Ειδικά Θέματα Οικονομετρίας-Χρονολογικές Σειρές
|
|
- Άρχιππος Μεσσηνέζης
- 7 χρόνια πριν
- Προβολές:
Transcript
1 Ειδικά Θέματα Οικονομετρίας-Χρονολογικές Σειρές Γεώργιος Τσιώτας Τμήμα Οικονομικών Επιστημών Σχολή Κοινωνικών Επιστημών Πανεπιστήμιο Κρήτης Ειδικά Θέματα Οικονομετρίας(ΕΘΟΟ 331)
2 Περιγραφή 1 Εισαγωγή Χρονολογικές Σειρές Εξετάζοντας Αυτοσυσχέτιση Στασιμότητα Αναγνωρίζοντας Μη-Στασιμότητα 2 Υποδείγματα Χρονολογικές Σειρών Αυτοπαλίνδρομα Υποδείγματα Υποδείγματα Κινητών Μέσων Μικτά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων Εποχικά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων 3 Μεθοδολογία Box-Jenkins Υποδείγματα ARIMA Box-Jenkins 4 ιρών Προβλέψεις με ARMA υποδείγματα Μέτρα Αξιολόγησης Προβλέψεων 5 Βιβλιογραφία
3 Περιγραφή 1 Εισαγωγή Χρονολογικές Σειρές Εξετάζοντας Αυτοσυσχέτιση Στασιμότητα Αναγνωρίζοντας Μη-Στασιμότητα 2 Υποδείγματα Χρονολογικές Σειρών Αυτοπαλίνδρομα Υποδείγματα Υποδείγματα Κινητών Μέσων Μικτά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων Εποχικά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων 3 Μεθοδολογία Box-Jenkins Υποδείγματα ARIMA Box-Jenkins 4 ιρών Προβλέψεις με ARMA υποδείγματα Μέτρα Αξιολόγησης Προβλέψεων 5 Βιβλιογραφία
4 Χρονολογικές Σειρές Χρονολογικές Σειρές Τι είναι οι χρονολογικές σειρές; Αποτελούν μια ακολουθία διαχρονικών παρατηρήσεων(παρ: y 1, y 2,..., y T )ηοποίαπαρουσιαζειπιθανήσυσχέτηση. Παράδειγματα Παράδειγμα Α: Πως η απόδοση μιας μετοχής επηρεάζεται από τις διαχρονικές της τιμές. Παράδειγμα Β: Πως ο αριθμός των αεροπορικών επιβατών επηρεάζεται από τις διαχρονικές του τιμές. Παράδειγμα Γ: Πως η μέση θερμοκρασία στο Παρίσι επηρεάζεται από τις διαχρονικές της τιμές.
5 Χρονολογικές Σειρές Στόχοι της Ανάλυσης Χρονολογικών Σειρών Τί κάνουμε στη πράξη; 1 Ενσωμάτωση της μεταβλητικότητας μιας χρονολογικής σειράς μέσω ενός υποδείγματος χρονολογικώς σειρών 2 Η ενσωμάτωση πραγματοποιείται με τη λογική του μαύρου κουτιού (Black Box) 3 Επιλέγουμε το υπόδειγμα που επιτυγχάνει τη καλύτερη δυνατή ενσωμάτωση με τις λιγότερες μεταβλητές 4 Αφου το επιτύχουμε αυτό. Πραγματοποιούμε μελλοντικές προβλέψεις μέσω του υποδείγματος το οποίο έχουμε επιλέξει
6 Χρονολογικές Σειρές Στόχοι της Ανάλυσης Χρονολογικών Σειρών Τί κάνουμε στη πράξη; 1 Ενσωμάτωση της μεταβλητικότητας μιας χρονολογικής σειράς μέσω ενός υποδείγματος χρονολογικώς σειρών 2 Η ενσωμάτωση πραγματοποιείται με τη λογική του μαύρου κουτιού (Black Box) 3 Επιλέγουμε το υπόδειγμα που επιτυγχάνει τη καλύτερη δυνατή ενσωμάτωση με τις λιγότερες μεταβλητές 4 Αφου το επιτύχουμε αυτό. Πραγματοποιούμε μελλοντικές προβλέψεις μέσω του υποδείγματος το οποίο έχουμε επιλέξει
7 Χρονολογικές Σειρές Στόχοι της Ανάλυσης Χρονολογικών Σειρών Τί κάνουμε στη πράξη; 1 Ενσωμάτωση της μεταβλητικότητας μιας χρονολογικής σειράς μέσω ενός υποδείγματος χρονολογικώς σειρών 2 Η ενσωμάτωση πραγματοποιείται με τη λογική του μαύρου κουτιού (Black Box) 3 Επιλέγουμε το υπόδειγμα που επιτυγχάνει τη καλύτερη δυνατή ενσωμάτωση με τις λιγότερες μεταβλητές 4 Αφου το επιτύχουμε αυτό. Πραγματοποιούμε μελλοντικές προβλέψεις μέσω του υποδείγματος το οποίο έχουμε επιλέξει
8 Χρονολογικές Σειρές Στόχοι της Ανάλυσης Χρονολογικών Σειρών Τί κάνουμε στη πράξη; 1 Ενσωμάτωση της μεταβλητικότητας μιας χρονολογικής σειράς μέσω ενός υποδείγματος χρονολογικώς σειρών 2 Η ενσωμάτωση πραγματοποιείται με τη λογική του μαύρου κουτιού (Black Box) 3 Επιλέγουμε το υπόδειγμα που επιτυγχάνει τη καλύτερη δυνατή ενσωμάτωση με τις λιγότερες μεταβλητές 4 Αφου το επιτύχουμε αυτό. Πραγματοποιούμε μελλοντικές προβλέψεις μέσω του υποδείγματος το οποίο έχουμε επιλέξει
9 Χρονολογικές Σειρές Στόχοι της Ανάλυσης Χρονολογικών Σειρών Τί κάνουμε στη πράξη; 1 Ενσωμάτωση της μεταβλητικότητας μιας χρονολογικής σειράς μέσω ενός υποδείγματος χρονολογικώς σειρών 2 Η ενσωμάτωση πραγματοποιείται με τη λογική του μαύρου κουτιού (Black Box) 3 Επιλέγουμε το υπόδειγμα που επιτυγχάνει τη καλύτερη δυνατή ενσωμάτωση με τις λιγότερες μεταβλητές 4 Αφου το επιτύχουμε αυτό. Πραγματοποιούμε μελλοντικές προβλέψεις μέσω του υποδείγματος το οποίο έχουμε επιλέξει
10 Εξετάζοντας Αυτοσυσχέτιση Αυτοσυσχέτιση Ορισμός Στις χρονολογικές σειρές η συνάρτηση αυτοσυσχέτισης μετρά το διαχρονικό βαθμό συμμεταβολής μιας χρονολογικής σειράς σε σχέση με τηνίδιατησειράστον k-βαθμόυστέρησης. όπου Cov(k) = Αυτοσυνδιακύμανση r(k) = Cov(k) S 2 y 1 T k 1 T (y t ȳ)(y t k ȳ) t=k+1
11 Εξετάζοντας Αυτοσυσχέτιση Ελεγχος Portmanteau Portmanteau test Είναι ένας εναλλακτικός έλεγχος αυτοσυσχέτισης κατά τον οποίο εξετάζουμε όλες τις τιμές r(k) ταυτόχρονα. Σύμφωνα με αυτόν ελέγχουμε εαν οι r(k) στο σύνολο είναι σημαντικά διάφορες του μηδενός. h Q = T r(k) 2 χ 2 h m k=1 Το Box-Pierce Q-test, όπου h mοιβαθμοίελευθερίας,με hτιςυστερήσειςπουυποθέσαμε, π.χ.30και mτοναριθμότ νπαραμέτρωντουεκτιμόμενουυποδείγματος μας.
12 Εξετάζοντας Αυτοσυσχέτιση Αναγνωρίζοντας Εποχικότητα Ορισμός Η ύπαρξη εποχικότητας αναγνωρίζεται ως ένα φαινόμενο επαναλαμβανόμενων σε μέγεθος τιμών σε συγκεκριμένη χρονική στιγμή. Παράδειγμα Α: Μέγιστες και ελάχιστες τιμές αεροπορικών επιβατών. Παράδειγμα Β: Ελάχιστες τιμές θερμοκρασίας στο Παρίσι. Διάγνωση Εποχικότηταστις r(k). Εποχικότητα στην απεικόνηση των δεδομένων μέσω γραφήματος.
13 Στασιμότητα Στασιμότητα Ορισμός Μιαχρονολογικήσειράείναιστάσιμηότανημέσητηςτιμήκαιη διακύμανση δεν επηρεάζονται από τον χρόνο. Ενώ η συνδιακύμανση μεταξύ των τιμών της σε δύο διαδοχικά χρονικά σημεία εξαρτάται μόνο αποτηναπόστασηανάμεσασταχρονικάσημεία,καιόχιαπότονίδιοτο χρόνο. Μαθηματικά αυτό ισχύει όταν: E(y t ) = µ y V(y t ) = E(y t E(y t )) 2 = σ 2 y Cov(y t, y t k ) = E(y t E(y t ))(y t k E(y t k )) = γ k
14 Στασιμότητα Αυτοσυνδιακύμανση ή Αυτοσχέτιση Ορισμός Αυτοσυνδιακύμανση Αυτοσυνδιακύμανση(Autocovariance) ορίζεται ώς η συνδιακύμανση μεταξύ δύο χρονικών περιόδων μιας χρονολογικής σειράς που βρίσκονται σε κάποια χρονική απόσταση k μεταξύ τους. Cov(y t, y t k ) = E(y t E(y t ))(y t k E(y t k )) = γ k, k 0 Ορισμός Αυτοσχέτισης Αυτοσυσχέτιση(Autocorrelation) ορίζεται ώς ο λόγος της συνδιακύμανσης μεταξύ δύο χρονικών περιόδων μιας χρονολογικής σειράς προς το γινόμενο των τυπικών τους αποκλίσεων. r(k) = Cov(y t, y t k ) S 2 y
15 Στασιμότητα Αυτοσυνδιακύμανση ή Αυτοσχέτιση(συνεχ.) Αυτή εκφράζεται ως: r(k) = γ T k t=k+1 = (y t ȳ)(y t k ȳ) γ T 0 t=k+1 (y t ȳ) 2 Παρατήρηση: Ηδιαγραμματικήαπεικόνησητωντιμώντης ρ k γιαδιάφορεςτιμέςτης k καλείται συνάρτηση αυτοσυσχέτισης(autocorrelation function (ACF), Correlogram).
16 Στασιμότητα Η Συνάρτηση Αυτοσχέτισης μέσω Η/Υ 1 Δημιουργία επιφάνεια εργασιας: File/New/Workfile/Select data type 2 Εισαγωγήδεδομένωνσεμορφή txtήexcel File/Import/Read text-lotus-excel 3 Άνοιξε τη χρονολογική σειρά δεξί click 4 Παρουσίαση Κορελογράμματος View/Correlogram
17 Στασιμότητα Η Συνάρτηση Αυτοσχέτισης μέσω Η/Υ 1 Δημιουργία επιφάνεια εργασιας: File/New/Workfile/Select data type 2 Εισαγωγήδεδομένωνσεμορφή txtήexcel File/Import/Read text-lotus-excel 3 Άνοιξε τη χρονολογική σειρά δεξί click 4 Παρουσίαση Κορελογράμματος View/Correlogram
18 Στασιμότητα Η Συνάρτηση Αυτοσχέτισης μέσω Η/Υ 1 Δημιουργία επιφάνεια εργασιας: File/New/Workfile/Select data type 2 Εισαγωγήδεδομένωνσεμορφή txtήexcel File/Import/Read text-lotus-excel 3 Άνοιξε τη χρονολογική σειρά δεξί click 4 Παρουσίαση Κορελογράμματος View/Correlogram
19 Στασιμότητα Η Συνάρτηση Αυτοσχέτισης μέσω Η/Υ 1 Δημιουργία επιφάνεια εργασιας: File/New/Workfile/Select data type 2 Εισαγωγήδεδομένωνσεμορφή txtήexcel File/Import/Read text-lotus-excel 3 Άνοιξε τη χρονολογική σειρά δεξί click 4 Παρουσίαση Κορελογράμματος View/Correlogram
20 Αναγνωρίζοντας Μη-Στασιμότητα Ελεγχος Στασιμότητα Άτυπος Ελεγχος Από απεικόνηση των δεδομένων μέσω γραφηματος φαίνονται μεταβολές στο μέσο ή/και στη διακύμανση.. Ησυνάρτηση r(k)είναιυψηλή(άνωτου 0.4)καιθετικήγιαμεγάλο βαθμό υστέρησης.
21 Αναγνωρίζοντας Μη-Στασιμότητα Ελεγχος Στασιμότητα Dickey-Fuller Ο Ελεγχος Εστωχρονολογικήσειρά y 1, y 2,..., y T,τηνοποίαθέλουμενα ελέγξουμε ως προς τη στασιμότητα της. Ενας τρόπος ελέγχου στασιμότητας είναι αυτός των Dickey-Fuller. Ετσι, εαν προσδιορίσουμε το υπόδειγμα: y t = βy t 1 + ǫ t y t y t 1 = βy t 1 y t 1 + ǫ t y t = δy t 1 + ǫ t Ο έλεγχος για την στασιμότητα της σειράς ισοδυναμεί με τον έλεγχο: H 0 : δ = 0 H 1 : δ < 0, όπου δ = β 1.
