Ekonometria stosowana

Slides:



Advertisements
Podobne prezentacje
Regresja i korelacja materiały dydaktyczne.
Advertisements

Rangowy test zgodności rozkładów
Jednorównaniowe modele zmienności
Metody ekonometryczne
Analiza wariancji jednoczynnikowa
Metody ekonometryczne
Analiza wariancji Marcin Zajenkowski. Badania eksperymentalne ANOVA najczęściej do eksperymentów Porównanie wyników z 2 grup lub więcej Zmienna niezależna.
BUDOWA MODELU EKONOMETRYCZNEGO
Ekonometria prognozowanie.
Metody ekonometryczne
Metody ekonometryczne
Metody ekonometryczne
Metody ekonometryczne
Metody ekonometryczne
Wykład 11 Analiza wariancji (ANOVA)
Prognozowanie na podstawie modelu ekonometrycznego
Rozkład normalny Cecha posiada rozkład normalny jeśli na jej wielkość ma wpływ wiele niezależnych czynników, a wpływ każdego z nich nie jest zbyt duży.
Jednoczynnikowa analiza wariancji (ANOVA)
Hipotezy statystyczne
Testowanie hipotez statystycznych
Ekonometria szeregów czasowych
i jak odczytywać prognozę?
Ekonometria. Co wynika z podejścia stochastycznego?
BADANIE STATYSTYCZNE Badanie statystyczne to proces pozyskiwania danych na temat rozkładu cechy statystycznej w populacji. Badanie może mieć charakter:
Analiza wariancji jednoczynnikowa.
Irena Woroniecka EKONOMIA MENEDŻERSKA - dodatek do W2
Prognozowanie z wykorzystaniem modeli ekonometrycznych
Modelowanie ekonometryczne
Badania Operacyjne i Ekonometria. Literatura podstawowa 1.M.Anholcer, H.Gaspars, A.Owczrkowski Przykłady i zadania z badań operacyjnych i ekonometrii.
Prognozowanie (finanse 2011)
Hipotezy statystyczne
Zagadnienia regresji i korelacji
Prognozowanie i symulacje
Finanse 2009/2010 dr Grzegorz Szafrański pokój B106 Termin konsultacji poniedziałek:
Kilka wybranych uzupelnień
Ekonometria stosowana
Ekonometria stosowana
Ekonometria stosowana
Ekonometryczne modele nieliniowe
Seminarium licencjackie Beata Kapuścińska
Testowanie hipotez statystycznych
Ekonometryczne modele nieliniowe
Wnioskowanie statystyczne
Ekonometria stosowana
D. Ciołek Analiza danych przekrojowo-czasowych – wykład 3
D. Ciołek EKONOMETRIA – wykład 6
D. Ciołek EKONOMETRIA – wykład 3
D. Ciołek EKONOMETRIA – wykład 2
Ekonometria Metody estymacji parametrów strukturalnych modelu i ich interpretacja dr hab. Mieczysław Kowerski.
Testowanie hipotez Jacek Szanduła.
Treść dzisiejszego wykładu l Weryfikacja statystyczna modelu ekonometrycznego –błędy szacunku parametrów, –istotność zmiennych objaśniających, –autokorelacja,
Ekonometria stosowana Slajdy pomocnicze Piotr Ciżkowicz Katedra Międzynarodowych Studiów Porównawczych.
Monte Carlo, bootstrap, jacknife. 2 Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej :
Przeprowadzenie badań niewyczerpujących, (częściowych – prowadzonych na podstawie próby losowej), nie daje podstaw do formułowania stanowczych stwierdzeń.
Testy nieparametryczne – testy zgodności. Nieparametryczne testy istotności dzielimy na trzy zasadnicze grupy: testy zgodności, testy niezależności oraz.
Ekonometria WYKŁAD 3 Piotr Ciżkowicz Katedra Międzynarodowych Studiów Porównawczych.
Ekonometria stosowana Heteroskedastyczność składnika losowego Piotr Ciżkowicz Katedra Międzynarodowych Studiów Porównawczych.
Weryfikacja hipotez statystycznych „Człowiek – najlepsza inwestycja”
Treść dzisiejszego wykładu l Szeregi stacjonarne, l Zintegrowanie szeregu, l Kointegracja szeregów.
Modele nieliniowe sprowadzane do liniowych
STATYSTYKA – kurs podstawowy wykład 11
Estymacja parametryczna dr Marta Marszałek Zakład Statystyki Stosowanej Instytut Statystyki i Demografii Kolegium Analiz.
Ekonometryczne modele nieliniowe
Ekonometria stosowana
EKONOMETRIA W3 prof. UG, dr hab. Tadeusz W. Bołt
Statystyka matematyczna
Regresja wieloraka – bada wpływ wielu zmiennych objaśniających (niezależnych) na jedną zmienną objaśnianą (zależą)
Jednorównaniowy model regresji liniowej
MNK – podejście algebraiczne
Monte Carlo, bootstrap, jacknife
Zapis prezentacji:

