Přeskočit na hlavní obsah
Přeskočit hlavičku
Název projektu
Řešení aktuálních problémů hospodářské politiky ve vyspělých zemích světa
Kód
SP2020/116
Předmět výzkumu
Předmět výzkumu v rámci projektu: Hospodářská politika patří mezi nedílnou součást politik každého vyspělého státu. Stát může prostřednictvím hospodářské politiky alokovat veřejné statky, stabilizovat hospodářský cyklus či zmírňovat příjmové nerovnosti. Tento projekt je zaměřen na aktuální problémy hospodářské politiky ve vyspělých zemích světa. Projekt je rozdělen do dvou oblastí (monetární politika a migrace a trh práce), přičemž v každé z nich jsou stanoveny dva dílčí cíle, které jsou popsány níže. Prostorově je projekt vymezen na vyspělé země světa (země OECD a EU). K identifikování a řešení konkrétních aktuálních problémů hospodářské politiky je třeba užití exaktních nástrojů a postupů. V tomto projektu se jedná zejména o ekonometrické metody jako jsou panelová regrese, autoregresní vektorové modely (VAR) a Logit modely. Podrobněji jsou tyto metody popsány v metodické části této žádosti. (1) Oblast monetární politiky Jak bylo uvedeno výše, v rámci projektu jsou zkoumány zejména dvě důležité oblasti hospodářské politiky. První z nich je oblast monetární politiky. V současné době v odborné literatuře z oblasti měnové politiky rezonují zejména dvě témata. Mnoho autorů (kupř. Hlédik a Vlček, 2018; Lunsford and West, 2017 či Holston, Laubach, and Williams, 2017) se zabývá otázkou, proč jsou v současné době nízké reálné úrokové sazby. Jedním z možných vysvětlení je skutečnost, že jsou ve světě nízké neutrální úrokové sazby (NRI). Právě problematice NRI je věnovaná první část výzkumu v oblasti monetární politiky (1a). Řada ekonomik celého světa čelila v nedávné době nové výzvě. Po světové hospodářské krizi přistoupila většina centrálních bank (FED, ECB, BoE, SNB či ČNB) k provádění nekonvenční měnové politiky. Zejména byly diskutovány a následně prováděny nástroje jako kvantitativní (kvalitativní) uvolňování, nulové či záporné úrokové sazby či devizové intervence. S tím, jak po dlouhém období využívání nekonvenčních nástrojů dochází k postupnému návratu měnových politik zpět ke standardnímu režimu, roste i zájem centrálních bankéřů o kvantifikaci úrovně přirozené sazby, viz Hlédik a Vlček (2018). Dalším důležitým aspektem souvisejícím s NRI, který je v současné době často diskutován, je problematika hypotečních úvěrů, respektive výše jejich úrokových sazeb. Měnově-politické úrokové sazby ovlivňují výši ostatních sazeb v ekonomice, včetně sazeb z hypotečních úvěrů. Ke správnému nastavení měnově-politických sazeb je nezbytná znalost hodnoty NRI. Pokud by centrální banka přesnou hodnotu NRI neznala, mohla by kupř. nastavit měnové sazby příliš vysoké. To by vedlo k růstu sazeb z hypotečních úvěrů s neblahými důsledky pro žadatele o tento typ úvěru. Druhá část projektu v oblasti měnové politiky (1b) je poté věnována problematice identifikace hlavních kanálů mezinárodní transmise měnové politiky. Ta je klíčová zejména pro země střední a východní Evropy včetně České republiky. Této problematice je rovněž věnována pozornost v odborné literatuře viz kupř. Moder (2017), Kucharčuková a kol. (2016) či Hájek a Horváth (2018). Česká ekonomika má dlouhodobé obchodní a finanční vazby se svými evropskými partnery, kteří jsou zejména členy eurozóny. Toto úzké navázání tuzemské ekonomiky způsobuje, že každý ekonomický, finanční a měnový šok v eurozóně velmi zásadně také ovlivňuje hospodářství v České republice. Tento trend bude pravděpodobně ještě umocněn aktuálním ochlazováním ekonomického vývoje v jádru eurozóny a dalším uvolňováním měnové politiky Evropské centrální banky. Výzkum v této oblasti se zaměřuje na mezinárodní transmisi měnové politiky, která bývá označována jako efekt přelévání. Pro Českou národní banku nebo další centrální banky zemí střední a východní Evropy je klíčové identifikovat efekt přelévání měnové politiky ECB. Důvodem jsou zejména možné destabilizující účinky vnějšího měnového šoku. Schopnost odhadnut dopad změn měnových podmínek v eurozóně je zásadním předpokladem pro nastavení vhodně měnové politiky v domácí ekonomice. (2) Oblast migrace a trhu práce Druhou oblast představuje problematika migrace a trh práce. Rovněž tato oblast je rozdělena do dvou dílčích částí. První z nich (2a) se věnuje vztahu migrace a kriminality. V současnosti je imigrace často diskutovaným tématem, zejména v zemích západní Evropy. Velmi často je tato diskuse věnována souvislosti migrace, kriminality a trestných činů. Většina empirických studií se však zabývá pouze otázkou vlivu imigrantů ze zahraničí na různorodé indikátory kriminality. Z jejich závěrů vyplývá, že mezi migrací z jiných zemí a úrovní kriminality není přímo úměrný vztah. Noví migranti nejsou příliš spojeni s násilnými trestnými činy a celkově mají poměrně nízký vliv na majetkovou trestnou činnost. Skupiny přistěhovalců, kteří čelí nepříznivým příležitostem na trhu práce, však s větší pravděpodobností mohou spáchat majetkový trestný čin. Platí to však i pro znevýhodněné domorodé skupiny obyvatel. Proto by se měla veřejná politika zaměřit spíše na výhody snižování trestné činnosti spočívající ve zlepšení fungování trhů práce a dovedností pracovníků, než na trestnou činnost a přistěhovalectví jako takové. Je rovněž třeba zajistit, aby imigranti mohli legálně získat práci v přijímající zemi, protože empirická evidence ukazuje, že takové legalizační programy mají tendenci omezovat trestnou činnost v cílové skupině (Bell, 2019; Docquier a Rapoport, 2003; Erlich, 1973). Imigrace je často zmiňována jako jeden z