Professional Documents
Culture Documents
Belullo Ekonometrija PDF
Belullo Ekonometrija PDF
Alen Belullo
UVOD U EKONOMETRIJU
Sveučilište Jurja Dobrile u Puli
Odjel za ekonomiju i turizam
„Dr. Mijo Mirković“
UVOD U EKONOMETRIJU
Sveučilišni udžbenik
Nakladnik:
Sveučilište Jurja Dobrile u Puli
Odjel za ekonomiju i turizam
„Dr. Mijo Mirković“
Za nakladnika:
Prof. dr. sc. Robert Matijašić, rektor
Recenzenti:
Dr. sc. Goran Buturac
Prof. dr. sc. Ante Rozga
Lektura:
Marija Belullo, prof.
Bibliografija.
ISBN 978-953-7498-50-4
1. Belullo, A.
Sadrµzaj
Predgovor iii
A Izvodi i dokazi 57
A.1 Izvod parametara modela s jednom nezavisnom varijablom
metodom najmanjih kvadrata . . . . . . . . . . . . . . . . . . 57
B Matematika P 59
B.1 Neka svojstva operatora zbrajanja . . . . . . . . . . . . . . 59
i
C Statistika 61
C.1 Distribucije vjerojatnosti izvedene iz normalne distribucije . . 61
D Podaci 62
D.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
E Statistiµcke tablice 63
ii
Predgovor
iii
jam ekonometrije, koraci u ekonometrijskoj analizi te regresijska funkcija
populacije i uzorka; u drugom dijelu objašnjava se na koji se naµcin dobiva-
ju parametri metodom najmanjih kvadrata, svojstva regresijskog pravaca i
procjenitelja, da bi se u zadnjem dijelu prikazali pokazatelji kvalitete regre-
sije.
Budući da je ova knjiga proizašla iz dijelova priprema za predavanja iz
predmeta Ekonometrija µzelio bih se zahvaliti svim studentima koji su svojim
komentarima i pitanjima tijekom predavanja doprinijeli da se knjiga pribliµzi
njihovim potrebama i boljem razumijevanju gradiva, kao i svim onim stu-
dentima koji su uspješno detektirali tiskarske greške u radnim verzijama
ovog rada, jer sam svjestan da je rat s tiskarskim greškama bespovratno
izgubljen, ali poneka je bitka dobivena, zahvaljujući njima. Nadalje, poseb-
no bih se zahvalio profesorici Mariji Bušelić i Sanji Blaµzević koje su svojom
beskrajnom upornošću i altruizmom doprinijele da ova knjiga uopće ugleda
svjetlost dana. Za tehniµcku podršku zahvalio bih se Ðaniju Buriću. Na kraju
volio bih reći jedno veliko hvala bliµzim µclanovima moje obitelji na njihovim
sugestijama i lekturi, te za uvijek prisutnu podršku kada su s dubokim ra-
zumijevanjem µcesto morali podnositi moja prevrtljiva raspoloµzenja tijekom
njezinog nastajanja.
iv
Poglavlje 1
1
pristupu vjerojatnost se odnosi na frekvenciju pojavljivanja odre†enog do-
ga†aja u ponovljenim izvlaµcenjima, ili imamo objektivni pristup konceptu
vjerojatnosti.
4. Prikupljanje podataka
6. Testiranje hipoteza
7. Predvi†anje i prognoziranje
2
y
y = β 0 + β1 x
Potrošnja
β1
1
β0
Raspoloživ dohodak
x
3
del:
y= 0 + 1x +" 0< 1 < 1: (1.2)
Stohastiµcki element " zovemo i sluµcajno odstupanje, sluµcajna greška
ili rezidual.
y = β 0 + β1 x
y
Potrošnja
ε+ ε−
x
Raspoloživ dohodak
4
3. Manje vaµznih varijabli : pretpostavimo da, osim raspoloµzivog dohot-
ka, na potrošnju utjeµcu i sljedeće varijable: broj djece, spol, vjera,
obrazovanje i zemljopisni poloµzaj. Moguće je pretpostaviti da je nji-
hov utjecaj na potrošnju slab, nesustavan i stoga sluµcajan. Stoga se iz
praktiµcnih razloga te varijable izostavljaju, a njihov zajedniµcki utjecaj
na zavisnu varijablu y ulazi u sluµcajnu grešku ".
4. Sluµcajnosti koje su svojstvene ljudskom ponašanju: kada bismo i us-
pjeli ukljuµciti u model sve relevantne varijable, uvijek postoji u pona-
šanju pojedinca odre†ena doza sluµcajnosti koja se ne moµze racionalno
objasniti, ma koliko mi to pokušavali.
5. Loših zamjenskih varijabli : µcesto varijable koje predlaµze ekonomska
teorija nisu neposredno mjerljive. U poznatoj funkciji potrošnje Milto-
na Friedmana permanentna potrošnja ovisi o permanentnom dohotku.
Me†utim, niti je permanentni dohodak, niti je permanentna potrošnja
neposredno mjerljiva veliµcina, već se procjenjuju na temelju njihovih
tekućih vrijednosti. U tom sluµcaju moµze doći do greške u njihovoj pro-
cjeni. Ovu će mjernu grešku tako†er na sebe preuzeti sluµcajna greška
".
6. Krive funkcionalne forme: iako smo ispravno u model ukljuµcili rele-
vantne varijable moguće je da smo pogriješili 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.
Me†utim, u modelima s više nezavisnih varijabli to postaje vrlo teško
jer nije moguće prikazati višestruko dimenzionalni dijagram disperzije.
Greška, koja se pojavljuje uslijed odabira krive funkcionalne forme, ući
će u sluµcajnu grešku ".
Vremenski nizovi
Vremenski se nizovi sastoje od opaµzanja jedne ili više varijabli kroz vrijeme.
Takvi se podaci mogu prikupljati dnevno (npr. cijene dionica), tjedno
5
(npr. ponuda novca), mjeseµcno (npr. indeks cijena, stopa nezaposlenosti),
kvartalno (npr. BDP), godišnje (npr. drµzavni proraµcun), desetogodiš-
nje (npr. popis stanovništva).
6
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 više varijabli prikupljeni u
zadanoj vremenskoj toµcki. Kada bismo na taj naµcin htjeli prikupiti podatke
na temelju kojih bismo mogli procijeniti funkciju potrošnje u Hrvatskoj,
morali bismo prikupiti npr. opaµzanja o dohotku i potrošnji po gradovima ili
µzupanijama.
U Tablici 1.2 prikazan je vremenski presjek (za 2004. g.) potrošnje i
BDP-a za tranzicijske zemlje. Vidimo da se skup opaµzanja u ovom sluµcaju
ne sastoji od razliµcitih godina, već od podataka za razliµcite 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. godi-
ne, ako smatramo da nije došlo do strukturnih promjena u tim godinama.
Drugim rijeµcima, u analizi vremenskih presjeka moµzemo zanemariti manje
razlike u vremenu prikupljanja podataka. Kao što vremenski nizovi imaju
svoje speci…µcne probleme (stacionarnost), tako i vremenski presjeci imaju
svoje speci…µcne probleme, me†u kojima je najznaµcajniji heterogenost po-
dataka.
Dijagramom disperzije na slici 1.4 prikazan je odnos izme†u BDP-a i po-
trošnje u tranzicijskim zemljama. Imamo male zemlje s malim BDP-om kao
što su Makedonija, Bugarska, Hrvatska, Slovenija i Slovaµcka, zemlje sa sred-
7
Tablica 1.2: Potrošnja i BDP 2004. godine u tranzicijskim zemljama
8
Slika 1.4: Odnos BDP-a i potrošnje u tranzicijskim zemljama 2004. godine.
9
Tablica 1.3: Potrošnja i BDP u tranzicijskim zemljama u razdoblju od 1997.
do 2005. g. (u milijardama US dolara)
Godina
1997. 1998. 1999. 2000. 2001. 2002. 2003. 2004. 2005.
C 7.57 8.60 9.22 8.73 9.47 10.69 13.73 16.52 18.71
Bugarska
Y 10.38 12.74 12.93 12.62 13.63 15.55 19.97 24.22 26.72
C 12.83 13.01 11.72 13.22 11.94 13.60 17.18 20.25 21.95
Hrvatska
Y 20.10 21.64 19.91 18.42 19.86 23.03 29.62 35.29 38.49
C 30.72 32.58 31.84 29.77 32.08 38.56 47.23 54.82 61.50
Češka
Y 57.13 61.85 60.19 56.71 61.84 75.27 91.35 108.21 123.97
C 28.28 29.37 30.67 30.25 34.22 44.00 57.59 68.57 75.10
Mađarska
Y 45.72 47.05 48.04 47.96 53.32 66.71 84.42 102.16 110.37
C 2.71 2.59 2.56 2.67 2.41 2.92 3.53 4.18
Makedonija
Y 3.72 3.58 3.67 3.59 3.44 3.79 4.63 5.37
C 98.56 107.86 106.00 109.65 123.65 132.28 141.95 161.92 190.32
Poljska
Y 157.12 172.67 167.84 171.18 190.51 198.00 216.48 252.25 302.67
C 26.06 31.81 26.49 25.95 28.10 31.56 39.29 51.28 73.16
Rumunjska
Y 35.13 42.00 35.67 37.04 40.13 45.76 59.51 75.57 97.25
C 11.67 12.38 11.72 11.57 12.25 14.20 18.70 23.83 27.21
Slovačka
Y 21.56 22.43 20.60 20.45 21.11 24.52 32.98 42.01 47.43
C 11.45 12.12 12.50 11.08 11.20 12.38 15.66 17.87 18.87
Slovenija
Y 19.72 21.04 21.56 19.31 19.77 22.29 28.07 32.60 34.35
Izvor: International Financial Statistics (IFS), Međunarodni monetarni fond, veljača 2007. ¸
10
140
130
Potrošnja u milijardama kuna
120
110
100
90
80
70
100 120 140 160 180 200 220 240
na sljedeći naµcin:
11
Tablica 1.4: Mjeseµcna potrošnja i dohodak studenata (u kunama)
Dohodak
100 200 300 400 500 600 700 800 900 1000
80 120 190 240 290 350 460 500 600 700
85 145 200 260 330 410 480 520 620 710
90 150 230 300 365 445 490 540 640 750
Potrošnja
i 270 kn) nego pojedini studenti koji imaju dohodak 400 kn (240 kn i 260
kn). Moµzemo, me†utim, primijetiti da unatoµc tim varijabilnostima postoji
odre†eno pravilo da u prosjeku studenti koji imaju veći dohodak više i troše.
