(Microsoft PowerPoint - Modele nieliniowe czIV
Transkrypt
(Microsoft PowerPoint - Modele nieliniowe czIV
Modele nieliniowe sprowadzalne do liniowych Modele linearyzowalne - funkcja produkcji Przykład makroekonomiczny Merytoryczna analiza funkcji produkcji Ogólny model produkcji: Q = f(X1,X2,..,Xk, Z) Q - wielkość produkcji X1,X2,..,Xk, - czynniki decydujące o wielkości produkcji – czynniki produkcji Z – losowe zakłócenia modelu Klasyczne czynniki produkcji: kapitał, praca, ziemia; teraz teŜ organizacja, technologia Stosowane miary mogą być naturalne, umowne lub wartościowe np. nakłady pracy Ŝywej to liczba zatrudnionych ,czas przepracowany lub równowaŜnik pienięŜny (?), dla ziemi to areał lub jej wartość itp. 1 Merytoryczna analiza funkcji produkcji Postulaty jakie powinna spełniać funkcja produkcji: 1. Wydajność krańcowa czynników produkcji (przyrosty krańcowe) Wi jest dodatnia: Wi = ∂f ( X 1,X 2 ,..,X k ,0) ∆Q = >0 ∂X i ∆X i 2. Wydajność krańcowa Wi jest malejąca: ∂Wi ∂ 2 f = <0 ∂X i ∂X i 2 Oznacza to, Ŝe krańcowe przyrosty produkcji maleją w miarę wzrostu nakładów Merytoryczna analiza funkcji produkcji Postulaty jakie powinna spełniać funkcja produkcji: 3. Wydajność krańcowa jednego czynnika rośnie w miarę zwiększania nakładów drugiego czynnika: ∂Wi ∂2 f = >0 ∂X k ∂X i ∂X k 4. Czynniki produkcji są wzajemnie zastępowalne. Miarą ich substytucyjności jest krańcowa stopa substytucji czynników produkcji: Rij = ∂X i ∂f ∂f =− : ∂X j ∂X i ∂X j 2 Merytoryczna analiza funkcji produkcji Jedną z funkcji spełniających te warunki jest funkcja α α α Y = α 0 X 1 1 X 2 2 ⋅...⋅ X k k e Z zwana funkcją produkcji Cobba-Douglasa. Model produkcji jest zatem modelem potęgowym, naleŜący do klasy modeli linearyzowalnych Merytoryczna analiza funkcji produkcji Przy analizie funkcji produkcji uwzględniamy takŜe Elastyczność produkcji Ei = Model ∂f ( X 1 ,X 2 ,..,X k ,0) ∂X i α α ⋅ Xi f ( X 1 ,X 2 ,..,X k ,0) = ( ∆Q / Y ) (∆X i / X i ) α Y = α 0 X 1 1 X 2 2 ⋅...⋅ X k k e Z jest równowaŜny modelowi log-log lnY = ln α0 + α1 ln X1 +α2 ln X2 +...+αk ln Xk + Z Wiemy teŜ, Ŝe elastyczności w modelu log-log są stałe i równe paramtrom modelu. Zatem: Dla funkcji produkcji Cobba-Douglasa zachodzi: elastyczności Ei produkcji względem nakładów poszczególnych czynników Xi są stałe i równe wykładnikowi αi >0. 3 Merytoryczna analiza funkcji produkcji Elastyczności wykorzystujemy do obliczenia wskaźnika efektów skali. Miernik efektów skali produkcji: A=E1 + E2 + ...+Ek Interpretacja wartości miernika efektów skali produkcji: A=1 - stała wydajność produkcji, A<1 - malejąca wydajność czynników produkcji (produkcja rośnie wolniej niŜ nakłady i zasoby), A>1 - rosnąca wydajność czynników produkcji Przykład. Model wielkości produkcji sektora rolniczego gospodarki Tajwanu Etap I: Propozycja postaci modelu. Q = α1 L β2 Kβ3 e Z gdzie Q - wielkość produkcji (miliony NT$), L - zatrudnienie - nakłady pracy Ŝywej (w milionach osobo-dniówek), K- kapitał zgromadzony w tym sektorze (miliony NT$),. 