Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "GMM estimation" wg kryterium: Temat


Wyświetlanie 1-3 z 3
Tytuł:
The nexus between the financial system and economic growth: GMM estimation with panel data
Autorzy:
Gemen, Simon
Powiązania:
https://bibliotekanauki.pl/articles/518138.pdf
Data publikacji:
2017
Wydawca:
Uniwersytet Gdański. Wydział Ekonomiczny
Tematy:
economic growth
financial system
financialisation
GMM estimation
panel analysis
Opis:
This paper investigates the relationship between the financial system and economic growth. Understanding this nexus is important in order to draft and implement policy measures that safeguard economic welfare based on sound financial markets. In spite of the growing number of scholars who research in this area, there is a substantial amount of unanswered questions and a lively debate with contrasting views on basic processes. The main research question that will be answered in this paper is: What is the relationship between the financial system and economic growth? This question also answers which variables of the financial system have an impact on the real economy, which variables are most relevant contributors to economic growth and if differences between different groups of countries can be identified. The analysis is executed using the Arellano‐ Bond generalized method of moments (GMM) estimator based on panel data. The dataset consists of macroeconomic control variables and financial stock market and banking system variables from 74 countries over the time period 1988–2014. The results vary substantially between the panels under analysis. At the same time it can be said, that market capitalisation is the strongest predictor of economic growth. The analysis further shows that the banking system variables are largely negatively correlated with economic growth.
W artykule badana jest relacja zachodząca między systemem finansowym a wzrostem gospodarczym. Zrozumienie tej relacji jest bardzo ważne przy opracowywaniu i wdrażaniu programów politycznych, mających na celu rozwój ekonomiczny oparty na solidnej bazie rynków finansowych. Mimo coraz większej liczby naukowców, którzy badają tę dziedzinę, znaczna ilość pytań pozostaje bez odpowiedzi, a ożywiona debata uwypukla przeciwstawne poglądy na temat podstawowych procesów. Główne pytanie badawcze brzmi: Jaki związek występuje pomiędzy systemem finansowym a wzrostem gospodarczym? To pytanie pozwala udzielić odpowiedzi także na to, jakie zmienne systemu finansowego wpływają na realną gospodarkę, które zmienne uchodzą za najistotniejsze czynniki wzrostu gospodarczego, oraz czy można zidentyfikować różnice pomiędzy różnymi grupami krajów. Analiza została przeprowadzona za pomocą uogólnionej metody momentów (GMM) Arellano‐Bonda na podstawie danych panelowych. Zestaw danych składa się ze zmiennych kontrolnych gospodarki oraz ze zmiennych finansowych z 76 krajów w okresie 1988–2014 r. Wyniki analizy różnią się znacznie pomiędzy panelami. Jednocześnie można stwierdzić, że kapitalizacja giełdowa jest najsilniejszym czynnikiem wzrostu gospodarczego. Analiza pokazuje ponadto, że zmienne systemu bankowego są negatywnie skorelowane ze wzrostem gospodarczym.
Źródło:
Zeszyty Studenckie Wydziału Ekonomicznego „Nasze Studia”; 2017, 8; 200-208
1731-6707
Pojawia się w:
Zeszyty Studenckie Wydziału Ekonomicznego „Nasze Studia”
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Zastosowania panelowych modeli dynamicznych w badaniach mikroekonomicznych i makroekonomicznych
Dynamic Panel Data Models in Microeconomic and Macroeconomic Research
Autorzy:
Dańska-Borsiak, Barbara
Powiązania:
https://bibliotekanauki.pl/articles/1808298.pdf
Data publikacji:
2009-06-30
Wydawca:
Główny Urząd Statystyczny
Tematy:
model dynamiczny
dane panelowe
GMM Pierwszych Różnic
Systemowa GMM
metody estymacji
model wzrostu
model produkcji
dynamic model
panel data
first differenced GMM
system GMM
estimation methods
the growth model
production model
Opis:
Modele ekonometryczne szacowane na podstawie danych panelowych, w których zakłada się, że na kształtowanie się zmiennej objaśnianej wpływają, oprócz zmiennych objaśniających, niemierzalne, stałe w czasie i specyficzne dla danego obiektu czynniki, zwane efektami grupowymi, nazywane są modelami panelowymi (ang. panel data models). Stałość w czasie efektów grupowych jest przyczyną komplikacji metodologicznych, pojawiających się przy estymacji modeli dynamicznych. W artykule prezentowana jest zasadnicza idea dwóch najczęściej stosowanych metod estymacji takich modeli, bazujących na Uogólnionej Metodzie Momentów (GMM). Głównym celem artykułu jest przedstawienie przykładów zastosowania panelowych modeli dynamicznych w analizach ekonomicznych w skali mikro i makro. Szczególny nacisk położony został przy tym na wskazanie czynników, różnicujących te dwa przypadki i konsekwencje zastosowania różnych metod estymacji w zależności od rodzaju próby.
Econometric models based on panel data, in which the presence of unobservable, constant over time, group-specific effects is assumed are called panel data models. The constancy over time of the group effects causes some methodological complications in the case of dynamic models. In this paper the main ideas of the two methods, which are most often used for estimation of dynamic panel data models are presented. The methods are: first-differenced GMM and system GMM. The main goal of this paper is to present some examples of applications of dynamic panel data models in micro and macroeconomic analyses. Special interest is in showing the consequences of using different methods according to the type of data – macro or micro.
Źródło:
Przegląd Statystyczny; 2009, 56, 2; 25-41
0033-2372
Pojawia się w:
Przegląd Statystyczny
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Do multi-factor models produce robustresults? Econometric and diagnostic issues in equity risk premia study
Analiza diagnostyczna wieloczynnikowych modeli oszacowań premii za ryzyko akcyjne
Autorzy:
Sakowski, Paweł
Ślepaczuk, Robert
Wywiał, Mateusz
Powiązania:
https://bibliotekanauki.pl/articles/585858.pdf
Data publikacji:
2016
Wydawca:
Uniwersytet Ekonomiczny w Katowicach
Tematy:
Asset pricing models
Autocorrelation
Collinearity
Diagnostics
Econometric
Equity risk premia
General Methods of Moments (GMM)
Heteroscedasticity
Maximum Likelihood Estimation (MLE)
Multi-factor models
Normality
Ordinary Least Squares (OLS)
Outliers
Autokorelacja
Diagnostyka modeli
Heteroskedastyczność
Metoda najmniejszych kwadratów
Metoda największej wiarygodności
Modele wieloczynnikowe
Modele wyceny aktywów
Obserwacje odstające
Premia za ryzyko akcyjne
Uogólniona metoda momentów
Współliniowość
Opis:
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.
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.
Źródło:
Studia Ekonomiczne; 2016, 301; 203-227
2083-8611
Pojawia się w:
Studia Ekonomiczne
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-3 z 3

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies