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 je vhodné použí simulační posupy. simulační posupy analyické posupy indukivní specifikace = odvozují obecná pravidla na základě konkréních případů dedukivní specifikace = vyvozují závěry pro konkréní případ na základě obecných pravidel výběrová informace apriorní informace Simulací se rozumí numerická echnika, pomocí keré experimenujeme s odhadnuým modelem, abychom prozkoumali jeho vlasnosi. Přijímáme přiom určié předpoklady o hodnoách paramerů a proměnných či o rozdělení náhodných složek. Závěry mají pouze pravděpodobnosní charaker, jejich přesnos ale rose s počem pokusů. ex pos hisorická ex ane projekce Experimenujeme s různými specifikacemi modelu a pracujeme přiom s již známými pozorováními použiými k odhadu ohoo modelu. Porovnáním skuečných a nasimulovaných hodno můžeme posoudi vhodnos zvolené specifikace modelu. Generujeme budoucí hodnoy či obecně hodnoy mimo inerval pozorování. Lze ak děla např. pseudopředpovědi ex pos, a posoudi ak predikční schopnos modelu. Lze použí i při resrospekivě pro experimeny v inervalu před počákem období pozorování za účelem ověření dynamické sabiliy modelu. deerminisická Negenerujeme náhodné veličiny sochasická Generujeme náhodné veličiny, např. náhodné složky modelu, z určiého pravděpodobnosního rozdělení. Pracujeme edy s umělými day míso skuečných údajů. Sochasická simulace se nazývá aké simulace Mone Carlo. Její speciální formou je boosrap. Lenka Fiřová 04
Mone Carlo Oázka C MONTE CARLO Mone Carlo má původ ve 40. leech 0. soleí a její název je odvozen od kasina v Monaku. Jde o saisický experimen, v rámci kerého vygenerujeme velké množsví náhodných čísel a pak z nich vyvozujeme určié závěry, zn. mnohonásobně opakujeme enýž proces. Mone Carlo je vlasně řešením určié úlohy pomocí saisického experimenu. Simulace se vyvinula právě z meody Mone Carlo a věnuje se sudiu rozsáhlých dynamických sysémů Mone Carlo neobsahuje dynamiku. V ekonomerii věšinou generujeme adiivní náhodné složky modelu, hodnoy paramerů či proměnných, a o z určiého pravděpodobnosního rozdělení. u náhodných složek věšinou předpokládáme, že mají normální rozdělení s nulovou sřední hodnoou a směrodanou odchylkou rovnou odhadnué sandardní chybě dané rovnice u paramerů věšinou předpokládáme simulánní normální rozdělení. Pro zanedbaelnou kovarianci můžeme předpokláda, že pochází z normálního rozdělení s průměrem rovným odhadu parameru a směrodanou odchylkou rovnou odhadnué sandardní chybě parameru = odmocnině z odhadnuého rozpylu parameru. Kovarianci zjisíme z kovarianční maice odhadnuých paramerů. Vhodnos odhadové funkce posuzujeme podle různých kriérií. Označme β skuečnou hodnou parameru a b průměrný odhad ohoo parameru. Udělali jsme N výběrů a z každého získali odhad parameru b p. vychýlení odhadové funkce: b β rozpyl odhadové funkce: b N p= p b N N sřední kvadraická chyba: b N p= p β = b N p= p b + b β Sřední kvadraická chyba se rovná souču rozpylu a čverce vychýlení, akže pro nevychýlenou odhadovou funkci se rovná pouze rozpylu. Sřední kvadraická chyba má smysl pro případ, kdy jsou odhady normálně rozděleny jinak je lepší použí např. medián. N Lenka Fiřová 04
