Modelowanie szeregów czasowych 2400-ZEWW805
Zajęcia 1
• Wprowadzenie, sprawy organizacyjne.
• Definicja szeregu czasowego.
• Prognozy i miary precyzji prognoz.
• Operator opóźnień, operator różnicowy.
Literatura: Charemza eta al (1997), Enders (2014)
Zajęcia 2 Dekompozycja szeregów czasowych:
• klasyczne metody dekompozycji szeregu czasowego w formie addytywnej i multiplikatywnej na trend, wahania sezonowe, składnik cykliczny oraz składnik czysto stochastyczny;
• wprowadzenie do programów X-12, TRAMO-SEATS w programie Demetra lub Eviews.
Literatura: Gomez V. and A. Maravall (1997), Programs TRAMO and SEATS - Instructions for the User, Banco de Espana, X-12 ARIMA Reference Manual (2011), U.S. Census Bureau
Zajęcia 3. Jednorównaniowe modele szeregów czasowych – modelowanie i prognozowanie:
• pojęcie trendu;
• proces stochastyczny, proces deterministyczny;
• silna i słaba stacjonarność szeregów czasowych;
• biały szum.
Literatura: Enders (2014), rozdział 4.1-4.2
Zajęcia 4 Jednorównaniowe modele szeregów czasowych – modelowanie i prognozowanie cd:
• proces autoregresyjny AR(p) i jego własności;
• proces średniej ruchomej MA(q) i jego własności;
• funkcje autokorelacji i cząstkowej autokorelacji (ACF, PACF), korelogramy, rozkłady wartości ACF i PACF, przedziały ufności dla ACF i PACF.
• elementy analizy spektralnej: analiza periodogramu
Literatura: Enders (2014), rozdział 2.1, 2.2, 2.3.
Zajęcia 5 Jednorównaniowe modele szeregów czasowych – modelowanie i prognozowanie cd:
• modele ARMA(p,q)/ modele dla szeregów zintegrowanych ARIMA(p,d,q);
• warunki stacjonarności;
• procedura Boxa-Jenkinsa, wyznaczanie rzędów modelu;
• kryteria informacyjne AIC, SBC (BIC).
Literatura: Enders (2014), rozdział 2.4, 2.5, 2.6.
Zajęcia 6 Jednorównaniowe modele szeregów czasowych – modelowanie i prognozowanie cd:
• błądzenie losowe (z dryfem/z trendem),
• szeregi zintegrowane, sprowadzanie szeregów do postaci stacjonarnej, różnicowanie szeregów;
• testowanie stacjonarności szeregów, testy pierwiastków jednostkowych test DF.
• testowanie stacjonarności szeregów, testy pierwiastków jednostkowych test ADF, test KPSS.
Literatura: Enders (2014), rozdział 4.3-4.7; Kwiatkowski, D., P.C.B. Phillips, P. Schmidt, Y. Shin (1992): Testing the Null Hypothesis of Stationarity against the Alternative of a Unit Root, Journal of Econometrics, 54, pp. 159-178.
Zajęcia 7 Sezonowość:
• sezonowość stochastyczna, sezonowość deterministyczna;
• różnicowanie sezonowe;
• testowanie występowania sezonowości (test Dickey-Hasza-Fuller).
• sezonowe modele SARIMA;
• prognozowanie w modelach sezonowych SARIMA.
Literatura: Ghysels E., Osborn D.R., The econometric analysis of seasonal time series, Cambridge University Press, Cambridge 2001., rozdział 2, rozdział 3, Dickey, D. A., H. P. Hasza, and W. A. Fuller (1984), “Testing for unit roots in seasonal time series,” JASA, 79, 355-367; H. P. Hasza, and W. A. Fuller (1982),”Testing for nonstationary parameter specifications in seasonal time series models”, The Annals of Statistics 1982, Vol.10, No. 4, 1209-1216; Enders (2014), rozdział 2.11
Zajęcia 8 Jednorównaniowe modele szeregów czasowych – modelowanie i prognozowanie cd:
• diagnostyka modeli;
• testy Portmanteau: Boxa-Pierce’a, Ljunga-Boxa, test Jarque-Berra;
• prognozowanie w modelach ARMA/ARIMA.
