Docsity
Docsity

Przygotuj się do egzaminów
Przygotuj się do egzaminów

Studiuj dzięki licznym zasobom udostępnionym na Docsity


Otrzymaj punkty, aby pobrać
Otrzymaj punkty, aby pobrać

Zdobywaj punkty, pomagając innym studentom lub wykup je w ramach planu Premium


Informacje i wskazówki
Informacje i wskazówki

WZORY EKONOMETRIA, Schematy z Ekonometria

EKONOMETRIA - WZORY. Metody doboru zmiennych. Metoda Nowaka. 2,. 2. 2. *. ;. 2. -. = -. +. = n. tI. nI. I r α. Metoda Hellwiga.

Typologia: Schematy

2022/2023

Załadowany 24.02.2023

Kasia_aisaK
Kasia_aisaK 🇵🇱

4.6

(35)

274 dokumenty

1 / 8

Toggle sidebar

Ta strona nie jest widoczna w podglądzie

Nie przegap ważnych części!

bg1
Opracowała: Joanna Kisielińska 1
EKONOMETRIA - WZORY
Metody doboru zmiennych
Metoda Nowaka
2,
2
2
* ;
2
n
tI
nI
I
r
Metoda Hellwiga
12 n
komb
L
l
l
Ki pi
p
pK r
r
h
2
l
l
Kp pKlhH
Metoda momentów
n
i
n
ii
n
iiii
n
ii
n
ii
xbxbyx
xbbny
1 1
2
1
1
0
1
10
1
ii xbby 10
ˆ
iii xbbye 10
Regresja prosta
Modele:
iii xy
10
MNK
SSEmin
10 ,bb
n
iii
n
iii xbbyyy
1
2
10
1
2)()
ˆ
(SSE
yx
n
i
n
iii
n
iii
xy ss
YXC
yyxx
yyxx
r),(
)()(
))((
1 1
22
1
x
s
vx
x
pf3
pf4
pf5
pf8

Podgląd częściowego tekstu

Pobierz WZORY EKONOMETRIA i więcej Schematy w PDF z Ekonometria tylko na Docsity!

EKONOMETRIA - WZORY

Metody doboru zmiennych

Metoda Nowaka

2 ,^2

2

n

I t

I n

I

r

Metoda Hellwiga

n

komb

L

l

l

i K

pi

p

pK

r

r

h

l

l p K

l pK

H h

Metoda momentów

   

   

  

  n

i

n

i

i

n

i

i i i

n

i

i

n

i

i

xy b x b x

y n b b x

1 1

2 1 1

0

1

0 1 1

i i ybbx 0 1

ˆ i i i

e  y  b  b  x

0 1

Regresja prosta

Modele:

i i i y     x   0 1

i i ybbx 0 1

ˆ

MNK

minSSE 

b 0 , b 1

 

     

n

i

i i

n

i

yi yi y b b x

1

2 0 1 1

2 SSE ( ˆ) ( )

x y

n

i

n

i

i i

n

i

i i

xy ss

C X Y

x x y y

x x y y

r

1 1

2 2

1 

 

x

s

v

x

x 

Współczynniki:

 

     

 

 

 

    

  

 

 

  

n

i

xy i i

n

i

i

n

i

xx i

n

i

i

xx

xy

y S x x y y

n

x S x x

n

b y b x

S

S

b

1 1

1

2

1

0 1

1

1 y

1 x

gdzie

Błędy dopasowania:

 2

n

SSE MSE sMSE

Podział zmienności y:

Współczynnik determinacji:

  • r

2<0,9; 1) – model bardzo dobry

  • r

2<0,8;0, 9) – model dobry

  • r

2<0,6; 0,8) – model zadowalający

  • r

2 < 0,6 – model słaby

Tabela analizy wariancji

Źródło zmienności

Suma kwadratów

Liczba stopni swobody

Średnie kwadraty

Iloraz F Istotność F

Regresja SSR^

1

1

SSR

MSR 

F emp= MSE

MSR

P(F1,n- 2  F emp)

Błąd SSE n - 2

 2

n

SSE

MSE

Razem SYY n - 1

Hipotezy:

H 0 :  1 =0 – brak zależności liniowej pomiędzy zmienną zależną y i niezależną x

H 1 :  1  0 – istnieje zależność liniowa pomiędzy zmienną zależną y i niezależną x

Wartość empiryczna statystyki testowej

MSE

MSR

Femp

Wartość krytyczna

F kryt= ROZKŁ.F.ODWR.PS (  ; 1; n-2)

Istotność F emp= ROZKŁ.F.PS (F emp ; 1; n-2)

