wykład 1 - Wydział
Transkrypt
wykład 1 - Wydział
D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 ZASTOSOWANIA EKONOMETRII Budowa, estymacja, weryfikacja i interpretacja modelu ekonometrycznego. dr Dorota Ciołek Katedra Ekonometrii Wydział Zarządzania UG http://wzr.pl/~dciolek [email protected] 1 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Literatura Osińska M. (red.) (2007), Ekonometria współczesna, TNOiK, Toruń. Strzała, K., T. Przechlewski (2006), Ekonometria inaczej, wyd. III, Wydawnictwo Uniwersytetu Gdańskiego, Sopot. ” G.S Maddala (2006), Ekonometria, PWN, Warszawa. Kukuła, K. (red.) (2009), Wprowadzenie do ekonometrii w przykładach i zadaniach, PWN, Warszawa. Greene, W.H. (2008), Econometric analysis, Macmillan, New York. J.M.Wooldridge (2009), Introductory Econometrics. A modern approach. 2 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 I Model ekonometryczny Model ekonometryczny - jest podstawowym narzędziem w ekonometrii, służącym do analizy zależności zachodzących między różnymi zjawiskami. Model - jest uproszczonym odwzorowaniem rzeczywistości, uproszczoną reprezentacją realnego obiektu, realnej sytuacji lub realnego procesu. - uwzględnia tylko istotne cechy, najważniejsze z punktu widzenia określonego celu. - nie jest dokładną reprezentacją rzeczywistości. (Pawłowski 1978): „Model ekonometryczny jest to konstrukcja formalna, która za pomocą jednego równania lub układu równań przedstawia zasadnicze powiązania występujące pomiędzy rozpatrywanymi zjawiskami ekonomicznymi.” D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Ogólna postać modelu: y f ( x, ) y – zmienna objaśniana w modelu – endogeniczna, x – zmienne objaśniające, wyjaśniają kształtowanie się zmiennej endogenicznej, - składnik zakłócający, f( ) - oznacza postać analityczną funkcyjnej zależności miedzy zmienną endogeniczną i zmiennymi objaśniającymi. Zmienne objaśniające (w modelach jednorównaniowych): - zmienne egzogeniczne, - zmienne endogeniczne opóźnione w czasie. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Przykłady modeli o konkretnej postaci analitycznej: Model liniowy – regresja prosta: y t 0 1 xt t Model liniowy – regresja wieloraka: yt 0 1 xt1 2 xt 2 ... k xtk t - są to nieznane, stałe w czasie parametry strukturalne. 0 - parametr strukturalny wyrazu wolnego, i - parametry strukturalne przy zmiennych odzwierciedlają siłę i kierunek wpływu zmiennej objaśniającej na zmienną endogeniczną, i=1,2,…,k. k – liczba zmiennych objaśniających w modelu. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Klasyfikacja zmiennych w modelu: Zmienne egzogeniczne 1) y t 0 1 ct 2 s t 3 d t t 2) ct 0 1ct 1 2 d t t Zmienne endogeniczne 1) y t 0 1 ct 2 s t 3 d t t 2) ct 0 1ct 1 2 d t t D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Składnik zakłócający - losowy Przyczyny uwzględniania składnika losowego w modelu: - pominięcie niektórych czynników objaśniających (niektóre czynniki są nierozpoznane przez teorię, inne są niemierzalne), - wybór niewłaściwej postaci analitycznej funkcji; postać analityczna modelu zwykle nie jest dokładnie określona przez teorię ekonomii, - błędy w pomiarze zmiennych ekonomicznych, - losowy charakter zmiennych ekonomicznych. Składnik zakłócający jest zmienną losową i jak każda zmienna losowa charakteryzuje się pewnym rozkładem prawdopodobieństwa. Cechy rozkładu składnika zakłócającego są ważnym elementem modelu ekonometrycznego. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Zapis macierzowy modelu ekonometrycznego Dany jest liniowy model ekonometryczny: yt 0 1 xt1 2 xt 2 ... k xtk t t =1, 2, …, T, Ogólnie postać macierzową tego modelu można zapisać jako: gdzie: y X y – wektor obserwacji na zmiennej endogenicznej, X – macierz obserwacji na zmiennych objaśniających, - wektor parametrów strukturalnych, - wektor składników losowych. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Zapis macierzowy modelu ekonometrycznego y1 y 2 y y3 yT T 1 1 1 X 1 1 x11 x1k 1 x21 x2 k 2 x31 x3k 3 T xT 1 xTk T ( k 1) T 1 T – liczba obserwacji, 0 k – liczba zmiennych objaśniających, k+1 – liczba parametrów strukturalnych. 1 k ( k 1) 1 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Klasyfikacja modeli ekonometrycznych Przykład 2: gdzie: 1 2 Qi 0 K i Li e i Li – nakład pracy w i-tym przedsiębiorstwie (w osobach); Ki – wartość brutto zakładu lub fabryki (mln $); Qi – wartość dodana brutto wypracowana w i-tym przedsiębiorstwie (mln $). Model: - opisowy, - statyczny, - stochastyczny, - mikroekonomiczny, - nieliniowy, -* - jednorównaniowy, - przyczynowo–skutkowy. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Wybór postaci analitycznej modelu Model nieliniowy – funkcja analityczna jest nieliniowa ze względu na parametry. Model liniowy: Model nieliniowy: ln yt 0 1 ln xt 2 ln z t t 1 2 Qi 0 K i Li e i Wybór postaci analitycznej: - Zgodny z konkretną teorią ekonomiczną, - Wybierany metodą prób i błędów. - Na podstawie wykresu – regresja prosta. 11 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Logarytmy, czy poziomy zmiennych? logarytmy zmiennych, gdy: zmienna wyrażona jest w jednostkach pieniężnych (o wartościach dodatnich) – wynagrodzenie, sprzedaż firmy, wartość rynkowa firmy, Produkt Krajowy Brutto; zmienne o wysokich wartościach: wielkość populacji, całkowita liczba pracowników, współczynnik skolaryzacji, liczba kilometrów; poziomy zmiennych, gdy: zmienna wyrażona w liczbie lat: liczba lat edukacji lub doświadczenia, wiek; zmienna przyjmuje niewysokie wartości całkowite: liczba pokoi w domu, liczba osób w gospodarstwie domowym, liczba samochodów w gosp. domowym; zmienne sztuczne (zero-jedynkowe) reprezentujące zmienne jakościowe: płeć, poziom wykształcenia, przynależność do organizacji, położenie geograficzne. 12 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Logarytmy, czy poziomy zmiennych? Zmienne, które są proporcjami lub udziałami procentowymi: stopa bezrobocia, procent studentów, którzy zdali egzamin, stopień wykrywalności przestępstw kryminalnych – mogą występować albo w postaci poziomów, albo w logarytmach, chociaż częściej używa się poziomów. Uwaga: Przy interpretacji uważamy z procentami: Jeżeli bezrobocie wzrasta z 8 do 9 procent, oznacza to wzrost o jeden punkt procentowy, ale przyrost o 12,5 procent w stosunku do wartości początkowej. 13 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Logarytmy, czy poziomy zmiennych? Jedno ograniczenie: Logarytm zmiennej nie może być użyty jeżeli zmienna przyjmuje wartości ujemne lub jest równa zero. Dla zmiennej przyjmującej wartości zero rozwiązaniem może być zastosowanie log(1+y). (!) Używając zlogarytmowanej zmiennej musimy pamiętać, że wartości teoretyczne tego modelu są wartościami log(y) a nie y. (!) Nie można porównywać R-kwadrat wyznaczonych dla modeli, w których mamy różne zmienne objaśniające: log(y) i y. 14 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 II Interpretacja zależności (1) Parametr przeciętny: yt PP( yt , xti ) xti Parametr przeciętny określa ile jednostek zmiennej y przypada (w danym okresie t) na jednostkę zmiennej xi. Przykłady parametrów przeciętnych: • przeciętna skłonność do konsumpcji – określa ile jednostek konsumpcji przypada na jednostkę dochodu, • przeciętny koszt jednostkowy - określa jaki jest koszt przypadający w okresie t na jednostkę produkcji, • przeciętna produktywność (wydajność) kapitału oraz przeciętna wydajność pracy . 15 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Interpretacja zależności (2) Parametr krańcowy: yt PK ( y t , xti ) xti Parametr krańcowy określa o ile jednostek wzrośnie (spadnie) zmienna yt , gdy zmienna xti wzrośnie o jednostkę. Przykłady parametrów krańcowych: • krańcowa skłonność do konsumpcji - określa o ile jednostek wzrośnie konsumpcja, gdy dochód wzrośnie o jedną jednostkę, • koszt krańcowy , który określa przyrost kosztu całkowitego przypadający na jednostkowy przyrost produkcji, • krańcowa produktywność kapitału , która określa przyrost produkcji na skutek wzrostu nakładów kapitału o jednostkę. 