Ekonometria id 155189 Nieznany

background image

Stat

yst

yk

a

1.

Zmienne

loso

w

e

cią

głe

sk

ok

ow

e

jak

ościo

w

e

2.

Rozkłady

zmienn

yc

h

loso

wyc

h

dla

cec

h

cią

głyc

h

(Normaln

y,

t–Studen

ta)

sk

ok

ow

e

(dwumiano

wy

,

P

oissona)

3.

Est

ymacja

punkto

w

a

i

przedziało

w

a

dla

cec

h

cią

głyc

h

(µ

)

sk

ok

ow

e

(p

)

4.

T

esto

w

anie

hip

otez

dla

cec

h

cią

głyc

h

(H

0

:

µ

=

µ

0

)

sk

ok

ow

e

(H

0

:

p

=

p

0

)

RP

ek

onometr

ia

1

Ek

onometria

Rob

ert

Pietrzyk

owski

rob

ert.pietrzyk

o

wski@omega.sggw.w

a

w.pl

Nauk

a

za

jm

ująca

się

ustalaniem

za

p

omo

meto

d

matemat

yczno–stat

yst

yczn

yc

h

ilościo

wyc

h

pra

widło

w

ości

w

życiu

gosp

odarczym

Encyklop

edia

P

opularna

PWN,

W

arsza

w

a

1982

Dział

ek

onomii,

który

za

jm

uje

się

mierzeniem

za-

leżności

występującyc

h

między

różn

ymi

wielk

ościami

ek

onomiczn

ymi

Mały

Ilustro

w

an

y

Leksyk

on

PWN,

W

arsza

w

a

1997

RP

ek

onometr

ia

2

background image

P

o

dsta

w

o

w

e

p

o

jęcia

P

opulacja.

Zbioro

w

ość

z

przyna

jmniej

jedną

wsp

ólną

własno-

ścią

i

przyna

jmniej

jedną

cec

hą,

której

w

artościami

jednostki

p

opulacji

mogą

się

różnić.

Zmienna

loso

w

a.

Cec

ha,

której

w

artości

przyjmo

w

ane

przez

jed-

nostki

p

opulacji

w

sp

osób

loso

wy

.

Rozkład

pra

wdop

o

dobieńst

w

a.

Określa

pra

wdop

obieńst

w

o

przyjęcia

w

artości

przez

zmienną

loso

w

ą.

Próba.

Loso

w

o

wybrana

część

p

opulacji

na

p

o

dsta

wie

któ-

rej

wnioskujem

y

o

rozkładzie

pra

wdop

o

dobieńst

w

a

zmiennej

loso

w

ej

w

całej

p

opulacji.

Hip

oteza

stat

yst

yczna.

Do

w

olne

przypuszczenie

dot

yczące

rozkładu

pra

w-

dop

o

dobieńst

w

a

zmiennej

loso

w

ej.

T

est

stat

yst

yczn

y.

Pro

cedura

stat

yst

yczna

ma

jąca

na

celu

w

eryfik

ację

hip

otezy

stat

yst

ycznej

(o

drzucić,

nie

o

drzucić).

RP

E

k

onometr

ia

3

Błąd

I

ro

dza

ju.

Odrzucenie

hip

otezy

stat

yst

ycznej,

która

w

rzeczy-

stości

jest

pra

wdziw

a.

Błąd

II

ro

dza

ju.

Nie

o

drzucenie

hip

otezy

stat

yst

ycznej,

która

w

rze-

czystości

jest

fałszyw

a.

P

oziom

istotności.

Dopuszczane

ryzyk

o

p

op

ełnienia

błędu

I

ro

dza

ju.

Est

ymacja

punkto

w

a.

Oszaco

w

anie

na

p

o

dsta

wie

prób

y

za

p

omo

jednej

liczb

y

nieznanej

w

artości

parametru

zmiennej

loso-

w

ej.

Est

ymacja

przedziało

w

a.

Wyznaczenie

na

p

o

dsta

wie

prób

y

przedziału

p

okry-

w

a

jącego

nieznaną

w

artość

parametru

ze

z

góry

za-

dan

ym

pra

wdop

o

dobieńst

w

em

(p

oziomem

ufności).

RP

E

k

onometr

ia

4

background image

......

......

.......

.......

.......

........

........

.........

..........

............

...............

..............

.............

............

...........

...........

...........

...........

...........

...........

...........

............

.............

..............

................

...................

............................

..........................................................................

..............

...........

..........

.........

........

........

.......

.......

.......

.......

.......

......

......

......

......

......

......

......

......

......

......

......

.......

.......

.......

.......

.......

........

........

.........

........

........

.......

.......

.......

.......

.......

......

......

......

......

......

.

......

.......

.......

.......

........

.........

..........

..............

..............

............

............

...........

...........

...........

...........

............

.............

..............

................

.......................

.....................................................................

............

..........

.........

........

.......

.......

.......

.......

......

......

......

......

......

......

......

......

.......

.......

.......

.......

........

.........

........

.......

.......

.......

.......

......

......

......

......

.

...................................................................................................................................................................................................

.........

.........

.........

...

.......

.......

.......

.......

.......

....

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

...................

............

...........

............

............

............

...

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

................

.............

.............

.........................

..............

P

opulacja

Próba

Wnioski

o

p

opulacji

Wnioski z

prób

y

RP

E

k

onometr

ia

5

Rozkład

normaln

y

Zmienna

loso

w

a

X

ma

rozkład

normaln

y

N

(µ,

σ

2

)

o

w

artości

średniej

µ

iw

ariancji

σ

2

,jeżeli

jej

funk

cja

gęstości

wyraża

się

wzorem

f

µ,σ

2

(x

)

=

1

σ

2π

e

1

2

(

x

µ

σ

)

2

,

−∞

<

x

<

.

E

X

=

µ

D

2

X

=

σ

2

.

µ

=

0

µ

=

1

µ

=

1

µ

=

1

RP

E

k

onometr

ia

6

background image

Y

1

,.

..

,Y

m

zmienne

zależne

X

1

,.

..

,X

p

zmienne

niezależne

(czynniki)

Czy

istnieje

zależność

między

Y

-ami

a

X

–ami?

Jaki

jest

charakter

zależności?

Ilościo

w

e

przedsta

wienie

zależności.

Analiza

dynamiki

zja

wisk.

RP

E

k

onometr

ia

7

Założenia

1.

Wszystkie

zmienne

zmienn

ymi

ilościo

wymi.

2.

Zmienne

zależne

loso

w

e

o

rozkładac

h

normal-

nyc

h.

3.

Czynniki

loso

w

e

o

rozkładac

h

normaln

yc

h.

4.

Czynniki

determinist

yczne.

Rozw

ażane

sytuacje

Y

1

,.

..

,Y

m

zmienne

zależne

X

1

,.

..

,X

p

zmienne

niezależne

(czynniki)

1.

m

=

1,

p

=

1

2.

m

=

1,

p

=

2

RP

E

k

onometr

ia

8

background image

Loso

w

e

czynniki

m

=

1

p

=

1

Obserwujem

y

dwie

cec

hy:

X

oraz

Y

Obiekt

(X

,Y

)

1.

Czy

cec

hy

X

oraz

Y

niezależne?

2.

Opis

ilościo

wy

zależności.

3.

Wnioski.

Założenie:

Łączn

y

rozkład

cec

h

X

,Y

jest

normaln

y

RP

E

k

onometr

ia

9

Wsp

ółczynnik

korelacji

Opis

jak

ościo

wy

zależności

Wsp

ółczynnik

korelacji

jest

miernikiem

zależności

między

dwiema

cec

hami

Oznaczenie:

%

Własności

wsp

ółczynnik

a

korelacji

1.

Wsp

ółczynnik

korelacji

jest

liczbą

niemiano

w

aną

2.

%

h−

1,

1i

3.

Jeżeli

%

>

0,

to

większym

w

artościom

jednej

ce-

ch

y

odp

owiada

(średnio)

większe

w

artości

dru-

giej

cec

hy

.Zależność

do

datnia

(rosnąca,

st

ym

ulu-

jąca).

4.

Jeżeli

%

<

0,

to

większym

w

artościom

jednej

cec

hy

odp

owiada

(średnio)

mniejsze

w

artości

drugiej

cec

hy

.

Zależność

ujemna

(malejąca,

limitująca).

RP

E

k

onometr

ia

10

background image

5.

Jeżeli

%

=

0,

to

b

ez

względu

na

w

artości

przyjmo-

w

ane

przez

jedną

z

cec

h,

średnie

w

artości

drugiej

cec

hy

takie

same.

Cec

hy

niesk

orelo

w

ane.

6.

Jeżeli

%

=

±

1,

to

istnieją

takie

liczb

y

rzeczywiste

a

oraz

b,

że

Y

=

aX

+

b.

Jeżeli

%

=

1,

to

a

>

0.

Jeżeli

%

=

1,

to

a

<

0.

Wsp

ółczynnik

korelacji

jest

miernikiem

linio

w

ej

za-

leżności

między

cec

hami

X

oraz

Y

.

Im

|%

|

jest

bliższe

1,

tym

bardziej

„linio

w

a”

jest

za-

leżność

między

cec

hami.

7.

Jeżeli

(X

,Y

)

ma

dwu

wymiaro

wy

rozkład

normal-

ny

,

to

%

=

0

jest

wno

w

ażne

niezależności

cec

h

X

,Y

.

RP

E

k

onometr

ia

11

• •

••

••

••

• •

••

••

• •

••

••

••

• •

••

• •

• •

••

%

=0.00

• •

• •

••

••

• •

••

• •

• •

••

••

• •

••

• •

• •

• •

••

••

%

=0.75

• •

• • •

• ••

••

••

••

••

••

• •

• •

• •

••

• •

• •

• •

• •

••


••

• •

••

• •

• •

••

• •

••

••

• •

• •

••

• •

• •

••

••


• •

••

• •

• •

• •

••

• •

%

=0.95

• •

• •

• ••

• ••

• •

• •

••

••

• •

••

••

• •

••

•••

• •

• •

• •

••

••

••

••

••

• •

••

••

• •

••

••

••

••

• •

••

••

••

••

• •

••

• ••

••

• •

• •

••

• •

••

• •

• •

• •

• •

••

••

• •

••

• •

• •

••

• •

• •

••

••

• •

••

• •

••

• •

••

••

••

••

• •

••

••

••

• •

•• •

• •

••

••

••

• •

• •

••

• •

••

••

• •

•••

••

%

=1.00

RP

E

k

onometr

ia

12

background image

Wsp

ółczynnik

korelacji

między

cec

hami

X

i

Y

%

=

ko

w

ariancja(

X

,Y

)

D

2

X

·

D

2

Y

Niec

h

(X

1

,Y

1

),

(X

2

,Y

2

),

..

