Ekonometri e avancuar

Hyrje
Visar Malaj (PhD)
Universiteti i Tirans
Fakulteti i Ekonomis
Departamenti i Ekonomiksit
visarmalaj@feut.edu.al

far studion ekonometria?

Zbatim i statistiks matematike n t dhna ekonomike, me
synim suportin empirik t modeleve t ndrtuar n shkencn
e ekonomiksit (Gerhard 1968).
Ekonometria mund t prkufizohet si shkenca sociale ku
konceptet e teoris ekonomike, matematiks dhe statistiks
inferenciale zbatohen n analizn e fenomeneve ekonomike
(Goldberger 1964).
Ekonometria lidhet me prcaktimin empirik t ligjeve
ekonomike (Theil 1971).

Ku zbatohet ekonometria?
Testimi i teorive
Parashikim i vlerave (p.sh., shitjet e kompanis,
papunsia, mimet e aksioneve)
Prshtatje e modeleve ekonomik me
vzhgimet.
Prdorim i t dhnave pr dhnien e
rekomandimeve politike n qeveri dhe biznes.

Lloji i t dhnave dhe simbolika

Tre lloje t dhnash:
1. Seri kohore (Time series)
2. T dhna Cross-sectional
3. T dhna Panel , kombinim i 1. & 2.
T dhnat mund t jen sasiore (p.sh., normat e kmbimit, shpenzimet pr
publicitet, mimet e aksioneve) ose cilsore (p.sh., ditt e javs).
Shembuj t serive kohore:
Serit
GNP ose papunsia
defiiti buxhetor i qeveris
oferta e paras
vlera e nj indeksi aksionar

Frekuenca
mujore, tremujore
vjetor
javore
sa her kemi transaksion

Seri kohore VS t dhna crosssectional

Problema q mund t zgjidhen me an t regresioneve n seri kohore:
- Si ka ndryshuar vlera e nj indeksi aksionar me ndryshimin e variablave
makroekonomik.
- Si ka ndryshuar vlera e aksionit t nj kompanie pas nxjerrjes s njoftimit mbi
pagesat e dividendve.
- Efekti i rritjes s norms s interesit mbi valutn e nj vendi.

T dhnat cross-sectional jan vzhgime mbi nj apo m shum variabla, t

mbledhura n nj moment t caktuar kohor.
- T ardhurat vjetore pr 1000 familje n qytetin e Tirans pr vitin 2012.
- Rendimentet aksionare t 25 kompanive t New York Stock Exchange
- Nj kampion i vlersimeve (ratings) t bankave t Mbretris s Bashkuar.

Seri kohore VS t dhna cross-sectional

Problema q mund t zgjidhen me an t regresioneve CrossSectional:
- Lidhja midis dimensionit t kompanis dhe rendimentit aksionar t
saj.
- Lidhja midis nivelit t GDP-s t nj vendi dhe probabilitetit q
qeveria t falimentoj si pasoj e borxhit.
T dhnat panel prmbajn karakteristika t serive kohore dhe t t
dhna cross-section, p.sh. mimet ditore t nj numri aksionesh blue
chip pr dy vitet e fundit.

T dhna t vazhdueshme dhe diskrete

T dhnat e vazhdueshme mund t marrin do vler n boshtin e

numrave real.
Pr shembull, fitimi vjetor pr nj pasuri t patundshme mund t jet 6.2%,
6.24%, ose 6.238%.

T dhnat diskrete mund t marrin vetm vlera preize, zakonisht

numra t plot.
Pr shembull, numri i aksioneve t tregtuara n nj dit t caktuar.

Formulimi i nj modeli ekonometrik

Teoria ekonomike ose financiare (studime t mparshme)
Formulimi i nj modeli teorik (t vlersueshm)

Mbledhja e t dhnave
Vlersimi i modelit

A sht i vlefshm modeli?

Jo

Po

Riformulojm modelin

Interpretojm modelin

Analiza/parashikime

Si t vlersojm nj paper n literaturn akademike

ekonomike dhe financiare
1. Kemi t bjm me zhvillimin e nj modeli teorik apo vetm me nj
zbatim t teknikave t njohura, pjes e mparshme e literaturs?

2. Cila sht cilsia e t dhnave? A sht i besueshm burimi? Cili sht

dimensioni i kampionit, a sht i mjaftueshm pr t nxjerr rezultate t
besueshme?
3. A jan aplikuar sakt teorit prkatse? Si rezulton modeli i vlersuar
pas kontrollit t tij?

Si t vlersojm nj paper n literaturn akademike

ekonomike dhe financiare
4. A jan interpretuar me kujdes rezultatet (n varsi t problemit
specifik)? A ju prgjigjen pyetjeve fillestare t punimit?

5. A jan t prshtatshme konkluzionet, n varsi t rezultateve? A kemi

mbivlersim t tyre?

Regresioni
Regresioni, mjeti m i fuqishm n dispozicion t ekonometricienit.
far sht analiza regresive?
Prshkrim dhe vlersim i lidhjes midis nj variabli t dhn (variabli i
varur) dhe nj apo m shum variablave t tjer (variabla t pavarur).