16 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Interpretacja zależności (3) Elastyczność różnicowa: yt / yt PK ( yt , xti ) yt xti E ( yt , xti ) xti / xti PP( yt , xti ) xti yt Elastyczność zmiennej yt względem zmiennej xti, informuje o ile % wzrośnie (zmaleje) zmienna yt jeśli zmienna xti wzrośnie o 1%. Przykłady elastyczności: • elastyczność dochodowa konsumpcji, • elastyczność kosztów względem produkcji, • elastyczność produkcji względem kapitału, • elastyczność produkcji względem pracy. 17 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Interpretacja modelu liniowego Ogólny zapis statycznego modelu liniowego: yt 0 1 xt1 2 xt 2 ... k xtk t ; Przyrost krańcowy w tym modelu: (t 1,...,T ) yt PK ( yt , xt1 ) 1 xt1 Oznacza to, że: Parametry strukturalne w modelu linowym są przyrostami krańcowymi. Interpretacja: Jeżeli zmienna egzogeniczna xt1 wzrośnie o 1 jednostkę, a pozostałe zmienne objaśniające nie ulegną zmianie, to oczekujemy, że zmienna endogeniczna yt wzrośnie (spadnie) średnio o jednostek. 1 18 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Interpretacja modelu liniowego cd. Ogólny zapis statycznego modelu liniowego: yt 0 1 xt1 2 xt 2 ... k xtk t ; (t 1,...,T ) Elastyczność w tym modelu: yt xt1 1 xt1 E(yt , xt1 ) xt1 y t yt Oznacza to, że: Elastyczność w modelu linowym jest zmienna i zależy od początkowych wartości zmiennych modelu. Interpretacja: Przy danych wartościach zmiennych egzogenicznych, jednoprocentowy wzrost zmiennej xt1 spowoduje przyrost (spadek) zmiennej y średnio o E %, przy założeniu niezmienności pozostałych zmiennych. 19 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Interpretacja modelu potęgowego Ogólny zapis statycznego modelu potęgowego: 1 2 k t yt 0 xt1 xt 2 ... xtk e Przyrost krańcowy w tym modelu: yt yt PK ( yt , xt1 ) 1 xt1 xt1 Oznacza to, że: Przyrost krańcowy w modelu potęgowym jest zmienny i zależy od początkowych wartości zmiennych modelu. 20 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Interpretacja modelu potęgowego cd. Ogólny zapis statycznego modelu potęgowego: 1 2 k t yt 0 xt1 xt 2 ... xtk e Elastyczność w tym modelu: yt xti yt xti E(y t , xti ) i i xti y t xti yt Oznacza to, że: Parametry strukturalne w modelu potęgowym są elastycznościami cząstkowymi. Jest to model o stałych elastycznościach. Interpretacja: Jeżeli zmienna egzogeniczna xt1 wzrośnie o 1%, a pozostałe zmienne objaśniające nie ulegną zmianie, to oczekujemy, że zmienna endogeniczna yt wzrośnie (spadnie) średnio o %. 1 21 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Linearyzacja modelu potęgowego Ogólny zapis statycznego modelu potęgowego: 1 2 k t yt 0 xt1 xt 2 ... xtk e Postać modelu logarytmiczno-liniowa: ln yt ln 0 1 ln xt1 2 ln xt 2 ... k ln x tk t ; (t 1,...,T ) (Postać liniowa ze względu na parametry) 22 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Zapis macierzowy modelu potęgowego 1 ln x11 ln y1 1 ln x ln y 21 2 X 1 ln x31 y ln y3 1 ln xT 1 ln yT T 1 0 1 k ( k 1) 1 ln x1k 1 ln x2 k 2 ln x3k 3 ln xTk T ( k 1) T T 1 y X T – liczba obserwacji, k – liczba zmiennych objaśniających, k+1 – liczba parametrów strukturalnych. 23 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Interpretacja modelu wykładniczego Ogólny zapis statycznego modelu wykładniczego: yt e 0 1 xt 1 2 xt 2 ... k xtk t Przyrost krańcowy w tym modelu: yt PK ( yt , xt1 ) 1 yt xt1 Oznacza to, że: Przyrost krańcowy w modelu wykładniczym jest zmienny i zależy od początkowych wartości zmiennych modelu. 24 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Interpretacja modelu wykładniczego cd Ogólny zapis statycznego modelu wykładniczego: yt e 0 1 xt 1 2 xt 2 ... k xtk t Elastyczność w tym modelu: yt xt1 xt1 E(yt , xt1 ) 1 yt 1 x t1 xt1 y t yt Oznacza to, że: Elastyczność w modelu wykładniczym jest zmienna i zależy od początkowych wartości zmiennych modelu. 