Professional Documents
Culture Documents
I. Wyklad - Modelowanie Ekonometryczne
I. Wyklad - Modelowanie Ekonometryczne
I. Wyklad - Modelowanie Ekonometryczne
Model ekonometryczny
= 0 + 1 1 + 2 2 + + +
1 , 2 , ,
0 , 1 , 2 , ,
= 1, 2, ,
1
1 11 21
1 12 22
[ 2]
=[
[1]
1 1 2
0
1
1
1
2
2
]
+[ ]
2
[1]
[+1]
[ ][1]
= +
1 , 2 , ,
0 , 1 , 2 , ,
1
1 11 21
1 12 22
2
=[
1 1 2
[ ][1]
0
1
1
2
]
2
[+1]
[ ][1]
Reszty
=
1
2
=
=[ ]=
) jest
Warunkiem koniecznym istnienia ekstremum funkcji (
)
(
= 0,
Zatem mamy
= 0,
2 + 2
= .
Estymator MNK:
= ( )1 .
2
) = osiga minimum.
jest dodatnio okrelona, a wic funkcja (
0 ],
2( )
0
=[
2 < .
0 2
0
co oznacza, e skadnik losowy nie podlega procesowi autokorelacji (jest niezaleny od swoich
poprzednich realizacji) i ma sta skoczon wariancj (jest homoskedastyczny jednorodny).
Marcin Topolewski, SGH
Twierdzenie Gaussa-Markowa
wyznaczony KMNK jest estymatorem:
Estymator
- liniowym,
) = ,
- nieobcionym (
- zgodnym,
- najefektywniejszym w klasie liniowych i nieobcionych estymatorw.
Przykad
Na podstawie obserwacji dokonanych w fabryce zapaek SMOK WAWELSKI w cigu pierwszych 6
miesicy 2000 roku uzyskano nastpujce dane:
1
2
3
4
5
6
8
5
5
9
10
11
1
8
7
9
11
10
9
2
6
8
9
7
6
5
gdzie: zysk w tys. z, 1 liczba podpisanych kontraktw, 2 cena siarki w tys. z za ton,
czas,
= 1, 2, , 6.
10
0
1
3
y
4
x1
x2
10
Zaleno i 1
12
10
0
0
10
12
x1
11
Zaleno i 2
10
9
8
7
6
5
4
3
2
1
0
0
10
12
x2
12
W celu zbadania zalenoci zysku od liczby podpisanych kontraktw i ceny siarki oszacowano
model ekonometryczny nastpujcej postaci
= 0 + 1 1 + 2 2 +
Do oszacowania modelu wykorzystano wektor obserwacji na zmiennej objanianej i macierz
obserwacji na zmiennych objaniajcych
8
5
= 5 ,
9
10
[11]
Otrzymano:
1 1 1
= [8 7 9
6 8 9
1 8 6
1 7 8
1 9 9
=
.
1 11 7
1 10 6
[1 9 5]
1 8 6
1 7 8
1
1 1
6
54
41
1 9 9
= [54 496 367],
11 10 9]
1 11 7
7
6 5
41 367 291
1 10 6
[1 9 5]
13
15,411
[1,066
0,827
1 1 1
= [8 7 9
6 8 9
= (
)1
1,066 0,827
0,104
0,019 ],
0,019
0,096
8
1
1 1 5
48
5
= [442],
11 10 9]
9
7
6 5
311
10
[11]
11,41
15,411 1,066 0,827 48
0,019 ] [442] [ 0,71 ],
[1,066 0,104
1,44
0,827 0,019
0,096 311
0 = 11,41
1 = 0,71
2 = 1,44
14
15
Klasyfikacja danych:
szereg czasowy (jeli przedstawiaj stan badanego zjawiska w kolejnych jednostkach czasu),
na przykad: dzienne kursy walutowe, miesiczna inflacja, dochd narodowy,
dane przekrojowe (jeli wyraaj stan zjawiska w ustalonym czasie, ale w odniesieniu do
rnych obiektw), na przykad: zysk w rnych filiach przedsibiorstwa, pace poszczeglnych
pracownikw w okrelonym przedsibiorstwie.
Dane panelowe informacje o tych samych obiektach w kolejnych jednostkach czasu.
Klasyfikacja zmiennych:
A - zmienne endogeniczne: biece i opnione (wyjaniane przez model),
B - zmienne egzogeniczne: biece i opnione (niewyjaniane przez model),
C zmienne objaniane (zalene),
D zmienne objaniajce (niezalene).
16
Przykad
Dla modelu
= 0 + 1 + 2 + 3 1 + 1
= 0 + 1 + 2 + 3 + 4 1 + 2
gdzie: stopa zmian dochodw nominalnych, stopa bezrobocia, inflacja, stopa
procentowa, stopa zmian cen surowcw importowanych, mamy:
- zmienne endogeniczne:
biece: , ,
opnione: 1 ,
- zmienne egzogeniczne:
biece: , , ,
opnione: 1 ,
- zmienne objaniane: , ,
- zmienne objaniajce: , , 1 , , , , 1 .
17
18
= 0 1
= 0 + 1 +
Trend logistyczny
= 1+ +
Model autoregresyjny
Model autoregresyjny m tego rzdu
= 0 + 1 1 + 2 2 + + + .
Bieca warto zmiennej Y zaley od jej wartoci w poprzednich m okresach.
Na przykad dla m = 2 model autoregresyjny drugiego rzdu (itd.)
= 0 + 1 1 + 2 2 + .
19
gdzie
20
21
Dla okrelonego wektora wynikw prby , wiarygodno jest funkcj wartoci parametrw i
jest nazywana funkcj wiarygodnoci. Do zastosowania MNW niezbdna jest znajomo rozkadu
skadnika losowego. Jeeli skadnik losowy ma rozkad normalny (Z5 MNK) funkcja wiarygodnoci
przyjmuje posta
(, , 2 ) = =1
1
2
exp
(
=0 )
22
a jej logarytm
= 2 (2 2 ) 22 =1( =0 )
= 2 (2 2 ) 22 ( ) ( ).
22
23
24
(1 2 )
2 = 2
( + 1)
2 2
Stosuje si do porwnania jakoci dopasowania modeli rnicych si liczb zmiennych
objaniajcych.
Niescentrowany wspczynnik determinacji - dla modelu bez wyrazu wolnego!
2
= 1
2 0; 1
Marcin Topolewski, SGH
25
1
2
1
8
8
6
2
5
7
8
3
5
9
9
4
9
11
7
5
10
10
6
6
11
9
5
gdzie: zysk w tys. z, 1 liczba podpisanych kontraktw, 2 cena siarki w tys. z za ton,
czas, = 1, 2, ,6. W celu zbadania zalenoci zysku od liczby podpisanych kontraktw i ceny
siarki oszacowano model ekonometryczny nastpujcej postaci
= 0 + 1 1 + 2 2 + .
Model po oszacowaniu ma posta
= 11,41 + 0,711 1,442
Marcin Topolewski, SGH
26
1
2
3
4
5
6
8
5
5
9
10
11
= 8
8,49
4,90
4,88
9,19
9,91
10,64
= 8
-0,49
0,10
0,12
-0,19
0,09
0,36
= 0
2
0,24
0,01
0,01
0,03
0,01
0,13
2 = 0,43
)
=1
2
=
=
=
(8 8)2 + (5 8)2 + + (11 8)2
=1( )2
32
0,99
Poniewa mamy do czynienia z modelem liniowym z wyrazem wolnym oszacowanym MNK
moemy powiedzie, e ponad 99% zmiennoci zysku jest wyjaniane przez model (przez
Marcin Topolewski, SGH
27
2
(1 2 ) = 0,99
(1 0,99) = 0,99 0,01 0,98
2 = 2
( + 1)
6 (2 + 1)
3
2 2 = 0,01
Poniewa skorygowany wspczynnik determinacji jest niewiele mniejszy od wspczynnika
determinacji z zaufaniem traktujemy wnioski wycignite na podstawie 2 .