To se jasno vidi iz aritmetiµckih sredina (ili prosjeka) svake podpopulacije
koje su prikazane u zadnjem retku Tablice 1.4 koje zovemo vrijednostima
uvjetnog oµcekivanja jer su uvjetovane zadanim vrijednostima varijable x.
Uvjetno oµcekivanje oznaµcavamo s E (yjxi ) te µcitamo oµcekivana vrijednost
y za zadanu vrijednost x. Tako npr. oµcekivana potrošnja studenata, koji
imaju dohodak od 200 kn, iznosi 160 kn, dok je kod studenata, koji imaju
800 kn, oµcekivana potrošnja 580 kn.
Uvjetno oµcekivanje razlikuje se od matematiµckog (neuvjetnog) oµceki-
vanja E (y) koji prikazuje prosjeµcnu potrošnju svih 64 studenata populacije,
neovisno o njihovom dohodovnom razredu. U našem bi sluµcaju matematiµcko
oµcekivanje bilo E (y) = 450+1120+ 64
+2160
= 400:625.
Na slici 1.6 prikazan je dijagram disperzije na temelju Tablice 1.4. Spa-
janjem svih uvjetnih oµcekivanja za sve …ksne vrijednosti dohotka dobili smo
regresijsku funkciju populacije (RFP)3 koja u našem sluµcaju poprima
oblik pravca. Sve toµcke kojima prolazi regresijski pravac populacije oznaµca-
va oµcekivanu potrošnju odre†enog dohodovnog razreda; tako npr. za razred
200 kn oµcekivana potrošnja je 160 kn, za razred 500 kn oµcekivana potrošnja
je 370 kn, itd. Općenito moµzemo reći da regresijska funkcija populacije pred-
stavlja sve toµcke uvjetnih oµcekivanja zavisne varijable y za …ksne vrijednosti
nezavisne varijable x.
Na temelju tako de…nirane regresijske funkcije populacije moµzemo odre-
diti pojedinaµcnu potrošnju svakog studenta kao odstupanje od uvjetnog oµce-
3
Na slici je oznaµcena sa E (yjxi ).
12
y
800
E (y | xi )
700
600
510
500
Potrošnja
400
370
300
200
160
100
0 x
0 100 200 300 400 500 600 700 800 900 1000 1100
Dohodak
"i = yi E (yjxi ) :
yi = 0 + 1 xi + "i : (1.5)
13
temelju poznavanja samo vrijednosti uzorka, izvuµcenog iz neke populacije,
moramo procijeniti nama nepoznatu funkciju populacije prikazanu jednadµz-
bom 1.5. Pretpostavimo da smo iz populacije prikazane u Tablici 1.4 izvukli
jedan sluµcajan uzorak (Uzorak 1) potrošnje studenata za svaku dohodovnu
grupu, prikazan u Tablici 1.5
y^i = b0 + b1 xi + ei (1.6)
gdje je:
y^i = procjenitelj E (yjxi )
b0 = procjenitelj 0
b1 = procjenitelj 1
ei = sluµcajno 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 naše populacije, prikazane u Tablici 1.4, moµzemo izvući i drugi uzorak
(Uzorak 2 koji je prikazan u Tablici 1.5). Na slici 1.7 vidimo da, iako izvuµce-
ni iz iste populacije, regresijske funkcije uzoraka (RFU1 i RFU2 ) me†usobno
se razlikuju zbog ‡uktuacije populacije oko regresijske funkcije populacije.
Jedino u specijalnom sluµcaju, kada bi se sve toµcke populacije prikazane na
slici 1.6 nalazile na regresijskom pravcu populacije, tada bi regresijski pravci
uzoraka prikazani na slici 1.7 bili potpuno jednaki. Što je veća disperzija
toµcaka oko regresijske funkcije populacije, to je vjerojatnost da su regre-
sijske funkcije uzoraka me†usobno razliµcitije. Postavlja se, dakle, pitanje
14
RFU1
800
RFU2
700
600
500
Potrošnja
400
300
200
100
0
0 100 200 300 400 500 600 700 800 900 1000 1100
Dohodak
ln y = + 1 ln K + 2 ln L +" (1.8)
15
jer ga moµzemo odre†enim transformacijama pretvoriti u model line-
aran u parametrima. S druge strane, da je Cobb-Douglasova funkcija
bila de…nirana kao
y = 0 K 1 L 2 + "; (1.9)
ne bi je bilo moguće nikakvom transformacijom linearizirati. U tom
sluµcaju govorimo da je model suštinsko nelinearan model i da ne
zadovoljava pretpostavku o linearnosti u parametrima.
2. Nestohastiµcnost varijable x: vrijednosti varijable x …ksirane su u po-
novljenom uzorkovanju, kao na primjeru u Tablici 1.4 kada imamo
razliµcite vrijednosti potrošnje (y) za …ksne (iste) vrijednosti dohotka
(x).
3. Sredina sluµcajne greške "i je jednaka nuli ili simboliµcki E ("i jxi ) = 0.
Budući da regresijska funkcija populacije predstavlja uvjetno matema-
tiµcko oµcekivanje E (yjxi ), tj. sredinu (prosjek) y za zadani xi , to znaµci
da je zbroj pozitivnih i negativnih odstupanja "i za svaki zadani xi
jednak nuli.
16
6. Odsutnost multikolinearnosti : izme†u nezavisnih varijabli (kada ih
imamo više) ne smije postojati savršena linearna veza. Ako postoji
znaµcajna veza izme†u nezavisnih varijabli, vrlo je teško izolirati utje-
caj pojedinih varijabli na zavisnu varijablu y.
17
Poglavlje 2
yi = 0 + 1 xi + "i
y^i = b0 + b1 xi + ei :
18
350
300
250
200
Potrošnja
150
100
50
0
0 100 200 300 400 500 600
Dohodak
19
350
P1
∑e i =5
300
+10 ∑e 2
i = 5825
250
+60 -30
+190
200 -120
-180 +50
Potrošnja
150
-35
P2 ∑e i =0
100
∑ ei2 = 89000
50
0
0 100 200 300 400 500 600
Dohodak
na pravac, koji "na oko" izgleda bolji, P1. Zašto? Vrijednosti odstupanja ei
poprimaju pozitivne i negativne vrijednosti tako da se u njihovom zbraja-
nju me†usobno poništavaju. Tako u sluµcaju pravca P2, u kojemu su velika
odstupanja, imamo u zbroju veće (potpuno) poništavanje vrijednosti odstu-
panja u odnosu na pravac P1, koji ima vidno manja odstupanja, ali koja se u
zbroju ne poništavaju u cijelosti. Poništavanje vrijednosti u zbroju moµzemo
izbjeći tako
P da2 kvadriramo vrijednosti ei : Iz Slike 2.2 vidimo da je za pravac
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 vuµcenja pravca kroz toµcke dijagrama disperzije posta-
ne minimizacija e2i ; tada vidimo da pravac, koji "na oko" izgleda bolji,
bolji je i na temelju našeg postavljenog kriterija minimizacije kvadrata
odstupanja koji sprjeµcava poništavanje pozitivnih i negativnih vrijednosti
odstupanja. Metodu, koja se temelji na kriteriju minimizacije kvadrata od-
stupanja, zovemo Obiµcnom metodom najmanjih kvadrata (eng. OLS
- Ordinary Least Square).
Kvadriranjem odstupanja, osim što pretvaramo odstupanja u pozitivne
vrijednosti, dajemo veću teµzinu većim (udaljenijim od regresijskog prav-
ca) odstupanjima u odnosu na manja, budući da su vrijednosti kvadrirane.
Problem se u tom sluµcaju moµze pojaviti u prisutnosti izuzetno udaljenih
20
odstupanja (eng. outliers), µcija prisutnost moµze bitno promijeniti izgled
regresijskog pravca, budući da je metoda najmanjih kvadrata izuzetno osjet-
ljiva na takve udaljene toµcke. Uobiµcajeno je rješenje tog problema da se
opaµzanja vezana za udaljene toµcke jednostavno izbace iz analize. Pri tome
se me†utim mora pristupiti vrlo paµzljivo jer ponekad te udaljene toµcke u
sebi mogu sadrµzavati bitne informacije o vezi izme†u analiziranih varijabli.
Na temelju kriterija minimizacije kvadrata odstupanja iz Slike 2.2 vidi-
mo da je pravac P1 bolji od pravca P2. Ali nitko nam ne jamµci da je pravac
P1 najbolji izme†u svih mogućih pravaca koje moµzemo potegnuti kroz di-
jagram disperzije po kriteriju minimizacije kvadrata odstupanja. Moramo
li na temelju reµcenoga potegnuti kroz toµcke dijagrama disperzije veliki broj
pravaca i na temelju njihovog zbroja kvadrata odstupanja
P 2 odluµciti koji je od
njih najbolji, ili drugim rijeµcima koji ima minimalni ei ? Takav bi pristup
bio sigurno vremenski jako rastrošan i na kraju ne bismo imali konaµcan od-
govor, tj. ne bismo imali nikakvu sigurnost da je naš pravac, najbolji me†u
onima koje smo testirali, i najbolji me†u onima koje nismo testirali. Ovaj
problem riješio je njemaµcki matematiµcar Carl Friedrich Gauss na sljedeći
naµcin. Za model s jednom nezavisnom varijablom
yi = b0 + b1 xi + ei (2.1)
P
moramo izabrati parametre b0 i b1 tako da minimiziraju e2i : Da bismo
P 2
dobili parametri s tim svojstvima moramo parcijalno derivirati izraz ei
po b0 i b1 i izjednaµciti prve derivacije s nulom kako bismo dobili ekstreme
funkcija (minimum).
