I. Wyklad - Modelowanie Ekonometryczne

Modelowanie ekonometryczne
Metoda najmniejszych kwadratw
Marcin Topolewski, SGH
Model ekonometryczny
= 0 + 1 1 + 2 2 + + +
1 , 2 , ,
0 , 1 , 2 , ,
= 1, 2, ,
- zmienna objaniana (wartoci empiryczne)

- zmienne objaniajce (k)
- parametry strukturalne (k+1)
- skadnik losowy
1
1 11 21
1 12 22
[ 2]
=[
[1]
1 1 2
0
1
1
1
2
2
]
+[ ]
2
[1]
[+1]
[ ][1]
= +
Model ekonometryczny po oszacowaniu

= 0 + 1 1 + 2 2 + +
1 , 2 , ,
0 , 1 , 2 , ,
- wartoci teoretyczne zmiennej objanianej

- zmienne objaniajce (k)
- oszacowania parametrw strukturalnych (k+1)
1
1 11 21
1 12 22
2
=[
1 1 2
[ ][1]
0
1
1
2
]
2
[+1]
[ ][1]
Reszty
=
- reszta dla t-tej obserwacji,
1
2
=
=[ ]=
- wektor reszt modelu.
Metoda najmniejszych kwadratw MNK
Metoda najmniejszych kwadratw polega na wyznaczeniu takiego wektora oszacowa

) = = =1 2 osiga minimum.
wektora parametrw , przy ktrym funkcja (
) = .
(
Po rozwiniciu otrzymujemy
) = = (
) (
) = 2
+

.
(
) jest
Warunkiem koniecznym istnienia ekstremum funkcji (
)
(
= 0,
Zatem mamy
= 0,
2 + 2
= .

Estymator MNK:
= ( )1 .
Ponadto macierz drugich pochodnych czstkowych

)
2 (
2
) = osiga minimum.
jest dodatnio okrelona, a wic funkcja (
Klasyczna metoda najmniejszych kwadratw (KMNK) - zaoenia:

Z1 - nielosowe, nieskorelowane z ,
Z2 () = + 1 ,
Z3 () = ,
Z4 2 () = ( ) = 2 ;
2 < .
Dodatkowe zaoenie (wane dla prawidowej weryfikacji modelu)
Z5 ~(0; 2 ), = 1, 2, , .
Zaoenie 2. ma charakter algebraiczny i jest niezbdne, aby moliwe byo obliczenie estymatora
MNK.
Zaoenia od 3. do 5. dotycz waciwoci skadnika losowego i zapewniaj korzystne wasnoci
estymatora, oraz umoliwiaj dalsz weryfikacj statystyczn modelu.
Zaoenie 4. mwi o odpowiedniej postaci macierzy wariancji kowariancji skadnika losowego:
2 0 0
2
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).
Twierdzenie Gaussa-Markowa
wyznaczony KMNK jest estymatorem:
Estymator
- liniowym,
) = ,
- nieobcionym (
- zgodnym,
- najefektywniejszym w klasie liniowych i nieobcionych estymatorw.
Interpretacja ocen parametrw

Dla oszacowanego modelu ekonometrycznego
= 0 + 1 1 + 2 2 + + .
Oszacowanie nieznanego parametru interpretujemy nastpujco:
wzrost zmiennej o jednostk, przy innych zmiennych pozostajcych na tych samych
poziomach, powoduje zmian zmiennej przecitnie o jednostek.
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.
Graficznie obserwacje przedstawiaj si nastpujco

12
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
Zatem model po oszacowaniu ma posta

= 11,41 + 0,711 1,442
Interpretacja oszacowa parametrw:
Wzrost liczby podpisanych kontraktw o jednostk, przy niezmienionej cenie siarki, powoduje
wzrost zysku przecitnie o 710 zotych.
Wzrost ceny siarki o 1 tysic zotych za ton powoduje, ceteris paribus, spadek zysku rednio o
1440 zotych.
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
Klasyfikacja modeli ekonometrycznych:

KRYTERIUM 1. Liczba rwna w modelu.
modele jednorwnaniowe (na przykad = 0 + 1 + ),
= 0 + 1 + 2 + 1
modele wielorwnaniowe (na przykad
).
= 0 + 1 + 2 + 3 + 2
KRYTERIUM 2. Posta analityczna zalenoci funkcyjnych w modelu.
modele liniowe (na przykad = 0 + 1 + ),
modele nieliniowe (na przykad = 0 1 2 ).

KRYTERIUM 3. Rola czynnika czasu w rwnaniach modelu.
modele statyczne (na przykad = 0 + 1 + ),
modele dynamiczne (na przykad = 0 + 1 + 2 1 + ).
KRYTERIUM 4. Oglnopoznawcze cechy modelu.
modele przyczynowo-opisowe (na przykad = 0 + 1 + ),
modele symptomatyczne (na przykad = 0 + 1 1 + ).
KRYTERIUM 5. Charakter powiza midzy zmiennymi (modele wielorwnaniowe).
modele proste,
modele rekurencyjne,
modele rwnaniach wspzalenych.
18
Modele trendu (modele tendencji rozwojowej)

Modele, w ktrych zmienna czasowa jest jedyn zmienn objaniajc.
Trend liniowy
= 0 + 1 +
Trend wykadniczy
= 0 1
Trend potgowy
Trend logarytmiczny
= 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
Model autoregresyjny z rozkadem opnie (ADL(m,k))

Model, w ktrym wystpuj opnione wartoci zmiennej endogenicznej i egzogenicznej.
= 0 + 1 1 + 2 2 + + 0 + 1 1 + 2 2 + + + .
Na przykad model ADL(1,1) ma posta
= 0 + 1 1 + 0 + 1 1 + .
Model z nieskoczonym rozkadem opnie
= + 0 + 1 1 + 2 2 + + .
Model Koycka
Zakadamy, e parametry przy opnionej zmiennej malej geometrycznie i zwizane s
zalenoci
= 0 ,
gdzie
= 0, 1, 2, oraz 0 < < 1,
po transformacji Koycka otrzymujemy model autoregresyjny zwany modelem Koycka

= 0 + 0 + 1 + ,
gdzie
0 = (1 ) oraz = 1 .
20
Metoda najwikszej wiarygodnoci (Maximum Likelihood)

MNW jest powszechnie stosowan metod estymacji modeli nieliniowych, wielorwnaniowych
oraz modeli z jakociow zmienn objanian, ktre s tematem rozdziau 6. W niektrych
przypadkach mona j stosowa do estymacji modeli, w ktrych nie s spenione klasyczne
zaoenia dotyczce skadnika losowego. Estymator MNW jest w oglnym przypadku
estymatorem obcionym, a jego wasnoci w maej prbie nie s znane. Podstawowym
pojciem zwizanym z t metod jest wiarygodno i funkcja wiarygodnoci. Wiarygodnoci nelementowej prby dla populacji o rozkadzie cigym nazywamy warto wyraenia
( , ) = =1 ( , ),
gdzie:
funkcja gstoci rozkadu prawdopodobiestwa,
= [1 , 2 , ] prba statystyczna,
wektor parametrw.
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
Metoda zmiennych instrumentalnych

