Professional Documents
Culture Documents
Belullo Ekonometrija
Belullo Ekonometrija
Alen Belullo
UVOD U EKONOMETRIJU
UVOD U EKONOMETRIJU
Sveuilini udbenik
Za nakladnika:
Prof. dr. sc. Robert Matijai, rektor
Recenzenti:
Dr. sc. Goran Buturac
Prof. dr. sc. Ante Rozga
Lektura:
Marija Belullo, prof.
Sadrzaj
Predgovor
iii
.
.
.
.
.
.
.
.
.
.
1
1
2
2
2
3
5
9
10
10
11
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
32
33
39
39
42
A Izvodi i dokazi
57
A.1 Izvod parametara modela s jednom nezavisnom varijablom
metodom najmanjih kvadrata . . . . . . . . . . . . . . . . . . 57
B Matematika
59
P
B.1 Neka svojstva operatora zbrajanja
. . . . . . . . . . . . . . 59
C Statistika
61
C.1 Distribucije vjerojatnosti izvedene iz normalne distribucije . . 61
D Podaci
62
D.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
E Statisticke tablice
63
ii
Predgovor
Ovaj udzbenik nastaje iz potrebe da studenti lake shvate teorijske pretpostavke na kojima se temelji metoda najmanjih kvadrata. Cilj je bio napisati
rad koji polazi od osnovnih ekonometrijskih pojmova, tj. namijenjen je citatelju koji nema nikakvog predznanja iz tog podrucja, ali je ipak pisan u
strogoj matematickoj formi, kako bi se izbjegle zamke nedorecenosti, u koje
upadaju mnogi udzbenici iz ekonometrije, pisani za pocetnu razinu. Kako ne bi prosjecnom citatelju opterecivali tekst slozeniji matematicki dokazi
i osnove teorije distribucije vjerojatnosti, dani su u dodacima. Matematicka notacija konzistentna je kroz cijeli rad (npr. populacijske vrijednosti
su uvijek oznacene grckim alfabetom, dok vrijednosti uzoraka uvijek latinskom abecedom, velikim podebljanim slovima oznacene su matrice, malim
podebljanim slovima vektori, nepodebljani izrazi su skalari, varijable u devijacijskoj formi su uvijek prikazane tildom itd.).
U knjizi se nadalje, zbog potreba poopcavanja, paralelno koristi obicna
algebra, karakteristicna za pocetnicke udzbenika, i matricna algebra, karakteristicna za napredne udzbenike iz ekonometrije. Na taj se nacin pokuao
premostiti jaz, koji postoji izmeu pocetnih udzbenika i naprednih udzbenika iz ekonometrije, tj. da se zorno prikaze na koji se nacin mogu poopciti
obicne jednadzbe kojima se prikazuju jednostavniji modeli (npr. modeli s
jednom nezavisnom varijablom) putem matricnog zapisa istih ekonometrijskih izraza koji vrijede za slozenije modele (npr. s k 1 nezavisnih varijabli).
Na taj se nacin moze dobiti dojam elegancije i kompaktnosti matricnog zapisa, a koritenjem matricno orijentiranih softwarea brzo i ekasno rjeavati
zadatke prikazane u knjizi.
U knjizi su prikazani mnogobrojni primjeri i zadaci te su dani svi podaci potrebni citatelju da bi mogao sam jednostavno reproducirati prikazane
dobivene rezultate.
Osim studentima, koji sluaju predmet Ekonometrija, Analiza vremenskih nizova, Ekonometrija II, namijenjen je i istrazivacima koji zele dobiti
cvrste temelje, kako bi shvatili samu bit regresijske analize pomocu metode
najmanjih kvadrata. to se tice potrebnog predznanja, da bi se knjiga mogla
lako citati, potrebno je samo osnovno znanje iz matricne algebre.
Knjiga je podijeljena u tri poglavlja: u prvom dijelu objanjava se poiii
iv
Poglavlje 1
Pojam ekonometrije
pristupu vjerojatnost se odnosi na frekvenciju pojavljivanja odreenog dogaaja u ponovljenim izvlacenjima, ili imamo objektivni pristup konceptu
vjerojatnosti.
1.2
1.2.1
1.2.2
Iako je Keynes pretpostavio pozitivnu vezu izmeu potronje i raspolozivog dohotka, nije specicirao precizni oblik funkcionalne veze izmeu tih
varijabli. Matematicka ekonomija sugerira sljedecu funkcionalnu formu:
y=
1x
0<
gdje:
y = potronja
x = raspoloziv dohodak
0 = autonomna potronja
1 = granicna sklonost potronji
<1
(1.1)
Potronja
y = 0 + 1 x
1
1
Raspoloiv dohodak
1.2.3
Jednadzba 1.1 prikazuje egzaktnu ili deterministicku vezu izmeu varijable x i varijable y. Meutim, veze izmeu ekonomskih varijabli uglavnom
nisu egzaktne stoga se pojavljuje potreba za ukljucivanjem stohastickog elementa " u matematicki model. Ukljucivanjem stohastickog elementa "
matematicki se model 1.1 pretvara u ekonometrijski (stohasticki) mo3
del:
y=
1x
+"
0<
< 1:
(1.2)
Potronja
Raspoloiv dohodak
3. Manje vaznih varijabli : pretpostavimo da, osim raspolozivog dohotka, na potronju utjecu i sljedece varijable: broj djece, spol, vjera,
obrazovanje i zemljopisni polozaj. Moguce je pretpostaviti da je njihov utjecaj na potronju slab, nesustavan i stoga slucajan. Stoga se iz
prakticnih razloga te varijable izostavljaju, a njihov zajednicki utjecaj
na zavisnu varijablu y ulazi u slucajnu greku ".
4. Slucajnosti koje su svojstvene ljudskom ponaanju: kada bismo i uspjeli ukljuciti u model sve relevantne varijable, uvijek postoji u ponaanju pojedinca odreena doza slucajnosti koja se ne moze racionalno
objasniti, ma koliko mi to pokuavali.
5. Loih zamjenskih varijabli : cesto varijable koje predlaze ekonomska
teorija nisu neposredno mjerljive. U poznatoj funkciji potronje Miltona Friedmana permanentna potronja ovisi o permanentnom dohotku.
Meutim, niti je permanentni dohodak, niti je permanentna potronja
neposredno mjerljiva velicina, vec se procjenjuju na temelju njihovih
tekucih vrijednosti. U tom slucaju moze doci do greke u njihovoj procjeni. Ovu ce mjernu greku takoer na sebe preuzeti slucajna greka
".
6. Krive funkcionalne forme: iako smo ispravno u model ukljucili relevantne varijable moguce je da smo pogrijeili u odabiru funkcionalne
forme. Npr. pretpostavimo da je umjesto y = 0 + 1 x + " ispravan
model y = 0 + 1 x + 2 x2 + ". U modelu sa samo dvije varijable lako
je na temelju izgleda dijagrama disperzije odrediti funkcionalnu formu.
Meutim, u modelima s vie nezavisnih varijabli to postaje vrlo teko
jer nije moguce prikazati viestruko dimenzionalni dijagram disperzije.
Greka, koja se pojavljuje uslijed odabira krive funkcionalne forme, uci
ce u slucajnu greku ".
1.2.4
Prikupljanje podataka
U Tablici 1.1 prikazani su podaci o hrvatskoj potronji i BDP-u za razdoblje od 1997. do 2005. godine na temelju kojih mozemo izracunati hrvatsku funkciju potronje. Vidimo da se radi o dva vremenska niza izrazena
na godinjoj frekvenciji. Svi podaci koji ulaze u odreenu ekonometrijsku
analizu moraju biti izrazeni u istoj vremenskoj frekvenciji (svi moraju biti
godinji, kao u gornjem slucaju, kvartalni, itd.) Podatke iz viih frekvencija mozemo pretvoriti u nize frekvencije (npr. kvartalne u godinje)
pomocu prosjeka za varijable koje prikazuju stanja (npr. cijene, kamatnjaci), ili pomocu zbrajanja za varijable koje prikazuju tokove (npr. BDP,
potronja, investicije). S nizih frekvencija na vie frekvencije moguce
je transformirati varijable pomocu statistickih metoda interpolacije (za stanja) i distribucije vrijednosti (za tokove). Vremenske nizove karakteriziraju
trend i sezonska odstupanja (za frekvencije vie od godinjih) a njima
se bavi jedan posebni dio ekonometrije koji se zove Analiza vremenskih
nizova ili Ekonometrija vremenskih nizova. Na slici 1.3 prikazan je
hrvatski BDP izrazen u kvartalima (tromjesecno) gdje se jasno vidi da u
promatranom razdoblju BDP ima znacajan trend rasta i velika sezonska odstupanja; BDP je najveci u 3. kvartalu a najmanji u 1. kvartalu1 . Drugim
rijecima, vremenski nizovi cesto nisu stacionarni procesi2 , a stacionarnost
je jedna od pretpostavki na kojima leze ekonometrijski modeli.
1
Jasno se vidi da je 1995. godine "podbacila" sezona uslijed redarstvenih akcija Bljeska
i Oluje.
2
Kaze se da je vremenski niz stacionaran ako se njegova sredina i varijanca asimptotski
ne mijenjaju tijekom vremena.
BDP
bazni indeks 2000.= 100
150
125
100
75
1993
1995
1997
1999
2001
2003
2005
Vremenski presjeci
Podaci vremenskog presjeka su podaci jedne ili vie varijabli prikupljeni u
zadanoj vremenskoj tocki. Kada bismo na taj nacin htjeli prikupiti podatke
na temelju kojih bismo mogli procijeniti funkciju potronje u Hrvatskoj,
morali bismo prikupiti npr. opazanja o dohotku i potronji po gradovima ili
zupanijama.
U Tablici 1.2 prikazan je vremenski presjek (za 2004. g.) potronje i
BDP-a za tranzicijske zemlje. Vidimo da se skup opazanja u ovom slucaju
ne sastoji od razlicitih godina, vec od podataka za razlicite zemlje za 2004.
godinu. Ako ne bismo imali na raspolaganju podatke za sve zemlje za 2004.
g., mogli bismo koristiti za neke zemlje i podatke iz 2003. ili 2005. godine, ako smatramo da nije dolo do strukturnih promjena u tim godinama.
Drugim rijecima, u analizi vremenskih presjeka mozemo zanemariti manje
razlike u vremenu prikupljanja podataka. Kao to vremenski nizovi imaju
svoje specicne probleme (stacionarnost), tako i vremenski presjeci imaju
svoje specicne probleme, meu kojima je najznacajniji heterogenost podataka.
Dijagramom disperzije na slici 1.4 prikazan je odnos izmeu BDP-a i potronje u tranzicijskim zemljama. Imamo male zemlje s malim BDP-om kao
to su Makedonija, Bugarska, Hrvatska, Slovenija i Slovacka, zemlje sa sred7
1.2.5
(1.3)
Kapica nad y oznacava da se radi o procijenjenoj vrijednosti (prikazanoj pravcem) stvarne zavisne varijable y (prikazana tockama). Iz procijenjene funkcije potronje prikazane u jednadzbi 1.3 vidimo da je koecijent
nagiba 0.47, to znaci da bi u promatranom razdoblju povecanje BDP-a u
Hrvatskoj za 1 kunu povecalo u prosjeku potronju stanovnitva za 47 lipa.
Iz Slike 1.5 vidimo da smo provukli regresijski pravac kroz dijagram
disperzije. Kada se, meutim, prica o linearnoj regresiji, ne misli se na
linearnost u varijablama, vec na linearnost u parametrima. Mogli smo
kroz tocke dijagrama disperzije povuci i neki drugi oblik funkcije, kao npr.
9
2005.
18.71
26.72
21.95
38.49
61.50
123.97
75.10
110.37
190.32
302.67
73.16
97.25
27.21
47.43
18.87
34.35
1.2.6
Testiranje hipoteza
1.2.7
Prognoziranje i predvianje
Na temelju jednadzbe 1.3 mozemo predvidjeti vrijednosti varijable y za zadane vrijednosti varijable x. Npr. mozemo predvidjeti kolika ce biti potronja
stanovnitva u Hrvatskoj ako BDP dosegne vrijednost od 250 milijardi kuna
10
140
130
120
110
100
90
80
70
100
120
140
160
180
200
220
240
na sljedeci nacin:
yb250 = 21:42 + 0:47(250) = 138:92:
1.3
Pretpostavimo da smo iz hipoteticke populacije studenata prikupili podatke o njihovom mjesecnom dohotku i o njihovoj mjesecnoj potronji. Studente
smo podijelili na 10 dohodovnih razreda (od 100 kn do 1000 kn) i u Tablici
1.4 prikazali njihove mjesecne potronje. Stoga imamo 10 ksnih vrijednosti varijable x kojima odgovaraju razlicite vrijednosti y. Drugim rijecima
imamo 10 dohodovnih podpopulacija.
Iz Tablice 1.4 jasno se vidi da se u svakoj dohodovnoj grupi studenti
razlicito ponaaju (imamo one sklonije tednji i one manje sklone tednji);
tako npr. pojedini studenti koji imaju dohodak 300 kn troe vie (250 kn
11
Potronja
Ukupno
E (y | xi )
Dohodak
500
600
290
350
330
410
365
445
370
460
375
480
390
495
410
430
100
80
85
90
95
100
200
120
145
150
160
165
180
200
300
190
200
230
240
250
270
400
240
260
300
310
330
360
450
1120
1380
1800
2960
90
160
230
300
370
800
500
520
540
550
590
620
650
670
900
600
620
640
660
680
700
1000
700
710
750
2640
700
460
480
490
500
510
520
530
540
560
4590
4640
3900
2160
440
510
580
650
720
i 270 kn) nego pojedini studenti koji imaju dohodak 400 kn (240 kn i 260
kn). Mozemo, meutim, primijetiti da unatoc tim varijabilnostima postoji
odreeno pravilo da u prosjeku studenti koji imaju veci dohodak vie i troe.
To se jasno vidi iz aritmetickih sredina (ili prosjeka) svake podpopulacije
koje su prikazane u zadnjem retku Tablice 1.4 koje zovemo vrijednostima
uvjetnog ocekivanja jer su uvjetovane zadanim vrijednostima varijable x.
Uvjetno ocekivanje oznacavamo s E (yjxi ) te citamo ocekivana vrijednost
y za zadanu vrijednost x. Tako npr. ocekivana potronja studenata, koji
imaju dohodak od 200 kn, iznosi 160 kn, dok je kod studenata, koji imaju
800 kn, ocekivana potronja 580 kn.
Uvjetno ocekivanje razlikuje se od matematickog (neuvjetnog) ocekivanja E (y) koji prikazuje prosjecnu potronju svih 64 studenata populacije,
neovisno o njihovom dohodovnom razredu. U naem bi slucaju matematicko
+2160
ocekivanje bilo E (y) = 450+1120+
= 400:625.
64
Na slici 1.6 prikazan je dijagram disperzije na temelju Tablice 1.4. Spajanjem svih uvjetnih ocekivanja za sve ksne vrijednosti dohotka dobili smo
regresijsku funkciju populacije (RFP)3 koja u naem slucaju poprima
oblik pravca. Sve tocke kojima prolazi regresijski pravac populacije oznacava ocekivanu potronju odreenog dohodovnog razreda; tako npr. za razred
200 kn ocekivana potronja je 160 kn, za razred 500 kn ocekivana potronja
je 370 kn, itd. Opcenito mozemo reci da regresijska funkcija populacije predstavlja sve tocke uvjetnih ocekivanja zavisne varijable y za ksne vrijednosti
nezavisne varijable x.
Na temelju tako denirane regresijske funkcije populacije mozemo odrediti pojedinacnu potronju svakog studenta kao odstupanje od uvjetnog oce3
12
E (y | xi )
800
700
600
510
Potronja
500
400
370
300
200
160
100
0
0
100
200
300
400
500
600
700
800
900
1000
1100
Dohodak
E (yjxi ) :
(1.4)
Znaci, potronja i tog studenta sastoji se od dva dijela: jedan je deterministicki ili sustavni dio E (yjxi ) kojeg mozemo predvidjeti na temelju
dohodovnog razreda kojemu student pripada te od "i to predstavlja slucajno odstupanje ili nesustavni dio. Slucajno se odstupanje pojavljuje zbog
utjecaja ostalih varijabli na potronju studenata a koje nisu ukljucene u model, kao npr. spol, stanuje li student s roditeljima ili je podstanar, drutvo
u kojemu se krece, navike, itd4 . Ako pretpostavimo da imamo linearnost
E (yjxi ) u varijabli xi kao na slici 1.6 tada se jednadzba 1.4 pretvara u
yi =
1 xi
+ "i :
(1.5)
13
Potronja: uzorak 1
80
145
270
310
375
480
530
520
700
750
Potronja: uzorak 2
95
200
240
330
390
460
500
550
640
700
(1.6)
gdje je:
y^i = procjenitelj E (yjxi )
b0 = procjenitelj 0
b1 = procjenitelj 1
ei = slucajno odstupanje uzorka koje interpretiramo kao procjenitelj "i :
Cilj regresijske funkcije uzorka y^i = b0 +b1 xi +ei je procijeniti nepoznatu
regresijsku funkciju populacije yi = 0 + 1 xi + "i .
Iz nae populacije, prikazane u Tablici 1.4, mozemo izvuci i drugi uzorak
(Uzorak 2 koji je prikazan u Tablici 1.5). Na slici 1.7 vidimo da, iako izvuceni iz iste populacije, regresijske funkcije uzoraka (RFU1 i RFU2 ) meusobno
se razlikuju zbog uktuacije populacije oko regresijske funkcije populacije.
Jedino u specijalnom slucaju, kada bi se sve tocke populacije prikazane na
slici 1.6 nalazile na regresijskom pravcu populacije, tada bi regresijski pravci
uzoraka prikazani na slici 1.7 bili potpuno jednaki. to je veca disperzija
tocaka oko regresijske funkcije populacije, to je vjerojatnost da su regresijske funkcije uzoraka meusobno razlicitije. Postavlja se, dakle, pitanje
14
RFU1
800
RFU2
700
600
Potronja
500
400
300
200
100
0
0
100
200
300
400
500
600
700
800
900
1000
1100
Dohodak
1 ln K
2 ln L
+"
(1.8)
15
jer ga mozemo odreenim transformacijama pretvoriti u model linearan u parametrima. S druge strane, da je Cobb-Douglasova funkcija
bila denirana kao
y = 0 K 1 L 2 + ";
(1.9)
ne bi je bilo moguce nikakvom transformacijom linearizirati. U tom
slucaju govorimo da je model sutinsko nelinearan model i da ne
zadovoljava pretpostavku o linearnosti u parametrima.
2. Nestohasticnost varijable x: vrijednosti varijable x ksirane su u ponovljenom uzorkovanju, kao na primjeru u Tablici 1.4 kada imamo
razlicite vrijednosti potronje (y) za ksne (iste) vrijednosti dohotka
(x).
3. Sredina slucajne greke "i je jednaka nuli ili simbolicki E ("i jxi ) = 0.
Buduci da regresijska funkcija populacije predstavlja uvjetno matematicko ocekivanje E (yjxi ), tj. sredinu (prosjek) y za zadani xi , to znaci
da je zbroj pozitivnih i negativnih odstupanja "i za svaki zadani xi
jednak nuli.
Primjer 1.1 Zbrajanjem odstupanja od uvjetnog matematicko ocekivanja za dohodovnu grupu 100 kn u Tablici 1.4 dobijemo (80 90) +
(85 90) +
+ (100 90) = 10 + ( 5) +
+ 10 = 0. Isto vrijedi
i za sve ostale dohodovne grupe.
4. Homoskedasticnost: jednaka varijanca za sva opazanja ili simbolicki
V ar ("i jxi ) = E ["i
E ("j )] jxj g = 0:
E ("i )] [xi
E (xi )] = 0:
17
Poglavlje 2
1 xi
+ "i
2.1
Procjena parametara
Tablica 2.1: Mjesecna potronja i dohodak studenata (u kunama)
Student
Marko
Ivan
Mira
Maja
Ana
Potronja
100
250
300
210
160
Dohodak
150
300
500
400
200
18
350
300
Potronja
250
200
150
100
50
0
0
100
200
300
400
500
600
Dohodak
350
P1
300
+10
2
i
=5
= 5825
250
Potronja
+60
200
-120
-180
-30
+190
+50
150
-35
P2
100
=0
ei2 = 89000
50
0
0
100
200
300
400
500
600
Dohodak
na pravac, koji "na oko" izgleda bolji, P1. Zato? Vrijednosti odstupanja ei
poprimaju pozitivne i negativne vrijednosti tako da se u njihovom zbrajanju meusobno ponitavaju. Tako u slucaju pravca P2, u kojemu su velika
odstupanja, imamo u zbroju vece (potpuno) ponitavanje vrijednosti odstupanja u odnosu na pravac P1, koji ima vidno manja odstupanja, ali koja se u
zbroju ne ponitavaju u cijelosti. Ponitavanje vrijednosti u zbroju mozemo
izbjeci tako
vrijednosti ei : Iz Slike 2.2 vidimo da je za pravac
P da2 kvadriramo
P1 zbroj
ei = ( 35)2 + 02 +
+ 102 = 5825 znatno manji u odnosu
P 2
na pravac P2 gdje je
ei = (( 180)2 + ( 120)2 +
+ 1902 ) = 89000.
Ako nam kriterijP
za vucenja pravca kroz tocke dijagrama disperzije postane minimizacija
e2i ; tada vidimo da pravac, koji "na oko" izgleda bolji,
bolji je i na temelju naeg postavljenog kriterija minimizacije kvadrata
odstupanja koji sprjecava ponitavanje pozitivnih i negativnih vrijednosti
odstupanja. Metodu, koja se temelji na kriteriju minimizacije kvadrata odstupanja, zovemo Obicnom metodom najmanjih kvadrata (eng. OLS
- Ordinary Least Square).
Kvadriranjem odstupanja, osim to pretvaramo odstupanja u pozitivne
vrijednosti, dajemo vecu tezinu vecim (udaljenijim od regresijskog pravca) odstupanjima u odnosu na manja, buduci da su vrijednosti kvadrirane.
Problem se u tom slucaju moze pojaviti u prisutnosti izuzetno udaljenih
20
(2.1)
P
n
X
e2i = Min
i=1
n
X
(yi
b0
b1 xi )2
(2.2)
i=1
b0
b1 xi )2 =
b0
b1 xi )2 =
P
P
(yi
xi (yi
b0
b1 xi ) = 0
b0
b1 xi ) = 0:
(2.3)
(2.4)
Simultanim rjeavanjem jednadzbi 2.3 i 2.4 po parametrima b0 i b1 (cjeloviti izvod prikazan je u Dodatku A.1) dobijemo vrijednosti parametara
koje imaju svojstvo minimizacije sume kvadrata odstupanja prikazanih u
jednadzbi 2.2 koje glase
P
P
(xi x) (yi y)
x
~i y~i
b1 =
= P 2
(2.5)
P
2
x
~i
(xi x)
21
b0 = y
b1 x
(2.6)
y~ = yi
y:
+ b(k
1) x(k 1)i
+ ei
(2.7)
6
6
X =6
4
1 x11
1 x12
..
..
.
.
1 x1n
x(k
x(k
..
.
x(k
1)1
..
.
1)2
1)n
(2.8)
3
7
7
7
5
6
6
b =6
4
b0
b1
..
.
bk
7
7
7
5
6
6
e =6
4
e1
e2
..