Model 1: Estymacja KMNK, wykorzystane obserwacje 2000:01-2000:06 (N = 6)
Zmienna zalena (Y): Y
wspczynnik bd standardowy t-Studenta warto p
--------------------------------------------------------------const
11,4121
1,49398
7,639
0,0047
***
X1
0,712460
0,122633
5,810
0,0102
**
X2
1,43770
0,117822
12,20
0,0012
***
redn.aryt.zm.zalenej 8,000000
Suma kwadratw reszt
0,434505
Wsp. determ. R-kwadrat 0,986422
F(2, 3)
108,9706
Logarytm wiarygodnoci 0,637708
Kryt. bayes. Schwarza
6,650694
Autokorel.reszt - rho1 0,143108
Marcin Topolewski, SGH
Odch.stand.zm.zalenej
Bd standardowy reszt
Skorygowany R-kwadrat
Warto p dla testu F
Kryt. inform. Akaike'a
Kryt. Hannana-Quinna
Stat. Durbina-Watsona
2,529822
0,380572
0,977370
0,001582
7,275416
4,774604
1,350780
28
1
2
2
= ln +
=1
29
(+1)(+1)
30
Przykad cd.
Oszacowanie wariancji skadnika losowego
0,43
2
=
=
= 0,145
( + 1) 6 (2 + 1)
Macierz wariacji kowariancji oszacowa parametrw
15,411 1,066
) = 2 ( )1 = 0,145 [1,066 0,104
2 (
0,827 0,019
2,232 0,154 0,120
0,003 ]
= [0,154 0,015
0,120 0,003
0,014
rednie bdy szacunku parametrw
0,827
0,019 ]
0,096
0 = 2,232 1,494
1 = 0,015 0,123
2 = 0,014 0,118
Twierdzc, e oszacowanie parametru przy zmiennej liczba kontraktw wynosi 0,71 mylimy si
przecitnie o 0,123. Szacujc parametr 2 na -1,44 popeniamy redni bd 0,118.
31
Odch.stand.zm.zalenej
Bd standardowy reszt
Skorygowany R-kwadrat
Warto p dla testu F
Kryt. inform. Akaike'a
Kryt. Hannana-Quinna
Stat. Durbina-Watsona
2,529822
0,380572
0,977370
0,001582
7,275416
4,774604
1,350780
32
=
100%
| |
Interpretacja:
Szacujc nieznany parametr mylimy si przecitnie o .
Przykad cd.
Dla modelu
= 11,41 + 0,711 1,442
(1,494) (0,123) (0,118)
rednie wzgldne bdy szacunku parametrw wynosz
0
1,494
0 =
100% =
100% = 13,09%
|11,41|
|0 |
1
0,123
1 =
100% =
100% = 17,32%
|0,71|
|1 |
2
0,118
2 =
100% =
100% = 8,19%
|1,44|
|2 |
Szacujc parametr przy zmiennej liczba kontraktw mylimy si przecitnie o 17,32%.
Marcin Topolewski, SGH
33
Wnioskowanie:
|| > odrzucamy 0
|| nie ma podstaw do odrzucenia 0
Gdzie = (;) jest odpowiedni wartoci krytyczn w rozkadzie t-Studenta.
34
Odrzucenie H0
0.00
35
Przykad cd.
Dla modelu
= 11,41 + 0,711 1,442
(1,494) (0,123) (0,118)
dla 6 obserwacji liczba stopni swobody wynosi 6 (2 + 1) = 3, zatem na poziomie istotnoci
= 0,05 warto krytyczna wynosi = (0,05;3) = 3,1824.
Wnioskowanie:
0 = 0 0 = 11,411,494 = 7,637
|0 | > odrzucamy 0 zmienna istotna statystycznie
1 = 1 1 = 0,710,123 = 5,772
|1 | > odrzucamy 0 zmienna istotna statystycznie
2 = 2 2 = 1,440,118 = 12,203
|2 | > odrzucamy 0 zmienna istotna statystycznie
36
Odch.stand.zm.zalenej
Bd standardowy reszt
Skorygowany R-kwadrat
Warto p dla testu F
Kryt. inform. Akaike'a
Kryt. Hannana-Quinna
Stat. Durbina-Watsona
2,529822
0,380572
0,977370
0,001582
7,275416
4,774604
1,350780
37
odrzucamy 0
38
Przykad cd.
Dla przedstawionego modelu mamy 2 = 0,99, zatem
0 : 1 = 2 = 3 = 0
1 : co najmniej jeden z parametrw jest rny od zera.
Wyznaczamy warto statystyki
2
0,992
0,495
=
=
108,97
(1 2 )[ ( + 1)] (1 0,99)[6 (2 + 1)] 0,0033
Liczba stopni swobody wynosi 1 = 2 oraz 2 = 6 (2 + 1), zatem na poziomie istotnoci =
0,05 warto krytyczna wynosi
= 9,55.
Poniewa > , hipotez zerow naley odrzuci, co oznacza, e co najmniej jedna zmienna w
badanym modelu jest istotna.
39
40
41
RESET(2)
Szacujemy model
= 0 + 1 1 + 2 2 + + +
(P)
wykorzystujc wartoci teoretyczne 2 i 3 dla modelu (P) i szacujemy model
= 0 + 1 1 + 2 2 + + + +1 2 + +2 3 +
Hipotezy
0 : +1 = +2 = 0 (posta analityczna modelu jest prawidowa)
1 : co najmniej jeden z parametrw +1 , +2 jest rny od zera.
Statystyka
(R)
(2 2 )2
=
(1 2 )[ ( + 1 + 2)]
Wnioskowanie
>
odrzucamy 0
42
Przykad cd.
W przypadku testowanego modelu liczba stopni swobody jest zbyt niska, aby zastosowa test z
kwadratami i szecianami teoretycznych wartoci zmiennej zalenej, wobec czego zastosowano
oba warianty oddzielnie.
Test RESET na specyfikacj (tylko kwadrat zmiennej) Hipoteza zerowa: specyfikacja poprawna
Statystyka testu: F(1, 2) = 187,549
z wartoci p = P(F(1, 2) > 187,549) = 0,00528966
Test RESET na specyfikacj (tylko szecian zmiennej) Hipoteza zerowa: specyfikacja poprawna
Statystyka testu: F(1, 2) = 134,89
z wartoci p = P(F(1, 2) > 134,89) = 0,00733202
W obu przypadkach s podstawy do odrzucenia hipotezy zerowej, co oznacza, e specyfikacja
modelu nie jest poprawna.
43
Test DavidsonaMcKinnona.
Test sprawdza model pod ktem kompletnoci. Model traktowany jest jako kompletny, jeli
rwnanie konkurencyjne nie tumaczy badanego zjawiska lepiej. Szacowane s dwa modele o tej
samej postaci funkcyjnej i liczbie zmiennych objaniajcych, ale o rozcznych zbiorach
zmiennych:
= 0 + 1 1 + 2 2 + + + 1
= 0 + 1 1 + 2 2 + + + 2
(1)
(2)
44
45
1 = =1 3 (miara asymetrii),
2 = =1
4
4
(miara kurtozy),
46
Przykad cd.