nejdůležitějších problémů společnosti ve vyspělých ekonomikách. Zdá se, že to často souvisí s běžně vyjádřeným znepokojením, že imigranti poškozují vyhlídky tuzemského obyvatelstva na trhu práce. Tato obava získala v akademické literatuře ekonomie práce značnou a někdy až kontroverzní pozornost. Odráží však také širší obavy z dopadu velkých imigračních toků na další aspekty společnosti a obavy ze zvýšení trestní činnosti (Bell, 2019; Martens, 1997; Hagan a Palloni, 1999). Čemu však v literatuře není věnována pozornost téměř žádná, je vliv opačný tzn., zdali má zvýšená kriminalita nějaký vliv na stěhování obyvatelstva. Nejedná se zde pouze o kriminalitu působenou nově přistěhovalými osobami ale kriminalitu celkovou, která může zapříčiňovat odstěhování obyvatel z oblastí s vysokou mírou trestných činů. Jedná se tedy o další z typů negativní externality, jelikož obyvatelé se v dané destinaci necítí příliš bezpečně, vynakládají vyšší výdaje na zajištění bezpečnosti svého majetku apod. Jelikož i v České republice se nacházení oblasti s vyšší mírou kriminality, může docházet k vnitřní migraci právě z tohoto důvodu. Druhá část oblasti věnované migraci a trhu práce (2b) se zabývá problematikou smršťování měst. I když se počet obyvatel v mnoha městech po celém světě neustále zvyšuje, mnoho dalších měst, na druhou stranu, o obyvatelstvo přichází. Existují dva základní přístupy, jak tento proces definovat. Prvním přístupem k definování smršťování je postupné vylidňování související se zhoršující se ekonomickou situací ve městě (Musiał-Malago, 2017). Obecně lze říci, že ve „smršťujících se městech“ (shrinking cities) dochází k vylidňování v souvislosti s ekonomickou transformací a hospodářským úpadkem města. Pokles výkonnosti a transformace průmyslu, odliv investic a další negativní ekonomické faktory způsobují velkou ztrátu pracovních příležitostí a migraci obyvatelstva. Z tohoto přístupu rovněž vyplývá, že smršťování se týká převážně měst, která nemají diferencovaný průmysl. Druhým přístupem k definování smršťování je kombinace společenských, ekonomických a prostorových změn v rámci města spolu s neustálým poklesem počtu obyvatelstva (Musiał-Malago, 2017; Haase a kol., 2013; Oswalt and Rieniets, 2006). Smršťování je tedy komplexnějším pojmem. Kromě ekonomických faktorů jako transformace ekonomiky hrají roli rovněž faktory demografické, environmentální, politické či procesy suburbanizace (Rumpel a Slach, 2012). Cíle: Cíle projektu jsou stanoveny zvlášť pro jednotlivé oblasti výzkumu. V oblasti měnové politiky jsou stanoveny dva dílčí cíle. Prvním z nich (1a) je stanovení úrovně neutrální úrokové sazby a identifikace faktorů, které ji ovlivňují, ve vyspělých zemích světa. Druhým dílčím cílem (1b) v oblasti monetární politiky je identifikace hlavních kanálů mezinárodni transmise měnové politiky ECB na příkladu České republiky a dalších zemí střední a východní Evropy. V rámci tohoto cíle proběhne také diskuze o vhodnosti začlenění těchto zemí do eurozóny. Rovněž v oblasti migrace a trhu práce jsou stanoveny dva dílčí cíle. Prvním z nich (2a) je zjistit, zdali má kriminalita vliv na migraci obyvatel mezi regiony. Druhým dílčím cílem v oblasti migrace a trhu práce (2b) je identifikace faktorů, které mohou zastavit a zvrátit proces smršťování tak, aby se z měst trpících úbytkem obyvatel stala znovu rostoucí města. Rešerše odborné literatury pro oblast monetární politiky (1) Pojem „neutrální reálná úroková sazba“ je obecně spojován s úrovní reálných úrokových sazeb, což znamená, že měnová politika není ani expanzivní, ani restriktivní. Neutrální reálnou úrokovou sazbu lze definovat (Bernhardsen and Gerdrup, 2007) jako úroveň reálné úrokové míry, která je ve střednědobém horizontu konzistentní s uzavřenou mezerou výstupu. Neutrální úroveň úrokových sazeb je poté součtem inflace a tzv. přirozené reálné úrokové sazby (Hlédik a Vlček, 2018). Tato sazba je určena strukturálními parametry ekonomiky a není tedy nijak ovlivněna měnovou politikou centrální banky. Mezi tyto parametry ekonomiky patří zejména reálný ekonomický růst, demografický vývoj či míra úspor (spotřeby) ekonomických subjektů. Při měření NRI lze využít řadu ekonometrických nástrojů jako: Kalmanův filtr (kupř. Holston, Laubach, and Williams, 2017), VAR modely (Brzoza-Brzezina, 2006) DSGE (Giammarioli and Valla, 2003) či odhady modelu CCAPM (Browne and Everett, 2005). V současné době lze v empirické literatuře nalézt tři relativně oddělené přístupy k výpočtu NRI (Crespo Cuaresma and Ritzberger Grunwald, 2005). První přístup (kupř. Giammarioli and Valla, 2003) představují strukturální ekonomické modely. V zásadě se jedná o aplikaci dynamických stochastických modelů všeobecné rovnováhy (DSGE). Druhou skupinu (kupř. Cuaresma et al., 2004) tvoří přístupy čistě statisticko-ekonomické. V zásadě se tyto metody pokoušejí odvodit odhady rovnovážné reálné míry z minulého vývoje samotné reálné úrokové míry nebo ze společného chování reálné úrokové míry, míry výstupu a míry inflace. Výhoda těchto přístupů spočívá v tom, že nechávají data mluvit samy za sebe, bez zásahu přes možné nesprávné teoretické předpoklady. Na druhou stranu je takové odhady obtížné interpretovat pomocí ekonomické teorie. Třetí skupina metod (kupř. Basdevant et al., 2004) se snaží na NRI pohlížet z pohledu finančního trhu. Ta využívá k řešení vlastnosti výnosových křivek. Tento přístup je založen na předpokladu, že dlouhodobější úrokové sazby odrážejí tržní prognózy budoucího vývoje krátkodobých úrokových sazeb; za předpokladu, že v průměru budou měnově-politické sazby kolísat kolem rovnovážné úrovně, může být konec výnosové křivky vnímán jako aproximace (očekávání trhu v budoucnu) NRI. Problémem při výpočtu NRI je fakt, že jednotlivé ekonometrické přístupy dávají v konečném důsledku také jiné výsledky, které se mnohdy liší o více než 2 p.b., což je v případě měření NRI značný rozdíl. Nabízí se tedy otázka, zda není vhodnější zkombinovat více různých odhadů a na jejich základě se pokusit vypočítat přesnější hodnotu Gnan (2005). Eurozóna je hned po USA další velkou měnovou oblastí, kde může docházet k výraznému přelivu měnové politiky do okolních zemí. Navíc tyto země mimo eurozónu jsou často členy Evropské unie a probíhá mezi nimi spolupráce, ale i koordinace hospodářských politik. Je tedy vhodné vzájemné působení sledovat. Avšak velká část studií je věnována především vnitřnímu transmisnímu mechanismu ECB pro jednotnou měnovou oblast, např. Peersman (2004). Důvodem většího zájmu může být fakt, že eurozóna se skládá z celé řady různorodých zemí a pro ECB je značně obtížné zvolit takovou měnovou politiku, která bude vyhovovat všem členským státům. Je tedy podstatné nejprve tyto dopady vnitřní transmise identifikovat. To potvrzuje i Peersman (2004), který tvrdí, že porozumění transmisnímu mechanismu pro země eurozóny je značná výzva. Přesto v posledních letech roste zájem analyzovat také přeshraniční transmisní mechanismus, a tedy efekt přelévání měnových šoků ECB. Studiem konkrétních kanálů je věnována pozornost například v práci Moder (2017), která se zaměřuje na státy Jihovýchodní Evropy. Z výsledků vyplývá, že přenos měnových šoků probíhá především skrz vzájemný obchod a exportní aktivitu. Úrokové míry hrají významnější roli pouze u nepatrného počtu sledovaných zemích. Podle Potjagailo (2017) k výraznějšímu přelivu úrokových měr dochází především u zemí střední a východní Evropy. Expanzivní měnová politika ECB působí na růst výstupu ekonomik těchto zemí a snižuje úrokové míry. Vliv na vývoj HDP je výraznější u zemí s fixními měnovými kurzy. Cenová hladina však není ovlivněna v zemích mimo eurozónu zcela symetricky a nelze dospět k jednotnému výsledku. Kucharčuková a kol. (2016) dále rozdělují výchozí měnový šok ECB na konvenční a nekonvenční část pomocí konstrukce vlastního indexu měnových podmínek (monetary condition index). Běžně prováděná konvenční politika má vliv na inflaci a výstup ekonomik podobně jako u členských zemí eurozóny. Přeliv šoku nekonvenční měnové politiky je výrazný a rychlý zejména u devizových kurzu. Vliv na reálnou ekonomiku je pomalejší a limitován. Zejména inflace není ovlivněna nekonvenční měnovou politikou ECB. Hájek a Horváth (2018) doplňují, že efekt cenových šoků je napříč eurozónou obecně limitován. Tyto výsledky naznačují, že zákon jedné ceny se projevuje pomalu. Navíc transmise konvenčně prováděné měnové politiky je výraznější, něž šok nekonvenční měnové politiky ECB. Při analýze zpřísnění všeobecných měnových podmínek ECB lze dle Benecká (2018) dospět k podobným výsledkům. Restriktivní měnová politika je hodnocená pomocí stínové míry (shadow rate). Růst stínové míry o 25 bazických bodů vede k poklesu reálného HDP v ČR ve výši -0,5 %. Dopad na vývoj cen je u států střední, východní a jihovýchodní Evropy silnější než vnitřní transmise v rámci eurozóny a pohybuje se v průměru na hodnotě -0,2 %. Česká republika a Polsko jsou ovlivněny přelivem měnové politiky ECB přímo. Důvodem je vysoký stupeň integrace s eurozónou. Dle Hájek a Horváth (2018) lze konstatovat, že státy střední Evropy jsou silněji ovlivněny měnovým šokem a mezinárodní transmisí měnové politiky ECB. Navíc Hájek a Horváth (2016) uvádějí, že odezva na měnový šok je výraznější než u některých členských států eurozóny. Hájek a Horváth (2018) a Benecká (2018) se shodují, že střední Evropa je s eurozónou značně provázána zahraničním obchodem a propojením finančních trhů. Rešerše odborné literatury pro oblast migrace a trhu práce (2) Řada modelů migračního chování vychází z původního neoklasického principu maximalizace užitku potenciálního migranta, respektive z maximalizace čistých ekonomických přínosů (Hicks, 1963 [1932]). Na tuto hypotézu navázal Sjaastad (1962), který v migraci počal spatřovat jednu z forem investice do lidského kapitálu a poskytuje zároveň podrobnější rozbor přínosů a nákladů migrace. Tento neoklasický model migrace je možno rozepsat, podobně jak učinili autoři Grogger a Hanson (2008), Ortega a Peri (2009) či Adsera a Pytlikova (2015), následujícím způsobem. Užitek jednotlivce k, žijícího v zemi (regionu) původu i∈I, který se rozhoduje o tom, zdali zůstane v domovské destinaci, nebo se přestěhuje do nové cílové destinace j∈J={1,…,J} je tedy dán vztahem: rovnice 1 kde: Y_kj jsou očekávané příjmy jednotlivce k po uskutečnění migrace do destinace j. Harris a Todaro (1970) uvádějí, že přínosy migrace (Y) jsou dány zejména pravděpodobností nalezení zaměstnání v cílové destinaci (e) násobené očekávanou mzdou (w), což lze zapsat vztahem Y=w∙e. C_kij jsou náklady na migraci ze země (regionu) původu i do cílové země (regionu) j a ε_kij jsou nepozorovatelné faktory, které ovlivňují migraci. Jak uvádí Ortega a Peri (2009), migranti mají zpravidla odlišné charakteristiky nežli populace, která nemigruje. Například je možno očekávat, že migranti mají lepší dovednosti, jsou ochotni více riskovat či mají nižší psychologické náklady, pokud se jedná o pobyt v cizím prostředí než nemigrující obyvatelé pocházející ze stejné destinace, což zachycuje právě člen ε_kij. Pravděpodobnost že migrant k, aktuálně žijící v destinaci i, si vybere konkrétní j-tou destinaci, která náleží J lze definovat následujícím způsobem: rovnice 2 Tato pravděpodobnost