Teoria Inflacji - E-SGH
Transkrypt
Teoria Inflacji - E-SGH
Ekonometria Wykład 7 – Modele nieliniowe, funkcja produkcji Dr Michał Gradzewicz Katedra Ekonomii I KAE Plan wykładu • (Nie)liniowość modeli ekonomerycznych – – – – – • Liniowość modeli ekonometrycznych Efekty krańcowe Elastyczności Przykłady modeli linearyzowanych i nieliniowych Nieliniowa MNK Funkcja produkcji – – – – – Definicja Własności Substytucyjność czynników Funkcja produkcji Cobba-Douglasa Inne funkcje produkcji Liniowość modeli ekonometrycznych • Dla ekonometryka (ze względu na fakt, że estymowane są parametry, warunkowo względem danych) ważna jest liniowość względem parametrów, a nie względem zmiennych – zapewnia ona możliwość estymacji „zwykłą” MNK i uzyskania estymatora o pożądanych własnościach (tw. Gaussa-Markowa) – Przykład modelu liniowego względem parametrów: 𝑦 = 𝛽0 + 𝛽1 𝑥1 𝑥22 + 𝛽2 ln 𝑥3 + ϵ – Przykład modelu liniowego względem zmiennych : 1 𝑦 = 𝛽0 + 𝑥1 + 𝛽32 𝑥2 + 𝜉 𝛽1 + 𝛽2 – Pierwszy model jest liniowy względem parametrów, drugi – nieliniowy względem parametrów • • • Model ściśle liniowy: 𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝜂 Ogólna postać modelu liniowego względem parametrów (𝒙 – wektor zmiennych): 𝑔 𝑦 = 𝛽1 𝑓1 𝒙 + 𝛽2 𝑓2 𝒙 + ⋯ + 𝛽𝑘 𝑓𝑘 𝒙 + ϵ Jeśli 𝑔 𝑦 = 𝑦, to model jest bezpośrednio liniowy, w przeciwnym przypadku jest to model linearyzowany (w modelu linearyzowanym musi istnieć 𝑔−1 (𝑦), czyli 𝑔(𝑦) musi być różnowartościowa 𝑏 𝑋 – Przykład modelu linearyzowanego: log 𝑦 = log 𝑎 + + 𝜖 (ponieważ 1 𝑋 𝑔 𝑦 = log 𝑦 , 𝛽1 = log 𝑎 , 𝛽2 = 𝑏, 𝑓1 𝒙 = 1, 𝑓2 𝒙 = ) – jest to zlogarytmizowana 𝑏 wersja modelu wykładniczo-hiperbolicznego: 𝑦 = 𝑎𝑒 𝑋 𝜉 Popularne formy nieliniowości, czyli transformacji danych • Do często stosowanych transformacji danych należą: – Logarytmy zmiennych • • • • zamieniają charakter zależności z multiplikatywnej na addytywną (log 𝑎𝑏 = log 𝑎 + log 𝑏 ) Zmniejszają zakres wartości zmiennej Mogą ograniczać wpływ heterogeniczności Redukują wpływ obserwacji nietypowych – Kwadraty zmiennych, często używane, aby odzwierciedlić zmienne efekty krańcowe – Iloczyny zmiennych, reprezentujące interakcje pomiędzy zmiennymi oraz zmienne efekty krańcowe • Transformacje danych są często podyktowane przekonaniem badacza (np. mającym swoje źródło w odpowiedniej teorii) o specyficznej formie efektów krańcowych… Efekty krańcowe • W modelu liniowym: 𝜕𝑦 Δ𝑦 ≈ 𝜕𝑥𝑖 Δ𝑥 parametr przy danej zmiennej mierzy efekt krańcowy, czyli informuje o skali przyrostu 𝑦 w reakcji na jednostkowy przyrost 𝑥, ceteris paribus; efekt ten jest stały i niezależny od poziomu 𝒙𝒊 • Zarówno w klasie modeli liniowych i nieliniowych względem parametrów efekt 𝛽𝑖 = 𝜕𝑦 krańcowy 𝜕𝑥 może być funkcją innych zmiennych 𝑖 • Czasami wiemy jaka postacią powinny charakteryzować się efekty krańcowe, co implikuje wybór określonej postaci funkcyjnej badanej zależności, np. – Jeśli 𝜕𝑦 𝜕𝑥𝑖 = 𝛽𝑖 𝑥𝑖 , to odpowiedni fragment równania ma postać kwadratową: 𝛽𝑖 𝑥𝑖2 – Przykład: 𝑤 = 20 + 0.9𝑎𝑔𝑒 − 0.025𝑎𝑔𝑒 2 , wtedy – Jeśli 𝜕𝑦 𝜕𝑥𝑖 𝜕𝑤 𝜕𝑎𝑔𝑒 = 0.9 − 0.05𝑎𝑔𝑒 = 𝛽𝑖 𝑥𝑗 , to odpowiedni fragment równania ma postać kwadratową: 𝛽𝑖 𝑥𝑖 𝑥𝑗 , ale wtedy jednocześnie 𝜕𝑦 𝜕𝑥𝑗 = 𝛽𝑖 𝑥𝑖 – Przykład: 𝑐 = 4.55 + 0.2𝑦 + 0.06𝑒𝑑𝑢 + 0.01𝑔𝑒𝑛𝑑𝑒𝑟 + 0.03𝑒𝑑𝑢 × 𝑔𝑒𝑛𝑑𝑒𝑟 Elastyczności cząstkowe • Elastyczność cząstkowa 𝑦 względem 𝑥𝑖 to również miara wrażliwości 𝑦 na zmiany 𝑥𝑖 , ale w ujęciu względnym (procentowym) – informuje o ile zmieni się procentowo 𝑦 jeśli 𝑥𝑖 wzrośnie o 1% 𝐸𝑙 𝑦 𝑥𝑖 • 𝜕𝑦 Δ𝑦 𝜕𝑦 𝑥𝑖 Δ𝑦 𝑥𝑖 𝑦 𝑦 = = ≈ = Δ𝑥 Δ𝑥 𝑦 𝜕𝑥𝑖 𝜕𝑥𝑖 𝑦 𝑥 𝑥𝑖 𝑥 W modelu liniowym elastyczność 𝐸𝑙 𝑦 𝑥𝑖 = 𝛽𝑖 𝑦𝑖, czyli jest funkcją poziomów zmiennych i jest różna dla każdej obserwacji (często, aby otrzymać jedną wartość, 𝑥 średnią w próbie, oblicza się 𝛽𝑖 𝑦𝑖 • Jaką interpretację ma 𝛽 w modelu log 𝑦 = 𝛽 log 𝑥? 𝜕 log 𝑦(𝑥) log 𝑦 𝜕 log 𝑦 𝜕𝑥 𝛽= = = 𝜕 log 𝑥 𝜕 log 𝑥 log 𝑥 𝜕𝑥 • 1 𝜕𝑦 𝜕𝑥 = 𝑦 𝜕𝑥 = 𝜕𝑦 𝑥 = 𝐸𝑙(𝑦|𝑥) 1 ′ 𝜕𝑥 × 1 𝜕𝑥 𝑦 𝑥 𝜕𝑥 ′ 𝜕𝑦 Czyli jest to elastyczność 𝑦 względem 𝑥, stała niezależna od punktu w danych, odpowiadająca modelowi potęgowemu: 𝑦 = 𝑥 𝛽 (ponieważ jest to tożsame z: ln 𝑦 = 𝛽 ln 𝑥) Przykłady modeli z logarytmami • Krzywa Engla: 𝑦 = 𝛼 + 𝛽 log 𝑥 – Wtedy 𝛽 = • 𝜕𝑦 𝜕 log 𝑥 = 𝜕𝑦 𝜕𝑥 𝜕 log 𝑥 𝜕𝑥 = 𝜕𝑦 𝜕𝑥 1 𝜕𝑥 ⋅ 𝑥 𝜕𝑥 =𝑥 𝜕𝑦 , 