EKONOMETRIA

Metody, przykady, zadania

Pod redakcj
Jzefa Dziechciarza

Wydanie 2 poprawione

Wydawnictwo AkademH Ekonomicznej

im. Oskara Langego we Wrocawiu
Wroca.w2003
 Spis treci

Wstp 9
1. Regresjajako warunkowa warto oczekiwana.............................................. 15
1.1. Regresja I j II rodzaju 15
1.2. Regresjajednej zmiennej (metoda najmniejszych kwadratw) 22
Zadania 26
Zadania testowe 29
2. Dobr zmiennych objaniajcych do liniowego modelu ekonometrycznego
i badanie wspzalenoci zmiennych 30
2.1. Wspczynnik korelacji liniowej Pearsona, badanie jego istotnoci -
test istotnoci. Macierz korelacji 31
Zadania 35
Zadania testowe 37
2.2. Wspczynnik korelacji wielorakiej 41
Zadania 45
Zadania testowe 47
2.3. Dobr zmiennych objaniajcych do modelu metod analizy wsp-
czynnikw korelacji 47
Zadania 49
Zadania testowe 50
2.4. Dobr zmiennych objaniajcych do modelu metod wskanikw
pojemnoci informacji 51
Zadania 53
Zadania testowe 57
2.5. Dobr zmiennych objaniajcych do modelu metod graf ow 59
Zadania 61
Zadania testowe 62
3. Standardowy model liniowy i klasyczna metoda najmniej szych kwadratw \/64
3.1. Za~enia standardowego modelu liniowego v.....
3.2. Estymacja parame7w modelu liniowego klasyczn metod najmniej-
64

szych kwadratw...... 65
Zadania 70
Zadania testowe 74
3.3. Metoda najmniej szych kwadratw przy warunkach pobocznych 80
Zadania 86

5
r

4. Transformacja liniowa 87
Zadania 97
Zadania testowe 101
5. Metody analizy szeregw dynamicznych 103

;:~: ~~~~:;~~: :\7:::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::

5.3. Adaptacyjne metody wyodrbni ia tendencji rozwojowej
i~~
111
5.4. Analiza waha sezonowych . 118
5.5. Modele dynamiczne ze zmiennymi opnionymi w czasie 125
Zadania 128
Zadania testowe....................................................................................... 13 1
6. Weryfikacja modelu 134
6.1. Dopasowanie modelu do danych empirycznych ..\1. 134
Zadanie 135
Zadania testowe : / 135
6.2. Istotno parametrw strukturalnych 136
Zadania ................................................................................................... 141
Zadania testowe 143
6.3. Badanie autokorelacjkskadnika losowego 144
Zadania : 148
Zadania testowe......................................... 148
6.4. Heteroscedastyczno 149
Zadania ;.; " 153
Zadania testowe 153
6.5. Normalno rozkadu skadnika losowego .V 154
Zadania 158
Zadania testowe 159
6.6. Badanie losowoci 159
Zadanie testowe....................................................................................... 162
6.7. Obserwacje nietypowe i wpywowe 162
Zadania 171
Zadania testowe.......................... 172
7. Szacowanie parametrw modelu liniowego uoglnion metod najmniej-
szych kwadratw 173
7.1. Wprowadzenie 173
7.2. Uoglniona metoda najmniej szych kwadratw 173
7.3. Heteroscedastyczno skadnikw losowych. Waona metoda naj-
mniejszych kwadratw 175
7.4. Autokorelacja skadnikw losowych. Proces autoregresji pierwszego
rzdu 177
Zadania 179
Zadania testowe 181

6
 8 Modele wielorwnaniowe i odwj na metoda najmniej szych kwadratw .. 184
8.1. Klasyfikacja zmiennych 184
8.2. Klasyfikacja modeli ekonometrycznych 185
8.3. Posta strukturalna i posta zredukowana 190
8.4. Estymacja modeli prostych i rekurencyjnych 192
8.5. Identyfikowalno modeli 196
8.6. Podwjna metoda najmniej szych kwadratw 198
8.7. Uwagi o wasnociach estymatora 202
Zadania 205
Zadania testowe 208
9. Zastosowania metod ekonometrycznych 210
9.1. Analizaprodukcji 210
Zadania 223
Zadania testowe 227
9.2. Analiza popytu 228
Zadania 235
Zadania testowe 238
9.3. Analiza kosztw 238
Zadania 247
Zadania testowe 249
10. Wielowymiarowa analiza porwnawcza 250
10.1. Przygotowanie danych 250
Zadania 259
Zadania testowe 261
10.2. Analiza dyskryminacyjna _ 264
Zadania 270
Zadania testowe .................................................................................. 271
10.3. Metody klasyfikacji T ...........272
Zadania 282
Zadania testowe 285
10.4. Metody porzdkowania liniowego 287
Zadania 297
Zadania testowe , 301
11. Aneks matematyczny 305
Zadania 305
Zadania testowe 308
Odpowiedzi do zada 311
Tablice statystyczne 331
Literatura 343
 WSTP

Termin ekonometria w znaczeniu dzi mu nadawanym wsta wprowadzony

po raz pierwszy przez Ragnara Frischa w 1926 roku. Jak to czsto si zdarza,
wczeniej termin ten by uywany w nieco innym znaczeniu. Ju na pocztku XX
wieku krakowski ksigowy, Pawe Ciompa' uy tego terminu w znaczeniu dzi
okrelanym raczej pojciem rachunkowo zarzdcza. Wspczesne rozumienie
ekonometrii mona zilustrowa poniszym schematem (rys. 1).

Ekonomia matematyczna

---1-- Ekonometria

Rys. 1. Miejsce ekonometrii

To oglne okrelenie obszaru badawczego ekonometrii nie jest zbyt precyzyj-

ne, wskazuje jednak zarwno na dziedzin badania, jak i na arsena narzdziowy
wykorzystywany w analizach ekonometrycznych. Obecne pojmowanie ekono-
metrii sensu largo obejmuje przynajmniej trzy dziedziny wiedzy, dzi widziane
jako odrbne specjalnoci. Ewolucj rozumienia zada ekonometrii pokazuje rys. 2.
Ekonometria sensu stricto wspczenie jest postrzegana jako modelowanie
ekonometryczne/. U podstaw tej techniki ley analiza zwizkw regresyjnych.

l Pawe Ciompa wyda swoj ksik w 1910 r. w dwu wersjach jzykowych, polskiej i nie-
mieckiej (Zarys ekonometryi i teoria buchalteryi. Lww: Wydawnictwo Towarzystwa Szkoy
Handlowej 1910). Przypomnienie i upowszechnienie tego faktu zawdziczamy pracom Kazimierza
Zajca, ktry odszuka i zbada publikacje Pawa Ciompy (K. Zajc: Pawe Ciompa, prekursor
ekonometrii. W: Ekonometryczne modelowanie danych finansowo-ksigowych. Red. E. Nowak
iM. Urbanek. Lublin: Norbemnum 1995).
2 Wyczerpujce podsumowanie dyskusji pojcia ekonometria znajdzie czytelnik w doskonaej
pracy S. Bartosiewicz: Ekonometria. Technologia ekonometrycznegoprzetwarzania informacji. War-
szawa: PWE 1989.

9
 Ekonometria

Badania Modelowanie Wielowymiarowa

operacyjne ekonometryczne analiza statystyczna

Rys. 2. Ekonometria sensu largo

Jednake ze wzgldu na daleko idc odrbno filozofii badawczej i technik ana-

litycznych - za wyodrbniony podobszar ekonometrycznego modelowania uznaje
si badanie zjawisk gospodarczych, generujcych dugie szeregi czasowe danych
ekonomicznych, gwnie za pomoc technik analizy autoregresyjnej .
Przedmiotem modelowania (badania) ekonometrycznego s wic:
- analiza zalenoci jednej zmiennej ekonomicznej od zespou instrumentw
j ksztatuj cych (w szczeglnym przypadku - od j ednej zmiennej),
- analiza zalenoci i wspzalenoci wielu zmiennych w zespole wielu
zmiennych,
- analiza i modelowanie wspwystpowania wyrnionej zmiennej wraz
z przebiegiem czasu.
W niektrych publikacjach pojawia si przytoczona klasyfikacja w postaci
modeli jednorwnaniowych, modeli wielorwnaniowych i modeli tendencji rozwo-
jowej.
Ekonometri mona zdefiniowa, w lad za sformuowaniem Stanisawy Bar-
tosiewicz, jako nauk o mierzeniu zalenoci zjawisk ekonomicznych od innych zja-
wisk ekonomicznych oraz od zjawisk przyrodniczych, technicznych, demograficz-
nych i socjologicznych w celach poznawczych i predyktywnych . Wydaje si, e
dzi akcent kadzie si na modelowy aspekt ekonometrii. Powysza definicja przy-
jaby wwczas brzmienie: ekonometria to nauka o mierzeniu i modelowaniu
zjawisk ekonomicznych, w tym ich zalenoci od innych zjawisk ekonomicz-
nych, demograficznych i socjologicznych oraz od zjawisk przyrodniczych
i technicznych w celach poznawczych, symulacyjnych i predyktywnych.
Z przyjtej defmicji wynika, e w podrczniku przyjmuje si wskie rozumie-
nie ekonometrii, ograniczone do modelowania ekonometrycznego i analizy szere-
gw czasowych za pomoc modeli tendencji rozwojowych. To z kolei powoduje,
e podstawowym narzdziem badawczym ekonometrii jest model ekonometrycz-
ny. W podrczniku przyjmuje si oglne okrelenie modelu ekonometrycznego
w brzmieniu: model ekonometryczny to ukad rwna (funkcji) aproksymuj-
cych z pewn, akceptowaln przez uytkownika dokadnoci, procesy (zale-

3 Tame, s. 12.

10
noci) zmiennych ekonomicznych od innych zmiennych - uznawanych (hipote-
tycznie) za przyczyny (instrumenty decyzyjne) lub za ich symptomy. Zwykle
precyzuje si dodatkowo, e rwnania (zalenoci) maj charakter stochastyczny".
Model ekonometryczny ma, w pierwszej kolejnoci, zidentyfikowa proces
generujcy modelowane dane statystyczne, sformalizowa opis tego procesu w po-
staci modelowej, takiej, ktra umoliwi wykorzystanie tak pozyskanej wiedzy dla
celw decyzyjnych. Praktyczne wykorzystanie wiedzy reprezentowanej w postaci
modelu ekonometrycznego mona streci w trzech grupach - analizie, symulacji
i przewidywaniu. Moliwo dokonania analizy poznawczej, zrozumienia zaszoci
gospodarczych daje podstaw do identyfikacji narzdzi decyzyjnych. Symulacja
skutkw planowanych decyzji i przewidywania sytuacji powstajcych w wyniku
podejmowania lub zaniechania okrelonych zada ma wymiar czysto pragmatycz-
ny. Symulacja moe by poprzedzona analiz predyktywn. Ma to szczeglne zna-
czenie w gospodarce, gdzie niemoliwy jest eksperyment (w sensie przyjtym
w naukach przyrodniczych).
Ekonometryk modelujcy zjawiska gospodarcze napotyka szereg trudnoci,
ktrych wiadomo jest kluczowa dla jakoci wnioskowania. Do trudnoci tych
trzeba zaliczy:
- niedostatecznie sformalizowane wskazania teorii ekonomii, dotyczce me-
chanizmw gospodarczych, zalenoci, miar, definicji itp.,
- brak dostpnych, wiarygodnych, kompletnych i porwnywalnych danych
statystycznych, mierzonych wedug stabilnych regu zgodnych z teori pomiarw
i zasadami statystyki ekonomicznej, pozbawionych bdw merytorycznych i for-
malnych,
- brak dostatecznie skutecznych technik identyfikacji zalenoci przyczyno-
wo-skutkowych i odrnienia ich od zalenoci symptomatycznych - co prawda,
wspwystpujcych wraz ze zjawiskiem modelowanym, lecz bez zalenoci kau-
zalnych.
Pierwotnie za naturalny obszar bada ekonometrycznych uznawano gospo-
dark w makroskali. Wynikao to w duym stopniu z technicznej specyfiki metod
analizy ekonometrycznej i modelowania danych ekonomicznych. Uciliwo
rachunkowa i wysokie wymagania dotyczce zakresu i jakoci materiau staty-
stycznego powodoway, e kosztowne i czasochonne badania mogy by prowa-
dzone tylko w bogatych, zwykle finansowanych z centralnego budetu pastwa
instytucjach naukowych. Pozytywne dowiadczenia w modelowaniu procesw

4 Problem stochastycznego charakteru modeli ekonometrycznych jest stale dyskutowany, zob.

np. prace Z. Czerwiskiego et al.: Ekonometria: nadzieje, osignicia, niedostatki. Warszawa: PWN
1987; J. Dziechciarza: Ekonometryczne modelowanie procesw gospodarczych: modele ze zmiennymi
i losowymi parametrami. Wrocaw: Wydawnictwo AE 1993.

11
zachodzcych w gospodarce narodowej S, w poczeniu z upowszechnieniem szyb-
kiej, taniej, wygodnej techniki obliczeniowej uzbrojonej w wszechstronnie opro-
gramowany, obszerny zakres technik i metod ekonometrycznych, zachciy do
przeniesienia tej metodologii do mikroskali - w tym, do przedsibiorstwa, instytu-
cji i maych obszarw geograficznych.
W tym zakresie polscy ekonometrycy maj znaczne zasugi. Polskiej literatu-
rze ekonomicznej osignicia wiatowej ekonometrii przyswoi Oskar Lange"
a nastpnie twrczo je rozwinli i rozszerzyli na nowe obszary analityczne czoowi
ekonometrycy polscy. Wrd nich koniecznie trzeba wymieni: Zdzisawa Hellwi-
ga, ktry szczeglnie przyczyni si do upowszechnienia i pogbieniajilozojii, du-
cha ekonometrii, jego za propozycje metodologiczne wci inspiruj cae rzesze
badaczy; Kazimierza Zajca, ktry zainicjowa modelowanie budetw domowych
i badanie zjawisk mikroregionalnych; Zbigniewa Pawowskiego, ktrego prace
uporzdkoway wiele obszarw teorii i praktyki ekonometrii, szczeglnie za mo-
delijednorwnaniowych i prognozy. Niezwykle inspirujce sjego propozycje id-
ce w kierunku bada mikroskali produkcyjnej - analiza produkcji, wydajnoci pra-
cy itp. Kolejni badacze kontynuowali i pogbiali rozwj metod i zastosowa eko-
nometrycznych - wrd nich Aleksander Zelia, w kierunku bada prognostycz-
nych, Zygmunt Zieliski, w kierunku autoregresyjnej analizy szeregw czasowych,
Wadysaw Welfe, w kierunku makromodeli, Teodor Kulawczuk, w kierunku mo-
delowania makroproporcji. Wany wkad w sukces polskiej ekonometrii' trzeba
przypisa takim badaczom, jak: Stanisawa Bartosiewicz, Maria Cielak, Andrzej
Barczak, Micha Kolupa. Nie wyczerpuje to listy - obecnie dominuj wprawdzie
prace aplikacyjne, ale i rozwj metodologii ma swoj reprezentacj w polskiej
literaturze przeomu wiekw".

5 Nie zawsze zastosowania modelowania ekonometrycznego koczyy si sukcesem. Zwasz-

cza w pocztkowym okresie pokadano zbyt siln wiar w stabilno procesw gospodarczych i moli-
wo ekstrapolacji zjawisk zaobserwowanych w przeszoci na okresy przysze. Spektakularn ilustra-
cj niepowodzenia jest przykad grupy ekonometrykw z Uniwersytetu Harwarda w USA, ktrzy
ekstrapolowali tendencje wzrostowe obserwowane w powojennej, trzeciej dekadzie dwudziestego
wieku. Nie potrafili zidentyfikowa i odczyta sygnaw ostrzegawczych, zapowiadajcych wielki
kryzys przeomu lat dwudziestych i trzydziestych. Szerzej pisze o tym O. Lange: Wstp do ekono-
metrii. Warszawa: PWN 1957.
6 Pierwsza polskojzyczna publikacja ekonometryczna autorstwa Oskara Langego ukazaa si
w 1957 roku (zob. O. Lange: Wstp do ekonometrii. Warszawa: PWN 1957).
7 Pogbion analiz stanu polskiej ekonometrii znajdzie czytelnik w doskonaych pracach
A. Zeliasia: Contribution to Current Status of Statistics and Econometrics. Wrocaw: Wydawnictwo
AE 2001. Prace Naukowe Akademii Ekonomicznej we Wrocawiu nr 895; A. Barczaka: Wpyw twr-
czoci Zbigniewa M Pawowskiego na rozwj polskiej ekonometrii. Wrocaw: Wydawnictwo AE
2001. Prace Naukowe Akademii Ekonomicznej we Wrocawiu nr 895; w opracowaniu: A. Baczkow-
ska, 1. Dziechciarz, G. Kowalewski: Renesans ekonometrii. W: Zarzdzanie i informatyka na poczt-
ku XXI wieku. Wrocaw: Wydawnictwo AE 2001.

12
 Podrcznik jest przeznaczony dla studentw rnych kienmkw, pobieraj-
cych nauk w akademiach ekonomicznych, na wydziaach ekonomii lub zarzdza-
nia uniwersytetw oraz w wyszych szkoach zawodowych, wszdzie tam, gdzie
przewidziany jest kurs ekonometrii.
W zalenoci od zakresu materiau wykadanego w danej szkole, student sig-
nie do odpowiednio wybranych partii podrcznika. Wydaje si, e jedynie studenci
kierunku Informatyka i ekonometria musz korzysta dodatkowo z podrcznikw
poszerzajcych ich wgld w teori ekonometrii. Wykad jest tak pomylany, by
uatwi samodzieln prac studenta. Oznacza to, e adresowany jest rwnie do
studentw pracujcych, studiw zaocznych, wieczorowych lub podyplomowych.
Struktura podrcznika odzwierciedla algorytm budowy modelu ekonometrycz-
nego. Przedyskutowane s kluczowe etapy:
- dobr zmiennych do modelu ekonometrycznego,
- wybr analitycznej postaci zalenoci (akcent pooony jest jednak na mo-
dele liniowe i transformowalne do liniowych),
- estymacja,
- weryfikacja modelu.
Rozdziay sidmy i smy wprowadzaj nieco bardziej zaawansowane proble-
my ekonometrii, wskazujc sposb postpowania w typowych sytuacjach badaw-
czych, wykraczajcych poza klasyczny, liniowy model ekonometryczny.
Ilustracj typowych sposobw analizy modeli ekonometrycznych w praktycz-
nych badaniach zjawisk ekonomicznych zawiera rozdzia dziewity.
We wrocawskiej Akademii Ekonomicznej wiczeniowa cz kursu ekono-
metrii jest prowadzona w laboratoriach komputerowych. Zewzgldu na rozmaito
oprogramowania oferowanego w rnych szkoach - podrcznik jest tak skonstru-
owany, e do prowadzenia wicze laboratoryjnych wystarcza arsena narzdziowy
oferowany przez arkusz kalkulacyjny, np. Excel. Tym niemniej do sprawnego stu-
diowania wykadanego materiau konieczna jest znajomo podstaw mikro- i ma-
kroekonomii, statystyki oraz matematyki. Dowiadczenie wskazuje, e studenci
maj za sob kursy tych przedmiotw prowadzonych na bardzo rnych po-
ziomach (dotyczy to zwaszcza studentw uzupeniajcych studiw magisterskich).
W celu zapewnienia pewnej jednolitoci poziomu (wyrwnanie poziomu wiedzy
studentw pochodzcych z rnych uczelni) wczono do podrcznika rodzaj repe-
tytorium statystyki w zakresie potrzebnym do korzystania z metod regresyjnych
(rozdzia pierwszy podrcznika). Rozdzia ten stanowi jednoczenie pomost mi-
dzy metodami statystyki a modelowaniem ekonometrycznym - wskazuje rwnie
na specyficzn problematyk modeli z jedn zmienn objaniajc. Rozwinicie
modelu do oglnej postaci pokazano w rozdziale trzecim. Dodatkowo w rozdziale
jedenastym zamieszczono kompendium wiedzy z matematyki, niezbdnej przy
korzystaniu z podrcznika. Dowiadczenia zgromadzone w trakcie posugiwania

13
r

si wczeniejsz, skryptow wersj podrcznika'' potwierdzaj celowo obu za-

biegw - zaoferowania powtrki metod statystyki i matematyki.
Sowa komentarza wymaga obecno rozdziau dziesitego, powiconego
metodom wielowymiarowej analizy statystycznej. Specyficzn cech wrocawskiej
szkoy ekonometrycznej (sensu largo), zainicjowanej pracami Z. Hellwiga i roz-
winitej m.in. przez S. Bartosiewicz, M. Cielak, W. Bukietyskiego, K. Jajug,
W. Plut i E. Nowaka, jest obecno metod wielowymiarowej analizy statystycz-
nej, wielowymiarowej analizy porwnawczej, taksonomii lub taksonometrii
(zob. rys. 2). Kade z tych okrele ma nieco inny odcie znaczeniowy i nieco inny
zakres - obejmuje zawsze techniki grupowania (klasyfikacji i dyskryminacji) oraz
porzdkowania wielowymiarowych obiektw (ekonomicznych). Zakres zastoso-
wa tych metod w analizie i modelowaniu danych ekonomicznych jest bardzo sze-
roki i znajduje coraz wicej zwolennikw. Poniewa jednak nie na kadym kierun-
ku studiw oferuje si odrbny kurs z tego zakresu - s one tradycyjnie wczone
(we Wrocawiu) do kursu ekonometrii.
Zadania do samodzielnego rozwizania oraz zadania testowe umieszczono
albo bezporednio po kadym podrozdziale, albo na kocu caego rozdziau. Na
kocu rozdziau umieszczono zadania wtedy, gdy dotyczyy one materiau oma-
wianego w wikszej liczbie podrozdziaw. Jeli natomiast zadania dotyczyy tylko
jednego podrozdziau, umieszczono je bezporednio po nim.
Na kocu podrcznika zamieszczono odpowiedzi do wikszoci zada, celem
umoliwienia Czytelnikowi sprawdzenia swoich umiejtnoci.
Autorzy dzikuj serdecznie osobom, ktre przyczyniy si do udoskonalenia
podrcznika w porwnaniu z jego wczeniejsz, skryptow wersj. Szczeglnie
ciepe sowa podzikowa nale si recenzentom, Panom Profesorom Teodorowi
Kulawczukowi oraz Eugeniuszowi Gatnarowi, ktrzy sporzdzili niezwykle szcze-
gowe, krytyczne, lecz konstruktywnie yczliwe recenzje i dziki ich uwagom
udao si poprawi niedoskonaoci, wyeliminowa niej asnoci i pomyki. Bardzo
wany wkad w ostateczny ksztat podrcznika maj wsppracownicy autorw,
pracownicy Katedry Ekonometrii wrocawskiej Akademii Ekonomicznej, z Pani
Profesor Stanisaw Bartosiewicz na czele, studenci dziennych studiw doktor-
skich i magisterskich, ktrzy podzielili si z autorami dowiadczeniami w korzy-
staniu ze skryptowej wersji podrcznika oraz zgromadzili i przekazali uwagi stu-
dentw, ktrzy posugiwali si skryptem.
Za wszelkie niedostatki, bdy i pomyki odpowiedzialno spada wycznie
na autorw, a szczeglnie na redaktora naukowego podrcznika.

8 Zbir zada z ekonometrii. Pod redakcj 1. Dziechciarza, Wrocaw: Wydawnictwo AE 2000.

14
 1. REGRESJA
, , *
JAKO WARUNKOWA WARTOSC OCZEKIWANA

1.1. Regresja I i II rodzaju

Pojcie regresji jest kategori omawian w ramach dyscypliny naukowej zna-

nej jako statystyka. W statystyce opisowej rozwaa si m.in. parametry opisowe
jednej tylko cechy. Wrd tych parametrw najwaIliejszajest rednia arytmetycz-
na. Jej odpowiednikiem (analogonem) w statystyce matematycznej jest warto ocze-
kiwana. Pojcie redniej arytmetycznej atwo zinterpretowa na wykresie w prze-
strzenijednowymiarowej (najednej osi liczbowej). Wartoci obserwacji okrelonej
(jednej) cechy s przedstawiane w postaci punktw lecych na osi X (rys. 1.1).
redniej arytmetycznej odpowiada jeden punkt znajdujcy si midzy punktami
reprezentuj cymi poszczeglne
obserwacje danej cechy. Ze sta- x
tystyki wiadomo, e redni x.
arytmetyczn oblicza si za po-
o
moc wzoru: Rys. 1.1. Skoczona liczba obserwacji jednej cechy

(1.1 )

gdzie: Xi - i-ta obserwacja cechy X,

x - rednia arytmetyczna.

atwo mona pokaza, e rednia arytmetyczna ma m.in. nastpujc was-

no:
n
L)Xi -x)=O. (l.2)
i=l

Z tego wzoru wynika, e rednia arytmetyczna jest fizycznym rodkiem cikoci

wszystkich punktw empirycznych (obserwacji) o jednakowej (jednostkowej) ma-
sIe.
Dotychczas milczco zakadalimy, e n jest liczb skoczon. Niech teraz
n -+ co. Geometryczn interpretacj takiego przypadku przedstawiono na ,rys. 1.2 .

Rozdzia ten zosta przedrukowany, z niewielkimi zmianami, z ksiki C. Szmigla i J. Mercika:

Ekonometria [24].

15
 HI

Najwiksze "zagszczenie"
o T
E(X)
~X tych punktw wystpuje wo-
k punktu reprezentujcego
Rys. 1.2. Nieskoczona liczba obserwacji jednej cechy
redni arytmetyczn. Im dalej
(w lewo i w prawo) od red-
niej arytmetycznej, tym zagszczenie punktw empirycznych jest mniejsze. Moe-
my oczywicie zaoy, e rozkad tych punktw jest symetryczny i wwczas punkt
symetrii pokryje si ze redni arytmetyczn. Jeli obserwowana cecha jest okre-
lon kategori ekonomiczn, to takie zaoenie na og jest trudne do utrzymania.
W naszych rozwaaniach nie ma to jednak adnego znaczenia; dlatego, w zaleno-
ci od potrzeb, bdziemy niekiedy przyjmowa, e rozkad jest symetryczny,
a niekiedy - e nie.
Jeli n ~ 00, to oczywicie wzoru (1.1) nie moemy wykorzysta do oblicza-
nia redniej arytmetycznej. W takiej sytuacji pojcie redniej arytmetycznej "prze-
chodzi" w warto oczekiwan - pojcie znane ze statystyki matematycznej. Wy-
znacza si j ze znanego wzoru
00

E(X) = J xf(x)dx,
-00

gdzie: E(X) - warto oczekiwana zmiennej losowej X,

f(x) - funkcja gstoci rozkadu prawdopodobiestwa zmiennej losowej X
W takim przypadku nie tylko redni arytmetyczn zastpujemy jej analogo-
nem - wartoci oczekiwan, ale rwnie pojcie cechy statystycznej zastpujemy
pojciem ze statystyki matematycznej - zmienn losow. Zatem symbol x
na rys.
1.1 zastpujemy symbolem E(X) (rys. 1.2).
Warto jeszcze przypomnie, e dua litera X jest symbolem zmiennej losowej
w statystyce matematycznej lub cechy w statystyce opisowej. Maa litera x oznacza
w statystyce matematycznej moliw warto zmiennej losowej X (jej realizacj
w dowiadczeniu, losowaniu). W statystyce opisowej maa litera x, tym razem
z subskryptern (xi)' oznacza konkretny wynik obserwacji cechy X w dowiadcze-
niu o numerze i.
W ekonometrii symbol X jest zawsze kodem cile okrelonego zjawiska eko-
nomicznego. Ze wzgldw przede wszystkim praktycznych nie bdziemy uywa
penej, naturalnej nazwy tego zjawiska, lecz zastpimy j wanie symbolem X
Jeli na przykad zajmujemy si produkcj okrelonego dobra w okrelonych jed-
nostkach czasu, w okrelonym przedziale czasowym, w okrelonych jednostkach
miary, to pena nazwa tej cechy jest duga i bardzo niewygodna w operowaniu ni.
Z tego wanie powodu zastpimy j krtkim symbolem X Piszc zatem t liter,
musimy zawsze wiedzie i pamita, co ona oznacza, co kryje si pod tym symbo-
lem. Rzecz jasna, niekoniecznie musimy uywa litery X: jeli tak bdzie wygod-
niej, to moemy uy kadej innej.

16
 W dalszych rozwaaniach bdziemy zamiennie uywa poj: rednia arytme-
tyczna - warto oczekiwana, cecha - zmienna losowa, w zalenoci od potrzeby
i wygody. Pamitajmy jednak, e midzy nimi istnieje formalnie istotna rnica.
Zamy teraz, e obserwujemy nie jedn, Leczdwie cechy, ktre oznaczymy
symbolami X i Y. Wyniki obserwacji obu cech w i-tym obiekcie oznaczymy par
Liczb (Xi' y) . Geometrycznie tak par interpretujemy jako wsprzdne punktu
na paszczynie, czyLi w przestrzeni dwuwymiarowej. Zamy, e liczba obserwo-
wanych obiektw wynosi n. Mamy zatem n punktw w ukadzie kartezjaskim
XOY (rys. 1.3). Taki wykres nazywamy punktowym lub korelacyjnym.
Jeli bdziemy zajmowa si
tylko jedn cech (np. X), to za- y
gadnienie redukuje si do omwio-
nego na wstpie przypadku jedno-
wymiarowego (na rys. 1.3 kecz-
ka na osi OX).
Przejdmy teraz od przypad-

ku, gdy liczba obserwacji n (czyli
punktw na paszczynie) jest
skoczona, do przypadku, gdy
n~ Cf) Musimy teraz zmieni o x
wykres przedstawiony na rys. 1.3. Rys. 1.3. Skoczona liczba obserwacji dwch cech
Zamiast punktw na paszczynie,
ktrych teraz jest nieskoczenie
wiele, zaznaczymy obszary o rnych gstociach punktw empirycznych (rys.
lA). Wewntrz obszaru objtego krzyw zamknit oznaczon liczb l gsto
punktw jest najwiksza (std najwiksze zaciemnienie tego obszaru), na obszarze
midzy krzyw zamknit 1 i 2 gsto punktw jest mniejsza, std mniejsze za-
ciemnienie itd. Poza obszarem objtym krzyw 4 gsto punktw jest najmniej-
sza. W szczeglnym przypadku moe to by obszar bez adnego punktu, std jego
zaciemnienie jest najmniejsze (na wykresie przyjlimy brak zaciemnienia). Roz-
rzut punktw empirycznych przedstawiony na rys. lA jest oczywicie duym
uproszczeniem, uatwiajcym sporzdzenie wykresu. W rzeczywistoci gsto
punktw empirycznych nie zmienia si skokowo, jak to przedstawiono na rys. lA,
lecz w sposb cigy.
Rozwamy teraz szczeglny przypadek redniej arytmetycznej (lub wartoci
oczekiwanej). Sprbujmy obliczy redni arytmetyczn (lub warto oczekiwan)
cechy Y, ale tylko dla tych obserwacji (obiektw, punktw), dla ktrych cecha X
przyja warto rwn dokadnie Xl (rys. 1.5). Poniewa n ~ Cf), wic liczba
punktw speniajcych warunek X = Xl zda rwnie do nieskoczonoci (albo
powiemy, e jest bardzo dua). S to punkty lece na pionowej prostej przecho-

17
 y

o x
Rys. 1.4. Nieskoczona liczba obserwacji dwch cech

o x
Rys. 1.5. Warunkowa rednia arytmetyczna dla nieskoczonej liczby obserwacji dwch cech

dzcej przez punkt lecy na osi OX o wsprzdnej xl' Tylko dla tych punktw
znajdmy redni arytmetyczn (warto oczekiwan) cechy Y. Dla uatwienia
. rozwaa zaoymy, e liczba takich punktw, tj. o wsprzdnych (Xl' jest yd,
skoczona, ale wystarczajco dua. T redni arytmetyczn nazwiemy warunko-

18
w redni arytmetyczn i oznaczymy symbolem y/xI Jeli punktw (XI, Yi)
byoby rzeczywicie nieskoczenie wiele, to mwilibymy o warunkowej warto-
ci oczekiwanej zmiennej Y, ktr oznacza si symbolem E(Y/ X = XI) lub prociej
E(Y/Xl) .
Zamy dalej, e chcemy obliczy drug warunkow redni arytmetyczn
cechy Y na podstawie punktw o wsprzdnych (X2, Y i) , przy czym
~ - XI = Lix ~ O, ~ > Xl (rys. 1.6). Poniewa Lix ~ O , zatem punkty o wsprzd-
nych (XI, y/xd oraz (X2' Y/X2) "stykaj si". W taki sam sposb obliczymy
trzeci warunkow redni arytmetyczn (lub warunkow warto oczekiwan),
czwart itd. W ten sposb moemy obliczy warunkowe rednie arytmetyczne dla
wszystkich moliwych wartoci cechy X: Xl' ~, ... Liczba tych punktw jest
oczywicie nieskoczenie wielka, a punkty te stykaj si i tworz pewn lini.

y/~

O x
Rys. 1.6. Zbir warunkowych rednich arytmetycznych
dla nieskoczonej liczby obserwacji dwch cech

W dalszym cigu bdziemy rozwaa tylko takie przypadki, w ktrych linia

utworzona przez warunkowe rednie arytmetyczne (warunkowe wartoci oczeki-
wane) jest lini prost (rys. 1.7). Lini t nazywamy lini regresji I rodzaju.
Oczywicie linia regresji I rodzaju wcale nie musi by lini prost. Jeli cechy X i Y
s to pewne zjawiska ekonomiczne, mona uzasadni tez, e nigdy nie jest ona
lini prost. S to jednak rozwaania o charakterze filozoficznym. Takie przypadki
zostan omwione w rozdz. 4.

19
 linia regresji I rodzaju wystpuje w populacji generalnej, linia za regresji II rodza-
ju jest wyznaczana na podstawie prbki. W tej sytuacji problemy te wi si z me-
tod reprezentacyjn. Moemy zatem powiedzie, e szacujemy lini regresji I ro-
dzaju za pomoc linii regresji II rodzaju lub e linia regresji II rodzaju estymuje
lini regresji I rodzaju. W zwizku z tym znajduje tu zastosowanie teoria estymacji.
Poniewa nasze rozwaania ograniczamy do przypadkw zalenoci liniowej,
wic moemy zapisa rwnanie linii regresji I rodzaju nastpujco:
g(x)=ax+ /3, (l.3)

gdzie a i /3 s to nieznane parametry wystpujce w populacji generalnej.

Rwnanie linii regresji II rodzaju oznaczymy nastpujco:
f(x) =ax + b, (l.4)
lub
y=ax+b,
gdzie a i b s to parametry funkcji liniowej wyznaczane na podstawie prby. S to
wic estymatory nieznanych parametrw populacji generalnej a i /3, czyli funkcje
prby losowej. W konkretnej, znanej ju prbie funkcje te przyjmuj wartoci a
oraz b. W dalszych rozwaaniach nie bdziemy czyni rnicy midzy estymato-
rem ajego realizacj, o ile nie bdzie to grozio nieporozumieniem.
Symbol y = f(x) oznacza warto teoretyczn zmiennej zalenej Y pod wa-
runkiem, e zmienna X przyja warto x. Zwrmy uwag, e pojciowo warto
teoretyczna zmiennej objanianej y pokrywa si z warunkow redni arytmetyczn.
Dotychczas przyjmowalimy, e zmienn zalen oznaczamy symbolem Y,
a zmienn niezalen - symbolem X. Nie ma oczywicie adnych przeszkd, aby
wprowadzi odwrotn lini regresji, zarwno I, jak i II rodzaju. Dla odrnienia
zalenoci zmiennej Y od X od zalenoci zmiennej X od Y parametry tej pierwszej
bdziemy oznacza subskryptem l, tej drugiej za - subskryptern 2. Zatem piszemy:

= a}x+ A,
g} (x)
A(x) = qx + q,
g2(y)=a2Y+ /32'
h(y) =a'})'+b;. ,
y = a}x +b},
x = a2y+b2.
W szystkie rozwaania dotyczce zalenoci odwrotnych s identyczne, nie
ma wic potrzeby przytaczania ich po raz drugi.

21
 1.2. Regresja jednej zmiennej (metoda najmniej szych kwadratw)

Znajomo funkcji regresji sprowadza si do znajomoci jej parametrw ~

i1 (dla zalenoci odwrotnej - ~ i b2). Jedyn podstaw do obliczenia
(poprawniej: oszacowania) tych parametrw s dane statystyczne, tzn. obserwacje
wartoci obu zmiennych X i Y. Wzrokowa analiza rozrzutu punktw na wykresie
w ukadzie XOY jest podstaw do oceny moliwej postaci analitycznej funkcji
regresji. Jak ju powiedzielimy, przyjmujemy, e zaleno zmiennej Y od X (jak
rwnie X od Y) jest opisywana za pomoc funkcj i liniowej. Na razie nie zajmuje-
my si innymi przypadkami.
Jaka powinna by ta linia prosta? Po sporzdzeniu wykresu punktowego
potrafuny bez trudu, intuicyjnie, narysowa tak lini prost, ktra bdzie "dobrze
pasowa" do wszystkich punktw na wykresie. Co to znaczy "dobrze pasowa"?
Ze wzgldu na interpretacj linii regresji II rodzaju powiemy, e prosta regresji jest
"dobra", jeli rnice midzy wartociami rzeczywistymi obserwacj i zmiennej
objanianej Yi a wartociami teoretycznymi tej zmiennej wynikajcymi z rwnania
regresji (czyli .Yi) bd moliwie naj mniej sze. Te rnice moemy rwnie inter-
pretowa jako bdy w ocenie wartoci zmiennej objanianej na podstawie linii re-
gresji lub jako odlegoci punktw empirycznych od prostej regresji mierzone rw-
nolegle do osi OY. Przyjmujemy wic, e odlegoci punktu (xi'Yi) od prostej
o rwnaniu y = alx + i1 jest
ei = Yi -.Pi = Yi -(alXi +bd = Yi -alxi -bl

Wielkoci ei nazywamy resztami. S to realizacje skadnika losowego, ktry

jest zmienn losow wystpujc w populacji generalnej. Uznajemy, e najlepsz
liniregresjijest taka linia, dla ktrej speniony jest warunek

(1.5)

Poniewa ei s dodatnie i ujemne, wic w powyszym wzorze podnosimy je do

kwadratu. We wzorze tym wielkoci Xi l Yi s liczbami, zatem S zaley tylko od
al i i1, czyli
S = f(a}, '1.) .

T ide wyznaczania (szacowania) parametrw linii regresji przedstawia rys.

1.8. Z analizy wiadomo, e warunkiem koniecznym na to, aby funkcja dwch
zmiennych przyja warto minimaln, s zerowe wartoci pierwszych pochod-
nych czstkowych wzgldem obu zmiennych, czyli

22
 y

Znajdmy te pochodne:

oS n
--.;- = -2L (Yi - Q}Xi- q)xi'
uQl i=l

oS n
oh. =-2?:(yi-~xi-q)
~I 1=1

Dokonujc prostych przekszta-

ce i przyrwnujc obie po- o x
chodne do zera, mamy Rys. 1.8. Linia regresji II rodzaju

n n
LYi-QIl>i-nq =0.
i=} i=l

Rozwizaniem tego ukadu dwch rwna z dwoma niewiadomymi ~ i q jest

(1.6)

1 n ~ n __
q =-
n
LYi - -n L
i=l i=l
Xi lub q=y - ~x .

Zerowe wartoci obu pochodnych czstkowych s warunkiem koniecmym ale

nie wystarczajcym na istnienie ekstremum. Jednake funkcja (1.5) jest form
kwadratow, ktra nie ma punktw przegicia i ma tylko jedno ekstremum, ktrym
jest wanie minimum.
Ze wzoru na wyraz wolny wynika, e linia regresji zawsze przechodzi przez
punkt o wsprzdnych (x, r). ktry w fizyce zwie si rodkiem cikoci ukadu
punktw oj ednakowych masach.
Wyprowadzone wzory dotycz tylko parametrw linii regresji opisujcej za-
leno zmiennej Yod zmiennej X. Rwnie dobrze moe by potrzebna linia regre-
sji opisujca zaleno zmiennej X od zmiennej Y. Dla rozrnienia parametrw

23
obu linii regresji parametry pierwszej z nich oznaczylimy subskryptem 1, a dru-
giej - subslayptem 2. We wszystkich wzorach na parametry drugiej linii regresji
symbole x i y wystarczy tylko zamieni miejscami. Zatem:

(1.7)

Po prostych przeksztaceniach wzorw (1.6) i (1.7) mona pokaza, e praw-

dziwe s rwnie nastpujce wzory:
n
I(Xi -i)(Yi - y)
.!....i=....:l _
al =-
n 2
I(Xi -i)
i=l
n
I(Xi -i)(Yi -y)
.:...i=...::l _
a2 =-
n 2
I(Yi - y)
i=l

Metod t, suc do szacowania parametrw linii regresji, ze wzgldu najej

ide nazywamy metod najmniejszych kwadratw.
Ze wzorw na wyrazy wolne (q i b2) wynika, e obie proste regresji prze-
chodz przez rodek cikoci, tj. punkt o wsprzdnych (r, y). Poniewa obie
proste regresji nie s ponadto wzajemnymi funkcjami odwrotnymi, wic rodek
cikoci jest punktem przecicia si obu prostych. Z kolei z porwnania wzorw
na parametry kierunkowe wynika, e parametry kierunkowe al. i a2 maj takie
same znaki. Mianowniki w obu wzorach s zawsze dodatnie. Teoretycznie mog
by rwne zeru, ale tylko wtedy, gdy wariancja zmiennej X, w przypadku oblicza-
nia parametru al' lub zmiennej Y, w przypadku obliczania parametru ~, byaby
rwna zeru. Takie przypadki musimy jednak wykluczy, gdy wwczas we wzo-
rach na oba parametry kierunkowe rwnie liczniki byyby zerami, a to oznaczao-
by nieoznaczono obu parametrw. Z drugiej strony liczniki we wzorach na pa-

24
 etry kierunkowe obu linii regresj i s identyczne. Oznacza to, e oba parametry
runkowe maj zawsze ten sam znak, a jeli jeden z nich jest rwny zeru, rw-
ie drugi musi przyj warto zerow- Ponadto speniaj one warunek al~::;; l.
Kt przecicia si obu prostych regresji zaley od rozrzutu punktw empi-
_ocznych na wykresie korelacyjnym. Im bardziej punkty "zbliaj si" do linii
ostej, tym mniejszy jest kt przecicia si obu prostych regresji. Gdy wszystkie
,nnnl<1-V ukadaj si idealnie wzdu linii prostej, obie proste regresj i pokrywaj si,

zaleno regresyjna przechodzi w liniow zaleno funkcyjn. Schematycznie

dstawiono to na rys. l.9-l.13. Na tej podstawie zdefiniowana zostanie miara
iy zalenoci midzy dwoma zmiennymi X i Y, o czym bdzie mowa w rozdz. 2.

y y y

- -
+
_-1
~1'2 ~I . 2
-
x x x
Rys. 1.9. Ujemna zaleno Rys. 1.10. Ujemna zaleno Rys. 1.11. Brak zalenoci
funkcyjna regresyjna regresyj nej

y y

x x
Rys. 1.12. Dodatnia zaleno regresyjna Rys. 1.13. Dodatnia zaleno funkcyjna

Przykad 1.1. Czy przedstawione na wykresie

k dwie linie proste mog by liniami regresji?
Odpowied. Nie, poniewa parametr kierun-
owy jednej z nich jest ujemny, drugiej za jest
"wny zeru.

25
 Przykad 1.2. Oszacowano prost regresji y = 0,5x + 2. Wiadomo, e para-
metr kierunkowy prostej regresji x wzgldem y jest wikszy od 1. Jaka jest moli-
wa warto tego parametru kierunkowego?
Odpowied. Parametry kierunkowe obu linii regresji speniaj warunek
a}a2 s 1, z czego wynika, e a2 1/al ' czyli a2 s 1/0,5 = 2 . Ostatecznie 1< ~ s 2 .
:OS::

Przykad 1.3. W pewnym przedsibiorstwie zuy- Miesic A B

cie surowcw A i B (w tonach) w cigu 5 miesicy 1 21,1 6,0
przedstawiono w tabelce (zob. obok). Oszacowa para- 2 22,9 4,8
metry linii regresji opisujcej zaleno zuycia surow- 3 25,0 4,0
ca A od zuycia surowca B. 4 26,4 3,}
5 29,6 2,1
Rozwizanie. Obliczenia przeprowadzimy za po-
moc poniszej tabeli.
2
i v, Xi XiYi Xi

1 21, l 6 126,6 36
2 22,9 4,8 109,92 23,04
3 25 4 100 16
4 26,4 3,1 81,84 9,61
5 29,6 2,1 62,16 4,41
~ 125 20 480,52 89,06

y = 12 5= 25, X = 250= 4, a = 5480,52 -125; 20 = -2,15,

5 589,06-20

b = 25 + 2,154 = 33,6.
Rwnanie linii regresji opisujcej zaleno zuycia surowca A od zuycia
surowca B jest wic nastpujce:
y = -2,15x + 33,6.

Zadania
1.1. Na trzech wykresach narysowano po dwie linie proste. Na ktrych na pewno
nie s to linie regresji? Odpowied uzasadni.

26
 y y y
A

x x x
1.2. Na ktrym wykresie zamieszczonym poniej na pewno nie s przedstawione
linie regresji: A czy B? Odpowied uzasadni.

y y
A B

x x
1.3. Na ktrym wykresie zamieszczonym poniej na pewno nie s przedstawione
linie regresji: A czy B? Odpowied uzasadni.

y y
A A

x x
1.4. a. Oszacowa model y = az + b, jeli wiadomo, e
x y z
parametr kierunkowy wynosi -1,1 (dane obok). 1 2 O
b. Oszacowa model z=ax+b, jeli wiadomo, e O O 1
parametr kierunkowy wynosi 0,909 (dane obok). 2 -2 2
2 -1 3

.5. Na podstawie danych przedstawionych obok oszacowano x y

parametr kierunkowy linii regresji y = alx + bl: al = -0,6. 2 3
3 4
Dokoczy proces estymacji i zapisa oszacowane rwna-
5 2
me. 4 O
6 l

27
 1.6. Na podstawie danych przedstawionych obok oszacowano x y
parametr kierunkowy linii regresji y = a}x + ~: al = 0,8. 6 4
4 5
Dokoczy proces estymacji i zapisa oszacowane rwna-
5 3
me.
3 3
2 O

1.7. Koszty cakowite - K (w mln z) Miesic! } 2 3 4 5 6

oraz produkcja - P (w tys. szt.) Koszty 3 6 5 5 8 3
w cigu 6 miesicy w firmie Produkcja 2 4 3 2 6 }

MIKA przedstawione s w tabel-

ce obok. Oszacowa i zinterpretowa parametry liniowego modelu kosztw
cakowitych w zalenoci od produkcji.
1.8. Oszacowano rwnanie linii regresji y
= 2x - 3 oraz obliczono warto red-
ni zmiennej x: x = 4,5 . Jaka jest warto rednia zmiennej y?
1.9. Oszacowano rwnanie linii regresji y = -2x + 14 oraz obliczono warto
redni zmiennej x: x = 4 . Jaka jest warto rednia zmiennej y?
1.10. Oszacowano rwnanie regresji y = 2x + 7. Obliczy parametr a2 rwnania
x
regresji = a2Y + b2, jeli x = 3, ~ = -0,9.
1.11. Obok przedstawione s obserwacje zmiennych Z i X. Ponadto wiadomo, e

5 -2 5 -2
I(Xj -x) =4, I(Zi -z) =8,
i=} i=}

5
I (xi - x)( Zj - z) = 1.
i=}

Oszacowa nastpujcy model liniowy:

a) x=az+b, b) z=ax+b.
1.12. Oszacowano funkcj regresji opisujc zaleno zmiennej X od Z:
x = O,lz + 0,8. Jak warto moe przyj parametr kierunkowy linii regresji
opisujcej zaleno zmiennej Z od X!
1.13. Na podstawie danych przedstawionych Numer
obok oszacowa parametry linii regresji n obserwacji
x y z
rodzaju opisujcej zaleno zmiennej } } O 4
a) YodX, b) YodZ, 2 -] 2 2

c) Z od X, d) X od Y, 3 2 l 3
4 O 3 O
e) Z od Y, f) X od Z.
5 3 3 ]

28
l Spord niej wymienionych wska pary, ktre mog by parami linii regre-
SJI:
I) y=2x+l,x=3y+2, II) y=lx+l,x=-2y+l,
3
y = 2x + l, x = l3 y + 1, IV) y=2x+2, x=lY_2;
2

Na podstawie 10 obserwacji zmiennych x i y oszacowano proste regresji y

wzgldem x oraz x wzgldem y:
1
x=-y+
A 42-,y=x-
A 2.
3 3
Wwczas suma wszystkich zaobserwowanych wartoci zmiennej y wynosi:
".,"."<:"."'" . ':::::.:~':':' :,.'
 2. DOBR ZMIENNYCH OBJANIAJCYCH
DO LINIOWEGO MODELU EKONOMETRYCZNEGO
I BADANIE WSPZALENOCI ZMIENNYCH

Wstpnym zadaniem przy budowie modelu ekonometrycznego jest okrelenie

zmiennych objaniajcych. Kryterium wyboru powinna by merytoryczna znajo-
mo badanego zjawiska. Naley wybiera takie czynniki (zmienne objaniajce),
ktre maj istotny wpyw na ksztatowanie si badanego zjawiska (zmiennej obja-
nianej). Tak zebrane zmienne bd nazywane zbiorem potencjalnych zmiennych
objaniajcych.
Warunkiem wstpnym do tego, aby dana zmienna (np. J0) moga by uznana
za objaniajc w modelu, jest jej wystarczajce zrnicowanie. Zmienn objania-
jc bowiem nie moe by zmienna, ktrej poszczeglne obserwacje nie rni si
midzy sob (lub rni si w niewielkim stopniu). Nie jest to wtedy ju zmienna,
lecz staa (lub quasi-staa). Do mierzenia poziomu zrnicowania najczciej
wykorzystuje si klasyczny wspczynnik zmiennoci:
s
V;=l, (2.1)
Xj

gdzie: Sj - odchylenie standardowe zmiennej J0,

Xj - rednia arytmetyczna zmiennej Y0,
lub oparty na rozstpie:
maxx
. I)
- min
.
x..I)
W; = 2 I I (2.2)
) max x..I) + min
.
x..lj
l

Zwykle obiera si krytyczn warto wspczynnika zmiennoci V* (np.

V* = 0,1). Zmienne speniajce nierwno

Vj <V*

uznaje si za mao zrnicowane i eliminuje ze zbioru potencjalnych zmiennych

objaniajcych.
Podstaw wyboru zmiennych objaniajcych do modelu ekonometrycznego
jest analiza korelacji.

30
2.1. Wspczynnik korelacji liniowej Pearsona, badanie jego istotnoci -
test istotnoci. Macierz korelacji

Wspczynnik korelacji liniowej Pearsona rjl jest miar liniowej zalenoci

midzy zmiennymi Xj oraz Xl. Jest on okrelony nastpujco:

COVjl
r-l=--
) Sjs, ' (2.3)

gdzie: COVjl - kowariancja midzy zmiennymi J0 i X],

Po podstawieniu do wzoru (2.3) wzorw na kowariancj i wariancj zmien-
nych Xj i X, otrzymujemy:

(2.4)

Wartoci wspczynnika korelacji zawieraj si w przedziale [-1; 1]. Jego

znak wskazuje na kierunek zalenoci. Na rys. 2.1 przedstawiono zaleno dodat-
ni, na rys. 2.2 za - zaleno ujemn midzy dwiema zmiennymi .

Pj

..
Xi2 -------------~
:,
:,
,,

. .'! ,,
,

Rys. 2.1. Dodatnia zaleno liniowa Rys. 2.2. Ujemna zaleno liniowa
midzy zmiennymi midzy zmiennymi

31
 Warto bezwzgldna wspczynnika korelacji wskazuje na si liniowej za-
lenoci midzy dwiema zmiennymi. Gdy Irjll = l, wtedy wystpuje dokadna
funkcyjna zaleno liniowa midzy zmiennymi X; oraz X, (przypadek taki jest
przedstawiony na rys. 2.3).
Gdy rjl = O, wtedy nie wystpuje liniowa zaleno midzy dwoma zmienny-
mi. Im wiksza warto bezwzgldna wspczynnika korelacji, tym silniejsza jest
zaleno liniowa midzy zmiennymi. Z prezentacji geometrycznej wida, e im
silniej sza jest zaleno, tym bardziej zbliony do linii prostej jest rozrzut punktw
empirycznych na wykresie. Przypadek silnej zalenoci liniowej przedstawiono na
rys. 2.1 i 2.2, na rys. 2.4 za - sabej zalenoci liniowej (bliskiej zera) .

. .'

Xl

Rys. 2.3. Funkcyjna zaleno liniowa Rys. 2.4. Saba zaleno liniowa
midzy zmiennymi midzy zmiennymi

Wspczynniki korelacji midzy m zmiennymi mona zapisa w postaci ma-

cierzy korelacji R:

r12 ru rlm
r21 l r21 r2m

R= (2.5)

gdzie rjl - wspczynnik korelacji midzy zmiennymi Xj i Xl.

32
 Wasnoci macierzy korelacji:
l)-l:::;'rjl:::;'l

2) "u = 1,
3) "n = lij'
4) :::;,
detR :::;,
detR l :::;,detR 2 :::;,... :::;,l,
dzie R l jest podmacierz macierzy R (po wykreleniu jednego wiersza i jednej
olumny o tych samych numerach, czyli po usuniciu jednej zmiennej); analogicz-
nie R 2 jest podmacierz macierzy R l'
Badajc skorelowanie dwch zmiennych X i Y, moemy podj decyzj o
. totnoci skorelowania, arbitralnie obierajc krytyczn warto wspczynnika ko-
lacji. Moemy rwnie uzaleni krytyczn warto wspczynnika korelacji od
arunkw prby, jak dysponujemy [l; 11; 22]. Sprawdzamy wwczas hipotez,
li! zmienne X i Y nie s istotnie skorelowane, czyli hipotez Ho:rxy = 0, wobec

hipotezy alternatywnej Hl: rxy "* O.

Dla wyznaczonego z prby wspczynnika korelacji rxy sprawdzianem tej
ipotezy jest warto statystyki:

t= Irxyl .Jn-2.
~l-rl;,

Warto krytyczn ta odczytujemy z tablic rozkadu Studenta dla ustalonego

z ry poziomu istotnoci a i dla n - 2 stopni swobody'. Jeeli ta < t, to hipotez
zerow naley odrzuci, co oznacza, e warto rxy istotnie rni si od zera. Jee-
- la ~ t, to nie ma podstaw do odrzucenia hipotezy zerowej. Otrzymana z prby,
. na od zera warto wspczynnika korelacji wynika tylko z przypadku.
Jeli w hipotezie alternatywnej okrelony jest znak wspczynnika korelacji,
li Hl: rxy < O lub Hl: rxy > O, to w tecie korzystamy z obszaru lewostronnego
b prawostronnego.
Przykad 2.1. W latach 1971-1998 w przedsibiorstwie "Arte" analizowano
ukcj (zmienna Y) mierzon w tysicach z i przeprowadzono obserwacje do-
owych 5 zmiennych:
Xl - zatrudnienie,
X2 - warto maszyn i urzdze (w tys. z),
X3 - czas przestoju maszyn (w dniach),

l Dla maej prby, czyli nawet do 120 obserwacji, Dla duej prby korzysta si z rozkadu
mainego.

33
 X4 nakady inwestycyjne (w tys. z),
-

X5 - wydajno pracy (w tys. z na osob).

Dane empiryczne zamieszczone s w tab. 2.1.

Tabela 2.1
Wyniki obserwacji zmiennych do przykadu 2.1

Rok y Xl X2 X3 X4 Xs Rok y xl .x2 X3 X4 Xs

1971 1,50 7,00 0,60 12,00 0,13 0,15 1985 2,50 16,00 2,00 17,00 0,22 0,16
1972 1,50 7,00 1,00 12,00 0,13 0,15 1986 2,60 16,00 2,00 16,00 0,22 0,16
1973 1,60 8,00 1,00 15,00 0,13 0,16 1987 2,50 16,00 2,10 16,00 0,22 0,18
1974 1,60 8,00 1,40 15,00 0,14 0,16 1988 2,55 15,00 2,10 15,00 0,21 0,19
1975 2,00 8,00 1,00 16,00 0,13 0,17 1989 2,60 14,00 2,03 16,00 0,21 0,19
1976 1,60 10,00 1,00 21,00 0,13 0,16 1990 2,65 12,00 1,98 17,00 0,21 0,20
1977 2,00 10,00 1,00 21,00 0,13 0,15 1991 2,70 12,00 2,00 21,00 0,21 0,24
1978 2,00 12,00 1,40 21,00 0,13 0,17 1992 2,85 12,00 2,00 25,00 0,20 0,24
1979 2,00 12,00 1,40 21,00 0,13 0,17 1993 2,80 12,00 1,96 21,00 0,20 0,24
1980 2,20 12,00 1,60 20,00 0,12 0,17 1994 2,95 12,00 1,95 21,00 0,20 0,25
1981 2,25 14,00 1,60 20,00 0,15 0,17 1995 3,00 11,00 1,95 20,00 0,23 0,26
1982 2,35 14,00 1,60 19,00 0,21 0,17 1996 3,20 12,00 1,95 20,00 0,24 0,25
1983 2,35 14,00 2,00 18,00 0,21 0,17 1997 2,97 12,00 1,93 21,00 0,24 0,24
1984 2,45 16,00 2,00 20,00 0,22 0,16 1998 2,85 12,00 1,93 18,00 0,24 0,22

Dla wszystkich par zmiennych wyznaczono wspczynniki korelacji, ktre

utworzyy macierz korelacji R:

1 0,58 0,86 0,48 0,87 0,83

0,58 1 0,79 0,26 0,64 0,10
0,86 0,79 1 0,33 0,86 0,59
R=
0,48 0,26 0,33 1 0,17 0,51
0,87 0,64 0,86 0,17 1 0,62
0,83 0,10 0,59 0,51 0,62 l

Sprawdzimy dla przykadu, czy wspczynnik korelacji midzy zmienn Xl

a Xs, rwny 0,10, jest istotnie rny od zera. Stawiamy hipotez Ho:r15 =0, wo-
bec hipotezy alternatywnej Hl: rlS ::F- O. Wyznaczamy sprawdzian hipotezy zero-
wej, wiedzc, e liczba obserwacji w prbie n = 28:

t = 0,10 .J28-2 =0,512.

~1- 0,102

Dla poziomu istotnoci a= 0,05 oraz dla 26 stopni swobody odczytujemy

z tablic rozkadu Studenta warto krytyczn ta = 2,056.

34
 Poniewa ta > t; zatem nie ma podstaw do odrzucenia hipotezy zerowej, e
zmienne Xl i X5 nie s istotnie skorelowane.

Zadania
2.1. Wspczynnik korelacji midzy zmiennymi X i Y wynosi:
a) -0,14, b) 0,06, c) -0,96, d) 0,11, e) 0,94.
Narysowa schematycznie na wykresie linie regresji y= QIX + Qo oraz
x =b1y +bO'
2.2. Dane s nastpujce wspczynniki korelacji par zmiennych Xl> X2, X3, X4,
X5:
'i2 = -0,94; r53 = -0,49; r42 = 0,92; r51 = 0,69; r14 = -0,90;
r45 = -0,35; r25 = -0,56; r31 = -0,40; r23 = 0,59; r34 = 0,35.
Zmienna X2 jest zmienn objanian. Zbuduj wektor wspczynnikw kore-
lacji tej zmiennej z pozostaymi zmiennymi, traktowanymi jako objaniajce,
oraz kompletn macierz R wspczynnikw korelacji wszystkich par zmien-
nych objaniajcych.
y
2.3. Oszacowano rwnanie regresji = 0,81x + 2,57. Jaka jest warto wspczyn-
nika korelacji 'Xy midzy zmienn X i Y, jeli x = Q2Y - 2, :x = 3 ?
2.4. Obliczy wspczynnik korelacji rxz midzy zmiennymi X i Z, jeli
z=0,9x+O,42, z=I,5, x=Q2z+0,9.
_.5. Sprawd czy przy podanych informacjach mona obliczy wspczynnik kore-
lacji midzy zmiennymi Y i Z, jeli y
= -0,5z + 0,5 Y = -0,25, = Q2Y + 1,1. z
.6. Obliczy parametry Liniiregresji z = Q2Y + b2, jeli y = -0,5z + 0,5, Y = -0,25,
Irl =0,6.
2.7. Na podstawie danych przedstawionych obok osza- Numer
y z
cowano funkcj regresji, opisujc zaleno obserwacji
l 1 3
zmiennej Z od Y: z=-1,176y+4,118. Jaka jest sia
2 3 1
zalenoci midzy tymi zmiennymi? Skomentowa 3 3 O
wynik. 4 2 2
5 O 4

2.8. W firmie Progresja produkcja P i koszty cakowite K w cigu 6 miesicy

przedstawiay si nastpujco:

35
 Wyznaczono funkcj kosztw cakowitych w zalenoci od wielkoci pro-
dukcji: K = 1,821P - 32,25 i zaleno odwrotn: P = 0,41K + 38,683. Obli-
czy i zinterpretowa wspczynnik korelacji midzy produkcj a kosztami
w tej firmie. Sprawd, czy jest on istotnie rny od zera, przyjmujc poziom
istotnoci a= 0,05.
2.9. W grupie 15 przedsibiorstw obserwowano poziom produkcji i koszty cako-
wite.

a. Sporzdzi wykres punktowy.

b. Jaka jest sia zalenoci korelacyjnej midzy produkcj a kosztami cako-
witymi?
c. Czy wyznaczony wspczynnik korelacji jest istotnie rny od zera przy
poziomie istotnoci a= 0,05?
2.10. W cigu 50 miesicy w pewnej firmie obserwowano zuycie dwch surow-
cw: X i Y, stosowanych w produkcji. Oszacowano dwie linie regresji:
y x
= -0,454x + 15,43 oraz = -2,184 Y + 33,88. Obliczy i zinterpretowa
wspczynnik korelacji r.xy midzy zuyciem surowcw X i Y. Na poziomie
istotnoci a= 0,05 zweryfikowa hipotez, e istnieje ujemna korelacja mi-
dzy zuyciem jednego i drugiego surowca.
2.11. W grupie 10 przedsibiorstw obserwowano wielko sprzeday i koszty
reklamy.
Przedsibiorstwo l 2 3 4 5 6 7 8 9 10
Sprzeda (w tys. z) 10 11 12 13 13 13 14 14 15 17
Koszty reklamy (w tys. z) 1,8 1,8 2,0 2,0 2,1 2,0 2,2 2,3 2,3 2,5

a. Sporzdzi wykres punktowy.

b. Oszacowa funkcj regresji opisujc zaleno sprzeday od nakadw
na reklam i nanie j na wykres.
c. Jaka jest sia zalenoci korelacyjnej midzy tymi zmiennymi?
2.12. W grupie 7 przedsibiorstw obserwowano poziom produkcji i koszty cako-
wite.

a. Sporzdzi wykres punktowy.

b. Oszacowa funkcj regresji opisujc zaleno kosztw cakowitych od
wielkoci produkcji i nanie jna wykres.
c. Jakajest sia zalenoci korelacyjnej midzy produkcj ikosztami?

36
2.13. Pewien student mia za zadanie policzy brakujce wartoci w macierzy ko-
relacji

R=[-~,8 0,25
- 0,8 0,25]
1
1
.

Otrzyma nastpujc warto: r23 = 0,6. Czy moe to by dobry wynik?

Odpowied uzasadni.
2.14. Wiadomo, ze rxy = 0,9, a ryz = l. Czy moe si zdarzy, e rxz = 0,8? Odpo-
wied uzasadni.
2.15. W piciu frrmach tej samej brany stwierdzono nastpujce wartoci 6
zmiennych:
Finna XI X2 X3 X4 X5 x6
1 5 0,1 2 2,5 1,0 11
2 4 0,2 3 3,4 1,1 12
3 3 0,2 3 3,8 0,9 13
4 4 0,0 2 4,0 0,8 13
5 2 0,1 4 4,2 1,0 14

Na podstawie tych danych obliczono cz macierzy korelacji; uzupeni t

macierz.

1 - 0,157 - 0,891 -0,828 0,038 -0,923

1 0,429 - 0,169 0,629 -0,157
1 0,419 0,681
R=
-0,404 0,965
1 -0,346
l

l. Na ktrym wykresie linie regresji mog odpowiada wspczynnikowi kore-

lacji r = 0,6 ?

37
Na ktrym wykresie linie regresji mog odpowiada wspczynnikowi korela-
cji r = -0,9?

Oszacowano funkcj regresji y = 2x + 6. Wiadomo,

+
e dla linii regresji
x = a2Y + ~ parametr kierunkowy spenia warunek: a2 < 0,3 . Policzono rw-
nie wspczynnik korelacji midzy zmiennymi Y i X. Ktre odpowiedzi s na
pewno bdne?
I) r = -0,5,
ID) r=0,8,

38
 Oszacowano prost regresji y = 0,5x + 2. Wiadomo, e parametr kierunkowy
prostej regresji X wzgldem Yjest nie wikszy od l. Ile moe wynosi wsp-
czynnik korelacji midzy zmiennymi Xi Y?

-0,5, ll)J3
2 '
ITI) 0;5, IV) J5
2 '
V) O, VI) JO;5,
Vll)-O,l;

. OszaCO\\l~O prost~regresji y= t x + 1. Wiado~~, e wspczynnik kierun:

kowy prostej regresji X wzgldem y jest mniejszy lub rwny 2. Ile moe wy-
nosi rex' Y)?

o L-----t---+~-
0,5 x

39
 Na podstawie 22 obserwacji zmiennych Z i V obliczono:
22 _ _ 22 _ 2 22 _ 2 22
L(Zj-Z)(Vj-v)=30, L(Zj-z) =100, L(Vj-v) =60, L>j =440,
j=l i=l i=l i=l
22
LVi =220.
i=l
W ska stwierdzenia prawdziwe:
I) z = 0,5v -15, II) r(z, v) > 0,
v
III) = 0,2z + 12,
IV) punkt przecicia prostych regresji Z wzgldem Voraz V wzgldem Z ma
dodatnie obydwie wsprzdne;

Z tego, e wspcry~ikk~~~I~~ji~(X:;nj~~t rwny

I) istnieje funkcjaftaka, ey=j{x),
II) nie istnieje funkcjaftaka, e y= j{x),
III) istniej stae a i b takie, e y = ax + b,
IV) nie istniej stae a i b takie, e y = ax + b;

40
 Jilll;~:~
2.16, X oznacza wag, a Y wzrost czowieka. Wspczynnik korelacji
c.~':Y~tj!~1~~Lt
najwikszy, gdy

2.17" Niech'';d~tR oznacza wyznacznik macierzyR:

R =[ R1 R6]
W'O

'I gdzie: W - macierz wspczynnikw korelacji midzy zmiennymi obja-

'V niaj cymi,
:~ Ro - wektor wspczynnikw korelacji zmiennej objanianej z obja-
.. niajcymi.
;~Nastpujce relacje s zawsze prawdziwe:
~ I) detR>detW, II) detR<OidetW<O,
; ill)detRdetW<O, IV)detW>detR;

2.2. Wspczynnik korelacji wielorakiej

Oznaczmy przez rj wspczynnik korelacji midzy zmienn objanian Y

a zmienn objaniajc Xj oraz wspczynnik korelacji midzy zmiennymi obja-
niajcymi Xj i x, przez rjl. Wspczynniki korelacji midzy zmiennymi obja-
niajcymi tworz macierz korelacji

1 'i2 ... r1mj

R = r21 1 ... r2m ,

r rml rm2 1

wspczynniki korelacji midzy zmienn objanian i zmiennymi objaniajcymi

- wektor korelacji

41
~~~--~~---------------------------------

Wektor Ro i macierz R s wykorzystywane do budowy tzw. rozszerzonej

.
macierzy R" :

R"=[l
Ro
Rl.
R

Macierze R i R" s wykorzystywane do budowy wspczynnika korelacji

wielorakiej R. Jest on miar liniowej zalenoci midzy zmienn objanian a li-
niow kombinacj zmiennych objaniajcych. Przy oznaczeniach podanych wcze-
niej wspczynnik korelacji wielorakiej jest obliczany ze wzoru

R = 1- detR " (2.6)

detR '

gdzie: detR" i detR oznaczaj wyznaczniki macierzy R" i R.

Wspczynnik korelacji wielorakiej przyjmuje wartoci z przedziau [O; l].
Na kocach tego przedziau jego interpretacjajest nastpujca:
- jeeli R = O, to nie ma zalenoci liniowej,
- jeeli R = l, to midzy zmienn objanian a liniow kombinacj zmien-
nych objaniajcych zachodzi zaleno funkcyjna liniowa.
Zatem oglna interpretacja wspczynnika korelacji wielorakiej jest nastpu-
jca: im wysza warto tego wspczynnika, tym wiksza jest zaleno liniowa
midzy zmienn objanian a zmiennymi objaniajcymi. Wartoci wspczynnika
korelacji wielorakiej mog stanowi podstaw doboru zmiennych w liniowym mo-
delu ekonometrycznym wtedy, gdy kombinacje zmiennych objaniajcych s jed-
nakowo liczne [18]. Przy dwch zestawach potencjalnych zmiennych objaniaj-
cych zmienn objanian Y wybiera si ten zestaw, dla ktrego wspczynnik kore-
lacji wielorakiej przyjmuje warto wiksz.
Przykad 2.2. Dla danych z przykadu 2.1 wyznaczono nastpujce staty-
styczne miary opisu zmiennych: redni arytmetyczn, odchylenie standardowe
oraz wspczynniki zmiennoci Vj i Wj.

42
 Tabela 2.2
Miary opisu zmiennych

y XI X2 X3 X4 X5
xj 2,36 12,00 1,66 18,39 0,18 0,19

Sj 0,49 2,65 0,44 3,02 0,04 0,04

Vj 0,21 0,22 0,26 0,16 0,23 0,19

Wj 0,72 0,78 1,11 0,70 0,67 0,54

W celu sprawdzenia, czy zmienne s wystarczajco zrnicowane, analizowa-

\ spczynniki zmiennoci: Vj oraz Wj .

Przyjcie krytycznej wartoci wspczynnika zmiennoci V* = 0,2 spowodo-

raoby konieczno odrzucenia dwu zmiennych ze wzgldu na ich sab zmien-
. Jeli wspczynnik ten bdzie mia warto V* = 0,1, to adna z proponowa-
. h zmiennych nie zostanie wyeliminowana ze zbioru zmiennych kandydujcych
modelu.
Zrnicowanie zmiennych ze wzgldu na drugi proponowany miernik zmien-
, i jest bardzo wysokie, zatem wszystkie zmienne mog, wedug tego kryterium,
ej kandydowa do modelu.
Policzmy wspczynniki korelacji wielorakiej dla rwnolicznych kombinacji.
naszym przykadzie dla 5 zmiennych otrzymamy 10 kombinacji dwuelemento-
.- h oraz 10 kombinacji trjelementowych. Oto te kombinacje:
t'1 X2}, {Xl' X3}, {Xl' X4}, {XI' X5}, {X2, X3}, {X2, X4}, {X2, X5}, {X3, X4},
t'4' X5}, {Xl' X2, X3}, {Xl' X2, X4}, {Xl' X2, X5}, {Xl' X3, X4}, {Xl' X3, X5},
{Xl' X4, X5}, {X2,X3,X4}, {X2,X3,X5}, {X2,X4,X5}, {X3,X4,X5}
Przykadowo sprawdzimy, ktra kombinacja dwuelementowa powinna stano-
o. w modelu zmienne objaniajce. W tym celu wyznaczamy macierze korelacj i
dla zmiennych we wszystkich kombinacjach dwuelementowych oraz wektory
'Spczynnikw korelacji potencjalnych zmiennych objaniajcych ze zmienn
janian Ro . Dla pierwszej kombinacji {Xl' X2} maj one nastpujc posta:

ierz R* ma wic posta:

0,58
0,86]
R*=[~,58 1 ~,79 .
0,86 0,79

43
 Wyznacznik macierzy Rwynosi 0,37, natomiast wyznacznik macierzy R*
wynosi 0,088, zatem wspczynnik korelacji wielorakiej midzy zmienn obja-
nian Ya zmiennymi z kombinacji {Xl' X2} ma warto: R=0,875.
Te same obliczenia powtarzamy dla pozostaych kombinacji dwuelemento-
wych. Wyniki przedstawiono w tab. 2.3.

Tabela 2.3
Wspczynniki korelacji wielorakiej dla kombinacji dwuelementowych

Kombinacja Macierz R* MacierzR detR* detR R

[1 0,26] 0,51 0,93 0,67
{xl' X3} [' 0,58 0,48]
0,58 1 0,26 0,26 l
0,48 0,26 1

[1 0,64] 0,14 0,58 0,87

{xl' X4} [' 0~8 0,87]
0,58 1 0,64 0,64 l
0,87 0,64 l

[, 0,58 0,83] [l 0,10] 0,06 0,99 0,97

{xl' Xs} 0,58 1 0,10 0,10 1
0,83 0,10 l

[1 0,33] 0,19 0,89 0,89

{x2' X3} [' 0,86 0,48]
0,86 l 0,33 0,33 l
0,48 0,33 1

[1 0,86] 0,05 0,26 0,90

{x2' X4} [' 0,86 0~7]
0,86 1 0,86 0,86 1
0,87 0,86 1

[, 0,86 0,83] [l 0,59] 0,06 0,66 0,95

{x2' Xs} 0,86 1 0,59 0,59 1
0,83 0,59 l
0,13 0,97 0,93
{x3' X4} [' ~48 0,87] ~,17]
0,48 1 0,17 [~,17
0,87 0,17 1

[, 0,48 0,83] 0,23 0,74 0,83

{x3' Xs} ~,5l]
0,48 1 0,51 [~,51
0,83 0,51 l
0,07 0,62 0,95
{x4' Xs} [' 0,87 0,83]
0,87 l 0,62 [~,62
~,62]
0,83 0,62 l

Najwiksz wartoci wspczynnika korelacji wielorakiej charakteryzuje si

kombinacja {Xl' X5}, a wic zmienne nalece do niej powinny wej do modelu
produkcji.
Tak sam procedur naley zastosowa dla kombinacji trj elementowych.
Pozostawiamy to Czytelnikowi.

44
 Zadania

_.16. Wspczynniki korelacji zmiennej objanianej Yze zmiennymi objaniajcy-

mi Xl i X2 wynosz odpowiednio: 'i = 0,7 , r2 = 0,8. Wspczynnik kore-
lacji midzy zmiennymi Xl i X2 wynosi natomiast 0,6. Obliczy i zinter-
pretowa wspczynnik korelacji wielorakiej R zmiennej objanianej ze
zmiennymi objaniajcymi .
.17. Dana jest macierz korelacji mi- l 0,7 -0,2 0,2 -0,3 0,6
dzy zmiennymi X, Y, Z, U, W, V. l -0,4 0,9 -0,3 -0,7
Obliczy wspczynnik korela- l -0,9 -0,9 -0,2
cji wielorakiej R: R=
l 0,9 -0,2
a) zmiennej X od zmiennych Z
l -0,4
i Y,
l
b) zmiennej U od zmiennych Z
iX
Skomentuj wynik .
.18. Dana jest macierz korela- l
cji midzy zmiennymi X, 0,96 l
Y, Z, U, W, V. Utworzy 0,88 0,91 l
odpowiednie macierze ko- R=
0,46 0,53 0,56 l
relacji w celu obliczenia -0,20 -0,26 -0,02 0,28 l
wspczynnika korelacji 0,70 0,72 0,89 0,31 -0,11
wielorakiej R modelu:
a) y=~x+~z+~v+bO+G,
.19. Jaka jest sia zalenoci zmien-
nej Xl od zmiennych X2 i X3 l 0,53 -0,30 57
jednoczenie? (W macierzy R
R _ 0,53
- - 0,30 -
l
0,92
-0,92
l
, 1
0,99
-0,90
podane s wspczynniki korela-
cji kolejno midzy zmiennymi r 0,57 0,99 -0,90 l

Xl' X2, X3, X4)

O. Wspczynniki korelacji midzy zmienn objanian Y i zmiennymi obja-
niajcymi Xl i X2 wynosz: 'i = -0,3 oraz r2 = -0,7. Wspczynnik kore-
lacji midzy zmiennymi objaniajcymi wynosi 'i2 = 0,8. Jaka jest sia
zalenoci zmiennej objanianej Yod obu zmiennych objaniajcych jedno-
czenie? Wynik zinterpretowa.
l. Dany jest wektor wspczynnikw korelacji RO zmiennej objanianej Y
z potencjalnymi zmiennymi objaniajcymi Xl' X2,
X3, X4 oraz macierz
wspczynnikw korelacji R midzy zmiennymi Xl' X 2' X3, X 4 :

45
 [1
=Hr~
0,61 - 0,6 - 0,8 0,31
1 0,5 - 0,2
Ro= [ 1 -0,7'
1

Ktra z kombinacji zmiennych objaniajcych: CI = {Xl' X3} czy

C2 = {X2, X3} jest lepsza ze wzgldu na wspczynnik korelacji wielora-
kiej?
2.22. Dana jest macierz wspczynni- . 0,8 -0,7 0,3 0,6 -0,3
kw korelacji midzy zmienny- 1 -0,3 0,1 0,4 -0,3
mi Xl, X2, X3, X4, Xs, X6' 1 -0,4 -0,5 0,2
R=
Wiadomo, e Xs jest zmienn l 0,3 -0,5
objanian, a pozostae - poten- 1 -0,7
cjalnymi zmiennymi objaniaj- l
cymi. Wybra za pomoc wsp-
czynnika korelacji wielorakiej najlepszy zestaw zmiennych objaniajcych
spord nastpujcych propozycji:
a) {X2, X3},
c) {X2, X4}.
2.23. Dana jest macierz korelacji 1 0,4 -0,4 -0,3 -0,7 -0,4
midzy zmiennymi U, W, V, l -0,9 -0,9 0,2 0,4
X, Y,Z.
1 0,9 -0,2 -0,4
a. Zmienn objanian jest R=
l -0,4 -0,6
zmienna Y, a potencjalny-
1 0,8
mi zmiennymi objaniaj-
1
cymi s zmienne W, V, X,
Z. Utworzy wektor kore-
lacji Ro oraz macierz korelacji R w celu zastosowania wspczynnika
korelacji wielorakiej do doboru zmiennych objaniajcych.
b. Utworzy wektor korelacji Ro oraz macierz korelacji R do obliczenia
wspczynnika korelacji wielorakiej dla modelu y = blx + b2z + b3v + bO'
2.24. Dla zmiennej objanianej Y oraz [0,13] [1 0,77 O.,62]
dla potencjalnych zmiennych ob- R = 057 R = O77 l 094
. O " 1 ,

janiajcych XI' X2, X3 otrzy- 0,64 0,62 0,94 l

mano przedstawione obok wektor
i macierz wspczynnikw korelacji. Spord dwuelementowych kombinacji
zmiennych pierwotnych Xl' X2, X3 wybra t kombinacj, ktra zapewnia
najwikszy wspczynnik korelacji wielorakiej.

46
2.1~ Wspczynniki korelacji s rwne: r(Y, Xl) = 0,3, r(Y, X2) = 0,5. Wsp-
Iczynnik korelacji r12 = r(XI, X2) moe wynosi:
.~ I) = 1,
1j2 II) 'i2 = -1 ,
,;I ID) r12 = , IV) 'i2 = 0,5 ;

.19: Wiadomo, e reX,

Y) = o,'S;';('Y:'2) = 0,3, rex, Z) = o,r ~~II~~~ny ws~czyn-
~ nik korelacji wielorakiej ~ dla zmiennej Z z par (X, Y) wynosi:

ej moe wynosi:
II) -0,3,
IV) O;

2.3. Dobr zmiennych objaniajcych do modelu

metod analizy wspczynnikw korelacji"

W metodzie tej ustala si tzw. warto krytyczn wspczynnika korelacji.

ela ona poziom istotnoci wspczynnika korelacji. Warto ta moe by za-
a przez badacza albo wyznaczona ze wzoru

r*=f2S2t 2 +n-2 '

(2.7)

ie t jest wartoci statystyki odczytan z tablic testu t-Studenta dla zadanego

ziomu istotnoci a oraz dla n - 2 stopni swobody.
Procedura doboru zmiennych objaniajcych jest nastpujca.
1. Ze zbioru potencjalnych zmiennych objaniajcych eliminuje si wszystkie
.enne, dla ktrych zachodzi nierwno

Metod opisan w tym rozdziale opracowano na podstawie pracy [18].

47
 (2.8)

s to bowiem zmienne nieistotnie skorelowane ze zmienn objanian.

2. Spord pozostaych potencjalnych zmiennych jako zmienn objaniajc
wybiera si tak zmienn X h ' dla ktrej

Irhl = m~rjl, (2.9)

poniewa zmienna Xh jest nonikiem najwikszego zasobu informacji o zmiennej

objanianej.
3. Ze zbioru pozostaych potencjalnych zmiennych objaniajcych eliminuje
si te wszystkie zmienne, dla ktrych

(2.10)

s to bowiem zmienne zbyt silnie skorelowane ze zmienn objaniajc Xh, a wic

powielajce dostarczone przez ni informacje.
Jeli pozostay jeszcze jakie zmienne, to przechodzi si do punktu 2. Post-
powanie kontynuuje si do momentu wyczerpania zbioru potencjalnych zmiennych
objaniajcych.
Przykad 2.3. Przykad ten jest kontynuacj przykadu 2.1, gdzie w celu
wyjanienia ksztatowania si poziomu produkcji w pewnym przedsibiorstwie
zaproponowano wstpnie 5 zmiennych objaniajcych. Na podstawie danych staty-
stycznych z 28 lat wyznaczono wektor wspczynnikw korelacji zmiennej obja-
nianej z potencjalnymi zmiennymi objaniajcymi RO oraz macierz wspczynni-
kw korelacji midzy potencjalnymi zmiennymi objaniajcymi R.

0,58 1 0,79 0,26 0,64 0,10

0,86 0,79 1 0,33 0,86 0,59
Ro= 0,48 .R= 0,26 0,33 1 0,17 0,51
0,87 0,64 0,86 0,17 1 0,62
0,83 0,10 0,59 0,51 0,62 l

Przy poziomie istotnoci a=O,Ol oraz dla n=28 obserwacji wyznaczamy

krytyczn warto wspczynnika r":
2
r" = 2,779 =0,48.
2
2,779 +26

Ze zbioru potencjalnych zmiennych objaniajcych naley w pierwszym eta-

pIe wyeliminowa zmienn X3, jest ona bowiem nie istotnie skorelowana ze

48
zmienn objanian. Spord pozostaych zmiennych objaniajcych wybieramy
o modelu zmienn X4, bo jest najmocniej skorelowana ze zmienn objanian.
W kolejnym etapie ze zbioru proponowanych zmiennych objaniajcych eli-
minujemy te, dla ktrych wspczynniki korelacji ze zmienn X4 s wyszeni

= 0,48. Z tak zredukowanego zbioru zmiennych wybieramy nastpn zmienn

[aniajc, W naszym. przypadku nie ma ju takiej zmiennej. Model produkcji
ie mia wic posta: y = al x4 + aO'

Zadania

5. Dana jest macierz korelacji

"l -0,94 -0,40 -0,90 0,69
midzy zmiennymi Xl' X2,
-0,94 l 0,59 0,92 -0,55
X3, X4, X5, wyznaczona R = -0,40 0,59 l 0,35 -0,49
na podstawie 25 pomiarw -0,90 0,92 0,35 l -0,34
zmiennych. 0,69 -0,55 -0,49 -0,34 1
a. Zmienna X2 jest zmien-
n objanian. Na poziomie istotnoci a= 0,05 dobra zmienne objania-
jce dla zmiennej X2 spord pozostaych.

b. Przyjmujc krytyczn warto wspczynnika korelacj i r" = 0,41, wybra

zmienne objaniajce do modelu liniowego zmiennej X3, ktra jest
zmienn objanian.
6. Dana jest macierz korelacji midzy zmiennymi Xl' ..:;;,
..X7 Zmienna X3
jest zmienn objanian. Przy poziomie istotnoci a= 0,05 wskaza, ktre
z pozostaych zmiennych powinny odgrywa rol zmiennych objaniajcych.
Macierz wyznaczono na podstawie rocznych danych statystycznych pocho-
dzcych z 26 lat.

l -0,71 0,23 -0,19 -0,27 0,86 0,56

-0,71 l 0,38 -0,39 -0,28 -0,68 -0,38
0,23 0,38 l -0,97 -0,95 0,24 0,41
R= -0,19 -0,39 -0,97 l 0,97 -0,24 -0,39
-0,27 -0,28 -0,95 0,97 l -0,36 -0,56
0,86 -0,68 0,24 -0,24 -0,36 l 0,78
0,56 -0,38 0,41 -0,39 -0,56 0,78 l

49
2.27. Ktry z dwch wariantw -0,8 0,8 -0,3 0,7 0,2
modelu zmiennej y: 1 0,2 -0,5 -0,5
0,7
I. Y=a1X1+a2X4+aO' Ro= 0,3 , R= 1 -0,7 0,6
II. f = blX1 +~X5 +bO 0,5 1 0,4
zostanie wybrany metod -0,5 1
wspczynnikw korela-
cji przy poziomie istotnoci a= 0,05, jeli prba liczya 20 obserwacji?
2.28. Wyznaczy warto krytyczn wspczynnika korelacji r" dla prby liczcej
28 obserwacji, przyjmujc poziom istotnoci 0,05.
',:~::

Warto krytyczna wspczynnika korelacji wynosi r" = 0,35. Stosujc me-

tod analizy wspczynnikw korelacji, dobierz zmienne do modelu spord
Xl' X2, X3, X4, X5 na podstawie wektora R6 = [0,3 0,4 0,5 0,6 0,3]
oraz macierzy korelacyjnej:

l -0,09 0,36 0,17 0,40

-0,09 1 -0,06 -0,38 0,15
0,36 -0,06 l 0,33 -0,45
0,17 -0,38 0,33 1 0,22
0,40 0,15 -0,45 0,22 1

Potencjalnymi zmiennymi objaniajcymi s:

korelacyjna R i wektor Ro maj posta

1 0,5 0,6 o,8] [ o,3]

R = 0,5 1 0,6 0,8 , R O = 0,6.
0,6 0,6 1 0,7 -0,7
[
0,8 0,8 0,7 1 -0,4

! Wiadomo, e warto krytyczna wspczynnika korelacji wynosi r'" = 0,55.

Dobierz zmienne do modelu metod analizy wspczynnikw korelacji:

50
 2.4. Dobr zmiennych objaniajcych do modelu
metod wskanikw pojemnoci informacji

Zmienne wybrane do liniowego modelu ekonometrycznego powinny by -

ie z intuicj - moliwie silnie skorelowane ze zmienn objanian oraz mo-
rie sabo midzy sob. Oczywicie sformuowane tu zalecenie nie moe by ci-
~ID kryterium doboru zmiennych. Dlatego te, podobnie jak w analizie wsp-
lIDika korelacji wielorakiej, potrzebne jest kryterium liczbowe, ktre pozwoli
~'bra t spord branych pod uwag kombinacji potencjalnych zmiennych obja-
- ~cych, ktra spenia to kryterium. Na tej idei oparta jest metoda pojemnoci
nikw informacji [1]. Wspomnianym kryterium jest w tym przypadku tzw.
iemno integralna kombinacji nonikw informacji. Nonikami informacji s
stkie potencjalne zmienne objaniajce. Gdy wystpuje m potencjalnych
iennych objaniajcych, istnieje 2m -1 moliwych kombinacji zmiennych obja-
- ~cych. Dla kadej kombinacji definiuje si tzw. indywidualn pojemno no-
. 'w informacji:

(2.11 )

'e: k - numer kombinacji (k = 1,2, ..., 2m -1),

$k - zbir numerw zmiennych w rozpatrywanej kombinacji,
j - numer zmiennej w rozpatrywanej kombinacji,
r, - wspczynnik korelacji potencjalnej zmiennej objaniajcej o nume-
J
rze j ze zmienn objanian (element wektora korelacj i RO)'
r/j wspczynnik korelacji midzy j-t i l-t potencjaln zmienn obja-
-
niajc (element macierzy korelacji R).
Wskanik hkj jest miernikiem wielkoci informacji wnoszonej przez zmienn
o zmiennej objanianej Y w k-tej kombinacji. Jak atwo zauway, hkj przyj-
wartoci tym wiksze, im wikszy jest wspczynnik korelacji rj, oraz tym
[sze, im mocniej zmienna Xj jest skorelowana z pozostaymi zmiennymi roz-
. 'anej kombinacji ".Po obliczeniu wartoci hkj dla zmiennych wyznacza si
kadej kombinacji pojemno integraln kombinacji nonikw informacji.
o t oblicza si wedug wzoru

51
 m
Hk = I,hlg", (k = l, 2, ..., 2 -l). (2.12)
jE.2Jk

Pojemno integralna k-tej kombinacji jest wic sum indywidualnych

pojemnoci nonikw, wchodzcych w skad tej kombinacji. Pojemno integralna
stanowi kryterium wyboru odpowiedniej kombinacji zmiennych objaniajcych.
Wybiera si t kombinacj, dla ktrej warto Hk jest najwiksza.
Wskaniki indywidualny i integralny pojemnoci informacji s tak skonstru-
owane, i ich wartoci mieszcz si w przedziale [O, 1].
Przykad 2.4. W odniesieniu do przykadu 2.1 dokonamy wyboru zmiennych
objaniajcych do modelu produkcji za pomoc metody pojemnoci informacji.
Wyznaczony wektor wspczynnikw korelacji zmiennej objanianej z potencjal-
nymi zmiennymi objaniajcymi RO oraz macierz wspczynnikw korelacji mi-
dzy potencjalnymi zmiennymi objaniajcymi R (bez zmiennej X3 - zob. przykad
2.3) maj postacie:

' 1
58
R - 0,86
[1
R _ 0,79 1
0,79 0,64
0,86 0,59
O,lOl
[
O - 0,87'
0,83
- 0,64 0,86
0,10 0,59
1 0,62
0,62 1

Dla czterech zmiennych objaniajcych mona utworzy 15 kombinacji

zmiennych, dla ktrych wyznaczamy pojemnoci integralne:
{Xl}' {X2}, {x4}' {Xs}, {XI;-X2}, {xl' X4}, {xl' Xs}, {X2, X4}, {X2, Xs},
{X4, Xs}, {Xl' X2, X4}, {Xl' X2, Xs}, {Xl' X4 Xs}, {X2 X4 Xs},
{Xl' X2, X4 XS}:
Wyznaczymy przykadowo integralny wskanik ,Pojemnoci informacji dla
kombinacji jednoelementowej {X2}, dwuelementowej tX2' Xs} oraz trjelemento-
wej {Xl' X2 X4} .
Pojemno integralna drugiej kombinacji jednoelementowej {X2} rwna si
pojemnoci indywidualnej tej zmiennej i wynosi:
2
~,2 = 0.~6 .

Pojemno integraln kombinacji dwuelementowej {X2 Xs}, ktrajest w ko-

lejnoci dziewit kombinacj, wyznaczamy nastpujco:

52
 0,862 0832
~2=
l+ 59
=0,47,h95='
'1 + 0,59
=0,43,H9=0,47+0,43=0,9.

Dla kombinacji trzyelementowej {Xl' X2, X4} obliczenia s nastpujce:

2 2
h = 0,58 = 014 h = 0,86 = 028
11,1 1+ 0,79 + 0,64 ' , 11,2 1+ 0,79 + 0,86 ' ,

l.
"11,4
= 0,87
2

1+ 0,64 + 0,86
=
'
30
.

_ Hll = 0,14+ 0,28 + 0,30 = 0,72 .

Wyznaczone integralne wskaniki pojemnoci informacji wynosz:
=0,34, H2 =0,74, H3 =0,76, H4 =0,69, HS =0,60, H6 =0,67, H7 =0,93,
= 0,80, H9 = 0,90, HIO = 0,89, Hll = 0,72, Hl2 = 0,90, Hl3 = 0,93,
= 0,92, Hl5 = 0,90.
Kierujc si poziomem integralnego wskanika informacji oraz merytoryczn
zmiennych objaniajcych poziom produkcji, do modelu wybrano kombina-
9, zawierajc dwie zmienne X2 i Xs. Model ma wic posta:
y=alx2 +a2xS +ao

Zadania
. Dany jest wektor wspczynnikw korelacji Ro zmiennej objanianej z po-
tencj a1nymi zmiennymi objaniaj cymi Xl' X 2' X 3' X 4 oraz macierz
wspczynnikw korelacji R midzy zmiennymi Xl' X2, X3, X4:

o,6] [1
=~:~,
- 0,6 - 0,8 0'31
l 0,5 - 0,2
RO~ [ R~ 1 -0,7
1

Ktra z kombinacji zmiennych CI = {Xl' X3, X4} czy

objaniajcych:
C2 = {X 2' X3} , jest lepsza w sensie pojemnoci informacj i?
o. Dla zmiennej objanianej Y oraz zmiennych "kandyd~tek" Xl' X2 i X3
wyznaczono wektor i macierz korelacji:

0,6]
RO = 0,8 , R =
[10,9} 0,9 0,8]
0},5.
[
0,3 0,8 0,5

53
 Za pomoc metody pojemnoci informacji zdecydowa, ktra z kombinacji
CI = {X2} czy C2 = {Xl' X3}, dostarcza wikszego zasobu informaci
o zmiennej objanianej.
2.31. Dla zmiennej objanianej Y oraz dla potencjalnych zmiennych objaniaj-
cych Xl, X2, X3 otrzymano nastpujcy wektor i macierz wspczynnik
korelacji:

0,13] [1 0,77 0,62]

RO = 0,57 , R= 0,77 l 0,94.
[
0,64 0,62 0,94 l

Spord dwuelementowych kombinacji zmiennych pierwotnych Xl' X2.

X3 wybra t kombinacj, ktra zapewnia najwiksz warto wskanika
integralnej pojemnoci informacji.
2.32. Ktry z dwch wariantw 0,8 l 0,8 0,3 0,7 0,2
modelu zmiennej y: 0,7 l 0,2 0,5 0,5
I. y = QlXl + Q2X4 + Qo, RO= 0,3 , R= l 0,7 0,6
II. Y=blX3 +b2X5 +bo, 0,5 l 0,4
jest lepszy w sensie pojem- 0,5 l
noci informacji?
2.33. Wspczynnik korelacji Xl z X2 wynosi -0,25. Ile wynosi pojemno
integralna kombinacji {Xl' X2}, jeli pojemno integralna kombinacji {Xl}
wynosi 0,64, a pojemno integralna kombinacji {X2} - 0,36?
2.34. Dana jest macierz wspczynnikw l 0,8 -0,7 0,3 0,6 -0,3'
korelacji midzy zmiennymi Xl' l -0,3 0,1 0,4 -0,3
X2, X3, X4, X5, X6' Wiadomo, l -0,4 -0,5 0,2
e X5 jest zmienn objanian, a po- l 0,3 -0,5
zostae - potencjalnymi zmiennymi l -0,3
objaniajcymi. Wybra za pomoc l
metody pojemnoci informacji naj-
lepszy zestaw zmiennych objaniajcych spord nastpujcych propozycji:
a. {X2, X3, X4}, b. {Xl' X6}.
2.35. Ktre kombinacje dwuelementowe spord 4 potencjalnych zmiennych
objaniajcych: Xl' X2, X3, X 4 maj warto wskanika integralnego
wiksz od 0,5?

54
 0,07j R =
R = 0,66
O -O,68 '
II0,53 1
0,53 -0,30

-o ,30 -0,22 1
-0,22
0,57j
0,09
-0,29 .
l 0,05 0,57 0,09 -0,29 1

.36. Dana jest macierz korelacji midzy zmiennymi Xl' ... , X7. Zmienn obja-
nianjest X3. Jaka jest integralna pojemno informacji H dla kombinacji
{Xl, X5, X6}?

1 -0,71 0,23 -0,19 -0,27 0,86 0,56

-0,71 1 0,38 -0,39 -0,28 -0,68 -0,38
0,23 0,38 1 -0,97 -0,95 0,24 0,41
R= -0,19 -0,39 -0,97 1 0,97 -0,24 -0,39
-0,27 -0,28 -0,95 0,97 1 -0,36 -0,56
0,86 -0,68 0,24 -0,24 -0,36 1 0,78
0,56 -0,38 0,41 -0,39 -0,56 0,78 1

. Dana jest macierz korelacji midzy zmiennymi XI' X2, X3, X4, X5

1 -0,94 -0,4 -0,9 0,69

-0,94 1 0,59 0,92 -0,56
R= -0,4 0,59 l 0,35 -0,49
-0,9 0,92 0,35 1 -0,35
0,69 -0,56 -0,49 -0,35 1

Zmienn obj anian jest X2. Obliczy integraln pojemno informacji Hk

dla kombinacji $k = {l, 3, 5}. ($k - zbir numerw potencjalnych zmien-
nych objaniajcych znajdujcych si w k-tej kombinacji). Oceni warto
informacyjn tego zestawu potencjalnych zmiennych objaniajcych.
8. Dany jest wektor korelacji RO midzy zmienn objanian Y i potencjalnymi
zmiennymi objaniajcymi Xl' X2, X3, X4 oraz macierz korelacji R mi-
dzy potencjalnymi zmiennymi objaniajcymi:

Ro =l=~:~~j, R = l-~'39 -~,39 -~:~~ =~:~!j.

-0,27 -0,28 0,97 1 -0,56
0,56 -0,38 -0,39 -0,56 1

Ktry zestaw zmiennych objaniajcych: {X2, X3} czy {X2, X3, X4}, jest
lepszy w sensie pojemnoci informacji?

55
2.39. Dana jest macierz korelacji
0,4 -0,4 -0,3 -0,7 -0,4
R midzy zmiennymi U, W,
l -0,9 -0,9 0,2 0,4
V, X, r; z.
1 0,9 -0,2 -0,4
a. Zmienn objanian jest R=
1 -0,4 -0,6
zmienna Y, a potencjal-
l 0,8
nymi zmiennymi objania-
1
j cymi s zmienne W, V,
X, Z. Utworzy wektor korelacji RO oraz macierz korelacji R w celu
zastosowania integralnej pojemnoci informacji do doboru zmiennych
objaniajcych.
b. Utworzy wektor korelacji RO oraz macierz korelacji R w celu obliczenia
integralnej pojemnoci informacji modelu y = b}x + ~z + b3v + bO.
c. Obliczy integralnpojemnoci informacji Hdla modelu y = qx + ~z + b3v + bo.
d. Obliczy integralnpojemnoci informacji H dla modelu fi = qw + ~x + b:3v + bO.
2.40. Wspczynniki korelacji midzy zmienn objanian Y i potencjalnymi
zmiennymi objaniajcymi x,i Xj wynosz: li = 0,3 oraz rj = 0,2. Wskanik
integralnej pojemnoci informacji dla tej kombinacji zmiennych objaniaj-
cych wynosi Hk = 0,093. Obliczy wspczynnik korelacji rij midzy tymi
potencjalnymi zmiennymi objaniajcymi.
2.41. W piciu fmnach tej samej brany stwierdzono wartoci 6 zmiennych, na
podstawie ktrych obliczono macierz korelacji:
l -0,157 -0,891 -0,828 0,038 . -0,923
l 0,429 -0,169 0,629 -0,157
l 0,569 0,419 0,681
R=
l -0,404 0,965
1 -0,346
l

Do wyboru s dwa modele zmiennej X6:

x6 = a}x3 + a2x4 + ao,

x6 =b}x2 +~x5 +bO
Ktry z nich jest lepszy wedug metody pojemnoci informacji?

56
 ::-~

3: Wiadomo, e najlepsza kombinacja spord k potencjalnych zmiennych

objaniajcych liczy 3 zmienne (nie wiadomo ktre). W celu wybrania
zmiennych objaniajcych do modelu za pomoc metody pojemnoci infor-
macji naley obliczy nastpujce iloci integralnych poj~In11?~~iinformacji:

g::::;?~..
4. Najlepsza kombinacja spord 7 potencjalnych zmiennych objaniajcych
. skada si z 3 zmiennych (nie wiadomo ktrych). W celu wybrania zmien-
nych objaniajcych do modelu za pomoc metody pojemnoci informacji
naJey ()l:Jliczy IlastxPllt ce ilociinte aln ch oiemnoci informaci i:

. Naji~p~;'kombinacja spord 6 potencjalnych zmiennych objaniajc)'di

skada si z 3 zmiennych (nie wiadomo, ktrych). W celu wybrania zmien-
nych objaniajcych do modelu za pomoc metody pojemnoci informacji
nale:lyo~li~zyl1l:stpujce iloci. integralnyc~ ojemnoci informacj i:

l}Jdll;I~I~1
Dobieramy zmienne do modelu metod pojemnoci informacj i. Mamy m
zmiennych "kandydatek". Wiadomo, e optymalna kombinacja w sensie me-
tody pojemnoci informacji zawiera m-2 zmienne (m>2). Wwczas w celu
wyboru zmiennych do modelu
A)

57
, Ktry z czynnikw wpywa zawsze (przy pozostaych czynnikach niezmie-
nionych) na zwikszenie integralnego wskanika pojemnoci informacji dla
kombinacji {Xl' X2} :
I) zwikszenie 1 r(XI, X2)1, II) zwikszenie 1r(Y, XI)1 '
ID) zwikszenie r(XI, X2), IV) zmniejszenie r(Y, X2);

Rozpatrujemy potencjalne zmienne objaniajce Xl i X2 RO = 1j 0,8Y

r(XI, X2) = 0,9. Przy jakim 1j kombinacja {Xl} jest najlepsza w sensie me-
tody pojemnoci informacji:
I) 0,81,
W 0,9,

0,8]
RO = 0,5 , R =
[10,50,5 0,4]
1 0,6.
[ 0,7 0,4 0,6 l

Wska zdania prawdziwe:

I) kombinacja {Xl} jest lepsza od kombinacji {X3} w sensie pojemnoci
informacji;
wskanik indywidualnej pojemnoci informacji dla zmiennej X2 w kom-
binacji {Xl' X2, X3} wynosi 0,21;
ID) kombinacja {X3} jest gorsza od kombinacji {X2} w sensie pojemnoci
informacji;
IV) wskanik integralnej pojemnoci informacji dla kombinacji {Xl' X3}
wynosi 0,78;

58
 2.5. Dobr zmiennych objaniajcych do modelu metod grafow

Idea tej metody, podobnie jak w metodzie pojemnoci informacji, opiera si

na wyborze takich zmiennych objaniajcych do modelu, ktre s silnie skorelo-
'ane ze zmienn objanian oraz sabo skorelowane midzy sob. Procedura me-
tody rozpoczyna si od utworzenia wektora korelacji RO midzy zmienn obja-
nian a potencjalnymi zmiennymi objaniajcymi oraz macierzy korelacji R para-
mi midzy potencjalnymi zmiennymi objaniajcymi [1].
W kolejnym etapie sprawdzamy, ktre elementy macierzy R s tak mae, e
moemy je uzna za zerowe (nieistotnie rne od zera). W tym celu porwnujemy
rzeczywiste wspczynniki korelacji rij z macierzy R ze wspczynnikiem kry tycz-
ym, ktry moemy wyznaczy dwoma sposobami. W spczynnik ten mona
aczy, korzystajc ze wzoru (2.7). Drugi sposb jest oparty na regule mini-
sowej, takiej, e na podstawie macierzy Rustalamy:

r" = minmaxlrijl, dla i= i. (2.13)

l J

Jeli zachodzi warunek hil-:; r", to wszystkie elementy speniajce ten waru-
k zastpujemy w macierzy R zerami. Macierz t oznaczymy R'.
W kolejnym etapie na podstawie macierzy R' budujemy graf, w ktrym
ierzchokami s potencjalne zmienne objaniajce, a wizadami niezerowe ele-
nty macierzy R'. Moemy otrzyma graf spjny lub kilka podgrafw, a take
_nl,lrl-t, (zmienne) odosobnione. Z tak powstaych podgrafw do modelu wybiera-
zmienne odosobnione (nie s one bowiem skorelowane z innymi potencjalnymi
zmiennymi objaniajcymi) oraz te zmienne, ktre maj najwiksz liczb powi-
, (wizade) z innymi potencjalnymi zmiennymi objaniajcymi. Jeeli takich
iennych jest wicej ni jedna, to wybiera si spord nich t, ktra jest naj sil-
. j skorelowana ze zmienn objanian. Taki wybr jest podyktowany tym, e
ienna o najwikszej liczbie wizade w grafie gromadzi w sobie najwicej
ormacji o pozostaych zmiennych (z ktrymi bya powizana), a wic bdzie
ich reprezentantk.
Przykad 2.5. Grafow metod wyboru zmiennych do modelu zastosujemy
danych z przykadu 2.1. Wektor wspczynnikw korelacji zmiennej objania-
. z potencjalnymi zmiennymi objaniajcymi oraz macierz korelacji midzy
iennymi objaniajcymi s postaci:

59
 0,58 1 0,79 0,26 0,64 0,10
0,86 1 0,33 0,86 0,59
Ro= 0,48 , R= 1 0,17 0,51
0,87 1 0,62
0,83 1

Dla poziomu istotnoci a= 0,05 oraz przy liczbie obserwacji n = 28 odczytujemy

z tablic rozkadu Studenta ta = 2,056, a zatem

2
r" = 2,056 = 0,37.
2,0562 + 28 - 2

W macierzy R zastpujemy zerami wszystkie wspczynniki korelacji mniejsze od

-: i otrzymujemy macierz R':

1 0,79 0,00 0,64 0,00

0,79 1 0,00 0,86 0,59
R'= 0,00 0,00 1 0,00 0,51
0,64 0,86 0,00 1 0,62
0,00 0,59 0,51 0,62 1

Na podstawie powyszej macierzy budujemy graf powiza midzy zmienny-

mi:

Otrzymalimy graf spjny, w ktrym trzy zmienne: X2, X4, X5, maj po
trzy wizania. Do modelu wybieramy t, ktra jest naj silniej skorelowana ze
zmienn objanian. Jest to zmienna X4.
Ustalenie wartoci krytycznej wspczynnika korelacji za pomoc metody mi-
nimaksowej doprowadzi do nieco innego wyniku. Wspczynnik krytyczny wyzna-
czony ze wzoru (2.13) wynosi:

r" = m~nmaxlrij I = 0,51.

I )

60
Tak wic macierz R' ma nieco inn posta:
1 0,79 0,00 0,64 0,00
0,79 l 0,00 0,86 0,59
R'= 0,00 0,00 l 0,00 0,00
0,64 0,86 0,00 1 0,62
0,00 0,59 0,00 0,62 l

W otrzymanym na jej podstawie grafie zmienna X3 jest izolowana, tak wic

ejdzie do modelu opisujcego badane zjawisko. W drugiej czci grafu zmienne
X2 i X4 maj najwicej wizade - po trzy. Do modelu wybieramy spord nich
zmienn X4, jest ona bowiem skorelowana ze zmienn objanian silniej ni
zmienna X2.

Zadania
.42. Dana jest macierz korelacji midzy zmiennymi Xl' ..., X7. Wybra metod
graf ow zmienne do modelu liniowego zmiennej X3 (r * ustali metod mi-
nimaksow).
1 -0,71 0,23 -0,19 -0,27 0,86 0,56
-0,71 1 0,38 -0,39 -0,28 -0,68 -0,38
0,23 0,38 1 -0,97 -0,95 0,24 0,41
R= -0,19 -0,39 -0,97 1 0,97 -0,24 -0,39
-0,27 -0,28 -0,95 0,97 1 -0,36 -0,56
0,86 -0,68 0,24 -0,24 -0,36 1 0,78
0,56 -0,38 0,41 -0,39 -0,56 0,78 1

.43. Dany jest wektor korelacji zmiennej objanianej oraz macierz korelacji dla
zmiennych objaniajcych. Metod graf ow wybra zmienne do liniowego
modelu zmiennej objanianej (r * ustali metod minimaksow).
0,54 1 o,s8 0~4 -0,22 -0,16 -0,24 -0,45 -0,06 -0,47 0,03
0,70 1 - 0,56 -0,05 -(),30 -0,04 -0,19 0,12 -(),28 0,25
0,30 1 -0,05 -0,03 -O) O 0,07 0,02 -0,03 O)2
-0,13 1 (),23 0)2 0,12 0,43 -0,05 -0,38
-0,32 1 0,04 Q,21-0,35 (),26 -0)2
Ro= -018
, ' R= 1 -0,06 0,35 (),35 -0,21 .
-0,06 1 -0,04 0,01 -0,28
-0,08 l 0,00 -0,43
-0,43 1 O) 1
0,06 1

61
2.44. Dana jest macierz R' dla szeciu zmiennych objaniajcych oraz wektor Ro
dla zmiennej objanianej Y. Na podstawie poniszych danych zbudowa graf
i wybra zmienne objaniajce do modelu liniowego zmiennej Y.

0,8 0,6 -0,7

0,35
0,28
1

l
-0,86 0,8 1 0,5 0,9
Ro= , R'=
0,5 l
0,78
-0,67
0,6
-0,7 1
0,92 0,9
1

2.45. Dany jest graf powiza midzy potencjalnymi zmiennymi objaniajcymi

X l' ..., X 6 oraz wektor wspczynnikw korelacji tych zmiennych ze zmienn
objanian Y. Wybra do modelu liniowego zmiennej Y zmienne objaniajce.

-0,34
0,82
o
0,80
-0,27
-0,67
0,92

Dany jest graf powiza midzy potencjalnymi zmiennymi objaniajcymi

Xl' ..., XlO oraz wektor wspczynnikw korelacji tych zmiennych ze
zmienn objanian y:

0,54
0,70
0,30
-0,13
-0,32
-0,18
-0,06
-0,08
-0,43
0,06

62
 Do modelu liniowego zmiennej Y powinny wej zmienne:

. .. :;:::;:;:;:;:;::;:;:::;:::~;::::::::;::;:::::::::;:::;:~::::::::::::::;;:::::}~tL:
.3 _ Dana jest macierz korelacji midzy potencjalnymi zmiennymi objaniajcy-
mi:
l -0,94 -0,4 -0,9 0,69
)
-0,94 1 0,59 0,92 -0,56
I R= -0,4 0,59 1 0,35 -0,49
1:
-0,9 0,92 0,35 1 -0,35
0,69 -0,56 -0,49 -0,35 1

< Krytyczny wspczynnik korelacji oparty na regule minimaksowej ,>.n/nn<,i-

.,'.~;- .~ ........ ,.... . . .... ..
 3. STANDARDOWY MODEL LINIOWY I KLASYCZNA
METODA NAJMNIEJSZYCH KWADRATW

3.1. Zaoenia standardowego modelu liniowego

W rozdz. 1 zostay omwione zagadnienia budowy i szacowania regresji II

rodzaju, ktra wyjania zalenoci midzy jedn zmienn zalen i jedn zmienn
niezalen. Regresj t mona traktowa jako szczeglny przypadek modelu eko-
nometrycznego z jedn zmienn objaniajc,
W badaniach ekonomicznych bardzo czsto interesuje nas jednak zaleno
midzy jedn zmienn, zwan zmienn objanian (zalen), a wieloma zmienny-
mi, zwanymi zmiennymi objaniajcymi (niezalenymi). Moe to by np. zale-
no wielkoci produkcji od wielkoci kapitau i siy roboczej lub te popytu na
okrelone dobro od jego ceny oraz cen dbr substytucyjnych.
Oznaczmy obserwacje zmiennej objanianej symbolami Yi (i = l, 2, ..., n).
Ponadto niech xi} oznacza i-t (i = l, 2, ..., n) obserwacj zmiennej objaniajcej
Xj (j = 1,2, ..., m). Z tego wynika, e jest m zmiennych objaniajcych.
Zaleno zmiennej Yod zmiennych Xl' X 2' ..., X m przedstawia si w po-
staci modelu ekonometrycznego, ktrego oglna posta jest nastpujca:

y = f(Xl' x2, .. , Xm' E).

W zapisie tym symbol f oznacza posta analityczn funkcji zmiennych obja-
niajcych, ktra jest okrelana w trakcie budowy modelu. Symbol s oznacza tzw.
element losowy modelu ekonometrycznego. W zalenoci od postaci modelu
wystpuje on jako skadnik w modelu addytywnym lub czynnik w modelu multi-
plika m.
Wystpowanie elementu losowego w model wynika z uznania stochastycz-
nego char e modelu. Przyczyny wprewad ema tego elementu s nastpujce:
- model nie uwzgldnia wszystkich zmiennych objaniajcych wpywajcych
na zmienn objanian,
- wystpujce w modelu zmienne mog by obarczone bdem pomiaru,
- dobrana posta analityczna moe by nieprawidowa i nie odpowiada rze-
czywistej zalenoci,
- zjawiska ekonomiczne mog charakteryzowa si przypadkowoci.

64
 Jeli posta analityczna funkcji ma charakter liniowy, to model ekonome-
tryczny mona zapisa w sposb nastpujcy:
(3.1)

Parametry modelu: aO' al' a2, ..., am, podlegaj szacowaniu (estymacji)
asyczn metod najmniej szych kwadratw.
Zastosowanie klasycznej metody najmniej szych kwadratw wymaga przyj-
ia nastpujcych za ozen:
+-
- posta modelu jest miowa wzgldem parametrw (lub sprowadzalna do
iowej),
- zmienne objaniajce s wielkociami nielosowymi,
- zmienne s niezalene i wolne od wspliniowoci, czyli nie wystpuje
idzy zmiennymi dokadna zaleno liniowa,
- r(X) = m + l ~ n (X - macierz obserwacj i na zmiennych objaniajcych),
- E(E) = O, czyli skadniki losowe dla wszystkich obserwacji (skadowe wek-
skadnikw losowych E) maj wartoci oczekiwane rwne zeru,
- E(EE T) = a21, czyli skadnik losowy dla kadej obserwacji ma skoczon

iancj rwn a2, natomiast kowariancje midzy rnymi skadnikami losowy-

. s rwne zeru; oznacza to, e nie wystpuje autokorelacja skadnika losowego,
'li nie wystpuje zaleno midzy skadnikami losowymi z rnych okresw,
- skadnik losowy E nie jest skorelowany ze zmiennymi objaniajcymi.

3.2. Estymacja parametrw modelu liniowego

klasyczn metod najmniejszych kwadratw

Parametry liniowego modelu ekonometrycznego (3.1) szacujemy analogicz-

jak w podrozdz. 1.2, wyznaczajc minimum:
n n 2
S = Ie; = I(Yi -ao -alxil -a2xi2 - ... -amxim) = min.
i=l i=l

Dalsze obliczenia wygodniej jest prowadzi w zapisie macierzowym. Linio-

model ekonometryczny (3.1) mona wtedy przedstawi w postaci
y=Xa.+&, (3.2)

65
gdzie:

y = - wektor obserwacji zmiennej objanianej,

Yi

1 xl1 x12 Xlj xlm

1 ~l ~2 ~j ~m

x= 1 x/l Xi2 Xy Xjm

- macierz obserwacji zmiennych obja-
niajcych,

1 xnl xn2 xnj ... xnm

ao
al
a2
(l = - wektor parametrw,
a
.J

E= - wektor skadnikw losowych.

cj

Cn

Ocen a wektora parametrw (l znajduje si przez zminimalizowanie funkcji:

J(a) = (y-Xal(y-Xa).
Po zrniczkowaniu wzgldem wektora a i po rozwizaniu rwnania okazuje si,
e funkcjaJosiga minimum w punkcie

a = (XTXtIXTy

przy zaoeniu, e det(XT X):;:. O .

Wektor a jest 'nazywany wektorem ocen parametrw (l. Po oszacowani
model zapisuje si zwykle w postaci

'66
 (3.4)

gdzie y- wartoci teoretyczne zmiennej objanianej Y.

Warto oceny aj (j = 1,2, ..., m) informuje, o ile jedn~stek zmieni Si
zmienna objaniana Y, jeli zmienna objaniajca Xj zmieni si o jednostk, przy
zaoeniu, e wartoci pozostaych zmiennych objaniajcych si nie zmieni.
Po oszacowaniu otrzymujemy tzw. reszty modelu, czyli rnice midzy rze-
czywistymi a teoretycznymi wartociami zmiennej objanianej. Reszta odpowiada-
[ca i-tej obserwacji wyraa si wic wzorem
ei = Yi - Yi (i = 1, 2, ... , n ).
Ocena wariancj i skadnika losowego wyraa si wzorem
n
Ie;
s; = n-m-1
i=1 = 1
n-m-l
a
(y Ty _ TX Ty). (3.5)

Macierz wariancji i kowariancji ocen parametrw szacuje si na podstawie

zoru

n2(a) = s;(XTXt1 . (3.6)

macierzy tej na gwnej przektnej s wariancje ocen parametrw V(aj) dla

j = 1,2, ..., m . Wielkoci
(I
~ ~V(a) (3.7)

standardowymi bdami szacunku parametrw. S(a) informuje, o ile jednostek

o ocen~j rni si od rzeczywi~ej warto~i par~m~tru aj .

Przykad 3.1. Oszacujemy model, ktry zosta zaproponowany w przykadzie

,tj. model
y=alx2 +a2xS +ao'
Wektor zmiennej objanianej Y oraz macierz dla zmiennych objaniajcych
i Xs s nastpujce (dane znajduj si w przykadzie 2.1):

67
 1,50 0,60 0,15 1
1,50 1,00 0,15 1
1,60 1,00 0,16 1
1,60 1,40 0,16 1
2,00 1,00 0,17 1
1,60 1,00 0,16 1
2,00 1,00 0,15 1
2,00 1,40 0,17 1
2,00 1,40 0,17 l
2,20 1,60 0,17 1
2,25 1,60 0,17 1
2,35 1,60 0,17 1
2,35 2,00 0,17 1
2,45 X = 2,00 0,16 1
Y = 2,50 ' 2,00 0,16 1
2,60 2,00 0,16 1
2,50 2,10 0,18 1
2,55 2,10 0,19 1
2,60 2,03 0,19 1
2,65 1,98 0,20 1
2,70 2,00 0,24 1
2,85 2,00 0,24 1
2,80 ,1,96 0,24 1
2,95 1,95 0,25 1
3,00 1,95 0,26 1
3,20 1,95 0,25 1
2,97 1,93 0,24 1
2,85 1,93 0,22 1
Wykorzystujc wzr (3.3), szacujemy parametry modelu. Macierz transpono-
wana X T ma posta

0,60 1,00 1,00 1,93]

XT = 0,15 0,15 0,16 0,22
[1 1 1 . .. 1

Iloczyn macierzy XT X jest macierz o wymiarach 3x3 postaci

82,48 9,05 46,48]

XTX= 9,05 1,04 5,30.
[ 46,48 5,30 28

68
 Wyznacznik macierzy X T X wynosi 3,55, a zatem istnieje macierz odwrotna
niej

. [0,286 - 2,03 - 0,09]

(XTXjl = -2,03 42,04 -4,59 .
- 0,09 - 4,59 1,05

Iloczyn macierzy XT oraz wektora y jest postaci

114,91]
XTy = 12,92.
[
66,12

W wyniku pomnoenia macierzy (XTXr1 przez wektor XTy otrzymamy

or ocen parametrw strukturalnych szacowanego modelu:

a=(XTXr1XTy = -2,03
0,286 - 2,03
42,04
= 4,59
0,09][114,91]_ [0,65]
12,92 - 6,60 .
[
-0,09 -4,59 1,05 66,12 0,03

Oszacowany model ma wic posta

y = 0,65x2 + 6,60x5 + 0,03,
. go interpretacja jest nastpujca:
- jeeli warto maszyn i urzdze wzronie o 1 tys. z, to mona si
iewa wzrostu produkcji przedsibiorstwa przecitnie o 0,65 tys. z (czyli
O z) pod warunkiem, e wydajno pracy si nie zmieni, oraz
- jeeli wydajno pracy wzronie o 1 tys. z, to przecitny wzrost produkcji
ibiorstwa powinien wynie 6,6 tys. z pod warunkiem, e warto maszyn
.-zdze si nie zmieni,
az wolny w tym modelu nie ma interpretacji ekonomicznej.
olejnym krokiem budowy modelu ekonometrycznego jest estymacja para-
w struktury stochastycznej. W tym celu niezbdne jest wyznaczenie reszt
lu, stanowicych rnic midzy empirycznymi a teoretycznymi wartociami
:.liet:JlDejobjanianej.
Sum kwadratw reszt ko znaczenia estymatora wariancji
losowego wedug wzoru:
2_ 0,65 _
se - 28 _ 2 -l - 0,03 .

69
 Tabela 3.1 Kolejnym krokiem jest wyznaczenie estymatora ma-
Reszty modelu cierzy wariancji i kowariancji ocen parametrw struktu-
2 ralnych naszego modelu:
Lp. et et
1 0,09 0,01 0,286 - 2,03
2 -0,17 0,Q3 -0'09]
3 -0,14 0,Q2 n2(a)=s;(X xt
T
=0,03 -2,03 42,04 -4,59 =
[
4 -0,40 0,16 -0,09 -4,59 1,05
5 0,19 0,04
6 -0,14 0,Q2 0,0086 - 0,0609 - o,0027]
7 0,33 O,ll = -0,0609 1,2612 -0,1377 .
8 -0,07 0,00 [
9 -0,07 0,00 -0,0027 -0,1377 0,0315
10 0,00 0,00
11 0,05 0,00 Z gwnej przektnej tej macierzy wyznaczamy
12 0,15 0,02 standardowe bdy ocen parametrw strukturalnych mo-
13 -0,11 0,oI
14 0,06 0,00
delu:
15 0,11 0,01
16 0,21 0,04
17 -0,09 0,oI
Moemy teraz zapisa ostateczn posta modelu:
18 -0,10 0,01
19
20
-0,01
0,oI
0,00
0,00
y = 0,65 x2 + 6,60 Xs + 0,03 .
{O.09) (1.12) {O.18)
21 -0,22 0,05
22 -0,07 0,00 W kolejnym etapie modelowania ekonometrycznego
23 -0,09 0,01 model ten naley podda weryfikacji.
24 0,00 0,00
25 -0,02 0,00
26 0,25 0,06
27 0,10 0,01
28 0,11 0,01
Suma
0,65

Zadania
3.1. Na podstawie nastpujcych obserwacji (tabelka
y XI X2
obok) oszacowano liniowy model ekonometryczny
O l O
zmiennej Y wzgldem Xl i X2, ktry ma posta: 1 O I
y=-1,8xI-0,4x2 +2,2. Obliczy reszty tego mo- O l 2
3 O O
delu.
3.2. W pewnym okresie obserwowano w przedsibiorstwie A produkcj Y (tys. z),
wydajno pracy W (tys. z/rob.) oraz techniczne uzbrojenie pracy T
(tys. z/rob.). Na podstawie tych danych oszacowano model produkcj i dla tego
przedsibiorstwa: y = 0,6w + 1,7t + 2,2 oraz obliczono w = 0,75 tys. z/rob.,
t = 0,5 tys. z/rob., y = 3,5 tys. z. Jak miaby posta liniowy model produkcji
dla przedsibiorstwa B, jeli wiadomo, e wydajno pracy w tym przedsi-

70
 biorstwie w kadym momencie obserwacji bya wiksza o 2 jednostki ni
w przedsibiorstwie A, techniczne uzbrojenie pracy wysze o 3 jednostki,
a przecitna warto produkcji bya taka sama jak w przedsibiorstwie A?
3. Oszacowano parametry strukturalne modelu liniowego: y = 3 + 0,4x] - 1,8x2

=
63 32 4]2 . Liczba obserwacji
oraz macierz D2(a)
[423 wynosia 11. Wyznaczy

bdy ocen parametrw tego modelu .

.4. Oszacowa parametry strukturalne modelu liniowego y = aO + a1x1 + a2X:2 + E
oraz bdy rednie ich szacunku, majc nastpujce dane:

.5. Model ekonometryczny y = a+ Bx + yz + E oszacowano dwiema metodami: kla-

syczn metod najmniejszych kwadratw (KMNK)
i inn metod: -I -2
a) y=2+3x-4z, O 1
Y
b) = 3 + 5x + 4z . a) 1 , b) 3
Wektory reszt dla obu modeli podane s obok. Ktry -1 -2
model: a) czy b), nie zosta oszacowany za pomoc l O
KMNK? Odpowied uzasadni .
.6. W firmie Progresja kierownik dziau analiz ustali wpyw redniego stau pra-
cy zaogi x (w latach) i zuycia energii elektrycznej z (w kWh) na wielko
produkcji y (w tys. z). Na podstawie danych oszacowa metod najmniej-
szych kwadratw model: y
= 8,5x + 2z - 2. Kierownik przedstawi model
dyrektorowi firmy i stwierdzi na jego podstawie, e przyrost redniego stau
pracy zaogi o 1 rok powoduje wzrost produkcji rednio o 8,5 tys. z. Dyrektor
nie zgodzi si zjego stwierdzeniem. Kto mia racj? Odpowied uzasadni .
. Na podstawie przedstawionych obok informacji oszacowa model:

x = b1z + ~y + bO, x y z

jeli macierz algebraicznych dopenie do macierzy 1 2 O

O O 1
T
X X wynosi 2 -2 2
2 -1 3
35 22 -47]
22 20 -28 ,
[
. -47 -28 77

a wyznacznik macierzy XTX wynosi 54.

71
 3.8. W tabelce obok podane s obserwacje zmiennych Y, y Xl Xl
Xl' X2 Oszacowa model -2 O 2
-I 1 I
y = b1xI +b2X2 +bO O 1 O
1 O O
3.9. W tabelce obok dane s obserwacje nastpu-
Xl X2 X3 X4 Xs
jcych zmiennych: Xl' X2, X3, X4, X5.
2 2 2 O -l
Oszacowa model 1 3 2 O -I
l 4 2 -l -I
x2 = b1xI + b2x3 + bo
O 6 2 -2 O
3.1 O. W pewnej firmie w cigu 5 miesicy stwier-
dzono nastpujce wartoci 6 zmiennych:
Miesic Xl X2 X3 X4 X5 x6

l 2,5 0,13 25 12,5 1457 11

2 2,4 0,21 25 13,4 1452 12
3 2,3 0,19 25 13,8 1448 13
4 2,4 0,05 25 14,0 1463 13
5 2,2 0,09 25 14,2 1469 14

gdzie: Xl - koszty jednostkowe w tys. (z/szt.),

X2 - udzia brakw w produkcji cakowitej (w %),
X3 - liczba pracownikw bezporednio produkcyjnych,
X4 - zuycie energii elektrycznej (w MWh),
X5 - przecitne wynagrodzenie miesiczne pracownikw bezpored-
nio produkcyjnych (w z),
X6 - poziom produkcji (w tys. szt.).
Oszacowa model opisujcy zaleno wielkoci produkcji od zatrudnienia
pracownikw bezporednio produkcyjnych i zuycia energii elektrycznej.
3.11. Oszacowa parametry strukturalne modelu liniowego y = aO + a1xI + a2x2
majc nastpujce dane:

(XTXf
l
=
[0,7 -0,2 -o,4:
0,2 -0,1 ,XTy=
[18]
33 .
0,8 11

3.12. Oszacowa parametry strukturalne modelu liniowego y = aO + a1xI + a2x2,

majc nastpujce dane:

T
(X Xf=3
l [6 3 4]2 2,XTy=
[15]
9.
4 2 3 12

72
'. Majc ponisze dane, oszacowa parametry strukturalne modelu
y = QO + Q]x] + Q2x2

Majc ponisze dane, oszacowa parametry strukturalne modelu liniowego

y = QO + QIXI+ Q2x2

XTy = -l]
0,5 , n2(a)
[ 1,5
= [2,25
8
8
2500
4]
12, s; = 4,
4 12 100

gdzie: n2(a) - estymator macierzy wariancji i kowariancji estymatorw pa-

rametrw strukturalnych,
2
Se estymator wariancji skadnika losowego,
-
. Dana jest macierz obserwacji zmiennych: X,
x y z t S
Y, Z, T, S. Utworzy wektor y i macierz X 2 8 4 3 13
w celu oszacowania modelu O 10 6 6 16
a) i =b1y+b2z+b3s+bo, 1 9 5 11 21
x
b) = b1y +b2z + b3t + bO, 1
2
9
8
2
8
15
16
25
25
c) z=b1x+b2y+b3t+bo
za pomoc klasycznej metody najmniej szych kwadratw.
Dany jest nastpujacy model: d, h;
t Pt it Zt Wt

l 1 1 l O O l
ht =b1dt +b2it +bO
2 3 4 3 -3 -3 -I
Wykorzystujc przedstawione w ta- 3 2 1 2 1 O l
4 -I O O O 1 4
belce dane, zapisa wektor obser-
5 O -1 -1 -I 2 3
wacji zmiennej objanianej y oraz -1
6 O O O l 2
macierz obserwacji zmiennych 7 l O ] -2 3 5
objaniajcych X niezbdne do
oszacowania tego rwnania. Poda
ich wymiary.
Czy model
z=a(x+ y)+bx+cy+d

mona oszacowa za pomoc klasycznej metody najmniej szych kwadratw?

Odpowied uzasadni.

73
3,] 8, Dana jest macierz obserwacji zmiennych X, Y, Z, Osza- x z
cowa model liniowy
a) x = f(y, z),
b)y=f(x,z),

W standardowym modelu liniowym reszty maj nastpujce wasnoci:

I) suma reszt jest zawsze rwna zeru,
II) suma kwadratw reszt jest zawsze rwna zeru,
ID) reszty mog by tylko nieujemne,
IV) liczba reszt dodatnich jest zawsze rwna liczbie reszt ujemnych,
. j V li~zba reszt dodatni~h moe b rwna liczbie reszt ujemnych;

parametrw strukturalnych modelu liniowego

y = ao + a IX} + a2x2 + E na podstawie ]] -elementowej prby wyznaczono
macierz X T X oraz inne wielkoci niezbdne do szacunku:

XTX=
,[3 32 4]2 ,
423

Ile powinna wynosi warto elementu macierzy na przeciciu si pierwszego

.~iersza i pierwszej kolumny?

74
 D)
E) ;..
. Bdem estymacji nazywamy wektor b - f3. Bd estymacj i mona zawsze
przedstawi jako Az (A - pewna macierz zalena jedynie od zmiennych obja-
niajcych), gdzie z jest rwne
I) E, II) s.
ID) e, IV) b;
Al; .
C)
;_ _
W standardowym modelu liniowym n = 5, wektor reszt oraz macierz obserwa-
cji zmiennych objaniajcych maj posta

Moe by prawd, e
I) e3 = e5' II) e3 = 5, e5 = -5 ,
ID) e3=1, e5=-1, IV) e5 >e3;
A)

ij~:;
Wska zdania zawsze prawdziwe w standardowym modelu liniowym,
jest pewn macierz zalen od zmiennych objaniajcych i staych:
T
s; =
e e jest nie obcionym estymatorem wariancji skadnika loso-
n-m-l
wego,
fi) e=ME,
T
ID) ie = n-m-l
y My jest nieobcionym estymatorem wariancji skadnika 10-

sowego,
IV) E=Me;
)
C)
E)
Wska, ktry z wektorw ma warto oczekiwan, bdc wektorem zerowym
(wszystkie zaoenia MNK s spenione):
I) b-~ II) ~
IV) My, gdzie M = I-X(XTxt1xT;

75
 XI x2

2 O
3 l
4 2
5 O

T
II) rzd(X X) = m,
IV) wymiar macierzy XXT wynosi mxm:

76
 4. Spord niej wymienionych zaoe wska te, ktre nie s zaoeniami lub
konsekwencj zaoe !\.1NK:
I) E(E) = 0, II) n2(E) = cr21,

ID) V(Ct) =E(c~), IV) E(E) = cr21;

lir
_15. Przy zaoeniach !\.1NK estymator b parametru f3jest
I) obciony,
. II) nieliniowy,
III) ma najwiksz wariancj spord wszystkich nieobcionych estymato-
rw liniowych parametru f3,
;, IV)jego macierz kowariancyjnajest idempotentna;
~:.:.

.t~ll
ii
Wska zdania zawsze prawdziwe. Istniej macierze K, L, M, N takie, e
(wszystkie zaoenia !\.1NK s spenione)
T T
II) e e = y Ly,
IV)b=N;

77
Spord niej wymienionych (wszystkie zaoenia MNK s spenione)
wska macierze kwadratowe o najmniejszym wymiarze:

Spord niej podanych macierzy wska te, do ktrych istniej macierze

odwrotne. Wszystkie zaoenia MNK s spenione (n> m).
I) (XTX)-IXT, II) XXT,
T T
ill)ee, IV) X X;

78
 n
W ktrym z przypadkw LWI jest zawsze rwna zeru (model liniowy bez
1=1
wyrazu wolnego)?
I) wI = et, II) wt =~(yl -y),
ID) wt =YI-Y, IV) wt = et(Yt - Y) ;

x"
p~
=r~~ ; ! :J
jakich a i b macierz XT X nie jest odwracalna?

. Wska zdania prawdziwe:

I) macierz XTX jest macierz kwadratow;
II) za zmienne quasi-stae uznaje si te zmienne, dla ktrych wspczynnik
zmiennoci jest wikszy od przyjtej wartoci krytycznej;
ID) macierz korelacji jest macierz symetryczn;
IV) zmienne objaniajce powinny by sabo skorelowane ze zmienn obja-
nian .

. Wska zdania prawdziwe:

I) wspczynnik korelacji wielorakiej jest bliski -1 w przypadku silnej
ujemnej korelacji midzy badanymi zmiennymi;
II) zmienne objaniajce powinny by silnie z sob skorelowane;
ID) adna ze zmiennych objaniajcych nie moe by kombinacj liniow
innych zmiennych objaniajcych;
IV)macierz (XT xr" jest macierz symetryczn;
A

79
 Spord niej podanych macierzy wska macierze kwadratowe, jeli wszyst-
kie zaoenia MNK s spenione (n> m):
I) X, II) (XTX)-IXT,
ID) XXT, IV) XTX;

3.3. Metoda najmniejszych kwadratw przy warunkach pobocznych'

W omawianych do tej pory zagadnieniach zwizanych z modelowaniem eko-

nometrycznym zakada si, e ekonometryk (badacz) ma pewne informacje o
ksztacie i typie zalenoci midzy badanymi zjawiskami (objanianymi i objania-
jcymi) oraz o postaci i wartoci niektrych parametrw rozkadu skadnika loso-
wego. Informacje te s wykorzystywane w procesie estymacji modelu ekonome-
trycznego, w szczeglnoci wektora jego parametrw strukturalnych a. "Im wik-
sz liczb relacj i a priori uwzgldni si przy estymacji modelu, tym wysza jest na
og efektywno otrzymanych estymatorw w porwnaniu z klasyczn metod
najmniej szych kwadratw, nie uwzgldniajc takich informacji" [19, s. 206].
W pewnych sytuacjach ekonometryk ma dodatkowe informacje o relacjach
spenianych przez parametry strukturalne modelu. "Moe posiada informacje od-
nonie do stosunkw niektrych wspczynnikw, wartoci pewnych wspczyn-
nikw, wartoci pewnych kombinacji liniowych tych wspczynnikw lub nawet
tylko znaku pewnych wspczynnikw" [10, s. 328]. Znajomo tych informacji,
nazywanych "ubocznymi" i pochodzcych spoza prby, moe wynika z teorii
ekonomii lub z poprzednio przeprowadzonych bada. Taka aprioryczna wiedza
pozwala przy estymacji modelu otrzyma oceny o wyszej efektywnoci.
Informacje uboczne dla oszacowania wektora parametrw a, przy utrzymaniu
zaoe klasycznej metody najmniej szych kwadratw (zob. 3.1), mona wykorzy-
sta,gdy
1) ekonometryk ma informacje w postaci dokadnych warunkw liniowych
naoonych na parametry modelu;
2) informacje uboczne s w postaci estymatorw nieobcionych pewnych
wsprzdnych wektora a, otrzymanych z innej prby;
3) ograniczenia dotyczce parametrw modelu s w postaci nierwnoci;
4) w klasycznym modelu wielorwnaniowym wystpuj ograniczenia zerowe.

Metod opisan w tym podrozdz. opracowano na podstawie prac [9; 10; 19]

80
 Rozpatrzymy niektre z powyszych sytuacji. W pierwszej sytuacji zakada-
.' e informacje uboczne skadaj si z warunkw liniowych naoonych na pa-
try. Zapis oglny tych warunkw jest nastpujcy:
g=Ga,
'e: g - znany wektor o wymiarach zx l,
G - znana macierz o wymiarach rxk.
a wsprzdne wektora a naoono r ogranicze, ktre mog przyjmowa
formy.
1. Ekonometryk moe zna wartoci niektrych parametrw wektora a, czyli
e np. a2 = a;. Wektor bdzie mia wic posta g = [a; ], a macierz:
= [O 1 O ... O).
Przykad 3.2. Naley oszacowa parametry modelu y = aO + alxl +a2x2 +
,,'x3 + a4x4' Wiadomo, e a2 = 2 oraz a3 = 4. Wektor g, ktrego skadowymi
powysze informacje uboczne, bdzie o wymiarach 2x 1, albowiem liczba
icze wynosi 2. Bdzie on postaci:

. atomiast macierz G bdzie miaa wymiary 2x5, bo s dwa ograniczenia i 5

etrw w modelu. Jej posta jest nastpujca:

00100]
G= [ O O O 1 O .

or parametrw a ma wic posta

Go
al
a= 2
4
a4
2. Ekonometryk zna stosunki wartoci niektrych parametrw wektora a, np.
e a4/C; = Z, oraz a3/~ =~, a wic

g = [ ~] oraz G = [~ -Oz, - ~ ~ ~ l
Powysze ograniczenia mog powodowa trudnoci w konstrukcji wektora g
ierzy G. Zilustruje to przykad zaczerpnity z pracy [9).
Przykad 3.3. Badano zaleno produkcji od wielkoci zatrudnienia i czasu
[u. Naley oszacowa parametry modelu:

81
 y = ao + al xl +a2x2'
gdzie: Y - produkcja (w mln z),
XI - zatrudnienie (w osobach),
X2 - czas postojw (w tys. roboczogodzin).
Ponadto wiadomo, e zmniejszenie czasu postojw o 10 tys. roboczogo
ma dwa razy wikszy wpyw na przyrost produkcji ni zwikszenie zatrudnie
o 4 osoby. Informacje te naley zapisa w postaci wektora g i macierzy G. Elem
tw wektora g nie znamy, zatem ma on posta: g= [O]. Przy konstrukcji macie
G potrzebna jest znajomo stosunku ad~,
ktry wymaga analizy merytoryc
Wiadomo, e zmniejszenie czasu postojw powoduje wzrost produkcji, zat
parametr a2 ma znak ujemny, a zmniejszenie zmiennej X2 (wyraonej w tys. ro
czogodzin) spowoduje wzrost produkcji o l O~, natomiast wzrost zatrudnienia o
osoby spowoduje wzrost produkcji o 4al' Otrzymamy zatem nastpujcy stosun

-10a2/4a1 = 2,

a po przeksztaceniach:

Macierz G bdzie wic postaci

G = [O l 1,25].
3. Trzecim typem warunkw dla informacji ubocznych jest znajomo ko
binacji liniowej parametrw wektora a, czyli np. al + ~ + ... + ak = 4, a wic:

g=[4],amacierz: G=[l 1 1 ... 1].

Przykad 3.4. Naley oszacowa model y=alxl +a2x2 +a3x3 +a4x4 +asxs +
wiedzc, e q + a2 = 3, al + a3 = 4 oraz ~ + a4 + as = 2. Powysze informaci
naley zapisa w postaci wektora g i macierzy G. Skadowymi wektora g s zn
sumy poszczeglnych parametrw, czyli:

N atomiast macierz G ma posta

l O O O
G~[i O 1 O O
l O 1 l

82
 Informacje dodatkowe (uboczne) o parametrach modelu oraz zalenociach
idzy nimi wpywaj na konieczno szacowania takiego modelu za pomoc kla-
_ mej metody najmniej szych kwadratw przy warunkach pobocznych. Estymato-
_ parametrw takiego modelu otrzymuje si ze wzoru

ie a oznacza wektor uzyskany KMNK bez warunkw pobocznych.

Macierz wariancji i kowariancjijest okrelona wzorem

e n2(a) jest macierz wariancji i kowariancji bez stosowania warunkw

cznych.
Jeli informacje uboczne nie s dokadne (ad 2), lecz skadaj si z nieobci-
ych estymatorw pewnych parametrw wektora a z innej prby, to rwnie sto-
[emy KMNK przy warunkach pobocznych. Dzielimy wwczas ca badan
no na dwa bloki: jeden obejmuje zaleno ze znanymi nieobcionymi
Jatorami z innej prby, drugi - zaleno z pozostaymi parametrami:

y = Xlal + Xrran ,

e: al - wektor parametrw o znanych estymatorach,

arr - pozostae parametry,
XI - obserwacje na zmiennych objaniajcych odpowiadajcych znanym
parametrom,
Xrr - obserwacje dla pozostaych zmiennych objaniajcych.
Do oszacowania parametrw wektora au stosuje si wzr:

Jak wida, estymacja parametrw powyszego modelu jest dokonywana na

tawie skorygowanych realizacji zmiennej objanianej o warto X[a[.
Przykad 3.5. W przykadzie 3.1 szacowano model produkcji Y w zalenoci
dwch zmiennych: X2 - wartoci maszyn i urzdze (w tys. z) oraz Xs - wy-
inoci pracy (w tys. z na osob). Dodatkowo z bada prowadzonych w innych
dsibiorstwach wiadomo, e wzrost wydajnoci pracy o l tys. z powoduje
citnie wzrost produkcji o 8 tys. z.
W celu oszacowania parametrw modelu naley wektor a i macierz X podzie-
na dwa bloki:

83
Wektor ocen alI otrzymujemy w wyniku zastosowania podanego wyej
W tym celu wyznaczamy macierz XI oraz macierz Xli:

0,15 0,60 1,00

0,15 1,00 1,00
0,16 1,00 1,00
0,16 1,40 1,00
0,17 1,00 1,00
0,16 1,00 1,00
0,15 1,00 1,00
0,17 1,40 1,00
0,17 1,40 1,00
0,17 1,60 1,00
0,17 1,60 1,00
0,17 1,60 1,00
0,17 2,00 1,00
0,16 X 2,00 1,00
0,16 ' II = 200
, 1,00 .
0,16 2,00 1,00
0,18 2,10 1,00
0,19 2,10 1,00
0,19 2,03 1,00
0,20 1,98 1,00
0,24 2,00 1,00
0,24 2,00 1,00
0,24 1,96 1,00
0,25 1,95 1,00
0,26 1,95 1,00
0,25 1,95 1,00
0,24 1,93 1,00
0,22 1,93 1,00
Kolejnym krokiem jest wyznaczenie skorygowanych wartoci empiryczn
zmiennej objanianej:

84
 1,50 1,2 0,30
~50 1,2 0,30
~60 1,28 0,32
1,60 1,28 0,32
2,00 1,36 0,64
~60 1,28 0,32
2,00 1,2 0,80
2,00 1,36 0,64
2,00 1,36 0,64
2,20 1,36 0,84
2,25 1,36 0,89
2,35 1,36 0,99
2,35 1,36 0,99
2,45 1,28 1,17
y= Xrar = , Y -Xrar =
2,50 ' 1,28 1,22
2,60 1,28 ~2
2,50 1,44 ~06
2,55 1,52 ~03
2,60 1,52 1,08
2,65 1,6 1,05
2,70 1,92 0,78
2,85 1,92 0,93
2,80 1,92 0,88
2,95 2 0,95
3,00 2,08 0,92
3,20 2 1,20
2,97 1,92 ~05
2,85 1,76 1,09

Po zastosowaniu zaprezentowanego wzoru do tak otrzymanych danych wek-

O jest nastpujcy:

0,58]
ao = [ -0,12 .

badana zaleno przedstawia si nastpujco:

y = 0,58x2 + 8,00x5 - 0,12.

Otrzymana informacja uboczna posuya w tym przypadku do zredukowania
. szacowanych parametrw, a nie w celu poprawy oszacowania wektora al .

85

t
 Moe niekiedy wystpi taka sytuacja, e ograniczenia wystpuj w posta .
nierwnoci (por. punkt 3, s. 81), ktre dane s wzorem
Ga s g.

Wwczas minimalizujemy sum kwadratw odchyle (y - Xa)T (y - Xa) przy wa-

runkach pobocznych w postaci nierwnoci [10]. Rozwizanie tego zagadnienia
otrzymujemy metodami programowania kwadratowego.

Zadania
3.19. Naley oszacowa parametry modelu

y = alxl + a2x2 + a3x3 + a4x4 + a5x5 + aO'

jeli dodatkowo wiadomo, e ~ = 4, a3 = 2, a4 = 5 . Zbudowa wektor
i macierz G dla powyszego modelu.
3.20. Dla modelu z zadania 3.19 zbudowa wektor g i macierz G, jeli wiadomo.
e ada2 = 3 oraz a4/al = 4.
3.21. Badano zaleno kosztw jednostkowych od poziomu produkcji, wydajno-
ci pracy oraz jakoci surowca i skonstruowano poniszy model:

y = alx1 + a2x2 + a3x3 + ao,

gdzie: Y - koszty jednostkowe (w z/sztuk),
Xl - produkcja (w z),
X2 - wydajno pracy (w z/osob),
X3 - jako surowca (w % odpadw).
Wiadomo ponadto, e zmniejszenie odpadw o 2% ma trzykrotnie wiks
wpyw na spadek kosztw jednostkowych ni zwikszenie produkcji
2000 z. Zapisa wektor g i macierz G.
 4. TRANSFORMACJA LINIOWA

Wanym etapem w procedurze modelowania ekonometrycznego jest dobr

staci analitycznej modelu, ktrym chcemy opisa badan rzeczywisto ekono-
iczn. Posta modelu zaley od merytorycznych przesanek, wynikajcych ze
izkw midzy badanymi zjawiskami. Najczciej jest wic wypadkow ogl-
j i szczegowej wiedzy ekonomicznej o analizowanych zjawiskach. Z jednej
ny model powinien w peni by merytorycznie poprawny, z drugiej za mamy
lko pewne (ograniczone) moliwoci szacunku parametrw modelu.
Powizania zmiennych i parametrw strukturalnych wynikajce z analizy
cji modelu pozwalaj wyrni modele:
- liniowe,
- nieliniowe sprowadzalne do liniowych,
- nieliniowe niesprowadzalne do liniowych.
Znane i proste metody szacunku parametrw modeli zakadaj liniowo mo-
li wzgldem parametrw. Zastosowanie tych metod do modeli nieliniowych pro-
adzi do bdnych wynikw estymacji. Natomiast oszacowanie modeli nielinio-
ch jest kopotliwe, nie istnieje bowiem jedna oglna metoda, ktra dla kadego
odelu nieliniowego dawaabyestymatory o dobrych wasnociach. Metody
szacowania modeli nieliniowych niesprowadzalnych do liniowych mona znale
pracach [6; 9; 14].
W modelu ekonometrycznym z jedn zmienn objaniajc atwo jest okreli
arakter zalenoci i wykry jej ewentualn nieliniowo. Wystarczy sporzdzi
kres korelacyjny i oceni wzrokowo jego charakter. Jeli natomiast model eko-
metryczny jest z wieloma zmiennymi objaniajcymi, to nie liniowo mona
eli kilkoma metodami. Moe to by:
- merytoryczna analiza zalenoci ekonomicznych midzy badanymi zja-
iskami,
- wykrycie nieliniowoci na podstawie maej wartoci wspczynnika deter-
minacji, przy pierwotnym zastosowaniu modelu liniowego,
- sporzdzenie kilku wykresw korelacyjnych osobno dla kadej pary zmien-
~ objanianej ze zmienn objaniajc.
Modele nieliniowe sprowadzalne do liniowych mog mie dwojaki charakter:
- modele ekonometryczne liniowe wzgldem parametrw, lecz nieliniowe
wzgldem zmiennych objaniajcych,
- modele ekonometryczne nieliniowe zarwno wzgldem parametrw, jak i
zgldem zmiennych objaniajcych.

87
 Szacowanie obu modeli tego typu jest moliwe za pomoc KMNK po uprzed.-
niej transformacji liniowej, ktrej celem jest przeksztacenie zalenoci regresyj
nej nieliniowej w zaleno regresyjn liniow za pomoc zamiany zmiennych l
podstawie. Wanym warunkiem koniecznym (ale nie dostatecznym) stosowa
ci tej procedury jest to, by liczba parametrw modelu nieliniowego bya co n .
mniej rwna m + 1 (gdzie m - liczba zmiennych modelu). Procedura transformac
jest nastpujca:
1. Na podstawie danych empirycznych sporzdzamy wykres korelacyj
(punktowy) i na tej podstawie oceniamy moliw posta analityczn funkcji re
sji. Ten punkt procedury jest oczywicie moliwy do wykonania tylko wtedy, g
mamy tylko dwie zmienne w modelu: zmienn objanian i zmienn objaniaj
Wane jest rwnie, aby mie dostatecznie du liczb obserwacji - tylko wt
bowiem procedura transformacji ma sens.
2. Dokonujemy przeksztacenia funkcji nieliniowej w posta liniow. Spo
sprowadzania modelu nie liniowego do postaci liniowej zaley od jego typu.
Wyrnia si dwa zasadnicze typy modeli nieliniowych:
- nieliniowe wzgldem zmiennych objaniajcych i liniowe wzgldem p
metrw strukturalnych - ten typ modeli sprowadzamy do liniowych przez wpro
dzenie zmiennych pomocniczych zwizanych funkcyjnie ze zmiennymi pierwo
ml.
- nieliniowe zarwno wzgldem zmiennych objaniajcych, jak i parame '
strukturalnych - w tym przypadku naley najpierw dokona przeksztacenia r
wego modelu, a nastpnie dokona podstawie zmiennych pomocniczych.
3. Obliczamy wartoci obserwacji zmiennych pomocniczych i sporzd
wykres punktowy w nowym ukadzie (ze zmiennymi pomocniczymi). Jeli p
ukadaj si wyranie wzdu linii prostej, oznacza to, e posta analityczna za
a trafnie dobrana. W przeciwnym razie szukamy innej postaci analitycznej r
regresji i wracamy do punktu 2.
4. Szacujemy parametry funkcji liniowej (po transformacji).
5. Obliczamy parametry funkcji nieliniowej znajc ich funkcyjne
z parametrami postaci liniowej wynikajce z transformacji.
Prezentowany poniej wykres (rys. 4.1) przedstawia taki rozrzut punkt'
ktry moe sugerowa kilka rnych postaci analitycznych modeli. Wybr pra
dowej postaci zaley gwnie od dowiadczenia badacza, jest wic subiektywn .
W nastpnych przykadach rwnie wystpuje rnorodno proponowan
modeli.
W niektrych przykadach modele s nieliniowe tylko wzgldem zmienn

88
 y


y= ba"
y=bx"; a>l

y = aO+alX+a2X2

. . ".

x
Rys. 4.1. Wykres punktowy dla zalenoci nieliniowej I

Model z rys. 4.3 jest tego przykadem: y = ax2 + bx + c. W tym przypadku

:'8!_IlrCZY jedyniepodstawi za x2 obserwacje zmiennej pomocniczej, np. z .
~(Illamy liniow posta rwnania y = az + bx + c z dwoma zmiennymi objania-

Jeli model ma np. posta

1 2
y=al-+a2logx2 +a3x3 +a4,
Xl

onujemy podstawie:

---L-
Y - ax+b






y= ax2+bx+c

x x

4.2. Wykres punktowy dla zalenoci Rys. 4.3. Wykres punktowy dla zalenoci
nieliniowej II parabolicznej

89
 y y

y=alogx+b

y=bx"
y-....aL y=~-
- x+b I+be-ar

x z
Rys. 4.4. Wykres punktowy dla zalenoci Rys. 4.5. Wykres punktowy dla zalenoci
nie liniowej III logistycznej

y =b+asinx

Rys. 4.6. Wykres punktowy dla zalenoci trygonometrycznej

i otrzymujemy rwnanie

Jeli funkcja jest typu iloczynowego lub potgowego, to transformacji do

staci liniowej naley dokona przez logarytmowanie. Typowym przykadem
funkcji jest posta potgowa (wykorzystywana przy analizie produkcji):

90
 j t logarytmujemy obustronnie i otrzymujemy:

logy = logao + al log xl + ~ log-X2,

tawieniu:

u=logy, z} =logx}, z2 =logx2' * =logao,

aO

_~." mujemy:

Po oszacowaniu tego modelu wracamy do jego pierwotnej postaci, wiedzc,

lIaJ ametry kierunkowe si nie zmieni, ajedynie pierwotny wyraz wolny naley

"lIaCzy z relacji Go = lOGo .
Transformacj modeli typu hiperbolicznego rozpoczynamy zazwyczaj od od-
.lania funkcji, a nastpnie dokonujemy podstawie zmiennych pomocniczych.
)ID przykadem modeli nieliniowych o postaci hiperbolicznej s modele
ista [8; 23], ktre mona okreli jako mikroekonomiczne funkcje popytu.
one walory teoretyczne i praktyczne, poniewa funkcja popytu jest krzyw
asymptot poziom, okrelan mianem poziomu nasycenia danej potrzeby .
. odele Tomquisra maj nastpujce postacie:
~ bx
y=--, (4.1)
a+x
~ b(x-c)
y= , (4.2)
a+x
~ bx(x-c)
y= . (4.3)
a+x
Za pomoc pierwszej funkcji mona aproksymowa krzywe Engla dla wydat-
dobra pierwszej potrzeby i na dobra niszego rzdu. Opisuje ona sytuacj,
.'~rPj wzrostowi dochodu konsumentw odpowiada coraz wolniejszy wzrost
a do osignicia poziomu nasycenia (rwnemu parametrowi b, gdy a> O;
lub poziomu stabilizacji zmiennej objanianej (gdy a < O; rys. 4.8).

91
 y y
b -------------------------------------

--_._-------_._-_._---------------
x x

Rys. 4.7. Poziom nasycenia Rys. 4.8. Poziom stabilizacji

w funkcji Tomquisra (4.1) w funkcji Tornquista (4.1)

Tabela 4.1 Przykad 4.1. Przeprowadzono badanie

Wyniki obserwacji dochodw lenoci midzy dochodami. a popytem na pie
i wydatkw na pieczywo wo. Obserwacje dla zmiennej miesiczne doch
Lp. Dochody (x) Wydatki (y) (X), mierzonej w tys. z, i zmiennej Y, prezentuj
l 1,04 ll,05 cej popyt na pieczywo w kg, przeprowad
2 1,06 7,90 wrd 12 osb (dane umowne).
3 1,09 5,90 Naley oszacowa model popytu wzgl
4 1,12 3,90
dochodw. W pierwszym etapie sporzdzamy
5 1,22 3,71
1,25 2,63
kres korelacyjny:
6
7 1,36 2,17
8 1,54 2,00
12,00 Y
9
lO
1,64
1,69
1,92
1,54 l 0,00

II 1,96 1,35
12 2,18 1,23 8,00

6,00

4,00

2,00
0,00 +------1--------1 X

1,00 1,50 2,00

Ukad punktw na wykresie sugeruje zaleno hiperboliczn o postaci funt

cji Tornquista (4.1):

y=~.
a+x
W celu oszacowania parametrw funkcji transponuje si j do postaci linio-
wej poprzez odwrcenie obu stron rwnania:

92
 pocistawieniu:
'" 1 1 a,
Y = ,9' ao =/;, al =J;' x =-:;,1
nnujemy posta liniow modelu:
, r
y =alx +aO' (4.4)

f~aa:)czony zosta drugi etap transformacji.

etapie trzecim obliczamy wartoci zmiennych Tabela 4.2
Wartoci zmiennych
.ocniczych: y' = 1. oraz x' = 1.. Otrzymujemy
y x pomocniczych

. danych umieszczone w tab. 4.2. Na podstawie Lp. x' = 1/:x y' = 1/y
danych sporzdzamy drugi wykres korelacyjny: l 0,96 0,09
2 0,95 0,13
y'=l/y 3 0,92 0,17
1,00 4 0,89 0,26
5 0,82 0,27
0,80 6 0,80 0,38
0,60
.~
7 0,74 0,46
0,40 8 0,65 0,50

0,20 9
10
0,61
0,59
0,52
0,65
0,00 x' = l/x 11 0,51 0,74
0,40 0,60 0,80 1,00 12 0,46 0,81

Ocena wzrokowa ukadu punktw na tym wykresie pozwala sdzi, e nieli-

posta funkcji zostaa dobrana trafnie, punkty bowiem ukadaj si wzdu
_ ostej.
etapie czwartym szacujemy liniowy model, po transformacji. Macierze
. lIIacji dla zmiennych biorcych udzia w szacowaniu maj nastpujc posta:

93
 dla zmiennej objanianej: dla zmiennych objaniajcych:

0,09 0,96 l
0,13 0,95 l
0,17 0,92 l
0,26 0,89 l
0,27 0,82 l
0,38 0,80 l
y'= X'=
0,46 ' 0,74 l
0,50 0,65 l
0,52 0,61 1
0,65 0,59 l
0,74 0,51 l
0,81 0,46 1

Na podstawie powyszych danych oszacowany zosta model:

y' = -1,36x' + 1,42.
W etapie ostatnim obliczamy wartoci parametrw funkcji nieliniowej, znajc
ich funkcyjne zwizki z parametrami postaci liniowej.
'l' ao=7i'
J eSI 1 to 1 =1,42
b = ao l 07
= , ,
. 'l'
oraz jesu al=7i'a t
o a=al b =

= (-1,36)0,7 = -0,96.
Ostateczna posta modelu popytu na pieczywo wzgldem dochodw jest
nastpujca:

0,7x
y= .
-0,96+x

Funkcja Tornquista (4.2) jest dobr aproksymant krzywej Engla dla dbr
i usug wyszego rzdu. Funkcja ta ma rwnie poziom asymptot rwn b
(rys. 4.9), bdc poziomem nasycenia. Wystpuje w niej ponadto parametr c> O.
atwo dostrzec, e jeli c = 0, to model (4.2) staje si modelem (4.1). Parametr c
jest minimaln wielkoci dochodu, przy ktrym powstaj wydatki na dane dobro
wyszego rzdu.
W celu oszacowania parametrw tej funkcji transponuje si j do postaci
liniowej poprzez przemnoenie obu stron rwnania przez mianownik (a+x):

y= b(x -c) I'(a+x),

a+x

94
 y(x+a)=b(x-c),

Yx+ ya=bx-bc I:x,

Y
y+a-=
A b - bc-,l
x x

y= b -a--Y
A b c-,l
x x
"p()(1stawieniu:

ao = b ,al = -a, a2 = - b c, x' = -Y x " = -l ,

x x
nnujemy posta liniow modelu:

(4.5)

Funkcja Trnquista (4.3) suy do okrelania zalenoci midzy dochodami

datkami na dobra luksusowe. Parametr b nie odgrywa tu ju roli poziomu
nia, gdy model ten nie ma asymptoty poziomej, lecz skon, o postaci

Yas = bx -b(a+ c).

Z modelu tego mona odczyta, e popyt na dobro luksusowe jest realizowa-

edy, gdy dochody s wiksze od x = c (rys. 4.10). Etapy transformacji tej
ji s analogiczne do poprzedniego modelu. Przeksztacenie jej w posta
' pozostawiamy Czytelnikowi.
Opisane wyej modele nieliniowe byy sprowadzane do modelu regresji linio-
z transformacj zmiennych lub przeksztacenie caego modelu. Wystpuj
~_ . rwnie takie zalenoci nieliniowe, ktre wymagaj specyficznych metod

y
y
I
,
I
I
I
I
I

: a>O
I
I
I
I
I
I

c c
x x

Rys. 4.9. Funkcja Tomquisra (4.2) Rys. 4.10. Funkcja Tornquista (4.3)

95
 ,

ao - .

Rys. 4.1 L Funkcja logistyczna

przeksztace i szacowania parametrw. Przykadem takiego modelu jest krzywa

logistyczna, ktra znajduje zastosowanie w badaniach makro- i mikroekonomicz-
nych. W makroekonomii suy czsto do opisu wzrostu gospodarki narodowej I
liczebnoci populacji ludzkiej, w zagadnieniach mikroekonomicznych za j
dobr aproksymant funkcji popytu. Funkcja ta opisuje zjawiska, ktre charaktery-
zuj si przechodzeniem od szybkiego wzrostu do coraz wolniejszego tempa, ktre
stabilizuje si na pewnym poziomie, zwanym poziomem nasycenia.
Zmienn objaniajc w modelu logistycznym jest czsto czas, jest to wi
model tendencji rozwojowej:
ao
Yt =
l +ale -~t

Funkcja ta jest nieliniowa wzgldem zmiennych i parametrw, naley wi

dokona jej przeksztacenia w celu zastosowania metody naj mniej szych kwadra-
tw do oszacowania jej parametrw. Metoda, ktr mona tu zastosowa, no -
nazw metody Hotellinga. Wyznaczanie ocen parametrw aO' al' ~ jest dwu-
etapowe. W pierwszym etapie wyznacza si oceny parametrw ao i ~, w drugim
etapie wyznaczamy ocen parametru q, znajc oceny parametrw aa i a2'

W pierwszym etapie wyznacza si wzgldne przyrosty zmiennej objanianej:

wt = Yt - Yt-l , gd'Zle t = 2, 3, ..., T .

Yt-l

Za pomoc KMNK szacuje si parametry rwnania liniowego przyrostw w,

wzgldem wartoci pierwotnych szeregu czasowego Yt:

96
 wt = ~ --
a2
Yt ' g dZe
- t = 2, 3, ---, T -
- !lo

_8O(lstawieniu ~ = Co oraz - ~ = cI otrzymamy model liniowy:

!lo

Wt = Co + cIYt-
i ~ wyznacza si nastpujco:

parametru al wyznacza si, wykorzystujc nastpujc formu:

_l l-. !lo - Yt a2t

al-- L e_
T t=l Yt

reszcie przykad modelu, ktrego nie mona sprowadzi do liniowego,

a funkcja logarytm nie jest separowalna (tzn. nie ma logarytmu z sumy):

Y=(X+~/2, hl =D,

lu y =~ lu(x + ~) _

oto par przykadw nieliniowych zalenoci:

2 2
aox 2) ~x + a2x
y---,
A _ A _

Y- ,
l-a1x l-aox

Y =al lu x+a2
A l
-, 5) Y = ao + al In x,
x

Zadania
wadzi do postaci liniowej
x l 3 4 4 5 2
tpujcy model:
v 2 3 l 2 2 l
A X u 2 4 5 2 l l
u= ax+by'' +c~- v 3 6 4 7 8 l

owa macierz obserwacji na zmiennych objaniajcych, potrzebn do

o oszacowania, wykorzystujc dane z tabelki.

97
4.2. Dane s: model
~
y=a+ bxl + ex]2 + d - l
X2

oraz obserwacje zmiennych:

xl: 3, 6, 9, 4, 7; x2: 2, 4, 8, 5, 6.
Zbudowa macierz obserwacji zmiennych objaniajcych potrzebn do ob
czenia ocen parametrw strukturalnych tego modelu.
4.3. Na podstawie danych przedstawionych w ta-
2 3 4
belce oszacowa parametry strukturalne mo-
delu o
~ -l 2
y=alxl x2 +aO'
4.4. Na podstawie danych przedstawionych w ta- 2 3 4
belce oszacowa parametry strukturalne mo- o o
delu o
y = a}xlx2 + ao'
4.5. Na podstawie danych przedstawionych w ta- 2 3 4
belce oszacowa parametry strukturalne mo-
delu o
~ 2
Y = a}xl + a2x2 + ao
4.6. Dane s: model
~ l
y= 2 1
a + bx} + ex} + d-
x2

oraz obserwacje zmiennych:

xI: 3, 6, 9, 4, 7; x2: 2, 4, 8, 5, 6; y: l, 5,3, 2, 2.
Zbudowa macierze obserwacji zmiennych, potrzebne do obliczenia ocen
rametrw strukturalnych tego modelu.
4.7. Sprowadzi do postaci liniowej nastpujce modele (e -liczba Eulera):
2 2
~ aox 2) ~ a1x + a2x
l) y=--, y=
l-a1x l-aox
~
4) y = al ln X + a2 -l + ao ,
X

98
 y = ealx+aO,
2
9) Y= x ,
aO+ a1x
l) y = aOxfl X~2 ea3x3,
3) y=a1x2 +a2 1 +a3e-X2 +a4,
l-x1x2
-I 3
5) y = x , 16) y- aoe alxl
_ +~X2
,
ax+ bz+c
2 ~
alXj+-
7) y = aOe X2
Badano zaleno kosztw jednostkowych (K) od wielkoci produkcji (P):

Ustali posta analityczn zalenoci kosztw jednostkowych od wielkoci

odukcji. Oszacowa parametry zaproponowanej funkcji.
wyniku obserwacji zalenoci midzy
X - dugoci stau pracy (w latach) a
y -liczb opuszczonych dni pracy (w dniach) otrzymano nastpujce dane:

Zaproponowa posta analityczn modelu. Oszacowa parametry zapropo-

nowanej funkcji.
arysowa typowy wykres funkcji:
a) logistycznej,
) logarytmicznej,
) hiperbolicznej.
Ta podstawie danych przedstawionych w tabelce naley x v
zacowa model 2 0,2
a) y=(ax+b)-l, b) y= ax2 +b, c) y=!!+b. 4 0,4
x 8 1,0
Poda sposb transformacji tego modelu do postaci liniowej 10 0,5
obliczy wartoci zmiennej pomocniczej (lub zmiennych 10 2,0
pomocniczych).
.a podstawie danych przedstawionych obok oszacowa x v
model O 0,5
1 1,0
a 3 0,1
Y=-2-
x +b 2 0,2

99
4.13. Dana jest macierz obserwacji zmiennych: x y z t s
X; Y, Z, T, S. W celu oszacowania modeli: 2 8 4 3 13
A 1 O 10 6 6 16
a y= ax+b '
)

l 9 5 11 21
b) y=!.+b 1 9 2 15 25
z 2 8 8 16 25
dokona ich transformacji do postaci li-
niowej oraz obliczy wartoci zmiennych
pomocniczych.
4.14. Dane s obserwacje zmiennych X; V, Z. x 2 10 8 4 10
Zapisa macierz obserwacji zmiennych v 2 3 4 5 6
objaniajcych, suc do obliczenia z 3 4 7 8 12
ocen parametrw strukturalnych mode-
lu:
A -1 2
y=a+bx +cv +dv .

4.15. Zmienne Q, V, X; Y, Z przyjy wartoci

znajdujce si w tabelce obok. Nastpujce 1
modele sprowadzi do postaci liniowej oraz 0,5
poda wartoci zmiennych pomocniczych: 2
1
a) v=aO+a1~+a2q2+a3.l, 3
x y
Z 2 1
b ) v=aO+al-+a2Q
A

+a3-'
x x
A Y 2 1
c v=aO+a1-+a2Q
)
+a3-'
x z
4.16. Doprowadzi do postaci liniowej nastpuj- Obserwaci e x y
ce zalenoci: l 2 4
A X 2 4 6
a v=
)
2' 3 3 9
ay+bx+cx
4 5 10
A Y 5 10 10
b v=
)
2'
a:x+by+cy
oraz obliczy wartoci zmiennych pomocniczych.
A bX3
4.17. Oszacowa mo d e l x2 =a+- na
xl 2 2
podstawie danych przedstawionych 2 2 3 2
w tabelce obok. 4 2 O 2

100
 ty
ws:
tr z poniszych funkcji mona transformowa do postaci liniowej?
y = axf xl, II) Y = a( xf + xf) ,
III) y = ax ' N) Y = a ;
bx+cx 2 +d lnx+b

tr z poniszych funkcji mona transformowa do postaci liniowej?

b
y = ax , li) y = a01al ~
a2
,
IV) Y = a ln(x + b) ;

101
....Ktra z trzech niej wymienionych funkcji Tomquisra jest rosn
( a, aa, al' a2' a3' p > O)?
ax
Y=-p' (x> O),
x+

w ktrej z poniszych funkcji nieliniowych transformacja logarytmiczna do-

prowadzi analizowan funkcj do postaci, dla ktrej da si zastosowac
KMNK?
ax
Y=-- (x>O)
x+ P' ,
IV) y=axf4-r ;
 IETODY ANALIZY SZEREGW DYNAMICZNYCH

5.1. Uwagi wstpne

szystko, co si dzieje w spoeczestwie i gospodarce, odbywa si w czasie.

"lZI:'Im tego jest zmienno zjawisk spoeczno-gospodarczych. Zjawiska, zmie-
i w czasie - w rnych jego jednostkach - przyjmuj najczciej rny
. Cig obserwacji badanego zjawiska w kolejnych jednostkach czasu w wy-
ym przedziale czasowym nosi nazw szeregu czasowego (dynamicznego,
ogicznego ).
zeregi dynamiczne dzieli si na szeregi czasowe momentw i szeregi czaso-
~..-esi'w. W szeregach czasowych momentw absolutne wielkoci, wyraajce
danego zjawiska, obrazuj stan w danym momencie, na przykad szereg
y przedstawiajcy liczb ludnoci w Polsce 1 stycznia kadego roku.
egacb czasowych okresw poszczeglne wielkoci absolutne wyraaj po-
ego zjawiska w pewnych okresach, np. dziennych, miesicznych, kwar-
rocznych. Szeregiem czasowym okresw jest np. szereg przedstawiajcy
,,~ne zuycie energii elektrycznej we Wrocawiu w danym roku.
Omaczajc oglnie kolejne jednostki czasu t numerami l, 2, ..., n, gdzie n
czn liczb okresw lub momentw, zaobserwowane za wartoci zja-
przedstawiajc jako YI' szereg czasowy mona zapisa nastpujco:

I y/
l Yl
2 Y2

n Yn

ym z waniejszych zada analizy szeregw czasowych jest okrelenie

woci zmian poziomu zjawiska badanego w czasie. Poznanie podstawo-
widowoci rozwoju zjawisk ekonomicznych odbywa si przez wyodrb-
dencji rozwojowej. Zazwyczaj tendencja jest rezultatem dziaania zespo-
rczyn wpywajcych w sposb cigy na zjawisko badane w dugim okresie.
celu wykrycia oglnej tendencji zmian zjawiska ekonomicznego w okre-
przedziale czasu naley wyrwna szereg czasowy. Konieczno taka jest
.-=wwana tym, e oprcz czynnikw gwnych, oddziaujcych na ksztatowa-

103
 nie si wartoci szeregu czasowego, wpywa na nie take dua liczba czynni .
przypadkowych. Czynniki gwne wyznaczaj konkretn posta skadnika sy
matycznego (trendu). Z kolei czynniki przypadkowe powoduj odchylenia zaob
wowanych wartoci szeregu czasowego od wielkoci wyznaczonych przez trend.

5.2. Funkcje trendu

Jedn z waniejszych metod wyodrbniania tendencji rozwojowej sze

dynamicznego jest jej wyraenie za pomoc funkcji trendu. Funkcje trendu
matematycznymi funkcjami zmiennej czasowej. Szereg czasowy skada si wt
z dwch elementw, tj. funkcji trenduf(t) oraz odchyle losowych:
y=f(t)+E,

gdzie: y - zjawisko badane w czasie,

f - okrelona posta analityczna funkcji zmiennej czasowej t,
E; - odchylenia losowe.
Po oszacowaniu otrzymuje si rwnanie trendu:
y = f(t),
gdzie y- wartoci trendu zmiennej y.
Obecnie zostan przedstawione czciej spotykane postacie analityczne
cj i trendu. Przy kadym trendzie bd take zaprezentowane metody szacow -
parametrw tych funkcji.
l. Trend liniowy. Rwnanie trendu liniowego ma nastpujc posta:

y = aO +alt,
_ gdzie aO, al - oceny parametrw funkcji trendu.
Rysunek 5.1 zawiera wykres trendu liniowego.

Rys. 5.1. Trend liniowy

104
 r trendzie liniowym parametr aO jest interpretowany jako wyrwnany po-
zjawiska Y w okresie zerowym. Z kolei al oznacza przecitny przyrost zja-
y w przedziale czasu [1, n].
Parametry trendu liniowego szacuje si za pomoc klasycznej metody naj-
'szych kwadratw. Metoda ta zostaa dokadnie omwiona w podrozdziale
tym miejscu zostan jedynie przedstawione wzory na oceny ao i al para-
_lWmodelu (5.1):
n
IJYI - y)(t - i)
al = .:...t=--=l'-- _ (5.2)
n 2
I(t-i)
1=1

aO = y-alt, (5.3)

_ l n _ l n
Y=-n IYI' t =- It.
n
1=1 1=1

t przypadku oceny al mona skorzysta z prostszego wzoru':

n
12I(t -i)YI
al = ----''--''----
1=1 (5.4)
n(n2 -1)
. Trend nieliniowy sprowadzalny do liniowego. W celu oszacowania para-
.. trendu nieliniowego dokonuje si transformacji liniowej, opisanej w roz-
4. Sposb podstawienia zmiennych pomocniczych zostanie zaprezentowany
"als:loo~ czci tekstu.
Trend wykadniczy. Oglna posta trendu wykadniczego jest nastpujca:

(5.5)

tego trendu jest przedstawiony na rys. 5.2.

Dla trendu wykadniczego, podobnie jak dla trendu liniowego, ocena parame-
omacza wyrwnany poziom badanego zjawiska w okresie zerowym. Ocena
_~letru al jest natomiast interpretowana jako redni acuchowy wskanik
.-.Jw o' badanego zjawiska w przedziale czasu [1, n].

105
 y

Rys. 5.2. Trend wykadniczy

W celu oszacowania parametrw trendu wykadniczego sprowadza si go

postaci liniowej przez obustronne logarytmowanie wyraenia (5.5):
Iny = Inao + t Ina),
. gdzie In oznacza logarytm naturalny.
Po przyjciu nastpujcych oznacze:

y
Al
= In y, ao'In=
A
ao, a)'In= al'
otrzymuje si funkcj liniow

y' = a + ait.
b. Trend logarytmiczny. Rwnanie tego trendu ma nastpujc posta:
y=ao+aIInt,

wykres za jest przedstawiony na rys. 5.3.

W trendzie logarytmicznym ocena parametru ao oznacza wyrwnany pozi
zjawiska w okresie t = 1. Cech charakterystyczn tego trendu jest to, e w mi
upywu czasu nastpuj coraz mniejsze przyrosty badanego zjawiska.

Rys. 5.3. Trend logarytmiczny

106
 oszacowa parametry trendu logarytmicznego, wprowadza si oznaczenie
t' = lnt
.tz:.~muje si rwnanie liniowe
y = ao +alt'. (5.8)

Trend potgowy. Jest to trend zapisany za pomoc rwnania

(5.9)
~alstawiony na rys. 5.4.

Rys. 5.4. Trend potgowy

rend potgowy (5.9) ma zastosowanie wwczas, gdy zwizek midzy loga-

_.u. zmiennych Y oraz t ma charakter liniowy. W trendzie tym ocena para-
ao jest interpretowana jako wyrwnany poziom zjawiska w okresie t = l.
rend potgowy po obustronnym zlogarytmowaniu przyjmie posta
lny = Inao + allnt.

y' = lny, t' = lnr , a = lnao,

_ uje si rwnanie liniowe
(5.10)

Trend logistyczny. Wiele zjawisk ekonomicznych rozwija si wedug funk-

slaci

(5.11)

107
 Przebieg trendu logistycznego jest przedstawiony na rys. 5.5.

aor----------~

Rys. 5.5. Trend logistyczny

W trendzie tym interpretacji podlega jedynie ocena parametru aO' Oznac

ona poziom nasycenia badanego zjawiska.
Po podstawieniach:

. l . al I l ,_-(
_
aO = -, al = -, y - --;::-,
t - e ,
aO aO y
otrzymuje si rwnanie liniowe

Y' = a + ait' . (5.1

e. Trend hiperboliczny przedstawiony na rys. 5.6 moe przyj posta

al
y=ao +-. (5.1
t
Mona take spotka hiperboliczne funkcje trendu pod innymi postaciami, np.

(5.1

Rys. 5.6. Trend hiperboliczny

108
.poc1stawieniu:

t' =1 ,
t
j hiperboliczn zapisan wzorem (5.13) mona doprowadzi do postaci
ej

y = ao +alt', (5.l5)
osowaniu za nastpujcych podstawie:

l al, l <r l
ab = aO ' ai = aO ,t = t' y = y'
uje si posta liniow funkcji (5.14):

Y' = a +ait'. (5.16)

zacowanie parametrw modeli nieliniowych sprowadzalnych do liniowych

(5.8), (5.10), (5.12), (5.15), (5.16) przeprowadza si wedug wzorw (5.2)
), podstawiajc odpowiednie zmienne pomocnicze (z primami) za zmienne
_lOtne.
Po oszacowaniu parametrw trendu naley zbada, czy zbudowany model do-
isuje tendencj rozwojow. W tym celu wykorzystuje si miary dopasowa-
elu do danych empirycznych, takie jak wspczynnik determinacji i wska-
iego wzgldnego poziomu reszt, ktre s omwione w podrozdziale 6.1.
Przykad 5.1. Sprzeda pewnego wyrobu w cigu 10 kolejnych miesicy
wia tab. 5.1. Oszacowa i zinterpretowa model sprzeday tego wyrobu
le.

Tabela 5.1
Sprzeda pewnego wyrobu

Miesic Sprzeda (w tys. szt.) Logarytm naturalny sprzeday

l 0,5 -{),69
2 l 0,00
3 2 0,69
4 5 1,61
5 7 1,95
6 15 2,71
7 33 3,50
8 62 4,13
9 120 4,79
10 250 5,52

109
 Aby zdecydowa si na posta analityczn modelu trendu, konieczne jest s
rzdzenie wykresu ksztatowania si sprzeday w czasie. Wykres ten zosta p
stawiony na rys. 5.7.

.~ 300 T
"O
O)
I
N
o- 250
h

C/"1

200

150
III
}OO

50
O
O 2 3 4 5 6 7 8 9

Rys. 5.7. Ksztatowanie si sprzeday w czasie

Na podstawie wykresu decydujemy si na wykadnicz posta trendu:

A t
Y = aOa}.
W celu oszacowania parametrw tego trendu sprowadza si go do po
liniowej przez obustronne logarytmowanie:
lny=lnaO+tlnal'
gdzie In oznacza logarytm naturalny.
Po przyjciu nastpujcych oznacze:
Y = in y, ao = ln ao, a}r = ln a},
A, A ,

otrzymuje si funkcj liniow

l' = a + ait.
Wartoci zmiennej y' zamieszczono w tab. 5.1. Czytelnikowi pozostawi
sporzdzenie wykresu sprawdzajcego liniowo trendu zmiennej y'.
Korzystajc z wzoru (5.4), obliczono ai = 0,685 i na tej podstawie take
raz wolny a = -1,3483. Teraz, wykorzystujc zalenoci ocen parametrw tr
liniowego od nie liniowego, obliczymy oceny parametrw trendu wykadnie

110
 al = e a'I = 1,9839,
ao = ea = 0,2597.
ostatecznie oszacowany trend wykadniczy przyj posta
t
A

Y = 0,25971,9839 .

Interpretujc oszacowane parametry, moemy powiedzie, e w mresicu

dzajcym badanie sprzeda tego wyrobu wyniosa ok. 260 sztuk, a sprzeda
10 badanych miesicy przecitnie wzrasta z miesica na miesic prawie
tnie .

.3. Adaptacyjne metody wyodrbniania tendencji rozwojowej

yczne funkcje trendu przedstawione w poprzednim podrozdziale ukazuj

tendencj rozwojow badanego zjawiska w caym przedziale czasu [1; n].
je wic stosowa wtedy, gdy tak tendencj da si zaobserwowa. Niekiedy
,-,1Ikj'!:e tendencja rozwojowa w miar upywu czasu podlega zmianom. Do opisu
oci tendencji rozwojowej zjawiska su adaptacyjne modele trendu, jak
nd pezajcy czy rednia ruchoma [28]. W metodach tych ostatecznym efek-
')'gadzenia szeregu czasowego jest cig wartoci. Metody adaptacyjne stosu-
dy nie mona zaobserwowa wyranej tendencji w rozwoju zjawiska, gdy
nie moe si zdecydowa na typ krzywej majcej reprezentowa trend oraz
dencja w miar upywu czasu ulega dynamicznym i nieregularnym zmianom.
em wyjcia metody trendu pezajcego jest szereg czasowy YI, Y2' ... ,
iennej Y w badanym przedziale czasowym. Dalej wybiera si z gry liczb
_."lll k, zwan dugoci segmentu, tak, e k < n. W metodzie trendu pezaj-
zpatruje si k-elementowe cigi kolejnych obserwacji, czyli podszeregi cza-
segmenty)

Yl' Y2' , Yk'

Y2' Y3' , Yk+l'

YP Yt+}, ..., Yt+k-}'

Yn-k+l' Yn-k+2' ..., Yn'

ia.w tych jest n- k + l.

111
 Do wyznaczenia trendu pezajcego na podstawie kkolejnych obserwacji
pomoc klasycznej metody najmniej szych kwadratw szacuje si parametry r
wych trendw odcinkowych (segmentowych):
~l l l
Y = aO +alt dla t = 1,2, , k,
~2 2 2
Y = aO +al t dla t = 2, 3, , k + 1,

dla t = l, l + l, ... , l + k -l,

~n-k+l
y = aOn-k+l + aln-k+1 t dla t = n - k + l, n - k + 2, ... , n.
Wzory na oceny parametrw trendw odcinkowych przedstawiaj si
pujco:
[+k-I
I(YI - Y)(/-i)
al = t=1
-..:....-:=--:---:-----
i-i-: 2
I (I-i)
1=1

[ - [-
aO = Y[ -alII,

gdzie:

przy czym l = 1,2, ... , n - k + 1.

Dla kadego rwnania trendu odcinkowego oblicza si teoretyczne w
zmiennej y:
~[ l l
Y =aO+alt, l=1,2, ... ,n-k+1, t=l,l+l, ... ,l+k-1.

Kadej jednostce czasu t odpowiada u wartoci teoretycznych, przy czym

t, dla t = l, 2, ... , k - 1,

u= k dla 1= k, k + 1,... , n - k + 1,
{
n~1 + 1, dla I = n - k + 2, n - k + 3, ... , n.
Dalej wyznacza si cig n rednich arytmetycznych teoretycznych wart
zmiennej Y, przyporzdkowanych kolejnym jednostkom czasu:

112
 _ 1 n-k+l I
Yt =- L y , t=1,2, ... ,n. (5.20)
u 1=1

jest szeregiem czasowym, wygadzonym za pomoc trendu pezajcego.

en wygadzony szereg czasowy mona interpretowa jako takie wielkoci
j zmiennej, ktre byyby osignite, gdyby na to zjawisko nie oddziayway
"ail' przypadkowe zakcajce zmienno badanego zjawiska w czasie.
celu zilustrowania trendu pezajcego na rys. 5.8 przedstawiono dla bada-
zjawiska Y wygadzone wartoci trendu pezajcego, poczone odcinkami.

Rys. 5.8. Trend pezajcy

anym zagadnieniem przybudowie trendu pezajcego jest ustalenie dugo-

entu. Z formalnego punktu widzenia moe ona wynosi co najmniej dwa
" lecz nie wicej ni n - l okresw. W praktyce dugo segmentu zaley od
ci zmian poziomu zjawiska w czasie. Jeli wystpuj due rnice w po-
h zjawiska w krtkich okresach, to naley wybra ma dugo segmentu.
za zauwaa si powolne zmiany - mona wzi wiksz dugo segmentu.
rzykad 5.2. Obserwowano przecitne ceny targowiskowe pewnego dobra
jnych kwartaach w latach 1990-1998 (ceny w z). Naley wyznaczy trend
. y prezentowanego zjawiska. Poniewa dane s kwartalne, naley przyj
yrwnywania rwn 4. Dane s zaprezentowane w tab. 5.2. Na rys. 5.9
wiono dane empiryczne i wygadzone trendem pezajcym. Dane wyga-
otrzymano z poszczeglnych rwna segmentw trendu pezajcego. Osza-
rwnania segmentw przedstawiono w tab. 5.3. W tab. 5.4 przedstawiono
. i wygadzone trendu pezajcego.

113
 Tabela 5.2
Przecitne ceny targowiskowe .

Kwarta
Rok
I II III IV
1990 12 15,6 10 12,3
1991 17,4 20 10,4 14,1
1992 15 22,8 9,4 6,2
1993 10,4 14,2 13 15,1
1994 21,3 24 15,9 19,6
1995 22,4 26 13,4 21,6
1996 23,2 27,1 9,3 14,8
1997 18,6 28,1 15,5 21,2
1998 26,4 30 17,4 25,6

~ 35 .,--__ N !

.,
U 30+-----------------------------------A-~
25 +-----------------~--_Rr_~~_1~_#~1H,~---------
-wartoci
20+---~~~~----~~~~~_+--~~~~HH empiryczne
15 ~~~~.o~--~~~--~--~--~~~----~
--wartoci
10~-~--~--~,rI~----------~~-------- wygadzone
5 +-----------------------------------~
O+T~~"~~~rrrrrrrr"TTTT~~""~
4 7 10 13 16 19 22 25 28 31 34 Czas

Rys. 5.9. Ceny targowiskowe - dane empiryczne oraz wygadzone wartoci trendu pezajcego

Wyrwnana warto trendu pezajcego dla szstej obserwacji jest r

arytmetyczn z obliczonych czterech wartoci teoretycznych i wynosi 17,02. P
stae wartoci wyrwnane pozostawiamy Czytelnikowi do samodzielnego sp
dzenia.
Na przykad warto dla drugiego kwartau 1991 roku jest wartoci
szstego okresu i zostaa wyznaczona z trendw segmentowych zawierajcych
okres. Rwnania tych trendw (segmentw) oraz teoretyczne wartoci zmie
objanianej (ceny) dla okresu t = 6 prezentuje tab. 5.5.

114
 Tabela 5.3
Rwnania segmentw trendu pezajcego
Przedzia czasu Rwnanie sezmentu Przedzia czasu Rwnanie segmentu
1-4 ;1=-0,47t+13,65 18-21 - 18
Y =-o,11t+22,62
2-5 19-22 -19
i=0,77t+11,13 Y =3,31/-46,88
3-6 i=3,51/-0,87 20-23 iO =1,50t+52,60
4-7 ;4=-o,31t+16,73 21-24 i =-1,50t+54,60
1

5-8 22-25 -22

YS=-1,95/+28,15 y =-0,021+ 21,52
6-9 23-26 -23
;6 =-1, 13t+ 23,35 Y =4,271-83,29
7-10 ;7 =3,81/-16,81 24-27 A24
Y =- 3,30t+ 104,45
8 - 11 yA8 =-0, 63t+21,31 25 -28 i5=-4,30t+132,55
A9
9-12 y =-3,98t+55,14 26-29 ;26 =-2,001+ 72,45
10-13 -lO -27
Y =-4,04t+58,66 27 -30 Y =6,02/-153,87
11 -14 - 11 28 - 31 -28
Y =1,861-13,20 Y =1,16/-14,97
A12 -29
12 -15 Y =2,421-21,72 29-32 Y =-0,48t+ 35,49
AI3 -30
13 -16 y =1,29/-5,53 30- 33 y =0,06/+20,91
14-17 -14 -31
Y =2,341 - 20,37 31- 34 Y =4,87/-135,00
15-18 - 15 32- 35 -32
Y =3,92/-46,33 Y =-0,78t+49,88
-16
16-19 y =0,51/+10,15 33 - 36 ;33=-1,50t+76,60
17 -20 - 17
y =-1,32/+44,62

Tabela 5.4
Wartoci wygadzone trendu pezajcego

Kwarta
Rok
I II III IV
1990 13,18 12,69 11,78 13,66
1991 16,31 17,02 13,59 14,2
1992 16,405 17,475 11,805 8,5
1993 9,525 12,48 13,9 16,72
1994 20,18 21,265 18,98 20,14
1995 21,785 22,055 18,545 21,02
1996 22,87 21,895 14,73 , 15,2
1997 18,85 22,59 20,085 2.f,18
1998 24,96 26,513 23,34 22,6

115
 Tabela 5.5
Przykadowe obliczanie wartoci teoretycznej trendu pezajcego

Przedzia czasu Rwnanie segmentu Warto teoretyczna dla 1 = 6

3-6 i=3,51/-0,87 20,19
4-7 i =-0,31t+ 16,73 14,87
5-8 YS=-1,95t+28,15 16,45
6-9 y6=-1,13t+23,35 16,57

W drugiej metodzie adaptacyjnej - metodzie redniej ruchomej [28],

szczeglnym jednostkom czasowym s przyporzdkowane, oprcz empiryczn
wartoci obserwacji zmiennej objanianej, jej wartoci teoretyczne, bez .
analitycznej funkcji trendu.
Idea wygadzania metod redniej ruchomej polega na wyznaczaniu z ko
nych k elementw (obserwacji) szeregu czasowego rednich arytmetycznych ..
jc wartoci Y1' Y2' ... , Yn szeregu czasowego, obieramy liczb k<n (k>2) i
rzymy cigi kolejnych obserwacji:
Yl' Y2' , Yk'
Y2' Y3' , Yk+1'

Yn-k+1' Yn-k+2' ... , Yn-

Dla kolejnych okresw obliczamy kolejne rednie arytmetyczne k-okreso
jeli k jest nieparzyste:

Y1 + Y2 + ... + Yk
Yk-1+1 = k
2
- Y2+Y3++Yk+1
Yk-1+2 = k
2

- _ Yn-k+1 + Yn-k+2 + ... + Yn

y k-1+n-k+1 - k
2

Jeli k jest parzyste, to wyznacza si tzw. rednie scentrowane:

1 1
_ "2Y1 + Y2 + ... +"2Yk+1
Y&+l = k
2

116
 l 1
-Y2 + Y3 +"'+-Yk+2
- 2 2
Y~-+2 = k
2

1 1
_ "2Yn-k+1 + Yn-k+2 + ... +"2 Yn
Yi+n-k+1 = k
2

Otrzymane rednie przyporzdkowuje si zawsze wyrazowi rodkowemu (dla

"'~{Stego i dla k nieparzystego). Na przykad dla k=4 pierwsza rednia scen-
_ea bdzie postaci
1 1 l l
- Y1 + Y2 + Y3 + Y 4 + - y 4+ 1 - Y1 + Y2 + Y3 + Y 4 + "2Y5
2 2 => Y3 = ..=2'---- -=--_
-+1 4 4

nykad 5.3. Dla danych z poprzedniego przykadu naley wyznaczy red-

_ :born 4-okresow. Przykadowo drug warto scentrowanej wartoci red-
znaczymy ze wzoru
l l
_ 2. 15,6+10,0+12,3+17,4+ 20,_
2
Y.4+2 = 4 = Y4 = 14,375.
2

ozostae rednie scentrowane przedstawiono w tab. 5.6, w ukadzie kwartal-

Tabela 5.6
rednie ruchome 4-okresowe scentrowane

Kwarta
Rok
I II III IV
1990 - - 13,15 14,375
1991 14,975 15,25 15,175 15,225
1992 15,45 14,3375 12,775 11,125
1993 10,5 12,0625 14,5375 17,125
1994 18,7125 19,6375 20,3375 20,725
1995 20,6625 20,6 20,95 21,1875
1996 20,8125 19,45 18,025 17,575
1997 18,475 20,05 21,825 23,0375
1998 23,5125 24,3 - -

117
 Otrzymalimy w ten sposb trend mechaniczny, ktry nanosimy na
szeregu czasowego. Jak wida, trend ten na pocztku i na kocu jest krtszy
empirycznego szeregu czasowego.

;>., 35
fi
u 30+---------------------------------~~ --rednia
25+-----------------~~~~~_1~~~H ruchoma
20+----.--~----~~~~~r_~~~y -wartoci
15 ~~~~~~--~~~~~.-~~--~--~ empiryczne
'-----------
10+-~---L--~~------------_.--------4
5 +---------~~--------------------~
O +T~~~~rrrrrrrr~TT~~~~_rrrrr~' Kwart~y
357911131517192123252729313335

Ceny targowiskowe dobra iwartoci wyrwnane redni ruchom 4-okresow

Rys. 5.10.

W metodzie redniej ruchomej pojawia si, podobnie jak w metodzie tr

pezajcego, problem, na jakim poziomie ustali liczb k. rednia ruchoma k
sowa ma t wasno, e eliminuje z szeregu czasowego wahania, ktrych du
cyklu mieci si bez reszty w liczbie k. Tak wic wielko tej liczby bdzie zal
a od tego, jaki chcemy uzyska stopie wygadzenia szeregu czasowego, a
od rodzaju wahania wystpujcego w tym szeregu.
Jeli wahania s drobne, przypadkowe, o bardzo krtkim cyklu (2-
3-okresowym), naley uywa redniej ruchomej krtkookresowej (2-, 3-, naj
ej 4-okresowej). Do eliminacji waha sezonowych stosujemy redni ruch
12-okresow, jeli dane byy miesiczne, li 4-okresow, jeli dane byy kw

5.4. Analiza waha sezonowych

Badane zjawisko moe podlega kilku rnym wahaniom sezonowym rw

czenie. Dobr danych, ktre maj suy analizie tych waha, musi by pra
dowy. eby oceni wahania tygodniowe, trzeba dysponowa danymi dla dni;
oceny waha o okresie rocznym potrzebne s dane miesiczne czy kwartalne.
Analiza waha sezonowych zaley od ich typu. Jeli amplituda w
w analogicznej fazie cyklu jest jednakowa, to mwimy o periodycznoci
wzgldnych waha sezonowych. Jeli bezwzgldne rozmiary amplitudy zmi -
j si, ale w staym stosunku, to mwimy o periodycznoci wzgldnych wa
sezonowych.

118
 ia sezonowe mona wyodrbni na podstawie wskanikw sezonowo-
wskazuj, w jakim stopniu poziom zjawiska w danym cyklu waha rni
ziomu tego zjawiska wyznaczonego przez jego ogln tendencj rozwo-

_.Ll. Wahania sezonowe bezwzgldne Rys. 5.12. Wahania sezonowe wzgldne

ryanalizy waha sezonowych obejmuj:

'yodrbnienie tendencji rozwojowej za pomoc dowolnej metody - trendu
o lub nieliniowego, trendu pezajcego, redniej ruchomej.
Uwolnienie wyrazw szeregu empirycznego od tendencji rozwojowej:
ieli odchylenia od trendu w tych samych okresach jednego cyklu s mniej
stae, czyli wahania sezonowe s bezwzgldne, to obliczamy rnice
szeregiem pierwotnym a szeregiem wygadzonym (teoretycznym) dowoln

et = Yt - Yt;
te daj obraz waha absolutnych (warto zauway, e s to reszty modelu);
jeli w miar wzrostu wartoci trendu proporcjonalnie wzrastaj odchyle-
.Cibazy s mniej wicej stae), czyli wahania sezonowe s wzgldne, to obli-
osunki:

ut=:t.lOO,
Yt
~ obraz waha relatywnych.
'artoci et i Ut zawieraj wahania sezonowe i przypadkowe.
Eliminacj waha przypadkowych poprzez obliczenie rednich arytmetycz-
(lub Ut) dla okresw jednoimiennych (pochodzcych z tej samej fazy wa-
Oznaczymy je przez ej (lub Uj)' gdzie i = 1, 2, ..., P oznacza numer pod-
cyklu, a p - to liczba faz cyklu.

119
 Otrzymane wskaniki (rednie) nazywaj si surowymi wskanika
ha sezonowych:
ej
s to bezwzgldne wskaniki sezonowoci (lub inaczej addytywne
informuj, o ile jednostek poziom zjawiska w danej fazie waha jest wysr:
niszy od poziomu, jaki osignoby zjawisko, gdyby jego rozwj nast
zgodnie z tendencj rozwojow;
Uj - wzgldne wskaniki sezonowoci (multiplikatywne), ktre infi
o ile procent poziom zjawiska w danej fazie waha jest wyszy lub niszy
ziomu, jaki osignoby zjawisko, gdyby rozwijao si zgodnie z tendencj
jow,
4. Obliczanie czystych (skorygowanych) wskanikw waha sezon
ktre s takimi wskanikami sezonowoci, e suma wskanikw bezwzgl
jest rwna zeru, a suma wskanikw wzgldnych jest rwna p (liczba
w jednym cyklu). Wspczynniki korekcyjne dla obu rodzajw wskanik
nowoci s nastpujce:

l l
p -
a = - .L/i lub a = - L 14 .
p -

P i=l P i=l

Wyznaczenie skorygowanych wskanikw sezonowoci polega na:

- obliczeniu rnicy midzy surowym wskanikiem bezwzgldnym
fazy cyklu i wskanikiem korekcyjnym:
p
s~ =ej _l Lei;
p i=l

- obliczeniu ilorazu surowego wskanika wzgldnego danej fazy cykl

wskanik korekcyjny: .

SW = Uj
J p
lL~
P i=l

Przykad 5.4. W przykadzie tym kontynuujemy zadanie z przykadu 5

tyczce przecitnych cen targowiskowych pewnego dobra w kolejnych kw
w latach 1990-1998 (ceny w z). Naley przeprowadzi analiz sezonowo' i
nego zjawiska. Dane zaprezentowane s w tab. 5.2, a na rys. 5.13 cznie z
dem liniowym.
Do oszacowania oglnej tendencji zmian cen dobra w latach 1990-1
korzystano trend liniowy, ktrego posta jest nastpujca:

120
 20

15

10

O+O-'OT~rr~'-rT"-rOT'-"~-'rT~-r,,,-,,,,~
4 7 10 13 16 19 22 25 28 31 34
Kwartay

Rys. 5.13. Ceny targowiskowe - dane empiryczne oraz trend liniowy

y = 0,3268t + 11,712.
wida z rysunku, w powyszym przykadzie wystpuj wahania sezono-
cyklu rocznym. Aby uwolni trend od tych waha, naley wyznaczy
iki sezonowoci. Wyznaczymy tu wskaniki addytywne, pozostawiajc
. owi wyznaczenie wskanikw multiplikatywnych w ramach doskonale-

elu wyznaczenia wskanikw addytywnych naley obliczy teoretyczne

i cen w kadym kwartale, a nastpnie policzy rnice et = Yt - Obli- Yt .
ykonano w tab. 5.7. Obliczone reszty s podstaw wyznaczenia surowych
. w sezonowoci (tab. 5.8).
poszczeglnych kwartaw obliczono sumy wyznaczonych reszt, a na-
rednie wartoci dla kadego jednoimiennego okresu (kwartau). Otrzyma-
samym czyste addytywne wskaniki sezonowoci. Jak wida, w pierwszych
artaach ceny targowiskowe s przecitnie wysze od cen wyznaczonych
z ogln tendencj rozwojow. W pozostaych kwartaach ceny ksztatuj
itnie na poziomie niszym od oglnej tendencji rozwojowej .
. ostatnim wierszu tabeli wyznaczone s skorygowane wskaniki sezono-
re niewiele rni si od wskanikw czystych, wspczynnik korekcyj-
iem wynosi a = 0,000533.
teczna interpretacja otrzymanych wskanikw jest nastpujca:
pierwszym kwartale ceny targowiskowe s przecitnie wysze o 1,25 z
yznaczonych zgodnie z ogln tendencj rozwojow;
drugim kwartale ceny targowiskowe s przecitnie wysze o 5,49 z od
_znaczonych zgodnie z ogln tendencj rozwojow;

121
 T
Obliczenia reszt

Czas Ceny Ceny Czas Ceny Ceny

e/=y/-y/
t v. v. t y/ y/
l 12 12,039 -0,039 19 15,9 17,921
2 15,6 12,366 3,234 20 19,6 18,248
3 10 12,692 -2,692 21 22,4 18,575
4 12,3 13,019 -0,719 22 26 18,902
5 17,4 13,346 4,054 23 13,4 19,228
6 20 13,673 6,327 24 21,6 19,555
7 10,4 14,000 -3,600 25 23,2 19,882
8 14, l 14,326 -0,226 26 27, l 20,209
9 15 14,653 0,347 27 9,3 20,536
10 22,8 14,980 7,820 28 14,8 20,862
11 9,4 15,307 -5,907 29 18,6 21,189
12 6,2 15,634 -9,434 30 28,1 21,516
13 10,4 15,960 -5,560 31 15,5 21,843
14 14,2 16,287 -2,087 32 21,2 22,170
15 13 16,614 -3,614 33 26,4 22,496
16 15, l 16,941 -1,841 34 30 22,823
17 21,3 17,268 4,032 35 17,4 23,150
18 24 17,594 6,406 36 25,6 23,477

Tabela 5.8
Addytywne wskaniki sezonowoci

Kwarta
Rok
I II III N
1990 -0,039 3,234 -2,692 -0,719
1991 4,054 6,327 -3,600 -0,226
1992 0,347 7,820 -5,907 -9,434
1993 -5,5604 -2,0872 -3,614 -1,8408
1994 4,0324 6,4056 -2,0212 1,352
1995 3,8252 7,0984 -5,8284 2,0448
1996 3,318 6,8912 -11,2356 -6,0624
1997 -2,5892 6,584 -6,3428 -0,9696
1998 3,9036 7,1768 -5,75 2,1232
suma 11,292 49,450 -46,991 -13,732
rednia 1,254622 5,494489 -5,2212 -1,52578
skorygowane
wskaniki
sezonowoci 1,254089 5,493956 -5,22173 -1,52631

122
 - ;\' trzecim kwartale ceny targowiskowe s przecitnie nisze o 5,22 z od
_'"Zl1aczonychzgodnie z ogln tendencj rozwoj ow;
- . czwartym kwartale ceny targowiskowe s przecitnie nisze o 1,52 z od
_'znaczonych zgodnie z ogln tendencj rozwojow.
ednym z celw przeprowadzenia analizy szeregw czasowych jest sporz-
prognoz dotyczcych ksztatowania si zjawisk w przyszoci. Podstaw
zy jest funkcja trendu. Gdy jednak w rozwoju zjawiska wystpuj wahania
_.awe, to pomocne przy opracowaniu prognozy s wskaniki waha sezono-

sze wartoci badanego zjawiska wyznaczone na podstawie trendu musz

1I:!lkol"\;'gowaneo wyznaczone wczeniej wskaniki sezonowoci.
gnostyczn warto zmiennej na moment/okres t wyznacza si jako [5; 20]:
- _.~= y~(w) +4, gdy model jest addytywny (z wahaniami bezwzgldnymi),
- y~ = y~(w) . s;V, gdy modeljest multiplikatywny (z wahaniami wzgldnymi);
li - prognoza na okres t dla i-tej fazy cyklu,
_ ci w) . - wstpna prognoza (na okres t dla i-tej fazy cyklu) na podstawie
modelu tendencji rozwojowej,
, s;V - czyste (skorygowane) wskaniki sezonowoci dla i-tej fazy cyklu.
'li chcemy prognozowa na podstawie redniej ruchomej, to model pro-
y ma posta
t-l
v,* = k1 L..JYj'
'"
i=t-k
- staa wygadzania,
- wartoci zmiennej prognozowanej w okresie i,
- prognoza na okres t.
trakcie prognozowania jestemy naraeni na popenienie bdw. Wyzna-
po otrzymaniu prognozy nazywamy bdami ex post. Bdy prognozy
. chwili t wyznaczamy z nastpujcych wzorw:
bezwzgldny:

t=Yt-Yt *

hylenie prognozy od wartoci rzeczywistej zmiennej Y (+ wysza, - ni-

wzgldny:
*
({Jt=Yt-Yt .100'
Yt

123
wskazuje na rozmiary i kierunek odchylenia;
- redni kwadratowy bd prognozy ex post:

gdzie T-numer ostatniego okresu, w ktrym jest sprawdzana prognoza;

- przy redniej ruchomej bd ten wyznacza si z formuy:

gdzie: k - staa wygadzania,

n - liczba wyrazw szeregu czasowego.
Wzr ten wykorzystuje si do wyznaczania liczby wyrazw redniej ru
mej; przyjmuje si tak warto k, dla ktrej wielko bdu ex post jest naj
sza.
Przykad 5.5. Na podstawie wyznaczonej funkcji trendu (w przykadzie
oraz skorygowanych wskanikw sezonowoci mona wyznaczy prognozy
targowiskowych na kolejne kwartay w nastpnych latach. S one nastpujce:

Tabela 5.9
'Prognozy cen targowiskowych

t Prognoza wstpna Prognoza ostateczna

37 23,8036 25,05769
38 24,l304 29,62436
39 24,4572 19,23547
40 24,7840 23,25769
41 25,1108 25,11080
42 25,4376 30,93156
43 25,7644 20,54267
44 26,0912 26,09120

W drugiej kolumnie tabeli otrzymano prognozy wstpne dla i-tej fazy cy

na okres t na podstawie oglnej tendencji rozwojowej. W kolumnie trzeciej sko
gowano te prognozy o wskaniki sezonowoci. Otrzymane rzeczywiste i pro
zowane wartoci prezentuje wykres (rys. 5.14).

I l24
 6' 35 .__ ..-._ _-_ .._-----_ .._._ _---_. __ ._ __ .._
_..__ ._.. .. _._ .._ ,

....~ lI
u
u y = 0,3225x+II,748
30
R2 = 0,4226
25

20 i!
15

10
I
i

O+TTT,,~~~,,""~"~rrrrrrrrrrrrrrrrrrTT~'
I
l 3 5 7 9 11 13 15 171921 2325272931333537394143
Kwartay

Rys. 5.14. Ceny targowiskowe oraz ich prognoza

5.5. Modele dynamiczne ze zmiennymi opnionymi w czasie

W omwionych modelach trendu jedyn zmienn objaniajc by czas.

'1Il rodzajem modelu dynamicznego jest taki model, w ktrym wystpuj

_lCIlme opnione w czasie, zarwno endogeniczne, jak i egzogeniczne. Jeli

elu dynamicznym wystpuj zmienne endogeniczne opnione w czasie, to
amy go modelem autoregresyjnym.
Z modelami dynamicznymi ze zmiennymi opnionymi w czasie mamy do
ienia przede wszystkim w skali makroekonomicznej. Przykadem moe by
. o poziomu produktu narodowego w danym okresie (roku) , od poziomu
produktu w roku poprzednim (L-l), odjego podziau w roku poprzednim lub
ziornu inwestycji w latach poprzednich.
Przykadem modelu dynamicznego moe by wspzaleno midzy pozio-
wydajnoci pracy a nakadami inwestycyjnymi na mechanizacj pracy w pew-
przedsibiorstwach przemysowych:

YII = a llY1,1-1 + a12Y2,1 + a1 + Ell'

Y21 = a21 (XII - YI,/-!) + a22' + a2 + E2/'

modelu tym }} oznacza wydajno pracy w skali przedsibiorstwa, 12

cza nakady inwestycyjne na mechanizacj pracy, Xl to planowany poziom
inoci pracy. Zmienne }}, 12 s endogeniczne; zmienna Xl oraz' s egzoge-
. Model ten zakada, e poziom wydajnoci pracy zaley od poziomu wydaj-

125
noci osignitego w poprzednim roku oraz od poziomu nakadw inwestycyj n,
na mechanizacj pracy. Nakady te zale z kolei od rnicy midzy planowanj
poziomem wydajnoci pracy i rzeczywicie osignit wydajnoci w roku ubi _
ym, a take od pewnego trendu czas.owego, wyraajcego oglny postp techni z-
ny i zwizan z tym potrzeb inwestowania.
Szacowanie modelu dynamicznego ze zmiennymi opnionymi w czas
rni si drobnymi elementami numerycznymi od estymacji klasycznych mode
Natomiast przy modelach autoregresyjnych niektre zaoenia klasycznej met
najmniej szych kwadratw mog nie by spenione.
Przy szacowaniu takich modeli mog take wystpi problemy z budo
macierzy zmiennych objaniajcych i wektora zmiennej objanianej. Zostanie
przedstawione na przykadzie szacowania nastpujcego modelu:

Yt =ao +alxtl +a2xt-l,2 +a3xt-2,3 +Et

Jak wida, mamy tu do czynienia z modelem z opnieniami czasowymi zmi

nych objaniajcych: drugiej o jeden okres, trzeciej - o dwa okresy. Jak zbudo
macierz zmiennych objaniajcych i wektor zmiennej objanianej dla taki
modelu? Macierz X ma tyle kolumn, ile jest parametrw modelu. Kada kol
zawiera obserwacje zmiennych zwizanych z odpowiednimi parametrami. Za
w naszym przykadzie macierz X i wektor y bd nastpujcej postaci:

Yl

Y2
X= X13 ,y= Y3

Tracimy wic w macierzy X dwa pierwsze wiersze. Jeli ktrakolwiek zmi

na bdzie opniona o T, to w macierzy X stracimy T pierwszych wierszy. Je
natomiast istnieje wicej zmiennych opnionych w czasie, to strata obserw
rwna jest maksymalnej wartoci T.
Estymacja modeli dynamicznych ze zmiennymi opnionymi w czasie,
rwno jednorwnaniowych, jak i wielorwnaniowych, jest prowadzona met
waciwymi dla danego typu modelu. Modele liniowe jednorwnaniowe, wie
rwnaniowe modele proste i rekurencyjne szacujemy klasyczn metod naj
szych kwadratw. Modele wielorwnaniowe o rwnaniach cznie wspzalen
szacujemy poredni lub podwjn metod najmniejszych kwadratw.

126
Przykad 5.6. Dane s nastpujce obserwacje:

Tabela 5.10
Wyniki obserwacji

t P, 2, R, S, M, F, W,
I 69 8 1245 18 14 10 53,9
2 68 11 1250 23 13 8 56,1
3 69 10 1249 22 l3 7 55,2
4 72 11 1253 25 17 9 57,5
5 71 12 1251 27 19 6 56,8
6 71 12 1248 26 17 5 57,7
7 73 11 1252 28 19 4 58,3
8 73 13 1255 31 21 5 59,0
9 75 14 1258 29 22 4 59,4

: P - poziom produkcji w przedsibiorstwie,

Z - zysk,
R - liczba zatrudnionych,
S - nakady na szkolenie,
M - nakady na remonty kapitalne i modernizacj,
F - wadliwo produkcji,
W - wydajno pracy.
Przykadowo oszacujemy model

P, = a O + al R/ + a 2 Mt-1 + E/ .

i wektor danych potrzebne do estymacji powyszego modelu s

1 1250 14 68
1 1249 13 69
1 1253 13 72
l 1251 17 71
x= ,y=
l 1248 19 71
1 1252 17 73
l 1255 19 73
l 1258 21 75
a podstawie powyszych danych oszacowano klasyczn metod najmniej-
kwadratw oceny parametrw modelu:

P, = -462,9 + 0,42Rt + 0,30M/_1

Interpretacja modelu jest nastpujca:

127
 - wzrost zatrudnienia w biecym okresie o jednostk spowoduje (ceteris po-
ribus) wzrost produkcji o 0,42 jednostki;
- wzrost nakadw na remonty kapitalne i modernizacj w ubiegym okres
o jednostk spowoduje wzrost produkcji w biecym okresie o 0,30 jednostki,
warunkiem, e zatrudnienie si nie zmieni.

Zadania
5.1. Na podstawie comiesicznych danych od stycznia 1997 r. do grudnia 1999 r
z firmy POLDOM klasyczn metod najmniej szych kwadratw oszacow
nastpujcy model: K = 8t + 120,
gdzie: K - wielko produkcji cegy (w m'),
t - zmienna czasowa.
Zinterpretowa oceny parametrw tego modelu.
5.2. Obserwowano zaleno zmiennej Y od zmiennej X w kolejnych latach
otrzymano nastpujce dane:
t 1 2 3 4 5 6 7 8 9
y/ 43 61 39 25 26 27 35 52 63
XI 1,3 2,4 3,0 4,3 5,7 6,7 7,6 7,6 8,1

Na podstawie wykresu korelacyjnego zaproponowa posta analityczn mo-

delu Yt = /(Xt-I)
5.3. W tabelce dany jest nastpujcy szereg czasowy:

Oszacowa trzeci segment trendu pezajcego, przyjmujc sta wygadzenia

rwn 5.
5.4. W tabelce obok dany jest szereg czasowy. Za rwnanie
t y,
trendu przyjto: l 5
a b b l
a. Yt = 2 + , . Yt = 2 2 2,75
A A

.
t m +b 3 2,33
Przeprowadzi transformacj tej funkcji do postaci linio- 4 2,19
wej. Obliczy wartoci zmiennej pomocniczej. 5 2,12

5.5. Dane s kwartalne obserwacje szeregu czasowego Yt:

2 3 3 2 2 4 5 4 3 4 5 5.
a. Wyznaczy trend mechaniczny oraz obliczy surowe wskaniki sezonowo-
ci.
b. Wyznaczy trend pezajcy (k= 4) oraz obliczy surowe wskaniki sezono-
woci, jeli znane s rwnania wszystkich segmentw oprcz pierwszego:

128
 - parametry kierunkowe:
-0,4; 0,3; 1,1; 0,7; -0,4; -0,4; 0,4; 0,7,
- wyrazy wolne:
3,9; 1,4; -2,8; -0,8; 7; 7,4; 0,2; -3,1.
Znane s rwnie wartoci trendu pezajcego od okresu pitego:
2,55; 3,75; 4,45; 4,05; 3,55; 3,833; 4,6; 5,3.
Koszty cakowite
Miesic (I) 1 2 3 4 5 6
(w tys. z) oraz Koszty cakowite 3 6 5 5 8 9
produkcja (W tys. Produkcja 2 4 3 2 6 1
szt.) w cigu 6
miesicy w firmie Firlej i Spka przedstawione s w tabelce obok.
a. Oszacowa i zinterpretowa parametry liniowego trendu kosztw. Zapisa
rwnanie trendu. Zinterpretowa jego parametry.
b. Oszacowa i zinterpretowa parametry liniowego trendu produkcji. Zapisa
rwnanie trendu. Zinterpretowa jego parametry .
. Dany jest model
Yt =a+bz, +cXt-2 +dvt +eut-1 +Et
oraz obserwacje zmiennych (tabelka):
t Yt Zt Xt VI Ut

l 2 3 21 2 10
2 8 5 19 4 8
3 6 7 17 6 6
4 4 9 15 8 4
5 5 11 13 10 2
6 8 13 11 10 O
7 11 15 9 8 2
8 12 17 7 6 4
9 7 19 5 4 6
10 6 21 3 2 9

Zbudowa wektor obserwacji zmiennej objanianej i macierz obserwacji

zmiennych objaniajcych do obliczenia ocen parametrw tego modelu.
Zebrano dane z piciu okresw, dotyczce nastpujcych zmiennych:
t ~ II o, 21 fft HI
l 1 1 l O O 1
2 3 4 3 -3 -3 -1
3 2 l 2 l O l
4 -1 O O O 1 4
5 O -1 -1 2 O 5

129
 gdzie: ~ - produkcja brutto,
II - inwestycje,
Dl - dochd narodowy,
ZI - zatrudnienie,
~ - wydajno pracy,
HI - obroty handlu zagranicznego.
a. Oszacowa liniowy model dynamiczny opisujcy zaleno dochodu n
dowego w okresie t od dochodu narodowego w okresie t - l i produkcji b
to w okresie t.
b. Oszacowa liniowy model dynamiczny opisujcy zaleno produkcji bru
w okresie t od zatrudnienia w okresie t i inwestycj i w okresie t - 1.
5.9. Dla danych z przykadu 5.6 zapisa macierz obserwacji zmiennych obja
jcych i wektor dla zmiennej objanianej dla modelu:

~ = bISI-I +b2~ +b3 + El'

5.l0. W tabelce obok dane s obserwacje
I Je
zmiennych: X, Y, Z, U, W. Utworzy l 2
macierz X i wektor y dla oszacowania 2 4
modelu 3 6
4 5
a) xI = b1xl-l + ~YI + bO'
5 7
b) 21 =b1ul_2 +b2ul_1 +bO' 6 5
c) Ul =hjYI +b2wl-1 +bo, 7 4
d) YI =b1wl_1 +b2t+bo 8 3

5.11. Naley oszacowa model (dane w ta- r, Z( x, r;

belce obok): l 2 3 3 2
a) ~ =a+bZt +cXt_2 +d~ +eUI_1, 2 8 5 5 4
3 6 7 7 6
b) ~ =a+FZ, +cXI_2 +dl/, +eVt-1.
4 4 9 9 8
Zapisa wektor obserwacji zmiennej 5 5 11 13 10
objanianej y oraz macierz obserwacji 6 8 13 11 10
zmiennych objaniajcych. Poda ich 7 11 15 9 8
wymiary. 8 12 17 7 6
9 7 19 5 4
10 6 21 3 2
 T firmie transportowej ADUJ SA w latach 2000-2001 badano w kadym
miesicu wielko przewozw (w tys. ton). Na podstawie tych danych oszaco-
ano nastpujcy model trendu: y = -0,04t + 40. Ktre stwierdzenie jest
prawdziwe:
)w/
4 (}Q
)pr~':

) "

firmie transportowej TRANS.COM w latach 1999-2001 badano w kadym

miesicu wielko przewozw w tys. ton. Na podstawie tych danych oszaco-
'ano nastpujcy model trendu: y = 0,02t + 50. Zauwaono jednak, e wyst-
puj wahania sezonowe wielkoci przeadunkw. Dla stycznia skorygowany
addytywny wskanik sezonowoci wynosi -2. Prognoza wielkoci przewozw
dla stycznia 2002 r. wynosi:
)

131
Zaproponowano oszacowanie nastpujcego modelu ekonometrycznego:

Obserwacje poszczeglnych zmiennych wynosz:

I Xl2lmHm8
V
W
2
3
3
4
4
6
45
7
6
5
4
Macierz zmiennych objaniajcych potrzebna do oszacowania tego m
jest nastpujca:

Aby oszacowa model trendu y = alb' przeprowadzono transformacj

1+
w, stosujc podstawienia z = 1. oraz v = l. Nastpnie oszacowano m
y l
liniowy (po transformacj i): z = 0,5 + 2v. Model nieliniowy po oszacow
przyjmie wic posta:

132
 modelu addytywnym otrzymano czysty wskanik sezonowoci dla II kwar-
tau c2 = 3 tys. sztuk. Oznacza to, e
A}
 6. WERYFIKACJA MODELU

6.1. Dopasowanie modelu do danych empirycznych

Kolejnym etapem - po estymacji - budowy modelu ekonometrycznego jest

jego weryfikacja. Jedn z podstawowych miar jakoci dopasowania modelu do
danych empirycznych jest wspczynnik determinacj i. Ma on posta
n
L(Yt - y)2
R2 = ..:.../=--'1'-- _ (6.1)
n 2
L(Yt - y)
t=1

Zauwamy, e gdy wartoci Yt oraz Yt s takie same, to wspczynnik deter-

minacji przyjmuje warto 1. Wynik taki wiadczy o dokadnym dopasowaniu mo-
delu do danych empirycznych. Z drugiej strony z postaci wyraenia (6.1) wida, e
nie moe ono przyjmowa wartoci ujemnych.
Miar uzupeniajc miar R2 jest wspczynnik zbienoci. Ma on posta

Wida std, e rp2 = O jedynie wwczas, gdy wszystkie reszty modelu s rwne
zeru (odpowiada to dokadnemu dopasowaniu modelu do danych empirycznych).
Z drugiej strony, jeli reszty modelu wykazuj tak sam zmienno (w sensie
wariancji) jak obserwacje dotyczce zmiennej objanianej, to wspczynnik zbie-
noci przyjmie warto 1. Sytuacja ta oznacza brak dopasowania modelu do
danych empirycznych. Mona wykaza, e

R2 =1_rp2.

Dlatego te warto miary R2 interpretujemy jako frakcj zmiennoci zmien-

nej objanianej - wyjanian przez model, a warto miary rp2 odpowiada frakcji
zmiennoci, ktrej model nie wyjania. Z praktycznego punktu widzenia podane

134
jest, aby R2 byo bliskie 1. Mona wykaza, e zarwno R2 , jak i rp2 przyjmuj
.arto z przedziau [O, 1].

Zadanie
.l , Na podstawie obserwacji zawartych w tabelce obok y Xl x2
oszacowano model liniowy opisujcy zaleno 10 O O
zmiennej Yod Xl oraz X2: 11 4 2
12 1 l
y = 10,45 + 0,75xl - X2'
10 O l
Obliczy oraz zinterpretowa wspczynniki: zbie- 8 O 1
noci i determinacji.

Zadania testowe

l. W modelu liniowym (z wyrazem wolnym) niech rp2 oznacza wspczynnik

zbienoci, a R2 wspczynnik determinacji. Wwczas zawsze zachodzi

I) rp2 s R2,
II) rp2 + R2 < 1,
ID) R2 _ rp2 = 1 ,

IV) nie istnieje zwizek midzy rp2 i R2 ;

. Dla modelu liniowego (z wyrazem wolnym) niech rp2 oznacza wspczynnik

zbienoci, a R2 wspczynnik determinacji. Wwczas moe by prawd, e

1) rp2 < R2 , II) rp2 > R2 ,
2 2 2 2
ID) rp + R = 0,7 , IV) rp - R = O;

E
. Szacujemy regresj y = ax + b (a:;t: O). Wszystkie obserwacje le na jednej
prostej. Wwczas prawdjest, e
1) w regresji x
= ey + d rwnie wszystkie obserwacje le na jednej prostej,
II) wspczynnik korelacji jest rny od zera,
III) R2 =l , IV) rp2 = ;
135
 6.2. Istotno parametrw strukturalnych

Wspczynnik determinacji - przy dodatkowym zaoeniu o normalnoci roz-

kadu wektora skadnika losowego - moe by zbadany z punktu widzenia rozka-
du uytecznego do budowy testu dotyczcego istotnoci parametrw. W tym przy-
padku hipoteza zerowa ma posta

HO:al =a2 = ... =am =0

przeciwko

W razie odrzucenia hipotezy zerowej wnioskujemy, e przynajmniej jeden

z parametrw strukturalnych rozpatrywanego modelu jest rny od zera. W razie
braku podstaw do odrzucenia hipotezy zerowej naley uzna, e wszystkie m
zmiennych objaniajcych naleaoby z modelu usun, wobec czego procedur
budowy modelu trzeba rozpocz od nowa. Akceptacja HO oznacza bowiem, e
wartoci zmiennej objanianej powinny by wyjaniane przez jej warto przecit-
n z prby (z pominiciem wpywu skadnika losowego).
Mona wykaza, e przy prawdziwoci hipotezy zerowej statystyka
2
F=n-m-I._R_
m I-R2
ma rozkad F-Fishera-Snedecora z nI =m oraz n2 = n - m -I stopniami swobody.
Procedura testowania jest wic nastpujca:
l. Na podstawie prby obliczamy warto empiryczn statystyki F (co wyma-
ga znajomoci wspczynnika determinacji).
2. Dla zadanego poziomu istotnoci a znajdujemy warto krytyczn F*.
Odczytu dokonujemy dla nI = m i n2 = n - m -l stopni swobody.

3. Jeeli F > F* , to hipotez H O odrzucamy. W przeciwnym razie stwierdza-

my brak podstaw do odrzucenia Ho'
Zauwamy, e regua decyzyjna podana w punkcie 3 zakada, e korzystamy
z testu jednostronnego (obszar krytyczny po prawej stronie wartoci krytycznej).

136
 0,08 -,--------

l
0,07
0,06
0,05
0,04
0,03
0,02
0,01
O~~~~~~~**mm~mmmm~~

Rys. 6.1. Gsto rozkadu F dla 3 i 7 stopni swobody

Taki wybr reguy jest uzasadniony budow statystyki F. Z dokadnoci do

ej wyraa ona bowiem stosunek frakcj i zmiennoci zmiennej y wyjanianej do
wyjanianej przez model. Zatem wysokie wartoci F powinny przemawia na
hipotezy alternatywnej Hl' Rozwaania powysze zilustrujemy przyka-

Przykad 6.1. W celu zbadania zmiennoci koniunktury giedowej (mierzonej

iennoci indeksu WIG) oszacowano model na podstawie 20 danych miesicz-
h (dane fikcyj ne):
y=-0,02XI-O,015x2 -0,0013x3 +0,014x4 +0,01,

'e: xl - przyrost stopy WIBOR (w punktach procentowych),

X2 - miesiczna stopa inflacj i,
x3 - czna warto nowych emisji oferowanych publicznie (w mln z),
x4 - saldo obrotw handlu zagranicznego (w mln z) (z plusem nadwyka,
z minusem deficyt),
y - stopa zwrotu obliczona z indeksu giedowego WIG.
Zamy, e w modelu tym R2 = 0,85 . Zbadamy istotno parametrw w tym
elu. Stawiamy hipotez

ciwko

naszym przypadku

F = 20 - 4 -1. 0,85 = 21,25

4 1-0,85 .

137
Ponadto dla nI = 4 oraz n2 = 20 - 4 -1 = 15 przy poziomie istotnoci a = 0,0"::

znajdujemy F* =3,06. Poniewa F>F*, zatem hipotez HO naley odrzuci"

Oznacza to, e przynajmniej jedna z proponowanych zmiennych ma istotny wpyw
na zmienn objaniajc.
Z powyszych rozwaa wynika, e konkluzja wyprowadzona za pom
testu istotnoci nie moe by ostateczna. Wynik oznacza bowiem, e mamy praw
przypuszcza, i przynajmniej jedna z rozpatrywanych zmiennych jest istotna:
otwarty pozostaje problem - ktra. Dlatego te przedstawimy test istotnoci
podstawie rozkadu t-Studenta, w ktrym jest moliwe testowanie istotnoci I-
szczeglnych parametrw (a nie tylko ich wektora).
W modelu

y = ao + aIxI + a2~ + ... + amxm + G

moliwe jest dla kadego i= 1, 2, ..., m testowanie hipotezy

HO:aj=O

przeciwko

(6.

Przy prawdziwoci hipotezy HO (i dodatkowym zaoeniem o normalnoci wekto-

ra skadnikw losowych) statystyka
a
t=--/-
l S(ai)

ma rozkad t-Studenta o n-m-l stopniach swobody. Mona wykaza, e w przy-

padku duej prby do testowania istotnoci mona uy rozkadu normalnego.
Procedura testowania istotnoci jest zatem nastpujca:
l. Na podstawie prby obliczamy warto empiryczn ti statystyki z-Studen
(co wymaga znajomoci aj oraz S(ai )).

2. Dla zadanego poziomu istotnoci a odnajdujemy wartoci krytyczne I

Odczytu dokonujemy z tablic rozkadu t-Studenta dla n-m-l stopni swobody l
w przypadku duej prby z tablic rozkadu normalnego. Znajdujemy tak wart
t ,dla ktrej

gdzie T jest zmienn losow o rozkadzie N(O, 1).

138
 3. Jeeli vii> t , to hipotez Ho odrzucamy. W przeciwnym razie stwier-
dzamy brak podstaw do odrzucenia hipotezy zerowej.
Regua decyzyjna z punktu 3 sugeruje stosowanie testu dwustronnego Gest to
onsekwencja przyjcia, e hipoteza alternatywna ma posta ai::l= O). Zauwamy
rwnie, e rozkad l-Studenta mona bez przeszkd stosowa do hipotez jedno-
stronnych. Jest to szczeglnie uzasadnione wwczas, gdy z logicznej analizy wyni-
e ktry z parametrw nie powinien by ujemny lub nie powinien by dodatni.
Tego rodzaju modyfikacje naley jednak stosowa ostronie ze wzgldu na to, e
midzy zmiennymi objaniajcymi mog istnie interakcje powodujce, e zmien-
mimo znaku parametru niezgodnego ze znakiem odpowiedniego wspczynnika
relacji istotnie wpywa na zmienn objanian, odgrywajc rol "korektora" in-
~ zmiennej objaniajcej. Zjawisko takie moe mie miejsce szczeglnie w razie
stpowania wspliniowoci.
Ponadto dodajmy, e oprcz przedstawienia hipotezy zerowej o postaci (6.2)
oliwe jest rwnie testowanie hipotez postaci

ciwko

wczas statystyka testowa ma posta

*
t. = a-a
l l
l S(ai)
wnioskowanie przebiega tak,jak to opisano wyej.
Powysze rozwaania zilustrujemy przykadem.
Przykad 6.2 Gest to kontynuacja przykadu 6.1). Przypumy, e na podsta-
ie 20-miesicznych danych oszacowano model (w nawiasach podalimy bdy
dardowe ocen). Na poziomie istotnoci a= 0,05 zweryfikujemy hipotezy

HO:ai =0

ciwko

cowany model ma posta

y=- 0,02 Xl - 0,015x2 - 0,0013 x3 + 0,014 x4 + 0,0 l.
(0,007) (0,011) (0,0001) (0,012)

139
Wartoci statystyk testowych wynosz:

Itll = 2,86, It21 = 1,36, It31 = 13, It41 = 1,17.

Poniewa n - m - l = 15, zatem warto krytyczna wynosi t * = 2,131 . Poniewa

zatem hipoteza zerowa zostaj e odrzucona dla i = 1 oraz i = 3.

Dla i=2 oraz i=4 brakuje podstaw do odrzucenia hipotezy Ho. Wynik ten
oznacza, e jedynie zmienne Xl oraz X3 maj istotny wpyw na zmienno ko-
niunktury (czyli zmienn Y). Podkrelamy, e wynik ten otrzymalimy dla danych
umownych.
Pewnym uoglnieniem testu istotnoci parametrw moe by test dotyczcy
kombinacji liniowej wektora parametrw. W zastosowaniach test ten stosuje si do
stwierdzenia, czy parametry modelu pozostaj w pewnej okrelonej relacji linio-
wej (np. w okrelonej proporcji lub okrelona jest ich rnica). Hipoteza zerowa
ma w tym przypadku posta:

przeciwko

(6.3)

W zapisie powyszym w jest pewnym wektorem dobranym zgodnie z postu-

lowan zalenoci liniow midzy parametrami, Wo za jest okrelon liczb.
Okazuje si, e przy prawdziwoci hipotezy Ho statystyka:

wTa-wo
t =-r===========
e ~wTs2(XTXrl w

ma rozkad t-Studenta o n - m -1 stopniach swobody.

Przykad 6.3. Zamy, e oszacowano funkcj charakterystyczn akcji,
obrazujc zmienno stopy zwrotu akcji BPH w zalenoci od stp zwrotu z in-
deksu WIG 20 i na podstawie 30-miesicznych stp zwrotu otrzymano:
y = 0,1+ 0,8x . Zweryfikowa hipotez, e wspczynnik kierunkowy jest o l wik-
szy od wyrazu wolnego, jeeli oszacowana macierz kowariancyjna ma posta:

2(XTX)-1 = [0,04 0,04]

s 0,04 0,09 .

140
 oteza zerowa ma posta:

li
ao -al = -1,
zgodnie z (6.3) mona zapisa jako:

Ho:[l -1][:~]=-1
przeciwko

Hl:[l -1][:~];t:-1.
Obliczymy warto statystyki testowej:

T 2 ( T )-1 [ ] [0,04 0,04] [ l] [ ][0,04 - 0,04]

s X X w= l -l 0,04 0,09 -l = l -l 0,04-0,09 =0+0,05=0,05,

wTa- Wo = [l -1][~:!] + l = 0,1- 0,8+ l = 0,3,

zatem

It,1 = ]'3
0,05
1= 1,342.
Dla n - m - 1= 30 -1-1 = 28 stopni swobody i na poziomie istotnoci 0,05
arto krytyczna wynosi t* =2,048. Poniewa Itel<t*, zatem brak podstaw do
odrzucenia Ho.

Zadania
6.2. Na podstawie kwartalnych danych z lat 1997-2000 oszacowano parametry
modelu i otrzymano:
y=101+14xl +2,5x2
Wiadomo, e macierz wariancji i kowariancji ocen parametrw strukturalnych
dla tego modelu jest nastpujca:

141
 104,1 --49,8 -19,6]
? 24,1 9 .
[
? ? 5,3
Na poziomie istotnoci 0,01 zbada istotno parametrw przy zmiennych Xl
i X2. Czy zmienne te wywieraj istotny wpyw na zmienn objanian?
6.3. Na podstawie osiemnastu obserwacji oszacowano model: y=ao +a}x+a2z+e
i otrzymano: y= 3 + 0,2x - l Oz. Wiadomo, e oszacowanie wariancji skadni-
ka losowego wynosi 2, a macierz

-t [0,95 {),25 -l ]
(XT X) = 0,25 0,25 -0,5 .
-1 -0,5 1,5
Zbada istotno parametrw strukturalnych przy zmiennych objaniajcych.
Przyj poziom istotnoci 0,05. Poda wnioski.
6.4. Na podstawie dwudziestu czterech obserwacji oszacowano parametry modelu
liniowego i otrzymano:
y = 2 + 1,5v + 0,5x - 0,2z .
24
Wiadomo, e L(Yi - )1)2 = 100, a suma kwadratw reszt tego modelu wynosi
i=l .
10. Czy cho jeden z parametrw modelu istotnie rni si od zera? Przy
testowaniu odpowiedniej hipotezy przyj poziom istotnoci 0,05.
6.5. Na podstawie obserwacji zawartych w ta-
belce obok oszacowano parametry modelu y 1 3 O 3 5 6
liniowego postaci Xl O 2 O O O 2
x2 O 2 2 2 2 O
y=a}xI +a2x2 +a3+e
i otrzymano:
y = 1,lxl - 0,lx2 + 2,4.

Wiadomo, e:

l [0,25 0,05 -0,2]

(XTXf = ~ 0,2 ?, XTy = [18]
22 .
-~3 ~7 18

Znale macierz wariancji i kowariancji ocen parametrw strukturalnych.

Obliczy standardowe bdy szacunku parametrw strukturalnych.
6.6. Na podstawie dwudziestu obserwacji zmiennych Y, Xl, X2 oszacowano para-
metry modelu liniowego i otrzymano: y
= -0,13 + 0,5lx} + 0,29 X2. Wiadomo,

142
 re ocena wariancji skadnika losowego tego modelu wynosi 0,45. Ponadto
. 20 _ 2
wiadomo, e L (Yi - y) = 102,3 oraz
i=l

0,13 0,22]
(xTXf l = [1,39
0,13 0,06 0,36 .
0,22 0,36 0,12

a. Na poziomie istotnoci 0,05 zbada istotno parametru strukturalnego przy

zmiennej X2. Jaki wniosek wynika z tego badania?
b. Obliczy i zinterpretowa wspczynnik determinacji.
Rozpatrujemy model liniowy z jedn zmienn objaniajc y = ao + alx,
Istotno parametru przy zmiennej X mona testowa zarwno za pomoc
testu Studenta, jak i testu F. Czy wyniki bd takie same? Zilustrowa przy-
kadami.
Chcc zastosowa rozkad Studenta do testowania kombinacji liniowej" para-
metrw, hipotez Ho powinnimy przedstawi w postaci: Ho: w T a. = wo.
W przypadku piciu parametrw: aO, al> a2, a3, a4 poda wektor w i sta
wo, jeeli postulujemy
a) ao + a3 = 2,
b) ao + al + a2 + a3 + a4 = 1,

c) ao = ~l ,

d) al = -2a2'
Wykaza, re w przypadku gdy wektor w zawiera dokadnie jedn liczb 1
i pozostae zera, hipoteza Ho sprowadza si do "zwykego" testu istotnoci
wybranego parametru.

Zadania testowe
a podstawie 30-elementowej prby oszacowano model (w nawiasach bdy
standardowe ocen):
y=20+55xI +70x2 +45x3'
(l) (2) (4) (3)

iadomo (test t-Studenta), e dokadnie jeden z parametrw modelu okaza

si istotnie rny od zera. By to parametr przy zmiennej
)
C)

143
 .. W modelu y = aXl + f3x2 + r + c testujemy hipotez Ho: a = f3 przeciw
Hl: a*- f3 . Obszar przyjcia hipotezy zerowej jest wwczas
I) spjny, II) ograniczony,
ID) nieograniczony, IV) niespjny;

Szacujemy model z czterema zmiennymi objaniajcymi. Poziom istotn

wynosi 0,05, a wielko prby n = 20. Oszacowania parametrw wyni
(odpowiednio) 2, 3, 4, 5, przy takich samych bdach standardowych
Jakie mog by te bdy, jeeli dokadnie jeden parametr okaza si nieis
ny?
I) l,
ID) 0,25,

6.3. Badanie autokorelacji skadnika losowego

Jak wiemy z rozdz. 3, przy zaoeniach standardowego modelu liniow

estymator otrzymany metod naj mniej szych kwadratw ma najmniejsz (w se
twierdzenia Gaussa-Markowa) macierz wariancji-kowariancji. W przypadku, g
odstpimy od zaoenia

poza przektn mog si pojawi wyrazy rne od zera. Jeli taka sytuacja
miejsce, to mwimy, e mamy do czynienia z autokorelacj skadnika losowe
Podstawowym zadaniem jest zbadanie, czy w naszym modelu wystpuje zjaw'
autokorelacji. W przypadku jego wykrycia istniej procedury (uoglniona me
najmniej szych kwadratw) pozwalajce zachowa optymalno estymatora we
ra parametrw strukturalnych. W wikszoci znanych z literatury testw rozpa
si uoglnienie autokorelacji rzdu l, tzn.

ct+I=PCt+llt (t=l, ...,n-l),

gdzie zmienne losowe llt s niezalene i majjednakowy rozkad.

Przedstawimy na pocztek procedur testowania hipotezy o dodatniej auto
relacji. Zamy, e testujemy hipotez

144
 iwko

-'lIotleza alternatywna mwi wic o dodatniej autokorelacji. Statystyk testow

styka Durbina- Watsona o postaci
n-l
L:(et+l-etf
DW = I:=-,1,-- _

przypadku silnej dodatniej autokorelacji skadniki losowe wykazuj ten-

do maej zmiennoci (inercja), co powoduje, e w takim przypadku iloraz
jmuje wartoci stosunkowo mae, Na rys, 6.2 przedstawiamy przykadowe
je reszt modelu liniowego w przypadku silnej dodatniej autokorelacji
w postaci kek) oraz dla porwnania wspomniane realizacje przy zaoe-
.w:u autokorelacji (punkty w postaci kwadratw),

3 -- _ .._.-.._--.-- _- - --- ..- ..- .

2
l
O+-~~~~H_~_HH_~~~~ ..
~~~~~++~
..
l
..2
-3
-4
-5

6.2. Reszty modelu w przypadku dodatniej (p= 0,99) autokorelacji oraz braku autokorelacji

tosujc test Durbina- Watsona, wyznaczamy dla otrzymanych obserwacj i war-

styki DW. Nastpnie dla wybranego z gry poziomu istotnoci, najcz-
a= 0,05 lub a= 0,01, odczytujemy (przy danym n oraz liczbie zmiennych
IIj;.glli'ajcych m + l) wartoci krytyczne dl oraz dU . Regua decyzyjna jest na-
IIg~Jc'lCa. Hipotez zerow (o braku autokorelacj i) odrzucimy (na korzy hipotezy
a.latJlll-ej autokorelacji) w przypadku, gdy warto DW obliczona na podstawie
acji bdzie mniejsza od dl (lub DW < dl)' W przypadku, gdy DW> du,
dzamy brak podstaw do odrzucenia hipotezy Ho _W przypadku, gdy

145
 dL~DW~du,

nie podejmujemy adnej decyzji (obszar niekonkJuzywnoci).

Zastosowanie tego testu przedstawimy w przykadzie 6.4.
Przykad 6.4. Zamy, e w wyniku zastosowania metody najmniejszy
kwadratw (20 obserwacji) zaobserwowano reszty podane niej. Reszty te
czono na podstawie modelu z jedn zmienn objaniajc (m= 1): -3,83;
-1,88; -2,15; -2,01; 0,98; 2,58; 2,6; 1,43; 1,05; 1,46; 1,23; -0,1; -l.
-0,12; 1,2; 0,29; ],53; 1,09; -0,06.
Zweryfikowa hipotez o dodatniej autokorelacji reszt w rozpatrywanym
delu (istotno a= 0,05). W naszym przykadzie

oraz
n 2 ~ 2
1:>1 = Lei = 71,9438,
1=\ 1=1

zatem na podstawie obserwacji

DW= 0,391426.
W przypadku, gdy m + 1 = 2 oraz n = 20, wartoci krytyczne wynosz

c = 1,20 oraz du = 1,4].

Poniewa

zatem hipotez zerow odrzucimy na korzy hipotezy o dodatniej autokorelaci

Rozpatrzmy teraz sytuacj, gdy hipoteza alternatywna ma posta
H\:p<O.
Przykadowy wykres reszt ujemnie skorelowanych przedstawilimy na rys. 6.3.
W przypadku, gdy hipoteza alternatywna stwierdza, e p< 0, stosujemy
cedur analogiczn jak przy dodatniej autokorelacji. Zamiast statystyki DW
jemy statystyk
DW'=4-DW.
Podobnie jak wyej, mae wartoci statystyki DW' sprzyjaj odrzuceniu
tezy zerowej na rzecz autokorelacji ujemnej. Opisan procedur przedsta
w przykadzie 6.5.

146
 : -r--"'.-.-.-.-.-.-.-.-.-.-.-.-.-.-.-.-.-.- J
4
2
O~~~~~~~rA~~
-2 .
-4
-6
-8
-10

Rys. 6.3. Przykadowe realizacje reszt przy ujemnej autokorelacji oraz - dla porwnania-
przypadek braku autokoreJacji

Przykad 6.5. Zamy, e w wyniku zastosowania metody najmniejszych

"':adJ:atw (20 obserwacji) odnotowano nastpujce reszty (obliczone na podsta-
modelu z jedn zmienn objaniajc, m = I): 1,32; -1,11; 1,55; -0,29; 0,33;
. 0,17; 1,34; -2,57; 0,91; -1,31; 1,45; -2,85; 2,29; -2,25; 2,01; -3,15;
; -5,53; 3,39.
W naszym przykadzie
n-l 19
I(el+l -et)2 = I (et+l-el f = 384,3643
1=1 1=1

n 20
Iei = Iei = 108,0006,
1=1 1=1

na podstawie obserwacji
DW=3,558909

DW' = 0,441091.

iewa dla m + 1 = 2, n = 20 oraz a= 0,01 wartoci krytyczne wynosz

dL = 0,95, du = 1,15,

HO naley odrzuci (DW' < dL)' czyli mamy ujemn autokorelacj.

W nastpnym punkcie przejdziemy do analizy innego odstpstwa od warunku

COV(E) = 0-21,
ajcego na tym, e wyrazy na przektnej macierzy wariancji i kowariancji
miay rne wartoci.

147
 Zadania
6.10. Na poniszych rysunkach przedstawiono trzy realizacje reszt otrzymany
po zastosowaniu 1v.fNK do modelu liniowego dla p = O, P = 0,99 oraz
p = -0,99. Jakiemu wspczynnikowi korelacji odpowiada kady z rysun-
kw?

6.1l. Twierdzi si, e statystyka Durbina-Watsona zaley w sposb "skompliko-

wany" od macierzy X. Uzasadni to stwierdzenie.
6.12. Udowodni, e statystyka Durbina-Watsona nie zaley od jednostek, w ja-
kich zostay wyraone reszty. W tym celu naley przyj, e "nowe reszty
maj posta e; = cel (c =j:; O) i wykaza, e warto statystyki DWnie ulegni
znuame.
?13. Rozpatrzmy 20 obserwacji (reszt) podanych w przykadach 6.4 oraz 6..
Uporzdkujmy je w odwrotnej kolejnoci. Czy wnioski dotyczce istnienia
autokorelacji ulegn zmianie? Odpowied uzasadni, posugujc si analiz
formuy definiujcej statystyk Durbina- Watsona,

Wska zdania prawdziwe dla testu Durbina-Watsona:

I) obszar krytyczny jest lewostronny, jeeli Hl: p < O,
II) obszar niekonkluzywnoci jest nieograniczony, jeli HI: P> O,
ID) obszar niekonkluzywnoci jest ograniczony, jeli Hl: p < O,
IV) obszar przyjcia hipotezy jest prawostronny, jeli Hl: > O .
.~:;~:r{

148
 II) zwikszenie DW,
U II) zmniejszenie DW,
~ ID) zwikszenie wariancj i reszt,
. IV) zmniejszenie wariancji reszt .

.9. Punkty reprezentujce na ukadzie wsprzdnych reszty czymy aman.

W ktrym z nastpujcych przypadkw mona si spodziewa, J::- amana
osignie najwiksz liczb miejsc zerowych:

:d:;:
O, W modelu mamyautokorelacj ujemn rzdu 1. W ktrym z poniszych
I cigw liczbowych spodziewasz si najwikszej iloci liczb ujemnych
(t = 1,2, ... , n - l)?

1. Wska czynniki sprzyjajce odrzuceniu HO w tecie o autokorelacji (DW

.stosujemy, gdy p> 0, DW' , gdy p < O):

6.4. Heteroscedastyczno

Kolejnym odstpstwem od zaoe klasycznej metody najmniej szych kwadra-

jest rezygnacja z postulatu, aby wariancje skadnika losowego byy stae
zasie. Przyjmuje si zatem, e
Cov( E) = V, gdzie V 7= I.

W szczeglnym przypadku, gdy macierz V jest diagonalna, mamy do czynie-

z brakiem autokorelacji, ale jeli elementy na przektnej macierzy V s rne
siebie, to mamy do czynienia ze zjawiskiem heteroscedastycznoci (przy braku
okorelacji). W praktyce wariancje skadnika losowego (jeli nie s spenione
czne zaoenia) maj tendencj do wzrastania lub zmniejszania si. W celu
. "krycia tego zjawiska zastosujemy test Goldfelda i Quandta. Poniej opisujemy
edur.
Obserwacje (w liczbie n) dzielimy na dwie grupy: pocztkow o liczebnoci
oraz kocow o liczebnoci ~ w taki sposb, aby nI + ~ = n (dopuszczalna

149
jest modyfikacja polegajca na pominiciu kilku rodkowych obserwacji, WWcZ2.5
nI + ~ < n). Podzia powyszy ma zwykle charakter arbitralny, jednak przes

do wyboru nI i ~ powinny mie podstawy przynajmniej intuicyjne (np. z obs -

wacj i wektora reszt otrzymanej metod najmniej szych kwadratw). Nastpnie, ni -
zalenie dla obu zbiorw obserwacj i, wyznaczamy oszacowania wektorw para-
metrw klasyczn metod najmniej szych kwadratw. Nastpnie szacujemy warian-
cj w obu grupach wedug wzorw:

s~ = l
n)-m-lL.. "
leA
e;
oraz

2 1 ,,2
s2 = l L..ej ,
~ -m- ieB

gdzie A jest zbiorem indeksw odpowiadajcych pierwszej grupie obserwacji, a

jest zbiorem indeksw odpowiadajcych drugiej grupie obserwacji.
Hipoteza zerowa ma posta
2
HO: O"} = 0"22 .

Statystyka testowa jest ilorazem wielkoci Sf i si. Testujc hipotez Ho prze-

ciwko alternatywie

warto statystyki testowej obliczamy ze wzoru

2
F
e
=!L2
S2

i hipotez zerow odrzucamy, jeli dla zadanego poziomu istotnoci a

Fe> Fa(nl -m -1, ~ -m -1),

gdzie liczb Fa odczytujemy z tablic rozkadu F dla n} - m -l w liczniku

~ - m -1 w mianowniku stopni swobody.
Jeli hipoteza alternatywna ma posta
2 2
H( 0") < 0"2'

to warto statystyki testowej obliczamy ze wzoru

150
 tez zerow odrzucimy, jeli

Fe > Fa(n2 -m-l,nl-m-1).

Powysz procedur zilustrujemy przykadem.

Przykad 6.6. W tab. 6.1 przedstawiamy dane dotyczce zmiennoci kursw
ii przedsibiorstw przemysowych w Stanach Zjednoczonych w latach 1927-
38 (12 obserwacji) - zmienn objanian Y, oraz dane dotyczce produkcji
mysowej w tych samych latach - zmienn objaniajc X. W obu przypad-
dane s przedstawione w postaci indeksu jednopodstawowego (po przyjciu
8 = 100).

Tabela 6.1
Kursy akcji iprodukcja przemysowa w Stanach Zjednoczonych
w latach 1927-1938

Produkcja przemysowa Kursy akcji

Rok
(x) (y)
1927 96 77
1928 100 100
1929 107 123
1930 86 91
1931 73 57
1932 58 30
1933 68 43
1934 72 53
1935 81 59
1936 94 83
1937 99 85
1938 77 65
rdo: May Rocznik Statystyczny. Warszawa: GUS 1939.

a wstpie oszacujemy parametry modelu liniowego

Yt = ao + a1xl + 6't .
oci ocen parametrw wynosz:
al = 1,616 oraz aO = -64,005.

Rysunek 6.4 przedstawia kwadraty reszt, otrzymane po zastosowaniu metody

'mniejszych kwadratw.

151
 300 -----.--~~-~-~---------~-l
250
200~~--,.~~------------------~ !
~
1501~i~--~-W~----------------- --1
l00~~--~-+-----------------rnr---
"'"
501~~--~-+-----------10J----rnr~
I
i

O~~~~~~my--~~~~~~WL~ - I Im rnI!
2 3 4 5 6 7 8 9 10 11 12

Rys. 6.4. Kwadraty reszt po zastosowaniu metody najmniej szych kwadratw

Jak widzimy, wariancje przyjmuj szczeglnie du warto dla trzech spo-

rd czterech pierwszych okresw. Dlatego te zdecydujemy si przyj nI =
oraz n2 = 8. Wyznaczymy teraz, stosujc metod najmniej szych kwadratw, osza-
cowania wektora parametrw dla pierwszych czterech okresw oraz dla omi
ostatnich okresw. Otrzymamy
A) y = -51,549 + 1,535x
oraz
B) Y = -45,564 + 1,350x.
Na podstawie tych rwna wyznaczamy reszty dla obu grup obserwacji:
A) -18,831; -1,972; 10,282; 10,521,
B) 4,036; -2,718; -3,215; 1,386; --4,762; 1,692; -3,056; 6,637.
Na rys. 6.5 przedstawiamy kwadraty reszt otrzymane z obu przedstawiony
wyej oszacowa.

400-r----------~.--~.--
..
-~---.~-----
350 +-m_--------------I
300+ffi~----------------------------~
250+W%+-------------------------------
200+ffi~----------------------------~
1501~ir_------------------------------i
100+m~--,~m%~in---------------------~

5~::~~=:!~~~~:::-::::=::=~~~::==~:::~~1
2 3 4 5 6 7 8 9 10 11 12

Rys. 6.5. Kwadraty reszt z obu oszacowa

Na podstawie rysunku jestemy skonni uzna, e wariancje w pierwszej

pie s przecitnie wiksze od wariancji w drugiej grupie. Nasze przypuszcze
potwierdzimy za pomoc testu Goldfelda-Quandta. Sumy kwadratw reszt

152
 odpowiednio: w grupie pierwszej 574,901, a w grupie drugiej 70,815. Tak
(m= 1)

sf = 574,901 = 287,45

wic Fe = 24,355.
Poniewa nI - m - l = 2 oraz nz - m - 1 = 6, wic dla (powiedzmy) poziomu
tnoci a= 0,05 warto krytyczna wynosi (2 stopnie swobody w liczniku i 6
ni swobody w mianowniku)

Fo ,05 = 5,14.

poziomu istotnoci a= 0,01 otrzymamy

FO ,Ol = 10,92.

Jak widzimy, w obu przypadkach hipotez zerow (o braku heteroscedastycz-

. i) naley odrzuci na rzecz hipotezy, e w pocztkowej grupie obserwacji
iancja jest wiksza ni w kocowej grupie obserwacji.

Zadania
W przykadzie 6.6 wykazano, e ssiadujce z sob cztery pierwsze obser-
wacje maj istotnie inne wariancje. Na podstawie danych z tabeli 6.1 prze-
prowadzi analogiczn analiz, weryfikujc tez, e obserwacje l, 3, 4, II
maj istotnie wiksz wariancj.
:. Wykaza, e wnioskowanie w tecie Goldfelda-Quandta nie zaley od jed-
nostek, w jakich mierzone s reszty modelu. W tym celu przyj, e e; = cel
i wykaza, e statystyka Fe nie zmieni swojej wartoci.

Zadania testowe
Rozkad t-Studenta w modelu y = aXI + jJx2 + r+ l; ma zastosowanie do
maej prby w testowaniu hipotez:
n a= jJ, II) o heteroscedastycznoci,
ID) u u6 '
2
= IV) o autokorelacji;
A)
C)
E)

153
 Przy zwykle stosowanych oznaczeniach wska hipotezy HO' ktrych te
wanie moe by zasadne:

6.5. Normalno rozkadu skadnika losowego

W szeregu testw przedstawionych wyej konieczne jest spenienie zaoe

o normalnoci rozkadu skadnika losowego (nie jest to zaoenie wystpuj
w klasycznym standardowym modelu liniowym). Zaoenie to jest szczeg
wane w razie stosowania testw opartych na rozkadzie F ze wzgldu na stos
kowo nisk odporno statystyki F na nie spenienie zaoenia o normalnoci ros-
kadu skadnika losowego. Niej przedstawimy dwa rodzaje testw: dla maej p
by (n:S;; 30) oraz dla duej prby.
Dla maej prby zastosujemy test Hellwiga. Jest to w istocie test zgodnoI

za pomoc ktrego mona zweryfikowa hipotez o dowolnym rozkadzie. Test

opiera si bowiem na wasnoci znanej ze statystyki: jeeli zmienna losowa X
rozkad F, to zmienna losowa F(X) ma rozkad jednostajny.
Dla znanej prby xl' x2' ... , xn z rozkadu F stwierdzimy zatem, e wielko I

F(Xl), F(X2), ... , F(xn) moemy traktowa jako realizacje zmiennej losowej
rozkadzie jednostajnym na odcinku [O, l]. Hipoteza testowana ma u nas posta
HO: reszty maj rozkad normalny

154
 ciwko
Hl: reszty maj inny rozkad.

Procedura w tecie Hellwigajest nastpujca:

l. Dla danego cigu reszt el, e2, ... , en szacujemy odchylenie standardowe
g formuy

2. Przeprowadzamy standaryzacj reszt, obliczajc wielkoci:

3. Po uporzdkowaniu reszt od najmniejszej do najwikszej:

el:n' e2:n' ... , e~:n

.czamy wartoci dystrybuanty rozkadu normalnego dla otrzymanych reszt

F(eI), F(e2)' ..., F(e~). (6.4)

4. Odcinek [O, l] dzielimy na n rwnych czci

Kad z powstaych czci nazywamy cel. Mamy zatem n cel. Nastpnie

iczamy liczb cel, w ktrych nie ma adnej z wartoci (6.4). Liczb t oznaczy-
literK.
5. Z tablic testu Hellwiga dla zadanego poziomu istotnoci a odczytujemy
ci krytyczne KI i K2. Jeeli K < KI lub K> K2, to hipotez zerow naley
ci; jeeli za KI s K ~ K2, to stwierdzamy brak podstaw do odrzucenia
zy zerowej.
Dodajmy, e zaoeniem, ktre powinnimy dodatkowo przyj w tecie
wiga, jest zaoenie o tym, e reszty dobrze przybliaj skadniki losowe.
przypadku bardzo maych prb zaoenie takie nie musi by spenione.
Rozpatrzymy powyszy test na przykadzie.
Przykad 6.7. Zamy, e analizujc pewien model liniowy, otrzymalimy
pujce reszty (n = 10):
57; 0,336; -1,05; -1,983; 0,565; -0,227; 1,489; 1,873; -1,494; 0,234.
~!lc:z:amy ocen wariancji:

l = 1,359653

155
oraz
s = 1,166042.
Obliczamy reszty zestandaryzowane orazje porzdkujemy. Obliczenia zamiesz za-
my w tab. 6.2.

Tabela 6.2
Obliczenia do przykadu 6.7

Reszty zestandaryzowane Reszty uporzdkowane Warto dystrybuanty <P(e;)

0,220 -1,701 0,0445
0,288 -1,281 0,1001
-0,900 -0,900 0,1839
-1,701 -0,195 0,4228
0,485 0,201 0,5795
-0,195 0,220 0,5872
1,277 0,288 0,6134
1,606 0,485 0,6860
-1,281 1,277 0,8992
0,201 1,606 0,9459

W naszym przykadzie odcinek [O, 1] dzielimy na nastpujce czci:

[O;O,l)u [0,1;0,2)u ... u [0,9;1].

Z zestawienia wartoci dystrybuanty <P(en widzimy, e cele puste to

[0,2; 0,3), [0,3; 0,4) oraz [0,7;-0,8), zatem K=3. Dla poziomu istotnoci a=O,
wartoci krytyczne wynosz
KI = 1 oraz K2 = 5,
zatem
1 <K<5,
czyli brakuje podstaw do odrzucenia hipotezy zerowej.
Zaprezentowany wyej test ma dwustronny obszar krytyczny. Oznacza to
HO odrzucimy zarwno wtedy, gdy rozmieszczenie wartoci <P(en bdzie bar
rwnomierne (ze wzgldu na mae prawdopodobiestwo takich zdarze), jak i
dy, gdy rozmieszczenie jest skrajnie nierwnomierne (pozostawiajc zbyt d
liczb cel pustych). Istnieje rwnie wariant testu Hellwiga (jednostronny), n
zujcy odrzucenie Ho jedynie wwczas, gdy liczba cel pustych jest zbyt d
Wwczas mamy jedn warto krytyczn K* i hipotez zerow odrzucimy, j
K> K*. Warto K* naley wwczas odczyta z tablic jednostronnego t
Hellwiga. W naszym przypadku, przy poziomie istotnoci a= 0,05, K* = l,
prowadzi do takiej samej konkluzji jak w przypadku testu dwustronnego.

156
 Przedstawiony wyej test stosujemy, jak wspomnielimy wczeniej, dla prb
'ch (n ~ 30). Dodajmy jednak, e jest moliwe zastosowanie tego testu dla
duych. Wwczas mona skorzysta z tego, e dla duych n zmienna losowa
(asymptotyczni e) rozkad Poissona z parametrem A = n/e.
Dla prb duych stosuje si jednak zwykle test A lub test Kohnogorowa .
.wimy drugi z tych testw. Przy testowaniu normalnoci rozkadu reszt hipote-
zerowa ma posta
HO: Et - N(O, s), (t= 1, ..., n),
s jest odchyleniem standardowym otrzymanym z prby. Statystyka testowa
tutaj posta

D; = supIFn(x) - Fo(x)l,
x

FO(x) jest dystrybuant rozkadu N(O, s), a Fn(x) jest dystrybuant empi-
obliczon na podstawie prby. Test ten przedstawimy na przykadzie.
Statystyka ..JiiDn ma rozkad Komogorowa-Smimowa przy prawdziwoci
Ho odrzucimy, jeli ..JnDn ~ Ao, gdzie AO jest wartoci krytyczn,
Przykad 6.8. Zamy, e w modelu ekonometrycznym otrzymalimy 32
=32) reszty przedstawione w tab. 6.3 (po uporzdkowaniu). W tabeli tej zapre-
alimy rwnie wartoci dystrybuanty empirycznej (Fo( et) jest dystrybuan-
adu normalnego N(O, s), gdzie liczba s= 1,11686377 zostaa obliczona
tawie prby za pomoc takiego samego wzoru jak dla testu Hellwiga) .
.ej kolumnie zamiecilimy rnice

. podstawie stwierdzamy, e

supIFn(et) - F(et)1 = 0,0752,

x

..JnDn = m 0,0752 = 0,4256.

K.lblllC rozkadu Komogorowa-Smirnowa stwierdzamy, e

lim p(FnDn ~0,4256)=0,006.

n~C1J

Przy wszelkich standardowych poziomach istotnoci (np. a=0,1; 0,05; 0,01)

Y uzna, e warto 0,4256 jest dostatecznie maa, co oznacza brak podstaw
cenia Ho.

157
 Tabela 6.3
Obliczone reszty do przykadu 6.8

Uporzdkowane Dystrybuanta
Lp.
reszty emoirvczna F(et) Rnice

l -2,943 0,03125 0,0042 0,0270

2 -2,025 0,0625 0,0349 0,0276
3 -1,860 0,09375 0,0479 0,0458
4 -0,994 0,125 0,1867 0,0617
5 -0,951 0,15625 0,1972 0,0410
6 -0,923 0,1875 0,2043 0,0168
7 -0,885 0,21875 0,2141 0,0047
8 -0,562 0,25 0,3074 0,0574
9 -0,559 0,28125 0,3084 0,0271
10 -0,512 0,3125 0,3233 0,0108
11 -0,324 0,34375 0,3859 0,0421
12 -0,295 0,375 0,3958 0,0208
13 -0,222 0,40625 0,4212 0,0150
14 -0,189 0,4375 0,4328 0,0047
15 -0,153 0,46875 0,4455 0,0232
16 -0,143 0,5 0,4491 0,0509
17 -0,059 0,53125 0,4789 0,0523
18 0,124 0,5625 0,5442 0,0183
19 0,200 0,59375 0,5711 0,0227
20 0,260 0,625 0,5920 0,0330
21 0,418 0,65625 0,6459 0,0104
22 0,491 0,6875 0,6699 0,0176
23 0,588 0,71875 0,7007 0,0180
24 0,790 0,75 0,7603 0,0103
25 0,832 0,78125 0,7718 0,0094
26 1,044 0,8125 0,8250 0,0125
27 1,055 0,84375 0,8276 0,0162
28 1,088 0,875 0,8350 0,0400
29 1,134 0,90625 0,8450 0,0612
30 1,258 0,9375 0,8700 0,0675
31 1,391 0,96875 0,8935 0,0752
32 2,926 l 0,9956 0,0044

W tecie Kohnogorowa HO odrzucamy, gdy J;;Dn ~

Ao, gdzie Ao jest w
toci krytyczn odczytan z tablic rozkadu Kohnogorowa-Smimowa.

Zadania
6.16. Udowodni, e jeeli zmienna losowa X ma dystrybuant F, to zmienna lo
wa F(X) ma rozkad jednostajny przy zaoeniu, e
a) istnieje funkcja odwrotna F-I, b) funkcja F nie jest rnowartociow
6.17. Omwi zwizek zadania 6.16 z testem Hellwiga.

158
 6.6. Badanie losowoci

Testowanie losowoci ma zwizek przede wszystkim z wyborem postaci ana-

~ modelu. Zgodnie z zaoeniami standardowego modelu liniowego zmien-
.-.,.," iniana jest liniow funkcj zmiennych objaniajcych plus losowa korekta .
lI7\'nadku, gdy wspomniane korekty maj przez duszy okres jednakowe zna-
".aJ.oI!:uaprzypuszcza, e zosta popeniony bd specyfikacji, polegajcy na nie-
m wyborze postaci analitycznej modelu lub nietrafnym wyborze zmiennych
. jcych.
oniej zaprezentujemy dwa testy suce do badania losowoci. Pierwszy
bdzie stosowany dla prb maych (n:$; 30), drugi za znajdzie zastosowanie
bach duych. Dla maych prb przy weryfikacji hipotezy
Ho: Ct losowy

H( Ct nielosowy
-_IDy si testem serii. Procedura jest tutaj nastpujca.

159
 Dla danego cigu reszt eJ, e2, ... , en przyporzdkowujemy wartociom d
nim symbol A (et> O), wartociom ujemnym za symbol B (el < O). Wart :

et = praktycznie nigdy nie wystpuj. Jeli jednak zdarzy si taka sytuacja
naley zwikszy dokadno oblicze (lub dokadno odczytu, np. w ar -
kalkulacyjnym Excela). Jeli nie jest to moliwe (cho teoretycznie nie ma do
adnego powodu), naley umownie, wedug pewnej zasady, niektrym res
zerowym przypisa znak dodatni, pozostaym - ujemny. W ostatecznoci re
takie mona zignorowa (zmniejsza si wwczas take wielko prby) - ale'
to najgorsze rozwizanie.
Przez seri rozumiemy cig jednakowych symboli, np. AAA lub BB
Nastpnie obliczamy empiryczn liczb serii Ke' W przypadku, gdy korzys
z testu dwustronnego, z tablic liczby serii odczytujemy wartoci krytyczne KI i
(przy zadanym poziomie istotnoci a). Jeeli

KI s s, ~K2'
to stwierdzamy, e brakuje podstaw do odrzucenia hipotezy zerowej. J
Ke < Kl (zbyt maa zaobserwowana liczba serii) lub Ke > K2 (zbyt dua zao
wowana liczba serii), to hipotez o losowoci odrzucamy.
W przypadku testu jednostronnego podstaw do odrzucenia hipotezy zero
jest stwierdzenie zbyt maej liczby serii. HO odrzuca si, jeeli K, < K* (gdzie
jest wartoci krytyczn odczytan z tablic jednostronnych lub te z tablic t
dwustronnego, ale dla poziomu istotnoci 2a). Powyszy test zaprezentujemy
przykadzie.
Przykad 6.9. Zamy, e zaobserwowalimy nastpujcy cig reszt (taki -
w przykadzie 6.7):
0,257; 0,336; -1,05; -1,983; 0,565; -0,227; 1,489; 1,873; -1,494; 0,23 _
Stosujc symbole A i B, otrzymujemy AABBABAABA. Zaobserwowalimy
Ke = 7 serii. Niech nI oznacza liczb symboli A, a n2 liczb symboli B. M
wic nI = 6, n2 = 4. Zamy, e poziom istotnoci a= 0,05 i stosujemy test
stronny. Wwczas odczytujemy z tablic KI = 2 oraz K2 = 8. Ponie
KI < Ke < K2, zatem brakuje podstaw do odrzucenia hipotezy zerowej. Ode
mona dokona rwnie z tablic testu jednostronnego, ale dla a = 0,025 i
W razie stosowania testu jednostronnego HO odrzucimy tylko w przyp

gdy Ke < K*. Liczb K* odczytujemy z tablic testu liczby serii. W naszym
"padku K* = 3 (tablice na kocu ksiki), zatem rwnie stwierdzamy brak
staw do odrzucenia hipotezy zerowej.
Przejdziemy teraz do omwienia testu na losowo w przypadku duej p
Podstaw teoretyczn do konstrukcji odpowiedniego testu bdzie twierdzenie

160
--':~CL Wprowadzilimy nastpujce oznaczenia. Niech Nn oznacza liczb serii
oci r w n dowiadczeniach. Mona wykaza, e przy n ~ 00 ( dua prba)

(6.5)

a = ~22r+2 _ (2r + 1)2r+1 - 2.

Wzr (6.5) oznacza, e przy zaoeniu, i rozkad skadnika losowego jest

. i symetryczny, prawdopodobiestwo zaobserwowania przynajmniej jednej
o dugoci r jest szacowane za pomoc dystrybuanty rozkadu normalnego.
za to, e stosujc test dugoci serii, naley obliczy dugo najduszej
. i hipotez o losowoci odrzuci, jeeli P(Nn ~ l) bdzie zbyt mae, tzn.
:jsze od poziomu istotnoci ustalonego z gry. Rozwaania powysze przed-
wy na przykadzie.
Przykad 6.10. Zamy, e mamy do czynienia z cigiem reszt z przykadu
rzed uporzdkowaniem). atwo zauway, e maksymalna ..sri~_u nas ma.
r= 6 (obserwacje od 21 do 26). Tak wic w naszym przypadku

6
u= 1-0,5 =126
05, 7

.ic, aby oszacowa prawdopodobiestwo, e pojawi si seria o dugoci 6,

ry obliczy prawdopodobiestwo

1- cP[(
1 32
126
)1263/2 ]
= 0,0621.
121,3178 .J32

161
 Jeeli zatem poziom istotnoci wynosi 0,05, to stwierdzamy brak podsta
odrzucenia hipotezy o losowoci. W przypadku, gdy a= 0,1, hipotez o loso
naley odrzuci. Seria o dugoci 6 nie powinna pojawi si w cigu 32 s
Dodajmy, e jeli zastosuje si rozkad dokadny najduszej serii (tablice na
cu ksiki), to seria o dugoci 6 moe si pojawi z prawdopodobiestwem
kraczajcym 0,05; tak wic przy istotnoci a = 0,05 brakuje podstaw do odlrz.a.
nia hipotezy o losowoci.

6.7. Obserwacje nietypowe i wpywowe

W danych wykorzystywanych do budowy modelu ekonometrycznego

wystpuj obserwacje, odrniajce si pewnymi cechami od pozostaych.
nia si dwa rodzaje takich obserwacji: nietypowe (ang. outliers) i wp
(influential observations). Kryterium wyrniajcym te obserwacje s sku
oddziaywania na model ekonometryczny.
Obserwacja nietypowa charakteryzuje si du reszt, czyli rnic
wartoci rzeczywist zmiennej objanianej a wartoci teoretyczn tej zmi
wynikajc z modelu ekonometrycznego.
Przykad 6.11. Wykres korelacyjny dla danych zawartych w tab. 6.4
stawiono na rys. 6.6. Liniowy model ekonometryczny z jedn zmienn obj , -
c y = ax +b po oszacowaniu klasyczn metod najmniej szych kwadratw
stawia si nastpujco:y = -0,0966x + 1,9722. Dla obserwacji 12, oznaczo
wykresie symbolem 0, otrzymamy du reszt ( el2 = 2,92 ) w stosunku do re
pozostaych obserwacji (druga z kolei co do wartoci bezwzgldnej reszta
-0,49). Po wyeliminowaniu z danych obserwacji nietypowej model nieznaczni
zmieni: y = -0,2187 x + 2,1617, ale zdecydowanie poprawio si dopaso
modelu, co jest cech charakterystyczn obserwacji nietypowych. Wspczy
determinacji wzrs z poziomu 0,022 do 0,885.

162
 Tabela 6.4
Dane do przykadu 6. II
D
i Xi v,
1 1 2
2 1,3 1,9

, 3
4
5
6
1,8
2
2,2
2,8
1,8
1,75
1,4
1,6
7 3 1,5
8 3,3 1,6
I I I I
x 9 3,4 1,4
o 2 3 4 5 6 10 3,8 1,3
11 4 1,25
Rys. 6.6. Przykad obserwacji nietypowej 12 4,1 4,5
13 4,2 1,2
Obserwacj uwaa si za wpywow, jeli w wyni- 14 4,6 1,3
15 4,8 1,1
ieznacznej zmiany jej wartoci (przesuwania jej) lub
16 5 1
icia z danych znacznie zmieniaj si oszacowane
etry modelu. Wartoci reszt obserwacji wpywo-
nie s due.
Przykad 6.12. Wykres korelacyjny dla danych zawartych w tab. 6.5 przed-
- no na rys. 6.7. Model oszacowany dla wszystkich obserwacji (oznaczony na
6.7 lini cig) jest nastpujcy:
y = -O,046x + 2,232. (6.6)

Tabela 6.5
,, Dane do przykadu 6.12
~

~,

, i
1
Xi

0,6
v,
0,6

.'
, .'
2 0,7 1
3 0,8 1,5

,. D
4 1 1,8

,
I I I I
5
6
1,1
1,2
2
2,5
7 1,3 3
O 2 3 4 5 x 8 1,4 2,9
9 1,6 3,5
Rys. 6.7. Przykad obserwacji wpywowej 10 1,8 4
11 5 l

Gdy usuniemy z danych obserwacj 11, oznaczon na wykresie symbolem D,

oszacowany rwnie metod najmniej szych kwadratw (oznaczony na rys .
. przerywan), zmienia radykalnie swoje pooenie i jest nastpujcy:

163
 y = 2,784x - 0,92 l.

Istotn przyczyn stosowania diagnostyki modelu ekonometrycznego

ktem wykrywania obserwacji wpywowych jest to, e nie wszystkie obserw
odgrywajjednakowrol w okrelaniu wartoci ocen parametrw. Mog by
okrelone przez kilka obserwacji, a pozostae obserwacje mog by bardzo
istotne. Czsto wanie obserwacje wpywowe decyduj o oszacowaniu modelu.
W analizie modelu ekonometrycznego diagnostyka obserwacji wpywowj
dostarcza istotnych informacji o:
- wiarygodnoci wnioskw, ktre mona wycign na podstawie oszaco
nej linii regresji,
- celowoci dalszego wnioskowania na podstawie ocen parametrw ch
ryzujcych si du niestabilnoci przy usuwaniu z prby pojedynczych o
wacji,
- wystpowaniu obserwacji wpywowych, znacznie odlegych od po
ych, co daje podstaw do okrelenia przedziaw wartoci zmiennych obja
cych modelu, dla ktrych nie naley uoglnia wnioskw pyncych z modelu.
Najprostszym sposobem wykrywania obserwacji wpywowych jest an
wykresu rozrzutu obserwacji. Niestety moe ona by stosowana efektvws
wtedy, gdy w modelu wystpuje tylko jedna zmienna objaniajca. W przyp
modelu z wieloma zmiennymi objaniajcymi stosuje si wprawdzie wykresy
wszystkich zmiennych wystpujcych w modelu, jednak liczba wykresw r .
bardzo szybko przy wzrocie liczby zmiennych (przy m zmiennych bdzie do

nie (;) = m(~-l) wykresw). Analiza takich wykresw nie daje pewnoci

krycia wszystkich obserwacji wpywowych, moe bowiem wystpowa o

wacja wpywowa, widoczna dopiero w przestrzeni trjwymiarowej lub w jes
wikszym wymiarze.
Prostym sposobem wykrywania obserwacji wpywowych jest an
poszczeglnych zmiennych wystpujcych w modelu pod ktem wystpow
obserwacji znacznie odbiegajcych od pozostaych. Mona atwo stwierdzi,
istniej obserwacje nie typowe ze wzgldu na kad ze zmiennych oddzie
wystpujcych w modelu (np. za pomoc przedziau trzysigmowego). Jednak to.
obserwacja jest nietypowa dla ktrej ze zmiennych, nie implikuje tego, e jest
wpywowa w modelu ekonometrycznym.
Przykad 6.13. Taka sytuacja zostaa pokazana na rys. 6.8 (dane do przy
du zamieszczone s w tab. 6.6). Obserwacja oznaczona na wykresie symbolem
jest nietypowa ze wzgldu na obie zmienne X i Y. Nie jest to jednak obserw
nietypowa ani wpywowa w modelu ekonometrycznym.

164
 Tabela 6.6
D Dane do przykadu 6.13

Y'H i

1
.xj

1
Yj
1
6 2 2 2
5 3 2,2 2,3
4 4 3 3
5 3,6 3,3
3
6 3,9 4,1
2
7 4 4
l

0+-----11----+---+----+-------j----1.x
8
9
4,1
4,8
4,3
4,7
O 2 4 6 8 10 12 10 5 5
11 10 10
Rys. 6.8. Przykad obserwacji nietypowej
dla poszczeglnych zmiennych

Sytuacja odwrotna jest rwnie moliwa. To, e nie ma obserwacji nietypo-

ch ze wzgldu na kad zmienn osobno, nie oznacza, e nie ma obserwacji
wpywowych w modelu ekonometrycznym.
Przykad 6.14. Ilustracj tego przykadu jest rys. 6.9 (dane zawarte s w tab .
.7). Obserwacja oznaczona na wykresie symbolem D nie jest nietypowa ze wzgl-
na kad zmienn z osobna. Jest jednak obserwacj wpywow w modelu eko-
metrycznym.
Tabela 6.7
y 4,5 Dane do przykadu 6.14
4 D
3,5 i
l
.xj

0,8
v,
4,2
3
2 l 4
2,5
2 3 1,5 3,6
1,5 4 2 3
l
0,5
5
6
2,2
2,8
2,8
2,3
O .x 7 3 2
O 2 3 4 5 8 3,6 1,6
9 4 l
10 4 4
Rys. 6.9. Przykad obserwacji wpywowej
11 4,2 0,8

Innym sposobem wykrywania obserwacji wpywowych moe by zastosowa-

metod klasyfikacji wielowymiarowej (na przykad taksonomii wrocawskiej,
wianej w rozdz. 10). Przydziel one do osobnych klas obserwacje wpywowe.
tody klasyfikacji wielowymiarowej maj jednak t waciwo, e mog wy-

165
dziela w oddzielne klasy obserwacje, ktre nie s wpywowe w modelu eko -
metrycznym, metody te wyodrbniaj bowiem obserwacje ze wzgldu na ro
wielowymiarowy. Przykad takiej sytuacji jest zilustrowany na rys. 6.8. Obserw
cja oznaczona symbolem D jest obserwacj typow w modelu ekonometryczny
Przez metody klasyfikacji wielowymiarowej moe jednak zosta wydzielona
oddzielnej klasy z powodu znacznego oddalenia od pozostaych obserwacji.
Podstawowym narzdziem stosowanym do wykrywania obserwacji wpyw
wych jest macierz rzutowania (ang. hal matrix). Macierz rzutowania (wektora.
na podprzestrze rozpit na kolumnach macierzy X) jest okrelona w nastpuj
sposb:

gdzie:

r1-
hhln . .
macierz rzutowania .

... hm
Poniewa

zatem
y=Hy
lub inaczej
n
y= 'LhyYj
j=l

Z wzoru (6.8) wida, e macierz rzutowania zaley tylko od wartoci

pujcych w macierzy obserwacji zmiennych objaniajcych X.
Elementy diagonalne ~i == ~ (i= 1, 2, ..., n) tej macierzy odgrywaj w
rol w diagnostyce obserwacji wpywowych. Wielko i-tego elementu gw
przektnej macierzy rzutowania (czyli ~) okrela bowiem wpyw i-tej ob serw
na oceny parametrw modelu.
W celu zilustrowania roli elementw diagonalnych macierzy rzutowania
estymacj zauwamy, korzystajc z (6.11), e jeli dodamy przyrost L1Yi do
przy zaoeniu, e wszystkie inne skadowe wektora y si nie zmieni, czyli

166
 Yl o
Y-1 o
v, + Lly , (6.12)
Yi+1 O

Yn O

przyrost wartoci teoretycznej zmiennej objanianej dla i-tej obserwacji wynosi

(6.13)

'li jest wprost proporcjonalny do odpowiedniego elementu z gwnej przektnej

ierzyH.
Aby przyjrze si lepiej wpywowi danej obserwacji na estymacj, usuniemy
'iowo z danych i-t obserwacj. Oznaczmy odpowiednio:

X12 X1k Xl

1 Xi-l, 2 Xi-l, k
X(z) = = ~-1 - macierz obserwacji zmiennych obja-
1 xi+l, 2 Xi+l, 2 ~+1 niajcych bez i-tej obserwacji,

xn2 xnk
xn

a(i) - wektor ocen parametrw modelu oszacowanego dla danych bez i-tej
rwacji.
Wykorzystujc formu usuwania kolumn, mona napisa:

(6.14)

Korzystajc z powyszego wzoru moemy pokaza, jak zmienia si wektor

n parametrw a pod wpywem usunicia z danych i-tej obserwacji (oczywicie,
: ~ = l ):
T )-1 Tl e.
a(i)=a-XX( xi- -, (6.15)
1-~

e ej jest i-t reszt otrzyman metod najmniej szych kwadratw dla wszyst-
h obserwacji (take z i-t obserwacj).
Analogicznie mona uzyska wzory na rnic midzy wartociami teore-
_ znymi zmiennej objanianej przed usuniciem i po usuniciu i-tej obserwacji:

167
 Xa() = y- X( X T X r 1xi ~,
1-~

~
x.(xTx)-\!
I I ~
h.
"i
Xia() = Y; - 1-~ ei = Yi - 1-~ ei'

Wzr (6.15) mwi, e usunita obserwacja (Yi' xi) zmienia warto

-I
estymatora a o wektor proporcjonalny do (X T X) xi. Wspczynnikiem pro

cjonalnocijest wyraenie 1~\ . Pozostae dwa wzory (6.16) i (6.17) wyraaj

sam zaleno. Z ostatniego wzoru mona wycign jednoczenie wniosek,

do okrelenia wpywu i-tej obserwacj i na warto teoretyczn wystarczy y;
reszt ei i element diagonalny hi odpowiadajcy tej obserwacji.
Poniewa macierz rzutowania jest macierz symetryczn i idempoten
wic elementy z gwnej przektnej ~ (gdzie i = l, 2, ..., n) przyjmuj wart
z przedziau [O, l]. Z innych wasnoci macierzy rzutowania (zob. niej) t rozpi

to mona ograniczy do przedziau [*, l]. Im blisze jednoci s wartoci

tym wiksze mog by zmiany w estymacji, nawet gdy odpowiednia reszta ei

maa. Tak wic usunicie obserwacji, dla ktrej ~ jest due, moe znacznie
ni rezultaty estymacji metod najmniej szych kwadratw.
Elementy diagonalne macierzy rzutowania mog by take interpretow
jako odlegoci midzy i-t obserwacj Xi zmiennych objaniajcych a wekto
rednich x dla tych zmiennych. Rozpatrzmy przykad modelu z jedn zmie
objaniajc. Wtedy elementy diagonalne macierzy rzutowania przyjmuj warto'

~ =1+ (Xi -xl

n "'2)xj-x)2
j=1

Wzr ten okrela w specyficzny sposb odlego midzy X; a X. Zalen

kwadratw odlegoci Mahalanobisa od elementw diagonalnych macierzy
waniajest nastpujca:

gdzie MD; jest kwadratem odlegoci Mahalanobisa.

168
 Ze wzoru (6.18) wida, e elementy gwnej przektnej macierzy H informu-
'ak bardzo dana obserwacja rni si od redniej.
ajmniejsz warto rwn .1 warto diagonalna hi moe przyj, gdy i-ta
n
"'~wacja jest rwna redniej. Wielkoci ~ bliskie jednoci mog wystpi
gdy dana obserwacja jest bardzo oddalona od redniej i jednoczenie od
ystkich innych obserwacji. Wida zatem, i wartoci diagonalne macierzy
owania s szczeglnie czue na pojedyncze obserwacje wpywowe. Wartoci
nie bdju tak due w razie wystpienia dwch lub wicej takich obserwacji.
Przykad 6.15. Wasno t przedstawiono na rys. 6.10. W: przykadzie tym
szesnacie obserwacji, z ktrych dwie: pierwsza i ostatnia (szesnasta), s
~U'r'wacjami wpywowymi (obserwacje uporzdkowano wedug rosncej wartoci
_lIeIllllej objaniajcej - zob. tab. 6.8). Odpowiednie wartoci diagonalne macie-
rzutowania dla tych obserwacji wynosz: '9. = 0,485 i '9.6 = 0,485. Gdy jednak
trywano zbir obserwacji tylko z jedn obserwacj wpywow, uzyskano
nie wiksze wartoci diagonalne macierzy rzutowania ht = 0,736 (gdy usu-
ze zbioru obserwacji ostatni obserwacj) i ht6 = 0,736 (dla zbioru obserwa-
z pierwszej z nich).
Tabela 6.8
Dane do przykadu 6.15

D i Xi v,
l 1,7 4,8

D


2
3
6,8
7
3
4

4 7,1 4,7

5 7,3 5,5
6 7,8 3,5
7 8 4,1
8 8,2 5,8
9 8,7 6,8
--+---+1 --+----+---j--I---+------1 x
10 8,8 3,9
o 2 4 6 8 10 12 14 16 11 9 5,8
12 9,2 4,8
Rys. 6.10. Przykad dwch obserwacji wpywowych 13 9,3 7,3
14 10,1 6
15 10,3 7
16 15, l 7,1

W zwizku z t wasnoci postpowanie przy wykrywaniu obserwacji wpy-

'Ch za pomoc macierzy rzutowania powinno by przeprowadzone" wedug
"anatu zobrazowanego na rys. 6.11. Najtrudniejszym elementem tego postpo-

169
wania jest okrelenie krytycznego poziomu ~, ktry informuje o tym, e [:
obserwacja jest wpywowa. Proponuje si rne zasady okrelania wartoci kry-
tycznej h* . Poniewa przecitna warto ~ wynosi m (gdy mamy m zmienny
n
objaniajcych w modelu przy n obserwacjach), proponuje si poziom krytyczny
h* rwny 2 m lub trzem przecitnym wartociom (3 m). Mona te podzie .
n n
moliwy przedzia wartoci ~ na trzy czci i przyj:

~ E [*, 0,2] jako bezpieczne,

~ E (0,2, 0,5] jako ryzykowne,

~ E (0,5, 1] jako niedopuszczalne.

Ustalenie wartoci krytycznej h'

Szacowanie modelu

Analiza elementw diagonalnych macierzy rzutowania

TAK Usuwanie i-tej obserwacji

o najwikszym hi

Rys. 6.11. Schemat wykrywania obserwacji wpywowych

170
 Jeli przyjmie warto 1, to Yi jest rwne Yi i w konsekwencji reszta jest
.wna zeru (e, = O). Innymi sowy, jeli = l, to oszacowana linia regresji prze-
odzi przez i-t obserwacj. Kiedy wic jest due, bliskie jednoci, wtedy i-ta
szta jest niemal rwna zeru. Chocia wic i-ta reszta otrzymana podczas estyma-
'i metod najmniej szych kwadratw jest bliska zeru, nie mona jednoznacznie
ierdzi, czy ta obserwacja jest wpywowa. Jednoczenie jeli = l, to po
yeliminowaniu i-tej obserwacji ze zbioru obserwacji nie jest moliwe w ogle
zacowanie modelu za pomoc metody najmniej szych kwadratw (macierz Xjest
'tedy osobliwa).

Zadania
.18. Badano nastpujcy model konsumpcji Polski w latach 1961-1985:
y=al +a2x2 +a3x3' (6.20)
gdzie: y - konsumpcja z dochodw osobistych ludnoci,
Xi - dochody ludnoci,
~ - przyrost bezwzgldny dochodw ludnoci w roku biecym
w stosunku do roku poprzedniego.
Dane do zadania s zamieszczone w tab. 6.8. Sporzdzi wykresy korelacyj-
ne midzy wszystkimi zmiennymi i wypowiedzie si na temat roku, ktry
zdecydowanie odbiega od pozostaych. Oszacowa model (6.20) oraz obli-
czy reszty i macierz rzutowania i wypowiedzie si, ktry rok zdecydowa-
nie odbiega od pozostaych i czy jest to rok wpywowy, czy nietypowy.

Tabela 6.9
Dane do zadania 6.18

Rok y X2 x) Rok y X2 x)

1961 1276,55 1433,80 74,11 1974 2633,85 3183,18 210,84

1962 1319,05 1477,09 43,29 1975 2938,42 3501,49 318,31
1963 1380,55 1549,57 72,48 1976 3193,14 3735,95 234,46
1964 1441,07 1624,51 74,94 1977 3402,53 3971,41 235,46
1965 1525,16 1723,13 98,62 1978 3435,39 4023,10 51,69
1966 1614,45 1846,88 123,75 1979 3547,04 4147,16 124,06
1967 1692,87 1930,76 83,88 1980 3651,20 4275,89 128,73
1968 1799,50 2047,53 116,77 1981 3503,70 4455,30 179,41
1969 1878,27 2134,40 86,87 1982 2989,50 3684,80 770,50
1970 1952,49 2197,55 63,15 1983 3176,00 3734,90 50,10
1971 2089,44 2402,67 205,12 1984 3295,10 3837,80 102,90
1972 2273,32 2694,10 291,43 1985 3361,00 4031,23 193,43
1973 2467,15 2972,34 278,24
rdo: [15].

171
6.19. Dla danych z przykadw 6.10-6.13 obliczy reszty oraz elementy z gwnej
przektnej macierzy rzutowania i na tej podstawie wypowiedzie si na
temat Wystpowania obserwacji wpywowych i nietypowych.

Zadania testowe
Do metod wykrywania obserwacji nietypowych i wpywowych w modelu
ekonometrycznym zalicza si:
I) przedzia trzysigmowy, II) analiz reszt,
ITI)klas fikacj wielowymiarow, IV) macierz rzutowania; .
 7. SZACOWANIE PARAMETRW MODELU
LINIOWEGO UOGLNION METOD
NAJMNIEJSZYCH KWADRATW

7.1. Wprowadzenie

Jedno z zaoe metody najmniej szych kwadratw wymaga, by macierz wa-

ji i kowariancji skadnikw losowych bya macierz skalarn:

a2 O O
O a2 O
E(EE T) = a2I= ,a 2 <00,

2
O O a
. :I - macierz jednostkowa stopnia n,
a 2 - nieznany
. parametr do datru..
Skadnik losowy okrela si wwczas mianem sferycznego. Powysze zaoe-
omacza, e:
1) skadniki losowe s homoscedastyczne, czyli maj jednakow wariancj
szystkich obserwacji:

V(l) = a2 dla i= 1, 2, ... , n,

2) nie wystpuje autokorelacja, czyli skorelowanie skadnikw losowych

'. ych okresw:

Covte., c) = O dla i =F- j .

iespenienie powyszych zaoe powoduje, e estymator metody najmniej-

h kwadratw traci efektywno, cho pozostaje nieobciony i zgodny.

7.2. Uoglniona metoda naj mniej szych kwadratw

Uoglnion metod najmniej szych kwadratw (UMNK.) stosuje si do esty-

ji parametrw strukturalnych modelu liniowego y = XI3 + E W razie braku sfe-
oci skadnika losowego i utrzymanych pozostaych zaoeniach standardo-
o modelu liniowego. Macierz wariancji i kowariancji skadnikw losowych
wwczas nieskalarna:

173
gdzie: (J
2 - nieznany
. parametr do datm,.
V - macierz o znanych elementach, symetryczna, stopnia n, dodatnio o
lona, o ladzie rwnym n.l
Poniewa macierz V jest symetryczna i dodatnio okrelona, takie same w
noci posiada macierz do niej odwrotna V-l. Istnieje wic macierz P speniaj
relacj:

Po lewostronnym przemnoeniu przez macierz P rwnania y = XB + E

SI:
Py = PXB+PE.
Nowy wektor skadnikw losowych PE ma zerow warto oczekiwan i
lam macierz wariancji i kowariancji (J2I. Stosujc do tak przeksztaconego r
nania kryterium najmniej szych kwadratw, otrzymuje si estymator UMNK po
CI:

o macierzy wariancji i kowariancji rwnej:

Estymator UMNK jest estymatorem:

a) liniowym wzgldem y,
b) nieobcionym,
c) zgodnym,
d) naj efektywniej szym w klasie estymatorw liniowych, zgodnie z twier
niem Aitkena:
Estymator UMNK jest najlepszym nieobcionym estymatorem linio
wzgldem y. Kady innyestymator liniowy i nieobciony ma macierz wari
i kowariancji wiksz o macierz okrelon nieujemnie.
Nieobcionyrn i zgodnym estymatorem parametru (J2 jest:

2
l Macierz V mona "unormowa" tak, by trV = n, mnoc IJ

cierz V przez l/c.

174
 2 eTy-l e
Se = n- K '
'e: K -liczba szacowanych parametrw,
e - wektor reszt uzyskany z modelu oszacowanego UMNK.
Macierz wariancji i kowariancji estymatora UMNK szacuje si wedug wzo-

7.3. Heteroscedastyczno skJadnikw losowych.

Waona metoda najmniejszych kwadratw

Heteroscedastyczno oznacza niejednorodno wariancj i - skadniki losowe

wiadajce rnym obserwacjom maj rn wariancj. Macierz wariancji i
.ancj i jest zatem macierz diagonaln, lecz nieskalarn:
2
a} O O O

E(EE T)=
O
2
0'2 O
=0'
2
y=a
2 lVIO~ V2 O]
O

O O an
2 O ... v~

ierz odwrotna do macierzy Y jest postaci:

1
O O
v}

y-l = O O
v2

1
O O
vn

1
Tv; O O

l
T O O
p=p =
~
1
O O
Tv::
175
 Dokonanie transformacji modelu do postaci Py = PX/3 + PE polega na
niu poszczeglnych obserwacji za pomoc diagonalnych elementw macie _
i-ta obserwacja na wszystkich zmiennych zostaje przemnoona przez wie
}v; . Po przeksztaceniu otrzymuje si nowe obserwacje, dla ktrych mona

sowa klasyczn metod naj mniej szych kwadratw. Ze wzgldu na uprzedni

enie obserwacji przedstawion metod nazywa si waon metod najmniej
kwadratw.
Opisane postpowanie jest rwnorzdne z waeniem obserwacji w
odwrotnie proporcjonalny do odchyle standardowych odpowiednich ska
losowych. Macierz V mona przedstawi jako:
2
al
O O
2
a
2
a2
V=
O O
2
a

2
an
O O
2
a
Std:
2
a
2 O O
al
2
a
O O
V-l = 2
cr.2

2
O O a
2
an
Zatem:
a
- O O
al
-a
O O
p=pT = ":2

O O
a
an

176
Transformacja za pomoc macierzy P prowadzi do waenia i-tej obserwacji
zystkich zmiennych za pomoc czynnika _1_.
ai
Do estymacji parametrw strukturalnych modelu z heteroscedastycznymi
ikami losowymi niezbdna jest znajomo n diagonalnych elementw ma-
2
.y (lub a y). Poniewa oszacowanie n + K parametrw na podstawie n-el e-
wej prby jest niemoliwe, wprowadza si modele opisujce ksztatowanie
'ariancji skadnikw losowych, np. (zob. [9]):
2 2 ,
a ) ai =a Xy, wowczas vi = Xy ,
2 2 2, 2
b) ai =a Xy, wowczas vi = Xi} ,
2 2 ~2, ~2
) a, = a Yi , wowczas Vi = Yi '
2 2 2, 2
d) ai =a ej ,wowczas vi =
ei '
: Xy - i-ta obserwacja na wybranejj-tej zmiennej objaniajcej,
Yi - i-ta warto teoretyczna zmiennej objanianej, otrzymana z modelu
oszacowanego metod klasyczn,
ej - i-ta reszta otrzymana z modelu oszacowanego metod klasyczn.
'b okrelenia elementw Vi zaley od charakteru heteroscedastycznoci.

7.4. Autokorelacja skadnikw losowych.

Proces autoregresji pierwszego rzdu

Autokorelacja oznacza skorelowanie skadnikw losowych z rnych okre-

(obserwacji). Ponisze rozwaania dotycz przypadku, w ktrym skadnik
y jest homoscedastyczny oraz wystpuje zjawisko autokorelacji. Macierz
cji i kowariancji skadnikw losowych nie jest wwczas macierz diagonal-
omiast elementy lece na gwnej przektnej s sobie rwne. Liczba nie-
ych wspczynnikw korelacji pomidzy skadnikami losowymi wynosi
n- 1), ale moe zosta zredukowana, jeli przyjmie si, e autokorelacja
iega wedug pewnego wzorca. Najczciej zakada si, e skadniki losowe s
owane w procesie autoregresyjnym pierwszego rzdu/ AR(I), ktry mona
. za pomoc nastpujcego rwnania:

- Okrelenie "pierwszego rzdu" oznacza, e skadnik losowy w danym okresie t zaley od

s: i skadnika losowego w okresie bezporednio go poprzedzajcym t-l.

177
gdzie: p - wspczynnik autokorelacji,
- skadnik losowy, o ktrym zakada si, e
a) ma zerow warto oczekiwan: E() = O,
b) jest sferyczny: V() = 0"60
Mona wykaza (zob. [24]), e:

2_ 0"0
2
_ 2 P
I~kl
O" ---2 orazCov(Gi,Gd-0"0--2 o

l-p l-p

Std macierz wariancji i kowariancji skadnika losowego modelu jest pos

2 n-l
l p p p
l
n-2
2 p P P
(T)
E&&
2
=0" V=--2 0"0
P
2
P l
l-p

p n-2 p n-3
n-l
p
Macierz odwrotna do macierzy V jest nastpujca:

-p O O O
2
-p 1+ P -p O O
2
y-l=_l_ O -p 1+ P O O
2
l-p
2
O O O l+p -p
O O O -p l

a odpowiadajca jej macierz P:

~1_p2 O O O O
-p 1 O O O
P= 1 O -p l O O
JI-p2
O O O Ol
O O O -p l

Jeeli skadnik losowy podlega procesowi autoregresji pierwsze

UMNK sprowadza si do zastosowania metody klasycznej dla obsPnl_iiii
wszystkich zmiennych przeksztaconych za pomoc macierzy P o

W przypadku nieznajomoci parametru autoregresji p jego ocen UZ)0

najczciej za pomoc jednego z estymatorw:

178
 ~
(n - K) Le1et+1
. _ t=l
'2 -
~
(n -1) L,. el2
1=1

: K -liczba szacowanych parametrw modelu,

et (t= l, 2, . 00' n) - reszty modelu oszacowanego klasyczn metod naj-
mniejszych kwadratw.
tymator r2 (otrzymany metod najwikszej wiarygodnoci) jest zalecany ze
u na posiadane wasnoci: zgodnoci, asymptotycznej efektywnoci, ktre
sz si na estymator b * (po zastpieniu w macierzy P parametru p jego oce-

Zadania
-l
'ykaza, e przy zaoeniach UMNK estymator KMNK b =(XTX) XTy

tnieobcionym estymatorem ~.
Znale macierz wariancji i kowariancji estymatora KMNK przy zaoeniach
l~.
, kaza, e macierz wariancji i kowariancji wektora reszt KMNK przy zao-
eniach UMNK jest postaci a.2MVM, gdzie M = 1- X( X TX) -t XT.

Znale macierz wariancji i kowariancji wektora reszt UMNK.

'ykaza, e macierz wariancji i kowariancji estymatora UMNK jest postaci
2(XTV-1Xt1.
'ykaza, e przeksztacony wektor skadnikw losowych PE ma:
zerow warto oczekiwan,
) skalarn macierz wariancji i kowariancji 0'21.
_-iech A =I- X(XTV-1Xt1XTV-1 .
Sprawdzi, czy macierz A jest macierz idempotentn .
. Wykaza, e wektor reszt UMNK jest rwny AE.

179
7.8. Zmienne X i Y przyjy nastpujce wartoci:

y 1 2 3 4 3
x 2 4 1 2 1
Wiadomo, e E(f:) = O. Znana jest macierz V z rwnania V(f:) = (T2V:
1 o O O O
O 2 O O O
V= O O 0,36 O O
O O O 0,64 O
O O O O l

Zaproponowa metod estymacji parametrw modelu:

y = J30 + f3tX + E .
Znale macierz P tak, e pTP = V-l. Zapisa wektor i macierz prze
conych obserwacji.
7.9. Skadnik losowy jest homoscedastyczny oraz podlega procesowi AR(l):

G, = 0,6G'_1 + ';t.
Wiadomo, e:
E(';t) = O, V(';t) = 2 dla kadego t,
CoV(';,,';k)=O dla t::j:.k.

Zapisa macierze:
a) V, b) v-l,
T
c) P .
7.10. Skadnik losowy jest homoscedastyczny oraz podlega procesowi AR(1):

G, = -0,5G'_1 + .;, .

Wiadomo, e:

E(';,) = O, V(';,) = 3 dla kadego t,

Cov(';" ';k) = O dla t::j:.k .

Zapisa macierz wariancji i kowariancji dla G.

7.11. Skadnik losowy jest homoscedastyczny oraz podlega procesowi AR(1):

G, = 0,6Gt_l + ';t .

180
 iadomo, e:
E(;t) = O, V(;t) = 8 dla kadego t,
Cov(;p ;k) =O dla t =Fk .

a Ile wynosi wariancja skadnika losowego V(G)?

b. Ile wynosz kowariancje:

Zadania testowe
Rozpatrujemy proces autoregresji pierwszego rzdu dla skadnika losowego
G, = PGt-1 +;t' ;t nieskorelowane, E(;,) = O, V(;t) = CT6 W ktrym z nast-
pujcych przypadkw Gt oraz Gt-l s ujemnie skorelowane?
I) p = 0,5 , II) p = -0,5 ,
ID) p = O, IV) p = -0,8 ;
) ....

C)
E)I.s......... . ..
Zamy, e COV(&f?) = (j2V. Przy jakiej macierzy V wystpuje zjawisko
heteroscedastycznoci?
0,5 O O
0,5 1 0,5 O
II)
O 0,5 1 0,5
O O 0,5

IV) V=O;

181
 Z twierdzenia Aitkena mona wywnioskowa:

.~i:,(.
Bl
~~:M{dzy twierdzeniem Gaussa-Markowa (M) i Aitkena (A) wystpuJ rel
"" I) Ajest szczeglnym przypadkiem M,
II) M jest rwnowane A dla standardowego modelu liniowego,
ID) A jest rwnowane M dla uoglnionego modelu liniowego,
IV) dowd A przeprowadza si tak jak dowd M przy zastosowaniu traJrlSli"
macj i danych;

'it; ?i
Ktre z nastpujcych faktw s zgodne z twierdzeniem Aitkena lub G
-Markowa?
I) estymator Ulv1NK f3 jest obcionym estymatorem parametru f3,
II) przy zaoeniach Ulv1NK estymator b otrzymany za pomoc MNK .
nieobcionym estymatorem parametru f3,
ID) moe istnie estymator o "mniejszej" macierzy wariancji i kowariancji
estymatora b, jeli jest obciony,
IV) ~ = b, jeli V = I, gdzie V jest macierz z rwnania V (E) = (j2V ;

Ktre relacje mog by prawdziwe w przypadku, gdy skadnik losowy p

ga procesowi AR(1)? '
: I) Cov(&1'&2)<O, II) Cov(&1'&3)<O,
ID) COV(&l' &4) > O, IV) COV(&l' &6) = O;

182
. Niech V(E) = (5 V oznacza macierz wariancji i kowariancji skadnika loso-
wego. Wska zdania prawdziwe:
I) w razie wystpowania autokorelacji skadnika losowego V moe by
macierz trjktn,
II) w razie braku autokorelacji skadnika losowego V moe by macierz
skalarn,
ID) jeeli skadnik losowy jest heteroscedastyczny, to V nie moe by macie-
rzj ednostkow,
IV)jeli V jest macierz diagonaln (o rnych niezerowych elementach dia-
gonalnych), to do szacowania parametrw mona zastosowa waon
metod njmniejs ch kwadr<l:tw;

Skadnik losowy 8 ma sta wariancj rwn 2 i podlega procesowi AR(1)

przy p=-O,3. Wska zdania prawdziwe:
I) COV(8},82)=-0,3, II) COV(8}, 83)=COV(s3, 85),

IV) COV(82' 83) >0'

. COV(83,8S) ,
 8. MODELE WIELORWNANIOWE I PODWJ
METODA NAJMNIEJSZYCH KWADRATW

8.1. Klasyfikacja zmiennych

Podstawowym elementem skadowym modelu ekonometrycznego s zmi

Kadej zmiennej wystpujcej w modelu odpowiada okrelone zjawisko, d
wyniki obserwacji tych zmiennych s liczbami majcymi swoje miana (wvnd.
s w okrelonych jednostkach miary). W modelu ekonometrycznym kada zmi
jest oznaczona symbolem, ktry odpowiada cile okrelonemu zjawisku.
w modelu mog odgrywa rne role; w zalenoci od tej roli okrela si je
mi nazwami. Z tego powodu wana jest klasyfikacja zmiennych modelu.
Z punktu widzenia pojedynczego rwnania zmienne dzieli si na dwie
1) zmienne objaniane,
2) zmienne objaniajce.
Zmienne nalece do pierwszej klasy s traktowane jako skutek dzi
okrelonych czynnikw. W rwnaniu modelu znajduj si one zawsze po
stronie w postaci jawnej, tzn. bez adnych wspczynnikw, potg itp. Nat
zmienne objaniajce znajduj si zawsze po prawej stronie rwnania cznie z
rametrami strukturalnymi, wystpujcymi przy nich jako wspczynniki,
niki potg, podstawy potg itp. Zmienne te s traktowane jako czynniki wpy
ce na zmienn objanian. Naley zwrci uwag, e w modelu wielor
wym zbiory tych zmiennych wzajemnie si nie wykluczaj, co oznacza, e
na odgrywajca rol zmiennej objanianej w jednym (tylko w jednym!) r
moe wystpi w kadym innym rwnaniu w roli zmiennej objaniajcej.
W modelu wielorwnaniowym, z punktu widzenia modelu jako c
wyrnia si nastpujce dwie klasy:
l) zmienne endogeniczne,
2) zmienne egzogeniczne.
Zbir zmiennych endogenicznych to zbir wszystkich zmiennych obj
nych wystpujcych w poszczeglnych rwnaniach. Natomiast zmienne e
niczne s to zmienne wycznie objaniajce z poszczeglnych rwna.
dwa zbiory zmiennych s zbiorami wykluczajcymi si. Jeli szacowany jest
jednorwnaniowy, to oba kryteria klasyfikacji zmiennych s sobie rwno w
tzn. zbir zmiennych objanianych jest rwny zbiorowi zmiennych endog
nych (jeden i drugi zbir s .zbiorami jednoelementowymi), a zbir zmi
objaniajcych - zbiorowi zmiennych egzogenicznych. Wrd zmiennych e
nicznych znajduje si jedna specyficzna zmienna - tzw. zmienna czasowa t.

184
Trzecie kryterium klasyfikacji stosowane jest wtedy, gdy buduje si pewien
modelu dynamicznego, a wyniki obserwacji wystpuj w postaci szeregw
wych. Klasyfikacja ta dotyczy zarwno zmiennych endogenicznych, jak i
ych egzogenicznych. Wyrniamy:
l) zmienne nieopnione w czasie,
2) zmienne opnione w czasie.
Obserwacje zmiennych nieopnionych w czasie s przyporzdkowane tym
okresom, z ktrych pochodz; zwykle oznacza si je subskryptem t, np. Yt.
acje zmiennych opnionych w czasie, przyporzdkowane okresowi o nu-
t, pochodz z okresu wczeniejszego o pewn liczb jednostek czasowych;
zamy je symbolem Yt-r' gdzie T oznacza wielko opnienia. Na przykad
acje zmiennej opnionej o jeden okres oznacza si symbolem Yt-l' czyli
wi o numerze t przypisana jest obserwacja tej zmiennej pochodzca z okresu
dniego (o jeden wczeniejszego). W razie wystpowania zmiennych op-
h w czasie trzeba zwrci uwag na dwie sprawy. Po pierwsze, w kadym
iu zmienn objanian moe by wycznie zmienna endogeniczna nie-
iona w czasie. Po drugie, jeli w modelu wystpuje zmienna endogeniczna
iona w czasie, to musi jednoczenie wystpowa jej odpowiednik jako mery-
ie taka sama zmienna endogeniczna nieopniona w czasie. W przeoiwnym
j zmiennej opnionej w czasie nie moglibymy nazywa zmienn endoge-
opnion w czasie, lecz musielibymy j nazwa zmienn egzogeniczn
ion w czasie. Zmienne endogeniczne nieopnione w czasie w niektrych
modeli wielorwnaniowych s nazywane zmiennymi cznie wspzale-
S to mianowicie takie zmienne, ktre odgrywaj podwjn rol: jed-
. ie s zmiennymi objaniajcymi i objanianymi (ale w innych rwnaniach).
iast wszystkie zmienne egzogeniczne oraz zmienne endogeniczne opnione
ie s nazywane zmiennymi z gry ustalonymi.