22 Αναγνωρίζοντας Μη-Στασιμότητα Ελεγχος Στασιμότητας Dickey-Fuller στη πράξη Δεδομένα: AirPassengers.XLS y = χρονοσειρά αριθμόυ αεροπορικών επιβατών Ελεγχος Στασιμότητα μέσω Η/Υ 1 Δημιουργία επιφάνεια εργασιας & Εισαγωγη δεδομένων 2 Άνοιξε τη σειρά δεδομένων χρησιμοποιώντας δεξί click 3 Ελεγχος Στασιμότητα Dickey-Fuller Δεδομένου απιπέδου σημαντικότητας ααποδεχόμαστετην H 0 (μη-στασιμότητα)όταν t t α όπου t α κριτικήτιμή.σεαντίθετηπερίπτωση (t < t α ) δεχόμαστε την ύπαρχη στασιμότητας της σειράς. Μέσω Eviews: View/Unit Root Test
23 Αναγνωρίζοντας Μη-Στασιμότητα Ελεγχος Στασιμότητας Dickey-Fuller στη πράξη Δεδομένα: AirPassengers.XLS y = χρονοσειρά αριθμόυ αεροπορικών επιβατών Ελεγχος Στασιμότητα μέσω Η/Υ 1 Δημιουργία επιφάνεια εργασιας & Εισαγωγη δεδομένων 2 Άνοιξε τη σειρά δεδομένων χρησιμοποιώντας δεξί click 3 Ελεγχος Στασιμότητα Dickey-Fuller Δεδομένου απιπέδου σημαντικότητας ααποδεχόμαστετην H 0 (μη-στασιμότητα)όταν t t α όπου t α κριτικήτιμή.σεαντίθετηπερίπτωση (t < t α ) δεχόμαστε την ύπαρχη στασιμότητας της σειράς. Μέσω Eviews: View/Unit Root Test
24 Αναγνωρίζοντας Μη-Στασιμότητα Ελεγχος Στασιμότητας Dickey-Fuller στη πράξη Δεδομένα: AirPassengers.XLS y = χρονοσειρά αριθμόυ αεροπορικών επιβατών Ελεγχος Στασιμότητα μέσω Η/Υ 1 Δημιουργία επιφάνεια εργασιας & Εισαγωγη δεδομένων 2 Άνοιξε τη σειρά δεδομένων χρησιμοποιώντας δεξί click 3 Ελεγχος Στασιμότητα Dickey-Fuller Δεδομένου απιπέδου σημαντικότητας ααποδεχόμαστετην H 0 (μη-στασιμότητα)όταν t t α όπου t α κριτικήτιμή.σεαντίθετηπερίπτωση (t < t α ) δεχόμαστε την ύπαρχη στασιμότητας της σειράς. Μέσω Eviews: View/Unit Root Test
25 Αναγνωρίζοντας Μη-Στασιμότητα Αντιμετώπηση Μη-Στασιμότητας στη πράξη Στάδια δημιουργίας στάσιμης σειράς(μη-εποχικής) 1 Δημιουργία δεδομένων πρώτης διαφοράς y t = y t y t 1 2 ΆτυποςκαιΣτατιστικός ΕλεγχοςΣτασιμότηταςγιατη y t μέσω: r(k), Box-Pierce, Dickey-Fuller Αν y t Στάσιμη, Τέλος διαδικασίας Αν y t Μη-Στάσιμη,παίρνουμετη y t = y t y t 1και επανελέγχουμε...εως ότου επιτύχουμε στασιμότητα Οπου: y t = y t 2y t 1 + y t 2
26 Αναγνωρίζοντας Μη-Στασιμότητα Αντιμετώπηση Μη-Στασιμότητας στη πράξη Στάδια δημιουργίας στάσιμης σειράς(μη-εποχικής) 1 Δημιουργία δεδομένων πρώτης διαφοράς y t = y t y t 1 2 ΆτυποςκαιΣτατιστικός ΕλεγχοςΣτασιμότηταςγιατη y t μέσω: r(k), Box-Pierce, Dickey-Fuller Αν y t Στάσιμη, Τέλος διαδικασίας Αν y t Μη-Στάσιμη,παίρνουμετη y t = y t y t 1και επανελέγχουμε...εως ότου επιτύχουμε στασιμότητα Οπου: y t = y t 2y t 1 + y t 2
27 Αναγνωρίζοντας Μη-Στασιμότητα Αντιμετώπηση Μη-Στασιμότητας στη πράξη Στάδια δημιουργίας στάσιμης σειράς(μη-εποχικής) 1 Δημιουργία δεδομένων πρώτης διαφοράς y t = y t y t 1 2 ΆτυποςκαιΣτατιστικός ΕλεγχοςΣτασιμότηταςγιατη y t μέσω: r(k), Box-Pierce, Dickey-Fuller Αν y t Στάσιμη, Τέλος διαδικασίας Αν y t Μη-Στάσιμη,παίρνουμετη y t = y t y t 1και επανελέγχουμε...εως ότου επιτύχουμε στασιμότητα Οπου: y t = y t 2y t 1 + y t 2
28 Αναγνωρίζοντας Μη-Στασιμότητα Αντιμετώπηση Μη-Στασιμότητας στη πράξη Στάδια δημιουργίας στάσιμης σειράς(εποχικής) 1 Δημιουργία νέων δεδομένων για μηνιαία δεδομένα(s = 12) y t = y t y t 12 2 ΆτυποςκαιΣτατιστικός ΕλεγχοςΣτασιμότηταςγιατη y t μέσω: r(k), Box-Pierce, Dickey-Fuller Αν y t Αν y t Στάσιμη, Τέλος διαδικασίας Μη-Στάσιμη,παίρνουμετη yt = y t y t 1και επανελέγχουμε...εως ότου επιτύχουμε στασιμότητα Οπου: y t = y t y t 1 y t 12 + y 13
29 Αναγνωρίζοντας Μη-Στασιμότητα Αντιμετώπηση Μη-Στασιμότητας στη πράξη Στάδια δημιουργίας στάσιμης σειράς(εποχικής) 1 Δημιουργία νέων δεδομένων για μηνιαία δεδομένα(s = 12) y t = y t y t 12 2 ΆτυποςκαιΣτατιστικός ΕλεγχοςΣτασιμότηταςγιατη y t μέσω: r(k), Box-Pierce, Dickey-Fuller Αν y t Αν y t Στάσιμη, Τέλος διαδικασίας Μη-Στάσιμη,παίρνουμετη yt = y t y t 1και επανελέγχουμε...εως ότου επιτύχουμε στασιμότητα Οπου: y t = y t y t 1 y t 12 + y 13
30 Αναγνωρίζοντας Μη-Στασιμότητα Αντιμετώπηση Μη-Στασιμότητας στη πράξη Στάδια δημιουργίας στάσιμης σειράς(εποχικής) 1 Δημιουργία νέων δεδομένων για μηνιαία δεδομένα(s = 12) y t = y t y t 12 2 ΆτυποςκαιΣτατιστικός ΕλεγχοςΣτασιμότηταςγιατη y t μέσω: r(k), Box-Pierce, Dickey-Fuller Αν y t Αν y t Στάσιμη, Τέλος διαδικασίας Μη-Στάσιμη,παίρνουμετη yt = y t y t 1και επανελέγχουμε...εως ότου επιτύχουμε στασιμότητα Οπου: y t = y t y t 1 y t 12 + y 13
31 Αναγνωρίζοντας Μη-Στασιμότητα Αντιμετώπηση Μη-Στασιμότητας στη πράξη Χρήσιμοι Συμβολισμοί Ηπρώτηδιαφορα: By t = y t 1 Ηδεύτερηδιαφορα: B(By t ) = B 2 y t = y t 2 y t = y t y t 1 = y t By t = (1 B)y t y t = y t 2y t 1 + y t 2 = (1 2B + B 2 )y t = (1 B) 2 y t Η d-διαφορά (1 B) d y t Εποχική s = 12διαφοράμαζίμεπρώτηδιαφορά (1 B)(1 B s )y t (1 B)(1 B s )y t = (1 B B s +B s+1 )y t = y t y t 1 y t s +y t s 1
32 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα Ι: Ανάλυση Χρονολογικής Σειράς Τιμών μιας μετοχής Στόχοι της Ανάλυση Χρονολογικής Σειράς 1 Εύρεση αρίστου υποδείγματος 2 Πρόβλεψη μελλοντικών τιμών της χρονολογικής σειράς Δεδομένα: DowJones.Util.Index.xls 1 Στάδιο Ι: Ελεγχος Στασιμότητας 2 Στάδιο ΙΙ: Εύρεση αρίστου υποδείγματος και Πρόβλεψη
33 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα Ι: Ανάλυση Χρονολογικής Σειράς Τιμών μιας μετοχής Στόχοι της Ανάλυση Χρονολογικής Σειράς 1 Εύρεση αρίστου υποδείγματος 2 Πρόβλεψη μελλοντικών τιμών της χρονολογικής σειράς Δεδομένα: DowJones.Util.Index.xls 1 Στάδιο Ι: Ελεγχος Στασιμότητας 2 Στάδιο ΙΙ: Εύρεση αρίστου υποδείγματος και Πρόβλεψη
34 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα Ι: Ανάλυση Χρονολογικής Σειράς Τιμών μιας μετοχής Στόχοι της Ανάλυση Χρονολογικής Σειράς 1 Εύρεση αρίστου υποδείγματος 2 Πρόβλεψη μελλοντικών τιμών της χρονολογικής σειράς Δεδομένα: DowJones.Util.Index.xls 1 Στάδιο Ι: Ελεγχος Στασιμότητας 2 Στάδιο ΙΙ: Εύρεση αρίστου υποδείγματος και Πρόβλεψη
35 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα Ι(συν.) Ημερήσιες τιμές κλεισίματος του δείκτη DowJones Utility index DOW
36 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα Ι(συν.) Μετασχηματισμός των δεδομένων σε ημερήσιες αποδόσεις DLOGDOW
37 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα Ι(συν.) Ελεγχος στασιμότητας-acf των ημερήσεων αποδόσεων file:///c /Documents and Settings/user/Τα γγραφ ου/dow.acf.dlog.htm Date: 12/02/06 Time: 14:03 Sample: 1 78 Included observations: 77 AutocorrelationPartial Correlation AC PAC Q-Stat Prob. ***. *** **. * * **. * * *.. * * * *.. * * *.. ** * *. ** *..* *.. ** * * * *. ** * *..* ** **..* **.. * * *..* *
38 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα Ι(συν.) Ελεγχος στασιμότητας-df των ημερήσεων αποδόσεων file:///c /Documents and Settings/user/Τα γγραφ ου/dow.df.dlog.htm Null Hypothesis: DLOGDOW has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=11) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(DLOGDOW) Method: Least Squares Date: 12/02/06 Time: 14:02 Sample (adjusted): 3 78 Included observations: 76 after adjustments Variable Coefficient Std. Error t-statistic Prob. DLOGDOW(-1) C R-squared Mean dependent var-5.36e-05 Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
39 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα ΙΙ: Ανάλυση Χρονολογικής Σειράς Αεροπορικών Επιβατών Στόχοι της Ανάλυση Χρονολογικής Σειράς 1 Εύρεση αρίστου υποδείγματος 2 Πρόβλεψη μελλοντικών τιμών της χρονολογικής σειράς Δεδομένα: AirPassengers.XLS 1 Στάδιο Ι: Ελεγχος Στασιμότητας 2 Στάδιο ΙΙ: Εύρεση αρίστου υποδείγματος και Πρόβλεψη
40 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα ΙΙ: Ανάλυση Χρονολογικής Σειράς Αεροπορικών Επιβατών Στόχοι της Ανάλυση Χρονολογικής Σειράς 1 Εύρεση αρίστου υποδείγματος 2 Πρόβλεψη μελλοντικών τιμών της χρονολογικής σειράς Δεδομένα: AirPassengers.XLS 1 Στάδιο Ι: Ελεγχος Στασιμότητας 2 Στάδιο ΙΙ: Εύρεση αρίστου υποδείγματος και Πρόβλεψη
41 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα ΙΙ: Ανάλυση Χρονολογικής Σειράς Αεροπορικών Επιβατών Στόχοι της Ανάλυση Χρονολογικής Σειράς 1 Εύρεση αρίστου υποδείγματος 2 Πρόβλεψη μελλοντικών τιμών της χρονολογικής σειράς Δεδομένα: AirPassengers.XLS 1 Στάδιο Ι: Ελεγχος Στασιμότητας 2 Στάδιο ΙΙ: Εύρεση αρίστου υποδείγματος και Πρόβλεψη
42 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα ΙΙ: Ανάλυση Χρονολογικής Σειράς Αεροπορικών Επιβατών Ερωτήματα 1 Να γίνει η διαγραμματική απεικόνηση της χρονολογικής σειράς. Είναι στάσιμη; 2 Παρουσιάζει η εν λόγω σειρά εποχικότητα; Εαν ναι, ποιά τιμή παίρνειτο s 3 Τίπληροφορίαμαςδίνειηr(k)γιαταδεδομέναμας; 4 Ποιά στάδια απολουθείτε προκειμένου να κάνετε τη σειρά σας στάσιμη; 5 Διατυπώστε και πραγματοποιείστε τους ελέγχους Box-Pierce, Dickey-Fuller στη πράξη
43 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα ΙΙ: Ανάλυση Χρονολογικής Σειράς Αεροπορικών Επιβατών Ερωτήματα 1 Να γίνει η διαγραμματική απεικόνηση της χρονολογικής σειράς. Είναι στάσιμη; 2 Παρουσιάζει η εν λόγω σειρά εποχικότητα; Εαν ναι, ποιά τιμή παίρνειτο s 3 Τίπληροφορίαμαςδίνειηr(k)γιαταδεδομέναμας; 4 Ποιά στάδια απολουθείτε προκειμένου να κάνετε τη σειρά σας στάσιμη; 5 Διατυπώστε και πραγματοποιείστε τους ελέγχους Box-Pierce, Dickey-Fuller στη πράξη
44 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα ΙΙ: Ανάλυση Χρονολογικής Σειράς Αεροπορικών Επιβατών Ερωτήματα 1 Να γίνει η διαγραμματική απεικόνηση της χρονολογικής σειράς. Είναι στάσιμη; 2 Παρουσιάζει η εν λόγω σειρά εποχικότητα; Εαν ναι, ποιά τιμή παίρνειτο s 3 Τίπληροφορίαμαςδίνειηr(k)γιαταδεδομέναμας; 4 Ποιά στάδια απολουθείτε προκειμένου να κάνετε τη σειρά σας στάσιμη; 5 Διατυπώστε και πραγματοποιείστε τους ελέγχους Box-Pierce, Dickey-Fuller στη πράξη
45 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα ΙΙ: Ανάλυση Χρονολογικής Σειράς Αεροπορικών Επιβατών Ερωτήματα 1 Να γίνει η διαγραμματική απεικόνηση της χρονολογικής σειράς. Είναι στάσιμη; 2 Παρουσιάζει η εν λόγω σειρά εποχικότητα; Εαν ναι, ποιά τιμή παίρνειτο s 3 Τίπληροφορίαμαςδίνειηr(k)γιαταδεδομέναμας; 4 Ποιά στάδια απολουθείτε προκειμένου να κάνετε τη σειρά σας στάσιμη; 5 Διατυπώστε και πραγματοποιείστε τους ελέγχους Box-Pierce, Dickey-Fuller στη πράξη
