wariancji kowariancji dodatnio określona
Transkrypt
wariancji kowariancji dodatnio określona
Prace z Ekonometrii Autor: Autor: Michał Serwa pod redakcją prof. dr hab. inż. Jacka Mercika Temat: Alternatywne metody estymowania parametrów modeli liniowych - inne metody regresji. 1 Rozwiązanie: Problem estymacji parametrów liniowych modeli ekonometrycznych w warunkach niespełnienia pewnych założeń KMNK ( klasycznej metody najmniejszych kwadratów ) takich jak: - brak autokorelacji odchyleń losowych - stałość wariancji odchyleń losowych - nielosowy charakter zmiennych objaśniających przejawia się w zastosowaniu innych metod estymacji – metod regresji. Generalnie możemy stwierdzić, że metody te opierają się na KMNK, KMNK lecz ich specyfika opiera się na uwzględnieniu niespełnionych założeń podanych wyżej. 2 §1. Uogólniona metoda najmniejszych najmniejszych kwadratów. Powyższą metodę stosujemy podczas procesu szacowania parametrów modeli liniowych w przypadku niespełnienia założeń dotyczących: stałości wariancji odchyleń losowych lub braku autokorelacji odchyleń losowych danego modelu. Zauważmy, że macierz wariancji i kowariancji odchyleń losowych ma wtedy postać: V D 2 ( ε ) = σ 2V , gdzie: - dowolna dodatnio określona macierz symetryczna stopnia oraz σ2 n - nieznany stały parametr Wektor estymatorów ( ocen ) parametrów strukturalnych rozpatrywanego modelu liniowego określony jest wzorem: a = ( X T V −1 X ) X TV −1 y −1 . 3 Zauważmy, że powyższy wektor możemy otrzymać w następujący sposób: 1. Dobieramy macierz wagową P tak by spełniony był warunek: V −1 = PT P , a następnie wyznaczamy ważone obserwacje zmiennych za pomocą wzorów: y∗ = Py , X ∗ = PX 2. Wyznaczamy wektor wartości ocen ( estymatorów ) parametrów strukturalnych modelu liniowego postaci: a = ( X X ) X y . Jak łatwo zauważyć zastosowanie uogólnionej metody najmniejszych T ∗ −1 ∗ T ∗ ∗ kwadratów zależy w szczególności od znajomości macierzy V , która nie jest dana odgórnie. Przy zaistnieniu niestałości wariancji odchyleń losowych modelu macierz jest macierzą diagonalną postaci: v1 0 0 v 2 V = ⋯ ⋯ 0 0 0 ⋯ 0 ⋱ ⋯ ⋯ vn ⋯ 4 V wtedy macierz odwrotna do macierzy 1 0 v 1 1 0 −1 v2 V = ⋯ ⋯ 0 0 określona jest wzorem: V 0 ⋯ 0 ⋱ ⋯ 1 ⋯ vn ⋯ W takim razie odpowiadająca macierzy V macierz wagowa przedstawia P się formułą: P= 1 v1 0 ⋯ 0 1 v2 ⋯ 0 0 ⋱ 0 0 0 1 vn Przyjmując najprostsze założenia przyjmujemy, że wariancja odchyleń losowych jest proporcjonalna do wybranej zmiennej objaśniającej wtedy elementy macierzy V wynoszą: vt = xt 5 dla t = 1, 2,..., n . X , Wartości mogą być również zastąpione przez moduły reszt modelu vt oszacowanego na podstawie danych pierwotnych za pomocą KMNK w ten sposób, że: vt = et dla t = 1, 2,..., n . W przypadku autokorelacji odchyleń losowych zakładamy najczęściej, że ciąg elementów {ε } podlega procesowi autoregresji pierwszego rzędu: t dla ε t = ρε t −1 + ηt t = 1, 2,..., n Otrzymujemy wtedy, że: , gdzie: ρt = ρ τ ρ <1 . oraz macierz V stanowi macierz współczynników autokorelacji odchyleń losowych postaci: 1 ρ V = ⋯ n −1 ρ ρ 1 ρ2 ρ ⋯ ⋯ ρ n−2 ρ n −3 ⋯ ρ n −1 ⋯ ρ n−2 ⋯ ⋯ ⋯ 1 oraz macierz odwrotna do tej macierzy ma postać: 6 −ρ 0 ⋯ 0 0 0 1 − ρ 1 + ρ 2 −ρ ⋯ 0 0 0 2 0 − 1 + ⋯ 0 0 0 ρ ρ 1 V −1 = , 2 ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 1− ρ ⋯ 0 0 0 ⋯ −ρ 1 + ρ 2 −ρ 0 0 ⋯ 0 −ρ 1 0 natomiast macierz wagowa 1− ρ 2 −ρ 0 P= ⋯ 0 0 P określona jest wzorem: 0 0 ⋯ 0 0 1 0 ⋯ 0 0 −ρ 1 ⋯ 0 0 ⋯ ⋯ ⋯ ⋯ ⋯ 0 0 ⋯ −ρ 1 0 0 ⋯ 0 −ρ Estymator ( ocenę ) r 0 0 0 ⋯ 0 1 współczynnika autokorelacji ρ wyznaczamy n −1 na podstawie wzoru: r= ( n − k − 1) ∑ et et +1 t =1 n ( n − 1) ∑ e t =1 gdzie: ∧ et t =1,2,..., n , 2 t - reszty modelu estymowanego metodą najmniejszych kwadratów. Wariancja odchyleń losowych szacowana jest za pomocą wzoru: Se2 = 1 eT V −1e n − k −1 oraz macierz wariancji i kowariancji: D 2 ( a ) = Se2 ( X TV −1 X ) −1 . 