Professional Documents
Culture Documents
Ekonometria - Postawowy
Ekonometria - Postawowy
Ekonometria - Postawowy
Informacje wstępne:
2. Zaliczenie przedmiotu - w formie rozwiązywania zadań, przy czym ok. połowy punktów
przyznaje się za poprawne obliczenia i połowę za interpretację.
Podstawowe pojęcia:
Ekonometria - jest częścią ekonomii, która zajmuje się zastosowaniem metod statystyki
matematycznej i narzędzi wnioskowania statystycznego do empirycznej weryfikacji
zależności postulowanych przez teorię ekonomiczną (Greene 2000).
np. model popytu i podaży: p=f(D,S) ukazuje podstawowy proces ustalania się cen p w
zależności od wielkości popytu D i podaży S.
Estymacja - szacowanie.
1
yt - endogeniczna, zależna, objaśniana, jej wartość tworzy się w ramach modelowanego
układu,
KMRL jest stosowany w sytuacji kiedy badany obiekt (zjawisko) można opisać
pojedynczą zmienną endogeniczną yt i wyróżnić K zmiennych egzogenicznych xtk
wpływających na kształtowanie się badanego obiektu, (t=1,..,T, k=1,...,K)
Postać analityczna modelu regresji liniowej (dla jednej obserwacji t) jest następująca:
y t =β 1 x t 1 + β 2 x t 2 +.. .+ β K x tK + ε t
w zapisie macierzowym:
y= Xβ+ ε
Objaśnienia:
2
[ ]
x11 x 12 ⋯ x 1 K X – Macierz o wymiarach (T´K)
zawierająca wartości wszystkich K
X = x 21 x 22 ⋯ x 2 K
⋮ ⋮ ⋮ ⋮ zmiennych egzogenicznych
x T 1 x T 2 ⋯ x TK ( T ×K )
x t k – wartość k-tej zmiennej
egzogenicznej dla obserwacji t
¿
e t – składnik losowy dla obserwacji o numerze t
[β=¿ β1 ¿] [ β2 ¿] [⋮¿]¿¿¿
b – wektor (K´1) nieznanych, ustalonych
parametrów strukturalnych, które określają
daną relację ekonomiczną (parametry regresji,
¿
współczynniki strukturalne)
3
o macierzy kowariancji danej wzorem:
T
1
s2 =
T−K
∑ ^ε 2t
t =1
T
1 1
2
s=
T−K
( y −X β^ )' ( y− X β^ )= ∑ ε^ ' ^ε
T −K t=1
s
V = 100 % współczynnik zmienności resztowej.
y
4
Wniosek z twierdzenia o wariancji resztowej
V ( ^β )=σ 2 ( X ' X )
−1
D ( ^β i ) =√ s 2 aii
gdzie s2 jest wariancją resztową, natomiast aii jest odpowiednim elementem z przekątnej w
macierzy ( X ' X )−1. Błąd średni szacunku i-tego parametru regresji informuje, o ile możemy
średnio mylić się zastępując nieznany parametr β i jego estymatorem MNK ^β i .
y t =β 1+ β 2 x t 2+ …+ β k xtK + ε t
5
wtedy: E ( y t )=β 1 określa spodziewany poziom zmiennej objaśnianej, przy zerowych
wartościach wszystkich zmiennych objaśniających.
T
2. Suma reszt MNK: ∑ ε^ t =0,
t =1
T T T
∑ ( y t− y ) =∑ ( y t −^y t ) +∑ ( ^y t − y )2
2 2
t =1 t=1 t =1
∑ ( y t −^y t )2 ∑ ( ^y t − y )2
1= t=1
T
+ t=1
T
∑ ( y t − y )2 ∑ ( y t − y )2
t=1 t=1
2 2
φ – współczynnik zbieżności R – współczynnik determinacji
2 2
1=φ + R
6
Współczynnik zbieżności φ 2 informuje jaka część całkowitej zmienności wartości
empirycznych zmiennej endogenicznej nie została objaśniona w modelu przez kształtowanie
się zmiennych egzogenicznych. (φ 2 powinien być jak najbliższy zeru).