𝜕𝑥 zatem: 𝐸𝑙 𝑦 𝑥 = 𝜕𝑦 𝑥 𝜕𝑥 𝑦 = 𝛽 𝑦 – Czyli elastyczność 𝑦 względem 𝑥 maleje wraz z poziomem 𝑦. Engel użył tych krzywych do badania elastyczności spożycia danej kategorii (𝑦) dóbr względem dochodu (𝑥) i zgodnie z tą specyfikacją elastyczność dochodowa spożycia jest dodatnia, ale maleje wraz ze wzrostem poziomu spożycia Stopy wzrostu – Wykładniczy model trendu: 𝑦 = 𝛼𝑒 𝛽𝑡+𝜖 – Można przedstawić jako: log 𝑦 = log 𝛼 + 𝛽𝑡 + 𝜖 – Czyli wzrost 𝑡 o jednostkę (upływ jednego okresu czasu) powoduje wzrost log 𝑦 dokładnie o 𝛽 – A wzrost log 𝑦, czyli Δ log 𝑦 to w przybliżeniu stopa wzrostu 𝑦 (dla małych przyrostów) – Czyli 𝛽 ≈ 𝑦𝑡 𝑦𝑦−1 − 1. Dlaczego? 𝑦𝑡 ), 𝑦𝑡−1 – 𝛽 = Δ log 𝑦𝑡 = log 𝑦𝑡 − log 𝑦𝑡−1 = log( zatem 𝑦𝑡 𝑦𝑡−1 = 𝑒𝛽 – Z rozwinięcia Taylora 𝑒 𝛽 ≈ 1 + 𝛽, zatem podsumowując 𝛽 ≈ – Ogólnie: Δ log 𝑥 ≈ Δ𝑥 𝑥 𝑦𝑡 𝑦𝑡−1 −1 Przykłady modeli linearyzowanych i charakter składnika losowego • Model potęgowy: 𝛽 𝛾 𝑦 = 𝛼𝑥1 𝑥2 𝑒 𝜖 po zlogarytmowaniu jest jednoznaczny z modelem: log 𝑦 = log 𝛼 + 𝛽 log 𝑥1 + 𝛾 log 𝑥2 + 𝜖 • Model wykładniczy (opisujący wykładniczy wzrost 𝑦 względem 𝑥): 𝑦 = 𝑒 𝛼+𝛽𝑥+𝜖 Jest tożsamy z: log 𝑦 = 𝛼 + 𝛽𝑥 + 𝜖 • Przy przekształceniach modelu należy pamiętać, ze podlega nim również składnik losowy i jego charakter (addytywny lub multiplikatywny) ma znacznie: – Przykładowo model 𝑦 = 𝑒 𝛽𝑥 + 𝜖 jest modelem ściśle nieliniowym – Z kolei model 𝑦 = 𝑒 𝛽𝑥 𝜖 jest modelem linearyzowanym (log 𝑦 = 𝛽𝑥 + log 𝜖), ale jeśli log 𝜖 ma mieć rozkład normalny, to 𝜖 powinna mieć rozkład log-normalny – Czasami, ze względu na wiedzę a priori odnośnie składnika losowego, model nie może zostać zlinearyzowany i powinien być estymowany metodami nieliniowymi Przykład modelu ściśle nieliniowego – funkcja logistyczna • Funkcja logistyczna jest postaci: 𝛼 + 𝜖𝑡 1 + 𝛽𝑒 −𝛾𝑡 gdzie 𝛼 > 0, 𝛽 > 1, 𝛾 > 0 i ma bardzo ciekawe własności: 𝑦𝑡 = – lim 𝑦𝑡 = 𝛼 i jest to tzw. poziom nasycenia zmiennej 𝑦 𝑡→∞ – Dla 𝑡 = 0, 𝑦0 = 𝛼 1+𝛽 𝛾 – Jest ona rozwiązaniem równania różniczkowego: 𝑑𝑦 = 𝑦(𝛼 − 𝑦), w którym na zmiany 𝛼 𝑦 działają dwie siły: początkowo napędzająca 𝑦 (wyższy 𝑦 powoduje coraz wyższy wzrost 𝑦 - 𝑑𝑦 