Model regresji grzbietowej i jego wykorzystanie do oceny ryzyka inwestycyjnego - przypadek rynku metali

• Autorzy: Dominik Krężołek

Warianty tytułu

Ridge Regression Model and Its Application In Investment Risk Assessment - The Case of Metals Market

• Języki publikacji: PL

Abstrakty

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.(abstrakt oryginalny)

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.(original abstract)

Słowa kluczowe

PL

Modele regresji; Przemysł metalowy

EN

Regression models; Metal industry

• Czasopismo: Studia Ekonomiczne / Uniwersytet Ekonomiczny w Katowicach. Informatyka i Ekonometria
• Rocznik: 2016
• Tom: 4
• Numer: nr 288
• Strony: 21--32

Twórcy

autor

Dominik Krężołek

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Hoerl A.E., Kennard R.W. (1970), Ridge Regression: Biased Estimation for Nonorthogonal Problems, "Technometrics", Vol. 12, No. 1, s. 55-67.
• Hoerl A.E., Kennard R.W., Baldwin K.F. (1975), Ridge Regression: Some Simulations, "Communications in Statistics - Simulation and Computation", Vol. 4, No. 2, s. 105-123.
• Jajuga K. (2009), Zarządzanie ryzykiem, Wydawnictwo Naukowe PWN, Warszawa.
• Kibria B.M.G. (2003), Performance of Some New Ridge Regression Estimators, "Communication in Statistics - Simulation and Computation", Vol. 32, No. 2, s. 419-435.
• Lawless J.F., Wang P. (1976), A Simulation Study of Ridge and Other Regression Estimators, "Communications in Statistics - Theory and Methods", Vol. 5, No. 4, s. 307-323.
• Maddala G.S. (2006), Ekonometria, Wydawnictwo Naukowe PWN, Warszawa.
• Ross, S.A. (1976), The Arbitrage Theory of Capital Asset Pricing, "Journal of Economic Theory", Vol. 13, s. 341-360.
• Welfe A. (2003), Ekonometria, Polskie Wydawnictwo Ekonomiczne, Warszawa.