ek wyk2 2015s(2) ppt

background image

1

D. Ciołek

EKONOMETRIA – wykład 2

EKONOMETRIA

Wykład 2: Metoda Najmniejszych Kwadratów

dr Dorota Ciołek

Katedra Ekonometrii

Wydział Zarządzania UG

http://wzr.pl/dc

dorota.ciolek@ug.edu.pl

background image

2

D. Ciołek

EKONOMETRIA – wykład 2

Liniowy model ekonometryczny:

y

– zmienna endogeniczna,

x

– zmienne objaśniające,

- składnik losowy,
- ty – nieznane parametry strukturalne.

Jesteśmy zainteresowani znalezieniem

wartości

parametrów strukturalnych

, aby wiedzieć jaka jest

relacja miedzy zmiennymi

x

i

y.

- mówią jak wygląda ta zależność w całej populacji.

Możemy określić jak wygląda ta zależność w danej próbie
- oceny parametrów dla danej próby.

t

tk

k

t

t

t

x

x

x

y

...

2

2

1

1

0

ˆ

background image

3

D. Ciołek

EKONOMETRIA – wykład 2

Oszacować

(estymować) model oznacza znaleźć oceny

parametrów strukturalnych na podstawie konkretnej próby.

Metody szacowania parametrów strukturalnych:

-

Metoda Momentów,

-

Metoda Najmniejszych Kwadratów,

-

Metoda Największej Wiarygodności,

-

i wiele innych…

Twierdzenie Gaussa-Markowa:

W klasycznym modelu regresji liniowej najlepszym

nieobciążonym estymatorem linowym parametrów jest
estymator uzyskany

Metodą Najmniejszych Kwadratów

(MNK).

background image

4

D. Ciołek

EKONOMETRIA – wykład 2

Własności estymatorów

Nieobciążoność

g

jest nieobciążonym estymatorem ,

jeżeli

E(g)=

, co znaczy, gdy wartość oczekiwana w

rozkładzie z próby

g

jest równa .

Oznacza to, że gdybyśmy obliczali wartość

g

dla każdej z

prób, którymi dysponujemy i powtarzali ten proces
nieskończenie wiele razy, to średnia z uzyskanych ocen
byłaby równa .

Efektywność – estymator jest efektywny, jeżeli wartości

g

wyliczone dla różnych prób nie różnią się między sobą
znacznie tzn. jeżeli wariancja estymatorów jest mała.

Estymator z najmniejszą wariancją – najbardziej efektywny.

background image

5

D. Ciołek

EKONOMETRIA – wykład 2

Własności estymatorów

Zgodność – (własność dużych prób) zwiększanie liczebności próby

umożliwia uzyskiwanie estymatora o wartości coraz bliższej
szacowanego parametru, z prawdopodobieństwem bliskim
jedności:

Można wykazać, że:

Metoda Najmniejszych Kwadratów jest estymatorem

- nieobciążonym,
- zgodnym,
- najbardziej efektywnym w klasie estymatorów nieobciążonych.

BLUE –Best Linear Unbiased Estimator

1

lim

g

P

n

background image

6

D. Ciołek

EKONOMETRIA – wykład 2

Założenia MNK

Założenia numeryczne – warunki stosowalności:

1) T > (k+1), czyli liczba obserwacji musi być większa niż liczba

szacowanych parametrów.

2) r(X)=(k+1), czyli rząd macierzy X musi być równy liczbie

szacowanych parametrów.

Drugi warunek oznacza brak współlinowości zmiennych

objaśniających, tzn. że zmienne objaśniające są liniowo
niezależne, *(czyli nie tworzą ze sobą takiej kombinacji
liniowej, która w wyniku daje wektor zerowy).

background image

7

D. Ciołek

EKONOMETRIA – wykład 2

Przykład współlinowości zmiennych:

X1-liczba pracowników w przedsiębiorstwie,

X2-liczba pracowników na stanowiskach kierowniczych,

X3-liczba pracowników na stanowiskach niekierowniczych.

