Professional Documents
Culture Documents
(2156) Józef Dziechciarz - Ekonometria. Metody, Przykłady, Zadania
(2156) Józef Dziechciarz - Ekonometria. Metody, Przykłady, Zadania
Pod redakcj
Jzefa Dziechciarza
Wydanie 2 poprawione
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
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
Ekonomia matematyczna
---1-- Ekonometria
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
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
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".
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
14
1. REGRESJA
, , *
JAKO WARUNKOWA WARTOSC OCZEKIWANA
(1.1 )
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
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
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)
= 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)
(1.5)
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
n n
LYi-QIl>i-nq =0.
i=} i=l
(1.6)
1 n ~ n __
q =-
n
LYi - -n L
i=l i=l
Xi lub q=y - ~x .
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)
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,
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
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::
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
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
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
5 -2 5 -2
I(Xj -x) =4, I(Zi -z) =8,
i=} i=}
5
I (xi - x)( Zj - z) = 1.
i=}
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
Vj <V*
30
2.1. Wspczynnik korelacji liniowej Pearsona, badanie jego istotnoci -
test istotnoci. Macierz korelacji
COVjl
r-l=--
) Sjs, ' (2.3)
(2.4)
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
r12 ru rlm
r21 l r21 r2m
R= (2.5)
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
t= Irxyl .Jn-2.
~l-rl;,
l Dla maej prby, czyli nawet do 120 obserwacji, Dla duej prby korzysta si z rozkadu
mainego.
33
X4 nakady inwestycyjne (w tys. z),
-
Tabela 2.1
Wyniki obserwacji zmiennych do przykadu 2.1
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
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
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.
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
.
37
Na ktrym wykresie linie regresji mog odpowiada wspczynnikowi korela-
cji r = -0,9?
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;
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;
40
Jilll;~:~
2.16, X oznacza wag, a Y wzrost czowieka. Wspczynnik korelacji
c.~':Y~tj!~1~~Lt
najwikszy, gdy
R =[ R1 R6]
W'O
r rml rm2 1
41
~~~--~~---------------------------------
R"=[l
Ro
Rl.
R
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
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
44
Zadania
45
[1
=Hr~
0,61 - 0,6 - 0,8 0,31
1 0,5 - 0,2
Ro= [ 1 -0,7'
1
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 ;
ej moe wynosi:
II) -0,3,
IV) O;
47
(2.8)
(2.10)
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
Zadania
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.
',:~::
50
2.4. Dobr zmiennych objaniajcych do modelu
metod wskanikw pojemnoci informacji
(2.11 )
51
m
Hk = I,hlg", (k = l, 2, ..., 2 -l). (2.12)
jE.2Jk
' 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
52
0,862 0832
~2=
l+ 59
=0,47,h95='
'1 + 0,59
=0,43,H9=0,47+0,43=0,9.
l.
"11,4
= 0,87
2
1+ 0,64 + 0,86
=
'
30
.
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
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:
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}?
. Dana jest macierz korelacji midzy zmiennymi XI' X2, X3, X4, X5
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
56
::-~
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:
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);
0,8]
RO = 0,5 , R =
[10,50,5 0,4]
1 0,6.
[ 0,7 0,4 0,6 l
58
2.5. Dobr zmiennych objaniajcych do modelu metod grafow
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
2
r" = 2,056 = 0,37.
2,0562 + 28 - 2
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:
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
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.
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
-0,34
0,82
o
0,80
-0,27
-0,67
0,92
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
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
65
gdzie:
ao
al
a2
(l = - wektor parametrw,
a
.J
Cn
J(a) = (y-Xal(y-Xa).
Po zrniczkowaniu wzgldem wektora a i po rozwizaniu rwnania okazuje si,
e funkcjaJosiga minimum w punkcie
a = (XTXtIXTy
'66
(3.4)
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
68
Wyznacznik macierzy X T X wynosi 3,55, a zatem istnieje macierz odwrotna
niej
114,91]
XTy = 12,92.