.
en
3
7
7
7
5
gdje
y = n
X = n
b = k
e = n
n
P
i=1
1
22
(2.9)
(2.10)
Xb;
= yy
Xb)0 (y
0
Xb)
y0 Xb + b0 X0 Xb
bXy
= y0 y 2b0 X0 y + b0 X0 Xb:
(2.11)
2b0 X0 y + b0 X0 Xb =
iz cega slijedi da
b = X0 X
2X0 y+2X0 Xb = 0;
(2.12)
X0 y:
(2.13)
Za dobivanje jednadzbe 2.13 nismo koristili nikakve pretpostavke o nacinu na koji se podaci generiraju. Jedino to pretpostavljamo je da postoji
inverzna matrica (X0 X) 1 , tj. da matrica X0 X nije singularna matrica,
to podrazumijeva da niti jedan redak (stupac) te matrice ne smije biti egzaktna linearna kombinacija ostalih redaka, to znaci da nema
multikolinearnosti (linearne veze izmeu nezavisnih varijabli).
Tablica 2.2: Izracun vrijednosti procjenitelja (parametara) na temelju obicne
metode najmanjih kvadrata odstupanja
Student
Marko
Ivan
Mira
Maja
Ana
Sredina
yi
xi
~y
i
~
xi
~
xi ~
yi
100
250
300
210
160
1020
204
150
300
500
400
200
1550
310
-104
46
96
6
-44
0
-160
-10
190
90
-110
0
16640
-460
18240
540
4840
39800
~
xi2
25600
100
36100
8100
12100
82000
yi
126.34
199.15
296.22
247.68
150.61
1020
204
ei
-26.34
50.85
3.78
-37.68
9.39
0
Primjer 2.1 Iz jednadzbi za parametre 2.5 i 2.6 i Tablice 2.2 mozemo izracunati:
P
39800
x
~i y~i
b1 = P 2 =
= 0:48537
(2.14)
82000
x
~i
b0 = y
b1 x = 204
0:48537
23
(2.15)
e i2
693.87
2586.09
14.29
1420.00
88.18
4802.44
960.49
Ako izracunamo2 da
6
6
X=6
6
4
1
1
1
1
1
150
300
500
400
200
XX=
1
1
1
1
1
150 300 500 400 200
u konacnici imamo
0
b= XX
Xy=
7
6
7
6
7; y = 6
7
6
5
4
i da
X0 y =
X0 y
1
1
1
1
1
150 300 500 400 200
5
1550
1550 562 500
2
6
6
6
6
4
1
1
1
1
1
100
250
300
210
160
150
300
500
400
200
3
7
7
7
7
5
7
7
7=
7
5
100
6 250 7
6
7
6 300 7 =
6
7
4 210 5
160
1
1020
356 000
5
1550
1550 562 500
1020
356 000
53: 535
:
0:485 37
(2.16)
24
yi = 53 .54 + 0.49 xi
Potronja
yp = 274 .04
y = 204
y1 = 126 .34
y1 = 100
e1 = 26 .34
53.54
x1 = 150
x = 310
x p = 450
Dohodak
2.2
b1 x
(2.18)
y = b0 + b 1 x
(2.19)
tada vrijedi da je
to nam govori da kada x poprima vrijednost svoje sredine x procijenjena vrijednost y^ je y: Drugim rijecima regresijski pravac prolazi kroz
tocku (x; y).
Primjer 2.2 Lako mozemo provjeriti da za x = 310
y^310 = 53:54 + 0:49(310) = 204
(2.20)
b1 x) + b1 xi
= y + b1 (xi
x) :
(2.21)
(2.22)
26
Iz
P Svojstva B.4 operatora zbrajanja (vidi Dodatak B.1) znamo da
(xi x) = 0; to 2.22 pretvara u
P
y^i = ny:
(2.23)
P
3. Suma odstupanja je nula5 ( ei = 0), to se jasno vidi iz Tablice
2.2. Ovo svojstvo proizlazi iz uvjeta minimizacije kvadrata odstupanja
po b0 prikazanog u jednadzbi 2.3
P
P
@ P
(yi b0 b1 xi )2 = 2 (yi b0 b1 xi ) = 2 ei = 0
@b0
(2.25)
P
to povlaci
ei = 0: Iz toga proizlazi da je i sredina odstupanja
P
ei
= 0:
(2.26)
e=
n
4. Odstupanja ei i procijenjeni y^i meusobno su neovisni. Kovarijancu izmeu ei i y^i mozemo izraziti
Cov (^
y i ; ei ) =
n
1 P
y^i
n i=1
y^ (ei
e)
(2.27)
(2.28)
27
(2.30)
to 2.29 pretvara u
Pe
P 2
y^i ei = b21 x
~i
b21
= 0:
x
~2i
(2.31)
Na ovaj smo nacin dokazali da ne postoji linearna veza izmeu odstupanja i procijenjene zavisne varijable.
P U naem primjeru iz Tablice 2.2
lako se moze provjeriti da vrijedi
y^i y^ ei = 0.
P
5. Odstupanja ei i xi meusobno su neovisni, drugim rijecima xi ei =
0. Ovaj zakljucak proizlazi iz uvjeta minimizacije kvadrata odstupanja
po b1 prikazanog u jednadzbi 2.4
P
P
@ P
(yi b0 b1 xi )2 = 2 xi (yi b0 b1 xi ) = 2 xi ei = 0
@b1
(2.32)
P
to povlaci
xi ei = 0. Ovo svojstvo regresijskog pravca, takoer se
moze lako provjeriti na primjeru iz Tablice 2.2.
2.3
Svojstva procjenitelja
33
41
2
1025
39
164
1
8200
85
164
19
8200
28
X0 y
23
164
9
8200
101
164
11
8200
2
6
6
6
6
4
100
250
300
210
160
3
7
7
7
7
5
39
85
ili b0 mozemo dobiti iz linearne kombinacije 33
41 100 + 164 250
164 300
23
101
164 210 + 164 160 = 53: 537. Na slican nacin mozemo dobiti vrijednost
b1 iz linearne kombinacije elemenata vektora y s drugim redom matrice
(X0 X) 1 X0 .
Stoga su procjenitelji dobiveni na taj nacin, linearna kombinacija vrijednosti zavisne varijable y pa ih zovemo linearnim procjeniteljima.
2. Nepristranost: znaci da u ponovljenom uzorkovanju mozemo ocekivati da je procjenitelj u prosjeku jednak stvarnom populacijskom
procjenitelju , to mozemo pisati
E(b) = :
(2.33)
Distribucija frekvencija
Nepristrana
Pristrana
E(b)=
E(b)
29
Dokaz.
E (b) = E
= E
=
X0 X
1
1
i
h
X0 y = E X0 X
X0 X
X0 X + X0 X
h
i
1 0
+ E X0 X
X" = :
i
X0 (X + ")
i
h
1 0
X " = E I + X0 X
1
i
X0 E ["] = 0
(2.34)
(2.35)
Interesantno je primijetiti da u tom dokazu nismo koristili pretpostavke da nema autokorelacije i heteroskedasticnosti. To ukazuje da procjenitelji dobiveni metodom najmanjih kvadrata i u slucaju postojanja
heteroskedasticnosti i autokorelacije reziduala su nepristrani
sve dok slucajna greka ima sredinu nula i dok je neovisna od egzogenih varijabli. Izraz (X0 X) 1 X0 " iz jednadzbe 2.34 mozemo gledati
kao regresija " na X. To ukazuje da ce procjenitelji biti nepristrani, i u slucaju da smo zanemarili unijeti u model neku nedostajucu
varijablu, sve dok je ta varijabla neovisna o ostalim X i ima sredinu
0. Znaci, pristranost procjenitelja, uslijed nedostajuce objasnidbene
varijable, imat cemo samo u slucaju ako je ona zavisna o drugim nezavisnim varijablama i ako ima sredinu razlicitu od nule. Procjenitelj
dobiven metodom najmanjih kvadrata normalno je distribuiran
buduci da je b linearna funkcija ", a " je normalno distribuiran6 .
3. Ekasnost: znaci da procjenitelj dobiven metodom najmanjih kvadrata ima minimalnu varijancu izmeu svih linearnih procjenitelja koji
su nepristrani. Na slici 2.5 prikazan je ekasan i neekasan procjenitelj. Vidimo da su oba procjenitelja nepristrana, meutim, ekasan
ima manje odstupanja (minimalno) oko sredine u odnosu na neekasnog procjenitelja. Gauss-Markovljev teorem ne odnosi se na nelinearne procjenitelje. Nelinearni procjenitelj moze biti nepristran i
imati manju varijancu u odnosu na procjenitelja dobivenog metodom
najmanjih kvadrata.
4. Konzistentnost: prethodna svojstva procjenitelja odnose se na svojstva konacnih uzoraka. Kada se velicina uzorka beskonacno poveca
tada procjenitelji imaju odreena pozeljna statisticka svojstva. Ta se
svojstva zovu svojstva velikih uzoraka ili asimptotska svojstva.
Konzistentnost je jedno takvo pozeljno svojstvo, koje ima procjenitelj dobiven metodom najmanjih kvadrata. Kazemo da je procjenitelj konzistentan kada procjenitelj b povecanjem uzorka konvergira
6
30
i
X0 "
Distribucija frekvencija
Efikasan
Neefikasan
E(b)=
n!1
j > g = 0 za sve
>0
(2.36)
to znaci, asimptotski gledano, da je vjerojatnost da procjenitelj, dobiven metodom najmanjih kvadrata, odstupa vie od proizvoljne pozitivne vrijednosti od stvarnog parametra jednaka nuli. U tom slucaju
kazemo da limes vjerojatnosti b je i piemo
plim b = :
(2.37)
Cesto
se ne moze dokazati da je neki procjenitelj nepristran; moguce je
da u odreenim nelinearnim i dinamickim modelima nepristran procjenitelj uopce ne postoji. U tim slucajevima konzistentnost je minimalni
uvjet, koji se postavlja pred procjenitelja, kako bi bio koristan. Stoga su ekonometricari cesto vie zabrinuti konzistentnocu procjenitelja
nego li njihovom (ne)pristranocu.
31
Poglavlje 3
y
y= 20 + 0.8 x
x
a)
y= 20 + 0.8 x
x
b)
32
3.1
Koecijent determinacije
P
gdje n 1 1 ni=i (^
yi y)2 pokazuje "objanjenu" varijancu y regresijskim pravP
cem a n 1 1 ni=i (yi y)2 "ukupnu" varijancu y. Drugim rijecima, nakon
skracivanja, koecijent determinacije regresijskog modela prikazuje dio ukupne varijance y koju smo objasnili regresijskim modelom.
Na slici 3.2 prikazano1 je za odreenu vrijednost xi :
ukupno odstupanje y od njegove sredine (yi
y)
y)
y^) kojeg
Propozicija 3.1 Kada je u modelu, dobiven metodom najmanjih kvadrata, prisutan konstantni clan b0 za yi = y^i + ei vrijedi
Var (yi ) = Var (^
yi ) + Var (ei ) :
Dokaz. Stvarnu vrijednost yi mozemo izracunati na temelju zbroja procijenjene vrijednosti y^i i slucajnog odstupanja ei
yi = y^i + ei :
(3.2)
y) = y^i
y^ + (ei
e)
(3.3)
33
y
yi = b0 + b1 xi
yi
(yi yi )
(yi y )
(yi y )
xi
y) = (^
yi
y) + ei :
(yi
y)2 =
i=1
n
X
(^
yi
y)2 + 2
i=1
Izraz
n
X
(^
yi
y) ei +
i=1
n
X
(^
yi
n
X
e2i :
(3.4)
i=1
y) ei
i=1
i=1
i=1
Napomena: Svojstva 2. i 3. regresijskog pravca dobivena metodom najmanjih kvadrata ne vrijede kada u modelu nije prisutan konstantni clan b0 :Vidi izvod tih Svojstava
na stranici 27.
34
(3.7)
Primjer 3.1 Na temelju podataka iz Tablice 2.2 mozemo izracunati koecijent determinacije
Pn
(^
yi y)2
19317:56
2
R = Pi=i
n
2 = 24120:00 = 0:800 89:
y)
i=i (yi
Buduci da su jednadzbe 3.1 i 3.7 istovjetne za model procijenjen pomocu metode najmanjih kvadrata s konstantnim clanom, R2 mozemo dobiti i
pomocu
Pn 2
e
4802:44
R2 = 1 Pn i=1 i 2 = 1
= 0:800 89:
24120:00
y)
i=1 (yi
Ovaj nam koecijent determinacije govori da smo 80% varijacije potronje studenata uspjeli objasniti pomocu kretanja njihovog raspolozivog dohotka.
Koecijenta determinacije, kao to je deniran u 3.7 prate tri problema:
1. Ne vrijedi za regresijske modele koji su izracunati metodom najmanjih kvadrata bez konstantnog clana b0 : Jednadzbu 3.7 dobili smo iz
pretpostavki
e = 0 , y^ = y
(3.8)
koje ne vrijede kada nemamo konstantni clan u modelu3 . U tom slucaju dobiveni koecijent determinacije iz 3.7 nije isti koecijentu determinacije iz 3.1. Kada nemamo konstantni clan u modelu koristimo
tzv. necentriranim koecijentom determinacije koji glasi
Pn
Pn 2
y^i2
e
2
i=1
necentrirani R = Pn
= 1 Pni=1 i2 :
(3.9)
2
i=1 yi
i=1 yi
Ovaj se pokazatelj zove necentrirani jer varijable nisu centrirane oko
sredine ili nisu u devijacijskoj formi kao u slucaju obicnog koecijenta
determinacije iz 3.1 koji stavlja u odnos centrirane varijable oko svojih
sredina, pa se stoga cesto zove i centrirani koecijent determinacije. Za racunanje necentriranog koecijenta determinacije, buduci
da ne koristi devijacijske forme, nije potrebno zadovoljavati svojstva
iz 3.8.
Primjer 3.2 Ako za procjenu potronje studenata iz Tablice 2.1 koristimo model bez konstantnog clana b0
y^i = b1 xi + ei
3
36
6891:56
= 0:714 28:
24120:00
Necentrirani R2 je
Pn
y^i2
225308:44
=
necentrirani R = Pi=1
= 0:970 32
n
2
232200:00
i=1 yi
2
li alternativno
necentrirani R = 1
Pn 2
e
Pni=1 i2 = 1
i=1 yi
6891:56
= 0:970 32:
232200:00
Pn
i=1 (yi
P
( ni=1 (yi
y))
y) y^i
Pn
i=1
y^
y^i
y^
!2
(3.10)
tj. izracunavamo ga na temelju kvadriranog koecijenta korelacije izmeu stvarnih y i procijenjenih y^. Ovako deniran R2 govori koliko se
dobro mogu varijacije u y objasniti varijacijama u y^; ili pokazuje jacinu linearne veze izmeu ovih dviju varijabli. Buduci da se koecijent
korelacije uobicajeno oznacava s r, zato se koecijent determinacije oznacava s R2 da bi se naglasilo da je koecijent determinacije kvadrat
koecijenta korelacije.
Primjer 3.3 Na temelju podataka iz Tablice 2.2 imamo
R2 = corr2 (yi ; y^i ) = 0:89492 = 0:800 85:
Iz gornjeg primjera proizlazi da je tako izracunat koecijent determinacije istovjetan koecijentima deteminacije koje smo izracunali na
temelju 3.1 i 3.7. Interesantno je primijetiti da u slucaju samo jedne
nezavisne varijable, kao u gornjem primjeru, buduci da je procijenjeni y^ linearna kombinacija samo x, mozemo dobiti isti koecijent
determinacije ako kvadriramo koecijent korelacije izmeu x i y; to
se jasno vidi u sljedecem primjeru.
Primjer 3.4
R2 = corr2 (yi ; xi ) = 0:89492 = 0:800 85:
3. R2 nikada ne opada s povecanjem broja nezavisnih varijabli i kada dodatne varijable ne objanjavaju kretanje zavisne varijable. Uobicajeni
nacin rjeavanja tog problema je ukljucivanje u izracun koecijenta
determinacije stupnjeve slobode, to nam daje tzv. korigirani R2
kojeg oznacavamo s
Pn 2
1
i=1 ei
(n
k)
R2 = 1
:
(3.11)
P
n
1
y)2
i=1 (yi
(n 1)
P
Var(yi ) je neovisna od broja nezavisnih varijabli x, dok ni=1 e2i ovisi
oPbroju nezavisnih varijabli x, jer to je veci broj x-ova, smanjit ce se
n
2
i=1 ei . Da bi se efekt smanjenja sume kvadrata reziduala pri ukljucivanju novih varijabli "kaznio", suma kvadrata reziduala dijeli se sa
38
stupnjevima slobode (n k). U tom se slucaju koecijent determinacije ne povecava automatski s povecanjem broja regresora,
vec ovisi
P
o tome je li nova varijabla vie doprinijela smanjenju ni=1 e2i svojim
ulaskom u model ili vie tetila smanjenjem stupnjeva slobode (n k).
Korigirani R2 je uvijek manji od nekorigiranog R2 , osim u slucaju kada model ukljucuje samo konstantni clan pa su oba jednaka nuli. U
ekstremnim slucajevima korigirani R2 moze biti negativan.
3.2
3.2.1
Znacajnost procjenitelja
Var (b) = E (b
2
1]
E [b1
6 E [(b2
6
=6
4
E [(bk
2 ) (b1
..
.
k ) (b0
)0
) (b
E [(b1
1 ) (b2
2
E [b2
1 )]
2]
..
.
2 )]
0 )]
2 )]
E [(bk
E [(b1
E [(b2
..
k ) (b2
1 ) (bk
k )]
2 ) (bk
k )]
..
.
.
E [bk
2
k]
(3.14)
to mozemo pisati
2
6
6
Var (b) = 6
4
Var (b1 )
Cov (b1 ; b2 )
Cov (b2 ; b1 )
Var (b2 )
..
..
.
.
Cov (bk ; b1 ) Cov (bk ; b2 )
..
Cov (b1 ; bk )
Cov (b2 ; bk )
..
.
Var (bk )
7
7
7:
5
(3.15)
Vidimo da je matrica Var(b) simetricna matrica s varijancama parametara na glavnoj dijagonali i kovarijancama izmeu parametara na pozicijama
izvan glavne dijagonale.
Iz jednadzbe 2.13 znamo da
b =
X0 X
X0 X
X0 X
= I + X0 X
1
1
+ X0 X
X0 (X + ")
1
+ X0 X
X0 "
X0 "
X0 "
(3.16)
iz cega imamo
) = X0 X
(b
X0 y = X0 X
X0 ":
(3.17)
X0 X
X0
X0 X
X0 X
X0 X
40
In X X 0 X
X0 X
i
1
(3.18)
3
7
7
7
5
e0 e
n k
(3.19)
to 3.18 pretvara u
e0 e
1
X0 X
:
(3.20)
n k
Standardne devijacije (greke) procjenitelja mozemo izracunati tako da korjenujemo varijance ili
p
sd (b) =
Var (b)
r
e0 e
=
(X0 X) 1 :
(3.21)
n k
Iz jednadzbe 3.18 vidimo da to je veca varijanca modela populacije
2 (veca rasprenost oko regresijske funkcije populacije) da je veca i varijanca procjenitelja Var(b). Znaci, ako imamo vrlo rasprenu populaciju oko
regresijske funkcije populacije tada i regresijske funkcije uzoraka, koje su
izvedene iz te populacije, mogu se meusobno jako razlikovati. U slucaju
da imamo malu rasprenost populacije oko regresijske funkcije populacije
tada ce uzorci izvedeni iz te populacije davati slicne vrijednosti parametara
regresijskih funkcija uzoraka.
Buduci da ne znamo 2 , nju smo procijenili iz varijance uzorka s2 (jednadzba 3.19), pretpostavljajuci da ako uzorak ima velika odstupanja oko
regresijske funkcije uzorka da i populacija iz koje je taj uzorak izvucen ima
velika odstupanja oko regresijske funkcije populacije.
Var (b) =
Primjer 3.6 Na temelju jednadzbe 3.21 mozemo izracunati Var(b) za parametre iz primjera 2.1 na sljedeci nacin:
Var (b) =
=
=
4802:44
5 2
4802:44
3
5
1550
1550 562 500
225
164
31
8200
31
8200
1
82 000
2196: 2
6: 051 9
6: 051 9 0:01 952 2
41
Do sada nismo imali nikakvu pretpostavku vezanu za oblik distribucije odstupanja "i , osim to smo pretpostavili da su meusobno nekorelirani,
neovisni o X, da imaju sredinu nula i konstantnu varijancu. Meutim da bi
se moglo statisticki zakljucivati i testirati hipoteze moramo eksplicitno denirati pretpostavku o distribuciji odstupanja. Uobicajena je pretpostavka
da su odstupanja "i normalno distribuirana, tj.
"
N 0;
In :
(3.22)
X0 X
(3.23)
k;
X0 X
1
kk
3.2.2
(3.24)
1
Pri statistickom testiranju hipoteza mozemo uciniti dvije vrste greke: mozemo odbaciti hipotezu koja je istinita ili mozemo ne odbaciti hipotezu koja
je kriva. Odbacivanje istinite hipoteze u statistici se zove greka I. tipa,
dok se neodbacivanje krive hipoteze zove greka II. tipa. Vjerojatnost nastanka greke I. tipa neposredno kontrolira istrazivac proizvoljnim odabirom
razine znacajnosti koja se u statistici oznacava s : Uobicajeno je testirati na razini znacajnosti od 5%, tj. s "ugraenom" vjerojatnocu greke I.
tipa od 5%. Postavlja se pitanje zato dodatno ne smanjiti tu vjerojatnost
greke, pa testirati na razini znacajnosti od 1% ili manje? Nazalost na tim
razinama znacajnosti dodatno smanjenje vjerojatnosti greke I. tipa drasticno povecava vjerojatnost da se ucini greka II. tipa (koja se u statistici
uobicajeno oznacava sa ), tj. da se ne odbaci hipoteza koja je kriva. Vjerojatnost da se ne ucini greka II. tipa zove se snaga testa (1
); odnosno
snaga testa pokazuje sposobnost testa da odbaci krivu hipotezu.
Ekonometrijski paketi pri testiranju razlicitih hipoteza izracunavaju tzv.
p vrijednost (p iz eng. probability) ili tocnu razinu znacajnosti testa
koja prikazuje najmanju razinu znacajnosti pri kojoj mozemo odbaciti H0 :
Ako je p vrijednost manja od razine znacajnosti ; mozemo odbaciti H0 .
Ona, takoer, pokazuje osjetljivost odluke o odbacivanju nul hipoteze u
odnosu na razinu znacajnosti. Tako npr. vrijednost p = 0:07 ukazuje da
42
z=
2 (X0 X) 1
kk
1=2
(3.25)
ima standardnu normalnu distribuciju, tj. sredinu nula i varijancu 1. Buduci da nam nije poznata varijanca populacije 2 , zamijenit cemo je procijenjenom
varijancom na temelju uzorka iz jednadzbe 3.19,
Pnepristranom
e2i : Buduci da su reziduali uzorka ei normalno distribuirani, njis2 = n 1 k
P 2
hova suma kvadrata
ei ima 2 distribuciju5 . Od tuda slucajna varijabla
bk
tk =
s2 (X0 X)kk1
1=2
(3.26)
predstavlja odnos standardizirane normalne varijable i drugog korijena varijable s 2 distribucijom. Buduci da su ove dvije varijable i meusobno
nezavisne, tada slucajna varijabla tk ima Studentovu t distribuciju s (n k)
stupnjeva slobode6 . Studentova distribucija slicna je normalnoj distribuciji. Ima neto deblje krakove u odnosu na normalnu distribuciju kada imamo
mali broj stupnjeva slobode, no povecanjem broja stupnjeva slobode postaju
slicnije i za dovoljan velik broj stupnjeva slobode postaju identicne.
Slijedom gore recenog mozemo konstruirati t-test kojim mozemo testirati
hipoteze o parametru populacije k pomocu
tk =
bk
k
sd (bk )
(3.27)
43
=2;(n k)
= :
(3.28)
Odbacujemo H0 ako je apsolutna vrijednost jtk j veca od kriticne vrijednosti t =2;(n k) gdje oznacava razinu znacajnosti a (n k) stupnjeve
slobode.
slobode i testnom velicinom od 0:823, koju uobicajeno izracunavaju ekonometrijski paketi. U naem primjeru ona iznosi p = 0:4707, to nam govori
da ne mozemo odbaciti nul hipotezu jer vjerojatnost da smo ucinili greku
ako odbacimo H0 = 0:6 je 47:07%; mnogo veca od razine znacajnosti od 5%
na kojoj testiramo. Buduci da imamo vrlo mali uzorak (n = 5) opravdano
bi bilo testirati na razini znacajnosti od 10%. Ali na temelju p vrijednosti
od 47:07% odmah mozemo zakljuciti da i na razini od 10% ne mozemo odbaciti nul hipotezu. Lako se moze uociti da p vrijednost pokazuje "granicnu"
razinu znacajnosti testa, ili najmanju razinu znacajnosti pri kojoj se moze
odbaciti nul hipoteza (u naem primjeru nul hipotezu mozemo odbaciti tek za
razine znacajnosti
47:07%). Statisticko zakljucivanje na temelju p vrijednosti identicno je zakljucivanju na temelju tablice Studentove distribucije
vjerojatnosti.
U prethodnom primjeru 3.7 vidjeli smo da rezultati testiranja nisu bili statisticki znacajni, ili da nismo mogli odbaciti H0 = 0:6, to ne znaci
da automatski prihvacamo vrijednost testiranog parametra 1 = 0:6 kao
istinitu. U naem smo primjeru mogli testirati cijeli skup razlicitih hipoteza koje ne mozemo odbaciti na razini znacajnosti od 5%, kao to su npr.
H0 : 1 = 0:5; H0 : 1 = 0:3; H0 : 1 = 0:75: Bilo bi neozbiljno tvrditi da su
sve te hipoteze istovremeno istinite, ili da ih sve istovremeno prihvacamo.
Stoga je jedini prikladni zakljucak da se gore navedene hipoteze ne mogu
odbaciti. Drugim rijecima hipoteze u klasicnoj statistici ne prihvacaju se,
vec se odbacuju ili ne odbacuju.
Ekonometrijski paketi uobicajeno automatski prikazuju, pokraj vrijednosti parametara i njihovih standardnih devijacija, t vrijednosti kojima se
testira hipoteza H0 : k = 0, nasuprot hipotezi H0 : k 6= 0. Buduci da je u
tom slucaju k = 0; t-test jednadzbe 3.27 pretvara se u
tk =
bk
bk 0
bk
k
=
=
;
sd (bk )
sd (bk )
sd (bk )
(3.29)
b1
0:485
=
= 3: 472:
sd (b1 )
0:1397
nasuprot H1 :
>
Pr tk <
za H0 :
nasuprot H1 :
;(n k)
<
(3.30)
te
;(n k)
(3.31)
k:
b1
0:485 0:6
1
=
=
sd (b1 )
0:1397
0:823;
istu vrijednost koju smo dobili u primjeru 3.7 kada smo testirali dvostranim
testom hipotezu H0 : 1 = 0:6: Kriticna vrijednost za jednostrani test7 s 5%
znacajnosti i 3 stupnja slobode iznosi t0:05;3 = 2:3534, dok je za dvostrani
test iz primjera 3.7 bila t0:025;3 = 3:1824: Buduci da je u naem primjeru
t1 > t0:025;3 , tj. 0:823 > 2:3534; na temelju jednadzbe 3.31 ne mozemo
odbaciti s 5% znacajnosti hipotezu H0 : 1 0:6: Ekonometrijski paketi uobicajeno prikazuju p vrijednosti za dvostrane testove, koji su ceci u praksi.
Ako koristimo za statisticko zakljucivanje p vrijednosti umjesto tablica Studentove distribucije za jednostrani t-test, moramo dobivenu p vrijednost za
dvostrani test podijeliti s 2. Tako u naem slucaju imamo p=2 = 0:4707=2 =
7
46
0:235 4, to ukazuje da je vjerojatnost da smo pogrijeili 23:54%, ako odbacimo H0 . Drugim rijecima ako testiramo s 5% znacajnosti, ne mozemo
odbaciti hipotezu da je granicna sklonost potronji studenata iz naeg primjera jednaka ili veca od 0:6:
Primjer 3.10 Pretpostavimo da zelimo testirati, sa znacajnocu od 5%, hipotezu da je granicna sklonost potronji studenata iz Tablice 2.1 jednaka ili
manja od 0:1, ili H0 : 1 0:1, nasuprot hipotezi H1 : 1 > 0:1. Na temelju
jednadzbe 3.27 imamo
t1 =
b1
0:485 0:1
1
=
= 2: 756:
sd (b1 )
0:1397
(3.32)
tk
=2;(n k)
=2;(n k)
=1
(3.33)
=2;(n k)
Nakon sreivanja po
Pr bk
sd (bk ) t
bk
k
sd (bk )
=2;(n k)
=1
(3.34)
imamo
=2;(n k)
bk + sd (bk ) t
=2;(n k)
=1
(3.35)
k
mozemo
(3.36)
47
znaci vecu neizvjesnost u procjenjivanju populacijskog nepoznatog parametra k . Stoga se na standardnu greku procjenitelja gleda kao na mjeru preciznosti procjenitelja koja nam govori koliko precizno procjenitelj bk opisuje
stvarnu vrijednost populacijskog k .
Populacijski parametar k je nepoznata, ali ksna vrijednost, zato izraz
3.35 ne mozemo interpretirati kao "(1
) je vjerojatnost da se populacijski
parametar k nalazi u granicama bk sd (bk ) t =2;(n k) " jer bi to impliciralo
da je interval pouzdanosti ksan, a populacijski parametar slucajna vrijednost. Buduci da je populacijski parametar k ksna vrijednost, kada bi
interval pouzdanosti takoer bio ksan, vrijednost populacijskog parametra
lezala bi, ili ne bi lezala, u ksnom intervalu pouzdanosti. U tom slucaju
imali bismo samo dvije vjerojatnosti: ako lezi, vjerojatnost je 1 (100%);
ako ne lezi u intervalu pouzdanosti je 0. Meutim interval pouzdanosti nije ksan vec slucajan jer ovisi o izvucenom uzorku iz populacije. Stoga
jedini pravilan nacin interpretacije intervala pouzdanosti parametra je da
u ponovljenom uzorkovanju, 100 (1
) % izracunatih slucajnih intervala
pouzdanosti, na temelju izvucenih uzoraka iz iste populacije, ukljucivat ce
stvarni populacijski skni parametar k: Drugim rijecima kada bi se iz neke
populacije izvuklo 100 uzoraka i na temelju njih izracunalo, koristeci izraz
3.36, 100 slucajnih 95 postotnih intervala pouzdanosti za ksni populacijski parametar k , u 95 od 100 intervala pouzdanosti nali bismo vrijednost
populacijskog ksnog parametra k :
Primjer 3.11 Na temelju jednadzbe 3.36 mozemo izracunati 95 postotne
intervale pouzdanosti za parametre modela izracunatih u primjeru 2.1. Da
bismo dobili 95 postotni interval pouzdanosti biramo razinu znacajnosti od
= 0:05 jer 100 (1
) % = 100 (1 0:05) % = 95%: Kriticna vrijednost
t =2;(n k) iznosi t0:025;3 = 3:1824 (vidi Tablica E.2 u Dodatku). Na temelju
izraza 3.36 mozemo izracunati 95 postotni interval pouzdanosti za parametar
0
b0
sd (b0 ) t
=2;(n k)
= 53: 535
46:864
= 53:535
149: 14
3:1824
to mozemo pisati
95: 605
Za parametar
202:675:
sd (b1 ) t
=2;(n k)
= 0:48537
0:139 72
= 0:48537
0:444 6
3:1824
to mozemo pisati
0:04077
48
:0:92997:
F -test
Na temelju t-testa mozemo testirati pojedinacne hipoteze nad jednim koecijentom. Postavlja se pitanje kako testirati zajednicke hipoteze nad koecijentima kao to su na primjer
H0 :
= 0 ili H0 :
= 1:
U tom slucaju mozemo konstruirati ograniceni model koji ce u sebi sadrz avati ogranicenja nad parametrima i testirati razliku izmeu neobjanjena
odstupanja ogranicenog modela i neogranicenog modela. Kod neogranicenog modela ne forsiramo da parametri poprime odreene vrijednosti, vec
doputamo da poprime bilo koju vrijednost koja, u slucaju da rabimo metodu najmanjih kvadrata, minimizira zbroj kvadrata odstupanja. Kod ogranicenog modela, s druge strane, forsiramo da odreeni parametri poprime
a priori zadane vrijednosti koje ne minimiziraju zbroj kvadrata odstupanja.
Jasno je stoga da zbroj kvadrata neobjanjenih odstupanja bit ce uvijek veci
kod ogranicenog modela u odnosu na neograniceni model. Nadalje, to se
forsirani parametar u neogranicenom modelu udaljava svojom vrijednocu
od parametra koji minimizira sumu kvadrata odstupanja (dobiven neogranicenim modelom) to ce biti veca razlika izmeu sume kvadrata odstupanja
ogranicenog i neogranicenog modela. Na taj nacin prirodno se namece test
koji usporeuje zbrojeve kvadrata neobjanjenih odstupanja ogranicenog i
neogranicenog modela. Ako je razlika velika, tada ce se nul hipoteza moci odbaciti, ako je razlika mala,Ptada se nul hipoteza nece moci odbaciti.
Ako sumu kvadrata odstupanja
(yi y^i )2 oznacimo s RSS, tada F test
mozemo pisati
(RSSR RSSU R ) =J
F =
(3.37)
RSSU R = (n k)
gdje RSSR oznacava sumu kvadrata odstupanja ogranicenog modela, RSSU R
sumu kvadrata odstupanja neogranicenog modela, J broj ogranicenja i (n k)
stupnjeve slobode neogranicenog modela. Buduci da je RSSR uvijek veci
od RSSU R , gornji izraz uvijek ce biti pozitivan.
Ako
da su odstupanja
ei normalno distribuirana,
P vrijedi pretpostavka
P 2
tada
(yi y^i )2 ; to skraceno piemo
ei , iz Teorema8 C.3 ima 2 distribuciju. Na temelju Teorema C.4 znamo da zbrajanje i oduzimanje varijabli
s 2 distribucijom daju varijablu s 2 distribucijom. Stoga ce i razlika
RSSR RSSU R , takoer, imati 2 distribuciju. Iz Teorema C.6 znamo da
x =n
ce odnos dviju slucajnih varijabli s 2 distribucijom x12 =n21 imati F distribuciju s (n1 ; n2 ) stupnjeva slobode, ili kao u slucaju nae jednadzbe 3.37 F -test
ima F distribuciju sa (J; n k) stupnjeva slobode. F -test je jednostrani test
ciju kriticnu vrijednost F J;(n k) mozemo denirati kao
n
o
Pr F > F J;(n k) =
(3.38)
8
49
1 x1
2 x2
k 1 xk 1
k 1
= 0;
(3.39)
0:
(3.40)
y) =
n
X
(^
yi
y) +
i=1
n
X
e2i
i=1
(3.41)
(3.42)
(RSSR RSSU R ) =J
(T SS RSSU R ) = (k
=
RSSU R = (n k)
RSSU R = (n k)
50
1)
ESSU R = (k 1)
RSSU R = (n k)
(3.43)
ili u odnos objanjene i neobjanjene varijance neogranicenog modela. Broj ogranicenja J je (k 1), tj. broj parametara koji se procjenjuju
u modelu manje jedan (konstantni clan koji nije ogranicen). Interesantno
je primijetiti da ograniceni model 3.40 ima koecijent
(koriP determinacije
girani kao i nekorigirani) jednak nuli jer je ESS =
(^
yi yi )2 = 0: Stoga
je testirati nul hipotezu 3.39 ekvivalentno testiranju nul hipoteze da je populacijski koecijent determinacije R2 = 0: Drugim rijecima F -test iz 3.43
mozemo interpretirati i kao test kojim se testira znacajnost koecijenta
determinacije R2 .
Kada imamo skup linearnih ogranicenja u obliku
r11
+ r12
+ r1k
= q1
r21
+ r22
+ r2k
= q2
+ rjk
= qJ
..
.
rJ1
+ rJ2
(3.44)
Matrica R ima k stupaca koji odgovaraju broju parametara, koji se procjenjuju i J redaka, koji odgovaraju broju linearnih ogranicenja nad parametrima. Broj stupaca mora biti manji od broja redaka (J < k); drugim rijecima
moramo imati manje ogranicenja od procijenjenih parametara. Testiranje
nul hipoteze jednog skupa od J linearnih ogranicenja mozemo denirati sa
H0 : R
q=0
(3.45)
q 6= 0:
(3.46)
= 2;
7;
0 1 0 0 0
R=4 1 0 0 0 0
0 0 0 1 1
0
0
1
=1
3
2 3
0
2
1 5, q = 4 0 5
0
1
ili hipotezu 3.39 da su svi parametri u modelu osim konstantnog clana jednaki nuli
R = [0 : Ik 1 ] ; q = 0:
51
Za zadane parametre uzorka, dobivene metodom najmanjih kvadrata, mozemo denirati vektor nepodudarnosti (eng. discrepancy vector) s
m = Rb
(3.47)
gdje vektor Rb prikazuje procijenjeno stanje, a q velicine koje zelimo testirati. Na temelju Waldovog kriterija
W = m0 Var (m) m
(3.48)
nakon supstituiranja varijance populacije 2 procijenjenom varijancom populacije s2 , mozemo dobiti F statistiku9 za testiranje linearne hipoteze 3.45
F =
n h
m0 R s2 (X0 X)
J
R0
m
:
(3.49)
F statistika izracunata ovim nacinom, s (J; n k) stupnjeva slobode, istovjetna je F statistici, koju dobijemo koristeci jednadzbu 3.37, tj. daju
potpuno isti rezultat. Prednost 3.49 nad 3.37 je relativno jednostavno deniranje skupa linearnih ogranicenja koja ulaze u nul hipotezu.
Primjer 3.12 Pretpostavimo da zelimo nad parametrima modela10
y = 410:81
(162:830)
(10:793)
2
RU
R = 0:9989
RSSU R = 6808:58
ESSU R = 6394831
(3.50)
=0
(3.51)
(26:134)
(0:989)
(0:727)
(1:162)
52
(RSSR RSSU R ) =J
(6401640 6808:58) =5
=
= 3569: 1:
RSSU R = (n k)
(6808:58) =19
ESSU R = (k
RSSU R = (n
1)
6394831=5
=
= 3569:1
k)
6808:58=19
Vektor nepodudarnosti prikazuje razliku izmeu vrijednosti parametara uzorka i vrijednosti koje testiramo. Buduci da u naem primjeru
testiramo hipotezu da su populacijski parametri vezani za nezavisne
53
7
7
7:
7
5
7
7
7
7;
7
7
5
b)
H0 :
15
(3.53)
nasuprot H1 : 1 6= 15. U prethodnom smo poglavlju vidjeli da hipoteze nad jednim parametrom testiramo t-testom. F -test je opcenit,
stoga, osim testiranja nad vie parametara, doputa nam testiranje i
nad jednim parametrom. Obje metode morale bi dovesti do istog zakljucka. Ako gornju hipotezu testiramo pomocu t-testa imamo
t1 =
b1
1
=
sd (b1 )
33:75 ( 15)
=
26:134
0:71746 :
(p=0:4818)
(y + 15x1 ) =
15x1 +
2 x2
3 x3
4 x4
2 x2
3 x3
4 x4
5 x5
5 x5
(0:945)
(0:715)
(1:008)
(10:478)
R2 = 0:9989
:
RSSR = 6993:03
(RSSR RSSU R ) =J
(6993:03 6808:58) =1
=
= 0:514 73 :
RSSU R = (n k)
6808:58=19
(p=0:4818)
R=
q=
15
=0
(3.54)
1 x1
2 x2
3 x3
1 x1
2 x2
3 x3
5 x4
5 (x5
5 x5
x4 )
(25:508)
Ako koristimo
(0:970)
(0:714)
(1:058)
x4 )
R2 = 0:9989
:
RSSR = 6942:08
imamo
y =
1 x1
2 x2
3 x3
4 x4
4 x5
1 x1
2 x2
3 x3
4 (x4
x5 )
(25:508)
(0:970)
(0:714)
(1:058)
x5 )
R2 = 0:9989
RSSR = 6942:08
(RSSR RSSU R ) =J
(6942:08 6808:58) =1
=
= 0:372 6 :
RSSU R = (n k)
(6808:58) =19
(p=0:5489)
Iz razine znacanost testa p = 0:5489 zakljucujemo da ne mozemo odbaciti ovu hipotezu. Interesantno je primijetiti da pri testiranju ove hipoteze, iako se u hipotezi pojavljuju dva parametra, imamo samo jedno
ogranicenje. Jedno ogranicenje bilo bi i kada bismo testirali hipotezu:
H0 : 1 + 2 2
4 + 5 = 0, unatoc tome to se pojavljuju 4 parametra, dok s druge strane, ako npr. testiramo H0 : 1 = 0; 4 = 30;
55
0 0 0 0 1 1
q=0
4;
= 3;
=0
(3.55)
nasuprot alternativnoj hipotezi H1 : 1 6= 4 ; 2 6= 3; 4 + 5 6= 0. Kada imamo skup linearnih ogranicenja, (kao u ovom primjeru) supstitucija tih ogranicenja u neograniceni model bit ce slozen posao da bismo
dobili ograniceni model na temelju kojeg mozemo izracunati RSSR ,
dok ce to isto matricnom metodom, na temelju Waldovog kriterija, biti lake izvedivo. Matrice ogranicenja za testiranje gornje hipoteze bit
ce
2
3
2 3
0 1 0 0
1 0
0
0 0 5 , q=4 3 5
R =4 0 0 1 0
0 0 0 0
1 1
0
koje daju vektor nepodudarnosti
2
m =4
3
2:1789
0:2314 5 :
6:8241
56
Dodatak A
Izvodi i dokazi
A.1
Za model
yi = b0 + b1 xi + ei
(A.1)
P
b0
b0
b1 xi )2 =
b1 xi )2 =
(yi
xi (yi
b0
b0
b1 xi ) = 0
(A.2)
b1 xi ) = 0: (A.3)
Ako jednadzbe A.2 i A.3 podijelimo s 2 i napiemo u obliku tzv. normalnih jednadzbi, imamo
P
P
yi = b0 n + b1 xi
(A.4)
P
P
P 2
xi yi = b0 xi + b1 xi :
(A.5)
Sada
P mozemo simultano rijeiti po b0 i b1 tako da jednadzbu A.4 pomnozimo
s
xi ; a jednadzbu A.5 s n
P
P
P
P
xi yi = b0 n xi + b1 ( xi )2
P
P
P
n xi yi = b0 n xi + b1 n x2i :
57
(A.6)
(A.7)
b1 =
P
xi yi
P 2
n xi
P P
xi yi
P 2 :
( xi )
(A.8)
(A.9)
Jednadzba A.9 moze se jednostavnije napisati, ako pretpostavimo specijalni slucaj da je sredina uzoraka jednaka nuli. U tom specijalnom slucaju
mozemo dobiti koecijent smjera regresijskog pravca (b1 ) tako da brojnik i
nazivnik izraza A.9 podijelimo s n2
P
P
P
P
b1 =
xi
xi yi
n
yi
x2i
n
xi
n
n
2
xi yi
= Pn
x2i
n
xy
(A.10)
x2
P
P
x
e
(xi
Dokaz: x
e= n i =
n
zbrajanja u Dodatku B.1.
1
x)
xi
n
x=x
58
(A.13)
Dodatak B
Matematika
B.1
Operator zbrajanja
vrijednosti varijable x
n
X
xi = x1 + x2 +
+ xn
i=1
n
X
kxi = k
i=1
n
X
xi
(B.1)
i=1
+ kxn
i=1
= k (x1 + x2 +
+ xn ) = k
n
X
xi :
i=1
Svojstvo 2
n
X
(xi + yi ) =
i=1
zato jer
n
X
n
X
xi +
i=1
(xi + yi ) = x1 + y1 + x2 + y2 +
n
X
yi
(B.2)
i=1
+ xn + yn
i=1
= (x1 + x2 +
+ xn ) + (y1 + y2 +
n
n
X
X
=
xi +
yi :
i=1
i=1
59
+ yn )
Svojstvo 3
n
X
k =k+k+
+ k = kn
(B.3)
i=1
Svojstvo 4
gdje je x =
1
n
Dokaz.
n
X
(xi
x) = 0
(B.4)
i=1
Pn
i=1 xi .
Pn
i=1 (xi
x)
Pn
i=1 xi
n
n
X
1
xi
n
nx
n
x=x
x=0
i=1
iz cega slijedi
Pn
i=1 (xi
x)
= 0 ()
60
n
X
i=1
(xi
x) = 0:
Dodatak C
Statistika
C.1
Teorem C.3 Ako su z1 ; z2 ; : : : ; zn normalno i nezavisno distribuirane sluvarijable takve da zi N (0; 1), tj. standardizirane normalne varijable,
cajneP
tada ni=1 zi2 ima 2 distribuciju s n stupnjeva slobode.
Teorem C.4 Ako su x1 ; x2 ; : : : ; xn nezavisno distribuirane slucajne
P varijable koje imaju 2 distribuciju
s
n
stupnjeva
slobode,
tada
zbroj
xi ima
i
P
2
takoer
distribuciju sa
ni stupnjeva slobode.
61
Dodatak D
Podaci
D.1
y
2835.9
2615.0
2556.2
2510.9
2582.6
2586.4
2608.4
2542.7
2598.7
2662.4
2704.3
2767.3
2894.1
2980.6
3022.8
3088.2
3207.4
3360.1
3513.9
3641.5
3840.1
3888.3
3920.2
3816.3
3951.2
x1
4.49
4.26
3.83
3.89
3.79
3.79
3.98
3.97
4.02
3.87
3.99
3.90
3.89
3.96
4.03
4.12
4.18
4.20
4.19
4.17
4.20
4.21
4.25
4.47
4.77
x2
287.80
292.12
296.12
297.14
298.66
301.11
306.48
310.93
316.30
322.14
327.57
333.33
340.24
347.41
352.85
359.90
367.92
375.92
383.57
391.03
397.53
404.34
413.47
421.96
430.39
x3
496.1
509.2
510.2
514.2
527.9
527.1
529.9
524.6
528.9
539.9
550.3
563.4
576.8
583.9
591.0
594.4
603.4
612.1
624.9
634.3
650.4
659.6
671.2
676.3
696.5
62
x4
100.00
112.93
115.61
117.82
119.16
119.16
119.06
119.59
120.79
122.94
124.90
127.73
129.21
129.93
130.56
130.60
130.60
130.22
130.46
129.69
128.74
130.12
133.57
138.70
142.58
x5
0.3202
-0.1125
-0.3275
-0.3974
-0.3392
-0.8013
-1.3413
-1.1790
-0.8171
-0.4666
-0.2619
-0.4310
-0.0325
-0.0507
0.3994
0.4184
0.6175
0.7757
0.7226
0.6831
0.7747
0.5136
0.5501
0.7459
0.8152
Dodatak E
Statisticke tablice
Tablica E.1: Kumulativna povrina ispod standardne normalne distribucije
0.00
0.01
0.02
0.03
0.04
0.05
z
0.0
0.5000
0.5040
0.5080
0.5120
0.5160
0.5199
0.1
0.5398
0.5438
0.5478
0.5517
0.5557
0.5596
0.2
0.5793
0.5832
0.5871
0.5910
0.5948
0.5987
0.3
0.6179
0.6217
0.6255
0.6293
0.6331
0.6368
0.4
0.6554
0.6591
0.6628
0.6664
0.6700
0.6736
0.5
0.6915
0.6950
0.6985
0.7019
0.7054
0.7088
0.6
0.7257
0.7291
0.7324
0.7357
0.7389
0.7422
0.7
0.7580
0.7611
0.7642
0.7673
0.7704
0.7734
0.8
0.7881
0.7910
0.7939
0.7967
0.7995
0.8023
0.9
0.8159
0.8186
0.8212
0.8238
0.8264
0.8289
1.0
0.8413
0.8438
0.8461
0.8485
0.8508
0.8531
1.1
0.8643
0.8665
0.8686
0.8708
0.8729
0.8749
1.2
0.8849
0.8869
0.8888
0.8907
0.8925
0.8944
1.3
0.9032
0.9049
0.9066
0.9082
0.9099
0.9115
1.4
0.9192
0.9207
0.9222
0.9236
0.9251
0.9265
1.5
0.9332
0.9345
0.9357
0.9370
0.9382
0.9394
1.6
0.9452
0.9463
0.9474
0.9484
0.9495
0.9505
1.7
0.9554
0.9564
0.9573
0.9582
0.9591
0.9599
1.8
0.9641
0.9649
0.9656
0.9664
0.9671
0.9678
1.9
0.9713
0.9719
0.9726
0.9732
0.9738
0.9744
2.0
0.9772
0.9778
0.9783
0.9788
0.9793
0.9798
2.1
0.9821
0.9826
0.9830
0.9834
0.9838
0.9842
2.2
0.9861
0.9864
0.9868
0.9871
0.9875
0.9878
2.3
0.9893
0.9896
0.9898
0.9901
0.9904
0.9906
2.4
0.9918
0.9920
0.9922
0.9925
0.9927
0.9929
2.5
0.9938
0.9940
0.9941
0.9943
0.9945
0.9946
2.6
0.9953
0.9955
0.9956
0.9957
0.9959
0.9960
2.7
0.9965
0.9966
0.9967
0.9968
0.9969
0.9970
2.8
0.9974
0.9975
0.9976
0.9977
0.9977
0.9978
2.9
0.9981
0.9982
0.9982
0.9983
0.9984
0.9984
3.0
0.9987
0.9987
0.9987
0.9988
0.9988
0.9989
3.1
0.9990
0.9991
0.9991
0.9991
0.9992
0.9992
3.2
0.9993
0.9993
0.9994
0.9994
0.9994
0.9994
3.3
0.9995
0.9995
0.9995
0.9996
0.9996
0.9996
3.4
0.9997
0.9997
0.9997
0.9997
0.9997
0.9997
3.5
0.9998
0.9998
0.9998
0.9998
0.9998
0.9998
Izvor: Vrijednosti su izraunate koristei Excel funkciju NORMSDIST
63
0.06
0.5239
0.5636
0.6026
0.6406
0.6772
0.7123
0.7454
0.7764
0.8051
0.8315
0.8554
0.8770
0.8962
0.9131
0.9279
0.9406
0.9515
0.9608
0.9686
0.9750
0.9803
0.9846
0.9881
0.9909
0.9931
0.9948
0.9961
0.9971
0.9979
0.9985
0.9989
0.9992
0.9994
0.9996
0.9997
0.9998
0.07
0.5279
0.5675
0.6064
0.6443
0.6808
0.7157
0.7486
0.7794
0.8078
0.8340
0.8577
0.8790
0.8980
0.9147
0.9292
0.9418
0.9525
0.9616
0.9693
0.9756
0.9808
0.9850
0.9884
0.9911
0.9932
0.9949
0.9962
0.9972
0.9979
0.9985
0.9989
0.9992
0.9995
0.9996
0.9997
0.9998
0.08
0.5319
0.5714
0.6103
0.6480
0.6844
0.7190
0.7517
0.7823
0.8106
0.8365
0.8599
0.8810
0.8997
0.9162
0.9306
0.9429
0.9535
0.9625
0.9699
0.9761
0.9812
0.9854
0.9887
0.9913
0.9934
0.9951
0.9963
0.9973
0.9980
0.9986
0.9990
0.9993
0.9995
0.9996
0.9997
0.9998
0.09
0.5359
0.5753
0.6141
0.6517
0.6879
0.7224
0.7549
0.7852
0.8133
0.8389
0.8621
0.8830
0.9015
0.9177
0.9319
0.9441
0.9545
0.9633
0.9706
0.9767
0.9817
0.9857
0.9890
0.9916
0.9936
0.9952
0.9964
0.9974
0.9981
0.9986
0.9990
0.9993
0.9995
0.9997
0.9998
0.9998
n k
0.10
0.05
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
1
3.0777
1.8856
1.6377
1.5332
1.4759
1.4398
1.4149
1.3968
1.3830
1.3722
1.3634
1.3562
1.3502
1.3450
1.3406
1.3368
1.3334
1.3304
1.3277
1.3253
1.3232
1.3212
1.3195
1.3178
1.3163
1.3150
1.3137
1.3125
1.3114
1.3104
1.3031
1.2958
1.2886
1.2816
6.3137
2.9200
2.3534
2.1318
2.0150
1.9432
1.8946
1.8595
1.8331
1.8125
1.7959
1.7823
1.7709
1.7613
1.7531
1.7459
1.7396
1.7341
1.7291
1.7247
1.7207
1.7171
1.7139
1.7109
1.7081
1.7056
1.7033
1.7011
1.6991
1.6973
1.6839
1.6706
1.6576
1.6449
0.25
12.7062
4.3027
3.1824
2.7765
2.5706
2.4469
2.3646
2.3060
2.2622
2.2281
2.2010
2.1788
2.1604
2.1448
2.1315
2.1199
2.1098
2.1009
2.0930
2.0860
2.0796
2.0739
2.0687
2.0639
2.0595
2.0555
2.0518
2.0484
2.0452
2.0423
2.0211
2.0003
1.9799
1.9600
0.001
0.005
31.8210
6.9645
4.5407
3.7469
3.3649
3.1427
2.9979
2.8965
2.8214
2.7638
2.7181
2.6810
2.6503
2.6245
2.6025
2.5835
2.5669
2.5524
2.5395
2.5280
2.5176
2.5083
2.4999
2.4922
2.4851
2.4786
2.4727
2.4671
2.4620
2.4573
2.4233
2.3901
2.3578
2.3264
63.6559
9.9250
5.8408
4.6041
4.0321
3.7074
3.4995
3.3554
3.2498
3.1693
3.1058
3.0545
3.0123
2.9768
2.9467
2.9208
2.8982
2.8784
2.8609
2.8453
2.8314
2.8188
2.8073
2.7970
2.7874
2.7787
2.7707
2.7633
2.7564
2.7500
2.7045
2.6603
2.6174
2.5758
64
65
n1
n2
1
2
3
4
5
6
7
8
9
1
161.446
199.499
215.707
224.583
230.160
233.988
236.767
238.884
240.543
2
18.513
19.000
19.164
19.247
19.296
19.329
19.353
19.371
19.385
3
10.128
9.552
9.277
9.117
9.013
8.941
8.887
8.845
8.812
4
7.709
6.944
6.591
6.388
6.256
6.163
6.094
6.041
5.999
5
6.608
5.786
5.409
5.192
5.050
4.950
4.876
4.818
4.772
6
5.987
5.143
4.757
4.534
4.387
4.284
4.207
4.147
4.099
7
5.591
4.737
4.347
4.120
3.972
3.866
3.787
3.726
3.677
8
5.318
4.459
4.066
3.838
3.688
3.581
3.500
3.438
3.388
9
5.117
4.256
3.863
3.633
3.482
3.374
3.293
3.230
3.179
10
4.965
4.103
3.708
3.478
3.326
3.217
3.135
3.072
3.020
11
4.844
3.982
3.587
3.357
3.204
3.095
3.012
2.948
2.896
12
4.747
3.885
3.490
3.259
3.106
2.996
2.913
2.849
2.796
13
4.667
3.806
3.411
3.179
3.025
2.915
2.832
2.767
2.714
14
4.600
3.739
3.344
3.112
2.958
2.848
2.764
2.699
2.646
15
4.543
3.682
3.287
3.056
2.901
2.790
2.707
2.641
2.588
16
4.494
3.634
3.239
3.007
2.852
2.741
2.657
2.591
2.538
17
4.451
3.592
3.197
2.965
2.810
2.699
2.614
2.548
2.494
18
4.414
3.555
3.160
2.928
2.773
2.661
2.577
2.510
2.456
19
4.381
3.522
3.127
2.895
2.740
2.628
2.544
2.477
2.423
20
4.351
3.493
3.098
2.866
2.711
2.599
2.514
2.447
2.393
21
4.325
3.467
3.072
2.840
2.685
2.573
2.488
2.420
2.366
22
4.301
3.443
3.049
2.817
2.661
2.549
2.464
2.397
2.342
23
4.279
3.422
3.028
2.796
2.640
2.528
2.442
2.375
2.320
24
4.260
3.403
3.009
2.776
2.621
2.508
2.423
2.355
2.300
25
4.242
3.385
2.991
2.759
2.603
2.490
2.405
2.337
2.282
26
4.225
3.369
2.975
2.743
2.587
2.474
2.388
2.321
2.265
27
4.210
3.354
2.960
2.728
2.572
2.459
2.373
2.305
2.250
28
4.196
3.340
2.947
2.714
2.558
2.445
2.359
2.291
2.236
29
4.183
3.328
2.934
2.701
2.545
2.432
2.346
2.278
2.223
30
4.171
3.316
2.922
2.690
2.534
2.421
2.334
2.266
2.211
31
4.160
3.305
2.911
2.679
2.523
2.409
2.323
2.255
2.199
32
4.149
3.295
2.901
2.668
2.512
2.399
2.313
2.244
2.189
33
4.139
3.285
2.892
2.659
2.503
2.389
2.303
2.235
2.179
34
4.130
3.276
2.883
2.650
2.494
2.380
2.294
2.225
2.170
35
4.121
3.267
2.874
2.641
2.485
2.372
2.285
2.217
2.161
36
4.113
3.259
2.866
2.634
2.477
2.364
2.277
2.209
2.153
37
4.105
3.252
2.859
2.626
2.470
2.356
2.270
2.201
2.145
38
4.098
3.245
2.852
2.619
2.463
2.349
2.262
2.194
2.138
39
4.091
3.238
2.845
2.612
2.456
2.342
2.255
2.187
2.131
40
4.085
3.232
2.839
2.606
2.449
2.336
2.249
2.180
2.124
Izvor: Vrijednosti su izraunate koristei Excel funkciju FINV. n 1=stupnjevi slobode brojnika, n 2=stupnjevi slobode nazivnika
10
241.882
19.396
8.785
5.964
4.735
4.060
3.637
3.347
3.137
2.978
2.854
2.753
2.671
2.602
2.544
2.494
2.450
2.412
2.378
2.348
2.321
2.297
2.275
2.255
2.236
2.220
2.204
2.190
2.177
2.165
2.153
2.142
2.133
2.123
2.114
2.106
2.098
2.091
2.084
2.077
12
243.905
19.412
8.745
5.912
4.678
4.000
3.575
3.284
3.073
2.913
2.788
2.687
2.604
2.534
2.475
2.425
2.381
2.342
2.308
2.278
2.250
2.226
2.204
2.183
2.165
2.148
2.132
2.118
2.104
2.092
2.080
2.070
2.060
2.050
2.041
2.033
2.025
2.017
2.010
2.003
15
245.949
19.429
8.703
5.858
4.619
3.938
3.511
3.218
3.006
2.845
2.719
2.617
2.533
2.463
2.403
2.352
2.308
2.269
2.234
2.203
2.176
2.151
2.128
2.108
2.089
2.072
2.056
2.041
2.027
2.015
2.003
1.992
1.982
1.972
1.963
1.954
1.946
1.939
1.931
1.924
25
249.260
19.456
8.634
5.769
4.521
3.835
3.404
3.108
2.893
2.730
2.601
2.498
2.412
2.341
2.280
2.227
2.181
2.141
2.106
2.074
2.045
2.020
1.996
1.975
1.955
1.938
1.921
1.906
1.891
1.878
1.866
1.854
1.844
1.833
1.824
1.815
1.806
1.798
1.791
1.783
66
n2
1
2
3
4
5
6
7
8
1
4052.185
4999.340
5403.534
5624.257
5763.955
5858.950
5928.334
5980.954
2
98.502
99.000
99.164
99.251
99.302
99.331
99.357
99.375
3
34.116
30.816
29.457
28.710
28.237
27.911
27.671
27.489
4
21.198
18.000
16.694
15.977
15.522
15.207
14.976
14.799
5
16.258
13.274
12.060
11.392
10.967
10.672
10.456
10.289
6
13.745
10.925
9.780
9.148
8.746
8.466
8.260
8.102
7
12.246
9.547
8.451
7.847
7.460
7.191
6.993
6.840
8
11.259
8.649
7.591
7.006
6.632
6.371
6.178
6.029
9
10.562
8.022
6.992
6.422
6.057
5.802
5.613
5.467
10
10.044
7.559
6.552
5.994
5.636
5.386
5.200
5.057
11
9.646
7.206
6.217
5.668
5.316
5.069
4.886
4.744
12
9.330
6.927
5.953
5.412
5.064
4.821
4.640
4.499
13
9.074
6.701
5.739
5.205
4.862
4.620
4.441
4.302
14
8.862
6.515
5.564
5.035
4.695
4.456
4.278
4.140
15
8.683
6.359
5.417
4.893
4.556
4.318
4.142
4.004
16
8.531
6.226
5.292
4.773
4.437
4.202
4.026
3.890
17
8.400
6.112
5.185
4.669
4.336
4.101
3.927
3.791
18
8.285
6.013
5.092
4.579
4.248
4.015
3.841
3.705
19
8.185
5.926
5.010
4.500
4.171
3.939
3.765
3.631
20
8.096
5.849
4.938
4.431
4.103
3.871
3.699
3.564
21
8.017
5.780
4.874
4.369
4.042
3.812
3.640
3.506
22
7.945
5.719
4.817
4.313
3.988
3.758
3.587
3.453
23
7.881
5.664
4.765
4.264
3.939
3.710
3.539
3.406
24
7.823
5.614
4.718
4.218
3.895
3.667
3.496
3.363
25
7.770
5.568
4.675
4.177
3.855
3.627
3.457
3.324
26
7.721
5.526
4.637
4.140
3.818
3.591
3.421
3.288
27
7.677
5.488
4.601
4.106
3.785
3.558
3.388
3.256
28
7.636
5.453
4.568
4.074
3.754
3.528
3.358
3.226
29
7.598
5.420
4.538
4.045
3.725
3.499
3.330
3.198
30
7.562
5.390
4.510
4.018
3.699
3.473
3.305
3.173
31
7.530
5.362
4.484
3.993
3.675
3.449
3.281
3.149
32
7.499
5.336
4.459
3.969
3.652
3.427
3.258
3.127
33
7.471
5.312
4.437
3.948
3.630
3.406
3.238
3.106
34
7.444
5.289
4.416
3.927
3.611
3.386
3.218
3.087
35
7.419
5.268
4.396
3.908
3.592
3.368
3.200
3.069
36
7.396
5.248
4.377
3.890
3.574
3.351
3.183
3.052
37
7.374
5.229
4.360
3.873
3.558
3.334
3.167
3.036
38
7.353
5.211
4.343
3.858
3.542
3.319
3.152
3.021
39
7.333
5.194
4.327
3.843
3.528
3.305
3.137
3.006
40
7.314
5.178
4.313
3.828
3.514
3.291
3.124
2.993
Izvor: Vrijednosti su izraunate koristei Excel funkciju FINV. n 1=stupnjevi slobode brojnika, n 2=stupnjevi slobode nazivnika
n1
9
6022.397
99.390
27.345
14.659
10.158
7.976
6.719
5.911
5.351
4.942
4.632
4.388
4.191
4.030
3.895
3.780
3.682
3.597
3.523
3.457
3.398
3.346
3.299
3.256
3.217
3.182
3.149
3.120
3.092
3.067
3.043
3.021
3.000
2.981
2.963
2.946
2.930
2.915
2.901
2.888
10
6055.925
99.397
27.228
14.546
10.051
7.874
6.620
5.814
5.257
4.849
4.539
4.296
4.100
3.939
3.805
3.691
3.593
3.508
3.434
3.368
3.310
3.258
3.211
3.168
3.129
3.094
3.062
3.032
3.005
2.979
2.955
2.934
2.913
2.894
2.876
2.859
2.843
2.828
2.814
2.801
12
6106.682
99.419
27.052
14.374
9.888
7.718
6.469
5.667
5.111
4.706
4.397
4.155
3.960
3.800
3.666
3.553
3.455
3.371
3.297
3.231
3.173
3.121
3.074
3.032
2.993
2.958
2.926
2.896
2.868
2.843
2.820
2.798
2.777
2.758
2.740
2.723
2.707
2.692
2.678
2.665
20
6208.662
99.448
26.690
14.019
9.553
7.396
6.155
5.359
4.808
4.405
4.099
3.858
3.665
3.505
3.372
3.259
3.162
3.077
3.003
2.938
2.880
2.827
2.780
2.738
2.699
2.664
2.632
2.602
2.574
2.549
2.525
2.503
2.482
2.463
2.445
2.428
2.412
2.397
2.382
2.369
0.995
0.990
0.975
0.95
0.9
1
0.000
0.000
0.001
0.004
0.016
2
0.010
0.020
0.051
0.103
0.211
3
0.072
0.115
0.216
0.352
0.584
4
0.207
0.297
0.484
0.711
1.064
5
0.412
0.554
0.831
1.145
1.610
6
0.676
0.872
1.237
1.635
2.204
7
0.989
1.239
1.690
2.167
2.833
8
1.344
1.647
2.180
2.733
3.490
9
1.735
2.088
2.700
3.325
4.168
10
2.156
2.558
3.247
3.940
4.865
11
2.603
3.053
3.816
4.575
5.578
12
3.074
3.571
4.404
5.226
6.304
13
3.565
4.107
5.009
5.892
7.041
14
4.075
4.660
5.629
6.571
7.790
15
4.601
5.229
6.262
7.261
8.547
16
5.142
5.812
6.908
7.962
9.312
17
5.697
6.408
7.564
8.672
10.085
18
6.265
7.015
8.231
9.390
10.865
19
6.844
7.633
8.907
10.117
11.651
20
7.434
8.260
9.591
10.851
12.443
21
8.034
8.897
10.283
11.591
13.240
22
8.643
9.542
10.982
12.338
14.041
23
9.260
10.196
11.689
13.091
14.848
24
9.886
10.856
12.401
13.848
15.659
25
10.520
11.524
13.120
14.611
16.473
26
11.160
12.198
13.844
15.379
17.292
27
11.808
12.878
14.573
16.151
18.114
28
12.461
13.565
15.308
16.928
18.939
29
13.121
14.256
16.047
17.708
19.768
30
13.787
14.953
16.791
18.493
20.599
31
14.458
15.655
17.539
19.281
21.434
32
15.134
16.362
18.291
20.072
22.271
33
15.815
17.073
19.047
20.867
23.110
34
16.501
17.789
19.806
21.664
23.952
35
17.192
18.509
20.569
22.465
24.797
36
17.887
19.233
21.336
23.269
25.643
37
18.586
19.960
22.106
24.075
26.492
38
19.289
20.691
22.878
24.884
27.343
39
19.996
21.426
23.654
25.695
28.196
40
20.707
22.164
24.433
26.509
29.051
Izvor: Vrijednosti su izraunate koristei Excel funkciju CHIINV.
67
distribucije
0.5
0.1
0.05
0.025
0.01
0.005
0.455
1.386
2.366
3.357
4.351
5.348
6.346
7.344
8.343
9.342
10.341
11.340
12.340
13.339
14.339
15.338
16.338
17.338
18.338
19.337
20.337
21.337
22.337
23.337
24.337
25.336
26.336
27.336
28.336
29.336
30.336
31.336
32.336
33.336
34.336
35.336
36.336
37.335
38.335
39.335
2.706
4.605
6.251
7.779
9.236
10.645
12.017
13.362
14.684
15.987
17.275
18.549
19.812
21.064
22.307
23.542
24.769
25.989
27.204
28.412
29.615
30.813
32.007
33.196
34.382
35.563
36.741
37.916
39.087
40.256
41.422
42.585
43.745
44.903
46.059
47.212
48.363
49.513
50.660
51.805
3.841
5.991
7.815
9.488
11.070
12.592
14.067
15.507
16.919
18.307
19.675
21.026
22.362
23.685
24.996
26.296
27.587
28.869
30.144
31.410
32.671
33.924
35.172
36.415
37.652
38.885
40.113
41.337
42.557
43.773
44.985
46.194
47.400
48.602
49.802
50.998
52.192
53.384
54.572
55.758
5.024
7.378
9.348
11.143
12.832
14.449
16.013
17.535
19.023
20.483
21.920
23.337
24.736
26.119
27.488
28.845
30.191
31.526
32.852
34.170
35.479
36.781
38.076
39.364
40.646
41.923
43.195
44.461
45.722
46.979
48.232
49.480
50.725
51.966
53.203
54.437
55.668
56.895
58.120
59.342
6.635
9.210
11.345
13.277
15.086
16.812
18.475
20.090
21.666
23.209
24.725
26.217
27.688
29.141
30.578
32.000
33.409
34.805
36.191
37.566
38.932
40.289
41.638
42.980
44.314
45.642
46.963
48.278
49.588
50.892
52.191
53.486
54.775
56.061
57.342
58.619
59.893
61.162
62.428
63.691
7.879
10.597
12.838
14.860
16.750
18.548
20.278
21.955
23.589
25.188
26.757
28.300
29.819
31.319
32.801
34.267
35.718
37.156
38.582
39.997
41.401
42.796
44.181
45.558
46.928
48.290
49.645
50.994
52.335
53.672
55.002
56.328
57.648
58.964
60.275
61.581
62.883
64.181
65.475
66.766
Bibliograja
[1] Baltagi, B.H., (2011), Econometrics, peto izdanje, Springer Text in Business and Economics.
[2] Davidson, R., J.G. MacKinnon, (2004), Econometric Theory and Methods, Oxford University Press, New York.
[3] Greene, W.H., (2003), Econometric Analysis, peto izdanje, Prentice Hall,
New Jersey.
[4] Gujarati, D.N., (2004), Basic Econometrics, cetvrto izdanje, McGrawHill, New York.
[5] Hayashi, F., (2000), Econometrics, Princenton University Press, New
Jersey.
[6] Kennedy, P., (2003), A Guide to Econometrics, peto izdanje, MIT Press,
Cambridge, Massachusetts.
[7] Pindyck R.S., D.C. Rubenfeld, (1998), Econometric Models and Economic Forecasts, cetvrto izdanje, McGraw-Hill, New York.
[8] Verbeek, M., (2005), A Guide to Modern Econometrics, drugo izdanje,
John Wiley & sons, West Sussex, England.
[9] Wooldridge, J., (2006), Introductory Econometrics: A Modern Approach,
trece izdanje, South-Western Pub.
68