25 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Interpretacja modelu wykładniczego cd Ogólny zapis statycznego modelu wykładniczego: yt e 0 1 xt 1 2 xt 2 ... k xtk t Można wykazać, że: Jeżeli zmienna egzogeniczna xt1 wzrośnie o 1 jednostkę, a pozostałe zmienne objaśniające nie ulegną zmianie, to oczekujemy, że zmienna endogeniczna yt wzrośnie (spadnie) średnio o (e i 1) 100 i 100 %. 26 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Linearyzacja modelu wykładniczego Ogólny zapis statycznego modelu wykładniczego: yt e 0 1 xt 1 2 xt 2 ... k xtk t Postać modelu logarytmiczno-liniowa: ln yt 0 1 xt1 2 xt 2 ... k xtk t (Postać liniowa ze względu na parametry) 27 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Zapis macierzowy modelu wykładniczego ln y1 ln y 2 y ln y3 ln yT T 1 1 1 X 1 1 0 1 k ( k 1) 1 x11 x1k 1 x21 x2 k 2 x31 x3k 3 T xT 1 xTk T ( k 1) T 1 y X T – liczba obserwacji, k – liczba zmiennych objaśniających, k+1 – liczba parametrów strukturalnych. 28 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 III Estymacja modelu - MNK Oszacować (estymować) model oznacza znaleźć oceny parametrów strukturalnych na podstawie konkretnej próby. Metody szacowania parametrów strukturalnych: - Metoda Momentów, - Metoda Najmniejszych Kwadratów, - Metoda Największej Wiarygodności, - i wiele innych… Twierdzenie Gaussa-Markowa: W klasycznym modelu regresji liniowej najlepszym nieobciążonym estymatorem linowym parametrów jest estymator uzyskany Metodą Najmniejszych Kwadratów (MNK). D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Własności estymatorów Nieobciążoność – g jest nieobciążonym estymatorem , jeżeli E(g)= , co znaczy, gdy wartość oczekiwana w rozkładzie z próby g jest równa . Oznacza to, że gdybyśmy obliczali wartość g dla każdej z prób, którymi dysponujemy i powtarzali ten proces nieskończenie wiele razy, to średnia z uzyskanych ocen byłaby równa . Efektywność – estymator jest efektywny, jeżeli wartości g wyliczone dla różnych prób nie różnią się między sobą znacznie tzn. jeżeli wariancja estymatorów jest mała. Estymator z najmniejszą wariancją – najbardziej efektywny. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Własności estymatorów Zgodność – (własność dużych prób) zwiększanie liczebności próby umożliwia uzyskiwanie estymatora o wartości coraz bliższej szacowanego parametru, z prawdopodobieństwem bliskim jedności: lim P g 1 n Można wykazać, że: Metoda Najmniejszych Kwadratów jest estymatorem - nieobciążonym, - zgodnym, - najbardziej efektywnym w klasie estymatorów nieobciążonych. BLUE –Best Linear Unbiased Estimator D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Założenia MNK Założenia numeryczne – warunki stosowalności: 1) T > (k+1), czyli liczba obserwacji musi być większa niż liczba szacowanych parametrów. 2) r(X)=(k+1), czyli rząd macierzy X musi być równy liczbie szacowanych parametrów. Drugi warunek oznacza brak współlinowości zmiennych objaśniających, tzn. że zmienne objaśniające są liniowo niezależne, *(czyli nie tworzą ze sobą takiej kombinacji liniowej, która w wyniku daje wektor zerowy). D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Przykład współlinowości zmiennych: X1-liczba pracowników w przedsiębiorstwie, X2-liczba pracowników na stanowiskach kierowniczych, X3-liczba pracowników na stanowiskach niekierowniczych. X1=X2+X3, czyli X1-X2-X3=0 1 1 X 1 1 1 30 4 56 8 47 6 20 3 60 10 26 48 41 17 50 Rząd macierzy X=3 < k+1=4 Nie da się zastosować MNK! D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Założenia MNK Założenia stochastyczne (dotyczą składnika losowego): 1) 2) E t 0 dla wszystkich t - wartość oczekiwana składnika losowego jest równa zero. 2 t 2 dla wszystkich t – wariancja jest jednakowa dla wszystkich obserwacji - homoscedastyczność. 