.,

(X

n

,Y

n

)

b

ędzie

próbą

Wsp

ółczynnik

korelacji

z

prób

y

(próbk

owy)

R

=

co

v(

X

,Y

)

var

X

var

Y

Wsp

ółczynnik

korelacji

P

earsona

Suma

ilo

czynó

w

o

dc

h

yleń

co

v(

X

,Y

)

=

n

X

i=1

(X

i

¯ X

)(

Y

i

¯ Y

)

n

X

i=1

X

i

Y

i

n

¯ X

¯ Y

=

n

X

i=1

X

i

Y

i

1

n

n

X

i=1

X

i

!

n

X

i=1

Y

i

!

RP

E

k

onometr

ia

13

H

0

:

Cec

hy

X

oraz

Y

niezależne

m

H

0

:

%

=

0

T

est

wsp

ółczynnik

a

korelacji

P

earsona

(p

oziom

istotności

α

)

Próba:

(X

i

,Y

i

),

i

=

1,

..

.,

n

Stat

yst

yk

a

testo

w

a

R

=

co

v(

X

,Y

)

var

X

var

Y

W

artość

kryt

yczna

r(

α

;n

)

(dwustronna)

Jeżeli

|R

|

>

r(

α

;n

),

to

hip

otezę

H

0

odrzucam

y.

RP

E

k

onometr

ia

14

background image

Ilościo

wy

opis

zależności

Zakładam

y

niezero

w

ość

wsp

ółczynnik

a

korelacji:

%

6=

0

Ilościo

wy

opis

zależności

Y

od

X

:

E

(Y

|X

=

x

)

=

f

(x

)

Funk

cja

f

nosi

nazw

ę

funk

cji

regresji

Przy

założeniu

normalności

f

(x

)

=

β

0

+

β

1

x

β

1

wsp

ółczynnik

regresji

β

0

stała

regresji

Zadanie:

oszaco

w

parametry

funk

cji

regresji

RP

E

k

onometr

ia

15

Ocena

parametró

w

funk

cji

regresji

Próba

(X

1

,Y

1

),

..

.,

(X

n

,Y

n

)

Niezb

ędne

rac

hunki

¯ X

,

var

X

,

¯ Y

,

var

Y

,

co

v(

X

,Y

)

b β

1

=

co

v(

X

,Y

)

var

X

b β

0

=

¯ Y

b β

1

¯ X

Reszto

w

a

suma

kw

adrató

w

R

S

S

=

var

Y

(1

R

2

)

Reszto

w

a

suma

kw

adrató

w

reprezen

tuje

rozrzut

ob-

serw

acji

cec

hy

Y

w

ok

ół

dopaso

w

anej

funk

cji

regresji

W

ariancja

reszto

w

a

S

2

=

R

S

S

n

2

RP

E

k

onometr

ia

16

background image

Przedział

ufności

dla

wsp

ółczynnik

a

regresji

(p

oziom

ufności

1

α

)

W

ariancja

est

ymatora

b β

1

S

2 β

1

=

S

2

var

X

Przedział

ufności

β

1

(bβ

1

t(

α

;n

2)

S

β

1

;bβ

1

+

t(

α

;n

2)

S

β

1

)

Przedział

ufności

dla

stałej

regresji

(p

oziom

ufności

1

α

)

W

ariancja

est

ymatora

b β

0

S

2 β

0

=

S

2

var

X



var

X

n

+

¯ X

2



Przedział

ufności

β

0

(bβ

0

t(

α

;n

2)

S

β

0

;bβ

0

+

t(

α

;n

2)

S

β

0

)

RP

E

k

onometr

ia

17

Przykład.

W

p

ewnej

ro

dzinie

obserw

ow

ano

tygo-

dnio

w

e

wydatki

na

używki

(Uż)

i

art

ykuły

sp

ożyw-

cze

(Sp).

Na

p

odsta

wie

p

oniższyc

h

dan

yc

h

zbadać

istnienie

zależności.

Jeżeli

tak

a

zależność

istnieje,

to

opisać

ilościo

w

o.

Sp

Sp

Sp

Sp

Sp

28

.50

45

.54

26

.55

44

.35

28

.37

44

.00

38

.31

42

.92

22

.78

45

.03

23

.61

45

.33

21

.55

45

.71

28

.15

44

.46

21

.94

46

.50

25

.76

45

.29

31

.22

43

.31

20

.77

46

.01

36

.71

43

.36

32

.69

43

.50

22

.39

45

.16

36

.38

42

.33

25

.11

46

.12

29

.57

44

.39

34

.51

43

.82

28

.19

44

.76

35

.99

42

.40

26

.13

43

.82

29

.07

45

.05

39

.59

41

.77

29

.84

44

.01

38

.67

42

.31

19

.41

46

.10

27

.43

44

.11

29

.58

44

.29

30

.14

43

.91

19

.08

46

.28

27

.16

45

.52

39

.86

41

.98

27

.38

44

.74

28

.39

44

.29

28

.83

43

.39

27

.98

44

.59

34

.33

43

.34

33

.38

43

.01

40

.97

42

.14

35

.48

42

.68

30

.67

44

.01

41

.88

41

.98

28

.09

44

.40

21

.29

46

.61

24

.57

45

.10

28

.17

43

.91

26

.73

44

.20

33

.79

43

.26

26

.32

44

.92

Plan

działania

1.

Istnienie

zależności

2.

Ilościo

wy

opis

3.

Wnioski

RP

E

k

onometr

ia

18

background image

41

42

43

44

45

46

47

20

25

30

35

40

p

omiary

• •

• •

• •

• ••

• •

• •

••

• •

19.08

46.3036

19.41

46.23676

20.77

45.96131

21.29

45.85599

21.55

45.80333

21.94

45.72434

22.39

45.6332

22.78

45.55421

23.61

45.3861

24.57

45.19166

25.11

45.08229

25.76

44.95064

26.13

44.8757

26.32

44.83722

26.55

44.79064

26.73

44.75418

27.16

44.66709

27.38

44.62253

27.43

44.61241

27.98

44.50101

28.09

44.47873

28.15

44.46658

28.17

44.46253

28.19

44.45848

28.37

44.42202

28.39

44.41797

28.5

44.39569

28.83

44.32885

29.07

44.28024

29.57

44.17897

29.58

44.17695

29.84

44.12429

30.14

44.06353

30.67

43.95618

31.22

43.84479

32.69

43.54706

33.38

43.4073

33.79

43.32426

34.33

43.21489

34.51

43.17844

35.48

42.98197

35.99

42.87868

36.38

42.79969

36.71

42.73285

38.31

42.40879

38.67

42.33588

39.59

42.14954

39.86

42.09486

40.97

41.87004

41.88

41.68573

/

RP

E

k

onometr

ia

19

P

opulacja:

Cec

h

y:

X

:

tygo

dnio

w

e

wydatki

na

używki

Y

:

tygo

dnio

w

e

wydatki

na

art

ykuły

sp

ożyw

cze

Założenie:

normalność

rozkładó

w

badan

yc

h

cec

h

T

ec

hniki

stat

yst

yczne:

1.

W

eryfik

acja

hip

otezy

H

0

:

%

=

0

2.

Dopaso

w

anie

funk

cji

regresji

y

=

β

0

+

β

1

x

P

oziom

istotności

α

=

0.

05

P

oziom

ufności

1

α

=

0.

95

RP

E

k

onometr

ia

20

background image

W

eryfik

acja

hip

otezy

H

0

:

%

=

0

Obliczenie

próbk

ow

ego

wsp

ółczynnik

a

korelacji

R

=

co

v(

x,

y

)

var

x

var

y

n

=

50

¯x

=

29

.4652

X

x

2 i

=

45067

.8076

¯y

=

44

.2002

X

y

2 i

=

97762

.2887

X

x

i

y

i

=

64782

.5974

var

x

=

X

x

2 i

n

x

)

2

=

1657

.907048

var

y

=

X

y

2 i

n

y

)

2

=

79

.404698

co

v(

x,

y

)

=

X

x

i

y

i

n

¯x

¯y

=

335

.789252

RP

E

k

onometr

ia

21

Próbk

owy

wsp

ółczynnik

korelacji

R

=

335

.789252

1657

.907048

·

79

.404698

=

0.

9255

W

artość

kryt

yczna

wsp

ółczynnik

a

korelacji

P

earsona

r(0

.05;

50)

=

0.

2787

P

oniew

|R

|

>

r(0

.05;

50),

więc

hip

otezę

o

zero

w

o-

ści

wsp

ółczynnik

a

korelacji

odrzucam

y.

Wniosek.

Wydatki

na

używki

(X

)

i

wydatki

na

art

ykuły

sp

o-

żyw

cze

(Y

)

od

siebie

zależne.

P

oniew

wsp

ół-

czynnik

korelacji

jest

ujemn

y,

więc

zależność

ma

cha-

rakter

malejący

,tzn.

im

większe

wydatki

na

używ-

ki,

tym

mniejsze

(średnio)

na

art

ykuły

sp

ożyw

cze.

RP

E

k

onometr

ia

22

background image

Ilościo

wy

opis

zależności

E

(Y

|X

=

x

)

=

β

0

+

β

1

x

b β

1

=

co

v(

x,

y

)

var

x

=

335

.789252

1657

.907048

=

0.

2025

b β

0

=

¯y−

b β

1

¯x

=

44

.2002

(

0.

2025)

·

29

.4652

=

50

.1680

Zależność

między

średnim

kosztem

a

ilością

to

w

aru

opisana

jest

wzorem

średni

y

=

50

.1680

0.

2025

x

wnanie

to

ob

owiązuje

tylk

o

w

zakresie

między

min

x

i

=

41

a

max

x

i

=

47.

W

ariancja

reszto

w

a

s

2

=

var

Y

(1

R

2

)

(n

2)

=

0.

2374

RP

E

k

onometr

ia

23

Przedziały

ufności

W

artość

kryt

yczna

t(0

.05;

48)

=

2.

0106

Przedział

ufności

dla

wsp

ółczynnik

a

regresji

s

2 β

1

=

s

2

var

x

=

0.

0001432

β

1

(bβ

1

t(

α

;n

2)

S

β

1

;bβ

1

+

t(

α

;n

2)

S

β

1

)

β

1

(

0.

2266

,−

0.

1785)

Wniosek:

zwiększenie

wydatk

ów

na

używki

o

jed-

nostk

ę

sp

ow

oduje

przeciętn

y

spadek

wydatk

ów

na

art

ykuły

sp

ożyw

cze

o

co

na

jmniej

0.

1785,

ale

nie

więcej

niż

0.

2266

(zaufanie

do

tak

sform

uło

w

anego

wniosku

wynosi

95%).

Przedział

ufności

dla

stałej

regresji

s

2 β

0

=

s

2

var

x



var

x

n

+

¯x

2



=

0.

1291

β

0

(bβ

0

t(

α

;n

2)

s

β

0

;bβ

0

+

t(

α

;n

2)

s

β

0

)

β

0

(49

.4457

,50

.8903)

RP

E

k

onometr

ia

24

background image

41

42

43

44

45

46

47

20

25

30

35

40

p

omiary

• •

• •

• •

• ••

• •

• •

••

• •

......

......

......

...

prosta

regresji

........

..........

.........

.........

.........

..........

.........

.........

.........

.........

.........

.........

..........

.........

.........

..........

