KOLOKWIUM 1

Hipoteza modelowa
Y= α 0x0+ α1*x1+ …+η

Ocena parametrów strukturalnych

Α (z daszkiem)=( XT *X)-1 * XT* Y
α 0 brak interpretacji
α1 Jeżeli … wzrośnie o …. To … wzrosną/spadną z tego tytułu przeciętnie o wartość …

Odchylenie standardowe reszt

Y teoretyczne = X * α(z daszkiem)
u = przychody (np. z 2004) – y toret (z 2004)
uT ∗u
Su= √ Su 2 = n−k−1
Rzeczywiste wartości …. (czego?) różnią się od teoretycznych wartości …. (czego?)
przeciętnie o +/- ….. (ile?)

Średnie błędy ocen parametrów

D2(α z daszkiem) = Su2 * (XT *X)-1
przekątna od lewej to nasze Saj2
Saj= √ Saj2
yt= α 0xt0+ α1*xt1+…+ut
Szacując parametry strukturalne modelu α 0, α 1 …. Na podstawie …. (ilu?) obserwacji za
pomocą KNK mylimy się średnio o +/- Sa0 w stosunku do parametru α 0 oraz +/- Sa1 w
stosunku do parametru α1

Empiryczny model ekonometryczny

Yt(z daszkiem)= α 0x0+ α1*x1+ …+η
+/-Sa0 +/-Sa1

WERYFIKACJA
Test t-studenta
H0: αj = 0 (parametr αj nieistotnie różni się od zera, tj. zmienna objaśniająca Xj
statystycznie nieistotnie wpływa na zmienną objaśnianą Y)
H1: αj ≠ 0 (parametr αj istotnie różni się od zera, tj. zmienna objaśniająca X j statystycznie
istotnie wpływa na zmienną objaśnianą Y)
t* = t ɣ; n-k-1  rozkład t.odwr.ds
|tj|> t*  odrzucamy hipotezę zerową na poziomie istotności ɣ. Mamy prawo
sądzić, że jest statystycznie istotna.
|tj|< t*  brak podstaw do odrzucenia hipotezy zerowej przy poziomie istotności
ɣ. Mamy prawo sądzić, że jest statystycznie nieistotna.

Wartość p / p-value / empiryczny poziom istotności / prawdopodobieństwo

empiryczne / prawdopodobieństwo testowe
H0: p ≤ɣ  odrzucamy hipotezę zerową na poziomie istotności ɣ. Mamy prawo
sądzić, że jest statystycznie istotna.
H1: p> ɣ  brak podstaw do odrzucenia hipotezy zerowej przy poziomie istotności
ɣ. Mamy prawo sądzić, że jest statystycznie nieistotna.
Test F
H0: α1= α2=….= αk=0 (zakładamy, że nie różnią się od zera: statystycznie nieistotne.
Wszystkie objaśniające zmienne nieistotnie wpływają na zmienną objaśnianą Y)
H1: α1≠0 v α2≠0 v ….v αk≠ 0 (przynajmniej jeden parametr strukturalny różni się istotnie od
zera czyli jedna zmienna objaśniająca wpływa istotnie na zmienną objaśnianą Y)
R2 n−k−1
F= *
1−R 2
k
F* = F ɣ; k; n-k-1  rozkład f.odwr.ps
F≥F*  odrzucamy hipotezę zerową na poziomie istotności ɣ. Mamy prawo sądzić, że jest
statystycznie istotna.
F<F*  brak podstaw do odrzucenia hipotezy zerowej przy poziomie istotności ɣ. Mamy
prawo sądzić, że jest statystycznie nieistotna.

BADANIE DOPASOWANIA MODELU DO DANYCH EMPIRYCZNYCH

Błąd standardowy reszt
uT ∗u
Su2=
n−k−1
Rzeczywiste wartości …. (czego?) różnią się od teoretycznych wartości …. (czego?)
przeciętnie o +/- ….. (ile?)

Współczynnik zmienności losowej

Su
Vu= * 100%
y ś rednia
V* = 15%
Vu≤V*  dobre dopasowanie modelu do danych empirycznych
Vu>V*  słabe/ brak dopasowania modelu do danych empirycznych

Współczynnik determinacji R2 i współczynnik zbieżności φ 2

n

∑ ( ^y i − y i )2
R2= i=1
n 86,9% Całkowitej zmienności … zostało wyjaśnione przez
∑ ( yi − yi ) 2

i=1
oszacowany model zmiany ….
n

∑ ( y i−^y i )2
φ 2= i=1
n 13,1% całkowitej zmienności … nie zostało wyjaśnione przez
∑ ( y i− y i ) 2

i=1
oszacowany model
R2+φ 2= 1 Im R2 bliżej 1 a φ 2 0 tym lepsze dopasowanie modelu do danych empirycznych.

AUTOKORELACJA
Test QUENOUILLE’A
H0: ρ1=0  brak autokorelacji składnika losowego rzędu pierwszego
H1: ρ1> 0  występuje autokorelacja składnika losowego pierwszego rzędu
 n

∑ (u ¿ ¿t ¿−ut −1)2
t =2
ρ1(z daszkiem) n
¿¿
∑u 2
t
t=1
Wartość krytyczna
Zɣ
 wartość krytyczna odczytana z tablic z standaryzowanym rozkładem normalnym
¿ √n
dla poziomu istotności ɣ
Zɣ
| ρ1 z daszkiem| ≥  odrzucamy hipotezę zerową na poziomie istotności gama, możemy
√n
sądzić, że występuje autokorelacja
Zɣ
| ρ1 z daszkiem| <  brak podstaw do odrzucenia hipotezy zerowej na poziomie
√n
istotności gama, możemy sądzić, że nie występuje autokorelacja

Test Durbina-Watsona
H0: ρ1=0  brak autokorelacji składnika losowego rzędu pierwszego
H1: ρ1> 0  występuje dodatnia autokorelacja składnika losowego pierwszego rzędu

∑ (u ¿ ¿t ¿−ut −1)2
t =2
DW= n
¿¿
∑u 2
t
t=1
DW € <0;4>
DW € <0,2)  podejrzewa się występowanie autokorelacji dodatniej I rzędu składnika
losowego
DW = 2  stwierdza się brak autokorelacji składnika losowego rzędu 1
DW € (2,4>  podejrzewa się występowania autokorelacji ujemnej i hipoteza
alternatywna ma postać: H1: ρ1< 0
DW* = 4- DW

Wartość krytyczna
Dolna dl dl<du
Górna du

Dw lub DW* > du  brak podstaw do odrzucenia hipotezy zerowej, nie zachodzi
korelacja  idealny przypadek

Dw lub DW* < du  odrzucamy hipotezę zerową, mamy prawo sądzić, że występuje
autokorelacja przy poziomie istotności gama

dl≤DW, DW* < du  obszar niekonkluzywności, test nie daje odpowiedzi, należy
zastosować testy alternatywne do rozstrzygnięcia hipotez.

DW lub DW* ≤ dl  odrzucamy hipotezę zerową na rzecz hipotezy alternatywnej,

mówiącej o występowaniu autokorelacji I rzędu składnika losowego
MODEL TRENDU (=MODEL TENDENCJI ROZWOJOWEJ)

lata Przychody ze sprzedaży

2001 2,0
2002 2,3
2003 2,6
2004 2,9

[][ ]
2 ,0 1 1
2 ,3 1 2
Y= X=
2 ,6 1 3
2 ,9 1 4

Y=α0+α1t+….+ η
t =czas = 1,2,…,n (n-liczba obserwacji)
yt=…
Su2=…
Su=…
t-student
Usztywnianie F4
CTR+SHIFT+ENTER

         
PODSUMOWANIE - WYJŚCIE
 
Statystyki regresji
Wielokrotność R 0,936586987
R kwadrat 0,877195184
Dopasowany R kwadrat 0,844447233
Błąd standardowy 3,198
Obserwacje 20
 
u(transponowane)
ANALIZA WARIANCJI n-k-1 *u Su^2
  df SS MS
273,90978
Regresja 4 1095,639154 84
10,225756
Resztkowy 15 153,3863464 43
Razem 19 1249,0255    
  a
Współczynnik Błąd Wartość
  i standardowy t Stat -p
Przecięcie 46,480 13,691 3,395 0,004
X1 0,312 0,108 2,888 0,011
X2 -1,952 0,222 -8,785 0,000
X3 0,014 0,038 0,374 0,713
X4 -0,119 0,119 -0,997 0,335
 
