Goryl A. - Wprowadzenie Do Ekonometrii

Spis treści
S l owows tę pne
13
1. 1. Czymjescekonomecria 13
1.2. Pojęcie modelu ekonometrycznego oraz terminologia zwi<1zana z modelowaniem
1.3. Rolaczynnikalosowego 16
1.4. Klasyfikacja modeli ekonometrycznych
1.5. Etapy budowania modelu 20
1.6. Trochę historii 22
1.7. Eko11ometriadziśiju1ro 24
2. 1\fodelc j edn or ównaniowe liniowe 26

2.1. Definicja mode lu regresji liniowej 26
2.2. Wybór zmiennych objaśniaj'!cych do model u ekonometrycznego
2.2. l. Metoda pojemności infomrncyj nej Hdlwiga . 29
2.2.2. Mc1odaanalizygrnfów 33
2.3. Estymacja modelu 36
2.3. l. Klasyczny model regresji liniowej - założenia . 36
2.3.2. Klasyczna metoda najmniejszych kwadra1ów . 37
2.4. Weryfikacja modelu . . . . . . . . . . . . . . . . . . .
2.4. l. Ocena dobroci dopasowania modelu do danych empirycznych 52
2.4.2. Testowanie parametrów strukturalnych modelu 53
2.4.3.Badanicw!ożeńosk/adnikachlosowych
2.5. Merytoryczna interpretacja paramc1rów strukturalnych os7.acowanych modeli 77
2.6. Uogólniony model regresji liniowej (UMRL) 78
2.6. l.Definicja - założenia 79
2.6.2. Es1ymacja - uogólniona MNK 79
Zadania
3. Moddl'ni l.'. linioWl' ..................... .

3.1. Charak1crys1yka wybranych modeli nieliniowych 113
3.2. Estymacja MNK modeli 1r.insfom10wal11ych do postaci liniowej 121
3.2. l. Modele liniowe względem parametrów 122
3.2.2. Modele nie liniowe względem zmiennych i parnmetrów 129
Spis treści
3.3. MOOelcściślenieliniowe
169
169
170
177
186
186
19Q
194
195
199
202
220
224
237
245
250
253
26-0
270
6 Element y ekono111 etryc1.11ej a n a li1.y ry nku 29(1

6 . I. Wybrane mOOele rozkładu dochodów 29(1
6 .2. Ekonometryczna anali1.a popytu konsumpcyjnego 314
6.2.1. Makroekonomiczne funkcje popytu 316
6.2.2. Mikroc.konomiczncfunkcjepopytu 326
6.3. Analiza struktur wydatków i ich zróżnicowania 346
Zadania . . . . . . . . . . . . . . . . . . 352
375
375
375
379
383
383
388
392
392
Spis treści
7.3.2. l dentyfikuwalność modelu wspó! za!eżncgo 396

7.3.3. PośredniaMNK 399
7.3.4. Dwustopniowa (JXX!wójna) MNK 400
7.4. Wykorlyscanie modeli wielorównaniowych 405
7.4.l.Prognozowanic . . . . . . . . . . . . . . . . . . 405
7.4.2. Pos1aćkońcowai analizamnoinikowa 408
Zadania 413
Odpowiedzi do zadań 418
478
Przypadek rządzi ponad
polową naszych dzialań,
my kierujemy resztą.
Niceo/o Machiavelli
Słowo wstępne
Idca wielkiego my ś liciela epoki włoskiego re nesansu Niccolo Machiavellego przy1oczo-

na jako motto ma na celu określenie w sposób możliwie najbardziej zwięzły punktu
widzenia autorów na procesy zachodzące w życiu gospodarczym i zaakcentowanie moż
liwo ści występowania zdarze ń losowych również w tej dziedzinie. Ma ponadto u zmysło
wić rolę przypadku wszystki m studiującym, a tym samym s kłonić do stosowania stocha-
stycznego pod ej ścia we wszystkich interpretacjach analiz i prognoz ekonometrycznych
realizowanych w sferze zjaw isk społeczno-gospodarczych
Podn;cznik. który trafia do rąk Czytelnika, ma już swoją wcale niekrótką h i stori ę.
Jej początki sięgają lat osiemdziesiątych ubieg łego stulecia. W 1981 r. w krakowskiej
Akademii Ekonomicznej ujrzał św iatło dzienne skrypt uczelniany zatytułowany Zbiór
zadmi z ekonome/rii opisowej. Skrypt miał dwa wydania: w 198 1 i 1986 r. Zbiór ten jest
prapozycją dzisiejszego podręcznika. Jego redaktorem naukowym był nieżyjący już -
uznawany przez cały nasz zes pół za Nauczyciela i Profesora - Jan Czyżyński.
Na bazie Zbiorn zadmi .. . w 1996 r. powstała kolejna pozycja, rozszerzona i ulepszo-
na, a mianowicie wydany pr1.:ez Wydawnictwo Naukowe PWN podręcznik Wprowadzenie
do ekonome/rii w przykładach i zadaniach pod redakcją Karola Kukuły. Mija już dwa-
na śc ie lat od pojawienia się pierwszego wydani a Wprowadzenia .. . W tym czasie ukazało
s i ę drugie poprawione i rozszerzone wydanie; ukazywały s i ę też liczne dodruki, co świad
czy o dużym zainteresowaniu i zapotrzebowaniu na ten rodzaj pomocy dydaktycznej
Obecnie zes pół autorski doszedł do przekonania, iż nads zedł czas na moderni zację
ks i ążki. Nowy podręcznik bazując na układzie obu wydail Wprowadzenia do ekono-
metrii w przykładach i zadaniach (1996 i 1999), wzbogaca je o dodatkowy element
w postaci niezbędnej dawki teorii poprzedzającej zadania. Dane empiryczne, będące
osnową niektórych przykładów i zadań, zaktualizowano, wiele z nich wymieniono na
inne, a także dołączono nowe. Cał ość tak skomponowano, aby podręcznik s tał s i ę
w pełni wys t arczającą pomocą naukową dla studenta, nie zmuszając go do s i ęgania po
inne pozycje. Oczywiśc i e, pragnący poszerzyć zakres swej wiedzy powinni we rtować
podręczniki i monografie różnych autorów. Dokonane zmiany i uzupełnienia w pełn i
uzasadniają nowy tytuł podręcznika Wt>rowadzenie do ekonomelrii
K siążka przeznaczona jest dla osób s mdiujących ekonomi ę oraz zar1.:ądzani e zarów-
no w trybie stacjonarnym, jak i zaocznym, a także dla wykonawców określonych zadań
Słowo wstępne
b<1dawczych wymagaji1cych znajomości metod ekonometrycznych. Zamieszczone przy-

kłady, s tanowiące miniatury rzeczywistych problemów badawczych, i ich rozwiązania
sprzyjają samodzielnemu studiowaniu przedmiotu również w warunkach domowych.
Zaproponowane zmiany, w naszym prt.:ekonaniu , pod n oszą walory dydaktyczne podręcz
nika, czy ni ąc go bardziej autonomicznym; jego zawartość obejmuje tre śc i programowe
zarówno wykładów jak i ćw i cze 1't
Nastani e gospodarki rynkowej w Polsce i jej rozwój sprawia, i ż metody ekono-
metryczne oraz związane z nimi prognozowanie i sy mulacje gospodarcze c i eszą s ię coraz
większym uznaniem i zapotrzebowani em społ eczn ym. Z n ajd ują liczne zastosowania
w skali z<1równo mikro-, jak i rnakrogospodarki . Wszystko to stanowi istotną przes łankę
doskonal enia już i st n iejących i powstawania nowych pomocy dydaktycznych, mającyc h
za zadanie ułatwia ni e percepcji niezbędnej wiedzy z zakresu ekonometrii. Przedstawione
argumenty są,j<1k s i ę wydaje. wystarczającym uzasadnieniem podjęcia decyzji napisania
tej książki.
Struktura każd ego z rozdziałów (oprócz pierwszego) jest niezmienna. Na rozdział
s kł ada się: omówienie teoretyczne zagadnienia, prezentacja p rzy kład ów, a n astęp ni e
zestaw zadań. Przykłady oraz zadania koresponduj ą z treścią merytorycznego wykładu
na temat okreś l o n y w tytule rozdziału. Przykład y i zadania są numerowane w sposób
ciąg ł y, tzn. każdy przykład i każde zadanie ma swój numer, który s i ę nic powtarza.
Rozd zi ał pier wszy wprowadza Czytelnika w „św iat ekonometrii" . Omawia się za-
tem sam termin „ekonometria··, jego gen ezę oraz przedstawia próby jego zdefiniowania
Opisuje się związki ł ączące e konom e tri ę z innymi dyscyplinami naukowymi. Szczegól-
ne miejsce poświęca s i ę modelom ekonometrycznym jako podstawowym narzędzi om
dyscypliny. Omawia się problem l osowości w ekonomii i ekonometrii. Przedstawia etapy
budowy modeli ekonometrycznych, a następnie prezentuje ich klasyfikacje w oparc iu
o różne kryteria. Odrębna jego część przypada na zarys historii owej młodej dyscypliny,
jaką jest ekonometria oraz próbę okre ś lenia roli.jaką ma do odegrania obecnie. Rozdział
nie zaw iern ani p rt.:y kład ów, ani zadań .
R ozd zi ał d rugi zawiera omówienie podstawowej klasy modeli, jaką sąjed norówna
niowe modele liniowe. Szczególną u wagę zwrócono na problem wyboru zmiennych ob-
jaśniających. Głównym tematem rozdz iału są zagadnienia zw iązan e z estymacją modelu,
tj . z szacowaniem parametrów strukturalnych oraz parametrów struktury stochastycznej
modelu . Mocny akcent po łożon o n:1 problematykę weryfikacji, czy li wszechslronnego
sprawdzenia jakości oszacowanego model u. Kolej ny punkt rozdzi ału stanowi uogólnio-
ny model regresji liniowej, jego definicja i za łożenia. Pokazano w nim zastosowanie
uogólnionej metody najmniejszych kwadraiów
W rozdziulc t rzecim przedstawiono zagadnienia związan e z jednorównaniowymi
modelami nielini owymi. Dokonano charakterystyki wybranych modeli nieliniowych
łączn ie z omówieniem sposobów wyboru postaci analitycznej. Kolejno przedstawiono
esty macj ę mode li niel iniowych (sprowadzalnych do postaci liniowej) przy zastosowa-
niu metody najmniejszych kwadratów (M NK). Wiele miejsca poświęcono nieliniowej
MNK - algoryt m Gaussa- Newtona. Opi sane podej śc ie z zastosowaniem algorytmu
Gaussa- Newtona zilustrowano przykładami, szacując funkcje TOmqui sta oraz funk cje
sigmoidalne
Słowo wst~pne
Rozdział czwarty traktuje o technikach budowy prognoz bazujących na jednorów-

naniowych mode lach ekonometrycznych. Zaprezentowano predy k cję z wykorąstan i em
modeli przyczynowo-opisowych oraz tendencji rozwojowej. Przedstawiono rów ni eż
techniki budowy prognoz w przypadku występowania wahań sezonowyc h. Osobno
potraktowano prognozy, w których jako predyktor występ uj ą trendy jednoimiennych
okresów. Ostatnim tematem są wybrane metody ad<1ptacyjne jako n arzędz i a predykcj i
Piąty rozdzial jest poświęcon y ekonometrycznym metodom pomocnym w analizie
procesu produkcyjnego. Omówiono funkcje produkcji Cobba- Douglasa, CES oraz
translog - Leontieffa. Osobno omówiono a n ali zę neutralnego postępu techni czno-
-organizacyj nego w zdynamizowanej przez Jana Tinbergena funkcji produkcj i Cobba-
- Douglasa. Nastę pni e przedstawiono modele op i s ujące kształtowanie s i ę wydaj n ośc i
pracy oraz kosztów.
Elementy ekonometrycznej analizy rynku są tematem rozdziału szóstego. Anali-
zę otwiera omówienie niektórych rozk ł adów dochodów ludn ośc i jako podstawowego
czynnika kreującego popyt. Dalej opi sano zastosowanie mikro- i makroekonomicznych
funk cji popytu. R ozdzi a ł zamyka opis metod badania struktur ekonomicznych wraz
z odpowiednią ilus t racją w postaci przykładów
Rozdział siódmy obej muje problematykę modelowania wielorównaniowego. Za-
gadnieni a związane z kons lruk cją modeli wielorównaniowych nie należą do łatwych
i od strony dydaktycznej są znacznie słab i ej prezentowane w literaturze przedmiotu
Stąd rozdział ten otwierają przykłady ekonomiczne, w których punktem wyjśc ia są
rozw<1żania w mikroskali, po czym następ uje p rzejście do problematyki modelowania
gospodarki jako ca ło ści (makroskala). Kolejno omów iono postacie i kłasy modeli wielo-
równaniowych. Wprowadzenie do estymacji przedstawia warunki s t osowaln ości MNK,
pośredniej MNK oraz dwustopniowej (podwój nej) MNK wraz z przyk ładami. Rozd ział
zamyka krótkie omówienie zastosowań modeli wielorównaniowych w budowie prognoz
oraz wykorzystania analizy mn ożnikowej
Nas tępn i e zamieszczono odpowiedzi do zad ań, w postaci zwięź l e opracowanych
wyników, bez prezentacji toku rozwiązania, który to zawierają przykłady. K siążkę
uzupełnia przykładowy egzamin w formie testu wraz z rozwiązaniem. Całość kończy
wykaz wybranych pozycji z Uteratury prLedmiotu oraz indeks
W ostatnim zdani u chcę w imieniu zespołu autorów wyraz i ć w d zięczność recen-
zentom: Prof. dr hab. Walentemu Ostasiewiczowi oraz Prof. dr hab. Józefowi Zajqcowi
za cenne spostrzeżenia i uwagi, które podnosząc j akość podręcz nika, s tan owią zarazem
j a k ąś cząst kę myśli w nim zawarlych.
Karo! K11k11fa
Kraków. g rudz i eń 2008 r.
Pamięci
Naszego Nauczycie/a
Profesora Jana Czyżyńskiego
1
Ekonometria jako dyscyplina naukowa
i jej miejsce w gospodarce rynkowej
1.1. Czym jest ekonometria
Ekonometrię można traktować jako narural ne „dziecko" uniwersalnej dyscypliny na-

ukowej, jakq jest statystyka. Statystyka powst ała znacznie wcześniej ni ż ekonometria ,
wypracowa ł a t eż szereg oryginalnych metod badawczych i dosiarcza j ej n arzędz i uprzed-
ni o wypróbowanych w różnyc h dziedzinach, w których występuje l osowość zd arze ń
i ograniczona pewność wnioskowania
Termin ekonometria pows t ał ze z łożenia dwóch s ł ów pochodzących z języ ka grec-
kiego: „oekonomia'', czyli gospodarka, oraz „me/reo", czyli mi e rzyć . Razem wzię t e po-
zwal ają i n te rpretować ekonom etrię jako naukę podej mującą zadanie pomiaru zależnośc i
zachodzących w gospodarce. Zatem nie chodzi tu o mierzenie bezpośrednio, np. wielko-
ści produkcj i, s przedaży czy innych kategorii ekonomicznych, lecz o uchwycenie relacji,
jakie zac hodzą mi ędzy zjawiskami ekonomicznymi oraz o ich wykorzystanie w analizie
i przewidywaniu, a nieki edy w symulacji. Jak wynika z przeprowadzonych rozważań ,
ni e łatwo jest udzi e li ć jednoznacznej odpowiedzi na postawione na wstępie pytan ie. Nie-
którzy ekonometrycy, do których zalicza s ię S. Bartosiewicz, u ważają, że ekonometria
jest częścią statystyki, „zaj muj ącą s i ę badani em zw i ąz ków, relacji pomiędzy zjawiska-
mi natury ekonomicznej" ([9], s. 12) . To nic innego zatem, jak statystyka w ekonomii
N i ewątpliwie jest wiele racji w tym stwierdzeniu, zw ł aszcza gdy chodzi o początki eko-
nometrii. Ale prawdą jest równ i eż, i ż klasycy ekonometrii wypracowali wiele nowych
metod ujmuj ących specy fikę zjawisk ekonomicznych, zw iąza n ych z ich modelowaniem
Wszystkie te osiągn i ęcia uprawn iaj ą egzystowanie ekonometrii jako odn;bnej dziedziny
wś ród dyscyplin z zakresu nauk ekonomicznych. Zresztą w bardzo podobny sposób po-
wstała i os i ągnęł a kolej ne etapy rozwoju dyscyplina o nazwie biometria. R ów ni eż ona
czerpała i nadal czerpie ze źródła, którym jesl statystyka
Podsumowaniem rozważań nad pojmowan iem s ł owa ekonometria niech będzie przy-
toczeni e dwóch bardzo podobnych okreś l eń omawianego term inu , autorstwa prekurso-
rów ekonometrii w Polsce - profesorów Oskara Lange oraz Zbigniewa Pawłowski ego
Według Oskara Lange ([9 1], s. 11). „ekonometria to nauka zajmująca s i ę ustalaniem
za pomocą metod statystycznych konkretnych, ilościowyc h prawi dłowości zacho-
dzących w Ż)' ciu gospodarczym". Bardzo podobnie, lecz z podkreś l e n iem w i ę k szej
1. Ekonometria jako dyscyplina naukowa i jej miejsce w gospodarce rynkowej
a utonomi cz n ości dyscypl iny, defi niuje to pojęci e Zbigni ew Pawłows k i. Wed łu g niego
([ 110), s. 15) ,,ekonometria jest nauką o metodach badania ilościowych prawidlo-
wości wystę pujących w zjawiskach ekonomicznych za pomocą odpowiednio wyspe-
cjalizowanego aparatu matematyczno-statystycznego"
Z przywołanych okre śle ń tem1inu eko110111e1ria wynika, że dyscyplina ta jesl śc iśle
zw iąza na z tcol"iąckonomii oraz z matematyką i jej gałęzią zwaną statystyką matema-
tyczną. Pog l ąd ten podzie la R. Fri sch, jeden z klasyków ekonometrii , który stwierdza:
„Doświadczenie pokazuje. że każda z tych trzech dziedzin. tj. statystyka, teoria ekonomii
i matematyka, jest potrLebna, ale sama w sobie nic stanowi wystarczającego warunku do
peł n ego zrozumieni a związków i l ościowych we współczesnym życ iu ekonomicznym.
Dopi ero połączeni e tych trzech dziedzin daje potężne n arzędz i e i ono konstyt uuje eko-
nometrię" ([4lJ). Widoczne są również pewne związki ekonometrii z ekonomią mate-
marycvią oraz z badaniami operacyjnymi, nazywanymi także fJrogramowaniem mare-
matycv1ym. Równi eż a11aliza wielowymiaroll'a częs to znajduje wspólne śc i eżki z mo-
delowaniem ekonometrycznym. Ekonometria pozwala mod e l ować złożone procesy go-
spodarcze, dostarczając tym samym narzędzi do budowy prognoz oraz do dokonywania
symulacji . Tym samym pojawiają s i ę kolej ne relacje łączące ekonomet rię z pmg11oz.owa-
11ie111 i sym ulacją
Stosunkowo od dość dawna e ko n o m etr i ę z aczęto pojmować w dwojaki sposób: se11-
s11 stricto oraz sensu forgo. Ekonometria pojmowana w pierwszy sposób Io teoria budowy
modeli ekonometrycznych wraz z ich wykorzystaniem w praktyce. Ekonometria sensu
largo oprócz modelowan ia obej muje takie dziedziny jak: badanfrl opemcyjne, analizę
wielowymiarową, prognoz.owanie i symulacje, a t akże ekonomię 111atemarycv1ą. Wszyst-
kie te dziedziny ł ączy jedność wykorzystywanych metod o charakterze matematyczno-
-statystycznym. J edn akże w nikając g łę bi ej w specy fikę wymienionych przedmiotów, na-
l eży podkreślić , iż ka żdy z nich ma od ręb ni e zakreś lon y obszar badawczy oraz posługuje
s i ę specjalnie dobranymi, sobie właściwymi metodami, a zatem są dyscyplinami autono-
miczny mi . Bi o rąc to wszystko pod u wagę , wypada zgodz i ć s i ę z pog l ąd e m S. Bar1osie-
wicz ([9J, s. 12), i ż „ekon omet rię n ależy traktować sensu s1ric10".
1.2. Pojęcie modelu ekonometrycznego

oraz terminologia związana z modelowaniem
Podstawowym narzcdziem ekonometrii jest model ekonometryczny. Ekonometria bada-
jąc il ośc i owe za l eżnośc i zachod zące mi ędzy
zjawiskami ekonomiczny mi, musi dyspo-
nowa ć okreś l onymi n arzędzi ami. W rozpatrywaniu wspomnianych relacji na rzęd z i ami
przydatnymi w praktyce są modele ekonometryczne. Poj ęcie modelu wys tęp uje nie-
mal w k ażdej dyscyplinie naukowej. Dl atego w rozważaniac h o modelowaniu ekono-
metrycznym przytoczymy ogólną defi ni cję modelu, sformuł owan ą przez I.D.J . Brossa
f l4]. Według tegoż autora. model to uproszczone odwzorowanie rzeczyw istości .
Łatwo za uważyć, i ż okreś l e ni e to ma charakter na tyle ogólny, iż jesl w ł aściwe dla
modeli wyst ępujących w róż n yc h dziedzinach nauki. Warto zwrócić u wagę na trzy
ostatnie s łow a: uproszczone odwzorowanie rzeczyw i st ości. W tym k on te kście s łowo
1.2. Pojęcie modelu ekonometrycznego oraz terminolagia związana z modelowaniem
„uproszczone" oznacza uwzg lęd nienie w modelu jedynie tyc h elementów rzeczywisto-
ści, które są naj waż ni ejsze, i pominiecie elementów mniej istotnych. Definicja modelu
Brossa znajduje odbic ie w definicji modelu ekonome1rycznego sformułowanej przez
Zbigniewa P:1włowskiego, przedwcześnie zmarłego polski ego ekonometryka, autora
wielu podręczni ków i monografii z zakresu statystyki oraz ekonometrii
„Model ekonometf"}·czny jest to konstrukcja formalna , która za pomocą pewne-
go równania lub układu równań przedstawia zasadnicze powiązani a występujące
pomiędzy rozpatrywanymi zjawiskami ekonomicznymi" (Z. Pawłow ski [i IO]. s. 35)
Z definicji tej wynika, iż model ekonometryczny n a l eży postrzegać jako równanie (lub
układ rów naf1) przedstawiające ważne relacje wys tę puj ące w gospodarce. W dalszej czę
ści tego rozdz i ału będzie mowa tylko o modelach jednorównaniowych,jako że modelom
wielorównaniowym poświęcono odrębny rozdział
Relacje między zjawiskami ekonomicznymi zwykle są bardzo złożon e, a niekie-
dy wzajemnie sp rzężo n e. Na opisywane przez model zjawisko zwykle wplywa d u ża
liczba czynników. Z tym, iż oddziaływanie niektórych czynników jest silne i trwałe
(tych zwykle występuje ni ewiele), innych zaś zdecydowanie s łab sze i ni etrwałe. Do
tego dochodzi wpływ tzw. czynników losowych, występujących sporadycznie i nie-
regularnie. W modelu uwzg l ęd ni amy tylko czynniki g ł ów ne , istotnie wpływające na
opisywane zjawisko . Natomiast pomijamy czynniki s łabo odd ziałujące oraz czynniki
czysto losowe. Pozostaje to w pełnej zgodności zarówno z ogólną defi ni cją model u
Brossa, jak i z okreś l e n iem modelu ekonometrycznego sformułowanym przez Pawłow
skiego.
Ogólnie model ekonometryczny jednorównaniowy moż na za pi sać w następujący
sposób·
(I.I)
gdzie: Y - zmie nna obja ś niana (endogeni czna) reprezentuje zjawisko mode lowane;
X 1• • XK - zmienne objaśniające; s - zmienna losowa zwana zakłócen i e m loso-
wym; f - postać analityczna modelu ; K - liczba zmiennych objaśniających (j =
I, ,K)
Uwzględnienie s kładnika losowego w równaniu nadaje modelowi ekonometryczne-
mu c harakter zw i ązku stochastycznego. Ta sama relacja bez uw zg lęd nienia składnika
losowego ma charakter zw i ązk u dete rmini stycznego, który przyjmuje postać
(1.2)
W równaniu ( l.2) symbolem Y oznaczono zmienną za l eż ną, a X 1... , X K zmienne

ni eza l eż n e.
W modelu ekonometrycznym ( I.I ) zamiast zmiennych ni eza leżnych występują
zmienne objaśniające, które opis ują ksz tałtowani e s ię zmiennej endogenicznej (ob-
j aśnian ej). Na l eży jednak pamiętać, i ż obecność zmi ennej losowej e w modelu ekono-
metrycznym o postaci ( I.I ) powoduje, że wnioskowanie na podstawie oszacowanych
jego parametrów ma tylko przyb l iżony charakter.
1.3. Rola czynnika losowego

O tym, że w gospodarce zdarzają się różne niespodziew:me pn.:ypadki losowe, wywierają
ce ni ejednokrotnie po 1 ęż n y wpł yw najej rozwój, obecnie nikogo nie trzeba przekonywać.
Jako pierwszy z brzegu przykład rozważmy zdarzenie losowe polegaji1ce na wystąpie
niu zjawiska suszy w danym roku. Co to oznacza z ekonomicznego punktu widzenia?
Otóż rolnicy ponieśli koszty zw i ązane z zasiewem. sadzeniem. nawoże ni e m. opryskami
oraz innymi zabiegami agrotechnicznymi, spodz i ewaj ąc s i ę określonej wielkości plonu.
Tymczasem wys t ęp ująca w cał ym kraju susza jako efekt kaprysu aury, a w i ęc zdarzenia
losowego, zmniejsza spodziewany plon np. o 40%. Przypadek ten ma liczne reperkusje.
Obni ża w istotnym stopniu produkt krajowy brutto (PKB) oraz doc h odowość indywidu-
alnych gospodarstw. Powoduje ró w nie ż spadek produkcji zw ierzęcej w roku przyszłym.
W niektórych gospodarstwach w zestawieniu nakł ady-p rzyc hody występuje ujemne sal-
do. Sytuacja taka zmusza do zaciągania kredytów, ogranicza lub wręcz uni e m oż liwia in-
westowanie, wp/ywajqc tym samym h amuj ąco na poziom dalszego rozwoju gospodarstw.
Kolejnym przykładem niech będzi e zdarzenie losowe ze św i ata poli tyki. Trwają nie-
pokoje na Bliskim Wschodzie. Wyobraźmy sobie, że którejś ze stron konfliktu udaje
się: dokonać zamachu na ważną oso bi st ość z obozu prLec iwnika. Zamach ten wywołu
je zaostrzenie stosunków i w konsekwencji prowadzi do wybuchu wojny lokalnej . Po-
wszechnie wiadomo, i ż terytoria bliskowschodnie st anowią najważni ejsze źród ło ropy
naftowej na świec i e . Wywołany konflikt ogranicza lub uni e m oż liwia wydobycie tego
surowca w tym regionie. Poważne zmniejszenie podaży strategicznego surowca, jakim
jest ropa naftowa, musi skutk ować z n aczną zwyżką jego cen. Ma to ogromny wpływ na
gospodarki krajów nieposiadających własnyc h zasobów ropy, prowadzi do wzrostu cen
prawie wszystkich towarów, a w konsekwencji do wystąpienia kryzysu gospodarczego.
Powróć m y jednak do źródeł przytoczonej historii. O t óż powodzenie lub niepowodzenie
z:1machu za l eży, jak łatw o za uważyć, od bardzo wielu czy nników, które trudno przewi-
dzieć i które mogą, ale nie muszą, wystąpić. Ma zatem charakter losowy. Tym samym
spirala następstw tego przypadku wykazuje rów n i eż cechy losowośc i . M oż na przyto-
czyć jeszcze wiele innych przypadków losowych. które wywierają znaczący wpływ na
gospodarkę zarówno w skali makro, jak i mikro
Znaczne, skokowe zmi:my różnych w i e l k ośc i ekonomicznyc h z n ajdują przełożenie
na wyniki modelowania ekonometrycznego. Sprawiając tym samym, i ż wnioskowanie
w przyszłość, zw iązan e z przewidywaniem tych wielkości, jest w dużej mierze utrudnio-
ne. Nie oznacza to jednak, że nal eży za n iec hać modelowania s tanowi ącego pods tawę
budowy prognoz w dziedzinie gospodarki. Prognozowanie bowiem jest n iezbędnym
elementem programowania wszystkich dziedzin życ i a gospodarczego. Nie należy trac i ć
z pola widzenia faktu, i ż prognozy ekonometryczne mają charakter warunkowy, tzn.
spe łniają s i ę, ale pny założe niu , że warunki i czynniki oddz iałujqce na prognozowane
zjawi sko w przeszłości będą w tym samym stopniu w pływać na to zjawisko w przy-
sz łośc i. Czynnik losowy powoduje, i ż w praktyce nie ma gwarancji zaistnienia tak
stabi lnego układu.
Zatem opinie (wnioski) o przewidywanych rozmiarach zjawisk na podstawie modeli
ekonometrycznych mają charakler przyb l i żony, nazywany częs to przedz iałe m wielkośc i
I dąc dalej, przewidywane wielkości mmlizowanego zjawiska określa stop i e ń prawdopo-

d ob i e ń s t wa
ich reali zacji.
Przytoczone przykłady ukazują działanie czynnika losowego w gospodarce uzasad-
ni ając niejako wys tę powani e zmiennej losowej e w ogól nym zapi siejednorównaniowego
modelu ekonometrycznego o wzorze ( I.I ). Zmienna e generuje rów n ież oddziaływa
nia nieuwzględnionych explicite w modelu zmiennych o bjaś niających . Fakt ten wynika
z istoty modelu, który będąc kon st rukcją uproszczo ną , nic może absorbować wszystkich
zmiennych w jakikolwiek sposób wpływających na z mie nn ą objaśnianą Y poza tymi,
k1órc uznano za przyczyny głó w ne, kreujące opisywane zjawisko. Z mi en n ą l osową e
tworzą ponadto błędy związane z pomiarem zmiennych: Y oraz X 1. . X K. Kolejn ą
częśc i ą s kładową zmiennej losowej e m ogą być błędy wy nikaj ące z ni ew łaściwie do-
branej postaci analitycznej modelu (j) oraz błęd y popełnione przy wyborze zmien nych
objaśniających
Pn~ystępując do wni oskowania na podstawie modelu ekonometrycznego, nale ży za-
tem pamiętać, żezmienna objaś n iana Y, podobnie jak s kładnik losowy e, jest zmienną
l osową. Dotyczy to wnioskowania o charakterze zarówno analitycznym, jak i predyk-
tywnym

Konkretny model ekonometryczny może być zapisywany w różnej postaci. Zaliczenie
modelu do określo n ej klasy wywiera wpływ zarówno na wybór metody estymacji , jak
i na sposób jego wykorzystania
Klasyfikacji modeli dokonuje s i ę w oparciu o kilka róż n yc h kryteriów. Pi erwsze
kryterium: liczba równań hvorzących model ekonometryczny jest zw i ąza n e z jego
defi n icją według Pawłowski ego ([I IO], s. 35). Ot óż ze względu na li czbę równań roz-
rózmamy:
• modele jednorównaniowe,
• modele wielorównaniowe.
Modele jednorównaniowe op i s uj ą zwykle pewien wąski fragment rzeczywistości
gospodarczej. W pr1:edsiębiorstwie może to być model produkcj i, zwany funkcjq pro-
dukcj i, model popytu na produkowany wyrób, model kształtowania s i ę kosztów, wydaj-
no śc i lub pracoc hłonnośc i
Natomiast modele wielorównaniowe s łu żą do opisu d ziałania bardziej skompliko-
wanych organizmów gospodarczych; jako przykład można podać model funkcjonowa-
ni a p r.t:eds i ębiorstwa lub ca łej gospodarki narodowej. Modelom wielorównaniowym po-
świ ęcamy odręb n y rozdz iał , w którym omówimy ich dalszy podział.
Drugi m kryterium różn i c ującym modele jest udzial czynnika losowego. Ze względu
na to kryterium modele ekonometryczne dzieli my na
• deterministyczne,
• stochastyczne.
Modele deterministyczne okreś lają w sposób śc i s ł y współ zależność mi ędzy zjawi-
skami nie dopuszczając żad n yc h od d zia ływań losowyc h. Wnioskowanie na podstawie
takich modeli jest dokładne, ale w ś wiec ie zjawisk spo łeczn o-e konomi cznych wy s tępu
je niezwykle rzadko. Modele te częśc i ej opisują zjawiska z zakresu fi zyki czy chemii.
Modele stochastyczne dom i nują w sferze zjawisk społ eczno-gospod arczych . Ogólny
z:1pis modelu determin istycznego przedstawia fommła ( 1.2), a modelu stochastycznego
formuła ( l .l )
Kolejnym kryterium podziału modeli ekonometrycznych jest czynnik czasu. Przy
uw zg l ędni eniutego kryterium rozróżnian y:
• mode le statyczne,
• modele dynamiczne.
Modele statyczne to takie modele ekonometryczne, które okreś l ają współza le żno ść
mi ędzy różnymi zjawiskami zac hodzący mi j ed n ocześ ni e. Oznacza to, że zjaw iska te
przebiegają w tym samym okresie czasu. Stąd nie występuje potrzeba używania sub-
skryptu I (zmienna czasowa), datującego wykorzystywane w modelu zmienne. Zatem
obserwacji poddane są obiekty, które zwykle oznacza sic (numeruje) subskryptem i
lub j . Modele dynamiczne zaś są modelami ekonometrycznymi opisującymi przebieg
zjawisk w czasie, stąd obserwacje dotyczą okreś l o n yc h przedz iałów czasowych (okre-
sów), które są oznaczone subskryptem 1. Upraszczając zagadnienie, można stw ierdz i ć.
że w modelach dynamicznych zmienna czasowa 1 występuje albo jako zmienna obja-
ś niająca (modele tendencji rozwojowej). albo jako subskrypt przy wszystkich zmiennych
objaś niającyc h (X 11 , X21 . . X Kt) oraz przy zmiennej objaśnianej ( Y,)
Czwartym elementem różnicującym mode le ekonometryczne jest ich postać anali-
tyczna. Ze względu na po s tać modele dzielą s ię na
• modele liniowe,
• modele nieliniowe
Ogólni e lini ową pos tać modelu ekonometrycznego zapisujemy
Y = aoX o + a1X1 + a 2X2 + + aKXK + e, (1.3)
gdzie: ao. a 1 • a2.. . aK - parametry strukturalne modelu , które są nieznane i dopie-
ro po oszacowaniu poznajemy ich wart ości liczbowe ; pozostałe symbole jak w zapi sie
ogólnym modelu ekonometrycznego ( 1. 1)
W badaniach empirycznych stosunkowo częs to posługujemy s i ę liniową postacią
modeli ekonometrycznych. Nieli niowych postaci modeli ekonometrycznych jest nie-
s końc ze ni e wiele. Chcąc zaprezentować pr zy kład modelu nielin iowego, pos łu żon o sic
potęgową postacią
Y = aoX ~ 1 X~2 • • X~i: · e€' . ( 1.4)

gdzie: e - s tała (liczba Eulera); pozostałe sy mbole jak w zapisach ( I. I) oraz ( 1.3)
Wybór posiac i modelu odgrywa ważną rol ę pn.:y ustaleniu metody estymacji (szaco-
wania) parametrów struk1uralnych modeli ekonometrycznych. Wś ród modeli nielini o-
wych wyróżniamy takie, które po dokonaniu odpowiedni ej transformacji , a niekiedy
podstawień , mo ż na sprowadz i ć do postaci liniowej oraz takie, których linearyzować nie
mozna.
Ostatni podział modeli ekonometrycznych, jaki chcemy pn~edstawi ć, opiera s i ę na
kryterium walorów poznawczych . Z punktu widzenia ogól nopoznawczych właściwośc i
modeli, dzielimy je na
1.4. Kla.syfika~ja modeli ekonometrycznych
• modele przyczynowo-opisowe,
• modele tendencji rozwojowej,
• modele symptomatyczne
Modele prLyczynowo-opisowe s tanowią grupę odgrywającą zasadnicz:1 rolę wśród
wszystkich modeli ekonometrycznych. W modelach tych rolę przyczyn pełnią zmienne
objaśniające, które op i sują zmien n ą objaśniam1 Y. Biorąc pod uwagę aspekt poznawczy
badań ekonometrycznych, modele przyczynowo-opisowe są niewątpliwi e najlepszym
narzędziem służącym określaniu w sposób kwantytatywny związków występujących
w sferze zjawisk s połeczno - gospodarczych. Ro l ę przyczyn pełnią tu wszystkie dobrane
do modelu zmienne objaśniające, a zmienna endogeniczna (obja ś niana) odgrywa rolę
skutku. Wśród modeli tej kJasy spotykamy zarówno modele statyczne, jak i dyna-
miczne
Drugą co do ważności gmpę modeli podzielonych według kryterium walorów po-
znawczych sta now i ą modele tendencji rozwojowej . Modele te opisują i l ościowe zmia-
ny zmiennej objaśnianej (Y1 ) zachodzące w czasie. Stąd jedyną zmienną objaśniającą
jest w tym przypadku zmienna czasowa t. Zmienna ta przybiera kolejne wartośc i liczb
calkowitych zwiększające s ię o jeden w miarę następowania kolejnych okresów cza-
su (lat, kwartałów lub mie s ięcy). Zatem w modelach tych nie występują żadne więzi
prączynowo-skutkowe, właściwe modelom pn~yczynowo - opisowym. W opisie wahań
zmiennej objaśnianej za pomocą modelu tendencji rozwojowej można wyróżnić trzy ele-
menty:
• trend - /(r),
• wahania regularne (cykliczne) - g(t),
• wahania losowe - e 1 •
Model tendencji rozwojowej można zapisać n astępująco
Y ~ F[J(t). g(t). ,, ] (1.5)
Modele typu (1.5) n a l eżą do klasy modeli dynamicznych. Reasumujqc uwagi na te-
mat modeli tendencji rozwojowej, można pokusić s i ę o stwierdzenie, że modele te sta-
nowią kwantytatywny opis „historii" danego zjawiska
Pomijając kla sę mode li tendencji rozwojowej, we wszystkich pozosta łych pri;ypad-
kach - przy budowie modelu - zawsze staramy s ię o to, by między zmienną objaśnianą
a zmiennymi obja§niajqcymi zac hodził związek przyczynowy. Są jedm1k sytuacje, kie-
dy nie można speł ni ć tego postulatu. Na przykład może się zdarzyć, iż brak jest odpo-
wiednich danych o wytypowanych zmiennych objaśniających do modelu przyczynowo-
-opisowego. Wówczas można wykorąstać przypadek, w którym interesujqca nas zmien-
na endogeniczna jest silnie skorelowana z inną lub innymi zmiennymi bez zaistnienia
związku przyczynowego. Zatem model, w którym zmienne objaśniające nie pozostają
w związku przyczynowym ze zmienną objaśnianą, są jedynie silnie z nią skorelowane.
jest modelem symptomatycznym. Modele sym ptomutycznc spełniajq marginalną ro-
l ę wśród modeli ekonometrycznych ze względu na rzadkość ich stosowania. Stanowią
rezerwę na przypadek braku możliwości budowania modeli przyczynowo-opisowych;
mogą być wykorzystywane do celów predykcji
1.5. Etapy budowania modelu

Proces konstruowania modelu ekonometrycznego jest nie ł atwym zadaniem, na jego wy-
konanie sk ł ada s ię szereg czyn n ości realizowanych ciapowo. Czynnośc i te wymagają
rzetelnego podej śc ia , bowiem rzutują na jakość otrzymanego modelu ekonometryczne-
go, a tym samym wpł ywaj ą na kierunek i precyzj ę wnioskowania .
Czynnośc i związane z budowaniem modeli ekonometrycznych, ułożone sekwencyj -
nie, to n astępujące etapy:
I) ustalenie cel u i zakresu badań ,
2) gromadzeni e danych,
3) specy fik acja modelu,
4) estymacja (szacowanie).
5) weryfi kacja (sprawdzanie),
6) praktyczne wykorzystanie modelu
Pierwszy etap budowania mode lu to ustalenie celu i zakresu badań . Celem jest
zwykle modelowane zjawisko, uto żsamiane ze z mi e nną objaś nianą Y. W modelach wie-
lorównani owych chodzi o wyspecyfikowanie zmiennych endogenicznych, stanowi ących
lewą s tronę rów n ań . Okreś l e ni e zakresu badmi sprowadza się do wyznaczeni a granic
czasowych obserwacji (modele dynamiczne) lub wskazanie jednego okresu (momen-
tu), którego do l yczyć będą badania (modele stat yczne). Pojąc i e zakresu badmi obejmuje
rów ni eż ustalenia obiektów przestrzennych, w których dokonuje s i ę obserwacj i. Obiek-
tami tymi mogą b yć: państwa, województwa, powiaty, gminy, prLed s iębiorstwa, firm y
itp. Zakres badań w określo n y sposób rzutuje w ko ń cowej fazie badań na in terpre t ację
modelu ekonometrycznego
Drugi etap obejmuje zbieranie i gromadzenie danych statystycznych s tanow ią
cych e mpiryczną bazę badania. Dane te stanowią podstawę szacowani a nieznanych pa-
rametrów modelu. Stąd wymaga s i ę, aby zebrane informacje byly rzetelne, kompletne
(nie zawierał y braków, czyli „dziur") i m oż li w i e liczne. Li czebn ość obserwacji wp ł ywa
bowiem dodatnio na precyzję szacowania parametrów model u. Dane statystyczne mogą
poc hod zić z następujących źróde ł :
• publikacji Głównego Urzęd u Statystycznego (GUS).
• publikacji Wojewódzkich Urzę d ów S1:1tystycznych (WUS),
• dokumentacj i przedsiębiorstw, firm i innych instymcji,
• ankiet,
• wywiadów.
• od prywatnych agencj i trud ni ącyc h s ię zbieraniem informacj i na specjale zlecenie
Trzec i etap-spccylikacja modelu - wy1m1ga koncentracji uwagi na dwóch bardzo
ważnych zagadnieniach: ustalenie optymalnej lisry zmiennych objaśniających oraz wybór
najlepszej postaci analitycznej modelu . R ozważ m y najpi erw problem wyboru zmiennych
objaś niającyc h. I stni ej ą dwa podej śc ia do problematyki wyboru tych zmiennych:
• przez wykorzystanie teorii ekonom ii,
• pr1.:ez wykor1.:ystanie statystycznych metod wyboru.
Biorąc pod uwagę podejście pierwsze, nale ży zauważyć, i ż w wielu przypadkach
teoria ekonomii podsuwa gotową li s tę zmiennych objaś ni ającyc h . Za przy kład niech po-
1.5. Etajlybudowania modelu
służy badanie popytu na określone dobro. W takim przypadku teoria ekonomii podpo-
wiada, i ż powinno się uw zględni ć co najmniej dwie zmienne, którymi są:
- cena danego dobra.
- poziom dochodów grupy ludn ośc i s tanowiącej grono potencjalnych nabywców.
Może s i ę jednak zdarzyć, i ż w pewnego rodzaj u badaniach teoria ekonomii nie da-
je konkrelnych wskazań co do zmiennych, wówczas pozostaje wykorzystanie drugiego
podejścia - zastosowani e odpowiednich metod statystycznego ich wyboru
Po wyspecyfikowaniu listy zmiennych objaś ni ającyc h kolej na ustalenie postaci ana-
litycznej modelu . Z tym zadaniem m ożna uporać s i ę stosunkowo łatwo, pod warunkiem.
że model , którego postać należy u stali ć, jest modelem zaw ierający m jedną zmienną ob-
ja śn iaj ącą:
Y = f(X.e). (1.6)
Wówczas kształt smugi punktów empirycznych (wykresu korelacyj nego) nasuwa

wybór odpowiedniej postaci funkcyjnej modelu. Znacznie trudniej dokonać wyboru w ła
ściwej postaci, gdy mamy do czynienia z modelem o wielu zm iennych objaśniającyc h
(zob. pos tać ( I. I)) . W takim przypadku wybór „ metodą wzrokową" jest niemożl iwy. Po-
zostaje metoda prób i błędów ze z góry zadanym kryterium, np. kryterium dobroci dopa-
sowania modelu do danych empirycznych. Obecnie przy wykorzystaniu odpowiednich
programów komputerowych zadanie 10 jest w pe łni wykonalne
Estymacja, czyli szacowanie modelu stanowi czwarty etap jego budowy. Szacowa-
ni e modelu obejmuje dwie fazy działań: szacowanie parametrów strukturalnych mode-
lu oraz szacowanie parametrów jego stochastycznej struktury. Znanych jest wiele me-
tod estymacji parametrów strukturalnych. Ekonometryk zanim dokona wyboru jednej
z nich , musi rozpoznać strukt urę modelu. Szacowania parametrów równania o pi s ujące
go okreś lone zjawisko z dziedziny ekonomii dokonuje się na bazie zebranych danych
statystycznych pri:ez porównanie modelowanego zjawiska z określonym wycinkiem re-
aliów ekonomicznych. Oszacowanie parametrów struktury stochastycznej traktuje s i ę
jako przesłankę podejmowania dzi<1łafi sprawdzającyc h jakość oszacowanego modelu ,
a w i ęc przejścia do kolejnego etapu jego budowania
Kolej nym, piątym etapem jest weryfikacja modelu. Sprowadza s ię ona do zastoso-
wania merytorycznego kryterium sprawdzani:1 parametrów strukturalnych oraz do kon-
troli dokładności oszacowania. Kryterium mery1oryczne polega na stwierdzeniu, czy pa-
rametry strukturalne przyj muj ą rozsądne wartośc i i czy znaki przy ocenach są zgodne
ze wskazaniami teorii ekonomii . Kontrola dokładności oszacowania obejmuje analizę
kilku parametrów struktury stochastycznej. co pozwala ustalić. czy błędy estymacji nie
pri:ekraczają ustalonego poziomu, a także czy oceny parametrów strukturalnych są staty-
stycznie is1otne. Dos l17..eżon e nieprawidłowości wymuszają powrót do etapu czwartego,
tj. rccslymacji modelu, np. ze zm ienionym s kłade m zmiennych objaśniających lub z in-
ną postacią ana l ityczną modelu
Etap szósty to praktyczne wykorzystanie modelu. Wykorzystanie modelu może i ść
w n astępuj ących kierunkach:
• analiza relacji zachodzącyc h w przeszłości i formułowanie płynących stąd wnio-
sków,
• przewidywanie, czyli prognozowanie wielkośc i opisanego przez model zjawiska

(szerzej zagadnieni e to opi sano w rozdziale 4),
• symulacja różnych sytuacj i zarówno w przedsiębiorstwie, jak i na rynku.
Na p rą kład znajomość modelu produkcji. zwanego funkcją produkcji, upow ażnia
do sfonn ułowania pytania: jakie uzupełnieni e nakład ów pracy uprzedmiotowionej (ma-
szyny, urządzenia , linie produkcyjne) będzie konieczne w związku z przewidywanym
zwolnieniem 20% stanu liczebnego zał og i ? Albo z dziedzi ny rynkowej: jak zm i enić cenc
wyrobu. aby os i ągn ąć zamierzony poziom jego s przedaży? W tym przypadku konieczne
jest dysponowanie modelem popytu na dany wyrób wzg l ęde m jego ceny.
1.6. Trochę historii

Ekonometria jest dyscypliną stosunkowo młodą. Jako wyodrębniona dziedzina nauk eko-
nomicznych istnieje oko ło 90 lat. Nie mniej jej prekursorów nal eży szukać w znacznie
wcześniejszych okresach. Prekursorem ekonometrii był żyjący w XV I! w. William Pel-
ty ( 1623- 1687) zw i ązany z aryt met yką polityczmi (por. [1301). Do grona inicjujących
zastosowania metod matematyczno-statystycznych na gruncie ekonomii zal i czyć nal eży
żyjącyc h na przełomie XLX i XX w. Vilfredo Pareto (1848- 1923) oraz Francisa Edge-
wortha (1845-1926).
Ślady poczynań naukowych, które można kwalifikować jako ekonomet ri ę w nowo-
czesnym wydaniu, prowadzą do Stanów Zjednoczonych Ameryki, gdzie zaraz po za-
kończeniu pierwszej wojny św iatowej na Uni wersytecie Harvarda zaję t o s i ę badaniami
cykli koniunkturalnych. Chodziło o to, by c hoć w przybliżeniu móc przewi d ywać okresy
hossy oraz bessy. Pierwsze modele konstruowane w tym celu n os iły naz wę barometrów
harwardzkich. Poczynania te nal eży w i ązać z nazwiskiem W.H. Pearsonsa . Niektóre śro
dowiska n:1ukowe uważały go za „ojca ekonometrii". Nie przew idziano j ednakże wiel-
kiego kryzysu gospodarczego, jaki dotkną! Amerykę, a wkrótce ogarnął cały św iat, który
rozpoczi1ł s i ę krachem na g iełdz i e nowojorskiej w 1929 r. Przypadek ten możn a zapisać
po stronie negatywów nowo powstającej dyscypliny. Jej pr.wdstawicicle nic zdo łal i prze-
widzieć tego zjawiska ani przeciwdziałać mu
W latach dwudziestych równi eż w Europie zaczęt o podejmować próby nowator-
skiego, w pełni kwantytatywnego sposobu analizy zjawisk s po łeczno-e kon om i cz n yc h
Przeds!awicielmni lego sposobu m yś l e nia na Starym Kontynencie byli Norweg R<1gnar
Fri sch oraz Holender Jan Tinbcrgen. Wł aś n ie Ragnarowi Frischowi należy przy pi sać
pierw szeństwo w zdefiniowaniu termi nu „ekonometria" oraz w posługiwaniu s ię nim.
Miało to miejsce w l 926 r. Co prawda. polskie źród ła wskazują na wcześniejsze pojawia-
nie s i ę tego terminu. 01óż w 1910 r. we Lwowie uk aza ła s i ę praca wykładowcy Wy ;t.;;zej
Szkoły Handlowej w Krakowie Pawła Ciompy pod znamiennym tytułem 'Zarys ekonome-
tryi i reorya hudwl1e1yi L2 lj. Terminu tego u ży to jed nak w zupełnie innym kontekście
Na przełomie 1930 i 1931 r. w Stanach Zjednoczonych powo łan o Międzynarodowe
Towarzystwo Ekonometryczne. Wła ś ni e J. Tinbergcn wraz z R. Frischem oraz I. Fi she-
re m byli inicjatorami utworzenia tego towarzystwa, które post awiło sobie za cel rozwi-
ja nie teorii ekonomii w powiązaniu ze s t atystyką i matema t yką. Towanystwo to roz-
1.6.Trochęhistorii
poczęło wydawanie profesjom1 lnego czasopisma pod nazwą "Econometrica". Periodyk

ten ukazuje s i ę do dzisiaj i jest miejscem publ ikacji najwickszych osiągnięć i dysku-
sji w zakresie ekonometrii. Mniej więcej w tym samym okresie, bo w 1932 r., zaczyna
d ziałać Komi sja A. Cowlesa, maj:1ca za zadanie rozwijanie nowych metod badawczych
w gospodarce, ze szczególnym uwzg l ę dni e ni e m obszaru ekonometrii
Wracając do Frischa i Tinbergena, warto podkre ś li ć fakt, i ż za swoje pionierskie
prace w dziedzinie ekonometrii jako pierwsi eko nomiści zostali uhonorowani Na g rod ą
Nobla w 1969 r
Wiciu spośród nobli stów z dziedziny nauk ekonomicznych było ekonometrykami.
statystykami i korzystało z metod statystycrno- matematycznych. I tak w kolej nych la-
tach nagrodę tę otrzy mał o czterech znakomitych amerykańskich ekonomistów parają
cych się statystyką, ekonometrią i badaniami operacyjnymi; są to profesorowie
P. A. Samuelson ( 1970), S. Kuznets (197 1), K. J. Arrow (1972) oraz W. Leont ieff(l973)
W 1975 r. Nagrodę Nobla otrzymał inny holenderski ekonometryk - T. C. Koopmans,
kont y nuuj ący tradycje modelowania ekonometrycznego zapoczątkowa n e przez Tinber-
gena. Zasadni cze nurty działa ln ośc i Koopmansa na niwie ekonometrii m ożna sprowa-
d zić do dwóch zagadnieri, którym poświęci! wiele miejsca w swoich publikacjach. Są
to zagadnienia identyfikacji oraz estymacji modeli ekonometrycznych. Kolej nym ame-
rykariskim laureatem Nagrody Nobla w dziedzinie ekonomii jest L. R. Kicin ( 1980),
będący jednocześnie ekonometrykiem. Przez wiele lat pracował w s ły nnej Komisj i Cow-
lesa, która w owych czasach stan ow iła kuźni ę nowatorskich metod ekonometrycznych.
B y ł autorem kilku wersji makromodeli gospodarki Stanów Zjednoczonych, w tym rów-
ni eż jednej powstałej w 1955 r. we współpracy z A.G. Goldbergerem, zwanej modelem
Kl ei na-Goldbergera.
Statystykiem i ekonometryki em jest R. Stone z Wielkiej Brytanii , który zost ał lau-
reatem Nagrody Nobla w 1984 r. Stone pracując na uni wersytecie w Cambridge, podej-
m ował prace nad budową modelu wzrostu gospodarki brytyjskiej, które przy nio sły mu
dużą popu l arność. Na uwa gę zas łu guj ą rów n ież jego modele w sferze popytu. Podob-
ni e ekonometrykiem i statystykiem jest R. M. Solow, profesor Massachusetts Institute of
Technology (MIT). W 1964 r. sprawował funkcję prezesa Międzynarodowego Towarzy-
stwa Ekonometrycznego. W 1987 r. Szwedzka Królewska Akademia Nauk przyznał a mu
Nagrodę Nobla w dziedzinie nauk ekonomicznych. W 1956 r. opracował i przeds tawił
model, będ:1ey zagregowan:1 funkcją produkcji; b y ła to jedna z jego fundamentalnych
prac, która przyniosła mu s ławę i Nagrodę Nobla.
Nieco uwagi wypada poświęcić również dokonaniom polskich ekonometryków. Na
początku wymienić należy profesora Oskara Lange ( 1904- 1965) . Jeszcze przed dru gą
wojną św i atową opublikował on pracę pt. Swryslyczne bat/anie koniunkwry gospodar-
czej, Kraków 193 l. Pracę tę - jako zastosowanie metod statystycznych w ekonomii
- obecnie z całą pew n ośc ią m ożna kwa lifikować jako dzieło ekonometryczne. Profe-
sor był ponadto autorem pierwszego polski ego podręcznika do przedmiotu ekonometria.
Podręcznik ten nos ił tytuł W.\·tęp do ekonometrii i ukaza ł się w 1965 r. Byl tłumaczony
na wiele języków, w ty m rów n ież na j ęzyk japoriski
Liczne prace ekonometryczne, które ukaza ł y s i ę na polskim rynku, są dz i e łe m Zbi-
gniewa Pa włows kiego (1930-- 198 1). B ył autorem ki lku podręczników z zakresu siaty-
styki, ekonometrii i prognozowania. Warto podkre ś li ć, że całe pokolenia, w tym rów ni eż

roczniki autorów tego podręcznika, uczy ł y się z jego książek
Ciekawą propozycję metodologiczną, poru szaj ącą problem wyboru zmi ennych obja-
ś niającyc h do modelu ekonometrycznego, zg łos ił w 1969 r. na łamach „Pri:eg l ądu Staty-
stycznego" profesor Akademii Ekonomicznej we Wroc ławiu - Zdzisław Hcllwig. Pro-
fesor Hellwigjest twórcą wielu ciekawych rozwi<1zań i pomysłów w dziedzinie statystyki
i ekonometrii, będąc j edn ocześ ni e jednym z naj częściej cytowanych autorów w Polsce
w zakresie wymienionych dyscyplin
W lalach sześćdz i esiątych XX w. we wszystkich ośrodkac h naukowych w Polsce
kształcących ekonomistów pow stał y instytuty, katedry lub zakłady prowadzące dydak-
tykę z przedmiotów ekonometria oraz prognozowanie. Z oś rodkami tymi zwią zanyc h
jest wielu naukowców, z których wymienię tylko niektórych: Andr.tej Barczak (Katowi-
ce). Stanisława Bartosiewicz (W roc ław), Zbigniew Czerw i ński ( Poznań ), Michał Kol upa
i Wi esław Sadowski (Warszawa), Wład ys ław Welfc (Łódź) oraz Kazimi erz Zaj ąc i Alek-
sander Zeliaś (Kraków). Jest też c ała plejada młod szyc h adeptów tej dyscypliny
Pow racając do charakterystycznych momentów w dziejach ekonometrii , warto za-
uważyć, że po s t ę p w dziedzinie nauk infonnarycznych, jaki do k onał się w czasie drugiej
wojny św iatowej i po jej zakończeniu. znalazl pozytywne odbicie w rozwoju ekono-
metrii . Wicie metod oraz większych modeli (modeli wielorównani owych) wymaga za-
równo dużej dokładności, jak i olbrzymiej liczby obliczeń, częs to wykonywanych se-
kwencyjnie. Czego nie można było wy konać na arytmometrach i innych przestarzałych
urządzeniac h , s tało s ię wykonalne dzięki zastosowaniu elektronicznej techniki oblicze-
niowej. Stąd bariera obli cze ń numerycznych, nawet j eśl i ni e za nikła zupełnie, to zostal:1
przesunięta na ryle do przodu, że obecnie nic stanowi wąskiego gard ła ograniczającego
rozwój ekonometrii
1.7. Ekonometria dziś i jutro

Obecnie w Polsce, podobnie jak w całej Europie, dość powszechnie uznawane są zasady
charakterystyczne dla gospodarki rynkowej. W tych warunkach rola ekonometrii w ży
ci u gospodarczym kraju wyd:1je s i ę ni e do przecenienia . Wiadomo, że cała gospodark;i
oraz każde jej ogniwo (przeds iębi o rstwo, finna) musi prog ramować {p lanować) swoją
działalność. W czy nnośc i tej ni ezbęd n y jesl proces przewidywania (predykcji) różnych
kategorii ekonomicznych. Wśród ekonomistów panuje zgoda co do tego, że ekonometria
modelując procesy gospodarcze, dostarcza najlepszych narzędzi sporządzania prognoz.
Ponadto ekonometria ma niebagatelm1 rolę do s pe łni e nia w ro zw i ązywa niu wielu
problemów rynkowych. Na rynku trwa odwieczna gra cen, dochodów konsumentów
oraz popytu i podaży. Bez modelowania tych kategorii nie sposób skutecznie określać
rozmiar popytu, a co za tym idzie programować wielkość i asortyment produkcji dóbr
i u s łu g. Stale z mieniająca s ię sytuacja na rynku, determinowana międ zy innymi postę
pem technicznym, wymaga coraz bardziej precyzyjnych nar.tęd zi pomiaru zachodzących
tam relacji. Ekonometria jest właśnie dostarczycielką tych precyzyjnych i wyrafinowa-
nych metod
1.7. Ekonometria dziś i jutro
Podstawowe narzędz ie ekonometrii, jakim jest model ekonometryczny, m oże być

wykortystywanc w celach sym ulacji różnych hipotetycznych scenariuszy rynkowych
Wiadomo, że rzeczywisty eksperyment w ekonomii jest ni emożliwy . Natomiast ekspery-
meni. w którym zamiast rzeczywistego organizmu gospodarczego wykonystany zostaje
jego model ekonometryczny, ma wszelkie podstawy realizacji. Wnioski z tak przeprowa-
dzonego eksperymentu mo gą pos łużyć jako przes łanki podej mowania trafnych decyzji
rynkowych
Warto zauważyć, że ,jutro ekonometrii " może być w znacznej mierze zw iązane
z bayesizmcm. Prt.y czym ekonometria baycsowska nie jest dz i ał e m pr.tcdmiotowym
ekonometrii, jak makroekonometria czy ekonometria finansowa, lecz stanowi odręb n y
sposób jej uprawiania. I stotą podejścia bayesowskiego jest uznanie za zmienne loso-
we tych wszystkich w i e lko śc i występujących w modelu , których wariości nie są znane
przed wg l ądem w dane (obserwacje, parametry, zmienne ukryte) oraz wykorzystywanie
zasad rachunku praw dopodobi eństwa we wnioskowani u. Analiza bayesowska pozwala
budować dla wielkośc i nieobserwowanych ich rozkłady warunkowe wzg l ęde m dostęp
nych obserwacji (rozkłady a posteriori oraz predyktywne), a do obliczania charakte-
rystyk tych rozkładów (momentów, kwantyli ) wykorzystuje zwykle metody Monte Car-
lo. Bayes izm rozwija się niezwykle dynamicznie, zw łaszcza w ostatnim trzydziestolec iu
W literaturze św i a 1 owej oprócz licznych ariykulów pojaw ił y s i ę podręczniki z zakresu
ekonometrii bayesowskiej (zob. G. Koop (80], T. Lancaster 190J oraz J. Geweke [45])
Na podkreś l e ni e zasłu guj e fakt, że w dorobku polskiego piśmiennictwa poświęconego
bayesizmowi znalazła s i ę pozycja podręcznikowa (103] autorstwa Jacka Osiewalskiego
z Akademii Ekonomicznej w Krakowie. Pozycja ta uka zała s i ę w 2001 r., uprzedzajqc
świat owe wydan ia [80], [90] i [45].
Reasu mujqc rozważania nad pozyt yw ną rolą ekonometrii we ws półczesn yc h i przy-
szł yc h badaniach ekonom icznych, nic m oż na tracić z pola widzenia faktu związa n ego
z przybliżonym charakterem wnioskowania. mający m źródło w stochastycznej struk-
turze jej modeli . Cechę tę m ożn a za pi sać na konto ogran i cze ń m ożliwości omawi :mej
dyscypli ny.
Modele jednorównaniowe liniowe
2.1. Definicja modelu regresji liniowej

Jak wiadomo, badanie ekono metryczne zawsze wiąże s ię z wykorzystanie m modelu eko-
no metrycznego, czyli pewnej reprezentacj i badanego zjawiska, systemu czy procesu.
Podsiawowym modelem op i sującym za l eżn ości między zjawiskami (zmiennymi )
jest jcdnorównaniowy model liniowy
(2 .1 )
Równanie (2. 1) przedstawia zm i e nną objaśn ianą (e ndogeniczn ą) Y jako sumę dwóch
s kładników
I ) pewnej kombi nacj i liniowej zmiennych objaśniających X 1
, •• ,X K, którym prLy-
pisuje się zasadniczy w pł yw na kszt ałtowanie s i ę zmie nnej Y;
2) zmiennej losowej f: (nazywanej zakł óce ni em losowym). która uw zg l ęd ni a łącz
ny wpływ pozostałych ( nieuwzg l ędnionych w model u), drugorzęd nyc h , przypadkowych
czynników na kszt ałt owan i e s i ę zmiennej Y; za kłóce ni e losowe e wchłania także wsie-
bie ewentualne losowe (niesystematyczne) błędy pomiaru zmiennych oraz odchyle nia
przyjętej anali tycznej postaci mode lu od rzeczywistej za l eż ności międ zy zmiennymi;
w odróżnieniu od zmiennej objaśnian ej i zmiennych obj aś niaj ących zakł ócen i e losowe
nie jest bezpoś rednio obserwowalne
Współczy n n i ki a 1 (j = O, ... , K ) kombi nacji liniowej etoXo + · · · + aKX K nazy-
wamy parametrami strukturalnymi modelu lub parametrami (współc zy nn ikami) re-
gresj i. Charakteryzuj ą one st rukturę powiązań zmiennej endogenicznej ze zmie nnymi
objaśniającymi (czy li il ościowy wpływ zmiennych obj aś niających, pr.i:y których stoją,
na zmienną e ndoge niczn ą). Zazwyczaj jedna ze zmiennych obj aś n iającyc h - naj czę
ściej pierwsza (i tak przyjmujemy) lub ostatn ia - jest defi niowana jako tożsamościowo
równa jedności , tzn. X0 = I . Wówczas eto nazywamy wyrazem wolnym modelu (lub
stałą regresji).
Parametry et0, . , aK są nieznane; podstawowym proble mem jest wyznaczenie
ocen (czy li oszacowanie, estymacja) tych parametrów na podstawie zaobserwowanych
wartości zm iennych Y. X 1 ••••• X K.
Dysponując 11-elementowymi c iągami obserwacji na wszystkich 1ych zmie nnych,
a więc c i ąg i e m wektorów ( y 1 , x 11 , • • . x 1K) (t = I ..... 11 ), ka żdą reali zację y 1 zmiennej
2.2. Wybór zmiennych obiaśniających do modelu ekonometryczne110
objaś ni anejY mo że m y, zgodnie z założonym modele m, przed stawi ć jako sumę: kombi-
nacji liniowej ao+a 1xr 1+ · +aKXrK odpowi ednich realizacji zmiennych obj aśn iającyc h
oraz ni eobserwowalnej reali zacji Er s kładnika losowego s
Zatem dla wszystkich obserwacji otrzymujemy układ:
Y1 = ao + a1X11 + a 2X12 + ··+ a Kx 1K + E1
.r2 = ao + a1.r2 1 + a2x22 + + aKX1K + e2
Układ ten w sy mbolice macierzowo-wcktorowcj m ożna zap i sać jako:

y = Xar: +E. (2.2)
gdzie:
y ~ [','; ] . X~ [ : ~;: x~K

"'"] a = [ a
ao1 ] E = [ e_
e,2 ]
Yn 1 X11 1 X,:K Or:;K ~"

wektor obserwacji macierz obserwacji na wektor sk;:~~:~~w
na zmiennej objaśnianej zmmiennych objaśn iających parametrów
strukturalnych losowych
Z:1pis (2. 1) dla zmiennych (ekonomicznych) możemy n azwać postacią struktu-
ralną jednorównaniowego liniowego modelu ekonometrycznego, natomiast zapis (2.2)
(dla realizacj i zmiennych) nazywamy post ac i ą s trukturaln o- s ta t ystyczną 1 • W kolej-
nych podrozd ział ac h omówione zos t an ą etapy budowania modelu jednorównaniowego:
wybór optymalnej kombinacji zmiennych objaśniających , esty macja i weryfikacja. Jedy-
ni e wybór postac i analitycznej modelu omówiono w rozdziale 3, którego przedmiotem
są modele nieliniowe.
2.2. Wybór zmiennych objaśniających

do modelu ekonometrycznego
Po ustaleniu zmiennej endogenicznej, czyli zm iennej , która będz i e opi sana prLez model
(co jest proste , ponieważ budowa modelu wynika z konkretnej potrzeby), należy u st ali ć
zmienne. które m og ł yby wyjaś ni ć jej zmi enność
Wyboru zmiennych objaśn iających dokonuje s i ę zwykle w dwóch etapach
'Gdy w mod ol" wym woloy J~• """"'"' '"""'"''"'· ""· Y, ~[";~" ~.~'X" + j l+o.X<K +<,.
x21 1·22 I
w macierzy X osta tn ia kolumn:i będzie z:iwiernć jedynki. c:r.n. X = ; . :i w wektorze
x„1 I
a wyrnzwolnybędzienakorku
2. Modelejednorównaniowe liniowe
Na etapie pierwszym na l eży zaproponować moż liwi e obszerną li st ę „potencjalnych

zmiennych objaś niającyc h"' (zwanych tak że „kandydatkami" na zmienne objaś niające)
w oparciu o merytoryczną wiedzę o badanych zjawiskach. Teoria ekonomii opisuje
w sposób przyczynowy wiele zjaw isk (procesów gospodarczych), dostarczaj:1c tym sa-
mym go t ową li stę potencjalnych zmiennych objaśni ając yc h . Li stę tę nal eży wstępnie
zwery fikowa ć, el imi nuji1c z niej zmienne
•które maj ą charakter jakościowy - ni emierzalny (c hoc ia ż s ą takie cechy jako śc i o
we, które m ożna w model u uwzględni ć, co ilustrują przykłady ) ,
• dla których brak jest danych lub kompletnych danych (np . brakuje danych -
obserwacji dla niektórych badanych jednostek lub niektórych okresów, czyli jednostek
czasu),
• które charakteryzują s i ę małą z mi en n ości ą, a więc w niewielkim stopniu różnicują
badane jednostki (ich wartość diagnostyczna jest niewielka)2
Załóżmy, że w rezultacie takiej weryfika cji zos tało L pore11cjal11ycl1 v 11ie1111ych obja-
śniających . W drugim etapie dokonuje s i ę redukcji tego zbioru - wybiera s i ę najl epszą
(o ptym a l ną) kombin ację s tosując np. metody statystyczne.
Idea statys1ycznych metod doboru zmiennych opiera s ię na założeniu, że zmienne
objaśn i ające uwzg lędnion e w modelu powinny być
• stosunkowo silni e skorelowane ze z mi e nn ą endoge ni cz n ą.
• nieskorelowane lub s łabo skore lowane z pozos tały m i zmiennymi obja ś niaj ący mi
u wzg l ęd n io n y mi w modelu 3
Stąd te ż punktem wyjścia metod statystycznych jest obliczenie (w oparciu o zebrane
dane) w s półczynników korelacji (liniowej) mi ę d zy:
• zmienną endogeni cz n ą i potencjalnymi zmiennymi objaśniającymi (oznacza s i ę je
zwykle r 01 dla j = 1. . L, gdzie L jest li czbą potencjalnych zmiennych obja ś niają-
cych),
• parami potencjalnych zmiennych obj aś niającyc h (riJ dla i, j = 1... . L ), przy
czym w przypadku korelacji liniowej wchodzi : r ;; = I (współczynnik korelacji zmien-
nej z nią samą = I) oraz rij = r 1; (symetria).
Obliczone ws półczy nniki korelacji zestawia s ię zwykle w postaci wektora Rn (wek-
tor współczy nnik ów korelacji zmiennej endogenicznej z potencjalnym i zmiennymi ob-
jaśniającym i ) i macierzy R (macierz współczynników korelacji pomiędzy parami poten-
cjalnych zmiennych objaś ni aj ącyc h ; macierz R jest symetryczna):
'"]
r21.
I
(2.3)
2
Mi arą zmie nności zmiennej X jes1 współczynnik zmienności obli czany jako stosunek odchylenfo
s1andardowego zm ien nej do jej war1ości średniej. zazwyczaj wy rażony w prcen1ach (d la zmiennej X
V.r = S.r/X · 100)
JZm ierme silnie skorelowane ze sobą wnosz;i do modelu zb li żone informacje. a ponadto silna korelacja
zm iennyc h. zwa na wspólliniowością. prowadzi do sze regu niekortys1nych efek1ów modelowania ekono
rne1rycznego. na co zwróc imy uw;1gę w odpowiednim miejscu
Spośród wielu metod doboru zmiennych objaś n iających proponowanych w literatu-

r.le omówi my (najbardziej popu larne)
• m e todę Hellwiga4 • zwaną metodąpojemno§ci 110..fników i1ifor111acji ( noś nikami in-
fonnacji są potencjalne zmienne objaśniaj:1ce),
• metodę analizy grafów.
2.2.1. Metoda pojemno ś ci informacyjnej Hellwiga

Ze w st ępni e wytypowanych L zmiennych tworty s i ę kombinacje jedno-. dwu- , . L-
-elementowe; liczba wszystkich możliw yc h kombinacj i jest równa 2L - I
Dla ka żd ej zmiennej w ka żdej kombinacji oblicza się indywi d ual ną pojem n ość
n oś nik a informacji (htj )·
(2.4)
gdzie: h ti - indywidualna pojemność )-tej zmiennej w k-tej kombinacji, roi - współ

czynnik kore lacj i )-tej potencjalnej zmiennej objaśniającej ze zmienną e ndoge n i czną;
h =\i: X,· E Kd - zbiór indeksów (numerów) zmiennych wchodzących w s kład k-tcj
kombinacj i. tj. kombinacji Kt: L lriil - suma wart ośc i bezwzględnych współczynni-
iE I,
ków korelacji )-tej zmiennej z pozostałym i , które wy stęp ują z nią w danej kombinacji
Dla każdej kombinacji zmiennych oblicza s i ę na stępni e int eg ra l ną (łącz n ą) po-
jemność nośników informacji Ht jako sum ę pojemno śc i indywidualnych zmiennych
występujących w danej kombinacji
(2.5)
Jako zmienne objaś n iające model u wybiera s i ę tę ich kombi n ację. dla której po-
j e mnośćintegralna H p rąjmuj c wartość naj większą (przy czym htj ; Ht E [0; lJ, tzn
zarówno pojemnośc i indyw idualne, jak i integralne przyjmują warto śc i z przedziału
[Oo\])
Przy kł a d 1. W pewnej spółce cukrowej budowany jest model kosztów całkowityc h

produkcji ( Y w mln zł). Jako potencjalne zmi enne obja ś niające przyję t o: X wielkość 1
-
produkcji cukru w cukrowni (w mln ton); X 2 - zawartość cukru w burakach cukrowych

(w%).
Zebrano dane dla ośmiu wy losowanych cukrowni i przedstawiono je w tablicy 2.1 5.
4 Prof. zw. dr hab. Zdzisław Hell wig z Akademii Ekonomicznej we Wroc!awiu (obecnie Uniwersyte1
Ekonomiczny)
5w podręczniku do oznaczenia kolej nych obserwacji przyję to. indeks r (xr.y1: r = l . .u ): nie -
którzy autorzy rozróżniaj<\ obserwacje w postaci danych prlekrojOW)'C h. przy pi sując im indeks i (x1. _1·;:
i = I. . 11 ) ornz rezerwując indeks I dla obserwacji w pos t;ici sze regu czasowego
2. Mcxlelejednorównaniowe liniowe
Tablica 2.1
17.8 3 87
19.4 5
22.8 6 "78
27.7
28.3 12 83
30.7 12 81
34.3 15 73
35.0 16 80
7..ród ło; daneumowne
W oparciu o pow yższe dane obliczono współczynniki korelacji między zmiennymi

i otr.tymano (wyniki podano z dokładno śc ią do O.Ol): r 01 = 0.99. r 02 = - 0.6 1, r 12 =
= -0.58 (= r2d. czyli 6 :
Ro ~['•r 02°' ] ~[ - 0.99].

0.61
R ~[ r
21
I I
I -0.58]
'" ] ~[ -0.58 l
Należy wybrać optymalną kombinację zmiennych objaśniających do modelu kosz-
tów całkowity c h cukrowni stosuj<1c m e1odę Hellwi ga
Rozwiąza nie. Z zaproponowanych wstępnie dwóch potencjalnych zmiennych obja-
ś niających (L = 2) m oż na utwon:yć 2L - 1 = 2 2 - 1 = 3 kombinacje:
K1 ={Xi}.
K2~ {X2 J.
K3 = {X1.X2).
Dla każdej kombinacji zmiennych należy ob l ic zyć indywidualne i integralne pojem-
nośc i no śników informacji. I lak:
- dla kombinacji pierwszej (Ki) pojemność indywidualna (2.4) będ z ie równa 7
rJ1 0,99 2
'111 = I = ----i-= o.9801.
a pojemność integralna
H1 ='111 =0.980 1:
6
Wspó łczynniki korelacji m ożna obliczyć ze znanego ze stnt ys tyki wzoru. np. wspókzynnik korelacji
między zmiennymi Y i Xi: ro1 = Jtr2· ;1:~(1~~~ 1 ~ 1 12 ~· Mo7.na leż skor.-:ystać z funkcji
s1andardowej Excela (funkcja s1a1ystyczna: wspó lczyrrnik korelacji(;)). wskazując w polach okienka dialo-
gowego kolumny z wart ościami odpowiednich zmiennych
7 1111 oznacza indyw idualn<\ pojenrnuś.ć pierwszej zm iennej (j = 1) w pierwszej kombinacji (k = l)
W tej kombinacji wys1ępuje tylko zmienna X1. a w ięc jest ona skorelowana tylko z sobą (r1 I = 1). stąd 1
w mi~nown iku. Tak będzie dla wszys1kich kombinacj i jednoelemen1owych
2.2. Wybór zmiennych obiaśniających do modelu ekonometrycznego
- dla kombinacji drugiej ( K2 )
'122 = ł = (-0~ 61 )2 = 0, 3721
H1 ='122 =0,372 1
Kombinacja trzecia s kłada się z dwóch zmiennych, a więc nal eży obliczyć dwie
pojemności indywidualne 8:
~ ~ = 0.6203. hr = ~ = (- 0. ! )
2
6
h 31 = = = 0.2355,
I + l•·n l I + 1- 0.581 - I + I'" I I + 1-0.58 1
HJ = h31 + h32 = 0,6203 + 0.2355 = 0.8558
Najw i ększą wartość pojem n ość integralna przyj ę ła dla kombinacji pierwszej
( Hmu = H 1 = 0.980 1), a wi ęc do wyjaśn ienia zmienno śc i kosztów ca łkowityc h pro-
dukcji cukru w cukrowniach wystarczy u względ ni ć z mi e nną X w i e lkość produkcj i. 1 -
Przykład
2. Pewien producent kosmetyków, rozprowadzający swoje wyroby za po-
śred ni ctwem konsultantów, pos tanow ił zbudować model wyjaśniający indywid u alną wy-
dajność konsultantów - Y, wyrażoną roczną wartośc i ą s przedaży (w tys. zł ). Jako po-
tencjalne zmienne objaś ni ające przyj ę t o:
X staż pracy konsultanta w firmie (lata),
1
-
X2 - zmienna (zero-jedynkowa) 9 • którą nazwiemy „dod<1tkowe źródło dochodów"'

X 2 = I. gdy konsu ltant ma jeszcze inne źródło doc hodów,
X 1 =O, gdy kon sultant nic ma innego ź ród ła dochodów,
X3 - płeć ( t akże zm ienna zero-jedynkowa). tu przyjęto X 3 = I dla mężczyzn,
X3 =O dla kobiet
Zebrano stosowne in formacje dla 1O wylosowanych konsultantów (tablica 2.2).
W oparc iu o zawarte w tablicy 2.2 dane obliczono współczynniki korelacj i między
zmiennymi i otrt:ymano (w zaokrąg l en iu do 0,01 ):
ro1 = 0.95, ro2 = - 0,69. r03 = - 0,47. r 12 = - 0.45. r n = - 0.37. r13 = 0.4 1.
k1óre poni żej zapisano w postaci wektora Ro i macierzy R 10 ·
0.95] I - 0.45 - 0.37]

Ro= - 0.69 . R= - 0.45 I 0. 41
[ [
- 0.47 - 0. 37 0.41 I
8113 1 to indywid ualna pojemność pierwszej zmie nnej (j = I) w trzeciej kombinacji (k = 3), a /1 32 -
indywidualn;i pojemność drugiej zmiennej (j = 2) w tr.o:eciej kombinacji (k = 3)
9 Ccchy jakościowe dwuwariamowc (dychotomiczne) mo:i;na uwzględnić w modelu za pomocq m1ien-
nych przyjmujących dwie wartości: 1 lub O (zero-jedynkowych); jeśli cecha ma więcej niż 2 warianty (np
pozio m wykształcenia) . w modelu uwzgl i;:dnia się więcej takich zmiennych.
10
Zauwa żrny. że ze względu na symetri ę macicrl R często podawana jest w postaci R =
1 - 0.45 - U.37]
= 0.41
[
I
Konsuhant )'1
29
30
35 4
45
49
45
10 52
7..r6dło:dancumowne
Należy wybrać opty m a ln ą kombinację zmiennych obj aśniających, stosując metodę

Hellwiga
Rozwiqza„ie. Z tr1.:ech potencjalnych zmiennych o bj aśniających (L = 3) można
utworzyć 23 - I = 7 nas tęp ującyc h kombinacji :
K i= {Xi} .
K i= IX2}.
K3 = IX3}.
K4 = IX 1. X 2}.
K5= {X1.X3},
K 6= {X2.X3).
K1 = {X 1. X 2. X 3),
dla których należy ob li czyć indywidualne i integralne pojem ności noś n ików info rmacj i.
Oto wyniki obliczeń:
- Kombi nacja 111
h11 = l
1 rJ
0.95 2
= ~ = 0.9025. H 1 =11 11 = 0 .9025.
- Kombi nacja 2
11 ~~ = ~ = {-0.69)2 = 0.4761. H2 = '122 = 0.476 1
++ I 1
- Kombinacja 3
r2 47) 2
h 33 = f (-0
= - ;- = 0,2209, H3 = h33 = 0.2209.
11 Jak zauważono w przykł:tdzie I. w kombinacjach jednoelementowych zmienne nie są skorelowane

z żadną inną zmienną. stąd w mianowniku pojemności indywidualnych występuje 1
Kolej ne trzy kombinacje to kombinacje dwuelementowe - dla każd ej z nich n a l eży

więc obliczyć dwie poj e m nośc i indywidualne.
- Kombinacja 4
0 952 r2 ( -0 69) 2
h41 = ___!1__ = · = 0.6224 . /14? = ~ = _ ._ = 0,3283.
1 +l r 12I I + 0.45 • I + lr2il I + 0.45
- Kombinacja 5
7 2
h 51 = ___!1__ = ~= 0.6588 . h 53 = ~ = (- 0.4 ) = 0, 16 12.
1 + lr nl I + 0. 37 1 + lr3 1 1 I + 0. 37
Hs= hs1 + h53 = 0.8200
- Kombinacja 6
47 2
11 6? = rJ2 = (- 0 .69) 2 = 0.3377 . " 63 = ~ = (- 0. ) = 0. 1567 .
• 1 + lrnl I + 0.41 1 +l r32I 1 + 0.41
H6 = h62 + h63 = 0.4944
- Kombinacja 7 zawiera trzy potencj al ne zmienne, s t ąd poj e m ność integrnlna będ z i e
s u mą trzech poj e m no ś c i indywidualnych
0.95'
h11 = rJi 0.4959.
I + lr12 l + lr nl 1 + 0.45 + 0 .37
(- 0.69)'
lr~~ + lr23I
2
0,2560.
hn = 1 + I +0,45 + 0.4 1
(-0. 47) '
h73 = r03 0. 124 1.
l + lr3il+lr32I I + 0.37+ 0 .4 1
H1 = h11 + hn + h13 = 0.8760
Poj e mność integralna przyj ę ł a n aj w i ę k szą wa rt ość dla kombinacji 4 ( Hmv.. = 174 =
= 0. 9507), zatem w model u nal eży u wzg l ęd ni ć zmienne X1 i X 2, czyli Y = f (X 1. X2)
2.2.2. Metoda analizy grafów

Idea metody grafu 12. podobnie j ak metody Heli wiga. oparta jest na za ł oże n i u . że zmienne
objaś ni aj ące u w zg l ęd ni o n e
w modelu powinny b yć stosunkowo si lnie skorelowane ze
zm i e nn ą obj aś ni an ą
oraz s ł abo skorelowane mi ę d zy sobą
Punktem wyj śc i a metody grafu jest weryfikacja statystycznej istotności ws pół·
czynników korelacji między potencjalnymi zmiennymi objaśniającymi (zawartych
w macierzy R). Dla każdego ze współc z y nnik ó w ru n a l eży z weryfi k ować hipotezę:
Ho : r ij = O dla i ::f:. j wobec 17 1 : r ij ::f:. O
12Metoda 1a w pierwo1nej p<maci zos tala zuproponowana prlez prof. dr hab. S1ani s/aw ~ Bartosiewicz
z Akademii Ekonomi cznej we Wrocla wiu
Sprawdzianem w t eśc ie jest statystyka
/=n· Tij~
(2 .6)
którą porównuje s i ę z wartością krytyczną ta odczytaną z tablic rozkładu t Studenta dla

przyjętego poziomu istot ności a oraz 11 - 2 stopni swobody (11 jest lic zbą obserwacji. na
podstawie których obliczono współczynniki korelacji). Stwierdzenie. że Ir I .:'.: ta nie daje
podstaw do odrwccnia hipotezy zerowej, a więc świad czy, że w spółczynnik korelacji
między zmiennymi jest statystycznie nieistotny.
W praktyce naj częściej korzysta się z warto śc i krytycznej współczynnika korelacji
r•, otrzymanej z przeksziałcenia wzoru (2.6)
(2 .7)
Wszystk.ie w spółczynnik.i korelacji s peł n iające warunek lriJ I ::: r• uznaje się za sta-
tystycznie nieistotne i w macierzy R zastępuje zerami. W ten sposób otrzymuje s i ę ma-
cierz R' (której elementami są zera i statystycznie istotne współczyn n iki korelacji)
Macierz R' stanowi podstawę budowy grafu powiązań między zmiennymi. WicrL-
chołkami grafu są potencjalne zmienne objaś n iające , a łączącymi je krawędziami -
statystycznie istotne współc z y nn iki korelacji. W rezultacie można otnymać graf spój -
ny 13 lub graf sk ładający s i ę z podgrafów spójnych i tzw. wierzchołków izolowanych,
czyli wierzchołków (zmiennych). które nie połączyły s i ę z innymi. Zasadq jest, że
do modelu wybiera się tyle zmiennych , w ile grup połączyły s i ę potencjalne zmienne
objaś niające . Będą to wszystkie wierzchołki izolowane oraz jedna zmienna z każdego
pod grafu spójnego, ta która ma najwyż szy nąd wierzchołka 14 (czyl i jest powiązana -
istomic skorelowana - z najwi ększą li czbą potencjalnych zmiennych objaśniających ,
a więc będzie reprezentować je wszystkie). Jeżeli w i ęcej ni ż jeden wierzchołek ma
ten sam, najwyższy rząd, to wybiera się tę zmienną. która jest najsilniej skorelowana
ze zmienną endogeniczną (objaś ni aną) i dopiero wówczas korzystamy z informacji
zawartych w wcktor1:c Ro.
Przykład 3. Na podstawie 22 obserwacji (11 = 22) na zmiennej endogeni cznej Y i 6

potencjalnych zmiennych objaśniających ( X 1• , X6 ) obliczono w spółczynniki korela-
cji między zmiennymi i otrzymano
13 Grof spójny to taki, w którym wszystkie wierzchołki są ze sobą bezpośrednio lub pośrednio
połączone.
14
Rząd (s to pi eń) wierzchołka - r (Xj) - określ ony jes1 prlez li czbę wchodzących do niego
i wychodzących z niego krawędzi
2.2. Wybór zmiennych objaśniających do modelu ekonometrycznego
I - 0.45 - 0.39
0.32 0.20 - 0.42 ]
- 0.78]
0.85 l 0,40 - 0.52 - 0.33 0.27
R,, ~ - 0.61 R = I - 0.41 - 0.31 0. 54
0.44 I 0.28 - 0.35
[ 0.55 [ I 0.42
- 0.50 I
Stosuj:1c metodę grafu, należy wybrać op ty maln ą kombinacj ę zmiennych objaś ni a
j ącyc h .
Rozwiązanie. Aby zweryfikować statystyczn ą istotność współczyn nik ów korelacji

mi ędzy potencjalnymi zmiennymi objaśniającymi. nale ży obliczyć waność krytyczną
współczynn i ka korelacji według wzoru (2.7). Wan ość krytyczna statystyki t odczytana
z tablic rozkładu t Studenta dla poziomu istotności a = O.OS oraz 11 - 2 = 22 - 2 = 20
stopni swobody wynosi 2,086 (co moż n a zap i sać t0 .o5 :w = 2.086). Zatem:
~ o 42
2
r* = 2.086
22 - 2+2. 0862 '
A w i ęc wspó łczy nniki korelacji spe łniając e warunek lr;j I _:-: : 0,42 uznajemy za staty-
stycznie nieistotni e różniące s ię od zera i w macierzy R zastę puj e m y zerami. W rezulta-
cie otrzymujemy macierz R'·
x, x, x, x, x, x,
-0.45 o o o
•~ [
"r
o - 0.52 o o x,
o o 0,54 X3
I o x,
o x,
I X,
która stanowi podstawę budowy grafu, powiqzail między zmiennymi (rysunek 2.1 ). Aby
ułatwić budowę grafu, wiersze i kolumny macierz R' opisano zmiennymi. które repre-
zentuj<!
Rysunek 2.1. Graf powiąz;iii między zmi ennymi
Potencjalne zmienne objaś ni ające połączyły s i ę w trą grupy (otr~yma n y graf skł ada
s i ę z dwóch podgrafów spój nych i wierzchołka izolowanego - X 5 . Zatem do model u
nal eży wy brać trzy zmienne:
• z pierwszego podgrafu spój nego (Xi. X2. X.i) wybieramy X2 - wierzcho łek
o najwyższym stopniu (zmienna X 2 wniesie do mode lu także informacje o X 1 i X.i),
• z drngiego podgrafu (X 3, X 6) wybieramy X 3 (obydwa w i erzc hołki mają taki sam
rząd = I, ale X3 jest silni ej skorelowana ze zmi e nną endogeniczm1 - ro3 = - 0.61,
r06 = - 0.5),
• trzecią zmienną objaśniającą będzie X 5 , czy li zm ienna. która nie jest istotnie sko-
relowana z żadną inną zm i e nną, a więc żad na inna zmienna nic wniesie do mode lu in-
formacji o niej
Reas umując Y = f(X2, X3, Xs). czy li w modelu nal eży uwzg l ę dni ć zmienne X i.
X3 orazX5
2.3. Estymacja modelu
2.3.1 . Klasyczny model regresji li niowej-założen i a

Przypomnijmy, że postać strukturalna jednorównaniowcgo modelu liniowego (wzór
(2. 1)) jest na st ępująca
Y, = ao +a1 X11 + a1X12 + ··+ aK X1K +e, .

a postać strukturalno-statystyczna, uw zg lęd niająca wszystkie obserwacje na zmiennych
(model w zapisie macierzowa-wektorowym - wzór (2.2))
y = Xct + e
i to ona stanowi punkt wyjścia estymacji parametrów modelu .
Pos tać st rukturalno-statystyczna nie wystarcza jednak do przeprowadzenia estyma-
cji w rozumieniu statystyki matematycznej . Potrzebne są jeszcze założenia probabili-
styczne, opi s ujące (hipotetyczny) mechanizm generowania poszczególnych zmiennych
(obserwacj i)
Model liniowy w zapisie macierzowa-wektorowym wraz ze sformułowanymi wer-
balni e założeniami moż na zap i sać nast ępująco ([46] , s. 215- 216):
I. „:1
= "~k t~I + „;
( każda obserwacja y, jest liniową funkcją obserwacj i x,1 oraz
1
składnik a losowego e1 • czy li model, którego parametry szacujemy, jest modelem linio-
wym)
2. X jest macierzą ni e losową, zatem zmienne objaśniaji1ce są zmiennymi nieloso-
wymi (ustalonymi w powtarzanych próbach: dla każdego 1 = l, . 11 na poziomie
X11„ .X1K)
3. rz(X) = K + 1 < n (tzn. macicr.t X ma pclny rząd kolumnowy); wektory wartości
poszczególnych zmiennych objaśniających (kolumny macierzy X) s ą liniowo niezależne
(nie występuje współliniowość zmiennych objaśniających); liczba zmiennych objaśnia
jących (ze s tałą I) jest mniejsza od liczby obserwacji
4. E (E) = ~
1 1
s kładnik losowy ma wartość oczek i waną równą zem (czyli zakłó-
-
cenia różnokierunkowe kompensują s i ę)

5. Macierz wariancji i kowariancj i skład nik ów losowych jest równa

V(E) = E(EET)=cr 21„. gdzie0:-:;cr 2 <+oo,
co oznacza, ze:
• E e~ = cr 2 - wariancja s kładnika losowego jest sta ła dla wszystkich obserwacji
(dla każdego t); własność ta nazywana jest j ednorodn ością, s tałośc ią lub homoskeda-
stycznośc ią wariancji),
• Ee1Bs = O dla wszystkich s f=. f - składnik i losowe poszczególnych obserwacj i
są nieskorelowane (nic występuj e autokorelacja s kładników losowych).
Zestaw założe 1l 1-5 nazywamy klasycznym modelem regresji liniowej (KMRL).
J eś li doł ączy my za ło że ni e:
6) e ...... N„ (s kładnik losowy e ma 11-wymiarowy roz kład normalny), 10 otrzyma-
my zestaw za łożeń 1- 6, nazywany klasycznym modelem normalnej regresji li niowej
(KMNRL) 15 .
W odniesieniu do jednorównaniowego modelu liniowego naj częśc iej s to sowaną
(aczkolwiek ni c j edyną) metodą estymacj i jest klasyczna metoda najmniejszych kwa-
dratów (KMNK)
Geneza tej metody si ęga poc ząt ków XIX w. i w iąże się z pracami jednego z najwi ęk
szych matematyków wszechczasów - CF. Gaussa (por. z. Pa w łows ki Ll JOJ, s. 90)
Według J.E. Freunda (f40l, s. 327), pom ysł zastosowania kryteri um najmniejszych kwa-
dratów przy pi sać nal eży francu skiemu matematykowi A.M. Legcndre'owi. M oż n a nie-
wątpliwie przyjąć, iż obaj uczeni ni eza l eż ni e od siebie wnieśli znaczący wkład w rozwój
tej metody. Dzisiaj o tej hi storycznie najstarszej, a przy tym intuicyjni e prostej metodzie
można przeczytać w każdy m podręczniku ekonomet rii.
2.3.2. Klasyczna metoda najmniejszych kwadratów

Estymacja mode lu - w oparciu o zebrane dane statystyczne (próbę - obserwacje
zmiennych) - polega na wyznaczeniu ocen parametrów strukturalnych. parame trów
rozkładu składnika losowego i innych miar dopasowania model u do obserwacji (para-
metrów struktury stochastycznej)
Dla obserwacji zmiennej objaśn ianej Y (y1 ; r = L .. 11) i K zmie nnych objaś nia
j ącyc h X 1 • • • , X K (x 11 • • • x 1K; t = I. 2. . 11) nal eży u sta li ć model opi s uj ący obser-
wacje, dopasowując do nich hiperpła szczyznę o kre ś l on ą wzorem (2. 1). Hipe rpła szczy
zn ą dopasowaną metodą najmniejszych kwadratów jest taka hiperp łas zczy zna. dla której
s uma kwad ratów odchy l e ń obserwacj i od hiperpłaszczyzny jest najmniejsza.
Dopasowaną do obserwacji hiperpła szczyznę wyznaczaj ą wart ości teoretyczne
S•r - w i e lkośc i , w których nieznane parametry (ao. . ad zastąpiono ich ocenami
(ao. . aK)
(2.8)
a odchy lenia wartości teoretycznych od empirycznych (obserwacji) to reszty (e1)
e, = Yr - )•, (2.9)
15 KM NRL można w sposób bardziej zw;irty zapisać z;is1ępuj <\C Zilłoże ni a 4--6 jednym: f: - N(O. o 21„ ).
tzn. sk!adnik losowy ma rozkład nom1alny o średniej U i macierzy wariuncji i kowariancji 0 21„
Zatem fu n kcję kryterium MNK można zapisać skalarnie 16 :
" " 2
S(a 0 , • ad= "o~-~i·?,A. ~ e~ = „ 0~_i_?,,,. ~ (y 1 - j,) =
Po obliczeniu pochodnych cząstkowych funkcji S(a0 , . llK) względem szukanych

ocen parametrów, prLyrównaniu tych pochodnych do zera (warunek konieczny ist11 ie ni:1
ekstremum) i pewnych przekształc e niac h, otrzymamy (znany ze statystyki ) układ rów-
nań normalnyc h
L .v1 =1100
(2 .11)
któ rego rozw i ązaniem sq szukane oceny parametrów (a rozwiązać go można np. pos łu
g uj ąc się me todą wyznaczników) 17
W zapisie macierzowym - dla modelu (2.2) - y = Xa + E wektor wa rt ości
teoretycznych m oż na za pi sać jako Y = Xa, a wektor reszt jako c = y - ji, gdzie:
y• =
[ ~]
.Y2:
~
. a= [%]
a,1.
OK
, e= [~]
e,'
~
. ,
przy czym a jest szukanym wektorem ocen parametrów strukturalnych.

Kryterium MN K - minimalizacja sumy kwadratów reszt ma postać 1 8 :
(2 .1 2)
l6"0~~~-~K oznacza minimalizacj\: ze względu na 110 .

z
17 układu tego należy wybnić liczb\: wierszy i kolumn stosown ie do liczby zmie nnych objaśniaj;icych
(parametróws1111 k1uralnych ) modelu
IH Możn;i bowiem s prawdzi ć. że cTc =[ei e2 e„ ] ·

[' ]
e1
e„
=ei+ei+
i po dalszych przek ształce niach 19

S(a) = yTy- 2aTXTy + aTxTxa
Pochodną funkcji kryterium S(a) względem szukanego wektora a 20 przyrównujemy do
Pr zekształcając dal ej, otrzymujemy układ równatl normalnych (w zapisie mac i er~owym):
2xTxa = 2x Ty {::} x Txa = x Ty.

którego rozw i ązaniem 21 jest szukany wektor ocen parametrów strukturalnych·
a = (X Tx ) - I XTy. (2.13)
J 2 S(a)
~ = 2XTX jest macierzą okreś loną dodatnio, zatem spełniony jest też warunek
dostateczny istnienia minimum funkcji S(a), a także istnieje (XTX) - 1.
Twierdzenie Gaussa-Markowa22
W klasycznym modelu regresj i liniowej najlepszym, nieobciążonym estymatorem linio-

wym wektora a jest wektor otrzymany metodą najmniejszych kwadratów:
a = (XTx )- I XTy
o macierq wariancji i kowariancji V(a) = rr 2(X TX )
Warto w tym miejscu jeszcze raz podkre ś li ć własności estymatora MNK:
• estymator a jest estymatorem liniowym (tzn. jest kombinacją liniową wektora y
obserwacji na zmiennej zależnej , tj. a = CTy),
• estymator a jest estymatorem nieobc i ążonym (tzn. E(a) = a),
• estymator a jest estymatorem najefektywniejszym (tzn. ma najmniej szą warian-
cję) w klasie ni eobc iążonyc h estymatorów 1iniowych23 .
19 Trnnspozycja iloczynu macierzy (A lł )T = nT · AT. stąd (Xa)T = aTXT; z:mważmy także. że

yTXa = aTXTy (są to skalary)
WyTy jes1 st.i tą. zatem jej pochodna jest równa O. aTx Ty jest fom1ą liniową o ogólnej postaci x Ta. której
pochodna a~:a = a. stąd aa: : Ty = XTy. Natomi as1 aTxTXa jest formą kwadrn1owąoogólnej poslaci
xT2~:~::::~::~~~;, :::~:ż:n~:~1~ :~::~:::1 ~0:~.Tz~:~~:·a~~:~ s~~::· określona

1
:::: dOOa1-
nio (detXTX > 0).jcst wil'.C nieosobliwa (ismieje macierz do niej OOwroma). Zatem obie strony mnoży my
pm~z (XTX) - 1
22 Por.146].s.218
2.l w m yśl twierdzenia Gaussa-Markowa estymator MNK jest najlepszy (naj efektywniejszy) w~ród
wszystkich estymatorów liniowyc h ni eobciążonych. O 1akirn es1yma1orze mówi się . że ma własność BLUE
(Best Liu erir Unbim·ed Estim11/or)
W KMNRL estymator MNK mak-wymi arowy rozkł ad normalny. tj
Ni eo bc i ążo ny m estymatore m wariancj i s kładnika losowego cr 2 jest wariancja resz-

towa s;.Wzór mac ier.wwy:
s; = li~ k cTC = Il~ k (y - )')T(y - )') = 11 ~ k (y ~ Xa)T (y - Xa) =
(2. 14)
= li~ k (yTy - aTXTy),
gdzie: /1 - liczba obserwacj i; k - li czba szacowanych parame trów slrukluralnych 24;

11 -k - liczba s1opn i swobody; Y = Xa - wektor wan ośd teoretycznych; e = y - Y
- wektor reszt
Wzór skalarny:
(2. 15)
Pierwiastek kwadratowy z wariancji resztowej
s, =!Si (2. 16)
nazywamy odchyleniem standardowym resztowym. Informuje ono o ile ś red ni o war-

loilci teoretyczne zmie nnej endogenicznej (wy nikaj ące z modelu - j,) róż ni ą s i ę i11 plu.1·
lub in minus od jej wart ośc i e mpirycznych (zaobserwowanych) )'1
Ni eo bc i ąż o n y m estymatorem m aderą wariancji i kowari ancji cs1ymatora MNK, tj .
macierzy V(a) = cr 2(XTX) - 1 jest macierz wariancji i kowariancji ocen parametrów
strukturalnych
(2 .1 7)
Pierwiastek kwadratowy z ) -tego eleme ntu di agonalnego m aderą 0 2(a ), k1óry

zwykle oznaczamy sy mbolem D (a 1), nazywany jest błędem średnim szacunku oceny
a j. Informuje on o ile ś rednio wyznaczona MN K ocena a j może różni ć s i ę in plus lub i11
mi111 1.\" od rzeczywistej wan ośc i parametru cx . Jest on zate m indykatorem jako śc i (pre-
1
cyzji ) oszacowania danego ws półczy n n i ka regresji .
J eże li eleme nty macierzy {XTX)- 1 oznaczymy jako d;1, tzn. (XTX)- 1 = LdiJ J, to:
V~cx 1 ) = a ~JJJ - wariancja ~-t eg_~ ~arametru regresj i,
2
D -(a 1) = S; d jj - ocena wan anCJ1 J -tego parame tru regresji ,

D (a 1 ) = J s; ·
dJJ = Se/d)j - ocem1 błędu śred ni ego szacunku )-tego parametru
regresJL
24 w podręczniku prz.yję10. że /,; to li czba parn me1ró w strukturalnych modelu. a K 10 liczba zmi ennyc h
prty czy m w modelu liniowym z wyraze m wolnym k = K + I
objaśniającyc h .
Aby oce ni ć d okł ad n ość dopasowania mode lu do obserwacji. oblicza s i ę t akże poniż
sze współc zy nniki. Współczynnik zmienn ości resztowej25:
V,= 5;:)' · IDO. (2.18)
który informuje, jaką część (jaki procent) wartośc i śred ni ej zmiennej endogenicznej sta-
now i ą odchy lenia losowe
Współczynnik zbieżności
te~ 2
1p2 =~= ~11-k)Se .
1 (2 .19)
,~(y,-5')' ,~(y,-5')'
przy czym mianownik można także obliczyć korzystając ze wzoru uproszczonegff
I: (y, -YJ' =I: .1:- ~(I: ,,)' (2 .20)
r.p 2 przyj muje wartości z p rzedz i ału fO: 11 i informuje, jaka część całkow it ej zaobserwo-
wanej zmien n ości zmiennej endogenicznej jest wynikiem dział ania czynników przypad-
kowyc h, ni e uw zg l ę d nionych w modelu (czyli jaka część zmien n ości zmiennej endoge-
ni cznej nie została wyjaśn i o na prt.:ez model).
Współczynnik determinacji :
(2.2 1)
informuje. jaka część ca łkowit ej zaobserwowanej z mi e nn ośc i zmiennej endogenicznej
jest wyj aś ni o na przez model (jest wynikiem działa n ia czynn ików u wzg l ędnion ych w mo-
delu, a w i ęc zmi ennych objaśniających) .
Należy d odać. iż oceny parametrów strukturalnych otrt.:ymane w postaci wektora a
to tzw. oceny punktowe. Dla każdego parametru można także zb udować przedzi ał uf-
n ośc i - przedzi a ł liczbowy zaw i e rający z określonym bli skim l prawdopodob i e ńs twem
(najczę ściej 0,90, 0,95 lub 0,99) prawdziwą wartoś ć parametru. Przedział ufności dla
parametru a j buduje s i ę zgodnie z formu łą 26
P{a j - la D (aj) <aj <aj + l a D (aj}) = l - a. (2 .22)
R ozpi ę tość przedziału za l eży
od założonego prawdopodobieństwa 1 - a, a więc
za łożonego poziomu istotności a (bowiem la odczytuje s i ę z tablic rozk ładu I Studenta
dl a przyjętego a oraz dla n - k stopni swobody), a tak że od wie lkośc i błędu śred ni ego
szacunku parametru
25 Wprawdzie odchylenie standardowe - nazywane także średnim błędem szacunku mode lu - infomrn
je o ile średnio wartości teoretyczne zmiennej endogenicznej różnią się od wartości zaobserwowanych. to
jednak aby ocenić czy te odchylenia są duże. wano porównać je ze śred nią wartością zmie nnej endogenicz-
nej _i•.
26 A więc do oceny punktowej dodaje się i odejmuje iloczyn błędu śred niego swc un ku parametru i sla ty-
styki la
Przykła d 4. W przy kładzie

I ustalono, że w modelu kosztów ca łkowityc h cukrowni
jedyną zm i enną objaśniającą powinna być wiel k ość produkcj i. Nal eży oszacować para-
metry modelu opisującego zależność kosztów całkowitych od wielkości produkcj i
Rozwiąza nie. Wykres korelacyjny zależności mi ędzy zmiennymi (jego sporządze nie
jest moż liw e, bo w modelu występuje tylko jedna zmienna objaś ni ająca) przedstawiony
na rysunku 2.2 wskazuje, że do opisu tej za l eżno śc i można wykorzystać model liniowy27 ·
(2 .23)
Obserwacje zawierają kolumny 2 i 3 tablicy 2.3
~ 24
0 '--0------,-0-„-,-
, -„-„
produkcja(tys.ton)
Rysu nek 2.2. Zależność kosztów całkowityc h produkcji cukru od wielkoki produkcji
Ta blica2.3
1-c_"_kro_w_"'_" 1---+-"-+-x_;+-- -1---+---+-e~ __ .\il -~-~

5 6 8 9 JO li
17.8 3 53.4 17.62 0. 18 0.0324 316.84 - 9.2 84.64

19.4 5 25 97.0 20.30 - 0.90 0.8 100 376.36 - 7.6 57.76
22.8 6 36 136.8 21.64 1.16 1.3456 519.84 - 4.2 17.64
27.7 li 121 304.7 28.34 - 0.64 0.4096 767.29 0.7 0.49
28.3 339.6 29.68 - 1.38 1.90<4 800.89 1.3 l.69
30,7 368.4 29.68 1.02 1.0404 942.49 3.7 13.69
34.3 514.5 33.70 0.60 0.3600 I 176.49 7.3 53.29
35.0 560.0 35.04 - 0.04 0.0016 1225.00 8.0 64.00
I: 2 16,0 80 2374,4 2 16,00 0,00 5,9040 6 125,20 0,0 293,20
Żródlo: oprncow~nicwłasnc
27 Model liniowy jest często wykort.ystywany jako model kosztów ca łkowit ych. o czym będzie mowa
wrozdziale5
ParameLry s1ru k1Uralne modelu oszacujemy według wzoru (2. 13)
gdzie:
17.8
19.4
x., ] 22.8
X = ~ ·~2=
[
I
l x„
I
l
I
li
12
12
15
y=
["']
Y2
.
y„
=
27.7
28. 3
30.7
34.3
16 35.0
zatem
.:„ l [:; 7:;

J X„
l ["tx,
= tx, t x,]
t:J f:I
2 ,
XTy = [I
X! X!
I I
X3 :] [;;] =[~~'" ]
" .
y„
L;x,y,
1- 1
Mając wyprowadzone goto we wzory na macicrL XTX i wektor x Ty. ni ezbędne oblicze-
nia można wy konać w tabel i (kolumny 1-4 tablicy 2.3)
Mamy zate m
X X=
T [ "n . ,~X, ] [8
" . = 80
80]
960 . Xy=
T [ ,~
y, ]
" .
[ 216
= 2374.4
l
2
,?;·'/ ,~ ·' 1 1~·~1Y1
Macie rz XTX i wektor x r y m oż na równie ż wyzn aczyć mnożąc odpowiednie macie-
rze obserwacji:
x r x = [ 31 51 61 Ili
12 12 15
I
16
l I li
12
8 80 ]
[ 80 960 .
12
I 15
I 16
17.8
19.4
XTy- [I I I
- 3 5 6 li
22.8
27.7
28.3
2 16
= [ 2374.4
l .
30.7
34.3
35.0
Obliczoną macierz XTX i obliczony wektor XTy wstawiamy do wzoru (2. 13)·
T
a ~ (X X)
-I T
X y~
[ 8
80
80 ] - I [ 2 16
960 2374.4
l
Należy jeszcze obliczyć macierz odwrotn ą do XTX. Przypomnij my, że (XTX)- 1 =
--\- AT; gdzie A jest mac iem1 algebraicznych dopetniefi, której elementy
det(X X )
= (- l )i+Jld;jl, a ld;;I jest podwyznacznikiem macierzy XTX po wykreślen iu i-tego
a ;j
wiersza i }-tej kolumny.
Wyznacznik macierzy XTX:
dct(XTX) ~ 960 · 8 - 80 · 80 ~ 7680 - 6400 ~ l 280.
aw i ęc 28
cxTxi-' ~ _I_ . [ 960 - 80] ~[ o. 75 - 0.0625 ]

1280 - 80 8 - 0.0625 0.00625 .
a = [a
"o ]
=
[ 0.75
- 0.0625
- 0.0625
0,00625
l[ l 2 l6
2374 . 4 =
1
0.75 ·216 - 0,0625 ·2374,4 ] [ 162 - 148.4

= [ - 0.0625-216+0,00625·2374, 4 = -1 3,5+ 14.84
l =
[13,6
1.34
l
Oszacowany model (wartości teoretyczne) ma więc postać (w modelu - wzór (2.23) -
nieznane parametry a 0 i a zas tępujemy uzyskanymi wyżej ich ocenam i)
1
}', = 13.6 + l .34x1

Wstawiając do oszacowanego modelu kolejne obserwacje zmiennej obj aśn iaj ącej (.r1 ).
obliczamy wartośc i teoretyczne dla poszczególnych obserwacji (zestawione także w ko-
lumnie 6 tablicy 2.3)·
5'1 = 13.6 + 1.34 3 = 17.62.
5'2= 13.6 + 1. 34 5 = 20.30.
)'3 = 13,6 + 1. 34 6 = 2 1.64.
)'4 = 13,6 + l. 34. 11 = 28.34.
S-s = 13.6 + 1.34 · 12 = 29.68.
)'6 = 13.6 + 1.34 12 = 29.68 .

5'7= 13.6 + 1.34 15=33.70,
.Ys = 13.6 + 1. 34 16 = 35.04
Jak lai wo s prawd zić w tablicy 2.3, suma wartośc i teoretycznych jest równa sumi e warto-
ści zaobserwowanych CL
.Y, = L
y, = 216), co potwierdza poprawno ść ob l iczeń.jeżeli
bowiem w modelu występ uj e wyraz wolny a 0 , to suma wartości teoretycznych jest rów-
na sumie wartośc i zaobserwowanych L Yr = L y" a suma reszt L er = O
Reszty er = y, - jl1 obl iczono w kolumnie 7 tablicy 2.3
Po oszacowaniu parametrów strukturalnych na l eży obl i czyć paramelry struktury sto-
chastycznej. Tym razem wari a ncję re sztową obliczymy z obu podanych wzorów
Ze wzoru macierzowego (2. 14) mamy 29 :
2
S~ I
• = ~(y Ty - a TXTy) = s=2
I l6125.2 - 1 13.6 1. 34 l · [ ll
216.4
2374
=
= ~ · 16 125.2 - (2937,6 + 3 1 8 1.696)1=~'16 1 25,2 - 6 11 9.296\ =
l
5
= ·~04 = 0 ,984,
Y2
J'l
};3
1~ y
pri;yczymyTy = [ y 1 2
y„ ] . = 1 = 6125 .2 (kolumna 9
[
Yn
tablicy 2.3)
Oczywiśc i e taki sam wynik otrzy mamy ze wzoru skalarnego (2. 15) CL e; obliczono
w kolumnie 8 tablicy 2.3)
s;
~
= ~
I
8e;
" ~ I
= 8 - 2 ·5.904 = 0.984
Odchylenie standardowe (2 .15)
S, =[Si= )0:9s4 = ± 0.992.

Zatem wa rt ości teoretyczne kosztów całk ow ityc h (obliczone na podstawie model u) róż
ni ą s i ę od warto śc i zaobserwowanych ś red n io o ±0.992 mln z ł (St wyrażone jest w takich
jednostkach , jak zmi enna endogeniczna Y )
Macierz wariancji i kowariancji ocen parametrów strukturalnych:
O'( )= S'·(XTX)-1 = 0 9S4 ·[ 0.75

a ' · - 0.0625
- 0.0625
0.00625
l = [ 0.7380
- 0,06 15
- 0 . 06 15 , ].
0 006 1"
29 Wzór len jest o tyle wygodny. że nie wymaga obliczenia wartości 1eore1ycznych (_\;1)
a błędy śre dnie szacunku parametrów (pierwiastki z elementów diagonalnych macierzy

0 2(a)) są równe:
D (a 0 ) = / 0.07380 = 0.859. D(a,) = / 0.00615 = 0.078.
W spółc zy nn i k z mi e nn ości resztowej:
V,= Ęc · 100 = 0 992

· 100 = 3.674%.
y 27
L;y, 2 16
przy czym .}•= - = - = 27. Odchylenia losowe s tanow i ą więc 3,67% ś redni ego
poz iomu zmiennej" endogenicznej
8 (kosztów całkowitych).
W spółczy nnik zbieżności
<p2=~= 5, 904 =0.0201.

I: (y, - W 293.20
prt:y czym L (y 1 - ji) 2 obliczono w kolumnie 11 tabli cy 2.3; w ty m miejscu sprawdzi -

my, że wzór uproszczony (2.20) daj e taki sam wyn ik:
~(2__>,) = 6125.2- ~
2
I.:<i·, -.il'= L Y, 2
- (2 16)
2
=
46 56
= 6 125 .2 - ~ = 6 125.2 - 5832 = 293.2.
= 0.0201 oznacza, że~ 2% całkowitej zaobserwowanej zmi enno śc i zmiennej en-

<p 2
dogenicznej (całkowitych kosztów produkcji) nie zostało wyjaśnione przez model (jest
wynikiem działania czynników przypadkowych, nieuwzg lęd n io nyc h w modelu)
W spółc z ynnik detenninacji:
R2 =I- ~2 =I- 0.0201 = 0.9799 "' 98%.

co oznacza, że R: 98% całkow i t ej z mi e nn ości zmiennej endogeni cznej (kosztu całko
witego produkcji) jest wyjaśnione przez model (przez uwzg l ędnioną w nim zmienną
objaś n i ającą , kt órą jest wielkość produkcji).
Oszacowany model z parametrami struktury stochastycznej (pod parametrami w na-
wiasach podano - zgodnie z konwencją - błędy śred ni e ich szacunku) 30 ma pos tać:
S'1 = 13,6 + 1. 34x, . S„ = 0.992. V„ = 3.674%. <p 2 = 0.0201

(0,859) (0.078)
Punkty empiryczne i dopasow aną do nich MNK funk cj ę regresji przedstawiono na
rysunku 2.3
30Jd li chodzi o miary dopasowania. zazwyczaj podaje się współczynnik zbi eżno~i rp2 lub współczynnik
de1enninacji R 2. bowiem uzupełniają s ię one do I. a więc znając jeden z ni ch. łatwo obliczyć drngi
y, 36
8 10 12 \4 16 IS
Rysu nek 2.3. Dopasowanie liniowego modelu kosztów

"
Aby z realizować całą proced urę konstruowania modelu, należy jeszcze wyznaczyć
przedziały ufności dla parametrów modelu kosztów - koszrn sta łego (ao) oraz jednost-
kowego kosztu zmiennego {ai). Skorzystamy ze wzoru (2.22).
I tak 95 %-owy przedz iał ufno śc i dla a 0 wyznacza formuła (wartość statystyki I od-
czytana z tablic rozkładu 1 Studenta dla a = 0.05 oraz 11 - k = 8 - 2 = 6 stopni
swobody. czyl i to.os: 6 = 2.447):
P{ 13.6 - 2.447 · 0.859 <eto < 13.6 + 2.447 · 0.859) = I - 0.05.
Zatem z prawdopodobieńslwem 0,95 koszty stałe produkcji (eto) mieszczą się w prze-
dziale {I 1.5: 15.7) tys. zi3 1
95%-owy prze d ział ufności dla parametru et 1

:
P{ 1.34 - 2.447 · 0.078 < et 1 < 1.34 + 2.447 · 0.0781 = I - O.OS.

