POLITECHNIKA DZKA

WYDZIA FIZYKI TECHNICZNEJ, INFORMATYKI I MATEMATYKI

STOSOWANEJ
SPECJALIZACJA: ANALIZA DANYCH W BIZNESIE I LOGISTYCE

WPYW STOPY REDYSKONTA WEKSLI I

LICZBY STUDENTW NA LICZB
WNIOSKW DOTYCZCYCH PRZYZNANIA
KREDYTU STUDENCKIEGO

ALEKSANDRA KRLEWIAK
NR ALBUMU:192504
KRZYSZTOF KLIMCZAK
NR ALBUMU:192499

D, GRUDZIE 2014
1

Spis treci

1. Informacje wstpne...........................................................3
1.1 Cel projektu......................................................................3
1.2 Rada Polityki Pieninej..................................................3
1.3 Kredyt studencki..............................................................4
1.4 Prezentacja danych..........................................................5

2. Model ekonometryczny.....................................................7
2.1 Dobr zmiennych do modelu - macierz korelacji............7
2.2 Budowa modelu................................................................9
2.3 Weryfikacja modelu ekonometrycznego........................10

3. Analiza regresji................................................................12
3.1 Regresja liniowa.............................................................12
3.2 Regresja kwadratowa....................................................13
3.3 Regresja trzeciego stopnia............................................14

4. Prognoza stopy redyskontowej na kolejne miesice. .16

4.1 Prognoza naiwna............................................................16
4.2 Prognoza za pomoc modelu

ARMA ( p , q) .....................16

4.3 Prognoza za pomoc modelu

ARIMA ( p , d , q) ..................18

5. Podsumowanie.................................................................22
6. Bibliografia........................................................................ 23

1. Informacje wstpne
1.1 Cel projektu
W naszym projekcie zajmiemy si badaniem zalenoci pomidzy stop redyskonta weksli i
liczb studentw, a liczb wnioskw dotyczcych przyznania kredytu studenckiego. Budow
modelu i analiz regresji przeprowadzimy w oparciu o dane z lat 1998-2014, natomiast
prognozowanie stopy redyskontowej w oparciu o miesiczne dane zaczynajc od padziernika
1998, a koczc na padzierniku 2014. Do wykonywania oblicze i rysowania wykresw
wykorzystamy program GRETL.

1.2 Rada Polityki Pieninej

Rada Polityki Pieninej (RPP) jest organem decyzyjnym Narodowego Banku Polskiego.
Zadaniem RPP jest coroczne ustalanie zaoe i realizacja polityki pieninej pastwa. Rada
ustala wysoko podstawowych stp procentowych, okrela zasady operacji otwartego rynku
oraz ustala zasady i tryb naliczania i utrzymywania rezerwy obowizkowej. Zatwierdza plan
finansowy banku centralnego oraz sprawozdanie z dziaalnoci NBP.
Rada Polityki Pieninej uksztatowaa si w dniu 17 lutego 1998 r. W skad Rady wchodz:

Przewodniczcy Rady, ktrym jest Prezes NBP,

9 czonkw, powoywanych w rwnej liczbie przez: Prezydenta RP, Sejm i Senat.

Czonkowie Rady Polityki Pieninej powoywani s na 6 lat.

Najwaniejsze stopy procentowe okrelane przez bank centralny w Polsce:

stopa lombardowa okrela najwyszy poziom oprocentowania kredytw

udzielanych przez bank centralny bankom komercyjnym pod zastaw papierw
wartociowych. Jest ona rwnie podstaw do okrelenia maksymalnego
oprocentowania kredytw i poyczek (wysoko odsetek nie moe przekroczy
czterokrotnoci stopy lombardowej).
stopa referencyjna (repo) okrela minimaln cen, po jakiej bank centralny
organizuje operacje otwartego rynku na rynku midzybankowym. Operacje otwartego
rynku polegaj na zakupie bd sprzeday przez bank centralny krtkoterminowych
papierw wartociowych w celu przywrcenia rwnowagi na rynku. Wpywa na
oprocentowanie depozytw i kredytw dla klientw.
stopa depozytowa okrela oprocentowanie jednodniowych depozytw, skadanych
przez banki komercyjne w banku centralnym. Lokaty takie maj na celu
zagospodarowywanie nadwyek, jakimi dysponuj banki komercyjne.
stopa redyskontowa okrela cen, po jakiej bank centralny skupuje weksle od
bankw komercyjnych. Wczeniej weksle te zostay nabyte przez banki komercyjne

od swoich klientw. Suy ona rwnie do okrelania odsetek spacanych razem

z kredytem studenckim, dokadnie - brana jest poowa tej stopy.

