Ekonometria – ćwiczenia 2
Transkrypt
Ekonometria – ćwiczenia 2
Ekonometria – ćwiczenia 2 Prowadzący: Sebastian Czarnota Strona - niezbędnik ● http://sebastianczarnota.com/sgh/ Metoda najmniejszych kwadratów ● Metoda estymacji nieznanych parametrów β ● Własności estymatorów MNK: – Zgodny – Nieobciążony – Najefektywniejszy – najmniejsza wariancja w klasie – Liniowy – każda składowa wektora β jest liniową funkcją składowych wektora zmiennej losowej Reszta modelu ● ● Różnica między wartością empiryczną a teoretyczną Zapis macierzowy: Twierdzenie Gaussa-Markowa ● ● Jeżeli – (Z1) rz(X) = k + 1 ≤ n – (Z2) Zmienne objaśniające Xj są nielosowe – (Z3) – (Z4) – (Z5*) … to estymator wyznaczony MNK jest estymatorem zgodnym, nieobciążonym i najefektywniejszym w klasie liniowych estymatorów wektora parametrów modelu. Zasada ceteris paribus ● ● ● ● Zasada interpretacji oszacowanych wartości parametrów Pochodzi z łaciny i oznacza przy pozostałych warunkach równych Albo przy tych samych okolicznościach W szczególności, dla modeli o wielu zmiennych objaśniających oznacza, że wartość jednego współczynnika ma pewną interpretację, przy pozostałych czynnikach niezmienionych Macierz kowariancji ● Uogólnienie pojęcia wariancji na przypadek wielowymiarowy ● ● ● - nieobserwowalna wartość wariancji składnika losowego Gdzie: - wariancja zmiennej - kowariancja między i . Błąd standardowy ● Estymator wariancji składnika losowego: ● Estymator macierzy kowariancji ● Błąd standardowy regresji (składnika losowego): Błąd szacunku parametru ● ● ● Średni błąd szacunku parametru Gdzie oznacza element przekątnej estymowanej macierzy kowariancji Określa poziom przeciętnych wachań, którym podlegałaby wartość oszacowania parametru , jeśli istniałaby możliwość pobrania z populacji innych prób o tej samej liczebności Względny błąd szacunku parametru ● Średni błąd względny parametru ● Przyjmuje się, że wartość >50% jest niedopuszczalna Współczynnik determinacji ● ● ● ● Współczynnik wyrażający stosunek zmienności wyjaśnionej do zmienności ogółem Wartość należy do przeciału <0, 1> Im wyższy, tym model dokładniej tłumaczy zmienność zmiennej objaśnianej Niescentrowany wsp. determinacji ● ● Miara jakości dopasowania modelu oszacowanego bez wyrazu wolnego Wartość również należy do przedziału <0;1> Skorygowany wsp. determinacji ● ● Współczynnik determinacji rośnie (lub pozostaje bez zmian) gdy dodajemy kolejne zmienne objaśniające, nawet mało istotne Skorygowany wsp. determinacji nakłada karę za każdą dodatkową zmienną objaśniającę ● Może przyjmować ujemne wartości ● Nie można go interpretować jako wyjaśnionej wariancji Kryterium informacyjne ● ● ● ● Kryterium Akaike'a (AIC – Akaike Information Criterion) Kryterium Schwarza (BIC – Bayesian I.C.) Kryterium Hannana-Quinna (HQC – HannanQuinn Criterion) Im mniejsza wartość, tym model lepiej tłumaczy modelowane zjawisko Test istotności ● ● Pozwala zbadać, na ile istotna jest zmienna objaśniająca w modelu Przyjmuje postać testu statystycznego ● ● ● ● Przyjęcie hipotezy zerowej oznacza, że zmienna wartość ma Statystyka ma rozkład t-Studenta o df = n – (k + 1) stopniach swobody Będziemy przyjmować poziom istotności Stosowanie testu istotności ● ● ● ● ● Jeśli wyznaczona dla parametru wartość statystyki jest większa co do modułu od wartości krytycznej na ustalonym poziomie istotności , czyli: To hipotezę zerową odrzucamy. W przeciwnym przypadku nie mamy podstaw do jej odrzucenia Wartości są stablicowane Nas interesuje, czy wartość parametru jest istotnie różna od zera, bo jeśli nie, to możemy taką zmienną wyeliminować z modelu, gdyż nic nie wnosi, jest nieistotna Empiryczny poziom istotności ● ● ● ● ● Oznaczana „wartość p” albo „p-value” Wyraża prawdopodobieństwo popełnienia błędu I rodzaju w przypadku rozważanej statystyki testowej Błąd I rodzaju – odrzucenie prawdziwej hipotezy zerowej Jest to najniższy poziom istotności, przy którym należy odrzucić hipotezę zerową Wygodny w stosowaniu sposób oceny istotności parametrów modelu: p-value ≤ 0,05 - odrzucamy hipotezę zerową Test RESET ● ● ● ● ● Regression Specification Error Test Test polega na dodaniu dodatkowych zmiennych i weryfikacji hipotezy zerowej, że współczynniki przy dodanych zmiennych są równe 0 Hipoteza zerowa zakłada poprawność funkcyjną modelu (tzn. współczynniki przy dodanych zmiennych są równe 0) Weryfikacji hipotezy dokonuje się za pomocą statystyki testu Walda o rozkładzie F-Snedecora Odrzucenie hipotezy zerowej może świadczyć zarówno o błędzie doboru postaci funkcyjnej jak i pominięciu ważnej zmiennej objaśniającej Współczynnik korelacji liniowej ● ● Miara siły z jaką dwie zmienne są od siebie liniowo zależne Zależność między kowariancją a współczynnikiem korelacji liniowej: Autokorelacja dodatnia i ujemna ● ● ● Z4 – macierz kowariancji składnika losowego jest macierzą skalarną Tzn. kowariancja poszczególnych składników losowych jest równa 0 Z tego wynika, że korelacja czynnika losowego jest równa 0 (korelacja to iloraz kowariancji i iloczynu odchyleń standardowych) Proces autokorelacji ● ● ● Proces autokorelacji pierwszego rzędu Autokorelacje badamy testem mnożnika Lagrange'a (w gretlu oznaczny LMF) Jeśli > 0 to mówimy o dodatniej autokorelacji, a gdy < 0 o ujemnej autokorelacji Test mnożnika Lagrange'a ● ● ● ● Test przebiega dwuetapowo: 1) szacujemy model i wyznaczamy jego reszty 2) następnie dołączamy p ostatnich reszt do modelu Hipoteza zerowa zakłada brak autokorelacji składnika losowego rzędu od 1 do p Statystyka testu ma rozkład swobody z 1 stopniem Test ma charakter asymptotyczny i sprawdza się najlepiej dla modeli o df>30 Heteroskedastyczność ● ● ● Różna wariancja składników losowych modelu Sprawia, że estymatory MNK przestają być najefektywniejsze Do badania heteroskedastyczności będziemy wykorzytywać test White'a Test White'a ● ● ● Również jest testem dwuetapowym: 1) szacujemy podstawowy model 2) szacujemy model z dodanymi kwadratami zmiennych i iloczynami wszystkich par, a zmienną objaśnianą są podniesione do kwadratu reszty wyjściowego modelu Hipotezą zerową jest założenie o homoskedastyczności składnika losowego Statystyka testu ma rozkład o liczbie stopni swobody równej liczbie zmiennych objaśniających równania testowego (z dołączonymi zmiennymi) HAC ● ● Heteroskedasticity and Autocorrelation Consistent Szacowanie modelu z uwzględnieniem heteroskedastyczności i autokorelacji składnika losowego ● Oszacowania pozostają bez zmian ● Korekcie ulega estymator macierzy kowariancji ● W efekcie zmienione zostaną oszacowania błędów