View
31
Download
0
Category
Preview:
DESCRIPTION
ZÁKLADY EKONOMETRIE 4. cvičení METODOLOGICKÝ POSTUP ŘEŠENÍ EKONOMETRICKÉHO PROBLÉMU. Náhodná složka G-M předpoklady Vlastnoti bodové odhadové funkce. Náhodná složka. Gauss-Markovy předpoklady: E( u ) = 0 Náhodné vlivy se vzájemně vynulují E(u u T ) = σ 2 I n - PowerPoint PPT Presentation
Citation preview
1
ZÁKLADY EKONOMETRIE
4. cvičeníMETODOLOGICKÝ POSTUP ŘEŠENÍ
EKONOMETRICKÉHO PROBLÉMU
2
1. Náhodná složka
2. G-M předpoklady
3. Vlastnoti bodové odhadové funkce
3
Náhodná složka
Gauss-Markovy předpoklady:
E(u) = 0
Náhodné vlivy se vzájemně vynulují
E(u uT) = σ2 In
Konečný a konstantní rozptyl = homoskedasticita
→ Porušení: Heteroskedasticita
Náhodné složky jsou sériově nezávislé
→ Porušení: Autokorelace
X je nestochastická matice – E(XTu) = 0
Veškerá náhodnost je obsažena v náhodné složce
X má plnou hodnost k
matice X neobsahuje žádné perfektně lineárně závislé sloupce pozorování vysvětlujících proměnných
→ Porušení: Multikolinearita
4
Vlastnosti bodové odhadové funkce - Malý výběr
Počet pozorování n < 30
Nevychýlený = nestranný odhad:E (b) = βb – získáme z více výběrových vzorků
pokud E(b) > β – odhady jsou nadhodnoceny, E(b) < β – odhady jsou podhodnoceny
Vydatný odhad: standardní chyba regresního koeficientu sb musí být minimální ze všech jiných postupů - to způsobuje, že intervalové odhady jsou nejmenší. Jako nevychýlený odhad může sloužit více statistik, z nichž nejvhodnější je ta, která má minimální rozptyl.
5
Nestrannost odhadu
ß
f(b)
Nestrannost
b
6
Vydatnost odhadu
ß
f(b)
Vydatnost
b
7
Vlastnosti bodové odhadové funkce - Velký výběr
počet pozorování n ≥ 30
Konzistentní – bodový odhad b je konzistentním odhadem, jestliže jeho hodnota s rostoucím počtem pozorování n konverguje ke skutečnému=populačnímu parametru
Asymptoticky nestranný – je to slabší vlastnost, (pokud je odhad konzistentní, tak je i asymptoticky nestranný)
Asymptotická vydatnost – rozptyl konverguje k nule rychleji než s použitím jiné odhadové funkce
limn
p
b
lim ( )n
p E
b
8
Asymptotická nestrannost
ß
f(b) n=200
n=500
Asymptotická nestrannost
E(b)
9
Asymptotická vydatnost
ß
f(b)
n=500
n=200
Asymptotická vydatnost
b
10
Konzistence
β
f(b)
n=1000
n=200
Konzistence
b
n=500
Příklad
Vraťme se k příkladu z minulého cvičení, podívejme se, zda je odhad nestranný?
Víme, že v celé populaci platí závislost:
Proveďte simulaci – 500krát odhadněte model.
Jaká byla nejvyšší hodnota odhadu parametru β?
A jaká byla nejnižší hodnota?
Soubor: 1.cviceni_LRM_s_resenim.xlsx
11
5 10Y X u
12
Možná otázka do závěrečného testu
Odvození bodové odhadové funkce a její vlastnosti (rozdělit pro malé a velké výběry).
Princip metody MNČ.