Ekonometria stosowana wykład 3 Modele z restrykcjami Testowanie stabilności Andrzej Torój - Lato 2013/2014

Ograniczenia dla parametrów minimalizacja względem b bez warunków ograniczających daje: możemy jednak nałożyć (i przetestować) na wektor parametrów b ograniczenia liniowe: w zapisie (krótszym i wygodniejszym) macierzowym:

KMNK przy warunkach pobocznych p.w. : Oznaczmy:

Test Walda H0: H1: m – liczba warunków ograniczających Statystyka testowa ma rozkład F (m, n-K-1). Odrzucamy H0 przy wartości wyższej od wartości krytycznej dla danego poziomu istotności (p-value niższym od tego poziomu).

Test istotności zestawu zmiennych jako test Walda (1) Czy cały zestaw zmiennych objaśniających jest istotny? H0:

Test istotności zestawu zmiennych jako test Walda (2) Czym jest RRSS? Jeżeli H0 jest prawdziwa, model zawiera tylko stałą i żadnych zmiennych. Jaka STAŁA jest najlepiej dopasowana do wszystkich y?

Restrykcje liniowe w Gretlu W oknie modelu (bez restrykcji), który wcześniej oszacowaliśmy: Testy / test liniowych restrykcji. Wpisujemy kolejno równania liniowych restrykcji jak powyżej: b[1] oznacza pierwszy w kolejności w równaniu oszacowany parametr (stała, jeżeli model ze stałą) kolejne b[2], b[3] itd. Otrzymujemy model oszacowany przy warunkach ograniczających i test zasadności tych ograniczeń.

Test Chowa (breakpoint) (1) Potraktujmy założenie o niezmienniczości parametrów dla całego okresu próby jako hipotezę, którą można testować za pomocą testu Walda. Z T okresów wybierzmy dwie podpróby: (1,...,T1) i (T1+1,...,T), T1+T2=T. Model w pierwszej podpróbie ma parametry b1, w drugiej b2. dane do modelu z restrykcją H0: dane do modelu bez restrykcji

Test Chowa (breakpoint) (2) Model ogólny: Model z restrykcjami (w sumie K restrykcji, każda dotycząca jednej „pary” parametrów):

Test Chowa (breakpoint) (3) Liczba warunków ograniczających: (K+1) stałość parametrów przy K zmiennych i przy stałej Liczba stopni swobody dla modelu bez ograniczeń: [n-2(K+1)] liczba obserwacji minus liczba oszacowanych parametrów Stąd statystyka testowa (test Chowa oparty na analizie wariancji): Rozkład F z (K+1), (n-2K-2) stopniami swobody. Wysokie wartości statystyki (p-value niższe od założonego poziomu istotności) świadczą o odrzuceniu H0 o stabilności parametrów.

Test Chowa w Gretlu Zbadaj stabilność parametrów funkcji produkcji. Jaka jest wada tego testu?