8.2. Klasyfikacja modeli ekonometrycznych

estymacji modeli wane jest rwnie to, jaki typ modelu naley oszaco-
Dlatego w tym punkcie omwimy rwnie klasyfikacj modeli ekono-
ych. Stosuje si kilka kryteriw klasyfikacji modeli.
kryterium - posta au ali tyczu a fuukcji modelu:
modele liniowe,
modele nieliniowe.
modelu liniowym wszystkie rwnania s funkcjami liniowymi, natomiast
lu nieliniowym przynajmniej jedno rwnanie modelu jest funkcj nielinio-

185
w. Te rwnania modelu, ktre s funkcjami nieliniowymi, mona z kolei pcc:m:a..
na dwie grupy:
a) sprowadzalne do postaci liniowej,
b) niesprowadzalne do postaci liniowej.
Niektre rwnania nieliniowe ze wzgldu na zmienne s sprowamu.
postaci liniowej poprzez odpowiedni transformacj. Sjednak rwnie
cje, ktrych nie mona transformowa do postaci liniowej; s to mianowi .
cje nieliniowe w wzgldu i na zmienne, i na parametry. Podzia ten ma
tylko praktyczne ze wzgldu na "obrbk" ekonometryczn. Ponadto do
nowanajest teoria modeli liniowych; brakuje teorii modeli nieliniowych.
fi kryterium -liczba funkcji modelu:
1) modele jedno funkcyjne,
2) modele wielofunkcyjne.
Podzia ten jest istotny ze wzgldu na metod estymacji. Do estymacji
rych modeli wielofunkcyjnych (wielorwnaniowych) stosuje si metody i
do estymacji modelijednorwnaniowych.
m kryterium - sposb powizania z sob zmiennych endoge .
nieopnionych w czasie:
1) modele proste,
2) modele rekurencyjne,
3) modele o rwnaniach cznie wspzalenych.
Ta klasyfikacja ma zastosowanie tylko do modeli wielerwnaniowych.
przypadku rodzaj modelu mona okreli na podstawie grafu powiza
zmiennymi endogenicznymi nieopnionymi w czasie lub na podstawie
wspczynnikw znajdujcych si przy tych zmiennych w poszczeglnych
niach.
W grafie sucym do identyfikacji klasy modelu wielorwnaniowego
mi s poszczeglne zmienne endogeniczne nie opnione w czasie, wiza
natomiast strzaki czce dan par wzw - jest to wic graf skierowany.
wze jest identyfikowany z jedn zmienn endogeniczn nieopnion ~
i kada taka zmienna jest identyfikowana z jednym wzem. Wystpujce
strzaki maj tylko jedno ostrze i s skierowane od zmiennej objaniajcej
w takim grafie tylko zmienna endogeniczna nieopniona wczasie) ku
objanianej. Na przykad we fragmencie grafu przedstawionym na rys. 8.1
skierowana jest od wza 1(, i do wza 1(, l' co oznacza, e w jednym z
zmienn objanian jest zmienna 1/, l' zmienn objaniajc za - 1/, i' kt
kim innym rwnaniu jest zmienn obi
(0
~
~01 n. Strzaki te mog tworzy pewien
ficzny ukad, ktry nazywa si cykl
Rys. 8.1. Fragment grafu skierowanego przykad przedstawiony na rys. 8.2

186
 skierowanego zawiera cykl, gdy jest moliwe poruszanie si ruchem okr-
zgodnie ze wskazaniami strzaek. Gdyby jedna z tych strzaek miaa przeciw-
rot (rys. 8.3), to ten fragment grafu ju nie tworzy cyklu. Oczywicie, gdyby-
'e uwzgldniali zwrotu strzaek, to ten fragment grafu mona traktowa jako
tosujc graf do identyfikacji modelu pod wzgldem omawianego ID kryte-
przy definicj i cyklu musimy uwzgldnia zwroty strzaek.

Rys. 8.2. Fragment grafu z cyklem Rys. 8.3. Fragment grafu bez cyklu

ozrnienie tych trzech rodzajw modeli na podstawie macierzy wspczyn-

jest rwnie proste jak na podstawie grafu, ale tylko w przypadku modeli
liczb rwna. W przypadku duej liczby rwna mogju wystpi pewne
, i. Nie bdzie adnych wtpliwoci, jeli rozwaany model jest modelem
ID. W przypadku duego modelu, ktry nie jest modelem prostym, wykorzy-
macierzy wspczynnikw moe sprawi pewne kopoty. Wyej stwierdzili-
e jeli ta macierz jest macierz jednostkow, to mamy do czynienia z mode-
ostym. Takie stwierdzenie oznacza milczco przyjcie pewnego zaoenia,
wicie, e model jest dobrze uporzdkowany, tzn. tak, aby w tworzonej ma-
jedynki wystpoway tylko na gwnej przektnej. Dobre uporzdkowanie
oznacza zatem nastpujc jego budow: kadej zmiennej endogenicznej
'Ilionej w czasie jest przypisany kolejny numer porzdkowy, ktry nie musi
nic wsplnego z nadanym numerem (indeksem) tej zmiennej lub z jej symbo-
umer ten jest taki sam, jak numer kolejny rwnania, w ktrym dana zmien-
geniezna nieopniona w czasie peni rol zmiennej objanianej.
celu zbudowania macierzy wspczynnikw dokonujemy pewnego prze-
nia modelu. Mianowicie przenosimy na lew stron kadego rwnania
ie wyrazy zawierajce zmienne endogeniczne nieopnione w czasie i za-
y je w kolejnoci zgodnej z przyporzdkowanymi im numerami porzdko-
- niezalenie od roli penionej przez te zmienne w modelu (objaniane lub
ijce). Zakadamy, dla uatwienia wykadu, e wszystkie rwnania modelu
iowe. Jeli ktra ze zmiennych w danym rwnaniu nie wystpuje, to wpro-
y j do modelu umownie ze wspczynnikiem rwnym zeru. Oczywicie,
'-:~~Illik przy kadej zmiennej objanianej jest z definicji rwny l i w ka-
rwnaniu po lewej stronie (po zastosowanym przeksztaceniu) wystpuje do-
-e jeden wyraz ze wspczynnikiem rwnym z definicji l.

187
 Wszystkie wspczynniki przy zmiennych wystpujcych po lewej stro
poszczeglnych rwna utworzonych w opisany sposb, tworz macierz. W
przypadku macierz ta jest zawsze macierz kwadratow z jedynkami na gw
przektnej.
Zauwamy, e kolejno rwna moe by zupenie dowolna. Jeli zg
z kolejnoci rwna bd przyporzdkowane zmiennym endogenicznym nie o
nionym w czasie odpowiednie numery porzdkowe, to zawsze otrzymana maci
wspczynnikw bdzie macierz kwadratow z jedynkami na gwnej przek
W modelu prostym graf jest zbudowany tylko z wzw (nie ma ani j
wizada), natomiast macierz wspczynnikw przy zmiennych endogeniczn
nieopnionych w czasie jest macierz jednostkow. W modelu rekurencyjn
w grafie wystpuje przynajmniej jedno wizado; jeli jest ich wicej, to nie tw
one cyklu (graf jest grafem skierowanym, tzn. wizada s strzakami od zmi
nych objaniajcych do zmiennych objanianych). Odpowiadajca modelowi r
rencyjnemu macierz odpowiednich wspczynnikw przy zmiennych endog .
nych nieopnionych w czasie jest macierz trjktn lub da si do takiej maci
sprowadzi przez przenumerowanie wierszy i kolumn. W pozostaych przypa
mamy do czynienia z modelem o rwnaniach cznie wspzalenych.
Ten podzia ma due znaczenie ze wzgldu na metody estymacji parame
strukturalnych.
IV kryterium - rola czynnika czasu:
1) modele dynamiczne,
2) modele statyczne.
W modelach dynamicznych wystpuj zmienne z opnieniem czaso
oraz (lub) zmienna czasowa t. Natomiast w modelu statycznym czas nie wyst
w adnej postaci. Ten podzia ma znaczenie ze wzgldw predyktywnych.
przewidywania lepiej suy model dynamiczny, ktry jest bardziej elastyc
uwzgldnia zmieniajce si warunki. Model statyczny jest sztywny, zakada i
cite zasad status quo.
V kryterium -liczba zmiennych objaniajcych:
1) modele zjednzmienn objaniajc,
2) modele z wiksz ni jeden liczb zmiennych objaniajcych.
Wedug tego kryterium klasyfikuje si kad funkcj oddzielnie. W r
z jedn zmienn objaniajc uatwiony jest wybr postaci analitycznej
mona posuy si prostym narzdziem badawczym, jakim jest wykres p
(korelacyjny).
VI kryterium - charakter zwizkw midzy zmiennymi objanian
objaniajcymi w poszczeglnych rwnaniach (lub walory poznawcze m
1) modele przyczynowo-skutkowe,
2) modele symptomatyczne.

188
 . modelu przyczynowo-skutkowym zmienne objaniajce s merytorycznie
nami ksztatowania si zmiennej objanianej danego rwnania; czyli
"'CIIIlta objaniana jest skutkiem dziaania zmiennych objaniajcych. W modeJu
matycznym opieramy si jedynie na istnieniu formalnego zwizku korela-
midzy zmienn objanian a zmiennymi objaniajcymi. Szczeglnym
.~lkiem modelu symptomatycznego jest model tendencji rozwojowej, w kt-
r-.I~.J- zmienn objaniajcjest czas (t). Modele tendencji rozwojowej (zwa-
mie trendami) czsto w tej klasyfikacji s wyodrbniane jako trzecia grupa
i. Modele przyczynowo-skutkowe mog suy za podstaw podejmowania
ii gospodarczych, modele symptomatyczne i tendencji rozwojowej za naj-
" elom poznawczym i predyktywnym. Klasyfikacja ta nie jest ostra, jedno-
. poza tym modele mog by mieszane, tzn. w niektrych rwnaniach mo-
ie zwizek przyczynowo-skutkowy, w innych - nie.
kryterium - stopie wiedzy o elemencie losowym:
) modele stochastyczne,
) modele deterministyczne.
odele stochastyczne dzieli si z kolei na trzy rodzaje:
) modele probabilistyczne,
) modele statystyczne,
) modele strategiczne.
ajpeniejsz informacj o elemencie losowym daje jego rozkad. Jeli jest on
- jest to model probabilistyczny (praktycznie nie znamy go nigdy). Jeli
ten moe by oszacowany na podstawie prbki - jest to model statystycz-
"li znany moe by tylko przedzia wartoci elementu losowego bez moli-
"jej oszacowania - jest to model strategiczny. Najczciej w praktyce mamy
nienia z modelami statystycznymi. W modelach deterministycznych rezyg-
" z uznania stochastycznego charakteru modelu, co prowadzi do traktowania
trw takiego modelu jako liczb w zwykym sensie, a nie jako zmiennych
'ch. Takie traktowanie modelu najczciej ma miejsce wwczas, gdy jest on
stywany do podejmowania decyzji.
kryterium - zakres przedmiotu badania:
) modele makroekonomiczne,
modele mikroekonomiczne.
ode1e makroekonomiczne opisuj obiekty wyszych rzdw, bdce agre-
" obiektw niszych rzdw. Parametry tych modeli nazywa si makropara-
i. Natomiast modele mikroekonomiczne opisuj obiekty niszych rzdw,
parametry nazywa si mikroparametrami. Podzia ten jest nieostry i wzgld-
. w jednym ukadzie dany model moe by uwaany za model mikroekono-
, a w innym - za model makroekonomiczny. Wynika to z moliwoci wie-
iowego czenia obiektw niszego rzdu w obiekty wyszego rzdu.

189
 W tym rozdziale bdziemy si zajmowa estymacj modeli wielorwnaniowj
Sposb estymacji zaley od rodzaju modelu wedug ID kryterium klasyfikacj i.

8.3. Posta strukturalna iposta zredukowana"

W celu uproszczenia rozwaa ograniczymy si do estymacji modeli sta

nych, w zwizku z czym nie wystpuj zmienne opnione w czasie. Zapi
teraz szacowany model wielorwnaniowy w przypadku oglnym:

YI = b12Y2 + b13Y3 + + i1mYm + CI lXI + cnX2 + + clkxk + CI'

Y2 = b21Yl + ~3Y3 + + ~mYm + c21xl + ~2X2 + + c2kxk + 82'

Ym = bmlYI + bm2Y2 + ... + bm-l, mYm-l + Cmlxl + Cm2X2 + ... + cmkxk + Cw

gdzie: m - liczba rwna i jednoczenie liczba zmiennych endogenicznych,

k - liczba zmiennych egzogenicznych,
Yj - zmienna objaniana (endogeniczna) w i-tym rwnaniu, i = 1,2, ..., nr.
Xj - j-ta zmienna egzogeniczna, j = 1,2, ..., k (przyjmujemy, e os
zmienna egzogeniczna jest zmienn tosamociowo rwn jedn
czyli xk == 1),
skadnik losowy i-tego rwnania.
Ei -

Zwrmy uwag, e w ukadzie rwna (8.1) wszystkie zmienne endog -

ne we wszystkich pozostaych rwnaniach, oprcz tego, w ktrym wystpuj'
zmienne objaniane, odgrywaj jednoczenie rol zmiennych objaniajcych.
zobaczymy pniej, estymacja takiego modelu nie jest moliwa.
Przeniemy teraz w ukadzie rwna (8.1) wszystkie wyrazy, oprcz s
ka losowego, na lew stron:
YI-b12Y2 -b13Y3 - -b1mYm -cllxl-c12x2 - -ClkXk =81,
-b21Yl + Y2 -b23Y3 - -b2mYm -C21Xl -C22X2 - -C2kXk = c2,

Wprowadmy nastpujce oznaczenia:

,* Podrozdz. 8.3-8.6 zostay przedrukowane, z niewielkimi zmianami, z ksiki [24] za

wydawcy.

190
 -bl2
~
-blm
-b?-m
1 C= [- Gil
-~l
-CIk
-C2k
1,
.
.. ..' ..
-bm2 1 -Cml ... -Cmk

B jest macierz parametrw przy zmiennych endogenicznych, C jest macie-

parametrw przy zmiennych egzogenicznych, Y jest wektorem zmiennych
, ianych (nie jest to wektor obserwacji!), X jest wektorem zmiennych obja-
[cych (nie jest to macierz obserwacji!) oraz E jest to wektor skadnikw loso-
h dla poszczeglnych rwna.
Stosujc te oznaczenia, model (8.2) moemy zapisa macierzowo w nastpu-
j postaci:
BY+CX=E. (8.3)

to tzw. posta strukturalna modelu. Zamy, e macierz B jest macierz nie-

liw. Pomnmy wic rwnanie (8.3) lewostronnie przez macierz odwrotn do
ierzy B, czyli przez macierz B-l:
-1 -l
Y+B CX=B E,

-1 -1
Y=-B CX+B E.

-l -1
P =-B C, TJ = B E.

Y=PX +TJ. (8.4)

to tzw. posta zredukowana modelu, w ktrym zmienne objaniane zale tyl-

zmiennych egzogenicznych, a w kadym rwnaniu zmiennymi objaniaj-
. s wszystkie zmienne egzogeniczne. Elementy macierzy P nazywamy para-
i postaci zredukowanej, a elementy wektora TJ - skadnikami losowymi
i zredukowanej. Kady element wektora TJ jest prost kombinacj liniow
lladni"k,wlosowych postaci strukturalnej.

191
 8.4. Estymacja modeli prostych i rekurencyjnych

W przypadku modelu prostego

zatem posta zredukowana jest identyczna z postaci strukturaln. Poniewa

delu prostym w adnym rwnaniu nie wystpuje zmienna endogeniczna
zmiennej objaniajcej, zatem poszczeglne rwnania nie s z sob powi
Jedno z zaoe klasycznej metody najmniej szych kwadratw mwi, e
objaniajce nie s zmiennymi losowymi, z czego wynika, e nie mog by
od skadnika losowego. W modelu prostym ten warunek jest speniony, a
najmniej nie jest on faszywy z definicji. Moemy go traktowa jako zbir
lenych modeli jednorwnaniowych. Model prosty moemy zatem szaco
pomoc klasycznej metody najmniej szych kwadratw - poszczeglne r
zupenie niezalenie od siebie.
W modelu rekurencyjnym macierz B jest macierz trjktn; zaka
z zerami nad gwn przektn (lub da si do takiej macierzy sprowadzi p
powiednie przenumerowanie wierszy i kolumn, tak aby na gwnej przektne
jedynki). Pierwsze rwnanie mona zatem oszacowa - z tego samego pow
model prosty - za pomoc klasycznej metody najmniej szych kwadratw (w
niu tym wrd zmiennych objaniajcych nie ma adnej zmiennej endoge .
z innych rwna). Natomiast w kadym nastpnym rwnaniu mog si znaj
zmienne endogeniczne z innych rwna jako zmienne objaniajce, a te zal
z definicji od skadnika losowego tego rwnania, w ktrym wystpuj jako
ne objaniane, nie s wic nie losowe.
Procedura estymacji modelu rekurencyjnego jest zatem nastpujca. 'a
stawie oszacowanego za pomoc klasycznej metody najmniej szych kw
pierwszego rwnania obliczamy wartoci teoretyczne zmiennej objanianej
to rwnanie, czyli Yil (tu subskrypt i oznacza numer obserwacji, a nie numer
nania). Szacujc wszystkie pozostae rwnania modelu rekurencyjnego w
rzach obserwacji zmiennych objaniajcych wartoci rzeczywiste zmiennej
stpujemy jej wartociami teoretycznymi, obliczonymi z oszacowanego we
pierwszego rwnania. Oznacza to, e we wszystkich nastpnych rwn
wszystkie zmienne objaniane, oprcz pierwszej, uzaleniamy nie od rze
stych wartoci zmiennej Ii, lecz od jej wartoci teoretycznych. W rwnani
gim jedn ze zmiennych objaniajcych, spord zmiennych endogenicznych,
e by tylko zmienna Ii, ale obserwacje tej zmiennej zastpujemy wartociami
retycznymi, ktre nie zale ju od skadnika losowego z rwnania pierw
Moemy zatem teraz rwnie drugie rwnanie oszacowa za pomoc klas)
metody najmniej szych kwadratw. Na podstawie oszacowanego drugiego .

192
 liczamy wartoci teoretyczne zmiennej 12, czyli Yi2' Szacujc kolejne rw-
poczwszy od trzeciego, w macierzach obserwacji zmiennych objaniaj-
artoci rzeczywiste zmiennej 12 zastpujemy jej wartociami teoretycznymi
nymi z oszacowanego ju drugiego rwnania itd .
. "ie zawsze jednak konieczne jest obliczanie wartoci teoretycznych zmien-
objanianych na podstawie wczeniej oszacowanych rwna. Jeli jaka
a endogeniczna w adnym rwnaniu nie peni roli zmiennej objaniajcej,
ma potrzeby oblicza jej wartoci teoretycznych.
Przykad 8.1. W tabeli 8.1 dane s obserwacje nastpujcych zmiennych (do-
Polski za lata 1970-1993):
Xl -liczba wydanych ksiek i broszur (w mln egzemplarzy),
X2 - produkcja papieru (w tys. ton),
X3 - Liczba bibliotek publicznych,
X4 -liczba studentw w uczelniach wyszych (w tys.),
X5 - Liczba uczniw w szkoach rednich (w tys.),

Tabela 8.1
Wyniki obserwacji dziewiciu zmiennych dla Polski za lata 1970-1993

Xl ~ 4 x4 Xs x6 x7 x8 X9 Xl x2
112,2 764 8621 331 537 5389 4215 137,6 3263 112,37 858,36
131,1 839 8666 348 578 5186 4709 140,4 3414 133,54 878,66
137,6 899 8725 364 609 4978 5200 136,1 3487 149,26 898,77
135,8 940 8852 398 639 4779 5687 140,7 3610 148,30 920,09
139,5 969 8950 427 649 4306 6100 142,7 3717 145,11 938,18
143,9 981 8974 468 622 4448 6472 140,8 3848 129,07 955,60
159,5 1046 9060 491 582 4327 6820 144,2 3929 143,22 970,74
149,7 1081 9128 491 538 4257 7170 131,6 4075 157,13 984,21
143,7 1070 9199 485 491 4217 7474 116,1 4179 155,80 995,45
151,2 1010 9252 469 450 4217 7708 107,9 4224 140,08 1003,25
147,1 1033 9315 454 415 4260 7954 97,5 4356 156,83 1011,58
133,9 909 9355 426 393 4342 8188 100,1 4136 121,78 1018,47
178,1 965 9442 397 381 4465 8347 89,4 4344 158,74 1022,4
194,9 1026 9572 370 373 4327 8542 108,1 4495 196,67 1027,86
229,8 1042 9728 350 375 4771 8765 127,6 4588 213,17 1034,93
246,3 1071 9899 341 383 4928 9468 107,1 4571 229,26 1061,31
249,4 1100 10000 334 400 5058 9692 94,3 4605 244,33 1069,40
267,6 1158 10129 343 422 5165 9868 95,3 4611 262,81 1076,86
245,3 1220 10248 356 444 5213 10031 96,4 4622 280,84 1084,11
215,6 1164 10313 378 463 5257 10055 69,6 4520 247,73 1086,70
175,6 924 10269 404 494 5301 9919 32,8 4597 138,90 1083,44
125,5 949 9936 428 549 5323 9809 20,9 4680 136,65 1081,02
125,8 1031 9770 496 607 5324 10043 13,3 4742 134,73 1095,17
102,5 1070 9605 584 660 5288 10111 14,9 4934 105,57 1104,45

193
 X6 -liczba uczniw w szkoach podstawowych (w tys.),
X7 -liczba abonentw telewizyjnych (w tys.),
X8 -liczba widzw w kinach (w mln),
X9 -liczba chorych w szpitalach.
Naley oszacowa model

Xl = alx2 + a2x4 + ao,

x2 =i1x4 +b2x7 +bO'
x3 = clxl +c2x5 +co
W pierwszej kolejnoci naley sprawdzi typ modelu. Zmiennymi endogenic
s: Xl' X2, X3. Zmienne Xl i X2 s jednoczenie zmiennymi objaniaj
nie jest to wic model prosty. Ponadto macierz B nie jest macierz trjktn:

Macierz t mona jednak doprowadzi do postaci trjktnej, przyjmujc nast

c kolejno rwna: II, I i III. Jednoczenie zmieniamy odpowiednio kole"
zmiennych endogenicznych w poszczeglnych rwnaniach tak, aby w maci
na gwnej przektnej znajdoway si jedynki, czyli: X2, Xl i X3. Teraz
B przyjmie posta

1 O O]
B= -al 1 O.
[ O -C1 1

Na rekurencyjn posta tego modelu wskazuje rwnie graf powiza

zmiennymi endogenicznymi (rys. 8.4). W tym grafie wystpuj strzaki, ale
cyklu. Oznacza to, e najpierw naley os
1.------1t;'\ rwnanie drugie za pomoc klasycznej
\::.V najmniej szych kwadratw. Do oszacowania
rwnania mamy

X =
331 4215 1] [ 764]
3~8 4~09 ~ ,y 8~9 .
=
Rys. 8.4. Grafpowiza midzy [ 584 Oi 11 i 1070
zmiennymi endogenicznymi

Stosujc klasyczn metod najmniej szych kwadratw, mamy

194
 X2 = 0,075668x4 + 0,038491x7 + 671,074.
drugiej kolejnoci szacujemy rwnanie pierwsze. Poniewa w tym rwnaniu
ienn objaniajc jest zmienna objaniana przez rwnanie drugie (.41), wic
jmujemy, e:
Xl = alx2 + a2x4 + aO'
imy zatem najpierw obliczy wartoci teoretyczne zmiennej .41 na podstawie
niej oszacowanego rwnania drugiego. Szacujc pierwsze rwnanie w ma-
X do pierwszej kolumny wstawiamy wartoci teoretyczne zmiennej Xi
iast rzeczywistych obserwacji), a do drugiej kolumny - obserwacje zmiennej
. Wartoci teoretyczne zmiennej Xi s umieszczone rwnie w tab. 8.1. Mamy
tym razem

858,36 331 11 [112,21

X = 87~,66 3~8 ~ , y = 13.1,1 .
[
1104,45 584 i 102,5

ujc klasyczn metod najmniej szych kwadratw, mamy

Xl = 0,397 x2 - 0,507 x4 - 23,203.
kocu szacujemy trzecie rwnanie. Poniewa w tym rwnaniu zmienn obja-
- ~c jest zmienna objaniana przez rwnanie pierwsze (Xl)' musimy wic
j, e:
. x3 = c}X} + c2x5 + cO
oci teoretyczne zmiennej endogenicznej X}' wystpujcej w tym rwnaniu
zmienna objaniajca, obliczamy z oszacowanego ju rwnania pierwszego.
tego rwnania mamy zatem

112,37 537 11 [8621J

X = 13~,54 5~8 ~ , y = 86:66 .
[
105,57 660 l 9605

~c klasyczn metod najmniej szych kwadratw, mamy teraz:

x3 = 5,856x} - 0,942x5 + 8945,849.
model wyglda wic nastpujco:

195
 Xl = 0,397 x2 - 0,507 x4 - 23,203,
x2 = 0,075668x4 + 0,03849lx7 + 671,074,
x3 = 5,856xI - 0,942x5 + 8945,849.

8.5. Identyfikowalno modeli

W modelach wielorwnaniowych o rwnaniach cznie wspzalenych

mona zastosowa przedstawionej procedury, poniewa wrd zmiennych
niajcych s zmienne objaniane z innych rwna, ktrych obserwacji nie m
zastpi wartociami teoretycznymi z rwna oszacowanych wczeniej. Za
na przykad, e w pierwszym rwnaniu zmienn objanian jest zmienna
a zmienn objaniajc jest zmienna Y2. W drugim rwnaniu jest na od
zmienn objanian jest zmienna 12, a zmienna 11 jest zmienn objaniajc,
da wic, e adnego z tych rwna nie mona oszacowa za pomoc klasy
metody najmniej szych kwadratw bez uchybienia zaoeniu o nielosowoci
rzy obserwacji zmiennych objaniajcych.
W przeciwiestwie do modeli prostych i rekurencyjnych nie kady
wielorwnaniowy o rwnaniach cznie wspzalenych mona oszaco
Warunkiem estymacji takiego modelu jest identyfikowalno wszystkich jego
na. Filozofia identyfikowalnoci jest nastpujca: kade rwnanie modelu
by inne ni pozostae rwnania. Umoliwia to ocen parametrw struktur
rwnania, ktre jest identyfikowalne. Bada si identyfikowalno kadego r
nia oddzielnie. Identyfikowalno kadego rwnania rozstrzyga nastpujce
dzenie (o identyfikowalnoci).
Twierdzenie o identyfikowalnoci. Warunkiem koniecznym i dostatec
identyfikowalnoci danego rwnania modelu m-rwnaniowego jest to, by mac"
A utworzona ze wspczynnikw stojcych przy zmiennych wystpuj
w innych rwnaniach modelu, a nie wystpujcych w badanym (i-tym) rwn
bya rzdu m - l. Oznacza to, e liczba kolumn macierzy A nie moe by mniej
ni m-l. Liczba wierszy macierzy Ajest z definicji rwna m, z tym, e wiersz
macierzy odpowiadajcy badanemu rwnaniu z definicji zawiera tylko zera. D
go mona go z macierzy usun, mamy zatem macierz A o liczbie wierszy r
m-l. Rzd tej macierzy nie moe by wic wikszy od liczby m-l. Jeli rzd
cierzy A jest mniejszy ni m -1, dane rwnanie jest nieidentyfikowalne i nie
na go poprawnie oszacowa.
Jeli dodatkowo liczba zmiennych wystpujcych w modelu, a nie wyst
cych w badanym rwnaniu jest rwna m-l, to dane rwnanie jest identyfikow
jednoznacznie (w tym przypadku macierz A jest macierz kwadratow). Jeli
liczba kolumn macierzy A jest wiksza od m-l, to takie rwnanie jest iden
walne niejednoznacznie.

196
 W zalenoci od wyniku badania identyfikowalnoci stosuje si odpowiedni
od estymacji. W przypadku, gdy dane rwnanie modelu jest identyfikowalne
oznacznie, mona stosowa podwjn metod najmniej szych kwadratw lub
" dnimetod najmniejszych kwadratw. Jeli dane rwnanie modelu jest iden-
owalne niejednoznacznie, mona stosowa tylko podwjn metod najmniej-
h kwadratw. Podwjna metoda najmniejszych kwadratw jest oglniejsza;
" dni metod najmniej szych kwadratw mona stosowa tylko w jednym
adku. Ta ostatnia metoda ma jednak cenn zalet: jest ona mianowicie znacz-
atwiejsza numerycznie. Dzi jednak, gdy powszechnie dostpne s komputery,
ma to istotnego znaczenia. Dlatego nie bdziemy omawia poredniej metody
"mniejszych kwadratw.
Przykad 8.2. Sprawdzi rodzaj modelu:

Xl =al~ +a2x4 +aO'

X2 = blx3 + b2 x7 + bO, (8.5)
X7 = clxl + c2x9 + <o-
iennymi endogenicznymi s: Xl' X2 i X7. Wszystkie odgrywajjednoczenie
zmiennych objaniajcych, nie jest to wic model prosty. Sprawdmy zatem,

-al
1
O
O
-~.
1
l
jest to model rekurencyjny. Macierz B dla tego modelu jest nastpujca:

ierzy tej nie da si przeksztaci w macierz trjktn, gdy nie istnieje taki
- sz, ktry mona byoby przesun na pierwsze miejsce, tzn. ktry miaby
stkie elementy poza gwn przektn rwne zeru, jest to wic model o rw-
.ach cznie wspzalenych. Do takiego samego wniosku dochodzimy na pod-
ie grafu powiza midzy zmiennymi endogenicznymi, w ktrym wystpuje
(rys. 8.5). Naley zatem sprawdzi identy-
walno poszczeglnych rwna. Dla
szego rwnania tworzymy macierz A l.
rwnaniu tym nie wystpuj zmienne: X3,
i X9. W macierzy Al znajduj si wic
" czynniki przy tych zmiennych z rwna-
drugiego i trzeciego.
Rys. 8.5. Grafpowiza midzy
zmiennymi endogenicznymi

197
Rzd tej macierzy jest rwny 2, jest to wic rwnanie identyfikowalne. D
wo, poniewa macierz ta nie jest macierz kwadratow, moemy stwierdzi, re
to rwnanie identyfikowalne niejednoznacznie. Podobnie sprawdzimy iden
wa1no pozostaych rwna:

Macierze A2 i A3 wskazuj na to, e pozostae dwa rwnania modelu s r

identyfikowalne niejednoznacznie.

8.6. Podwjna metoda najmniejszych kwadratw

Za pomoc podwjnej metody najmniejszych kwadratw mona, jak ju

wiedzielimy wczeniej, oszacowa kade rwnanie modelu wielorwnanio
o rwnaniach cznie wspzalenych identyfikowalne zarwno jednoznacznie
i niejednoznacznie. Idea tej metody jest nastpujca.
Za pomoc klasycznej metody najmniejszych kwadratw szacujemy najpi
posta zredukowan modelu (8.4). Ta forma modelu wielorwnaniowego jest
delem prostym, nie ma wic adnych przeszkd w zastosowaniu tej metody.
niewa jest to model prosty, zatem szacujemy kade rwnanie niezalenie jedno
drugiego. Zwrmy jednak uwag na to, e w kadym rwnaniu postaci zr
wanej wystpuj w roli zmiennych objaniajcych dokadnie te same zmienne.
nymi sowy, macierz obserwacji X zmiennych objaniajcych dla kadego r
nia jest taka sama. Mona zatem, zamiast kade rwnanie szacowa osobno,
prowadzi obliczenia dla wszystkich rwna postaci zredukowanej jednoc
W tym celu oznaczmy symbolem X macierz obserwacji zmiennych egzog .
nych (cznie ze zmienn tosamociowo rwn jednoci) o wymiarze nxk
symbolem Y macierz obserwacji zmiennych endogenicznych o wymiarze 11

Xll x12 1] [Yl1 Y12 Ylm]

X= ~1 ~2 ~ , y = Y?l Y?2 Y~m .
.. . .. .
[
xnl xn2 ... 1 Ynl Yn2 ... Ynm

Macierz parametrw postaci zredukowanej szacujemy dla wszystkich rwna .

noczenie za pomoc nastpujcego wzoru:

gdzie

198
 pT =
Pll
~2
P21
P~2
Pml
P 2 .
j
[
T
PIk P2k Pmk

sposb mamy oszacowane elementy macierzy parametrw postaci zreduko-

j P. Elementy i-tej kolumny macierzy PT zawieraj parametry i-tego rwna-
postaci zredukowanej modelu. Nastpnie, na podstawie oszacowanej postaci
owanej modelu, oblicza si wartoci teoretyczne zmiennych objanianych
poszczeglne rwnania wedug wzoru

~~ ~l
(8.7)

y=
[
Yll
Yfl
Ynl
~
Y12
Yf2
~
Yn2 ...
Ylm
Y~m .
~
Ynm

W praktyce nie ma potrzeby obliczania wartoci teoretycznych wszystkich

ych endogenicznych; wystarczy obliczy wartoci teoretyczne tylko tych
ych, ktre w innych rwnaniach wystpuj w roli zmiennych objaniaj-
Jednake, jeli obliczenia prowadzimy za pomoc komputera (np. w Excelu),
riej jest obliczy od razu ca macierz Y niezalenie od tego, czy poszczeglne
e endogeniczne peni rol zmiennych objaniajcych, czy te nie. Po obli-
iu niezbdnych wartoci teoretycznych moemy oszacowa parametry postaci
ralnej.
Parametry i-tego rwnania postaci strukturalnej szacujemy, stosujc ponownie
czn metod najmniej szych kwadratw (std nazwa metody - podwjna me-
najmniejszych kwadratw). W tym celu, konstruujc macierz X, obserwa-
zmiennych objaniajcych dla oszacowania danego rwnania, wszystkie ko-
y zawierajce obserwacje zmiennych endogenicznych w tej macierzy zastpu-
ich wartociami teoretycznymi, ktrymi s odpowiednie kolumny macierzy
Zatem parametry strukturalne i-tego rwnania obliczamy wedug wzoru:

(8.8)

b, - wektor ocen parametrw strukturalnych i-tego rwnania,

X, - macierz obserwacji zmiennych objaniajcych i-tego rwnania, w kt-
rej kolumny zawierajce obserwacje zmiennych endogenicznych
zostay zastpione ich wartociami teoretycznymi,
Yi - wektor obserwacji zmiennej objanianej i-tego rwnania.

199
 W metodzie tej kade rwnanie szacuje si oddzielnie, niezalenie jedno
drugiego.
Przykad 8.3. Na podstawie danych zawartych w tab. 8.1 oszacowa m
(8.5). W przykadzie 8.2 z poprzedniego punktu stwierdzilimy, e jest to m
o rwnaniach cznie wspzalenych, w ktrym wszystkie rwnania s iden
walne niejednoznacznie. Do jego estymacji naley wic uy podwjnej met
naj mniej szych kwadratw.
W pierwszej kolejnoci za pomoc klasycznej metody najmniej szych kwa
tw szacujemy parametry postaci zredukowanej, czyli elementy macierzy P:

Pll P12 P13 PlO]

P = [ P21 P22 P23 P20 .
P31 P32 P33 P30

Ustalamy macierze X i Y. Macierz obserwacji X na zmiennych egzogeniczny

tworz obserwacje zmiennych X3, X4, X9 oraz zmiennej Xo == l, czyli:

8621 331 3263 l]

X = 86:66 3~8 34:14 ~ .
[
9605 584 4934 1

Natomiast macierz obserwacji Y tworz obserwacje zmiennych Xl' X2 i X7, c

112,2 764
4215]
Y = 13:1,1 8~9 4709
[
102,5 1070 10~ 11

Podstawiajc te macierze do wzoru (8.6), otrzymujemy

0,026963 0,1105 1,76378]

PT = - 0,44326 0,27828 2,3231
[ ~032775 ~033545 ~0681
-41,860 -291,485 -18380,367
lub
Xl = 0,026963x3 - 0,44326x4 + 0,032775x9 - 41,860,
x2 = 0,1105x3 + 0,27828x4 + 0,033545x9 - 291,485,
x7 = 1,76378x3 + 2,3231x4 + 2,0681x9 -18380,367.
Na podstawie postaci zredukowanej za pomoc wzoru (8.7) obliczamy warto-
ci teoretyczne tych zmiennych endogenicznych, ktre odgrywaj jednocze

200
zmiennych objaniajcych (czyli w tym przykadzie wszystkich). Wartoci
tyczne zmiennych Xl' X2 i X7 znajduj si w tab. 8.2.

Tabela 8.2
Wartoci teoretyczne zmiennych Xl' X2 i X7
"
xl x2 x7
150,8182 862,768 4342,299
149,4452 877,537 4773,444
146,3365 890,9582 5065,647
138,7214 918,5804 5623,007
132,0162 941,0697 6084,512
118,7833 959,5259 6493,01
113,562 978,1472 6865,641
120,1807 990,5593 7287,52
128,1632 1000,224 7613,893
138,1593 1003,138 7763,268
150,8333 1010,354 8112,529
157,1125 999,6023 7663,053
179,1301 1008,124 8179,297
199,5524 1020,041 8658,148
215,672 1034,834 9079,169
223,7149 1050,656 9324,71
230,6554 1061,01 9556,905
230,3410 1077,971 9817,749
228,1478 1095,108 10080,59
216,8056 1104,992 10035,39
206,6182 1109,948 10177,43
189,7215 f082;612 9817,499
157,1360 1085,271 9810,903
119,9730 1097,967 10121,38

W drugim kroku stosujemy ponownie KMNK do postaci strukturalnej, zast-

w macierzy X, dla i-tego rwnania rzeczywiste obserwacje zmiennych
genicznych ich wartociami teoretycznymi. Dla oszacowania pierwszego rw-
postaci strukturalnej przyjmujemy wic
xI = alx2 + a2x4 + ao,
ierz Xl bdzie nastpujca:

Xl =
862,768
87~,537 348
331 1]
1= '

r 1097,967 584 1

201
gdzie w pierwszej kolumnie znajduj si wartoci teoretyczne zmiennej X2,
czone z rwnania II postaci zredukowanej; wektor Yl zawiera obserwacje
nej X}. Wynik:
x} = 0,393x2 - 0,507 x4 -18,69.
Dla II rwnania mamy odpowiednio

8621 4342,30 11
X2 = 86:66 47~3,44 11:'
[
9605 10121,38

gdzie w drugiej kolumnie znajduj si wartoci teoretyczne zmiennej X7, ob .

ne z rwnania III postaci zredukowanej; wektor Y2 zawiera obserwacje zmi
X2. Wynik:
X2 = 0,00089x3 + 0,039x7 + 688,692.
Dla m rwnania mamy z kolei

150,82
3263 11
X = 14~,45 3414 1
3 : :'
[
119,97 4934 1

gdzie w pierwszej kolumnie znajduj si wartoci teoretyczne zmiennej X}

czone z rwnania I postaci zredukowanej; wektor Y3 zawiera obserwacje zmi
X7. Wynik:
X7 = 5,770x} + 3,624x9 - 8288,367.
Model jako cao jest wic nastpujcy:
x} = 0,393x2 - 0,507x4 -18,69,
x2 = 0,00089x3 + 0,039x7 + 688,692,
x7 = 5,770x} + 3,624x9 - 8288,367.

8.7. Uwagi o wasnociach estymatora

Szacujc model za pomoc podwjnej metody najmniej szych kwadrat

sujemy dwukrotnie klasyczn metod najmniej szych kwadratw: pierwszy

202
 wania postaci zredukowanej, drugi raz do oszacowania postaci strukturalnej
'ornej). Proces obliczeniowy mona jednak zredukowa do jednego etapu,
liczania wartoci teoretycznych zmiennych endogenicznych. Nie oznacza to
'icie zmniejszenia czasochonnoci oblicze i liczby wykonanych operacji.
Problem ten omwimy na przykadzie szacowania jednego rwnania modelu
wnaniowego o rwnaniach cznie wspzalenych o numerze i. Parametry
rwnania szacujemy za pomoc wzoru (8.8). Teraz macierz X, podzielimy na
loki. Pierwszy blok jest zoony z kolumn zawierajcych wartoci teoretyczne
ych endogenicznych, ktre w i-tym rwnaniu odgrywaj rol zmiennych
.ajcych; drugi za skada si z kolumn zawierajcych obserwacje zmiennych
enicznych, ktre w tym rwnaniu odgrywaj rol zmiennych objaniajcych,
'e ze zmienn tosamociowo rwn jednoci, a obserwacje tej zmiennej
staci jedynek) umiecimy w ostatniej kolumnie. Pierwszy blok oznaczymy
lem Vi' drugi za - symbolem Xi. W przykadowym modelu (8.5) macierze
oszacowania pierwszego rwnania przyjm nastpujc posta:

v. = XI,21
x2,2 X'.
[ Xl, 44 11l
= ~
[ X24,. 2 ..
I :' l : :.

-X24, 4 l

r obserwacji zmiennej objanianej i-tego rwnania Y; pozostaje bez zmian.

(8.8) przybierze wic posta

(8.9)

Macierz Yi (blok macierzy Xi) jest czci macierzy obliczanej z postaci

owanej modelu za pomoc wzoru (8.7). Do oszacowania i-tego rwnania
i strukturalnej nie ma zatem potrzeby obliczania caej macierzy V, lecz tylko
kolumn, ktre tworz blok Vi' W zwizku z tym obliczymy teraz parametry
tych rwna postaci zredukowanej, w ktrych zmiennymi objanianymi s
e odgrywajce rol zmiennych objaniajcych w szacowanym i-tym rwna-
postaci strukturalnej. Zatem we wzorze (8.6) macierz Y zastpimy macierz
zoon tylko z tych kolumn macierzy Y, ktre zawieraj obserwacje zmien-
endogenicznych odgrywajcych rol zmiennych objaniajcych w i-tym rw-
. Macierz P T bdzie teraz w poszczeglnych kolumnach zawiera parametry
i zredukowanej tylko szacowanych rwna. Oznaczajc t macierz symbo-
T
Pi ,mamy

203
 Dla pierwszego rwnania modelu (8.5) mamy

Wartoci teoretyczne zmiennych endogenicznych, ktre w i-tym rwnaniu

zmiennymi objaniajcymi, obliczymy z przeksztaconego wzoru (8.7)
~ T
Yi=XPi
Po podstawieniu (8.10) do (8.11) mamy

Yi = X(XT X)-IXTYi'
Teraz wprowadmy (8.12) do (8.9):

(T
bi= [X(XTX)-IXTYi Xi] [X(XTX)-IXTYj Xi] )-1 [X(XTX)-IXTYi Xi] T
(8.1
Po prostych przeksztaceniach macierzy znajdujcej si w nawiasie okrgym
wzorze (8.13) otrzymamy macierz, ktr oznaczymy symbolem Wj:

Odpowiednio do tego wektor b, podzielimy na dwa bloki. Pierwszy b

bli, obejmuje wspczynniki przy tych zmiennych endogenicznych, ktre w ;-
rwnaniu odgrywaj rol zmiennych objaniajcych. Drugi blok, b2i, za .
wspczynniki przy zmiennych egzogenicznych wystpujcych w i-tym r
(ostatni element tego bloku jest wyrazem wolnym). Symbolem v, oznaczy
nastpujcy iloczyn:

V; ~[[X(XTXFIXTy; =l'Y}[ YlX(~~~~lXTy; J

204
 Dowodzi si, e przy spenionych warunkach stosowalnoci podwjnej meto-
oajmniejszych kwadratw wektor bj jest zgodnym estymatorem parametrw
1ttI.rr:alnych i-tego rwnania modelu o rwnaniach cznie wspzalenych.
Estymatorem macierzy wariancji i kowariancji skadowych wektora b, (czyli
rmatorw parametrw strukturalnych i-tego rwnania) jest
2 -l
Sb i =sW
I I '

sI jest to estymator wariancji skadnika losowego okrelony wzorem

2 l T
s.
I
=--ee
n -k. I l'
I

'e: kj -liczba szacowanych parametrw postaci strukturalnej i-tego rwnania,

ej - wektor reszt i-tego rwnania,

Zadania
_ Sprawdzi typ modelu
x = blly+b12u+bIO'
Y=~lz+b22w+~O'
z = b31x +b32y+b33w+b30
i przedstawi moliwoci jego estymacji.
_ Sprawdzi typ modelu

y = allx + a12z + alO'

u = a21z + a22Y + a20,
tV = a31x + a32u + a30
iprzedstawi moliwoci jego estymacji.

205
8.3. Wskaza metod estymacji poniszego modelu i krtko opisa procedur o
czemow:
.h = allx} + a12x2 + aw,
Y2 = a21Y] + a22x2 + a20'
Y3 = a31YI + a32xI + a33x2 + a30
8.4. Czy ijak mona oszacowa nastpujcy model?

y] = b12Y2 + b13Y3 + b14y 4 + ClO + 8"1'

Y2 = b2ly} + C22Y6 + C20 + 8"2'
Y3 = b34y 4 + C33Y7 + C30 + 8"3'
Y4 = b41Yl + b42Y2 + C4}Y5 + C43h + C40 + 8"4

8.5. Na podstawie danych przedstawionych

w tabelce oszacowano pierwsze rwna- l l 1 l O O
nie nastpujcego modelu dwurwna- 2 3 4 3 -3 -3 -
mowego: 3 2 l 2 l O
4 -1 O O O l
a) D, = al"; + aO' 5 O -1 -l -l 2
i, =blDt +b2Dt-] +bo; 6 O O O -1 l
b) b, = al"; + aO' 7 l O l -2 3

Pt =blDt +b2Zt-1 +bO;

c) D(=a],,;+aO'

H, =b]Dt +~ft-l +bO

otrzymujc: al = -0,526, ao = 1,158. Zapisa wektor obserwacji
objanianej y oraz macierz obserwacji zmiennych objaniajcych X niez
do oszacowania drugiego rwnania. Poda ich wymiary;
d) fIt = alif + e-
f t =blHt +b2if-l +bo
otrzymujc: al =-1,092, ao =3,079. Zapisa wektor obserwacji
objanianej y oraz macierz obserwacji zmiennych objaniajcych X, niez
ne do oszacowania drugiego rwnania. Poda ich wymiary.
8.6. W przedstawionej obok tabelce dane s obser-
s v w x
wacje 6 zmiennych: S, V, W, X, Y, Z. Na ich l O 3 3
podstawie naley oszacowa model: O 1 2 2
x
a) = als+a2y+a3w+aO, 2 3 4 3
3 2 5 O
z = bly + b2 w + b3v + bo, 3 3 4 1

206
 Jest to model o rwnaniach cznie wspzalenych, wszystkie rwnania s
identyfikowalne. Oszacowano wic parametry postaci zredukowanej tego
modelu:
0,25 0,25 1 - 0,75]
p= -0,625 -1,375 -1,25 12,375,
[

-1 3
przy czym poszczeglne kolumny tej macierzy zawieraj parametry przy
zmiennych w nastpujcej kolejnoci: V, W, Y. Przedstawi dalsze postpo-
wanie. Zapisa macierz obserwacji Xl' niezbdn do oszacowania pier-
wszego rwnania tego modelu.
b) x=a1s+a2y+a3w+aO'
z =b1y+b2w+b3v +bo,
s = clz + c2Y+ c3v + <o-
Drugie rwnanie zostao ju oszacowane:
z = -1,25y -1,35w - 0,625v + 12,375.
Okreli typ modelu ze wzgldu na sposb powiza midzy zmiennymi
endogenicznymi nieopnionymi w czasie. Wskaza metod estymacji tego
modelu i krtko opisa procedur estymacji. Zapisa macierz obserwacji
zmiennych objaniajcych potrzebn do estymacji trzeciego rwnania tego
modelu .
. Dana jest macierz obserwacji zmien-
t x V z u w
nych: X, Y, Z, U, W. 2 13 0,2 5 53
1
a. Utworzy posta zredukowan modelu 2 4 13 0,7 7 50
x = blly +b12u+ blO, 3 6 10 0,9 5 50
4 5 9 1,0 8 45
y = b2Iz+b22w+~0' 5 7 7 1,3 6 40
z = b31x +b32y+b30 6
7
5
4
8
9
1,3
1,7
9
8
36
38
i zbudowa macierze X i Y do osza-
8 3 6 1,6 9 30
cowania tej postaci.
b. Naley oszacowa model

y = all x + al2 u + al o'

u = a2lw + a22x + a20,
W = a3lu + a32z + a30'
Oszacowano posta zredukowan tego modelu:

207
 y = -0,262x - 4,114z + 15,027,
li = -0,383x + 2,659z + 5,955,
W = 1,101x -15,650z + 54,8.
Utworzy macierz Xl do oszacowania pierwszego rwnania postaci s
turalnej tego modelu.

l
Zaklasyfikuj model wielorwnaniowy, dla ktrego macierz B ma posta6

1 O O
B = O 1 - fJ23 '
[O O 1

208
Do szacowania parametrw trzeciego rwnania modelu
Yl = fJ13Y3 + Yllxl + Y13x3 + c}>
Y2 = fJ21Yl + Y23x3 + c2,
Y3 = fJ3lYl + Y32x2 + Y33x3 + c3
na podstawie danych o wszystkich zmiennych wystpujcych w modelu po-
da, ilu rwna oszacowanie parametrw w postaci zredukowanej jest nie-
zbdne:
Al
C
Rozwaamy nastpujcy jednoznacznie identyfikowalny model:
Yl = Y2 + 2z1 + 2,
)12 = 2Yl - z2 + l.
Wyznacz wartoci ocen parametrw drugiego rwnania postaci zredukowanej
tego modelu.
:"::~:;:;:~::::::::::::

Naley oszacowa model rekurencyjny

h = alY2 + a2xl + a3x2 + aO'

Y2 =b1Y3 +b2xl +b3x3 +bo,

Y3 = clx2 + c2x3 + <o-

 9. ZASTOSOWANIA METOD EKONOMETRYCZNYC

9.1. Analiza produkcji

Proces produkcyjny jest najwaniejszym elementem dziaalnoci p

biorstwa produkcyjnego. Proces ten moe by badany z rnych punktw
nia. Jednym z nich, niekoniecznie najwaniejszym, jest analiza ekonometry
Polega ona na badaniu ilociowych relacji midzy rnymi zjawiskami techni
-ekonomicznymi wystpujcymi w procesie produkcyjnym. Zalenoci
tymi zjawiskami s (powinny by) silne i wielokierunkowe.
Narzdziem badawczym jest model ekonometryczny. Moe to by model
no- lub wielorwnaniowy, w ktrym przynajmniej jedn ze zmiennych en
nicznych nieopnionych w czasie jest poziom produkcji okrelonego dobra
okrelonych dbr - ale mog te by nimi inne zmienne). Nasze rozwaania
niczymy tylko do modelu jednorwnaniowego, ktry bdziemy nazywa r
funkcj produkcji. W takim modelu zmienn objanian jest wielko prod
natomiast zmiennymi objaniajcymi s tzw. czynniki produkcji. Wszystkie
ne wystpujce w tym modelu powinny by w miar moliwoci wyraone
nostkach naturalnych lub umownych (przeliczeniowych). Tylko w ostatec
stosujemy jednostki pienine.
Czynniki produkcji s to pojcia uywane w mikroekonomii. Wekono
nazywamy je zmiennymi objaniajcymi. Maj one charakter albo nakadw,
zasobw. Czynniki o charakterze nakadw ulegaj w czasie procesu produkc
go zuyciu w caoci i jednorazowo, fizycznie wchodz w skad produktu
rednio lub umownie). Mona je rwnie nazwa "strumieniami". Cech ch
rystyczn takich zmiennych jest to, e zawsze s odnoszone do okrelonego
dziau czasu. Naley tu np. zuycie surowcw, materiaw, paliwa, energii,
ywej (mierzonej np. za pomoc roboczogodzin, roboczodni itp.). Czynniki o
rakterze zasobw fizycznie (ani w aden inny sposb) nie wchodz w skad
stancji produktu (lub usugi). Proces produkcyjny nie powoduje zmian ich stan
najwyej mona mwi o amortyzacji. Cech charakterystyczn takich zn:iie
jest to, e zawsze s odnoszone do okrelonego punktu na osi czasowej (mom
Do nich nale m.in. budynki, budowle, maszyny, narzdzia, rodki trans
robocizna (tym razem mierzona liczb zatrudnionych).
W teorii ekonomii wyrnia si trzy gwne czynniki produkcji:
- prac yw,
- prac uprzedmiotowion (kapita),

* Rozdzia ten zosta przedrukowany, z niewielkimi zmianami, z ksiki [24] za zgod wy

210
 - ziemi (zwaszcza w rolnictwie).
W przedsibiorstwach nierolniczych ziemia na og nie odgrywa istotnej roli,
go ten czynnik pomijamy. Tak wic w najprostszej funkcji produkcji wystpu-
dwie zmienne objaniajce (dwa czynniki produkcji): praca ywa (Xl lub L)
ca uprzedmiotowiona - kapita (X2 lub 10. W praktyce ekonometrycznej
iczenie liczby czynnikw produkcji do dwch jest niemoliwe, choby ze
du na to, e wszystkie zmienne powinny by wyraone w jednostkach natu-
ych. Gdyby ograniczy si tylko do dwch zmiennych objaniajcych (praca
ita), wwczas kada z nich moe by wyraona tylko w jednostkach pieni-
co radykalnie ogranicza zakres prowadzonej analizy. Przeciwko tak zdefinio-
ym zmiennym objaniajcym przemawia rwnie to, e zarwno praca, jak
ita, s to agregaty ogromnej liczby znacznie rnicych si midzy sob
ikw elementarnych, tworzcych ten czy inny agregat. Na przykad kapita to
'wno kapita finansowy, jak i rzeczowy. Z kolei kapita rzeczowy znowu mona
ieli na skadniki elementarne, nieporwnywalne z sob, np. maszyny (zawsze
puje dua ich rnorodno), budynki (hale produkcyjne, budynki biurowe,
azyny itp.), rodki transportu, surowce, materiay, paliwo czy energia. Niektre
h maj charakter strumieni, czyli ich obserwacje, niezbdne do oszacowania
elu, odnoszone s do okresw, inne za maj charakter stanw, a ich obserwa-
z kolei odnoszone s do momentw. Zatem obserwacja agregatowej zmiennej
nazw "kapita", w skad ktrej wchodz zarwno czynniki o charakterze na-
w, jak i czynniki o charakterze zasobw, jest po prostu niemoliwa. Przedsta-
e argumenty zmuszaj nas do dezagregacji obu czynnikw produkcji na czyn-
elementarne. Skutkiem tego moe by znaczny wzrost liczby zmiennych
. iajcych, ktra moe by bardzo dua (kilkadziesit lub nawet kilkaset). Ze
du na ograniczon liczb obserwacji liczba ta jednak nie moe by zbyt dua.
o powodu konieczna jest niekiedy znaczna redukcja liczby zmiennych obja-
ych. Do tego su odpowiednie metody statystyczne, umoliwiajce wybr
alnego zestawu ostatecznych zmiennych objaniajcych, takich mianowicie,
istotnie wpywaj na zmienn objanian.
Model ekonometryczny, nazywany rwnie funkcj produkcji, moe mie
posta analityczn, Najczciej spotykan w praktyce postaci analityczn
cji produkcji jest funkcja potgowa, zwana funkcj produkcj i Cobba-Douglasa
nazwisk pomysodawcw):

cja ta ma teoretyczne uzasadnienie i znalaza potwierdzenie w praktyce.

Czsto stosowan postaci analitycznj est rwnie posta liniowa:

p = b1X1 +~X2 + ... +bkXk +bo'

211
 Wykres dwuczynnikowej funkcji produkcji w przestrzeni trjwymiarowej j
przedstawiony na rys. 9.1.

/1- -
/ I
/ I
p /
/
/
PC
/
/
/
/
/
PC

Rys. 9.1. Wykres dwuczynnikowej funkcji produkcji

Do ekonometrycznej analizy procesu produkcyjnego stosuje si kilka mi

kw syntetycznych.
1. Produkt cakowity jest to teoretyczna warto zmiennej objanianej
znanych, prognozowanych lub ustalonych wartociach wszystkich zmie
objaniajcych, czyli:
PC=P.
Oznacza on taki poziom produkcji, ktry powinien by osignity przy o
nych (niezalenie od tego, na jakiej podstawie) wielkociach wszystkich c
kw produkcji wystpujcych w modelu (w interpretacji formalnej, matema
nej, powiadamy "w danym punkcie"). Miano tego miernika jest oczywicie
samo, jak miano zmiennej objanianej, czyli produkcji.
Porwnanie rzeczywistego poziomu produkcji z odpowiadajcym mu pr
tern cakowitym pozwala na ocen dziaalnoci firmy w danym okresie. W s
gdy rzeczywisty poziom produkcji jest wikszy od produktu cakowitego, oc

212
 pozytywna, w sytuacji odwrotnej - negatywna, co zmusza do szukania przy-
powstania takiej sytuacji.
2. Produkt przecitny:

PC j> j(XI, X2, ... , Xk) ( )

P~=-=-= q> XI,X2, ... ,Xk .
x, x, x,
produktu przecitnego jest stosunkiem miana produkcji do miana i-tego
. a produkcji. Interpretacja produktu przecitnego jest nastpujca: produkt
itny jest to przecitna wielko produkcji przypadajca na jednostk
czynnika produkcji przy ustalonych wartociach wszystkich czynnikw
nkcji (czyli w ustalonym punkcie). Interpretacja tajest rwnowana pojciu
itnej wydajnoci (produktywnoci) czynnika produkcji w ustalonych warun-

3. Produkt kracowy (marginalny) okrela zmian wielkoci produkcji,

odowan zmian tylko i-tego czynnika produkcji o jednostk (przy ustalonym
iomie pozostaych czynnikw produkcji):
~
PK=I
M
Mi
. znana jest posta analityczna funkcji produkcji, to produkt kracowy jest
odn czstkow tej funkcji wzgldem i-tego czynnika produkcji:
~ aj>
PKi = lim M = __ .
LlX"i ~O Mi ax,
o produktu kracowego jest takie samo jak miano produktu przecitnego.
retacja produktu kracowego jest nastpujca: produkt kracowy jest to
kiwany przyrost produkcji, spowodowany przyrostem i-tego czynnika
ukcji o jednostk przy zaoeniu, e pozostae czynniki produkcji nie
niaj si, lub: produkt kracowy jest to oczekiwany przyrost produkcji
odowany, ceteris paribus, jednostkowym przyrostem i-tego czynnika pro-
ji o jednostk.
Na rys. 9.1, 9.2 i 9.3 przedstawiona jest geometryczna interpretacj a tych
h poj. Na rys. 9.1 przedstawiony jest teoretyczny poziom produkcji dla
lonych wartoci obu czynnikw produkcji (xOI oraz x02). Na rys. 9.2 produkt
itny wzgldem zmiennej Xl to wspczynnik kierunkowy promienia
cego funkcji produkcji dla ustalonej wartoci zmiennej X2 na poziomie x02

'P = tg a). Produkt kracowy wzgldem zmiennej Xl to wspczynnik kierunko-

stycznej do tej samej krzywej, a wic pochodna czstkowa funkcji produkcji
ustalonej wartoci zmiennej X2 na poziomie x02 (PK = tgf3). W punkcie

213
 PC
c
I
I
I
I
I
I
: PP = tga
I

: PK
I
= tgfJ
I
I
I
I
I
I
I
I
I
I

Rys. 9.2. Geometryczna interpretacja produktw przecitnego i kracowego

PK A'
PP

Rys. 9.3. Wykres funkcji produktw przecitnego i kracowego

przegicia krzywej produktu cakowitego znajduje si maksimum produktu kr

wego (rys. 9.3). Maksimum produktu przecitnego wystpi wtedy, gdy bdzie
rwny produktowi kracowemu. Gdyby funkcja produkcji miaa maksimum l
ne, wwczas po jego przekroczeniu produkt kracowy przyjmowaby w
ujemne. Zwikszanie nakadu danego czynnika poza ten punkt dawaoby w efe
zmniejszanie si produktu cakowitego (ujemny przyrost produkcji) - byb
przedzia nieracjonalnego dziaania. Oznacza to, e funkcja produkcji powinna
funkcj niemalejc; t wasno ma zarwno funkcja typu Cobba-Douglasa,
i funkcja liniowa.
4. Elastyczno prodnkcji wzgldem i-tego czynnika produkcji o
wzgldn zmian wielkoci produkcji (w procentach) spowodowan wzgl

214
 tylko i-tego czynnika produkcji o jeden procent (przy ustalonym poziomie
taych czynnikw produkcji):
~ L1X ~ ~
i - -~--X i -- M
E_M. AV
. P -- PK i'. PPi
-X =
lir
'f' i
(X i')
P i LJ/1.i i

enie od postaci analitycznej. Z defmicji elastycznoci oraz z powyszego

wynika, e elastyczno jest wielkoci niemianowan. Elastyczno liczon
sposb nazywa si elastycznoci punktow.
W praktyce elastyczno liczy si niekiedy w nieco inny sposb. Jeli znany
poziom produkcji oraz warto danego czynnika produkcji w dwch rnych
ch (momentach), to mona t elastyczno liczy, wychodzc bezporednio
inicji elastycznoci, przy czym za fi przyjmuje si redni warto produkcji
punktw na osi czasowej, i podobnie za X, przyjmuje si redni warto
czynnika z tych samych punktw na osi czasowej, czyli

E. = LJ.P . L1Xi = P2 -1J. x X2i + Xli

I 1J. + P2 . XIi + X 2i X 2i - Xli P2 + 1J. .
2 2
czno liczon w ten sposb nazywa si elastycznoci ukow. Merytorycz-
jest ona rwnowana elastycznoci punktowej.
Obliczanie elastycznoci ukowej moe jednak budzi istotne wtpliwoci.
y bowiem nie mamy pewnoci, czy nie zmieniy si w tym czasie inne czyn-
. produkcji, czyli nie mamy pewnoci, czy zaobserwowana zmiana produkcji
efektem tylko zmiany danego czynnika produkcji. W praktyce zawsze w miar
wu czasu zmianie ulegaj wszystkie czynniki produkcji, co uniemoliwia obli-
ie elastycznoci ukowej.
Interpretacja elastycznoci jest nastpujca: elastyczno jest to oczekiwany
ldny przyrost produkcji (np. w procentach), spowodowany jednostko-
wzgldnym przyrostem i-tego czynnika produkcji (np. o 1%) przy zao-
'0, e pozostae czynniki produkcji si nie zmieniaj, lub: elastyczno jest
zekiwany wzgldny przyrost produkcji (np. w procentach) spowodowany,
is paribus, wzgldnym przyrostem i-tego czynnika produkcji o jednostk
01%).
5. Efekt skali produkcji. Definiujc elastyczno, przyjlimy zaoenie, e
o jeden czynnik produkcji wzrasta o 1%, pozostae za si nie zmieniaj.
'IDy teraz, e wszystkie czynniki produkcji wzrastaj jednoczenie o 1%.
wczas naley si spodziewa, e produkcja wzronie o A%:
o

215
Wskanik ten nazywamy efektem skali produkcji (oznacza si j te sym
ESP). Jest to rwnie wielko niemianowana.
Wydaje si, e naturalne jest oczekiwanie, aby A = 1; w praktyce czs
si zdarza. Rzeczywista warto efektu skali produkcji daje cenne info
o charakterze procesu produkcyjnego. Jeli A < l, oznacza to, e efekty rosn
niej ni nakady i zasoby czynnikw produkcji (wwczas mwimy o malei
wydajnoci czynnikw produkcji), Jeli A> 1, to efekty rosn szybciej ni n
i zasoby (rosnca wydajno czynnikw produkcji). I wreszcie gdy A = l,
efekty rosn w takim samym tempie, jak nakady i zasoby czynnikw prod
(staa wydajno czynnikw produkcji).
Interpretacja efektu skali produkcji jest nastpujca: efekt skali prod
jest to oczekiwany wzgldny przyrost produkcji (np. w procentach) spow
wany jednoczesnym jednostkowym wzgldnym przyrostem wszystkich
nikw produkcji (np. 01 %).
6. Kracowa stopa substytucji czynnikw produkcji (czynnika i przez
nik})
LiX .
SS.. =---)
l) LiX. ,
okrela, jaki nakad (zasb) czynnika} musi by wprowadzony w miejsce wy
nej jednostki nakadw (zasobw) czynnika i, przy zaoeniu, e pozostae c
ki si nie zmieniaj, tak by poziom produkcji rwnie nie uleg zmianie. Ponie
LiXj jest ujemne, wic SSij jest liczb dodatni. Przeksztamy ten wzr:

AXj PK
SSij = =~: t1P = __ '
AXl -AX l)
AX PK)

(zwrmy uwag, e LiXj jest ujemne, std minus w tym wzorze nadaje tej wie
ci znak dodatni). Mianem tej wielkoci jest stosunek miana czynnika} do c
ka i.
Wprowadmy pojcie izokwanty produkcji. Jest to krzywa jednakowego
ziomu produkcji dla wszystkich moliwych kombinacji nakadw (zasobw) c
nikw produkcji. Dla celw ilustracyjnych rozwamy przypadek dwch czynni
produkcji, wtedy bowiem mona poda interpretacj geometryczn.
Jednej krzywej odpowiadaj takie wartoci Xl i X 2' przy ktrych produk
jest taka sama. Ksztat tych izokwant okrela substytucyjno czynnikw pr
cji. Rysunek 9.4 odpowiada doskonaej substytucyjnoci, rys. 9.5 - dosko
komplementarnoci. W naj czstszym przypadku (rys. 9.6) mamy do czyni
z czciow substytucyjnoci i z czciow komplementarnoci, przy czym
pie substytucyjnoci i komplementarnoci jest zmienny,

216
 Xl

Rys. 9.4. Doskonaa substytucyjno Rys. 9.5. Doskonaa komplementarno

czynnikw produkcji czynnikw produkcji

9.6. Czciowa substytucyjno i czciowa Rys. 9.7. zokwanty produkcji

omplementarno czynnikw produkcji i izokwanty kosztw

lzokwanty produkcji mona wykorzysta do wyboru optymalnej struktury

ikw produkcji. Do tego celu wykorzystamy krzywe jednakowych kosztw,
tworz rodzin prostych rwnolegych malejcych (proste KI i K2 na
9.7). Rwnanie izokwanty kosztw w przypadku dwch czynnikw produkcji
nastpujce:

'e CI i C2 - ceny czynnika 1 oraz 2.

Kady punkt na jednej prostej oznacza okrelon kombinacj poszczeglnych
mnikw produkcj i przy tych samych kosztach zwizanych z nakadami tych
ikw. Optymalna kombinacja nakadw obu czynnikw znajduje si w punk-
stycznoci funkcji (prostej) kosztw z izokwant produkcji (punkt A na
9.7). Ma to miejsce wtedy, gdy speniona jest relacja

217
 PKI PK2
--=--
CI C2
W przypadku oglnym
PK PKj
__ I = __ = constans.
Ci Cj

Aby mona byo rozwiza to zadanie, wszystkie czynniki produkcji m

spenia pewne warunki. Po pierwsze, musz by wyraone w jednostkach na
nych, w przeciwnym bowiem razie niemoliwe byoby skonstruowanie
kosztw, gdy dany czynnik produkcji uwzgldniaby ju implicite cen tego c
nika (lub ceny czynnikw elementarnych tworzcych dany czynnik, gdyby by
agregatem pewnych czynnikw elementarnych). Po drugie, wszystkie c
produkcji powinny by albo o charakterze nakadw (wtedy zadanie jest najp
sze), albo o charakterze zasobw.
Przykad 9.1. Oszacowano funkcj produkcji typu Cobba-Douglasa

fi = O , 654Xo,304
I
XO,674
2 '

gdzie: P - produkcja (w tys. z),

Xl - majtek trway (w tys. z),
X2 - zatrudnienie (w osobach).
W pewnym okresie warto majtku trwaego wynosia 100 000 z, zatrudnie
200 osb.
Produkt cakowity:

PC = fi = 0,654 X 100,304 X 200,674 = 94,3 [tys. z].

Komentarz: przy danych nakadach obu czynnikw produkcji naley si sp

wa efektw produkcyjnych na poziomie 94,3 tys. z.
Produkt przecitny:

Pfj=PC =94,3=0943[ tys. z produkcji ]=943[ z produkcji

XI 100 ' tys. z majtku trwaego tys.zmajtkutrwaeg

PE = PC = 94,3 = 0,4715 [tys. z prOdUkCji] = 471,S [Z ProdukCji] .

2 X2 200 osob osob

Komentarz: przy danych wartociach zmiennych objaniajcych z l tys. z maj

trwaego mona uzyska przecitnie produkcj wartoci 943 z (jest to wic
duktywno majtku trwaego), a na 1 zatrudnionego przypada produkcja o

218
. przecitnie 471,5 z Gest to wic wydajno pracy - oczywicie teoretyczna,
jca z modelu).
Produkt kracowy:

dla funkcji Cobba-Douglasa),

=0 30494,3=0 287[ tys. z produkcji ]=287[ z produkcji ]

, 100 ' tys. z majtku trwaego tys. z majtku trwaego '

PK =
2
'
674 94,3 = 0318 [tys. z prOdukCji] = 318 [Z prOdukCji] .
200' osob osob

ntarz: zwikszenie majtku trwaego o 1 tys. z powinno, ceteris paribus,

-odowa wzrost produkcji o 287 z, a zwikszenie zatrudnienia o 1 osob -
8 z.
Elastyczno produkcji:

b.PC
E.l = PPP
Ki = ~ PC = b.l (tylko dla funkciJ i Cobba- Douglasa) ,
1-
X-
l

Et = 0,304, E2 = 0,674.

entarz: zwikszenie majtku trwaego o 1% powinno, ceteris paribus, spowo-

a wzrost produkcji o 0,304%, a zwikszenie zatrudnienia o 1% - o 0,674%.
Efekt skali produkcji:

ESP = Et + E2 = 0,304 + 0,674 = 0,978 .

entarz: jednoczesne zwikszenie obu czynnikw produkcji (majtku trwaego

dnienia) o 1% powinno da zwikszenie produkcji o 0,978%. Poniewa efekt
. produkcji jest prawie rwny 1, mona wic powiedzie, e efekty (produkcja)
w takim samym tempie jak nakady obu czynnikw produkcji, czyli mamy
zynienia ze sta wydajnoci czynnikw produkcji.
Kracowa stopa substytucji:

SS
12
= PK1 = 0,287 = 902[
PK2 0,318 '
osoby ]
tys. z majtku trwaego '

SS = PK2 = 0,318 =1,109[tys.zmajtku trwaego].

21 PK1 0,287 osob

219
Komentarz: jednego pracownika mona zastpi majtkiem trwaym wartoci
o 1108 z lub majtek trway wartoci 1 tys. z mona zastpi zwikszeniem
trudnienia o okoo 0,902 etatu.
Przykad 9.2. Oszacowano funkcj produkcji typu Cobba-Douglasa
p = O ,046Xo,45
l
XO,27 XO,19
2 3'

gdzie: P - produkcja (w tys. szt.),

Xl -liczba maszyn (w sztukach),
X2 - zatrudnienie (w setkach osb),
X3 - zuycie surowcw (w tonach).
W pewnym okresie liczba maszyn wynosia 45 szt., zatrudnionych byo 1800 o .
a surowca zuyto 60 ton.
Produkt cakowity:

PC = P = 0,046 x 45,45 x 18,27 x 60,19 = 1,212 [tys. szt.].

Produkt przecitny:

PR = 1,212 = 0,027 [tys. szt. ProdukCji] = 27 [szt. prOdUkCji],

1 45 szt. maszyn szt. maszyn

pp,. = 1,212 = 0067 [tys. szt. prOdukCji] = 67 [szt. ProdukCji]

2 18' sto osb sto osb, '

pp = 1,212 = 0,02 [tys. szt. prOdUkCji] = 20 [szt. prOdUkCji].

3 60 ton ton ,

Produkt kracowy:

PK = 045 1,212 = O 01212 [tys. szt. prOdUkCji] = 12 12 [szt. prOdUkCji]

l , x 45 ' szt. maszyn " szt. maszyn

PK = O 27 x 1,212 = O 0182 [tys. szt. prOdUkCji] = 18 2 [szt. prOdUkCji]

2, 18' sto osb ' sto osb '

PK = 0,19 x 1,212 = 0,00384 [tys. szt. prOdUkCji] = 3,84 [szt. prOdukCji].

3 60 ton ton

Elastyczno:
=0,45, E2=0,27, E:3=0,19.

220
 Efekt skali produkcji:
ESP = El + E2 + E3 = 0,45 + 0,27 + 0,19 = 0,91.
Kracowa stopa substytucji:

SS = PKl= 0,01212 =06678[stooSb]=66 78[ OSb]

12 PK2 0,01815' maszyn , maszyn'

SS = PK2 = 0,01815:::::1 5[szt.maszyn]

21 PK1 0,01212 ' sto osb '

SS = PKl = 0,01212 = 31645 [sto OSb]= 316 45 [ osb ]

13 PK3 0,00383' maszyn , maszyn'

SS = PK3 = 0,00383 =0316[maszyn]

31 PK} 0,01212 ' sto osb '

SS = PK2 = 0,01815 =4 737[ ton ]

23 PK3 0,00383 ' sto osb '

SS = PK3 = 0,00383 = 0,211 [sto OSb]= 21,1 [OSb].

32 PK2 0,01815 ton ton

aga: substytucyjno surowca przez majtek trway i zatrudnienie (oraz od-

ie) nie ma merytorycznego uzasadnienia.
W obu przykadach nie mona okreli optymalnej struktury czynnikw pro-
cji. W pierwszym przykadzie jeden z czynnikw (majtek trway) wyraony
wartociowo, co wyklucza moliwo optymalizacji struktury czynnikw pro-
ji. W drugim przykadzie majtek trway oraz zatrudnienie s czynnikami
harakterze zasobowym, co stwarza pewne problemy przy optymalizac ; !'f".- .ktu-
zynnikw produkcji. Ponadto substytucja tych czynnikw przez suro' jest
orycznie niemoliwa. Dlatego ten problem omwimy na innym prz)n.iadzie.
Przykad 9.3. W gospodarstwie hodowli tucznikw oszacowano model opi-
. cy zaleno produkcji tucznikw (w szt.) od zuycia dwch podstav= 'ch
Xl i X2 (w tonach):

f = 167 X?,5 Xf,4.

y obu pasz wynosz: C} = 800 z/ton, C2 = 400 z/ton.
a. Ustali optymalne proporcje tych pasz na takim poziomie, aby wyprodu-
a 1000 tucznikw przy najniszym koszcie tych pasz.
Wyznaczamy produkty kracowe wzgldem obu czynnikw produkcji:

221
Zwarunku

mamy
0,51 = 0,4YO X =l 6X
800X l 400X' 2 2 ' l'

1000 = 167 X?, 51,~,4 X?,4 = 167 .1,6,4 .x?,9 ,

l

Xl = (
1000
04
JO,9 = 5,928, X2 = 1,65,928 = 9,485 .
1671,6'

b. Wyznaczy kracow stop substytucji obu pasz przy ich optymalnych

ziomach zuycia.

SS12 = PK1 = 0,5YOX2 = 0,59,49 = 2 [tony paszy 2]

PK2 0,4YoX1 0,45,93 ton paszy 1 '

SS = _1_ = 0,5 [ tony paszy l].

21 SS12 ton paszy 2

Komentarz: ten sam poziom produkcji mona uzyska przez zastpienie jednej
ny paszy pierwszej dwiema tonami paszy drugiej lub, co na jedno wychodzi, j
tony paszy drugiej przez p tony paszy pierwszej.
c. Jaka jest moliwa maksymalna produkcja tucznikw, jeli przedsibiors
moe wyda na pasze kwot 5000 z?
800X1 + 400X2 = 5000,

800X1 + 400 1,6X1 = 5000,

5000
Xl = =3,472, X2 =1,6X1 =5,556.
800+4001,6

Przy wymaczonych poziomach zuycia pasz produkcja powinna wynie

Ymax = 167 .3,472,5. 5,556,4 ~ 618szt.

222
 Zadania
Oszacowano funkcj produkcji

fi = 4X?,25 X~,5,
gdzie: P - produkcja (w nr'),
Xl - zuycie surowca (w m"),
X2 - nakady robocizny (w tys. roboczogodzin).
W pewnym okresie zuyto 16 m2 surowca oraz 25 tys. roboczogodzin.
a. Wyznaczy i zinterpretowa produkt przecitny, produkt kracowy oraz
elastyczno wzgldem zuycia surowca.
b. Wyznaczy i zinterpretowa efekt skali produkcji.
c. Wyznaczy i zinterpretowa produkt przecitny, produkt kracowy oraz
elastyczno wzgldem robocizny, jeli w innym okresie zuyto 81 m2
surowca oraz 36 tys. roboczogodzin.
Dana jest funkcja produkcji wyrobu A:

fi = 2 MO,3 RO,6 SO,2 ,

gdzie: P - produkcja (w tys. sztuk),
M-liczba maszyn (w sztukach),
R - liczba zatrudnionych (w setkach osb),
S - zuycie surowca (w tonach).
W pewnym okresie liczba zaangaowanych maszyn wynosia 10 szt., liczba
zatrudnionych - 300 osb, zuycie surowca - 2 tony.
a. O ile sztuk zmieni si produkcja, jeli przedsibiorstwo zwikszy zuycie
. surowca o 200 kg, nie zmieniajc pozostaych czynnikw ksztatujcych
produkcj?
b. Firma jest zmuszona zwolni 100 pracownikw. Co powinna zrobi, by
utrzyma dotychczasowy poziom produkcji bez zmiany zuycia surowca?
a podstawie miesicznych danych z lat 1994-1998 oszacowano funkcj pro-
dukcji
fi = 8,2X?,3 X~,5 Xf,4,

gdzie: P - produkcja (w tonach),

Xl - zatrudnienie (w setkach osb),
X2 - produkcyjny majtek trway (tradycyjny) (w tys. z),
X3 - automaty produkcyjne (w tys. z).
W biecym miesicu zatrudnienie wynosio 200 osb, warto tradycyjnych
maszyn produkcyjnych - 1 mln z, warto automatw produkcyjnych - 2 mln z.

