teoria na kolokwium, FiR UMK Toruń 2010-2013, III FIR, Prognozowanie gospodarcze


  1. Testy:

  1. T - Studenta:

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic
odrzucam 0x01 graphic
na korzyść hipotezy alternatywnej, parametr strukturalny istotnie wpływa na zmienną objaśnioną y.

0x01 graphic
brak podstaw do odrzucenia 0x01 graphic
, możemy sądzić, że parametr strukturalny nieistotnie wpływa na zmienną objaśnioną y.

  1. F - wybór stopnia wielomianu trendu:

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic
brak podstaw do odrzucenia 0x01 graphic
, nie nastąpił istotny spadek wariancji resztowej - wybieramy trend z niższym stopniem.

0x01 graphic
odrzucamy 0x01 graphic
na korzyść hipotezy alternatywnej, nastąpi istotny spadek wariancji resztowej - wybieramy trend z wyższym stopniem.

  1. DW:

0x01 graphic
reszty losowe, brak autokorelacji składnika losowego rz. I

0x01 graphic

0x01 graphic
reszty nielosowe, występuje autokorelacja składnika losowego rz. I

0x01 graphic

DW(DW*) > dlu brak podstaw do odrzucenia hipotezy zerowej - autokorelacja składnika losowego rz. I nie występuje

DW(DW*) < dl odrzucam hipoteze zerową na korzyść hipotezy alternatywnej - autokorelacja składnika losowego rz. I występuję

dl < DW(DW*) < du test nie rozstrzyga o autokorelacji składnika losowego rz. I

  1. Test Quenouille'a:

0x01 graphic
wspólczynnik autokorelacji rzędu 0x01 graphic
jest nieistotny statystycznie

0x01 graphic
współczynnik autokorelacji rzędu 0x01 graphic
jest istotny statystycznie

0x01 graphic
, t= 1,2,…q

0x01 graphic

0x01 graphic
odrzucam hipotezę zerową na korzyść alternatywnej, współczynnik autokorelacji rzędu 0x01 graphic
jest istotny statystycznie, występuje autokorelacja co najmniej rzędu 0x01 graphic
.

0x01 graphic
brak podstaw do odrzucenia hipotezy zerowej, współczynnik autokorelacji rzędu 0x01 graphic
jest nieistotny statystycznie.

  1. Ljunga-Boxa:

0x01 graphic
każdy współczynnik autokorelacji od 1 do rzędu p jest nieistotny statystycznie

0x01 graphic
przynajmniej jeden współczynnik korelacji rzędu od 1 do p jest statystycznie istotny

0x01 graphic
0x01 graphic
p)

0x01 graphic

Q≥Q* odrzucamy hipotezę zerową na korzyść alternatywnej, możemy sadzić, że przynajmniej jeden współczynnik korelacji rzędu od 1 do p jest statystycznie istotny.

Q<Q* brak podstaw do odrzucenia hipotezy zerowej, możemy sądzić, że każdy współczynnik autokorelacji od 1 do rzędu p jest nieistotny statystycznie.

  1. Wnioskowania na podstawie wyników:

  1. testu Durbina-h:

0x01 graphic

0x01 graphic

  1. testu CUSUM:

0x01 graphic
brak zmian w parametrach, parametry stabilne

0x01 graphic
zmiany w parametrach, parametry niestabilne

Statystyka testu: Harvey-Collier

0x01 graphic
brak podstaw do odrzucenia hipotezy zerowej - brak zmian w parametrach - parametry stabilne

0x01 graphic
z empirycznym poziomem błędu p odrzucamy hipotezę zerową na korzyść alternatywnej - występują zmiany w parametrach - parametry niestabilne

  1. testu normalności rozkładu reszt:

0x01 graphic
składniki losowy ma rozkład normalny

0x01 graphic
składnik losowy nie ma rozkładu normalnego

Statystyka testu: Chi-kwadrat

0x01 graphic
brak podstaw do odrzucenia hipotezy zerowej - rozkład reszt posiada cechy rozkładu normalnego