46 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα ΙΙ: Ανάλυση Χρονολογικής Σειράς Αεροπορικών Επιβατών Ερωτήματα 1 Να γίνει η διαγραμματική απεικόνηση της χρονολογικής σειράς. Είναι στάσιμη; 2 Παρουσιάζει η εν λόγω σειρά εποχικότητα; Εαν ναι, ποιά τιμή παίρνειτο s 3 Τίπληροφορίαμαςδίνειηr(k)γιαταδεδομέναμας; 4 Ποιά στάδια απολουθείτε προκειμένου να κάνετε τη σειρά σας στάσιμη; 5 Διατυπώστε και πραγματοποιείστε τους ελέγχους Box-Pierce, Dickey-Fuller στη πράξη
47 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα ΙΙ: Ανάλυση Χρονολογικής Σειράς Αεροπορικών Επιβατών Ερωτήματα 1 Να γίνει η διαγραμματική απεικόνηση της χρονολογικής σειράς. Είναι στάσιμη; 2 Παρουσιάζει η εν λόγω σειρά εποχικότητα; Εαν ναι, ποιά τιμή παίρνειτο s 3 Τίπληροφορίαμαςδίνειηr(k)γιαταδεδομέναμας; 4 Ποιά στάδια απολουθείτε προκειμένου να κάνετε τη σειρά σας στάσιμη; 5 Διατυπώστε και πραγματοποιείστε τους ελέγχους Box-Pierce, Dickey-Fuller στη πράξη
48 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα ΙΙ(συν.) Μηνιαίες τιμές αεροπορικών επιβατών AIRPASS
49 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα ΙΙ(συν.) Ελεγχος στασιμότητας-acf των μηνιαίων τιμών αεροπορικών επιβατών file:///c /Documents and Settings/user/Τα γγραφ ου/air.acf.htm Date: 12/01/06 Time: 15:46 Sample: Included observations: 144 AutocorrelationPartial Correlation AC PAC Q-Stat Prob. *******. ******* ******* ** ****** ******. * ******. * ***** *****. * *****. * *****. ** *****. * ******. * ****** * ***** **** ***** ****. * **** **** ****. * *** *** *** **** * **** **** **** * *** ***. * *** ** ** ** ** ** ** ** *** file:///c /Documents and Settings/user/Τα γγραφ ου/air.acf.htm2/12/2006 2:05:10
50 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα ΙΙ(συν.) Ελεγχος στασιμότητας-df των μηνιαίων τιμών αεροπορικών επιβατών file:///c /Documents and Settings/user/Τα γγραφ ου/air.df.htm Null Hypothesis: AIR has a unit root Exogenous: Constant Lag Length: 4 (Automatic based on SIC, MAXLAG=5) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(AIR) Method: Least Squares Date: 12/02/06 Time: 13:40 Sample (adjusted): Included observations: 139 after adjustments Variable Coefficient Std. Error t-statistic Prob. AIR(-1) D(AIR(-1)) D(AIR(-2)) D(AIR(-3)) D(AIR(-4)) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
51 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα ΙΙ(συν.) Μετασχηματισμός των δεδομένων σε μηνιαίες διαφορές D12AIR
52 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα ΙΙ(συν.) Ελεγχος στασιμότητας-acf των δεδομένων σε δωδεκάμηνες διαφορές file:///c /Documents and Settings/user/Τα γγραφ ου/air.acf.d12.htm Date: 12/02/06 Time: 20:36 Sample: Included observations: 132 AutocorrelationPartial Correlation AC PAC Q-Stat Prob. ******. ****** *****. ** **** * *** ***. * ** ** * * *. * ** * *. * * *. * * ** **. * ** *.. * * ** * * *. * *. * * * * * *.. * *
53 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα ΙΙ(συν.) Ελεγχος στασιμότητας-df των δεδομένων σε μηνιαίες διαφορές file:///c /Documents and Settings/user/Τα γγραφ ου/air.df.d12.htm Null Hypothesis: D12AIR has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=12) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(D12AIR) Method: Least Squares Date: 12/02/06 Time: 13:39 Sample (adjusted): Included observations: 130 after adjustments Variable Coefficient Std. Error t-statistic Prob. D12AIR(-1) D(D12AIR(-1)) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
54 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα ΙΙ(συν.) Μετασχηματισμός των δεδομένων στην πρώτη διαφορα των μηνιαίων διαφορών DD12AIR
55 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα ΙΙ(συν.) Ελεγχος στασιμότητας-acf των δεδομένων στην πρώτη διαφορα των μηνιαίων file:///c /Documents and Settings/user/Τα γγραφ ου/air.acf.dd12.htm Date: 12/02/06 Time: 13:45 Sample: Included observations: 131 AutocorrelationPartial Correlation AC PAC Q-Stat Prob **. ** * *. * *. * * *. * *. * *. * * *. * * *. * *. * *. ** *. ** **. * * * * * *. * * * *. *
56 Αναγνωρίζοντας Μη-Στασιμότητα Παράδειγμα ΙΙ(συν.) Ελεγχος στασιμότητας-df των δεδομένων στην πρώτη διαφορα των μηνιαίων file:///c /Documents and Settings/user/Τα γγραφ ου/air.df.dd12.htm Null Hypothesis: DD12AIR has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=12) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(DD12AIR) Method: Least Squares Date: 12/02/06 Time: 13:43 Sample (adjusted): Included observations: 130 after adjustments Variable Coefficient Std. Error t-statistic Prob. DD12AIR(-1) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
57 Περιγραφή 1 Εισαγωγή Χρονολογικές Σειρές Εξετάζοντας Αυτοσυσχέτιση Στασιμότητα Αναγνωρίζοντας Μη-Στασιμότητα 2 Υποδείγματα Χρονολογικές Σειρών Αυτοπαλίνδρομα Υποδείγματα Υποδείγματα Κινητών Μέσων Μικτά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων Εποχικά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων 3 Μεθοδολογία Box-Jenkins Υποδείγματα ARIMA Box-Jenkins 4 ιρών Προβλέψεις με ARMA υποδείγματα Μέτρα Αξιολόγησης Προβλέψεων 5 Βιβλιογραφία
58 Αυτοπαλίνδρομα Υποδείγματα Αυτοπαλίνδρομα Υποδείγματα(AR(p)) Αυτοπαλίνδρομα Υποδείγματα(AR(p)) Στη γενική του μορφή το Αυτοπαλίνδρομο Υποδείγμα AR(p), εκφράζεται ως: y t = α + β 1 y t β p y t p + ǫ t όπουοιπαράμετροι α, β 1,...,β p είναιπροςεκτίμηση,ενώ ǫ t εκφράζει τονδιαταρακτικόόρο(ήσφάλμα),γιατοοποίουποθέτουμε E(ǫ t ) = 0, και V(ǫ t ) = σ 2 σταθερή.επίσηςέχειμηδενικήαυτοσυσχέτισημε E(ǫ t, ǫ t+k ) = 0για k t.
59 Αυτοπαλίνδρομα Υποδείγματα Αυτοπαλίνδρομο Υπόδειγμα πρώτης τάξης(ar(1)) Για p = 1και α = 0,έχουμετοΑυτοπαλίνδρομοΥποδείγμαπρώτου βαθμού, έτσι ώστε: y t = βy t 1 + ǫ t Συνθήκες Στασιμότητας,(AR(1), α = 0) y t = β[βy t 2 + ǫ t 1 ] + ǫ t = β 2 y t 2 + βǫ t 1 + ǫ t = β 3 y t 3 + β 2 ǫ t 2 + βǫ t 1 + ǫ t = = T 1 β T y 0 + ǫ t + βǫ t 1 + β 2 ǫ t 2 + = β T y 0 + β k ǫ t k όπουισχύει E(y t ) = β T y 0. k=0
60 Αυτοπαλίνδρομα Υποδείγματα Αυτοπαλίνδρομο Υπόδειγμα πρώτης τάξης(ar(1)) Συνθήκες Στασιμότητας,(AR(1), α = 0)(συνεχ.) V(y t ) = E(Y 2 t ) = E(ǫ t + βǫ t 1 + β 2 ǫ t 2 + ) 2 = E(ǫ t ) 2 + β 2 E(ǫ 2 t 1) + β 4 E(ǫ t 2 ) 2 + = σ 2 (1 + β 2 + β 4 + ). δεδομένησηςτης σ 2 σταθερήςγιανασυγκλίνειηδιακύμανσηπρέπει β < 1. Στη περίπτωση στασιμότητας(σταθεση μέση τιμή και διακύμανση), η διακύμανσητης y t παίρνειτημορφή, V(y t ) = σ2 1 β 2 = γ 0
61 Αυτοπαλίνδρομα Υποδείγματα Συνθήκες Στασιμότητας,(AR(1), α = 0)(συνεχ.) Ας δούμε λεπτομερώς πως διαμορφώνονται οι αυτοσυνδιακυμάνση και η συνάρτηση αυτοσυσχέτισης. γ 1 = E(y t, y t 1 ) = E[y t 1 (βy t 1 + ǫ t )] = E(y 2 t 1 ) + E(y 2 t 1 ǫ t) = βγ 0 γ 2 = E(y t, y t 2 ) = E[y t 2 (βy t 1 + ǫ t )] = βe(y t 2 y t 1 ) = βγ 1 = β 2 γ 0 γ k = β k γ 0 Άρα r(k) = γ k γ 0 = β k.επομένωςγιαναέχουμεστάσιμηχρονολογική σειράπρέπειναισχύειότι β < 1.
62 Αυτοπαλίνδρομα Υποδείγματα Αυτοπαλίνδρομα Υποδείγματα δεύτερης τάξης(ar(2)) Για p = 2, έχουμε το Αυτοπαλίνδρομο Υποδείγμα δεύτερης τάξης, έτσι ώστε y t = α + β 1 y t 1 + β 2 y t 2 + ǫ t ήγιαχρονολογικήσειρά y t μεμέσομηδέν,έχουμε y t = β 1 y t 1 + β 2 y t 2 + ǫ t Συνθήκες Στασιμότητας,(AR(2)) β 2 + β 1 < 1 β 2 β 1 < 1 β 2 < 1
63 Υποδείγματα Κινητών Μέσων Υποδείγματα Κινητών Μέσων(MA(q)) Υποδείγματα Κινητών Μέσων(MA(q)) Στη γενική του μορφή το υποδείγματα κινητών μέσων(ma(q)), εκφράζεται ως: y t = µ + ǫ t θ 1 ǫ t 1 θ q ǫ t q όπουοιπαράμετροι µ, θ 1,..., θ q είναιπροςεκτίμηση,ενώ ǫ t εκφράζει τον διαταρακτικό όρο(ή σφάλμα) που είναι λευκός θόρυβος, δηλαδή ισχύει E(ǫ t ) = 0, V(ǫ t ) = σ 2 σταθερή,καιμηδενικήαυτοσυσχέτισημε E(ǫ t, ǫ t+k ) = 0για k t.
64 Υποδείγματα Κινητών Μέσων Υποδείγμα Κινητών Μέσων πρώτης τάξης(ma(1)) Για q = 1,έχουμετουποδείγμακινητώνμέσωνπρώτηςτάξης,έτσι ώστε y t = µ + ǫ t θ 1 ǫ t 1 Ιδιότητες και Συνθήκες Στασιμότητας,(MA(1), µ = 0) E(y t ) = 0 V(y t ) = V(µ + ǫ t θ 1 ǫ t 1 ) = σ 2 (1 + θ 2 1) = γ 0 γ 1 = E(y t, y t 1 ) = E[(ǫ t θ 1 ǫ t 1 )(ǫ t 1 θ 1 ǫ t 2 )] = θe(ǫ 2 t 1) = θσ 2 γ k = E(y t, y t k ) = E[y t (ǫ t k θ 1 ǫ t k 1 ) = 0, k > 1 Άρα ρ k = γ k γ 0 = θ 1+θ 2 για k = 1και 0για k > 1.Επομένωςγιατην MA(1), σε αντίθεση με ότι συμβαίνει με τα αυτοπαλίνδρομα υποδείγματα, έχει μνήμη μιάς μόνο περιόδου.
65 Υποδείγματα Κινητών Μέσων Υποδείγμα Κινητών Μέσων δεύτερης τάξης(ma(2)) Για q = 2,έχουμετουποδείγμακινητώνμέσωνδεύτερηςτάξης,έτσι ώστε y t = µ + ǫ t θ 1 ǫ t 1 θ 2 ǫ t 2 Ιδιότητες και Συνθήκες Στασιμότητας,(MA(2), µ = 0) E(y t ) = 0 V(y t ) = σ 2 (1 + θ1 2 + θ2 2 ) = γ 0 γ 1 = E(y t, y t 1 ) = θ 1 (1 θ 2 )σ 2 γ 2 = θ 2 σ 2 γ k = 0, k > 2 Επομένως η MA(2) έχει μνήμη δύο περιόδων.
66 Υποδείγματα Κινητών Μέσων Υποδείγμα Κινητών Μέσων q τάξης(ma(q)) Αυτοσυσχέτιση στη(ma(q)) Η συνάρτηση αυτοσυσχέτισης για το υπόδειγμα MA(q) είναι ρ k = q k i=1 θ iθ i+k θ k 1 + q, k = 1, 2,...,q i=1 θ2 i και 0για k > q. Ετσισεμιαδιαδικασία MA(q)οιαυτοσυσχετίσεις ρ k μηδενίζονταιγια k > q.
67 Μικτά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων Υποδείγμα Αυτοπαλίνδρομα Κινητών Μέσων (ARMA(p, q)) Στη γενική του μορφή το Αυτοπαλίνδρομο υποδείγμα κινητών μέσων (ARMA(p, q)), εκφράζεται ως: y t = α + β 1 y t β p y t p + ǫ t θ 1 ǫ t 1 θ q ǫ t q όπουοιπαράμετροι α, β 1,...,β p, θ 1,...,θ q είναιπροςεκτίμηση,ενώ ǫ t εκφράζει τον διαταρακτικό όρο(ή σφάλμα) που είναι λευκός θόρυβος, δηλαδήισχύει E(ǫ t ) = 0, V(ǫ t ) = σ 2 σταθερή,καιμηδενική αυτοσυσχέτισημε E(ǫ t, ǫ t+k ) = 0για k t. Παρατήρηση Οταν τα δεδομένα μιας χρονολογικής σειράς έχουν συνάρτηση αυτοσυσχέτισης που δεν φαίνονται να μηδενίζονται μετά από κάποιο σημείοαλλάφθίνουνμεαργόρυθμό,τότεέχουμεστοιχείακαιαπότα δύομορφών AR, MA.
68 Μικτά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων Υπόδειγμα Αυτοπαλίνδρομο Κινητών Μέσων (ARMA(1, 1)) Για p = q = 1,έχουμετουποδείγμακινητώνμέσωνπρώτηςτάξης,έτσι ώστε y t = α + βy t 1 + ǫ t θǫ t 1 Ιδιότητες και Συνθήκες Στασιμότητας,(ARMA(1, 1)) E(y t ) = µ = α 1 β, V(y t) = 1 + θ2 2βθ 1 β 2 σ 2 = γ 0 γ 1 = βγ 0 θσ 2, γ k = βγ k 1, k > 1 Επομένως η συνάρτηση αυτοσυσχέτισης ισούται με ρ 1 = β θσ2 γ 0, ρ k = βρ k 1, k > 1 γιαστάσιμη y t με α < 1,και θ < 1,οιαυτοσυσχετίσειςφθίνουν γεωμετρικά μετά την πρώτη υστέρηση.
69 Εποχικά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων Εποχικά Υπόδειγμα Αυτοπαλίνδρομο Κινητών Μέσων (SARMA(P, Q) s (p, q)) Ορισμός Τα Εποχικά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων, κοινώς SARMA(P, Q) s (p, q)εκφράζουντηδυνατότηταύπαρξηςφαινομένων αυτοσυσχέτισηςγιατις y t και ǫ t ανά sχρονικάδιαστήματα.εμφανίζουν με άλλα λόγια εποχική συμπεριφορά ανά s χρονικά διαστήματα. Στη γενικευμένητουςμορφήσυμβολίζονταιμε SARMA(P, Q) s (p, q). Εδώτο sσυμβολίζειτηνεποχικήδιάσταση(s = 12γιαμηνιαίες παρατηρήσεις) p και q αναφέρονται στον μη-εποχικό βαθμό υστέρησης, ενώτα Pκαι Qστοναντίστοιχοεποχικό.
70 Εποχικά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων ΠαραδείγματαΥποδειγμάτων SARMA(P, Q) s (p, q)μέσ Ε ιεως Παρ. Υποδείγματα Τουπόδειγμα SARMA(1, 0) 12 (0, 0) y t = α + β 1 y t 12 + ǫ t Τουπόδειγμα SARMA(1, 0) 12 (1, 1) y t = α + β 1 y t 1 + β 2 y t 12 + ǫ t θ 1 ǫ t 1 Τουπόδειγμα SARMA(2, 0) 12 (1, 1) y t = α + β 1 y t 1 + β 2 y t 12 + β 3 y t 13 + ǫ t θ 1 ǫ t 1
71 Εποχικά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων ΠαραδείγματαΥποδειγμάτων SARMA(P, Q) s (p, q) μέσω Eviews Παρ. Υποδείγματα μέσω Eviews: Χυιςκ/Εστιματε Εχυατιον... Τουπόδειγμα SARMA(1, 0) 12 (0, 0)εκτιμάταιως: series c sar(12) Τουπόδειγμα SARMA(1, 0) 12 (1, 1)εκτιμάταιως: series c ar(1) ma(1) sar(12) Τουπόδειγμα SARMA(2, 0) 12 (1, 1)εκτιμάταιως: series c ar(1) ma(1) sar(12) sar(13)
72 Περιγραφή 1 Εισαγωγή Χρονολογικές Σειρές Εξετάζοντας Αυτοσυσχέτιση Στασιμότητα Αναγνωρίζοντας Μη-Στασιμότητα 2 Υποδείγματα Χρονολογικές Σειρών Αυτοπαλίνδρομα Υποδείγματα Υποδείγματα Κινητών Μέσων Μικτά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων Εποχικά Υποδείγματα Αυτοπαλίνδρομα Κινητών Μέσων 3 Μεθοδολογία Box-Jenkins Υποδείγματα ARIMA Box-Jenkins 4 ιρών Προβλέψεις με ARMA υποδείγματα Μέτρα Αξιολόγησης Προβλέψεων 5 Βιβλιογραφία
73 Υποδείγματα ARIMA Ολοκληρωμένο Υπόδειγμα ARMA(p, q) ή Υποδείγματα ARIMA(p, d, q)) Παρατήρηση Στηνπιοπάνωανάλυσηγιατα AR, MA, ARMAκαι SARMA υποδείγματα υποθέταμε ότι οι χρονολογικές σειρές ήταν στάσιμες. Πολλές όμως σειρές δεν είναι στάσιμες. Οταν μια σειρά παρουσιάζει μη-στασιμότητα υπό μορφήν τάσης, μπορούμε μέσω της πρώτης διαφορας, y t y t 1 νατημετασχηματίσουμεσεστάσιμη. Ετσι, έχοντας την y t = y t y t 1 = (1 B)y t αυτή μπορεί να ονομαστεί ως ολοκληρωμένο υπόδειγμα πρώτης τάξης ARMA(p, q)ήαλλιώς ARIMA(p, 1, q).
74 Υποδείγματα ARIMA Υποδείγματα ARIMA(p, d, q) Ορισμός Στη γενική του μορφή όπου d y t = y t y t d = (1 B) d y t τότε η σειρά μπορεί να ακολουθεί ένα αυτοπαλίνδρομο ολοκληρωμένο υπόδειγμα κινητών μέσων ARIMA(p, d, q) ή ένα SARIMA(P, Q) s (p, d, q).επίσηςηd-ταξεωςδιαφοράμπορείνα εφαρμοστεί και στο εποχικό κομμάτι οπότε μιλάμε για υποδείγματα SARIMA(P, D, Q) s (p, d, q). Παρατήρηση Οταν η χρονολογική σειρά δείχνει να έχει αυξημένη διακύμανση (μη-στάσιμη σειρά ως προς τη διακύμανση), τότε συνιστάται η χρήση του λογαριθμικού μετασχηματισμύ πριν από τις πρώτες διαφορές, έτσι log y t = log y t log y t 1 = (1 B) log y t.
75 Box-Jenkins Μεθοδολογία Box-Jenkins Μεθοδολογία Box-Jenkins σε τρία στάδια 1 Ταυτοποίηση: Κατά το στάδιο αυτό δίνεται η εξειδίκευση του αριθμού d ή/και D των διαφορών προς επίτευξη στασιμότητας. Στη συνέχειαγίνεταιηεξειδίκευσητων p, q, P,και Qανχρειάζεται. 2 Εκτίμηση: Κατά το στάδιο αυτό γίνεται η εκτίμηση των παραμέτρων α, β 1,..., β p, θ 1,...,θ q τουεπιλεγόμενουυποδείγματος. 3 Διαγνωσικός Ελεγχος: Κατά το στάδιο αυτό γίνεται ο διαγνωστικός έλεγχος μέσω στατιστικών κριτηρίων για την τελική μορφή του ARIMA ή SARIMA υποδείγματος που πρέπει να επιλέξουμε(τιςακριβείςτιμέςτων p, q, P,και Q).
76 Box-Jenkins Μεθοδολογία Box-Jenkins Μεθοδολογία Box-Jenkins σε τρία στάδια 1 Ταυτοποίηση: Κατά το στάδιο αυτό δίνεται η εξειδίκευση του αριθμού d ή/και D των διαφορών προς επίτευξη στασιμότητας. Στη συνέχειαγίνεταιηεξειδίκευσητων p, q, P,και Qανχρειάζεται. 2 Εκτίμηση: Κατά το στάδιο αυτό γίνεται η εκτίμηση των παραμέτρων α, β 1,..., β p, θ 1,...,θ q τουεπιλεγόμενουυποδείγματος. 3 Διαγνωσικός Ελεγχος: Κατά το στάδιο αυτό γίνεται ο διαγνωστικός έλεγχος μέσω στατιστικών κριτηρίων για την τελική μορφή του ARIMA ή SARIMA υποδείγματος που πρέπει να επιλέξουμε(τιςακριβείςτιμέςτων p, q, P,και Q).
77 Box-Jenkins Μεθοδολογία Box-Jenkins Μεθοδολογία Box-Jenkins σε τρία στάδια 1 Ταυτοποίηση: Κατά το στάδιο αυτό δίνεται η εξειδίκευση του αριθμού d ή/και D των διαφορών προς επίτευξη στασιμότητας. Στη συνέχειαγίνεταιηεξειδίκευσητων p, q, P,και Qανχρειάζεται. 2 Εκτίμηση: Κατά το στάδιο αυτό γίνεται η εκτίμηση των παραμέτρων α, β 1,..., β p, θ 1,...,θ q τουεπιλεγόμενουυποδείγματος. 3 Διαγνωσικός Ελεγχος: Κατά το στάδιο αυτό γίνεται ο διαγνωστικός έλεγχος μέσω στατιστικών κριτηρίων για την τελική μορφή του ARIMA ή SARIMA υποδείγματος που πρέπει να επιλέξουμε(τιςακριβείςτιμέςτων p, q, P,και Q).
78 Box-Jenkins Μεθοδολογία Box-Jenkins Μεθοδολογία Box-Jenkins σε τρία στάδια 1 Ταυτοποίηση: Κατά το στάδιο αυτό δίνεται η εξειδίκευση του αριθμού d ή/και D των διαφορών προς επίτευξη στασιμότητας. Στη συνέχειαγίνεταιηεξειδίκευσητων p, q, P,και Qανχρειάζεται. 2 Εκτίμηση: Κατά το στάδιο αυτό γίνεται η εκτίμηση των παραμέτρων α, β 1,..., β p, θ 1,...,θ q τουεπιλεγόμενουυποδείγματος. 3 Διαγνωσικός Ελεγχος: Κατά το στάδιο αυτό γίνεται ο διαγνωστικός έλεγχος μέσω στατιστικών κριτηρίων για την τελική μορφή του ARIMA ή SARIMA υποδείγματος που πρέπει να επιλέξουμε(τιςακριβείςτιμέςτων p, q, P,και Q).
79 Box-Jenkins Μεθοδολογία Box-Jenkins Ταυτοποίηση στην πράξη Αρχικά γίνεται έλεγχος στασιμότητας της σειράς. Εδώ ελέγχεται η αυτοσυσχέτιση της σειράς για τυχών ύπαρχη τάσης, εποχικότητας ή άλλων διακυμάνσεων. Οταν η ACF τείνει στο μηδέν με αργό ρυθμό τότε υπάρχει ένδειξη μη-στασιμότητας. Τότε με διαδοχικές τιμές για την d = 1, 2,,...ορίζουμετην dγιατηνοποίαεπιτυγχάνεταιπρώτηφορά στασιμότητα. Στην πράξη είναι δύσκολο να φτάσουμε σε ένα υποδειγμα μεσυγκρεκριμένα (p, d, q). Ετσικαταληγουμεσεδύο,τρίαή περισσότερα υποδείγματα τα οποία ελέγχονται στο τρίτο στάδιο μέσω Διαγνωσικού Ελέγχου.
80 Box-Jenkins Μεθοδολογία Box-Jenkins Εκτίμηση στην πράξη Στην περίπτωση που έχουμε AR(p) υπόδειγμα, τότε η μέθοδος ελαχίστων τετραγώνων μπορεί να εφαρμοστεί. Σε αντίθεση όμων με τα ARυποδείγματα,τα MAκαι ARMAδενμπορούναεκτιμηθουνμεαυτή τημέθοδοδιότιεξαρτώνταιαπότασφάλματα ǫ t, ǫ t 1,....οιοποίεςείναι μη-παρατηρήσιμες μεταβλητές. Εναλλακτικά μπορούμε να χρησιμοποιήσουμε τη μέθοδο Yule-Walker η οποία βασίζεται στις συναρτήσειςαυτοσυσχέτισης ρ k.
81 Box-Jenkins Μεθοδολογία Box-Jenkins Διαγνωσικός Ελεγχος στην πράξη Αναφορικά με τον τρόπο τελικής επιλογής του κατάληλου υποδείγματος μπορόύμε να χρησιμοποιήσουμε δύο διαφορετικά κριτήρια. Αυτά είναι, πρώτα το κριτήριο Akaike (AIC) και δεύτερο αυτό του Schwartz (BIC). Αυτά ορίζονται ως: AIC = log(ssr) + 2n/T, BIC = log(ssr) + n log(t), όπου, SSR είναι η εκτίμηση της διακύμανσης των καταλοίπων, n = (p + q + 1)είναιοαριθμόςτωνπροςεκτίμησηπαραμέτρων,και Tο αριθμός των παρατηρήσεων. Ηεπιλογήτουυποδείγματοςμέσωτων (p, d, q)γίνεταιμεβάσηποιός συνδιασμός ελαχιστοποιεί τα πιο πάνω κριτήρια.