3) i i j są niezależne dla - składniki losowe dla różnych i j nie są skorelowane; brak obserwacji nie zależą od siebie, autokorelacji składników losowych. 4) xt i t są niezależne dla wszystkich t – zmienne objaśniające nie zależą od składnika losowego, tzn. zmienne objaśniające są nielosowe. 5) ~ N 0, 2 t losowy dla każdej obserwacji ma - składnik rozkład normalny. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Założenia MNK Jeżeli nie są spełnione założenia numeryczne – nie jesteśmy w stanie zastosować matematycznych formuł na MNK. Jeżeli nie są spełnione stochastyczne założenia 1), 2), 3), 4) estymator MNK, przestaje być BLUE, daje obciążone oceny parametrów strukturalnych. Założenie 5) nie ma znaczenia dla własności MNK. Jego spełnienie jest konieczne, aby można było zastosować testy statystyczne pozwalające sprawdzić wszystkie powyższe założenia. Większość testów statystycznych bazuje na złożeniu, że analizowana zmienna losowa ma rozkład normalny. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Model z jedną zmienną objaśniającą: yt 0 1 xt t to równanie opisuje, zachowanie rzeczywistych wartości zmiennej endogenicznych. MNK to metoda, która do punktów dopasowuje taką prostą, która przechodzi najbliżej wszystkich punktów równocześnie. Równanie prostej: yˆ t ˆ 0 ˆ1 xt to równanie opisuje, teoretyczne wartości zmiennej endogenicznych, (wartości, które leżą na dopasowanej prostej). D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 y yˆ t ˆ 0 ˆ1 xt ŷt ˆt yt x D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Odległość rzeczywistego punktu od prostej nazywana jest odchyleniem, albo resztą: ˆt yt yˆ t Reszta nie jest składnikiem losowym, jest to oszacowany składnik losowy (błąd) w modelu. Na szeregu reszt sprawdzane będą założenia stochastyczne. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Idea MNK MNK dopasowuje prostą do punktów, w taki sposób, aby odległości od wszystkich punktów były jednocześnie jak najmniejsze. Każda odległość podnoszona jest do kwadratu, ponieważ mają różne znaki. MNK minimalizuje sumę kwadratów odchyleń (reszt): T t 1 ˆ t 2 min yt yˆ t T t 1 2 T t 1 y t ˆ 0 ˆ1 xt 2 min D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Estymator MNK Po dokonaniu minimalizacji sumy kwadratów reszt otrzymujemy następującą macierzową formułę pozwalającą wyznaczyć oceny parametrów strukturalnych modelu liniowego MNK: ˆ X X ˆ T 1 T X y - wektor ocen parametrów strukturalnych y – wektor obserwacji na zmiennej endogenicznej, X – macierz obserwacji na zmiennych objaśniających. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 IV Weryfikacja modelu Weryfikacja ekonomiczna: - Sprawdzenie zgodności wyników oszacowania z teorią ekonomiczną. Weryfikacja ilościowa: - Sprawdzenie dobroci dopasowania modelu do danych rzeczywistych, - Sprawdzenie poprawności doboru postaci analitycznej modelu, - Sprawdzenie istotności zależności między zmienną endogeniczną a zmiennymi objaśniającymi. Weryfikacja stochastyczna: - Sprawdzenie prawdziwości założeń dotyczących składnika losowego – badanie własności estymatora MNK w tym modelu. - Sprawdzenie własności prognostycznych modelu. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Miary dopasowania 1) Błędy szacunku parametrów strukturalnych 2) Średni błąd resztowy (odchylenie standardowe reszt):ˆ określa o ile jednostek (in plus; in minus), przeciętnie rzecz biorąc, zaobserwowane wartości zmiennej objasnianej odchylają się od wartości teoretycznych (wyznaczonych na podstawie oszacowanego modelu) tej zmiennej. 3) Współczynnik zmienności losowej V ˆ y 100 Informuje o tym, jaki jest procentowy udział średniego błędu reszt w średniej wartości zmiennej endogenicznej. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Miary dopasowania 4) Współczynnik determinacji: R 2 informuje jaka część całkowitej zmienności zmiennej endogenicznej została ,,wyjaśniona'' przez model empiryczny. 