Zatem z prawdopodobi eństwem 0,95 waność parametru et 1 nal eży do pr.wdz iału ( 1, 15;
1,53)32_
Przy kład 5. W pr.tykladzie 2 ustalono. że w modelu wyjaśniającym indywidualną

wydajność konsultantów zajmujących się dystrybucją kosmetyków pewnej firmy jako
zmienne objaśniające należy uw zg l ędni ć
ich s taż (X oraz zmienną zero -jedynkową
1
)
(X 2) okreś l ającą , czy konsultant ma dodatkowe źródło dochodów (X 2 = I), czy też
dystrybucja kosmetyków jesl jego jedynym źródłem dochodów (X2 = 0).
Zebrane dane statys1yczne przedstawiono w kolumnach 1-4 tablicy 2.4
Na l eży oszacować p:1rametry modelu liniowego o pi sującego badaną zależność.
31 2.447·0.859 "=' 2.IOotlcjmujemy idotlajcmydoocenypunktowej 13.6. Przedzia! (11.5: l5.7)jest naj

krótszym prledziałem liczbowym. w którym z prawdopodobieńs1wem 0.95 mieści się; prawdziwa wartość
parametn.iao(kosztus1a/cgo).
32Gdyby interesował nas 90%-owy przedział ufności. w fum1ule (2.22) należałoby uwzględnić ro.!0:6 =
= 1.943. a gdyby inceresował nas prLedzia! 99%-owy. 10 to.0!:6 = 3.707. W pierwszym przypadku prze-
dzi~! ufności byłby węższy. a w dn.igim szerszy
Tablica2.4
Konsultant [t1 Xt2 i'l

f--- -- -
I 10
29 29
9
29 27.8
"841
30 60 30 30.4 900
35 16 140 35 35.6 1225
39 16 156 40.4 1521
39 25 195 39 38.2 1521
43.0
45.6
49 343 48.2
45 64 360 45 46.0 2025
10 52 64 416 o 50.8 2704
l.: 406 50 20 300 2184 178 406,0 17012
Żródło:opracowaniewłasne
Rozwiąza„ie. Zakładając, że zależność ma charakter liniowy, oszacujemy parametry

modelu
(2.24)
Wektor ocen parametrów strukturalnych obli czymy według wzoru (2.13):
a= (XTx )- I XTy_
prt:y czym w tym przypadku
Zatem
::;]
[
y, l [t y,
Y1.
)3
y„
·~ =
r= I
<,,y,
,;..i:12Y1
l
.
Podobnie jak w poprzedn im przykładzie elementy macierzy xTx i wektora xTy można
ob li czyć w tabeli (korz ystając z wyprowadzonych wyżej wzorów) lub mnożąc odpo-
wiednie rnaciert.:e i wektory obserwacj i, przy czym w tym prt.:ypadku
29
30
I 4 35
I 4 39
I 5 39
X= y= 43
45
I 7 49
8 I 45
8 o 52
Niezbęd ne obliczenia zawarte są w kolumnach 2- 9 tablicy 2.4.
IO 50 5] 406]
XTX = 50 300 20 . XTy = 2 184 .
[ [
5 20 5 178
IO 50 5] - ' [ 406]
a= 50 300 20 2 184 .
[
5 20 5 178
Aby obliczyć macierz odwrotną do macierzy XTX. n ależy obliczyć jej wyznacznik (me-
todą Sarrusa) 33:
10 50 51
1xTx1 = so 300 20 = 1000.
15 20 5
33 Należy dopisać dwie kolu11111y (lub dwa wiersze) i od sumy iloczynów elementów z głównej przekątnej
odjąć sum\: iloczynów elementów z przeciwnej przekątnej
10 50 5110 50 10-300· 5 5·300· 5

IXTXI= 50 300 20 50 300 =+50· 20· 5 +IO· 20·20
1 5 20 5 5 20 + 5 · 50-20 +50· 50· 5
~ - ~ = 1000
a n as t ęp n ie podz i elić przez ten wyznaczni k macierz algebraicznych d opeł n ień 34

I [ l lOO - 150 - 500] [ 1,100 - 0,150 - 0.500]
(X TX ) - 1 = - -1 50 25 50 = - 0 , 150 0.025 0.050
IOOO - 500 50 500 - 0,500 0.050 0.500
Wektor ocen parametrów struktural nych będzie więc równy
1.1 00 - 0 . 150 - 0.500 ] [ 406 ]

a= - 0, 150 0,025 0.050 · 2184 =
[
- 0.500 0 .050 0.500 178
446,6-327.6 - 89 ] [30 ]
~ - 60.9+ 54.6+ 8.9 ~ 2,6
[
-203 + 109.2 + 89 - 4.8
i oszacowany model pr.tyjmuje postać:
5'1 = 30 + 2.6X11 - 4.8.\""1'..!·
Po oszacowani u parametrów strukturalnych na l eży obliczyć parametry struktury sto-

chastycznej - parametry rozkł adu składnika losowego e1 i inne miary dopasowania mo-
delu do obserwacji .
Wariancję resztową obliczymy ze wzoru macierzowego (nie wymaga to obliczania
wszystkich warto śc i teoretycznych) 35 •
s;=- 1
- {yTy - aT. x Ty )= -
11 - k
1
10 -3
- / 11012- [ 30 2.6 - 4.8] [z~~!]
178
)~
~ ~ \ 1 7012-( 1 2180+5678.4-854,4)}~~ ( 1 70 1 2-17004)~ 1 .143,
przy czym yT y = L y~ = 170 12 obliczono w kolumn ie 11 tablicy 2.4
Odchylenie standardowe resztowe:
Zatem wartości teoretyczne zmiennej endogeni cznej ( w i e l kości sprzedaży uzyskiwanej

przez konsultantów) różni ą s ię od warto śc i zaobserwowanych ś re dni o o ± l ,069 tys. zł
34 Na prz)' ldad
a11 =(-1)1 +1 1300

20 205 1 =300-5~?0.?0
. - - = llOO .
1112 = (-1) 1+2 1 ~ ~1=-(250 · 5- 5 · 20 = O)= -

5 2
150 = t121 {symetria)
.ł5Choc i aż wan o ob li czyć przynajmniej jedną czy dwie z nich. aby upewnić s i ę . że są zbliżone do wan ości
zaobserwowanych. a więc że nie popełniliśmy błędu w obliczeninch. np
Y1=30+2.6· 1 - 4.8· I =27.8. a YI =29.
)'10=30+2.6·8-4.8·0=50. 8. a Y10=52
Macierz wariancji i kowariimcji ocen parametrów

1.100 - 0.150 - 0.500]
D\a) = s;(xTx)- 1= 1.143.
- o.1so 0.025 0.050 =
[
-0.500 0.050 0.500
l.2573 - 0.1715 - 0,5715]
= - 0.1715 0.0286 0.0572
[
-0.5715 0.0572 0.5715
W maderą pogrubiono wariancje ocen parametrów - pierwiastki z nich to biedy śred
nie szacu nku parametrów, a w i ęc 36
D(ao) = Ji:2s73 = I. 12.
D(a,) = JQ.im6 = 0.17.
D(a 2 ) = Jo.5715 = O. 76
406
Współczynnik zmien ności resztowej (.)• = JO = 40.6):
V, =~
y-' 100 = 1.069
40.6 . 100 = 2.63%.
czyli odchylenia losowe stanow ią 2,63% wartości średniej zmiennej endogen icznej
(ś red niej wydaj n ości konsultantów)
Współczynnik zbieżnośc i - ponieważ w tym prt:ypadku nie obliczano reszt, wy-
godniej będz i e skon~ystać z wzoru, w którym w liczniku wystcpujc wariancja resztowa.
a mianownik można obliczyć ze wzoru uproszczonego (2 .20) (mamy już ['. y~)
2
406
L (Y1 - -
y)-
1
= 17012 - w = 17012 - 16483,6 = 528.4.
(11 -k) . s; ( 10 -3) 1.143

0.0151"" 1.51 %.
L: <y, - .W 528.4
czyli około 1,5 1% z miennośc i
zmiennej endogenicznej ( wydajnośc i konsultantów) nic
zos tało wyjaśnione przez model
Współczy nnik determinacji·
R 2 = I - •'= I - 0.0151 = 0.9849 "" 98.49%.

a więc blisko 98,5 % zmie nności zmiennej endogenicznej (wydajnośc i konsultantów) zo-
stało wyjaśn ion e przez model (uwzg l ę dni ono w nim zmienne objaśniające - staż pracy
i zmienną okreś l ającą czy konsultant ma dodatkowe źródło dochodów)
36
Pral.: tycznieniezawszel.:oniecwejest obliczaniccn!cjmacicrzy D 2 (a),wystnrczyobl iczyćbłędyśrcd
nic szacu11l.:upnra111e1rów
D {ao)=~ =1.12.
0(111) = J l.143. 0.025 = 0.17.
D (a2)=~ =0.76
Oszacowany model z parametrami strukt ury stochastycznej ma post ać
.Y1 = 30.0 + 2,6x11 - 4.8x 12. S~ = ±l.069. V~= 2.63 %. R 2 = 0.9849

( 1.1 2) (0. 17) (0.76)
2.4. Weryfikacja modelu

Po oszacowaniu parametrów należy zbad ać, czy zbudowany model dostatecznie dobrze
opisuje badane zjawisko. W szczegól n ośc i n ależy stw i erdzić. czy zachodzi dostatecz-
nie duża zbieżn ość między otrzymanym modelem a wiedz4 ekon o mi czną (merytorycz-
ną) o oryginale oraz czy model z dostateczną dokład nością aproksymuje rzeczywis t ość
( wartośc i teoretyczne są zadowal ająco bl iskie wart ośc i om empirycznym). W przeciw-
nym przypadku n a l eży model popraw i ć.
Przyczyny powod ujące z ł ą jakość modelu ekonometrycznego m ogą być wynikiem
zan i edba ń (błędów) pope ł nianych na każdym etapie badania ekonometrycznego. Nigdy
nie ma pewności, czy zostały dobrane odpowiednie zmienne objaśniające . Wąt pliwo
śc i może budz i ć także dobór postaci analitycznej modelu. W samym procesie estymacj i
mogła t eż być zastosowana n iew ł a śc i wa metoda szacowania parametrów. Wszystko 10
powoduje potrzebę przeprowadzenia weryfikacji zbudowanego modelu przed jego wy-
kor~ystan i em.
W św i etl e tego, co powiedziano wyżej, n a l eży rozróżn ić weryfikację mery t oryczną
i weryfi k ację formalną (s tatystyczną)
Weryfikacja merytoryczna !O ocena. czy uzyskane wyniki (oceny parametrów) są
zgodne z dotychczasową w i edzą eko no m iczną. doświadczeni e m oraz zdrowym rozsąd
kiem - chodzi tu w szczegó l nośc i o rz ąd w i elko śc i oraz znaki (±) ocen parametrów
strukturalnych (zwykle przeprowadza się ją już po oszacowaniu parametrów struktural-
nych - wektora a)
Weryfikacja statystyczna model u obejmuje zwykle trzy sfery
• ocenę stopnia zgod n ości modelu z danymi empirycznymi (miary dobroci dopaso-
wania mode lu do rzeczywistości),
• ocenę jakośc i ocen parametrów strukturalnych (badanie statystycznej i s t otnośc i
ocen parametrów strukturalnych),
• spe ł nie n ie założetl o s kładnikac h losowych
2.4.1. Ocena dobroci dopasowania modelu do danych empirycznych

Ocena dopasowania modelu do danych empirycznych ma na celu sprawdzenie, czy mo-
del w wy s ta rczająco wysokim stopniu wyj a ś ni:1 ksztaltowanie się zmiennej endogenicz-
nej. S ł użą do tego różnego rodzaju miary zgodności modelu z danymi empirycznymi,
takie jak odchylenie standardowe resztowe Se, a przede wszystki m miary względ n e
ws półczynnik zmienności resztowej Vr. ws półczy nni k z bieżn ości (i ndetcrminacj i) rp 2 Jub
współczynnik determinacj i R 2
2.4. Weryfi!!acjamodelu
Dopasowanie modelu do obserwacji jest tym lepsze, im wartości ws półczy n nika

zmienności rcsztowcj są n i ższe , wartości współczynnika zbieżności bliższe zeru, a war-
tości współczynnika determinacji bl iższe I. Nal eży dodać. i ż w tym przypadku ocena jest
subiektywna - badacz budujqcy model zakłada pewną doklad n ość . np. że model powi-
nien wyjaśniać zmienność zmiennej endogenicznej co najmniej w 90% (a więc współ
czynnik determi nacj i R2 powi nien być nie mniejszy n iż 0,90, a współczyn n i k zbieżnośc i
rp2 nic w i ększy niż O, JO), natomiast odchylenia losowe powinny stanowić nic więcej niż
10% wartości śred n iej zmiennej endogenicznej (czyli wartość współczynnika zmienno-
ści resztowej Ve ni c powinna być większa n i ż 10%)3 7.
W tym miejscu n a leży dodać, iż w przypadku małej liczby obserwacji, w oparciu
o które oszacowano model, można podejrzewać , że niskie wartości współczynnika zb i eż
rp
n ości 2 (a tym samym wysokie wartości współczynnika determi nacji R 2) wynikają
z małej liczby stopni swobody modelu (różn i cy między l iczbą obserwacji (11) i liczbą
parametrów strukturalnych modelu (k))
W sytuacji gdy liczba stopni swobody modelu jest niewielka, co może zawyżać na
wartości współczy n nika determinacji i nies ł usznie sugerować bardzo dobre dopasowanie
modelu do obserwacji, warto obliczyć R 2 zrewidowany, wed łu g wzoru
R2 =l - rp2 ·::=~ · (2.25)
2.4.2. Testowanie parametrów strukturalnych modelu
Weryfikacja modelu obejm uje badanie is tot ności ocen parametrów strukruralnych i/lub
weryfikację isto tności u kładu współczynników regresji. W praktyce można t akże testo-
wać inne hipotezy do t yczące parametrów strukturalnych; ważn i ejsze omówiono w tym
rozdziale
Weryfikacjaslatystycznejistolno ściocenparametrówslruklurafnych
Weryfikacja statystycznej istotn ości ocen a 0 . a aK parametrów strnkturalnych li-

1 • •
niowego modelu ekonometrycznego ma na celu sprawdzenie czy parametry strukturalne

a 0 . a 1, , aK zos t ały oszacowane z dostateczną precyzją (możemy mieć do nich zaufa-
ni e, błędy śred ni e ich szacunku nie są zbyt d uże) oraz czy zmienne objaśniające, przy
których stoją te parametry, istotnie oddziałują (wpływają) na zmienną endoge ni czną (ob-
jaśnianą)
Dl a każdego parametru a 1 (j = O, l. 2. , K) weryfikuje się hipotezę zerową
H0: a 1 =O wobec hipotezy alternatywnej H 1: rx; ::/:-O
37wydajc się. że nrniejsz'I dokładność (np. R2 > 0.80. Vr < 20%) można dopu ści ć w wyj'llkowych
sytuacjach. gdy np. trudno jest znale żć dtme. a bardzo zal eży nam na opisie zależności 2a pomocą modelu
Nato miast zawsze badacz może iałożyć dukladność wię ksz'I ni ż tu pnyjęta. np. R 2 > 0.95. Vr < 5%.
Sprawdzianem w tym teście jest statystyka 311
t(a j)= {/~z,;,j. (2.26)
gdzie: " i - ocena }-tego parametrn , aj - prawdziwa, założo n a w H o wartość parame-

tru aj= O; D(ai) - b ł;:id śred ni szacunku } -tego parametru
Statystyka t(a j) przy prawdziwośc i Ho (oraz dodatkowym zał ożen i u o n orm al nośc i
roz kład u skł adników losowych) ma rozkł ad t Studenta o 11 - k stopniach swobody 39 .
Zatem po obliczeniu dla k ażdego z parametrów waności empirycznej statystyki Sru-
denta - t(a1) z tablic rozk ładu 1 Studenta dla p rzyj ę t ego poziomu istotności a (w ba-
daniach ekonomicznych zwykle a= 0.05) oraz dla 11 - k stopni swobody, odczytujemy
wartość krytyczną 1„ .
J eśl i lt(a1)1.::: r„, nie ma podstaw do odrzucen ia Ho, co zwykle jest równoznaczne
z jej p rzyjęciem , a więc stwierdzeniem, że ocena a j statystycznie nieistotnie róż n i s ię
od zera (jest nieistotna). a wobec tego zmienna objaśniająca X i nie wywiera istotnego
wpł yw u na zm i e nn ą objaśnianą Y40 .
Natomiast jeś l i lt (a 1)1> 1„, to hi potezę Ho n a l eży odrzucić na rzecz hi potezy H 1 -
przyjm ujemy wówczas. że ocena aj statystycznie istotnie różni się od zera (jest istotna),
a wobec tego zmienna objaś n iająca X i oddz i ałuje w sposób istot ny na z m ienną objaś n ia
ną Y.
Na l eży dodać, że postać hipotezy ahernatywnej ( H a i =/=- 0) sugeruje, że mamy do
1
:
czynienia z testem dwustronnym

Zauważmy (por. L36] , s. 139), że rozkład Studenta można tak że wykorzystać do
weryfikacji hipotez jednostronnych, np. gdy z logicznej analizy wynika, że kt óryś z pa-
rametrów powi nien być ujemny lub nie powi nien być dodatni 41
N a l eży d odać , że stwierdzenie statystycznej niei stot ności ws półczyn n i k a regresj i (a
w i ęc nieistotnego wpł ywu na zmi enną e nd ogen i czną zmiennej objaśniaji1cej, przy której
ten parametr stoi) może sugerować k orektę modelu - usu n ięcie tej zmiennej z modelu
(ewentualnie wprowadzenia na jej miejsce jaki ejś innej zmiennej) i po n ow n ą jego es-
38 Zauw~;_my. że zgodnie z hipo1ezą Ho : a i = O. a więc praktycznie s taty s tykę 1 o blicza si ę z wzoru

l(llj)=~
J9 w przy padku dużej próby do testowania i s totnośc i można użyć rozkt;idu normalnego
4
0Zauważmy. że brak podstaw do odr1.ucenia hipotezy zerowej oznacza. iż nic po1rafimy s twierdzi ć. czy
prawdziwą wanością paramc1ru aj rlcczywi śc i c jest O. a róż nica między tlj i O jest wynikiem losowyc h
sk mków wnioskowania o populacji ge neralnej na podS!awie niedo kladnej informacji zawartej w pró bie. czy
leż prawdziwa waność parametru jest inna niż O. ale dokładna~ danych i metody es tymacji jest na tyle
ni ska. że ni c daje podstaw do odrl uceni;i tej hipotezy
41 Autorzy pracy (36) zwracają uwagę. że tego typu modyfikacje należy s tosować ostrożnie ze względu
na fakt. że międ zy zmiennymi obja.5niający mi mogą występować interakcje powodujące. i:e zmienna mi -
mo znaku parametru niezgod nego ze znakiem odpowiedniego współczynnika korelacji istotnie wpływa na
zmienną objaśnianą. odgrywając rolę .. korekt ora·· innej zmiennej objaśniającej . Zjawisko taki<: może za-
istni eć szczególnie w razie występowania współliniowości. Wart o także za uważyć . że naj częściej tablice
rozkładu r Studenta są skonstruowane d!;i testu dwustronnego: w prtypadku te stów jednostronnych opar-
1ych na rozkladz ic Student;i. wartość krytyczną odczytuje się dla poziom u istotno~ci 2a (np .jeżeli hipotezę
weryfikujemy na poziomie i stotn ości 0.05. to lu odczyt ujemy dla u = 0.10)
tymację. Sytuacja taka nie pow inna się zdarzyć, jeżeli zmienne objaśn i ające dobierano
j edną z metod statystycznych (np. w naszym przykładzie metodą Hcl lwiga)
Hipotezydotycząceukładuwspólczynnikówregresji
Oprócz badania s1atystycznej istotności pojedynczych parametrów można także testo-

wać h ipotezę o istotnym wp ł ywie na zmienną en d ogen i czną wszystkich uwzg l ędn i onych
w modelu zmiennych objaśniających lub wybranej ich grupy.
Najczęściej testowaniu podlega hipoteza o istotnym wpływie na zmie n ną objaśnianą
wszystkich zmiennych objaśn i ającyc h , czyli o i s totnośc i układ u współczyn n i k ów regre-
sji (bez wyrazu wolnego).
Hipoteza zerowa ma postać
łlo:a1 =a2= ··=aK= O,
wobec hipotezy alternatywnej ł/ 1 , że co najmniej jedna z równośc i nie jest prawdzi-
wa - przynajmniej jeden ze współczynników regresji jest statystycznie istotny (a więc
przynajmniej jedna zmienna objaś ni ająca istotnie wpływa na z m ienną e n dogen i czną), co
moż na zapi sać:
ł/1: lad+ la2I + · +la Kl# O.
Sprawdzianem hipotezy zerowej jest w tym przypadku statystyka F (por. [36J, s. 136):
11 -k R2
F ~ k=J J=R2· (2.27)
k1óra przy założen i u prawd z i w ośc i hipotezy zerowej ma rozkład F Fi shera- Snedecora
z 11 1 = k - I oraz 11 2 = n - k stopniami swobody, gdzie 11 jest liczbą obserwacji, a k
liczbą parametrów strukturalnych modelu (z wyrazem wol nym)
Obliczoną warto ść statystyki F na l eży więc porównać z warto śc ią krytyczną F0 , od-
czytan ą z tablic rozkładu Fishera-Snedecora dla przyję t ego poziomu istotnośc i a oraz 11 1
i 11 2 stopni swobody. Obszar odr.wcenia obejmuje duże wartośc i F , zatem j eże li F > F0 ,
to hipotezę zerową należy odrz ucić, w przeciwnym razie stwierdzamy, że hipoteza zero-
wa jest prawdziwa, a więc żadn a z uwzg l ęd ni onych w modelu zmien nych nie oddziałuj e
istotnie na zmienną endoge n iczną42
W praktyce rzadko jesteśmy zainteresowani sprawdzeniem hipotezy doty czącej
wszystkich parametrów strukturalnych (wszystkich współrzęd n ych wektora ex). Znacz-
nie częściej weryfikuje s i ę hipotezę dotyczącą pod u kładu ws półczy nni ków regresji
Zal eżność y = Xct + e moż na podz i elić na ([46J. s. 230-231 ):
y = X 1ct1 + X2ct2 + e.
gdzie macierz X 1 zawiera obserwacje k 1 zmiennych objaśn i ającyc h , których wp ł yw
na zmienną objaśnian ą nie pod lega testowaniu, a macierz X 2 zawiera obserwacje k2
4
2 Pnyjęcie w 1ym wypadku prawostronnego obszaru krytycznego możn~ uzas.adnić faktem. iż wysokie
wartości F świadCZ<\ . i ż stosunek zmienn ośc i zmie nnej endoge ni cznej wyjaśnionej prLez model ( R2) do
niewyjaśnionej ( I - R 2) jes1 duży. zatem wysokie wartości F powin ny pnemawiać na korzyśt hipotezy
alternatywnej Hi
zmi ennych objaś ni ających . których wpł yw na zmi enną objaś ni aną podlega testowani u
(k 1 + k2 = k); a: 1 i ct2 to wektory parametrów odpowiadających wy róż n io n ym grupom
zmiennych
Załóżmy, że testowaniu podlega druga grupa (podzia ł zmiennych na te dwie grupy
powinien być uzasadniony merytorycznie)
Zatem weryfikujemy h i pot ezę, że wpływ zmiennych objaś n iaj ącyc h drugiej grupy
jest statystycznie nieistotny (parametry wektora ct 2 statystycznie ni eistotnie różnią sic
od zera). Moż n a w i ęc zred u kować model, el i mi n uj ąc z ni ego zmienne drugiej grupy
Ho:ct2 = 0.
wobec hipotezy alternatywnej H 1
, że przynajmniej jedna z tych zmiennych istotnie w pł y·
wa na zm i e nn ą endoge n iczną
H1: ct2 -:f:. O
Tak jak poprzedni o, sprawdzian testu opiera się na różnicy w dopasowani u modelu
ze wszystkimi zmiennymi (model I) i bez drugiej podgrupy (model 0). Sprawdzianem
jest statystyka:
(SSEo - SSE,)/k2
F (2 .28)
gdzie SSE 1 jest sumą kwadratów reszt modelu l. a SSEo jest sumą kwadratów reszt
modelu O (zredukowanego)
Statystyka ma rozkła d F Sncdccora dla 11 1 = k2 i 11 2 = 11 - k stopni swobody. Jeś li
F > F„ (11 1. 11 2), to Ho należy odrzu c i ć (różn i ca w dopasowaniu obu modeli jest zbyt
duża), zatem jeś l i F :::: F„ (11 1.11 2). to nie ma podstaw do odrzuceni a Ho - zmienne
drugiej gru py nieistotnie wpł ywaj ą na zmie nn ą objaś n ianą. zatem uzasadniona byłaby
redukcja modelu - pom in ięc i e zmiennych należących do drugiej grupy.
Testowanieinnychhipotezdotyczącychpojedynczych paramelrówstrukluralnych
Zamiast hipotezy, żeocena parametru statysrycznie nieistotnie różni się od zera, można
weryfikować hi pot ezę. że wybrany parametr przyj muje pew n ą ko n kretną wartość a j ,
czyli h ipotezę w postaci:
wobec
H 1: aj # a j (lub a j> a j . lub a j< a j )
Statystyka testu ma w tym przypadku postać:
(2.29)
i podobnie jak w przypadku badania statystycznej i sto tnośc i ocen parametrów. jeże li
ll(l1 1) 1:::: 1„ . nic ma pods1aw do odrzucenia Ho. natomiast wart ości lt(a j ) I > t„ sugerują
odrzucenie hipotezy zerowej na korzyść H 1 (1„ jest wartośc i ą krytyczną odczytan ą z ta·
blic rozkładu t Studenta dl a przyjęt ego poziomu istotności a oraz n - k stopni swobody)
2.4. WeryfiKacjamodelu
Wnioskowanie o liniowej funkcji wektora parametrów a

Załóżmy, że interesuje nas parametr y, będący li niową kombinacją elementów wektora
a, co mozna zap i sać
gdzie c jest wektorem współczy nn ików kombinacji liniowej cT = [ c0 . cK ], czyli·

K
y = cTa = L ca 1 1. (2.30)
j =O
W klasycznym modelu regresji liniowej najefektywniejszym nieobciążonym esty-

matorem li niowym fu nkcji y = cTa jest estymator uzyskany MNK:
9= cT(XTx ) - XTy .
1
(2.3 1)
którego wariancja jest równa
D2(j/) = cTD\a) c = s; 1cT(XTx ) - 1
c} (2 .32)
Zatem bh1d ś redni szacunku możn a ob l iczyć ze wzoru
D (j/) = jcT · S3(XfX)- 1 • c = S~JcT · (XTX) - 1 c (2.33)

Mając błąd średni szacunku, można zbudować prze d ział ufności dla parametru y
według wzoru
P\9 - t„ D( j/) ~ y S jl + t„ D( j/)) = 1 - a (2.34)
Możn a także weryfikować hi potezy dotyczące omówionej kombinacj i liniowej wektora
parametrów (np., że jest ona równa pewnej liczbi e c0, gdzie co jest wyrazem wolnym tej
kombinacji). Hi poteza zerowa ma w tym przypadku postać
H o:y = co.
a hipoteza alternatywna
Przy prawdziwo śc i H o statystyka·
9-co (2.35)
t ~ O (y)
ma rozkład Studenta o k stopniach swobody
11 -
Obliczoną warto ść statystyki I n ależy zatem porów n ać z warto śc ią krytyczną I„ . Ho

odrwcasię,jcżeli I / I > I„, natomiast nic ma podstaw do jej odr~ucenia,jcżcli I t I ~ I„.
Przykład 6. Model oszacowany w przykładzie 5 mia ł postać
y, = 30.0 + 2.6x1 1 - 4,8x12, Se= ± 1.069, V~= 2.63%. R 2 = 0.9849.

( 1. 2 1) (0, 17) (0,76)
1. 100 - 0, 150 - 0,500]
(X TX ) - ' ~ - 0. 150 0,025 0,050
[
- 0.500 0.050 0.500
Zauważm y, że zgodność modelu z danymi empirycznymi jest dobra (wystarcz ająca )

zm ienno ść zmiennej endogenicznej jest wyjaśniona przez model (uw zględ ni one w nim
zmienne objaśniające) w bl isko 98.5% (R 2 > O. 90), odchylenia losowe stanow i ą tylko
2,63% ś red n i ej wartośc i zmiennej endogenicznej (Ve < 10%).
Na l eży zweryfi kować nas tęp ujące hipotezy dot yczące parametrów oszacowanego
modelu
(a) że przynajmniej jedna ze zmiennych objaśniających uw zg l ędnion ych w modelu
wywiera istotny wpływ na z mi e nną endogeniczną (przynajmniej jeden ze współczynni
ków regresji jest istotny) ,
(b) że każd y ze współczynników regresji jest statystycznie istotny,
(c) o wp ływ i e stażu pracy konsultantów (X 1) na wartość uzyskiwanej przez nich
sprzedaży (Y), a mianowicie. że z każd y m rokiem pracy „wydajność konsultantów"
wzrasta śre dnio o 3 tys. zł (czy li współczynnik przy zmiennej X jest równy 3),
1
(d ) że si ła wpływu obu zmi ennych obja ś niającyc h na z mi e nną e ndogeni cz ną jest

taka sama, z tym że staż pracy (X 1) wpływa dodatnio, a dodatkowe źródło dochodu (X 2)
ujemnie, zatem suma współczynników regresji jesl równa O
Rozwiąza nie. (a) Należy zweryfikować hipotezę, że przynajmniej jeden ze współ

czynników regresji jest statystycznie istotny, czyli :
Statystyka testowa F (2.27) przyj muje pos t ać:
IO - 3 0. 985
F = - - · - - - = 229.8.
3 - 1 1 - 0.985
Dla =0,05 oraz11 1 = k - I = 3 - 1 =2i 11 2 =n - k =I O- 3 = 7 stopni swobody
Cl'
wartość krytyczna odczytana z tablic rozkładu F Fishera-Snedecora F" = 4, 74 . Ponie-
waż F = 229 .8 > Fa = 4.74. hipotezę zerową należy odrzuc i ć na korzyść hipotezy
alternatywnej, a więc przynajmniej jeden ze współczynników regresji jest statystycznie
istotny
(b) Dla każdego z parametrów nal eży zweryfi kować hipot ezę Ho: Cl'j = O wobec
hipotezy H 1 : Cl' j ::/=-O(} = O, I . 2) . Dla każdego parametru nal eży więc obliczyć wartość
statystyki t (2.26), czyli:
30 0
1(ao) = · = 26.8.
1.12
I (a1) = O~,[~ = 15.3.
r(a2) = ~.~: = - 6. 3.
Wartość krytyczna statystyki t, odczytana z tabli c rozkładu t Studenta dla poziomu

i stotnośc i a = 0.05 i 11 - k = 10 - 3 = 7 stopni swobody, la = 2,365 (co można zapisać
to.o5:7 = 2,365)
Dl a wszystki ch trzec h ocen parametrów spe ł n i ona jest ni erów n ość lt(aj)I > fa, czyli
we wszystkich trtech przypadkach h i po t ezę zerową n a l eży odrwcić na ko rzyść hipotezy
alternatywnej, zatem wszystkie parametry strukturalne modelu są statystycznie istotne
J eś l i zmienne objaś n iaj ące modelu wybierano za pom ocą metod sliltystycznych (tu
metodą Hell wiga), to n al eżał o tego ocze ki wać, g d yż metody te w zasadzie zapew ni ają
dobór takich zmiennych o bjaś ni ającyc h, które istotn ie wpł ywaj ą na zm ie nn ą endoge-
ni czną.
Wery fik acj ę statystycznej ist otn ośc i parametrów strukturalnych m oż na t akże po-
trak t ować jako dobór zmiennych objaś ni aj ących a posteriori, lzn. zamiast stosować sta-
tystyczne metody doboru zmiennych, m oż na oszacować parametry strukturalne model u
z wszystkim i potencj al nymi zmi ennymi obj aś n iaj ący mi , a n as tęp ni e przez wery fi kacj ę
statystycznej i stotn ośc i stojącyc h przy nich parametrów wye l iminować zmienne, przy
których parametry są statystycznie nieistotne (i ponownie oszacować parametry modelu)
W prtyk ł ad zi e 2 model oszacowany ze wszys1kimi potencjalnymi zmie nnymi obj a-
ś n iaj ący mi p rzyjął postać:
S•1 = 30,5 16 + 2.563x11- 4,579x12 - 0,737x13

(1,256) (0,175) (0.797) (0.725)
24,30 14,66 - 5, 74 - 1. 02 To.05:6 = 2.447
Z porównania wartości statystyki t dla poszczególnych ocen parametrów (podano je
pod ocenami parametrów i bł ę d a mi średn imi szacunku) z wartośc i ą kry t yc zn ą la (odczy-
ta n ą dla IO - 4 = 6 stopni swobody) stwierdzamy. że ocena p:1rametru a3 (s t ojącego
przy zmiennej X3) jest statystycznie ni eistotna (bł ąd jest niewiele mniejszy od oceny
parametru), zatem t ę z mie n ną n al eżał oby u sunąć z modelu (popraw iony mode l mi a łb y
postać taką, jak otrzymano w przy kł ad z i e 5)43 .
(c) Nal eży zwe ryfi kować:
Ho: a 1 = 3 wobec H 1 : a 1 #= 3.
Statystyka t (2.29):
Wobec n ierów nośc i 1- 2.3531 <fa = 2,365 stwierdzamy brak podstaw do odrzuce-
ni a hipotezy zerowej, a w i ęc moż n a zgod zić się z hi pot ezą. że wzrost s t ażu pracy o rok
powoduje wzrost wy d ajności konsultanta ś red ni o o 3 tys . zł 44 •
(d) Na l eży zastosować test dla kombinacji li niowej ws pó łczynn i ków regresji i zwe-
ryfi k ować hipotezę
Ho: y = O wobec H 1 : y #=O.
43
Zauważmy jeszcze. że uwzgli;:dnienie doda1kowej zmiennej w modelu nieco zmieniło oceny parame-
trów przy pozostałych zmiennych oraz że scopień wyjaśnienia zmienności zmiennej endogenicznej (R 2 ) jes1
cym wyższy, im więcej jest zmiennych objaśniających w modelu, choć niekoniecznie ich wpływ na zmienną
endogenicznąjescstatystycznie isto\lly.
44
Zauważmy. że różnica weryfikow:mej warcośd pararnelru cq (3) mieśc i się w granicach 95% przedziału
ufnośc i dla lego p:mm1e1rn (2.22) z prawdopodobieństwem 0.95cq E (2, 198: 3.002)
gdzie y = a + a2 lub. korzystając z zapisu wektorowego, y = CTOf. Biorąc pod uwa-
l
1
gę. że w modelu obok a, ; a2 wy"ępuje wyrnz wolny a 0• "YI; a = [:: wektm
współczynników kombinacji liniowej ma postać~ 5 -
c= [:J Co= [O]
Aby obliczyć wartość statystyki testowej (2.35), należy wcześniej obliczyć błąd
średn i szacunku oceny f = a + a 2 = 2.6 - 4.8 = -2.2 (według (2 .33)). Mamy·
1
1.257 1 - 0.1715 - 0.5715] [OJ

D(y) = [O I 1J. - 0.1715
[
0.0286 0.0572 · I =
- 0.5715 0.0572 0.5715 I
[ - 0.7430 0.0856 0.6287] · [:J = ;o:7i4:l = 0. 8452 .
I= -
2 · 2 - 0 = -2 603
0.8452 .
Po nieważ 1-2.603 1 > to.os:? = 2.365. hipo tezę zerową należy odrzucić. a więc si ł a
wpływu obu zmiennych nie jest jednakowa.
Przy kła d 7. Dane do przy kładu zawiera tablica 2.5. w której: y, - mi es ięczna warto ść
sprzedaży (w mln zł ) sklepów nal eżącyc h do pewnej sieci handlowej; x 11 - mi esięcz n e
wydatki na reklamę (w tys. zł ) sklepu ; x,2 - lokalizacja sklepu (x, 2 = l, gdy skJep jest
zlokalizowany w pobliżu dużego centrum handlowego lub hipermarket u, x12 = O. gdy
w pobli ż u sklepu nie ma centrum handlowego); r - zmienna czasowa (1 = I, 2. . . I 0)
dla kolejnych m i es i ęcy.
Na podstawie danych oszacowano parametry modelu liniowego i otrtytnano :
y, = 5.60 + 2.00x11 - 2.00x, 2 + l.001 , s; = 1.0661. R2 = 0.989
( 1.18) (0.58) (0.70) (0.48)
Nal eży zwery fi kować hipot ezę, że wpływ czasu na w i elkość sprzedaży sklepu jest
statystycznie nieistotny. Zmienną czasową można wyeliminować ze zbioru zmiennych
obj11 ś n i ających
i zre dukować model do zmiennych X 1, X2 46 , j eże li wiadomo, że po wy-
4 5Jakłatwosprawdzić:y= cTcr=l0 J l] · [:~J=O+u1 + u2

4
6z.mważmy. że gdyby z;istosować test Studenta dl.i" pojedynczych parametrów regresj i. to oce na para-
rne1ru s1ojącego przy zmiennej czasowejjest sta tys1yczn ie nieis10111a na poziornie i s10111ości O.OS ( lt(113) I =
= 2.1 < to.03:6 = 2.447) . ;1le jest stmy stycznie istotim na poziomie istotn ości O.IO (10.10:6 = 1.943)
2.4. Weryfi~acjamode lu
5 o
8 o
19 4
24 5
23 5
30 8 JO
Źródło: dan~urnowne
eliminowaniu zmiennej czasowej oszacowany model przyjmie postać (oceny parame-

trów zao krągl ono do trzec h miejsc dziesiętnych):
Y,= 7.777 +3,17lx,1 -2.4 12x,2. s ;= l.5 866. R 2 = 0,980
(0.691) (0, 171) (0.823)
Rozwiqza11ie. Zmienne objaś n iające dzielimy na dwa podzbiory - pierwszy będzie
obej mował I, X1 i X2, drugi - zmienną czasową I. Odpowiednio wektor a 1 bę d z i e
zaw i erałoceny parametrów ao. a 1 i a1, a wektor a 2 oce n ę parametru a 3 •
Zatem weryfikujemy hipotezę: H 0 : a 2 = O wobec H a 2 :f:. O. Sprawdzianem Ho
1 :
jest statystyka F (2.28), przy czym:

• suma kwadratów reszt dla modelu podstawowego SSE 1 = ( IO - 4) l ,0667 =
~ 6.400.
• suma kwadratów reszt dla modelu zredukowanego SSEo = (IO - 3) l,5866 =
= l 1.106,
a k1 = I (badamy zasadność usunięcia z modelu 1ylko jednej zmiennej o bjaśniającej).
Zatem
( 11 .106 - 6.4)/ 1
F 4.412.
6.4/ (10 - 4)
Dla a= 0.05, 11 1 = I i 11 2 = IO - 4 = 6 F0.05 ( 1.4) = 4,987. Wobec nierówności
F = 4.41 2 < F" = 4.987 nie ma podstaw do odrzucenia Ho, a więc redukcja model u
do dwóch zmiennych objaśniających jest uzasadniona
2.4.3. Badanie założeń o składn i kach losowych

Przypomnijmy, i ż KMNK oparta jest m.i n. na założeniach, że
(4) wartość oczekiwana s k ładnika losowego jest równa zeru, tzn. E(e) =O,
(5) macierz wariancji i kowariancji składnik ów losowych jest równa V(e )
= E(eTe) = a 21„, czyli wariancja s kładnika losowego a? a
= 2 (jest stała i równa
a 2 dla wszystkich obserwacji), a kowariancje składn i ków losowych sq równe zeru, czy li
nie występuje autokorelacja składnik ów losowych
Założenie (4) m ożna łatwo s prawdzi ć po oszacowaniu parametrów strukturalnych
modelu i obliczeniu reszt er. które traktowane są jako p rt.:ybli żon e realizacje składnika lo-
sowego. Jak pami ętam y, suma reszt jest równa zeru, a w i ęc śre dnia reszta jest rów na ze ru .
Natomiast weryfikacja s pełnienia założeń (5) wymaga zastosowania odpowiednich
testów statystycznych. Częs t o sprawdza s i ę także takie własnośc i składnika losowego.
jak normalno ść i losowość . Testowanie tych własności jest przedmiotem niniej szego
podrozd z iału .
Badanie s tało ści wariancji

Stałość wariancji nazywana jest tak że j ed norodn ością lub h o mos k e da stycz n ośc i ą wa-
riancji (s kładników losowych). W praktyce występują bowiem sytuacje, gdy wariancja
s kładn i k alosowego nic jest s tała (mówimy wówczas o ni ejedn o rodn ośc i lub heteroske-
d astyczno śc i sk ładnika losowego)
Jako przykład praktycznej sytuacji , w której wariancja s kład n ika losowego nie jest
sta ła. Z. Pawłows ki (LI !OJ, s. 100- 101 ) podaje model kosztów całkowityc h , w którym
zmienną objaśniaj:1cą jest wielkość produkcji . Można ocze kiwać, że odchylenia (waha-
nia) rzeczywi stego poziomu kosztów od poziomu teoretycznego (wyznaczonego z mo-
delu) będą mniej sze przy małej skali produkcji i przeciętnie większe przy dużej skali
produkcji. Drugim przy kłade m niejednorod n ości wariancji podanym przez Z. Paw łow
skiego ll 10] jes1 wyznaczanie z szeregów czasowych fu nkcji popytu na pewne dobro
trwałe. Można oczek i wać, że wraz z zwiększaniem s i ę asortymentu dóbr trwał yc h na
rynku i wy nikaj ącym s tąd z w i ę k szani e m s i ę m ożliwości dokonywania wyboru pr.t:ez
konsumentów, losowe odchylenia popytu od wyznaczonej funkcj i popytu będą wzrastać
w czasie (wariancja skł adnika losowego będz i e funkcją zmien nej czasowej r).
Do badania s tałośc i wariancji s kładników losowych można wykorzystać test Gold-
fe lda i Quandta. Jego zastosowanie polega na zweryfikowaniu hipotezy o równ ośc i wa-
riacji dwóch skrajnych grup obserwacji. Jednakże musi s i ę dać wprowadz i ć naturalne
uporządkowanie próby: w przypadku danych w postaci szeregów czasowych - według
jednostek czasu, w przypadku danych przekrojowych - według rosn ących wartości jed-
nej ze zmiennych objaśniających. Rozpatruje się takie dwa podzbiory obserwacji (pod-
próby) o li cze b n ośc iac h , odpowiednio, 11 1 i 11 1 , co do których istni eje przypuszczenie, że
wariancja jest najmniejsza i najwi ększa . Dopuszczalne jest po mini ęcie ki lku środkowych
obserwacji
Do zweryfi kowania hipotezy o równ ośc i wariancj i s kładnik ów losowych w obu pod-
próbach
Ho: a}= ał wobec hipotezy alternatywnej 47 H 1 : a 12 < ał
s łuż y statystyka
(2 .36)
47J>rty tuk s fonnułowunej hipotezie uhernatywnej jako pierwszą podpróbę przyjmuje się tę. w której
wananCJilJeS1mmeJSZil
2.4. Weryfi~acjamodelu
gdzie S~ oraz Si s ą wariancjami resztowymi regresji, odpowiednio, w pierwszej i drugiej

podpróbic. Zatem, aby obliczyć wartość statystyki F, po wyodrębnieniu dwóch grup ob-
serwacji dla każdej z nich nale ży odrębnie oszacować parametry strukturalne i obliczyć
warian cj ę resztow:1.
Statystyka F, przy założeniu normalnośc i s kładników losowych i prawdziwośc i H 0,

ma rozkład F Fishera- Snedecora, a więc z tablic tego rozkładu dla przyjętego poziomu
i s totno śc i a oraz dla 11 2 - k oraz 11 1 - k stopni swobody odczytujemy warto ść krytycz-
ną Fa
J eśli F :: Fa, to nie ma podstaw do odrzucenia Ho o j ednorodności wariacji .
Jeś li F > F„, to Ho należy odrzucić na rzecz H 1 - wariancja s kładnika losowe-
go w drugiej podpróbie jest statystycznie istotnie wi ę k sz a od wariancji w pierwszym
podzbiorze
Na l eży podkre ś lić, że podział na podzbiory jest arbitralny. W zasadzie, aby badanie
j ednorod n ośc i wariancji było rzetelne i pełn e, powinni ś my rozpatrzyć wszelkie możli we
podziały próby na podpróby z co najmniej jednym stopniem swobody i przez porównanie
wariancji każdej z każdą (test Fishera- Snedecora) lub m1 bloc zwe ryfikować hipot ezę
o równości wariancj i (rest Bartlena). Zauważmy, że takie badanie. zwłaszcza w licznej
próbie. będzie bardzo uciążliwe i pracochłonne
Badanie autokorelacji składników losowych

Autokorelacja oznacza skorelowanie s kładników losowych poszczególnych obserwacji
Z autokorelacj:i najczę śc iej mamy do czynienia wtedy, gdy model był szacowany w opar-
ciu o obserwacje w postaci szeregów czasowych. Pawłow s ki ([ 11 O] , s. I06-107) wymie-
nia następujące przyczyny występowania autokorelacji w modelu
I. Najczęśc i ej fakt powolnego wygasania efektów działan i a pewnych czynników
przypadkowych, powodujących zaburzenia w normalnym przebiegu prawidłowo ś ci eko-
nomicznyc h. J eże li efekty działania czynników ubocznych trw ają dłużej niż okres prt:y-
j ęty za j ed n ostkę, to występuje zale żność międ zy kolejnymi zmiennymi E: 1 •
2. Błędne okreś l enie opóźnień czasowych zmiennych wy s tępującyc h w modelu -
ni euwzg l ęd ni enie i st ni ejących opóźnień albo przyjęci e fał szywego ich systemu
3. Przyjęcie niewłaśc iwej postaci analitycznej równa1'i modelu .
Miarą autokorelacji jest ws pó łc zy nnik autokorelacji r.t:ędu <, który rnier1.:y zależność
między zmiennymi losowymi s1 o wskaźnikach t różniącyc h s ię od siebie (odległych od
siebie) o < jednostek4 ll
Wspó łczy nnik autokorelacji z próby (/jr) obl icza s i ę jako współczynnik korelacji
między resztami odległy mi o< jednostek (czyli między e1 i e, _, : przy czym ei i! _, są,
odpowiednio, ś red ni ą reszt i reszt opóźnionych) 49 :
P. L (e, - e> . (e, _, - e_,) < = 1. 2. . (2.37)
JL <e, - e> 2 - L (e,_r - e_r l 2 •
48 Tak wiec wspólczyn11ik autokorelacji rzcd u I mierzy za l eżność 111ir;dzy bezpośrednio po sobie nastcpu-
jącymi zmiennymi ( t 1 i ti - l ). ws półczynnik rzr;du 2 - miedzy zmie1111ymi od leg!ymi o dwie jednostki (t r

i e1_ 2)itd
49
J eżeli w modelu występuje wyrnz wolny. to e =U
2. MO!lelejednorównaniowe liniowe
J eś li
mamy dane w postaci szeregów czasowych i dodatkowo założymy, że s kładniki
losowe tworzą proces autorcgresyjny rzęd u pierwszego, tzn.:
(2 .38)
gdzie p 1 jest współczyn niki em autokorelacji rzędu pierwszego, to można pokazać, że
współczynnik autokorelacji rzęd u <jest równy Pi. Zatem wystarczy z badać, czy wys tę
puje autokorelacja rzęd u pierwszego50 .
W celu zweryfikowania hipotezy o nie i stot n ości ws półczyn nika autokorelacj i (bra-
ku autokorelacji) naj częśc i ej k orąsta się z testu Durbina-Watsona, przy czym hipotezę
alternatyw ną (występuje autokorelacja dodatnia albo ujemna) można doprecyzować do-
piero po obli czeniu statystyki
tce,-e,_i) 2
d -
' =-
'~-- (2.39)
/~ei
Statystyka d przyj muje wartości z przedziału [O : 4]:jeże li hipoteza zerowa jest praw-
dziwa (autokorelacja nie wy s tępuje), ti = 2, wartości d < 2 ś wiadczą o autokorelacji
dodamiej, natomiast wartości ti > 2 ś wiad czą o autokorelacji ujemnej (pozostaje tylko
do rozstrzygnięcia kwestia, czy autokorelacja ta jest statystycznie istotna). Zatem w za-
l eż ności od otrzymanej warto śc i d m ożna dop recyzować hipot ezę alternatywną
Weryfikujemy zatem hipotezę zerową o braku autokorelacji rzę du pierwszego s kład
ników losowych
Ho:P 1 = 0
wobec hipotezy konkure ncyjnej :
H 1 : p 1 > O. gdy tl < 2 (wyst ępuj e dodatnia autokorelacja rzędu pierwszego)
lub
H 1: p 1 < O. gdy tl > 2 (występuje ujemna autokorelacja rzędu pierwszego).
W przypadku autokorelacji ujemnej do porównania z wa rto śc iami krytycznymi na-
le ży obliczyć d ' = 4 - d 51
Obli czo ną wartość statystyki d (lub d ' w przypadku autokorelacji ujemnej) porów-
nuje się z wartościami krytycznymi dl i du odczytanymi z iablic Durbina- Watsona dla
prt:yjętego poziomu istotności a oraz 11 i K stopni swobody (11 - liczba obserwacji , K
- liczba zmie nnych objaśniających w model u, bez zmiennej t ożsam ośc i owo równej \).
J eśli tl > du (tl' > dU), nie ma podstaw do odrzucenia hipotezy o braku autoko-
relacji dodatniej (ujemnej) rzędu pi erwszego (a zatem i wyższych rzędów) na poziomic
i s totnośc i a, przyj mujemy w i ęc. że nie występuje dodatnia (ujemna) autokorelacja rzędu
pierwszego
J eś li d < dl (d' <eh), to Ho odrzucamy na rzecz H i, a więc na poziomie i s t otno śc i
a przyjmujemy, że występuje istotna dodatnia (ujemna) autokorelacja rzędu pierwszego.
50
Pon icważ kolejne potęgi współczynnika autokorelacji będą coraz mni ejsze, np. jeżeli s1atystyczn ic nic
istotny jest p 1 = 0.6, to tym bardziej uicistotny będzie f>l = 0.6 2 = 0.36 czy p 3 = 0.6 3 = 0.216
i1d
51
ronicważ stablicowa ne w:n1ości krytyczne mies~..czą si ę w przedzi~le 10: 2 )
J eżeli
JL :::: d :::: tiu (th :::: d':::: du), wpadamy w obszar nierozst rzygalno śc i testu
- nic możemy p r.tcsądzić o wystcpowaniu lub braku autokorelacji r.i:ęd u pierwszego;
nal eży wówczas stosować testy alternatyw ne
Warto d odać , że mając ob l iczo n ą s tatystykę d, możn a obli c zyć zgodne oszacowanie
ws półc zy nnika autokorelacj i rzę du picrwszego 52 ·
Pi = I- ~- (2 .40)
Badanienormalnościrozkladuskladnikówlosowych
Za ł oże ni e n ormaln ośc i s k ł adników losowych nic wys t ę puj e w klasycznym modelu re~
gresj i liniowej (jest jednym z założeń klasycznego modelu normalnej regresj i liniowej),
natomiast powinno by ć spe ł nione w przypadku stosowani a testów opartych na statyst y~
ce F .
Do badania n o rm alno śc i odc h y l e ń losowych można wykorzys t ać m.i n. test Hellwiga
lub test Shapiro-Wilka. Zastosowanie obydwu wymaga uprzedniego uporząd kowania
reszt niemalejqco
Weryfi kuje s ię zatem hipo tezę zcrową-
H0: e ,,_N (s kład ni ki losowe majq rozkład normalny)
wobec hipotezy konkurencyjnej
H 1 : --. (e ,,_N) (roz kład składnik ów losowych nie jest roz kładem normalnym)53 .
W t eście Shapiro-Wilka sprawdzianem hipotezy zerowej jest statystyka W:
w
C~ a„_1+ 1Ce„-1+1
1
-e,)f (2.4 1)
~(e1-e) 2
1
gdzie: a„_1+ 1 są najlepszymi ni eo bc i ążo n y mi ws półczy n nikam i obliczonymi i stablico-
wanymi przez S.S. Shapiro i M.B. Wilka, a [11 /2J (emier ) jes1 częśc ią c ał kow itą 11 /2 (jeśli
w modelu występuje wyraz wolny, to e = 0) 54
Obli czoną wa rt ość statystyki W nal eży porówn a ć z wartością krytyc z ną IVa odczy-
tanq z tablic kwantyli rozkład u \V (podanych przez Shapiro i Wi lka) dla poziomu istot-
n ośc i et.
J eśl i W ~ W„, nic ma podstaw do odrzucenia H0, że rozkład odc h yleń losowych
jest normalny, natomiast j eś l i IV < Wa, hipotezę zerową n a l eży odrzucić mi korzyść
hipotezy alternatywnej (co oznacza. że ro zkł ad od chy l e ń losowych nic jest ro zkładem
normalnym)
52zamiast ob liczać go ze wzoru {2.37) przy r = l. prą czym mi ędzy wynikami uzyskanymi na poclsta-
wie tych dw u wzorów mogą wystąpić pewne rozbieżności
53 Nie ma pny tym ko11ieczności spccyfikowanin por.imetrów tego rozk ladu
S4Tablice współczynników i w:irtości krytycznych do testu Shapiro-Wilko można znaleić np. w pracy
E. Nowaka I 1001 . T~kże wartości krytyczne do testu Hellwiga
W teśc ie Hellwiga55 przeprowadza się sta ndaryzację reszt według wzoru

, er - C
e, = -s;-· I = 1,2 .. (2.42)
gdzie: e- średnia arytmetyczna reszt: Sr - odchylenie standardowe reszt, obliczane

wedłu g wzoru
I "
s, ~ -11 I)e,-'l' (2.43)
1=1
Przy czym za uważmy jeszcze raz, że w modelu liniowym, w którym jest wyraz wolny,
i!=O.aw i ęc
Po uporzqdkowaniu reszt (niemalej<1co), z tabl ic dystrybuanty rozkładu normalnego

odczytuje się wartości dystrybuanty F (e;), F(e2:). , F (e~), a nas tępni e wyznacza s i ę
tzw. cele 11• czyli przedział y liczbowe o rozpiętości l/ 11, pow s t ałe z podzielenia odc inka
[O: I] nan równych części, a więc [O; ~)U[~: ~)U·· -U[~ : I]. Wart ośc i dystrybuanty
F (e;) prz y porządkow uj e s i ę odpowi ednim celom i okreś l a l i czbę cel pustych ( K ). tj .
takich, do których nie trafiła żadna wartość F(e; ).
Z tablic testu zgodn ośc i Hel lwiga dla liczby obserwacji n oraz przyjętego poziomu
i stotnośc i a odczytuje się wa rtości krytyczne K i K 2. 1
Jeżel i K < K lub K > K i. to hipot ezę zerową nal eży odrz uci ć (czyli odchylenia
1
losowe nie mają roz kładu normalnego), natomiast jeśli K 1 < K < K 2. nie ma podstaw
do odrzucenia hipotezy zerowej, a więc odchylenia losowe m ają rozkład normalny.
Badanie lo sowo ś ci reszt

Testowanie l osowośc i reszt ma zw i ązek przede wszystkim z wyborem postaci analitycz-
nej modelu, bowiem jeśli pos ta ć anal it ycz ną modelu dobrano właściwie, to reszty mają
charakter losowy
Do weryfi kacji hipotezy·
H0: reszty e1 maj ą rozkład losowy wobec H 1: rozkład reszt nie ma charakteru losowego
możn a zastosować np. test serii
Dla danego c i ąg u reszt e 1 • e 2, .... e„ resztom dodatnim (e1 > O) przypor.tąd kow uj e
s ię symbol a, resztom ujemnym (e, < O) - symbol b, reszty równe zeru (e 1 = O) pomija
s i ę56
55 w istocie jest on 1es1em zgodności rozkładu zmiennej losowej z dowolnym rozkladem hipocecycznym
Oparty jesc na znanej ze srncystyki własności zmiennej losowej . że jeżeli zmie nna losowa X m:i rozkład F.
10 ztnicnnn losowa F(X) m:i rozldadjednosrnjny. (por. [361. s. 154).
56w pracy [36]. s. 160 zalcc;i się pnede wszystkim zwiększen i e dokładnu~ci ub liczeri.. lak aby mol:na
byłuust;ilićznakreszt
Nas tę pnie n a l eży usta l ić liczbę

serii S (podcii1gów jednakowych symboli a lub b -
podciągów z łożo n yc h z reszt dodatnich lub ujemnych).
W przypadku testu jednostronnego (który, jak s i ę wydaje, można sto sować w przy-
padku niewielkiej liczby obserwacj i) e mpiryczną li cz bę serii S porównuje s i ę z wartością
kryt ycz ną S", odczy t aną z tablic liczby seri i dla przyjętego poziomu i s totnośc i a oraz 11 1
(liczba reszt dodatnich, a więc elementów a) i 112 (liczba reszt ujemnych, a więc elemen-
tów b) stopni swobody.
J eśl i S > S", nie ma podstaw do odrzucenia hipotezy o losowości reszt, natomiast
j eże li S ::; Srx, hipot ezę o l osowośc i reszt należy odrzucić, co oznacza. że postać anali-
tyczna modelu jest źle dobrana (np. prz yjęto model liniowy, podczas gdy za l eżność ma
charakter nieliniowy)
W przypadku gdy korzystamy z test u dwustronnego, z tablic li czby seri i odczytuje
s i ę dwie wartości krytyczne S1 i S2 dla przyjętego poziomu i stot n ości a (tj . dla a/2
i 1 - a/2) oraz 11 1 i 11 2 stopni swobody.
Pod st awą do odrzucenia hipotezy zerowej jest S ::; S (zbyt mała liczba serii) lub
1
S :;:: S2 (zbyt du ża liczba serii). Zatem reszty m ają rozkład losowy (Ho jest prawdziwa),
jeże li S1 < S < S2.
Przykład 8. Nale ży doko nać weryfikacji własności reszt modelu oszacowanego

w pr zy kładz i e 5, zamieszczonych w kolumni e 5 tablicy 2.6
Tablica 2.6
27.8 1.2 1.44

30.4 - 0.4 1.2 -1.6 2.56 0.16
35 35.6 -0.6 -0.4 -0,2 0.04 0.36
39 40.4 - 1.4 -0.6 -0,8 0.64 1.96
39 38.2 0.8 - 1.4 2.2 4,84 0.64
43 43.0 o.o 0.8 - U,8 0.64 o.oo
45 45,6 - 0.6 O.O - 0,6 0,36 0.36
49 48.2 0.8 - 0.6 1.4 1.96 0.64
45 46.0 - I.O 0.8 - 1.8 3.24 I.OO
50.8 1.2 -I.O 2.2 4.84 1.44
L: 4-06 406,0 o.o 19,12 8,00
Źr6<lło:opr:1<:0Waniewla.rne
Rozwiqza11ie. P rąpo mnijm y, że testy dotyczące własności s kładnikó w losowych za-

kładaj ą uporządkowanie reszt albo według jednostek czasu - jeżeli korzystamy z da-
nych w postac i szeregów czasowych, albo wed ług wartości wybranej zmiennej objaś ni a-
jącej. W tym przypadku reszty są u porządkowa n e wed łu g ros n ących wartośc i zmiennej
objaśn i ającej X (kolumna 2 tablicy 2.6).
1
Resz1y przedstawiono także na wykresie (rysunek 2.4). Zauważmy, że oscy lują one
wokó ł zera, nie wykazujqc tende ncji do wzrost u lub sp:1dku; pominie my zatem badanie
stałośc i wariancji
0.5
O.O +--------~------'°
--0.5
Rys une k 2.4. Reszty modelu oszacowanego w przykładzie 5
Badanie autokorelacji57 - test Du rbina-Watsona.

Obliczenia pomocnicze do obliczen ia s1:11ystyki d (2.39) zawarte są w tablicy 2.658 .
L'° (e, - e, _ 1) 2
19. 12
d= 1: 2 10 2.390
8
i~e!
Po n ieważ d = 2,390 > 2, to wynik świadczy o autokorelacji ujemnej; weryfikujemy
Ho: P1 = O wobec Hi : P1 < O

iz wartościam i krytycznymi porównywać br;dzicmy d' = 4 - d = 4 - 2,390 = I ,610.
W tablicy 2.7 podano fragment tablic Durbi na- Watsona zawierający wartości kry-
tyczne dl i du dla mał yc h prób59 przy poziomie i s t otnośc i a = 0.05 (K - li czba
zmiennych objaśn i ających bez zmiennej t ożsamościowo równej I, n - liczba obser-
wacj i)
57 w zasadzie tak7.c można by go pomin:ić. ponieważ autokorelacja występuje przede wszystkim w mode·
lach szacowanych na podstawie danych w postaci szeregów czasowych. a ten model oszacowano w oparciu
o dane przekrojowe
5
8Zauważmy. że e1_1 to reszty opóźnione o l. czyli dla poprzedniej obserwacji. zatem elementy kolumny
6 tablicy 2.6 to przesunięte o I elementy kolu11111y 5. a ponieważ dla e1 nie ma reszty dla poprzedniej
obserwacji. w liczniku statystyki d sumowanie przebiega od I = 2, podczas gdy w mianowniku uwzględnia
się sumę kwadratów wszystkich reszt
59 Petniejsze rnb!ice (od n = 15) możn:1 znuleić np. w pracy pod red. M. Krtysztoffaka [ 33]
Tablica 2.7
dl du d1, du
0.610
0.700 0.467 1.897
0.730 1.332 0559 1.777
0.824 1.320 0.629 1.699
JO 0.879 1.320 0,697 1,64 1
0.927 1.324 0,758 1.604
0.971 1.33 1 0.812 1.579
13 l.010 1.340 0.861 1.562
l.045 1.350 0,905
l.077 1.361 0,946 1.543
Źródło: N.E. S:win. K.J . Whilc. The D11rbirt- \\h1so" Test for Serial Cor-
re!Miun ..-i1/o E.rtreme Sample Si:-.es o/Muny Rtgrr>ssors. ""Economctricn'" 1977.
1.45,nrll.s.1992- 1995
Odczytane z tablic Durbina- Watsona dla a = 0 .05, 11 = IO i K = 2 (dwie zmienne

objaś n iające) wartości krytyczne wynoszą: d1, = 0.697, du = 1.641 (tablica 2.7). Po-
nieważ dl = 0.697 < 1,6 10 < du= l.64 1, test Durbina- Watsona nie rozstrzyga, czy
autokorelacja jest istotna.
Bada nie norma lności roz kładu reszt - test Shapiro-Wilka.
Weryfi kujemy hipotezę:
wobec hipotezy konkurencyjnej przeczącej tej normaln ości
H1:--.(E""'-"N).
Obliczenia pomocnicze do obliczenia statystyki IV Shapi ro-Wilka (2.41) zawarte są
w kolumnach 2-5 tablicy 2.8. Współczynn i ki a w- i+i odczytano z tablic Shapiro-Wilka
podanych np. w pracy [100] (dla n = 10)60 .
Zatem
[ła11-1+1{e10-1+1 -e,)f 2.70322 2
W= i=I w 0.9134
/~(el -{?)2
Warto ść krytyczna statystyki W odczytana z tablic Shapiro-Wi lka dla poziomu istotno-
ści a= 0.05 oraz 11 = IO ( W„) wynosi 0,842. Wobec nie równośc i W = 0.9134 > IV„
ni e ma podstaw do odrzucenia hipotezy zerowej, że reszty mają rozkład losowy.
60 A rM.nice mir:dzy reszlami "IO-r+l - e1 (kolumna 4) ti!bli cy 2.8 obliczono przykładowo dli! I = l
ew - e1 = 1.2 - (- 1.4) = 2.6. dla I= 2: e9 - e2 = 1.2 - (- I.O)= 2.2. itd
Ta hlica2.8
t e1 uporzą- lllO-r+I e10-i+1-e1 a10 - r+1x F (e;) Cele f ,

dkowane x (e10 - i+I - e,)
- 1.4 0.5739 2.6 1.49214 - 1.5652 0.0588 (0.0- 0. 1)

- 1.0 0.3291 2.2 0.72402 - 1. 11 80 0.1318 (0.J - 0,2)
- 0.6 0.2141 1.4 0.29974 -0.6708 0.2512 (0.2-0.3)
- 0.6 0.1224 1.4 0. 17136 -0.6708 0.2512 (0.3-0.4)
- 0.4 0.0399 0.4 0.01596 - 0.4472 0.3274 (0.4 - 0.5)
o.o 0.0000 0.5000 (0.5 - 0.6)
0.8 0.8944 0.8145 (0.6-0.7)
0.8 0.8944 0.8145 (0.7-0.8)
1.2 J.34 16 0.9 101 (0.8 - 0.9)
10 1.2 J.34 16 0.9 101 (0.9 - 1.0)
i.: 2,70322
Żródło:opracowaniewłasne
Do zbadania normal n ości rozkładu reszt zastosujemy jeszcze test zgodności Hel-
lwiga.
Obliczenia pomocnicze zawarte są w kolumnach 6-9 tablicy 2.8. W kolumnie 6
podano uporządkowa n e reszty standaryzowane według wzoru (2.42), tj.
I = \.2 .
przy czym e = O, a wobec tego ze wzoru (2.43) mamy
W kolumnie 7 tablicy 2.8 podano odpowiadające standaryzowanym resztom odczytane

z tablic waności dystrybuanty rozkładu normalnego F (e;), a w kolumnie 8 cele 11
pows tałe z podzielenia odcinka [O: 11 na IO równych częśc i (a wi ęc prze działy liczbowe
o rozpiętości O. I, przy czym przypomnijmy - od dołu prze d ziały są zamkni ęt e, a od góry
otwarte). W ostatniej kolumnie (9) tablicy 2.8 podane s ą liczby wartośc i dystrybuamy
F (e;) przyponądkowanych poszczególnym celom. Jak widać, liczba cel pustych K = 3.
Wartości krytyczne odczytane z tablic testu zgodnośc i Hellwiga dla a = 0,05 oraz
11 = IO wynoszą: K 1 = li K2 = 5. Ponieważ I < K = 3 < 5, nie ma podstaw do
odrzucenia hipotezy, że rozkład reszt jest rozkładem normalnym 61
61 Wniosek jest 1aki s:m1. jak przy zastosowan iu te stu Słmpiro-Wilka
Badanie losowości reszt - resr serii. Aby zwery fikować hipotezę, że reszty er sq
losowe wobec hipotezy alternatywnej, że reszly nic mają charakteru losowego, poniżej
przytoczono reszty e1 (por. kolumna 5 tablicy 2.6)
1. 2; -0.4: - 0.6: - 1.4: 0. 8: O.O: -0.6: 0.8: -1 .0: 1.2.
a n astępnie prąpisan oresztom dodatnim symbol a oraz resztom ujemnym symbol b
( resztę równązero pominięto) i otrzymano ciąg: li bbb li bab a
Zatem w c iągu reszt obserwujemy 5 = 7 serii
Odczytane z tablic rozkładu serii dl a 11 1 = 4 (liczba reszt dodatnich) i 11 2 = 5 (liczba
reszt ujemnych) oraz prt:yjętego poziomu istotnośc i a. tj. 0.05/2 = 0.025 i 1- 0.05/2 =
= 0.975, wartości krytyczne wy n oszą: 5 = 2, 5 2 = 8. Poni eważ 2 < 5 = 7 < 8,
1
ni e ma podstaw do odrzucenia H0, a więc reszty mają rozkład losowy. Oznacza to, że
postać analityczną modelu dobrano w ł aśc i wie (model liniowy dobrze opisuje badaną
zależność)
Przykład 9. Na podstawie danych o wielkości produkcj i (X w mln sztuk) i kosztach

ca łk owi t ych produkcji ( Y w mln z ł ) za lata 1994-2008 w pewnym dynamicznie rozwi-
(kolumny 1- 3 tablicy 2.9) oszacowano model opisujący
jaj ący m s i ę przeds i ębi orstw i e
za l eżność kosztów ca łkowityc h produkcji od wielkości produkcji
Tablica 2.9
1994 53 12 53,76 - 0.76

1995 57 IS 57.45 - 0.45
1996 58 16 58.68 - 0.68
1997 64 20 63.60 0.40
1998 64 20 63.60 0.40
70.98 O.Q2
73.44 - 1.44
78.36 -3.36
2002 82,05 2.95
2003 92 40 88,20 3.80
2004 92 94.35 - 2.35
2005 99 46 95.58 3.42
2006 IOS 50 100.50 4.50
2007
2008 ""
109
55
60
106.65
112.80
- 2.65
- 3.80
l.: 1200 1200,00 o.oo

Żródło:daneumowne
Otrzymano:
)'1 = 39.00 + l. 23x,. S, ~ ±2.732. R 2 = 0.981 l.
(1.73) (0.047)
22.5 26.2
Jak widać oceny parametrów strukturalnych są statystycznie istotne (pod błędami
średn imi szacunku parametrów podano wartości statystyki 1; to.05;13 = 2.160), a wy-
soka wartość współczynnika determinacji świadczy o dobrym dopasowaniu modelu do
obserwacji. W tablicy 2.9 podano dodatkowo wartości teoretyczne (kolumna 4) i reszty
(kolumna 5)
Należy sprnwdzić, czy spe łni one są założenia dotyczące skład n ików losowych.
Roz.wiąum ie.
Badanie srałolci wariwuji
Analizując reszty zestaw ione w kolumnie 5 tablicy 2.9, można podejn.:ewać , że ma-
my do czynienia z niejednorodnością wariancji (reszty dla pierwszych 6 obserwacj i co
do wartości bezwzględnej nie przekraczają I, e1 jest nieco w i ększa od I, natomiast mo-
duły kolejnych reszt są kilkakrotnie większe. Tak więc zachodzi podejrtenic, że wraz ze
wzrostem wielkości produkcji losowe odchylenia od funkcji regresji rosną. Spostrzeże
nie to potwierdz:1 wykres reszt (rysunek 2.5).
Rysunek 2.5. Res zty modelu kosztów ca łkow itych
Zgodnie z omów i oną wcześniej procedurą, w cel u zweryfikowania hipotezy

Ho: af = aff wobec H1: af < aff
z:1stosujemy test Goldfelda i Quandta.
Obserwacje podzielono na 2 podpróby·
Podpróba 1 obejmuje obserwacje 1- 7 (ewentualnie ob se rwację 7 można pominąć ,
ale nie zmieni to ostatecznego wniosku wynikającego z zastosowania testu)
Podpróba 2 obejmuje obserwacje 8-15
Dla każdej z nich oszacowano parametry modelu liniowego i obliczono wariancję.
Obliczenia pomocnicze zaw ierają tablice 2.10 (dla pierwszej podpróby) i 2. 11 (dla dru-
giej podpróby)
2.4. Weryfi~acjamode lu
1} e'f
1994 53 12 144 636 53,45 - 0,45 0,2065
1995 57 15 225 855 57.12 -0.12 0.0152
1996 58 16 256 928 58.35 -0.35 0.1200
63.24 0.76 0.5800
20 1280 63.24 0.76 0.5800
26 1846 70.58 0.42 0.1794
2000 72 28 784 2016 73.02 - 1.02 1.0454
i: 439.00 o.o 2,7265
Żródło:opracowanic ""ł~sne
xl el
79.99 - 4.99 24.8953
83.38 l.62 2.6102
2003 92 40 1600 3680 89.04 2.96 8.7467
2004 92 2025 4140 94.70 -2.70 7.2935
2005 99 46 2116 4554 95.83 3.17 10.0345
2006 105 SO 2500 5 250 100.36 4.64 21.5411
2007 104 SS 3025 5 720 106,02 - 2.02 4,0678
2008 109 60 3600 6540 111.68 - 2.68 7, 1557
i: 761 363 17 11 5 35 259 76 1.00 o.o 86,3448
Źródło:opracowanicwłru,;ne
Dl a pierwszej podpróby o liczebności 11 1 = 7 mamy (oceny parametrów strukt ural-

nych zaokrąglo no do dwóc h miejsc d zies i ętnych):
· ~[13; 2~~;r [s:!;J~ 1 ~26 [~~~; -13;] [s:!;J~[ 3 ~;ą

czyli
sf = ~ ~~
2 7
Y =38.78+
1 l,22x1 • = o.5453.
Dl a drugiej podpróby o liczeb ności 11 2 = 8 mamy
a= [ 8 363]-I[ 761l =llii·

363 17115
1 [17 115 -363] [ 761] = [•3,78]
· 35259 -363 8 · 35259 1.1 3 ·
czy li
5'1=43 .78 + 1, 13.r, . s; ~ ~·~~ ~ 14. 3908.
8 8
Zatem statystyka testu (2.36)

F ~ 14. 3908 ~
26 39
0.5453 .
Wartość krytyczna statystyki F odczytana z tablic Fi shera- Snedecora dla a = 0,05
i 11 2 = 8 - 2 = 6 (w liczniku) oraz 11 1 - 2 = 7 - 2 = 5 (w mianowniku) stopni swobody
wynosi Fr:t = 4,95. Wobec ni erów nośc i
F = 26,39 > Fr:t = 4,95
hipot ezę zerową o rów ności wariancji w obu podpróbach nal eży odrzuc i ć, zatem mamy
do czynienia z niejednorodnośc ią wariancji (he teros kedastyc z no śc ią)
Badanie auwkorelacji res;)
Weryfi kujemy hipotezę g ł oszącą, że ws półczyn nik autokorelacj i rlędu pierwszego
statystycznie nieistotnie różni się od zera wobec hipotezy alternatywnej, że występuje
istotna autokorelacja dodatnia lub ujemna (hipotezę a lternatywn ą ostatecznie sfo rmułu
jemy po obliczeniu statys1yki d (2.39)). Obliczenia pomocnicze zawarte są w tablicy
2. 12.
Tablica2.12
1994 - 0.76 0.57760

1995 - 0.45 - 0.76 0.3 1 0.0961 0.20250
1996 - 0.68 - 0.45 - 0.23 0.0529 0.46240
1997 0.40 - 0.68 1.08 l.1664 0.16000
1998 0.40 0.40 o.oo 0.0000 0. 16000
1999 0.02 0.40 -0. 38 0.1444 0.00040
- 1.44 0.02 -1.46 2.1316 2.07360
- 3.36 - 1.44 -1.92 3.6864 11 .28960
2002 2.95 -3.36 6.31 39.816 1 8.70250
2003 3.80 2.95 0.7225
2004 - 2.35 3.80 - 6. 15 37.8225 5.52250
2005 3.42 - 2.35 5.77 33.2929 11.69640
2006 4.50 3.42 1.08 l.1664 20.25000
2007 - 2.65 4.50 - 7. 15 51.1225 7.02250
2008 -3.80 -2,65 - 1,15 l.3225 14.44000
i.: o.oo 172,5432 97,00000
Żródło:opr:icowaniewła•ne
Zatem
d= '~
~'~--
t
(e, -er- d 2
172.5432
1.779
l~e~
97.0000
d = I. 779 < 2 świadczy o autokorelacji dodatniej. wobec tego oslatecznic weryfi-

kujemy:
Ho : P1 =O wobec H1 : Pi> O
krytyczne odczytane z tablic Durbina- Watsona (t:1bli ca 2.7) dla Q' = 0.05.
Wartośc i
11 = 15 oraz K = I Ued n azmie n naobjaśniająca) tolh = l.077orazdu = 1.36 1
Ponieważd = 1,779 >du= 1.361 , nie ma podstaw do odrzucenia hipotezy
zerowej mów i ącej o braku autokorelacji (o nieistotności współczy n nika autokorelacji
rzędu 1)62
Badanie 11ormal11ofri roz.klad11 reszt
Do zweryfi kowania hipotezy, że rozk ład odchy łetl losowych modelu jest normalny
wobec hipotezy, że rozkład odchy l eń jest rozkładem innym niż normalny, skorzysta-
my z testu Shapi ro-Wi lka. Obliczenia pomocnicze do obliczenia statystyki W zawiera
tablica 2. 13. Kolumna 2 zawiera reszty, kolumna 3 zawiera reszty u porządkowane nie-
malejąco, kolumna 4 - współczynniki Shapiro-Wi lka (odczytane z tablic dla n = 15).
Zatem63
[ła11-1+1(e10-1+1-e,)J2 9.53275 2
W= ' "' ! is 0.9368
97
l~(e, -ii)2
Dl a Q' = 0.05 oraz 11 = 15, W„ = 0.881 Ponieważ W = 0.9368 > W„, nie ma
podstaw do odrzucenia hipotezy zerowej, że reszty mają rozkł ad normalny
Do takiego samego wniosku prowadzi zastosowanie testu Hellw iga. Czytelnik ze-
chce sprawdzić, że po przypisaniu wartości dystrybuanty rozkład u normalnego dla upo-
rządkowanych reszt standaryzowanych celom o rozp iętośc i 1115, otrzymamy K = 6 cel
pustych. Poni eważ K 1 = 2 < 6 < K2 = 7, na poziomie is totnośc i 0,05 nie ma podstaw
do odrzucenia hipotezy. że reszty maj ą rozkład nonnalny
62zgotlnie ze wzorem (2-40) zgodnym oszacowaniem współczynnika autokorelacji rzędu l jest P1 =

= I - ~ = J - ~ = O. I 11. a więc wartość współczynnika autokorelacji jesc raczej niska
6
·'0czywiście e =O. a więc e) 2 = L(e, - L el
Tahlica 2.1 3
- f- - - -
4
I - 0.76 - 3.80 0.5150 8.30 4.27450

- 0.45 - 3.36 0.3306 7,16 2.36710
3 - 0.68 - 2.65 0.2495 6.07 1.51447
0.40 - 2.35 0,1878 5.30 0.99534
0.40 - l.44 0.1353 1.84 0.24895
0.02 - 0.76 0.0880 1.16 0.10208
- 1.44 - 0.68 0.0433 0,70 0.03031
-3.36 -0.45 0.0000
2.95 O.D2
10 3.80 0.40
li - 2.35 0.40
12 3.42 2.95
13 4.50 3.42
14 -2.65 3,80
15 - 3.80 4.50
I: o.oo 9,53275
7J6<Jło:opmcowaniewlasne
Badanie losowości reszt

C i ąg
reszt (kol umna 2 tablicy 2. 12 lub 2.13) jest n astc puj ący:
-0.76: - 0.45: - 0.68: 0.40: 0.40: 0. 02: - 1. 44: -3.36: 2.95: 3,80: -2.35: 3.42: 4,50:
-2.65: -3.80
Po przypisani u reszto m dodatnim symbolu a i resztom ujemnym symbolu b otrzymu-
JCmy:
bbb twa bb aa b aa bb.
zatem w c i ągu reszt obserwuje s i ę S = 7 serii (podc i ągó w reszt o ty m samym znaku .
Odczytane z tablic rozkład u serii dla 11 1 = 7 (li czba reszt dodatnich) i 11 2 = 8 (li czba
reszt ujemnych) stopni swobody oraza/2 = 0. 025 i 1-a/2 = 0.975 wartośc i krytyczne
wy n oszą: S 1 = 4, S2 = 12. Poni eważ 4 < S = 7 < 12, nic ma podstaw do odrzucenia
hi potezy o l osowośc i reszt, a zatem pos t ać analityczna modelu zost ał a przyję t a wł aśc i w i e
(model lini owy dobrze odzwierciedla badan ą za l eż.n ość)b4
6'1w przypadku zastosowania testu jednostronnego wartoU krytyczna statystyki S odczytana z tablic
rozkładu serii dla a= O.OS ornz 111 = 7 i 112 = 8 stopni swobody wynos i S11 = 4. a więc S = 7 > 50 •
i wniosek jest taki sum jak w pr.'.ypadku testu dwustronnego
2.5. Merytoryczna interpretacja parametrów strukturalnych oszacowanych modeli
2.5. Merytoryczna interpretacja

parametrów strukturalnych oszacowanych modeli
Za uważmy na początek, że w badan iach społ eczn o-ekonomicz nyc h badacz budujący
model bardzo rzadko może korzystać z danych eksperymentalnych (będącyc h efektem
zaplanowanych i celowo pr.teprowadzonych doświadczeń, dających w razie potr.tcby
możliwość wydatnego zwiększe ni a liczby przeprowadzanych eksperymentów, a więc
liczby obserwacj i). Ekonomista musi zadowo l ić s i ę znacznie skromniejszą bazą danych,
a wyniki otr.cymane w drodze modelowania powinny być poddane weryfikacj i od strony
zarówno merytorycznej, jak i statystycznej. Dopiero pomyślne przejście wszechstronnej
weryfi kacji upoważni a do wni oskowani a w oparciu o oszacowany model. Próby ekono-
micznej interpretacji efektów modelowania to jeden z kierunków wykorzystania oszaco-
wanego modelu. Pozostał e (wyznaczanie prognoz, symulacja i podejmowani e optymal-
nych decyzji) omówione zostaną w następnych rozdz i ał ach
Wnioskowanie w oparciu o model polega rn.in. na interpretacji jego parame trów
strukturalnych. I tak w funkcji liniowej jednej zmiennej (rysunek 2.6)
Y =ao + a 1X (2.44)
ocena parametru a 0 interpretowana jest jako śre dni poziom zmiennej endogenicznej
Y przy zerowym poziom ie zmiennej objaśniającej X . J eśli ocena tego parametn1 jest
ujemna, co często jest uzasadnione, interpre ta cję s ię pomija. Natomiast wzrost wartośc i
zmiennej objaśn i ającej X o I (jednostkę) powoduje zm i a nę (wzrost lub spadek) wartości
zmiennej objaśnianej przeci ętnie o a (jednostek).
1
1-1.ysunek 2.6. Funkcja liniowa (przy założeniu. że

ao > OJ
W funkcji liniowej wiciu zm i cnnyc h 6 ~
Y=ao+a1X1 + a2X2+ +aK X K (2.45)

ocenęparametru a 0 interpretuje s ię jako p rzeciętny poziom zmiennej endogenicznej Y,
gdy wszystkie zmienne objaśniające p rzyjmą wartość zero (tzn. gdy X1 = X2 =
65w prt.ypadku funkcji wielu zrnienn)•ch ograniczymy się do incerpretacji parame1rów, ponieważ. aby je
prt.edstawićgraficznie. po1nebnajes1 prt.estrz.eń ( K + l)-wymiarow:i
= X K = 0). Ocena tego parametru m oże być ujemna (co często jest uzasadnione) i wtedy
trudno mówić o jego sensownej interpretacji ekonomi cznej (interpretacje pomija sic).
Z kolei wzrost wartości }-tej zmiennej objaśniającej (X j ) o l (jednos1kę) powodu-
je zmia nę wartości zmiennej objaśnianej Y śre dnio o et i jednostek cereris paribus (tzn.
przy niezmienionych - ustalonych - pozostałych zmiennych) 66 .
Przykład ~O. W przykładzie

5 oszacowano model regresji, op i s ujący za l eżność in-
dywidualnej konsultantów z:1jmujących s i ę dystrybucj:1 kosmetyków (wy-
wydajnośc i
rażonej roczną wartością sprzedaży w tys. z ł - Y1 ) od ich stażu pracy w firmie (w la-
tach - X11) i faktu, czy dystrybucja kosmetyków jest jedynym źródłem ich dochodów
(X 12 = 0), czy też mają jeszcze inne źródło dochodów (X 12 = 1)
Rozwiąza 11ie. Otrzymano
.Y1 = 30,0
2.6x1 + 4.8xr2 . Sr = ±l.069. Vr = 2.63 %. R1 = 0,9849
1 -
(1.21)(0.17) (0.76)
Model ten poddano weryfikacji i uznano, że dobrze opisuje badami zależność (zgod-
ność z danymi empirycznymi jest duża, parametry strukturalne są statystycznie istotne,
reszty modelu mają pożądane własności)
M ożna zatem dokonać interpretacji otri;ymanych wyników.
Ocena stałej regresji a 0 = 30 tys. z ł to przeciętna roczna wartość sprzedaży uzyski-
wana przez pracownika rozpoczynającego pracę w firmie (w pieiwszym roku pracy. bez
stażu X = 0) i niemającego dodatkowego źródła dochodów (X2 = 0)
1
Wzrost stażu pracy o I rok powoduje wzrost wydajności średnio o 2,6 tys. zł (z każ
dym rokiem pracy wydajność konsultanta rośnie przecicwie o 2,6 tys. zł ), przy s tał ym X 2.
Przy s tałym X 1 (stażu) wydajność pracownika, który ma jeszcze inne źródło docho-
dów jest przec i ętnie o 4,8 tys. zł rocznie niższa od wydajności pracownika, który nie ma
innego źród ła dochodów
2.6. Uogólniony model regresji liniowej (UMRL)

J eś l i są spełnione założenia klasyczne o homoskedastycznych i nieskorelowanych
nie
sk ładnikac h losowych, kiedy zastosowanie w tych warunkach mimo wszystko KMNK
do estymacji parametrów strukturalnych doprowadzi nas do liniowych i nieobc i ążo
nych, ale niekoniecznie najefektywniejszych estymatorów parametrów (nie funkcjonuje
w tych warunkach twierdzenie Gaussa- Markowa orzekające, iż w KMRL estymatory
parametrów slrukturalnych uzyskane za pomocą KMNK są najefektywniejsze w klasie
nieobciążonych estymatorów liniowych) i model nie przechodzi rutynowej weryfikacji.
to warto rozważyć ogó l niejszą klasę modeli. dopu szcz<tjącą heteroskedastyczne i skore-
lowane sk ładniki losowe. Jak zobaczymy jednak, cena jaką zapłacimy za bardziej uni-
wersalny model jest znaczna, bo wzrośnie złożoność koniecznych obliczeń (nade wszyst-
ko wzrośnie wymiar odwracanej macierzy).
fi6w funkcji wielu zmiennych interpretując parametr przy jednej z nich. zawsze zakładamy stałość
wszystkichpozos1a/ych
2.6.1. Definicja - założenia
J eś li
zatem rozważymy model liniowy w postaci strukturalno-statystycznej z nielosową
mac i erzą obserwacj i X o elementach ustalonych w powtartalnych próbach, o pełnym
rzędzie kolumnowym z liczbą obserwacji w i ększą od liczby szacowanych parametrów
i dopuszczający heteroskedastyczne (o różnej wariancji), a tak że skorelowane s kład n ik.i
losowe, czyli zestaw zał ożeń"
(I) y ~ X p + ' .
nxl 11 x K kx l 11 x l
(2) X - macierz nielosowa o elementach ustalonych (w powtarzalnych próbach),
(3)rz(X ) =k < 11,
(4 ) E (E) ~ . ~ ,'
(5) V (e) = E(e eT) = a 2R gdzie Q x jest dowol n ą macierzą syme tryczną, dodat-
11 11
nio określoną, a O _::: a 2 < +oo,

to model liniowy (I) z za łoże niami (2}-(5) nazyw:1ć będz i e m y uogólni ony m modelem
regresji lini owej (UMRL). Łat wo za uważyć, iż jeśli macierz jest proporcjonalna do ma-
cierzy kowariancj i sk ładników losowych. tj . macierz Q = IN, to będz iemy mi eć do
czyn ienia z KMRL. Zatem KMRLjcst szczególnym przypadkiem UMRL
2.6.2. Estymacja - uogólniona MNK

W prtypadku KMRL stosow ną (odpowied ni ą do sytuacj i) metodą estymacj i parametrów
strukturalnych jest uogólniona metoda najmniejszych kwadratów (UMN K). nakazuj ąca
przyj;:ić za wektor nieznanyc h parametrów strukturalnych fł taki wektor hg, który mi-
nimalizuje ważoną s umę kwadratów reszt. Wagami są elementy macierzy odwromej do
macierzy proporcjonalnej do macierzy kowariancji s kładn i ków losowych. Wobec tego,
j eś l i:
min S( fł ) = min (y - Xfł )T n - 1 (y - Xfł) = S(bn) . (2 .46)
' '
tj. funk cja kryterium S(fł) os i ąga minimum w punkcie bn , to bn nazywać będz i e my es-
tymatorem uzyskanym za pomocą UMNK; można pokazać, że wektor ocen parametrów
stmkturalnych bg dany jest wzorem
bn = (XTQ- 1X) - I XTQ- 1y (2.47)
Jest to estymator ni eobc iążo n y, tj. E (bg) = fł z mac ierzą kowariancji V(b n) =
= a 2(XTn- 1 x) - 1 , której nieobciążonym estymatorem jest macierz:
D 2 (bg) = s; cxTn - 1x )- 1. (2 .48)
gdzie
s; = n~keTn-!e= N~K(y - )')TQ-l(y - f)=

= /1 ~k(y - Xbn)Tn - 1 (y - Xbn) (2.49)
jest nieobciqżonym estymatorem a 2

J eś li
nie zachwyca nas konieczność odwracani<! mac ierzy S1: o zwykle ni e najmniej -
szym wymiarze (przypo mnijmy zało żeni e: n > k), to za uwa żm y, iż na mocy znanego
w algebrze liniowej twierdzenia o faktoryzacji (por. A.S. Goldberger [46], s. 59) dla do-
datnio określ onej macieri;y S1: istnieje nieosobliwa macierz P, taka że PSJ: pT = 111 oraz
pTp = n:- 1. Zatem mnożąc l ewą stron ę UMR L przez ową macierz P, o trzymujemy
model li niowy
(2.50)
w któ rym wartość oczekiwana nowego s kładnika losowego v jest wektorem zerowym
E(v) ~ E(P•) ~PE(<)~ PO~ O. (2 .51 )
a jego macierz kowariancji jest mac i erzą s kal arną
V(v) = E(vvT) = E(PeeTPT) = p~ pT =a 2 ~ = a 2 111 • (2.52)

a 2 S1: 111
A wobec tego nowy model liniowy (2 .50) jest KMRL, w i ęc jego parametry m ogą być
szacowane za po mocą KMNK, czyli
b = (STs ) - ISTz = (XTpTp x) - l x TpTpy = (XTn:- i x )- l x Tn: - ly = b g (2.53)
i tutaj dochodzimy do c ie kawych s po strzeże ń
l. UMNK jest rów noważna KMNK na zmiennych transformowanych z = Py oraz
S = PX, o ile macierz transformacji P jest mac iert:ą nieosobliwą, spe łniającą warunek
pTp = n:- 1. Jeśli więc potrafimy taką macierl P wskazać. to znacząco zmniejszymy
wysiłek obliczeniowy i upro śc im y estymację .
2. Wektor ocen parametrów strukturalnych ba musi mi eć takie same w łas nośc i opty-
malne ( wynikające z twierdzenia Gau ssa- Markowa). jak wektor b - wektor ocen MN K.
UMNK jest wobec tego e leganckim rozwi:1zaniem estymacji parametrów struktu-
ralnych UMRL pod warunkiem, że znamy macierz kowariancji sk ładników losowych
z dokładnością do współczynnika proporcjonalno śc i a 2 . Problem jednak w tym, że my
tej mac ierzy zwykle ni c znamy i gdybyśmy nawet chcieli jakoś ją odtworzyć (oszaco-
wać) . to w ogólnym przypadku liczy ona ( uwzg lędniając jej sy metri ę) n+ (11 2 - 11)/2 =
= 11(11 + 1)/2 różnych eleme ntów, a to jest liczba w i ę ksza od 11, więc na podstawie pró-
by 11 -elementowej nie zrekonstruujemy mac ierzy S1: w przypadku ogólnym , bo zabraknie
nam informacji zawartej w próbie statystycznej. Będzi e to możliwe tylko wtedy. gdy za-
łoży m y jakąś pros t szą s truktu rę tej maciert:y. Po ni żej rozpatrujemy dwa takie szczególne
przypadki
• heteroskedastyczne (o różn ej wariancji) skJadniki losowe bez autokorelacji,
• ho moskedastyczne (o stał ej wariancji) s kładniki losowe tworzące proces autore-
gresyjny rzędu pierwszego.
Jest jeszcze jeden problem: estymatory uzyskane za pomocą UMNK mają optymalne
własnośc i przewidziane przez teori ę, o ile znamy macierz kowariancji s kład n ików loso-
wych (dokładni ej macie rz proporcjonalną do macierzy kowariancji - mac ierl S1:). J eś li
jednak ową macierz zastąpimy jej oszacowaniem, to te pożądane własności optymalne
nie są już tak oczywiste.
Heleroskedastyczne składniki losowe bez autokorelacji - ważona MNK

Załóżmy teraz, że składniki losowe mają zróżnicowane wariancje (są heteroskedastycz-
ne), ale są nieskorelowane- ni e ma autokorelacji składnik ów losowych. Wtedy macierz
kowariancj i owych sk ł ad n i ków losowych jest postaci·
V(e ) = E (EET) = ["t ~ ~ ] =a' [ ~' w, .~. ]. (2.54)

a,: O w„
~------
!!
(2 .55)
a w1edy, jak /a1wo sprawdz i ć:
P=[~ ~
Wobec tego obserwacje na nowych zmiennych Z1 i S1j obliczamy
:i
~
według wzorów·
(2 .56)
I
Zt = jW;y, . r = L
(2.57)
r = I.. , 11. j = I. .k
i stosujemy KMNK do modelu z nowymi zmie nnymi , które pow st ał y przez pom n ożenie
oryginalnych obserwacji na zmie nnych przez wagi I/ ,JW;. stąd ten sposób estymacj i
bywa w literaturze okreś lany termi ne m: regresja ważo n a czy t eż ważona MNK
Przykład 11. Za pom ocą ważonej MNK, na podstawie poni ższyc h danych, oszacować
parametry model u li niowego: y1 =/Jo+ f3 1 x 1 + c,, przyjmując że wariancje składników
losowych są proporcjonalne do kwadratów reszt uzyskanych w estymacji za pom ocą
KMN K
Tablica2.14
18
Źfódło : daneumownc
Rozwiązan ie. Najpierw oszacujmy parametry modelu za pomocą KMNK w oparciu

o oryginalne obserwacje:
X=[i
1
~]· Y= [,~]-
IO 18
b=(XTxi-•xTy=[364 23264]-'[40459] =[-1.1.1173 -1.17]

0.03 ·[40459]-[-2.01]
- 2.09 .
Wobec tego
Tablica 2. 15
S·, I " ~ y, - ;„ e?
4.26 - 1.26 l.5876
-0.35 0. 1225
6.35 1.65 2.7225
9 10.53 - 1.53 2.3409
15 12.62 2.38 5.6644
18 18.89 - 0.89 0,7921
i: 13.2300
Żród ło:opracowan iewłasne
Zatem wariancja resztowa wynosi:
~ ~
1
S;= ~f; e;= 6=2
N 1
13.23 =3.3075.
a to powoduje, i ż błędy ś red nie szacunku są nas tęp uji1ce:
D(b) = [ D (bo) ] = [ J3.3075 . 1.13] = [ 1.9333 ]

D(b, ) J3.3075 · 0.13 0.3150
Skoro mamy przyjąć , że w:iriancje składnik ów losowych są proporcjonalne do kwadra-

tów reszt, to w takim razie wagi są równe
I I
.;w; Je! le, 1 •
a wobec tego:
I
i=JT6j l- 1. 261
I I
1- 0. 35 1 1-0. 351 4 [0. 79371 2.3810 ]
I I 2.857 11.4286
jf6sj jf6sj - 0.606 1 2.4242
I I - 0.6536 3,9216 .
iT53i
I
iT53i
I
0.4202 2.9412
LI 236 I I. 2360
12 .38 1 12.381
I I
1- 0. 89 1 1-0.89 1 IO
1-1.261
I
i=OTsi
I 2.3810]
17.1429
jf6sj 4.8485
I = 5.8824 .
11.53 1 [ 6.3025
I 20. 2247
i2.38i 15
I
18
1-0. 89 1
zatem nowe oceny parametrów, uwzg lędniaj i1ce niejednorodność wariancji s kła dników
losowych. są równe:
b = cs Ts )- is T. = [ 11.0261 52.4357] - ' [ 83 .0250]

z 52.4357 292.4357 482. 1922 =
= [ 0.6155 -0. 1104] [ 83.0250 ] [ -2. 1322 ]

- 0.1104 0,0232 482.1922 = 2.0209 .
co poc i ąga za sobq. i ż:
Tablh:a 2. 16
er =v, - _i,, ,)
2.38!0 3.1190 -0.7385 0.5454
17.1429 17.0044 0.1385 0.0192
4.8485 3.6068 l.2417 1.5418
5.8824 6.5316 - 0.6492 0.4215
6.3025 5.0480 1.2545 1.5738
20.2247 20.3112 - 0,0865 0,0075
l.: 4,1092
Źródło:opr~cowanicwłasne
nowa wanancp resztowa wynosi
s; = ~k f,
•= I
li -
e~ = ~ ·4. 1092 = 1.0273.
6- 2
a wobec tego nowe b łędy śre dni e szacunku są n a s t ępujące
D(b ) ~ [ D(bo)
D(b 1
)
l[ J l .0273 · 0.0232
l
~ ,/1.0273 · 0,6155 ~ [0,79520 ]
0.15440
Jak w i dać , przy zb l iżonych wartośc i ac h starych i nowych oce n parametrów slruktural-
nych, nowe b łędy śred ni c szacunku parametrów są n i ższe od starych, wzrosła zatem
efektyw ność estymatorów parametrów
Homoskedastyczne składniki losowe tworzące proces auloregresyjny rzędu pierwszego

J eś l i za łożymy. że skł ad n iki losowe mają jednakowe wari ancje (są homoskedastyczne).
ale skorelowane w specyficzny sposób, tzn. twor1.:ą proces autorcgresyjny rLt;du pierw-
szego, tj.:
E1 = P1E1 - I + u,. (2.58)
gdzie IP 1 I < I (p 1 jest wtedy wspó łczyn n ikiem autokorelacj i rzęd u pierwszego), a E1
jest b i ał y m szumem (skł ad n ik i e m losowym o zerowej wartośc i oczeki wanej i skalarnej
macierzy kowariancj i)
M ożna pokazać. że jeże l i składni k i losowe tworzą proces au1oregresyjny rzędu
pierwszego, to współczynnik autokorelacji dowolnego rzęd u r jest równy
cov(e1 • e, _,) ,
Pr = - - a-2 - = P1 · (2.59)
czyli jest odpow i ednią potęgą współczy n n i ka autokorelacj i rzęd u pierwszego - brak
autokorelacji rzę du pierwszego oznacza brak autokorelacji w ogóle; wystąpienie istot-
nej autokorelacji rzęd u pierwszego pociąga za sobą istnienie autokorelacji rzę d ów wyż
szych. Wtedy macierz kowariancj i skł ad n i k ów losowych
[ COV(e2.
a' ei)
cov(s1, s2)
a'
'°*' e,,)]
cov(s2, t 11 ) =
V(e) = E (eeT) =
cov(e„. ei) cov(s11 , t2) a'
p, P2 p„_,]
=a2 [ P1I I Pi Pn-2 =
;,:~I P"-2 p„_3 I
~a' [ ;,
Pi
I
pf
Pi
p;-•]
p~-2 '
(2.60)
p~ - 1 p~ - 2 p;• - 3 I
!!
zatem
~~.]
- p,
[ - pi I +pf - p,
n-• [ I
(2.6 1)
= 1 - pf -~ o -p, I +pf
o o - p,
i można pokazać, że
P- - '-
-R
[R -;1
g
o
I
-p,
o
o
- p,
o - p,
;l (2.62)
p•
Jak łatwo zauważyć, model Py = PX~ + Pe jest równoważny modelowi P*y = P* X~ +
+ P*e, zate m UMNK będzie równoważna KMNK na nowych zmiennych
Z 1 = M ) '1.
Z.1 = Y1 - P1)'1 - 1. r = 2.
(2.63)
.~1j=Mx1j· J=t. . . k.
S1j = X 1j - P1X1 - l.j• t = 2. i= I.. . k.
Wystarczy tylko znać współczyn nik autokorelacji rzędu pierwszego p 1 Ponieważ
zwykle owego ws półczy nni ka autokorelacji nie znamy, w prak tyce postępowanie jest
dwustopniowe. Najpierw w oparciu o oryginalne dane szacujemy model za pomocą
KMN K i w oparc iu o uzyskane reszty szacujemy ws półczyn n ik Pi, np. w oparem
o wzór (2.40):
P1 = t - ~-
gdzie d jest zna n ą statyst yką Durbina- Watsona (paragraf 2.4.3). N astęp n ie dokonuje-
my powtórnej estymacji za pomocą KMN K na bazie nowych obserwacj i obliczonych
w oparc iu o wzory (2.63) przez wykorzystanie w nich oszacowań (2.40) lub inaczej
uzyskan ą ocenę wspólczynnika autokore l:1cji rzędu pierwszego. Ponieważ transformacja
dla pierwszej obserwacji (dla t = I) różni s i ę od transformacj i dla dalszych obserwacj i,
to zdarza s i ę, że w praktyce pomija s i ę owq pierwszq obserwację i prowadzi s i ę esty-
mację w oparciu o próbę n - 1-e l emc n tową jednolicie p n:eksztalconą. Takie podej śc i e
jest w literaturze nazywane metodą Coc hrane'a-Orcutta
Zauważmy też, że jeś l i będziemy m i eć do czyn ienia ze skraj nie silną dodat ni ą auto-
korelacją rzędu pierwszego (p 1 bliskie I), to metoda Cochrane'a-Orcutta bę d zie rów-
noważ n a estymacji klasycznej na pierwszych różni cach. tj. z, = ó.y, = y, - y,_,,
.1"1j = Ó. Xrj = X rj - Xr - 1. j dla I = 2, . li , j = ] , . , k.
Przykła d 12. Na podstawie danych tablicy 2.17 oszacować parametry modelu li nio-
wego y 1 = /Jo+ f31x 1 + 8i. u względni ajqc m ożli wość, i ż s kład n i ki losowe są generowane
przez proces autorcgresyjny r.tędu pierwszego.
Tablk a 2.17
2.8 I I.O
5.2 13.1
6.8 14,9
7.2 19.l
8.9 IO 21.0
Żródło:dancumownc
Rozwiąza n ie. Najpierw potraktujmy nasz model jako KM RL i oszacujmy jego para-
metry za pomocą KMNK
I o 2.8
I I 5.2
I 6,8
I 2 7.2
I 3 8.9
x ~ y~
I 4 li.O
5 13. 1
14.9
19 . 1
21.0
b ~ (XTX)-I XTy ~ [ 10 40] - I [ 11 0.0] ~ [ 0.3000 -0,0500] [ 11 0.0] ~
40 240 600.6 - 0.0500 0.0125 600.6
~ [2.9700]
2.0075 .
Wobec tego
S·1 <'r =y1 -)·, „; (e, -e1-1)2
2.8 2.9700 - 0.1700 0.0289

5.2 4.9775 0.2225 0.0495 0. 1541
6.8 -0. 1850 0.0342 0. 1661
7.2 0.2150 0.0462 0. 1600
8.9 8.9925 - 0.0925 0.()086 0.0946
Il.O 11.0000 0.0000 0.0000 0.0086
13.1 13.0075 0.0925 0.0086 0.0086
14.9 15.0150 - 0.1150 0.0132 0.0431
19.1 19.0300 omoo 0.()()49 0.0210
21.0 21.0375 - 0.0375 0.0014 0.0116
i:: 0,1955 0.6687
żnxlło:opmrnwaniewla,;ne
Zatem wariancja resztowa wynosi
S? I
;=~ t
,„ 1 e;
?
= IO - 2
I · 0. 1955 = 0.0489,
a wobec tego błęd y średnie szacunku są n as tę pujące:
D(b) ~ [D (bo) ] ~ [J0 .0244 0. 3000 ] [0.0856]

D (b,) J 0.0244 0.0 125 ~ 0.0175 .
a statystyka Durbina-Watsona (2.39) wynosi·
N
L(e, -e,_i)2
0.6687
d= -
'~-'~-- 3.4153
t~ei
0.1955
i jeśli postawi my hi potezę zerową Ho: P1 =O wobec hi potezy alternatywnej H1: Pi < O,
a odczytane z tabli c testu D-W na poziomie i s t otnośc i a = 0.05 warto ści krytyczne
wy noszą (por. W.H. Greene [60], tablica 7): th = 0,604 oraz du = 1.007, to skoro
d' = 4 - d = 0.5847 < dL = 0,604, to hipo te zę zerową Ho o braku autokorela-
cji rzędu pierwszego należ y odrzu c i ć na rzecz hipotezy alternatywnej H orzekającej 1
istnienie istotnej ujemnej autokorelacj i rzędu pierwszego; zgodne oszacowanie owego

współczynnika au1okorelacji s kładnik ów losowych wynosi·
~
3
.4~
53
P1 = I- = l- = - 0 .7077
J eś l i lak, to
I·J l - (-0.7077)2 o. J l - (- 0.7077) 2 0.7065 0.0000
I- (-0.7077) · I I- (-0,7077) o l .7077 1,0000
I- ( -0. 7077) I 2- 0.7077 I 1.7077 2.7077
I- (-0.7077) · I 2- ( - 0, 7077) 1.7077 3,4 154
I- (- 0, 7077) 3- (- 0. 7077) 2 1,7077 4.4154
S= I- (-0, 7077) 4- (-0. 7077) 3 1.7077 6.1231
I- (-0.7077) · 5- (-0, 7077) l .7077 7.8308
I- (-0.7077) 6- (-0. 7077) 1.7077 9.5385
I- (-0.7077) · I 8- (-0. 7077) l .7077 12,2462
I- ( - 0. 7077) I 9- (-0. 7077) 1.7077 14.6616
2.8. J l - (-0.7077) 2 l.97 82
5,2 - (-0. 7077) 2.8 7, 18 16
6.8 - (-0.7077). 5.2 10.4800
7.2 - (-0.7077) 6.8 12. 01 24
8,9 - (- 0.7077) 7.2 13.9954
I I.O - (-0.7077) 8. 9 17.2985
13.1 - (- 0. 7077) l l.0 20.8847
14.9 - (-0.7077) 13.1 24.1709
19, I - (-0.7077) 14,9 29.6447
2 1.0 -(-0.7077 ) 19.1 34.5 171
a wtedy nowe. uwzgl ę d niające autokorelację s kładników losowych , oceny parametrów
są równe:
b = (STS) - IST = [ 26.7449 105.7727]-' [ 292. 0230] =

z 105.7727 594.221 1 1507.5100
= [ 0.1263 - 0.0225] [ 292.0230 ] = [2.9635 ]
- 0.0225 0.0057 1507.5 100 2.0223 .
a w konsekwencj i
Tablka2.19
e, =y, - )'1 .;
1.9782 2.0937 0.11 55 0.0133
7.1816 7.0831 0.0985 o.cxm
10.4800 10.5366 - 0.0566 0.0032
12.0124 11.9677 0.0447 0.0020
13.9954 13.9900 0.()()54 0.0000
17.2985 17,4435 - 0.1450 0.0210
20.8847 20.8970 - 0.0123 0,0002
24.1709 24.3505 - 0.1796 0.0323
29.6447 29.8263 - 0.1816 0.0330
34,5171 34,7109 -0.1 938 0,0376
i: 0,1523
Źródło: opr~cov•aniewlasne
zatem nowa wariancja resztowa wynosi
I f-.. 2
s'"=~ ~e, =
I
10 - 2
0.1523 ~ 0.0190.
a wobec tego nowe błędy śred nie szacunku są nas t ępujące·
D(b) ~ [D(bo)] ~ [ J0.0190·0.1263] ~ [0.0490]

D(b, ) J0.0190 · 0.0057 0.0104
Jak widać, prą z bliżonych wartościach st:1rych i nowych ocen parametrów struktu-
ralnych nowe błędy śre dnie szacunku parametrów są niż sze od starych, wzrosła zatem,
podobnie jak w poprzednim przy kładzie , efektywność estymatorów parametrów - zo-
stał y one oszacowane z większą precyzją
Zadania
1. Budowany jest model , który ma wyjaśnić k sz tałtowanie s ię wydatków na tury-
stykę i rekreację w pewnej grupie rodzin (Y w z ł na osobę rocznic). Jako potencjalne
zmienne objaśniające rozważane są:
X 1 - prt.:ec iętny roczny dochód na osobę w rodzinie (z ł),
X2 - liczba osób w rodzinie,
X 3 - charakter zatrudnienia głowy rodziny
X 3 = l. gdy g łowa rodziny pracuje na rachunek własny.
X 3 = O. gdy głowa rodziny jest pracownikiem najemnym

W oparciu o zebrane dane obliczono współczy nn iki korell1cji liniowej między
zm1cnnym1 i otrt.:ymano:
0.84] I -0.55 0.62]

Ro=
[- 0.75
0.47 . R=
[
l - 0,42
I
Stosując metodę Hellwiga, należy wybrać optymalną kombinację zmiennych objaśnia
jących do modelu wydatków na turysty kę i rekreacj ę.
2. W biurze podróży „Gama" , które otwarło oddziały w 9 miastach, obserwuje
s i ę znaczne zróżn i cowa n ie obrotów między poszczegól nymi oddziałami. Postanowio-
no więc zb udować model wyjaśniający wielkość obrotów oddzia łu ( Y w tys. zł rocznie).
Jako potencjalne zmienne objaśniające wytypowano
X 1 - p rzecię t ne miesięczne wynagrodzenie mi esz kańców m i ej scowośc i , w której
oddział ma sie dzibę.
X2 - liczba ośrodków wczasowych. z którymi oddział ma kontakty.
X3 - siedziba oddz iału
X 3 = I, gdy siedz ibą oddziału jest miasto wojewódzkie.
X 3 =O , gdy siedzibą oddziału są pozostałe miasta
W oparciu o zebrane informacje obliczono współczynniki korelacji mi ędzy zmien-

nymi, otrzym ując: ro 1 = 0,72, ro2 = 0.80, ro3 = 0.85, r 12 = 0,60, rn = 0,50,
r 23 = 0.40
Stosując metodę Hellwiga wybrać zmienne objaśniające do modelu wyjaśniającego
zróżni cowanie obrotów oddziałów biura podróży
3. Budowany jest model ekonometryczny popytu na pewne dobro (Y w tys. sztuk).

Jako potencjalne zmienne objaśniające brane są pod uwagę
X 1 - pn.:ec i ętny miesięczny dochód na osobę (zł),
X 2 - cena danego dobra (z ł) ,
X 3 - cena dobra substytucyjnego (z ł).
Zebrano dane statystyczne dotyczące tych zmiennych (tablica 2.20).
TablicaZ.20
18 490 6.5
17 600 IO 6
25 690 9 7.5
25 990 8
31 1100
Żró<lło:daneumowne
Wybrać zmienne objaśniające do modelu popytu na badane dobro stosując metodę

Hel\wiga.
4. Jiiko potencjalne zmienne objaśniające modelu zmiennej Y wstępnie zapropono-
wano tr.cy: Xi. X 2 i X 3. Obliczono współczynniki korelacji zmiennej endogenicznej (Y)
z potencjalnymi zmiennymi objaśniaj:1cymi oraz między parami potencjalnych zmien-
nych obja ś niając ych , a następnie indywidualne i integralne pojemności dla siedmiu kom-
binacji zmiennych. ale część obliczeń zaginęła. Pozo stał y następujące wyniki:
H 1 = h11 = 0,64. H 2 = h22 =0,16. H 3 = h n = 0.64.

h41 = 0.40, h53 = 0.40, '162=O,128.
(Zakładamy, że kombinację 4 twom1 zmienne X i X 2 ; kombinację 5 -
1 zmienne
X 1 i X 3 , akombinację6 - zmienne X 2 i X3 )
(a) Uzupełnić brakujące wyniki obliczei'i - obliczyć pojem ności integralne dla kom-
binacji 4-7 i wybrać kombinację o najwi ęk s zej pojem ności.
(b) Dokonać wyboru optymalnej kombinacji zmiennych przy zastosowaniu metody
grafu (przyjąć,-•= 0.28)
5. Wiadomo, że przy lrzech potencja lnych zmiennych objaśniaji1cych: X X 1 , X 3 1 ,
w liniowym jcdnorównaniowym modelu ekonometrycznym integralne pojemności in-

formacyjne dla trzech pierwszych kombinacji są rów ne
H 1 = '111 = 0.7744.
H2 = hn = 0,1936.
HJ = /i 33 = 0,3025.
a wspólczynniki korelacji między potencjalnymi zmiennymi objaśniającymi wynoszą
r1 2 = - 0.60. r1 3 = - 0.35. r 23 =0.44

Wykorzystując metodę Hcllwiga, określić optymalny podzbiór zmiennych objaś nia
jąc yc h .
6. Wiadomo, że przy trzech potencjalnych zmiennych objaśniających: X X 2 , X 3 1 ,
w liniowym jednorównaniowym modelu ekonometrycznym integralne pojemności in-

formacyjne są równe
H 1 = h 11 = 0.4900. H4 = + h42
h41 = O. 7740.
H2 = hn = 0.6400. H5 = h51 + h53 = 0.5313.
H3 = h 33 = 0.3600. Hr.= f162 + h6J = 0.6494.
Wykorzystując metodę Hellwiga, określić optymalny podzbiór zmiennych objaśn i a
j ących.
7. Na podstawie 18 obserwacji na zmiennej objaśnianej Y i 4 potencjalnych zmien-
nych objaśniających (X 1. . X 4) obliczono współczynnik i korelacji między zmienny-
nu' otrqmmw' [ 0' 8 ]
I - 0,40 0,55 0.40]
Ro~ ~~7' R ~ I - 0,45
l
- 0.40
0.45
[
0.8 I
Wybrać optymalną kombinację zmiennych objaśniających do modelu ekonometryczne-
go S IO SUJąC
(a) metod ę Hcllwiga,

(b) metodę grafu (przy 11 = 18 obserwacji i a= 0.05; la= 2. 10 1. r" = 0.46).
8. Jako potencjalne zmienne objaśniające dla zmiennej Y zaproponowano wstępnie
trzy: W, X. Z. W oparciu o obserwacje na tych zmie nnych obliczono współc z ynn i k i
korelacji między nimi i otrzymano
r y.w =0.7, r y„< = - 0.8. rJ' .~ = 0.6. r w ..• = - 0.4.
rw.z = 0,60. rx.~ = - 0.5
Wy brać o ptymalną kombinację zmiennych objaśniających dla zmiennej Y:
(a) stosuji1c me t odę Hellwiga,
(b) s tos ując metodę grafu, prLy r • = 0.50.
9. Na podstawie 30 obserwacji na zmien nej objaśnianej Y i 7 potencjalnych zmien-
nych objaśniających (X 1. . X 7) obliczono współczynniki kore lacji między zmienny-
mi 1 otrzymano
0.85 I 0.30 - 0.17 - 0.50 0.38 0.16
"']
0.60 - 0.44 - 0.27 0.20 0.51 0,43
- 0.70 0.30 - 0.38 - 0.32 - 0.45
Ro = - 0.44 R= I - 0.36 - 0.28 - 0.31
0.54 0.30 0,31
0.40 I 0.18
0.47 I
(a) Stosując metodę grafu wybrać zmienne objaśniające do modelu ekonometryczne-

go. Weryfikację i s totności współczyn n ików korelacji przeprowadzi ć na poziomie istot-
ności a= 0.05
(b) Dla kombinacji optymalnej obl iczyć integralną pojemność nośn ików informacj i.
IO. Na podstawie 15 obserwacji na zmiennej objaśnianej Y oraz 4 potencjal-
nych zm iennych objaś n iających (X 1 •••• X4 ) obliczono współczynniki korelacji mi ędzy
zmiennymi (zestawione w wektorze Ro i macierzy R)·
Ro - [ -g~~]
- 0.60 '
R -[ I
-
-~.45 _g~~ _g!~]
I 0.49 .
~M I
Wybrać optymalną kombinację zmiennych objaśniających do modelu zmiennej

(a)
Y stosując metodę
grafu, j eże li r• = 0.5 l (d la 11 - 2 = 13 i a = 0.05; fa = 2, 160).
(b) Czy optymalna kombinacja będzie taka sama, jeżeli weryfikację współczynni
ków korelacji przeprowadzimy na poziomie i stotności a = O. IO Cta = 1.771; r• =
= 0.44)
l
(c) Obliczyć integralną pojemność nośników informacj i dla kombinacji optymalnej
w obydwu przypadkach.
li. Dane są:
I - 0.44 0.12 0.50 0.35 0.22

- 0.45]
0.30 1 - 0.35 - 0.30 - 0.20 - 0.42
0,49 R= I 0,30 0. 38 0.19 .
Ro= 0.70 . l 0.26 - 0.41
[ 0.58 [ I 0.27
0,60 I
(a) Który z grafów przedstawionych na rysunku 2.7 zbudowano na podstawie poda-

nej macierzy R.j eże li r• = 0,38?
(b) K1óre zmienne należy wybrać do modelu ekonometrycznego jako zmienne obja-
śn iające?
(c) Obliczyć int egra l ną pojemność noś ników informacji H (s t osując metodę Hc\lwi -
ga) dla optymalnej kombinacji zmiennych
~M~
, cx,
~ cb-------8 x, x,
0-------G 0 0 X; X;
Rys unek 2.7. Graf powiązań między potencjalnymi zmiennymi objaśniającym i
12. Na podstawie analizy grafu (rysunek 2.8), odzwiercied l ającego zal eż nośc i mi ę~
dzy zmiennymi kandyd ującym i do roli zmiennych objaś ni ających , d okonać wyboru
optymalnej kombinacji , wiedząc ponadto, że: lro2I < lrMI < lrm l < lr06I < lrosl <
< lroil < lr01I
Rysunek 2.8. Graf powiązań między potencjalnymi zmiennymi objaśniającym i
13. W pewnej firmie wprowadzającej na rynek nowy wyrób postanowiono zb ud ować

model wyjaśniaj ący zależność wiel k ości s przedaży (Y w tys. sztuk) od testowanej ceny
tego wyrobu (X 1 w zł ) oraz wydatków na promocję i rek.Jamę wyrobu (X 2 w tys. zł)
W oparciu o podane w tablicy 2.2 1 dane obliczono współczyn niki korelacji między
zmiennymi i otr.cymano·
-0. 98] R~ [ I -0,90]

Ro= [ 0.86 . - 0.90 I
(a) Wybrać optyma ln ą kombin ację zmiennych obj aśn i ających do modelu, stosując
metodę Hellwiga
(b) Osza cować parametry modelu liniowego z wybranym i zmiennym i objaś ni a
jącymi
(c) Zweryfikować s tatys tycz ną istotność otrzymanych ocen parametrów Cto_o5:4 =

~ 2,776).
(d) Zinterpretować otrzymane wyniki
Tablica2.21
15 20
16 20
19 30
14. Wła śc i c i el małej firmy produkcyjnej pos tanowił zbudować model wyjaśniają
cy ksz tałtowani e s i ę indywidualnej wydajności pracy nowo przyjętych pracowników ( Y
w setkach szruk na mie s iąc) . Jako potencjalne zmi enne objaś niające przyjęto:
X 1 - s taż pracy (miesiqce),
X 2 - liczba osób na utrzymaniu,
X 3 - dodatkowe źródło doc hodu
X 3 = I, gdy pracownik ma dodatkowe źród ł o dochodu (np. d z i ałk ę zapew-
niającą żywność),
X 3 = O, gdy pracownik nie ma dodatkowego źródła dochodu .
Zebrano niezbędn e dane zestawione w tablicy 2.22
Tablica2.22
8,7
9.4
11.5
14.3
15.6
16.7
2 1.6 IO
Obliczono współczynniki korelacji między zmiennymi i otrzymano
0.99] I 0.67 - 0.44]

Ro= 0,61 . R= I - 0,36 .
[ [
- 0.49 I
(a) S t osuj ąc metodę Hellwiga wybrać op t ymalną kombinację zmiennych objaśniają
cych do modelu indywidualnej wydaj n ości pracy.
(b) Oszacować parametry modelu liniowego z wybranymi zmiennymi objaśnia
jąc ym i
(c) Zweryfikować s tatys tyczną i sto tn ość otrzymanych ocen parametrów (1o.os: 4 =
= 2, 776, lo.OS;S = 2,447).
(d) Zinterpretować otrzymane wyniki
15. W pewnej firmie zrzeszającej 6 zakładów produkcyj nych postanowiono zbadać
zależność zespoł owej wydaj n ośc i pracy ( Y - prlccictna wa rt ość produkcji w tys. zł na
I zatrndnionego) od czynników, które mogą wpływać na t ę wydajność
Wy róż nion o 3 potencjalne zmienne objaś n iające
X 1 - liczba zatrudnionych w za kładzi e (dzies iątki osób),
X 2 - techniczne uzbrojenie pracy (wa rtość m ajątku trwałego prtypadająca na l
zatrudn ionego w tys. z ł) ,
X 3 - nakład y na m od e rn izację maszyn i urządzeń poniesione w roku poprzednim
(w tys. zł).
Zebrano niezbędne dane (tablica 2.23), w oparciu o które obliczono współczy nnik i
korelacji li niowej mi ędzy zmiennymi i otrzymano
ro 1 = - 0,95, r 02 = 0.92. r 03 = 0,89.
r1 2 = - 0,77, /"13 = - 0.90. r 23 = 0.77.
Tablica 2.23
Zakł:id
"'
_l't
10 10 20
14 7 30
16 30
19 30
21 30
ŻTód ło:dancumowne
(a) Metodą Hellwiga wybrać op ty maln ą kombinacj ę zmiennych objaśniających do

modelu wyjaśniającego zespołową wydaj n ość pracy.
(b) Oszacować parametry modelu liniowego z wybranymi zmiennymi objaś nia-
jącymi
(c) Oce ni ć dopasowanie modelu do obserwacji empirycznych (weryfi kacja)

(d) Przeprowad zi ć analizę otrzymanych wyników
16. W pewnej firmie postanow iono zbudować model wyjaś ni ający za l eżność mi ę
dzy:
indyw i dualną wydajnością pracy nowo przyjętyc h pracowników ( Y w sztukach na
miesiąc),
staże m pracy (X 1 w mi es i ącac h) ,
wykształceniem pracownika (X2)
X1 = I. gdy pracownik skmkzy ł szkoł ę zawodową.

X2 =O. gdy pracown ik nie ma wykształc e n ia zawodowego
W oparciu o podane w tablicy 2.24 dane
Tablica2.24
Pracownik Jr
17
21
22 10
(a) Oszacować parametry strukturalne i struk rnrę stoch astyczną modelu li niowego·
Yr = ao + a1X11 +a2X12 + E:1
(b) Dokonać weryfikacji modelu (istotność ocen parametrów strukturalnych, w ł a
s n ościreszt)
17. Na podstawie zawartych w tabli cy 2.25 danych
)"1 12 21 26 27 34
żrói.Jło:daneumowne
(a) Oszacować parametry strukturalne model u Y1 = ao + a 1 X 1 +Er i zinterpretować

otrzymane wyniki.
(b) Oszacować parametry struktury stochastycznej (S~, V, . rp 2, D(a j)) i zinterpreto-
wać otrzymane wyniki
(c) Zbadać statystyczn ą istot n ość otrzymanych ocen parametrów ( to.05: 1 = 12.706,
to.ou = 4.303 , to.o5:3 = 3. 182, to.o5:-t = 2.776).
18. Na podstawie zawartych w tablicy 2.26 danych
Tablica2.26
Całkowite koszty produkcji y1 (tys. zł) 15.0 16.0 18.0 18.0 19.S 20.0
Wie!kośćprodukcjixr (tys.sztuk) O,S l.S 2.0 2.S 2.S 3.S
Żródło: d~ne umowne

(a) Oszacować paramelry strukturalne i struktury stochastycznej modelu cał kowi
tych kosztów produkcji: Y1 = a X 1 + a 2 + e1 •
1
(b) Zbudować przedział ufności dla jednostkowego kosztu zmiennego (a 1 );
ro.o5: 4 = 2. 776.
(c) Na poziomie is t otności a = 0.05 zweryfikować hipotezę , 7..e jednostkowy koszt
zmienny jest równy 1.6
19. Na podstawie danych
xx ~ 35
T [ 5 25535] · Xy
T
~ [ 63]
428'
(a) Os zacować parametry strukturalne modelu Y1 = a 0 + a 1 X 1 + e 1 •
(b) Oszacować parametry struktury stochastycznej (Se. V~ . R 2 • D(a1 ))
(c) Zbadać s taty s tyc zną istotność otrzymanych ocen parametrów Uo.os: i = 12.706,
to.os:2 = 4.303, 10.05:3= 3.182, to.osA = 2.776)
(d) Wyznaczyć przedziały ufności dla parametrów (I - a = O. 95).
20. Na podstawie zawartych w rnblicy 2.27 danych
Il 15
i wiedząc , że
6 -2 ]
(XTX)- 1 = - 0.5 0.05 0.15
[
0.75
(a) Oszacować parametry strukturalne modelu Y1 = a 0 + a 1X 11 + a 1 X,2 + e 1
(b) Os zacować parametry struktury stochastycznej (Se. Vr , R 2. D(aj ))
(c) Zin terpretować otrzymane w (a) i (b) wyniki
(d) Zbadać s tatystyczną istotnoś ć otrLymanych ocen parametrów (to.o5: 1 = 12. 706,
r0 .o5: 2 = 4.303, 10•05 : 3 = 3.182, r0.o5:4 = 2.776)
(e) Wyznaczyć pri:edzialy ufności dla wspólczynników regresji.
x„x = [4~ 3~g 1;~]. XTy= [7~~].

22 130 84 250
(a) Oszacować parametry strukturalne modelu liniowego Y1 = ao+ a1X 11+a2Xr 2 +
+e,.
(b) Wyznaczyć przedziały ufnośc i dla wspólczynników regresji (na poziomie ufności
0,95 ; to.05,3 = 3, l 82, to.oH = 2. 776)
(c) Zweryfikować sta ty stycz ną istotność otrzymanych ocen parametrów

(d) Obliczyć i zi nterpretować wartość współczynnika determinacji R2
22. Na podstawie danych:
XTX = [4~ 2:g 3~], (XTX)-' [I -g~2

=
- 0.4 ]
5 30 5 - 0,02 0.72 .
XTy::::: [~~~]- yTy= 3767

I 16
(a) O szacować parametry strukturalne modelu Y1 = fio + /31 X11 + f32Xr2 + s,.
(b) Zbadać s tatystycz ną istotność otrzymanych ocen parametrów (ro.os:J = 3.1 82,
to.05:4 = 2, 776)
(c) Obliczyć i zin terpretować wartość współczynnika determinacji R2
23. Na podstawie danych:
7 12 2
x Tx = [ 1i~ J. x Ty = [ 2195 ] . b= [- · ].
50 510 460 1810
36.24 0.03]
L y~ = 7463. cx Tx )- 1 =
[
-3,58 o.36 -0.0 1 .
O.Ol
dotyczących liniowego modelu regresji Y, = f3o + /31Xr1 + f32X 12 + s,
(a) Uzupełnić brakujące dane (wypełnić puste miejsca).
(b) Zbad ać statys 1yczną is1otność ocen parametrów (to.os: = 12. 706: Io.os: z = 1
= 4.303: lo.os:J = 3.182; to.os:4 = 2.776; Io.os:s = 2.571)

(c) Obliczyć i z int erpretować współczynnik zm i en ności rcsztowcj V~ .
(d) Obliczyć i zinterpretować współczynnik determi nacji R1
7 50 20] [ 8 0.5 ]
x Tx = 50 480 160 . 1x Tx 1= 400. cx Tx )- =1
o.os
[ 20 160 60 -4 - 0.3 2. 15 .
XTy= [1i~l yTy =4843
(a) Oszacować parametry strukturalne modelu Y, = a 0 + a 1X.i + a 2 X 12 + s,.