Mone Carlo Oázka C Využií simulace: prozkoumání asympoických vlasnosí různých meod odhadů esování a zpřesňování specifikace modelu ověření predikční schopnosi modelu. Lze pracova s předpovědí ex ane i ex pos. V případě předpovědi ex ane na základě odhadnuých paramerů a rozpylu či kovarianční maice náhodných složek v případě MSR opakovaně spočíáme ex ane předpověď a porovnáme ji s deerminisickou podmíněnou předpovědí. V případě předpovědi ex pos porovnáváme simulační předpověď endogenní proměnné se skuečně realizovanou hodnoou. Věšinou pracujeme se sřední kvadraickou chybou nebo její odmocninou RMSE. Neparamerickou mírou vhodnosi modelu k predikci je Theilův modifikovaný koeficien nesouladu viz oázka 3C Prognózování. hospodářská poliika: zjišění vlivu nasavení řídících proměnných na hodnoy cílových proměnných scénářová analýza. Věšinou pracujeme s dynamickými MSR. Podsaou je řešení daného varu MSR pro různé hodnoy řídících či cílových proměnných, náhodných složek, funkční vary modelu apod. Varianní analýza slouží k posouzení vlivů různých varian sraegie řízení na úroveň sledovaných cílů. Cílová analýza vyhodnocuje různé možné způsoby, jak dosáhnou zvolených hodno cílových proměnných. Příklady použií Mone Carlo simulace. Odhad Ludolfova čísla úvod do simulace Mone Carlo. Odhad inegrálu 3. Simulace s MSR 4. Zkoumání vlasnosí odhadových funkcí 5. Síla a validia esů hypoéz 6. Odhad směrodané chyby průměru pomocí boosrapu 7. Boosrap v regresi Lenka Fiřová 04
Mone Carlo Oázka C PŘÍKLAD : ODHAD LUDOLFOVA ČÍSLA Jedním z nejjednodušších příkladů použií Mone Carlo simulace je odhad čísla π. Vygenerujeme velké množsví bodů ve čverci o rozměru r x r, kde r =. Uvažujme kruh o poloměru vepsaný omuo čverci. Podíl obsahu kruhu a obsahu čverce je roven πr /4r = π/ 4. Vygenerujeme 0 000 bodů ležících v omo čverci. Čyřnásobek podílu poču pouze ěch bodů, keré leží v kruhu, na všech vygenerovaných bodech je odhadem čísla π. r = k = 0 plo0~0, xlab = "X", ylab = "",pch=6, cex = 0., ylim = c-,, xlim = c-, for i in :0000 { x = runif,-, #vygenerujeme nahodne cislo z inerval -, = souradnice x y = runif,-, #vygenerujeme nahodne cislo z inerval -, = souradnice y poinsy~x, pch = 6, cex = 0., col = ifelsesqrx*x + y*y <= r, "black", "lighblue" #spociame Pyhagorovou veou jeho vzdalenos od sredu #pokud oo cislo lezi v kruhu, pak navysime k o : if sqrx*x + y*y <= r k = k+ } 4*k/0000 #odhad cisla pi Výsledek mi při jednom konkréním experimenu vyšel 3,34. Skuečná hodnoa je 3,4 Lenka Fiřová 04
Mone Carlo Oázka C PŘÍKLAD : ODHAD INTEGRÁLU 4 Odhadneme hodnou inegrálu e x dx. Budeme posupova podobně jako v předchozím případě. Vygenerujeme náhodnou souřadnici x z rovnoměrného rozdělení na inervalu,4. Pak vygenerujeme náhodnou souřadnici y z rovnoměrného rozdělení na inervalu 0,e -. Celkem ěcho souřadnic vygenerujeme 0 000. Všechny yo body leží edy v obdélníku o obsahu krá e -. Zjisíme, pro jaký podíl bodů plaí, že e -x je menší než y. Teno podíl vynásobený obsahem obdélníka je odhadem inegrálu. Skrip napsal M.Basa z KTSP: hh = exp- # y-ova souradnice