Zgryźliwość kojarzy mi się z radością, która źle skończyła.
Brunon R. Górecki
Podstawowy kurs
nowoczesnej ekonometrii
1
SPIS TRE
ĺ
CI
Wst
ħ
p
CZ
ĦĺĘ
I. KLASYCZNY MODEL REGRESJI LINIOWEJ
1.Wprowadzenie
1.1.
Czym jest ekonometria?
1.2.
Poj
ħ
cie modelu ekonometrycznego
1.3.
Dane statystyczne
1.4.
Metodologia ekonometrii
2.
Klasyczny model regresji liniowej (KMRL)
2.1. Zapis macierzowy modelu
2.2. Od populacji do próby i od próby do populacji
2.3.
Zało
Ň
enia KMRL
3. Metoda najmniejszych kwadratów (MNK)
3.1. Estymatory MNK
3.2. Własno
Ļ
ci algebraiczne rozwi
Ģ
zania MNK
3.4 Dobro
ę
dopasowania równania regresji
4. Wnioskowanie o estymatorach MNK
4.1. Jeszcze o zało
Ň
eniu normalno
Ļ
ci zaburze
ı
losowych
4.2. Najlepszy liniowy nieobci
ĢŇ
ony estymator i twierdzenie Gaussa-Markowa
4.3. Estymator wariancji zaburzenia losowego i bł
ħ
dy standardowe estymatorów
4.4. Rozkład
t
- Studenta, weryfikacja prostych hipotez i przedziały ufno
Ļ
ci
4.5. Istotno
Ļę
równania regresji
4.6. Asymptotyczne własno
Ļ
ci estymatorów MNK
5.
Interpretacja równania regresji i testowanie hipotez
5.1. Interpretacja współczynników regresji i zało
Ň
enie liniowo
Ļ
ci w modelu regresji
5.2. Jako
Ļ
ciowe zmienne obja
Ļ
niaj
Ģ
ce – zmienne 0-1
5.3. Restrykcje
i
modele
zagnie
Ň
d
Ň
one.
Ł
Ģ
czna
istotno
Ļę
zmiennych
zero-
jedynkowych
5.4.Jako
Ļ
ciowa zmienna obja
Ļ
niana
2
5.5. Wybór regresorów. Skutki pomini
ħ
cia w równaniu regresji istotnych zmiennych
obja
Ļ
niaj
Ģ
cych; skutki dodania w równaniu regresji zmiennych nieistotnych
5.6. Testowanie ł
Ģ
cznej istotno
Ļ
ci podzbioru regresorów
5.7.Testowanie hipotez zło
Ň
onych
6. Problemy danych statystycznych
6.1. Współliniowo
Ļę
i jej konsekwencje. Wykrywanie współliniowo
Ļ
ci i
Ļ
rodki
zaradcze
6.2
. Obserwacje opuszczone
6.3
. Wykrywanie nietypowych warto
Ļ
ci zmiennej obja
Ļ
nianej i nietypowych warto
Ļ
ci
zmiennych obja
Ļ
niaj
Ģ
cych
7. Prognozowanie na podstawie KMRL
7.1 Prognoza i bł
Ģ
d standardowy prognozy
7.2
Wykorzystanie modelu dla celów symulacji
CZ
ĦĺĘ
II ZŁAGODZENIE ZAŁO
ņ
E
İ
MODELU KLASYCZNEGO
8. Uogólniona metoda najmniejszych kwadratów (UMNK)
8.1. Heteroscedastyczno
Ļę
i autokorelacja zaburzenia losowego w KMRL
8.2. Estymatory uogólnionej metody najmniejszych kwadratów (UMNK)
8.3. Testowanie heteroscedastyczno
Ļ
ci: testy Goldfelda-Quandta, Breuscha-Pagana
oraz White`a
8.4. Estymacja macierzy wariancji-kowariancji zaburze
ı
losowych w przypadku
