Makroekonomija Skripta

Makroekonomija skripta
Makroekonomija
Univerzitet u Beogradu
47 pag.
Document shared on www.docsity.com

Downloaded by: nemanja-brankov (brankov.nemanja@gmail.com)
ОСА
- УСМЕНИ ИСПИТ ДРУГИ ДЕО -
(од 46. до 90. питања)
– МИЛОШЕВА СКРИПТА –
Срећно са учењем!
кратко упутство:
- питање обухвата и график
- питање обухвата и шему/дијаграм
- питање обухвата и увод
- питање обухвата и додатне
информације са предавања (ван књиге) ажурирано 8.8.2017.

САДРЖАЈ
46. Тест независности ............................................................................ 1
47. Тестирање хипотезе засновано на три и више узорака ................ 2
48. Тестирање хипотезе о значајности разлике средина више
скупова .............................................................................................. 4
49. F расподела и Хи-квадрат расподела: особине и примена .......... 4
50. Једнофакторска анализа варијансе ................................................ 5
51. Функционална и стохастичка зависност и њихово приказивање 5
52. Утврђивање везе између атрибутних обележја (номинална и
ординална скала) ............................................................................. 7
53. Циљеви регресионе и корелационе анализе ................................ 8
54. Модел просте линеарне регресије (претпоставке и примена) .... 9
55. Метод најмањих квадрата .............................................................. 11
56. Укупан, објашњен и необјашњен варијабилитет у регресионој
анализи ............................................................................................. 12
57. Оцене регресионих параметара по методу најмањих квадрата:
особине и интерпретација .............................................................. 13
58. Коефицијент просте и вишеструке детерминације: поређење ... 14
59. Стандардна девијација случајне грешке и стандардна грешка
регресије ........................................................................................... 15
60. Тестирање значајности оцена регресионих коефицијената ........ 16
61. Примена Студентовe t расподеле при оцењивању и тестирању у
регресионој анализи ........................................................................ 17
62. Оцењивање и предвиђање у регресионој анализи ...................... 19
63. Коефицијент просте корелације и његова интерпретација ......... 20
64. Кориговани коефицијент вишеструке детерминације ................. 21
65. Модел вишеструке линеарне регресије (претпоставке и
примена) ........................................................................................... 22
66. Статистички тестови у регресионој и корелационој анализи ....... 24
67. Спирманов коефицијент корелације ранга ................................... 24
68. Оцењивање и тестирање значајности коефицијента просте
корелације ........................................................................................ 24
69. Параметарски и непараметарски показатељ корелације
(претпоставке и примена) ............................................................... 24
70. Екстраполација и њена ограничења у регресионој анализи ........ 25
71. Индивидуални и групни индекси ................................................... 26
72. Индексни бројеви и индексни поени ............................................. 28
73. Индекси са сталном и променљивом базом и веза између њих 29
74. Проблем избора базе, интерпретација и примена индексних
бројева .............................................................................................. 30
75. Пондерисање индексних бројева ................................................... 31

76. Конструкција групних индекса методом просечних односа ........ 32
77. Конструкција групних индекса методом агрегата ......................... 32
78. Просечна стопа раста и базни индекси: интерпретација ............. 32
79. Приступи у анализи временских серија ......................................... 33
80. Временске серије: појам и подела ................................................. 34
81. Декомпозиција временских серија ................................................ 35
82. Покретни просеци: значење и употреба ........................................ 37
83. Експоненцијална и геометријска стопа раста ................................ 38
84. Избор функције тренда ................................................................... 39
85. Линеарни и експоненцијални тренд .............................................. 40
86. Сезонске варијације: мерење и интерпретација .......................... 41
87. Десезонирање: поступак и значај ................................................... 42
88. Методи прогнозирања временских серија .................................... 43
89. Екстраполација тренда (поступак, проблеми и ограничења) ...... 44
90. Предвиђање нивоа појаве помоћу тренда и сезонских индекса 44
-1-

46. Тест независности
ШТА СЕ ПРИКАЗУЈЕ ТАБЕЛОМ КОНТИГЕНЦИЈЕ?

 информације које се односе на више од једне променљиве
 још се назива: двосмерна табела класификације, табела унакрсне класификације
ЕТАПЕ ТЕСТА НЕЗАВИСНОСТИ

1. ФОРМИРАЊЕ НУЛТЕ И АЛТЕРНАТИВНЕ ХИПОТЕЗЕ - из питања 36/37 и 38
o нулта хипотеза: две променљиве су независне
o алтернативна хипотеза: две променљиве су зависне
o увек деснострани тест! 
2. ИЗБОР РАСПОДЕЛЕ ВЕРОВАТНОЋА
o E≥5,  хи квадрат тест независности
o ако није, шта чинити:
 повећати величину узорка
 комбиновати неке категорије
3. ОДРЕЂИВАЊЕ ОБЛАСТИ ОДБАЦИВАЊА/НЕОДБАЦИВАЊА H0
o број степени слободе (R-1)(K-1)
4. ИЗРАЧУНАВАЊЕ РЕАЛИЗОВ. ВРЕДНОСТИ СТАТИСТИКЕ ТЕСТА
o СТАТИСТИКА ТЕСТА  правило (критеријум) који доносимо при доношењу
одлуке да ли одбацимо нулту хипотезу или не
o где мања вредност значи мања разлика О и Е 
5. ДОНОШЕЊЕ ОДЛУКЕ
o ако је реализована вредност унутар области одбацивања  H0 одбацујемо
o ако је реализована вредност изван области одбацивања H0 не одбацујемо

47. Тестирање хипотезе засновано на три и више узорака
ШТА ЈЕ АНАЛИЗА ВАРИЈАНСЕ (АНОВА)?

 параметарски метод тестирања хипотеза о једнакости средина три или више
скупова
 Студентову расподелу не треба примењивати, јер:
o понавља се на свим паровима средина
o вишеструко се увећава алфа грешка
ШТА ЈЕ ЦИЉ И СУШТИНА АНОВЕ?

 ЦИЉ АНОВЕ:
o испитати утицај једног или више фактора на варијабилитет појаве
o па имамо једнофакторску и вишефакторску АНОВУ
 ОСНОВА АНОВЕ:
o испитивање варијабилитета аритметичких средина узорака
 ИДЕЈА АНОВЕ:
o поређење факторске и резидуалне варијансе
ШТА ЈЕ ФАКТОРСКА, А ШТА РЕЗИДУАЛНА ВАРИЈАНСА?