[
66,12
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
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
x = b1z + ~y + bO, x y z
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
(XTXf
l
=
[0,7 -0,2 -o,4:
0,2 -0,1 ,XTy=
[18]
33 .
0,8 11
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
XTy = -l]
0,5 , n2(a)
[ 1,5
= [2,25
8
8
2500
4]
12, s; = 4,
4 12 100
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
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),
XTX=
,[3 32 4]2 ,
423
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,
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:
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?
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;
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:
00100]
G= [ O O O 1 O .
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:
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
y = Xlal + Xrran ,
83
Wektor ocen alI otrzymujemy w wyniku zastosowania podanego wyej
W tym celu wyznaczamy macierz XI oraz macierz Xli:
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
0,58]
ao = [ -0,12 .
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.
Zadania
3.19. Naley oszacowa parametry modelu
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
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
i otrzymujemy rwnanie
90
j t logarytmujemy obustronnie i otrzymujemy:
tawieniu:
_~." mujemy:
91
y y
b -------------------------------------
--_._-------_._-_._---------------
x x
6,00
4,00
2,00
0,00 +------1--------1 X
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)
. 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
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
= (-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):
94
y(x+a)=b(x-c),
y= b -a--Y
A b c-,l
x x
"p()(1stawieniu:
(4.5)
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 - .
96
wt = ~ --
a2
Yt ' g dZe
- t = 2, 3, ---, T -
- !lo
Wt = Co + cIYt-
i ~ wyznacza si nastpujco:
Y=(X+~/2, hl =D,
lu y =~ lu(x + ~) _
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
97
4.2. Dane s: model
~
y=a+ bxl + ex]2 + d - l
X2
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):
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 .
+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
101
....Ktra z trzech niej wymienionych funkcji Tomquisra jest rosn
( a, aa, al' a2' a3' p > O)?
ax
Y=-p' (x> O),
x+
I y/
l Yl
2 Y2
n Yn
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.
y = aO +alt,
_ gdzie aO, al - oceny parametrw funkcji trendu.
Rysunek 5.1 zawiera wykres trendu liniowego.
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
(5.5)
105
y
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,
106
oszacowa parametry trendu logarytmicznego, wprowadza si oznaczenie
t' = lnt
.tz:.~muje si rwnanie liniowe
y = ao +alt'. (5.8)
(5.9)
~alstawiony na rys. 5.4.
(5.11)
107
Przebieg trendu logistycznego jest przedstawiony na rys. 5.5.
aor----------~
. l . al I l ,_-(
_
aO = -, al = -, y - --;::-,
t - e ,
aO aO y
otrzymuje si rwnanie liniowe
(5.1
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):
Tabela 5.1
Sprzeda pewnego wyrobu
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
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 .
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,
[ - [-
aO = Y[ -alII,
gdzie:
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
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
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
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
Y1 + Y2 + ... + Yk
Yk-1+1 = k
2
- Y2+Y3++Yk+1
Yk-1+2 = 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
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
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-
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
SW = Uj
J p
lL~
P i=l
120
20
15
10
O+O-'OT~rr~'-rT"-rOT'-"~-'rT~-r,,,-,,,,~
4 7 10 13 16 19 22 25 28 31 34
Kwartay
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-
121
T
Obliczenia reszt
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-
t=Yt-Yt *
wzgldny:
*
({Jt=Yt-Yt .100'
Yt
123
wskazuje na rozmiary i kierunek odchylenia;
- redni kwadratowy bd prognozy ex post:
Tabela 5.9
'Prognozy cen targowiskowych
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
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:
Yl
Y2
X= X13 ,y= Y3
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, = a O + al R/ + a 2 Mt-1 + E/ .
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:
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
.
t m +b 3 2,33
Przeprowadzi transformacj tej funkcji do postaci linio- 4 2,19
wej. Obliczy wartoci zmiennej pomocniczej. 5 2,12
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
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:
) "
131
Zaproponowano oszacowanie nastpujcego modelu ekonometrycznego:
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:
132
modelu addytywnym otrzymano czysty wskanik sezonowoci dla II kwar-
tau c2 = 3 tys. sztuk. Oznacza to, e
A}
6. WERYFIKACJA MODELU
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.