je dána maximalizací čisté současné hodnoty užitku (kde r je diskontní faktor a t je čas). Předpoklad, že ε_kij , viz rovnice 1, má nezávislé rovnoměrné rozdělení odlehlých hodnot a λ>0, dovoluje provést substituci ln⁡(Y_j-C_ij )≈lnY_j-(C_ij/Y_j ) (viz McFadden, 1974) a je tedy možné zapsat logaritmus uskutečnění migrace do cílové destinace j oproti stavu, kdy migrant zůstává v domácí destinaci i a k migraci nedochází: rovnice 3 kde: M_ij je počet migrantů z i do j, P_i je populace v destinaci původu i, m_ij je míra emigrace z destinace i do j a c_ij jsou náklady migrace vyjádřené jako podíl celkových nákladů na výnosech v cílové destinaci (tzn. c_ij=C_ij/Y_j ). Doplnění výše uvedeného modelu o další charakteristiky ovlivňující migraci pak vede k formulaci základního empirického modelu, již odhadovanému na konkrétních datech: rovnice 4 kde: m_ijt je míra vystěhování z destinace (resp. okresu) i do j, α_i jsou individuální efekty pro výchozí region, α_j jsou individuální efekty pro cílový region, α_t jsou časové efekty, specifické pro dané roky, β_0 je úrovňová konstanta, β_1-β_9 jsou odhadnuté regresní parametry příslušných proměnných. Jako aproximace příjmů v cílové a zdrojové destinaci jsou využity průměrné hrubé měsíční mzdy (ln⁡〖w_(jt-1) 〗 a ln⁡〖w_(it-1) 〗), šance na získání zaměstnání v obou destinacích je zde reprezentována mírou nezaměstnanosti (proměnné ln⁡〖u_(jt-1) 〗 a ln⁡〖u_(it-1) 〗), jako kontrolní proměnné pro odfiltrování vlivu velikosti regionu slouží počet obyvatel (proměnné ln⁡〖p_(jt-1) 〗 a ln⁡〖p_(it-1) 〗), proměnná ln⁡〖〖CRIME〗_(it-1) 〗 počet zjištěných trestných činů v okrese i , proměnná ln⁡〖D_ij 〗 je vzdálenost mezi okresy (aproximace nákladů migrace), N_ij je dummy proměnná charakterizující sousedství okresů, což může naopak náklady na migraci snižovat z důvodu existence sociálních vazeb, a ε_ijt je chybová složka. U všech empirických modelů v této práci je využito zpoždění vysvětlujících proměnných o 1 období (rok), jelikož migrant se zpravidla rozhoduje na základě informací z minulosti a dále to částečně pomáhá v níže diskutovaném řešení kauzality. Dále byly proměnné logaritmovány, aby bylo zajištěno jejich normální rozdělení, nebo se mu alespoň blížily. Je zde tedy zkoumána elasticita vztahů diskutovaných proměnných. Ostatní proměnné mimo kriminality pak v analýze panelových dat slouží jako kontrolní proměnné k zachycení vlivů, které by potenciálně mohly zkreslovat výsledky provedené analýzy. Metodika V rámci projektu bude využita celá řada ekonometrických technik. Jedná se především o panelovou regresní analýzu (využitou v oblastech 1a a 2a), VAR modely (1b) či Logit modely (2b). Konkrétní metodika je uvedena níže. Panelová regrese Jak uvádí Hsiao (2003) či Greene (2000) je možno zapsat obecný lineární model, sloužící k modelování panelových dat následujícím způsobem: rovnice 5 kde: Y_it je vysvětlovanou proměnnou v čase t a v průřezu i, β_0 je úrovňová konstanta, β_(1…K) jsou odhadované regresní parametry, X_(1it…Kit) je hodnota vysvětlující proměnné v čase t a průřezu i a u_it je náhodná chyba (v čase t a průřezu i). V současnosti se datové soubory typu panelových dat stávají především v oblasti ekonomie a financí obvyklými a lépe dostupnými. Pro analýzu těchto dat jsou používány panelové regresní modely (Cipra, 2013). V těchto analýzách se běžně vychází ze dvou hlavních modelů panelových dat, a to z modelů s náhodnými a fixními efekty (tzn. modely s individuálními efekty). Je nutno konstatovat, že individuální efekty v modelech panelových dat umožňují zachytit nepozorované a nepozorovatelné jevy, specifické buď pro průřez, nebo čas ve zkoumaném souboru dat (Koop, 2008). Obecně lze tedy model s individuálními efekty zapsat následujícím způsobem (Cipra, 2013; Cameron a Trivedi, 2009): rovnice 6 kde: Y_it je vysvětlovaná proměnná, X_(1it…Kit) jsou regresory (vysvětlující proměnné v čase t a v průřezu i), α_i jsou individuální efekty specifické pro průřezovou jednotku, β_0 je úrovňová konstanta, β_(1…K) jsou odhadované regresní parametry konkrétní vysvětlující proměnné a ε_it je nesystematická chybová složka. V modelech s fixními efekty je možné, aby člen α_i byl korelován s regresory X_it, u modelů s náhodnými efekty ke korelaci mezi nimi nedochází. Chybovou složku obecného modelu (viz rovnice 5) je u nich možno zapsat jako: rovnice 7 Je zde tedy možnost, že regresor X_it je korelován pouze s časově invariantním chybovým komponentem α_i, a lze tedy konstatovat, že zmíněný regresor X_it proto již není žádným způsobem korelován se zbývající nesystematickou chybovou složkou ε_it (Cameron a Trivedi, 2009). Je nutno rozhodnout, zdali používané regresory mohou být korelovány s v čase neměnnými (a nepozorovanými) charakteristikami jednotlivých okresů, což může znamenat, že každý okres v ČR má své specifické vlastnosti, kvůli kterým se migranti mohou stěhovat. Při odhadování modelu s fixními efekty jsou k jejich modelování využívány dummy proměnné, které nabývají hodnot 1 a 0, a proto může dojít k problémům při zahrnutí dalších vysvětlujících časově či průřezově invariantních proměnných, které již vyjadřují určitou vlastnost v daném modelu – hrozí tak vznik perfektní multikolinearity (Koop, 2008; Cipra, 2013) v závislosti na použití charakteru dummy proměnné. Případ multikolinearity však může nastat také v případě využití proměnných, u kterých nedochází k výrazným změnám vysvětlované variability v čase, což lze otestovat například pomocí Breusch-Pagan LM testu (Breusch a Pagan, 1979) či Pesaran CD testu (Pesaran, 2004) a vhodným nastavením individuálních efektů v regresi. Při praktickém odhadu