II. Regressziós modellek - 1. 2. a. Általános bemeneti és kimeneti követelmények

Zhrnutie prednášky

Úvod druhej veľkej kapitoly kurzu je venovaný regresným modelom: lineárnym (OLS, VAR, modely krátkodobých a dlhodobých vzťahov), neskôr nelineárnym (threshold, Markovove prepínacie modely), kvantilovej regresii a binárnym modelom. Prednášajúci zdôrazňuje, že po literárnom prehľade treba formulovať teoretický model s vysvetľovanou a vysvetľujúcimi premennými a očakávanými znamienkami, aby sa výsledky dali interpretovať. Opisuje spoločné vstupné požiadavky: stacionaritu, podobné škálovanie premenných (logaritmovanie, štandardizácia) a dostatočnú dĺžku časového radu vzhľadom na počet premenných. Na rezíduá kladie nároky nulovej autokorelácie (Durbin-Watson, Ljung-Box), normality (Jarque-Bera) a homoskedasticity. Uvádza aj spôsoby nápravy, napr. zvýšenie počtu oneskorení, dummy premenné pre odľahlé hodnoty a režimové zmeny či sezónne úpravy.

• - Literárny prehľad má končiť teoretickým modelom s očakávanými znamienkami premenných, podľa ktorého sa hodnotia výsledky.
• - Dáta musia byť stacionárne; väčšinou stačí diferencovanie, inak treba chybovo-korekčné modely.
• - Premenné majú mať podobné škálovanie: logaritmus (len kladné hodnoty), preškálovanie alebo z-štandardizácia.
• - Krátky časový rad a veľa premenných sú hlavný problém; orientačne treba aspoň 30 pozorovaní.
• - Rezíduá musia byť bez autokorelácie (Durbin-Watson približne 1,8–2,2, Ljung-Box test) a ideálne normálne rozdelené (Jarque-Bera).
• - Autokorelácii a nenormalite pomáha zvýšiť počet oneskorení, pridať dummy premenné pre outliery a režimy, sezónne upraviť dáta alebo použiť HP filter.
• - V spoločenských vedách sa akceptuje aj 10 % hladina významnosti, a heteroskedasticita býva problémom menej často.

Zhrnutie pripravené s pomocou AI z prepisu videa.