(b) Obliczyć i zi nterpretować wartość współczynnika determinacji R 2
(c) Zbadać statystyczną i stotność otrzymanych ocen parametrów (to,o5:4 = 2.776,
fo.10:4= 2,132)
(d) Zbudować 95 %-owe pr.tedziały ufności dla parametrów stru kturalnych.
(e) Zweryfikować następujące hipotezy dotyczące parametrów strnkturalnych:
• a = - 2,2.
1
• 2a1 + a 1 =O,
• ao+a1 + a 2 = 31.
25. W pewnej firmie postanowiono zbudować model wyjaśniający zm ienność wiel-
kości sprzedaży wprowadzanego na rynek wyrobu (Y w tys. sztuk). Jako potencjalne
zmienne objaśniające przyjęto
X 1
testowaną ce n ę tego wyrobu (w zł) zmieni:mą w kolejnych mies iącach sprze-
-
daży,
X2 - fakt czy w danym miesiącu firma przezm1czała pewną stah1 k wotę na promocję
i reklamę tego towaru
X 2 = I, gdy firma ponosiła wydatki na promocję i reklamę,
X2 =O, gdy w danym miesiącu wydatków takich nie ponoszono,
X3 - śred ni ą ce nę podobnego wyrobu produkowanego przez konkurencję (w zł)
Zebrane dane zamieszczono w tablicy 2.28.
Tablic:a2.28
x,3
28.5 20
29.0 18
3 29.5 17 20
28.5 15 21
27.5 15 20
6 32.5 14 20
7 34.5 Il
Żcódło:dancumownc
W oparci u o zebrane dane obliczono współczy nniki korelacji liniowej międ zy

zmiennymi, które przedstawiono w postaci wektora Ro (ws półczyn niki korelacji zmien-
nej objaśn i an ej z potencjalnymi zmiennym i objaśniającymi) i macierzy R (współ czyn
niki korelacji między parami potencjalnych zmiennych objaśniających)·
-[-0.72]
Ro - 0.54 . R-
-[' 0.17
I
-0.37]
-0.82
0.38 I
(a) Stosując metodę Hellwiga. wybrać optyma ln ą kombinację zm iennych objaś n ia
j ących do modelu popytu (sprzedaży)
(b) Oszacować parametry (strukturalne i struktury stochastycznej) modelu liniowego
z wybranymi zmiennymi objaśn i ającymi.
(c) Oce n ić zgodność modelu z danymi empirycznymi.
(d) Zweryfikować s t atystyczną istotność ocen parametrów strukruralnych (ro.os: 3 =
= 3. 182, t0.o5:4 = 2.776. 10.05 :5 = 2.571) i wyznaczyć dla ni ch 95 %-owy przedział
ufności.
(e) Jeśli dopasowanie modelu do obserwacj i jest dobre, zinterpretować otrzymane
wyniki
(f) Zweryfikować hipote zę, żeponoszenie wyd<1tków na promocję i reklamę wyrobu

zwicksza miesicczną s przedaż prLeciętnie o 4 tys. sztuk
26. W pewnym przedsiębiorstwie wielozakładowym budowany jest model zespo ło
wej wydajności pracy ( Y - waność produkcji przypadająca na jednego zatrudnionego
w tys. z ł ). Jako zmienne objaśniające przyjęto:
X 1 - liczba zatmdnionych w zakładzie (dzies iątki osób),
X 1 - techniczne uzbrojenie pracy (waność majątku trwałego w tys. zł na jednego
zatrudnionego)
Maj ąc dane dla wylosowanych 7 zakładów zawarte w tablicy 2.29
Tablica2.29
Zaktud y, I x,1
42
38
31
29
27
25
7..r6dło:da11eumow ne
(a) Oszacować parametry strukturalne modelu liniowego Y1 = a0 +a 1 Xri +a2 X12 +

+s,.
(b) Ocenić dopasowanie modelu do obserwacj i w oparciu o wartość współczynn ika
zmienności resztowej V~ i współczynnika determinacji R 2
(c) Zweryfikować hipote zę, że przynajmniej jedna zmienna objaśniająca istotnie
wpływa na zm i enną endogenicz ną (test F)
(d) Zweryfikować st atystyczną istotność ocen parametrów strnkturalnych (ro.05:3 =
= 3. 182, to.05;.i = 2. 776, to .055 = 2.447).
(e) Zweryfikować (na poziomie istotności a = O.OS) hipotezę. że wzrost liczby za-
trudnionych o I Oosób Uednostkę) powoduje spadek wydajności zes połowej o 1,4 tys. z ł
27. W pewnej firmi e postanowiono zbadać zal eż ność między indywidualną wydaj -
nośc i ą pracy nowo przyjętych pracowników ( Y -w sztukach na mi esiąc) a
s ta żem pracy (X w miesi:1cach),
1
wykształceniem pracownika (X 2)
X1 =I, gdy pracownik sko ń czy ł szkołę zawodową,
X 2 = O, gdy pracownik nic skończy ł szkoły zawodowej (nic ma pr1.ygotowania
zawodowego)
Tablica 2.30
Zakład y1
15
16
18
21
22 IO
W oparciu o podane w tablicy 2.30 dane i wi edz:1c, że:
6 30 5] 6 - 0.5 - 4 ]
XTX = 30 200 20 . (XTX)- ' ~ - 0.5 0.05 03
[ [ -4 0. 3 3.
5 20 5
(a) O sz acować p:1rametry strukturalne modelu lini owego Y, = a 0 +a 1 X11 +a2Xr2 +
+e,
(b) Zweryfikować s tat ystyczną i s t ot ność otrzy manych ocen parametrów
(c) Oce ni ć dopasowanie modelu do obserwacji w oparciu o waność współczy nnika
determinacji
(d) Zinterpretować otrzymane wyniki (parametry strukturalne).
28. Pewien producent kosmeryków, roz prowadzający kosmetyki za pośrednictwem
konsultantów. zbudował model wyjaśniaj<icy zależność wydajnośc i konsultantów wyra-
żo n ej roczną wartością s prt.:c da ży (Y w tys. zł) od :
X 1 - s tażu pracy w finnie (lata),
X2 - przygotowani a zawodowego
X 2 = I. gdy kon sultant ukończy ł cyklu szko l e ń organizowanych pr.rez flm1 ę,
X 2 = O. gdy konsultant nie u czes tni czy ł w szkoleniach,

X3 - posiadania dodatkowego źród ła dochodów
X 3 = I. gdy pracownik ma dodatkowe źródło dochodów,
X 3 = O. gdy pracownik nie ma dodatkowego źródła dochodów.
Wykorzys tując zestawione w tablicy 2.3 l dane, otrzymano nas tępujące wyniki
)", = 18. 14 + L 39x11 + 3.89x, 2 ~ l.90x, 3 •
(1.33) (0.11) (0.96) ( 1.05)
,\"; = 0,9 17. R 2 ~ 0.9886. Vr = 3, 19%.
Na le ży poddać model weryfikacji i - o ile zachodzi potrzeba - dokonać jego ko-
rekty.
Tahlica2.31
Konsuhant y1
21
27
25
36 IO
39 15
Żródło: daneumowne
29. Mając na stę pujące dane:

8 50060 40060] . 160]
XTX =
[60
60
400 560
XTy =
[1024
1340 .
yTy=3624
1. Oszacować paramelry strukturalne modelu Y1 = ao+a 1X 11 +a2 X 12+e1 wiedząc,
że macierz algebraicznych dopełnień macierzy XTX jest nastę pująca
120000 - 9600 - 6000]

- 9600 880 400
[
-6 000 400 400
2. Oc en i ć dopasowanie modelu obserwacj i obliczając wart ość współczynnika z bi eż
n ości rp 2
3. Na poziomie i s totno śc i a = 0.05 zweryfikować nas tęp uj ące hipotezy dotyczące
parametrów modelu
(a) że każdy z parametrów strukturalnych jest statystycznie istotny,
(b) że jednostkowy wzrost X powoduje wzrost Y śre dni o o 2,5,
1
(c) że suma wszystkich parametrów modelu jest równa 1O

30. W oparciu o poni ższe informacje:
X~ ~ ~. ~ [~1]
8 3
IO 3
I . y
25
29
l 15 4 32
I. O szacować parametry strukturalne model u liniowego Y1 = fJ 0 +f3 1 X11 +fhX 12+e 1•
2. Oce ni ć dopasowanie modelu do obserwacji w oparciu o wartość współczynnika
determinacji R2 •
3. Podać błędy śred ni e szacunku parametrów i zweryfikować następujące hipotezy
dotyczące parametrów:
(a) przynajmniej jedna zmienna objaśniająca istotnie wpływa na z mi enną endoge-
mczn:1,
(b) wpływ każdej zmiennej objaśniającej na zmien n ą e ndogeniczną jest statystycznie
istotny,
(c) jednostkowy wzrost X 2 powoduje spadek Y ś rednio o 2,5 jednostki.
(d) jednostkowy wzrost obu zmiennych objaś niających powoduje wzrost Y o około
5 jednostek.
4. S pra wdzić, czy reszty modelu
(a) mają charakter losowy,
(b) nie wykazują autokorelacji.
(c) mają rozkład normalny (współczyn niki a do testu Shapiro-Wilka dla a = 0,05
i l i = 7: 0,6233, 0,3031, 0,401, 0,0000).
31. W pewnej firmie postanowiono zbadać zal eżność odsetka braków wytwarzanych
pri:ez nowo prąjętych pracowników (Y w % li czby wytworzonych wyrobów) od:
X 1 - stażu pracy pracownika (w miesiącach),
X 2- płci
X 2 = 1 dla mężczyzn,
X 2 =O dla kobiet
Tablica2.32
Pracownik Yt X11
22
20
18
18
16
13
L 119 20
Żffidło: daneumowne
W oparciu o podane w tablicy 2.32 dane i wiedząc, że
80 IO 20]
XTX = 10 5 5 .
[
20 5 7
I Oszacować parametry strukturalne modelu liniowego Yr = a 1 X, 1 + a 1X 11 + c,
i błędy średnie ich szacu nku. Zinterpretować otrzymane oceny parametrów struktural-
nych.
2. Zwery fikować (na poziomie i stot nośc i 0.05) na s tępujące hipotezy dotyczące pa-
rametrów strukturalnych
(a) żadna za zmiennych objaśniających nie wywiera istotnego wpływu na zmienną
e nd oge ni czną (odsetek braków),
(b) wpł yw s tażu pracy ( X 1 ) jest statystycznie niei stotny,
(c) odsetek brnków wytwarzanych przez m ężczyzn jest przeci ętnie o dwa punkty
procentowe większy ni ż prtez kobiety.
32. Na podstawie danych tablicy 2.33
Tublica2.33
X11 I .r,2
'"
I IO I IO
2 li 2 li
3 13 3 IO
4 18 4 8
5 23 6 5
6 25 7 7
7 30 8 4
8 30 9 5
l.: 160 4-0 60
(a) Oszacować parametry strukturalne model u liniowego Y1 = ao + a1Xr1 +a2 X 1 2+

+ t 1 oraz błędy ś redni e ich szacunku, w i edząc
ponadto, że:
16. 875 - 1.250 - 1.400]

(XTX)- 1 ~ - 1.250 0.100 0.100 .
[
-1.400 0.100 0.120
(b) Zweryfikować s tat yst ycz ną i st otn ość parametrów strukturalnych

(c) Zweryfikować hipotezę, że suma współczynników regresji (a 1 + a 2) jest równa
zern
(d ) Czy reszty modelu maj ą rozkład normalny i nic wykazują a utokorelacji ?
33. W pewnej szkole wyższej postanowiono zbadać za leżność wyników w nauce

studentó w (liczba punktów uzyskanych ze sprawdzianu w skali od I do IO - Y) od
X 1 - liczby nieo becno ści na zajęc iac h ,
X 2 - liczby zadań rozwiązan yc h w ramach przygotowania do sprawdzianu
Wylosowano 8 studentów - wyniki przedstawiono w tablicy 2.34
Tablica2.34
4.5
9.5
9.5
5.5 10
L 60,o 40 60
Żródło:dane umowne
(a) Oszacować parametry s1rukturalne modelu liniowego Yr = a 0 +a 1X11 +a2 X, 2 +

+e 1, mając dane zawarte w tablicy i wiedząc. że:
8 40 60] 1.875 0.25 ]

xTx = [
40 260 350 . (X TX ) - 1 =
[
0.10
60 350 500 - 0.40 - 0. IO 0.12
(b) Ocenić dopasowan ie modelu do obserwacj i (w oparciu o Ve i R2 ).
(c) Zwe ryfi kować statystycz ną i stot ność otrzymanych ocen parametrów strukt ural-
nych (to.05:5 = 2,571, łu, 10: 5 = 2.015).
(d) Zinterpretować parametry oszacowanego modelu.
(e) Zbudować 95%-owy przedziały ufności dla współczynników regresji (a 1 i a 2 )
(f) Na poziomie istotności 0,05 zwe ryfikować następujące hipotezy:
• że każda nieobecność obniża liczbę punktów ze sprawdzianu średnio o 2,
• że każde rozwiązane zadanie zwiększa li czbę pu nktów pr.a:ciętnie o 2.
34. W oparci u o podane w tablicy 2.35 informacje
Tablica 2.35
_l'r 36 40 45 46 53 55 62 63
5 IO 12 15 16 18 20 24
Ż ród ło:daneumown~
(a) Oszacować parametry strukturalne modelu liniowego Y, = a 0 + a 1X, + e1

(b) Ocenić dopasowanie modelu do obserwacji w oparciu o wartość współczynnika
determinacji R2
(c) Zweryfi kować statystyczn ą istotność otrzymanych ocen parametrów.
(d) Zbadać włas nośc i s kładnika losowego: l osowo ść reszt, brak autokorelacji , nor-
maln ość rozkładu. Czy c iąg reszt nasuwa podejrzenie, że wariancja skł ad nika losowego
jest niejednorodna?
35. W pewnej firmi e postanowiono zbadać zależność indywidualnej wyd:1jności pra-
cy nowo przyję tyc h pracowników ( Y w tys. szwk mies i ęczn i e) od
X 1 -stażu pracy w mi es i ącach ,
X 2 - wykształcenia
X 2 = I, gdy pracow nik s kmk zy ł szkołę zawodową,
X 2 =O, gdy nic ma wykształcenia zawodowego
Pmcownik y,
17
23
26
28
30 10
W oparciu o zestawione w tablicy 2.36 dane oszacowano parametry strukturalne

modelu liniowego Y 1 = ao + a1 X11 + ct2Xr2 + E1 i otrzymano:
[
" ~ I~~],
3, 0
(XTX ) - I =
[
- 0,3
-3
4 - 0,3
0,03
0,2
-3
0, 2
2,5
]
,
I. Ob li czyć i zi nterpretować odchy lenie standardowe resztowe Se.

2. Obli czyć wart ośc i ws półczynnika zmienności resztowej Ve ornz współczynnika
dc1em1inacji R 2 i w oparciu o nie ocenić dopasowanie modelu do obserwacji empirycz-
nych.
3. Zweryfikować statys1 yczną i stot ność otrzymanych ocen parametrów struk!Ural-
nych (na poziomie i s totności 0.05 lu = 2. 776, na poziomie i stotnośc i O, IO lu = 2, 131)
4. Z int erpretowa ć parametry strukturalne oszacowanego modelu .
5. Zwe ryfi ko wać hipotezy·
(a) że wydaj n ość pracownika zaczy nającego pracę (staż X = O) bez wykształ cenia
1
zawodowego (X 2 = 0) wynosi ś rednio 10 tys. sz tu k/miesiąc,

(b) że wydajność pracownika, który s kończy ł szko łę z awodową jest (przy takim sa-
mym stażu X 1) o 4,5 tys. sztuk mi es i ęcz ni e wyższa od wydajności pracownika, który nic
s kmk zy ł szkoł y,
(c) że wpływ wy k sz t ałcenia na wydajność pracy jest dwukrotnie si lniejszy ni ż s tażu .
36. W oparciu o podany w tablicy 2.37 szereg czasowy, przedstawiający produkcję
pewnego przedsiębiorstwa ceramiki budowlanej (Y w mln umownych jednostek ccgł o
wych) w latach 1999- 2008 oszacowano l iniową fu n kcję trendu 67 : Y1 = a 0 + a 1t + e1 ,
gdzie I = I. 2, .... I O i otnymano:
a= [;:; l s; = 1.825, D(ao) = 0.923. D(ai) = 0.149. rp 2 = 0.028.
Tablica2.37
S·1
1999 4.7 0.3

2000 7.2 0.8
2001 9.5 9.7 -0.2
2002 12.2 -0.2
2003 14.7 0.3
17.2 -1.2
2005 -1.7
2006 24 22.2 1.8
2007 23 24.7 - 1.7
2008 29 10 27.2 1.8
i:: 159.5 159,5 0,0
Żródło:dancumo"·nc
(a) Zweryfikować stat ystyczną istotność ocen parametrów strukturalnych

(b) Zbadać własności reszt: lo sowość, brak autokorelacji, homoskcdastyczność , nor-
mal ność rozkładu
37. W pewnej małej fi rmie oszacowano (w oparciu o podane w tablicy 2.38 dane) pa-
rametry strukturalne modelu liniowego Y1 = a 0 +a 1X, 1+a 2 X,2 +e1 • który ma wyjaśnić
kształtowanie s i ę odsetka braków wytwan.:anych pn.:ez nowo przyjętych pracowników (Y
w % wytworzonej produkcji). Jako zmienne objaśniające przyjęto·
X 1 - staż pracy (miesiące).
X2 - liczba dni prtcpracowanych w miesiącu w warunkach szkodli wych dla zdro-
wia (hała s)
Otrzymano:
a~ [~i~].
1.65 - 0.25 - 0,8 ]
(XTXJ- 1 ~ - 0.25 0.05 O. I .
[
1.8 - 0.8 O. I 0.55
67 Funkcje trendu są przedmiotem rozdziału 4. Najogólniej zmierm;\ objaśniającą jest w nich tzw. zmienna
c~suwa 1. k16rn najczęgc iej prt.yjmuje wanuki kolejnych lic zb naturnlnych. odpuwiad:ti•icych kolejnym
okresom czasu
Tablica2.38
Pracownik )'/
18
16
10
7
Żr&lło:dancumo"·nc
(a) Zweryfikować statystyczną istotność otrzymanych ocen parametrów (10

~ 2.776)
(b) Ocenić dopasowanie modelu do obserwacji.
38. W oparciu o zawarte w tablicy 2.39 dane:
Tablka2.39
7 10
)'1 13 16 18 20 21 25 27
Żródło:daneumownc
(a) Oszacować parametry strukturalne linowej fu nkcji regresji Y1 = ao + a 1 X 1 + E 1.

(b) Zweryfikować statystyczną i stotność ocen parametrów strukturalnych
(c) Ocenić dopasowanie modelu do obserwacji w oparciu o wartość współczynnika
determinacji R2 •
(d) Zweryfi kować hipotezy d o1yczące składnika losowego: l osowość, nonnalność
rozkładu, brak autokorelacji. Ile wynosi współczynnik autokorelacji reszt? Czy zasadne
jest badanie homoskedastyczności?
39. W oparciu o podane w tablicy 2.40 dane o wielkośc i produkcji pewnego prLcdsic-
biorstwa (x, w tys . sztuk) i o jednostkowym koszcie produkcji (y1 w tys . zł) oszacowano
parametry liniowej funkcji regresji y1 = ao + a 1x, + s, i otrzymano
a~ [ JO.O l· (X' X)- ' ~ [ I.OOO - O.OSO]

-0.6 -O.OSO 0.003
(a) Zweryfikować sta tyst ycz ną istotność ocen parametrów strukturalnych.
(b) Podać 95%-owy przedział ufności dla współczynnika regresji
(c) Zweryfikować hipotezy dot yczące sk ładnika losowego, a mianowicie że
• nie występuje autokorelacja,
• reszty mają rozk ład losowy.
• rozkład reszt jest rozkładem normalnym (współczy nniki do testu Shapiro--
- Wi lka dla n = 6 wynoszą: 0,6931; 0,2806; 0,0875).
Tab lic:t2.40
27
24 12
22 16
20
28
Żródło: dane umowne
40. W oparciu o zawarte w tabli cy 2.4 I dane o wydatkach na od zież i obu wie ( Y
w dzi es iątkac h zł na osob ę mi es ięczni e) i dochodach (X w setkach zł na osobę mi esi ęcz
ni e) w pewnej grupie rodzin oszacowano parametry modelu liniowego i otrzymano:
91 = 9. 60 + 0, 8Xr . (,xT,xi- • ~ [ - 0.438

0.026
- 0.026 ]
0.002
(rodzi na)
- 1.80
13 - 1.40
1 - 1.20
18 J,20
20 10 2.40
20 0.80
23 16 0.60
I.OO
0.40
- 2.00
0,00
Źtódło: danc umownc
(a) Zweryfi kować stat ys t yczn ą i s t o tn ość otrzymanych ocen parametrów.

(b) Zbudow ać 95 %-owy przed zi ał ufn ośc i dla ws pó łc zy nnika regresji. Zwery fikować
hi po l ezę , że wzrost przec i ętnego mi es i ęcz n ego dochodu o j edn ostkę ( 100 z ł) powoduje
wzrost wydatków na odz i eż i obuwie o 12 zł ( 1,2 dziesi<1tki z ł ), czyli hipo tezę Ho: a1 =
J. 2wobec H 1 :a 1 f. 1. 2.
(c) Zweryfikować hipotezy do tyczące składnika losowego (reszty modelu podano
w ostatniej kolumnie tablicy 2.41 ), a mianowicie że:
• nie występuje autokorelacja.
• reszty mają rozkład losowy,
• rozkład reszl jest rozkładem nom1a\nym (współczynniki do testu Shapiro-
- Wi lka dla 11 = 10 wy n oszą : 0.5739; 0,3 29 1; 0,2 141; 0,1224; 0.0399)
41. W oparciu o podane w tablicy 2.42 dane oszacowano parametry strukturalne
modelu liniowego i otrzymano
a= [ 1.26 ·
4.0 l (X TX ) - ' ~ [ 0.5000
-0. 0250
- 0,0250 ]
0.0015 .
s; = 6.16.
W tablicy podano także wartości teoretyczne i reszty modelu
Tablica2.42
11.56 - 0.56
14 14.08 - 0.08
15 14.08 0.92
13 20 20.38 - 0.38
15 22 22.90 - 0.90
22.90 -0.90
24.16 1.84
29 26.68 2.32
30 27.94 2.06
10 24 30 34.24 - 4.24
26 33 36.76 - 3.76
12 32 48 44.32 3.68
l.: 200 300 J00,00 0,00
Żródło: dancumowne
(a) Zweryfikować sta t ys t ycz ną istotność ocen parametrów struktural nych.

(b) Ocenić dopasowanie modelu do obserwacji w oparciu o wartość współczynnika
zbie ż n ośc i 2
({! .
(c) Sprawdzi ć, czy są s pełni one założen ia KMNK dotyczące s kładnika losowego -
stałość wariancji i brak autokorelacji.
(d) Zweryfikować h ipotezę, że rozkład reszt jest rozkładem normalnym (ws półczy n
niki do testu Shapiro-Wilka dla 11 = 12 sq równe: 0,5475: 0,3325; 0,2347; 0,1586;
0,0922; 0,0303)
42. Za pomocq ważonej MNK, na podstawie poniższych danych, oszacować parame-
try modelu li niowego : y1 = f3o +f3 1 x, 1 + {3 2x,2 +e1, przyjm ując że wariancje składników
losowych są proporcjonalne do kwadratów reszt uzyskanych w estymacji za pomoq
KM NK
5.7
2 14.0
3 12.5
6 19.5
5 29.2
10 23.6
7 8 7 28.9
8 9 13 29.3
43. Za pomocą ważonej MNK, na podstawie poniższych danych, oszacować para-

metry modelu liniowego : y, = {30 + {3 1 x, 1 + {3 2 x, 2 +s 1• przyjm ując że wariancje s kładni
ków losowych są proporcjonalne do kwadratów reszt uzyskanych w estymacji za po m ocą
KMN K.
Tablica2.44
I X11 Xr2 )'t
8.2
17.1
19.4
27.7
43.6
43.2
7 IO 48,9
44. Wykorzystując pon i ższe dane
Tablica2.45
o 10.5
16.6
3 17.0
27.6
25,l
6 7 10 38,4
7 7 34.4
8 9 13 48.0
żródło:<laneumownc
oszacować parametry modelu liniowego: Yr = f3o + f31x11 + fht 12 + e1 , przyjmując i ż

s kładn i ki losowe tworzą proces autoregresyjny rzędu pierwszego
45. Wykorzystując poni ższe dane:
Tablica2.46
9,2
I 18.0
3 o 10.6
14.6
7.6
22.4
17.9
Żródto:daneumowne
oszacować parametry modelu liniowego: y, = f3o + {J 1x11 + /]ix 11 + ei. przyjmując że

skł adn iki losowe twom1 proces autorcgresyjny rzcdu pierwszego.
3
Modele nieliniowe
3.1. Charakterystyka wybranych modeli nieliniowych

W rozdziale omówiono budow ę mode lu ekonometrycznego na przykład z i e jednorówna-
niowego modelu liniowego s t a n ow iącego podstawę rozważań eko no metrii. Przystępując
do budowy modelu zakładano, że zależn ość mi ędzy zmiennymi ma charakte r liniowy
(za ło że ni e to w mian; możliwośc i sprawdzano za pomocą wykresu) i pominięto etap
doboru postaci analitycznej modelu
W praktyce jednak nie zawsze za l eżnośc i mi ędzy zmiennymi (zjawiskami) m aj ą cha-
rakler lin iowy, bardzo często są to zal eż ności nieli niowe.
Dlatego - po dokonaniu wyboru zmiennych objaśn i ających mode lu - należy usta-
li ć postać zależności między zmiennymi, czy li ustalić , jaka funkcja matematyczna będz i e
najlepiej od zw ierciedlać tę za l eżność (w jaki sposób zmienna Y za l eży od zmie nnych
X1 .... , XK).
Na ogół nie jest to zadan ie łatw e. Proble m doboru postaci funk cyj nej modelu jest
stosunkowo prosty tylko w przypadku model u z j ed ną zmienną objaśniająq . Zadanie
wyboru komplikuje s i ę w sposób istotny, gdy w modelu wyst ę puje więcej n i ż jedna
znuenna
PrLyk ł ady dotyczące doboru postaci modelu i jego estymacj i poprzedzono omów i e~
niem najczęściej, naszym zdaniem, stosowanych w badaniach ekonomicznych funkcji,
przebiegu ich zm i e nn ości i interpretacji parametrów.
Funkcja wykładn i cza. Funkcja 1a jest często stosowana jako model tendencj i roz-
wojowej (w którym jedy n ą zmienną objaś ni ającąjes t z mienna czasowa r - por. rozdział
4) lub też jako czynnik wykładni czy w innej fu nkcji , np. potęgowej . Może o na przyjmo-
wać różn e postaci, np
Y = ao ·a{ . a1 > O. (3.1)
Ocena parametru a 0 interpretowana jest (podobnie jak w przypadku funk cj i liniowej)

jako poziom zmie nnej endogenicznej Y , gdy X = O. Natomias1 a 1
- I jest charak-
terystyczną dla tej funkcji (st ał:1) stop11 zmian zmiennej objaśn ian ej ; wzrost X (1) o I
(je d nostkę) powoduje zm i anę zmiennej objaśn i an ej o (a1
- I)· 100%. Jak widać na
rys unku 3. 1 - większe od I wart ości parametru a 1 św i adczą, że wraz ze wzroste m
zmennej objaś ni ającej X zmienna objaś n iana Y roś ni e , natomiast wartości a mniejsze
1
od I (ale zawsze dodatnie) św iadczą, że wzrostowi zmiennej objaśniaji1cej towarzyszy
spadek wartości zmiennej obj aśn iancj 1 .
Rysunek3. l. Wykres funkcji wykładniczej Y = O'Q • af
W praktyce stosowane są tak że funk cje wykładnicze (pr1:edstaw ione na rysunkach

3.2 i 3.3) o postaciach 2
Y = e<>o+a,x lub alternatywnie Y = exp(ao + 01 X), (3 .2)
y =ao. e"1x (3.3)
Rys un ek 3.2. Funkcja wykładnicza Y = „oo+a1X Rysun ek 3.3. Funkcja wykładnicza Y = ao. e"tX
1Na przykład a 1 = l . 13 infonnuje. że wraz ze wzros1em X o I. Y zmienia się średnio o { 1.1 3 - l )

100 = 13%, n:i1omias1a1 = 0.87 świadczy. że wzros10wi X o I towarzyszy zmian:i Yo (0.87 - 1)· IOO =
= - 1 3%(awięcspadck)
2w e wwrach tych zam iast podstawy logarytmów naturnlnych e :>::: 2.7183 można u żyć podslawy log~
rytmówdziesiętnych
W przypadku funkcj i danej wzorem (3 .2), gdy X = O, )' = eao, natomiast sta ła
stopa zmain Y jest równa (e" 1
100%. Zau ważmy, że w tym przypadku wzrostowi
- \ )
X towarzyszy wzrost Y ,jeże li a 1 > O, natomiast Y wykazuje t ende ncj ę spad kową.jeżeli
a < O
1
W funkcji wy rażo nej wzore m (3.3) poziom Y, gdy X = O jest równy ea 0 , a stopa
zmian jest równa (ea 1) · 100% 3
1
-
Funkcja potęgowa. Funkcja ta jest j edn ą z najczęśc i ej stosowanych, gdyż nadaje

s i ę do opisu różnego rodzaj u zależnośc i nieliniowych (a także liniowej). Obrazuje to
rysunek 3.4. Funkcja potęgowa jednej zmiennej ma post ać:
y =ao·X"1. (3.4)
Oce nę parametm a 0 interpretuje si ę
jako poziom zmiennej endogenicznej Y, gdy
zmienna obj aśni:1jąca X p rąjmuj e wa rt ość l (por. rysunek 3.4- wykres funkcj i potęgo
wej przec hodzi przez punkt o współrzędnych ( I : a 0)). Natomiast przebieg funkcji za l eży
od parame tru a 1, który jest (stał ą) e la s t ycz n ośeią 4 zmi ennej e ndogenicznej Y wzg l ęde m
zmie nnej objaśniającej X i oznacza w przybliże ni u proce ntową z mianę Y s powodowan ą
z m ianą X o I %.
R y.~unek 3.4. Wykres funkcji potęgowej
W zastosowaniach bardzo częs to korzysta s i ę iakże z fu nkcji po tęgowej wielu zmien-

nych o postaci
(3.5)
3 zauważmy (n;i co jeszcze zwróci my uwagę w następnym punkcie. prly omawianiu estymacji tych
funkcj i). że niezależnie od prLyję1ej postaci funkcji wykładniczej stopa zmi;in i wyraz wolny zawsze są
takie same. Warto 1akże dodać. że w edytorze wykresów w Excelu funkcja w postaci (3.3).j;iko wyk ladnicza
funkcja trendu. jest dopasowywana do szeregu czasowego
4
Stała e lastyczność (podobnie: jak st;i/;i stopa zmian w przypadku funkcj i wykł;idniczej) jest char.iktcry-
styczną cechą funkcji potęgowej: dla wszystkich in nych funkcji elastyczność zależy od wartoki zmiennej
objafoiającej. a pon;idto tneba ją ob l iczyć. podczas gdy w przypadku funkcj i potęgowej jest jej wykł;idni
kiern
W tym przypadku a 0 jest poziomem zmiennej endogenicznej Y, gdy wszystkie
zmienne o bj aś niające przyjmą wartość 1 (X = X 2 = 1 = X K = I) , natomiast
parametry <Xj () = l. 2. . K ) są st ał ym i elastycz no śc iami Y względe m poszczegól-
nych zmiennych o bja śn iających X j· Wzrost X j o l % powoduje z mian ę Y o o koło aj%
(przy ni ezmienionych pozostałych zmiennych)
Fu nkcja logarytmiczna ma postać
Y =a0 +a 1 log X. X > O. (3 .6)
gdzie a 0 , podobnie jak w przypadku funkcji potęgowej, jest poziomem Y, gdy X = l.

Funkcję tę stosuje się, jeżeli jednostkowym przyrostom zmiennej objaśniającej towarzy-
szą coraz mniejsze przyrosty zmiennej objaśnianej (por. rysunek 3 . 5)~
Rysunek3.5.Wykrcsfunkcjilogarytmic7.ncj
Wielomiany. W zastosowani ach praktycznych - obok wielomianu stopnia l (funk-

cja liniowa) najczęściej stosowane są·
Wielomia n stopnia 2 (parabola)
(3 .7)
którego parametry nie mają interpretacji ekonomicznej, a której przebieg z m ie nno śc i

jest dobr1.:e znany z elementarnego kursu matematyki. Funkcja ta znajduje zastosowanie
m.in. jako model tendencji rozwojowej, a tak że w ekonometrycznej anali zie kosztów
Wielomia n stopnia 3
(3 .8)
Mo że
on przyjmować różne kształty, w zależności od wartośc i parametrów; jedną
z częściej stosowanych w praktyce postaci (np. do opisu zależności kosztów ca ł kowi
tych od wielkości produkcji; wówczas na parametry nałożon e są następujące warunki
ao. a1. a3 >O; a2 < O; ai < 3 · a1 · a3) przedstawiono na rysunku 3.6.
5 Funkcję t ę można zastosować np. do opisu zależności indywidualnej wydajności pracy pracowników
od stażu pracy - zwykle wraz ze wzrostem stażu wydajnośt pracy rośnie, ale cornz wolniej
Rysunek 3.6. Wykres wielomianu stopnia 3 przy podanych warunkach dla parametrów
Funkcja hiperboliczna
(3.9)
Jej możliwe przebiegi przedstawiono na rysunku 3.7 (w za leżn ośc i od parametn1 a 1 )
-~ -
Rysunek3.7. Wykres funkc:jihipcrbolic:zn ej
Jak się wydaje. funkcja 1a stosowana jes1 częśc iej , gdy a 1 > O, np. jako funkcja
wyrażająca za leżność jednostkowego kosztu produkcji od wielkośc i produkcji lub do
opi su zależ ności międ zy popytem na jaki eś dobro a jego ce n ą. I nterpre tację ma tylko
wyraz wolny - asymptota pozioma. Wraz ze wzrostem X, Y zb li ża s i ę do tej asymptoty
(ro ś nie , gdy a 1 jest ujemne. maleje , gdy cr 1 jest dodatni e)
W ekonometrycznej analizie popytu konsumpcyjnego wykorzystuje s i ę m.in. funk-
cje TOrnquista - szwedzkiego ekonomisty. który na podstawie badań dotyCZ<1Cyeh za-
leżności między dochodami konsumentów (X) i popytem (Y) na różne dobra zapropono-
wat kilka fu nkcji. Szerzej funk cje te omówiono w podrozdziałach 3.3 (estymacja) i 6.2;
w tym miejscu ograniczono s i ę do przedstawienia ich postaci analitycznych i pr.tebiegów
z mienności (pomijając ekonomic zn ą interpretację parametrów)
I f1mkcja Tiirnq11ista
aX
Y= - - . a>O. f3 > o. (3 .10)
X +#
Rysunck3.8. I fonkcja TUmqu isla
Jej przebieg przeds1awia rysunek 3.8. Y = a jest asymplO l ą poziomą tej funkcji, tzw
poziome m nasycenia, natomi asl X = -{J jest asymptotą pionową wykresu funkcji
li funkcja TOrnq11ista :
a(X-y)
y ~ --x+P' a > O. y > o. (3 .11 )
gdzie parametry a i {J mają interpretację analog i cz n ą jak w I funk cji, natomiast y jest
poziomem X, przy k16rym pojawia się objaśniane zjawi sko (Y) (por. rysunek 3.9 z ry-
sunkiem 3.8).
Rysunek 3.9. [[funkcja Ttlmquista
Ili funkcja TOrnq11ista
Y =aX(X - y) _ a > O, /3 > 0. y > o. (3 . 12)

x +µ
W tym przypadku parametru a nic intcrprclUjemy. {J jest asym p lO t ą pi onową funkcji,
y - podobnie jak w li funkcji - poziomem X, przy którym pojawia się objaśniane
zjawisko Y (por. rysunek 3.10)
Rysunck 3.IO. lll fu nkcja Tfimqu isla
Rów n i e ż w analizie popytu stosowana jest funk cja wy kładnic za z odwrotnoś ci ą

o postaci
I
Y =e"'+fl· i. a> O. f3 < Olubaltemarywnie Y =exp(a + fJ · x), (3 .1 3)
k1órej przebi eg z m ienn ośc i (prty przyję tyc h założe niach dotycząc ych parametrów)
przedslawiono na rysunku 3.11. Funkcja ma asy m ptot ę poz i o mą (poziom nasycenia)
Y = e"', natomi ast X = -~ jesl współrzędną punktu przegięcia : prty X = -~ .
y = e"'- 2.
Rysunek 3.11 . Funkcja wykład n icza z odwromoiic ią
Funkcja wykł adn i cza z od wrotn ośc i ą n a l eży do fu nkcj i „5-ksztaltnych" (sigmoidal-
nych)
Do tej grupy nal eży także : runkcja logistyczna o postaci (3 .14) i przebiegu zmien-
n o śc i przedstawionym na rysunku (3 . 12)6·
a
y = I + f3 . e- yx . a. {3. y > O. (3. 14)
6
A 1 akżekrzyweGompercza
Funkcja ta stosowana jest m.in. jako funkcja trendu (ze zmi enną obja ś niając ą r).
Jej w łas n ośc i szczegółowo omówiono w pracy L26] . I nte rpre tacj ę ma tylko parametr a
- jest to asy mptota pozioma (poziom nasycenia); najogólniej trend logistyczny opisuje
dobn.:e zjawiska. w rozwoju których w y raź ni e m oż na w yodrębni ć t rą etapy: I - bardzo
szybki wzrost li - wzrost coraz wolniej szy, Ili - stabilizacja na poziomie bli skim
poziomowi nasycenia a
ln{Jlr
Rysu nek3.12.Funkcjalogistyczna
Na zak o ńcze ni e jeszcze raz pod kreś lmy, że omówiono jedyni e funkcje n aj częściej
stosowane w badaniach ekonomicznych; w konkretnych przypadkach stosowane mogą
być równi eż inne funkcje. Co wi ęc ej. wrnz z rozwojem techniki komputerowej i m oż
l iwości obli czeni owych (j eś li chodzi o es t y m acj ę ich parametrów) liczba tych funkcji
ro ś ni e . Może s i ę także o kazać , że do opisu zal eż n ośc i mi ęd zy zmiennymi lub tendencji
rozwojowej j a ki egoś zjawi ska nal eży u żyć kilku funk cji o różnyc h postaciach, dz i e ląc
szereg empiryczny na segmenty.
Pos t ać an alit yczną modelu (czy li funk cj ę m a te m at yczn ą najlepiej o pi s uj ącą ba daną
zal eżność) m oż na dobrać kilkoma sposobam i·
I. W przypadku modelu z j edn ą zmi enn ą objaś niającą najł atwiej jest zastosować ana-
li zę g rafi cz ną rozrLutu punktów empirycznych na ukł a d zie współrLęd nyc h (taki wykres
może być łatwo wykonany w Excelu, wystarczy zaznaczyć obszar z danymi i uruch o m ić
kreator wykresów, wy bi eraj ąc jako typ wy kresu wykres punktowy). J eże li w modelu wy-
s t ę puj e kilka zmi ennych o bja ś niających , moż na ana lizować graficzni e za l eż n ość mi ęd zy
zmienn ą o bj aś nianą (e ndog eni czną) a k ażdą zmienmi obja ś ni ającą
2. Bardzo częs to k orąsta s i ę z apri orycznej wiedzy o typi e zw i ązku , który mo-
że podpow iadać bąd ź teoria ekonomii7 , bąd ź te ż do g ł ębna z najomość praw idłowośc i
k sz tałtuj ącyc h badane z w iąz ki . Wykorzystanie tej z n aj o m ośc i (wiedzy), oczy wi ście, nie
zwalnia badacza z obowiązku sprawdzenia, czy w ty m przypadku wiedza ta znajduje
potwierdzenie.
7Teoria 1a mówi. jakie funkcje s1osowane są do opisu różnych problemów empirycznych. np. funkcji
pnxhikcji. funkcji popytu. funkcji kosztów; problem ten szer1..ej omawiany jesc w kolejnych rozdziałach
3.2. Estymacja MNK modelitransformowalnychdopostaciliniowej
3. Metodą prób i błędów, polegającą na tym, że do zebranych danych empirycznych

dopasowuje s i ę. kil ka funkcji o ró ż n yc h postaciach analitycznych, a n astęp ni e wybiera
najl epszą w oparciu o wnioski z weryfikacji wszystkich modeli
4. W przypadku modeli tendencji rozwojowej (lrendu) do wyborn postaci analitycz-
nej mo żna wykorzystać analizę przyrostów - analizuje si ę przyrosty zmiennej obja-
ś n i anej przypa dające na jednostkę przyrostu zmiennej objaśniającej 8 . Mianowic ie, jeże
li jednostkowym przyrostom zmiennej o bjaś nian ej odpow iadają statystyczni e stałe (nic
wykazujące tendencj i do wzrostu lub spadku)
• pierwsze przyrosty absolutne bqy1 = Yr - y, _ to w ła ściwa jest funkcja liniowa.
1
,
• drugie przyrosty absolutne .6.2)'1 = .6.1)'r - .6.iYr-1 (czyli przyrosty pierwszych

przyrostów), to odpowiedni jest wielomian stopni a 2, trzecie przyrosty absolutne - wie-
lomian stopnia 3 itd. , Yi+I _ Yr .Ó.)'i . Yi+I .
• przyrosty względne - - = - lub stopy zmian - , 10 w łaśc i wa jest
y, y, Yr
funk cja wykładnicza.
Przypomnijmy, że jednym z za łożeń MN K jest liniowa za le ż ność mi ędzy z mienną
e ndoge ni czn ą i zmiennymi objaś n iaj<1 cy mi. Stąd ze względu na wybór metody estymacj i
modelu wśród modeli nielin iowych wyróżnia się
I. Modele l nmsformowalne do postaci liniowej (linearyzowalne). czyli takie. które
za po m ocą pewnych prze k ształceń dają s i ę przedstawić w postaci lini owej; po transfor-
macji do postac i liniowej ich parametry można szacować za pomocą MNK; te można
dalej pod zieli ć na:
a) nieliniowe względem zmiennych, liniowe względem parametrów;
b) nieliniowe względem zmiennych i parametrów.
2. Modele nieliniowe w ści słym sensie (śc i ś l e nieliniowe), dla których nie istnieje
przeksz tałceni e liniowe ; do estymacji parametrów tych mode li n a le ży stosować techniki
estymacji ni eliniowej
Es t y macj ę model i linearyzowal nych omówiono w podrozdziale 3.2, estymacja mo-
deli nielini owych w śc i s ł y m sensie jest przedmiotem podrozdziału 3.3.
3.2. Estymacja MNK modeli transformowalnych

do postaci liniowej
Przystępując do estymacj i modelu nieliniowego, nal eży rozpoznać rzeczywistą naturę
zakłóceń losowych: czy jest ona addytywna, czy multiplikatywna i stosownie do tego
rozpoznania ustalić sposób nałożenia na funkcję matematyczną za kłóceń losowych (e1 )
Mianowicie zakłóce nia losowe mogą być nał ożo n e:
• jeś li amplituda wahań losowych jest s t ała - addytywnie: +s 1 ,
• j eś li odchylenia losowe są proporcjonalne do poziomu zmiennej objaśnianej (Y)
- muhiplikatywnie (przez po mnożen i e), przy czym są dwie mo ż li wośc i: x e1 lub xer'
(x IO' •).
Sw funkcji 1rendu zmienna objaśniająca (I) wzrasta zawsze o jednos1kr:. na1omiast w modelu regresji
zmianyzmiennych obja ś niającychmogąbyć różne
Z1.zwyczaj stosuje s ię tę dru gą możliwość, bowiem po sprowadze niu do postaci li -
niowej za kłóceni e losowe ni c ulega tran sformacji (na co jeszcze zwrócimy uwagę w sto-
sownym miej scu)
3.2.1. Modele liniowe względem parametrów

Mode l Y = f( X. a ) jest liniowy wzg l ęde m parametrów 9, j eże li z mi e nną endogeni cz ną
m ożna prze d s tawić jako liniową funkcję jednoznacznych przek sz tałce1l zmiennych obja-
ś niającyc h X, prt.:y czym współczynniki tych prze k sz tałceń są znane, czyli model można
zapisać w postaci :
K
Y = Lai Xi =ao+a1X1 + . . +aK XK. (3. 15)
j =O
gdz ie:
(3. 16)
Zatem zmienne pomocnicze X) są pewnymi funkcjami ( przekształceniami) oryginal-

nych zmiennych objaśniających X1, a mode l (3. 15) nazywany jest pomocniczym mode-
lem liniowym
P:1rametry struktural ne modelu pomocniczego (3.15) szacuje się za pomocą MNK
(3. 17)
prt.:y czy m Xjest maciert:ą obserwacji pomocniczych zmiennych objaśniających, a y -

wektorem obserwacji na zmiennej endogenicznej
Dla modelu po mocniczego szacuje s ię na s tępnie parametry struktury stochastycznej,
model pomocniczy poddaje s i ę. weryfikacji i j eże li weryfikacja wypadnie pom yś lni e ,
to przyjmuje s ię , że również oryginalny model jest dobrze dopasowany do obserwa-
CJI.
Spośród omówionych wcześniej modeli nieliniowych do mode li liniowych wzg l ę.
dem parame trów nal eżą m.in.: model hiperboli czny, wielomiany i mode l logarytmiczny.
W tych modelach zakł óce ni e losowe nakłada s i ę zazwyczaj addytywnic (d odając).
Przykła d 13. W pewnym przeds iębiors twie produkcyj nym badana jest zależność mi ę
dzy jednostkowym kosztem produkcji i wie l kośc ią produkcji. Zebrane informacje przed-
staw iono w kolumnach I i 2 tablicy 3.1
Należy·
(a) Ustalić pos tać a nalit yczną
modelu.
(b) Os zacować parametry modelu kosztów jednostkowych oraz dokonać jego wery-
fikacji
9 Dctinicje modeli zaczerpnięto z pracy {341: na tej pracy opierano się także omawiając estymację tych
modeli
Tabli ca3.1
O.O< 58 25.0 625.00 1450.0 59.9 - l,9 3.6 1 28.7 823.69

0.05 20.0 400.00 1060.0 50.9 2.1 4.41 23.7 561.69
O.IO IO.O 100.00 350.0 32.9 2.1 4.41 5.7 32.49
O.IO 32 IO.O 100.00 320.0 32.9 -0.9 0.81 2.7 7.29
0.20 23 5.0 25.00 115.0 23.9 -0.9 0.81 -6.3 39.69
0.25 21 4.0 16.00 84.0 22.1 - l.1 1.21 - 8.3 68.89
0.40 20 2.5 6.25 50.0 19.4 0.6 0.36 - 9.3 86.49
0.50 19 2.0 4,00 38,0 18,5 0.5 0.25 - 10.3 106.09
I.OO 17 I.O I.OO 17.0 16,7 0.3 0.09 - 12.3 151.29
2.00 15 0.5 0.25 7.5 15,8 -0.8 0.64 -14.3 204.49
4,64 293 80.0 1277,50 349 1,5 293,0 0,0 16,60 0,0 2082,10
7..ródło:opracowaniewła.<ne
Rozwiązanie. Aby wybrać postać ana l itycz n ą modelu , sporządzono wykres (nanie-
siono obserwacje na układ wspólrtędnyc h ), który przedstawia rysunek 3.13.
60 •
~ 50
~
i
i:: 20 ••••
Rysuuek 3. 13. Zależność kosztu

1
' 10
jednostkowego od wielkości pro· 0,5 1,5

dukcji produkcja(tys.sztuk)
Rozrzut punktów empirycznych wskazuje, że do opisu badanej zależności można

wykort:ystać hiperbo l ę (3.9) 10 , po uwzględnieniu zakłócenia losowego
I
Yr =ao+ai X, +t,.
IO Podobn y przebieg ma funkcja pot ęgowa o ujemnym współczynniku a 1: z prowadzon)•ch od 1;11 bad:ui
empir)'Cznych wiadomo. że w analizie kosztów stosowana jest m.in. hiperbol;!
-
Aby os zacować jej para~etry, wprowadzamy zmienną pomocniczą X, = XI (X,#
1
=fa O) ; pomocniczy model linmwy ma postać 11 :
Jego parametry stmkturalne oszacujemy według wzom (3. 17). przy czym:
I
I
_
X =
[
I
I'·
x2
:
·'.' ] =
I
'· ·~'. '
-
X2 y ~
[ ~;]
:
l i„ I y„
I -
x„
Tak j ak w przypadku modelu liniowego. elementy macierą XTX i wektora XT y
można obliczyć mnożąc odpowied nie macierze lub korzystaji1c z gotowych wyprowa-
dzonych wzorów (poniżej), obliczenia wykonując w tabeli. Zatem:
I
II ] .
~
x„
l] [;:; ]~ [ ~y,J
x„ y„ Lx,
Obliczenia pomocnicze zawarte są w kolumnach 3-5 tablicy 3. 1. Zatem wektor ocen
parametrów strukturalnych jest równy 12
a =[~~ 1 2~~.5r [3;;~_5]=63 75·[ 1~~~-S -~~] [3;;~.s]=[ 1 ~:~]

1
1
Oszacowany model pn.:yjął pos tać:
5'r = 14.9 + 1,8_!_

X1
l I Zal c 7.ność nieliniowa w u k ładzie współrzędnych (X: Y) będzie za l c;\;n ością l i n iową w ukladzic ( :k-: Y)
12Jd li obliczenia wykonujemy z pomocą zwykłego kal kulatora. dobrLejest podzielić prLez wyznacznik
macierzy x Tx (czy XTX) na końcu. co zapewni większą dok!adność obliczeń. Mała dokładność obli czeń
macieny (X- T x- i - l do 3 m1eJSC

· · po pnecmku
. dałoby a =
l
może bardzo znieksziałci ć wyniki. I Jak np. w przypadku szacowanego modelu zaokrąg l enie elementów
[ 13 :21 . a zaokrąglenie do 2 miejsc po pn ecinku

3 17
dałoby wręcz absurd~lne wyniki a = [ ~;:~ 3 ]
Do obliczenia parametrów struktury stochastycznej przydat ne będą wartości teore-

tycznc13, poniżej obliczono przykładowo kilka:
5'1 = 14.9+ 1.8 25 =59,5,
f z = 14,9 + 1.8 20 = 50,9.
5'10 = 14.9 + 1.8 0,5 = 15, 8.

Wszystkie wartości teoretyczne zestawiono w kolumnie 6 tablicy 3. 1. a w kolejnych
kolumnach tej tablicy obliczono reszty (e 1 = y1 - ) •1 ), ich kwadraty oraz odchyleni a od
średniej i ich kwadraty. Zatem:
s; = ~ 16. 6 = 2.075. S, = jDill = 1.44.

1. 44 293
v~ = _ · 100 = 4.92 %. S• = IO = 29 .3.
29 3
2~~~~l = 0 .008,
2 2
rp = R =I - 0. 008 = 0,992.
0 2() = 7 075 [ 0.20039 - 0,0125 5 ] = [ 0,41581 - 0.02604]

a -· · - 0.01255 0.00157 - 0.02604 0.00326 ·
D(a 0) = )0.4 158 1 = 0.645.
D (a,) = )0.00326 = 0.057

Wartości
parame1rów struktury stochastycznej świ adczą, że dopasowanie model u
do obserwacji jest bardzo dobre (tylko oko ł o 0,8% zmi e nnośc i zmiennej endogenicznej
- kosztu jednostkowego - nie jest wyjaśn ione przez model (rp 2 ); parametry struk-
są ~.:-:5 0 _ ~~ 7
1
turalne statystyczn ie istotne (t(a 0 ) = = 23.1, l(ai) = = 3 1.58,
to.05 ;8 = 2.306);w ciąg u reszt występuje 5 seri i, zatem S 1 = 2 < S = 5 < 52 = 8, co
św i a dczy, że przyjęta pos tać imalityczna modelu jest właściwa (wartośc i krytyczne od-
czytano z tablic rozkładu serii dla a / 2 = 0.025 i I - a/2 = 0. 975 oraz 11 1 = 5 i 11 2 = 5
stopi swobody).
Z oszacowanego modelu wynika, że wraz ze wzrostem wielkośc i produkcji koszt
jednostkowy maleje - coraz wolniej - do asymptoty poziomej Y = l4 .9(a0 )
Przy kł a d
14. W kolumnach 1- 3 tablicy 3.2 podano dane o liczbie zatrudnionych w za-
kładach produkcyjnych nal eżących do pewnej firm y (X w dz i esiątka c h osób) i odpowia-
dającej zatrudnieni u w i e l k ośc i produkcji (Y w tys. sztuk). Nal eży:
(a) Wybrać pos t ać analityczną modelu najlepiej opisującego za l eżność wielkości
produkcji od rozmiarów zatrudnienia w fim1i c.
(b) O szacować parametry przyjętego modelu i ocen i ć czy właściwie opisuje badaną
za l eżność.
13 Chyba. że wariancję resztow;\ oblicwmy ze wzoru macierwwego

Tablica3.2
Zakład „, xl xl x1 .i.} ·}'1 5'1 t'~ Y1 -Y (}'1 - J)2

- - - -1-
1 8 9 JO Jl 12 13
16,0 0.5 0.25 0.125 0.0625 8.0 4.00 16.0 o.o o.oo - 14,0 196.00
24.5 I.O I.OO i.OOO J.0000 24.5 24.50 24.0 0.5 0.25 - 5,5 30,25
30.0 1.5 2.25 3.375 5.0625 45.0 67.50 30.0 o.o o.oo o.o o.oo
32.0 2.0 4.00 8.000 16.0000 64.0 128.00 34.0 - 2.0 4.00 2.0 4.00
37.0 2.5 6.25 15.625 39.0625 92.5 23 1.25 36.0 I.O I.OO 7.0 49,00
37.5 3.0 9.00 27.00J 81.0000 11 2.5 337.50 36.0 1.5 2.25 1.5 56.25
33.0 3.5 12.25 42.875 150.0625 11 5.5 404.25 34.0 - I.O I.OO 3.0 9.00
l: 210,0 14.0 35,00 98,000 292,2500 462,0 1197,00 210,0 0,0 8,50 0,0 344,50
Żródło:opracowaniewlasne
Rozwiąza nie. Poni eważ rów ni eż w tym przypadku w modelu występuje jedna
zmienna obja ś n iającą. do wyboru jego postaci analitycznej moż n a przyn:1jmniej wstęp
nie wykorzystać analizę grafi cz ną rozrzuru punktów empirycznych. Przedstawia go ry-
sunek 3. 14. Jak w i dać, w m i arę wzrostu liczby zatrudnionych produkcja rośnie (zgodnie
z istniejącą teorią eko nomi czną), jednak od pewnego poziomu zatrudni enia wzrost pro-
dukcji zos tał zahamowany, a nawet obserwuje s i ę nieznaczny jej spadek (co może być
negatywnym skutkiem prt.:erostów zat rudnienia - pracownicy zaczy nają sobi e wzajem-
nie prze szkad zać)
•
•
•
1 1.5 2 2,5
liczbazatrudnionycli(dzicsiątkiosób)
Rysunek 3. 14. Zależność między liczbą zatrudnionych a wielkością produkcji w zakfodzic
Wykres k sz tałte m prt:ypomina parabolę (wielomian stopnia 2), oszacujemy więc

model (3.7) (po uwzględnieniu za kłóce nia losowego)
>'1 = ao +a1X1 +a2x; + e1.
Model sprowadzamy do postaci liniowej wprowadzając dwie zmienne pomocnicze:

X11 = X 1 oraz X,2 = x;: model pomocni czy ma po stać:
Do oszacowania jego parametrów strukturalnych zastosujemy wzóru (3 . I 7), przy

czym
a wobec tego
Obliczenia pomoc nicze zawar1e sq w kolumnach 4-8 w tablicy 3.2.

Zatem·
a ~ [ 1~
35
14
35
98
35
98
292 ,25
r[ ;~~] ~ [-~"
1197 21
12
54
-21
67
21 -21
16
"21
16
4
[ ~~~] ~ [ -2~4 ]
11 97
21 21 21
(det(X.TX.) = 257,25 i wszystkie elementy macierzy algebraicznych dopełni eń można
podzielić przez 12,25, co da nam podanq wyżej macierz; w każdy m razie - jak za-
znaczono wcześniej - jeżeli w obliczeniach nie korzystamy z komputera, to w cel u
zapewnienia większej dokładności obliczefi warto zachować ułamki zwyk łe i na końcu
pod z i elić przez wyznacznik 14 ).
" Prq ''°[k""jl';;~l''""'"'ów m"ómy oowm""J do i(Ti( do dwoch m;ej<e[po \'.~'i;"'" 01rqm"1;-
byfo1y 11 = 2 1.756 . a po zaokrąg l en iu do 1nech miejse po przecinku a = 24.36 . ale wówczas
~~ ~R
dopasowanie do obserw;1cji jest zwy kle dużo gorsze (np. w 1ym os talnim przypadku R2 = 0.4134)
Oszacowany model przyjął więc postać
Y = 6 + 22x
1 1 - 4x;.
Wstawiając do oszacowanego modelu kolejne obserwacje x 1 • obliczono wartości teore-
tyczne (kolumna 9 tablicy 3.2), np.
5'1 =6+22 0.5 - 4 0.25 = 16.
5'2 = 6 + 22 · I - 4 I = 24 .
;, = 6+22 3.5-4 12,25 = 34

Aby ocenić praktycz n ą przydatność oszacowanego modelu (dokładn ość dopasowa-
nia do obserwacji), nal eży obl i czyć parametry struktury stoc hastycznej (obliczenia po-
mocni cze zaw i eraj ą kolumny 10-13 tablicy 3.2):
s; = ? ~
3
·8, 5 = 2.125. Se= j2.'i'2s = I .458, V~= 1.;~s ·
100 = 4.86%,
210
przy czym Y = = 30,
7
~
l
2
1p = =00247 R2 =I - 0.0247 = 0.9753.
344,5 ' .
7
0 (a )=2. 125 [-~ -~
12 16
- -
12
16
21
21
4
=
[ 5.1607
- 5.4643
1. 2143
-5 .4643
6.7798
- 1.6190
1.2143]
- 1.6 190
0.4048
21 - 21 21
Błędy ś redni e szacunku parametrów są zatem równe:
D (ao) = J5.'i"6o7 = 2.27.
D(<q) = J6, 7798 = 2.60.
D(a 1 ) = ;o:4o48 = 0.64
W ca ł ości oszacowany model można wi ęc zapisać:
)>1 = 6. O + 22, 0x1 - 4.0x~ . Se= 1.458. R1 = 0.9753

(2,27) (2.60) (0.64)
Parametry strukturalne modelu są statystycznie istotne (co prawda. ocena a 0 na nieco
wyższym poziomic i sto tności a= 0.06), bo r(a 0 ) = 2,64 < fo.os: 4 = 2, 776,
22.0
r(ai) = . = 8. 45 > fo. 05 :4 = 2.776.
2 60
1(a2)
4 Ol = 1-6.291>/o.05:4=2.776.
= -o.~
1
Mode l wyjaś ni a zmienność zmiennej endogenicznej (wie l kości produkcji zakładów)

w 97,53%, odchylenia losowe s tan ow ią 4,86% ś red ni ej wielkości produkcji zakładów.
reszty modelu mają charakter losowy (w c i ąg u reszt wys tęp uj ą 4 serie; S 1 = 2 < S =
= 4 < S2 = 5), a więc wielomian stopnia 2 dobn.:e opi suje badaną zależno ść.
W podobny sposób, jak hiperbo lę i wielomian stopnia drugiego linearyzuje s i ę wie-

lomiany wyższyc h stopni czy np. fu n kcję logarytmiczn:1
Na przykład wielomian stopnia 3: Y 1 = a0 +a 1 X 1 +a2 x; +a3x :+s1 zlinearyzowany
ma postać: Y, = au+a1X11 +a2 X12+a3 X13+e,, gdzie Xri = X, , X,2 = x ;. = X~. x,J
a funkcja logarytmiczna Y1 = a 0 + a 11og X 1 + e1 po linearyzacj i przyjmuje postać :
Y, = a 0 +a 1X1 +s1 , gdzie X1 = log X,
3.2.2. Modele nieliniowe wzg l ędem zmiennych i parametrów

Model Y = f (X . a ) jest nieliniowy względem zmiennych i parametrów 15 , je..~li za po-
m ocą jednoznacznych przek ształ ceń obu jego stron mo żn a go zap i sać w postaci lini owej .
Pomocniczy model liniowy pr.cyjmuje w tym przypadku po stać·
K
Y, = L tJjX1j + e, = fJo + fJ1X11 + · · + fJKX1K + e,.
j=D
gdzie: Y1 = G ( Y1 ) - pomocnicza zmienna objaśniana (pewna funkcja oryginalnej
zmiennej objaśnianej); X,i = g( X 1j ) - pomocnicze zmienne objaśni ające (pewne funk-
cje oryginalnych zmiennych objaś niającyc h) ; {Ji = h(a j ) - parametry modelu pomoc-
ni czego (zazwyczaj tak7..e pewne funkcje parametrów modelu orygi nalnego) 16 •
Po li nearyzacji model u nieliniowego - zapi sani u go w postaci modelu pomocnicze-
go - wyznacza sic za pomocą MNK jego parametry strukturalne korzys tając ze wzoru:
(3 .1 8)
gdzie X - macierz obserwacji pomocniczych zmiennych objaśni ających ; Y- wektor
obserwacji pomocniczej zmiennej objaśnianej. Dla modelu pomocniczego oblicza się na-
stcpni e parametry struktury stochastycznej i model pomocniczy poddaje s i ę weryfikacji.
J eżeli dopasowanie modelu pomocniczego do obserwacji można u znać za dobre (zgod-
ni e z zasadami omówionymi w rozdziale 2), wnioskuje s ię , że również model oryginalny
jest dobrze dopasowany. Można zatem zapisać model w postaci oryginalnej
Najczęściej spotykane w praktyce modele nieliniowe względem parametrów i zmien-
nych to model wykładniczy, potcgowy oraz ich kombinacja (potcgowo- wykładn iczy).
W tych modelach zakłócenie losowe nakłada się na funkcję multipl ikatywnie 17 •
l 5w e wspomnianej pracy [34] n:17.ywan c są lincary mwanymi pr1.cz logarytmowa nie

16 fakkolwiek dln oznaczenia przekszrnkeri zmiennej objaśnianej. zmiennyc h objaśniających i para-
metrów u żyto różnych funkcji (G . g, li ) , bardzo czcs10 jest to rn sa ma funkcja, np. logary tm (dziesicmy
lub naturalny)
17 x ee' {równoważny zapis x exp(e,)) lub x Hf' . W z:lleżności od przyjętej podsrnwy logarytmów.
logarytmujemy model korzys1ając z logarytmów nnturalnych lub dziesiętnych
P rzykład 15. W tab licy 3.3 (kolumna 2) podano dane o wielkości s przedaży wody
mineralnej w latach 2002- 2008 ( y 1 w mln litrów)
Ta hlica3.3
)·1= ln y,
IO
2002 4.055 1.4 l.25 0,15 0.0225 - 0.6 0.36

2003 4.055 1.4 l.50 - O.IO 0.0100 - 0.6 0.36
4.953 l.75 - 0.15 0.0225 -0.4 0. 16
8. 166 2. 1 2.00 O.IO O.OJOO O.I O.O l
2006 9.025 2.2 25 2.25 - 0.05 0.0025 0.2 0.04
2007 12. 183 2.5 2.50 o.oo 0.0000 0.5 0.25
2008 16.445 2.8 49 2.75 0.05 0.0025 0.8 0.64
l: 58.882 14,0 28 140 14,00 0,00 0,0700 0,0 1.82
Żródło: opracowanicwłasnc
Nal eży oszacować parametry modelu opisującego t end encję. rozwojową sprzedaży
wody w latach 2002- 2008 (model trendu)
Rozwiąza „ie. W modelu trendu zmie nn:1 objaśniaj:1cąjest zmienna czasowa r, która
najczęściej przyjmuje wartości kolejnych liczb naturalnych odpowiadających kolejnym
okresom czasu. Aby wybrać pos t ać anal it yczną funkcj i, naniesiono obserwacje na układ
współrzędnych (rysunek 3.15). Jak widać, sprze daż , zw ł aszcza w ostatnich latach, wzra-
s tała coraz szybciej - coraz szybszy wzrost jest charakterystyczny m.i n. dla funkcji
w y kład n i czej 18 .
Przyjmujemy więc funkcj ę np. (3 .1) z multiplikatywnym zakłóceniem losowym
którą linearyzuje s i ę obustronnie 1 ogarytmując 19 . Ponieważ zakłócenie losowe nałożono

korzystając z podstawy logarytmów naturalnych (e ~ 2. 7 183), logaryt mujemy korzy-
s tając z logarytmów naturalnych. Zatem
ln Y1 = lnao + lna 1' + s, · ln e

i dalej 20
ln Y1 = lnao + t · łna 1 + s,.
18 Także dla funkcji potęgowej o wykładniku (11 1 > I) lub paraboli
19 Korzysta sil! z reguły mówiącej, że logarytm iloczynu jest sumą logarytmów poszczególnych czynni
ków
10 Jn111 1 =1 · ln111(l n .~ 11 =11 log .l ). ln e =I
Rys unek 3. 15. Sprtedaż wody minern lnej w latach 2002-2008 (w mln litrów)
a w i ęc model pomocniczy ma postać 21 :
Y, =fJo+f31 f<, +e1.

gdzie: Yr =In Y1, f< 1= r. f3o = lnao. {3 1 = lna 1 •
Zatem we wzor.ce (3. 18) macierz obserwacji na zmiennych objaśniających (X) i wek-
tor obserwacj i na zmiennej objaś ni a n ej ()') będą mieć pos t ać
I 1,] _ Jn'·yy2, ]
ln
X=
['. I
12
111
y~
[ ln y„
stąd:
21
Zauważmy. że w modelu wykładniczym zmicnnaobjaśniająca nic ulega tran~ fomrncji (X1 = 1). War-
to w tym miejscu zwrócić uwagę. że gdyby zakłócenie losowe nałożyć na funkcję mnożąc przez &1 • tzn
przyjąć model Y1 = ao · a1 r · &1 , to po zlogarytmowaniu modd w postaci liniowej miałby postać ln Y1 =
= lnao + 1 · ln a1 + ln &J . a więc transfomrncji uległoby także zaklócenie losowe. a tego ekonometrycy
s tarają się unikać. Dodajmy jeszcze. że gdyby w tym modelu (i innych omawianych w tym podrozdziale)
nałożyć zakłOCen i e losowe addytywnie, tzn. przyjąć model Y1 = ao · a1 1 • E: 1 , niemożliwe byłoby logaryt-
mowanie (skort.ystanie z formu!y na logarytm iloczynu) i model n ależa łby do grupy ścgle nieli niowyc h -
do estymacji jego parametrów stosuje si ę metody es tym;icj i nieliniowej omówione w podrozdziale 3.3
Dane pomocnicze do ob li czeń zawarte są w kolumm1ch 3-5 tablicy 3.3
7
b = [ 28
28] - ' [ 14]
140 63 = 1% ·
I [ 140
- 28
-28] [ 14]
7
[I
63 = 0.25
l b0 ~ lnao.
b 1 = lna 1
Oszacowany model w postaci liniowej można w i ęc zapisać
ln)rr = l.00+0.25t.
Wartośc i teoretyczne oblicza s ię podstawiając za r kolejno: I. 2. . 7. czyli np.:
1-;;-,= 1.00+0.25 l = l.25.
1nJ2 = l.00+0.25 2 = 1.50.
1;;-7 = l.00+0.25 7 = 2.75

(por. kolumna 6 tablicy 3.3), a reszty = In Yr -e, 1;;;
(kolumna 7). Pozostałe dane
potrzebne do obli czenia parametrów struktury stochastycznej - d la modelu w postaci
liniowej, zaw i erają kol umny 8- 10 tablicy 3.3).
Zatem w tym pn~ypadku 22 :
sJ= ~k Le~= ~k Lon y, - 1~) 2 = 7 ~ 2 ·0.07 =0.0l4.

11 11
s, ~ J0,614 ~ 0. 11 8.
Vi: = ~ · 100 = ~ 100 = 6.9%. pr1.:y czym fTIY = L lny1 = ~= 2.
\n y 2 11 7
r.p2 =L (Iny, - i;;y, )2 o.01 =o 0385
L(lny, - ln y)2 l 82
D(bo) ~ D(ln ao) ~ ~ ~ }O:Oi ~O. I.

D(bi) = D(l n ai) = Jo.0\4 · ~ = jQ.OO{j5 = 0.0224.
Oszacowany model z parametrami struktury stochastycznej można w i ęc za pi sać:
1-;vr = I. OO + 0.251 s, ~ 0.0118. r.p 1 = 0.0385.

. (0. IJ (0.0224)
22 C hyba, że skorzys1amy ze wzoru 111acicrzowcgo na wariancje. w tym praypadku miałby on pos1ać
S] =n~ k \yTj - bTXT5·J

i wtedy wan ości teoretyczne nic są konieczne. Współczynnik zbieżności można by także obliczyć ze wzoru
~ 2
L ;; =~J<~~v, )2
Parametry strukturalne modelu s ą statystycznie istotne (t(b 0 ) = IO, T(b 1) = l I, 16;

to.05:5 = 2,447), tylko 3,85% zmiennośc i logarytmów zmiennej endogenicznej (wiel-
ko śc i s p rzedaży wody mineralnej) nie jest wyjaśn i o ne przez mode l. odchylenia losowe
stanowi:1 6,9% ś red ni ej logarytmów Y. W c i ąg u reszt (kol umna 7 tablicy 3.3) obser-
wujemy 5 serii (S 1 = 2 < S = 5 < S2 = 6), a więc reszty mają charakter losowy, nie
wykazujq t akże autokoreh1cj i23 {d = 2.2 14; tl' = [ . 786 > du = 1. 356), zatem po stać
analityczna modelu jest w ł aściwa. Można zatem oszacowany model zapisać w postaci
oryginalnej . Jego parametry obliczymy następująco
Po ni eważ bo= ln a , to a = eho-+ a = e 1 = 2,7183,
0 0 0
b 1 = ln a 1• to a 1 =i' 1 -+ a 1 = e0·25 = 1.2840,

a oszacowany model pr.tyjmuje postać:
S'r = 2.1183 · 1.284'.

Na podstawie oszacowanego modelu można wn i oskować , że w 2001 r. (/ = O) sprze-
da ż wody mineralnej wy n o s i ł a około 2.7183 mln li trów i w latach 2002- 2008 co roku
zmieniała s ię ( wzrastała) śre d nio o ( 1,284 - I) 100 = 28 .4% . Innymi s łow y, ś re d n i a
stopa wzrostu sprzedaży w analizowanym okresie wynos ił a 28.4%.
Warto jeszcze zwrócić u wagę, że gdyby przyjąć funkcj ę wyk ładni czą w postaci (3.2),
tzn. y 1 = e"\l'+ait+c, , to model pomocniczy m iałby po stać: ln y1 = tl'o + tl'1l + e 1 lub
5°'r = /30 +/3 1.'i:1 +er ;gdzie .)•1 = ln y,, X,= 1, !Jo= ao, /3 1 = a 1 . Wektor obserwacji na
zmiennej obj aś nianej (j) i macierz obserwacji na zmiennych objaśni ających (X ) był yby
identyczne, jak w pr.typadku przyjętej postaci modelu (3. 1), w rezultacie weklOr ocen
parametrów strukturalnych modelu pomocniczego b będzie identyczny, jak otrzymany
w pr zy kładz i e
Oszacowany model przyjąłby postać: }'1 = e 1+0 · 251 , a wnioski wynikające z interpre-
tacji parametrów by ł y b y identyczne. Dla 1 =O poziom Y wynosi około e 1 = 2.7 183,
natomi asl ś rednia stopa zmian Y wynosi (e 0·25 - I)· 100 = (1,284 - I) · 100 = 28.4%.
W przypadku postaci (3 .3) funkcji wykład ni czej , tzn. y1 = a 0 · e" 11 · ee', model po-
mocniczy bę d z ie miał po s t ać: .V,= fJo + {J 1i 1 + € 1 , gdzie .Y1 = ln y, , Xr = I , f3o = lnao,
/3 1 = a 1. Wektor Yi macierz Xbędą identyczne.jak w przypadku obu poprzednich posta-
ci, identyczny będzie także wektor ocen parametrów model u pomocniczego b. Oszaco-
wany model przyjąłb y postać }'1 = 2, 7 183 · e0 ·25' , a wni oski p ł y n ące z interpretacji jego
parametrów by ł yby takie same. A więc ni eza leżni e od przyjęt ej postaci funkcj i wnioski
wy nik ające z interpretacji jej parametrów s ą identyczne.
Przy kład 16. W kolumnach 1-3 tablicy 3.4 przestawiono fragment zagregowanych
danych pochodzącyc h z badań bud żet ów rodzinnych . Dane to ś red nie roczne dochody
( X w dz i esiąt k ac h lys. zł na osobę) w wy róż nion yc h grupach dochodowych oraz odpo-
wiadające tym dochodom przec i ętne roczne wydatki na żywno ść (Y w dzi es iątkach tys
zł na osobę).
2.l Model oszacowano w oparciu o dane w postaci szeregu czasowego. warto więc Jakże zbadać autokore-
hlcję
Tablica3.4
Grupa
doc ho-
3.004 1.822 0.6 I.I l.21 0.66 0.5700 0.03 0.0009 0, 11 390625
3.669 2.014 0.7 1.3 l.69 0.91 0.7100 -O.Ol 0.0001 0.05640625
4.055 2.226 0.8 1.4 l.96 J,12 0.7800 O.Q2 0.0004 0.01890625
4.953 2.460 0.9 1.6 2.56 1.44 0.9200 - 0.02 0.0004 0.00140625
5.474 2.718 I.O 1.7 2.89 1,70 0.9900 O.QI 0,0001 0,00390625
6.050 2.718 I.O 1.8 3.24 1.80 1.0600 -0.06 0.0036 0,00390625
6.686 3.004 I.I 1.9 3.61 2.09 1.1300 - 0.03 0.0009 0.02640625
9.025 4.055 1.4 2.2 4.84 3.08 1.3400 0.06 0.0036 0.21390625
l:: 7,5 13,0 22,00 12,80 7,5 0,00 0,0100 0,43875000
Źródło: opracowanie własne
N a l eży oszacować parametry modelu przedstawiającego zależność wydatków na

żywność od dochodów
Rozwiqza11ie. Wybór postaci analitycznej modelu ułatwi naniesienie punktów empi -
rycznych na układ wspó ł rzędnyc h (w modelu wys tę puj e tylko jedna zmienna objaśn ia
jąca) - rysunek 3.16
S.O 6.0 7.0 8.0 9.0 IO.O

dochód(d7.iesiątkitys.dnaosobrj
R)'Sum.'. k 3.16. Zależrmść wydatków na żywność od dochodów
Co prawda z rozr.tutu punktów empirycznych można wn i os k ować, że funkcja linio-

wa mogłaby opisać zal eżność wydatków na żyw n ość od dochodów w próbie, jednak
z analizy danych widać, że wzrostowi dochodów 1owarzyszy coraz wolniejszy wzrost
wydatków na żywność (prawo Engla), zatem właśc i wa będz i e fu nkcja pot ęgowa (3.4)
Tak jak w przypadku funkcji wy k ładn i czej, zak łócenie losowe nałożon o multi pli katyw·
nie24
co umożliw i a tra nsformację modelu do postac i li niowej przez logarytmowanie:

In Y, = lnao +a1 In X,+ s,,
czy li model pomocniczy ostatecznie przyj muje pos tać:
.Y1 =fJo+fJ1.f1 +e, .
gdzie: y, = ln y,,f3o = lna0 ,{J 1 =a 1,.f:, = hu :,.
Parametry modelu pomocniczego oszacujemy MN K, stosując wzór (3 .18), przy
"Y'" w tym przypodkuo - [ :
i.,,.-,]
X = .
lnx~
y- = [::,~;]
. .
ln :x„ ,
I ln y„
a wu;c:
ln
1xJ [: :::;] [L;~x, f1~~;J =
I ln ,t„
ln xJ ·[:: ~; ] = [E: : ~: lnJ

1
ln y„
Dane pomocnicze do ob l iczeń zawarte sq w ko lumnach 4-7 tablicy 3.4 (logaryt my
zaokrąglono do trzech miejsc d zies iętnych).
b =[ 8
13
13]-' [ 7.5]= ~
22 12.8 7
[ 22
- 13
-13] [ 7.5]=[-0.2]bo= ln1_1
8 12.8 0.7 b 1 =a 1
0,
Oszacowany model w postaci liniowej można więc zapisać
ln)•r = - 0.2 +0.7 lnx1

Do obliczenia parametrów struktury stochastycznej modelu pomocniczego przyda!·
ne będą wartości teoretyczne (kolumna 8 tablicy 3.4). np
ln f1 = - 0.2+0.7 I.I =0.57,
h1 )•2 = - 0 .2 + 0 .7 l. 3 = 0.71 .
ln )·8 = - 0.2 + 0.7 2.2 = l,34
24 Ty!ko wówcz;is mocleljes1 transfom1owany do post~ci liniowej (por. uwagi do funkcji wykh1dniczej)
Obliczenia pomocnicze do parametrów struktury stochastycznej zawarte są w ko-
lumnach 9-1 I tablicy 3.4)
si=~ L e;= ~k L
11
(ln y, - t;r,) 2 =
8
~ 2 . 0.01=0.017.
V~ = ~ 100 = JQ:OT7 100 = 4.35%, gdzie fil).= L In y, = '08... = 0,9375,

ln y 0,9375 · 11
cp 2 = L (l n y, - lt;yr) 2 O.Ol
0 0228
L (In y, - ln y)2 0.43875 = · ·
D(bo) ~ D(loao) ~ ~ ~ J0,00524 ~ 0,072,

D(h, ) ~ D(a,) ~ jo,011 · ~ ~ J0, 00190 ~ 0,044
Dopasowanie modelu do obserwacji n ależy ocen i ć pozytywnie. Model wyjaśni:1
zmienność logarytmów średnich wydatków na żywność w 97,72% (R 2 = I - cp 2 =
= 1 - 0.0228 = 0,9772), odchylenia losowe stanowiq tylko 4,35% śre dni ej logaryt-
mów wydatków na żywność. Parametry strukturalne są sta1ystycznie istotne (t (In a 0 ) =
= ~~;~ = - 2,76, I (a1) = O~~ = 16.04; to.05:6 = 2.447). Reszty modelu pomocni-
czego charakteryzują sic pożądanymi w łasnościami - mają charakter losowy (w ciągu
reszt obserwujemy 7 serii : 5 1 = 2 < S = 7 < 52 = 8) i ni e wykazują autokorelacj i
(d = 1.90 > du = 1.332), zatem postać analityczna modelu jest właśc i wa - model
potęgowy dobrze odzwierciedla badaną zależność.
Aby zapisać model w postac i orygi nalnej. należy obl i czyć jego parametry
Ponieważ bo= lnao. loao =ebo -,i. ao = e- 0 ·2 = 0.819.zkolei25 b1=a 1 =0.7.
Model oryginal ny przyjmuje więc postać: )'1 = 0.819. x~· 7
Z oszacowanego modelu wynika, że w badanej grupie rodzin przy przec iętnym rocz-
nym dochodzie X= I LID tys. z!J, wydatki na żyw ność wynosi ły przeciętnie 0.819-10 =
= 8.1 9 tys. z ł , natomi ast wzrost przeciętnego rocznego doc hodu o I% powodował
wzrost wydatków na żywność o 0,7%; inaczej, elastyczn ość wydatków na żyw n ość
względem dochodu wynosi 0,7
17. W kolumnach 1-5 tablicy 3.5 podano informacje o wart ości majątku
Przykład
trwałego (X 1 w mln z ł ), nakładac h pracy (X 2 w przeliczeniu na pełne etaty) oraz wiel-
kośc i produkcji ( Y1 w mln szl uk) w pewnym przedsiębiors twie w latach 1999-2008.
Oszacować parametry modelu o postaci Y1 = a 0 X~1 1 X~łeY'e(', op i suj ącego za l eż
n ość w i elkości produkcji od n akład ów maj ątku trwa łego, pracy oraz zmiennej czasowej
1, która u względ ni a wpływ postępu techniczno-organizacyjnego na wie lkość produkcji 26 .
15 w modelu pomocniczym parametr O'i nie uległ transformacji

26Jest 10 tzw. dynamiczna funkcja produkcji Cobba- Douglasa. omawiana w rozdziale 5. poświęconym
analizie procesu produkcyjnego
Tablica 3.5
!n y1 el lny, - fiiY (ln y1 - fiiY) 2

-- - -
4 5 8 IO
1999 49.400 16.445 33 .115 I 3.94306 - 0.04306 0.00185 - 0.93000 0.86490

2000 65.365 24.533 36.598 4.19500 - 0.01500 0.00023 - 0.65000 0.42250
2001 86.488 33. 115 40.447 3 4.40252 0.05748 0.00330 - 0.37000 0.13690
2002 95.580 36.598 44,701 4.52120 0.03880 0.00151 - 0,27000 0.07290
2003 109.950 49.402 44.701 4.68976 0.01024 0,00010 - 0,13000 0.01690
144.025 73.700 60.340 6 5.01962 -0,04962 0.00246 0.14000 0.01960
164.030 81.451 60.340 5.09934 0,00066 0,00000 0,27000 0.07290
2006 219.200 90.017 99.484 5.37386 0.01614 0.00026 0.56000 0.31360
2007 214.870 109.947 73.700 9 5.38112 -0.01112 0.00012 0.54000 0.29160
2008 290.030 164.022 90.017 10 5.67202 - 0.00202 0,00000 0.840CK.l 0.70560
i:: 1438,938 679,230 583,443 55 48,29750 0,00000 0,00984 0,00000 2,91740
ZróJło:oprncowanicw/asnc
Rozw iąza nie. Zauważmy, że ze wzg l ęd u na pos t ać an ali tyczn ą jest to model potęgo
wa- wykł a d n i czy; li ncaryzujcmy go prt.:cz logarytmowanie:
In Y1 = ln a o + a1 lnXr1 +a2 lnX12 + yt + er,
a model pomocniczy ma postać:
Y =/Jo + f31Xr1 + f32X12 + {33X13 + E1 .
gdzie: Y = ln Y,, X11 = lnX11, X12 = lnX,2, Xn = 1, f3o = lnao, /31 = ln a1.
/32 = ln a 2. {33 = y.
Aby oszacować parametry strnkturalne modelu pomocniczego, należy s korzys t ać ze
wzoru b = (X:TX:)- 1X:Ty, prt.:y czym w przypadku tego modelu 27 :
,l
I 2,8000 3, 5000
3, 2000 3, 6000
3, 5000 3, 7000
,,
I 3, 6000 3. 8000
3, 9000 3, 8000
4.3000 4, 1000
lnx91 19 4.4000 4, 1000
]!lXIQt
''°
4.5000 4,6000
I 4,7000 4,3000
8
9
I 5.1000 4.5000 IO
27Log;trytmy zaokrąglono do 4 miejsc dziesiętnych. a elc rncnty rnacieny odwrotnej do 6 miejsc dzie-
się tnych:
pny 1ych zaoknig len iach oceny parnmetrów są bardzo zbliżone do ocen uzyskanych prty pełnej
dok!~dnoki obliczeń
l
3, 9000
4, 1800
4.4600
1
ln 4,5600
lnyy2
4,7000
Y= : = 4.9700
[ In \'9 5.1000
111 )' 10 5.3900
5,3700
5,6700
Zatem (det(XTX) = 9.97)·
[ 1~~~74 ]
JO 40 40 55 ] -'
b=
[
:~ :~:~ :~~:; ;~~:~ 195.075
=
55 239 .5 229.8 385 28 1.05

19 1. 158 175 - 34.889669 - 28.83 1494 11.6048 14] [ 48 3 ]
- 34,889669 [ l. 24373 1 1. 354062 - 2,818455 . 196:874 =
= [ - 29.83 1494 1.356062 7.522568 - 1.2 13641 195,075
I 1.6048 14 - 2,8 18455 - 1.2 13641 0.822467 28 1,05
I 3004 ] b 0 = lna 0
0:4442 6 = a
1 1
= [ 0.3896 b2 = a2
0.0353 b3 = c
Dane pomocnicze do obli czeni a parametrów stru ktury stochastycznej zaw i eraj ą ko-
lumny 6- 10 tablicy 3.5.
S! = J O~ 4 0.00984 = 0.00 166 . S, = j 0.00 166 = 0.0405.
0~~~
5
~' = ;~1 7 :
0 98
V,= · 100 = 0.8395%. = 0.0034.
D(bo) = j 0.00 166 · 19 1. 158 175 = 0.5600.

D (b 1
) = J 0.00 166· I1.24373 1 = O,1 358.
D (b„ ) = J 0.00 166 · 7.522568 = O. I I I I.
D (b3) = j 0,00 166 · 0.822467 = 0,0367,
ln .)>1 = l. 3004 + 0, 4442 ln x, 1 + 0. 3896 1n x, 2 + 0 .03531.
(0,5600) (0, 1358) (0, I I I I) (0 ,0367)
2.322 3. 270 3. 507 0.96 1
Wart ości współczyn n i k a z mi e nn ośc i resztowej V„ i w spółczy nn ika z bi eżno śc i
ś wiadc z ą
o bardzo dobrym dopasowani u modelu do obserwacji, natomiast nic wszystkie
parametry strukturalne s ą statystycznie istotne. Na poziomie i s totności 0 .05 - 10 .05 :6 =
= 2.447 stalystycznie nieistotne s ą oceny bo i b3. W tym ostat nim przypad ku b łąd ś re d ni
szacunku jest nieco w iększy od oceny, a w i ęc zmi enna I nieistotnie w pł ywa na zmienną
e ndoge ni czną Y (w analizowanym okresie zmiany zmiennej endogenicznej, jakie zacho-
dziły w czasie. były statystycznie nieis1otne18 )
Na zakoficzenie zapiszemy oszacowany model w postaci orygin:1lnej (el. 3004
~ 3.67 1)•
5,1 = 3 _671 . .r~;#ł2 . .r~i3896 . e0.03531.

Modelu tego jednak nie m oż na wykorzystać do wnioskowania, ponieważ nie wszyst-
ki e parametry strukturalne są statystycznie istotne, zatem najpierw nal eża ł o by model
po praw i ć, e l imi nując z niego zmien n ą czasową 1. Czytelni k zechce s praw d zić, że popra-
wiony model ma postać:
5,, = 2.227, .\'~]5656 . .r~/417
Wyeliminowanie zmiennej z modelu nieznacznie pogorszyło dopasowanie - współ
czynnik z bi eżn ośc i wzrósł do 0,0039 (dopasowani e poprawi a się wraz ze wzrostem licz-
by zmiennych objaśni ającyc h modelu), z mi e nił y s i ę także nieco oceny pozos tał yc h pa-
rametrów strukturalnych (w tym przypadku oceny wszystkich są statystycznie istotne na
poziomic istotności 0,05).
Można zatem pow i ed zieć, że wzrost majątku trwałego (X o l % powoduje wzrost
1 )
produkcji o 0,5656% pny stał y m zatrudnieniu, natom iast wzrost zatrudni enia (X 2) o l %
powoduje wzrost w i elkości produkcji o 0,44 17% przy s tałyc h nakł adac h majątku trwa-
ł ego.
3.3. Modele ściśle nieliniowe

W teorii i w praktyce ekonometrycznej występuj e szereg modeli nieliniowych i nie-
sprowadzalnych do liniowych za pomocą transfom1acji zmiennych. Wymienić tu można
c hoćby funkcje TOrnquista czy te ż takie krzywe S-kształtne, jak logistyczna czy Gom-
pertza
Warto podkreś l ić. że mamy ru ma myśli modele nieliniowe ze wzg l ęd u na para-
metry, a nie ze względu ma zmie nne. bo dopiero ten rodzaj nielin i owośc i rodzi trudn ośc i
estymacyjne, które- jak pokażemy dalej - często mogą być z powodzeniem przezwy-
ciężone i to, wbrew powszechnemu przekonaniu, bez w i ę kszego wysiłku numerycznego,
zwłaszcza dzisiaj, w dobie powszechnie dostępnych , dobrLe o programowanych i wydaj-
nych ko mputerów. I doprawdy trudno zrozumieć, dlaczego wielu badaczy nadal ograni-
cza swoje kreatywne m yś l enie do klasy modeli liniowych lub li nearyzowal nych, pomi-
j ając możliwość dokładniejszego opi su rzeczywi s t ości za pomocą „kłopotli wszych", ale
częst o bardziej adekwatnych do rzeczywis t ości modeli nieliniowych
28w przypadku analizowanej funkcji produkcji powiemy, że w przedsiębiorstwi<: nie obserwuje sii;: istot-
nych zmian produkcji pod wpływem postępu techniczno-organilacyjnego. bowiem wspólaynnik przy
zmie nnej czasowej interpretowany jest jako mi ernik tegu postępu (por. rozdział 5). Jeśli chodzi u ocenę
parametru bo. to gdyby zmniejszyć dokładność wnioskowania do O. IO - to. 10: 6 = I. 943, a więc na pozio-
mie is1otnościO.lO.toocenętęmożnabyuznaćzas1a1ys1ycznieisto1ną
Maji1c św i adomość, że przedstawiamy tylko podstawowe idee estymacji nieliniowej
(por. N.R. Draper, H. Smith L301), chcemy bardziej dociekliwym czytelnikom polecić
pracę O.A. Ratkowsky'ego (119]. która jest ob sze rną mono grafią regresji modeli nieli-
niowych. napisami przystępnym języki e m (chociaż z niezbędn:1 dozq koniecznej forma-
lizacji). W szczegó l no śc i w książce tej
• pornszono zagadnienia przejawiimia się nieliniowośc i, jej pomiaru, a ta kże wyni-
kaj ących z niej konsekwencji ,
• opisano techniki numeryczne estymacji nieli niowej.
• omówiono własności stochastyczne estymatorów uzyskanych za pomocą nielinio-
wej MNK, zwracając uwagę na fakt, iż w skotkzonych, a zwłaszcza małych próbach nie
mają one zwykle optymalnych własności asymptotycznych, w szczegó l n ości s ą obcią-
• rozważono wpływ parametryzacji modelu na własnośc i estymatorów, a zwłasz

cza na ich ewentualne obciążenie i wynikające stąd konsekwencje podczas weryfikacj i
modelu,
• zamieszczono wiele przykładów empiryczno-numerycznych, wyczerpująco wspie-
rających wywody i wnioski teoretyczne
Ponadto zachęcamy do lektury prac: D.M. Bates. D.G Watts flO]. M.J. Box fl2].
G.P.Y. Clarke [22] , R.D. Cook, J.A . Witmcr [23], 8 . Efron 13 1], P. Hougaard [69] oraz
R.I. Jennrich [75]. Są one artykułam i źródłowymi kluczowych zagadnień poruszanych
w wyżej wymienionej monografii i s tanow i ą waż n ą lit e raturę uzupełniającq i pog łębia
jącą.
Jako dalsze u z upełnienie proponujemy k s iążki: W. Mi lo [96] (mocno sformal izowa-

ne, ale pol s kojęzyczne sprawozdanie ze stanu wiedzy w zakresie estymacji nieliniowej)
oraz T. Stanisz fl25] (monografia będąca anal izą formalnych włas ności, w większośc i ,
modeli nieliniowych), a tak że prace, które są przy kładem praktycznego wykortystania
technik estymacji nieliniowej: A. Goryl {48], [49] i [50] oraz A. Goryl i A . Walkosz [51].
[53].
3.3.1. Nieliniowa MNK- algorytm Gaussa-Newtona

Załóżmy, że chcemy oszacować parametry nas tępującego modelu nieliniowego:
y, ~ J (x„ ~) + Ę„ I = I. (3 .19)
gdzie: y1 - obserwacje na zmiennej objaś n ianej: x1 = [x, 1] - wektor obserwacji na

K zmiennych objaś n iających , ~ = [,B j ] - wektor k parametrów strukturalnych; ~1 -
realizacje sk ładników losowych , przy czym o s kładnikach losowych ~1 zakładamy, że są
nieskorelowane, mają ś rednią zero oraz j ednakową , dodat ni ą i s koń czo ną wariancję.
Zauważmy, że w modelu nieliniowym nie ma zwi<1zku między liczbą zmiennych
objaśn i ającyc h K a liczbą parametrów k; zwykle w takim modelu parametrów jest więcej
ni ż zmiennych. tj . K < k.
Zastosowanie MNK wprost do mode lu (3.19), czyli wyznaczenie estymatora b wek-
tora parametrów ~. takiego że;
min S(p) = min
li li
tt= I
[y 1 - f(x 1 • ~)]2 = S(b), (3.20)
prowadzi (jako konsekwencja spełni enia warunku koni ecznego islnie nia ekstremum ze-
rowania s i ę pochodnych) do nieliniowego układu równań normalnych, który zwykle mu-
si być rozwiązywany za pomocą numerycznych procedur iteracyjnych
Alternatywą jest metoda Gaussa- Newto na. pol egająca na zast;:ipicniu w /-tej iteracji
model u (3 .1 9) liniową aproksymantą przez rozwinięcie w szereg Taylora z dokładno
śc ią do s kładnik ów liniowych (tj. pierwszych pochodnych), wokół /-tego przybli żen ia
parametrów p (I).
Yr = f( x,. ptll) + t ( a/(x,..p))

J= l a f11 11=11t11
({Ji - tJY1) + v,Ol =
= y,(11 '
+L z;?óJ1l+ v,Cll . r =I. (3 .21)
Jo=l
gdzie v,m = ;/'l + ;, - nowe składniki losowe, przy czym ~/I) są błędami wyraża
jqcymi odchy leni e pow stał e wskutek zastosowania :1proksy macji (pom ini ęc i e dalszych
wyrazów rozw ini ęc ia Taylora), które w miarę zbiegania s i ę procedury iteracyjnej będą
dążyć do zera, o ile przez właśc i wy dobór parametrów początkowych p (O) zainicjujemy
z bi eż n y proces iteracyjny
Model (3 .2 l) jest już lini owy względem parametrów 8]'1
= fJJ - tJj'> , a zatem mogą
być one szacowane za pomocą MN K:
(3 .22)
gdzie:
{I)
Z = [z,i ] = - .-
(/J [ Jf(X, . p)l - macierz 11 x k pie rwszych pochodnych cząslko-
ił fJJ 11=11(1)
wych względem parame trów, obliczonych d la ustalonych w /-tej iteracj i przybliże1'i pa>
oraz danych obserwacji na zmiennych objaśniających,
e(ll = [e~ 1 )] = [y, - y1(/J ] = [y, - f(x 1 • p<IJ )] - wektor różnic mi ędzy zaobser-
wowanymi wartościami zmiennej zależnej y1 a /-tym przybliżeniem y,(I) (wartości ami
teoretycznymi z /-tej iteracji).
Wartości tljl) są szacunkami 8)/J, czyli odchyleń /-tych przybliżeń od wartości µy>
rzeczywistych {31 . W następnej ite racji zamiast f3)1) bierzemy więc poprawio ne oceny
parametrów:
(3.23)
i ponownie rozwijamy funk cj ę (3. 19) w szereg Taylo ra według wzoru (3.2 1), ale teraz
wokół f3)'+ 1
l i ponownie stosujemy MNK .
Postępowa ni e kontynuujemy tak długo, aż wartości bezwzględne wszystkich popra-
wek będą równe zeru z zada ną do kładn ośc i ą e (np. E: = 1 o-6). J eże l i zachod zi to od
pewnej iteracji L , to za oceny MNK przyjmujemy oszacowania z tej w łaś ni e iteracji 29 ,
tzn.:
jeżeli dla wszystkich I ~ L i wszystkich j = L ... k ldJ/J I < e. to b = plLl. (3.24 )
Metoda Gaussa- Newtona sprowadza s i ę zatem do c ią gu zast osowa ń MNK , w któ-
rym ro l ę macierzy X (obserwacji na zmiennyc h objaś niającyc h ) pełni macierz z Ul
(pie rwszych pochodnych cząs tkowych wzg l ęde m parametrów, obliczonych dla ustalo-
nych przybli żetl p<n oraz zaobserwowanych wartości zmiennych ni ezal eżnych ), a ro l ę
wektora y (obserwacji na zmiennej za l eż nej ) peł ni wektor c (I J (róż ni c mi ędzy wartościa
mi empirycznymi zmie nnej zależnej y, a / -tymi przybliżen iami y,1 1J = /(x,. pOl))
Można pokaza ć (por. np. ( 12], [1191), że zgodnym i nieobciążony m oszacowaniem
asymptotycznej mac ieri;y kowariancji estymatorów parametrów jest macie rz:
(3 .25)
gdz ie
Estymarnry nieliniowej MNK mają, przy założe niu normalno ści sk ładników loso-
wych, takie same optymal ne włas no śc i asy mptotyczne, jak estymatory MNW. W małych
i sko ń czo n ych próbach m ogą być jednak obciążone. Box w [I 2] podał wzór pozwa l ający
sz acować to obciążenie:
E(b - ~) ~ B(b)"' --1,02 (b)

2S;;
t
1,,, 1
j z,(b). " [D 2 (b). H,(bll}. (3 .27)
gdzie: z,(b) - t -ty wiersz mac ierty z iLJ; tr - ś l ad (od ang. /race), czyli suma e lemen-
tów d iagonalnych mac ieri;y; H,(b) = [H1ij] =
2
[aJ{J;a/3jP>J
/(x,. -
r-ty „plaster" ma-
!ł = h
cierzy o wymi arach 11 x k x k drugic h pochodnych cząstkowych wzg l ędem parametrów.
obliczonych d la ustalonego wektora ocen b oraz danych obserwacj i na zmie nnych obja-
ś ni ających
Dzi eląc szacunki obciąże rl B(b) przez oceny parametrów b, otrzymujemy obciążenia
wzg l ędn e:
(3. 28)
któ re utri;ym uj ąc s i ę
w granicac h 1% ś wiadcz:1 (por. D .A. Ratkowsky [119]) o zbli -
żonych do właściwych mode lowi lini owemu włas n ośc iach esrymacyjnych i wczesnym
29 wpra\.:tyceczęściej J.:ortystasięzinnejregu!ystopu.amianowiciezzerowaniasię (zzadan;1do

k/adności<1) modu!ów poprnwc\.: względnych. co często znacznie ogrnnicza liczbę niezbędnych iternCJi. ale
niezupełnie jest zgodne z duchem metody. Są też badacze. którzy przerywają proces obliczeniowy. kiedy
s1abi li zujesięwariancjaresztowa
ujawnianiu się optymalnych własności asymptotycznych estymatorów parametrów, co
upoważnia do zastosowania zwyczajowej procedury weryfikacyjnej
W tym miejscu wyjaśnijmy też. że jeże li pozostaniemy przy kryterium średniokwa
dratowym, to żadna inna metoda nie da rezultatów lepszych ni ż nieliniowa MN K. I nie-
ważne czy to będz i e metoda Gaussa-Newtona, czy algorytm Marquardta, rezultat korl-
cowy będzie taki sam, różna może być najwyżej liczba niezbędnych iteracji
Na zako ń cze ni e tych ogólnych rozważań dodajmy, że metoda Gaussa- Newtona wy-
maga ,,dobrych" waności początkowyc h łł (OJ , gd yż w przypadku gdy Jł < 0 l nie jest dosta-
tecznie bliskie rzeczywistym wartośc i o m parametrów Jł , algorytm może ni c być zb i eżn y.
Dlatego te ż metodę Gaussa-Newtona na l eży zwykle kojarzyć z jakąś metodą uproszczo-
ną , dającą dobre początkow e przybliżenia parametrów, gdyż intui cyj ne ich odgadywanie
zwykle zawodzi. Takimi uproszczonymi metodami są np. metody 111 punktów czy te ż
11/ SU m
Metoda m punktów polega na arbitral nym wyborLC m (jeżeli 111 parametrów mamy
wyznaczyć) punktów empirycznych i założe niu , że współrzęd ne tych punktów spe łniają
dokładnie równanie rozpatrywanej krzywej. W ten sposób uzysk uje się układ (zwykJe
ni eliniowy) m równań z 111 niewiadomymi (parametrami ), którego rozwiązanie - nie
zawsze łatwe do uzyskania - stanowi szukane prz ybliżeni e parametrów. Trzeba jednak
zaznaczyć, że metoda ta może być zawodna (w tym sensie. że bę d zie dawać przyb li że
nie parametrów niegwara ntuj ące zbieżności algorytmu Gaussa-Newtona), szczególnie
wtedy, gdy wybrane punkl y są znacznie oddalone od hipotetycznej krzywej teoretycz-
nej . Dlatego dobrze jest nani eść na wykresie (jeś li da s i ę to u czy nić) punkty empiryczne
i naszk i cować pri;y bli żo n y przebieg hipotetycznej krzywej , w mi arę dobrze („na oko")
dopasowanej do danych obserwacji. Nast ępn i e n ależy wybrać 111 tych punktów empi-
rycznych, które są położo ne najbliżej narysowanej krzywej.
Jako przy kład , w tabli cy 3.6 przedstawiono wzory na p rą bli żeni c parametrów funk-
cji Tórnqui sta uzyskane w opisany wyżej sposób
Metoda m sum polega na podziale pierwotnego szeregu 11 obserwacji na 111, naj-
częśc i ej równych, podszcregów o licznościach 30 h = l11 / mj (w razie potrzeby n a l eży
odrz uc i ć p = (11 - m fi) E {O. l. . , m - l) początkowyc h obserwacji) i obliczeniu
dl a każdego podszcregu sumy obserwacji na zmiennej objaśnianej (lub jej transfonna-
cji). aby następ ni e na podstaw ie związków mi ę dzy sumami empirycznymi a „sumami
teoretycznymi" (tzn . powsta ły mi przez zsumow:mie wzorów) wyznaczyć szukane przy-
bli żenia parametrów
Metoda 111 sum daje z reguły lepsze prąb li że nia parametrów ni ż metoda 111 punktów,
ale z kolei nie jest tak uni wersalna, m ożna ją bowiem zwykle s to sować tylko w przypad-
kach, gdy zmienna objaśn i ająca jest równodystansowa (tzn. gdy x1+ 1 = x 1 + .d, a więc
np. w trendach) lub analityczna postać rozpatrywanej krzywej jest taka, że mo żemy ko-
rzystać z wzorów na sumę częśc i ową ciągu arytmetycznego lub geometrycznego. Na
przykład w tabli cy 3.7 podano wzory uzyskane metodą trzech sum dla uogólnionych
trendów wykładniczych 31
30[x]omaczae111ier x,czy liczęśćca!kowitqz x

31 Prt.y wyprowudzuniu fonnu! kort.ystano ze wzorów rw h -tą sumę częściową ci;igu geometrycznego
Przybli że nia wartośc i początkowych parametrów funkcji TOm4uista uzyskane metod'\ m punktów
Yi =ax; - )' r; - y
Yi =a __!_!__ y; = a x;x; +P
Xj + {J X; + {J
i = l. i = l. i = l.
Punkt y: (x 1. y1 ). (x 11 . y 11 ) Punkt y: (xl . Y1l · (xll. Yu ). (x lll' Y111 )
Prly bli żcn i a paramctrów Prtybliże n ia param e trów
a (OJ = (.111 - x1).1'1.l'u a<Ol (xm zm - xuzuH: u - : 1) - (_r11 : 11 -x, z1H: m - zu)
tn -"r - .t1-"rr (.1·111 -.1·11 H: n - : 1> - <xu - .r1l(z111 - zu >
p (O) = :.i_ (a (O) - Y1l =
p<Ol (.i·111 - x 11 H .ru : n - .r1: 1l - (.i·u - x 1H.r 111 : 111 - .r11 : 11 l
(.1 111 - x u l(:.: 11 - z1l - Ci-11 - x 1Hz 111 - z u )
-'.~
= ~ (a(OJ _ Yn l )'(Ol =.r1 - ~ (XI +p<O) )=xu - ~(xn +p<O) ) =
Żródio: opracowunicwłasn e
Ta blica3.7
Przybli żenia parametrów uogólnionyc h trendów wy kładni czych uzys kane rnctodą 111 sum
ze s tał ą Gorn pcrt z;i logistyczny

1
)'1 = a+fJY Yt = a fJY' _I'/ = J +{Je- Y I
/ = l, I =]. I = I. ,n
Pods tawieni e: ;:1 = y1 Pods!awi eni e: : 1 = ln y, Podstawienie: Z1 = I/ _1'1
Oblicza my S1 = ~· :1 .
p+ I
S2 = "f '
p+h+ I
:1 . S3 = t
p+211+l
:r.
gdzie: Ir = [ 3-J - li czba obserwacji w k<lżdym z trlec h pod szeregów:

p = n- 3 [3-JE (O. I. 2f - liczba odrzuconych infonn acji
oraz:A = ( S2-S3 ) l/ h B =~ ~ C =~ S1 S3 - Si
5 1 - S2 . AH 1 (S1 - 2S2 + S3) 2 . Ir (S1 - 2S2 + S.il3
Przy bliże nia parametrów Pnybli7.eniaparJ.:metrów Przybli żeniaparJ:m etrów
a (O) = C a (Ol =ee alOJ = 1/ C

{J (O) = B {J{O) = eH {J (O) = B/ C
)'(O) =A )' {O) = A )'{O) = - In A
żr6d ło : opracowan icwłas nc

Dodajmy, że wartośc i poczqtkowe parametrów, tj. ~ (Ol, może m y nieki edy l eż u zyskać
wy kortyst ując MNK nawet tam. gdzie fo rmalnie ni c powinna być stosowana (np. loso-
we zmienne objaś n i ające, niejasna specyfikacja składników losowych). Na tym etapie
ni e interesuj:1 nas bowiem forma lne własnośc i estymatorów parametrów, chodzi jedynie
o zainicjowanie zbi eżnego procesu iteracyjnego
3.3.2. Wybrane przykłady
Przedstawione wyżej podejście zi lustrujemy prtykładami estymacj i popularnych weko-

nometrii krzywych: T6rnquista I i trendu logistycznego
funkcje TOrnquista
Rodzina mikroekonomicznych funkcji popytu - krtywe TOrnqui sta (por. rozdział 6)
jest dobrym p rzy kładem modeli prawdziwie (istot nie) nieliniowych. Wbrew sugestiom
zawartym w wielu podręcznikach nic istnieje sposób sprowadzenia tych modeli do po-
staci lini owej (spotykane w literaturze propozycje linearyzacji „na s iłę" są dyskusyjne 32 ,
a ponadto, w św i et l e poniższych ilustracji , niepotrzebne). Ki e d yś, gdy komputery nic by-
ły tak powszechne i łatwo dostępne, ,.protezy" zamiast prawdziwej estymacj i może miał y
praktyczny sens. Dzisiaj, jak s i ę wydaje. takie podejśc i e nie jest usprawiedliwione.
Przykł a d 18. Na podstawie danych zawartych w tablicy 3.8. dotyczących mie s ięcz
nych dochodów na osobę (x;) oraz mi esięcznych wydatków na warzywa na osobę (y;)
w wybranej grupie pracowniczych gospodarstw domowych oszacować parametry funk-
cji TOrnqui sta I rodzaju (popytu na dobra elementarne)
Tablica3.8
Grupy dochodowe ( m iesięn;ne sumy dochodów na osobę w tys. z!)
800-1000 1400-1800 1800--2200 2200-2700 I powyżej

1mmeJ 2700
I 9
500.7 708.1 901.3 1195.3 I 586.7 1972.2 2410.6 13544.5

21.1 24.3 30.9 35.5 40.4 46.6 52.1 64.5
ź.ród!o:tlancumownc
32 Kontrowersja wynika st;1d. że naj pierw prtek.-;z1a/ca się nieliniową funkcję do postaci liniowej. a do-
piero póżniej nakłada się addytywnie skladniki losowe. Prleksz.talceni:i wsteczne ujawniają całą ułomnoU
i niepoprawnośćtakichoperncji
Rozwiąza nie.
Przedstawiony na rysunku 3. 17 rozrzut punktów empirycznych poka-
zuje, i ż zal eżność
wydatków na warzywa od miesięcznych dochodów na osobę z dużym
prawdopodobieństwem może być opisana za pomocą funkcji TOrnquista I rodzaj u
Rysunek 3.17. Rm:rmt punktów cmpiryo;nych wlc7;ności wydmków na warzywa od mies ięcznych docho-
dów na oso~ (w tys. zł)
J eś li przyjmiemy model:
y(x;. a, /3) = }'; = x;a~; fJ + ~;. (3.29)
to poc hodne cząstkowe funkcji (3.29) względem p:1rametrów a, f3 są równe:

ay _ x ;_ ay - ax;
a; X; +{3 ap (X; +f3)2"
Zatem w !-lej iteracji przy ustalonych przybliżeni ach parametrów a(I> i [J fl) (por.
(3.23))
Z11
(/) (3y)
= J; a;a(IJ = X/
X;
+ {3 (1) .
{3;{3(1 )
a wobec 1ego macierz z (ll oraz wektor ef1l są postaci
z"'= ['.':'µ o< . (x~:';;,~l' ].

x„ - a (llx„
e'" =[J' - '.~:~"'. ] a fll x„
(3.30)
x„ + [J <IJ (x„ + fJ UJ)2 Yn - x„ + /3(1)

Tak więc nasze zadani e w każdej iteracji sprowadza si ę do rozwiązan i a nastę-
pującego. liniowego względem wektora poprawek d (I) = [ ~r: J. układu równań

[( Z (/))Tz Ol ]d (I) = (Z (l))Te(I), tj. :
[ f=.~, (.<;:~«J)
2 f=.~' (x~:';;;,) 3 ] [")"c1gi ]=
" - a U> x? " (atll)2x;2
~ (l-i + f3Ul)J ~ (X;+ pVl)4
~ [f=.:, (Y•.- ,;:';.„, ). ,:•µ<". ] [d~' ]~
" ( a(llx, ) - a (ll x , d~1 1
~ y, - x„ + p(O (x; + {Wl)2
-[t. (x, :~!")' t. (x~:';;::)3 [t.

