středa, července 25, 2012

Ranem do roboty

Je dobry si obcas rano privstat, probehnout mlhou, senem, pozdravit kravy v ohrade. Vsem se kourilo od huby. I mne. Skrz hradby a pevnosti vysplhat na kopec. Najednou se oteplilo. Klicku mezi muzeem a filharmonii, obejit soud a brankou do zahrady. U bazenu sprchu a v kostymu pokracovat volnym tempem na snidani do kavarny na dvorku. V poledne trocha slunce na terase. A trocha vina k tomu, budou prece prazdniny. Tohle uz znam z Jednoty. Zatim me to bavi. Navic neprsi. Preji vam hezky den z Lucemburku.

pátek, července 20, 2012

Kde je ta pravda?

Daleko.

Už nějakou dobu mi říkáte, že tu nic dlouho nepřibylo. A když to mám napravit, tak musím opravit výsledky z toho předchozího příspěvku, který se objevil, tramtadadá, už skoro před rokem. Budu to mít z hlavy a půjdu dál.
Když nevíte coby, udělejte průměr. Když je čísel víc, tak jenom seďte. Ono se to nějak vyvrbí. Pro předpověď výše spreadu vládních dluhopisů (rozdíl mezi mezibankovní sazbou a sazbou za vládní dluhopisy) jsem zahrnul nejčastěji používané proměnné z literatury a pár navíc. A jak to dopadlo, se můžete podívat tady. Od poslední verze narostl počet srovnávaných prací. Jako jeden z nejlepších indikátorů pořád vychází nezaměstnanost. Proč ji ale nikdo nepoužívá, to nevím. Každopádně je za tím pěkná historka. Obecně, čím vyšší nezaměstnanost, tím bude mít vláda méně peněz a bude vyšší riziko, že nebude splácet svoje dluhy. Nejlepší proměnné mají pěknou historku. Čím více bude vláda utrácet za hovadiny, tím méně peněz jí zůstane, zvýší se riziko nesplácení atd. Naopak když by výdaje byly vedený jako investice, zřejmě by se nějak vrátily. Ve veřejných financích bývá ale obtížný říct, co je přínos, protože subjektivní hodnoty se hůř srovnávají.

srovnání s literaturou, efekty, podle pravděpodobnosti zahrnutí

Všimněte si, jak moc se shoduji s literaturou. Ty nejlepší proměnné jsou odshora.

Omalovánky pro R, statistický program, sloupce jsou modely, který obsahujou ty proměnné, které jsou vybarveny červenou (-) nebo modrou (+)

Všimněte si, že se mi tu některé proměnné vyskytují častěji než ostatní. Taky si všimněte jak je těch nejlepších 5 tisíc modelů užitečných, dohromady vysvětlují 2 % ze všech kombinací, kterých je 2^44 (móóóc).
 Pro zvídavé jsou taky shrnuté výsledky. Častěji se vyskytující proměnné mají vyšší čísla u koeficientů, některé nestojí za řeč.

Odhady koeficientů, průměrované přes pravděpodobnost výskytu v nejlepších modelech

Zdarec




jestli to někdo dočte až sem, tak respekt a napište, jestli chcete k tomu nějaký další poznámky.