1
2
3
4
5
6
-0,49
0,10
0,12
-0,19
0,09
0,36
= 0
2
0,24
0,01
0,01
0,03
0,01
0,13
2 = 0,43
3
-0,11
0,00
0,00
-0,01
0,00
0,05
3 = 0,07
= 0,05
2 = 5,991 = 0,2691 1 = 0,5924
1
1
= ( (0,5924)2 + (1,7815 3)2 ) = 0,7221
6
24
< 2 nie ma podstaw do odrzucenia 0
4
0,06
0,00
0,00
0,00
0,00
0,02
4 = 0,07
2 = 1,7815
47
|| < 1,
() = ,
2 () = 02 I,
02 < .
Brak autokorelacji
1 0 0
0 1 0
2( )
2
= 0 0 1
[0 0 0
0
0
0.
1]
2
1
2
1
2
3 ,
2 () = 2 2
=
02 .
1
2
1
[1 2 3
1 ]
Estymator MNK pozostaje liniowy, nieobciony i zgodny ale nie jest najefektywniejszy.
Marcin Topolewski, SGH
48
49
Wnioskowanie:
1) Gdy weryfikujemy hipotez o autokorelacji dodatniej ( < 2):
0 : = 0 - brak autokorelacji skadnika losowego
1 : > 0 - wystpuje autokorelacja dodatnia I-go rzdu
odrzucamy 0
odrzucamy 0
50
Odrzucamy
H0:
dodatnia
autokorelacja
dL
Brak
decyzji
dU
4-dU
Brak
decyzji
Odrzucamy
H0:
ujemna
autokorelacja
4-dL
51
Przykad cd.
= [ -0,49 0,10 0,12 -0,19 0,09 0,36 ],
6=2( 1 )2
=
6=1 2
n = 6, k = 2.
1,3508
=2
=3
=4
15
1,077
1,361
0,946
1,543
0,814
1,750
16
1,106
1,371
0,982
1,539
0,757
1,728
17
1,133
1,381
1,015
1,536
0,897
1,710
Dla = 0,05, = 6, = 2 -> najblisza warto krytyczna dla = 15: = 1,077, = 1,361
< 1,3508 < brak decyzji nie wiemy czy wystpuje autokorelacja, czy nie.
Marcin Topolewski, SGH
52
- nieobciony estymator :
2(1 ) 0,5 + 1, 0,5 1,3508 + 1 = 0,3246.
Model 1: Estymacja KMNK, wykorzystane obserwacje 2000:01-2000:06 (N = 6)
Zmienna zalena (Y): Y
wspczynnik bd standardowy t-Studenta warto p
--------------------------------------------------------------const
11,4121
1,49398
7,639
0,0047
***
X1
0,712460
0,122633
5,810
0,0102
**
X2
1,43770
0,117822
12,20
0,0012
***
redn.aryt.zm.zalenej 8,000000
Suma kwadratw reszt
0,434505
Wsp. determ. R-kwadrat 0,986422
F(2, 3)
108,9706
Logarytm wiarygodnoci 0,637708
Kryt. bayes. Schwarza
6,650694
Autokorel.reszt - rho1 0,143108
Odch.stand.zm.zalenej
Bd standardowy reszt
Skorygowany R-kwadrat
Warto p dla testu F
Kryt. inform. Akaike'a
Kryt. Hannana-Quinna
Stat. Durbina-Watsona
2,529822
0,380572
0,977370
0,001582
7,275416
4,774604
1,350780
53
54
2
0
2( )
= 0
[0
12
0
2 () = 0
[0
0
2
0
0
0
2
0
0
0
2]
0
22
0
0
0
32
0
0
0
2 ]
2 <
Estymator MNK pozostaje liniowy, nieobciony i zgodny, ale nie jest najefektywniejszy.
55
Test White'a
Zastosowanie testu Whitea polega na oszacowaniu modelu pomocniczego, czyli regresji
kwadratw reszt z modelu podstawowego wzgldem zmiennych modelu podstawowego, oraz
ich kwadratw i iloczynw. Nastpnie na podstawie statystyki 2 ( 2 dla modelu
pomocniczego) weryfikujemy hipotez o cznej nieistotnoci wszystkich zmiennych modelu
pomocniczego rwnowan hipotezie o braku heteroskedastycznoci skadnika losowego w
modelu podstawowym.
Test Whitea dla dwch zmiennych objaniajcych
Model podstawowy
= 0 + 1 1 + 2 2 +
(P)
Model pomocniczy
2 = 0 + 1 1 + 2 2 + 3 12 + 4 22 + 5 1 2 +
(H)
Hipotezy
0 : 3 = 4 = 5 = 0 - jest homoskedastyczny ( 2 = )
1 : przynajmniej jeden parametr 0 - jest heteroskedastyczny ( 2 )
Weryfikacja
2 > 2 -> odrzucamy 0
2 2 -> brak podstaw do odrzucenia 0
Marcin Topolewski, SGH
56
Estymator HAC
Estymatorem odpornym na heteroskedastyczno skadnika losowego nieznanej postaci oraz
autokorelacj wyszych rzdw, ktrej mona si spodziewa w danych o wyszej czstotliwoci
(na przykad kwartalnej czy miesicznej) jest estymator asymptotycznej macierzy kowariancji
Neweya Westa. Wystpuje w nim parametr , nazywany pasmem przenoszenia (ang.
truncation lag), reprezentujcy rzd autokorelacji wykorzystany do oszacowania dynamiki reszt
MNK; autokorelacje rzdu wyszego ni uznawane s za nieistotne. W. K. Newey i K. D. West
zaproponowali nastpujcy wzr pozwalajcy ustali optymalny poziom pasma przenoszenia:
= [4 (100)
2
9
],
gdzie: jest wielkoci prby, a [] oznacza najwiksz liczb cakowit nie wiksz ni .
Wzr ten jest obecnie czci wikszoci pakietw ekonometrycznych. Pierwiastek kwadratowy
z elementu (, ) macierzy nazywany jest odpornym (na heteroskedastyczno i
autokorelacj) estymatorem bdu standardowego oszacowania parametru MNK Neweya
Westa (ang. HAC heteroskedasticity and autocorrelation consistent).
57
58
Usuwanie wspliniowoci
usuwanie zmiennych powodujcych wystpowanie zjawiska wspliniowoci,
zastpienie zmiennych powodujcych wspliniowo zmiennymi zastpczymi, nioscymi
podobn informacj merytoryczn, ale sabiej skorelowanymi z innymi zmiennymi modelu,
regresja grzbietowa.
59
60
Predykcja ekonometryczna
61
Zasady predykcji:
Model powinien by wszechstronnie i pozytywnie zweryfikowany,
Relacje midzy zmiennymi winny by stabilne, w szczeglnoci:
wartoci parametrw,
posta analityczna modelu,
rozkad skadnika losowego (spenienie zaoe Z3 Z5),
Zasadna powinna by ekstrapolacja zmiennej objanianej i zmiennych objaniajcych poza
zakres obserwacji wykorzystanych do oszacowania modelu.
Predykcja nieobciona w przypadku w przypadku wielokrotnego wyznaczania prognozy w
takich samych warunkach bdy prognozy s wartociami losowymi o redniej rwnej zero. (Nie
popeniamy systematycznego bdu.)