Regresioni
Shnojm variablin e varur me y dhe variablat e pavarur me x1, x2, ... , xk nse
kemi k variabla t pavarur.
Supozojm fillimisht: nj variabl x, nj variabl y.

Regresioni dhe korrelacioni

Nse pohojm se y dhe x jan t korreluar, jemi duke trajtuar y dhe x
n nj mnyr totalisht simetrike.

N nj regresion, konsiderojm variablin e varur y dhe variablin e

pavarur n mnyra t ndryshme. Variabli y supozohet random
(rastsor), me nj shprndarje probabilitare. Variablat x supozohen jorastsore, me vlera fikse n kampion t prsritur.

Regresioni i thjesht
Pr thjeshtsi, marrim k=1. y varet vetm nga nj variabl x.
Shembuj:
Si ndryshon rendimenti i asetit me nivelin e riskut t tregut.
Vlersimi i marrdhnies afatgjat midis mimeve t aksioneve dhe
dividendve.

Regresioni i thjesht: shembull

Supozojm se kemi t dhnat e mposhtme mbi ekstra-rendimentet
(excess return) e portofolit t nj menaxheri, si dhe t indeksit t tregut
(market index):
Year, t
1
2
3
4
5

Excess return
= rXXX,t rft
17.8
39.0
12.8
24.2
17.2

Excess return on market index

= rmt - rft
13.7
23.2
6.9
16.8
12.3

Dshirojm t eksplorojm lidhjen midis x dhe y nga t dhnat e

msiprme. Hapi i par: paraqitje grafike e dy variablave (scatter plot).

x dhe y (Scatter Diagram)

Ekstra-rendimenti i portofolit

45
40
35
30

25
20

15
10
5

0
0

10

15

Extra-rendimenti i tregut

20

25

Drejtza e regresionit
Ekuacioni i prgjithshm i drejtzs,
y=a+bx

Megjithat, ekuacioni (y=a+bx) sht totalisht determinist (jo-rastsor).

Shtojm termin e gabimit u n ekuacion:
yt = + xt + ut
ku t = 1,2,3,4,5
Rndsia e termit t gabimit:
- Mundsi gabimesh n vzhgimin e yt , t cilat nuk mund t
modelohen.
- Ndikim rastsor i jashtm mbi yt , i cili nuk mund t modelohet.

Prcaktimi i koefientve t regresionit

Si mund t prcaktojm dhe ?
Zgjedhim dhe , n mnyr q distancat vertikale midis vzhgimeve dhe
drejtzs s regresionit t minimizohen.
y

Metoda OLS

Metoda m e mir e njohur e vlersimit t koefientve sht OLS

(ordinary least squares), e cila konsiston n minimizimin e shums t
distancave n katror.

Shnojm me
yt vzhgimin n kohn e tanishme t
y t vlersimin sipas drejtzs s regresionit
ut mbetjen, y - y
t
t

Distanca midis vlers aktuale dhe asaj t

prshtatur
y

yi

u i
y i

xi

Metoda OLS
5

Pra, min. u1 u2 u3 u4 u5 , ose minimizojm

mbetjeve n katror)
2

ut sht
yt - y t .

diferenca

midis

vzhgimit

faktik

y
t t sht ekuivalent me min

Minimizimi i
n lidhje me $ dhe $ .

u
t 1

2
t

dhe

u
t

(shuma e

vijs,

Metoda OLS
Nga y
t xt , kemi

L ( yt y t ) 2 ( yt xt ) 2
t

Pra, minimizojm L n lidhje me koef. $ dhe $ ,

Nga (1),

L
2 ( yt xt ) 0

t
L
2 xt ( yt xt ) 0
t

(1)

(2)

( y t xt ) 0 y t T xt 0
t

Por, y t Ty dhe xt Tx .

Metoda OLS
Mund t shkruajm Ty T Tx 0 ose y x 0
Nga (2), x ( y x ) 0
t

(3)
(4)

Nga (3),

y x

Zvendsojm

$ tek ekuacioni (4),

xt ( yt y x xt ) 0
t
2

x
y

y
x

x
x

x
t t t
t
t 0
t
2
2

x
y

T
y
x

T
x

x
t t
t 0
t

(5)

Metoda OLS
Pr koefientin $ , kemi:

(Tx 2 xt2 ) Tyx xt yt

Pra,

x y Txy dhe y x
x Tx
t

2
t

Kjo metod e vlersimit t koefientve t modelit njihet me emrin OLS

(ordinary least squares).

Metoda OLS
Kryejm veprimet duke vendosur pes vzhgimet shembullit t msiprm dhe
gjejm:
$ = -1.74 dhe $ = 1.64. Pra,

y t 1.74 1.64 x t
Pyetje: Nse nj analist ju informon se pret nj ekstra-rendiment t tregut prej
20% vitin q vjen, cila do t ishte pritshmria juaj mbi portofolin e menaxherit
t fondit?
Zgjidhje: Kemi y = -1.74 + 1.64 * vlern e x, pra vendosim x = 20,
y i 1.74 1.64 20 31.06

Popullata dhe kampioni

Popullata prfshin t gjith bashksin e objekteve apo
individve, t cilt duhet t analizojm, p.sh.,

Fenomeni
Popullata e interesit
parashikimi i rezultatit zgjedhor
gjith elektorati

Nj kampion sht nj przgjedhje e disa prej elementve t

nj popullate.
N nj kampion rastsor, do individ i popullats ka
probabilitet t njjt t przgjidhet.

DGP dhe PRF

Funksioni i regresionit t popullats (PRF) sht nj prshkrim i modelit
perfekt, i cili na jep lidhjen e vrtet midis variablave. (vlera t vrteta t
dhe ).
PRF:

yt xt ut

Funksioni i regresionit t kampionit SRF sht y t xt

ut yt y t .
Dim q
Prdorim SRF pr t vlersuar PRF.
Jemi t interesuar mbi saktsin e vlersimeve t dhe .

Lineariteti
Pr t prdorur OLS, nevojitet nj model linear n parametra ( dhe ).
Nuk sht i nevojshm lineariteti n variabla (y dhe x).

Linear n parametra: parametrat nuk shumzohen me njri-tjetrin,

pjestohen, ngrihen ne katror etj.
Disa modele mund t kthehen n linear, p.sh., modeli eksponencial i
regresionit:

Yt e X t eut ln Yt ln X t ut
Shnojm yt=ln Yt dhe xt=ln Xt,

yt xt ut

Modele linear dhe jo linear

N mnyr t ngjashme, nse teoria sugjeron se:

yt

ut

xt
regresioni vlersohet me an t OLS duke zvendsuar
1
zt
xt

Hipotezat e Modelit t Regresionit Linear Klasik

(CLRM)
Modeli i prdorur: CLRM.
Vzhgojm xt , por duke qen se yt varet gjithashtu nga ut, duhet t saktsojm
gjenerimin e gabimeve ut .
Hipotezat rreth ut (termat e gabimit):
Kushti
Interpretimi
1. E(ut) = 0
Gabimet kan mesatare zero.
2. Var (ut) = 2
Varianca e gabimeve konstante,
e pavarur nga xt
3. Cov (ui,uj)=0
Gabimet statistikisht t pavarur
4. Cov (ut,xt)=0

Nuk kemi lidhje ndrmjet gabimit dhe x

Hipotezat e Modelit t Regresionit Linear Klasik (CLRM)

Hipotez alternative (m e fort) e 4: xt -t jan jostokastike ose konstante n kampion t prsritur.

Krkohet gjithashtu nj hipotez e pest (inferenc rreth
parametrave t popullats dhe kampionit):
5. ut ndjek shprndarje normale.

Vetit e vlersuesit OLS

Nse vlejn hipotezat nga 1. tek 4., ather $ dhe $ t prcaktuara nga OLS
njihem me termin BLUE (Best Linear Unbiased Estimators).

Estimator - $ sht vlersues i .

Linear
- $ sht vlersues linear
Unbiased - Mesatarisht, vlerat faktike t $ dhe $ do t jen t barabarta
me vlerat e tyre t vrteta.
Best
- tregon se vlersuesi OLS $ ka varianc minimale midis
bashksis t vlersuesve unbiased (t paanshm). Teorema e Gauss-Markov
provon se vlersuesi OLS sht m i miri.

Konsistenc/Paanshmri/Efienc
Konsistenc
Vlersuesit $ dhe $ jan konsistent. Vlersuesit do t konvergjojn n vlerat e
vrteta kur dimensioni i kampionit shkon n infinit. Nevojiten supozimet:
E(xtut)=0 dhe Var(ut)=2 < pr t provuar kt. Konsistenc do t thot:
lim Pr 0 0
T
Paanshmri
Vlersuesit OLS jan t paanshm.
E($)= dhe E( $)=
Mesatarisht, vlersimet do t jen t barabarta me vlerat e tyre t vrteta.
Pr t provuar kt supozojm E(ut)=0. Paanshmria, kusht m i fort se
konsistenca.

Efienca
Nj vlersues sht efient nse sht i paanshm dhe asnj vlersues tjetr i
paanshm nuk ka varianc m t vogl. Nse vlersuesi sht efient, ne
minimizojm probabilitetin q ai t jet n nj distanc t largt nga vlera e
vrtet.

Gabimet standart
do bashksi e vlersuesve $ dhe $ sht specifike e kampionit t zgjedhur.
Rikujtojm formulat e vlersuesve kampionar:

x y Txy dhe y x
x Tx
t

2
t

Nevojitet nj njsi e preizionit t vlersimit t parametrave, e cila jepet nga

gabimi standart SE:
SE ( ) s

x
T (x x)
2
t

SE ( ) s

1
s
2
( xt x )

ku s = devijimi standart i vlersuar pr mbetjet.

2
t

T x T 2x2
2
t

1
xt2 Tx 2

Vlersimi i variancs s termit t gabimit

Varianca e variablit rastsor ut
Var(ut) = E[(ut)-E(ut)]2
ose
Var(ut) = E(ut2)
Ne mund t vlersojm kt duke prdorur mesataren e ut2 :

s2

1
ut2

Pr fat t keq, kjo nuk sht e mundur, pasi ut nuk mund t vzhgohet.
Mund t prdorim parametrin kampionar:
1
2
2

Por, ky vlersues i 2 nuk sht i paanshm.

