Ekonometria - cz. 2. - Wydział Zarządzania i Ekonomii
Transkrypt
Ekonometria - cz. 2. - Wydział Zarządzania i Ekonomii
Dr hab. Jerzy Czesław Ossowski – Wybrane elementy ekonometrii stosowanej cz. II Istotność zmiennych modelu, autokorelacja i modele multiplikatywne Ekonometria-ćw.cz2-SSW dr hab. Jerzy Czesław Ossowski Katedra Nauk Ekonomicznych Wydział Zarządzania i Ekonomii Politechniki Gdańskiej EKONOMETRIA - ELEMENTY EKONOMETRII STOSOWANEJ – CZĘŚĆ II MATERIAŁY DO PRACY WŁASNEJ - CZĘŚĆ II BADANIE ISTOTNOŚCI ZMIENNYCH, AUTOKORELACJA, MODELE MULTIPLIKATYWNE 8. Badanie istotności zmiennych w modelu regresji liniowej • Rozpatrywany model [por. (16) i (36.a) i (61)]: (79) yt = β 0 + β 1 xt 1 + β 2 xt 2 + ε t • Pełny zapis oszacowanej postaci modelu (79) uwzględniający błędy szacunku parametrów [por.: (77)]: (80) yˆ t = βˆ 0 + βˆ1 ⋅ xt 1 + βˆ1 ⋅ x t 2 [ S ( βˆ 1 )] [ S ( βˆ 0 )] [ S ( βˆ 2 )] Dowodzi się, że jeżeli zmienna losowa εt ma rozkład normalny o średniej wartości równej zero (Eεt=0) i stałej wariancji (Eεt2= σε2 =const.), to zmienna losowa: βˆ − β i (81) ti = i S ( βˆ ) i ma rozkład t-Studenta o [n-(k+1)] stopniach swobody. Wykorzystując powyższą prawidłowość dokonać możemy weryfikacji hipotezy zerowej (H0) zakładającej zerową wartość parametru βi na rzecz hipotezy alternatywnej (H1) uznającej dodatnią lub ujemną wartość tegoż parametru, co zapiszemy następująco: H0 : βi = 0 H1 : β i ≠ 0 W warunkach hipotezy zerowej statystyka (81) przyjmie następującą postać: βˆ i (82) ti = , ( β i = 0) S ( βˆ i ) Obliczoną na podstawie (82) wartość empiryczną ti konfrontujemy z wartością krytyczną tα odczytaną z tablic rozkładu t-Studenta dla liczby swobody [n-(k+1)] oraz arbitralnie ustalonego poziomu istotności α (alfa). Konfrontacja ta prowadzić może do jednej z dwu następujących sytuacji decyzyjnych: A: t i > tα t i ≤ tα Obecnie powiemy, że: B: • • W przypadku A odrzucamy hipotezę zerową (H0) na rzecz hipotezy alternatywnej (H1). Oznacza to, że parametr βi statystycznie istotnie różni się od zera. Możemy tym samym uznać, że zmienna xti występująca przy parametrze βi statystycznie istotnie oddziałuje na zmienną objaśnianą yt. W przypadku B nie mamy podstaw do odrzucenia hipotezy zerowej (H0). Oznacza to, że parametr βi nie różni się w sensie statystycznym istotnie od zera. Powinniśmy tym samym uznać, że zmienna xti występująca przy parametrze βi w sensie statystycznym nieistotnie oddziałuje na zmienną objaśnianą yt. Przykład 4. (kontynuacja przykładu 1, 2 i 3 z części I) Rozważ następujący model i jego oszacowaną postać dla n=8 obserwacji: yt = β 0 + β 1 x t + ε t , gdzie: yt : kwartalne koszty produkcji w milionach złotych xt : kwartalna produkcja telewizorów w tyś. sztuk yˆ t = 1,2 + 0,8 x t , (pod ocenami zamieszczono średnie błędy szacunku parametrów) ( 0 , 23 ) ( 0 ,021) 1 Dr hab. Jerzy Czesław Ossowski – Wybrane elementy ekonometrii stosowanej cz. II Istotność zmiennych modelu, autokorelacja i modele multiplikatywne Wiedząc, że wartośćkrytyczna statystyki t-Studenta dla 6-ciu stopni swobody i założonego poziomu istotności α=0,05 wynosi: tα=0,05 = 1,943: 1. Postawić hipotezę zerową i alternatywną dotyczącą parametru β1 i wyjaśnić sens postawionych hipotez, 2. Wyznaczyć wartość empiryczną statystyki t1 w warunkach postawionej hipotezy zerowej. 3. Zbadać istotność oddziaływania zmiennej xt na zmienną yt w założonych warunkach 4. Przedyskutować problem wystąpienia rozwiązania przeciwnego wobec rozwiązania otrzymanego w punkcie 3. Ad 1 Hipoteza zerowa i alternatywna: H 0: β 1 = 0 H 0: β 1 ≠ 0 W warunkach, gdy nie ma podstaw do odrzucenia H0 powiemy, że parametr β1 statystycznie nieistotnie różni się od zera. Tym samym musielibyśmy uznać, że wzrost zmiennej xt (produkcji telewizorów) nie wywoła żadnych istotnych zmian zmiennej yt (w zakresie kosztów produkcji). Oznaczałoby to, że zmienna xt w sensie statystycznym nieistotnie oddziałuje na zmienną yt. Innymi słowy właściwości materiału statystycznego nie pozwalają na wiarygodną, nie obdarzoną dużymi błędami ocenę parametru strukturalnego. W przypadku odrzucenia hipotezy zerowej na rzecz hipotezy alternatywnej powiedzielibyśmy, że parametr β1 statystycznie istotnie różni się od zera. Tym samym moglibyśmy uznać, że wzrost zmiennej xt (produkcji telewizorów) wywołuje statystycznie istotny wpływ na zmienną yt (koszty produkcji). Ad 2 Wartość empiryczna statystyki t1 w warunkach postawionej hipotezy zerowej: βˆ − [ β 1 = 0] βˆ1 0,8 t1 = 1 = = = 38,1 ˆ ˆ 0 ,021 S(β1 ) S (β1 ) Ad 3 Na podstawie dokonanych obliczeń stwierdzamy, że: t1 = 38,1 = 38,1 Oznacza to, że: t1 = 38,1 > tα = 1,943 , tym samym hipotezę zerową odrzucamy na rzecz hipotezy alternatywnej. Powiemy więc, że w rozważanym przypadku parametr β1 statystycznie istotnie różni się od zera. Mamy tym samym prawo uznać, że zmienna xt (poziom produkcji telewizorów) wywołuje statystycznie istotny wpływ na zmienną yt (koszty produkcji). Należy zaznaczyć, iż w rozważanym przypadku prawdopodobieństwo uznania hipotezy fałszywej za prawdziwą jest równe α=0,05. Ad 4 Gdybyśmy stwierdzili, że: t1 ≤ tα = 1,943 musielibyśmy przychylić się w kierunku hipotezy zerowej. W tych warunkach powiedzielibyśmy, że nie ma podstaw do odrzucenia hipotezy zerowej. Wskazywałoby to, że parametr β1 statystycznie nieistotnie różni się od zera. Tym samym musielibyśmy uznać, że wzrost zmiennej xt (produkcji telewizorów) nie wywoła żadnych istotnych zmian zmiennej yt (w zakresie kosztów produkcji). (patrz punkt 1). 