Kriterij najmanjih kvadrata moµzemo de…nirati kao
n
X n
X
Min e2i = Min (yi b0 b1 xi )2 (2.2)
i=1 i=1
21
b0 = y b1 x (2.6)
gdje y i x prikazuju sredine uzoraka, a x
~ i y~ oznaµcavaju varijable x i y u
njihovoj devijacijskoj formi 1
x
~i = xi x y~ = yi y:
y = Xb + e (2.8)
u kojoj
2 3 2 3 2 3 2 3
y1 1 x11 x(k 1)1 b0 e1
6 y2 7 6 1 x12 x(k 7 6 b1 7 6 e2 7
6 7 6 1)2 7 6 7 6 7
y =6 . 7 X =6 .. .. .. .. 7 b =6 .. 7 e =6 .. 7
4 .. 5 4 . . . . 5 4 . 5 4 . 5
yn 1 x1n x(k 1)n bk 1 en
gdje
22
Iz jednadµzbe 2.8 imamo
e0 e = (y Xb)0 (y Xb)
0 0 0
= yy bXy y0 Xb + b0 X0 Xb
= y0 y 2b0 X0 y + b0 X0 Xb: (2.11)
Marko 100 150 -104 -160 16640 25600 126.34 -26.34 693.87
Ivan 250 300 46 -10 -460 100 199.15 50.85 2586.09
Mira 300 500 96 190 18240 36100 296.22 3.78 14.29
Maja 210 400 6 90 540 8100 247.68 -37.68 1420.00
Ana 160 200 -44 -110 4840 12100 150.61 9.39 88.18
∑ 1020 1550 0 0 39800 82000 1020 0 4802.44
Sredina 204 310 204 960.49
Primjer 2.1 Iz jednadµzbi za parametre 2.5 i 2.6 i Tablice 2.2 moµzemo iz-
raµcunati: P
x
~i y~i 39800
b1 = P 2 = = 0:48537 (2.14)
x
~i 82000
b0 = y b1 x = 204 0:48537 310 = 53: 535: (2.15)
23
Isti smo rezultat mogli dobiti i korištenjem matriµcne forme iz jednadµzbe
2.13 koja vrijedi za broj k nezavisnih varijabli pa stoga vrijedi i za sluµcaj
samo jedne nezavisne varijable, kao u našem primjeru:
1
b = X0 X X0 y
gdje su 2 3 2 3
1 150 100
6 1 300 7 6 250 7
6 7 6 7
X=6
6 1 500 7; y = 6
7 6 300 7
7
4 1 400 5 4 210 5
1 200 160
Ako izraµcunamo2 da 2 3
1 150
6 1 300 7
1 1 1 1 1 6 7 5 1550
0
XX= 6 1 500 7=
150 300 500 400 200 6 7 1550 562 500
4 1 400 5
1 200
i da 2 3
100
6 250 7
1 1 1 1 1 6 7 1020
X0 y = 6 300 7 = ;
150 300 500 400 200 6 7 356 000
4 210 5
160
u konaµcnici imamo
1
0 1 0 5 1550 1020 53: 535
b= XX Xy= = :
1550 562 500 356 000 0:485 37
(2.16)
24
od stvarne vrijednosti (greška) u Markovom sluµcaju je (y1 y^1 ) = e1 =
26:34. Ostale stvarne i procijenjene vrijednosti nisu prikazane na Slici 2.3
nego ih moµzemo naći u Tablici 2.2.
y = 204
53.54
25
Kolika je autonomna (koja ne ovisi o dohotku) potrošnja studenata?
Potrošnja, koja ne ovisi o dohotku, u našem primjeru je 53:54 kn. To
je i minimalna potrošnja našeg reprezentativnog studenta kada nema
dohotka (x = 0; radi se o minimumu jer za dohodak vrijedi uvjet o ne-
negativnosti). Gra…µcki, kao što je prikazana na Slici 2.3, ta vrijednost
oznaµcava odsjeµcak na ordinati regresijskog pravca.
b0 = y b1 x (2.18)
tada vrijedi da je
y = b0 + b 1 x (2.19)
što nam govori da kada x poprima vrijednost svoje sredine x procije-
njena vrijednost y^ je y: Drugim rijeµcima regresijski pravac prolazi kroz
toµcku (x; y).
y^i = b0 + b1 xi
= (y b1 x) + b1 xi
= y + b1 (xi x) : (2.21)
26
Iz
P Svojstva B.4 operatora zbrajanja (vidi Dodatak B.1) znamo da
(xi x) = 0; što 2.22 pretvara u
P
y^i = ny: (2.23)
Ako lijevu i desnu stranu jednadµzbe 2.23 podijelimo s n; dobijemo
P
y^i ny
=
n n
y^ = y: (2.24)
27
Na temelju jednadµzbe 2.5 moµzemo pisati
P P 2
x~i y~ = b1 x~i (2.30)
što 2.29 pretvara u
Pe P 2 P
y^i ei = b21 x
~i b21 ~2i
x
= 0: (2.31)
Na ovaj smo naµcin dokazali da ne postoji linearna veza izme†u odstu-
panja i procijenjene zavisne varijable.
P U našem primjeru iz Tablice 2.2
lako se moµze provjeriti da vrijedi y^i y^ ei = 0.
P
5. Odstupanja ei i xi me†usobno su neovisni, drugim rijeµcima xi ei =
0. Ovaj zakljuµcak proizlazi iz uvjeta minimizacije kvadrata odstupanja
po b1 prikazanog u jednadµzbi 2.4
@ P P P
(yi b0 b1 xi )2 = 2 xi (yi b0 b1 xi ) = 2 xi ei = 0
@b1
P (2.32)
što povlaµci xi ei = 0. Ovo svojstvo regresijskog pravca, tako†er se
moµze lako provjeriti na primjeru iz Tablice 2.2.
28
ili b0 moµzemo dobiti iz linearne kombinacije 33 39
41 100 + 164 250
85
164 300
23 101
164 210 + 164 160 = 53: 537. Na sliµcan naµcin moµzemo dobiti vrijednost
b1 iz linearne kombinacije elemenata vektora y s drugim redom matrice
(X0 X) 1 X0 .
E(b) = : (2.33)
Nepristrana Pristrana
Distribucija frekvencija
E(b)=β E(b)≠β
29
Dokaz.
h i h i
1 1
E (b) = E X0 X X0 y = E X0 X X0 (X + ")
h i h i
1 1 0 1
= E X0 X X0 X + X0 X X " = E I + X0 X X0 "
h i
1 0
= + E X0 X X" = : (2.34)
30
Efikasan
Distribucija frekvencija
Neefikasan
E(b)=β
plim b = : (2.37)
µ
Cesto se ne moµze dokazati da je neki procjenitelj nepristran; moguće je
da u odre†enim nelinearnim i dinamiµckim modelima nepristran procje-
nitelj uopće ne postoji. U tim sluµcajevima konzistentnost je minimalni
uvjet, koji se postavlja pred procjenitelja, kako bi bio koristan. Sto-
ga su ekonometriµcari µcesto više zabrinuti konzistentnošću procjenitelja
nego li njihovom (ne)pristranošću.
31
Poglavlje 3
Nakon što smo procijenili parametre modela postavlja se pitanje koliko do-
bro tako dobiveni regresijski pravac pristaje opaµzanjima? Na slici 3.1 prika-
y y
0 x 0 x
a) b)
32
3.1 Koe…cijent determinacije
Uobiµcajen pokazatelj pristajanja regresijskog pravca nekim opaµzanjima je
koe…cijent determinacije kojeg ćemo oznaµciti sa R2 . Koe…cijent deter-
minacije pokazuje koliko je varijance uzorka y objašnjeno našim modelom
ili matematiµcki koe…cijent determinacije moµzemo de…nirati kao
1 Pn Pn
2 Var (^
y) n 1 yi y)2
i=i (^ yi y)2
i=i (^
R = = 1 Pn = P (3.1)
Var (y) n 1 i=i (yi y)2 n
i=i (yi y)2
P
gdje n 1 1 ni=i (^
yi y)2 pokazuje "objašnjenu" varijancu y regresijskim prav-
P
cem a n 1 1 ni=i (yi y)2 "ukupnu" varijancu y. Drugim rijeµcima, nakon
skraćivanja, koe…cijent determinacije regresijskog modela prikazuje dio ukup-
ne varijance y koju smo objasnili regresijskim modelom.
Na slici 3.2 prikazano1 je za odre†enu vrijednost xi :
yi = y^i + ei : (3.2)
e=0
1
Napomena: pogrešno bi bilo iz ove slike zakljuµciti da je ukupno odstupanje jednako
zbroju objašnjenog odstupanja i neobjašnjenog odstupanja. Na slici je stvarna vrijednost
postavljena tako da se mogu zornije prikazati te veliµcine, ali uoµcljivo je da kada bi se toµcka
koja prikazuje stvarnu vrijednost y nalazila, recimo, izme†u regresijskog pravca i sredine
y da bi ukupno odstupanje bilo manje od objašnjenog odstupanja.
33
y
yi yˆi = b0 + b1 xi
(yi − yˆi )
(yi − y )
(yˆi − y )
y
0 xi x
y^ = y
(yi y) = (^
yi y) + ei :
Izraz
n
X
(^
yi y) ei
i=1
predstavlja kovarijancu izme†u procijenjenog y i reziduala, što iz Svojstva
4. regresijskog pravca, jednadµzba 2.31 znamo da je 0. Stoga 3.4 moµzemo
pisati
Xn Xn Xn
(yi y)2 = yi y)2 +
(^ e2i (3.5)
i=1 i=1 i=1
2
Napomena: Svojstva 2. i 3. regresijskog pravca dobivena metodom najmanjih kva-
drata ne vrijede kada u modelu nije prisutan konstantni µclan b0 :Vidi izvod tih Svojstava
na stranici 27.