223
 a. Jak zmieni si wielko produkcji, gdy wszystkie czynniki pr
zwiksz si o 2%?
b. Wymaczy stop substytucji tradycyjnych maszyn produkcyjnych
automaty produkcyjne. Wynik zinterpretowa.
9.4. Dana jest funkcja produkcji:

p = l,2Ko,5 LM ,
gdzie: P - produkcja (w tys. ton),
K - majtek trway (w mln USD),
L -zatrudnienie (w tys. osb).
Jaka jest przecitna produktywno majtku trwaego i wydajno pracy, .
w pewnym okresie warto majtku trwaego wyniosa 1210000 USD, a
trudnienie 1000 osb. Poda komentarz.
9.5. Dana jest funkcja produkcji jogurtw naturalnych:

p = 4xf3 x2x/2,
gdzie: P - produkcja jogurtw (w tys. litrw),
Xl - zuycie mleka (w tys. litrw),
X2 - majtek trway (w tys. z),
X3 - zatrudnienie (liczba osb).
a. Sprawdzi, czy mamy do czynienia z malejc, rosnc, czy sta wy
noci czynnikw produkcji.
b. Jakiej zmiany w wielkoci produkcji jogurtw naley si spodziewa, j
tylko zatrudnienie wzronie o 10%?
c. Jak zmieni si produkcja,jeli wszystkie czynniki produkcji wzrosn o l
9.6. Oszacowano funkcj produkcji:
p = O 8UO,5Z0,4 _ 1560
, W'
gdzie: P - wielko produkcji (w tys. szt.),
M-moc zainstalowanych maszyn (w MW),
Z - robocizna (w tys. roboczogodzin),
W - zuycie wgla (w tonach).
W badanym okresie moc zainstalowanych maszyn wynosia 22500 kW, lic
przepracowanych roboczogodzin - 316830, zuycie wgla - 100 ton. Jakaj
elastyczno produkcji wzgldem mocy zainstalowanych maszyn? P
komentarz.
9.7. Dana jest funkcja produkcji wyrobu B:

P=2X +5Y+3M+0,lL,

224
 gdzie: P - produkcja (w szt.),
X - zuycie surowca X (w tonach),
y - zuycie surowca Y (w tonach),
M - liczba maszyn,
L -liczba zatrudnionych (w setkach osb).
Wyznaczy i zinterpretowa elastyczno produkcji wzgldem zatrudnienia,
jeli zuyto 500 kg surowca X, 200 kg surowca Y, w eksploatacji znajduj
si 4 maszyny, a liczba zatrudnionych wynosi 55 osb .
. . Dana jest funkcja produkcji wyrobu B:

P=2X +5Y +3M +9L,

gdzie: P - produkcja (w szt.),
X - zuycie surowca X (w tonach),
y - zuycie surowca Y (w tonach),
M - liczba maszyn,
L -liczba zatrudnionych (w setkach osb).
a. O ile sztuk zmieni si produkcja, jeli przedsibiorstwo zwikszy zuycie
surowca X o 5 ton, nie zmieniajc pozostaych czynnikw ksztatujcych
produkcj?
b. Firma jest zmuszona zwolni 100 pracownikw. Co powinna zrobi, by
utrzyma dotychczasowy poziom produkcji bez zmiany zuycia surow-
cw?
~. Oszacowano funkcj produkcji
2 2
P=250+2XIX2 +15X1 +0,5X2,
gdzie: P - produkcja (w szt.),
Xl - robocizna (w tys. roboczogodzin),
X2 - zuycie narzdzi (w szt).
W pewnym okresie nakady robocizny wyniosy 6800 roboczogodzin, zuy-
cie narzdzi - 47 sztuk. Wyznaczy produkty kracowe wzgldem obu
czynnikw produkcji, poda ich interpretacj .
. Oszacowano funkcj produkcji

fi = 35M
, + 2RO,5 + SO,25 ,
gdzie: P - produkcja (w tys. szt.),
M- majtek trway (w mln z),
R - zatrudnienie (w tys. osb),
S - zuycie surowca (w tonach).

225
 W pewnym okresie nakady i zasoby poszczeglnych czynnikw produk
wyniosy: majtek trway - 500 tys. z, zatrudnienie - 160 osb, zuycie
rowca - 81 ton.
a. Okreli produkt kracowy wzgldem zatrudnienia.
b. Jaka jest przecitna wydajno pracy ywej?
c. W jakim stopniu mona zastpi prac yw przez majtek trway?
Wszystkie wyniki zinterpretowa.
9.11. Dla funkcji produkc j i

Q = 0,4 + 0,8K + 1,2L

wyprowadzi izokwant produkcji dla Qo = 24 i naszkicowa jej wy
Czy w tym przypadku mamy do czynienia z doskona komplementarnoci
doskona substytucyjnoci, czy te ma miejsce czciowa substytucyjn
i czciowa komplementarno czynnikw produkcji?
9.12. Obliczony na podstawie funkcji produkcji z trzema zmiennymi objaniaj
cymi efekt skali produkcji wynosi 0,9. Elastyczno produkcji wzgld
czynnika pierwszego wynosi 0,5, wzgldem czynnika drugiego za 0,3. J
jest elastyczno produkcji wzgldem czynnika trzeciego?
9.13. W funkcji produkcji zmienn objanian jest produkcja elazek elektry
. nych (w setkach sztuk), a jedn ze zmiennych objaniajcych - zuycie e
gii elektrycznej (w kWh). Dla pewnego okresu produkt przecitny wzgl
zuycia energii elektrycznej wynis 0,4, a produkt kracowy - 0,6. Oblic
i zinterpretowa elastyczno produkcj i wzgldem zuycia energii el
trycznej. Poda miana i skomentowa produkt przecitny i kracowy.
9.14. W funkcji produkcji zmienn objanian jest produkcja elazek elektry
nych (w setkach sztuk), ajednze zmiennych objaniajcych - zuycie e
gii elektrycznej (w kWh). Dla pewnego okresu produkt przecitny wzgl
zuycia energii elektrycznej wynis 0,8, a elastyczno produkcji wzgl
zuycia energii elektrycznej 0,4. Jaka jest warto produktu kracowe
Poda komentarz.
9.15. W dwch frrmach X i Y oszacowano funkcje produkcji:
dla firmy X: Pl = 5,5Zo,5A,5,
dla firmy v, P2 =4M+2Z+100,
gdzie: P - wielko produkcji (w tonach),
Z - zatrudnienie (w etatach),
M - liczba maszyn.
W badanym okresie w obu frrmach zatrudnienie wynosio 64 etaty, a lic
maszyn - 100 sztuk. W ktrej firmie przecitna wydajno pracy jest wi
sza? Odpowied uzasadni.

226
_ Dane s funkcje produkcji dla dwch firm, A i B, produkujcych ten sam
wyrb:
dla firmy A: PA = 20XI + l5X2 + 10,
dla firmy B: PB = 44XI +14X2 +35,
gdzie: PA - produkcja w firmie A (w tonach),
PB - produkcja w firmie B (w tonach),
Xl - liczba maszyn,
X2 -liczba zatrudnionych.
W ktrej firmie zatrudnienie dodatkowego pracownika spowoduje wycofanie
wikszej liczby maszyn (przy zachowaniu tej samej wielkoci produkcji)?
UdPO'WH~d uzasadni.

W funkcji produkcji P = 0,5Xf + 2x2 - 3.j;; + 13,8poszczeglne zmienne ob-

janiajce przyjy nastpujce wartoci: Xl = 3, 11 = 2, 4 = 10.
a. Produkt kracowy wzgldem pierwszego czynnika produkcji wynosi:

W funkcji produkcji Cobba-Douglasa

P =ax~x~x~
wystpuje rosnca wydajno czynnikw produkcji. Po oszacowaniu tego
modelu otrzymano: q = 0,3, ~ = 0,6. Ktra warto parametru b:3 jest na
pewno bdna:
I) 0,1,
ID) 0,05,

P~-- 2 , 4 Xl0,6x20,3x30,1

elastyczno produkcji wzgldem pierwszego czynnika produkcji wynosi:

227
 9.2. Analiza popytu

Analiza popytu na wyroby produkowane przez przedsibiorstwo jest r

wana jak analizy innego rodzaju, w tym analiza produkcji. Dochody i zyski p
sibiorstwa zale w duym stopniu od popytu na jego produkty. Przy rela
stabilnym popycie mona planowa dugie serie produkcji, w przeciwnym
plany musz by elastyczne, a serie produkowanych wyrobw krtkie. ~
Popyt jest pojciem dobrze znanym z ekonomii - jest to liczbajednostek
nego towaru lub danej usugi, ktr konsumenci s skonni naby w cigu pe
okresu w okrelonych warunkach. Warunki te to rne czynniki (zwane C'L.yJLlLLI.

mi popytotwrczymi), od ktrych zaley wielko popytu.

W ekonometrycznej analizie popytu wykorzystywane s modele ekon
tryczne, ktre nosz nazw funkcji popy/u. W modelu tym zmienn objanian -
popyt na okrelone dobro, w skali mikro- lub makroekonomicznej, zmie
objaniajcymi za - czynniki popytotwrcze.
Zmienne objaniajce w funkcji popytu mona podzieli na cztery grupy:
l) cena danego dobra - jedna zmienna objaniajca,
2) ceny innych dbr (substytucyjnych i komplementarnych) - liczba
zmiennych objaniajcych jest na og wiksza od l,
3) dochody ludnoci (mierzone np. wielkoci przecitnej miesicznej
wielkoci przecitnych miesicznych dochodw na rodzin) - na og j
zmienna,
4) pozostae czynniki popytotwrcze, np. wielko rodzin, stopa inflacji,
oprocentowania oszczdnoci, stopa oprocentowania kredytw, pora roku (
nowo), warunki klimatyczne, wydatki na promocj i reklam, jako wyr
dziaalno konkurencji itp.
Oglnie wic funkcj popytu moemy zapisa nastpujco:

228
 : Q - wielko popytu na dane dobro,
Xl' X2, ... , Xk - czynniki wpywajce na popyt.
Funkcja popytu jest modelem ekonometrycznym szacowanym na podstawie
iednich danych statystycznych, ktre powstaj w wyniku obserwacji wszyst-
zmiennych wystpujcych w modelu. Uzyskanie odpowiednich danych staty-
ych dotyczcych zmiennych objaniajcych teoretycznie nie stwarza wik-
problemw. Znacznie gorzej jest z obserwacj zmiennej objanianej. Zgod-
z defmicj tej zmiennej jest to gotowo klientw do nabycia danego towaru
lonej iloci. Rodzi si pytanie: jak t gotowo mierzy? Jedynym rozwi-
jest zastpienie popytu na dane dobro wielkocijego sprzeday. Jednake
tak uczyni tylko wwczas, gdy mamy do czynienia z gospodark rynkow.
wtedy bowiem wolno utosamia popyt ze sprzeda. W warunkach gospo-
- sterowanej (planowanej) centralnie te dwie wielkoci rzadko s sobie rw-
. e: bywa, e rzeczywisty popyt jest wikszy od wielkoci notowanej sprze-
, ale bywa rwnie czsto odwrotnie - wielko sprzeday moe by wiksza
ielkoci rzeczywistego popytu. Nie ma zatem prawidowego obrazu wielkoci
tu.
Analiz popytu konsumpcyjnego zajmowao si wielu ekonomistw, wrd
ekonometryk niemiecki, E. Engel, ktry w 1957 r. zaobserwowa pewne pra-
woci, znane do dzi jako tzw. prawo Engla. Oto one.
1. Udzia wydatkw na ywno maleje w miar wzrostu dochodw (s to
tki na dobra niszego rzdu).
2. Udzia takich wydatkw, jak np. na mieszkanie, odzie, opa itp. nie zaley
hodw (s to wydatki na dobra wyszego rzdu).
3. Udzia wydatkw na towary luksusowe ronie w miar wzrostu dochodw.
Krzywe (funkcje) opisujce zaleno popytu od dochodu nazywa si krzy-
- Engla. Krzywe te mona aproksymowa nastpujcymi funkcjami (w skali
konomicznej):

Y=ao +alx, Clt>O, X>-~

Clt'
Y=ao+allnx, al >0, x > e-ao/a, ,

al
Y=ao+;, Clt>O, x>--
au'
2
lnY=au+Cltlnx+~ln x, a2 <0, x>O,

y=aoxa, , au >0, O<Clt<l, x>O.

229
 Szczegln grup aproksymant krzywych Engla s tzw. funkcje Tom
(od nazwiska szwedzkiego ekonomisty), ktry na podstawie wasnych b
proponowa nastpujce funkcje:
a) dla dbr i usug niszego rzdu
_ x-y
y-a-p' a>O, p>y, O<y~x,
x-
b) dla dbr i usug podstawowych (pierwszej potrzeby)

v= x+
a:x ' a>O, 13>0, x~o,
p
c) dla dbr i usug wyszego rzdu (wzgldnie luksusowych)

_ x-y
y-a-p' a>O, p<y, O<y~x,
x-
d) dla dbr i usug luksusowych
_ x-y
y-ax-p'
x-
a>O, e-., O<y~x.

Znajomo funkcji popytu umoliwia analiz popytu. Podstawowym

dziem tej analizy jest elastyczno popytu, ktr definiuje si tak samo jak
styczno produkcji. Elastyczno popytn wzgldem i-tego czynnika pop
czego okrela wzgldn zmian wielkoci popytu (w procentach), spow
wzgldn zmian i-tego czynnika o jeden procent (przy ustalonym pozio
zostaych czynnikw produkcji):

E
n. = LiQ . LiKi = LiQ x Xi
~ Q' x, LiKi Q'
Jeli posta analityczna funkcji popytu nie jest znana, ale znany jest
popytu ~ przy danej wartoci i-tej zmiennej objaniajcej Xli oraz poziom
Q2 przy innej wartoci i-tej zmiennej objaniajcej ~i' to mona obliczy
styczno ukow:

LiQ . LiKi = Q2 - ~ x X2i + Xli

E(4 ~+Q2' Xli + X2i X2i-X1i Q2+~
2 2
Jeli za znana jest posta analityczna funkcji popytu, to na jej podstawie
si elastyczno punktow:

230
 Interpretacja elastycznoci jest nastpujca: elastyczno jest to oczekiwany
ldny przyrost popytu, tj. sprzeday (np. w procentach), spowodowany
ostkowym wzgldnym przyrostem i-tego czynnika popytotwrczego (np.
-;0) przy zaoeniu, e pozostae zmienne objaniajce si nie zmieniaj, lub:
tyczno jest to oczekiwany wzgldny przyrost popytu (np. w procentach)
odowany, ceteris paribus, wzgldnym przyrostem i-tej zmiennej objania-
j o jednostk (np. 01 %).
W analizie popytu innych miernikw w zasadzie si nie stosuje. Wystpuj
miast rnice w merytorycznej interpretacj i elastycznoci popytu w zalenoci
rodzaju zmiennej objaniajcej.
Jeli zmienn obj aniajc jest cena danego dobra, to taka elastyczno nazy-
jest elastycznoci cenow. Z reguy elastyczno cenowa jest ujemna, cho-
" w szczeglnych przypadkach moe ona przyjmowa rwnie wartoci dodat-
Jednak takich szczeglnych przypadkw nie bdziemy rozpatrywa. Elastycz-
. cenow oznaczymy symbolem EQp.
1. Jeli EQp = -1, to taki popyt na dane dobro jest popytem neutralnym
jtnym) lub te okrelany jest jako popyt jednostkowy. W takim przypadku
wity przychd ze sprzeday nie zaley od ceny danego dobra (P), gdy np.
tne zwikszenie ceny powoduje rwnie n-krotny spadek sprzeday:

d to iloczyn wielkoci sprzeday (popytu) i ceny, czyli PQ, a wic

PLi22 = n1J x ~ = 1J~.

n
2. Jeli EQp < -1, to taki popyt na dane dobro nazywamy popytem elastycz-
" cakowity przychd ze sprzeday spada w miar wzrostu ceny, a ronie
" spadku ceny.
3. Jeli EQp > -1, to taki popyt na dane dobro nazywamy popytem sztyw-
. cakowity przychd ze sprzeday spada w miar spadku ceny, a ronie
"arjej wzrostu.
Jeli uzalenimy popyt tylko od dochodw osobistych, to elastyczno wzgl-
tej zmiennej objaniajcej bdziemy nazywa elastycznoci dochodow
l)' ktr definiujemy tak samo jak kad inn elastyczno, tyle e wzgldem
. zmiennej objaniajcej. Dla wielu dbr elastyczno dochodowa jest dodat-
ale niektrych - ujemna (dla dbr niszego rzdu), gdy w miar wzrostu

231
dochodw konsument rezygnuje z zakupu tych dbr, zastpujc je bardziej l
sowymi.
Przy duej elastycznoci dochodowej (dodatniej) rozwj gospodarczy j
czynnikiem korzystnym dla przedsibiorstwa. Dlatego w ich sytuacji bardzo p
datne jest ledzenie koniunktury gospodarczej i jej prognoz. Jeli natomiast p
na produkty przedsibiorstwa charakteryzuje si nisk elastycznoci, to zalen
sytuacji przedsibiorstwa od stanu koniunktury gospodarczej jest saba ijego
acja ekonomiczna nie zmienia si wyranie wraz ze zmian tej koniunktury.
Popyt zaley te od ceny innych dbr i usug. Elastyczno popytu na
produkt w zalenoci od ceny innego produktu definiujemy rwnie tak samo'
wszystkie poprzednie elastycznoci, uzaleniajc popyt tylko od ceny inn
dobra. Oznaczymy j zatem symbolem EQpx, gdzie symbol PX oznacza
innego dobra (X). T elastyczno nazywa si elastycznoci krzyow, mies
lub elastycznoci substytucji. Znak tej elastycznoci wiadczy o charakt
zalenoci popytu na dane dobro od ceny innego dobra. Jeli
a) EQpx > O - oba dobra s wzgldem siebie substytucyjne,
b) EQpx < O - oba dobra s wzgldem siebie dobrami komplementarnymi,
c) EQpx =O - popyt na dane dobro nie zaley od ceny dobra drugiego,
inaczej - dane dwa dobra s wzgldem siebie niezalene.
Przykad 9.4. Oszacowano liniow funkcj popytu:

Q = -30P + lOOY + 0,5L + 0,5A + 2000,

gdzie: Q- popyt na pewien typ samochodu (w szt.),
p - rednia cena tego samochodu (w tys. z),
y - redni dochd na jednego mieszkaca (w tys. z),
L -liczba ludnoci w danym regionie (w tys. osb),
A - wydatki na reklam i promocj (w tys. z).
Przeprowadmy analiz tego popytu na podstawie oszacowanego mode
uywajc' do tego celu elastycznoci popytu. Zamy, e w pewnym o
i w danym regionie rednia cena tego samochodu wynosia 15 tys. z, redni roc
dochd na jednego mieszkaca - 20 tys. z, liczba ludnoci - l mln osb, a wy
na reklam i promocj - 2 mln z. W pierwszej kolejnoci wyznaczamy z rwn
modelu warto teoretyczn popytu (sprzeday):

Q = -30 15+ 10020+ 0,5 1000+ 0,52000+ 2000 = 5050 [szt.].

Pochodne czstkowe popytu (Q) wzgldem poszczeglnych zmienn

objaniajcych w funkcji liniowej s rwne parametrom kierunkowym przy
zmiennych, zatem

232
 EQp = oQ x ~ = -30 x -.!.L ~ -O 089
OP Q 5050"

EQy = t3Q x ~ = 100 x -.1!L ~ 0,396,

OY Q 5050

EQ = oQ x ~ = O 5 x l 000 ~ O 099
L st. Q , 5050 ' ,

EQ = oQ x
A t3A
-1 = O,5 x 2000
Q 5050
~ O 198.
'

Elastycznoci te komentujemy nastpujco: jednoprocentowy wzrost ceny sa-

u powinien, ceteris paribus, spowodowa spadek popytu na ten samochd
9%; jednoprocentowy wzrost dochodw ludnoci powinien, ceteris paribus,
owa wzrost popytu na ten samochd o 0,396%; jednoprocentowy wzrost
ludnoci powinien, ceteris paribus, spowodowa wzrost popytu na ten
hd o 0,099%; na koniec jednoprocentowy wzrost wydatkw na reklam i
j powinien, ceteris paribus, spowodowa wzrost popytu na ten samochd
98%.
Elastycznoci wyznaczone na podstawie tej funkcji popytu nie s oczywicie
zale od wartoci zmiennych objaniajcych. Wyznaczmy, dla przykadu,
zno cenow popytu przy innej cenie samochodu. Zamy, e cena wzro-
20 tys. z. Teraz oczekiwany poziom sprzeday wyniesie:

Q = -3020 + 100 20+ 0,5 1000+ 0,52000+ 2000 = 4900 [szt.],

czno cenowa:
20
EQp =-30x 4900 =-0,122,

acza, e jednoprocentowy wzrost ceny samochodu powinien tym razem,

. paribus, spowodowa spadek popytu na ten samochd o 0,122%.
Elastycznoci mona liczy rwnie bez znajomoci funkcji popytu. Wystar-
lko znajomo wielkoci popytu G przy znanej wielkoci danej zmiennej
. iajcej Xl oraz wielkoci popytu Q2 przy innym poziomie tej samej zmien-
janiejcej X2. Na podstawie tych informacji moemy obliczy tzw. ela-
o "ukow" ze wzoru

233
Formalna interpretacja elastycznoci ukowej jest taka sama jak elastyczn
obliczonej na podstawie funkcji popytu, ktr nazywamy elastycznoci "p
w". Nieco inna bdzie oczywicie jej warto liczbowa. Przykadowo oblic
elastyczno ukow wzgldem ceny, jeli wiadomo, e przy cenie 15 tys. z
wynis 5050 szt., a przy cenie 20 tys. z - 4900 szt. Mamy zatem
4900-5050 20+15
EQp= 20-15 x 4900+5050 =-0,106.

W rozwaanym przykadzie elastyczno cenowa co do wartoci bezw

nej jest mniejsza od 1, popyt jest wic "sztywny", co oznacza, e cakowity
chd ze sprzeday samochodw ronie w miar wzrostu ceny, a maleje
zjej obnianiem. W tej sytuacji producentowi opaca si zwiksza cen sam
du, ale oczywicie tylko do pewnego poziomu, gdy popyt si uelastyczni.
W tym przykadzie elastyczno dochodowa jest dodatnia, gdy sam
jest dobrem wyszego rzdu. Dla dbr niszego rzdu elastyczno dochod
jak wiadomo, moe by ujemna.
Okrelmy obecnie popyt na dany samochd jako funkcj jednego tylko
nika, np. ceny. W tym celu ustalamy wartoci pozostaych czynnikw popyto
czych, powiedzmy - na tym samym poziomie co na wstpie zadania, czyli
mujemy
y= 20, L = 1000, A =2000.
W takim razie funkcja popytu przyjmuje posta
Ql =-30P+5500.
Przyjmujc inne wartoci pozostaych zmiennych objaniajcych,
np.
Y=25, L= 1000,A =2000,
otrzymujemy inn funkcj popytu:

Q2 = -30P+ 6000.
Z kolei po zwikszeniu wydatkw na reklam i promocj do poziomu 2,5
czyli po przyjciu, e
Y= 20, L = 1000, A = 2500,
otrzymujemy kolejn funkcj popytu:

Q3 =-30P+5750.
Przedstawmy wszystkie trzy funkcje popytu na wykresie (rys. 9.8). Z
tego odczytujemy, e gdy rozpatrujemy krzyw ~, to przy cenie 15 tys. z

234
 Q

5550

5300
5050
4900 -----1 I I

L I I I
~~. ~ 1__ ~~~.~

15 2023,331,7 P

Rys. 9.8. Funkcje popytu

, okoo 5050 szt. samochodw, a podnoszc cen do 20 tys. z - tylko ok.

szt. Zmiana ceny oznacza w tym przypadku przesunicie na tej samej krzy-
pytu. Z kolei zmiana krzywej popytu, np. przejcie od krzywej ~ do Q2'
za zmian jednego lub wielu czynnikw (zmiennych) determinujcych popyt
nie zmian ceny). Moe to by np. zmiana dochodw konsumentw lub
w na reklam i promocj.
Rozwamy przej cie od krzywej ~ do Q2 i nastpnie do Q3 przy zaoeniu,
ajest staa i wynosi 15 tys. z. Wtedy popyt powinien wzrosn do 5550 szt.
stawie funkcji popytu Q2) oraz do 5300 szt. (z funkcji popytu Q3). Z kolei
zaoymy sta liczb produkowanych (i sprzedawanych) samochodw na po-
ie 5050 szt., to przy warunkach odpowiadajcych funkcji popytu Q2 wniosku-
e cena 31,7 tys. z powinna zapewni sprzeda zaoonej liczby samocho-
atomiast w warunkach odpowiadajcych funkcji popytu Q3 cena umoli-
a sprzeda ustalonej liczby samochodw wynosi 23,3 tys. z.

Zadania
. Na podstawie funkcji popytu

Q=-23P+ 161+87,5

wyznaczy i zinterpretowa elastyczno popytu wzgldem ceny danego to-

waru (P) i dochodw ludnoci (I), jeli cena wynosi 355 z, przecitne za
miesiczne dochody ludnoci wynosz 985 z.

235
9.18. Oszacowano funkcj popytu na produkt A:

p = 3CAO,9 C~,2 R1,2 DO,7,

gdzie: P - popyt na produkt A (w szt.),
CA - cena produktu A (w z),
CB - cena produktu B (w z),
R - nakady na reklam produktu A (w tys. z),
D - przecitne dochody konsumentw (w tys. z).
a. Czy produkty A i B s komplementarne czy substytucyjne? O
uzasadni.
b. Czy popyt na produkt A jest elastyczny? Odpowied uzasadni.
c. O ile procent i jak zmieni si popyt na produkt A, jeli wydatki na
m produktu A wzrosn o 3%? Zakadamy, e pozostae czynniki -
zmieni. Odpowied uzasadni.
9.19. W pewnym przedsibiorstwie oszacowano funkcj popytu na produkt

Q = 3P;!,2p~,2yl,\
gdzie: Q - popyt na produkt A (w szt.),
PA - cena produktu A (w z),
PB - cena produktu B (w z),
y - dochody konsumentw (w z).
a. Przedsibiorstwo planuje podnie cen produktu A o 3%, nie zmi
pozostaych czynnikw ksztatujcych popyt. O ile procent zmi
wwczas popyt globalny na produkt A?
b. Czy dobra A i B s komplementarne czy substytucyjne? Od
uzasadni.
9.20. Na zlecenie firmy OWEK wyznaczono funkcj popytu na owki:

Q = -3Cx + 2D+ 5Cy + 10,

gdzie: Q - popyt na owki (w tys. szt.),
Cx - cena owka (w z),
D - dochd konsumenta (w tys. z),
Cy - cena kredki produkowanej przez firm konkurencyjn (w n
Cena kredki wynosi 2 z, a miesiczny popyt na owki wynosi 200 1)-
Firma konkurencyjna planuje podwyk ceny kredek o 10%. O ile p
zmieni si popyt na owki w najbliszym czasie, jeli ich cena i d -
konsumentw si nie zmieni? Czy owki i kredki s kompleme -
Odpowied uzasadni.

236
?0pyt na pomaracze (w kg na osob tygodniowo) w zalenoci od ceny
w z) wyraa nastpujca funkcja:
y=.Q.+2.
C
a kilograma pomaraczy wynosi 6 z. Jak zmieni si popyt na te owoce,
'li ich cena wzronie o 2%.
a jest funkcja popytu

Q=3P+2Px -0,8Py +264,

dzie: Q - popyt na dobro A (w szt.),
p - cena wyrobu A (w z),
Px - cena wyrobu X (w z),
Py - cena wyrobu Y (w z).
Wyznaczy i skomentowa cenow elastyczno popytu, jeli ceny dbr
A, X i Y wynosz odpowiednio: 60, 520 i 235 z.
Czy dobra X i Y s substytucyjne, czy komplementarne w stosunku do
o

dobra A?
Oszacowano funkcj popytu na produkt A:

Q=0,3PA -0,08PB -2,4D+37,

dzie: Q - popyt na produkt A (w tys. szt.),
PA - cena wyrobu A (w z),
PB - cena wyrobu B (w z),
D - dochody ludnoci (w tys. z).
Cena wyrobu A wynosi 37 z, wyrobu B -125 z, dochody ludnoci - 900 z.
Czy dobra A i B s substytucyjne, czy komplementarne? Odpowied uza-
sadni.
pka VOX zamierza wprowadzi swoje akcje na gied. Wstpnie ustalia
emisyjn akcji na poziomie 10 z. W celu sprawdzenia zainteresowania
oimi akcjami spka utworzya ksik popytu: inwestorzy wpisywali, ile
o po jakiej cenie s skonni naby akcje spki. Na tej podstawie oszacowano
cj popytu w zalenoci od ceny:

y = 2x -0,587.
Czy warto podnie cen o 1% (tzn. co wtedy si stanie z cakowitym przy-
odem ze sprzeday tych akcji)?
fabryce dywanw oszacowano funkcj popytu na dywany jednego rodza-
ou w zalenoci od dochodw ludnoci:

237
 y = 200 x -0,1,
x+2
gdzie: y - popyt (w szt.),
x - dochody ludnoci (w tys. z miesicznie).
Czy przy dochodach ludnoci 1200 z miesicznie dywany s dobrem
?
szego, czy niszego rzdll

Analizujc popyt na podstawie modelu ekonometrycznego, mona

nastpujcych miernikw:
. I) popyt przecitny, II) popyt kracowy,
III) elastyczno popytu, IV) efekt skali popytu,
V) kracowa stopa substytucji czynnikw popytotwrczych;

9.3. Analiza kosztw

Narzdziem analizy kosztw jest model ekonometryczny, w ktrym zmi

objanian s koszty cakowite, zmiennymi objaniajcymi za - czynniki wpy
jce na ich poziom. Najwaniejszym czynnikiem determinujcym poziom kos
cakowitych jest wielko produkcji. Model taki nazywamy modelem kaszlw
funkcj kaszlw.
Model kosztw moe mie charakter zarwno dynamiczny (w dugich
krtkich okresach), jak i statyczny.
W przypadku modelu dynamicznego w krtkich okresach zakada si sta
(lub prawie stao) warunkw technicznych i technologicznych oraz niezmi

238
 'aronkw organizacyjnych, struktury wyrobw itp. W modelach dynamicz-
a dugich okresw bdziemy si starali okreli wpyw zmian w technice,
logii, organizacji pracy i w strukturze produkcji na poziom produkcji.
t modelu statycznym ujmujemy relacje kosztowe w skali na og gazi dla
~~stki'ch lub wybranych przedsibiorstw.
.kad zmiennych objaniajcych w modelu kosztw moe by rny. Naj-
IIII1t!i;zyJffi przypadkiem jest model z jedn zmienn objaniajc, ktrjest poziom
,,,l6Ikcji (P):
K=f(P) .

oszty cakowite - globalne (K) skadaj si z dwch czci, a mianowicie:

- z cakowitych kosztw staych (K sc), niezalenych od wielkoci produkcji
czej - ponoszonych przy poziomie produkcji P = O),
- z cakowitych kosztw zmiennych (Kzc), zalenych tylko od wielkoci pro-
L
.dzy tymi trzema kategoriami istnieje prosta tosamociowa zaleno:

K=Ksc +Kzc'
zalenoci moemy rwnie zdefmiowa cakowite koszty zmienne jako r-
midzy kosztami cakowitymi a cakowitymi kosztami staymi, czyli

Kzc =K -Ksc'

Jeli znana jest posta analityczna funkcji kosztw cakowitych, to moemy

. wyprowadzi zarwno cakowite koszty stae, jak i cakowite koszty zmien-
owite koszty stae moemy mianowicie interpretowa jako takie koszty,
musz by ponoszone bez wzgldu na wielko produkcji, a wic rwnie
" gdy poziom produkcji jest zerowy, czyli

Ksc = f(O).
Poniewa cakowite koszty zmienne s rozumiane jako rnica midzy kosz-
- cakowitymi a cakowitymi kosztami staymi, wic przenoszc to stwierdzenie
elu kosztw, mamy

Kzc = f(P) - f(O) = <p(P) .

Z funkcji kosztw cakowitych wyprowadzone zostay dwa modele wtrne:

l cakowitych kosztw staych oraz model cakowitych kosztw zmiennych.
h trzech modeli wyprowadzimy rwnie trzy dalsze modele wtrne, a miano-

- model kosztw przecitnych - globalnych (lub inaczej - kosztw jednost-

ch)

239
 - model jednostkowych kosztw staych

ks = 1(0)
P
= +" (P)
Js ,

- model jednostkowych kosztw zmiennych

k = I(P) - 1(0) = rp(P) = f (P) .

z P P z

Podobnie jak w modelach kosztw cakowitych, rwnie w modelach

tw jednostkowych istnieje midzy nimi zaleno tosamociowa:

czyli
Ip(P) = liP) + IzCP).

Zwrmy uwag, e wszystkie pojcia kosztw jednostkowych (jedn

wych kosztw cakowitych, jednostkowych kosztw staych oraz jednostk
kosztw zmiennych) s analogonami pojcia produktu przecitnego z analiz}
dukcji. W ekonometrycznej analizie kosztw stosowany jest rwnie odpowi
produktu kracowego, a mianowicie koszt kracowy, ktry jest tak samo d
wany:

KK=dK
dP'
czyli jest to pochodna funkcji kosztw cakowitych wzgldem wielkoci pr
Ekonomiczna interpretacja wszystkich omawianych poj jest nastpujca:
- koszt cakowity jest to spodziewana (teoretyczna), wynikajca z r
modelu kosztw cakowitych, warto zmiennej objanianej przy danej wie
produkcji (zmiennej objaniajcej);
- cakowity koszt stay jest to oczekiwana (teoretyczna) warto zmi
objanianej, ktra nie zaley od wielkoci produkcji, wynikajca z rwnania
deIu cakowitych kosztw staych, a wic rwnie jest to koszt ponoszony
zerowym poziomie produkcj i Gest to wic wielko staa);
- cakowity koszt zmienny jest to oczekiwany poziom zmiennej objani
odpowiadajcy danej wielkoci produkcji, wynikajcy z rwnania modelu c
witych kosztw zmiennych;

240
 - oszt jednostkowy jest to spodziewany (teoretyczny), wynikajcy z rwna-
,'"""...odelu kosztw jednostkowych poziom zmiennej objanianej przy danej wiel-
odukcji;

,,~lU" - [ednostkowy koszt stay jest to oczekiwana (teoretyczna) warto zmiennej

mej, odpowiadajca danej wielkoci produkcji, wynikajca z rwnania
jednostkowych kosztw staych;
- jednostkowy koszt zmienny jest to oczekiwany poziom zmiennej objania-
elu jednostkowych kosztw zmiennych, odpowiadajcy danej wielkoci
)1;
- oszt kracowy jest to spodziewany wzrost kosztw cakowitych (ale rw-
ztw zmiennych), spowodowany jednostkowym zwikszeniem poziomu
)1.
metryczna interpretacja tych poj przedstawiona jest na rys" 9.9 i 9.10.
9.9 przedstawione s funkcje wszystkich trzech rodzajw kosztw cakowi-
obalny, stay i zmienny), ich promienie wodzce, tworzce wszystkie trzy
kosztw jednostkowych (globalnych, staych i zmiennych), oraz styczne do
" kosztw cakowitych i cakowitych kosztw zmiennych, tworzce koszt
. Koszt jednostkowy (globalny) to tangens kta nachylenia promienia
go (1) funkcji kosztw cakowitych. Jednostkowy koszt stay to tangens
hylenia promienia wodzcego (2) funkcji cakowitych kosztw staych.
ie tangens kta nachylenia promienia wodzcego (3) funkcji cakowitych
zmiennych to jednostkowy koszt zmienny.
oszt jednostkowy (globalny) oraz jednostkowy koszt stay przy zerowym
"e produkcji s wielkociami nieskoczenie wielkimi. Koszt jednostkowy
od wielkoci nieskoczenie wielkiej do poziomu minimalnego osiganego
cie A, w ktrym promie wodzcy funkcji kosztw cakowitych pokrywa
styczn (4). W tym punkcie koszt jednostkowy (globalny) rwny jest koszto-
. owemu. Jednostkowy koszt zmienny maleje od pewnej staej do poziomu
ego w punkcie B, w ktrym zrwnuje si z kosztem kracowym. W punk-
natomiast jednostkowy koszt zmienny zrwnuje si z jednostkowym kosztem
- jest to punkt przecicia si obu krzywych na wykresie. Jednostkowy koszt
'e osiga poziomu minimalnego (dokadniej - maleje do zera w miar wzro-
ziomu produkcji do nieskoczonoci). Koszt kracowy przy zerowym
'e produkcji jest rwny jednostkowemu kosztowi zmiennemu, maleje do
u minimalnego w punkcie D, po czym zaczyna wzrasta.
ysunek 9.10 przedstawia przebieg funkcji wszystkich trzech rodzajw kosz-
ostkowych oraz kosztu kracowego. Punkty natym rysunku odpowiadajce
charakterystycznym na rys. 9.9 s oznaczone symbolami A', B', C' i D'.
praktyce. do. modelowania kosztw uywane s rne klasyfunkcj i. Jednak
. iej uywanymi funkcjami s:

241
 koszt cakowity

cakowity koszt
zmienny

cakowity koszt
stay

Produkcja

Rys. 9.9. Funkcja kosztw cakowitych

koszt kracowy

D' C' B'

Produkcja

Rys. 9.10. Funkcje kosztw jednostkowych

242
 - funkcja liniowa
K=aP+b,
- wielomian stopnia drugiego
~ 2
K=aP +bP+c,
- wielomian stopnia trzeciego

k = ap3 + bP2 + cp + d ,
- funkcja potgowa (estymacja tego modelu wymaga specjalnych zabiegw)
~ b
K=aP +c,
- funkcja wykadnicza
~ p
K=ab .
Wanym celem ekonometrycznej analizy kosztw jest wymaczanie tzw. pro-
rentownoci. Umoliwia to badanie relacji midzy przychodami, kosztami
~ikaJllli przedsibiorstwa. Geometryczna interpretacja tej analizy przedstawiona
na rys. 9.11. Na wykresie tym nanosimy dwie funkcje: funkcj kosztw cako-
h i funkcj przychodw, ktra przyjmuje posta:
D=CP,
. : D - przychody,
C - cena jednostkowa produktu.

koszty

Rys. 9.11. Progi rentownoci

243
 Funkcja przychodw jest na og lini prost, przechodzc przez poe
ukadu wsprzdnych, ale moe przyj rwnie inn posta analityczn.
Punkty przecicia si obu funkcji wyznaczaj przedzia, w ktrym przy
s wiksze od kosztw cakowitych. Przy poziomie produkcji wyznaczonym
te punkty przedsibiorstwo osiga zysk, jest to wic przedzia racjonalnego
nia. Punkty te s nazywane progami rentownoci, a przedzia wyznaczony p
punkty - przedziaem rentownoci. Punkty te znajduje si w wyniku rozwi
prostej nierwnoci:
D> K, lub CP> f(P).

Nierwno ta wyznacza przedzia, w ktrym przychody s wiksze od po

nych kosztw cakowitych, czyli przedsibiorstwo osiga zysk. Poza tym p
em firma ponosi strat.
Dotychczas omawialimy modele kosztw z jedn tylko zmienn obja
(produkcj), co jest duym uproszczeniem. W przypadku oglniejszym
kosztw cakowitych ma posta

K= f(P)+ g( Xl' X2, ... , Xk),

gdzie Xl' X2, ... , Xk - techniczne, organizacyjne i ekonomiczne warunki

Najczciej przyjmuje si, e jest to funkcja liniowa, czyli
k
K= f(P)+ ,LajXj.
i=l
Funkcjafmoe mie jedn z omwionych postaci. O liczbie zmiennych obj'
jcych X, decyduj specyficzne warunki procesu produkcyjnego. Zmiennymi
mog by np.:
- kwalifikacje zaogi,
- stan techniczny parku maszynowego,
- stan zapasw,
- zuycie i jako surowcw,
- wielko i struktura zatrudnienia itp.
Ustalenie oglnej listy zmiennych objaniajcych X, jest niemoliwe,
zaley to od specyfiki danej gazi produkcji. Wyboru zmiennych objaniaj
(potencjalnych) nie mona dokona tylko w sposb formalny, konieczna jest
za merytoryczna dokonana wsplnie ze specjalistami - ekonomistami, techno
mi, organizatorami procesu produkcyjnego, kosztowcami itp.
Prezentowana analiza dotyczy modeli kosztw przy produkcji jednor
Przy produkcji niejednorodnej buduje si na og modele wielorwnaniowe p
Kade rwnanie takiego modelu opisuje koszty (cakowite lub jednostkowe)
dukcji jednego wyrobu. Do tego dochodzi tylko rwnanie tosamociowe

244
 K=t~, i=l

~ - koszt cakowity (zmienna objaniana i-tego rwnania) produkcji i-tego

wyrobu.
rykad 9.5. Na podstawie danych miesicznych oszacowano funkcj kosz-
owitych produkcji samochodw okrelonej marki:

K = 0,4p2 -4P+100,
. K - koszty produkcji (w mln z),
p - produkcja samochodw (w tys. szt.).
analizowanym okresie produkcja tych samochodw wyniosa 8000 szt.
cji kosztw wynika, e przy produkcji takiej liczby samochodw koszt ca-
powinien wynie okoo

K = 0,4.82 -4 8+ 100 = 93,6 mln z,

koszt stay (gdy P = O)powinien wynie:

Ksc = 100 mln z,

A A A

Kzc = K - Ksc = 93,6 -100 = -6,4 .

ane wyniki s co najmniej kontrowersyjne, gdy trudno wyobrazi sobie
y poziom kosztw. Podzia kosztw cakowitych na cakowite koszty stae
wite koszty zmienne na podstawie tego modelu jest zatem niemoliwy i ten
m z prowadzonej analizy naley wyczy. Przyczyn pojawienia si takiej
Ji moe by wiele, np. model ten moe by stosowany (interpretowany) tylko
ym przedziale, do ktrego nie naley pocztek ukadu wsprzdnych. Na
wie tej funkcj i kosztw sensowne natomiast moe by wyznaczenie kosztu
itnego i kosztu kracowego. Wyznaczmy najpierw funkcj cakowitych
'w jednostkowych, a z niej wielko kosztu jednostkowego przy zaoonym
ie produkcji:
A 2
k=K = 0,4 P - 4P + 100 O4 P _ 4 + 100 = O4.8 _ 4 + 100 =
p p , P' 8

= 11,7 [ mln z
tys. szt.
l = 11,7 [tys. Z].
szt.

za to, e przecitny koszt produkcji jednego samochodu, przy wielkoci pro-

~i 8000 szt., wynikajcy z rwnania modelu, powinien wynie 11,7 tys. z.
Funkcja kosztu kracowego, jako pierwsza pochodna funkcji kosztw cako-
h, przyjmuje posta

245
 KK = aK =0 8P -4=08.8-4 =2 4[ mln Z] =2 4 [tys. Z] .
ap' , , tys. szt. ' szt.

Interpretacja kosztu kracowego jest nastpujca: koszt produkcji jednego d

kowego samochodu, przy poziomie produkcji 8 tys. szt., wynosi 2,4 tys. z,
zwikszenie produkcj i samochodw o jedn sztuk, przy zadanym poziomie pr
cji, powinno spowodowa wzrost kosztw cakowitych mniej wicej o 2,4 ty
Wyznaczmy teraz minimalny koszt przecitny. W tym celu oblic
pochodn funkcji kosztw jednostkowych i przyrwnujemy j do zera:

dk = O 4 _ 100 = O
dP' 2 .
P
Std otrzymujemy
p = 15,8 tys. szt.
Sprawdmy, czy jest to minimum. W tym celu sprawdzamy znak drugiej
chodnej funkcji kosztw jednostkowych dlaP = 15,8:

k" = 200P-3 > O.

Oznacza to zatem, e przy tym poziomie produkcji koszt jednostkowy jest
mniejszy i wynosi:

k.mm =04.158_4+
"
100=865[mlnZ]=865[tyS.Z]
8' ,
15, tys. szt. szt.

Na koniec wyznaczmy progi rentownoci. Zamy, e cena zbytu tego

chodu wynosi 20 tys. z za sztuk (lub 20 mln z za tysic sztuk, ze wzgl
przyjte jednostki miary). Funkcja przychodw jest zatem nastpujca:
D=20P.
Progi rentownoci znajdziemy zatem w wyniku rozwizania nierwnoci:

20P~ 0,4p2 -4P + 100.

Przez rozwizanie tej nierwnoci otrzymujemy

Pl =4,505, P2 =55,495,
czyli
4,505 :::;;P:::;;55,495.
Przedzia okrelony powysz nierwnoci jest szukanym przedziaem rento
ci, granice za tego przedziau - to progi rentownoci. Oznacza to, e prodl~.
jest rentowna, gdy jest nie mniejsza ni 4,505 tys. szt. i nie wiksza ni 55,495 tys.

246
 Z funkcji przychodw i funkcji kosztw mona utworzy funkcj zysku jako
midzy tymi funkcjami, czyli

Z =20P-O,4p2 + 4P -100=-0,4p2 + 24P -100,

Z oznacza zysk. Na tej podstawie moemy wyznaczy taki poziom produkcji,
~ ktrym osignity zysk bdzie najwikszy. W tym celu obliczamy pochodn
ji zysku, ktr nastpnie przyrwnujemy do zera:
dZ
dP =-0,8P+24=0,

P=30.
za to, e maksymalny zysk powinien by osignity przy poziomie produkcji
s. szt.; wynosi on

Zmax = -0,4,302 + 2430 -100 = 260 mln z.

Zadania
Dana jest funkcja kosztw cakowitych

, 2X-O,5
K=36+4 ,
gdzie: K - koszty cakowite (w tys. z),
X - produkcja (w tonach).
Wyznaczy cakowity koszt stay i cakowity koszt zmienny przy produkcji
wynoszcej 500 kg.
Oszacowano funkcj kosztw cakowitych:

K=4Q2 -6Q+4,

gdzie: K - koszty cakowite (w tys. z),

Q - produkcja (w tonach).
Ile wynosi maksymalny moliwy zysk przy cenie wyrobu 10 tys. z za ton?
Dana jest nastpujca funkcja kosztw cakowitych:

K = 4Q3 -64Q2 +47Q,

gdzie: K - koszty cakowite (w z),

Q - produkcja (w szt.).
a. Obliczy i zinterpretowa koszt kracowy, wiedzc, e wielko produk-
cji w ostatnim miesicu wyniosa 18 sztuk.
b. Zaproponowa wacicielowi firmy optymaln wielko produkcji.

247
9.29. Oszacowano nastpujcy model kosztw cakowitych produkcji rower
2
K = 0,3R -l,lR + 1,4,
gdzie: K - koszty produkcji rowerw (w mln z),
R - produkcja rowerw (w tys. szt.).
Przy jakim poziomie produkcji rowerw koszty jednostkowe s naj
i ile wynosz?
9.30. Dana jest funkcja kosztw cakowitych:

K = 0,2P+ 500,
gdzie: K - koszty cakowite (w tys. z),
P - produkcj a wyrobu (w szt.).
a. O ile zmieni si koszt jednostkowy, jeli produkcja, wynoszca 100
wzronie do 125 szt.?
b. Wyznaczy i zinterpretowa prg rentownoci, jeli cena jednostko
ktrej wyrb jest sprzedawany, wynosi 7 tys. z.
9.31. Oszacowano funkcj kosztw cakowitych:

fe = 3,5 + eO,OI15P+O,3,
gdzie: K - koszty cakowite (w tys. z),
P - produkcja piwa (w hektolitrach dziennie).
W pewnym okresie produkcja wyniosa 2300 litrw dziennie. Przy j
cenie produkcja ta jest opacalna? Czy cena zbytu 2 z za litr zapewnia
warowi rentowno?
9.32. Funkcja kosztw cakowitych produkcji piwa jest nastpujca:
fe = 3,5 + e O,0445P+O,2 ,
gdzie: K - koszty cakowite (w tys. z),
P - produkcja piwa (w hektolitrach dziennie).
a. Sformuowa warunek opacalnoci produkcji przy cenie zbytu 1 z za
b. Jaki jest koszt stay produkcji piwa?
c. Wyznaczy i zinterpretowa koszt kracowy przy produkcji 10 he
trw piwa.
9.33. Oszacowano funkcj kosztw cakowitych:

K = 0,005p2 + O,OlP + 1,176,

gdzie: P - produkcja wina (w hektolitrach dziennie),
K - koszty cakowite (w tys. z).
Cena zbytu wina wynosi 5 z za litr. Przy jakim poziomie produkcji jest
opacalna?

248
Funkcja kosztw w pewnym przedsibiorstwie jest nastpujca:
K=2P-p2 +16,
dzie: K - koszty cakowite (w tys. z),
p - wielko produkcji (w tys. szt.).
a. Jeli cena jednostkowa wyprodukowanej sztuki wyrobu wynosi 2 z, to
jaki poziom produkcj i zapewni firmie zysk?
b. Ile wyniesie koszt jednostkowy, jeli wielko produkcji wyniesie
2000 szt.?
W pewnym przedsibiorstwie zbadano zaleno kosztw cakowitych (K)
od wielkoci produkcji (X). Okazao si, e zaleno ma posta liniow,
przy czym koszt stay wynosi 2700 z, a jednostkowy koszt zmienny 4 z.
a. Zapisa funkcj kosztu cakowitego, sporzdzi szkic wykresu, poda
interpretacj,
b. Wyznaczy funkcj kosztu jednostkowego i nanie j na sporzdzony
wykres.
Wyznaczy liniow funkcj kosztw cakowitych ponoszonych podczas mie-
sicznej produkcji rowerw, jeeli wiadomo, e koszt stay wynosi 13,2 tys.
z miesicznie, a zwikszenie produkcji o jedn sztuk powoduje wzrost
osztw o 150 z. Ile wynosz jednostkowe koszty zmienne przy produkcji
wynoszcej 60 szt.? .

Zadania testowe
Funkcja kosztw produkcji piwa jest nastpujca:

K = 3,5 +e O,0445P+O,2 ,

dzie: K - koszty cakowite (w tys. z miesicznie),

p - produkcja piwa (w tys. litrw miesicznie).
oszt stay produkcji piwa wynosi:

owityc pro u CJlplwa Jest nastpujca:

K = 0,lp3 _2p2 -20P+ 14,

gdzie: K - koszty cakowite (w tys. z miesicznie),
p - produkcja piwa (w tys. litrw miesicznie).
oszt kracowy przy poziomie produkcji 20000 litrw wynosi:
)

249
 10. WIELOWYMIAROWA ANALIZA PORWNAWC

10.1. Przygotowanie danych

Wielowymiarowa analiza porwnawcza - w skrcie W AP - jest dy

naukow zajmujc si porwnywaniem obiektw (np. przedsibiorstw, kli
produktw) okrelonych za pomoc wielu cech. Zatem WAP bada zjaw
one, czyli takie, ktre s opisywane za pomoc co najmniej dwch (a z
wikszej liczby) zmiennych. Zjawiskiem zoonym jest np. kondycja fi
przedsibiorstw, okrelana za pomoc rnych wskanikw ekonomicznych.
W wielowymiarowej analizie porwnawczej badany jest wektor zmienn
X=[XI X2 ... Xm],

gdzie m -liczba zmiennych (m ~ 2).

Gdy wemiemy dane dotyczce wszystkich rozpatrywanych m zmi
otrzymamy macierz obiektw:

XlI X12 Xl} Xlm

~l ~2 ~} ~
x= Xll Xi2 Xy Xim

Xnl Xn2 Xnj Xnm

gdzie xij - warto j-tej zmiennej dla i-tego obiektu.

Jak zatem wida, macierz obiektw zawiera n obiektw m-wymiarowy
Jednym z dziaw WAP s tzw. metody taksonomiczne. Metody te
wiaj rozwizanie dwch nastpujcych zagadnie:
A) badanie podobiestw obiektw pod wzgldem poziomu zjawiska z
go z wykorzystaniem metod grupowania,
B) uszeregowanie obiektw pod wzgldem poziomu zjawiska zo
z wykorzystaniem metod porzdkowania liniowego zbioru obiektw (o
todach zob. podrozdz. 10.4).
Metody grupowania mona podzieli na dwa rodzaje:
a) metody dyskryminacyjne.
b) metody klasyfikacyjne.
Ad a. przez dyskryminacj rozumie si przydzia obiektw do zna
wczeniej klas. Klasy te mog by okrelone za pomoc:

250
 - charakterystyk, takich jak np. miary pooenia,
- przez reprezentantw (tzw. prba uczca) .
. 'skryminacja zostanie omwiona w podrozdz. 10.2.
b. Przez klasyfikacj rozumie si podzia obiektw na nieznane wczeniej
'icej o klasyfikacji - w podrozdz. 10.3.
- badaniach praktycznych zjawisk zoonych zdarza si z reguy, e zmienne
ce w skad wektora zmiennych X s wyraone w rnych jednostkach
Z formalnego punktu widzenia wikszo metod wielowymiarowej analizy
wczej mona stosowa tylko wtedy, gdy wszystkie zmienne s wyraone
samych jednostkach miary o zblionych rzdach wielkoci. Aby ten waru-
speniony, stosuje si normalizacj zmiennych. Ma ona na celu:
- ~ednolicenie jednostek miary zmiennych,
- ujednolicenie rzdw wielkoci zmiennych.
lny wzr na normalizacj mona zapisa nastpujco:

X .. -a lCj
zij= IJ J ,(i=1,2, ...,n;j=1,2, ...,m), (10.1)
( bj

Zij - znormalizowana warto zmiennej Xj dla i-tego obiektu,

aj' hj, Cj - stae, ktre w zalenoci od sposobu normalizacji mog przyj-
mowa rne wartoci.
iajczciej stosowanym sposobem normalizacji jest standaryzacja. Prze-
si j w nastpujcy sposb:

_ xij - Xj (. _ 1 2 .. - 1, 2 , )
zij - , 1- , , ..., n,} - ..., m , (10.2)
~
zij - standaryzowana warto zmiennej J0 dla i-tego obiektu,
Xj - rednia arytmetyczna zmiennej J0,
sj - odchylenie standardowe zmiennej Xj .

Zatem przy standaryzacj i za stae ze wzoru (10.1) przyjmowane s nastpuj-

ci:
aj = Xj'
hj = Sj,

Cj =1.

Po standaryzacji wartoci wszystkich zmiennych staj si niemianowane.

"'daJ:yza1cja powoduje ponadto ujednolicenie wszystkich zmiennych ze wzgldu
zmienno i pooenie. Jest tak, gdy dla zmiennych standaryzowanych:

251
 - rednia arytmetyczna wynosi zero,
- wariancja oraz odchylenie standardowe s rwne l.
Innym sposobem normalizacji zmiennych jest unitaryzacja przeprow
w nastpujcy sposb:

gdzie: zij - warto i-tego obiektu zmiennej Xj po unitaryzacji,

mJnxij (gdzie i = 1, 2, ..., n) - najmniej sza warto zmiennej Xj,
I

Oj - rozstp zmiennej Xj. .

Zatem przy unitaryzacji za stae ze wzoru (10.l) przyjmowane snast .
wartoci:

bj = Oj,
Cj =1.

Podobnie jak przy standaryzacji, po unitaryzacji wartoci wszystkich

nych s niemianowane. Oprcz tego .
- wartoci zmiennych s zawarte w przedziale [O; l],
- rednia arytmetyczna kadej zmiennej Zj wynosi:

_
x.-minx
) .
..
l)
z.= I
) Oj

W wyniku normalizacji otrzymuje si macierz obiektw znormalizowan

Zll z12 Zlj ZIm

Z21 Z22 Z2j Z2m

z=
ZI1 Zi2 Zij Zim

znl zn2 Znj znm

gdzie zij - znormalizowana warto i-tego obiektu zmiennej Xj.

Metody wielowymiarowej analizy porwnawczej, omwione w dalszej
tego rozdziau, wymagaj danych znormalizowanych, dlatego te etapem
nym w tych metodach jest normalizacja (np. standaryzacja lub unitaryzacja).

252
 ~ojciem umoliwiajcym wzajemne porwnywanie obiektw pod wzgldem
zska zoonego jest podobiestwo. W sposb nieformalny mona je okreli
ujco: dwa obiekty s tym bardziej podobne, im bardziej zblione s warto-
iennych opisujcych zjawisko zoone. Podobiestwo obiektw w wielowy-
_Irowej analizie porwnawczej najczciej jest mierzone za pomoc odlegoci.
o midzy obiektami jest to funkcja przyporzdkowujca parze obiektw
warto. Jej graficzna interpretacja jest nastpujca: jest to odlego midzy
_lanli odpowiadajcymi obiektom. Jedna z najbardziej oglnych formu odle-
. dana jest wzorem Minkowskiego (odlego o normie Lp):

dj/ = 2: hi -
}=1
zljr ,(i, 1= 1,2, ..., n), (10.4)

: dj/ - odlego midzy obiektem i-tym a l-tym,

zij - warto znormalizowana i-tego obiektu zmiennej Xj,
p- staa.
Jeli wspczynnik p we wzorze Minkowskiego przyjmie warto 1 (norma
otrzymuje si odlego miejsk, zwan take odlegoci Hamminga, tak-
w, nowojorsk lub Manhattan. Jest ona okrelona wzorem

di/ = tlzij -zljl, (i, 1= l, 2, ..., n). (10.5)

J=l

Po przyjciu zaoenia, e wspczynnik p we wzorze (10.4) przyjmie warto

a ~), otrzymuje si najczciej stosowan odlego, zwan euklidesow.
ona definiowana w nastpujcy sposb:

da = 2:
}=1
(zij - zlj? ,(i, 1= 1, 2, ..., n). (10.6)

Geometryczna interpretacja odlegoci euklidesowej i miejskiej jest przedsta-

na rys. 10.1 (dla przypadku m = 2, czyli dla dwch zmiennych opisujcych
. ko zoone).
Odlego euklidesowa midzy punktami A i B jest tutaj rwna dugoci
- a AB, natomiast odlego miejska jest rwna sumie dugoci odcinkw AC
. Z powyszego rysunku mona take wysnu wniosek, e odlego euklide-
jest zawsze nie wiksza od odlegoci miejskiej.

253
 A

C'--------~B

L------------~ZI
Rys. 10.1. Geometryczna interpretacja odlegoci

W badaniach praktycznych stosuje si czasami uoglnion odlego e

sow:

da = !
j=l
W;{Zij -Zlj f, 0, 1= 1, 2, ..., n),

gdzie wj - waga zmiennej X j .

Stosowanie wag ma na celu odzwierciedlenie preferencji w stosunku

zmiennych opisujcych zjawisko zoone. Wagi powinny spenia
warunki:
l) Wj20,

2) Iwj=l.
j=l
Innym szczeglnym przypadkiem odlegoci Minkowskiego (dla p ~ co) .
odlego Czebyszewa (norma Iw), zdefiniowanajako

da =mjlzij -zljl, (i, 1= 1, 2, ..., n).

Przedstawione odlegoci speniaj nastpujce wasnoci:

1) dj/2 O,
2) djj =0,
3) dj/ =d/i'
4) da ~dik +dkl
Po obliczeniu odlegoci midzy kad par obiektw, otrzymuje si IIl8.iCaIR
odlegoci:

254
 o d12 dl1 dIn
d2! O d21 d2n

D=
da di2 djl din

dnI dn2 dni O

Jak wida, macierz odlegoci jest macierz kwadratow o rozmiarze rwnym

yli liczbie obiektw) i spenia wasnoci 1-4.
Z wielu metod wielowymiarowej analizy porwnawczej w nastpnych pod-
iaach zostan omwione trzy ich grupy:
- metody dyskryminacyjne,
- metody klasyfikacji,
- metody porzdkowania liniowego.
Przykad 10.1. Dane s wartoci 4 zmiennych dla Otwartych Funduszy Eme-
ych-OFE(tab.lO.l):
Xl -liczba akcjonariuszy Powszechnego Towarzystwa Emerytalnego (PTE),
X2 - kapita wasny PTE (w mln z),
X3 - prowizja pobierana przez OFE,
X4 - deklarowana przez OFE liczba czonkw funduszu (w tys. osb).
a. Czy konieczne jest przeprowadzenie normalizacji w celu skorzystania
WAP?
b. Dokona standaryzacji powyszych danych .
. Jakie wasnoci maj dane obliczone w punkcie b?
d. Dla danych standaryzowanych oblicz odlegoci euklidesowe midzy OFE.
Rozwizanie
a. W tym zadaniu konieczne jest przeprowadzenie normalizacji ze wzgldu na
jednostki miary i rne rzdy wielkoci zmiennych.
b. Standaryzacj przeprowadzimy korzystajc ze wzoru (10.2). rednie i od-
ia standardowe dla poszczeglnych zmiennych znajduj si w tab. 10.2. Da-
standaryzacji zawarte s w tab. 10.3 .
. Wszystkie zmienne po standaryzacji maj rednie rwne zeru i odchylenia
dowe rwne jednoci.
d. Odlegoci euklidesowe midzy OFE bd obliczane wedug wzoru (10.6)
zapisane w postaci macierzy w tab. 10.4.

255
 Tabela 10.1
Dane do przykadu 10.1

Lp. OFE Xl X2 X3 X4
1 PZU "Zota Jesie" l 200 9 1500
2 Pioneer 2 112 8,8 420
3 EGO 2 120 7,9 540
4 Commercial Union 4 125 10 600
5 N ationale- N ederlanden 2 150 8,7 500
6 Polsat 4 102 8,5 400
7 Zurich Solidarni 2 142 9 1000
8 Norwich Union l 208 8 530
9 AlG 2 69 8,5 500
10 Pocztylion 3 75,1 8,9 500
11 Bankowy 2 120 9,9 600
12 Winterthur 2 125 9 600
13 Skarbiec- Emerytura 2 140,25 8,5 510
14 DOM 2 175 8,9 550
15 PBK "Orze" 4 222 8,9 600
16 PEKAO/ Alliance 2 17,1 7,8 530
17 Allianz 2 72 6,5 200
18 Epoka 7 40 7,9 600
19 Arka-Invesco 2 35,4 8,9 300
20 Lokata 2 20 8 200
21 Rodzina 4 45 9,5 300
rdo: "Tygodnik Finansowy - Magazyn Twoja Emerytura" z 17
lipca 1999 r., strona internetowa: www.invest.com.pl/emerytury/.

Tabela 10.2
rednie arytmetyczne i odchylenia standardowe zmiennych

Zmienna Xl X2 X3 X4
rednia arytmetyczna 2,571 110,23 8,624 546,67
Odchylenie standardowe 1,330 59,56 0,7596 270,51

256
 Tabela 10.3
Dane po standaryzacji

Lp. OFE Xl X2 X3 X4
l PZU "Zota Jesie" -1,182 1,507 0,495 3,524
2 Pioneer -0,430 0,030 0,232 -0,468
3 EGO -0,430 0,164 -0,953 -0,025
4 Commercial Union 1,074 0,248 1,812 0,197
5 N ationale- N ederlanden -0,430 0,668 0,100 -0,173
6 Polsat 1,074 -0,138 -0,163 -0,542
7 Zurich Solidarni -0,430 0,533 0,495 1,676
8 Norwich Union -1,182 1,642 -0,821 -0,062
9 AlG -0,430 -0,692 -0,163 -0,173
10 Pocztylion 0,322 -0,590 0,364 -0,173
11 Bankowy -0,430 0,164 1,680 0,197
12 Winterthur -0,430 0,248 0,495 0,197
13 Skarbiec-Emerytura -0,430 0,504 -0,163 -0,136
14 DOM -0,430 1,087 0,364 0,012
15 PBK "Orze" 1,074 1,877 0,364 0,197
16 PEKAO/ Alliance -0,430 -1,564 -1,084 -0,062
17 Allianz -0,430 -0,642 -2,796 -1,282
18 Epoka 3,330 -1,179 -0,953 0,197
19 Arka-Invesco -0,430 -1,256 0,364 -0,912
20 Lokata -0,430 -1,515 -0,821 -1,282
21 Rodzina 1,074 -1,095 1,153 -0,912

257
 Tabela 10.4
Macierz odlegoci euklidesowych

Lp. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
I 0,000 4,331 4,130 4,413 3,885 4,976 2,220 3,822 4,416 4,510 3,853 3,636 3,924 3,618 4,039 5,035 6,254 6,383 5,282 5,876 5,655
2 4,331 0,000 1,272 2,291 0,715 1,566 2,218 2,107 0,874 1,027 1,599 0,748 0,701 1,169 2,476 2,106 3,206 4,176 1,367 2,039 2,138
3 4,130 1,272 0,000 3,156 1,177 1,801 2,264 1,663 1,174 1,700 2,642 1,467 0,867 1,608 2,641 1,733 2,372 3,999 2,130 2,101 3,012
4 4,413 2,291 3,156 0,000 2,346 2,144 2,503 3,746 2,680 1,871 1,512 1,999 2,517 2,258 2,179 3,741 5,145 3,843 2,802 3,806 1,862
5 3,885 0,715 1,177 2,346 0,000 1,766 1,895 1,541 1,385 1,489 1,699 0,685 0,312 0,529 1,982 2,529 3,366 4,335 2,078 2,616 2,651
6 4,976 1,566 1,801 2,144 1,766 0,000 2,840 2,987 1,645 1,088 2,509 1,841 1,685 2,085 2,210 2,318 3,161 2,710 1,981 2,266 1,669
7 2,220 2,218 2,264 2,503 1,895 2,840 0,000 2,558 2,313 2,294 1,930 1,506 1,928 1,758 2,504 3,148 4,578 4,621 3,149 3,831 3,470
8 3,822 2,107 1,663 3,746 1,541 2,987 2,558 0,000 2,541 2,942 3,012 2,075 1,516 1,510 2,572 3,303 3,342 5,329 3,330 3,467 4,147
9 4,416 0,874 1,174 2,680 1,385 1,645 2,313 2,541 0,000 0,924 2,066 1,206 1,197 1,865 3,045 1,273 2,857 3,890 1,069 1,530 2,169
N
VI 10 4,510 1,027 1,700 1,871 1,489 1,088 2,294 2,942 0,924 0,000 1,733 1,192 1,428 1,847 2,605 1,903 3,432 3,356 1,248 2,014 1,4]]
QO
11 3,853 1,599 2,642 1,512 1,699 2,509 1,930 3,012 2,066 1,733 0,000 1,188 1,903 1,619 2,632 3,270 4,782 4,782 2,232 3,356 2,314
12 3,636 0,748 1,467 1,999 0,685 1,841 1,506 2,075 1,206 1,192 1,188 0,000 0,78] 0,870 2,22] 2,418 3,716 4,274 ],874 2,651 2,394
13 3,924 0,70] 0,867 2,5]7 0,312 1,685 1,928 1,5]6 1,]97 1,428 1,903 0,781 0,000 0,800 2,]29 2,265 3,092 4,207 1,995 2,413 2,675
]4 3,618 1,169 1,608 2,258 0,529 2,085 1,758 1,510 1,865 1,847 1,619 0,870 0,800 0,000 1,708 3,022 3,827 4,587 2,520 3,139 2,9]6
]5 4,039 2,476 2,641 2,179 1,982 2,210 2,504 2,572 3,045 2,605 2,632 2,221 2,129 1,708 0,000 4,032 4,558 4,020 3,648 4,166 3,269
16 5,035 2,106 1,733 3,741 2,529 2,318 3,148 3,303 1,273 1,903 3,270 2,418 2,265 3,022 4,032 0,000 2,295 3,790 1,707 1,249 2,866
17 6,254 3,206 2,372 5,145 3,366 3,161 4,578 3,342 2,857 3,432 4,782 3,716 3,092 3,827 4,558 2,295 0,000 4,473 3,240 2,159 4,266
18 6,383 4,]76 3,999 3,843 4,335 2,710 4,621 5,329 3,890 3,356 4,782 4,274 4,207 4,587 4,020 3,790 4,473 0,000 4,136 4,056 3,28]
19 5,282 1,367 2,130 2,802 2,078 1,981 3,149 3,330 1,069 1,248 2,232 1,874 1,995 2,520 3,648 1,707 3,240 4,136 0,000 1,268 1,706
20 5,876 2,039 2,101 3,806 2,616 2,266 3,831 3,467 1,530 2,014 3,356 2,651 2,413 3,139 4,166 1,249 2,159 4,056 1,268 0,000 2,544
21 5,655 2,138 3,012 1,862 2,651 1,669 3,470 4, ]47 2,169 1,411 2,314 2,394 2,675 2,916 3,269 2,866 4,266 3,281 1,706 2,544 0,000
 Zadania
Dla danych dotyczcych OFE z przykadu 10.1 (tab. 10.1):
a. Dokona unitaryzacji danych.
b. Jakie wasnoci maj dane obliczone w punkcie a?
c. Dla danych unitaryzowanych obliczy odlegoci miej skie midzy OFE.
Dla danych dotyczcych kondycji finansowej spek z przykadu 10.6
tab. 10.9):
a. Dokona standaryzacji danych.
b. Dla danych standaryzowanych obliczy odlegoci euklidesowe midzy
spkami (nie uwzgldniajc wag).
uzupeni macierz odlegoci:

? ? 0,3 ? 0,4
0,1 ? 0,5 ? 0,7
? ? ? ? ?
0,2 0,6 0,8? 1
? ? 0,9? ?

Uzupeni macierz obserwacji unitaryzowanych:

0,6 ?
0,7 0,5
1,0 0,1
? 0,9
0,5 0,0

Danajest znormalizowana macierz obserwacji:

-0,6 -1,1
0,6 -0,2
0,4 -1,2
0,3 -1,4
-0,8 3,8

Czy normalizacja moga by przeprowadzona za pomoc standaryzacji?

Odpowied uzasadnij.
Macierz standaryzowanych wartoci trzech -0,75 -1,5 ?
zmiennych w piciu obiektach przedsta- 1,75 -0,75
wiona jest obok.
a. Zapisa ca (uzupenion) macierz Z.
Z= ?
0,5 -0,125
0,5 ? 1,125
b. Obliczy odlego euklidesow midzy -0,75 0,5 1,125
obiektem drugim i pitym.

259
 10.7. Danajest znormalizowana macierz obserwacji. 0,4 _
a. Obliczy odlego euklidesow midzy obiek- 0,7
tern trzecim i czwartym. Z = -1,0 -
b. Obliczy odlego miejsk midzy obiektem - 0,8
drugim i pitym. 0,7

10.8. W obliczonej przez studentw macierzy odlegoci znajdujemy: d2,3 =

d2,5 =1,8, d3,5 =1,0. Czy nie ma w niej bdw rachunkowych?
wied uzasadni.
10.9. Dana jest macierz obserwacji dla 5 obiektw, rozpa- -0,5 -
trywanych ze wzgldu na 2 zmienne. Czy jest to ma- 2,0
cierz standaryzowanych obserwacji? Odpowied uza- -0,5
sadni. -0,5 -
-0,5
10.10. Uzupeni brakujce wartoci
(oznaczone znakiem zapytania)

-1,5
-1,5
-0,5
? -0,5
0,5
w standaryzowanej macierzy Z=
- 0,5 - 0,5 1,5-
obserwacji. ?
1,5
0,5 1,5
? -1,5 ?

10.11. Pan Rajdowski zamierza kupi nowy samochd. Z bogatej oferty wy
modeli o nastpujcych charakterystykach:
Cena Okres gwarancji Zuycie paliwa
Model (w tys. z) (w latach) (w litrach na 100 km)
Xl X2 X3
l 54 5 8
2 32 2 6
3 41 3 7
4 38 3 6,5
5 25 l 5,5

Na podstawie tych danych obliczy standaryzowan macierz obse

a z kolei na tej podstawie macierz odlegoci.
10.12. Czy ponisze macierze mog by macierzami odlegoci? Odpowied
sadni.

O
Dl = 3,3
[
]
3,3
3,3, D2 = 3,3
1,7 1,1 1,7
3,3.
1,7 1,1 O
[0

3,3 1,7]

10.13. Jakie s rnice midzy dyskryminacj a klasyfikacj?

10.14. Wymieni wasnoci macierzy odlegoci.

260
 Zadania testowe
macierzy odlegoci midzy 10 obiektami wystpuje: d23 = 4, d25 =3.
tra z odlegoci d35 jest na pewno bdna:
I) 7, II) 0,5,
llI) 8, N) 27
) "'"w.-_

0,5 0,3
0,6 0,0
0,0 0,1
7 0,9
0,7 1,0

261
Dane s znormalizowane wartoci zmiennej. Czy mogy one
powsta .w wyniku standaryzacji?
..

262
 Dana jest znormalizowana macierz obserwacji. Czy -0,6 -1,1
moga ona powsta w wyniku standaryzacji? 0,7 -0,2
A)flllC"'r' .. z= -1,2
B 0,3 -1,4
-0,8 3,9

Dana jest znormalizowana macierz obserwacji. Odleg- 0,6 -1,1

o miejska midzy obiektem pitym a drugim wyno- 0,7 0,5
SI: -1,0 -0,3
.iIC;;;?; -0,8 0,9
0,5 0,6

Brakujca warto w macierzy odlegoci (oznaczona zna-

kiem zapytania) jest

[! ~l
Brakujca warto w macierzy odlegoci (oznaczona zna-
kiem zapytania) to
oA.. ;)
J?Jr;J

[! ~~l
Brakujca warto w macierzy odlegoci (oznaczona zna-
kiem zapytania) to

Podobiestwo obiektw w wielowymiarowej analizie porwnawczej okre-

la si za pomoc
..A'i"'"
~t!:

263
 10.2. Analiza dyskryminacyjna

Jednym z wanych zagadnie w zastosowaniach jest analiza dyskrymi

na. Pozwala ona na zaliczenie badanego obiektu do okrelonej grupy. W tym
rozdziale przedstawiamy przykad, gdy klasyfikacja ma charakter zero-jedy
tzn. dany obiekt naley do jednej z dwch klas. W szeregu zastosowa kl
mog oznacza np. klientw zdolnych do obsugi zaduenia i klientw nie
nych do spacania zobowiza, akcje dajce podany dochd i akcje ,,nie
lajce", zjawiska reagujce na dany bodziec i zjawiska, na ktre dany bodziec
ma wpywu. Formalnie w zagadnieniu dyskryminacji, jeeli dysponujemy
wacj (wektorem) X, zadanie polega na "odgadniciu", czy obserwacja po
z rozkadu o gstoci f(x, ed, e
czy f(x, 2). Kryterium klasyfikacji jest
oczywiste. Obserwacj zaliczymy do pierwszej grupy (z parametrem e1), jeli

W przeciwnym razie obserwacja naley do grupy drugiej (z parametrem 2). e

W przypadku szczeglnym, gdy obie gstoci s normalne (p-wymiarowe

f(x, JL,) ~ (27r)pA

1
:IV2 exp[ -~(x
1
- JL,) T :- (x - JL,) l
dla i = l, 2, ...
Iloraz gstoci przyjmuje posta:
1
eXP[(1l1 -1l2)T L- x-t(1l1 -1l2)T L-\1l1 + 1l2)}

Iloraz ten jest wikszy od l, jeeli kryterium dyskryminacyjne

KD=(1l1-1l2)TL-lx_l(1l1-1l2)T L-1(1l1 +1l2O.