Vlersimi i variancs s termit t gabimit

Nj vlersues i paanshm pr :

u
t

T 2

ku ut sht shuma e katrorve t mbetjeve dhe T sht madhsia

kampionare.
Disa komente mbi vlersuesit e gabimit standart SE:
1. SE( $) dhe SE( $) varen nga s2 (ose s). Sa m e madhe varianca s2, aq m t
shprndar jan gabimet rreth mesatares s tyre, pra aq m i shprndar do t
jet y rreth vlers s tij mesatare.
2

2. Sa m e madhe shuma e katrorve t x, aq m t ulta jan variancat e

koefientve t vlersuar (nga formulat prkatse).

Vlersimi i variancs s termit t gabimit

Shohim far ndodh nse

x
sht i ult apo i lart:
t

y
y

Vlersimi i variancs s termit t gabimit

3. Sa m e madhe madhsia kampionare, T, aq m t vogla variancat e
koefientve. T sht e dukshme n SE( $ ).

T sht e pranishme n SE( $ ), pasi shuma

x
t

varion nga t = 1

n T.
4. Termi xt2 shfaqet n SE($).
2
Kjo ndodh pasi xt mat distancn e pikave nga boshti i y-ve.

Shembull: Si t llogaritim parametrat dhe gabimet

standart
Supozojm se kemi kto t dhna nga regresioni i y mbi variablin x dhe nj
konstante (T=22).
T dhnat:
xt yt 830102, T 22, x 416.5, y 86.65,
2
x
t 3919654, RSS 130.6

Pra, kemi:

830102 (22 * 416.5 * 86.65)

$
2 0.35
3919654 22 *(416.5)

$ 86.65 035
. * 4165
. 5912
.
y t xt
yt 59.12 0.35xt

Shembull: Si t llogaritim parametrat dhe gabimet

standart
SE(regresion),

u t2
130.6

2.55
T 2

20

SE ( ) 2.55 *

3919654
3.35
2
22 3919654 22 416.5

SE ( ) 2.55 *

1
0.0079
2
3919654 22 416.5

Shkruajm:
y t 59.12 0.35 xt
(3.35) (0.0079)

Hyrje n Statistikn Inferenciale

Inferenc nga parametrat e regresionit tek popullata.

Shembull. Supozojm:

y t 20.3 0.5091xt
(14.38) (0.2561)
Sa e besueshme sht $ 0.5091 ?
Besueshmria e vlersimit varet nga gabimi standart i koefientit.

Testimi i hipotezave
Dy hipoteza, hipoteza zero (H0) dhe hipoteza alternative (H1).
Pr shembull (jepen rezultatet e msiprme), jemi t interesuar mbi testimin
nse vlera e vrtet e parametrit sht 0.5.
H0 : = 0.5
H1 : 0.5
Ky sht nj test i dyanshm.

Testimi i hipotezave t njanshme

N disa raste, kemi informacion paraprak se > 0.5 apo < 0.5. Test i
njanshm:
H0 : = 0.5
H1 : > 0.5
ose
H0 : = 0.5
H1 : < 0.5
Ka dy mnyra pr t testuar nj ift hipotezash: me an t testit t
sinjifikativitetit apo me an t metods s intervalit t besimit.

Shprndarja probabilitare e vlersuesve OLS

Supozojm ut N(0,2)
Duke qen se vlersuesit OLS jan kombinime linear t variablave rastsor,
kemi:

$ wt yt
Shuma e ponderuar e variablave rastsor normal sht gjithashtu normale:
$ N(, Var())
$ N(, Var())
Po nse gabimet nuk jan normal, a do t jen parametrat me shprndarje
normale?
Po, nse supozimet e CLRM qndrojn dhe dimensioni kampionar sht i
madh mjaftueshm.

Shprndarja probabilitare e vlersuesve OLS

Variabla t tjer normal mund t prftohen nga $ dhe $ :

~ N 0,1 dhe
var

~ N 0,1
var

Duke qen se var() dhe var() jan t panjohur, kemi:

~ tT 2 dhe
SE ( )

~ tT 2

SE ( )

Testimi i hipotezave me an t testit

Supozojm kt ekuacion regresioni,

yt xt ut

pr t=1,2,...,T

Hapat pr ndrtimin e testit jan:

1. Vlersojm $ , $ dhe SE($ ) , SE( $ ) .
2. Llogaritim:

$ *
test statistic
SE ( $ )
ku * sht vlera e nn hipotezn zero.

Testimi i hipotezave me an t testit

3. Krahasojm vlern e testit (test statistic) me nj shprndarje
probabilitare. Nj test i till ndjek nj shprndarje t student me
T-2 shkall lirie.
Me rritjen e shkallve t liris, rritet saktsia e rezultateve.
4. Duhet t zgjedhim nje nivel rndsie (significance level),
zakonisht shnohet , e cila prcakton zonat e
pranimit/refuzimit. Zakonisht, =5%.
Prdorim gjithashtu nivelet 10% dhe 1%.