W przypadku, gdy zmienne objaniajce s skorelowane ze skadnikiem losowym (a wic
niespenione jest zaoenie Z1 MNK), zastosowanie znajduje metoda zmiennych
instrumentalnych (Instrumental Variables). Polega ona na znalezieniu zmiennej zastpczej
(proxy), skorelowanej ze zmienn objaniajc, ktr ma zastpowa, ale nieskorelowanej ze
skadnikiem losowym modelu. Metoda ta daje estymatory zgodne, ale obcione. Niestety w
praktyce znalezienie odpowiedniej zmiennej zastpczej nie jest proste.
Uoglniona metoda momentw
Do estymacji modeli opartych na danych panelowych suy uoglniona metoda momentw,
UMM (lub GMM, ang. Generalised Method of Moments). Metoda ta wymaga sformuowania
zaoe na temat momentw rozkadu zawierajcych zaobserwowane dane oraz nieznane
parametry.
23
Weryfikacja modelu ekonometrycznego
24
JAKO DOPASOWANIA MODELU

Wspczynnik determinacji 2
=1( )2
=1( )2

2
=
=1
=1
=1( )2
=1( )2
2
2 0; 1
Interpretacja dla liniowego modelu z wyrazem wolnym oszacowanego MNK:
2 100% - procent zmiennoci zmiennej objanianej wyjaniany przez model.
Skorygowany wspczynnik determinacji 2
(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
25
Przykad (cig dalszy)

miesicy 2000 roku uzyskano nastpujce dane:
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
26
Podstawiajc wartoci zmiennych objaniajcych do modelu otrzymano wartoci . Nastpnie

obliczono reszty dla kolejnych obserwacji
=
Otrzymano
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
(8,49 8)2 + (4,909 8)2 + + (10,64 8)2 31,57

(
)
=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
27
zmienne: cena siarki i liczba podpisanych kontraktw). Jednoczenie 1% zmiennoci zysku

spowodowane jest czynnikami nieujtymi w modelu.
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
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
Kryterium informacyjne Akaike ()

Zwykle kryteria informacyjne definiowane s jako przecitna warto logarytmu funkcji
wiarygodnoci skorygowana o rnie zdefiniowan funkcj straty.
Dla modeli szacowanych MNK najbardziej popularne wyraa si wzorem
1
2
2
= ln +
=1
Kara nakadana przez kryterium na zbdne zmienne objaniajce jest silniejsza ni w

przypadku skorygowanego wspczynnika determinacji oraz alternatywnych kryteriw
informacyjnych Schwarza i Hannana Quinna.
Oglna posta kryterium AIC (gdzie ( ) oznacza warto funkcji wiarygodnoci)
= 2 ln ( ) + 2
Kryterium Schwarza BIC
= 2 ln ( ) + ln
Kryterium Hannana Quinna HQC
= 2 ln ( ) + 2 ln ln
29
DOKADNO OSZACOWANIA PARAMETRW
Macierz wariancji i kowariancji wektora ocen

) = 2 ( )1
2 (
Oszacowanie wariancji skadnika losowego

2
=
( + 1)
Oszacowanie macierzy wariancji i kowariancji estymatora

) = 2 ( )1 = [ ]
2 (
(+1)(+1)
redni bd szacunku parametru (dokadno oszacowania parametru)

=
Interpretacja:
Twierdzc, e warto nieznanego parametru wynosi mylimy si przecitnie o .
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
Model moemy teraz zapisa:

= 11,41 + 0,711 1,442
(1,494) (0,123) (0,118)
--------------------------------------------------------------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
***
Suma kwadratw reszt
0,434505
F(2, 3)
108,9706
6,650694
Warto p dla testu F
2,529822
0,380572
0,977370
0,001582
7,275416
4,774604
1,350780
32
redni wzgldny bd szacunku parametru (dokadno oszacowania parametru)
=
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%.
33
WERYFIKACJA MODELU EKONOMETRYCZNEGO

Istotno pojedynczej zmiennej objaniajcej - test t-Studenta
0 : = 0, zmienna jest nieistotna statystycznie
1 : 0, zmienna jest istotna statystycznie
Jeli spenione jest zaoenie (Z5) skadnik losowy ma rozkad normalny to statystyka
= ~ t Studenta z n (k + 1) stopniami swobody
Wnioskowanie:
|| > odrzucamy 0
|| nie ma podstaw do odrzucenia 0
Gdzie = (;) jest odpowiedni wartoci krytyczn w rozkadzie t-Studenta.
34
Graficznie wnioskowanie mona przedstawi nastpujco

Rozkad t-Studenta
Brak podstaw do odrzucenia
H0
Odrzucenie H0
Odrzucenie H0
0.00
Empiryczny poziom istotnoci

W praktyce o odrzuceniu hipotezy zerowej wnioskuje si na podstawie empirycznego poziomu
istotnoci warto p (ang. p-value). Jest to prawdopodobiestwo odrzucenia prawdziwej
hipotezy zerowej (prawdopodobiestwo popenienia bdu pierwszego rodzaju) dla przy
otrzymanej wartoci statystyki testowej.
Technicznie warto p jest prawdopodobiestwem w rozkadzie statystyki testowej odcitym
przez warto obliczeniow statystyki (jedno lub dwustronnym zalenie od postaci hipotezy
zerowej).
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
2 = 2 2 = 1,440,118 = 12,203
36

--------------------------------------------------------------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
***
Suma kwadratw reszt
0,434505
F(2, 3)
108,9706
6,650694
Warto p dla testu F
2,529822
0,380572
0,977370
0,001582
7,275416
4,774604
1,350780
37
Istotno wszystkich zmiennych objaniajcych uoglniony test Walda

Rozwamy dwa modele ekonometryczne: podstawowy (P) i ucity (U):
= 0 + 1 1 + 2 2 + + +
(P)
= 0 +
(U)
Weryfikujemy:
0 : 1 = 2 = = 0 (wszystkie zmienne s nieistotne),
1 : co najmniej jeden z parametrw jest rny od zera.
Warto statystyki testowej
2
=
(1 2 )[ ( + 1)]
gdzie 2 jest wspczynnikiem determinacji modelu (P).
Wnioskowanie:
>
odrzucamy 0
nie ma podstaw do odrzucenia 0

jest wartoci krytyczn rozkadu F-Snedecora z 1 = oraz 2 = ( + 1) stopniami
swobody przy poziomie istotnoci .
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
Test pominitej zmiennej

Test sprawdza czy specyfikacja zmiennych w modelu jest poprawna czyli, czy jedna lub wicej
ze zmiennych objaniajcych nie powinna zosta usunita. Po oszacowaniu parametrw modelu
bez wybranych zmiennych testuje si hipotez zerow, e wybrane zmienne s cznie nieistotne,
przeciwko hipotezie, e przynajmniej jedna z nich jest istotna.
Test dodanej zmiennej
Jak powyej, z tym, e testujemy czn nieistotno dodanych zmiennych.
40
Test specyfikacji modelu RESET (Regression Specification Error Test)