82 Box-Jenkins Παράδειγμα: Εφαρμογή της μεθοδολογίας Box-Jenkins στην πράξη Στόχος της ανάλυσης Χρονολογικώς Σειρώς 1 Επιλογή αρίστου υποδείγματος για την χρονολογική σειρά δεδομένων Ακαθαρίστου Εγχωρίου Προιόντος(Δεδομένα: GDPQ.XLS). Στάδια ανάλυσης Χρονολογικών Σειρών 1 Οπτική Απεικόνηση της Χρονολογικής Σειράς 2 Άτυπος Ελεγχος Στασιμότητας της Χρονολογικής Σειράς 3 Στατιστικός Ελεγχος Στασιμότητας της Χρονολογικής Σειράς 4 Εκτίμηση Υποδειγμάτων Χρονολογικών Σειρών 5 Διαγνωστικός Ελεγχος και Τελική Επιλογή
83 Box-Jenkins Παράδειγμα: Εφαρμογή της μεθοδολογίας Box-Jenkins στην πράξη Στόχος της ανάλυσης Χρονολογικώς Σειρώς 1 Επιλογή αρίστου υποδείγματος για την χρονολογική σειρά δεδομένων Ακαθαρίστου Εγχωρίου Προιόντος(Δεδομένα: GDPQ.XLS). Στάδια ανάλυσης Χρονολογικών Σειρών 1 Οπτική Απεικόνηση της Χρονολογικής Σειράς 2 Άτυπος Ελεγχος Στασιμότητας της Χρονολογικής Σειράς 3 Στατιστικός Ελεγχος Στασιμότητας της Χρονολογικής Σειράς 4 Εκτίμηση Υποδειγμάτων Χρονολογικών Σειρών 5 Διαγνωστικός Ελεγχος και Τελική Επιλογή
84 Box-Jenkins Παράδειγμα: Εφαρμογή της μεθοδολογίας Box-Jenkins στην πράξη Στόχος της ανάλυσης Χρονολογικώς Σειρώς 1 Επιλογή αρίστου υποδείγματος για την χρονολογική σειρά δεδομένων Ακαθαρίστου Εγχωρίου Προιόντος(Δεδομένα: GDPQ.XLS). Στάδια ανάλυσης Χρονολογικών Σειρών 1 Οπτική Απεικόνηση της Χρονολογικής Σειράς 2 Άτυπος Ελεγχος Στασιμότητας της Χρονολογικής Σειράς 3 Στατιστικός Ελεγχος Στασιμότητας της Χρονολογικής Σειράς 4 Εκτίμηση Υποδειγμάτων Χρονολογικών Σειρών 5 Διαγνωστικός Ελεγχος και Τελική Επιλογή
85 Box-Jenkins Παράδειγμα: Εφαρμογή της μεθοδολογίας Box-Jenkins στην πράξη Στόχος της ανάλυσης Χρονολογικώς Σειρώς 1 Επιλογή αρίστου υποδείγματος για την χρονολογική σειρά δεδομένων Ακαθαρίστου Εγχωρίου Προιόντος(Δεδομένα: GDPQ.XLS). Στάδια ανάλυσης Χρονολογικών Σειρών 1 Οπτική Απεικόνηση της Χρονολογικής Σειράς 2 Άτυπος Ελεγχος Στασιμότητας της Χρονολογικής Σειράς 3 Στατιστικός Ελεγχος Στασιμότητας της Χρονολογικής Σειράς 4 Εκτίμηση Υποδειγμάτων Χρονολογικών Σειρών 5 Διαγνωστικός Ελεγχος και Τελική Επιλογή
86 Box-Jenkins Παράδειγμα: Εφαρμογή της μεθοδολογίας Box-Jenkins στην πράξη Στόχος της ανάλυσης Χρονολογικώς Σειρώς 1 Επιλογή αρίστου υποδείγματος για την χρονολογική σειρά δεδομένων Ακαθαρίστου Εγχωρίου Προιόντος(Δεδομένα: GDPQ.XLS). Στάδια ανάλυσης Χρονολογικών Σειρών 1 Οπτική Απεικόνηση της Χρονολογικής Σειράς 2 Άτυπος Ελεγχος Στασιμότητας της Χρονολογικής Σειράς 3 Στατιστικός Ελεγχος Στασιμότητας της Χρονολογικής Σειράς 4 Εκτίμηση Υποδειγμάτων Χρονολογικών Σειρών 5 Διαγνωστικός Ελεγχος και Τελική Επιλογή
87 Box-Jenkins Παράδειγμα: Εφαρμογή της μεθοδολογίας Box-Jenkins στην πράξη Στόχος της ανάλυσης Χρονολογικώς Σειρώς 1 Επιλογή αρίστου υποδείγματος για την χρονολογική σειρά δεδομένων Ακαθαρίστου Εγχωρίου Προιόντος(Δεδομένα: GDPQ.XLS). Στάδια ανάλυσης Χρονολογικών Σειρών 1 Οπτική Απεικόνηση της Χρονολογικής Σειράς 2 Άτυπος Ελεγχος Στασιμότητας της Χρονολογικής Σειράς 3 Στατιστικός Ελεγχος Στασιμότητας της Χρονολογικής Σειράς 4 Εκτίμηση Υποδειγμάτων Χρονολογικών Σειρών 5 Διαγνωστικός Ελεγχος και Τελική Επιλογή
88 Box-Jenkins Παράδειγμα: Εφαρμογή της μεθοδολογίας Box-Jenkins στην πράξη Στόχος της ανάλυσης Χρονολογικώς Σειρώς 1 Επιλογή αρίστου υποδείγματος για την χρονολογική σειρά δεδομένων Ακαθαρίστου Εγχωρίου Προιόντος(Δεδομένα: GDPQ.XLS). Στάδια ανάλυσης Χρονολογικών Σειρών 1 Οπτική Απεικόνηση της Χρονολογικής Σειράς 2 Άτυπος Ελεγχος Στασιμότητας της Χρονολογικής Σειράς 3 Στατιστικός Ελεγχος Στασιμότητας της Χρονολογικής Σειράς 4 Εκτίμηση Υποδειγμάτων Χρονολογικών Σειρών 5 Διαγνωστικός Ελεγχος και Τελική Επιλογή
89 Box-Jenkins Παράδειγμα Box-Jenkins(συνεχ.) Άτυπος Ελεγχος Στασιμότητας της Χρονολογικής Σειράς μέσω Η/Υ (Eviews) 1 Δημιουργία επιφάνεια εργασιας: File/New/Workfile/Select data type 2 Εισαγωγήδεδομένωνσεμορφή txtήexcel File/Import/Read text-lotus-excel 3 Άνοιξε τις σειρές δεδομένων σε ομάδα χρησιμοποιώντας δεξί click/open/group... 4 Παρουσίαση Κορελογράμματος View/Correlogram
90 Box-Jenkins Παράδειγμα Box-Jenkins(συνεχ.) Παρουσίαση Κορελογράμματος(Συνάτησης Αυτοσυσχέτισης)GDP file:////c /Documents and Settings/user/Επιφ νεια εργασ ας/table.acf.htm Date: 03/21/08 Time: 19:09 Sample: 1947Q1 1995Q3 Included observations: 195 Autocorrelation Partial Correlation AC PAC Q- Stat Prob. ********. ******** ******* ******* ******* ******* ******* ******* ******* ******* ****** ****** ****** ****** ****** ****** ****** ****** ****** ***** ***** ***** ***** ***** ***** ***** ***** **** **** **** **** **** **** **** **** **** *** file:////c /Documents and Settings/user/Επιφ νεια εργασ ας/table.acf.htm21/3/2008 7:10:15
91 Box-Jenkins Παράδειγμα Box-Jenkins(συνεχ.) Στατιστικός Ελεγχος Στασιμότητας της Χρονολογικής Σειράς μέσω Η/Υ(Eviews) 1 Δημιουργία επιφάνεια εργασιας & Εισαγωγη δεδομένων 2 Άνοιξε τη σειρά δεδομένων χρησιμοποιώντας δεξί click 3 Ελεγχος Στασιμότητα Dickey-Fuller (DF) View/Unit Root Test
92 Box-Jenkins Παράδειγμα Box-Jenkins(συνεχ.) Ελεγχος Στασιμότητας (DF) για GDPQ file:////c /Documents and Settings/user/Επιφ νεια εργασ ας/table.df.htm Null Hypothesis: GDPQ has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=14) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(GDPQ) Method: Least Squares Date: 03/21/08 Time: 19:01 Sample (adjusted): 1947Q3 1995Q3 Included observations: 193 after adjustments Variable Coefficient Std. Error t-statistic Prob. GDPQ(-1) D(GDPQ(-1)) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) file:////c /Documents and Settings/user/Επιφ νεια εργασ ας/table.df.htm21/3/2008 7:08:04
93 Box-Jenkins Παράδειγμα Box-Jenkins(συνεχ.) Αποτέλεσμα Στατιστικού Ελέγχου Στασιμότητας για GDP 1 Επειδή Augmented (DF) Statistic 1, 769 > 2, 876έχουμε αποδοχήτης H 0 για 5%ποσοστόσφάλματος 2 Πραγματοποιούμετομετασχηματισμό y t = y t y t 1,μέσω Eviews:Quick/Generate Series, γράψε dgdpq = GDPQ GDPQ( 1) 3 ΕλεγχοςΣτασιμότητατης y t Dickey-Fuller (DF) View/Unit Root Test, επιλέξετε Augmented Dickey Fuller Test
94 Box-Jenkins Παράδειγμα Box-Jenkins(συνεχ.) Ελεγχος Στασιμότητας (DF) για DGDPQ file:////c /Documents and Settings/user/Επιφ νεια εργασ ας/table.df2.htm Null Hypothesis: DGDPQ has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=14) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(DGDPQ) Method: Least Squares Date: 03/21/08 Time: 19:02 Sample (adjusted): 1947Q3 1995Q3 Included observations: 193 after adjustments Variable Coefficient Std. Error t-statistic Prob. DGDPQ(-1) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) file:////c /Documents and Settings/user/Επιφ νεια εργασ ας/table.df2.htm21/3/2008 7:07:32
95 Box-Jenkins Παράδειγμα Box-Jenkins(συνεχ.) Αποτέλεσμα Στατιστικού Ελέγχου Στασιμότητας για DGDP 1 Επειδή Augmented (DF) Statistic 9, 430 < 2, 876έχουμε αποδοχήτης H 1 για 5%ποσοστόσφάλματος 2 Εκτίμηση ARIMA(p, 1, q)γιαδιαφορα pκαι q.επειδήστο Κορελόγραμμα βλέπουμε ισχυρή συσχέτιση στον πρώτο και δεύτεροβαθμόυποθέτουμεότιτοάριστο pθαείναιείτε 1είτε 2. Ταυτόχροναελέγχουμεκαιγια qστονπρώτοβαθμό q = 1 (Ταυτοποίηση). Εστω, το υπόδειγμα ARIMA(1, 1, 1) y t = α + β 1 y t 1 + ǫ t θ 1 ǫ t 1, αυτό εκτιμάται μέσω του, Quick/Estimate, ως: DGDPQ c ar(1) ma(1), 3 Διαγνωστικός Ελεγχος: γίνεται επιλογή των p και q τα οποία ελαχιστοποιούν τα AIC ή/και BIC κριτήρια.
Ειδικά Θέματα Οικονομετρίας-Χρονολογικές Σειρές ΙΙ (εκδ. 1.2)
Ειδικά Θέματα Οικονομετρίας-Χρονολογικές Σειρές ΙΙ (εκδ. 1.2) Γεώργιος Τσιώτας Τμήμα Οικονομικών Επιστημών Σχολή Κοινωνικών Επιστημών Πανεπιστήμιο Κρήτης Περιγραφή 1 Στάσιμα Υποδείγματα Χρονολογικές Σειρών
Διαβάστε περισσότεραΕιδικά Θέματα Οικονομετρίας-Χρονολογικές Σειρές Ι (εκδ. 1.1)
Ειδικά Θέματα Οικονομετρίας-Χρονολογικές Σειρές Ι (εκδ. 1.1) Γεώργιος Τσιώτας Τμήμα Οικονομικών Επιστημών Σχολή Κοινωνικών Επιστημών Πανεπιστήμιο Κρήτης Περιγραφή 1 Εισαγωγή στις Χρονολογικές Σειρές Οι
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 13: Επανάληψη Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana 1 Γιατί μελετούμε την Οικονομετρία;
Διαβάστε περισσότεραΜΑΘΗΜΑ 4 ο. Μοναδιαία ρίζα
ΜΑΘΗΜΑ 4 ο Μοναδιαία ρίζα Είδαμε προηγουμένως πως ο έλεγχος της στασιμότητας μιας χρονικής σειράς μπορεί να γίνει με τη συνάρτηση αυτοσυσχέτισης. Ένας άλλος τρόπος που χρησιμοποιείται ευρύτατα στην ανάλυση
Διαβάστε περισσότεραΜοντελοποίηση των αποδόσεων των κρατικών ομολόγων των χωρών της Ευρωζώνης
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΑ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ & ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΑΝΑΛΟΓΙΣΤΙΚΗ ΕΠΙΣΤΗΜΗ & ΔΙΟΙΚΗΤΙΚΗ ΚΙΝΔΥΝΟΥ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Μοντελοποίηση των αποδόσεων των κρατικών
Διαβάστε περισσότεραΕρωτήσεις κατανόησης στην Οικονομετρία (Με έντονα μαύρα γράμματα είναι οι σωστές απαντήσεις)
Ερωτήσεις κατανόησης στην Οικονομετρία (Με έντονα μαύρα γράμματα είναι οι σωστές απαντήσεις) 1. Έχοντας στη διάθεσή μας ένα δείγμα, προκύπτει ότι το 95% διάστημα εμπιστοσύνης για το μέσο μ ενός κανονικού
Διαβάστε περισσότεραΜΑΘΗΜΑ 3ο. Υποδείγματα μιας εξίσωσης
ΜΑΘΗΜΑ 3ο Υποδείγματα μιας εξίσωσης Οι βασικές υποθέσεις 1. Ο διαταρακτικός όρος u t είναι μια τυχαία μεταβλητή με μέσο το μηδέν. Eu t = 0 για t = 1,2,3..n 2. Η διακύμανση της τυχαίας μεταβλητής u t είναι
Διαβάστε περισσότεραΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΙΕΘΝΩΝ ΚΑΙ ΕΥΡΩΠΑΪΚΩΝ ΟΙΚΟΝΟΜΙΚΩΝ ΣΠΟΥ ΩΝ
ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΙΕΘΝΩΝ ΚΑΙ ΕΥΡΩΠΑΪΚΩΝ ΟΙΚΟΝΟΜΙΚΩΝ ΣΠΟΥ ΩΝ Μάθηµα: Εφαρµοσµένη Οικονοµετρία (Aκαδηµαϊκό έτος: 2008-2009) Σπύρος Σκούρας Ονοµατεπώνυµο: ΘΕΜΑΤΑ ΕΞΕΤΑΣΕΩΝ ΙΟΥΛΙΟΥ 2009
Διαβάστε περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΘΕΩΡΙΑΣ-ΣΤΑΣΙΜΕΣ ΔΙΑΔΙΚΑΣΙΕΣ-ΥΠΟΔΕΙΓΜΑΤΑ SARIMA (sp,sd,qs) ARIMA (p,d,q) ΕΠΙΧ - Τεχνικές Προβλέψεων & Ελέγχου
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ. ΜΑΘΗΜΑ 3ο
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΜΑΘΗΜΑ 3ο Κίβδηλες παλινδρομήσεις Μια από τις υποθέσεις που χρησιμοποιούμε στην ανάλυση της παλινδρόμησης είναι ότι οι χρονικές σειρές που χρησιμοποιούμε
Διαβάστε περισσότεραΧΡΟΝΟΣΕΙΡΕΣ TUTORIAL 3 ΣΤΑΣΘΜΟΤΗΤΑ ΔΘΑΔΘΚΑΣΘΕΣ ΜΟΝΑΔΘΑΣ ΡΘΖΑΣ ΣΥΝΟΛΟΚΛΗΡΩΣΗ
ΦΡΟΝΤΙΣΤΗΡΙΟ ΟΙΚΟΝΟΜΕΤΡΙΑΣ ΙΙ 7-6-1012 Landis Conrad ΧΡΟΝΟΣΕΙΡΕΣ TUTORIAL 3 ΣΤΑΣΘΜΟΤΗΤΑ ΔΘΑΔΘΚΑΣΘΕΣ ΜΟΝΑΔΘΑΣ ΡΘΖΑΣ ΣΥΝΟΛΟΚΛΗΡΩΣΗ Για τθν άςκθςθ χρθςιμοποιοφμε τισ παρακάτω μεταβλθτζσ, ςε θμεριςια κλίμακα,
Διαβάστε περισσότεραΜΑΘΗΜΑ 3ο. Βασικές έννοιες
ΜΑΘΗΜΑ 3ο Βασικές έννοιες Εισαγωγή Βασικές έννοιες Ένας από τους βασικότερους σκοπούς της ανάλυσης των χρονικών σειρών είναι η διενέργεια των προβλέψεων. Στα υποδείγματα αυτά η τρέχουσα τιμή μιας οικονομικής
Διαβάστε περισσότεραΧρονολογικές Σειρές (Time Series) Lecture notes Φ.Κουντούρη 2008
Χρονολογικές Σειρές (Time Series) Lecture notes Φ.Κουντούρη 2008 1 Τύποι Οικονομικών Δεδομένων Τα οικονομικά δεδομένα που χρησιμοποιούνται για την εξέταση οικονομικών φαινομένων μπορεί να έχουν τις ακόλουθες
Διαβάστε περισσότεραΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ Πρόγραμμα Σπουδών: ΤΡΑΠΕΖΙΚΗ Θεματική Ενότητα: ΤΡΑ-61 Στρατηγική Τραπεζών Ακαδημαϊκό Έτος: 2013-2014
ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ Πρόγραμμα Σπουδών: ΤΡΑΠΕΖΙΚΗ Θεματική Ενότητα: ΤΡΑ-61 Στρατηγική Τραπεζών Ακαδημαϊκό Έτος: 2013-2014 Γενικές οδηγίες για την εργασία Τέταρτη Γραπτή Εργασία Όλες οι ερωτήσεις
Διαβάστε περισσότεραΧΡΟΝΟΣΕΙΡΕΣ & ΠΡΟΒΛΕΨΕΙΣ-ΜΕΡΟΣ 7 ΕΛΕΓΧΟΙ. (TEST: Unit Root-Cointegration )
ΧΡΟΝΟΣΕΙΡΕΣ & ΠΡΟΒΛΕΨΕΙΣ-ΜΕΡΟΣ 7 ΕΛΕΓΧΟΙ (TEST: Unit Root-Cointegration ) ΦΑΙΝΟΜΕΝΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Η στασιμότητα των δεδομένων (χρονοσειρών) είναι θεωρητική προϋπόθεση για την παλινδρόμηση, δηλ. την εκτίμηση
Διαβάστε περισσότεραΧρονικές σειρές 10 Ο μάθημα: Μη στάσιμα μοντέλα ARIMA Μεθοδολογία Box-Jenkins Εαρινό εξάμηνο Τμήμα Μαθηματικών ΑΠΘ
Χρονικές σειρές 10 Ο μάθημα: Μη στάσιμα μοντέλα ARIMA Μεθοδολογία Box-Jenkins Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ.