• testowanie istnienia załamań strukturalnych
Literatura: Enders (2014), rozdział 2.7 – 2.8
Zajęcia 9 Prognozowanie za pomocą metod uczenia maszynowego
• uczenie nadzorowane i nienadzorowane
• prognozowanie za pomocą drzew decyzyjnych
• prognozowanie za pomocą sieci neuronowych: CNN, LSTM
• metody łączenia prognoz: zwykła średnia, łączenie liniowe, LASSO
• porównywanie prognoz: in sample, out of sample
Zajęcia 10 Testowanie przyczynowości
• definicja przyczynowości w sensie Grangera
• testowanie przyczynowości w sensie Grangera w przypadku stacjonarnych i niestacjonarnych szeregów czasowych
Lieratura: Charemza at al (1997)
Zajęcia 11 Jednorównaniowe modele szeregów czasowych:
• modelowanie zależności długookresowych;
• mnożniki krótko i długookresowe
• twierdzenie Grangera i model korekty błędem ECM
• problem regresji pozornej
• kointegracja – definicja
• estymacja wektora kointegrującego
• testowanie kointegracji
Literatura: Enders (2014), rozdział 6.1-6.6; Engle, R.F. and C.W. J. Granger (1987), “Co-integration and Error Correction: Representation, Estimation, and Testing”, Econometrica, 55, 251-276.
Zajęcia 12 Wielorównaniowe modele szeregów czasowych:
• definicja model VAR
• metody ustakania liczby opóźnień
• estymacja modelu VAR
• weryfikacja stabilności modelu VAR
• twierdzenie o reprezentacji Grangera i model VECM
• testowanie integracji i kointegracji: test Johansena
Literatura: Charemza at al (1997), Lütkepohl (2005)
Zajęcia 13 Analiza wyników oszacowanych modeli wielorównaniowych
• testy diagnostyczne: autokorelacja
• testowanie przyczynowości modela VAR w przypadku zmiennych stacjonarnych i niestacjonarnych
• funkcje reakcji na impuls w wersji dla błędów jednostkowych i ortogonalnych
• dekompozycja wariancji błędu prognozy w wersji dla błędów jednostkowych i ortogonalnych
Literatura: Charemza at al (1997), Lütkepohl (2005)
Zajęcia 14 Struktura modelu wielorównaniowego
• Klasyczne modele wielorównaniowe: forma strukturalna i zredukowana
• Problem identyfikacji parametrów, obserwacyjna ekwiwalentność modeli
• Egzogeniczność i endogeniczność w modelach wielorównaniowych
• Parametry strukturalne i struktura modelu: krytyka Lukasa
• Modele VAR z elementami struktury: modele SVAR i VECM
Literatura: Charemza at al (1997), Lütkepohl (2005)
Zajęcia 15 Wygładzanie, filtrowanie i dekompozycja szeregów
• wygładzanie z pomocą średnich ruchome;
• wygładzanie za pomocą wyrównywania wykładniczego.
• wygładzanie sezonowe szeregu czasowego;
• modele niesezonowe Holta i sezonowe Holta-Wintersa;
• dekompozycja szeregu na składnik permanentny i krótkookresowy: dekompozycja Nelsona-Beverige’a
• dekompozycja szeregu na składnik cykliczny i niecykliczny za pomocą filtru Hodricka-Prescotta
• dekompozycja Blancharda-Quah’a
Rodzaj przedmiotu
Efekty kształcenia
A) Wiedza
1) Student zna pojęcie szeregu czasowego/stochastycznego. Rozumie różnice między szeregami o różnej częstości próbkowania.
2) Student rozumie pojęcie sezonowości oraz zdaje sobie sprawę z jej potencjalnych przyczyn.
2) Student rozumie różnice między wyrównanymi i niewyrównanymi sezonowo szeregami czasowymi. Rozumie różnice między różnymi sposobami wyrównywania sezonowego i zna w zakresie podstawowym programy ARIMA X-12 i TRAMO/SEATS
3) Student rozumie pojęcie trendu deterministycznego i stochastycznego oraz pojęcie zmienności krótkookresowej i zna metody dekompozycji szeregu czasowego na te elementy.
4) Student zna pojęcie słabej i silnej stacjonarności.
5) Student zna modele auteregresyjne AR(p), modele średniej ruchomej MA(q) oraz mieszane modele ARIMA(p,d,q)
6) Student rozumie metody uzyskiwania prognoz na podstawie klasycznych metod opartych na szeregach czasowych oraz rozumie podstawy sposóbów generowania prognoz bazujących na metodach uczenia maszynowego.