Test RESET wystpuje w dwch wersjach. W pierwszej z nich do wyjciowego rwnania docza
si kwadraty i ewentualnie wysze potgi oraz iloczyny wszystkich par zmiennych. Hipoteza
zerowa o poprawnoci funkcyjnej testu jest rwnowana hipotezie, e parametry przy wszystkich
dodanych zmiennych s rwne zero.
Poniewa dodanie tak znacznej liczby zmiennych powoduje utrat wielu stopni swobody,
bardziej popularna jest druga wersja testu RESET, w ktrej do wyjciowego rwnania doczane
s kolejne potgi wartoci teoretycznych zmiennej objanianej, wyliczonych na podstawie
wyjciowego rwnania.
Najczciej stosowany jest test RESET(2), w ktrym do wyjciowego modelu doczane s dwie
dodatkowe zmienne, bdce kwadratami i trzecimi potgami teoretycznych wartoci zmiennej
objanianej wyjciowego modelu.
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
odczytujemy dla liczby stopni swobody 1 = 2 oraz 2 = ( + 1 + 2)
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)
Po oszacowaniu modelu (1) teoretyczne wartoci zmiennej Y dodawane s, jako zmienna

objaniajca do modelu (2); jeli zmienna ta okazuje si statystycznie nieistotna, model (2) jest
traktowany, jako kompletny.
Procedura ta jest nastpnie powtarzana po odwrceniu kolejnoci modeli.
Wynik testu jest jednoznaczny, jeli jeden z dwch konkurencyjnych modeli mona oceni, jako
kompletny, a drugi nie. Zdarza si jednak, e odrzucamy lub przyjmujemy oba modele; w tym
drugim przypadku oznacza to zazwyczaj, e nie dysponujemy wystarczajco dobrymi danymi, aby
zrnicowa oba modele.
44
Weryfikacja modelu ekonometrycznego c.d.
45
Rozkad normalny skadnika losowego test Jarque-Bery

Normalno skadnika losowego (spenienie zaoenia Z5 MNK) ma wane znaczenie dla dalszej
weryfikacji modelu, w szczeglnoci zaoenia Z4 i istotnoci zmiennych.
Badamy hipotezy:
0 : skadnik losowy ma rozkad normalny,
1 : skadnik losowy nie ma rozkadu normalnego.
Statystyka
1
= (6 1 + 24 (2 3)2 ) ~ 2 z dwoma stopniami swobody.

Weryfikacja:
> 2 odrzucamy 0 ,
2 nie ma podstaw do odrzucenia 0 .
Gdzie:
1
1 = =1 3 (miara asymetrii),
2 = =1
4
4
(miara kurtozy),
= =1 2 (obciony estymator odchylenia standardowego skadnika losowego).
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
Autokorelacja skadnika losowego test Durbina-Watsona (DW)

Wystpowanie autokorelacji skadnika losowego powoduje niespenienie Z4!
Test Durbina-Watsona bada wystpowanie autokorelacji I-go rzdu, czyli
= 1 + ,
|| < 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]
Autokorelacja I-go rzdu

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.
48
Test Durbina-Watsona moemy stosowa, gdy w modelu:

- jest wyraz wolny
- ~
- nie wystpuje opniona zmienna objaniana, jako zmienna objaniajca.
Wwczas obliczamy statystyk
=2( 1 )2
= =
~(,)
=1 2
0; 4
Warto statystyki mona w przyblieniu obliczy, jako
2(1 )
gdzie jest oszacowaniem wspczynnika autokorelacji
=2 1
=
=2 2 =2 1 2
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
< < brak decyzji

2) Gdy weryfikujemy hipotez o autokorelacji ujemnej ( > 2):

1 : < 0 - wystpuje autokorelacja ujemna I-go rzdu
4
odrzucamy 0
4 < < 4 brak decyzji

4
50
Odrzucamy
H0:
dodatnia
autokorelacja
dL
Brak
decyzji
Brak podstaw do odrzucenia

H0:
brak autokorelacji
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.
(0,1(0,49)) +(0,120,1)2 +(0,190,12)2 +(0,09(0,19)) +(0,360,09)2

(0,49)2 +0,12 +0,122 +(0,19)2 +0,092 +0,362
1,3508
Poniewa < 2 testujemy brak autokorelacji przeciwko wystpowaniu autokorelacji dodatniej:

1 : > 0 - wystpuje autokorelacja dodatnia I-go rzdu
=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.
52
- nieobciony estymator :
2(1 ) 0,5 + 1, 0,5 1,3508 + 1 = 0,3246.
--------------------------------------------------------------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
***
Suma kwadratw reszt
0,434505
F(2, 3)
108,9706
6,650694
Warto p dla testu F
2,529822
0,380572
0,977370
0,001582
7,275416
4,774604
1,350780
53
Autokorelacja skadnika losowego test Breuscha Godfreya (LM)

Pozwala testowa wystpowanie autokorelacji rzdu 1, bez dodatkowych warunkw.
Szacujemy model podstawowy
= 0 + 1 1 + 2 2 + + +
(P)
W celu testowania autokorelacji skadnika losowego rzdu do wykorzystujemy reszty z modelu
podstawowego i szacujemy rwnanie regresji modelu pomocniczego
= 0 + 1 1 + 2 2 + + + +1 1 + + + +
(H)
Weryfikujemy hipotez
0 : 1 = = = 0 - brak autokorelacji skadnika losowego modelu podstawowego
1 : przynajmniej jeden parametr 0 - autokorelacja wystpuje
Obliczamy wspczynnik determinacji 2 modelu pomocniczego (H) i statystyk
= ( ) 2 ~ 2 ()
Wnioskowanie
> 2
-> odrzucamy 0
2 -> brak podstaw do odrzucenia 0
54
Heteroskedastyczno skadnika losowego

Heteroskedastyczno wariancja skadnika losowego nie jest staa.
Wystpowanie heteroskedastycznoci skadnika losowego powoduje niespenienie Z4!
Skadnik losowy homoskedastyczny
Skadnik losowy heteroskedastyczny
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
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
Wspliniowo zmiennych objaniajcych

dokadna wspliniowo wystpuje kombinacja liniowa zmiennych, co uniemoliwia
zastosowanie MNK (Z2)
przybliona (statystyczna) wspliniowoci - zmienne s silnie skorelowane, co powoduje, e
rednie bdy szacunku parametrw s due. Przez to po oszacowaniu modelu dostajemy
nieistotne zmienne przy wysokim wspczynniku determinacji.
Sposoby badania wspliniowoci:
macierz korelacji pomidzy zmiennymi (arbitralny),
wskanik uwarunkowania macierzy (CN), mierzcy wraliwo ocen parametrw na
niewielkie zmiany w danych i definiowany jako pierwiastek kwadratowy z ilorazu
najmniejszej i najwikszej wartoci wasnej macierzy . Im CN blisze jednoci tym lepiej
(nie wskazuje na konkretne zmienne).
czynnik inflacji wariancji
1
( ) =
1 2
gdzie 2 jest wspczynnikiem determinacji modelu, w ktrym -ta zmienna jest zmienn
objanian przez pozostae 1 zmiennych. CIWj pokazuje stopie podwyszenia (inflacji)
wartoci wariancji estymatora parametru j wywoany wspliniowoci zmiennych.
Dla = 1 wystpuje brak wspliniowoci, dla > 10 silna wspliniowo.
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
Konstrukcja i weryfikacja modelu ekonometrycznego

