Ökonometria. Modellspecifikáció. Ferenci Tamás 1 Hatodik fejezet. Budapesti Corvinus Egyetem. 1 Statisztika Tanszék
|
|
- Kristóf Varga
- 7 évvel ezelőtt
- Látták:
Átírás
1 Modellspecifikáció Ferenci Tamás 1 tamas.ferenci@medstat.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Hatodik fejezet
2 Tartalom 1 III. esettanulmány Háztartási Költségvetési Felvétel (HKF) 2 Specifikációs torzítás, útelemzés Interakció Kitérő: a marginális hatás általánosabb értelmezése Kvadratikus hatás 3 Pár gondolat a linearitásról általában Változóiban és paramétereiben nemlineáris modell 4 Fontosabb modellek áttekintése 5 Ramsey RESET
3 A HKF-ről III. esettanulmány Háztartási Költségvetési Felvétel (HKF) Durván: háztartásokra irányuló, költségvetésüket vizsgáló adatfelvétel (évtizedek óta készít a KSH ilyeneket) Pontos célsokaság: magánháztartásban élő magyar állampolgárok Pontos cél: a lakosság jövedelmeinek és kiadásainak, mind pénzbeli mind természetbeli vetületben való kimutatása Célsokaság lekérdezése (éves) és naplóvezetés (havi) is igen részletes adatok (főleg: jövedelmek (munka-, tőke- stb.), fogyasztott termékek és szolgáltatások stb.) Célsokasági HT-ok rotálása a mintában (egyharmad per év), érdekesség kedvéért a mintavétel típusa: véletlen, R, TL Súlyozás (a mintában tízezer körüli HT), kalibrálás
4 Eredmény- és magyarázó változóink Háztartási Költségvetési Felvétel (HKF) i feladatunk most a háztartások kiadásának modellezése lesz Eredményváltozó: a háztartás éves kiadása [eft] Ismét igen sok magyarázó változó (-jelölt) 1 Település: régió, város, vidék 2 Lakásjellemzők: méret, jelleg 3 Háztartásjellemzők 1 Méret: taglétszám, fogyasztási egység 2 Szerkezet: aktív, inaktív, eltartott, munkanélküli 3 Felszereletség: tartós fogyasztási cikkek 4 HT tagok demográfiai jellemzői 5 Jövedelmi, vagyoni jellemzők 6 Fogyasztási szokások
5 A modellspecifikációról általában Specifikációs torzítás, útelemzés Interakció Kitérő: a marginális hatás általánosabb értelmezése Kvadratikus hatás Részben hasonló kérdések mint a modellszelekciónál, nincs éles elkülönítés De: a modellszelekciónál nem foglalkoztunk azzal, hogy a változó elhagyás/hozzávétel strukturálisan mit jelent, csak azzal, hogy milyen hatásai vannak ( fenomenologikus leírás) Most a másik felével foglalkozunk: a változó bevonás/elhagyás hogyan hat a modell belső struktúrájára További modellspecifikációs kérdések a modell bonyolultságának egyéb meghatározói (a változók számán túl): változók közti interakciók és általában a függvényforma-választás (részben később foglalkozunk vele)
6 Változó bevonásának hatása a modellre Specifikációs torzítás, útelemzés Interakció Kitérő: a marginális hatás általánosabb értelmezése Kvadratikus hatás Vessük össze ezt a két (demonstráció kedvéért igen kicsi) modellt az esettanulmány feladatára: KiadEFt = 339, 746 (13,783) + 0, JovEFt (0, ) T = 8314 R 2 = 0, 5369 F (1, 8312) = 9637, 2 ˆσ = 662, 02 (standard errors in parentheses) KiadEFt = 283, 172 (16,988) + 0, (0, ) JovEFt + 34, 1727 TLetszam (6,0199) T = 8314 R2 = 0, 5386 F (2, 8311) = 4852, 8 ˆσ = 660, 78 (standard errors in parentheses) Miért változott meg a jövedelem becsült koefficiense?
7 Változó bevonásának hatása a modellre Specifikációs torzítás, útelemzés Interakció Kitérő: a marginális hatás általánosabb értelmezése Kvadratikus hatás Mondjuk, hogy a bővebb modell írja le a valóságos helyzetet (a gyakorlatban ezt persze soha nem tudhatjuk, filozófiai kérdés) Azaz a valós helyzet a második regresszió Az érdekes, hogy ez alapján előre meg tudjuk mondani, hogy az első regresszióban mi lesz a jövedelem együtthatója! (... és ebből persze a változás okát is rögtön le tudjuk olvasni) A jövedelem ugyanis nem csak a kiadásra hat sztochasztikusan, hanem a taglétszámra is: TLetszam = 1, , JovEFt (0,025067) (1,1807e 005) T = 8314 R2 = 0, 2359 F (1, 8312) = 2566, 9 ˆσ = 1, 2040 (standard errors in parentheses)
8 Változó bevonásának hatása a modellre Specifikációs torzítás, útelemzés Interakció Kitérő: a marginális hatás általánosabb értelmezése Kvadratikus hatás Ebből összerakhatjuk a szűkebb regresszióban a jövedelem együtthatóját: 0,637 = 0, , ,17 A bővebb modellben az együttható 0,617: ennyi a jövedelem direkt hatása (ha egy egységgel nő stb.), és itt véget is ér a sztori, mert a bővebb modellben a taglétszámot állandó értéken tartjuk (v.ö.: c.p.) ezért nincs jelentősége a taglétszám és a jövedelem közti sztochasztikus kapcsolatnak A szűkebb modellben viszont a jövedelem egységnyi növekedése a taglétszámot is növeli tendenciájában, a növekvő taglétszám viszont (önmagában is!) növeli a kiadást, ez lesz az indirekt hatás Totális hatás = direkt hatás + indirekt hatás(ok)
9 Változó bevonásának hatása a modellre Specifikációs torzítás, útelemzés Interakció Kitérő: a marginális hatás általánosabb értelmezése Kvadratikus hatás A szűkebb regresszióban nem tudjuk izolálni a taglétszám hatását: ha a jövedelem nő, az a bővebb modellben nem társul a taglétszám növekedésével (v.ö. a paraméter c.p. értelmezésével), a szűkebb modellben viszont igen (hiszen ott nem endogén változó a taglétszám) a szűkebb modellben a kihagyott változón keresztül terjedő hatások is beépülnek az együtthatóba A gyakorlatban persze nem tudhatjuk, hogy mi a kihagyott változó
10 A specifikációs torzítás iránya Specifikációs torzítás, útelemzés Interakció Kitérő: a marginális hatás általánosabb értelmezése Kvadratikus hatás Ez a torzítás milyen irányban módosítja a becsült paramétert? Az indirekt hatástól függ, és nem tudható általánosságban: növelheti, csökkentheti (és változatlanul is hagyhatja) a becsült koefficienst!