9. Autokorelacja składników losowych – pojęcie, przyczyny i pomiar 9.1. Pojecie autokorelacji składników losowych • Rozpatrywany model [por. (16) i (36.a), (61) (79)]: (83) yt = β 0 + β 1 xt 1 + β 2 xt 2 + ε t Autokorelacja składników losowych wystąpi wtedy, gdy składniki zakłócające z kolejnych okresów oddziaływają na siebie. Siłę tego związku określa współczynnik autokorelacji składników losowych. Podstawę autokorelacji wyznacza współczynnik autokorelacji pierwszego rzędu: cov(ε t , ε t − 1 ) E (ε t ⋅ ε t − 1 ) (84) = ; ( Eε t2 = Eε t2− 1 = δ ε2 = const .) ρ1 = var(ε t ) Eε t2 9.2. Podstawowe przyczyny autokorelacji składników losowych: a) niewłaściwa postać analityczna modelu ( np. postać liniowa modelu zamiast nieliniowej), b) nieuwzględnienie w modelu istotnych w sensie ekonomicznym zmiennych objaśniających, które w okresie próby statystycznej wykazywały nielosową zmienność ( wyraźne tendencje zmian), c) niewłaściwe określenie w modelu opóźnień czasowych w zbiorze zmiennych objaśniających lub ich nieuwzględnienie w przypadku, gdy istnieją ku temu przesłanki, d) powolne wygasanie efektów działania składnika zakłócającego (losowego), 2 Dr hab. Jerzy Czesław Ossowski – Wybrane elementy ekonometrii stosowanej cz. II Istotność zmiennych modelu, autokorelacja i modele multiplikatywne e) w przypadku posługiwania się danymi miesięcznymi, kwartalnymi lub półrocznymi - nieuwzględnienie w modelu funkcji określającej efekty sezonowe lub niewyeliminowanie sezonowości w danych statystycznych (np. zastosowanie przyrostów rocznych zmiennych). 9.3. Pomiar autokorelacji składników losowych: Z uwagi na fakt, iż składniki losowe nie są obserwowalne, przy pomiarze autokorelacji składników losowych posługujemy się resztami modelu, uznając je za ocenę ich realizacji. W rezultacie ocenę współczynnika autokorelacji definiuje się następująco: n ∑ (εˆ ⋅ εˆ ) (85) ρˆ 1 = t = 2 n t 2t − 1 ∑ t =1 εˆt W praktyce, przy weryfikacji autokorelacji składników losowych nie korzysta się z powyższego wyrażenia, gdyż statystyki oparte na nim nie uwzględniałyby liczby zmiennych objaśniających w modelu. Tych mankamentów pozbawiona jest statystyka Durbina-Watsona: n ∑ (εˆ − εˆ ) 2 (86) DW = t = 2 nt 2t − 1 ∑ t =1 εˆt Warto zauważyć, że istnieje pewien przybliżony związek pomiędzy wyrażeniem (85) a (86), który zapisać możemy następująco: DW ≅ 2(1 − ρˆ 1 ) (87) Z powyższego wynika, że: A. ρˆ 1 = 1 ⇒ DW ≅ 0 ρˆ 1 = 0 ⇒ DW ≅ 2 ρˆ 1 = −1 ⇒ DW ≅ 4 B. C. Oznacza to, że jeżeli statystyka empiryczna DW przyjmuje wartość bliską 2, to może wstępnie uznać, iż autokorelacja jest nieistotna. Szacując model w sytuacji, gdy 1,5<DW<2,5, wstępnie możemy uznać go za satysfakcjonujący z punktu widzenia autokorelacji. Jak wykazali Durbin i Watson, rozkład statystyki DW dla liczby obserwacji n i liczby zmiennych k zawiera się miedzy dwiema innymi statystykami dL i dU, gdzie pierwsza jest kresem dolnym a druga kresem górnym w tej staystyc. Aby wykorzystać właściwości testu formułujemy następująco zapisane hipotezy konkurencyjne względem siebie: H 0: ρ1 = 0 H 1: ρ1 > 0 Rozważyć możemy trzy następujące sytuacje: I. DW < dL II. dL ≤ DW ≤ dU III. DW > dU W przypadku I hipotezę zerową odrzucamy na rzecz hipotezy alternatywnej, co wskazuje na silną dodatnią autokorelację W przypadku II test nie daje odpowiedzi, w kierunku której z hipotez należy się przychylić (test jest niekonkluzywny). W przypadku III przychylamy się w kierunku hipotezy zerowej, uznając brak dodatniej autokorelacji między składnikami zakłócającymi. Tabela II.1 Przykład wartości krytycznych rozkładu DW k 1 2 3 n dL dU dL dU dL dU 6 0,610 1,400 7 0,700 1,356 0,467 1,896 8 0,763 1,332 0,559 1,777 0,368 2,287 9 0,824 1,320 0,629 1,699 0,455 2,128 ... ... ... ... ... ... ... Przykład 5 (kontynuacja przykładu 1 i 2) 1. 2. 3. Wykorzystując informacje statystyczne i oszacowania z przykładu 1 i 2 oszacować i zinterpretować: Empiryczną wartość statystyki DW Zweryfikować hipotezy dotyczące autokorelacji składników losowych rozpatrywanego w przykładzie 1 modelu , Przedyskutować problem wystąpienia rozwiązania przeciwnego wobec rozwiązania otrzymanego w punkcie 2. 3 Dr hab. Jerzy Czesław Ossowski – Wybrane elementy ekonometrii stosowanej cz. II Istotność zmiennych modelu, autokorelacja i modele multiplikatywne Tabela II.2 t εˆt 1 2 3 4 5 6 7 8 0,1 -0,1 0,1 0,1 -0,2 -0,1 -0,3 0,4 0,0 εˆt − 1 εˆt − εˆt − 1 (εˆt − εˆt − 1 ) 2 - - - 0,1 -0,1 0,1 0,1 -0,2 -0,1 -0,3 - -0,2 0,2 0,0 -0,3 0,1 -0,2 0,7 - εˆt2 0,01 0,01 0,01 0,01 0,04 0,01 0,09 0,16 0,34 0,04 0,04 0,00 0,09 0,01 0,04 0,49 0,71 Ad 1 Empiryczna wartość statystyki DW (Durbina-Watsona): n=8 ∑ (εˆ − εˆ ) 2 0,71 = 2,088 DW = t = 2 nt= 8 2t − 1 = 0,34 ∑ t =1 εˆt Zauważ, że: DW 2 Oznacza to, że w analizowanym przypadku współczynnik autokorelacji reszt pierwszego rzędu w przybliżeniu wynosi: DW 2,088 ρˆ 1 ≅ 1 − = 1− = 1 − 1,044 = −0,044 2 2 Ad 2 Weryfikujemy następująco zdefiniowaną hipotezę zerową względem jej alternatywy: H0: ρ1=0 H0: ρ1>0 Z tablic rozkładu DW odczytujemy wartości krytyczne dL i dU dla liczby obserwacji n=8 oraz liczby zmiennych objaśniających k=1 przy poziomie istotności α=0,05. Wartości te wynoszą odpowiednio: dL = 0, 763, dU = 1,332 Z uwagi na fakt, iż: DW = 2,088 > dU = 1,332 Przychylamy się w kierunku H0 uznając, iż dodatnia autokorelacja składników losowych jest nieistotna (wykluczamy wystąpienie dodatniej autokorelacji). Ad.3 Przypadek 3.a: Gdybyśmy stwierdzili, że: DW < dL = 0,763 wówczas odrzucilibyśmy hipotezę zerową na rzecz hipotezy alternatywnej, Świadczyłoby to, iż w rozpatrywanym przypadku należałoby uznać istotne dodatnie skorelowanie składników losowych (jest to tzw. dodatnia autokorelacja składników losowych). Przypadek 3.b: Gdybyśmy stwierdzili, że: dL = 0,763 < DW < dU = 1,332 wówczas oznaczałoby to, iż test jest niekonkluzywny, a tym samym nie pozwala na przychylenie się w kierunku którejś z postawionych hipotez. DW ≅ 2(1 − ρˆ 1 ) ⇒ ρˆ 1 ≅ 1 − 10. Modele multiplikatywne – podstawy 10.1 Multiplikatywne modele potęgowe • Przykład potęgowego modelu multiplikatywnego: yt = B0 ⋅ x tβ11 ⋅ xtβ22 ⋅ e ε t • Postać zlinearyzowana modelu (88): (89) ln yt = β 0 + β 1 ln x t 1 + β 2 ln xt 2 + ε t ; ( β 0 = ln B0 ) (88) 4 Dr hab. Jerzy Czesław Ossowski – Wybrane elementy ekonometrii stosowanej cz. II Istotność zmiennych modelu, autokorelacja i modele multiplikatywne • Właściwości interpretacyjne modeli potęgowych: I.A. Uwagi dotycząca pomiaru elastyczności w modelu o ogólnej postaci: y = y(x) Pojęcie elastyczności przedziałowej zmiennej y ze względu na x: Ey(x)=[∆y/y(x)]/(∆x/x), gdzie: ∆x=x1-x0; ∆y=y(x1)- y(x0) Powiemy, że jeżeli zmienna x wzrośnie o 1% to zmienna y zmieni się o około Ey(x)%. Zauważ, że funkcję elastyczności przekształcić możemy do następującej postaci: Ey(x)=[∆y/ ∆x]·[x/ y(x)] Oznacza to, że w granicy elastyczność punktowa będzie równa: Ey(x)=lim∆x→0[∆y/ ∆x]·[x/ y(x)]= [dy/ dx]·[x/ y(x)] I.B. Przypadek funkcji potęgowej z jedną zmienną objaśniającą: y = A xa, gdzie: dy/dx = (a/x)·A xa Oznacza to, że Ey(x)= [dy/dx]·[x/y(x)]= (a/x)·A xa [x/ A xa] = a Oznacza to, że w przypadku funkcji potęgowej elastyczność jest stała i ponadto równa wykładnikowi potęgi. Powiemy więc, że jeżeli zmienna x wzrośnie o 1% to, zmienna y zmieni się (wzrośnie lub zmaleje) o a%. II. Uwagi dotyczące pomiaru elastyczności w modelach potęgowych o ogólnej postaci: y = A xa zb Wykorzystując właściwości różniczki zupełnej, na podstawie powyższego modelu w następujący sposób określamy związek pomiędzy względną zmianą zmiennej y a względnymi zmianami zmiennych x i z: dy/y = a·(dx/x) + b·(dz/z) Oznacza to, że: 1. w warunkach stałości zmiennej z (tzn. dz=0) wzrost x o 1% prowadzi do zmiany zmiennej y o a%, tym samym parametr a jest elastycznością cząstkową y ze względu na x : Ey(x)=(dy/y)/(dx/x), w warunkach gdy dz=0, 2. w warunkach stałości zmiennej x (tzn. dx=0) wzrost z o 1% prowadzi do zmiany zmiennej y o b%, tym samym parametr b jest elastycznością cząstkową y ze względu na z : Ey(z)=(dy/y)/(dz/z), w warunkach gdy dx=0. Przykład 6 [modyfikacja modelu z przykładów 1,2 i 3 – przypadek modelu potęgowego(multiplikatywnego)] Rozważ następującą zmodyfikowaną postać modelu z przykładu 1 (cz.1): yt = B0 x tβ 1 e ε t Celem oszacowania parametrów strukturalnych powyższego modelu dokonano jego linearyzacji poprzez jego obustronne zlogarytmowanie: ln y t = β 0 + β 1 ln x t + ε t , ( β 0 = ln B0 ) Powyższą postać modelu oszacowano za pomocą estymatora MNK i otrzymano następujące wyniki: ln yˆ t = 0,276 + 0,848 ln xt (pod ocena parametru β1 zamieszczony jest średni błąd szacunku) ( 0 ,0227 ) DW = 1,875 R2 = 0,996 Odpowiednie wartości krytyczne statystyk t- Studenta i Durbina-Watsona wynoszą odpowiednio: [ tα=0,05 = 1,943 ], [dL = 0, 763, dU = 1,332] Na podstawie powyższych informacji: 1. Zinterpretować współczynnik determinacji, 2. Zbadać istotność oddziaływania zmiennej xt na zmienną yt, 3. Zweryfikować hipotezy dotyczące autokorelacji składników losowych , 4. Oszacowaną postać modelu sprowadzić do postaci pierwotnej i zinterpretować wpływ zmiennej xt na zmienną yt. (zinterpretować oszacowaną elastyczność) Ad 1 Na podstawie współczynnika determinacji R2 = 0,996 powiemy, że 99,6 % zmienności zmiennej objaśnianej (logarytmu kosztów produkcji) zostało wyjaśnione przez zmienną objaśniającą modelu (logarytm poziomu produkcji telewizorów). 