2
Przykad 10.2. Zamy, e

Sklasyfikowa wektory

a) [~,3J
W rozpatrywanym przykadzie kryterium dyskryminacyjne ma posta:

264
 ([~]-mm
~rx-!([~]-mm~n[~H~])~
=[0 -1][~ ~,5JX-t[0 -1][~ ~,5][~]=[0 -0,5].x+0,25.

przypadku a) KD = [O -0,5][~,3] + 0,25 = -0,15 + 0,25= 0,1> O, czyli roz-

terwszy.
przypadku b) KD = [O _0,5][~,3] + 0,25 = -0,5 + 0,25 = 0,25 < O, czyli roz-

drugi.
Poniej przedstawiamy koncepcj analizy dyskryminacyjnej dla przypadku,
Irollfal:netry populacji nie s znane.
Analiz dyskryminacyjn przedstawimy na przykadzie analizy spek giedo-
Jest to metoda klasyfikacji oparta na tzw. funkcji dyskryminacyjnej. Znane
zastosowanie tej metody w synnym rwnaniu Altmana, w ktrym stwierdza
re spki powinny zbankrutowa w najbliszym czasie, a ktre nie. W na-
przypadku rozpatrzymy (przy umownych danych) 30 spek, ktre w minio-
roku day zadowalajcy zarobek na giedzie, oraz 15 spek, ktre nie speniy
iwa inwestorw (ich ceny wzrosy zbyt sabo lub spady).
Poniej zaprezentowana idea analizy dyskryminacyjnej wymaga szeregu zao-
upraszczajcych. Zakada si bowiem, e wszystkie rozpatrywane zmienne ma-
ad normalny. W niektrych przypadkach zaoenie takie moe by dysku-
. Nie tak rzadkie s bowiem przypadki, gdy wskanik p/El (wzity przez nas
lizy) przyjmuje wartoci przy rednim P/E np. 30, na poziomie okoo 200
nawet 600. Tego typu spki naley raczej wyczy z rozwaa, tzn. zarwno
dowa na ich podstawie funkcji dyskryminacyjnej, ktra jest podstaw decy-
"ak i nie uwzgldnia wynikw analiz do klasyfikowania danej spki.
a pocztek opiszemy ide proponowanej metody.
Przy wybranych N czynnikach, majcych - naszym zadaniem - istotne zna-
'e, naley zbada wpyw interesujcych nas czynnikw na kondycj spki.
iem analizy dyskryminacyjnej jest budowa tzw. funkcji dyskryminacyjnej
taci
(10.9)

y jest wartoci funkcji, jeli wartoci czynnikw wynosiy (odpowiednio)

~, ..., xN'

l Z ang. Price/Earning,

265
 Wektor (kolumnowy) wspczynnikw w rwnaniu (10.9) wyraa si w
(por. [17])

a = S-I(-xl -x2
-) ,

gdzie: xl - rednia z pierwszej grupy obserwacji,

x2 - rednia z drugiej grupy obserwacj i,
S - macierz wariancji i kowariancji dla caej prby (w naszym pr
45 obserwacji).
Podkrelamy, e konstrukcja samej funkcji dyskryminacyjnej odbywa
podstawie danych historycznych, zatem zarwno obserwacje dotyczce
spek, dla ktrych roczny wzrost cen by zadowalajcy, jak i spek, kto
roczny wzrost cen nie jest akceptowany przez inwestorw, s znane. Naszym
lem jest wykorzystanie tej funkcji w przyszoci. Tak wic w naszym przy
Xl bdzie redni z pierwszej grupy obserwacji (spek zakwalifikowanych
"zadowalajce"), a x2 jest redni z drugiej grupy obserwacji, tj. spek zal<:w..
kowanych jako "niegodne polecenia".
Funkcja dyskryminacyjna (liniowa) ma posta

gdzie T oznacza transpozycj macierzy.

Jeli obliczymy wartoci funkcji dyskryminacyjnej dla wielkoci Xl oraz

otrzymanych z prby i oznaczymy YI = aTXl' Y2 = aTX2' to okae si, e p

lecym "porodku" midzy punktami YI oraz Y2 jest punkt

Jest to w istocie rednia arytmetyczna obliczona z liczb YI oraz Y2'

Powysza uwaga stanowi podstaw do przyjcia zaoenia, e dan
(wspczesn) obserwacj powinnimy zaliczy do grupy obserwacji .zadow
cych" , jeli miara dyskryminacyjna jest dla niej wiksza ni rednia (10 .11).
Podobnie obserwacj, dla ktrej funkcja dyskryminacyjna ma warto
od redniej (10.11), powinnimy zakwalifikowa do grupy 2 obserwacji (,,ni
nych polecenia").
W terminach spek oznacza to po prostu akceptacj tych spek, dla klIr-.
warto funkcji dyskryminacyjnej jest wiksza od redniej (10.11), oraz OdrzUCII_
tych spek, dla ktrych warto funkcji dyskryminacyjnej jest nisza od J' m
(10.11).

266
 istocie kryterium decyzyjne mona zapisa nastpujco (dla nowej obser-
_- x):

KD = aTx - 2
1 (-Xl - -X2 )TS-l(-Xl + -)
X2 ,

li KD> 0, to obserwacj klasyfikujemy do grupy 1, jeli KD < 0, to do grupy

ej.
Przykad 10.3. Nasze rozwaania zilustrujemy przykadem, dla ktrego pod-
bd dane zawarte w tab. 10.5.
Jak obliczylimy dla 45 obserwacji (z ktrych 30 pierwszych to spki, ktre
inwestorom zadowalajcy zarobek, a 15 pozostaych - zarobek niezadowala-
lub strat), macierz wariancji i kowariancji ma posta (dokadniej, poniewa
azy s szacowane na podstawie prby, wic powinnimy mwi o oszaco-
. macierzy wariancji i kowariancji):
ROE P/E
ROE 0,000828 -0,14639
P/E -0,14639 84,71361

Tabela 10.5
Wskaniki ROE i P/E spek giedowych

ROE(%) P/E ROE(%) P/E

1 2,26 12,00 24 7,42 5,20
2 4,00 11,00 25 4,73 5,37
3 5,00 9,70 26 7,49 8,10
4 2,03 6,42 27 2,35 5,72
5 7,82 9,49 28 1,89 5,85
6 4,71 5,48 29 5,36 5,19
7 9,49 11,20 30 0,31 10,00
8 9,31 5,00 31 2,74 19,00
9 0,95 8,00 32 0,47 23,40
10 6,87 6,43 33 0,59 38,90
11 9,04 5,90 34 1,17 32,00
12 8,00 5,54 35 2,00 17,40
13 5,26 7,47 36 1,62 19,20
14 2,11 6,87 37 1,32 18,70
15 7,42 6,26 38 1,87 12,30
16 7,37 6,50 39 2,96 12,08
17 4,55 9,72 40 0,52 14,76
18 2,80 5,30 41 0,09 44,98
19 1,01 5,68 42 2,21 13,00
20 5,57 8,62 43 2,79 19,09
21 5,21 5,73 44 2,11 28,30
22 8,67 8,55 45 1,21 22,30
23 8,98 6,75

267
 Tak wic na przektnej mamy wariancj z zaobserwowanych wska.'milI_
ROE oraz P/E, a poza przektn mamy kowariancj midzy obserwacjami dla
oraz dla wskanika P/E. Jak wida, zaleno midzy ROE i P/E jest w n
przykadzie ujemna. Zauwamy, e z symetrii kowariancji wynika rwnie
metria macierzy wariancji i kowariancji. Jest to wasno oglna macierzy w .
cji i kowariancji. Wykazuje si bowiem, e oprcz symetrii oraz tego, e na
ktnej mamy wariancje poszczeglnych zmiennych, macierz ta jest jeszcze
ujemnie okrelona, co oznacza, e wszystkie tzw. minory gwne s nieujemne.
Kowariancj na podstawie prby obliczylimy, korzystajc ze wzoru
n
Cov(x,y)=l ~)Xi -X)(Yi -y).
n
i=l

Symetria samej kowariancjijest oczywist konsekwencj przemiennoci mno

Dla obliczenia wariancji (dla obserwacji na zmiennej o nazwie x) stosuje si
n
V(x)=f2:(Xi _x)2.
i=l

S to wzory dla tzw. szeregw szczegowych, tzn. dla danych, ktre nie
stay poczone w grupy (jak np. w szeregu rozdzielczym). Dodajmy, e w
padku maych prb do czsto we wzorach (10.12) i (10.13) zamiast czynnika

stosuje si czynnik ~1 . Chodzi tutaj o zapewnienie tzw. nieobcionoci

n-
matorw kowariancji i wariancji. Korzystajc ze wzoru (10.10) obliczymy, e

0,184272]
a = [ -0,149952 .

W rozpatrywanym przez nas przykadzie funkcja dyskryminacyjna ma

posta
y = 0,184272ROE - 0,149952(P/E).
Jest zgodne z intuicj, e spka jest tym lepsza, im ROE jest
Potwierdza to posta funkcji dyskryminacyjnej, w ktrej wspczynnik
zmiennej ROE jest dodatni. Podobnie, zgodnie z najbardziej rozpowszec .
interpretacj, spka jest tym tasza, im P/E jest nisze. Zwikszenie P/E wpJ'l.
wic na zmniejszenie wartoci funkcji dyskryminacyjnej, co moe przesun
k do kategorii spek "niegodnych" polecenia.

268
 Dla skonstruowania kryterium decyzyjnego KD niezbdna jest - oprcz zna-
oci postaci funkcji dyskryminacyjnej - rwnie znajomo macierzy. W na-
.ID przykadzie macierz S-l ma posta

S-l = [0,169882 0,029367]

(10.14)
0,029367 0,017149 .

wamy, e jest to rwnie macierz symetryczna.

Potrzebne do oblicze wektory Xl - x2 oraz Xl + x2 maj tutaj posta

_ _ [ 3,688]
Xt-
X
2 = -15,059

_ _ [6,844]
Xl + x2 = 29,662 .

.W1rra;renie(1 0.11) jest wic rwne

l.(Xl - X2)TS-I(Xl + x2) = -1,593358,

2
m kryterium decyzyjne ma posta
KD = 0,184272ROE - 0,149952(P/E) + 1,593358.
Powysza funkcja pozwala nam zakwalifikowa kad spk do grupy 1
. ek "godnych" polecenia), jeli KD> 0, lub do grupy 2 (spek "niepoleca-
h"), jeli KD < O. Dodajmy, e wobec przyjtych zaoe (normalno rozkadu
'E i P/E) sytuacja, w ktrej KD= 0, nie powinna si zdarzy (zdarzenie takie ma
wdopodobiestwo rwne zeru). Jeli jednak zdarzy si w praktyce, to badacz
. postpi dowolnie (tj. zaliczy dan spk do grupy 1 lub 2 wedle uznania).
Poniej prezentujemy przykad zastosowania reguy KD w przypadku dwch
etnych spek.
Przykad 10.4. Wiadomo, e spki A, B, C maj na pocztku roku nastpu-
wskaniki:
ROE P/E
Spka A 10 22
Sp6kaB 3 33
Sp6kaC 4 55

alifikowa spki do grupy pierwszej lub drugiej.

Dla spki A funkcja KD przyjmuje warto
KDA = 0,18427210- 0,149952 22 + 1,593358 = 0,137134 > 0,

269
czyli spk A zaliczamy do grupy pierwszej.
Dla spki B funkcja KD ma warto
KDr3 = 0,1842723 - 0,14995233 + 1,593358 = -2,802238 < 0,
wobec czego spka ta zostaje zaliczona do grupy 2.
Zauwamy, e spka C ma duo gorszy wskanik P/E od spki B, ale lep
wskanik ROE, w zwizku z czym bezporednie porwnanie tych spek by
niemoliwe. Funkcja kryterium decyzyjnego ma tutaj warto
KDc = 0,1842724 - 0,14995255 + 1,593358 = -5,016908 < 0,
tak wic spka C rwnie zostaje zaliczona do klasy 2.
Podkrelamy, e nasze wnioski osignlimy dla danych umownych. Oznac
to, e naszego kryterium decyzyjnego nie mona stosowa w dowolnym c
i dla dowolnej prby. W rzeczywistych sytuacjach analityk powinien skonstruo
wasn funkcj dyskryminacyjn oraz regu decyzyjn KD. Do czste jest p
wiadczenie, e raz obliczone funkcje dyskryminacyjne mog suy w dowoln
czasie i miejscu. Zadziwiajcajest rwnie kariera synnej funkcji Altmana.
Przestrzegamy przed mechanicznym jej stosowaniem, zostaa bowiem os
cowana dla innych warunkw (istotnie innej prby) ni polskie oraz w innym cel
W rwnaniu Altmana spki klasyfikowano w dwch kategoriach. Pierwsz z ni
bya kategoria spek, ktre w najbliszym czasie nie zbankrutuj, oraz dru
potencjalnych bankrutw.
W naszej analizie kryterium podziau byo bardziej subiektywne. Pierw
grupa to spki, ktrych ceny akcji wzrosy w stopniu zadowalajcym, a druga
spki, ktrych ceny akcji wzrosy zbyt mao lub spady. Sam analityk decyduj
o tym, co to znaczy, e ceny wzrosy w stopniu zadowalajcym. Moe to oznac
e wzrosy szybciej ni indeks giedowy, e wzrosy przynajmniej ptorakro .
wicej ni indeks giedowy lub paradoksalnie - w przypadku bessy - spaday w
niej ni indeks giedowy. Podobn dowolno badacz moe zastosowa w
doboru spek reprezentujcych niekorzystn sytuacj.

Zadania

10.15. Sklasyfikowa liczby -2, -1, 0, 1, 2, jeeli pochodz z rozkadu N(~, 1

lub N( -t, 1)-

10.16. Obliczy funkcj kryterium dyskryminacyjnego dla rozkadw jedno
miarowych:
a) N(2, 1) iN(O, 1), b) N(2, l) iN(2, 2),
c) N(2, l) i rozkad jednostajny na odcinku (-5, 3).
W kadym z przypadkw sklasyfikowa liczby z zadania 10.15.

270
. . Wiadomo, e obserwacje pochodz z trjwymiarowego rozkadu normalne-
go o parametrach !-l T = [O 1 2] lub !-l I= [-1 O 2] o macierzy kowarian-
CJl

1 O O]
L= O 2 O .
[O O 4
Sklasyfikowa wektory:
a) [-2 -3 1], b) [O O O],
c) [1 2 5].
18. Wykaza, e w przypadku wielowymiarowego rozkadu normalnego zao-
enie, e macierze kowariancji w pierwszej grupie (LI) i w drugiej grupie
(L2) s rne (LI i:- L2), prowadzi do nieliniowej (wzgldem x) funkcji
dyskryminacyjnej.

. Zadania testowe
, X ~ N(O, 1) (populacja IJ.) lub X ~ N(O, 2) (populacja P2)' Wska zdania
t. prawdziwe:
1
I) -El}, 1
II) -EP 2,
2 2
III) 2,5 E P2, IV) -2,5 EJ}.

o.. W przypadku gdy parametry populacji nie s znane, szacujemy funkcj

{ dyskryminacyjn dla 20 obserwacji z grupy pierwszej i 30 obserwacji
z grupy drugiej. Rozpatrujemy 5 czynnikw zmiennych. Wska zdania
. prawdziwe:
I) wymiar (Xl - x2) wynosi 5x1,
II) wymiar macierzy S wynosi 20x30,
J III) wymiar S-l(XI + x2) wynosi 5x1,
IV) (Xl -X2)T S-I(XI + X2) jest skalarem .

.21: W populacji l} X ~ N !-lI' L a w populacji P2 X ~ N(!-l2' L). P~daj zda~

. d"
" ma praw ziwe, Jee l'
l: !-l.I = [0] ,!-l2 = [-1 ]
l' [2 O]
L= O 1 .

271
 I) [1 3]T E li,

ID) [-S S]T E P2'

Wska przypadki, w ktrych funkcja dyskryminacyjna jest liniowa (w

dem X):
I) X - N(~l'~) lub X - N(~2' r),
II) X - N(Ill> ~1) lub X - N(~2' ~2) (LI i:- L2),
III) X-1exp(-2x) lub X-1exp(-3x) (x> O).
2 3

10.3. Metody klasyfikacji

Metody klasyfikacji umoliwiaj podzia zbioru n obiektw na K rozczn

i niepustych podzbiorw, zwanych klasami, tak aby
- obiekty nalece do tych samych klas byy najbardziej podobne,
- obiekty nalece do rnych klas byy najmniej podobne.
Idea metod klasyfikacji za
przedstawiona na rysunku. Przy za '
niu, e zjawisko zoone jest opisyw
za pomoc 2 zmiennych, obiekty
malizowane mog by przedstawione
paszczynie. Na rys. 10.2 przedstawi
14 obiektw. Z rysunku wynika, e zbi
ten w naturalny sposb dzieli si na
klasy. Obiekty nalece do jednej
s podobne, bo odlegoci midzy .
s mae. Obiekty nalece do ra
klas nie s podobne do siebie, ponie
odlegoci midzy nimi s due, gdy
Rys. IO.2. Zbiorowo zoona z 4 klas sy s skoncentrowane w rnych o
rach paszczyzny.
Podobna sytuacja moe zachodzi dla zjawiska zoonego, opisywanego
pomoc wikszej liczby zmiennych (m> 2). Rwnie wtedy, w m-wymiaro\\

272
 ie wsprzdnych, mog istnie klasy obiektw. Poniewa w oglnym przy-
nie mona sporzdzi wykresu punktowego w celu wykry.cia klas obiektw,
zastosowa odpowiednie metody. Poniej zostan przedstawione dwie z nich.

Taksonomia wrocawska
Punktem wyjcia tej metody jest macierz odlegoci midzy obiektami. Meto-
t realizowana w trzech etapach.
Etap l. Poszukuje si najbliszego ssiada dla kadego obiektu. Najbliszym
em dla i-tego obiektu jest oczywicie obiekt l-ty, dla ktrego odlego od i-
obiektu jest najmniejsza:

mindil ' (l:t:. i).

l

Taksonomia wrocawska zwana jest take metod dendrytow, bowiem algo-

tej metody jest realizowany graficznie za pomoc dendrytu (grafu). Dendryt
si z wierzchokw i wizade. Przykad grafu, gdzie wierzchoki s zobra-
e za pomoc kek z symbolami obiektw, a wizania za pomoc odcinkw,
przedstawiony na rys. 10.3.

Rys. 10.3. Przykad grafu

W grafie wierzchoki symbolizuj obiekty. Zatem w grafie jest n wierzcho-

. Konstrukcj dendrytu rozpoczyna si od poczenia kadego obiektu (a ci-
- - wierzchoka grafu, odpowiadajcego obiektowi) z najbliszym ssiadem.
ten sposb otrzymuje si n pocze obiektw najbliszych. Niektre z tak
czonych pocze mog wystpowa dwukrotnie, a ponadto w wielu po-
iach mog si wielokrotnie powtarza pojedyncze wierzchoki.
W efekcie otrzymuje si tzw. skupienia pierwszego rzdu. Skupienie to obiek-
poczone z sob za pomoc wizade (bezporednio albo porednio). Na rys.
wystpuj 2 skupienia. W wyniku etapu pierwszego mog zaistnie dwie sy-
je. Moe si okaza, e zbudowany dendryt bdzie grafem spjnym (otrzyma
jedno skupienie pierwszego rzdu), tj. wszystkie wierzchoki bd poczone
rwanym cigiem wizade. W takiej sytuacji po etapie pierwszym przecho-

273
dzi si od razu do etapu trzeciego. Jeli natomiast w etapie pierwszym otrzyma
wiele skupie pierwszego rzdu, naley wykona etap drugi.
Etap 2. Poszukuje si najbliszych ssiadw dla kadego skupienia. W
celu naley najpierw okreli pojcie odlegoci midzy skupieniami. W
nomii wrocawskiej odlego midzy skupieniami s i p jest rozumiana jako
malna odlego midzy obiektami nalecymi do tych skupie:

~indil '
1,1

gdzie: i = l, 2, , ls - obiekty nalece do skupienia s,

l = l, 2, , lp - obiekty nalece do skupienia p,
ls -liczba obiektw nalecych do skupienia s,
lp -liczba obiektw nalecych do skupieniap.
W sytuacji, w ktrej wystpuje wiksza liczba skupie, do okrelenia naj
szego ssiada dla kadego skupienia przydatne jest wyznaczenie macierzy od
ci midzy skupieniami.
W grafie kade skupienie pierwszego rzdu czy si ze skupieniem - naj
szym ssiadem. czenie skupie polega na czeniu odpowiednich obiektw
cych do tych skupie. Powstaj wtedy skupienia drugiego rzdu. Etap 2 po
rza si do momentu, a wszystkie skupienia s z sob poczone, tworzc
spjny. Wizada dendrytu tworz aman, ktra nie moe zawiera am
zamknitych (tzw. cykli). Naley pamita, e dendryt powinien skada
dokadnie z n-l wizade. Oznaczmy odlegoci w grafie spjnym przez dl
..., d., ..., dn-l, przy czym dl ~d2 ~ ... ~ d, ~ ... ~ dn-l
Etap 3. Dokonuje si podziau grafu spjnego. W przypadku, gdy osta
klasyfikacja ma liczy K klas, naley z otrzymanego dendrytu usun K - l
duszych wizade. Otrzymany w ten sposb graf zostanie podzielony wani
Kklas.
Gdy liczba klas nie jest dana a priori, mona zastosowa tzw. podzia na
ny. Wszystkie odlegoci w grafie spjnym porzdkujemy malejco. Nast
obliczamy ilorazy odlegoci ssiednich:
_ dl _ d2 _d 2
W2 -d'
2
W3 =z:
3
Wn-1
ll_
---o
d 1
ll-

Jeeli dlaK= 2, ..., n-l, < wK+l' to moemy powiedzie, ~ dendryt

wK
pada si w sposb naturalny na K czci. Z dwch podziaw naturalnych pocizill
na K czci jest lepszy od podziau na L czci, jeli wK < wL .

274
 Innym sposobem podziau dendrytu na nieznan z gry liczb klas jest meto-
legajca na tym, e z grafu usuwa si wizada o dugoci wikszej od od Ie-
. ikrytycznej d*

'e d, - odlegoci w grafie spjnym (i = 1, 2, ..., n-l).

Odlego krytyczna moe by zadana z gry przez badacza albo wyznaczona
g wzoru Hellwiga

(10.15)

'e: d - rednia arytmetyczna z wszystkich odlegoci z grafu spjnego,

Sd - odchylenie standardowe z wszystkich odlegoci z grafu spjnego,

a - staa.
Najczciej a przyjmuje si z przedziau (O, 2]. Poziom tej staej wpywa na
czn liczb klas. Dla wikszych wartoci a odlego krytyczna jest wiksza,
m otrzymuje si mniejsz liczb klas. W kadym przypadku prbuje si dobra
o a tak, aby liczba klas bya optymalna.

Metoda rodkw cikoci (k rednich)

Metoda ta opiera si na minimalizacji nastpujcej funkcji:
K m 2
I I I{zij -vlg) , (10.16)
k=l ieCk j=l

'e: Zij - warto znormalizowana i-tego obiektuj-tej zmiennej,

vlg - j-ta skadowa wektora miar pooenia obliczonego dla obiektw nale-
cych do k-tej klasy.
i E Ck oznacza, e i-ty obiekt naley do k-tej klasy,
Funkcja (10.16) moe by rwnie przedstawiona w postaci

(10.17)

'e dik -odlego midzy i-tym obiektem a wektorem miar pooenia obliczo-
nym na podstawie obiektw nalecych do k-tej klasy.
Wida zatem, e funkcja (10.17), a wic rwnie (10.16), jest sum kwadra-
odlegoci midzy obiektami a wektorami miar pooenia klas, do ktrych te
iekty nale. Poniewa klasy powinny zawiera obiekty jak najbardziej podobne,

275
wic odlegoci midzy obiektami nalecymi do tych klas - a w zwizku z
rwnie odlegoci obiektw od wektorw miar pooenia klas, do ktrych
obiekty nale - powinny by jak najmniejsze. Zatem w celu uzyskania optyn18..ll1lj,:
klasyfikacji naley okreli minimum funkcji (10.16).
Skadowe wektora miar pooenia k-tej klasy (k= l, 2, ..., K), zapewniaj
uzyskanie optymalnej klasyfikacji, dane s wzorem

vkj' =l
n "
L.. z."l)
k ieCk

gdzie nk -liczba obiektw nalecych do k-tej klasy.

Ze wzoru (10.18) wynika, e wekt
miar pooenia, ktry zapewnia uzys
optymalnej klasyfikacji z punktu wi
kwadratowej funkcji kryterium, jest w
rednich obliczony dla obiektw nale

"\"
" "
do k-tej klasy. Geometrycznie rzecz tr
(wida to na rys. 10.4), ten wektor jest'
kiem cikoci danej klasy. Uzasadnia
nazw omawianej metody.
W praktyce metoda rodkw cik
jest stosowana wedug algorytmu, kt
Rys. 10.4. rodek cikoci klasy idea jest nastpujca. Najpierw ustala
liczb K klas, na ktr naley podzieli
obiektw, i ustala si pocztkow klasyfikacj zbioru obiektw skadajcej si z
klas. Moe by ona zadana w dowolny sposb, np. losowo lub wedug intuicji
dacza. Dalej algorytm jest iteracyjny. W kadej iteracji przeprowadza si nast
jce dziaania:
1) oblicza si wektory rednich (rodki cikoci) dla kadej z klas w
wzoru (10.18) na podstawie klasyfikacji otrzymanej w poprzedniej iteracji
klasyfikacj i pocztkowej),
2) oblicza si odlegoci kadego obiektu od wektora rednich kadej klasy
3) wyznacza si now klasyfikacj przez przydzielenie kadego obiektu
klasy, ktra jest dla tego obiektu najblisza, tzn. do klasy, dla ktrej odlego
wektora rednich jest najmniej sza.
Obliczenia kontynuuje si do momentu, gdy klasyfikacje otrzymane w dw
kolejnych iteracjach s takie same.
Schemat dziaania metody rodkw cikoci zosta pokazany na rys. 10.5.
Jak wida, algorytm otrzymywania klasyfikacji (oparty na metodzie r
cikoci) polega na tym, i w kolejnych iteracjach "poprawia si" klasyfi
pocztkow poprzez przemieszczanie obiektw do najbliszych im klas.

276
 Obliczamy rodki cikoci klas

Obliczamy odlegoci obserwacji od rodkw cikoci klas

Przydzielanie obserwacji do odpowiednich klas

Czy nowa klasyfikacja jest NIE

takajak poprzednia?

TAK

Rys. 10.5. Schemat dziaania metody rodkw cikoci

Przykad 10.5. Dokonaj klasyfikacji OFE z przykadu 10.1 za pomoc takso-

-- wrocawskiej:
) na 4 klasy,
na liczb klas nie znan z gry.
Podstaw klasyfikacji niech bdzie macierz odlegoci euklidesowych dla
standaryzowanych obliczona w przykadzie 10.1.
tap 1. W tab. 10.6 przedstawiono list najbliszych ssiadw poszczegl-
OFE.
_-a podstawie tych danych zosta sporzdzony graf (rys. 10.6), w ktrym
_~:g1ne OFE zostay oznaczone odpowiednimi numerami.
Otrzymalimy dwa skupienia pierwszego rzdu. Pierwsze skada si z trzech
PEKAO/ Alliance Allianz i Lokata, drugie z pozostaych OFE. W zwizku
ey przej do etapu 2.
 Tabela 10.6
Najblisi ssiedzi kadego OFE

Najbliszy ssiad
Numer WykazOFE
Numer NazwaOFE odlego
1 PZU "Zota Jesie" 7 Zurich Solidami 2,220
2 Pioneer 13 Skarbiec-Emerytura 0,701
3 EGO 13 Skarbiec-Emerytura 0,867
4 Commercial Union 11 Bankowy 1,512
5 N ationale- N ederlanden 13 Skarbiec- Emerytura 0,312
6 Polsat 10 Pocztylion 1,088
7 Zurich Solidami 12 Winterthur 1,506
8 Norwich Union 14 DOM 1,510
9 AlG 2 Pioneer 0,874
10 Pocztylion 9 AlG 0,924
11 Bankowy 12 Winterthur 1,188
12 Winterthur 5 Nationale- N ederlanden 0,685
13 Skarbiec- Emerytura 5 Nationale- N ederlanden 0,312
14 DOM 5 Nationale- N ederlanden 0,529
15 PBK"Orze" 14 DOM 1,708
16 PEKAO/ Alliance 20 Lokata 1,249
17 Allianz 20 Lokata 2,159
18 Epoka 6 Polsat 2,710
19 Arka- Invesco 9 AlG 1,069
20 Lokata 16 PEKAO/ Alliance 1,249
21 Rodzina 10 Pocztylion 1,411

~
~

Rys. 10.6. Skupienia I rzdu

Etap 2. Poniewa otrzymalimy dwa skupienia, zatem kade jest najblis

ssiadem drugiego. Do tego, aby poczy te skupienia, konieczne jest jeszcze
okrelenie tych OFE, ktre naley poczy. W tym celu szukamy minim

278
 - oci midzy OFE PEKAO/Alliance, Allianz i Lokata a pozostaymi OFE.
go ta wynosi 1,268. Jest to odlego midzy OFE Arka-Invesco i Lokat.
naniesieniu powyszej odlegoci na dendryt otrzymamy nastpujcy graf
_ .10.7):

Rys. 10.7. Dendryt spjny

Powyszy graf jest spjny, dlatego te mona przej do etapu 3.

Etap 3
a. Poniewa ostateczna klasyfikacja miaa skada si z 4 klas, dlatego te
wamy z grafu spjnego 3 najdusze wizania. S to odlegoci midzy OFE:
t i Epoka (2,710), Zota Jesie i Zurich Solidarni (2,220) oraz Lokata i Allianz
159). Po tym zabiegu otrzymamy graf przedstawiony na rys. 10.8.
Ostatecznie otrzymalimy nastpujce 4 klasy:
- {Epoka},
- {PZU "Zota Jesie"},
- {Allianz},
- {Pioneer, EGO, Commercial Union, Nationale-Nederlanden, Polsat, Zurich
lidarni, Norwich Union, AlG, Pocztylion, Bankowy, Winterthur, Skarbiec-Eme-
<tura,DOM, PBK "Orze", PEKAO/Alliance, Arka-Invesco, Lokata, Rodzina}.
Jak wida, otrzymalimy trzy klasy jednoelementowe i jedn klas zawieraj-
pozostae OFE. OFE Epoka zosta wydzielony do osobnej klasy ze wzgldu na
cydowanie najwiksz liczb akcjonariuszy PTE; OFE PZU za odrnia si od
zostaych funduszy najwiksz deklarowan liczb czonkw. Jeli chodzi za o
FE Allianz, to charakteryzuje si on zdecydowanie najnisz prowizj pobieran
czonkw funduszu.

279
 Rys. 10.8. Podzia dendrytu na 4 klasy

b. Gdy liczba klas nie jest znana, zastosujemy tzw. podzia naturalny. W ty
celu uporzdkujemy malejco odlegoci w grafie spjnym oraz obliczymy ilo
odlegoci ssiednich. W tab. 10.7 zamieszczono odpowiednie obliczenia:

Tabela 10.7
Podzia naturalny

Odlegoci w grafie Ilorazy odlegoci

i Podzia naturalny
spjnym d, ssiednich Wj
1 2,710
2 2,220 1,22037
3 2,159 1,02843 Podzia naturalny
4 1,708 1,26381
5 1,512 1,12991
6 1,510 1,00096 Podzia naturalny
7 1,506 1,00297 Podzia naturalny
8 1,411 1,06722 Podzia naturalny
9 1,268 1,11288
10 1,249 1,01524 Podzia naturalny
11 1,188 1,05154 Podzia naturalny
12 1,088 1,09188
13 1,069 1,01785 Podzia naturalny
14 0,924 1,15706
15 0,874 1,05627
16 0,867 1,00855 Podzia naturalny
17 0,701 1,23656
18 0,685 1,02405 Podzia naturalny
19 0,529 1,29472 Podzia naturalny
20 0,312 1,69380

280
 Poniewa W3 < W4, w6 < W7' W7 < Wg, Wg < w9' WIO < wIl' Wll < wI2'
3 < wI4' wI6 < wI7' WIg < wI9' wI9 < w20, moliwe s podziay naturalne na 3,
,8, 10, 11, 13, 16, 18 lub 19 czci. Najlepszym podziaem naturalnym jest po-
na 6 klas, gdy min{ w3, w6, w7' Wg, wIO, wIl, Wl3, WI6, WIg, WI9} = w6
tym celu usuwamy 5 naj duszych wizade, co prowadzi do naturalnego rozpa-
dendrytu w nastpujcy sposb:

Rys. 10.9. Podzia dendrytu na 6 klas

Ostatecznie otrzymujemy wic nastpujcy podzia naturalny:

- {Epoka},
- {PZU "Zota Jesie"},
- {Allianz},
- {Commercial Union},
- {PBK "Orze"},
- {Pioneer, EGO, Nationale-Nederlanden, Polsat, Zurich Solidarni, Norwich
ion, AlG, Pocztylion, Bankowy, Winterthur, Skarbiec-Emerytura, DOM,
'. L.~O/ Alliance, Arka-Invesco, Lokata, Rodzina}.
Innym sposobem dokonania podziau na nieznan liczb klas jest usunicie
grafu spjnego wizade duszych od odlegoci krytycznej wyznaczonej wedug
ru (10.15). rednia odlego w grafie spjnym wynosi 1,275, a odchylenie
dardowe 0,583. Przyjmiemy sta a na poziomie 1. Zatem odlego krytyczna
osi 1,858. W grafie spjnym wystpuj trzy wizania dusze od odlegoci
cznej. S to odlegoci midzy OFE: Polsat i Epoka (2,710), Zota Jesie
Zurich Solidarni (2,220) oraz Lokata i Allianz (2,159). Z grafu spjnego usuwa-
te wizania. Po tym zabiegu ostateczna klasyfikacja bdzie skada si z 4 klas,
.ch samych jak w punkcie a.

281
 Zadania
10.19. Dokona klasyfikacji OFE z przykadu 10.5 metod taksonomii WTOC
skiej na nieznan liczb klas przy zastosowaniu podziau naturalnego.
10.20. Dla przykadu 10.5 narysowa graf przedstawiajcy najbliszych ssia
korzystajc z macierzy odlegoci miejskich dla danych standaryzowan
(tab. 10.3). Porwna go z grafem z przykadu 10.5 (rys. 10.8).
10.21. Dokona klasyfikacji firm z przykadu 10.5 przy zaoeniu, e zmie
rwnowane.
10.22. Dana jest macierz o 3,10 4,31 2,66 2,09 3,15 2,88
odlegoci eukli- O 3,18 4,02 2,61 2,14 3,09
desowych. Utwo- O 3,97 2,69 1,45 2,05
rzy dendryt i na O 1,99 2,87 1,94
tej podstawie D=
O 1,29 0,85
podzieli zbir
O 1,21
obiektw na trzy
klasy. O

10.23. Badano kondycj fmansow siedmiu przedsibiorstw. W kolejnoci

Bimber SA, Butelka & Korek Spka z 0.0., Czysta i nie tylko, Dom
Wyrb Win, Nalewka dla Kadego SC, Spiritus Co., Zakady Napoj
Wyskokowych. Obliczona macierz odlegoci jest nastpujca:
O 2,I"0 3,07 1,90 2,43 3,50 3,54
2,10 O 1,65 3,56 1,69 2,77 2,15
3,07 1,65 O 4,38 1,58 4,17 3,70
1,90 3,56 4,38 O 3,20 3,93 1,94
2,43 1,69 1,58 3,20 O 3,56 2,55
3,50 2,77 4,17 3,93 3,56 O 2,20
3,54 2,15 3,70 1,94 2,55 2,20 O

Podzieli firmy (metod taksonomii wrocawskiej) pod wzgldem kon .

fmansowej na dwie grupy przedsibiorstw podobnych.
10.24. Pi dzielnic Wrocawia- w kolejnoci:
O 3,5 2,6 2,9
Fabryczna, Krzyki, Psie Pole, Stare
O 2,4 3,4
Miasto, rdmiecie - badano pod
D= O 2,1
wzgldem poziomu komunikacji
O
publicznej, ktr scharakteryzowano za
pomoc 4 zmiennych:
1) liczba linii tramwajowych,
2) liczba linii autobusowych,

282
 3) liczba linii autobusowych popiesznych,
4) liczba postojw takswek.
Na podstawie obserwacji obliczono macierz odlegoci euklidesowych dla
badanych dzielnic ze wzgldu na wyrnione zmienne (D). Metod takso-
nomii wrocawskiej dokona podziau dzielnic Wrocawia na dwie klasy.
5. Macierz odlegoci midzy omioma obiektami jest przedstawiona poniej.
Metod taksonomii wrocawskiej podzieli obiekty na trzy grupy.

0,00 0,63 0,56 0,57 0,93 0,63 0,96 0,91

0,63 0,00 0,46 0,18 0,46 0,62 0,88 0,59
0,56 0,46 0,00 0,52 0,45 0,57 0,65 0,78
0,57 0,18 0,52 0,00 0,88 0,12 0,53 0,83
D=
0,93 0,46 0,45 0,88 0,00 0,69 0,44 0,78
0,63 0,62 0,57 0,12 0,69 0,00 0,57 0,11
0,96 0,88 0,65 0,53 0,44 0,57 0,00 0,66
0,91 0,59 0,78 0,83 0,78 0,11 0,66 0,00

6. Dana jest standaryzowana macierz ob- -0,47 1,46 -0,31

serwacji dla 6 obiektw i 3 zmiennych.
-0,86 0,89 -0,88
a. Jaka jest warto brakujcego ele-
mentu macierzy Z? -0,3 0,29 -1,45
Z=
b. Stosujc metod rodkw cikoci 0,29 -0,31 1,47
w pierwszym kroku losowo podzie- 0,88 -0,88 0,88
lono zbir obiektw na 3 klasy:
1,46 -1,45
I {l, 2}, II {3, 4}, ID {5, 6}. Odleg-
oci euklidesowe obiektu pierwsze-
go od rodkw cikoci poszczeglnych klas wynosz: dl,l = 0,505 ,
dl, II = 2,1, dl,m = 3,83. Czy obiekt pierwszy zmieni klas? Odpowied
uzasadni.
27. Dana jest standaryzowana macierz -0,91 -0,46 1,88
obserwacji Z. Stosujc metod rodkw 1,99 0,39 1,18
cikoci zaproponowano nastpujc
0,75 1,91 -1,32
wstpn klasyfikacj: {l, 2, 3, 4},
{5, 6, 7, 8}. Sprawdzi, do ktrej klasy -1,09 -1,54 -0,54
Z=
bdzie nalea obiekt pierwszy -0,33 0,23 0,27
w nastpnej klasyfikacji (nastpnym
0,75 0,68 -0,54
kroku).
-0,33 -0,14 -0,85
-0,83 -1,07 -0,08

283
10.28. Dana jest standaryzowana macierz obserwa-
-0,8
cji dla 6 obiektw i 3 zmiennych. Stosujc
metod rodkw cikoci, w pierwszym


1,5
-1

kroku podzielono zbir na 3 klasy: I {l, 2}, z= -1,5 -1,4 -

II {3, 4}, III {5, 6}. Odlegoci euklidesowe
0,8 1
obiektu 1 od rodkw cikoci poszcze-
1,4
glnych klas wynosz: dl, I = 0,783 ,

dl, II = 1,273, dl, III = 1,945. Czy obiekt 1 naley przenie do innej kI
Jeli tak, to do ktrej?
10.29. Pan Wira zamierza kupi nowy samochd. Z bogatej
modeli o nastpujcych charakterystykach:
Cena Okres gwarancji Zuycie paliwa,
Model (w tys. z) (w latach) (w litrach na 100 km)
XI x2 x3
1 54 5 8
2 32 2 6
3 41 3 7
4 38 3 6,5
5 25 1 5,5

Na podstawie tych danych obliczono standaryzowan macierz obserw

Z, a na tej z kolei podstawie macierz odlegoci D. Zbudowa dendryt i
dzieli ten zbir samochodw na dwie jednorodne wewntrznie klasy.

1,65 1,66 1,63 4 2,3 2,8 5,2

-0,62 -0,60 -0,70 1,7 1,1 1,2
z= 0,47 , D= 0,7 2,8
0,31 0,15
0,15 -0,12 2,3

-1,34 -1,36 -1,28
10.30. W celu klasyfikacji 10 obiektw otrzymano graf spjny o nastpujc

odlegociach (uporzdkowanych malejco):

a. Ile podziaw naturalnych otrzymamy?

b. Ile klas liczy najlepszy podzia naturalny?
10.31. Opisa zasad dziaania (algorytm) metody rodkw cikoci.

284
 Zadania testowe

; Badano kondycj fmansow szeciu o 2,10 3,07 2,43 3,50 3,54.

przedsibiorstw. W kolejnoci s to: O 1,65 1,69 2,77 2,15
Empli, Bikoma, Bruk, Gont, Skot- O 1,58 4,17 3,70
i lan, Tur. Macierz odlegoci midzy
O 3,56 2,55
~ nimi podana jest obok. Ktra firma O 2,20
J. jest najbardz~~j podobna ~od wzgl- O
;~ dem kondycji finansowej do firmy
'] Skotlan:

4; Barlanokondycj mansow piciu przedsi-

~ biorstw. W kolejnoci s to: Balbinka, Bolek &
Lolek Spka z 0.0., Czerwony Kapturek SA,
Gargamel i Kaczor Donald. Na podstawie ob-
serwacji obliczono macierz odlegoci midzy
nimi. Metod taksonomii wrocawskiej podzia
tych przdsibiorstw na dwie klasy pod wzgl-
dem k,?ndyc.ji finansowej jest nastpujcy:

Przez podzielenie podanego obok

<;*' dendrytu na trzy klasy otrzymamy
il nastpujcy wynik:
i~ A) {I}, {2, 3, 4, 5}, {6, 7, 8},
I B) {l, 2}, {3, 5}, {4, 6, 7, 8},
'j C) {l}, {2, 3,4, 5}, {6, 7}, {8},
Ea D) adna z powyszych odpowiedzi.
041
<1"
Przez podzielenie podanego w zadaniu 10.25 dendrytu wedug odlegoci
krytyczne' (wzr (10.15)) otrzymamy: ..

285
Przez podzielenie podanego obok dendrytu
na cztery czci otrzymamy nastpujce kla-
sy:

W pierwszym etapie taksonomii wrocawskiej uzyskano 5 skupie.

~ ~
I V

~
II

Odlegoci midzy obiektem A oraz B a pozostaymi znajduj si w tabeli.

Obiekty C D E F G H J K
A 1,5 1,4 1,7 2,2 4,3 2,8 2,4 2,5
B 1,6 1,3 1,8 1,2 2,3 1,8 1,9 2,7

Najbliszym ssiadem skupienia I jest skupienie:

W celu klasyfikacji 4 obiektw (dane obok) metod rodkw cikoci

konano wstpnej klasyfikacji:
klasa 1: obiekty 1 i 2, Zmienna
2
klasa 2: obiekty 3 i 4. Obiekt
W pierwszej iteracj i l -0,8 -0,7
2 -0,5 -0,5
3 1,7 -0,5
4 -0,4 1,7

W celu klasyfikacji 6 obiektw Zmienna

metod rodkw cikoci doko- 2 3
Klasa
nano wstpnej klasyfikacji:
l 0,9 0,6 0,8
klasa 1: obiekty 1 i2, 2 0,4 0,7 1,2
klasa 2: obiekty 3 i 4, 3 0,5 1,4 1,1
klasa 3: obiekty 5 i 6.
Zostay policzone rodki cikoci dla klas (wyniki w tabeli powye
W pierwszej iteracji otrzymano now klasyfikacj, w ktrej tylko obiekt

286
 zmieni klas: opuci l i przeszed do 3. W nowej klasyfikacji wyznaczy
rodek cikoci dla klasy 2.

I, Vi celuklasyftkacji 10 obiektw otrzymano graf spjny o nastpujcy~h

odlegociach (uporzdkowanych malejco):

10.4. Metody porzdkowania liniowego

Celem metod porzdkowania liniowego jest uszeregowanie obiektw w ko-

inoci od najlepszego do najgorszego, a kryterium uporzdkowania jest poziom
wiska zoonego. Aby mona byo zastosowa metody porzdkowania liniowe-
, zmienne powinny by znormalizowane.
Specyfika metod porzdkowania liniowego zbioru obiektw wrd metod
AP polega na tym, e konieczne jest okrelenie charakteru wszystkich zmien-
ch opisujcych badane zjawisko zoone. Zmienne mog mie charakter stymu-
t, de stymulant, nominant lub neutralny.
Zmienna Xj jest stymulant, jeli wzrost jej wartoci wiadczy o wzrocie
ziomu zjawiska zoonego; czyli dla dwch obiektw A oraz B mona zapisa
tpujc implikacj:

'e symbol >- oznacza dominacj obiektu A nad obiektem B (A jest lepiej oce-
y ni B).
Zmienna Xj jest destymulant,jeli spadekjej wartoci wiadczy o wzrocie
ziomu zjawiska zoonego; czyli dla dwch obiektw A oraz B speniona jest
tpujca zaleno:

287
gdzie symbol -< oznacza dominacj obiektu B nad obiektem A (A jest gorzej
niany ni B).
Zmienna X j jest nominant, jeli okrelona jej warto (N) wiadczy o
wyszym poziomie zjawiska zoonego. Wartoci zarwno mniejsze, jak i wi
od N wiadcz o niszym poziomie zjawiska zoonego; czyli dla dwch obie
A oraz B, mona zapisa nastpujce implikacje:

jeli xAj,XBj-:;'N,to xAj>xBj=>A~B,

jeli xAj' XBj ~ N, to xAj > XBj => A -< B.

Zmienna Xj jest neutralna, jeli jej wartoci nie wiadcz o poziomie zja
ska zoonego. Zatem dla dwch obiektw: A oraz B
xAj > XBj => -,(A -< B) i --(A ~ B).

Te cztery rodzaje zmiennych mona schematycznie przedstawi na rys

(zob. rys. 10.10-10.13).
Na przykad do opisu zjawiska zoonego, jakim jest kondycja fmaruiOW.
przedsibiorstwa, mona wybra nastpujce zmienne:
stymulanty:
- wskaniki rentownoci,
destymulanty:
- wskanik rotacji zapasw surowcw i materiaw,
- wskanik cyklu nalenoci w dniach,
oraz nominanty:
- wskanik pynnoci.

Wartoci stymulanty Wartoci destymulanty

Rys. 10.10. Stymulanta Rys. 10.11. Destymulanta

288
 =

Wartoci nominanty Wartoci zmiennej

Rys. 10.12. Nominanta Rys. 10.13. Zmienna neutralna

Zmienne neutralne, ze wzgldu na brak: wpywu na poziom zjawiska zoone-

s niepodane w zbiorze zmiennych opisujcych zjawisko zoone.

Zmiana charakteru zmiennych

W pewnych sytuacjach konieczne jest takie przeksztacenie zmiennych, aby
okrelony charakter, np. aby wszystkie byy stymulantami.
Destymulanta moe by atwo sprowadzona do postaci stymulanty dla danych
~t"'''Tzowanych poprzez pomnoenie wszystkich jej wartoci przez -1; dla
ych unitaryzowanych za przez odjcie od jednoci wszystkich wartoci
ulanty.
Zamiana nominanty X;. na stymulant moe by przeprowadzona wedug na-
ujcej formuy:

1, dla xi} = Ni'

-1
dla xi} < Ni' (i = 1,2, ..., n), (10.19)
x lJ.. -N} -1'
1

'e: Nj - warto nominalna dlaj-tej zmiennej,

x .. - i-ty obiekt j-tej zmiennej - nominanty,
lJ
zi} - i-ty obiekt j-tej zmiennej po zamianie na stymulant.
Zastosowana formua ma t wasno, e wartoci stymulanty mieszcz si
przedziale (O, 1].
W dalszej czci tego podrozdziau zostan przedstawione dwie metody
dkowania liniowego.

289
 Metoda sum standaryzowanych
Jest to jedna z najprostszych metod porzdkowania liniowego. W metodzie
zakada si, w dane s standaryzowane i wszystkie zmienne maj charakter sty
lant. W przypadku destymulant i nominant naley je sprowadzi do postaci s
lant.
Metoda sum standaryzowanych skada si z dwch etapw.
Etap 1. Dla kadego obiektu oblicza si sum wartoci zmiennych we
wzoru:

gdzie zij - warto i-tego obiektuj-tej zmiennej znormalizowanej.

Przy stosowaniu wzoru (10.20) zakada si, e wszystkie zmienne majj
nakowy wpyw na poziom zjawiska zoonego. Oznacza to jednakow wan
zmiennych opisujcych zjawisko zoone. Czasami jednak podkrela si znac
jednej lub wielu zmiennych ze wzgldu na wikszy ich wpyw na poziom zjawi
zoonego. W takiej sytuacji dla kadego obiektu oblicza si waon sum w
zmiennych wedug wzoru

gdzie Wj - wagaj-tej zmiennej.

Stosowanie wag ma na celu odzwierciedlenie preferencji w stosunku
zmiennych opisujcych zjawisko zoone. Wagi powinny spenia nastpujce
runki:
1) Wj~O,

2) :2:Wj =1.
j=1
Jak atwo zauway, wzr (10.21) jest w pewnym sensie uoglnieniem w
(10.20). W tym ostatnim zakada si, e wagi dla wszystkich zmiennych s so
rwne i wynosz ..l.
m
Etap 2. Dla kadego obiektu oblicza si tzw. miar rozwoju wedug wzoru

-
~ - Pj-P-O , ('-1
1- , 2, ..., n ), (lO.
Po - P-O
gdzie:

290
 P-o = I
}=l
z-O} w},

czym za} oraz z-O} s to wartoci zmiennych dla obiektw abstrakcyjnych,

wiednio wzorca i antywzorca wyznaczanych w nastpujcy sposb:

Interpretacja tej metody jest nastpujca. Poniewa zakada si, e wszystkie

ienne s stymulantami, wic im wysza jest warto Pi, tym wyszym pozio-
badanego zjawiska zoonego charakteryzuje si obiekt. Zatem ju na pod-
wie otrzymanych wartoci sum mona uporzdkowa obiekty od najlepszego do
"gorszego ze wzgldu na poziom zjawiska zoonego. Ostateczna konstrukcja
" rozwoju ma na celu uzyskanie wartoci unormowanych, albowiem wielkoci
rozwoju s zawarte w przedziale [O; 1], przy czym miara rozwoju obliczona
wzorca rozwoju rwna si 1, dla antywzorca za - zero.

Metoda wzorca rozwoju

Inn metod porzdkowania liniowego jest metoda wzorca rozwoju. Przyj-
uje si w niej, e wartoci zmiennych s znormalizowane i maj charakter stymu-
t lub de stymulant. Nominanty zatem naley sprowadzi do postaci stymulant
b de stymulant.
Porzdkowanie liniowe t metodjest realizowane w trzech etapach.
Etap 1. Najpierw wyznacza si abstrakcyjny obiekt, tzw. wzorzec rozwoju
o naj lepszych wartociach dla kadej zmiennej:

za';" [ZOl Z02 ... Za} ... ZOm],

m~x zij' gdy zmienna Z} jest stymulant,

za j = {min zij' gdy zmienna Z} jest destymulant,
!

" obiekt abstrakcyjny, tzw. antywzorzec z-O o naj gorszych wartociach kadej
zmiennej:

291
gdzie
m~ zij' gdy zmienna Z} jest stymulant,
z -
-O} - { mrI
zij' gdy zmienna Z} jest destymulant.

Etap 2. Nastpnie bada si podobiestwo obiektw do abstrakcyjnego najl

szego obiektu przez obliczenie odlegoci (np. euklidesowej) kadego obiektu
wzorca rozwoju:

m 2
djQ = I{Zij -ZO}) , (i= 1, 2, ... , n),
}=l

gdzie diO - odlego euklidesowa i-tego obiektu od wzorca rozwoju.

Im bardziej podobny do wzorca (mniej odlegy od niego) jest obiekt,
wyszy jest poziom zjawiska zoonego dla tego obiektu.
Etap 3. Ostatnim etapem jest wyznaczenie dla kadego obiektu tzw.
rozwoju wedug wzoru

mi = 1- Y
dO
O
,(i = 1, 2, ..., n),

gdzie: mi - miara rozwoju dla i-tego obiektu,

do - odlego midzy wzorcem rozwoju i antywzorcem/:

Miara rozwoju jest tak skonstruowana, aby speniaa nastpujce wasno '.
1) im wy"Szy poziom zjawiska zoonego, tym wysza warto miary ro
2) wartoci miary rozwoju s zawarte w przedziale [O; 1], przy czym
rozwoju obliczona dla wzorca rozwoju rwna si 1, dla antywzorca za - zero.
Przykad 10.6. Badano kondycj finansow 25 przedsibiorstw (tab. 10
Pod uwag brano wskaniki z nastpujcymi wagami:
a) rentownoci (0,35):
- aktyww (0,4),
- kapitau (0,4),
- sprzeday (0,2);

2 Warto do moe by zdefiniowana i obliczona rwnie w inny sposb.

292
 Tabela 10.8
Kondycja finansowa grupy 25 przedsibiorstw

Lp. FIRMA
l COMPUTERLAND POLAND
2 CORA - GARWOLIN
3 CUKROWNIA "MIEJSKA GRKA"
4 DELFIA
5 DELI-FOOD
6 DOLPASZ
7 EKOLAN
8 ELEKTROMONTA
9 ELEKTROWNIA "SKAWINA"
10 FABRYKA SILNIKW ELEKTRYCZNYCH ,,BESEL"
11 FALMOT - PLESZEW
12 HERBAPOL BrAYSTOK
13 HUTA "ZAWIERCIE"
14 HYDROTRUST
15 JAROCISKA FABRYKA MEBLI
16 KRAKODLEW
17 LENKO
18 MAX1MUM
19 POLSKI TYTO
20 PRSZYSKI I S-KA
21 PTAK-MEDIA
22 STOCZNIA "USTKA"
23 RUBENA
24 "WPH"
25 ZAKADY AZOTOWE ,,PULAWY"

b) pynnoci (0,2):
- biecej (0,6),
- podwyszonej (0,4);
c) zaduenia (0,2):
- aktyww (0,4),
- dugoterminowego (0,2),
- dwignia finansowa (0,4);
d) sprawnoci (0,25):
- cykl realizacji nalenoci (1).
Poniewa zastosowano dwustopniowy system wag (waga problemu oraz
wskanika wewntrz problemu), wic ostateczna waga kadego wskanika jest ilo-
zynem wagi problemu oraz wagi wskanika wewntrz problemu. Wartoci po-
wyszych wskanikw wraz z ostatecznymi wagami zamieszczone s w tab. 10.9.
aley uporzdkowa firmy pod wzgldem kondycji finansowej za pomoc meto-
dy wzorca rozwoju.

293
 Tabela ]0.9
Wskaniki charakteryzujce kondycj finansow przedsibiorstw

Rentowno Rentowno Rentowno Bieca Podwyszona Zaduenie Zaduenie Dwignia Cykl realiza-
Lp.
aktywW kapitau sprzeday pynno pynno aktyww duzoterminowe finansowa cii nalenoci
] 0,0886 0,1430 0,0576 ],8598 1,4570 0,3266 0,0000 0,5273 91,4899
2 -0,0691 -1,5230 -0,0407 0,8665 0,3485 0,9419 2,4388 20,7624 58,2665
3 -0,0398 -0,]735 -0,0505 0,8514 0,1410 0,7592 0,7513 3,3109 30,9263
4 -0,0376 -0,0791 -0,0281 0,9909 0,5270 0,49]0 0,3993 ],0326 39,6725
5 -0,4567 2,3307 -0,3393 0,7462 0,5093 1,]733 0,0000 -5,9871 131,4074
6 -0,0024 -0,0060 -0,0006 1,1641 0,7877 0,5923 O,] 500 1,5019 34,7204
7 -0,1306 ],5901 -0,1574 23,0382 4,1272 0,0619 -0,2272 -0,7541 6,5907
8 0,0384 0,1060 0,0]7] 1,2469 0,8882 0,6646 0,3266 1,8321 73,2922
9 0,0344 0,0450 0,0256 1,0650 0,7660 0,2120 0,0]64 0,2771 40,3879
10 0,0049 0,0078 0,0034 0,8826 0,4050 0,3694 0,0000 0,5860 35,4330
11 0,0454 0,0937 0,0385 1,0393 0,2986 0,5092 0,0544 1,0521 42,0945
N 12 0,0083 0,0165 0,0084 1,3434 0,2522 0,4973 0,2679 0,9919 31,0560
\C
~ 13 0,0019 0,0028 0,0010 0,6621 0,4723 0,3297 0,0947 0,4925 24,5494
14 0,1066 0,20] 1 0,0219 1,6346 1,5730 0,4685 0,0402 0,8834 50,3351
15 0,0119 0,0183 0,0075 ],5109 0,5558 0,3376 0,0000 0,5191 38,]022
16 -0,0920 -0,4626 -0,0249 0,996] 0,7933 0,7720 0,0000 3,8808 57,473]
17 0,0076 0,0101 0,0061 2,7673 1,4205 0,2293 0,1648 0,3039 33,6831
18 -0,0018 -0,0067 -0,0012 1,3401 0,9256 0,5410 0,0000 2,0275 118,8483
19 -0,0010 -0,0015 -0,0002 2,5345 1,0810 0,2949 0,0000 0,4192 22,9158
20 0,0670 0,2317 0,0599 1,3949 0,5] 81 0,3040 0,0761 1,0507 46,6263
21 0,0063 0,0064 0,0338 8,8232 8,8232 0,0173 0,0075 0,0176 155,9432
22 -0,0500 -0,1255 -0,0511 0,5043 0,2566 0,5958 0,0403 1,4950 34,7335
23 -0,1340 -0,2755 -0,1345 0,9131 0,3526 0,4492 0,0784 0,9231 51,4231
24 0,0078 0,0511 0,0042 1,9901 0,4229 0,8391 3,3296 5,5244 26,2407
25 0,0329 0,0535 0,0253 1,8724 1,0561 0,3222 0,2222 0,5234 50,8413
wagi 0,14 0,14 0,07 0,12 0,08 0,08 0,04 0,08 0,25
r6do: obliczenia wasne na podstawie danych finansowych spek, zaczerpnitych z "Monitora Polskiego" seria B.
 Najpierw okrelimy charakter zmiennych:
Xl - wskanik rentownoci aktyww: stymulanta,
X2 - wskanik rentownoci kapitau: stymulanta,
X3 - wskanik rentownoci sprzeday: stymulanta,
X4 - wskanik biecej pynnoci: nominanta z wartoci optymaln 2,
X5 - wskanik podwyszonej pynnoci: nominanta z wartoci optymaln 1,
X6 - wskanik zaduenia aktyww: de stymulanta,
X7 - wskanik zaduenia dugoterminowego: destymulanta,
X8 - dwignia fmansowa: de stymulanta,
X9 - cykl realizacji nalenoci: de stymulanta.
Wrd zmiennych opisujcych kondycj fmansow przedsibiorstw znajduj
i dwie nominanty. W metodzie wzorca rozwoju zmienne mog mie posta albo
ulant, albo destymulant. Zatem dokonamy przeksztacenia nominant na stymu-
ty za pomoc formuy (lO.19). Pozostae zmienne ze wzgldu na rne jednost-
. miary i rne rzdy wielkoci zostan poddane normalizacj i za pomoc unitary-
zacji na podstawie wzoru (10.3). Dane po tych zabiegach znajduj si w tab. 10.10.

Tabela 10.10
Dane znormalizowane (po unitaryzacji)

Lp. Xl X2 X3 X4 Xs X6 X7 X8 X9
1 0,968 0,432 0,994 0,877 0,686 0,268 0,064 0,244 0,568
2 0,688 0,000 0,748 0,469 0,606 0,800 0,750 1,000 0,346
3 0,740 0,350 0,723 0,465 0,538 0,642 0,275 0,348 0,163
4 0,744 0,375 0,780 0,498 0,679 0,410 0,176 0,262 0,222
5 0,000 1,000 0,000 0,444 0,671 1,000 0,064 0,000 0,836
6 0,807 0,394 0,848 0,545 0,825 0,497 0,106 0,280 0,188
7 0,579 0,808 0,456 0,045 0,242 0,039 0,000 0,196 0,000
8 0,879 0,423 0,893 0,570 0,899 0,560 0,156 0,292 0,447
9 0,872 0,407 0,914 0,517 0,810 0,168 0,069 0,234 0,226
10 0,819 0,397 0,858 0,472 0,627 0,305 0,064 0,246 0,193
11 0,891 0,420 0,946 0,510 0,588 0,426 0,079 0,263 0,238
12 0,825 0,399 0,871 0,604 0,572 0,415 0,139 0,261 0,164
13 0,814 0,396 0,852 0,428 0,655 0,270 0,091 0,242 0,120
14 1,000 0,447 0,905 0,732 0,636 0,390 0,075 0,257 0,293
15 0,832 0,400 0,869 0,672 0,692 0,277 0,064 0,243 0,211
16 0,647 0,275 0,787 0,499 0,829 0,653 0,064 0,369 0,341
17 0,824 0,398 0,865 0,566 0,704 0,183 0,110 0,235 0,181
18 0,808 0,393 0,847 0,602 0,931 0,453 0,064 0,300 0,752
19 0,809 0,395 0,849 0,652 0,925 0,240 0,064 0,239 0,109
20 0,930 0,455 1,000 0,623 0,675 0,248 0,085 0,263 0,268
21 0,822 0,397 0,935 0,128 0,113 0,000 0,066 0,224 1,000
22 0,722 0,363 0,722 0,401 0,574 0,500 0,075 0,280 0,188
23 0,573 0,324 0,513 0,479 0,607 0,374 0,086 0,258 0,300
24 0,824 0,408 0,860 0,990 0,634 0,711 1,000 0,430 0,132
25 0,869 0,409 0,913 0,887 0,947 0,264 0,126 0,243 0,296

295
 Poniewa zmienne nie s rwnowane, wic dane z tab. 10.10 naley pomno-
y przez odpowiednie wagi. Zmienne po uwzgldnieniu wag znajduj si w tab.
10.11.

Tabela 10.11
Dane znormalizowane po uwzgldnieniu wag

Lp. Xl X2 X3 X4 Xs X6 X7 X8 X9
l 0,136 0,061 0,070 0,105 0,055 0,021 0,003 0,019 0,142
2 0,096 0,000 0,052 0,056 0,048 0,064 0,030 0,080 0,086
3 0,104 0,049 0,051 0,056 0,043 0,051 0,011 0,028 0,041
4 0,104 0,052 0,055 0,060 0,054 0,033 0,007 0,021 0,055
5 0,000 0,140 0,000 0,053 0,054 0,080 0,003 0,000 0,209
6 0,113 0,055 0,059 0,065 0,066 0,040 0,004 0,022 0,047
7 0,081 0,113 0,032 0,005 0,019 0,003 0,000 0,016 0,000
8 0,123 0,059 0,062 0,068 0,072 0,045 0,006 0,023 0,112
9 0,122 0,057 0,064 0,062 0,065 0,013 0,003 0,019 0,057
10 0,115 0,056 0,060 0,057 0,050 0,024 0,003 0,020 0,048
11 0,125 0,059 0,066 0,061 0,047 0,034 0,003 0,021 0,059
12 0,116 0,056 0,061 0,072 0,046 0,033 0,006 0,021 0,041
13 0,114 0,055 0,060 0,051 0,052 0,022 0,004 0,019 0,030
14 0,140 0,063 0,063 0,088 0,051 0,031 0,003 0,021 0,073
15 0,116 0,056 0,061 0,081 0,055 0,022 0,003 0,019 0,053
16 0,091 0,039 0,055 0,060 0,066 0,052 0,003 0,030 0,085
17 0,115 0,056 0,061 0,068 0,056 0,015 0,004 0,019 0,045
18 0,113 0,055 0,059 0,072 0,074 0,036 0,003 0,024 0,188
19 0,113 0,055 0,059 0,078 0,074 0,019 0,003 0,019 0,027
20 0,130 0,064 0,070 0,075 0,054 0,020 0,003 0,021 0,067
21 0,115 0,056 0,065 0,015 0,009 0,000 0,003 0,018 0,250
22 0,101 0,051 0,051 0,048 0,046 0,040 0,003 0,022 0,047
23 0,080 0,045 0,036 0,058 0,049 0,030 0,003 0,021 0,075
24 0,115 0,057 0,060 0,119 0,051 0,057 0,040 0,034 0,033
25 0,122 0,057 0,064 0,106 0,076 0,021 0,005 0,019 0,074

W pierwszym etapie wyznaczamy wzorzec i antywzorzec rozwoju.

Wzorzec: [0,14 0,14 0,07 0,12 0,08 O].

Antywzorzec: [O 0,01 0,01 0,08 0,04 0,08 0,25].

Nastpnie policzymy odlegoci obiektw od wzorca oraz miary rozwoi

wedug wzoru (10.18) (tab. 10.12). Na tej podstawie moemy uporzdkowa sp'
pod wzgldem kondycji finansowej (tab. 10.13).
Na podstawie powyszych danych moemy stwierdzi, e spk o najleps
kondycji finansowej (z przebadanych 25) jest POLSKI TYTO. Nie jest to je
wzorzec dla innych firm - warto miary rozwoju jest daleka od jednoci. W .

296
 Tabela 10.12 Tabela 10.13
Wartoci miary rozwoju Uporzdkowanie spek wedug miary rozwoju

Odlegoci Miejsce Miara rozwoju Spka

Miary
Lp. obiektw 1 0,716 POLSKI TYTO
rozwoju
od wzorca 2 0,691 JAROCISKA FABRYKA MEBLI
l 0,167 0,550 3 0,689 LENKO
2 0,213 0,427 4 0,686 PRSZYSKI I S-KA
3 0,142 0,618 5 0,685 ZAKADY AZOTOWE
4 0,133 0,642 ,,PUAWY"
5 0,282 0,243 6 0,681 HERBAPOL BrAYSTOK
6 0,124 0,667 7 0,678 ELEKTROWNIA "SKA WINA"
7 0,148 0,602 8 0,678 HYDROTRUST
8 0,156 0,579 9 0,673 HUTA "ZAWIERCIE"
9 0,120 0,678 10 0,668 "WPH"
10 0,125 0,663 11 0,667 DOLPASZ
11 0,127 0,658 12 0,663 FABRYKA SILNIKW
12 0,119 0,681 ELEKTRYCZNYCH "BESEL"
13 0,122 0,673 13 0,658 FALMOT - PLESZEW
14 0,120 0,678 14 0,642 DELFIA
15 0,115 0,691 15 0,619 STOCZNIA "USTKA"
16 0,165 0,555 16 0,618 CUKROWNIA "MIEJSKA GRKA"
17 0,116 0,689 17 0,602 EKOLAN
18 0,218 0,414 18 0,579 ELEKTROMONT A
19 0,106 0,716 19 0,573 RUBENA
20 0,117 0,686 20 0,555 KRAKODLEW
21 0,293 0,213 21 0,550 COMPU1ERLAND POLAND
22 0,142 0,619 22 0,427 CORA - GARWOLIN
23 0,159 0,573 23 0,414 MAXIMUM
24 0,124 0,668 24 0,243 DELI-FOOD
25 0,117 0,685 25 0,213 PTAK-MEDIA

to Z faktu, e spka ta w badanym roku poniosa strat netto (std ujemne wska-
niki rentownoci). Spk o nieznacznie gorszej kondycji fmansowej jest Jaroci-
ka Fabryka Mebli.
Zdecydowanie naj gorszymi spkami z 25 badanych s PTAK-MEDIA oraz
DELI-FOOD. Wartoci miary rozwoju dla tych spek zdecydowanie odbiegaj od
pozostaych. Gwna przyczyn tego faktu jest dugi cykl realizacji nalenoci
(pTAK MEDIA - ponad 5 miesicy, DELI-FOOD - ponad 4 miesice).

Zadania
10.32. Uporzdkowa firmy z przykadu 10.6 za pomoc metody sum standaryzo-
wanych. Porwna otrzymane wyniki.
10.33. Okreli charakter zmiennych z przykadu 10.1, a nastpnie uporzdkowa
OFE za pomoc:

297
 a) metody wzorca rozwoju,
b) metody sum standaryzowanych z rwnymi wagami.
10.34. Badano czynniki wpywajce na oglny poziom zanieczyszcze w Pols
Pod uwag wzito nastpujce zmienne: emisj pyw (w mln ton), emisj
dwutlenku siarki (w mln ton) oraz emisj innych gazw (w mln ton). Bada-
nia obejmuj lata 1980-1991. Dane s zawarte w tab. 10.14. Przeprowa .
standaryzacj i uporzdkowa poszczeglne lata ze wzgldu na poziom za-
nieczyszcze metod sum standaryzowanych. W ktrym roku byo n .
wiksze zanieczyszczenie, a w ktrym najmniejsze?
10.35. Scharakteryzowano poziom ycia w Polsce w latach 1966-1985 za pom
czterech zmiennych:
1) realnych dochodw ludnoci w cenach z roku 1982 (w bln z),
2) liczby przestpstw wykrytych i zakoczonych w postpowaniach przy-
gotowawczych (w tys.),
3) spoycia alkoholu w przeliczeniu na spoycie czystego sp
(litry/osob),
4) liczby rozwodw przypadajcych na 100 osb.
Dane dotyczce tych zmiennych zostay zamieszczone w tab. 10.15.

Tabela 10.14 Tabela.lO.

Poziom zanieczyszcze w Polsce Dane do zadania 10.35 dotyczce Polski

Emisia Dochody Liczba Spoycie Liczba

Rok
Rok innych ludnoci rzest stw alkoholu rozwod
pyw S02
gazw 1966 3,8 430 9,9 0,8
1980 2,34 2,76 2,38 1967 3,7 412 9,8 0,9
1981 2,25 2,76 2,38 1968 4,0 469 10,0 0,9
1982 2,06 2,74 2,35 1969 4,1 454 9,3 1,0
1983 1,91 2,68 2,32 1970 4,4 424 9,0 1,1
1984 1,82 2,65 2,30 1971 4,5 414 9,2 l, l
1985 1,79 2,65 2,28 1972 4,9 432 9,5 l, l
1986 1,82 2,64 2,29 1973 5,1 414 9,7 1,2
1987 1,80 2,72 2,30 1974 5,0 410 10,1 1,3
1988 1,62 2,77 2,31 1975 4,9 394 10,8 1,3
1989 1,51 2,79 2,32 1976 4,8 375 10,5 1,2
1990 1,26 2,77 1,91 1977 4,6 366 10,7 1,2
1991 0,92 2,69 1,52 1978 4,2 348 11,1 1,1
1979 4,2 333 10,3 l, l
1980 4,3 338 9,8 1,l
1981 4,5 380 10,1 1,1
1982 3,7 436 11,6 1,3
1983 3,7 466 11,9 1,4
1984 3,8 539 12,3 1,4
1985 3,9 569 12,4 1,5
rdo: Roczniki Statystyczne GUS - dane zaokr

298
 a. Okreli, ktre zmienne s stymulantami, ktre za de stymulantami dla
poziomu ycia ludnoci.
b. Metod wzorca rozwoju okreli poziom ycia ludnoci w badanych
latach.
c. Na podstawie wykresu wartoci miar rozwoju omwi specyficzne okre-
sy w badanym zjawisku.
36. Do badania zdolnoci kredytowej Bank Miejski stosuje trzy wskaniki
(z rwnymi wagami) charakteryzujce potencjalnych kredytobiorcw:
- rentowno netto obrotu (zysk netto/przychody netto ze sprzeday),
- wskanik oglnego zaduenia (czne zobowizania/cao aktyww),
- wskanik zabezpieczenia kredytw dugoterminowych rodkami trway-
mi (majtek trway netto/zaduenie dugoterminowe).
Siedem przedsibiorstw
Przedsi- lRentownc,>Wskanik Wskanik
zoyo wnioski kredyto- biorstwo obrotu zaduenia zabezpieczenia
we do Banku Miejskiego: Apeksim -0,88 -0,92 1,27
Apeksim, Bicz, Zryw, Mi- Bicz -0,56 -0,62 1,27
teks, Cis, Szarp, DWW. Cis -0,15 -0,67 -0,40
Dane dotyczce tych firm DWW -0,61 0,70 0,53
Miteks 2,28 -0,71 -0,40
(po standaryzacj i) znaj du- 0,l5
Szarp 0,35 -1,69
j si w tabeli obok. Upo- Zryw -0,43 2,07 -0,58
rzdkowa firmy (metod
sum standaryzowanych) pod wzgldem zdolnoci kredytowej. Ktremu
przedsibiorstwu w pierwszej kolejnoci Bank Miejski powinien przyzna
kredyt?
Dana jest standaryzowana macierz obser- -0,91 -0,50 1,92
wacji Z. Zmienna X2 jest destymulant.
1,99 0,34 1,22
Jakie wsprzdne ma wzorzec rozwoju? 1,86 -1,29
0,75
-1,09 -1,58 -0,51
Z=
-0,33 0,18 0,03
0,75 0,63 -0,51
-0,33 0,18 -0,82
-0,83 -1,11 -0,04

Badano jako pralek automa- Liczba Zuycie Zuycie

Pralka firmy
tycznych nastpujcych ma- programw wody energii
rek: POLAR, WlllRPOOL, POLAR 1,29 -0,43 0,82
BOSCH, ZANUSSI, AMICA. WHIRPOOL -1,39 1,03 0,82
BOSCH -0,92 1,20 -1,23
Przy ocenie jakoci brano pod
ZANUSSI 0,61 -1,49 0,82
uwag nastpujce kryteria: AMICA 0,41 -0,31 -1,23
liczb programw, zuycie

299
 wody, zuycie energii. Charakterystyki badanych pralek po standaryzacji
przedstawione w tabeli powyej. Metod sum standaryzowanych uporzd-
kowa pralki pod wzgldem jakoci od najlepszej do najgorszej.
10.39. Zamierzasz przystpi do jednego z piciu
0,72 -0,39
funduszy inwestycyjnych i bierzesz pod
uwag nastpujce kryteria: 1,56 1,41 1,5
X - czas funkcjonowania funduszu na ryn- -0,82 -1,41 -0,39
ku w miesicach, -1,13 -0,71 -1,38
y - opat manipulacyjn za najnisz
-0,33 0,71 0,59
wpat,
Z - liczb prowadzonych funduszy.
Zmienna Y jest destymulant. Dane s standaryzowane wartoci ty
zmiennych. Ktry fundusz wybierzesz? Odpowied uzasadni.
10.40. Dana jest standaryzowana macierz obserwacji dla 6
przedsibiorstw rozpatrywanych ze wzgldu na 3
zmienne, ktrymi s:
1 2
-2 -1

Z1 - wskanik pynnoci,
-1
Z2 - wskanik rentownoci,
l
Z3 - wskanik zaduenia.
Przedsibiorstwa staraj si o kredyt bankowy. Bank moe udzieli kred

tylko dwom przedsibiorstwom. Ktre z nich wybierze, jeli dwie pierwsze
zmienne to stymulanty, a trzecia - to destymulanta.
10.41. Pan Wycigowski za-
Cena Okres gwaran- Zuycie paliwa
mierza kupi nowy sa- Model w tys. z cii (w latach) w litrach na 100 k:m.I
mochd. Z bogatej Xl X2 X)
oferty wybra 5 mode- 1 54 5 8
li; ich charakterystyki 2 32 2 6
s umieszczone w ta- 3 41 3 7
beli obok. Stosujc 4 38 3 6,5
5 25 1 5,5
metod wzorca rozwo-
ju, pom panu Wyci-
gowskiemu w wyborze samochodu.
10.42. Badano jako zamraarek o po-
Zdolno
jemnoci 200 l nastpujcych Zdolno Zuycie
Marka utrzymania
marek: AMICA, INDESIT, zamraania energii
temperatury
CANDY, ZANUSSI, POLAR. AMICA 0,00 1,00 0,00
Przy ocenie jakoci brano pod INDESIT 0,39 0,03 0,82
uwag nastpujce kryteria: CANDY 0,92 0,20 1,00
ZANUSSI 0,61 0,49 0,82
zdolno zamraania (w kg na
POLAR 1,00 0,00 1,00
dob), zuycie energii (w kWh

300
 na dob), zdolno utrzymania temperatury w przypadku braku zasilania
(w godz.). Charakterystyki zamraarek po unitaryzacji s przedstawione
w tabeli powyej. Ktra zamraarka jest najlepsza, a ktra najgorsza pod
wzgldem jakoci?
10.43. Operator sieci telekomunikacyjnej ELTERIX przekaza do publicznej wia-
domoci wartoci wskanikw jakoci usug telekomunikacyjnych w sieci
T2 uzyskanych w II kwartale 2001 r. na terenie czterech oddziaw:
Wskanik Gdynia Kock Koo Rawa Mazowiecka
Sprawno usuwanych uszkodze (w %) 85,31 100 100 100
Stopa bdnych pocze (w %) 0,22 O O O
Czas usunicia uszkodzenia (w godz.) 25,05 5,25 4,5 1,95

Ktry oddzia charakteryzuje si najlepszym, a ktry najgorszym poziomem

.akoci usu telekomunikac .n ch.

lQII; Nominanta
-:::M:-
to taka zmienna, ktrej

Zamian destymulanty na stymulant mona przeprowadzi

nastpujcych przeksztace:
I) xi} := -xi}' II)

III) xi}:= c- xi} , IV)

2
Xi} := xi}'

301
 B o mowy ba a zdolno e ytow za pomoc trzech wskauik
charakteryzujcych potencjalnych kredytobiorcw:
rentowno netto obrotu (zysk netto/przychody netto ze sprzeday),
wskanik oglnego zaduenia (czne zobowizania/cao aktyww),
wskauik zabezpieczenia kredytw dugoterminowych rodkami trway-
mi (majtek trway netto/zaduenie dugoterminowe).
Cztery przedsibiorstwa
Przedsi- Rentowno Wskanik Wskanik
zoyy wnioski kredyto-
biorstwo obrotu zaduenia zabezpieczenia
we do tego banku. Dane Alfa -0,8 -0,7 0,7
dotyczce tych firm (po Beta -0,5 -0,5 1,3
standaryzacji) s umiesz- Sigma 1,7 -0,5 -0,8
czone obok. Wzorzec roz- Orne a -0,4 1,7 -1,2
.. woju potrzebny do upo-
rzdkowania rzedsibiorstw metod w~()rca rozwoju jest nastpujcy:

o taksonomicznej mierze rozwoju mona powiedzie, e

I) przyjmuje wartoci z przedziau [-1, 1],
Il) jest liczb nie wiksz od 1 i rzadko niewielk liczb ujemna,
ITI) im wysza jest jej warto, tym wyszy jest poziom rozwoju danego
obiektu,
IV) im wysza jest jej warto, tym niszy jest poziom rozwoju danego
obiektu,
V) pozwala tylko na wzgldn ocen poziomu rozwoju danego obiektu;

szystkie zmienne wykorzystywane w waonej metodzie sum stan arY~

wanych musz mie posta:

302
 II) destymulant,

Dany jest wektor odlegoci 10 obiektw od wzorca rozwoju:

diO =[6,77 6,85 4,70 5,41 6,62 4,33 4,96 5,95 4,17 2,65].