0x01 graphic
z empirycznym poziomem błędu p odrzucamy hipotezę zerową na korzyść alternatywnej - rozkład reszt nie posiada cech rozkładu normalnego

  1. testów autokorelacji:

0x01 graphic
brak autokorelacji składnika losowego

0x01 graphic
autokorelacji składnika losowego

0x01 graphic
brak podstaw do odrzucenia hipotezy zerowej - brak autokorelacji składnika losowego

0x01 graphic
z empirycznym poziomem błędu p odrzucamy hipotezę zerową na korzyść alternatywnej - autokorelacja składnika losowego występuje.

3. Model trendu:

Zapisanie otrzymanego modelu: Pt =∑αjtj

Gdzie:

t- zmienna czasowa przyjmująca wartości t=1,2,...,n,

r- stopień wielomianu trendu,

αj- parametry modelu trendu.

W zależności od parametru r, hipotezy modelowe przyjmują postaci:

r = 0 Yt = α0 + ηt,

r = 1 Yt = α01t + ηt

r = 2 Yt01t+α2t2 + ηt

r = 3 Yt01t + α2t23t3 + ηt

.

.

.

4. Model sezonowości:

Zapisanie otrzymanego modelu: St = ΣdkQkt

Gdzie:

dk - parametry modelu sezonowości oznaczające o ile wartość zjawiska odchyla się od poziomu średniego, wyłącznie z tytułu wahań sezonowych,

Σdk = 0 - co oznacza, że wahania sezonowe w skali roku wznoszą się wzajemnie,

m - liczba podokresów w roku,

Qkt - zmienna zero-jedynkowa przyjmująca wartość jeden zawsze w okresie gdy (t-k) dzieli się bez reszty przez m i zero w pozostałych okresach,

Qkt= 1 gdy (t-k) dzieli się przez m bez reszty

0 w pozostałych okresach

Hipoteza modelowa:

Model sezonowości kwartalnej ma następującą postać:

St= d1Q1t + d2Q2t + d3Q3t + d4Q4t

Model sezonowości kwartalnej bez stałej:

Yt = d1Q1t + d2Q2t + d3Q3t + d4Q4t + ηt

Model sezonowości kwartalnej ze stałą ma następującą postać:

Yt = α0 + d1Q1t + d2Q2t + d3Q3t + d4Q4t + ηt

Model sezonowości kwartalnej ze stałą i trendem liniowym ma postać:

Yt = α0 + α1t + d1Q1t + d2Q2t + d3Q3t + d4Q4t + ηt

5. Model AR:

Hipoteza modelowa:

Yt = α1Yt-1 + α2Yt-2 + α3Yt-3 + ... + αpYt-p + ξt

Zapis otrzymanego modelu:

Yt = ΣαiYt-i + ξt

Gdzie:

p- rząd autoregresji, czyli maksymalne opóźnienie zmiennej objaśnianej,

α123,...,αp - parametry modelu autoregresyjnego

ξt - proces resztkowy (biały szum)

6. Budowa modelu struktury procesu (hipoteza modelowa, zapisanie otrzymanego modelu),

Eliminacja a posteriori-Metoda selekcji nieistotnych zmiennych typu aposteriori, polega na eliminacji, w pojedynczym kroku jednej najsłabszej zmiennej objaśniającej x i ponowną estymację modelu. Najsłabsza zmienna- wartość statystyki p- największa lub t- najmniejsza.

Jeśli chodzi o konkretny przykład hipotezy i zapisy modelu to w punkcie 7 jest wszystko napisane na konkretnym przykładzie.

7. Procedury budowy modelu zgodnego (kolejne kroki postępowania, hipoteza modelowa, zapisanie modelu końcowego)

Model zgodny

Model zgodny zakłada zgodność harmonicznej struktury procesu objaśnianego z łączną harmoniczną strukturą procesów objaśniających oraz procesu resztowego, który jest niezależny od procesów objaśniających.