horni hranice obdelnika S = 4 - * hh # plocha obdelnika # vykreslime si pomocny obrazek xseq = seq, 4, by = 0.05 ploxseq, exp-xseq, ype = "l", col = "red", ylim = c0, hh rec, 0, 4, hh # nahodne vygenerujeme n bodu uvnir obdelniku n = 0000 x = runifn, min =, max = 4 y = runifn, min = 0, max = hh # vygenerovane body zakreslime poinsx, y, pch = ".", col = ifelsey < exp-x, "blue", "black" odhp = sumy < exp-x/n # relaivni cenos zasahu odhin = S * odhp # odhad inegralu # skuecna hodnoa inegralu exp- - exp-4 Výsledek mi při jednom konkréním experimenu vyšel 0,5. Skuečná hodnoa je 0,7. Lenka Fiřová 04
Mone Carlo Oázka C Lenka Fiřová 04 PŘÍKLAD 3: SIMULACE S MSR Uvažujme následující sousavu rovnic model muliplikáor akceleráor: G I C u I u C kde C je konečná spořeba, I jsou hrubé invesice, je HDP, G jsou veřejné výdaje a u jsou náhodné složky. Veřejné výdaje jsou exogenní proměnnou, zbylé ři jsou endogenními proměnnými. Zajímá-li nás řešení pro proměnnou, dosadíme první dvě rovnice bez náhodných složek do poslední rovnice a dosaneme zv. fundamenální dynamickou rovnici, kde a, a, b, b jsou známé odhady srukurních paramerů: G b a b b a Pokud děláme sochasickou Mone Carlo simulaci, musíme do modelu přida vliv náhody. Budeme edy pořebova: - e, e rezidua, o kerých předpokládáme, že mají normální rozdělení s nulovou sřední hodnoou a rozpyl rovný čverci odhadnué sandardní chyby příslušné rovnice - ε, ε, ε, ε náhodné chyby odhadnuých srukurních paramerů. Jde o simulánně normálně rozdělené náhodné veličiny. Pokud je jejich kovariance zanedbaelná, můžeme je aproximova normálním rozdělením s nulovou sřední hodnoou a rozpylem rovným čverci odhadnué sandardní chyby příslušeného parameru. Po zahrnuí ěcho náhodných veličin lze model přepsa jako: G I C e b b I e a a C Fundamenální dynamická rovnice pro pak je: G b a e e b b a ] [ Následně můžeme generova rajekorie hodno pro různé hodnoy ε, ε, ε, ε, přičemž yo hodnoy považujeme za dané a hodnoy reziduí generujeme náhodně z daného pravděpodobnosního rozdělení.
Mone Carlo Oázka C PŘÍKLAD 4: ZKOUMÁNÍ VLASTNOSTÍ ODHADOVÝCH FUNKCÍ Vygenerujeme náhodných 00 hodno nezávislých proměnných X z rovnoměrného rozdělení, 0. Budeme uvažova dva případy. V obou případech bude vysvělovaná proměnná generována vzahem = α + βx + u, konkréně = 50 + X + u. Rozdíl bude v náhodné složce. V prvním případě bude náhodná složka homoskedasická a bude pocháze z normálního rozdělení s průměrem 0 a směrodanou odchylkou rovnou průměrné hodnoě X. Ve druhém případě bude náhodná složka heeroskedasická. Její průměr bude roven nule, avšak její rozpyl bude funkcí druhé mocniny X, zn. σ i = X X i. Pro každý z případů vygenerujeme 00 hodno náhodných složek a spočíáme 00 hodno vysvělovaných proměnných výše uvedeným vzahem. Pak eno vzah jakoby zapomeneme a zkusíme z ěcho hodno paramery zpěně odhadnou. Odhad parameru β by se měl blíži dvěma. Zaznamenáme jeho hodnou a aké odhad jeho směrodané chyby, kerý je rovněž výsupem modelu. Toéž provedeme isíckrá. Tak získáme 000 odhadnuých hodno pro případ homoskedasiciy a dalších 000 pro případ heeroskedasiciy. Vygenerujeme graf husoy odhadové