5 Dr hab. Jerzy Czesław Ossowski – Wybrane elementy ekonometrii stosowanej cz. II Istotność zmiennych modelu, autokorelacja i modele multiplikatywne Ad 2 Weryfikujemy hipotezę zerową względem jej następująco zdefiniowanej alternatywy: H 0: β 1 = 0 H 0: β 1 ≠ 0 Wartość empiryczna statystyki t1 w warunkach postawionej hipotezy zerowej wynosi: βˆ1 0,848 t1 = = = 37,36 ˆ 0 ,0227 ˆ σ ( β1 ) Na podstawie dokonanych obliczeń stwierdzamy, że: t1 = 37,36 = 37,36 Oznacza to, że: t1 = 37,36 > tα = 1,943 , tym samym hipotezę zerową odrzucamy na rzecz hipotezy alternatywnej. Powiemy więc, że w rozważanym przypadku parametr β1 statystycznie istotnie różni się od zera. Mamy tym samym prawo uznać, że zmienna xt (wielkość produkcji telewizorów) wywołuje statystycznie istotny wpływ na zmienną yt (koszty produkcji). Jednocześnie możemy powiedzieć, iż w rozważanym przypadku prawdopodobieństwo uznania hipotezy fałszywej za prawdziwą jest równe α=0,05. Ad 3. Weryfikujemy następująco zdefiniowaną hipotezę zerową względem jej alternatywy: H0: ρ1=0 H0: ρ1>0 Z uwagi na fakt, iż: DW = 1,875 > dU = 1,332 Przychylamy się w kierunku H0 uznając, iż dodatnia autokorelacja składników losowych jest nieistotna (wykluczamy możliwość wystąpienia dodatniej autokorelacji składników losowych). Ad.4 Sprowadzenie postaci zlogarytmowanej modelu do jego postaci pierwotnej ln yˆ t = 0,276 + 0,848 ln xt ⇒ yˆ t = e 0,276 xt0,848 ( 0,0227) Elastyczność kosztów ze względu na poziom produkcji: dyˆ / yˆ dyˆ yˆ E yˆ ( x ) = t t = t : t = 0,848 dxt / x t dx t xt Powiemy, że jeżeli produkcja telewizorów wzrośnie o 1% to koszty produkcji wzrosną o około 0,848% z przeciętnym błędem 0,023%. Zauważ, że elastyczność możemy wyrazić alternatywnie w postaci: a) pochodnej logarytmicznej w punkcie funkcji: d ln yˆ t E yˆ ( x ) = = 0,848 d ln xt b) lub relacji przyrostów logarytmów zmiennych w przedziale funkcji: ∆ ln yˆ t E yˆ ( x ) = = 0,848 ∆ ln xt Problem 9. (kontynuacja problemu 8 z cz. I materiałów) Zinterpretuj multiplikatywny model całkowitej konsumpcji globalnej oraz jego zlinearyzowanej postaci oszacowanej na podstawie informacji zawartych w tabeli 3 z części I. • Postać strukturalna modelu: β CON t = B0 ⋅ PKBN tβ 1 ⋅ e ε t • Postać zlinearyzowana modelu: ln CON t = β 0 + β 1 ⋅ ln PKBN t + ε t , ( β 0 = ln B0 ) • Oszacowana postać zlinearyzowanego modelu: ln COˆ N = 0,596 + 0,884 ⋅ PKBN t • ( 0,151) ( 0,022) t Podstawowe miary dopasowania modelu do rzeczywistości: R2 = 0,996 DW=1,951 6 Dr hab. Jerzy Czesław Ossowski – Wybrane elementy ekonometrii stosowanej cz. II Istotność zmiennych modelu, autokorelacja i modele multiplikatywne Odpowiednie wartości krytyczne statystyk: [ tα=0,05 = 1,895 ], [dL = 0,824 dU = 1,32] 10.2 Multiplikatywne modele potęgowo-wykładnicze • Przykład potęgowo-wykładniczego modelu multiplikatywnego: yt = B0 ⋅ xtβ 1 ⋅ e β 2 ⋅ t ⋅ e ε t • Postać zlinearyzowana modelu (88): (91) ln yt = β 0 + β 1 ln x t + β 2 t + ε t (90) • Właściwości interpretacyjne potęgowo-wykładniczego modelu multiplikatywnego. III. Uwagi dotyczące właściwości interpretacyjnych modeli potęgowo-wykładniczych o postaci: (1) yt = A xta eb·t (t=1,2,3,...) A) Zauważmy, że w dowolnym okresie t wzrost x o 1% prowadzi do zmiany zmiennej y o a%, tym samym parametr a jest elastycznością cząstkową y ze względu na x w okresie t: Ey(x)=(dy/y)/(dx/x)=a. B) Zauważmy, że w warunkach stałości zmiennej x funkcję (1), dla kolejnych okresów: t-1 i t, zapisać możemy następująco: (2.1) yt-1 = A0 eb·(t-1) (2.2) yt = A0 eb·t gdzie: A0 = A·xt-1a = A·xta jako , że: xt-1=xt =const. dla t= 1,2,3... Wiedząc, że: ∆yt=yt-yt-1 oraz dzieląc (2.2) przez (2.1) otrzymujemy kolejno: (3.2) [(yt-1+∆yt)/yt-1] = eb (3.3) [1+(∆yt/yt-1)]= eb (3.1) [yt/yt-1] = eb, Ostatecznie otrzymujemy miernik tempa zmian y w postaci okresowej stopy wzrostu zmiennej y (ryt): ∆yt/yt-1 = eb -1 ≈ b (4) ryt: Na podstawie (4) powiemy, że w warunkach stałości zmiennej x, z okresu na okres zmienna y wzrasta (lub maleje) o (eb -1)·100%, czyli w przybliżeniu o b·100%. Przykład 7 [modyfikacja modelu z przykładów 1,2,3 i 6– przypadek modelu multiplikatywnego potęgowo-wykładniczego Rozważ następującą zmodyfikowaną postać modelu z przykładu 1 i 6 (cz.1): yt = B0 ⋅ xtβ 1 ⋅ e β 2 ⋅ t ⋅ e ε t Celem oszacowania parametrów strukturalnych powyższego modelu dokonano jego linearyzacji poprzez jego obustronne zlogarytmowanie: ln yt = β 0 + β 1 ln x t + β 2 t + ε t , ( β 0 = ln B0 ) Powyższą postać modelu na podstawie danych statystycznych z przykładu 1 oszacowano za pomocą estymatora MNK i otrzymano następujące wyniki: ln yˆ t = 0,638 + 0,593 ln x t + 0,045 ⋅ t (pod ocena parametru β1 i β2 zamieszczono ich średnie błędy szacunku) ( 0 ,195 ) ( 0 , 0345 ) R2 = 0,997 DW = 2,0166 Odpowiednie wartości krytyczne statystyk t- Studenta i Durbina-Watsona wynoszą odpowiednio: [ tα=0,05 = 2,015 ], [dL = 0,559, dU = 1,772] Na podstawie powyższych informacji: 