.........

.........

..........

.........

..........

.........

..........

.........

.........

..........

.........

..........

..........

..........

... .........

............

.........

..........

.........

...........

..........

..........

..........

.........

..........

.........

.........

.........

.........

..........

.........

..........

.........

..........

..........

..........

.........

.........

..........

.........

..........

.........

.........

.........

.........

.........

.........

.........

.........

..........

.........

.........

..........

..........

.........

.........

..........

.........

.........

........

RP

E

k

onometr

ia

25

Czynniki

determinist

yczne

m

=

1

p

=

1

Obserwujem

y

cec

Y

oraz

zmienną

X

Obiekt

(X

,Y

)

1.

Prop

ozycja

funk

cji

regresji

f

.

2.

Dopaso

w

anie

zaprop

ono

w

anej

funk

cji.

3.

Ocena

jak

ości

dopaso

w

ania.

4.

Wnioski.

Założenie:

Cec

ha

Y

ma

rozkład

normaln

y

RP

E

k

onometr

ia

26

background image

Regresja

prosta

Funk

cja

regresji

zależna

tylk

o

od

jednego

argumen

tu

Nazw

a

funk

cji

Wzór

funk

cji

Mo

del

Linio

w

a

a

+

bx

y

=

a

+

bx

P

otęgo

w

a

ax

b

ln

y

=

ln

a

+

b

ln

x

Wykładnicza

exp

(a

+

bx

)

ln

y

=

a

+

bx

T

ypu

S

exp

(a

+

b

x

)

ln

y

=

a

+

b

1 x

Hip

erb

oliczna

1

a

+

bx

1 y

=

a

+

bx

P

odw

ójnie

1

a

+

b/x

1 y

=

a

+

b

1 x

hip

erb

oliczna

Pierwiastk

ow

a

a

+

b

x

y

=

a

+

b

x

Logarytmiczna

a

+

b

ln

x

y

=

a

+

b

ln

x

RP

E

k

onometr

ia

27

regresja

linio

w

a

.........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

.......

regresja

p

otęgo

w

a

.........

..........

..........

..........

........

..........

..........

..........

..........

..........

..........

..........

..........

...........

..........

.........

........

........

........

........

........

.......

........

.......

.......

.......

.......

.......

.......

.......

.......

..

regresja

wykładnicza

.........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

............

............

...........

..........

.........

.........

.........

........

.....

regresja

typu

S

.........

..........

..........

.........

.........

.........

.........

.........

.........

...........

..........

...........

............

............

..........

..........

..........

..........

..........

..........

..........

..........

..........

.

regresja

hip

erb

oliczna

. ... .. ... .............. .. . .. ... . .. . ..

............. . .. ....... .

. .. .. .......... .

.. . ...........

...... .. ..

.. .. ......

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

...

regresja

p

odw

ójnie

hip

erb

oliczna

......

......

......

.......

......

.......

......

.......

......

.......

.......

.......

........

........

.........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

.

regresja

pierwiastk

ow

a

.......

.......

........

........

.........

..........

............

...........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

.

regresja

logarytmiczna

......

......

......

.......

.......

.......

......

.......

........

........

.........

...........

.........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

..........

.....

RP

E

k

onometr

ia

28

background image

Funk

cja

regresji

E

(Y

|X

=

x

)

=

β

0

+

β

1

x

(Y

1

,X

1

),

..

.,

(Y

n

,X

n

)

obserw

acje

Mo

del

Y

i

=

β

0

+

β

1

x

i

+

ε

i

,

i

=

1,

..

.,

n,

ε

i

niezależn

ymi

zmienn

ymi

loso

wymi

o

tym

sa-

m

ym

rozkładzie

normaln

ym

N

(0

2

).

Est

ymacja

wsp

ółczynnik

ów

meto

na

jmniejszyc

h

kw

adrató

w

Znaleźć

takie

β

0

i

β

1

by

n

X

i=1

(Y

i

(β

0

+

β

1

x

i

))

2

=

min

RP

E

k

onometr

ia

29

Meto

da

na

jmniejszyc

h

kw

adrató

w

X

i

Y

i

β

0

+

β

1

X

i

ε

i

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

........

......

......

.

......

......

.

......

......

.

......

......

.

......

......

.

......

......

.

......

......

.

......

......

.

......

......

.

......

......

.

......

......

.

......

......

.

......

......

.

......

......

.

......

......

.

......

......

.

......

.

......

......

.

......

......

.

......

......

.

......

......

.

......

......

.

......

......

.

......

......

.

......

......

.

......

.

Szuk

am

y

takic

h

parametró

w

β

0

,

β

1

ab

y

zminimali-

zo

w

sumę

kw

adrató

w

reszt,

tzn.

n

X

i=1

ε

2 i

=

min

RP

E

k

onometr

ia

30

background image

Rozwiązanie

b β

0

=

¯ Y

b β

1

¯x

b β

1

=

P

n

i=1

(x

i

¯x)(

Y

i

¯ Y

)

P

n

i=1

(x

i

¯x)

2

=

co

v(

X

,Y

)

var

X

Reszto

w

a

suma

kw

adrató

w

RSS

=

n

X

i=1

(Y

i

(bβ

0

+

b β

1

x

i

))

2

Ocena

w

ariancji

σ

2

S

2

=

var

Y

b β

1

co

v(

X

,Y

)

n

2

!

=

var

Y

var

R

n

2

RP

E

k

onometr

ia

31

Istnienie

zależności

W

eryfik

acja

hip

otezy

H

0

:

β

1

=

0

Źró

dło

Suma

Stopnie

Średnie

F

zmienności

kw

adrató

w

sw

ob

o

dy

kw

adrat

y

Regresja

var

R

1

s

2

R

=v

ar

R

s

2

R

/s

2

Błąd

RSS

n

2

s

2

=RSS

/

(n

2)

Całk

owita

var

Y

n

1

var

R

=

b β

1

co

v(

X

,Y

),

var

Y

=

n

X

i=1

(Y

i

¯ Y

)

2

Jeżeli

hip

oteza

H

0

:

β

1

=

0

jest

pra

wdziw

a,

to

F

=

s

2 R

s

2

ma

rozkład

F

z

(1

,n

2)

stopniami

sw

ob

ody

Hip

otezę

odrzucam

y,

jeżeli

F

>

F

(α

;1

,n

2)

F

(α

;1

,n

2)

w

artość

kryt

yczna

rozkładu

F

.

RP

E

k

onometr

ia

32

background image

Przedział

ufności

dla

β

1

P

oziom

ufności

1

α

β

1

(bβ

1

t(

α

;n

2)

S

β

1

;bβ

1

+

t(

α

;n

2)

S

β

1

)

S

2 β

1

=

S

2

var

X

In

terpretacja

wsp

ółczynnik

a

regresji

β

1

jeżeli

w

artość

zmiennej

niezależnej

x

wzrośnie

o

jed-

nostk

ę,

to

średnia

w

artość

cec

hy

Y

zmieni

się

(wzro-

śnie

lub

zmaleje)

o

ok

oło

b β

1

jednostek,

a

dokładniej

zmieni

się

o

b β

1

±

t(

α

;n

2)

S

β

1

jednostek.

Przedział

ufności

dla

β

0

P

oziom

ufności

1

α

β

0

(bβ

0

t(

α

;n

2)

S

β

0

;bβ

0

+

t(

α

;n

2)

S

β

0

),

S

2 β

0

=

S

2

var

X



var

X

n

+

¯ X

2



RP

E

k

onometr

ia

33

Wsp

ółczynnik

determinacji

Niec

h

Y

i

=

β

0

+

β

1

x

i

+

ε

i

,i

=

1,

..

.,

n

oraz

niec

h

b Y

i

=

b β

0

+

b β

1

x

i

,i

=

1,

..

.,

n

Dla

par

(Y

i

,bY

i

)

wyznaczam

y

R

=

P

n

i=1

(Y

i

¯ Y

)(

b Y

i

¯ b Y

)

q

P

n

i=1

(Y

i

¯ Y

)

2

P

n

i=1

(bY

i

¯ b Y

)

2

.

RP

E

k

onometr

ia

34

background image

Wsp

ółczynnik

determinacji

zmiennej

Y

przez

X

D

=

R

2

·

100%

=

P

(bY

i

¯ Y

)

2

P

(Y

i

¯ Y

)

2

·

100%

.

Jest

to

liczba

z

przedziału

(0%

,100%)

idopaso

w

anie

funk

cji

regresji

jest

tym

lepsze,

im

ten

wsp

ółczynnik

jest

wyższy

.

Rozkład

zmienności

cec

hy

Y

:

X

(Y

i

¯ Y

)

2

=

X

(Y

i

b Y

i

)

2

+

X

(bY

i

¯ Y

)

2

P

(Y

i

b Y

i

)

2

P

(Y

i

¯ Y

)

2

+

R

2

=

1.

Wsp

ółczynnik

determinacji

pro

cen

t

zmienności

cec

hy

Y

wyjaśnian

y

przez

funk

cję

regresji.

Jeżeli

funk

cja

regresji

jest

funk

cją

linio

w

ą,

to

D

=

(co

v(

Y

,X

))

2

var

X

var

Y

·

100%

RP

E

k

onometr

ia

35

Obszar

ufności

dla

prostej

regresji

y

=

β

0

+

β

1

x

Średnia

w

artość

cec

hy

Y

dla

ustalonego

X

=

x

by

(x

)

=

b β

0

+

b β

1

x

Obszar

ufności

(p

oziom

ufności

1

α

)

E

(Y

|x

)

(by

(x

)

t(

α

;n

2)

S

Y

;by

(x

)+

t(

α

;n

2)

S

Y

)

S

2 Y

=

S

2



1

n

+

(x

¯ X

)

2

var

X



Na

p

odsta

wie

obszaru

ufności

wnioskujem

y

o

w

ar-

tościac

h

średnic

h

cec

hy

Y

jedno

cześnie

dla

wielu

wybran

yc

h

w

artości

cec

hy

X

RP

E

k

onometr

ia

36

background image

Predyk

cja

w

artości

zmiennej

Y

(x

)

W

artość

cec

hy

Y

dla

ustalonego

X

=

x

by

(x

)

=

b β

0

+

b β

1

x

Obszar

predyk

cji

(p

oziom

ufności

1

α

)

Y

(x

)

(by

(x

)

t(

α

;n

2)

S

y

(x

)

;by

(x

)+

t(

α

;n

2)

S

y

(x

)

)

S

2 y(

x

)

=

S

2



1

+

1

n

+

(x

¯ X

)

2

var

X



Na

p

odsta

wie

obszaru

predyk

cji

wnioskujem

y

o

w

ar-

tościac

h

cec

hy

Y

jedno

cześnie

dla

wielu

wybran

yc

h

w

artości

cec

hy

X

RP

E

k

onometr

ia

37

15

20

25

30

35

40

45

50

55

60

65

70

0

10

20

30

40

50

p

omiary

••

• •

• •

• •

• •

• •

• •

• •

• •

••

• •

••

• •

......

......

......

......

......

......

......

......