Testimi i hipotezave me an t testit:

zona e refuzimit
5. Me nj nivel rndsie t dhn, prcaktojm zonat e refuzimit/pranimit.
Pr testin e dyanshm:

Testimi i hipotezave me an t testit:

zona e refuzimit, test i njanshm

Testimi i hipotezave me an t testit t

6. Prdorim tabelat e shprndarjes t pr gjetjen e vlerave

kritike, t vlefshme pr krahasimin me testin t.
7. Nse testi qndron n zonn e refuzimit, hedhim posht
hipotezn zero dhe anasjelltas.

Shprndarja t dhe shprndarja normale

Sh.normale: forma karakteristike e kambans.

Ne mund t prftojm nj shprndarje normale me
mesatare zero dhe varianc 1 duke zbritur mesataren e
variablit me shprndarje normale dhe duke pjestuar me
devijimin standart prkats.
Shprndarja t dhe shprndarja normale jan simetrike.
Shprndarja t ka nj parametr shtes: shkallt e liris.

Shprndarja t dhe shprndarja normale

normal distribution

t-distribution

Shprndarja t dhe shprndarja normale

Nj shprndarje t me nj numr shum t madh shkallsh lirie sht nj
shprndarje normale. t () N (01
,)
Shembuj nga tabelat statistikore:
Niveli i rndsis:
N(0,1)
50%
0
5%
1.64
2.5%
1.96
0.5%
2.57

t(40)
0
1.68
2.02
2.70

t(4)
0
2.13
2.78
4.60

Testimi i hipotezave me an t intervaleve t besimit

Shembull: Vlersojm nga kampioni, nj parametr, 0.93,

nj interval besimi 95% jepet nga (0.77,1.09). Kjo do t
thot se vlera e vrtet e parametrit gjendet n kt interval
me probabilitet 95%.

Intervalet e besimit, zakonisht t dyanshm.

Testimi i hipotezave me an t intervaleve t besimit

1. Llogaritim $, $ , SE($ ) , SE( $ )
2. Zgjedhim nj nivel , (zakonisht 5%). Pra, kemi zgjedhur nj IB (1-)100% =
IB 95%
3. Prdorim tabelat e shprndarjes t pr gjetjen e vlerave kritike (T-2 shkall lirie).

4. Intervali i besimit jepet nga:

( t crit SE ( ), t crit SE ( ))

5. Vlersojm testin: nse vlera hipotetike qndron jasht IB, refuzojm hipotezn
zero dhe anasjelltas.

Intervalet e besimit VS testi

Rezultat i njjt n t dy rastet.
N rastin e testit t, pranojm H0: = * nse :
tcrit

$ *

tcrit
$
SE ( )

ose

t crit SE( ) * t crit SE( )

t crit SE( ) * t crit SE( )

Pra, rregulli sht i njjt me metodn e intervalit t besimit.

Intervalet e besimit dhe testi: shembull

Nga rezultatet e msiprme,

y t 20.3 0.5091xt , T=22

(14.38) (0.2561)
Testojm hipotezn =1 me dy an t dy metodave.
Prcaktojm vlern kritike tcrit = t20;5%

Zona e refuzimit

Testimi i hipotezs
Hipotezat:
H0 : = 1
H1 : 1
testi t

Intervali i besimit

$ *
test stat
SE ( $ )

t crit SE ( )

05091
.
1

1917
.
0.2561

Pranojm H0

0.5091 2.086 0.2561

(0.0251,1.0433)
Pranojm H0

Testim i hipotezave t tjera

Po nse dshirojm t testojm: H0 : = 0 ose H0 : = 2?

H0 : = 0
vs. H1 : 0
H0 : = 2
vs. H1 : 2

Ndryshim i nivelit t rndsis

N rastin e msiprm testuam hipotezn n nivelin 5%. Prgjigjja
mund t ndryshoj me ndryshimin e nivelit t rndsis.

Supozojm nj nivel t testit 10%. Testi:

$ *
test stat
SE ( $ )
05091
.
1

1917
.
0.2561
Testi sht si m sipr. Ndryshon vlera kritike e shprndarjes t.

Ndryshim i nivelit t rndsis: zona e refuzimit

Ndryshim i nivelit t rndsis: konkluzion

Vlera kritike t20;10% = 1.725. Pra, refuzojm hipotezn zero

pasi testi t gjendet n zonn e refuzimit.
Konkluzion: duhet vepruar me kujdes n rastin e
vendimmarrjeve drastike, refuzim/pranim i hipotezs
zero!

Tipet e gabimit
Ne refuzojm H0 nse testi sht statistikisht i rndsishm
pr nj nivel t paracaktuar rndsie.
Ekzistojn dy tipe gabimi:
1. Refuzojm H0 kur sht e vrtet (gabim i tipit I).
2. Pranojm H0 kur sht false (gabim i tipit II).
Realiteti
H0 e vrtet H0 false
I rndsishm Gabim tipi I

Resultati i
(refuz. H0)
=
I parndsishm
Testit
Gabim tipi II
(pranoj

=
H 0)

Tipet e gabimit
Probabiliteti i gabimit t.I sht , niveli i rndsis s testit.
far ndodh nse reduktojm nivelin e paracaktuar t testit, p.sh., nga 5% n 1%?
Ne reduktojm shansin pr gabim t t.I., por ne reduktojm gjithashtu mundsin
e refuzimit t hipotezs zero n prgjithsi, pra ne rritim probabilitetin e gabimit
t tipit II.
Trade off midis gabimit t.I dhe t.II n rastin e zgjedhjes s nivelit t rndsis.
E vetmja mnyr pr reduktimin e t dy gabimeve: rritja e T!

