ROZWÓJ METOD EKONOMETRYCZNYCH
- prawdopodobnym twórcą nazwy „ekonometria” był Frisch (1936 r.)
- „…unifikacja teorii ekonomii, statystyki matematyki”
1 era – era klasycznych metod najmniejszych kwadratów ;
równanie ruchu wahadła (funkcja ciągła gasnąca)
2 era – rozwój metod estymacji 2 MNK, 3 MNK, metoda zmiennych instrumentalnych.
Powstały modele Kleina, Kleina – Goldelberga:
Yt = F(t) + β1V1t+ ….
3 era – zastosowanie maszyn mnożnikowych
4 era – wprowadzenie analizy spektralnej, Jerons, Moore.
5 era – powszechna komputeryzacja – powstają makro modele będące podstawą symulacji i prognozowania.
6 era – makro modelowanie gospodarek narodowych.
KONKLUZJE:
- ekonometria nie ma wyraźnie określonych granic,
- ekonometria nie weryfikuje empirycznie modeli, które tworzy.
Ekonometrię należy rozważać wraz z powiązaniami z:
- ekonomią matematyczną,
- teorią ekonomii,
- statystyką ekonomiczną.
Przedmiotem analizy są:
- konstrukcja modelu ekonometrycznego,
- estymacja parametrów modelu ekonometrycznego.
SPECYFIKACJA– MODELU EKONOMETRYCZNEGO INFORMACJA PRIORI
- istniejące teorie ekonomiczne;
- ogólnie znane zależności ekonomiczne typu rozrachunkowego lub bilansującego;
- informacje z poprzednio prowadzonych badań ekonometrycznych.
JEDNOWARTOŚCIOWY MODEL EKONOMETRYCZNY
Wybór zmiennych nazywa się specyfikacją modelu.
Rozpatrując budowę modelu można wyróżnić następujące jego części
Parametry strukturalne modelu – nie jesteśmy w stanie podać dokładnej wartości parametru, trzeba je oszacować.
α0 – parametr wolny – jego interpretacja bywa niewłaściwa z punktu widzenia ekonomii
α1 –ma interpretację przyczynowo – skutkową
Etapy budowy modelu
Etap 1 – określenie celu oraz zakresu badania
Etap 2 – specyfikacja modelu ekonometrycznego
Etap 3 – zgromadzenie odpowiednich danych statystycznych
Etap 4 – estymacja parametrów modelu ekonometrycznego
Etap 5 – weryfikacja oszacowanego modelu
Etap 6 – Praktyczne wykorzystanie modelu ekonometrycznego
Klasyfikacja modelu ekonometrycznego
Cele budowy modelu ekonometrycznego oraz typy modelu:
Modele analityczno – opisowe
Modele prognostyczne
Symulacje i sterowania
Miary jakości modelu ekonometrycznego
Stopień dopasowania modelu do danych empirycznych
Dokładność parametrów modelu
Wartość informacyjna modelu
Sensowność interpretacji parametrów
Wartość prognostyczna modelu
Klasy modeli:
hiperboliczny,
dynamiczny,
kwadratowy niezupełny.
Modele:
statystyczne,
dynamiczne.
DOBÓR ZMIENNYCH OBJAŚNIAJĄCYCH DO MODELU EKONOMETRYCZNEGO
Metoda analizy współczynników korelacji – odnosi się do modeli liniowych
Badanie poziomu zróżnicowania zmiennych
Współczynnik zmienności, dany następującą formułą
$$V_{i} = \ \frac{S_{i}}{{\overset{\overline{}}{x}}_{i}}$$
gdzie
Si – odchylenie standardowe zmiennej
${\overset{\overline{}}{x}}_{i}$ - średnia arytmetyczna zmiennej
Można przyjąć a priori pewien poziom krytyczny dla współczynnika zmienności
Zwykle jest to:
V*=0,1
jeżeli ↓
Vi ‹ V* ← wartość krytyczna współczynnika
↓
brak zróżnicowania – brak możliwości stosowania metod ilościowych MNK
Brak możliwości stosowania metod ilościowych.
Współczynnik korelacji liniowej Pearsona
Wartości współczynnika korelacji Pearsona zawierają się w przedziale [-1,1] i dany jest następującą formułą
$r_{\text{jl}} = \frac{\text{cov}_{\text{jl}}}{S_{j}S_{l}}$
covjl - kowariancja
SjSl – odchylenie standardowe
Dodatnia zależność liniowa między zmiennymi:
Wzrost X powoduje wzrost Y – często to pewien ułamek
Ujemna zależność liniowa między zmiennymi:
Wzrost X powoduje spadek Y – służy do badania zależności popytowych
Brak zależności
Zależność krzywoliniowa
Badanie istotności współczynnika korelacji liniowej
Ho : rxy = 0
Hipoteza zerowa – brak zależności
H0 : rxy ≠ 0
Sprawdzeniem hipotezy zerowej jest statystyka testu studenta dana formułą:
n – liczba obserwacji
α=0,05 – 5% - oznacza, że poziom istotności głosi, że na 100 podjętych decyzji 5 będzie błędnych.
Interpretacja
Jeżeli tα ≥ t (wartość krytyczna) – nie ma podstaw do odrzucenia hipotezy zerowej – brak istotnej korelacji
Jeżeli tα ‹ t – to hipotezę zerową należy odrzucić na korzyść hipotezy alternatywnej
Przykład
$$R = \begin{bmatrix}
1 & 0,3 & 0.7 \\
0,3 & 1 & 0,8 \\
0,7 & 0,8 & 1 \\
\end{bmatrix}$$
Sprawdźmy czy korelacji między zmienną X1, X2 jest istotna
Przyjmijmy poziom istotności α = 0,05 n=20
Wartość krytyczna do α = 0,05 oraz n-2=18 (18 stopni swobody)
Współczynnik korelacji na n=20 obserwacji;
tα = 2,101
Hipotezy dane są jako:
H0 : rx1x2=0 H1 : rx1x2≠0
Statystyka testowa dana jest jako
$t = \frac{0,3}{\sqrt{1 - {0,3}^{2}}}\sqrt{20 - 2} = \sqrt{20 - 2} = 1,3343\ \rightarrow t_{\alpha} > t$ hipoteza zerowa - nie ma korelacji
Wektor $R = \begin{bmatrix} \text{ISTOTNE} \\ \\ \\ \\ \end{bmatrix}$ Macierz $R = \begin{bmatrix} 1 & \cdots & \\ \vdots & 1 & \vdots \\ & \cdots & 1 \\ \end{bmatrix}$
Wartość krytyczna współczynnika korelacji liniowej
Dana jest
$$r^{*} = \ \sqrt{\frac{t_{\alpha}^{2}}{t_{\alpha}^{2} + n - 2}}$$
Współczynniki korelacji mniejsze od wartości krytycznej j są statystycznie nieistotne
Współczynniki korelacji równe bądź większe od wartości krytycznej są statystycznie istotne
tα – wartość krytyczna odczytana z tablic t studenta na poziomie istotności α (0,05) przy n-2 stopnia swobody (n - liczba obserwacji)
Przykład:
Na podstawie 30 obserwacji obliczono następujące współczynniki korelacji
$R_{0} = \begin{bmatrix} 0,87 \\ 0,52 \\ - 0,2 \\ - 0,45 \\ \end{bmatrix}$ $R = \begin{bmatrix} \begin{matrix} 1 & 0,01 & - 025 \\ & 1 & 0,7 \\ & & 1 \\ \end{matrix}\begin{matrix} 0,45 \\ - 0,56 \\ 0,6 \\ \end{matrix} \\ \begin{matrix} & & \begin{matrix} & 1 \\ \end{matrix} \\ \end{matrix} \\ \end{bmatrix}$
Wybrać zmienne objaśniające do modelu ekonometrycznego przyjmując poziom istotności 0,05
Zatem:
n=30 n-2=28
Wartość krytyczna odczytana z tablic wartości krytycznych rozkładu t - studenta jest następująca
tα = 2,048
Stąd wartość krytyczna współczynnika korelacji wynosi
$$r^{*} = \sqrt{\frac{{2,048}^{2}}{{2,048}^{2} + 30 - 2} = 0,36}$$
r* = 0, 36
Zatem
$R_{0} = \begin{bmatrix} 0,87 \\ 0,52 \\ - 0,2 \\ - 0,45 \\ \end{bmatrix}$ $R = \begin{bmatrix} \begin{matrix} 1 & 0,01 & - 025 \\ & 1 & 0,7 \\ & & 1 \\ \end{matrix}\begin{matrix} 0,45 \\ - 0,56 \\ 0,6 \\ \end{matrix} \\ \begin{matrix} & & \begin{matrix} & 1 \\ \end{matrix} \\ \end{matrix} \\ \end{bmatrix}$
Na podstawie analizy samego wektora wnioskujemy , że x3 jest nieistotne.
Pozostałe zmienne x1,x2,x4 kandydują na zmienne do modelu
0,87 – istotne
0,52 – istotne
-0,2 – nie jest istotne i nie będzie uwzględniana w dalszej analizie
-0,45 – istotne
Zatem kandydatkami na zmienne objaśniające są X1t, X2t, X4t → korelacja z Y jest istotna
I z tego wynika , że gdyby był x4 to nie mogłyby być ani x1, ani x2, .Ale gdyby x4 było mocno skorelowane z y , to byśmy tylko na tej podstawie budowali model , jednak w tym zadaniu jest nisko skorelowany , a x1,x2, bardziej to je właśnie wybieramy (będziemy dokładniejsi).
X1 oraz X2 – nie są istotnie skorelowane między sobą ‹ r*
X1 oraz X4 – istotnie skorelowane bo › r*
X2 oraz X4 – istotnie skorelowane bo › r*
Do modelu wejdzie zmienna X1, X2
Analiza wektorowa
0,2 ‹ r* = 0,36
Sprawdzenie powiązań między kandydatkami
Yt = α1X1t + α2X2tα0 + α0 + ξt
Yt = α1X4t + α0 + ξt bardzo słaba korelacja z Yt
Estymacja parametrów strukturalnych modelu ekonometrycznego
Klasyczna metoda najmniejszych kwadratów (KMNK)
Jest to metoda liniowa.
Idea KMNK:
Wyznaczenie ocen a1, a2, …, ak parametrów strukturalnych parametrów α1, α2, …, αk strukturalnych aby suma kwadratów odchyleń zaobserwowanych wartości zmiennej endogenicznej Yt od jej wartości teoretycznych obliczonych na odstawie oszacowanego modelu była najmniejsza
Yt = α1X1t + α0 + ξt po oszacowaniu przyjmuje wartość
↓
Yt = a1X1t + a0 + ut
Dany jest model ekonometryczny o dowolnej liczbie zmiennych objaśniających
Yt = α1X1t + α2X2t + … + αk − 1Xk − 1t + αk + ξt
t = 1, 2, …, n
przy czym k-ta zmienna objaśniająca przyjmuje zawsze wartość 1 (tak więc parametr występujący przy niej jest nazywany parametrem wolnym.
Kryterium metody najmniejszych kwadratów ma następującą postać
$$\Psi = \ \sum_{t = 1}^{n}{(y_{1} - a_{1}X_{1t\ } - a_{2}X_{2t} - \ \ldots - a_{k - 1}X_{k - 1t} - a_{k})^{2}}$$
→ minimum
Yt = α1X1t + α0 + ξt
Yt = a1X1t + a0 + ut
świat rzeczywisty: ma być najmniejsze
$$\Psi = \ \sum_{t = 1}^{n}{(y_{t} - a_{1}X_{1t\ } - a_{o})^{2}}$$
Świat teoretyczny:
Yt* = α1X1t + α0
Minimum - ma być najmniejsze
$$\Psi = \ \sum_{t = 1}^{n}{(Y_{t} - Y_{t}^{*})^{2}}$$
Reszta modelu (zmienna losowa)
ut = Yt − Yt*
Minimum
$$\Psi = \ \sum_{t = 1}^{n}u_{t}^{2}$$
Yt* = a1X1t + a2X2t + …+ ak − 1Xk − 1t + ak
Ostateczne postać funkcji kryterium KMNK dana jest jako:
$$\Psi = \ \sum_{t = 1}^{n}{(y_{t} - y_{t}^{*})^{2}}$$
↓
(yt−yt*) − ut (t = 1, 2, …, n)
↑
reszta równania
Układ macierzowy
$$y = \begin{bmatrix}
y_{1} \\
y_{2} \\
\vdots \\
y_{n} \\
\end{bmatrix}$$
y – wektor kolumnowy (n*1) relacji zmiennej endogenicznej
x1 x2 x xk ŚLEPA
x11 x21 … xk-11 1
x12 x22 … xk-12 1
x = … … … … 1
… … … … 1
x1n x2n … xk-1n 1
α1 α2 … αk α0
X macierz (n*k) realizacji zmiennych objaśniających
kolumny oznaczają poszczególne zmienne objaśniające
Yt = α1X1t + α2X2t + α0 + ξt
Yt = α0 + α1X1t + α2X2t + +ξt
α – kolumnowy wektor parametrów strukturalnych modelu (k*1)
$\alpha = \begin{bmatrix} \alpha_{1} \\ \alpha_{2} \\ \vdots \\ \alpha_{k} \\ \end{bmatrix}$ $a = \begin{bmatrix} a_{1} \\ a_{2} \\ \vdots \\ a_{k} \\ \end{bmatrix}$
wektor kolumnowy (k*1) ocen parametrów strukturalnych modelu
Kolumnowy wektor składnika losowego modelu (n*1)
$$\xi = \begin{bmatrix}
\xi_{1} \\
\xi_{2} \\
\vdots \\
\xi_{n} \\
\end{bmatrix}$$
Wektor kolumnowy składników resztowych modelu (n*1)
$$u = \begin{bmatrix}
u_{1} \\
u_{2} \\
\vdots \\
u_{n} \\
\end{bmatrix}$$
Wektor kolumnowy wartości teoretycznych (n*1)
$$y = \begin{bmatrix}
y_{1} \\
y_{2} \\
\vdots \\
y_{n} \\
\end{bmatrix}$$
Model dany jako (rachunek skalarny)
Yt = α1X1t + α2X2t + … + αk − 1Xk − 1t + αk + ξt
Natomiast w zapisie macierzowym ma postać
y = Xα + ξ
Wektor wartości teoretycznych zmiennej endogenicznej y ma postać
y * = Xa
Funkcja kryterium KMNK dana jest jako (minimum)
Ψ = (y−Xa)′(y − Xa)
(y - Xa)’ – transpozycja w macierzach
$$\begin{matrix}
& \\
& \\
& \\
\end{matrix}*\ \begin{matrix}
& & \\
& & \\
\end{matrix}$$
Wykonując iloczyn otrzymujemy (minimum)
Ψ = y′y − yXa − a′X′y + a′X′Xa
Po przekształceniu otrzymujemy:
y = y′y − 2a′X′y + a′X′Xa
Wyznaczamy pochodne cząstkowe względem wektora A i przyrównujemy do zera czyli:
$$\frac{\text{δY}}{\text{δa}} = - 2X^{'}y + 2\left( X^{'}X \right)a = 0$$
↓
(X′X)a = X′y
Wyznacznik macierzy:
det(X′X)>0
Po przekształceniu otrzymujemy kolumnowy wektor ocen parametrów strukturalnych modelu, czyli:
a = (X′X)−1X′Y - WZÓR
Zastosowanie KMNK wymaga spełnienia następujących założeń (założenia klasyczne):
Postać modelu jest liniowa względem parametrów (bądź sprowadzalna do liniowej)
Zmienne objaśniające są wielkościami nielosowymi
Zmienne objaśniające nie wykazują współliniowości – co oznacza brak dokładnej zależności liniowej
Składnik losowy → ξ→ E(ξ) = 0
D2(ξ)= δ2
wariancja składnika losowego jest stała w czasie
Nie występuje autokorelacja (zależność od czynników zdarzeń ekstremalnych) składnika losowego
E(ξiξj) = 0 dla i≠j
Kowariancja składnika losowego nie zależy od zmiennych objaśniających składnik losowy nie jest skorelowany ze zmiennymi objaśniającymi.
SKŁADNIK LOSOWY:
- wartość oczekiwana 0
- nie wykazuje autokorelacji (nie zależy sam od siebie).
Przykład:
Jedna zmienna objaśniająca.
Na podstawie danych statystycznych zamieszczonych w tablicy oszacować parametry strukturalne modelu o postaci:
Yt = α1X1t + α0 + ξt
yt | X1t |
---|---|
3 | 2 |
2 | 2 |
2 | 1 |
1 | 1 |
1 | 0 |
Wykres rozrzutu jest następujący:
Zależność dodatnia. Przy zależności dodatniej parametr przy X będzie dodatni
Kolumnowy wektor realizacji zmiennej endogenicznej oraz macierz X realizacji zmiennych objaśniających dane są jeżeli
$y = \begin{bmatrix} 3 \\ 2 \\ 2 \\ 1 \\ 1 \\ \end{bmatrix}$ $x = \left\lbrack \begin{matrix} 2 \\ 2 \\ 1 \\ 1 \\ 0 \\ \end{matrix}\begin{matrix} 1 \\ 1 \\ 1 \\ 1 \\ 1 \\ \end{matrix} \right\rbrack$
Stosując formułę na wektor ocen parametrów strukturalnych czyli:
a = (X′X)−1X′Y
↓ (transponujemy macierz X)
Iloczyn transponowanej macierzy X
$$X'X = \begin{bmatrix}
10 & 6 \\
6 & 5 \\
\end{bmatrix}$$
Ma 3 podstawowe własności:
Jest kwadratowa
Jest symetryczna względem głównej przekątnej
Główna przekątna jest dodatnio określona (nie ma własności ujemnej)
det (X’X)=14
$X'X^{- 1} = \begin{bmatrix} 0,36 & - 0,34 \\ - 0,46 & 0,71 \\ \end{bmatrix}$ $X_{4}^{'} = \begin{bmatrix} 13 \\ 9 \\ \end{bmatrix}$
$$a = \begin{bmatrix}
0,78 \\
0,86 \\
\end{bmatrix} \rightarrow Y_{t} = 0,78X_{1t} + 0,86 + u_{t}$$
Interpretacja parametrów
Wzrost X1t o 1 jednostkę spowoduje przeciętny wzrost zmiennej endogenicznej yt o 0,78 jednostki.
Przeciętny poziom zmiennej endogenicznej yt wynosi 0,86 jednostki pod warunkiem, że zmienna objaśniająca X1t będzie równa 0 z dokładności do ut
Wzrost X o 1 – Wzrost y o 0,78