1.3 Kredyt studencki

Kredyt studencki jest jedn z wielu form pomocy materialnej udzielanej studentom z
budetu pastwa. Preferencyjne warunki oprocentowania czyni go najtaszym i najbardziej
atrakcyjnym na rynku. W roku akademickim 2014/2015 kredyt studencki mona zacign w
czterech bankach, ktre z Bankiem Gospodarstwa Krajowego podpisay umow okrelajc
zasady korzystania ze rodkw Funduszu Poyczek i Kredytw Studenckich: Bank Pekao,
PKO BP, Bank Polskiej Spdzielczoci oraz SGB-Banku.
Kredyt studencki jest udzielany studentom rnych lat, kierunkw, trybw studiw i rodzajw
uczelni, w tym doktorantom. Przyznaje si go w pierwszej kolejnoci studentom, ktrych
miesiczny dochd na osob w rodzinie nie przekracza limitu wskazywanego w kadym roku
przez Ministra Nauki i Szkolnictwa Wyszego. W roku akademickim 2014/2015 dochd na
osob w rodzinie studenta uprawniajcy do otrzymania kredytu wynosi 2.300 z .Kredyt
studencki mog otrzyma jedynie studenci, ktrzy rozpoczli nauk przed ukoczeniem 25.
roku ycia.
Wypata kredytu trwa do 6 lat, a w przypadku studiw doktoranckich jest przeduana
maksymalnie o 4 lata. Kredyt jest wypacany przez 10 miesicy w kadym roku akademickim
(od padziernika do lipca), a miesiczna transza kredytu wynosi 600 z.
Spata rozpoczyna si natomiast dwa lata po zakoczeniu studiw w comiesicznych ratach,
ktrych liczba jest dwukrotnie wiksza od wypaconych transz. Oprocentowanie jest rwne
poowie stopy redyskonta weksli Narodowego Banku Polskiego, ktra obecnie wynosi 2,25
proc. Wedug dzisiejszego poziomu stp procentowych odsetki w okresie spaty wyniosyby
wic 1,125 proc. w skali roku (dla porwnania maksymalne oprocentowanie klasycznego
kredytu gotwkowego to dzi 12 proc. w skali roku). Do momentu rozpoczcia spaty
wszystkie odsetki pokrywa Bank Gospodarstwa Krajowego ze rodkw Funduszu Poyczek i
Kredytw Studenckich.
W sytuacji wystpienia trudnoci w spacie kredytu bank moe zmniejszy wysoko raty
spaty kredytu do 20% miesicznego dochodu lub czasowo zawiesi spat kredytu wraz z
odsetkami maksymalnie na 12 miesicy. Ponadto, jeeli student-kredytobiorca ukoczy studia
w grupie 5% najlepszych absolwentw uczelni, moe wystpi do banku o umorzenie 20%
kredytu. Kredyt moe by rwnie umorzony czciowo lub w caoci z uwagi na trudn
sytuacj yciow, trwa utrat zdolnoci do spaty zobowiza lub mier kredytobiorcy.

1.4 Prezentacja danych

Dane, ktrych uyjemy w projekcie przedstawimy na wykresach:

Wykres 1 Liczba wnioskw a liczba studentw

Analizujc powyszy wykres moemy stwierdzi, e liczba wnioskw osigna swj

najwyszy puap w roku wprowadzenia kredytw studenckich. Moe to by spowodowane
zainteresowaniem odbiorcw nowym produktem, a take atwiejszym sposobem polepszenia
ycia materialnego, ze wzgldu na niskie oprocentowanie w przeciwiestwie do normalnych
kredytw. Dalej obserwujemy sukcesywny spadek, ktry moe by zwizany ze
zniechceniem studentw odsetkiem zaakceptowanych wnioskw (zazwyczaj jest to 70 %)
oraz zwikszeniem si przecitnego wynagrodzenia (rodzice studenta mogli pozwoli sobie
na finansowanie kosztw jego utrzymania).
Wydawa by si mogo, e wzrost liczby studentw pocignie za sob liczb wnioskw, ale
nie zauwaamy takiej zalenoci, poniewa niekoniecznie w tej grupie, o ktr zwikszya si
liczba studentw musiay znale si osoby potrzebujce kredytu, mogy by np. na
utrzymaniu rodzicw.

