Wprowadzenie do ekonometrii
Jeśli chcesz wiedzieć:- Jak bardzo zmiana stóp procentowych wpłynie na kurs waluty?- O ile więcej osób będzie wybierać transport publiczny, gdy ceny paliwa wzrosną?- Jak bardzo ceny mieszkań zależą od perspektyw lokalnego rynku pracy?zapoznaj się z treścią niniejszej książki. Wprowadzi Cię ona w tę trudną i fascynującą dziedzinę wiedzy. Ekonometria jest nauką, która pokazuje, jak
używać analizy danych w celu lepszego zrozumienia problemów ekonomicznych. Pozwala w dyskusjach ekonomicznych opierać się na faktach i logicznych wnioskach. We "Wprowadzeniu do ekonometrii" G. Koop w przystępny i kompleksowy sposób omawia nie tylko podstawy ekonometrii, tj. modele regresji prostej i wielorakiej czy analizę szeregów czasowych, lecz także tematykę bardziej zaawansowaną, tj. modele danych panelowych, wykorzystanie metody zmiennych instrumentalnych, modeli zmiennej jakościowej czy ekonometrii bayesowskiej.
Zobacz pełny opisOdpowiedzialność: | Gary Koop ; przeł. [z ang.] Martyna Kobus. |
Hasła: | Ekonometria Podręczniki akademickie |
Adres wydawniczy: | Warszawa : Wolters Kluwer business, 2011. |
Opis fizyczny: | 406 s. : il. ; 24 cm. |
Uwagi: | Bibliogr. s. [399]. Indeks. |
Przeznaczenie: | Stanowi podręcznik dla sudentów korzystających z ekonometrii wyłącznie jako narzędzia do analizy danych, jak i dla osób specjalizujących się w tej dziedzinie. |
Skocz do: | Dodaj recenzje, komentarz |
- PRZEDMOWA
- I. PRZEGLĄD PODRĘCZNIKA
- 1.1. Znaczenie ekonometrii
- 1.2. Typy danych ekonomicznych
- 1.2.1. Szeregi czasowe
- 1.2.2. dane przekrojowe
- 1.2.3. dane panelowe
- 1.2.4. Pozyskiwanie danych
- 1.2.5. Przekształcanie danych: poziomy i stopy wzrostu
- 1.3. Praca z danymi: metody graficzne
- 1.3.1. Szeregi czasowe
- 1.3.2. Histogramy
- 1.3.3. Wykresy w układzie współrzędnych
- 1.4. Praca z danymi: statystyki opisowe
- 1.4.1. Wartości oczekiwane i wariacje
- 1.4.2. Korelacja
- 1.4.3. Korelacja w populacji i kowariancja
- 1.5. Podsumowanie
- II. NIEFORMALNE WPROWADZENIE DO REGRESJI
- 2.1. Wprowadzenie
- 2.2. Model regresji prostej
- 2.2.1. Regresja jako linia najlepszego dopasowania
- 2.2.2. Interpretacja oszacowań OLS
- 2.2.3. Ocena dopasowania modelu regresji
- 2.2.4. Podstawowe pojęcia statystyczne w modelu regresji
- 2.2.5. Weryfikacja hipotez z użyciem R?: test F
- 2.3. Model regresji wielorakiej
- 2.3.1. Metoda najmniejszych kwadratów w modelu regresji wielorakiej
- 2.3.2. Statystyczne aspekty w modelu regresji wielorakiej
- 2.3.3. Interpretacja oszacowań współczynników w modelu regresji wielorakiej
- 2.3.4. Wybór zmiennych objaśniających w modelu regresji wielorakiej
- 2.3.5. Współliniowość
- 2.3.6. Regresja wieloraka ze zmiennymi binarnymi
- 2.3.7. Binarna zmienna zależna
- 2.4. Podsumowanie
- Ćwiczenia
- III. MODEL REGRESJI PROSTEJ
- 3.1. Wprowadzenie
- 3.2. Przegląd podstawowych pojęć z rachunku prawdopodobieństwa w kontekście modelu regresji
- 3.3. Założenia klasycznego modelu regresji
- 3.4. Własności estymatora metody najmniejszych kwadratów parametru ß
- 3.5. Konstrukcja przedziału ufności dla ß
- 3.6. Weryfikowanie hipotez dla parametru ß
- 3.7. Postępowanie w przypadku nieznanej wariacji σ?
