Professional Documents
Culture Documents
Ekos
Ekos
Ekos
Hipoteza modelowa
Y= α 0x0+ α1*x1+ …+η
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.
∑ ( ^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.
[][ ]
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
3) Model równań łącznie współzależnych – macierz B dowolna (ale nie jednostkowa ani
trójkątna). Występuje sprzężenie zwrotne lub zamknięty cykl
2. KLASYFIKACJA ZMIENNYCH
It Zt Kt Kt-1 It Zt Kt
2) Egzogeniczne – wszystkie przy alfach 4) Z góry ustalone – zmienne przy alfach
oprócz endogenicznych 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
Pt-1 Pt Kt-1 Xt0
Pt-1 Pt 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
Y=CZ+ε
{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
Przykładowe zadanie
Zbudowano następujący model wielorównaniowy:
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
3) Równanie
[ ]
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
II etap