7 §2. Metoda różniczki zupełnej. zupełnej. Metoda powyższa ma zastosowanie do estymowania ( szacowania ) parametrów modeli liniowych, gdy występuje autokorelacja odchyleń losowych pierwszego rzędu. Stosując tę metodę, zakładamy, że współczynnik autokorelacji pierwszego rzędu jest równy jedności. Schemat postępowania w tej metodzie przedstawia się następująco: 1. Zmienne pierwotne danego modelu są przekształcane za pomocą następujących wzorów: ∧ ∆yt = yt − yt −1 t =1,2,..., n ∧ ∧ ∆xti = xti − xt −1,i t = 2,3,..., n i = 0,1,..., k Za pomocą KMNK estymujemy ( szacujemy ) parametry strukturalne modelu: ∆Y = α1∆X 1 + α 2 ∆X 2 + ... + α k ∆X k + ∆ε wykorzystując wzór postaci: a∆ = ( ∆X T ∆X ) ∆X T ∆y −1 8 Składowe podanego wektora są ocenami ( estymatorami ): parametrów strukturalnych: Estymator a0 α1 , α 2 ,..., α k wyrazu wolnego α0 a1 , a2 ,..., ak . wyznaczamy ze wzoru: k a0 = y − ∑ ai xi i =1 . Wariancja odchyleń losowych szacowana jest według formuły: Se2 = n 1 et2 ∑ n − k − 1 t =1 , gdzie: ∧ et t =1,2,..., n - reszty modelu ze zmiennymi pierwotnymi Estymatorem ( oszacowaniem ) macierzy wariancji i kowariancji ocen parametrów strukturalnych jest macierz: gdzie: ∆X 1 D 2 ( a ) = Se2 ( ∆X 1T ∆X 1 ) −1 , - macierz pierwszych różnic zmiennych objaśniających, w której pierwsza kolumna to jedynki. 9 Zauważmy, że metoda różniczki zupełnej stanowi szczególny przypadek metody Cochrana – Orcutta. Z tą różnicą, że w metodzie Cochrana – Orcutta posługujemy się różnicami bieżących wartości zmiennych i wartości z okresów poprzednich ważonych współczynnikami autokorelacji odchyleń losowych, natomiast w metodzie różniczki zupełnej działamy na różnicach pierwotnych wartości zmiennych z sąsiednich jednostek czasu. §3. Metoda zmiennych instrumentalnych. Podczas procesu szacowania ( estymowania ) parametrów liniowego modelu ekonometrycznego z losowymi zmiennymi objaśniającymi wykorzystujemy metodę zmiennych instrumentalnych. 10 Poszukujemy w tym celu takich zmiennych: Z1 , Z 2 ,..., Z k nazywanych zmiennymi instrumentalnymi, które są silnie skorelowane z odpowiednimi zmiennymi objaśniającymi: X 1 , X 2 ,..., X k i w czasie estymacji modelu zastępują oryginalne zmienne objaśniające. Zauważmy, że macierz obserwacji zmiennych instrumentalnych ma postać: 1 1 Z = ⋯ 1 z11 z21 ⋯ zn1 ⋯ z1k z22 ⋯ z2 k ⋯ ⋯ ⋯ zn 2 ⋯ znk z12 . Wektor ocen ( estymatorów ) parametrów strukturalnych modelu otrzymany metodą zmiennych instrumentalnych dany jest wzorem: Wariancja resztowa ma postać: Se2 = 1 eT e n − k −1 a = (ZT X ) ZT y −1 . , natomiast estymator macierzy wariancji i kowariancji ocen parametrów strukturalnych określony jest wzorem: D 2 ( a ) = Se2 ( Z T X ) −1 ( Z Z )( Z X ) . T T −1 11 §4. Metoda największej największej wiarygodności. Podana metoda stanowi jedną z najbardziej uniwersalnych metod estymacji ( szacowania ) parametrów strukturalnych różnych klas rozpatrywanych modeli ekonometrycznych. Przyjmując założenie dotyczące normalności rozkładu odchyleń losowych konstruujemy funkcję wiarygodności postaci: ε Tε 1 L∗ = exp − 2 σ 2π 2σ n ε . Logarytmując powyższą funkcję otrzymujemy, że: n 1 ln L∗ = − ln ( 2πσ 2 ) − 2 ε T ε = L 2 2σ Niech: ε Tε = y − Xα . wtedy mamy: n 1 T L = − ln ( 2πσ 2 ) − 2 ( y − X α ) ( y − X α ) 2 2σ Po zróżniczkowaniu ostatniej zależności względem wektora α i przyrównaniu otrzymanych wyrażeń do zera otrzymujemy, że: 12 i parametru . σ2 1 2X T ( y − Xα ) = 0 2 2σ − n ⋅ 1 + 1 ⋅ 1 ( y − X α )T ( y − X α ) = 0 2 σ 2 2 σ 4 Po rozwiązaniu podanego układu równań mamy: estymatory ( oceny ) αˆ = ( X T X ) X T y −1 Zauważmy, że estymator α̂ oraz 1 n σˆ e2 = eT e . jest równy co do wartości parametrowi α otrzymanemu za pomocą KMNK Stąd zależność między oceną wariancji odchyleń losowych szacowanego metodą największej wiarygodności. W takim razie: σˆ e2 = n − k −1 2 Se n . 13 σˆ e2 modelu