Serwisy internetowe Uniwersytetu Warszawskiego | USOSownia - uniwersyteckie forum USOSoweNie jesteś zalogowany | zaloguj się
katalog przedmiotów - pomoc

Analiza szeregów czasowych

Informacje ogólne

Kod przedmiotu: 2400-IiE3ASC Kod Erasmus / ISCED: 14.3 / (0311) Ekonomia
Nazwa przedmiotu: Analiza szeregów czasowych
Jednostka: Wydział Nauk Ekonomicznych
Grupy: Przedmioty obowiązkowe dla III r. studiów licencjackich - Informatyka i Ekonometria
Punkty ECTS i inne: 3.00
zobacz reguły punktacji
Język prowadzenia: polski
Rodzaj przedmiotu:

obowiązkowe

Założenia (opisowo):



Skrócony opis:

Zajęcia konwersatoryjne będą podzielone na część wprowadzającą o charakterze teoretycznym, oraz część praktyczną. W ramach kursu uczestnicy zapoznają się z podstawowymi pojęciami i narzędziami wykorzystywanymi w analizie i prognozowaniu szeregów czasowych. Celem dalszej części zajęć będzie przekazanie studentom praktycznych umiejętności potrzebnych do samodzielnego przeprowadzenia badania ekonometrycznego: przygotowania danych czasowych, estymacji i weryfikacji modelu, przeprowadzenia testów diagnostycznych i wreszcie oszacowania prognoz. Pod okiem prowadzących studenci będą samodzielnie rozwiązywali problemy i przykładowe zadania. Zaliczenie będzie składało się z wykonania modelu oraz egzaminu pisemnego z częsci teoretycznej.

Pełny opis:

1. Dekompozycja szeregów czasowych

• klasyczne metody dekompozycji szeregu czasowego w formie addytywnej i

multiplikatywnej na trend, wahania sezonowe, składnik cykliczny oraz składnik

czysto stochastyczny,

• metody wyrównywana wykorzystująca średnie ruchome,

• metody wyrównywana wykładniczego,

• wygładzanie sezonowe szeregu czasowego,

• modele niesezonowe Holta i sezonowe Holta-Wintersa,

• prognozy w modelach ekstrapolacyjnych

• miary precyzji prognoz

• programy X-12, TRAMO-SEATS

Literatura: Evans (2003)

Gomez V., Maravall A. (1996), Programs Tramo and Seats. Instructions for the User, Banco de Espana, Working Paper nr. 9628.

2. Jednorównaniowe modele szeregów czasowych – modelowanie i prognozowanie

• proces stochastyczny, proces deterministyczny, szereg czasowy,

• silna i słaba stacjonarność szeregów czasowych,

• błądzenie losowe (z dryfem/z trendem), biały szum

testowanie stacjonarności szeregów, testy pierwiastków jednostkowych: testy

DF/ADF, test KPSS, test Philipsa-Perrona

• testy Portmanteau: Boxa-Pierce’a, Ljunga-Boxa

• 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

• modele ARMA(p,q),

• warunki stacjonarności,

• procedura Boxa-Jenkinsa, wyznaczanie rzędów modelu,

• kryteria informacyjne AIC, SBC (BIC)

• estymacja parametrów,

• diagnostyka modeli

• szeregi zintegrowane, sprowadzanie szeregów do postaci stacjonarnej, różnicowanie

szeregów

• modele dla szeregów zintegrowanych ARIMA

• prognozowanie w modelach ARMA/ARIMA,

• błąd prognozy ex-ante, przedziały ufności dla prognozy,

• kryteria jakości prognozy ex-post (absolutne i procentowe)

• sezonowość stochastyczna, sezonowość deterministyczna

• testowanie wystepowania sezonowości (test Dickey-Hasza-Fuller, test HEGY)

• sezonowe modele SARIMA;

• prognozowanie w modelach sezonowych SARIMA

Literatura: Charemza, Deadman (1997), Enders (1995), Brockwell, Davis (1996), Maddala (2006), Mills (1999)