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
I) rp2 s R2,
II) rp2 + R2 < 1,
ID) R2 _ rp2 = 1 ,
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
przeciwko
136
0,08 -,--------
l
0,07
0,06
0,05
0,04
0,03
0,02
0,01
O~~~~~~~**mm~mmmm~~
ciwko
naszym przypadku
137
Ponadto dla nI = 4 oraz n2 = 20 - 4 -1 = 15 przy poziomie istotnoci a = 0,0"::
HO:aj=O
przeciwko
(6.
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
*
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
139
Wartoci statystyk testowych wynosz:
przeciwko
(6.3)
wTa-wo
t =-r===========
e ~wTs2(XTXrl w
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:
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:
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
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)
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;
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.
144
iwko
6.2. Reszty modelu w przypadku dodatniej (p= 0,99) autokorelacji oraz braku autokorelacji
145
dL~DW~du,
oraz
n 2 ~ 2
1:>1 = Lei = 71,9438,
1=\ 1=1
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
n 20
Iei = Iei = 108,0006,
1=1 1=1
na podstawie obserwacji
DW=3,558909
DW' = 0,441091.
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?
148
II) zwikszenie DW,
U II) zmniejszenie DW,
~ ID) zwikszenie wariancj i reszt,
. IV) zmniejszenie wariancji reszt .
: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)?
6.4. Heteroscedastyczno
149
jest modyfikacja polegajca na pominiciu kilku rodkowych obserwacji, WWcZ2.5
nI + ~ < n). Podzia powyszy ma zwykle charakter arbitralny, jednak przes
s~ = l
n)-m-lL.. "
leA
e;
oraz
2 1 ,,2
s2 = l L..ej ,
~ -m- ieB
150
tez zerow odrzucimy, jeli
Tabela 6.1
Kursy akcji iprodukcja przemysowa w Stanach Zjednoczonych
w latach 1927-1938
Yt = ao + a1xl + 6't .
oci ocen parametrw wynosz:
al = 1,616 oraz aO = -64,005.
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
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
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.
FO ,Ol = 10,92.
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:
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.
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
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
157
Tabela 6.3
Obliczone reszty do przykadu 6.8
Uporzdkowane Dystrybuanta
Lp.
reszty emoirvczna F(et) Rnice
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
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)
6
u= 1-0,5 =126
05, 7
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.
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
163
y = 2,784x - 0,92 l.
nie (;) = m(~-l) wykresw). Analiza takich wykresw nie daje pewnoci
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
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
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
166
Yl o
Y-1 o
v, + Lly , (6.12)
Yi+1 O
Yn O
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)
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'
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
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:
Szacowanie modelu
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)
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
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:
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:
2
l Macierz V mona "unormowa" tak, by trV = n, mnoc IJ
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-
E(EE T)=
O
2
0'2 O
=0'
2
y=a
2 lVIO~ V2 O]
O
O O an
2 O ... v~
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
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.
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
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
~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
178
~
(n - K) Le1et+1
. _ t=l
'2 -
~
(n -1) L,. el2
1=1
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.
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
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:
G, = 0,6Gt_l + ';t .
180
iadomo, e:
E(;t) = O, V(;t) = 8 dla kadego t,
Cov(;p ;k) =O dla t =Fk .
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 ;
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;
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.
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
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.
190
-bl2
~
-blm
-b?-m
1 C= [- Gil
-~l
-CIk
-C2k
1,
.
.. ..' ..
-bm2 1 -Cml ... -Cmk
-1 -1
Y=-B CX+B E.
-l -1
P =-B C, TJ = B E.
191
8.4. Estymacja modeli prostych i rekurencyjnych
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
1 O O]
B= -al 1 O.
[ O -C1 1
X =
331 4215 1] [ 764]
3~8 4~09 ~ ,y 8~9 .
=
Rys. 8.4. Grafpowiza midzy [ 584 Oi 11 i 1070
zmiennymi endogenicznymi
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
195
Xl = 0,397 x2 - 0,507 x4 - 23,203,
x2 = 0,075668x4 + 0,03849lx7 + 671,074,
x3 = 5,856xI - 0,942x5 + 8945,849.