4 Przykład. Model wielkości produkcji sektora rolniczego gospodarki Tajwanu Dane dotyczące lat 1958-1972 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 Q L K 16607 17511.3 20171.2 20932.9 20406. 20831.6 24806.3 26465.8 27403. 28628.7 29904.5 27508.2 29035.5 29281.5 31535.8 192.85 274.4 269.7 267. 267.8 275. 283. 300.7 307.5 303.7 304.7 298.6 295.5 299. 288.1 17803.7 18096.8 18271.8 19167.3 19647.6 20803.5 22076.6 23445.2 24939. 26713.7 29957.8 31585.9 33474.5 34821.8 41794.3 Przykład. Model wielkości produkcji sektora rolniczego gospodarki Tajwanu Etap II: Estymacja parametrów Linearyzacja modelu Q = α1 L β2 β K 3eZ Logarytmujemy obie strony - logarytm naturalny - otrzymujemy: log Q = log α1 + β2 log L + β3 log K + Z Przyjmując nowe zmienne: log Q = LQ log L = LL log K =LK i oznaczając log α1 = β1 Otrzymujemy model liniowy: LQ = β1 + β2 LL + β3 LK + Z 5 Przykład Wybrane części procesu budowy modelu. Etap II: Estymacja parametrów modelu LQ = β1 + β2 LL + β3 LK + Z Dane: Q 16607 17511.3 20171.2 20932.9 20406. 20831.6 24806.3 26465.8 27403. 28628.7 29904.5 27508.2 29035.5 29281.5 31535.8 Estymator MNK: Przykład L 1 K 192.85 274.4 269.7 267. 267.8 275. 283. 300.7 307.5 303.7 304.7 298.6 295.5 299. 288.1 17803.7 18096.8 18271.8 19167.3 19647.6 20803.5 22076.6 23445.2 24939. 26713.7 29957.8 31585.9 33474.5 34821.8 41794.3 X= 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 LL LK 5.26191 5.61459 5.59731 5.58725 5.59024 5.61677 5.64545 5.70611 5.72848 5.71604 5.71933 5.6991 5.68867 5.70044 5.66331 9.78716 9.80349 9.81311 9.86096 9.88571 9.94288 10.0023 10.0624 10.1242 10.1929 10.3075 10.3605 10.4185 10.458 10.6405 Y=LQ= b = (XTX)-1XTY 9.71758 9.7706 9.91201 9.94908 9.92358 9.94423 10.1189 10.1836 10.2184 10.2622 10.3058 10.2222 10.2763 10.2847 10.3589 Wybrane części procesu budowy modelu Etap II: Estymacja parametrów b1 = 0.97 , b 2= 0.68 , b 3= 0.52 Etap III : Weryfikacja modelu - A - wskaźniki jakości modelu 1. Współczynnik determinacji: R2 =0.91 Współczynnik determinacji skorygowany : Rsk2 = R 2 − 2. Wskaźnik wyrazistości: k −1 (1 − R 2 ) = 0.90 n−k V = 0.6% 3. Standardowe błędy ocen parametrów: Sb1 = 0.89 , Sb2 = 0.19, Sb3 = 0.08 6 Przykład Model produkcji w sektorze rolniczym Tajwanu Etap III : Weryfikacja modelu - C - test serii Reszty ( w kolejności lat): + - - + - - + + + + + - - - - Liczba plusów N+=7, liczba minusów N_=8. Liczba serii Ns= 6. Nie ma podstaw do odrzucenia hipotezy o liniowości modelu LQ = β1 + β2 LL + β2 LK + Z Zatem otrzymaliśmy oszacowany model: LQ = 0.97 + 0.68 LL + 0.52 LK (0.89) (0.19) (0.08) Przykład Model produkcji w sektorze rolniczym Tajwanu β β Powrót do funkcji Cobba-Douglasa, tj. do modelu Q = α1 L 2 K 3 e Z W modelu LQ = β1 + β2 LL + β3 LK + Z Uzyskaliśmy oszacowania: b1 = 0.97 , b 2= 0.68 , b 3= 0.52 Pamiętamy, Ŝe log α1 = β1 Zatem b1 jest oszacowaniem log α1 , stąd αˆ1 = e 0.97 ≈ 2.63 Ostatecznie otrzymaliśmy model Q̂ = 2.63 L 0.68 K0.52 7 Uwaga. Licząc sumę kwadratów reszt w modelu Cobba - Douglasa (czyli modelu ostatecznym na zmienną Q, a nie w modelu na na zmienną log Q), a następnie wyliczając współczynnik korelacji wielorakiej R (zwany w tym wypadku współczynnikiem korelacji krzywoliniowej) oraz współczynnik wyrazistości otrzymamy: 1. Skorygowany współczynnik determinacji (krzywoliniowy): R2 =0.92 2. Wskaźnik wyrazistości w modelu nieliniowym: V = 6% A gdybyśmy zbudowali liniowy ? Q = β1 + β 2L + β 3K + Z Otrzymalibyśmy: Q = −6548+ 71.2 L + 0.44 K (4319) (17.7) (0.07) Współczynnik determinacji r2=0.91 Wskaźnik wyrazistości modelu V=6% W teście serii otrzymujemy ciąg + - - + - - + + + + + - - - - co nie przeczy hipotezie o liniowości modelu ! Bardzo dobry model! Który wybrać? Prócz względów merytorycznych, moŜemy teŜ skorzystać z testów dokładniejszych niŜ test serii 8 Test postaci funkcyjnej modelu: model liniowy vs model logarytmiczno liniowy (model logarytmiczno liniowy jest równowaŜny potęgowemu - tu podkreślamy postać zapisaną w hipotezie i następnie wykorzystaną w teście) Y = β1X1+ β2X2+ ...+ βkXk + Z Hipoteza zerowa: Hipoteza alternatywna: logY = γ1logX1+ γ2logX2+ ...+ γklogXk + Z Test PE (Davidson , MacKinnon, 1981, MacKinnon, White, Davidson 1983) Procedura testowa sprowadza się do testu istotności parametru α w modelu Y = β1X1+ β2X2+ ...+ βkXk + αNZ+ Z gdzie nowa zmienna NZ jest określona jako (g1logX1+ g2logX2+ ...+ gklogXk) - log (b1X1+ b2X2+ ...+ bkXk) co zapisujemy krótko NZ = log(Y)-log(Y) Test postaci funkcyjnej modelu: model logarytmiczno liniowy vs model liniowy logY = γ1logX1+ γ2logX2+ ...+ γklogXk + Z Hipoteza zerowa: Hipoteza alternatywna: Y = β1X1+ β2X2+ ...+ βkXk + Z Analogicznie jak w poprzednim przypadku testujemy istotność parametru α w modelu logY = γ1logX1+ γ2logX2+ ...+ γklogXk + α NZ+ Z gdzie tym razem nowa zmienna NZ jest określona jako (b1X1+ b2X2+ ...+ bkXk) - exp(g1logX1+ g2logX2+ ...+ gklogXk) co zapisujemy krótko NZ = Y- exp(log(Y)) 9 Przykład cd. Linearyzacja modelu Q = α1 L β2 β K 3 e Z doprowadziła do postaci log Q = γ1 + γ2 log L + γ3 log K + Z Testujemy zatem hipotezy: Hipoteza zerowa: Q = β1 + β2L + β3K + Z Hipoteza alternatywna: log Q = γ1 + γ2 log L + γ3 log K + Z Hipoteza zerowa: Q = β1 + β2L + β3K + Z Hipoteza alternatywna: log Q = γ1 + γ2 log L + γ3 log K + Z Krok 1: estymujemy obydwa modele. Otrzymujemy (juŜ to mamy): b1 = -6548, b 2= 71.2 , b 3= 0.44 g1 = 0.97 , g 2= 0.68 , g 3= 0.52 Krok 2: Obliczamy wartości zmiennej NZ = log(Y)-log(Y) = (g1logX1+ g2logX2+ ...