Full-text resources of CEJSH and other databases are now available in the new Library of Science.
Visit https://bibliotekanauki.pl

Results found: 2

first rewind previous Page / 1 next fast forward last

Search results

Search:
in the keywords:  Współliniowość
help Sort By:

help Limit search:
first rewind previous Page / 1 next fast forward last
PL
Modele regresji są powszechnie wykorzystywanymi narzędziami statystyki, a także innych nauk ilościowych, służącymi do wykrywania związków w obrębie analizowanych danych oraz do prowadzenia predykcji wielkości zestawu zmiennych objaśnianych na podstawie realizacji zestawu zmiennych objaśniających. Istnieje wiele metod umożliwiających szacowanie nieznanych parametrów modeli regresji, m.in. MNK, MNW, MM, jednakże nie zawsze uzyskane estymatory spełniają wymagane założenia (co do swoich własności oraz co do własności modelu). Istotny stopień współliniowości uniemożliwia właściwe wnioskowanie na podstawie modeli klasycznych. W artykule podjęto próbę wykorzystania regresji grzbietowej do modelowania ryzyka inwestycji na rynku metali. Model wykorzystuje parametr kary, umożliwiający redukcję zmiennych współliniowych, a tym samym uzyskanie prostszej postaci funkcji regresji. Dodatkowo zmniejsza się obciążenie oraz wariancja estymatorów parametrów modelu.
EN
Regression models are commonly used statistical tool (and other quantitative sciences), which allows for modelling relations within analyzed datasets. One of their most important features is the prediction property. In the literature there are a lot of methods for estimating unknown parameters of regression models, e.g. Maximum Likelihood, Ordinary Least Squares etc., but estimated parameters not always meet the required assumptions (regarding their properties itself and the properties of selected model). Colinearity between data prevents from correct inferring using classical models. The aim of the article is the application of ridge regression model in risk assessment on the metals market. The model uses so-called penalty parameter allowing for elimination of co-linear variables and makes the model more simpler. Additionally, the bias of the estimators and their variances reduce.
EN
In recent decades numerous studies verified empirical validity of the CAPM model. Many of them showed that CAPM alone is not able to explain cross-sectional variation of stock returns. Researchers revealed various risk factors which explained outperformance of given groups of stocks or proposed modifications to existing multi-factor models. Surprisingly, we hardly find any discussion in financial literature about potential drawbacks of applying standard OLS method to estimate parameters of such models. Yet, the question of robustness of OLS results to invalid assumptions shouldn't be ignored. This article aims to address diagnostic and econometric issues which can influence results of a time-series multifactor model. Based on the preliminary results of a five-factor model for 81 emerging and developed equity indices [Sakowski, Ślepaczuk and Wywiał, 2016a] obtained with OLS we check the robustness of these results to popular violations of OLS assumptions. We find autocorrelation of error term, heteroscedasticity and ARCH effects for most of 81 regressions and apply an AR-GARCH model using MLE to remove them. We also identify outliers and diagnose collinearity problems. Additionally, we apply GMM to avoid strong assumption of IID error term. Finally, we present comparison of parameters estimates and Rsquared values obtained by three different methods of estimation: OLS, MLE and GMM. We find that results do not differ substantially between these three methods and allow to draw the same conclusions from the investigated five-factor model.
PL
W ostatnich latach liczne prace podejmowały temat empirycznej weryfikacji skuteczności modelu CAPM. Ich autorzy zaproponowali co najmniej kilka czynników ryzyka, które są w stanie wyjaśnić zróżnicowanie przekrojowe zwrotów rozmaitych aktywów finansowych. Zaproponowano także liczne modyfikacje istniejących modeli wieloczynnikowych. W bogatej literaturze rzadko jednak spotykamy dyskusję na temat konsekwencji stosowania standardowej Metody Najmniejszych Kwadratów do oszacowania parametrów tych modeli. Pytanie o odporność oszacowań wieloczynnikowych modeli wyceny aktywów finansowych uzyskanych za pomocą MNK na niespełnienie założeń nie powinno być jednak ignorowane. Celem niniejszego artykułu jest analiza diagnostyczna wyników oszacowań modelu pięcioczynnikowego dla 81 indeksów giełdowych [Sakowski, Ślepaczuk i Wywiał, 2016a]. Weryfikacja założeń modelu wskazuje na obecność autokorelacji i heteroskedastyczności czynnika losowego, a także występowanie efektów ARCH. Analiza obejmuje także identyfikację obserwacji wpływowych oraz weryfikację obecności współliniowości wśród czynników. W końcowej części prezentujemy porównanie oszacowań uzyskanych za pomocą Metody Najmniejszych Kwadratów, Metody Największej Wiarygodności oraz Uogólnionej Metody Momentów. Wszystkie trzy metody dają bardzo zbliżone oszacowania i pozwalają wyciągnąć ten sam zestaw wniosków dla analizowanego modelu pięcioczynnikowego.
first rewind previous Page / 1 next fast forward last
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.