Model ekonometryczny produkcji żarówek
Model ekonometryczny jest to równanie lub układ równań, które w sposób przybliżony przedstawia powiązania ilościowe między zjawiskami ekonomicznymi.
Zjawiska ekonomiczne wyjaśniane przez model - zmienna objaśniana.
Zjawiska ekonomiczne, które oddziałują na zmienną objaśnianą- zmienna objaśniająca.
Podstawowym zadaniem przy budowie modelu ekonometrycznego jest określenie zmiennych objaśniających. Należy wybierać takie czynniki, które moją istotny wpływ na kształtowanie się badanego zjawiska. Zmienne te będą nazywane zbiorem potencjalnych zmiennych objaśniających.
Podstawowym warunkiem, aby dana zmienna mogła być uznana za objaśniającą w modelu, jest jej wystarczające zróżnicowanie. Zmienne objaśniające nie mogą być zmiennymi, których poszczególne obserwacje nie różnią się między sobą. Nie jest to wtedy już zmienna, lecz jest to stała (bądź quasi-stała). Do mierzenia poziomu zróżnicowania najczęściej wykorzystuje się klasyczny współczynnik zmienności.
W latach 1975-2003 w firmie PHILIPS analizowano produkcję żarówek (zmienna Y) mierzoną w tys. zł i przeprowadzono obserwacje dodatkowych 5 zmiennych: |
|||||||
X1 - zatrudnienie, w osobach X2 - wartość maszyn i urządzeń, w tys. zł. X3 - czas przestoju maszyn, w dniach X4 - nakłady inwestycyjne, w tys. zł. X5 - wydajność pracy, w tys. zł. na osobę |