34
i kada podijelimo s (n 1) dobijemo
Pn Pn Pn 2
i=1 (yi y)2 yi y)2
i=1 (^ e
= + i=1 i
n 1 n 1 n 1
ili
Var (yi ) = Var (^
yi ) + Var (ei )
µcime smo dokazali Propoziciju 3.1.
Koristeći se ovim svojstvom koe…cijent determinacije moµzemo izvesti ta-
ko da podijelimo cijelu jednadµzbu s Var(yi ) te nakon skraćivanja za (n 1)
dobijemo
Pn Pn 2 Pn 2
i=1 (^yi y)2 i=1 ei 2 i=1 ei
1 = Pn 2 + Pn 2 = R + Pn (3.6)
i=1 (yi y) i=1 (yi y) i=1 (yi y)2
35
Primjer 3.1 Na temelju podataka iz Tablice 2.2 moµzemo izraµcunati koe…-
cijent determinacije
Pn
2 yi y)2
(^ 19317:56
R = Pi=i
n 2 = 24120:00 = 0:800 89:
i=i (yi y)
y^i = b1 xi + ei
3
Vidi Svojstvo 2 i 3 regresijskog pravca na stranici 27.
36
centrirani R2 izraµcunat pomo´cu jednadµzbe 3.1 je
Pn
2 yi y)2
i=i (^ 33149:51
R = Pn 2 = 24120:00 = 1: 374 4
i=i (yi y)
Necentrirani R2 je
Pn
2 y^i2 225308:44
necentrirani R = Pi=1
n 2 = = 0:970 32
i=1 yi 232200:00
îli alternativno
Pn 2
2 e 6891:56
necentrirani R = 1 Pni=1 i2 = 1 = 0:970 32:
i=1 yi 232200:00
37
(ne OLS) procjenjivanja regresijskog pravca kreće se uvijek izme†u
vrijednosti 0 i 1. Taj koe…cijent determinacije moµzemo izraµcunati kao
Pn !2
i=1 (yi y) y^i y^
R2 = corr2 (yi ; y^i ) = P Pn ; (3.10)
( ni=1 (yi y)) i=1 y^i y^
Primjer 3.4
38
stupnjevima slobode (n k). U tom se sluµcaju koe…cijent determina-
cije ne povećava automatski s povećanjem broja regresora,
P već ovisi
o tome je li nova varijabla više doprinijela smanjenju ni=1 e2i svojim
ulaskom u model ili više štetila smanjenjem stupnjeva slobode (n k).
Korigirani R2 je uvijek manji od nekorigiranog R2 , osim u sluµcaju ka-
da model ukljuµcuje samo konstantni µclan pa su oba jednaka nuli. U
ekstremnim sluµcajevima korigirani R2 moµze biti negativan.
39
Na temelju svojstva nepristranosti procjenitelja dobivenih metodom najma-
njih kvadrata imamo
E [b] = (3.13)
što 3.12 pretvara u
Var (b) = E (b ) (b )0
2 2 3
E [b1 1] E [(b1 1 ) (b2 2 )] E [(b1 1 ) (bk k )]
6 E [(b2 2 7
6 2 ) (b1 1 )] E [b2 2] E [(b2 2 ) (bk k )] 7
=6 .. .. .. .. 7
4 . . . . 5
2
E [(bk k ) (b0 0 )] E [(bk k ) (b2 2 )] E [bk k]
(3.14)
iz µcega imamo
1
(b ) = X0 X X0 ": (3.17)
Vrijednosti matrice Var(b) moµzemo stoga izraµcunati na temelju
Var (b) = E (b ) (b )0
h 0
i
1 0 1
= E X0 X X "" X X0 X
1 1
= X0 X X0 2
In X X 0 X
2 1 1
= X0 X X0 X X0 X
2 1
= X0 X : (3.18)
40
Iz 3.18 poznata nam je vrijednost matrice (X0 X) 1 . Me†utim skalar 2
predstavlja varijancu regresijskog modela populacije koja nam je ne-
poznata. Moµzemo je procijeniti pomoću nepristranog procjenitelja va-
rijance populacije izraµcunatog iz odstupanja uzorka4
e0 e
s2 = (3.19)
n k
što 3.18 pretvara u
e0 e 1
Var (b) = X0 X : (3.20)
n k
Standardne devijacije (greške) procjenitelja moµzemo izraµcunati tako da ko-
rjenujemo varijance ili
p
sd (b) = Var (b)
r
e0 e
= (X0 X) 1 : (3.21)
n k
Iz jednadµzbe 3.18 vidimo da što je veća varijanca modela populacije
2 (veća raspršenost oko regresijske funkcije populacije) da je veća i vari-
janca procjenitelja Var(b). Znaµci, ako imamo vrlo raspršenu populaciju oko
regresijske funkcije populacije tada i regresijske funkcije uzoraka, koje su
izvedene iz te populacije, mogu se me†usobno jako razlikovati. U sluµcaju
da imamo malu raspršenost populacije oko regresijske funkcije populacije
tada će uzorci izvedeni iz te populacije davati sliµcne vrijednosti parametara
regresijskih funkcija uzoraka.
Budući da ne znamo 2 , nju smo procijenili iz varijance uzorka s2 (jed-
nadµzba 3.19), pretpostavljajući da ako uzorak ima velika odstupanja oko
regresijske funkcije uzorka da i populacija iz koje je taj uzorak izvuµcen ima
velika odstupanja oko regresijske funkcije populacije.
Primjer 3.6 Na temelju jednadµzbe 3.21 moµzemo izraµcunati Var(b) za pa-
rametre iz primjera 2.1 na sljede´ci naµcin:
1
4802:44 5 1550
Var (b) =
5 2 1550 562 500
4802:44 225 31
= 164 8200
31 1
3 8200 82 000
2196: 2 6: 051 9
= :
6: 051 9 0:01 952 2
Vidimo da je Var(b0 ) = 2196:2, Var(b1 ) = 0:019522, te kovarijanca Cov(b0 ; b1 ) =
6:0519. Standardna devijacija procjenitelja bit ´ce
p p
sd (b0 ) = Var (b0 ) = 2196:2 = 46: 864
p p
sd (b1 ) = Var (b1 ) = 0:019522 = 0:139 72:
4
Dokaz da se radi o nepristranom procijenitelju varijance populacije moµze se naći u [3],
str. 48-49. ili [5], str. 30-31.
41
Do sada nismo imali nikakvu pretpostavku vezanu za oblik distribuci-
je odstupanja "i , osim što smo pretpostavili da su me†usobno nekorelirani,
neovisni o X, da imaju sredinu nula i konstantnu varijancu. Me†utim da bi
se moglo statistiµcki zakljuµcivati i testirati hipoteze moramo eksplicitno de-
…nirati pretpostavku o distribuciji odstupanja. Uobiµcajena je pretpostavka
da su odstupanja "i normalno distribuirana, tj.
2
" N 0; In : (3.22)
2 1
b N ; X0 X (3.23)
1
gdje (k; k) predstavlja element na glavnoj dijagonali matrice (X0 X) :
42
moµzemo odbaciti nul hipotezu na razini znaµcajnosti od 10%, ali ne i na
razini znaµcajnosti od 5%. Kada moµzemo odbaciti H0 , kaµzemo da su rezultati
statistiµcki znaµcajni, a kada ne moµzemo odbaciti H0 , kaµzemo da rezultati
nisu statistiµcki znaµcajni.
Za testiranje hipoteza o parametrima (procjeniteljima) modela koristit
ćemo dva testa: t-test za testiranje zasebnih hipoteza i F-test za testiranje
zajedniµckih hipoteza.
t-test
Iz jednadµzbe 3.24 slijedi da varijabla
bk k
z= 1=2
(3.25)
2 (X0 X) 1
kk
bk k
tk = 1=2
(3.26)
s2 (X0 X)kk1
bk k
tk = (3.27)
sd (bk )
43
Dvostrani t-test Na temelju jednadµzbe 3.27 moµzemo testirati hipotezu
da k poprima vrijednost k , tj. H0 : k = k nasuprot alternativnoj
hipotezi H1 : k 6= k . Velika razlika u vrijednostima parametara uzorka bk ;
kojeg smo procijenili pomoću metode najmanjih kvadrata i testne veliµcine k
podrazumijeva malu vjerojatnost da su te dvije veliµcine iste. U tom sluµcaju
moµzemo lakše odbaciti H0 . Nadalje iz brojnika jednadµzbe 3.27 moµzemo
uoµciti da se povećanjem razlike izme†u bk i k testna statistika tk povećava
u apsolutnoj vrijednosti. Stoga moµzemo lako zakljuµciti kako veća vrijednost
jtk j implicira lakše odbacivanje H0 .
Interesantno je dalje primijetiti da povećanje veliµcine uzorka smanjuje
standardnu grešku procjenitelja. Budući da se standardna greška procjeni-
telja nalazi u nazivniku jednadµzbe 3.27 to povećava t vrijednost. Veća t vri-
jednost podrazumijeva lakše odbacivanje H0 što kod velikih uzoraka znatno
smanjuje vjerojatnost greške II. tipa. Kako bi kompenzirali taj efekt, istra-
µzivaµci uobiµcajeno smanjuju vjerojatnost greške I. tipa tako što smanje razinu
znaµcajnosti njihovih testova. To objašnjava zašto je kod velikih uzoraka
opravdano birati razinu znaµcajnosti od 1%, umjesto uobiµcajenih 5%, a kod
vrlo malih uzoraka razinu znaµcajnosti od 10%.