[ ]
Przedział β^ i−t α D ( ^βi ) ; β^ i +t α D ( β^ i ) jest pojedynczą realizacją najkrótszego przedziału
losowego (przedziału ufności), który z prawdopodobieństwem 1 – α zawiera nieznany
współczynnik regresji β i.
¿
H 1 : βi ≠ βi (test dwustronny)
^β − β¿
Statystyka testowa: t i= i i St ( T −K )
D ( ^β )
i
t α – wartość statystyki odczytana z tablic rozkładu t-Studenta, dla T-K stopni swobody oraz poziomu
istotności α.
7
Konkluzja:
| |
^β −β ¿
i i
Jeżeli >t α ⟹ odrzucamy hipotezę H0.
^
D ( βi )
| ( )|
^β −β ¿
i i
Jeżeli ≤ t α ⟹ brak podstaw do odrzucenia H0.
D ^β i
......................................................................................................................................................
......................................................................................................................................................
y t = β 1 x t 1 + β 2 x t 2 +.. .+ β K x tK + ε t
H 0 : β i=0
H 1 : βi ≠ 0
β^ i
Statystyka testowa: t i= St ( T −K )
D ( ^β )
i
Konkluzja:
| |
^β
i
Jeżeli >t α ⟹ odrzucamy hipotezę H0.
D ( ^β i )
| ( )|
^β
i
Jeżeli ≤ t α ⟹ brak podstaw do odrzucenia H0.
^
D βi
8
9
Wykład nr 2 - Założenia klasycznego modelu regresji liniowej (KMRL), weryfikacja część II
- łączne testowanie układu współczynników regresji.
TEST F
Rozważamy Klasyczny model Normalnej Regresji Liniowej, który w zapisie macierzowym ma postać:
y= Xβ+ ε .
(1 ) (2 )
y= X 1 β + X 2 β + ε
X ( T × K ) =[ X 1 X 2 ]
[ ]
( 1)
β
β=
β( 2 )
(1 )
β to wektor o wymiarach (K1x1) zawierający parametry strukturalne odpowiadające zmiennym
egzogenicznym znajdującym się w macierzy X1.
10
β (2 ) to wektor o wymiarach (K2x1) zawierający parametry strukturalne odpowiadające zmiennym
egzogenicznym znajdującym się w macierzy X2.
Rozważamy następujące hipotezy dotyczące grupy współczynników regresji (do tej pory testowaliśmy
tylko pojedyncze parametry regresji):
( 2)
H 0 : β =0( K ×1 ) – żadna ze zmiennych objaśniających należących do drugiej grupy nie ma wpływu na
1
(1 )
y= X 1 β + ε .
Uwaga: zapis 0( K 2 ×1) – oznacza wektor zer o wymiarach (K2x1). (każdy z parametrów regresji w
wektorze β (2 ) jest równy zero)
( 2)
H 1 : β ≠ 0 ( K ×1 ) – co najmniej jedna ze zmiennych objaśniających w testowanej grupie ma wpływ na
2
(1 ) ( 2)
y= X 1 β + X 2 β +ε .
Oznaczenia:
SSE0 – suma kwadratów reszt MNK przy prawdziwości hipotezy zerowej, tzn. w modelu
zredukowanym.
Statystyka testowa:
( SSE0−SSE1 ) / K 2
F emp=
SSE1 / ( T −K )
Konkluzja:
11
Fα – wartość statystyki odczytana z tablic rozkładu F (Fishera-Snedecora) dla poziomu istotności α
oraz (K2, T-K) stopni swobody.
y t =β 1+ β 2 x t 2+ ...+ β K x tK + ε t
[]
β2
(2 )
(1 )
β =β1 – wyraz wolny, K1 = 1; β = ⋮ – współczynniki przy z. objaśniających, K2 = K – 1;
βK
( 2)
H 0 : β =0((K −1 )× 1) – żadna ze zmiennych objaśniających nie ma wpływu na zmienną objaśnianą i
należy pozostawić model tylko z wyrazem wolnym
y t =β 1+ ε t
( 2)
H 1 : β ≠ 0 ((K−1)× 1) – co najmniej jedna ze zmiennych objaśniających w modelu ma wpływ na zmienną
objaśnianą i należy pozostawić model ogólny:
y= Xβ+ ε .