- Dobr zmiennych objaniajcych
- Oszacowanie modelu MNK
- Badanie liniowoci modelu (test Reset)
- Badanie normalnoci rozkadu reszt (test Jarque-Bera)
- Badanie autokorelacji skadnika losowego (test DW)
- Badanie heteroskedastycznoci skadnika losowego (White'a)
- Badanie istotnoci zmiennych objaniajcych (test t-Studenta, test Walda)
- Ocena jakoci dopasowania modelu
- Weryfikacja merytoryczna, wasno koincydencji, interpretacja, prognozowanie
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
Test Chowa test stabilnoci parametrw modelu

Szacujemy model
= 0 + 1 1 + 2 2 + + +
Obliczamy sum kwadratw reszt modelu (P)
(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.
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
| |
=
ma rozkad t-Studenta z ( + 1) stopniami swobody. Zatem

{|| < } = 1
| |
{
< } = 1
{ < < + } = 1
To znaczy, e z prawdopodobiestwem 1- prognozowana warto zmiennej objanianej mieci
si w przedziale
( ; + ).
1- jest miar wiarygodnoci prognozy.
65
Przykad c.d.
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]
15,41 1,07 0,83

0,1
0,02 ],
[1,07
0,83 0,02
0,09
54
41
496 367]
367 291
0,43
2 =
=
0,14.
( + 1)
3
68
redni bd predykcji ex ante wynosi

= 2 (1 + ( )1 )
15,41 1,07 0,83 1
0,1
0,02 ] [10]) 0,29.
= 0,14 (1 + [1 10 7] [1,07
0,83 0,02
0,09
7
Wzgldny redni bd predykcji ex ante wynosi
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.
69
Ocena ex post prognozy punktowej

redni bd predykcji ex post
1
= ( )
=1
Dla prognozy nieobcionej warto ME jest rwna 0.

redni absolutny bd predykcji ex post
1
| |
=1
Mwi o sile bdu prognozy.

redni absolutny bd procentowy ex post
1

= |
| 100%
=1
Informuje o redniej wielkoci bdw prognoz, wyraonej w procentach empirycznych wartoci

zmiennej prognozowanej.
70
Pierwiastek bdu redniokwadratowego
1
= ( )2
=1
Znaczna rozbieno pomidzy RMSE i MAE wiadczy o wystpieniu prognoz znacznie

odbiegajcych od wartoci rzeczywistych.
Wspczynnik Theila
2
=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
< 0; 1 >. Dla prognozy w peni zgodnej z rzeczywistoci U = 0.
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
redni absolutny bd predykcji ex post

10
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
1 [(8 8,473)2 + + (13 10,623)2 ]

4
1 (82 + + 132 ) + 1 (8,4732 + + 10,6232 )
4
4
76
Dla 95% przedziau ufnoci, t(3, 0,025) = 3,182

Y
2000:05
2000:06
2000:07
2000:08
2000:09
2000:10
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
95% przedzia ufnoci
0,430
0,435
0,643
0,479
7,10
8,53
8,56
9,10
9,84
11,29
12,66
12,15
Miary dokadnoci prognoz ex post

redni bd predykcji
ME
Bd redniokwadratowy
MSE
Pierwiastek bdu redniokwadr. RMSE
redni bd absolutny
MAE
redni bd procentowy
MPE
redni absolutny bd procentowy MAPE
Wspczynnik Theila (w procentach) I
=
=
=
=
=
=
=
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.
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
.
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
DF - test Dickeya-Fullera (test pierwiastka jednostkowego)

W tecie Dickeya-Fullera, dla regresji
= 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:
<

odrzucamy 0 - szereg jest stacjonarny

nie ma podstaw do odrzucenia 0 - szereg jest niestacjonarny.
85
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;
szereg jest niestacjonarny, przeciwko

szereg jest stacjonarny ~ (0), czyli ~ (1).
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
ADF - rozszerzony test Dickeya-Fullera

Test DF nie uwzgldnia moliwoci wystpowania autokorelacji skadnika losowego. Dlatego jeli
podejrzewamy autokorelacj skadnika losowego stosujemy rozszerzony test Dickeya-Fullera
(ADF). Wwczas w analogiczny sposb jak w tecie DF badamy regresj
= 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
Operator opnie (operator przesunicia) dla pierwszych opnie

= 1 ,
dla drugich opnie zapiszemy jako
2 = = 1 = 2 ,
a oglnie dla opnienia
= .
Pomidzy operatorem rnicowym , a operatorem opnie zachodzi relacja
= 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
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
Szeregi i z powyszego przykadu s niestacjonarne.

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
Rozszerzony test Dickeya-Fullera dla rzdu opnienia 4, dla zmiennej d_x

liczebno prby 94
model: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
estymowana warto (a-1) wynosi: -3,29334
Statystyka testu: tau_c(1) = -7,76513
asymptotyczna warto p = 2,408e-012
Szereg jest stacjonarny.

91
Przykad cd.
Pierwsze przyrosty = 1 :
800
600
d_y
400
200
-200
-400
0
20
40
60
80
100
Rozszerzony test Dickeya-Fullera dla rzdu opnienia 4, dla zmiennej d_y

liczebno prby 94
model: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
asymptotyczna warto p = 0,1451
Szereg jest niestacjonarny.

92
Dopiero obliczenie drugich przyrostw sprowadza szereg do szeregu stacjonarnego:
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
Rozszerzony test Dickeya-Fullera dla rzdu opnienia 4, dla zmiennej d_d_y

liczebno prby 93
model: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
Szereg jest stacjonarny.

93
Zatem dla powyszego przykadu mamy:

~ (0), ~ (1),
~ (0), ~ (1), ~ (2).
SEZONOWO
Definicja
Szereg niestacjonarny jest sezonowo zintegrowany stopnia (, ), jeli mona go sprowadzi do
szeregu stacjonarnego obliczajc przyrosty sezonowe razy, a potem wyznaczajc pierwsze
przyrosty uzyskanego szeregu razy. Taki szereg oznaczamy (, ).
Zgodnie z wczeniejsz uwag moliwe jest istnienie szeregw (0,1). Nawet, jeli
niesezonowa skadowa szeregu jest zintegrowana stopnia 1, to moe si zdarzy, e obliczenie
samych przyrostw sezonowych usunie niestacjonarno (zwaszcza, gdy trend ma charakter
addytywny).
Sezonowy operator rnicowy
Obliczenie przyrostw sezonowych wymaga uycia sezonowego operatora rnicowego
= ,
gdzie parametr oznacza sezonowo danych, np. = 12 dla danych miesicznych, = 4 dla
kwartalnych.
94
Proces autoregresyjny rzdu , ()

Proces postaci
= + 1 1 + 2 2 + + +
gdzie jest czystym (speniajcym zaoenia Z3, Z4) skadnikiem losowym, bdziemy nazywa
procesem autoregresyjnym rzdu , w skrcie ().
Wykorzystujc operator opnie
= ,
proces AR(p) moemy zapisa jako
= + 1 + 2 2 + + + ,
a po przeniesieniu opnionych zmiennych na lew stron
1 2 2 = + ,
(1 1 2 2 ) = + .
Nastpnie stosujc tak zwany wielomian opnie
() = 1 1 2 2
zapisujemy () jako
() = + .
95
Proces redniej ruchomej rzdu , ()