X1=X2+X3, czyli X1-X2-X3=0

Rząd macierzy X=3 < k+1=4

Nie da się zastosować MNK!

50

10

60

1

17

3

20

1

41

6

47

1

48

8

56

1

26

4

30

1

X

background image

8

D. Ciołek

EKONOMETRIA – wykład 2

Założenia MNK

Założenia stochastyczne (dotyczą składnika losowego):

1) dla wszystkich

t

- wartość oczekiwana składnika

losowego jest równa zero.

2) dla wszystkich

t

– wariancja jest jednakowa dla

wszystkich obserwacji -

homoscedastyczność

.

3) i są niezależne dla - składniki losowe dla różnych

obserwacji nie zależą od siebie, nie są skorelowane; brak
autokorelacji składników losowych.

4) i są niezależne dla wszystkich

t

– zmienne objaśniające

nie zależą od składnika losowego, tzn. zmienne objaśniające są
nielosowe.

5) - składnik losowy dla każdej obserwacji ma

rozkład normalny.

 

0

t

E

 

2

2

t

i

j

t

x

t

j

i

2

,

0

~

N

t

background image

9

D. Ciołek

EKONOMETRIA – wykład 2

Założenia MNK

Jeżeli nie są spełnione

założenia numeryczne

– nie jesteśmy w

stanie zastosować matematycznych formuł na MNK.

Jeżeli nie są spełnione

stochastyczne założenia 1), 2), 3), 4)

estymator MNK, przestaje być BLUE, daje obciążone oceny
parametrów strukturalnych.

Założenie 5)

nie ma znaczenia dla własności MNK. Jego

spełnienie jest konieczne, aby można było zastosować testy
statystyczne pozwalające sprawdzić wszystkie powyższe
założenia.

Większość testów statystycznych bazuje na złożeniu, że
analizowana zmienna losowa ma rozkład normalny.

background image

10

D. Ciołek

EKONOMETRIA – wykład 2

Model z jedną zmienną objaśniającą:

to równanie opisuje, zachowanie

rzeczywistych wartości

zmiennej endogenicznych.

t

t

t

x

y

1

0

background image

11

D. Ciołek

EKONOMETRIA – wykład 2

Rzeczywisty rozkład punktów

x

y

y

t

background image

12

D. Ciołek

EKONOMETRIA – wykład 2

Model z jedną zmienną objaśniającą:

to równanie opisuje, zachowanie

rzeczywistych wartości

zmiennej endogenicznych.

MNK

to metoda, która do punktów

dopasowuje taką prostą

,

która przechodzi najbliżej wszystkich punktów równocześnie.
Równanie prostej:

to równanie opisuje,

teoretyczne wartości

zmiennej

endogenicznych, (wartości, które leżą na dopasowanej prostej).

t

t

t

x

y

1

0

t

t

x

y

1

0

ˆ

ˆ

ˆ

background image

13

D. Ciołek

EKONOMETRIA – wykład 2

Odległość rzeczywistego punktu od prostej nazywana jest

odchyleniem, albo

resztą

:

Reszta

nie jest składnikiem losowym, jest to oszacowany

składnik losowy (błąd) w modelu.

Na szeregu reszt sprawdzane będą założenia stochastyczne.

t

t

t

y

y

ˆ

ˆ

background image

14

D. Ciołek

EKONOMETRIA – wykład 2

Idea MNK

MNK dopasowuje prostą do punktów, w taki sposób, aby

odległości od wszystkich punktów były jednocześnie jak
najmniejsze.

Każda odległość podnoszona jest do kwadratu, ponieważ mają

różne znaki.

