Zaawansowane metody ekonometryczne

T

T

W ramach pracy własnej studenci mają obowiązek konsultować z prowadzącymi kurs efekty swej pracy w czasie konsultacji.

Bilans czasu pracy własnej (w godzinach lekcyjnych):

Praca na zajęciach: 56 (28 wykład, 28 laboratoria)

Przewidywany czas pracy własnej: 112

- przygotowanie do zajęć (praca bieżąca): 42

- przygotowanie do zaliczenia i egzaminu: 84

Liczba punktów ECTS: 6

Tradycyjny wykład. Prezentacja modeli i wyników otrzymanych w programach R, CATS in RATS. Udział studentów w rozwiązywaniu zadań praktycznych z wykorzystaniem ww. oprogramowania.

Laboratorium: wykonanie w programie R, CATS in RATS trzech prac laboratoryjnych. Studenci muszą otrzymać zaliczenie każdej pracy z osobna.

Ocena końcowa z laboratorium jest średnią arytmetyczną ocen z

części I, II oraz III.

Egzamin: egzamin w formie testu wielokrotnego wyboru na

platformie Moodle. Aby podejść do egzaminu trzeba uzyskać zaliczenie laboratorium. Próg zaliczenia egzaminu: 50% najlepszego wyniku.

Ocena końcowa z przedmiotu wystawiana na podstwie zaliczonego egzaminu jako średnia arytmetyczna ocen z laboratorium i egzaminu.

średnia arytmetyczna ocen || ocena końcowa

3 - 3,24 || 3

3.25 - 3.74 || 3,5

3,75 - 4.24 || 4

4,25 - 4,74 || 4,5

4,75 - 5 || 5

Terminy egzaminu

- egzamin: 23 czerwca 2025 (poniedziałek), 10:00-11:30, sala T102 (gr. 1), T103 (gr. 2)

Poprawy

- 1 poprawa egzaminu: 30 czerwca 2025 (poniedziałek), 10:00-11:30, sala T102

- 2 poprawa egzaminu: wrzesień 2025

Warunkiem zaliczenia labaratorium jest wykonaie trzech prac zaliczeniowych.

Egzamin ma formę testu wielokrotnego wyboru i jest przygotowany na platfomie Moodle.

1. Metoda największej wiarygodności w modelach szeregów czasowych

2. Własności szeregów czasowych wysokiej częstotliwości.

3. Jednowymiarowe asymetryczne modele zmienności. Klasa modeli GARCH.

4. Testowanie asymetrii w procesie zmienności.

5. Wielowymiarowe modele zmienności. Klasa modeli MGARCH.

6. Twierdzenie Bayesa. Rozkład prawdopodobieństwa a priori i a posteriori.

7. Zastosowanie metod numerycznych we wnioskowaniu bayesowskim. Próbkowanie z rozkładu a posteriori. Rozkład łączny i rozkłady brzegowe parametrów. Przedział największej gęstości a posteriori (HPDI).

8. Bayesowska analiza modelu regresji liniowej. Informacyjne rozkłady a priori.

9. Bayesowska predykcja i porównanie modeli. Bayesowskie uśrednianie modeli.

10. Aproksymacja rozkładów a posteriori na podstawie metod MCMC (Markov Chain Monte Carlo).

11. Nieliniowe modele wektorowej autoregresji. Testowanie nieliniowości w modelach szeregów czasowych.

12. Procesy stochastyczne I(2). Kointegracja wielomianowa (strumieniowa i zasobowa).

13. Restrykcje w modelu CVAR I(1) oraz I(2). Dwustopniowa procedura Johansena.

14. Reprezentacja wspólnych trendów stochastycznych. Trendy stochastyczne, stochastyczna cykliczność.

15. Model CVAR w przypadku zmian strukturalnych w części deterministycznej lub stochastycznej DGP.

16. Wspólne czynniki dominujące. Współtrendowość, współzintegrowanie, współcykliczność, współprzełączenie, współzautokorelowanie.

17. Zastosowanie systemów I(2) - modele oparte na równaniu obiegu pieniądza Fishera, weryfikacja hipotez LRN oraz LRSN.

T

T

W ramach pracy własnej student ma obowiązek konsultować efekty swej pracy w ramach konsultacji (dopuszczalny jest kontakt przez Teamsa).