Proces postaci
= + + 1 1 + +
gdzie jest czystym skadnikiem losowym, bdziemy nazywa procesem redniej ruchomej
rzdu , w skrcie ().
Analogicznie wykorzystujc operator opnie i definiujc wielomian opnie () jako
() = 1 + 1 + 2 2 + +
proces () moemy zapisa jako
= + () .
96
Proces autoregresji i redniej ruchomej, (, )

W wyniku poczenia procesw autoregresyjnego i redniej ruchomej otrzymujemy model
(, ) nastpujcej postaci
= + 1 1 + 2 2 + + + + 1 1 + + .
Wykorzystujc wielomiany opnie odpowiednio stopnia p i q model moemy zapisa jako
() = + () .
W celu ustalenia stopni opnie i mona oszacowa modele dla wszystkich moliwych
, = 0, 1, 2 i wybra (po weryfikacji statystycznej) najlepszy.
Zintegrowany proces autoregresji i redniej ruchomej, (, , )
W przypadku gdy zmienna nie jest stacjonarna, lecz zintegrowana stopnia , mwimy o
procesie (, , ). W celu zwizego zapisu tego procesu skorzystamy z zalenoci
czcej operator opnie z operatorem rnicowym
= (1 ) .
Zatem proces (, , ), w ktrym jest zintegrowane stopnia , zapiszemy jako
()(1 ) = + () .
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 ].
99
Dlatego w celu okrelenia czy zmienne s skointegrowane testuje si stacjonarno reszt

powyszego modelu. Po oszacowaniu parametrw regresji, co jest tosame z oszacowaniem
wektora kointegracji, dostajemy reszty
= 0 1 ,
i w celu zbadania ich stacjonarnoci stosujemy test pierwiastka jednostkowego do modelu
= 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
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
= +
Zmienna zalena: d_y
Zmienna
Wspczynnik
Bd stand.
Statystyka t
warto p
2,12464
0,304707
6,9727
<0,00001 ***

Statystyka F (1, 98) = 48,6189 (warto p < 0,00001)
Autokorelacja reszt rzdu pierwszego = -0,399816
Logarytm wiarygodnoci = -652,903
Kryterium informacyjne Akaike'a = 1307,81
Kryterium bayesowskie Schwarza = 1310,4
Kryterium infor. Hannana-Quinna = 1308,86
101
Nastpnie badamy stacjonarno reszt modelu za pomoc testu DF (ADF)

Rozszerzony test Dickeya-Fullera dla rzdu opnienia 2, dla zmiennej uhat
liczebno prby 96
model: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
Przy bardzo niskim empirycznym poziomie istotnoci p = 1,149e-023 odrzucamy 0 o

niestacjonarnoci reszt , reszty s wic stacjonarne, ~ (0). Oznacza to, e znaleziony zosta
wektor kointegrujcy dla zmiennych i
[1 2,12464]
a relacja tych zmiennych
2,12464 =
pozostaje w dugookresowej rwnowadze ( jest szeregiem stacjonarnym).
102
Model korekty bdem

Przyjmijmy, e zmienne i s (1) i pozostaj w dugookresowej relacji rwnowagi
= .
Wwczas po oszacowaniu modelu
= + ,
za pomoc testu DF lub ADF badamy hipotez o stacjonarnoci reszt i jeli s one stacjonarne
przyjmujemy wektor kointegrujcy [1 ].
Krtkookresowy model z mechanizmem korekty bdem ma posta
= 1 + 2 1 + ,
lub
= 1 + 2 (1 1 ) + ,
gdzie zmienne , oraz 1 = (1 1 ) s stacjonarne.
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
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 ***

Autokorelacja reszt rzdu pierwszego = -0,215572
Kryterium infor. Hannana-Quinna = 1237,98
Ostatecznie model korekty bdem dla badanych zmiennych zapiszemy jako

= 32,0085 1,3056(1 2,124641 ),
= 32,0085 1,30561 .
104
Integracyjna statystyka Durbina-Watsona

Jeeli potrzebna jest jedynie wstpna wskazwka, co do stacjonarnoci zmiennej , moemy
obliczy dla niej statystyk typu statystyki DW
( 1 )2
=
.
( )2
Jeeli statystyka przyjmuje wartoci bliskie zera, to jest to wskazwka, e zmienna moe nie
by stacjonarna. W przypadku wartoci IDW bliskich 2, mona w miar bezpiecznie zakada, e
zmienna jest stacjonarna.
W przypadku badania kointegracji analogiczna statystyka ma posta
( 1 )2
=
.
2
Jeli statystyka CIDW przyjmuje wartoci bliskie zera to moliwe, e zmienne nie s
skointegrowane. Istnieje prosta regua kciuka, ktra mwi, e jeeli CIDW > R2, gdzie R2 jest
wspczynnikiem determinacji dla regresji zmiennych ktre podejrzewamy o kointegracj, to
kointegracja moe wystpowa.
105
Model ze skoczonym rozkadem opnie (DL(p))

= + 0 + 1 1 + 2 2 + + + .
Bieca warto zmiennej zaley od biecej wartoci zmiennej oraz jej wartoci w
poprzednich okresach.
Na przykad dla = 2
= + 0 + 1 1 + 2 2 + .
Mnonik krtkookresowy
0 - zmiana wartoci zmiennej spowodowana jednostkow zmian w tym samym czasie.
Mnonik dugookresowy
= =0 = 0 + 1 + 2 + + - wpyw jednostkowych przyrostw wszystkich

zmiennych objaniajcych (opnionych i nieopnionej).
Wagi
=
udzia wpywu zmiennej opnionej o i okresw w cakowitym efekcie
oddziaywania zmiennej egzogenicznej na zmienn endogeniczn .

rednie opnienie
=0
=
.
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
Posta modelu przed oszacowaniem

= + 0 + 1 1 + 2 2 + .
Posta modelu po oszacowaniu
= 21,47 + 0,4999 + 0,251 + 0,1392 .
(0,08) (0,0001)
(0,0001)
(0,0001)
107
Posta modelu przed oszacowaniem

= + 0 + 1 1 + 2 2 + .
= 21,47 + 0,4999 + 0,251 + 0,1392 .
(0,08) (0,0001)
(0,0001)
(0,0001)
Mnonik krtkookresowy to ocena parametru przy nieopnionej wartoci dochodu:

0 = 0,4999.
To znaczy, e wzrost dochodu w danym miesicu o zotwk powoduje wzrost wydatkw na
konsumpcj o ok. 50 groszy, w tym samym miesicu.
Mnonik dugookresowy jest rwny sumie wszystkich ocen parametrw przy biecej oraz
opnionych wartociach dochodu:
2
= = 0 + 1 + 2 = 0,4999 + 0,25 + 0,139 = 0,8889.