Hipotezę H 0 odrzucamy jeśli: 1. F emp > F kryt

2. Istotność F emp < 

2 ˆ

2 y y YY

r S

SSR r  

Regresja wieloraka

Modele:

yi   0  1  xi 1  2  xi 2  kxik   i

i i i k ik ybbxbx  bx 0 1 1 2 2

ˆ

Macierze obserwacji:

n n nk n

k

k

y

y

y

x x x

x x x

x x x

2

1

1 2

21 22 2

11 12 1

X y

Zapis macierzowy modelu:

yXb

       

       

       

n n n k nk

k k

k k

y b b x b x b x

y b b x b x b x

y b b x b x b x

0 1 1 2 2

2 0 1 21 2 22 2

1 0 1 11 2 12 1

Błędy dopasowania:

  1

n k

SSE MSE sMSE

Podział zmienności y:

Współczynniki determinacji:

2 ˆ

2 1 yy YY YY

r S

SSE

S

SSR R    

1

1 1

2

   

n

S

n k

SSE

R

YY

Tabela analizy wariancji

Źródło

zmienności

Suma

kwadratów

odchyleń

Liczba

stopni

swobody

Średnie

kwadratowe

odchylenia

Iloraz F Istotność F

Regresja SSR k

k

SSR MSRF

emp=

MSE

MSR

P(F k,n-k- 1^ ^ F emp)

Błąd SSE n - k - 1

n k

SSE

MSE

Razem SYY n - 1

Hipotezy:

H 0 :  1 =…=  k =0 – brak zależności liniowej pomiędzy zmienną zależną y i zmiennymi

niezależnymi x

H 1 :i ^0

i

^  istnieje zależność liniowa pomiędzy zmienną zależną y i przynajmniej

jedną zmienną niezależną x

Wartość empiryczna statystyki testowej

MSE

MSR

Femp

Wartość krytyczna

F kryt= ROZKŁ.F.ODWR.PS (  ; k; n-k-1)

Istotność F emp= ROZKŁ.F.PS (F emp ; k; n-k-1)

Hipotezę H 0 odrzucamy jeśli: 1. F emp > F kryt

2. Istotność F emp < 

Badanie istotności parametrów strukturalnych:

jj

T j X X

n k

SSE s b [( ) ]

1

( )

 1  

 

WIERSZ i

Hipotezy

H 0 :  i =

H 1 :  i  0

Wartość empiryczna statystyki testowej

( (^) i )

i iemp Sb

b T

Wartość krytyczna

T kryt= ROZKŁ.T.ODWR.DS (  ; n-k-1)

Istotność |Ti emp |= ROZKŁ.T.DS (|Ti emp | ; n-k-1)

Hipotezę H 0 odrzucamy jeśli: 1. |Ti emp | > T kryt

2. Istotność | Ti emp | < 

Funkcja Tornquista I rodzaju

  a b x b

x y a

Linearyzacja

a

b b a

a x

x y

y    ; '

Funkcja Tornquista II rodzaju

  ,a ,b ,c x b

x c yˆ a

Linearyzacja

b bc ac x

x x

y z   ; ' ; '

Funkcja Tornquista III rodzaju

   ,a ,b ,c x b

x c yˆ a x

Linearyzacja

a acb ac b x

y x  ; ' ; ' ; '

Test Chowa:

Hipotezy:

H 0 :

1 2  i  i   i dla i =0, 1, …, k (model jest stabilny w czasie)

H 1 : parametry modeli są różne (model nie jest stabilny w czasie)

Wartość empiryczna statystyki testowej

    

   1 

2 1

1 2

1 2 .   

     

SSE SSE k

SSE SSE SSE T k F emp

Stopnie swobody: n1= k+1, n2= T-2*(k+1)

Obszar krytyczny

< f kryt,), gdzie fkryt.= ROZKŁ.F.ODWR.PS(α, n1, n2)

Prognozowanie ekonometryczne

Model i prognoza:

^ f(x ,x ,...,x ) t t 1 t 2 tk

ˆy^ f(x ,x ,...,x )

t   t  , t  , t  ,k

Oczekiwany błąd prognozy (ex ante):

ss   s MSE t

T T t t

      

  

1 ,gdzie

1 x X X x

Zrealizowany błąd prognozy (ex post):

Średni błąd predykcji:

^ 

1

i

t i yt i

y ˆ

ME

Średni absolutny błąd predykcji:

 

   

 (^1)

ˆ

1

i

t i t i MAE y y

Pierwiastek błędu średniokwadratowego:

  

 

1

i

t i t i

RMSE y yˆ

Średni absolutny procentowy błąd predykcji

 

1

i t i

t i t i

y

y yˆ

MAPE