Jest to model uwzględniający wewnętrzną strukturę dynamiczną każdego z procesów objaśnianych i objaśniających, przy czym proces resztowy pozostaje białym szumem.

Etapy specyfikacji liniowego modelu zgodnego:

1. Badanie wewnętrznej struktury procesu endogenicznego i procesów egzogenicznych:

- wyodrębnienie trendu,

- wyodrębnienie składnika sezonowego,

- ustalenie rzędów opóźnień poszczególnych procesów (na ogół rzędu autoregresji).

2. Sformułowanie ogólnego modelu zawierającego maksymalny stopień wielomianu trendu

(czyli wybrać trend o największym stopniu, który wyszedł spośród badanych zmiennych), sezonowość oraz maksymalny rząd autoregresji dla każdego procesu.

Hipoteza modelowa: przykład

zmienna

st.w. trendu

sezonowość

autokorelacja

Rząd AR

Y

1

+

TAK

2

X1

1

-

TAK

1

X2

1

-

TAK

1

X3

2

+

TAK

1

X4

1

+

TAK

2

Hipoteza na podstawie tabeli

  1. Patrzymy na tabelę- wybieramy największy stopień wielomianu trendu z całej tabeli( w tym wypadku kwadratowy)

  2. Sezonowość- jeżeli występuje chociaż raz to ją uwzględniamy

  3. Autoregresja- 2 opóźnienia na Y dodajemy zmienną objaśniającą X1 i jej 1 opóźnienie

Hipoteza modelowa:

Yt= ℒ0 + ℒ1t + ℒ2 t2 + d1Q1, t +…+ d12Q12,t + ℒ 3Yt-1 + ℒ4Yt-2 + ℒ 5X1,t + ℒ6X1,t-1+ ℒ7X2 t +ℒ8X2, t-1 + ℒ9 X3 t +ℒ10X3, t-1 +ℒ11 X4,t + ℒ12X4,t-1 + ℒ13X4,t-2 + εt

3. Oszacowanie postaci pierwotnej modelu zgodnego uwzględniającej wszystkie wyspecyfikowane składniki.

4. Weryfikacja modelu na podstawie badania istotności zmiennych oraz własności reszt.( Jeśli przy któreś z sezonowości są gwiazdki (*,**,***) to jej w ogóle nie ruszamy. Dokonujemy estymacji innych zmiennych po największym p lub najmniejszym t-Studenta.

Model końcowy:

Yt= a0 + a1t + a2 t2 + d ^1Q*1, t +…+ d^11Q*11,t + a 3Yt-1 + a5X1,t +a8X2, t-1 +a10X3, t-1 +a12X4,t-1+ εt

W miejsce a wstawić konkretne wartości

Yt= -60628,6 + -106,723 t + 4,32117 t2 + -696,280 Q*1, t +…+ 637,569Q*11,t -0,705101Yt-1 + 35,8439 X1,t + 266,884 X2, t-1 + 55,5243X3, t-1 + 2,64454X4,t-1

( nie jestem pewna czy w seznowośći współczynnik wstawia się za d^1 czy za Q*1,t)

5. Następnie robimy prognozy , wyznaczamy błędy ex-post, ex- ante.

6. Interpretacja ocen parametrów strukturalnych oraz ocena dopasowania modelu.

8. Model ARMA(p,q) (zapis, identyfikacja):

AR(p) - ACF maleje wykładniczo lub jest sinusoidą tłumioną

- PACF urywa się po odstępie p

MA(q) - ACF urywa się po odstępie q

- PACF maleje wykładniczo lub jest sinusoidą tłumioną

ARMA(p,q) - ACF i PACF łagodnie zanikają

9. Błędy ex ante (dopuszczalność prognozy)

- informują o spodziewanej wielkości odchyleń rzeczywistych wartości zmiennej prognozowanej od prognoz

