Bajesowska ekonometria szeregów czasowych
Informacje ogólne
Kod przedmiotu: | 2400-ZEWW828 |
Kod Erasmus / ISCED: |
14.3
|
Nazwa przedmiotu: | Bajesowska ekonometria szeregów czasowych |
Jednostka: | Wydział Nauk Ekonomicznych |
Grupy: |
Przedmioty kierunkowe do wyboru - studia II stopnia EM - grupa 1 (3*30h) Przedmioty kierunkowe do wyboru - studia II stopnia EM - grupa 2 (1*30h) Przedmioty kierunkowe do wyboru - studia II stopnia IE - grupa 1 (6*30h) Przedmioty wyboru kierunkowego dla studiów licencjackich EM Przedmioty wyboru kierunkowego dla studiów licencjackich IE Przedmioty wyboru kierunkowego dla studiów licencjackich MSEM |
Punkty ECTS i inne: |
3.00
|
Język prowadzenia: | polski |
Rodzaj przedmiotu: | nieobowiązkowe |
Skrócony opis: |
Metody bajesowskie są coraz częściej stosowane we wszystkich dziedzinach ekonomii. Dotyczy to zarówno samej teorii ekonomii jak i ekonomii stosowanej (nie tylko ekonometrii). Metody uczenia maszynowego również z powodzeniem stosują koncepcję bajesowską. Kurs będzie składał się z 2-ch modułów. W pierwszej części dokonamy wprowadzenia do koncepcji bajesowskiej a także pokażemy na przykładzie zwykłej regresji liniowej jak typowe (analityczne) wnioskowanie bajesowskie jest prowadzone. Omówimy również metody Markov Chain Monte Carlo (MCMC), które są powszechnie stosowane w bajesowskim modelowaniu szeregów czasowych. W drugiej, zasadniczej, części (której poświęcimy większość czasu) będziemy stosować formułę Bayesa w celu estymacji modeli, które należą do kanonu nowoczesnej ekonometrii szeregów czasowych. Zarówno jednowymiarowe jak i wielowymiarowe modele będą rozważane. |
Pełny opis: |
Zajęcia składają się z 2-ch bloków: I) Wprowadzenie do koncepcji bajesowskiej: 1) Formuła Bayesa, różnice między bajesowskim a częstościowym paradygmatem 2) Model regresji liniowej w ujęciu bajesowskim 3) Metody Markov Chain Monte Carlo (MCMC) II) Wybrane modele: 1) AR i ARMA 2) Vector AutoRegression (VAR) i Structural VAR 3) State-space models 4) Stochastic Volatility (SV) 5) Dynamic Factors Models (DFM) 6) Modele ze współczynnikami zmiennymi w czasie (Time-Varying Parameters – TVP) 7) TVP-VAR Lista rzeczywiście rozważanych modeli podczas zajęć może się zmieniać. UWAGA: istnieje opcja, żeby zaproponować estymację dowolnego modelu, który uczestnicy kursu uznają za użyteczny lub ciekawy |
Literatura: |
Geweke, J. (2006), Contemporary Bayesian Econometrics and Statistics, Wiley. Hamilton, J. D. (1994), Time Series Analysis, Princeton University Press. Koop, G. (2003), Bayesian Econometrics, Wiley Lancaster, T. (2004), An Introduction to Modern Bayesian Econometrics, Wiley-Blackwell. Zellner, A. (1971), An Introduction to Bayesian Inference in Econometrics, Wiley. |
Efekty uczenia się: |
A) Wiedza: Student będzie rozumiał język bajesowski, będzie w stanie napisać kod w wybranym przez siebie środowisku, pozna modele obecnie spotykane w najnowszej literaturze B) Umiejętności: Jak wykorzystać potencjał metod bajesowskich w modelowaniu ekonomicznym; Zainteresowany i ambitny student ma szansę zdobyć umiejętność bajesowskiego myślenia, a nie jak implementować metody bajesowskie |
Metody i kryteria oceniania: |
Wykonanie pracy empirycznej w zespołach max. 2-osobowych, która w części obliczeniowej używa metod bajesowskich |
Zajęcia w cyklu "Semestr zimowy 2022/23" (w trakcie)
Okres: | 2022-10-01 - 2023-01-29 |
![]() |
Typ zajęć: |
Konwersatorium, 30 godzin
|
|
Koordynatorzy: | Andrzej Kocięcki | |
Prowadzący grup: | Andrzej Kocięcki | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Zaliczenie na ocenę
Konwersatorium - Zaliczenie na ocenę |
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Nauk Ekonomicznych.