1. Zinterpretować współczynnik determinacji, 2. Zbadać istotność oddziaływania zmiennej xt i t na zmienną yt, 3. Zweryfikować hipotezy dotyczące autokorelacji składników losowych , 4. Oszacowaną postać modelu sprowadzić do postaci pierwotnej i zinterpretować wpływ zmiennej xt oraz t na zmienną yt. (zinterpretować oszacowaną elastyczność i warunkową stopę wzrostu) Ad 1 Na podstawie współczynnika determinacji R2 = 0,997 powiemy, że 99,7 % zmienności zmiennej objaśnianej (logarytmu kosztów produkcji) zostało wyjaśnione przez zmienną objaśniającą modelu (logarytm ilości telewizorów). Ad 2 Weryfikujemy hipotezę zerową względem jej następująco zdefiniowanej alternatywy: H 0: β 1 = 0 H 0: β 1 ≠ 0 Wartość empiryczna statystyki t1 w warunkach postawionej hipotezy zerowej wynosi: βˆ1 0,593 t1 = = = 3,04 ˆ σˆ ( β 1 ) 0,195 7 Dr hab. Jerzy Czesław Ossowski – Wybrane elementy ekonometrii stosowanej cz. II Istotność zmiennych modelu, autokorelacja i modele multiplikatywne Na podstawie dokonanych obliczeń stwierdzamy, że: t1 = 3,04 = 3,04 Oznacza to, że: t1 = 3,04 > tα = 2,015 , tym samym hipotezę zerową odrzucamy na rzecz hipotezy alternatywnej. Powiemy więc, że w rozważanym przypadku parametr β1 statystycznie istotnie różni się od zera. Mamy tym samym prawo uznać, że zmienna xt (wielkość produkcji telewizorów) w dowolnym okresie t wywołuje statystycznie istotny wpływ na zmienną yt (koszty produkcji). Jednocześnie możemy powiedzieć, iż w rozważanym przypadku prawdopodobieństwo uznania hipotezy fałszywej za prawdziwą jest równe α=0,05. Weryfikujemy hipotezę zerową względem jej następująco zdefiniowanej alternatywy: H 0: β 2 = 0 H 0: β 2 ≠ 0 Wartość empiryczna statystyki t2 w warunkach postawionej hipotezy zerowej wynosi: βˆ 2 0,045 = = 1,304 t2 = ˆ S ( β 2 ) 0,0345 Na podstawie dokonanych obliczeń stwierdzamy, że: t 2 = 1,304 = 1,304 Oznacza to, że: t 2 = 1,304 < tα = 2,015 , tym samym przy przyjętym poziomie istotności nie ma podstaw do odrzucenia hipotezy zerowej. Powiemy więc, że w rozważanym przypadku parametr β2 nie wykazuje statystycznie istotnej różnicy od zera. Mamy tym samym prawo uznać, że zmienna czasowa t nie wpływa statystycznie istotnie zmienną yt (koszty produkcji). Ad 3. Weryfikujemy następująco zdefiniowaną hipotezę zerową względem jej alternatywy: H0: ρ1=0 H0: ρ1>0 Z uwagi na fakt, iż: DW = 2,0166 > dU = 1,772 przychylamy się w kierunku H0 uznając, iż dodatnia autokorelacja składników losowych jest nieistotna (wykluczamy możliwość wystąpienia dodatniej autokorelacji składników losowych). Ad.4 Sprowadzenie postaci zlogarytmowanej modelu do jego postaci pierwotnej ln yˆ t = 0,638 + 0,593 ln x t + 0,045 ⋅ t ⇒ yˆ t = e 0, 276 xt0,848 e 0,045⋅ t ( 0 ,195 ) ( 0 , 0345 ) Elastyczność kosztów produkcji ze względu na poziom produkcji: dyˆ / yˆ dyˆ yˆ E yˆ ( x ) = t t = t : t = 0,593 dx t / xt dx t x t Powiemy, że w dowolnym okresie t, jeżeli produkcja wzrośnie o 1% to koszty produkcji wzrosną o około 0,93% z przeciętnym błędem 0,195%. Warunkowa stopa wzrostu kosztów produkcji (tzn., w warunkach stałości poziomu produkcji): ∆yˆ t ryˆ t = = (e 0,045 − 1) = 0,046 ⇒ ryˆ t % = 4,6% yˆ t − 1 Powiemy, że w warunkach stałości produkcji (xt=const.) przeciętna roczna stopa wzrostu ich kosztów produkcji wynosiła 4,6%. Można byłoby to tłumaczyć między innymi wzrostem cen czynników produkcji (np. cen energii, paliw lub płac). 11. Przyczynowo-skutkowy model płac realnych – usuwanie przyczyn autokorelacji Problem 10 Zinterpretuj przyczynowo-skutkowy multiplikatywny model poziomu przeciętnej płacy realnej w Polsce oszacowany na podstawie danych rocznych z lat 1995-2009. Założenie do przyczynowo-skutkowego modelu płac: • Przeciętny poziom realnej płacy (W) w danym okresie jest dodatnio uzależniony od poziomu przeciętnej wydajności pracy (APL) z danego okresu oraz ujemnie uzależniony od odpowiednio opóźnionej w czasie stopy bezrobocia (UR): Wt = W ( APLt , AURt − i ) , (+ ) (−) 8 Dr hab. Jerzy Czesław Ossowski – Wybrane elementy ekonometrii stosowanej cz. II Istotność zmiennych modelu, autokorelacja i modele multiplikatywne AURt - uśredniona w roku t stopa bezrobocia, i - stopień opóźnienia w czasie t oddziaływaniu stopy bezrobocia na poziom płacy realnej Postać strukturalna modelu multiplikatywnego: gdzie: • • • Wt = B0 ⋅ APLβt 1 ⋅ AURtβ−21 ⋅ e ε t Zlinearyzowana ostateczna postać modelu: ln W t = β 0 + β 1 ln APLt + β 2 ln AURt − 1 + ε t Oszacowana postać zlinearyzowanego modelu dla lat 1995- 2009: ln Wˆ = 4,968+ 0,661 ln APL − 0,12 ln AUR t ( 0 , 084 ) ( 0 ,0205 ) t ( 0 , 015 ) t −1 • Podstawowe miary dopasowania modelu do rzeczywistości: R2 = 0,990 DW=1,691 Odpowiednie wartości krytyczne statystyk dla n=14 obserwacji: [ tα=0,05 = 1,895 ], [dL = 0,905 dU = 1,551] • Informacje o stopniu zmienności zmiennych występujących w modelu Stopa bezrobocia (UR) oraz usredniona stopa bezrobocia w Polsce w latach 1995-2009 21 UR 19 AUR 17 15 13 11 9 7 5 1995r 1996r 1997r 1998r 1999r 2000r 2001r 2002r 2003r 2004r 2005r 2006r 2007r 2008r 2009r Indeksy płac realnych (IW), wydajnosci pracy (IAPL) oraz uśrednionej stopy bezrobocia (IAUR) w Polsce w latach 1995-2009 1,8 IW 1,6 1,4 IAPL IAUR 1,2 1 0,8 0,6 0,4 1995r 1996r 1997r 1998r 1999r 2000r 2001r 2002r 2003r 2004r 2005r 2006r 2007r 2008r 2009r Problem 11 – przyczyny autokorelacji Uwzględniając graficzne informacje o zmiennych występujących w przyczynowo-skutkowym modelu płac, oceń przyczyny autokorelacji i sposoby usunięcia przyczyn, na podstawie następujących wersji modelu płac w konfrontacji z ostateczna wersją modelu przedstawioną w problemie 10. 