=0
To znaczy, e wzrost dochodu w danym miesicu o zotwk powoduje, wzrost wydatkw na

konsumpcj cznie o ok. 89 groszy.
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.
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

konsumpcyjnych za dwa miesice o
2
0,139
2 =
=
0,16 = 16%.
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
Model z nieskoczonym rozkadem opnie

= + 0 + 1 1 + 2 2 + + .
Model Koycka
Zakadamy, e parametry przy opnionej zmiennej malej geometrycznie i zwizane s
zalenoci
= 0 = 1 , gdzie
= 0,1,2, oraz 0 < < 1.
Po transformacji Koycka otrzymujemy model autoregresyjny zwany modelem Koycka
= 0 + 0 + 1 + ,
gdzie 0 = (1 ) oraz = 1 .
Mnonik krtkookresowy
0 - zmiana wartoci zmiennej spowodowana jednostkow zmian w tym samym czasie.
Mnonik dugookresowy
= 0 + 1 + 2 + = 0 + 0 + 0 2 + = 0
1
1
suma nieskoczonego szeregu geometrycznego o pierwszym wyrazie 0 i ilorazie ,

stopa zaniku opnie.
111
(Transformacja Koycka)
Model z nieskoczonym rozkadem opnie dla okresu

= + 0 + 1 1 + 2 2 + + .
Model z nieskoczonym rozkadem opnie dla okresu 1
1 = + 0 1 + 1 2 + 2 3 + + 1 .
Po pomnoeniu obustronnie przez modelu dla okresu 1 mamy
1 = + 0 1 + 1 2 + 2 3 + + 1 .
Odejmujc stronami od modelu dla okresu t i wykorzystujc zaleno = 0 ,
1 = + 0 + 1 1 + 2 2 + + 1 1 2 2 1 .
Po uporzdkowaniu
= (1 ) + 0 + 1 + 1 .
Przy przyjtych wczeniej oznaczeniach
= 0 + 0 + 1 + .
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 + .
= 0,85 + 0,34 + 0,4611 .
Mnonik krtkookresowy 0 = 0,34.

1
Mnonik dugookresowy = 0 1 = 0,34 10,461 0,63.

Parametry modelu pierwotnego
0
0 = (1 ) => =
= 1,5775
(1 )
1 = 0 = 0,34 0,461 0,1568, 2 = 0 2 = 0,34 0,4612 0,0723, 3 = 0,0333
= 1,5775 + 0,34 + 0,15681 + 0,07232
+ 0,03332 +
113
Model autoregresyjny z rozkadem opnie (ADL(p,q))

Model, w ktrym wystpuj opnione wartoci zmiennej endogenicznej i egzogenicznej
= 0 + 1 1 + 2 2 + + + 0 + 1 1 + 2 2 + + +
Na przykad model ADL(2,2) ma posta
= 0 + 1 1 + 2 2 + 0 + 1 1 + 2 2 +
Mnonik dugookresowy
=
=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 ) +
114
Przykad
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
***
***
***
***
***

Dla tego modelu mnonik dugookresowy wynosi

0 + 1 + 2 38,1028 16,4272 18,5855
=
=
4,0095
1 1 2
1 + 0,619288 + 0,300069
115
Zatem relacja kointegrujca pomidzy zmiennymi i wyznaczona przy pomocy modelu

ADL(2,2) ma posta
= 4,0095
o ile oczywicie reszty s stacjonarne.
Rozszerzony test Dickeya-Fullera dla rzdu opnienia 1, dla zmiennej u
liczebno prby 97
model: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
Autokorelacja reszt rzdu pierwszego: 0,005
Test ADF potwierdzi stacjonarno reszt, co pozwala przyj wektor kointegrujcy

[1 4,0095]. Tym samym krtkookresowa relacja pomidzy zmiennymi i moe by
zapisana przy wykorzystaniu modelu korekty bdem, gdzie bd okrelony jest poprzez
zastosowanie mnonika dugookresowego z modelu ADL(2,2):
= 1 + 2 (1 4,00951 ) +
Oszacowanie takiego modelu daje nastpujce wyniki:
116

Zmienna zalena: d_d_y
Zmienna
d_x
uhat_1
Wspczynnik
28,5728
-0,886145
Bd stand. Statystyka t warto p

6,17597
4,6264
0,00001
0,0989345
-8,9569
<0,00001
***
***

Autokorelacja reszt rzdu pierwszego = 0,103587
Czyli
= 28,578 0,8861(1 4,00951 ),
= 28,578 0,88611
.
117
Modele nieliniowe
118
Nieliniowe modele ekonometryczne

Model cile liniowy to taki, ktry jest liniowy wzgldem zmiennych i parametrw, czyli:
ma pochodne czstkowe wzgldem parametrw niezalene od kadego parametru,
ma pochodne czstkowe wzgldem zmiennych niezalene od kadej zmiennej.
Podzia na modele liniowe/nieliniowe wzgldem parametrw jest w ekonometrii waniejszy od
podziau na modele liniowe/nieliniowe wzgldem zmiennych.
Model liniowy
Przykad modelu cile liniowego
= 0 + 1 1 + 2 2 + + + .
Korzyci zwizane z modelem liniowym:
jasna interpretacja parametrw,
atwo estymacji i weryfikacji,
czsto stanowi dobr aproksymacj zalenoci nieliniowych.
119
Modele nieliniowe wzgldem parametrw lub/i zmiennych

Przykady modeli nieliniowych:
(1) model wielomianowy (nieliniowy wzgldem zmiennych)
= 0 + 1 + 2 2 + + + .
(2) model logarytmiczny (nieliniowy wzgldem zmiennych)
= 0 + 1 1 + 2 2 + + + .
(3) model wykadniczy (nieliniowy wzgldem parametrw i zmiennych)
= 0 +1 1+22+++ .
(4) model potgowy (nieliniowy wzgldem parametrw i zmiennych)
= 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
okresowa stopa wzrostu wynosi w przyblieniu , poniewa 1 + .

121
Modele w logarytmach zmiennych

Funkcja logarytmiczna
= 0 + 1 +
model liniowo-logarytmiczny
Funkcja wykadnicza
= 0 1
= 0 +1
= 0 + 1 +
Funkcja potgowa
model logarytmiczno-liniowy
= 0 + 1
= 0 + 1
= 0 + 1 +
model logarytmiczno- logarytmiczny
Interpretacja dla maych wartoci 1

model liniowo-logarytmiczny
wzrost X o 1% powoduje wzrost Y przecitnie o 0,01 1
model logarytmiczno-liniowy
wzrost X o jednostk powoduje wzrost Y przecitnie o 1 100%
model logarytmiczno- logarytmiczny wzrost X o 1% powoduje wzrost Y przecitnie o 1 %

122
Funkcje produkcji (modelowanie produkcji )

Oglna posta funkcji produkcji
= (1 , 2 , , , )
warto (wielko) produkcji, 1 , 2 , , nakady czynnikw wytwrczych.
Zwykle nakady kapitau mierzone s wartoci majtku trwaego (symbol lub ), nakady
pracy mierzone liczb zatrudnionych, wartoci pac lub liczb roboczogodzin ( lub ).
Estymacja na podstawie danych przekrojowych lub szeregw czasowych.
Modelowanie procesw produkcji na poziomie mikro lub makro.
Gwne pojcia stosowane w analizie wasnoci funkcji produkcji:
123
Kracowa produkcyjno czynnika wytwrczego przyrost produkcji wywoany maym

przyrostem nakadw tego czynnika przy nie zmienionych nakadach drugiego czynnika.
Kracowa produkcyjno czynnika jest dodatnia, czyli
= > 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
/

= =
Elastyczno produkcji wzgldem pracy

/
=
=
Elastyczno wyraa procentowy przyrost produkcji towarzyszcy 1-procentowemu przyrostowi

czynnika produkcji.
125
Kracowa stopa substytucji

Czynniki produkcji s wzajemnie zastpowalne. Miar stopnia ich substytucyjnoci jest kracowa
stopa substytucji.
Kracowa stopa substytucji zatrudnienia majtkiem - jaka warto majtku jest potrzebna do
zastpienia (substytucji) jednostki zatrudnienia, by utrzyma niezmieniony poziom produkcji:
=
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.
127
Dwuczynnikowa dynamiczna funkcja produkcji Cobba-Douglasa

Przed oszacowaniem:

= + + + +
= + + + +
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 .
Warunkiem na to, by > 0 oraz > 0 jest

> 0, > 0, > 0.
Wniosek:
Gdy zwiksza si nakad jednego czynnika (c.p.), produkcja ronie
130
Jaka jest dynamika zmian produkcji, przy wzrocie nakadw jednego czynnika i niezmienionych
nakadach drugiego czynnika?
=
=
2
2
2
2
= ( 1) 2 ,
= ( 1) 2 .
Warunkiem na to, by < 0 oraz < 0 jest

< 1, < 1.
Wniosek:
Wraz ze wzrostem nakadu tylko jednego czynnika wytwrczego produkcja ronie coraz wolniej
131
Jak zmienia si produkcyjno jednego czynnika, gdy nakady drugiego czynnika s coraz wiksze?
2
= = 1 1 ,
2
= = 1 1 .
> 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

Kracowa produkcyjno dla t = 10, K = 100 i L = 50
= = 3 0,2 0,8 0,4 0,075 = 3 0,2 1000,8 500,4 0,07510 0,15

Wzrost majtku o jednostk (c.p.) powoduje wzrost produkcji przecitnie o 0,15 jednostki.
=
= 3 0,4 0,2 0,6

0,075 = 3 0,4 1000,2 500,6 0,07510 0,61
Wzrost zatrudnienia o jednostk (c.p.) powoduje wzrost produkcji przecitnie o 0,61 jednostki.
> 0, > 0, > 0.
Warunkiem na to, by < 0 oraz < 0 jest
< 1, < 1.
> 0, > 0, > 0.
W powyszym przykadzie = 3, = 0,2, = 0,4, zatem wszystkie warunki s spenione.
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

Elastyczno produkcji wzgldem kapitau

/
0,8 0,4 0,075

=
=
= 3 0,2

= 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
0,2 0,4 0,075 = 0,4

3
1% wzrost pracy przy staym kapitale powoduje wzrost produkcji przecitnie o 0,4%.
135
Kracowa stopa substytucji

W ustalonym roku okrelon wielko produkcji mona uzyska przy rnych kombinacjach
nakadu i substytucj czynnikw obrazuj izokwanty tej funkcji produkcji
Kracowa stopa substytucji zatrudnienia przez majtek:
= =
=
.
Iloraz oznacza techniczne uzbrojenie pracy.

oznacza warto , ktra jest potrzebny do zastpienia jednostki , by utrzyma nie
zmieniony poziom , za 1/ wielko potrzebn do zastpienia jednostki .
Przykad c.d.
0,075
= 30,2 0,4

0,4
= =
=
2 = 4
0,2
Jednostkowy spadek zatrudnienia zostanie zrekompensowany przez wzrost majtku o 4
jednostki (kracowa stopa substytucji zatrudnienia majtkiem wynosi 4).
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

= + = 0,4 + 0,2 = 0,6 < 1 - malejce efekty skali.
137
Autonomiczne tempo wzrostu

Czy zmienia si tylko wtedy, gdy zmienia si oraz ?
Dla staych i mamy:
+1 = , +1 = ,
+1 +1
+1 (+1) (+1)
=
=
= .
Parametr oznacza roczn stop wzrostu (spadku) (autonomicznego, niezalenego od wzrostu

i ), czyli jest miar postpu techniczno-organizacyjnego.
Wniosek:
> 0 > 1 autonomiczny wzrost ,
< 0 < 1 autonomiczny spadek ,
= 0 = 1 brak autonomicznych zmian .
Dla maych zachodzi 1 + .
Przykad c.d.
0,075
= 30,2 0,4

+1
= = 0,075 = 1,07788.
Z okresu na okres, ceteris paribus, produkcja wzrasta o okoo 7,5% (dokadnie 7,788%).
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
Modele zmiennej jakociowej
140
Modele zmiennej jakociowej

Zmienne jakociowe to takie zmienne, ktrych wartoci maj posta niemierzalnych kategorii, na
przykad:
zatrudniony lub bezrobotny,
kobieta lub mczyzna,
wyksztacenie podstawowe lub rednie,
studia licencjackie lub studia magisterskie
Zmienna jakociowa jest zmienn dwumianow czyli moe wystpowa w dwch wariantach
(stanach, sytuacjach), ktre mona opisa przyporzdkowujc im wartoci 0 lub 1. Moemy
j zatem traktowa jako zmienn losow. Przyjmijmy, e prawdopodobiestwo zdarzenia, e
zmienna przyjmie warto 1 wynosi , jednoczenie prawdopodobiestwo zdarzenia, e
zmienna = 0 wynosi 1 .
141
Wwczas warto oczekiwana zmiennej wynosi

( ) = 1 + (1 ) 0 =
Rozpatrzmy zaleno zmiennej dan modelem ekonometrycznym
= ( , ) +
) = i ( ) = 0
Poniewa w modelu ekonometrycznym (
)
( ) = ( ,
czyli
).
= ( ,
Zatem jest prawdopodobiestwem, e dla obiektu o cechach okrelonych wektorem
zmiennych zmienna (cecha) przyjmie warto 1.
142
Liniowy model prawdopodobiestwa (LMP)

) ma posta liniow, otrzymujemy
Przyjmujc, e zaleno ( ,
= 0 + 1 1 + 2 2 + + +
= 0 + 1 1 + 2 2 + +
Podstawow wad LMP jest to, e otrzymane w prawdopodobiestwa mog wychodzi poza
przedzia <0 ; 1> . Ponadto zwykle wystpuje heteroskedastyczno skadnika losowego.
143
Przykad (Liniowy model prawdopodobiestwa LMP)

- posiadanie domu przez it rodzin (1 = tak, 0 = nie),
- dochd i-tej rodziny.
Model 1: Estymacja KMNK, wykorzystane obserwacje 1-50
--------------------------------------------------------------const
0,216834
0,0967264
2,242
0,0296
**
X
0,00565217
0,000910369
6,209
1,20e-07 ***
Suma kwadratw reszt
5,823397
F(1, 48)
38,54743
42,21093
Warto p dla testu F
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
wyraenie 1 jest nazywane logitem. Jednoczenie poniewa jest prawdopodobiestwem,
e zmienna przyjmie warto 1, logit jest logarytmem ilorazu szans przyjcia i nieprzyjcia
przez zmienn wartoci 1.
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
Model 1: Estymacja Logit, wykorzystane obserwacje 1-50

Bdy standardowe na bazie Hessian
wspczynnik
bd standardowy
z
warto p
--------------------------------------------------------------const
4,79156
1,24921
3,836
0,0001
***
X
0,0396580
0,0117456
3,376
0,0007
***
McFadden R-kwadrat
0,407392
44,02435
0,462910
0,341911
40,20030
41,65652
Liczba przypadkw 'poprawnej predykcji' = 41 (82,0%)

f(beta'x) do rednich niezalenych zmiennych = 0,181
Test ilorazu wiarygodnoci: Chi-kwadrat(1) = 24,8861 [0,0000]
Przewidywane
0
1
Empiryczne 0 33
2
1
7
8
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 + + ))
W praktyce podaje si warto pochodnej czstkowej obliczon dla rednich wartoci

zmiennych objaniajcych. Jak atwo zauway, tak jak w modelu liniowym kierunek reakcji
zmiennej zaley od znaku wspczynnika .
Ponadto dla modelu logitowego
= = 0 + 1 1 + 2 2 + +
1
atwo zaobserwowa, e jeeli zmienna wzronie o jednostk, to 1 zmieni si o , czyli
iloraz szans
zmieni si razy.
Korzystajc z przyblionej relacji 1 + dla maych otrzymujemy interpretacj:
Wzrost zmiennej o jednostk powoduje zmian ilorazu szans o 100%.