Bilans czasu pracy własnej Studenta:

Praca na zajęciach: 56 (28 wykład 28 laboratoria)

Przewidywany czas pracy własnej: 112

- przygotowanie do zajęć (praca bieżąca): 42

- przygotowanie do zaliczenia i egzaminu: 84

Liczba punktów ECTS: 6

Tradycyjny wykład. Prezentacja wyników otrzymanych w programach R, CATS in RATS. Udział studentów w rozwiązywaniu zadań praktycznych z wykorzystaniem pakietów MS Excel, i Gretl.

studenci muszą otrzymać zaliczenie od każdego z prowadzących z osobna.

Próg zaliczenia egzaminu: 50% najlepszego wyniku

Egzamin w systemie Moodle 19 czerwca 2024 o 10.00

Warunkiem zaliczenia ćwiczeń będzie sprawdzian testowy lub przygotowanie pracy samodzielnej.

Egzamin będzie miał formę testu wielokrotnego wyboru i zostanie przeprowadzony w MOODLE.

1. Metoda największej wiarygodności w modelach szeregów czasowych

2. Własności szeregów czasowych wysokiej częstotliwości.

3. Jednowymiarowe asymetryczne modele zmienności. Klasa modeli GARCH.

4. Testowanie asymetrii w procesie zmienności.

5. Wielowymiarowe modele zmienności. Klasa modeli MGARCH.

6. Nieliniowe modele wektorowej autoregresji. Testowanie nieliniowości w modelach szeregów czasowych.

7. Procesy stochastyczne I(2). Kointegracja wielomianowa (strumieniowa i zasobowa).

8. Restrykcje w modelu CVAR I(1) oraz I(2). Dwustopniowa procedura Johansena.

9. Reprezentacja wspólnych trendów stochastycznych. Trendy stochastyczne, stochastyczna cykliczność.

10. Model CVAR w przypadku zmian strukturalnych w części deterministycznej lub stochastycznej DGP.

11. Wspólne czynniki dominujące. Współtrendowość, współzintegrowanie, współcykliczność, współprzełączenie, współzautokorelowanie.

12. Zastosowanie systemów I(2) - modele oparte na równaniu obiegu pieniądza Fishera, weryfikacja hipotez LRN oraz LRSN.

13. Twierdzenie Bayesa. Rozkład prawdopodobieństwa a priori i a posteriori.

14. Zastosowanie metod numerycznych we wnioskowaniu bayesowskim. Próbkowanie z rozkładu a posteriori. Rozkład łączny i rozkłady brzegowe parametrów. Przedział największej gęstości a posteriori (HPDI).

15. Bayesowska analiza modelu regresji liniowej. Informacyjne rozkłady a priori.

16. Bayesowska predykcja i porównanie modeli. Bayesowskie uśrednianie modeli.

17. Aproksymacja rozkładów a posteriori na podstawie metod MCMC (Markov Chain Monte Carlo).

Podstawowa:

1. M. Majsterek, Wielowymiarowa analiza kointegracyjna w ekonomii, WUŁ, Łódź 2008.

2. J. Osiewalski, Ekonometria bayesowska w zastosowaniach, Wydawnictwo Akademii Ekonomicznej w Krakowie 2001.

3. M. Osińska, Ekonometria finansowa, PWE, Warszawa 2006.

4. R. S. Tsay, Analysis of Financial Time Series, Wiley 2002.

5. A. Welfe, Ekonometria, PWE, Warszawa 2018.

6. A. Gelman, J.Hill, A. Vehtari (2020), Regression and other stories, ‎ Cambridge University Press. Dostępne także on-line pod adresem https://avehtari.github.io/ROS-Examples/

7. F.Hayashi, Econometrics, Princeton University Press 2000, rozdziały 6 i 7

Uzupełniająca:

1. T. Lancaster, An Introduction to Modern Bayesian Econometrics, Blackwell Publishing 2004

2. H. Lütkepohl, M. Krätzig M., Applied Time Series Econometrics, Cambridge University Press 2004.

3. R. McElreath, "Statistical Rethinking: A Bayesian Course with Examples in R and STAN", 2nd Edition, Chapman and Hall 2020.

