3262347684

Wykłady /.ekonometrii Jacka Osiewalskiego    2

Spis treści:

1.1 Wprowadzenie    3

1.2 Klasyczny Model Regresji Liniowej (KMRL1    3

1.2.1    Założenia Klasycznego Modelu Regresji Liniowej    5

1.2.2    Twierdzenie Gaussa i Markowa o estymatorze MNK    9

1.2,2.1 Dowód Twierdzenia Gaussa i Markowa    10

1.2.3    Twierdzenie o wariancji resztowei w KMRL    13

1.3 Klasyczny Model Normalnej Regresji Liniowej (KMNRL)    15

1.3.1    Założenia Klasycznego Modelu Normalnej Regresji Liniowej    16

1.3.2    Własności estymatora MNK w KMNRL    18

1.3.3    Estymacja przedziałowa i testowanie hipotez    19

1.3.3.1    Wnioskowanie o pojedynczym parametrze regresji.    19

1.3.3.1.1 Przedziały ufności dla pojedynczego parametru regresji    19

1.3.3.1.2 Testowanie hipotez o pojedynczym parametrze regresji    21

1.3.3.2    Łączne testowanie liniowych równościowych restrykcji na parametry regresji    23

1.3.4    Estymator MNK z narzuconymi liniowymi restrykcjami równościowymi    26

1.4 Model Normalnej Regresji Nieliniowej (MNRN1    27

1.4.1    Założenia Modelu Normalnej Regresji    Nieliniowej    27

1.4.2    Model Normalnej Regresji Nieliniowej:    30

1.4.3    Estymator Nieliniowej MNK    30

1.4.3.1 Geneza i własności    30

1.4.3.2 Realizacja: Algorytm Gaussa-Newtona    32

1.4.4    Wnioskowanie statystyczne w MNRN    34

1.5 Regresja z losowymi zmiennymi objaśniającymi    35

1.5.1    Zmienne objaśniające losowe i niezależne od składników losowych    36

1-5.1.1 Przykład: model Zellner Kmenta Drćze.    36

1.5.1.2    Model    Regresji Liniowej z Losowymi Zmiennymi Objaśniającymi    37

1.5.1.3    Własności    estymatora MNK    37

1.5.2    Zmienne objaśniające losowe i zależne tylko od uprzednich składników losowych    38

1.5.2.1    Przykład: proces ARłml dla zmiennej objaśnianej z niezależnym składnikiem losowym 38

1.5.2.2    Własności    estymatora MNK    39

1.5.3    Zmienne objaśniające losowe i zależne od bieżących składników losowych    39

1.5.3.1    Własności    estymatora MNK    39

1.5.3.2 Przykład: Model autoregresvinv z zależnymi składnikami losowymi.    39

1.5.3.3 Przykład: Modele wielorównaniowe o równaniach łącznie współzależnych    40