62
(P)
= =1 2
Dzielimy okres obserwacji na dwa podokresy (podzia subiektywny lub wynikajcy z charakteru
danych lub badanego zjawiska). Szacujemy dwa modele (I) i (II) o postaci identycznej jak (P) ale
na dwch prbach odpowiadajcych podokresom.
Obliczamy
RSK(III) = RSK(I) + RSK(II),
RSK(IV) = RSK - RSK(III).
Obliczamy warto statystyki testowej
()/( + 1)
=
()/( 2( + 1))
Hipotezy
0 : parametry modelu (P) s stabilne - () = ( ) = (),
1 : parametry modelu (P) nie s stabilne.
Wnioskowanie
> - odrzucamy H 0 ,
gdzie F* jest wartoci krytyczn przy 1 = + 1 i 2 = 2( + 1) stopniach swobody.
Marcin Topolewski, SGH
63
Prognoza punktowa
Model po oszacowaniu
= 0 + 1 1 + 2 2 + + =
Warto zmiennych objaniajcych w okresie prognozy
= [1 1 2 ], > .
Prognoza warunkowa (zalena od przyjtych wartoci zmiennych objaniajcych)
=
Ocena ex ante prognozy punktowej
redni bd predykcji (prognozy) ex ante
2 () = 2 (1 + ( )1 ) = 1 + ( )1
= 2 +
Wzgldny redni bd prognozy ex ante
= 100%
| |
64
Prognoza przedziaowa
Jeeli skadnik losowy modelu ma rozkad normalny (spenione jest zaoenie 5.) to zmienna
losowa
| |
=
{ < < + } = 1
To znaczy, e z prawdopodobiestwem 1- prognozowana warto zmiennej objanianej mieci
si w przedziale
( ; + ).
1- jest miar wiarygodnoci prognozy.
65
Przykad c.d.
Na podstawie obserwacji dokonanych w fabryce zapaek SMOK WAWELSKI w cigu pierwszych 6
miesicy 2000 roku oszacowano model ekonometryczny nastpujcej postaci
= 11,41 + 0,711 1,442 , gdzie:
zysk w tys. z, 1 liczba podpisanych kontraktw, 2 cena siarki w tys. z za ton, czas,
= 1,2, , 6. Dane przedstawiaj si nastpujco:
1
2
3
4
5
6
8
5
5
9
10
11
1
8
7
9
11
10
9
2
6
8
9
7
6
5
66
Ponadto otrzymano
1
2
3
4
5
6
8,49
4,90
4,88
9,19
9,91
10,64
-0,49
0,10
0,12
-0,19
0,09
0,36
2
0,24
0,01
0,01
0,03
0,01
0,13
2 = 0,43
a) Wyznaczy prognoz punktow zysku dla kolejnego miesica przy zaoeniu, e w tym
miesicu podpisano 10 kontraktw, a cena siarki wyniosa 7 tys. z. Za ton.
b) Obliczy redni bd predykcji i wzgldny redni bd predykcji ex ante.
c) Wyznaczy prognoz przedziaow zysku przyjmujc poziom ufnoci 0,95.
67
a) Prognoza punktowa:
11,41
= [1 10 7] [ 0,71 ] = 8,473.
= [1 10 7],
=
1,44
Przewidywany zysk wyniesie 8 473 z.
b) Bd predykcji ex ante:
1 1 1 1
= [8 7 9 11
6 8 9 7
( )1
1 8 6
1 7 8
1 1
6
1 9 9
= [54
10 9]
1 11 7
6 5
41
1 10 6
[1 9 5]
54
41
496 367]
367 291
0,43
2 =
=
0,14.
( + 1)
3
68
0,29
= 100% =
100% = 3,42%.
| |
|8,47|
c) Prognoza przedziaowa.
Z prawdopodobiestwem 1- prognozowana warto mieci si w przedziale
( ; + ).
Poziom ufnoci 1 = 0,95, zatem poziom istotnoci = 0,05.
Liczba stopni swobody ( + 1) = 6 (2 + 1) = 3. Warto krytyczna = (0,05;3) =
3,18.
Z prawdopodobiestwem 0,95 prognozowana warto zysku zawiera si w przedziale
(8,473 3,18 0,29 ; 8,473 + 3,18 0,29)
(7,548 ; 9,392)
Na 95% zysk wyniesie od 7 548 do 9 392 z.
Marcin Topolewski, SGH
69
1
= ( )
=1
1
| |
=1
1
= |
| 100%
=1
70
1
= ( )2
=1
=1( )
=
2
=1
2
Warto interpretuje si, jako przecitny wzgldny bd prognozy (moe by wyraony w %).
Ponadto 2 mona zapisa, jako sum trzech skadnikw, z ktrych kady dotyczy innego rda
powstawania bdw.
71
Wspczynnik rozbienoci
)2
1
(
=1
2 + 1 ( )2
1
=1
=1
72
Przykad c.d.
W okresie od lipca do padziernika 2000 roku zaobserwowano nastpujce wartoci zmiennych:
1
2
7
8
10
7
8
10
10
13
10
13
11
Obliczy prognoz zysku dla tego okresu, a nastpnie omwi wasnoci prognostyczne modelu
= 11,41 + 0,711 1,442 .
Prognozowane wartoci zysku w badanym okresie (miesice nr 7, 8, 9, 10)
7 = [1 10 7],
11,41
= [1 10 7] [ 0,71 ] = 11,47 1 + 0,71 10 1,44 7 = 8,473.
7 = 7
1,44
73
8 = [1
10 6],
11,41
= [1 10 6] [ 0,71 ] = 11,47 1 + 0,71 10 1,44 6 = 9,911.
8 = 8
1,44
11,41
= [1 13 7] [ 0,71 ] = 11,47 1 + 0,71 13 1,44 7 = 10,610.
9 =
1,44
10
= = 10,623.
redni bd predykcji ex post (dla czterech okresw prognozy)
10
1
= ( )
4
=7
1
= [(8 8,473) + (9 9,911) + (10 10,610) + (13 10,623)]
4
1
= (0,473 0,911 0,610 + 2,377) = 0,096
4
74
1
1
|
|
= = (|8 8,473| + + |13 10,623|)
4
4
=7
1
= (0,473 + + 2,377) = 1,093
4
redni absolutny bd procentowy
10
1
1 8 8,473
13 10,623
= |
| 100% = (|
| + + |
|) 100%
4
4
8
13
=7
= 10,1%
Pierwiastek bdu redniokwadratowego
10
1
1
= ( )2 = [(8 8,473)2 + + (13 10,623)2 ]
4
4
=7
1
= (0,224 + + 5,650) = 1,330
4
75
Wspczynnik Thiela
2
10
(8 8,473)2 + + (13 10,623)2 0,224 + + 5,650
=7( )
=
=
=
2 + + 132
2
8
64 + + 169
10
=7
7,075
=
= 0,017
414
= 0,017 0,131 = 13,1%
2
Wspczynnik rozbienoci
)2
1 10
(
=7
4
2 + 1 10 ( )2
1 10
4 =7
4 =7
= 0,066
76
10,00
11,00
8,00
9,00
10,00
13,00
prognoza
bd ex ante
9,91
10,64
8,47
9,91
10,61
10,62
0,430
0,435
0,643
0,479
7,10
8,53
8,56
9,10
9,84
11,29
12,66
12,15
=
=
=
=
=
=
=
0,095847
1,7688
1,33
1,0927
-0,96133
10,104
13,073
77
redni bd predykcji jest bliski 0 prognoza nie jest obciona (nie popeniamy systematycznego
bdu przewidujc zbyt czsto wartoci mniejsze lub wiksze ni rzeczywiste).