zależy od 𝑦), ale wraz ze wzrostem 𝑦 rośnie znaczeni siły hamującej 𝛼 − 𝑦 1 • • Stosuje się ja w analizach rynkowych (cykl życia produktu), demograficznych W nieco innej formie: 𝑒 𝑎+𝑏𝑡 𝑦= 1 + 𝑒 𝑎+𝑏𝑡 która ma zakres zmienności < 0; 1 > funkcja ta nazywa się logitem i jest ona podstawą modelu logitowego (o którym szerzej na kolejnych zajęciach) 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 2 4 6 8 10 12 Nieliniowa MNK • • Czasami nie jest możliwe doprowadzenie modelu do postaci liniowej względem parametrów Model nieliniowy: 𝑦𝑖 = 𝑓 𝒙𝑖 , 𝜷 + 𝜖𝑖 Można go estymować np. nieliniową metodą najmniejszych kwadratów, w której wyznaczamy 𝛽 minimalizując sumę kwadratów reszt: 𝑆 𝜷 = 𝑦𝑖 − 𝑓 𝒙𝑖 , 𝜷 2 𝑖 Czyli rozwiązując układ równań nieliniowych (o liczbie równań i niewiadomych równych liczbie estymowanych parametrów): 𝜕𝑆 𝜷 = −2 𝜕𝜷 • • • 𝑖 𝜕𝑓 𝒙𝑖 , 𝜷 𝑦𝑖 − 𝑓 𝒙𝑖 , 𝜷 =𝟎 𝜕𝜷 Postać ogólna rozwiązania nie jest znana (zależy od charakteru nieliniowości) i niemożliwa do przedstawienia w postaci analitycznej. Zazwyczaj rozwiązuje się tego typu układy równań metodami iteracyjnymi, np. metodą Newtona, Gaussa-Newtona Nie ma ogólnych twierdzeń o własnościach estymatora (typu Gaussa-Markowa w przypadku MNK) dla estymatorów uzyskanych metodami nieliniowymi, dlatego ekonometrycy raczej starają się uprościć specyfikacje do postaci liniowej (względem parametrów) Modele nieliniowa można estymować również MNW (metoda największej wiarygodności) Funkcja produkcji • • • • • Funkcja produkcji jest to relacja pomiędzy nakładami czynników produkcji a wielkością (strumieniem) wytworzonego produktu w danej jednostce czasu Stosuje się ten koncept zarówno w mikro- jak i makroekonomii Główne nakłady – praca (𝐿) i kapitał (𝐾), ale również ziemia, materiały czy kapitał ludzki 𝑌 = 𝑓(𝐾, 𝐿) Izokwanty produkcji - warstwice funkcji produkcji, czyli linie w przestrzeni (𝐾, 𝐿), którym odpowiada ta sama wartość produkcji: 𝑌0 = 𝑓(𝐾, 𝐿) Zakładamy, że 𝑓 jest funkcją ciągłą i dwukrotnie różniczkowalną Własności funkcji produkcji • Własności funkcji produkcji: 𝜕𝑓 𝐾,𝐿 𝜕𝑓 𝐾,𝐿 – 𝑓𝐾 = > 0, 𝑓𝐿 = > 0, czyli