 ФАКТОРСКА ВАРИЈАНСА (VA)
o варијанса између узорака (просечни квадрат третмана)
o просек квадрата одступања средина између узорака
o настала под дејством контролисаног фактора
 РЕЗИДУАЛНА ВАРИЈАНСА (VR)
o варијанса унутар узорака (просечни квадрта грешке)
o просек квадрата одступања средина унутар узорака
o настала под дејством резидуалних фактора
ПРЕТПОСТАВКЕ ПРИМЕНЕ АНОВЕ

1. узорци су случајни и независни (мора бити задовољено!)
2. нормалност = основни скупови имају (приближно) нормалну расподелу
3. хомоскедистачност = основни скупови имају једнаке варијансе
 само прва претпоставка је обавезна 
 нацртај табелу АНОВА
-2-

ЕТАПЕ АНАЛИЗЕ ВАРИЈАНСЕ
o нулта хипотеза: μ1 = μ2 = μ3 (контролисани фактор не утиче на варијабилитет)
o алтернативна хипотеза: μi ≠ μj (контролисани фактор утиче на варијабилитет)
o увек деснострани тест! 
o (претходна страна) претпоставке АНОВЕ   користимо F расподелу
 непрекидна расподела, дефинисаност (0,+ ∞), асиметрична удесно
 зависи од броја степени слободе за VA и VR
 асиметрија, број степени слободе 
o рачунамо вредност F из таблице за дати број степени слободе и ниво
значајности
o SA = варијабилитет између узорака = факторски варијабилитет
o SR = варијабилитет унутар узорака = резидуални варијабилитет
o где је за n/N ≤ 0,05 (μ је вредност из H0)
o ако одбацимо нулту хипотезу, треба да дамо одређени савет или
препоруку између којих група постоји разлика
 користимо методу вишеструке компарације - Тјукијев тест 
+ пиши из питања о тесту прилагођености 
-3-

48. Тестирање хипотезе о значајности разлике аритметичких
средина више скупова
цело питање 44. (тестирање хипотезе - средине два скупа)

+ цело питање 47. (тестирање хипотезе - средине три и више скупова)
49. F расподела и хи-квадрат расподела - особине и примена
F РАСПОДЕЛА ХИ-КВАДРАТ РАСПОДЕЛА

 непрекидна теоријска расподела  непрекидна теоријска расподела
вероватноће вероватноће
 дефинисаност случ.променљиве  дефинисаност случајне променљиве
o (0,+ ∞) o (0,+ ∞)
 асиметрична удесно  асиметрична удесно
 облик зависи од df (параметара  облик зависи од df (параметра
расподеле): расподеле):
o за бројилац (df1) o само једно df
o за именилац (df2)  асиметрија, број степени слободе 
 асиметрија, број степени слободе   E(χ2)=df, Var(χ2)=2df
ПРИМЕНА F РАСПОДЕЛЕ ПРИМЕНА χ2 РАСПОДЕЛЕ

 тестирање једнакости аритметичких  тест прилагођености
средина три или више скупова  тест независности
(анализа варијансе АНОВА)  тест хомогености
-4-

50. Једнофакторска анализа варијансе
пиши цело питање 47. (тестирање хипотезе - средине три и више скупова)
51. Функционална и стохастичка зависност и њихово приказивање
ВЕЗЕ ИЗМЕЂУ ДВЕ ПРОМЕНЉИВЕ У РЕГРЕСИОНОЈ АНАЛИЗИ

1. ПРИРОДА ВЕЗЕ - детерминистичка / стохастичка
2. СМЕР ВЕЗЕ - директна / инверзна
3. ОБЛИК ВЕЗЕ - линеарна / криволинијска
1) ПРИРОДА ВЕЗЕ
 ДЕТЕРМИНИСТИЧКА (ФУНКЦИОНАЛНА, ЕГЗАКТНА)
o једној вредности независне (објашњавајуће) променљиве одговара само
једна вредност зависне променљиве
o пример: ретке у пракси, математика 
o детерминистички регресиони модел: Y = β0 + β1X
 СТОХАСТИЧКА ВЕЗА
o једној вредности независне (објашњавајуће) променљиве одговара више
вредности зависне променљиве које у извесним ситуацијама не може са
сигурношћу предвидети
o не важе за појединачне случајеве, већ за масе
o пример: честе у економији, када на неку појаву утиче више фактора
o стохастички регресиони модел: Y = β0 + β1X + ε
ε - СЛУЧАЈНА ГРЕШКА
 случајном грешком у регресионом моделу обухватамо:
o недостајуће (изостављене) променљиве
o случајне варијације
-5-

2) СМЕР ВЕЗЕ
 ДИРЕКТНА ВЕЗА
o X, Y 
o нпр. са порастом дохотка расте и потрошња 
 ИНВЕРЗНА ВЕЗА
o X, Y 
o нпр. са порастом цене опада потрошња 
3) ОБЛИК ВЕЗЕ
 ЛИНЕАРНА ВЕЗА
o представљена линеарном функцијом
 КРИВОЛИНИЈСКА ВЕЗА
o представљена експоненцијалном функцијом
КОЈИ ЈЕ ПОСТУПАК КОД РЕГРЕСИЈЕ?

1. утврдити која променљива је зависна, а која независна
2. формирати регресиони модел и на основу њега оцењивати и предвиђати
РАЗЛИЧИТИ ОБЛИЦИ ВЕЗА НА ДИЈАГРАМУ РАСПРШЕНОСТИ

 дијаграм распршености приказује: природу, смер, облик и јачину везе
-6-

52. Утврђивање везе између атрибутивних обележја
(номинална и ординална скала)
КОЈА ДВА СТАТИСТИЧКА ПОКАЗАТЕЉА СЕ КОРИСТЕ?

1. χ2 ТЕСТ НЕЗАВИСНОСТИ
o уколико је бар један променљива на номиналној скали
2. СПИРМАНОВ КОЕФИЦИЈЕНТ КОРЕЛАЦИЈЕ РАНГА
o уколико су обе променљиве на ординалној скали
χ2 ТЕСТ НЕЗАВИСНОСТИ
 све из питања 46 (хи квадрат тест независности) +
УТВРЂИВАЊЕ ЈАЧИНЕ ВЕЗЕ ИЗМЕЂУ АТРИБУТНИХ ОБЕЛЕЖЈА:
 помоћу коефицијента контигенције С
где је L = min(R,K) (0 < С < 1)
СПИРМАНОВ КОЕФИЦИЈЕНТ КОРЕЛАЦИЈЕ РАНГА

 представља коефицијент просте линеарне корелације између рангова
 у узорку rS, у основном скупу ρS
 да бисмо га израчунали, морамо да рангирамо податке за сваку променљиву
посебно, доделимо симболе u и v (d = u - v)
o rS = 0  у узорку не постоји монотона веза између X и Y

o rS > 0  у узорку постоји директна монотона веза између X и Y
o rS > 0  у узорку постоји инверзна монотона веза између X и Y
 недостатак хи-квадрата: не можемо утврдити облик везе као код Спирмана!
-7-

53. Циљеви регресионе и корелационе анализе
ШТА ПОКАЗУЈЕ РЕГРЕСИЈА, А ШТА КОРЕЛАЦИЈА?

 РЕГРЕСИЈА  показује природу везе односно облик зависности између X и Y
 КОРЕЛАЦИЈА  показује да ли између варијација посматраних појава постоји
слагање и у ком степену
УВОД: СТОХАСТИЧКА ВЕЗА
 суштина: између ПОЈЕДИНИХ вредности X и ПРОСЕЧНИХ вредности Y постоји
чврста функционална веза
 битно уочити: појединачне вредности Y могу значајно одступати од просека
o због утицаја многих фактора - правилност се може открити тек на великом
броју података
истражујемо квантитативно слагање варијације између две или више појава...
РЕГРЕСИОНА АНАЛИЗА КОРЕЛАЦИОНА АНАЛИЗА

ЗАВИСНА/НЕЗАВИСНА var? ЗАВИСНА/НЕЗАВИСНА var?
 потребно је унапред одредити која је  није потребно унапред одредити која
зависна, а која независна променљива је зависна, а која независна променљ.
 ово се утврђује на основу:  једино код испитивање везе три или
o природе појава више појава, мора се одредити једна
o теоријских/емпиријских сазнања зависна 
ЦИЉ РЕГРЕСИЈЕ: ЦИЉ КОРЕЛАЦИЈЕ:

 утврдити природу везе, односно  утврдити да ли између варијација
облик зависности између појава појава постоји слагање и у ком
 врши се путем одговарајућег степену
регресионог модела   исто и показује 
o оцењивање просечне Y
o предвиђање пој.вредн.Y  помоћу регресионе и корелационе
анализе не можемо одредити узрочно-
последичну везу између појава
ШТА ПОКАЗУЈЕ?
шта је узрок, шта последица? 
 просечно слагање варијација  + оцењивање, коефиц.корелације 
испитиваних појава -8-

54. Модел просте линеарне регресије (претпоставке и примена)
БИТНИ ПОЈМОВИ
 РЕГРЕСИОНИ МОДЕЛ
o математички модел који описује везу између две или више променљивих
 ПРОСТ РЕГРЕСИОНИ МОДЕЛ
o математички модел који описује везу између две променљиве (једна
зависна, једна независна)
 линеарни - описује линеарну међузависност између променљивих
 нелинеарни - описује нелинеарну међузависност између променљ.
ДЕТЕРМИНИСТИЧКИ МОДЕЛ СТОХАСТИЧКИ МОДЕЛ
 показује детерминистичку везу

 показује стохастичку везу између X и Y
између X и Y
 објасни сваки члан модела  + шта
 објасни сваки члан модела 
обухвата случајна грешка? (питање 51)
ОЦЕЊЕНИ (ПРИЛАГОЂЕНИ) РЕГРЕСИОНИ МОДЕЛ
 𝑌 - оцењена (прилагођена) вредност променљиве Y за дату вредност X

 b0 ,b1 - оцене параметара регресионог модела основног скупа
-9-

ПРЕТПОСТАВКЕ ПРОСТОГ РЕГРЕСИОНОГ МОДЕЛА
1. ЛИНЕАРНОСТ
 између појединих вредности X и просечних вредности Y постоји линеарна
веза
2. СЛУЧАЈНА ГРЕШКА (СТОХАСТИЧКИ ЧЛАН) У ПРОСЕКУ ЈЕДНАКА
НУЛИ

3. ХОМОСКЕДАСТИЧНОСТ

 све случајне грешке имају једнаке варијансе
4. НЕМА АУТОКОРЕЛАЦИЈЕ

 случајне грешке различитих опсервација су међусобно независне
5. X НИЈЕ СЛУЧАЈНА ПРОМЕНЉИВА
 вредности независне променљиве фиксиране
 истраживач их сам бира пре почетка истраживања
 док Y јесте случајна променљива
6. РАСПОДЕЛА СЛУЧАЈНИХ ГРЕШАКА ЈЕ НОРМАЛНА

 стохастички члан има нормалну расподелу са аритметичком нула и вариј.
 претпостављамо да се веза између X и Y може описати правом линијом 

 пре спровођења регресионе анализе, цртамо дијаграм распршености како
бисмо проверили природу, облик, смер и јачину слагања између X и Y
(прикажи графички нелинеарне везе - тада не би било оправдано)
+ шта је циљ регресије? (питање 53)
+ оцењивање и предвиђање просечног Y (интервал поверења/интервал

предвиђања) (питање 62)
- 10 -

55. Метод најмањих квадрата
ШТА ЈЕ СЛУЧАЈНА ГРЕШКА ε, А ШТА РЕЗИДУАЛ е?

 СЛУЧАЈНА ГРЕШКА ε
o разлика између стварне (емпиријске) и очекиване (просечне) вредности Y у
основном скупу
 РЕЗИДУАЛ е
o разлика између стварне (емпиријске) и очекиване (просечне) вредности Y у
узорку
o оцена случајне грешке ε
o - кад су позитивни, када негативни? 
СУМА РЕЗИДУАЛА И СУМА КВАДРАТА РЕЗИДУАЛА

o минимизирањем суме резидуалa не можемо добити регресиону праву која
се најбоље прилагођава емпиријским подацима (јер је сума нула!)
o минимизирањем суме квадрата резидуалa можемо добити регресиону

праву која се најбоље прилагођава емпиријским подацима! (метод
најмањих квадрата)
 формуле за b1, b0, SPxy SKxx
 можемо применити и за основни скуп ако поседујемо све податке, и тада

имамо линију регресије:
Y X  E(Y )   0  1 X
- 11 -

56. Укупан, објашњен и необјашњен варијабилитет у
регресионој анализи
ОБЈАШЊЕЊЕ ГРАФИКА
 узимамо произвољну емпиријску вредност yi из узорка која одговара вредности
независне променљиве xi
 аритметичка средина серије Y из узорка је константна (хоризонтална линија)
 зашто постоји објашњено одступање?
o одговарајућа вредност xi је већа од своје аритметичке средине
o постоји линеарна директна веза између варијација променљивих
SKU = SKO + SKN

синоними:
 сума квадрата = варијабилитет
 SKO = регресиона сума квадрата
 SKN = резидуална сума квадрата (сума квадрата грешке)
 објасни и за апсолутна одступања 
- 12 -

57. Оцене регресионих параметара по методу најмањих
квадрата - особине и интерпретација
протумачи регресиони модел + питање 55. (метод најмањих квадрата) +
ГАУС-МАРКОВЉЕВА ТЕОРЕМА
 говори: о квалитету оцена добијених методама најмањих квадрата у поређењу са
оценама добијених другим методама 
 гласи:
o Ако су испуњене претпоставке регресионог модела, оцене добијене
методом најмањих квадрата су најбоље (ефикасне) непристрасне
линеарне оцене, тј.
o то значи да оцене добијене методом најмањих квадрата имају најмању

варијансу и најмању стандардну грешку
ДОДАТНО ПОЈАШЊЕЊЕ
 β0, β1 - параметри основног скупа
 b0, b1 - оцене параметара
 b0, b1 - оцењене вредности параметара
 b1 - случајна променљива која има нормалан распоред

 β1 - аритметичка средина тог распореда
 σb1 - стандардна грешка оцене b1
o указује на прецизност оцене, јер што је мања, то је оцена квалитетнија 
- 13 -

58. Коефицијент просте и вишеструке детерминације - поређење
ШТА ЈЕ КОЕФИЦИЈЕНТ ДЕТЕРМИНАЦИЈЕ?

 статистички критеријум на основу којег знамо да ли је регресиони модел
валидан, односно да ли изабрана променљива X добро објашњава варијације Y
КОЕФИЦИЈЕНТ ВИШЕСТРУКЕ ДЕТЕРМИНАЦИЈЕ R2

 показује колики део варијација је објашњен вишеструким регресионим
моделом (0 ≤ R2 ≤ 1)
 испиши исто за SKN, SKU, SKO, R2
НЕДОСТАТАК R2 И КАКО ГА РЕШИТИ 

 вредност му се повећава са повећањем броја променљивих и смањењем
узорка, без обзира да ли оне заиста објашњавају варијације зависне
променљиве
 решавамо рачунањем КОРИГОВАНОГ КОЕФИЦИЈЕНТА ВИШЕСТРУКЕ ДЕТЕРМИНАЦ:
o може бити и негативан
- 14 -

59. Стандардна девијација случајне грешке и стандардна
грешка регресије
СТАНДАРДНА ДЕВИЈАЦИЈА СЛУЧАЈНЕ ГРЕШКЕ

 σε - показује дисперзију случајних грешака
o одступања стварних вредности Y од просечних вредности на регр.правој
 није позната па се оцењује преко:
o S2 = резидуална варијанса, добијена на основу резидуала из узорка
o S = стандардна грешка регресије
ОД ЧЕГА ЗАВИСИ СТАНДАРДНА ГРЕШКА РЕГРЕСИЈЕ?