|
|
|
|
|||
|
|
|
|
|
|||
|
|
|
|
|
|||
|
|
|
|
|
|||
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Rok |
y |
x1 |
x2 |
x3 |
x4 |
x5 |
|
1975 |
1,50 |
9,00 |
0,60 |
12,00 |
0,13 |
0,13 |
|
1976 |
1,50 |
9,00 |
1,00 |
12,00 |
0,13 |
0,13 |
|
1977 |
1,60 |
10,00 |
1,00 |
15,00 |
0,13 |
0,14 |
|
1978 |
1,60 |
10,00 |
1,40 |
15,00 |
0,14 |
0,14 |
|
1979 |
2,00 |
10,00 |
1,00 |
16,00 |
0,13 |
0,16 |
|
1980 |
1,60 |
11,00 |
1,00 |
21,00 |
0,13 |
0,15 |
|
1981 |
2,00 |
11,00 |
1,00 |
21,00 |
0,13 |
0,14 |
|
1982 |
2,00 |
14,00 |
1,40 |
21,00 |
0,13 |
0,16 |
|
1983 |
2,00 |
14,00 |
1,40 |
21,00 |
0,13 |
0,16 |
|
1984 |
2,20 |
14,00 |
1,60 |
20,00 |
0,12 |
0,16 |
|
1985 |
2,25 |
16,00 |
1,60 |
20,00 |
0,15 |
0,16 |
|
1986 |
2,35 |
16,00 |
1,60 |
19,00 |
0,21 |
0,16 |
|
1987 |
2,35 |
16,00 |
2,00 |
18,00 |
0,21 |
0,16 |
|
1988 |
2,45 |
18,00 |
2,00 |
20,00 |
0,22 |
0,15 |
|
1989 |
2,50 |
18,00 |
2,00 |
17,00 |
0,22 |
0,15 |
|
1990 |
2,60 |
18,00 |
2,00 |
16,00 |
0,22 |
0,15 |
|
1991 |
2,50 |
18,00 |
2,10 |
16,00 |
0,22 |
0,17 |
|
1992 |
2,55 |
17,00 |
2,10 |
15,00 |
0,21 |
0,18 |
|
1993 |
2,60 |
17,00 |
2,03 |
16,00 |
0,21 |
0,18 |
|
1994 |
2,65 |
14,00 |
1,98 |
17,00 |
0,21 |
0,19 |
|
1995 |
2,70 |
14,00 |
2,00 |
21,00 |
0,21 |
0,22 |
|
1996 |
2,85 |
14,00 |
2,00 |
25,00 |
0,20 |
0,22 |
|
1997 |
2,80 |
14,00 |
1,96 |
21,00 |
0,20 |
0,22 |
|
1998 |
2,95 |
14,00 |
1,95 |
21,00 |
0,20 |
0,23 |
|
1999 |
3,00 |
12,00 |
1,95 |
20,00 |
0,23 |
0,25 |
|
2000 |
3,20 |
14,00 |
1,95 |
20,00 |
0,24 |
0,24 |
|
2001 |
2,97 |
15,00 |
1,93 |
21,00 |
0,24 |
0,23 |
|
2002 |
2,85 |
15,00 |
1,93 |
18,00 |
0,24 |
0,20 |
|
średnia |
2,36 |
14,00 |
1,66 |
18,39 |
0,18 |
0,18 |
|
1. Dobór zmiennych do modelu.
Dobierając zmienne objaśniające do modelu kierujemy się względami merytorycznymi oraz formalnymi :
a) wszystkie z zaproponowanych zmiennych x1, x2, x3, x4, x5 są dobre pod względem merytorycznym.
b) kryterium formalne - współczynnik zmienności : zmienne objaśniające powinny charakteryzować się odpowiednią wysoką zmiennością.
Sprawdzamy współczynniki zmienności - V V = Si : xśr. * 100%
Odchylenie standardowe - Sx Si = pierwiastek 1 : n * suma (xi - xśr)2 |
|||||||||
x1-x1śr |
x2-x2śr |
x3-x3śr |
x4-x4śr |
x5-x5śr |
(x1-x1śr)2 |
(x2-x2śr)2 |
(x3-x3śr)2 |
(x4-x4śr)2 |
(x5-x5śr)2 |
-5,00 |
-1,06 |
-6,39 |
-0,05 |
-0,05 |
25 |
1,1236 |
40,8321 |
0,0025 |
0,0025 |
-5,00 |
-0,66 |
-6,39 |
-0,05 |
-0,05 |
25 |
0,4356 |
40,8321 |
0,0025 |
0,0025 |
-4,00 |
-0,66 |
-3,39 |
-0,05 |
-0,04 |
16 |
0,4356 |
11,4921 |
0,0025 |
0,0016 |
-4,00 |
-0,26 |
-3,39 |
-0,04 |
-0,04 |
16 |
0,0676 |
11,4921 |
0,0016 |
0,0016 |
-4,00 |
-0,66 |
-2,39 |
-0,05 |
-0,02 |
16 |
0,4356 |
5,7121 |
0,0025 |
0,0004 |
-3,00 |
-0,66 |
2,61 |
-0,05 |
-0,03 |
9 |
0,4356 |
6,8121 |
0,0025 |
0,0009 |
-3,00 |
-0,66 |
2,61 |
-0,05 |
-0,04 |
9 |
0,4356 |
6,8121 |
0,0025 |
0,0016 |
0,00 |
-0,26 |
2,61 |
-0,05 |
-0,02 |
0 |
0,0676 |
6,8121 |
0,0025 |
0,0004 |
0,00 |
-0,26 |
2,61 |
-0,05 |
-0,02 |
0 |
0,0676 |
6,8121 |
0,0025 |
0,0004 |
0,00 |
-0,06 |
1,61 |
-0,06 |
-0,02 |
0 |
0,0036 |
2,5921 |
0,0036 |
0,0004 |
2,00 |
-0,06 |
1,61 |
-0,03 |
-0,02 |
4 |
0,0036 |
2,5921 |
0,0009 |
0,0004 |
2,00 |
-0,06 |
0,61 |
0,03 |
-0,02 |
4 |
0,0036 |
0,3721 |
0,0009 |
0,0004 |
2,00 |
0,34 |
-0,39 |
0,03 |
-0,02 |
4 |
0,1156 |
0,1521 |
0,0009 |
0,0004 |
4,00 |
0,34 |
1,61 |
0,04 |
-0,03 |
16 |
0,1156 |
2,5921 |
0,0016 |
0,0009 |
4,00 |
0,34 |
-1,39 |
0,04 |
-0,03 |
16 |
0,1156 |
1,9321 |
0,0016 |
0,0009 |
4,00 |
0,34 |
-2,39 |
0,04 |
-0,03 |
16 |
0,1156 |
5,7121 |
0,0016 |
0,0009 |
4,00 |
0,44 |
-2,39 |
0,04 |
-0,01 |
16 |
0,1936 |
5,7121 |
0,0016 |
0,0009 |
3,00 |
0,44 |
-3,39 |
0,03 |
0,00 |
9 |
0,1936 |
11,4921 |
0,0009 |
0,0000 |
3,00 |
0,37 |
-2,39 |
0,03 |
0,00 |
9 |
0,1369 |
5,7121 |
0,0009 |
0,0000 |
0,00 |
0,32 |
-1,39 |
0,03 |
0,01 |
0 |
0,1024 |
1,9321 |
0,0009 |
0,0001 |
0,00 |
0,34 |
2,61 |
0,03 |
0,04 |
0 |
0,1156 |
6,8121 |
0,0009 |
0,0016 |
0,00 |
0,34 |
6,61 |
0,02 |
0,04 |
0 |
0,1156 |
43,6921 |
0,0004 |
0,0016 |
0,00 |
0,30 |
2,61 |
0,02 |
0,04 |
0 |
0,09 |
6,8121 |
0,0004 |
0,0016 |
0,00 |
0,29 |
2,61 |
0,02 |
0,05 |
0 |
0,0841 |
6,8121 |
0,0004 |
0,0025 |
-2,00 |
0,29 |
1,61 |
0,05 |
0,07 |
4 |
0,0841 |
2,5921 |
0,0025 |
0,0049 |
0,00 |
0,29 |
1,61 |
0,06 |
0,06 |
0 |
0,0841 |
2,5921 |
0,0036 |
0,0036 |
1,00 |
0,27 |
2,61 |
0,06 |
0,05 |
1 |
0,0729 |
6,8121 |
0,0036 |
0,0025 |
1,00 |
0,27 |
-0,39 |
0,06 |
0,02 |
1 |
0,0729 |
0,1521 |
0,0036 |
0,0004 |
suma: |
216,00 |
5,3234 |
254,6788 |
0,0524 |
0,035901 |
Wyniki: |
|
|
Przyjmujemy wartość krytyczną dla V* = 20% |
Sx1 = 2,78 Sx2= 0,44 Sx3= 3,02 Sx4= 0,04 Sx5= 0,04 |
|
V1 = 19,84% V2 = 26,27% V3 = 16,40% V4 = 23,57% V5 = 20,34% |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Jeżeli wartość obliczona V jest większa od V* wartości krytycznej to stwierdzamy, że dana
zmienna charakteryzuje się odpowiednio dużą zmiennością. Może ona stać się zmienna objaśniającą w modelu.
Do modelu powinny więc wejść zmienne x2, x4, x5 , ponieważ wykazują wysoką zmienność.
Współczynniki korelacji zmienne objaśniające powinny być silnie skorelowane ze zmienna objaśnianą oraz możliwie słabo skorelowane pomiędzy sobą.
|
y |
x1 |
x2 |
x3 |
x4 |
x5 |
y |
1,000 |
0,600 |
0,865 |
0,480 |
0,868 |
0,862 |
x1 |
0,600 |
1,000 |
0,812 |
0,222 |
0,674 |
0,190 |
x2 |
0,865 |
0,812 |
1,000 |
0,329 |
0,862 |
0,624 |
x3 |
0,480 |
0,222 |
0,329 |
1,000 |
0,173 |
0,543 |
x4 |
0,868 |
0,674 |
0,862 |
0,173 |
1,000 |
0,647 |
x5 |
0,862 |
0,190 |
0,624 |
0,543 |
0,647 |
1,000 |
Do modelu wejdą x2 i x5 ponieważ wykazują silną korelację ze zmienną objaśnianą.
Zmienna x4 wykazuje silną korelację ze zmienną objaśnianą, ale też ze zmienną objaśniającą x1 i dlatego nie może wejść do modelu.
x2 |
x5 |
x0 |
0,60 |
0,13 |
1,00 |
1,00 |
0,13 |
1,00 |
1,00 |
0,14 |
1,00 |
1,40 |
0,14 |
1,00 |
1,00 |
0,16 |
1,00 |
1,00 |
0,15 |
1,00 |
1,00 |
0,14 |
1,00 |
1,40 |
0,16 |
1,00 |
1,40 |
0,16 |
1,00 |
1,60 |
0,16 |
1,00 |
1,60 |
0,16 |
1,00 |
1,60 |
0,16 |
1,00 |
2,00 |
0,16 |
1,00 |
2,00 |
0,15 |
1,00 |
2,00 |
0,15 |
1,00 |
2,00 |
0,15 |
1,00 |
2,10 |
0,17 |
1,00 |
2,10 |
0,18 |
1,00 |
2,03 |
0,18 |
1,00 |
1,98 |
0,19 |
1,00 |
2,00 |
0,22 |
1,00 |
2,00 |
0,22 |
1,00 |
1,96 |
0,22 |
1,00 |
1,95 |
0,23 |
1,00 |
1,95 |
0,25 |
1,00 |
1,95 |
0,24 |
1,00 |
1,93 |
0,23 |
1,00 |
1,93 |
0,20 |
1,00 |
Model będzie miał postać : y = a0 + a1x2 + a2x5
Poszukujemy wartości parametrów a ze wzoru : a = ( xTy)(xTx) -1
Macierz transponowana xT
0,60 |
1,00 |
1,00 |
1,40 |
1,00 |
1,00 |
1,00 |
1,40 |
1,40 |
1,60 |
1,60 |
1,60 |
2,00 |
2,00 |
2,00 |
2,00 |
2,10 |
2,10 |
2,03 |
1,98 |
2,00 |
2,00 |
1,96 |
1,95 |
1,95 |
1,95 |
1,93 |
1,93 |
0,13 |
0,13 |
0,14 |
0,14 |
0,16 |
0,15 |
0,14 |
0,16 |
0,16 |
0,16 |
0,16 |
0,16 |
0,16 |
0,15 |
0,15 |
0,15 |
0,17 |
0,18 |
0,18 |
0,19 |
0,22 |
0,22 |
0,22 |
0,23 |
0,25 |
0,24 |
0,23 |
0,20 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
1,00 |
Iloczyn macierzy transponowanej xT i macierzy X jest macierzą o wymiarach 3 x 3 postaci:
|
8,4517 |
46,48 |
8,4517 |
0,9027 |
4,93 |
46,48 |
4,93 |
28 |
Macierz odwrotna :
|
-2,375411 |
-0,092029 |
-2,375411 |
47,201439 |
-4,367642 |
-0,092029 |
-4,367642 |
0,9574998 |
Iloczyn macierzy XT oraz wektora Y jest postaci :
|
12,0566 |
66,12 |
W wyniku pomnożenia macierzy (xTx)-1 przez wektor xTy otrzymujemy wektor ocen parametrów strukturalnych szacowanego modelu:
|
0,60 |
a2 |
7,33 |
a0 |
0,08 |
Model ma postać : y = 0,08 + 0,60x2 + 7,33x5
Interpretacja modelu jest następująca :
parametr a1 = 0,60 oznacza, że wzrost wartości maszyn i urządzeń o jeden tysiąc powoduje przeciętny wzrost produkcji o 0,60 tysiąca złotych przy założeniu, że wydajność pracy nie ulega zmianie.
parametr a2 = 7,33 oznacza ,że wzrost wydajności pracy o jeden tysiąc złotych na osobę powoduje przeciętny wzrost produkcji o 7,33 tys. złotych przy założeniu, że wartość maszyn i urządzeń nie ulegnie zmianie.
2. Weryfikacja modelu.
Ocena dopasowania modelu do danych empirycznych
a) współczynnik zbieżności - przyjmuje wartości z przedziału (0, 1); wartości bliskie 0-ru świadczą o dobrym dopasowaniu modelu do danych empirycznych, wartości bliskie 1-ki o złym dopasowaniu.
Wyliczenia:
Rok |
y |
x2 |
x5 |
yteor. |
et=y-yteor. |
et2=y-yteor. |
y-yśr |
(y-yśr)2 |
1971 |
1,50 |
0,60 |
0,13 |
1,39 |
0,11 |
0,01147 |
-0,86 |
0,7396 |
1972 |
1,50 |
1,00 |
0,13 |
1,63 |
-0,13 |
0,01766 |
-0,86 |
0,7396 |
1973 |
1,60 |
1,00 |
0,14 |
1,71 |
-0,11 |
0,01128 |
-0,76 |
0,5776 |
1974 |
1,60 |
1,40 |
0,14 |
1,95 |
-0,35 |
0,11985 |
-0,76 |
0,5776 |
1975 |
2,00 |
1,00 |
0,16 |
1,85 |
0,15 |
0,02167 |
-0,36 |
0,1296 |
1976 |
1,60 |
1,00 |
0,15 |
1,78 |
-0,18 |
0,03222 |
-0,76 |
0,5776 |
1977 |
2,00 |
1,00 |
0,14 |
1,71 |
0,29 |
0,08632 |
-0,36 |
0,1296 |
1978 |
2,00 |
1,40 |
0,16 |
2,09 |
-0,09 |
0,00861 |
-0,36 |
0,1296 |
1979 |
2,00 |
1,40 |
0,16 |
2,09 |
-0,09 |
0,00861 |
-0,36 |
0,1296 |
1980 |
2,20 |
1,60 |
0,16 |
2,21 |
-0,01 |
0,00016 |
-0,16 |
0,0256 |
1981 |
2,25 |
1,60 |
0,16 |
2,21 |
0,04 |
0,00138 |
-0,11 |
0,0121 |
1982 |
2,35 |
1,60 |
0,16 |
2,21 |
0,14 |
0,01882 |
-0,01 |
0,0001 |
1983 |
2,35 |
2,00 |
0,16 |
2,45 |
-0,10 |
0,01057 |
-0,01 |
0,0001 |
1984 |
2,45 |
2,00 |
0,15 |
2,38 |
0,07 |
0,00497 |
0,09 |
0,0081 |
1985 |
2,50 |
2,00 |
0,15 |
2,38 |
0,12 |
0,01452 |
0,14 |
0,0196 |
1986 |
2,60 |
2,00 |
0,15 |
2,38 |
0,22 |
0,04862 |
0,24 |
0,0576 |
1987 |
2,50 |
2,10 |
0,17 |
2,59 |
-0,09 |
0,00741 |
0,14 |
0,0196 |
1988 |
2,55 |
2,10 |
0,18 |
2,66 |
-0,11 |
0,01197 |
0,19 |
0,0361 |
1989 |
2,60 |
2,03 |
0,18 |
2,62 |
-0,02 |
0,00030 |
0,24 |
0,0576 |
1990 |
2,65 |
1,98 |
0,19 |
2,66 |
-0,01 |
0,00011 |
0,29 |
0,0841 |
1991 |
2,70 |
2,00 |
0,22 |
2,89 |
-0,19 |
0,03709 |
0,34 |
0,1156 |
1992 |
2,85 |
2,00 |
0,22 |
2,89 |
-0,04 |
0,00181 |
0,49 |
0,2401 |
1993 |
2,80 |
1,96 |
0,22 |
2,87 |
-0,07 |
0,00471 |
0,44 |
0,1936 |
1994 |
2,95 |
1,95 |
0,23 |
2,94 |
0,01 |
0,00020 |
0,59 |
0,3481 |
1995 |
3,00 |
1,95 |
0,25 |
3,08 |
-0,08 |
0,00681 |
0,64 |
0,4096 |
1996 |
3,20 |
1,95 |
0,24 |
3,01 |
0,19 |
0,03640 |
0,84 |
0,7056 |
1997 |
2,97 |
1,93 |
0,23 |
2,92 |
0,05 |
0,00213 |
0,61 |
0,3721 |
1998 |
2,85 |
1,93 |
0,20 |
2,70 |
0,15 |
0,02132 |
0,49 |
0,2401 |
Średnia: |
2,36 |
|
|
|
suma |
0,54701 |
suma |
6,6758 |
współczynnik zbieżności = suma et2 : suma (yt-yśr)2 = 0,081939 |
Współczynnik przyjmuje wartości bliskie 0-ru, co świadczy o dobrym dopasowaniu modelu do danych empirycznych.
b) współczynnik determinacji również przyjmuje wartości z przedziału (0, 1); im bliższy 1-ki, tym dopasowanie modelu do danych empirycznych jest lepsze.
współczynnik determinacji = 1 - współczynnik zbieżności = 0,918061 |
Można stwierdzić, iż model wyjaśnia zmienną w 91,8 %, a nie wyjaśnia tylko w 0,82 %.
3. Badanie istotność parametrów strukturalnych.
Badamy istotność parametrów strukturalnych za pomocą testów:
a) t- Studenta
b) Fishera
Test T-Studenta
przyjmujemy poziom istotności 0,05
Z tablic rozkładu t-Studenta odczytujemy wartość krytyczną t* dla poziomu istotności 0,05 oraz
stopni swobody (n - m - 1) równego 25.
ti = ai : pierwiastek D2(ai)
t2 = ax2/pierw D2(ax2) = 7,32109
t5 = ax5/pierw D2(ax5) = 7,186275
Wartość krytyczna t* = 2,06
It1I jest większe od t*
It2I jest większe od t*
Obie zmienne muszą w modelu pozostać, ponieważ mają istotny wpływ na zmienną objaśnianą.
Test Fishera
Z tablic F. Snedecora odczytujemy wartość krytyczną F* dla n1 = m i n2 = n - m - 1
F= (R2:1-R2) [(n-m-1) : m] = 140,0517
Wartość krytyczna F* = 3,38
F jest większe od F*
Jak widzimy F jest większe od F* co oznacza, że przynajmniej jedna ze zmiennych objaśniających istotnie wpływa na zmienną objaśnianą.
Zmienne powinny zostać w modelu.
Praca pochodzi z serwisu www.e-sciagi.pl
xTx =
(xTx)-1 =
xTY =
( xTy)(xTx)-1 =