0x01 graphic
- wariancja predykcji

0x01 graphic
- błąd średni predykcji

Interpretacja -w okresie prognozowanym rzeczywiste wartości zmiennej prognozowanej będą się różnić od wartości prognoz średnio o +/- VT

0x01 graphic

Interpretacja : 0x01 graphic
- prognoza dopuszczalna (Vg*=5-10%)

Błędy ex post (trafność prognozy)

- informują o rzeczywistej różnicy między rzeczywistymi wartościami zmiennej prognozowanej (realizacje) a prognozami

0x01 graphic

ME>0 prognozy niedoszacowane

ME<0 prognozy przeszacowane

0x01 graphic

0x01 graphic

Wyznaczany i analizowany w celu umożliwienia wstępnej oceny, czy wariancja błędu prognozy jest stała, czy zmienia się w czasie.

0x01 graphic

Interpretacja - rzeczywiste wartości zmiennej prognozowanej w okresie prognozowanym różniły się średnio od wyznaczonych prognoz o RMSE

0x01 graphic

0x01 graphic
- prognozy trafne

0x01 graphic

0x01 graphic
,

J=0 rząd dokładności predykcji jest równy rzędowi dokładności modelu w próbie,

J>1 dezaktualizacja modelu

0x01 graphic
,

0x01 graphic
- w okresie prognozowanym przeciętny względny błąd predykcji wyniósł I

I²= 0x01 graphic

0x01 graphic
+ 0x01 graphic
+ 0x01 graphic

S -odchylenie standardowe

r - współczynnik korelacji

0x01 graphic
- obciążoność predykcji

0x01 graphic
- niedostateczna elastyczność/wahania

0x01 graphic
- niedostateczna zgodność

10. Prognoza przedziałowa

- przedział liczbowy, w którym z zadanym prawdopodobieństwem zawiera się nieznana wartość zmiennej objaśnianej Y w okresie T.

Założenie! zmienna prognozowana ma rozkład normalny, z prawdopodobieństwem 1-α można sądzić, że rzeczywista wartość zmiennej prognozowanej będzie w przedziale:

0x01 graphic

0x01 graphic
średni błąd predykcji (miara ex ante) 0x01 graphic

0x01 graphic

0x01 graphic
wartość dystrybuanty rozkładu normalnego odpowiadająca wiarygodności 0x01 graphic
, odczytujemy ją z tablic dystrybuanty rozkładu normalnego (dla 0x01 graphic
).

11. Ocena wartości prognostycznej modelu ekonometrycznego

a) Wariancja resztowa S2(u) i odchylenie standardowe reszt S(u).

Dla regresji Y względem X wariancję resztową określa wzór

0x01 graphic
, gdzie

yi - rzeczywista wartość zmiennej objaśnianej

ŷi - wartość teoretyczna zmiennej objaśnianej (na podstawie modelu)

n - liczebność próby

k - liczba szacowanych parametrów modelu

Odchylenie standardowe reszt jest to pierwiastek kwadratowy z wariancji resztowej, S(x)=√S2(x). Odchylenie to informuje, że wartości empiryczne zmiennej objaśnianej yi różnią się od wartości teoretycznej ŷi , otrzymanych na podstawie modelu regresji, średnio o +/- S(x). Odchylenie standardowe reszt jest miarą bezwzględną( absolutną), wyrażoną w takich jednostkach, w jakich jest wyrażona zmienna objaśniająca.

b) Współczynnik zmienności losowej

0x01 graphic

gdzie:

0x01 graphic
- średnia arytmetyczna empirycznych wartości zmiennej objaśnianej

Współczynnik ten informuje, jaki procent dniej arytmetycznej zmiennej objaśnianej sanowi odchylenie standardowe reszt. Jeżeli współczynnik zmienności nie przekracza założonej z góry wartości granicznej, Vu ≤ V*, przy czym V* ustala się maksymalnie na poziomie 15%, to odchylenie wartości empirycznych zmiennej objaśnianej od jej wartości teoretycznych można uznać za niewielkie. Świadczy to również o dobrym dopasowaniu modelu do danych empirycznych.