Reduktojm
T e testit

Kriter m i
fort pr
refuzim

Ulet prob.
i refuzimit t gabuar

Refuzojm
H0 m pak

Rritet probab.
pranimit t gabuar

Testim i hipotezs zero: parametri sht statistikisht

zero
Testi t:

$i i*
test statistic
SE $i

H 0 : i = 0
H 1 : i 0
kemi t bjm me test t dyanshm:

Nse

$i
Duke qen se i* = 0, test stat
SE ( $i )

Testim i hipotezs zero: parametri sht statistikisht

zero
Supozojm:
Coefficient
SE
testi t

1.10
1.35
0.81

Krahasojm me tcrit me 15-3

=
(2,5% pr do bisht, test 5%) =
=
Refuzojm
H0:
1 = 0?
H0:
2 = 0?

-4.40
0.96
-4.63
12 sh.l.
2.179 5%
3.055 1%
(Jo)
(Po)

Testim i hipotezs zero: parametri sht statistikisht zero

Nse refuzojm H0, themi se rezultati sht i rndsishm. Nse koefienti
nuk sht i rndsishm variabli nuk ndihmon n shpjegimin e ndryshimeve
t y, pra duhet t eliminohet nga modeli.
N praktik, kemi arsye bindse pr t prfshir konstanten e modelit edhe
kur nuk sht e rndsishme. Shohim far ndodh nse nuk prfshihet:
yt

xt

Niveli i rndsis s testit (p-value)

P-value: niveli ekzakt i rndsis ose i kufirit ndrmjet pranimit ose
refuzimit t hipotezs zero.
Nse testi statistikor sht i madh n vler absolute, p-value do t jet i
vogl dhe anasjelltas. P-value na jep mundsin/probabilitetin e
pranimit/refuzimit t hipotezs zero.
p.sh. Nj test statistikor ndjek nj shprndarje t62 = 1.47.
p-value = 0.12.
A refuzojm n nivelin 5%?...........................Jo
A refuzojm n nivelin 10%?.........................Jo
A refuzojm n nivelin 20%?.........................Po

Regresioni linear i shumfisht

Modeli i deritanishm:

yt xt ut t = 1,2,...,T

Po nse variabli i varur (y) t jet i korreluar me m shum se nj variabl?

P.sh., numri i makinave t shitura varet nga:
1. mimi i makinave
2. mimi i transportit publik
3. mimi i nafts
4. shqetsimi publik, i lidhur me ngrohjen globale
N mnyr t ngjashme, rendimentet aksionare varen nga nj sr
faktorsh.
Prgjithsojm modelin linear n rastin e k-1 regresorve (variabla t
pavarur).

Regresioni linear i shumfisht

Kemi:

yt 1 2 x2t 3 x3t ... k xkt ut , t=1,2,...,T

X1 paraqitet n termin konstant si:
1
1
x1

1 sht koefienti i termit konstant (i quajtur m par).

Regresioni linear i shumfisht

Mund t shkruajm nj ekuacion t veant pr do vler t:

y1 1 2 x21 3 x31 ... k xk1 u1

y2 1 2 x22 3 x32 ... k xk 2 u2

yT 1 2 x2T 3 x3T ... k xkT uT

N form matricash:

ku

y = X +u

y sht T 1
X sht T k
sht k 1
u sht T 1

Regresioni linear i shumfisht

p.sh. nse k sht 2, kemi 2 regresor, njri prej t cilve sht kolon
1-shash:

y1 1 x21
u1
y 1 x
u

22
1
2
2

yT 1 x2T
uT
T 1

T2

21

T1

Llogaritja e parametrave ( )
M par, ne morm shumn e mbetjeve n katror RSS dhe
minimizuam n lidhje me dhe .
N form matrice:
u1
u
u 2


u T

RSS:
u ' u u1 u2

u1
u
uT 2 u12 u22 ... uT2 ut2


uT

Vlersuesi OLS
Pr t nxjerr vlersuesit e parametrave, 1, 2,..., k, minimizojm
RSS n lidhje me t gjith s-t.

Mund t provohet se:

1

2

( X X ) 1 X y

k1

Llogaritja e gabimeve standart

Llogaritim gabimet standart SE pr parametrat e vlersuar.

M par, pr llogaritjen e variancs s gabimeve,

2 u$' u$
s
Tashm, n form matrice:
Tk

2 ,

prdorm: s

2
t

T 2

ku k = nr. i regresorve.
Mund t provohet se vlersuesi OLS i variancs s $ jepet nga elementt
diagonal t matrics s2 ( X ' X )1 , pra varianca e $1 sht elementi i par,
varianca e $2 sht elementi i dyt dhe varianca e $k sht elementi
diagonal kth

Parametrat dhe gabimet standart: shembull

Shembull: Marrim nj model me k=3 regresor, T=15:

y 1 2 x2 3 x3 u

Jan llogaritur t dhnat:

2.0 35
30
. 10
.
.
( X ' X ) 1 35
. 10
. 65
. ,( X ' y) 2.2 , u$' u$ 10.96
10
0.6
. 65
. 4.3
Vlersojm koefientt dhe gabimet standart.