Budući da alternativna hipoteza H1 : k 6= k dozvoljava vrijednosti
koje su veće ali i manje od k , tada se takav test zove dvostrani test
(testira se na oba kraka distribucije) µcije se kritiµcne vrijednosti t =2;(n k)
de…niraju kao vjerojatnost
44
slobode i testnom veliµcinom od 0:823, koju uobiµcajeno izraµcunavaju ekono-
metrijski paketi. U našem primjeru ona iznosi p = 0:4707, što nam govori
da ne moµzemo odbaciti nul hipotezu jer vjerojatnost da smo uµcinili grešku
ako odbacimo H0 = 0:6 je 47:07%; mnogo ve´ca od razine znaµcajnosti od 5%
na kojoj testiramo. Budu´ci da imamo vrlo mali uzorak (n = 5) opravdano
bi bilo testirati na razini znaµcajnosti od 10%. Ali na temelju p vrijednosti
od 47:07% odmah moµzemo zakljuµciti da i na razini od 10% ne moµzemo od-
baciti nul hipotezu. Lako se moµze uoµciti da p vrijednost pokazuje "graniµcnu"
razinu znaµcajnosti testa, ili najmanju razinu znaµcajnosti pri kojoj se moµze
odbaciti nul hipoteza (u našem primjeru nul hipotezu moµzemo odbaciti tek za
razine znaµcajnosti 47:07%). Statistiµcko zakljuµcivanje na temelju p vri-
jednosti identiµcno je zakljuµcivanju na temelju tablice Studentove distribucije
vjerojatnosti.
45
nul hipotezu. Moµzemo stoga zakljuµciti da je utjecaj raspoloµzivog dohotka na
potrošnju studenata statistiµcki znaµcajan ako testiramo sa znaµcajnoš́cu od 5 i
10%, no ako testiramo sa znaµcajnoš́cu od 1%, ne moµzemo odbaciti hipotezu
da raspoloµziv dohodak studenata ne utjeµce na njihovu potrošnju.
za H0 : k k nasuprot H1 : k > k te
za H0 : k k nasuprot H1 : k < k:
b1 1 0:485 0:6
t1 = = = 0:823;
sd (b1 ) 0:1397
istu vrijednost koju smo dobili u primjeru 3.7 kada smo testirali dvostranim
testom hipotezu H0 : 1 = 0:6: Kritiµcna vrijednost za jednostrani test7 s 5%
znaµcajnosti 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: Budu´ci da je u našem primjeru
t1 > t0:025;3 , tj. 0:823 > 2:3534; na temelju jednadµzbe 3.31 ne moµzemo
odbaciti s 5% znaµcajnosti hipotezu H0 : 1 0:6: Ekonometrijski paketi uobi-
µcajeno prikazuju p vrijednosti za dvostrane testove, koji su µceš́ci u praksi.
Ako koristimo za statistiµcko zakljuµcivanje p vrijednosti umjesto tablica Stu-
dentove distribucije za jednostrani t-test, moramo dobivenu p vrijednost za
dvostrani test podijeliti s 2. Tako u našem sluµcaju imamo p=2 = 0:4707=2 =
7
Vidi Dodatak, Tablica E.2
46
0:235 4, što ukazuje da je vjerojatnost da smo pogriješili 23:54%, ako od-
bacimo H0 . Drugim rijeµcima ako testiramo s 5% znaµcajnosti, ne moµzemo
odbaciti hipotezu da je graniµcna sklonost potrošnji studenata iz našeg pri-
mjera jednaka ili ve´ca od 0:6:
b1 1 0:485 0:1
t1 = = = 2: 756: (3.32)
sd (b1 ) 0:1397
bk k
Pr t =2;(n k) t =2;(n k) =1 : (3.34)
sd (bk )
47
znaµci veću neizvjesnost u procjenjivanju populacijskog nepoznatog parame-
tra k . Stoga se na standardnu grešku procjenitelja gleda kao na mjeru pre-
ciznosti 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 moµzemo 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 sluµcajna vrijed-
nost. Budući da je populacijski parametar k …ksna vrijednost, kada bi
interval pouzdanosti tako†er bio …ksan, vrijednost populacijskog parametra
leµzala bi, ili ne bi leµzala, u …ksnom intervalu pouzdanosti. U tom sluµcaju
imali bismo samo dvije vjerojatnosti: ako leµzi, vjerojatnost je 1 (100%);
ako ne leµzi u intervalu pouzdanosti je 0. Me†utim interval pouzdanosti ni-
je …ksan već sluµcajan jer ovisi o izvuµcenom uzorku iz populacije. Stoga
jedini pravilan naµcin interpretacije intervala pouzdanosti parametra je da
u ponovljenom uzorkovanju, 100 (1 ) % izraµcunatih sluµcajnih intervala
pouzdanosti, na temelju izvuµcenih uzoraka iz iste populacije, ukljuµcivat će
stvarni populacijski …skni parametar k: Drugim rijeµcima kada bi se iz neke
populacije izvuklo 100 uzoraka i na temelju njih izraµcunalo, koristeći izraz
3.36, 100 sluµcajnih 95 postotnih intervala pouzdanosti za …ksni populacij-
ski parametar k , u 95 od 100 intervala pouzdanosti našli bismo vrijednost
populacijskog …ksnog parametra k :
Primjer 3.11 Na temelju jednadµzbe 3.36 moµzemo izraµcunati 95 postotne
intervale pouzdanosti za parametre modela izraµcunatih u primjeru 2.1. Da
bismo dobili 95 postotni interval pouzdanosti biramo razinu znaµcajnosti od
= 0:05 jer 100 (1 ) % = 100 (1 0:05) % = 95%: Kritiµcna vrijednost
t =2;(n k) iznosi t0:025;3 = 3:1824 (vidi Tablica E.2 u Dodatku). Na temelju
izraza 3.36 moµzemo izraµcunati 95 postotni interval pouzdanosti za parametar
0
b0 sd (b0 ) t =2;(n k)
= 53: 535 46:864 3:1824
= 53:535 149: 14
što moµzemo pisati
95: 605 0 202:675:
Za parametar 1 95 postotni interval pouzdanosti bit ´ce
b1 sd (b1 ) t =2;(n k)
= 0:48537 0:139 72 3:1824
= 0:48537 0:444 6
što moµzemo pisati
0:04077 1 :0:92997:
48
F -test
Na temelju t-testa moµzemo testirati pojedinaµcne hipoteze nad jednim koe…-
cijentom. Postavlja se pitanje kako testirati zajedniµcke hipoteze nad koe…-
cijentima kao što su na primjer
H0 : 1 = 2 = 0 ili H0 : 1 + 2 4 = 1:
U tom sluµcaju moµzemo konstruirati ograniµceni model koji će u sebi sadr-
zµ avati ograniµcenja nad parametrima i testirati razliku izme†u neobjašnjena
odstupanja ograniµcenog modela i neograniµcenog modela. Kod neograniµce-
nog modela ne forsiramo da parametri poprime odre†ene vrijednosti, već
dopuštamo da poprime bilo koju vrijednost koja, u sluµcaju da rabimo meto-
du najmanjih kvadrata, minimizira zbroj kvadrata odstupanja. Kod ogra-
niµcenog modela, s druge strane, forsiramo da odre†eni parametri poprime
a priori zadane vrijednosti koje ne minimiziraju zbroj kvadrata odstupanja.
Jasno je stoga da zbroj kvadrata neobjašnjenih odstupanja bit će uvijek veći
kod ograniµcenog modela u odnosu na neograniµceni model. Nadalje, što se
forsirani parametar u neograniµcenom modelu udaljava svojom vrijednošću
od parametra koji minimizira sumu kvadrata odstupanja (dobiven neogra-
niµcenim modelom) to će biti veća razlika izme†u sume kvadrata odstupanja
ograniµcenog i neograniµcenog modela. Na taj naµcin prirodno se nameće test
koji uspore†uje zbrojeve kvadrata neobjašnjenih odstupanja ograniµcenog i
neograniµcenog modela. Ako je razlika velika, tada će se nul hipoteza mo-
ći odbaciti, ako je razlika mala,Ptada se nul hipoteza neće moći odbaciti.
Ako sumu kvadrata odstupanja (yi y^i )2 oznaµcimo s RSS, tada F test
moµzemo pisati
(RSSR RSSU R ) =J
F = (3.37)
RSSU R = (n k)
gdje RSSR oznaµcava sumu kvadrata odstupanja ograniµcenog modela, RSSU R
sumu kvadrata odstupanja neograniµcenog modela, J broj ograniµcenja i (n k)
stupnjeve slobode neograniµcenog modela. Budući da je RSSR uvijek veći
od RSSU R , gornji izraz uvijek će biti pozitivan.
Ako
P vrijedi pretpostavka da su odstupanja
P 2 ei normalno distribuirana,
tada (yi y^i )2 ; što skraćeno pišemo ei , iz Teorema8 C.3 ima 2 distri-
buciju. Na temelju Teorema C.4 znamo da zbrajanje i oduzimanje varijabli
s 2 distribucijom daju varijablu s 2 distribucijom. Stoga će i razlika
RSSR RSSU R , tako†er, imati 2 distribuciju. Iz Teorema C.6 znamo da
će odnos dviju sluµcajnih varijabli s 2 distribucijom xx12 =n 1
=n2 imati F distribu-
ciju s (n1 ; n2 ) stupnjeva slobode, ili kao u sluµcaju naše jednadµzbe 3.37 F -test
ima F distribuciju sa (J; n k) stupnjeva slobode. F -test je jednostrani test
µciju kritiµcnu vrijednost F J;(n k) moµzemo de…nirati kao
n o
Pr F > F J;(n k) = (3.38)
8
Vidi Dodatak C.1
49
gdje predstavlja razinu znaµcajnosti testa. Drugim rijeµcima velika razlika
izme†u RSSR i RSSU R vodit će k velikim vrijednostima F statistike iz
3.37, a velike vrijednosti F statistike vodit će na temelju 3.38 odbacivanju
nul hipotez· e.
Ekonometrijski paketi µcesto automatski pokraj vrijednosti parametara,
standardnih devijacija koe…cijenata, t vrijednosti, koe…cijenata determina-
cije itd. prikazuju i rezultate F -testa kojim se za model
y= 0 + 1 x1 + 2 x2 + + k 1 xk 1
H0 : 1 = 2 = = k 1 = 0; (3.39)
y= 0: (3.40)
50
ili u odnos objašnjene i neobjašnjene varijance neograniµcenog mo-
dela. Broj ograniµcenja J je (k 1), tj. broj parametara koji se procjenjuju
u modelu manje jedan (konstantni µclan koji nije ograniµcen). Interesantno
je primijetiti da ograniµceni model 3.40 ima koe…cijent
P determinacije (kori-
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 po-
pulacijski koe…cijent determinacije R2 = 0: Drugim rijeµcima F -test iz 3.43
moµzemo interpretirati i kao test kojim se testira znaµcajnost koe…cijenta
determinacije R2 .