4. P. Wdowinski, M. Małecka, Asymmetry in volatility: A comparison of developed and transition stock markets, FindEcon Monograph Series: Advances in Financial Market Analysis, No. 9, Wyd. UŁ 2011.

T

T

W ramach pracy własnej student ma obowiązek konsultować efekty swej pracy w ramach konsultacji (dopuszczalny jest kontakt przez Teamsa).

Bilans czasu pracy własnej Studenta:

Praca na zajęciach: 56

Przewidywany czas pracy własnej: 112

- przygotowanie do zajęć (praca bieżąca): 42

- przygotowanie do zaliczenia: 84

Liczba punktów ECTS: 6

Tradycyjny wykład. Prezentacja wyników otrzymanych w programach R, CATS in RATS. Udział studentów w rozwiązywaniu zadań praktycznych z wykorzystaniem pakietów MS Excel, i Gretl.

studenci muszą otrzymać zaliczenie od każdego z prowadzących z osobna.

Próg zaliczenia egzaminu: 50% najlepszego wyniku

Warunkiem zaliczenia ćwiczeń będzie sprawdzian testowy lub przygotowanie pracy samodzielnej.

Egzamin będzie miał formę testu wielokrotnego wyboru i zostanie przeprowadzony w MOODLE.

1. Procesy stochastyczne I(2). Kointegracja wielomianowa (strumieniowa i zasobowa).

2. Restrykcje w modelu CVAR I(1) oraz I(2). Dwustopniowa procedura Johansena.

3. Reprezentacja wspólnych trendów stochastycznych. Trendy stochastyczne, stochastyczna cykliczność.

4. Model CVAR w przypadku zmian strukturalnych w części deterministycznej lub stochastycznej DGP.

5. Wspólne czynniki dominujące. Współtrendowość, współzintegrowanie, współcykliczność, współprzełączenie, współzautokorelowanie.

6. Twierdzenie Bayesa. Rozkład prawdopodobieństwa a priori i a posteriori.

7. Zastosowanie metod numerycznych we wnioskowaniu bayesowskim. Próbkowanie z rozkładu a posteriori. Rozkład łączny i rozkłady brzegowe parametrów. Przedział największej gęstości a posteriori (HPDI).

8. Bayesowska analiza modelu regresji liniowej. Informacyjne rozkłady a priori.

9. Bayesowska predykcja i porównanie modeli. Bayesowskie uśrednianie modeli.

10. Aproksymacja rozkładów a posteriori na podstawie metod MCMC (Markov Chain Monte Carlo).

11. Własności szeregów czasowych wysokiej częstotliwości.

12. Jednowymiarowe asymetryczne modele zmienności. Klasa modeli GARCH.

13. Testowanie asymetrii w procesie zmienności.

14. Wielowymiarowe modele zmienności. Klasa modeli MGARCH.

15. Nieliniowe modele wektorowej autoregresji. Testowanie nieliniowości w modelach szeregów czasowych.

Podstawowa:

1. M. Majsterek, Wielowymiarowa analiza kointegracyjna w ekonomii, WUŁ, Łódź 2008.

2. J. Osiewalski, Ekonometria bayesowska w zastosowaniach, Wydawnictwo Akademii Ekonomicznej w Krakowie 2001.

3. M. Osińska, Ekonometria finansowa, PWE, Warszawa 2006.

4. R. S. Tsay, Analysis of Financial Time Series, Wiley 2002.

5. A. Welfe, Ekonometria, PWE, Warszawa 2018.

6. A. Gelman, J.Hill, A. Vehtari (2020), Regression and other stories, ‎ Cambridge University Press. Dostępne tażke on-line pod adresem https://avehtari.github.io/ROS-Examples/

Uzupełniająca:

1. T. Lancaster, An Introduction to Modern Bayesian Econometrics, Blackwell Publishing 2004

2. H. Lütkepohl, M. Krätzig M., Applied Time Series Econometrics, Cambridge University Press 2004.

3. R. McElreath, "Statistical Rethinking: A Bayesian Course with Examples in R and STAN", 2nd Edition, Chapman and Hall 2020.

4. P. Wdowinski, M. Malecka, Asymmetry in volatility: A comparison of developed and transition stock markets, FindEcon Monograph Series: Advances in Financial Market Analysis, No. 9, Wyd. UŁ 2011.