 
 
SKŁADNIKI RESZTOWE -
WYJŚCIE
  y teoretyczne u=Y-Yteor
Przewidywan Składniki
Obserwacja eY resztowe
1 22,482 -4,482
2 16,802 1,498
3 19,947 2,053
4 26,197 -1,197
5 32,159 -5,659
6 27,049 -0,049
7 31,877 -4,877
8 30,671 -0,671
9 26,807 4,193
10 29,368 3,132
11 31,901 2,099
12 34,103 -0,103
13 35,421 -0,421
14 37,570 -1,070
15 39,868 -1,868
16 40,027 -0,027
17 39,986 2,514
18 38,363 4,637
19 44,377 -1,377
20 42,325 1,675
MODELE WIELORÓWNANIOWE

1. KLASY
1) Model prosty – wyłącznie zmienne z góry ustalone
B= [ Bgg ' ] GxG ¿ det≠0 istnieje Bodw

y1t y2t y3t y4t

2) Model rekurencyjny - macierz B jest trójkątna, lub da się sprowadzić do macierzy

trójkątnej. Jednokierunkowe powiązania między zmiennymi łącznie współzależnymi.
Mogą być 2 lub więcej początki/ końce. (badamy tylko zmienne z góry ustalone)

y1t y2t y3t y4t napisać gdzie początek i gdzie koniec

3) Model równań łącznie współzależnych – macierz B dowolna (ale nie jednostkowa ani
trójkątna). Występuje sprzężenie zwrotne lub zamknięty cykl

y1t y2t y3t y4t y1t y2t y3t y4t

2. KLASYFIKACJA ZMIENNYCH

1) Endogeniczne – te co są po lewej 3) Łącznie współzależne – te po lewej

stronie i te opóźnione w czasie (ale stronie
odnoszące się do tych po lewej) It=β13Kt+α11Pt-1+ α10+ η1t
It=β13Kt+α11Pt-1+ α10+ η1t Zt= β23 Kt+ α22Pt+ α20+ η2t
Zt= β23 Kt+ α22Pt+ α20+ η2t Kt= β31 It + α31Pt-1+ α33Kt-1+ α30+ η3t
Kt= β31 It + α31Pt-1+ α33Kt-1+ α30+ η3t

It Zt Kt Kt-1
2) Egzogeniczne – wszystkie przy alfach
oprócz endogenicznych
It=β13Kt+α11Pt-1+ α10+ η1t
Zt= β23 Kt+ α22Pt+ α20+ η2t
Kt= β31 It + α31Pt-1+ α33Kt-1+ α30+ η3t
Pt-1 Pt Xt0
It Zt Kt
4) Z góry ustalone – zmienne przy alfach
It=β13Kt+α11Pt-1+ α10+ η1t
Zt= β23 Kt+ α22Pt+ α20+ η2t
Kt= β31 It + α31Pt-1+ α33Kt-1+ α30+ η3t
Pt-1 Pt Kt-1 Xt0

3. FORMA STRUKTURALNA
1) Zapis macierzowy
BY+AZ=η
B – macierz parametrów przy zmiennych łącznie współzależnych = [ Bgg ' ] GxG
Y – wektor zmiennych łącznie współzależnych (kolumnowy Gx1)
Z – wektor zmiennych z góry ustalonych (kolumnowy (k+1)x1)
η– wektor składników losowych (Gx1)
A – macierz parametrów strukturalnych przy zmiennych z góry ustalonych =
[αgj] Gx(k+1)
4. FORMA ZREDUKOWANA
1) Zapis macierzowy
Y=CZ+ε
Y – wektor zmiennych łącznie współzależnych (kolumnowy Gx1)
Z – wektor zmiennych z góry ustalonych (kolumnowy (k+1)x1)
C – macierz parametrów strukturalnych w formie zredukowanej
= [Cgj]Gx(k+1
Ε - wektor składników losowych formie zredukowanej (Gx1)
2) Zapis równaniowy

