Информационно осигуряване на иконометричния анализ

Информационно осигуряване на иконометричния анализ

Типове данни

• 3 типа данни– Времеви редове– Крос-секшън данни– Панелни данни

• Въвеждане – Чрез импорт от ексел– В самата система– Или текстови формат (аски код) (ASCII)

Времеви редове

• Определение – : Стойностите, които даден показател приема в различни моменти на даден период от време, като тези моменти могат да бъдат през равни, или различни времеви интервали се нарича времеви ред

• Пример:– През равни интервали от време

– През различни интервали от време

година инфлация

1990 123.8

1991 438.5

1992 179.4

.....

2006 106.5

2007 112.5

12.06.2004 125

18.10.2004 142

24.01.2008 102

Времеви редове …

• Характеристики:– Брой елементи – въз основа на него и броя на факторите за анализ се

определят степените на свобода [пример: от първата таблица = 18]

– Средно на реда– Вероятностно разпределение– Вариация– Стандартно отклонение

Степени на свобода се определят като разлика от броя на елементите и брояна факторите използвани в анализа, увеличени с 1; те всъщност показватброя на свободните елементи, които подобряват качеството на оценките


• Видове: количествени и качествени показатели

• Качествени показатели: елементите приемат 2 или повече, но ограничен брой стойности

• Примери– Трудово правоотношение (зает, безработен;

трудов договор, служебен договор)– Образование (основно, средно, професионален

бакалавър ...)


• Изразяване на качествените променливи– С двоични променливи (наличието на

даденото качество 1, отсъствието му – 0)– Пример: трудов статус (зает/безработен)

1

1

0

1


• Изразяване на качествените променливи– При повече от две състояния - с 1 или

повече променливи– Пример: образование (основно (1);

средно (2); професионален бакалавър (3); бакалавър (4); магистър (5))

– С повече от една променлива: основно образование(0/1); средно (0/1); професионален бакалавър (0/1); бакалавър (0/1); магистър (0/1))

1

3

2

5

Основно

Средно

Бакалавар

1 0 0

0 0 1

Включване на качествените променливи в модели

• Модели само с качествени променливи (модели на анализ на вариациите или ANOVA модели )

• Задават се по същия начин както и моделите с количествени променливи

iii uXaaY 10


• Пример: Да се определи работна заплата на новоназначен служител със средно образование, при налична информация за образованието и работната заплата на останалите служители (със средно образование, бакалавър и магистър и друго образование)


• Данни за примера

служител Средно обр.

бакалавар магистър

друго Трудов стаж

заплата

1 0 1 0 0 5 650

2 1 0 0 0 9 590

3 0 0 0 1 12 420

4 1 0 0 0 5 540

5 1 0 0 0 15 620

6 0 0 1 0 3 690


• Х1 – средно образование

• Х2 – бакалавър

• Х3 – магистър

• Модел:

Yi = a0 +a1X1i+a2x2i +a3x3i+ u


• Графично изображение:

а0

а1а2

а3

Средна заплата на служител без образование или с др.

С колко средната заплана на хората със средно образование се различава оттази на хората с други образование (показано е нагоре, но дали е или зависи)

…. с образование бакалавър ..... средно образование

.... с образование магистър ..... образование бакалавър


• Интерпретация на резултатите• а0 – средна заплата на работещите с друго

образование• а1 – с колко заплатата на работещите със средно

образование е по-голяма от заплатата на работещите с друго образование

• а2 - с колко заплатата на работещите с образование бакалавър е по-голяма от заплатата на работещите със средно образование

• И т.н.

* Качествените променливи се включват в моделите по същия начин като количественитемодели, които ползват само качествен показател се наричат модели за анализ на вариациитеили ANOVA

Приложение на ANOVA моделите

• Маркетинговите и социологическите модели (наличие на качествени и субективни показатели)

• По - рядко в икономическите изследвания

Модели с качествени и количествени показатели

• Наричат се модели за анализ на ковариациите или ANCOVA модели

• В горния пример да се отрази и влиянието на трудовия стаж

• Модел:

Yi = a0 +a1X1i+a2x2i +a3x3i +a4x4i + u

Х4 – трудов стаж (в години)

ANCOVA модели

• Графично изображение:

a0

a1

a2

a4

* Отстъпките на всяко едно от тези стъпълца се определя от параметъра накачествените променливи* А наклона – от количествените променливи включени в модела

ANCOVA модели

• Интерпретация на резултатите• а0 – средна заплата на работещите с друго

образование• а1 – с колко заплатата на работещите със

средно образование е по-голяма от заплатата на работещите с друго образование

• И т.н.• А4 – с колко се променя заплатата на всеки с

увеличаване на трудовия стаж

Дъми променливи

• По същество – качествени променливи• Специфични двоични променливи, които

приемат стойност 1 при точно определени условия и стойност 0 във всички останали случаи.

• Бележат се с “D”. • Използват се в следните два основни случая:

– за отчитане на сезонни колебания;– за изключване на определени периоди с

анормални изменения на средата.

(dummy)

- тези периоди по отношение на данните се наричат структурно прекъсване на данните

Сезонни дъми променливи

• Броят им зависи от периодичността на данните, с които се работи – При тримесечни данни – 4 дъми

променливи– При месечни данни – 12 дъми променливи

• При работа с месечни данни – дълъг ред от наблюдения – броя на независимите променливи се увеличава с 12


• Тримесечни дъми променливи

• Използват се – при силни сезонни колебания

• При слаби колебания – изглаждане на данните

• Включват се в модела по стандартния начин

D1 D2 D3 D4

1 0 0 0

0 1 0 0

0 0 1 0

0 0 0 1

1 0 0 0

0 1 0 0

0 0 1 0

0 0 0 1

Добавен slide от Боби

• “Използват се – при силни сезонни колебания” - тогава е оправдано използването на модела

• “При слаби колебания – изглаждане на данните” – позволяват да се подобри качеството на оценката като по определени методи се обработват първични данни, за да се поизчистят сезонните колебания; най-често използвания метод за изглаждане е мотода на местещите се средни (ММС)

• ММС = средните, които се получават за всеки един от елементите на основа на елементите пред или след него като се използва симетричен интервал; ако използваме период от 3 елемента, то новия ред няма да има 1 елемент, 2-рия елемент ще се получи като разлика или частно на 2-рия елемент на предишния ред и средно аритметичното на тези 3 елемента [по този начин самото средно се мести; 2-((1+2+3)/3)]; от вида на модела, т.е. от начина по който съответната променлива ще бъде включена в модела зависи дали ще е “разлика” или “частно”


• Интерпретация на коефициента пред тях– Изменението на

зависимата променлива от периода – пример: потреблението на свинско месо през декември

Потребено количество q12101

0

0,1

0,2

0,3

0,4

0,5

0,6

мес

ец 4 8 12 4 8 12 4 8 12 4 8 12

Потребеноколичество q12101

За изключване на определени периоди при оценката

• Използват се - когато в периода, който анализираме е настъпило някакво събитие в резултат, на което стойностите на показателя рязко са се променили (стачка, криза, война, ...)съществен момент е за колко време след приключване на случайното събитие се усеща неговото влияние

• За тези периоди – структурно прекъсване на данните

• Имат стойност 1 само за критичния период и 0 за всички останали

За изключване на определени периоди при оценката

• Включват се в модела по стандартния начин

• Интерпретация на коефициента пред тях– обират ефекта на конкретното събитие

Проблеми при работа с времеви редове

• Основен проблем – серийната автокорелация на грешкатаКазваме, че в 1 ред има серийна автокорелация тогава, когато текущата стойност на показателя зависи от една или няколко негови предходни стойности; това означава, че примерно състоянието на БВП тази година зависи в някаква степен от състоянието му през миналата или предходните няколко години; серийната автокорелация произтича от самата логика/инерция на икономическите процеси

• При определени случаи – проблем с постоянната условна вариация на грешкатаВариацията в реда на грешката изчислена на база първи 3/4/5... елемента трябва да бъде една и съща!

Крос-секшън данни

• Данни за един или повече показатели събрани по два или повече критерия в даден момент от времето

• Примери – данните при анкета; преброяване на населението и т.н.

• Използват се– Когато няма регулярно събирани данни за

анализирания проблем – разработват се анкети

Крос-секшън данни

• Използват се – маркетингови и социологически проучвания

• Икономически анализи – на фирмено или национално ниво при отсъствие на информация

• Проблеми: с постоянната условна вариация на грешката– Серийната автокорелация на грешката

Панелни данни

• Комбинация от крос-секшън данни (данни по 2 показателя) и времеви редове (по единият от тях)

• Използват се:– Анализ на пазара (регионални различия

или интегриран)– Анализ на безработицата– Чисто изкуствено – за увеличаване на броя

на наблюденията


район година Брутна продукция

С-И 1990 5625

1991 5324

....... .....

2007 7625

С-Ц 1990 5876

1991 5749

....... ......


• Позволяват да се анализират 4 случая1. За всички панели – процесът започва от

общо начално положение и се развива с еднаква скорост (оценените параметри за отделните панели са еднакви)

2. Процесът започва от общо начално положение, но не се развива с еднаква скорост, еднакъв темп и/или посока (еднакъв свободен член и различни коефициенти пред променливите)


3. Процесът започва от различно начално положение, но се развива с еднаква скорост (различен свободен член и еднакви коефициенти пред променливите)

4. Процесът започва от различно начално положение и не се развива с еднаква скорост (различен свободен член и различни коефициенти пред променливите)


• Проблеми– Серийна автокорелация на грешката– Постоянна условна вариация на грешката

Documents

Информационно осигуряване на иконометричния анализ