MPE_BAAN Bayesiánská analýza

Ekonomicko-správní fakulta
podzim 2011
Rozsah
2/1/0. 10 kr. Ukončení: zk.
Vyučující
doc. Ing. Daniel Němec, Ph.D. (přednášející)
prof. Ing. Osvald Vašíček, CSc. (přednášející)
doc. Ing. Daniel Němec, Ph.D. (cvičící)
Garance
doc. Ing. Daniel Němec, Ph.D.
Katedra ekonomie – Ekonomicko-správní fakulta
Kontaktní osoba: Lydie Pravdová
Rozvrh
Út 16:20–17:55 P303
  • Rozvrh seminárních/paralelních skupin:
MPE_BAAN/01: St 9:20–11:00 VT203, D. Němec
Předpoklady
! PMREGR Regresní analýza
základy maticové algebry; základy pravděpodobnosti a matematické statistiky, popřípadě základy lineární regrese resp. ekonometrie - možnost souběžné návštěvy kurzu BPE_ZAEK Základy ekonometrie (není však podmínkou); základní znalosti práce s Matlabem (či podobným výpočetním nástrojem) mohou být výhodou - doporučuji souběžné zapsání volitelného kurzu BPM_MATL Základy práce se systémem MATLAB (zejména v případě nulových zkušeností)
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
Cíle předmětu
Účelem předmětu je seznámit posluchače s bayesovským přístupem ke kvantitativní analýze ekonomického systému reprezentovaným ekonometrickým modelem. V ekonomické teorii hrají bayesovské metody důležitou roli při modelování chování subjektů či systémů v podmínkách nejistoty. Ekonomičtí agenti obvykle maximalizují svou účelovou funkci na základě dostupných informací a při přísunu informací nových zlepší svá rozhodnutí na základě Bayesova pravidla. Bayesovská ekonometrie je tedy v principu založena na aplikaci několika jednoduchých zákonů pravděpodobnosti, zejména pak Bayesova pravidla, pomocí kterého jsou naše prvotní úvahy o vlastnostech ekonomického systému (reprezentované např. neznámými parametry) konfrontovány se skutečným pozorováním, abychom tak získali nový (podmíněný) pohled na jev, který nás zajímá (např. ony neznámé parametry).
V rámci předmětu tak budou objasněny postupy bayesovské kvantifikace ekonometrického modelu spočívající v odhadu parametrů modelu, v porovnání různých modelů a ve využití modelů pro ekonomickou analýzu a prognózování. Postupy budou prezentovány jak na umělých datech (pro osvojení si teoretických principů a vlastností simulačních metod, které jsou v rámci bayesovské ekonometrie využívány), tak i na reálných ekonomických systémech a datech s ukázkami praktického využití modelu jako nástroje ekonomického rozhodování.
Na konci tohoto kurzu bude student schopen:
porozumět a vysvětlit principy bayesiánské analýzy reálných dat;
vhodně formulovat a správně identifikovat (nejen) ekonometrické modely na základě stanoveného problému;
orientovat se v odborných textech využívajících bayesovský přístup k empirické analýze zvolené problematiky;
věcně interpretovat výsledky bayesovské analýzy při řešení reálných (nejen ekonomických) problémů;
být kompetentní v používání Matlabu a jiných ekonometrických balíčků.
Osnova
  • Principy a pojmy bayesovské ekonometrie.
  • Normální lineární regresní model s přirozeně konjugovanou apriorní hustotou (věrohodnostní funkce, apriorní hustota, posteriorní hustota, porovnání modelů, předpověď, Monte Carlo integrace).
  • Normální lineární regresní model s jinými apriorními hustotami (Gibbsův vzorkovač, MCMC diagnostiky, Savageho-Dickeyeho poměr hustot).
  • Nelineární regresní model (Metropolis-Hastings algoritmus, metoda Gelfanda a Deye).
  • Lineární regresní model s obecnou kovarianční maticí náhodných složek (autokorelace a heteroskedasticita náhodných složek, model zdánlivě nesouvisejících regresí).
  • Modely panelových dat (souhrnný model, modely individuálních vlivů, model náhodných koeficientů, Chibova metoda, analýza efektivity a model stochastických hranic).
  • Úvod do časových řad: Stavové modely.
  • Modely kvalitativní nebo omezené vysvětlované proměnné (jednorozměrné a multinomiální modely probit, tobit a logit).
  • Flexibilní modely (bayesovská neparametrická a semiparametrická regrese, "směšování" normálních modelů).
  • Bayesovské průměrování modelů. Další vybrané modely, metody a otázky bayesovské ekonometrie.
Literatura
    povinná literatura
  • KOOP, Gary. Bayesian econometrics. Chichester: Wiley. xi, 359. ISBN 0470845678. 2003. info
    neurčeno
  • KOOP, Gary, Dale J. POIRIER a Justin L. TOBIAS. Bayesian econometric methods. 1st ed. Cambridge: Cambridge University Press. xxi, 357. ISBN 9780521855716. 2007. info
  • LANCASTER, Tony. An introduction to modern Bayesian econometrics. 1st ed. Malden: Blackwell. xiv, 401. ISBN 9781405117203. 2004. info
  • POIRIER, Dale J. Intermediate statistics and econometrics : a comparative approach. Cambridge, Mass.: MIT Press. xiv, 715. ISBN 0262161494. 1995. info
  • BAUWENS, Luc, Michel LUBRANO a Jean-François RICHARD. Bayesian inference in dynamic econometric models. Oxford: Oxford University Press. xv, 350. ISBN 0198773137. 1999. info
  • GEWEKE, John. Contemporary Bayesian econometrics and statistics. Hoboken, N.J.: John Wiley & Sons. xi, 300. ISBN 0471679321. 2005. info
  • ZELLNER, Arnold. An introduction to Bayesian inference in econometrics. New York: John Wiley & Sons. xv, 431. ISBN 0471169374. 1971. info
Výukové metody
přednášky, diskuse v hodině, praktická cvičení v počítačové učebně, drilování
Metody hodnocení
závěrečný (skupinový) projekt, ústní zkouška
Navazující předměty
Informace učitele
Využitý software (nejen) pro cvičení/Software (not only for the course in and of itself)
Základní programové prostředí/Programming language: Matlab 2007 (a vyšší/and newer)
Toolboxy/Toolboxes Econometric toolbox – http://www.spatial-econometrics.com
BACC 2003 – Bayesian Analysis, Computation and Communication software – knihovny nástrojů bayesovské analýzy pro Matlab,http://www2.cirano.qc.ca/~bacc/bacc2003/index.html
WinBUGS – Bayesian inference Using Gibbs Sampling – nástroj bayesovské analýzy s možností implementace přes Matlab, http://www.mrc-bsu.cam.ac.uk/bugs/
Další komentáře
Studijní materiály
Předmět je vyučován každoročně.
Předmět si nezapisují studenti, kteří absolvovali PMREGR.
Předmět je zařazen také v obdobích podzim 2009, podzim 2010, podzim 2012, podzim 2013, podzim 2014, podzim 2015, podzim 2016, podzim 2017, podzim 2018, podzim 2019, podzim 2020, podzim 2021, podzim 2022, podzim 2023, podzim 2024.