11 Specifikációs torzítás, útelemzés Interakció Kitérő: a marginális hatás általánosabb értelmezése Kvadratikus hatás Interakció mint a linearitás egyféle feloldása Eddigi modellünkben a marginális hatások a többi változó szintjétől függetlenül állandóak voltak Például: 1 Ft pluszjövedelem taglétszámtól függetlenül azonos többletkiadást jelent...? Ha nem, akkor azt mondjuk, hogy a két változó között interakció van: az egyik marginális hatásának nagyságát befolyásolja a másik szintje A kapcsolat tehát marginális hatás és szint között van (nem marg. hatás és marg. hatás vagy szint és szint között!) Kézenfekvő indulás: az egyik változó szintje lineárisan hasson a másik marginális hatására; sokaságban felírva: (β J + β JT Tag) Jov, ahol β JT az interakció hatását kifejező (lineáris) együttható
12 Interakció III. esettanulmány Specifikációs torzítás, útelemzés Interakció Kitérő: a marginális hatás általánosabb értelmezése Kvadratikus hatás Helyezzük ezt be a (sokasági) regresszióba: Y = β 0 + (β J + β JT Tag) Jov + β T Tag + u, azonban felbontva a zárójelet: Y = β 0 + β J Jov + β JT Tag Jov + β T Tag + u = = β 0 + β J Jov + (β T + β JT Jov) Tag + u Tehát az interakció szükségképp, automatikusan szimmetrikus : ha az egyik változó szintje hat a másik marginális hatására akkor szükségképp fordítva is: a másik szintje is hatni fog az előbbi marginális hatására
13 Interakció III. esettanulmány Specifikációs torzítás, útelemzés Interakció Kitérő: a marginális hatás általánosabb értelmezése Kvadratikus hatás Azaz egyszerre lesz igaz, hogy (β J + β JT Tag) Jov és (β T + β JT Jov) Tag: attól függően, hogy milyen szempontból nézzük (melyik marginális hatását vizsgáljuk, ezt még ld. később is) A regresszióban így elég egyszerűen ennyit írni: β T Tag + β J Jov + β JT (Jov Tag).... mindkét másik szintjétől függő marginális hatás ebből kiadódik, függően attól, hogy hogyan bontjuk fel a zárójelet (melyik változót vizsgáljuk) Ez a marginális hatás pontosabb értelmezése mellett még szebben látható lesz
14 A marginális hatás fogalma Specifikációs torzítás, útelemzés Interakció Kitérő: a marginális hatás általánosabb értelmezése Kvadratikus hatás Marginális hatás: a magyarázó változó kis növelésének hatására mekkora az eredményváltozó egységnyi magyarázóváltozó-növelésre jutó változása Tipikus egyszerűsítés: a magyarázó változó egységnyi növelésének hatására mennyit változik az eredményváltozó Feltettük, hogy az 1 egység kicsinek tekinthető; mértékegységgel nem kell törődni Idáig az i-edik magyarázó változó ilyen módon értelmezett marginális hatása és a β i számértéke gyakorlatilag szinonima volt
15 A marginális hatás precízebben Specifikációs torzítás, útelemzés Interakció Kitérő: a marginális hatás általánosabb értelmezése Kvadratikus hatás Definíció alapján a marginális hatás: Y X j, ha X j kicsiny Ugye egyetemen vagyunk a marginális hatás Y X j A többváltozós lineáris regresszió eddigi (sokasági) modelljében Y = β 1 + β 2 X β k X k + u, ezért Y X j = X j [β 1 + β 2 X β j 1 X j 1 + β j X j + β j+1 X j β k X k + u] = = β j... hát ezért tekinthettük eddig a marginális hatást és a becsült regressziós koefficienst szinonimának!
16 A marginális hatás interakciók esetén Specifikációs torzítás, útelemzés Interakció Kitérő: a marginális hatás általánosabb értelmezése Kvadratikus hatás Ha azonban interakció van, például a l-edik és az m-edik tag között, akkor az l-edik marginális hatása: Y = [β 1 + β 2 X X l X l β l X l β m X m β k X k + β lm X l X m + u] = = β l + β lm X m Így precíz az előbbi állításunk arról, hogy ha az egyik szerint vizsgáljuk a marginális hatást, akkor az a másik szintjétől fog függeni (gondoljuk hozzá a másik szerinti deriválást is!)
17 Specifikációs torzítás, útelemzés Interakció Kitérő: a marginális hatás általánosabb értelmezése Kvadratikus hatás Kvadratikus hatás, mint a linearitás újabb megsértése Már volt: mit jelent az, ha megsértjük a marginális hatás nem függ attól, hogy a többi magyarázó változót milyen szinten rögzítjük következményét a linearitásnak És ha a marginális hatás nem függ attól, hogy milyen szintről indulva növeljük a változót következményt szeretnénk feloldani? Például: 1 évvel idősebb életkor kiinduló életkortól függetlenül azonos kiadásváltozást jelent...?