Διαβάστε περισσότεραΕπιτόκια, Πληθωρισμός και Έλλειμμα (10.2, 12.6, 18.2, 18.6, 18.7)
Επιτόκια, Πληθωρισμός και Έλλειμμα (10.2, 12.6, 18.2, 18.6, 18.7) 1 Dependent Variable: T_BILLS3 Method: Least Squares Sample: 1948-2003 C 1.25 0.44 2.83 0.01 INFLATION 0.61 0.08 8.09 0.00 DEFICIT 0.70
Διαβάστε περισσότεραΚαμπύλη Phillips (10.1, 11.5, 12.1, 12.5, 18.3, 18.8, 18.10)
Καμπύλη Phillips (10.1, 11.5, 12.1, 12.5, 18.3, 18.8, 18.10) 1 2 y t = β 0 + β 1 x t + u t y t = Πληθωρισμός x t = Ανεργία 3 Dependent Variable: INFLATION Method: Least Squares Sample: 1948-1996 (49) C
Διαβάστε περισσότεραΕΡΓΑΣΤΗΡΙΟ ΕΦΑΡΜΟΣΜΕΝΗΣ ΟΙΚΟΝΟΜΕΤΡΙΑΣ LAB 2
Landis Conrad conrad@aueb.gr AΣΥΜΠΤΩΤΙΚΕΣ ΙΔΙΟΤΗΤΕΣ ΤΩΝ ΕΚΤΙΜΗΤΩΝ ΕΛΑΧΙΣΤΩΝ ΤΕΤΡΑΓΩΝΩΝ ΣΤΑΣΙΜΕΣ- ΑΣΘΕΝΩΣ ΕΞΑΡΤΩΜΕΝΕΣ ΧΡΟΝΟΣΕΙΡEΣ ΔΙΑΔΙΚΑΣΙΕΣ ΜΟΝΑΔΙΑΙΑΣ ΡΙΖΑΣ Οι παρατηρήσεις που θα χρησιµοποιήσουµε σε
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΑ ΤΜΗΜΑ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗΣ ΚΑΙ ΤΡΑΠΕΖΙΚΗΣ ΙΟΙΚΗΤΙΚΗΣ ΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΑΣΥΜΜΕΤΡΙΑ ΣΤΙΣ ΤΙΜΕΣ ΤΩΝ ΑΚΙΝΗΤΩΝ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΑ ΤΜΗΜΑ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗΣ ΚΑΙ ΤΡΑΠΕΖΙΚΗΣ ΙΟΙΚΗΤΙΚΗΣ ΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΑΣΥΜΜΕΤΡΙΑ ΣΤΙΣ ΤΙΜΕΣ ΤΩΝ ΑΚΙΝΗΤΩΝ ΕΥΕΛΥΝ ΣΑΚΚΑ ΕΠΙΒΛΕΠΩΝ ΚΑΘΗΓΗΤΗΣ : ΝΙΚΟΛΑΟΣ ΑΠΕΡΓΗΣ ΕΠΙΤΡΟΠΗ: ΛΕΚΤΟΡΑΣ Ν. ΚΟΥΡΟΓΕΝΗΣ
Διαβάστε περισσότεραΣτασιμότητα χρονοσειρών Νόθα αποτελέσματα-spurious regression Ο έλεγχος στασιμότητας είναι απαραίτητος ώστε η στοχαστική ανάλυση να οδηγεί σε ασφαλή
Χρονικές σειρές 12 Ο μάθημα: Έλεγχοι στασιμότητας ΑΝΑΚΕΦΑΛΑΙΩΣΗ: Εκτίμηση παραμέτρων γραμμικών μοντέλων Συνάρτηση μερικής αυτοσυσχέτισης Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική
Διαβάστε περισσότεραΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ MSc Τραπεζικής & Χρηματοοικονομικής
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ MSc Τραπεζικής & Χρηματοοικονομικής ΑΥΤΟΣΥΣΧΕΤΙΣΗ Στις βασικές υποθέσεις των γραμμικών υποδειγμάτων (απλών και πολλαπλών), υποθέτουμε ότι δεν υπάρχει αυτοσυσχέτιση (autocorrelation
Διαβάστε περισσότεραΤεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου Όρου (ARIMA)
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου
Διαβάστε περισσότεραΠροβλέψεις ισοτιμιών στο EViews
Προβλέψεις ισοτιμιών στο EViews Θεωρητικό πλαίσιο προβλέψεων σημείου Σημαντικές επιλογές πλαισίου: Τί θα κάνουμε με την πρόβλεψη; Θα την μοιραστούμε με πολλούς πελάτες, που θα την χρησιμοποιήσουν με διαφορετικό
Διαβάστε περισσότερα1. Ποιες είναι οι διαφορές μεταξύ αυτοπαλίνδρομων υποδειγμάτων (AR) και υποδειγμάτων κινητού μέσου (MA);
Ερωτήσεις: 1. Ποιες είναι οι διαφορές μεταξύ αυτοπαλίνδρομων υποδειγμάτων (AR) και υποδειγμάτων κινητού μέσου (MA); Στα αυτοπαλίνδρομα υποδείγματα η τρέχουσα τιμή της y είναι συνάρτηση p υστερήσεων της
Διαβάστε περισσότεραΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ
ΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ & ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΘΕΩΡΙΑΣ-ΥΠΟΔΕΙΓΜΑΤΑ ΚΙΝΗΤΟΥ ΜΕΣΟΥ MA(q) ΚΑΙ ΜΙΚΤΑ ΥΠΟΔΕΙΓΜΑΤΑ ARMA (p,q) ΕΠΙΧ - Τεχνικές Προβλέψεων & Ελέγχου
Διαβάστε περισσότεραThe role of Monetary and Financial policy in economic growth. Abstract
The role of Monetary and Financial policy in economic growth / /. 2010-1966. Abstract The current research aims to effect the activity of financial and montary policy on the real factors in economy. Throughout
Διαβάστε περισσότεραΣηµαντικές µεταβλητές για την άσκηση οικονοµικής ολιτικής µίας χώρας. Καθοριστικοί αράγοντες για την οικονοµική ανά τυξη.
ΑΜΕΣΕΣ ΞΕΝΕΣ ΕΠΕΝΔΥΣΕΙΣ, ΑΕΠ, ΕΞΑΓΩΓΕΣ: ΜΙΑ ΕΜΠΕΙΡΙΚΗ ΕΡΕΥΝΑ ΓΙΑ ΕΛΛΑΔΑ- ΙΣΠΑΝΙΑ-ΠΟΡΤΟΓΑΛΙΑΠΟΡΤΟΓΑΛΙΑ Επιβλέπων καθηγητής: Δριτσάκης Νικόλαος Εκπονήθηκε από: Τέμπου Αικατερίνη (11/37) ΕΙΣΑΓΩΓΙΚΑ Μελέτη
Διαβάστε περισσότεραΧρονικές σειρές 9 Ο μάθημα: Μεικτά μοντέλα ARMA
Χρονικές σειρές 9 Ο μάθημα: Μεικτά μοντέλα ARMA Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό Τμήμα, Πανεπιστήμιο
Διαβάστε περισσότεραΧρονικές σειρές 6 Ο μάθημα: Αυτοπαλίνδρομα μοντέλα (2)
Χρονικές σειρές 6 Ο μάθημα: Αυτοπαλίνδρομα μοντέλα (2) Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό Τμήμα,
Διαβάστε περισσότεραΣυνολοκλήρωση και μηχανισμός διόρθωσης σφάλματος
ΜΑΘΗΜΑ 10 ο Συνολοκλήρωση και μηχανισμός διόρθωσης σφάλματος Η μέθοδος της συνολοκλήρωσης είναι ένας τρόπος με τον οποίο μπορούμε να εκτιμήσουμε τη μακροχρόνια σχέση ισορροπίας που υπάρχει μεταξύ δύο ή
Διαβάστε περισσότεραΠαραβίασητωνβασικώνυποθέσεωντηςπαλινδρόμησης (Violation of the assumptions of the classical linear regression model)
ΜΑΘΗΜΑ 4 ο 1 Παραβίασητωνβασικώνυποθέσεωντηςπαλινδρόμησης (Violation of the assumptions of the classical linear regression model) Αυτοσυσχέτιση (Serial Correlation) Lagrange multiplier test of residual
Διαβάστε περισσότεραΤεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου Όρου (ARIMA)
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 11: Αυτοσυσχέτιση Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana 1 Περιεχόμενο ενότητας
Διαβάστε περισσότεραΤίτλος Εργασίας: Η χρήση της μεθοδολογίας Box Jenkins στην ανάλυση χρονοσειρών
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ Τίτλος Εργασίας: Η χρήση της μεθοδολογίας Box Jenkins στην ανάλυση χρονοσειρών Φοιτητής: Μαρκόπουλος
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 3: Ανάλυση γραμμικού υποδείγματος Απλή παλινδρόμηση (2 ο μέρος) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
Διαβάστε περισσότεραΧρονικές σειρές 8 Ο μάθημα: Μοντέλα κινητού μέσου
Χρονικές σειρές 8 Ο μάθημα: Μοντέλα κινητού μέσου Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό Τμήμα, Πανεπιστήμιο
Διαβάστε περισσότεραΧρονικές σειρές 11 Ο μάθημα: Προβλέψεις
Χρονικές σειρές 11 Ο μάθημα: Προβλέψεις Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό Τμήμα, Πανεπιστήμιο
Διαβάστε περισσότεραΠολλαπλή παλινδρόμηση (Multivariate regression)
ΜΑΘΗΜΑ 3 ο 1 Πολλαπλή παλινδρόμηση (Multivariate regression) Η συμπεριφορά των περισσότερων οικονομικών μεταβλητών είναι συνάρτηση όχι μιας αλλά πολλών μεταβλητών Υ = f ( X 1, X 2,... X n ) δηλαδή η Υ
Διαβάστε περισσότεραΑΠΟ ΤΟ ΔΕΙΓΜΑ ΣΤΟΝ ΠΛΗΘΥΣΜΟ
ΑΠΟ ΤΟ ΔΕΙΓΜΑ ΣΤΟΝ ΠΛΗΘΥΣΜΟ Το ενδιαφέρον επικεντρώνεται πάντα στον πληθυσμό Το δείγμα χρησιμεύει για εξαγωγή συμπερασμάτων για τον πληθυσμό π.χ. το ετήσιο εισόδημα των κατοίκων μιας περιοχής Τα στατιστικά
Διαβάστε περισσότεραΕπαυξημένος έλεγχος Dickey - Fuller (ADF)
ΜΑΘΗΜΑ 5ο Επαυξημένος έλεγχος Dickey - Fuller (ADF) Στον έλεγχο των Dickey Fuller (DF) και στα τρία υποδείγματα που χρησιμοποιήσαμε προηγουμένως κάνουμε την υπόθεση ότι ο διαταρακτικός όρος e είναι μια
Διαβάστε περισσότερα2. ΕΠΙΛΟΓΗ ΤΟΥ ΜΕΓΕΘΟΥΣ ΤΩΝ ΠΑΡΑΤΗΡΗΣΕΩΝ
1. ΕΙΣΑΓΩΓΗ ΣΤΟ SPSS Το SPSS είναι ένα στατιστικό πρόγραμμα γενικής στατιστικής ανάλυσης αρκετά εύκολο στη λειτουργία του. Για να πραγματοποιηθεί ανάλυση χρονοσειρών με τη βοήθεια του SPSS θα πρέπει απαραίτητα
Διαβάστε περισσότεραΕιδικά Θέματα Οικονομετρίας-Παλινδρόμηση (μέρος Α )
Ειδικά Θέματα Οικονομετρίας-Παλινδρόμηση (μέρος Α ) Γεώργιος Τσιώτας Τμήμα Οικονομικών Επιστημών Σχολή Κοινωνικών Επιστημών Πανεπιστήμιο Κρήτης Ειδικά Θέματα Οικονομετρίας(ΕΘΟΟ 331) Περιγραφή 1 Εισαγωγή
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 6: Ανάλυση γραμμικού υποδείγματος Πολυμεταβλητή παλινδρόμηση (2 ο μέρος) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage:
Διαβάστε περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑΟΓΔΟΟ-ΥΠΟΔΕΙΓΜΑΤΑ ARIMA & ΜΗ ΣΤΑΣΙΜΕΣ ΔΙΑΔΙΚΑΣΙΕΣ ΤΥΧΑΙΑΔΙΑΔΡΟΜΗ (RANDOM WALK) Έστω η αυτοπαλίνδρομη
Διαβάστε περισσότεραΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών «Μαθηματική Προτυποποίηση στις Σύγχρονες Τεχνολογίες και την Οικονομία» ΔΙΠΛΩΜΑΤΙΚΗ
Διαβάστε περισσότεραΤεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου Όρου (ARIMA)
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ. ΜΑΘΗΜΑ 4ο