Wartoci redniego absolutnego bdu predykcji i pierwiastka bdu redniokwadratowego maj
widocznie rne wartoci w okresie prognozy wystpiy bdy o duych wartociach (prognozy
znacznie odbiegajce od wartoci empirycznych prognozowanej zmiennej).
redni absolutny bd predykcji jest dosy wysoki (1,093) prognoza jest niezbyt dokadna.
Pierwiastek ze wspczynnika Thiela wynosi 0,131 przecitny wzgldny bd prognozy jest
zadowalajcy i wynosi 13,1%, co potwierdza wnioski wycignite na podstawie MAPE = 10,1%.
78
Stacjonarno i integracja
79
REGRESJA POZORNA
Przykad
120
12000
y (prawy)
x (lewy)
100
10000
80
8000
60
6000
40
4000
20
2000
-20
-2000
0
20
40
60
80
100
80
Przykad c.d.
Model 1: Estymacja KMNK z wykorzystaniem 100 obserwacji 1-100
Zmienna zalena: y
Zmienna Wspczynnik Bd stand. Statystyka t warto p
const
-1666,3
152,882
-10,8993
<0,00001 ***
x
100,195
2,61878
38,2600
<0,00001 ***
Srednia arytmetyczna zmiennej zalenej = 3393,58
Odchylenie standardowe zmiennej zalenej = 3046,46
Suma kwadratw reszt = 5,76527e+007
Bd standardowy reszt = 767,003
Wsp. determinacji R2 = 0,937253
Skorygowany R2 = 0,936613
Stopnie swobody = 98
Statystyka testu Durbina-Watsona = 0,105219
Autokorelacja reszt rzdu pierwszego = 0,938968
WNIOSEK
Statystyka = / dla modeli, w ktrych wystpuj szeregi niestacjonarne nie ma rozkadu tStudenta, a estymator MNK jest zwykle obciony. Modelowanie zmiennoci takich szeregw
wymaga zbadania stopnia integracji kadej zmiennej i ewentualne sprowadzenia
niestacjonarnego szeregu do szeregu stacjonarnego.
Marcin Topolewski, SGH
81
STACJONARNO
Definicja
Proces stochastyczny { } jest cile stacjonarny, jeli czne i warunkowe rozkady
prawdopodobiestwa procesu nie zmieniaj si przy przesuniciach w czasie. To znaczy czny
rozkad zmiennych 1 , 2 , , jest taki sam jak czny rozkad zmiennych
1+ , 2+ , , + , dla dowolnych indeksw , dowolnego i .
Definicja
Proces stochastyczny { } jest sabo stacjonarny, jeeli warto oczekiwana i wariancja procesu
s stae w czasie, a warto kowariancji dla dwch momentw obserwacji zaley tylko od odstpu
midzy nimi, a nie od samych momentw obserwacji. Czyli, gdy:
( ) = ,
( ) = 2 < ,
( , + ) = ( , + ) = .
Dalej przyjmujemy, e szereg czasowy { } jest realizacj procesu stochastycznego { } i mwimy
o stacjonarnoci szeregw czasowych.
82
SZEREGI ZINTEGROWANE
Definicja
Szereg niestacjonarny, ktry mona sprowadzi do szeregu stacjonarnego, obliczajc pierwsze
przyrosty razy nazywamy szeregiem zintegrowanym stopnia i oznaczamy ().
Warto zauway, e
dla ~ (0) i ~ (), szereg ( + ) ~ (),
dla ~ () szereg ( + ) ~ (), gdzie i s staymi.
Operator rnicowy
Pierwsze przyrosty szeregu mona zapisa za pomoc operatora rnicowego
= 1 .
W wyniku dwukrotnego obliczenia pierwszych przyrostw otrzymujemy
2 = = ( 1 ) = ( 1 ) (1 2 ) = 21 + 2 .
Oglnie, szereg krotnie rnicowany oznaczymy
.
Marcin Topolewski, SGH
83
BADANIE STACJONARNOCI
Jeeli zmienna ~ (1), to jest stacjonarna (ma sta redni i wariancj) i podlega jedynie
losowym odchyleniom. Moemy napisa, e
= 1 = ,
gdzie jest czystym skadnikiem losowym. Aby stwierdzi, czy jest zintegrowane
pierwszego stopnia naley zbada regresj
= 1 + ,
Jeli wspczynnik = 1, to szereg jest niestacjonarny. Jeli < 1 to szereg jest
stacjonarny. Jednak weryfikacja hipotezy = 1, za pomoc testu t-Studenta dla regresji dwch
zmiennych zintegrowanych nie przynosi dobrych rezultatw. Dlatego bada si rwnowan
regresj
= (1 + )1 + , gdzie
1 = 1 + ,
= 1 + .
(1 + ) = .
84
= 1 + .
weryfikujemy hipotez
0 : = 0;
szereg jest niestacjonarny, przeciwko
1 : < 0 ;
szereg jest stacjonarny (czyli ~(0)).
Statystyka obliczeniowa
Statystyka DF nie ma rozkadu t-Studenta! Wartoci krytyczne odczytujemy dla okrelonej liczby
obserwacji z tablic dla testu Dickeya-Fullera (maj one wartoci ujemne, ale w tablicach znak moe by pominity!) i wnioskujemy:
<
Marcin Topolewski, SGH
Jeeli szereg jest niestacjonarny, to w celu zbadania stopnia integracji w analogiczny sposb
badamy stacjonarno szeregu . Metod najmniejszych kwadratw szacujemy regresj
= 1 + .
i weryfikujemy hipotez
0 : = 0;
1 : < 0;
Jeeli i w tym przypadku nie moemy odrzuci 0 , to badamy stacjonarno kolejnych przyrostw
, itd. Postpujemy tak a do odrzucenia 0 lub do momentu w ktrym uznamy, e badanie
nastpnych przyrostw nie ma sensu. Zwykle szeregi ekonomiczne nie s zintegrowane w stopniu
wyszym ni 2, zatem zbytnie przeciganie procedury nie ma sensu.
86
= 1 + + .
=1
Wartoci krytyczne dla testu ADF s inne ni dla DF i zale od liczby opnie!
W doborze liczby opnie mona kierowa si statystyk DW.
87
Test Dickeya-Fullera moe rwnie wystpowa w wersji zawierajcej wyraz wolny i trend.
Odpowiednie rwnania przedstawiaj si wwczas nastpujco:
- jeeli w rwnaniu wystpuje staa
= + 1 + .
- jeeli w rwnaniu wystpuje trend deterministyczny
= + + 1 + .
W tym przypadku odrzucenie hipotezy zerowej oznacza, e szereg jest trendostacjonarny
(testujemy brak stacjonarnoci przeciwko trendostacjonarnoci).
Wartoci krytyczne zale od postaci skadowej deterministycznej. Niestety nie ma
jednoznacznych kryteriw wyboru odpowiedniej postaci testu. Polecane jest stosowanie wersji
bardziej rozbudowanych, czyli ze sta lub trendem.
88
= 1 = = (1 ) ,
czyli
= (1 ).
atwo pokaza, e dla opnie wyszego rzdu zachodzi
= (1 ) .