c) współczynnik determinacji:

0x01 graphic
gdzie:

yi - rzeczywista wartość zmiennej objaśnianej

ŷi - wartość teoretyczna zmiennej objaśnianej (na podstawie modelu)

0x01 graphic
- średnia arytmetyczna empirycznych wartości zmiennej objaśnianej

Współczynnik determinacji R2 informuje o tym jaka część całkowitej zmienności (zmian) zmiennej objaśnianej została wyjaśniona przez oszacowany model regresji ( lub inaczej przez zmiany zmiennej objaśniającej). Jeżeli R2 przekracza pewną wielkość graniczną przyjętą z góry, R2≥ R2g, przy czym R2g ustalane jest umownie( np. R2g=85%), to można uznać, że stopień dopasowania modelu do danych empirycznych jest wysoki.

d) współczynnik zbieżności

0x01 graphic

Współczynnik zbieżności 0x01 graphic
informuje o tym, jaka część całkowitej zmienności( zmian) zmiennej objaśnianej nie została wyjaśniona przez zmiany zmiennej objaśniającej występującej w modelu regresji. Im niższa jest wartość0x01 graphic
( bliższa zeru), tym dopasowanie modelu do danych empirycznych jest lepsze.

0x01 graphic

12. Założenia predykcji na podstawie modelu ekonometrycznego

Sformułowanie prognozy wymaga wykonania wielu kroków, często specyficznych dla danego zadania, niemniej jednak układający się w pewien ogólny schemat, którego schemat ułatwia i poprawia organizację procesu prognostycznego.

W procesie prognozowania, występuje dwóch partnerów: odbiorca prognozy, czyli: odbiorca prognozy, czyli osoba zlecająca wykonanie prognozy, oraz prognosta, czyli wykonawca prognozy.

Etapy predykcji:

  1. Sformułowanie zadania prognostycznego

W tym etapie należy okeślić obiekt, zjawisko, zmienne, które mają podlegać prognozowaniu, cel wyznaczania prognozy, wymagania co do dopuszczalności i horyzontu prognozy.

Główną role odgrywa odbiorca, prognosta jest konsultantem pomagającym w precyzowaniu ustaleń. Predykcja w określeniu zadania prognostycznego jest niezwykle ważna, ponieważ na tym etapie ustala się zakres działań prognosty, a więc praktycznie decyduje się o postaci wyniku, jaki ma być uzyskany.

  1. Podanie przesłanek prognostycznych

Sformułowanie przesłanek wymaga współpracy obu partnerów procesu prognozowania, przy czym prognosta odgrywa rolę podstawową, gdyż zdaje odbiorcy pytania o realia zjawiska prognozowanego i konfrontuje z nim swoje opinie, uzyskane w wyniku studiów literaturowych dotyczących teorii i dotychczasowych badań zjawiska, a także opinie z innych źródeł. Efektem tych prac są hipotezy o czynnikach kształtujących zjawisko, deklaracja prognosty co do postawy wobec przyszłości zjawiska oraz określenie zbioru danych potrzebnych do sporządzenia prognozy i zebranie tych danych.

  1. Wybór metody prognozowania

Wybór metody prognozowania jest konsekwencją zaakceptowanych przesłanek prognostycznych. Wybór metod zależy również od rodzaju posiadanych danych.

  1. Wyznaczenie prognozy

Czynność ta powinna przebiegać zgodnie z ogólnym schematem wybranych metod, a gdy to nie jest możliwe, należy w opisie postępowania ująć wszelkie podjęte decyzje. Samo sformułowanie prognozy powinno odpowiadać określeniu zadania prognostycznego.

  1. Ocena dopuszczalności prognozy

Ocena dopuszczalności musi być podana w sposób zgodny z żądaniem odbiorcy w pierwszym etapie.

