EK211 Základy ekonometrie
4EK Základy ekonometrie Odhad klasického lineárního regresního modelu II Cvičení 3 Zuzana Dlouhá Klasický lineární regresní model - zadání příkladu Soubor: CV3_PR.xls Data: y = maloobchodní obrat potřeb
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Definice lineárního normálního regresního modelu Lineární normální regresní model Y β ε Matice n,k je matice realizací. Předpoklad: n > k, h() k - tj. matice je plné hodnosti
Více6. Lineární regresní modely
6. Lineární regresní modely 6.1 Jednoduchá regrese a validace 6.2 Testy hypotéz v lineární regresi 6.3 Kritika dat v regresním tripletu 6.4 Multikolinearita a polynomy 6.5 Kritika modelu v regresním tripletu
VíceRegresní analýza. Eva Jarošová
Regresní analýza Eva Jarošová 1 Obsah 1. Regresní přímka 2. Možnosti zlepšení modelu 3. Testy v regresním modelu 4. Regresní diagnostika 5. Speciální využití Lineární model 2 1. Regresní přímka 3 nosnost
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie LS 2014/15 Cvičení 4: Statistické vlastnosti MNČ LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Upřesnění k pojmům a značení
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
VíceZOBECNĚNÝ LINEÁRNÍ REGRESNÍ MODEL. METODA ZOBECNĚNÝCH NEJMENŠÍCH ČTVERCŮ
ZOBECNĚNÝ LINEÁRNÍ REGRESNÍ MODEL. METODA ZOBECNĚNÝCH NEJMENŠÍCH ČTVERCŮ V následujícím textu se podíváme na to, co dělat, když jsou porušeny některé GM předpoklady. Nejprve si připomeňme, o jaké předpoklady
VíceLINEÁRNÍ REGRESE. Lineární regresní model
LINEÁRNÍ REGRESE Chemometrie I, David MILDE Lineární regresní model 1 Typy závislosti 2 proměnných FUNKČNÍ VZTAH: 2 závisle proměnné: určité hodnotě x odpovídá jediná hodnota y. KORELACE: 2 náhodné (nezávislé)
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
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
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
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
VíceEKONOMETRIE 9. přednáška Zobecněný lineární regresní model
EKONOMETRIE 9. přednáška Zobecněný lineární regresní model Požadavky (některé) pro odhad LRM klasickou MNČ nejsou zpravidla splněny. Použití metody nejmenších čtverců nemusí poskytovat kvalitní odhady
VíceZáklady ekonometrie. V. Uvolnění klasických předpokladů heteroskedasticita. Základy ekonometrie (ZAEK) V. Heteroskedasticita Podzim / 56
Základy ekonometrie V. Uvolnění klasických předpokladů heteroskedasticita Základy ekonometrie (ZAEK) V. Heteroskedasticita Podzim 2015 1 / 56 Obsah tématu 1 Nenulová střední hodnota náhodné složky 2 Nenormalita
VíceIlustrační příklad odhadu LRM v SW Gretl
Ilustrační příklad odhadu LRM v SW Gretl Podkladové údaje Korelační matice Odhad lineárního regresního modelu (LRM) Verifikace modelu PEF ČZU Praha Určeno pro posluchače předmětu Ekonometrie Needitovaná
VíceKorelační a regresní analýza
Korelační a regresní analýza Analýza závislosti v normálním rozdělení Pearsonův (výběrový) korelační koeficient: r = s XY s X s Y, kde s XY = 1 n (x n 1 i=0 i x )(y i y ), s X (s Y ) je výběrová směrodatná
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
VíceUniverzita Pardubice SEMESTRÁLNÍ PRÁCE. Tvorba lineárních regresních modelů. 2015/2016 RNDr. Mgr. Leona Svobodová, Ph.D.