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΜΑΘΗΜΑ 4ο Διαδικασία των συντελεστών αυτοσυσχέτισης Ονομάζουμε συνάρτηση αυτοσυσχέτισης (autocorrelation function) και συμβολίζεται με τα γράμματα
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Ενότητα 4: Ανάλυση Χρονολογικών Σειρών. Αναπλ. Καθηγητής Νικόλαος Σαριαννίδης Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά)
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 4: Ανάλυση Χρονολογικών Σειρών. Αναπλ. Καθηγητής Νικόλαος Σαριαννίδης Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative
Διαβάστε περισσότεραAnalyze/Forecasting/Create Models
(εκδ 11) (εκδ 11) Σχολή Κοινωνικών Επιστημών Τμήμα Οικονομικών Επιστημών 24 Οκτωβρίου 2014 1 / 12 Εισαγωγή (εκδ 11) 1 2 2 / 12 ΧΣ (εκδ 11) ΧΣ μέσω υποδειγμάτων ARIM A/SARIM A Αϕου δημιουργήσουμε τον χώρο
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Βιολέττα Δάλλα. Εθνικό και Καποδιστριακό Πανεπιστήµιο Αθηνών
ΟΙΚΟΝΟΜΕΤΡΙΑ Βιολέττα Δάλλα Τµήµα Οικονοµικών Επιστηµών Εθνικό και Καποδιστριακό Πανεπιστήµιο Αθηνών 1 Εισαγωγή Οικονοµετρία (Econometrics) είναι ο τοµέας της Οικονοµικής επιστήµης που περιγράφει και αναλύει
Διαβάστε περισσότεραΧρονικές σειρές 5 Ο μάθημα: Γραμμικά στοχαστικά μοντέλα (1) Αυτοπαλίνδρομα μοντέλα Εαρινό εξάμηνο Τμήμα Μαθηματικών ΑΠΘ
Χρονικές σειρές 5 Ο μάθημα: Γραμμικά στοχαστικά μοντέλα (1) Αυτοπαλίνδρομα μοντέλα Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή,
Διαβάστε περισσότεραΟικονομετρία Ι. Ενότητα 9: Αυτοσυσχέτιση. Δρ. Χαϊδώ Δριτσάκη Τμήμα Λογιστικής & Χρηματοοικονομικής
Οικονομετρία Ι Ενότητα 9: Αυτοσυσχέτιση Δρ. Χαϊδώ Δριτσάκη Τμήμα Λογιστικής & Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό
Διαβάστε περισσότεραΒΑΣΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΣΕΙΡΩΝ ΚΑΝΟΝΙΚΟΤΗΤΑ
ΒΑΣΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΣΕΙΡΩΝ ΚΑΝΟΝΙΚΟΤΗΤΑ απόκλιση από την κανονικότητα µπορεί να σηµαίνει Ύπαρξη θετικής ή αρνητικής ασυµµετρίας Ύπαρξη λεπτοκύρτωσης, δηλαδή παρουσία ακραίων τιµών που δεν είναι συµβατές
Διαβάστε περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΡΙΤΟ ΣΥΝΑΡΤΗΣΗ ΑΥΤΟΣΥΣΧΕΤΙΣΗΣ-ΕΛΕΓΧΟΣ ΣΤΑΣΙΜΟΤΗΤΑΣ Δρ. Κουνετάς Η Κωνσταντίνος ΕΠΙΧ Τεχνικές Προβλέψεων & Ελέγχου
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑΤΑ: ΜΑΘΗΜΑΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΜΑ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ: ΑΝΑΛΥΣΗ ΜΟΝΤΕΛΩΝ ΧΡΟΝΟΛΟΓΙΚΩΝ ΣΕΙΡΩΝ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑΤΑ: ΜΑΘΗΜΑΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΜΑΘΗΜΑΤΙΚΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΚΑΙ ΤΩΝ ΑΠΟΦΑΣΕΩΝ ΘΕΜΑ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ: ΑΝΑΛΥΣΗ ΜΟΝΤΕΛΩΝ
Διαβάστε περισσότεραΕργαστήριο Οικονομετρίας Προαιρετική Εργασία 2016 Χειμερινό Εξάμηνο
Εργαστήριο Οικονομετρίας Προαιρετική Εργασία 2016 Χειμερινό Εξάμηνο Χρήσιμες Οδηγίες Με την βοήθεια του λογισμικού E-views να απαντήσετε στα ερωτήματα των επόμενων σελίδων, (οι απαντήσεις πρέπει να περαστούν
Διαβάστε περισσότεραβ) (βαζκνί: 2) Έζησ όηη ε ρξνλνινγηθή ζεηξά έρεη κέζε ηηκή 0 θαη είλαη αληηζηξέςηκε. Δίλεηαη ην αθόινπζν απνηέιεζκα από ην EViews γηα ηε :
1 ΝΑ ΑΠΑΝΤΗΘΟΥΝ 2 ΑΠΟ ΤΑ 3 ΘΕΜΑΤΑ ΘΕΜΑ 1 α) (βαζκνί: 3) Έζησ όηη ε ρξνλνινγηθή ζεηξά είλαη ζηάζηκε, αληηζηξέςηκε θαη αθνινπζεί ην ΑR(1) ππόδεηγκα. Να βξεζνύλ ε κέζε ηηκή, ε δηαζπνξά θαη ε απηνζπζρέηηζε
Διαβάστε περισσότεραΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗ ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΙΤΛΟΣ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ: «ΜΕΛΕΤΗ ΓΙΑ ΤΗΝ ΕΠΙΔΡΑΣΗ ΤΗΣ ΕΛΛΗΝΙΚΗΣ ΚΡΙΣΗΣ ΣΤΑ
Διαβάστε περισσότεραΠολλαπλή παλινδρόµηση. Μάθηµα 3 ο
Πολλαπλή παλινδρόµηση Μάθηµα 3 ο Πολλαπλή παλινδρόµηση (Multivariate regression ) Η συµπεριφορά των περισσότερων οικονοµικών µεταβλητών είναι συνάρτηση όχι µιας αλλά πολλών µεταβλητών Y = f ( X, X 2, X
Διαβάστε περισσότερα( ) 2011 :, :, - 2 -
: : : 2011 : : : ( ) 2011 :, :, - 2 - - 3 - ... 6. 6.. 8.. 9...10 1 1.1... 12 1.2... 13 1.3.. 13 2 2.1. 15 2.2... 15 2.3...... 19 2.4. 24 2.5... 25 3 3.1 28 3.2 28 3.3.. 31 3.4... 32 3.5 39 3.6. 40 3.7.
Διαβάστε περισσότεραΣτατιστική ΙΙΙ-Εφαρμογές Χρονολογικές Σειρές(Μέθοδοι Εξομάλυνσης ΙΙΙ-Εφαρμογές)
Στατιστική ΙΙΙ-Εφαρμογές Χρονολογικές Σειρές(Μέθοδοι Εξομάλυνσης ΙΙΙ-Εφαρμογές) Γεώργιος Τσιώτας Τμήμα Οικονομικών Επιστημών Σχολή Κοινωνικών Επιστημών Πανεπιστήμιο Κρήτης Στατιστική ΙΙΙ(ΣΤΑΟ 230) Περιγραφή
Διαβάστε περισσότεραΣτατιστική ΙΙΙ(ΣΤΑΟ 230) Χρονολογικές Σειρες-Κινητοι Μέσοι, Αφελείς Μέθοδοι και Αποσύνθεση (εκδ. 2η)
Στατιστική ΙΙΙ-(ΣΤΑΟ 230) Χρονολογικές Σειρες-Κινητοι Μέσοι, Αφελείς Μέθοδοι και Αποσύνθεση (εκδ. 2η) Γεώργιος Τσιώτας Τμήμα Οικονομικών Επιστημών Σχολή Κοινωνικών Επιστημών Πανεπιστήμιο Κρήτης Στατιστική
Διαβάστε περισσότεραΕισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500
Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500 Πληθυσμός Δείγμα Δείγμα Δείγμα Ο ρόλος της Οικονομετρίας Οικονομική Θεωρία Διατύπωση της
Διαβάστε περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΕΤΑΡΤΟ ΑΥΤΟΠΑΛΙΝΔΡΟΜΑ ΥΠΟΔΕΙΓΜΑΤΑ AR(p) Δρ. Κουνετάς Η Κωνσταντίνος ΕΠΙΧ Τεχνικές Προβλέψεων & Ελέγχου ιαφάνεια
Διαβάστε περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΡΙΤΟ-ΑΥΤΟΣΥΣΧΕΤΙΣΗ (AUTOCORRELATION)
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΡΙΤΟ-ΑΥΤΟΣΥΣΧΕΤΙΣΗ (AUTOCORRELATION) Μέθοδοςεκθετικήςεξομάλυνσης Μια άλλη τεχνική για δεδομένα με
Διαβάστε περισσότερα/
: 2014 2010 2015/2014 : 2014 2010 2015/2014 I II الملخص The aim of this study is to know the effect of the number of the financial indicators on the prices of organizations shares in Dubai s stock exchange,
Διαβάστε περισσότεραΣτατιστική ΙΙΙ-Εφαρμογές Χρονολογικές Σειρές(Εφαρμογες Εξομάλυνσης-Τεχνική Ανάλυση)
Στατιστική ΙΙΙ-Εφαρμογές Χρονολογικές Σειρές(Εφαρμογες Εξομάλυνσης-Τεχνική Ανάλυση) Γεώργιος Τσιώτας Τμήμα Οικονομικών Επιστημών Σχολή Κοινωνικών Επιστημών Πανεπιστήμιο Κρήτης Στατιστική ΙΙΙ(ΣΤΑΟ 230)
Διαβάστε περισσότεραTable 1: Military Service: Models. Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7 Model 8 Model 9 num unemployed mili mili num unemployed
Tables: Military Service Table 1: Military Service: Models Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7 Model 8 Model 9 num unemployed mili mili num unemployed mili 0.489-0.014-0.044-0.044-1.469-2.026-2.026
Διαβάστε περισσότεραΔΗΜΗΤΡΗΣ- ΘΕΟΔΩΡΟΣ ΦΙΛΙΠΠΑΚΟΣ
ΠΑΝΤΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΟΙΝΩΝΙΚΩΝ ΚΑΙ ΠΟΛΙΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ Τμήμα Δημόσιας Διοίκησης Μεταπτυχιακό Πρόγραμμα Σπουδών:Οικονομικά της Παραγωγής και των Διακλαδικών Σχέσεων ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΔΙΕΡΕΥΝΗΣΗ ΚΙΝΔΥΝΟΥ
Διαβάστε περισσότεραΤΕΛΕΣΤΕΣ ΚΑΙ ΣΤΑΤΙΣΤΙΚΑ ΕΡΓΑΛΕΙΑ ΑΝΑΛΥΣΗΣ ΧΡΟΝΟΣΕΙΡΩΝ
ΚΕΦΑΛΑΙΟ 4ο ΧΡΟΝΙΚΟΙ ΤΕΛΕΣΤΕΣ ΚΑΙ ΣΤΑΤΙΣΤΙΚΑ ΕΡΓΑΛΕΙΑ ΑΝΑΛΥΣΗΣ ΧΡΟΝΟΣΕΙΡΩΝ 4.1 ΕΙΣΑΓΩΓΗ 4. ΔΙΑΔΙΚΑΣΙΕΣ ΛΕΥΚΟΥ ΘΟΡΥΒΟΥ 4.3 ΥΠΟΔΕΙΓΜΑΤΑ ΤΥΧΑΙΟΥ ΠΕΡΙΠΑΤΟΥ 4.4 Η ΣΥΝΑΡΤΗΣΗ ΑΥΤΟΣΥΣΧΕΤΙΣΗΣ 4.5 ΜΕΡΙΚΗ ΑΥΤΟΣΥΣΧΕΤΙΣΗ
Διαβάστε περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΤΡΙΤΟ ΣΥΝΑΡΤΗΣΗ ΑΥΤΟΣΥΣΧΕΤΙΣΗΣ-ΕΛΕΓΧΟΣ ΣΤΑΣΙΜΟΤΗΤΑΣ Δρ. Κουνετάς Η Κωνσταντίνος ΕΠΙΧ Τεχνικές Προβλέψεων & Ελέγχου
Διαβάστε περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ. ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΠΕΜΠΤΟ-ΑΥTOΠΑΛΙΝΔΡΟΜΑ ΥΠΟΔΕΙΓΜΑΤΑ(AR(p))
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΠΕΜΠΤΟ-ΑΥTOΠΑΛΙΝΔΡΟΜΑ ΥΠΟΔΕΙΓΜΑΤΑ(AR(p)) ΑΥTOΠΑΛΙΝΔΡΟΜΑ ΥΠΟΔΕΙΓΜΑΤΑ(AR(p)) O όρος αυτοπαλίνδρομο
Διαβάστε περισσότεραΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ & ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ
ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ & ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΟΔΙΚΑ ΑΤΥΧΗΜΑΤΑ ΣΤΗΝ ΕΛΛΑΔΑ ΚΑΙ ΑΝΘΡΩΠΙΝΕΣ ΑΠΩΛΕΙΕΣ: ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΠΡΟΒΛΕΨΕΙΣ Νικόλαος Παναγιώτη Νόλης ΕΡΓΑΣΙΑ Που
Διαβάστε περισσότεραΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΔΑΣΚΩΝ: ΘΑΝΑΣΗΣ ΚΑΖΑΝΑΣ. Οικονομετρία
ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΔΑΣΚΩΝ: ΘΑΝΑΣΗΣ ΚΑΖΑΝΑΣ Οικονομετρία 5.1 Αυτοσυσχέτιση: Εισαγωγή Συχνά, η υπόθεση της μη αυτοσυσχέτισης ή σειριακής συσχέτισης
Διαβάστε περισσότεραΥΔΡΟΛΟΓΙΚΗ ΠΡΟΣΟΜΟΙΩΣΗ ΚΑΙ ΠΡΟΓΝΩΣΗ Ενότητα 3: Υδρολογική πρόγνωση 3.2. Μοντέλα Χρονοσειρών
Τμήμα Πολιτικών Μηχανικών Πανεπιστήμιο Θεσσαλίας ΥΔΡΟΛΟΓΙΚΗ ΠΡΟΣΟΜΟΙΩΣΗ ΚΑΙ ΠΡΟΓΝΩΣΗ Ενότητα 3: Υδρολογική πρόγνωση 3.2. Μοντέλα Χρονοσειρών Καθ. Αθανάσιος Λουκάς Εργαστήριο Υδρολογίας και Ανάλυσης Υδατικών
Διαβάστε περισσότεραΤεχνολογικό Εκπαιδευτικό Ίδρυμα Δυτικής Μακεδονίας Western Macedonia University of Applied Sciences Κοίλα Κοζάνης Kozani GR 50100
Ποσοτικές Μέθοδοι Τεχνολογικό Εκπαιδευτικό Ίδρυμα Δυτικής Μακεδονίας Western Macedonia University of Applied Sciences Κοίλα Κοζάνης 50100 Kozani GR 50100 Απλή Παλινδρόμηση Η διερεύνηση του τρόπου συμπεριφοράς
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 6 ΠΡΟΒΛΕΨΕΙΣ ΜΕ ΥΠΟΔΕΙΓΜΑΤΑ ΧΡΟΝΟΣΕΙΡΩΝ
ΚΕΦΑΛΑΙΟ 6 ΠΡΟΒΛΕΨΕΙΣ ΜΕ ΥΠΟΔΕΙΓΜΑΤΑ ΧΡΟΝΟΣΕΙΡΩΝ 6. Εισαγωγή 6. Μονομεταβλητές προβλέψεις Βέλτιστη πρόβλεψη και Θεώρημα βέλτιστης πρόβλεψης Διαστήματα εμπιστοσύνης 6.3 Εφαρμογές A. MILIONIS KEF. 6 08 BEA
Διαβάστε περισσότεραΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Τραπεζικής & Χρηματοοικονομικής
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Τραπεζικής & Χρηματοοικονομικής Υποθέσεις του Απλού γραμμικού υποδείγματος της Παλινδρόμησης Η μεταβλητή ε t (διαταρακτικός όρος) είναι τυχαία μεταβλητή με μέσο όρο
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 5 ΣΤΟΧΑΣΤΙΚΕΣ ΔΙΑΔΙΚΑΣΙΕΣ ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ, ΥΠΟΔΕΙΓΜΑΤΑ ARIMA ΚΑΙ SARIMA, ΜΕΘΟΔΟΛΟΓΙΑ BOX-JENKINS
ΚΕΦΑΛΑΙΟ 5 ΣΤΟΧΑΣΤΙΚΕΣ ΔΙΑΔΙΚΑΣΙΕΣ ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ, ΥΠΟΔΕΙΓΜΑΤΑ ARIMA ΚΑΙ SARIMA, ΜΕΘΟΔΟΛΟΓΙΑ BOX-JENKINS 5. Η γενική μορφή στάσιμης γραμμικής στοχαστικής διαδικασίας διακριτού χρόνου 5. Υποδείγματα ARIMA
Διαβάστε περισσότεραΟικονομετρία. Σταματίου Παύλος Διδάκτωρ Οικονομετρικών Εφαρμογών & Μακροοικονομικών Πολιτικών
Οικονομετρία Σταματίου Παύλος Διδάκτωρ Οικονομετρικών Εφαρμογών & Μακροοικονομικών Πολιτικών E-mail: stamatiou@uom.edu.gr Info: https://sites.google.com/site/pavlossta2/home Αυτοσυσχέτιση (Durbin - Watson)
Διαβάστε περισσότερα4. ΕΠΙΛΟΓΗ ΤΗΣ ΜΕΘΟΔΟΥ ΠΡΟΒΛΕΨΗΣ
4. ΕΠΙΛΟΓΗ ΤΗΣ ΜΕΘΟΔΟΥ ΠΡΟΒΛΕΨΗΣ Πριν από την επιλογή της κατάλληλης μεθόδου πρόβλεψης είναι σκόπιμο να λάβουμε υπ όψη τα παρακάτω ερωτήματα: (α) (β) (γ) (δ) (ε) (ζ) (η) Γιατί χρειαζόμαστε την πρόβλεψη;
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ. ΜΑΘΗΜΑ 5ο
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΜΑΘΗΜΑ 5ο Μοναδιαία ρίζα Είδαμε προηγουμένως πως ο έλεγχος της στασιμότητας μιας χρονικής σειράς μπορεί να γίνει με τη συνάρτηση αυτοσυσχέτισης.
Διαβάστε περισσότεραΧρονοσειρές - Μάθημα 5
Χρονοσειρές - Μάθημα 5 Εκτίμηση μοντέλου MA(q) στοχαστική διαδικασία AR(p) p p ~ WN(, ) στοχαστική διαδικασία MA(q) q q στοχαστική διαδικασία ARMA(p,q) p p q q Εκτίμηση διαδικασίας (μοντέλο) AR, MA ή ARMA?
Διαβάστε περισσότεραΔΙΕΘΝΕΙΣ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΕΣ ΑΓΟΡΕΣ
ΔΙΕΘΝΕΙΣ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΕΣ ΑΓΟΡΕΣ Ενότητα 18: ΠΡΟΥΠΟΛΟΓΙΣΜΟΙ ΚΑI ΑΡΙΘΜΟΔΕΙΚΤΕΣ ΚΥΡΙΑΖΟΠΟΥΛΟΣ ΓΕΩΡΓΙΟΣ Τμήμα ΛΟΓΙΣΤΙΚΗΣ ΚΑΙ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗΣ Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
Διαβάστε περισσότεραSECTION II: PROBABILITY MODELS
SECTION II: PROBABILITY MODELS 1 SECTION II: Aggregate Data. Fraction of births with low birth weight per province. Model A: OLS, using observations 1 260 Heteroskedasticity-robust standard errors, variant
Διαβάστε περισσότεραΜΑΘΗΜΑ 2 ο. ΗχρήσητουπακέτουEviews (Using Eviews econometric package)
ΜΑΘΗΜΑ 2 ο ΗχρήσητουπακέτουEviews (Using Eviews econometric package) Για να καλέσετε το πρόγραμμα πρέπει να εργαστείτε ως εξής: 1. Κάντε δύο κλικ στο εικονίδιο του Eviews 2. Από την εντολή File πάω στο
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Α μέρος: Πολυσυγγραμμικότητα. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 9: Οικονομετρικά προβλήματα: Παραβίαση των υποθέσεων Α μέρος: Πολυσυγγραμμικότητα Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr
Διαβάστε περισσότεραΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ. Παπάνα Αγγελική
ΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ 7ο μάθημα: Πολυμεταβλητή παλινδρόμηση (ΕΠΑΝΑΛΗΨΗ) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ & ΠΑΜΑΚ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
Διαβάστε περισσότεραΣυνολοκλήρωση και VAR υποδείγματα
ΜΑΘΗΜΑ ο Συνολοκλήρωση και VAR υποδείγματα Ησχέσησ ένα στατικό υπόδειγμα συνολοκλήρωσης και σ ένα υπόδειγμα διόρθωσης λαθών μπορεί να μελετηθεί καλύτερα όταν χρησιμοποιούμε τις ιδιότητες των αυτοπαλίνδρομων
Διαβάστε περισσότεραΒήματα για την επίλυση ενός προβλήματος
ΜΑΘΗΜΑ 2ο Βήματα για την επίλυση ενός προβλήματος 1. Κατανόηση του προβλήματος με τη σχετική επιστήμη (όπως οικονομία, διοίκηση, γενικές επιστήμες) π.χ το πρόβλημα της κατανάλωσης κάποιας περιοχής σε σχέση
Διαβάστε περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΙΚΩΝ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΠΡΩΤΟ-ΔΕΥΤΕΡΟ-ΣΤΑΣΙΜΟΤΗΤΑ- ΕΠΟΧΙΚΟΤΗΤΑ-ΚΥΚΛΙΚΗ ΤΑΣΗ ΧΡΗΣΙΜΟΙΟΡΙΣΜΟΙ Χρονολογική Σειρά (χρονοσειρά)
Διαβάστε περισσότεραΠρόλογος Μέρος Ι: Απλό και πολλαπλό υπόδειγμα παλινδρόμησης Αντικείμενο της οικονομετρίας... 21
Περιεχόμενα Πρόλογος... 15 Μέρος Ι: Απλό και πολλαπλό υπόδειγμα παλινδρόμησης... 19 1 Αντικείμενο της οικονομετρίας... 21 1.1 Τι είναι η οικονομετρία... 21 1.2 Σκοποί της οικονομετρίας... 24 1.3 Οικονομετρική
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΙΣ ΧΡΟΝΟΛΟΓΙΚΕΣ ΣΕΙΡΕΣ (Time-series Analysis)
ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΧΡΟΝΟΛΟΓΙΚΕΣ ΣΕΙΡΕΣ (Time-series Analysis) Δρ Ιωάννης Δημόπουλος Καθηγητής Τμήμα Διοίκησης Μονάδων Υγείας και Πρόνοιας -ΤΕΙ Καλαμάτας Τι είναι η χρονολογική σειρά Χρονολογική σειρά ή Χρονοσειρά
Διαβάστε περισσότεραΑν έχουμε δύο μεταβλητές Χ και Υ και σύμφωνα με την οικονομική θεωρία η μεταβλητή Χ προσδιορίζει τη συμπεριφορά της Υ το ερώτημα που τίθεται είναι αν
ΜΑΘΗΜΑ 12ο Αιτιότητα Ένα από τα βασικά προβλήματα που υπάρχουν στην εξειδίκευση ενός υποδείγματος είναι να προσδιοριστεί η κατεύθυνση που μία μεταβλητή προκαλεί μία άλλη σε μία εξίσωση παλινδρόμησης. Στην
Διαβάστε περισσότεραΧρονοσειρές - Μάθημα 5
Χρονοσειρές - Μάθημα 5 Εκτίμηση μοντέλου MA(q) στοχαστική διαδικασία AR() X X X X Z Z ~ WN(, Z) στοχαστική διαδικασία MA(q) X Z Z Z Z q q στοχαστική διαδικασία ARMA(,q) X X X X Z Z Z Z q q Εκτίμηση διαδικασίας
Διαβάστε περισσότεραΑνάλυση Χρονοσειρών. Κεφάλαιο Ανάλυση Χρονοσειρών
Κεφάλαιο 22 Ανάλυση Χρονοσειρών 22.1 Ανάλυση Χρονοσειρών Με τον όρο Χρονοσειρά εννοούµε µια σειρά από παρατηρήσεις που παίρνονται σε ορισµένες χρονικές στιγµές ή περιόδους που ισαπέχουν µεταξύ τους. Υπάρχουν
Διαβάστε περισσότεραData Analytics Και Ευφυή Συστήματα Πρόβλεψης Δεδομένων Σε Χρονοσειρά. Εφαρμογή Στον Εναρμονισμένο Δείκτη Τιμών Καταναλωτή.
Data Analytics Και Ευφυή Συστήματα Πρόβλεψης Δεδομένων Σε Χρονοσειρά. Εφαρμογή Στον Εναρμονισμένο Δείκτη Τιμών Καταναλωτή. Τόγιας Παναγιώτης ΤΕΙ Δυτικής Ελλάδας ptogias@outlook.com Μαργαρίτης Σωτήρης ΤΕΙ
Διαβάστε περισσότεραΠροσδιοριστικοί όροι και μοναδιαία ρίζα (από κοινού υποθέσεις)
ΜΑΘΗΜΑ 6ο Προσδιοριστικοί όροι και μοναδιαία ρίζα (από κοινού υποθέσεις) Είδαμε στους παραπάνω ελέγχους (DF και ADF) που κάναμε προηγουμένως ότι εξετάζουμε στη μηδενικήυπόθεσημόνοτοσυντελεστήδ 2. Δεν αναφερόμαστε
Διαβάστε περισσότεραΤο πρόβλημα της διαχείρισης των μεταβλητών δαπανών αποτελεί αντικείμενο που χρήζει
ΔIOIKHTIKH ENHMEPΩΣH 95 ΔΙΟΙΚΗΣΗ ΔΗΜΟΣΙΩΝ ΝΟΣΟΚΟΜΕΙΑΚΩΝ ΜΟΝΑΔΩΝ- ΕΦΑΡΜΟΓΗ ΜΕΘΟΔΩΝ ΠΟΣΟΤΙΚΗΣ ΑΝΑΛΥΣΗΣ ΣΤΟΝ ΕΛΕΓΧΟ ΤΩΝ ΔΑΠΑΝΩΝ Tου Μάριου Τσάκα 1. ΕΙΣΑΓΩΓΗ Το πρόβλημα της διαχείρισης των μεταβλητών δαπανών
Διαβάστε περισσότερα