1
D. Ciołek
EKONOMETRIA – wykład 3
EKONOMETRIA
Wykład 3: Weryfikacja modelu ekonometrycznego.
dr Dorota Ciołek
Katedra Ekonometrii
Wydział Zarządzania UG
2
D. Ciołek
EKONOMETRIA – wykład 3
Etapy procesu weryfikacji
Weryfikacja ekonomiczna („zdrowo rozsądkowa” ):
-
Sprawdzenie zgodności wyników oszacowania z teorią
ekonomiczną i doświadczeniem.
Weryfikacja stochastyczna:
-
Sprawdzenie prawdziwości założeń dotyczących składnika
losowego – badanie własności estymatora MNK w tym modelu.
Weryfikacja ilościowa:
-
Sprawdzenie istotności zależności między zmienną endogeniczną
a zmiennymi objaśniającymi,
-
Sprawdzenie dobroci dopasowania modelu do danych
rzeczywistych,
-
Sprawdzenie poprawności doboru postaci analitycznej modelu.
3
D. Ciołek
EKONOMETRIA – wykład 3
Weryfikacja stochastyczna:
-
Weryfikacja hipotezy o normalności rozkładu
składnika losowego.
-
Weryfikacja hipotezy o braku autokorelacji
składników losowych.
-
Weryfikacja hipotezy o stałości wariancji składników
losowych.
Jeżeli powyższe hipotezy są prawdziwe wówczas:
estymator MNK parametrów strukturalnych liniowego
modelu ekonometrycznego jest estymatorem
nieobciążonym, zgodnym i najbardziej efektywnym w klasie
estymatorów nieobciążonych – BLUE.
4
D. Ciołek
EKONOMETRIA – wykład 3
I Normalność rozkładu składnika losowego
Stosując większość testów statystycznych zakładamy, że badana
zmienna ma rozkład normalny.
Testowanie normalności rozkładu
np. Test Jarque,a-Bery
W rozkładzie normalnym: miara skośności
S=0
miara kurtozy
K=3
gdzie - drugi, trzeci i czwarty moment centralny
rozkładu.
t
3
2
2
3
S
2
2
4
K
4
3
2
,
,
5
D. Ciołek
EKONOMETRIA – wykład 3
I Normalność rozkładu składnika losowego
Hipotezy testu:
Statystyka z próby:
Statystyka ma asymptotycznie rozkład .
Prawostronny obszar krytyczny określony przez .
Test ma zastosowanie tylko dla dużych prób.
N
ma
nie
H
N
H
t
A
t
:
~
:
0
24
3
6
2
2
K
S
T
JB
)
2
(
2
)
2
(
2
6
D. Ciołek
EKONOMETRIA – wykład 3
I Normalność rozkładu składnika losowego
W przypadku niespełniania założenia o normalności:
-
Zmodyfikować metody uwzględniając inny, lepszy w danym
przypadku rozkład: gamma, log-normalny, itd.
-
Dokonać transformacji zmiennych (np. zlogarytmować,
podnieść do potęgi) tak, aby uzyskać rozkład normalny.
Przykładem takiej transformacji jest transformacja Boxa-Coxa.
7
D. Ciołek
EKONOMETRIA – wykład 3
II Autokorelacja składników losowych
Jeżeli składniki losowe z okresu t nie przenoszą swego
oddziaływania na okres następne – brak autokorelacji:
Występuje autokorelacja składników losowych, wówczas gdy:
Jeżeli w modelu występuje autokorelacja rzędy 1, możemy
zapisać:
gdzie: to współczynnik autokorelacji rzędu 1,
to błąd czysto losowy.
)
(
;
0
)
(
s
t
E
s
t
)
(
;
0
)
(
s
t
E
s
t
)
,...,
2
(
;
1
1
T
t
t
t
t
1
1
|
|
1
t
8
D. Ciołek
EKONOMETRIA – wykład 3
II Autokorelacja składników losowych
Autokorelacja w modelu może być autokorelacją dodatnią:
Wtedy, gdy obok siebie występować będą seriami składniki
losowe takich samych znaków
1
ˆ
0
1
909
,
0
ˆ
1
9
D. Ciołek
EKONOMETRIA – wykład 3
II Autokorelacja składników losowych
Autokorelacja w modelu może być autokorelacją ujemną:
Wtedy, gdy obok siebie występują składniki losowe o różnych
znakach.