funkce parameru β pro oba případy. V obou případech aké porovnáme směrodanou chybu spočíanou z éo isícovky hodno, kerá udává variabiliu odhadové funkce, s průměrným odhadem směrodané chyby z modelu. Tyo hodnoy by se měly rovna, víme ale, že pro případ heeroskedasiciy jsou odhady směrodané chyby vychýlené, proo se asi rovna nebudou. X = runif00,,0 #vygenerujeme vysvelovanou promennou sd = meanx #homoskedasicia b =repna,000 SE = NULL for i in :000 #pro kazde z 000 opakovani { = 50 + *X + rnorm00,0,sd*sd #vygenerujeme nahodnou slozku a spociame regrese.puvodni=lm~x #jakoby zapomeneme skuecne paramery a odhadneme je MNC b[i] = regrese.puvodni$coef[] #ulozime si odhad parameru bea SE = cse, coefsummaryregrese.puvodni[, "Sd. Error"][]} #a odhad jeho smerodane chyby sdb - meanse # rozdil smerodane odchylky 000 odhadnuzch parameru a prumerne sm.chyby #konkreni vysledek, když jsem o zkousela: -0.07 #heeroskedasicia enyz posup s im rozdilem, ze rozpyl nahodne slozky je funkci X h =repna,000 SE = NULL for i in :000 { u = repna,00 forj in :00 #rozpyl je funkci cvercu vysv.promennych v R se pri generovani udava sm.odchylka { u[j] = rnorm,0,sd*x[j]} = 50 + *X + u regrese=lm~x h[i] = regrese$coef[] SE = cse, coefsummaryregrese[, "Sd. Error"][] } sdh - meanse #konkreni vysledek, když jsem o zkousela: 0.5, zda se, ze odhad sm.chyby je vychyleny #grafy: parmfrow = c, plodensiyb,xlim = c-4,8,ylim = c0,0.5,main = "Homoskedasicia",ype = "h", col = "blue" ablinev= plodensiyh,xlim = c-4,8,ylim = c0,0.5,main = "Heeroskedasicia", ype = "h", col = "grey" ablinev= Lenka Fiřová 04
Mone Carlo Oázka C Simulací jsme zjisili, že MNČ poskyuje nevychýlené odhady i v případě heeroskedasiciy, avšak odhad směrodané chyby je pro případ heeroskedasiciy vychýlený. Následně bychom pro případ heeroskedasiciy mohli porovna odhady při aplikaci MNČ získané výše a MZNČ. Zjisili bychom pravděpodobně, že variabilia odhadů při použií MZNČ je menší, edy že MZNČ je vydanější ve srovnání s MNČ. Toéž je možné provés i pro případ auokorelace viz Hušek 007, sr. 37-38. Pro fixní hodnoy vysvělujících proměnných a různé koeficieny auokorelace bychom opakovaně generovali náhodné složky a dopočíali hodnou vysvělované proměnné podle předem specifikovaného vzahu: = 5 + X + X + u. Ten bychom pak zapomněli a paramery zpěně odhadovali pomocí MNČ a MZNČ. Zjisili bychom, že pro vyšší hodnoy koeficienu auokorelace je variabilia odhadů nižší při použií MZNČ ve srovnání s MNČ, což znamená, že odhadová funkce MNČ není vydaná. Také bychom zjisili, že odhad směrodané chyby paramerů je při použií MNČ vychýlený podhodnocený. Lenka Fiřová 04
Mone Carlo Oázka C PŘÍKLAD 5: SÍLA A VALIDITA TESTŮ HPOTÉZ Když chceme zjisi sílu esu, zkoumáme, jaká je pravděpodobnos, že skuečně zamíneme nulovou hypoézu, pokud neplaí. Síla esu klesá s klesající hladinou významnosi. Když chceme zjisi validiu esu, zkoumáme, jaká je pravděpodobnos, že zamíneme nulovou hypoézu, kerá přiom plaí zn. že se dopusíme chyby prvního druhu. Tao pravděpodobnos by se měla rovna hladině významnosi α. Tedy například při α = 0,05 bychom mohli esova, zda se průměr výšky v