Jeśli chcesz wiedzieć:* Jak bardzo zmiana stóp procentowych wpłynie na kurs waluty?* O ile więcej osób będzie wybierać transport publiczny, gdy ceny paliwa wzrosną?* Jak bardzo ceny mieszkań zależą od perspektyw lokalnego rynku pracy?zapoznaj się z treścią niniejszej książki. Wprowadzi Cię ona w tę trudną i fascynującą dziedzinę wiedzy. Ekonometria jest nauką, która pokazuje, jak używać analizy danych w celu lepszego zrozumienia problemów ekonomicznych. Pozwala w dyskusjach ekonomicznych opierać się na faktach i logicznych wnioskach.We "Wprowadzeniu do ekonometrii" G. Koop w przystępny i kompleksowy sposób omawia nie tylko podstawy ekonometrii, tj. modele regresji prostej i wielorakiej czy analizę szeregów czasowych, lecz także tematykę bardziej zaawansowaną, tj. modele danych panelowych, wykorzystanie metody zmiennych instrumentalnych, modeli zmiennej jakościowej czy ekonometrii bayesowskiej.Jest to podręcznik zarówno dla studentów korzystających z ekonometrii wyłącznie jako narzędzia do analizy danych, jak i dla osób specjalizujących się w tej dziedzinie.

Przedmowa * Rozdział 1. Przegląd podręcznika * 1.1. Znaczenie ekonometrii * 1.2. Typy danych ekonomicznych * 1.2.1. Szeregi czasowe * 1.2.2. Dane przekrojowe * 1.2.3. Dane panelowe * 1.2.4. Pozyskiwanie danych * 1.2.5. Przekształcanie danych: poziomy i stopy wzrostu * 1.3. Praca z danymi: metody graficzne * 1.3.1. Szeregi czasowe * 1.3.2. Histogramy * 1.3.3. Wykresy w układzie współrzędnych * 1.4. Praca z danymi: statystyki opisowe * 1.4.1. Wartości oczekiwane i wariancje * 1.4.2. Korelacja * 1.4.3. Korelacja w populacji i kowariancja * 1.5. Podsumowanie * Ćwiczenia * Rozdział 2. Nieformalne wprowadzenie do regresji * 2.1. Wprowadzenie * 2.2. Model regresji prostej * 2.2.1. Regresja jako linia najlepszego dopasowania * 2.2.2. Interpretacja oszacowań OLS * 2.2.3. Ocena dopasowania modelu regresji * 2.2.4. Podstawowe pojęcia statystyczne w modelu regresji * 2.2.5. Weryfikacja hipotez z użyciem R2: test F * 2.3. Model regresji wielorakiej * 2.3.1. Metoda najmniejszych kwadratów w modelu regresji wielorakiej * 2.3.2. Statystyczne aspekty w modelu regresji wielorakiej * 2.3.3. Interpretacja oszacowań współczynników w modelu regresji wielorakiej * 2.3.4. Wybór zmiennych objaśniających w modelu regresji wielorakiej * 2.3.5. Współliniowość * 2.3.6. Regresja wieloraka ze zmiennymi binarnymi * 2.3.7. Binarna zmienna zależna * 2.4. Podsumowanie * Ćwiczenia * Rozdział 3. Model regresji prostej * 3.1. Wprowadzenie * 3.2. Przegląd podstawowych pojęć z rachunku prawdopodobieństwa w kontekście modelu regresji * 3.3. Założenia klasycznego modelu regresji * 3.4. Własności estymatora metody najmniejszych kwadratów parametru * 3.5. Konstrukcja przedziału ufności dla * 3.6. Weryfikowanie hipotez dla parametru * 3.7. Postępowanie w przypadku nieznanej wariancji ?2 * 3.8. Podsumowanie * Ćwiczenia * Dodatek 1. Dowód Twierdzenia Gaussa-Markowa * Dodatek 2. Asymptotyczna teoria w modelu regresji prostej * Rozdział 4. Model regresji wielorakiej * 4.1. Wprowadzenie * 4.2. Podstawy modelu regresji wielorakiej * 4.3. Wybór zmiennych objaśniających * 4.3.1. Obciążenia na skutek zmiennych pominiętych * 4.3.2. Włączenie do modelu nieistotnych zmiennych objaśniających * 4.3.3. Współliniowość * 4.4. Weryfikowanie hipotez w modelu regresji wielorakiej * 4.4.1. Test F * 4.4.2. Test ilorazu wiarogodności * 4.5. Wybór postaci funkcyjnej w modelu regresji wielorakiej * 4.5.1. Regresja nieliniowa * 4.5.2. Wybór modelu nieliniowego * 4.6. Podsumowanie * Ćwiczenia * Dodatek. Testy Walda i mnożników Lagrange?a * Rozdział 5. Model regresji wielorakiej: osłabienie założeń modelu klasycznego * 5.1. Wprowadzenie * 5.2. Podstawy teoretyczne * 5.3. Heteroskedastyczność * 5.3.1. Kilka rezultatów teoretycznych przy założeniu, że ó22i * 5.3.2. Heteroskedastyczność: estymacja, gdy wariancje składników losowych są nieznane * 5.3.3. Testowanie heteroskedastyczności * 5.3.4. Zalecenia w pracy empirycznej * 5.4. Autokorelacja w modelu regresji * 5.4.1. Własności autokorelacji składnika losowego * 5.4.2. Estymator GLS w modelu regresji z autokorelacją składników losowych * 5.4.3. Testowanie autokorelacji składnika losowego * 5.5. Metoda zmiennych instrumentalnych * 5.5.1. Przypadek 1: Zmienna objaśniająca jest zmienną losową niezależną od składnika losowego * 5.5.2. Przypadek 2: Zmienna objaśniająca jest skorelowana ze składnikiem losowym * 5.5.3. Dlaczego zmienne objaśniające mogą być skorelowane ze składnikiem losowym * 5.6. Podsumowanie * Ćwiczenia * Dodatek. Asymptotyczna teoria w metodzie OLS i zmiennych instrumentalnych * Rozdział 6. Jednowymiarowa analiza szeregów czasowych * 6.1. Wprowadzenie * 6.2. Notacja w analizie szeregów czasowych * 6.3. Trend w szeregach czasowych * 6.4. Funkcja autokorelacji * 6.5. Model autoregresji * 6.5.1. Model AR(1) * 6.5.2. Rozszerzenia modelu AR(1) * 6.5.3. Testowanie AR(p) z trendem deterministycznym * 6.6. Stacjonarność * 6.7. Modelowanie zmienności * 6.7.1. Zmienność cen aktywów: wprowadzenie * 6.7.2. Autoregresyjna warunkowa heteroskedastyczność (ARCH) * 6.8. Podsumowanie * Ćwiczenia * Dodatek. Modele MA i ARMA * Rozdział 7. Szeregi czasowe i regresja * 7.1. Wprowadzenie * 7.2. Regresja, w przypadku gdy X i Y są stacjonarnymi szeregami czasowymi * 7.3. Regresja, w przypadku gdy X i Y zawierają pierwiastek jednostkowy * 7.3.1. Regresja pozorna * 7.3.2. Kointegracja * 7.3.3. Zmienne skointegrowane: estymacja i weryfikacja * 7.3.4. Regresja, gdy Y i X są skointegrowane: model korekty błędem * 7.4. Regresja, w przypadku gdy szeregi Y i X zawierają pierwiastek jednostkowy, ale NIE są skointegrowane * 7.5. Przyczynowość w sensie Grangera * 7.5.1. Przyczynowość w sensie Grangera w modelu ADL * 7.5.2. Przyczynowość w sensie Grangera zmiennych skointegrowanych * 7.6. Model autoregresji wektorowej * 7.6.1. Prognozowanie w modelu VAR * 7.6.2. Autoregresja wektorowa zmiennych skointegrowanych * 7.6.3. Zastosowania modeli VAR: funkcje odpowiedzi na impuls i dekompozycje wariancji * 7.7. Podsumowanie * Ćwiczenia * Dodatek. Teoria prognozowania * Rozdział 8. Modele dla danych panelowych * 8.1. Wprowadzenie * 8.2. Model uogólniony * 8.3. Modele z efektami jednostkowymi * 8.3.1. Model z efektami ustalonymi * 8.3.2. Model z efektami losowymi * 8.3.3. Rozszerzenia modeli z efektami jednostkowymi * 8.4. Podsumowanie * Ćwiczenia * Rozdział 9. Modele zmiennych jakościowej i uciętej * 9.1. Wprowadzenie * 9.2. Modele zmiennej jakościowej * 9.2.1. Modele zmiennej dyskretnej * 9.2.2. Modele wielomianowe * 9.3. Modele zmiennej uciętej * 9.3.1. Model tobitowy * 9.3.2. Zmienne całkowitoliczbowe * 9.3.3. Rozszerzenia * 9.4. Podsumowanie * Ćwiczenia * Rozdział 10. Ekonometria bayesowska * 10.1. Przegląd ekonometrii bayesowskiej * 10.2. Liniowy model regresji z naturalnie sprzężonym rozkładem a priori i pojedynczą zmienną objaśniającą * 10.2.1. Funkcja wiarogodności * 10.2.2. Rozkład a priori * 10.2.3. Rozkład a posteriori * 10.2.4. Porównanie modeli w kontekście modelu regresji prostej * 10.3. Podsumowanie * Ćwiczenia * Dodatek. Analiza bayesowska modelu regresji prostej z nieznaną wariancją * Dodatek A. Podstawy matematyki * Dodatek B. Podstawy rachunku prawdopodobieństwa * Dodatek C. Podstawowe pojęcia z zakresu asymptotycznej teorii * Dodatek D. Tworzenie projektu empirycznego * Tablice statystyczne * Tabela 1. Obszar pod krzywą gęstości rozkładu normalnego standardowego Pr(0