1 Kilka wybranych uzupełnień do zagadnień regresji Janusz Górczyński.

Slides:



Advertisements
Podobne prezentacje
Modele szeregów czasowych z tendencją rozwojową
Advertisements

Regresja i korelacja materiały dydaktyczne.
Excel Narzędzia do analizy regresji
KORELACJA I REGRESJA WIELOWYMIAROWA
Ocena dokładności i trafności prognoz
Michał Kowalczykiewicz
dr Małgorzata Radziukiewicz
Treść wykładu Wstęp Przewidywanie - prognoza Klasyfikacja prognoz
BUDOWA MODELU EKONOMETRYCZNEGO
Wykład no 11.
Regresja w EXCELU.
Analiza współzależności
Portfel wielu akcji. Model Sharpe’a
Metody ekonometryczne
Metody ekonometryczne
Podstawowe pojęcia prognozowania i symulacji na podstawie modeli ekonometrycznych Przewidywaniem nazywać będziemy wnioskowanie o zdarzeniach nieznanych.
Ekonometria wykladowca: dr Michał Karpuk
Ogólne zadanie rachunku wyrównawczego
Analiza korelacji.
Prognozowanie na podstawie modelu ekonometrycznego
Korelacje, regresja liniowa
Średnie i miary zmienności
Metoda różnic skończonych I
Konstrukcja, estymacja parametrów
Testowanie hipotez statystycznych
Analiza współzależności cech statystycznych
Ekonometria szeregów czasowych
i jak odczytywać prognozę?
Ekonometria. Co wynika z podejścia stochastycznego?
Analiza reszt w regresji
Irena Woroniecka EKONOMIA MENEDŻERSKA - dodatek do W2
Analiza szeregów czasowych
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)
Szereg czasowy – czy trend jest liniowy?
Zagadnienia regresji i korelacji
Prognozowanie i symulacje
Kilka wybranych uzupelnień
Metody badawcze wykorzystywane w analizach – ĆW 2
Wykład 16 Inne zagadnienia z prostej regresji liniowej.
Regresja wieloraka.
Przedmiot: Ekonometria Temat: Szeregi czasowe. Dekompozycja szeregów
Filtr Kalmana (z ang. Kalman Filter w skrócie KF)
D. Ciołek EKONOMETRIA – wykład 6
Ćwiczenia 8 Aproksymacja funkcji
WIELORÓWNANIOWE MODELE EKONOMETRYCZNE
Analiza szeregów czasowych
Regresja liniowa Dany jest układ punktów
ALG - wykład 3. LICZBY ZESPOLONE MACIERZE. Powtórzenie z = a+bi, z  C Re z = Re(a+bi) = a Im z = Im(a+bi) = b.
Ekonometria Metody estymacji parametrów strukturalnych modelu i ich interpretacja dr hab. Mieczysław Kowerski.
Regresja liniowa. Dlaczego regresja? Regresja zastosowanie Dopasowanie modelu do danych Na podstawie modelu, przewidujemy wartość zmiennej zależnej na.
Model ekonometryczny Jacek Szanduła.
Statystyczna analiza danych
Model trendu liniowego
Prognozowanie wahań sezonowych Metoda wskaźników sezonowości.
Treść dzisiejszego wykładu l Klasyfikacja zmiennych modelu wielorównaniowego l Klasyfikacja modeli wielorównaniowych l Postać strukturalna i zredukowana.
Ekonometria stosowana Heteroskedastyczność składnika losowego Piotr Ciżkowicz Katedra Międzynarodowych Studiów Porównawczych.
Modele nieliniowe sprowadzane do liniowych
Ekonometria Wykład III Modele wielorównaniowe dr hab. Mieczysław Kowerski.
STATYSTYKA – kurs podstawowy wykład 11
Treść dzisiejszego wykładu l Metoda Najmniejszych Kwadratów (MNK) l Współczynnik determinacji l Koincydencja l Kataliza l Współliniowość zmiennych.
KORELACJA I REGRESJA WIELOWYMIAROWA
Ekonometria stosowana
Regresja wieloraka – bada wpływ wielu zmiennych objaśniających (niezależnych) na jedną zmienną objaśnianą (zależą)
Jednorównaniowy model regresji liniowej
Model ekonometryczny z dwiema zmiennymi
MNK – podejście algebraiczne
KORELACJA WIELOKROTNA I CZĄSTKOWA
Zapis prezentacji:

1 Kilka wybranych uzupełnień do zagadnień regresji Janusz Górczyński

2 Estymacja parametrów modelu Wektor ocen cząstkowych współczynników regresji znajdujemy z równania: A oceny błędów cząstkowych współ- czynników regresji z zależności:

3 Estymacja parametrów modelu Symbol oznacza średni kwadrat odchyleń od modelu regresji, a oznacza element przekątniowy macierzy odwrotnej do macierzy V

4 Przedział ufności dla cząstkowego współczynnika regresji Wykorzystując oceny błędów cząstkowych współczynników regresji możemy zbudo- wać przedziały ufności dla prawdziwych wartości tych współczynników:

5 Ocena błędu stałej regresji Ocenę błędu stałej regresji znajdziemy z wzoru: gdzie

6 Ocena błędu stałej regresji Macierz jest wektorem kolumnowym średnich zmiennych objaśniających: a n jest liczebnością próby losowej.

7 Prognozowanie w modelu regresyjnym Po wyestymowaniu parametrów modelu Z układu równań gdzie V jest macierzą wariansów i kowar- iansów między zmiennymi niezależenymi.

8 Prognozowanie w modelu regresyjnym Wartość regresyjną (przewidywaną) w punkcie o współrzędnych znajdujemy z wzoru: gdzie

9 Błąd prognozy Błąd wartości regresyjnej (prognozy) znajdujemy z wzoru: gdzie macierz ma postać:

10 Błąd prognozy Macierze występujące w macierzy :

11 Przykład zastosowań Proszę szczegółowo przeanalizować dane zapisane w arkuszu sprzedaz 3.xls. Przedstawiona w tym pokazie problematyka została wykorzystana do analizy szeregu czasowego poprzez zbudowanie modelu tendencji rozwojowej, a po jego wyznaczeniu do prognozowania przyszłych wartości analizowanej cechy.

12 Dziękuję za uwagę