Wykres 2 Liczba wnioskw a stopa redyskontowa

Wykres zgodny jest z naszymi oczekiwaniami (przynajmniej zaczynajc od roku 2002), tzn.
przy spadku stopy redyskonta weksli wzrasta ilo wnioskw, zwizane to jest z wpywem tej
stopy na oprocentowanie kredytw (brana jest pod uwag poowa tej stopy). Dziwi moe
tylko fakt, e we wczeniejszych latach obserwujemy spadek zarwno stopy jak i liczby
wnioskw. Trudno okreli jednoznacznie co byo za to odpowiedzialne, jednak pamitajmy,
e w pocztkowych latach warto stopy redyskontowej bya wartoci dwucyfrow, co
mogo skutecznie odstrasza potencjalnych zainteresowanych. Dopiero w poowie roku 2002
nastpi spadek stopy do wysokoci rzdu kilku procent.

2. Model ekonometryczny
2.1 Dobr zmiennych do modelu - macierz korelacji
Wikszo metod doboru opiera si na dwch podstawowych zaoeniach:

Zmienne niezalene wybrane do modelu s nieskorelowane lub sabo skorelowane

midzy sob
Wybrane zmienne niezalene s wysoko skorelowane ze zmienn zalen

Do weryfikacji naszych zmiennych uyjemy metody opartej na macierzy skorelowania, ktrej

elementy stanowi wartoci wspczynnikw korelacji liniowej Pearsona dla odpowiednich
par zmiennych. Wspczynnik ten oparty jest na pojciu kowariancji:
x nx
() ( y n y )
1
cov xy=
N

n=1

gdzie dla kadego n :

x n , y n - obserwacje zmiennych
x , y

x , y

wartoci rednich arytmetycznych wyznaczonych dla zmiennych

- liczebno prby statycznej

Dany jest on wzorem:

r xy =r yx =

gdzie:

Sx , S y

cov xy
Sx S y
- odchylenia standardowe zmiennych

x i

y .

Przyjmuje on wartoci z przedziau [-1,1], ktre informuj o sile i kierunku korelacji liniowej
midzy zmiennymi. Warto rwna zero wiadczy o braku korelacji miedzy badanymi
zmiennymi natomiast rna od 0, o tym e dane s skorelowane.
Wyznaczenie wspczynnikw korelacji realizuje funkcja macierz korelacji, ktra wykonuje
obliczenia tylko dla wyselekcjonowanych zmiennych.

W naszym przypadku ma ona posta:

Tabela 1 Macierz korelacji

W oknie tym odczytujemy warto krytyczn wspczynnika korelacji wyznaczon na

podstawie testu istotnoci dla wspczynnika korelacji liniowej Pearsona. Przy zaoeniu, e
H 0 : R ij=0
hipoteza zerowa ma posta
, warto krytyczna wspczynnika korelacji
wyznaczana jest ze statystyki:

t ,s
n2

r=
2
t,s
1+
n2

gdzie

t , s

warto krytyczna statystki t -Studenta dla poziomu istotnoci i stopni

swobody s=n2 .
W rozpatrywanych przypadkach wszystkie wspczynniki korelacji
za istotnie rnice si od zera.
8

|r ij|>r

moemy uzna

Dodatkowo zauwamy, e spenione s powysze zaoenia. Wystpuje silna zaleno

pomidzy:

liczb studentw a liczb wnioskw

stop redyskontow a liczb wnioskw

natomiast saba pomidzy liczb studentw a stop redyskontow.

2.2 Budowa modelu

Zbudujmy liniowy model ekonometryczny przedstawiajcy zalenoci midzy zmienn
X
objanian Y - liczb wnioskw, a zmiennymi objaniajcymi : 1 - liczb studentw,
X2

-stop redyskontow.

Model ten przyjmie nastpujc posta:

y i= 0 + 1 x 1i + 2 x 2 i + i ,

i=(1,2, n)

gdzie:
n - liczba badanych jednostek

0 , 1 , 2 - parametry modelu
i - skadnik losowy
W postaci macierzowej model ten dany jest wzorem:
Y = X + .
Oszacowana posta modelu macierzowym przybiera form:
Y = Xa+ e .
W programie Gretl estymacj nieznanych parametrw modelu ekonometrycznego
zrealizujemy za pomoc klasycznej metody najmniejszych kwadratw (KMNK).

