• Logo Katedry Modeli i Prognoz Ekonometrycznych

EKONOMETRIA SZEREGÓW CZASOWYCH

(SGH, Metody Ilościowe: II stopień)


prof. dr hab. Aleksander Welfe
2023/2024


Program obejmuje podstawowe zagadnienia z zakresu metod ekonometrycznych analizy szeregów czasowych generowanych przez stacjonarne i niestacjonarne procesy stochastyczne.

Literatura obowiązkowa
     1. A. Welfe, Ekonometria, PWE, Warszawa 2018
     2. A. Welfe (red.), Analiza kointegracyjna w makromodelowaniu, PWE, Warszawa 2013.
     3. W. Grabowski, A. Welfe, Ekonometria. Zbiór zadań, PWE, Warszawa 2010.
     4. A.Welfe, J. Brzeszczyński, M. Majsterek, Angielsko-Polski Polsko-Angielski słownik terminów ilościowych, PWE, Warszawa 2002.

Literatura uzupełniająca    
     1. W. Charemza, D. Deadman, Nowa ekonometria, PWE, Warszawa 1997.
     2. J. D. Hamilton, Time Series Analysis, Princeton University Press, Princeton 1994.
     3. K. Juselius, The Cointegrated VAR Model, Oxford University Press, Oxford 2006.
     4. P.Karp, A.Welfe, P.Kębłowski, Mechanizmy makroekonomiczne w gospodarcze polskiej. Analiza ekonometryczna, Wydawnictwo Uniwersytetu Łódzkiego, Łódź 2006.
     5. H. Lütkepohl, New Introduction to Multiple Time Series Analysis, Springer-Verlag, Berlin 2006
     6. G.S. Maddala, Ekonometria, PWN, Warszawa 2006.
     7. M.Majsterek, Wielowymiarowa analiza kointegracyjna w ekonomii, Wydawnictwo Uniwersytetu Łódzkiego, Łódź 2008.
     8. E.M.Syczewska, Analiza relacji długookresowych - estymacja i weryfikacja, Oficyna WydawniczaSGH, Warszawa 1999.
     9. E. Tomczyk, Oczekiwania w ekonomii. Idea, pomiar analiza, Oficyna Wydawnicza SGH, Warszawa 2011.
     10. A. Torój (red.), Zastosowania ekonometrii. Dziesięć niegroźnych przykładów, Oficyna Wydawnicza SGH, Warszawa 2017.