Univerzita Pardubice SEMESTRÁLNÍ PRÁCE Tvorba lineárních regresních modelů 2015/2016 RNDr. Mgr. Leona Svobodová, Ph.D. Úloha 1 Porovnání regresních přímek u jednoduchého lineárního regresního modelu Porovnání
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
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
VíceINDUKTIVNÍ STATISTIKA
10. SEMINÁŘ INDUKTIVNÍ STATISTIKA 3. HODNOCENÍ ZÁVISLOSTÍ HODNOCENÍ ZÁVISLOSTÍ KVALITATIVNÍ VELIČINY - Vychází se z kombinační (kontingenční) tabulky, která je výsledkem třídění druhého stupně KVANTITATIVNÍ
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
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
VícePravděpodobnost a aplikovaná statistika
Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 2. KAPITOLA PODMÍNĚNÁ PRAVDĚPODOBNOST 3. KAPITOLA NÁHODNÁ VELIČINA 9.11.2017 Opakování Uveďte příklad aplikace geometrické definice pravděpodobnosti
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
VíceHeteroskedasticita. Vysoká škola ekonomická Praha. Fakulta informatiky a statistiky. Katedra statistiky a pravděpodobnosti
Vysoká škola ekonomická Praha Fakulta informatiky a statistiky Katedra statistiky a pravděpodobnosti Hlavní specializace : Statisticko-pojistné inženýrství Název diplomové práce: Heteroskedasticita školní
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regresní analýza - motivace Základní úlohou regresní analýzy je nalezení vhodného modelu studované závislosti. Je nutné věnovat velkou pozornost tomu aby byla modelována REÁLNÁ
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
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 10 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 7 Jak hodnotit vztah spojitých proměnných
Více6. Lineární regresní modely
6. Lineární regresní modely 6.1 Jednoduchá regrese a validace 6.2 Testy hypotéz v lineární regresi 6.3 Kritika dat v regresním tripletu 6.4 Multikolinearita a polynomy 6.5 Kritika modelu v regresním tripletu
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)
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
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
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
VíceTomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není
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
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
VícePravděpodobnost a statistika, Biostatistika pro kombinované studium. Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz.
Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2015/2016 Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz Jan Kracík jan.kracik@vsb.cz Obsah: Výběrová rozdělení
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
VícePřednáška II. Lukáš Frýd
Předáška II Lukáš Frýd ҧ ҧ Statistické vlastosti odhadu pomocí metody ejmeších čtverců b 1 iid(μ, σ ) ε~iid(0, σ ) b 1 = β 1 + σ i=1 x i x. ε x i xҧ σ i=1 Var b 1 = Var β 1 + σ i=1 x i x. ε i x i xҧ σ
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 2014/15 Cvičení 5: Vícenásobná regrese, multikolinearita LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Jednoduchá
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
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
VíceSTATISTICKÉ ZJIŠŤOVÁNÍ
STATISTICKÉ ZJIŠŤOVÁNÍ ÚVOD Základní soubor Všechny ryby v rybníce, všechny holky/kluci na škole Cílem určit charakteristiky, pravděpodobnosti Průměr, rozptyl, pravděpodobnost, že Maruška kápne na toho
VíceKalibrace a limity její přesnosti
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie Licenční studium GALILEO a limity její přesnosti Seminární práce Monika Vejpustková leden 2016 OBSAH Úloha 1. Lineární kalibrace...
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
VícePSY117/454 Statistická analýza dat v psychologii seminář 9. Statistické testování hypotéz
PSY117/454 Statistická analýza dat v psychologii seminář 9 Statistické testování hypotéz Základní výzkumné otázky/hypotézy 1. Stanovení hodnoty parametru =stanovení intervalu spolehlivosti na μ, σ, ρ,
VíceTESTOVÁNÍ HYPOTÉZ STATISTICKÁ HYPOTÉZA Statistické testy Testovací kritérium = B B > B < B B - B - B < 0 - B > 0 oboustranný test = B > B
TESTOVÁNÍ HYPOTÉZ Od statistického šetření neočekáváme pouze elementární informace o velikosti některých statistických ukazatelů. Používáme je i k ověřování našich očekávání o výsledcích nějakého procesu,
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
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
VíceTomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není
VíceCross-section pozorování Firma, člověk Časový úsek
Pooled data y = Xβ + ε Cross-section pozorování Firma, člověk ds = αsdt + σsdw Časový úsek Základní soubor Výběrový soubor Základní soubor Je Proces 1 konkrétní realizace Co sledovat firmu(y), osobu(y)
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
VícePSY117/454 Statistická analýza dat v psychologii přednáška 8. Statistické usuzování, odhady
PSY117/454 Statistická analýza dat v psychologii přednáška 8 Statistické usuzování, odhady Výběr od deskripce k indukci Deskripce dat, odhad parametrů Usuzování = inference = indukce Počítá se s náhodným
VíceUrčujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru.