Model 1 KMNK

2.3 Weryfikacja modelu ekonometrycznego

Poddamy ocenie istotno wpywu poszczeglnych zmiennych niezalenych

X1 , X2

-na

zmienn zalen Y . W tym celu wykorzystamy test t -Studenta istotnoci parametru

j
H 0 : j=0
dla j=0,1,2 . Hipoteza zerowa dla tego testu ma posta
, przy hipotezie
alternatywnej

H1: j 0

t j=a j / S(a j ) , gdzie

, a warto statystyki

tj

wyznacza si wedug wzoru

S ( j ) , to wartoci bdw oszacowania parametrw. W

oszacowanym modelu parametry istotnie rnice si od 0 s oznaczone na kocu wiersza

dodatkowymi symbolami (*). Jeeli dan zmienn oznaczono trzema gwiazdkami(***), to
zmienna jest istotna na poziomie istotnoci 1 %, jeeli wystpuj dwie gwiazdki (**), to na
poziomie 5%, a jeeli wystpuje jedna gwiazdka (*), to na poziomie 10%.
Co wicej, w programie Gretl procedura selekcji nieistotnych zmiennych zostaa
zautomatyzowana poprzez test pominitych zmiennych co przedstawia ponisze okno:

10

Model 2 Eliminacja nieistotnych zmiennych

Nasz model zawiera nieistotn zmienn (Stopa redyskonta), ktr naley usun.

Po wprowadzeniu korekty otrzymamy:

11

Model 3 KMNK-po eliminacji zmiennej

Widzimy, e wszystkie parametry s istotne i to wanie na nich skoncentrujemy nasze

rozwaania dotyczce analizy regresji.

12

3. Analiza regresji
W pracy tej poddamy ocenie trzy rodzaje regresji: liniow, kwadratow i trzeciego stopnia.

3.1 Regresja liniowa

Pierwsza z nich - regresja liniowa zakada, e zaleno pomidzy zmiennymi jest zalenoci
liniow. W naszym przypadku przyjmuje ona posta:
y i= 0 + 1 x 1i + i ,

i=(1,2, n)

gdzie:
n - liczba badanych jednostek
0 , 1 - nieznane parametry funkcji regresji, ktre naley oszacowa
i - skadnik losowy
y (zmienna objaniana) - liczba wnioskw
x 1 (zmienna objaniajca) - liczba studentw

13

Do estymacji parametrw funkcji regresji wykorzystamy metod najmniejszych kwadratw.

Funkcja regresji przyjmuje posta:
y i=2174910,104235 x i
Warto wspczynnika

a1

oznacza, e wraz ze wzrostem liczby studentw o 1 mln, liczba

wnioskw spada rednio o 0,1 mln. W powyszym modelu wszystkie parametry istotnie
rni si od 0 na poziomie istotnoci 1% (wiadcz o tym (***)).
Ocena stopnia wyjanienia zmiennoci
determinacji

wykonywana jest za pomoc wspczynnika

.W oszacowanym przykadzie wynosi on 0,496989. Oznacza to, e zmiany

liczby studentw objaniaj zmiany liczby wnioskw w 50%, czyli jest to niewysoki stopie
wyjanienia zmiennoci zmiennej zalenej.
Sprawdzimy wic regresj kwadratow, ktra moe wykazywa wikszy stopie
dopasowania do danych.

3.2 Regresja kwadratowa

Model 4 Regresja liniowa

Rwnanie regresji kwadratowej prezentuje si nastpujco:

2

y i= 0 + 1 x 1i + 2 x 1 i + i

przy oznaczeniach j.w.

14

Otrzymujemy :

Model 5 Regresja kwadratowa

Wszystkie parametry s istotne, a wspczynnik determinacji wynoszcy 0,901116 sugeruje

znaczn popraw dopasowania danych, czyli w okoo 90% zmiany liczby studentw
objaniaj zmiany liczby wnioskw.
W tym momencie moglibymy zakoczy nasze rozwaania dotyczce regresji, poniewa
R2 jest bardzo wysoki, ale dla potwierdzenia naszego rozumowania sprawdzimy
dodatkowo regresj trzeciego stopnia.

3.3 Regresja trzeciego stopnia

Zapiszmy rwnanie regresji trzeciego stopnia w nastpujcy sposb:
y i= 0 + 1 x 1i + 2 x 21 i + 3 x 31 i+ i
przy oznaczeniach j.w.
Dostajemy:

15

Model 6 Regresja trzeciego stopnia

Zwrmy uwag na to, e warto

R2

jest najwysza (okoo 94%) i wszystkie parametry

s istotne, wic przedstawiony powyej model moemy uzna za najlepszy.