produkty krańcowe (produktywności) czynników 𝜕𝐾 𝜕𝐿 produkcji są dodatnie (zwiększenie zasobu danego czynnika prowadzi do wzrostu produkcji) – 𝑓𝐾𝐾 = 𝜕2 𝐹 𝐾,𝐿 𝜕𝐾 2 = 𝜕𝑓𝐾 𝜕𝐾 < 0, 𝑓𝐿𝐿 = 𝜕2 𝐹 𝐾,𝐿 𝜕𝐿 2 < 0, czyli krańcowa produkcyjność czynnika jest malejąca względem nakładów tego czynnika (produktywność czynnika rośnie coraz wolniej) 𝜕𝑓 𝜕𝑓 – 𝑓𝐾𝐿 = 𝐾 > 0, 𝑓𝐿𝐾 = 𝐿 > 0, czyli produktywność jednego czynnika rośnie wraz ze 𝜕𝐿 𝜕𝐾 wzrostem innego czynnika – Funkcja 𝑓 jest funkcją jednorodną (homogeniczną) • Ogólnie: funkcja jednorodna stopnia 𝑟 spełnia warunek: 𝑓 𝜆𝐾, 𝜆𝐿 = 𝜆𝑟 𝑓(𝐾, 𝐿) Czyli wzrost wszystkich nakładów o 𝜆 powoduje wzrost produkcji o 𝜆𝑟 Dla 𝑟 = 1 mówimy o stałych korzyściach skali (np. podwojenie wszystkich nakładów powoduje podwojenie produkcji) – CRS (constant returns to scale), czyli jednorodność Dla 𝑟 > 1 mówimy o rosnących korzyściach skali (IRS) Dla 𝑟 < 1 mówimy o malejących korzyściach skali (DRS) – Substytucyjność (zastępowalność czynników) – na kolejnym slajdzie • Elastyczność produkcji względem czynnika: 𝐸𝑙 𝑌 𝐾 = 𝜕𝑌 𝐾 𝜕𝐾 𝑌 = 𝑓𝐾 𝐾 𝑌 oraz 𝐸𝑙 𝑌 𝐿 = 𝑓𝐿 𝐿 𝑌 Substytucyjność czynników • Jak zmieniają się nakłady czynników na izokwancie? 𝜕𝐹 𝜕𝐹 𝑑𝑌 = 𝑑𝐹(𝐾, 𝐿) = 0 = 𝑑𝐾 + 𝑑𝐿 = 𝑓𝐾 𝑑𝐾 + 𝑓𝐿 𝑑𝐿 𝜕𝐾 𝜕𝐿 Zatem: 𝑑𝐾 𝑓𝐿 = − = 𝐾𝑆𝑆 𝑑𝐿 𝑑𝑌=0 𝑓𝐾 KSS – krańcowa stopa substytucji (MRS – Marginal Rate of Substitution) – o ile powinien zmniejszyć się (wzrosnąć) nakład 𝐾 w reakcji na wzrost (spadek) nakładu 𝐿, aby utrzymać ten sam poziom produkcji (𝑌 = 𝑐𝑜𝑛𝑠𝑡) • Relację 𝐾 𝐿 nazywamy technicznym uzbrojeniem pracy Elastyczność substytucji – mierzy wypukłość izokwanty – w miarę wzrostu 𝐾, dodatkowy przyrost 𝐾 o jednostkę zastępuje coraz mniejszą ilość 𝐿 a elastyczność substytucji mierzy ten 𝐾 efekt – jest to względny przyrost wywołany przyrostem KSS o 1% 𝐿 𝐾 𝜕( ) 𝐾𝑆𝑆 𝜎= 𝐿 𝜕𝐾𝑆𝑆 𝐾 𝐿 Płaska izokwanta – wysoka elastyczność substytucji (KSS musi się silnie zmienić, aby zmieniło się 𝐾 ), przykładowo dla funkcji liniowej 𝜎 = +∞, z kolei dla funkcji typu „wąskie gardło”, czyli 𝐿 𝐹 𝐾, 𝐿 = min{𝐾, 𝐿}, 𝜎 = 0 • Funkcja produkcji Cobba-Douglasa (1) • Ma ona postać funkcji potęgowej 