18 Specifikációs torzítás, útelemzés Interakció Kitérő: a marginális hatás általánosabb értelmezése Kvadratikus hatás Kvadratikus hatás, mint a linearitás újabb megsértése A változó marginális hatása függ a saját szintjétől... hasonló az előző esethez, de nem egy másik változó szintje hat a marginális hatásra, hanem a sajátja mintha önmagával lenne interakcióban! És tényleg: β j X j helyett β j X j + β jj X j X j esetén a j-edik magyarázó változó marginális hatása: [ ]... + β j X j + β jj Xj = β j + 2β jj X j X j (Máshogy is bevezethető, később majd látni fogjuk)
19 Grafikus magyarázat Specifikációs torzítás, útelemzés Interakció Kitérő: a marginális hatás általánosabb értelmezése Kvadratikus hatás Szemléletesen az egy magyarázó változós esetben: x+10 2x^2-16x Szélsőértékhely nyilvánvaló (első derivált előjelet vált): β j + 2β jj X j = 0 X j = β j 2β jj
20 Linearitás, mint közelítés Pár gondolat a linearitásról általában Változóiban és paramétereiben nemlineáris modell Az élet általában nemlineáris (ez van) Miért használunk mégis lineáris modelleket: mert sokszor nem térnek el (nagyon) a valóságtól, de mégis sokkal könnyebben kezelhetőek matematikailag (ez van) Ez tehát az esetek többségében egy közelítés Mint ilyen: vizsgálni kell az érvényességi határokat (csap példája) Munkaponti linearizálás
21 Érvényességi határok Pár gondolat a linearitásról általában Változóiban és paramétereiben nemlineáris modell
22 Érvényességi határok Pár gondolat a linearitásról általában Változóiban és paramétereiben nemlineáris modell
23 Érvényességi határok Pár gondolat a linearitásról általában Változóiban és paramétereiben nemlineáris modell
24 Érvényességi határok Pár gondolat a linearitásról általában Változóiban és paramétereiben nemlineáris modell Az érvényességi határokat az eddig látott modellekben is érdemes végiggondolni Azonnal kézenfekvő példa: a konstans (nagyon sok esetben) De sok meredekségnél is megragadható ez (fogyasztási függvény példája) Ez is egyfajta munkaponti linearizálás
25 Nemlinearitás fajtái Pár gondolat a linearitásról általában Változóiban és paramétereiben nemlineáris modell Az β 1 + β 2 X + β 3 X 2 egy nemlineáris kifejezés (matematikailag) De figyelem: ennek ellenére minden további nélkül, tökéletesen kezelhető pusztán az eddig látott (lineáris!) eszköztárral, hiszen az OLS-nek mindegy, hogy a második magyarázó változó értékei történetesen épp az első négyzetei (Egészen addig nincs baj, amíg a kapcsolat nem lineáris) Nem úgy mint az β 1 X β 2 ez nem becsülhető OLS-sel A megkülönböztetés végett az első esetet változójában, a másodikat paraméterében nemlineáris modellnek nevezzük Mi van nemlinearitást okozó pozícióban
26 Változójában nemlineáris modell Pár gondolat a linearitásról általában Változóiban és paramétereiben nemlineáris modell Jellemző: továbbra is fennáll a változók konstansokkal szorozva majd összeadva (tehát: lineáris kombinációs) struktúra De elképzelhető, hogy egy változó egy eredeti változó transzformáltja Itt szükségképp nemlineáris transzformációról beszélünk! Vegyük észre, hogy az eredeti és transzformált közti megkülönböztetés teljesen mesterséges (csak mi tudjuk, hogy mi volt az adatbázisban bemenő adatként), az OLS-nek mindegy Ide tartozik a kvadratikus hatás, általában az X a magyarázó változók, a log a X (de vigyázat: a logaritmus alapja nem paraméter), az a X stb. (a=konst) Az előzőek miatt további tárgyalást nem igényel
27 Paramétereiben nemlineáris modell Pár gondolat a linearitásról általában Változóiban és paramétereiben nemlineáris modell Megsérti a lineáris kombináció struktúráját: paraméter nem csak szorzóként szerepel a regresszióban Például X β, log β X stb. Ez már nem becsülhető OLS-sel: az eredmányváltozó nem állítható elő mátrixműveletekkel Más módszert fogunk használni
28 Interakció és kvadratikus hatás revisited Pár gondolat a linearitásról általában Változóiban és paramétereiben nemlineáris modell Az előzőek fényében nyilvánvaló: a kvadratikus hatás egyfajta (igen egyszerű) változójában nemlineáris modell Ezért mondtam azt, hogy másképp is bevezethető, mint öninterakció: egyszerűen egy speciális nemlineáris modell Az interakció szintén változóbeli nemlinearitás, de nem annyira kézenfekvő módon (mindenképp indokolt a külön tárgyalása)
29 Nemlinearitás kezelése Pár gondolat a linearitásról általában Változóiban és paramétereiben nemlineáris modell Mi egyetlen módszert fogunk látni: algebrai linearizálás Alkalmas transzformációval a nemlineáris problémát lineárissá alakítjuk, azt OLS-sel megoldjuk, majd a kapott eredményeket visszatranszformáljuk az eredeti transzformáció inverzével Például: Y = β 1 X β 2 u paramétereiben nemlineáris de mindkét oldal logaritmusát véve log Y = log β 1 + β 2 log X + u már az! Adatbázis logaritmálása, eredmények visszahatványozása Olyan esettel most nem foglalkozunk, ami ne lenne linearizálással kezelhető (Ekkor a másik lehetőség: nemlineáris optimalizálás rendkívül sok sajátos részletkérdése, problémája van)
30 Nemlinearitás hatásai Pár gondolat a linearitásról általában Változóiban és paramétereiben nemlineáris modell Kezelés szükségessége: lásd előbb Eltérő, specifikus értelmezések megjelenése
31 Log-log modell III. esettanulmány Fontosabb modellek áttekintése Például a Cobb-Douglas termelési modell: Y = β 1 L β L K β K u, ahol Y a kibocsátás, L a munka, K a tőke (ill. általában a termelési tényezők) felhasználása Elaszticitása: El (Y, L) = dy Y dl L = dy dl L Y = β 1β L L β L 1 K β K L β 1 L β L K β K Ezért nevezik konstans elaszticitású modellnek is Kezelése linearizálással: mindkét oldalt logaritmáljuk log Y = log β 1 + β L log L + β K log K + u = β L
32 Log-log modell III. esettanulmány Fontosabb modellek áttekintése Minden változót (eredmény és összes magyarázó is) logaritmálni kell Innen a modell neve Csak a konstans lesz logaritmálva, a többi koefficienst a transzformáció ellenére (ill. épp azért... ) közvetlenül kapjuk Volumenhozadék (skálahozadék): β K + β L viszonya 1-hez