89
Przykad cd.
Rozszerzony test Dickeya-Fullera dla rzdu opnienia 4, dla zmiennej x
liczebno prby 95
Hipoteza zerowa: wystpuje pierwiastek jednostkowy a = 1; proces I(1)
test z wyrazem wolnym (const)
model: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
Autokorelacja reszt rzdu pierwszego: -0,041
estymowana warto (a-1) wynosi: 0,00193042
Statystyka testu: tau_c(1) = 0,20825
asymptotyczna warto p = 0,9732
Rozszerzony test Dickeya-Fullera dla rzdu opnienia 4, dla zmiennej y
liczebno prby 95
Hipoteza zerowa: wystpuje pierwiastek jednostkowy a = 1; proces I(1)
test z wyrazem wolnym (const)
model: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
Autokorelacja reszt rzdu pierwszego: 0,001
estymowana warto (a-1) wynosi: 0,0538374
Statystyka testu: tau_c(1) = 5,87135
asymptotyczna warto p = 1
90
Przykad cd.
W celu zbadania stopnia zintegrowania obliczmy pierwsze przyrosty = 1 :
12
10
d_x
-2
-4
-6
-8
-10
0
20
40
60
80
100
91
Przykad cd.
Pierwsze przyrosty = 1 :
800
600
d_y
400
200
-200
-400
0
20
40
60
80
100
92
2 = = ( 1 ) = ( 1 ) (1 2 ) = 21 + 2 .
1000
800
600
d_d_y
400
200
-200
-400
-600
-800
0
20
40
60
80
100
93
94
95
96
= (1 ) .
Zatem proces (, , ), w ktrym jest zintegrowane stopnia , zapiszemy jako
()(1 ) = + () .
Marcin Topolewski, SGH
97
Kointegracja
98
KOINTEGRACJA
Jeli istnieje dugookresowy zwizek miedzy niestacjonarnymi zmiennymi, a odchylenia od ich
dugookresowej cieki rwnowagi s stacjonarne, to zmienne te s skointegrowane.
Definicja
Szeregi czasowe i s skointegrowane, jeeli:
1) kady z szeregw jest zintegrowany stopnia ,
2) istnieje kombinacja liniowa tych zmiennych, np. 1 + 2 , ktra jest stacjonarna
Wektor [1 2 ] nazywamy wektorem kointegrujcym.
Testowanie kointegracji
Testowanie kointegracji opiera si na zaoeniu, e kointegracja powoduje stacjonarno bdu
rwnowagi. Dla zmiennych i pozostajcych w dugookresowej rwnowadze mamy
= 0 + 1 + ,
= 0 1 .
gdzie jest bdem rwnowagi. Jeeli odchylenia od cieki rwnowagi maj by tylko chwilowe,
to bd rwnowagi jest stacjonarny, czyli
~ (0),
a o zmiennych i (dokadnie o zmiennych [ 1 ]) mwimy, e s skointegrowane
wektorem kointegrujcym [1 0 1 ].
Marcin Topolewski, SGH
99
= 1 + ,
gdzie jest czystym skadnikiem losowym. Wartoci krytyczne odczytujemy w tablicach testu
kointegracji DF z parametrem m rwnym liczbie skadowych wektora kointegrujcego. Tablice te
s skorygowanymi tablicami DF.
W przypadku braku podstaw do odrzucenia 0 mwicej o niestacjonarnoci bdu rwnowagi
testujemy stacjonarno pierwszych rnic bdu rwnowagi e t i dalej ewentualnie wysze
stopnie integracji, a do odrzucenia 0 .
W przypadku wystpowania autokorelacji skadnika losowego wykorzystujemy test ADF
zastosowany do reszt
= 1 + + .
=1
Marcin Topolewski, SGH
100
Przykad c.d.
Zbadajmy kointegracj zmiennych = i . Jak pamitamy obie zmienne s zintegrowane
w stopniu pierwszym, czyli ~ (1), ~ (1).
W tym celu szacujemy model
= +
Model 1: Estymacja KMNK z wykorzystaniem 99 obserwacji 2-100
Zmienna zalena: d_y
Zmienna
Wspczynnik
Bd stand.
Statystyka t
warto p
2,12464
0,304707
6,9727
<0,00001 ***
101
102
= 1 + 2 1 + ,
lub
= 1 + 2 (1 1 ) + ,
gdzie zmienne , oraz 1 = (1 1 ) s stacjonarne.
Marcin Topolewski, SGH
103
Przykad c.d.
Dla badanych wczeniej zmiennych zt i xt model korekty bdem przyjmie posta
= 1 + 2 (1 2,124641 ) + ,
a po oszacowaniu otrzymujemy nastpujce wyniki
Model 2: Estymacja KMNK z wykorzystaniem 98 obserwacji 3-100
Zmienna zalena: d_d_y
Zmienna
d_x
uhat_1
Wspczynnik
32,0085
-1,3056
Bd stand.
Statystyka t
4,029
7,9445
0,0755998
-17,2698
warto p
<0,00001 ***
<0,00001 ***
104
105
106
Przykad
Ponisza tabela zawiera dane dotyczce miesicznych dochodw i wydatkw na konsumpcj.
Numer okresu
5
6
7
8
9
10
30
31
32
KONS(t)
1429,70
1506,80
1608,90
1629,80
1594,40
1752,70
DOCH(t)
1575,00
1725,00
1875,00
1800,00
1725,00
2100,00
2609,00 3000,00
2742,20 3150,00
2913,00 3375,00
DOCH(t-1)
1650,00
1575,00
1725,00
1875,00
1800,00
1725,00
DOCH(t-2)
1500,00
1650,00
1575,00
1725,00
1875,00
1800,00
2850,00
3000,00
3150,00
2700,00
2850,00
3000,00
(0,08) (0,0001)
Marcin Topolewski, SGH
(0,0001)
(0,0001)
107
(0,08) (0,0001)
(0,0001)
(0,0001)
108
Wagi
Zmiana dochodu o jedn zotwk w danym miesicu spowoduje zwikszenie wydatkw
konsumpcyjnych w tym samym miesicu o
0 =
0 0,4999
=
0,56 = 56%.
0,8889
Czyli, 56% cakowitego wzrostu konsumpcji nastpuje w tym samym miesicu, co wzrost
dochodu.
Zmiana dochodu o jedn zotwk w danym miesicu spowoduje zwikszenie wydatkw
konsumpcyjnych w nastpnym miesicu o
1 =
1
0,25
=
0,28 = 28%.
0,8889
Czyli po upywie miesica od wzrostu dochodu obserwujemy 56% + 28% = 84% cakowitego
wzrostu konsumpcji pod wpywem wzrostu dochodu.
109
0,8889
Czyli po upywie dwch miesicy od wzrostu dochodu obserwujemy 56% + 28% + 16% =
100% cakowitego wzrostu konsumpcji pod wpywem wzrostu dochodu.
rednie opnienie
2=0 0 0,4999 + 1 0,25 + 2 0,139
=
=
0,594.
0,8889
Wzrost dochodu powoduje efekt wzrostu konsumpcji rednio po 0,594 miesica.
110
1
1
111
(Transformacja Koycka)
112
Przykad
Podjto prb estymacji modelu z transformacj Koycka. Zmienn objanian jest konsumpcja
lodw w rodzinie Kowalskich, za objaniajc - ich dochody.
Posta modelu przed transformacj
= + 0 + 1 1 + 2 2 + + , gdzie = 0 .