- a Ul r ~ (a(l)) 2 r ~
] _, (>• - ,;:';•"') x; :•P"' (] .
3 31
)
- "
{ ; (x; + p(;l)3 b "
(x; + ,8;1;)4 b " (
Yi -
a (I) x · )
X; + 13«n (x;
- a \11 r
+ fJ·U:)2
Jak wiemy ( por. (3.23)), dla l ~ O jest: a V+JJ = a(ll + d~I . 13(1+tJ = /J(l)+ dfl , natomiast
początkowe (startowe) wa rto śc i parametrów a COl , p(OJ należy u sta l ić z góry. Wartości te
wyznaczymy na podstawie wzorów zawartyc h w tablicy 3.6, mając nadzieję (bo pewno-
śc i mieć nie może my). że zai nicjują z bi eżny proces iteracyjny.
Przyjm uj ąc: x1 = x1 = 708, I, Yr = Y2 = 24.2 oraz xu = X7 = 2410,6, )'11 = )'7 =
= 52. I, otrzymujemy (por. wzory w tablicy 3.6):
a (O)= (2410,6 - 708.1 ) ·24.2 -52.l

2410.6 · 24,2 - 708. I · 52, I
99 , 394024 ~ 99 _
7
2~~~
1 2
~~~;
6
{J (O) = (99.394024 - 24.2) = (99.394024 - 52.1) =
~ 2188.233692 "' 2188 .
Wobec tego pod stawiając a<0 l = 99 i fj(O) = 2 188 oraz zaobserwowane wartości x ; i y;
(dla i = I. . . 8) do (3 .30), otrzymujemy 33
O, 18622 - 0.00686 2,66384
0.24450 -0.00836 0.09438
0.29175 - 0.00935 2.01685
z (O) = 0.35 329 - 0,0 1034 e (Ol = 0.52388
0.42035 - 0.0 1101 - 1.21478
0,47406 - 0.0 11 28 - 0, 3323 1
0.52420 - 0.01129 0.20390
0.61 83 2 - 0.01068 3,28666
A zate m na mocy wzoru (3.22) rozwiąza ni e m ukł adu równ ań nomrnlnych (3.3 1) jest
wektor poprawek·
33z konieczności podajemy wyni ki pośred n ie i końcowe z ogranicron ą dok/adnośdą (choc iaż wszystkie
obliczenia prowadzone były z precyzją. na jaką pozwalało narzędzie - w naszy m wypadku był to kalku-
lator progr.i mowalny Tl-85). ale n ależy pami ętać. iż musi lo być zwykle dokłmln ośt znacznie w ię ksza niż
prlyję ta liczba t (która najczęśc iej JeS l równa 10-5 lub 10- 6 ). Dos laleczną precyzję ob li cze ń zapewniaj;\
na ogół tzw. kalkulatory naukowe. Korzystiijąc z komput erów. musimy ją wymusić. deklarując odpowiedni
typ zmiennych - zmienne podwójnej precyzji
df' ] [ 1.36293 - 0.03220]-' [ 2.76356] ~
[ df) - 0.03220 0.00081 - 0,06358
14.49726
= [ 582.55 142
582.55142] [
24656,88620
2.76356 ]
- 0.06358 =
[ 3.02401
42. 17123
l
Ponieważ zarówno it1!0 )1.jak i ld~0 >I są większe ode= 10- 5 , następn•i iterację rozpo-
czynamy od:
[p:::] = [ µ:~~ ] +[~i~; ] = [ 21;:] + [ 4;:~;~~j] = [ 2i~~:~;~~~]

Z kolei olrzymujemy:
d!I} ] - [ l. 33593 - Q.032 ]5] - ' [ 0.02656] ~

[ d~I ) - - 0,032 15 0,0008 1 - 0.00054
15. 10330 596.43825] [ 0.02656 ] [0.08021]
= [ 596.43825 24781.93050 - 0.00054 = 2.50660
i pos tę powani e kontynuujemy aż spełnione zostani e założo n e kryterium mał ośc i popra-
ll
wek, tj. ld!1 < E i ldgJI
< E. co w naszym przypadku wystąpi w iteracji szós1ej.
Przebieg procesu iteracyjnego obrazuje tablica 3.9
Tabl ica3.9
Nriterncji O'(I ) p(I) s,

I
99 2188 3.02401 42.17123 1.99486

102.02401 2230.1 7123 0,08021 2.SłXKiO l.74149
102.10422 2232.67783 0.00412 0.17092 l.74146
102.10834 2232.84875 0.00028 0.01157 l.74146
102.10862 2232.86032 0.00002 0.00078 l.74146
102.10864 2232,86 111 0.00000 0.00005 1.74146
102.10864 2232,86 116 0.00000 0.00000 1.74146
:Żródło:opracmvan iewła•ne
Ostatecznie w i ęc (po L = 6 iteracjach, przy e = 10- 5 ) otrzymujemy wyniki przed-

staw ione w tablicy 3.1O
Obc iążenia wzg lędne %8 (.) obliczono z wzoru (3.28) na podstawie wzoru (3.27).
Przy czym, jak łatwo s prawdzi ć, i -ty plaster macicrą drugich pochodnych cząs tkowyc h
jest rów ny
+ 22~~-861 16)2]
o (x; +fJ
X; (l) )2 ] O (x1
H;= 2a<L>x, = x; 2 · 102.10864x; ·
[ (X; ;\~(LJ)2 (x; + P'" )' [(x;+ 2232.861 16) 2 (x; + 2232.86 11 6)3
Tab lica 3.IO
Oszacowanie 102, 10864 2232.86116

D (.) (6.77660) (274.48409)
15.06782 8,1 3476
% 8 (.) 0,4507% 0,8977 %
s. 1.74146
•' 0.01218
Źródło: oprocowaniewłasne
Poni eważ obciążenia wzg l ędne są małe, można uznać, że własności modelu są zbliżone
do własności modelu liniowego (wcześn iej uj<1wniły się asymptotyczne własności opty-
malne) i zastosować. przy dodatkowym zało że niu o normalności sk ładnik ów losowych.
zwyczajową procedurę weryfikacyjną właściwą modelowi liniowemu. z której wynika,
że nasz model możemy u znać za dobry - parametry są istotne, a miara dobroci dopaso-
wania cp 2 ni ska
Ostateczni e możemy napi sać:
• 102.10864.r;
Yi =X; + 2232.86116.
Powyższy model uzyskaliśmy przy założeniu addytywnych skfadników losowych.

Gdyby jednak. nie wnikając teraz w mery t oryczną zasadno ść. przyjąć alternatywny mo-
del z multiplikatywnymi skład nikami losowymi
(3.32)
to nic nie stoi na przeszkodzie, aby w tej nowej sytuacj i zastosować opisaną metodę. Wy-
starczy tylko model (3.32) sprowadzić do postaci z addytywnymi s kładnikami losowymi
przez zlogarytmowanie stronami
q(x;. a, {J) = q; = ln y; = ln x;a:; fJ + ~;= Ina + ln (x; + {J) + ~1 (3.33)
Zauważmy, żew sytuacj i logarytmicznej zależności między funkcjami J i q: q =

= ln(f), gdy mamy pochodne jednej funk cji, może m y mieć pochodne drugiej funk cj i:
af
. xK) i znanesą - oraz -- .
a' J to
iJX j CJx; iJXj
W sytuacji odwrolnej
q (x 1. . . . xK)= ln f(x 1, ... .rK)

.1 z nan esą -;--
aq ora z --
a2q . 10
axi ax;Jxi
!!__=!!..!!__oraz ~= f ( !!!__!..!!__ + _!_ ~) 3 35

ax; ox; ax,ax; a..., ox; f ox;ox; ( . l
Niemniej jednak odnotujmy, że układ ró wnań normalnych w me tod zie Gaussa- New-
tona dla modelu (3.32) w /-tej iteracji ma po s tać:
1
"
[d~' ] ~
[ .: , a tll (x; + fitl>) ]
(a (IJ ) 2
- f=
" I " I dm
- ~ a Ul (x; + fJ (ll) ~ (x; + f3Cl))2 P
- [ ;;k t IoJ'•<:,~:l'l) ]
(3 .36)
- t ---
1- ln y; (x; + pVI ) ,
i= I X; + 13m a Ol x ;
a potrzebne do obliczenia obc i ąże ń drugie pochodne cząs tkow e są równe:
a2q - 1 a2q ~ =O
(3 .37)
Ja 2 ~· ap. (x; + fJ )2 . aaa{3
J eże li wi ęc przyjmiemy te same, co poprzednio, wartośc i początkowe a {OJ oraz /J (OJ , 10

otrzymamy·
df:: i ~ [ 0.00082 - 0.00002 ] - ' [ 0.00243 ] ~

[ dfl - 0,00002 0.00000 - 0. 00008
253 19.301 63 87 1656.65 132 ] [ 0,00243 ] [ - 6,60426 ]
~ [ 87 1656.651 32 3153398 1.40040 - 0.00008 ~ -346.68451
oraz Se = 0.06669. a zate m:
[p::;J= [ µ::; ] + [ ;~i:; ] = [ 2 1 ~~ ] +[ -3~~:~~;~] = [ 1 s!~:~~;~~ J ·

Przebieg procesu i1e racyj nego oraz wyniki ko ń cowe podano w tablicach 3. 11 i 3.1 2.
Analizuji1c obie tablice, na l eży mi eć na w zg l ę d z i e , że odchyle nie standardowe resz-
towe S~ oraz współczy nnik zbi eż n o śc i do tyc z ą zmi ennej q , a w i ęc logarytmów natural -
nych wydatków na warzywa. Nie mniej jednak model ów (z multiplikaty wnymi składni
kami losowymi), który te raz może m y za pi sać jako:
j·; 92. 71482x;
Xi + \ 862.03 176.
n ale ży, podobnie jak oszacowany przy założe niu addytywnych składników losowych,
uzn ać za dobry.
Tablica3. ll
Nr iteracj i a Cll {3(1) s,

I
99 2188 -6.60426 -346.68451 0.06669

92.39574 1841.3 1549 0.29785 19.926 12 0.05098
92.69359 186 1.241 6 1 0.02050 0.76468 0.05083
92.7 1409 1862,00629 0,00071 0.02466 0,05083
92.71480 1862.03095 0,00002 0,00079 0,05083
92,71482 1862.03 174 0.00000 0,00003 0,05083
92.71482 1862.03 176 0.00000 0.00000 0,05083
Żródło:opr.icowaniewłasne
T11b lka3. 12
92.7 1482 J 862,03 176

D (.) (6.96945) (236,30508)
13.30303 7,87978
% 8 (.) 0.5277% 0.9 174%
s, 0.05083
•' 0.01530
Źródło:oprucowanicwłasnc
Sprawa jest wi ęc wysoce kłopo tliwa, bowiem bez dodatkowych zało że ń o mecha-
ni zmie generującym obserwacje (zapewne niełatwych do sprawdzenia) nie mamy powo-
du, aby kt ó ryś z tych modeli prefe rować. Jedno jest pewne - wyboru ni e powinniś my
doko n ywać mechanicznie, ki e ruj ąc s i ę np .jakośc i ą dopasowania. Decydo wać musi umo-
tywowana wiedza merytoryczna. W tym miejscu ni e będziemy roz s trzygać tych kwestii.
chc i e li ś my tylko pok azać. że za pomocą metody Gaussa- Newtona mo ż liwa jest estyma-
cja przy dwóch alternatywnych za ł oże nia c h o natu rze s kładników losowych, przy czym
j eś l i podj ę li ś m y ju ż trud obliczenia pochodnych w jednym przypadku, 10 bez trudu -
na mocy wzorów (3.34) albo (3.35) - otrzymujemy pochodne w drugim przypadku
Krzywe sigmoidalne - lrend logistyczny

W klasie nieli niowych modeli tendencji rozwojowej szczególnym zainteresowaniem cie-
szy ł y sic knywe S-k ształtne , a w ś ród nich trend logistyczny jako wyraz prlejawiania sic
logistycznego prawa wzrostu 34 . Wła s n ośc i takich krzywych, obszary i warunki zastoso-
3 4 Ki edyś to prawo było bardzo modne. wręcz uznane za powszechnie obowi <1zujące prawo rozwoju
Z cZ<łsern, poddane krytyce (naszy m ~..dan i em. nic Z<twsze s łusznej) . uległo zapomn ieniu. Dzisiaj wydaje
się, że jeśli nie samo prawo. to przynajmniej sama knywa logis1yczna (aczkolwiek 1rudno od rywać trend
logistyczny w r6żn)•chjego odmianach od prawa ruchu. prnwa rozwoju) pneżywa pewie n renesans
wań , a t a kże sposoby wyznaczani a parametrów można zn a l eźć w pracach: Z. Czerwi1lski
[26], A. Goryl [48] , [50], A. Gory l, A. Walkosz [57] , O. Lange [91] oraz T. Stanisz [125].
Niestety, najbardziej znane w literaturze metody wyznaczania parametrów trendu lo-
gistycznego, jak metoda Hotellinga (por. Z. Czerwi ński [26]) czy metoda Tintnera (por.
T. Stanisz [l25J) w pewnych symacjach zawodzą (por. A. Goryl, A. Walkosz [52]). S tąd
utrzymany w jednoli tej i uni wersalnej konwencji esty macji nieliniowej poniższy przy-
kład
Pnyklad 19. Na podstawie zawartych w iablicy 3. 13 danych, dotyczących popytu na

motocykle y, (w tys. szt.), oszacować parametry trendu logistycznego
Tablica3.13
1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997
10 li 12 14 15
21 46 92 156 218 260 283 293 297 299 300 300
Żródto:d:incumm•·oc
Rozwiqumie. Istotnie, przedstawiony na rysunku 3.18 rozrzut punktów empirycz-
L ..
nych wskazuje, że kształtowa n ie się w czasie popyru na motocykle wed łu g zależ n ości
logistycznej jest wysoce prawdopodobne
·~!
I 2 3 4 5 6 7 8 9 10 li 12 13 14 15
,,
Rysunek 3.18. Roznut punktów empirycznych popytu n:i motocykle
Przy zał ożeniu addytywnych składników losowych ~ 1 trend logistyczny dany jest
y(I) = y, = 1 + "{Je_Y, + S1 • I= L. (3.38)
gdzie: y, - 1-ta obserwacja na zmiennej endogenicznej; / - zmienna czasowa; ex . {J . y

- dodatnie parametry
Poni eważ pochodne cząs tkowe funkcji (3.38) względem a. fJ i y są równe
il)'
aa I + {Je - Y1
ay - ae - Y1
(3 .39)
a/i ( I + {J e-Yt)2
il)' af3 re-r'
ay ( I + fJe - rt)2'
zatem w /-tej iteracji, przy ustalonych przy bli że niach parametrów a V>, {J (I) . y Ul (por
(3 .22)), elementy macierq Z 111 są równe:
a wobec tego układ rów n ań normalnych w /-tej iteracji (czyl i w /-tym kroku)
L(Z ('J )Tz (llJd(/) = (Z (IJ )Te(ll ma postać·
" I
~ ( l + {J(/Je-r111, )2
[ d~'' ]
" - a (ll e- y111,
d (/) -
~ (I + {J(IJ e-y(llrp -
d~)
11 a Ul fJ ('l i e - r1n,
~ ( l + /3(1)e-r11Jr)3
(3.40)
natomiast a(O>, p<UJ. ytOJ na l eży usta l ić z góry. Warto ś ci te wyznaczymy wed ł ug wzorów
zawartych w tablicy 3.7 35 .
Ponieważ w naszym przypadku szereg empiryczny liczy 15 obserwacji. jest podziel-
ny przez trzy (nie musimy odrzucać żad n ej obserwacji), wobec tego li = 15/3 = 5
( p = 0) oraz, jak larwo sprawdzić·
I I I I
S1 = I + 4 + "9 + 2J + 4(; = 1.430469.
I I I I I
52 = 92 + 156 + 218 + 260 + 283 = 0.029247.
I I I I I
S3 = 293 + 297 + 29°9 + 300 + 300 = 0.016791,
a s tąd:
115
A = (~:~~~:; =~:~~:~:~) = 0.388840,
I - 0, 388840 · ( I. 430469 - 0.029247) 3
2.242053.
0,388840. (1,430469 - 2. 0.029247 + 0.0 16791) 2
~ 1.~·;:::~·~:~ .~~:~4~ :~~~~:~:]

1
c 0.003336
1 ostatecznie·
a(O) = 0.00~ 336 = 299. 770808 ,
{J(O) = ~:~~~~~ = 672. 102075.

ylO) = - Jn0. 388840 = 0.944586
Dziek.i metodzie trtech sum u z y s ka l i śmy wiec:

~ 299 . 770808
y, = I + 672. 102075 e-0. 944 586'
oraz, jak łatwo sprawdz ić :
2
S, ~ 2.203467 1p = O. 000253
Wobec tego obliczamy wektor poprawek (przyjęli ś my tym razem E = I0- 6)
d)"] [ 7.549591 - 0.235958 1260.156290]-' [ -7 .266599]

[ d~O)
d~O)
= - 0.235958 0.035100 - ]62,599388
1260, 156290 - 162,599388 776139,723406
0.292422 =
- 2459,425360
35z naszych doświadczeń wynika (por. A. Gory l. A. Walkosz [5 l ]). że tak otnymane przybliżeni;i zwykle
z powodzeniem ini cjuj•1 zb i eżny proces iteracyjny i niejednokrotni e są lepsze (w tym sensie. że duJ'I mniej-
SZ'\ sumę kwadrn1ów reszt) niż oszacow:mia uzyskane~ pomocą bardziej skomp likowanych procedur.jak
np. metoda Hotellin ga czy metuda Tin1nern
0.210766 - 5,70459 1 - 0.001537] [ - 7.266599] [ 0.58 11 80]
~ -5 .704591 11 19.595848 0.243815 0.292422 ~ -230.796875
[
- 0,00 1537 0.2438 15 0,000055 - 2459,425360 - 0,052464
Pon i eważ wart ości bezwzg l ęd ne poprawek prtcwyżs zają E = 10- 6 , a w i ęc nie za-
chodzi reg uła stopu (kryteri um zakończenia procesu iteracyjnego), zatem obliczamy po-
praw ione przybliżenia parametrów:
[•'"] [""'++d:°'
/J(l)
y<lJ +
=
] /j(O)
y(Ol
d~O)
tf~Ol
=
[299.770808 +
672 , 102075 - 230,796875
0.944586 - 0.052464
0.58 1180]
=
[ 300 . 35 1988]
44 1.3052(){)
0. 892122
i kontynuujemy obliczenia dotąd. aż wartości bezwzglę dne poprawek s taną s i ę
dosta-
tecznie małe. Rezu ltaty kolejnych iteracji oraz wyniki końcowe zestawiliśmy w tablicach
3. 14 i 3. 15.
Nr iteracji Cl'(/) p(ll y(I) tl~I) d(/) dv) Su

I
299.770808 672. 102075 0.944586

'
0.581180 - 230,796875 -0.052464 2.203467
300.351988 441.305200 0,892122 0.073703 35,987614 0.006605 2.888047
300.425694 477.292814 0.892727 -0.011596 5.403 167 0.001202 0.305946
300.414095 482.695980 0.893929 -0.000149 0.059023 0.000008 0.277357
300.413946 482.755004 U.893937 - 0.000003 0,000346 0.000000 0.277345
300.413943 482.755350 U.893937 0.000000 0.000000 0.000000 0.277345
7.I6dło: opracowanie wbsnc
Oszacowanie 300.413943 482.755350 0,893937

D {.) (0.130549) (6.183083) (0,001908)
230 1.150929 78.076800 468.573953
% 8(.) 0.0000% 0.0 109% 0.0004%
s, 0.277345
•' 0.000004
Wobec tego może m y nap i sać
- 300.4 13943
y, = I + 482. 755350 e-0.8939371 .
Se= 0.277345, rp 2 = 0.000004

Na zakorkzenie wróćmy jeszcze do tablicy 3.14 i za u ważmy, że wariancja resztowa
może początkowo z iteracj i na iteracje pr1.ejściowo wzrosnąć (ważne, aby poprawki nic
rosły. bo to świadczy o rozbieżności procesu iteracyjnego). ale z czasem si ę stabilizuje
i to wcześniej, nim wszystkie poprawki okażą s i ę co do m odułu mniejsze od E: (por. też
tablice 3.9 i 3. l I)
Zadania
46. W tabli cy 3.16 podano dane o dochodach (X w setkach zł na osobę) i wydatkach
na utrzymani e i urządzen i e mieszkania (Y w setkach z ł na osobę) w pewnej grupie rodzin
oraz logarytmy tych w i elkości zao krąglone do trzech miejsc dz i es iętnych .
TablicaJ. 16
ln x1 lny1
1.492 I.OOO 0.4

1.649 I.OOO 0.5
2.014 l.221 0.7 0.2
2.226 l.221 0.8 0.2
3.004 1.649 I.I 0.5
4.482 1.822 1.5 0.6
Żródło: daneumowne
Oszacować parametry modelu potęgowego Y; = a 0 . X~ 1 e e; , opisującego za leżno ść

•
wydatków na mieszkanie od dochodów rodzi ny.

47. W oparciu o podane w tablicy 3.17 dane, gdzie X - przeciętny mies i ęcz n y
dochód na osobę (setki zł). Y - wydatki na żywność (setki z ł ) 36 oszacować parametry
funkcji po t ęgowej Y1 = a 0 X~ 1 10'1 opisującej zależność wydatków na żyw ność od
dochodów rodziny.
TablicaJ. 17
logy, logx,
5.012 1.259 O.I 0.7

7.944 2.512 0.4 0.9
10.UOO 2.512 0.4
12.590 3.163 0.5 I.I
19.953 3.982 0.6 l.3
Żffidło:daneumownc
36 Log;iry1my dz.iesięlne obserwacji z.~okrąglono do cz1erech miejsc dziesiętnych

48. W tablicy 3. 18 podano informacje o cenie pewnego wyrobu (X w z ł ) i jego
sprzeda ży
( Y w tys. sztuk). Na l eży oszacować parame try modelu potęgowego Y1 =
= a 0 x~ 1 • ee'. op i s ując ego zależność sp rzedaży tego wyrobu od jego ceny.
ln yr ln.1 1
I.OOO 60.341 4.1 o.o

1.221 44.702 3.8 0.2
l .822 33.116 3.5 0.6
2.226 22.198 3.1 0.8
2.718 20.086 3.0 I.O
4.056 18. 176 2.9 1.4
49. W tab li cy 3. 19 podano dane o dochodach ( X w tys. zł n:1 osobę) i wydatkach

na kulturę ( Y w setkach z ł na osobę) w rodzinach kadry kierowniczej pewnej firm y oraz
logarytmy tych wiel kośc i zaokrąglone do 3 miej sc d zies i ęt nyc h
TablicaJ.19
ln y1 lnx1
I.OOO 2.718 o.o I.O

l. 221 3.320 0.2 1.2
l.822 4.482 0.6 1.5
2.226 6.686 0.8 1.9
2.718 9.974 I.O 2.3
4.055 13,464 1.4 2.6
4.0 10,5
O szacow ać parametry modelu potęgowego Y, = a 0 • x~ 1 • ee, , o pi sującego zależność

wydatków na kulturę od dochodów w badanych rodzinach.
50. W tablicy 3.20 podano dane o przec i ętn yc h mi es i ęczn ych dochodach ( X w zł)
i przec i ę tnym mie sięcz n ym spożyc iu mięsa i jego przetworów ( Y w kg na osobę) w pew-
nej grnpie rodzin
O szacować parametry modeli pot ęgowyc h Y, = a 0 ·x~ 1 · 1 0" 1 oraz Y, = a 0 ·x~ 1 ·ee' (li-
nearyzując przy wykorzystaniu logarytmów dziesiętnych i naturalnych), s prawdzi ć czy
postać oszacowanego modelu jest ta ka sama w obydwu przypadkach
Tablica3.20
350 2.50
400 2.60
450 2.90
3.32
3.60
3.94
Źfódło:daneumownc
51. Pewien producent wprowadzający na rynek nowy wyrób postanow ił zbadać za-
leżność wie l kości s prt.:edaży tego wyrobu ( Y w tys. sztuk) od testowanej jego ceny
( X w setkach zł ). Zebrane dane przedsiawiono w tablicy 3.2 l
X1 2.00 [ .00 [ .00 0.50 0.40 0.25
10 12 22 28
7..ródło:dancumowne
Nal eży oszacować parametry m~el u hipcr~li czncg? Y1 = ao + a 1_Ę + c, oraz

liniowego Y, = a 0 + a 1X, + s,, o pi s ujących zalezność wie lkości sprzedazy wyrobu od
jego ceny. Który z modeli lepiej opisuje bada n ą zależ n ość?
52. W pewnym przedsiębio rstwie w ciągu 8 mie s ięcy poddano szczegółowej ana-
lizie kształtowan i e s i ę kosztów jed nostkowych produkowanych wyrobów (Y w tys. z ł )
w zależności od w i elkości produkcji tych wyrobów uruchomionej w danym miesiącu
(X w tys . sztuk). W tablicy 3.22 prt.:edstawiono dane dla jednego z wyrobów
Tablica3.22
x, 0.08 0.10 0.20 0.20 0.25 0.50 I.OO 2.00
Żródło: dancumownc
W oparciu o rozrzut punktów empirycznych na l eży dobrać postać analitycz n ą mo-

delu o p isującego zależność s przedaży wyrobu od jego ceny i oszacować parametry przy-
jętego modelu
53. Pewien deweloper budujący osied le wi llowe postanowi ł zbadać zależność mię
dzy powierzch ni ą domu i kosztem 1 m 2 powicr1:ch ni domu (w stanic surowym). W ta-
blicy 3.23 podano potrzebne informacje (X - powierzchnia domu w tys. m2 , Y - prze-
cię tn y koszt budowy I m2 w tys. zł).
Tablica3.23
1·r O.I 0.125 0.2 0.25 0.5 l
Yr 6.5 5.2 3.8 2.5
Żr6Jło:daneumowne
(a) Oszacować parametry strukturalne funkcji hiperbolicznej Y1 = ao + a 1Ę + e1 ,

opi s ującej za l eż ność kosztu budowy I m2 od powierzchni domu
(b) Ocenić dopasowanie modelu do obserwacji w oparciu o waności ws półczy nnika
z bi eżn ośc i q; 2 i współczyn n ika zmienności resztowej Ve.
(c) Zwery fi kować statys t yczną istotno ść otrzymanych ocen parametrów.
(d) Czy prawdziwe jest twierdzenie, że graniczny koszt jednostkowy wynosi
1,5 tys. zł ?
54. W pewnym przedsiębiorstwie zbadano zale ż ność mi ędzy jednostkowym kosz-
tem produkcj i pewnego wyrobu ( Y w zł za sz tukę) a wielkością produkcji (X w tys
sztuk). Dane przedstawiono w tablicy 3.24.
X1 0.2 0.25 0.4 0.5 I 2
)'1 22
Źródło: dane umowne
O szacować parametry strukturalne funkcji hiperbolicznej Y, = ao + 0'1 -t, + e1 , opi-

s uj ącej zależność jednostkowego kosztu produkcji od w i e l kości produkcji
55. W oparciu o podane w tablicy 3.25 dane
Tablica3.25
.f/ 0.1 0.125 0.2 0.25 0.5
)'1 30 46 56 63 70
(a) Oszacować parametry strukturalne funkcji hiperboli cznej Y, = a 0 + a 1 -f- + e1

(b) Obliczyć i zinterpretować wartość współczynnika determinacji R 2 '
(c) Zweryfi kować stat ystyczn ą i sto rno ść otrzymanych ocen parametrów.
(d) Zweryfikować hipotezę, że wraz ze wzrostem X, Y wzrasta do poziomu 75
(e) Sprawdz i ć czy reszty modelu m ają charakter losowy (5 1 = 2, 5 2 = 6) i nie
wykazują autokorelacji.
56. Tablica 3.26 zawiera informacje o dochodach (X w tys. zł) i wydatkach na mi ęso
i przetwory (Y w zł) pewnej grupy rodzin
TablicaJ.26
X1 0.40 0.50 0.80 1.00 2.00 4.00
_1'1 12.18 20.09 44,70 90.02 181.27 200.34
(a) Oszacować parametry strukturalnej funkcj i w y kładni czej z odwrotnośc i :1

Yt = ea+fl·},+lr
(b) Zweryfikować s tat ystycz n ą i s totno ść ocen parametrów strukturalnych Cto.05:4 =
= 2. 776)
(c) Oce n i ć dopasowanie modelu do obserwacji w oparciu o wartość współczynn i ka
de1em1i nacji i współczynn i ka zmiennośc i resztowej
57. Produkcja pewnej firm y w latach 2003- 2008 (w mln sztuk - y1 ) przed staw i ała
sic n as tępująco: 15, 1O, 11 , 16, 23. Nal eży oszacować parametry parabolicznej funkcji
trendu produkcji Y1 = a 0 + a 1t + a 2 t 2 + E1. Przyjąć (a) 1 = I. 2, 3. 4. 5; (b) 1 =
= - 2. - I.O. I. 2.
58. W tablicy 3.27 podano szereg czasowy p rzeds t aw i ający sprzedaż soków owoco-
wych w latach 2002- 2008 ( Y w mln litrów) i zao krąg l one do trzech miej sc d zi es i ętnych
logaryt my nat uralne tych wie l kośc i
TablicaJ.27
Rok lny,
2002 3,320 1.2

2003 6,050 1.8
2004 6,050 1.8
2005 9,029 2,2
2006 9,970 2,3
2007 12.180 2.5
2008 18.170 2.9
Żródło: daneumowr>e
Oszacować parametry wyk ładni czej

funk cj i trendu :
(a) Y1 = a 0 . a~ . eE' ,
(b) Y, = e«o+ a ii +e, ( rów n oważny zapis tej funk cj i Y1 = ex p(ao + a 1t + E, )).
59. W tablicy 3.28 przedstawiono szereg czasowy sprtedaży wody mineralnej w Ja-
tach 2003- 2008 (Y w mln litrów)
Tablica3.28
Rok 2003 2004 2005 2006 2007 2008
5,lO 5.70 5,83 9.38 12.33 14, 10
Żr6dło:daneumowne
Oszacować parametry wykład ni czej funkcji trendu w postaci
(b) Y1 = ao ·a;· JOE',
tzn. linearyzując za pomocą logarytmów dziesiętnych i naturalnych S pra w d zić, czy

w obu przypadkach postać oszacowanej funkcji trendu i wynikające z niej wnioski są
takie same.
60. Producent pewnego wyrobu chce zbadać . czy zal eż n ość mi ędzy wie l kością
sprze da żyprodukowanych przez niego wyrobów a syste matycznie obniża n ą ich ceną
moż na opi s<1ćza pom ocą funkcji potęgowej . W tablicy 3.29 podano infonnacje o ce-
ni e (X w setkach zł) i w i e l kości sprzedaży (Y w tys. sztuk) jednego z wyrobów oraz
zaokrąg lone do trzech miejsc dziesiętnych logarytmy tych w i e lkośc i
Tab lka3.29
li1.t1 lny,
ll.023 2.460 2.400 0.900

7.389 3.004 2.000 l.100
6.050 4.482 1.800 l.500
4.953 4.482 1.600 l.500
3.320 5.474 l.200 l.700
2.718 8.166 I.OOO 2.100
Żród hdanc umownc
Na l eży oszacować parametry modelu potęgowego Y, = a 0 • x~ 1 e1:1 i oceni ć czy

dobrt:e opisuje badaną zależn ość. Czy można powiedzieć , że elastyczno ść cenowa sprze-
daży jest równa - 0, 9?
61. Maj ąc dane·

I 21 - 0.30 0.20 - 0.20] L' · ln y,~ 15,
(XTX)_ 1 = - 0:30 I. OO - 0.30 - 0.20 L lnx 11 • ln y1 = 8.
[ 0.20 - 0,30 0.36 - O. I O L: lnx,2_·ln y 1 = 10.
- 0 .20 - 0.20 -0. IO 0. 25 L In y,::i.
(a) Oszacować za pomocą KMNK funkcję produkcj i o postaci
(b) Zweryfikować statys tycz n ą istotno ś ć otrzymanych ocen parnmetrów, wiedząc że

S„ = O. I oraz fa= 2.365
62. W tablicy 3.30 zawarte są informacje o obrotac h ( Y w tys. zł) uzyskiwanych
prt:ez przedsiębiors t wo handlowe w lmach 1995- 2007.
Metodą Gaussa- Newtona osza cować parametry uogólnionego trendu wykładnicze-
go z addytywnymi s kł ad n ikami losowymi: y, =a + {Jy 1 + ~ 1 , t = I. , 13
Tablica3.30
1998
IO 12 13
43 48 55 63 75 90 11 2 140 179 231 30 1 396 524
Źródło:d aneomQW ne
63. Na podstawie zawartych w tablicy 3.31 danych kwartalnych, dotyczących sprze·

daży motocykli i skulerów w Polsce( Y w tys. sziuk) w latach 1957- 1962 (I = \, . 24)
oszacować me1odą Gaussa- Newtona parametry trendu Gompenza zarówno z addytyw·
1
nymi, jak i z nmhiplikatywnymi zakłóceniami losowymi, tj : y1 = rxffY +Si oraz )'1 =
= af3Y e~',t = 1.
1
.24.
Tablica3.31
Kwartał l kw. llkw lllkw IVkw l kw. llk w lllkw IVkw l kw. llk w lllkw IVkw
~ 1m 1m ~ ~1m 1m - ~1m 1m ~
IO
13.6 20.4 19.4 21.9 27.0 27.7 25,2 35,3 36.2 39.5 34,0 33.6
Kwartał l kw. llk w lllkw JV kw l kw. llk w lllkw JV kw l kw. [[k w lllkw JVkw
1960 1960 1960 1960 1961 1961 1961 1961 1962 1962 1962 1962
13 14 15 16 17 18 19 20 21 22 23 24
34.9 40.6 40.1 39.8 37.5 37.8 38.9 39.0 40.2 43.5 44.5 43.0
Żródło: A. Barczak, B<Ulcmie rm1<M"' /#1/>)'IU "idaóryrl• dóbr 1ru·11l<'~O 1i ~1·1ko"·1mi11 .. .le.szyty Naukowe Akademii
Ekonomicmejw Kmowirach" 1964.nr21
64. Wykorzy stując metodę Gaussa- Newtona oszacować parametry trendu logistycz·
nego z addylywnymi składn ikami losowymi , ale w dwóch różnych parametryzacjach
(a) Yr = I + "{3e- Y' + S1 (b) y, =

1
+af3y ' + S1
danymi tablicy 3.32, gdzie y, oznacza li czbę ludn ości Stanów Zjedna·
Pos łu żyć s ię
czonych (w mln osób), określaną w odstę pach dzies i ęc iol et ni ch od 1790 do 191 Or.
Rok 1790 1800 18 10 1820 1830 1840 1850 1860 1870 1880 1890 1900 1910
IO 12 13
_\'/ 3.929 5.308 7.240 9.638 12.866 17.069 23, 192 31.443 38.558 50.156 62.948 75.995 9 1.972
7..r6dło: H. Schulz. The SumdimJ Error of 11 forecaxl from a Cun·e. Journal of 1he Arn~rican Stalistical Associ
ation"l930.vol.25
Zbadać, która parametryzacja jest w tym przypadku korzystniej sza z punktu widze-
nia obc iąże nia ocen parametrów i z as tanowi ć s i ę, czy tych s pos t rLeżeń nic da sic uogól-
ni ć.
65. Na podstawie danych tablicy 3.33 o s zacować metodą Gaussa- Newtona parame-
try funkcji T6mquista f·
Yr = x,a:;/3 +~;.
gdzie: )'; - przec i ę tne roczne wydatki (w z ł ) na os obę na tłu s zc ze jadalne w gospodar-
stwach domowych pracowniczych w 1971 r.; x; - przec i ętn e roczne wydatki ogó łe m
(w zł) na osobę w gospodarstwach domowych pracowniczych w 197 1 r.
Tablica3.33
Gru py do- do 7201 - 960 1- 1200 1- 15001 - 18001 - 2 1001 - 24 00 1- 2700 1- 30001
chodowe 7200 - 9600 -1 2000 -1 5000 -1 8000 - 21 OOO - 24000 - 27000 - 30000 iwicccj
IO
593 66! 732 791 850 971 934 1030 1074 11 33
6784 18038 23 187 25640 3 1695
Źl"ódło: Roc znikSta1y s1yczny 1972
66. Tabli ca 3.34 zawiera dane dotyczqce prze ci ę tny ch rocznych wydatków og ółe m
x; (w zł na osobę) oraz pn:cc i ę tnyc h rocznych wydatków na war1.ywa i prt.ctwory y„
(w zł na osobę) w gospodarstwach domowych pracowniczych w l 974 r.
Tahlica3.34
~I 10302 13068 15586 19409 24112 28920 387 16
331 4 18 487 587 680 789 899
Źródło: RocznikS1a1ys1yciny 1975
O sz acować metodq Gaussa- Newtona parametry funk cji T6rnqui sta Il
y; = (<: =~ + ~;
67. W tabli cy 3.35 przedstawiono dane dotyczqcc przec i ę 1nyc h dochodów x; (w z ł
na o s obę ) oraz przeci ętn yc h rocznych wydatków na alkohol y; (w zł na os obę ) w gospo-
darstwach domowych pracowni czych w 1970 r
Tahlica3.35
Xj 7 177 9549 11 954 14862 17659 2 1430 31449
56 11 6 184 254 36 1 444 738
7..ródło:Roe1.nikS1mystyczny 1971
Os zacować za pom oc ą metody Gaussa- Newtona parametry funk cj i TOrnqui sta Ili :
y; = rxx;:::: ~~ +~;.
68. W 1ablicy 3.36 zawarte są infonnacje o wartości brutto produkcyjnego majątku
trwałego K 1 (w mln zł ) oraz o ś redni ej liczbie zatrudnionych w ciąg u roku l 1 (w oso-
bach), a tak że o wart ości produkcji czystej Q1 (w tys. zł )
Tab lica3.36
K, L, Q,
1 13.5 864.0
17.4 453 I 081.2
3 18.7 431 I 092.8
23.3 423 11 94. 1
24.4 424 1 225.6
6 24.2 471 1 284.6
7 28.6 486 I 409.7
8 31.2 I 502.7
9 34.1 1 597.4
10 33.2 1 634.8
11 35. 1 601 1 783.0
12 38.S 600 I 786.9
13 41.4 634 I 900.4
14 41 .1 690 1 972.8
15 42.2 70 7 2022.S
Żródło:<laneumow ne
M et odą Gaussa-Newtona o sz acować parametry funkcji produkcji typu Cobba-

- Douglasa z addytywnymi składnikami losowymi: Q1 = y K; l~ + ; 1 •
69. Na podstawie danych zawartych w tablicy 3.37 oszacować metodą Gaussa-
- Newtona parametry funkcji wykł adni czej: y1 = et.{J.r, +Sr
1\iblicaJ.37
.l/ 2
Yt :n 51
70. W tablicy 3.38 zamieszczono dane dotycz:we zużycia energii elektrycznej

w MWh na robotnika grupy p rzemys łowej i rozwojowej w przemyśle pań s twowy m w la-
tach 1970- 1975.
Tablica3.38
Rok 1970 197 1 1972 1973 1974 1975
5.5 6.0 8.0 9.0 10.3 li.I
źródło: RocznikSMystycznyPrzcmysłu 1976
Nal eży wyznaczyć m etod ą Gaussa-Newtona parametry trendów·

(a) wykładn iczego y, = et./J' + S,, t = I. . . 6,
(b) po tęgowego y, = arP + S1 • 1 I. = . 6.
a na s t ępn i e wybrać model lepiej opis ujący badane zjawisko i dokonać interpretacji otrzy-
manych wyników
7 1. W tablicy 3.39 zawarto następujące dane d o tyczące 22 gał ęz i przemy sł u uspo-

łeczni onego w 1962 r.: K; - śre dni a wartość środk ów trwałych (w mld zł) przypadająca
na jeden zakł ad; L; - ś redni a liczba roboczogodzin (w tys.) prąpadająca na jeden za-
kład; Q ; - średn ia wartość produkcji globalnej (w mld zł) przypadająca na jeden zakład
Oszacować metodą Gaussa-Newtona parametry funkcji produkcji Cobba-Douglasa
o stalych przychodach wzg l ę dem skali produkcji Uednorodnej stopnia pierwszego)·
Q; = y KrL:-a + S;. Pro szę zauważyć, że addytywne składniki uni e możliwiają przej-
śc i e do funkcji wydajności pracy 31 • a je dn ocześnie nic potrzeba s t osować MN K przy
warunkach pobocznych (warunkowej MNK)
37 w przypadk u mul1iplika1ywnych skladników losowych model można podzielić stronami przez L.

otrzymamy wówcz.is funkcję wydajności pracy jako potęgową funkcję technicznego uzbrojenia pracy.
Tahlica3.39
K; L; Q, K, L, Q;
12.609 181.01 21.826 12 15,487 132.15 14,483

23.395 165.69 26.186 13 6.877 79.42 9.796
3 19.057 318.82 31.127 14 6.498 122.00 11.085
4 16.578 202.61 22.723 15 4.396 54.97 6.312
5 22.847 218.74 29.267 16 15.421 125.20 15.171
5.310 72.06 6.802 17 5.583 79.51 9.350
9.273 104.22 12.759 18 9.465 98.87 11.413
8 12.144 128.46 16.029 19 11.435 88.56 11.718
9 38.988 331.31 33.797 20 6.434 80.11 9.180
10 8.431 123.76 I l.100 21 16.829 150.94 13.831
4,401 45.53 4.891 22 10.288 106.38 11.609
7..r6<lło:B. W~sik.(135)
72. Tablica 3.40 przedstawia wzrosl liczby pracowników firmy MICROSOFf (cały
świa t) w latach 1975-1994
Tablica3.40
Liczba Liczba
pracowników pracowników
1975 1985 li I 001
1976 1986 12
1977 1987 13 2258
1978 13 1988 14 3587
1979 28 1989 15 4759
1980 40 1990 16 5975
1983
Żr6dlo: .. PCKurier"" 1994.nr25
Oszacować za pomocą metody Gau ssa-Newtona parametry trendu wykładniczego

z odwrotnością
Y1 = exp (a -{J ~) +;,.
0>
Pro szę za uważyć, że wartości początkowe a C oraz p<OJ łatwo można oszacować za
pomocą zwykłej MNK dla model u z multiplikatywnymi s kładn i kami losowymi.
73. Wykorzys tując dane zawarte w tabli cy 3.4 1, os zacować parametr a modelu
y1 = x~ + t: 1 i asymptotyczny błąd ś redni jego szacunku. Jako kryterium zatrzymania
procedury iteracyj nej przyjąć : wartość bezwzg l ędną poprawki m n i ej szą od l % oceny
parametru
Tablica3.41
1.3499 1.22 14
1.6487 1.3499
2.2255 1.6487
2.4596 2.0138
4.0552 2.7 183
4.4817 3.3201
Zródło:daneumowne
74. (a) O s zacować st os ując algorytm Gaussa-Newtona parametr a model u y, =

~ _x,_
x, + a
+ t:, i błąd średni jego szacunku w oparciu o zawarte w tablicy 3.42 dane
Tablica3.42
_l't 0,52 0.57 0.6 0.72 0.78 0.8
Żród ło : daneu mowne
Warto ść począ t kową parametru a 0 zao krąg l i ć do O, I Jako kryteri um zatrzymania

ld
proced ury przyjąć 1 I < I% a 1 ( warto ść bezwzg l ęd n a poprawki mniejsza od I% aktu-
alnej oceny parametru).
(b) Powt órzyć procedurę dla modelu z mulli pli katywnym za k łóc en i e m losowym:
y, = x,: a ·eE'
75. (a) Oszacować paramelry mode lu nieliniowego y, = - -- mając dane
1
· e8 '
ao + a1X1
zawarte w tablicy 3.43.
Tablica3.43
Y1 OA 0.2 0. 125 O. l O.OS
Żród ło:daneumowne
Proce durę i teracyj n ą przerwać. jeś li dla wszyslkich parametrów spełniony będz i e
warunek ld'I
< 1%a1.
(b) Powtórzyć procedurę dla tego modelu z addytywnym zakłóce n ie m losowy m y1 =
I
~ - - - +,,
ao + a1X1
W obu przypadkach punkty startowe moż n a wyznaczyć np. MN K (po pomi n ięc i u
e1), biorąc od wrotności obu stron
76. Mając dane zawarte w tablicy 3.44
Tablica J.44
0.20 0.25 0.40 O.SO l ,00 2.00
_l't 0.0800 0.1000 0.1250 0.2000 0.2500 0.3333
stosując algorytm Gaussa-Newtona, oszacować parametry (a i {3) oraz ich przyb li żone
błę d y ś rednie szacunku mode lu
(a) y, = ___!!.!__!_ · eE' . (b)y, = X1a~,{3 + c1 .

x,+{3
Jako punkty startowe przyjąć: a 0 = 0.5000, {3° = l ,0000
Jako kryterium zatrzy mania procedury p rzyji1ć ldjl
< O.O l (obliczenia z do kładno
ścią do czterech miejsc dzies i ętnych)
Ta blicaJ.45
I. I 1.2
x, I
podać oszacowani e parametru {3 w drugiej iteracji (1: {3{2)) uzyskane za pomocą metody
Gaussa-Newtona dla modelu y1 = xf + c. Przyjąć b (Ol =O
Tablica3.46
I :: I o:' I 0~1 I 0,1 I O.I I

Żródlo:dancumowne
podać oszacowanie parametru f3 w drugiej iteracji (1: p l2!) uzyskane za pomocą metody
Gaussa-Newtona dla modelu y, = 13-•·, + e. Przyjąć b(OJ = I
Predykcja na podstawie
modeli jednorównaniowych
4.1. Uwagi wstępne
Oszacowane modele ekonometryczne przedstawiaj:1 ilo ściowe za l eż ności zachodz:1ce

miedzy zmiennymi w przeszł ości. Z drugiej jednak strony, stanowią podstawc procesu
wnioskowania o przyszłej realizacji zmiennych objaśnianych przez model, nazywanego
predykcją ekonometryczną. Konkretny wynik procesu predykcji to prognoza, która
jest wyznaczana dla wybranego okresu prognozowania
Rozważając problemy predykcji na podstawie modelu ekonometrycznego, trzeba
przyjąć założen ia determinujące kszta łt owan i e s ię zmiennych endogenicznych w przy+
szłości. Aby można było dokonywać predykcj i, trzeba dysponować
• oszacowanym (zweryfikowanym) modelem ekonometrycznym, opisujqcym bada-
ne zjawisko ekonomiczne (oszacowane parame1ry struktury stochastycznej - znany roz-
kład odchy l e ń losowych modelu, tj . wartość oczekiwana. wariancja itp.) ;
• wartościami zmiennych objaś niaj ących w okresie prognozowania (wie lkości zało
żo ne w planach, będące rezultatem ekstrapolacji trendów tych zmiennych czy też kre-
owane w scenariuszach rozwoju badanego pr.i:cd s i ęwz i ęc i a gospodarczego).
Ponadto wymaga się:
• stabilnośc i modelu, tzn. s t ab iln ości postaci anal itycznej oraz parametrów (w okre-
sie prognozowanym model zachowuje ważność, aktualnajesl postać analityczna modelu
oraz oceny jego parametrów strukturalnych, rozkład s kł adnika losowego rów n ież jest
stabilny w czasie);
• dopuszczalno śc i ekstrapolacji poza obszar zmienności zmiennych objaśni ających
wyslę puj ący w próbie, na podstawie której oszacowano model.
Prognoza ekonometryczna może być dana za pomocą jednej liczby, stanowiącej
możliwi e naj l e p szą ocenę przyszłej realizacji zmiennej prognozowanej - jest to pro-
gnoza punktowa , lub też wynikiem predykcji może być przedz iał liczbowy, który
z określo nym (bl iskim jedn ości) prawdopodobie1'tstwem będzie zaw i erać p rzyszłq real i-
zację zmiennej prognozowanej. Mamy wtedy do czynie nia z prognozą p rzedz iałową.
Należy jednak dodać, że przedział prognozy powinien być możliwie wąski, ponieważ
tylko wtedy jego wartość informacyj na jest stosunkowo duża
4. Predykcja na podstawie modeli jednorownaniowych
Prognozy wyznaczone w oparciu o model ekonometryczny, pomimo spe łni e nia

wszystkich wymaganych warunków, mogą róż ni ć się od rzeczywiście zaobserwowa-
nych wartości zmiennej endogenicznej (prognozowanej). Wynika to przede wszystkim
z istnienia w modelu ekonometrycznym składn i ka losowego, reprezentującego efekty
wszystkich czynników niewystępujących w modelu w postaci jawnej. W związku z po-
wyższym warto znać rząd w i e l kości spodziewanego błędu przy wyznaczaniu prognozy,
stąd też w predykcji ekonometrycznej wysuwa s i ę dwa postulaty :
• wynikiem każdego procesu predykcji powinna być nie tylko prognoza, lecz także
wartość odpowiedniego miernika rLędu dokładności predykcji,
• predykcja powinna być efektywna, tzn. miernik rzędu dokładności predykcji po-
winien kształtować s i ę na korzystnym poziomie.
W praktyce korzysta s i ę z błędu prognozy (miernik ex post), który określa różni
cę między rzeczyw i ście zaobserwowaną wartością zmiennej endogenicznej a wartośc i ą
obliczonej dla ni ej prognozy. Natomiast efektywność predykcji określa się wyznac zając
wariancję predykcji oraz błąd śre dni predykcji (miary ex ante). Btąd śre dni predykcji
informuje, o ile średn io rzeczywiście zaobserwowane wartości zmiennej endogeni cznej
w okresie prognozowanym będą się odchylać od wartości prognozy
Na koniec uwaga ogólna: predykcja powinna być procesem permanentnie prowa-
dzonym. Krokowo budowane prognozy ze sta ł y m korygowaniem są najlepszą rękojmią
precyzji wnioskowania
4.2. Klasyczna predykcja na podstawie

modeli przyczynowo-opisowych
Predykcja na podstawie modeli opisowych (przyczynowo-skutkowych) nabiera szczegól-
nego znaczenia wtedy, gdy występuje z mi en n ość analizowanego procesu gospodarczego
i nie można wyodrębnić trwałej tendencji rozwojowej. Predykcja na podstawie tych
modeli jest szczególnie istotna w okresach prze łomowyc h . w trakcie gwa łt ownych i nie-
spodziewanych zmian kształtowania s i ę procesów ekonomicznych, a więc np. w okresie
zmian koniunktury gospodarczej czy też w szczegó lno śc i przy transformacji systemu
gospodarczego, jaka c i ągle jeszcze dokonuje s i ę w Pol sce. Wyznaczenie prognozy
zmiennej endogenicznej w oparci u o model przyczynowo-skutkowy umoż liwia także
poznanie k sz tałtowania s i ę mechanizmu rozwojowego tej zmiennej, zależnej od wielu
czynników występujących zarówno w przeszłości , jak i w okresie prognozowanym
Prognozę zmiennej endogenicznej w okresie prognozowanym buduje s i ę opierając
s i ę na oszacowanym modelu ekonometryczny m tej zmiennej, zwykle zgodnie z zasad:1
predykcji nieobciążonej, przy założen iu , że zmienne obj a śn iające modelu przyjmą z góry
określone wartości. Warto zauważyć, że w praktyce dysponujemy ocenami parametrów
strukturalnych, a nie prawdziwymi ich wartościami. W związku z powyższym pojawia-
ją s i ę błędy w procesie predykcji. Dodatkowym źródłem błędów są wahania składn i ka
losowego oraz błędy śre dni c szacu nku parametrów strukturalnych.
Progno zę p u nktową Y można wyznaczyć na podstawie mode lu (wstawiając zało
żone wartości zmiennych objaśniajqcych) lub według wzoru:
4.2. Klasyczna predykcja na podstawie modeli przyczynowo.opisowych
yf = x! ·a. (4.1)
gdzie: a - wekior ocen paramet rów strukturalnych modelu, x. - wektor założonych
wartości zmiennych objaśniaj ącyc h w okresie prognozowanym, który oznaczać będz i e
my T , tj
x. =
xro: ]
X71
(4.2)
[. rT K
Jak j uż wspomn iano. podając progn ozę, n a l eży t akże podać miern iki rzęd u jej do-
k ł ad ności
M ierniki d o kładn ości wyznaczanych prognoz dzieli s i ę zwykle na mierniki ex anre
i ex posl.
Mierniki ex anie obliczane są w momencie wyznaczania prognozy; pozwalają oce-
n i ć jej dokładno ść z góry (zanim będzie znana rzeczywista realizacja zm iennej progno-
zowanej). Należą 1u-
Waria11 cja predy kcji ex anie
(4.3)
gdzie: x. - wektor wartości zmiennych objaś n iających w okresie prognozowanym zde-
fi ni owany wzorem (4.2); D2 (a ) - macierz wariancj i i kowariancj i ocen parametrów
strukturalnych (2 .1 7); S'} - wariancja resz1owa
Uwzględ niając, że D 2 (a) = s;(XTX ) - 1 , otrzymujemy v,;
= x!S;1(XTX ) - 1x. + s;
i ostatecznie alternatywny do (4.3 ) wzór. wedł ug którego można obliczyć wa riancję pre-
dykcji (po wy łącze n iu przed nawias wariancj i resztowej) przyjmuje postać·
v} = s; 1x;cx Tx )- 1x. + l} (4.4)
Wari ancj ę predykcji można t akże ob l iczyć ze wzoru skalarnego
K K- 1
v,; = L xJT D2 (aj) +2L LxjTXsTCOV(a j. a.,) + s;. (4.5)

j=I j = I s>j
gdzie: X jT · X sT - założone wart ości zmiennych objaśniających w okresie prognozo-

wanym; D 2 (a j) - wariancja estymatora ai, cov(aj.as) - kowariancja estymatorów
parametrów a i. a ., .
Średni błqd predykcji:
(4.6)
Okre śla on o
ile, śred ni o, w dłu gim ciągu predykcji rzeczywiste realizacje zmiennej pro-
gnozowanej będą s ię odchylać co do bezwzględnej warto śc i od prognoz
Względny błqd predykcji
v,,
Vwzgl. = IYf] 100
(4 .7)
pozwala oce ni ć, jaki procelll obliczonej prognozy stanowi błąd średni . Zwykle prognozy
uważa się za bardzo dobre, gdy V" "lgl. S: 3%, za dobre, jeże l i 3% < V""lg!. ~ 5%, a jeśli
Vwzgl. > I 0%, 10 prognoza jest niedopuszczalna
Prog nozę prze działową, przy założeniu , że skł ad n iki losowe maj<1 rozkład normal-
ny, wyznacza sic zgodnie z nastcpuj ącą formu ł ą 1
P{yj. - ta VI, < YT < yf +ta v,,\ = I - a, (4 .8)
gdzie: l - a jest p rawdopodobieństwe m tego, że zmie nna prognozowana YT przyj mie

wartość z tego przedzi a ł u (poziomem ufn ości); fa odczytuje się z tablic rozkł adu 1 Stu-
denta dla przyję 1ego poziomu i s t otności a i n - k stopni swobody (11 jest liczbą obser-
wacj i, k - l iczbą szacowanych parametrów)
Mierniki ex post okreś l ają odchylenia rleczywistych realizacji zmiennej prognozo-
wanej od wyznaczonych prognoz. Obliczane są po upływie okresu, na który prognoza
by ła obliczona (T). Na l eżą tu m. in .
Błąd prognozy obli czany jako róż n ica między rleczywist ą wartością zmiennej en-
dogenicznej w okresie prognozowanym T (YT) a wyznaczo n ą dla niej progn ozą (yi)·
(4 .9)
Średni błąd prognozy ex post
s„ = / _!__ L <YT-yj.) 2. (4.10)

Vli! T
gdzie m jest liczbą okresów, dla których dysponujemy rt:eczywistymi realizacjami

zmiennej prognozowanej. M i crą on o il e, śre d n i o, realizacje zmiennej prognozowanej
odchylają się od obliczonych prognoz
Wzg lędny błąd predykcji ex post
\l,p = l;.;I. (4 .1 1)
w~półczy1111ik rozbieżn ości Th eila
(4 . 12)
_!__ ł y~
Ili T = l
./(i informuje, jaki jest cał kowity względ ny bł ąd predykcj i w okresie empirycznej we-
ryfikacji prognoz, bez wzg l ędu na to, co było przyczyną takiego stanu rzeczy.
I stotną zal etą współczyn n ika Thei la jest możli wość rozłoże ni a go na sumę trzech
sk ł adników·
(4 . 13)
które pozwalają bliżej określić charakter błędów aproksymacji:
1W dużych próbach la można zastąpić wielkością Ila odczytaną z tahlic dystrybuamy rw;k!adu nonnal-
ncgo dla przyję1cgo poziomu istotności a (110.05 = 1.96. stąd często w praktyce 95%-owy pncdział uFności
jest przyjmowany juko .1·f ± 2Vµ)
4.2. Klasyczna predykcja na podstawie modeli przyczynowo.opisowych
I~ = (ji~ - jif}2, (4. 14)

;~Y}
Ii= (s~ -sn2 . (4.15)
- Ly}
111 r
tJ = 2sr.~f(I - rr>, (4.16)
- L:T Yi
Ili
gdzie: S'r. Yf - średnie arytmetyczne, odpowiedni o, rzeczywistych realizacji zmiennej

prognozowanej i jej prognoz: s 7 • sf - odchylenie standardowe, odpowiednio, od war-
tości fr i S•f w okresie, dla którego dysponujemy rzeczywistymi realizacjami zmien-
nej prognozowanej; r.,. -
wspó łczy nnik korelacji liniowej między wartośc iami y.,. i yf
w tym okresie.
Po podzieleniu tych trzech mierników przez / 2 otrzymujemy:
~-
I I = fi•
1,2
/~,--- -,
',.
,2 ~-
I 3 = fi
1,' (4 .1 7)
Mierniki ą, iJ, i] mi er~ą, jaką część cał kowitego względnego błędu predykcji sta-
nowi błąd wynikający odpowiednio (por. [148], s. 48-49):
• z obciążenia predykcji (niedostatecznej zgod n ośc i przeciętnych warto śc i Yr i Yf
w okresie empirycznej weryfikacji prognoz),
• z niedostatecznej e la stycz ności predykcji (niedostateczna zgod ność poziomu zróż
ni cowania warto śc i y.,. i Yf w okresie empirycznej weryfikacji prognoz),
• z niedostatecznej predykcj i punktów zwrotnych (niedostateczna zgodność kierun-
ku zmian wano śc i Yr i yf w okresie empirycznej weryfikacji prognoz).
Przykład 20. W pewnym przedsiębio rstwie wielkość produkcji, zatrudnienia i majątku

trwałego w latach 2001 -2007 kształtowały się jak w tablicy 4. 1, gdzie: Y, - wielkość
produkcji (w tys. sztuk): X 11 - liczba zatrudnionych (w setkach osób); X, 2 - wartość
majątku t rwałego (w mln zł)
(a) Os zacować parametry strukturalne modelu:
I = 1, .7
(b) Wyznaczyć prognozę wielkośc i produkcji na 2008 r., wiedząc, na podstawie pla-
nu śred nioterminowego, że liczba zatrudnionych (X 71 ) wyniesie 8 · 100 osób, a wartość
majątku trwałego (X n) - 25 mln zL zatem wektor założonych wartości zmiennych
objaś niającyc h ma postać:
dla2008 ex. ~ [j]

(c) Do ko n ać
oceny d okł ad n ośc i wyznaczonyc h prognoz, ob li czając wari a n cję i bł<1d
średn i predykcji (miary ex al/fe) oraz b ł ąd prognozy ex fJOS/, w i edząc że zrealizowana
w i elkość prod ukcj i w 2008 r. wy n ios ł a 150.0 tys . sznik
(d) Wyz n aczyć prognozy p rzedzia ł owe wielkości produkcj i w badanym pm:dsię
biorstwie dla lat 2008, 2009, 20 10 (tj. dl a T = 8. 9 i 10), wiedząc że:
dla2008 c. x. ~ [ ~]. db2009 u , ~ [ ~] . dla2010c. x. ~ [ ~]

25 26 27
Tahlica4.1
2001 80.6 3.8 11.0

92.8 4.3 16.5
2003 95.9 4.9 17.0
2004 95.0 4.7 16,0
2005 103.4 5.1 18.5
2006 104.5 5.6 20,0
2007 113,8 6.6 21.0
Rozwiąza 11ie. (a) Korzystając z klasycznej me1ody najmniejszych kwadratów osza-

cowano parametry struktural ne modelu. Wyniki ob l iczeń są nas t ępuj ące
7.00 35.00 120.00 ] 686.00]
xTx = [
35.oo 179.96 6 16,20 . XTy =
[
3 485.35 .
120,00 6 16,20 2 121.50 11 960.80
5.2408 15 - 0,7763 - 0.07096 ]

(XTX)- 1 = - 0,7763 1.133619 - 0.28535 .
[
- 0.07096 - 0.28535 0.087368
Wektor ocen parametrów a = (X TX )- 1X Ty , a w i ęc
5.2408 15 - 0.7763 - 0.07096 ] [ 686.00] [40.783 ]

a ~ - 0.7763 1.133619 - 0.28535 3485.35 ~ 5.44654
[
- 0,07096 - 0.28535 0.087368 11960,80 l.7491
Oszacowany model przyjmuje postać
Y=
1 40.783 + 5,447x11 + l ,749x12. R2 ~ 0.9826. s; = 2.8945.
(3. 895) (1.8 11 ) (0.503)
4.2. Klasycma predykcja na podstawie modeli przyczynowo.opisowych
5.240815 - 0.7763 -0.07096 ]

~ 2.8945 · [ =~~~~~ 6 -~ ~~;~;9 -~·~g;~S ~
2
0 (a)
15. 1695390 175 -2.24700035 -0.20539372 ]

= - 2.24700035 3.28 12601955 - 0.825945575 .
[
- 0.20539372 - 0.825945575 0.252886676
(b) Na podstawie oszacowanego modelu wyznaczymy progno zę wielkości produkcji

na 2008 r., przyjmując że zmienne X i X 2 będą się kształtować na poziomie, odpowied-
1
ni o. 8 oraz 25. Stąd:
Y[008 = 40,783 + 5.447 · 8 + 1,749 · 25 = 128.0824
Można zatem przyj:1ć , że wielkość produkcji w 2008 r. będz i e wynosić 128 tys. sztuk.
przy z góry przyję t ych założe niach o wielkości zatrudnienia oraz o wariości majątku
trwałego przedsiębio rstwa
Warto podkreślić. że w praktyce gospodarczej częs t o konieczne są badania sy-
mulacyjno-predyktywne. które polegają na budowaniu prognoz dla różnych poziomów
zmiennych objaśniających w prt.:ys złych latach. Prakt yka gospodarcza odwołuje s i ę
również do prognoz wariantowych - budowanie prognoz w warunkach najbardziej
niekorzystnych, śred ni ch i najbardziej sprzyjających (prognoza pesymistyczna. prze-
ciętna. optym istyczna).
(c) Aby ocenić dokładność predykcji, obliczamy wariancję predykcji, ty m razem ze
wzoru skalarnego (4.5):
v,; = 2
1 15.1695390175 + 82 • 3. 2812601955 + 25 2 • o,252886676+
+ 2[1 · 8 · (-2,24700035) +I· 25 · (-0,20539372)+
+8·25' (-0.825945575)] +2.8945 ~
= 383.224 - 376.599 + 2,8945 = 9.5185
i macierzowego, np. (4.4):
15, 1695390 175-2.24700035 - 0.20539372 ] [

v,; ~ l Is 2H [ - 2.24700035 3. 2812601955 - 0.825945575 · 8 +2 .8945 ~
I]
- 0.20539372 - 0,825945575 0,252886676 25
~ l - 7,9413067825 3, 354441839 - 0,49079 142] [J] + 2.8945 ~

= 6.624 + 2.8945 = 9,5185 .
Oczywiście wynik otrtymany z obydwu wzorów jest identyczny

Błąd ś redni predykcji (4.6)
v, ~ )9:5i8s ~ 3, 085,
tzn .. p rzec i ę tni e, rzeczywiste warto śc i zmiennej Y będą s i ę odchyh1ć od wyznaczonej

prognozy ( 128 ,0824 tys. sztuk) o ±3. 085 tys. sztuk .
Względ n y błąd predykcji (4.7)
3.085
Vw,.g1. = 128.0824. IOO = 2 .4I %.
ni eprLe kraczający 3% św iadc zy, że prognoza jest bardzo dokładna .
Błąd prognozy ex post obliczony według (4.8) - j eże li wiadomo, że r.teczywista
wielkość produkcji w 2008 r. wynosiła 150 tys. sztuk (Jr= 150) wynosi
Q = 150.0- 128.0824 = 21.9176 tys. sztuk.
a w i ęc prognoza była
niedoszacowana ; dość duża rozbieżność mi ędzy rzeczywiście za-
obserwowaną wartością zmiennej endogenicznej a jej prog nozą jest skutkiem przede
wszystkim zastosowania ni edoskonalej metody prognozowania, jak rów ni eż niezbyt do-
brego dopasowania modelu do danych empirycznych; wskazuje to na potrzebę uzupeł
nienia rozważań wyznaczeniem prognozy pri:edziałowej.
(d) Prog n ozę przedziałową, przy za łożen iu , że składni ki losowe mają rozkład nor-
malny, ustala s i ę zgodnie z formułą (4.8)
Wartości prognoz punktowych (yf) na Ir.ty kolejne lata obliczono przyjmując, że
wektory założonych wartości zmiennych objaśniających maj ą pos tać:
dla2008 c. x. [ ~ ~],
dio2009c..x. [ ~ ~].
dla 20 10c.. x. [ ~ ~]
25 26 27
Obliczone prognozy oraz odpowiadające im wartości błęd ów predykcji V„ przedsta-
wia tablica 4.2.
Tablk114.2
Rok yf v, llwzgl
2008 x.=[I 8 25 )T 128.083 3.085 2.41%

2009 x.=ll 8 26 )T 129.831 2.964 2.28%
2010 x.=[I 9 27 ]T 137.027 3.905 2.85%
Żródło: opr.1<·owanie własne
Wartość odczytana z tablic rozk ładu t Studenta dla za ło żo n ego poziomu i s t o tn ośc i
ot= 0,05 oraz 11 - k = 7 - 3 = 4 stopni swobody t„ = 2, 776
Prognozy przedziałowe wielkości produkcji wyrobu wynoszą, odpowiednio
Pl\28.083 - 2.776 · 3,085 < J2oos < 128.083 + 2.776 3.085) = 0,95.
czyli
P{ll9.520 <y 2008 < 136.644 )= 0.95.
Pl 121.604 < J'2()0') < 138.059] = 0.95.
P\1 26. 188 < )'2010 < 147.866} = 0,95
4.3. Modele tendencji rozwojowej jako narzędzie predykcji
A zatem z prawdopodobiefistwem I - a = 0.95 można s twi erdzić, że wiel kość pro-

dukcji rozpatrywanego wyrobu będzie się kształtować w granicach wyznaczonych prze-
działów. tzn. w 2008 r. ll 19.520; 136.644), w 2009 r. [121.604; 138,059] i w 2010 r
[126.188; 147.866].

Mode lem tendencji rozwojowej nazywamy ekonometryczny model jednorównaniowy,
którego postać analityczna jest stała w czasie, a jedyną zmienną objaśniającą jest zmien-
na czasowa 1 lub jej funkcja. Zmienna czasowa t nie występuje w związku przyczynowo-
-skutkowym ze zmienną endogeniczną i jest traktowana jako syntetyczny wskaźnik
zmieniających się warunków determinujących rozwój analizowanego zjawiska
Predykcja na podstawie klasycznego modelu tendencji rozwojowej wymaga
•ustalenia (doboru) postaci analitycznej funkcji trendu f(r) na podstawie zebranych
danych statystycznyc h,
• esty macj i parametrów modelu
Wykorzystanie oszacowanego mode lu w procesie wnioskowania w przyszłość jest
stosunkowo mało skomplikowane, ponieważ nie wymaga s i ę znajomości z góry war-
tości zmiennych objaśniających (znane są wartości zmiennej czasowej 1 w kolejnych
okresach prognozowania T). Prognozę dla okresu T ustala się mn ożąc wektor wartości
zmiennej czasowej t lub jej transfom1aty dla okresu prognozowanego T prnez wektor
ocen parametrów strukturalnych modelu . Natomiast oceny dokładności i efektywności
predykcji dokonuje s i ę analogicznie jak w przypadku mode lu ekonometrycznego (pod-
rozdz i ał 4.2)
Modele tendencji rozwojowej są prqdatne przede wszystkim do budowy prognoz
operatywnych, a więc krótkoterminowych i średniotenninowye h . Można sądzić. że
zmienna prognozowana i określające ją czynniki c harakteryzują się wtedy znacznym
stopniem stabi lno śc i i regu l arności, co czyni wyznaczoną prognozę bardziej wiarygod-
ną. Natomiast stosowanie rozważanych modeli tendencji rozwojowych do wnioskowania
długookresowego może okazać się ryzykowne ze względu na możliwość pojaw ienia s i ę
zmian jakościowych w rozwoju badanego zjawiska
Przykład 21 . Wydobycie węgla kamiennego w jednej z kopalli Górnego Śląska w la-

tach 1997- 2007 przedstawiono w tablicy 4.3
Tablica4.3
1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007
Wydobycie węgla ka-

130 137 140 145 154 161 160.5 172 178 185 192
n11cnncgow1ys.10n
(a) Wyodrę bni ć tenden cję rozwoj ową wielkośc i wydobyc ia węg la kamiennego dla
lat 1997- 2007, pr zyjmuj ąc lini ow ą funk cj ę trendu (rozrzut punktów empirycznych na
rysunku 4. l potw ierdza trend liniowy)
(b) Oce ni ć dopasowanie lini owej funkcji trendu do rzec zy wi śc i e zaobserwowanych
w art ości w oparciu o anali zę parametrów struktury stochastycznej
(c) Wyz naczyć prog nozę wydobycia węg la kamiennego rozw ażanej kopalni dla lat
2008 ; 2009.
Rozwiązanie. (a) Za pomoc ą MNK wyznaczamy oceny parametrów strukturalnych
et i {3 liniowej funk cj i trendu:
Y, =a + {3 · r + e, (4 .1 8)
M oż n a w tym celu w yk ortys tać ukł ad równ ań normalnych. który dla liniowej funkcji
trendu ma pos tać
ua+b L;1 ~ L; y1 •
"L: 1 + b L: 1' ~ L: 1 „,.
(4 .19)
Oblicze nia pomocnicze zawiera tablica 4.4 (kolumny 2- 5) ; po podstawieniu stosownych

w i e lkośc i do pow yższego układu otrzymujemy·
I la
66a
+ 66b =
+ 506b =
I 754,5
I I 203. 5
l .
którego rozwią zani e m jest a = 122.6 ; b = 6. 15,
Tablica4.4
,, Yr ·I
1997 1 130 130 128.75 1.25 l.56 - 29.50 870.25 -5 25

134.90 2. IO 4.4 1 - 22.50 506.25
141.05 -1 .05 I.IO - 19.50 380.25 -3
147.20 - 2.20 4.84 -14.50 2!0.25 -2
2110 1 5 153.35 0.65 0.42 -5.50 30.25 - 1
2002 161 36 966 159.50 1.50 2.25 1.50 2.25 o
2003 160.5 49 11 23.5 165.65 - 5.15 26.52 I.OO I.OO
2004 8 172 64 1376 17 1.80 0.20 0.04 12.50 156.25
2005 9 178 81 1602 177.95 0.05 o.oo 18.50 342.25
2006 10 185 100 1850 184.IO 0.90 0.81 25.50 650.25
2007 11 190.25 1.75 3.06 32.50 1056.25 25
L 66 I 754,5 506 11203,5 1754.50 o.oo 45,01 o.oo 4 205,50 11 0
Żródło: opracowaniewłasne
Można t akże skorzys t ać z wzoru (2 .1 3)

a = ( X TX )-I X Ty,
gdzie:
130
137
140
145
154
y= 161
160.5
172
178
1 10 185
1 11 192
a s t ąd
a ~ ["&] ~ [11 66]_, [ 1754.5]
55 506 11 203.5 ~
[ 122.6 ]
6, 15
Oszacowana fu nkcja trendu jest nas tępująca:.)•,= 122,6 + 6. l5t
Rozrzut punktów empirycznych i dopasowaną li n ię trendu przedstawiono na rysun-
ku 4.1
Rysun ek 4.1 . Wydobycie węgla kamiennego w latach 1997- 2007 (punkty empiryczne i dopasowa na
linia trendu)
(b) Aby oce n ić dopasowani e funkcj i trendu do rzeczy wiście zaobserwowanych war-
tośc i wydobycia węg l a kamiennego, poniżej obliczono oceny parametrów strukt ury sto-
chastycznej. Dane pomocnicze do ich obliczenia zawiera tablica 4.4 (kolumny 6- 10)
Wariancja s kł adnika resztowego :
t (y, - f,J' 45 0?5

s; =r =l11 -k = l l·--2 =5 ,0028.
O dchylenie standardowe skład ni ka resztowego

S„ = j5.(){)28 = 2.237 tys. ton,
czyli wartości wynikające z funkcji trendu (teoretyczne) odchy l ają sic od wartośc i em-
pirycznych zmiennej endoge ni cznej (wydobycia węg l a) przeciętnie o ±2.237 tys. to n
Współczy n n i k zb i eżnośc i
t
(y, - y,)' 45 025
rp2 ='-- -' -- ~ - · - =00107
,E
<Y1 - )')2 4205.5 . .
zatem wielkość wydobycia węgla kamiennego w latach 1997- 2007 w bli sko 99% wyni-
ka z działania składni ka systematycznego, nawmiast tylko oko ł o I% to wpływ sk ł adn i ka
prt:ypadkowego.
Macierz wariancj i i kowariancj i ocen parametrów strukturalnych:
o'c·) ~ s'cxTx)-' ~ 5 0028 . [ - 0.045545

,, <'
0.4 18182
'
- 0.054542]
0.00909 1
(gdzie a = [: } i błędy średnie szacunku parametrów:

D(a) ~ J5.0028 · 0.4 18182 ~ 1.45.
D(b) ~ /5.0028 · 0.00909 1 ~ 0.2 1.
Ostatecznie oszacowany model tre ndu można zapisać·
5'1 = 122.6 + 6. 151

(1.45) (0.21)
Parametry strukturalne są statystycznie istotne (r(a) ~ 84, t(b) ~ 29,3). Można uznać ,
że funkcja li niowa dobrze opisuje badaną zależność i może stanow i ć podstawę procesu
predykcj i.
Ocena parametru O' - a = 122,6 informuje o wie l kości wydobyc ia węgla kamien-
nego w 1996 r. (r = 0). Natomiast ocena parametru {J, czyli b = 6. 15 informuje, że
w i elkość wydo bycia węgla kamiennego w latach 1997- 2007 wzrastała średnio rocznie
o 6. 15 tys . ton.
(c) Na podstawie oszacowanego modelu liniowego wyznaczono prognozy wydobyc ia
węgla na laia 2008 i 2009. W 2008 r. zmienna objaś n iająca T = 12, w 2009 r. T = 13.
y[008 = 122.6+6.15 · 12 = 196.4.

y{009= 122.6+6.15· 13=202,55
Nal eży się zatem spodziewać, że wydobycie węgla kamiennego w 2008 r. wyni esie
196,4 tys. ton, a w 2009 r. 202,55 tys. ton
Do oceny dokładnośc i predykcj i ex ame można wykorzystać wari an cję predykcj i
((4.4) lub (4.5)), błąd śred n i predykcji i błąd wzg lędny predykcji ((4.6) i (4.7))
W przypadku funkcj i trendu błąd śred ni predykcji m ożna t ak że obliczyć (wynik bę
dzie taki sam, jak w przypadku wzoru (4.6)) stos ując wzór
(T - 1) 2 l
1
VP = Se ~ (r _ i)
2
+ -;; + 1: (4.20)
L (r - iV obliczono w kolumnach 11 i 12 tablicy 4.4
v„12 = 2.237
(12 - 6)'
- - - + Ti+
I
l = 2.237
)36
JiO +Ti+ I=
I
11 0
= 2.237 j"i"Al82 = 2,664 tys. ton,
V„ 13 = 2.237
(13 - 6)'
- - - + Ti+
I
l = 2.237
)49
JiO +Ti+ I=
I
11 0
= 2,237 Ji.53636 = 2.773 tys. ton
Prognozy są bardzo dokładne , ponieważ błąd względny (4.7) dla 2008 r. wynosi l,36%,
a dla 2009 r. - l ,37% wyznaczonej prognozy.
Można jeszcze wyznaczyć prognozy przedziałowe (wedłu g wzorn (4.8)). Przyjmu-
j ąc poziom ufnośc i 0,95 dla a= 0.05 i 11 - k = l I - 2 = 9 stopni swobody ta = 2,262:
2008' P{l96.4 - 2,262 · 2,664 <O J'T <O 196,4 + 2,262 · 2.664) ~ 0.95.
2009 : P{202.55 - 2.262 · 2. 773 ::: YT ::: 202.55 + 2.262 · 2. 773) = 0. 95.
Zatem z prawdopodobierlstwem 0.95 wydobycie węg l a będzie się zawierać w przedziale
w 2008 r. YT E [190.374: 202.4261, a w 2009 r. YT E [195.978: 208 .5 23]
Przykład 22. Dane o kształtowaniu się wartośc i produkcji (Y w mld zł) w pewnym
przedsiębiorstwie w latach 1999- 2008 przedstawiono w tablicy 4.5
T11blica4.5
Produkcja w mld zł Produkcja w mld zł

()'1) ()'1)
1999 4.5 2004 Il.O

2000 3.5 2005 16.l
2001 4.1 2006 15.5
s.o 21.0
7.6 26.4
Żródł o:danc u111ownc
(a) Oszacować parametry strukturalne i parametry struktury stochastycznej wykład

niczej funkcji trendu.
(b) Wyznaczyć prognozę kształtowania s i ę wartości produkcji w latach 2009, 2010
i 201 1, zakładając, że tendencja przedstawiona za pomocą funkcj i wykładniczej utrzyma
s i ę w następnych latach. Ocenić dokładność predykcji
Rozwiąza nie. (a) Analiza graficzna (rysunek 4.2), a także analiza przyrostów warto-
ści produkcji przedsicbiorstwa potwierd zają, że odpowiednia bcdzie funkcja wykładni -
cza, np. o postaci:
Y1 =ao·a; JOE' ,
gdzie t jest z mi enną czasową, przyjmującą wartości kolejnych liczb naturalnych (t =
= 1.2 . . . 11 = IO). Parametry tej funkcji możn a oszacować KMNK po uprzednim
sprowadzeniu jej do postaci li niowej pn.:ez logarytmowanie. Otrzymamy wówczas (por.
podrozd z iał 3.2):
log Y1 = loga 0 +t loga 1 + E: 1 lub alternatywnie ji, = {30 + {3 11 + E:1

Wektor ocen parametrów tej funkcji
b= [~~ ] = [ :~~::~]
obliczamy z wzoru:
gdzie:
I ,, log y1 0.60206
logy2 0.54407
I; logy3 0.61278
I logy4 0.69897
I ,,
/4
log ys 0,8808 1
X= I ,, Y= log ."6 1.04139
I ,, logy7 1.20683
I 8 log.rs \, 19033
,,'• 9 logy9 1.32222
JO log.v10 1.42160
''°
Obliczenia pomocnicze zamieszczono w tabli cy 4.6.
x'-=
y
[ L:(logy,)·t
L:Jogy, ] =[ 61.0633
9.52107]
·
det x Tx = 825.
-
\ogy = -9.5210-107 = 0.95 2107.
h=
Jog a0 ]
[ loga 1 =
[ 0,4666667
- 0.0666667
- 0,0666667 ]
0.0 1212 12
[ 9.52 107]
61 .0633
[0,37228
= 0. 105422 ·
l
Możn a zatem zapisać, że
log.91 = 0. 37228 + 0.105422t.

logy1 12 logyr·I logy1 logy1 - logy1 e'f logy1 -logy1 (logy1 -logy1)2
I 4,00 0,60206 I 0,60206 0.47770 0.124 0.0155 - 0.35005 0,123

3.50 0.54407 1,08814 0.58312 -0.039 0.0015 -0,40804 0.166
3 4.10 0.61278 1,83835 0.68855 -0.016 0.0051 -0.33932 0.115
4 5,00 0,69897 16 2.79588 0.79397 -0,095 0.0090 - 0.25314 0.064
5 1.60 0.88081 25 4.40407 0.89939 -0.019 O.OOJ3 -0.07129 0.005
11.00 1.04139 36 6.24836 1.00481 0.037 0.0013 0.08929 0.008
16.10 1.20683 49 8.44778 1.11023 0.097 0.0Cl93 0.25472 0.065
8 15.50 1.19033 64 9.52265 1.21566 - 0.025 0.0006 0.23822 0.057
9 21.00 1.32222 81 11.89997 1.32108 0.001 0.0000 0.37011 0.137
IO 26.40 1.42160 100 14,21604 1.42650 - 0.005 0.0000 0.46950 0,220
55 114,20 9,52107 385 6 1,06330 o.oo 0,0434 0,00 0,96-0
Źródło:opracowaoie własne
Parametry st ruktury stochastycznej obliczamy dla modelu w postaci liniowej. Zatem
s; = 11
~k L (log Y1- IV,) 2 = ~. 0.0434 = 0.005425,
S, = J0.005425 = 0.073655.
Macierz wariancji i kowariancji ocen parametrów s1rukturalnych:
O'( J=0005425 [ 0.4666667 - 0.0666667] = [ 0.0025316 - 0.00036 16]

a · -0.0666667 -0.0 121212 -0.00036 16 0.000065
i błędy średnie szacunku parametrów
D(logao) = J0.00253 16 = 0.0503 15.
O(log a 1 ) = J0 .000065 = 0.0080622.
l{J2 = LOogy,-1<;gy,)2 0.0434

o:960 = 0,0452 " 4, 5%.
L<Iogy1- logy,) 2
2 2
R = l - cp = 0.9548.
R= Jc):9s4s =O . 977139.
Ve = \:;y 100 = ~:~~~~~~ = 7.736%.

W celu zweryfikowania statystycznej i s t otności otrzymanych estymatorów para-
metrów strukturalnych obliczono wartość statystyk.i r
I (log ao) = 0~~57:32185 = 7.40.

o. 105422
r(logai) = 0.0080622 = 13 · 03 ·
Ostatecznie całość wyników estymacj i można zap i sać nastę pująco
1V = 1 0,37228 +O, I05422r. S, = 0.073655.

(0.0503 I 5) (0.00806)
1(loga0 ) = 7.40. t(loga 1) = 13.08.
cp 2 = 0.045. V„ = 7. 7%.
Łatwo zauważyć, że model został dobrze dopasowany do danych empirycznych (pa-

rametry strukturalne są statystycznie istotne, współczynniki cp 2 i Ve przyjmują wartości
stosunkowo niskie). Stwierdzenie to pozwala powrócić do postaci pierwotnej funkcji
trendu, tzn. do funkcji wykładniczej pn~cz ,.odlogarytmowanie" (odwrotność logarytmu)
jej parametrów strukturalnych:
bo= 0.37228 = logao--+- ao = J0°· 37228 = 2,356568,
b 1 =O. 105422 = loga 1 --+- a 1 = J0°· 105422 = 1.27474 1,
czyli:
S•r = 2.356. 1.275'.
Graficznie rozrzut punktów empirycznych oraz dopasowaną do nich funkcję trendu pre-
zentuje rysunek 4.2.
'·: ~
15
IO
•
j • •
o ~~~~~~~~~~~~~~~
1 2 3 4 5 6 7 8 9 IO
Rysunek 4.2. Wartość produkcji pncdsiębiorstwa w latach 1999-2008
Można zatem stwie rd zić, że średni poziom produkcji w badanym pnedsiębiorstw i e

w roku 1998 (1 = 0) wynosił 2,356 mld zł , a w rozpatrywanym okresie średniorocz
na stopa wzrostu wynosiła 1,275, czy li co roku wartość produkcji wzrastała śred nio
o 27.5%.
(b) Przystąpimy teraz do wyznaczenia prognozy wartości produkcji badanego przed-
s i ębiorstwa w latach 2009, 2010 i 2011. W prt.ypadku nieliniowych, ale dających się
sprowadzić do postaci liniowej, modeli trendu prognozę oblicza s i ę w oparciu o model
zlinearyzowany, a więc:
4.3. Modeletendeocji rozwojowej jako narzędzie predykcji
log y{009 = 0.37228 + 0.105422 l I = 1.531922 --> y{009 = 101.531922 =

= 34, 0347 mld zł.
logy{010 = 0.37228+O. 105422 12 = l. 637344--> y{o 10 = 101. 637344 =

= 43,3854 mld zł ,
logy{011 = 0 .37228 +O, 105422 13 = l. 742766--> yfo 11 = 101.742766 =

= 55,5032 mld zł
R ów ni eż dla modelu z linearyzowanego o blicza s ię błędy ś redni e predykcji ex allfe

(np. według (4.1 9)), przy czym do oszacowani a ex ame błędu prognozy wyznaczonej
z modelu ni eli niowego, transformowanego do postaci lini owej kor~ysta s i ę z zal eż nośc i
(por. r1481. s. 80).
v,, = (4.21)
gdzie: vp- średni błąd predykcji obl iczony na podstawie mode lu li niowego (po prze~
kształceniu y w Y= f(y,)); ~(yf) - wartość pochodnej funk cj i transformującej
dy
model do postaci li niowej oblicz~na dla wartośc i prognozy yf.
Zauważmy, że w przypadku modelu wykł ad ni czego (a tak że potęgowego) Y =In y 1,
dln v, P I
~(Yr)=Yf.
a wobec tego·
V„=-f=V„-yr (4.22)
Yi
Obliczone przy zastosowaniu wzoru (4. 19) (błędy ś rednie predykcj i ex ante dla
Jog yf) i (4 .2 1) (d la y.f) wynoszą odpowiednio:
2009 : V„ = 0.0892. V = 0.0892 · 34.0347 = 3.036 mld zł,

1,
3.036
v„.lgl. = _ 100 = 8,92%,
34 0347
2010: vp = 0,0976, v„ = 0.0976. 43,3854 = 4.2344 mld zł ,
4.2344
Vwzgl. = 43,3854 100 = 9, 76%,
2011 : V„ = 0.0983, v„ = 0.0983. 55.5032 = 5,4560 mld z ł ,

5.4560
Vwzgl. = . 100 = 9.83%.
55 5032
Jak w i ęc w id ać, mimo bardzo dobrego dopasowania modelu do obserwacji, wyzna-
czone prognozy są na granicy dopuszcza l nośc i (bł ędy względne są bliskie 10%)
4.4. Wybrane modele adaptacyjne w procesie predykcji

z.e względu na walory poznawcze, modele adaptacyjne są zbliżon e do klasycznych
modeli tendencji rozwojowej, opisują bowiem ksz t ałtowanie s i ę zmiennej endogenicz-
nej (a więc także zmiennej prognozowanej) w czasie, bez wnikania w mechanizm
przyczynowo-skutkowy jej rozwoj u. Istnieje jednak zasadnicza różnica przemawiająca
na korzyść modeli adaptacyjnych. które mogą być stosowane w przypadku, gdy rozwa-
żana zmienna charakteryzuje s i ę dużą n ieregu l arnością i za ł amani ami trendu. Ponadto
warto wskazać na stosunkowo dużą precyzję prognoz wyznaczanych na podstawie mo-
deli adaptacyjnych
z.e wzg l ędu na różnorodność modeli adaptacyjnych przedstawiamy jedynie najbar-
dziej popu larne i praktycznie n ajczęściej wykorzystywane, a więc model wyrównywania
wykład n iczego oraz metodę wag harmonicznych w powiązani u z metodą trendu pełza
jącego, którą t akże zali cza s i ę do klasy modeli adaptacyjnych. Prezentacji wybranych
modeli adaptacyjnych dokonano przy za łożeniu, że zm ienna prognozowana nie wykazu-
je wah ań periodycznych, a jedynie odzwierciedla trend i wahania losowe
4.4.1. Metoda wyrównywania wykładniczego

Duża elastyc zność modeli adaptacyjnych i ich zdol ność dostosowawcza w przypadku
dezaktualizacji model u, po l egaj ącej na zmianie zbioru zmiennych objaśniających czy też
jego analitycznej postaci sprawia. że st ają się one w łaściwym n arzędziem prognozowa-
nia krótkookresowego, zwłaszcza wtedy, gdy preferujemy w procesie predykcji model
tendencj i rozwojowej .
Model wyrównywania wykład n iczego stanowi jeden z klasycznych modeli adapta-
cyjnych, opracowany pierwotnie przez R.G. Browna. Poniżej zaprezentowano algorytm
postępowani a przy aproksymacji i budowie prognoz ekonometrycznych
Przykład 23. Na podstawie danych dotyczących wielkośc i produkcji cementu w mln

ton w Polsce w latach 1989- 2007 (tablica 4.7) dokonać prognozy produkcji cementu
w Polsce dla lat 2009 i 2010, stosując metodę wyrównywania wykładniczego
Tablka4.7
Rok 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1
Produkcja cementu
w mln ton 6.6 7.3 7.5 7.7 8.7 9.6 JO.O 11.6 11.6 JJ.8 1
1999 2001 2002 2003 2006
Produkcja cementu
w mln ton 12.2 13.1 13.9 15.5 16.7 18.5 19.7 21.3 21,6

4.4. Wybrane modele adaptacyjne w procesie Pfedyk~ji
Rozw iązan ie. W modelu wyrównywani a wykładniczego ocenę trendu 111, w roku I
moż n a prt.edstawić jako ś rednią ważoną wartośc i trendu z okresu popn:cdniego 111 1_ 1
oraz najnowszej obserwacj i y,. Wartośc i ocen trendu wyznacza się za pomocą następu
jącej relacji:
m, = ay, +(I - a)m1-1- I =2. (4 .23)
przy czym m 1 = y 1. a zatem począ1kowa ocena trendu to wartość najwcześniejszej
chronologicznie obserwacj i y1 • Parametr a E [O: I] i jest określany jako stała wygła
dzania . W zależności od przyjętej waności parametru wyg ł adzania większe znaczenie
mają obserwacje najnowsze lub trend okresu poprzedniego. Wartośc i parametru bliskie
I oznaczają, że większą wagę mają obserwacje najnowsze, natomiast wartości bliskie O
oznaczają. że większą wagę mają obserwacje okresu poprzedniego. Wartość parametru
a ustalana jest zwykJe metodą prób i błę d ów. Za n aj l epszą uznaje się tę wartość, dla któ-
rej otrzymuje się największą zgodność obserwacji empirycznych szeregu z wartościami
teoretycznym i modelu
Po wygładzeniu szereg u (obliczeniu ocen trendu 111 1 dla wszystkich obserwacji) moż
na wyznaczyć prognozy dla okresu T wybiegającego w przyszło ść na h jednostek za
pomocą nastę puj:1cego równania·
(4.24)
gdzie: 111 1 -ostatnie wygładzenie szeregu (ocena trendu); 111 1 -111 1_ 1 -ostatni przyrost
trendu.
Dobór stałej wyg ł adzania do szeregu czasowego produkcj i cementu w Polsce (w
mln ton) w latach 1989- 2007 pn:edstawiono w tablicy 4.8. Kolumna 2 zawiera dane
empiryczne. natomiast kolumny 3-1 l wartości wygład zo ne według formuły (4.22) dla
a= O, L 0,2, .. 0,9
Na przykład dla a = O, 1
1111 =)'1 =6,6,
1112=0.l .r2+(1- 0.l)1111 =0.1 7.3+0.9 6.6 =6.67.
1113 =O. I y3 +( I - O, I) 111 2 =O, I 7.5 + 0.9 6.67 = 6.75.
1114 = 0. I )'4 + (1 - O. I) 111 3 = O. I 7. 7 +O, 9 6. 75 = 6.84.
itd
Podstawę doboru stał ej wygładzan i a stanowiła najmniejsza suma kwadratów odchy-
leń wartości wygładzonych od wartości zaobserwowanych,; (y1 - m,) 2. Sumy te dla
kolejnych wartości a zestawiono poni żej
O.I 0.2 0.3 0.4 05 0.6 0,7 0,8 0.9
~
11 (v1 - mi) 2 356.220 136.823 57.872 28.316 13.615 6.487 3.2176 0.9755 0,2006
Nietrudno zau ważyć, że w tym przypadku szereg wyg ład zony jest najbardziej zgod-
ny z empi rycznym dla s t ałej wyg ładzania a = O. 9.
Tablica4.8
Rok y1 a=O. I a=0.2 a=0.3 a=0.4 a=0.5 a=0.6 a=0.7 a=0.8 a=0.9
1989 6,60 6.60 6.60 6,60 6.60 6.60 6,60 6,6() 6.60 6.60
1990 7.30 6.67 6.74 6.81 6.88 6.95 7.02 7,[19 7.16 7.23
7.50 6.75 6.89 7.02 7.13 7.23 7.31 7.38 7.43 7.47
7.70 6.84 7.05 7.22 7.36 7.47 7.54 7.60 7.65 7.68
8.70 7.03 7.38 7.66 7.90 8.09 8.24 8.37 8.49 8.60
9.60 7.29 7.82 8.24 8.58 8.85 9.06 9.23 9.38 9.50
1995 IO.OO 7.56 8.26 8.77 9.15 9.43 9.62 9.27 9.88 9.95
1996 11.10 7.91 8.83 9.47 9.93 10.27 10.51 10.70 10.86 10.99
1997 11.60 8.28 9.38 I0.11 10.60 10.94 11.16 11.33 11.45 11.54
1998 11.80 8.63 9.86 I0.62 11.08 11.37 11.54 11.66 11.73 11.77
1999 12.20 8.99 10.33 11.09 11.53 11.79 11 .94 12.04 12.11 12,16
2000 13.10 9.40 10.88 11.69 12.16 12.45 12.64 12.78 12.90 13.00
13.90 9.85 11.48 12.53 12.87 13.18 13.40 13.56 13.70 13.81
15.50 10.42 12.28 13.42 13.92 14.34 14.66 14.92 15.14 15.33
2003 16.70 11.05 13.16 15.03 15.52 15.88 16.17 16.39 16.56
2004 18.50 11.79 14.23 15.63 16.42 17.01 17.45 17.80 18.08 18.31
2005 19.70 12.58 15.32 16.85 17.73 18.36 18.80 19.13 19.38 19.56
2006 21.30 13.45 16.52 18.19 19.16 19.83 20.30 20.65 20.92 21.13
2007 21.60 14.27 17.54 19.21 20.14 20.72 21.08 21.46 21.46 21.55
Żr&lło:obliczeniawłasnc
Gdy obserwuje się systematyczne i regularne zmiany Y w czasie, św iadczące o wy-

raźnym wzrośc i e wartości funkcji trendu (a taki systematyczny wzrost produkcji cemen-
tu obserwujemy w naszym szeregu), parametr a powinien być bliski l, co oznacza, że
większą wagę przywiązujemy do najnowszych obserwacji
Zatem do wyznaczenia prognozy produkcji cementu na lata 2010 i 201 I przyję.to
trend wygładzony przy a= 0.9. Wartość prognozy wynosi (4.24)
dla 20 10 r.: yf = 21.55 + 3 · (21.55 - 21. 13) = 22.81,
dla 20 11 r.: yf = 21.55 + 4 · (2 1.55 - 2 1, 13) = 23.23.
Jak wynika z przedstawionego pnyk/adu, metoda wyrównywan ia wykładniczego
jest stos unkowo prosta. mało pracochłonna i daje dobre wyniki
Przy wyznaczaniu prognozy metodą wyrównywania wykładniczego nie ma m oż li -
wości oceny dokładno ści predykcji ex ante. Natomiast m ożna obliczyć mierniki ex post
dla tzw. „prognoz wygasłych", czyli wyznaczonych dla okresów, dla których dysponu-
jemy danymi. Jako prognozy traktujemy wielkości wygładzone 111 1 (zamiast yf), a jako
4.4. Wybrane modele adaptacyjne w procesie Pfed)'k~ji
rzeczywi ste realizacje zmiennej prognozowanej (yT) - obserwacje y1 • Wś ród mierni-

ków ex posr istotne znaczeni e ma w s pó łczy nnik Thei\a (4. 12).
Obliczenia pomocnicze zawiera tablica 4.9.
Tab lica4.9
Y? Yi =mr ()'1 - 11!1) 2 mr _ ,;; (mr - 1;;) 2 Yt - .V (Y1 - .i"'1)z
6.60 43.56 6.60 o.oo 0.0000 - 6. 18 38. 1924 - 6.26 39. 1876
7.30 53,29 7,23 0.07 0J)()49 - 5.55 30,8025 - 5.56 30.9 136
7.50 56,25 7.47 0.03 0.0009 - 5.3 1 28. 196 1 - 5.36 28.7296
7.70 59.29 7,68 O.D2 0.0004 - 5.10 26.0 100 - 5. 16 26.6256
8.70 75.69 8.6<) O.IO O.GIOO - 4. 18 17.4724 - 4. 16 17.3056
9.60 92.1 6 9,50 O.IO O.D IOD - 3.28 I0,7584 - 3.26 I0,6276
7 IO.OO 100.00 9,95 0.05 0.0025 - 2.83 8,0089 - 2.86 8. 1796
8 Il. IO 123.2 1 10.99 O. li 0.0 12 1 -1.79 3.204 1 -1.76 3.0976
9 11 .60 134.56 11.54 0.06 0.0036 - 1.24 - 1.26 1.5876
10 11.80 139.24 11.77 O.Q3 0.0009 - I.O l 1.020 1 - 1.06 1. 1236
li 12.20 148.84 12. 16 0.04 OJXH6 - 0.62 0.3844 - 0.66 0.4356
12 13. 10 17 1.6 1 13,00 O.IO 0,0100 0.22 0.0484 0,24 0.0576
13
14
13.90
15.50
193.2 1
240,25
13.8 1
15.33
0.09
0.17
0,008 1
0.0289
1,03
2,55
1.0609
6.5025 '·"'
2.64
1,08 16
6.9696
15 16.70 278.89 16.56 0.14 0,0196 3,78 14.2884 3,84 14.7456
16 18.50 342.25 18,3 1 0.19 0,036 1 5.53 30,5809 5,64 31.8096
17 19.70 388.09 19.56 0.14 0,0196 6.78 45,9684 6,84 46.7856
18 21.30 453.69 21. 13 0.17 0,0289 8.35 69,7225 8.44 71.2336
19 21.60 466.56 21.55 o.os 0.0025 8.77 76.9 129 8.74 76.3876
l: 244,40 3560,64 242,74 0~006 410,6718 416,8844
Zródło: opracowanicwłasne
Ws półczy nnik rozbi eż n ośc i Thci\a :
? ~ (YT - yf)2 ~ (y, - m 1)2 0. 2023

1· = --
L:- -,- = --
L:- ,- = - - = 0. 0000563.
T YT I 111 , 3560.64
a więc średni błąd prognozy·
I = Jo. 0000563 = 0.0075 .

Jak zaznaczono wcze ś niej , w spółcz y nnik Theila można rozbi ć na s umę trzech s kład -
ników, które poz w alaj ą bli żej okreś li ć charakter bł ędó w aproksymacji (wzory (4.14)-
(4. 16)). Charakterystyki ni ezbędne do ich obliczenia wynoszą (na podstawie danych ta-
blicy 4.9):
)'T = y, = 12.8632. s·: = ,,, = 12.77s8 . s, ~ 4.6842. s,,, ~ 4.6491.
r = 0.99996 1.
2 (ji, - 1/1) 2 12. 8632 - 12. 7758
/1 = - - - = O. 00004073 ,
1 1
; , ~Ili ~ 19. 3560. 64
, (S s- - S,;, ) 2 (4.6842 - 4.6491) 2
li =- 1
-- = I 0.00000655.
-;;; ~Ili~ 19. 3560.64
2s, . s,,,(1 - d 2 · 4 .6842 4. 649 1 ·(I - O. 999961) 2
o. 00000906
~Lm~
Ili/
k. 3560.64
Dz i e ląc powyższe lrzy miernik.i przez 12 (4. 17) (do którego powinny się sumować) ,
olrzymuJemy·
/f = 0~.=~:
3
=O, 723, Ff = o~=:~s =o. 116,
ij= ~=6~ = 0. 1 61
Zatem 72,3% całkow it ego błędu jest wynikiem o bciąże ni a predykcji, 11 ,6% wyni-
ka z niedostatecznej elas tycznośc i predykcji , a pozos t ałe 16, l % jest rezul1atem braku
zgodności międz y prognozami i rzeczyw istymi realizacjami Y
Analizując wyniki otrzymane przy zastosowaniu współczynnika Thci la, stwierdza-
my. że prognoza wyznaczona metodą wyrównywania wykładniczego daje dobre wyniki.
4.4.2. Metoda wag harmonicznych

Metoda wag harmonicznych, podobnie jak model wyrównywania wykładniczego, cha-
rakteryzuje s i ę tym, że nie wymaga uwzg l ędnien i a podstawowych, bardzo rygorystycz-
nych zał ożeń klasycznych modeli przyczy nowo-opisowych, tzn. stabiln ości struktury
rozważanych zjawisk ekonomicznych (stabilnośc i parametrów modelu czy też jego po-
staci analitycznej), natomiast bier.w pod uwagę istotny problem w procesie predykcji,
jakim jest zjawisko starzenia s i ę informacji. Ponadto unieza l eżnia w pewnym sens ie opis
przebi egu zjawiska w przeszłośc i od napływ u nowych danych empirycznych
W metodzie wag hannonicznych moż na wyróżnić dwa niezależne etapy:
• wyrównywanie szeregu czasowego za pomocą trendu pełzającego (aproksymanty
segmentowej),
• ekstrapolacja trendu metodą wag harmonicznych
Pnyklad 24. Wydobyc ie węgla brunatnego w kilku kopal niach w Polsce w latach
1993- 2006 w mln ton przedstawia tabli ca 4. 10
4.4. Wybrane modele adaptacyjne w procesie Pfedyk~ji
Tablica4.10
Wydobycie węgla
brunatnego w mln ton 22.6 24.5 23,9 26.9 30.9 32.9 34.5
Rok 2000 2001 2002 2003 2004 2005 2006
Wydobycie węgla
brunmncgowmlnton 38.l 39.2 39.8 39.9 39.3 40.8 41.0
Żffidło:daneumowne
(a) Wygładzić metodą trendu pe łzającego podany szereg czasowy. przyjmując okres
wygładzenia I = 3
(b) Dokonać prognozy wydobycia węgla brunatnego w tych kopalniach dla lat 2007.
2008 i 2009, stosuj ąc metodę wag ham1onicznych
Rozw iązanie. (a) Wygładzenie szeregu czasowego za pomocą aproksymanty seg-
mentowej rozpoczynamy od oszacowania parametrów strukturalnych lini owych funkcji
trendu dla przyję t ego okresu wygładzania I = 3. Dla kolejnych 3-elementowych sze-
regów czasowych wyznaczymy li niowe funkcje trend u y, = a+ {Jr + c1 • kori;ystając
z klasycznej MNK.
Do oszacowani<! parametrów strukturalnych można wykorzystać np. układ równań
normalnych (4.19). Dla pierwszych trLech obserwacji z tablicy 4.10 (t = I, 2. 3) układ
przyjmuje postać
71.0=3a+ 6b,
143, 3 = 6t1 + 14b:
obliczeni a pomocnicze zamieszczono w tabl icy 4.11.
Tablica4. ll
Y1·t
22.6 22.6
24.5 49.0
3 23.9 71.7
6 71.0 143.3 14
Żródło : obliczeniawłasne
R ozwiązaniem powyższego układu równań są oceny parametrów a = 22.36 i b =

= 0,65. Funkcja trend u przyjmie pos t ać:
S·, = 22,36 + o.6sr
Analogiczne pos tępowani e zastosowano dl a kolej nych 3-elementowych szeregów

czasowych, tzn. dla t = 2. 3, 4; t = 3, 4. 5; t = 4, 5, 6 .... aż do t = 12. 13. 14
Otrzy mano na s t ę pujące równania z oszacowanymi parametrami strukturalnymi
) •1 = 22.36 + 0. 651 dla 1 = I. 2. 3.
S- 2 =2 1.50 + 1.201 dl ar=2.3.4,
5'J = 13.23 + 3,501 dl a I = 3. 4 . 5.
)>4 = 15.45 + 2, 951 dl a r = 4 . 5, 6,
S-s = 2 1,93 + 1. 801 dl a r = 5, 6. 7,
f6 = 16.26 + 2.701 dl a I = 6. 7. 8.
):7 = 18,50 + 2.351 dl a t = 7. 8. 9,
S-8 =3 1.86+ 0,SOr dl a1=8 . 9 .I O.
)"9=36,13 + 0,35t dl a t = 9. JO. 11.
5'10 = 42 .4 1 + 0.251 dla 1 = 10. l l. 12.
)'ii= 34.60 + 0 .45t dl a r = 11 , 12, 13,
Sr12 = 29,3 1 + 0 .851 dla r = 12. 13. 14.
(b) Wyznaczenie wart ośc i wyg ład zonyc h , polegaj ące na wstawieniu kolejnych war-
t ośc i 1 do odpowiedni ch funk cji trendu. Wyniki przedstawiono w tabli cy 4. 12. Natomiast
ostateczne wyg ład ze n ie szeregu czasowego y 1 otrzymamy ob l iczając śre d n i e arytme-
tyczne z wart ośc i wygład zan yc h dla danego I (tabl ica 4.1 2) . Szereg czasowy wyg ł adzo
ny m etodą trendu pe ł zaj ącego wraz z szeregiem empirycznym zestawiono rów n i eż w ta-
blicy 4 .12. Po rów nuj ąc wart ośc i szeregu empirycznego i szeregu wyg ład zo ne go moż na
st wi e rdz i ć, że otrzymane wyg ł adzeni e prawie idealni e przy bli ża szereg wyj ściowy.
Tablica4.l2
' I Yt S·,
22.6 23.01
24.5 23.78
' 38.2 37.80
39.33
3 23.9 24.38 10 39.8 39.80
26.9 26.92 li 39.9 39.73
30,9 30.62 12 39.3 39.64
6 32.8 32.78 13 4-0.8 40.40
7 34.5 34.88 14 41.0 4 1.21
żrói.lło:oblic1~niawłasnc
Predykcja metodą wag harmonicznych. Naj częśc i ej st osow an ą m e t od ą ekstrapo-

lacj i aproksymanty segmentowej jest metoda wag harmonicznych, zgodnie z któ rą pro-
gnoza dl a okresu T okreś l a n a jest wzorem
yf = w(T - 11) + }•11 . (4.25)
4.4. Wybrane modele adaptacyjne w procesie Pfed)'k~ji
gdzie y„ jest wartośc i ą wygładzoną metodą trendu pe ł zaji1cego 2 w roku 11-tym (ostatni m,
dl a którego dysponujemy obserwacjami).
Współczy nn ik harmoniczny w obliczymy według wzoru
w--
1 L
"-I: -
y„ --
y, - -
I (Y"- --.Y1+ -y„ -- Y2+ ; -y
·-+~
1 „_
I) (4.26)
- /1 - I ,,, 11 - f - n- I 11 - l /1 - 2
1 1
Dl a danego szeregu czasowego 11 = 14. _)>„ = 41.21 Obliczenia pomocnicze zawiera

tablica 4.13
Tablica 4. I J
s·, y„ -Y1
y„ -r,
I 23,0 1 18.20 l.400
23.78 17.43 l.452
3 24.38 16,83 l.530
4 26.92 14.29 l.429
5 30.62 I0.59 l.1 76
6 32.78 8.43 l.05 3
34.88 6.33 0.904
37.80 3.41 0.568
9 39.33 1.88 0.376
10 39.80 1.41 0.352
li 39,73 1.48 0.493
12 39,64 1.57 0.785
13 40.40 0.81 0.810
14 41.21
Żródło:opracowanicwłasnc
A zatem
1 12.328
w~ 13 (1.400+ 1.452 +. + 0.785 + 0.810) ~ - 13- ~ 0.948
Obecnie m ożemy przystąpić do wyznaczenia prognozy wydobycia węgla brnnatne-
go w wybranych kopalniach w Polsce (4.25). W 2007 r. (T = 15):
y{007 = 0.948 · ( 15 - 14) + 41.2 1 = 42. 158.
Podobnie wyznaczono prognozy na lata 2008 i 2009:
y{008 = 0.948 · (16 - 14) + 41.2 1 =43.106.
y{009 = 0.948 · (17 - 14) + 41,21 = 44,054
2
Może to być wielkość uzyskana z wygł~dzenia także innymi me1odarni
A więc m ożna s ię spodz i ewać. że wydobycie węgla brunatnego w badanych kopal-

niach w Polsce w 2007 r. będzie wynosić około 42, 158 mln ton. a w latach 2008, 2009.
odpowiednio, 43. I 06 mln ton i 44,054 mln ton
4.5. Predykcja na podstawie modeli trendów

z wahaniami periodycznymi
W praktyce predykcj i ekonometrycznej istotne znacze nie przypisuje się modelom
tendencj i rozwojowej uw zględniającym wahania periodyczne (okresowe, regularne,
cykliczne) przede wszystkim dlaiego, że rozwój niektórych zjawisk ekonomicznych
w czasie charakteryzuje się wahaniami periodycznymi, w tym sezonowymi. Model
ekonometryczny tendencji rozwojowej opisuje wówczas nie tylko trend zmiennej en-
dogenicznej, ale również różne jej wahania typu periodycznego. A zatem oprócz
ogólnej tendencji rozwojowej zjawiska, można wyróżnić szereg cykli periodycznych,
przy czym długość poszczególnych cykli może być różna. W zależności od rodzaju
danych empirycznych, którymi dysponujemy, analizą możemy objąć tylko niektóre
tego typu wahania. Ogólnie biorąc, dysponując kwartalnymi czy rocznymi danymi
statystycznymi, nie badamy wahafi o cyklu krótszym ni ż kwartał czy też rok (mie-
siąc , dekada, tydzień). Natomiast w prLypadku. gdy nic jest znana długość cyklu
wahań lub gdy długość cyklu wahań zmienia się w czasie, metody badań wahań
periodycznych znacznie się komplikujq, co wykracza jednak poza ramy niniejszego
podręcznika
Model tendencji rozwojowej można zapisać uwzględniając trend, wahania perio-
dyczne oraz wahania przypadkowe:
Y, = F[f(t). !J!(t). s, ]. (4.27)
gdzie: Yr - zmienna endogeniczna (obja śniana ); /(I) - funkcja zmiennej czasowej
t (trend); "1(!) - okresowa funkcja zmiennej 1; s 1 - skład nik losowy
Model uwzględniający oddziaływanie s kładnika periodycznego na kształtowanie sic
zmiennej endogenicznej, w tym kontekście prognozowanej, może być addytywny (wa-
hania okresowe i przypadkowe nakładaj:1 się na trend przez dodawanie) lub muhiplika-
tywny (wahania okresowe i przypadkowe nakładają s i ę na trend przez mnożenie)
Przed przystąpieniem do prezentacji algorytmu postępowania przy budowie progno-
zy zmiennej endogenicznej metodą wskaźn ików sezonowośc i czy też metodą trendów
jednoimiennych okresów, należy podać głów n e założenia niezbędne dla poprawności
prowadzonego procesu predykcji (por. [581):
• stabilność s1ruktury modelu (trend i wahania sezonowe) zostanie zachowana
w okresie T objętym prognozą,
• w analizowanym procesie gospodarczym zac hod zą wyłącznie zmiany regularne.
nie ma zaś zmian wyraźnie skokowych o w i e l kości zdecydowanie przekraczającej rząd
wielkości wahań losowych,
• oszacowane podslawowe charakterystyki badanego procesu gospodarczego (trend,
wahania sezonowe) nie ulegną islotnej zmian ie w okresie prognozowanym T.
4.5. Predykcja na podstawie modeli trendów z wahaniami periodycznymi
Uwzg lędniając powyższe za łożen i a, możn a sko n s tru ować pro g nozę określonego zja-
wiska ekonomicznego. które charakteryzuje się wyrainym trendem. wahaniami sezono-
wymi oraz wahani ami przypadkowymi
4.5.1. Predykcja metodą wskaźników sezonowości
Metoda wskainików sezo nowości, najogólniej bi o rąc, polega na wyznaczeni u wskaź

ników periodyczności dla poszczególnych faz cyklu. Pod s t awą procedury wyznaczania
wskaźników sezonowośc i jest wyg ładzony szereg czasowy. Wygładzen i e szeregu czaso-
wego moż na u zy s kać stos uj ąc metody mechani czne znane ze statystyki (metoda średn i ej
ruchomej lub scentrowanej śred niej ruchomej) lub metody analityczne, np. metoda naj-
mniej szych kwadratów.
Przykład 25. Na podstawie kwartal nego zu życ i a energii elektrycznej w KWh w pew-
nym przedsiębio rstwi e w latach 2004-2008 (tablica 4.14) wy znac zyć prognozy zużycia
energii elektrycznej w KWh w kolejnych kwartałach 2009 r.
2004 2006 2008
40.2 87.5 165.6 201.3

25.5 44.6 75.0 110.0 139.3
30.0 51.0 77.0 100.7 155.8
67.7 99.1 179.9 195.5
Źród to :daneumnwne
Roz w iąza11 ie. Szereg czasowy wygładzono trendem liniowym z wykorzystaniem

metody najmniejszych kwadratów i otrzymano:
S•r = 20.491 6 + s.1 121r.

Obliczenia pomocnicze do wyznaczeni a funkcji trendu oraz wartości troretyczne zawiera
tablica4.15.
Przyjm ując model multi pli katywny, trend eli minujemy wy znaczaj ąc rel ację wartośc i
rzeczywistych i teoretycznych (wygład zo n yc h ) zmiennej endogenicznej Y·
y,
e, = -;;- (4 .28)
y,
A zatem otrzymane wartości e, (kolumna 9 tablicy 4. 15) zaw ierają tylko wahania sezo-
nowe oraz przypadkowe.
Ta blica4.I S
2004 40.2
" )"1·/
40.2
-------
Yl
1
1616.04
S-1
28.66
<'1=)"1/5"1
1.402442
)°i=f'1·W(I)
10
38.7907
-
25.5 51.0 650.25 36.84 0.692239 27.2893

30.0 90.0 900.00 45.01 0.666523 32.4158
67,7 270.8 4583.29 53.18 1.272977 63.0589
2005 87.5 25 437,5 7656.25 61.36 1.426124 83.0305

44.6 36 267.6 1989.16 69.53 0.64 147 51.5072
SI.O 49 357.0 2601,00 77,70 0.656366 55.9596
99.1
"' 792.8 9820,81 85,87 1.154027 10 1.8208
2006 130.4 81 1173.6 17004.16 94.05 1.386556 127.2704

75.0 IO 100 750.0 5625.00 102,22 0.733721 75.7250
77.0 li 847,0 5929.00 110.39 0.697518 79.5034
150.0 12 1800,0 22500.00 118.56 1.265139 140.5827
2007 165.6 13 169 2152.8 27423,36 126.74 1.306645 171.5102

llO.O 14 196 1540.0 12100,00 134.9 1 0.8 15362 99.9429
100.7 15 225 1510.5 10140,49 143,08 0.703791 103.CJ."72
179.9 16 2878.4 32364.01 151.25 1,189383 179.3445
2008 201.3 17 289 3422.1 40521.69 159.43 1.262642 215.7499

139.3 IR 324 2507.4 19404.49 167.60 0.83 1144 124.1607
155.8 19 2960.2 24273.64 175.77 0.886370 126.5911
195.5 3910.0 38220.25 183.95 1.062814 2 18.1064
Rm!:cm 2 126, 1 210 2870 27758,9 285322,89 2 126,10
Żr6Jło:opr:1<:owaniewła.rne
Z kolei wyznacza s ię surowe w skaźniki sezo nowości dla jednoimiennych okresów.

w naszy m przypadku kwartałów [ 148]:
I N- I I
-~j=Nf;ej +i·m=N(ej+e1+ 111 +e1 +2111 +·· +ej+11 -m). j=l.2 . . . Ili. (4 .29)
gdzie: 11 =N ·m - liczba obserwacji; N - liczba jednoimiennych okresów (naj częściej

liczba badanych lat): 111 - liczba faz wahań w cyklu (liczba sezonów). np. d la kwartałów
Ili =4.
A zatem wartości s1 wyznacza s ię jako ś rednią ary tme tyczną wartości szeregu uwol -
nionego od trendu dla poszczególnych faz cyklu, np. kwartałów.
W prezentowanym p rzy kł adz i e analizujemy szereg czasowy z wahaniami kwartal-

nymi w kolejnych pi ęciu latach, stąd m = 4, N = 5, n = 20. Na podstawie szeregu
czasowego z wyelimi nowanym trendem (tablica 4.15) wyznaczono ws kaźniki sezono-
wości dla poszczególnych kwartałów (tablica 4. 16).
Tablica4.16
K w:uiał 2004 2005 2006 2007
1.40244206 1.42612402 1.38655640 1,30664529 J.26264215 6.78441 1.356882 259.9897

li 0.69223892 0.64146985 0.73372132 0.81536157 0.83 114409 3,71393 0.742787 148.3786
lll 0.66652301 0.65636621 0.69751840 0.70379 134 0.88637045 3,61056 0.722114 150.1 349
IV 1.27297738 1.l5402666 1.26513886 1.l8938306 1.06281356 5.94434 l.188868 256.8683
Żródło:opraco.,,.ariie.,,.łasne
Warto za uwa żyć, że jeśli suma surowych wskaźników sezo n owości znacznie odbie-
ga od liczby faz cyklu m. tu 4 (śred nia istotnie różni s i ę od I). to surowe wskaźni ki
nal eży skorygować zgodnie z n astępującym wzorem:
(4.30)
przy czym
(4 .3 1)
Natomiast jeśli suma surowych wskaźników jest równa lub bl iska 111, to Wj = si (nie
jest potrzebna korekta surowych wskaźników sezo nowości).
W naszym przykładzie f
j= I
Sj = 4.0 10651, a średnia wartość S = 1.00266273,
zatem oczyszczone wskaźn iki sezonowości wi dla kolejnych kwartał ów p rzeds t awiają
s i ę nas tęp ująco
Wt = sifS = J, 35327857,
w2 = s2P = 0.7408 1456 .
WJ= s3/S = 0.720 \9619.
W4 = S4j.~ = [ , 1857 1068
Mając do dyspozycji oszacowan;\ funk cj ę trendu o postaci f 1 = 20.49 16 + 8. 17271

oraz wskaźnik i sezon owości, moż n a wyznaczyć teoretyczne wartości u wzg l ęd n iające
wahania sezonowe:
.Y1 =.Yr ·w(I)
(por. kolumna 8 tablicy 4.1 6), przy czym w(r) oznacza oczyszczony wskaźnik sezono-
wości dla o kreś l onego kwartału.
Przedstawiona procedura stanowi podstawę wyznaczenia prognoz na kolejne kwar-
t a ły 2009 r. (ostatni:1 kolumna tablicy 4. 16).
S-21 = (20.49 16 + 8. 1727 21) 1.35327857 = 259. 9897.

5'22 = (20.49 16+8. 1727 22) 0.74081456 = 148.3786.
fn = (20.49 16 +8. 1727 23) 0.72019619 = 150. 1349.
S-24 = (20.49 16 + 8.1 727 24) 1.18571068 = 256.8683.
W przypadku model u addytywnego algorytm post ępowania można przedstawić
w n as tępujących etapach
Krok I: wygład zenie szeregu czasowego pr.ty zastosowani u metody mechanicznej
lub analitycznej
Krok Il : wye liminowanie trendu z szeregu czasowego. Szereg czasowy wygładzo
ny trendem liniowym przy wykorzystaniu MNK uwalni amy od trendu. Eliminowanie
tre ndu dla modelu addytywnego prowadzimy wyz naczając bezwzg l ędn e wahani a sezo-
nowe jako róż ni ce między wartośc iam i rzeczywistymi szeregu czasowego i wartośc iami
teoretycznymi (wygładzon ymi) zmie nnej endogenicznej y
(4.32)
Otrzymane wartośc i e1 zawierają tylko wahania sezonowe oraz przypadkowe.

Krok Ili : wyznaczeni e tzw. surowych wskaźn i ków sezonowości dla jednoimiennych
okresów (kwartalów, miesięcy itp.)
1 N- l I
Sj =N~ e j+i·m = N(e j + e j +m + e j+2m + + ej+~ -.,,). j = l. 2
(4.33)
gdzie: 11 =N ·m - liczba obserwacj i; N - liczba jednoimiennych okresów ( n ajczęściej
liczba badanych lai); m - liczba faz waha1'i w cyklu (liczba sezonów), np. dla kwartałów
111 = 4.
A zatem wartości .1·j wyznacza się jako ś red ni ą ary tm e tyczn ą wartości szeregu uwol-
nionego od trendu dla poszczególnych faz cykl u. np. kwartałów
Krok IV: korygowanie sk ł ad nika sezonowego, jeś li suma surowych wskaźników nic
spełnia warunku (4.34)
f>1=0.
j: J
(4.34)
W przypadku modelu addytywnego surowe bezwzględne wahani a sezonowe koryguje-

my odejmując od każdego z nich ich śre dni ą arytmetyczną:
W j =S j - 5. (4.35)
gdzie:
(4.36)
OtrlYmujemy tzw. czyste bezwzg l ę dn e wahania sezonowe Wj·

Krok V: wyznaczenie prognozy na podstawie tzw. oczyszczonych wskaźników se-
zo n owości
4.5.2. Predykcja na podstawie modeli trendów jednoimiennych okresów

Warto zauważyć, że jest wiele sposobów, które pozwa l ają na konstruowanie modeli
tendencji rozwojowej opisujących badane zjawisko ekonomiczne w czasie, w przypad-
ku występowania wahań regularnych. W niniejszym paragrafie zaprezentowano me t odę
prognozowania krótkookresowego, opartą na ekstrapolacji trendu z addytywnym skład
nikie m sezonowym. Metoda trendów jednoimiennych okresów spełnia wymogi forma l-
no-statystyczne, jest prosta i może być z powodzeniem stosowana w praktyce operatyw-
nego prognozowania. Szersze omówien ie metod prognozowan ia z uwzgl ędnieniem wa-
hań periodycznych znajdzie czytelnik w pracach S. Banasiewicz [8J i A. Zeliasia [145J
i [146]
Przykład26. Na podstawie danych empirycznych przedstawionych w tablicy 4. 14

wyznaczyć prognozę kwartalnego zużycia energii elektrycznej przez przedsiębiorstwo
w 2009 r. oraz dokonać oceny dokładności predykcji.
Rozwiąza11ie. Metoda trendów jednoimiennych polega na oszacowaniu parametrów
trendów oddzielnie dla poszczególnych faz cyklu. Każdy szereg czasowy odnoszący się
do określonej fazy cyklu opisujemy modelem liniowym 3 o poslaci:
j =I. . . I. i= I. (4 .37)
gdzie: Yi i - wartość zmiennej endogenicznej dla i-tej (i= 1 . 111) fazy cyklu w roku
j-tym (j = 1, . I); l j ; - zmienna czasowa taka. że t;j = j + i(j - I), a 0;. a 1; -
parametry stru kturalne i-tego modelu: EJi - składn ik losowy.
Parametry modelu - w naszym prLypadku modelu sk ład ającego się z m równań
(111 = 4) - szacuje się MNK
Yi l =a01 + a11 ·fj 1 + ej 1
Y12 =ao2 +a1 2 t12 + e12
gdziej =I . . . 4;i = 1. . . 5
Rysunek 4.3 prezentuje pierwotny szereg czasowy, a rysunek 4.4 - segmenty sze-
regu czasowego wyznaczone dla jednoimiennych okresów
Jw pnypadku dysponowania d!ugirn szeregiem czasowym o du~..ej liczbie cykli. warto pos zukiwać wy-
g ładzeń krlywoliniowych dl;i jednoimiennych okresów
)'
250
~2
200
150 /
/\ V
I/ \ I
\ I
'oo
50
;/\ I/ >---<
~ ...- I
o
' I ' I 213 1•IsI6 l 1 I si ol 10l "I " l ul "I l5 l '6l 11l '" I "l20
r, 40,225.5 30 67.787.544.6 SI 99.l 130.~ 75 77 lS0165 .6JlOJ00.7179.9201.3l39.31SS.819S.S
Rysun ek 4.3. Kwart;i lne zu życie energi i elektrycznej (w KWh) przez prtedsię biorstwo - szereg
empiryczny
y
250
-e- Yi + l'~ * J'l -& Y4
200
L--' ~iO-->-
''°
100
50
o
~---
v~
-
,.._......- ----
- 1='
~/
""'""
' I ' [ 2[ 3[ <I si 6[ 1[ s[ 9[,ol " l "I" 1' 115116 1171'81'9 120
- ~I--:
:::"' ......
r,
I'"'
y l"'l„,1 1rl'l„1 r·1 11r "t,1 J'1'
30
67.7 99. 1
75
77
ISO
Rys un ek 4.4. Kwartalne zużyci e energii elektrycznej (w KWh ) prlez przeds i ębiorstwo -
I' 179.
3931
,,I "'~ 195,S
st:g menly
wyznaczo ne me todą tre ndów jednoimienn yc h okresów
Wyniki przeprowadzonej estymacji parametrów strukturalnyc h modeli dla kolejnych

4 fa z cyklu s ą na s tępujące ·
J, 1 = 4.9 1 + 40.03r,1
(5.1556) ( l.5545)
Yj2 = - 9.02 + 29 .3Dtj2.
(5 . 1994) ( 1.5677)
5'j3 = -7 .49 + 30, l3fjJ .

( 12.1697) (l.6693)
5'J4 = 37,52 + 33.64114.
(11.2259) (3.3848)
Oceny parnmetrów struktury stochastycznej dla poszczególnych rów n ań trendów
przedstawiono w tablicy 4 . l 7
Tablica4.17
Numer V,
równania
4.9157 3.93% 0JX)45 U.9955 U.9977

4,9574 6.28% 0,0085 0,9915 0,9957
11.6033 14.00% 0Jl426 0.9574 0,9785
10.7035 7.73% 0.0295 0.9705 0.9852
Żr6dło:opr.icowaniewł'1.'<ne
Z liczb zawartych w tablicy wynika, że oszacowane funkcje trendu dają wystarcza-

j ąco do brą aproksy m acj ę wartościempirycznych y11 (j = I. . f; i = I. . 4), na
co wskazują stosunkowo ni ski e wartości odchylenia standardowego (Se) skład nika resz-
towego eii· współczynników zmienno śc i resztowej (Ve) i współczynników zbi eż nośc i
(cp 2). Oceny śred ni ch błędów szacunku parametrów strukturalnych kształtują s i ę na ogól
na poziomie zdecydowani e niższy m od poziomu ocen oszacowanych parnmetrów. Nato-
miast stosunkowo wysokie warto śc i współczy nni k ów korelacji ( R) pozwal ają sąd zić, że
oszacowane równania dla poszczegól nych faz cykli dają wystarczającą pods t awę do do-
konywania krótkookresowych prognoz z u życ i a energii elektrycznej w kolej nych kwar-
tałach odzwiercied l ających wahania periodyczne.
M ożna zatem p rzystąpić do wyznaczenia prognozy krótkokresowej, przyjm uj ąc, że
horyzont prognozowania T = 1 + f = 6. Tablica 4.18 prezentuje prognozowane warto-
Bh1dśrednipredykcji
(Vp)
245.09 7.1 235 2.91%

166.78 7.1 840 4.31%
173.29 16.8148 9,70%
239.36 15,5109 6.48%
Źr6dło : oprn<:owaniewła,;ne
(yn dla kolej nych kwart ałów 2009 r. oraz oceny dokładno
śc i zmie nnej endogenicznej
ści prowadzonego procesu predykcji , tzn. błędów ś rednic h predykcji (Vp) oraz błędów
względnych predykcji (?) zużycia e nergii elektrycznej (w KWh) w przedsiębiorstwie.
Wartości bł ędów ś red ni c h predykcji oraz bl ę dów względnych predykcji wskazują na
zadowa l ającą dokładność dokonanej prognozy.
Zadania
79. M aj ąc dane
-~.2 -~. s].

5.5 1102 ]
(XTX ) - 1 = - l X Ty = 3837 .
[ [
-3 0.5 2 696
~ y,' ~ 204426
(a) O szacować parametry strukturalne modelu
Yr = ao + a1X11 +a2X2, + e, . t = 1. . . 6
oraz zwery fikować ich sta t ys t ycz ną i stotn ość
(b) Wyzna czyć prognozę dla T = 8 oraz błąd śre dni predykcji , jeśli wektor za łożo
nych wanośc i zmie nnych obja śniając ych :
80. Na podstawie poniższych informacji

j 1 = 93 + 15.2x1r - 8X11 • S„ = 6.
2.89 - 0.80 - 0.50]
(X TX ) - l = - 0,80 1.21 - 0.25
[
- 0.50 - 0. 25 0.36
wyznaczyć prognozę zmiennej endogenicznej y, jeżeli wiadomo, że x 1T = 5, x 2T = 4.
Podać proce nt ową wartość błęd u śred ni ego predykcji.
81. Dany jest model
I
Yr = 2.3 + 8.ł · -.
x,
D'( ) ~O 84 [ 0.70 - 1.08 ]
a · · - 1.08 l.46 ·
Wyzn aczyć prog nozę zmiennej e ndogenicznej y, wiedząc, że x T = 6 oraz podać
dokładność wnioskowania w przyszłość.
82. Wyznaczyć prognozę zmiennej endogenicznej Y oraz obliczyć procentową war-
tość błędu ś redniego predykcji, mając dane:
) '1 = 9,2 - 1,3x1 , Se = 0.60.
(XTX)-1 = [ 1.8 - 0.4]. r r = 4,5.
- 0,4 O.I
83. Na podstawie poniższych informacji
f1 = 2 + X1r - J .JX21·
XTh [~ ~ ~l XTy~ ['H

L l =21.75, r1r= JO, r2r=S
wyznaczyć prognozę zmiennej endogenicznej oraz obliczyć wartość błędu średniego
predykcji
84. Dany jest model
)>, = 53,8 + 5.4x1r + 6x21.
3, 24 -0. 40 o. 10]
0 2 (a)=4- 0.40
[1.21 - 0,70
O. IO - 0. 70 O. 64
oszacowany na podstawie danych za lata 1993- 2006. Wyznaczyć prognozy zmiennej
endogeni cznej na lata 2007 i 2008, jeżeli trendy zmiennych objaś niającyc h w latach
1993- 2006 opisują funkcje·
.i 11 =2 + 0.4r .
•i 21 =3.5 + 0.3t.
Podać procentową wartość błędów średnich predykcji
85. Niech Y oznacza popyt na zie mniaki (średnia miesięczna w kg) w zależności od
dochodu klienta X (ś red nia miesięczna w roku w setkach zł) oraz ceny ziemniaków X 2
1
(w zł) . Empiryczne wartości tych zmiennych zawierają macierz X i wektor r
I 88 0.8]
I I.O 4.0]
5.5
X = I 10 1,2 6.5
I IO I.O y ~ 7.0 .
[1 12 I, 1 [8.0
I 12 0.9 9.0
Oszacować parametry strukturalne modelu postaci·
Y; = a o +a1Xu +a2X2; + E;
Wyznaczyć prognozę wielkości popytu na ziemni aki , jeżeli x 1r = 14;x2 r = 1.5. Ocenić
dokładność dokonanej predykcji
86. W pewnej firmie oszacowano model o pi sujący kształtowanie się indywidualnej
wydajności pracy pracown ików Y (w sztukach miesięcznie) w zależ n ości od: X 1 -
staż pracy w latach, X2 - zmienna zero-jedynkowa „posiadanie dodalkowego źród ła

dochodów·· (X 2 = I, gdy pracownik ma dodatkowe źród ł o dochodów, X 2 = O, gdy
pracownik nie ma dodatkowego źród ła dochodów) i otrzymano
22 .5 ] -2 ] 3.5 -0.25
a = 3. 25 . D2 (a) = 10.5 · 0. 1 0.025
[ [
- Il. O 1.6
(a) Zwe ryfikować s t a t ys t ycz n ą is t otn ość otrzymanych ocen parametrów.
(b) Dok onać anali zy otrzymanych wyników oraz wyznaczyć p rog nozę wyd ajn ośc i
przy zał oże n i u , że zmienne obj aś n iające p rzyj m ą wartośc i : x 1r = 12. X2T = 5. Podać
procen t ową wartość b ł ędu średn i ego predykcji.
87. W pewnej fi rmie prowadzącej 6 sklepów postanowiono zbadać za l eż ność wiel-
kośc i sprzedaży Y (w mln zł mi esięcz n ie) od wpływaj ących na ni ą czynników: X 1
-
liczba zatrudn ionych w d zies i ąt kach osób, X 2 - liczba reklam sklepu emitowanych co-
dziennie w telewizji. Niez będ n e dane przedstaw iono w tablicy 4 .1 9
Sklep
(i)
,,
24 2
9 I
46 3
70
64
87 s
Źtódło:dancumowne
(a) O szacowa ć parametry strukturalne modelu liniowego y = ao+a1xli+a2x2;+E;.

(b) Wyz n aczyć dwa warianty prognozy wie lkośc i s p r.wdaży (przy róż n yc h warto-
ściac h zmiennych o bj aś ni aj ącyc h). Wariant I: x 1r = 6, x2r = 4 oraz wariant 2: x 1r = 5.
X2T = 5.
88. Jednostkowe koszty produkcji pewnego wyrobu (y;) w zł w za l eż ności od wiel-

kośc i produkcji (x;) w tys. szt uk ksz t a ltują s i ę jak w tablicy 4.20.
Koszt jednostkowy (y;) w zl 490 430 330 290 220 200
Wielkość prod ukcji (x;) w tys. zł 50 80 I00 125 200 250 250 400 500 500
Źtódło:dancumowne
Oszacować parametry funk cji lini owej i hi perbolicznej opis ujących bada n ą za l eż
n ość. Na podstawie fu nkcj i lepiej dopasowanej wyz n aczyć prog n ozę kosztu jednostko-
wego przy w i e lk ośc i produkcj i xr = 750.
89. Dysponujemy danymi zawartymi w tabli cy 4.2 1, gdzie y, jest w i elkośc i ą pro-
dukcj i telewizorów plazmowych (w tys. sztuk) w latach 1999- 2006.
Tablica 4.21
ln y1
1999 J.49 0.4

2000 1.65 0.5
2001 2.01 0.7
2.46 0.9
2003 2.46 0.9
2.72 I.O
3.67 1.3
2006 4.48 1.5
(a) Oszacować parametry li niowej i wykład ni czej funkcj i trendu. tzn
Y1 = ao + a1 I + e1, Yr = ao ·a~ · e~'
(b) Wy b rać fu nkcję lepiej op i s ującą badaną tend encję rozwoj ową.
(c) Na podstawie tej funkcj i wyznaczyć prog nozę produkcji telewizorów na laia
2007 i 2008
90. Zbudować prog n ozę zatrudnienia w rolnictwie w województwie mał opol ski m
w latach 2007 i 2008, mając do dyspozycji n as tę p ujący model oszacowany na podstawie
danych za lata I 999-2006
ln j, = 1.660 - 0,081 ~' ~ 0.076.

(0.047) (0.009)
to znaczy
y, = 5.259. 0,923''
D'( 3 ) ~O 0037 . [ 0.607 1 - 0.1071
· - 0. 107 1 0,0238
l
91. Oszacowano model produkcj i global nej prze mysłu województwa krakowskiego
na podstawie danych za lata 200 1-2006 o postaci:
y, = - 1200.0+0.5x 11 + 3,5x2, - 201 .
gdzie: x 11 - zatrudni enie w tys. osób; x21 - wydajność pracy jednej osoby w mln zł
Tabli ca4.22
.t 1T 200 300 400
.t27 400 500 600
Tablica 4.23
64 22
1998 73 19 IO
1999 76 18
2000 81 16 li
2001 90 14 13
2002 98 13 14
2003 105 li 15
2004 110 li
Żródto : dancumowne
Zbudować prognozę produkcji globalnej przemysłu na 3 lata w przód, wiedząc że

wartości zmiennych objaś niających w okresie objętym prognozą ustalone na podstawie
oszacowanych modeli trendu przyjmują wartości zawarte w tablicy 4.22
92. Wartości zmiennej endogeni cznej Y oraz dwóch zmiennych objaś niającyc h X 1
,
X 2 w okresie 10 kolejnych lat przedstawiono w tablicy 4.23

(a) Oszacować parametry strukturalne i parametry struktury stochastycznej modelu
liniowego opisującego zależność między zmiennym i:
1 = l. . „ IO
(b) Oszacować liniowe funkcje trendów zmiennej endogenicznej i zmiennych obja-
ś niających w latach 1997-2006.
(c) Wyznaczyć prognozy zmiennej endogenicznej Y na lata 2007. 2008, przyjmu-
jąc wartości zmiennych objaśniających wynikające z ekstrapolacj i ich trendów i ocenić
dok ładność wyznaczonej predykcji.
(d) Porównać otrzymane prognozy z prognozami wynikającymi z ekstrapolacji tren-
du zmiennej endogenicznej
93. Mając n astępujące dane
7=21, y:=I0.8, vp = 1.2.
7 =22 . y:= ll.7. vp = 1.3.
T = 23, y: 12.5.
= v,, = 1,5,
T = 24. y: 14.7.
= v„ = 2.3.
7 = 25. y: = 15,3, v,, = 2.4,
zbudować 95%-owe prt:edzialy ufności d la prognoz zmiennej endogenicznej wiedząc. że
lla=o0,95 = 1,96.
94. W wcklOrze y i macierą X zes1awiono dane dotyc zące 5 pracowników bezpo-
średnio produkcyjnych
I 53 32]
I
X~ I 2 4 .
[ II I 5
O 6
gdzie: y; - ilość braków wytwarzanych przez pracownika (w szt. rocznie); x 1; - s taż
pracy (w latach); x2; - liczba dni przepracowanych przez pracownika w warunkach
szkodliwych dla zdrowia
Wiadomo. że
124.3 - 17.5 -2 1,4]
(XTX)- 1 = 2,5 3.0
[
3.7
(a) Oszacować parametry strukturalne funk cji liniowej
opisującej badaną za leż no ść.

(b) Zweryfikować s t atystyczną istot ność otrzymanyc h ocen parametrów Cta =
= 2.920).
(c) Zinterpretować otrzymane wyniki.
(d) Wyznaczy ć prognozę Y , gdy Xi; = 5 i .r2 ; = 5, podać procentową wartość bł ędu
średniego predykcji
(e) Zbudować 90%-owy przedzial ufnośc i
95. Mamy n astępujące dane:
cxTx)- 1= [ -~.25 -~:i;5 _ g.25 J.

o - 0,25 1.25
I>~ 1os. z::.,·„y; ~ 368. z::x,;y; ~ 10
(a) Oszacować parametry strukturalne modelu liniowego:
opisujqcego zale ż n ość mi ęd zy indyw i dual n ą wy dajno śc i q pracown ika (y; w sztukach na
dzi e ń) a jego s taże m pracy w mi es i ącac h (.r 1;) oraz płc i ą (x2;), przy czym X2i = l dla
m ę żczyz n i x 2; = O dla kobiet.
(b) Ob l ic zyć bł ęd y ś red n i e szacunku parametrów i z we ry fiko wać ich statystyczn:1
i s t o tność (t„ = 2. 156)
(c) Z budować prog n ozę punktowq oraz 95%-owy przed zi ał ufn oś ci prognozy, przy
założe niu , że X 1r = 6, X2 r = 1 (t„ = 3, 182)
96. Mając dane pr.wdstawione w tablicy 4 .24, gdzie y1 - produkcja samochodów
osobowyc h ogólnego przeznaczenia (w tys. sztuk), wygład zi ć podany szereg czasowy
m etodą trendu peł zaj ącego, a nas tę pn i e metodą wag harmonicznych. Obli czyć prognozy
produkcji samochodów na lata 2007 i 2008
Tablica 4.24
Rok
38.3
2001 47.4
2002 64.2
2003 85.1
2004 89.9
2005 11 3.0
2006 133.0
97. Dany jest szereg charak lCryz uj ący produkcje energii elektrycznej w wojewódz-
twie małopol s kim w ml n KWh w latach 1998-2006 (y1 ) oraz ten szereg wygła d zo n y
m etod ą trendu pe ł zaj ącego()•, ) (tablica 4.25)
1998 55,5 55,2

1999 liO. l 60.5
64.5 64.3
69.9 70.0
2002 76.S 76.7
2003 84.3 84.6
2004 91.6 92. 1
2005 98.8 98.0
2006 107.5 106.6
Źródło:dan~umowne
Wyzm1czyć prognozy produkcji energii elektrycznej na hita 2007 i 2008 metodq wag
harmonicznych.
98. Wie l kość produkcji autobusów w latach 2000-2006 wynos ił a, odpowiednio (w

tys. szt. ): 3, 4, 6, 7, 8, IO, 12. Do konać prognozy w i e l kości produkcji autobusów na
2008 r. wykorzystując metodę wag harmonicznych. po uprzednim wygładze n i u szeregu
czasowego me lodą trendu pe ł zaj ącego przy okresie wyg ł adzan i a I = 3 i I = 5. Która
prognoza wydaje się bardziej uzasadniona ekonomi cznie? Dlaczego?
99. Zastosować m e t odę wag harmonicznych do ustale nia prognozy produkcji samo-
chodów osobowych w latac h 2007 i 2008, na podstawie danych z lat 1998-2006. Dane
liczbowe (w tys. szt.) podano w tablicy 4.26
1998 2000 2004 2005 2006
Produkcja samochodów
65.2 86.1 91.l 115.0 143.0 174.0 229.0 294.0 340.0
osobowychw1ys.szt
żródło:daneurnownc
Dokon ać prognozy na podstawie

(a) wyg ł adzonego szeregu uzyskanego me lodą trendu pełzaj ącego I = S.
(b) wygład zo nego szeregu fun kcją li n iową,
(c) niewygladzonego szeregu
Porównać otrzymane wyniki. Czy przydatna jest metoda uproszczona (bez wygła
dzania szeregu)?
100. Dany jest szereg statystyczny przedstawiony w tablicy 4 .27
T:1łl li c a4. 2 7
10 12 13
Yt 120 250 280 330
Żródło:dancu111ownc
Wyz n aczyć progn ozę zmiennej endogenicznej Y dla roku 16. 17 i 18. Przy budo-
waniu prognozy wy k orzys tać me1odę wyrównywania wy kł adniczego. Przyjąć wartość
parametm a = O. 8
101. Prod ukcja samochodów osobowych przedsięb i orstwa motoryzacyj nego w la-
tac h 1988-2006 prze d stawiała s i ę jak w tablicy 4 .28
Tablica4.28
19971
osobowych w tys. szt 13.1 14.4 16.1 18.3 20.6 26.4 29.2 27.4 40.4 50.2 1
Rok 1998 1999 2000 2001 2002 2003 2004 2005 2006
osobowychwtys.szt 65.2 86.1 91.1 115.0 143.0 174.0 229.0 294.0 340.0
Żródlo:dancumownc
(a) Zas t osować model wyrównywania wyk ład n i czego do ustalenia prognozy pro-
dukcji samochodów osobowych w latach 2007-2009. Ana li zę przeprowadzić przy sta łej
wygładzani a wynoszącej kolejno: O, I; 0,2; 0,3; 0,4; 0,5; 0.6; 0,7; 0,8; 0,9
(b) Ocenić dokładność predykcji.
102. Popyt na sok owocowy w pewnym województwie w latach 1997-2006 przed-
staw ia tablica 4.29 (dane kwartalnie).
Tablica4.29
r,,
"'
obserwacja
Y21
obserwacja obserwacja
'"
okres I obserwacja
0,78 2.28 2.60 0.84

0.77 2.24 2.56 0.83
1.30 10 3.78 4.32 12 1.40
13 2.27 14 6.22 IS 6.76 16 3.56
17 2.02 18 5.92 19 6.76 20 2.20
21 1.73 5.04 23 5.76 l.87
25 2.30 6.72 27 7.68 28 2.50
2.95 8,61 9.84 3.20
3.13 9.14 10.44 3,38
37 4.25 38 12.39 39 14.16 4.50
Żród to:dancumowne
Dokonać prognozy popytu na sok owocowy na lata 2007- 2009 s tosując meto-
dęwyrównywania wykładniczego. Oce ni ć dokładność predykcji za pomocą wskaźnika
Theila.
Wskazówka. Oceny trendu przedstawić następująco:
mk(r) = ak)'kt +( I - admdl - 4). I= 5,
Ykl Io kolejne obserwacje, gdzie k oznacza numer kwartału. Przyjąć a= 0.8
103. Mając dane zawarte w tablicy 4.30, gdzie y; - wydajność pracownika w sztu-
kach na dzień , xu - staż pracy w latach , x2; - pleć (x2; = 1 dla mężczyzn , x21 =O dla
kobiet).
18
19
(a) Oszacować parametry strukturalne funkcj i liniowej

)'; = a o + a1x1; + a2x2; + e1
opisującej badaną zależno ść, wiedząc że:
I.O - 0,25 O ]
(XTX) - ' ~ - 0,25 0. 125 - 0.25
[
o -0.25 1.25
(b) Zweryfikować staty s tyczną i s to t ność otrzymanych ocen parametrów
(c) Zin te rpretować otrzymane wyniki.
(d) Wyznaczyć prognozy punktowe i przed ziałowe (dla a= 0.05 i 3 stopni swobo-
dy ; fa = 3. 182) wydajnośc i mężczyzny i kobiety o 6- letnim stażu pracy; podać wartośc i
bł ędów ś rednich predykcji
104. Mamy do dyspozycji dane statystyczne przed stawione w iablicy 4.3 l, gdzie
y1 - miesięczne obroty i-tego sklepu (w mln zł); x 1; - liczba zatrndnionych w i-tym
sklepi e (w d zies i ąt k ach osób); x 2; - mie s ięczne wydatki na promocje i rekl amę (w dzie-
s i ątkac h tys. zł)
Skkp
(i)
IO
45
70
(,()
90 5
Żr6dło:<laneumowne
(a) Oszacować parametry strukturalne i parametry struktury stochastycznej mode-

Ju·
Y; = a o + a1X1 ; + a 2X2; + e;
(b) Wyznaczy ć prognozę punktową i przedziałową , jeżeli wektor założonych war-
tości wynosi
la = 3. 182
105. Import owoców cytrusowych przez jednego z importerów w Polsce w latach

2000--2006 (w tys. ton) przedstawiał s i ę nas tępująco: 12, 13, 14, 15, 18, 20, 20
(a) Oszacować parametry strukturalne i parametry struktury stochastycznej linio-
wej funkcji trendu o postaci:
}'1 = a + f3 · t +E:1
opi suj<\Cej badaną tendencję rozwojowq importu

(b) Zakładając , że dotychczasowa tendencja rozwojowa utrzyma s ię, wyznaczyć
prognozy punktowe importu na lata 2007, 2008, 2009.
(c) Dokonać oceny dokładności predykcji
(d) Wyznaczyć 9S %-owe przedziały ufności dla prognoz importu owoców cytmso-
wych na lata 2007-2009 (dla a= O.OS i 5 stopni swobody, la = 2.57 1)
106. W latach 1998-2006 produkcja komputerów w pewnym przedsiębiorstwie
w kolejnych latach (w tys. sztuk) wy n osiła odpowiednio: 7. 8, 10, 13, 14, IS. 16, 20, 23 .
Na podstawie powyż sz ych danych oszacowano parametry wykładniczej funkcji trendu
i otrzymano
ln y1 = 1.86 + 0.141. R2 = 0.97. v~ = 2.85%. d = 1.16.
(0.75 ) (0. 13)
(a) Oszacować parametry s1rukturalne i parametry struktury stochastycznej funkcji
li niowej
}'1 = a+ f3 ·I + e1
(b) Porównać dopasowanie obu funkcji do szeregu empirycznego ( i stotno ść ocen
parametrów struktural nych, dokładno ść dopasowania, autokorelacja; ta = 2, 156. dL =
= i,08 , du = L3S).
(c) Wiedzqc, że el.86 = 6.40, e 0· 14 = 1.15, nas zkicować przebieg zmienności
funkcji wykładniczej i zinterpretować jej parametry.
(d) Na podstawie funkcji liniowej wyznaczyć prognozę produkcji komputerów na
lata 2007 i 2008.
107. Zużycie wody z wodociągów w gospodars1wach domowych (y 1 w m3 ) w la-
tach 1999- 2006 przedstawia tablica 4.32
(a) Oszacować metodą najmniejszych kwadratów parametry liniowej funkcji tren-
du dotyczącej zużyc i a wody w latach 1999- 2006
(b) Ocenić s t opień dopasowania li niowej funk cji trendu do danych empirycznych .
(c) Wyznaczyć prognozy punktowe i przedziałowe zużycia wody w gospodar-
stwach domowych do 2009 r. przyjmując a = O.OS
Tablica4.32
1940 1923 1861 1922 1857 1750 1648 1565
108. Dwa szeregi czasowe przedstawiają wielkości plonów pszenicy i żyta w q/ha
w latach 1996-2006; dane przedstawia tablica 4.33
Tablica4.33
Pszenica Żyto
Rok
plonywq/ha
1996 29.6 22.4

1997 30.7 23.8
1998 33.6 25.5
1999 35.2 26,9
2000 34.3 24,7
2001 37.0 25.6
2002 37.2 25.8
23.7
38.5 27.3
2006 25.8
Żród to:daneumowne
(a) Oszacować parametry stmkturalne liniowej funkcji trendu dla obydwu szere-
gów czasowych.
(b) W którym przypadku liniowa funkcja trendu stanowi l epszą aprok sy mantę wyj-
ściowego zbioru danych empirycznych
(c) Wyznaczyć prognozy punktowe i przedziałowe dla zmiennej endogenicznej Y
na lata 2007, 2008, 2009 dla plonów obydwu badanych zbóż. przyjmując poziom ufności
a= 0,05
109. Liczba spryw:11yzowanych jednoosobowych spó łe k skarbu państwa (Yr) na
koniec kolejnych kwariałów lat 1995-1997 przedstawiała si ę jak w tablicy 4.34
(a) Aproksymować trend liczby sprywatyzowanych spó łek za pomocą funkcji li-
niowej i wykładni czej
(b) Na podstawie obu funkcji wyznaczyć prognozy liczby sprywatyzowanych spó-
łek na koniec kolej nych kwarialów lat 1998 i 1999.
(c) Porównać wyznaczone prognozy z rzeczywistymi wartościami zmiennej pro-
gnozowanej (odczytanymi np. z „Biu letynu Statystycznego"')
Tablica4.34
Kwarlał IV IV
137 140 146 159 165 168 178 183 190 199 209 225
Żródto:.,Biulc(ynS1a1ys1yczny„1996-1998
110. Liczba samochodów osobowych zarejestrowanych w Polsce w latach 1985-

- 1996 (y, w tys. szt. ) k sz t ałlowała s i ę jak w tablicy 4.35.
Tablic11 4.35
Rok 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996
y1 3671.4 3964 4231.7 4519.1 4846,4 5260.6 6112.2 6504.7 6770.6 7153.1 7517.3 8054.5
Źródło: RoczoikS1atys1yczoy 19'J-li 1996
Oszacować parametry strn kturalne i parametry strn ktury stochastycznej wy-

(a)
kładni czej fu nkcj i trendu:
y, = r:to·a; - e~' oraz li niowej fun kcj i trendu y, = ao+a t +c,. 1
(b) Na podstawie oszacowanych modeli te ndencji rozwojowej wyzn aczyć progno-

zy punktowe i przedział owe zmi ennej Y do roku 2000 r.
(c) Czy zastosowanie li niowej fu nkcj i trendu byłoby bardziej uzasadnione przy wy-
znaczani u prognozy? Podać wart ośc i zmiennej Y dla przyjęt ego w punkcie (b) horyzontu
prognozowania; w obu przypadkach p rzyjąć a = 0.05, w i ed ząc że odchyleni a losowe
mają rozkł ad normalny
(d) Porównać wyznaczone prog nozy z rzeczywistymi realizacjami zmiennej pro-
gnozowanej, odczytanymi z „Roczni ka Statystycznego"
111. W prze d s i ęb i ors t wie rolno-przetwórczym w 1998 r. podj ę t o produ kcj ę nowe-
go rypu sok u owocowego. Koszty jednostkowe prod ukcji 1000 litów soku (w z ł ) w latach
1998-2006 przedstaw ia tablica 4 .36
1998 1999 2000 2001 2002 2003 2004 2005 2006
Koszty jednostkowe 3000 2250 2400 2360 2260 2240 2230 2190 2160
Żródlo:daneumowne
(a) O szacować parametry strukturalne oraz parametry struktury stochastycznej,

przyj mując do aproksymacji h iperboli cz n ą fu n k cję trendu
(b) Do konać prognozy punktowej i przed z iałowej (na poziomie istotności a =
= 0.05) k ształtowania s i ę kosztów jednostkowych odnoszących się do produkcj i no-
wego soku; przyj ąć trzyletni horyzont prognozowania oraz rozk ł ad normalny odchy le ń
losowych
(c) Jaka byłaby interpretacja ekonomiczna w i elkośc i ekstrapolowanych w 2007 r
(d) Dokon ać prognozy na przyjęty w punkcie (b) okres prognozowania, wykorzy-
stuj ąc lini ową funk cję trendu; porównaj otrzymane prognozy i zinterpretuj je.
112. Kierownik wydz i ału ma opracować plan za mów ień na żarówki na najbliż sze
12 mi es i ęcy. Pe łne oświetlenie wydz i ał u wymaga \OOO żarówek, prt.:y czym zakupów
dokonuje s i ę raz w roku. Na podstawie obserwacji kierownik potrafi oce ni ć, jaki pro-
cent żarówe k ulega uszkodzeniu w zależ n ośc i od d tu gośc i pracy. W tabli cy 4.37 podano
procent żarówek, które ni c uległ y uszkodzeniu pomimo św i ece n ia przez I mi esi ęcy.
Tablica4.37
10
% ;~~:zck;izonych 75.0 58.3 55.8 54. l 53.1 52.0
Żr6dło: daneumownc
Na il e sztuk żarówek powinno o pi ewać zamówienie oraz ile sztuk trzeba będz i e
wy mi e nić
w k ażd ym z 12 mi es i ęcy.
113. Wielko ść produkcji pewnego detalu w badanym przeds i ębiorst w i e prze m ys łu
samochodowego w latach 1997- 2006 przedstawia tablica 4.38.
Tablica4.38
Rok 1997 1998 1999 2000 200 1 2002 2003 200< 2005 2006
Produkcja lOO,O
62.2 70.0 80.0 94.4 100.2 98.8 96.6 94.4 96.6
w tys.szt
Żiód/o:dancurnowne
(a) Wyz naczyć pro gnozę pu nktową wielkośc i produkcji rozpatrywanego detalu
w kolej nych dwóc h latach, wykorzystując potęgową funkcję trendu y1 = arPec'.
(b) Czy zastosowanie li niowej funkcji trendu by łoby poprawne w proces ie pre-
dykcji ?
114. W przeds i ębiorstw i e prze m ys łow y m podjęto produkcję potrzebnego detalu

W latach 1997- 2006 jego produkcja prlcds t awia ła s i ę na st ępująco (w tys. sztuk) : 300.
240, 150, 80, 72, 55, 85, 145, 200, 240. Wyodrębni ć t e ndencję rozwojową badanego
zjawi ska, przyjm uj ąc że będz i e ona przebiegać wed ług funk cji parabolicznej . Czy eks-
trapolacja badanego zjawiska jest w tym przypadku uzasadniona? Czy ten ty p trendu
zawsze pozwala na ekonomiczną interpretacje wyników ekstrapolacji?
115. K ształtowanie się kosztów materiałowych ponoszonych przy produkcji mik-
sera (w tys. zł/szt. ) w ciągu ostatnich 12 miesięcy odzwierciedla trend hiperboliczny
)'1 = 850 + 1725 - . s; ~ 295_ ~'~o.os. V~= 12.4%.

(84) ( 179)
2
D ( a) ~ [ -~~~ ~~~~ ]
(a) Przeprowadzić interpretację parametrów strukturalnych i parametrów struktury
stochastycznej rozpatrywanego modelu
(b) Wyznaczyć prognozy punktowe oraz błędy średnie predykcji na kolejne mie-
siące. tzn. T = 13, 14 , 15.
(c) Wyznaczyć przedziały prognoz dla wybranych miesięcy, przyjmując wiarygod-
ność prognoz I - a= 0 ,90
11 6. Odsetek nieuregulowanych w c iągu roku należności wobec pewnego prled-
s iębiorstwa (w % ogótu należnośc i) w latach 1997- 2006 przedstawi ał s ię nastę pująco
21, 18, 17. 15, 13 , 12, IO, IO. 9 , 8. Na postawie tych danych oszacowano parametry
wykładniczej funkcji trendu i otrzymano
1r;r, = l.36 - 0.046t .

(O.O l) (0.001)
2
R = 0.99. v~ = 1.45 %. d = 2,25.
Oszacowano także parametry strukturalne liniowej funkcji trendu Yr = a + {31 + e,
i otrzymano: a = [ ~::~]
(a) O szacować parametry struktury stochastycznej funkcji liniowej.
(b) Porównać dopasowanie obu funkcji do szeregu empirycznego ( i s t ot ność ocen
parnmetrów strukturalnych. dokładno ść dopasowania, autokorelacja; 10 = 2. 156, tit =
~ 1,08, du ~ l,35).
(c) Wiedząc, że 10 1•36 = 22.73, 10- 0.0-ł 6 = 0.90. naszkicować przebieg zmienności
i zin terpretować parametry funkcji wykładniczej oraz funkcji liniowej
(d) Którą z tych funkcji należałoby wykorzystać do wyznaczenia prognozy?
117. Wielkość produkcji eksportowej pewnego przedsiębiorstwa (y,) w latach
1998- 2006 kształtowała się następująco: I O, IO, l 1, 13. 13, 14, 15 , 15. 16 tys. sztuk
(a) Oszacować parametry liniowej funkcji trendu opisującej badaną tendencję roz-
wojową.
(b) Wyznaczyć prognozę punktową i przedziałową dla kolejnych trzech lat oraz
podać interpretację ekonomiczną otrzymanych rezultatów predykcji.
11 8. Produkcje energii elektrycznej w kilku wybranych województwach w Polsce
w latach 2000--2006 w KWh z uwzględnieniem mies ięcznych wahań prezentuje tabli-
ca 4.39
Tabli c114.39
Micsi11c 2()()() 2001 2002 2003 2004 2006
Styczeń 12078 13962 13354 1337 1 12935 13313 14 655

Luty
K w iecień 10948 11275 IOW:J 10870 Jl 307

Maj 9253 10090
Czerwiec 9539 9173 8965 8929 9429 9344 9275
Lipi ec 9443 8979 9005 8721 9288 9351 9675
Sierpień 9606 9025 8963 9144 9504 9440 9840
Wrzesień 10448 9282 9742 9829 9847 10442 10975
Październik 12109 11239 12034 11467 12270 11890 12429
Listopad
13558
Żródło : dmicumownc
(a) Wyznaczyć prognozę energii elektrycznej w badanych województwach w Pol-

sce w 2007 r. w u kład zie miesięcznym, s t osując metodę wskaźników sezonowośc i oraz
metodę trendów jednoimiennych okresów
(b) Dokonać oceny dokład nośc i predykcji
5
Analiza procesu produkcyjnego
5.1. Uwagi wstępne

Ekonometryczna anali za procesu produkcyjnego obejmuje
• analizę produkcj i i po s tę pu techniczno-organi zacyj nego,
• analizę kosztów produkcji ,
• analizę wydajnośc i pracy.
Zagadnienia te są przedmiotem niniej szego rozdziału
5.2. Funkcja produkcji

5.2.1. Modele produkcji
Funkcja produkcji jest jednym z podstawowych narzędzi ekonometrycznej analizy pro-
cesu produkcyjnego, bo jej znajomość pozwalam.in. określić, jakiego poziomu produk-
cji można oczekiwać w określo nym przyszłym okresie, w jakiej mierze należy z mieniać
nakłady czynników produkcji. aby uzys kać określony wyższy niż dotychczas poziom
produkcji. a często także jakie są efekty produkcyjne realizowanego w przedsiębior
stwie postępu techniczno-organizacyjnego. Jej znajomość pozwala także ustalać opty-
malne nakłady czynników produkcyjnych minimalizujące koszty całkowite produkcji
przy zadanym poziomie produkcji lub 1eż mak sym alizujące produkcję przy zadanym
koszcie.
Funkcja produkcji jest narzę d ziem ekonometrycznej analizy procesu produkcyjnego
na różnych szczeblach gospodarowania. Wykorzystywana może być w analizach makro-
ekonomicznych przy modelowaniu wzrostu dochodu narodowego lub produktu global -
nego, jednakże szczególnie ważną rolę odgrywa przy rozpatrywaniu procesu produkcyj -
nego w skali gałęzi, branży lub przedsiębiorstwa (zakł adu. wydziału).
Kwestie dotyczące funkcji produkcji można znaleźć m.in. w pracach: J. Chmie-
la r 17l, J. Jaworskiego r74l oraz Z. Pawłows k iego r109l
Ekonometryczna funkcja produkcji to model prączynowo-opisowy. przedsla-
w iaj ący za l eżności między nakładami lub zasobami czynników produkcji a wielka-
5.2.Funkcjaprodukcji
śc ią produkcj i (w i e lkośc ią produktu uzyskiwanego przy zastosowaniu tych nakładów)

Budując modele funkcji produkcji. zakłada sic zwykle, że mają one prze d stawiać za-
l eż n ośc i mi ędzy produkcją a nakładam i i zasobami występujące w warunkach jako-
ściowo jednorod nej techniki i technologii w normalnych, prt.:ec i ęt n yc h warunkach pro-
dukcyjnych (a więc nie w specjal nie sp rzyjaj ącyc h warunkach laboratoryj nych lub po-
kazowych, ani t eż wtedy, gdy wskutek niegospodarności lub szczególnych nietypo-
wych warunków rozmiary produktu są wyjątkowo małe w stosunku do zaangażowa n yc h
środków)
Defini owani e zmiennych zależy od szczebla gospodarowania, cech techniczno-tech-
nologicznych procesu produkcyjnego i dostępności danyc h statystycznych
Rozmiary produkcji z reg uł y mierLY s i ę ilością lub wartością produktu otrzymanego
w jednostce czasu, a w i ęc traktuje s i ę jako strumienie . Natomiast rozmiary zaangażowa
nych czynników produkcji , odpowiednio do charakteru tych czynników, są ujmowane
jako strumienic ( nakł ad y pracy) lub jako zasoby (np. wie lkość zainstalowanego trwałego
majątku produkcyj nego)
Zatem crekt produkcyjny może być wyrażo n y jako:
• ilo śc iow e (fizyczne) rozmiary produkcji (wyłącz n ie w przypadku produkcji jedno-
rodnej)
• rozmiary produkcji w jednostkach pr1:cliczeniowych lub umownych (np. produk-
cję materiałów budowlanych przelicza s i ę na jednostki ceg łowe, produkcję rolniczą -