33 Fontosabb modellek áttekintése Szakágazati termelési modell, Cobb-Douglas megközelítés Model 1: OLS, using observations (n = 476) Missing or incomplete observations dropped: 3 Dependent variable: l_ertnarb Coefficient Std. Error t-ratio p-value const 1, , ,4268 0,0000 l_befeszk 0, , ,8823 0,0000 l_forgeszk 0, , ,6409 0,0000 l_szemraf 0, , ,5506 0,0000 l_ecsleir 0, , ,6655 0,0000 l_rlejkot 0, , ,5935 0,0000 Mean dependent var 3, S.D. dependent var 1, Sum squared resid 109,4631 S.E. of regression 0, R 2 0, Adjusted R 2 0, F (5, 470) 1490,231 P-value(F ) 1,3e 285 Log-likelihood 325,5952 Akaike criterion 663,1904 Schwarz criterion 688,1829 Hannan Quinn 673,0179 Volumenhozadék lineáris kombinációként tesztelhető
34 Fontosabb modellek áttekintése Szakágazati termelési modell, lineáris megközelítés Érdemes az R 2 -et is megnézni: ugyanez lineáris modellként 62,3%! Model 2: OLS, using observations Dependent variable: ErtNArb Coefficient Std. Error t-ratio p-value const 13,9163 6, ,1996 0,0283 BefEszk 0, , ,9919 0,0000 ForgEszk 1, , ,0689 0,0000 RLejKot 1, , ,8714 0,0000 SzemRaf 5, , ,4620 0,0000 ECsLeir 10,6803 0, ,8904 0,0000 Mean dependent var 90,55261 S.D. dependent var 196,0772 Sum squared resid S.E. of regression 120,5148 R 2 0, Adjusted R 2 0, F (5, 473) 158,4643 P-value(F ) 1,18e 98 Log-likelihood 2971,912 Akaike criterion 5955,824 Schwarz criterion 5980,854 Hannan Quinn 5965,663
35 Log-lin modell III. esettanulmány Fontosabb modellek áttekintése Például a jövedelem alakulása: Y = e β 1+β 2 X+u Linearizálás ismét mindkét oldal logaritmálásával: log Y = β 1 + β 2 X + u Elnevezés logikája így már látható: az eredményváltozó logaritmálva, de a magyarázó változók maradnak szintben Növekedési ráta: e β 1+β 2 (X+1)+u = Ye β 2, pillanatnyi növekedési ütem: β 2 = dlog Y dx = 1 dy Y dx Elaszticitás: El (Y, X) = dy dx X Y = β 2X, tehát csak X-től függ
36 Lin-log modell kakukktojás! Fontosabb modellek áttekintése Az előzőek alapján már világos a jelentése (pl. terület és kínálati ár összefüggése): Miért kakukktojás? β 2 értelmezése: Y = β 1 + β 2 log X + u dy dx = β 2 X β 2 = dy dx/x Elaszticitás: El (Y, X) = β 2 X X Y = β 2 Y, tehát csak Y -től függ (közvetlenül)
37 Reciprok modell kakukktojás Fontosabb modellek áttekintése Például keresleti modell: Y = β 1 + β 2 X + u Miért kakukktojás? Határkiadás: dy dx = β 2 X 2 Elaszticitás: El (Y, X) = β 2 X X 2 Y = β 2 XY Paraméterek értelmezése, β j előjelének jelentősége az aszimptotikus viselkedés szempontjából: az élvezeti cikkek példája
38 A specifikációs tesztek Ramsey RESET Itt már nagyon erősen felmerül a kérdés: hogyan dönthetek a különféle függvényformák között? Ld. a termelési függvény példáját megadható lineárisan és Cobb-Douglas jelleggel (eredmény nagyon nem mindegy) Hogyan lehet analitikusan dönteni? Az előző példára: BM-teszt, PE-teszt stb., lásd Maddala Általánosságban (nem csak log/lin kérdésekre, mint az előzőek): ún. specifikációs tesztek
39 Ramsey RESET-je Ramsey RESET A modellspecifikáció általános tesztje Emiatt előnye: nem egy adott specifikációs kérdésre keres választ, hanem általában vizsgálja, hogy a specifikáció jó-e; hátránya, hogy ha nemleges választ ad, nem derül ki, hogy pontosan mi a specifikáció baja Trükk: új regressziót becsül, melynek eredményváltozója ugyanaz, de a magyarázó változókhoz hozzáadja az eredeti regresszió becsült eredményváltozójának magasabb hatványait (Ŷ 3 -ig néha Ŷ 4 -ig is)
Bevezetés az ökonometriába
Bevezetés az ökonometriába Többváltozós regresszió: nemlineáris modellek Ferenci Tamás MSc 1 tamas.ferenci@medstat.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Hetedik előadás, 2010. november 10.
RészletesebbenBevezetés az ökonometriába
Bevezetés az ökonometriába Többváltozós lineáris regresszió: modellspecifikáció, interakció Ferenci Tamás MSc 1 tamas.ferenci@medstat.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Ötödik előadás,
RészletesebbenÖkonometria. Modellspecifikáció. Ferenci Tamás 1 Hatodik fejezet. Budapesti Corvinus Egyetem. 1 Statisztika Tanszék
Modellspecifikáció Ferenci Tamás 1 tamas.ferenci@medstat.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Hatodik fejezet Tartalom III. esettanulmány 1 III. esettanulmány Háztartási Költségvetési Felvétel
RészletesebbenNemlineáris modellek
Ferenci Tamás tamas.ferenci@medstat.hu 2018. február 7. Tartalom 1 2 3 4 A marginális hatás fogalma Marginális hatás: a magyarázó változó kis növelésének hatására mekkora az eredményváltozó egységnyi magyarázóváltozó-növelésre
Részletesebben6. előadás - Regressziószámítás II.
6. előadás - Regressziószámítás II. 2016. október 10. 6. előadás 1 / 30 Specifikációs hibák A magyarázó- és eredményváltozók kiválasztásának alapja: szakirányú elmélet, mögöttes viselkedés ismerete, múltbeli
RészletesebbenBevezetés az ökonometriába
Bevezetés az ökonometriába Többváltozós lineáris regresszió: modellszelekció Ferenci Tamás MSc 1 tamas.ferenci@medstat.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Negyedik előadás, 2010. október
RészletesebbenGyakorló feladatok a kétváltozós regresszióhoz 2. Nemlineáris regresszió
Gyakorló feladatok a kétváltozós regresszióhoz 2. Nemlineáris regresszió 1. A fizetés (Y, órabér dollárban) és iskolázottság (X, elvégzett iskolai év) közti kapcsolatot vizsgáljuk az Y t α + β X 2 t +
RészletesebbenA standard modellfeltevések, modelldiagnosztika
A standard modellfeltevések, modelldiagnosztika Ferenci Tamás tamas.ferenci@medstat.hu 2018. február 7. Tartalom Tartalomjegyzék 1. Erős exogenitás 1 2. Heteroszkedaszticitás 3 2.1. A heteroszkedaszticitás
RészletesebbenÖkonometria. Dummy változók használata. Ferenci Tamás 1 tamas.ferenci@medstat.hu. Hetedik fejezet. Budapesti Corvinus Egyetem. 1 Statisztika Tanszék
Dummy változók használata Ferenci Tamás 1 tamas.ferenci@medstat.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Hetedik fejezet Tartalom IV. esettanulmány 1 IV. esettanulmány Uniós országok munkanélkülisége
Részletesebben1. Ismétlés Utóbbi előadások áttekintése IV. esettanulmány Uniós országok munkanélkülisége... 1
Tartalom Tartalomjegyzék 1. Ismétlés 1 1.1. Utóbbi előadások áttekintése.................................. 1 2. IV. esettanulmány 1 2.1. Uniós országok munkanélkülisége................................
