Prognoza punktowa ex post (1) - E-SGH
Transkrypt
Prognoza punktowa ex post (1) - E-SGH
Ekonometria WYKŁAD 4 Piotr Ciżkowicz Katedra Międzynarodowych Studiów Porównawczych Plan Czym się zajmiemy: 1. Prognozowanie na podstawie modelu ekonometrycznego 2. Modele liniowe i nieliniowe – przykłady Prognozowanie – podstawowe pojęcia (1) ►Prognozowanie (albo predykcja) to określanie nieznanych wartości zmiennej objaśnianej na podstawie modelu ekonometrycznego opisującego kształtowanie się wartości tej zmiennej ►Prognozowanie na podstawie wyestymowanego modelu wymaga aby: ► model był pozytywnie zweryfikowany (w szczególności nie było podstaw do podejrzewania braku stabilności modelu) ► zasadna jest ekstrapolacja wartości zmiennych objaśniających i objaśnianej na okres poza próbą ►Przy takich założeniach prognoza jest nieobciążona tzn. wartość oczekiwana odchylenia prognozy od rzeczywistej wartości oczekiwanej zmiennej objaśnianej jest równa 0 Prognozowanie – podstawowe pojęcia (2) ►Dla oszacowanego modelu wartość zmiennej objaśnianej na okres 0, odpowiednio, rzeczywista i prognozowana na podstawie modelu wynosi ►Błąd prognozy wynosi wtedy: ►Ponieważ zachodzi oraz to Prognozowanie – podstawowe pojęcia (3) ►Źródła błędów prognozy: ►Błąd estymacji - oszacowane parametry różne od prawdziwych ►Błąd losowy – wartość składnika losowego w okresie prognozy różna od 0 ►Błąd struktury stochastycznej – niespełnione założenia MNK ►Błąd warunków endogenicznych – zmiana warunków kształtowania się zmiennej objaśnianej ►Błąd warunków egzogenicznych - błędne założenia odnośnie do kształtowania się zmiennych egzogenicznych ►Błąd pomiaru – zmiana danych na podstawie których oszacowany był model Prognozowanie – podstawowe pojęcia (4) ► Dekompozycja prognozy Prognoza punktowa ex ante ► Prognoza punktowa: lub: ►Błąd prognozy ex ante oblicza się według wzoru: ►W celu sprowadzenia go do porównywalnych kategorii wyraża się jego wartość w odniesieniu do wartości prognozowanej zmiennej otrzymując względny błąd prognozy ex ante Prognoza przedziałowa ex ante ► Jeśli spełnione jest założenie o normalności rozkładu składnika losowego, to zmienna losowa ma rozkład t-Studenta z n-(k+1) stopniami swobody ►Dla zadanego poziomu ufności przedział ufności to: Prognoza punktowa ex post (1) ►Prognoza ex post wyznaczana jest wtedy, gdy znane są rzeczywiste wartości zmiennej objaśnianej ► Celem wyznaczania prognozy ex post jest analiza własności prognostycznych modelu ►Badanie własności prognostycznych opiera się na kilku rodzajach miar błędów prognoz: ►Średni błąd predykcji (mean error – ME) – główan wada: zmniejszanie wartości błędów dodatnich przez ujemne ►Średni błąd absolutny (mean absolute error - MAE) porównanie z ME pozwala wykryć systematyczne różnice Prognoza punktowa ex post (2) ►Błąd średniokwadratowy (meand square error – MSE), w praktyce posługujemy się jego pierwiastkiem (RMSE); duże róznice w stosunku do MAE wskazują na pojawianie się bardzo dużych błędów prognozy ►Średni absolutny błąd procentowy (mean absolute percentage error - MAPE) Prognoza punktowa ex post (3) ►Współczynnik Theila – MSE odniesiony do sumy kwadratów wartości rzeczywistych ► Współczynnik Theila i MSE można zdekomponować na trzy elementy, wskazujące trzy różne źródła powstawania błędu prognozy ►systematyczne obciążenie prognozy: ►Mała elastyczność modelu względem zmian wartości zmiennej objaśnianej ►Błąd niesystematyczny: Prognoza punktowa ex post (4) ►Współczynnik rozbieżności U: nadaje się do porównywania własności prognostycznych modeli o różnych wartościach zmiennej objaśnianej, gdyż przyjmuje wartości z przedziału [0,2] Modele liniowe ►Modele liniowe względem parametrów i zmiennych np.: ►Modele liniowe względem parametrów, lecz nieliniowe względem zmiennych np.: lub w postaci ogólnej: ►Jeśli funkcja g (y)=y, to model jest bezpośrednio liniowy względem parametrów , w przeciwnym przypadku model jest linearyzowany np. lub po zlinearyzowaniu: Typowe modele liniowe wzg. parametrów ►Modele bezpośrednio liniowe: ► Modele funkcji kwadratowej (zależność U-kształtna) ►Model ze zmiennymi interakcyjnymi ► Modele linearyzowane: ►Model potęgowy: ► Model wykładniczy: ► Model hiperboliczny: Interpretacja parametrów regresji w modelach z logarytmami ►Model liniowy : poziom – poziom - wyjaśnione wcześniej ►Model logarytmiczny : poziom – logarytm Interpretacja: wzrost x o 1% prowadzi do wzrostu y o ► Model wykładniczy : logarytm– poziom Interpretacja: wzrost x o 1 prowadzi do wzrostu y o ► Model potęgowy: logarytm– logarytm Interpretacja: wzrost x o 1% prowadzi do wzrostu y o jednostek Co oznacza przyrost logarytmu? ►Wyrażenie oznacza tempo wzrostu zmiennej x ►Dla zmiennej przekrojowej oznacza natomiast procentowy przyrost zmiennej x ►Dowód: ►Z rozwinięcia Taylora mamy stąd dla mamy: Elastyczność a logarytmy ►Elastyczność cząstkowa zmiennej y po zmiennej x dana jest wzorem: ►Dowód: oznaczając u=lny, v=lnx, x=e^lnx=e^v otrzymujemy Interpretacja parametru w wykładniczym modelu trendu ►W modelu postaci parametr stojący przy zmiennej t oznacza stopę wzrostu zmiennej y ►Dowód: co ze wzoru Maclaurina jest równe Przykład modelu ściśle nieliniowego – funkcja logistyczna ►Funkcja logistyczna to funkcja określona wzorem ►Wykres funkcji logistycznej postaci Przykład modelu ściśle nieliniowego – funkcja logistyczna ►Własności funkcji logistycznej: ► parametr jest poziomem nasycenia zmiennej y, gdyż zachodzi : ► dla t= 0 funkcja przyjmuje ► punktem przegięcia funkcji jest ►funkcję można sformułować w innej wersji, w której przyjmuje wartość nasycenia równą 1, stąd nadaje się do modelowania prawdopodobieństwa (podstawa tzw. modelu logistycznego) Dziękuję za uwagę