1 Statistické odhady Určujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru. Odhad lze provést jako: Bodový odhad o Jedna číselná hodnota Intervalový
VícePraktikum z ekonometrie Panelová data
Praktikum z ekonometrie Panelová data Jan Zouhar Katedra ekonometrie, FIS VŠE v Praze, zouharj@vse.cz 9. května 2014 1 Terminologie a značení Sledujeme-li pro všechny průřezové jednotky stejná časová období,
VíceSTATISTICKÉ HYPOTÉZY
STATISTICKÉ HYPOTÉZY ZÁKLADNÍ POJMY Bodové/intervalové odhady Maruška řešila hodnoty parametrů (průměr, rozptyl atd.) Zde bude Maruška dělat hypotézy (předpoklady) ohledně parametrů Z.S. Výsledek nebude
VíceStatistická analýza dat v psychologii. Věci, které můžeme přímo pozorovat, jsou téměř vždy pouze vzorky. Alfred North Whitehead
PSY117/454 Statistická analýza dat v psychologii Přednáška 8 Statistické usuzování, odhady Věci, které můžeme přímo pozorovat, jsou téměř vždy pouze vzorky. Alfred North Whitehead Barevná srdíčka kolegyně
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
VíceZávislost obsahu lipoproteinu v krevním séru na třech faktorech ( Lineární regresní modely )
Úloha M608 Závislost obsahu lipoproteinu v krevním séru na třech faktorech ( Lineární regresní modely ) Zadání : Při kvantitativní analýze lidského krevního séra ovlivňují hodnotu obsahu vysokohustotního
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
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
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
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).
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
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 9 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2015/16 Cvičení 6: Multikolinearita, umělé proměnné LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Otevřete si data z
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
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
VíceBAYESOVSKÉ ODHADY. Michal Friesl V NĚKTERÝCH MODELECH. Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni
BAYESOVSKÉ ODHADY V NĚKTERÝCH MODELECH Michal Friesl Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Slunce Řidiči IQ Regrese Přežití Obvyklý model Pozorování X = (X 1,..., X
VícePravděpodobnost, náhoda, kostky
Pravděpodobnost, náhoda, kostky Radek Pelánek IV122, jaro 2015 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností krátké
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
VíceDynamické metody pro predikci rizika
Dynamické metody pro predikci rizika 1 Úvod do analýzy časových řad Časová řada konečná posloupnost reálných hodnot určitého sledovaného ukazatele měřeného v určitých časových intervalech okamžikové např
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
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 010 1.týden (0.09.-4.09. ) Data, typy dat, variabilita, frekvenční analýza
VícePojem endogenity a exogenity
22. 4. 2010 Úvodní definice Klasická definice Exogenita a endogenita není jednoznačná, přesto se nejčastěji pracuje s následující definicí. Proměnná x vysvětlující proměnnou y je exogenní, pokud L(y x)
VíceSever Jih Západ Plechovka Točené Sever Jih Západ Součty Plechovka Točené Součty
Neparametrické testy (motto: Hypotézy jsou lešením, které se staví před budovu a pak se strhává, je-li budova postavena. Jsou nutné pro vědeckou práci, avšak skutečný vědec nepokládá hypotézy za předmětnou
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).
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
VíceUNIVERZITA KARLOVA V PRAZE. Flexicurita na českém trhu práce: aplikace v evropském kontextu
UNIVERZITA KARLOVA V PRAZE FAKULTA SOCIÁLNÍCH VĚD Institut ekonomických studií Jindřich Matoušek Flexicurita na českém trhu práce: aplikace v evropském kontextu Přílohy k bakalářské práci Praha 2011 8.
Více