RészletesebbenRegresszió számítás az SPSSben
Regresszió számítás az SPSSben Kvantitatív statisztikai módszerek Petrovics Petra Lineáris regressziós modell X és Y közötti kapcsolatot ábrázoló egyenes. Az Y függ: x 1, x 2,, x p p db magyarázó változótól
RészletesebbenIdősoros elemzés minta
Idősoros elemzés minta Ferenci Tamás, tamas.ferenci@medstat.hu A felhasznált adatbázisról Elemzésemhez a francia frank árfolyamának 1986.01.03. és 1993.12.31. közötti értékeit használtam fel, mely idősorban
RészletesebbenBevezetés a Korreláció &
Bevezetés a Korreláció & Regressziószámításba Petrovics Petra Doktorandusz Statisztikai kapcsolatok Asszociáció 2 minőségi/területi ismérv között Vegyes kapcsolat minőségi/területi és egy mennyiségi ismérv
RészletesebbenIdősoros elemzés. Ferenci Tamás, ft604@hszk.bme.hu 2009. január 7.
Idősoros elemzés Ferenci Tamás, ft604@hszk.bme.hu 2009. január 7. A felhasznált adatbázisról Elemzésemhez a tanszéki honlapon rendelkezésre bocsátott TimeSeries.xls idősoros adatgyűjtemény egyik idősorát,
RészletesebbenRegressziós vizsgálatok
Regressziós vizsgálatok Regresszió (regression) Általános jelentése: visszaesés, hanyatlás, visszafelé mozgás, visszavezetés. Orvosi területen: visszafejlődés, involúció. A betegség tünetei, vagy maga
RészletesebbenStatisztika I. 12. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 1. előadás Előadó: Dr. Ertsey Imre Regresszió analízis A korrelációs együttható megmutatja a kapcsolat irányát és szorosságát. A kapcsolat vizsgálata során a gyakorlatban ennél messzebb
RészletesebbenA többváltozós lineáris regresszió 1.
2018. szeptember 17. Lakásár adatbázis - részlet eredmény- és magyarázó jellegű változók Cél: egy eredményváltozó alakulásának jellemzése a magyarázó változók segítségével Legegyszerűbb eset - kétváltozós
RészletesebbenÖkonometriai modellek paraméterei: számítás és értelmezés
Ökonometriai modellek paraméterei: számítás és értelmezés Írta: Werger Adrienn, Renczes Nóra, Pereszta Júlia, Vörösházi Ágota, Őzse Adrienn Javította és szerkesztette: Ferenci Tamás (tamas.ferenci@medstat.hu)
RészletesebbenELTE TáTK Közgazdaságtudományi Tanszék GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó június
GAZDASÁGSTATISZTIKA GAZDASÁGSTATISZTIKA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi
RészletesebbenÖkonometria. Logisztikus regresszió. Ferenci Tamás 1 Nyolcadik fejezet. Budapesti Corvinus Egyetem. 1 Statisztika Tanszék
Ferenci Tamás 1 tamas.ferenci@medstat.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Nyolcadik fejezet Tartalom V. esettanulmány 1 V. esettanulmány Csődelőrejelzés 2 Általános gondolatok 3 becslése
RészletesebbenStatisztikai következtetések Nemlineáris regresszió Feladatok Vége
[GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell
RészletesebbenKorrelációs kapcsolatok elemzése
Korrelációs kapcsolatok elemzése 1. előadás Kvantitatív statisztikai módszerek Két változó közötti kapcsolat Független: Az X ismérv szerinti hovatartozás ismerete nem ad semmilyen többletinformációt az
RészletesebbenTöbbváltozós lineáris regresszió 3.
Többváltozós lineáris regresszió 3. Orlovits Zsanett 2018. október 10. Alapok Kérdés: hogyan szerepeltethetünk egy minőségi (nominális) tulajdonságot (pl. férfi/nő, egészséges/beteg, szezonális hatások,
RészletesebbenÖkonometria BSc Gyakorló feladatok a kétváltozós regresszióhoz
Ökonometria BSc Gyakorló feladatok a kétváltozós regresszióhoz 1 Egy vállalatnál megvizsgálták 20 üzletkötő éves teljesítményét és prémiumát A megfigyelt eredményeket, és a belőlük számolt regressziós
RészletesebbenStatisztika II előadáslapok. 2003/4. tanév, II. félév
Statisztika II előadáslapok 3/4 tanév, II félév BECSLÉS ÉS HIPOTÉZISVIZSGÁLAT Egyik konzervgyár vágott zöldbabot exportál A szabvány szerint az üvegek nettó töltősúlyának az átlaga 3 g, a szórása 5 g Az
RészletesebbenÖkonometria gyakorló feladatok 1.
Ökonometria gyakorló feladatok 1. 018. szeptember 6. 1. Egy vállalatnál megvizsgálták 0 üzletkötő éves teljesítményét és prémiumát. A megfigyelt eredményeket, és a belőlük számolt regressziós részeredményeket
RészletesebbenBiomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
RészletesebbenÖkonometria. Logisztikus regresszió. Ferenci Tamás 1 tamas.ferenci@medstat.hu. Nyolcadik fejezet. Budapesti Corvinus Egyetem. 1 Statisztika Tanszék
Ferenci Tamás 1 tamas.ferenci@medstat.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Nyolcadik fejezet Tartalom V. esettanulmány 1 V. esettanulmány Csődelőrejelzés 2 Általános gondolatok 3 becslése
RészletesebbenSTATISZTIKA. Fogalom. A standard lineáris regressziós modell mátrixalgebrai jelölése. A standard lineáris modell. Eredménytáblázat
Fogalom STATISZTIKA 8 Előadás Többszörös lineáris regresszió Egy jelenség vizsgálata során általában az adott jelenséget több tényező befolyásolja, vagyis többnyire nem elegendő a kétváltozós modell elemzése
RészletesebbenGépi tanulás a gyakorlatban. Lineáris regresszió
Gépi tanulás a gyakorlatban Lineáris regresszió Lineáris Regresszió Legyen adott egy tanuló adatbázis: Rendelkezésünkre áll egy olyan előfeldolgozott adathalmaz, aminek sorai az egyes ingatlanokat írják
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p
RészletesebbenMatematikai statisztikai elemzések 6.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Prof. Dr. Závoti József Matematikai statisztikai elemzések 6. MSTE6 modul Regressziószámítás: kétváltozós lineáris és nemlineáris regresszió, többváltozós
RészletesebbenA többváltozós lineáris regresszió III. Főkomponens-analízis
A többváltozós lineáris regresszió III. 6-7. előadás Nominális változók a lineáris modellben 2017. október 10-17. 6-7. előadás A többváltozós lineáris regresszió III., Alapok Többváltozós lineáris regresszió
RészletesebbenFogalom STATISZTIKA. Alkalmazhatósági feltételek. A standard lineáris modell. Projekciós mátrix, P
Fogalom STATISZTIKA 8 Előadás Többszörös lineáris regresszió Egy jelenség vizsgálata során általában az adott jelenséget több tényező befolyásolja, vagyis többnyire nem elegendő a kétváltozós modell elemzése
Részletesebben1. II. esettanulmány 1 1.1. Szakágazati mélységű termelési függvény becslése... 1
Tartalom Tartalomjegyzék 1. II. esettanulmány 1 1.1. Szakágazati mélységű termelési függvény becslése....................... 1 2. Általánosítóképesség, túlilleszkedés 3 3. Modellszelekció 11 3.1. A modellszelekció
RészletesebbenLineáris regresszió vizsgálata resampling eljárással
Lineáris regresszió vizsgálata resampling eljárással Dolgozatomban az European Social Survey (ESS) harmadik hullámának adatait fogom felhasználni, melyben a teljes nemzetközi lekérdezés feldolgozásra került,
RészletesebbenLineáris regressziószámítás 1. - kétváltozós eset
Lineáris regressziószámítás 1. - kétváltozós eset Orlovits Zsanett 2019. február 6. Adatbázis - részlet eredmény- és magyarázó jellegű változók Cél: egy eredményváltozó alakulásának jellemzése a magyarázó
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek tesztelése I.