Kada imamo skup linearnih ograniµcenja u obliku
R = q: (3.44)
H0 : R q=0 (3.45)
H1 : R q 6= 0: (3.46)
H0 : 2 = 2; 3 = 7; 4 + 5 6 =1
putem 2 3 2 3
0 1 0 0 0 0 0 2
R=4 1 0 0 0 0 0 1 5, q = 4 0 5
0 0 0 1 1 1 0 1
ili hipotezu 3.39 da su svi parametri u modelu osim konstantnog µclana jed-
naki nuli
R = [0 : Ik 1 ] ; q = 0:
51
Za zadane parametre uzorka, dobivene metodom najmanjih kvadrata, mo-
µzemo de…nirati vektor nepodudarnosti (eng. discrepancy vector) s
m = Rb q (3.47)
a)
H0 : 1 = 2 = 3 = 4 = 5 =0 (3.51)
drugim rijeµcima µzelimo testirati zajedniµcku hipotezu da su svi parametri
vezani za nezavisne varijable jednaki nula nasuprot hipotezi H1 : 1 =
2 = 3 = 4 = 5 6= 0: U našem sluµcaju model iz jednadµzbe 3.50
je neograniµceni model, dok ´ce ograniµceni model, u kojeg ugra†ujemo
nul hipotezu 3.51, biti model samo s konstantnim µclanom, ili u našem
sluµcaju
RR2 = 0:0000
y = 3067:82 : (3.52)
RSSR = 6401640
Budu´ci da u ograniµcenom modelu nemamo nezavisnih varijabli, koe…-
cijent determinacije R2 ; kao i korigirani koe…cijent determinacije R2
9
Vidi detaljan izvod u [3] str. 96-97.
10
Podaci za ovaj model prikazani su u Dodatku D.1.
52
su nula. Vidimo da RSSR ograniµcenog modela 3.52 znatno je ve´ci od
RSSU R neograniµcenog modela 3.50. Hipotezom smo ograniµcili 5 para-
metara, zato je broj ograniµcenja J = 5, i imamo (n k) = (25 6) =
19 stupnjeva slobode. Prema tome F test kojim testiramo nul hipotezu
3.51 bit ´ce
(RSSR RSSU R ) =J (6401640 6808:58) =5
F = = = 3569: 1:
RSSU R = (n k) (6808:58) =19
ESSU R = (k 1) 6394831=5
F = = = 3569:1
RSSU R = (n k) 6808:58=19
R = [0 : I5 ] ; q = 0:
53
varijable jednaki nula, vektor nepodudarnosti svodi se na vrijednosti
procijenjenih parametara na temelju uzorka koji su vezani za neza-
visne varijable. Što su ve´ce, u apsolutnoj veliµcini, vrijednosti vektora
nepodudarnosti, lakše ´ce biti odbaciti nul hipotezu. Kada znamo da je
procijenjena varijanca populacije našeg modela s2 = 358:35; i da je
simetriµcna matrica
2 3
73:9891 9:4129 0:2885 0:1717 0:2869 1:2070
6 9:4129 1:9059 0:0182 0:0049 0:0404 0:1452 7
6 7
1 6 0:2885 0:0182 0:0027 0:0019 0:0004 0:0030 7
X0 X =66 0:1717
7;
7
6 0:0049 0:0019 0:0015 0:0003 0:0014 7
4 0:2869 0:0404 0:0004 0:0003 0:0038 0:0100 5
1:2070 0:1452 0:0030 0:0014 0:0100 0:3251
b)
H0 : 1 = 15 (3.53)
nasuprot H1 : 1 6= 15. U prethodnom smo poglavlju vidjeli da hi-
poteze nad jednim parametrom testiramo t-testom. F -test je op´cenit,
stoga, osim testiranja nad više parametara, dopušta nam testiranje i
nad jednim parametrom. Obje metode morale bi dovesti do istog za-
kljuµcka. Ako gornju hipotezu testiramo pomo´cu t-testa imamo
b1 1 33:75 ( 15)
t1 = = = 0:71746 :
sd (b1 ) 26:134 (p=0:4818)
y = 0 15x1 + 2 x2 + 3 x3 + 4 x4 + 5 x5
(y + 15x1 ) = 0 + 2 x2 + 3 x3 + 4 x4 + 5 x5
R2 = 0:9989
(y + 15x1 ) = 318:21+ 3:05 x2 + 9:76 x3 31:17 x4 + 36:97 x5 :
(98:061) (0:945) (0:715) (1:008) (10:478) RSSR = 6993:03
54
oba sluµcaja, p = 0:4818, što upu´cuje na identiµcan statistiµcki zakljuµcak,
tj. da ne moµzemo odbaciti nul hipotezu. Waldovim kriterijem moµzemo
testirati hipotezu 3.53 na temelju matrica ograniµcenja
R= 0 1 0 0 0 0 , q= 15
c)
H0 : 4 + 5 =0 (3.54)
nasuprot hipotezi H1 : 4 + 5 6= 0. Iz gornje jednadµzbe slijedi da je
4 = 5 ili 5 = 4 . Neovisno o tome koristimo li za ograniµcenje
modela 3.50 jednakost 4 = 5 ili 5 = 4 , moramo dobiti istu
vrijednost RSSR . Ako koristimo 4 = 5 ; imamo
y = 0 + 1 x1 + 2 x2 + 3 x3 5 x4 + 5 x5
= 0 + 1 x1 + 2 x2 + 3 x3 + 5 (x5 x4 )
R2 = 0:9989
y = 392:81 31:70 x1 + 3:30 x2 + 9:74 x3 +31:84 (x5 x4 ) :
(157:61) (25:508) (0:970) (0:714) (1:058) RSSR = 6942:08
y = 0 + 1 x1 + 2 x2 + 3 x3 + 4 x4 4 x5
= 0 + 1 x1 + 2 x2 + 3 x3 + 4 (x4 x5 )
R2 = 0:9989
y = 392:81 31:70 x1 + 3:30 x2 + 9:74 x3 31:84 (x4 x5 )
(157:61) (25:508) (0:970) (0:714) (1:058) RSSR = 6942:08
55
imamo dva ograniµcenja. Znaµci, pri raµcunanju broja ograniµcenja nije
vaµzan broj parametara koji se pojavljuje u hipotezi ve´c broj jednadµz-
bi. Ako µzelimo dobiti F vrijednost pomo´cu Waldovog kriterija matrice
ograniµcenja, kojima opisujemo hipotezu 3.54, glase
R= 0 0 0 0 1 1 , q=0
d)
H0 : 1 = 4; 2 = 3; 4 + 5 =0 (3.55)
nasuprot alternativnoj hipotezi H1 : 1 6= 4 ; 2 6= 3; 4 + 5 6= 0. Ka-
da imamo skup linearnih ograniµcenja, (kao u ovom primjeru) supstitu-
cija tih ograniµcenja u neograniµceni model bit ´ce sloµzen posao da bismo
dobili ograniµceni model na temelju kojeg moµzemo izraµcunati RSSR ,
dok ´ce to isto matriµcnom metodom, na temelju Waldovog kriterija, bi-
ti lakše izvedivo. Matrice ograniµcenja za testiranje gornje hipoteze bit
´ce 2 3 2 3
0 1 0 0 1 0 0
R =4 0 0 1 0 0 0 5 , q=4 3 5
0 0 0 0 1 1 0
koje daju vektor nepodudarnosti
2 3
2:1789
m =4 0:2314 5 :
6:8241
56
Dodatak A
Izvodi i dokazi
Za model
yi = b0 + b1 xi + ei (A.1)
P
treba izabrati parametre b0 i b1 tako da minimiziraju e2i : Da P
bi se dobili
parametri s tim svojstvima, mora se parcijalno derivirati izraz e2i po b0
i b1 i izjednaµciti prve derivacije s nulom kako bi se dobili ekstremi funkcija
(minimum)
@ P 2 @ P P
ei = (yi b0 b1 xi )2 = 2 (yi b0 b1 xi ) = 0 (A.2)
@b0 @b0
@ P 2 @ P P
ei = (yi b0 b1 xi )2 = 2 xi (yi b0 b1 xi ) = 0: (A.3)
@b1 @b1
Ako jednadµzbe A.2 i A.3 podijelimo s 2 i napišemo u obliku tzv. normal-
nih jednadµzbi, imamo
P P
yi = b0 n + b1 xi (A.4)
P P P 2
xi yi = b0 xi + b1 xi : (A.5)
Sada
P moµzemo simultano riješiti po b0 i b1 tako da jednadµzbu A.4 pomnoµzimo
s xi ; a jednadµzbu A.5 s n
P P P P
xi yi = b0 n xi + b1 ( xi )2 (A.6)
P P P
n xi yi = b0 n xi + b1 n x2i : (A.7)
57
Oduzimanjem jednadµzbe A.6 od jednadµzbe A.7 dobijemo
P P P h P P i
n xi yi xi yi = b1 n x2i ( xi )2 (A.8)
iz µcega slijedi P P P
n xi yi xi yi
b1 = P 2 P 2 : (A.9)
n xi ( xi )
Jednadµzba A.9 moµze se jednostavnije napisati, ako pretpostavimo speci-
jalni sluµcaj da je sredina uzoraka jednaka nuli. U tom specijalnom sluµcaju
moµzemo dobiti koe…cijent smjera regresijskog pravca (b1 ) tako da brojnik i
nazivnik izraza A.9 podijelimo s n2
P P P P
xi yi xi yi xi yi
n n n xy
b1 = P P 2 = Pn : (A.10)
x2i x2i
xi
n x2
n n
P P P
1 e
x (xi x) xi
Dokaz: xe= n i = n
= n
x=x x = 0; vidi Svojstvo B.4. operatora
zbrajanja u Dodatku B.1.