9 Dr hab. Jerzy Czesław Ossowski – Wybrane elementy ekonometrii stosowanej cz. II Istotność zmiennych modelu, autokorelacja i modele multiplikatywne Wersja 1. Model płac uwzględniający w zbiorze zmiennych objaśniających jedynie wydajność pracy: ln Wˆ = 4,54 + 0,689 ln APL t ( 0 ,163 ) ( 0 , 046 ) R2 = 0,945 t DW=0,502 Wersja 2. Model płac uwzględniający w zbiorze zmiennych objaśniających wydajność pracy oraz nieopóźnioną zmienną stopy bezrobocia. ln Wˆ = 4,875+ 0,670 ln APL − 0,099 ln AUR t ( 0 ,138 ) ( 0 ,0314 ) R2 = 0,977 t ( 0 ,0244 ) t DW=0,643 ZADANIA DO CZĘŚCI II Zadanie 4 (kontynuacja zadania 1, 2 i 3 z części I materiałów ) (patrz: przykład 4) Rozważ następujący model i jego oszacowaną postać dla n =6 obserwacji: yt = β 0 + β 1 x t + ε t , gdzie: yt : konsumpcja globalna (bez konsumpcji zbiorowej) gospodarstw domowych w [mld. zł.] wartość PKB [mld.zł] xt : yˆ t = 0,1 + 0,5 xt , (pod ocenami zamieszczono średnie błędy szacunku parametrów) ( 0 , 08 ) ( 0 ,074 ) Wiedząc, że wartośćkrytyczna statystyki t-Studenta dla 4-ch stopni swobody i założonego poziomu istotności α=0,05 wynosi: tα=0,05 = 2,132: a. Postawić hipotezę zerową i alternatywną dotyczącą parametru β1 i wyjaśnić sens postawionych hipotez, b. Wyznaczyć wartość empiryczną statystyki t1 w warunkach postawionej hipotezy zerowej. c. Zbadać istotność oddziaływania zmiennej xt na zmienną yt w założonych warunkach. d. Przedyskutować problem wystąpienia rozwiązania przeciwnego wobec rozwiązania z punktu 3. Zadanie 5 (kontynuacja zadania 1, 2 i 3 z części I materiałów ) (patrz: przykład 5) Wykorzystując informacje statystyczne i oszacowania z zadania 1 i 2 części I, oszacować i zinterpretować: 1. Empiryczną wartość statystyki DW. 2. Zweryfikować hipotezy dotyczące autokorelacji składników losowych rozpatrywanego w zadaniu 1 modelu wiedząc, że dla liczby obserwacji n=6 oraz liczby zmiennych objaśniających k=1 przy poziomie istotności α=0,05. wartości krytyczne wynoszą odpowiednio: dL = 0,61 i dU = 1,40 3. Przedyskutować problem wystąpienia rozwiązania przeciwnego wobec rozwiązania z punktu 2 Tabela II.4 t εˆt εˆt − 1 εˆt − εˆt − 1 (εˆt − εˆt − 1 ) 2 εˆt2 1 2 3 4 5 6 -0,10 0,05 0,10 -0,05 0,05 -0,05 0,00 Zadanie 6 (kontynuacja zadania 1, 2 i 3 z części I materiałów ) (patrz: przykład 6) Rozważ następującą zmodyfikowaną postać modelu z zadania 1 (cz.1): yt = B0 x tβ 1 e ε t Celem oszacowania parametrów strukturalnych powyższego modelu dokonano jego linearyzacji poprzez jego obustronne zlogarytmowanie: ln y t = β 0 + β 1 ln x t + ε t , ( β 0 = ln B0 ) Powyższą postać modelu oszacowano za pomocą estymatora MNK i otrzymano następujące wyniki: ln yˆ t = −0,506 + 0,96 ln x t (pod ocena parametru β1 zamieszczony jest średni błąd szacunku) ( 0 ,159 ) R2 = 0,901 DW = 1,937 Odpowiednie wartości krytyczne statystyk t- Studenta i Durbina-Watsona wynoszą odpowiednio: [ tα=0,05 = 2,132 ], [dL = 0,61 dU = 1,40] 10 Dr hab. Jerzy Czesław Ossowski – Wybrane elementy ekonometrii stosowanej cz. II Istotność zmiennych modelu, autokorelacja i modele multiplikatywne Na podstawie powyższych informacji: 1. Zinterpretować współczynnik determinacji, 2. Zbadać istotność oddziaływania zmiennej xt na zmienną yt, 3. Zweryfikować hipotezy dotyczące autokorelacji składników losowych, 4. Oszacowaną postać modelu sprowadzić do postaci pierwotnej i zinterpretować wpływ zmiennej xt na zmienną yt. (zinterpretować oszacowaną elastyczność) DODATEK I Przyczynowo-skutkowy model zapotrzebowania na pracę Model wyjściowy: (1) Lt = B0 eα ⋅ t K tβ 1 Ytβ 2 , (α < 0, β 1 < 0, β 2 > 0) (2) Lt − 1 = B0 eα ⋅( t − 1) K tβ−11Ytβ−21 , gdzie: L –zatrudnienie, K – kapitał rzeczowy, Y – PKB Model stopy wzrostu zapotrzebowania na pracę: (3) rLt = α + β 1 ⋅ rK t + β 2 rYt gdzie stopy wzrostu zatrudnienia, kapitału rzeczowego i produktu krajowego: (3.1) rLt = ( ∆Lt / Lt − 1 ) ≅ ∆ ln Lt = ln Lt − ln Lt − 1 (3.2) (3.3) rK t = ( ∆K t / K t − 1 ) ≅ ∆ ln K t = ln K t − ln K t − 1 rPKBt = ( ∆Yt / Yt − 1 ) ≅ ∆ ln Yt = ln Yt − ln Yt − 1 , ( PKBt ≡ Yt ) Roczne stopy wzrostu PKB (rPKB), zatrudnienia (rAL) i kapitału rzeczowego (rAK) 8 rPKB 6 rAL rAK 4 2 0 -2 -4 r 10 20 r 09 20 r 08 20 r 07 20 r 06 20 r 05 20 r 04 20 r 03 20 r 02 20 r 01 20 r 00 20 r 99 19 r 98 19 r 97 19 r 96 19 Wniosek: Mała zmienność stopy wzrostu kapitału