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Kvantitatív statisztikai módszerek Petrovics Petra Többváltozós lineáris regressziós
RészletesebbenÖkonometria gyakorló feladatok Többváltozós regresszió
Ökonometria gyakorló feladatok Többváltozós regresszió 2019. március 1. 1. Az UCSD egyetem felvételi irodája egy 427 hallgatóból álló véletlen mintát vett, és kiszámolta az egyetemi átlagpontszámukat (COLGPA),
RészletesebbenKétváltozós függvények differenciálszámítása
Kétváltozós függvények differenciálszámítása 13. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék Kétváltozós függvények p. 1/1 Definíció, szemléltetés Definíció. Az f : R R R függvényt
RészletesebbenGVMST22GNC Statisztika II.
GVMST22GNC Statisztika II. 4. előadás: 9. Kétváltozós korreláció- és regressziószámítás Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Korrelációszámítás
RészletesebbenKorreláció és lineáris regresszió
Korreláció és lineáris regresszió Két folytonos változó közötti összefüggés vizsgálata Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi Fizika és Statisztika I. előadás 2016.11.02.
Részletesebben4. el adás. Hosszú távú modell: szerepl k, piacok, egyensúly II. Kuncz Izabella. Makroökonómia. Makroökonómia Tanszék Budapesti Corvinus Egyetem
Hosszú távú modell: szerepl k, piacok, egyensúly II. Makroökonómia Tanszék Budapesti Corvinus Egyetem Makroökonómia Jöv héten dolgozat!!! Mit tudunk eddig? Hosszú távú modell Mit csinál a vállalat? Mit
Részletesebben2013 ŐSZ. 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét!
GAZDASÁGSTATISZTIKA KIDOLGOZOTT ELMÉLETI KÉRDÉSEK A 3. ZH-HOZ 2013 ŐSZ Elméleti kérdések összegzése 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét! 2. Mutassa be az
RészletesebbenGyakorlat: Sztochasztikus idősor-elemzés alapfogalmai II. Egységgyök-folyamatok és tesztek. Dr. Dombi Ákos
Gyakorlat: Sztochasztikus idősor-elemzés alapfogalmai II. Egységgyök-folyamatok és tesztek Dr. Dombi Ákos (dombi@finance.bme.hu) ESETTANULMÁNY 1. Feladat: OTP részvény átlagárfolyamának (Y=AtlAr) stacionaritás
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria Bódis Emőke 2016. 04. 25. J J 9 Korrelációanalízis Regresszióanalízis: hogyan változik egy vizsgált változó értéke egy másik változó változásának függvényében. Korrelációs
RészletesebbenMelléklet 1. A knn-módszerhez használt változólista
Melléklet 1. A knn-módszerhez használt változólista 1. Régiók (1. Budapest, Pest megye, Dunántúl; 2. Dél-Magyarország; 3. Észak-Magyarország.) 2. Főállású-e az egyéni vállalkozó dummy (1 heti legalább
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenDinamikus modellek szerkezete, SDG modellek
Diagnosztika - 3. p. 1/2 Modell Alapú Diagnosztika Diszkrét Módszerekkel Dinamikus modellek szerkezete, SDG modellek Hangos Katalin PE Villamosmérnöki és Információs Rendszerek Tanszék Diagnosztika - 3.
RészletesebbenHeckman modell. Szelekciós modellek alkalmazásai.
Heckman modell. Szelekciós modellek alkalmazásai. Mikroökonometria, 12. hét Bíró Anikó A tananyag a Gazdasági Versenyhivatal Versenykultúra Központja és a Tudás-Ökonómia Alapítvány támogatásával készült
RészletesebbenKözgazdaságtan alapjai. Dr. Karajz Sándor Gazdaságelméleti Intézet
Közgazdaságtan alapjai Dr. Karajz Sándor Gazdaságelméleti 4. Előadás Az árupiac és az IS görbe IS-LM rendszer A rövidtávú gazdasági ingadozások modellezésére használt legismertebb modell az úgynevezett
RészletesebbenBiometria az orvosi gyakorlatban. Korrelációszámítás, regresszió
SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás
RészletesebbenLikelihood, deviancia, Akaike-féle információs kritérium
Többváltozós statisztika (SZIE ÁOTK, 2011. ősz) 1 Likelihood, deviancia, Akaike-féle információs kritérium Likelihood függvény Az adatokhoz paraméteres modellt illesztünk. A likelihood függvény a megfigyelt
RészletesebbenA L Hospital-szabály, elaszticitás, monotonitás, konvexitás
A L Hospital-szabály, elaszticitás, monotonitás, konvexitás 9. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék A L Hospital-szabály, elaszticitás, monotonitás, konvexitás p. / A L
RészletesebbenElméleti összefoglalók dr. Kovács Péter
Elméleti összefoglalók dr. Kovács Péter 1. Adatállományok létrehozása, kezelése... 2 2. Leíró statisztikai eljárások... 3 3. Várható értékek (átlagok) vizsgálatára irányuló próbák... 5 4. Eloszlások vizsgálata...
RészletesebbenMatematikai geodéziai számítások 6.
Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre
RészletesebbenNépességnövekedés Technikai haladás. 6. el adás. Solow-modell II. Kuncz Izabella. Makroökonómia Tanszék Budapesti Corvinus Egyetem.