Posta modelu po transformacji
= 0 + 0 + 1 + .
Posta modelu po oszacowaniu
= 0,85 + 0,34 + 0,4611 .
+ 0,03332 +
Marcin Topolewski, SGH
113
=0
1 =1
Mnonik
dugookresowy
pozwala
na
wyznaczenie
wektora
kointegrujcego
[1 ] dla zmiennych i (o ile reszty = s stacjonarne) i zapisanie modelu
korekty bdem w postaci
= 1 + 2 (1 1 ) +
Marcin Topolewski, SGH
114
Przykad
Model 3: Estymacja KMNK z wykorzystaniem 97 obserwacji 4-100
Zmienna zalena: d_y
Zmienna Wspczynnik
x
38,1028
x_1
-16,4272
x_2
-18,5855
d_y_1
-0,619288
d_y_2
-0,300069
Bd stand.
4,20266
5,33891
5,0306
0,0905466
0,0747605
Statystyka t warto p
9,0664
<0,00001
-3,0769
0,00276
-3,6945
0,00037
-6,8394
<0,00001
-4,0137
0,00012
***
***
***
***
***
=
=
4,0095
1 1 2
1 + 0,619288 + 0,300069
115
= 1 + 2 (1 4,00951 ) +
Oszacowanie takiego modelu daje nastpujce wyniki:
Marcin Topolewski, SGH
116
Wspczynnik
28,5728
-0,886145
***
***
Czyli
= 28,578 0,88611
.
Marcin Topolewski, SGH
117
Modele nieliniowe
118
119
= 0 11 22 .
(5) model logitowy (nieliniowy wzgldem parametrw i zmiennych)
=
1
1 + (+ + )
120
Linearyzacja i wnioskowanie
Modele nieliniowe wzgldem zmiennych linearyzuje si poprzez przedefiniowanie zmiennych
(uycie zmiennych pomocniczych). Na przykad dla modelu
= 0 + 1 + 2 2 + 3 +
wprowadzamy zmienne = 2 oraz = otrzymujc
= 0 + 1 + 2 + 3 + .
Modele nieliniowe wzgldem parametrw linearyzuje si zwykle przez logarytmowanie.
Na przykad model trendu wykadniczego
= ++ .
po zlogarytmowaniu ma posta
= ( + + ) = + + .
Po oszacowaniu otrzymujemy
= + ,
= + .
Jest to model trendu o staym okresowym tempie wzrostu, przy czym moemy powiedzie, e
121
model logarytmiczno-liniowy
= 0 + 1
= 0 + 1
= 0 + 1 +
model logarytmiczno-liniowy
122
123
= > 0
oraz
>0
Kracowa produkcyjno czynnika maleje wraz ze wzrostem nakadw tego czynnika, czyli
2
= 2 < 0
oraz
2
2
<0
Kracowa produkcyjno czynnika ronie wraz ze wzrostem nakadw drugiego czynnika, czyli
2
= > 0
oraz
= > 0
124
Elastyczno
Elastyczno produkcji wzgldem czynnika produkcji to stosunek wzgldnego przyrostu produkcji
do wzgldnego przyrostu tego czynnika.
Elastyczno produkcji wzgldem kapitau
/
= =
=
=
125
Lub na odwrt, jaki przyrost zatrudnienia zastpi jednostk majtku (kracowa stopa substytucji
majtku zatrudnieniem).
1
= .
Linie obrazujce proporcje czynnikw produkcji, dla ktrych warto produkcji jest taka sama to
izokwanty produkcji.
126
Jednorodno
Funkcja produkcji jest funkcj jednorodn stopnia , jeli
(, ) = (, )
= 1 stae efekty skali, -krotny wzrost nakadw kadego czynnika produkcji wywouje
-krotny wzrost produkcji,
> 1 rosnce efekty skali - ... wicej ni -krotny wzrost produkcji,
< 1 malejce efekty skali - ... mniej ni -krotny wzrost produkcji,
Autonomiczne tempo zmian
Co dzieje si z produkcj dla rnych t przy niezmienionych nakadach czynnikw.
Zadanie
Rozwa wyej wymienione pojcia dla nastpujcych funkcji produkcji:
a) = 0,2 + 0,3,
2
b) = 1,5+0,5.
Marcin Topolewski, SGH
127
= + + + +
= + + + +
Po oszacowaniu:
= + + +
= + + +
= =
=
128
Przykad
Dla oszacowanej funkcji produkcji
= 3 + 0,2 + 0,4 + 0,075
a) Sprawd i zinterpretuj podstawowe zaoenia dotyczce:
- kracowej produkcyjnoci w roku = 10 dla = 100 i = 50.
- elastycznoci produkcji wzgldem kadego czynnika,
- kracowej stopy substytucji gdy techniczne uzbrojenie pracy jest rwne 2,
- przychodw wzgldem skali produkcji,
- autonomicznego tempa wzrostu produkcji.
Funkcja produkcji Cobba-Douglasa ma posta
0,075
= 30,2 0,4
129
Kracowa produkcyjno
Jak zmienia si produkcja, jeli nakad jednego czynnika wzrasta o jednostk?
=
=
= 1 ,
= 1 .
130
Jaka jest dynamika zmian produkcji, przy wzrocie nakadw jednego czynnika i niezmienionych
nakadach drugiego czynnika?
=
=
2
2
2
2
= ( 1) 2 ,
= ( 1) 2 .
131
Jak zmienia si produkcyjno jednego czynnika, gdy nakady drugiego czynnika s coraz wiksze?
2
= = 1 1 ,
2
= = 1 1 .
Warunkiem na to, by > 0 oraz > 0 jest
> 0, > 0, > 0.
Wniosek:
Przy coraz wikszych nakadach jednego czynnika, takie same nakady drugiego czynnika
wywouj coraz wiksze przyrosty produkcji.
132
Przykad c.d.
0,075
= 30,2 0,4
Wzrost zatrudnienia o jednostk (c.p.) powoduje wzrost produkcji przecitnie o 0,61 jednostki.
Warunkiem na to, by > 0 oraz > 0 jest
> 0, > 0, > 0.
Warunkiem na to, by < 0 oraz < 0 jest
< 1, < 1.
Warunkiem na to, by > 0 oraz > 0 jest
> 0, > 0, > 0.
W powyszym przykadzie = 3, = 0,2, = 0,4, zatem wszystkie warunki s spenione.
Marcin Topolewski, SGH
133
Elastyczno
Jak zmienia si produkcja, jeli nakad jednego z czynnikw wzrasta o x%?
Funkcja C-D jest potgowa, zatem parametry oraz oznaczaj elastyczno wzgldem,
odpowiednio, i , czyli
1
=
=
=
=
/ =
=
= 1
=
Wniosek:
1-procentowy wzrost przy nie zmienionym powoduje -procentowy wzrost produkcji,
x-procentowy wzrost przy nie zmienionym powoduje x-procentowy wzrost produkcji.
Interpretacja jest analogiczna.
134
Przykad c.d.
Funkcja produkcji
0,075
= 30,2 0,4
= 0,2
0,075
30,2 0,4
1% wzrost kapitau przy staym zatrudnieniu powoduje wzrost produkcji przecitnie o 0,2%.
Elastyczno produkcji wzgldem pracy
/ =
0,075
=
= 3 0,4 0,2 0,6
1% wzrost pracy przy staym kapitale powoduje wzrost produkcji przecitnie o 0,4%.
135
= =
=
.