Test Chowa (forecast) (1) Gdy jedna z podprób jest mała i nie można oszacować dla niej osobnych parametrów, porównujemy dwie inne sumy kwadratów reszt: modelu oszacowanego na całej próbie (RRSS – dlaczego?) modelu oszacowanego na „dużej” podpróbie (RRS1)

Test Chowa (forecast) (2) Statystyka testowa (pozostałe oznaczenia i decyzja weryfikacyjna jak poprzednio): Interpretacja: b jest wektorem parametrów oszacowanych na „dłuższej” podpróbie, jeżeli model jest stabilny, to wektor błędów prognozy ex post g (obliczony na podstawie tego modelu dla „krótszej” podpróby) powinien nie różnić się statystycznie istotnie od zera

Test Chowa (forecast) (3) W Gretlu ten test nie jest oprogramowany. Ale możemy: oszacować model (1) na podstawie całej próby oszacować model (2) na podstawie podpróby (T-7) pierwszych obserwacji znając sumy kwadratów reszt obu modeli i odpowiednie stopnie swobody, obliczyć statystykę testową za pomocą Narzędzia/Tablice statystyczne/ albo Narzędzia/Wyznaczanie wartości p zweryfikować hipotezę.

Test Hansena (1) Jeżeli oszacujemy model za pomocą MNK, to mamy następujące własności reszt et t-ty składnik sumy w pierwszym równaniu to wektor Kx1, w drugim – skalar. Niech wektor ft o wymiarach (K+1)x1 będzie tym wektorem z dołączonym (jako K+1-sza współrzędna) skalarem. Niech

Test Hansena (2) Statystyka testowa Hansena jest obliczana jako ślad (suma elementów diagonalnych) macierzy F-1S: Wysokie wartości H świadczą o niestabilności modelu. Pakiet PcGive ma zaimplementowany test Hansena dla całego modelu, jak i dla pojedynczych parametrów. Asymptotyczne wartości krytyczne podane przez Hansena: 1.01 (K=2), 1.9 (K=6), 3.75 (K=15), 4.52 (K=19). Zaleta: hipoteza alternatywna nie zakłada konkretnego momentu zmiany, a głosi niestabilność modelu w ogóle.

Test Hansena w Excelu Szacujemy model KMNK. Mnożymy każdy element wiersza macierzy X dla danej obserwacji (łącznie z 1 dla „stałej”) przez resztę losową dla tej obserwacji. Obliczamy też dla każdej reszty odchylenie jej kwadratu od średniego kwadratu reszty losowej. Obliczamy wektory st jako sumy (od pierwszej obserwacji do danej) wektorów ft. Dla każdej obserwacji obliczamy wszystkie możliwe dwuczynnikowe iloczyny elementów wektora ft. To samo powtarzamy dla st. Sumujemy iloczyny. Dla sum ft, sumy mnożymy przez ilość obserwacji. Sumy układamy w odpowiednich elementach macierzy F i S. Pamiętamy o symetryczności tych macierzy. Obliczamy sumę elementów diagonalnych macierzy F-1S.

Test CUSUM (1) Dla każdego okresu, szacujemy model na podstawie wszystkich poprzednich okresów (z parametrami bt) i obliczamy jednookresowy błąd predykcji. Jak wiemy z Ekonometrii I, średni błąd tej predykcji to: Skalujemy każdy błąd predykcji: Szacujemy wariancję reszt:

Test CUSUM (2) Obliczamy statystykę testową CUSUM: Hipoteza o stabilności modelu jest odrzucana, gdy statystyka wychodzi poza przedział ufności. Test nie wymaga założenia o konkretnym punkcie przełomu.

Test CUSUM w Gretlu

Literatura do wykładu 3 Maddala 4.8 Maddala 4.11 więcej o działaniu testu F i testowaniu liniowych restrykcji dla parametrów Maddala 4.11 o testach stabilności parametrów, omówienie ich wad i zalet Greene (2000, s. 134 nn.) testy Hansena i CUSUM

Praca domowa Zaproponuj model reguły Taylora dla Polski o odpowiednio uzmiennionych parametrach.