populaci rovná 70 cm. Uděláme 000 výběrů a provedeme es hypoézy. Přibližně v 50 výběrech bychom měli hypoézu, že je průměrná výška rovna 70 cm, na dané hladině významnosi zamínou. Sane se o ehdy, když náhodou vybereme hodně vysokých či naopak hodně nízkých lidí, a o se občas sane. Pomocí simulace Mone Carlo je možné esova sílu a validiu esu, což je v ekonomerii velmi důležié. Uvažujme Shapiro-Wilk es normaliy. Budeme opakovaně generova výběry různého rozsahu: nejprve z -rozdělení s 0 supni volnosi, pak z uniformního rozdělení a nakonec z normálního rozdělení. Zjisíme pro každý výběr p-hodnou. Pokud bude nižší než 0,05, znamená o, že na 5 % hladině významnosi bychom zamíli nulovou hypoézu o normaliě výběru. Pro výběry z -rozdělení a uniformního rozdělení ímo ověříme sílu esu. Pokud je es dosaečně silný, měl by nulovou hypoézu o normaliě zamínou, jelikož neplaí. Pro výběry z normálního rozdělení ímo ověříme validiu esu. Validní es by měl zamínou nulovou hypoézu v 5 % případů. Skrip M.Basa upraveno phodnoa = funcionvyb { reurnshapiro.esvyb$p.value} # funkce phodnoa budee vrace p-hodnou esu N = 500 # poce opakovani rozsahy = c5,0,50,00,50,500,750,000 # ruzne rozsahy vyberu alpha = 0.05 # nominalni hladina vyznamnosi esu vys = repna,lenghrozsahy # vekory pro ukladani vysledku vys = repna,lenghrozsahy vys3 = repna,lenghrozsahy # sila esu vyber z rozdeleni for i in :lenghrozsahy { # silu esu sudujeme pro ruzne rozsahy vyberu ma = marixrrozsahy[i] * N, df = 0, ncol = N vys[i] = meanapplyma,, phodnoa <= alpha } # vygenerujeme N vyberu, kazdy o rozsahu posupne 0, 00 a 000, s 0 supni volnosi # odhadneme silu esu, uvazujeme nominalni hladinu vyznamnosi alpha # spociame, v kolika vyberech je p-hodnoa nizsi nez 0.05, a vydelime o pocem vyberu # sila esu vyber z uniformniho rozdeleni for i in :lenghrozsahy { ma = marixrunifrozsahy[i] * N, -4,4, ncol = N vys[i] = meanapplyma,, phodnoa <= alpha } # validia esu vyber z normalniho rozdeleni for i in :lenghrozsahy { ma = marixrnormrozsahy[i] * N, ncol = N vys3[i] = meanapplyma,, phodnoa <= alpha } Lenka Fiřová 04
Mone Carlo Oázka C # grafy parmfrow = c,3 plovys~rozsahy, ype = "l", main = "Sila esu - vyber z -rozdeleni" plovys~rozsahy, ype = "l", main = "Sila esu - vyber z uniformniho rozdeleni" plovys3~rozsahy, ype = "l", main = "Validia esu - vyber z normalniho rozdeleni", ylim = c0, Lenka Fiřová 04
Mone Carlo Oázka C BOOTSTRAP Boosrap je speciální posup, jehož přednosí je, že nemusíme zná konkréní proces generování da. Simulací generujeme velký poče zv. boosrapových výběrů. Z každého z nich pak spočeme esovací saisiky, jejichž empirická rozdělení porovnáme se skuečnými esovacími saisikami. Tao meoda edy umožňuje na základě hodno jednoho náhodného výběru odhadova vlasnosi odhadu parameru směrodanou chybu odhadu, vychýlení, inervaly spolehlivosi. Předsavme si například, že chceme získa odhad směrodané chyby mediánu nebo řeba odhad směrodané chyby podílu dvou sředních hodno. To už není ak jednoduché jako spočía odhad směrodané chyby průměru a navíc o vyžaduje splnění určiých předpokladů. Máme k dispozici jeden výběr z populace. Empirická