Solow-modell II. Makroökonómia Tanszék Budapesti Corvinus Egyetem Makroökonómia Jöv héten dolgozat!!! Reál GDP növekedési üteme (forrás: World Bank) Reál GDP növekedési üteme (forrás: World Bank) Mit tudunk
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
Részletesebben7. el adás. Solow-modell III. Kuncz Izabella. Makroökonómia. Makroökonómia Tanszék Budapesti Corvinus Egyetem
Solow-modell III. Makroökonómia Tanszék Budapesti Corvinus Egyetem Makroökonómia Mit tudunk eddig? Alkalmazások Hogyan változnak egyensúlyi növekedési pályán az endogén változók? Mi kell a tartós gazdasági
Részletesebben1. A vállalat. 1.1 Termelés
II. RÉSZ 69 1. A vállalat Korábbi fejezetekben már szóba került az, hogy különböző gazdasági szereplők tevékenykednek. Ezek közül az előző részben azt vizsgáltuk meg, hogy egy fogyasztó hogyan hozza meg
Részletesebben11. elıadás ( lecke) 21. lecke. Korreláció és Regresszió (folytatás) Lineáris-e a tendencia? Linearizálható nem-lineáris regressziós függvények
Korreláció és Regresszió (folytatás) 11. elıadás (21-22. lecke) Lineáris-e a tendencia? Linearizálható nem-lineáris regressziós függvények 21. lecke Linearitás ellenırzésének egyéb lehetıségei Konfidencia
RészletesebbenMAKROÖKONÓMIA Aggregált kínálati modellek, Philips görbe, Intertemporális döntés. Kiss Olivér
MAKROÖKONÓMIA Aggregált kínálati modellek, Philips görbe, Intertemporális döntés Kiss Olivér AS elmélet 4 modell az agregált kínálatra Azonos rövid távú egyenlőség az aggregált kínálatra: Y = Y + α(p P
RészletesebbenTanulási cél Szorzatfüggvényekre vonatkozó integrálási technikák megismerése és különböző típusokra való alkalmazása. 5), akkor
Integrálszámítás Integrálási szabályok Tanulási cél Szorzatfüggvényekre vonatkozó integrálási technikák megismerése és különböző típusokra való alkalmazása Motivációs feladat Valószínűség-számításnál találkozhatunk
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Racionalitás: a hasznosság és a döntés Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade
RészletesebbenKorreláció számítás az SPSSben
Korreláció számítás az SPSSben Kvantitatív statisztikai módszerek Petrovics Petra Statisztikai kapcsolatok Asszociáció 2 minőségi/területi ismérv között Vegyes kapcsolat minőségi/területi és egy mennyiségi
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Abszolútértékes és gyökös kifejezések
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Abszolútértékes és gyökös kifejezések A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval
RészletesebbenAutoregresszív és mozgóátlag folyamatok. Géczi-Papp Renáta
Autoregresszív és mozgóátlag folyamatok Géczi-Papp Renáta Autoregresszív folyamat Az Y t diszkrét paraméterű sztochasztikus folyamatok k-ad rendű autoregresszív folyamatnak nevezzük, ha Y t = α 1 Y t 1
RészletesebbenMatematikai geodéziai számítások 6.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Dr. Bácsatyai László Matematikai geodéziai számítások 6. MGS6 modul Lineáris regresszió számítás elektronikus távmérőkre SZÉKESFEHÉRVÁR 2010 Jelen szellemi
RészletesebbenAutoregresszív és mozgóátlag folyamatok
Géczi-Papp Renáta Autoregresszív és mozgóátlag folyamatok Autoregresszív folyamat Az Y t diszkrét paraméterű sztochasztikus folyamatok k-ad rendű autoregresszív folyamatnak nevezzük, ha Y t = α 1 Y t 1
Részletesebben(Independence, dependence, random variables)
Két valószínűségi változó együttes vizsgálata Feltételes eloszlások Két diszkrét változó együttes eloszlása a lehetséges értékpárok és a hozzájuk tartozó valószínűségek (táblázat) Példa: Egy urna 3 fehér,
Részletesebbeny ij = µ + α i + e ij
Elmélet STATISZTIKA 3. Előadás Variancia-analízis Lineáris modellek A magyarázat a függő változó teljes heterogenitásának két részre bontását jelenti. A teljes heterogenitás egyik része az, amelynek okai
RészletesebbenGAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó június
GAZDASÁGSTATISZTIKA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén, az ELTE Közgazdaságtudományi Tanszék, az MTA Közgazdaságtudományi
RészletesebbenTöbbváltozós Regresszió-számítás
Töváltozós Regresszió-számítás 3. előadás Döntéselőkészítés módszertana Dr. Szilágyi Roland Korreláció Célja a kacsolat szorosságának mérése. Regresszió Célja a kacsolatan megfigyelhető törvényszerűség
RészletesebbenRegressziós vizsgálatok
Regressziós vizsgálatok Regresszió (regression) Általános jelentése: visszaesés, hanyatlás, visszafelé mozgás, visszavezetés. Orvosi területen: visszafejlődés, involúció. A betegség tünetei, vagy maga
Részletesebbentársadalomtudományokban
Gépi tanulás, predikció és okság a társadalomtudományokban Muraközy Balázs (MTA KRTK) Bemutatkozik a Számítógépes Társadalomtudomány témacsoport, MTA, 2017 2/20 Empirikus közgazdasági kérdések Felváltja-e
RészletesebbenBudapesti Corvinus Egyetem Makroökonómia Tanszék 2015/2016/2 SOLOW-MODELL. 2. gyakorló feladat március 21. Tengely Veronika
Budapesti Corvinus Egyetem Makroökonómia Tanszék 2015/2016/2 SOLOW-MODELL 2. gyakorló feladat 2016. március 21. Tengely Veronika A feladat Az általunk vizsgált gazdaságban a fogyasztók a mindenkori jövedelem
RészletesebbenNem-lineáris programozási feladatok
Nem-lineáris programozási feladatok S - lehetséges halmaz 2008.02.04 Dr.Bajalinov Erik, NyF MII 1 Elég egyszerű példa: nemlineáris célfüggvény + lineáris feltételek Lehetséges halmaz x 1 *x 2 =6.75 Gradiens
Részletesebben1. (Sugár Szarvas fgy., 186. o. S13. feladat) Egy antikvárium könyvaukcióján árverésre került. = x = 6, y = 12. s y y = 1.8s x.