MNK

minimalizuje sumę kwadratów odchyleń

(reszt):

 

min

ˆ

1

2

T

t

t

min

ˆ

ˆ

ˆ

1

2

1

0

1

2

T

t

t

t

T

t

t

t

x

y

y

y

background image

15

D. Ciołek

EKONOMETRIA – wykład 2

Estymator MNK

Macierzowa postać modelu:

Oznacza to, że:

Suma kwadratów odchyleń to:

Po wymnożeniu otrzymujemy:

Przyrównując pochodną po do zera otrzymujemy:

X

y

X

y

 

min

X

y

X

y

T

T

min

2

X

X

y

X

y

y

T

T

T

T

T

0

2

2

X

X

y

X

T

T

y

X

X

X

T

T

1

ˆ

background image

16

D. Ciołek

EKONOMETRIA – wykład 2

Estymator MNK

Po dokonaniu minimalizacji

sumy kwadratów reszt

otrzymujemy następującą macierzową formułę pozwalającą
wyznaczyć

oceny parametrów strukturalnych

modelu

liniowego MNK:

y

X

X

X

T

T

1

ˆ

-

wektor ocen parametrów strukturalnych

y

– wektor obserwacji na zmiennej endogenicznej,

X

– macierz obserwacji na zmiennych objaśniających.

ˆ

background image

17

D. Ciołek

EKONOMETRIA – wykład 2

Własności numeryczne oszacowania MNK

Suma wartości teoretycznych zmiennej

endogenicznej, równa jest sumie wartości
empirycznych zmiennej endogenicznej.

Suma reszt jest równa zero.

Iloczyn wektora reszt i wektor obserwacji na

każdej zmiennej objaśniającej jest równy zero.

Iloczyn wektora wartości teoretycznych zmiennej

endogenicznej i wektora reszt jest równy zero.

T

t

t

T

t

t

y

y

1

1

ˆ

0

ˆ

1

T

t

t

0

ˆ

' 

X

0

ˆ

'

ˆ 

y

background image

D. Ciołek

EKONOMETRIA – wykład 2

EKONOMETRIA

Wykład 2 cz.2: Zasady interpretacji w modelach statycznych

dr Dorota Ciołek

Katedra Ekonometrii

Wydział Zarządzania UG

http://wzr.pl/dc

dorota.ciolek@ug.edu.pl

background image

D. Ciołek

EKONOMETRIA – wykład 2

Wybór postaci analitycznej modelu

Model nieliniowy – funkcja analityczna jest nieliniowa ze

względu na parametry.

Model liniowy:

Model nieliniowy:

Wybór postaci analitycznej:

- Zgodny z konkretną teorią ekonomiczną,

- Wybierany metodą prób i błędów.

- Na podstawie wykresu – regresja prosta.

i

e

L

K

Q

i

i

i

2

1

0

t

t

t

t

z

x

y

ln

ln

ln

2

1

0

background image

D. Ciołek

EKONOMETRIA – wykład 2

Logarytmy, czy poziomy zmiennych?

logarytmy zmiennych, gdy:

zmienna wyrażona jest w jednostkach pieniężnych (o

wartościach dodatnich) – wynagrodzenie, sprzedaż firmy,

wartość rynkowa firmy, Produkt Krajowy Brutto;

zmienne o wysokich wartościach: wielkość populacji,

całkowita liczba pracowników, współczynnik skolaryzacji,

liczba kilometrów;

poziomy zmiennych, gdy:

zmienna wyrażona w liczbie lat: liczba lat edukacji lub

doświadczenia, wiek;

zmienna przyjmuje niewysokie wartości całkowite: liczba

pokoi w domu, liczba osób w gospodarstwie domowym,

liczba samochodów w gosp. domowym;

zmienne sztuczne (zero-jedynkowe) reprezentujące

zmienne jakościowe: płeć, poziom wykształcenia,

przynależność do organizacji, położenie geograficzne.

20

background image

D. Ciołek

EKONOMETRIA – wykład 2

Logarytmy, czy poziomy zmiennych?

Zmienne, które są proporcjami lub udziałami procentowymi:
stopa bezrobocia, procent studentów, którzy zdali egzamin,
stopień wykrywalności przestępstw kryminalnych – mogą
występować albo w postaci poziomów, albo w logarytmach,
chociaż częściej używa się poziomów.

Uwaga: Przy interpretacji uważamy z procentami:

Jeżeli bezrobocie wzrasta z 8 do 9 procent, oznacza to wzrost o jeden

punkt procentowy, ale przyrost o 12,5 procent w stosunku do
wartości początkowej.

21

background image

D. Ciołek

EKONOMETRIA – wykład 2

Logarytmy, czy poziomy zmiennych?

Jedno ograniczenie:

Logarytm zmiennej nie może być użyty jeżeli zmienna

przyjmuje wartości ujemne lub jest równa zero. Dla
zmiennej przyjmującej wartości zero rozwiązaniem może
być zastosowanie log(1+y).

(!) Używając zlogarytmowanej zmiennej musimy pamiętać, że

wartości teoretyczne tego modelu są wartościami log(y) a
nie y.

(!) Nie można porównywać R-kwadrat wyznaczonych dla

modeli, w których mamy różne zmienne objaśniające: log(y)
i y.

22

background image

D. Ciołek

EKONOMETRIA – wykład 2

Mierniki przeciętne i krańcowe

Parametr przeciętny:

Parametr przeciętny określa ile jednostek zmiennej

y

przypada (w danym okresie t) na jednostkę zmiennej

x

i

.

Przykłady parametrów przeciętnych:

przeciętna skłonność do konsumpcji – określa ile jednostek
konsumpcji przypada na jednostkę dochodu,

przeciętny koszt jednostkowy - określa jaki jest koszt
przypadający w okresie t na jednostkę produkcji,

przeciętna produktywność (wydajność) kapitału oraz
przeciętna wydajność pracy .

ti

t

ti

t

x

y

x

y

PP

)

,

(

background image

D. Ciołek

EKONOMETRIA – wykład 2

Mierniki przeciętne i krańcowe

Parametr krańcowy:

Parametr krańcowy określa o ile jednostek wzrośnie

(spadnie) zmienna

y

t

, gdy zmienna

x

ti

wzrośnie o jednostkę.

Przykłady parametrów krańcowych:

krańcowa skłonność do konsumpcji - określa o ile jednostek
wzrośnie konsumpcja, gdy dochód wzrośnie o jedną
jednostkę,

koszt krańcowy , który określa przyrost kosztu całkowitego
przypadający na jednostkowy przyrost produkcji,

krańcowa produktywność kapitału , która określa przyrost
produkcji na skutek wzrostu nakładów kapitału o jednostkę.

ti

t

ti

t

x

y

x

y

PK

)

,

(

background image

D. Ciołek

EKONOMETRIA – wykład 2

Mierniki przeciętne i krańcowe

Elastyczność różnicowa:

Elastyczność zmiennej

y

t

względem zmiennej

x

ti

, informuje

o ile % wzrośnie (zmaleje) zmienna

y

t

jeśli zmienna

x

ti

wzrośnie o 1%.

Przykłady elastyczności:

elastyczność dochodowa konsumpcji,

elastyczność kosztów względem produkcji,

elastyczność produkcji względem kapitału,

elastyczność produkcji względem pracy.

t

ti

ti

t

ti

t

ti

t

ti

ti

t

t

ti

t

y

x

x

y

x

y

PP

x

y

PK

x

x

y

y

x

y

E

)

,

(

)

,

(

/

/

)

,

(

background image

D. Ciołek

EKONOMETRIA – wykład 2

Interpretacja modelu liniowego

Ogólny zapis statycznego modelu liniowego:

Przyrost krańcowy w tym modelu:

Oznacza to, że:

Parametry strukturalne w modelu linowym są przyrostami
krańcowymi.

Interpretacja: Jeżeli zmienna egzogeniczna

x

t1

wzrośnie o 1

jednostkę, a pozostałe zmienne objaśniające nie ulegną
zmianie, to oczekujemy, że zmienna endogeniczna

y

t

wzrośnie (spadnie) średnio o jednostek.

)

,...,

1

(

;

...

2

2

1

1

0

T

t

x

x

x

y

t

tk

k

t

t

t

1

1

1

)

,

(

t

t

t

t

x

y

x

y

PK

1

background image

D. Ciołek

EKONOMETRIA – wykład 2

Interpretacja modelu liniowego

Ogólny zapis statycznego modelu liniowego:

Elastyczność w tym modelu:

Oznacza to, że:

Elastyczność w modelu linowym jest zmienna i zależy od
początkowych wartości zmiennych modelu.

Interpretacja: Przy danych wartościach zmiennych

egzogenicznych, jednoprocentowy wzrost zmiennej

x

t1

spowoduje przyrost (spadek) zmiennej

y

średnio o E %, przy

założeniu niezmienności pozostałych zmiennych.

)

,...,

1

(

;

...

2

2

1

1

0

T

t

x

x

x

y

t

tk

k

t

t

t

t

t

t

t

t

t

t

y

x

y

x

x

y

x

1

1

1

1

1

t

)

,

E(y

background image

D. Ciołek

EKONOMETRIA – wykład 2

Interpretacja modelu potęgowego

Ogólny zapis statycznego modelu potęgowego:

Przyrost krańcowy w tym modelu:

Oznacza to, że:

Przyrost krańcowy w modelu potęgowym jest zmienny i
zależy od początkowych wartości zmiennych modelu.

t

k

e

x

x

x

y

tk

t

t

t

...

2

1

2

1

0

1

1

1

1

)

,

(

t

t

t

t

t

t

x

y

x

y

x

y

PK

background image

D. Ciołek

EKONOMETRIA – wykład 2

Interpretacja modelu potęgowego

Ogólny zapis statycznego modelu potęgowego:

Elastyczność w tym modelu:

Oznacza to, że: Parametry strukturalne w modelu potęgowym

są elastycznościami cząstkowymi. Jest to model o stałych
elastycznościach.

Interpretacja: Jeżeli zmienna egzogeniczna

x

t1

wzrośnie o 1%,

a pozostałe zmienne objaśniające nie ulegną zmianie, to
oczekujemy, że zmienna endogeniczna

y

t

wzrośnie

(spadnie) średnio o %.

t

k

e

x

x

x

y

tk

t

t

t

...

2

1

2

1

0

i

t

ti

ti

t

i

t

ti

ti

t

ti

y

x

x

y

y

x

x

y

x

)

,

E(y

t

1

background image

D. Ciołek

EKONOMETRIA – wykład 2

Linearyzacja modelu potęgowego

Ogólny zapis statycznego modelu potęgowego:

Postać modelu logarytmiczno-liniowa:

(Postać liniowa ze względu na parametry)

t

k

e

x

x

x

y

tk

t

t

t

...

2

1

2

1

0

)

,...,

1

(

;

ln

...

ln

ln

ln

ln

2

2

1

1

0

T

t

x

x

x

y

t

tk

k

t

t

t

background image

D. Ciołek

EKONOMETRIA – wykład 2

Zapis macierzowy modelu potęgowego

T

– liczba obserwacji,

k

– liczba zmiennych objaśniających,

k+1

– liczba parametrów strukturalnych.

1

3

2

1

ln

ln

ln

ln

T

T

y

y

y

y

y

)

1

(

1

3

31

2

21

1

11

ln

ln

1

ln

ln

1

ln

ln

1

ln

ln

1

k

T

Tk

T

k

k

k

x

x

x

x

x

x

x

x

X

1

3

2

1

T

T

1

)

1

(

1

0

k

k

X

y

background image

D. Ciołek

EKONOMETRIA – wykład 2

Interpretacja modelu wykładniczego

Ogólny zapis statycznego modelu wykładniczego:

Przyrost krańcowy w tym modelu:

Oznacza to, że:

Przyrost krańcowy w modelu wykładniczym jest zmienny i
zależy od początkowych wartości zmiennych modelu.

t

tk

k

t

t

x

x

x

t

e

y

...

2

2

1

1

0

t

t

t

t

t

y

x

y

x

y

PK

1

1

1

)

,

(

background image

D. Ciołek

EKONOMETRIA – wykład 2

Interpretacja modelu wykładniczego

Ogólny zapis statycznego modelu wykładniczego:

Elastyczność w tym modelu:

Oznacza to, że:

Elastyczność w modelu wykładniczym jest zmienna i zależy
od początkowych wartości zmiennych modelu.

t

tk

k

t

t

x

x

x

t

e

y

...

2

2

1

1

0

1

1

1

1

1

1

1

t

)

,

E(y

t

t

t

t

t

t

t

t

t

x

y

x

y

y

x

x

y

x

background image

D. Ciołek

EKONOMETRIA – wykład 2

Interpretacja modelu wykładniczego

Ogólny zapis statycznego modelu wykładniczego:

Można wykazać, że:

Jeżeli zmienna egzogeniczna

x

t1

wzrośnie o 1 jednostkę, a

pozostałe zmienne objaśniające nie ulegną zmianie, to
oczekujemy, że zmienna endogeniczna

y

t

wzrośnie

(spadnie) średnio o %.

t

tk

k

t

t

x

x

x

t

e

y

...

2

2

1

1

0

100

100

)

1

(

i

i

e

background image

D. Ciołek

EKONOMETRIA – wykład 2

Linearyzacja modelu wykładniczego

Ogólny zapis statycznego modelu wykładniczego:

Postać modelu logarytmiczno-liniowa:

(Postać liniowa ze względu na parametry)

t

tk

k

t

t

x

x

x

t

e

y

...

2

2

1

1

0

...

ln

2

2

1

1

0

t

tk

k

t

t

t

x

x

x

y

background image

D. Ciołek

EKONOMETRIA – wykład 2

Zapis macierzowy modelu wykładniczego

T

– liczba obserwacji,

k

– liczba zmiennych objaśniających,

k+1

– liczba parametrów strukturalnych.

1

3

2

1

ln

ln

ln

ln

T

T

y

y

y

y

y

)

1

(

1

3

31

2

21

1

11

1

1

1

1

k

T

Tk

T

k

k

k

x

x

x

x

x

x

x

x

X

1

3

2

1

T

T

1

)

1

(

1

0

k

k

X

y

background image

37

D. Ciołek

EKONOMETRIA – wykład 2

Na co należy zwrócić szczególną uwagę (podsumowanie):

Co to znaczy oszacować model?

Jakie modele można szacować MNK?

Jak MNK dopasowuje prostą do rzeczywistych punktów?

Kiedy nie można zastosować MNK (warunki stosowalności)?

Jakie założenia musi spełniać rozkład składnika losowego, aby

MNK była wiarygodna?

Kiedy stosować poziomy, a kiedy logarytmy zmiennych?

Co należy zrobić ze zmiennymi, aby oszacować parametry w

modelach potęgowych i modelach wykładniczych?

Co to jest elastyczność i przyrost krańcowy i jak

interpretujemy te miary?

Jak interpretujemy parametry w modelach liniowych,

potęgowych i wykładniczych?


Document Outline


Wyszukiwarka

Podobne podstrony:
ek wyk6 2015s ppt
ek wyk4 2015s ppt
ek wyk5 2015s ppt
ek wyk3 2015s ppt
ek wyk7 2015(1) ppt
ek wyk1 2015(1) ppt
10 systemy ek, wzrost konsumpcji, kl rzymskiid 11307 ppt
et-wyk2, Logistyka, rok2, ekonomika transportu, ek
1 Zakres ek gosp żywn wykł 1id 8748 ppt
03 Sejsmika04 plytkieid 4624 ppt
Choroby układu nerwowego ppt
10 Metody otrzymywania zwierzat transgenicznychid 10950 ppt
10 dźwigniaid 10541 ppt
03 Odświeżanie pamięci DRAMid 4244 ppt
Prelekcja2 ppt

więcej podobnych podstron