sprowadza model 3 do uproszczonej postaci: rLt = α 0 + α 1 ⋅ X 05 t + β ⋅ rPKBt + ε t (4) gdzie X05t jest zmienna zero-jedynkową przyjmującą następujące wartości: - X05t =0 w latach 1996-2004, - X05t =1 w latach 2005-2010, Oszacowana postać modelu (4) dla okresu od 1996 r. do 2010 (n=15): ∧ (5) rLt = − 3,81+ 1,69 X 05 t + 0,82 rPKBt ( 0 ,58 ) ( 0 ,43 ) ( 0 ,12 ) 2 R = 0,843; σˆ ε = 0,81; DW = 1,708 11 Dr hab. Jerzy Czesław Ossowski – Wybrane elementy ekonometrii stosowanej cz. II Istotność zmiennych modelu, autokorelacja i modele multiplikatywne A) Model dla lat 1996-2004 (X05=0): ∧ (6.1) rLt = −3,81 + 0,82 ⋅ rPKBt B) Model dla lat 2005-2010 (X05=0): ∧ (6.2) rLt = −2,12 + 0,82 ⋅ rPKBt Wnioski: 1). W latach 1996 do 2010 wzrost rocznej stopy wzrostu PKB o 1 punkt % prowadził do przyrostu rocznej stopy wzrostu zatrudnienia o o 0,82 p-ktu procentowego, 2.1) W latach 1996-2004 w warunkach zerowego wzrostu PKB (rPKB=0) stopa wzrostu zatrudnienia malała średniorocznie o 3,81%. 2.2) W latach 2005-2010 w warunkach zerowego wzrostu PKB (rPKB=0) stopa wzrostu zatrudnienia malała średniorocznie o 2,12%. Wyznaczanie granicznej stopy wzrostu PKB: A) dla lat 1996-2004: ∧ (7.1) rLt = 0 ⇒ 3,81 = 0,82 ⋅ rPKB I* ⇒ rPKB I* = 3,81 / 0,82 = 4,65% B) dla lat 2005-2010: ∧ (7.2) * rLt = 0 ⇒ 2,12 = 0,82 ⋅ rPKB II * ⇒ rPKB II = 2,12 / 0,82 = 2,6% Powiemy, że: A) w latach 1996-2004, aby nastąpił wzrost zatrudnienia, PKB powinien wzrastać w rocznym tempie przekraczającym 4,65%, B) w latach 2005-2010, aby nastąpił wzrost zatrudnienia, PKB powinien wzrastać w rocznym tempie przekraczającym 2,6%. DODATEK II Globalny popyt konsumpcyjny – analiza przyczynowo skutkowa Tabela1.1. Nominalne i realne globalne wydatki konsumpcyjne na tle realnego Produktu Krajowego Brutto w Polsce w latach 1995 -2011 (w mld złotych) ROK CON ICK RCON PKB IPKB URCON% 1995r 266,8 1,0000 266,8000 337,2000 1,000 79,1222 1996r 340,3 1,1991 283,8073 358,1064 1,062 79,2522 1997r 414,8 1,3777 301,0846 383,3964 1,137 78,5309 1998r 479,3 1,5403 311,1776 402,6168 1,194 77,2888 1999r 536,9 1,6527 324,8550 420,8256 1,248 77,1947 2000r 607,2 1,8197 333,6904 439,0344 1,302 76,0055 2001r 646,2 1,9197 336,6082 444,4296 1,318 75,7394 2002r 686,0 1,9562 350,6799 450,4992 1,336 77,8425 2003r 707,8 1,9724 358,8489 468,0336 1,388 76,6716 2004r 760,7 2,0414 372,6305 492,9864 1,462 75,5864 2005r 801,1 2,0845 384,3087 510,858 1,515 75,2281 2006r 856,0 2,1054 406,5705 542,5548 1,609 74,9363 2007r 922,9 2,1580 427,6576 579,3096 1,718 73,8219 2008r 1021,2 2,2487 454,1385 608,9832 1,806 74,5732 2009r 1068,8 2,3274 459,2298 619,4364 1,837 74,1367 2010r 1136,2 2,3879 475,8156 643,5799 1,909 73,9326 2011r 1207,6 2,4906 484,8631 671,264 1,991 72,2314 12 Dr hab. Jerzy Czesław Ossowski – Wybrane elementy ekonometrii stosowanej cz. II Istotność zmiennych modelu, autokorelacja i modele multiplikatywne Wykres 1.1 Wydatki konsumpcyjne (RCON) oraz Produkt Krajowy Brutto (PKB) w mld złotych w cenach stałych z roku 1995 w Polsce w latach 1995-2011 800 700 RCON 600 PKB 500 400 300 200 100 r r 20 11 20 10 r r 20 09 r 20 08 20 07 r r 20 06 20 05 r r 20 04 20 03 r r 20 02 20 01 r r 20 00 r 19 99 r 19 98 19 97 19 96 19 95 r r 0 Wykres 1.2 Udział wydaków konsumpcyjnych (RCON) w Produkcie Krajowym Brutto (PKB) w cenach stałych: URCON=RCON/PKB 80 78 76 URCON 74 72 70 11 r 20 10 r 20 09 r 08 r 20 20 07 r 06 r 20 20 05 r 04 r 20 20 03 r 20 02 r 20 01 r 20 00 r 20 99 r 19 98 r 19 97 r 19 96 r 19 19 95 r 68 Podstawowe pojęcia z zakresu globalnego popytu konsumpcyjnego: I. Krańcowa skłonność do konsumpcji KSK (MPC): ∆RCON ∆C (1.1) KSK = ≡ ∆PKB ∆Y Na podstawie KSK powiemy, jaką część z każdej dodatkowej jednostki PKB (Y) społeczeństwo przeznacza na konsumpcję (RCON=C). II. Przeciętna skłonność do konsumpcji PSK (APC): RCON C (1.1) PSK = ≡ ; ( PSK 100% = URCON %) PKB Y Na podstawie PSK powiemy, jaki jest udział wydatków konsumpcyjnych (RCON) w produkcie Krajowym Brutto (PKB). Liniowy model popytu konsumpcyjnego: (2) C t = β 0 + β 1Yt + ε t Ordinary Least Squares Estimation ******************************************************************************* Dependent variable is RCON 17 observations used for estimation from 1995 to 2011 ******************************************************************************* Regressor Coefficient Standard Error T-Ratio[Prob] C 44.4099 3.9948 11.1171[.000] PKB .66616 .0079487 83.8068[.000] ******************************************************************************* R-Squared .99787 R-Bar-Squared .99773 S.E. of Regression 3.2742 F-stat. F( 1, 15) 7023.6[.000] Mean of Dependent Variable 372.5157 S.D. of Dependent Variable 68.6729 Residual Sum of Squares 160.8041 Equation Log-likelihood -43.2212 Akaike Info. Criterion -45.2212 Schwarz Bayesian Criterion -46.0544 DW-statistic 1.8762 ******************************************************************************* 13 Dr hab. Jerzy Czesław Ossowski – Wybrane elementy