𝑌 = 𝐾 𝛼 𝐿𝛽 Gdzie 𝛼, 𝛽 ∈ (0; 1). Po zlogarytmowaniu: log 𝑌 = 𝛼 log 𝐾 + 𝛽 log 𝐿 • Własności: 𝜕𝑌 1 𝑌 = 𝛼𝐾 𝛼−1 𝐿𝛽 = 𝛼𝐾 𝛼 𝐿𝛽 = 𝛼 𝜕𝐾 𝐾 𝐾 𝑌 𝑓𝐿 = 𝛽 > 0 𝐿 𝐾 𝑌𝐾 𝜕 log 𝑌 𝐸𝑙 𝑌 𝐾 = 𝑓𝐾 = 𝛼 = 𝛼 (lub 𝑌 𝐾𝑌 𝜕 log 𝐾 – 𝑓𝐾 = – – – = 𝛼) oraz 𝐸𝑙 𝑌 𝐿 = 𝛽 𝜕𝑓𝐾 = 𝛼 𝛼 − 1 𝐾 𝛼−2 𝐿𝛽 = −𝛼 1 − 𝛼 𝜕𝐾 𝜕𝑓 𝑓𝐿𝐿 = 𝐿 = 𝛽 𝛽 − 1 𝐾 𝛼 𝐿𝛽−2 = −𝛽 1 − 𝛽 𝜕𝐿 𝑌 𝑓𝐾𝐿 = 𝑓𝐿𝐾 = 𝛼𝛽𝐾 𝛼−1 𝐿𝛽−1 = 𝛼𝛽 > 0 𝐾𝐿 – 𝑓𝐾𝐾 = – >0 𝑌 <0 𝐾2 𝑌 <0 𝐿2 – Jednorodność: 𝑓 𝜆𝐾, 𝜆𝐿 = 𝜆𝐾 𝛼 𝜆𝐿 𝛽 = 𝜆𝛼 𝜆𝛽 𝐾 𝛼 𝐿𝛽 = 𝜆𝛼+𝛽 𝐹(𝐾, 𝐿) Dla 𝛼 + 𝛽 = 1 mamy stałe korzyści skali, wtedy 𝑌 = 𝐾 𝛼 𝐿1−𝛼 Dla 𝛼 + 𝛽 > 1mamy rosnące korzyści skali Dla 𝛼 + 𝛽 < 1 mamy malejące korzyści skali Funkcja produkcji Cobba-Douglasa (2) • Substytucja – 𝐾𝑆𝑆 = 𝑓 − 𝐿 𝑓𝐾 =− 𝐾 – 𝜎= 𝜕( ) 𝐾𝑆𝑆 𝐿 𝜕𝐾𝑆𝑆 𝐾 𝐿 • = 𝑌 𝐿 𝑌 𝛼 𝐾 𝛽 =− 𝜕 𝐾𝑆𝑆 𝐾 𝜕 𝐿 𝛽𝐾 𝛼𝐿 −1 𝐾𝑆𝑆 𝐾 𝐿 =− 𝛽 𝛼 − 𝛽𝐾 𝐿 𝛼𝐿 𝐾 =1 Postęp technologiczny – Są różne sposoby jego uwzględnienia, często stosowanym rodzajem jest TFP (Total Factor Productivity, czyli łączna produktywność czynników produkcji, czyli postęp, który nie jest związany bezpośrednio z żadnym z czynników produkcji) – Jeśli założymy, że technologia rośnie w tempie wykładniczym (w stałym tempie z okresu na okres), to: 𝛽 𝑌𝑡 = 𝑒 𝐴+𝛾𝑡 𝐾𝑡𝛼 𝐿𝑡 𝑒 𝜖𝑡 Lub po zlogarytmowaniu: log 𝑌𝑡 = 𝐴 + 𝛾𝑡 + 𝛼 log 𝐾𝑡 + 𝛽 log 𝐿𝑡 + 𝜖𝑡 Gdzie 𝛾 jest stałym tempem wzrostu TFP, 𝛼 jest elastycznością produkcji względem nakładu kapitału, a 𝛽 elastycznością produkcji względem nakładu pracy Inne funkcje produkcji • Funkcja CES (Constant elasticty of substitution) 𝜗 − 𝑌 = 𝛾 𝛿𝐾 −𝜌 + 1 − 𝛿 𝐿−𝜌 𝜌 𝜖 Gdzie 𝛿 ∈< 0,1 > – parametr podziału między czynniki produkcji, 𝜗 > 0 jest stopniem homogeniczności 1 (parametr korzyści skali), 𝜌 > −1 jest parametrem substytucji (elastyczność substytucji wynosi ) 1+𝜌 • Funkcja translog, cechująca się zmiennymi elastycznościami produkcji oraz substytucji: log 2 𝐾 log 2 𝐿 log 𝑌 = 𝛼1 + 𝛼2 log 𝐾 + 𝛼3 log 𝐿 + 𝛼4 + 𝛼5 + 𝛼6 log 𝐾 log 𝐿 + 𝜖 2 2 Funkcja liniowa (ma nieskończoną elastyczność substytucji): 𝑌 = 𝛼𝐾 + 𝛽𝐿 Funkcja typu „wąskie gardło” (cechująca się zerową elastycznością substytucji): 𝑌 = min(𝛼𝐾, 𝛽𝐿) • • 𝐾 Izokwanty funkcji liniowej 𝐿 𝐾 Izokwanty funkcji typu „min” 𝐿