 ВЕЛИЧИНЕ УЗОРКА 
 НИВО ПОЈАВЕ 
 ОДСТУПАЊЕ ЕМПИРИЈСКИХ ПОДАТАКА ОД УНИЈЕ РЕГРЕСИЈЕ 
- 15 -

60. Тестирање значајности оцена регресионих коефицијената
ТЕСТИРАЊЕ РЕГРЕСИОНОГ ПАРАМЕТРА β1

o нулта хипотеза: β1 = 0
 X не утиче на Y
 регресиона права се не може користити у сврхе предвиђања
вредности Y на основу променљиве X
o алтернативна хипотеза:
 β1 ≠ 0  X утиче на Y
 β1 < 0  X негативно утиче на Y
 β1 > 0  X позитивно утиче на Y
o користимо Студентову расподелу
o број степени слободе n-2
o где за
- 16 -

61. Примена Студентове t расподеле при оцењивању и
тестирању у регресионој анализи
1) ОЦЕЊИВАЊЕ β1 КОД ПРОСТЕ ЛИНЕАРНЕ РЕГРЕСИЈЕ
 интервал поверења: где је

o вреднос t добијам за n-2 број степени слободе и површину алфа пола
2) ТЕСТИРАЊЕ β1 КОД ПРОСТЕ ЛИНЕАРНЕ РЕГРЕСИЈЕ (питање 60)

o нулта хипотеза: β1 = 0
 X не утиче на Y
вредности Y на основу променљиве X
 β1 ≠ 0  X утиче на Y
 β1 < 0  X негативно утиче на Y
 β1 > 0  X позитивно утиче на Y
o број степени слободе n-2
o где за
- 17 -

3) ОЦЕЊИВАЊЕ β1 КОД ВИШЕСТРУКЕ ЛИНЕАРНЕ РЕГРЕСИЈЕ
 интервал поверења: (b0, b1, ..., bk су тачкасте оцене бета)

o вреднос t добијам за n-k-1 број степени слободе и површину алфа пола
4) ТЕСТИРАЊЕ βi КОД ПРОСТЕ ЛИНЕАРНЕ РЕГРЕСИЈЕ (питање 60)

o нулта хипотеза: βi = 0
 Xi не утиче на Y
вредности Y на основу променљиве Xi
 βi ≠ 0  Xi утиче на Y
 βi < 0  Xi негативно утиче на Y
 βi > 0  Xi позитивно утиче на Y
o број степени слободе n-k-1
o где за
+ шта је циљ регресије (питање 53) + цело питање 62 (оцењивање и предвиђање)
- 18 -

62. Оцењивање и предвиђање у регресионој анализи
шта је циљ регресије (питање 53) +
1) ОЦЕЊИВАЊЕ ПРОСЕЧНЕ ВРЕДНОСТИ Y ЗА ДАТО X
 интервал поверења:
 стандардна грешка:
2) ПРЕДВИЂАЊЕ ПОЈЕДИНАЧНЕ ВРЕДНОСТИ Y ЗА ДАТО X
 интервал поверења:
 стандардна грешка:
- 19 -

63. Коефицијент просте корелације и његова интерпретација
ДЕФИНИСАЊЕ ПИРСОНОВОГ КОЕФИЦИЈЕНТА КОРЕЛАЦИЈЕ

 мери степен линеарног квантитативног слагања између две променљиве
 ознаке, квадрат једнак коефицијенту детерминације
 може узети само вредности између -1 и 1
КАКВА КОРЕЛАЦИЈЕ МОЖЕ БИТИ?

 r=1
 r>0
 знак одређује да ли је позитивна / негативна
 r>0
 да ли је близу нули или кецу одређује јачину
 r=0
 r<0  нацртај све на дијаграму распршености 
 r<0
 r = -1
ФОРМУЛА ЗА КОЕФИЦИЈЕНТ ПРОСТЕ ЛИНЕАРНЕ КОРЕЛАЦИЈЕ
o r и b1 су увек истог знака (зависи од SPxy)

o такође, ро и бета 1 истог знака 
СПИРМАНОВ КОЕФИЦИЈЕНТ КОРЕЛАЦИЈЕ РАНГА (из питања 52)


 опиши и поступак тестирања и одбацивање преко критичне вредности 
- 20 -

64. Кориговани коефицијент вишеструке детерминације (као и 58.)
ШТА ЈЕ КОЕФИЦИЈЕНТ ДЕТЕРМИНАЦИЈЕ?

 статистички критеријум на основу којег знамо да ли је регресиони модел
валидан, односно да ли изабрана променљива X добро објашњава варијације Y
КОЕФИЦИЈЕНТ ВИШЕСТРУКЕ ДЕТЕРМИНАЦИЈЕ R2

 показује колики део варијација је објашњен вишеструким регресионим
моделом (0 ≤ R2 ≤ 1)
 испиши исто за SKN, SKU, SKO, R2
НЕДОСТАТАК R2 И КАКО ГА РЕШИТИ 

 вредност му се повећава са повећањем броја променљивих и смањењем
узорка, без обзира да ли оне заиста објашњавају варијације зависне
променљиве
 решавамо рачунањем КОРИГОВАНОГ КОЕФИЦИЈЕНТА ВИШЕСТРУКЕ ДЕТЕРМИНАЦ:
o може бити и негативан
- 21 -

65. Модел вишеструке линеарне регресије
(претпоставке и примена)
БИТНИ ПОЈМОВИ
 РЕГРЕСИОНИ МОДЕЛ
o математички модел који описује везу између две или више променљивих
 ВИШЕСТРУКИ РЕГРЕСИОНИ МОДЕЛ
o математички модел који описује везу између више променљиве (једна
зависна, више независних)
 линеарни - описује линеарну међузависност између променљивих
 нелинеарни - описује нелинеарну међузависност између променљ.
ДЕТЕРМИНИСТИЧКИ МОДЕЛ СТОХАСТИЧКИ МОДЕЛ
 показује детерминистичку везу

 показује стохастичку везу између X и Y
између X-ева и Y
 објасни сваки члан модела  + шта
 објасни сваки члан модела 
обухвата случајна грешка? (питање 51)
ОЦЕЊЕНИ (ПРИЛАГОЂЕНИ) РЕГРЕСИОНИ МОДЕЛ
 𝑌 - оцењена (прилагођена) вредност променљиве Y за датe вредности X

 b0 ,b1 ,..., bk - оцењене вреднсоти регресионих параметара по методу најм.квадр.
 кад показује утицај само једне објашњавајуће променљиве - вишеструки

регресиони модел првог реда (не обухвата интеракцију фактора!)
 најчешће се спроводи применом статистичког софтвера 
+ испиши све за SKN, SKU, SKO
- 22 -

ПРЕТПОСТАВКЕ ВИШЕСТРУКОГ РЕГРЕСИОНОГ МОДЕЛА
1. ЛИНЕАРНОСТ
 зависна променљива и објашњавајуће променљиве су у линеарној вези
2. СЛУЧАЈНА ГРЕШКА (СТОХАСТИЧКИ ЧЛАН) У ПРОСЕКУ ЈЕДНАКА
НУЛИ

3. ХОМОСКЕДАСТИЧНОСТ

 све случајне грешке имају једнаке варијансе
4. НЕМА АУТОКОРЕЛАЦИЈЕ

 случајне грешке различитих опсервација су међусобно независне
5. X1, X2, ..., Xk НИСУ СЛУЧАЈНЕ ПРОМЕНЉИВЕ
 вредности независних променљивих фиксиране
 истраживач их сам бира пре почетка истраживања
 док Y јесте случајна променљива
6. РАСПОДЕЛА СЛУЧАЈНИХ ГРЕШАКА ЈЕ НОРМАЛНА