58
Dodatak B
Matematika
P
B.1 Neka svojstva operatora zbrajanja
P
Operator zbrajanja vrijednosti varijable x
n
X
xi = x1 + x2 + + xn
i=1
n
X
kxi = kx1 + kx2 + + kxn
i=1
n
X
= k (x1 + x2 + + xn ) = k xi :
i=1
Svojstvo 2
n
X n
X n
X
(xi + yi ) = xi + yi (B.2)
i=1 i=1 i=1
zato jer
n
X
(xi + yi ) = x1 + y1 + x2 + y2 + + xn + yn
i=1
= (x1 + x2 + + xn ) + (y1 + y2 + + yn )
Xn n
X
= xi + yi :
i=1 i=1
59
Svojstvo 3
n
X
k =k+k+ + k = kn (B.3)
i=1
Svojstvo 4
n
X
(xi x) = 0 (B.4)
i=1
1 Pn
gdje je x = n i=1 xi .
Dokaz.
Pn Pn
i=1 (xi x) i=1 xi nx
=
n n n
n
X
1
= xi x=x x=0
n
i=1
iz µcega slijedi
Pn n
X
i=1 (xi x)
= 0 () (xi x) = 0:
n
i=1
60
Dodatak C
Statistika
61
Dodatak D
Podaci
D.1
y x1 x2 x3 x4 x5
2835.9 4.49 287.80 496.1 100.00 0.3202
2615.0 4.26 292.12 509.2 112.93 -0.1125
2556.2 3.83 296.12 510.2 115.61 -0.3275
2510.9 3.89 297.14 514.2 117.82 -0.3974
2582.6 3.79 298.66 527.9 119.16 -0.3392
2586.4 3.79 301.11 527.1 119.16 -0.8013
2608.4 3.98 306.48 529.9 119.06 -1.3413
2542.7 3.97 310.93 524.6 119.59 -1.1790
2598.7 4.02 316.30 528.9 120.79 -0.8171
2662.4 3.87 322.14 539.9 122.94 -0.4666
2704.3 3.99 327.57 550.3 124.90 -0.2619
2767.3 3.90 333.33 563.4 127.73 -0.4310
2894.1 3.89 340.24 576.8 129.21 -0.0325
2980.6 3.96 347.41 583.9 129.93 -0.0507
3022.8 4.03 352.85 591.0 130.56 0.3994
3088.2 4.12 359.90 594.4 130.60 0.4184
3207.4 4.18 367.92 603.4 130.60 0.6175
3360.1 4.20 375.92 612.1 130.22 0.7757
3513.9 4.19 383.57 624.9 130.46 0.7226
3641.5 4.17 391.03 634.3 129.69 0.6831
3840.1 4.20 397.53 650.4 128.74 0.7747
3888.3 4.21 404.34 659.6 130.12 0.5136
3920.2 4.25 413.47 671.2 133.57 0.5501
3816.3 4.47 421.96 676.3 138.70 0.7459
3951.2 4.77 430.39 696.5 142.58 0.8152
62
Dodatak E
Statistiµcke tablice
63
Tablica E.2: Jednostrane kritiµcne vrijednosti Studentove t distribucije
®
64
Tablica E.3: Jednostrane kritiµcne vrijednosti F distribucije za 5 posto znaµcajnosti
n1
n2 1 2 3 4 5 6 7 8 9 10 12 15 20 25
1 161.446 199.499 215.707 224.583 230.160 233.988 236.767 238.884 240.543 241.882 243.905 245.949 248.016 249.260
2 18.513 19.000 19.164 19.247 19.296 19.329 19.353 19.371 19.385 19.396 19.412 19.429 19.446 19.456
3 10.128 9.552 9.277 9.117 9.013 8.941 8.887 8.845 8.812 8.785 8.745 8.703 8.660 8.634
4 7.709 6.944 6.591 6.388 6.256 6.163 6.094 6.041 5.999 5.964 5.912 5.858 5.803 5.769
5 6.608 5.786 5.409 5.192 5.050 4.950 4.876 4.818 4.772 4.735 4.678 4.619 4.558 4.521
6 5.987 5.143 4.757 4.534 4.387 4.284 4.207 4.147 4.099 4.060 4.000 3.938 3.874 3.835
7 5.591 4.737 4.347 4.120 3.972 3.866 3.787 3.726 3.677 3.637 3.575 3.511 3.445 3.404
8 5.318 4.459 4.066 3.838 3.688 3.581 3.500 3.438 3.388 3.347 3.284 3.218 3.150 3.108
9 5.117 4.256 3.863 3.633 3.482 3.374 3.293 3.230 3.179 3.137 3.073 3.006 2.936 2.893
10 4.965 4.103 3.708 3.478 3.326 3.217 3.135 3.072 3.020 2.978 2.913 2.845 2.774 2.730
11 4.844 3.982 3.587 3.357 3.204 3.095 3.012 2.948 2.896 2.854 2.788 2.719 2.646 2.601
12 4.747 3.885 3.490 3.259 3.106 2.996 2.913 2.849 2.796 2.753 2.687 2.617 2.544 2.498
13 4.667 3.806 3.411 3.179 3.025 2.915 2.832 2.767 2.714 2.671 2.604 2.533 2.459 2.412
14 4.600 3.739 3.344 3.112 2.958 2.848 2.764 2.699 2.646 2.602 2.534 2.463 2.388 2.341
15 4.543 3.682 3.287 3.056 2.901 2.790 2.707 2.641 2.588 2.544 2.475 2.403 2.328 2.280
65
16 4.494 3.634 3.239 3.007 2.852 2.741 2.657 2.591 2.538 2.494 2.425 2.352 2.276 2.227
17 4.451 3.592 3.197 2.965 2.810 2.699 2.614 2.548 2.494 2.450 2.381 2.308 2.230 2.181
18 4.414 3.555 3.160 2.928 2.773 2.661 2.577 2.510 2.456 2.412 2.342 2.269 2.191 2.141
19 4.381 3.522 3.127 2.895 2.740 2.628 2.544 2.477 2.423 2.378 2.308 2.234 2.155 2.106
20 4.351 3.493 3.098 2.866 2.711 2.599 2.514 2.447 2.393 2.348 2.278 2.203 2.124 2.074
21 4.325 3.467 3.072 2.840 2.685 2.573 2.488 2.420 2.366 2.321 2.250 2.176 2.096 2.045
22 4.301 3.443 3.049 2.817 2.661 2.549 2.464 2.397 2.342 2.297 2.226 2.151 2.071 2.020
23 4.279 3.422 3.028 2.796 2.640 2.528 2.442 2.375 2.320 2.275 2.204 2.128 2.048 1.996
24 4.260 3.403 3.009 2.776 2.621 2.508 2.423 2.355 2.300 2.255 2.183 2.108 2.027 1.975
25 4.242 3.385 2.991 2.759 2.603 2.490 2.405 2.337 2.282 2.236 2.165 2.089 2.007 1.955
26 4.225 3.369 2.975 2.743 2.587 2.474 2.388 2.321 2.265 2.220 2.148 2.072 1.990 1.938
27 4.210 3.354 2.960 2.728 2.572 2.459 2.373 2.305 2.250 2.204 2.132 2.056 1.974 1.921
28 4.196 3.340 2.947 2.714 2.558 2.445 2.359 2.291 2.236 2.190 2.118 2.041 1.959 1.906
29 4.183 3.328 2.934 2.701 2.545 2.432 2.346 2.278 2.223 2.177 2.104 2.027 1.945 1.891
30 4.171 3.316 2.922 2.690 2.534 2.421 2.334 2.266 2.211 2.165 2.092 2.015 1.932 1.878
31 4.160 3.305 2.911 2.679 2.523 2.409 2.323 2.255 2.199 2.153 2.080 2.003 1.920 1.866
32 4.149 3.295 2.901 2.668 2.512 2.399 2.313 2.244 2.189 2.142 2.070 1.992 1.908 1.854
33 4.139 3.285 2.892 2.659 2.503 2.389 2.303 2.235 2.179 2.133 2.060 1.982 1.898 1.844
34 4.130 3.276 2.883 2.650 2.494 2.380 2.294 2.225 2.170 2.123 2.050 1.972 1.888 1.833
35 4.121 3.267 2.874 2.641 2.485 2.372 2.285 2.217 2.161 2.114 2.041 1.963 1.878 1.824
36 4.113 3.259 2.866 2.634 2.477 2.364 2.277 2.209 2.153 2.106 2.033 1.954 1.870 1.815
37 4.105 3.252 2.859 2.626 2.470 2.356 2.270 2.201 2.145 2.098 2.025 1.946 1.861 1.806
38 4.098 3.245 2.852 2.619 2.463 2.349 2.262 2.194 2.138 2.091 2.017 1.939 1.853 1.798
39 4.091 3.238 2.845 2.612 2.456 2.342 2.255 2.187 2.131 2.084 2.010 1.931 1.846 1.791
40 4.085 3.232 2.839 2.606 2.449 2.336 2.249 2.180 2.124 2.077 2.003 1.924 1.839 1.783
Izvor: Vrijednosti su izračunate koristeći Excel funkciju FINV. n 1=stupnjevi slobode brojnika, n 2=stupnjevi slobode nazivnika
Tablica E.4: Jednostrane kritiµcne vrijednosti F distribucije za 1 posto znaµcajnosti
n1
n2 1 2 3 4 5 6 7 8 9 10 12 15 20
1 4052.185 4999.340 5403.534 5624.257 5763.955 5858.950 5928.334 5980.954 6022.397 6055.925 6106.682 6156.974 6208.662
2 98.502 99.000 99.164 99.251 99.302 99.331 99.357 99.375 99.390 99.397 99.419 99.433 99.448
3 34.116 30.816 29.457 28.710 28.237 27.911 27.671 27.489 27.345 27.228 27.052 26.872 26.690
4 21.198 18.000 16.694 15.977 15.522 15.207 14.976 14.799 14.659 14.546 14.374 14.198 14.019
5 16.258 13.274 12.060 11.392 10.967 10.672 10.456 10.289 10.158 10.051 9.888 9.722 9.553
6 13.745 10.925 9.780 9.148 8.746 8.466 8.260 8.102 7.976 7.874 7.718 7.559 7.396
7 12.246 9.547 8.451 7.847 7.460 7.191 6.993 6.840 6.719 6.620 6.469 6.314 6.155
8 11.259 8.649 7.591 7.006 6.632 6.371 6.178 6.029 5.911 5.814 5.667 5.515 5.359