.

prosta

regresji

.......

.......

........

.......

........

.......

........

.......

.........

.......

........

.......

........

........

........

.......

........

.......

.......

.........

.......

........

.......

........

.......

........

.......

........

.......

........

.......

........

.......

........

.......

.......

........

.......

........

.......

........

.......

........

.......

........

.......

........

.......

........

.......

.........

.......

.......

........

.......

........

.......

........

.......

........

.......

........

.......

........

........

........

.......

........

.......

.......

........

.......

........

.......

........

.......

........

.......

........

........

........

.......

........

.......

........

.......

.......

........

.......

........

.......

........

.......

........

.......

........

.......

........

.......

........

.......

.......

........

.......

..

......

.

......

.

......

.

......

.

obszar

ufności

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

...

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

.......

...

......

......

......

....

......

......

..

obszar

predyk

cji

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

..

....

........

........

RP

E

k

onometr

ia

38

background image

Przykład.

Badano

zależność

między

ceną

to

w

aru

a

p

op

ytem

na

ten

to

w

ar.

Na

p

odsta

wie

p

oniższyc

h

dan

yc

h

przepro

w

adzić

analizę

regresji.

Cena

P

op

yt

Cena

P

op

yt

Cena

P

op

yt

Cena

P

op

yt

Cena

P

op

yt

0

688

.

6660

20

305

.

2350

40

137

.

6316

60

59

.

2920

80

26

.

6664

1

668

.

5006

21

313

.

3761

41

119

.

8710

61

56

.

8174

81

24

.

5516

2

585

.

2404

22

274

.

8090

42

122

.

3169

62

57

.

1199

82

24

.

7466

3

620

.

7191

23

265

.

8115

43

112

.

8871

63

53

.

9587

83

21

.

1797

4

631

.

3066

24

263

.

9127

44

114

.

8166

64

52

.

7557

84

21

.

7877

5

555

.

6787

25

247

.

1726

45

110

.

2780

65

49

.

6954

85

20

.

9799

6

523

.

0394

26

227

.

9754

46

109

.

9141

66

44

.

5124

86

19

.

7234

7

510

.

7502

27

237

.

3264

47

101

.

6284

67

44

.

9967

87

18

.

6367

8

504

.

5449

28

229

.

8074

48

89

.

6586

68

44

.

3595

88

19

.

2405

9

459

.

9711

29

213

.

1303

49

93

.

1468

69

39

.

7275

89

17

.

4347

10

441

.

8514

30

201

.

1405

50

87

.

3825

70

39

.

8829

90

18

.

3870

11

463

.

2068

31

216

.

3138

51

82

.

7416

71

39

.

3322

91

15

.

9288

12

381

.

5119

32

195

.

3679

52

77

.

3328

72

35

.

1059

92

16

.

8617

13

422

.

1652

33

176

.

2760

53

76

.

7411

73

34

.

4407

93

14

.

2136

14

374

.

1622

34

184

.

1000

54

82

.

4336

74

33

.

2335

94

14

.

6192

15

397

.

3657

35

169

.

1835

55

68

.

8193

75

31

.

4761

95

13

.

7955

16

357

.

4174

36

160

.

1516

56

67

.

3987

76

30

.

4003

96

12

.

4930

17

331

.

1023

37

149

.

3296

57

64

.

2539

77

30

.

0409

97

12

.

7864

18

309

.

4546

38

148

.

2669

58

65

.

4210

78

30

.

1891

98

11

.

3360

19

295

.

2351

39

143

.

3767

59

61

.

5881

79

24

.

2257

99

11

.

6303

Plan

działania

1.

Prop

ozycja

funk

cji

regresji

2.

Dopaso

w

anie

funk

cji

regresji

3.

Istnienie

zależności

4.

Jak

ość

dopaso

w

ania

5.

Wnioski

RP

E

k

onometr

ia

39

p

op

yt

• •

••

• • •

• • •

• ••

• • •

•••

• ••

• ••

• • •

• • •

• • •

•••

• ••

•••

• • •

•••

•••

•••

•••

•••

•••

•••

•••

•••

•••

•••

•••

•••

•••

•••

•••

•••

ln(p

op

yt)

•• •

•• •

•••

•••

•••

• • •

• ••

• ••

• • •

•• •

•••

•••

• ••

•• •

• ••

•• •

•••

• ••

• ••

•••

•••

•• •

•••

•••

•••

•••

• ••

•• •

•• •

•• •

• ••

•••

•• •

RP

E

k

onometr

ia

40

background image

F

unk

cja

regresji

p

op

yt

=

exp

(a

+

cena

)

Mo

del

ln(p

op

yt

)

=

β

0

+

β

1

·

cena

Y

=

ln

(p

op

yt)

x

=

cena

β

0

=

a

β

1

=

b

Dopaso

w

anie

funk

cji

regresji

¯x

=

49

.50

¯y

=

4.

5053771

var

x

=

82500

var

y

=

141

.2006027

co

v(

x,

y

)

=

3427

.7924020

b β

0

=

6.

541689

b β

1

=

0.

04114

s

2

=

0.

001932

RP

E

k

onometr

ia

41

Istnienie

zależności

H

0

:

β

1

=

0

Źró

dło

Suma

Stopnie

Średnie

F

zmienności

kw

adrató

w

sw

ob

o

dy

kw

adrat

y

Regresja

141

.0112

1

141

.0112

72973

.08

Błąd

0.

189373

98

0.

001932

Całk

owita

141

.2006

99

W

artość

kryt

yczna

F

(0

.05;

1,

98)

=

3.

938

Wniosek:

zaprop

ono

w

ana

funk

cja

regresji

może

opisyw

za-

leżność

między

ceną

a

p

op

ytem

na

to

w

ar

RP

E

k

onometr

ia

42

background image

Wsp

ółczynnik

determinacji

D

=

99

.866%

Zastoso

w

anie

Przedział

ufności

dla

oczekiw

anego

p

op

ytu

na

to

w

ar

przy

cenie

x

=

30

dla

Y

(5

.297033

,5

.318088)

dla

p

op

ytu

(199

.7434

,203

.9935)

Elast

yczność

ceno

w

a

p

op

ytu

d

ln

(exp

(a

+

cena

))

d

ln

(cena

)

=

cena

=

0.

04114

·

cena

RP

E

k

onometr

ia

43

Loso

w

e

czynniki

m

=

1

p

=

2

Obserwujem

y

trzy

cec

hy:

X

1

,X

2

,X

3

Obiekt

(X

1

,X

2

,X

3

)

1.

Czy

cec

hy

X

1

,X

2

,X

3

niezależne?

Czy

X

1

zależy

jedno

cześnie

od

X

2

oraz

X

3

?

Czy

X

1

zależy

od

X

2

?

Czy

X

1

zależy

od

X

3

?

2.

Opis

ilościo

wy

zależności.

3.

Wnioski.

Założenie:

Łączn

y

rozkład

cec

h

X

1

,X

2

,X

3

jest

normaln

y

RP

E

k

onometr

ia

44

background image

Wsp

ółczynnik

korelacji

wielokrotnej

między

X

1

a

parą

(X

2

,X

3

)

%

1|

2,

3

=

max

λ

1

2

%

(X

1

1

X

2

+

λ

2

X

3

)

1.

%

1|

2,

3

h0

,1

i

2.

%

1|

2,

3

=

0:

X

1

nie

jest

zależne

od

(X

2

,X

3

)

3.

%

1|

2,

3

=

1:

X

1

jest

linio

w

ą

funk

cją

(X

2

,X

3

)

%

1|

2,

3

=

s

1

|C

|

|C

11

|

|C

|:

wyznacznik

macierzy

C

=

1

%

12

%

13

%

21

1

%

23

%

31

%

32

1

|C

11

|:

wyznacznik

macierzy

C

11

=



1

%

23

%

32

1



RP

E

k

onometr

ia

45

H

0

:

Cec

ha

X

1

jest

niezależna

od

X

2

,X

3

m

H

0

:

%

1|

2,

3

=

0

T

est

wsp

ółczynnik

a

korelacji

wielokrotnej

(p

oziom

istotności

α

)

Próba:

(X

1i

,X

2i

,X

3i

),

i

=

1,

..

.,

n

Stat

yst

yk

a

testo

w

a

R

1|

2,

3

=

s

1

|C

|

|C

11

|

|C

|,

|C

11

|:

próbk

ow

e

odp

owiedniki

|C

|

oraz

|C

11

|

W

artość

kryt

yczna

r(

α

;n,

3)

Jeżeli

R

1|

2,

3

>

r(

α

;n,

3),

to

hip

otezę

odrzucam

y.

RP

E

k

onometr

ia

46

background image

Wsp

ółczynnik

korelacji

cząstk

ow

ej

między

X

1

a

X

2

lub

między

X

1

a

X

3

%

12

|3

=

%

12

%

13

%

23

q

(1

%

2 13

)(1

%

2 23

)

Miernik

indywidualnego

wpływu

zmiennej

X

2

na

X

1

%

13

|2

=

%

13

%

12

%

23

q

(1

%

2 12

)(1

%

2 23

)

Miernik

indywidualnego

wpływu

zmiennej

X

3

na

X

1

RP

E

k

onometr

ia

47

H

0

:

Cec

ha

X

1

jest

niezależna

od

X

2

m

H

0

:

%

12

|3

=

0

T

est

wsp

ółczynnik

a

korelacji

cząstk

ow

ej

(p

oziom

istotności

α

)

Próba:

(X

1i

,X

2i

,X

3i

),

i

=

1,

..

.,

n

Stat

yst

yk

a

testo

w

a

R

12

|3

=

R

12

R

13

R

23

q

(1

R

2 13

)(1

R

2 23

)

W

artość

kryt

yczna

r(

α

;n

1)

Jeżeli

R

12

|3

>

r(

α

;n

1),

to

hip

otezę

odrzucam

y.

RP

E

k

onometr

ia

48

background image

Ilościo

wy

opis

zależności

X

1

:

zmienna

zależna;

X

2

,X

3

:

zmienne

niezależne

Założenie:

%

1|

2,

3

6=

0

Ilościo

wy

opis

zależności

X

1

od

X

2

,X

3

:

E

(X

1

|X

2

=

x

2

,X

3

=

x

3

)

=

f

(x

2

,x

3

)

Funk

cja

f

nosi

nazw

ę

funk

cji

regresji

Przy

założeniu

normalności

f

(x

2

,x

3

)

=

β

0

+

β

1

x

2

+

β

2

x

3

β

1

2

wsp

ółczynniki

regresji

β

0

stała

regresji

Zadanie:

oszaco

w

parametry

funk

cji

regresji

RP

E

k

onometr

ia

49

%

12

|3

6=

0

oraz

%

13

|2

=

0

f

(x

2

,x

3

)

=

β

0

+

β

1

x

2

%

12

|3

=

0

oraz

%

13

|2

6=

0

f

(x

2

,x

3

)

=

β

0

+

β

2

x

3

%

12

|3

6=

0

oraz

%

13

|2

6=

0

f

(x

2

,x

3

)

=

β

0

+

β

1

x

2

+

β

2

x

3

RP

E

k

onometr

ia

50

background image

Ocena

parametró

w

funk

cji

regresji

f

(x

2

,x

3

)

=

β

0

+

β

1

x

2

+

β

2

x

3

Próba:

(X

1i

,X

2i

,X

3i

),

i

=

1,

..