heteroskedastyczno
Ļ
ci. Stosowalna uogólniona metoda najmniejszych kwadratów
8.5. Odporny na heteroscedastyczno
Ļę
estymator White`a macierzy wariancji-
kowariancji dla
b
wyznaczonego za pomoc
Ģ
MNK
8.6. Testowanie autokorelacji: testy Durbina-Watsona i Breuscha-Godfreya
8.7. Estymacja macierzy wariancji-kowariancji zaburze
ı
losowych w
przypadkach autokorelacji pierwszego rz
ħ
du
8.8. Odporny na heteroscedastyczno
Ļę
i odporny na autokorelacj
ħ
estymator Newey`a-
Westa macierzy wariancji-kowariancji dla
b
oszacowanego za pomoc
Ģ
MNK
9. Diagnostyka w klasycznym modelu regresji liniowej
3
9.1 Test White`a
9.2 Test RESET bł
ħ
du specyfikacji postaci funkcyjnej równania regresji Ramsey`a
9.3 Test niezagnie
Ň
d
Ň
onych alternatyw
9.4
Test stabilno
Ļę
parametrów Chowa
9.5
Test Jarque-Bera`y nienormalno
Ļ
ci zaburze
ı
9.6
Ocena wyników analizy regresji
CZ
ĦĺĘ
III. SZCZEGÓLNIE WA
ņ
NE MODELE EKONOMETRYCZNE
10.
Ograniczona zmienna obja
Ļ
niana
10.1. Liniowa funkcja prawdopodobie
ı
stwa
10.2. Metody logitowa i probitowa
10.3. Wielomianowa metoda logitowa, metoda tobitowa, modele samoselekcji próby
11.
Modele pojedynczego szeregu czasowego
11.1. Analiza klasyczna
11.2. Szereg czasowy jako realizacja procesu stochastycznego
11.3. Procesy autoregresyjne rz
ħ
du p -AR(p) (Autoregressive), procesy
Ļ
redniej
ruchomej rz
ħ
du q – MA(q) (Moving Average), Zintegrowane rz
ħ
du d procesy
autoregresyjne rz
ħ
du p ze
Ļ
redni
Ģ
ruchom
Ģ
rz
ħ
du q - ARIMA(p,d,q) (Autoregressive
Integrated Moving Average).
11.4. Procedura Boxa – Jenkinsa
11.5 Procesy ARIMA dla danych sezonowych
12.
Modele dynamiczne
12.1.
Modele o opó
Ņ
nieniach rozło
Ň
onych (Distributed Lag Models)
12.2.
Estymacja modeli DL i wybór rz
ħ
du opó
Ņ
nienia
12.3.
Modele autoregresyjne i modele autoregresyjne z opó
Ņ
nieniami rozło
Ň
onymi
(AutoRegressive Distributed Lag Models – Modele ADL lub ARDL)
12.4.
Niestacjonarno
Ļę
i integracja szeregu ; konsekwencje
12.5.
Test pierwiastka jednostkowego Dickeya-Fullera (Test DF)
12.6.
Rozszerzony test pierwiastka jednostkowego zwany w j
ħ
zyku angielskim
Augmented Dickey-Fuller Test (Test ADF)
12.7.
Kointegracja szeregów czasowych
12.8.
Przyczynowo
Ļę
w ekonometrii
4
13. Modele wektorowej autoregresji (Vector AutoRegressive Models - VAR) i modele .
korekty bł
ħ
dów
13.1. Modele wektorowej autoregresji (Vector AutoRegressive Models (VAR)
13.2. Model korekty bł
ħ
dów (Error Correction Model – ECM)
13.