+ gklogXk) - log (b1X1+ b2X2+ ...+ bkXk) = (0.97 + 0.68log L + 0.52 log K) - log (-6548 + 71.2 L +0.44 K) 10 Czyli NZ = log(Y)-log( Y ) = (0.97 + 0.68log L + 0.52 log K) - log (-6548 + 71.2 L +0.44 K) Dane: Q 16607 17511.3 20171.2 20932.9 20406. 20831.6 24806.3 26465.8 27403. 28628.7 29904.5 27508.2 29035.5 29281.5 31535.8 L 192.85 274.4 269.7 267. 267.8 275. 283. 300.7 307.5 303.7 304.7 298.6 295.5 299. 288.1 K 17803.7 18096.8 18271.8 19167.3 19647.6 20803.5 22076.6 23445.2 24939. 26713.7 29957.8 31585.9 33474.5 34821.8 41794.3 NZ (0.97 + 0.68 log192.85 + 0.52 log 17803.7) – log (-6548 + 71.2 192.85 +0.44 17803.7) ... ... ... Otrzymujemy NZ = log(Y)-log( Y ) = (0.97 + 0.68log L + 0.52 log K) - log (-6548 + 71.2 L +0.44 K) Q 16607 17511.3 20171.2 20932.9 20406. 20831.6 24806.3 26465.8 27403. 28628.7 29904.5 27508.2 29035.5 29281.5 31535.8 L 192.85 274.4 269.7 267. 267.8 275. 283. 300.7 307.5 303.7 304.7 298.6 295.5 299. 288.1 K 17803.7 18096.8 18271.8 19167.3 19647.6 20803.5 22076.6 23445.2 24939. 26713.7 29957.8 31585.9 33474.5 34821.8 41794.3 NZ 0.0558093 - 0.0281489 - 0.0225327 - 0.0140917 - 0.0118722 - 0.0110174 - 0.0100776 - 0.0141015 - 0.0108986 - 0.00265431 0.00514284 0.00910119 0.0112302 0.0114796 0.00807648 11 Krok 3. Szacujemy model Q = β1 + β2L + β3K + α NZ+ Z 16607 17511.3 20171.2 20932.9 20406. 20831.6 24806.3 26465.8 27403. 28628.7 29904.5 27508.2 29035.5 29281.5 31535.8 Q= Estymator MNK: X= 1 L 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 192.85 274.4 269.7 267. 267.8 275. 283. 300.7 307.5 303.7 304.7 298.6 295.5 299. 288.1 K 17803.7 18096.8 18271.8 19167.3 19647.6 20803.5 22076.6 23445.2 24939. 26713.7 29957.8 31585.9 33474.5 34821.8 41794.3 NZ 0.0558093 - 0.0281489 - 0.0225327 - 0.0140917 - 0.0118722 - 0.0110174 - 0.0100776 - 0.0141015 - 0.0108986 - 0.00265431 0.00514284 0.00910119 0.0112302 0.0114796 0.00807648 b = (XTX)-1XTQ Oszacowany model : Q = −17720 + 129.0 L – 0.245K + 88331 NZ (5071) t= Istotność NZ (23.96) (0.085) (29951) a 88331 ≅ ≅ 2.949 S a 29951 Dla poziomu istotności 0.05 W = ( −∞,−t 0.975 ) ∪ (t 0.975 , ∞ ) = ( −∞,−2.179) ∪ ( 2.179, ∞ ) Kwantyl z rozkładu Studenta o 15-3=12 stopniach swobody Wniosek: Odrzucamy hipotezę o nieistotności zmiennej NZ, co jest równoznaczne z odrzuceniem hipotezy zerowej, mówiącej, Ŝe model jest liniowy Uznajemy, Ŝe właściwy model to model potęgowy Cobba-Douglasa 12 Weryfikowaliśmy układ hipotez: Hipoteza zerowa: Y = β1X1+ β2X2+ ...+ βkXk + Z Hipoteza alternatywna: logY = γ1logX1+ γ2logX2+ ...+ γklogXk + Z A moŜe trzeba było w „drugą stronę”? Hipoteza zerowa: logY = γ1logX1+ γ2logX2+ ...+ γklogXk + Z Hipoteza alternatywna: Y = β1X1+ β2X2+ ...+ βkXk + Z Kiedy naleŜałoby przetestować w „drugą stronę”? Uwagi o teście hipotez w zmienionym układzie i jeszcze raz o błędach I i II rodzaju 13