JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY
Transkrypt
JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY
JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY x1 Będziemy zapisywać wektory w postaci (x1 , . . . , xn ) albo . . . traktując go jak macierz jednokolumxn nową (dzięki temu nie będzie kontrowersji przy „transponowaniu wektora”). Model ogólny: y = f (X, A, ε), gdzie X = (x1 , . . . , xk ) - zmienne objaśniające (niezależne), y - zmienna objaśniana (wartość funkcji), A = (α0 , α1 , . . . , αm ) - wektor parametrów, ε - składnik losowy. Model liniowy: y = α0 + α1 x1 + · · · + αk xk + ε. Wyniki obserwacji oznaczamy X1 = zależnych) oraz Y = y1 y2 ··· yn x11 x21 ··· xn1 , · · · , Xk = x1k x2k ··· xnk dla zmiennych objaśniających (nie dla zmiennej objaśnianej (zależnej). Współczynnik xij oznacza wartość j-tej zmiennej dla i-tej obserwacji.1 Niech X= 1 x11 x12 1 x21 x22 ... ... ... 1 xn1 xn2 . . . x1k . . . x2k ... ... . . . xnk Y = y1 y2 ... yn . Oszacowania parametrów α0 , α1 , . . . , αk metodą najmniejszych kwadratów (MNK) otrzymujemy wzorem A= a0 a1 ... ak −1 X T Y. = XT X Wtedy Yb = yb1 yb2 ... ybn = XA. Niech E = Y − Yb . 1 W wielu podręcznikach ekonometrii jest stosowana symbolika odwrotna, lecz wtedy w macierzy X pierwszy dolny index przy x odpowiada za numer kolumny, a drugi wiersza co jest niezgodne z zasadami nauczania rachunku macierzowego. 1 Współczynnik determinacji: R2 = 1 − ET E , Y − n y2 TY gdzie y = n1 (y1 + y2 + · · · + yn ). Skorygowany współczynnik determinacji 2 R = R2 − k(1 − R2 ) . n − (k + 1) Ocena wariancji składnika losowego S2 = Niech ET E . n − (k + 1) XT X −1 d11 d12 d21 x22 ... ... dn1 dn2 = [dij ] = . . . d1(k+1) . . . d2(k+1) ... ... . . . dn(k+1) Błędy standardowe oszacowań parametrów: Sa i = q S 2 d(i+1)(i+1) . Błędy względne oszacowań parametrów: Sai . |ai | Prognoza wartości yt w punkcie (xt1 , xt2 , . . . , xtk ): yt = XtT A, gdzie XtT = [ 1 xt1 xt2 . . . xtk ]. Średni błąd prognozy ex ante: r S 2 1 + XtT (X T X)−1 Xt . St = Względny średni błąd prognozy ex ante: St . |yt | Statytyka F : F = (n − k − 1)R2 . k(1 − R2 ) Model nieliniowy sprowadzany do liniowego KROK 1. Sprowadzamy model nieliniowy y = f (x1 , . . . , xk , α0 , α1 , . . . , αk , ε) 2 . do liniowego przez przekształcenie obu stron równania funkcją φ otrzymując równanie φ(y) = φ(f ((x1 , . . . , xk , α0 , α1 , . . . , αk )). tak aby prawa strona miała postać: β0 + β1 z1 + · · · + βk zk , gdzie zk są odpowiednimi funkcjami zmiennych x1 , . . . , xk . Krok 2. Szacujemy parametry B = (β0 , β1 , . . . , βk ) wektorem B = (b0 , b1 , . . . , bk ). Krok 3. Stosujemy przeksztalcenie odwrotne φ−1 i otrzymujemy dane Yb . Miara dopasowania modelu do obserwacji: P = n 1X |yj − ybj | 2 . n j=1 