Gaussovy-Markovovy předpoklady
13
Metodologický postup
1. Specifikace modelu
2. Odhad parametrů (tj. kvantifikace)
3. Verifikace
4. Aplikace
14
1. Specifikace modelu
Orientace v dané ekonomické problematice
Určení proměnných
Určení vzájemných vazeb mezi proměnnými
Formulace hypotéz – v podobě algebraických vztahů (tj. jedné či více rovnic)
Specifikace náhodných vlivů
15
Specifikace modelu
1. Ekonomický model Stanovení základní hypotézy (tj. které proměnné
použijeme, jak budou působit, jejich intenzita, apod.) Slovní vyjádření
2. Ekonomicko-matematický model převedení slovního vyjádření do podoby
jedné rovnice (jednorovnicový model)soustavy rovnic (vícerovnicový model)
3. Ekonometrický model zahrnutí faktoru nejistoty v podobě náhodné složky
16
Náhodná složka u
modely obvykle pracují s 3 či 4 vysvětlujícími proměnnými – působení ostatních nepodstatných vlivů je zahrnuto v náhodné složce
o náhodné složce se předpokládá, že má normální rozdělení se střední hodnotou 0 a rozptylem σ2
u ~ N(0; σ2)
17
Matematická vs. ekonometrická fce
Matematická funkce:1 vysvětlující proměnná:
y = f (x)více vysvětlujících proměnných:
y = f (x1, x2, …)Ekonometrická funkce:1 vysvětlující proměnná:
y = f (x) + uvíce vysvětlujících proměnných:
y = f (x1, x2, …) + u
18
Druhy proměnných v modelu
Endogenní• tj. vysvětlované, závisle proměnné• hodnoty jsou generovány systémem či modelem
Exogenní• tj. vysvětlující, nezávisle proměnné• působí na zkoumaný systém, samy systémem nejsou
ovlivňovány• jejich hodnoty jsou determinovány mimo systém
Predeterminované • Exogenní + endogenní-zpožděné
19
Metodologický postup
1. Specifikace modelu
2. Odhad parametrů (tj. kvantifikace)
3. Verifikace
4. Využití
20
2. Odhad parametrů
Využití disponibilní (tj. výběrové) informace z dat
Použití vhodné odhadové techniky
21
Metodologický postup
1. Specifikace modelu
2. Odhad parametrů (tj. kvantifikace)
3. Verifikace
4. Využití
22
3. Verifikace
Aneb jak se odhadnutý model shoduje s teorií a napozorovanými daty
Ekonomická (jestli proměnné modelu mají správný směr a intenzitu)Statistická (ověření přesnosti a významnosti výsledků)Ekonometrická (zda byly dodrženy podmínky pro použití dané odhadové techniky a statistických testů)
23
Metodologický postup
1. Specifikace modelu
2. Odhad parametrů (tj. kvantifikace)
3. Verifikace
4. Využití
24
4. Využití
Kvalitativní a kvantitativní analýza minulého vývoje
Předpovědi (predikce, prognózy)
Volba hospodářské politikyanalýza různých scénářů
simulační experimenty
25
Příklad 1 – eko1.xls
Odhadněte závislost maloobchodního obratu na disponibilním příjmu a cenovém indexu.
Y – maloobchodní obrat potřeb pro domácnost v mld. CZK
X1 – disponibilní příjem v mld. CZK
X2 – cenový index
Proveďte predikci bodovou a intervalovou. Ověřte, zda je model vhodný k predikci.
26
Příklad 2 – data.in7
Odhadněte závislost spotřeby (CONS) na disponibilním důchodu (INC).
ProveďteSpecifikaci
Kvantifikaci
Verifikaci
Aplikaci
Použijte datový soubor data.in7
27
A. Specifikace
CONS – endogenní proměnná (vysvětlovaná)
INC – exogenní proměnná (vysvětlující)
Forma závislosti:
CONSt = β0 + β1INCt +ut
Ekonomický předpoklad:S růstem důchodu, roste spotřeba – kladné znaménko u koeficientu β1,
β1 náleží do intervalu (0,1) – v dlouhodobém horizontu platí: nemůžu spotřebovat více, než vydělám
28
B. Kvantifikace
Pomocí výběru n = 159, budeme odhadovat model
CONSt = b0 + b1INCt + et
CONSt^ = b0 + b1INCt
Použijeme PcGive a MNČ1b ( ) yT T X X X
29
B. Kvantifikace
30
B. Kvantifikace
Odhadnutý regresní model:
CONSt = -181,27 + 1,186 INCt +et
CONSt^ = -181,27 + 1,186 INCt
Intervalový odhad parametrů
1 /2 0,975( 1) (157) 2,042,t n k t
1 /2 1 /2( 1) ( 1) ,i bi i i i biP b s t n k b s t n k
1 1 1 /2( 1) 1,186 0,034*2,042bb s t n k
1 1,117;1,255
31
C. Verifikace ekonomická
b1 náleží do intervalu (0,1) ? – nesplňuje!Absolutní pružnost
Zvýší-li se důchod (INC) o jednu jednotku, tzn. o jednu miliardu, zvýší se spotřeba (CONS) v průměru o 1,186 miliard, ceteris paribus
Relativní pružnost
Bere se vždy vzhledem k nějakému datu, v %!Např. pro období 1954-2, Y = 884,528, X = 894,831,
qx= 1,1865*884,528/894,831 = 1,173Zvýší-li se v druhém čtvrtletí roku 1954 disponibilní důchod o jedno %, poté se spotřeba zvýší v průměru o 1,173%.
1ˆ /b dY dX
1x
dY X Xq b
dX Y Y
32
C. Verifikace statistická
Standard Error Standardní chyba regresních koeficientů podle následujícího vztahu
Slouží k určení významnosti parametrů, k intervalovým odhadům
s je odhad σ – u nás ve výstupu je to sigma
2 1( ) ( )Tb s S X X
e eT
sn k
33
Verifikace statistická – významnost proměnných
T-statistika, t-value, t-prob t statistika slouží k určení významnosti jednotlivých parametrů v modelu.
H0: βj = 0 ... Nevýznamná proměnná
H1: βj ≠ 0 ... Významná proměnná
Obecně pro t-statistiku platí
popř. p-hodnota ≤ α → zamítám hypotézu H0 o nevýznamnosti proměnné v modelu, proměnná je tedy významná popř. p-hodnota > α → nepodařilo si mi zamítnout hypotézu H0 o nevýznamnsoti proměnné v modelu, proměnná je nevýznamná
Na hladině významnosti 5 % zamítáme nulovou hypotézu o nevýznamnosti proměnné INC. Proměnná disponibilní důchod je v modelu významná.
j jj
bj
bt
s
.j
jbj
b coefficentt
s st error
1 /2*jt t
1 /2*jt t
34
C. Verifikace statistická
Pro úrovňovou konstantu neprovádíme statistické vyhodnocení, ale vždy ji ponecháme v modelu.
Part. R2 – parciální (dílčí) korelační koeficientUrčuje, jak daná proměnná vysvětluje závislou proměnnou bez ohledu na ostatní exogenní proměnné
35
C. Verifikace statistická
Koeficient vícenásobné determinace R2 Hodnotí celkovou kvalitu modelu, určuje, jak se model shoduje s daty
Rozptyl Y = Vysvětlený rozptyl + nevysvětlený rozptylRozptyl empirických hodnot
n – 1 stupně volnostiv obrázku a + b
Rozptyl vyrovnaných hodnot .. k – 1 stupně volnostiv obrázku a
Reziduální rozptyl (RSS=NSČ) .. n – k stupně volnostiv obrázku b
2( )iCSC y y 2ˆ( )iVSC y y
2ˆ( )i iNSC y y Y
Y
YY
X
a
b
36
C. Verifikace statistická
Vícenásobný koeficient determinace , pokud 1 – dokonalý model
Korigovaný koeficient vícenásobné determinace
Používá se pro srovnávání více modelů s jiným počtem vysvětlujících proměnných
2 2 11 1
( 1)
nR R
n k
2 0,1R 2 1
VSC NSCR
CSC CSC
37
C. Verifikace statistická – významnost modelu
F-poměr testuje statistickou významnost modelu (využívá se Fischerovo rozdělení)
Používá se pokud máme v modelu dvě a více exogenní proměnné.
H0: R2 statisticky nevýznamné, β0 = β1 =... βj = 0
H1: R2 statisticky významné, βj ≠ 0
F > F(k – 1, n – k – 1)* … odmítáme H0 ve prospěch H1.
[0.000] - počítá nám p-value
[číslo] ≤ α → zamítám hypotézu H0, model je tedy významný
[číslo] > α → nepodařilo se mi zamítnout hypotézu H0, model je tedy nevýznamný
Protože máme v modelu pouze jednu exogenní proměnnou nemusíme vyhodnocovat statistickou významnost modelu
2
2
( 1).
1
R n kF
R k
38
C. Verifikace statistická – zbylý výstup
Sigma – Odhad směrodatné chyba (odchylka) náhodné složky u
RSS - residua sum of squares, aneb naše NSČ – je to vlastně hodnota naší účelovou funkci, kterou minimalizujeme.
Log-likelihood – věrohodnostní poměr – alternativa metody minimálních čtverců, je metoda maximální věrohodnosti
39
C. Verifikace ekonometrická
Ověřuje splnění podmínek pro použití MNČ
Testuje se heteroskedasticita, autokorelace, mulikolinearita
DW – Durbin-Watson – testuje autokorelaci prvního řádu, budeme řešit později !!!
40
D. Aplikace
Predikce apod. , ukládání vyrovnaných hodnot, reziduí...
Predikce – dosazení konkrétních hodnot do regresní funkce
1953 1ˆ 181,27 1,186*908,212 895,534CONS
Závěry plynoucí z analýzy
Koeficient u proměnné INC nesplňuje ekonomický předpoklad, protože je větší než 1.
Z pohledu statistické verifikace je model v pořádku.
K tomu, abychom statistickou verifikaci mohli považovat za „právoplatnou“, potřebujeme ověřit, zda byly splněny podmínky pro použití MNČ
Toto řešení tedy není úplné, je potřeba doplnit ekonometrickou verifikaci a model se nezdá příliš vhodný z důvodu nesplnění ekonomických předpokladů.
41
42
Predikce
1. Predikce bodová a intervalová
2. Ex ante a ex post
43
Predikce
Cílem predikce (předpovědi) je kvantitativní odhad endogenní proměnné mimo interval pozorování s využitím minulé i současné informace
Ex-ante - podmíněná
Ex-post - pseudopředpověď
44
Predikce Ex-Ante
Podmíněná volbou vysvětlující proměnnévysvětlující proměnnou máme buď zadanou, nebo zadanou ve formě procentuálního nárůstu
Predikce může být bodová
nebo intervalová Y
Y
45
Predikce Ex-post
Vyřadím určitý počet pozorování z modelu, poté odhadnu model, předpovím pozorování a zkontroluji s jejich skutečnou hodnotou.
Chyba odhadu H0: Chyba není statisticky významná(model je vhodný k predikci)
H1: Chyba je statisticky významná
Testujeme pomocí t-statistiky
Recommended