Program
Część I. Modele jednowymiarowe
    1. Modele dynamiczne.
        1.1 Modele z nieskończonym rozkładem opóźnień.
        1.2 Modele ze skończonym rozkładem opóźnień.
        1.3 Modele ADL i jego izomorficzna postać ECM.
        1.4 Modele ze zautokorelowanym składnikiem losowym. Restrykcje wspólnego
       czynnika (COMFAC).
        1.5 Modele autoregresyjne ze średnią ruchomą.
     2. Modele o zmiennych parametrach.
         2.1 Przyczyny zmian parametrów w próbie.
         2.2 Modele ze skokowymi zmianami parametrów.
         2.3 Modele z gładką zmianą reżimu. Modele STR, STAR, MR-STR.  
         2.4 Sezonowość stochastyczna. Metoda TRAMO/SEATS.
     3. Niestacjonarność procesów stochastycznych generujących dane.
         3.1 Przyczyny zmienności momentów rozkładów zmiennych losowych.
         3.2 Weryfikacja trendo- i przyrostostacjonarności.
         3.3 Konsekwencje niestacjonarności dla wnioskowania statystycznego.
     4. Równowaga
         4.1 Równowaga statyczna i dynamiczna.
         4.2 Dekompozycja zmienności na część długo- i krótkookresową. Model ECM.
         4.3 Anihilacja wspólnych trendów stochastycznych. Twierdzenie Grangera.
         4.4 Kointegracja jednowymiarowa i jej ograniczenia.
Część II. Modele wielowymiarowe
     5. Wielowymiarowe modele autoregesyjne.
         5.1 Wektorowy model autoregresyjny (VAR).
         5.2 Skointegrowany wektorowy model autoregresyjny (CVAR).
         5.3 Testowanie wymiaru przestrzeni kointegrującej.
         5.4 Restrykcje strukturalizujące w modelu CVAR.
         5.5 Słaba i silna egzogeniczność w modelu CVAR. Testowanie.
         5.6 Marginalizacja modelu CVAR.
         5.7 Testowanie właściwości składników losowych (normalność, autokorelacja, efekt
         grupowania wariancji) w modelach VAR i CVAR.
         5.8 Analiza impulse-response.
     6. Modele o równaniach łącznie współzależnych.
         6.1 Modele statyczne i dynamiczne. Postać strukturalna, zredukowana i końcowa.
         6.2 Analiza właściwości układu równań. Mnożniki. Stabilność modelu.
         6.3 Identyfikacja parametrów w modelach wielorównaniowych.
         6.4 Estymacja parametrów pojedynczych równań i estymacja łączna.
         6.5 Symulacja. Algorytmy Gaussa-Seidela i Newtona-Raphsona.
         6.6 Niezbieżność w procesie symulacyjnym. Porządkowanie układów równań.
         6.7 Symulacyjne wyznaczanie mnożników.
         6.8 Prognozy na podstawie modeli wielorównaniowych i korekty struktury modeli.
         6.9 Analiza scenariuszowa. Prognozy wariantowe.

Egzamin pisemny (I termin) będzie składać się z dwóch części:

  • pierwsza odbędzie się w godzinach wykładu 17 kwietna 2024 roku,
  • druga odbędzie się 19 czerwca 2024 roku, w godzinach 8.00-9.40, w sali ... .

Aby otrzymać ocenę pozytywną trzeba uzyskać minimum 50% sumy punktów najlepszego wyniku.

Egzamin pisemny (II termin), z całości materiału, odbędzie się 18 września 2024 roku, w godzinach 8.00-9.40, w sali ... .
Aby otrzymać ocenę pozytywną w II terminie trzeba uzyskać 50% punktów.

Na egzaminie obowiązuje cały materiał, który obejmuje sylabus w takim zakresie w jakim jest opisany w literaturze obowiązkowej oraz zagadnienia omówione na zajęciach.

Jeśli przeprowadzenie egzaminów w formie stacjonarnej nie będzie możliwe, zostaną wykorzystane MS Teams i/lub Moodle. Osoba składająca egzamin musi mieć możliwość zalogowania w MS Teams i Moodle z jednoczesną transmisją wizji i fonii, być wyposażona w długopis, notatnik oraz kalkulator. W czasie egzaminu jest niedozwolone korzystanie z jakichkolwiek innych urządzeń elektronicznych, książek, samodzielnie sporządzonych notatek i innych materiałów. W pomieszczeniu, z którego będzie transmitowany egzamin, nie powinna znajdować się żadna inna osoba poza zdającą egzamin.


MAKROEKONOMETRIA

(UŁ, Ekonometria i Analityka Danych: I stopień)

prof. dr hab. Aleksander Welfe
2023/2024


Literatura obowiązkowa
    1. W.Grabowski, A.Welfe, Ekonometria. Zbiór zadań, PWE, Warszawa 2010.
    2. A. Welfe, Ekonometria, PWE, Warszawa 2018.

Literatura uzupełniająca
    1. G. C. Chow, Ekonometria, PWN, Warszawa 1995.
    2. G. S. Maddala, Ekonometria, PWN, Warszawa 2006.
    3. M. Majsterek, Wielowymiarowa analiza kointegracyjna w ekonomii, WUŁ, Łódź 2008.
    4. A. Welfe (red.), Analiza kointegracyjna w makromodelowaniu, PWE, Warszawa 2013.