zw i erzęcą i roślinną - na jednostki z bożowe itd.),
• produkcja czysta w cenach porównywalnych,
• prod ukcja dodana w cenach porównywalnych ,
• produkcja globalna w cenach porównywalnych, ale jedynie wtedy. gdy brak od-
powiednich innych danych (produkcja globalna nie jest dobrym miernikiem efektu pro-
dukcyjnego, ponieważ zawiera wart ość przeniesioną).
Zmienne o bj aśn i ające w funkcji produkcji to
• nakł ady pracy liczone jako
- liczba przepracowanych roboczogodzin,
- liczba przepracowanych roboczodni,
- śred ni e zatrudni enie (jest to jednak miernik nie nakładów, lecz zasobów pracy),
• nakład y kapi t ału - najczęściej majątku trwałego (czyli zużycie majątku w pro-
cesie produkcji) - są najtrudniejsze do ob iektywnego pomiaru i dlatego w funkcji pro-
dukcji naj częśc i ej przyj muje się zasób majątku trwałego (zakładając, że z u życ i e jest pro-
porcjonalne do zasobów, tzn. zakładaj ąc zwykle pe łn e wykorzystanie majątku trwał ego)
mierzony zwykle warto ścią produkcyj nych środ k ów trwałych,
• zuzyc 1e energu,
• zużycie surowców.
• mne
Teoretycznie w funk cji produkcji powinno s i ę uwzględniać różne kategorie pracy
i kapitału (majątku trwałego). Naj częściej stos uje s i ę jednak tzw. dwuczynnikowe funk -
cje produkcj i, w których uwzg lędnia s i ę jedynie zagregowane nakłady majątku trwałego
i pracy.
5.Analtzaprocesuprodukcyjnego
Ogólni e funkcj ę produkcji moż n a zapisać
(5 .1 )
gdzie: Q - wielkość produkcji (produkcja); X 1 , •• XK - czynniki produkcji ; € -

zakłócenie losowe.
Postacie anali1yczne funk cji produkcji uzyskuje się i bada w ramach ekonomii teo-
retycznej. Zakłada s i ę zwykle do sko nal ą podzielność zarówno czynników produkcji. jak
i gotowego produktu - dzi ęki temu ma sens mówienie o bardzo małyc h przyrostach
rozważanych w i e lkości i zakłada n i e c i ągłości oraz różni czk owa lności funkcj i produkcji.
5.2.2. Analiza własności funkcji produkcji

Model ekonometrycznej funkcji produkcji może s łu żyć do prowadzenia rozu mowań ana-
lityczno-wyjaśniających, wzbogacających w istotny sposób wiedzę o ilościowej stronie
prawidłowości, zgod nie z którymi przebiega proces wytwarzania. Model ów stanowi
znaczny krok w stosunku do klasycznej ekonomicznej analizy procesu wytwarzani a
Do naj ważn i ej szyc h kierunków analizy procesu wytwar.mnia za pomocą funk cji pro-
dukcji należy za lic zyć badania
a) krańcowych produkcyjności czynników produkcji,
b) e las t ycz ności produkcji wzg l ę dem nakład ów czynników produkcji,
c) efektów skali produkcji.
d) izokwant,
e) kra ńcowych stóp substy tucji czy nników produkcji,
f) elastycz n ości substytucji czy nników produkcji ,
g) efe któw neutralnego pos tępu techniczno-organizacyjnego
Trzy pierwsze mierniki c harakt e ryzują relacje mi ędzy czynnikami produkcj i
a prod ukcj ą.
(a) K ra ńcowe p rod u kcyjn ości czynników produkcji. Badanie krańcowych pro-
dukcyjności czynników polega na badaniu pierwszych i drugich pochodnych cząst ko
wych produkcji względem czynników 1
(5.2)
Produkcyj nośćkra1'tcowa }-tego czy nnika ( P kX j ) okreś la z mian ę produkcji na sku-

tek zmiany nakładu j-tego czynnika o bardzo ma l ą j ed n os tk ę. Na ogół zakłada s i ę, że:
aQ a' Q aQ
atakże x~i~~ax
1 --,i..O.
Vj· ax j> O oraz ax ]< O, (5.3)
co oznacza, że produkt krań cowy jest dodatni i maleje wraz ze wzrostem nakładów czyn-
nika x1, czyli produkcja rośnie wraz ze wzrostem nakładów czynników produkcji, ale
rośnie coraz wolniej i nieskończe n i e duże przyrosty tych nakład ów czynników produk-
1aQ / ilX j oznucw pochodną Q względem Xj - ulrernatywny z~pi s Q '( X j )

5.2. Funkcj~ produkcji
cji nie powodują jużpraw ie żadnych przyrostów produkcji (znane w ekonomii prawo
malejących przychodów).
(b) Elastyczn ość produkcji wz g l ędem nakladów czynników produkcji. Elastycz-
n ość produkcji w zg lędem nakladu )-tego czynni ka prod ukcji (X j ) o kreśla wzór
EQ/ X· = ~ ~ = lim ć.Q ć.XJ (5.4)

1
axJ Q ,.,,x 1- oo Q xJ
lub
a lnQ
EQ/ xj = atnx/ (5.5)
Eo; x, jest zatem m i arą względ n ych

zmian produkcj i wywołan ych określo n y m i, nie-
wiel kimi wzg l ę d ny mi zmianami )-tego czynnika produkcj i, przy za łożeni u że pozosta łe
czynniki produkcji nic ulegną zm ianie. lnfomrnje zatem , o ile procent w z rośn i e wiel-
kość (rozm iar) produkcj i. jeśli n ak łady }-tego czynnika produkcji wzros n ą o l %, przy
ustalonych (niezmienionych) nakładach pozostał yc h czynników.
(c) Efekty skali produkcji. Badanie efektów skali produkcji n ajczęściej polega na
badan iu stopn ia je d norodno śc i fu nkcji produkcj i. Mówimy, że fu nkcja jest jednorodna
stopnia v,jeżeli 2 ·
VA > O f(AX1 . . . AXK)=A vf(X1 .. .. XK) (5.6)
W matematyce nie n ak łada si ę żad n ych ograniczeń na v, jednakże w przypadku funkcji

produkcji przyjmuje s i ę, że parametr v > O. Moż n a po kazać, że parametr (efektów,
korzy śc i) skali v jest sumą c\astycz ności 3
K
v= L E 01xi (5.7)
j= I
i pozwala okreś li ć, o ile procent wzrośnie produkcja, jeże l i nak ł ady wszystkich czynni-
ków wzrosną o ten sam procent; przy czym, jeżel i
v = l => produkcja roś n ie w tym samym tempie co wszystkie czynniki; jest to przy-
padek st ały ch przychodów wzg l ędem s kuli produkcji (s ta łych efektów skali produkcj i.
stałej wydajności czynn ików produkcji);
v > I => produkcja rośnie w szybszym te mpie ni ż nakłady czynników produk-
cji; mówimy wtedy o ros n ący ch p rąc hoda c h w zględem skali produkcji (ro s n ącyc h
efektach skali produkcji. ro snącej wydaj ności czynników produ kcji);
11 < l => produkcja rośnie wolniej niż nakłady czynników produkcji; przypadek te n
określ a s ię mianem m a l ej ących przychodów względem skali produkcji (ma l ejących
efektów skali produkcj i, ma l ejącej wydajnośc i czynników produkcji )4
2To 7. nac7.y "I.miana (iwiększen ie lub imniejsicnie) nakładów wsiystkich ciynników >.. ra7.y spowod uje
imianę (pnyros t lub spadek) wielkości produkcji>.. u razy. np. >..= 1.05
3 11 określany bywa 1akżc jako RTS (n.>lum ta swle)
4
Zal efoość między wi elkością produkcji a skal'\ działalności produkcyj nej obrazuje knywa Kni ghta
W początkowym okresie po uruchomieniu proces produkcji charakteryzuje się rosnącymi efektami. pM:niej
efektyskali sąsrn ł e.awos1a 1ni ejfazi e -mal ej <1ce
Kolejne trzy mierniki charakteryzują substyt ucję czynników produkcji. Większość

funkcji produkcji zawiera za łożeni e możliwości wzajemnej substytucji czynników pro-
dukcji, czyli założenie. że tę sa mą i l ość produktu można otrzymać, st os ując czynniki
produkcji w róż n yc h il ośc iow yc h stosunkach (ubytek jednego z czynników produkcji
można zrekompe n sować zw i ę k sze niem innego czynnika, aby utrzymać oczekiwane roz-
miary produkcj i).
(d) Izokwanty, Zjawisko substytucj i czynników produkcji znajduj e fommlny wyraz
w równaniu izokwanty (krzywej jednakowego produktu), będącej mi ejscem geometrycz-
nym punktów. re preze ntujących wszystkie kombinacje nakład ów czynników produkcj i,
dających w efekcie tę sa mą oczekiwaną wielkość produkcji Q0 .
Równa ni e izokwanty wyprowadza s i ę wyrażając jeden z czynników produkcj i jako
funkcję (gj) ustalonego poziomu produkcji Q0 i pozostałych czynn ików. zate m równa-
nie izokwanty można zapisać
X j = g 1(Qo. X1. , X; - 1. X 1+1· , XK : e1). (5.8)
W powyższym wzort:e wyslępujc s kładnik losowy e1 , gdyż relacje, w jakich na-
stę puje substytucja, maj ą zwykle c harakter stochastyczny. w praktyce jednak składnik
losowy w równaniach izokwant pomijamy.
(e) Krańcowe (techniczne) stopy substytucji czynników produkcji. Znajomo ść
równania izokwanty pozwala ob li czyć RJi - krańcową stopę substytucji czynnika X;
przez czynnik X i (np. pracy przez kapi t ał), czyli ilościową miarę określającą, jaką ilośc ią
czynnika X J nal eży zast<1pić wycofaną małą jednostkę jednorodnego i substytucyjnego
względem niego czynnika X;, ażeby oczekiwana wie lkość produkcji ni c uległa zmianie
Krańcowa stopa substytucji jest stosunkiem zamiennym między krańcowy m i wiel-
kościami dwóch czynników produkcji axj oraz ax„ i ma prostą interpretację geome-
tryczną jako tangens kąta nachylenia stycznej do krzywej jednakowego produktu (izo-
kwanty) w poszczególnych jej punktach. Nachylenie tej krzywej jest jednak ujemne,
s t ąd t eż , aby un i knąć definiowania tej wielkości jako ujemnej, do wzoru wprowadza sic
umownie znak minus. czyli 5 :
(5.9a)
Zate m krańcowa stopa substytucji czynnika X ; przez czynnik X1 jest równa uje mnej
pochodnej cząstkow ej z izokwanty X 1 względem X;. Częściej jednak oblicza się ją jako
stosunek produkcyj no śc i krańcowej czynnika X; do produkcyjności krańcowej czynnika
X i (iloraz pochodnych):
aQ
R _ oX; _ Q'(X;)
,, - _ilR - Q'(X J).
(5.9b)
(f) Elaslycz n ość subslylucj i czynników prod ukcj i, Wzajemna substytucja w rze-
czywistych procesach może zachodzić łatwiej lub trudniej. Miarą łatwo śc i substytucji
5w prncy prt.yjęco oznaczenie R jl - krańcowa s1opa subs1ywcj i czynnikiem j -1ym czynnika i-cego
czynników produkcj i jest wspó łc zy nnik elas t yczn ośc i substytucji a, zdefi niowany jako
stosunek w zg l ę.d ncj zmiany w proporcjach dwóch czynników prod ukcji do wzg l ędnej
zmiany w kratkowej stopie substytucji, zatem:
(5.IOa)
Można także powiedzieć. że elastyczn ość substytucji jest odwrotnośc ią elastyczno-

śc i krańcowej stopy substylUcji wzglę d em proporcji dwóch czynników produkcji (przy
czym elastyczność obliczamy jako pochod n ą logarytmu krańcowej stopy substytucji
wzg l ędem logarytmu slosunku dwóch czynników):
~=E x · =~ (5.IOb)
a «1<iif, d In(!.X;.!.).
czyli odwrot ność elastycznośc i substytucji ( I / u) jest po prostu elastyczn ością krańcowej
stopy substytucj i Rj; względe m X j/ X;
E l astycz no ść substytucji czynników produkcji pozwala określić, jak zmien i ają s ię
proporcje czynników produkcji, gdy zmienia s i ę krańcowa stopa substytucji . a E [O: oo)
u = O świadczy o zu pe łnym braku możliwośc i zastępowania s ię czynn ików produkcji
X j i X;, a więc o absolutnej ich komplementarności. Im ł atwiej s za substytucja czynni-
ków produkcj i, tym w i ększe wartośc i przyj muje u. Gdy a ~ oo, izokwanta p rzekształ
ca s i ę w pro stą przec inającą osie zmiennych objaśniającyc h
Jeżeli funkcja prod ukcj i został a oszacowana w oparciu o dane dynamiczne (szereg
czasowy), to moż n a w niej u względ ni ć
(g) Efekt y neutralnego post ę pu techniczno-organizacyjnego. Efekt neutral ne-
go post ępu techniczno-organizacyjnego wyraża s i ę w tym, że przy tej samej struktu-
rze i w i e l kości zaangażowanych czynników produkcji otrzymuje się większą prod u kcję
wskutek wprowadzenia innowacji techniczno-organizacyjnych.
Ogólnie biorąc. anali za ekonometryczna postępu technicznego polega na zbudo-
waniu (a na stępn ie estymacji) odpowiednio zmodyfikowanej (zdynamizowanej) funkcji
produkcji , u podstaw klórej leży fa kt, że poslęp 1echniczny zawsze zachodzi w czasie.
Modyfikacja polega na wprowadzeniu do funkcji produkcj i czynnika wykładnicze
go ert, gdzie 1 jest zmienmi czasową (najczę śc iej I = I, 2.. . 11 dla kolej nych okre-
sów), natomiast dodatkowy parametr T jest miernikiem efektów postępu techniczno-
-organizacyjnego; jeże li z okresu na okres nie zmie n iają s i ę nakłady czynników produk-
cji (gdy t roś nie o I), produkcja zmienia s ię o (e' - I) 100 ::::: T 1006. T dodatnie
św i adczy o pos 1 ępie technicznym, natomias1 T < O świadczy, że w procesie produkcji
wy s tę puje regres techniczny (prą stałyc h n akładach produ kcja spada)
6r jest bardzo małą liczb<\ rzędu setnych. a na we I t ysięcznych. zatem (co wynika z rozwinięcia wyr:iżenia
e' w szereg Taylora wokół r =O. czyli szereg McL:wrina). er ::::: I + r
5.2.3. Funkcja produkcji typu Cobba- Oouglasa

W teorii i praktyce najlepiej rozpoznaną i ciągle jeszcze chyba najczę śc iej stosowa ną
funkcją jest funkcja produkcji Cobba-Douglasa (funk cja pot ęgowa) o ogólnej postaci
dlawyróżnionych K czynników produkcji K
Q,=.Bo nx~ -ee' . (5. 11 )

j= I
gdzie: Q, - wielkość produkcji (w I-tym przedsiębiorstwie lub w I-tym momencie); X rj

- nakład j-tego czynnika produkcji (wt-tym przeds i ębi ors twi e lub w r-tym momencie).
Bardzo często w badaniac h ogranicza s i ę do dwuczynnikowej funk cj i produkcj i
( uwzg lęd n iającej najważn i ejsze czynniki produkcji , czyli nakład y pracy uprzedmioto-
wionej i pracy żywej), którą m oż n a zapi sać:
(5 .1 2)
gdzie: Q1 - wielkość produkcj i (w /-tym prze d s i ębiors twi e lub w /-tym momencie); K 1
- kapitał ( mająt ek trwał y); Lr - praca ; e, - zakł óceni e losowe.
Parametr .Bo nazywany bywa parametrem efekt yw no śc i - określa poziom produkcji
przy jednostkowych nakładac h czynników (gdy K = L = 1)7, natomiast p:1rametry {3 1 •
{3 2, jak łatwo s prawd z i ć, są e la st ycznościa mi produkcji, odpowiednio, wzg l ędem kapitału

1 pracy.
Pnyklad 27. W tablicy 5.1 zamieszczono dane o wartości brutto produkcyjnego ma-
jątku trwałego K (w mln zł) oraz o ś redni ej liczbie zatrudnionych w c i ąg u roku l (w oso-
bach). a także o wartośc i produkcji czystej Q (w tys. zł).
(a) Oszacować parame try strukturalne oraz parametry struktury stochastycznej funk -
cji produkcji Cobba- Douglasa. a także dokonać weryfikacji tego modelu.
(b) Obliczyć e lastycz n ości produkcji względem czynników produkcj i (kap itału K
i pracy L) oraz zinterpretować otrzymane wyniki
(c) Okre ś l ić efekty skali produkcji . Czy można powiedzieć, że technologia produkcj i
charakteryzuje s i ę s tał ymi efektami (przychodami) skali produkcji?
(d) Czy is tnieją podstawy do twierdzenia, że e l as tycznośc i produkcji względem ma-
j ątku trwałego i pracy są takie same?
(e) Okreś li ć, o ile procent wzroś ni e produkcja, j eże li wartość produkcyjnego majątku
trwałego ( K) wzrośnie o 3%, a li czba zatrudni onych (L) zmni ejszy s i ę o 2%.
(f) Okre ś li ć, jak du ża musi być wartość brulto produkcyjnego majątku trwałego (K ).
aby os iągnąć wartość produkcji czystej Q0 = 2.05 mln zł . utr.t:y mując jednocześnie
ś redni orocz n e zatrudnie nie na poziomic ostatniej obserwacji K 15 .
(g) Okreś li ć, o ile na l eży zwiększyć zatrudnienie z okresu 1 = 15 na okres 1 = 16,
jeżeli wiadomo, że wartość brutto produkcyjnego majątku trwał ego w r = 16 zmniejszy
s i ę o 5 mln zł w porównaniu z r = 15. a j ed n ocześ n i e chcemy utrzy mać produkcję na
poziomi e okresu t = 15.
7Por6wn:inie waności 1ego p;irnme1ru w przeds iębiors1wach tej samej branży pozwala na ocenę. w któ
rym z nich efek1ywność jednoslkOW)'Ch nakładów jes1 najwięks za
(h) Obliczyćoptymalne nakłady K * i L* tak, aby osii1gnąć produkcję czystą Q0 =

= 1.5 mln z ł , jeżeli
wiadomo, że jednostkowe koszty zastosowania czynników produkcji
wynoszą, odpowiednio, 24000 zł (wK) oraz 2000 zł (wł.) i łączą s ię w koszt cał kow ity
produkcji liniowo.
(i) Podać optymalne nakład y K ** i L ** tak, aby uzyskać maksymalną waność pro-
dukcji czystej Q,jeżeli liniowa fu nkcja kosztów całkowityc h C zastosowania czynników
produkcji ma postać: C1 = 24000 Kr + 2000 Lr . a dopuszczalne nakłady na czyn niki
produkcji wynoszą Co = 2400 tys. zł
Tablica5.I
K, L, Q,
I 135 359 864.0

17.4 453 1081.2
3 18.7 431 1 092.8
4 23.3 423 1194.1
5 24.4 1 225.6
6 24.2 I 284.6
7 28.6 486 J 409.7
31.2 511 1502.7
34.l 535 1597.4
10 33.2 574 1634.8
li 35. l 601 1783,0
12 385 600 1 786,9
13 41.4 634 1 900.4
14 41.l 690 1 972.8
15 42.2 2022.5
Żcódło:dm1curnow11C
Rozw iązanie. (a) Estymacja. Dwuczynnikowa funkcja produkcji Cobba- Douglasa

dana wzorem (5.12) jest modelem nieliniowym i aby oszacować jego parametry za po-
mocą MNK 8, należy go sprowadzić do postaci lini owej pr.tez obustronne zlogaryt-
In Q, = ln f3o + f31 ln Kr + fh lnl 1 + e1 (5.13)

Oznaczając np: In Q, = y 1, In K 1 = x,,, In L 1 = .r,2, In /30 = ao. /3 1 = cr i, /32 = a 2.
moż na model (5. 13) przedstawić w postaci
(5. 14)
8prt.y addytywnych składni kac h losowych koniecz.ne byłoby zastosowanie nieliniowej MNK. realizo-
wanej np. za pomocą metody Gaussa-Newtona
5.Analtzaprocesuprodu kcyjnego
lub macierzowa
y = Xa + e. (5. 15)
gdzie:
:u
Estymatorem wektora ot jest oczyw i ście we ktor a
gdzie
1~Xr1 ; ln Kr t In l1 ]
'~(In K,)' :~ In K, In L , .
1
,ti J.}1
r~ (I n L
1~Xr1Xr2
2
; ln K r ln L 1 1)
1
W naszy m przypadku9 ·
15.0000 50.1 333 93.720 1]
xTx = [
50.1333 169 .2516 314, 1357 .
93.720 1 3 14, 1357 586. 11 89
109. 1634]
XTy = 366.0729 IXTXI ~ 1.9093.
[
682.7436
272.5384 29.7 11 8 -59,5030 ]

(XTX)- 1 = 29.71 18 4.3655 - 7.0907 .
[
-59.5030 -7.0907 13.3165
9 Wyniki podane są z dokładnośdą do cz1erech miejsc po prtecinku. ale całość obliczeń prowadzorrn
byla.oczywiŚ<:ic.zdużowiększąprecyzją
stqd otrzymujemy
a= "a1' ] = [2.5926]
0.452 1
[
a2 0.5080
Wariancja resztowa
n~k(yTy - aTXTy) = O.l~~ ~

3 9
s;= = 0.000 1132,
odchylenie standardowe resztowe
S, ~ jS; ~ J0.000 1132 ~ 0.0106,

współczynn i k zmien n ości resztowej
V, ~ s__, 0.0106
)' 100 ~ 7.27756 100~o.15%.
współczynnik zbież ności
yTy-aTXTy
(y -Y)T(y - i')
b ł ędy średn i e szacunku parametrów (D(a1); j = O. I. 2) - pierwiastki kwadratowe
z elementów diagonal nych mac ierzy kowariancji estymatorów parametrów
D(a0 ) ] [0.1757]
D(a) ~ D(a,) ~ 0,0222
[
D(a 2 ) 0.0388
wartości statystyki testu 1 Studenta
t(aJ) = D~:iJ)
do weryfikacj i statystycznej i stot n ości ocen parametrów strukturalnych, czyli do weryfi-
kacji H0 : a j = O wobec H 1: aj =f=. Osą równe·
1(ao) ] [ 14,7572]
ł (a ) = t(ai) = 20.33 15 .
[
1(a 2) 13.08 19
Można zatem ostatecznie zapisać:
y, 2.5926 + 0.4521x,, + 0.5080.r,2.

(0, 1757) (0.0222) (0,0388)
t(a1) 14.7572 20.3315 13,0819
Mając powyższe dane oraz zakładając, że s kładniki losowe maj ą roz kład normalny,
możemy dokonać weryfikacji modelu. Ponieważ na poziomie is t otności a = 0.05 i dla
11 - k = 15 - 3 = 12 stopni swobody odczytana z tabli c rozkład u / Student a wartość
krytyczna statystyki I, czyl i '" wynosi 2, 179, a wszystkie t (a J) na wartość be zwzg l ędną
są w i ększe od 1", może m y stw i erdzić z 95 %-owq pewnośc i q, że wszystkie oceny para-
metrów statystycznie istotnie różn i ą s i ę od zera, czyli „są istotne".
Ponadto wartości teoretyczne )'1 = In Q, odchylajq się od wartości empirycznych

y 1 = In Q 1 in plus lub in minus, średnio o 0,0106 logarytmów (naturalnych) tys. zł.
Wahania losowe stanow i ą tylko 0,15 % ś redniego poziomu logarytmu produkcji i tylko
O, 15 % logarytmu produkcji nie jest wyja ś nione pri:ez zmienność logarytmów czynników
produkcji
Można zatem stwierdzić, że oszacowany model dostatecznie wiernie odzwiercied la
badaną zależno ść i mo że stanowić podstawę do anali zy i wnioskowania o badanym pro-
cesie produkcji
Pamiętając, że bo = e''O = e 2·5926 = 13.3640, możemy zapi s ać model w postaci
(5. 12)o
(b) Elas t yc zność produkcji względem czynników produkcji.

Zgodnie z definicją (5.4), elastyczność produkcji względem kapitał u (u nas: wzglę
dem wartości bmtto produkcyjnego majątku trwalego) wynosi:
E , = ~ !!.._ = 13.3649. O 4521 K 0.4521 - 1 Lo.5oso . K

Q/ K aK Q , 13.364QK 0.452 1L0.5080
= 0.4521.
a elastyczność produkcji względem pracy (u nas: wzg l ędem średniej liczby zatrudnio-
nych)
E aQ L 133649 K0.4521.Q5080Lo.5oso- 1 L
Q/ L = al .Q = ' ' 13.364QK 0.452 1L0.5080
~ 0.5080
Zauważmy, że do takich samych wyników prowadzi zastosowanie wzoru (5.5).

Oszacowany model w postaci logarytmicznej: ln Q, = ln(l3.3640) + 0.4521 In K, +
+ 0.5080 In Lr, zatem
n1nQ i)(ln(l3,3640) + 0,4521 ln K + 0,5080\n L, )
1
0.4521.
a ln K a ln K
a1n Q Cl( l n(ł3,3640) + 0.4521 In K , + 0.5080ln L,)
0.5080.
a\n L O ln L
Ponieważ E QJK = 0,4521, a EQ/ L = 0.5080, wpływ
zatrudnienia na w i el ko ść pro-
dukcji jest nieco więk szy niż trwałego majątku produkcyjnego - zwiększenie wart o ści
brutto produkcyjnego majątku trwałego (K) o 1% spowoduje, średnio, wzros1 produkcji
czystej o około 0.45%, j eżeli średnia liczba zatrudnionych (ogólnie: pozos tałe czynni-
ki produkcji) nie ulegnie zmianie. Natomiast wzrost średniej liczby zatrudnionych ( L)
o I % pociqgać będzie, średnio, wzrost produkcji czystej o około 0.5 1%, przy założeniu
s tałości wartości brutto produkcyjnego majątku trwałego
Należy jednak podkreślić, że otrzymane wyniki należy interpretować ostrożnie , gdyż
definicja e las1yczności zakłada nieskoilczenie mały przyrost zmie nnej (objaś niaj<1cej) ,
a w praktyce interesują nas przyrosty rzęd u 1%, 2%, 5%, a w i ęc wzg l ęd ni e d uże 10 . Na-
l eży zatem s podziewać się, że otrąmane wyniki będą przybl i żone i to tym bardziej, im
wzg l ęd ny przyrost argument u będz i e większy. Dodatkowo w definicji elastyczności za-
kł ada s i ę zm i anę jednej zmiennej pn.:y s t ałości pozost:1 ł yc h , a takie autonomiczne zmiany
czynników produkcj i rzadko są możliwe, zw ł aszcza w szerszym zakresie
Dl a modelu potęgowego, a taki m jest fu nkcja produkcj i Cobba- Douglasa, m oże m y
jednak dokładnie obliczać przyrosty zarówno bezwzg l ędne. jak i wzg l ęd n e prą dowol-
nych, a nawet jednoczesnych wzg lędnych zmianach argumentów. J eś l i bowiem względ
ne zmiany kapitał u i pracy wynoszą. odpowiedni o, D. K / K i Dol/ l, to wzg l ęd n a zmiana
Q wyniesie:
6Q
- = (I+ -6K )'' · (1+6L)"
- - l. (5.16)
Q K L
Wobec tego np. jednoprocentowy wzrost śred ni ego zatrudnienia (l) będz i e wywo-
ł ywał , d okładnie licząc 11 , następujący względ ny (procentowy) przyrost produkcji czy-
stej Q:
Q 100 =(I .Olo.soso - I)· 100 =O .5068% .
D.Q
Jak ł atwo zau ważyć, 0.5068% :f:. 0.5080% . Różnice w procentach są tu niewielkie.
ale w wymiarze bezwzg l ędnym mogą być c:iłki e m spore, na l eży w i ęc o tym pamiętać.
(c) Efekty (korzyści) skali produkcj i
Parametrem skali produkcji jest suma elastycznośc i v = {3 1 + fh. Suma {3 1 + fh jest
j ed n ocześn i e stopniem jednorodności funkcji produkcji Cobba-Douglasa, pon i eważ:
Q(AK. 1-L) ~ ~o(l-K)' ' (l-L)'' ~ 1-''"' Q(K. L).

gdzie Ajest dowo ln ą dodatnią liczbą rteczyw i stą
# #
Ponieważ 1 + 2 = b 1 + b2 = 0.452 1 + O. 5080 = O. 960 I < I. więc rozpatrywany
proces produkcyjny charakteryzuje się malejącym i prt.:ychodami wzg l ęde m skali pro-
dukcji, tzn. przyrost czynników produkcji daje mniej n iż proporcjonalny przyrost pro-
dukcj i. Zau ważmy jednak, że oszacowania e l astycznośc i obarczone są błędami , zatem
równ i eż parametr skali obarczony jest b ł ędem
Parametr skal i w przypadku fu nkcji C- D jest komb i nacją l i n i ową parametrów funk-
cji; można więc zapisać 1 2 :
fi=#1+#2 =0.4521 + 0.5080=cT~=[0 [ ~:~~1]=0.9601

1
I I]
0 .5080
B łąd dla parametrn skali m ożna obliczyć ze wzoru (2.33), przytoczonego poni żej:
D(V) = jcT. s; (XTx)- 1. c = s"J cT. (XTX)-1 . c.

IO Istnieje jeszcze jeden powód do ostrożności: nic znamy prawdziwej elastyczności. a jedynie jej osza-
cowanie. z namry rzeczy obarczone błędem
11 Mowa o dokładnym wyliczaniu względnej zmiany wanośd funkcji z niedokładnymi. bo osz.acowany-
n11. paramc1ra1111
11 Por. podrozdział 2.4.2 do1ycz;1cy wnioskowania o kombinacji liniowej wektora parametrów
5.Analtzaprocesuprodu kcyjnego
[ ;~:~;~: ~~~;~ -~~~~~~]-[~, ]=

2 2
O(v)=0.0 106 [O I I]
- 59.5030 - 7.0907 13.3 165
=0.0 106· [ -29.7912 - 2.7252 6.2258 ] · [:J =0.0 106·JUO<i6=
=0.0106 l,871 =0 .0198.

Weryfikujemy zatem hipotezę: H0: {3 1 + {3 2 = I, wobec H 1: {3 1 + {32 ::f:. I, a spraw-
dzianem Ho jest statystyka (2.35):
_ V- l 0,960 1 - I
r(v) = D(V) = OJ5'i98 = -2, 015.
Wobec nierów n ości lt(D) I = 2.0 15 < 10.05 : 12 = 2.179 nie ma podstaw do odrzucenia
hipotezy, że technologia prod ukcj i charakteryzuje się stałymi efektami skali produkcji.
Za u ważmy na koniec, że gdybyś m y dla parametru skali zbudowali 95 %-owy prze-
dzia ł ufnośc i , to zawierałby on wartość I:
P !0.9601 - 2, 179 · 0 .0198 .::S V .::S 0.960] + 2.1 79 · 0.0 198} = 0.95 ~V E
E [0.9170; 1.0032].
(d) Czy moż n a twierdzi ć, że e l astycznośc i produkcji wzg l ędem obu czynników są
takie same?
Na leży zweryfikować hipo t ezę H 0 : {3 1 = {3 2 (co moż n a zapisać ta k że /3 1 - {3 2 =O)
wobec H 1: {3 1 f-/h (lu brównoważnicf3 1 -/32 f-0).
Korzystamy także z testu dla kombi nacj i li niowej parametrów regresji
y=µ, - µ,=cT~ =[O I - l ]·[~l

D(f) = s eJcT(XTxr 1c =
= 0.0106- [O I -l i
[
272.5384
29.7118
29.11 18
4.3655
-59.5030] [ _ o:
- 7.0907
J--
- 59.5030 - 7.0907 13.3165
=0.0 106· [89.2 148 11 .4562 -20.4070]·[ _ :J=
= ;o:ili06. Jl l ,8634 = 0,0598,

y = 0.452 1 - 0,5080 = - 0,0559.
• - 0,0559 - o
l(y) = ~ = - 0.935
Wobec ni erówności l1(f)I = 0,096 < to.05:12 = 2.179 nie ma podstaw do odrzuce-
nia hipotezy, że e l astyc z ności produkcj i w zg l ędem obu czynników są takie same.
(e) Zmiana produkcji spowodowana zmianami czynników produkcji. Aby odpowie-
fJ. K
d zicć na pytanie, o ile procent zmieni s i ę Q , j eś li K zmieni s i ę o K · 100 % ijednocze-
ś ni e L zmieni się o lf!.L · 100 %, może m y s korzys tać z wygodnego, lecz przybliżonego
wzoru 13
f!.Q (óK óK
Q JO() ;::::; KEQJK+L EQ/L ) 100 =
( óK óK )
Kf31+L{h · 100. (5.17)
na podstawie którego uzyskujemy
f!.QQ 100 "' 0.4521. 3% + 0.5080. (-2%) ~ 0.3403%.

M ożemy
za1em odpowi e d z i eć, że wzrost warto śc i brutto produkcyjnego majątku
trwałego o 3%, przy jednoczesnym spadku ś red niej liczby zatrndnionych o 2%, poc i ą
gnie za sobą wzrost wartośc i czystej o około 0,34%. Ki edy jednak policzymy dokładnie
(por. uwagi do punktu (b), a zw ła szcza wzór (5. 16)), to otrzymamy
óQ 100 =[(I + 0,03) 0·4521 ( 1 - 0.02)o. 5oso - I] 100 = 0,3105 %.

Q
(I) Izokwant y (substytucja). Aby u stalić nakład jednego
z czynników produkcji, nie-
zbędny do wytworzenia za łożonego poziomu produkcji Q 0, gdy dany jest n akład drugie-
go czynnika. należy pn.:ej ść do równania izokwanty :
Qo Qo L - o.5080
13.3640Lf· 5080 13,3640 I •
K I -- (----""----)
13,3640 "°"' L 'i/f!ll'
I .
I analogicznie ·
13 3640 K 0.4521 L o.soso = Q

• I I 0
=> L = (----""----) !l3(j8IJ L
I J 3,3640
~
t •
a w i ęc jak łatwo sprawdzi ć izokwanty dla funkcji C- D dane są ogólnymi wzorami ·

,;,,
K _
,_ (Q/Jo ) ,
~ L - lhl /11
. (5 .1 8)
13 przyczyny. dla kt órych wzór (5. 17) należy uznać za przybliżony. zostały wylożonc w odpowiedzi do
punktu (b): po pierwsze. nie JeSl spełni one defin icyj ne założenie o nieskończe ni e małym przyrokie argu-
mentu. po drugie. obydwa czy nniki zm i eniają s i ę i to zarówno w różnym tempie.j;1k i w różnych ki erunkach
Ponad to. aby wzór (5. 17) w ogóle był prawdziwy. fu nkcja musi być jednorodna stopni;i pierwszego (pojęcie
to wyjaśniono w odpowiedzi to punktu (c))
(5 .19)
Mając równania izokwant, można us tali ć takie kombinacje czynn ików produkcji K i L.
które dają us talo n ą wie lkość produkcji Q0 .
Jeże li więc l 1 = L 15 = 707 zatrudnionych, Qo = 2.05 mln zł (tj . 2050 tys. z ł ), to:
K = ( 2050
. ) o:= · 707o.:IDJ
-··- = 42.963mlnzł
13 3640
A zatem wartość
brutto produkcyj nego majątku trwał ego powinna osiągnąć w przybli-
że niu poziom 42,963 mln z ł , aby uzy s kać wartość produkcji czystej 2,05 mln zł, przy
założe niu , że śred ni orocz n e zatrudnienie nie ulegnie zmianie.
(g) Krańcowa stopa substytucji.
Maj ąc równani e izokwanty (5. l 8), może m y pn.:ej ść do krańcowej stopy substytucj i,
np. kapiiału przez pracę ((5.9a) lub (5 .9.b)) 14 :
aQ
R , ~ aK ~ Q '( K )
l"b
" il_g_ Q'( L).
BL
z której wynika, jaką il ością pracy n a l eży zas t ąpi ć wycofaną j e dnostk ę kapitału , aby
utrzy ma ć produkcję na niezmienionym poziomie. Stosując wzór (5.9b) 15 ·
13.3640 · 0.452 1 K ?.4Słl - l L ?· 50i!O 0,452 1 K,- 1 0.4521 l 1
13.3640 · K ~.4 521 1

· 0.5080. L?.soso 1 0.5080. c; 1 0.5080 K,.
zate m. jak łatwo sprawdzić, dla funkcji (5 .12) kra1'tcowa stopa substytucj i kapitału pracą
jest dana ogólnym worem:
(5 .20)
a krań cowa
stopa substytucji pracy k apitałem R K L jest jej odwrotno śc ią .
Czytelnik zechce s prawd zić, że obliczając krańcową s topę substytucji jako pochodną
izokwanty ( L względe m K ze znakiem uje mnym) d la zało żon ego poziomu produkcji Qo
otrzymamy formułę:
(5.21)
Mając krańcową st opę substytucji, moż na obliczyć konieczne zwięk szenie nakładów
pracy, kompensuj<1ce spadek nakładów kapitału i pozwalaj<1ce ut rzy mać produkcj ę na
ustalonym poziomie Q0 :
dl = R LK · (-dK ). (5.22)
14
Zwróćmy jeszcze raz uwagc na pnyj\'te w pracy oznaczenie RL K ""substytucja kapi tału pracą
l5z.auważmy. że aby zastosować wzór (5.9a). musi być podany poziom produkcji Qo. który należy utrzy
mać (co w 1ym przypadkujesc spełnion e: Qo = 2050 tys. z.I)
W naszym przypadku, przy nakładach z okresu 1 = 15 (K = 42.2, L = 707) krańcowa

stopa substytucji kapitału pracą obliczona ze wzoru (5.20) wynosi
0.4521 707
RKL =
0,5080 42,2 =
14.91 ~ 15.
Do podobnego wyniku prow:1dzi zastosowanie wzoru (5.2 1)
RK L = ~::~~~ ( 1:.~:o) l /0.5080 . 42. r0.9601 /0.45080 = 14,55;:::;: 15
A zatem, aby zrekompensować spadek wart ości brutto produkcyjnego majątku trwałego
o 1 mln zł, przy jednoczesnym utrzymaniu produkcji czystej na niezmienionym poziomie
(2050 tys. zł), na l eży zwiększyć średn ioroczne zatrudnienie o około 15 pracowników,
natomiast jeżeli wartość produkcyjnego majątku trwałego zmniejszy s i ę o 5 mln zł, to
dl= l5·5 ~75osób .
czyli zatrudnienie należy zwiększyć o około 75 osób
Pned przystą pieniem do ostatnich dwu punktów warto wspomnieć o możliwośc i

wykorzystania funkcji produkcji C-D do podejmowania optymalnych decyzji
Jeżeli znane są jednostkowe koszty (ceny) zaa ngażowania czynników produkcji (we-
dług których są wynagradzane czy nniki produkcji) - oznaczmy je WK i WL - a więc
łączne koszty zaa ngażowa nia czynników wy noszą C =w KK + wl l , moż na postawić
dwa problemy (odpowiadające zasadom racjonalnego gospodarowania)
I. Znaleźć takie nakłady K• i L •.które minimalizują koszty (C) wytworzenia zał o
żo nej w i e l kości produkcji Q0 • czyli
T.irccK. L) = il!_il1(wKK + w1.L) = ccK·. C). (5 .23)
przy waru nku

(5.24)
2. Z n a l eźć takie naklady K „ i L „, które maksy ma l izują produkcję (Q) przy ogra-
niczonych do Co nakładach na czy nniki produkcji, czyli
t~~ Q(K. l) = n~~t(f3oK/l 1 LfJ 1 ) = Q(K„. L
0
). (5.25)
prą warunku
(5.26)
Aby rozwiązać problem mi nimalizacji kosztów (5.23)-(5.24) z warunku (5.24),
moż n a wyznaczyć izokwa n t ę, np. K (5. 18) i wstawić do funkcji kosztów 16 C(K. L).
W rezultacie otrzymujemy równoważne zagadnienie minimalizacji, już bezwarunkowej
i z jedną zmien n ą: wyznaczyć L • takie, że:
1 i!;
m ~n C(L) = ll"}!n [ WK ( Q ) '"' L -fli/fli + WLL l = C(L •) (5.27)
16Jak wynika "le wwru. chodzi o długookresową funkcję kos"lt6w, gdzie wszystkie koszty uważamy za
zmienne(brnkkoszt6ws1atych)
Ponieważ pochodna z C(l) jest równa
dC
- =
dl
-wK-2 fi
fJ1
(Q )'"'
~
fJo
l (- /l·J./fli l-1 + WL . (5 .28)
z:1tem. jak ła two sp rawd zić , l * spe łniające warunek konieczny istnie nia ekstremum:
(dC /dl )L=L ' =O wynosi
l * = ( ~) l/(fJ1 +fJi) ( ~ ) -/l1 /(/l1 +/hl = ( ~) l/(/l1 +fJi) ( WK·fi' ) fi1/(/l1+fizl .

fJo WK/h fJo W1fJ1
(5 .29)
a pomewaz
( dld2~- ) L=l ' = fJ1 fJ1+fJ2wK !!2fJ1 (~)!//l1

fJo
(L*)-ffll/fi1 J-2 > 0. (5 .30)
zatem rzeczyw i śc ie (na mocy warunku koniecznego i dostatecznego) w L * funkcja kosz-

tów całkowit yc h osii1ga minimum. Z prostych rachunków wynika też , że
Q) l/l/l1+lhJ ( __.!__3_
w fi ) - /h/ (fJ1 +/l1) (Q ) l/lfl1+/l2J(w- ' fi- ) fld lfl1 +/liJ
(~ = ~
1
K• = (5 .3 1)
fJo wLfJ1 fJo wKfJ2
Można zauważyć, że optymalne (w tym sensie, że zapew niają minimalne koszty
przy danym poziomie produkcji ) nakłady kapitału K * do optymal nych nakład ów pracy
L • maj ą sic tak, jak iloraz elas t yczności do ilorazu kosztów jednostkowych (cen, według
których są wynagradzane czynniki produkcj i)
K• ~ f2 ~ (5.32)
u WK/J2 /J2 . WL
Dla przypadku drngiego, gdy kryterium optymalizacj i jest maksymalizacja produkcji

przy ustalonych nakładac h (5.25)--{5.26), z warunku (5.26) m oż na wyznaczyć np.
K = Co - wL L : (5 .33 )
WK
wstawiając je do maksymali zowanej funkcji produkcji, otrzymuje my równ oważne , ale
prostsze, zadanie: wyz naczyć l **, taki e że:
Co - wLL) '' ,
max Q (L) = max fJo ( - -- L ' = Q(L ** ). (5.34)
L L WK
a pon i eważ pochodna z Q(L) jest równa:
d_g
dl
~ fio (Co- w, L)'' L"'
Wk
·I (Co - w, L)-'fi, (-~) + fi,L-' l·
WK WK
(5.35)
Q>O
jak ła two s prawd zić , warunek konieczny i dostateczny istni enia maksi mum (5.25) jest
spe łni o n y przez·
(5.36)
5.2. Funkcjaprodukcji
a wobec tego
(5.37)
Za u waż m yponadto, że struktura optymalnych n ak ł adów (stosunek K ** i L ** )jest

taka sama, j ak w przypadku I (minimali zacji kosztów) - spełni a warunek (5.32)
Po tym 1eoretycznym wprowadzeniu można przej ść do kolejnych punktów zadania
(h) Postawione zadanie sprowadza się do wyznaczenia takich K • i L \ że :
przy warunku:
13.3640K 0·4521L 0·5080 = l 500
Równanie izokwanty K
K =
I (-
Q-0-
13,3640
)"°"" ·L um-=
-·- (- - ) '·'"' ·L - 1. 123645 = 3425606·L - 1. 12365
1500
13.3640
I I '
Zatem n a l eży zn a l eźć L• mi n im al i zuj ące fu nkcję
~ n C = 24000 34256, 06L - 1· 12365 + 2000L =;.
=;. n~~n C = 822 145 440l - + 2000L ,

2365
l.1
c!.E_ = - 1, 12645 822 \ 45440L - 2· 12365 + 2000 =O=;.

dL
=;. - 923803724 .66L - 2· 12365 = - 2000.
_
923~~~ 4 - 66 =;. L2.12365
923 803 724.66
L - 2.12365 = 46 190 1. 86.
2000
zatem:
c = 46 1 901. 86 ~ = 464.906 : : : : 465.

K • = 34 256.06 · 464,906 - 1. 12365 = 34.479 : : : : 34.5.
Jak ła t wo s p raw d z i ć , do podobnych rezultatów prowadzi zastosowani e wzorów
(5.36) ' (5.37)
K * = ( ~ ) 1/0.9601 ( 2000 0.4521 ) 0.5080/0.9601
34 79 34 5
13.3640 24000 0 .5080 = .4 : : : : · ·
L* = ( 2000 ) 1/0.9601 ( 24000 0. 5080) 0.452 1/0.9601
13.3640 2000 . 0 .4521 "' 464. 91 "' 465.
Wtedy minimalny koszt jest równy: Cm;n = 1758 tys. zł . S prawd ź my jeszcze, że
opty malna struktura nakł adów spe łni a re l acj ę (5 .32):
~: ~ . : : ~:~~~~
2 34 79
. : = 0.0742. I<"_= .4 = 0.0742
L' 464.9 1
(i) Obecnie mamy zrealizować drugą za s adę : uzys kać maksymalny efekt (produkcję)
przy danych nakładach (koszcie Co = 2400000 zł) .
Mamy zatem wyznaczyć takie K „ i L „, aby osiągnąć
ir~f Q(K. L) = rr~~ 13,364Ko.4rn L o.5oso .
przy warunku
24 OOOK + 2000L = 2 400 OOO
Z funkcji kosztów mamy np
2400000 - 24000K
L = 2000 1200 - 12K:
po wstawieniu do fu nkcji produkcji
m;x Q(K) = m;x 13.364K0,4si i ( 1200 - 12K)0 .5°80 .
~ = 13.364·0.4521Ko.4s2 1-1 Lo.soso+
+ 13.364K0.4S 21 ( 1200 - 12K)o.soso- i (- 12) = 0 11 •
~ = 13.364 K0 .4 521 · (1200 - 12K) 0 ·5080 .

Q>O
· {0.4521 K- 1 + 0.5080 (1200 - 12K)- 1 ·( - 12))=0.

zatem do zera pr.tyrównamy wyrażeni e w nawiasie klamrowym:
0.~
21
0.4521K - 1 + 0.5080 · (1200 - 12K)- 1 (- 12)= 0 => = I~:~;;~.
6.096K ~ 0.4521 · ( 1200 - 12K) => (6.096 + 5,4252) K ~ 542.52.
1 1~~;1 2 = 47.089 mln zł.

5 2
K„ =
L „ = 1200 - 12 · 47.089 = 634,934 ;":;: ; 635 osób.

Oczywi ście takie same wyniki daje zastosowanie wzorów (5.36). (5.37):
~::!~: ;~~~ ;":;: ; 47.089 mln zł.

2
K ** =
~:~~~~ ~o:oo =
0
2
L = 634.934 ;":;: ; 635 osób.
co daje O ma.~= 2023.25 tys. zł

Zauważmy, że i w tym przypadku optymalna struktura n akładów spełnia (5 .32)
K •• 47.089
- ~ - - ~ 0.0742.
L„ 634 .934
17 z.auważmy. że nale ży obli czyć pochodną iloczy nu dwóc h funkcji zmi ennej K {/ · g)' = f. g' +
+ f · g1• gdzie f = l 3. 364K0.452 I. g = (1 200 - 12K )0.5080, a obydw;i s kładniki pochodnej zawi eraj ą
Q = 13.364K0.452 I . ( 1200 - 12 K)0.50RO > O. k! óre moż na wyłąc zyć prted wspóln y nawias i do ze ra
co. co zostało po w y ł ącze niu Q
pnyrówn ywać
5.2.4. Funkcja produkcji typu CES

Funkcję produkcji CES, czyli funkcję o stałej e l astyczności substytucji (co11sra11t elas-
ticity of substit11tio11), zwan ą tak że niekiedy funk cją produkcji SMAC - od pierwszych
liter nazw isk jej autorów (Solow, Minhas. Arrow, Chenery) - - m ożna uważa ć za pewne
uogólnienie funkcji produkcji Cobba- Douglasa, a raczej jest tak, że funk cja C- D jest
szczególnym, bo granicznym przypadkiem funkcji CES. Mimo waloru większej ogól-
n ośc i funkcja CES nie doczekała s i ę tak licznych zast osowań, ze wzg l ę du na trudnośc i
w oszacowaniu jej parametrów. Nawet teraz, kiedy poży 1 ki z nieliniowej MNK coraz
częśc i ej są dostrzegane i nie brak stosownych urząd zeń liczących, zawsze pozostaje nie-
mał y problem wyznacze ni a ocen stanowych ini cj uj ących zbi eżn y proces iteracyjny.
Model funkcji produkcji CES dany jest ogólnym wzorem:
(5 .38)
K
gdzie: y. v > O ; ;~ Ój = l ; p e (- 1, 0) U (0. +oo).
Dla dwóch czynników można j ą zapisać·
Q1 = y[81 K,-P + 82L;-Pr vJp ee' . (5 .39)

gdzie: Q - produkcja; K - kapitał, L - praca, t: - zakłócenie losowe, y . v. Ój , p -
parametry, przy czym y > O bywa nazywany parametrem efekt yw n ośc i (odpowied-
nik f3o w funk cj i C- D); v > O jest parametrem skali produkcji; Ój e (0. I) to pa-
rametry dystrybucji (o kreś lają ud z iał czynników w tworzeniu produktu), L i 8i = I;
pe (- 1. 0) U (0. + oo) jest parametrem e l astyczności substytucj i
W praktyce stosowana jest także funkcja CES o postaci 18
Q,=(a1 K P+a1U)"IPeC' , (5 .40)
z parametrami a 1 , a 1 , p, v, przy czym a 1 , a 2 • v > O oraz p e (-oo. O) U (0. I), przy
czym int erpretację mają tylko v (parametr skali produkcji) i p (parametr e la s t ycz n ośc i
substytucj i)
Przykład 28. W tablicy 5.2 zawarto dane o waności brutto środ k ów trwałych K
(w mln z ł) , przeciętnym w roku zatrudnieniu L (w tys. osób) oraz produkcji globalnej Q
(w mln z ł ) w pewnej gał ęz i przemysłu
(a) Oszacować parametry fu nkcji CES.
(b) Obliczyć dla okresu 1 = 12 produkcyjność krańcową kapi1ału i pracy
(c) Pod ać elastyc zności produkcj i względem kapitału i pracy przy nakładac h z okre-
su / = 12. O ile procent wzrośnie produkcja globalna z okresu 1 = 12 na okres 1 = 13,
je ś l i przecięt n e zatrndnienie wzrośnie o 2%, a wartość brutto środk ów trwałyc h nie ule-
gnie zn11anic.
(d) Obli czyć o ile procent wzrośnie produkcja globalna, jeśli obydwa czynniki pro-
dukcji wzrosn ą j ednocześni e o 5%.
K
18 A dla K czynnikó w Q = (j'fl a; XfJ)"IP ·ee'
1
(e) Okre ś li ć, ile powinno wy nos i ć przec iętne zalrndnie nie w okresie r = 12, aby
- pr,i:y niezmie nionej wartośc i bruno środków trwa ł yc h - osiągnąć produkcje równą
90 mln zł , zamiast 87 mln zł
(f) Podać, o ile należy zw i ększyć zatrudnienie z okresu r = 6 na pewi en inny okres,
je7..eli wiadomo, że wart ość brutto środków trwałych zmniejszy sic o 2 ml n zł (w porów-
mmiu z t = 6), a chcemy utrzy ma ć produkcję na niezmienionym poziomie.
(g) Oce ni ć łatwość substytucj i czynników produkcji
(h) Podać opty malną ko mbinację K • i L •, pozwalającą osiągnąć produk cję Q0 =
= 90 ml n zł . minimalizującą j ednocześ ni e koszt ca łkow it y, jeśli zna ne są jednostkowe
koszty stosowania czynników produkcj i, wynoszące 0,8 dla K i 0,4 dla L i jeśli ponadto
wiadomo, iż funkcja kosztów całkowit yc h jest liniowa
I 15 41 35
2 17 41 37
26 51 49
30 52 53
7 34 57 58
8 42 61 67
9 44 62 69
IO 52 67 77
li 56 69 81
12 64 70 87
żródło:daneumownc
Rozwiąza nie. (a) Estymacja. Model te n jest nieliniowy tak wzg l ędem zmiennych,
jak i względem parametrów i nie istni eje transformacja, która przekształc:1 model (5.39)
lub (5.40) w równoważny model li niowy, którego parametry moż na by szacować bez
trudn ości za pomocą MNK, jak to ma miejsce np. w przypadku funk cj i produkcj i C-D
(z multiplikatywnym zakł óce niem losowym). Istnieje jednak możliwość estymacji jego
parametrów za pomocą omówionego w podrozdziale 3.3 algorytmu Gaussa- Newtona
Przyj ęto model (5.40), ale z addytywnymi zak ł óce niami losowymi; i jako warto ści
początkowe parametrów (punkty startowe procedury G-N) przyj ę t o
ex?= 0.5. a~= 0.5. p 0 = 0.5. 11° = 1
W kolejnych iteracjach poprawki na parametry obli czano według formuły (3.2 1) 19 :

d<IJ = L<z<1»Tz ui r 1cz <1J)Te(1)
19 Procedurn Gaussa- Newtona omówiona jes1 w podrozdziale 3.3
Przy czym kolu mny macierzy Z 1 zaw ierajq pochodne zmiennej za l eżnej Q wzglę
dem a 1, a 2 , p oraz v (obliczone dla /-tych przybliżeń parametrów i 11 obserwacji zmien-
nych), dane formułami
(5.41)
(5.42)
(5.43)
(5.44)
gdzie:
A =a1 K P+ a 2L P,
Q =(a 1 KP+a 2 U)~= A ~.
Cl'1.a2. V> o. p E (-oo.O) u (0, 1).
a elementy wektora e1 to różn i ce między obserwacjami Q i jej p rzybliżeniami w /-tej

iteracji. Otrzymano:
Parametr
"'
Oceny parametrów 0.96 12 0,6346 0,6282 0.9048
Asymptotyczne błędy śred n ie szacunku 0,2350 0,0315 0.1148 0.0450

Asymptotyczne błędy średnie szacunku parametrów św i adczą. że parametry są sta-
tystycznie istotne, a wariancja resztowa s;
= 0.0797 wskazuje. że model dość dobrze
odzwierciedla badany proces produkcyj ny i może wobec tego s ł u żyć do celów anali tycz-
nych, decyzyjnych lub predyktywnych. Zatem oszacowany model przyjmuje postać
Q, = (0.9612 K 0 ·b282 + 0.6346LO.b282 )=.

(b) K rańcowe p rod u kcyjno ści czynn ików produkcji obli cza s i ę jako pochodne funk-
cji produkcj i wzg l ędem wyróżni onego czynnika (5.2). Zatem
PkK = JQi =
oK,
= 0,904
0,6282
8
(0.9612K,°·b282 + 0.6346L ?·b282 )=- 10.9612 · (0.6282) K,°·b282 - 1=
= 0,9048 0.9612 · (0,9612K,°· 6282 + 0.6346L?· 6282 )~ - 1 ·K,°·6282-1 =
= 0.8697. Ql ~ K,°·b282- I
Wobec tego podstawiając za Qi. Kr. L 1 odpowiednie wielkośc i z tablicy 5.2, mmny
PkK 1
? = ~= 0.86971 · s?'- ~ . 64°· 6282 - 1 = 0.7263
- O K12
Zatem przy nakładachczynników produkcji z okresu t = 12, zwięks zenie nakładu ma-
jątku trwałego o I mln zł (z 64 do 65) prą niezmie nionym zatrudnieniu da przyrost
produkcji globalnej gałęzi o 0,7263 mln zł.
Jak łatwo s prawdzić , krańcową produkcyjno ść kapitału dla modelu (5.40) wyraża
wzór·
PkK = OQ, = a vQ: -~ Kf'- 1 .
1 (5.45)
aK,
a krańcową produkcyjność pracy - wzór
OQ , 1- ~ p- l
Pkl =JL;= a1 vQ 1 L1 • (5.46)
Pkl1 2 = ~ Z1:
= 0.5742 · 53 - ~ · 70°· 6282 - 1 = 0.4638.
1
1
A więc z więk sze n i e liczby zatrudnionych o l tys. osób (z 70 do 71 ) pr~y s tałych
nakładach majątku trwałego pozwoliłoby na zwiększen i e produkcji globalnej gałęzi
o 0,4638 mln zł
Otrzymane wielkośc i można w przybliżeniu (bo v ::/=- 1, ale jes1 bliskie jedności)
traktowa ć jako ceny, wedł ug których w okresie t = 12 s4 wynagradzane czynniki
produkcji
(c) Elastyczności produkcji wzg l ędem czynników. Zmiana produkcji na skutek 2%-
-owcgo wzrostu zatrudnienia.
Zauważmy na począt ek , że inaczej niż to jest w przypadku potęgowego modelu funk-
cji produkcji C- D, elastyczności czynników produkcji dl;i funkcji CES nie s ą sta le, lecz
zal eżą od konkretnych wartości K, L i Q w danym momencie (lub danym przedsiębior
stwie) r. Stosując wzór (5.4), mamy
EQ/K = OQ r 15.!._ =
aK, Q,
~ -(0,96 l 2K 0·6282 + 0,6346L 0 · 6282 ) ~ - I ·0,9612·0,6282K 0·6282 - 1-K
(0,9612K 0·6282 + 0.6346 L 0 · 628 2 ) ~
O, 9048 · O, 9612 K 0·6282
0,96l2K 0·6282 + 0.6346 L0- 6282 '
EQ/L = DQ, !:.!._ =
al ,Q,
~ -(0,9612K0.6282+0.6346L o.6282 ) ~ - 1 ·0,6346·0,6282L o.6282- 1·L
(0.9612K o.62s2 + 0.6346L0.6282) ~
0,9048 · 0.6346 L 0·6282
0.961 2 Ko.62s2 + 0.6346L0.6282
Pod st aw i ając K = 64, L = 70 (m1kłady z r = 12):

0,9048. 0,961264°· 6282
E Q/K = 0.96 12640.6282 + 0.6346700.6282 0. 5327 .
o 9048 . o 6346 ' 7(fJ.6282
EQ/L = 0. 96 ; 2640,628; + 0.6346700,6282 R: 0.3721.
czyli przy nakładac h z ostatniego roku wzrost majątku trwałego o 1 % powoduje wzrost
produkcji o 0,5327%, a wzrosl liczby zatrudnionych o I % powoduje wzrost produkcji o
około 0,372%
Czytelnik m oże s prawd zić, że dla funkcji CES danej wzorem (5.40) elastycznośc i
produkcji względem kapitału i pracy wyrażają ogólne wzory ·
EQ/K =B Q,
K, a 1 • v ·K P
(5 .47)
aK, Q, a 1 K P+ a 2 L P
aQ, L, a2 \!· L P
E Q/L =Jl; (5.48)
Q, a1KP +a1 L P
Aby obliczyć wzg l ę dną zmianę produkcji spowodowa n ą wzg l ęd n ą zmianq zatrud-
ni enia - 2%-owym wzrostem liczby zatrudnionych - m ożna skorzystać z wzoru (5 .1 7)
(w tym przypadku przy stałym kapi tale)
t>Q t>L
Q · IOO ~EQ/L [ 100.
Wobec tego
t::i.QQ 100 = 0,372. 2% = 0. 744%.
czy li wzrost zatrudnienia w okresie r = 12 o 2% pociągni e za sobą pr.i:yrost produkcj i

w przy bli że niu o 0,744%.
(d) Nawiqzujqc do poprzedniego punktu, za uważ my, że zgodnie ze wzorem (5.7)
elastyc znośc i sumują s i ę do parametru skali20 :
E o1x + E QIL = 0.5327 + 0.3721 = 0,9048 = \!

Poni eważ fu nkcja produkcji CES jest funkcją jednorodną stopnia v. bo
Q (A K. AL)= [a1(AK1)P + a2(f..L 1 )P ]"IP = (f..P)"/P [a1 K {' + a2L; ] v/p = f..vQ(K . l).
(5.49)
zate m jednoczesny wzrost czynników produkcji A razy poc i ąga za so bą nas t ępującąpro-
ce nt ową zmianę produkcj i:
Q
t>Q 100 ~ ('Q"Q - ) I 100 ~ "
(!. - I) 100 (5 .50)
20zmiana jednego lub obu nakładów spowoduje zmianę obu e l astycznoś.:i. ale ich suma lawsze będzie
równa u (parametr skalijes1 jednym z parametrów funkcji). Czytelnik zechce sprawdz i ć . że np. przy nakla-
dnch z okresu 1 = 6 K = 30, L = 52: EQ / K = 0.4681. EQ/ L = 0.4367:0.468 1+0.4367=0.9048 =u
J eś l i w i ęc Ki L mają wzros n ąć o 5%, to A = 1.05 i wtedy:
/:;QQ 100 = ( I. 050.'Xl-<S - I) 100 = 4. 5 1%.
zatem 5%-owy przyrost czynników produkcji pociąga za sobą przyrost produkcji tylko
o 4.5 1% < 5%. Jest to wynikiem tego, i ż parametr skali produkcj i 11 = 0,9048jest
mniejszy od jedności , a więc badany proces produkcyjny charakteryzuje się ma l ejącymi
przychodami wzg l ędem skali produkcji
(c) Substytucja czynników produkcji - izokwanta. Aby u s tali ć poziom zatrudnienia
(L) ni ezbędny do wytworzenia założoneg o poziomu produkcji Q0 , przy danej wart o ści
majątku trwałego (K). należy wyprowadz i ć równanie izokwanty2 1 • W tym celu zapisz-
my oszacowany model:
Qo = (0.9612K 0·6282 + 0.6346L 0 · 6282 )~
w równoważnej postaci
QF = 0.9612 K 0.6282 + 0.6346L0.6282

Przek s ztałcając dalej:
Q~ - 0.96 12K 0·6282 =0.6346L 0·6282 ::::}
::::} 0.6~46(Q~ -0.9612K O.ó282) = L0,6282 ,
otrtymuJemy :
L=[-- 1
-
0,6346
(ó &lóll- 0961 2 K 0·6282 )] ,,\.,,
o '
Po podstawieniu Qo = 90 mln zł oraz K 1 = 64 mln z ł. otrzymamy :
0.6346
~ - O 96 12 · 64°· 6282
L = [ -I- ( 90 "''"'
•
)]°"" = 75 967 :::::: 76.
.
Zatem, aby os iągnąć wart ość produkcji globalnej równą 90 mln zł, przy warto ś ci brut-
to ś rodków trwałych równej 64 mln zł , należy zatrudni ć 76 tys. pracowników. Zatem
niedobór pracowników wynosi 76 tys. - 70 tys. = 6 tys. i o tyle pracowników nal eży
zwiększyć zatrndnieni e w badanej gałęzi przemys ł u
Jak ł atwo sprawd z i ć , izokwanty dla funkcji CES w postaci (5 .40) dane są następuj ą
cymi ogólnymi wzorami:
(5.51)
(5.52)
2I Podobnie jak w punkcie (0 przykładu 27

(f) Substytucjll czynników - kraficowa stopa substytucji. Do rozwiązani<! postaw io-

nego zadania można zastosować krań cową stopc substytucji (5.9b):
~
R LK = ~t =
iiL
~. (0.9612K 0.62S2 +0.6346L0.62S2)~-1. 0.9612. 0. 9048 K0.62S2-I
~:~~ . (0.9612K0.62S2 + 0.6346LD.62S2)~ - 1 0.6346. 0.9048L0.6282- I
= 0,%! 2 (K_)0.6282-1 = 0. 961 2 (-KL) 1-o.62s2

0.6346 L 0.6346
Przy nakładach z okresu 1 = 12
~:~~~~ (~y-o.
6282
R KL = = L 566
Spadek wartośc i majątku trwałego o I mln zł należy zrekompensować zwiększeniem

zatrudnienia o l ,566 tys. osób, aby utrzym ać produkcję na niezmienionym poziomie.
J eże li wartość majątku trwałego zmniejszy s ię o 2 mln z ł ·
dl = 1,566 · 2 = 3. 132 tys. osób
M ożna s prawd zi ć, że w przypadku modelu (5.40) krań cowa stopa substytucji kapi-
tału przez pracę wyraża s i ę wzorem
(5 .5 3)
a R KL jest jej odwrotnością

(g) Łatwość substytucji , czyli zastępowan ia s i ę czynników produkcji najlepiej cha-
rakteryzuje parametr zwany e lastycznośc ią substymcj i a e (0. +oo), wyrażający s i ę
wzorami (5. 10a) lub (5. !Ob)
W s tawiaj ąc do (5 . lOa) R LK daną wzorem (5 .53) oraz pochodną z R LK wzg l ędem
L/ K. otrzymujemy e las tyczność substyh1cji dla funkcj i CES rów ną
"' (~) '-'

"' K (5 .54)
a= L -(-)~,-- 1 -p
/( ~ !:_ (1 -p)
a2 K
Do tego samego rezullatu prowadzi zastosowanie wzoru (5. \Ob):
rr= OlnRLK
_, [·Q in ("'~ (L)'-')]_
= K ,
[a 1" (~) ] a1"(~)
=[a((1" ~) + <l -p) 1"(~)) ] _, =IO +(J- pJr' =- '
J in (~) l -p
Po n ieważ u nasp = 0.6282, w i ęc :
I
rr = 1 - 0,6282 = 2. 6897 .
co oznacza, że istnieje wzg l ędni e duża łat wość zast ępowa n ia s ię czynników produkcji.
a w k ażdy m razie łat w i ej sza ni ż w przypadku funk cj i Cobba- Douglasa, dla której rr = l .
a ponadto sytuacja jest daleka od ko m p l e m e n tarn ośc i , która ma mi ej sce prą rr = O.
(h) Z warunków zadania wynika, że koszt całkow i ty C wy rażo n y jest wzorem:
C = O.BK + 0.4l.
Ponadto w s t awiaj ąc do równania izokwanty (5 .46) odpowiednie w i e lkości z oszacowa-
nego model u oraz p a mi ętaj ąc, że Q0 = 90 mln zL otrzymujemy
L = [-'
0.6346
~ (90 = - O
.
96 1 2K 0· 6282 )] ~ = (35 83644 -
.
1.5 1466 KD.6282 )~ -
a w s taw i aj ąc izo k wa nt ę do funkcj i kosztów (C) , otrzymujemy:
C = O,S K + 0,4 · (35.83644 - l .5 l 466 K 0 · 6282 ) ~ -
Nasze zadani e sprowadza s i ę do znalezienia minimum fu nkcji kosztów (C) . W tym celu
obliczamy poc h od n ą C w zg l ę dem K i przyrównujemy do zera. Jak ł at wo s p raw d z ić :
~ = 0.8 + 0.~~~ 2 · (35.83644 - l ,5 1 466Ko.<,282 )~ -l ·
(- 1.5 1466) · 0. 6282 K - 0·37 18 =

= 0.8 - 0,60586 · (35.83644 - l .5 1 466 K 0 · 6 282)~ K- o.J 7 ts .
~= 0 <:> (36,83644 - l .5 1 466K 0· 6282 ) ~ = 0. ~~~ 86 K 0 · 37 1 8

<::> 36.83644 - l. 5 1466 K 0·6282 = ( l .32044K 0 · 37 1 8 ) ~
<:> 36.83644= (1.59944 + l. 5 1646) K0·6282
<=> Ko.62s2 = 36 ,83644 = 11. 5078
3.1 14 1
<:> K" = 11. 5078 ~ = 48 ,859 :=:::::: 49 mln zł.
:~~ = - 0.60586 ~:!~~~ .(35.83644 - l ,5 1466K o.6282 )-o.4081s
(- 1. 5 1466) · 0.6282(K- 0·37 18 ) 2 +

- 0.60586 (35.83644 - I .5 1466K0.6282)0.591S5 . ( - 0.3718) K (- 0.37 !8- l) =
= 0.34119. 2 1.4059-0.40Sl5 . 48,895-o.74 36+
+ 0.22526 ' 2 1.4059°·591 85 . 43_395 - J.37 IS.
(d'C )
~
dK K= K '
=5, 428 > o.
Poni eważ - (dC)

dK K=K ·
= O oraz ~
dK - K = K'
(d'C)
> O, zatem funkcja kosztów osią-
ga minimum , s t ąd też K • ;:;:::: 48.895 mln zł jest optyma lną wartośc i ą brutto środków
trwałych. Optymalne rozmiary zatrudnienia znajdujemy wstawiając K • = 48,895 do
równania izokwanty L:
L* = 103. 187 ;:;:::: 103 tys.osób
Pow tarzając c ałe rozumowanie na ogólnych wzorach, ł atwo wykazać, że optymalne
rozmiary czynników produkcji , minimalizujące koszty, prą zadanej wielkości produkcji
są dane na stępującym i formułam i :
(5 .55)
(5.56)
Korzystanie z powyższych, gotowych wzorów (5.55) i (5.56) ma t ę zal etę, że uni-

kamy bardzo li cznych zaokrąg l eń numerycznych w kolejnych etapach przedstawionego
wyżej pos tę powania
5.2.5. Funkcja translog

Funkcja Cobba- Doug lasa może być uogólniona przez wprowadzenie dodatkowych cz ło
nów. będących pewnymi funk cjami tych samych zm iennych (majątku i zatrudnie ni a)
(por. ( 137], s. 57) . Ma to na celu przede wszystkim zw i ę k sze ni e g i ę tkośc i relacj i opisy-
wanej przez model. Do takich funkcji należy m.in . funk cja transcedentalna logarytmicz-
na (translog)·
In Q = f>o + /31 In K + fh ln L + f33 ln 2 Kr + f3 4 ln 2 Lr + {J5 ln K In L + t: (5 .57)
1 1 1 1 1 1
lub22
(5 .58)
22Ahernatywnic Qi= ef3o ·Kf1 +/J3 lnK, · L '/1 +/J~ lnL , +tls lnK, ·ee' lub Qi= ef3o· Kf 1+/Ji lnK, +/J3 lnK 1
L ri +/J~ In L, +/J{i ln K, . ee'

Funkcja ta redukuje się do funkcj i C- D, gdy parametry /h, {34 , {3 5 sq równe zeru.
Poprzez fakt, że u względ ni ono kwadraty logarytmów zmiennych oraz ich i nterakcję.
fu nkcja odznacza się dużą giętkościq, uwzg l ę d n i ając zmienność el astyczności wzg l ędem
czynników, jak i elastycz n ości substytucji
Na l eży jednak zauważyć, że estymacja parametrów tej funkcji, zwł aszcza na pod-
staw ie szeregów czasowych, napotyka znaczne trudnośc i zwiqzane z wystę powaniem
ws pół l i n iowości zmiennych objaśniajqcych , a także z ich transfo rmacją.
Przykład 29. Na podstawie danych pochodzqcych z 13 przedsiębiors tw pewnej branży

oszacowano fu n kcję produkcji lranslog, wyrażaj<1e<1 za l eż n ość wielkośc i produkcji (Q)
od nakładów kapi tału (K ) i pracy (L)
~~-~+~~~+~ ~ ~+~~~ + ~~~ + ~~~~~
Otrzymano:
0. 18 0.20 - 0.05 0.04
0.60
0.50. 0.32 0.02 - O.O l 0.2
0.02 -- 0,03
O.I •
b - 0,55 (X TX )-1 = 0.5 0,05 - 0.02 0.02
- O.Ol · 0.00 1 - 0.04 0.02 .
[ -0.02 [ 0.002 -O.Ol
- 0.03 O.Ol
s; = 0.02.
Zatem oszacowany model można zapisać:
In Q1 = 0 .50 + 0.60 ln K, + 0.55 ln L 1 - 0.01 ln 2 K 1 - 0 .02 ln 2 L 1 - 0 .03 ln K 1 In L,
(a) Podać i zi nt erpret ować elastycznośc i produkcji względem n akładów kapitału
i pracy oraz efekty skali produkcji (logarytmy zaokrąglić do 3 miejsc dziesię tn ych), je-
że li
• n akł a d y obu czynników są jednostkowe (K = I mln , L = 1 etat).
• śred n ie nakłady kapitału K = 20.086 mln z ł , nakła d y pracy L = 54,6 etatu
(b) Podać 95 %-owy przedzi ały ufności dla elastycznośc i w obu wypadkach
(c) Określić efekty skali produkcji. Zbu d ować 95 %-owy przedział ufności dla para-
metru skali przy przec i ętnych nakł adac h w branży
(d) Podać i zinterpretować krańcową stopę substytucji pracy prtez kapitał przy po-
danych wyżej nakł adach.
(e) Czy uzasadniona by ł aby redukcja fu nkcji translog do funkcji Cobba- Douglasa.
je7..eli wiadomo, że reszty dla funkcji C- D były następujące·
10 11 12 13
e, - 0,16 O,\ I 0,12 - 0.2 1 - 0,12 0, 15 0,08 - 0, 14 0, 11 0,07 0,09 - 0,24 0,14
Rozwiąza nie. (a) Tak jak w przypadku funkcji Cobba- Douglasa, elastycznośc i m oż
na obl i czyć ze wzorów (5.4) lub (5.5). Wygodniej jesl zastosować wzór (5.5); zgodnie
z nim dla oszacowanej funkcji, e l astyczności sq równe:
EQ / K = : :~; = 0.6 - 0,02 ln K 1 - 0.03 In l ,.
E Q/ L = ~ :~ z = 0,55 - 0.04 ln l , - 0.03 ln K 1

Zatem nietrudno sprawdzi ć, że dla funkcji translog w parametryzacji (5.57) lub (5.58)
e la styczności sq dane ogólnymi wzorami
EQ / K = /31 +2 · /J3 lnK, +f35 1nL 1 • (5 .59)

EQ / L = fh + 2 · /3.i In L, + f35 In K 1• (5.60)
Dla oszacowanej funkcji. przy jednostkowych nakładach K i L:
Eo; K!I: I) ~ 0.6 - 0.02 ln ( IJ - 0.03 ln(I) ~ 0.6.
Eo;dl : I )~ 0.55 - 0.04 ln ( I) - 0.031„( 1) ~ 0.55.
a w i ęc przy jednostkowych nakładów obu czynników wzrost majqlku trwałego o I% po-
woduje wzrost produkcji o 0,6%, a wzrost zatrudnienia o I% powoduje wzrost produkcj i
o0,55 %.
Natomiast przy śred ni c h w bran ży nakł adac h ( K = 20,086 mln zł , L = 54.6 etat u)
Eo 1d20. 086; 54.6) = 0.6 - 0.02 ln (20.086) - 0.03 ln (54 .6) =
~ 0.6 - 0.06 - 0. 12 ~ 0.42.
E 01L(20, 086; 54.6) = 0.55 - 0,04 ln (54,6) - 0.03 ln (20,086) =

~ 0.55 - 0.16 - 0.09 ~ 0.30.
a więc w wyniku wzrostu majqtku trwałego o I% produkcja wzrasta o 0,42%, a w wyniku

wzrostu o I% zatrudnienia produkcja wzrasta o 0.30%.
(b) Przy jednostkowych nakładach czynników produkcji e lastycz nośc i sq parametra-
mi funkcji produkcji ( E Q/ K = /31, EQ / L = fh), a w i ęc wystarczy wyznaczyć prze d zia ł
ufności dla parametru (2.22)
Wcześniej należy obliczyć błędy ś red nie szacunku parametrów:
D(b1) ~ )0.02 · 0.32 ~ 0.08. D (b,) ~ /0.02 · 0. 5 ~ 0.10. 1005 ; ~ 2.365.

P\0.6 - 2. 365 · 0.08 <Op, <O 0.6+2.365 · 0.08}: p, E \0.4 108; 0.7892].
P\0.6 - 2. 365 · O. IO <O p, <O 0.6 + 2.365 ·O. IO J: p, e [0. 3135: O. 7865]
Przy ś rednic h w branży nakładac h czynników, elastycznośc i są kombinacjami liniowy-
mi parametrów funkcji produkcji. Przy przyj ęt ej parametryzacji funkcji translog można
za pi s ać , że:
Bł ąd ś red n i szacunku lak zdefiniowanego parametru n al eży o b l i czyć ze wzoru (2.33):

D (E o1xl =
~~~~~~~~~~~~~~~~~~
:;~ 0.02
:;~ -::~ -:~ :~, =:~, ] [:]
= 0, 14 14· LO l o 2·3 o 1
[ - 0.05
0.04
0.2
- 0, l
0.5 0.05 - 0.02 0.02
- O.Ol 0.05 0,001 - 0.04 0.02
0.02 - 0.02 - 0.04 0.002 - O.Ol
- 0.03 0.02 0,02 - O.Ol O.Ol
.
o
6
O
4
=
= 0. 14 14 ,;T.TT6 = 0. 149
D (EQ ; d =
~~~~~~~~~~~~~~~~~~
= 0. 14 11 . 3]·[J:i~ ~:~~ -~:~~-~:~ J:~~ =~:~~] . [~]

0.04 -O.O l 0.05 0.001 -0.04 0.02 O
=
0.2 O.OZ - 0.02 - 0.04 0.002 - 0.0 1 8
- 0.J - 0.03 0.02 0.02 - O.O l O.O l 3
= 0. 141 4 . Jo.038 = 0.028
Zatem
EQ / K E (0.42 ± 2,365 · 0. 149), EQ/ L E (0. 30 ± 2,365 · 0.028).
(c) Parametr skali jest s um ą el as t yczności . Zatem przy jednostkowych n a kł adac h
czynników:
ll=E 01K( t : l ) + EQ/i( l: 1)=0.6+ 0,55= l.1 5,
a wiec technologia produ kcji charakteryzuje s i ę rosnący m i efektami skali produkcji
Natomiast przy nakładach przec i ę t nyc h w b ran ży
li= EQ / K(20,08 6 ; 54. 6) + EQ;L{20.086: 54 .6) = 0.42 + 0.30 = 0. 72.
czyli p rą innych n iż jednostkowe nakład ach czynników efekty skali produkcji dla osza-
cowanej fu nkcji są równe:
li= E QI K + EQ / L = 0 .6 + 0.55 - 0,02 ln K - 0.04 ln L - 0.03(l n K + In L)
A ogólnie dla fu nkcji translog w parametryzacji (5.57) lub (5.58) parametr skali produk-
cj i dany jest formułą 2 3
230 ile w funkcjach C- D i CES efekty skali produkcji S•l stale - w 1ym sensie. że gdy funkcja jest
oszacowana. parametr sk;il i jes1 zawsle taki sam - to funkcja tr.mslog modeluje zm ienne efekty skali
(knywa Knighta). czyli zależą one od aktualnych nakładów. za1em 1u można mówić jedynie o lokalnym
współczynniku efek1u skali (w konkretnym punkcie funkcji produkcji)
v = EQ / K + EQ/ L = /31 + /32 + 2/31 In K + 2{34 ln L + {35(1n K + ln L) (5.6 1)

(d) Krańcową st opę substytucji można obliczyć jako iloraz pochodnych (5.9b), moż
na także skorzystać z zależnośc i (5.4)·
aQ K aQ g_
EQ/ K = aK. Q -,i. aK = EQ / K. K
i analogicznie
Zatem·
~ EQ/ K ~ EQ/ K l
(5.62)
Q =~ !(·
RLK= iJQ = - - -
al EQ IL . L Q/L
Przy jednostkowych nakładach majątku i pracy:
RLK=~~ 5
6
f=l,091,
czyli przy jednostkowych nakładach czynników, aby utrzymać produkcję na niezmienio-
nym poziomie, wycofanąjednostkę maj ątku trwałego należy zastąpić l ,091 jednostkami
pracy.
Natomiast przy przeciętnych w branży nakładach
RLK = 0,6 - 0.02 ln K 1 - 0.03 In L !:.!._ = O 42 ~ =
3 806
0.55-0.04lnL 1 - 0.03lnK 1 K1 030 20086
Zatem, aby produkcja nie uległa zmianie, wycofując I mln kapitału, nal eży zwiększyć
zatrudnienie o 3,806 ciatu.
(e) Należy skorzys tać z testu opartego na statystyce F - weryfikacja i stotnośc i ukła
du ws półczyn nik ów regresji. Parametry oszacowanego modelu dzielimy na dwie grupy:
parametry występujące w funkcji~' = [ ~] C- D i pozostałe ~2 = [~: l

Weryfikujemy Ho: ~2 = [~:J =O"' wobec H,: ~' = [~: J f' Oh ,·
Sprawdzianem Ho jest statystyka F dana wzorem (2.28):
(SSE, - SSE,)/ k2
SSE 1/(11 - k)
przy czym suma kwadratów reszt dla mode lu zredukowanego (C-D), jak łatwo spraw-
dzić, jest równa0,2614, a dla modelu translog: s; = 0.02 = 13L -e;6 ::::} Le;= SSE 1 =
=7·0.02=0.14
F = (0.2614 - O. 14) /3 0.0405
0.14/ (13 - 6) o:o2 = 2.025.
Dla a = 0,05, 111 = 3 i 112 = 13 - 6 = 7, f"a = 4.35. Wobec nierów no śc i

F = 2.025 < Fa = 4,35 ni c ma podstaw do odrzucenia Ho - wpływ drugiej grupy
zmiennych jest statystycznie nieistotny, można więc zre dukować model do fu nkcji C- D
5.2.6. Badanie efektów postępu techniczno-organizacyjnego

Jak wspomniano w podrozdziale 5.2 .2 e konomelryczne badanie efektów neutralnego po-
stę pu technicznego i organ izacyjnego polega na ogół na oszacowaniu parametrów odpo-
wiednio zmodyfik owanych (zdynamizowanych) funkcji produkcji. Klasyczna ju ż dyna-
mizacja fu nkcji produkcji typu Cobba- Douglasa pochodzi od Tinbergena i polega na
multiplikatywny m nałożeniu na model w i e lkośc i eri, co daje 24 :
(5 .63)
gdzie: Q - produkcja; K - kapi t ał; L - praca: / - zmienna czasowa: e - zakłó

cenie losowe; f3o, {3 1• f3i. r - parametry, przy czym parametr T jcsl właśnie miernikiem
neutralnego pos tępu techniczno-organizacyj nego. Przy niezmienionych nakładach czyn-
ników prod ukcj i ( K i L) gdy t ro ś n i e o 1 (z okresu na okres - co roku, gdy funk cję
oszacowano w oparciu o dane roczne. co kwartal. gdy funkcję oszacowano w oparciu
o dane kwartalne itd.), produkcja zmienia s i ę o (er - I)· 100. Zauważmy, że err jest
czynnikiem wykładni czy m (w tym wypadku w funkcji potęgowej), zatem e 1 jest st opą
zmian produkcji (Q) z okresu na okres przy s t ałych Ki L:
Qr+ l /30 Kf L~!er (l+ l J

1
e' (5.64)
Q, f3oK f1 L ~~ eu
Jeś li T > O, to i s t n i eją dodatnie efekty neutralnego pos t ę pu techniczno-organiza-
cyjnego, tak że produkcja wzrasta dzięki nim ś redni o o (er - 1) I 00 w skali rocznej
(kwartalnej itp.). Dla T = O nie wys t ępuje neutralny postęp techni czno-organizacyj ny,
i jednakowe z okresu na okres nakłady dają t ę samą produkcję, Wreszcie w przypadku
r < O występuje regres techniczno-organi zacyj ny. wyrażający się tym, że przy s tałych
nakładach produkcja maleje ś red ni o o (er - I) · 100 pny wzroście / o I
Przykład 30. W tablicy 5.3 z najdują się dane, dotyczące wie l kości produkcji Q1 (w tys.
ton), wartości trwał ego majątku produkcyjnego K 1 (w mln z ł) oraz ś redni ego roczne-
go zatrudnienia L, (w e tatach) w pewnym przedsiębiorstwie przemysłu che micznego
z ostatnich 15 lat (t =I, 2, .... 15)
(a) O szacować parametry dynamicznej funkcji produkcji Cobba- Douglasa (5 .63).
(b) Okre ś l ić występujące w tym pnedsiębio rs twi e efe kty postę pu techniczno-orga-
n1zacyJnego
(c) lle będz i e wynosić produkcj a w następ ny m roku (I = 16), przy niezmienionych
n ak ładach kapitału i pracy, a ile po dwu Jatach (r = 17) prty tym samym za łożeniu ?
(d) llika by łab y produkcja w nas tęp nym roku (1 = 16). gdyby wartość majątku
trwałego wzros ła z 23 do 24. 15 mln zł , a ś rednioroczn e zatrudnieni e z mni ej szy ło s i ę
z 85 do 76.5 etatu?
TablicaS.3
1 32 125 86
2 31 114 83
3 29 129 85
4 27 114 79
5 28 120 82
6 30 135 92
7
8 28 120 84
9 27 100 77
10 25 Ili 78
li 24 90 70
12 24 85 70
13 24 86 71
14 23 84 68
15 69
23
"
żr&iło:dancumownc
Rozw iązanie. (a) Estymacja parametrów funkcji

Funkcję (5.63) sprowadzamy do postaci liniowej. obustronnie logaryt mując:
In Q1 = ln ,Bo + {1 1 In K, + {3 2 ln l, + r r + e,.
Po podstawieniu:
ln Q1 = y,. In K, =xri . lnl1 =x,2. r =x,3. ln fJo = cxo. f31 = a1. f32 =a2. r = 0'3
mamy model·
którego parametry - w oparciu o dane z tablicy 5.3 - szacujemy za pomocą MN K:

a = (X Tx ) - 1XTy.
15.00000 49.34952 70.04604 125.00000 ]

T _ 49,34952 )62,5347 1 230.69198 404, \4888
X X- 70.04604 230.69198 327,5 1373 573.43550 .
[
125.00000 404.14888 573.43550 1375.00000
65.43575 ]
XT = 215.42618
y 305,80079 .
[
539.63955
IXTX I = 0,2198274. YTY = 295,234,
511.82010 - 117.25904 - 21.30432 - 3,17873]
(X TX ) - ' ~ [ -~~::;~~ -~~::~~~~ - :~~~~;~ ~::;~:; .

-3. 17873 0.71282 0.13845 0.02245
a stąd
)'1 = 0.42032 +0.52278x, 1 + 0.460917x12+0.00837x13,

D(a;) (0, 18933) (0,06083) (0,03004) (0.001 25)
t(a j) 2,220 8,738 15,342 6,677
s; = 0.0001. Ve = 0.19%. cp 1 = 0.0062
Na podstawie powy ższych wyników możemy stw i e rd z i ć, że oszacowany model
dobrze opisuje badany proces produkcyjny - wszystkie parametry stmkturalne są sta-
tystycznie istotne (to.05:ll = 2,201).
Pamiętając, że fJo = e"o = e0.4 2o32 = l.5224, możemy zapisać model w postaci
wyjśc i owej (5.64}
(b) Efekty po stę pu technicznego

Parametr • = 0,00837 jest dodatni, więc analizowany przez nas proces produk-
cyjny charakteryzuje s i ę dodatnimi efektami nemralnego postępu technicznego i or-
ganizacyjnego, tak że produkcja wzrasta dzięki nim średnio o (eo.oom - I)· 100 =
= ( 1,008408 - I)= 0.84% w skali rocznej. Warto nadmi enić, że w praktyce często
korzystamy z prz ybl iżenia 25 (er - I ) 100 :::::: < 100, co w naszym przypadku dałoby
0,837%.
(c) Wpływ postępu technicznego na wielkość produkcji w kolejnych latach. W roku
t = 15 produkcja Q = 69 tys. ton. Prt.y niezmienionych nakładach w roku t = 16
wymeste
Q16 = Q 15 • e0 ·00837 = 69 · 1.008408 = 69.580 tys.ton.
a po dwu latach (w 1 = 17):
Q11 = Q16 · e0 ·00837 = 69 · 1.01688=70, 165 tys .ton
(d) Zmiana produkcji spowodowana zmianami czynników produkcji i postępem
technicznym.
25 Prlybliżenie to wynika stąd. że rozwinięcie er w szereg Maclaurina daje szereg potęgowy. w którym
wszystkie potęgi r 1 dln I ~ 2 są pomijalnie małe. bo r w praktyce jest b~rdzo małe. D!mego też: er :=:: I + r
5.3.Funkcjewydajnościpracy
Zmianę produkcji s powodowaną zmianami n akładów czynników moż na obliczyć ze

wzoru (5. 16), dodatkowo uwzg l c dniając wpł yw postępu techni czno-organi zacyj nego:
8K 24.15 - 23 D,.l 76.5 - 85
- ~ --- ~oos - ~ --- ~ - O.IO
K 23 . . L 85
Zatem
D,.Q = (1,050.52278. 0 ,900.460'Jl7). eo.oom - I = 0 ,9772. l.008408 - I =

Q
~ 0.9854 - I ~ - 0.0 146 "' - 1. 46%.
Dodajmy na koniec, że czynnik er 1 można także uw zg l ędni ć w innych omawianych
funkcjach produkcji , a interpretacja jest zawsze taka sama
5.3. Funkcje wydajności pracy
W analizie wydajności pracy wyróżnia s i ę modele indyw idualnej i zes połowej wydaj-
n ośc i .
Wydajność indywidualna dotyczy pojedynczych pracowników, mierzona jest zwy-
kle na stanowisku pracy i wyraża na w jednostkach fizycznych lub w procentach wy-
konania nom1y. Zmiennymi objaś niającymi w tych mode lach są indywidualne cechy
pracowników, takie jak: s ta ż pracy, wiek, płeć, wykształcenie, liczba osób na utrzyma-
niu, posiadanie innego źród ła dochodów itp. Model taki ilustruje przykład 3 1, prtykłady
takich modeli można także znale źć w rozdziale 2
Wydaj ność zespołowa jest przeciętn ą wyd:1jnością w skali pewnego zespo łu pra-
cowników - prze d siębiors twa , wydziału itp., czyli przecictną produkcją przypadają
cą na zatrudnionego. Zmiennymi objaś n iający mi n ajczęściej są : liczba zatrudni onych,
techniczne uzbrojenie pracy, nakłady na modernizację maszyn i urząd ze ń. J eśli chodzi
o postać analityczną, jest to model liniowy lub potęgowy - w praktyce naj częśc iej mo-
del potęgowy uzyskany z funkcji produkcji Cobba- Douglasa w wyniku obustronnego
podzielenia przez li czbę zatrudnionych (przykład 32).
Przykł a d 31. W tablicy 5.4 zawarto dane o indywidualnej wydajności pracy IV , mie-
rzonej w procentach wy konania normy oraz o wieku pracowników T, wyrażony m w la-
tach
(a) Sporządzić wykres kore lacyjny i okreś l ić postać analityczną modelu zależnośc i
indywidualnej wydajności pracy od wieku pracownika
(b) Dokonać estymacji parametrów ustalonego w punkcie (a) modelu, dokonując
j ed n ocześ nie jego weryfikacji
(c) Okreś li ć optymalny, z punktu widzenia indywidualnej wy dajności pracy. wiek
pracownika oraz podać odpowiadającą mu maksy malną wydajność pracy.
T; IV; T, W;
I 18 91 Jl 30 125
2 19 92 12 31 124
3 20 95 13 33 120
5 22
6 23 11 2
7 24 125 17 38 110
8 25 128 18 39 108
9 26 126 19 40 106
IO 28 125 20 41 I05
Roz.wiqumie. (a) Nanieśmy w prostokątnym układ z i e współrzędnych punkty

( T;. W;) - rysunek 5.1
Rysuuek 5. 1. Zależność wydajności od wicku pracowników
Rozrzut punktów na rysunku 5. l sugeruje, i ż za l eżność indywidualnej wydajności

pracy od wieku pracowników można o pi s ać modelem
(5.65)
albo modelem
(5.66)
Po g łębszy m zastanowieniu dochodzimy jednak do wniosku, i ż dostrzegalna na ry-
sunku 5.1 wyraźna asymetria w rozrzucie punktów jest sprzeczna z charaktere m parabo-
li, wobec czego skłon n i będziemy zrezyg n ować z modelu (5.65) na rzecz (5 .66). Nasz
punkt widzenia jest zgodny z dotychczasowymi d ośw i adczen i ami w tej dziedzinie.
(b) Po n ieważ model (5 .66) jest nieliniowy, na l eży go z li nearyzować przez obustron-
ne zlogarytmowani e:
In W1 =/Jo +fJ1T, +fJ2 T/+ e,. (5.67)
Podstawiając: In W1 = y 1 , T1 = x 1 i, ~ 2 = Xr 2· otrzymujemy znany model lini owy:

(5.68)
Teraz stosując do (5.68) MNK, otrzymujemy:
20 584 18 146] 94.3863 10]

XTX = 584 18 146 594416 . XTy = 2579.9415 19
[ [
18 146 594416 203 12810 85 784,69924 1
YTY = 445,660051. IXTX I = 81036232.279700.
18, 799493 - 1. 325567 0.021996]
(XTX) - 1 = - l.325567 0.094797 - 0,001590 ,
[
0.02 1996 - 0.001590 0.000627
a stąd
f 1 = 2,855047 +0. 130827x11 - 0.002 156x12
D(b1 ) (0, 196829) (0,013977) (0,000236)
t(b1) 14.505 9,360 9, 152
S, = 0.045398. V,= 0.009619, 'P 2 =O, 158324
Model charakteryzuje s i ę zad owalającą zgodności ą, bo wartości teoretyczne różn i ą

s i ę średn i o o ±0.045398 od logarytmów wartośc i empirycznych wydajności pracy. Wa-
hania przypadkowe s t a nowią niecaly procent śred n iego poziomu logarytmu wydajno-
ści pracy. Model wyj aśnia 84% zmi ennośc i logarytmu zmiennej IV . Ponadto wszystkie
otrąmanc oceny parametrów „są islOtnc" na poziomic istot n ośc i a = 0.05, gdyż obli-
czone statystyki I (h1) są w i ększe od wartośc i krytycznej la= 2. 110, odczytanej z tablic
rozk ł adu 1 Studenta dl a poziomu i stotnośc i a = 0.05 i 20 - 3 = 17 stopni swobody.
Uważamy zatem, że przyjęty model może być przedmiotem analizy badanego zjawiska
Zapiszmy zatem nasz model w wyjściowej postac i (5 .66)
1\1
1
= e2.2855047+0.1.J-Os21r, -o. 0021s6T,2
(c) Optymalny wiek pracowni ka w naszym pr.i:ypadku to taki wiek. w którym pra-
cownik os i ąga maksy m alną wy d aj ność i ndyw i dualn ą - uzyskuje maksymalny procent
normy. Wobec tego interesuje nas maksimum funkcj i (W). Obli czmy pochodną W po T:
~ = e2.855047+0.l3082?T-0.002156T
1
(0, 130827 _ 0,004312T) =
= IV · (0.130827 - 0.0043 12 T)
i przyrównaj my j q do zera 26
~= 0 <=> 0. 130827-0. 004312T =O=> T* = 30lat
T* jcsl wickiem pracowni ka, w którym os i ąga on n aj w i ę k szą wydaj n ość, bo pochod-
na d W /dT w T * znika oraz - jak ła two s pra wd z ić - przy przej śc i u przez T* zmienia
znak z dodatniego na ujemny; spe łni o n e są zatem warun ki: konieczny i dostateczny ist-
nienia maksimum. M aksyma l ną wydaj n ość pracy otrzymujemy wstawiając T* = 30 do
oszacowanej fu nkcji wydaj n ośc i :
IVma.1 = 126,4%.
Optymalny m wiekiem pracowni ka jest 30 lat. Pracownik w tym wieku os i ąga n ajw i ększą
wy d aj ność, rów n ą o koło 126,4% wykonani:1normy.
Przy kła d 32. Dla pewnego pri:ed s i ę bi o rs t wa oszacowano funkcj ę produkcj i typu
Cobba- Douglasa i otrzymano
gdzie: Q1 - produ kcja global na (w mln z ł); K, - wa rtość brutto m ająt k u trwa łego
(w mld zł); L 1 - ś redn ia w roku liczba zatrudn ionych (w osobach)
(a) O kreś l ić o ile procent zmni ejszy s i ę zespoł owa wy d ajność pracy, j eże l i zatrud-
nieni e wzrośn ie o 5%, a wartość bruno majątku trwa ł ego nic zmieni sic.
(b) Ob li czyć, j ak przy stał ej wart ośc i brutto maj ątku trwał ego wzroś ni e zes po łowa
wy d ajność pracy. jeśli zatrudni enie zmniejszy s i ę o po ł owę.
(c) Pod ać, o ile procent n a l eży z mni ejszyć zatrudnienie, aby zwiększyć wyd aj ność
z 30 mln zl/zatrudn ionego do 3 1.5 mln zł/zatrud ni o n ego , ni e dokon ując je dn ocześni e
żadnyc h inwestycj i
(d) O kreś l ić, j ak musi się z m ie ni ć zatrudnienie, aby wydaj n ość zespo ł owa wzrosła
o 15%, przy jednoczesnym wzroście wartośc i brutto m ająt k u trwa ł ego o 5%.
Rozwiąza„ ie. (a) Jak wspomniano we ws tęp i e do tego podrozd ział u, m :1j ąc oszaco-
wa n ą fun kcj ę produkcj i Cobba-Douglasa, możn a p rzejść do funkcji zespo łowej wydaj-
n ośc i pracy przez obustronne podzieleni e funkcji produkcji przez n akłady pracy L 1
~v, = ~ 5 1. 77 K,°.45 L?·50 5 1,77 K,°.4S L;o. so _

L, Lr
gdzie \V1 jest wyd ajn ośc i ą zespoł ową wy rażo ną w mln z ł na zatrudnionego 27
Jest to t ak że fu nkcja pot ęgowa, a w i ęc wykfad niki pot ęgowe pn.:y zmiennych s:1
s t a ł y m i elast yczn ośc i am i wydajn ośc i wzg l ęd em zmiennych objaś n iającyc h ; ujemny wy-
26 Do 7.era pnyrównujcmy wyrażenie w nawiasie. bo \\I 7.awsze jest ,doda111ie 0.4

5
17 Zauważmy. że funkcję tę można także ;wpisać w postaci: 1V1 = SJ.!.. = 51.77 ( ~ ) L?.4 5+o. 50- I
L1 L1
i wtedy zmiennymi objaśniającymi są: 1echniczne uzbrojenie prncy ( t,-) i liczba z:ttrndnionych (L1)
k/adnik przy zmiennej reprezent ującej zatrudnienie św i adczy o tym, że wzrost liczby
zatrudnionych musi prowadzić, przy stał ośc i wartośc i bruno majątku trwałego, do spad-
ku wydaj ności.
Skoro znamy elas t ycznośc i , możemy łatwo obliczyć przy b liżony względny pri;yrost
wydajności, mając dany wzg l ędny przyrost zatrudnieni a i sta łą wartość mająt k u produk-
cyjnego (5 .1 7), a mianowicie
w.
C>\V
100 = (-0.50). 5% = -2 .5%.
J eżeli więc zatrudni enie wzrośnie o 5%, to przy stał ej wart ośc i bruuo majątku trwa-
łego wydaj ność zespołowa spadnie o około 2,5%, a dokła d nie, przy zastosowaniu wzoru
(5 . 16) (porównaj uzasadnienie w przykład zie 27 do punktu (b)), o
ó.~~V 100=[(1.05)- 0 ·50 - Jl 100= - 2.4 1%.
(b) S tosując wzór (5. 17). można ob l iczyć, że wydajność wzrośnie w przybliżeni u o:
w MV
100= (-0.50)-(-50%)=25%
(o okoł o 25%, czyl i oko ł o 1,25 raza).

Jednak korzystanie z e l astyczności funkcj i przy tak d użej wzg l ę d nej zmianie argu-
mentu jak 50%, narusza założen i a definicji e l astycznośc i ; bardziej miarodajny wynik
otr.tymamy stosując wzór (5. 16):
~; = 1°.45 . 0_5- 0 ·50 - 1=1.4 142 - J =0.4 142=41.42%.
czyli wydajn ość zespołowa wzrośn i e o 41% (1,41 raza)28

(c) Wzrost wydajności zes połowej z 30 mln zł/zatrudn i onego do 3 I .5 mln zł/zatrud -
ni onego jest wzrostem o (

3
;~5 - l) · 100 = 5%. Zatem między „nową" wydajnością
Wr+I a „starą" wy d aj nością W1 zachodzą relacje:
W1+ 1 = l .05W, (wzrost wydajnośc i o obliczone wyżej 5%)
W1+ 1=A - 0 · 50 W, (wzrost wydajnośc i wskutek „wzrostu" zatrndnienia nieznane A razy),
stqd
A- o. 5o = 1. 05 ==} A = ( 1. 05) - 2 =O. 9070,
2800 takiego samego wniosku można dojść stosując następujące rozumowanie: skoro mamy pewną
wydajność 11'1 = 51.77K~.4SL;- 0 ·sn. to nowa wydajność IVr + I spowodowana spadkiem zatrudnienia
o połowę wynosi: IV1+1 = 5J.77K~.+~5 l;:1 50 • przy czym K1+ 1 = K1 oraz L1+1 = O.SLr. więc
11'1+1 = 51.77K?· 45 (0.5Li)o.so = (0.5) 0-50 w, = 1.4111'1
(0.9070 - I)· 100 = -9 .3%.

Obliczyli ś my więc, że zatrudnie nie na l eży zmniejszyć o 9.3% 29 .
(d) J eśli wydajność zespołowa wzroś ni e o 15 %, to „nowa" wydaj n ość będzie 1, 15
raza w i ększa od „starej"
W1+1= 1.l5W1 •
Podobnie wzrost wart ości brutto majątku trwałego o 5%, czyli 1,05 raza, oraz wzrost
liczby zatrudnionych A razy. gdzie A nieznane, dają:
W1+1 = ( 1. 05)0.45;..- o.50 \V,
Porównując powyż sze równania stronami, otrzymujemy:
( i .05)0A5;.. - 050= 1,15,
a stąd
(0.9477 - I) 100 = - 5.23%.
Okazuje się więc, że

wzros1 wartości bruno majątku trwałego o 5% nie wystarcza.
aby spowodować wzrost wydaj ności pracy o 15 %. Konieczne jesl dodatkowo zmniejsze-
nie liczby zatrudnionych o 5,23%.
Odrębny nurt badatl zw i ązanych z wydajnośc i ą dotyczy pracochton nośc i produkcji
( pracoc hłon n ość jest odwrotnośc i ą wydajnośc i ), a dokład ni ej zal eżnośc i mi ędzy długo
ścią serii produkcyjnej a pracoch ł onnością jednost kową. Na podstaw ie licznych badań
e mpirycznych stwierdzono. że z mi enność pracochł onn ośc i P; możn a opisać autoregre-
syj nym lini owym modelem:
Pk =a P; +e;,
gdzie indeksy i oraz k wyrażają numer sztuki w serii i są kolejnymi wyrazami c i ągu
geometrycznego o ilorazie 2, czyli k = 2i, s tąd m:1my
P1; =a Pi +e;. (5.69)
Parametr a E (0: I) nosi n azwę współczyn nik a Hirscha; badacz ten poświęci ł mu
dużo uwagi. Parametr ten ma c i ekawą i n terpretację, a mianowicie: dwukrotne wydłuże
nie serii powoduje spadek pracochłonnośc i o ( l - a) · 100%. Parametr a jest nieznany,
a le jego estymator łatwo można z n a l eźć za pomocą MNK
29Taki sam wynik otrzymamy stosując wzór (5.16): 0.05 =

( + ["')-"·' -
10.-t5 I l ~
6L)-0 .5 ( l,05) !:J.L ~ !:J.L

=> ( 1 + L = .4 = 1.US => 1 + L = 1.us - - =0.907U=> Lo.9010 - 1 = - 9.3%.
10 5
Przykład 33. W oparciu o dime zawarte w tablicy 5.5

(a) Oszacować i z interpretować współc zy nnik Hirscha.
(b) Określić, ile będzie wynosić pracochłonność przy numerze wyrobu 480
(c) Podać przybliżoną w i e l kość wydajno śc i pracy prą 480 sztuce.
Tab lic:tS.5
Numer wyrobu Pracochłonność

wgodz./szt
(i) ( P;)
15 3.3
2.8
2.3
1.9
240 1.6
Rozwiqza11ie. (a) Estymator MNK ws p ółczy nnika Hirscha dany jest wzorem:
L:P;P,;
o= 'LP;°. (5.70)
gdzie wskaźnik i prlebiega te wszystkie wartości. dla których znane są pracochłonn ośc i
P; i P21-
W naszym przypadku numery wyrobów w serii: 15. 30, 60, 120, 240 tworzą c iąg
geometryczny o ilorazie 2, a odpowiadające im pracoch łonności: 3,3, 2,8, 2,3. 1,9, l .6.
Powstaje jednak pytanie, czy rzeczywiście mi ędzy pracochłonnościami P1 oraz P2 .-
zachodzi liniowa relacja (5 .69), tzn. czy punkty ( P;. P2;) układają s ię w przybliżeniu na
prostej. Łatwo to sprawdzić na rysunku 5.2
Pz; 2.9
2.7
2.3
2.1
2,2 2,4 2.8 3.0 3,2 3,4

P,
Rysunek 5.2. Zależność pracoc hłonnośc i OO długości se rii
5.Analtzaprocesuprodukcyjn1!90
Ponieważ rysunek 5.2 potwierdza liniowo ść związku mi ędzy P; oraz Pu, przychodzi
nam skorzystać ze wzoru (5.70):
3.3 283~3~!~2;;:~::, ~·~.;, 1.9 J.6 0.84.
Współczynnik Hirscha wynosi 0,84, zatem dwukrotne wydłużenie seri i daje spadek
pracochłonności jednostkowej o ( I - 0,84) · 100 = 16%.
(b) Po nieważ w naszym przypadku wzór (5.69) przybiera postać:
P„ = 0.84P;,
wobec tego
P4so = 0.84 P24D = 0,84 · 1,6 = 1,34 godz./szt.
Zatem pracoc hłonność przy wyrobie numer 480 wynosić będzie 1,34 godz./szt
(c) Poni eważ wydajn ość pracy jest odwrotnością pracochłonności , przybliżona wy-
dajność przy sztuce 480 wynosi l / l .34 =O. 75 szt./ godz
5.4. Ekonometryczne modele kosztów

Ekonometryczne modele kosztów p rzeds t awiają zależność kosztów (produkcji) od
kształtujących je czynników. Najogóln iej model taki można przedstawić w postaci
K
C, = /(Q,) + L_ P;X;+<„ (5.71)
j =l
Najważniejszym czynnikiem determinującym poziom kosztów jest wielkość pro-

dukcji ( Q); na koszty wpływają także czynniki o charakterze technicznym, technolo-
gicznym, organizacyjnym (X 1 ••••• X K) - w dużej mierze zal eżne od technologii pro-
dukcji (charakteru procesu technologicznego - branży, ga łęzi). Czynniki te należałoby
uwzględni<1ć przede wszystkim w modelach dotyczących d ługich okresów (modelach
dynamicznych). bowiem można przyjąć, że w krótkich okresach czynniki te są stałe.
W dalszej części rozdziału zajmować się będziemy przede wszystkim zależnością
kosztów od wielkości produkcji. czyli rozpatrywać będzie m y modele z jedną zmienn:1
objaśniającą. Przedmiotem analizy mogą być modele:
• kosztów całkowil)'C h C(Q).
•kosztów jednostkowych (przeciętnych) c(Q), prą czym c(Q) = C6Q).
W analizach kosztów wykorzystuje s i ę także pojęcie kosztu krańcowego, definio-
wanego jako pochodna kosztów całkowitych względem wielkości produkcji
Ck= -
ac
aQ
i interpretowanego jako oczekiwany wzrost kosztów ca łkowit yc h spowodowany zwięk
szeniem produkcji o małą jednos tkę.
Koszty całkow i te są s umą kosztów stałych, niezależnych od wielkości produkcji
(klóre muszą być poniesione w celu jej uruchomienia). reprezentowanych przez wyraz
wolny fu nkcji kosztów całkow i tyc h (eto) oraz kosztów zmie nnych, rosnącyc h wraz ze
wzrostem wie l ko śc i produkcji.
Funkcja kosztów całkowi tyc h zawsze jes1 funkcją ro snącą (przy czym tempo wzro-
stu może być różne). Natomiast koszt jednostkowy wraz ze wzrostem produkcj i maleje
w coraz wolniejszym tempie do pewnej asymptoty poziomej (mówi s i ę wówczas o kosz-
cie jednostkowym w k ształcie litery L) lub też maleje do pewnego poziomu produkcj i,
a po osiągn i ęciu minimum zaczyna w zrastać. Mówi się wówczas, że funkcja kosztów
jednostkowych ma kszt ałt litery U ( m ożn a wówczas określić optymalny poziom produk-
cji, poziom przy którym koszt jednostkowy jest n ajniższy).
Pon i żej przedstawiono funkcje najczęściej stosowane w praktyce do mode lowania
kosztów:
Funkcja liniowa
C ( Q) =a0 +a1Q, (5.72)
gdzie: a 0 - koszty stałe, a Q - koszty zmienne - zw i ększe n ie produkcji o I (jed-
1
n ostkę) powoduje wzrost kosztów całkow i tych o a jednostek. Przyj ęc ie jako modelu
1
kosztów fu nkcji liniowej jest równoznaczne z przyjęciem założenia, że koszty cał kow i
te ros n ą proporcjonal nie do wie l kośc i produkcj i; jednost kowy m przyrostom produkcji
zawsze odpowiada taki sam przyrost kosztów cał kowitych (a jest w tym wypadku sta-
1
łym koszte m kra1kowym - pochodną kosztów całkow i tyc h wzg l ęde m w i elkości pro-
dukcj i).
Funkcja kosztów jednostkowych w tym przypadku jest hiperbol ą ( L -kształt n a )
C(Q) ao+a1Q eto
c( Q) ~ Q ~ --
Q- --> c( Q) ~ Q + "' (5.73)
Wzrostow i w i e l kośc i produkcji towarzyszy spadek kosztu jednostkowego - coraz

wolniejszy - do asymptoty poziomej a 1 (a 1 jest minimalnym kosztem jednostkowym).
Wielomian stopnia drugiego-
C (Q)~•o+•,Q+a,Q ' . (5 .74)
gdzie, tak jak w funkcji liniowej, a 0 jest kosztem stały m , natomiast koszty zmienne
2
a 1 Q + a 2 Q rosną szybciej n i ż produkcja (a 2 > 0).
Funkcja kosztów jednostkowych nal eży do U- k sz ia łt nych (jest s umą hiperboli
i fu nkcji liniowej) - do pewnego, opty malnego poziomu produkcj i ( Q *) koszt jednost-
kowy maleje, a po jego przekroczeniu zaczyna wzrastać:
c(Q) = C(Q) - ao + a1 Q +a2Q2 -Jo c(Q) = ~ +a1 + a?Q (5.75)

Q Q Q .
Wielomian stopnia trzeciego:
2 3
C (Q) =au +a1 Q +a2 Q +a3Q , (5.76)
prą czym na parametry modelu przedstawiaj;\cego zależno ść kosztów ca łkow i tych od
wielkości produkcji nałożone s ą nas tępujące warunki 30 :
(5.77)
JO lnne możl iwe pn~ebiegi wie lom ianu stopnia lrleciego można zn aleźć np. w pracy [34]. s. 69-70. Prle
bieg zależy od z1rnku wspólczynnik;i prly 1nec iej potr:dze oraz od znaku wyróżnika t:. = 3·cr1 ·er.i - (cr2) 2
W ó~czas funkcja kosztów ~ałkow it ~ch ma ksz~~łt litery S - do pew~ego poziomu

produkCJJ, czyli punktu przegięcia funkq1 Qo = - ~ Uak łatwo sprawdzi ć jest to miej -
sce zerowe drugiej pochodnej), ca łkowi te koszty zmie nne rosną wolniej ni ż prod ukcja.
pote m rosną coraz szybciej
R ów ni eż w tym przypadku funkcja kosztu jednostkowego:
c(Q)= C(Q) =ao +a 1Q+a2Q2 +a3Q3 --+ c(Q)=~ + a 1 + chQ+a3 Q1

Q Q Q -
(5.78)
ma k ształt litery U (suma hiperboli i paraboli) - istnieje optymalny poziom produkcji ,
do którego zw i ęk szanie produkcj i daje spadek kosztu jednostkowego i po osiąg n ięciu
którego koszt jednostkowy zaczyna wzrastać
Omówione modele maj<1zastosowanie w pnypadku produkcji jednorodnej. W przy-
padku produkcji niejednorodnej stosuje s i ę zwykle modele wielorównaniowe proste.
Każde równanie takiego model u opisuje koszty (ca ł kowite lub jednostkowe) jednego
wyrobu. Do tego dochodzi równanie tożsamośc i owe (por. [36), s. 244--245).
(5.79)
gdzie C; jest koszte m ca łk ow i t y m i-tego wyrobu.

Jednym z celów ekonometrycznej analizy kosztów jest wyznaczanie tzw. progów
re nt ow n ośc i . Sprowadza s i ę to do badania relacji między przychodami i koszta mi przed-
s i ęb iors tw a, a więc jego zyskami w za l eżnośc i od w i e lkośc i produkcj i. Zazwyczaj pr.1:yj -
muje s ię. że funkcja przychodu ze sprzedaży ( P ) jest funkcją liniową przechodzącą przez
początek układu współrzędnych (p jest ce n ą produkowanych wyrobów):
p = p· Q (5.80)
Punkty przeci ęc ia
funkcji kosztów całkowitych C(Q) i funkcji przychodu ( P ) wy-
z naczają przedział wielkości produkcji . w którym jcsl ona rentowna (przychody pr.1:c-
wyższają koszty). Punkty te nazywane są progami re ntow n ośc i . Wyznacza s i ę je rozwią
zuj<JC równan ie:
p > c.
Wypada dodać, że wyznaczając progi rentowności zakładamy, że ca ła produkcja zo-
stanie sprzedana (przychód ze s przed a ży zostanie zrea lizowany)
Przykła d 34. W tabli cy 5.6 zawarto dane dotycz<jce mi esięcz n yc h kosztów wydobyc ia
węgla (C w tys. zł) i mi es i ęcznego wydobycia węg l a ( Q w tys. ton) w pewnej niewielkiej
kopalni
(a) Dokonać estymacji parametrów modelu kosztów całkowi tych (C) jako wielo-
mianu stopnia drugiego ze względu na mie s ięczne wydobyc ie węgla ( Q)
(b) Ob l i czyć koszt ca łk ow it y i koszt jednostkowy oraz odpowiadający im zysk cał
kowity i zysk jednostkowy dla wydobycia węgla wy noszącego 5 tys. ton, przy cenie I
tony węgla równej 410 zł
(c) Ob l i czyć opt y ma l n ą z punktu widzenia kosztów jednostkowych w i e l kość wydo-

bycia i pod ać odpowiad aj ący jej minimalny koszt jednostkowy, a tak że zysk jednostkowy
i zysk całkow it y
(d) Jaki b y łb y optymalny poziom wydobycia, gdyby jako kryterium optymalizacji
przyjąć mak sy m a li zację zysku ca ł kowi tego (przy cenie 4 10 zł za to n ę)
(e) Zarząd kopalni rozważa m oż li wość zw i ę ks ze ni a wydobyc ia w n ast ępny m roku
do 9 tys. ton m i e s i ęc zni e . Czy taka w i e l ko ś ć produkcj i będ z i e rentowna (progi rentow-
no śc i )?
Tahl k a 5.6
Q, c, Q, c,
1340 6.5 22 12
4.5 1639 7.5 2 537
4.5 1671 7.5 2573
5.5 1924 2 380
5.5
6.5
Żródło :dancumownc
Roz w iąza11 ie. (a) Na l eży oszacować parametry modelu ·

C, =ao+ a1Qr + a 2Q?+c, ,
który po podstaw ieniu: Q, = X11 oraz Q ~ = X, 2 jest rów noważn y z modelem
C, = a o + a1X 11 +azX,z + e1.
a ten jest dobrze nam znanym modelem li niowym, którego parametry oszacujemy za
po m ocą MN K ze wzoru
gdzie c - wektor kolumnowy warto ś ci zmi ennej obj aś n ian ej , czyli kosztów;
12 70 428 ]
xTx = [
70 428 21 10x-rc= [ 148480
.
24520]
. 1x ' x 1 = 10 158.
428 2 710 17522.5 934490
CT C = 48730852 ,
19.5245 1 - 7.25487 0.64 146 ]

(XTX)- 1 = - 7.25487 2. 78460 - 0.25202 .
[
0 ,64 146 - 0, 25202 0,02323
st ąd ostatecznie:
c, = 980.0 + 60. 0Q, + 20.0 Q~,
(63 ,39) (23,94) (2. 19)
1(aj ) 15,5 2,5 9, 1
2
Se= J 205.778 = 14 .345 . Ve = 0 .79%, 1p = 0.00 12
Oceny parametrów struktury stochastycznej wskazują, że przyjęty model dość do-

brze opisuje za l eżność kosztu całkowitego od w i e lkośc i wydobyc ia. Ocena parametru
a 0 , czy li a 0 = 980, to koszty s tałe wydobyc ia, a wyrażenie 60Q 1 + 20Q; to koszty
zmienne.
(b) Koszt całkow ity wydobycia 5 tys. ton węgla obliczymy wstawiając Q = 5 do
oszacowanego modelu kosztów cał kowityc h
Ć(5) = 980 + 60 · 5 + 20 · 25 = 1780 tys. zł .
Naiomiast koszt jednostkowy c (iloraz kosztu całkowitego C i wielkości wydobycia Q)
wynosi:
c= Q= S
c
1780
= 356 tys. złllys. ton = 356 zł/tona
Zysk całkow ity jest zdefiniowany wzorem

z=,,. Q - c. (5.8 1)
a zysk jednostkowy wzorem·
z c
z= Q = p - Q= p - c. (5.82)
gdzie p jest cenąjed nostkową
Wobec tego mamy:
2(5) ~ 410 · 5- 1780 ~ 2050 - 1780 ~ 270 tys. zł
z(5) = 410 - 356 = 54 zl/ tonę 31 •

(c) Dla oszacowanej funkcji kosztów całkowityc h funkcja kosztów jednostkowych
ma postać:
Optymalne z punkn1 widzenia kosztu jednostkowego wydobycie to takie, przy któ-

rym funkcja kosztu jednostkowego osiąga minimum, Znajdziemy je sprawdzajqc waru-
nek konieczny (pierwsza pochodna równa zeru) i dostateczny (druga pochodna dodat-
nia)
de 980
dQ ~ -Q' +20.
de „ „
dQ =O# - 980+20Q- =O# 20(Q - - 49) =O# Q• = 7 tys. ton
Q = - 7 nie wchodzi w rachubę - wielkość wydobycia musi być dodatnia

Ponieważ
~1
dQ Q• Q' -
- o ~d'c I
dQ Q• Q'
= - 2 · (-980)Q - 3 > O.
zatem dla Q* = 7 tys. ton koszt jednostkowy jest minimalny. Ten minimalny koszt
jednostkowy jest równy:
Cmin = 2(7) = ~ + 60 + 20 7 = 340 tys. zł za 1ys. ton.
31 Albo ~(5) = 270/5 = 54 tys. zł za cys. con (54zł za 1onę)
Zysk jednostkowy przy cenie 410 zł wynosi z = 410 - 340 = 70 tys. zł/tys. ton (70 zł
za tonę), a zysk całkowity Z = 70 7 = 490 1ys. zł. Funkcj ę kosztu jednostkowego
przedstawiono na rysunku 5.3
R~·sunck 5.3. Funkcja kosztu jednostkowego wydobycia węgla C= ~ + 60 + 20Qr

Q,
(d) Jeżeli kryterium optymalizacji będzie maksymalizacja zysku ca łkowitego, czyli

funkcji
Z~ p · Q - C ~ 410Q - (980 + 60Q + 20Q 2
).
z~ -20Q 2 + 350Q - 980.

aby je znaleźć, należy sprawdzić warunek konieczny i dostateczny·
dZ
dQ ~ -40Q + 350.
dZ
dQ ~o „ - 40Q + 350 ~o „ -40Q ~ -350 ~o
~Q 0
= ~= 8.75 tys. ton.
Ponieważ
2
-dZ I =0 d ZI
oraz----, =-40 < 0.
dQ Q~Qu dQ- Q~Q„
zatem dla Q- = 8.75 tys. ton funkcja zysku osiąga maksimum. Zysk całkowity wynie-
sie w tym przypadku
Z(8.75) = -20 · 76,5625 + 350 · 8.75 - 980 = 551.25 tys. zł.
a zysk jednostkowy
z~~;: )
5 5
~_1;~
5
z(7, 5) = = = 63 tys. zł/tys. ton
A więc w tym przypad ku zysk jednostkowy jest n iższy ni ż w przypadku , gdy kry-
terium optymalizacji b y ła min imalizacja kosztu jednostkowego, ale zysk całko w it y
w i ększy.
(e) Progi rentowności to miejsca zerowe funkcji zysku. Aby je z nal eźć , należy roz-
w iązać równani e
z~ - 20Q 2
+ 350Q - 980 ~o.
"~ 3502 4. (- 20) . (- 980) ~ 44 100
- <> .//;. ~ 210.
-350 + 210
Q, ~ 2. (- 20) ~ 3.5.
20
Q
Rysunek 5.4. Funkcja przychodu ( P = 410Q ) i kosztów całkowitych (Ćr = 980 + 60Q1 + 20Q ~)
wydobyci3wi;:gJ3
Zatem rentowne będz i e wydobycie mieszczące się w prtcdzialc (3,5; 14) tys. ton,
wówczas zysk jest dodatni, a za kładana wielkość wydobycia Q = 9 tys. ton należy do
tego przedz iału. Funkcję pri;ychodu i funkcj ę zysku w zależności od wielkośc i produkcji
przedstawiono na rysunku 5.4. Punkty ich przec i ęcia wyznaczają progi rentowności. Za-
u waż m y t ak że, że wykres funkcji kosztów ca łkowi t yc h wychodzi z punktu 980 (koszty
s tałe)
Przykład 35. Na podstawie danych o w i elkości produkcji {w tys . sztuk) i ca łkowi

tych kosztach produkcji (w tys. z ł ) w kolej nych miesiącach ubi eg łego roku w pewnym
przed s i ęb iorstwi e oszacowano funkcję kosztów całkowityc h produkowanych garniturów
1 otnymano·
Ć,(Q) ~ 240 + 60Q,.
{a) Wy prowadzi ć funkcję
kosztu jednostkowego. Ocenić czy w przedsiębiors twie są
m ożliwo śc i obniżkikosztu jednostkowego. przy poziomie produkcji z ostatniego mie-
s i ąca wynoszącym IO tys. sztuk .
(b) Aktualnie cena produkowanych wyrobów wynosi l 10 zł. Czy produkcja IO tys.
sztuk jest rentowna? Wyznaczyć próg re nt ow ności
(c) Z anal izy popytu wiadomo, że w n ajb li ższyc h m ies i ącac h nie przekroczy on
5 tys. sztuk. Na jakim poziomic us t a l ić cenę wyrobu, aby przy takim popycie osiągnąć
zysk ze s p rzedaży na poziomie 80 tys. zł
Roz wiązanie. (a) Funkcja kosztu jednostkowego ma postać:
c( Q! ~ c,cm ~ 240 + 6oQ, ~ i(QJ ~ ~ + 60.

Q Q Q
zatem w miarę wzrastania w i e l kości prod ukcj i koszt jednostkowy maleje (najpierw wi-
docznie, a następ n ie coraz mniej), ale nie będzie n iższy n i ż 60 zł (rysunek 5.5)
4500 L
2100
JOO
Rys unek 5.5. Funkcja kosztu jednostkowego

c= ?:tJ! +60
S. Bartosiewicz [8] podaje nastę p ującą fomrn ł ę obliczania rezerwy ob ni żki kosztu
jednostkowego
gdzie: c - aktualny koszt jednostkowy, a1 - mini malny koszt jednoslkowy (parametr

funkcji kosztów)
Przy produkcji Q = IO tys. szt. koszt cał kow ity wynosi C(IO) = 240 + 60 · IO =
840
= 840 tys. zł ; koszt jednostkowy c( IO) =IQ = 84 zł/szt . Moż n a go jeszcze obniżyć o:
w=(~-l ) · I OO =( l ,40-1) 100 = 40%.
a w i ęc j eżeli będzie zbyt na produkowane towary, warto zwiększyć prod u kcję , bo koszt
jednostkowy można ob n iżyć o około 40%.
(b) Przy cenie 11 0 zł przychód ze s p rzedaży wynosił P = 110 · IO= I \OO tys. zł,
a zysk całkowity: Z = P - C = 11 00 -840 = 240 tys. zł. w i ęc produkcja jest rentowna.
Próg re ntow ności wyznaczy my rozwiązując nierów n ość P > C. czyli:
1l OQ > 240 + 60Q --7' SOQ > 240--7> Q > 4,8 tys. sztuk.
Zatem przy produkcj i Q = 4.8 tys. sztuk zysk ze sprze d aży jest równy zeru, a pro-
dukcja wyższa od tego poziomu zapewni a firmie zysk. Fu nkcje przychodu i kosztów
o +--~~~~~~~~~
O IO
Q
Rysu nek 5.6. Funkcja kosztów całkowitych C = 240 + 60Q i funkcja przychodu P = J IOQ
całkowitych przedstawiono na rysunku 5.6 - ich przecięcie wyznacza próg rentowno-

ści; zauważmy, że im większa produkcja. tym zysk jest większy.
(c) Analizę powyższych relacji można także wykorzystać do ustalenia ceny gwaran-
tującej rentowność (lub poziom zysku), jeże l i firma zna popyt na swoje wyroby.
W tym przypadku należy znaleźć ce n ę (p), przy której firma os iągn i e zysk w wyso-
kości 80 tys. zł, co wyraża równanie
620
p ·5 - (240 + 60·5) = 80 --+ Sp= 80 + 540 --+ p = S = 124zl.
A więc. aby produkując 5 tys. sztuk wyrobu (na które będzie popyt) finna osiągnęł a
80 tys. zł zysku ze sprzedaży, należy podnieść cenę do 124 zł
Pnyklad 36. Funkcja kosztów całkowitych (C w tys. zł) w zależ n ości od wielkości
produkcji ( Q w tys. sztuk) dla pewnego wyrobu ma postać:
C(Q) = O.o3Q 3
- Q 2
+ 20Q + 80
(a) Znaleźćoptymalny poziom produkcji Q. przy którym koszt jednostkowy wyro-
bu osiąga minimum. Podać wysokość kosztu całkow itego i kosztu jednostkowego oraz
zysku jednostkowego i zysku cał kowit ego przy optymalnym poziomie produkcji.
(b) Jaki byłby optymalny poziom produkcji, gdyby kryterium optymalizacj i była
maksymalizacja zysk u całkowi1 ego ze sprzedaży produkowanych wyrobów, jeże l i aktu-
alna cena wyrobu wynosi 26,25 zł/szt
(c) Aktualnie firma produkuje 35 tys. szt. tego wyrobu. Czy taka produkcja gwaran-
tuje rentowność?
Rozwiązanie. Funkcja kosztów całkowitych w tym przypadku jest wielomianem
stopnia trzeciego; łatwo sprawdz i ć. że jej parametry spełniają warunki , przy których
wykres funkcji ma ksziałt litery S: a 2 = - I < O oraz cri = I < 3 cr 1 cr3 =
= 3 20 0.03 = 1.8. Funkcja kosztów catkowitych zmienia tempo wzrostu dla
•2 I
Qo = - ~ = . 0.0 = 11. 111 tys. szt. (punkt przegięcia)
3 3
5.4. Ekonometryczne modelekosztl'iw
(a) Nal eży znaleić minimum dla funkcji kosztu jednostkowego, zatem z podanej
funkcji kosztów ca łkowityc h n ależy wyprowadzić funk cję kosztów jednostkowych:
C(Q) 0.03Q 3 - Q'+20Q+80 , 80
c(Q)=Q= Q -+c.:( Q)=0,03Q- - Q+20+Q -+ min.
Minimum znajdziemy sprawd zając warunek konieczny (pierwsza pochodna funk-

cji kosztu jednostkowego równa zeru:
oc
aQ = O) i dostateczny (dla minimum - druga
a2 c
pochodna dodatnia: aQ2 > 0):
ac
aQ = 0.06Q - I -
80
QZ =
J 2
O <> 0.06Q - Q - 80 =O
Jak łatw o sprawdzi ć, jednym z pi erwiastków tego wielomianu jest Q = 2032 . Dzie-
ląc na st ępn i e powyższy wielomian 33 przez Q - 20, otrzymujemy wielomian stopnia dru-
giego: 0.06Q 2 + 0,2Q + 4, który ni e ma pierwiastków rzeczyw i styc h (~ < 0), a wiec
jedynym pierw iastkiem wielomianu jest Q• = 20 tys. szt
Minimalny koszt jednostkowy (przy takim poziomie produkcji) wyniesie
c( Q) = 0,03 · 20 2 - 20 + 20 + ~ = l 6 tys. zł za tys. szt. (czy li 16 zł za szt.).

a koszt ca łkowity·
C(Q) = 0.03 · 203 - 20 2 + 20 · 20 + 80 = 320 tys. zł (20 tys. SZI . 16 zł/szt .).
Zatem zysk jednostkowy ( róż ni ca mi ędzy ceną i kosztem jednostkowym) jest równy:
z(20) = 26,25 - 16 = 10.25 z ł/sz t. , a zysk calkowity: Z(20) = 10.25 · 20 rys. szuk =
= 205 tys. z ł
(b) Prty cenie 26,25 zł/szt. przychód ze s przedaży wyniesie 26.25Q, a zysk (przy
założeniu, że cała produkcja zostanie sprzedana)
Z(Q) = 26.25Q-(0.03Q 3 -Q'+20Q +80) = - 0.03Q 3 + Q2 +6.25 Q -80 ~ max .

Sprawdzamy warunki konieczny oraz dostateczny i mamy:
~Z'(Q) = - 0.09Q 2 +2 Q + 6.25 = O.
!!. = 22 - 4. (-0.09) . 6.25 = 4 + 2.25 = 6.25 <> ,//;. = 2.5.

-2-2.5 - 2+2.5
Q, = 2. (-0.09) = 25 · Q, = 2. (-0.09) = - 2 · 778 ·
Q = -2 .77 8 nie wchodzi w rachubę (wielkość produkcji musi być dodatni a).
31 Pierwiastków wielomianu trzeciego s1opnia szukamy wśród podzielników wyrazu wolnego (80): mogą
=
to być: l. 2. 4, 8. JO. 20, 40, 80:jedynym spc! niającyrn to równanie jest Q 20 (0.06-20 3 - 20 2 - 80 0) =
3.l Korzys1amy z twierdzenia: jeżeli x• jest pierwias1kiern wielomi;mu. 10 wie lomian jest podzielny prtez
X - x•
Po ni eważ
az
BQ
I
Q= 25 =O
~a'z l
JQ- Q= 25
=-0. l8Q+2=-4,5+2=-2.5<0.
zatem w punkcie Q = 25 funkcja zysku osi<1ga maksimum

Zysk ca łkow i t y przy tym poziomic produkcji będzie równy:
2(25) = - 0.03 · 25 3 + 25 2 + 6,25 · 25 - 80 = 232 .5 tys. z ł,
a zysk jednostkowy
z(25) = z~~S) = 9,3 tys, zł/tys, sztuk (9,3 zł zo sztukę),
a więc zysk jednost kowy jest nieco ni ższy niż w sytuacji, gdy fimm minimalizuje koszt
jednostkowy, ale zysk ca łk owi ty jest większy.
(c) Przy produkcj i Q = 35 tys. sztuk zysk ca łkowity wyniesie
2(35) = -0. 03 · 35 3 + 35 2 + 6.25 · 35 - 80 = 77,5 tys. z ł > O.
a więcprodukcja jest rentowna
W przypadku powyższej funkcji zysku trudno jest znal eźć analitycznie progi ren-
t ow ności (miejsca zerowe funkcji zysk u). Wyznaczono je numerycznie w przybliżeniu
(i przedstawiono graficz ni e na rysunku 5,7): Qi ~ 6.844 i Qz::::: 37, 015 .
Jak widać produkcja 35 tys . sztuk zbli ża s i ę do górnego progu rentowności
CP!~ ~/~
..,...„""
800
C::~ 30
600 ,- 20
400
200 '6
„' - I--- clP IO
o o
O IO 20 30 40 50 O 10 20 30 40 50
Q Q
R)·sunek 5.7. Funkcja pnychodu P = 26.25Q Rys unek 5.8. Funkcja kosz1u jednostkowego
i funkcja kosztów całkowitych C = 0.03Q 3 - Q2 + 2
f' =0.03Q - Q + 20 + ~
+ZOQ + 80
Zadania 34
11 9. Pobrano prób k ę losową firm z branży elektronicznej. Zarejestrowane dane o pro-
dukcji czystej - Q (w tys . zł), wartości neuo produkcyjnego majątku trwałego -
K (w tys. zł) oraz o li czbie zatrudnionych - L (w osobach) w ostatnim roku zestaw iono
w tablicy 5.7.
34we wszys1kich zatl:iniach. gdzie podane są osz:icowane modele. ale nie podano ocen parametrów
stntk1Ury stochas1ycznej, należy z;1kladać, że modele są pozytywnie zweryfikowane
Tablic115.7
Numer Numer
K, L, Q, K, L, Q,
finny firmy
ISO 20 4550 8345 85 221000

140 20 5900 12 8100 80 205000
120 70 23700 13 1773 160 95200
2200 50 81000 6160 160 600
1350 85 65900 212000

1220 100 65260 18 13200 456000
3900 60 129100 19 33100 120 498000
10 6900 60 156200 20 40600 420 580000
(a) Oszacować parametry strukturalne oraz parametry struktury stochastycznej funk-

cji produkcji Cobba-Douglasa i dokonać weryfikacji modelu .
(b) Podać e las tyczności produkcj i wzg l ęde m poszczególnych czynników oraz okre-
ś li ć efekty skali produkcji
(c) Jaka liczba zatrudnionych będzie potrzebna w finnie d ysponuj ącej majątkiem
trwałym o warto śc i 5200 tys . z ł do wytworzeni a produkcji czystej netto o wartości
146475 tys. zł?
120. Na podstawie danych statystycznych dla lat 1998- 2007 oszacowano funkcję
wiel kości produkcji pewnego artykułu ( Q) w zależnośc i od n akładów pracy uprzedmio-
towionej (K) oraz żywej (l) i otrzymano
Y= 5,99 15 + 0.5000X1 + 0.4300X2. R 2 ~ 0.98,

( 1.5000) (0.0500) (0.0400)
gdzie: Y, = In Q,, Xri = ln Kr. Xr2 = In Lr. zatem {2 1 = 400K~· 50 L?·

43
(a) Dok onać weryfikacji modelu.

(b) Jakie wnioski moż na wyciąg n ąć na podstawie oszacowanego modelu?
(e) Jak zmie ni s i ę produkcja, jeśli n a kłady obu czynników wzrosną o 4%?
(d) Jak zmieni się produkcja, jeśli nakład y majątku trwałego wzrosną o 6%, a liczba
zatrudnionych zmniejszy s i ę o 4%?
(e) Wyprowadzić i wykreślić izokwanty tej funk cj i dla Q0 = 20000
121. Pewne przedsiębiors t wo p rodukujące m.in. owoce kandyzowane i owoce kan-
dyzowane w czekoladzie w 2008 r. osiągne ł o produkcję , odpowiednio, na poziomie
170 mln zł i 600 mln z ł. Na jaką wartość produkcji może li czyć przedsiębiorstwo
w 2009 r. , j eże li oszacowana fu nkcja produkcji owoców kandyzowanych ma pos tać:
.Y1 = IOOx?.4x~.4x~· 5 •
a funkcja produkcji owoców kandyzowanych w czekoladzie:

S-1 = 1700.r~· 5 .r~.25 x~.4
Prze d siębiors two przewiduje w 2009 r. zwiększenie nakładów .r 1 o 5% i x2 o 3%
w pr.typadku owoców kandyzowanych oraz x 1 o 3%, x 2 o 4% i x 3 o 6% w pr.cypadku
owoców kandyzowanych w czekoladzie.
122. Na podstawie danych statystycznych dotyczących produkcji stali Q (w mld zł),
w i elkości zatrudnienia w hutnictwie L (w tys. osób) oraz wartości majątku trwałego K
(w mld zł) oszacowano funkcję produkcji C- D i otrzymano następujący wynik :
Q= Lo·" · Ko.8.
(a) Jaki powinien być
stosunek wielkości zatrudnienia do wartości majątku trwałego.
aby osiągmić produkcję stali wartośc i 100 mld zl przy mi nimalnym koszcie, jeśli wiado-
mo, że koszt jednostkowy zatrudni enia wynosi IO tys. zł. a majątku trwałego 5 tys. zł ?
(b) lle powinno wynosić zatrudnienie, aby osiągnąć maksymalną wielkość produkcji
i jednocześnie nie przekroczyć kosztu całkow itego 50 mld zł, jeżeli wartość majątku
trwałego wynosi 6,7 mld zł (pozostałe założen i a pozostają bez zmian)?
123. Dana jest fu nkcja produkcji Y = l. 4xf· 1 x~· 5 x~.4eO.<}.łi . Obliczyć i zinterpretować
kra1kową s t opę substytucji czynnika trzeciego przez pierwszy (R;ri.x 3 ) i trzeciego przez
drugi (Rxp 3 ) . gdy X1 = 2, X2 = 7, X3 = 6
124. W specjalistycznym gospodarstwie hodowli tuczników prt.:eprowadzono bada-
nia dotyczące wpływu dwu podstawowych pasz (X 1 i X2 ) na wielkość produkcji tuczni-
ków Y. Okazało się, że zależność ta ma postać: S• = l 50.rf· 5x~.4. Jak w związku z tym
powinny kształtować sie stosunki między ilością paszy I i li, aby:
(a) Os i <1gn ąć maksymalm1 produkcję tuczników, mając do dyspozycji 504 tys. zł
i wiedząc, że pasza I kosztuje 8 z ł/k g, a pasza I.I 4 tys. zł/kg.
(b) Osiągnąć produkcję 4800 tys. tuczników przy minimalnym koszcie pasz (ceny
takie jak popn.:ednio).
(c) Podać optymalne rozmiary pasz Xi. X 2 dla przypadku (a)
(d) Podać optymalne rozmiary pasz X X1 dla przypadku (b)
1 ,
125. Czy można opisać funkcją produkcji CES proces produkcyjny przemysłu me-
tali n i eżelaznych w latach 1996-2007, jeżeli dane o wartośc i brutto środków trwałych
Tablic-a5.8
K, L, Q, K, L, Q,
40.503 2002 34.343 57.135 35.859

1997 17.20 1 41.257 20.618 2003 41.649 61.197 40.749
1998 18.251 46.089 23.026 2004 44.095 61.625 47.548
1999 24.091 47,759 24.307 2005 52.385 67,038 56.137
2000 26.355 50.804 27,433 2006 56.493 69,257 62,735
2001 30.456 52.450 30.987 2007 63.872 70.400 67.245
-K {stan 31.XJI w mld zł), o przeciętnym w roku zatrudnieniu - L (w tys . osób) oraz
o produkcji globalnej - Q (w mld z ł) prze d stawiają s i ę jak w tablicy 5.8.
126. W tablicy 5.9 dane są obserwacje wartości netto środków trwałyc h K
(w mln zł ), pr.-:eciętnego w roku zatrudnienia L (w osobach) oraz wielkości produkcji
Q (w mln ton) w pewnym przedsiębiorstwie prze my s łu chemicznego w ostatnich 15 Ja-
tach
K1 L, Q1
155 2 15 380 9 341 32 1 780

170 272 460 IO 320 344 810
3 190 259 11 340 36 1 870
6 240 590 14 4JO

280 670 15 420 430
300 307 730
(a) Oszacow ać parametry dynamicznej funkcji produkcji C- D

(b) Zbadać czy w przed s iębi orstw i e występuje neutralny postęp techniczno-organi-
zacyjny. Jeśli tak, to jakiej w i e lko śc i produkcji m oż na si ę spod z i ewać w roku 1 = 16,
a jakiej w roku 1 = 17, jeże l i na te lata nie planuje s i ę zmian w stanie majątku trwałego
i zatrudnieniu
127. W pewnej firmi e dysponującej majątkiem trwałym o wartości 30 mln z ł i za-
trudniajqcej 100 osób za l eżn ość mi ę dz y wielkością produkcji Q (tys. ton), n akładami
majątku trwałego K (mln z ł) oraz liczbą zatrudnionych L (osoby) opisuje funk cja:
(a) Poda ć i zi nt erpretowa ć

• krańcowe produkcyj n ośc i czynników produkcji prt.y aktualnych nakładach,
• elastyczność produkcji względem poszczególnych czynników,
• efekty skali produkcji,
• efekty postęp u techniczno-organizacyjnego
(b) Jak zmieni s i ę produkcja, j eże li sprzedano m aszy nę o wartośc i 0,9 mln zł , apla-
nuje s ię utrzymanie zatrudnienia na niezmienionym poziomie?
(c) Jak zmienić zatmdnienie. aby przy spadku wartości majątku trwalego o 3% utrzy-
mać produkcję na niezmienionym poziomie?
(d) Jaka zmiana zatmdnienia b y łaby potrzebna, aby przy spadku wartości majątku
trwałego o 3% produkcja wzros ła o 1,8%?
(e) Oblic zyć i zinterpretować krańcową st opę substytucj i mająlku trwa łego przez za-
trudnie nie przy aktualnych nakładac h czynn ików produkcj i. Jaką ilośc i ą zatrudnionych
należałoby zastąpić m ajątek trwały o wartości 0.9 mln z ł , aby utrz y mać produkcj ę na
niezmie nionym poziomie?
(f) Dane są jednostkowe koszty zastosowania czynników produkcj i: WK =
= 0.08 mln zł, WL = 0.04 mln zł. Podać optymalne rozmiary K i L. gwara ntuj ące
maksymalizację produkcji prą nakładac h Co = 4.8 mln zł. Czy aktualna struktura na-
kładów jest zbliżona do optymalnej?
128. Dana jest funk cja produkcji:
Q, = 2.5 · (0.7 K1- 2 + O.JL ;- 2)- !.

(a) Obli czyć i zint erp retować krań cową s t opę substytucji dla K, = 7 i L 1 = 3).
(b) Obli czyć dla tej funkcj i e lastycz ność substytucj i
(c) Obliczyć i z i nterpret ować e la stycz ność produkcji wzg l ędem n akładu czynnika
K 1 , gdy K 1 = 7. Lr = 3.
129. Dana jest funkcja produkcji dla pewnego przedsiębiorstwa:
Q, = l .6K?·3 L~· 8 •
gdzie: Q1 - produkcja (w tys. sztuk) ; K1 - n a kład y maj:1tku trwałego (w tys. zł); L1 -

nakłady pracy (w osobach)
(a) Jak zmieni s ię produkcja, jeżeli m1kład y majątku trwałego wzros ną z 200 do
224 tys. z ł. a zatrudnieni e zmniejszy się o 5%?
(b) Jak z mi e nić zatrudnienie, aby w i e l kość produkcji wzrosła o 4%. j eżel i nakład y
maj ątku trwa łego wzros n ą o 10%?
(c) Wy prowadzić i na szkicować równania izokwant dla Q0 = 40 tys . sztuk
(d) Dane są jednostkowe koszty zaangażowa nia czynników produkcji: WK =
= 0.346 tys. z ł na I tys. z ł kapitału , WL = 0,336 iys . zł na I zatrudnionego. Podać opry-
malne rozmiary czynników produkcji gwara ntujące m aksy m alną produkcję przy ograni-
czeniu wydatków na czynniki produkcj i do 120 tys. zł.
(e) Jak zmieni się zespołowa wydajność pracy, jeże li w wyniku wycofania z eks-
ploatacji przestarzałych maszyn wartość m ająt ku trwałego zmniej szy s i ę z 200 do
128 tys. z ł
(f) Czy, a jeżeli tak to jakie. nakłady inwestycyjne są niezbędne, aby zespołowa
wydajność pracy wzrosła o 5%, jeżeli planuje się redukcje zatrudnienia o 5%, a aktualna
wartość majątku trwałego wynosi 200 tys zł
130. W pewnej fabryce farb na podstaw ie danych z ostatnich 20 lat oszacowano
zdy nami zowaną funkcję produkcji C-D·
b1 = 28K~·56L?.47e0,<JO.lr.
gdzie: Q1 - produkcja farb (w tonac h); K, - wartość netto środków trwałych

(w tys. zł ); L, - zatrudnienie (w roboczodniach).
(a) Podać i zinterpretować elastyczno śc i produkcji względem czynników produkcj i.
(b) Określić efekty skali produkcji.
(c) Podać proce ntową zmianę produkcji, jeżeli z okresu 1 na okres 1 + I nakłady
czynników produkcji nic ul eg n ą zmiani e.
(d) Jakiej zmiany produkcji można oczekiwać w okresie 1+ I ,jeżeli wartość majątku
trwałego wzrośnie o 5%, a n akłady pracy z mni ejszą się o 8%.
131. W pewnej spó łdzielni rybackiej oszacowano d wuczynn i kową zd y namizowaną
funkcję produkcj i CES i otrzymano
ij_t = ( 15.28 K,-l.42 + 7.36L ;l.42 ) - ~ . e0.0051.
gdzie: Q, - po łowy ryb (w tys. ton); Kr - wartość spm;tu pływającego (kutrów)

(w mln zł); L 1 - zatrudnienie (w osobach): 1 - 1995. . 2008.
Wiadomo, że w 2008 r. polowy wy ni os ł y 550 tys. ton. Planuje s i ę , że w najbli ższyc h
dwu latach nic bę d z i e nowych zakupów, ani t eż modernizacj i kutrów. W związ ku z tym
nie planuje się t ak że zmian w zatrndnieniu. Badania naukowe wykazały, że przez naj-
bli ższe 5 lat nic nal eży s i ę t eż s podzi ewać poważniejszych zmian ekologicznych na ł o
wiskach. W świet le powyższyc h danych, jak powinny s i ę kształtować połowy w 20 IO r. ?
132. Dana jest funkcja produkcj i Edelberga
Q, = y(' K f l : - /IE 1 •
gdzie: Q1 - wielkość produkcji w okresie 1; K 1 - w i e lkość kapitału w okresie 1; Lr -

wielkość pracy w okresie 1; 1 - zmienna czasowa; ex. {J . y - parametry
(a) Podać wzór na roczne tempo prt:yrostu produkcj i z tytulu neutralnego postęp u
techn icznego
(b) Na czym pol ega róż ni ca mi ędzy powyższą dynamizacją a dynamizacją Tinber-
gena?
133. Dla n as t ępującyc h funkcji produkcji
(I) Ó.r = 0.8(0 .6 Kro.6 + 0.4 L?·6)l.5e- o.0011.

(Z) Q, = l.?K,°·6L?·seo.<:1021
podać (i z int erp re t ować)·
• efekty skali produkcji,
• krai'i cową s topę substytucji pracy przez m ająt ek trwały,
• el astyczność substytucji ,
• efekty neutralnego pos tęp u techniczno-organizacyjnego,
gdy K1 = 14,621 mln zł , a L1 = 32 etaty.
134. Na podstawie danych o w i el kości prod ukcj i Q (w mln umownychjednostekce-
g ł owyc h). nakładach majątku t rwa łego K (w mln zł) i zatrudnienia L (w osobach) w 32
zakład ach przemys łu materiał ów budowlanych oszacowano funkcję prod ukcji i otrzy-
(a) Obli czyć krańcowe prod ukcyj n ości obu czy nników przy nakładach K1 =
= 36 mln zł i zatrudnieniu L 1 = 80 osób
5.Analtzaprocesuprodukcyjn1!90
(b) Podać i zinterp retować e l astyczności produkcji względem obu czynników; okre-
ś li ć efekty skali produkcji przy powyższyc h nakładac h
(c) Jak zmieni s i ę produkcja. j eże li wartość majątku trwałego w wyniku sprzedaży
jednej z maszyn zmni ejszy s i ę o 1,8 mln z ł , a liczba zatrudnionych wzrośnie o 2 osoby?
(d) Jak zatem z mieni ć zatrudnienie, aby pomimo sprze daży maszyny utrz y mać pro-
dukcję na niezmienionym poziomie?
(e) Obli czyć krańcową stopc substytucj i majątku trwał ego przez zatrudnienie. Jaką
ilością zatrudnionyc h n a l eżałoby zastąpić s przed aną maszy nę o wartośc i 1.8 mln zł, aby
utrzy mać produkcję na niezmienionym poziomie?
(f) Wyprowadzić równanie izokwanty L dla poziomu produkcj i Q0 = 45 mln jed-
nostek ceg ł owyc h . Jaka liczba zatrudnionych jest niezbędna do wytworzenia produkcj i
w wysokości 45 mln jednostek ceglowych przy nakładach majątku trwałego wynoszą
cyc h 34,2 mln zł?
(g) Dane są jednostkowe koszty zastosowania czy nników produkcji: WK =
= O, 12 mln zł, wi, = 0.03 mln zł. Podać optymalne rozmiary K i L , maksymalizu-
j ące produkcję przy ł ącznyc h kosztach czynników produkcji Co= 10.8 mln zł . Jaki jest
maksymalny poziom produkcji przy tych nakładac h. Czy aktualna struktura nakładów
jest zgodna z o pty m a l ną ?
135. Na podstawie danych dla lat 1990--2007 o zasobach majątku trwałego K
(mln zł) i liczbie zatrudnionych L (osoby) oszacowano zdynamizowaną funkcję pro-
dukcji Q (w i e lk ość produkcji w tys. ton) i otrzymano:
Aktualnie firma dysponuje majątki em trwałym o wartości 80 mln zł i zatrudnia 200 osób.
(a) Podać i zinterpretować elastycznośc i produkcji względem czynników produkcj i.
o kreś li ć efekt y skali produkcji . Czy wzrost nakładów obydwu czynników o 7% spowo-
duje wzrost produkcji o: 7%, 7,7%. 14%?
(b) Czy w przyszłym roku m oż liw y jest wzrost produkcji przy niezmienionych na-
kładach kapitału i pracy. Jeże l i tak, to jaki?
(c) Jak zmieni s i ę produkcja w wyniku zakupu maszyny o wartości 4 mln zł ?
(d) Z infonnacji działu marketingu wyni ka, że w n ajbli ższy m czasie nie jest m ożliwe
zw i ę k sze ni e s przedaży produkowanego wyrobu. Jak wobec tego z mi en i ć zatrudnieni e,
aby pomimo zakupu maszyny utrz y mać produkcj ę na niezmienionym poziomie?
(e) Obliczyć i z interpre tować krańcową stopc substytucji majątku trwał ego przez za-
trudnienie. Ile jednostek zatrudnienia należałoby wycofać, aby zrekompensować wzrost
produkcji spowodowany z wi ększe ni e m majątku trw:1łego o 4 mln z ł (utrzy mać produkcj ę
na niezmienionym poziomie)
(f) Dane są jednostkowe koszty zastosowania czynników produkcji: WK =
= 0,06 mln zł. WL = 0,02 mln zł. Podać optymalne rozmiary K i L. gwaramuj ące
m ak sy mali zację produkcji przy nakładac h C0 = 8.8 mln zł. Czy aktualne nakład y czyn-
ników produkcji wymagają korekty?
136. Na podstawie danych kwartalnych o w i e l kośc i produkcji Q (tys . ton), nakła
dach maj ąt ku trwałego K (mln z ł ) oraz liczbie zatrudnionych L (osoby) w pewnej fim1i e
oszacowano funkcję produkcji
In Q=
1 0,6 ln K 1 + 0.4 In Lr + 0,75 + 0,002r .
Aktualnie firma dysponuje majątki em trwałym o wartości 84 mln zl i zatrudnia 200 osób
Przy tych nakładach produkcja wynosi 252,6 tys. ton
(a) Nazwać model i zi nt e rpretow ać oceny jego parametrów.
(b) Określić efekty skali. Czy wzrost nakładów obydwu czynników o 4% spowoduje
wzrost produkcji o: 4%, 4,4%, 8%?
(c) Jak zmieni s i ę produkcja, j eże li 12 osób (z 200) odejdzie na emery turę lub re nt ę?
(d) Jak wobec tego zmienić nakłady majątku trwałego. aby pomimo zwolnieli pra-
cowników produkcja (jeszcze w bi eżący m kwartale) wzrosła o 1,8%?
(e) Jak spadek zatrudnienia o 6% i zmiana m ajątku trwałego obliczona w punkcie
(d) wpłyną na zespoł ową wydajność pracy?
(t) Gdyby w c i ąg u najbli ższyc h dwu kwartałów nie zmieniały s i ę nakłady majątku
trwałego i pracy. ile będzie wynosić produkcja po tych dwu kw:1rtałach (w kwartale
I +2)?
(g) Dane są jednostkowe koszty zastosowania czynników produkcji: WK =
= O, 12 mln zł , WL = 0,04 mln zł. Podać optymalne rozmiary K i L, gwara ntują
ce mak sy malizację produkcj i przy nakładach Co = 26.4 mln zł. Czy aktualne nakład y
czynników są bli skie optymalnym?
(h) Obliczyć i zinterpretować krań cowe stopy substytucji czynników produkcji przy
optymalnych nakładac h
137. Funkcja produkcji dla pewnego wyrobu ma pos tać:
gdzie: Q1 - produkcja (tys. sztuk) ; K1 - nakłady majątku trwałego (mln zl); L1 -

liczba zatrudnionych (osoby)
(a) Nazwać model i zinterpretować oceny jego parametrów.
(b) Określić efekt skali produkcji i wyjaśnić, co to znaczy. Jak zmieni sic produkcja,
j eże li nakład y obu czynników wzrosną o 6%.
(c) Jak zmieni się produkcja, jeżeli w wyniku zakoń czo n ej inwestycji nakłady ma-
jątku trwałe go zw i ę k szą się o 2,7 mln zł (aktualnie 90 mln zł), a przewiduje s i ę red uk cję
liczby zatrndnionych ze 160 do 152 osób?
(d) Czy zmiany n akładów czynni ków w pł yn ą kon~ys tni e na zespołow ą wydaj n ość
pracy?
(e) Wyprowadz i ć i na szki cować równanie izokwanty K dla Qo = 144 tys. szt.
(f) Dane są jednostkowe koszty zastosowania czynników produkcji: WK =
= 0. 24 mln zł , WL = 0.06 mln zł. Podać optymalne rozmiary Ki L , przy jakich koszty
wytworzenia produkcji Q0 = 144 będą moż liwi e najni ższe. Ile wy ni osą koszty wytwo-
rzenia 144 mln szt. prt:y optymalnych nakładach ?
(g) Jakie będą optymalne nakłady czynników, j eżeli kryteri um optymali zacj i bę
dzie maksymalizacja produkcji przy łączn yc h nakładach na czynniki produkcji Co =
= 12 mln z ł. Jaka produkcja jest m oż li wa przy tych nakładac h ?
(h) Obliczyć i z interpretować krań cową stopę substytucj i majqtku trwałego przez
zatrudni enie przy aktualnych i optymalnych nakładach czyn ników.
138. W pewnej firmie zależność między wielkością produkcji Q (w mln ton) a nakła
dami maj:1tku trwałego K (w mln z ł) i nakfadami pracy L (w osobach) opisuje funkcja
Q1 = (1.8K~· 8 + l,IL?· 8)/ti .

(a) Obliczyć i zi nt e rpretować krańcowe produkcyjności czynników produkcji oraz
krańcową stopę substytucji zatrudnienia przez majątek trwały, gdy w procesie produkcji
zaangażowane są 42,3 mln zł majątku trwałego i 32 osoby (produkcja przy tych nakla-
d<1ch wynosi 392,455 mln ton)
(b) Podać i zinterpretować elas tyczn ości produkcji względem majątku trwałego i za-
trudnienia oraz określić efekty skali produkcji przy tych nakładach. Zinte rpretować
otrzym:me wyniki.
(c) Ile wynosi e las tyczność substytucji ?
(d) Jakie będą efekty skali, RKL. oraz elastyczność substytucji, gdy liczba zatrud-
nionych wzrośnie do 40 osób.
139. W pewnej firmie oszacowano funkcję opisującą za leżność wielkości produkcji
Q (w mln ton) od nakład ów kapit ału K (w mln zł ) i nakładów pracy L (w osobach)
1 otrzymano:
Q, = (2K~· 6+ l.óL?·6)1.5eo.011
(a) Obliczyć i z int erp retować elastyczności produkcji wzg l ę d em nakł adów kapitału
i pracy, gdy w procesie produkcji zaangażowane są 1024 jednostki kapitału i 243 jed-
nostki pracy (przy tych nakładach produkcja wynosi 2240 jednostek), określić efekty
skali przy tych nakładach
(b) Podać produkcyjności krań cowe kapitału i pracy pn.:y tych nakładach
(c) Obliczyć i zinterpretować kratkową stopę substytucji kapitału przez pracę przy
podanych nakładach. Jaką ilością zatrudnionych trzeba zastąp ić wycofane 124 jednostki
kapitału, aby utrzymać produkcję na ni ezmien ionym poziomie?
(d) Podać elastyczność substytucji
(e) Które z obliczonych mierników ulegną zmiani e. jeżeli nakłady kapita łu zmni ej-
szą się do 900 jednostek (przy L = 243)?
(f) Określić efekty postępu techniczno-organizacyjnego
140. Na podstawie danych pochodzących z 24 przedsiębiorstw przemysł u chemicz-
nego oszacowano na stępując y model zależnośc i między zasobami majątku trwałego (K)
i nakładami pracy (L) a wie l kością produkcji (Q):
{li= (1.5K~· 5 + 0.7L7·5)2.2
(I) Nazwać model. Zakładając, że dla badanych pnedsiębiorstw średn ia wartość
majątku trwałego wynosi 49 mln zł, a śred nia liczba zatrudn ionych - 225 osób, podać
i zinterpretować oceny
(a) elastycznośc i produkcji wzg l ędem każdego z czynników produkcji,
(b) współczynnika efektu skali ,
(c) elastycznośc i substytucji
(2) Obliczyć krmkowe produkty m ajątku trwałego i pracy oraz krańcową stopę sub-
stytucji majątku trwał ego pracą przy podanych n akładach
(3) Przewiduje s i ę, że w wyniku planowanej moderni zacji maj ątku trwałego śre dnia
wartość maj;:itku trwalego wzrośn i e do 64 mln zł. Wiadomo też , że w najbliż szy m cza-
sie większa produkcja branży nic będzie miała zbytu. Jak zatem zm i e ni ć zatrudnienie,
aby pomimo wzrostu wartośc i m ająt ku trwa łego utrzymać prod uk cję na niezmieni onym
poziomic?
(4) Jak zm i enią si ę elastyczno śc i produkcji, współczynnik efektu skali oraz kra ńco
wa stopa substytucji R LK przy zmienionych nakładach ?
141. Na podstawie danych pochodzących z 30 przeds i ębiorst w tej samej branży
oszacowano n astępuj ący model za l eżn ości między nakładami kapitału {K) i pracy {L)
a w i e lkością produkcji (Q)·
Q, = 2.4. {0,64K,-o.5 + 0.36L ;-o.5)-2.1.
(I) Nazwać model. Podać i z int erpretować oceny:
(a) współczy nn i ków elast yczności produkcji wzg l ędem każdego z nakładów oraz
współczynnika efektu skali,
(b) krańcowych stóp substytucji,
(c) e l astyczności substytucj i,
przy przec i ętnych w bran ży n akłada ch wynoszącyc h 81 jednostek kapitału i 144 jed-
nostek pracy
(2) Obliczyć, ile dodatkowych jednostek pracy n a l eży zaan gażować, by utrzy m ać
produkcję na dotychczasowym poziomie przy wycofan iu 5 jednostek kapitału. Jakie
wówczas będą współczynniki efektu skali i elas tyczn ości substytucji ?
142, Dane są dwie funkc.je produkci'. typu CES·
(I) Q, = 0.25 · (0.6K,- o 5 + 0.4L ;- 5 )-2
(Il ) Q, = (l .2K,-o.s + O,SOL;-0 ·5 ) - 2 .
Spraw d zi ć, że obie funkcje opisują ten sam proces produkcji obli czając:
(a) współczy nni ki elastycznośc i produkcji względem obu nakł adów,
(b) współczyn nik efektu skali,
(c) kratkowe stopy substytucji,
(d) e l astyczn ość substytucji ,
(c) krańcowe produkcyjności czynników produkcji przy nakładach K = 36 jed-
nostek i L = IOO jednostek
143. Dane są oszacowane na podstawie danych rocznych z ostatnich 12 lat funkcje
produkcji dla dwóch przeds i ębiors tw tej samej branży:
(I) Q, = 3.655 . K,°·62 L?.45 eo.0011'
(li ) Q, = ( l .25 K ,°· 5 + 0.752L?5 )2·os . eo.0021.
gdzie: Q1 - produkcja (w mln \on); K1 - zasoby majątku trwałego (w mln zł); L1 -
nakład y pracy (liczba zatrudn ionych w osobach)
(I) Nazwać obydwa modele
(2) Zak ładaj ąc, że aktualne nakł ady (w końcu osta1nicgo roku) wynoszą: K =
= 100 mln zł, L = 225 osób, dla obu funkcji obliczyć i z interpretować:
(a) e l astycznośc i produkcji wzg l ędem każdego z czynników produkcji ,
(b) efekty skali produkcj i,

(c) krańcowe produk cyjnośc i czynników produkcji ,
(d) krańcową stopę subs1yrncji majątku trwałego przez pracę
(3) Dla której z podanych funkcji substytucja czynników produkcji jest łatwi ej sza
(elast ycz no ść substytucji)?
(4) Okre ś l i ć efekty post ępu techniczno-organizacyjnego w każdy m z przeds i ę
biorstw. Zakł adając. że w przysz ł ym roku n akład y czynników produkcji ni c ulegną zmia-
nie, w którym z prze d s i ęb ior s tw produkcja będzie większa (jak łatwo s prawd z i ć.
przy aktualnych nakładach produkcja w obu prlcdsiębiorstwach wynosi 726. 7 mln
ton)?
144. Dla pewnej firmy oszacowano funk cję op i suj ącą za l eżn ość mi ę d zy wielkośc i ą
produkcji Q (w mln ton) a nakł adami kapitału K (w mln z ł ) i nakł adami pracy L (etaty)
1 otrzymano
Q, =(I. 2 K ~· 5 + 0.9L?· 5 )1. 9 .

Aktualnie firma dysponuje majątki em trwałym o wartości 16 mln zł i zatrudnia 64 osoby.
(a) Obli czyć (z dokładno śc ią do 0,00 l ) przy aktualnych nakładac h i zinterpretować
• e l astycznośc i produkcji względem maj ąt ku trwał ego i zatrudnienia,
• efekty skali produkcji.
• krańcową sto pę substytucji pracy przez mająt ek trwały.
• elastyczn ość substytucj i.