Opracowywanie projektów badawczych
CZ
ĦĺĘ
IV ANEKSY
Aneks A. Elementy algebry macierzy
Aneks B. Wybrane fragmenty rozkładów prawdopodobie
ı
stwa
Aneks C. Bazy danych
5
zanotowane.pl doc.pisz.pl pdf.pisz.pl hannaeva.xlx.pl
Podstawowy kurs
nowoczesnej ekonometrii
1
SPIS TRE
ĺ
CI
Wst
ħ
p
CZ
ĦĺĘ
I. KLASYCZNY MODEL REGRESJI LINIOWEJ
1.Wprowadzenie
1.1.
Czym jest ekonometria?
1.2.
Poj
ħ
cie modelu ekonometrycznego
1.3.
Dane statystyczne
1.4.
Metodologia ekonometrii
2.
Klasyczny model regresji liniowej (KMRL)
2.1. Zapis macierzowy modelu
2.2. Od populacji do próby i od próby do populacji
2.3.
Zało
Ň
enia KMRL
3. Metoda najmniejszych kwadratów (MNK)
3.1. Estymatory MNK
3.2. Własno
Ļ
ci algebraiczne rozwi
Ģ
zania MNK
3.4 Dobro
ę
dopasowania równania regresji
4. Wnioskowanie o estymatorach MNK
4.1. Jeszcze o zało
Ň
eniu normalno
Ļ
ci zaburze
ı
losowych
4.2. Najlepszy liniowy nieobci
ĢŇ
ony estymator i twierdzenie Gaussa-Markowa
4.3. Estymator wariancji zaburzenia losowego i bł
ħ
dy standardowe estymatorów
4.4. Rozkład
t
- Studenta, weryfikacja prostych hipotez i przedziały ufno
Ļ
ci
4.5. Istotno
Ļę
równania regresji
4.6. Asymptotyczne własno
Ļ
ci estymatorów MNK
5.
Interpretacja równania regresji i testowanie hipotez
5.1. Interpretacja współczynników regresji i zało
Ň
enie liniowo
Ļ
ci w modelu regresji
5.2. Jako
Ļ
ciowe zmienne obja
Ļ
niaj
Ģ
ce – zmienne 0-1
5.3. Restrykcje
i
modele
zagnie
Ň
d
Ň
one.
Ł
Ģ
czna
istotno
Ļę
zmiennych
zero-
jedynkowych
5.4.Jako
Ļ
ciowa zmienna obja
Ļ
niana
2
5.5. Wybór regresorów. Skutki pomini
ħ
cia w równaniu regresji istotnych zmiennych
obja
Ļ
niaj
Ģ
cych; skutki dodania w równaniu regresji zmiennych nieistotnych
5.6. Testowanie ł
Ģ
cznej istotno
Ļ
ci podzbioru regresorów
5.7.Testowanie hipotez zło
Ň
onych
6. Problemy danych statystycznych
6.1. Współliniowo
Ļę
i jej konsekwencje. Wykrywanie współliniowo
Ļ
ci i
Ļ
rodki
zaradcze
6.2
. Obserwacje opuszczone
6.3
. Wykrywanie nietypowych warto
Ļ
ci zmiennej obja
Ļ
nianej i nietypowych warto
Ļ
ci
zmiennych obja
Ļ
niaj
Ģ
cych
7. Prognozowanie na podstawie KMRL
7.1 Prognoza i bł
Ģ
d standardowy prognozy
7.2
Wykorzystanie modelu dla celów symulacji
CZ
ĦĺĘ
II ZŁAGODZENIE ZAŁO
ņ
E
İ
MODELU KLASYCZNEGO
8. Uogólniona metoda najmniejszych kwadratów (UMNK)
8.1. Heteroscedastyczno
Ļę
i autokorelacja zaburzenia losowego w KMRL
8.2. Estymatory uogólnionej metody najmniejszych kwadratów (UMNK)
8.3. Testowanie heteroscedastyczno
Ļ
ci: testy Goldfelda-Quandta, Breuscha-Pagana
oraz White`a
8.4. Estymacja macierzy wariancji-kowariancji zaburze
ı
losowych w przypadku
heteroskedastyczno