Przykład zadania:
Dany jest następujący model:
It=β13Kt+α11Pt-1+ α10+ η1t
Zt= β23 Kt+ α22Pt+ α20+ η2t
Kt= β31 It + α31Pt-1+ α33Kt-1+ α30+ η3t

1) Dokonaj klasyfikacji zmiennych na: endogeniczne, egzogeniczne, łącznie

współzależne, z góry ustalone
a) Endogeniczne: It Zt Kt Kt-1
b) Egzogeniczne : Pt-1 Pt Xt0
c) Łącznie współzależne: It Zt Kt
d) Z góry ustalone: Pt-1 Pt Kt-1 Xt0
2) Zapisz postać strukturalną modelu

It-β13Kt-α11Pt-1- α10= η1t

Zt- β23 Kt- α22Pt- α20= η2t
Kt- β31 It - α31Pt-1-α33Kt-1- α30= η3t
 3) Zapisz formę zredukowaną modelu

Y=CZ+ε

It= c11Pt+c12Pt-1+c13Kt-1+ c10Xt0+ε1t

Zt= c21Pt+c22Pt-1+ c23Kt-1+ c20Xt0+ε2t
Kt= c31Pt+c32Pt-1+ c33Kt-1+ c30Xt0+ε3t
Wszystkie proste i rekurencyjne można oszacować. Łącznie współzależne muszą być identyfikowalne!

5. BADANIE IDENTYFIKOWALNOŚCI MODELU

1) Warunek liczby zmiennych
lg (g=1,2,…,G)
lg – liczba zmiennych których nie ma w danym równaniu
G – liczba równań

lg≥G-1 równanie może być identyfikowalne

lg≤G-1 równanie jest nieidentyfikowalne, automatycznie cały model też
2) Warunek rzędu macierzy (macierz współczynników przy zmiennych, których
nie ma w danym równaniu)
rzWg=G-1 równanie g jest identyfikowalne
rzWg>G-1 nie występuje
rzWg<G-1 równanie g jest nieidentyfikowalne

3) Równanie spełnia warunki (pierwszy i drugi)

{rzWg=G−1
lg=G−1
równanie g jest identyfikowalne jednoznacznie

{rzWg=G−1
lg>G−1
równanie g jest identyfikowalne niejednoznacznie

Określenie czy jest jednoznaczne czy nie jednoznaczne ważne jest z punktu widzenia wyboru metody estymacji.
Żeby móc powiedzieć, że model jest identyfikowalny jednoznacznie wszystkie równania muszą być jednoznaczne
Żeby móc powiedzieć, że model jest identyfikowalny niejednoznacznie – wszystko jedno
 Przykładowe zadanie na ocenienie identyfikalności.
y1t=β13 y2t +α11Xt1+ α10+ η1t
y2t= β21 y1t + β23 Y3t+ α22t+ α20+ η2t
y3t= β31 y1t + α31Xt1+ α33Xt3+ η3t

Y1t Y2t Y3t model równań współzależnych

G=3 (liczba równań)

G-1=2
Zmienne: y1t y2t y3t Xt1 Xt3 t Xt0
Zmiennych których nie ma w równaniu:
1) y3t Xt3 t
l1=3>2 może być identyfikowalne niejednoznacznie
rzW1=2=G-1
odp. Równanie 1 jest identyfikowalne niejednoznacznie
2) Xt1 Xt3
l1=2 może być identyfikowalne jednoznacznie
rzW2=2=G-1
odp. Równanie 2 jest identyfikowalne jednoznacznie
3) y2t t Xt0
l1=3>2 może być identyfikowalne niejednoznacznie
rzW1=2=G-1
odp. Równanie 3 jest identyfikowalne niejednoznacznie

Wniosek: Model wielorównaniowy jest identyfikowalny niejednoznacznie, czyli

można oszacować jego parametry
6. PMNK – pośrednia metoda najmniejszych kwadratów (stosowana tylko do
wstępnej analizy modelu)