regresních parametrů modelu je tato problematika také navíc ošetřena tím, že statistický software (Stata 15) jednu z nezávislých proměnných, mezi nimiž k multikolinearitě dochází, automaticky vyloučí z analýzy. Provedení odhadů s fixními či náhodnými efekty je nutno otestovat pomocí Hausmanova testu či také Breusch-Pagan LM testu pro náhodné efekty. Fixní efekty jsou chápány sice jako výhodnější nástroj pro využití k odhadům za podmínek ceteris paribus, avšak využití konkrétních individuálních efektů musí být testováno. Náhodné efekty jsou pak využívány pouze v určitých specifických situacích (například obsahuje-li model další invariantní proměnné). Protože ve většině případů jsou regresory korelovány s individuálními efekty vyjádřenými pomocí zmiňované časově invariantní komponenty α_i (viz rovnice č. 6), je při odhadech regresních modelů nutno velmi často využívat právě fixních efektů (Wooldridge, 2013). Mimo efektů průřezových lze však také využít efektů časových pro konkrétní specifická časová období. Například v případě determinant migrace je tomu tak z důvodu, že ve sledovaném období, za které jsou dosud dostupná data (1993-2015) došlo ke změně metodiky jejich zjišťování (např. u původní obecné míry nezaměstnanosti), nebo některá data přestala být publikována úplně a musela být dopočtena (například průměrné hrubé měsíční mzdy v okresech od roku 2005). Problémům se změnou metodiky výpočtu dat, která je v tomto případě v průřezu invariantní, se však lze vhodně vyhnout, právě využitím fixních (časových) efektů, které jsou schopny dodatečnou variabilitu zachytit a poskytnout tak nezkreslené empirické výsledky. Vhodnost využití časových fixních efektů se testuje pomocí F-testu. Pro formulaci konečného rozhodnutí o použití typů individuálních efektů je nutno testovat statistickou významnost rozdílů koeficientů vysvětlujících proměnných v čase. Nejčastěji je k tomuto rozhodnutí přistupováno na základě výsledků Hausmanova testu (Cameron a Trivedi, 2009; Hausman, 1978). V tomto testu je nulová hypotéza formulována jako neexistence korelace mezi individuálními efekty α_i a vysvětlujícími proměnnými X_it, což implikuje, že při jejím přijetí je vhodné využít náhodných efektů. Alternativní hypotéza naopak předpokládá existenci zmiňované korelace a při zamítnutí nulové, a přijetí alternativní hypotézy, je tedy výhodnější využít efektů fixních. Tento test však za podmínek odhadů – využití robustních směrodatných chyb v regresi – nelze vypočítat a proto je využit Breusch-Pagan LM test alespoň pro zjištění, zdali jsou vhodné náhodné průřezové efekty či nikoliv. Tím, že je zkoumána migrace jakožto jev týkající se dvou okresů, je možno dimenzi původního obecného panelového modelu rozšířit o další prostorovou charakteristiku. Tento model lze pak zapsat obdobně jako v Rovnici 6, avšak s dílčí změnou: rovnice 8 zde došlo k rozšíření o dimenzi j na model, který zachycuje bilaterální charakter proměnných (tzn. dimenze z okresu i do dimenze okresu j). VAR modely Hušek a Formánek (2014) uvádí, že VAR modely v některých případech vyžadují aplikaci omezení v rámci endogenních proměnných. Důvodem může být velký počet parametrů nebo jejich statistická nevýznamnost. Tyto restrikce zajistí lepší ekonomickou verifikaci a průkaznější výsledky při konečné prezentaci modelů. Intepretace výsledků může být provedena například pomocí funkcí odezvy. Při identifikaci SVAR se navíc nelze vyhnout ekonomické teorii jako u neomezených VAR modelů, protože restrikce nelze uplatit zcela nahodile bez hlubší znalosti vzájemných vztahů. Podle Mumtaz a Rummel (2015) rovnice strukturního tvaru VAR (SVAR) bez úrovňové konstanty má následující podobu: rovnice 9 kde u_t označuje normálně rozdělené strukturní šoky, tj. u_t~N(0,Σ). Σ je diagonální matice. Matice A a C jsou matice parametrů nezpožděných či zpožděných endogenních proměnných. Při výpočtech vychází program EViews7 právě z rovnice (9), ale z důvodu identifikačních problémů nelze koeficienty odhadnout přímo. Je především nutná úprava rovnice na standardní tvar, který podle Hušek (2009) neobsahuje zpětné vazby mezi proměnnými modelu. Následujícím krokem je dle Mumtaz a Rummel (2015) odhad standardního tvaru neomezeného VAR modelu ve formě: rovnice 10 Mumtaz a Rummel (2015) uvádí, že matice A, B a C_i pro (i=1,2,…,p) v rovnici (1) nejsou jednotlivě zjistitelné z odhadnutých matic H_i a obecných kovariančních matic E(ε_t ε_t^' )=Ω pro šoky ε_t redukovaného tvaru. Jedinou možností, jak získat zpět rovnici (9) z rovnice (10) je aplikace restrikcí na VAR model. Tyto restrikce mohou být krátkodobé nebo dlouhodobé. Hušek (2009) tvrdí, že u SVAR modelu je nutné zajistit přesnou identifikaci zavedením nulových omezení a snížením počtu odhadovaných parametrů. Pokud by k tomu nedošlo, tak systém bude podidentifikovaný. V opačném případě, při přílišném snížení parametrů, bude model přeidentifikovaný. Při aplikaci krátkodobých omezení Mumtaz a Rummel (2015) vychází z rovnice (10). Nejprve dojde k odhadu náhodného stochastického rezidua, A^(-1) Bu_t, z rezidua ε_t. Při porovnání rovnic (9) a (10) a jejich reziduí je zjištěn následující vztah: rovnice 11 po úpravě: rovnice 12 Mumtaz a Rummel (2015) uvádí, že požadavkem užití restrikcí nebo identifikačních schémat je tvar dán rovnicí (12). Tato forma se běžně označuje jako AB model. Zavedením nulových omezení parametrů na matice A a B přenášíme omezení také na strukturní tvar VAR modele ve výchozí rovnici (9). Příklad identifikace AB modelu pro čtyři endogenní proměnné dosažené pomocí Choleskiho dekompozice matic A a B lze vyjádřit podle Mumtaz a Rummel (2015) jako: rovnice 