3. Wielorównaniowe modele szeregów czasowych

• współzależność w danych finansowych, modelowanie zależności długookresowych

• kointegracja – definicja i testowanie, estymacja wektora kointegrującego, modele

korekty błędem ECM,

Literatura: Enders (1995), Charemza, Deadman (1997), Judge et al. (1991)

4. Modelowanie zmienności (volatility)

• stylizowane fakty w finansowych szeregach czasowych, szeregi leptokurtyczne,

grube ogony, efekty dźwigni

• wariancja warunkowa vs. wariancja bezwarunkowa

• procesy ARCH(q) i ich własności, testy na występowanie efektu warunkowej

heteroskedastyczności

• estymacja modeli klasy ARCH

• rozszerzenia modeli GARCH

Literatura:

Enders (1995), Mills (1999), Tsay (2002)

5. Modele wektorowej autoregresji (VAR)

Literatura:

Podręczniki:

Box, G. E. and G. M. Jenkins (1994) Time Series Analysis, Prentice Hall.Brockwell,

P. J. and R. A. Davis (1996) Introduction to Time Series and Forecasting, Springer-Verlag.

Evans,M.K. (2003) Practical Business Forecasting, Blackwell Publishing.

Gouriéroux, C. (1997) ARCH Models and Financial Applications, Springer-Verlag

Gourieroux,C., Jasiak, J. (2001) Financial Econometrics: Problems, Models, and Methods, Princeton University Press

Hamilton, James D. (1994) Time Series Analysis, Princeton University Press.

Judge G. G., W. E. Griffiths, R. C. Hill, H. Lütkepohl and T. C. Lee (1985) The Theory and Practice of Econometrics, John Wiley & Sons, Inc., New York.

Maddala, G.S. (2006) Ekonometria, PWN, Warszawa

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

Artykuły:

Bera A. K. and M. L. Higgins (1993) “On ARCH Models: Properties, Estimation and Testing”, Journal of Economic Surveys,7, 305-366.

Bollerslev T., R. Y. Chou, and K. F. Kroner (1992) “ARCH Modeling in Finance: A Review of the Theory and Empirical Evidence,” Journal of Econometrics, 52, 5-59.

Bollerslev, T. (1986). “Generalized Autoregressive Conditional Heteroscedasticity,” Journal of Econometrics, 31, 307-327.

Bollerslev, T., R. F. Engle and D. B. Nelson (1994) “ARCH Models,” in Chapter 49 of Handbook of Econometrics, Volume 4, North-Holland.

Dickey, D. A., H. P. Hasza, and W. A. Fuller (1984), “Testing for unit roots in seasonal time series,” JASA, 79, 355-367.

Diebold, F.X. (1998), “The Past and Present of Macroeconomic Forecasting,” Journal of Economic Perspectives, 12, 175-192.

Engle, R. F. (1982) “Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of U.K. Inflation,” Econometrica, 50, 987-1008.

Engle, R.F. and C.W. J. Granger (1987), “Co-integration and Error Correction: Representation, Estimation, and Testing”, Econometrica, 55, 251-276.

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

Lutkepohl, H. (2000), “Vector Autoregressions,” Chapter 32 in Baltagi, B. (ed.) A Companion to Theoretical Econometrics. Basil Blackwell.

Efekty kształcenia:

A)Wiedza

Student ma wiedzę o podstawowych pojęciach i narzędziach wykorzystywanych w analizie i prognozowaniu szeregów czasowych.

1. Student zna i rozumie pojęcia procesu stochastycznego i deterministycznego oraz szeregu czasowego.

2. Student zna i rozumie metody dekompozycji szeregu czasowego.

3. Student zna metody wygładzania z wykorzystaniem średnich ruchomych i wygładzania wykładniczego.

4. Student zna i rozumie potrzeby wygładzania sezonowego szeregów czasowych.

5. Student zna i rozumie pojęcie sezonowości.

6. Student zna w zakresie podstawowym programy ARIMA X-12 i TRAMO/SEATS.

7. Student zna pojęcia silnej i słabej stacjonarności.

8. Student zna i rozumie podstawowe procesy stochastyczne: autoregresyjny (AR), średniej ruchomej (MA) oraz modele ARIMA.