(b) Jak zmieni s ię produkcja, jeżeli liczba zatrudnionych wzroś ni e z 64 do 80 (o
25%). przy K = 16
(c) Jaka zmiana majątku trwałego b y łaby potrzebna, aby utrzymać produkcję na nie-
zmienionym poziomie przy wzrośc i e liczby zatrudnionych o l 6 osób?
(d) Wy prowadzić równan ie izokwanty L dla Qo = 130, 766. Jaka liczba zatrudnio-
nych byłaby potrzebna, aby przy majątku trwałym o wartości 16 mln zł wyprodukować
130,766 mln ton ?
(e) Jakie będ ą : efekty skali , e lastyczność substytucj i oraz RKL, gdy liczba zatrndnio-
nych wzrośnie do 8 1 osób?
145. Na podstawie danych pochodzących z 20 przedsiębiorstw tej samej branży
oszacowano na s tępujący mode l zależności mi ędzy nakładami kapitału (K) i pracy (l)
a w i elkośc i ą produkcji (Q):
Q, = K~.8- 0.01 In K, - 0,021n L , L ?.6- 0.0l In K, - 0,01 In L e2+0. ()().ł1
(a) Nazwać model i zlogarytmować go

(b) Podać i z interpre tować e l :1s tycznośc i produkcji oraz efekty skali (logarytmy za-
okrąglić do 4 miejsc dziesiętnych), jeżeli·
• nakłady obu czynników są jednostkowe ( K = L = \),
• nakład y obu czyn ników są równe 54,6,
• nakład y kapitału K = 7.389. n a kład y pracy L = 54.6
(c) Okreś li ć efekty postęp u techni czno-organizacyj nego
146. Na podstawie danych poc hodz ącyc h z 34 przed s iębiors tw pewnej bran ży osza-
cowano funk cję produkcji. wy ra żającą za l eżn ość wielkości produkcj i (Q) od n akładów
kapita ł u ( K ) i pracy (L)
Q, = K ? ·7- 0.02 1n K, - 0.0 1 In L, L ?· S- 0. 02 1n K, . e1.2 + 0.0081
(a) N azwać motlcl i z l ogary t mować go.

(b) Podać i z interpretować elastyczności produkcji wzg lęde m nakład ów kapi t ału
i pracy oraz efekty skali produkcj i (logarytmy zaokrąg li ć do 4 miej sc d zies i ętn yc h ),
j eżeli
• nakłady obu czy nników są równe e ( K = L = 2.7 183 (podstawa logarytmów
naturalnych)),
• nakłady kapit a łu K = 20. 086 mln z ł , nakłady pracy L = 148 .42 etatu.
(c) Okreś li ć efekty postcpu techniczno-organizacyjnego.
147. W oparciu o dane dla 15 przedsiębiors tw branży chemicznej dotyczące wielko-
ści produkcji Q (w tys. ton), majątku trwałego K (w mln zł) i li czby zatrudnionych L
(osoby) oszacowano funkcję produkcj i i otrzymano:
ln Q, = O, 100 + 0.64 1n K1 +0.45 In L 1 •
0,36 - 0. 25 - 0,44]
s; = o.04. ( x Tx ) - 1 =
[
- 0. 25 0. 25 - o. 16 .
- 0,44 - 0, 16 0,16
(a) Podać e l astyczności produkcji względem majątku trwałego i pracy. Okreś li ć
efekty skali produkcji
(b) Zweryfikować (na poziomie i s totn ości a = 0.05) hipotezę, że technologia cha-
rakteryzuje s i ę s t ałymi efektami skali produkcji.
(c) Zbudować 95 %-owy przedział ufnośc i dla parametru skali
(d) Podać i zint e rp re tować ocenę krań cowej stopy substytucji kapitału pracą w przed-
s i ęb ior s t wie, w którym K = 32 mln zł, L = 80 osób. Jak na l eż ałoby z mi e ni ć zatrudnie-
nie, j eże li w wyniku inwestycj i wartość majaku trwałego wzrosła do 34,5 mln z ł ?
148. Na podstawie danych z ostatnich 12 lat o w i e lkośc i produkcji ( Q), n akładach
majątku trwałe go ( K) i pracy ( L ) w pewnym przed siębiors tw i e oszacowano funkcj ę
produkcji i otrzymano:
In Q, = 0. 20 + 0.55 ln K 1 + 0.49 In L, + 0.012r.
0,49 - 0. IO 0.08 0.05 ]
2
D (a) ~O.Ol [
-g:~~ ~:~~ ~:~~ -g~
0,05 - 0.04 0, 10 0,001
(a) Podać95%-owe pr.tedzialy ufn ośc i dla e l astyczności produkcji względem mająt
ku trwałego i pracy oraz dla parametru efektu skali produkcj i
(b) Na poziomie i stot ności a = 0,05 zwery fikować hipot ezę , że e lastyczn ość pro-
dukcji wzg l ędem maj ątku trwałego jest wię ksza ni ż względem pracy.
(c) Zweryfikować (na poziomie i stotno śc i a = 0.05) hipotezę. że technologia pro-
dukcji charakteryzuje s i ę s tał y mi efcklami skali.
(d) Na poziome i stotnośc i a = 0.05 zwery fikować hipotezę, że w wyniku postę pu
technicznego co roku produkcja wzrasta ś rednio o 2%.
(e) Podać i zinterpretować kratkową stopę substytucji pracy przez majątek trwały
przy K = 20 mln zł. L = 72 osoby. Majątkiem trwałym o jakiej wartości należałoby
zastąpić redukcję zatrudnienia o 4 osoby?
149. Na podstawie d:mych z lat 1992-2007 oszacowano funkcję produkcji dla pew-
nego przedsiębiorstwa produkującego przetwory mleczne i otrzymano·
Q, = l .45K,o.48 L?.42E?·20eO.(l().11.
gdzie: Q - produkcja przetworów mlecznych (w mln ton); K - majątek trwały

(w mln zł): L - liczba zatrudnionych (etaty), E - zużycie energii (w MWh)
W ostatnim (2007) rok u przedsiębiorstwo dysponowało majątkiem trwałym o war-
to ści 41,8 mln zł , zatrudn i ało (w przeliczeniu na pełne etaty) 141 ,333 osób, zu żywało
604,67 MWh energii. Przy tych n akładach roczna produkcja wy nosiła około 250,6 mln
ton .
(a) Obliczyć przy nakładach z 2007 r. (z dokładnośc ią do 0,001) i zinterpretować
• krańcowe produkcyjności czynników produkcji,
• elastyczności i efekty skali produkcji.
• krańcowe stopy substytucji
(b) Jak należałoby zmienić zużycie e nergii, jeżeli wartość majątku trwałego zmniej-
szy ła s ię o 2,09 mln zł, przy niezmienionym zatrudnieniu, aby utrzymać produkcję na
niezmienionym poziomic?
(c) Jakiej produkcji należałoby się spodziewać w 2008 r. przy niezmienionych na-
kładach czynników produkcji?
(d) Jaka będzie produkcja w przyszłym roku, jeżeli wartość majątku trwałego
zmniejszy się o 2,09 mln zł, zatrudnienie pozostanie na niezmienionym poziomie, a w
zw iązku ze wzrostem cen energii jej zużycie spadnie o 60,467 MWh?
150. Oszacowano funkcję produkcji CES
Q = y[ó K -P + (l - ó)L -p r u/ p
i otr.tymano
Q = 2.110.21 K - 1. 21 + 0.79L - ui ] - 0 ·6611 .
(a) Podać parametr efektu skali
(b) Jak zmieni się produkcja, jeżeli kapitał i praca wzrosną o 1,4%?
(c) Jeśli dla pewnych K i L elastyc zność produkcji wzg l ędem kapitału jest rów-
na 0,3, to jaka będzie elastyczność produkcji względem pracy dla tych samych wartości
Ki L?
(d) Dla jakiej wartości technicznego uzbrojenia pracy stopa substytucji K przez L
będzie równa 0.81?
(c) Proszę podać współczynnik claslyczności substytucji czynników produkcji.
151. Dla 20 przedsiębiorstw przemysłu cukierniczego oszacowano funkcję produkcji
CES i otrzymano:
Q1 = (0,5 K?·3 + 0.4L?·3+0,2E?·3)3.6,
gdzie: K1 - nakłady kapitału; L1 - nakłady pracy; E1 - nakłady energii.
(a) Podać elastycznościprodukcji względem poszczególnych czynni ków przy prze-
ciętnych dla badanych przedsiębiorstw nakładach czynników: K = 20 mln zł. L =
30 osób, E = 50 MWh
(b) Podać p:1rametr efektu skali. Jak zmieni się produkcja, j eże li kapilał, praca i zu-
życie energii wzrosną o 2%?
(c) Podać i zinterpretować krańcowe produkcyj nośc i majątku trwałego, pracy i ener-
gii przy podanych wyżej, przccictnych nakładach
(d) Podać i zinterpretować krańcową stopę substyt ucj i energii majątki em trwałym
1 cnergu pracą
(e) Podać współczynnik elastyczności substytucji majątku trwałego i energii

152. Dla 13 przedsiębio rstw przemys łu chemicznego oszacowano funkcję produkcj i
CES i otr.tymano
gdzie: Kr - nakłady kapitału; L 1 - nakłady pracy; Er - nakłady energii

Dla przedsiębiorstwa, w którym nakład y czynników produkcji wynoszą K =
= 81 mln zł , L = 256 osób, E = 625 MWh.
(a) Podać i zinterpretować elastyczności produkcji względem poszczególnych czyn-
ników.
(b) Podać parametr efektu skali. Jak zmieni się produkcja, jeżeli kapitał, praca i zu-
życie energii wzrosną o 2%?
(c) Podać i zint erpretować krań cowe produkcyjności majątku trwałego, pracy i ener-
gu
(d) Podać i zinte rpretować kraficową stopę substytucji energii mająlkiem trwałym
i energii pracą
153. Na podstawie danych dla 13 przedsiębiorstw branży chemicznej , stos ując MNK
oszacowano funkcje translog:
~~ -~+~~~ + ~~~ + ~~~ + ~~~ + ~~~~~
i otrzymano :
0.09 - O. IO - 0.06 0.08 O.Ol - 0.04.

0.68
0.20] - 0.10 0.25 0,02 - 0,01 O.Ol - 0,03
0.42 (X TX )-1 = - 0.06 0,02 0.16 - 0.05 - 0,04 0.02 ,
a = - 0,03 · 0.08 - O.Ol - 0.05 0,017 - 0.03 - 0.02
[ -O.Ol [ O.Ol O.Ol -0 .04 -0.03 0.002 0.07
- 0.02 - 0.04 - 0.03 0.02 - 0.02 0.07 O.Ol
a reszty modelu są następujące:
12
e1 - O.OS 0.06 O.Jl -0.02 - 0,08 0.04 O.Ol -0.12 0.06 0,06 0.05 - 0,12 0.03
(a) Podać i zinterpretować elastyczności produkcji względem n akładów kapit ału

i pracy oraz efekty skali produkcji, jeżeli nakłady obu czynników są równe e (K =
= l = 2, 7183 (podstawa logarytmów naturalnych)).
(b) Zbudować przedział y ufności dl:1 elastycz n ości oraz parametru skali produkcji
przy tych nakładac h (1 0 .05: 7 = 2.365)
(c) Czy na poziomie istoln ości 0,05 moż na stw ierdzi ć, że przy tych nakładach tech-
nologia charakteryzuje s i ę stałymi efektami skali produkcji?
(d) Czy uzasadniona jest redukcja modelu do model u C- D. jeżeli wiadomo, że dla
modelu C- D wariancja resztowa s; = 0.03, Fo.ost 3:7) = 4.35.
154. Oszacowano funkcję indywidualnej wy dajności pracy W (w tys. sztuk rocznie)
względem stażu pracy 1 (w latach) i otrzymano
W= /e-0.~1" +21 +3.5 .

Określić optymalną wielkość stażu pracy. Podać odpowiadającą jej wydajność
155. W dwu przedsiębiorstwach tej samej branży zbadano indywidualną wydajność
pracy pracowników w kolejnych godzi nach pracy (ośmiogodzinnego dnia pracy) i otrzy-
mano
dla przedsiębiors1 wa A ~V = 60 + 91 - ~t 3 ,
dla przedsiębi orstwa B iV, = 500 + 31 + 4t 2 - 13 , 1 = I. 2. . . , 8.
Określić dla każdego z zakładów najkorzystniejszą z punktu widzenia wydajności pracy
porę dnia, jeże l i wiadomo, i ż praca rozpoczyna s i ę o godzinie siódmej.
156. Dana jest funkcja produkcji typu C- D
Q, = 10 K,s1s l:1s .
gdzie: Q1 - produkcja; K, - zasoby majqtku trwałego ; L 1 - nakłady pracy.
(a) Zapisać funkcję zespołow ej wydajności pracy
(b) Jak zmieni się zespołowa wydajność pracy, jeżeli n akłady pracy wzrosną o 10%,
a zasoby majątku trwałego pozostaną na niezmienionym poziomie?
(c) Jaka zmiana majątku trwałego byłaby potrzebna, aby przy wzroście nakładów
pracy o 10% utrzymać zespoł ową wydaj ność pracy na niezmienionym poziomic?
157. Dana jest funkcja produkcji C- D:
Q, = 2 ,SK,2/J L11/3eo.oos1.
gdzie: Q - produkcja (tys. szt.); K - praca uprzedmiotowiona (m ln zł); L - praca

żywa (liczba zatrudnionych)
O ile procent wzrośnie zespołowa wydajność pracy z okresu 1 = l na okres 1 =
= 2, jeże l i nic przewiduje się zmian w nakładach pracy uprzedmiotowionej, wynoszącej
w okresie t = 1 64 mln z ł , natomiast li czba zatrudnionych zmni ejszy s i ę o 16 osób (przy
czym w okresie 1 = I liczyła 64 osoby)?
158. Na podstawie danych zawartych w tablicy 5.10
(a) Oszacować i zinterpretować współczynnik Hirscha.
(b) Określić ile będzie wynos i ć pracochłonność przy numerze wyrobu 320
(c) Podać przybliżoną wielkość wydajnośc i pracy przy numerze wyrobu 640.
Tablic:tS.10
Numer wyrobu Pracoch łonność

wgodz./szt
(i) (P,·)
IO
40
160
159. Na podstawie danych zawartych w tablicy 5.11
Numer wyrobu Pracochłonność

wgodz./szt
(i) (P;)
6.0
5.0
4.8
25 4.5
30 4.0
50 3.5
60 3.0
90 2.5
120 2.0
1.8
(a) Obli czyć i z interpretować współczynnik Hirscha

(b) Określić ile bcdzic wynosić pracochłonność przy 480 sztuce.
(c) Dokonać reestymacji współczynnika Hi rscha.jeżeli wiadomo, że wydajność pra-
cy prt.:y 240 sztuce wyrobu wynosi 2/3 szt./godz.
160. Oszacowano współc zy nnik postępu organizacyj nego Hi rscha, którego war-
tość wynosi 0,75 . Dana jest pracoc hł o nno ść przy dłu gośc i serii 300 sztuk ; wynosi ona
4/3 godz./szt
(a) Poda ć pracochłonność przy dłu gośc i serii 75 sztuk, a na s tępni e dla długośc i serii
1200 sztuk .
(b) Czy w świetle powyższyc h danych możliwe jest os i ąg ni ęc i e wydajności
1,9 szt./godz. przy dłu gośc i serii 2000 sztuk?
16 1. Mamy dane zawarte w tablicy 5. [2, dotyczące wielkości mie s i ęcznej produkcji
Q (w tys. szl.) oraz wielkości mi es i ęcznego kosztu całkow it ego K (w mln z ł) .
3.7 63.0 3. 1 62.5

3.8 63.l 2.8 62.3
4. 1 63.2 4.5 63.8
4.3 63.6 4.7 64.6
3.5 62.9 4.8 65.0
3.3 62.9 5.0 66. 1
Żródlo:dancumowne
(a) Oszacować parametry funk cj i kosztu c ałkow i t ego, przyjmując i ż zależn ość kosz-
tu c ałkowitego
od w ielkości produkcji ma charakter wielom ianu stopnia trzec iego
(b) Dokonać weryfikacji modelu oraz z i nterpretować otri:ymane wyniki
162. Dana jest funkcja kosztów całkowi t yc h (C) w zal eż n ośc i od w i e lkośc i produk-
cji (Q)o
c ~ 0.3Q 3 - 3Q 2 + 12.6Q + 300.
(a) Wyz naczyć funkcj ę kosztu jednostkowego i kosztu krań cowego oraz spor.tądzi ć
ich wykresy
(b) Przy jakiej wielkości produkcji koszt jednostkowy i koszt krań cowy osiągają
minimum?
163. Oszacowano zależność kosztów ca łkow i t yc h C (w mln z ł ) od rozmiarów pro-
dukcj i Q (w 1ys. szt.) i otrzymano
Ć = J.OQ 2eO.SQz - 2Q- 251nQ
Okreś li ć
rozmiary produkcji minimalizując e koszt jednostkowy.
164. W pewnym kombinacie zal eż ność między kosztem całkowi ty m produkcji C
(w mln zł) a jej wielkością Q (w tys. szt.) wyraża mode l o postaci
ć~ Q·cxpGQ'-80 Q + ~ + 1006).
2
Znaleźć optymalną - ze względu na koszt jednostkowy - wielkość produkcji, podać

odpowi adający jej minimalny koszt jednostkowy.
165. Producem popularnych soków owocowych „Tarczyn" oszacował funkcję kosz-
tów ca łkowityc h produkcji soków C (w tys . zł) w za l eż ności od wielkości produkcji Q
(w tys. butelek o pojemnośc i 1/3 litra), która pr.tyjęła postać:
C(Q) ~ 3Q 2 +900Q + 19200
(a) Znaleźć optymalny poziom produkcji Q, przy którym koszt jednostkowy soku
os i ąga m1111mum
(b) Podać wyso kość kosztu jednostkowego, zysku jednostkowego i zysk u ca łko
witego przy optymal nym poziomic produkcji, jeże l i wiadomo, że cena soków wynosi
1500 z ł za 1000 butelek
(e) Jaki byłby optymalny poziom produkcji , gdyby kryterium optymalizacji b y ł a mak-
sy malizacja zysku całkow itego ze sprze d aży (przy za łoże niu , że cała produkcja zostanie
sprzedana). Podać zysk jednoslkowy i zysk całkow it y w tym przypadku
(d) ZnaJcźć progi re ntownośc i
166. W pewnej firmie produkującej opakowania (tekturowe pudełka) oszacowano
funkcję kosztów cał kowi t yc h produkcj i opakowań C (w tys. zł) w za l eż n ości od wielko-
śc i produkcji Q (w tys. szt)
C(Q) ~ 0.8Q 2 + 2 16Q + 9680

(a) Znaleźć optymalny poziom produkcji Q, prty którym koszt jednostkowy opako-
wań jest najniższy. Podać wysokość kosztu jednostkowego. zysku jednostkowego i zysku
całkowitego prą optymalnym poziomie produkcji.jeżeli cen ę sprzedawanych opakowa ń
ustalono na 436 zł za 1000 szt
(b) Jaki byłby optymalny poziom produkcji, gdyby kryterium optymali zacji była
maksymalizacja zysku cał kowitego ze s przed aży (przy za łożen iu , że ca ła produkcja zo-
stan ie sprzedana). Podać zysk jednostkowy i zysk cał kow ity w tym przypadku.
(c) Aktualni e firma produkuje miesiccznie 200 tys. opa k owań. Czy taka produk-
cja gwarantuje firmie rentowność (progi rentowności). J eże li firma nie podejmie działań
zmierzających do obni że nia kosztów, w celu poprawy wyników firmy, korzystniej było
by zw i ększyć czy zmn i ejszyć prod ukcję (wiadomo, że firma nie ma trudności ze zbytem
wyrobów).
167. W dziale finan sowym producenta pi wa w puszkach oszacowano funk cję kosz-
tów ca łkow it yc h produkcji produkowanych gatunków piwa C (w tys. zł) w zależności
od w i e l kości produkcji Q (w tys. puszek). Dla gatunku A funk cja ta ma postać
C(Q) ~ l.4Q' + 1600Q +20 160

(a) Znaleźć optymalny poziom produkcji Q. przy którym zysk ca łk ow it y ze s p rzedaży
tego gatunku piwa będ z i e najwickszy, j eżeli wiadomo, że cena piwa wynosi 2160 z ł za
1000 sztuk (2, 16 zł za pu szkę). Pod ać zysk jednostkowy i zysk całkow it y.
(b) Aktualnie firma produkuje 100 tys. puszek tego gatunku. Czy taki poziom pro-
dukcji gwarantuje przedsiębiorstwu rentowno ść produkcji (progi rentowności) ?
(c) Jaki byłby optymalny poziom produkcji, gdyby kryterium opty malizacji była
minimali zacja kosztu jednostkowego. Ile w tym przypadku wynosi koszt jednostkowy.
zysk jednostkowy i zysk c ałkow ity?
168. W zakładach przem ys łu cukierniczego oszacowano funkcj ę kosztów całk owi
tych produkcj i wyrobów C (w tys. zł) w za l eżności od w i elkości produkcji Q (w tys
sztuk). Dla wafli „elitess" funkcja przyjęła postać
C(Q) ~ l.2Q 2 + 660Q + 27000.
(a) Znal eźć optymalny poziom produkcji Q, przy którym zysk ca łkowity ze sprze-
daży wafli będzie najwi ę k szy, jeże l i wiadomo, że cena wynosi 1260 zł za 1000 sztuk
( 1,26 zt za sztukę). Podlić zysk jednostkowy i zysk człkowity przy optymalnym pozio-
mic produkcji.
(b) Aktualnie firma produkuje 150 tys. sztuk tych wafelków. Czy taki poziom pro-
dukcji gwarantuje re ntow n ość produkcji (progi rentowności)?
(c) Ze względu na nagromadzenie sporego zapasu wafelków firma postanow iła ob-
ni żyć cenę do 111 O zł za I OOO sztuk i p rzejściowo ograniczyć produkcję (ale z niej nie
rezygnować. bo prowadzone są rozmowy z odbiorcą zagrani cznym). Czy prty nowej
cenie produkcja na poziomie 60 tys. szt. będz i e rentowna?
(d) Jaki byłby optymalny poziom produkcji, gdyby kryterium optymali zacj i by ła
minimalizacja kosztu jednostkowego. Ile w tym przypadku wynosi koszt jednostkowy
i koszt ca łkow i ty?
169. W pewnych zak ł adach farmaceutycznych postanowiono d okonać analizy opła
ca lno śc i produkcji wytwarzanych leków. Oszacowano w i ęc funkcje kosztów ca łkowi
tych produkcj i dla poszczególnych asonymcntów C (w tys. z ł ) w za l eż n ości od wielko-
śc i produkcji Q (w tys. opakowań zawierających 6 tabletek). Dla jednego ze środków
przeciwbólowych funk cja kosztów przyj ę ła postać:
C(Q) = l.6Q 2 + 1620Q + 23040.
(a) Zna l eźć optymalny poziom produkcji Q, przy którym koszt jednostkowy pro-
dukcji będzie najni ższy . Ile wynosi koszt jednostkowy oraz zysk jednostkowy i zysk
cał kowi t y przy cenie zbytu 2100 z ł za 1000 opakowail
(b) Aktualnie firma produkuje 220 tys. opakowa1l tego leku. Czy taka produkcja
(przy cenie 2 1OO z ł) gwarantuje rentowność (progi re ntown ośc i )? Jaka ewentualna zmia-
na wielkości produkcji (zw i ększen ie czy zmniejszenie) pozwoliłaby na poprawę rentow-
nośc i produkcji (przy zał ożeniu , że fim1a nie ma problemów ze zbytem wyrobów)?
(c) Czy obniżenie kosztów stał yc h produkcji z 23 040 do 20 000 (tys. zł) istotnie po-
prawiłoby rentowno ść produkcji? Jakie w ty m przypadku będą progi rentowności, przy
jakim poziomic produkcj i zysk całkow it y ze sprtcdaży wyrobu b yłby maksymalny. lic
ten zysk wynosi?
170. W pewnej fi rmi e oszacowano funkcje ca łkow i t ych kosztów produkcji prod uko-
wanych wyrobów C (w tys . zł ) w zależ no ści od wie lkości produkcji Q (w tys. sztuk)
Dla wyrobu A funkcja ta ma pos tać
C(Q) = 0,2Q 2 + 2000Q + 10800.
(a) Zna l eźć optymalny poziom produkcji Q, prty którym koszt jednostkowy wyrobu
A os i ąga minimum. Podać wysokość kosztu jednostkowego, zysku jed nostkowego i zy-
sku ca łkow i t ego prą optymal nym poziomie produkcji , jeżeli wiadomo, że cena wyrobu
wynosi 3,50 za sztukc (3500 z ł za 1000 szt. )
(b) Przy jakiej w i e lkości produkcji wyrobu A firma os iągni e maksymalny zysk ca ł
kowity. Ile wyniesie wówczas zysk ca łkow it y, a ile zysk jednos1kowy?
171. W pewnym za kładzie energetycznym zbadano za l eż ność kosztów całkow i tych
C (w tys. zł ) od wielkości produkcji energi i elektrycznej Q (w MWh) . Okazało sic, że
zależność ta ma charakter liniowy, przy czym koszt stały wynosi 1274, a koszt zmien-
ny 252Q
(a) Zap i sać funkcj ę kosztu całkowitego, zinterpretować olrzymane wyniki
(b) Wy z naczyć funkcję kosztu jednostkowego i sportądz i ćjcj wykres
(c) Aktualna cena energii wynosi 350 zł za I MWh. Jaka jest minimalna wielkość
produkcji energii zapew niająca zakładowi jej rentow n ość (próg rentownośc i )?
(d) Rozważ a s i ę podw yżkę ceny energii o 4%. Czy spowoduje to zmianę progu ren-
townośc i ? Jaki maksymalny zysk można o s iągnąć przy lej cenie
172. Dla pewnego wyrobu oszacowano funkcj ę kosztów jednostkowych i otrzyma-
i( Q) ~ 20 + 29700h .
gdzie: c(Q) - jednostkowe koszty produkcji (w z ł ); Q - wielkość produkcji (w szt.).
(a) Czy produkcja na aktualnym poziomie 4400 szmkjest rentowna? Ile wynosi zysk
jednostkowy i zysk c ałkow it y przy cenie wynoszącej 29 z ł za sztukę?
(b) Ze wzg l ędu na trudności ze zbytem wyrobu rozw aża na jest obniżka ceny. Do
jakiego poziomu można obni żyć cenę, aby produkcja na poziomie 4400 sztuk nie przy-
no si ła strat ?
173. Funkcja kosztów całkowitych dla pewnego wyrobu ma po s tać:
C(Q) ~ 108000+ ISSQ.
gdzie: C( Q ) - całkowi t e koszty produkcji (w zł ); Q - wielkość produkcji (w szt. )
(a) Zapisać funkcj ę kosztów jednostkowych i zinterpretować parametry obu funk cji.
(b) Czy przy cenie wynoszącej 17 1 z ł za sztukę produkcja na aktualnym poziomie
7000 sztuk jest rentowna? Znaleźć próg rentownośc i
(c) Ze wzg l ędu na trudn ośc i ze zbytem wyrobu rozważa na jest zmiana ceny. Jak
nal eża łoby zmienić cenę, aby produkcja na poziomie 6000 szt. nie przynosi ła strat?
(d) All ern atywą zmiany ceny jest ob ni ż k a kosztów stałyc h. Do jakiego poziomu na-
le żałoby je obniżyć, aby przy cenie 17 1 z ł za sztuk ę produkcja na poziomie 6000 szt. nie
p rąnos ił:1 strat?
6
Elementy ekonometrycznej analizy rynku
6.1. Wybrane modele rozkładu dochodów

Problcma1yka dochodów ludności budziła i budzi żywe zainteresowanie. Dochody de-
terminują bowiem stopę życiową społeczeństwa, a także stanowią podstawowy czynnik
kreujący popyt konsumpcyjny.
Do opisu rozkładu plac i dochodów próbowano zastosować szereg różnych krzy-
wych, w praktyce jednak najczęściej stosowane były trq: krzywa Pareto. krzywa nor-
malna i krzywa logarytmiczna-normalna.
Z badań prowadzonych przez ekonomistów dawniej wynika, że krzywa Pareto może
s łu żyć jedynie do przedstawienia rozkładu dochodów poc ząwszy od pewnej określonej
kwoty na osobę 1
Zastosowanie krzywej normalnej (jak wykazały badania prowadzone m.in . przez
po lskich ekonomistów i siatystyków: J. Wi ś n iewskiego. E. Vielrosego, O. Langego) daje
dobrq zgodność z rozkładem empirycznym w jednorodnych grupach zawodowych (np.
robotnicy wykwali fikowani lub niewykwalifikowani).
Dalsze badania, także polskich ekonomistów E. Vielrosego o raz Z. Pawłowskie
go, wykaza ł y dość dobr11 zgodność rozkładów dochodów z rozkładem logarytmiczno-
-normalnym
Z najnowszych badań f2l wynika, że lepsze dopasowanie do rozkładów empirycz-
nych um oż li wiają roz kłady trójparametrycznc (np. trójparametryczny rozkład logaryt-
miczno-normalny czy rozkład Daguma)
W analizach empirycznych rozkładów dochodów lub plac różnyc h gru p prac ują
cych, oszacowania parametrów krzywej rozkładu uzupełniane są zwykle innymi mia-
rami charakteryzującymi len rozkład , jak decyle, kwartyle, miary rozproszenia, asyme-
trii (nierównomierności rozkładu) lub koncentracji. Charakterystyki te można wyrazić
za pomocą parametrów rozkładu dochodów (µ, i r:r - średniej i odchy lenia standar-
dowego) .
1Pareto badał ruzklady dochodów uzyskiwane zwykle ze staty sty k podatkowych. które nie uwzględ
niały dochodów poni:l:ej ustalonej wysokości. stąd uzyskiwał wysoką zgodność rozkladów teoretycznych
zrozklad:imiempirycznymi
6.1. Wybrane modelerozkladudochodów
Podstawowym źród łe m infonnacji o rozkładach dochodów w pol ski ej praktyce

statystycznej są informacje o rozkładzie pracowni ków zatrudni onych w gospodarce we-
dłu g wysokości wynagrodze1l w wybranym mie s iącu , publikowane przez GUS w rocz-
nikach statystycznych (w miarę systematycznie od 1955 r.). Badania takie prowadzo-
ne są co rok lub co dwa lata. Do 1997 r. przeprowadzano je we wrzeniu, a od 1998 r
przeprowadza się je w pa źdz ierniku. Zmieniaj'! s i ę także przekroje, w jakich publiko-
wane są dane; obecnie według wybranych d ziałów i sekcji gospodarki oraz według
płci 2 • W rocznikach statystycznych publikowane są także, w oparciu o dane Zakła
du Ubczpieczefi Społec znych , informacje o rozkł adzie pobierających emerytury i renty
według wysokości św iadcze nia w wybranym mies iącu (np. w marcu 2004 r. , w kwiet-
niu 2005 r.).
Krzywa Pareto ma przede wszystkim znaczenie historyczne - jako pierw sza pró-
ba opisu prawa dochodów. Pod koniec XlX wieku włoski ekonomista Vilfredo Pareto
s fomlUłował s ł y nn e „prawo rozkładu dochodów" 3, wed ług którego prawi dł owośc i za-
c hodzące po międ zy wysokośc ią dochodów a li czbą osób mającyc h dochody nie ni ższe
od tej wyso k ośc i m ożn a o pi sać za pomoc'! hiperboli (zwanej później krzyw'! Pareto),
która ma postać
P (x) = y = (x -otx o)P = ot (x - x0) - P. (6.1 )
gdzie: P (x) = y - liczba (lub frakcja) osób o dochodach równych lub większych od
x; x - poziom dochodów; x 0 - najniższy dochód; ot , f3 - parametry rozkładu , przy
czym wartość parametru f3 u waża na jest za pewien miernik nierównomiernośc i rozkładu
dochodów.
Pon i eważ na ogót brak jest informacji o najni ższych dochodach (.r 0 ), w praktyce
zazwyczaj stosuje s i ę uproszczoną pos tać krzywej Pareto·
(6.2)
Jest to funkcja pot ęgowa, a więc jej parametry możn a oszacować zwy kłą MNK
Przykład 37. Tablica 6.1 zawiera szereg rozdzielczy pracowników zatrudnionych

w handlu i naprawach wed ł u g wyso kości wynagrodzeń w październiku 2004 r. 4
(a) Dopasować do podanego rozkładu empirycznego krqw<1 Pareto.
(b) Za po moc ą testu serii zweryfikować hipot ezę, że roz kład empiryczny jest zgodny
z rozkładem Pareto
2Do 1992 r. zatrud11i o11ych w gospodarce uspo!ccznioncj, do 1997 r. uwzględniano 1akżc podzia! na
pracowników fizycznych i um ys lowyc h
3 B yło ono mocno krytykowane przez następców. dało jednak początek dalszym metodologicznym i em
pirycznym pracom w tym zakresie
4
są to najnowsze dane dostępne w momencie składania podręcznika w wydawnictwie (koniec 2007 r. ).
opublikow ane w Roczniku Statystycznym 2006. Prledziały wynagrodzeri ustalono jako % wynagrodzenia
brutto w gospodarce narodowej w pa:ldziemiku 2004 r.. np. 947.41 zł to 40% tego wynagrodzenia
6. Elementyekonometrycznejanalizyrynkll
Wynagrodzenia (m alejąco)
(zl) zarabiających odsetki
zatrudnionych
19.40
947.41 - 1 184.26 14.20
1184.26--1421.12 13.20 66.40
1421.1 2- 1657.97 11.50 53.20
1657.97-1894.82 8.20 41.70
1894.82-2131.67 6.60 33.50
2 131.67-2368.53 4,60 26.90
2 368.53-2 842.23 6.50 22.30
2842.23- 3315.94 4.IO 15.80
3 315.94-3 789.64 2,4{) 11.70
3 789.64-4 263.35 l.80 9.30
4263.35-4 737.05 l.30 7.50
4737.05- 5684.46 l.80 6.20
5 684.46-6631.87 l.10 4.40
6631.87iwięcej 3.30 3.30
100,00
Żródto:RocznikStutystyczny2006. s. 268.-269
Roz.wiqumie. (a) Empiryczny rozkład wynagrodzeń przedstawia rysunek 6.1 Nie-

trudno zauważyć. iż rozrzut punktów empirycznych kszta łte m
przypomina krzywą
P:1reto.
)'1 120
....
Rysunek 6.1. Sk1111111low;me malejąco
odsetki zatrudnionych w handlu i na-
prawach według wysokości wynagro
8000 dzenia w p~ździerniku 2004 r.
x,
K rzywą (6 .2) sprowadzamy do postaci liniowej przez logarytmowanie, czyli·
logy = loga - fJ logx
i za pomocą metody najmniejszych kwadratów {MN K) szacujemy jej parametry. Obli -
czenia pomocnicze zawiera tablica 6.2
Kolumna l tej tablicy zawiera przedz i a ły wynagrodze1l, kolumna 2 natomiast sku-

mulowane ( malejąco) odsetki pracującyc h (tzn. pobierających dochody ni c ni ższe od
górnej granicy przedz iału ) . Otrzymujemy:
15 119.08287 ] - ' [ 44.76778] [ 16.48028 ]

a = [ 119,08287 951.09626 345.6090 1 = - 1.69996
czyli
In )• = 16,48028 - 1.69996 1n x, s;= 0.0094 . R1 = 0,993.
(0.32295) (0,0405)
51,03 - 41.91
Parametry stmktury stochastycznej św iadc zą o dobrym dopasowaniu krzywej Pareto
do rozkładuempirycznego (oceny parametrów strukturalnych s:1 statystycznie istotne,
współczynnik determinacji R 1 jest bardzo wysoki).
(b) W kolumnie 8 tablicy 6.2 podano wartośc i reszt dla oszacowanego model u w po-
staci liniowej. Nietrudno zauważyć, i ż w ciąg u reszt występuje co prawda 5 serii , a dla
a= 0. 05 oraz 11 1 = 8 i 11 2 = 7 5 1 = 3, 52 = 12. a w i ęc 3 < 5 < 12, ale obserwuje-
my stosunkowo długą serię (7-e l ement ową) reszt o ty m samym znaku - dodatnich), co
wskazuje, że rozkład Pareto nic najlepi ej opisuje rozkładu pracowników handlu i napraw
w paźd z i erniku 2004 r. 5
Po ni eważ jednak, jak za uważon o wcześniej, badania empiryczne wy kazał y, i ż krzy-
wa Pareto dobrze aproksymuje rozkład y dochodów powyżej ich ustalonej wysokośc i ,
ponownie oszacowano jej parametry, pom ij ając pierwszy pr.tedział wynagrodzerl (tzn.
wzięto pod uwagę tylko wynagrodzenia większe od 11 84,26 zł, a w i ęc 50% przeciętne
go wynagrodzenia w tym roku). (W tablicy 6.2 oznaczono to jako wersja U). Otrzymano:
14 112.22914 ]-' [ 40.37828] [ 17.34539 ]
· ~ [ 11 2.22914 904,12262 3 15.65459 ~ - 1. 80396 .
czyli
In )'= 17,34539 - 1. 80396 \n.r , 5'1 = 0.00254. R 2 ~ 0.998
(0, I 0205 ) (0,02390)
90,32 -75.48
W tym przypadku w c i ąg u reszt obserwujemy 8 serii: ża dna nic jest dłu ższa ni ż
3-elementowa; dopasowanie jest lepsze.
Po odlogarytmowaniu kn.:ywa przyjmuje pos tać (a= e 17 ·34539 = 34119795,96):
5' = 34 l19795x - L80396
R oz kład
empiryczny oraz oszacowane krąwe (dla wersji I i II) patrz rysunek 6.2 i 6.3
Można dodać. i ż wartość parametn1f3 (- 1.8096) św iadc zy o przec i ętny m zróżnico
waniu wynagrodzeń pracowników handlu w 2004 r. (z anali z empirycznych wynika, że
przy równomiernym rozłożeniu dochodów f1 jest bliskie - l, a przy skraj nie nierówno-
miernym jest bliskie -3).
5Ponotdlo pierwszu warto~ć teoretyczna po odlogarycmowaniu ()• = 125, 11 znacznie różni się od zaob
serwowanej - IUO)
'"' "L "·"l()L
100 • 80
• 60
60
40
40
20 w
o o
o - - - - .r, o - - - - x,
Rys unek 6.2. Empiryczny i tooretyct:ny rozkład Rysun ek 6.3. Empiryczny i teoretyczny rozkład
wynagrodzeń pracowników handlu (wersja I) wynagrodzeń pracowników handlu (wersja li)
Rozkład normalny . Funkcja gęstości rozkładu normalnego dana jest wzorem
f(x) ~ I= "P ---,(x

av2rr
! I
2a-
- µ) . 'l (6.3)
gdzie:µ. a to parametry rozkład u (odpowiednio, ś red n ia i odchylenie standardowe)

J eżeli d:me poc hod zą z d u żej próby. moż n a pri;yj;:ić, że śre d n i a (i) i odchylenie stan-
dardowe (S) z próby są estymaiorami parametrówµ.. i a rozk ł adu nonnalnego. W przy-
padku szeregu rozdzielczego obliczamy je ze wzorów:
(6.4)
(6.5)
gdzie: x;-
środek przedz i ał u dochodów; 11; - li czebność i-tego pr.tedzia ł u; f; - jego
częstość względna(% osób mających okreś l ony dochód; J. = 11i / L 11,, L f; = I)
Aby spraw d zić zgod ność rozkładu e mpirycznego z przyjęty m rozk ładem teoretycz-
nym, można skorzystać z jednego z testów zgod ności (x 2 Jub A Koł mogorowa) L61J.
W teśc i e zgod ności x 2 do weryfi kacji hipotezy, że badana populacja ma określony
rozkł ad hipotetyczny, tzn.:
Ho: F(x) = Fo(x).
gdzie: F(x) jest dys t rybuantą empiryczną, a F0(x) dys trybuantą zalożonego, hipotetycz-
nego rozkład u (np. normalnego czy logarytmiczno-normalnego). s łuży statystyka:
x2 = t
;„1
(11 „ - np;)2 .
Ilf';
(6.6)
gdzie: 11; - li czeb n ość i-tej klasy szeregu rozdzielczego, przy czym li czeb n ość k.Jasy
powinna być nie mniejsza niż 8 (jeś l i l iczebności niektórych przedziałów są mniejsze,
J. Greń 6 zaleca połączenie sąs i ednic h klas); p; - odczytane z tablic gęstośc i założo ne-
6.J eże li w roz\Jadzie empirycznym z próby występuje w pewnej klasie liczebn o~ mniejsza od 8 -
należy ją połączyć z sąsiedni ą (oczywiście zmniejszy się wtedy liczba stopni swobody)' J. Greń: 1611.
s. 116
6. Elementyekonometrycznej analizyrynkll
go ro zkładu hipotetycznego prawdopodobień stwo, że zmienna losowa o tym rozkładzie

przyjmuje w artość z prze d z iału (klasy) o numerze i (i = I, , r ); n = L 11 ,· - liczeb-
n ość badanej próby. A zatem np; to liczebności teoretyczne, które powinny w ystąpi ć
w i-tej klasie, gdyby populacja miała zało żon y w hipotezie Ho roz kład
Przy założe niu prawd z iwośc i hipotezy Ho statystyka dana wzorem (6.6) ma rozkład
asymptotyczny x 2 or ~ k ~ 1 stopniach swobody (r to liczba klas, naj<1kie podzielony
jest szereg, k - li czba szacowanych parametrów ro z kładu ) . W p rąpadku ni e ró wno śc i
x 2 : :-_ x;; hipotezę Ho nal eży odrzu c i ć.
W t eśc i e),, K o łm ogo row a do weryfikacji hipotezy
Ho : F (x) = Fo(x) .
gdzie F (x ) jest d y s try buant ąempi ryczn:1, a F0 (x) - konkre tną , hipotet ycz ną , c i ąg l :1
dys try buant ą, s łu ży statystyka:
A= D,fii, (6. 7)
gdzie D jest mak symalną bezwzg l ędną warto śc ią róż nic y mi ęd zy d ys trybuantą empi -
ryczną a d ystrybuantą hipotet yc zną, to znaczy
D ~ ' "P IFo(x) - F (x) I (6. 8)
Dystry buantę e mpi rycz ną F (x) obliczamy jako skumulowane częs t ośc i wzg l ędne
(/;), natomiast d ys trybuant ę hipo te t ycz ną zazwyczaj odczytuj e si ę z tablic rozkładu,
z którym zgodn ość jest weryfikowana
Pnyklad 38. W tablicy 6. 3 podano informacje o mi es i ęc zn ych zarobkach 200 pracow-
ników zatrudnionych na stanowiskach robotniczych w firmi e .,Kopiko"
Wynag rodzeni e
m1 es 1 ęczn e pracowników
(wzł) (n;)
1200- 1400
1400- 1600
21
1800-2000 42
2000--2200 52
2200--2400 37
2400--2600 17
2600-2800 6
2800-3000
l.: 200
Żródło:<laneumowne
Rozkład wynagrodze1'i przedstawiono także na rysunku 6.4; na podstawie wykresu

można przyp u szczać, że jest to rozkład normalny.
(a) Znaleźć parametry rozkładu dochodów, zakładając że jest to rozkład normalny
(b) Za pomocą testu zgod ności s prawd z i ć, że rozkład normalny dobrze aproksymuje
rozkład e mpiryczny
(c) Oblic zyć mod<1 lną, kwarty le i miary zróżnicowania rozkładu wynagrodze1't
Rozwiqza11ie. (a) Obli czenia pomocnicze zawiera tablica 6.4 7
.r; -.r (x; -.1') 2 /;
1000--1200 1100 1200 0.015 0.015 16.50 - 930.00 12973.50

1200--1400 1300 1400 0.035 o.oso 45,50 - 730,00 1865L50
1400--1600 1500 1600 13 0Jl65 0.115 97.50 - 530.00 18258.50
1600-1800 1700 1800 0.110 0.225 187.00 - 330.00 I I 979.00
0.210 0.435 399.00 -1 30.00 3549.00
0.250 0.685 525.00 70.00 1225.00
2200--2400 2300 2400 38 0.875 270.00 13851.00
2400--2600 2500 2600 17 0.085 0.960 212.50 470.00 18776.50
2600--2800 2700 2800 6 O.Q30 0.990 81.00 670.00 13467.00
2800--30Cl0 2900 3000 O.QlO I.OOO 29.00 870.00 7 569.00
L 200 2030,00 120 300,00
Żródło: opracowaniewlasne
A zate m (6 .4) i (6.5)

.r = 2030.
s~ Jt20300 ~ 346.843
Aby s porządzi ć wykres funkcji gęs tości rozkładu no rmalnego, należy np. dokonać
standaryzacji górnych granic przedzi ał ów według wzoru:
r; = x;';.r (6.9)
7 Bardw często zarówno dolny. jak i górny pnedział dochodów powstaje otwarty. PrLed przys1<1pie-
niem do obl i czeń należy prtedziały zamknąć. wykorzystując np. informacje o minimalnym i maksymalnym
dochodzie (jeżeli są dostępne) lub przyjmując granice umownie. np. ustalając taką samą rozpiętość prte-
dzia!ów. jak sąsiadujących z nimi
Tablica6.2
Wy""g""'"";"[:
( órna Skumu lowane
g odsetki
ln 2 .r;' (l n y;- 1~;) 2 1ttY1 f;
1
p~:~: i:~u) zarabiających

ln x;' ln y; ln.r;' lny; 1-;J; S·;
"
(Jl wersja) (Jl wersja) (Jl wersja)
·<' .\'i
IO 13
947.41 100.0 6.85373 4.605 17 46.97364 31.56260 4.829 19 - 0.22402 125.110 2.62651
11 84.26 80.6 7.07688 4.38950 50.082 17 31.06394 4.44986 - 0.06036 85.615 1.97397 4,60517 0.02620 97.4 14
1421.12 66.4 7.25920 4.19570 52,69594 30.45739 4.13992 0.05578 62.798 1.46695 4. 19570 - 0.05437 70. 110
1657.97 53.2 7.4 1335 3.97406 54.95772 29.46 108 3.87787 0.096 19 48.32 1 0.97919 3.97406 0.00207 53,090
1894.82 4 1.7 7.5 4688 3.73050 56.95538 28.1 5364 3.65087 0.07963 38.508 0.55649 3.73050 - 0.00060 41.725
2 13 1.67 33.5 7.66466 3.5 11 55 58.74705 26.9 148 1 3.45064 0.06090 31.52 1 0.27776 3.51155 -0.00708 33.738
2368.53 26.9 7.77002 3.292 13 60.37325 25.57990 3.27 153 26.352 O.łJIJ462 3.29213 -0.03643 27.898
2842.23 22.3 7.95234 3.10459 63.23978 24.68874 2.96 159 0.14299 19.329 0.0 1442 3.10459 0.10493 20.079
33 15,94 15.8 8. 10649 2.7600 1 65.7 1526 22.3740 [ 2.69954 0.06047 14.873 0.05040 2,76001 0,03843 15.204
3789.64 11.7 8,24003 2,45959 67.89803 20,26708 2,47254 - 0.01295 11 ,853 0,27555 2.45959 - 0.02110 11.949
4263,35 9,3 8,3578 1 2,2300 1 69.85298 18,63804 2,27232 - 0.04230 9,702 0.56928 2.23001 - 0,03820 9.662
4737.05 7.5 8.463 17 2.0 1490 7 1.62524 17.05247 2.0932 1 -0.07830 8.11 1 0,94015 2.01490 -0.06324 7.990
5684.46 6.2 8.64549 1.82455 74.74452 15.7741 3 1.78327 0.04 128 5,949 1.34553 1.82455 0.07530 5.750
663 1,87 4.4 8.79964 1.48 160 77.43370 13,03759 1,52 122 - 0.0396 1 4,578 2.25875 l.48160 0.01044 4.354
7579.28 3.3 8.933 17 1.19392 79.80 159 I0,66552 1,29422 - 0.10030 3.648 3.20623 l.19392 - 0.03636 3,422
119,08287 44.76778 951 ,09626 345,69091 44.76778 0,00000 16.63581
H.azcm 112,22914 40,37828 904,12262 314.12831 14.0093{) 40„l7828 0.06453

li wersja
i dla tak obliczonych wartośc i t1 z tablic dyslrybuanty rozkła du normalnego odczytać

odpowiadające im wa rtośc i dystrybuanty8, a nast ępn ie obl iczyć p rawdopodobieństwa
p; (odpow i adające kolejnym przedz i ało m) jako różnice m iędzy kolej nymi wartośc i ami
dystrybuanty9.
(b) Tak obliczone prawdopodobie1lstwa będą także potrzebne do zweryfikowania
hipotezy o zgod n ośc i rozkładu empirycznego z rozk ła de m normalnym (por. kolumny
3- 5 tabli cy 6.5). R oz kład empiryczny i teoretycz n ą funk cję gęs tośc i przedstawiono na
rysunku 6.4
o +-~~~~~~~~~
o
Rysunek 6 .4. Ro7.k lad wynagrodzeń pracowników firmy ..Kopiko„
Tablica 6.5 zawiera tylko 8 przedz i ałów, pon i eważ zgodnie z zaleceniem J. Grenia
(por. przypis 6) dwie począ tkowe i dwie koń cowe klasy o l iczebnościac h mniejszych
ni ż 8 poł ączon o. Kolumny 6-8 tablicy zaw ierajq obliczenia niezbędne do wyznacze-
nia starystyki x 2. W kolumnie 6 obliczono liczebności hipotetyczne, od powiadające po-
szczególnym p rzedz i ało m wynagrodzeń (przy za łożeniu. że jest to rozkład normalny
n = L 11,· = 200), zgodnie ze wzorem (6.6)
x 2 = 5.26133, a wartość krytyczna xJ odczytana z tablic roz kładu x2 dla Ci =
= 0,05 oraz 8 - 2 - l = 5 stopni swobody jest równa 11 ,070, zatem wobec ni erów n ośc i
x2 = 5.607 < xJ = l l,070 nie ma podstaw do odrzucenia hipotezy, iż rozk ład wy-
n agrodze ń pracowników zatrudnionych na stanowiskach robotniczych w „Kopiko" jest
rozkł adem normalnym
Czytelnik może sprawd z i ć, że gd ybyś m y zastosowali drugi z omówionych testów
- >.. Kołm ogorowa - to maksymalna róż ni ca (co do m odułu ) mi ęd zy dystrybuan-
tą e mpiryczną (kolumna 6 tablicy 6.5) i dystry bu ant ą hipotetyczn ą dla rozkładu nor-
malnego (kolumna 4 tablicy 6.5 (wzór (6.8)) D = 0.03334, zatem (wzór (6.7)) A =
= J200 0.03334 = 0.4715. Wartość krytyczna odczytana z tablic granicznego
rozkładu Kołm ogo rowa A„ = 1.358. Wobec ni erów n ości A= 0.47 15 < A„ = 1. 358, nie
ma pods1aw do odrwcenia hipotezy, że rozkład empiryczny jest rozkładem normalnym.
8 Mo żna skorzystać z tablic lub z funkcji standardowej Excela (sta ty styczna) o nazwie „ Rozkład nor11ml
ny()"". o 4 argumentach: waność zrniennej standaryzowanej (f). Śrl.--dnia =O, odchylenie srnn dardowe (1)
i .. prawda"" (co oznac7.ll. :i:c funkcja do1yczy dystrybuanty nazywanej w Excelu rozk!adcm skumulowanym)
9
Dlapierw szegoprzedzia łup; = F (t;)
6.1. Wybrane modelerozk!adudochodów
Górna granica .<" - i

prLedziału n; l;=T F (t;)
Cr")
1400 IO - 1.77623 0.03785 0.03785 7.570 5,90490 0.78004

1600 13 - 1.2 1235 0.11269 0.07484 14.968 3.87302 0.25875
- 0.64847 0.25834 0.14565 29.130 50.83690 1.74517
2000 -0.08458 0.46630 0. 20796 41.592 0.16646 0.00400
50 0.47930 0.68414 0. 2 1784 43.568 41.37062 0.94956
2400 38 1.04319 0.85157 0.16743 33.486 20.37620 0.60850
2600 17 1.60707 0.94598 0.09441 18.882 3.54192 0. 18758
3000 8 2.73484 1.00000 0,05402 10.804 7,86242 0.72773
I: 200 1,00000 200,000 5,26133
Żród to :oprarowaniewtasne
Zauważmy na koniec. że badana grupa jest grnpą w miarę jednorodną (pracownicy

na stanowiskach robotniczych jednej flm1 y).
(c) Jak wspomniano na wstępie tego rozdziału , analizy empiryczne zazwyczaj nie
og rani czają się do oszacowania parametrów rozkładu dochodów lub płac , lecz uzu-
pełniane są takimi parametrami opisowymi rozkładów empirycznych, jak modalna,
kwartyle. decyle, miary rozproszenia. asymetrii ( ni e równomierności rozkładu) lub kon-
ce ntracji
Modalna ( naj częśc iej występujący, typmvy poziom wynagrodzeń) jest równa:
Mo=xk+ ft-fk - 1 ·h =
u. - J,_,) +u. - !•+il
=2000+ 0.25-0.2 1 ·200=2080zł
(0.25 - 0,21) + (0,25 - 0.19)
Kwantyle (rzęd u r; r = 0.25, 0,50 i 0.75) oblicza s i ę wedlug ogólnego wzoru 10 :
q, = .rt+ [Fr - ~ f;]}!_.

i =I fk
gdzie xk jest d o lną g rani cą przedziału klasowego zaw ierającego kwantyl rzęd u T (prze-
dział znajdziemy analizując częs tośc i skumulowane F„ odpowiadające poszczególnym
IO Jak pamiętamy ze staiys1yki . kwantyl rtędu r dzieli całą zbiorowo~ć (uport.ąd kowaną) na dwie takie
części. żepierwsza z nich ma dochody nie większe.~ druga nie mniejsze od </r
6. Elementyekonometrycznejanalizyryn kll
,_,
kwant ylom) (tu T = O. 73, 0,27, 0,93 i 0,07); ;~ f; to częst ość skumulowana do kl asy
popn:edzaj:1cej p rze d ział zawie rający dany kw:mtyl; fk jest częs t ośc i ą przedz i a ł u zawie-
raj ącego dany kwantyl, a h - dł ugośc i ą tego p rzedz i a łu .
200
I kwarty l: q 0 _25 = 1800 + (0.25 - 0. 225) 0, = 1823.8 l zł.
21
200
LI kwa11 yl (mediana): ąo.so = M e= 2000 + (0.50 - 0. 435) · - = 2052.00 zł.
0,25
200
Ili kwartyl: ą 0 , 75 = 2200 + (0.75 - 0.685) · Q.19 = 2268,42 z ł
Zatem poł owa pracowników zarabi a po ni żej 2052 zł (a po łowa powyżej tej
kwory): zarobki 1/4 pracowników nie przek raczaj ą 1823,8 1 zł , a zarobki 114 są wyż
sze n iż 2268,42 z ł
Dl a rozkł adu normalnego, jak wiadomo,.\' = Me = M o; w naszym przyk ł adz i e
w i e lkośc i te nieznacznie s i ę od siebie różni ą, co potwierdza du żą zgodn ość rozk ładu
e mpirycznego z roz kł ade m normalnym
Zróż n icowanie wy nagrodzeń pozwala o k reśli ć np. współc zy nn ik z mi e nn ośc i ·
V~
s
- 100 ~
346.843
-- 100 ~ 17.08% .
.r 2030
Ni eprtckraczająca 20% wartość współczynn i ka z mi e nn ośc i
wskazuje na niewielkie
zróżn i cowani e wy n agrodze ń
w fi rmie „Kopiko"
R ozkład logarytmiczno-normalny. W prak1 yce n aj częśc i ej rozkłady dochodów są
asymetryczne (prawostronnie- p rzeważają ot rzym ujący dochody naj n iż.sze) 11 , zatem
znacznie lepiej aproksy muje je rozkład logarytmiczno- nonnalny, którego fu nkcja gęs to
ści dana jest wzorem 12 :
f(x)= I~ex p
av2Tr
l -~(lnx-J.l)-
I
la
'l . (6.10)
tzn zmienna X ma rozkład logarytm iczno-normal ny, jeś l i logarytmy tej zmiennej
(zmie nna Y = In X) m aj ą rozkł ad normalny.
W literaturze przedmiotu możn a zn al eźć kilka metod szacowani a parametrów roz-
kładu logarytmiczno-normalnego . Poni żej omówiono dwie z ni ch. najczęśc i ej sto-
11 Po raz pierwszy rozkładu logarytmiczno-normalncgo użył do badania rozkładu dochodów francuski

s1mys1yk i ekonomista R. Gibrat w 1931 r
12 W empirycznych badaninch rozkładów płac i dochodów rozważa się także trzyparame1rowy lub czte
roparametrowy rozkład logury1miczno-nommlny (por. [21. s. 17). Funkcja gęs1ości rozk!adu 1rnyparame
1rowcgomapostać
/(.~)= ~cxp! - ~[ln(x

q,/lJr 2a-
- xo) - µ) 2 1 .
gdzie xo jest najniższym dochodem. trlecim param~trem funkcji rozkładu. k1óry trzeba oszaco1•:ać
I. Stosując zmodyfikowaną met odę największej wiarygodności (MNW), oceny pa-

rametrówµ i a można uzys k ać ze wzorów 13 :
µ> S·= ~ f; ln x;. (6.1 1)
a„. s„~ j L, J;(lnx;-w ~ j L, J; ln .<f-)· 2 2• (6 . 12)

gdzie wszystkie symbol e m ają takie samo znaczenie, jak w przypadku rozkładu normal-
nego (są to zatem ś re dnia i odchyleni e standardowe dla logarytmów narnralnych oryg i-
nalnej zmiennej )
li . Stos ując metodę kwantyli , oceny parametrówµ i a obli cza sic według wzorów:
µy · Y= i(lnqo.73 + lnqo.21) . (6 .1 3)
1
a, : s..- = v . (lnqo_93- lnqo.01). (6. 14)
2 0 93
gdzie: ąr (r = O. 73; 0,27; 0,07; 0,93) jest kwantylem rzędu T rozkładu empirycrnego,
a v0.93 jest kwantylem rzę du 0,93 zmiennej losowej normalnej N{O: \),czyli v0 .93 =
= 1.476 (por. tablice dystrybuanty standaryzowanego roz kładu normalnego)
Zgodno ść rozkładu empirycrnego z rozkładem logarytmiczno-normalnym można
sprawdz i ć za pomocą omówionych testów zgod ności
Przy kł a d 39. Dyrekcja firmy „Praxi " zleciła d zia łow i kadr przeprowadzenie anali-
zy wy nagrodzeń zatrudnionych pracowników. W tabli cy 6.6 przedstawiono informacje
Tablica6.6
Wynagrodzenie Liczba
1rne s1ęcznc pracowników
(wzł) (11;)
1000--1200 27
1200-1400
1400-1600 66
54
33
2000--2200
2200-2400 18
2400-2600 15
2600-2800 12
2800-3000 9
l.: 300
Żródto:opmcowani c wtasne
13
są 10 p:1rametry zm iennej Y = lnX (por. uwagi pod wzorami (6.4) i (6.5))
o zatrudnionych według wysokości przeciętnego miesięcz nego wym1grodzenia w pierw-

szym pó łroczu bi eżącego roku. uport.ądkowa n c w szereg rozdzielczy.
(a) Sporządzić wykres empirycznego rozkładu płac.
(b) Oszacować parametry rozkł adu logarytmiczno-nonnalnego i za pomoq_ testu
A Kołmogorowa na poziomie i stotności a = O.OS zwe ryfikować h ipotezę, że rozkład
płac badanej grupy pracowników m ożna aproksymować rozkładem logarytmiczno-nor-
malnym
(c) Obliczyć wartości typowych mierników charakteryzujących rozkład wynagro-
dzc11. pracowników.
Rozwiązanie. (a) Empiryczny rozk ł ad pracowników ,Proxi"" według wysokości wy-

nagrodzetl. przedstawia rysunek 6.5
Rysu nek 6.5. Rozkład wynagrodzeń pracowników „Proxi'"
Z rysunku widać, iż rozkład ten jest rozkładem prawostronnie asymetrycznym, tzn.

przeważają prncownicy o ni skich dochodach
(b) Parametry rozkł adu Jogarytmiczno-normalncgo oszacowano za pomocą obu
omówionych metod, a w dalszych obliczeni ach wykorzystano wyniki uzyskane za po-
m ocą metody kwanty li 14 • Tablica 6.7 zawiera infomrncje ni ezbęd ne do oszacowani a pa-
rametrów rozkładu oraz obliczenia pomocnicze
A zatem uzyskane za pomocą zmodyfi kowanej MNW oceny parametrów (6.1 1)
i (6. 12) wynoszą:
µ ,. : ·" = 7. 74453.
a, o S, = J0.036141=0.190108
141. Kurdus. Z. Strui11ska [81) zalecają stosowanie różnych metod estymac1i i badanie wielkości powsta-
łych różnic. Wydaje się. i ż metoda kwantyli jest szczególnie zalecana w sytu;icjach. gdy skrajne prLedziały
klasowe są niedomknięte (co zazwyczaj ma miejsce). W pracy [951 omówiono również inne metody szaco
wania p:m1rne1rów rozkł3du logary1miczno-non11alnego
Tablica6.7
fi sku~ulo- Yi = !n·< f; In .l; In x; - Y f,· (In x; - J)

3 I, 5 IO
1800 27 0.09 7.43838 0.66945 -0.30618 0.008437

2000 42 0.14 0.23 754961 1.05695 -0.19496 0.005321
2000 2100 2200 66 0.22 0.45 7.64969 1.68293 - UJ.19487 0.001980
2200 2300 2400 54 0.18 0.63 7.74066 1.39332 - 0.00390 0.000003
2400 2500 2600 33 0.11 0.74 7.82400 0.86065 0.07948 0.000695
2600 2700 2800 24 o.os 0.82 7.90l01 0.63208 0.15644 0.001958
2800 2900 3000 18 0.06 0.88 7.97245 0.47830 0.22790 0.003116
3000 3100 3200 15 0.05 0.93 8.03916 0.40196 0.29459 0.004339
3400 12 0.04 0.97 8.10168 0.32407 0.35711 0.005l01
3400 3600 9 O.DJ 8.16052 0.24482 0.005191
L 300 1.00 7,74453 0,036141
Żród to: opra,·ownnicwłasnc
Wartości kwantyli potrzebnych do oszacowania parametrów rozkładu logarytmicz-

no-normalnego są równe:
200
l/0.73 = 2400 + (0.73 - 0,63) D.11=258 1. 82.
200
q0 _27 = 2000 + (0.27 - 0.23) 0.
22
= 2036.36.
(/U .93 = 3200 + (0.93 - 0,93) ~.: = 3200.
l/0.07 = 1600 + (0.07 - 0) ~.: = 1755.56
Stąd (6.13); (6. 14)
µ, „ · Y= ~ (I n 258 1,82 + In 2036,36) = 7, 73758,
I
a„ s_,, = 2 . 1,476 (ln 3200 - ln 1755.56) = 0.20337
Jak widać, pewne różnice między ocenami parametrów uzyskanych za pomocą dwu
różnych metod wyslępują. ale w tym wypadku są one niewielki e.
Tahlica 6.8
Gómagr:inica f; f; sku - F; (F; - f;sku-

pnedzmłu rnulowane
mulowane)
1800 0.09 0.09 - 1.190127 0. 1169983 0.0269983

2000 0.14 0.23 - 0.672069 0.2507698 0.0207698
2200 0.22 0.45 - 0.203428 0.4194001 0.0305999
2400 0.18 0.63 0.224407 0.5887796 0,0412204
O. li 0.74 0.6 17977 0.7317049 0,0082951
0,08 0.82 0,982367 0,8370404 0.0170404
3000 0.06 0.88 1.321605 0.9068501 0.0268501
3200 0.05 0.93 1.638941 0.9493873 0.0193873
3400 0.04 0.97 J.937033 0.9736294 0.0036294
3600 O.DJ 2.2 1808 1 0.9867254 0.0132746
i.: 1,00 Max:0.041220-ł
Żródło: opracowaniewłasnc
Aby u pewn i ć się, że rozkład empiryczny można aproksymować rozk ład em

logarytmiczno-normalnym, skorzystamy z testu A Koł mogorowa . Dane ni ezbę dne do
obliczenia starystyki A zawiera tablica 6.8 . W tym przypadku waności zmiennej standa-
ryzowanej (dla górnych granic prLedziałów x") 1; (kolumna 4) obliczono ze wzoru
fi = lnx~,,- )•. (6.15)
a wartości dystrybuanty (kolum na 5) odczytano z tablic rozkładu nom1alnego.

Azatem (6.7)
Ą = J300 · 0.04 12204 = 0.713958.
Ponieważ A = O. 7 13958 < Aa = 1.358, nie ma podstaw do odrzucenia hi potezy, że
rozkład wynagrodzeń pracowników „Proxi" jest rozkładem logarytmiczno-normalnym
(c) Mając wartość ś rednią
i odchylenie standardowe logarytmów pierwotnej zmien-
nej (µ, „ i a .,.), za ich pornoq można wyrazić inne podstawowe charakterystyki rozkładu
logarytmiczno-normalnego , mi ędzy innymi
15
wartość ś rednia _\' = exp(µ. „ + o.sa;), (6.16)
odchylenie standardowe S., = Jex p(2µ, }. + o} )Lexp(a} - l )J, (6. 17)
modalna (dominanta) (6.18)
1
5Są to ch:m:ik1erys1yki pierwo1nej zmiennej X: por. Z. Pawłow ski . Ws/fp do s/11(mtyki 11wtem11/yc:.11ej,
PWN. Warsz:iw~ 1965. 1wierdzenie 2. 18. dotyczące p:irnmetrów funkcji zmiennych losOW)'Ch
mediana M e= exp(µ )' ). (6 .19)

współczynn ik zmiennośc i V= jexp(a_'!) - 1. (6.20)
współczynnik skoś ności A= V3 + 3V. (6.21)
frakcja obserwacji o wartości
nie w ięk szej ni ż ś rednia F = N(a_
,./2 : 0.1). (6.22)
współczynnik koncentracj i Lore nza L = 2N(a,./Ji.; O. I) - l. (6.23)
przy czym N(a_„/2 : O. I) jest wartością dystrybuanty standaryzowanego rozkładu nor-

malnego dla 1 = a „/2.
Spośród wymienionych charakterystyk wyjaśnienia wymaga współczynnik koncen-
tracji Lorenza. Jest on j edną z n ajczęśc iej wykonystywanych w praktyce miar służącyc h
do okreś l e nia ni erów n om i e rno śc i rozlożenia ogólnej sumy dochodów mi ę d zy poszcze-
gólne jednostki badanej zbiorowości . Jego wartoś ci zmieniają s i ę od O (gdy wszystkie
osoby mają ten sam dochód, czyli roz kład dochodów jest równomierny) do I (gdy ca ł y
dochód nal eży do jednej osoby, czyli dochód jest „skoncentrowany" u jednej osoby)
W firmi e ,,Proxi" charakterystyki (6. 16)-(6.23) przyjmują n ast ępuj<jce wartości
i= exp(7 , 73758 + 0.5. 0.20337 2 ) = 2340.84 zł.
S., = Je. p(2 · 7.73758 + 0. 20337 2 )[exp(0.20337 2 ) - I] = 481.04 zł.

Mo = exp(7.73758 - 0,20337 2 ) = 2200,02 zł.
Me = exp(7.73758) = 2292,93 zł ,
V= /cxp(0.20337 2) - I = 0.2055 = 20.55%.

A = 0.2055 3 + 3. 0,2055 = 0.6252.
F = 0.5405 = 54, 05%.
L = 0.1 143
Można zatem s twi erdzić, iż w badanym przedsiębiorstw i e pracownicy zarab iaj ą

przec i ęt ni e 2340,84 zł, jednak najbardziej typowe (naj częśc iej występujące) wynagro-
dzenie jest znacznie ni ższe - wynosi tylko 2200,02 zł, a polowa pracowników zarabia
poniżej 2292,93 zł. Wynagrodzenia poszczególnyc h pracowników różnią s i ę od śred
ni ej przec i ętnie o 48 1,04 zł , co stanowi 20.55% ś redni ego wynagrodzenia. Św i adczy 10
o niezby1 dużym zróżnicowaniu płac w badanym pr.tedsiębiorst wie . Około 54% ogółu
pracowników zarabi a pon i żej śred niej. L = 0.1143 św iadczy o dość rów nomiernym
rozło żeniu dochodów między pracowników firmy.
Równ ie ż kwantyle rozkładu logarytmiczno-normalnego można wyrazić za pomo-
cą dwu parametrów oraz za pomocą kwantyli standaryzowanego rozkładu normalnego
N(O: I). Mianowi cie, kwantyl rzęd u r rozkładu logarytmiczno-normalnego można obli-
czyć ze wzoru
(6.24)
gdzie l!r jest kwantylem rzędu r rozkładu normalnego o średniej równej zeru i wariancji
równej jednośc i
Poniżej na podstawie podanego wzoru obliczono decyle rozkładu płac pracowników
„Proxi" (mierniki te s:1 często podawane w Roczniku Statystycznym jako ważne charnk-
terys1yki rozkładu dochodów). Zestawiono je w tablicy 6.9, przy czym druga kolumna
tej tablicy zaw iera odpowiednie decyle rozkładu N(O: 1) - Vr
Waność dla Waność dla roikladu

Decy l
logary1micino-nom1alnego
n~ędu
N(O: I) (7.73758: 0.20337)
O.I -l.28 155 1766.84

0.2 -0.84162 1932.2 1
0.3 -0.52440 2060,98
0.4 -0.25335 2177.78
0.5 0.00000 2292,93
0.6 0.25335 2414.17
0.7 0.52440 2550.99
0.8 0.84162 2720,99
0.9 1.28155 2975,66
7..ródło:oprntowaniewłasnc
Przykładowo decyl rzędu O, I informuje, iż 10% pracowników przedsiębiorstwa za-

rabia nie w i ęcej niż 1766,84 zł , :1 90% nie mniej od tej kwoty. Z kolei 90% pracow-
ników zarabia nie więcej niż 2975,66 zł , a tylko I0% otrzymuje co najmniej tę kwotę
(decyl 0,9). Decy l rzędu 0,5 to mediana
Pnyklad 40. Tablica 6. 1O zawiera fragment wyników badań rozkładów wynagrodzeń

pracowników zatrudnionych w pełnym wymiarze w październiku 2004 r. w dziale ochro-
na zdrowia i pomoc społeczna 16 .
Przeprowadz i ć analizę porównawczą rozkładów wynagrodzeń mężczyzn i kobiet
(a) Spor1:ądzić rysunek
(b) Stosując metodę kwantyli, oszacować parametry rozkładu logarytmiczno-nor-
malnego opisującego rozkłady empiryczne.
(c) Obliczyć ważniejsze charakterystyki rozkładów wynagrodzeń pracowników
włącznie z decylami
16
Są to dane z k011ca 2007 r„ zawarte w Roczniku St;uystycznym 2005 i 2006
Tablic11 6. IO
Wynagrodzenie Zatrudnieni(w%)
(w zł) ogólem mężczyini kobie1y
Do947.41 4.1 3.7 4.2

947.41 - 1184.26 12.5 I I.O 12.8
1184.26- 1421.12 20.3 16.8 2 1.1
1421.12-1657.97 20.4 16,7 2 1.2
1657,97-1894.82 13,8 12.0 14.1
1894.82- 2131.67 8.2 7.2 8.4
2131.67- 2368.53 5.1 4.6 5.2
2368.53- 2842.23 5.4 6.5 5.2
2842.23- 3315.94 3.2 4.6 2.9
3315.94-3789.64 2.0 3.4 1.7
3789.64-4263.35 1.4 2.9 I.I
4263.35-4737.05 0.9 2.2 0.7
4737.05- 5684.46 1.2 3.4 0.7
5684.46--6631.37 0,6 1.7 0.4
6631.87 i wi~ccj 0.9 3.3 0.3
i:: 100,0 100,0 100,0
Roz wiązanie. (a) Rozkłady empiryczne wy n agrodze ń mężczyzn i kobiet przedsta-

wiono na rysunku 6.6.
n,25
1-- -m'"""';I
-kobiety
___J"_„_
Rysuuek 6.6. Pełnozatrudnieni w dziale ochrona r.drowia i pomoc społeczna według wynagrodzenia bruuo
wpaźdr.icniku2004r.
Z rysunku widać, że:

• oba ro z kł ady ks ztałt em prtypominają krzywą J ogarytm i czno- nommlną (są prawo-
stronnie asy metryczne, a więc przeważają wynagrodzenia niskie),
• dl:1wynagrodzeń n ajni ższyc h (mniej w i ęcej do poziomu 2000 zl brutto m i esięcz
nie) krzywa rozk ładu kobiet przebiega znacznie powyżej krzywej rozkładu mężczyzn
(znacznie większy odsetek kobiet niż mę żczyz n otrzy m ywa ł wynagrodzenia najniż sze),
natomiast w przypadku wynagrodzeń wyższyc h od około 2000 z ł krzywa rozkładu dla
m ężczyz n przebiega znacznie powyżej krzywej rozkładu dla kobiet.
(b) Odpowiednie kwantyle i obli czone na ich podstawie parametry rozkładu wynoszą:
- dla mężczyzn
ąo. 73 = 2441.4. ąo, 27 = 1357. 67 . q 0 ,93 = 5127.16. ąo,07 = 1018.47.
J' ~ 7.50693, s,. ~ 0.54751.
- dla kobiet:
ąo.1.i = 1888 . I O. ą 0 . 27 = 1296 .52 . ą 0 . 93 = 2972 .91. ą 0 . 07 = 999 .22 .
y ~ 7,35538, s, ~ 0.36925.
(c) Ważniejsze charakterystyki obu rozkładów zestawiono porównawczo w tabli -
cy 6.11 .
Mężczyini Kobic1y Decyle Mężczyźni Kobiety
Śrcdnicwynagrodzcnic(7.ł) 2115.00 1675.04 O.I 902.58 974.61

Modalna (zl) 1349.05 1365.07 0.2 1148.41 1146.57
Mcdiana(zl) 1820.61 1564.59 0,3 1366.23 1289.09
Odchylcniestandardowe (zl) 1250.44 640.39 0.4 1584.81
Współczyn nik zmi e nności (%) 59.12 38.23 0.5 1820.6 1
Współczyn nik skośności 1.2028 0,6 2{)1)1.50 1718.07
% zarabiającyc hponi żej średniej 60.79 57.33 0.7 2426. 11 1898.97
Współczyn nik Lorenza 0.3014 0,2060 0.8 2886.28 2135.02
Żród to:opracowaniewłasne 0.9 3672.37 2511.72
A zatem w paźd zierniku 2004 r. mężc zyźn i w dzial e ochrony zdrowia i pomocy spo-
łec znej zarabiali przecięt n ie 21 15 zł. podczas gdy przec i ę tne wynagrodzenie kobiet było
znaczni e ni ższe - wynosiło 1675.04 zł. Nieznaczni e n i ższe jest wynagrodzenie domi -
nujące (modalna) kobiet, znacznie w i ększe różnice obserwujemy pomiędzy wynagro-
dzeniem środkow y m (mediana), a także wartośc i decyli począwszy od trzeciego. Wyna-
grodzenia niższe od przeciętnego (w swojej grupie) w październiku 2004 r. o t rzy m ywał o
60% mężczyz n i 57% kobiet. Rozkład wynagrodzeń mężczyzn charakteryzuje się nieco
więk szy m zróżni cowani e m (ws półczy nnik zm i e nn ośc i 59% wobec 38% dla kobiet).
Badanie sta biln ości dochodów. Odrę bn y m kierunkiem analizy dochodów jest bada-
nie stopnia st ab iln ośc i dochodów poszczególnych rodzin w ko lej nych latach (okresach)
Niezbędne są informacje statystyczne o poziomie dochodów pewnej zbiorowośc i

rodzin w dwóch lub więcej kolejnych okresach. Anali za dotyczy zwykle dochodów li-
czonych na osobę w rodzinie (na g łow ę) . Na skutek zmiany liczby czło nków rodziny,
zarobków poszczególnych cz ł on ków rodziny lub ich aktywności zawodowej dochody na
g ł owę mogą się zmi en i a ć, powoduj ąc przesunięcie s i ę rodziny do ni ższej lub wyższej
grupy dochodowej. Część rodzin mo że utrzy m ać dochody na tym samym poziomie
Załóżmy. że badana zbiorowość sk łada się z N gospodarstw domowych, które po-
dzielono na 11 grup dochodowych w dwu kolejnych latach. Niech N ij oznacza liczbę
gospodarstw domowych, które w okresie t znaj dował y s ię w i -tej grupie dochodowej.
a w okresie 1+ I przesunęły s i ę do }-tej grnpy dochodowej, N ; (r) jest li czbą gospodarstw
w i-tej grupie dochodowej w okres ie r, natomiast N1(t + I) jest li czbą gospodarstw
w }-tej grupie dochodowej w okresie t + l. Dla kolejnych lat objętych badaniem zacho-
d zą zatem rów n ośc i :
t. t. N ;(t) ~ N ; (t + I )~ N (6 .25)
Wie l kości Pi j zdefiniowane wzorem
(6.26)
są prawdopodobieństwami przejścia gospodarstw domowych z i-tej grupy dochodowej

w okresie 1 do }-tej grupy dochodowej w okresie r + I. O czyw i śc i e O ::: Pii ::: l;
L /lij = I. Prawdopodobień stwa {Jjj z formalnego punktu widzenia t worzą jed norod-
ny łań cuc h Markowa. Zwykle zestawia s i ę je w postac i macierzy P 1 , zwanej maci erzą
prawdopodobieńs t w przejścia
Maciert: ta stanowi pod stawę do obliczenia pewnych mierników stopnia stabilno-
ści dochodów; jej znaj o m ość um oż liwi a t ak że (zakładając, że prawdopodobieńs1wa są
stałe w czasie) obliczenie rozkładu gospodarstw domowych według grup dochodowych
w danym roku, przy założeniu, że znany jest rozkład dl a roku poprzedniego.
Najprostszy, ogólny miernik stabilności (ci) oblicza s i ę jako stosunek sumy wszyst-
kich prawdopodob ie1lstw pozostania w grnpie dochodowej do ogólnej liczby wyróżnio
nych klas (czyli jest to po prostu prLeciętna w ielkość prawdopodobieńs t wa pozostania
w tej samej grupie dochodowej):
i~p;;
C1= - „ - . (6.27)
Wskaźnik C1 przyjmuje wartości z przedz i ału [O ; Il, przy czym im C1 jest bli ższe 1,
tym wyższy jest s t opień stabil izacji dochodów, im c jest bliższe O. tym większa jest
1
dynam ika dochodów badanych rodzin

Drugi z mierników (c 2) pozwala z mi erzyć kierunek zmian dochodów. Zdefini owany
jest jako·
i: LP.;
i = l } >i
C2 = ~ " (6 .28)
LLP.;+ LLP.;
i = I j> i i= I ) <i
6. Elementy ekonometrycznej analizy rynku
przedstawia szanse przej śc ia do wyższej grupy dochodowej (j > i ) w stosunku do praw-

dopodobieństw przejścia do wyższej (j > i) lub ni ższej (j <i) grupy dochodowej.
W skaźnik c2 również przybiera wartości z przed z iału [O: I]. przy czy m jego waności
w i ę ksze od 0,5 wskazują , że jeżeli w ogóle dochód rodziny ulega zmianie, to prt.:ec i ęt ni e
w i ę k sze są szanse przejścia do wyższej grupy dochodowej i odwrotnie
Kolejny wskaźnik (a właściwie ciąg wskaźników) er
służy do sy ntetycznego opisu
szy bkośc i , z jaka m al eją prawdopodobie1lstwa Pii w mi arę wzrostu od l eg łości mi ęd zy
poszczególnymi klasami. Oblicza s i ę go ze wzoru:
f: L P;;
c"', i =lli - j l=
(6.29)
f: I: "'i
i = l li - j l= • - 1
We wzor1.c tym druga z sum w liczniku i mianowniku rozciąga s i ę na wszystkie praw-

dla których różnica li - Jl jest odpowiednio dokładnie
dopodobieńs1wa przejśc i a Pi j ·
równas lub s - l.
Transformacji rozk ładu z okresu t na rozkład z okresu t + l dokonuje s i ę według
(6.30)
Pnyklad 4~ . Grupa 1227 gospodarstw domowych prowadziła nieprzerwanie zapi-

sy dochodów w latach 2006 i 2007 r. Gospodarstwa te podzielono na 8 n as tę puj ącyc h
grup dochodowych (we dłu g wysokości przecię t nego miesięcznego dochodu na g łowę
w 2006 r.)
grupa I do 300 z ł ,
gmpa 2 300--350 zł,
grupa 3 350--400 zł ,
grupa 4 400--450 zł ,
grupa 5 450--500 zł ,
grupa 6 500--600 zł ,
gm pa 7 600--700 zł,
grupa 8 700 i w i ęcej z ł.
Dochody tych gospodarstw z 2007 r. sprowadzono do porównywal n ości. uwzg l ęd

niając wskaźnik inflacj i w badanym okresie. Liczby gospodarstw pracowniczych, które
w 2006 r. nal eżały do i-tej, a w 2007 r. do )-lej grupy dochodowej zestawi ono w tabli-
cy 6.1 2
(a) O szacować elementy macierzy prawdopodobi eństw przejścia P1 •
(b) W oparciu o os z acowa n ą macierz:
• obliczyć prawdopodobietlstwo pozostania w tej samej grupie dochodowej (c 1),
• ocenić ki erune k zmian dochodów (c2),
• ocenić szy bkość,

z jaką mal eją prawdopodobieństwa P ij w miarę wzrostu odległo
śc i między poszczególnymi grupami .
(c) Zakładając, że prawdopodobieństwa /lij są stałe w czasie, oszacować oczekiwany
rozkład gospodarstw domowych według poziomu dochodów w 2008 r.
Tablica6. 12
Grnpy Grupy dochodowe w 2007 r

dochodowe N;(I)
w2006r.
32
69
34 34 272
8 27
12 12 72 24 120
12 36 72 120
N;(t+l) 98 247 1227
Żródło:d~ne umowne
Roz w iązan ie. Liczby podane w tablicy 6.12 to wielkości N1j . Z tablicy moż na odczy-
tać np. , i ż s pośród 100 gospodarstw należących w 2006 r. do grupy drugiej w 2007 r. 69
utr.tymalo dochody na gł owę na 1ym samym poziomie (pozostało w tej samej grupie
doc hodowej), w 12 gospodarstwach dochody obn i żyły s ię , prt:es uwając je do grupy
pierwszej , w pozostalych gospodarstwach dochody wzrosly. przy czy m 9 gospodarstw
przesunęło s ię do grupy trzeciej, 7 gospodarstw - do grupy czwartej oraz 3 gospodar-
stwa do grupy piąt ej . Ostatnia kolumna tablicy 6.12 zawie ra rozkład gospodarstw wed ług
grup dochodów w 2006 r. , natomiast ostatni wiersz to liczby gospodarstw w poszczegól-
nych grupach dochodowych w 2007 r.
(a) W oparciu o informacje zawarte w tablicy 6.12, wykorzystuj ąc wzór (6.26), osza-
cowano mac ierz prawdopodobietl.stw przejścia, prze d stawioną w tablicy 6.13 .
Na g ł ównej przek ątnej tej macierzy znajdują s i ę frakcj e gospodarstw domowych,
których dochody pozostały takie same w obydwu latach (z wyjątkiem ele mentów p 11
i ,,88 ) 17 . Nad g łówną przek4tną z n ajduj ą si ę prawdopodobieństwa przejścia do wyższyc h
grup dochodów, naiomiast pod przekątną - prawdopodobieństwa przej śc ia do ni ższych
grup dochodów. Nietrudno zauważyć , i ż prawdopodobie tl.stwa pozostania w tej samej
grupi e dochodów są wyżs ze ni ż prawdopodobieństwa przej śc ia , które z kolei maleją
w m i arę wzrostu odległości mi ędzy grupami
17 Elemenc Pl do1yczy gospodarstw. których dochód w 2007 r. spad ł lub pozosta! bez zmian: elernen1
1
f'SSdotyczy gospodars1w. których dochód pozos 1ał bez zmian lub wzrósł
Tahlica6.1 3
Grupy Grupy dochodowe w 2007 r.

dochodowe f------------------< N;(t)
0.8000 0.1250 0.0750

0.1200 0.6900 OJ.1900 0.0700 0.0300
0.0600 0.6200 0.2000 0.0800 0.0400
0.0500 0.1400 0.5600 0.1400 0,09QO 0.0200
0.0625 0.1250 0.5000 0.1875 0.1250
0.0640 0,1200 0.4800 0.2160 0.1200
0,1000 0.1000 0.6000 0.2000
0.1000 0,3000 0,6(](]()
Zródło:obliczcniawłasnc
(b) MacicrL prawdopodobieństw przej śc ia stanowi podstawę obliczenia wskaźników

stopnia stabi l nośc i dochodów
Miernik stabi l nośc i (6.27) pri;yjmuje wartość:
Ci 0.80 + 0.69 + 0.62 + 0.56: 0.5 + 0.48 + 0,60 + 0.60 _ _
0 606
Przecięt n e prawdopodobieństwo pozostan ia w tej samej klasie dochodów c 1

= 0.606 św i a dczy, że w badanej grupie gospodarstw domowych stabi l ność dochodów
nie była zbyt wysoka; dochody chara k teryzowa ł y s ię z n aczną dynamiką.
Miernik c 2 (6.28) pozwoli okreś li ć kierunek zmian dochodów:
0.125 + 0,075 + 0.09 + +0.2 16 + 0. 12 + 0.2
ci (0.125 + 0.075 + + 0.12 + 0.2) + (0. 12 + 0.06 + +O. I + 0.3)
1.8085
0,5741
1.8085 + 1.3415
c 2 = 0.5741 > 0.5 wskazuje. iż p rzec i ę tni e przeważają szanse p rzejścia do wyższej
gru py dochodowej. jakkolwiek przewaga ta ni e jest zbyt wyraźna
Prawdopodobieństwa prLckroczeni a z roku na rok więcej n iż jednej grupy dochodo-
weJ wynoszą
cl2l _ (0,075 + 0.07 + + 0. 125+0. 12) +(0.05 +0.0625 + ··+O.I +O.I)
' - (0.125 + 0.75+ + 0. 12+0.2) + (0.12 + 0.06 + + 0, 1 + 0.3)
0.8615
= - - =0.4057 .
2.1235
01 0.03 + 0.04 + 0,02
c, = (0.075+0.07+ ·+0, 125+0, 12)+(0,05+0.0625+ „+O.I +O.I )
=~=0.1045
0.8615
cj2l = 0.4057 można interpretować w ten sposób. że prawdopodobieńs twa przekro-

czenia jednej grupy (tzn. prawdo podobieństwa liczone dla li - Jl = 2) są przec i ętn i e
o około 59,43% ( l - 0.4057) niższe ni ż prawdopodobieństwa przejścia do sąs iedni ej
grupy(l;-JI= I).
Z kolei cf1 = 0. 1045, tzn. pr.tekroczcni e 3 grup (li - Jl= 3) było średnio o 90,5%
ni ższe ni ż prawdopodobiet'tstwo przekroczenia 2 grup
(c) Przy założe niu , że prawd opodob i eństwa pr zejśc i a są stałe w czasie, oczekiwa-
ny rozkład gospodarstw domowych w 2008 r. według wysokości dochodu na czł onka
rodziny moż na ob li czyć według wzoru (6.30), tj. mn ożqc macierz p rawdopodobieństw
przejścia przez rozkład gospodarstw wed łu g wysokośc i dochodu w 2007 r. , czyli wektor
N1(r + 1). Rezu ltaty zamieszczono w tablicy 6.14
Tablica6.14
Grupy Grupy doc hodowe w 2008 r

dochodowe C - - - - - - - - - - - - - - - - - -- j N;(t)
35.20 5.50 3.30

11.76 67.62 8.82 6.86 2.94 98
9.84 101.68 32.80 13.12 6.56 164
12.35 34.58 138.32 34.58 22.23 4.94 247
13,75 27,50 I IO.OO 4 1.25 27,50 220
10.75 20. 16 80.64 36,29 20.16 168
17.50 17.50 105.00 35.00 175
Il.IO 33.30 66.60
Nj(t+l ) 46,96 95,31 162.13 2 16.23 198.30 179.28 207.03 121.76 1227
7..r6dło:oprncowaniewłasne
Tak więc s po śród 1227 badanych gospodarstw domowych w 2008 r. 44 gospodar-

stwa bc dą nal eżał y do najni ższej grupy dochodów, 98 gospodarstw do drugiej grupy, 164
gostodarstw do grupy trzeciej itd
Na za koń cze n ie wypada wspomnieć o innych kieru nkach analizy kształtowania s i ę
dochodów. Jednym z nich jest budowa ekonometrycznych modeli opisowych kształto
wania s i ę płac. Badania takie przeprowadza s i ę zwyk.le na próbie reprezentacyjnej wylo-
sowanej s po śród pracowników jed nego p rzeds i ębiorstwa. branży lub gałęzi przemysłu;
m ogą też mi eć charakter międzygałęz i owy. W modelach tych z mi e nn ą end oge ni czną
jest poziom płac pracowników, natomiast jako zmienne obj aśniaj ące występują np. takie
czynniki jak wiek, staż pracy, poziom wykształcenia, wydajność pracy (por. np. [ 11 9 1.
[1 36])
6.2. Ekonometryczna analiza popytu konsumpcyjnego

Popyt konsumpcyjny jest defi niowany jako ilość danego produktu lub us łu g i , jaką kon-
sume nci są skłon ni nab yć w pewnym okresie czasu w określonych warunkach (np. ceny,
moda - [35], s. 125). Zn ajomość popytu konsumpcyjnego jest bardzo ważna m.in . dla
firm produkcyjnych, gdyż powinna s tan owić pods t awę podej mowania decyzji produkcyj-
nych (krótko- i dłu goo kresowyc h). U żyteczny m narzędz i e m w tym zakresie m oże być
anali za popytu oparta na modelowani u ekonometrycznym - ekonometrycznej funkcji
popytu
Funkcja popytu wyraża za l eżność poziomu popytu od zespołu czynników ekono-
micznych i pozaekonomicznych de termi nującyc h decyzje konsumentów co do zakupu
dóbr lub u s ług. Naj ogólniej funkcję popyt u możn a zapisać n astę pująco
(6.3 1)
gdzie: Y - wielkość popytu na dany produkt lub daną u słu gę; X 1• X 2 •• , XK -
zmienne (czynniki) wpływające na popyt; E: - zakł ócen i e losowe.
Wi e lkość popytu (w warunkach gospodarki rynkowej, gdy nie występ uje zjawisko
niedostatecznej podaży dóbr) mierzona i wyrażona jest wielkością sprzedaży (w jed nost-
kach fizycznych) badanego dobra lub usług i . J eś li chodzi o czyn niki k ształtujące popyt,
w literaturze można znaleźć różne ich klasyfikacje. W pracy (35] (s . 125) wymieniono
dwie zasadnicze grupy ta ki ch czynników:
a) zm ienne kontrolowane pr.tez firmę (np. cena danego produktu, nakłady na jego
rek.Jamę i promocję, jakość produkh1 , kana ły dystrybucji, okres gwarancj i. właściwości
produktu),
b) zmie nne niedające się kontrolować
• charakteryzujące dobra pozos t ające w zw ią zk u z danym dobrem 18 (ceny produk-
tów substytucyj nych i komple mentarnych, wydatki na promocję i reklamę tych dóbr.
jakość tych produktów, kanały ich dystry bucji , okres gwarancj i, właściwości tych pro-
duktów),
• c h arak teryzujące dochody konsumentów, ich gusty i preferencje, oczekiwania co
do przyszłej ceny, dostępność i s ub stytucyj ność danego produktu,
• inne, np. polityka rządu (do tycząca cel, podatków, kursów walutowych), moda.
warunki pogodowe itd
W pracy [36] (s. 228) wymie niono cztery grupy zmiennych objaś ni ającyc h w mode-
lach popytu
a) cena danego dobra,
b) ceny dóbr pokrewnych (substytucyj nych lub komplementarnych),
c) dochody ludn ośc i (wyrażo n e np. wysokością przec i ętnego miesięcznego wyna-
grodzenia lub przeciętnego miesięcznego dochodu na rodzinę lub na osobę w rodzinie),
d) pozos tał e czynniki popy101wórcze, np . wi e lkość rodziny, stopa inn acji , stopa
oprocentowania oszczędności, srnpa oprocentowania kredytów. pora roku (sezonowość).
18Jegli dobra sub~tytucyjne lub komplementarne produkuje 1a sama fim1;1. to zmienne te z:t!icza s ię do
kontrolowanychpnezfim1ę
warunki klimatyczne, wydatki na promocję i reklamę, ja kość wyrobów, działalność kon-

kurencji
Oczywiście nie zawsze występuj ą wszystkie zmienne. zazwyczaj w modelu
uwzg l ędnia się tylko dwa, trzy czynniki; ich dobór w du żej mien.:e za l eży od dostęp
ności danych
Jeśli chodzi o postać analityczną funkcji popytu, na ogól przyjmuje się funkcję linio-
wą lub potęgową. Częściej jednak przyjmuje się modele potęgowe, ponieważ nie zakł a
dają one braku interakcji między zmiennymi objaś ni ający m i (tak jak to jest w modelach
lini owych, co podkreś lono w pracy [35]). Funkcja liniowa za kł ada s t ałe przyrosty po-
pytu, odpow i adające jednostkowym przyrostom zmiennych objaśniającyc h , natomiast
funkcja potęgowa oparta jest na założeniu, że przyrosty popytu odpowiadajqce jednost-
kowym przyrostom zmiennych objaśniających maleją (lub rosną) wraz ze wzrostem po-
zimnu zmiennych objaśniających (stały m prt:yrostom względnym zmiennych objaś ni a
jących od pow iadają sta łe zmiany względne zmiennej objaśnianej - popytu).
Oszacowany model popytu może służyć do wyznaczania prognoz popytu (przy za-
łożonych wartośc i ach zmiennych objaśn i ającyc h ) lub przewidywania zmian popytu wy-
wołanych zmianami czynników k sz t ałtujących go. W tego typu analizach popytu istotne
znaczenie ma zn ajo mość względ nyc h reakcj i popytu na zmiany poszczególnych zmien-
nych. reakcje te okreś l ają współczynn i ki e l astycznośc i . Stąd t eż w oparciu o oszacowaną
funkcję popytu oblicza s i ę elastycz ności popytu względem poszczególnych zmiennych
Dl a funkcj i (6.3 1) współczyn nik e l astycznośc i popytu względem }-ego czynnika (E r / xi ;
j = I. 2. , K) oblicza s i ę ze wzoru 19 :
(6.32)
gdzie af(Xi. · · · XK) jest pierwszą pochodną funkcji popytu względem j-ego czyn-
ax,
nika 10 .
Współczy nnik elastyczności określa względną (wy ra żoną w %) zm ianę popytu
(wzrost lub spadek) spowodowaną względną
(o 1%) zmianą j-ego czynnika, przy za-
łożeniu , że pozos t ałe
zmie nne obj aś ni ające nie zmie ni ają s i ę. Z reguły elastyczność do-
chodowa popytu jest dodatnia, elastyczność cenowa - uje mna 21 , natomiast e l astyczność
19 Jest to tzw. elastyczność punktowa. obliczana w konkretnym punkcie funkcji popytu. czyli prty
konkretnych wielkościach zmiennych objaśniających. Natomiast jeśli anali1yczna postać funkcji popy-
tu nie jest znana. można obliczyć tzw. elastyczność łukową. jako stosunek względnej zmiany zmiennej
1..a!cżncj - popytu (~)do względ11cj zmiany j-tcgo czynnika ksztahująccgo popyt (~).czyli
E1·1xi ""~:W
X
:~~l::;,~l:~~1c::~:~~::~j:w~ ~~::~:tyzcnz:~::;::::s:a:~:~~.:k~~:t~~:d:sY~·iJ:~a (pon1imo

1
wzrostu cen wzras1a popyt na artykuły stanowiące podstawę egzystencji ludnuś.ci ubogiej) i par.iduks Ve-
blen:i (przy wzroś.cie cen artykułów luksusowych wzras1aj;1 ich z:ikupy jako re1.11l1m snobis1ycznej chęci
wyróżnienia się)
wzg l ęde m ceny dobra pokrewnego (zwana e la s tyczn ośc i ą mi esza n ą lub krzyżową) bywa
dodatnia lub ujemna, w zal eż n ośc i od tego, czy jest to dobro substytucyjne, czy komple-
mentarne.
Przyjmuje się ponadto, że jeże l i IEI > I, popyt jest doskonale elastyczny (dotyczy
zwykle artykułów luksusowych, g łówn i e dóbr trwa łego uży t ku), jeżeli IE I = 1, popyt
reaguje proporcjonalnie (dotyczy dóbr względnie luksusowych), jeże l i O < I E l < l.
popyt jest mało elastyczny (dotyczy artykułów pierwszej potrzeby) oraz gdy IEI = O,
popyt jest sztywny (dotyczy dóbr najbardziej podstawowych).
Jeś li znane są w i e lkość i kierunek zmian czynników k ształt uj ących popyt (zmien-
nych objaśniających), za pomocą e las t yczn ości można określić wpływ tych zmian na
popyt. Funkcje popytu m oż na klasyfikować stosownie do różnych kryteriów meryto-
rycznych i fonnalnych. Zasadnicze znaczenie ma podz iał na mikro- i makroekonomiczne
funkcje popytu
6.2.1. Makroekonomiczne funkcje popytu

Makroekonomiczne funk cje popytu pozwalają mierzyć za l eżn ość popytu większych
zb iorowośc i konsumentów ( mi es zkańców województwa, reg ionu lub kraju) od takich
czynników jak: poziom dochodów tej grupy konsumentów, ceny (badanego dobra
i dóbr pokrewnych), popyt t yc h że konsumentów na inne dobra i inne, wymienione wy-
zej
Podstawowym źród łem informacji w tym przypadku jest sprawozdawczość w zakre-
sie hand lu wewnętr.i: n ego (oparta na sprawozdaniach s porządzan yc h przez poszczególne
jednostki handlowe dla GUS). Najczęściej funk cje makroekonomiczne wyznaczane są
mi podstawie szeregów czasowych ( mają w i ęc charakter dynamiczny), jednakże coraz
częśc i ej szacowane są także na podstawie danych prtestrzennych (wykorzystuje s i ę róż
nice w poziomie zamożności poszczególnych regionów, województw oraz inne różnice
po mi ę dz y nimi).
Jako postać anal it yczną funkcji makroekonomicznej najczęściej przyjmuje s i ę fun k-
cję potęgową, która, jak wiadomo, nadaje s i ę do opisu różnych zależno śc i , zarówno li -
niowych jak i krzywoli niowych
P rzy kła d 42. Producent wędli n drobiowych zaopatrujący w swoje wyroby de likate-
sy w 11 miejscowościach postanowił zbu d ować model wyjaśniaj ący za l eżność popytu
na kabanosy (wyrażo ny przeciętną mi esięc zną w i el kością sprzedaży w kg) Y od: X 1
- przeciętnego mi es i ęczn ego wynagrodzenia mi eszkańców tych miast (w zł na osobę)
i X2 - ceny kabanosów w zł (zróż ni cowanej, ze wzg l ęd u na różne koszty dostawy do
sklepów i różne m a rże stosowane przez sklepy).
Informacje, które są ni ezbę dne do oszacowania model u, zostały zestawione w tabli-
cy 6.15
(a) Oszacować parametry modelu potęgowego opis uj ącego badan ą za l eżn ość. ocenić
dopasowanie modelu do obserwacji empirycznych
(b) Podać e la styczn ośc i popytu względem zmiennych objaśniających.
Tab licn6.15
Spnedaż Przcciętncmiesi~cznc Przeciętna

cena
Mi ejscowość wkg wynagrodzenie w z! na osobę wzlz.akg
(y,) (.1·r1) (x12)
22.2
1970 23.5
1213 2110 25.0
1330 2350 23.3
1249 279" 26.5
I 098 1910 23.5
1278 2470 25.4
I OOO 1820 26.1
1260 1870 21.5
IO 1150 2100 25.0
1940 25.5
RozK•iąztmie. (a) Model potęgowy z dwiema zmiennymi objaśniającymi ma po stać:
(6.33)
Jest to model nieliniowy względem zmiennych i parametrów, ale dający s i ę sprowa-
dzi ć do postaci liniowej. Aby oszacować jego parametry MN K, należy dokonać trans-
formacji do postac i lini owej przez logarytmowanie (por. paragraf 3.2.2), czyli
ln Y = !11 0!0 +0! 1 ln X 1 +0!2 lnX2 +e (6.34a)
lub równowa ż ni e
(6 .34b)
Oceny parametrów modelu w postac i lini owej (/30 • /3 1 . /3 2 ) można o bli czyć ze wzoru:
b = cXTXrl X:Ty.
gdzie:
I 7.705 3. 100 7. 1468
I 7.756 3. 157 7.0388
7.654 3,2 19 l.1009
lnx„] 7.762 3.148 7.1929
-
X= [:
:
lnx11
h1 x21 lnxn
In.~.: =
7.934
7.555
7.812
3.277
3.157
3.235
y- [lny
•
1
ln y„
]
-
7. 1304
7.0012
7.1531
I lnx„1 7.507 3.262 6.9078
I 7.534 3.068 7.1389
7.650 3.2 19 7.0475
7.570 3.239 6.9698
Obliczenia pomocnicze moż n a wykonać w tabli cy lub mnożąc odpowiednie macie-

rze i wektory, w tym przypadku wybrano to drugie rozwiązani e 22 •
11 84.26872 35. 08086 ] -' [ 77.82767] [ 5,349]

b= 84,26872 645,73987 268.77499 596.301 44 = 0.600 .
[
35. 08086 268.77499 [ [ 1.92445 248. 18117 - 0.900
przy czym
b= [!:]
b2
= [ ~:] = [h;,~' J .
- 0.900 t12
Podstawiajqc otnymane oceny parametrów do modelu (6.34a) lub (6.34b), otrzyma-

my:
In S•r = 5,349 + 0,60lnx11 - 0,90lnx,2.
Aby ocenić dopasowanie modelu do obserwacji, obliczono także wybrane parametry
struktury stochastycznej:
s; L (lny1 - f;J,)
2
0.00957503 = o.
001197
.
li -k 11 - 3
s, = fSi = J0,001 197 = 0.0346.
V,=~ 100 = 0.0
346
100 = 0.49%.
ln y 7.07524
<p 2 LOn y1 - 1;;,) 2 o.00957503 = _
0 1205
.
L (ln y1 - In y,) 2 0.07948074
430.0118 -36.2338 - 47.7683]
0 2 (b) = s; · (XTi() - 1 = 0 ,001 197 · -36.2338
[
6.3373 -3. 8615 .
- 47 .7683 - 3.86 15 24.2542
D (bo) = J0.001197 430.0118 = 0.71 7.
D (b 1) = J0.001197 6.3373 = 0.087 .
D(b2) = J 0.001197 24.2542 = O, 170.
Ostatecznie oszacowany model można w i ęc zapisać:
lnyr = 5,349 + 0.600 1n .r1 1 - 0,900 \n .\·12,

(0,7 17) (0,087) (O, 170)
t(b j ) 7,46 6,89 -5 ,29
Jak widać, oceny parametrów s1rukturalnych są statystycznie istotne (r0 .o5 ; 8 =2.306),
a dopasowanie modelu do obserwacji ni ezłe (co prawda oko ło 12% zmienności popytu
nie zostało wyjaśnion e przez zmi enne uwzg l ędn i o n e w modelu, ale w tym prLypadku
22 w tym i nas tępnyc h przykł;ufach wyniki obliczeń pośrednich podane są z określoną dok/adnok i ą (za-
okrąglone do 5-6 miejsc po przecinku). na1omiast wyniki końcowe podano w oparciu o obliczenia wykonane
zpe! nądokladnością
możn a t a ką dokładn ość uzna ć

za wystarczającą), reszty m aj ą charakter losowy, co św iad
czy o prawidłowymdoborze postaci analitycznej modelu (w c i ąg u reszt jest 7 serii)
Można więc zapisać oszacowany model w postaci pierwotnej (e 5 · 349 = 210.33)
(b) Jak wspominano, funkcja popytu wykorzystywana jest m.in. do oblicze nia ela-
s tycznośc ipopytu względem kszt ałtujących go czyn ników. Na podstaw ie wzoru (6.32)
e la stycznośćpopytu na kabanosy względem x (dochodowa) będzie równa
1
a e la s t ycz n ość wzg l ęde m x 2 (cenowa)
Eyt.r 2 = ~ ~ = 2 10. 33 · x~.w (-0.90) x;-0 -90 - i -0.90.

a.,·2 y 21 o.33 x,0.60
czy li raz jeszcze sprawd ziliśmy, że w p rąpadku funkcji potcgowej elastycznośc i są stałe
(nie zależą od wartości zmiennych objaśniającyc h. w tym przypadku przec i ętn ego wyna-
grodze nia czy ceny) i równe wykładnik om potcgowym p rą odpowiednich zmiennych.
A zatem dochodowa elastyczność popytu na kabanosy jest równa 0,60, czyli wzrost
przec i ętnego mi es i ęcz n ego wynagrodzenia o I% powoduje wzrost sp rzedaży kabano-
sów o 0,6% (przy sta łej cenie). Natomiast elastyczn ość cenowa wynosi - 0.90, tzn. przy
stały m przec iętny m mie s ię czn y m wynagrodzeniu wzrost ceny kabanosów o I% powo-
duje spadek sprzedaży o 0,90%. Oce n ę parametru a 0 , którą jest a 0 = 210.33 m ożna
interpre t ować jako oczekiwaną w i e l kość sprzedaży kabanosów (y w kg), gdy x = 1 (zł 1
na osobę) i x2 = I (zł za kg).
Przykład 43. Firma zajmująca s i ę dystrybucją ryb świeżyc h i mrożon yc h na terenie

wszystkich województw zleciła fim1ie konsultingowej zbadanie współza l eż no ści mi ę d zy
popytem na ryby Y (wy rażon y m w i el kością s przedaży w !Qnach) a czynnikami kształtu
j ący mi go, tj
X 1
-przec i ę tn ym mi esięcz n ym wynagrodzeni em mieszkańców województwa (z ł ),
X2 - przeciętną ce ną ryb (z ł za 1 kg).
X3 - przec iętną cen ą mi ęsa (zł za I kg).
lnfonnacje ni ezbę dne do anali zy badanej zależnośc i zestawiono w iablicy 6.16
(a) Oszacować parametry funkcji potęgowej opisującej zal eżność s pr zedaży ryb od
wyróżnionych zmiennych, oceni ć jakość dopasowania modelu do obserwacji empirycz-
nych oraz zinterpretować otrzymane wyniki
(b) Jak na poziom sprlcdaży ryb w badanych województwach wpłynie wzrost prze-
cię tnego mie sięcznego wynagrodzenia o 3% oraz spadek śred niej ce ny mi ęsa o 6%, przy
za łoże niu, że przecięt na cena ryb nie ulegnie zmianie?
(c) Jaka zmiana przeciętnej ceny ryb (wynoszącej 10,77 zł za kg 23 ) b y łaby potrzebna,
aby przy wzroście dochodów konsumentów o 3% i spadku przeciętnej ceny mięsa o 6%
sprzedaż ryb wrosła o 4%?
(d) Jaka zmiana ceny byłaby potrzebna, aby przy powyższych zmi :mach dochodów
konsumentów i ceny mięsa przychód ze sprzedaży ryb wz rós ł o 4%?
Tablka6. 16
Pn:ccicrncmiesię-cznc Pn:ecictna Przecicmacena

Sp!7.cdażryb
Lp wynagrodzenie cena ryb m1csa
w tonach
wzłnaosobc wzl zakg w z/ za kg
(.1•1)
(.r1 1) (xt2) (x,3)
14.0 1820 12.7 12.0

14,0 1920 11.5 11.0
19,0 2880 12.8 12.0
20.0 2740 11.4 Il.O
23.0 12.0 11.5
20.0 3000 13.5 12.0
26.0 12.4 12.5
18.0 2120 12.0 15.2
18.0 1920 IO.O 11.6
10 22.0 2000 11.l 15.5
31.0 2900 10,0 13,2
12 23.0 1860 8.0 12.7
13 24.0 2720 10.0 11 ,3
22.0 1670 8.8 11.6
20.0 10,9 14.0
16 36,0 3280 8.5 12.9
L Jso,o
Żródlo:duncumownc
Rozwiąza nie. (a) Funkcja opisujijca badaną zal eżność będzie mieć obecnie postać
Y = aoX~ 1 x;i X~J et , (6.35)
a po transformacji do postaci liniowej

In Y = ln a 0 +a 1 lnX 1 +a2 lnX 2 + a 3 lnX 3 + e (6.36a)
lub równoważn i e
(6.36b)
D Jest to śred nia arytme1yczna ważona cen w poszczególnych województwach: wagami są wielkoŚ<:i
spn:edaży
6.2. Ekonometryczna analiza popytu konsumpcyjne110
Oceny parametrów struktura lnych modelu w postali li niowej ob liczy my ze wzoru
gdzie
7,5066 2,54 16 2.4849
7,560 1 2.4423 2,3979
7.9655 2.5494 2.4849
7,9157 2.4336 2,3979
7.9374 2,4849 2.4423
""]
ln 1820 In 12.7 8.0064 2.6027 2.4849
8.1775 2.5 177 2,5257
'{
In 1920 ln l 1.5
'"
In l l,O
ln :4 .0 =
7.6592
7.560 1
2.4849
2.3026
2.7213
2.45 10
ln 2010 In 10,9 7.6009 2,4069 2.7408
ln3280 ln8.5 In 12.9 7,9725 2.3026 2.5802
7,5383 2.1794 2,5416
7,9084 2.3026 2.4248
7.4206 2. 1748 2.45 10
7.6059 2.3888 2.6391
8,0956 2. 1401 2.5572
.6391
2.639 1
2.9444
2,9957
3, 1355
2.9957
In 14]
In 14
3,2581
2,8904
y~ ' ~ 2.8904
[ ln20 3,0910
ln 36
3.4340
3, 1355
3, 1781
3.0910
2,9957
3.5836
16 124.42 1 38, 155 40.326] _, [ 48,897]
b= 124.421 968.4 11 296,853 3 13.540 380.778 =
[ 38. 155 296.853 91.348 96. 158 11 6,311
40 .326 3 13.540 96 . 158 \01.802 123.321
-[ --~:;~]-[::]-[h;,'.'']
- 1.150 -
0.671
b2 - --+ ao-e _,..„ -o
b3
- · 088 ·
t1 2
l/3
-
S; ~ ~ ~ 0.07743, R
2
~ I - ~·~~~~~ ~ 0.9216,
0.07743
v„ = . 100 = 2.53 %.
3 0561
lnfr = - 2.428 + 0.840111.r11 - l.151 lnxr2 + 0,671 lnxrJ
(0,859) (0,086) (0, 134) (0, 191)
'(b1) -2. 82 9.76 - 8.60 3.52
Oceny parametrów strukturalnych są statyslycznie istotne Cto.05: 2 = 2. 179), a war- 1
tość współczynnika determinacji św iadc zy. iż oszacowany model w 92.16% wyjaśnia

zmienność sprzedaży ryb, a w i ęc można powróc i ć do modelu w postaci potęgowej
(e- 2.4 28 = 0.088):
Yr = 0.088 . .r~Js.io. x;; l.15!. x~/71
Jak sprawdzono w popr.tednim przykładzie. w przypadku funkcji potęgowej ela-
stycznośc i są stałe i równe wykładnikom potęgowym przy poszczególnych zmiennych
objaśniających. A zatem elastyczność sprzedaży ryb względem przeciętnego miesięcz
nego wynagrodzenia (.r 1) jest równa 0,840 (ai) - wzrost przeciętnego miesięcznego
wynagrodzenia o 1% powoduje wzrost s przeda ży ryb ś rednio o 0,84%, przy założeniu
że pozostałe zmienne są s tałe , e/astyczno.fr' ce11owc1 (wzg lędem ceny ryb - x 2) wyno-
si - l, 15 l (a 2 ) - wzrost ceny ryb o I% powoduje spadek sprzedaży ryb pr1.:eciętnie
o 1, 151 % (przy stałych x 1 i x3), a eltistyczno.l'ć popytu 11·zg/ę,Jem ceny mięsa (.r3) wy-
nosi 0,671 (a.i) - wzrost ceny mię sa o [ % powoduje wzrost s przedaży ryb przeciętnie
o 0,67 1%, przy stałych x 1 i x2 (w tym przypadku elastyczność mieszana jest dodatnia,
bo mięso jest dobrem substytucyjnym w stosunku do ryb: e l astyczność wzg l ędem cen
dóbr komplementarnych jest zazwyczaj ujemna).
(b) Elastyczność można wykorzystać do przybliżonych prognoz popytu w przypad-
kach, gdy znane są względne zmiany czynników kształtujących popyt W przypadku
funkcji potęgowej zmiany te mo ż na ob l iczyć z wzoru:
"" ( "·")"' ( ""')"' ( ""')•;

-=
Y
I +-
X1
l +-
X2
I +-
X3
- I (6.37a)
Ewentualnie można wykorzystać wzór przybliżony, oparty na e lastyczno śc iach 24 :
~
y
100 = Lj
E y/:<j !!J.X j
.\ j
100. (6.37b)
gdzie ~ jest względną zmianą zmiennej endogenicznej (popytu), a D.~l·j - względ-

y Aj
24 Por. wzory (5. 16) i (5. 17) oraz uwagi do nich w rozdziale 5: przyjęta funkcja popytu ma bowiem tuką
sa m•! pos iać mmlicyc znąjak funkcja produkcj i C-D
ną zmianą j-ej zmiennej objaśniającej. We wzorze (6.37 b) zmiany wzg l ędne m ogą być
wyrażone w %, czemu dano wyraz. Wzór (6.37b) daje dobre przybliżen i e, gdy zmiany
zmiennych objaśniających są nieskończenie małe, a funkcja popytu jest funkcją jedno-
rodm1 stopnia pierwszego (e l astyczności sumujq s i ę do l, co jednak w przypadku funkcji
popytu rzadko jest speł nion e)
Pod st aw i ając za łożon e zmiany zmiennych objaśniającyc h
ó x 1 =0.03, ~X3 = - 0.06

X1 X3
do wzoru (6.37a), otrzymujemy:
~=( I + 0,03)0.84 (I + 0)-1.1 51. ( I - 0.06)o.67 1 - I =

y
= 1.0252 · I · 0,9594 - I = 0.9835 - l = - 0,0165 ::::: - l.65%,
czyli gdy przec ię t ne mi es ięczne wynagrodzenie wzrośnie o 3%, a cena mi ęsa spadnie
o 6%, to sprzedaż ryb spadni e o o koło 1,65%.
Porównajmy ten wynik z wynikiem, jaki uz yskalibyś my stos ując wzór przyb li żon y
(6.37b)'
~= 0,840·3% - l.151 ·0%+ 0.671 ·(- 6%) = 2.52 - 4.026 = - 1.506%::::: - 1.5%,
y
a więc róż n ica mi ędzy wynikami uzyskanymi z tych dwu wzorów jest niewielka
(0, 15%)25
(c) Na l eży odpow i e d zieć na pytanie: jaka zmiana ceny bylaby potnebna (czyli obli-
~x~
czyć ____:. ),aby przy wzroście dochodów konsumentów o 3% i spadku ceny mi ęsa o 6%
x1
~
( - = 0.03, -
6~ .
= - 0.06) sprzedaz ryb wzros/ao4% (-
0 = 0.04)
~ ~ y
Podstaw i ając te dane do wzoru (6.37a), otrzymujemy·
151
0,04 =( I + 0.03)o.S4 ( 1 +
2 ~: )-1.
. ( 1 - 0 ,06)0 ·67 1 - 1.
czy li
1.04 = 1.0251 · ( 1 + ~
6 ) - ' '" · 0.9593.
X2
Zatem
óx~ ) - 1. 1 5 1 l. 04
(1 + ____:.
X2
1,04
1.025 1 · 0. 9593 0. 9834
1.0576.
I+ ~x 2 = 1.0576 -=fn = 0.9525--? ~x 2 = 0.9525 - l = - 0.0475 = 4. 75%.

x2 x2
Czyli śred n ią ce n ę ryb należałob y ob niżyć o 4.75%.
25prt.y większych zmianach zmiennych obj:iśniających różnice między wynikami otrzymanymi z 1ych
dwuwzorówbęd;1więk s ze
6. Elementyekonometrycmejanalizy rynku
Porównajmy ten wynik z wyniki em uzyskanym z wzoru p rzybliżonego :
2
4%= 0.84-3 %- 1.151 D.x + 0.671 ·(-6%) ,
Xz
4% - 2.52% +4.026% = -L 151 D.x 2
x2
Zamieniając stronami, otrzymujemy:

1 1 5 506
- L 15 1 Ó. X = 5.506% -,Io Ó. X = · = - 4. 7837 ;::::: - 4, 78%.
x2 x2 - 1. 151
Zatem również w tym przypadku różnice między wynikami uzyskanymi z tych dwu
wzorów s ą stosunkowo niewielkie.
(d) Przychód ze sprzedaży jest iloczynem wie l ko ś ci sprzedaży (y) i ceny badanego
dobra (tu x 2 ), funkcję przychodu ( P ) można więc zapisać
Osta t ecz ni ew i ęc 26
p1 = 0 _088 . x~; M. x,;1.1s1+1 . x~j671 => p1 = 0 _088 . x~; M. x,;0.151 . x~j671
Zatem wiedząc. że ó.x i = 0,03, ó..r 3

= - 0,06, ó.P = 0,04, n ależy obli czyć ó.x 2 .
~I X3 p X2
Ponieważ jest to 1 akże funkcja potęgowa , do obliczenia wzg l ędnej zmiany przycho-
6P
du ze s p rzedaży (p ) można także wykorzys t ać wzór (6.37a) lub (6.37b), oczywi śc i e
uwz g lędniając elas t yczności z funkcji przychodu

Pods t awiając do wzoru (6.37a), mamy:
0.04 = ( I + 0.03)o.iwo · ( I + 6x:2 ) - "· "' ( I - 0.06) 0·67 1 - I.
czyli
l.04 = 1.0251 · ( I + ~
6 )-"·"' · 0.9593
,,
Zatem
I+ Ó.X2 )-o. 1s1 - \.04 1.04
( 1. 0576.
x2 - 1,025 l · 0,9593 0.9834
2
I + Ó.X = l.0576 -=itm = 0.690 1 Ó.X = 0,690 1 - [ = - 0.3099 2
~ -3 1%.
X2 X1
26w prtypadku po1 ęgowej funkcji popytu e la s t yczność cenowa przychod u jes1 o I większa od elastyc z
n ości ce now ejpopy tu (sprtedaży)
Aby przychód ze sprzedaży ryb wzróst o 4% (przy wzroście dochodów konsumen-

tów o 3% i spadku ceny micsa o 6%), ccnc ryb nal eża łob y obniżyć o 31 % 27
Przykład 44. W dziale marketingu fi rmy „Alfa" oszacowano funkcję popytu na pro-
dukowane wyroby. Dla wyrobu A otrzymano:
.Y = I. I . x~. 9 . x;o.s . xjo.6 ,
gdzie: x 1 - dochody konsumentów; .r2 - cena wyrobu A; x 3 - cena dobra komple-
mentarnego.
Na l eży s i ę spodz i ewać, że w najbliższym czasie dochody konsumentów wzros ną
o 2%, cena wyrobu A zostanie obniżona ze 120 zł do 115,20 zł, a cena dobra komple-
mentarnego wzrośnie z 9,00 z ł do 9,54 zł
(a) Jak zmiany te wpłyną na s przedaż wyrobów firmy „Alfa" (popyt na nic), a jak na
przychód z ich sprzedaży?
(b) Na jakim poziomie należałoby ustalić cenę wyrobu A (aktual nie 120 zł), aby przy
podanych zmianach dochodów konsumentów i ceny dobra komplementarnego utrzymać
dotychczasowe tempo wzrostu przychodu z jego sprze d aży. wynoszące 3%?
(c) Gdyby w najbliższym czasie nic uległy zmianie ani dochody ludno śc i, ani cena
dobra komplementarnego. jak należałoby zmienić cenę towarn. aby przyc hód ze sprze-
da ży wzrósł o 3%?
Rozwiązanie. Należy obliczyć ~ wiedząc. że: 6..xi = 0,02, 6..x 2 = - 4 .8 =

(a)
Y Xi X2 ]20
30 54
= - 0.04, 6...r = - = 0,06. Po podstawieniu do wzorn (6.37a), otrzymujemy:
X3 9
~ = 1.02°· 9 · 0.96- 0 ·8 · 1.06- 0·6 - I = 1.018 1.0332 · 0.9656 - I =

y
~ 1. 0 156 - 1 ~ 0.0156 "' 1.56 %.
Aby obliczyć, jak zmiany te wp ły n ą na przychód ze sprze daży. należy wy prowadzić

funkcję przychodu:
czyli
27 z wzoru przybliżonego (6.37b). zu kładującego nies kończen i e m:1łe przyrosty zm iennyc h. otn:ymamy·
4% ::0.840-3% - 0.151 · ~+0.67 1 -( -6%) ___,. -0.151·~::4% - 2.52% + 4.026%""' 5.506%.

x2 x2
~ :: ~~~~I :: - 0.3646 ~ - 36.5%,

u wi ęc wynik znacznie różn i s i ę od 01n:ymanego z wzoru dok!adnego
ó. P = 1,02°· 9 . 0.96°· 2 . L06- 0 ·6 - I= 1.01 8 0. 99 19 · 0.9656 - l = 0.975 - I=

p
~ - 0.025 "' -2 ,5 %.
Zatem przy oczekiwanych zmianach sprzedaż wyrobu A wzrośnie o o ko ło 1,56%,
ale prtychód zm niejszy s i ę o około 2,5% (spadek ceny wyrobów firm y spowoduje wzrost
sprzedaży, ale elastyczność cenowa przychodu jest dodatnia (0,2), a więc spadek ceny
spowoduje spadek przychodu).
(b) Najpierw należy obliczyć , jak zmienić cenę, czyli ó.x
2
, wiedząc że ó.xi = 0,02
X2 X1
Ó.X 3 ó. P
i- = 0.06. aby - = 0.03. Po podstawieniu do wzoru (6.37a) mamy:
X3 p
0.03 = 1,02°· 9 .
( + 4 )U
0.'
I ~
n
l.06- 0·6 - I - 1.03 = 1.01 8. ( 4)U
I +~
n
· 0. 9656 .
(
I + a.xi ) - = ~ = 1.0478 -1- 1 + ó.xi = l.047Sifz = l.0478 5 = 1.263
~2 0,983 X2
Zatem
ó.x 2 = 1.263 - I = 0,263 :::::: 26 .3%.
x2
a więc ce n ę na l eżałoby podwyższyć o 26,3%.
Ó.X? ó. P
(c) W tym przypadku nal eży ob l iczyć ----=. , aby - = 0.03, przy założen iu że
X2 p
ó.xi = O i Ó.XJ = O. Podstawiaji1c te dane do wzoru (6.37a), otrzymujemy
Xi X3
2 2
0.03=(1+ 0)0 ·9 • ( I+~
4 ) '' ·(1 +0)- 0·6 - l -1- J.03= ( I +~
4 . ) '· -
~ n
-,)o 1+ Ó..\'
2
= I ,03 aj = l, 1593-)- Ó.X
2
= 1, 1593 - I = 0. 1593 :::::: 15,93% ,
X2 X2
a więc ce nę na l eżałoby podw yższyć o blisko 16%.
6.2.2. Mikroekonomiczne funkcje popytu

Mikroekonomiczne funkcje popytu wy rażają prawidłowości k sz tałtowania s ię popytu
pojedynczych konsumentów lub pojedynczych rodzin, w za l eżn ośc i od poziomu docho-
du, s kładu demograficznego oraz profilu zawodowego i społeczn ego rodziny. Mają one
charakter statyczny; źródłem mat e riału statystycznego są tu przede wszystkim wyniki
badania bud żetów rodzinnych
Gł ówny U rząd Statystyczny od 1957 r. prowadzi systematycznie badania bud żetów
gospodarstw domowych. Badania prowadzone są metodą rcprczcntacyjm1, k16ra daje
m oż li wość uogóln ie nia, z okreś l onym błędem, uzyskanych wyników na wszystkie go-
spodarstwa domowe w kraju. Do 1982 r. badania budżetów prowadzone były me t odą
ciąg t.1,
która polegała mi badaniu tych samych gospodarstw przez rok i dłużej. W la-
tach 1982-1 992 badania były prowadzone me todą rotacji kwartalnej, a od 1993 r. sto-
suje się metodę rotacji mie s i ęc znej, tzn. w każdym mi esiąc u podejmują badania inne
gospodarstwa . Każde z nich przez mi es iąc prowadzi zapi sy przychodów i rozchodów
w specjalnych k siążeczkac h budżetowych. Wyniki tych badań są nas tę pni e grupowane,
m.in. według grup spo łeczno-e konomi cz n yc h . Te grupy w długiej hi storii badań ul ega ł y
pewnym zmianom 28 . Od 2005 r. gospodarstwa ujmowane są według nas tęp uj ącyc h grup:
gospodarstwa pracowników. w tym
pracowników na stanowiskach robotniczych,
pracowników na stanowiskach nierobotniczych,
gospodarstwa rolników,
gospodarstwa pracujących na rachunek własny,
gospodarstwa emerytów i rencistów, w tym
emerytów,
rencistów
Wyniki badań publikowane są corocznie przez GUS w serii ,J nfonnacje i opraco-
wania" pt. „ Budże ty gospodarstw domowych w roku . .. " Niestety, od 1993 r. ni e są
już publikowane dane według grup dochodów, dlatego aby wykorzystać wyniki badania
budżetów do estymacj i mikroekonomicznych funk cj i popytu, trzeba s i ęg nąć do danych
źródłowych GUS
Najczęściej funk cje mikroekonomi czne mają postać krzywych Engla (krzywych po-
trzeb). wyrażających za leż no ść mi ędzy popytem na badane dobro lub u s łu gę (g rupę
dóbr) a dochodami konsumentów.
Do aproksymacji krzywych Engla naj częśc i ej stosowane są następujące funkcje ma-
tematyczne:
a) funkcja liniowa
(6 .38)
b) funkcja potęgowa
y =aoX"1, (6.39)
c) funkcja wykładni cza z odwrotnością 29
p < o. (6 .40)
28 Z;1kres badań stopniowo rozszemmo. Początkowo obejmowały one prncowników przemysłu, od l 973 r.
badaniami budżetów rodzinnych objęto 4 społeczno-ekonomiczne grupy ludności: gospodarstwa pracow-
nicze. prncowniczo-chłopskie. chłopskie oraz emerytów i rencistów (w latach osiemdziesiątych w grupie
gospodarstw pracowniczych wyodrębniono dwie bardziej jednorodne: gospodarstwa pracowników nasta-
nowiskach robotniczych i pracowników na stanowiskach nierobotniczych). Od 1993 r. wyróżniono6 podsta-
wowych grup (z zachowaniem dotychczasowego podziału gospodarstw pracowniczych). Dwie nowe grupy
wprowadzone w tym roku to: gospodarstwa pracujących 11a rachunek własny oraz gospodarstwa utrlymu-
jących sic z niezarobkowych (innych niż emerymra i renta) źródeł utrzymania
29 Zapis równoważny tej funkcji 10 Y = exp (a + f3 ~)

d) funk cje Tórnquista:

- dla dóbr pierwszej potrzeby
aX
Y~ x +µ· a:.{J > o. (6.4 1)
- dla dóbr wyższego rzę d u

y = a(X -y) _
(6.42)
a:. {J. y > O.
x+µ
- dla dóbr luksusowych
aX(X - y)
y ~ ----x+7J. a: . {J. y >o. (6 .43)
gdzie: X - dochody (lub wydatki) gospodars1wa domowego, Y - popyt na badane

dobro lub grupę dóbr czy u s łu g
Popyt, wyrażon y naj częściej wie lk ośc ią wydatków na badane dobra lub u s łu gi. może
być równi eż wyrażony wielkością spożycia dóbr lub ich grup (np. warzywa i przetwory.
m i ęso i prt.:etwory) w jednostkach naturalnych (kg, I, szt.). W odróżni e n iu od krzywych
Engla funkcje wyrażające za l eżn ość spożyc i a od dochodów konsumentów nazywane są
krzywymi popytu. Zarówno popyt, jak i dochody prze liczane są na 1 oso bę w rodzinie
Przebiegi zm i en ności i inte rpretacj ę parametrów funkcji lini owej omówiono w roz-
dziale 2, a funkcji potęgowej w rozdziale 3 . Przypomnijmy tylko. że funkcja li niowa
(6.38) zakł ada, że popyt roś ni e proporcjonalnie do wzrostu dochodów - wzrostowi do-
chodu o I towarzyszy wzrost popytu przecię tni e o a: 1 (ocena parametru a:0 jest zazwyczaj
uje mna, bo ozm1cza oczekiwany pozio m popytu przy zerowym poziomie dochodów).
W przypadku funk cj i potcgowej (6.39) oce n ę parametru a:o można int erp re tować jako
średn i poziom popytu przy jednostkowym dochodzie, natomiast a jest e las tycznośc i ą
1
popylu wzg l ę d em dochodu - wzrost dochod u o I% powoduje wzrost popytu przecięt

me o 0:1
Na u wagę zas łu guje fu nkcja wykład n i cza z odwro tno śc ią (6.40), ponieważ nie jest
tak powszechnie stosowana jak pozostałe, natomiast to w łaśn i e m.in. jej ksziałt odpo-
wiada kształtowi krzywej popytu na dobra podstawowe 30 . Funkcja ta jest stale rosnąca
- najpi erw w tempie coraz bardziej przyspieszonym (wypu kł a ku dołowi) w prt.:edzia-
le (0: - {J/2), nas tęp n ie o słabn ący m te mpie wzrostu (wypukła ku górze) w przedziale
(-{J/2: +oo). Na l eży zatem do S-kszta/tnych , z punkte m przegięcia (w któ ry m zmienia
s i ę tempo wzrostu zmiennej za l eżn ej) o współrzędnych (-fJ/2: e0 - 2) oraz asymptotą
poziomą y = e0 31 .
30zgodnie ze staty"zną teorią zachowań konsumenta. potwierdzoną przez liczne badania empiryczne.
funkcja popytu na podstawowe .irtykuly żywnościowe powinna być funkcją rosnącą - szybciej prq bar-
dzo niewielkich dochodach. gdzie elastyczność dochodowa jest począ1kowo wysoka (nawet większa od l).
a później spada. W miarę zwiększania się poziomu dochodów popyt rośnie coraz wolniej i zb li ża się do
pewnego poziomu nasycenia. Elastyczność dochodowa jes1 tu mniejsza od 1 i nada! maleje.
31 Omówiona ni żej funk"ja Tóm4uista I jest funkcją stale rosnącą w tempie coraz wolniejszym (wypukłą
ku górze). a więc nie ujmuje etapu pocz<1tkowego. gdy przy najniższych dochoda"h tempo wzrostu popytu
jes1 coraz szybsze. Natomias1 funkcja potęgowa ujmuje tylko jeden etap: albopoczą1kowy. gdy elastyczność
jes1 większ;1 od I. albo (częśc iej) drugi. gdy elastyczność jest mniejsza od I
Jeśli funkcjll (6.40) przedst<1wia zależność popytu na pewne dobro od dochodu

konsumentów, to interpretacja jej parametrów jest nas t ęp ująca: do poziomu dochodu
x = - {J/2 popyt rośnie szybciej niż dochody, powyżej tego poziomu popyt rośnie wol-
ni ej do poziomu nasycenia ea (asymptoty poziomej).
Warto iak że poś więci ć nieco uwagi funkcjom Tómqui sta, których wykresy przed-
stawiono w rozdziale 3 (rysunki 3.8- 3. IO) i interpretacji ich parametrów w przypadku,
gdy opisują zależność popytu od dochodu.
We wszystkich trzech funkcjach parametr fJ nie ma interpretacji ekonomicznej ( - /3
jest asymptotą pi o n ową funkcji; prą x = -{J mianownik przyjmuje wartość zero).
W funkcji Tómquista I (6.41 ) dla dóbr podstawowych (pierwszej potrzeby) i li (6 .42)
dl a dóbr wyższego rzęd u parametr a (asymptota pozioma) nazywany jest poziomem na-
sycenia. W miarę wzrostu dochodów popyt na badane dobro rośnie coraz wolniej, aż do
poziomu nasycenia a. R óż ni ca między funkcją I i l i polega na tym. że o ile wykres funk -
cji I wychodzi z poc zątku ukł ad u współrlęd n yc h (popyl na dobra podstawowe pojawia
s i ę przy zerowym poziomie dochodów), to popyt na dobra wyższego rzędu pojawia się,
gdy dochody konsumentów osiągną poziom x = y. J eś l i chodzi o funkcję Ul (6.43) dla
dóbr luksusowych, to interpreiację ekonomiczną ma tylko parametr y - jest to poziom
dochod u, przy którym pojawia s i ę popyt na dane dobro (tak jak w przypadku funkcji II)
Natomiast w miarę wzrostu dochodów popyt na dobra luksusowe roś n i e coraz szybciej
i bez ograni czeń
Przykład 45. W tablicy 6. 17 zestawiono informacje o przec i ętny m mie s i ęc zny m spo-
życi u owoców i ich przetworów oraz o przeciętnych mi esięcz n yc h dochodach w gospo-
darstwach pracowników na s1anowi skach nierobotniczych w ubiegłym roku.
Tablica6.17
Grnpy
Spożycie owoców I PrLeciętne
i ich pnetworów miesięczne dochody
dochodowe
w,, w kg na osobę
(y;)
wzłnnosobę
(.r;)
Do300 4.7 240

300-380 9.0 320
38()-4(j() ll.1 420
460-520 13.S 500
17.4
19.5
680-760 21.0 700
760i więcej 23.8 820
Żród to:dancumnwne
(a) Za po m ocą
klasycznej MNK wyznaczyć funk cje: liniową i potęgową, opisujące
zależność spożycia owoców od dochodów rodziny. Która z funkcji lepiej opisuje b<1daną
za l eżność?
(b) Na podstawie funkcj i lepiej o p isuj ącej b adan ą za l eżn ość wyznaczyć d oc h odową
e l as tyczność s pożyc i a owoców w naj ni ższej i n aj wyższej grupie dochodowej
Rozwiąza 11ie. (a) Wyznaczymy najpierw parametry funkcji liniowej Y =a 0+a X+e. 1
Oszacowania parametrów strukturalnych dokonano za po m ocą rachunku mac ierzowego;

obliczenia pomocni cze zawiera tablica 6.18.
„; ()'1 - 5')2
4.7 240 5.5427 -0.8427 70.7101 106.09

9.0 320 8.1974 0.8026 0.6442 36.00
11.l 11.5157 - 0.4157 0. 1728 15.21
13.5 14.1704 -0.6704 0.4495 2,25
17.4 560 16.1614 1,2386 1.5341 5,76
19.5 640 18,8161 0,6839 0.4677 20,25
21.0 700 20,8071 0,1929 0.0372 36.00
23.8 820 24,7891 - 0,9891 0,9784 77,44
l.: 120,0 4200 120,0000 0,0000 4,9940 299,00
Żródło: opracow~nie własne
a = (XTX)-1 XTy ,
gdz ie·
I 240 4,7
320 9.0
420 li.I
500 13,5
x ~ y ~
560 17.4
640 19.5
700 2 1. 0
I 820 23.8
aw 1 ęc
8 4 200 ] -' [ 120] [ -2.4213]

a = [ 4 200 2 472 OOO 7 l 860 = 0,0332 ·
s; = ~ ~~
4 9 0
= o.8323 . s = J0,8ill = o.9123.
~ 2 ~ ~ ~ 0.0 167. R 2 ~ I - 0.0 167 ~ 0,9833.

D (a 0 ) = J0.8323 · 1.1 75303 = 0.98 15, D (ai) = J0,8323 · 0.0000037 = 0.0018.
A zatem oszacowany model (wraz z błędami śre dnimi szacunku parametrów) przyjął
postać:
5'1 = - 2.42 13 + 0.0332r 1•
(0,98 15) (0,0018)
2,467 18,794
Funkcj ę po t ęgową (6.39) Y = a 0 · X" 1
•
6
e sprowadzamy do postaci liniowej loga-
ry tmując ją32
In Y = ln a 0 +a 1 In X +e.
Parametry modelu w postaci liniowej oszacujemy (korz ys tając z rachunku macie-
r1:owego) ze wzoru (3. 18)3 3 (por. podrozd ział 3.2.2):
b [l:~o ]
= = cXTX)-1XTy,
gdzie:
1 ln240 5.4806 ln4.7 1.5476
1 ln 320 5,7683 1119,0 2. 1972
ln420 6.0403 Inii. I 2.4069
ln500 6.2146 In 13,5 2.6027
x ~ i' ~
ln560 1 6.3279 In 17.4 2.8565
ln640 6.4615 In 19.5 2.9704
1 ln700 6,55 11 ln21.0 3.0445
1 ln 820 1 6. 7093 ln23.8 3. 1697
a więc
b= [ ~~
11 0 l [
=
8
49.5536
49.5536 ] - ' [ 20. 7955 ]
308. 14 1734 130.3493 =
[ - 5.3599]
l .2850 ·
Dane pomocnicze do obliczenia parametrów struktury stochastycznej zawiera tabli-
ca 6. 19
s; ~ 0~ 0~~ ~ o.0094. s, ~ jD.0094 ~ 0.0970.

2
<p = ~ = 0.0278. R1 = 1 - 0.0278 = 0,9722.
D (bo) ~ ) 0.0094 · 32. 18737 ~ 0.5501. D (b1 ) ~ ) 0.0094 0.83565 ~ 0.0886

Zatem ostatecznie model zlinearyzowany prąjął postać:
111 5'1 = - 5,3599 + l.2850lnx1 ,

(0,5501) (0,0886)
- 9.7 14.5
32Lub oltcrnatywnie Y = fJfJ + f31 X+ t: .

3.l Logarycm y poda no z dokbdnością do czterech miejsc dziesiętnych. ale w obliczeniach zachowano
pe! n ądokladnośćob li czeń
a w postaci pierwotnej {e- 5·359'J = 0.0047)

S•r = 0,0047 x/·285.
T11 blica6. l 'J
lny, ln .r1 lny, e'f (lny, - lny) 2
l.5476 5.4806 1.6825 -0.1350 0.0182 1.1064

2.1 972 5.7683 2.0522 0. 1450 0.02!0 0.1618
2.4069 6.0403 2.4016 0.0053 0.0000 0.0371
2.6027 6.2146 2.6257 - 0.0230 0.0005 0,0000
2.8565 6.3279 2.7713 0.0852 0.0073 0.0661
2.9704 6.4615 2.9429 0.0275 0.0008 0.1376
3,0445 6.5511 3.0580 - 0.0135 0.0002 0.1981
3.1697 6.7093 3.2613 -0.0916 0,0084 0.3252
E 20,7955 49,5536 20,7955 0,0000 0,0564 2,0323
Żródło:oprncowaniewbsne
Jeś li chodzi o dopasowanie funk cji do obserwacji, obie o kazały się bardzo dobrze
dopasowane. Parametry struk1uralne obu funkcji są statystycznie istotne {dla et = 0,05
i 6 stopni swobody ta = 2.447), reszty obu mają charakter losowy (S = 5 przy warto-
ści ach krytycznych 5 1 = 4 i S2 = 7), jedynie wartość współczynnika determinacji R 2
świadczy o nieco lepszym dopasowaniu (o okolo I, 1 %) funkcji liniowej
Dopasowanie funkcji do danych empirycznych prlcdstawiono na rysunkach 6.7 i 6.8.
~.=
•u
! .=::~
.
JO
."I•
„!:: I
IS
/. •
ł 5 'ł I: •
o o
o 200 400 600 800 o 100 300 500 700 900
dochody(2ł) dochody(zł)
Rysunck6.7. Dopasowanie funkcji liniowej Rysun ek 6.8. Dopasownnie funkcji po1ęgowej
Ponieważ w tym przypadku okazało s i ę. że obie fu nkcje dobrze aproksymują

(b)
za l eżność spożyc ia
owoców od dochodów w badanych gospodarstwach domowych, po-
niżejzinterpretowano oceny parametrów obu (wnioski jakie z nich wynikają), a także
porównano e l astycznośc i obliczone w oparciu o każdą z nich
Przyjęcie liniowej postaci funk cj i popytu lub s pożyc ia jest jednoznaczne z przyj ę
ciem założenia, że s pożycie (popy!) rośnie proporcjonalnie do wzrostu dochodów (i nic
ma poziomu nasycenia)J.I.
Bi o rąc pod uwagę funk cj ę liniow:1, moż na pow i e d zieć, iż w badanej grupie rodzi n
spożycie owoców rosło proporcjonalnie do wzrostu dochodów; wzrost dochodu o 100 zł
powodował wzrost s pożycia owoców przec iętnie o 0.0332· 100 = 3.32 kg. Ujemna war-
tość wyrazu wolnego ś wiadczy, że spożyc i e owoców pojawia s i ę dopiero przy pewnym
poziomie dochodów
Dochodowa e las t yczn ość spożycia owoców jest równa:
0.0332x
E y/x = y' . J, = 0.03J 2 -2.42 13 + 0.0332.r -2, 4213 + 0,0332x
i za l eży od poziomu dochodu. Obliczymy przykładowo e la styczn ość dla najn i ższej i naj-
wyższej grupy dochodów. Przy przecięmym miesięcznym dochodzie wy noszącym
240 zł oraz 820 zł na osobę
0.0332. 240
E y/x =l4D - -2 .4213 + 0,0332 240 - l.4 369 ·
0,0332' 820
E y/x = 820 1.0977.
-2 .4213 + 0.0332 820
A zatem spożyc i e owoców w gospodarstwach najuboż szyc h znacznie silniej reago-
wa ło na zmiany dochodów. Wzrost przecięlnego mi esięcznego dochodu wynoszącego
240 z ł na o sobę o I 0% powodował wzrost s po życ ia owoców o 14,369%. Natomiast w go-
spodarstwach z amożn yc h wzrost przeciętnego dochodu wy noszącego 820 zł na osobę
o 10% pociąga ł za sobą wzrost s pożyc ia owoców tylko o I0,977%.
W przypadku funkcji potęgowej e las t ycz ność s pożyc ia owoców względem docho-
dów wynosi:
X i. 285xl.285- !+l
E y/.< = y' . Y
= 0,0047 . l. 285.xl.285-1 0,0047. xl. 285 xl.285 1,285
i nie z ależy od poziom u dochodu. Zatem niezal eż n ie od poziomu dochodu wzrost do-
chodu o 1% powoduje wzrost spożyc ia owoców przeciętnie o 1,285% (sta ła elastycz-
n ość funkcji pot ęgowej ). Można t akże dodać, że przy poziomic dochodu I zł s pożyc i e
owoców w gospodarstwach domowych wynosi średnio 0,0047 kg
Przykład 46. W tablicy 6.20 zestawiono informacje o przec iętnyc h mie s ięczn yc h do-
chodach i przec i ęt n yc h mi es i ęczn yc h wydatkach na warzywa i ich przetwory w gospo-
darstwach pracowniczych
34w przypadku dóbr podstawowych jest to niezgod ne z prnwem Engla. Jak sio;: jednak okazuje na podsta-
wie wyników badania budżetów rodzinnych w Polsce. zwłaszcza od początku lat osiemdziesi<1t yc h. funkcje
spożycia czy wydatków w wielu wy pad kach dobne aproksymowała funkcja liniowa. M ożna powiedzieć,
że w obse rwowanych przedziałach zm i en n oŚ<:i zmiennych za l eżno~ć ma charakter liniowy, czyli da leko jest
do poziomu nasycen ia. Ponadto owoce raczej nie są dobrami pierwszej polrteby
Tablica 6.20
Prlccięme Pneciętncmiesięczne
Grupy
rniesięczncdochcxly wydatkinawarLywaiich
dochcxlów
w zł na osobę prLctworywzłnaosobę
wzl na osobę
(x) (y)
250.0 60.35
300-380 333.3 81.46
380--460 416.7 99.49
460--520 500.U 109.95
520--600 555.5 115.59
600-óSO 625.0 121.56
68G-760 714,5 134,29
760i więcej 833.0 141,18
Żtód!o:daneumownc
(a) Oszacować parametry funkcji

• wykładniczej z odwrotnością (6.40),
• po t ęgowej (6.39),
• Tórnquista I rodzaju (6.41)
(b) Na podstawie funkcji najlepiej op i s ującej badaną zależność ob li czyć dochodow:1
e l astyczność wydatków na warzywa i ich przetwory w gospodarstwach pracowniczych
Rozwiąza nie. Aby oszacować parametry fu nkcji wykładniczej z odwrot11 olcią (6.40)
z multiplikatywnym zakłóce ni em losowym 35 ·
I
Y =exp(a+fJ X +s).
należy ją s prowadzić do postaci liniowej logarytm ując obustronnie
I
In Y =a+ fJ ·X+ e.
Z danych tabli cy 6.20 mamy 36 :
35
w większości pnypadków szacuj<\C funkcję popytu. będziemy 7..:.k!adać. iż zakłócenie losowe nakfoda
się na funkcję w sposób mul1iplikatywny. bowiem w pnypadku popytu konsumpcyjnego można oczek i wać.
iż pny większych dochcxlach losowe cxlchylcnia cxl funkcji popytu są również większe (por. np. 153]. [24!)
Funkcja ze składnikiem trn!o7.onym w sposób addytywny ma pos1ać Y = cxp (O' +{J • ~) +E, ale w tej
pos1aci mcxlel należy do ściśle nieliniowych i jego parametry tneba szacować za pomocą nieliniowej MN K
Na temat estymacji modeli z addytywnym i multiplikatywnym składnikiem losowym na pnykładzic funkcji
Tórnquistapiszc111ywpnragrafic3.3.2
36wartośd zmiennych pomocniczych podano z dokł:idnokią do 5 miejsc dziesięln)'Ch. ale w obliczeniach
z;1chowanope !nądokladność
250
I
333.3
0 .0040 ln60.35 4.100 16
416.7 0.0030 ln8 1.46 4.400 11
I 0.0024 1n99.49 4,60006
x ~
5ci() o.cxno y~
ln l09.95 4. 70003
I I 0.0018 ln 115.50 4. 75005
555.5 0 .0016 In 12 1.56 4.8004 1
I 0.00 14 ln 134.29 4.90000
I 0.00 12 In 14 1.1 8 4.95004
625
I
7 14.5
I
im
Zatem
b= [ ~] = (XTX)-l XTy =
8
~ [ 0.01740035
0.01740035] ' [37.200085
0,00004396 . 0.0790736
l[~
5.305]
- 300.884
Warto śc i
teoretyczne i pozostałe dane do obliczenia parnme1rów struktury stocha-
stycznej zawiera tablica 6.21 .
Tahlica6.2 1
!nyr !ny, ef (lny, - inJ) 2 _i-,
4.1 0016 4.IOIOI - OJXI084 0.0000007 0 .3024399 60.401

4.40011 4.40180 -0.00169 0.0000028 0 .0624971 81.598
4.60006 4.58248 0.01758 0.0003090 0 .0025049 97.756
4.70003 4.70277 - 0.00275 0.0000076 0 .0024919 110.253
4.75005 4.76290 - 0.01285 0.0001651 0.0099886 117.085
4.80041 4.82313 - 0.02272 0.0005162 0 .0225906 124.353
4.90000 4.8834 3 0.01657 0.0002746 0.0624477 132.083
4.95004 4.94334 0.00670 0.0000449 0.0899576 140.237
37,20086 37,20086 0,00000 0,00 13209 0,5549 184 863,766
Żród/o:obliczcniawłasnc
s; = 8 ~ 2 . 0.00 13209 = 0.0002202. S, = 0,0 148 .
~' = ~ = 0.0024 "' 0.24%,

D(a) = J o.0002202. 0.89864 = 0.014.
D(b) = ) 0.0002202 · 163532.6019 = 6.00.
Model pomocniczy przyj muje postać
1;;;, = 5.305 - 300.884.

(0,014) (6,00) x,
378,9 - 50.1
Dopasowanie modelu do obserwacji jest bardzo dobre (q; 2 = 0.0024), parametry
strukturalne s ą statystycznie istotne (ro.oH = 2,447) , a reszty maj <1 rozkład losowy
(5 1 = 2 < S = 4 < S2 = 7) .
Można zate m zapisać oszacowany model w postaci pierwotnej 37 ·
y, = exp (5.305 - 300.884 · ~ );
jego dopasowanie do obserwacji przedstawiono na rysunku 6.9
d<:><;hody(zł )
Rysunek 6.9. Zależność wydatk ów na wa rz.ywa od doc hodów - do pasowani e funkcji wykładnic zej
z od w rotnośc ią
Funk cja potęgowa (6.39) po u wzg lędnie n iu zakłóce n ia losowego ma postaci

y = cro· X"1 · ef .
a po zlogarytmowaniu (model pomocniczy):
ln Y = ln ero+ cr 1 ln X + e.
37 Lub ullernm ywnie: _1' = e 5·}0S- JOOO.SS4·f,-

Z kolei·
ln 250
l n 3~3,3
ln 714,5
l =
I 5.52146
5,80904
6.03237
6,2 1461
6.3 1987
1 6,43775
r~
In 60.350
ln 8 1.460
:
[ ln 134.290
l ~
4.100 16
4,400 11
4.60006
4.70003
4.75005
4.80041
ln833 6.57158 In 141. 180 4,90000
6,72503 4,95003
Zatem
b= [ :~] = [ l:~o ] = (XTX)- 1XTy =

8 49.631715 ] -I [ 37,20085] [0. 3635 ]
= [ 49.6317 15 309 ,039477 . 23 1. 5708 1 = 0,69 10
i oszacowany model w postaci liniowej m ożna zapi sać:
1;; = 0.3635 +0.69 101n.rr.

1
Obliczone w oparciu o model pomocniczy wartości teoretyczne i pozostałe dane

niezbędne do obliczenia parametrów struktury stochastycznej zawiera tablica 6.22.
Tuhlica6.22
ln y1 ln y1 e1 =1ny1 -lny •I (lny1 - ln ji) 2
4.10016 4,17853 - 0,07837 O.CXl614 0.30244 65,270

4.40011 4.37724 0,02288 O.CXXJ52 0,(16250 79.618
4.(i0006 4.53154 0.06852 O.OM69 0.00250 92.902
4.70003 4.65746 0.(14257 0.00181 0.00249 105.368
4.75005 4.73019 0.0 1986 0.00039 0.00999 113.317
4.80MI 4.81164 0.00013 0.02259 122.933
4.90000 4,9041 I 0.00002 0.06245 134.843
4,950M 5,01014 -0.06010 0,00361 0.08996 149.925
l:: 37,20085 37,20085 0,00000 0,01732 0,55492 864,176
Żród to:obhczcniawłasne
s; ~ 8 ~ 2 . 0,0 1132 ~ 0.00288 . s, ~ 0.0537, (/)

2 = 0.01732 = 0.03 12.
0,55492
l-;y, = 0.3635 + 0.6910lnx1
(0,3147) (0,0506)
1,1 55 13.646
Wartość współczy nn ika z b ieżnośc i św i adczy o niezłym dopasowaniu modelu do ob-

serwacji. jednak ocena wyrazu wolnego (ln a 0 ) jest statystyczni e nieistotna (b ł ąd jest
niewiele mniej szy od oceny). Ważn e jest jednak, że współczy nnik przy zmiennej ob-
ja ś ni ającej jest statystycznie istotny, co potwierdz:1 istotny wpływ dochodu na wydatki
na żywność. Ponadto pewne zas t rzeżen i a budzi c iąg reszt. Obserwujemy w nim 3 serie;
S = 3 mieśc i s i ę w przedziale (S 1 = 2; S2 = 7), m ożn a mieć tylko zastrzeżen i a, że
jedna z serii jest stosunkowo d łu ga (liczy 4 elementy), co (przy n = 8) może św i adczyć ,
że funkcja potęgowa o postaci )', = i ,438x?· 691 (e 0 · 3635 = 1.438) nie najlepiej opisuje
badaną zal eż ność. Dopasowanie to pr~edstaw i a rysunek 6.10
~ '"
~120
~100
~
~ 80
60
./·
.g 40
~ 20
o+-~~~~~~~~~
o 400 600
dochody(zł)
Rys unek 6.10. Zależność wydatków na wanywa od dochodów - dopasowanie funkcji po1ęgowej
Na podstawie danych z tablicy 6.20 oszacowano także parametry funkcji T6m -

quislll I rodzaju (6.41 ). n akładając w sposób muhiplikatywny zakłóce ni e losowe. tj.
y1 = ~ e~' . W wyniku zastosowania algorytmu Gaussa-Newtona (przy począt
x, +fi
kowych wart ośc i ach parametrów a 0 = 99. fJo = 2188 wyznaczonych zwy kłą MNK)
otrzymano·
• 323.774x1
y, = x, + 101 3.663.
Asymptotyczne błędy średnie szacunku parametrów są równe D(a) = 37 .272.
D(b) = 173.810, wartośc i teoretyczne i inne dane pomocnicze do obliczenia miar dopa-
sowania zawiera tabl lica 6.23 38 .
s; ~ 0
·~~~ ~ 0.00149.
14
S, ~ 0.03854, ~2 ~ 0~~::9124 ~ 0.01606.
Jak widać, rów ni eż
dopasowanie do danych empirycznych tej funkcji jest dobre; tyl-
ko około l ,6% zmienno śc i wydatków na warzywa nie zosta ło wyjaśnione przez model ,
parametry strukturalne są siatystycznie istotne (t(a) = 8,69. t(b) = 5.83), a w cią
gu reszt obserwuje się S = 5 seri i: można jedynie mieć zastrzeżeni a - podobnie jak
.l8Jak pamięlamy z rozdziału 3. ponieważ skł:tdnik losowy nnłożono muhip!ikatywnie. funkcję nnleżalo
zlognrytmow;1Ć
Ta blicn6.23
ln y1 e, = ln y, - ln )'1 ,; (ln y, - iiiJ)2
4, 159737 - 0,059576 0,003549 0.30244 64,055

4.383481 0.0 16631 0.000277 0.06250 80.116
4.546729 0.053328 0.002844 0.00250 94.323
4.672366 0.027659 0.000765 0.00249 106.951
4.74 1617 0.008433 0.000Cl71 0.00999 114.619
4.8 16161 -0.0 15754 0.000248 0.02259 123.490
4.896814 0.003187 0.000CllO 0.06245 133.863
4.983944 - 0.033908 0.00 1150 0.08996 146.049
i:: 37.200849 0.000000 0.008914 0,55492 863.467
Żródlo:oblincniowłasnc
w przypadku funk cj i potęgowej - że jedna z nich jest stosunkowo d ł u g a (4 elemenl y).

Dopasowanie do danych empirycznych funk cji Tórnqui sta I przedstawiono na rysun-
ku 6. 11
d(l(:hody(zł)
Rys unek 6. 11. Za l eżność wyd:i1ków na warLywa od dochodów - dopasowanie funkcj i TOmquista I
R ea su muj ąc, do opisu za l eż nośc i wydatków na warzywa i przetwory od dochodów

gospodarstw domowych w wys t ę pujący m w próbie przedziale z mi e n n ośc i dochodów
w zasadzie mo ż na wy ko rzys t ać dowol ną s poś ród wymienionych w yżej fu nkcji. Zatem
po ni żej porównamy wnioski o badanej zal eżn ośc i w y n ikające z k ażdej z nich i obli czy-
my ela st y cz nośc i .
Z funkcji wykładniczej z odwrotnością y 1 = e 5 ·305 - 300 "884·f,- (równoważny zapis tej
I
funk cji to y1 = exp(5.305 - 300.884 · - ) wynika, że do poziomu dochodu nieco ponad
Xr
p 300. 884
150 zł (Z = - - = 150.44) wydatki na warzywa ro s n ą szybciej ni ż dochody, a od
2
tego poziomu rosną coraz wo lniej - do asymptoty poziomej ea = e 5·305 = 201.25 zł

m1 es1ęczmc
Dochodową elas tycznść wydatków na warzywa w oparciu o tę funkcję można obli-

czyć wykorzystując formułę (6.32):
E _ v'. ~ _ e5.3o5 - 3oo.s84· f,- [-(- 300.884)] _ _x, _ _ _ 300.884.

Y 1„ - · y1 - x,2 e5.30S- 300.884·f,- - x •
1
jej wartość zależy od poziomu dochodu. I tak np. w najniższej grupie dochodowej. a więc
przy prtcc iętnym mie s ięczny m dochodzie 250 z ł na osobę, e las t yczność dochodowa
33
~;~
84
wynosi E y/x= 250 = = 1. 324, a w najwyższej (ostatniej) grupie (przy śred
nim dochodz ie 833 zł na osobę) - wynosi E y/.• = 833 = J~j~84 = 0.397.
Zatem (w badanej grupie gospodarstw domowych) wzrost przeciętnego mies ięcz
nego dochodu (x = 250 zł) o 1% powoduje wzrost wydatków na warzywa o 1,324%,
natomiast przy dochodzie 833 zl reakcja jest znacznie s łab sza, bo wzrost dochodu o I%
powoduje wzrost wydatków na warzywa tylko o 0,397%.
W przypadku funkcji potęgowej f 1 = I . 438x?.69 1 elastyczność wynosi:
Ey/.• = y'. ~ = 1.438. 0.691x?·6'ł1 - 1 ~ = 0.69lx?·.:~/1- 1. x, - 0.691

)' 1,438.\1 .\1
i nie zależy od poziomu dochodu. Jak już wielokrotnie podkreślano, wykładnik funk-
cji potęgowej interpretowany jest jako s tała (tzn. n iezależna od wartośc i x) elastyczno ść
(w zasadzie nie ma więc potrzeby jej obliczania). Ocenę parametru a 0 , czy li a0 = i ,438
m ożn a interpretować jako poziom wydatków na warzywa (y) przy przeciętnym mie-
s ięcznym dochodzie x = l (z ł )
323 774
W przypadku funkcji Tórnquista [ )'1 = · xr ocena parametru a jest in-
x1 + 1013.663
terpretowana jako poziom nasycenia, czyli poziom , do którego wydatki na dane dobro
rosną, lecz którego nigdy nic prtckroczą (a jest asymptotą poziomą funkcji). Zatem
w badanych gospodarstwach w miarę wzrosm dochodów wydatki na warzywa wzrastają
do poziomu 323,774 z ł na osobę mies ięczni e. Parametr -{J (-10 13,663) jest asymp-
totą pion ową funkcji. ale nie ma interpreiacji ekonomicznej. Dochodowa elastyczność
wydatków na warzywa obliczona w oparciu o tę funkcję jest równa
323.774 · (x1 + 1013.663) - 323.774x1 • l .r1

Ey/.• =y · X1
y, (.r1 + 10 13.663)2 323.774.rr
X1 + [013.663
323.774 · (x 1 + 1013.663 - x 1) X1 (X 1 + 1013.663 ) 1013,663
(x 1 + 1013.663) 2 323.774.r1 X1 + 1013.663
i t akże zależy od poziomu dochodu. Przykładowo w najniższej i najw yższej grupie do-
chodowej elastyczności obliczone w oparciu o tę funkcję wynoszą
1013.663
E y/." "' 250 = 250 + 101 3,663 °· 802·
1013.663
E y/x ;833 = 833 + 1013,663 0.549
Tak więc w badanych gospodarstwach wzrost p rzecię tnego mies i ęcznego dochodu
x = 250 zł o I% powoduje wzrost wydatków na warzywa o 0,802 %, a wzrost dochodu
x = 833 zl o 1% powoduje wzrost wydatków na warzywa ty lko o 0,549%. Obliczone
w oparci u o funkcję wykładnic z ą z odwrotnosc i ą oraz funkcję Tórnquisla I e la s t ycznośc i
wydatków na warzywa dla wszystkich grup dochodowych zestawiono w tablicy 6.24.
Tablica6.24
Elastyczność wydatków na warzywa

Grupy dochodów Przeciętny miesięczny względem doc hodu obliczona w oparciu o funkcję
dochód w zl n;i osobę I- -
w zł na osobę
e5.305-300.8S4·ł;- _,,3.;:~7 ~~~
(x) i·= )'i=
1 3
Do300 250.U 1.324 0.802
300--380 333.3 0.993 0.753
380---460 416.7 0.794 0.709
460-520 500.0 0.662 0.670
520-600 555.5 0.596 0.646
625.0 0.529 0.619
714.5 0.463 0.587
760 i więcej 833.0 0.397 0.549
Jak widać, wraz ze wzrostem dochodów e lastyczności maleją, czyli warzywa stają
siędobrem coraz bardziej podstawowym
Gdyby ś m y dysponowali danymi o liczbie gospodarstw w poszczególnych grupach
dochodów (strukturze gospodarstw według grup dochodów), można byłoby obliczyć
przec i ętne ela s tycznośc i dla każdej funkcji.
Przykład 47. W tablicy 6.25 podano informacje o przeciętnych mi es ięcznych do-

chodach (x), oraz przeciętnych mies i ęcznych wydatkach na żyw ność (yi), na rekreację
i kulturę (y1 ) oraz na hotele i restauracje (y 3 ) (x, y w zł na osobę miesięczni e) w gospo-
darstwach domowych o strukturze według grup dochodów
Na podstawie analizy rozrzutu punktów empirycznych (por. rysunki 6.12, 6.13
i 6.14) z a l eż ność między dochodami a: wydatkami na ży wność (y i) opi sano za pomocą
funkcji Tórnquista I, wydatkami na rekreację i kulturę {)'2) opisano funkcją Tórnqu-
ista li , wydatkami na hote le i restauracje (y3) opisano funkcją Tórnqui sta LU .
Ta hlica6.25
Grupy 1~:~~~:~~;~
doc hód
~~:~~~:~:
wyda1k1
Pmci~.tnc
wyd_m~ t na
Pmcię.mc
wy~atkt na . w ogólnej liczbie
~~~~~:~f
doc hodowe na żyw ność rekreację 1 kulturę hotele 1 restauracje gospoda rstw
(%)
w zł/osobę
Do400 360 34-0 15 0.4 3.S