13 Celkový počet restrikcí v maticích (13) by měl dle Mumtaz a Rummel (2015) odpovídat vztahu (3m^2-m)/2. Strukturní model o celkovém počtu čtyř endogenních proměnných by měl obsahovat 22 restrikcí. Takový systém je pak přesně identifikován. Logit modely V případě Logit modelu se jedná o logistickou regresi s kategorickou vysvětlovanou proměnnou. Vysvětlení tohoto modelu je provedeno na následujícím příkladu. Nechť je zadán vztah rovnice 14 kde X je příjem domácnosti a P_(i )^ = E(Y_i=1 | X_i) vyjadřuje, že rodina vlastní dům. Dále lze předpokládat následující vyjádření vlastnictví domu: rovnice 15 což lze zapsat jako: rovnice 16 kde Z_(i )^ = β_1 +〖 β〗_2 〖 X〗_i. Tato rovnice reprezentuje tzv. logistickou distribuční funkci (Gujarati a Porter, 2009). Jestliže P_(i )^ , pravděpodobnost vlastnictví domu, je dána rovnicí XY, potom (1- P_(i )^ ), tedy pravděpodobnost, že rodina dům nevlastní, lze zapsat jako: rovnice 17 Tudíž lze zapsat rovnice 18 přičemž vztah 18 je poměr pravděpodobností (tzv. „odds ratio“), že rodina bude vlastnit dům k pravděpodobnosti, že rodina dům vlastnit nebude. Při použití přirozeného logaritmu: rovnice 19 přičemž Z_(i )^ = β_1 +〖 β〗_2 〖 X〗_i. L_( )^ , logaritmus odds ratio, se nazývá logit. Výše popsanou rovnici lze doplnit a zapsat ve tvaru rovnice 20 což je stochastická podoba logit modelu (Gujarati a Porter, 2009). Harmonogram řešení výzkumu: leden – únor 2020 – příprava na výzkum, rešerše literatury, zpracování metodiky, březen – duben 2020 – sběr a zpracování dat, květen – červen 2020 – vyhodnocení dat, analýza získaných dat, srpen – září 2020 – modelování získaných dat, zpracování výsledků, prezentace dílčích výsledků na konferenci, září – listopad 2020 – zpracování článků a příspěvků, prezentace výsledků na konferencích, prosinec 2020 – zpracování závěrečné zprávy. Seznam literatury: ADSERA, Alicia a Mariola PYTLIKOVA. The Role of Language in Shaping International Migration. The Economic Journal. 2015, vol. 125, pp. F49-F81. AKAIKE, H., 1974. A New Look at the Statistical Model Identification. IEEE Transactions on Automatic Control, Vol. AC-19, No. 6, December 1974. AKAIKE, H., 1974. A New Look at the Statistical Model Identification. IEEE Transactions on Automatic Control, Vol. AC-19, No. 6, December 1974. ANAYA, P., M. HACHULA, Ch. J. OFFERMANNS, 2017. Spillovers of U.S. unconventional monetary policy to emerging markets: The role of capital flows. Journal of International Money and Finance, Volume 73, Part B, Pages 275-295. ISSN: 0261-5606. ANAYA, P., M. HACHULA, Ch. J. OFFERMANNS, 2017. Spillovers of U.S. unconventional monetary policy to emerging markets: The role of capital flows. Journal of International Money and Finance, Volume 73, Part B, Pages 275-295. ISSN: 0261-5606. BENECKÁ, S., L. FADEJEVA and M. FELDKIRCHER, 2018. Spillovers from Euro Area Monetary Policy: A Focus on Emerging Europe [online]. CNB Working paper series – ISSN 1803-7070 [cit. 2019-16-6]. Dostupné z: https://www.cnb.cz/cs/ekonomicky-vyzkum/publikace-vyzkumu/cnb-working-paper-series/ BLUEDORN, J. C., Ch. BOWDLER, 2011. The open economy consequences of U.S. monetary policy. Journal of International Moneyand Finance, Volume 30, Issue 2, Pages 309-336. ISSN: 0261-5606. BLUEDORN, J. C., Ch. BOWDLER, 2011. The open economy consequences of U.S. monetary policy. Journal of International Moneyand Finance, Volume 30, Issue 2, Pages 309-336. ISSN: 0261-5606. BREUSCH, Trevor a Adrian PAGAN. A Simple Test for Heteroscedasticity and Random Coefficient Variation. Econometrica. 1979, vol. 47, no. 5, pp. 1287-1294. CAMERON, Colin A. a Pravin K. TRIVEDI. Microeconomics using Stata. Lakeway Drive: Stata Press, 2009. ISBN 978-1-59718-073-3. CIPRA, Tomáš. Finanční ekonometrie. 2. upr. vyd. Praha: Ekopress, 2013. ISBN 978-80-86929-93-4. cities in Canada. Canadian Journal of Regional Science. 2018, 41(1/3), p. 63-72. DEDOLA, L., G. RIVOLTA, and L. STRACCA, 2017. If the Fed sneezes, who catches a cold? Journal of International Economics, Volume 108, Supplement 1, Pages S23-S41. ISSN: 0022-1996. DEDOLA, L., G. RIVOLTA, and L. STRACCA, 2017. If the Fed sneezes, who catches a cold? Journal of International Economics, Volume 108, Supplement 1, Pages S23-S41. ISSN: 0022-1996. DOCQUIER, F. and H. RAPOPORT. Ethnic discrimination and the migration ofskilled labor. Journal of Development Economics. 2003, vol. 70, pp. 159-172. EDWARDS, S., 2010. The international transmission of interest rate shocks: TheFederal Reserve and emerging markets in Latin America and Asia. Journal of International Money and Finance, Volume 29, Issue 4, Pages 685-703. ISSN: 0261-5606. EDWARDS, S., 2010. The international transmission of interest rate shocks: TheFederal Reserve and emerging markets in Latin America and Asia. Journal of International Money and Finance, Volume 29, Issue 4, Pages 685-703. ISSN: 0261-5606. EHRLICH, I. Participation in illegitimate activities: a theoretical and empiricalinvestigation, Journal of Political Economy. 1973, vol. 81 (3), pp. 521-565. ENDERS, Walter, 2015. Applied econometric time series. 4th ed. Hoboken: Wiley, c2015. ISBN 978-1-118-80856-6. GEORGIADIS, G., 2015. Determinants of global spillovers from US monetary policy. Journal of International Money and Finance, Volume 67, Pages 41-61. ISSN: 0261-5606. GEORGIADIS, G., 2015. Determinants of global spillovers from US monetary policy. Journal of International Money and Finance, Volume 67, Pages 41-61. ISSN: 0261-5606. GREENE, William H. Econometric Analysis. 4th ed. New Jersey: Prentice-Hall, Inc., 2000. 962 p. ISBN 0-13-015679-5. GREENE, William H., 2012. Econometric analysis. 