Program
    1. Model ADL(S,Q,K). Model ECM oraz jego transformacje.
    2. Niestacjonarne procesy stochastyczne. Proces błądzenia losowego. Trendy stochastyczne.
    3. Testowanie stacjonarności.
    4. Kointegracja. Twierdzenie Grangera o reprezentacji.
    5. Metoda Engle'a- Grangera.
    6. Model VAR.
    7. Model CVAR
    8. Procedura Johansena. Testowanie kointegracji. 
    9. Restrykcje strukturalizujące w modelu CVAR.
    10. Marginalizacja modelu CVAR. Słaba egzogeniczność.
    11. Strategia modelowania przy wykorzystaniu modelu CVAR.

Warunkiem zaliczenia ćwiczeń jest zaliczenie dwóch prac pisemnych, które odbędą się:

  • 26 kwietnia w godzinach wykładu
  • 18 czerwca w godzinach 12.00-14.00, w sali T1.

Na pracach pisemnych obowiązuje cały materiał, który obejmuje sylabus w takim zakresie w jakim jest opisany w literaturze obowiązkowej oraz został zrealizowany na zajęciach. Na pracach pisemnych zabronione jest korzystanie z urządzeń elektronicznych z wyjątkiem kalkulatorów czterodziałaniowych.

Punkty z obydwu prac są sumowane. Aby otrzymać ocenę pozytywną należy uzyskać co najmniej 50% punktów najlepszego wyniku. 

Egzamin ustny odbędzie się 21 czerwca, początek 9.00.
Ocena ostateczna jest średnią ważoną ocen pozytywnych z zaliczenia i egzaminu z wagami odpowiednio 0,5 i 0,5.

Zaliczenie poprawkowe odbędzie się w dniu 2 września, w godzinach 10.00-12.00 w sali T1.

Aby otrzymać ocenę pozytywną z zaliczenia poprawkowego, należy uzyskać co najmniej połowę wszystkich możliwych punktów.

Egzamin ustny poprawkowy odbędzie się 16 września, początek 9.00.
Ocena ostateczna jest średnią ważoną ocen pozytywnych z zaliczenia i egzaminu z wagami odpowiednio 0,5 i 0,5.

Jeśli przeprowadzenie egzaminów w formie stacjonarnej nie będzie możliwe, zostaną wykorzystane MS Teams i/lub Moodle.

Osoba składająca egzamin musi mieć możliwość zalogowania w MS Teams i Moodle z jednoczesną transmisją wizji i fonii, być wyposażona w długopis, notatnik oraz kalkulator. W czasie egzaminu jest niedozwolone korzystanie z jakichkolwiek innych urządzeń elektronicznych, książek, samodzielnie sporządzonych notatek i innych materiałów. W pomieszczeniu, z którego będzie transmitowany egzamin, nie powinna znajdować się żadna inna osoba poza zdającą egzamin.


ZAAWANSOWANE METODY EKONOMETRYCZNE

(UŁ, Ekonometria i Analityka Danych, II stopień) 

dr Jakub Boratyński
dr Mariusz Górajski
dr hab. Michał Majsterek, prof. UŁ
2023/2024

Literatura obowiązkowa
    1. M. Majsterek, Wielowymiarowa analiza kointegracyjna w ekonomii, WUŁ, Łódź 2008.
    2. J. Osiewalski, Ekonometria bayesowska w zastosowaniach, Wydawnictwo Akademii Ekonomicznej w Krakowie 2001.
    3. M. Osińska, Ekonometria finansowa, PWE, Warszawa 2006.
    4. R. S. Tsay, Analysis of Financial Time Series, Wiley 2002.
    5. A. Welfe, Ekonometria, PWE, Warszawa 2018.
    6. A. Gelman, J.Hill, A. Vehtari (2020), Regression and other stories, ‎ Cambridge University Press. Dostępne także on-line pod adresem https://avehtari.github.io/ROS-Examples/
    7. F.Hayashi, Econometrics, Princeton University Press 2000, rozdziały 6 i 7.