disribuční funkce je neparamerickým odhadem disribuční funkce v éo populaci. Boosrap považuje eno jeden výběr jako náhražku za celou populaci. Z ohoo výběru o rozhsahu n provádíme opakované výběry s vracením rozsahu n resampling, a o celkem B-krá. Tak spočíáme celkem B boosrapových replikací odhadu θ B například B odhadů mediánu. Z nich můžeme odhadnou směrodanou chybu ak, že spočíáme směrodanou odchylku ěcho hodno. PŘÍKLAD 6: ODHAD SMĚRODATNÉ CHB PRŮMĚRU POMOCÍ BOOTSTRAPU Skrip M.Basa upraveno n = 0 # rozsah vyberu vyb = runifn # vybereme 0 hodno z uniformniho rozdeleni na inervalu 0, B = 50 # udelame 50 boosrapovych vyberu ma = marixsamplevyb, size = n * B, replace = TRUE, ncol = B # v maici ma bude 50 sloupcu a v kazdem sloupci bude 0 hodno daneho vyberu brep = applyma,, mean #brep je vekor vyberovych prumeru prumer hodno v kazdem sloupci bse = sdbrep # boosrapovy odhad sm.chyby vyberoveho prumeru, edy sm.odchylka vyberovych prumeru sdvyb/sqrn #pro srovnani - klasicky vypoce pomoci bezneho vzorecku se = sqr//sqrn # skuecna hodnoa smerodane chyby vyberoveho prumeru hisbrep, col = "blue" # hisogram es = meanvyb # vyberovy prumer puvodniho vyberu jakozo odhad sredni hodnoy bisnormd = es - qnorm0.975 * bse # zv. boosrapovy normalni inerval spolehlivosi dolni hranice bisnormh = es + qnorm0.975 * bse # zv. boosrapovy normalni inerval spolehlivosi horni hranice # pro inervaly spolehlivosi je vhodne B navysi. Normalni inerval nemusi by uplne nejvhodnejsi volbou. Výsledek mi při jednom konkréním experimenu vyšel 0,056 pomocí boosrapu a 0,055 klasickým výpočem. Skuečná hodnoa je 0,065. Hisogram výběrového průměru: Lenka Fiřová 04
Mone Carlo Oázka C PŘÍKLAD 7: BOOTSTRAP V REGRESI Chěli bychom nyní odhadnou směrodanou chybu regresních paramerů. Disribuční funkci náhodné složky můžeme odhadnou pomocí empirické disribuční funkce reziduí. Posup spočívá v om, že z původního vekoru reziduí děláme opakované výběry s vracením. Pro každý boosrapový výběr spočíáme na základě odhadnuých paramerů, známých hodno vysvělující proměnné a ěcho resamplovaných reziduí hodnoy vysvělované proměnné. Pomocí ako spočíaných hodno vysvělované proměnné znovu odhadneme paramery regrese. Toéž opakujeme mnohokrá a odhady paramerů si ukládáme. Spočíaná směrodaná odchylka z ěcho odhadnuých paramerů je pak odhadem směrodané chyby parameru. Skrip M.Basa upraveno libraryboo X = runif40,0,0 ## vyvorime nejaka daa = + 5*X + rnorm40,0,5 fi = lm ~ X ## odhad parameru meodou nejmensich cvercu MNC sse = coefsummaryfi[, ] # odhady smerodanych chyb odhadu, jak je vysupem z regrese odhadres = funcionrezidua, ind, xprim, odhadypar { y = odhadypar[] + odhadypar[] * xprim + rezidua[ind] fi = lmy ~ xprim reurncoeffi} # ao funkce vyvori boosrapovy vyber # na zaklade resamplovani rezidui a nasledne ziska boosrapovou replikaci odhadu # rezidua... rezidua z primarniho odhadu # ind... indexy pro resamplovani # xprim... hodnoy vysvelujici promenne pouzie v primarnim odhadu # odhadypar... odhady regresnich parameru MNC z primarniho odhadu # boosrapping, pro napovedu k argumenum funkce viz helpboo bo = booresidfi, odhadres, R = 000, xprim = X, odhadypar = coeffi bser = applybo$,, sd # boosrapove odhady sm. chyb na zaklade resamplovani rezidui Lenka Fiřová 04