7th ed., international ed. Harlow: Pearson. ISBN 978-0-273-75356-8. GROGGER, Jefrey a Gordon HANSON. Income maximization and the selection and sorting of international migrants. Journal of Development Economics. 2008, vol. 95(1), pp. 42–57. HAASE, A., M. BERNT, K. GROBMANN, V. MYKHNENKO and D. RINK. Varieties of shrinkage in European cities. European Urban and Regional Studies. 2013, 23(1), p. 1–17. doi:10.1177/0969776413481985 HAGAN, J. and A. PALLONI. Sociological criminology and the mythology of Hispanic immigration and crime, Social Problems. 1999, vol. 46 (4), pp. 617-632. HÁJEK, J. and R. HORVÁTH, 2016. The Spillover Effect of Euro Area on Central and Southeastern European Economies: A Global VAR Approach. Open Economies Review, Volume 27, Issue 2, Pages 359–385. ISSN: 0923-7992 HÁJEK, J. and R. HORVÁTH, 2016. The Spillover Effect of Euro Area on Central and Southeastern European Economies: A Global VAR Approach. Open Economies Review, Volume 27, Issue 2, Pages 359–385. ISSN: 0923-7992 HÁJEK, J. and R. HORVÁTH, 2018. International spillovers of (un)conventional monetary policy: The effect of the ECB and the US Fed on non-euro EU countries. Economic Systems, Volume 42, Issue 1, Pages 91-105. ISSN: 0939-3625. HÁJEK, J. and R. HORVÁTH, 2018. International spillovers of (un)conventional monetary policy: The effect of the ECB and the US Fed on non-euro EU countries. Economic Systems, Volume 42, Issue 1, Pages 91-105. ISSN: 0939-3625. HANNAN, E. J. and B. G. QUINN, 1979. The Determination of the Order of an Autoregression. Journal of the Royal Statistical Society, Series-B, 41, 190-195. HANNAN, E. J. and B. G. QUINN, 1979. The Determination of the Order of an Autoregression. Journal of the Royal Statistical Society, Series-B, 41, 190-195. HARRIS, John R. a Michael TODARO. Migration, unemployment and development: a two-sector analysis. American Economic Review. 1970, vol. 60(5), pp. 126–142. HARVEY, D. From managerialism to entrepreneurialism: The transformation in urban governance in late capitalism. Journal of Social and Economic Geography B. 1989, 71(1), p. 3–17. HAUSMAN, Jerry A. Specification Test in Econometrics. Econometrica. 1978, vol. 46, no. 6, pp. 1251-1271. HICKS, John R. Theory of wages. 2nd ed. Macmillan, 1963. ISBN 0333027646. HSIAO, Cheng. Analysis of Panel Data. Cambridge: Cambridge University Press, 2003. 366 p. ISBN 0 521 52271 4. HUŠEK, R. a T. FORMÁNEK, 2014. Alternativní specifikace, odhad a identifikace vektorových autoregresí. Acta Oeconomica Pragensia 2014/4. ISSN 1804-2112. HUŠEK, R. a T. FORMÁNEK, 2014. Alternativní specifikace, odhad a identifikace vektorových autoregresí. Acta Oeconomica Pragensia 2014/4. ISSN 1804-2112. HUŠEK, Roman, 2007. Ekonometrická analýza. Praha: Oeconomica. ISBN 978-80-245-1300-3. HUŠEK, Roman, 2009. Aplikovaná ekonometrie: teorie a praxe. Praha: Oeconomica. ISBN 978-80-245-1623-3. CHAUVET, M. and S. POTTER, 2013. Chapter 3 - Forecasting Output. Handbook of Economic Forecasting, Volume 2, Part A, 2013, Pages 141-194. ISSN 1574-0706. CHAUVET, M. and S. POTTER, 2013. Chapter 3 - Forecasting Output. Handbook of Economic Forecasting, Volume 2, Part A, 2013, Pages 141-194. ISSN 1574-0706. CHRISTIANO, L. J., 2012. Christopher A. Sims and Vector Autoregressions. Scandinavian Journal of Economics, 114(4), 1082–1104. ISSN 1467-9442. CHRISTIANO, L. J., 2012. Christopher A. Sims and Vector Autoregressions. Scandinavian Journal of Economics, 114(4), 1082–1104. ISSN 1467-9442. KAZI, I. A., H. WAGAN and F. AKBAR, 2012. The changing international transmission of U.S. monetary policy shocks: Is there evidence of contagion effect on OECD countries. Economic Modelling, Volume 30, Pages 90-116. ISSN: 0264-9993. KAZI, I. A., H. WAGAN and F. AKBAR, 2012. The changing international transmission of U.S. monetary policy shocks: Is there evidence of contagion effect on OECD countries. Economic Modelling, Volume 30, Pages 90-116. ISSN: 0264-9993. KIM, S., 2001. International transmission of U.S. monetary policy shocks: Evidence from VAR’s. Journal of Monetary Economics, Volume 48, Issue 2, Pages 339-327. ISSN: 0304-3932 KIM, S., 2001. International transmission of U.S. monetary policy shocks: Evidence from VAR’s. Journal of Monetary Economics, Volume 48, Issue 2, Pages 339-327. ISSN: 0304-3932 KOOP, Gary. Introduction to Econometrics. West Sussex: John Willey & Sons Ltd., 2008. ISBN 9780470032701. KUCHARČUKOVÁ, O. B., P. CLAEYS and B. VAŠÍČEK, 2016. Spillover of the ECB's monetary policy outside the euro area: How different is conventional from unconventional policy? Journal of Policy Modeling, Volume 38, Issue 2, Pages 199-225. ISSN 0161-8938. KUCHARČUKOVÁ, O. B., P. CLAEYS and B. VAŠÍČEK, 2016. Spillover of the ECB's monetary policy outside the euro area: How different is conventional from unconventional policy? Journal of Policy Modeling, Volume 38, Issue 2, Pages 199-225. ISSN 0161-8938. LÜTKEPOHL, Helmut, 2005. New introduction to multiple time series analysis. Berlin: Springer. ISBN 3-540-40172-5. MARTENS, P. L. Immigrants, crime, and the criminal justice in Sweden, Crimeand Justice. 1997. 21, 183-256. MARTINEZ-FERNANDEZ, C., I. AUDIRAC, S. FOL and E. CUNNINGHAM-SABOT. Shrinking cities: Challenges of globalization. International Journal of Urban and Regional Research. 2012, 36(2), p. 213–225. doi:10.1111/j.1468-2427.2011.01092.x McFADDEN, Daniel. The measurement of urban travel demand. Journal of Public Economics. 1974, vol. 3(4), pp. 303–328. MELOCHE, J.