5) Współczynnik zbieżności (indeterminacji): 2 Informuje, jaka część rzeczywistej zmienności zmiennej endogenicznej nie została ,,wyjaśniona'' przez model empiryczny, tj. kształtuje się pod wpływem czynników nieuwzględnionych w modelu empirycznym. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Efekt pozornego wyjaśniania Suma kwadratów reszt zależy od liczby zmiennych objaśniających w modelu – im większa liczba zmiennych tym mniejsza suma kwadratów reszt. W modelu z bardzo dużą ilością zmiennych objaśniających możemy uzyskać sumę kwadratów reszt = 0. Wartość współczynnik determinacji wzrasta wraz z dodawaniem nowych zmiennych objaśniających, niezależnie od tego czy nowe zmienne mają istotny wpływ na zmiany zmiennej endogenicznej. Oba współczynniki należy skorygować uwzględniając liczbę zmiennych objaśniających w modelu. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Syntetyczne miary dopasowania Korekta o liczbę stopni swobody: 6) Skorygowany współczynnik zbieżności (indeterminacji) 7) Skorygowany współczynnik determinacji Po uwzględnieniu liczby stopni swobody w modelu, informuje, jaka część całkowitej zmienności zmiennej endogenicznej została ,,wyjaśniona'' przez model empiryczny. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Syntetyczne miary dopasowania Wartość zwykłego współczynnika determinacji wzrasta wraz z dodawaniem do modelu nowej zmiennej objaśniającej. Wartość skorygowanego współczynnika wzrasta tylko wówczas, gdy dołączane zmienne mają istotny wpływ na zmienność zmiennej endogenicznej. Miary skorygowane: wykorzystuje się do porównywania różnych modeli, z różną liczbą zmiennych objaśniających. 2 Niewielka różnica miedzy R i ,,pozornego wyjaśnienia’’. R 2 świadczy o braku efektu D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Model regresji bez wyrazu wolnego Regresja przez początek układu współrzędnych: - gdy wymaga tego teoria ekonomiczna, - gdy wyraz wolny znika w wyniku przekształceń zmiennych. Konsekwencje: • Współczynnik determinacji może przyjmować wartości mniejsze niż 0 i wartości większe niż 100%. • Uzyskujemy niedoszacowane błędy szacunku parametrów strukturalnych. • Nie możemy korzystać z niektórych testów statystycznych. Współczynnik determinacji powinno się liczyć jako kwadrat współczynnika korelacji miedzy wartościami rzeczywistymi i teoretycznymi zmiennej endogenicznej. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Istotność parametrów strukturalnych 1) Test t-Studenta indywidualnej istotności parametru strukturalnego Hipotezy: H 0 : i 0 (i 0,1,...,k ) H A : i 0 Statystyka z próby: ˆi ti (i 0,1,...,k ) ˆ ˆ ( i ) Iloraz ten na rozkład: ti ~ tT k 1 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Istotność parametrów strukturalnych W hipotezie zerowej mamy równość stąd: obszar krytyczny jest obszarem dwustronnym Pole obszaru krytycznego w każdym teście jest równe poziomowi istotności (stąd konieczność podzielenia na 2). W teście t-Studenta H0 odrzucamy gdy: | t i | t / 2 Mówimy wówczas, że: Parametr statystycznie różni się od zera, jest statystycznie istotny. Zmienna objaśniająca stojąca przy tym parametrze ma statystycznie istotny wpływ na zmienną endogeniczną. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Istotność parametrów strukturalnych 2) Test F łącznej istotności parametru strukturalnego Hipotezy: H 0 : * 1 2 ... k 0 * H : 0 A Statystyka z próby: T k 1 R2 F * 2 k Statystyka na rozkład: F * ~ FTkk 1 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Estymacja przedziałowa Otrzymujemy: i ˆi P t / 2 t / 2 1 ˆ) ˆ ( i Pˆ t P t / 2ˆ (ˆi ) i ˆi t / 2ˆ (ˆi ) 1 i ˆ ) ˆ t ˆ (ˆ ) 1 ˆ ( /2 i i i /2 i Jest to przedział ufności dla parametru strukturalnego. Z prawdopodobieństwem równym współczynnikowi ufności, powyższy przedział zawiera nieznany parametr strukturalny i D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Weryfikacja stochastyczna: - Weryfikacja hipotezy o braku autokorelacji składników losowych. - Weryfikacja hipotezy o stałości wariancji składników losowych. - Weryfikacja hipotezy o normalności rozkładu składnika losowego. Jeżeli powyższe hipotezy są prawdziwe wówczas: estymator MNK parametrów strukturalnych liniowego modelu ekonometrycznego jest estymatorem nieobciążonym, zgodnym i najbardziej efektywnym w klasie estymatorów nieobciążonych – BLUE. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Skutki autokorelacja składników losowych - MNK przestaje być BLUE – nadal jest estymatorem nieobciążonym, ale przestaje być najefektywniejszy. - Wariancja resztowa staje się obciążonym estymatorem wariancji składników losowych. - Obciążone i nieefektywne stają się estymatory błędów szacunku parametrów strukturalnych. - Błędne są wyniki testów istotności. - Niewiarygodne syntetyczne miary dopasowania. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Testowanie występowania autokorelacji Testowanie zachowania składników losowych przeprowadzamy na szeregu reszt uzyskanych z modelu oszacowanego MNK. 3) Test Durbina-Watsona - Służy do badania autokorelacji rzędu pierwszego Statystyka z próby: ˆ ˆ ) 2 ( t 2 t t 1 T DW T t 1 ˆ 2 DW 0,4 t Jeżeli DW 0,2 w modelu podejrzewamy występowanie autokorelacji dodatniej, wówczas hipotezy testu: H 0 : 1 0 H A : 1 0 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Testowanie występowania autokorelacji Jeżeli DW 2, 4 w modelu podejrzewamy występowanie autokorelacji ujemnej, wówczas hipotezy testu: H 0 : 1 0 H A : 1 0 W takim przypadku wyliczamy nową wartość statystyki: DW * 4 DW W obu przypadkach z tablic testu Durbina-Watsona odczytujemy dwie wartości krytyczne (dla liczby obserwacji T i liczby zmiennych objaśniających k): dl du D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Testowanie występowania autokorelacji Reguła decyzyjna: * - Jeżeli ( DW lub DW ) d l , to odrzucamy hipotezę zerową. * - Jeżeli ( DW lub DW ) du , brak podstaw do odrzucenia hipotezy zerowej. - Jeżeli d l ( DW lub DW * ) d u , to wartość statystyki znajduje się w tzw. obszarze niekonkluzywności testu, test DW nie daje odpowiedzi, czy w modelu występuje autokorelacja składników losowych. Relacja między statystyką DW a współczynnikiem autokorelacji: DW 2(1 ˆ1 ) D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Testowanie występowania autokorelacji Warunki stosowania testu Durbina-Watsona: - W modelu musi występować wyraz wolny. - Zmienne objaśniające muszą być nielosowe. - Wśród zmiennych objaśniających nie może znajdować się zmienna endogeniczna opóźniona w czasie. - Liczba obserwacji powinna być wystarczająco duża: im mniejsza liczba obserwacji tym szerszy przedział niekonkluzywności testu. Należy pamiętać, że test DW bada tylko autokorelację rzędu pierwszego (pomiędzy sąsiednimi obserwacjami). D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Sposoby eliminacji autokorelacji z modelu 1) Rozpoznanie przyczyn występowania autokorelacji i odpowiednia zmiana konstrukcji modelu: - dołączenie nowej zmiennej objaśniającej, - zdynamizowanie modelu, bądź zmiana opóźnień, - dołączenie zmiennej lub funkcji tej zmiennej, by wyodrębnić nadzwyczajny efekt czynnika losowego, - zmianie postaci analitycznej modelu, - redukcji liczby zmiennych objaśniających (zmniejszenie efektów pozornego wyjaśnienia), - dołączeniu zmiennej cyklicznej dwuokresowej. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Sposoby eliminacji autokorelacji z modelu 2) Zastosowanie innej niż MNK metody szacowania parametrów strukturalnych – Uogólnione Metody Najmniejszych Kwadratów. Metody te polegają na odpowiednim przekształceniu pierwotnych obserwacji zmiennych modelu, tak by wyeliminować z nich autokorelację i następnie na oszacowaniu modelu MNK D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Testowanie heteroskedastyczności Z własności numerycznych MNK wynika, że reszty są nieskorelowane ze zmiennymi objaśniającymi. Dlatego bada się np. zależność reszt od wartości zmiennych podniesionych do kwadratów, do potęgi trzeciej itd. – różne testy. 