. Sugár Szarvas fgy., 86. o. S3. feladat Egy antikvárium könyvaukcióján árverésre került 9 könyv licitálási adatai alapján vizsgáljuk a könyvek kikiáltási és ún. leütési ára ezerft közötti sztochasztikus
RészletesebbenELTE TáTK Közgazdaságtudományi Tanszék ÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter. 2010. június
ÖKONOMETRIA ÖKONOMETRIA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék, az MTA
RészletesebbenMérési adatok illesztése, korreláció, regresszió
Mérési adatok illesztése, korreláció, regresszió Korreláció, regresszió Két változó mennyiség közötti kapcsolatot vizsgálunk. Kérdés: van-e kapcsolat két, ugyanabban az egyénben, állatban, kísérleti mintában,
RészletesebbenKözgazdaságtan alapjai. Dr. Karajz Sándor Gazdaságelméleti Intézet
Közgazdaságtan alapjai Dr. Karajz Sándor Gazdaságelméleti 10. Előadás Makrogazdasági kínálat és egyensúly Az előadás célja A makrogazdasági kínálat levezetése a következő feladatunk. Ezt a munkapiaci összefüggések
RészletesebbenTUDOMÁNY NAPJA 2013 DEBRECEN, A képzettség szerepe a gazdasági növekedésben szektorális megközelítésben
TUDOMÁNY NAPJA 2013 DEBRECEN, 2013. 11.15. A képzettség szerepe a gazdasági növekedésben szektorális megközelítésben 1 Előadó: Dr. Máté Domicián Debreceni Egyetem, KTK domician.mate@econ.unideb.hu KUTATÁSI
RészletesebbenDiagnosztika és előrejelzés
2018. november 28. A diagnosztika feladata A modelldiagnosztika alapfeladatai: A modellillesztés jóságának vizsgálata (idősoros adatok esetén, a regressziónál már tanultuk), a reziduumok fehérzaj voltának
RészletesebbenDifferenciálegyenletek. Vajda István március 4.
Analízis előadások Vajda István 2009. március 4. Függvényegyenletek Definíció: Az olyan egyenleteket, amelyekben a meghatározandó ismeretlen függvény, függvényegyenletnek nevezzük. Függvényegyenletek Definíció:
RészletesebbenSTATISZTIKA. Mit nevezünk idősornak? Az idősorok elemzésének módszertana. Az idősorelemzés célja. Determinisztikus idősorelemzés
Mit nevezünk idősornak? STATISZTIKA 10. Előadás Idősorok analízise Egyenlő időközökben végzett megfigyelések A sorrend kötött, y 1, y 2 y t y N N= időpontok száma Minden időponthoz egy adat, reprodukálhatatlanság
RészletesebbenÁrupiac. Munkapiac. Tőkepiac. KF piaca. Pénzpiac. kibocsátás. fogyasztás, beruházás. munkakínálat. munkakereslet. tőkekereslet (tőkekínálat) beruházás
kibocsátás Árupiac fogyasztás, beruházás munkakereslet tőkekereslet (tőkekínálat) Munkapiac Tőkepiac munkakínálat beruházás KF piaca megtakarítás pénzkínálat Pénzpiac pénzkereslet Kaptunk érdekes eredményeket.
RészletesebbenHatározatlan integrál
Határozatlan integrál Boros Zoltán Debreceni Egyetem, TTK Matematikai Intézet, Anaĺızis Tanszék Debrecen, 207. február 20 27. Primitív függvény, határozatlan integrál A továbbiakban legyen I R intervallum.
RészletesebbenAz 1998-as szakiskolai reform hatása
Az 1998-as szakiskolai reform hatása Előzetes eredmények Zoltán Hermann MTA KRTK Közgazdaságtudományi Intézet Magyar Közgazdasági Társaság 54. Közgazdász-vándorgyűlés 2016. Szeptember 15-16., Kecskemét
RészletesebbenÖkonometria gyakorló feladatok - idősorok elemzése
Ökonometria gyakorló feladatok - idősorok elemzése 2019. május 7. 1. Egy gazdálkodó szervezetben az átlagos készletérték alakulása negyedéves periódusokban mérve a következő: évek negyedévek 1 2 3 4 2007
RészletesebbenAlgoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás
Algoritmusok Tervezése 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás Mi az algoritmus? Lépések sorozata egy feladat elvégzéséhez (legáltalánosabban) Informálisan algoritmusnak nevezünk bármilyen jól definiált
RészletesebbenHipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok
STATISZTIKA 1. Előadás Hipotézisvizsgálatok Tematika 1. Hipotézis vizsgálatok 2. t-próbák 3. Variancia-analízis 4. A variancia-analízis validálása, erőfüggvény 5. Korreláció számítás 6. Kétváltozós lineáris
RészletesebbenNemzetközi gazdaságtan 11. a rövid távú modell
Nemzetközi gazdaságtan 11. a rövid távú modell 16. fejezet árfolyam, kamatláb, árszínvonal összefüggései... de egyvalamit elsumálkoltunk, nem véletlenül... azt, hogy ezek összefüggnek a jövedelem alakulásától
Részletesebben4. Laplace transzformáció és alkalmazása
4. Laplace transzformáció és alkalmazása 4.1. Laplace transzformált és tulajdonságai Differenciálegyenletek egy csoportja algebrai egyenletté alakítható. Ennek egyik eszköze a Laplace transzformáció. Definíció:
RészletesebbenKeynesi kereszt IS görbe. Rövid távú modell. Árupiac. Kuncz Izabella. Makroökonómia Tanszék Budapesti Corvinus Egyetem.
Árupiac Makroökonómia Tanszék Budapesti Corvinus Egyetem Makroökonómia Mit tudunk eddig? Ismerjük a gazdaság hosszú távú m ködését (klasszikus modell) Tudjuk, mit l függ a gazdasági növekedés (Solow-modell)
RészletesebbenIII. Kvantitatív változók kapcsolata (korreláció, regresszió)
III. Kvantitatív változók kapcsolata (korreláció, regresszió) Tartalom Változók kapcsolata Kétdimenziós minta (pontdiagram) Regressziós előrejelzés (predikció) Korreláció Tanuló Kétdimenziós minta Tanulással
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
RészletesebbenHipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás
STATISZTIKA Hipotézis, sejtés 11. Előadás Hipotézisvizsgálatok, nem paraméteres próbák Tudományos hipotézis Nullhipotézis felállítása (H 0 ): Kétmintás hipotézisek Munkahipotézis (H a ) Nullhipotézis (H
RészletesebbenLeíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév
Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév A pirossal írt anyagrészeket nem fogom közvetlenül számon kérni a vizsgán, azok háttérismeretként,
RészletesebbenElőadó: Dr. Kertész Krisztián
Előadó: Dr. Kertész Krisztián E-mail: k.krisztian@efp.hu A termelés költségei függenek a technológiától, az inputtényezők árától és a termelés mennyiségétől, de a továbbiakban a technológiának és az inputtényezők
RészletesebbenMatematika III előadás
Matematika III. - 2. előadás Vinczéné Varga Adrienn Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Előadáskövető fóliák Vinczéné Varga Adrienn (DE-MK) Matematika III. 2016/2017/I 1 / 23 paramétervonalak,
Részletesebben