  1. Weryfikacja prognozy

Weryfikacja polega na określeniu trafności prognozy za pomocą któregoś błędu prognozy ex post, gdy prognoza dotyczyła zmiennej ilościowej, lub na porównaniu prognozowanego stanu zmiennej jakościowej ze stanem zweryfikowanym. Gdy prognoza okazała się trafna, prognosta analizuje słuszność swego postępowania. Jeśli nie, to prognosta dąży do określenia przyczyn swego błędu

13. Modele adaptacyjne

- wygładzenie szeregu czasowego (metoda mechaniczna) -zastąpienie rzeczywistych wartości szeregu średnimi arytmetycznymi

Założenia :

- poziom wartości zmiennej prognozowanej prawie stały, z niewielkimi odchyleniami losowymi (wahania przypadkowe)

- brak tendencji rozwojowej , wahań sezonowych i cyklicznych

k- stała wygładzania, czyli liczba wyrazów średniej ruchomej (k=10-15 dla danych dziennych, k=3-5 dla miesięcznych)

k=1 - model naiwny, yTp = yt-1

Do wyznaczenia liczby wyrazów średniej ruchomej używa się średni kwadratowy błąd prognozy ex post ( wyraża odchylenia prognoz wygasłych od wartości zmiennej prognozowanej):

0x01 graphic
, delta = √MSE

n- liczba wyrazów szeregu czasowego zmiennej prognozowanej

Prognozy :

yTp = 0x01 graphic
0x01 graphic

Założenia :

- prawie stały poziom zmiennej prognozowanej, wahania przypadkowe

Prognozy:

y*t = αyt-1 + (1-α)y*t-1 , gdzie α0x01 graphic
(0;1], α- parametr wygładzania

lub y*t=y*t-1 + αqt-1 , gdzie qt-1=yt-1-y*t-1

y*1=y1

Założenia :

- występuje trend i wahania przypadkowe

Ft-1 = αyt-1 + (1-α)(Ft-2 + Tt-2) ,α,β0x01 graphic
[0;1]

Tt-1 = β(Ft-1- Ft-2) + (1-β)Tt-2

F t-1 = wygładzona wartość zmiennej prognozowanej na okres t-1 ; F1=y1

Tt-1 = wygładzona wartość przyrostu trendu na okres t-1 ; T1= y2-y1

Prognoza :

Y*t = Fn + (t-n)Tn , gdy t>n (gdy wychodzimy poza próbę) ; y*1=y1

MIN- średni kwadratowy błąd prognoz wygasłych

Założenia :

- występuje trend, wahania sezonowe i wahania przypadkowe

Ft-1 = α(yt-1 - St-1-r) + (1-α)(Ft-2 + Tt-2) , α,β,γ0x01 graphic
[0;1]

Tt-1 = β(Ft-1 - Ft-2) + (1-β)Tt-2

St-1 = γ(yt-1 - Ft-1) + (1-γ)St-1-r

F- ocena wartości średniej ;F1=y1 -średnia z wartości w pierwszym cyklu

T- ocena przyrostu trendu ;T1=y2-y1 - różnica średnich wyznaczonych dla drugiego i pierwszego okresu cyklu

S- ocena wskaźnika sezonowości; średnia różnic odpowiadających tej samej fazie cyklu wartości zmiennej prognozowanej i wygładzonych wartości trendu

r- długość cyklu sezonowego (np.dla danych miesięcznych r=12)

Prognoza:

y*t = Fn+ (t-n)Tn + St-r

MIN- średni kwadratowy błąd prognoz wygasłych

Ft-1 = α0x01 graphic
+ (1-α)(Ft-2 + Tt-2)

Tt-1 = β(Ft-1-Ft-2) + (1-β)Tt-2

St-1 = γ0x01 graphic
+ (1-γ)St-1-r

Prognoza:

y*t = (Fn + (t-n)Tn)St-r

MIN- średni kwadratowy błąd prognoz wygasłych

Założenia:

- nieregularne zmiany w trendzie

k - stała wygładzania (k<n ustalana arbitralnie)

Etap I - szacowanie parametrów liniowych trendu

d(t)≤ j ≤ g(t), gdzie

d(t) = {1 t=1,2,…,k

t-k+1 t=k+1,…,n

g(t) = { t t=1,2,…,n-k+1

n-k+1 t=n-k+2,…,n.