153
Model 1: Estymacja Logit, wykorzystane obserwacje 1-50

wspczynnik bd standardowy
z
efekt kracowy
---------------------------------------------------------------const
4,79156
1,24921
3,836
X
0,0396580
0,0117456
3,376
0,00718633
McFadden R-kwadrat
0,407392
44,02435
0,462910
0,341911
40,20030
41,65652

Przewidywane
0
1
Empiryczne 0 33
2
1
7
8
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 .
Parametry modelu probitowego szacuje si MNW.
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
Analogicznie podaje si j dla rednich wartoci zmiennych objaniajcych.

Zwizki midzy parametrami modelu logitowego i probitowego.
Parametry modelu logitowego i probitowego zwizane s przyblion relacj:

gdzie = 1,6 1,8 co pozwala atwo przelicza wyniki estymacji parametrw jednego modelu
na drugi.
156
Model 1: Estymacja Probit, wykorzystane obserwacje 1-50

wspczynnik
bd standardowy
z
warto p
--------------------------------------------------------------const
2,78725
0,647303
4,306
1,66e-05 ***
X
0,0230812
0,00622350
3,709
0,0002
***
McFadden R-kwadrat
0,412028
43,74113
0,462910
0,346548
39,91708
41,37330

Przewidywane
0
1
Empiryczne 0 33
2
1
7
8
157
158
159
Model 1: Estymacja Probit, wykorzystane obserwacje 1-50

wspczynnik bd standardowy
z
efekt kracowy
---------------------------------------------------------------const
2,78725
0,647303
4,306
X
0,0230812
0,00622350
3,709
0,00732372
McFadden R-kwadrat
0,412028
43,74113
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
160
Model tobitowy (probit Tobina)

Jeeli zmienna objaniana jest zmienn cig, ale jej zakres jest ograniczony, nazywamy j
zmienn ograniczon. Takie zmienne to rodzaj zmiennych jakociowo-ilociowych.
Obserwowalne wartoci tej zmiennej s kategoriami ilociowymi, a wartoci
nieobserwowalnym przyporzdkowujemy jak warto (np. zero)
Ograniczenia w dostpie do danych:
prba ucita dane dla zmiennych objaniajcych dostpne tylko wwczas, gdy obserwuje si
zmienn objanian ma obserwacji znamy wartoci w przypadkach (model regresji ucitej):
1 , . . . ,
1 , . . . ,
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 ).
162
Efekty kracowe
- dla > 0 (wpyw maej zmiany na , tylko dla dodatnich )
( | > 0, )
= {1 ( )[ + ( )]},
gdzie =
0 +
1 1 +
2 2 ++

( )
oraz ( ) = ( ).
( ) i ( ) s odpowiednio funkcj gstoci i dystrybuant rozkadu (0; 2 ).

- dla wszystkich (wpyw maej zmiany na , dla wszystkich )
( | )
= ( ).
Oznacz to, e zmiana wywoana ma zmian jest mniejsza ni .

Oceny MNK s bezporednimi oszacowaniami
( | )
. Badania wykazay, e aby otrzyma
przyblione oceny MNK (poza wyrazem wolnym), oceny MNW naley pomnoy przez udzia
niezerowych obserwacji w prbie.
163
Dzikuj za uwag
164

I. Wyklad - Modelowanie Ekonometryczne

Uploaded by

Copyright:

Available Formats

You might also like

I. Wyklad - Modelowanie Ekonometryczne

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

I. Wyklad - Modelowanie Ekonometryczne

Uploaded by

Copyright:

Available Formats

Modelowanie ekonometryczne

Metoda najmniejszych kwadratw

Marcin Topolewski, SGH

- zmienna objaniana (wartoci empiryczne)

Marcin Topolewski, SGH

Model ekonometryczny po oszacowaniu

- wartoci teoretyczne zmiennej objanianej

Marcin Topolewski, SGH

- reszta dla t-tej obserwacji,

- wektor reszt modelu.

Metoda najmniejszych kwadratw MNK

Metoda najmniejszych kwadratw polega na wyznaczeniu takiego wektora oszacowa

Marcin Topolewski, SGH

Ponadto macierz drugich pochodnych czstkowych

Marcin Topolewski, SGH

Klasyczna metoda najmniejszych kwadratw (KMNK) - zaoenia:

Interpretacja ocen parametrw

Marcin Topolewski, SGH

Graficznie obserwacje przedstawiaj si nastpujco

Marcin Topolewski, SGH

Marcin Topolewski, SGH

Marcin Topolewski, SGH

Marcin Topolewski, SGH

Marcin Topolewski, SGH

Zatem model po oszacowaniu ma posta

Marcin Topolewski, SGH

Marcin Topolewski, SGH

Marcin Topolewski, SGH

Klasyfikacja modeli ekonometrycznych:

modele nieliniowe (na przykad = 0 1 2 ).

Modele trendu (modele tendencji rozwojowej)

Marcin Topolewski, SGH

Model autoregresyjny z rozkadem opnie (ADL(m,k))

= 0, 1, 2, oraz 0 < < 1,

po transformacji Koycka otrzymujemy model autoregresyjny zwany modelem Koycka

Metoda najwikszej wiarygodnoci (Maximum Likelihood)

Marcin Topolewski, SGH

Marcin Topolewski, SGH

Metoda zmiennych instrumentalnych

Marcin Topolewski, SGH

Weryfikacja modelu ekonometrycznego

Marcin Topolewski, SGH

JAKO DOPASOWANIA MODELU

Przykad (cig dalszy)

Podstawiajc wartoci zmiennych objaniajcych do modelu otrzymano wartoci . Nastpnie

(8,49 8)2 + (4,909 8)2 + + (10,64 8)2 31,57

zmienne: cena siarki i liczba podpisanych kontraktw). Jednoczenie 1% zmiennoci zysku

Kryterium informacyjne Akaike ()

Kara nakadana przez kryterium na zbdne zmienne objaniajce jest silniejsza ni w

DOKADNO OSZACOWANIA PARAMETRW

Macierz wariancji i kowariancji wektora ocen

Oszacowanie macierzy wariancji i kowariancji estymatora

redni bd szacunku parametru (dokadno oszacowania parametru)

Marcin Topolewski, SGH

Marcin Topolewski, SGH

Model moemy teraz zapisa:

Marcin Topolewski, SGH

redni wzgldny bd szacunku parametru (dokadno oszacowania parametru)