- 3.8. Podsumowanie
- Ćwiczenia
- Dodatek 1. Dowód twierdzenia Gaussa-Markowa
- Dodatek 2. Asymptotyczna teoria w modelu regresji prostej
- iv. Model regresji wielorakiej
- 4.1. Wprowadzenie
- 4.2. Podstawy modelu regresji wielorakiej / 4.3. Wybór zmiennych objaśniających
- 4.3.1. Obciążenia na skutek zmiennych pominiętych
- 4.3.2. Włączenie do modelu nieistotnych zmiennych objaśniających
- 4.3.3. Współliniowość
- 4.4. Weryfikowanie hipotez w modelu regresji wielorakiej
- 4.4.1. Test F
- 4.4.2. Test ilorazu wiarogodności
- 4.5. Wybór postaci funkcyjnej w modelu regresji wielorakiej
- 4.5.1. Regresja nieliniowa
- 4.5.2. Wybór modelu nieliniowego
- 4.6. Podsumowanie
- Ćwiczenia
- Dodatek. Testy Walda i mnożników Lagrange’a
- V. MODEL REGRESJI WIELORAKIEJ: OSŁABIENIE ZAŁOŻEŃ MODELU KLASYCZNEGO
- 5.1. Wprowadzenie
- 5.2. Podstawy teoretyczne
- 5.3. Heteroskedastyczność
- 5.3.1. Kilka rezultatów teoretycznych przy założeniu, że σ?ωi jest znane
- 5.3.2. heteroskedastyczność: estymacja, gdy wariacje składników losowych są nieznane
- 5.3.3. Testowanie heteroskedastyczności
- 5.3.4. Zalecenia w pracy empirycznej
- 5.4. Autokorelacja w modelu regresji
- 5.4.1. Własności autokorelacji składnika losowego
- 5.4.2. Estymator GLS w modelu regresji z autokorelacją składników losowych
- 5.4.3. Testowanie autokorelacji składnika losowego
- 5.5. Metoda zmiennych instrumentalnych
- 5.5.1. Przypadek 1: Zmienna objaśniająca jest zmienną losową niezależną od składnika losowego
- 5.5.2. Przypadek 2: Zmienna objaśniająca jest skorelowana ze składnikiem losowym
- 5.5.3. Dlaczego zmienne objaśniające mogą być skorelowane ze składnikiem losowym
- 5.6. Podsumowanie
- Ćwiczenia
- Dodatek. Asymptotyczna teoria w metodzie OLS i zmiennych instrumentalnych
- VI. JEDNOWYMIAROWA ANALIZA SZEREGÓW CZASOWYCH
- 6.1. Wprowadzenie
- 6.2. Notacja w analizie szeregów czasowych
- 6.3. Trend w szeregach czasowych
- 6.4. Funkcja autokorelacji
- 6.5. Model autoregresji
- 6.5.1. Model AR(1)
- 6.5.2. Rozszerzenie modelu AR(1)
- 6.5.3. Testowanie AR(p) z trendem deterministycznym
- 6.6. Stacjonarność
- 6.7. Modelowanie zmienności
- 6.7.1. Zmienność cen aktywów: wprowadzenie
- 6.7.2.Autoregresyjna warunkowa heteroskedastyczność (ARCH)
- 6.8. Podsumowanie
- Ćwiczenia
- Dodatek. Modele MA i ARMA
- VII. Szeregi czasowe i regresja
- 7.1. Wprowadzenie
- 7.2. Regresja, w przypadku gdy X i Y zawierają pierwiastek jednostkowy
- 7.3.1. Regresja pozorna
- 7.3.2. Kointegracja
- 7.3.3. Zmienne skointegrowane: estymacja i weryfikacja
- 7.3.4. Regresja, gdy Y i X są skointegrowane: model korekty błędem
- 7.4. Regresja, w przypadku gdy szeregi Y i X zawierają pierwiastek jednostkowy, ale NIE są skointegrowane
- 7.5. Przyczynowość w sensie Grangera
- 7.5.1. Przyczynowość w sensie Grandera w modelu ADL
- 7.5.2. Przyczynowość w sensie Grandera zmiennych skointegrowanych
- 7.6. Model autoregresji wektorowej
- 7.6. Prognozowanie w modelu VAR
- 7.6.2. Autoregresja wektorowa zmiennych skointegrowanych
- 7.6.3. Zastosowania modeli VAR: funkcje odpowiedzi na impuls i dekompozycje wariancji
- 7.7. Podsumowanie
- Ćwiczenia
- Dodatek. Teoria prognozowania
- VIII. MODELE DLA DANYCH PANELOWYCH
- 8.1. Wprowadzenie
- 8.2. Model uogólniony
- 8.3. Modele z efektami jednostkowymi
- 8.3.1. Model z efektami ustalonymi
- 8.3.2. Model z efektami losowymi
- 8.3.3. Rozszerzenia modeli z efektami jednostkowymi
- 8.4. Podsumowanie
- Ćwiczenia
- IX. MODELE ZMIENNYCH JAKOŚCIOWEJ I UCIĘTEJ
- 9.1. Wprowadzenie
- 9.2. Modele zmiennej jako 9.2.1. Modele zmiennej dyskretnej
- 9.2.2. Modele wielomianowe
- 9.3. Modele zmiennej uciętej
- 9.3.1. Model tobitowy
- 9.3.2. Zmienne całkowitoliczbowe
- 9.3.3. Rozszerzenia
- 9.4. Podsumowanie
- Ćwiczenia
- X. EKONOMETRIA BAYESOWSKA
- 10.1. Przegląd ekonometrii bayesowskiej
- 10.2. Liniowy model regresji z naturalnie sprzężonym rozkładem a priori i pojedynczą zmienną objaśniającą
- 10.2.1. Funkcja wiarygodności
- 10.2.2. Rozkład a priori
- 10.2.3. Rozkład a posteriori
- 10.2.4. Porównanie modeli w kontekście modelu regresji prostej
- 10.3. Podsumowanie
- Ćwiczenia
- Dodatek. Analiza bayesowska modelu regresji prostej z nieznana wariancją
- Dodatek A. Podstawy matematyki
- Dodatek B. Podstawy rachunku prawdopodobieństwa
- Dodatek C. Tworzenie projektu empirycznego
- Tablice statystyczne
- Bibliografia
- Indeks
Zobacz spis treści
Sprawdź dostępność, zarezerwuj (zamów):
(kliknij w nazwę placówki - więcej informacji)