Odlego wzorca rozwoju od antywzorca wynosi do = 7,77 . Miara rozwo-

ju obiektu trzeciego wynosi:

Pi przedsibiorstw zostao poddanych ocenie kondycji finansowej, W ko-

0'~i lejnoci s to: Alef, Bet, Gamel, Si, Obi. Do oceny zastosowano 3 zmienne
z rwnymi wagami:
Xl - wskanik zaduenia (destymulanta),
?
?
?-2
?
X2 - wskanik rentownoci (stymulanta), -1,5 - 0,5 0,5
X3 - wskanik pynnoci (stymulanta). 1,5 ? 0,5
- 0,5 - 0,5 0,5
::~l~~lfJ1Et;~BI~!llr!;~~~I~ji:lf:~'
nia). Jeli wiadomo, e w uporzdkowaniu metod sum standaryzowanych
pod wzgldem kondycji fmansowej Si jest lepsza od Obi, ale gorsza od
Gamel, to brakujca warto dla Si moe przyj tylko wartoci z przedziau
A) (-D,5; 0,5), B) (1; 2),
C) (0,5; 1,5), D) (1,5; 2,5).
Bank Wiejski bada zdolno kredytow za pomoc trzech wskanikw
(w nawiasach wagi) charakteryzujce potencjalnych kredytobiorcw:
- rentowno netto obrotu (zysk netto/przychody netto ze sprzeday) (0,3),
- wskanik oglnego zaduenia (czne zobowizania/cao aktyww) (0,5),
- wskanik zabezpieczenia kredytw dugoterminowych rodkami trway-
mi (majtek trway netto/zaduenie dugoterminowe) (0,2).
Sze przedsibiorstw zo-
yo wnioski kredytowe
Przedsi- Rentowno Wskanik Wskanik
do banku: Atlanta, Besta,
biorstwo obrotu zaduenia zabezpieczenia
Eksbud, Hetman, Piged, Atlanta -0,73 -0,92 1,27
Rolpol. Dane dotyczce Besta -0,42 -0,62 1,27
tych firm (po standary- Eksbud -0,01 -0,67 -0,40
zacji) s nastpujce: Hetman -0,47 0,70 0,53
Piged 2,40 -0,71 -0,40
Rolpol -0,29 2,07 -0,58

303
Ktremu przedsibiorstwu (wedug waonej metody sum standaryzowa-
nych) w pierwszej kolejnoci bank powinien przyzna kredyt?

W celu uporzdkowania 4 obiektw

metod sum standaryzowanych za- 2
stosowano trzy zmienne, przy czym ---{l,8 ---{l,?
pierwsza i trzecia zmienna s stymu- -o, 5 -o, 5
lantami, a druga zmienna destymu- 1,7 -o, 5
lant. Dane dotyczce tych obiektw -o, 4 1,7
po standaryzacji znajduj si obok.
Miara rozwoiu (w zaokr leniu do setnych

d
iO
1 0,7
2 1,3
3 0,8
4 1,2

W celu uporzdkowania 4 obiektw metod wzorca

Obiekt d
rozwoju obliczono odlegoci miejskie obiektw od iO
wzorca (w tabelce obok). Trzech studentw obliczyo A 0,7
odlegoci miej skie wzorca od antywzorca rozwoju. B 1,3
C 0,8
Uzyskali oni rne wyniki:
D 1,2
I) 0,6, ll) l,
III) 2.
Ktre wyniki s na pewno le obliczone:

304
 11. ANEKS MATEMATYCZNY

Zadania
11.1. Obliczy wartoci wyznacznikw:

b) ~ -~,

c) I; ~, dlH l
e) ll 2l ~,
231
Qi~H,~I
l 2 2
11.2. Wrd podanych macierzy wskaza macierze:
a) diagonalne, b) symetryczne,
c) skalarne, d) trjktne.

A=[H 424
! !],
5
B=[~-~ ~ ~],
O O O 8

C = [~ ~ ~], D = [~ ~ ;],
O O 2 O O 4

E=[_~ ~l F=[_~ -;l

G=[~ ~l
11.3. Dane smacierze:

A=[~ n
C=[~ ~l
305
 Wykona dziaania (jeeli s wykonalne):
T T
a) A , b) B ,
c) AD, d) BA,
T T
e) A D, f) B A,
g) BC, h) CB,
i) ATC, j) CT ,
k)ACT, l) CTC,
) DBT.
11.4. Wykona dziaania:
a) aA,

c) PCT,
e) aPAB,
gdzie:

a= 2, p= 3, A = [- ; ~ l B = [~ ~l C l
= [~ ~ ~
11.5. Poda rzd macierzy:

a) [; ~-~l b) [~ 1~ II
c) [~ ~l d) [~ ~~l
e) [l n Q r~f !l
g) li -H h) li ~~l
i) [~ ~
637
11.6. Wskaza,
~l, j) [~ 1 5
2lO4
5
~l
ktre macierze s osobliwe, a ktre nieosobliwe:

A=[1~ ~l B=[~ 1~l

306
 c = [; ~
. 547
i], D = [~ ~
343
~].

11.7. Znale macierze odwrotne do macierzy:

A=[~ ~l B=[~ l~l

c=[~ ~ n D=[~li n
E=[! li n
11.8. Dla macierzy z zadania 1l.7 obliczy:
F{~ ~ ~ ~l
a) trA, b) tr(2C),
c) trBT, d) tr(AB),
e) tr(BB-1), f) tr(CDC-1D-1).
11.9. Wskaza, ktre z podanych macierzy s macierzami idempotentnymi:

A=[~O O~ ~], 1

C=[~ ~J. D=[i i] 11'

"2 "2

-] tl F= [05]
O 1 '

G =[~ ~l
1l.1 O. Znale pochodn funkcj i:
a) f(x) =3x3 + 2x2 + x-l b) f(y)=4y3_-+2,
Y
c) f(z)=2z+1, d) f(p) =2p4 _3p-2 + 6,
z
e) f(q)=3qO,5 -2q, f) fez) = z(2z + 10) ,

307
 4
2 1 312 - 2 4
g) f(z)=)+-+2Vz- -5, h) f(y)=3y3 -2y +3-4,
z z Y
11.11. Wyznaczy ekstrema funkcji (jeli istniej):
a) f(x) = 2x + 10, b) f(v) = 2i + v ,

c) f(p) = 4p2 -16p + 100, d) f(k) = 3 + L,

e) f(y)=-i+3y+12.
11.12. Wyznaczy pochodne czstkowe rzdu I nastpujcych funkcji:
a) f(x, y) = 2x2 + 2i ,
b) f(x, z) = 3x2 - 4xz,

c) f(x,y)=2x4-4x2i+5i-s,
d) f(/, z) =13 -31z3 -21z + 4z -41 + 10,
1 2 c 2
e) f(x'Y)=4Y -2vx +2x y,
1 5
f) f(y,z)=32yz+SY -2z,

g) f(x, y, z) =x2 + z3 -i + 2xy -3yz + IOxyz,

h) fet, v, z) = 4t2z0,5 + 2tv4 - 3tvz.

Z macierzy wymienionych poniej wska idempotentne i odwracalne:

1 5 9 13]
2 6 10 14
lI)
1000,O O]
I)
[
3 7 11 15 ' [O O 1
4 S 12 16

1 O O]
ill)010,
[O O 1
IV) [-1 O]
O -1 ;

Niech M bdzie macierz idempotentn, a I jednostkow. Spord ~ie

wymienionych wska macierze idempotentne:
I) M2, II) I-M,

308
Jeeli istnieje macierz odwrotna do macierzy idempotentnej, to jest ona:
I) dodatnio okrelona,
II) symetryczna,
ID) na przektnej wyrazy ma dodatnie,
IV)jej wyznacznik jest dodatni;

Spord niej wymienionych wska macierze, ktre s macierzami dodatnio

okrelonymi:

I) [; -~,5l II) [0,5

]
l
0,5'

ID) 1
[


1 0,5,
0,5 1
IV)
[

1

-0,9
1
0,5

Wska zdania zawsze prawdziwe (M i W s symetryczne i idempotentne

tego samego wymiaru):
I) MW jest idempotentna,
II) M + W jest idempotentna,
ID) cW jest idempotentna dla c = i 2,
IV) M" l (jeli istnieje) jest idempotentna;

309
Wszystkie zaoenia MNK s spenione. Wska macierze rzdu K.
I) (XTXjl, II) XTX,
ID) (XTX)-lXT, IV) XT;
 Odpowiedzi do zada
Rozdz. 1
y
1.4. a. = -l,lz + 1,4, b. z = 0,909x + 0,364.
Y
1.5. = -0,6x + 4,4.
Y
1.6. = 0,8x - 0,2 .
1.7. K=P+2.
1.8. Y = 6.
1.9. Y = 6.
1.10. a2 =0,3, x=0,3y-O,9.
1.11. a) x = 0,125z + 2,5, b) i = 0,25x + 3,25.
1.12. 0<a~10.
1.13. y
a) = 1,8, b) Y = -0,8z + 3,4,
c) i = O,lx + 1,9, d) x = 1,
e) z=-1,176y+4,118, f) x = O,lz + 0,8.
Rozdz. 2
2.3. rxy=0,9.
2.4. rxz = 0,424.
2.5. Tak.
2.6. a2 = -0,72, ~ = 1,32.
2.7. rzy = -0,97.
2.8. Wspczynnik korelacji midzy produkcj a kosztami wynosi 0,864, zatem
jest istotnie rny od zera.
2.9. b. 0,974,
c. Wspczynnik jest istotnie rny od zera.
2.10. rxy = -0,996; wspczynnik korelacji jest istotnie ujemny.
2.11. b. Y = 8,48x - 4,6, gdzie y - sprzeda, x - koszty reklamy,
c. rxy = 0,964.
Y
2.12. b. = 0,9875x + 6,6125, gdzie y - koszty cakowite, x - produkcja,
c. "xy = 0,931.
2.13. Wynik otrzymany przez studenta nie moe by dobry, poniewa wyznacznik
macierzyR wynosi-O,3025.
2.14. Wspczynnik rxz nie moe rwna si 0,8, poniewa wyznacznik macierzy
korelacji dla zmiennych X, Y, Z byby ujemny.
2.15. Brakujcy wspczynnik korelacji r34 rwna si 0,569.
2.16. R=0,846.

311
2.17. a) R=0,705,

2.18. a) R* = l~'96
0,96
1
0,91 0,88
0,72 0,70
0,91
0,88
1
0,89
~'~~l
0'89 ' R
l'
b) R=0,9.

= [10,88 0,88 0,70]

1 0,89
0,70 0,89 1

b) R* =l~'70
0,70
1
0,72 0,96
0,72
0,96
1
~'::l[1 0,96 0,88]
0'91 ' R = 0,96 1
l'
0,91.
0,88 0,91 1
0,89 0,88 0,91
2.19. R=0,714.
2.20. R = 0,823.
2.21. Kombinacja C2 jest lepsza.
2.22. Najlepszy zestaw zmiennych objaniajcych zawiera zmienne Xl i X6.

o,2]
-0,2
r -0,91 -0,9 -0,9
1
o,4]
0,9 -0,4
2.23. a. Ro = -0,4 ' R = -0,9 0,9 1 -0,6'

r 0,8 0,4 -0,4 -0,6 1

-0,4] [1 -0,6 0,9]

b. RO = 0,8, R = -0,6 1 -0,4.
[
-0,2 0,9 -0,4 1
2.24. Najwikszy wspczynnik korelacji wielorakiej zapewnia kombinacja
{XI,X2}
2.25. a. Do modelu wejdzie zmienna Xl' b. Do modelu wejdzie zmienna X2.
2.26. Do modelu wejdzie zmienna X4.
2.27. Zostanie wybrany model II.
2.28. r* =0,374.
2.29. Lepsza jest kombinacja C2.
2.30. Wikszego zasobu informacji o zmiennej objanianej dostarcza kombinacja
CI'
2.31. Najwiksz warto wskanika integralnej pojemnoci informacji zapewnia
kombinacja {X2, X3}.
2.32. Lepszy w sensie pojemnoci informacji jest model L
2.33. Pojemno integralna kombinacji {Xl' X2} wynosi 0,8.
2.34. Najlepszy jest zestaw b.
2.35. Kombinacja {X2,X3}.
2.36. H = 0,6045.
2.37. Hk = 0,7508.

312
2.38. Lepszym zestawem jest kombinacja {X2, X3, X4}.

0'21
-0,2 R
r 1
-0,9
-0,9 -0,9
1
0'41
0,9 -0,4
2.39. a. Ro = -0,4' = -0,9 0,9 1 -0,6'

r 0,8 0,4 -0,4 -0,6 1

b. Ro =
-0,4]
0,8, R =
[1 -0,6
-0,6
l
0,9]
-0,4.
[
-0,2 0,9 -0,4 l
c. H = 0,4014.
d. H = 0,1464.
2.40. rij = 0,398.
2.41. Model pierwszy jest lepszy.
2.42. Do modelu liniowego zmiennej X3 powinny wej zmienne X2, X4, X6.
2.43. Do modelu liniowego zmiennej objanianej powinny wej zmienne Xl, X4,
X5, X6'
2.44. Do modelu liniowego zmiennej Y powinny wej zmienne X2, X3.
2.45. Do modelu liniowego zmiennej Y powinny wej zmienne pita i szsta.
Rozdz. 3
3.1. Reszty modelu s nastpujce: -0,4, -0,8, 0,4, 0,8.
3.2. YB = 0,6w + 1,7t - 4,1.
3.3. s(ao) = 2,45, s(al) = 1,41, s(a2) = 1,73.
3.4. aO =-3, al =3, a2 =6, s(ao)=1,155, s(al) = 1,155, s(a2) = 1,42.
3.5. Model b.
3.6. Dyrektor.
3.7 . .x = O,5z + 0,5.
3.8. Y = -0,7xI -1,4x2 + 0,9.
3.9. Modelu nie mona oszacowa, bo wyznacznik macierzy X T X wynosi O.
3.10. Modelu nie mona oszacowa, bo wyznacznik macierzy X T X wynosi O.
3.11. y=I,6+l,9xl-l,7x2'
3.12. y=165+87xI +1l4x2'
3.13. y = -4+xI +2x2'
3.14. y=I,94+315xI +38x2'

313
 3 8 4 13 1 2 8 4 3 1
6 10 6 16 1 10 6 6 1
3.15. a) y = 11 , x= 9 5 21 1 . b) s=
l , X= 9 5 11 1 .
15 9 2 25 1 1 9 2 15 1
16 8 8 25 1 2 8 8 16 l
4 2 8 3 1
6 O 10 6 l
c) s= 5 , X= l 9 11 l .
2 l 9 15 l
8 2 8 16 1
l l 1 l
-1 3 4 l
1 2 1 1
3.16. Y = 4 , X=
3 -1 -1 1
1 .

2 O O 1
5 l O 1
3.17. Nie.
x
3.18. a) = -0,4y + 0,2z + 1,4, b) Y = -0,67x + 0,32z + 1,67.

3.19. g = [4]
2 ,G
[0 1
= l

5 1
3.20. g 0]' G = [1-4 -3O 1
= [O
3.21. g = [O], G = [3 O 1 O].

Rozdz. 4
1 4 1/3
1 3 1/18
1 0,25 1/16
4.1.
1 1 1/28 .
1 0,8 1/40
1 0,5 1/2

314
 1 3 9 1/2
1 6 36 1/4
4.2. 1 9 81 1/8.
1 4 16 1/5
1 7 49 1/6
4.3. Y
= 1,5xllxi + 2.
4.4. y=0,909xlx2 +2,818.
4.5. Y = -xl2 + 1,5x2 + 3 .

1 3 9 1/2 1
1 6 36 1/4 1/5
4.6. X = l 9 81 1/8, Y = 1/3 .
1 4 16 1/5 1/2
1 7 49 1/6 1/2
4.8. Funkcja wykadnicza: k = 45,060,93 p.

4.9. Funkcja hiperboliczna: y = 36,36 - 0,16.

X

4.l1. a) zT = [; ] = [5 2,5 l 2 0,5], b) zT =[x2]=[4 16 64 100 100],

c) zT =[] =[0,5 0,25 0,125 0,1 0,1].

4.12. y= 1,021
x2 + 1,094
T
4.13. a) v =[;]=[1/8 1/10 1/9 1/9 1/8],

T
b) v =[~]=[1/4 1/6 1/5 1/2 1/8]'

1 1/2 4 2
1 1/10 9 3
4.14. 1 1/8 16 4
l 1/4 25 5
1 1/10 36 6
1 3 l 1 l 3 l 1
1 2 0,25 0,5 1 2 0,25 0,5
4.15. a) 1 4 4 l b) l 4 4 2
1 4 1 0,25 l 4 l l
l 0,5 9 1 1 0,5 9 0,25

315
 1 1 1 1/3
1 1 0,25 1/4
c) 1 2 4 1/2
1 4 1 1/4
1 0,25 9 1/2
2 1 2 1/2 1/2 1 4 1/2
1,5 1 4 1/4 2/3 1 6 1/4
4.16. a) X= 3 1 3 ,y= 1/3 , b) X= 1/3 1 9 ,y= 1/3
2 1 5 1/5 1/2 1 10 1/5
1 1 10 1/10 1 1 10 1/10
4 . 17 . x2, = 2 6 _ 0,3x3 .

xl

Rozdz. S
5.3. i = 0,51 + 3,9.
5.4. a. b. t (2 = l/y/
( z/ = 1/(2 z/

1 l 1 1 0,2000
2 0,25 2 4 0,3636
3 0,1111 3 9 0,4292
4 0,0625 4 16 0,4566
5 0,04 5 25 0,4717

5.5. a. Wartoci trendu mechanicznego (k = 4):

2,5; 2,625; 3; 3,5; 3,875; 4; 4; 4,125.
Surowe wskaniki sezonowoci w kolejnych kwartaach:
-1; 0,125; 0,8125; -0,3125.
b. Wartoci parametrw dla pierwszego segmentu:
kierunkowego: 0, wyrazu wolnego: 2,5.
Wartoci trendu pezajcego w pierwszych czterech okresach:
2,5; 2,8; 2,5; 2,25.
Surowe wskaniki sezonowoci w kolejnych kwartaach:
-0,53; 0,189; 0,48; -0,2.
5.6. a. I! = 1,031+ 2,4, gdzie K - koszty cakowite,
b. p = Ot + 3, gdzie P - produkcja.

316
 6 1 7 21 6 8
4 1 9 19 8 6
5 1 11 17 10 4
8 1 13 15 10 2
5.7. Y = 11 ' X = 1 15 13 8 O .
12 1 17 12 6 2
7 l 19 9 4 4
6 1 21 7 2 6
5.8. a. D, = 0,43Dt_l + 0,86li - 0,5, b. li = -0,54Zt + 0,51t_l + 0,24.
56,1 18 68 1
55,2 23 69 l
57,5 22 72 l
56,8 25 71 l
5.9. Y = 577, ' X = 27 71 l
58,3 26 73 l
59,0 28 73 1
59,4 31 75 l
4 2 13 l
0,9 5 7 l
6 4 10 l
1,0 7 5 l
5 6 9 l
1,3 5 8 l
5.10. a) y = 7 , X = 5 7 1 b) Y = , X= ,
1,3 8 6 l
5 7 8 1
1,7 6 9 1
4 5 9 1
1,6 9 8 l
3 4 6 l
7 13 53 l 13 53 2 1
5 10 50 l 10 50 3 l
8 9 50 1 9 50 4 1
c)y=6 ,X= 7451 d) r= 7 , X= 45 5 1
9 8 40 l 8 40 6 1
8 9 36 1 9 36 7 l
9 6 38 l 6 38 8 l
6 l 7 3 6 8
4 1 9 5 8 6
5 1 11 7 10 4
8 l 13 9 10 2
5.11. a) y= 11 ,X= l 15 13 8
O '
12 1 17 11 6 2
7 l 19 9 4 4
6 l 21 7 2 6

317
 6 1 7 3 6 4
4 1 9 5 8 6
5 1 11 7 10 8
8 1 13 9 10 10
b) y= , x=
11 1 15 13 8 10
12 1 17 11 6 8
7 l 19 9 4 6
6 l 21 7 2 4

Rozdz. 6
6.1. tp 2 = 0,6875, R 2 = 0,3125.
6.2. tl =2,852, t2 = 1,086, ta =3,012.
6.3. al nieistotnie rni si od zera, a2 istotnie rni si od zera.
6.4. F = 60, przynajmniej jeden z parametrw istotnie rni si od zera.
1,6 0,31 -1,28]
6.5. D2(a)= 0,31 1,28 -1,92 , s(al) = 1,26, s(a2) = 1,13, s(a3)=2,12.
[ -1,28 -1,92 4,48

6.6. a. Parametr nieistotnie rni si od zera.

2
b. R = 0,93.
6.8. a) wT =[1 O O l O], Wo =2;
b) w T = [l l l l l], Wo = l;
c) wT =[1 -t O O O]. Wo =0;
d) w T = [O l 2 O 0], Wo = O.
6.18. Oszacowany model: y=145,968+0,814x2 -O,216x3'
Gwna przektna Gwna przektna
Rok Reszty Rok Reszty
macierzy H macierzy H
1961 -20,2785 0,1242 1974 -57,1407 0,0447
1962 -19,6665 0,1248 1975 11,5935 0,0843
1963 -10,8476 0,1124 1976 57,39095 0,0679
1964 -10,7846 0,1050 1977 75,3727 0,0842
1965 -1,8394 0,0939 1978 26,4704 0,1496
1966 -7,83254 0,0830 1979 52,7891 0,1224
1967 -6,28871 0,0793 1980 53,1936 0,1360
1968 12,41488 0,0684 1981 -229,368 0,1411
1969 14,02894 0,0669 1982 11,16631 0,7322
1970 31,73195 0,0698 1983 1,282557 0,1195
1971 32,41569 0,0575 1984 48,04465 0,0993
1972 -2,23509 0,0790 1985 -23,9193 0,0906
1973 -37,6941 0,0640
Nietypowy 1982 rok.

318
6.19. Przykad 6.10. Przykad 6.11.
Wartoci Wartoci
i Reszty i Reszty
diagonalne H diagonalne H
l 0,1244 0,2681 1 -1,6049 0,1171
2 0,0534 0,2160 2 -1,2003 0,1056
3 0,0017 0,1460 3 -0,6957 0,0955
4 -0,0290 0,1240 4 -0,3865 0,0793
5 -0,3597 0,1053 5 -0,1820 0,0733
6 -0,1017 0,0695 6 0,3226 0,0686
7 -0,1824 0,0643 7 0,8272 0,0652
8 -0,0534 0,0629 8 0,7318 0,0632
9 -0,2438 0,0641 9 1,3409 0,0632
10 -0,3051 0,0774 10 1,8501 0,0686
11 -0,3358 0,0891 11 -1,0033 0,8880
12 2,9238 0,0962
13 -0,3665 0,1042 Obserwacja 11 wpywowa.
14 -0,2279 0,1446
15 -0,4086 0,1698
16 -0,4892 0,1984

Obserwacja 12 - nietypowa.
Przykad 6.12. Przykad 6.13.
Wartoci Wartoci
i Reszty i Reszty
diagonalne H diagonalne H
1 -0,0164 0,2221 1 0,1959 0,2867
2 -0,0140 0,1325 2 0,1411 0,2408
3 0,0865 0,1190 3 0,1043 0,1489
4 -0,0115 0,0794 4 -0,1325 0,0899
5 -0,3100 0,0649 5 -0,1872 0,0756
6 0,1908 0,0626 6 -0,2514 0,0641
7 -0,0090 0,0625 7 -0,4061 0,0708
8 0,1912 0,0628 8 -0,3703 0,1225
9 -0,1070 0,0752 9 -0,6797 0,1833
10 -0,0065 0,0820 10 2,3203 0,1833
11 0,0059 0,7245 11 -0,7344 0,2216

Obserwacja 11 wpywowa. Obserwacja 10nietypowa.

Rozdz. 7
1 O O O O 1 1 2
O 0,71 O O O 1,41 0,71 2,83
7.8. p= O O 1,67 O O , y'= 5 , X'= 1,67 1,67
O O O 1,25 O 5 1,25 2,5
O O O O l 3 l 1

319
 l 0,6 06, 2 , n-1
O6
0,6 1 0,6 , n-2
O6
7.9. a) V= 06, 2
0,6 1 0,6n-3 ,

, n-1
O6 06,n-2 O ,6n-3 1
1,56 -3,75 O O O
-3,75 0,87 -3,75 O O
O -3,75 0,87 O O
b) V-l =
O O O 0,87 -3,75
O O O -3,75 1,56
l -0,75 O O O
O 1,25 -0,75 O O
O O 1,25 O O
c) pT =

O O O 1,25 -0,75
O O O O l
4 -2 1 405,n-1
-2 4 -2 4 O ,5n-2
7.10. ()2V = l -2 4 4 O ,5n-3

4.0S,n-1 ,2
40Sn- ,3
40Sn- 4
7.11. a. V(c)=12,5. b. COV(&3,c4)=7,5,CoV(cI,c3)=4,5.

Rozdz. 8
8.1. Model o rwnaniach cznie wspzalenych. Pierwsze i drugie rwnanie
identyfikowalne (jednoznacznie), trzecie - nieidentyfikowalne. Modelu nie
mona oszacowa.
8.2. Model rekurencyjny. Stosuje si klasyczn metod najmniej szych kwadratw,
szacujc rwnania w kolejnoci: pierwsze, drugie, trzecie.
8.3. Model rekurencyjny. Stosuje si klasyczn metod najmniejszych kwadratw,
szacujc najpierw pierwsze rwnanie, nastpnie drugie i trzecie w dowolnej
kolejnoci (niezalenie od siebie).
8.4. Model o rwnaniach cznie wspzalenych. Rwnania: pierwsze, drugie i
trzecie s identyfikowalne (pierwsze - jednoznacznie, drugie i trzecie - nie-
jednoznacznie), rwnanie czwarte jest nieidentyfikowalne. Modelu nie mona
oszacowa.

320
 4 2,736 1,158 l 3 2,736 O l
l 1,158 2,736 l 2 1,158 -3 l
O 0,632 1,158 l -l 0,632 l l
8.5. a) y= , X= . b) y= ,X=
-l 0,106 0,632 l O 0,106 O l
O 0,632 0,106 l O 0,632 -l l
O -0,420 0,632 1 1 -0,420 -1 l
-1 2,736 l 1 4 -0,197 1 l
l 1,158 4 1 l 0,897 3 l
4 0,632 1 1 O 4,171 2 1
c) y= , X= d) s= , X=
3 0,106 O 1 -1 3,079 -1 1
2 0,632 -1 1 O 3,079 O 1
5 -0,420 O 1 O 1,987 O 1
1 2 3 1
O 3 2 1
8.6. a) Xl = 2 1 4 1 ,
3 O 5 1
5,75 2 O 1
3 O 4 1
5,25 3 1 1
b) Model rekurencyjny. Za pomoc klasycznej
X3 = 3,75 1 3 l
metody najmniejszych kwadratw poszcze-
4,25 O 2 1
glne rwnania szacujemy w nastpujcej ko-
5 O 3 l
lejnoci: drugie, trzecie i pierwsze.
5 53 1 2 13 0,2
7 50 l 4 13 0,7
5 50 l 6 10 0,9
x = Pllu+ P12w+ PlO'
8 45 1 5 9 1,0
8.7. a),Y=P2Iu+P22w+P20' X=
6 40 1 ' y= 7 7 1,3 .
z = P31u + P32 w + P30, 9 36 l 5 8 1,3
8 38 l 4 9 1,7
9 30 l 3 6 1,6
2 5,72 l
4 6,28 l
6 6,05 1
5 6,70 1
b) Xl =
7 6,73 1
5 7,50 l
4 8,94 l
3 9,06 l

321
Rozdz. 9

9.1. a. PPt
3
= 2,5 [m 2produkcj
m surowca
ij, 3
PK1 = 0,625 [m prOdukCji], El = 0,25.
2
m surowca
b. ESP

c. pp = 2 [
2
= 0,75.
3
m produkcji
tys. roboczogodzin'
] PK = 1[ m produkcji
2 tys. roboczogodzin'
3
l E = 05.
2 ,

92. . a. 177 s.zt b. S'C'

JJRM
~ 6 7 [szt. maszyn] .
' 100 osb
9.3. a. 2,4%.
b. SS23 ~ 2,5 [ warto au~~ma~w ProdukCyjnYCh].
o wartosc majtku trwaego

9.4. PPK = 1,09 [tyst~SD J PPL = 1,32 [o~~~J

9.5. a. ESP = 1%> 1. b. 5%.
c. 18,3%.
9.6. E M ~ 0,849.
9.7. EL ~0,004.
9.8. a. 10 szt. b. Zwikszy liczb maszyn o 3 szt.
9.9. PKI ~298[ szt. produkcji .], PK2 ~60,6[szt. prOdUkCj.i].
tys. roboczogodzin szt. narzdzi

9.10. a. PKR = 2,5 [szt. prOdukCji]. b. PPR ~ 34,7 [szt. prOdUkCji].

osob osob

c. SS RM "" 714,28 [ z maj~~:aegO l

9.11. 0,8K+1,2L=23,6.
9.12. E3 = 0,1.
9.13. E = 1,5.
9.14. PK = 32[ szt. i:ukCjil

9.15. X: PPz = 6,875 [ton prOdukCji], v, PPz ""9,8125 [ton ProdUkCji].

etat etat

9.16. A: SS21 ~ 0,75 [szt. maszyn], B: SS21 ~ 0,32 [szt. maszyn].

osob osob
9.17. Ep ~-1,06, EJ :::::2,05.

322
9.18. a. ECB = 0,2 > 0, dobra substytucyjne.
b. ECA = -0,9 > -1, popyt sztywny.
c. Spodziewany wzrost popytu 3,6%.
9.19. a. Spodziewany spadek popytu 0,6%.
b. E PB = 0,2> 0, dobra substytucyjne.
9.20. Spodziewany wzrost popytu 0,5%. Ecy = 0,05 > 0, owki kredki s
dobrami substytucyjnymi.
9.21. Spodziewany spadek popytu o 0,67%.
9.22. a. E p ~ 0,14.
b. E Px ~ 0,8> 0, dobra A i X s substytucyjne; E Py ~ -0,145 < O, dobra A .
i Y s komplementarne.
9.23. EpB ~ -0,28 < O, dobra A i B s komplementarne.
9.24. Spodziewany wzrost cakowitego przychodu ze sprzeday akcji wynosi
0,413%.
9.25. E:::: 0,04 > O, dobro wyszego rzdu.
A A

9.26. Ksc = 4,1 tys. z, Kzc = 1,5 tys. z.

9.27. Zmax = 12 tys. z.
9.28. a. KK=1631[.M..J.
szt.
b. Qopt = 8 szt.
9.29. Rmin ~ 2160 szt., kmin ~ 196 z.
9.30. a. Zmniejszy si o l tys. z. b. p> 73 szt.
9.31. C~2,29 [lf! J.
9.32. a. O,lP - 3,5 - eO,0445P+O,2 ~ O. b. Ksc = 4721 z.
c. KK = 84,8 [ z
hektolitr
J.
9.33.0,60<P<97,40.
9.34. a. P> 4 tys. szt. b. k=8[AJ. szt.
9.35. a. K=4X+2700. b. k =4+ 2700.
A A
X
9.36. K=0,15P+13,21ubK=150P+13200.

323
Rozdz. 10
0,893 0,714

0,167
0,167
0,463
0,502
0,657
0,4
1
0,169
0,262
0,5 0,527 1 0,308
0,167 0,649 0,629 0,231
0,5 0,414 0,571 0,154
0,167 0,61 0,714 0,615
0,932 0,429 0,254

0,167 0,253 0,571 0,231
10.1. a. 0,333 0,283 0,686 0,231
0,167 0,502 0,971 0,308
0,167 0,527 0,714 0,308
0,167 0,601 0,571 0,238
0,167 0,771 0,686 0,269
0,5 l 0,686 0,308
0,167 0,371 0,254
0,167
0,268
l 0,112 0,4 0,308
0,167 0,089 0,686 0,077
0,167 0,014 0,429
0,5
0,136 0,857 0,077

1,485 1,61 1,844 1,265 1,968 0,835

1,485 0,389 0,879 0,276 0,483 0,65
1,07 ... 2,323
0,949 0,962
1,61 0,389 1,004 0,407 0,7 0,775 0,634
1,844
1,265

0,879 1,004
0,276 0,407
0,903 0,696 1,009 1,53
1,341
0,765
0,903 0,703 0,508
c.
1,968 0,483 0,7 0,696 0,703 1,133
0,673
1,26
1,228
0,641 .
0,835
1,070
0,65 0,775
0,949 0,634

1,009 0,508 1,133
1,53 0,673 1,26 1,135
1,135 1,488

2,323 0,962 1,341 0,765 1,228 0,641 1,488 1,901

1,901

324
 1,046 0,081 0,957 - 0,139 0,175 - 0,596 - 0,419 - 0,277 1,097
- 0,444 - 2,482 - 0,244 - 0,360 - 0,459 1,734 2,683 4,395 0,148
- 0,167 - 0,406 - 0,364 - 0,364 - 0,578 1,042 0,538 0,365 - 0,633
- 0,146 - 0,260 - 0,090 - 0,333 - 0,357 0,026 0,089 - 0,160 - 0,383
- 4,108 3,447 - 3,895 - 0,384 - 0,367 2,610 - 0,419 -1,781 2,237
0,186 - 0,148 0,246 - 0,294 - 0,207 0,410 - 0,228 - 0,052 - 0,524
-1,025 2,307 -1,671 4,589 1,703 -1,598 - 0,709 - 0,573 -1,328
0,572 0,024 0,462 - 0,276 - 0,150 0,684 - 0,003 0,024 0,577
0,534 - 0,069 0,566 - 0,316 - 0,220 -1,030 - 0,399 - 0,335 - 0,362
0,255 -0,127 0,295 -0,357 -0,426 -0,434 -0,419 -0,264 -0,504
0,638 0,005 0,724 -0,322 -0,487 0,095 -0,350 -0,156 -0,314
10.2. a. 0,287 -0,113 0,356 -0,254 -0,514 0,050 -0,078 -0,170 -0,629
0,227 - 0,134 0,265 - 0,406 - 0,388 - 0,584 - 0,299 - 0,285 - 0,815
1,216 0,171 0,521 -0,189 0,242 -0,059 -0,368 -0,195 -0,078
0,321 - 0,111 0,345 - 0,217 - 0,340 - 0,554 - 0,419 = 0,279 - 0,428
- 0,661 - 0,850 - 0,051 - 0,332 - 0,204 1,090 - 0,419 0,497 0,125
0,281 -0,123 0,328 0,064 0,155 -0,964 -0,210 -0,329 -0,554
0,192 - 0,149 0,238 - 0,255 - 0,129 0,216 - 0,419 0,069 1,878
0,199 -0,141 0,251 0,012 -0,040 -0,716 -0,419 -0,302 -0,861
0,842 0,218 0,985 - 0,243 - 0,362 - 0,682 - 0,322 - 0,156 -0,184
0,268-0,129 0,666 1,416 4,391 -1,767-0,410-0,395 2,937
-0,264 -0,332 -0,372 -0,441 -0,511 0,423 -0,368 -0,054 -0,524
-1,058 - 0,563 -1,391 - 0,350 - 0,456 - 0,132 - 0,320 - 0,186 - 0,047
0,283 -0,060 0,304 -0,110 -0,416 1,345 3,822 0,877 -0,766
0,520 - 0,056 0,562 - 0,136 - 0,054 - 0,613 - 0,136 - 0,278 - 0,064

O 6,964 3,328 2,410 8,697 2,280 6,921 1,664 1,390

6,964 O 5,134 5,979 10,716 6,052 10,197 5,962 6,560
3,328 5,134 O 1,311 7,687 1,370 7,031 1,899 2,389
2,410 5,979 1,311 O 7,768 0,735 6,533 1,531 1,272
8,697 10,716 7,687 7,768 O 8,002 8,761 7,909 8,470
b. 2,280 6,052 1,370 0,735 8,002 O 6,622 1,254 1,259 .
6,921 10,197 7,031 6,533 8,761 6,622 O 7,008 6,431
1,664 5,962 1,899 1,531 7,909 1,254 7,008 O 1,499

1,390 6,560 2,389 1,272 8,470 1,259 6,431 1,499 ...

325
 0,1 0,3 0,2 0,4

10.3. Macierz odlegoci

0,1
0,3

0,5
0,5 0,6 0,7
0,8 0,9 .
0,2
0,4
0,6 0,8
0,7 0,9
1 l
O
0,6 1,0
0,7 0,5
10.4. Macierz unitaryzowana 1,0 0,1
0,0 0,9
0,5 0,0
10.5. Nie
-0,75 -1,5 -1,375
1,75 -0,75
10.6. a. Z = -0,75
0,5 -0,125 b. d25 = 3,165.
0,5 1,5 1,125
-0,75 -0,5 1,125

10.7. a. d34 = 1,217. b. d25 = 0,5.

10.8. S bdy.
10.9. Nie.
0,5 -0,5
-1,5 1,5
-1,5
-0,5 0,5 0,5
10.10. Z = -0,5 -0,5
1,5 -0,5 .
0,5 0,5 1,5
1,5 1,5 -1,5 -1,5
-0,5
O

10.12. Nie mog.

10.20.

326
10.22. W klasie I bd obiekty o numerach: {3, 4, 5, 6, 7, 8}. Klasa li {1}. Klasa
nr {2}.
10.23. {Spiritus Co.}, {Bimber SA, Butelka & Korek Spka z 0.0., Czysta i nie
tylko, Domowy Wyrb Win, Nalewka dla Kadego SC, Zakady Napojw
Wyskokowych} .
10.24. {Fabryczna}, {Krzyki, Psie Pole, Stare Miasto, rdmiecie}.
10.25. W klasie I bd obiekty o numerach: {2, 4,6, 8}. Klasa li {1}. Klasa Ill
{3, 5, 7}.
10.26. a. 0,29. b. Nie.
10.27. Obiekt pierwszy przejdzie do drugiej klasy.
10.28. Nie.
10.29. {1}, {2, 3, 4, 5}.
10.30. a. 4. b. 3.
10.34. Najwiksze zanieczyszczenie byo w 1980 r., najmniejsze w 1991 roku.
10.36. Bank powinien w pierwszej kolejnoci przyzna kredyt przedsibiorstwu
Miteks.
10.37. Za = [1,99 -1,58 1,92]'
10.38. Pralki uporzdkowane od najlepszej do najgorszej: 1) AMICA, 2) ZANUSSI,
3) POLAR, 4) BOSCH, 5) WHlRPOOL.
10.42. Najlepsza: zamraarka POLAR, naj gorsza: AMICA.
10.43. Najlepszy oddzia: Rawa Mazowiecka, najgorszy. Gdynia.
Rozdz. 11
11.1. a) 3, b) 1,
c) O, d) 6,
e) -3, f) -5.
11.2. a) B, C, b) A,B, C, F,
c) C, d) B, C, D, E, G.

11.3. a) [~ ~
bl [nl
c) [! ~~l,
918
8
d) [1 1 ~],

e) nie istnieje, f) nie istnieje,

g) nie istnieje, 11 3 8]
h) [ 14 2 12 '

i) nie istnieje, j) [; ~l
327
 k) [~
6 14
~l, 17 11]
l) [ 11 13 '

) [8 l0]
10 14 .

11.4. a) [-4 8]
8 2' b) [-;

5 l l
3 3
l 1 1
d)
3 3 3'
1 2
l
3 3
e) [-;~ 16~J.

11.5. a) 2, b) l,
c) 1, d) 2,
e) 2, f) 2,
g) 2, h) 3,
i) 3, j) 1.
11.6. A iD - nieosobliwe, B i C - osobliwe.

11.7. A-l =[_~ -i~l B-l =[-~,~-~:;l

C-l = [- ~::
0,2 - 0,1
~:~ - ~::l'
0,3
n-l = [~~
- 3,6 - 0,6
~:~ = ~:~l,
6,8

E-l = [~:~; ~:~~

- 0,68 - 0,52
= ~:~~l
'
1,96
F-l = [0
1
0~2

o
~
0,25
' ~]

0,5
11.8. a) 9, b) 12,
c) 15, d) 68,
e) 2, f) 3.
11.9. Macierzami idempotentnymi s: A, C, D, E, F.

aj 2 b) aj =12 2 +.!Q.
11.10. a) fu =9x +4x+1,
(]y y 3'
Y

328
 aj 1 aj - 8 3 6-3
c) oz =2-2, d) op-P+P,
z
Oj = 15 -0,5 - 2 f) aj =4z+10
e) oq ,q ,
oz '
1 l
Oj 6 1 4-- ar - 16
g) oz =-4 - 2 + 3z 3 h) ~ = 4y3 - 4y + 5'
z z y
11.11. a) nie istnieje,
.
b) w p unk Cle v= -41 funk . . . ,
cja ma munmum rowne
1
-8'
c) w punkcie p = 2 funkcja ma minimum rwne 84,
d) nie istnieje,
e) w punkcie y= 1,5 funkcja ma maksimum rwne 14,25.
aj _ aj _
1l.l2. a) ax - 4x, Oy - 4y ,

b) aj = 6x - 4z aj = -4x
ax ' oz '
Oj 3 3 aj 2 2
c) ax = 8x - 8xy , Oy = -12x y + 10y,

aj 2 3 aj 2
d) - = 3t - 3z - 2z - 4 - = - 9tz - 2t + 4
at oz ' '
aj 1 Oj1 2
e) ox =- .rx + 4xy, Oy ="2
y + 2x ,

0/_ 4oj_
f) Oy - 32z + y , oz - 32y - 2,

g) %= 2x + 2Y + 10yz, t = - 2Y + 2x - 3z + 10xz ,
aj 2
oz =3z -3y + 10xy.

aj 05 4 aj 3 aj 2t2
h) ~t = 8tz' + 2v - 3vz, ::l. , = 8tv - 3tz, - =- - 3tv
u uv oz Ji '
TABLICE STATYSTYCZNE
 Tablica 1
Dystrybuanta rozkadu normalnego

I __
/'

c!J(t) = l
.fii feO 2dt

t 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,Q7 0,08 0,09
0,0 0,00000 0,00399 0,00798 0,01197 0,01595 0,01994 0,02392 0,02790 0,03188 0,03586
0,1 0,03983 0,04380 0,04776 0,05172 0,05567 0,05962 0,06356 0,06749 0,07142 0,07535
0,2 0,07926 0,08317 0,08706 0,09095 0,09483 0,09871 0,1 0257 0,10642 0,11026 0,11409
C.N 0,3 0,11791 0,12172 0,12552 0,12930 0,13307 0,13683 0,14058 0,14431 0,14803 0,15173
C.N
N 0,4 0,15542 0,15910 0,16276 0,16640 0,17003 0,17364 0,17724 0,18082 0,18439 0,18793
0,5 0,19146 0,19497 0,19847 0,20194 0,20540 0,20884 0,21226 0,21566 0,21904 0,22240
0,6 0,22575 0,22907 0,23237 0,23565 0,23891 0,24215 0,24537 0,24857 0,25175 0,25490
0,7 0,25804 0,26115 0,26424 0,26730 0,27035 0,27337 0,27637 0,27935 0,28230 0,28524
0,8 0,28814 0,29103 0,29389 0,29673 0,29955 0,30234 0,30511 0,30785 0,31057 0,31327
0.9 0,31594 0,31859 0,32121 0,32381 0,32639 0,32894 0,33147 0,33398 0,33646 0,33891
1,0 0,34134 0,34375 0,34614 0,34849 0,35083 0,35314 0,35543 0,35769 0,35993 0,36214
1,1 0,36433 0,36650 0,36864 0,37076 0,37286 0,37493 0,37698 0,37900 0,38100 0,38298
1,2 0,38493 0,38686 0,38877 0,39065 0,39251 0,39435 0,39617 0,39796 0,39973 0,40147
1,3 0,40320 0,40490 0,40658 0,40824 0,40988 0,41149 0,41309 0,41466 0,41621 0,41774
1,4 0,41924 0,42073 0,42220 0,42364 0,42507 0,42647 0,42785 0,42922 0,43056 0,43189
1,5 0,43319 0,43448 0,43574 0,43699 0,43822 0,43943 0,44062 0,44179 0,44295 0,44408
1,6 0,44520 0,44630 0,44738 0,44845 0,44950 0,45053 0,45154 0,45254 0,45352 0,45449
1,7 0,45543 0,45637 0,45728 0,45818 0,45907 0,45994 0,46080 0,46164 0,46264 0,46327
1,8 0,46407 0,46485 0,46562 0,46638 0,46712 0,46784 0,46856 0,46926 0,46995 0,47062
1,9 0,47128 0,47193 0,47257 0,47320 0,47381 0,47441 0,47500 0,47558 0,47615 0,47670
 2,0 0,47725 0,47778 0,47831 0,47882 0,47932 0,47982 0,48030 0,48077 0,48124 0,48169
2,1 0,48214 0,48257 0,48300 0,48341 0,48382 0,48422 0,48461 0,48500 0,48537 0,48574
2,2 0,48610 0,48645 0,48679 0,48713 0,48745 0,48778 0,48809 0,48840 0,48870 0,48899
2,3 0,48928 0,48956 0,48983 0,49010 0,49036 0,49061 0,49086 0,49111 0,49134 0,49158
2,4 0,49180 0,49202 0,49224 0,49245 0,49266 0,49286 0,49305 0,49324 0,49343 0,49361
2.5 0.49379 0.49396 0.49413 0.49430 0.49446 0.49461 0.49477 0.49492 0.49506 0.49520
2,6 0,49534 0,49547 0,49560 0,49573 0,49585 0,49598 0,49609 0,49621 0,49632 0,49643
2,7 0,49653 0,49664 0,49674 0,49683 0,49693 0,49702 0,49711 0,49720 0,49728 0,49736
2,8 0,49744 0,49752 0,49760 0,49767 0,49774 0,49781 0,49788 0,49795 0,49801 0,49807
2,9 0,49813 0,49819 0,49825 0,4983 ] 0,49836 0,49841 0,49846 0,49851 0,49856 0,49861
3.0 0.49865 0.49869 0.49874 0.49878 0.49882 0.49886 0.49889 0.49893 0.49896 0.49900
3,1 0,49903 0,49906 0,499]0 0,49913 0,499] 6 0,49918 0,4992] 0,49924 0,49926 0,49929
3,2 0,49931 0,49934 0,49936 0,49938 0,49940 0,49942 0,49944 0,49946 0,49948 0,49950
3,3 0,49952 0,49953 0,49955 0,49957 0,49958 0,49960 0,49961 0,49962 0,49964 0,49965
3,4 049966 0,49968 0,49969 049970 0,4997] 0,49972 049973 0,49974 0,49975 0,49976
3.5 0.49977 0.49978 0.49978 0.49979 0.49980 0.4998] 0.49981 0.49982 0.49983 0.49983
w 0,49985 0,49985 0,49986 0,49986 0,49987 0,49987 0,49988 0,49988 0,49989
w 3,6 0,49984
w 3,7 0,49989 0,49990 0,49990 0,49990 0,4999] 0,49991 0,49992 0,49992 0,49992 0,49992
3,8 0,49993 0,49993 0,49993 0,49994 0,49994 0,49994 0,49994 0,49995 0,49995 0,49995
39 0,49995 0,49995 0,49996 049996 0,49996 0,49996 0,49996 0,49996 0,49997 0,49997
 Rozkad F-Snedecora (wartoci dla prawdopodobiestwa

l 2 3 4 5 6 7 8 9 10 11
~
l 161 200 216 225 230 234 237 239 241 242 243
2 18,51 19,00 19,16 19,25 19,30 19,33 19,36 19,37 19,38 19,39 19,40
3 10,13 9,55 9,28 9,12 9,01 8,94 8,88 8,84 8,81 8,78 8,76
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96 5,93
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,78 4,74 4,70
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 4,03
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,63 3,60
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,34 3,31
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,13 3,10
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,97 2,94
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,86 2,82
12 4,75 3,88 3,49 3,26 3,11 3,00 2,92 2,85 2,80 2,76 2,72
13 4,67 3,80 3,41 3,18 3,02 2,92 2,84 2,77 2,72 2,67 2,63
14 4,60 3,74 3,34 3,11 2,96 2,85 2,77 2,70 2,65 2,60 2,56
15 4,54 3,68 3,29 3,06 2,90 2,79 2,70 2,64 2,59 2,55 2,51
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49 2,45
17 4,45 3,59 3,20 2,96 2,81 2,70 2,62 2,55 2,50 2,45 2,41
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41 2,37
19 4,38 3,52 3,13 2,90 2,74 2,63 2,55 2,48 2,43 2,38 2,34
20 4,35 3,49 3,10 2,87 2,71 2,60 2,52 2,45 2,40 2,35 2,31
21 4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,37 2,32 2,28
22 4,30 3,44 3,05 2,82 2,66 2,55 2,47 2,40 2,35 2,30 2,26
23 4,28 3,42 3,03 2,80 2,64 2,53 2,45 2,38 2,32 2,28 2,24
24 4,26 3,40 3,01 2,78 2,62 2,51 2,43 2,36 2,30 2,26 2,22
25 4,24 3,38 2,99 2,76 2,60 2,49 2,41 2,34 2,28 2,24 2,20
26 4,22 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,27 2,22 2,18
27 4,21 3,35 2,96 2,73 2,57 2,46 2,37 2,30 2,25 2,20 2,16
28 4,20 3,34 2,95 2,71 2,56 2,44 2,36 2,29 2,24 2,19 2,15
29 4,18 3,33 2,93 2,70 2,54 2,43 2,35 2,28 2,22 2,18 2,14
30 4,17 3,32 2,92 2,69 2,53 2,42 2,34 2,27 2,21 2,16 2,12
32 4,15 3,30 2,90 2,67 2,51 2,40 2,32 2,25 2,19 2,14 2,10
34 4,13 3,28 2,88 2,65 2,49 2,38 2,30 2,23 2,17 2,12 2,08
36 4,11 3,26 2,86 2,63 2,48 2,36 2,28 2,21 2,15 2,10 2,06
38 4,10 3,25 2,85 2,62 2,46 2,35 2,26 2,19 2,14 2,09 2,05
40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,07 2,04
42 4,07 3,22 2,83 2,59 2,44 2,32 2,24 2,17 2,11 2,06 2,02
44 4,06 3,21 2,82 2,58 2,43 2,31 2,23 2,16 2,10 2,05 2,01
46 4,05 3,20 2,81 2,57 2,42 2,30 2,22 2,14 2,09 2,04 2,00
48 4,04 3,19 2,80 2,56 2,41 2,30 2,21 2,14 2,08 2,03 1,99
50 4,03 3,18 2,79 2,56 2,40 2,29 2,20 2,13 2,07 2,,02 1,98
60 4,00 3,15 2,76 2,52 2,37 2,25 2,17 2,10 2,04 1,99 1,95
80 3,96 3,11 2,72 2,48 2,33 2,21 2,12 2,05 1,99 1,95 1,91
00 3,84 2,99 2,60 2,37 2,21 2,09 2,01 1,94 1,88 1,83 1,79

334
 Tablica 2
0,05, nI' n;. -liczby stopni swobody)

12

244
14

245
16

246 248
20 24

249 250
30 40

251 252
50 75

253
100

253
co

254
X l
19,41 19,42 19,43 19,44 19,45 19,46 19,47 19,47 19,48 19,49 19,50 2
8,74 8,71 8,69 8,66 8,64 8,62 8,60 8,58 8,57 8,56 8,53 3
5,91 5,87 5,84 5,80 5,77 5,74 5,71 5,70 5,68 5,66 5,63 4
4,68 4,64 4,60 4,56 4,53 4,50 4,46 4,44 4,42 4,40 4,36 5
4,00 3,96 3,92 3,87 3,84 3,81 3,77 3,75 3,72 3,71 3,67 6
3,57 3,52 3,49 3,44 3,41 3,38 3,34 3,32 3,29 3,28 3,23 7
3,28 3,23 3,20 3,15 3,12 3,08 3,05 3,03 3,00 2,98 2,93 8
3,07 3,02 2,98 2,93 2,90 2,86 2,82 2,80 2,77 2,76 2,71 9
2,91 2,86 2,82 2,77 2,74 2,70 2,67 2,64 2,61 2,59 2,54 10
2,79 2,74 2,70 2,65 2,61 2,57 2,53 2,50 2,47 2,45 2,40 11
2,69 2,64 2,60 2,54 2,50 2,46 2,42 2,40 2,36 2,35 2,30 12
2,60 2,55 2,51 2,46 2,42 2,38 2,34 2,32 2,28 2,26 2,21 13
2,53 2,48 2,44 2,39 2,35 2,31 2,27 2,24 2,21 2,19 2,13 14
2,48 2,43 2,39 2,33 2,29 2,25 2,21 2,18 2,15 2,12 2,07 15
2,42 2,37 2,33 2,28 2,24 2,20 2,16 2,13 2,09 2,07 2,01 16
2,38 2,33 2,29 2,23 2,19 2,15 2,11 2,08 2,04 2,02 1,96 17
2,34 2,29 2,25 2,19 2,15 2,11 2,07 2,04 2,00 1,98 1,92 18
2,31 2,26 2,21 2,15 2,11 2,07 2,02 2,00 1,96 1,94 1,88 19
2,28 2,23 2,18 2,12 2,08 2,04 1,99 1,96 1,92 1,90 1,84 20
2,25 2,20 2,15 2,09 2,05 2,00 1,96 1,93 1,89 1,87 1,81 21
2,23 2,18 2,13 2,07 2,03 1,98 1,93 1,91 1,87 1,84 1,78 22
2,20 2,14 2,10 2,04 2,00 1,96 1,91 1,88 1,84 1,82 1,76 23
2,18 2,13 2,09 2,02 1,98 1,94 1,89 1,86 1,82 1,80 1,73 24
2,16 2,16 2,06 2,00 1,96 1,92 1,87 1,84 1,80 1,77 1,71 25
2,15 2,10 2,05 1,99 1,95 1,90 1,85 1,82 1,78 1,76 1,69 26
2,13 2,08 2,03 1,97 1,93 1,88 1,84 1,80 1,76 1,74 1,67 27
2,12 2,06 2,02 1,96 1,91 1,87 1,81 1,79 1,75 1,72 1,65 28
2,10 2,05 2,00 1,94 1,90 1,85 1,80 1,77 1,73 1,71 1,64 29
2,09 2,04 1,99 1;93 1,89 1,84 1,79 1,76 1,72 1,69 1,62 30
2,07 2,02 1,97 1,91 1,86 1,82 1,76 1,74 1,69 1,67 1,59 32
2,05 2,00 1,95 1,89 1,84 1,80 1,74 1,71 1,67 1,64 1,57 34
2,03 1,98 1,93 1,87 1,82 1,78 1,72 1,69 1,65 1,62 1,55 36
2,02 1,96 1,92 1,85 1,80 1,76 1,71 1,67 1,63 1,60 1,53 38
2,00 1,95 1,90 1,84 1,79 1,74 1,69 1,66 1,61 1,59 1,51 40
1,99 1,94 1,89 1,82 1,78 1,73 1,68 1,64 1,60 1,57 1,49 42
1,98 1,92 1,88 1,81 1,76 1,72 1,66 1,63 1,58 1,56 1,48 44
1,97 1,91 1,87 1,80 1,75 1,71 1,65 1,62 1,57 1,54 1,46 46
1,96 1,90 1,86 1,79 1,74 1,70 1,64 1,61 1,56 1,53 1,45 48
1,95 1,90 1,85 1,78 1,74 1,69 1,63 1,60 1,55 1,52 1,44 50
1,92 1,86 1,81 1,75 1,70 1,65 1,59 1,56 1,50 1,48 1,39 60
1,88 1,82 1,77 1,70 1,65 1,60 1,54 1,51 1,45 1,42 1,32 80
1,75 1,69 1,64 1,57 1,52 1,46 1,40 1,35 1,28 1,24 1,00 co

335
 Rozkad F-Snedecora (wartoci dla prawdopodobiestwa

1 2 3 4 5 6 7 8 9 10 11
~
1 4052 4999 5403 5625 5764 5859 5928 5981 6022 6056 6082
2 98,49 99,00 99,17 99,25 99,30 99,33 99,34 99,36 99,38 99,40 99,41
3 34,12 30,82 29,46 28,71 28,84 27,91 27,67 27,49 27,34 27,23 27,13
4 21,20 18,00 16,69 15,98 15,52 15,21 14,98 14,80 14,66 14,54 14,45
5 16,26 13,27 12,06 11,39 10,97 10,67 10,45 10,27 10,15 10,05 9,96
6 13,74 10,92 9,78 9,15 8,75 8,47 8,26 8,10 7,98 7,87 7,79
7 12,25 9,55 8,45 7,85 7,46 7,19 7,00 6,84 6,71 6,62 6,54
8 11,26 8,65 7,59 7,01 6,63 6,37 6,19 6,03 5,91 5,82 5,74
9 10,56 8,02 6,99 6,42 6,06 5,80 5,62 5,47 5,35 5,26 5,18
10 10,04 7,56 6,55 5,99 5,64 5,39 5,21 5,06 4,95 4,85 4,78
11 9,65 7,20 6,22 5,67 5,32 5,07 4,88 4,74 4,63 4,54 4,46
12 9,33 6,93 5,95 5,41 5,06 4,82 4,65 4,50 4,39 4,30 4,22
13 9,07 6,70 5,74 5,20 4,86 4,62 4,44 4,30 4,19 4,10 4,02
14 8,86 6,51 5,56 5,03 4,69 4,46 4,28 4,14 4,03 3,94 3,86
15 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89 3,80 3,73
16 8,53 6,23 5,29 4,77 4,44 4,20 4,30 3,89 3,78 3,69 3,61
17 8,40 6,11 5,18 4,67 4,34 4,10 3,93 3,79 3,68 3,59 3,52
18 8,28 6,01 5,09 4,58 4,25 4,01 3,85 3,71 3,60 3,51 3,44
19 8,18 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,52 3,43 3,36
20 8,10 5,85 4,94 4,43 4,10 3,87 3,71 3,56 3,45 3,37 3,30
21 8,02 5,78 4,87 4,37 4,04 3,81 3,65 3,51 3,40 3,31 3,24
22 7,94 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,35 3,26 3,18
23 7,88 5,66 4,76 4,26 3,94 3,71 3,54 3,41 3,30 3,21 3,14
24 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,25 3,17 3,09
25 7,77 5,57 4,68 4,18 3,86 3,63 3,46 3,32 3,21 3,13 3,05
26 7,72 5,53 4,64 4,14 3,82 3,59 3,42 3,29 3,17 3,09 3,02
27 7,68 5,49 4,60 4,11 3,79 3,56 3,39 3,26 3,14 3,06 2,98
28 7,64 5,45 4,57 4,07 3,76 3,53 3,36 3,23 3,11 3,03 2,95
29 7,60 5,42 4,54 4,04 3,73 3,50 3,33 3,20 3,08 3,00 2,92
30 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 3,06 2,98 2,90
32 7,50 5,34 4,46 3,97 3,66 3,42 3,25 3,12 3,01 2,94 2,86
34 7,44 5,29 4,42 3,93 3,61 3,38 3,21 3,08 2,97 2,89 2,82
36 7,39 5,25 4,38 3,89 3,58 3,35 3,18 3,04 2,94 2,86 2,78
38 7,35 5,21 4,34 3,86 3,54 3,32 3,15 3,02 2,91 2,82 2,75
40 7,31 5,18 4,31 3,83 3,51 3,29 3,12 2,99 2,88 2,80 2,73
42 7,27 5,15 4,29 3,80 3,49 3,26 3,10 2,96 2,86 2,77 2,70
44 7,24 5,12 4,26 3,78 3,46 3,24 3,07 2,94 2,84 2,75 2,68
46 7,21 5,10 4,24 3,76 3,44 3,22 3,05 2,92 2,82 2,73 2,66
48 7,19 5,08 4,22 3,74 3,42 3,20 3,04 2,90 2,80 2,71 2,64
50 7,17 5,06 4,20 3,72 3,41 3,18 3,02 2,88 2,78 2,70 2,62
60 7,08 4,98 4,13 3,65 3,34 3,12 2,95 2,82 2,72 2,63 2,56
80 6,96 4,88 4,04 3,56 3,25 3,04 2,87 2,74 2,64 2,55 2,48
co 6,64 4,60 3,78 3,32 3,02 2,80 2,64 2,51 2,41 2,32 2,24

336
 Tablica 3
0,01, ni' I'l-J. -liczby stopni swobody)

12 14 16 20 24 30 40 50 75 100 co
~
6106 6142 6169 6203 6234 6258 6286 6302 6323 6334 6366 1
99,42 99,43 99,44 99,45 99,46 99,47 99,48 99,48 99,49 99,49 99,50 2
27,05 26,92 26,83 26,69 26,60 26,50 26,41 26,35 26,27 26,23 26,12 3
14,37 14,24 14,15 14,02 13,93 13,83 13,74 13,69 13,61 13,57 13,46 4
9,89 9,77 9,68 9,55 9,47 9,38 9,29 9,24 9,17 9,13 9,02 5
7,72 7,60 7,52 7,39 7,31 7,23 7,14 7,09 7,02 6,99 6,88 6
6,47 6,35 6,27 6,15 6,07 5,98 5,90 5,85 5,78 5,75 5,65 7
5,67 5,56 5,48 5,36 5,28 5,20 5,11 5,60 5,00 4,96 4,86 8
5,11 5,00 4,92 4,80 4,73 4,64 4,56 4,51 4,45 4,41 4,31 9
4,71 4,60 4,52 4,41 4,33 . 4,25 4,17 4,12 4,05 4,01 3,91 10
4,40 4,29 4,21 4,10 4,02 3,94 3,86 3,80 3,74 3,70 3,60 11
4,16 4,05 3,93 3,86 3,78 3,70 3,61 3,56 3,49 3,46 3,36 12
3,96 3,85 3,78 3,67 3,59 3,51 3,42 3,37 3,30 3,27 3,16 13
3,80 3,70 3,62 3,51 3,43 3,34 3,26 3,21 3,14 3,11 3,00 14
3,67 3,56 3,48 3,36 3,29 3,20 3,12 3,07 3,00 2,97 2,87 15
3,55 3,45 3,37 3,25 3,18 3,10 3,01 2,96 2,89 2,86 2,75 16
3,45 3,35 3,27 3,16 3,08 3,00 2,92 2,86 2,79 2,76 2,65 17
3,37 3,27 3,19 3,07 3,00 2,91 2,83 2,78 2,71 2,68 2,57 18
3,30 3,19 3,12 3,00 2,92 2,84 2,76 2,70 2,63 2,60 2,49 19
3,23 3,13 3,05 2,94 2,86 2,77 2,69 2,63 2,56 2,53 2,42 20
3,17 3,07 2,99 2,88 2,80 2,72 2,63 2,58 2,51 2,47 2,36 21
3,12 3,02 2,94 2,83 2,75 2,67 2,58 2,53 2,46 2,42 2,31 22
3,07 2,97 2,89 2,78 2,70 2,62 2,53 2,48 2,41 2,37 2,26 23
3,03 2,93 2,85 2,74 2,66 2,58 2,49 2,44 2,36 2,33 2,21 24
2,99 2,89 2,81 2,70 2,62 2,54 2,45 2,40 2,32 2,29 2,17 25
2,96 2,86 2,77 2,66 2,58 2,50 2,41 2,36 2,28 2,25 2,13 26
2,93 2,83 2,74 2,63 2,55 2,47 2,38 2,33 2,25 2,21 2,10 27
2,90 2,80 2,71 2,60 2,52 2,44 2,35 2,30 2,22 2,18 2,06 28
2,87 2,77 2,68 2,57 2,49 2,41 2,32 2,27 2,19 2,15 2,03 29
2,84 2,74 2,66 2,55 2,47 2,38 2,29 2,24 2,16 2,13 2,01 30
2,80 2,70 2,62 2,51 2,42 2,34 2,25 2,20 2,12 2,08 1,96 32
2,76 2,66 2,58 2,47 2,38 2,30 2,21 2,15 2,05 2,04 1,91 34
2,72 2,62 2,54 2,43 2,35 2,26 2,17 2,12 2,04 2,00 1,87 36
2,69 2,59 2,5.1 2,40 2,32 2,22 2,14 2,08 2,00 1,97 1,84 38
2,66 2,56 2,49 2,37 2,29 2,20 2,11 2,05 1,97 1,94 1,81 40
2,64 2,54 2,46 2,35 2,26 2,17 2,08 2,02 1,94 1,91 1,78 42
2,62 2,52 2,44 2,32 2,24 2,15 2,06 2,00 1,92 1,88 1,75 44
2,60 2,50 2,42 2,30 2,22 2,13 2,04 1,98 1,90 1,86 1,72 46
2,58 2,48 2,40 2,28 2,20 2,11 2,02 1,96 1,88 1,84 1,70 48
2,56 2,46 2,39 2,26 2,18 2,10 2,00 1,94 1,86 1,82 1,68 50
2,50 2,40 2,32 2,20 2,12 2,03 1,93 1,87 1,79 1,74 1,60 60
2,41 2,32 2,24 2,11 2,03 1,94 1,84 1,78 1,70 1,65 1,49 80
2,18 2,07 1,99 1,87 1,79 1,69 1,59 1,52 1,41 1,36 1,00 co

337
 Tablica 4
Wartoci krytyczne dla testu t-Studenta

p~tl>tJ
0,9 0,8 0,7 0,5 0,3 0,2 0,1 0,05 0,02 0,01
~
1 0,158 0,325 0,510 1,000 1,963 3,078 6,314 12,71 31,82 63,66
2 0,142 0,289 0,445 0,816 1,386 1,886 2,920 4,303 6,965 9,925
3 0,137 0,277 0,424 0,765 1,250 1,638 2,353 3,182 4,541 5,841
4 0,134 0,271 0,414 0,741 1,190 1,533 2,132 2,776 3,747 4,604
5 0,132 0,267 0,408 0,727 1,156 1,476 2,015 2,571 3,365 4,032
6 0,131 0,265 0,404 0,718 1,134 1,440 1,943 2,447 3,143 3,707
7 0,130 0,263 0,402 0,711 1,119 1,415 1,895 2,365 2,998 3,499
8 0,130 0,262 0,399 0,706 1,108 1,397 1,860 2,306 2,896 3,355
9 0,129 0,261 0,398 0,703 1,100 1,383 1,833 2,262 2,821 3,250
10 0,129 0,260 0,397 0,700 1,093 1,372 1,812 2,228 2,764 3,169
11 0,129 0,260 0,396 0,697 1,088 1,363 1,796 2,201 2,718 3,106
12 0,128 0,259 0,395 0,695 1,083 1,356 1,782 2,179 2,681 3,055
13 0,128 0,259 0,394 0,694 1,079 1,350 1,771 2,l60 2,650 3,012
14 0,128 0,258 0,393 0,692 1,076 1,345 1,761 2,l45 2,624 2,977
15 0,128 0,258 0,393 0,691 1,074 1,341 1,753 2,131 2,602 2,947
16 0,128 0,258 0,392 0,690 1,071 1,337 1,746 2,120 2,583 2,921
17 0,128 0,257 0,392 0,689 1,069 1,333 1,740 2,110 2,567 2,898
18 0,127 0,257 0,392 0,688 1,067 1,330 1,734 2,101 2,552 2,878
19 0,127 0,257 0,391 0,688 1,066 1,328 1,729 2,093 2,539 2,861
20 0,127 0,257 0,391 0,687 1,064 1,325 1,725 2,086 2,528 2,845
21 0,127 0,257 0,391 0,686 1,063 1,323 1,721 2,080 2,518 2,831
22 0,127 0,256 0,390 0,686 1,061 1,321 1,717 2,074 2,508 2,819
23 0,127 0,256 0,390 0,685 1,060 1,319 1,714 2,069 2,500 2,807
24 0,127 0,256 0,390 0,685 1,059 1,318 1,711 2,064 2,492 2,797
25 0,127 0,256 0,390 0,684 1,058 1,316 1,708 2,060 2,485 2,787
26 0,127 0,256 0,390 0,684 1,058 1,315 1,706 2,056 2,479 2,779
27 0,127 0,256 0,389 0,684 1,057 1,314 1,703 2,052 2,473 2,771
28 0,127 0,256 0,389 0,683 1,056 1,313 1,701 2,048 2,467 2,763
29 0,127 0,256 0,389 0,683 1,055 1,311 1,699 2,045 2,462 2,756
30 0,127 0,256 0,389 0,683 1,055 1,310 1,697 2,042 2,457 2,750
40 0,126 0,255 0,388 0,681 1,050 1,303 1,684 2,021 2,423 2,704
60 0,126 0,254 0,387 0,679 1,046 1,296 1,671 2,000 2,390 2,660
120 0,126 0,254 0,386 0,677 1,041 1,282 1,658 1,980 2,358 2,617
lss -liczba stopni swobody.

338
 Tablica 5
Rozkad liczby serii (a="O,05)

2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
~
2
3
4 2
5 2 2 3
6 2 3 3 3
7 2 3 3 4 4
w 8 2 2 3 3 4 4 5
W
'oC 9 2 2 3 4 4 5 5 6
10 2 3 3 4 5 5 6 6 6
II 2 3 3 4 5 5 6 6 7 7
12 2 3 4 4 5 6 6 7 7 8 8
13 2 3 4 4 5 6 6 7 8 8 9 9
14 2 3 4 5 5 6 7 7 8 8 9 9 lO
15 2 3 4 5 6 6 7 8 8 9 9 10 10 11
16 2 3 4 5 6 6 7 8 8 9 10 lO 11 II 11
17 2 3 4 5 6 7 7 8 9 9 lO 10 II 11 12 12
18 2 3 4 5 6 7 8 8 9 10 10 11 11 12 12 13 13
19 2 3 4 5 6 7 8 8 9 lO lO 11 12 12 13 13 14 14
20 2 3 4 5 6 7 8 8 10 lO 11 11 12 12 13 13 14 14 15
 Tablica 6
Rozkad liczby serii (a= 0,95)

2 3 4 5 6 7 8 9 lO 11 12 13 14 15 16 17 18 19 20
~
2 4
3 5 6
4 5 6 7
5 5 7 8 8
6 5 7 8 9 10
7 5 7 8 9 10 11
c..u 8 5 7 9 10 11 12 12

o 9
10
5
5
7
7
9
9
10
10
II
]]
12
12
13
13
13
14 15
II 5 7 9 11 12 13 14 14 15 16
12 5 7 9 ]] 12 13 14 15 16 16 17
13 5 7 9 ll 12 13 14 15 16 17 17 18
14 5 7 9 11 12 13 15 16 16 17 18 19 19
15 5 7 9 11 13 14 15 16 17 18 18 19 20 20
16 5 7 9 II 13 14 15 16 17 18 19 20 20 21 22
17 5 7 9 11 13 14 15 16 17 18 19 20 21 21 22 23
18 5 7 9 11 13 14 15 17 18 19 20 20 21 22 23 23 24
19 5 7 9 11 13 14 15 17 18 19 20 21 22 22 23 24 24 25
20 5 7 9 ll 13 14 16 17 18 19 20 21 22 23 24 24 25 26 26
 Tablica 7
Test dugoci serii

Dugo Najwiksza liczba obserwacji n, dla ktrej prawdopodobiestwo

serii spenienia si niej podanych nierwnoci jest mniejsze od 0,05
k .1\ >1 ~k>l i R2k>l ~>1
5 10 16 10
6 14 32 18
7 22 64 28
8 34 120 48
9 54 230 80
10 86 - 130
11 140 - 230
12 230 - 420

Tablica 8
Rozkad statystyki Durbina- Watsona przy a = 0,05
k' = k-1,
k' -liczba zmiennych egzogenicznych modelu bez zmiennej tosamociowo rwnej
jednoci (x= l),
n - liczba obserwacji.

k'=l k'=2 k'=3 k'=4 k'=5

n
dL dU dL du dL du dL du dL du
15 1,08 1,36 0,95 1,54 0,82 1,75 0,69 1,97 0,56 2,21
16 1,10 1,37 0,98 1,54 0,86 1,73 0,74 1,93 0,62 2,15
17 1,13 1,38 1,02 1,54 0,90 1,71 0,78 1,90 0,67 2,10
18 1,16 1,39 1,05 1,53 0,93 1,69 0,82 1,87 0,71 2,06
19 1,18 1,40 1,08 1,53 0,97 1,68 0,86 1,85 0,75 2,02
20 1,20 1,41 1,10 1,54 1,00 1,68 0,90 1,83 0,79 1,99
21 1,22 1,42 1,13 1,54 1,03 1,67 0,93 1,81 0,83 1,96
22 1,24 1,43 1,15 1,54 1,05 1,66 0,96 1,80 0,86 1,94
23 1,26 1,44 1,17 1,54 1,08 1,66 0,99 1,79 0,90 1,92
24 1,27 1,45 1,19 1,55 1,10 1,66 1,01 1,78 0,93 1,90
25 1,29 1,45 1,21 1,55 1,12 1,66 1,04 1,77 0,95 1,89
26 1,30 1,46 1,22 1,55 1,14 1,65 1,06 1,76 0,98 1,88
27 1,32 1,47 1,24 1,56 1,16 1,65 1,08 1,76 1,01 1,86
28 1,33 1,48 1,26 1,56 1,18 1,65 1,10 1,75 1,03 1,85
29 1,34 1,48 1,27 1,56 1,20 1,65 1,12 1,74 1,05 1,84
30 1,35 1,49 1,28 1,57 1,21 1,65 1,14 1,74 1,07 1,83
35 1,40 1,52 1,34 1,58 1,28 1,65 1,22 1,73 1,16 1,80
40 1,44 1,54 1,39 1,60 1,34 1,66 1,29 1,72 1,23 1,79
45 1,48 1,57 1,43 1,62 1,38 1,67 1,34 1,72 1,29 1,78
50 1,50 1,59 1,46 1,63 1,42 1,67 1,38 1,72 1,34 1,77
60 1,55 1,62 1,51 1,65 1,48 1,69 1,44 1,73 1,41 1,77
70 1,58 1,64 1,55 1,67 1,52 1,70 1,49 1,74 146 1,77
100 1,65 1,69 1,63 1,72 1,61 1,74 1,59 1,76 1,57 1,78

341
 Tablica 9
Test Hellwiga

a
n
0,10 0,05 0,01 0,005
2 - - - - - - - -
3 - - - - - - - -

4 O 2 - 2 - - - -

5 O 2 O 3 - 3 - 3
6 O 3 O 3 - 4 - 4
7 O 3 O 4 O 4 - 4
8 l 4 O 4 O 5 O 5
9 l 4 l 5 O 5 O 5
10 l 5 l 5 O 6 O 6
11 2 5 l 6 l 6 O 6
12 2 6 2 6 l 7 l 7
13 2 6 2 6 l 7 l 7
14 2 6 2 7 l 8 l 8
15 3 7 2 7 2 8 l 8
16 3 7 3 8 2 9 2 9
17 3 8 3 8 2 9 2 9
18 4 8 3 9 2 9 2 10
19 4 9 4 9 3 10 2 10
20 4 9 4 9 3 10 3 11
21 5 9 4 10 3 11 3 11
22 5 10 5 10 4 11 3 12
23 5 10 5 11 4 12 4 12
24 6 11 5 11 4 12 4 13
25 6 11 5 12 4 13 4 13
26 6 11 6 12 5 13 4 13
27 7 12 6 12 5 13 5 14
28 7 12 6 13 5 14 5 14
29 7 13 6 13 6 14 5 15
30 8 13 7 14 6 15 6 15