9 10.562 8.022 6.992 6.422 6.057 5.802 5.613 5.467 5.351 5.257 5.111 4.962 4.808
10 10.044 7.559 6.552 5.994 5.636 5.386 5.200 5.057 4.942 4.849 4.706 4.558 4.405
11 9.646 7.206 6.217 5.668 5.316 5.069 4.886 4.744 4.632 4.539 4.397 4.251 4.099
12 9.330 6.927 5.953 5.412 5.064 4.821 4.640 4.499 4.388 4.296 4.155 4.010 3.858
13 9.074 6.701 5.739 5.205 4.862 4.620 4.441 4.302 4.191 4.100 3.960 3.815 3.665
14 8.862 6.515 5.564 5.035 4.695 4.456 4.278 4.140 4.030 3.939 3.800 3.656 3.505
15 8.683 6.359 5.417 4.893 4.556 4.318 4.142 4.004 3.895 3.805 3.666 3.522 3.372
66
16 8.531 6.226 5.292 4.773 4.437 4.202 4.026 3.890 3.780 3.691 3.553 3.409 3.259
17 8.400 6.112 5.185 4.669 4.336 4.101 3.927 3.791 3.682 3.593 3.455 3.312 3.162
18 8.285 6.013 5.092 4.579 4.248 4.015 3.841 3.705 3.597 3.508 3.371 3.227 3.077
19 8.185 5.926 5.010 4.500 4.171 3.939 3.765 3.631 3.523 3.434 3.297 3.153 3.003
20 8.096 5.849 4.938 4.431 4.103 3.871 3.699 3.564 3.457 3.368 3.231 3.088 2.938
21 8.017 5.780 4.874 4.369 4.042 3.812 3.640 3.506 3.398 3.310 3.173 3.030 2.880
22 7.945 5.719 4.817 4.313 3.988 3.758 3.587 3.453 3.346 3.258 3.121 2.978 2.827
23 7.881 5.664 4.765 4.264 3.939 3.710 3.539 3.406 3.299 3.211 3.074 2.931 2.780
24 7.823 5.614 4.718 4.218 3.895 3.667 3.496 3.363 3.256 3.168 3.032 2.889 2.738
25 7.770 5.568 4.675 4.177 3.855 3.627 3.457 3.324 3.217 3.129 2.993 2.850 2.699
26 7.721 5.526 4.637 4.140 3.818 3.591 3.421 3.288 3.182 3.094 2.958 2.815 2.664
27 7.677 5.488 4.601 4.106 3.785 3.558 3.388 3.256 3.149 3.062 2.926 2.783 2.632
28 7.636 5.453 4.568 4.074 3.754 3.528 3.358 3.226 3.120 3.032 2.896 2.753 2.602
29 7.598 5.420 4.538 4.045 3.725 3.499 3.330 3.198 3.092 3.005 2.868 2.726 2.574
30 7.562 5.390 4.510 4.018 3.699 3.473 3.305 3.173 3.067 2.979 2.843 2.700 2.549
31 7.530 5.362 4.484 3.993 3.675 3.449 3.281 3.149 3.043 2.955 2.820 2.677 2.525
32 7.499 5.336 4.459 3.969 3.652 3.427 3.258 3.127 3.021 2.934 2.798 2.655 2.503
33 7.471 5.312 4.437 3.948 3.630 3.406 3.238 3.106 3.000 2.913 2.777 2.634 2.482
34 7.444 5.289 4.416 3.927 3.611 3.386 3.218 3.087 2.981 2.894 2.758 2.615 2.463
35 7.419 5.268 4.396 3.908 3.592 3.368 3.200 3.069 2.963 2.876 2.740 2.597 2.445
36 7.396 5.248 4.377 3.890 3.574 3.351 3.183 3.052 2.946 2.859 2.723 2.580 2.428
37 7.374 5.229 4.360 3.873 3.558 3.334 3.167 3.036 2.930 2.843 2.707 2.564 2.412
38 7.353 5.211 4.343 3.858 3.542 3.319 3.152 3.021 2.915 2.828 2.692 2.549 2.397
39 7.333 5.194 4.327 3.843 3.528 3.305 3.137 3.006 2.901 2.814 2.678 2.535 2.382
40 7.314 5.178 4.313 3.828 3.514 3.291 3.124 2.993 2.888 2.801 2.665 2.522 2.369
Izvor: Vrijednosti su izračunate koristeći Excel funkciju FINV. n 1=stupnjevi slobode brojnika, n 2=stupnjevi slobode nazivnika
Tablica E.5: Jednostrane kritiµcne vrijednosti 2 distribucije
®
n¡ k 0.995 0.990 0.975 0.95 0.9 0.5 0.1 0.05 0.025 0.01 0.005
1 0.000 0.000 0.001 0.004 0.016 0.455 2.706 3.841 5.024 6.635 7.879
2 0.010 0.020 0.051 0.103 0.211 1.386 4.605 5.991 7.378 9.210 10.597
3 0.072 0.115 0.216 0.352 0.584 2.366 6.251 7.815 9.348 11.345 12.838
4 0.207 0.297 0.484 0.711 1.064 3.357 7.779 9.488 11.143 13.277 14.860
5 0.412 0.554 0.831 1.145 1.610 4.351 9.236 11.070 12.832 15.086 16.750
6 0.676 0.872 1.237 1.635 2.204 5.348 10.645 12.592 14.449 16.812 18.548
7 0.989 1.239 1.690 2.167 2.833 6.346 12.017 14.067 16.013 18.475 20.278
8 1.344 1.647 2.180 2.733 3.490 7.344 13.362 15.507 17.535 20.090 21.955
9 1.735 2.088 2.700 3.325 4.168 8.343 14.684 16.919 19.023 21.666 23.589
10 2.156 2.558 3.247 3.940 4.865 9.342 15.987 18.307 20.483 23.209 25.188
11 2.603 3.053 3.816 4.575 5.578 10.341 17.275 19.675 21.920 24.725 26.757
12 3.074 3.571 4.404 5.226 6.304 11.340 18.549 21.026 23.337 26.217 28.300
13 3.565 4.107 5.009 5.892 7.041 12.340 19.812 22.362 24.736 27.688 29.819
14 4.075 4.660 5.629 6.571 7.790 13.339 21.064 23.685 26.119 29.141 31.319
15 4.601 5.229 6.262 7.261 8.547 14.339 22.307 24.996 27.488 30.578 32.801
16 5.142 5.812 6.908 7.962 9.312 15.338 23.542 26.296 28.845 32.000 34.267
17 5.697 6.408 7.564 8.672 10.085 16.338 24.769 27.587 30.191 33.409 35.718
18 6.265 7.015 8.231 9.390 10.865 17.338 25.989 28.869 31.526 34.805 37.156
19 6.844 7.633 8.907 10.117 11.651 18.338 27.204 30.144 32.852 36.191 38.582
20 7.434 8.260 9.591 10.851 12.443 19.337 28.412 31.410 34.170 37.566 39.997
21 8.034 8.897 10.283 11.591 13.240 20.337 29.615 32.671 35.479 38.932 41.401
22 8.643 9.542 10.982 12.338 14.041 21.337 30.813 33.924 36.781 40.289 42.796
23 9.260 10.196 11.689 13.091 14.848 22.337 32.007 35.172 38.076 41.638 44.181
24 9.886 10.856 12.401 13.848 15.659 23.337 33.196 36.415 39.364 42.980 45.558
25 10.520 11.524 13.120 14.611 16.473 24.337 34.382 37.652 40.646 44.314 46.928
26 11.160 12.198 13.844 15.379 17.292 25.336 35.563 38.885 41.923 45.642 48.290
27 11.808 12.878 14.573 16.151 18.114 26.336 36.741 40.113 43.195 46.963 49.645
28 12.461 13.565 15.308 16.928 18.939 27.336 37.916 41.337 44.461 48.278 50.994
29 13.121 14.256 16.047 17.708 19.768 28.336 39.087 42.557 45.722 49.588 52.335
30 13.787 14.953 16.791 18.493 20.599 29.336 40.256 43.773 46.979 50.892 53.672
31 14.458 15.655 17.539 19.281 21.434 30.336 41.422 44.985 48.232 52.191 55.002
32 15.134 16.362 18.291 20.072 22.271 31.336 42.585 46.194 49.480 53.486 56.328
33 15.815 17.073 19.047 20.867 23.110 32.336 43.745 47.400 50.725 54.775 57.648
34 16.501 17.789 19.806 21.664 23.952 33.336 44.903 48.602 51.966 56.061 58.964
35 17.192 18.509 20.569 22.465 24.797 34.336 46.059 49.802 53.203 57.342 60.275
36 17.887 19.233 21.336 23.269 25.643 35.336 47.212 50.998 54.437 58.619 61.581
37 18.586 19.960 22.106 24.075 26.492 36.336 48.363 52.192 55.668 59.893 62.883
38 19.289 20.691 22.878 24.884 27.343 37.335 49.513 53.384 56.895 61.162 64.181
39 19.996 21.426 23.654 25.695 28.196 38.335 50.660 54.572 58.120 62.428 65.475
40 20.707 22.164 24.433 26.509 29.051 39.335 51.805 55.758 59.342 63.691 66.766
Izvor: Vrijednosti su izračunate koristeći Excel funkciju CHIINV.
67
Bibliogra…ja
[1] Baltagi, B.H., (2011), Econometrics, peto izdanje, Springer Text in Bu-
siness and Economics.
[2] Davidson, R., J.G. MacKinnon, (2004), Econometric Theory and Met-
hods, Oxford University Press, New York.
[3] Greene, W.H., (2003), Econometric Analysis, peto izdanje, Prentice Hall,
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 Econo-
mic Forecasts, µcetvrto izdanje, McGraw-Hill, New York.
68