Szkoła Główna Handlowa w Warszawie - Centralny System Uwierzytelniania
Strona główna

Time Series Analysis and Forecasting

Informacje ogólne

Kod przedmiotu: 132011-D
Kod Erasmus / ISCED: 11.2 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0542) Statystyka Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Time Series Analysis and Forecasting
Jednostka: Szkoła Główna Handlowa w Warszawie
Grupy: Courses for QME - bachelors
Elective courses for QME - bachelors
Przedmioty kierunkowe do wyboru SLLD-MIS
Punkty ECTS i inne: 6.00 (zmienne w czasie) Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: angielski
Efekty uczenia się:

Wiedza:

The student has a knowledge concerning time series analysis (including nonstationarity and cointegration tests, seasonality, correlogram).

The student has a knowledge about building and estimation of dynamic models aimed at time series forecasting.

Knowledge of tools of verification and quality of models and forecasts.

Umiejętności:

1. The student should be able to describe and detect characteristic features of particular time series, to plan the analysis and choose the model to obtain desirable results.

2. Be able to perform an analysis of behavior of a series with use of tools such as correlogram, unit root tests, periodogram etc. Check the presence of structural changes, seasonal and cyclical behavior, changes in trend etc. Apply dummy variables and other tools to represent those features. To test for a deterministic and/or stochastic seasonality.

3. To test nonstationary variables for the order of integration.

Build an ARIMA/ARIMAX model for a nonstationary series, or cointegration model for long-run relationship.

4. To test for the presence of ARCH effect, to build an ARCH-type model.

5. To analyze indicators of long memory and classify the series accordingly.

6. To formulate forecasts based on built models, and evaluate their quality.

Kompetencje społeczne:

1. The students should learn to plan and organize team work, aimed at performing tasks needed to fulfill the project.

2. The students working in a team, should prepare clear and precise reports from the projects.

3. The students should communicate and explain to the audience interpretation of their results of quantitative analyses.

Zajęcia w cyklu "Semestr letni 2024/25" (w trakcie)

Okres: 2025-02-15 - 2025-09-30
24

Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Ewa Syczewska
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Grupy łączone SLLD+NLLP:

D+P

Skrócony opis:

See the semester time table.

Pełny opis:

The aim of the course is to present a tool-kit of several traditional and econometric methods of time-series analysis and forecasting. We use linear and non-linear trend models, growth curves, build models of ARMA and ARIMA class, describe seasonal and cyclical features of a series, build cointegration models describing long-run equilibrium relationship. All based on empirical examples with the application of selected econometric packages.

Typical features of economic and business time series such as trends, seasonality, aberrant observations, varying variance, nonstationarity, can be described by time series models designed for this purpose. The course is concerned with practical methods of economic time series analysis and forecasting. We describe ad hoc methods of local trends extrapolation, nonlinear trends, and econometric methods. We take into account nonstationarity of typical economic series. We describe ARMA and ARIMA models, cycles models (deterministic and stochastic seasonality). Cointegration methods are aimed at long-run economic equilibrium modeling. Optimal forecasts are build and diagnostic tools presented.

Literatura:

Literatura podstawowa:

Brockwell, P.J., R.A. Davis, Introduction to Time Series and Forecasting, 2nd ed., Springer.

Shumway, R.H., Stoffer, D.S., Time Series Analysis and Its Applications, With R Examples, 3rd ed., Springer.

Ekonometria i badania operacyjne, red. M.Gruszczyński, T.Kuszewski, M.Podgórska, Wydawnictwo Naukowe PWN, Warszawa 2009, rozdziały 4, 7, 8; T.Kufel, Ekonometria. Rozwiązywanie problemów z wykorzystaniem programu GRETL, Wydawnictwo Naukowe PWN, wyd. 2, 2007, rozdział 8.

Hyndman R.J., Athanasopoulos G., Forecasting: principles and practice, OTexts, 2016, https://www.otexts.org/fpp (open access online).