Literatura uzupełniająca
    1. T. Lancaster, An Introduction to Modern Bayesian Econometrics, Blackwell Publishing 2004
    2. H. Lütkepohl, M. Krätzig M., Applied Time Series Econometrics, Cambridge University Press 2004.
    3. R. McElreath, Statistical Rethinking: A Bayesian Course with Examples in R and STAN, 2nd Edition, Chapman and Hall 2020.
    4. P. Wdowinski, M. Małecka, Asymmetry in volatility: A comparison of developed and transition stock markets, FindEcon Monograph Series: Advances in Financial Market Analysis, No. 9, Wydawnictwo UŁ 2011.

Program
    1. Metoda największej wiarygodności w modelach szeregów czasowych
    2. Własności szeregów czasowych wysokiej częstotliwości.
    3. Jednowymiarowe asymetryczne modele zmienności. Klasa modeli GARCH.
    4. Testowanie asymetrii w procesie zmienności.
    5. Wielowymiarowe modele zmienności. Klasa modeli MGARCH.
    6. Nieliniowe modele wektorowej autoregresji. Testowanie nieliniowości w modelach szeregów czasowych.
    7. Procesy stochastyczne I(2). Kointegracja wielomianowa (strumieniowa i zasobowa).
    8. Restrykcje w modelu CVAR I(1) oraz I(2). Dwustopniowa procedura Johansena.
    9. Reprezentacja wspólnych trendów stochastycznych. Trendy stochastyczne, stochastyczna cykliczność.
   10. Model CVAR w przypadku zmian strukturalnych w części deterministycznej lub stochastycznej DGP.
   11. Wspólne czynniki dominujące. Współtrendowość, współzintegrowanie, współcykliczność, współprzełączenie, współzautokorelowanie.
   12. Zastosowanie systemów I(2) - modele oparte na równaniu obiegu pieniądza Fishera, weryfikacja hipotez LRN oraz LRSN.
   13. Twierdzenie Bayesa. Rozkład prawdopodobieństwa a priori i a posteriori.
   14. Zastosowanie metod numerycznych we wnioskowaniu bayesowskim. Próbkowanie z rozkładu a posteriori. Rozkład łączny i rozkłady brzegowe parametrów. Przedział największej gęstości a posteriori (HPDI).
   15. Bayesowska analiza modelu regresji liniowej. Informacyjne rozkłady a priori.
   16. Bayesowska predykcja i porównanie modeli. Bayesowskie uśrednianie modeli.
   17. Aproksymacja rozkładów a posteriori na podstawie metod MCMC (Markov Chain Monte Carlo).


Egzamin w pierwszym terminie odbędzie się 19 czerwca w godzinach 10.00-11.30, w drugim terminie 1 lipca w godzinach 10.00-11.30.

Na egzaminie obowiązuje cały materiał, który obejmuje program w takim zakresie w jakim jest opisany w literaturze obowiązkowej oraz został zrealizowany na zajęciach. Na pracach pisemnych zabronione jest korzystanie z urządzeń elektronicznych z wyjątkiem kalkulatorów czterodziałaniowych oraz pakietu Excel. 
Aby otrzymać ocenę pozytywną należy uzyskać co najmniej 50% punktów najlepszego wyniku.

Egzamin pisemny poprawkowy odbędzie się 12 września 2024 roku, w godzinach 10.00-11.30. Aby otrzymać ocenę pozytywną z egzaminu poprawkowego, należy uzyskać co najmniej połowę wszystkich możliwych punktów.


ECONOMETRICS

(UŁ, Economics: I stopień)
  
dr hab. Anna Staszewska-Bystrova
2023/2024

 
Literature
    1. Adkins L. C., Using gretl for Principles of Econometrics 5th Edition, free e-book, 2018, https://www.learneconometrics.com/gretl/poe5/using_gretl_for_POE5.pdf
    2. Hill R. C., Griffith W. E., Lim G. C., Principles of Econometrics, 2018, Wiley.

Supplementary literature
    1. Gujarati D. N., Porter D. C., Basic Econometrics, 2008, McGraw-Hill/Irwin.
    2. Maddala G. S., Lahiri K., Introduction to Econometrics, 2009, Wiley.
    3. Stock J. H., Watson M. W., Introduction to Econometrics, 2007, Prentice Hall.
  
Program
    1. An introduction to econometrics: the econometric model, economic data types.
    2. The simple linear regression model: least squares estimator, the Gauss-Markov theorem.
    3. Interval estimation and hypotheses testing: significance testing, p-values.
    4. Prediction and goodness-of-fit.
    5. The multiple regression model: testing joint hypotheses, model specification, multicollinearity.
    6. Using indicator variables.
    7. Heteroskedasticity.
   8. Regression with time series data: autocorrelation, nonstationarity, cointegration.
 
Tests for the classes will take place during the seventh and the last class. Final examination is scheduled for June 18, 2024 for 10:00.

Final mark is a weighted average of the marks for the classes and the exam. The corresponding weights are 0.7 and 0.3.

Resit for the classes will take place on September 9, 2024 at 10:00 and resit exam will be held on September 13, 2024 at 10:00.


ANALIZA DANYCH PRZESTRZENNYCH I PRZESTRZENNO-CZASOWYCH

(UŁ, Ekonometria i Analityka Danych: II stopień)

dr Maciej Jewczak, dr hab. Piotr Kębłowski, dr hab. prof. UŁ Agnieszka Rossa
2023/2024

Wymagania wstępne:
Wiedza z zakresu statystyki opisowej, wnioskowania statystycznego i ekonometrii.

Literatura obowiązkowa
    1. Dańska-Borsiak B. (2011), Dynamiczne modele panelowe w badaniach ekonomicznych, Wydawnictwo Uniwersytetu Łódzkiego, Łódź.
    2. Kębłowski P. (2007), Modelowanie zintegrowanych szeregów przekrojowo-czasowych, w: W. Welfe (red.) Gospodarka oparta na wiedzy, PWE, Warszawa.
    3. Malczewski J., Jaroszewicz J. (2018), Podstawy analiz wielokryterialnych w systemach informacji geograficznej, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.
    4. Suchecka J. (red.) (2014), Statystyka przestrzenna. Metody analiz struktur przestrzennych. Wydawnictwo C.H. Beck, Warszawa.
    5. Suchecki B. (red.) (2010), Ekonometria przestrzenna. Metody i modele analizy danych przestrzennych, Wydawnictwo C.H. Beck, Warszawa.
    6. Żądło T. (2008), Elementy statystyki małych obszarów z programem R, Wydawnictwo Uniwersytetu Ekonomicznego w Katowicach.

Literatura uzupełniająca
    1. Baltagi B.H. (2016), Econometric analysis of panel data, John Wiley & Sons, Chichester.
    2. Haining R.P. (2003), Spatial data analysis: theory and practice, Cambridge university press.
    3. Heffner K., Gibas P. (2007), Analiza ekonomiczno-przestrzenna, Akad. Ekonomiczna im. Karola Adamieckiego.
    4. Kopczewska K. (2006), Ekonometria i statystyka przestrzenna z wykorzystaniem programu R CRAN, CeDeWu, Warszawa.
    5. Longford N. (2005), Missing Data and Small Area Estimation, Springer, New York.
    6. Majdzińska A. (2016), Regionalizacja demograficzna. Wybrane metody i próby ich aplikacji. Wydawnictwo Uniwersytetu Łódzkiego, Łódź.
    7. Panek T. (2009), Statystyczne metody wielowymiarowej analizy porównawczej, SGH, Warszawa.
    8. Piechota A.M., Szypuła B. (2014), Podstawy pracy z oprogramowaniem GIS, Katowice.
    9. Rao J.N.K, Molina I. (2015), Small Area Estimation, Wiley&Sons, New Jersey.
    10. Sojka E., Przybylska-Mazur A., Sączewska-Piotrowska A., Wolny-Dominiak A. (2020), Elementy statystyki i ekonometrii w analizach szeregów przestrzennych, Wyd. UE w Katowicach, Katowice.