Dodatkowo na korzy naszej decyzji przemawia fakt, e warto kryterium informacyjnego
Akaike jest najnisza spord wszystkich modeli i wynosi 337.

Na wykresie poniej zaprezentujemy wszystkie trzy rodzaje regresji.

16

Wykres 3 Regresje

17

4. Prognoza stopy redyskontowej na kolejne miesice

4.1 Prognoza naiwna
Najprostsz metod wyznaczania prognoz jest tzw. metoda naiwna. Prognoza w metodzie
naiwnej jest rwna ostatniej obserwacji w szeregu. Mona to zapisa za pomoc wzoru:
N
y t +1
= yT

gdzie T

jest liczb okresw w ktrych dokonywano pomiaru zjawiska.

Statystyka TheilaU
statystyki U

suy do porwnywania prognozy

y t +1 z prognoz naiwn. Warto

obliczamy ze wzoru:

( y t y t +1N )2

U 2= t=1

y 2t
t =1

Statystyka ta pozwala okreli, czy rozwaana prognoza

y t +1 jest istotnie lepsza ni

prognoza naiwna.
Kryterium jakoci prognozy na podstawie statystyki U .

Jeli statystyka
co

Jeli

ma warto 1, to prognoza naiwna

y t +1 .
U <1 ,

y t +1 to jest istotnie lepsza ni

tym lepsza jest prognoza

N
y t +1
jest rwnie efektywna

y t +1

N
y t +1
. Im mniejsza warto U

relatywnie wzgldem prognozy naiwnej.

Jeli natomiast U >1 , to prognoza naiwna jest lepsza. W takiej sytuacji stosowanie

prognozy y t +1 nie ma sensu

W naszym przypadku ostatni obserwacj jest warto 2,25 to j przyjmiemy za nasz

prognoz w kolejnym miesicu. Statystyka U=0,8225 , co oznacza, e prognoza naiwna
nie jest wystarczajca i naley szuka jej wartoci za pomoc innych modeli.

18

4.2 Prognoza za pomoc modelu

ARMA ( p , q)

Dokonamy prognozy na miesic listopad i grudzie roku 2014 . W tym celu skorzystamy z
modelu ARMA (3,2) . Dla tych parametrw przyjmie on posta:
Y t =1 Y t1 +2 Y t2 + 3 Y t 3+ t + 1 t1 +2 t 2

Otrzymujemy:

Model 7 ARMA(3,2)

Przy wyborze tego modelu kierowalimy si kryteriami: Bayesa-Schwarza, informacyjnym

Akaike i Hannana-Quinna. Wszystkie te wartoci musz by mniejsze od wartoci modelu
ARMA z innymi parametrami. Zatem nasza prognoza wyglda nastpujco:

19

Prognoza 1 Model ARMA(3,2)

Odczytujemy, e stopa redyskontowa na miesic listopad i grudzie wynosi odpowiednio

2,18% i 2,17%, a bd ex ante 0,46% i 0,076%. Bd ten mwi nam o ile oszacowana warto
zmiennej prognozowanej rednio odchyla si od rzeczywistej wartoci zmiennej
prognozowanej dla kolejnych okresw. Ponadto 95% przedzia ufnoci dla jest rwny
1,27%-3,09% dla listopada i 0,68%-3,67% dla grudnia.
Wykres stopy redyskontowej wraz z prognoz i 95% przedziaem ufnoci jest przedstawiony
poniej:

20

Wykres 4 Prognoza wraz z 95% przedziaem ufnoci

4.3 Prognoza za pomoc modelu

ARIMA ( p , d , q)

W modelu tym zakada si aby, szereg by stacjonarny, to znaczy, powinien on mie sta w
czasie redni, wariancj i autokorelacj.
Dlatego zazwyczaj szereg wymaga rnicowania a do osignicia stacjonarnoci. To, ile razy
szereg powinien by rnicowany, aby osign stacjonarno, wyraa parametr d z
reguy wystarcza wyliczenie pierwszych rnic.
Zbadamy , wic czy nasz szereg jest stacjonarny. W tym celu przeprowadzimy dwa testy :
ADF
(rozszerzony
test
Dickeya-Fullera)
i
KPSS
(test
Kwiatkowskiego,Philipsa,Schmidta,Shina).
Pierwszy z nich przyjmuje za hipotez zerow niestacjonarno szeregu, za alternatywnstacjonarno.

21

Tabela 2 Test ADF

Z powyszego testu moemy wywnioskowa, e nie ma podstaw do odrzucenia

poniewa warto

p jest bardzo wysoka. Zatem nasz szereg nie jest stacjonarny.