Literatura uzupełniająca:

M.Osińska (red. nauk.), Ekonometria współczesna, Wydawnictwo "Dom Organizatora", Toruń 2007 - rozdziały 9 i 12; Prognozowanie gospodarcze. Metody i zastosowania, red. M.Cieślak (wyd. 2), PWN, 2002; A.Welfe, Ekonometria. Zbiór zadań, wyd. 2, PWE, Warszawa 2003, rozdział 6; D.Witkowska, Podstawy ekonometrii i teorii prognozowania. Podręcznik z przykładami i zadaniami, wyd. 2, Oficyna Ekonomiczna, Kraków 2006, rozdziały 6 i 7; Wprowadzenie do ekonometrii w przykładach i zadaniach, red. K.Kukuła, wyd. 2, Wydawnictwo Naukowe PWN, Warszawa 1999, rozdział 3; A.Zeliaś, B.Pawełek, S.Wanat, Prognozowanie ekonomiczne. Teoria, przykłady, zadania, PWN 2003; G.E.P.Box, G.M.Jenkins, Analiza szeregów czasowych, PWN 1983; P.J.Brockwell, R.A.Davis, Introduction to time series and forecasting (2nd ed.), Springer 2002; S.A.DeLurgio, Forecasting principles and applications, McGraw-Hill 1997; W.Enders, Applied economic time series, Wiley 1995; P.H.Franses, Periodicity and Stochastic Trends in Economic Time Series, Oxford University Press, 1996; H.Lütkepohl, M.Krätzig (ed.), Applied Time Series Econometrics, Cambridge University Press 2004; G.S.Maddala, Ekonometria, PWN 2006; A.Welfe, Ekonometria, wyd. 4, PWE, 2009.

Uwagi:

Kryteria oceniania:

egzamin tradycyjny-pisemny: 65.00%

referaty/eseje: 35.00%

Zajęcia w cyklu "Semestr zimowy 2024/25" (zakończony)

Okres: 2024-10-01 - 2025-02-14
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Ewa Syczewska
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

See the semester time table.

Pełny opis:

The aim of the course is to present a tool-kit of several traditional and econometric methods of time-series analysis and forecasting. We use linear and non-linear trend models, growth curves, build models of ARMA and ARIMA class, describe seasonal and cyclical features of a series, build cointegration models describing long-run equilibrium relationship. All based on empirical examples with the application of selected econometric packages.

Typical features of economic and business time series such as trends, seasonality, aberrant observations, varying variance, nonstationarity, can be described by time series models designed for this purpose. The course is concerned with practical methods of economic time series analysis and forecasting. We describe ad hoc methods of local trends extrapolation, nonlinear trends, and econometric methods. We take into account nonstationarity of typical economic series. We describe ARMA and ARIMA models, cycles models (deterministic and stochastic seasonality). Cointegration methods are aimed at long-run economic equilibrium modeling. Optimal forecasts are build and diagnostic tools presented.

Literatura:

Literatura podstawowa:

Brockwell, P.J., R.A. Davis, Introduction to Time Series and Forecasting, 2nd ed., Springer.

Shumway, R.H., Stoffer, D.S., Time Series Analysis and Its Applications, With R Examples, 3rd ed., Springer.

Ekonometria i badania operacyjne, red. M.Gruszczyński, T.Kuszewski, M.Podgórska, Wydawnictwo Naukowe PWN, Warszawa 2009, rozdziały 4, 7, 8; T.Kufel, Ekonometria. Rozwiązywanie problemów z wykorzystaniem programu GRETL, Wydawnictwo Naukowe PWN, wyd. 2, 2007, rozdział 8.

Hyndman R.J., Athanasopoulos G., Forecasting: principles and practice, OTexts, 2016, https://www.otexts.org/fpp (open access online).

Literatura uzupełniająca:

M.Osińska (red. nauk.), Ekonometria współczesna, Wydawnictwo "Dom Organizatora", Toruń 2007 - rozdziały 9 i 12; Prognozowanie gospodarcze. Metody i zastosowania, red. M.Cieślak (wyd. 2), PWN, 2002; A.Welfe, Ekonometria. Zbiór zadań, wyd. 2, PWE, Warszawa 2003, rozdział 6; D.Witkowska, Podstawy ekonometrii i teorii prognozowania. Podręcznik z przykładami i zadaniami, wyd. 2, Oficyna Ekonomiczna, Kraków 2006, rozdziały 6 i 7; Wprowadzenie do ekonometrii w przykładach i zadaniach, red. K.Kukuła, wyd. 2, Wydawnictwo Naukowe PWN, Warszawa 1999, rozdział 3; A.Zeliaś, B.Pawełek, S.Wanat, Prognozowanie ekonomiczne. Teoria, przykłady, zadania, PWN 2003; G.E.P.Box, G.M.Jenkins, Analiza szeregów czasowych, PWN 1983; P.J.Brockwell, R.A.Davis, Introduction to time series and forecasting (2nd ed.), Springer 2002; S.A.DeLurgio, Forecasting principles and applications, McGraw-Hill 1997; W.Enders, Applied economic time series, Wiley 1995; P.H.Franses, Periodicity and Stochastic Trends in Economic Time Series, Oxford University Press, 1996; H.Lütkepohl, M.Krätzig (ed.), Applied Time Series Econometrics, Cambridge University Press 2004; G.S.Maddala, Ekonometria, PWN 2006; A.Welfe, Ekonometria, wyd. 4, PWE, 2009.

