Time series forecasting

Mer som dette

Ćwiczymy Razem App

Ved Michał Jabłoński

.NET Developer

Ved Paweł Czechowicz

Maciej Mozolewski

edycja mapy

Time series analysys

Długoterminowe

Generalised density forecast combinations

BMA (Bayesian Model Averaging)

Ograniczona zmienna zależna

Model probitowy

Model logitowy

KMNK (Klasyczna Metoda Najmniejszych kwadratów)

Statystyki testowe

Autokorelacja

ACF, PACF

Breusch–Godfrey (serial correlation Lagrange multiplier test)

Durbin–Watson

Normalność

Jarque–Bera

Shapiro–Wilk

Heteroskedastyczność

Goldfeld–Quandt

Breusch–Pagan

Współczynnik determinacji

Adjusted R^2

R^2

Testy poprawności specyfikacji

RESET Ramseya

Zmienne objaśniające

Trend czaowy

Hiperboliczny

Pierwiastkowy

Logarytmiczny

Liniowy

Zmienne makro

Populacja

GDP (Produkt Krajowy Brutto)

Deflator GDP

GFCF (Nakłady brutto na środki trwałe)

Składnik trendu i cykliczny

Trend

Luka popytowa

GG (General Goverment)

Private

W sektorach, np. budowalny

Produkcja przemysłowa

W sektorach, np. mieszkaniowy

Dochód rozporządzalny

Przeciętne wynagrodzenie

Nominalne

Realne

CPI (Poziom cen konsumenta, inflacja)

Stopa bezrobocia wg BAEL

Proksy dla rynku

Źródła danych

Macrocompas

Consensus

Krajowe Urzędy statystyczne

Rosstat

GUS

Eurostat

AMECO

Narzędzia

Demetra+

GRETL

GNU R

R Studio

Shiny

Short-term

Nowcasting

Particle filters

Filtr Kalmana

MIDAS (Mixed-data sampling)

Bridge equations

VECM (Model wektorowej korekty błędem)

VAR (Model wektorowej autoregresji)

Test kointegracji

Johansena

Engle'a-Grangera

Wybór rzędu opóźnienia

Metody dodatowe

Wygładzanie

Eksponencjalne

Model Holt'a-Winters'a

Multiplikatywny

Addytywny

Średnia ruchoma

Centered Moving Average

Simple Moving Average

Analiza szeregów czasowych jest istotnym narzędziem w ekonomii i finansach, umożliwiającym prognozowanie przyszłych wartości na podstawie przeszłych danych. W tym kontekście, modele takie jak logitowy i probitowy są używane do analizy zmiennych zależnych.