Potwierdza to rwnie kolejny test KPSS, w ktrym hipotezy maj posta:

H0

-szereg stacjonarny

H1

-szereg niestacjonarny

Tabela 3 Test KPSS

22

H0

W tym przypadku maa warto

H1

przemawia za odrzuceniem hipotezy

H0

na rzecz

o niestacjonarnoci naszego szeregu.

Z przeprowadzonych testw wynika, e nasz szereg wymaga jednokrotnego rnicowania w

celu uzyskania stacjonarnoci zakadanej przez model ARIMA .
Przeanalizujemy model Arima (3,1,2) , ktry przyjmuje posta:

gdzie

Yt

Y t =1 Y t 1 + 2 Y t2 +3 Y t 3+ t 1 t 1 2 t2
Y t Y t1

Model 8 ARIMA(3,1,2)

Porwnujc ten model z

ARMA (3,2) moemy stwierdzi spadek kryteriw sucych nam

do oceny dopasowania modelu co przemawia na korzy powyszego.

Prognoza :

23

Prognoza 2 Model ARIMA(3,1,2)

Stopa redyskontowa na miesic listopad i grudzie wynosi odpowiednio 2,16% i 2,05% a bd

ex ante 0,45% i 0,07% natomiast 95% przedzia ufnoci 1,27%-3,04% i 0,68%-3,42%.
Moemy zaobserwowa nieznaczny spadek bdu, a take dugoci przedziau ufnoci.
Wykres prognozy:

Wykres 5 Prognoza wraz z 95% przedziaem ufnoci

24

5. Podsumowanie
Gwnym celem naszej pracy byo zbadanie zalenoci midzy stop redyskontow weksli i
liczb studentw, a liczb wnioskw. Podczas weryfikacji modelu okazao si jednak, e stopa
redyskontowa nie wpywa na liczb wnioskw(odrzucilimy ten parametr ze wzgldu na jego
nieistotno).Wydaje si to prawidowym rozumowaniem, gdy wikszo studentw biorc
kredyt nie zdaje sobie sprawy co wpywa na wielko jego oprocentowania.
W dalszej czci projektu staralimy si znale linie trendu opisujc zaleno pomidzy liczb
wnioskw, a liczb studentw. Okazao si, e najlepsz bya regresja trzeciego stopnia. Wskazuje
ona na nieznaczny spadek stopy redyskontowej w kolejnych miesicach.

3,1,2
Na koniec, za pomoc dwch modeli( ARMA (3,2), ARIMA ))

przewidzielimy warto

stopy na miesic listopad i grudzie. Prognozy te charakteryzujce si maym bdem, moemy

uzna za zadowalajce i zgodne z naszymi oczekiwaniami dotyczcymi obnienia jej wartoci.
Dodatkowo uylimy prognozy naiwnej na miesic listopad i w jej wyniku otrzymalimy stop w
wysokoci 2,25%.
Jednak w trakcie pisania pracy poznalimy faktyczn warto stopy na miesic listopad, ktra
rwnie wynosi 2,25%. Widzimy, e metoda ta pomimo swej prostoty daa trafny wynik w
porwnaniu do skomplikowanych i trudnych do identyfikacji modeli ARMA i ARIMA .

Powysze prognozy, jak i przewidywania ekspertw dotyczce spadku stopy redyskonta

weksli w najbliszych miesicach utwierdzaj nas w przekonaniu, e jest to dobry moment na
wzicie kredytu studenckiego. Poza tym stopa ta jest najnisza od pocztku jej ustanawiania,
co dodatkowo przemawia na korzy tego kredytu. Pamitajmy jednak, e kredyt bdziemy
spaca dopiero za kilka lat, wic do tego czasu stopa moe ulec zmianie. Mimo to, analizujc
wykres zachowania stopy, moemy doj do wniosku, e te wahania nie powinny by tak
znaczce i nie przekrocz wartoci dwucyfrowej.

25

26

6. Bibliografia
[1] T. Kufel, Ekonometria rozwizywanie problemw z wykorzystaniem
programu GRETL,
Wydawnictwo PWN, Warszawa 2011
[2] D. Witkowska, Podstawy ekonometrii i teorii prognozowania, Wydawnictwo
Oficyna, Warszawa 2012
[3] F. Chybalski, E. Marcinkiewicz i inni, Zbir zada z podstaw ekonometrii i
prognozowania, Wydawnictwo Politechniki dzkiej, d 2007

27