Uwagi:

Kryteria oceniania:

egzamin tradycyjny-pisemny: 65.00%

referaty/eseje: 35.00%

Zajęcia w cyklu "Semestr letni 2023/24" (zakończony)

Okres: 2024-02-24 - 2024-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: Katarzyna Bień-Barkowska, Rumiana Górska, Ewa Syczewska
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

See the semester time table.

Pełny opis:

The aim of the course is to present a tool-kit of several traditional and econometric methods of time-series analysis and forecasting. We use linear and non-linear trend models, growth curves, build models of ARMA and ARIMA class, describe seasonal and cyclical features of a series, build cointegration models describing long-run equilibrium relationship. All based on empirical examples with the application of selected econometric packages.

Typical features of economic and business time series such as trends, seasonality, aberrant observations, varying variance, nonstationarity, can be described by time series models designed for this purpose. The course is concerned with practical methods of economic time series analysis and forecasting. We describe ad hoc methods of local trends extrapolation, nonlinear trends, and econometric methods. We take into account nonstationarity of typical economic series. We describe ARMA and ARIMA models, cycles models (deterministic and stochastic seasonality). Cointegration methods are aimed at long-run economic equilibrium modeling. Optimal forecasts are build and diagnostic tools presented.

Literatura:

Literatura podstawowa:

Brockwell, P.J., R.A. Davis, Introduction to Time Series and Forecasting, 2nd ed., Springer.

Shumway, R.H., Stoffer, D.S., Time Series Analysis and Its Applications, With R Examples, 3rd ed., Springer.

Ekonometria i badania operacyjne, red. M.Gruszczyński, T.Kuszewski, M.Podgórska, Wydawnictwo Naukowe PWN, Warszawa 2009, rozdziały 4, 7, 8; T.Kufel, Ekonometria. Rozwiązywanie problemów z wykorzystaniem programu GRETL, Wydawnictwo Naukowe PWN, wyd. 2, 2007, rozdział 8.

Hyndman R.J., Athanasopoulos G., Forecasting: principles and practice, OTexts, 2016, https://www.otexts.org/fpp (open access online).

Literatura uzupełniająca:

M.Osińska (red. nauk.), Ekonometria współczesna, Wydawnictwo "Dom Organizatora", Toruń 2007 - rozdziały 9 i 12; Prognozowanie gospodarcze. Metody i zastosowania, red. M.Cieślak (wyd. 2), PWN, 2002; A.Welfe, Ekonometria. Zbiór zadań, wyd. 2, PWE, Warszawa 2003, rozdział 6; D.Witkowska, Podstawy ekonometrii i teorii prognozowania. Podręcznik z przykładami i zadaniami, wyd. 2, Oficyna Ekonomiczna, Kraków 2006, rozdziały 6 i 7; Wprowadzenie do ekonometrii w przykładach i zadaniach, red. K.Kukuła, wyd. 2, Wydawnictwo Naukowe PWN, Warszawa 1999, rozdział 3; A.Zeliaś, B.Pawełek, S.Wanat, Prognozowanie ekonomiczne. Teoria, przykłady, zadania, PWN 2003; G.E.P.Box, G.M.Jenkins, Analiza szeregów czasowych, PWN 1983; P.J.Brockwell, R.A.Davis, Introduction to time series and forecasting (2nd ed.), Springer 2002; S.A.DeLurgio, Forecasting principles and applications, McGraw-Hill 1997; W.Enders, Applied economic time series, Wiley 1995; P.H.Franses, Periodicity and Stochastic Trends in Economic Time Series, Oxford University Press, 1996; H.Lütkepohl, M.Krätzig (ed.), Applied Time Series Econometrics, Cambridge University Press 2004; G.S.Maddala, Ekonometria, PWN 2006; A.Welfe, Ekonometria, wyd. 4, PWE, 2009.

Uwagi:

Kryteria oceniania:

egzamin tradycyjny-pisemny: 65.00%

referaty/eseje: 35.00%

Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)

Okres: 2023-10-01 - 2024-02-23
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Ocena
Wykład - Ocena
Skrócony opis:

See the semester time table.

Pełny opis:

The aim of the course is to present a tool-kit of several traditional and econometric methods of time-series analysis and forecasting. We use linear and non-linear trend models, growth curves, build models of ARMA and ARIMA class, describe seasonal and cyclical features of a series, build cointegration models describing long-run equilibrium relationship. All based on empirical examples with the application of selected econometric packages.

Typical features of economic and business time series such as trends, seasonality, aberrant observations, varying variance, nonstationarity, can be described by time series models designed for this purpose. The course is concerned with practical methods of economic time series analysis and forecasting. We describe ad hoc methods of local trends extrapolation, nonlinear trends, and econometric methods. We take into account nonstationarity of typical economic series. We describe ARMA and ARIMA models, cycles models (deterministic and stochastic seasonality). Cointegration methods are aimed at long-run economic equilibrium modeling. Optimal forecasts are build and diagnostic tools presented.

Literatura:

Literatura podstawowa:

Brockwell, P.J., R.A. Davis, Introduction to Time Series and Forecasting, 2nd ed., Springer.

Shumway, R.H., Stoffer, D.S., Time Series Analysis and Its Applications, With R Examples, 3rd ed., Springer.

Ekonometria i badania operacyjne, red. M.Gruszczyński, T.Kuszewski, M.Podgórska, Wydawnictwo Naukowe PWN, Warszawa 2009, rozdziały 4, 7, 8; T.Kufel, Ekonometria. Rozwiązywanie problemów z wykorzystaniem programu GRETL, Wydawnictwo Naukowe PWN, wyd. 2, 2007, rozdział 8.

Hyndman R.J., Athanasopoulos G., Forecasting: principles and practice, OTexts, 2016, https://www.otexts.org/fpp (open access online).

Literatura uzupełniająca:

M.Osińska (red. nauk.), Ekonometria współczesna, Wydawnictwo "Dom Organizatora", Toruń 2007 - rozdziały 9 i 12; Prognozowanie gospodarcze. Metody i zastosowania, red. M.Cieślak (wyd. 2), PWN, 2002; A.Welfe, Ekonometria. Zbiór zadań, wyd. 2, PWE, Warszawa 2003, rozdział 6; D.Witkowska, Podstawy ekonometrii i teorii prognozowania. Podręcznik z przykładami i zadaniami, wyd. 2, Oficyna Ekonomiczna, Kraków 2006, rozdziały 6 i 7; Wprowadzenie do ekonometrii w przykładach i zadaniach, red. K.Kukuła, wyd. 2, Wydawnictwo Naukowe PWN, Warszawa 1999, rozdział 3; A.Zeliaś, B.Pawełek, S.Wanat, Prognozowanie ekonomiczne. Teoria, przykłady, zadania, PWN 2003; G.E.P.Box, G.M.Jenkins, Analiza szeregów czasowych, PWN 1983; P.J.Brockwell, R.A.Davis, Introduction to time series and forecasting (2nd ed.), Springer 2002; S.A.DeLurgio, Forecasting principles and applications, McGraw-Hill 1997; W.Enders, Applied economic time series, Wiley 1995; P.H.Franses, Periodicity and Stochastic Trends in Economic Time Series, Oxford University Press, 1996; H.Lütkepohl, M.Krätzig (ed.), Applied Time Series Econometrics, Cambridge University Press 2004; G.S.Maddala, Ekonometria, PWN 2006; A.Welfe, Ekonometria, wyd. 4, PWE, 2009.

Uwagi:

Kryteria oceniania:

egzamin tradycyjny-pisemny: 65.00%

referaty/eseje: 35.00%

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Szkoła Główna Handlowa w Warszawie.
al. Niepodległości 162
02-554 Warszawa
tel: +48 22 564 60 00 http://www.sgh.waw.pl/
kontakt deklaracja dostępności mapa serwisu USOSweb 7.1.1.0