 стохастички члан има нормалну расподелу са аритметичком нула и вариј.
7. X1, X2, ..., Xk СУ МЕЂУСОБНО ЛИНЕАРНО НЕЗАВИСНЕ
 не постоји проблем мултиколинеарности! 
+ шта је циљ регресије (питање 53) + цело питање 62 (оцењивање и предвиђање)
- 23 -

66. Статистички тестови у регресионој и корелационој анализи
питање 61. - Примена Студентове t расподеле при тестирању у регр.анализи + питање

63 (Пирсон) + питање 67 (Спирман)
67. Спирманов коефицијент корелације ранга
СПИРМАНОВ КОЕФИЦИЈЕНТ КОРЕЛАЦИЈЕ РАНГА (из питања 52)


 опиши и поступак тестирања и одбацивање преко критичне вредности 
68. Оцењивање и тестирање значајности коефицијента просте

корелације
цело питање 63. (Пирсон) + цело питање 67. (Спирман)
69. Параметарски и непараметарски показатељ корелације

(претпоставке и примена)
цело питање 63. (Пирсон) + цело питање 67. (Спирман)
- 24 -

70. Екстраполација и њена ограничења у регресионој анализи
ШТА ЈЕ ЕКСТРАПОЛАЦИЈА?
 регресиона права оцењена на основу узорка односи се на опсег вредности X које
су обухваћене узорком
 ако оцењивање или предвиђање спроводимо ван вредности X које су обухваћене
узорком, онда говоримо о ЕКСТРАПОЛАЦИЈИ
o са удаљавањем вредности X, треба бити врло опрезан код предвиђања 
ШТА ЈЕ СУШТИНА?
 имамо узорак у коме постоји линеарна веза
o када изађемо из тог узорка, може се десити да та веза не буде линеарна!
УСЛОВИ ДА ОЦЕЊИВАЊЕ И ПРЕДВИЂАЊЕ БУДЕ ВАЛИДНО

 коефицијент просте детерминације да буде релативно велик, тј. > 0.5
 β1 ≠ 0:
o пиши све о тестирању β1 (из питања 61. - Примена Студентове расподеле)
 екстраполација у близини
- 25 -

71. Индивидуални и групни индекси
ИНДИВИДУАЛНИ ИНДЕКСИ
 показују РЕЛАТИВНЕ ПРОМЕНЕ САМО ЈЕДНЕ ПОЈАВЕ
 можемо их израчунати као:
o БАЗНЕ (са сталном (непромењеном) базом)
 разлику између два базна индекса изражавамо ИНДЕКСНИМ

ПОЕНИМА  показују апсолутну разлику нивоа појаве
 рачунамо на основу податка из базне године 
o ЛАНЧАНЕ (са променљивом базом)
 изражавају темпо промене нивоа појаве у сукцесивним

временским периодима
ГРУПНИ ИНДЕКСИ
 показују РЕЛАТИВНЕ ПРОМЕНЕ ГРУПЕ СРОДНИХ ПОЈАВА
o однос нивоа две или више сродних појава У ТЕКУЋЕМ У ОДНОСУ НА
ИЗАБРАНИ ПЕРИОД
 можемо их израчунати као: базне, ланчане, индексе цена, физ.обима, вредности
 конструкција:
o МЕТОД АГРЕГАТА
 идеја: однос збира података свих n саставних серија у текућем
периоду t и збира података истих n серија у изабраном базном
периоду
 формуле за Ip, Iq, Ipq
o МЕТОД ПРОСЕЧНИХ ОДНОСА
 идеја: просечна вредност индивидуалних индекса n саставних
серија
 овакви индекси су средњи групни индекси (aритм, гео, хармониј)
 формуле за Ip, Iq, Ipq ( ) (непондерисани групни)
- 26 -

КОЈИ ЈЕ ЦИЉ ПОНДЕРИСАЊА ГРУПНИХ ИНДЕКСА?
1. ВЕЋА РЕПРЕЗЕНТАТИВНОСТ, као показатељ динамике више сродних серија
2. ИСТАЋИ РЕЛАТИВНИ ЗНАЧАЈ сваке саставне серије коју укључујемо у груп. индекс
МЕТОДОМ ПРОС.ОДНОСА МЕТОДОМ АГРЕГАТА
 пондери се одређују према структури саставних серија у базном/текућем периоду :)
МАНЕ ЛАСПЕЈРЕСОВОГ МАНЕ ПАШЕОВОГ

1. задржавање пондера доводи током 1. најчешће нису познати пондери из
времена до деформације слике о текућег периода
реалним променама 2. сваке године морамо мењати систем
2. што је удаљенији текући период од пондера, па групни индекси нису
базног, све мања репрезентативност међусобно упоредиви
 решење: ИДЕАЛНИ ФИШЕРОВ ИНДЕКС! 
- 27 -

72. Индексни бројеви и индексни поени
ИНДЕКСНИ БРОЈЕВИ (ИНДЕКСИ)

 релативни бројеви који представљају однос нивоа појаве у текућем периоду и
нивоа појаве у базном периоду
o ТЕКУЋИ ПЕРИОД  период у коме се посматра ниво појаве
o БАЗНИ ПЕРИОД  период са којим се посматрани период пореди
ПОДЕЛА ИНДЕКСА
 према томе да ли показују релативне промене ЈЕДНЕ или ГРУПЕ СРОДНИХ ПОЈАВА
o ИНДИВИДУАЛНИ
o ГРУПНИ
 према томе да ли је базни период променљив или не:
o БАЗНИ
o ЛАНЧАНИ
 према економској величини на коју се односе:
o ИНДЕКСИ ЦЕНА
o ИНДЕКСИ ФИЗИЧКОГ ОБИМА
o ИНДЕКСИ ВРЕДНОСТИ ПРОИЗВОДЊЕ

ИНДЕКСНИ ПОЕНИ (из питања 71 - инд. и групни индекси)
 разлику између два базна индекса изражавамо ИНДЕКСНИМ ПОЕНИМА 
показују апсолутну разлику нивоа појаве
- 28 -

73. Индекси са сталном и променљивом базом и веза између њих
ИНДИВИДУАЛНИ ИНДЕКСИ - из питања 71 (инд. и групни индекси)

 показују РЕЛАТИВНЕ ПРОМЕНЕ САМО ЈЕДНЕ ПОЈАВЕ
 можемо их израчунати као:
o БАЗНЕ (са сталном (непромењеном) базом)
 разлику између два базна индекса изражавамо ИНДЕКСНИМ

ПОЕНИМА  показују апсолутну разлику нивоа појаве
o ЛАНЧАНЕ (са променљивом базом)
 изражавају темпо промене нивоа појаве у сукцесивним

временским периодима
СРЕДЊИ ТЕМПО РАСТА

 геометријска средина ланчаних индекса (просек релативне промене појаве)
o
ПРОСЕЧНА (ГЕОМЕТРИЈСКА) СТОПА РАСТА

 стопа по којој се ниво појаве ПРОСЕЧНО (годишње, квартално, месечно) у
релативном износу повећавању или смањује у периоду обухваћеном
временском серијом
o
o
Прерачунавање:
 Б  Б : све базне индексе са старом базом поделити са базним индексом са новом
 Б  Л : делимо базни индекс текуће године са базним индексом претходне године
 Л  Б : (за претходне периоде) базни делимо са ланчаним и множимо са 100
(за наредне периоде) базни претходног множимо са ланчаним текућег /100
- 29 -

74. Проблем избора базе, интерпретација и примена
индексних бројева
ПРОБЛЕМ ИЗБОРА БАЗЕ - најзначајније питање примене индекса!

 циљ: да индекси дају реалну слику о релативним променама појаве
 за базу обично узимамо период:
o у коме временска серија показује релативно стабилан ниво
 није добар период са екстремним вредностима појаве!
o који није почетни, када статистичка анализа обухвата релативно дуг период
 зато што временом долази до промене утицаја фактора на појаву!
o који није исувише удаљен од текућег
 у пракси, мења се периодично - на сваких 5-10 година
ИНТЕРПРЕТАЦИЈА ИНДЕКСНИХ БРОЈЕВА

 показују само релативне промене, без информација о величини саме појаве
 једнакост индексних бројева значи само подједнак раст/пад појаве, не и једнакост
величина појава
o нпр. индекси трошкова живота у две земље
ПРИМЕНА ИНДЕКСНИХ БРОЈЕВА

 велика примена у економских истраживањима
o анализа динамике производње, промета, БДП-а, трошкова живота...
 ДВА ПРОБЛЕМА:
o опсег обухватања
o одређивање пондера
 ПРИМЕНА:
o ГРУПНИ ИНДЕКСИ ЦЕНА:
 индекс цена у трговини на мало - 450 комада, 0.75 пондер 
 индекс цена произвођача инд.производа - 700 комада
 индекс цена угоститељских услуга - 0.25 пондер
 индекс трошкова живота = релативне промене малопродајних
цена производа и услуга личне потрошње - за пондер
информације о потрошачкој корпи
o ГРУПНИ ИНДЕКСИ КОЛИЧИНА:
 индекс промета у трговини на мало / велико
 индекс индустријске производње / пољопривредне производње...
- 30 -

75. Пондерисање индексних бројева
све о пондерисању из питања 71. - индивидуални и групни индекси  
КОЈИ ЈЕ ЦИЉ ПОНДЕРИСАЊА ГРУПНИХ ИНДЕКСА?

1. ВЕЋА РЕПРЕЗЕНТАТИВНОСТ, као показатељ динамике више сродних серија
2. ИСТАЋИ РЕЛАТИВНИ ЗНАЧАЈ сваке саставне серије коју укључујемо у груп. индекс
МЕТОДОМ ПРОС.ОДНОСА МЕТОДОМ АГРЕГАТА
 пондери се одређују према структури саставних серија у базном/текућем периоду :)
МАНЕ ЛАСПЕЈРЕСОВОГ МАНЕ ПАШЕОВОГ

1. задржавање пондера доводи током 1. најчешће нису познати пондери из
времена до деформације слике о текућег периода
реалним променама 2. сваке године морамо мењати систем
2. што је удаљенији текући период од пондера, па групни индекси нису
базног, све мања репрезентативност међусобно упоредиви
 решење: ИДЕАЛНИ ФИШЕРОВ ИНДЕКС! 
- 31 -

76. Конструкција групних индекса методом просечних односа
све из питања 75. - пондерисање индексних бројева за МЕТОД ПРОСЕЧНИХ ОДНОСА
77. Конструкција групних индекса методом агрегата
све из питања 75. - пондерисање индексних бројева за МЕТОД АГРЕГАТА
78. Просечна стопа раста и базни индекси - интерпретација
цело питање 73. - Индекси са сталном и променљивом базом и веза између њих
- 32 -

79. Приступи у анализи временских серија
Методи анализе и прогнозирања

временске серије
КВАЛИТАТИВНИ КВАНТИТАТИВНИ
 подаци нису доступни  подаци јесу доступни (из

 не могу се квантификовати садашњег и прошлог периода)
 основа: процес усклађивања  могу се квантификовати
мишљења експерата  осликавају праву природу појаве
СТАТИСТИЧКИ ПРИСТУП ЕКОНОМЕТРИЈСКИ ПРИСТУП

- методи стат.анализе врем.серија - - каузални (узрочни) методи -
 фокусирани на:  спадају у домен регресионе

o анализа основних анализе временских серија
карактеристика  користимо их када:
појединачне временске o варијације посматране
серије серије објашњавамо
o прогноризање будућих варијацијама у другим
вредности појединачне серијама
временске серије из  применом ових метода:
прошлог и садашњег o оцењујемо регресиони
периода модел једне временске
 спада: серије у функцији других
1. метод декомпозиције временских серија
2. методи изравнања (објашњавајућих
3. Бокс-Џенкинсонова променљивих)
методологија
- 33 -

80. Временске серије - појам и подела
ШТА ЈЕ ВРЕМЕНСКА СЕРИЈА?

 хронолошки уређени низ података који приказује варијације појаве током
сукцесивних, једнаких временских интервала
 једна реализација уређеног низа случајних променљивих Y1, Y2, Y3... у односу на
време
КАКО ПОДАТКЕ ВРЕМЕНСКЕ СЕРИЈЕ МОЖЕМО ПОСМАТРАТИ?

 У МОМЕНТИМА (моментне врем.серије) аналогно подели екон.
 У ВРЕМ. ИНТЕРВАЛИМА (интервалне врем.серије) величина на:
 променљиве стања
 променљиве тока
КАК МОЖЕМО АНАЛИЗИРАТИ ВРЕМЕНСКЕ СЕРИЈЕ?

 критеријум: домен анализе
o ВРЕМЕНСКИ ДОМЕН
 анализа временских серија у функцији времена
o ФРЕКВЕНТНИ ДОМЕН (СПЕКТРАЛНА АНАЛИЗА)
 анализа временских серија као композиција синусоида фреквенција
(свака има одређене инфо  )
 циљ: установити појед.допринос компонената на различитим
фреквенцијама укупном варијабилитету временске серије
 средство: спектрална функција густине
 крајњи циљ: прогноза будуће вредности посматране временске серије
+ све о временским серијама из питања 6. - Структурне и временске серије
- 34 -

81. Декомпозиција временских серија
ПРЕТПОСТАВКА ДЕКОМПОЗИЦИЈЕ
 ПОСТОЈАНИ ФАКТОРИ (ТС)
o утичу постојано на развојну тенденцију временске серије
 НЕПОСТОЈАНИ ФАКТОРИ (SR)
o узрокују одступања од те основне путање серије
ВАРИЈАЦИЈЕ СЕРИЈЕ (Y) ДЕКОМПОНУЈУ СЕ НА:

 ТРЕНД КОМПОНЕНТА (Т)
o представља развојну растућу/оапдајућу тенденцију неке појаве у
одређеном временском периоду
o нпр. велики број економских појава 
 ЦИКЛИЧНА КОМПОНЕНТА (С)
o представља наизменично смењивање вишегодишњих одступања
посматране појаве изнад/испод просечног кретања
o сваки циклус има:
 ПРОСПЕРИТЕТ (врх)
 РЕЦЕСИЈУ (опадање)
 ДЕПРЕСИЈУ (најнижу тачку)
 ЕКСПАНЗИЈУ (опоравак)
o нпр. флуктуације БДП-а
 СЕЗОНСКА КОМПОНЕНТА (S)
o правилности у кретању серије које се понављају у временским размацима
краћим од годину дана
 РЕЗИДУАЛНА ТЈ. ИРЕГУЛАРНА КОМПОНЕНТА (R)
o случајна колебања и варијације услед непредвидивих догађаја
БИТНА НАПОМЕНА!
 свака временска серија НЕ МОРА имати све компоненте
 то зависи од:
o природе појаве која се анализира
o учесталости интервала у којем се појава посматра
- 35 -

ТРИ ОСНОВНЕ ГРУПЕ МОДЕЛА
 у погледу начина деловања фактора на кретање појаве разликујемо:
o АДИТИВНИ МОДЕЛ

 све компоненте у истим јединицама мере као и оригинална серија
o МУЛТИПЛИКАТИВНИ МОДЕЛ

 само тренд компонента у истим јединицама мере као и ориг. серија
 најчешће користимо
 користимо када са порастом нивоа појаве, расте утицај сезонских
фактора
o КОМБИНОВАНИ МОДЕЛ
 или
 варијације серије резултат различитих комбинација деловања
компоненти
ШТА ЈЕ ЦИЉ МЕТОДА ДЕКОМПОЗИЦИЈЕ?