Pr vlersimin e koefientve kemi:

X ' X 1 X ' y
Pr llogaritjen e gabimeve standart, nevojitet nj vlersim i2:

RSS 10.96
2
s

0.91
Tk

15 3

Parametrat dhe gabimet standart: shembull

Matrica e varianc-kovariancave t $ jepet nga:
183
.
320
.
0.91
s2 ( X ' X ) 1 0.91( X ' X ) 1 320
.
0.91 594
.
0.91 594
.
393
.

Varianca gjenden n diagonale:

Var ( $1 ) 183
.
SE ( $1 ) 135
.
Var ( $2 ) 0.91 SE ( $2 ) 0.96
Var ( $ ) 3.93
SE ( $ ) 198
.
3

Pra,

y 1.10 4.40 x2t 19.88 x3t

1.35 0.96 1.98

Testimi i hipotezave: testi F

t-test: testim i nj koefienti
F-test: vlersim i 2 regresioneve.
Regresioni i pakushtzuar: koefientt vlersohen lirisht nga t
dhnat.
Regresioni i kushtzuar: vendosim nj apo disa kushte mbi
koefientt.

Testimi i hipotezave: testi F

Shembull
Regresioni i prgjithshm:
yt = 1 + 2x2t + 3x3t + 4x4t + ut

(1)

Dshirojm t testojm 3+4 = 1 (lidhje interesante nga teoria).

Regresioni i pakushtzuar jepet nga ek. (1).
Kemi:
yt = 1 + 2x2t + 3x3t + 4x4t + ut t.q. 3+4 = 1
Zvendsojm (3+4 = 1) n regresion...
3+4 = 1 4 = 1- 3

Testimi i hipotezave: testi F

yt = 1 + 2x2t + 3x3t + (1-3)x4t + ut

yt = 1 + 2x2t + 3x3t + x4t - 3x4t + ut

Pra,

(yt - x4t) = 1 + 2x2t + 3(x3t - x4t) + ut

Ky sht regresioni i kushtzuar. E vlersojm at duke krijuar dy variabla t

rinj, Pt dhe Qt.
Pt = yt - x4t
Qt = x3t - x4t
Pra,
Pt = 1 + 2x2t + 3Qt + ut sht regresioni i kushtzuar q vlersojm.

Testimi i hipotezave: testi F

Testi jepet nga:

RRSS URSS T k
test statistic

URSS
m
ku

URSS= RSS e regresionit t pakushtzuar (unrestricted)

RRSS = RSS e regresionit t kushtzuar (restricted)
m = numri i kushteve
T
= numri i vzhgimeve
k
= numri i regresorve n regresionin e pakushtzuar
prfshir nj konstante (nr total i parametrave q vlersohen).

Testimi i hipotezave: testi F

Testi ndjek shprndarjen F, e cila ka dy (lloje) shkall lirie.
Vlerat e shkallve t liris jan m dhe (T-k).
Vlera kritike gjendet n kolonn m, rreshti (T-k).
Shprndarja F: vlera pozitive, jo simetrike. Refuzojm H0
nse:
testi > vlera kritike F.

Testimi i hipotezave: testi F

Shembuj :
H0:
1 + 2 = 2
2 = 1 dhe 3 = -1
2 = 0, 3 = 0 dhe 4 = 0

Nr. i kushteve, m
1
2
3

Nse modeli sht: yt = 1 + 2x2t + 3x3t + 4x4t + ut,

, ather hipotezat
H0: 2 = 0, 3 = 0 dhe 4 = 0 testohen nga testi F (H0: t gjith koefientt
jan t parndsishm).

Hipoteza alternative: H1: 2 0, or 3 0 or 4 0

far nuk mund t testojm...

Ne nuk mund t testojm me an t ktyre testeve hipoteza jo-lineare t tipit:

H0: 2 3 = 2 or H0: 2 2 = 1

Lidhja midis shprndarjeve t dhe F

do hipotez q testohet me testin t mund t testohet edhe me testin F,
por jo anasjelltas.
P.sh.,
H0: 2 = 0.5
H1: 2 0.5
t-test:
$2 0.5

test stat

SE ( $2 )

Mund t prdoret gjithashtu testi F.

T dy testet japin rezultat t njjt pasi shprndarja t sht nj rast i
veant i shprndarje F.
P.sh., nse kemi nj variabl rastsor Z, dhe Z t (T-k) ather
Z2 F(1,T-k)

Shembull F-test

Problem: Supozojm se nj analist dshiron t testoj ndjeshmrin e

rendimenteve aksionar y t nj kompanie ndaj dy faktorve (faktori x2 and faktori
x3) nga tre n total (T=144, vzhgime mujore). Kemi:
yt = 1 + 2x2t + 3x3t + 4x4t+ ut
- Cili sht regresioni i kushtzuar/i pakushtzuar?
- Kryejm testin , pasi kemi llogaritur RSS-t prkatse, 436.1 dhe 397.2.
Zgjidhje:
H0:2=1 dhe3=1. Regresioni i kushtzuar: (yt-x2t-x3t)= 1+ 4x4t+ut . Marrim
zt=yt-x2t-x3t dhe kemi zt= 1+ 4x4t+ut
N formuln e testit F, T=144, k=4, m=2, RRSS=436.1, URSS=397.2
F-test statistic = 6.68. Vlera kritike: F(2,140) = 3.07 (5%) dhe 4.79 (1%).
Konkluzion: Refuzojm H0.