Mone Carlo Oázka C MAKROEKONOMICKÁ POLITIKA HLAVNÍ CÍLE. Vysoká a rosoucí úroveň reálného produku.. Nízká nezaměsnanos, vyváření pracovních příležiosí 3. Sabilní nebo mírně se zvyšující cenová hladina s cenami a mzdami sanovenými na volných rzích. 4. Zahraniční ekonomické vzahy, keré se vyznačují sabilním měnovým kurzem a vyrovnaným saldem. MĚŘÍTKA EKONOMICKÉ ÚSPĚŠNOSTI ZEMĚ. Hrubý domácí produk = ržní hodnoa saků a služeb vyvořená za dané období na určiém území. Rozlišujeme nominální HDP v ržních cenách a reálný HDP ve sálých cenách výchozího období. Poenciální HDP je nejvyšší udržielný výkon ekonomiky.. Míra nezaměsnanosi. Nezaměsnaný je člověk v produkivním věku, kerý si akivně hledá práci a je schopen do 4 dnů nasoupi do zaměsnání. 3. Míra inflace = index růsu či poklesu cenové hladiny. Sanovuje se na základě CPI, edy indexu spořebielských cen, kerý se počíá z výdajů na pevně sanovený koš saků a služeb. 4. Saldo obchodní bilance. ČR HDP nezaměsnanos inflace saldo OB 03-0,9 % Q 04: + % 7 %,4 % 350 mld Kč NÁSTROJE MAKROEKONOMICKÉ POLITIK. Fiskální poliika a vládní výdaje - podílí se na vorbě HNP, sanovuje rozsah veřejného a soukromého sekoru b daně - daně omezují důchody obyvaelsva, napomáhají sanovova ceny.. Moneární poliika. Zahrnuje regulaci peněz, úvěrů a bankovní sousavy země její cenrální bankou. Zrychluje či zpomaluje růs nabídky peněz, snižuje nebo zvyšuje úrokové sazby a povzbuzuje nebo omezuje invesice a působí na cenovou hladinu inflaci. 3. Zahraniční hospodářská poliika. a ovlivňování obchodu prosřednicvím opaření obchodní poliiky cla, kvóy. b Regulace měnového rhu např. nedávné oslabení koruny inervencí ČNB 4. Důchodová poliika. Mzdová a cenová poliika, souhrn opaření vlády, kerá usilují o zmírnění inflace pomocí přímých kroků, ať již slovním přesvědčováním, nebo zákonnými regulačními opařeními, zahrnujícími mzdy a ceny. V posledních leech se již opouší. HLAVNÍ PROUD Ekonomie hlavního proudu - neokeynesiánská ekonomie Za hlavní zlo považují nezaměsnanos. Kladou důraz na fiskální poliiku. Sala se převažujícím směrem po druhé svěové válce. Po krizi v 70. leech bylo neokeynesiánsví nahrazeno neokonzervaivní eorií. V současné době neokeynesiánská ekonomie opě posiluje své posavení. Monearismus neoklasická makroekonomie Za hlavní zlo považuje inflaci. Kladou důraz na moneární poliiku. Hlavním násrojem jsou operace na volném rhu. Vychází z předsavy, že rhy disponují dosaečnými samoregulačními silami, keré jsou schopny navrace ržní ekonomiku bez výraznějších negaivních dopadů do savu rovnováhy. Sání zásahy mají povahu desabilizujících šoků. Za zakladaele se považuje Milon Friedman. Lenka Fiřová 04
Mone Carlo Oázka C ZDROJE Hušek, R.: Ekonomerická analýza. Nakladaelsví Oeconomica, Praha 007. Český saisický úřad. hp://www.czso.cz Zpracované oázky ke sánicím dosupné z hps://drive.google.com/folderview?id=0b5agwzpg7fj_mwvdljbmlm0vek&usp#grid Mgr. Milan Baša, Ph.D.: Cvičení z 4ST47 Výpočení saisika v R. Lenka Fiřová 04