 идентификовати утицај сваке компоненте засебно
 искључење једне групе компонената, истовремено значи изолацију преосталих
компонената:
 прикажи графички могућу грешку због великог утицаја сезоне  изолуј тренд 
- 36 -

82. Покретни процеси - значење и употреба
ШТА СУ ПОКРЕТНИ ПРОСЕЦИ?

 трансформација временске серије, у којој се сваки оригинални податак
замењује аритметичком средином тог податка, неколико претходних и истим
бројем наредних података
НЕПАРНИ БРОЈ ЧЛАНОВА ПАРНИ БРОЈ ЧЛАНОВА

- пример трочланих - - пример четворочланих -
 први покретни просек:  први покретни просек:
o o
o замењује y2 o налази се између y2 и y3
 други покретни просек:  други покретни просек:
o o
o замењује y3 o налази се између y3 и y4
 Т-2 покретни просек:  Т-2 покретни просек:
o o
o замењује yТ-1 o налази се између yT-2 и yT-1

 додатни корак (центрирање):
 трочлани: укупно 2 податка остају без o аритметичка средина по два
покретних просека покретна просека
 петочлани: укупно 4 податка остају o нпр. АС 𝑦2_3 и 𝑦3_4 замењује
без покретних просека вредност оригиналног податкаа
 n-члани: укупно n-1 података остају y3
без покретних просека  четворочлани: укупно 4 податка остају
без центрираних покретних просека
 n-члани: укупно n података остају без
центрираних покретних просека
 употреба покретних просека: за одређивање функције тренда (метод покретних
просека) - када их прикажемо на аритметичком дијаграму, видимо какав је тренд 
 такође: за прогнозу појаве у будућности yˆ 2007  y 2004  y 2005  y 2006
3
- 37 -

83. Експоненцијална и геометријска стопа раста
СРЕДЊИ ТЕМПО РАСТА

 геометријска средина ланчаних индекса (просек релативне промене појаве)
o
1) ПРОСЕЧНА (ГЕОМЕТРИЈСКА) СТОПА РАСТА

o
2) ПРОСЕЧНА (ЕКСПОНЕНЦИЈАЛНА) СТОПА РАСТА

o
 пример 
- b1 > 0
- b1 < 0
- 38 -

84. Избор функције тренда
ШТА ПОДРАЗУМЕВА ИЗБОР ФУНКЦИЈЕ ТРЕНДА?

 избор линеарне, параболичне, експоненцијалне или неке друге нелинеарне
функције која највише одговара временској серији
 општи случај:
o k - степен полинома
o εt - случајна грешка
ЛИНЕАРНИ ПАРАБОЛИЧНИ ЕКСПОНЕНЦИЈАЛНИ

ШТА ПОДРАЗУМЕВА ИЗБОР ФУНКЦИЈЕ ТРЕНДА?
Yt   0  1  t   2  t 2 Yt  0  1
 избор линеарне, параболичне, експоненцијалне или неке друге нелинеарне
функције која највише одговара временској серији t
 општи случај
степен полинома
ε случајна грешка
- 39 -

85. Линеарни и експоненцијални тренд
ЛИНЕАРНИ ТРЕНД ЕКСПОНЕНЦИЈАЛНИ ТРЕНД

 ако појава има праволинијску  ако појава има криволинијску
тенденцију тенденцију
o временска серија се повећава o временска серија се повећава
или смањује сваке године у или смањује сваке године у
приближно истом апсол.износу приближно истом релат.износу
 моделом се описује линеарно кретање  моделом се описује експоненцијално

серије Yt у функцији времена t кретање серије Yt у функцији времена
t
 интерпретирај b0 и b1
 формула за b0 и b1  интерпретирај b0 и b1
 формула за b0 и b1
КАДА ГА БИРАМО? КАДА ГА БИРАМО?
најмања разлика између првих најмања разлика између трећих
диференција диференција
ЕКСПОНЕНЦИЈАЛНА СТОПА РАСТА - из питања 83.

o
 пример 
- b1 > 0
- b1 < 0
- 40 -

86. Сезонске варијације - мерење и интерпретација
ШТА СУ СЕЗОНСКЕ ВАРИЈАЦИЈЕ (СЕЗОНСКА КОМПОНЕНТА)?

 правилности у кретању серије које се понављају у временским размацима
краћим од годину дана
o компонента ДЕТЕРМИНИСТИЧКЕ ПРИРОДЕ  сезонске варијације се не
мењају током времена
o компонента СТОХАСТИЧКЕ ПРИРОДЕ  сезонске варијације се мењају
током времена (мењају интензитет и периодичност)
ДВА ПРИСТУПА МЕРЕЊУ СЕЗОНСКИХ ВАРИЈАЦИЈА

 МОДЕЛСКИ ПРИСТУП
o ако је стабилан сезонски ритам: укључивањем објашњавајућих
променмљивих у регресиони модел временске серије
o ако није стабилан сезонски ритам: сезонским АРИМА моделима
 ЕМПИРИЈСКИ (ТРАДИЦИОНАЛНИ) ПРИСТУП (метод односа према покр.просец.)
o једноставнији од моделског па га користимо 
o мерење смера и интензитета сезонских колебања вршимо помоћу
СЕЗОНСКИХ ИНДЕКСА 
 релативни бројеви који мере јачину утицаја сезоне у одређеном
кварталу (месецу) током више година
 просек = 100; збир = 400 или 1200;
 што више одступају од 100, то јачи утицај сезоне 
- 41 -

87. Десезонирање - поступак и значај
ЗАШТО ЈЕ БИТНО?
 изоловање сезонске компоненте  показује нам утицај сезоне на временску
серију
 десезонирање (сезонско изравнање)  може да нам укаже на значај других
компоненти серије
 код сезонских временских серија, има смисла поредити ниво серије у једном
кварталу у односу на претходни, само ако је серија десезонирана
 код оригиналних временских серија, има смисла поредити ниво серије у истим
кварталима у различитим годинама, под условом да је сезонска компонента
детерминистичке природе
- 42 -

88. Методи прогнозирања временских серија
ЈЕДАН ДО НАЈБИТНИЈИХ ЦИЉЕВА АНАЛИЗЕ ВРЕМ.СЕРИЈА...