Prshtatja e modelit me t dhnat

Nevojitet nj indeks mbi shkalln e prshtatjes t indeksit me t dhnat.
R2: katrori i koefientit t korrelacionit midis y dhe y$ .
Jemi t interesuar n shpjegimin e variabilitetit t y rreth vlers s vet
mesatare, TSS:

TSS yt y

Mund t ndajm TSS n dy pjes, pjesa e shpjeguar nga modeli (explained

sum of squares, ESS) dhe pjesa e pashpjeguar nga modeli (RSS).

Prkufizimi i indeksit R2
Kemi,

TSS =

ESS

+ RSS

2
2
2

u
t
t
t
t

R2

ESS
TSS

Nga TSS = ESS + RSS, kemi

R2

ESS TSS RSS

RSS

1
TSS
TSS
TSS

R2 varion nga 0 n 1:
RSS = TSS
ose
ESS = TSS
ose

ESS = 0 ,pra
RSS = 0 ,pra

R2 = ESS/TSS = 0
R2 = ESS/TSS = 1

R2 = 0 dhe R2 = 1

yt

yt

xt

xt

Probleme me indeksin R2

1. R2 prkufizohet n terma t variacionit t y rreth mesatares, pra nse nj

model riparametrizohet dhe variabli i varur ndryshon, R2 do t ndryshoj.
2. R2 nuk bie asnjher nse shtohet nr i regresorve, p.sh.:
Regresion 1: yt = 1 + 2x2t + 3x3t + ut
Regresion 2: y = 1 + 2x2t + 3x3t + 4x4t + ut
R2 pr modelin 2 do t jet t paktn po aq i lart sa rasti i modelit 1.
3. R2 merr shpesh vlera 0.9 ose m t larta pr modelet e bazuar n seri
kohore.

Adjusted R2

Pr t evituar kto probleme, kryejm nj modifikim, i cili merr

parasysh shkallt e liris t lidhura me variablat shtes. Adjusted R2:

T 1

R 1
(1 R 2 )
T k

Pra, nse shtojm nj regresor, k rritet dhe nse R2 nuk rritet m tepr,
R 2 do t bjer.
Kemi ende probleme m kt kriter:
1. Nj rregull i but.
2. R2 /Adjusted R2 nuk ndjekin nj shprndarje probabilitare.

Shembull:
Modele t mimit t qerave

Des Rosiers dhe Therialt (1996) konsiderojn efektin e lehtsirave t ndryshme

q ndikojn n mimin e qeras t apartamenteve n zonn e Quebec, Kanada.
Vlera e qeras mujore n dollar kanadez (variabli i varur) sht funksion i disa
variablave t pavarur, 9 deri n 14 t till. Punimi bazohet n t dhna t vitit
1990, n 13378 vzhgime. Variablat shpjegues:
LnAGE
- log i jetgjatsis s prons
NBROOMS - nr i dhomave t gjumit
AREABYRM - siprfaqja pr dhom (m2)
ELEVATOR - variabl dummy = 1 nse ndrtesa ka ashensor; 0 anasjelltas
BASEMENT - variabl dummy = 1 nse ambienti gjendet nn tok; 0 anasjelltas

Shembull:
Modele t mimit t qerave
OUTPARK - nr i vendeve t jashtme t parkimit
INDPARK
- nr i vendeve t brendshme t parkimit
NOLEASE
- variabl dummy = 1 nse ambienti jepet pa kontrat; 0
anasjelltas
LnDISTCBD - log i distancs nga qendra
SINGLPAR - prqindja e familjeve me nj prind n zon
DSHOPCNTR- distanca n km nga qendra tregtare m e afrt
VACDIFF1 - distanca nga nj zon e gjelbr

Analizojm shenjat dhe vlerat e koefientve.

Shembull:
Modele t mimit t qerave
Variable
Intercept
LnAGE
NBROOMS
AREABYRM
ELEVATOR
BASEMENT
OUTPARK
INDPARK
NOLEASE
LnDISTCBD
SINGLPAR
DSHOPCNTR
VACDIFF1

Coefficient
282.21
-53.10
48.47
3.97
88.51
-15.90
7.17
73.76
-16.99
5.84
-4.27
-10.04
0.29

t-ratio
56.09
-59.71
104.81
29.99
45.04
-11.32
7.07
31.25
-7.62
4.60
-38.88
-5.97
5.98

A priori sign expected

+
+
+
+
+
+
-

Notes: Adjusted R2 = 0.65l; regression F-statistic = 2082.27. Source: Des Rosiers and
Thrialt
(1996). Reprinted with permission of the American Real Estate Society.