4) Test White’a W jednej z wersji wykorzystuje regresję kwadratów reszt ze względu na stałą i kwadraty wartości teoretycznej zmiennej endogenicznej: 2 2 ˆ ˆ t 0 1 yt ut Badamy, czy parametr α1 jest statystycznie istotny. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Testowanie heteroskedastyczności Hipotezy testu: H o : 2t 2 t 1, 2,...,T H A : 2t 2s ts Ho odrzucamy, gdy parametr α1 okaże się statystycznie istotny, tzn. że wartości reszt wzrastają lub zmniejszają się wraz ze wzrostem wartości wszystkich zmiennych objaśniających w modelu – wariancja reszt nie jest stała. Statystyka testu W wyliczana w pakietach komputerowych ma dwie wersje: 2 2 Dla dużych prób: ~ 1 Dla małych prób: F ~ F (1, T 2) D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Skutki heteroskedastyczności - Estymator MNK parametrów strukturalnych nadal jest estymatorem nieobciążonym, ale staje się nieefektywny. - Obciążone oceny błędów szacunku parametrów strukturalnych. - Niewiarygodne wyniki testów istotności. Sposoby rozwiązania problemu - Stosujemy Ważoną Metodę Najmniejszych Kwadratów (WMNK). - Wykorzystujemy tzw., deflatory, które zmieniają poziom wartości zmiennych. - Transformujemy dane do postaci logarytmicznej. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Normalność rozkładu składnika losowego Stosując wszystkie powyższe testy zakładaliśmy, że badana zmienna, a zatem składnik losowy, ma rozkład normalny. Testowanie normalności rozkładu t Test Jarque,a-Bery W rozkładzie normalnym: miara skośności S=0 miara kurtozy K=3 2 4 3 K 2 S 3 2 2 gdzie 2 , 3 , 4 - drugi, trzeci i czwarty moment centralny rozkładu. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Normalność rozkładu składnika losowego Hipotezy testu: H 0 :t ~ N H A : t nie ma N Statystyka z próby: S 2 K 32 JB T 24 6 2 (2) . Statystyka ma asymptotycznie rozkład Prawostronny obszar krytyczny określony przez (2) . 2 Test ma zastosowanie tylko dla dużych prób. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Normalność rozkładu składnika losowego W przypadku niespełniania założenia o normalności: - Zmodyfikować metody uwzględniając inny, lepszy w danym przypadku rozkład: gamma, log-normalny, itd. - Dokonać transformacji zmiennych (np. zlogarytmować, podnieść do potęgi) tak, aby uzyskać rozkład normalny. Przykładem takiej transformacji jest transformacja Boxa-Coxa. D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Testowanie poprawności wyboru postaci analitycznej Test Ramseya (RESET - test) Testuje, czy postać liniowa jest poprawna, czy też należałoby wybrać wielomian wyższego stopnia. W jednej z wersji testu sprawdzane jest, czy podniesione do kolejnych potęg wartości teoretyczne zmiennej endogenicznej nie są pominiętymi zmiennymi w modelu. p yt 0 1 xt1 ... k xtk 2 ( yˆ t ) 3 ( yˆ t ) .... p ( yˆ t ) t 2 Hipotezy testu: H 0 : 2 3 ... p 0 H : 0 A i i 3 D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Testowanie poprawności wyboru postaci analitycznej Statystyka dla dużych prób: (k ) ( k p 1) asymp. S S 2 2p 1 ( ) ~ p 1 S (k ) / T (k ) gdzie: ( S ) - suma kwadratów reszt z modelu bez wartości teoretycznych y. ( S ( k p 1) ) - suma kwadratów reszt z modelu poszerzonego. Statystyka dla małych prób: {S ( k ) S ( k p 1) } /(k p 1 k ) asymp. p 1 F ~ FT k p 2 ( k p 1) S /(T k p 2) D. Ciołek ZASTOSOWANIA EKONOMETRII – wykład 1 Do wszystkich testów statystycznych Prawdopodobieństwo empiryczne – p-value, wartość-p Jest to prawdopodobieństwo przyjęcia przez statystykę wartości nie mniejszej od uzyskanej wartości statystyki z próby, przy założeniu, że hipoteza zerowa jest prawdziwa. Reguła decyzyjna: p value - brak podstaw do odrzucenia H0. p value - odrzucamy H0. Inaczej p value oznacza poziom istotności powyżej którego należy odrzucić hipotezę zerową.