Ļ
ci. Stosowalna uogólniona metoda najmniejszych kwadratów
8.5. Odporny na heteroscedastyczno
Ļę
estymator White`a macierzy wariancji-
kowariancji dla
b
wyznaczonego za pomoc
Ģ
MNK
8.6. Testowanie autokorelacji: testy Durbina-Watsona i Breuscha-Godfreya
8.7. Estymacja macierzy wariancji-kowariancji zaburze
ı
losowych w
przypadkach autokorelacji pierwszego rz
ħ
du
8.8. Odporny na heteroscedastyczno
Ļę
i odporny na autokorelacj
ħ
estymator Newey`a-
Westa macierzy wariancji-kowariancji dla
b
oszacowanego za pomoc
Ģ
MNK
9. Diagnostyka w klasycznym modelu regresji liniowej
3
9.1 Test White`a
9.2 Test RESET bł
ħ
du specyfikacji postaci funkcyjnej równania regresji Ramsey`a
9.3 Test niezagnie
Ň
d
Ň
onych alternatyw
9.4
Test stabilno
Ļę
parametrów Chowa
9.5
Test Jarque-Bera`y nienormalno
Ļ
ci zaburze
ı
9.6
Ocena wyników analizy regresji
CZ
ĦĺĘ
III. SZCZEGÓLNIE WA
ņ
NE MODELE EKONOMETRYCZNE
10.
Ograniczona zmienna obja
Ļ
niana
10.1. Liniowa funkcja prawdopodobie
ı
stwa
10.2. Metody logitowa i probitowa
10.3. Wielomianowa metoda logitowa, metoda tobitowa, modele samoselekcji próby
11.
Modele pojedynczego szeregu czasowego
11.1. Analiza klasyczna
11.2. Szereg czasowy jako realizacja procesu stochastycznego
11.3. Procesy autoregresyjne rz
ħ
du p -AR(p) (Autoregressive), procesy
Ļ
redniej
ruchomej rz
ħ
du q – MA(q) (Moving Average), Zintegrowane rz
ħ
du d procesy
autoregresyjne rz
ħ
du p ze
Ļ
redni
Ģ
ruchom
Ģ
rz
ħ
du q - ARIMA(p,d,q) (Autoregressive
Integrated Moving Average).
11.4. Procedura Boxa – Jenkinsa
11.5 Procesy ARIMA dla danych sezonowych
12.
Modele dynamiczne
12.1.
Modele o opó
Ņ
nieniach rozło
Ň
onych (Distributed Lag Models)
12.2.
Estymacja modeli DL i wybór rz
ħ
du opó
Ņ
nienia
12.3.
Modele autoregresyjne i modele autoregresyjne z opó
Ņ
nieniami rozło
Ň
onymi
(AutoRegressive Distributed Lag Models – Modele ADL lub ARDL)
12.4.
Niestacjonarno
Ļę
i integracja szeregu ; konsekwencje
12.5.
Test pierwiastka jednostkowego Dickeya-Fullera (Test DF)
12.6.
Rozszerzony test pierwiastka jednostkowego zwany w j
ħ
zyku angielskim
Augmented Dickey-Fuller Test (Test ADF)
12.7.
Kointegracja szeregów czasowych
12.8.
Przyczynowo
Ļę
w ekonometrii
4
13. Modele wektorowej autoregresji (Vector AutoRegressive Models - VAR) i modele .
korekty bł
ħ
dów
13.1. Modele wektorowej autoregresji (Vector AutoRegressive Models (VAR)
13.2. Model korekty bł
ħ
dów (Error Correction Model – ECM)
13.
Opracowywanie projektów badawczych
CZ
ĦĺĘ
IV ANEKSY
Aneks A. Elementy algebry macierzy
Aneks B. Wybrane fragmenty rozkładów prawdopodobie
ı
stwa
Aneks C. Bazy danych
5