9. Student zna i rozumie pojęcie integracji szeregu czasowego.

10. Student zna stylizowane fakty dotyczące finansowych szeregów czasowych.

11. Student zna i rozumie różnicę między bezwarunkową a warunkową wariancją oraz bezwarunkową a warunkową heteroscedastycznością.

12. Student zna procesy klasy (G)ARCH.

13. Student zna i rozumie pojęcie kointegracji oraz mechanizmu korekty błędem (ECM).

14. Student zna pojęcie przyczynowości w sensie Grangera i modele VAR.

S1A_W01, S1A_W06

B) Umiejętności

Student ma umiejętność samodzielnego przeprowadzenia badania ekonometrycznego: przygotowania danych czasowych, estymacji i weryfikacji modelu, przeprowadzenia testów diagnostycznych i oszacowania prognoz.

1. Student potrafi dekomponować szeregi czasowe na elementarne składniki.

2. Student posiada umiejętność generowania prognoz dla szeregów czasowych oraz potrafi ocenić ich jakość.

3. Student potrafi przeprowadzić testy stacjonarności szeregu czasowego i zinterpretować ich wyniki.

4. Student posiada umiejętność interpretacji przebiegu funkcji autokorelacji (ACF) i cząstkowej autokorelacji (PACF)

5. Student potrafi wykorzystując formalne testy statystyczne ocenić rząd integracji szeregu czasowego.

6. Student ma umiejętność oszacowania parametrów modelu klasy ARIMA oraz uzyskać prognozy z tego modelu.

7. Student potrafi zastosować model klasy (G)ARCH w analizie zjawisk ekonomicznych.

8. Student potrafi oszacować parametry modelu z kointegracją i stwierdzić czy zachodząca kointegracja ma uzasadnienie ekonomiczne.

9. Student umie testować przyczynowość w sensie Grangera.

10. Student umie zbudować i oszacować parametry modelu VAR dla zjawisk ekonomiczno-społecznych oraz wygenerować funkcje reakcji na impuls.

S1A_U02, S1A_U03, S1A_U04, S1A_U06, S1A_U07

C) Kompetencje społeczne

Student ma świadomość konieczności weryfikacji teorii ekonomicznych za pomocą danych empirycznych przy wykorzystaniu testów statystycznych. Student ma świadomość nieustannego powiększania się zbioru możliwych do wykorzystania metod weryfikacji hipotez.

1. Student ma świadomość, że teorie ekonomiczne są kontrowersyjne i że konieczne jest konfrontowanie ich z danymi empirycznymi wykorzystując wymienione powyżej narzędzia.

2. Student potrafi na podstawie dostępnych lub zebranych przez siebie danych empirycznych, przeanalizować podstawowe zjawiska ekonomiczne oraz zweryfikować wiążące się z nimi hipotezy. Umie wyciągnąć z nich wnioski dotyczące ważnych zagadnień społecznych i ekonomicznych, prognozować zachowanie tych zjawisk.

3. Student ma świadomość, że analiza szeregów czasowych ma szerokie zastosowanie w ekonomii.

Metody i kryteria oceniania:

- obecność zgodnie z regulaminem studiowania na Uniwersytecie Warszawskim

- wykonanie pracy empirycznej polegającej na analizie rzeczywistych danych o charakterze szeregów czasowych (50%)

- zaliczenie egzaminu w formie pisemnej. (50%)

- dodatkowym warunkiem jest uzyskanie co najmniej 50% punktów z pracy empirycznej i co najmniej 50% punktów z egzaminu teoretycznego.

Prowadzący zajęcia podczas pierwszego spotkania ogłosi termin oddania pracy zaliczeniowej. Niedotrzymanie tego terminu skutkuje brakiem możliwości zaliczenia przedmiotu

Zajęcia w cyklu "Semestr letni 2017/18" (jeszcze nie rozpoczęty)

Okres: 2018-02-18 - 2018-06-10
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Konwersatorium, 30 godzin więcej informacji
Koordynatorzy: Stanisław Cichocki, Natalia Nehrebecka, Paweł Strawiński
Prowadzący grup: Stanisław Cichocki, Natalia Nehrebecka, Paweł Strawiński
Lista studentów: (nie masz dostępu)
Zaliczenie: Egzamin
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.