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:
-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:
gdzie
198
pT =
Pll
~2
P21
P~2
Pml
P 2 .
j
[
T
PIk P2k Pmk
~~ ~l
(8.7)
y=
[
Yll
Yfl
Ynl
~
Y12
Yf2
~
Yn2 ...
Ylm
Y~m .
~
Ynm
(8.8)
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:
112,2 764
4215]
Y = 13:1,1 8~9 4709
[
102,5 1070 10~ 11
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
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
150,82
3263 11
X = 14~,45 3414 1
3 : :'
[
119,97 4934 1
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
(8.9)
203
Dla pierwszego rwnania modelu (8.5) 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:
2 l T
s.
I
=--ee
n -k. I l'
I
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
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?
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
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.
:"::~:;:;:~::::::::::::
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):
211
Wykres dwuczynnikowej funkcji produkcji w przestrzeni trjwymiarowej j
przedstawiony na rys. 9.1.
/1- -
/ I
/ I
p /
/
/
PC
/
/
/
/
/
PC
212
pozytywna, w sytuacji odwrotnej - negatywna, co zmusza do szukania przy-
powstania takiej sytuacji.
2. Produkt przecitny:
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
PK A'
PP
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
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
217
PKI PK2
--=--
CI C2
W przypadku oglnym
PK PKj
__ I = __ = constans.
Ci Cj
fi = O , 654Xo,304
I
XO,674
2 '
218
. przecitnie 471,5 z Gest to wic wydajno pracy - oczywicie teoretyczna,
jca z modelu).
Produkt kracowy:
PK =
2
'
674 94,3 = 0318 [tys. z prOdukCji] = 318 [Z prOdukCji] .
200' osob osob
b.PC
E.l = PPP
Ki = ~ PC = b.l (tylko dla funkciJ i Cobba- Douglasa) ,
1-
X-
l
Et = 0,304, E2 = 0,674.
SS
12
= PK1 = 0,287 = 902[
PK2 0,318 '
osoby ]
tys. z majtku trwaego '
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'
Produkt przecitny:
Produkt kracowy:
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:
221
Zwarunku
mamy
0,51 = 0,4YO X =l 6X
800X l 400X' 2 2 ' l'
Xl = (
1000
04
JO,9 = 5,928, X2 = 1,65,928 = 9,485 .
1671,6'
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,
5000
Xl = =3,472, X2 =1,6X1 =5,556.
800+4001,6
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:
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:
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
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.
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
227
9.2. Analiza popytu
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):
al
Y=ao+;, Clt>O, x>--
au'
2
lnY=au+Cltlnx+~ln x, a2 <0, 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.
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:
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:
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:
232
EQp = oQ x ~ = -30 x -.!.L ~ -O 089
OP 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.
'
czno cenowa:
20
EQp =-30x 4900 =-0,122,
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.
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
Zadania
. Na podstawie funkcji popytu
Q=-23P+ 161+87,5
235
9.18. Oszacowano funkcj popytu na produkt A:
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:
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
dobra A?
Oszacowano funkcj popytu na produkt A:
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
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) .
K=Ksc +Kzc'
zalenoci moemy rwnie zdefmiowa cakowite koszty zmienne jako r-
midzy kosztami cakowitymi a cakowitymi kosztami staymi, czyli
Kzc =K -Ksc'
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
239
- model jednostkowych kosztw staych
ks = 1(0)
P
= +" (P)
Js ,
czyli
Ip(P) = liP) + IzCP).
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;
241
koszt cakowity
cakowity koszt
zmienny
cakowity koszt
stay
Produkcja
koszt kracowy
Produkcja
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
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).
244
K=t~, i=l
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
= 11,7 [ mln z
tys. szt.
l = 11,7 [tys. Z].
szt.
245
KK = aK =0 8P -4=08.8-4 =2 4[ mln Z] =2 4 [tys. Z] .
ap' , , tys. szt. ' szt.