0
ˆ
1
1
964
,
0
ˆ
1
10
D. Ciołek
EKONOMETRIA – wykład 3
II Autokorelacja składników losowych
W praktyce jednak badanie autokorelacji składników
losowych nie jest takie proste.
164
,
0
ˆ
1
11
D. Ciołek
EKONOMETRIA – wykład 3
II Autokorelacja składników losowych
W modelach dla danych przekrojowych występowanie autokorelacji
należy rozważać w inny sposób.
-
Jeżeli kolejność ustawienia badanych jednostek jest dowolna
wówczas nie można ustalić wiarygodnej wartości współczynnika
autokorelacji.
-
Jeżeli kolejność ustawienia jednostek jest określona: sąsiednie
regiony lub państwa, sąsiadki na osiedlu, itp. wówczas
występowanie autokorelacji składników losowych możemy
interpretować jako efekt naśladowanictwa.
W modelach przekrojowych nie badamy autokorelacji w
czasie.
(Możemy mieć ewentualnie do czynienia z autokorelacją
przestrzenną*).
12
D. Ciołek
EKONOMETRIA – wykład 3
II Przyczyny autokorelacja składników
losowych
-
Pominięcie w modelu ważnej zmiennej egzogenicznej.
-
Niewłaściwy dobór opóźnień zmiennych objaśniających.
-
Efekt „wygasającego echa” – czynnik przypadkowy, który w
pewnym momencie zadziałał ze znaczną siłą i jego
działanie ma swoje skutki w następnych okresach –
autokorelacja dodatnia.
-
Wybór niewłaściwej postaci analitycznej modelu.
-
Uwzględnienie w modelu zbyt dużej liczby zmiennych
objaśniających przypadkowo dobranych.
-
Pominięcie efektu sezonowości analizowanej zmiennej
endogenicznej.
13
D. Ciołek
EKONOMETRIA – wykład 3
II Skutki autokorelacja składników losowych
-
MNK przestaje być BLUE – nadal jest estymatorem
nieobciążonym, ale przestaje być najefektywniejszy.
-
Wariancja resztowa staje się obciążonym estymatorem
wariancji składników losowych.
Obciążone i nieefektywne stają się estymatory błędów
szacunku parametrów strukturalnych.
Błędne są wyniki testów istotności.
-
Niewiarygodne syntetyczne miary dopasowania.
14
D. Ciołek
EKONOMETRIA – wykład 3
II Testowanie występowania autokorelacji
Testowanie zachowania składników losowych przeprowadzamy
na szeregu reszt uzyskanych z modelu oszacowanego MNK.
1) Test Durbina-Watsona
- Służy do badania autokorelacji rzędu pierwszego
Statystyka z próby:
Jeżeli w modelu podejrzewamy występowanie
autokorelacji dodatniej, wówczas hipotezy testu:
T
t
t
T
t
t
t
DW
1
2
2
2
1
ˆ
)
ˆ
ˆ
(
4
,
0
DW
2
,
0
DW
0
:
0
:
1
1
0
A
H
H
15
D. Ciołek
EKONOMETRIA – wykład 3
II Testowanie występowania autokorelacji
Jeżeli w modelu podejrzewamy występowanie
autokorelacji ujemnej, wówczas hipotezy testu:
W takim przypadku wyliczamy nową wartość statystyki:
W obu przypadkach z tablic testu Durbina-Watsona
odczytujemy dwie wartości krytyczne (dla liczby obserwacji
T i liczby zmiennych objaśniających k):
0
:
0
:
1
1
0
A
H
H
4
,
2
DW
DW
DW
4
*
u
l
d
d
16
D. Ciołek
EKONOMETRIA – wykład 3
II Testowanie występowania autokorelacji
Reguła decyzyjna:
-
Jeżeli , to odrzucamy hipotezę zerową.
-
Jeżeli , brak podstaw do odrzucenia
hipotezy zerowej.
-
Jeżeli , to wartość statystyki znajduje
się w tzw. obszarze niekonkluzywności testu, test DW nie
daje odpowiedzi, czy w modelu występuje autokorelacja
składników losowych.
Relacja między statystyką DW a współczynnikiem
autokorelacji:
l
d
DW
DW
)
lub
(
*
u
d
DW
DW
)
lub
(
*
u
l
d
DW
DW
d
)
lub
(
*
)
ˆ
1
(
2
1
DW
-1
0
1
D
W
4
2
0
1
ˆ
17
D. Ciołek
EKONOMETRIA – wykład 3
II Testowanie występowania autokorelacji
Warunki stosowania testu Durbina-Watsona:
-
W modelu musi występować wyraz wolny.
-
Zmienne objaśniające muszą być nielosowe.
-
Wśród zmiennych objaśniających nie może znajdować się
zmienna endogeniczna opóźniona w czasie.
-
Liczba obserwacji powinna być wystarczająco duża: im
mniejsza liczba obserwacji tym szerszy przedział
niekonkluzywności testu.
Należy pamiętać, że test DW bada tylko autokorelację rzędu
pierwszego (pomiędzy sąsiednimi obserwacjami).
18
D. Ciołek
EKONOMETRIA – wykład 3
II Testowanie występowania autokorelacji
Dla modeli, w których zmiennymi objaśniającymi są zmienne
endogeniczne opóźnione w czasie:
2) Test h Durbina
Hipotezy testu:
Statystyka z próby:
gdzie jest empiryczną wariancją błędu estymacji
parametru , T oznacza liczebność próby,
zaś oznacza współczynnik autokorelacji reszt MNK.
0
:
0
:
1
1
0
A
H
H
)
ˆ
(
ˆ
ˆ
1
2
1
1
T
T
h
)
ˆ
(
ˆ
1
2
1
t
t
tK
K
t
t
y
x
x
y
1
1
1
1
0
...
1
ˆ
19
D. Ciołek
EKONOMETRIA – wykład 3
II Testowanie występowania autokorelacji
Statystyka
h
ma asymptotycznie rozkład normalny
standaryzowany:
Wartości krytyczne dla testu
h
:
Hipoteza zerowa jest odrzucana wówczas, gdy:
Testu nie można zastosować, gdy:
)
1
;
0
(
~N
h
9
,
0
)
645
,
1
|
(|
1
,
0
z
z
P
95
,
0
)
96
,
1
|
(|
05
,
0
z
z
P
99
,
0
)
576
,
2
|
(|
01
,
0
z
z
P
z
h
|
|
1
)
ˆ
(
ˆ
1
2
T
20
D. Ciołek
EKONOMETRIA – wykład 3
II Sposoby eliminacji autokorelacji z modelu
1) Rozpoznanie przyczyn występowania autokorelacji i
odpowiednia zmiana konstrukcji modelu:
- dołączenie nowej zmiennej objaśniającej,
- zdynamizowanie modelu, bądź zmiana opóźnień,
- dołączenie zmiennej lub funkcji tej zmiennej, by
wyodrębnić nadzwyczajny efekt czynnika
losowego,
- zmianie postaci analitycznej modelu,
- redukcji liczby zmiennych objaśniających
(zmniejszenie efektów pozornego wyjaśnienia),
- dołączeniu zmiennej cyklicznej dwuokresowej.
21
D. Ciołek
EKONOMETRIA – wykład 3
II Sposoby eliminacji autokorelacji z modelu
2) Zastosowanie innej niż MNK metody szacowania parametrów
strukturalnych – Uogólnione Metody Najmniejszych
Kwadratów.
Metody te polegają na odpowiednim przekształceniu
pierwotnych obserwacji zmiennych modelu, tak by
wyeliminować z nich autokorelację i następnie na
oszacowaniu modelu MNK.
22
D. Ciołek
EKONOMETRIA – wykład 3
III Stałość wariancji składników losowych
Homoskedastyczność – składniki losowe w modelu mają stałą
wariancję.
Heteroskedastyczność – składniki losowe w modelu nie mają stałej
wariancji.
Reszty są większe,
im większe są
wartości zmiennej
objaśniającej.
tzn. Wariancja reszt
jest zmienna.
23
D. Ciołek
EKONOMETRIA – wykład 3
III Testowanie heteroskedastyczności
Z własności numerycznych MNK wynika, że reszty są
nieskorelowane ze zmiennymi objaśniającymi.
Dlatego bada się np. zależność reszt od wartości zmiennych
podniesionych do kwadratów, do potęgi trzeciej itd. –
różne testy.
Test White’a
W jednej z wersji wykorzystuje regresję kwadratów reszt ze
względu na stałą i kwadraty wartości teoretycznej zmiennej
endogenicznej:
Badamy, czy parametr
α
1
jest statystycznie istotny.
t
t
t
u
y
2
1
0
2
ˆ
ˆ
24
D. Ciołek
EKONOMETRIA – wykład 3
III Testowanie heteroskedastyczności
Hipotezy testu:
H
o
odrzucamy, gdy parametr
α
1
okaże się statystycznie
istotny, tzn. że wartości reszt wzrastają lub zmniejszają się
wraz ze wzrostem wartości wszystkich zmiennych
objaśniających w modelu – wariancja reszt nie jest stała.
Statystyka testu W wyliczana w pakietach komputerowych ma
dwie wersje:
Dla dużych prób:
Dla małych prób:
s
t
H
T
t
H
s
t
t
A
o
2
2
2
2
:
,...,
2
,
1
:
1
~
2
2
)
2
,
1
(
~
T
F
F
25
D. Ciołek
EKONOMETRIA – wykład 3
III Skutki heteroskedastyczności
-
Estymator MNK parametrów strukturalnych nadal jest
estymatorem nieobciążonym, ale staje się nieefektywny.
-
Obciążone oceny błędów szacunku parametrów
strukturalnych.
-
Niewiarygodne wyniki testów istotności.
Sposoby rozwiązania problemu
-
Stosujemy Ważoną Metodę Najmniejszych Kwadratów
(WMNK).
-
Wykorzystujemy tzw., deflatory, które zmieniają poziom
wartości zmiennych.
-
Transformujemy dane do postaci logarytmicznej.
26
D. Ciołek
EKONOMETRIA – wykład 3
IV Testowanie poprawności wyboru postaci
analitycznej
Test Ramseya (RESET - test)
Testuje, czy postać liniowa jest poprawna, czy też należałoby
wybrać wielomian wyższego stopnia.
W jednej z wersji testu sprawdzane jest, czy podniesione do
kolejnych potęg wartości teoretyczne zmiennej
endogenicznej nie są pominiętymi zmiennymi w modelu.
Hipotezy testu:
t
p
t
p
t
t
tk
k
t
t
y
y
y
x
x
y
)
ˆ
(
....
)
ˆ
(
)
ˆ
(
...
3
3
2
2
1
1
0
0
0
3
2
0
i
i
A
p
H
H
:
...
:
27
D. Ciołek
EKONOMETRIA – wykład 3
IV Testowanie poprawności wyboru postaci
analitycznej
Statystyka dla dużych prób:
gdzie: - suma kwadratów reszt z modelu bez wartości
teoretycznych
y
.
- suma kwadratów reszt z modelu poszerzonego.
Statystyka dla małych prób:
2
1
.
)
(
)
1
(
)
(
2
1
~
/
)
(
p
asymp
k
p
k
k
p
T
S
S
S
)
(
)
(k
S
)
(
)
1
(
p
k
S
1
2
.
)
1
(
)
1
(
)
(
~
)
2
/(
)
1
/(
}
{
p
p
k
T
asymp
p
k
p
k
k
F
p
k
T
S
k
p
k
S
S
F
28
D. Ciołek
EKONOMETRIA – wykład 3
V Istotność parametrów strukturalnych
1) Test t-Studenta
indywidualnej istotności parametru strukturalnego
Hipotezy:
Statystyka z próby:
Iloraz ten na rozkład:
)
,...,
1
,
0
(
0
:
0
:
0
k
i
H
H
i
A
i
)
,...,
1
,
0
(
)
ˆ
(
ˆ
ˆ
k
i
t
i
i
i
1
~
k
T
i
t
t
29
D. Ciołek
EKONOMETRIA – wykład 3
V Istotność parametrów strukturalnych
W hipotezie zerowej mamy równość stąd:
obszar krytyczny jest obszarem dwustronnym
Pole obszaru krytycznego w każdym teście jest równe poziomowi
istotności (stąd konieczność podzielenia na 2).
W teście t-Studenta H
0
odrzucamy gdy:
Mówimy wówczas, że:
Parametr statystycznie różni się od zera, jest statystycznie istotny.
Zmienna objaśniająca stojąca przy tym parametrze ma
statystycznie istotny wpływ na zmienną endogeniczną.
2
/
|
|
t
t
i
30
D. Ciołek
EKONOMETRIA – wykład 3
V Istotność parametrów strukturalnych
2) Test F
łącznej istotności parametru strukturalnego
Hipotezy:
Statystyka z próby:
Statystyka na rozkład:
0
:
0
...
:
*
2
1
*
0
A
k
H
H
2
2
1
*
R
k
k
T
F
k
k
T
F
F
1
~
*
31
D. Ciołek
EKONOMETRIA – wykład 3
Do wszystkich testów statystycznych
Prawdopodobieństwo empiryczne – wartość-p, prob, p-value,
jest to prawdopodobieństwo przyjęcia przez statystykę wartości
nie mniejszej od uzyskanej wartości statystyki z próby, przy
założeniu, że hipoteza zerowa jest prawdziwa – tzw.
prawdopodobieństwo empiryczne.
Reguła decyzyjna:
wartość p >
- brak podstaw do odrzucenia
H
0
.
wartość p
- odrzucamy
H
0
.
Inaczej
wartość p
oznacza poziom istotności, powyżej
którego należy odrzucić hipotezę zerową.
32
D. Ciołek
EKONOMETRIA – wykład 3
Estymacja przedziałowa
Iloraz różnicy między oceną parametru a jego rzeczywistą
wartością ma rozkład t-Studenta:
Wartości pochodzące z rozkładu t-Studenta są skoncentrowane
wokół zera, a prawdopodobieństwo pojawienie się wartości
dużych jest bliskie 0.
Zatem można zapisać:
1
~
)
ˆ
(
ˆ
ˆ
k
t
i
i
i
i
t
t
1
|
)
ˆ
(
ˆ
ˆ
|
2
/
t
P
i
i
i
33
D. Ciołek
EKONOMETRIA – wykład 3
Estymacja przedziałowa
Otrzymujemy:
Jest to przedział ufności dla parametru strukturalnego.
Z prawdopodobieństwem równym współczynnikowi ufności, powyższy
przedział zawiera nieznany parametr strukturalny
1
)
ˆ
(
ˆ
ˆ
2
/
2
/
t
t
P
i
i
i
1
)
ˆ
(
ˆ
ˆ
)
ˆ
(
ˆ
2
/
2
/
i
i
i
i
t
t
P
1
)
ˆ
(
ˆ
ˆ
)
ˆ
(
ˆ
ˆ
2
/
2
/
i
i
i
i
i
t
t
P
i
34
D. Ciołek
EKONOMETRIA – wykład 3
Macierz wariancji i kowariancji błędów estymacji
parametrów strukturalnych
Błędy estymacji parametrów strukturalnych:
Relacje między błędami zapisać można w postaci wariancji i
kowariancji, które tworzą tzw. macierz wariancji i kowariancji
błędów:
k
k
ˆ
ˆ
ˆ
ˆ
1
1
0
0
T
E
E
E
)
ˆ
(
ˆ
)
ˆ
(
ˆ
ˆ
35
D. Ciołek
EKONOMETRIA – wykład 3
Macierz wariancji i kowariancji błędów estymacji
parametrów strukturalnych
Na głównej przekątnej macierzy znajdują się wariancje błędów,
poza główną przekątną – kowariancje.
Macierz jest macierzą symetryczną.
k
k
k
k
k
ˆ
ˆ
,
ˆ
ˆ
,
ˆ
ˆ
,
ˆ
ˆ
ˆ
,
ˆ
ˆ
,
ˆ
ˆ
,
ˆ
ˆ
2
1
0
1
1
2
0
1
0
1
0
0
2
ˆ
ˆ
36
D. Ciołek
EKONOMETRIA – wykład 3
Macierz wariancji i kowariancji błędów estymacji
parametrów strukturalnych
Macierz ta przyjmuje następującą postać:
gdzie oznacza wariancję składników losowych.
Nieznaną wariancję zastępujemy wariancją reszt modelu:
Otrzymamy wówczas próbkową macierz .
Pierwiastki z elementów na głównej przekątnej są
błędami szacunku parametrów strukturalnych.
1
2
ˆ
X
X
T
2
ˆ
1
ˆ
ˆ
1
2
2
k
T
T
t
t
37
D. Ciołek
EKONOMETRIA – wykład 3
Błędy szacunku parametrów strukturalnych
Oszacowany model regresji wielorakiej można zapisać:
Interpretacja:
Szacując parametr mylimy się średnio in plus, in minus .
lub
uwzględniamy błąd szacunku w interpretacji parametru
strukturalnego.
i
tk
k
t
t
x
x
y
k
ˆ
ˆ
1
ˆ
ˆ
1
ˆ
ˆ
0
ˆ
...
ˆ
ˆ
ˆ
1
0
i
ˆ
ˆ
38
D. Ciołek
EKONOMETRIA – wykład 3
Syntetyczne miary dopasowania
1) Średni błąd resztowy (odchylenie standardowe reszt)
określa, o ile jednostek (in plus; in minus), przeciętnie rzecz
biorąc, zaobserwowane wartości zmiennej endogenicznej
odchylają się od wartości teoretycznych (wyznaczonych na
podstawie oszacowanego modelu) tej zmiennej.
2) Współczynnik zmienności losowej
Informuje o tym, jaki jest procentowy udział średniego błędu reszt
w średniej wartości zmiennej endogenicznej.
2
ˆ
ˆ
100
y
V
ˆ
39
D. Ciołek
EKONOMETRIA – wykład 3
Syntetyczne miary dopasowania
Zmienność zmiennej endogenicznej można podzielić:
zmienność rzeczywista = zmienność teoretyczna +
zmienność reszt.
Dzieląc obie strony równości przez zmienność rzeczywistą
otrzymujemy:
t
t
t
y
y
y
y
ˆ
ˆ
2
1
2
1
2
1
ˆ
ˆ
t
T
t
t
T
t
t
T
t
y
y
y
y
1
1
2
1
2
1
2
1
2
1
2
1
2
T
t
t
T
t
t
T
t
t
T
t
t
T
t
t
T
t
t
y
y
y
y
y
y
y
y
y
y
)
(
ˆ
)
(
)
ˆ
(
)
(
)
(
40
D. Ciołek
EKONOMETRIA – wykład 3
Syntetyczne miary dopasowania
3) Współczynnik determinacji
Informuje, jaka część całkowitej zmienności zmiennej
endogenicznej została ,,wyjaśniona'' przez model empiryczny.
4) Współczynnik zbieżności (indeterminacji)
Informuje, jaka część rzeczywistej zmienności zmiennej
endogenicznej nie została ,,wyjaśniona'' przez model
empiryczny, tj. kształtuje się pod wpływem czynników
nieuwzględnionych w modelu empirycznym.
T
t
t
T
t
t
y
y
y
y
R
1
2
1
2
2
)
(
)
ˆ
(
T
t
t
T
t
t
y
y
1
2
1
2
2
)
(
ˆ
41
D. Ciołek
EKONOMETRIA – wykład 3
Syntetyczne miary dopasowania
Jeżeli w modelu występuje wyraz wolny, to:
oraz
W każdym przypadku suma obu współczynników:
Należy pamiętać, że:
W przypadku szacowania modelu dla niestacjonarnych szeregów
czasowych, wraz ze wzrostem liczebności próby, obie miary
stają się obciążone i oceniają dopasowanie zbyt optymistyczne.
1
0
2
R
1
0
2
1
2
2
R
42
D. Ciołek
EKONOMETRIA – wykład 3
Efekt pozornego wyjaśniania
Suma kwadratów reszt zależy od liczby zmiennych
objaśniających w modelu – im większa liczba zmiennych tym
mniejsza suma kwadratów reszt.
W modelu z bardzo dużą ilością zmiennych objaśniających
możemy uzyskać sumę kwadratów reszt = 0.
Wartość współczynnik determinacji wzrasta wraz z dodawaniem
nowych zmiennych objaśniających, niezależnie od tego czy
nowe zmienne mają istotny wpływ na zmiany zmiennej
endogenicznej.
Oba współczynniki należy skorygować uwzględniając liczbę
zmiennych objaśniających w modelu.
43
D. Ciołek
EKONOMETRIA – wykład 3
Syntetyczne miary dopasowania
Korekta o liczbę stopni swobody:
5) Skorygowany współczynnik zbieżności (indeterminacji)
6) Skorygowany współczynnik determinacji
Po uwzględnieniu liczby stopni swobody w modelu, informuje, jaka
część całkowitej zmienności zmiennej endogenicznej została
,,wyjaśniona'' przez model empiryczny.
2
2
1
1
k
T
T
2
2
2
2
1
1
k
T
k
R
R
44
D. Ciołek
EKONOMETRIA – wykład 3
Syntetyczne miary dopasowania
Skorygowany współczynnik zbieżności:
gdzie - wariancja resztowa,
- wariancja zmiennej endogenicznej.
W modelu z więcej niż jedną zmienną objaśniającą:
2
2
2
ˆ
ˆ
y
2
ˆ
T
t
t
y
y
y
T
1
2
2
1
1
)
(
ˆ
2
2
2
2
R
R
45
D. Ciołek
EKONOMETRIA – wykład 3
Syntetyczne miary dopasowania
Wartość zwykłego współczynnika determinacji wzrasta wraz z
dodawaniem do modelu nowej zmiennej objaśniającej.
Wartość skorygowanego współczynnika wzrasta tylko wówczas,
gdy dołączane zmienne mają istotny wpływ na zmienność
zmiennej endogenicznej.
Miary skorygowane:
wykorzystuje się do porównywania różnych modeli, z różną
liczbą zmiennych objaśniających.
Niewielka różnica miedzy i świadczy o braku efektu
,,pozornego wyjaśnienia’’.
2
R
2
R
46
D. Ciołek
EKONOMETRIA – wykład 3
Syntetyczne miary dopasowania
7) Współczynnik korelacji wielorakiej
W modelu z wyrazem wolnym, jest to współczynnik korelacji
liniowej Pearsona między wartościami rzeczywistymi a
teoretycznymi zmiennej endogenicznej.
8) Skorygowany współczynnik korelacji wielorakiej
2
R
R
)
ˆ
,
(
ˆ
y
y
R
2
R
R
47
D. Ciołek
EKONOMETRIA – wykład 3
Model regresji bez wyrazu wolnego
Regresja przez początek układu współrzędnych:
- gdy wymaga tego teoria ekonomiczna,
- gdy wyraz wolny znika w wyniku przekształceń zmiennych.
Konsekwencje:
•
Współczynnik determinacji może przyjmować wartości mniejsze
niż 0 i wartości większe niż 100%.
•
Uzyskujemy niedoszacowane błędy szacunku parametrów
strukturalnych.
•
Nie możemy korzystać z niektórych testów statystycznych.
Współczynnik determinacji powinno się liczyć jako kwadrat
współczynnika korelacji miedzy wartościami rzeczywistymi i
teoretycznymi zmiennej endogenicznej.
48
D. Ciołek
EKONOMETRIA – wykład 3
Na co należy zwrócić szczególną uwagę (podsumowanie):
Na czym polega weryfikacja model ekonometrycznego?
Z jakich etapów składa się weryfikacja?
Dlaczego ważna jest normalność rozkładu składnika losowego?
Hipotezy testu badającego normalność.
Dlaczego ważne jest założenie o braku autokorelacji i stałości
wariancji?
Hipotezy testu na brak autokorelacji.
Hipotezy testu na stałość wariancji (homoscedastyczność).
Test na postać analityczną modelu.
Co bada test istotności – jakie ma hipotezy (test t-Studenta i test
F)?
Jak interpretujemy wartość p dla każdego testu?
Przedziały ufności dla parametrów strukturalnych.
Miary dopasowania i ich interpretacja.
Na czym polega efekt pozornego wyjaśniania?