.,

n

Niezb

ędne

rac

hunki

¯ X

1

,

var

X

1

,

¯ X

2

,

var

X

2

,

¯ X

3

,

var

X

3

co

v(

X

1

,X

2

),

co

v(

X

1

,X

3

),

co

v(

X

2

,X

3

)

   

  

b β

1

var

X

2

+

b β

2

co

v(

X

2

,X

3

)

=

co

v(

X

1

,X

2

)

b β

1

co

v(

X

2

,X

3

)

+

b β

2

var

X

3

=

co

v(

X

1

,X

3

)

¯ X

1

b β

1

¯ X

2

b β

2

¯ X

3

=

b β

0

W

ariancja

reszto

w

a

S

2

=

var

X

1

b β

1

co

v(

X

1

,X

2

)

b β

2

co

v(

X

1

,X

3

)

n

3

RP

E

k

onometr

ia

51

Przedziały

ufności

(p

oziom

ufności

1

α

)

W

ariancje

est

ymatoró

w

b β

0

,b

β

1

oraz

b β

2

S

2 β

0

=

S

2

  

1

n

+

¯ X

2 2

var

X

2

+

¯ X

2 3

var

X

3

R

2 23

co

v(

X

2

,X

3

)

1

R

2 23

  

S

2 β

1

=

S

2

(1

R

2 23

)v

ar

X

2

,

S

2 β

2

=

S

2

(1

R

2 23

)v

ar

X

3

β

0

(bβ

0

t(

α

;n

3)

S

β

0

,bβ

0

+

t(

α

;n

3)

S

β

0

)

β

1

(bβ

1

t(

α

;n

3)

S

β

1

,bβ

1

+

t(

α

;n

3)

S

β

1

)

β

2

(bβ

2

t(

α

;n

3)

S

β

2

,bβ

2

+

t(

α

;n

3)

S

β

2

)

RP

E

k

onometr

ia

52

background image

Przykład.

Badano

zależność

wydatk

ów

na

art

ykuły

sp

ożyw

cze

(spo

),

papierosy

(pap

)

oraz

alk

ohol

(al

k

).

Zbadać

istnienie

zależności

między

obserw

ow

an

ymi

cec

hami.

Jeżeli

tak

a

zależnośc

istnieje,

to

dok

onać

ilościo

w

ego

opisu

zależności

wydatk

ów

na

art

ykuły

sp

ożyw

cze

od

wydatk

ów

na

papierosy

i

alk

ohol.

Plan

działania

1.

Istnienie

zależności

(globalne)

2.

Istnienie

zależności

(szczegóło

w

e)

3.

Ilościo

wy

opis

4.

Wnioski

RP

E

k

onometr

ia

53

spo

pap

alk

spo

pap

alk

spo

pap

alk

44

.

700

17

.

219

9

.

007

46

.

111

20

.

942

10

.

999

45

.

404

20

.

009

12

.

531

46

.

276

25

.

147

17

.

896

45

.

711

22

.

822

16

.

530

45

.

525

23

.

036

7

.

398

42

.

816

14

.

058

3

.

966

46

.

444

25

.

741

15

.

733

45

.

464

23

.

497

9

.

083

43

.

913

16

.

138

2

.

994

45

.

002

20

.

720

10

.

082

45

.

045

22

.

251

13

.

428

43

.

153

13

.

745

1

.

762

43

.

945

14

.

510

7

.

168

45

.

239

20

.

838

14

.

094

42

.

882

13

.

699

1

.

531

45

.

444

22

.

108

12

.

129

44

.

957

18

.

856

11

.

239

45

.

135

19

.

768

9

.

826

43

.

973

19

.

331

6

.

090

44

.

990

21

.

613

10

.

985

44

.

630

21

.

172

8

.

871

44

.

160

16

.

562

6

.

022

46

.

453

23

.

518

13

.

543

44

.

814

18

.

716

12

.

596

44

.

547

18

.

017

9

.

695

43

.

461

12

.

029

3

.

969

45

.

866

25

.

955

12

.

608

45

.

513

20

.

351

13

.

938

45

.

299

20

.

736

11

.

418

46

.

661

21

.

698

16

.

489

43

.

239

16

.

374

3

.

604

45

.

258

22

.

986

11

.

462

45

.

902

25

.

328

13

.

603

45

.

042

19

.

075

9

.

032

43

.

883

14

.

958

5

.

947

44

.

476

19

.

728

7

.

633

45

.

849

23

.

434

14

.

054

45

.

951

20

.

049

11

.

978

45

.

758

19

.

657

10

.

890

45

.

691

24

.

335

13

.

439

45

.

524

20

.

994

11

.

236

43

.

478

15

.

544

4

.

372

45

.

589

24

.

425

12

.

026

44

.

837

18

.

890

7

.

913

45

.

028

19

.

563

13

.

800

46

.

038

22

.

876

15

.

742

45

.

645

21

.

738

14

.

515

43

.

258

14

.

392

0

.

000

44

.

852

18

.

392

11

.

117

45

.

262

20

.

759

11

.

350

46

.

448

21

.

677

13

.

751

44

.

418

19

.

357

8

.

986

45

.

214

20

.

536

8

.

660

45

.

758

22

.

670

14

.

357

44

.

684

18

.

497

6

.

391

45

.

235

20

.

834

12

.

183

45

.

596

19

.

358

9

.

863

46

.

993

24

.

193

17

.

175

44

.

264

19

.

093

7

.

888

45

.

694

22

.

280

10

.

962

44

.

766

23

.

872

12

.

055

45

.

114

21

.

661

13

.

746

44

.

759

19

.

592

10

.

129

45

.

881

24

.

349

13

.

843

43

.

692

14

.

715

5

.

933

45

.

139

18

.

918

13

.

511

45

.

542

20

.

990

9

.

781

46

.

191

21

.

654

10

.

359

45

.

487

21

.

357

13

.

203

46

.

267

22

.

777

12

.

233

44

.

102

18

.

026

7

.

559

45

.

862

21

.

197

11

.

346

45

.

764

23

.

187

13

.

694

44

.

015

16

.

131

7

.

026

45

.

122

19

.

459

10

.

473

44

.

175

18

.

641

8

.

736

46

.

216

21

.

593

16

.

206

44

.

058

16

.

185

8

.

181

44

.

931

19

.

738

10

.

106

44

.

438

17

.

409

4

.

812

46

.

627

23

.

092

15

.

384

44

.

648

20

.

565

8

.

123

46

.

375

21

.

986

17

.

361

45

.

113

23

.

196

11

.

913

47

.

343

27

.

154

19

.

683

43

.

833

16

.

376

3

.

436

46

.

655

24

.

503

18

.

693

44

.

019

18

.

870

9

.

191

46

.

590

24

.

103

16

.

300

44

.

356

16

.

834

9

.

488

44

.

269

17

.

659

4

.

979

45

.

976

25

.

565

13

.

919

45

.

919

19

.

618

15

.

049

46

.

353

25

.

101

15

.

462

43

.

970

16

.

474

7

.

606

44

.

800

17

.

701

5

.

745

42

.

809

15

.

205

3

.

151

45

.

872

23

.

032

10

.

712

43

.

604

16

.

210

3

.

852

RP

E

k

onometr

ia

54

background image

P

opulacja:

Cec

h

y:

X

1

:

wydatki

na

art

ykuły

sp

ożyw

cze

X

2

:

wydatki

na

papierosy

X

3

:

wydatki

na

alk

ohol

Założenie:

normalność

rozkładó

w

badan

yc

h

cec

h

T

ec

hniki

stat

yst

yczne:

1.

W

eryfik

acja

hip

otezy

H

0

:

%

1|

2,

3

=

0

2.

W

eryfik

acja

hip

otez

H

0

:

%

12

|3

=

0

oraz

H

0

:

%

13

|2

=

0

3.

Dopaso

w

anie

odp

owiedniej

funk

cji

regresji

P

oziom

istotności

α

=

0.

05

P

oziom

ufności

1

α

=

0.

95

RP

E

k

onometr

ia

55

Obliczenia

¯x

1

=

45

.090

¯x

2

=

20

.215

¯x

3

=

10

.496

X

x

2 1i

=

203414

.266951

X

x

2 2i

=

41897

.260651

X

x

2 3i

=

12750

.029343

X

x

1i

x

3i

=

47697

.150706

X

x

2i

x

3i

=

22324

.107946

X

x

1i

x

2i

=

91428

.748091

C

=

1.

0000

0.

8717

0.

8914

0.

8717

1.

0000

0.

8267

0.

8914

0.

8267

1.

0000

RP

E

k

onometr

ia

56

background image

H

0

:

%

1|

2,

3

=

0

T

est

wsp

ółczynnik

a

korelacji

wielokrotnej

|C

|

=

0.

0469

|C

11

|

=



1.

0000

0.

8267

0.

8267

1.

0000



=

0.

3165

R

1|

2,

3

=

s

1

|C

|

|C

11

|

=

r

1

0.

0469

0.

3165

=

0.

9230

W

artość

kryt

yczna

r(0

.05;

100

,3)

=

0.

2447

Hip

otezę

odrzucam

y

RP

E

k

onometr

ia

57

H

0

:

%

12

|3

=

0

T

est

wsp

ółczynnik

a

korelacji

cząstk

ow

ej

R

12

|3

=

R

12

R

13

R

23

q

(1

R

2 13

)(1

R

2 23

)

=

0.

8717

0.

8914

·

0.

8267

p

(1

0.

8914

2

)(1

0.

8267

2

)

=

0.

5284

W

artość

kryt

yczna

r(0

.05;

100

1)

=

0.

245

H

0

:

%

13

|2

=

0

R

13

|2

=

R

13

R

12

R

23

q

(1

R

2 12

)(1

R

2 23

)

=

0.

8914

0.

8717

·

0.

8267

p

(1

0.

8717

2

)(1

0.

8267

2

)

=

0.

6957

RP

E

k

onometr

ia

58

background image

Ocena

parametró

w

funk

cji

regresji

f

(x

2

,x

3

)

=

β

0

+

β

1

x

2

+

β

2

x

3

   

  

1033

.082880

b β

1

+

1106

.175319

b β

2

=

278

.818551

1106

.175319

b β

1

+

1733

.028891

b β

2

=

369

.315683

45

.090

20

.215

b β

1

10

.496

b β

2

=

b β

0

b β

1

=

0.

131759

b β

2

=

0.

129004

b β

0

=

41

.072954

W

ariancja

reszto

w

a

S

2

=

99

.038107

278

.818551

b β

1

369

.315683

b β

2

n

3

=

0.

151115

RP

E

k

onometr

ia

59

Przedziały

ufności

(p

oziom

ufności

0.

95)

W

ariancje

est

ymatoró

w

b β

0

,b

β

1

oraz

b β

2

S

2 β

0

=

0.

309071

S

2 β

1

=

0.

021496

S

2 β

2

=

0.

016597

β

0

(40

.45953

,41

.68637)

β

1

(0

.089094

,0

.174423)

β

2

(0

.096063

,0

.161944)

RP

E

k

onometr

ia

60

background image

Czynniki

determinist

yczne

m

=

1

p

=

2

Obserwujem

y

cec

Y

oraz

zmienne

X

1

,X

2

Obiekt

(X

1

,X

2

,Y

)

1.

Prop

ozycja

funk

cji

regresji

f

.

2.

Dopaso

w

anie

zaprop

ono

w

anej

funk

cji.

3.

Ocena

jak

ości

dopaso

w

ania.

4.

Wnioski.

Założenie:

Cec

ha

Y

ma

rozkład

normaln

y

RP

E

k

onometr

ia

61

Funk

cja

regresji

E

(Y

|X

1

=

x

1

,X

2

=

x

2

)

=

β

0

+

β

1

x

1

+

β

2

x

2

(Y

1

,x

11

,x

21

),

..

.,

(Y

n

,x

1n

,x

2n

)

obserw

acje

Mo

del

Y

i

=

β

0

+

β

1

x

1i

+

β

2

x

2

i

+

ε

i

,

i

=

1,

..

.,

n,

ε

i

niezależn

ymi

zmienn

ymi

loso

wymi

o

tym

sa-

m

ym

rozkładzie

normaln

ym

N

(0

2

).

Est

ymacja

wsp

ółczynnik

ów

meto

na

jmniejszyc

h

kw

adrató

w

Znaleźć

takie

β

0

,

β

1

i

β

2

by

n

X

i=1

(Y

i

(β

0

+

β

1

x

1i

+

β

2

x

2

i

))

2

=

min

RP

E

k

onometr

ia

62

background image

Rozwiązanie

   

  

b β

1

var

x

1

+

b β

2

co

v(

x

1

,x

2

)

=

co

v(

x

1

,x

3

)

b β

1

co

v(

x

1

,x

2

)

+

b β

2

var

x

2

=

co

v(

x

2

,x

3

)

¯ Y

b β

1

¯x

1

b β

2

¯x

2

=

b β

0

Reszto

w

a

suma

kw

adrató

w

RSS

=

n

X

i=1

(Y

i

(bβ

0

+

b β

1

x

1i

+

b β

2

x

2i

))

2

Ocena

w

ariancji

σ

2

S

2

=

1

n

3



var

Y

b β

1

co

v(

Y

,x

1

)

b β

2

co

v(

Y

,x

2

)



W

ariancje

est

ymatoró

w

S

2 β

1

=

S

2

(1

R

2 12

)v

ar

x

1

S

2 β

2

=

S

2

(1

R

2 12

)v

ar

x

2

S

2 β

0

=

S

2

1

n

+



¯x

2

1

var

x

1

+

¯x

2

2

var

x

2

R

2

12

co

v

(x

1

,x

2

)



1

R

2 12

RP

E

k

onometr

ia

63

Istnienie

zależności

W

eryfik

acja

hip

otezy

H

0

:

β

1

=

β

2

=

0

Źró

dło

Suma

Stopnie

Średnie

F

zmienności

kw

adrató

w

sw

ob

o

dy

kw

adrat

y

Regresja

var

R

2

s

2

R

=v

ar

R

s

2

R

/s

2

Błąd

RSS

n

3

s

2

=RSS

/

(n

3)

Całk

owita

var

Y

n

1

var

R

=

b β

1

co

v(

Y

,x

1

)

+

b β

2

co

v(

Y

,x

2

)

Jeżeli

hip

oteza

H

0

:

β

1

=

β

2

=

0

jest

pra

wdziw

a,

to

F

=

s

2 R

s

2

ma

rozkład

F

z

(2

,n

3)

stopniami

sw

ob

ody

Hip

otezę

odrzucam

y,

jeżeli

F

>

F

(α

;2

,n

3)

F

(α

;2

,n

3)

w

artość

kryt

yczna

rozkładu

F

.

RP

E

k

onometr

ia

64

background image

H

0

:

β

1

=

0

T

est

Studen

ta

(p

oziom

istotności

α

)

Stat

yst

yk

a

testo

w

a

t

emp

=

b β

1

S

β

1

W

artość

kryt

yczna

t(

α

;n

3)

Hip

otezę

odrzucam

y,

jeżeli

|t

emp

|

>

t(

α

;n

3)

H

0

:

β

2

=

0

T

est

Studen

ta

(p

oziom

istotności

α

)

Stat

yst

yk

a

testo

w

a

t

emp

=

b β

2

S

β

2

W

artość

kryt

yczna

t(

α

;n

3)

Hip

otezę

odrzucam

y,

jeżeli

|t

emp

|

>

t(

α

;n

3)

RP

E

k

onometr

ia

65

.................... ..................

.................... ..................

H

0

:

β

1

=

β

2

=

0

Nie

o

drzucam

y

Odrzucam

y

STOP

H

0

:

β

1

=

0

Nie

o

drzucam

y

Odrzucam

y

........... ...........................

......

......

......

......

......

......

......

......

......

......

......

......

......

......

......

.

............................................................................

H

0

:

β

2

=

0

Nie

o

drzucam

y

Odrzucam

y

. .....................................

. .....................................

Y

=

β

0

+

β

1

x

1

+

β

2

x

2

STOP

...................... ................

Y

=

β

0

+

β

2

x

2

...................................................................................................................................................................................................................................

Y

=

β

0

+

β

1

x

1

...................... ................

Analiza

regresji

prostej

RP

E

k

onometr

ia

66

background image

Przedział

ufności

dla

β

1

P

oziom

ufności

1

α

β

1

(bβ

1

t(

α

;n

3)

S

β

1

;bβ

1

+

t(

α

;n

3)

S

β

1

)

In

terpretacja

wsp

ółczynnik

a

regresji

β

1

jeżeli

w

artość

zmiennej

niezależnej

x

1

wzrośnie

o

jed-

nostk

ę

zaś

zmienna

x

2

p

ozostanie

na

tym

sam

ym

p

o-

ziomie,

to

średnia

w

artość

cec

hy

Y

zmieni

się

(wzro-

śnie

lub

zmaleje)

o

ok

oło

b β

1

jednostek,

a

dokładniej

zmieni

się

o

b β

1

±

t(

α

;n

3)

S

β

1

jednostek.

Przedział

ufności

dla

β

2

:

p

odobnie

jak

dla

β

1

RP

E

k

onometr

ia

67

Wsp

ółczynnik

determinacji

Niec

h

Y

i

=

β

0

+

β

1

x

1i

+

β

2

x

2i

+

ε

i

,i

=

1,

..

.,

n

oraz

niec

h

b Y

i

=

b β

0

+

b β

1

x

1i

+

b β

2

x

2i

,i

=

1,

..

.,

n

Dla

par

(Y

i

,bY

i

)

wyznaczam

y

R

=

P

n

i=1

(Y

i

¯ Y

)(

b Y

i

¯ b Y

)

q

P

n

i=1

(Y

i

¯ Y

)

2

P

n

i=1

(bY

i

¯ b Y

)

2

.

Wsp

ółczynnik

determinacji

zmiennej

Y

przez

X

D

=

R

2

·

100%

=

P

(bY

i

¯ Y

)

2

P

(Y

i

¯ Y

)

2

·

100%

.

Jest

to

liczba

z

przedziału

(0%

,100%)

idopaso

w

anie

funk

cji

regresji

jest

tym

lepsze,

im

ten

wsp

ółczynnik

jest

wyższy

.

RP

E

k

onometr

ia

68

background image

Obszar

ufności

dla

prostej

regresji

y

=

β

0

+

β

1

x

1

+

β

2

x

2

Średnia

w

artość

cec

hy

Y

dla

ustalon

yc

h

w

artości

X

1

=

x

1

,X

2

=

x

2

by

(x

1

,x

2

)

=

b β

0

+

b β

1

x

1

+

b β

2

x

2

Obszar

ufności

(p

oziom

ufności

1

α

)

E

(Y

|x

1

,x

2

)

(by

(x

1

,x

2

)

t(

α

;n

2)

S

Y

;

by

(x

1

,x

2

)

+

t(

α

;n

2)

S

Y

)

S

2 Y

=

S

2

·

[1

x

1

x

2

]·

·

n

P

x

1i

P

x

2i

P

x

1i

P

x

2 1i

P

x

1i

x

2i

P

x

2i

P

x

1i

x

2i

P

x

2 2i

1

1

x

1

x

2

Na

p

odsta

wie

obszaru

ufności

wnioskujem

y

o

w

ar-

tościac

h

średnic

h

cec

hy

Y

jedno

cześnie

dla

wielu

wybran

yc

h

w

artości

cec

h

X

1

,X

2

RP

E

k

onometr

ia

69

Predyk

cja

w

artości

zmiennej

Y

(x

1

,x

2

)

W

artość

cec

hy

Y

dla

ustalon

yc

h

X

1

=

x

1

,X

2

=

x

2

by

(x

1

,x

2

)

=

b β

0

+

b β

1

x

1

+

b β

2

x

2

Obszar

predyk

cji

(p

oziom

ufności

1

α

)

Y

(x

1

,x

2

)

(by

(x

1

,x

2

)

t(

α

;n

2)

S

y

(x

1

,x

2

)

;

by

(x

1

,x

2

)

+

t(

α

;n

2)

S

y

(x

1

,x

2

)

)

S

2 y(

x

1

,x

2

)

=

S

2

·



1

+

[1

x

1

x

2

]·

·

n

P

x

1i

P

x

2i

P

x

1i

P

x

2 1i

P

x

1i

x

2i

P

x

2i

P

x

1i

x

2i

P

x

2 2i

1

1

x

1

x

2



Na

p

odsta

wie

obszaru

predyk

cji

wnioskujem

y

o

w

ar-

tościac

h

cec

hy

Y

jedno

cześnie

dla

wielu

wybran

yc

h

w

artości

cec

h

X

1

,X

2

RP

E

k

onometr

ia

70

background image

Przykład.

Badano

wielk

ość

pro

duk

cji

(pr

od

)

p

ew-

nego

art

ykułu

w

zależności

od

ilości

dw

óc

h

suro

w

w

(sur

1

,

sur

2

)

wyk

orzyst

yw

an

yc

h

w

wyt

w

arzaniu

tego

art

ykułu.

Na

p

odsta

wie

p

oniższyc

h

dan

yc

h

przepro-

w

adzić

analizę

regresji.

Plan

działania

1.

Prop

ozycja

funk

cji

regresji

2.

Dopaso

w

anie

funk

cji

regresji

3.

Istnienie

zależności

3a.

Badanie

globalne

3b.

Badanie

szczegóło

w

e

4.

Jak

ość

dopaso

w

ania

5.

Wnioski

RP

E

k

onometr

ia

71

s

1

s

2

pr

od

s

1

s

2

pr

od

s

1

s

2

pr

od

s

1

s

2

pr

od

0

.

1

0

.

1

1

.

936248

0

.

6

0

.

3

4

.

697887

0

.

1

0

.

6

3

.

776876

0

.

6

0

.

8

9

.

024716

0

.

2

0

.

1

2

.

017051

0

.

7

0

.

3

6

.

212012

0

.

2

0

.

6

6

.

488632

0

.

7

0

.

8

7

.

385809

0

.

3

0

.

1

2

.

547019

0

.

8

0

.

3

5

.

711818

0

.

3

0

.

6

5

.

356985

0

.

8

0

.

8

7

.

319159

0

.

4

0

.

1

2

.

991221

0

.

9

0

.

3

6

.

801152

0

.

4

0

.

6

6

.

040919

0

.

9

0

.

8

9

.

403422

0

.

5

0

.

1

3

.

103400

1

.

0

0

.

3

5

.

130012

0

.

5

0

.

6

7

.

274057

1

.

0

0

.

8

9

.

533901

0

.

6

0

.

1

3

.

395465

0

.

1

0

.

4

4

.

711792

0

.

6

0

.

6

7

.

327822

0

.

1

0

.

9

7

.

462994

0

.

7

0

.

1

2

.

366942

0

.

2

0

.

4

3

.

901310

0

.

7

0

.

6

7

.

871890

0

.

2

0

.

9

7

.

943808

0

.

8

0

.

1

2

.

954253

0

.

3

0

.

4

5

.

246389

0

.

8

0

.

6

7

.

862603

0

.

3

0

.

9

8

.

495195

0

.

9

0

.

1

3

.

454655

0

.

4

0

.

4

5

.

762669

0

.

9

0

.

6

6

.

612192

0

.

4

0

.

9

7

.

988018

1

.

0

0

.

1

2

.

836646

0

.

5

0

.

4

6

.

670547

1

.

0

0

.

6

6

.

928189

0

.

5

0

.

9

8

.

260379

0

.

1

0

.

2

2

.

633539

0

.

6

0

.

4

5

.

662259

0

.

1

0

.

7

5

.

658337

0

.

6

0

.

9

8

.

963044

0

.

2

0

.

2

2

.

737200

0

.

7

0

.

4

5

.

588580

0

.

2

0

.

7

6

.

262777

0

.

7

0

.

9

8

.

811154

0

.

3

0

.

2

2

.

922328

0

.

8

0

.

4

6

.

470962

0

.

3

0

.

7

5

.

986275

0

.

8

0

.

9

8

.

164607

0

.

4

0

.

2

3

.

376518

0

.

9

0

.

4

5

.

960982

0

.

4

0

.

7

6

.

799810

0

.

9

0

.

9

7

.

778411

0

.

5

0

.

2

3

.

603429

1

.

0

0

.

4

6

.

822329

0

.

5

0

.

7

7

.

379986

1

.

0

0

.

9

10

.

306121

0

.

6

0

.

2

3

.

267117

0

.

1

0

.

5

3

.

861578

0

.

6

0

.

7

7

.

987376

0

.

1

1

.

0

6

.

596179

0

.

7

0

.

2

3

.

934322

0

.

2

0

.

5

4

.

708645

0

.

7

0

.

7

7

.

899379

0

.

2

1

.

0

7

.

709768

0

.

8

0

.

2

4

.

107574

0

.

3

0

.

5

4

.

773405

0

.

8

0

.

7

7

.

304735

0

.

3

1

.

0

8

.

029625

0

.

9

0

.

2

4

.

438335

0

.

4

0

.

5

5

.

677243

0

.

9

0

.

7

9

.

891345

0

.

4

1

.

0

7

.

512992

1

.

0

0

.

2

4

.

311634

0

.

5

0

.

5

6

.

135761

1

.

0

0

.

7

8

.

784312

0

.

5

1

.

0

9

.

852992

0

.

1

0

.

3

3

.

344719

0

.

6

0

.

5

6

.

402305

0

.

1

0

.

8

5

.

684369

0

.

6

1

.

0

8

.

752144

0

.

2

0

.

3

3

.

825492

0

.

7

0

.

5

6

.

375133

0

.

2

0

.

8

7

.

043533

0

.

7

1

.

0

8

.

561350

0

.

3

0

.

3

4

.

923739

0

.

8

0

.

5

8

.

421879

0

.

3

0

.

8

7

.

663122

0

.

8

1

.

0

8

.

809613

0

.

4

0

.

3

4

.

521357

0

.

9

0

.

5

5

.

816456

0

.

4

0

.

8

6

.

987355

0

.

9

1

.

0

9

.

380318

0

.

5

0

.

3

4

.

680259

1

.

0

0

.

5

6

.

569014

0

.

5

0

.

8

7

.

099786

1

.

0

1

.

0

9

.

556762

RP

E

k

onometr

ia

72

background image

F

unk

cja

regresji

(funk

cja

pro

duk

cji

Cobba–Douglasa)

pr

od

=

a

·

sur

α

1

1

·

sur

α

2

2

Mo

del

ln(

pr

od

)

=

ln(

a

)

+

α

1

ln(

sur

1

)

+

α

2

ln(

sur

2

)

Y

=

ln

(pr

od

)

x

1

=

ln(

sur

1

)

x

2

=

ln(

sur

2

)

β

0

=

ln

(a

)

β

1

=

α

1

β

2

=

α

2

Dopaso

w

anie

funk

cji

regresji

b β

0

=

2.

307795

b β

1

=

0.

200292

b β

2

=

0.

511396

s

2

=

0.

011964

s

β

0

=

0.

020739

s

β

1

=

0.

015729

s

β

2

=

0.

015729

RP

E

k

onometr

ia

73

Niezb

ędne

obliczenia

n

=

100

X

x

1i

=

79

.214384

X

x

2i

=

79

.214384

X

y

i

=

174

.40359

X

x

2 1i

=

111

.10834

X

x

2 2i

=

111

.10834

X

y

2 i

=

319

.91382

X

x

1i

y

i

=

128

.46678

X

x

2i

y

i

=

113

.42206

X

x

1i

x

2i

=

62

.749186

RP

E

k

onometr

ia

74

background image

Istnienie

zależności

H

0

:

β

1

=

β

2

=

0

Źró

dło

Suma

Stopnie

Średnie

F

zmienności

kw

adrató

w

sw

ob

o

dy

kw

adrat

y

Regresja

14

.587176

2

7.

293588

609

.62

Błąd

1.

160518

97

0.

011964

Całk

owita

15

.747694

99

W

artość

kryt

yczna

F

(0

.05;

2,

97)

=

3.

09

Wniosek:

zaprop

ono

w

ana

funk

cja

regresji

może

opisyw

za-

leżność

między

wielk

ością

pro

duk

cji

a

nakładami

RP

E

k

onometr

ia

75

H

0

:

β

1

=

0

T

est

Studen

ta

(α

=

0.

05)

Stat

yst

yk

a

testo

w

a

t

emp

=

b β

1

S

β

1

=

0.

200292

0.

015729

=

12

.733942

W

artość

kryt

yczna

t(0

.05;

97)

=

1.

984723

Hip

otezę

odrzucam

y

H

0

:

β

2

=

0

T

est

Studen

ta

(α

=

0.

05)

Stat

yst

yk

a

testo

w

a

t

emp

=

b β

2

S

β

2

=

0.

511396

0.

015729

=

32

.512951

W

artość

kryt

yczna

t(0

.05;

97)

=

1.

984723

Hip

otezę

odrzucam

y

RP

E

k

onometr

ia

76

background image

wnania

regresji

Y

=

2.

307795

+

0.

200292

x

1

+

0.

511396

x

2

pr

od

=

10

.052235

·

sur

0.

200292

1

·

sur

0.

511396

2

Wsp

ółczynnik

determinacji

D

2

=

92

.63%

Zastoso

w

anie

Przedział

ufności

dla

oczekiw

anej

pro

duk

cji

przy

na-

kładac

h

sur

1

=

0.

2

oraz

sur

2

=

0.

4

dla

Y

(1

.483127

,1

.550574)

dla

pro

duk

cji

(4

.406703

,4

.714174)

..

..

..

..

..

..

..

..

..

..

..

..

..

..

..

..

..

..

..

..

..

..

..

..

..

Przedział

predyk

cji

dla

wielk

ości

pro

duk

cji

przy

na-

kładac

h

sur

1

=

0.

2

oraz

sur

2

=

0.

4

dla

Y

(1

.297156

,1

.736544)

dla

pro

duk

cji

(3

.658878

,5

.677688)

RP

E

k

onometr

ia

77

Mo

del

w

ahań

okreso

wyc

h

Y

obserw

ow

ana

cec

ha

Szereg

czaso

wy:

y

0

,

y

1

,

..

.,

y

n

1

Składniki

szeregu

czaso

w

ego:

1.

trend:

(średnia

w

artość

cec

h

y

w

czasie

)

funk

cja

trendu

f

(t

)

2.

okreso

w

ość:

(regularne

o

dc

h

ylenia

w

artości

ce-

ch

y

o

d

trendu

)

funk

cje

w

ahań

okreso

wyc

h

S

i

(t

),

i

=

0,

1,

..

.,

r

1,

r

długość

okresu,

S

i

(t

+

r)

=

S

i

(t

)

3.

szum:

składnik

loso

wy

ξ

t

,

E

ξ

t

=

0,

D

2

ξ

t

=

σ

2

addyt

ywn

y

t

Y

t

........

........

........

........

.......

.

.......

.

.......

.

.......

.

.......

.

.......

.

.......

.

.......

.

.......

.

.......

.

.......

.

..

....

.....

......

.................

......... .. . . . . .

. . . . ....................

...................

.......

.....

.....

....

....

...

...

....

.........

.......... . ..

.. ........... . .. .........

.........................

........

......

.....

....

....

...

...

...

.............

............ .

. . . . . . . . . . . . . ..

.........................

.............

.......

.....

.....

....

....

...

...

.......

.............

....... . . . . . .

. . . . . . . . . .. .........

..........................

........

.....

.....

....

....

...

...

.....

........

...........

..... . . . . . . . . . . . ...

.......................

........

......

......

.....

.....

.....

......

...

........

........

........

........

.......

.

.......

.

.......

.

.......

.

.......

.

.......

.

.......

.

.......

.

.......

.

.......

.

.......

.

..

m

ultiplik

at

ywn

y

t

Y

t

.......

........

.......

........

........

.......

.........

..............

.......

.....

....

...

......

.........

......... .

. .................

..............

......

.....

....

...

...

........

..........

............. . ...

......................

...........

......

.....

....

....

....

...

..........

............

.... . . . . . . . . .

. . . . .. ..................

...................

.......

.....

.....

....

....

...

...

..........

..............

... .. . . . . . . . . .

. . . . . . . . ..................

.........................

.......

.....

.....

....

....

....

...

...

.

........

........

........

........

.......

.

.......

.

.......

.

.......

.

.......

.

.......

.

.......

.

.......

.

.......

.

.......

.

.......

.

...

RP

E

k

onometr

ia

78

background image

Mo

del

addyt

ywn

y

(A

)

Y

t

=

f

(t

)

+

S

i

(t

)

+

ξ

t

,

t

=

0,

1,

2,

..

.

przy

założeniu

r

1

X

i=0

S

i

(t

)

=

0

Mo

del

m

ultiplik

at

ywn

y

(M

)

Y

t

=

f

(t

)S

i

(t

)

+

ξ

t

,

t

=

0,

1,

2,

..

.

przy

założeniac

h

r

1

X

i=0

S

i

(t

)

=

r,

S

i

(t

)

>

0

RP

E

k

onometr

ia

79

Meto

da

średnic

h

ruc

hom

yc

h

Cel

1.

Wyznaczyć

długość

okresu.

2.

Rozp

oznać

p

ostać

funk

cji

trendu.

r

=

2

t

Y

t

........

.........

........

.......

.......

.......

.........

.......

.........

........

.......

.......

.........

.......

.......

.........

.........

.........

.......

..........

.......

.......

.........

.........

..........

........

........

.......

.......

.......

.........

..........

............

........

..........

......

.......

......

..

r

=

3

t

Y

t

........

.........

.......

.......

.......

.......

.........

.........

........

........

.......

.......

.........

........

.........

.........

.......

........

.........

........

.........

.........

.........

.........

........

.......

........

.........

...........

...........

......

.........

.......

....

r

=

4

t

Y

t

.......

........

.......

.........

.........

.......

.......

.......

.......

........

........

........

......

.......

.......

.......

........

........

......

.......

.......

......

.......

.......

......

.......

.......

......

..

RP

E

k

onometr

ia

80

background image

Średnie

ruc

home

¯y

m

r

nieparzyste

¯y

m

=

1

r

(y

i

+

y

i+1

+

··

·

+

y

i+

r

1

)

m

=

i

+

r

1

2

,

i

=

0,

1,

..

.,

n

r

+

1

r

parzyste

¯y

m

=

1

r



1

2

y

i

+

y

i+1

+

··

·

+

y

i+

r

1

+

1

2

y

i+

r



m

=

i

+

r

2

,

i

=

0,

1,

..

.,

n

r

RP

E

k

onometr

ia

81

Etap

y

analizy

szeregu

czaso

w

ego

1.

Est

ymacja

funk

cji

trendu.

2.

Est

ymacja

funk

cji

okreso

w

ości.

3.

Prognoza.

Est

ymacja

funk

cji

trendu

Meto

da

na

jmniejszyc

h

kw

adrató

w.

Inne.

Przypadek

szczególn

y:

f

(t

)

=

β

0

+

β

1

t

b β

0

=

A

n

1

X

t=0

y

t

+

C

n

1

X

t=0

ty

t

,

b β

1

=

C

n

1

X

t=0

y

t

+

B

n

1

X

t=0

ty

t

,

A

=

2(2

n

1)

n

(n

+

1)

,

B

=

12

n

(n

+

1)(

n

1)

,

C

=

6

n

(n

+

1)

.

RP

E

k

onometr

ia

82

background image

Est

ymacja

funk

cji

okreso

w

ości

(meto

da

wsk

aźnik

ów)

b f

oszaco

w

ana

funk

cja

trendu,

m

=



n

i

r



+

1

([

a

]

część

całk

owita

liczb

y

a

),

Mo

del

addyt

ywn

y

Suro

w

e

wsk

aźniki

okreso

w

ości

S

si

=

1

m

m

1

X

j

=0

y

i+

j

r

1

m

m

1

X

j

=0

b f(

i

+

j

r)

Oczyszczone

wsk

aźniki

okreso

w

ości

S

oi

=

S

si

1

r

r

1

X

j

=0

S

sj

RP

E

k

onometr

ia

83

Mo

del

m

ultiplik

at

ywn

y

Suro

w

e

wsk

aźniki

okreso

w

ości

S

si

=

m

1

P

j

=0

y

i+

j

r

m

1

P

j

=0

b f(

i

+

j

r)

Oczyszczone

wsk

aźniki

okreso

w

ości

S

oi

=

S

si

k

k

=

r

r

1

P

j

=0

S

sj

RP

E

k

onometr

ia

84

background image

Prognoza

dla

ch

wili

n

0

n

Punkto

w

a

mo

del

(A

)

mo

del

(M

)

by

n

0

=

b f(

n

0

)

+

S

oi

by

n

0

=

b f(

n

0

)S

oi

by

n

0

prognozo

w

ana

w

artość

szeregu

i

=

(n

0

mo

d

r)

Przedziało

w

a

(by

n

0

S,

by

n

0

+

S

)

S

=

v u u t

1

n

1

n

1

X

t=0

(y

t

by

t

)

2

by

t

=

(

b f

t)

+

S

o

(t

mo

d

r

)

dla

mo

delu

(A

)

b f(

t)

S

o

(t

mo

d

r

)

dla

mo

delu

(M

)

RP

E

k

onometr

ia

85

Przykład.

Noto

w

ano

ilość

zleceń

wyk

onan

yc

h

przez

p

ewną

firmę

w

kolejn

yc

h

kw

artałac

h

lat

1996

2000:

Lata

Kw

artały

I

I

I

I

I

I

I

V

1996

4

4

14

18

1997

8

12

24

25

1998

14

15

28

30

1999

20

24

32

33

2000

25

32

40

42

Oszaco

w

ilość

zleceń

w

trzecim

kw

artale

2001

roku.

0

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

......

......

......

......

........

.......

.......

.......

.......

.......

.......

......

.......

.......

........

........

........

........

........

...................

..................

..................

..................

.........

........

........

........

........

......

......

......

......

......

......

......

......

......

......

......

......

......

..........

......

......

......

..................

...................

...................

....................

...........

......

......

......

........

......

......

......

......

......

......

......

......

......

......

......

......

......

......

.........

.......

.......

.......

...................

..................

..................

..................

.........

........

........

........

........

.......

.......

.......

.......

.......

.......

.......

.......

.......

......

......

......

...............

...............

...............

...............

........

.......

.......

.......

.......

.......

.......

........

.......

.......

.......

.......

.......

.......

.......

.......

........

.......

.......

.......

RP

E

k

onometr

ia

86

background image

Meto

da

średnic

h

ruc

hom

yc

h

r

=

2

........

........

........

........

........

.......

......

........

.......

.......

.......

........

.......

......

.......

..........

........

........

........

.........

......

......

......

........

........

........

........

.......

......

......

......

..........

........

........

........

.........

......

......

......

........

.......

.......

.......

.......

......

......

......

.........

........

........

........

.......

......

......

......

.......

.......

......

........

.......

.......

.......

........

........

........

........

........

r

=

3

.......

.......

.......

.......

.......

......

......

......

.......

......

......

......

.......

......

......

.......

.........

........

........

........

........

......

......

......

........

.......

.......

........

......

......

......

........

........

........

........

........

......

......

......

.......

......

......

......

.......

......

......

......

........

.......

.......

.......

........

......

......

......

.......

......

......

......

.......

......

......

.......

........

........

........

........

.....

r

=

4

......

......

......

......

.......

.......

......

........

......

.......

.......

.......

......

......

......

.......

......

......

......

.......

......

......

......

.......

......

......

......

.......

......

......

......

.......

.......

......

.......

.......

......

......

......

.......

......

......

......

.......

......

......

......

.......

......

......

......

.......

......

.......

......

........

......

.......

......

...

RP

E

k

onometr

ia

87

Est

ymacja

funk

cji

trendu

A

=

2(2

·

20

1)

20(20

+

1)

=

0.

1857

B

=

12

20(20

+

1)(20

1)

=

0.

0015

C

=

6

20(20

+

1)

=

0.

0143

19

X

t=0

y

t

=

444

,

19

X

t=0

ty

t

=

5311

b β

0

=

A

19

X

t=0

y

t

+

C

19

X

t=0

ty

t

=

6.

586

b β

1

=

C

19

X

t=0

y

t

+

B

19

X

t=0

ty

t

=

1.

644

b f(

t)

=

1.

644

t

+

6.

586

RP

E

k

onometr

ia

88

background image

Est

ymacja

funk

cji

okreso

w

ości

Lata

Kw

artały

I

I

I

I

I

I

I

V

1996

6.

586

8.

229

9.

873

11

.517

1997

13

.160

14

.804

16

.447

18

.091

1998

19

.735

21

.378

23

.022

24

.665

1999

26

.309

27

.953

29

.596

31

.240

2000

32

.884

34

.527

36

.171

37

.814

średnia

I

I

I

I

I

I

I

V

dane

oryginalne

14

.200

17

.400

27

.600

29

.600

trend

19

.735

21

.378

23

.022

24

.665

Suro

w

e

wsk

aźniki

okreso

w

ości

S

s

0

=

14

.200

19

.735

=

5.

535

S

s

1

=

17

.400

21

.378

=

3.

978

S

s

2

=

27

.600

23

.022

=

4.

578

S

s

3

=

29

.600

24

.665

=

4.

935

Oczyszczone

wsk

aźniki

okreso

w

ości

P

oniew

S

s

0

+

S

s

1

+

S

s

2

+

S

s

3

=

0,

zatem

S

oi

=

S

si

,

dla

i

=

0,

1,

2,

3.

RP

E

k

onometr

ia

89

Prognoza

dla

trzeciego

kw

artału

2001

roku

(n

0

=

22)

Prognoza

punkto

w

a

ˆy

22

=

ˆ f(22)

+

S

o

2

=

1.

644

·22

+

6.

586

+

4.

578

=

47

.332

Prognoza

przedziało

w

a

S

2

=

1

19

((4

6.

586

+

5.

535)

2

+

(4

8.

229

+

3.

978)

2

+

··

·

··

·

+

(42

37

.814

4.

935)

2

)

=

2.

942



47

.332

2.

942

,

47

.332

+

2.

942



=

=

(45

.62

,

49

.05)

Wniosek.

W

trzecim

kw

artale

2001

roku

należy

sp

odziew

się

co

na

jmniej

45

.

zleceń,

ale

mniej

niż

50

.

RP

E

k

onometr

ia

90


Wyszukiwarka

Podobne podstrony:
POLITYKA EKONOMICZNA1 id 371928 Nieznany
4 ekonometria 1 id 37565 Nieznany (2)
ekonomia 3 id 155731 Nieznany
Model ekonometryczny 5 id 30479 Nieznany
9 ekonometria 1 id 48240 Nieznany (2)
ekonometria2 id 155473 Nieznany
geografia ekonomiczna id 188642 Nieznany
PD ekonometria id 352458 Nieznany
ekonometria1 id 155467 Nieznany
Ekonometria 8 id 424644 Nieznany
Informatyka ekonomiczna id 2139 Nieznany
Ekonomia 3 id 155565 Nieznany
analiza ekonomiczna id 60051 Nieznany
ekonomikatransportu2 id 156773 Nieznany
EGZAMIN EKONOMIA I id 152080 Nieznany
analiza ekonomiczna 2 3 4 id 60 Nieznany (2)
ekonomikatransportu6 id 156776 Nieznany

więcej podobnych podstron