a = (X′X)−1 • X′Y
Yt=1,8+ 0,2X1t-0,8X2t+ut
α=1,8 taką średnią przyjmuje zmienna endogeniczna w przypadku gdy zmienna objaśniająca X1t oraz X2t będą równe 0
Wzrost zmiennej objaśniającej X1t o 1 jednostkę spowoduje przeciętny wzrost zmiennej endogenicznej Yt o 0,2 pod warunkiem, że zmienna objaśniająca X2t nie ulegnie zmianie
Wariancja resztowa i odchylenie standardowe reszt(struktura stochastyczna)
$$\text{Su}^{2} = \frac{1}{n - k}\sum_{}^{}\left( Y_{t} - {Y_{t}}^{*} \right)^{2}$$
$$\text{Su}^{2} = \frac{1}{n - k}\sum_{}^{}{U_{t}}^{2}$$
$$\text{Su} = \sqrt{\text{Su}^{2}}$$
N – obserwacje, k - zmienne
Weryfikacja modelu Yt*
Reszty modeli
Ut = Yt − Yt*
Wariancja Estymatora, precyzja oszacowania
D2(a) = Su2(X′X)−1
Przedział ufności parametrów strukturalnych
{ai−t∝•D(ai)<ai<ai+t∝•D(ai)}
γ - poziom ufności, że y spośród nich pokryje prawdziwą wartość parametrów strukturalnych
α − nie pokryje
Test t-Studenta a1=0, a1≠0
$$t = \frac{a_{i}}{D\left( a_{i} \right)}$$
α = 5% oznacza to że na 100 takich decyzji 5 razy popełniamy błąd
|t|>tα hipotezę zerową odrzucamy na korzyść hipotezy .zmienna objaśniająca istotnie wpływa na zmienną endogeniczną Yt i należy ją pozostawić w modelu
|t|<tα brak podstaw do odrzucenia hipotezy zerowej. należy ją wyrzucić z modelu.
Test Fishera Scedecora (k=bez a0)
$$F = \frac{R^{2}}{1 - R^{2}} \bullet \frac{n - k - 1}{k}$$
F≥Fa – hipotezę zerową odrzucamy na rzecz hipotezy alternatywnej
F≤Fa – brak podstaw do odrzucenia hipotezy zerowej
Test Durbina – Watsona ∈ < 0,4> p=0 p>0 autokorelacja + a<0 autokorelacja ujemna
$d = \frac{\sum_{}^{}\left( U_{t} - U_{t - 1} \right)^{2}}{\sum_{}^{}\text{Ut}^{2}}$ gdy mamy w dyspozycji wektor reszt modelu
d = 2(1 − ri) gdy mamy dany współczynnik korelacji Pearsona rzędu 1
D’=4-d
d≥du brak podstaw do odrzucenia hipotezy zerowej
d≤di hipotezę zerową odrzucamy na rzecz hipotezy alternatywnej
di<d<du obszar niekontaktywności testu
Su=0,45 – o 0,45 średnio rzecz biorąc In plus bądź In minus odchylają się rzeczywiste realizacje zmiennej endogenicznej od wartości teoretycznych wyznaczonych przez model
Współczynnik zmienności losowej
$$\text{Vs} = \frac{\text{Su}}{\overset{\overline{}}{y}} \bullet 100$$
Vs=1,8% -1,8 % przeciętnego poziomu zmiennej endogenicznej Yt stanowią wahania przypadkowe
Jakość modelu
$$\varphi^{2} = \frac{\sum_{}^{}\left( Y_{t} - {Y_{t}}^{*} \right)^{2}}{\sum_{}^{}\left( Y_{t} - \overset{\overline{}}{y} \right)^{2}}$$
γ2 - ileś% wariancji zmiennej endogenicznej Xt nie zostało wyjaśnione przez model ekonometryczny
Współczynnik determinacji
R2 = 1 − φ2
R2 – ile % zmienności zmiennej endogenicznej została wyjaśniona przez model
Czy zmienna jest koincydentna
Zmienna jest koincydentna, ponieważ współczynnik korelacji zmiennej objasniającej ze zmienną objaśniającą ma taki sam znak, jak parametr przy zmiennej stojącej w modelu
Średni błąd predykcji
$$V = \sqrt{X_{T}^{'}D^{2}\left( a \right)X_{T} + \text{Su}^{2}}$$
Interpretacja : Rzeczywiste realizacje znanej prognozowanej Yt odchylają się średnio rzecz biorąc In plus i In minus o V jednostki od postawionych prognoz
XT > XT*D2(a) > V
Względny błąd predykcji
$V^{*} = \frac{V}{Y_{T}^{P}} \bullet 100$ Ypt- podstawiamy do modelu dane
Interpretacja – Średni błąd predykcyjny stanowi V* przeciętnego poziomu prognozy
Prognoza przedziałowa
P{YTP−UαV<YTP<YTP+UαV} = γ
γ- poziom wiarygodności prognozy – jest y %szans że przedział pokryje realizacje
Błąd absolutny – błąd ex post - Błąd średniokwadratowy
$$MSE = \frac{1}{m}\sum_{}^{}{|Y_{t} - {Y_{t}}^{*}|}$$
Lub
$$MSE = \frac{1}{m}\sum_{}^{}{(Y_{t} - Y_{t}*)}^{2}$$
RMSE=$\sqrt{\text{MSE}}$ – średnio rzecz biorąc mylimy się RMSE jednostki
a = (X′X)−1 • X′Y
Yt=1,8+ 0,2X1t-0,8X2t+ut
α=1,8 taką średnią przyjmuje zmienna endogeniczna w przypadku gdy zmienna objaśniająca X1t oraz X2t będą równe 0
Wzrost zmiennej objaśniającej X1t o 1 jednostkę spowoduje przeciętny wzrost zmiennej endogenicznej Yt o 0,2 pod warunkiem, że zmienna objaśniająca X2t nie ulegnie zmianie
Wariancja resztowa i odchylenie standardowe reszt(struktura stochastyczna)
$$\text{Su}^{2} = \frac{1}{n - k}\sum_{}^{}\left( Y_{t} - {Y_{t}}^{*} \right)^{2}$$
$$\text{Su}^{2} = \frac{1}{n - k}\sum_{}^{}{U_{t}}^{2}$$
$$\text{Su} = \sqrt{\text{Su}^{2}}$$
N – obserwacje, k - zmienne
Weryfikacja modelu Yt*
Reszty modeli
Ut = Yt − Yt*
Wariancja Estymatora, precyzja oszacowania
D2(a) = Su2(X′X)−1
Przedział ufności parametrów strukturalnych
{ai−t∝•D(ai)<ai<ai+t∝•D(ai)}
γ - poziom ufności, że y spośród nich pokryje prawdziwą wartość parametrów strukturalnych
α − nie pokryje
Test t-Studenta a1=0, a1≠0
$$t = \frac{a_{i}}{D\left( a_{i} \right)}$$
α = 5% oznacza to że na 100 takich decyzji 5 razy popełniamy błąd
|t|>tα hipotezę zerową odrzucamy na korzyść hipotezy .zmienna objaśniająca istotnie wpływa na zmienną endogeniczną Yt i należy ją pozostawić w modelu
|t|<tα brak podstaw do odrzucenia hipotezy zerowej. należy ją wyrzucić z modelu.
Test Fishera Scedecora (k=bez a0)
$$F = \frac{R^{2}}{1 - R^{2}} \bullet \frac{n - k - 1}{k}$$
F≥Fa – hipotezę zerową odrzucamy na rzecz hipotezy alternatywnej
F≤Fa – brak podstaw do odrzucenia hipotezy zerowej
Test Durbina – Watsona ∈ < 0,4> p=0 p>0 autokorelacja + a<0 autokorelacja ujemna
$d = \frac{\sum_{}^{}\left( U_{t} - U_{t - 1} \right)^{2}}{\sum_{}^{}\text{Ut}^{2}}$ gdy mamy w dyspozycji wektor reszt modelu
d = 2(1 − ri) gdy mamy dany współczynnik korelacji Pearsona rzędu 1
D’=4-d
d≥du brak podstaw do odrzucenia hipotezy zerowej
d≤di hipotezę zerową odrzucamy na rzecz hipotezy alternatywnej
di<d<du obszar niekontaktywności testu
Su=0,45 – o 0,45 średnio rzecz biorąc In plus bądź In minus odchylają się rzeczywiste realizacje zmiennej endogenicznej od wartości teoretycznych wyznaczonych przez model
Współczynnik zmienności losowej
$$\text{Vs} = \frac{\text{Su}}{\overset{\overline{}}{y}} \bullet 100$$
Vs=1,8% -1,8 % przeciętnego poziomu zmiennej endogenicznej Yt stanowią wahania przypadkowe
Jakość modelu
$$\varphi^{2} = \frac{\sum_{}^{}\left( Y_{t} - {Y_{t}}^{*} \right)^{2}}{\sum_{}^{}\left( Y_{t} - \overset{\overline{}}{y} \right)^{2}}$$
γ2 - ileś% wariancji zmiennej endogenicznej Xt nie zostało wyjaśnione przez model ekonometryczny
Współczynnik determinacji
R2 = 1 − φ2
R2 – ile % zmienności zmiennej endogenicznej została wyjaśniona przez model
Czy zmienna jest koincydentna
Zmienna jest koincydentna, ponieważ współczynnik korelacji zmiennej objasniającej ze zmienną objaśniającą ma taki sam znak, jak parametr przy zmiennej stojącej w modelu
Średni błąd predykcji
$$V = \sqrt{X_{T}^{'}D^{2}\left( a \right)X_{T} + \text{Su}^{2}}$$
Interpretacja : Rzeczywiste realizacje znanej prognozowanej Yt odchylają się średnio rzecz biorąc In plus i In minus o V jednostki od postawionych prognoz
XT > XT*D2(a) > V
Względny błąd predykcji
$V^{*} = \frac{V}{Y_{T}^{P}} \bullet 100$ Ypt- podstawiamy do modelu dane
Interpretacja – Średni błąd predykcyjny stanowi V* przeciętnego poziomu prognozy
Prognoza przedziałowa
P{YTP−UαV<YTP<YTP+UαV} = γ
γ- poziom wiarygodności prognozy – jest y %szans że przedział pokryje realizacje
Błąd absolutny – błąd ex post - Błąd średniokwadratowy
$$MSE = \frac{1}{m}\sum_{}^{}{|Y_{t} - {Y_{t}}^{*}|}$$
Lub
$$MSE = \frac{1}{m}\sum_{}^{}{(Y_{t} - Y_{t}*)}^{2}$$
RMSE=$\sqrt{\text{MSE}}$ – średnio rzecz biorąc mylimy się RMSE jednostki