Etap II - ustalenie średniej wartości wygładzonych wartości teoretycznych z liniowych modeli trendu

0x01 graphic
t = 0x01 graphic
0x01 graphic

Prognozy :

- przyrosty funkcji trendu 0x01 graphic
t+1 = 0x01 graphic
t+1 - 0x01 graphic
t

- średnia w przyrostów 0x01 graphic
= 0x01 graphic
wt+1

0x01 graphic
- wagi harmoniczne realizujące postulat powtarzania informacji

0x01 graphic
= 0x01 graphic
0x01 graphic
; t = 1,…, n-1.

Etap III - odchylenie standardowe przyrostów trendu pełzającego

sw = [ 0x01 graphic
0x01 graphic
)2 ]0,5

Etap IV - ekstrapolacja trendu

y*τ = 0x01 graphic
n + (τ - n)0x01 graphic

Etap V - przedział prognozy- konstrukcja

P {y*τ - uτsw ≤ yτ ≤ y*τ + uτsw}= p , gdzie uτ = u 0x01 graphic
, n< τ ≤ 2n-1.



Wyszukiwarka

Podobne podstrony:
PG zagadnienia na kolokwium opracowanie, FiR UMK Toruń 2010-2013, III FIR, Prognozowanie gospodarcze
pytania finanse przeds, FiR UMK Toruń 2010-2013, III FIR, Zarządzanie finansami przedsiębiorstw
doradztwo tematy, FiR UMK Toruń 2010-2013, III FIR, doradztwo finansowo-podatkowe
fin przeds - kolosowaska - egzamin 2008-2009 rzad 1, FiR UMK Toruń 2010-2013, III FIR, Zarządzanie f
Zadanie 2, FiR UMK Toruń 2010-2013, III FIR, Umiejętności interpersonalne
Ad a, FiR UMK Toruń 2010-2013, III FIR, matematyka finansowa
fin przeds - kolosowaska - egzamin 2008-2009 rzad 2, FiR UMK Toruń 2010-2013, III FIR, Zarządzanie f
Matematyka finansowa egzamin + koło, FiR UMK Toruń 2010-2013, III FIR, matematyka finansowa
PG - wejsciowka (2), FiR UMK Toruń 2010-2013, III FIR, Prognozowanie gospodarcze
Bochenek przykładowe pyt, FiR UMK Toruń 2010-2013, III FIR, Ekonomia sektora publicznego, M. Bochene
Analiza finansowa egz, FiR UMK Toruń 2010-2013, III FIR, Analiza finansowa
pytania - stare, FiR UMK Toruń 2010-2013, III FIR, matematyka finansowa
Bochenek pyt z forum, FiR UMK Toruń 2010-2013, III FIR, Ekonomia sektora publicznego, M. Bochenek
pytania finanse przeds, FiR UMK Toruń 2010-2013, III FIR, Zarządzanie finansami przedsiębiorstw
doradztwo tematy, FiR UMK Toruń 2010-2013, III FIR, doradztwo finansowo-podatkowe
zarz ściąga 6, FiR UMK Toruń 2010-2013, I FiR, Podstawy zarządzania
Finanse egz, FiR UMK Toruń 2010-2013, I FiR, Finanse
strategie cenowe zad koło, FiR UMK Toruń 2010-2013, II FiR, Strategie cenowe
Owsiak, FiR UMK Toruń 2010-2013, II FiR, Finanse publiczne

więcej podobnych podstron