0,4
= =
=
2 = 4
0,2
Jednostkowy spadek zatrudnienia zostanie zrekompensowany przez wzrost majtku o 4
jednostki (kracowa stopa substytucji zatrudnienia majtkiem wynosi 4).
Marcin Topolewski, SGH
136
Jednorodno
W jakim stopniu wzrasta , jeli nakady obu czynnikw wzrastaj w jednakowym stopniu ?
(, ) = ( ) ( ) = + = + (, )
Jest to funkcja jednorodna stopnia + .
Wniosek:
+ = 1 stae efekty skali,
+ > 1 rosnce efekty skali,
+ < 1 malejce efekty skali
Przykad c.d.
0,075
= 30,2 0,4
137
+1 +1
+1 (+1) (+1)
=
=
= .
+1
= = 0,075 = 1,07788.
Z okresu na okres, ceteris paribus, produkcja wzrasta o okoo 7,5% (dokadnie 7,788%).
Marcin Topolewski, SGH
138
Przykad c.d
a) Oblicz o ile zmieni si produkcja, jeli i zostan zmniejszone o 7%.
= 1 0,07 = 0,93
= + = 0,930,4+0,2 = 0,9574
1 0,9574 = 0,0426
Produkcja zmniejszy si o 4,26%.
b) Oblicz, o ile naley zwikszy , aby przy spadku o jednostk, warto produkcji nie ulega
zmianie dla = 10, = 100 i = 50.
1
0,2 50
1
= =
=
=
0,4 100
4
139
140
141
142
Podstawow wad LMP jest to, e otrzymane w prawdopodobiestwa mog wychodzi poza
przedzia <0 ; 1> . Ponadto zwykle wystpuje heteroskedastyczno skadnika losowego.
143
Odch.stand.zm.zalenej
Bd standardowy reszt
Skorygowany R-kwadrat
Warto p dla testu F
Kryt. inform. Akaike'a
Kryt. Hannana-Quinna
0,462910
0,348311
0,433836
1,20e-07
38,38689
39,84311
144
145
146
Model logitowy
W przypadku modelu logitowego
(0 + 1 1 + 2 2 + + )
=
1 + (0 + 1 1 + 2 2 + + )
= 0 + 1 1 + 2 2 + +
=
1 +
1 =
1
1 +
=
1
Ostatecznie dostajemy model logitowy, liniowy wzgldem parametrw i zmiennych
= = 0 + 1 1 + 2 2 + +
1
e zmienna przyjmie warto 1, logit jest logarytmem ilorazu szans przyjcia i nieprzyjcia
przez zmienn wartoci 1.
Marcin Topolewski, SGH
147
Waciw metod estymacji parametrw tego modelu jest metoda najwikszej wiarygodnoci
(MNW), ktra wykorzystuje zaoenie o postaci rozkadu logistycznego.
Ze wzgldu na nieliniowo w modelu logitowym nie mona stosowa zwykego wspczynnika
determinacji R2. Czsto podaje si warto pseudo-R2 McFaddena, ktry oblicza si wedug
wzoru:
2 = 1
gdzie jest logarytmem funkcji wiarygodnoci dla modelu penego, natomiast dla
modelu zredukowanego do wyrazu wolnego.
Pseudo-R-kwadrat moe suy do porwna pomidzy logitowymi modelami
niezagniedonymi dla tej samej zmiennej.
148
Tablica trafnoci
Jako prognozy ex post wygodnie jest przedstawi za pomoc tablicy trafnoci.
Prognozowane
Empiryczne
= 1
= 0
Razem
= 1
11
10
= 0
01
00
Razem
Udzia poprawnych trafie w liczbie obserwacji jest traktowany, jako miara jakoci dopasowania
modelu i nazywany zliczeniowym R2
11 + 00
=
149
Odch.stand.zm.zalenej
Skorygowany R-kwadrat
Kryt. inform. Akaike'a
Kryt. Hannana-Quinna
0,462910
0,341911
40,20030
41,65652
150
151
152
Efekty kracowe
Reakcja zmiennej na wzrost wartoci zmiennej nie jest staa, lecz zaley wartoci wszystkich
zmiennych objaniajcych 1 , 2 , , .
= (1 ) =
(0 + 1 1 + 2 2 + + )
(1 + (0 + 1 1 + 2 2 + + ))
= = 0 + 1 1 + 2 2 + +
1
iloraz szans
zmieni si razy.
153
Odch.stand.zm.zalenej
Skorygowany R-kwadrat
Kryt. inform. Akaike'a
Kryt. Hannana-Quinna
0,462910
0,341911
40,20030
41,65652
154
Model probitowy
Utrzymujc zaoenie, o zalenoci liniowej cech i-tego obiektu
= 0 + 1 1 + 2 2 + +
w modelu probitowym przyjmuje si, e prawdopodobiestwa s wartociami dystrybuanty
standardowego rozkadu normalnego N(0,1) w punktach . Wartoci nazywa si probitami lub
normitami. Wartoci prawdopodobiestwa dane s, jako wartoci dystrybuanty
standardowego rozkadu normalnego N(0,1) w punktach
2
2 .
155
Efekty kracowe
W modelu probitowym, tak jak w modelu logitowym, reakcja zmiennej na wzrost wartoci
zmiennej nie jest staa, lecz zaley wartoci wszystkich zmiennych objaniajcych
2
=
2
156
Odch.stand.zm.zalenej
Skorygowany R-kwadrat
Kryt. inform. Akaike'a
Kryt. Hannana-Quinna
0,462910
0,346548
39,91708
41,37330
157
158
159
Odch.stand.zm.zalenej
Skorygowany R-kwadrat
Kryt. inform. Akaike'a
Kryt. Hannana-Quinna
0,462910
0,346548
39,91708
41,37330
Efekty kracowe
Dla rodzin o dochodach zblionych do rednich w prbie, wzrost redniego dochodu rodziny o
jeden tysic zwiksza prawdopodobiestwo posiadania wasnego domu przecitnie o 0,0073.
Zwizki midzy parametrami modelu logitowego i probitowego:
Logit
Probit
Logit/Probit ()
0,0396580
0,0230812
1,7181949
Marcin Topolewski, SGH
160
161
prba cenzurowana dane dla zmiennych objaniajcych dostpne take wtedy, gdy nie
obserwuje si zmiennej objanianej to znaczy rwnie wtedy, gdy zmienna objaniana wynosi
zero. Zmienna jest wwczas zmienn cenzurowan
1 , . . . , , +1 , . . . ,
1 , . . . , , 0, . . . , 0
Model tobitowy (model regresji cenzurowanej):
= 0 + 1 1 + 2 2 + +
= {
0
dla > 0
dla 0
Warto oczekiwana ( | ) jest nieliniow funkcj zmiennych , zatem estymatory MNK nie
s estymatorami zgodnymi, a wic do oszacowania parametrw modelu tobitowego naley uy
MNW przyjmujc, e ~(0; 2 ).
Marcin Topolewski, SGH
162
Efekty kracowe
- dla > 0 (wpyw maej zmiany na , tylko dla dodatnich )
( | > 0, )
= {1 ( )[ + ( )]},
gdzie =
0 +
1 1 +
2 2 ++
( )
oraz ( ) = ( ).
( | )
przyblione oceny MNK (poza wyrazem wolnym), oceny MNW naley pomnoy przez udzia
niezerowych obserwacji w prbie.
Marcin Topolewski, SGH
163
Dzikuj za uwag
164