-P. et al. Planning cities facing population decline: a study of shrinking MODER, I., 2017. Spillovers from the ECB's Non-Standard Monetary Policy Measures on South-Eastern Europe [online]. European Central Bank (ECB): ECB Working Paper No. 2095. Dostupné z: https://www.ecb.europa.eu/pub/pdf/scpwps/ecb.wp2095.en.pdf MUMTAZ, H. and O. RUMMEL, 2015. Recent developments in structural VAR modelling [online]. London: Bank of England. Centre for Central Banking Studies: Economic Modelling and Forecasting, 10 February 2015 [cit. 2019-16-6]. Dostupné z: https://cmi.comesa.int/wp-content/uploads/2016/03/Ole-Rummel-10-Feb-Exercise-on-SVARs-and-monetary-policy-EMF-EAC-9-13-February-2015.pdf MUSIAŁ-MALAGO, M. Shrinking Cities in Poland: Demographic Perspective. „Ovidius” University Annals, Economic Sciences Series. 2017, 17(2). ORTEGA, Francesc and Giovanni PERI. The causes and effects of international migrations: evidence from OECD countries 1980–2005. Working Paper 14833, NBER. 2009. OSWALT, P. and T. RIENIETS. Atlas of shrinking cities. Ostfildern: Hatje Cantz, 2006. ISBN: 3775717145 PEERSMAN, G., 2004. The Transmission of Monetary Policy in the Euro Area: Are the Effects Different Across Countries? Oxford Bulletin Of Economics And Statistics, Volume 66, Issue 3, Pages 285-308. ISSN:1468-0084. PEERSMAN, G., 2004. The Transmission of Monetary Policy in the Euro Area: Are the Effects Different Across Countries? Oxford Bulletin Of Economics And Statistics, Volume 66, Issue 3, Pages 285-308. ISSN:1468-0084. PESARAN, Hashem M. General Diagnostic Tests for Cross Section Dependence in Panels. IZA Discussion Papers. 2004, Discussion Paper No. 1240. POTJAGAILO, G., 2017. Spillover effects from Euro area monetary policy across Europe: A factor-augmented VAR approach. Journal of International Money and Finance, Volume 72, Pages 127-147. ISSN: 0261-5606. POTJAGAILO, G., 2017. Spillover effects from Euro area monetary policy across Europe: A factor-augmented VAR approach. Journal of International Money and Finance, Volume 72, Pages 127-147. ISSN: 0261-5606. RECKIEN, D. and C. MARTINEZ-FERNANDEZ. Why do cities shrink? European Planning Studies. 2011, 19(8), p. 1375–1397. doi:10.1080/09654313.2011.593333 RINK, D. et al. Governace of Shrinkage – Lessons Learnt from Analysis for Urban Planning and Policy. Research Report, Workpackage 7. 2012, European Commission (available at www.shrinksmart.eu) RINK, D., A. HAASE, K. GROSSMANN, C. COUCH, and M. COCKS. From Long-Term Shrinkage to Re-Growth? A comparative study of The Urban Development Trajectories of Liverpool and Leipzig. Built Environment. 2012, 38 (2) p. 162–178. DOI:10.2148/benv.38.2.162. RINK, D., Ch. COUCH, A. HAASE, R. KRZYSZTOFIK, B. NADOLU and P. RUMPEL. The governance of urban shrinkage in cities of post-socialist Europe: policies, strategies and actors. Urban Research & Practice. 2014, 7(3), p. 258-277. DOI:10.1080/17535069.2014.966511 RUMPEL, P. and O. SLACH. Governance of shrinkage of the city of Ostrava. Praha: European Science and Art Publishing, 2012. ISBN 978-80-87504-19-2. RUMPEL, P. and O. SLACH. Shrinking cities in central Europe. In book: Transitions in Regional Science – Regions in Transition: Regional research in Central Europe. Wolters Kluwer, 2014. ISBN: 978-80-7478-560-3 RUMPEL, P., O. SLACH and J. KOUTSKÝ. Shrinking cities and governance of economic regeneration: The case of Ostrava. Business Administration and Management. 2013, 11(2), p. 113-127. RUMPEL, P., O. SLACH and Tomáš Boruta. Governance smršťujících se měst v Evropském kontextu. 2012. SCHWARTZ, G., 1978. Estimating the Dimension of a Model. The Annals of Statistics, Vol. 6, No. 2, Pages 461-464. SCHWARTZ, G., 1978. Estimating the Dimension of a Model. The Annals of Statistics, Vol. 6, No. 2, Pages 461-464. SIMS, C., 1980. Macroeconomics and Reality. Econometrica, Vol. 48, No. 1. (Jan., 1980), pp. 1-48. ISSN 1468-0262. SIMS, C., 1980. Macroeconomics and Reality. Econometrica, Vol. 48, No. 1. (Jan., 1980), pp. 1-48. ISSN 1468-0262. SJAASTAD, Larry A. The Costs and Returns of Human Migration. Journal of Political Economy. 1962, vol. 70, no. 5, part 2, pp. 80-93. ISSN 0022-3808. STOCK, H. J. and M. W. WATSON, 2001. Vector Autoregressions. Journal of Economic Perspectives, Volume 15, Number 4, Fall 2001, Pages 101–115. ISSN 1944-7965 STOCK, H. J. and M. W. WATSON, 2001. Vector Autoregressions. Journal of Economic Perspectives, Volume 15, Number 4, Fall 2001, Pages 101–115. ISSN 1944-7965 VAN DE KAA, D. J. Europe´s Second Demographic Transition. The Population Bulletin. 1987, 42(1). VAN DEN BERG, L. et al. Urban Europe: a Study of Growth and Decline. Oxford, 1982. ISBN 978-0-08-023156-3 WOOLDRIDGE, Jefrey. Introductory Econometrics: A Modern Approach. 5th ed. South-Western: Cengage Learning, 2013. ISBN 978-1-111-53104-1. WU, J. C. and F. D. XIA, 2016. Measuring the Macroeconomic Impact of Monetary Policy at the Zero Lower Bound. Journal of Money, Credit and Banking, Volume 48, Issue 2-3. ISSN:1538-4616. WU, J. C. and F. D. XIA, 2016. Measuring the Macroeconomic Impact of Monetary Policy at the Zero Lower Bound. Journal of Money, Credit and Banking, Volume 48, Issue 2-3. ISSN:1538-4616. ZIVOT, E. and J. WANG, 2006. Vector Autoregressive Models for Multivariate Time Series. Modeling Financial Time Series with S-PLUS, Pages 385-429. Springer, New York, NY. ISBN 978-03-872-7965-7. ZIVOT, E. and J. WANG, 2006. Vector Autoregressive Models for Multivariate Time Series. Modeling Financial Time Series with S-PLUS, Pages 385-429. Springer, New York, NY. ISBN 978-03-872-7965-7.
Rok zahájení
2020
Rok ukončení
2020
Poskytovatel
Ministerstvo školství, mládeže a tělovýchovy
Kategorie
Workflow pro SGS
Typ
Specifický výzkum VŠB-TUO
Řešitel
Zpět na seznam