400- 540 480 405 60 7.0 6.4
540- 680 600 470 20.0 9.8
40.0 10.5
820- 960 55.0 2 1.0
645 70.0 24.0
11 00-1240 I 180 680 198 88.0 15 .2
1240-- 1380 1300 71 0 2 10 11 5.0 7 .7
1380 i wicccj 1 620 770 225 170.0 1.9
i.: 100,0
,,10L
Żródlo: daneumowne
800
600
400
200
o
o 300
•••
600
•••••
900 1200 1500

•
' "'Le
200
150
100
50
0
o
•
. 500
•
••
1000
•••
1500 2000
, ,ooL_
Rys une k 6.12. Wydatki na żywność a dochody R)·sunck6.13. Wyd;uki n arekreację i kullurę
a doc hody
150
100 •
50 ••
o • R)·sun ck6.14.Wydatki nuhotcleires tuurncje;i doc hody

o 500 1000 1500 2000
Przyj mując założenie o multiplikatywnym s kładniku losowym i st osując metody es-

tymacji nieliniowej (omówione w rozdziale 3). otr.i:ymano wyniki zestawione w tabli-
cy 6.26 (zaokrąglone do dwóch miejsc dzi esięt nyc h)
Wydatki Wydatki Wydatki

Wyszczególnienie na żywność narekreacjęikul!urę na hotele i restauracje
(y 1) (Y2 ) (YJ )
1239.27 970.17 346.83 334.58 330.08 0.267 1624.78 351.77

B!ąd średni szacunku 42.30 60.58 27.20 101.09 2.95 0.054 520.38 0.85
Statystyka1 29.30 16.01 12.75 3.31 li l.74 4.94 3.12 415.21
0.995 0.997 0.999
ź.ródło : opr:i•·owaniawłasne
Na l eży zi nt erpre 1 ować otrzymane wyniki i obliczyć dochodową e la styczność wydat-

ków na żywność, rekreację i kulturę oraz hotele i restauracje
Rozwiqza11ie. Oszacowane funkcje można zapisać w postaci:
Ą 1239,27x 346.83(x - 330.08) 0.267.r(x - 351,77)
J'i=x+970. 17" X+ 334,5 8 r + 1624. 78
Zatem w badanej grupie rodzin wydatki na żywność ()'1) w miarę wzrostu dochodów
wzras tał y coraz woln iej do poziomu nasycenia - średn io 1239,27 zł na osobę (ocena pa-
rametru a). Wyda1ki na rekreację i kulturę y2 pojawiały się w rodzinach. w których prze-
ciętny miesięczny dochód pn.:ekroczy ł 330,08 zł (ocena parametru y) i w miarę wzrostu
dochodów wzrastały (coraz wolniej) do poziomu nasycenia 346,83 zł na osobę (ocena
parametru a), natomiast wydatki na hote le i restauracje }'3 pojawiały się w rodzinach
o prLeciętnym miesięcznym dochodzie nic mniejszym niż 35 1.77 zł na osobę (ocena
parametru y) i w miarę wzrostu dochodów rosły coraz szybciej
E l astyczność wydatków na żyw no ść (6.32) jest równa
1239,27(.x + 970, 17) - 1239.27.r l

{.r + 970.17) 2 . 1239,27.r =
x + 970,17
1239,27(x+970.17 - x) x(x+970. l7) 970.17
(X + 970. 17)2 1239. 27.r X + 970, J 7
i zależy od poziomu dochodów. I tak np. w n ajniższej grupie dochodowej. prLy przecięt
nym miesięcznym dochodzie x = 360 zł/osobę·
970. (7
Eyif.•=MIJ = 360 + 970. 17 =O. 729 ·
czy li wzrost dochodu równego 360 zł na osobę o I% w badanych rodzinach powoduje

wzrost wydatków na żyw n ość prLecię.tn i e o 0,729%. Natomiast w najwyższej grupie
dochodowej (o przec i ęt ny m mies i ęcznym doc hodzie 1620 zł na osobę)
970.17
E yJ/s = 1620 = 1620+970.17
0.375 .
a wię.c reakcja wydatków na ży w n ość na zmian ę. dochodu jest znacznie s łabs za - zmia-
na dochodu o l % powoduje wzrost wydatków na żywn ość tylko o 0,375%
Jak ł atwo sprawdzić, elastyczność funkcj i Tórnquista I (6.4 1), dana ogólnym wzo-
E_,>i' ~ _fi _ _ (6.44)

x+.8
jest w i ęc malejącą fu nkcj:1 doc hodu i pnyjmuje wartości mniejsze od I (jest równa l dl:1
X = 0)
Elas t yczność wydatków na rekreację i ku lturę jest równa
EnJ.• = l ·f.;
346.83 (x + 334.58) - 346.83 (x - 330.08) I
(x + 334.58)' 346.83 (x-330.08)
.r+334,58
346,83 (.r + 334,58 - X+ 330,08) i; (x + 334,58)
(x + 334,58) 2 • 346.83 · (x - 330,08)
(334 .58 + 330.08) ·X 664.66x
(x + 334.58) · (x - 330.08) (.r + 334,58) · (x - 330.08) ·
Przykład owo w rodzi nach o doc hodach naj n iższych (360 zł/osobę) oraz najwyższych
(1620 zł/osobę) elastycz ność wydatków na ku lt urę przyjmuje wartości
664.66. 360
11 .5 14.
(360 + 334,58) . (360 - 330.08)
664,66. 1620
E n/s =1620 0,427,
(1620 + 334.58). (1620- 330.08)
a więc wzrost dochodu o I% w rodzinach o n aj ni ższych dochodach powoduje wzrost wy-
datków na k u lt u rę. o 11,5 14%, a w rodzinach o naj wyższych dochodach ty lko o 0,427 %.
Czytelnik zechce sprawdzić, że elastyczność funkcji Tórnquista Il (6.42), dana ogól-
ną formu ł ą
E _ (fi+y)·x
1 (6.45)
·'' ' - (x + #)(x -y)"
jest malejącą fu n kcją dochodu. ale m oże przyjmować w zasadzie d owol n ą (dodatnią)
wartość 39 .
39Jes1 nieokrdlona - nie nu leży jej obliczać dla dochodu niższego niż ocena parametru y
E l a st yczność wydatków na hotele i restauracje wzglę d e m dochodów ogół e m wynosi
EYJ1 x = Y
1
• ~
Y3
[0,267 (x-351.77) + 0,267x I]· (x+ l624,78) - 0.267x · (x-35 1. 77) ·I
(x + 1624. 78)'
0,267x (x - 351,77)
X+ 1624.78
0.267-L(2x-351,77) (x+ \624 ,78)-x (x-351,77)] x- (x+ 1624,78)
(x+l624.78)2 ·0.267x-(.r - 351 .77)
r 2 +2- l624.78x - 351.77 - 1624.78
(x + 1624.78) (x - 351.77)
Tak jak poprzedni o, obliczymy elastyczności wydatków na hotele i restauracje dla naj-
n i ższej i najwyższej grupy dochodowej . I tak:
En/x=3ffi 3602 ~:o· ~6~:~:~7·8~~~~~~ ;;I: ~~)24. 78 44,56 1.
16202 +2· 1624.78· 1620 - 351.77· 1624.78

E n/:.:= 1620 I. 778
( 1620 + 1624. 78) . ( 1620 - 351.77)
W tym wypadku elastyczność zmniejsza się z 44.56% w rodzinach o n ajniższych docho-
dach (lj. dla x = 360) do 1,778% w rodzinach najbardziej zamożnych (x = 1620), ale
ciąg l e jest bardzo wysoka
Ta blica6.27
Średni dochód
Elastyczność wydatków Ela~tyczność wydatków Elas ty,z ność wydatków
w grupie dochodowej
na żywność narekreacjc ikulturę na hotele i restauracje
w,I
0.729 11.514 44.561

0.669 2.6 12 4.515
0.6 18 3. 147
0.55 1 2.476
910 0.5 16 0.838 2.27 1
1050 0.480 0.700 2. 111
1180 0.45 1 0.609 2.()()4
1300 0.427 0.545 1.926
Średnia ważona 0,5 19 1,3 18 3.887

elast yczność
Żró<lło:oprnrnwaniewla.,ne
Elastyczność funkcj i Tómqu ista ll1 (6.43) m ożna zapisać ogólnym wzorem
x 2 + 2 · {3 y · f3
·X -
(6.46)
E n/.•· = (x + /J)(x - y) .
Wraz ze wzroste m dochodu (x) e l astyczność maleje. ale jej wartość nigdy nie spada
poni żej 1.
Po ni eważ w tablicy 6.25 podana jest struktura badanych gospodarstw domowych
według grup dochodów, możn a było ob li czyć średni e e l astycznośc i dla wyróżnionych
kategorii wydatków (jako ś redni e ważone e lastyczności w grupach dochodów podanych
w tablicy 6.27 i udziałów grup dochodowych w ogólnej liczbie gospodarstw) . Wyn oszą
one: dla wydatków na żyw ność 0,5 I 9, dla wydatków na rekreację i kulturę 1.3 18, a dla
wydatków na hotele i restauracje 3,887
6.3. Analiza struktur wydatków i ich zróżnicowania

Przynal eż n ość do okreś lon ej grupy s połecz n o-ekono mi cznej jest jednym z istotnych
czynników różnicujących wzory konsumpcji, określone zarówno ogólnym poziomem.
jak i strukt urą wydatków gospodarstw domowych
R ów ni eż w ramach poszczególnych grup spo łeczno-zawodowych zauważa się róż
nice w sposobac h wydatkowania dochodów spowodowane poziomem za możnośc i go-
spodarstwa domowego czy też pewnymi cechami społecz n o-demog rafi czny mi rodziny
Istotny wpływ na kszta łtowanie s ię struktur konsumpcj i wywiera także poziom roz-
woju s poł eczn o-gospoda rczego kraju i, co się z tym wiąże, struktura dochodów i cen
oraz dostępność dóbr na rynku. Te właśn i e czynniki powod ują pewne przemiany struk-
tur konsu mpcji gospodarstw domowych zac hodzące w czasie
Syntetyczną ocenę stopnia zróżn i cowani a struktur konsumpcj i między grupami go-
spodarstw domowych umoż l iwiają miary zróż nicowani a struktur. Jedna z proponowa-
nych w literatur.te miar zróżni cowa n ia struktur dana jest wzorem:
(6.47)
gdzie: {J,·p· {J;" oznaczają, odpowiednio, udz i ał i-tej składowej struktury w 11-tym i q -
-tym typie gospodarstw domowych (k jest liczbą wyróżnionych s kładnik ów struktu ry.
czyli grup wydatków). Oczywiście s kład owe {J;p, {3;" spe łniaj ą relacje:
O~/J;p ~ I . (6.48)
Miara vpą przyjmuje wartości z przedziału LO: IJ. Gdy porównywane struktury są iden-
tyczne, tJ 1," = O. Zwiększającym s i ę różnicom strukturalnym towarzyszy wzrost wartości
v„ą aż do jednośc i .
W celu oceny zmian strukturalnych, jakie zac h odził y w czas ie, w okresie [O: n],
powyższa miara przyj muje pos t ać:
6.3. Analizastrukturwydatkl'iwi ichzrl'iżnicawania
(6 .49)
W tym pn.:ypadku {3; 1 , /J; (i - r J to udział y i-tej grupy wydatków, odpowiednio, w okre-
sach t i (1 - r), a więc w okresach oddalonych od siebie or jednostek czasu
W badaniach dynamiki struktur odrębny problem stanowi pomiar s t abilnośc i kie-
runku zmian strukturalnych. Problem sprowadza się do odpowiedzi na pytanie, czy ob-
serwowana struktura przejawia tendencję do zachowania s tałego kursu zmian, czy też
zachodzące w kolejnych okres:1ch zmiany są efektem przypadkowych wahań ud z iał ów
poszczegól nych sk ład owyc h , które w dłuższych okresach czasu nie prowadzą do kon-
sekwentnych zmian w stosunku do struktury okresu początkowego. W tym celu m ożna
wykorzystać miarę monotoniczności (por. K. Kukuła L86J, L87])·
v„.o
I}„= - . - - . (6 .50)
~Vr.1- l
1
Konstrukcja tej miary opiera s ię na założe niu , i ż w przypadku, gdy wszystkie s kła
dowe struktury ewo luując. utn.:ymują s t ały kierunek zmian w okresie [O: 11], zachodzi
11 11 .o =
1~ v 1 .1 - i, czy li wartość miary zróżnicowania między okresem początkowym (0)
i końcowym (11) jest su mą wartości analogicznych miar obliczanych z okresu na okres
(tj . VJ.O• IJ:! . l· VJ.2· .... V11 .11 _ i)
Warto śc i miary 1111 są unormowane w przedziale [O: I]. Gdy 11„ =O, struktura w 11-
-tym okresie jest identyczna jak struktura w okresie wyjśc iowym (0). Gdy IJ,, =
= l. wiadomo że ud z iał y poszczególnych s kład owyc h tworzą ciągi monornniczne, czy li
stmktura ewoluuje, utrzy mując stał y kierunek zmian
Przykł ad 48. W tablicy 6.28 zestawiono przec i ętne mi es i ęczne wydatki (w zł na osobę)
w sześc iu wyróżnionych grupach gospodarstw domowych w 2005 r.• a w iablicy 6.29
(s. 349) obliczone w oparciu o te dane strukn1ry wydatków.
Ocenić s lopi e ń podobieńs t wa struktur wydatków między poszczególnymi typami
gospodarstw domowych, wykorzystując miarę Vrą·
Rozw iązan ie. Obliczenia pomocnicze do wyznaczenia wskaźników zróżnicowania

analizowanych struktur zawiera tab li ca 6.30 (s. 350). Dla ułatwi enia zapisu poszczegól-
nym rypom gospodarstw w tablicach 6.28 i 6.29 nadano numery (p. q = I. 2. 3, 4, 5, 6)
i u żyto ich w tablicy 6.30
W rezultacie otrzymujemy (6.47)
0,2678 0. 1625 0.2447