Program
    1. Ekonomiczne dane przestrzenne i przestrzenno-czasowe.
    2. Przestrzenna koncentracja i specjalizacja zjawisk.
    3. Autokorelacja przestrzenna i przestrzenno-czasowa.
    4. Przestrzenna analiza dynamiki zjawisk.
    5. Systemy Informacji Geograficznej (GIS) i ich zastosowanie w analizach przestrzennych
       - GIS jako środowisko podejmowania decyzji
       - Metody wielokryterialne wspomagania decyzji w zagadnieniach przestrzennych oraz optymalizacja w GIS.
    6. Ekonometryczne modelowanie struktur procesów przestrzennych i przestrzenno-czasowych (w tym modele regresji przestrzennej SAR, SEM).
    7. Dane panelowe, efekty indywidualne jedno- i dwukierunkowe, efekty ustalone i losowe.
    8. Modele: pooled, FE, RE. Testowanie istotności efektów indywidualnych. Test Hausmana.
    9. Słaba i silna zależność przekrojowa. Test CD Pesarana.
   10. Panelowe testy integracji.
   11. Analiza kointegracyjna danych panelowych.
   12. Zastosowanie wybranych metod wielowymiarowej analizy porównawczej w badaniach obiektów przestrzennych.


Sposoby i kryteria oceniania:
Wykład: egzamin (test wiedzy na platformie Moodle) odbędzie się 24 czerwca 2024 roku w godzinach 10:00-11:30, w sali F220. 
Egzamin poprawkowy odbędzie się 2 września 2024 roku w godzinach 10:00-11:30, w sali F220.

Laboratorium: aktywność na zajęciach, praca projektowa na zaliczenie obejmują modele ekonometryczne/projekt optymalizacyjny/analizę baz danych.


PANEL DATA ANALYSIS

(UŁ, Ekonometria i Analityka Danych: I stopień)
 

dr hab. Piotr Kębłowski
2023/2024

Prerequisits:
Introductory-level knowledge and skills in statistics and linear algebra. Basic knowledge in modelling stationary and nonstationary time-series data is recommended.

Readings
    1. B. H. Baltagi, Econometric Analysis of Panel Data, Wiley, 2016.
    2. C. Hsiao, Analysis of Panel Data, Cambridge University Press, Cambridge, 2014.
    3. P. Kębłowski, Modelling Integrated Panel Data: An Overview, in: Knowledge-based Economies, W.   Welfe (ed.), Peter Lang, Frankfurt am Main, 2009.

Suplementary readings
    1. B. H. Baltagi, Nonstationary Panels, Cointegration in Panels and Dynamic Panels: a Survey, Advances In Econometrics, 2000, vol. 15, pp. 7 – 51.
    2. P. C. B. Phillips, H. R. Moon, Linear Regression Limit Theory for Nonstationary Panel Data, Econometrica, 1999, vol. 67, pp. 1057 – 1111.

Programme
    1. Double-indexed processes – basic concepts.
    2. One-way error component regression model – fixed effects, random effects, Hausman test, maximum likelihood method, prediction.
    3. Two-way error component model.
    4. Dynamic panels.
    5. Unit root tests.
    6. Stationarity tests.
    7. Empirical applications of unit root/stationarity tests – purchasing power parity.
    8. Univariate models.
    9. Multivariate models.
    10. Empirical application of the panel vector error correction models to economic modeling.


Lecture notes will be made available to students. The course will utilize user-friendly econometric softwares – Eviews and Gretl.

The final exam will take place during the last class. To pass, a student needs to obtain at least 50% of the best student’s score.