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.mm =04.158_4+
"
100=865[mlnZ]=865[tyS.Z]
8' ,
15, tys. szt. szt.
246
Z funkcji przychodw i funkcji kosztw mona utworzy funkcj zysku jako
midzy tymi funkcjami, czyli
P=30.
za to, e maksymalny zysk powinien by osignity przy poziomie produkcji
s. szt.; wynosi on
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,
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:
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 ,
249
10. WIELOWYMIAROWA ANALIZA PORWNAWC
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
_ 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 .
Cj =1.
251
- rednia arytmetyczna wynosi zero,
- wariancja oraz odchylenie standardowe s rwne l.
Innym sposobem normalizacji zmiennych jest unitaryzacja przeprow
w nastpujcy sposb:
bj = Oj,
Cj =1.
_
x.-minx
) .
..
l)
z.= I
) Oj
z=
ZI1 Zi2 Zij Zim
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)
da = 2:
}=1
(zij - zlj? ,(i, 1= 1, 2, ..., n). (10.6)
253
A
C'--------~B
L------------~ZI
Rys. 10.1. Geometryczna interpretacja odlegoci
da = !
j=l
W;{Zij -Zlj f, 0, 1= 1, 2, ..., n),
2) Iwj=l.
j=l
Innym szczeglnym przypadkiem odlegoci Minkowskiego (dla p ~ co) .
odlego Czebyszewa (norma Iw), zdefiniowanajako
254
o d12 dl1 dIn
d2! O d21 d2n
D=
da di2 djl din
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? ?
0,6 ?
0,7 0,5
1,0 0,1
? 0,9
0,5 0,0
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
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]
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
[! ~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
263
10.2. Analiza dyskryminacyjna
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.
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)
l Z ang. Price/Earning,
265
Wektor (kolumnowy) wspczynnikw w rwnaniu (10.9) wyraa si w
(por. [17])
a = S-I(-xl -x2
-) ,
266
istocie kryterium decyzyjne mona zapisa nastpujco (dla nowej obser-
_- x):
KD = aTx - 2
1 (-Xl - -X2 )TS-l(-Xl + -)
X2 ,
Tabela 10.5
Wskaniki ROE i P/E spek giedowych
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
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
0,184272]
a = [ -0,149952 .
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
_ _ [ 3,688]
Xt-
X
2 = -15,059
_ _ [6,844]
Xl + x2 = 29,662 .
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
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}.
. 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,
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:
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
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*
(10.15)
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.
(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
"\"
" "
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
TAK
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
~
~
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):
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
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:
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
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.
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
284
Zadania testowe
285
Przez podzielenie podanego obok dendrytu
na cztery czci otrzymamy nastpujce kla-
sy:
~ ~
I V
~
II
286
zmieni klas: opuci l i przeszed do 3. W nowej klasyfikacji wyznaczy
rodek cikoci dla klasy 2.
'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:
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).
288
=
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:
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},
" 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.
m 2
djQ = I{Zij -ZO}) , (i= 1, 2, ... , n),
}=l
mi = 1- Y
dO
O
,(i = 1, 2, ..., n),
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);
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
296
Tabela 10.12 Tabela 10.13
Wartoci miary rozwoju Uporzdkowanie spek wedug miary rozwoju
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.
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
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
lQII; Nominanta
-:::M:-
to taka zmienna, ktrej
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:
302
II) destymulant,
303
Ktremu przedsibiorstwu (wedug waonej metody sum standaryzowa-
nych) w pierwszej kolejnoci bank powinien przyzna kredyt?
d
iO
1 0,7
2 1,3
3 0,8
4 1,2
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
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:
306
c = [; ~
. 547
i], D = [~ ~
343
~].
A=[~O O~ ~], 1
-] 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(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,
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 ;
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;
ID) 1
[
1 0,5,
0,5 1
IV)
[
1
-0,9
1
0,5
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.
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'
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'
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.
4.12. 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
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
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
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 ,
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
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
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
325
0,1 0,3 0,2 0,4
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 ~],
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.
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
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.
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