ekonometrii stosowanej cz. II Istotność zmiennych modelu, autokorelacja i modele multiplikatywne (3) Oszacowana postać liniowego modelu popytu konsumpcyjnego: Cˆ = 43,17+ 0,67 ⋅Y t ( 4 ,00 ) t ( 0 ,008 ) R 2 = 0,998; σˆ ε = 3,27; DW = 1,876 Krańcowa skłonność do konsumpcji (KSK): ∆Cˆ t (4) KSK = = 0,67 (0,008) ∆Yt Interpretacja: Z każdego dodatkowego miliarda zł PKB społeczeństwo przeznacza na konsumpcję przeciętnie 0,67 mld złotych z przeciętnym błędem 0,008 mld złotych. Funkcja przeciętnej skłonności do konsumpcji (PSK): (5) PSˆ K t = 43,17 ⋅ (1 / Yt ) + 0,67 Oszacowana postać modelu PSK: Ordinary Least Squares Estimation ******************************************************************************* Dependent variable is PSK 17 observations used for estimation from 1995 to 2011 ******************************************************************************* Regressor Coefficient Standard Error T-Ratio[Prob] OPKB 43.1708 3.6200 11.9256[.000] C .66872 .0078142 85.5773[.000] ******************************************************************************* R-Squared .90459 R-Bar-Squared .89823 S.E. of Regression .0063981 F-stat. F( 1, 15) 142.2202[.000] Mean of Dependent Variable .76006 S.D. of Dependent Variable .020056 Residual Sum of Squares .6140E-3 Equation Log-likelihood 62.8218 Akaike Info. Criterion 60.8218 Schwarz Bayesian Criterion 59.9886 DW-statistic 1.9276 ******************************************************************************* Interpretacja: W warunkach, gdy PKB zmierzać będzie do nieskończoności, to udział wydatków konsumpcyjnych w produkcie krajowym zmierzać będzie do 0,67 (czyli 67%). Przekształcenie modelu liniowego do modelu w postaci indeksowej (zależności względne na podstawie modelu liniowego) (6.1) C t / C = β 0 / C + ( β 1 / C ) ⋅ Yt + ε t / C (6.2) C t / C = β 0 / C + ( β 1 ⋅ Y / C ) ⋅ (Yt / Y ) + ε t* (6.3) Gdzie: (6.4.a) C t* = β 0* + β 1* ⋅ Yt* + ε t* C t* = C t / C = C t / 372,5 (6.4.b) Yt* = Yt / Y = Yt / 492,5 (6.4.c) βˆ * = 44,41 / 372,5 = 0,12 0 (6.4.d) βˆ1* = (0,667 ⋅ 492,5) / 372,5 = 0,89 Przekształcona postać modelu liniowego do postaci indeksowej: Cˆ * = 0,12 + 0,89 ⋅ Y * (7) t t Interpretacja: Wzrost produktu krajowego o jeden punkt procentowy (1 pkt%) prowadzi do wzrostu konsumpcji globalnej przeciętnie o około 0,89 punktu procentowego (0,89 pkt%). 14 Dr hab. Jerzy Czesław Ossowski – Wybrane elementy ekonometrii stosowanej cz. II Istotność zmiennych modelu, autokorelacja i modele multiplikatywne Model potęgowy konsumpcji: (8) C t = B0Ytβ1 e ε t (9) Postać zlinearyzowana modelu potęgowego konsumpcji: ln C t = β 0 + β 1 ln Yt + ε t Ordinary Least Squares Estimation ******************************************************************************* Dependent variable is LRCON 17 observations used for estimation from 1995 to 2011 ******************************************************************************* Regressor Coefficient Standard Error T-Ratio[Prob] C .46671 .060986 7.6528[.000] LPKB .88001 .0098646 89.2091[.000] ******************************************************************************* R-Squared .99812 R-Bar-Squared .99799 S.E. of Regression .0082677 F-stat. F( 1, 15) 7958.3[.000] Mean of Dependent Variable 5.9043 S.D. of Dependent Variable .18456 Residual Sum of Squares .0010253 Equation Log-likelihood 58.4637 Akaike Info. Criterion 56.4637 Schwarz Bayesian Criterion 55.6305 DW-statistic 1.9517 ******************************************************************************* (10) Oszacowana postać zlinearyzowanego modelu popytu konsumpcyjnego: ln Cˆ = 0,467+ 0,88 ⋅ lnY t t ( 0 ,061 ) ( 0 ,01 ) R 2 = 0,998; σˆ ε = 0,0083; DW = 1,9517 (11) Postać zdelogarytmowana modelu: Cˆ = e 0,467 ⋅ Y 0,88 t t Interpretacja: Wzrost produktu krajowego brutto o 1% prowadził do przeciętnego przyrostu konsumpcji o 0,88% z błędem 0,01%. (12) Oszacowana postać modelu PSK: PSˆ K = e 0,467 ⋅ Y −0,12 t t Interpretacja: Wzrost produktu krajowego brutto o 1% prowadził do przeciętnego spadku udziału wydatków konsumpcyjnych w produkcie krajowym o około 0,12%. Ordinary Least Squares Estimation ******************************************************************************* Dependent variable is LPSK 17 observations used for estimation from 1995 to 2011 ******************************************************************************* Regressor Coefficient Standard Error T-Ratio[Prob] C .46671 .060986 7.6528[.000] LPKB -.11999 .0098646 -12.1635[.000] ******************************************************************************* R-Squared .90795 R-Bar-Squared .90181 S.E. of Regression .0082677 F-stat. F( 1, 15) 147.9515[.000] Mean of Dependent Variable -.27469 S.D. of Dependent Variable .026385 Residual Sum of Squares .0010253 Equation Log-likelihood 58.4637 Akaike Info. Criterion 56.4637 Schwarz Bayesian Criterion 55.6305 DW-statistic 1.9517 ******************************************************************************* 15