Przykładowe zadanie
Zbudowano następujący model wielorównaniowy:

Kt= β12 Zt + α11It+ α10+ η1t

Zt= β21 Kt+ α22Pt+ α20+ η2t

t wartości zatrudni nakłady produkcja

majątku enie (w inwestycyjn (w tys.
trwałego w mln tys. e (w mln zł) Sztuk)
złotych Osób) It Pt
Kt Zt
1 60 3,4 1,1 22
2 62 3,5 1,5 24
3 65 3,7 1,4 25
4 66 3,7 1,7 28
5 68 3,9 1,7 29
6 69 4,1 1,9 33
7 72 4,1 1,6 32
8 73 4,1 1,8 33
9 75 4,2 1,9 34
10 76 4,3 2,1 34
11 78 4,4 2,1 35

Oszacuj parametry strukturalne tego modelu za pomocą PMNK

 Kt Zt sprzężenie zwrotne a zatem model równań łącznie współzależnych

Czy model jest identyfikowalny?

Co znajduje się przy alfach: Kt Zt It Pt Xt0

Czego nie ma w którym?:

Równanie 1: Pt
G=2
l1=1=G-1
W1= [-α22]
rzW1=1=G-1
odp.: Równanie 1 jest identyfikowalny jednoznacznie
Równanie 2: It
G=2
l1=1=G-1
W1= [-α11]
rzW1=1=G-1
odp.: Równanie 2 jest identyfikowalny jednoznacznie
Wniosek: Model jest identyfikowalny jednoznacznie
PMNK
ETAP 1

1) Y=CZ+ε
Endogeniczne: Kt Zt
Egzogeniczne : It Pt Xt0
Łącznie współzależne: Kt Zt
Z góry ustalone: It Pt Xt0
2) Zapis
a) Macierzowy

b) Równaniowy

Kt= c11It+c12Pt+ c10+ε1t

Zt= c21It+c22Pt+ c20+ε2t

3) Równanie

Liczenie macierzowo Liczenie nie macierzowo

C1*=(ZT * Z)-1 * ZT *Y1 Y1- Kt C2*=(ZT * Z)-1 * ZT *Y2 Y2- Zt

[ ]
1,187 dane analiza danych  regresja [It, Pt]
C1*= 1,156 na końcu  współczynniki

[ ]
32,853 0,037
Kt= 1,187 It+ 1,156 Pt+ 32,853 +ε1t (Z DASZKIEM) C2*= 0,068
1,838
Zt= 0,037It+0,068Pt+ 1,838+ε2t

C*= [ 1,187
0,037
1,156 32,853
0,068 1,838 ]
ETAP 2
-A=BC

It Pt Xt0 Kt Zt It Pt Xt0

[−a011
-
0 −a 10
=
1
][
−a 22 −a 20 −β 21 ][
−β 12 1,187 1,156 32,853
1
*
0,037 0,068 1,838 ]
{ {
a 11=1,187−0,037 β 21 0=−1,187 β 21+ 0,037
0=1,156−0,068 β 12 a 22=−1,156 β 21+ 0,068
a 10=32,853−1,838 β 12 a 20=−32,853 β 21+ 1,838
{ {
β 12=17 β 21=0,031
a 11=0,558 a21=0,032
a 10=1,607 a 20=0,820

Kt=17Zt+0,58It+1,607+ε1t
Zt=0,031Kt+0,032Pt+0,820+ε2t
Do estymacji parametrów modelu można zastosować np. podwójną metodę najmniejszych
kwadratów (2MNK).

I etap

Należy zapisać model w formie zredukowanej, a następnie oszacować parametry tego

modelu za pomocą KMNK:

II etap

Należy w równaniach formy strukturalnej zastąpić rzeczywiste wartości zmiennych łącznie

współzależnych (pełniących rolę zmiennych objaśniających) ich teoretycznymi wartościami,
uzyskanymi z formy zredukowanej. Następnie należy oszacować parametry strukturalne
formy strukturalnej modelu za pomocą KMNK.