Przyjmujemy oznaczenia sumy kwadratów reszt (SSE) odpowiednio dla hipotezy zerowej
(SSE0) i alternatywnej (SSE1):
T
1) SSE0=∑ ( y t− y ) , ponieważ ^y t = ^β 1= y ; (wyprowadzenie poniżej w zadaniu)
2
t =1
T
2) SSE1=( y −X ^β ) ' ( y−X ^β )=∑ ( y t− ^y t ) .
2
t =1
SSE 1 2
Stąd: =φ - współczynnik zbieżności.
SSE 0
Statystyka testowa:
12
F emp=
( SSE0−SSE1 ) / ( K 2)
=
( 1−
SSE 1
SSE 0)/ ( K−1 )
=
( 1−φ2 ) / ( K−1 )
=
2
R / ( K−1 )
SSE1 / ( T −K ) SSE 1
/ ( T −K )
φ2 / ( T −K ) ( 1−R 2) / ( T− K )
SSE 0
Zadanie: Wyznaczyć ocenę MNK parametru strukturalnego w modelu regresji, w którym występuje
jedynie wyraz wolny.
u’u uu’
[]
3
u= 6
9
13
......................................................................................................................................................
y t =β 1+ β 2 x t 2+ ...+ β K x tK + ε t
[]
c1
gdzie c ( K × 1)= ⋮ oznacza kolumnę znanych stałych liczbowych, określających daną funkcję, c ' -
cK
wektor transponowany.
[]
β1
β ( K ×1 )= ⋮ jest wektorem parametrów strukturalnych.
βK
14
[]
β1
β2
β
γ =c β=[ 0 0 1 1 0 … 0 ] 3
'
β4
⋮
βK
[]
β1
β2
β
γ =c β=[ 1 0 0 1 0 … 0 ] 3
'
β4
⋮
βK
Ocena punktowa nieznanej liniowej funkcji parametrów regresji jest dana wzorem:
−1
γ^ =c ' ^β=c ' ( X X ) X ' y
'
2 −1
V ( γ^ )=σ c ' ( X ' X ) c
Interpretacja - informuje, o ile średnio mylimy się, zastępując nieznaną wartość liniowej funkcji
regresji jej estymatorem MNK.
15
............................................................................
1. Postać analityczna modelu regresji liniowej (dla jednej obserwacji t) jest następująca:
y t =β 1 x t 1 + β 2 x t 2 +.. .+ β K x tK + ε t
w zapisie macierzowym:
y= Xβ+ ε
2. Macierz X jest macierzą nielosową o ustalonych wartościach, co oznacza:
3. Macierz X posiada pełny rząd kolumnowy, rz(X)=K dla K£T, co oznacza że między
zmiennymi objaśniającymi nie istnieje dokładna zależność liniowa (warunek konieczny
estymacji)
4. Każdy składnik losowy 𝜀t ma wartość oczekiwaną równą zero: E(𝜀t)=0 dla t=1,...,T. W
konsekwencji wartość oczekiwana wektora składników losowych jest równa wektorowi
zerowemu.
16
𝜀 – wektor wszystkich składników losowych o wymiarach T×1
2
σ wariancja poszczególnych składników losowych 𝜀t
W KMNRL estymator MNK: ^β=( X ' X )−1 X ' y jest najlepszym w klasie liniowych i nieobciążonych
estymatorów wektora parametrów regresji β.
^β −β
i i
Jeżeli T>K, to St (T −K ),
^
D (β )
i
gdzie:
17
{| | }
^β −β
i i
P >t α =α
D ( ^β )
i
{| | }
^β −β
i i
P ≤ t α =1−α
D ( β^ )
i
{ }
^β i−β i
P −t α ≤ ≤t α =1−α
D ( β^ i )
P { β^ i −t α D ( ^β i ) ≤ β i ≤ β^ i +t α D ( ^β i ) }=1−α
[ ]
Przedział β^ i−t α D ( ^βi ) ; β^ i +t α D ( β^ i ) jest pojedynczą realizacją najkrótszego przedziału losowego
(przedziału ufności), który z prawdopodobieństwem 1 – α zawiera nieznany współczynnik regresji β i
.
18