 прогнозирање будућег тока временске серије, са што мањом грешком прогнозе
1) МЕТОД ДЕКОМПОЗИЦИЈЕ (ЕКСТРАПОЛАЦИЈЕ ТРЕНДА)

 основа: екстраполација тренда (продужавање функције тренда у будућност)
o односи се на прогнозирање оцењених просечних вредности у будућност
 претпоставка: фактори који су деловали на појаву у претходном и садашњем
периоду ће на ставити да делују приближно истим смером и интензитетом и без
значајнијег уплитања нових фактора на ниво појаве и у будућности
 примена:
o само за непосредну будућност
o само код појава које показују релативно стабилну тенденцију у дужем
временском периоду
2) МЕТОД ИЗРАВНАЊА
 МЕТОД ПОКРЕТНИХ ПРОСЕКА
o претпоставка: серија не поседује изражену тренд компоненту
o проблем: користи аритм.средину, па свим подацима даје исту тежину
o решење: метод ПОНДЕРИСАНИХ покретних просека
 МЕТОДИ ЕКСПОНЕНЦИЈАЛНОГ ИЗРАВНАЊА
o претпоставка: серија не поседује изражену тренд компоненту
o различитим подацима даје различиту тежину, у зависности од удаљености
од садашњег периода
o користе се пондерисани просеци са пондерима чија величина
експоненцијално опада са старошћу података
ЈЕДНОСТАВНО ЕКСПОНЕНЦИЈАЛНО ИЗРАВНАЊЕ

 користи се када временска серија нема изражену тренд компоненту
 постоје случајна колебања око просечног нивоа (констатан, или се споро мења)
 недостатак: не може да се користи када је изражена TC компонента

o решење: двоструко експоненцијално изравнање
- 43 -

89. Екстраполација тренда (поступак, проблеми и ограничења)
цело питање 88. (Методи прогнозирања временских серија) +
ПОСТУПАК ЕКСТРАПОЛАЦИЈЕ ТРЕНДА (УЗ УТИЦАЈ СЕЗОНЕ)

 одстрањујемо СЕЗОНСКУ КОМПОНЕНТУ
o јер она замагљује стварно стање нивоа појаве
 одредимо ФУНКЦИЈУ ТРЕНДА на десезонираним подацима
 ЕКСТРАПОЛИРА СЕ ОЦЕЊЕНИ ТРЕНД за i-ти квартал у некој будућој години
 ДОБИЈЕНА ЕКСТРАПОЛИСАНА ВРЕДНОСТ СЕ КОРИГУЈЕ ЗА УТИЦАЈ СЕЗОНЕ:
КАДА ЈЕ БОЉЕ СПРОВОДИТИ ЕКСТРАПОЛАЦИЈУ?

 ОЦЕНЕ БУДУЋИХ РАЗВОЈА ШИРИХ АГРЕГАТА СУ СИГУРНИЈЕ
o сигурнија предвиђања продаје индустријске робе него једног производа
 ДУЖИ ПЕРИОД ПОСМАТРАЊА ДАЈЕ БОЉЕ РЕЗУЛТАТЕ
o боље да предвиђамо за 2020. а имамо податке од 2000-2010. него од 2005.-
2010.
o важи за појаве чије је кретање релативно стабилно 
90. Предвиђање нивоа појаве помоћу тренда и сезонских индекса
цело питање 89. (Екстраполација тренда)
- 44 -


Makroekonomija Skripta

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Makroekonomija Skripta

Uploaded by

Copyright:

Available Formats

Makroekonomija skripta

Document shared on www.docsity.com

Document shared on www.docsity.com

Document shared on www.docsity.com

Document shared on www.docsity.com

ШТА СЕ ПРИКАЗУЈЕ ТАБЕЛОМ КОНТИГЕНЦИЈЕ?

ЕТАПЕ ТЕСТА НЕЗАВИСНОСТИ

o где мања вредност значи мања разлика О и Е 

Document shared on www.docsity.com

ШТА ЈЕ АНАЛИЗА ВАРИЈАНСЕ (АНОВА)?

ШТА ЈЕ ЦИЉ И СУШТИНА АНОВЕ?

ШТА ЈЕ ФАКТОРСКА, А ШТА РЕЗИДУАЛНА ВАРИЈАНСА?

ПРЕТПОСТАВКЕ ПРИМЕНЕ АНОВЕ

 нацртај табелу АНОВА

Document shared on www.docsity.com

o где је за n/N ≤ 0,05 (μ је вредност из H0)

+ пиши из питања о тесту прилагођености 

Document shared on www.docsity.com

цело питање 44. (тестирање хипотезе - средине два скупа)

49. F расподела и хи-квадрат расподела - особине и примена

F РАСПОДЕЛА ХИ-КВАДРАТ РАСПОДЕЛА

ПРИМЕНА F РАСПОДЕЛЕ ПРИМЕНА χ2 РАСПОДЕЛЕ

Document shared on www.docsity.com

51. Функционална и стохастичка зависност и њихово приказивање

ВЕЗЕ ИЗМЕЂУ ДВЕ ПРОМЕНЉИВЕ У РЕГРЕСИОНОЈ АНАЛИЗИ

Document shared on www.docsity.com

КОЈИ ЈЕ ПОСТУПАК КОД РЕГРЕСИЈЕ?

РАЗЛИЧИТИ ОБЛИЦИ ВЕЗА НА ДИЈАГРАМУ РАСПРШЕНОСТИ

Document shared on www.docsity.com

КОЈА ДВА СТАТИСТИЧКА ПОКАЗАТЕЉА СЕ КОРИСТЕ?

где је L = min(R,K) (0 < С < 1)

СПИРМАНОВ КОЕФИЦИЈЕНТ КОРЕЛАЦИЈЕ РАНГА

o rS = 0  у узорку не постоји монотона веза између X и Y

Document shared on www.docsity.com

ШТА ПОКАЗУЈЕ РЕГРЕСИЈА, А ШТА КОРЕЛАЦИЈА?

истражујемо квантитативно слагање варијације између две или више појава...

РЕГРЕСИОНА АНАЛИЗА КОРЕЛАЦИОНА АНАЛИЗА

ЦИЉ РЕГРЕСИЈЕ: ЦИЉ КОРЕЛАЦИЈЕ:

Document shared on www.docsity.com

ДЕТЕРМИНИСТИЧКИ МОДЕЛ СТОХАСТИЧКИ МОДЕЛ

 показује детерминистичку везу

ОЦЕЊЕНИ (ПРИЛАГОЂЕНИ) РЕГРЕСИОНИ МОДЕЛ

 𝑌 - оцењена (прилагођена) вредност променљиве Y за дату вредност X

Document shared on www.docsity.com

 претпостављамо да се веза између X и Y може описати правом линијом 

+ шта је циљ регресије? (питање 53)

+ оцењивање и предвиђање просечног Y (интервал поверења/интервал

Document shared on www.docsity.com

ШТА ЈЕ СЛУЧАЈНА ГРЕШКА ε, А ШТА РЕЗИДУАЛ е?

o - кад су позитивни, када негативни? 

СУМА РЕЗИДУАЛА И СУМА КВАДРАТА РЕЗИДУАЛА

o минимизирањем суме квадрата резидуалa можемо добити регресиону

 можемо применити и за основни скуп ако поседујемо све податке, и тада

Document shared on www.docsity.com

SKU = SKO + SKN

 објасни и за апсолутна одступања 

Document shared on www.docsity.com

протумачи регресиони модел + питање 55. (метод најмањих квадрата) +

o то значи да оцене добијене методом најмањих квадрата имају најмању

 b1 - случајна променљива која има нормалан распоред

Document shared on www.docsity.com

ШТА ЈЕ КОЕФИЦИЈЕНТ ДЕТЕРМИНАЦИЈЕ?

КОЕФИЦИЈЕНТ ВИШЕСТРУКЕ ДЕТЕРМИНАЦИЈЕ R2