yj Przykład y = α0 xα1 1 · xα2 2 . Definiujemy φ(t) = ln t. Otrzymujemy ln y = ln(α0 ) + α1 ln(x1 ) + α2 ln(x2 ). Podstawiamy u = ln y, z1 = ln(x1 ), z2 = ln(x2 ), β0 = ln(α0 ), β1 = α1 , β2 = α2 otrzymując model liniowy. u = β0 + β1 z1 + β2 z2 . Po oszacowaniu otrzymujemy liczby b0 , b1 , b2 , czyli wzór b = b 0 + b 1 z1 + b 2 z2 . u Po zastosowaniu przekształcenia odwrotnego do φ, czyli exp(t) = et otrzymujemy yb = a0 xa11 xa22 , gdzie a0 = eb0 , a1 = b1 , a2 = b2 . Dobór zmiennych niezależnych (objaśniających) do modelu - metoda Hellwiga Niech x1 , . . . , xk będą zmiennymi objaśniającymi. Możemy wybrać do modelu 2k − 1 podzbiorów. Niech B będzie wybranym niepustym podzbiorem liczb 1, 2, . . . , k. Dla zmiennej xi , i ∈ B definiujemy indywidualną pojemność nośników informacji: r2 hiB = P i , |rij | j∈B gdzie ri – korelacja wektorów Xi i Y 3 rij – korelacja wektorów Xi i Xj . Następnie obliczamy pojemność integralną kombinacji (podzbioru) nośników informacji: HB = X hiB . i∈B Należy wybierać takie podzbiory B do modelu, dla których HB jest największa. 2 Ta miara wydaje się być niedobra dla danych mogących przyjmować zarówno dodatnie jak i ujemne wartości oraz wartości bliskie zeru (np. bilans itp.). 3 Przypominamy wzory na kowariancję i korelację wektorów a = (a1 , . . . , an ) i b = (b1 , . . . , bn ): kowariancja C(ab) = n1 [(a1 − C(ab) a)(b1 − b) + · · · + (an − a)(bn − b)]; korelacja rab = s(a)s(b) ; a, b odpowiednie średnie, a s(a), s(b) odpowiednie odchylenia standardowe. 3 ANALIZA PRZEPŁYWÓW MIĘDZYGAŁĘZIOWYCH Numer Produkt gałęzi globalny i xi 1 x1 2 x2 ... ... n xn Amortyzacja bj Płace x0j Zysk zj Produkt globalny Przepływy międzygałęziowe xij x11 x12 . . . x1n x21 x22 . . . x2n ... ... ... ... xn1 xn2 . . . xnn b1 b2 . . . bn x01 x02 . . . x0n z1 z2 . . . zn x1 x2 . . . xn Produkt końcowy yi y1 y2 ... yn UWAGA: wiersz odpowiadający amortyzacji często sie pomija. Równanie podziału xi = n X xij + yi . j=1 Równanie kosztów xj = n X xij + bj + x0j + zj . j=1 Rownanie równowagi ogólnej n X (bj + x0j + zj ) = j=1 n X yi . i=1 Współczynniki kosztów aij = xij . xj Macierz struktury kosztów a11 a A = [aij ] = 21 ... an1 a12 a22 ... an2 . . . a1n . . . a2n ... ... . . . ann x11 x1 x21 x1 x12 x2 x22 x2 xn1 x1 xn2 x2 = ... ... ... ... ... ... x1n xn x2n xn . ... xnn xn W celu wytworzenia w j-tej gałezi produktu o wartości 1, trzeba zużyć produkcję z i-tej gałęzi o wartości aij . Współczynnik materiałochłonności j-tej gałęzi (suma elementów j-tej kolumny macierzy A: mj = n X aij . i=1 Rentowność j-tej gałezi rj = zj . xj − zj MODEL LEONTIEFA (I − A)X = Y lub (I − A)−1 Y = X, 4 gdzie X= x1 x2 ... xn Y = y1 y2 ... yn , I − A − macierz Leontiefa, −1 (I − A) − macierz współczynników pełnej materiałochłonności. 5