6) Student rozumie pojęcie regresji pozornej i wie dlaczego stanowi ona istotny problem w badaniach powiązań między zmiennymi.
7) Student rozumie w jaki sposób testuje się założenie o stacjonarności/niestacjonarności szeregu czasowego
8) Student zna postać modelu VAR, SVAR, VARX oraz VECM i rozumie powiązania i różnice między tymi modelami.
9) Student rozumie pojęcie funkcji reakcji na impuls oraz pojęcie dekompozycji wariancji błędu prognozy.
10) Student zna pojęcie przyczynowości w sensie Grangera i umie przeprowadzić testowanie tej przyczynowości w przypadku zmiennych stacjonarnych i niestacjonarnych oraz modeli jedno i wielorównaniowych.
11) Student rozumie pojęcie kointegracji, jego związek z istnieniem mechanizmu korekty błędem oraz związek kointegracji z pojęciem mnożników długo i krótkookresowych
12) Student rozumie różnicę między mnożnikami i parametrami strukturalnymi.
B) Umiejętności
1) Student potrafi przeprowadzić samodzielnie badanie ekonometryczne przy użyciu szeregu czasowego, wygenerować na jego podstawie prognozy, określić zależności między zmiennymi i przeprowadzić analizę skutków zmian polityki ekonomicznej.
2) Student potrafi dekomponować szereg czasowy na składniki, przeprowadzić jego sezonowe i niesezonowe wygładzenie.
3) Student potrafi określić czy poszczególne szeregi czasowe są stacjonarne czy niestacjonarne, potrafi określić rząd integracji szeregu na bazie wyników testów pierwiastka jednostkowego.
4) Student potrafi zinterpretować kształt funkcji ACF i PACF oraz periodogramu oraz użyć tej analizy do wyboru postaci modelu.
5) Student potrafi wykorzystać modele z klasy SARIMA do generowania prognoz, potrafi wykorzystać proste narzędzia z zakresu uczenia maszynowego do generowania prognoz. Potrafi ocenić jakość prognoz.
6) Student portafi zbadać istnienie związku przyczynowego na podstawie wyników testu przyczynowości w sensie Grangera.
7) Student potrafi oszacować modele z klasy VAR, VECM, SVAR, wykorzystać je do wygenerowania funkcji reakcji na impuls i dekompozycji wariancji błędu prognozy i zinterpretować uzyskane kształty funkcji.
8) Student potrafi oszacować liczbę wektorów kointegrujących i potrafi je zidentyfikować na bazie ograniczeń wynikających z teorii.
9) W ramach zajęć student pozna specjalizowanych kilka pakietów programu R, które znajdują zastosowanie w analizie szeregów czasowych.
C) Kompetencje społeczne
Student uzyskuje świadomość konieczności weryfikacji teorii – zwłaszcza w zakresie makroekonomii - na bazie badań empirycznych. Uzyskuje także wiedzę na temat historycznych zmian w zakresie sposobu analizy danych ekonomicznych oraz świadomość ograniczeń obecnie stosowanych metod i ich ciągłego rozwoju. Uzyskuje także umiejętność dyskusji nad założeniami stojącymi u podstaw teorii i modeli ekonomicznych oraz sposobów ich weryfikacji na bazie pochodzących z szeregów czasowych. W ramach zajęć planowane jest także grupowe rozwiązywanie zadanych case’ów, dzięki czemu student uzyskuje umiejętność pracy zespołowej nad danymi makroekonomicznymi.
KW01, KW02, KW03, KU01, KU02, KW03, KK01, KK02, KK03
Wymagana jest obecność na zajęciach. Na ocenę końcową wpływa aktywność na zajęciach oraz ocena z opracowanego przez studenta case’u.
Kryteria oceniania
Wymagana jest obecność na zajęciach. Na ocenę końcową wpływa aktywność na zajęciach oraz ocena z opracowanego przez studenta case’u.
Wymagania formalne Zaliczony podstawowy kurs z ekonometrii.
Literatura
Literatura:
• W. W. Charemza, D. F. Deadman, 1997 , Nowa ekonometria, PWE
• W. Enders, Applied Econometric Time Series, 2014, Wiley
• H. Lütkepohl 2005. New Introduction to Multiple Time Series Analysis. Springer
• Artykuły wskazane na zajęciach.
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: