1.

MJERENJE POUZDANOSTI ODNOSNO PRILAGOENOSTI REGRESIJSKOG MODELA Dva najea statistika testa u ekonometriji: koeficijent determinacije koji mjeri mo linearne regresije u objanjavanju varijacija zavisno promjenjive varijable test statistike znaajnosti ocjenjenih vrijednosti parametara, zasnovan na statistikim pogrekama dobivenih ocjena parametara koji mjeri pouzdanost ocjena Odstupanja empirijskih podataka Yi od njihove sredine Y zovu se ukupna odstupanja. Suma kvadrata odstupanja zove se varijacija. TSS: ukupna suma kvadrata ili ukupna varijacija (Total Sum of Squares): mjera ukupne varijacije varijable Y oko njezine srednje vrijednosti ESS: objanjena suma kvadrata ili objanjena varijacija (Estimated Sum of Squares): dio ukupne varijacije varijable Y oko njezine sredine koji je objanjen varijacijama varijable X RSS: rezidualna suma kvadrata ili rezidualna ili neobjanjena varijacija dio ukupne varijacija varijable Y koji se moe pripisati sluajnim utjecajima Metoda koja minimizira u danim ukupnim varijacijama rezidualne varijacije, donosno maksimizira objanjene varijacije, je metoda najmanjih kvadrata Potrebno je spomenuti dva osnovna svojstva koeficijenta determinacije: Radi se o ne negativnoj vrijednosti. Kree se u intervalu 0 R2 1, jer ESS dio ne moe biti vei od TSS dijela. R2 = 1 oznaava savrenu prilagodbu (cjelokupna varijacija Y objanjena je ocijenjenim regresijskim modelom). R2=0 oznaava nepostojanje veze izmeu varijabli Y i X. Korelacijska analiza sastoji se u primjeni postupaka kojima se utvruju pokazatelji jakosti statistike veze meu pojavama.(+ - 1) SER- standardna greka regresije - omjer rezidualne varijacije i stupnjeva slobode koji su joj pridrueni Statistika znaajnost prilagoenosti modela testira se F-testom Postupak dekomponiranja varijacija zove se analiza varijance u regresiji ili ANOVA (Analysis of Variance) Kvaliteta ocijenjenog regresijskog modela prosuuje se testiranjem znaajnosti prisutnosti svih regresorskih varijabli u modelu.

Najee upotrebljavani statistiki paketi su: SAS, SPSS, STATISTICA, a od ekonometrijskih RATS; TSP; EVIEWS, SHAZAM, SORITEC.

2. VIESTRUKI LINEARNI REGRESIJSKI MODEL: OCJENJIVANJE PARAMETARA I TESTIRANJE HIPOTEZA

Regresijski model s vie od jedne nezavisne varijable poznat je kao viestruki regresijski model. Znaenje parcijalnih regresijskih koeficijenata : Regresijski koeficijenti B2 i B3 poznati su kao parcijalni regresijski koeficijenti ili parcijalni koeficijenti smjera. B2 mjeri promjenu u srednjoj vrijednosti Y, E(Y), za jedinicu promjene u varijabli X2, kada je vrijednost varijable X3 konstantna. B3 mjeri promjenu u srednjoj vrijednosti Y za jedinicu promjene u X3, kada je vrijednost X2 konstantna

P1 Regresijski model je linearan u parametrima te je korektno specificiran. P2 Objasnidbene varijable X2 i X3 nisu korelirane sa sluajnim odstupanjima u, tj. kovarijanca izmeu svake objasnidbene varijable i sluajne varijable u jednaka je nuli. Ukoliko su X2 i X3 nestohastine ova je pretpostavka automatski ispunjena. P3

Oekivana vrijednost odstupanja jednaka je nuli: E(ui)=0. P4 Homoskedastinost: varijanca sluajne varijable u konstanta je i jednaka Q2. P5 Odsutnost autokorelacije: vrijednosti sluajne varijable u meusobno su nekorelirane sluajne veliine, tj. njihova je kovarijanca jednaka nuli: cov(ui,uj)=0, ij. P6 Odsutnost multikolinearnosti: ne postoji egzaktna linearna kombinacija nezavisnih varijabli, tj. ne postoji ovisnost oblika P7 Sluajna odstupanja su normalno distribuirana s matematikim oekivanjem jednakim nula i homoskedastinom varijancom Q2: uiN(0, Q2) Navedene pretpostavke, osim pretpostavke P6, iste su kao za model s dvije varijable. Za definiranje OLS ocjenjivaa potrebno je napisati regresijsku funkciju uzorka koja odgovara regresijskoj funkciji populacije Varijance i standardne pogreke daju uvid o varijabilnosti OLS ocjenjivaa od uzorka do uzorka. Kao i u sluaju linearnog regresijskog modela s dvije varijable standardne pogreke potrebne su za: odreivanje intervala povjerenja za stvarne vrijednosti parametara testiranje hipoteza. Korigirani koeficijent determinacije jednak je koeficijentu multiple determinacije ili je manji od njega.

Na postupak procjene parametara nadovezuje se postupak testiranja hipoteza, testovi:

skupni test - test znaajnosti regresije, odnosno svih parametara u modelu, ili to je isto test znaajnosti prisutnosti svih regresorskih varijabli u modelu pojedinani test - test o znaajnosti jednog parametra (jedne regresorske varijable u modelu) parcijalni test - test znaajnosti podskupa parametara (test znaajnosti prisutnosti podskupa regresorskih varijabli u modelu)

OCJENJIVANJE U UVJETIMA NEISPUNJENIH PRETPOSTAVKI KLASINOG MODELA

odsustvo savrene mulitkolinearnosti odsutnost egzaktne linearne kombinacije nezavisnih varijabli u viestrukoj regresiji Savrena multikolinearnost, kao pojava kada se varijacije jedne nezavisne varijable mogu u potpunosti objasniti varijacijama druge nezavisne varijable Posljedice multikolinearnosti: Velike varijance i standardne pogreke parametara. Velika standardna greka znai i iri interval pouzdanosti pa je tee procijeniti pravu vrijednost parametara, tj. pada preciznost ocjene parametara. Nesignifikantne t-vrijednosti koje su posljedica velikih standardnih pogreaka, zbog kojih e se kod testiranja hipoteze o znaajnosti pojedine regresorske varijable prihvatiti H0 hipoteza (da je vana varijabla nesignifikantna). Visok R2 i niske t-vrijednosti jasan su pokazatelj multikolinearnosti. Ocjene parametara i njihove standardne greke postaju vrlo nestabilne i vrlo osjetljive na male promjene u podacima. Pogrean predznak parametara jest est sluaj upravo zbog neefikasne i neprecizne ocjene parametra. Nije mogue utvrditi zasebne utjecaje svake nezavisne varijable u objanjenoj varijaciji, odnosno u R2. Ako postoji multikolinearnost prilagoenost se ne mijenja znaajno, ali se ne moe utvrditi uloga pojedine nezavisne varijable.

Indikatori razliitih stupnjeva multikolinearnosti: Visok R2, a niske t-vrijednosti Visoki koeficijent korelacije izmeu eksplanatornih varijabli Pomone regresije Inflacijski faktor varijance

Jedan od naina rjeavanja problema multikolinearnosti jest izbaciti varijablu ili varijable koje su korelirane. Drugi nain je poveavanje broja podataka u uzorku, s obzirom da je multikolinearnosti problem uzorka, a ne populacije. Postoji i mogunost transformacije podataka Autokorelacija postoji kada su vrijednosti sluajne varijable u meusobno korelirane veliine Autokorelacija je ee prisutna kod ocjenjivanja modela na osnovi podataka vremenski nizova nego u sluaju ocijenjenog modela na osnovi podataka vremenskog presjeka. Postoje dvije vrste autokorelacije: pozitivna i negativna. Kod pozitivne odstupanja ui obino imaju isti predznak. Kod negativne autokorelacije pozitivna odstupanja slijede negativna, pa opet pozitivna, itd. Kada je autokorelaija prisutna, vizualno odstupanja kroz vrijeme pokazuju odreeno pravilo ponaanja, sistematinost prava autokorelacija kad je uzrok pojavljivanja autokorelacije sadran u samim podacima na osnovu kojih se model ocjenjuje neprava autokorelacija - specifikacijska pogreka, a to je izostavljena signifikantna varijabla ili odabir pogrene funkcijske veze BLUE - najbolje linearne nepristrane ocjene, imaju minimalnu varijancu (efikasne su) i nepristrane su Postoji vie naina za otkrivanje autokorelacije, meu kojima se spominju grafika metoda i Durbin-Watsonov test

Grafika metoda sastoji se u prikazivanju rasprenosti reziduala kroz vrijeme iz kojeg je mogue vidjeti postoji li neka pravilnost ili su odstupanja stvarno sluajno distribuirana. Durbin-Watsonov d test najpoznatiji je test za otkrivanje autokorelacije. Njegova prednost je to je jednostavan za primjenu i ukljuen u sve ekonometrijske pakete. DW test se moe upotrijebiti ako su zadovoljene sljedee pretpostavke: Koristi se za otkrivanje autokorelacije 1. reda. Regresijski model ukljuuje konstantu (odsjeak na ordinati). Ne moe se primijeniti na regresiju kroz ishodie. Nezavisne varijable su nestohastine, znai imaju fiksne vrijednosti kod ponovljenih uzoraka. Regresijski model ne ukljuuje vrijednosti zavisne varijable s pomakom u vremenu kao eksplanatorne varijable, tj. test nije primjenjiv na modele kao poznate pod nazivom autoregresijski modeli.

Vrijedi: p=0, d=2, nema autokorelacije p=1, d=0 postoji savrena pozitivna autokorelacija 1 p= -1, d=4 postoji savrena negativna autokorelacija 1

Autokorelacija se otklanja generaliziranom metodom najmanjih kvadrata (GLSGeneralized Least Squares). Generalizirana metoda najmanjih kvadrata koristi tehniku kvazidiferenciranja kako bi se autokorelirana odstupanja ut zamijenila odstupanjima vt koja su neautokorelirana.

GLS metodu nije uputno upotrebljavati: Kada se radi o nepravoj autokorelaciji Kada se radi o malim uzorcima

Procjenjivanje autoregresijskog parametra p nije problem, budui da ekonometrijski programski paketi to rade automatski Pristup procjenjivanju vrijednosti: Cochran-Orcutt procedura:Radi se o iterativnoj proceduri kojom raunalo izraunava niz vrijednosti sve dok razlike meu njima nisu zadovoljavajue male. Hildret-Lu procedura: Zasniva se na definiranju moguih vrijednosti za i ocjenjivanju nekoliko regresija pomou GLS kak bi se nalo transformaciju koja minimizira RSS.

Heteroskedastinost je problem koji je uglavnom povezan s podacima vremenskog presjeka. Heteroskedastinost ostavlja ozbiljne i sline posljedice na ocijenjeni model kao i autokorelacija: Nisu vie efikasne, tj. nemaju minimalnu varijancu (nisu vie BLUE). Ocjena varijance parametara je pristrana, to proizlazi iz pristranosti varijance odstupanja; no ne znamo je li podcijenjena ili precijenjena; zbog toga t i F test nisu valjani.

Ne postoji opi efikasan i siguran test za otkrivanje heteroskedastinosti. GRAFIKA METODA - Ova je metoda jednostavan poetni nain za utvrivanje heteroskedastinosti. Testovi koji se uobiajeno koriste za otkrivanje heteroskedastinosti su: Prak test Goldfeld-Quandt test Glejser test Breusch-Pagan test CUSUMSQ test Peak test

Uklanjanje heteroskedastinosti kada je varijanca poznata = Vagana metoda najmanjih kvadrata

Uklanjanje heteroskedastinosti kada varijanca nije poznata = transformacije stabiliziranja varijance

SPECIFIKACIJA MODELA I PREDVIANJE EKONOMETRIJSKIM MODELOM

Pod specifikacijom ekonometrijskog modela podrazumijeva se odabir prave funkcijske veze te odabir vanih objasnidbenih varijabli u modelu. funkcijskog oblika regresijskog modela: Linearni nagib konst. elastinost nije reciproni - model prikazuje Y kao funkciju inverzne vrijednosti jedne ili vie nezavisnih varijabli eksponencijalni najpoznatiju model Cobb-Douglasova, konstantna elastinost polu-log kad su zavisna i nezavisna varijabla u logaritamskom obliku Pogrena funkcijska veza moe imati za posljedicu da se, inae vana objasnidbena varijabla, moe pokazati nesignifikantnom ili imati neoekivani predznak.

Karakteristika specificiranog modela: Saetost identificiranost prilagoenost teorijska dosljednost prediktorna sposobnost predvianje

Drugim rijeima, ako je isputena vana varijabla iz modela i postoji korelacija izmeu varijabli ukljuenih u modeli sputenih iz modela, ocjena parametra biti e pristrana. Ako je u model ukljuena nevana varijable, ocjene parametara su nepristrane i konzistentne, ali i neefikasne jer su varijance parametara vee nego to bi bile da je model korektno specificiran. Za utvrivanje specifikacijskih pogreaka postoje razliiti testovi: otkrivanje nevane varijable: Teorija treba li teorijski varijabla biti u modelu? t-test je li ocijenjeni parametar signifikantno razliit od nule? Korigirani koeficijent determinacije poveava li se kada se varijabla ukljui u model? Pristranost mijenjaju li se koeficijenti ostalih varijabli znaajno kada se varijabla doda u jednadbu? Otkrivanje isputene varijable i netone funkcijske veze: Durbin-Watsonov test RESET test Wald test Hausman test

Ako se radi o vremenskom regresijskom modelu, prognostika e vrijednost biti procijenjena vrijednost zavisne varijable za buduu (opaenu ili pretpostavljenu) vrijednost nezavisne varijable. U sluaju prostornog modela prognostika vrijednost znai procjenu zavisne varijable za pretpostavljenu ili stvarnu vrijednost nezavisne varijable u istom trenutku, ali u novoj toki prostora.