V12= - - =0, \ 339. \113=~=0, 0 8 17, \114= - - = 0.1 224,
2 2
0.2610 0. 2313
V15 = - 2 - = O, 1305. V16=~=O ,115 7 .
0. 3013 0.3774
Vz.1 = - 2 - =0.1506. V25 = - - =0, 1887 .
2
0.4300
\12b=-2 - = 0.2150.
V34 =
0.2775
~ =0,1 388, V35 = 0 · 3~0J = 0. 1652. V36 =
0 2 36
· : = 0.1418.
0.3765 0.4227
V45 = - - = 0.1882, V46 = - - = 0.2113.
2 2
0.1069
V56 = - - = 0,0534
2
Wydatki gospodarstw domowych w 2005 r. (w z! na osobę)
pracowników
pracujących
Lp. Wyszczególnienie nastanow1s- prnrnwo;ków""-1
stanowis~achnic- rolników na rachunek emerytów rencistów
kach robotni-
robom iczych (3) wlasny (5) (6)
czych
(2) (4)
(I)
I Żywność i napoje
bezalkoholowe 162.06 206.26 192.78 204.86 223.92 188.45
2 Napoje alkoholowe
i wyroby tytoniowe 17.99 21.61 14.07 23.57 19.28 16.25
3 Odzież i obuwie 26.55 28.16 58.14 26.64 19.48
4 Użytkowanie mieszka-
niainośnikicnergii 98.96 164.78 88.49 144.81 183.17 141.67
5 Wyposażcniemieszka-
24.62 52.85 29.23 45.10 37.26 25,86
6 Zdrowie 16.22 37. 17 19.52 29.71 69.86 46.75
7 Transport 43.10 115.54 53.34 97.86 46.78 27.26
8 ląc7.11ość 26.97 52.46 24.48 56.41 39.48 30.47
9 Rekreacja i kultura 29.90 83.72 22.76 82.32 45.69 28.13
IO Edukacja 6.06 21.4 1 5.10 15.57 2.88 2.70
li Restauracje i hotele 8.96 22.55 3.68 23.51 7.91 7.56
12 l nnecow;iryiusługi
(w cym higiena
osobis1a) 23.38 54.21 2 1.74 45.03 39.09 25.58
13 Pozostałe wydatki 21.16 48.60 30.56 42.91 70.30 44.45
X Wydatki ogółem 505,93 940,32 533,9 1 869.80 8 12,26 604.6 1
Źródło:Roci:nikS1a1ys1yczny2006.s.296-300
6.3. Analizastrukturwydatkl'iwi ichzrl'iżnicowania
Struktury wydatków gospocfars tw domowych w 2005 r. (w%)
Lp Wyszczególnienie
~~~~:n:~~s~ pracown~ków na . .!pracujących
kach robotni- ~tanowis_k ach rolników na rachunek emerytów rencistów
h mcrobotn1czych (3) własny (5) (6)
c~~; (2) (4)
bezalkoholowe 0.320 0,219 0.36 1 0.236 0.216 0.312
2 Napojca lkoholowc
i wyroby tytoniowe 0,036 0.023 0.026 0.027 0,024 0.027
3 Odzież i obuwie 0.052 0.063 0.053 0.067 0.033 0.032
4 Użytkowan ie mieszkania
i nośniki energii 0. 196 0.175 0. 166 0.166 0.226 0.234
5 Wyposażenie mieszkania 0.049 0.056 0.055 0.052 0.046 0.043
6 Zdrowie 0.032 0.040 0.037 0.034 0.086 0.077
7 Tr;mspo11 0.085 0.123 0. 100 0.113 0.058 0.045
8 Łączność 0.053 0.056 0.046 0.065 0.049 o.oso
9 Rekreacja i kultura 0.059 0,089 0.043 0.095 0.056 0,047
10 Edukacja 0.012 0.023 0.0 10 0.018 0.004 0,004
li Restauracje i hotele 0,018 0.024 0.007 0.027 O.QlO 0.013
12 Inne towary i usługi
(w tym higiena osobista) 0.046 0.058 0.04 1 0.052 0.048 0.042
13 Pozostałe wydatki 0.042 0.052 0.057 0.049 0.087 0.074
X Wydatkiogókm 1,000 I.OOO 1,000 1,000 1,000 1,000
żródłu:obliczcniawłasne
Obliczone wskaźniki można zapisać w postaci symelrycznej macierzy zróżnicowa

nia struktur, w tym wypadku macicrLy o wymiarach 6 x 6, prLcdstawioncj poni żej.
W dodatkowej. siódmej kolu mnie tej macierzy podano sumy wskaźników stmktury dla
poszczegól nych kategorii gospodarstw domowych, co ułatwi wyodrębnienie typów naj-
bardziej różniąc yc h s ię od pozos t ał yc h. Macierz zróżnicowania struktur mi ędzy grupami
gospodarstw domowych w 2005 r. jest nas t ępująca·
L:
0.0000 0. 1339 0.0817 0.1224 0.1 305 0. 11 57 0,5842
0.1 339 O,OOOU 0.1506 0.0419 0.1887 0.2 149 0,7300
J 0.0817 0. 1506 0,0000 0.1388 0.1652 0. 1418 0,678 1
0.1224 0.04 19 0.1388 0.0000 0.1882 0,2113 0,7026
0.1305 0. 1652 0.1652 0.1882 0.0000 0.0534 0,7025
6 0.1157 0.2 149 0.1418 0.2113 0.0534 0.0000 0,737 1
Tablica6.30
Waności bezwzg lędne różnic między wskaźnikami st rukmry l,'l;p - tl1ą l
Lp ~,-
--, -,-
_-, l-,-
_-,-
, _-,~, _-,-,-_-,-,-_-,-,-_-,-,-_-,-,-
_-4 _3__-51_
3_ -, -, _- ,- ,- _- ,- ,- --j
6
I 0.101 0.041 0.085 0.045 0.009 0.142 0.016 0.056 0.092 0.126 0,085 0.049 0.040 0.076 0.036
2 0.013 0.009 0.008 0,012 0.009 0.003 0.004 0.001 0.004 0.001 0.003 0.001 0,003 o.ooo 0.003
3 0.010 O.OOO 0.014 O.D20 O.Q20 O.QIO 0.004 O.Q30 0.031 0.014 0.020 0.021 0,034 0.035 0.001
4 O.D20 O.Q30 0.029 O.Q30 0.039 0,009 0.009 0.050 0.059 0.001 0,060 OJJ69 0,059 0.068 0,009
5 0.008 0.006 0.003 0,003 0.006 0,001 0.004 0.010 0.01 3 0.003 0,009 0.012 0,006 0.009 0,003
6 0.007 0,005 0.002 0.054 0.045 0.003 0.005 0.046 0.038 0.002 0.049 0.04 1 0.052 0.043 0.009
7 0.038 0,0 15 0.027 0.028 O.o40 0.023 O.QlO 0.065 0.078 0.013 0.042 0.055 0.055 0.067 0.013
8 0.002 0.007 0,0 12 0,005 0.003 O.QIO 0.009 0.007 0.005 0.019 0,003 0,005 0,016 0.014 0.002
9 0,030 0.0 16 0,036 0,003 0.013 0.046 0.006 0,033 0.043 0,052 0,014 0,004 0,038 0.048 O.QIO
10 0.0 1l 0.002 0.006 0,008 0.008 0.013 0.005 0.019 0.0 18 0.008 0.006 0,005 0.014 0.013 0.001
Il 0.006 O.O il 0.009 0,008 OJJ05 0.017 0.003 0.014 O.Oil 0.020 0.003 0.006 0,017 0,015 0.003
12 0.01 1 0.005 0.006 0,002 OJJ04 0.017 0.006 0.010 0.015 O.Ol I 0.007 OJJ02 0,004 0,009 0.006
13 O.QlO 0.015 0.008 0.045 0,032 0.006 0.002 0.035 0.022 0.008 0.029 0.016 0.037 0.024 0.013
L 0,268 0,163 o,24s 0.261 o,231 o.Jo1 0,084 0.377 o,430 0,218 0,330 o,284 0.376 o,423 0.101
Żródło:obliczeniaw/asne
Nietrudno zauważyć, że najbardziej róż ni s i ę od pozos tał yc h struktura wydatków

w gospodarstwach rencistów (6) oraz w gospodarstwach pracowników na stanowiskach
nierobotniczych (2), natomiast najmniej - struktura wydatków w gospodarstwach pra-
cow ników na stanowiskach robotniczych ( I). Bardziej szczegółowa analiza wskaźni
ków zróżn i cowania rozważanych struktur (macierL) pozwala za uwa żyć, że najbardziej
podobne były struktury w gospodarstwach: pracowników na stanowiskach nierobotni -
czych (2) oraz pracuj<1cych na rachunek własny (4) ll:2 4 = 0.0419, emerytów (5) oraz
rencistów (6) v56 = 0.0534, pracowników na stanowiskach robotniczych ( I) oraz rolni-
ków (3) 11 13 = 0.08 17. natomiast najbardziej różniły s ię od siebie strnkn1ry wydatków
rencistów (6) oraz pracowników na stanowiskach nierobotniczych (2) t1:2 6 = 0.2149
i rencistów (6) oraz pracując yc h na rachunek własny (4) 1146 = 0. 21 13.
Szczegółowa analiza struktur wydatków (tablica 6.30) pozwala zao b se rwować, iż
gospodarstwa rencistów (a także emerytów) stosunkowo dużą część dochodów przezna-
czają na żyw ność (c hoć n<tjwi ększy ud zia ł wydatków na żywność w wydatkach ogółem
obserwujemy w gospodarstwach rolników), zdecydowanie naj w i ę k szą na uży 1kowa nie
mieszkania i n ośn iki energii, a także na zdrowie. za Io znacznie mniej szą na transport
Przykład 49. W tablicy 6.31 zestawiono strnktury wydatków gospodarstw rolników
w latach 1997-2005. Określić zmiany. jakie zach od z ił y w analizowanych strukturach
z roku na rok oraz oce ni ć, w jakim stopniu struktura wydatków w 2005 r. była podobna
do struktury z 1997 r. Czy zmiany struktur wykazywały stały kierunek?
6.3. Analizastrukturwydatkl'iwi ichzrl'iżnicawania
Tablic116.JI
Lp Wyszczególnienie 1997 1998 1999 2000 200 1 2002 2003 2004 2005
bc1_alkoholowe 0.446 0,455 0.429 0.417 0.4 19 0.391 0.403 0.379 0.361
Napoje alkoholowe
i wyroby 1yto11iowe 0.036 0.034 0.034 0,032 0.032 0.03 1 0.033 0.029 0.026
3 Odzież i obuwie 0.069 0.069 0.066 0,055 0.055 0.056 0.052 0.055 0.053
4 Użytkowaniemieszkania
i11oś11ikie11ergii 0.125 0. 11 9 0. 130 0. 123 0. 132 0.144 0.147 0.141 0.166
S Wyposażen ie mieszkania 0.055 0.051 0.051 0.057 0.044 0.050 U.048 O.OSO 0.055
6 Zdrowie 0.QJO 0.037 0.037 0.036 0.037 0.035 U.040 0.038 0.037
7 Transport 0.094 0.083 0.101 0.106 0.116 0.109 0.086 0.115 0.100
8 Łączność 0.010 0.014 0.021 0.028 0.037 0.038 0.(l41 0.041 0.046
9 Rekreacja i kuhura 0.037 0.040 0,041 0.045 0.(143 0.04 1 0.044 0.045 0.043
10 Edukacja 0.008 0.008 0,010 O.Ol I O.O l I O.Ol I O.Ol I O.OlO O.QlO
ll Restauracje i ho1cle 0.003 0.002 0.004 0.004 0.003 0.007 0.005 0.006 0.007
12 l nnetowaryiusługi {w lym
higiena osobista) 0.040 0.045 0.038 0.046 0.04 1 0.042 0.044 0.046 0.041
13 Po:ws1:1 łc wydatk i 0.047 0.043 0.038 0,039 0.030 U.047 0.045 0.045 0.057
Wyda1ki ogółem 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Żródto:obliczcniawłasnc11apodsrnwieRocznikówSca1ystycznych 1998-2006
Rozw iązanie. Obliczymy wartośc i mi ernika Vr.r - r (6.49), przyjmując t = 1997.

2005; r = I (czyli zróż ni cowani e struktur między kolejnymi latami) oraz zróż n icowani e
między skrajnymi latami analizowanego okresu v20051 1997 . Tablica 6.32 zawiera oblicze-
nia pomocnicze, ostai ni jej wiersz zawiera wartośc i odpowiednich miar z róż ni cowa ni a.
Jak nietrudno zauważyć zmiany, jakie zaszł y w strukturze wydatków gospodarstw
rolników w latach 1997-2005 są niewielkie. Ws kaźnik zróżn i cowania mi ę d zy latami
1997 i 2005 wynosi tylko 0. 1111 (ostatni wiersz tablicy 6.32). Jeszcze mniejsze zmiany
zachodz ił y z roku na rok; wskaźniki zróżn i cowania struktur mi ędzy kolejnym latami są
rzęd u 0,03-0,04. Aby ocenić czy te zachodzące z roku na rok ni ewielkie zmiany miał y
stały kierunek, obliczamy miernik monot o niczności I/ we dłu g wzoru (6.50) . Dla ca łego
analizowanego okresu przyjmuje on wartość:
0.1111 0.1111
1 0.3835
' 0.0280 + 0.0420 +. + 0.0375 + 0.047 1 0. 2897
Warto ść tej miary znacznie poniżej I św iadczy. że zmiany zac hod zące w strukturach
wydatków gospodarstw rolników nie wykazywały określonej stałej tendencji. Analizu-
j ąc szczegółowo s t rukturę wydatków w kolejnych latach (tabli ca 6.3 1) zauważamy, że
sys t e m atyczną tendencj ę spadkową wykazywały wydatki na żywność (ich udział spadł
z oko ło 45% w latach 1997, 1998 do około 36% w 2005 r.), o około I punki procentowy
Tahlica6.32
Wartości bezwzgl ędne różnic m iędzy wskaźnikami struktury 1.8,·p - .B;q I

Lp
1998 1999 2000 2001 2002 2003 2004 2005 2005
il997 il998 i 1999 i2000 i2001 i2002 i2003 i 2004 il997
0.009 0.026 0.012 0.002 0.029 0.01 3 0.024 0.018 0.085

0.002 O.OOO 0.002 O.OOO 0.001 0.001 0.004 0.002 0,010
o.ooo 0.003 0.011 o.ooo 0.001 0.004 0.003 0.002 0.016
0.006 0.011 0.007 0.008 0.012 0.003 0.006 0.025 0.041
0.004 o.ooo 0.006 0.014 0.006 0.002 0.003 0.004 o.ooo
0.007 o.ooo 0.00 1 0.001 0.002 0.006 0.002 0.002 0.007
O.Ol I 0.018 0.006 0,010 0.007 0.023 0.029 0.0 15 0.006
0.004 0.007 0.007 0.009 0.001 0.003 o.ooo 0.005 0.036
0.003 0.001 0.005 0.002 0.002 0.003 0.001 0.002 0.006
IO o.ooo 0.002 0.002 o.ooo o.ooo 0.001 0.001 o.ooo 0.002
0,001 0.002 o.ooo 0.001 0,004 0.001 0.001 0.001 0.004
12 0.005 0,007 0,008 0,005 0,001 0,002 0,001 0,005 0.001
13 0.004 0,005 0,001 0,009 0,017 0.001 o.ooo 0,012 0,010
l.: 0,056 0,082 0,066 0,060 0,083 0,063 0,075 0,094 0,222
0,0280 0,0-łlO 0,0330 0,0298 O,O-ł16 0,03 17 0,0375 0,0471 0,1111
7..ród ło:oblicr.l' oiawbsne
zm ni ejszy ł s i ę udział
wydatków na napoje alkoholowe i wyroby tytoniowe i o o koł o 1.5
punktu procentowego - udział wydatków na odzież i obuwie. Natomi ast systematycz-
nie wzrasiał ud z iał wydatków związa nyc h z utrzymaniem mieszkania z około 12% do
16,6%, a także wydatków na łąc zn ość (z I % do 4,6%), udział pozostałych wydatków
w analizowanym okresie pod legał pewnym wahaniom
Zadania
174. W tablicy 6.33 zestawiono rozkład pobierających re nty inwalidzkie wed łu g wy-
sokości św i ad cze1l mi esięcznyc h w kw ietniu 2005 r.
Sprawdzić za pomocą testu serii na poziomic i stot n ośc i a = 0.05 czy rozkład rent
inwalidzkich w kwietniu 2005 r. można aproksymować rozkładem Pareto
175. Z podsystemu informatycznego ,,MAGISTER'', gro madzącego informacje
o pracownikach z wyższy m wykształceniem, uzyskano m.in. następujące infommcje (ta-
blica 6.34) o zarobkach specjalistów w zakresie nauk śc i s ł ych oraz specjali stów w za-
kresie nauk humanistycznych i spo łecz n yc h w styczniu 2007 r
Wysd:ośt Pobicrn)iłcy
świadczenia renty inwalidzkie
w'/ w%
Do500 0.3
500-6/JO 4.6
600- 700 3.7
700-- 800 8. 1
800--1000 20.4
1000-1200 20. 1
1200-- 1400 14.5
9.3
5.6
1800--2000 3.6
2000-2200 2.6
2200--2400 2.2
2400--2600 1.9
2600--2800 1.3
2800--3000 0.9
3000-3200 0.5
3200i więcej 0.4
i.: 100,0
7..r6dło:RocznikSrntystyczny2006.s.281
Tablica6.34
Odsetkizarnbiających
fTI~!~11::r::;::znc f----~-----i
spccjnli śc ina llk specja liśc i nauk
wzł
śc isłych humanistycznych
Do 1600 20.8 24.5

1600-1800 22.7 25.9
20.1 IS.I
2000-2200 25.3 19.4
2200--2400 7.8 7.0
2400--2600 2.7 2.8
2600--2800 0.3 1.3
2800--3000 0.2 0.6
3000i więcej O.I 0 .4
100,0 100.0
7..r&lło:daneumowne
Na poziomie i s totnośc i a = 0.05, za po mocą testu serii zwe ry fikowa ć hipo tezę. że
rozkłady specjali stów nauk śc i s ł ych i humani stycznych m ożna aproksymować rozkła
dem Pareto. Porów nać obydwa rozkłady
176. Tablica 6.35 zawiera szereg rozdzielczy mi esięcz n yc h wynagrodzei'i pracowni-
ków zatrudni onych na stanowiskach nierobotniczych w fi rmie „Kopiko" według wyso-
kośc i przeciętnej mie sięcznej p łacy w ostatnim pó łroczu
T11blic116.35
Wyn:igrodzenia Liczba
m1esu:czne pracowników
W</ (11;)
1000--1200
1200--1400
1400--1600 23
1600-1800 26
2200--2400
2400--2600
2600--2800 12
2800--3000
L 2so
Żródlo: daneumowne
(a) Na poziomie i s totno śc i a = O.OS za pomocą testu zgod n ości x 2 zweryfikować

hipot ezę, że rozkład plac tych pracowników jest rozkładem normalnym
(b) Obliczyć kwartyle, modalną oraz mierniki zróżnicowania dochodów
(c) Przeprowad z i ć a nal i zę po równawczą rozkładu plac pracowników zatrudni onych
na stanowiskach nierobotniczych z analogicznym rozkładem plac pracowników zatrud-
nionych na stanowiskach robotniczych w tej firmi e (przykład 37)
177. W tablicy 6.36 zestawiono wyniki badania IO690 gospodarstw pracowniczych.
W badanej grupie wyodrębniono gospodarstwa pracowników zatrudnionych na stano-
wiskach robotniczych oraz na stanowiskach nierobotniczych, a następ n ie pogrupowa-
no gospodarstwa według wysok ośc i przec i ę tnego mi es i ęcznego dochodu na osobę w
2007 r. Dla obydwu grup
(a) za pomocą testu A Kołm ogorowa na poziomie i sto tno ści a = 0.05 zwery fikować
hipote zę, że rozkłady empi ryczne m ożn a aproksy mować rozkłade m normalnym.
(b) oszacować dodatkowe parametry rozkładów dochodów: kwartyle. modalną, I i IX
decyl oraz współczynnik zmienności,
(c) porównać obydwa roz kłady.
Tablica6.36
Liczbagospoclarstw
Grupy llochodowe
w zł na osobę miesięcznie prncowników na siano- prncowników nu srnno
wiskach robotniczych wiskach nicroborniczych
300- 400 52 340

400- 500 229 690
500- 600 652 1203
600- 700 989 1460
1042 1272
820 760
1000--1200
1200- 1400
178. W tabli cy 6.37 zestawiono uzyskane z podsystemu „MAGISTER" (gromad zą

cego dane o pracownikach z wyższy m wykształcenie m) informacje o zarobkach inży
ni erów architektów w styczn iu 2007 r.
Tałllica6.37
Płucu
Zairudnicni
m1e s 1ęczna
w%
"''
DoSUO 5.9
800- 900 8.4
900- 1000 10.9
1000-1 200 28.5
1200- 1400 26.9
13.6
4.2
1800-2000
2000iwięcej 0.2
i:: 100,0
Żródło:dan cumownc
(a) Wiedząc , że
badaniem o bjęto 2000 in żynierów architektów. za pomocą testu
zgodnośc i A Kołmogorowa na poziomie i s t otności a = 0. 05 zweryfikować h i pot ezę.
że roz kł adempiryczny można aproksy mować rozk ł adem normal nym.
(b) Obl iczyć dodatkowe parametry analizowanego rozkład u wynagrodzetl i krótko
go sc h arak t eryzować
179. W biidaniach budżetów rodzinnych otrzymano następujący (tablica 6.38) sze-

reg rozdzielczy przeciętnych miesięcznych dochodów na osobę w gospodarstwach eme-
rytów i rencistów w 2007 r
Tablka6.38
Grupy dochodowe Liczba gospodarstw

wzłnaosobęmiesięcznie domowych
Do300 101
300--350 279
350--400 623
400-450 1359
45G-500 936
800i więcej
(a) Zapomocą testu zgodno śc i A Kołmogorowa na poziomie i s t otności ot = 0,05

zweryfikować hipotezę, że rozkładdochodów jest rozkładem normalnym
(b) Za pomocą tego samego testu zweryfikować hipo1ezę. że rozk ład dochodów
emerytów i rencistów jest rozkładem logarylmiczno-normalnym (parametry rozkładu
Jogarytmiczno-normalnego oszacować metodą momentów, domykając skrajne prledzia-
ły)4o
(c) J eżeli rozkład

Jogarytmiczno-nommlny dobrze aproksymuje rozkład empiryczny
- oszacować dodatkowe charakterystyki tego rozkładu i zi nt e rpre t ować je.
180. Tabli ca 6.39 zawiera uzyskany w wyniku badań budżetów rodzinnych sze-
reg rozdzielczy gospodarstw pracowników zatrudnionych na stanowiskach robotniczych
w 2007 r. według wysokości dochodów na g ł owę
(a) Za pomocą testu A K ołm ogorowa na poziomic istotnośc i ot= 0.05 zweryfikować
hipotezę, że rozkład dochodów w gospodarstwach robotniczych jest rozkładem normal-
nym.
(b) Sprawdzić za pomocą testu A Kołmogorowa, że rozkład empiryczny można opi-
sać rozkładem logarytmiczno-normalnym (parametry rozkł:idu logarytm iczno-normal -
nego oszacować zmodyfikowaną MNW)
(c) Obliczyć ważniejsze charakterystyki rozkładu dochodów, wykorzystując oszaco-
wania parametrów rozkł adu logarytmiczna-normalnego
(d) Porównać rozkład dochodów w gospodarstwach robotniczych z analogicznym
rozkła dem w gospodarstwach emerytów i rencistów z zadania 179
4
0Jcżeli skrajne prledziały klasowe szeregu rozdzielczego są niedomknięte i brak jest dodatkowy.:h in·
fomiacji (np. o minimalnej lub maksymalnej płacy). to zwy kle domykając ce pnedziały prLyjmuje się rnką
ich rozpiętość.jak przedziałów sąsied nich
Tablica6.39
Grupy dochodowe
w z! na osobę miesięcznic gospodarstw
Do300
300-350
350-400 397
715
450-500 453
500-<i-00 253
600-800 148
SOOi więcej J07
i.: 2512
Żródło:daneomowne
181. W tablicy 6.40 przedstawiono rozkład pobierającyc h emerytury wedłu g wyso-

kości św iad czeń miesięcznychw kwiet niu 2005 r.
Tablica6.40
Wysokość Pobierający
świadczenia w z/ emerytury w %
Do500 0.3
500- 600 4.6
600- 700 3.7
700- 800 8.1
800-1000 20.4
1000-1200 20.1
1200-1400 14.5
1400-1600 9.3
1600-1800 5.6
1800-2000 3.6
2000-2200 2.6
2200-2400 2.2
2400-2600 1.9
2600-2800 1.3
2800-3000 0.9
3000-3200 0.5
3200i więcej 0.4
i.: 100,0
Żf'6dło:RocznikS1atys1yczny2006,s.28!
(a) Sporządzić wykres przeds t awiający empiryczny rozkład św i adczeń

(b) Metodą kwartyli oszacować parametry kn:ywcj logarytmiczno-normalncj aprok-
sy mują cej szereg empiryczny.
(c) Wykori;ys tując oszacowania parametrów krzywej logarytmiczno-normalnej, ob-

liczyć ważniejsze charakterystyki rozkładu emerytur w kwietniu 2005 r
182. W tabl icy 6.4 l zestawiono zatrudnionych w dziale „Wytwarzanie i zaopatrywa-

nie w e n erg i ę e l ektryczną , gaz i wodę" według wynagrodzeń w paźd zie rniku 2004 r
Zatrudnieni w%
Wynagrodzenia
w,/
ogółem mężezyini kobiety
0.4 0.4 0.7

947.41 - 1 184.26 I.I I.O 1.7
I 184.26-1421.12 2.7 2.5 3.4
1421.12-1657,97 5,2 5.0 6.2
1657,97-1894.82 9.0 9.1 8,9
1894.82- 2131.67 11.7 li.I 13.9
2131.67- 2368.53 12.4 12.0 14.3
2 368.53- 2 842.23 21.3 20.5 23.4
2842.23- 3315.94 14.5 15.1 ll.9
3 315.94- 3 789.64 8.1 8.7 5.9
3 789.64-4 263.35 4.7 5.1 3.2
4263.35- 3737.05 2.9 3.1 2.1
4737.05- 5684.46 2.9 3.1 2.2
5684.46--6631.37 1.2 1.3 0.9
6631,87i więcej 1,9 2.0 1.3
l:: 100,0 100,0 100.0
7..r6dło:RoczoikStmy.<tyczny2006. s.2W-295
Zak ładając, że rozkłady te można aprok sy m ować rozkładem logarytmiczno-nonnal-

nym (co łatwo sprawdzi ć s porządzając wykres), nal eży oszacować parametry tej krzywej
dla mężczyzn i kobiet. a na s t ę pni e na ich podstawie obliczyć charakterystyki rozkładów
empirycznych. Czy w analizowanym dziale obserwuje się znaczne różn i ce m i ęd zy roz-
kładem wynagrodzeń m ężczyzn i kobiet?
183. W pewnym prLedsiębiorstwic prowadzona jest analiza wy nagrodze ń mężczyzn

i kobiet. Zebrane informacje (wy różnion o 11 przedział ów wysokości wy nagrodzeń)
z ostatniego roku przedstawiono w tablicy 6.42
Tablica6.42
Wynagrodzenie Li czbazarab i ającyc h

m iesięcz n e
(wzl) mężczytni kobie ty
1600i mniej
1600--1800 12 15
1800--2000 39 35
2000--2200 63 55
2200--2400 54 40
2400--2600 39 30
2600--2800 27 20
3200-3400 12
3400 i wi ęcej 9 10
i::
Ź ród ło :dru1cumown c
Za pomoc ą metody kwantyli nal eży oszacow ać parametry krzywych logarytmiczno-

-normalnych a p roksy muj ącyc h szeregi empiryczne. W oparciu o oszacowania parame-
trówµ i a wyz n aczyć ważni ejsze charakterystyki anali zowanych rozkładów oraz ocen i ć
różni ce po mi ęd zy rozkł adami wy n ag rod ze ń mężczyzn i kobiet
184. Z u czes tni czącyc h w badani ach bud żetó w rodzinnych gospodarstw prac uj ącyc h
na rachunek włas n y wylosowano grupę l iczącą 350 gospodarstw, które p row ad z ił y za-
pisy w sposób c i i1gł y w latach 2006 i 2007 . Bi orąc pod uwagę dochód realny na g łowę,
dokonano pod ziału tych gospodarstw na 8 grup dochodowych:
grupa I do 400 zł
grupa 2 400- 600 zł
grupa 3 600- 800 zł
grupa 4 800- 1OOO zł
gmpa 5 1000-1200 zł
grupa 6 1200- 1400 zł
grupa 7 1400- 1600 zł
grupa 8 powyżej 1600 zł
W tablicy 6.43 zestawiono rozkład y badanych gospodarstw we dłu g grup dochodo-

wych (w zł na czł on ka rodziny m ies i ęcz ni e) w 2006 i 2007 r. (ostania kolumna i ostatni
wiersz) oraz zmiany, j akie za szł y w tym okresie (przes un ięc i e gospodarstw do innych
grup dochodu)
Tahlica6.43
Grupy Grupy dochodów w 2007 r.

dochodów f - - - - - - - - - - - - - f - N;(2006)
22 80
12 69 27 12 120
26 90 28 12 160
16 40 172 60 24 320
26 100 54 16 200
63 42 140
46 22 80
Nj(2007) 62 133 169 245 156 123 72 1150
7..r6dło:dancumowne
Oszacować macierz prawdopodobie1lstw przejścia. a nas t ęp ni e na jej podstawie oce-

ni ć:
(a) stabilność dochodów badanej grupy gospodarstw,
(b) kierunek zmian ich dochodów,
(c) szy bkość, z jaką maleją prawdopodobieństwa p rtej śc ia wraz ze wzrostem odle-
głośc i mi ędzy klasami.
Zakładając, że prawdopodobieństwa przejścia pozost an ą niezmienione, wyznaczyć
oczekiwany rozkład gospodarstw pracującyc h na rachunek w łas ny według grup docho-
dów w 2008 r
185. W tablicy 6.44 zestawiono wyniki badania grupy 800 gospodarstw emerytów
w latach 2006 i 2007. Gospodarstwa uj ę to w 7 na s tępującyc h grupach dochodowych
(wed łu g
poziomu dochodu w z ł w przeliczeni u na członka rodziny):
gmpa I do 400 zł
grupa 2 400-500 zł
grupa 3 500-600 zł
grupa 4 600-700 zł
grupa 5 700-800 zł
gmpa 6 800-900 zł
grupa 7 powyżej 900 zł
Ostatni wiersz i ostatnia kolumna tab licy 6.44 zawierają rozkład y gospodarstw we-
dług poziomu dochodu na g ł owę, odpowiedn io, w 2006 i 2007 r. , natomiast wielko-
ści wewnątrz tablicy to liczby gospodarstw, które w 2006 r. na l eżały do i -tej gmpy
(i = I. , 7) , a w 2007 r. przeszły do }-tej grupy(} = \, , 7)
Tablica6.44

dochodowe N;(2006)
w2006r.
50 20 IO 80
5 60 35 100
12 15 30 24 150
11 0 71 IO 200
14 70 42 14 140
46 80
36 50
N1(2007) 55 92 129 158 176 118 72 800
7-Iódło,daneumownc
Nal eży oszacować macierz p rawdopodobieńslw p rzejścia, a n ast ępnie oce ni ć:

(a) s 1 opi eń stabiln ośc i dochodów gospodarstw emerytów i rencistów w okresie
2006/2007,
(b) kieru nek zmian ich dochodów,
(c) tempo spadku prawdopodobieństw przejścia w mia rę wzrostu od l eg łośc i mi ę d zy
klasami
Jak będzie się p rzeds t awiał rozkład gospodarstw emerytów według grup dochodów
w 2008 r. pn.:y z:1 łoże niu , że prawd opodobieństwa przejśc i a są stale w czasie?
186. Wylosowana gmpa 4450 gospodarstw pracowniczych prowadzi ła nieprzerwa-
ni e w latach 2005-2007 zapisy doc hodów (i wydatków). Na podstawie uzyskanych
wyników oszacowano macierze prawdopodobieńs 1w przejścia ? 200512006 (tabli ca 6.45)
i ? 2006/ 2007 (tablica 6.46)
Tablica6.45
Grupy Grupy dochodowe w 2006 r

dochodowe C - - - - - - - - - - - - - - - - - - - - - - < L:Pij
w2005r.
0.761 0.182 0.057

0.092 0.712 0.134 0.062
0.032 0.151 0.628 O.Ili 0.078
0.012 0.045 0.091 0.593 0.205 0.054
0.056 0.123 0.563 0.190 0J)44 0.024
0.099 0.134 0.526 0.156 0.085
0,043 0.091 0.599 0.267
0,045 0.088 0.168 0.699
Źródło' dane umown~

Tablicn6.46

dochcxlowe f - - - - - - - - - - - - - - - - - j LP1j
0.721 0.205 0.074

0.073 0.634 0.186 0.107
0.021 0.133 0.562 0.163 0.078 0.043
0.034 o.oso 0.504 0,226 0.098 0,058
0.045 0.111 0.465 0.215 0,099 0.065
0.049 0.113 0.426 0.257 0.155
0.043 O.D7l 0.587 0.299
0,043 0.299 0.658
źródło: daneu muwne
Należy ob l iczyć wartośc i mierników c c2, c3 i porówn uj ąc je dla kolej nych okresów
1 ,
okreś li ć, jakie zmiany w zakresie poziomu dochodu na głowę zaszły w badanej grupie
gospodarstw
187. Producent wyrobów czekoladowych z l ecił firmie konsulti ngowej zbadanie
wpływ u na s p rzedaż wyrobów w 11 województwach s tanowiących rynki zbytu produ-
centa (Y w tonach rocznic): ś red ni ch cen detalicznych galanterii czekoladowej ustala-
nych przez g ł ów n ych odbiorców (za l eżn ych m.in. od wyso kośc i stosowanej przez nich
Tablica6.47
Wojewóclztwo
Sprzedaż I 1~~:~~~~~~ Średnia
wtonach wynagrodzenie
wzl/osobę
Podkarpackie: 22.5
Łódzkie 25.4 1310 28
Lubelskie 43.0 1480 19
Świctokrzyskic 32.0 1600 27
Zachodniopomorskie 35.0 1680 25
Do lnoś ląskie 29.0 1856 34
Opolskie 39.0
Wielkopolski e: 55.0
Śląskie 46.0 2550 28
Małopol skie 61.0 2880 23
Mazowieckie 43,0 2900 33
Żródłu :daneumuwne
marży oraz od struktury sprzedaży) w tych województwach - X oraz przeciętnego
1
miesięcznego wynagrodzenia w tych województwach - X2. W oparciu o informacje

działu marketingu (o wielkości i strukturze sprze daży oraz cenach stosowanych przez
odbiorców) i materiały Wojewódzkiego Urzędu Statystycznego (o dochodach ludn ośc i )
zbudowano tablicę 6.47.
(a) Oszacować p<1rametry funkcji potęgowej opisującej badaną zależność
(b) W cel u upłynnienia zgromadzonych zapasów rozważana jest możliwość obniżki
ceny wyrobów czekoladowych. Jak nal eża łoby z mi e ni ć przeciętną cenę, aby sprzed aż
wzrosła o 4%,jeżcli nic przewiduje s ię zmiany dochodów ludności?
(c) Jak zmieniłaby s i ę s przedaż, gdyby równocześnie z obliczoną w punkcie (b)
z mianą ceny przeciętne miesięczne wynagrodzenie wzrosło o 3%?
188. W tablicy 6.48 podano wielkości określające: y - sprzedaż mięsa wieprzowe-

go (bez kości) w tonach; x 1 - przeciętne miesięczne wynagrodzenie w zł na osobę; x 2
- przeciętną cenę mię sa wieprzowego w zł/kg; X3 - przeciętną cenę filetów drobio-
wych w z ł/kg w gminach powiatu wadowickiego, w których firma „Atuz" ma punkty
sprze daży
Gmina
251
339 2690
262 2440 17 22
362 2880 13 23
254 2910 16 17
258 2540 14 18
245 2900 17 17
310 3 250 14
i.: 2675
Źródło, dane umowne
(a) Na podstawie powyższych danych nal eży zb udować i oszacować model potęgo
wy opisujący kształtowanie s i ę sprzedaży mięsa wieprzowego w za l eżności od docho-
dów ludno śc i oraz cen tegoż mięsa i cen drobiu.
(b) Jak zmieni się sprzedaż mięsa, jeżeli pr.teciętna miesięczna płaca i cena mięsa
wzrosną o 5%, a cena drobiu obniży s ię o 4%?
(c) Czy przy tej samej pr.tcciętncj płac y i niezmienionej cenie drobiu wzrost prze-
ciętnej ceny mięsa wieprzowego (wy noszącej 14,38 zł) o 10% doprowadzi do wzrostu
obrotów firmy (przychodów ze s przedaży)?
189. W pewnym województwie s p rzedaż odbiorni ków telewizyjnych {Y) w sztu-

kach, globalne realne dochody lud ności w prt.eliczcniu na jednego m i eszka ń ca (X w zł 1
)
oraz przecięt n e ceny odbiorników telewizyjnych (X 2) w mln zł w poszczególnych kwar-

ta lach 2005, 2006 i 2007 r. kształtowa ł y się jak w tablicy 6.49
Ta blka6.49
Rok Kwanał
2005 101 2 420 1140

li 1052 450 1140
Ili I 065 480 1200
I 007 450 12 10
2006 1033 510 1310

1083 570 1 332
Il i 1055 570 1 356
1034 600 [ 440
2007 1128 690 1440

1155 720 1464
Ili 11 84 780 1500
840 1524
Żródlo:daneumownc
{a) Oszacować parametry funkcji potęgowej op i sującej za l eż ność sprzedaży telewi-

zorów od dochodów l udn ośc i i cen
{b) Ja ką politykę cenową n ależy prowadzi ć w kolej nych kwarta ł ach 2008 r., aby
os i ągnąć s p rzedaż na poziomie 1292 sztuk w I kwartale i, odpowiedn io, 1320, 1353
i 1428 sztuk w kolejnych kwart a ł ach tego roku, jeżeli przewiduje s i ę, że realne docho-
dy l ud ności w I kwartale nie u l eg n ą zmianie, a w kolejnych kwartał ach będą wyższe.
odpowiedni o. o 2,5%, 4,4% i 4,4% w porównaniu z IV kwartałem 2007 r
190. Na podstawie danych za lata 1993-2007 oszacowano funkcje popytu i otrzy-
rp 2 = 0.086.
gdzie: y1 - popyt na magnetofony w tys. szt.; x 11 - globalne dochody l u d ności; x21 -
cena magnetofonów; x 31 - cena kaset magnetofonowych
{a) Zinterpretować otr.tymane wyniki
(b) Jak zmieni s i ę popyt na magnetofony. j eżeli dochody ludnośc i wzros n ą o 5%,
cena magnetofonów pozostanie bez zmian, natomiast cena kaset będzie ob n iżona o 10%?
{c) W 2007 r. popyt na magnetofony wynosił 50 tys. sztuk. Jak wielka powinna być
produkcja magnetofonów w 2008 r„ aby ni e powstały ich zapasy. jeżeli przewiduje się,
że dochody konsumentów wzrosną o 5%, cena kaset pozostanie bez zmian. a wzrost
kosztów produkcji wymusi wzrost cen magnetofonów o 10%?
(d) Jak zmi e ni ć cenę magnetofonów. aby ich sprzedaż wzrosła o 9%, jeże l i przewi-
duje s i ę , że dochody ludn ośc i wzrosną o 5%?
191. Pewna firma handlowa sprzedaje dwa towary: A i B, w ilościach i po cenach

podanych w tablicy 6.50. Badania marketingowe wykazały, że dla obu towarów popyt
(wy ra żo n y w i elkośc ią sp rze da ży) wyraża s i ę zależnośc ią:
S,=f3o ·Df 1 · Cf2 ·e~' .

gdzie: S1 - popyt (w tys. szt. ); D, - przeciętny dochód na osobę (w z ł ); Cr - cena
towaru (w z ł); oszacowania parametrów również zamieszczono w tablicy 6.50.
Tablica6.50
Sprzedaż Cena bo b, b2
200 100 0.5528 0,9 - l.S

100 SO 0.1086 0.7 - 0.8
ŻnSdło :daneumowne
R ozważa na jest obniżka lub podwyżka cen sprzedawanych towarów o 2% w cel u

zw i ększen ia prąchodów ze sp rzed aży.
Zaproponować odpowiednie postę powan i e w odniesieniu do każdego z towarów
Odpowiedź u zasadn i ć odpowiednimi obliczeniami .
192. Pewna firma prod ukuj e i spr.wdaje dwa towary : A i B, w il ości:ic h i po cen:ich
podanych w tablicy 6.50. Badania marketingowe wy k aza ł y, że dla obu towarów popyt
wyraża s i ę zależnośc i ą
gdzie: Y - popyt (w tys. szt. ): X prt:ec i ętny dochód na osobę (w z ł) : X 2 -

1 - ce-
na towaru (w z ł); X 3 - cena dobra substytucyjnego (w z ł). Oszacowania parametrów
zamieszczono w tablicy 6.51.
Ta bl ka6.5 1
Towar Ilość Cena ao 111
O.I 0.8 0.7

300 IO 0.2 0.8 - 0.8 0.6

Wiadomo, że w n ajbli ższy m czasie dochody konsumentów wzros n ą o 4%, a cena

dobra substytucyjnego zostanie o bni żona o 9%. Jak ą polity k ę cen ową nal eży p rowad z i ć
w odniesieniu do każdego towaru. aby
(a) utnymać popyt na akt ualnym poziomie.
(b) popyt wzróst o 5,5%.
193. Dane są makroekonomiczne funkcje popytu na obuwie sportowe: popularne
(y 1) oraz markowe (y2):
gdzie: x 1 - globalne dochody ludnośc i (w tys. zł ), x2 - cena obuwia tekstylnego (w

zł), x 3 - cena obuwia popularnego {w zł), x 4 - cena obuwia markowego (w zł ).
(a) Jak zmieni s i ę popyt na obuwie mark owe,jeżeli dochody ludn ośc i wzros n ą o 6%,
cena obuwia tekstylnego pozostani e bez zmian, natomiast cena obuwia markowego zo-
stanie ob n iżona z 300 do 255 z ł za parę.
(b) Przy przecięt n ej cenie 60 zł (300 zł ) za parę sprzedaje s ię 150 000 par obu wia
sportowego popu larnego i 80 OOO markowego. Czy z punktu widzenia maksymalizacj i
przychodu ze sprzedaży korLystniejsza będzie podwyżka , czy obni żka ceny każd ego ro-
dzaj u obuwia o 9%, jeżeli wiadomo, że dochody ludności wzro s ną o 5%, a cena obuw ia
tekstylnego spad nie o 4%? ( Ka żdy towar należy rozważyć oddzielnie).
194. W dziale marketing u „Tymbarka" oszacowano funk cję popytu na prod ukowane
soki. Sprzedaż (popyt) soku jab łkowego wyraża funkcja·
R 2 = 0.966.
gdzie: y, - sprt:edaż soku jabłkowego (tys. litrowych kartonów mi esięcznie ), x 11 -

przeciętne mi esięczn e dochody konsumentów w z ł, x12 - cena soku jabłkowego w z ł ,
x, 3 - cena pepsi-coli w zł
(a) Jak zmieni s i ę sprzedaż soku jabłkowego , jeże li prLec i ęt n y mi es i ęczny dochód
wzroś ni e o 4%, cena soku zostanie podwyższona z 3,40 zł do 3,57 zł . natomiast cena
pepsi-coli spadnie o 4%?
{b) Jak zm iany te wpły n ą na prąchód ze sprLCdaży?
(c) Jak wobec tego z mi e ni ć ce n ę soku , aby przy wzrośc ie dochodów ludności o 4%
i obniżce ceny pepsi -coli o 4% prLychody ze s p n:cdaży soku wzros ł y o 3%?
(d) Jaka zmiana ceny soku byłaby potrzebna, aby zwiększyć przychody z jego sprze-
daży o 3%, gdyby w najbli ższym czasie nie ul ega ł y zmianie ani dochody ludnośc i , ani
cena pepsi-coli ?
195. Pewna firma produkuje m.in. towar A i sprzedaje przecię t nie mi es i ęcz ni e
3000 szl. po cenie 50 zł. Na podstawie pneprowadzonych ba dań empi rycznych osza-
cowano funkcję popytu i otrzymano·
R 2 = 0.944.
gdzie: )'1 - s p rzedaż dobra A, Xr 1 - dochody konsumentów, x,2 - cena dobra A, X13
- cena dobra komplementarnego.
Wiadomo, że w najbliższym czasie dochody konsumentów wzrosną o 2%, a cena
dobra komplementarnego wzroś n ie z 8,50 zł do 9, 18 zł.
(a) Jak zmienić cenę towam A, aby przy podanyc h zmianach utrzymać popyt na ten
towar (sprzedaż) na obecnym poziomie?
(b) Jak zmiany te wpłyną na przychód ze sprzedaży towaru?
(c) Czy aby zwiększyć przychód ze sprzedaży, warto ob ni żyć czy rnczej podwyższyć
cenc dobra A, np. o 5% , jeśli w n ajbliższym czasie nic ul eg ną zmianie ani dochody
ludności, ani cena dobra komplementarnego?
196. Dz i ał marketi ngu przcds icbiorstwa Hortex oszacował funkcję popytu na produ-
kowane soki. Popyt (sprzedaż) na sok wielowarzywny wyraża funkcja po tęgowa o po-
gdzie: y - sprzedaż soku pomidorowego (tys. I), x 1 - przecię tne miesięczne dochody
konsumentów (z ł), x2 - cena soku wielowarzywnego (zł), x3 - ś rednia cena soków
owocowych (zł)
Sok sprzedawany jest w cenie 4.80 zł za litrowy karton; przeciętna miesięczna sprze-
da ż wynosi 120 tys. kartonów.
(a) Jak zmieni się sprzedaż soku, jeże l i przec i ętny miesięczny dochód wzrośnie
o 5%, cena soku pomidorowego wzrośnie do 5,04 z ł. a cena soków owocowych zostanie
obniżona z 4,50 zł do 4.32 zł?
(b) Jak zmiany te wpłyną na przychód ze sprzedaży soku?
(c) Na jakim poziomie ustalić cenę soku wielowarzywnego, aby przychód ze sprze-
daży wzrósł o 4%, jeżeli przewiduje się wzrost dochodów konsumentów o 5% i obniże
nie ceny soków owocowych o 4%?
(d) Jaka zmiana ceny soku pomidorowego byłaby potrLebna, aby przychód wzrósł
o 4%, gdyby nie z m ieniały się dochody konsumentów oraz nie zmieniała się cena soków
owocowych
197. Badania marketingowe wykazały, że popyt na pewne dobro (w jednostkach fi-
zycznych) jest potęgową funkcją dochodów i ceny tego dobra. Na podstawie przeprowa-
dzonych badań empirycznych (oszacowano funkcję popytu) okazało się, że e l astyczność
dochodowa wynosi 0,8 , a e l astyczność cenowa - 0.6. Wiadomo też, że w n ajbliższym
czasie dochody konsumentów wzrosną średn i o o 2%.
(a) Jaką politykę cenową należy zastosować, aby utrąmać dotychczasową ś red n io
4%-ową dynamikę przyros\U przychodów ze s przedaży?
(b) Jaka zmiana ceny by łaby potrzebna, aby s przedaż (w jednostkach fi zycznych)
wzrosłao4%?
198. Badania marketingowe wykazały, że można p rzyjąć, iż funkcja s p rzedaży

(funkcja popyru w jednostkach fizycznych) soku z selera Y w kartonach dwulitrowych
jest modelem potęgowy m dochodów konsumentów (X w zł), funkcja ceny soku z bu-
1
raka (X 2 w zł) oraz funkcja ceny soku z selera (X 3 w zł). Po zgromadzen iu potrLebnych
danych statystycznych oszacowano parametry strukturalne rozważanej funkcj i popytu
i okazało się, że:
0,8 0,6 - 1,5
(a) Jak wcześniej kształtowały s i ę dochody konsumentów, wynoszące aktualnie

720 z ł. skoro przy nas lę puj ących zmianach pozos tał ych zmiennych: cena soku buracza-
nego wzrost o 4%, cena soku selerowego wzrost o 8%, uzyskano wzrost s przedaży soku
zselera o2,7%?
(b) Jakich prtychodów ze sprzedaży soku z selera możemy s i ę spodzi ew ać. skoro
przewiduje się, iż nowe dochody konsumentów wyniosą 748,8 z ł. cena soku buraczanego
spadnie o 6%, a cena soku z selera wzrośnie o 5%? Aktualne przychody ze sprtedaży
soku z selera wynoszą 2700 zł
199. Pewna firma produkuje i sprzedaje m.in. towar A. Oszacowano funkcję popytu
1 01rzymano:
gdzie: y - sprze daż dobra A, x 1 - dochody konsumentów. x 2 - cena dobra A, x 3 -

cena dobra komplementarnego
Przy cenie 50 zł za sztukę przeciętnie mie sięczn i e sprzedaje s ię 2000 sztuk tego
wyrobu.
(a) Jak zmieni s i ę sprzedaż towaru A, jeżeli dochody konsumentów nie ul egną zmia-
nie. cena dobra A wzrośnie z 50 zł do 53.5 zł. a cena dobra komplementarnego zostanie
ob ni żona z 13 zł do 12,22 zł .
(b) Jak zmiany te wpłyną na przychód ze sprzedaży towaru ? Podać i zinterpretować
e lastycznośc i przychodu wzg l ęde m poszczególnych czynników
(c) Jaka zmiana dochodów konsumentów b y łaby potrzebna, żeby prty wzroście ceny
dobra A o 7% i spadku ceny dobra komplementarnego o 6% przychody ze sprzedaży
wzrosły o 8%?
200. Pewna firma produkuje i sprzedaje m.in. towar B. Przy cenie 7 zł przeciętna
mi esięczna sp rze da ż jest równa 4 tys. sztuk . Na podstaw ie przeprowadzonych badań
empirycznych oszacowano funkcję popytu i otrzymano·
Y= 2x?·7x; ux.~ 0.4 .
gdzie: y - s przedaż dobra B (tys. sztuk), x 1 - dochody konsumentów (z ł ), x 2 - cena

dobra B (z ł), x 3 - cena dobra komplementarnego (z ł )
(a) Jak zmieni s ię sprzedaż dobra B, jeżeli dochody konsumentów wzrosną o 3%, ce-
na dobra B wzrośnie z 7 zł do 7 ,28 z ł. a cena dobra komplementarnego zostanie obni żo na
z 6 z ł do 5,76 z ł ?
(b) Jak zmiany le wpłyną na przychód ze sprzedaży towaru B?
(c) Na jakim poziomie u stali ć ce nę towaru B, aby przy wzroście dochodów o 3%
i spadku ceny dobra komplementarnego o 4% utrzy mać dotychczasowe tempo wzrostu
przychodu ze sprzedaży tego towaru , wy n oszące 5.8 %?
(d) Jaka powinna b yć cena towaru B, aby przy podanych zmianach sprze daż wzrosła
o5,8%?
201. W dziale producenta popularnych napojów oszacowano funkcje opisujące za-
l eżność s przedażyprodukowanych wyrobów y (w tys. butelek) od ich ceny x (w zł).
Funkcje te dla coca-coli (y 1) i sprite 'a (y 2) przyjęły postać
)'1 = 3.2 + 1 84~ . )'2 = 182,38[1.2

Aktualnie sprzedaje s i ę mi es ięcznie 40 tys. butelek coca-coli w cenie 5 zł za dwuli-
trową butelkę i 30 tys. butelek sprite' a w cenie 4,5 z ł za butelkę.
(a) Obliczyć cenową elastyczność s przedaży każdego z tych napojów przy aktual-
nych cenach.
(b) Czy z punktu widzenia maksymalizacji przychodu ze sprzedaży korzystniejsza
będzie podwyżka czy obniżka ceny każdego z napojów o 8%? Odpowiedź uza sadn i ć
prą1aczając odpowiednie obliczenia.
202. W fim1ie wprowadzającej na rynek nowy wyrób postanowiono zbadać zależ
no ści wielkości s przedaży wyrobu od jego ceny. Na początku ustalono cenę promocyjną
(na poziomie kosztów). a nas t ępnie co mies iąc zwiększano ją o 2 zł (zwiększając marżę
firmy). Dane o cenie i wie lkości sprt.:cdaży zestawiono w tablicy 6.52.
Cena {xr wzł) 56 58 60 64 66
Spr.lcdaż(y1 w tys.szt ) 23 21.8 20.4 20.2 19.9 19.7 19 18.8 18.6 18.6
żrodto:duncumownc
Na podstawie tych danych oszacowano dwie funkcje opisujące zależność popytu

(s prt.:edaży)
od ceny (potęgową i hiperboliczną) i otrt.:ymano:
1J;y; = 5.7596 - 0.6736lnx;. R 2 =0 .9 13,
(0,3028) (0,0737)
czyli
317 .23x;- 0.6736
s,, = 6.170 + 836,098_!._. R 2 = 0.916.

( 1,483) (89,255/'
gdzie: y; - sp rze da ż (tys. sztuk), x; - cena (zł)
Obliczyć i zinterpretować cenową elastyczność popytu przy cenie 52 zl i 70 zl
203. Zależność spożyc ia mięsa y1 (w kg na osobę mi es i ęczn i e) od dochodów rodziny
x, (w zł na osobę miesięcznie) w czterech gmpach s połeczno-e konomi cznyc h opisano
za pomocą funkcji Tórnqui sta I rodzaju i otrzymano
gospodarstwa pracownicze: 5' 1 = ~

+ 782. 5
. l,
.
gospodarstwa rolników: h = I l, Zx, ,

Xr + 962
gospodarstwa pracujących na rachunek własny: .h = 7 4
. ' Zx, ,
,t, +520
gospodarstwa emerytów i rencistów: .h = ~

X1 + 8 16
Wszystkie parametry strukturalne oszacowanych modeli są statystycznie istotne,
a współczynnik determinacji R 2 we wszystkich prtypadkach przekracza 90%.
Przeprowa d z i ć analizę porównawczą k sz tałtowa nia s i ę zal eżnośc i spożycia mięsa od
dochodów mi ędzy grupami spo łecz no-zawodowy mi ludności. Porów nać e l astycz n ośc i
dochodowe s pożycia mięsa w rodzinach o prteciętnym mi es i ęcz nym dochodzie x = 500
i x = 700 zł na osobę dla poszczególnych typów gospodarstw
204. Na podstawie wyników badania budżetów pewnej grupy rodzin oszacowano
funkcje opisujące zal eżność wydatków na nabiał _\'1, warzywa )'2, owoce YJ oraz alko-
hol y4 (w zł na osobę mi esięcz ni e) od przeciętnego mi es i ęcz n ego dochodu rodziny x
(w z ł na osobę) i otrzymano
520(x - 340)
Y1= x~~~· Y1=- 12+ 0.43x, y 3 = 0, 3x
0 80
· .
y~ = (x + 1400)
Przeciętne miesięczne dochody w poszczególnych grupach zamo żnośc i kształtowały s i ę
jak w tablicy 6.53
Grupy dochodowe do 400 400-500 500-600 600- 700 700-800 800- 1000- l 200
w zł IOOO 1 w1ęceJ
Pnecięmymiesięczny
doch&lwz!naosobę
(a) Zinterpretować parametry oszacowanych funkcji

(b) Obli czyć i z inte rpretować d oc hodową e l astyczność s pożyc i a poszczególnych
grup arty kułów w rodzinach o najniższym i najw yższy m przeciętny m mi es i ęcz ny m do-
chodzie.
(c) Jak z mi en ią s i ę wydatki na poszczególne grupy artykułów spożywczyc h w naj-
ni ższej i najw yższej grupie dochodowej, jeże li p rzec i ę tny mi es ięczny dochód na osobę
w tych grupach zamożnośc i wzroś ni e o 10%?
205. W oparciu o badania budżetów domowych gospodarstw pracowników na sta-
nowiskach robotniczych oszacowano funkcje opisujące zal eż ność spożyc i a warzyw y 1
,
owoców y1 , ryb y3 oraz mi ęsa i przetworów y4 (w kg na osobę mie s i ęcznie) od przecięt

nego mie s ię cz n ego dochodu rodzi ny x (w zł na osobę mie sięczn i e) i otrzymano:
)'1 = xl:~ . )'2 =0.08x 0 ·7 . y3 = - 4+0. IOx. y4 =e 2 .4-~60 ~
(a) Porównać dochodową elastycz ność spożycia poszczególnych grup a rt yk ułów
spożywczych w gospodarstwach o przec i ętn y m mi es i ęczny m
dochodzie x = 500
i x = 800 z ł m1 osobę.
(b) Przy jakim dochodzie (x) e l astycz ność spożycia wyróżnionych grup dóbr będzie
równa 0,8?
206. Dane są funk cje opisujące za l eżn ość przeciętnego mi esięcznego spożyc ia mi ę
sa y 1 oraz przec i ętnego miesięcznego spożycia ryb n od przec i ęt n yc h mi esięcz n yc h
dochodów x (y w kg, x w z ł na osobę) w gospodarstwach pracowników na stanowiskach
nierobotniczych oraz w gospodarstwach rolników
(I) dla gospodarstw pracowników na stanowiskach nierobmniczych·
6.5x
)'I= X+ 750'
(U) dla gospodarstw rolników
9.2x
Yi = x+500 '
(a) Porównać kształtowanie s i ę analizowanych zal eż n ości w obydwu typach gospo-

darstw (interpretacja parametrów)
(b) Obliczyć i zinterpretować dochodową e l ast yczność obydwu grup wydatków
w rodzinach o przec i ęt n y m mie s i ęczn y m dochodzie x = 600 z ł na osobę
(c) Jak z mi en i ą się wydat ki na wy różnio n e dobra, jeżeli przec i ęt n y mi esięczn y do-
chód na osobę wzrośnie z 600 zl do 672 zł ?
207. Zal eżn ość mies i ęczn yc h wydatków (w z ł ) na ł ączność y 1 oraz na ed uk ację Y2
(w przeliczeniu na I osobę) od przeciętnego mi esięcz n ego dochodu (w zł) na osobę (x )
w gospodarstwach p racujących na rachunek w łas n y opi suj:1 fu nkcje:
240· (x - 3 10) 120 .(x - 450)

y,
x + 930 X+ 800
(a) Obliczyć dochodową e l astyczność wydatków na łączność i ed ukację w rodzinach
o przeciętnym mi esięc zny m dochodzie x = 620 zł
(b) PrLy jakim dochodzie x (w z ł) elastyczność dochodowa wydatków na łączność
oraz ed ukację będzie równa I
208. W oparciu o dane tablicy 6.54, gdzie y - wydatki na nabial w zł na osobę
mi es ię czn ie, x - dochody w setkach zł na osobę mi esięcz n ie, oszacować parametry
funkcji: lini owej, potęgowej i Tórnquista rodzaju I. Zi nt erpretować parametry funkcji
dostatecznie dobrze opis uj ącyc h badaną zal eżn ość i w oparci u o nie obli czyć dochodową
e la s t yczność wydatków na n abiał w poszczegól nych grupach rodzin
Tablica 6.54
log .r; !ogy;
I.OO 15.85 o.oo 1.2

1.58 3 1.62 0.20 1.5
3.98 39.8 1 0.60 1.6
6.31 63. IO 0.80 1.8
IO.OO 79.43 I.OO 1.9
25.1 2 100.00 1.40 2.0
Żródło:dane u mowne
209. Dla pewnej grupy rodzin oszacowano funkcj ę opi s ującą zal eżn ość wydatków
na turyst y k ę za gran i czną y1 (w zł na osobę mi es i ęczni c) od prlecię tncgo mi es i ęcznego
dochodu rodziny x , (w zł na osobę). Przyj ę to fu n kcj ę Tórnqu ista U i otrzymano:
200 · (x1 - 480)
Yt = x 1 + 800
(a) Z int erpret ować parametry funkcji.
(b) Ob l i cz yć ela s t yc zność d ochodową wydatków na turys t y kę zagrani cz ną w rodzi -
nach o przec i ę tn y m m i es i ęcz nym dochodzie 600 z ł n:1 oso bę.
(c) Przy jakim mi es i ęc zn y m dochodzie e l as tyczn ość wydatków na turys t y kę zagra-
niczm1 będ z i e równa 2?
210. W tablicy 6.55 podano informacje o strukturze wydatków na transport w rodzi -
nach prac ujących na rachunek w ł a s n y w latach 1999- 2005 .
Wydatki na 2000 2002
Ś rodki transport u (zaku p) 0.5205 0.3428 0.3 150 0.3593 0.3087 0.3966 0.3 193
Eksp loa tacjaprywamyc h
~rodków transportu 0.39 1 I 0.543 1 0.5755 0.4990 0.5758 0.5055 0.5784
Us ł ug i transportowe 0.0884 0. 11 4 1 0. 1094 0. 14 17 0. 11 55 0.0980 0. 1023
Raze m transport 1,0000 1,0000 1,0000 1.0000 1.0000 1.0000 1.0000
Żródto:RocznikiSta1y stycznc2000-2006
(a) Okreś l i ć, jaki e zmiany za c hodził y w anal izowanej strukturze z roku na rok oraz
podobiefistwo struktur z lat 1999 i 2005. Czy zmi any, jakie doko ny wały s i ę w analizo-
wanej strukturze m i ał y charakter monotoniczny?
(b) D oko nać analizy podo b i eń stwa struktur wydatków na transport w latach 1999
i 2001 . Czy zmiany, jakie za c hod ził y w tym krótkim okresie, miał y charakter monoto-
niczny?
2 11. W tabli cy 6.56 przedstawiono strukturę wydatków na transport w sześc iu gru-
pach s połec z no-ekonomi czn ych (w %).
Obli czyć wart ośc i miary z róż ni cowania struklur mi ę d zy w y różn i o n y mi grupami
Pracow nicy Pracownicy Prncujący' I
na stanowiskac h n ~ stanow_iskach Rolnicy na rachunek Emeryci Renciki
Wydatki na
robotniczych merobotn1czych (3) własny (5) (6)
(I) (2) (4)
Środki transponu (zakup) 0. 1668 0.2877 0.2429 0,3193 0.1 823 0. 11 85

Eksploatacja prywatnyc h
środków transportu 0.54 11 0.5252 0.6 129 0.5784 0,5628 0.4729
Usługi transportowe 0.2921 0. 187 1 0.1 44 1 0.1023 0.2548 0.4087
Razem trampon 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
Źró.lło:daneu111ownc
2 12. W tablicy 6.57 podano s truk turę wydatków gospodarstw p rac ujących na rachu-
ne k włas ny w latach 1997-2006 (w %)
Lp Wydatki na
bezalkoholowe 0.293 0.272 0.254 0.252 0.259 0,246 0.23 1 0,234 0.236 0.226
Napoje alkoholowe
i wyroby tytoniowe 0.028 0.027 0.029 0.028 0.028 0,065 0,028 0,026 0.027 0.024
3 Odzież i obuwie 0.082 0.079 0.075 0.069 0.064 0,028 0.064 0.060 0.067 0.071
4 Użytkowan i emieszkania
inośnikienergii 0.133 0.1 57 0.1 54 0. 150 0. 158 0. 174 0.178 0.173 0.166 0.169
5 Wyposażenie mieszkania 0.056 0.056 0,059 0.059 0.048 0.054 0,053 0.048 0,052 0.053
6 Zdrowie 0.Q30 0.032 0,033 0.032 0.Q3 1 0.032 0,032 0.035 0,034 0.035
Trans pon 0. 125 0.1 11 0. 135 0. 142 0. 122 0. 114 0.122 0.135 0.113 0.108
Łączność 0.029 0.033 0,038 0.045 0.052 0.055 0.055 0.052 0.065 0.059
9 Rekreacja i ku lt ura 0.080 0.087 0.086 0.083 0,08 1 0,079 0,083 0.089 0,095 0.097
IO Edukacja 0.0 15 0.0 19 0.022 0.022 0.022 0,022 0,022 0.021 0.018 0.018
11 Restauracje i hotele 0.016 O.Q20 0.0 19 0.02 1 0.022 0,025 0.024 0.026 0.027 0.027
12 lnnetowaryiuslug i
(w tym higiena osobista) 0.064 0.063 0.056 0.053 0.055 0.056 0.048 0,052 0.052 0.055
13 Pozostałe wydmki 0.049 0.044 0.042 0.045 0.058 0.05 1 0.059 0,048 0.049 0.057
L 1,000 1,000 I.OOO 1,000 1,000 1,000 1,000 !,OOO 1,000 1,000
Żródło:RocznikiS(atys1yczne l99łł-2007
(a) Jak du że zmiany z ac hod z iły w tych stmkturac h z roku na rok?

(b) Jak bardzo różni s i ę struktura wydatków w 2006 r. w porównan iu z 1997 r.?
(c) Czy zmiany, jakie za c hodzi ły w strukturach wydatków w latach 1997- 2006 miał y
charakter monotoniczny, tj . czy struktury te ewo lu ował y w o kreś l onym kierunku?
213. W tablicy 6.58 zestaw iono slruktury wydatków na żywność gospodarstw do-
mowych w 2005 r. według grup społeczno-zawodowych (w%).
Tablica6.58
Pracownicy Pracownicy . Pracujący 'I

na srnnowiskach na stanow.1skach Rolmcy na rachunek Emeryci Renciści
Wydatki na
robotniczych merobotmczych (3) wlasny (5) (6)
(I) (2) (4)
Pieczywo i produkty
zbożowe 0. 1678 0.1498 0.1519 0.1475 0.1511 0.1634
Mię so 0.2965 0.2629 0.3346 0.2744 0.2875 0.2881
Ryby 0.0254 0.0299 0.0228 0.0314 0.0321 0.0271
Mleko.seryijaja 0. 1428 0.1535 0.1472 0.1479 0.1440 0.1469
Oleje i pozostałe
t!uszczc 0.0511 0.0473 0.0522 0.0484 0.0590 0.0591
Owoce 0.0459 0.0629 0.0438 0.0614 0.0580 0.0491
Warzywa 0.1057 0.1005 0.1009 0,1015 0,1088 0,1125
Cukier. dżem. miód.
czekolada i wyroby
cukiernicze 0.0633 0.0670 0.0664 0.0631 0.0626 0.0598
Pozostakartykuly
żywnościowe 0.0337 0.0339 0.0296 0.0336 O.D318 0.0325
Napoje bezalkoholowe 0.0678 0.0923 0.0506 O.Q908 0.0651 0.(>615
i: 1,0000 1.0000 1,0000 1,0000 1,0000 1,0000
Żród ło: dancumownc
Ocenić zróż n icowan i e struktur wydatków na żywność między wy różn io nymi grupa-
mi gospodarstw domowych (macierL zróżnicowania struktur)
7
Liniowe modele wielorównaniowe
7.1. Przykłady ekonomiczne

Model G-równaniowy jes1 konstrukcją formalną , która pozwala opi sać k ształt owani e
s i ę i współzależność wartości G zmiennych endogenicznych charakteryzuj<icych badany
system ( układ ekonomiczny). Zm iany warto ści zmiennych e ndogenicznych są efekte m
zmian wartości zmiennych egzoge nicznych, tj. obserwowalnych czynników zew nętrz
nych stale oddział uj ącyc h na badany syste m, oraz ewentualnych za kłóce ń losowyc h
zawsze u wzg l ędnia n yc h w modelowaniu e konometrycznym, ale częs to pomijanych
w abstrakcyjnej analizie teoretyczno-ekonomicznej
Pon i ższe przykłady, za kładaj ące pe wną z naj om ość mikro- i makroekonomii, wpro-
wadzają modele wielorównaniowe, wychodząc od teorii ekonomii . Taki punkt wyjśc ia
powinien ułat w i ć studentom dyscyplin ekonomicznych zrozumienie statys1yczno-eko-
nometrycznych aspektów tradycyjnego modelowania wielorównaniowego które oma- 1
,
wiamy w nas t ępnych podrozdziałach. Ponieważ jest to materiał trudniejszy ni ż klasyczne

modelowanie jednorównaniowe. do jego opanowania potrzebnajesl odpowiednia moty-
wacja i intuicja
7.1.1. Teoria konsumenta- systemy wydatków

Mikroekonomiczna teoria konsumenta wyjaś nia sposób wydatkowania budże tu na zakup
dóbr i u słu g za pomoq znanego model u be hawioralnego, w którym
• preferencje konsume nta odzwierciedlane są przez tzw. funk cje u ży tecz n ości,
• optymalny plan konsumpcji to taki , który maksymalizuje uż yteczno ść prq s peł
ni eniu ograniczenia bud że towego (por. np. Varian [ 1321) .
J eś li wyróżnimy G dóbr (grup dóbr) o dodatnich ce nach p = [p 1 . p 0 )T, a zbiór
m oż liwyc h planów kon sumpcj i q = [ą 1 ••• ądT oznaczymy jako Q, to optymalny plan
IZ punktu widzenia współczesnej analizy ekonomicznyc h szeregów cza.o;owych to tradycyjne ujęcie

ma istotne ograni czenia. gdyż zak!ada kowariancyjną stacjonamo~ć (lub trentlo-staCJonamość) procesów
stochastycznych reprezentujących badane wielkości ekonomiczne. Wyższy kurs modelow:mia wielorówna-
niowego powinien obejmować procesy VAR i analizę koin1egrncji (por. np. W. H. Greene !60])
konsumpcj i q * = fq~ q~ l T przy dochodzie m >O musi spe łniać warunki
11(<1*) =max11(q),
"Q
PTQ* =Ili,
gdzie 11 (q) jest użytecznością planu konsumpcji q. Rozw iązani e m powyższego zagad-
nieni a optymali zacyj nego (przy siln ie wypuk.łych preferencjach) jest układ G funkcji
popytu
ąj (m; Pl· .... Pe). j = l. ... G,
prze d stawiających optymalną konsumpcję G dóbr prty danych cenach p 1, ... pe i da-
nym bud żec ie m. Popytowi qj (m: {J 1
, •Pe) odpowiada (optymalny) wydatek pie-
ni ężny:
wj(m : p1. · l'c)
Ekonomista-empiryk. który konfrontuje ten abstrakcyjny model z danymi statystycz-
nymi dot yczący mi budżetów (lub dochodów), cen i wydatków, do puszcza moż l iwość
błę d ów pomiaru wydatków i (lub) niedoskonałą a l o kację budże tu (doc hodu), co prowa-
dzi do następującego modelu G-równaniowego
)'11 =w ~ (1111:P1I· ·P1c ) +ś"11·
YtG =w(; (111,: P11 ... , Pre)+ Ś°rG

gdzie 1 oznacza numer obserwacji (konsu menta, gdy wykorzystujemy dane przekrojowe
i okresu, gdy korzystamy z szeregów czasowych), y1 = [y11 • • y 1c] jest 1-tym zaob-
serwowanym wektorem wydatków na wszystkie G dóbr, a Ś°lj są s kładnikami losowymi
repreze ntuj ący m i błędy alokacj i i pom iam wydatków.
Pnyklad 50. Liniowy system wydatków (LES - Linear Expenditure System). Za-
łóżm y, że preferencje konsumentów charakteryzuje tzw. funkcja u żyteczn ości Stone'a-
- Geary'ego G
u(q) =IT <ą, - u, )

)=l
5
1.
gdzie: q1 > /.lJ ~ O, µ 1 jest nie z będ n y m zakupe m }-tego dobra, 81 > O (j =
= I ..... G) oraz L 81 = l. Powyższ:i funkcja u ży t ecznośc i prowadzi do następuj ą

J== I
cego G-równaniowego modelu wydatków:
G
Yr 1 =µ1p11+81( 111 r - L /.l1P1J) +.;11

j=l
(7 .1 )
G
)'rG = /l,GfJrG + óc(m, - L /.l j /Jr j ) + Ś°rG
)=l
gdzie pierwszy s kładn i k po znaku rów nośc i , /LJ l'ij,jest n i ezbęd nym wydatkiem na j-te
dobro (j = 1.... , G ), róż ni ca w nawiasie jest tzw. fundu szem swobodnej decyzji, czy li
tą częśc i ą budżetu (dochodu), która pozostaje po dokonaniu wszystkich niezbęd n yc h wy-
datków, a ó1 może być interpretowane jako udz i ał wydatków na }-te dobro w fu nduszu
swobodnej decyzji: por. L38j
W prezentowanym modelu ceny dóbr i budżet (dochód) są zmiennymi egzogenicz-
nymi, a wydatki na poszczególne dobra są zmiennymi e ndogenicznymi . Oznacza to, że
wydatki pojedynczego konsumenta (gospodarstwa domowego) są u za l eżnione od jego
budżetu (dochodu) oraz od cen dóbr, natomiast wydatki te nic mają wpływu na poziom
budżetu (dochodu) i cen. W modelu LES wydatki są zależne liniowo od zmiennych egzo-
genicznych, s tąd jego nazwa. µ. 1 , ó1 (j = 1. , G ) są nieznanymi parametrami struk-
rnralnymi modelu
Zauważmy, że liniowy syste m wydatków można przed staw i ć w zapis ie macierzo-
wym jako:
gdzie:
Y1 = lYrl Y12 Yr a J.
X1 = r/J1I /Jr2 PtG 1111 1.
8aµ, ]
Óc/L 2
(óc - 1)µ.c
- 8c
Przy estymacji modelu LES n ależ y pamiętać, że
e macierL r , owymiarach (G + I) x G , ma (G + l)G eleme ntów, które są funkcja-
mi zaledwie 2G - l swobod nych parametrów strukturalnych µ. 1, • , µ. 0 , ó1 , • , ó0 _ 1
(óa = I - ó1 - · - óc- 1):
• aby ograniczenie budżetowe y, + · · ·+ y1 c = m 1 b y ło spe łni o n e, s kładniki losowe
1
poszczególnych równań mu szą s umować s i ę do zera: ~11 + · + ~ 1 a = O, a więc mu szą

być lini owo za l eżne .
7.1.2. Teoria firmy- równania popytu na czynniki produkcji

Jednym z podstawowych modeli mikroekonomicznej teorii producentajesl model przed-
s i ęb i or s t wa o produkcji jednorodnej. które minimalizuje koszt wytworzenia pewnej z gó-
ry ustalonej (zadanej mu) w i e l ko śc i produkcji. Niech q oznacza tę zadaną w i elkość pro-
dukcj i; z = [z 1
za ]T - wektor nakł adów G czynników produkcji , z E Z ; w =
•••
= [w 1 w0 ]T - wektor cen tych czynników. Zagadnienie minimalizacji kosztu pro-

dukcj i równej q (przy ustalonych cenach czynników produkcj i) polega na doborze takie-
go wektora nakład ów z• = rzi zG że: r.
wTz• = t~ipwT z. /(z*)= q .
gdzie f (z) jest funkcją produkcji , c h arakteryzującą t ec h nologię firmy. Przypomnij my, że
funkcja produkcji okreś l a mak sy malną wie lk ość produkcji , jak ą mo żna uzyskać z dane-
go wektora na kład ów. Przy pewnych za ł ożeniach o funkcji J rozw i ąza ni e m powyższego
zagadnienia optymali zacyjnego jest układ G funkcji tzw. warunkowego po/Jyf111w czyn-
niki produkcji, z•(w 1
• wa: q), określającyc h optymalne (tj. minimali z ujące koszt
• ,
cał kowi ty) nakłady tych czynników. Ten popyt na czynn iki produkcji jest warn nkowy
wzg l ęde m danej w i e l kości produkcji
W tym przypadku ekonomista-empiryk ( usiłując y s kon fro ntować model mikroeko-
nomiczny z danymi statystycznymi) zakłada, że obserwowane n akł a d y czynników mogą
różni ć s i ę od nakładów optymalnych na skutek błęd ów pomiaru i (lub) ni eefektywnośc i
alokacyjnej pr zeds iębio rstwa
Pnyklad 51. Warunkowy popyt na czynni ki produkcji przy dwuczynnikowcj funkcj i

produkcji Cobba- Douglasa. Załóżmy. że G = 2 czynniki produkcji (kapitał i praca) i że
technologia fim1y m oże by ć op isana za pom ocą pot ęgowej funkcji produkcji:
/(z)= f(z1. z2) = aoz7 1z;1 •
gdzie a 0 . a a 2 są dodatnimi parametrami. Rozw i ązanie zagadnie nia minimalizacji
1 •
kosztu wytworzenia produkcj i q (przy danych cenach w i w2 obu czynników) ma te- 1
raz pos t ać:
.
Z2(W1 . W2.ą)=ao _,(a' )-""' (w' )""' „
~ ~ q '
gdzieµ= l /(a 1 + a 2 ) jest odwrotnośc i ą współczynn ik a efektu skali ; por. Varian [1 32].
Po obustronnym zlogarytmowani u powyższych równa1l i u względ ni eniu s kładników lo-
sowych uzyskuje my:
y,, = - µa2 ln - (w„w" ) + µ lnq, + Yo1 + ~11- (7 .2a)
Y12=1w 1 ln w" )
(w,,
- +µlnq, + Yo2 +~12, (7.2b)
czyli w zapisie macierzowym
gdzie y1 = [y11 y,2]. y 1i. y12 są logarytmami wobseni•owlm)"Ch nakładów czynników

produkcji w r-tym przed s i ęb i ors twie danej branży (lub w r-tym okresie),
w„ l µa -µa,]
2
x1 = [In -w,, ln q1 I . r= [ -µ
-roi
- µ.
-ro2
.
Zauważm y, że wszystkie (G + l) G = 6 ele mentów macierzy r to nieliniowe funkcje

zaledw ie G +1= 3 nieznanych parametrów strukturalnych ao, a a2. 1 ,
7.1.3. Modele rynku w stanie równowagi

Modele rynku w stanie równowagi s kładają s i ę z równania popytu na dane dobro, z rów-
nania podaży tego dobra oraz z warunku równowagi, odzwierciedlaj:1cego mechanizm
tworzenia s i ę ceny rynkowej dobra. Zmiennymi endogenicznymi w tych mode lac h są
więc: popyt, podaż i cena. Po nieważ równowaga rynkowa polega na wzajemnym dopa-
sowaniu s i ę w i e l kośc i zg ła sza n ego pr.tez nabywców popytu i oferowanej przez sprze-
dając ych podaży, na rynku obserwujemy tylko dwie zmienne endogeniczne: wielkość
sprze da ży dobra (rów ną popytowi i podaży w stanie równowagi) oraz jego cenę.
Przykład 52. Statyczny mode l rynku. Załóżmy, że popyt na dane dobro w okresie 1
(D,) oraz podaż tego dobra w okresie t (S1 ), można opisać za pomocą fu nkcji potęgo
wych:
0 1 = P,a 1 M~ 2 ex p(ao + S,o). (7.3o)
S1 = P/ z:2exp(So + S1s).
1
(7 .Jb)
gdzie: P, - ce na ry nkowa w okresie 1; M 1 - dochody nabywców w okresie t; Z 1 -
zmienna charaktery zująca możliwośc i produkcyjne w okresie 1; Sio i .;15 - s kładniki
losowe, które mode luj ą moż liwe odchyle nia popytu i podaży od ich poziomu teoretycz-
nego, determinowanego przez zm ienne objaśniające
Zauważmy, że parametry a 1• a 1 i 81• 82 mają bezpoś red n ią inte rpre t ację: a 1 jest e la-
st ycznośc ią cen ową popytu , a2 - e l as t yczn ośc i ą d oc h odową popytu, 8
1
-elastyczno-
śc ią ce nową podaży, 82 - elastycznośc i ą podaży względem możliwośc i produkcyjnych
Ueś li zw i ększą s i ę one o I %, to podaż wzrośnie o 82%, ceteris paribus)
Rynek rozważanego dobra jest w stanie stałej rów nowagi, gdy cena P1 ksz tałtuje s ię
swobodnie, tak że:
D1 = S1 , (7 .3c)
tj . popyt równa się poda ży. Pr.tedstawiany model rynku s kłada s i ę więc z Ir.tech równ ań.
z których dwa - (7 .3a) i (7 . 3 b ) - są równaniami stochastycznymi, natomiast (7.3c)jest
tożsamością, któ ra pozwala uprościć model przez wyelimi nowanie jednej ze zmie nnyc h
endogenicznych. Je ś l i zaobserwowaną wie l kość s przedaży (czyli wspól ną wie l kość po-
daży i popytu w stanie równowagi) oznaczymy Q1 • to mode l (7 .3a)-(7.3c) redu kuje s i ę
do modelu dwurównaniowego:
Q, = P1" 1 M~ 2 exp(au +Sio) . (7.4a)
1
z:
Q, = P/ 1 exp(8o + .;,5). (7.4b)
w którym zmiennymi endogeni cznymi są wielkości sprtcdaży (Q 1 ) i cena dobra ( P,)
Zazwyczaj mode l wielorównaniowy doprowadzamy do takiej postaci, w któ rej każ
da zmie nna endogeniczna jest objaś n iana przez jedno (i tylko jedno) równanie. W mo-
delu (7 .4a)- (7.4b) może m y od wróc i ć albo funkcję popytu (7 .4a), albo funkcję podaży
(7.4b). Wykorzystamy odwróconą fu n k cj ę popytu , co prowadzi do mode lu:
P, = Q~ 1 M/' 2 exp(J1o+S,1). (7 .5a)
Q, = P1~ 1 Z~ 1 exp(8o + ;,2). (7.5b)
gdzie: µ1 = l /a1. µ 2 = - a2/rx1. µo= - ao/ai, S11 = - S10/a1. Sr2 = S"1s·
Obustronnie l ogarytmując oba równania, model powyższy łatwo sprowadzamy do
postac i liniowej·
Y11 = µ1)'r2 + µ2X11 +µo +/;11. (7.6a)
)'12 = 81Y11 + 82X12 + 80 + /;12 · (7.6b)
gdzie: )'11 =In Pr, Yr2 =In Q1. xn = In M1. X12 = In Z,.
W zapi sie macierzowym mamy:
gdzie:
Y1 = [)'11 Yr2J. X,= [X11 Xr 2 [j , ~ I= [/;11 <,,].
B-[ I - -µ1
-J, l
I . r~ [
-µ ,
o
- µo
o]
-a,
- 80
Ponieważ przedstawiony model opisuje współzależność (współksztahowanie s i ę.
sprĘżen i e zwrotne) sprledaży i ceny. nie może dziwić, że zmienna objaśn iana jednego
równania jest zarazem zmie nną objaśniającą w drugim równaniu i tym samym macierz
B nie jest jednostkowa
Zauważmy jeszcze. że macierze Bi f mają w sumie IO elementów, ale tylko6 z nich
to niezn:me, niepowiązane między sob:1 p:1rametry stnikturalne.
Przykład 52 o pi sywał sytuację. w której reakcja podaży na z mian ę ceny w danym

okresie jest na tyle szybka, że dokonuje s ię w tym samym okresie - podaż za l eży (tak
jak popyt) od bi eżącej ceny i model ma c harakter statyczny. Następny przykład przed-
stawia prosty model dynamiczny opisujący sytuacje. w których podaż w okresie t zależy
od ceny z okresu 1 - I
Przykład 53. Pajęczy nowy model rynku. Załóżmy, że opisujemy rynek w stanie trwa-
lej równowagi (obow i ązuje więc (7.3c)), charakteryzowany prlez funkcję popytu (7.3a)
i na stę pującą funkcję podaży
Zf
S1 = P/~ 1 2 exp(80 + l;tl)
Mechanizm dostosowawczy wielkości sprzedanej, Qr = S1 = D1 • i bieżącej ceny, P1 •
jest obecnie inny (prostszy) ni ż w przykładzie 52. ponieważ - przy ustalonych moż
liwośc i ach produkcyjnych - podaż w okresie r jest zdeterminowana ce ną poprzednią,
P1_i, i nie reaguje na cenę bieżącą Uest sztywna). Dostosowanie polega więc na przy-
jęciu ceny P1 wynikającej z odwróconej funkcji popytu (7.5a) przy ustalonym D1 =
= S1 = Q1 • a model rynku ma pos t ać
P1 = 2
Q:"M:'
exp(µo+l; 1i). {7.7a)
(7.7b)
W powyższym modelu, modelu dynamicznym, występuje opóźniona zmien na endoge-
niczna Pr-1 ·N ie jest to oczywiście zmienna egzogeniczna (zew nętrzna ), gdyż jej wart ość
kształtuje s i ę wewnątrz modelowanego systemu (na rynku), a nie poza nim. Z drugiej
jednak strony, w okresie l wartość Pr- I jest już znana (ustalona) i wpływa na bieżące
zmie nne endogeni czne tak, jak czynnik zewnętrz n y. Dlatego w mode lach dynami cznyc h
zmienne dzieli s ię na dwie grupy: bi eżące (ni eo późnione ) zmienne endogeniczne (zwane
t eż zmie nnymi łączni e wspó l za l eżny m i) oraz zmienne z góry ustalone, obejmujące za-
równo zmienne egzogeniczne , jak i opóźnio n e zmie nne endogeniczne. Pod ział ten sto-
suje s i ę we wszystkich modelach , rów n ież statycznych, c hoć w tyc h ostat nich pokrywa
s i ę on z podziałem na zmienne e ndogeniczne i egzogeniczne.
W podręcznikach ekonometrii zwykle przestrzega s ię konwencj i polegającej na sto-
sowaniu symbolu y dla zmiennej łącz ni e w s półzal eż n ej i symbolu x dla zmiennej z góry
ustalonej. S t osując tę konwen cję, m oże m y zapisać:
Yr l = J.L1)'12 + J1.2Xr 1 + /.l. o +;11 .
}'r2 = Ó1XrJ + Ó2X12 + Óo + ~12·
czyli
gdzie
Y1 = lYr 1 yd= [In Pr ln Q1],
X12 XrJ ll = flnMr lnZ, ł n P1-! Il.
B- [ I
- -µ1
Ol
I ' r=[T -:,].
- 110 =ó~
Macierze 8 i f mają w sumie 12 elementów, z czego ty lko połowa to nieznane para-
metry strukturalne, a reszta to zera i jedynki. Podkreślm y, że macierz B jest trójkątna , co
odzwierciedla j ednokierunk owość powiązań mi ę d zy bie żący mi zmiennymi e ndogenicz-
nymi (Q, wpływa na Pr, ale nie odwrotni e).
7.1.4. Modele gospodarki

Proste keynesowskie mode le gospodarki składają s i ę z:
• funkcji konsumpcji, okre ś l ającej za l eżn ość mi ędzy konsumpcją w skali makro a
dochodem w gospodarce,
• funkcj i inwestycji. op i s ującej ks ztałtowanie s i ę inwestycji w zależnośc i od docho-
du i stopy procentowej ,
• tożsamo ści bi lansowej, która stwierdza ide ntyczność dochodu i globalnego popytu,
będącego su mą konsumpcji , inwestycji i wydatków rządowych.
Przykład 54. Prosty model makroekonomiczny (Greene [601)

C,=a1 D1+a2Ci- 1+ ao+;11
Ir= ó1 R, + ó2(D, - D1_i) + óo +~11
( ~ons u mp~ja)
(mwestycJe)
I (7.8)
D 1 = C, + 11 + G 1 (popyt globalny)
opisuje współkształtowani e s ię trzech zmie nnych endogenicznych: konsumpcji (C1 ) , in-
westycji (11 ) i dochodu (D ,) w za l eżn ości od dwóch zmi ennych egzogenicznych: sto-
py procentowej (R 1) i wydaików rządowyc h (G 1 ) oraz od dwóch opóźnionych zmien-
nych e ndogenicznyc h: Ci - i i D, _ 1 • Za u ważmy, że parametr a 1 jest krótkookresową
s kł onno śc ią do konsumpcji, a parametr ó2 jest krótkookre sową sk ło nnośc ią do inwe-
stycj i
Mamy wiec model 3-równaniowy o trzech zmie nnych łącz ni c ws pó ł zal eżny c h , two-
rzących wektor
i pi ęc iu zmiennych z góry ustalonych, twor.t:ącyc h wektor·
Do zbioru zmiennych z góry ustalonych w ł ączy li ś my z mi e nną sztu cz n ą, t ożsamośc i o

wo równą l. która odpowiada wyrazom wol nym w równaniu konsumpcji i inwestycj i.
Przedstawiony model gospodarki moż n a zap i sać jako
y, B + x, r = ~, .
gdzie
! , = [g„ ,,, O].
[-·~ -~]
- 8,
B =[ b - ]
- I
]
.
r=
o
o
-o, -8, I 82
-ao -80
Po ni eważ tylko dwa równania modelu są równani ami stochastycznymi (zawieraj:1
s kładniki losowe), przyjmujemy 7..e sk ładnik losowy trzeciego równania jest t ożsam o
śc iowa równy O. Ponadto bilansowy c harakter tego równania powoduje, że nie zawiera
ono żadn ych nieznanych parametrów. Macierze B i r mają w sumie 24 ele menty, ale
tylko 6 nieznanych , ni epowiązanych mi ędzy sobą parametrów stru kturalnych
Przykład 54 przedstawi:1 ni ezmie rnie uproszczony model gospodarki . W praktyce,
dla potrzeb planowania i anali z poli tyki ekonomicznej, buduje s i ę modele bardziej roz-
budowane i skomplikowane
Zaprezentowane w tym podrozdziale przykład y ekonomiczne wykorzystujemy w na-

stę pn y m podrozdziale do zilustrowanie kolejnych poj ęć i metod e konometrycznej anali-
zy tradycyjnych modeli wiclorównaniowych. Il ekroć czyteln ik napotka trudn ości w stu-
diowaniu formalizm u ekonometrycznego (czy w ręcz zwątpi w jego ce l owość). powinien
wrócić do tych pr zyk ł adów, by u z m ys łowi ć sobie ekonomiczne motywy stosowania go
i pogłębić jego rozumienie.
7.2. Pnslilcieiklasymodeli
7.2. Postacie i klasy modeli
7.2.1. Postać strukturalna i zredukowana

Pi e rwot n ą pos i ać
modelu ekonometrycznego, odzwiercied l aj ącą przewidywane przez
teori ęekonomii lub postulowane prt:ez badacza bezpośred ni e zależ n ośc i między zmien-
nym i, nazywamy pos tacią struktura lną.
Ogól ny zapis postaci strukturalnej to znany nam już z przykładów zapis macierzowy:
y, B +x, r = ~ ,. (7.~
gdzie y, jest wek1orem wierszowym G zmiennych ł ączn i e współ zależ nych (lj . zmien-
nych endogenicznych n i eopóźn i o n ych). x1 jest wektorem wierszowym K zm iennych
z góry ustalonych (tj. zmiennych egzogen icznych i opóźn i onych zmiennych endogenicz-
nych), ~ 1 jest wektorem wierszowym G skład n i ków losowych poszczególnych równa ń
modelu, B jest macierzą kwadratową stopnia G, zawierającą współczynniki stojące przy
zmiennych łącz n ie wspó l zal eżnych, r jest macierzą K x G współczynników s t ojących
przy zmiennych z góry ustalonych; nieznane elementy maciert:y B i r nazywamy zwykle
parametrami strukturalnymi modelu.
Przyjęty tu (za wieloma pod ręcznikam i ekonometri i) zapis sprawia, że kolumny ma-
cierzy B i r odpowiadajq równaniom modelu (}-ta kolumna zawiera współczy n niki z)-
-tego równania), natomiast wiersze macierzy B i r odpowiadają zmiennym (tzn. i-ty
wiersz macierzy B zawiera współczynniki stojące w kolej nych równaniach przy tej sa-
mej zmiennej y,;, a h-ty wiersz macierzy r zawiera współczy nn ik i stojące w kolejnych
równaniach przy tej samej zm iennej .r11 Zapis (7.9) przedstawia model wielorównanio-
1 ).
wy (w postaci strukturalnej) tak, jak odnosi s i ę on do pojedynczej obserwacji wektorowej

[y 1 x 1 J na wszystkich zmiennych łąc zn ie współzależnych i z góry ustalonych. J eś l i model
odnosimy do T obserwacj i wektorowych [y, x,], gdzie r = 1. . . T, to zapisujemy go
(7. 10)
przy czym Y jest mac i erzą T x G obserwacji na zmiennych ł ącznie współzależnych, X
jest macierzą T x K obserwacji na zmiennych z góry ustalonych. ~jest macierzą T x G
składn ików losowych. Zauważmy. że w powyższym zapisie kolumna mac ierzy Y lub X
odpowiada pojedynczej zmiennej (grupuje T obserwacji na tej zmiennej), a wiersz za-
wiera obserwacje o tym samym numerze, ale dotyczące różnych zmiennych. Kolumna
mac ierzy ~ jest wektorem T skł adników losowyc h tego samego równani a, odpowiadajq-
cych różnym obserwacjom (np. różnym okresom), natomiast wiersz mac ierzy ~ zawiera
składn iki losowe pochodzące z róż nyc h równań. ale posiadające ten sam numer obser-
wacj i (tzw. równoczesne s kł adniki losowe).
Model wielorównani owy w postaci struktural nej nazywamy zupeł n ym (komplet-
nym), gdy mac ierz B jest nieosobliwa
Przykład 55. PrLedstawić zapis macierzowy poniższego modelu i s p rawdzić , czy jest
to model zupeł ny:
)'11 = ct21Yr1 + Y11Xr1 + }".!1X12 + ;,1 .
Yr2 = ct22Yr 1 + Y22Xr2 + YJ2Y1 - 1.2 + ;12
Aby przejść do przyjętego wyżej zapisu macierzowego, pozostawiamy po prawej
stronie równań jedynie sk ladniki losowe, a zmienne i parametry grupujemy w odpo-
wiednie wektory i macierze:
równanie
czyli
y, + x,
gdzie x 13 = y1_ 1.2. Macierz B jest nieosobliwa wtedy i tylko wtedy, gdy jej wyznacznik,
równy I - ct21ct12, nie jest zerem. Dla wszystkich ct1. ct2 E R+, z wyjątkiem hiperboli
o równaniu ct2 1a 12 = I. mamy więc do czynienia z modelem zupełnym
Je ś li model jest zupełn y, to istnieje tzw. µostać zredukowana modelu , którą mo-
żemy zdefiniować jako rozw i ązanie postac i strukturalnej. traktowanej jako macier.wwe
równani e liniowe w zg lędem zmiennych łączni c współzależnych. Aby uzyskać postać
zredukowaną, traktujemy postać strukturalną (7.9) jako układ G równai'1 liniowych z G
niewiadomymi (wektor y1 ) i obie strony równości (7.9) mnożymy pr1.ez macierz s - 1
(prawostronnie). Mamy w i ęc
Y1BB- 1 + x,rB - 1 = ~ 8 - 1 . 1
czyli
(7 .11 )
gdzie n = - rn- 1. v1 = ~ 1 0 - 1 . Uwzględniając T obsenvacji dokonanych na wektorze
[y1 x 1 ], postać zredukowaną modelu (7. 10) zapi sujemy jako:
v ~ xn + v ,
gdzie V= ~n - 1 jest macierzą, której r-tym wierszem jest v,.
Maci ert. n o wymiarach K x G jest mac i ertą współczynników postaci zredukowa-
nej, v, wektorem l x G równoczesnych składników losowych tej postaci. Postać zredu-
kowana prt.:edstawia zmienne łącznie wspó l zal cżn e jako funkcje zmiennych z góry usta-
lonych i składników losowych; j-ta kolumna macierzy n zawiera w spółczynnik i j-tego
równania postaci zredukowanej, które odpowiada j-tej zmiennej ł<1cznie współzależ n ej
i= I. „.G
Przykład56. Postacie zredukowane modeli rynku w sianie równowagi .

(a) W przypadku modelu (7.6aH7 .6b) z przy kładu 52
8 _, ~ [ I
-µ.1
- 8, ] - '
I
~ _I [ I
l - 81/J.1 f-L1
8,
I
l .
Otrzymujemy w i ęc postać zre d ukowaną
In P, = JT11 ln M, + JT21 ln Z, + rro1 + Vrl•
ln Q1 = JT12 łn M 1 + JT22 In Zr+ JT02 + v,2.
gdzie 6 parametrów postaci zred ukowanej to nieli niowe (wymierne) funkcje 6 parame-
trów strukturalnych
J.l2 J.l2Ó1
JT11= - - . JT12= - - .
1 -ó1 1,1,1 I -ó11,1, 1
82µ1 Ó2
rrzi = I - 8 1µ1. JT 22 = I - ó1J.L1.
1,1,o+óoJL1 óo+J.toó1
JT01=~· JT02=~·
Zauważmy, że zalożc n i e zu pełnośc i modelu oznacza tutaj. że wyk luczamy sy tuację

81µ1 = l.
(b) W przypadku mode lu dynamicznego ( p ajęczynowego) z przy kład u 53:
B- ' ~ [ I
- µ1
o]-' ~ [ o].
I
I
µ1 I
n ~ -rn-•~ [~' ~] [ o]~ [ ,~;,0 Ó1 J.l1

1
I Ó1µ1
~].
81
J.lo óo J.Lo+óoµ1 80
v, ~ i,n-• ~ ri„ !,,[ [~, n~ ri„ + "'"' s,,1

Postać zredukowana jest więc następująca:
ln P1 = rr 11 ln M 1 +rr2 1 ln Z, +rr31 In P, _ 1 + JT01 + Vr1·

In Q1 = rr 12 ln M 1 + rr 22 ln Z,+ JT32 In P, _1 + JT02 + v,2.
przy czym
JT11=J.Ł 2 . JT1 2 =0.
JT21 = 8211,1, JT22= 02,
JT 3 1=81J.Ł1. JT32=81.
JT01 =µ o+ Oo1-t1. JT02 =0o.
U11 =;,1 + J.Ł1;1 2 · Urz = ;,2
Za u waż m y. że 8 współczynników JT;j postaci zredukowanej to funkcje 6 parametrów
strukturalnych. Występują więc dwa warunki poboczne. wiqżące współczyn n iki posta-
ci zredukowanej; jeden jest oczywisty: n 12 =O. a drugi ni eco bardziej skomplikowany
i trudniej dostrzegalny: JT32JT21 = JT31;r22 . Drugie równanie postaci zredukowanej jest
t ożsame z drugim równaniem postaci strukturalnej. Ze wzg l ędu na trójkqtną postać ma-
cierzy B, paj ęczy nowy model rynku jest modelem z upeł n y m dla dowolnych wanośc i
parnmetrów.
Przykłady 52 i 53 prt:edstawiały postacie strukturalne, ob ra zujące współzależność
w i elkośc i sprzedaży i ceny rynkowej. Natomiast w prtykładzie 56 wyprowadz ili śmy po-
stacie zredukowane, przedstawiające wynik mechani zmu dostosowawczego, tj. sprzedaż
i cenę zapew niające równowagę w okresie r jako funkcje zmie nnych z góry ustalonych.
Za uważmy. że równania postaci zredukowanej um oż li wiają sporządzanie prognoz
wamnkowych: przy danych wartościach parametrów i zm iennych egzogenicznych d la
okresu T + l , przyjęcie zerowych wartośc i dla prty s zł ych składni ków losowych prowa-
dzi do nieobciążonej prognozy zmiennych łącznie współzależ n ych w o kresie T + I, tj .
w okresie następującym po ostatnim okresie, z którego mamy dane. Owe „dane wart o ści
parametrów" , o których wspomniano wyżej, będą zwykle ich ocena mi , a zate m przed
przystąpieniem do prognozowania musi my z n ać podstawowe metody estymacji modeli
wielorównaniowych. Metody te omówimy w podrozdziale 7.3
Pnyklad 57. Postać zredukowana modelu gospodarki z przykł adu 55. Poni eważ:
s-1=
[ I O-I]-' [J -8,
O
- a1 - 82
l - I
l
= ip a1 - l - -a1
a1 82
']
I
I
8,
gdzie ip = l / [l - (a1 + 82)1 jest odwrotn ośc i ą wyznacznika macierzy B, w i ęc
n~ - rn -' ~~ [~o' ~
ao
8
- 82 O
Oo
!] [~,
O
1
a1
82
1 ~'a, ~
82
:]
I
~ ~ [ (I ~~::)a2 S,(::ia,) ~: ] J~~~)

- 8~ a1 - 82(1 - ai) - 82 ( D1_1 )
ao (I - 82) + 8oa1 ao82 + 80 (1 - ai) ao + óo I
C1 !1 D1
V1 = ~, B - = rp[(l - ó2);,1 + a1 Sr2
1
ó2;11 + (I - ai);,2 S11 + Sd.
Zauważmy, że rozważa n y model jest zupełny, gdy a1 +81 -# I, czy li gdy królkookresowe
skło nnośc i do konsumpcji i inwestycji nic sum ują s i ę do j ed n ośc i. Ostatecznie otrzy mu-
jemy postać zred ukowaną
Ci= Jr11 R, + rr21G, + Jr31C1-1 + Jr41 D,_1 +rro1 + v,1.

I, = rr12 Rr + rr22 G, + rr32C, _1 + rr42Dr - 1 + rro2 + v,2.
D, = rr13 R, + rr23 G, + rr33C1-1 + Jr43 D,_1 + rr03 + v,3.
gdzie 15 elementów Jrij macierzy n to funk cje zaledwie 6 parametrów strukturalnych.
Postać strukrnralna (7.8) narzuca więc aż 9 warunków pobocznych, wiążących współ
czynniki postaci zredukowanej. Część tych warunków pobocznyc h wynika wprost z toż
sam ośc i bi lansowej D, = C, + 11 +G 1 • w m yś l której współczy nniki trleciego równania
postaci zredukowanej (opi s ującego D,) mu szą być su mami odpowiednich współczynni
ków dwóch pierwszych równań (plus 1 w przypadku G,)
rr13 = rr11 + rr12 (współc zy nniki przy R,),
Jr23 = JT21 + JTn +I (współczynniki przy G, ),
7r33 = 7r31 + Jr32 (ws półczy n niki prą c,_i),
Jr.n = JT41 + Jr.n (wspó łczynniki przy D,_ 1),
rro3 = rro1 + rro2 (wyrazy wolne).
Pozostałe 4 warunki poboczne nic są już tak oczywiste i można je wyraz i ć na wiele
równoważnych sposobów, np
ale wszystkie 9 równośc i łatw o sprawdzi ć wykorzystując wyprowadzoną wcześniej po-

stać macierzy n.
O ile pos t ać strukturalna (7.8) przedstawia współzależności mi ędzy podstawowy-
mi zmiennymi makroekonomicznymi (ko n sumpcją, inwestycjami i dochodem) tak, jak
je w duży m uproszczeniu postrzega ekonomista, o tyle po s tać zredukowana prt:edsta-
wia wartośc i tych trLech zmiennych endogenicznych warunkujące ró w n owagę makro-
ekonomiczną (w okresie 1) jako funkcje zmiennych z góry ustalonych i zakłóce1l loso-
wych. W szczegó lno śc i po stać zredukowana um ożliwia odpowiedz na pytanie, jak zmia-
na wartośc i zmien nych egzogenicznych w okresie t wpłynęłaby na zmienne endogenicz-
ne w ty m samym okresie. I tak jednostkowy wzrost wydatków rządowyc h spowodowa ł
by wzrost konsumpcji o cp · a 1, inwestycj i o cp · 81 , a dochodu o cp, gdzie cp jest s ł ynn y m
keynesowskim mno żnikiem
Powyżej zdefiniowaliśmy postać zredukowaną mode lu jako rozwiązanie postaci

strukturalnej wzg l ę dem zmiennych łącz ni e współzależnych. Współczynniki tak rozu-
mianej postaci zredukowanej s pełniają zazwyczaj rozmaite warnnk.i poboczne (podle-
gaj ą restrykcjom) , które wynikają z zale ż ności K G współczy nników lr;j od niewiciu
(zwykle znacznie mniej ni ż K G ) nieznanych parametrów postaci strukturalnej (por
przykład 57). Taką („prawdziwą") postać z red ukowa ną, na której współczy nniki lr;j na-
łożono warunki poboczne wynikające z postaci strukturalnej , w nowszej literaturze na-
zywa sic pos tac i ą zre d ukowaną z restrykcjami (RRF - Reslricted Retl11ced Form).
W wielu sytuacjach nie uwzg l ęd nia s i ę warunków pobocznych, jakie powinna spe ł
ni<1 ć maciert.: n i trnktuje s i ę ją jako nmcierz K x G niezn:mych, ni e pow i ązanych mi ędzy
sobą parametrów, a samą postać zred ukowaną traktuje sic jako G-równaniowy model re-
gresj i (w iązkę modeli regresji) z K identycznymi zm iennymi objaśn i aj ącymi w każdym
równaniu . Jest to tzw. postać zredukowana bez restrykcji (U RF - Unrestricted Reduced
Form), pomocna w omawianych dalej zagadnieniach identyfikacj i i estymacj i
W szczegól nych prt.:ypadkach, np . w przypadku statycznego modelu rynku z przy-
kładów 52 i 56, powyższe rozróżnienie nie jest potrzebne, gdyż macierz n ma dokładnie
tyle elementów, ile jest nieznanych parametrów postaci strukturalnej . Wówczas żadne
warunki poboczne nie występują - RRF i UR F pokrywają s i ę
7.2.2. Macierz równoczesnych kowariancji

Obecnie wprowadzi my standardowe za łoże ni a o wektorze składników losowych postac i
strukturnlnej ( ~ 1 ). Zwyk.le za kłada s i ę, że ~' jest G-wymiarowym wektorem losowym
(czyli wektorem G zmiennych losowych) o zerowych wartościach oczekiwanych·
OJ
i st ałej ( ni eza l eż nej od 1) macierzy kowariancj i
E (<,2,) E<;„,„)
V (! ,)~ E(fo<,,J E (<,~) E«·
" '.'c)]
E«„<,c) ~
[
E(S,cS, i) E(S,cfo) E«,'c) (7. 12)
a,c ]
=
[ "." ".."
a21
rrc1
a 22
ac2
~~~ = I:
acc
i-ty element prze kątni owy macierzy I:, czyli a;;, jest wari a n cją składnika losowego
i-tego równania postaci strukturalnej . Element pozaprzekątniow y CT;j = CTji (i -::/=- j)
jest k owa rian cją składników losowych rów nań i -tego oraz } -tego. Poni eważ macierz
V ( ~ 1 ) = I: odnosi s ię do składnik ów losowych o tym samym numerze (wskaźn iku ob-
serwacji) t - a więc z tego samego okresu (jeś l i pos ł ug uj e m y s i ę szeregami czasowy mi),
nazywa s i ę ją macierzą równoczesnych kowariancji
Macierz I: jest z<1wsze - jako macierL kowariancji - symetryczna i ni eujemnie
o kreś l o na. Ponadto może b yć:
• d iagonalna. gdy s kładniki losowe róż nyc h ró wnań, ;li i ;,i (i # }), nie są mi ędzy
sobą skorelowane,
•ni eosobliwa (dodatnio okreś l o n a), gdy wszystkie równania model u są stochastycz-
ne (brak tożsamości), a ich sk ł adn i k.i losowe nie są pow i ązane zal eżnością l i ni ową
7.2. Pllslilcieiklasymodeli
Przykład 58. Spróbujmy określić, które modele z przykładów 50-54 muszą mieć oso-
bliwe macierze równoczesnych kowariancji, a które mogą mieć diagonalne macierze 1:
(a) W przypadku liniowego systemu wydatków z przykładu 50 ograniczenie budże
towe dla konsumenta o numerze I jest równoważ n e warunkowi ; 11 + · · · +~re = O.
Oznacza to, że macierz kowariancji składników losowych wydatków na poszczególne
dobra jest macierzą osobliwą (det 1: =O). Na pewno nie jest to macierz diagonalna, po-
ni eważ składniki losowe róż nyc h równań są skorelowane - losowe odchylenia w górę
wydatku na jedno dobro musi być skompensowane spadkiem wydatków na jakieś inne
dobra.
(b) W przypadku równań warunkowego popytu na G = 2 czynniki produkcji (przy-
kład 51). oba równania modelu są stochastyczne i nie wystę pują zale żnośc i funk cyjne
między ich skład nikami losowymi. Można więc przyjąć. że macierz równoczesnych ko-
wariancj i (tj. kowariancji składników losowych popytu na kapita ł i pracę dla tego samego
numeru obserwacji) jest nieosobliwa. co prty nieujemnej okreś lono ści macierzy I: ozna-
cza, że:
W rozważanym przy kładzie należy spodziewać się ujemnego skorelowania S11 i ~ 12

(czyli a 12 < 0), gdyż nadmiernemu (w stosunku do optymalnego) zaangażowaniu jed-
nego czynnika produkcji towarzyszy zwykle mniejszy od optymalnego nakład drugiego
czynnika. Nie ma w każdym razie podstaw. by a priori zakładać, i ż I: jest macierzą
diagonal ną.
(c) W przypadku modeli dwurównaniowych. obrazujących współzależność ceny do-
bra i wielkości sprzedaży na rynku w stanie trwałej równowagi (p rzy kład y 52 i 53).
~ 11jest składnikiem losowym odwróconej funkcji popytu, a ~ 12 jest skład nikiem loso-
wym funkcji podaży. Po n ieważ ta pierwsza funk cja odnosi s i ę do zachowań nabywców,
a druga do zachowań sprzedających, zwykle można przyjąć iż ~11 i S12 są srnchastycznie
niezależne. Macierz równoczesnych kowariancji będzie w i ęc miała postać
a11 > O. an> O.
będzie zatem maci erzą nieosobliwą (det I: = a 11 a 12 > O) i diago nalną. Jak zobaczymy
wkrótce, założen i e o zerowej kowariancji równoczesnej (a 12 =O) ma kluczowe znacze-
ni e dla wyboru metody estymacji w modelu z przykładu 53, natomiast jest mniej istotne
w modelu z przykładu 52
(d) W przypadku prostego 3-równaniowcgo modelu gospodarki z przykładu 54. trze-
cie równanie jest tożsamością, więc macierz równoczesnych kowariancji ma same zera
w trtecim wierszu i trzeciej kolumnie (S13 jest stałą równą zeru; wariancja s t a łej wyno-
si zero, jej kowariancje z ~ 11 i ; 12 te ż są zerami):
~ ~ [:~; :g: ~l de1~~0

Macierz równoczesnych kowariancji jest osobliwa. Byłaby diagonalna, gdyby a 12 =O,
nie ma jednak ani ekonomicznego uzasadnienia, ani esty macyjnej potrzeby narzucania
tego warunku.
Dotychczas rozważali ś my wy ł ącz n i e s kład niki losowe postaci struktural nej . Ponie-
waż wektor 1 x G skł adnik ów losowych postaci zredukowanej jest zdefini owany rów-
n ośc i ą v, = ~ 1 s - 1 , w i ęc jego wartość oczekiwana jest wektorem zerowym I x G :
E (v,) = E ( ~ , B - 1 ) = E ( ~ ,) s - 1 = o ' s - 1 = O.
a macierz kowariancji ma po s tać:
V ( v1) = E (v·rr v,) = ( 8 - t)T E (~ ;1° ~ 1 ) 8 - 1 = (B- i)T 1:8- 1 (= Q).

Macierz Qjest nieosobli wa wtedy i tylko wtedy, gdy macierz 1: jest nieosobliwa
Ca łą u wagę s kupili ś m y w tym punkcie na w łas n ośc i ac h wektora skład n ikó w loso-
wych odpo wiadaj ącyc h obserwacjom o tym samym numerze t . Prtyj muj e s i ę zwykle,
że wektory s kład n ik ów losowych ~ 1 i ~ " (r -:f:. s) są stochastycznie n i ezal eż n e (co pro-
wadzi do braku autokorelacji). Za łoże ni e to o bow i ązywać będzi e w dal szych naszych
ro zważaniac h
7.2.3. Modele proste, rekurencyjne i współzależne

Waż n ą czy nn ości ą, w arunkującą zastosowanie odpowiedniej procedury estymacyj nej.
jest ustalenie do j akiej klasy nal e ży rozwa żany model wiclorówmmiowy. Klasy fika-
cja modeli przeprowadzana jest na podstawie postaci macierzy B, zaw i eraj ącej w s pó ł
czynniki przy zmiennych łączn i e współzal eżn yc h , oraz postaci mac ierzy równoczesnych
kowari ancji 1:.
Zwykle model G-równaniowy fo rmułuj e s i ę w ten sposób. że j-ia zmienna ł ączni e
ws pó ł za l eż na jest z mi en n ą objaś ni a n ą }-tego równania. Elementy prze k ąt n iowe macie-
rzy B są wówczas jedynkami. Ta k ą „reg ułę nonnalizacji" będ z i e m y zakł ad ać we wszyst-
kich dalszych ro zważa ni ac h
Model nazywamy prostym, j eś li nic w ystę puj ą bezpośredn ie pow i ąza n i a mi ędzy
ni eopóźn io n y mi zmiennymi endogenicznymi. tj . gdy żadna b ieżąca zmienna endoge-
niczna nie jest zmi e nn ą obj aś ni aj:1cą któregokol wiek równania. Oznacza to, że macieri;
B jest macierzą j ednos tkową stopnia G. Pos tać strukturalna modelu prostego jest w i ęc
t ożsa ma z jego pos tac i ą zredu kowa n ą . Przykła d y 50 i 5 1 prze d st a wiaj ą modele prosie.
Model nazywamy reku rencyj nym, j eże li macierz równoczesnych kowariancji 1:
jest diagonalna oraz macierz B jest trój k ątna lub daje s i ę s prowad z i ć do macierzy t rójkąt
nej poprzez z mi an ę numeracj i (ko l ej n ośc i ) zmiennych endogenicznych i równafi modelu .
Model, który nie jest ani modelem prostym, ani rekurencyj nym, nazywamy ws pół
za l eż ny m
W niektórych podręcz n i kac h ekonometrii błędn ie pomija się warunek diagonaln ośc i
macierzy 1:, który jest decyd ujący dla zgod nośc i estymatora MNK w model u rekuren-
cyjnym. Ogólnie b i o rąc, model wie\orównaniowy c h arakt eryzuj ący s i ę jednokierunko-
wymi be zpo ś re d nimi pow i ązan i ami m ięd zy bi eżący m i zmiennymi endogenicznymi (co
prowadzi do t rójk ą t n ej macierzy 8 ), nazywa s i ę systemem trójk ą t n y m (1 ria11gula r sys-
rem) . System trójkąt n y jest albo mode lem rekurencyj nym (jeś l i macierz równoczesnych
kowariancj i l: jest diagonaln a), albo modelem współzależnym (jeś l i składniki losowe
różnych równa11. są skorelowane)
R ozs trzygni ęcia czy model z ni ediagonalną m acie rzą B jest systemem trójkątn y m ,
czy nic , można szybko d oko n ać pos łu gując s i ę grafem ski erowanym , który odzwiercie-
dl a bez poś red nie zw ią zki mi ę d zy zmiennymi łącznie współzależn y mi. Wierzchotki grafu
odpowiadają tym właśnie zmiennym, natomiast krawęd zie grafu oznaczają bezpośredni
w pł yw jednej zmiennej na drugą. J eś li tak skonstmowany graf skierowany nie zawiera
pętli (cyklu). to powi ąza ni a mi ędzy zmiennymi są wy ł ączni c jednokierunkowe i model
jest systemem trójkątn y m . Istnienie ch oć by jednej pętli wyklucza trój kątną post ać ma-
cierzy 8 (a zatem i re kurencyjn ość modelu); musi to być model współza l eżn y.
Przykład 59. Za po m ocą grafu za l eż ności (rysunek 7. I) stwierdzimy, czy poniższy

model R może być rekurencyj ny
Y11 = fh1Y12 + Y11X11 + }'21X12 +;11.

)'12 = Y12Xr 1 + Y22X12 + g,2.
Y13 = f313Y11 + f323Y12 + YnX11 + ;,3,
Y1-1 = .814Y11 + f334y,3 + Y24X12 + ;14
Pi erwsze równanie: )'12 w pł ywa na y11 , trzec ie równanie: y, 1 i y12 w pł ywają na y,3, czwar-
te równanie: y, 1 i y, 3 wpływają na y 14 .
Ry~ unek 7.1. Graf zależności mi~dzy zmiennymi !ącz

me współzależnymi modelu
Startujqc z dowolnego w i e rzc h o łka grafu i poruszając s i ę po krawędzi ac h zgodnie

z ich skierowaniem, nigdy nie wrócimy do tego samego w ie rzc ho łka ; w przedstawio-
nym grafi e brak zamkni ętego cyklu. Graf bezpośredn i c h powiązań między bieżący mi
zmiennymi endogeni cznymi wskazuje, że mają one charakter jednokierunkowy. a zatem
model R twori:y system trójkątn y. Za uważm y, że jego macierz B nie jest trójkątna
B_ -µ„
I O -µ„
I -µ23
-µ„]
O
- [ O O I -{334 .
o o o l
ale przez z mian ę kolejnośc i równa1l pierwszego i drugiego oraz za mi anę numerów
zmiennych y11 i y,2 otrzymujemy równoważny model R* z t rójkątną macierzą B*:
Y;1 = Yt1X11 + Y2•1X12 + s,·1·
Yt2 = fł~2Y11 + Yi*2X11 + Y2*2x12 + S,;.
YtJ = /ł~3J',•1 + fłi.1Y1"2 + YJ3Xr1 + S"1J·
Y14 = p;4Yt2 + fł34y,3 + Y2-1Xr2 + S°14·
B' -
-
[~O -~j,
O
=~i:
I
-~; ]
-/h.t '
O O O I
gdzie
Y11 = Y12 · Y12 = Y11 · s,·1 = S-12· s.; ~ ,„.
Yt1 = YL2· Y2*1 =)/22 . Yt1 = Y11. Y2*2 = J'21.
fłi2=fł21. /łi3=/ł23. /łi3=/łn. fłi4=fł14.
J eś li można prtyjąć, że s kładn i ki
losowe różn ych równań nie są między sobą skore-
lowane. to rozważany model jest rekurencyjny
Pnyklad 60. Okreś l m y, do jakiej klasy nal eży 3-równaniowy model gospodarki
z przykładu 54. Poni eważ dochód D, wpływa zarówno na kon sumpcję C,,jak i na inwe-
stycje / 1 , a równocześnie jest funkcją tych dwóch zmiennych, mamy sprLęże ni a zwrotne.
które widoczne są na grafie jako pętle
lr\---~ --- f0 Rysunt>k7.2. ?rafzalcżnośc:i m_iędzyzmicnnymi

'\J \_J '\.:J /ąc:zme współzalcżnynu modelu
Macierz 8 nie może zos tać sprowadzona do postaci trójkątnej. Mode l jest współza
l eżny niezależnie od zał ożeń co do równoczesnych kowariancji
7.3. Wprowadzenie do estymacji

7.3.1. Stosowalno ś ć zwykłej MNK
Jak ju ż wspo mn ie li ś m y. ustale nie klasy modelu wiclorównaniowego jest kluczowe dla
zastosowania odpowiedniej procedury estymacyj nej . Jak wiadomo, podstawową meto-
dą estymacji jcdnorównaniowyeh modeli liniowych jest zwykł a metoda najmniejszych
kwadratów (MN K)
Przy założeniu·
l) nielo sowośc i zmiennych obj aś niającyc h ,
2) braku liniowych za l eżnośc i mi ęd zy nimi ,
3) zerowej wartości oczekiwanej,
4) stałośc i wariancji i braku autokorelacji s kładnika losowego
(tzw. założe nia klasyczne), estymator MNK jest najefektywniejszy w kJasie estymato-
rów liniowych i nieobciążonych oraz zgodny (por. A.S. Goldberger [46]). Dowodzi s i ę
również, że w przypadku losowych zmiennych objaśniających estymator MN K zacho-
wuje wh1sność zgodności. jeżeli te zmienne ni e S<l skorelowane ze składniki em losowym
(przynajmniej asymptotycznie, przy T ~ oo). Natomiast jeśli jakaś zmienna objaś nia
jąca jest asymptotycznie skorelowana ze składnikiem losowym, to estymator MNK jest
ni ezgodny. Oznacza to w praktyce, że zw i ększani e liczby obserwacji nic prowadzi do
zmniejszenia błędów estymacji. które w przypadku braku zgodnośc i mają charakter sys-
tematyczny.
Zmienne egzogeni czne, których wartości kształtują się poza modelowym układem
(s ą ni ejako zadane z zewnątrz), są stochastycznie niezależne od zakłóceń losowych
w tym układ zie (modelowanych przez skł adniki losowe) . Dla potrzeb estymacji zmienne
egzogeniczne mogą być traktowane tak. jakby były nielosowe
Opóźnione zmienne endogeniczne są funkcjami opóinionych s kładników losowych
modelu, muszą być więc traktowane jako losowe zmienne objaś niające. Mogą być one
jednak nieskorelowane z bieżącymi (i n astępnym i ) składnikami losowymi. Warunkiem
dostatecznym tego nieskorelowania jest brak autokorelacji sk ładn ików losowych
A zatem przy braku korelacji międ zy s kładnikami losowymi odpowiadającymi ob-
serwacjom o różnych indeksach, tj. między ~ 1 i ~ . (r f. s), zwykłą MNK na pewno
można stosować do estymacji tych równatl modelu wielorównaniowego, których jedy-
nymi zmiennymi objaśniajqcymi sq zmie nne z góry ustalone.
Przykład 61. Estymacja równania podaży w pajęczynowym modelu rynku. W przy-

padku modelu z prz y kładu 53 w roli zmiennych objaśniających równanie podaży
In Q1 = 81 ln P1-1 + 82 łnZ, + 80 +S12
występ ują: zmienna egzogeniczna In Z, i opóźniona zmienna endogeniczna In P,_ 1. J eś li
składniki losowe wykazują brak autokorelacji, tj. (S1 1S12) nie jest skorelowane z (S.1 Sd,
t f. s, to - nawet przy równoczesnym skorelowani u S11 i S12 - funkcyjna zależność
ln P1_1 od Sr-1.1 nie powoduje skorelowania In Pr-I z Si.2· Estymator MNK wektora
[8 1 82 Oo]T parametrów równania podaży jest zgodny.
Zauważmy, że w modelu prostym B = 10 i jedynymi zmiennymi objaśniającymi

są zmienne z góry ustalone. A zatem każde równanie modelu prostego może być sza-
cowane zwykłą MNK. W modelu prostym estymator MNK dowolnego równania jest
estymatorem zgodnym . Nie znaczy to jednak, że jest estymatorem efektywnym
Przykład 62. Estymacja równań warunkowego popytu n:1 czynniki produkcji. Model
dwurównaniowy z przykładu 5 I, opisujący zapotrzebowanie na czynniki produkcji zgła
szane przez firmę minimalizującą koszt uzyskania ustalonej wie l kości produkcji, jest
modelem prostym statycznym, a w i ęc takim, w którym jedynymi zmiennymi objaś nia
j ącymi są zmienne egzogeniczne. Zapiszmy ten model w postaci:
_\'11 = Y11X11 + Y21X11 +Yo! + ;Il·
Y1 1 = Y1 2X11 + Y21X1 1 + Yo1 +;11 ·
gdzie Yti jest logarytmem zaobserwowanych nakład ów )-tego czynnika (w tej samej fir-
mie w okresie 1, jeśli korzystamy z szeregów czasowych, lub w firmie t w danej branży,
jeśli korzystamy z danych przekrojowych), x 11 jest logarytmem stosunku cen obu czyn-
ników produkcji, natomi ast X 12 jest logarytmem wielkości produkcji q 1
W prtypadku obu równań modelu estymator zwykłej MNK jest zgodnym estyma-
torem nieznanych parametrów Yii · Szacując osobno pierwsze równanie zwykłą MNK
i osobno drugie równanie (też MNK) nie wykorLystujemy informacji, jakich dostarcza
nam mikroekonomiczna teoria firmy. Jak pokazaliśmy w przykładzie 5 l, trzy parametry
pierwszego równania to funkcje trzech parametrów funkcji produkcji (a a 2 , a 0 ) . Jed-
1
,
nocześnie trzy parametry drugiego równania to funkcje tych samych ai. a 2 , a 0! Mamy
w ię c 6 - 3 = 3 równości wiążące współczy nniki pierwszego równania (y,i) i drugiego
równania (y;i):
-r11+Y12=l. Y"ll = }'22. Yo1 - Yo2 = In (a') = (-y„)
-
a1
In -
Y1 2
Zwykła
MNK tych związków nic uwzględnia. co obniża efektywność estymacji i -
przy małej próbie - może prowadzić do braku sensownej interpretacji ekonomicznej
uzyskanych ocen. Pamięt:1jmy również , że poza ograniczeniami równościowymi mamy
również waru nki poboczne w postaci nierówności, które wynikają z dodatnich znaków
parametrów funkcji produkcji (ao. a1, a 1). Ograniczenia nierównościowe, jakie powin-
niśmy nałożyć na yij :
YI I < O, }'1 2 > o. Y21 > O, Y21 >o
mają pros t ą interpretację ekonomiczną
- popyt na pierwszy czynnik produkcji maleje wraz ze wzrostem jego względnej
ceny w stosunku do czynnika drugiego (y11 < 0),
- popyt na drugi czynnik rośnie wraz ze wzrostem względnej ceny pierwszego czyn-
nika (y12 > 0) ,
- popyt na oba czynniki rośnie wraz ze wzrostem żądan ej produkcji (Y.? 1 > O,
Y22 > 0).
Oceny zwykłej MN K nie muszą mieć pożądanych znaków, zwłaszcza przy niewielkiej
liczbie obserwacji. (Pamiętajmy, że zgod n ość estymatora MNK gwarantuje zmniejszanie
się błędów estymacji wraz ze wzrostem li czby obserwacji, teoretycznie przy wzroście
liczby obserwacji do nieskmkzoności. co niezbyt cieszy ekonomi stów-empiryków).
Jak pokazuje powyższy przykład , efekt ywna estymacja wielorównaniowych modeli

prostych może wy magać procedur łącznej estymacji ca łego modelu, często z u wzg l ęd
nieniem skomplikowanych warunków pobocznych. Metody estymacji łącznej i u względ
nianie informacji a priori o parametrach wykraczają poza zakres niniejszego podręczni
ka (zob. np. W. H. Greene f60l)
Przykł adem modelu prostego, w którym zaslOsowanic zwykłej MNK jest w pełni
zasadne, jest postać zredukowana bez restrykcji (URF) modelu łącznie współza l eżne
go. W przypadku URF celowo pomijamy jakiekolwiek związk i między współ czynnika-
mi rrij, więc stosowanie estymatora MNK do ich szacowania jest podej śc iem naturalnym
Poza równaniami , w których jedynymi zmi ennymi objaśniającymi są zmienne z góry
ustalone (np. równania modelu prostego), estymator MNK zachowuje zgodność w przy-
padku modelu rekurencyjnego. Intuicyjnie wyjaśnia to poni ższy prt.:ykład
Przykład 63. Estymacja MNK odwróconej funk cji popytu w paj ęczyn owy m model u
rynku. Je ś li w modelu z przy kładu 53 s kładniki losowe S11 i S12 nie są skorelowane,
to model ten jest rekurencyjny (macierz B jest trójkątn a. a macierz l: jest diagonalna).
Jak wyjaśniliśmy w przy kładzi e 61, drugie równan ie modelu (równanie podaży) można
szacować zwy kłą MNK, gdyż jego zmiennymi obja ś ni ającymi są wyłącznie zmienne
z góry ustalone, nieskorel owane ze sk ładniki em losowym tego równania
W pierwszym równaniu, czyli odwróconej funkcj i popytu
ln P, = Jl.1 In Q, +/.L2 lnM, +µ.o+S11-
zm i c nną objaśn iającąjest bi eżąca zmi enna endogeniczna In Q,, za l eż na funkcyjnie od
S12 . Gdyby S11 i S12 był y skorelowane (nied iagonal na macierz l:), to rów nież S11 i In Q1
był y by skorelowane, co prowadz iłoby do braku zgodno śc i estymatora MNK. Podobnie.
gdyby składnik losowy g, 1 c harakteryzowa ł s i ę autokorelacją, to In Q1 by łby skorelowa-
ny z Sr i poprzez zależność In Q1 od In P1 _1 (a więc od Si- u). Skoro jednak korell1cja
między S11 i fo jest zerowa (model rekurencyjny) oraz brak jest autokorelacji, to nic
istnieje możliwość stochastycznego pow i ązania (korelacji) między In Q, i Sr i. a zatem
estymator MNK parametrów µ. 1. µ2. ~to zachowuje zgod no ść. Zauważmy, że wyłącznie
jednokierunkowy charakter zależności ceny rynkowej w okresie rod w i e lk ości s p rzed aży
(okreś lon ej przez podaż w okresie t) sprawia, że wielkość sprzedaży może być trakto-
wana w odwróconej funkcj i popytu model u pajęczynowego jak zmienna egzogeniczna
Pod sumowując, możemy powiedzieć. że estymator MNK pojedynczych równań mo-

delu wielorównaniowego jest zgodny (c h oć nie zawsze efektywny) w prt.:ypadku mode-
li prostych i rekurencyjnych, a w przypadku modeli współzależnych jedynie dla tzw
równań oderwanych, w których zmiennymi objaśniający mi są wyłącznie zmienne z gó-
ry ustalone. Ni ezgodność estymatora MNK w przypadku pozostałych równań modeli
współzależnych wyjaśnia intuicyjnie poniższy przykład
Przykład 64. Brak zgodności estymatora MNK w statycznym modelu rynku. W mode-
lu (7 .6a)-(7 .6b) z przykładu 52 wys t ę puj e s przężen i e zwrotne mi ędzy bieżącą sprzedażą
i ce n ą dobra. Powoduje ono skorelowanie zmiennej objaśn i ającej .}'12 = In Q, ze s kład
nikiem losowym S11 w pierwszym równaniu oraz zmiennej obj aśniającej y, 1 = ln P1 ze
składnikiem losowym S12 w drugim równaniu. M ożna to formal nie uzasadnić wykorzy-
stując postać zredukowan:1 wyprowadzom1 w przykład z i e 56(a). Mamy:
1
cov(S11 . lnQ ,) = E(S11 · lnQ, ) = E(S11 vd = - - · E(S,1S1 2 + 81S121) =
I - 81µ.1
Jeśli a 12 = O, to powyższe kowariancje są niezerowe zawsze, gdy elastyczność ceno-
wa popytu I/ µ, 1 jest skończona (µ,1 f- 0) i elastyczno ść cenowa podaży 8 1 jest różna od
zera. Również w przypadku a 12 f- O kowariancje te są niezerowe (z wyjątk i em bardzo
szczególnych sytuacji, gdy 81 = - a12/a 11 , µ, 1 = - a 12fa 22). Ze wzg l ędu na stałe, nie
zanikające ze wzrostem liczby obserwacji, skorelowanie zmiennych objaś niających ze
składn i kami losowymi, estymatory MNK parametrów równania (7.6a) i równania (7.6b)
nic są zgodne.
Jak ilustruje powyższy pn:ykład, zgodna estymacja równań modelu współ zależne
go wymaga zastosowania innych procedur niż zwykła MNK. Powstaje więc zasadnicze
pytanie, czy takie proced ury w ogóle istnieją, czy można d okonywać estymacji równań
modelu współzależnego?
7.3.2. ldentyfikowalność modelu współzależnego
Zanim przejdziemy do prezentacji najprostszych metod zgodnej estymacji równań

modelu współ zależnego, prtybliżymy czytel nikowi zagadnienie bardziej podstawowe,
a mianowicie id e nt yfikowa lność. Jest to jedno z fundame ntalnych pojęć teorii statystyki
i oznacza (w wielkim uproszczeniu) m oż li wość estymacji para metrów bez u wzgl ęd
nia nia infor macji spoza próby. J eśli dane równanie (model) nie jest identyfikowalne, to
dane statystyczne nie mogą dos t arczyć odpowiedniej informacji o parametrach i wszel-
kie wnioskowanie o nich musi być oparte (przynajmniej częśc i owo) na subiektywnej
informacji a priori, czego zwykle unika się w badaniach empirycznych. Zagadnienie
identyfikowalności w przypadku modelu współzależnego jest szczegółowo omówione
w wie lu podręcznikach ekonometrii (por. Goldberger [46]. Greene f60], Theil [1291)
Tutaj, w celu maksymalnego uproszczenia formal nej strony rozważań, przedstawi-
my identyfikowa ln ość w kontekście związków między postacią stmktura l ną i pos t ac i ą
zredukowaną modelu współza l eż n ego. Nie będziemy przy tym rozważać warunków na-
kład anych na maciert równoczesnych kowariancji (l:), ograniczymy się do mac ierzy
współczynników przy zmiennych łącznie współzależ nyc h (B ) i z góry ustalonych (f)
w postac i strukturalnej. Ponadto zakładamy, że nie wys tępują żadne zw i:1zki funkcyjne
między parametrami różnyc h równań modelu współzależnego. Istnienie takich związ
ków powodowałoby, że nie moglibyśmy badać identyfikowalnośc i pojedynczego równa-
nia w oderwaniu od innych równań postaci strukturalnej , musielibyśmy rozważać idcn-
tyfikowal ność wszystkich rów n ań en bloc
W poprzednim paragrafie s twierdzi l iśmy, że - jeśli nie uwzględ ni amy warunków
pobocznych wynikającyc h z postaci strukturalnej - współczynniki :n;; postaci zredu-
kowanej Y = Xn + V mogą być szacowane zwykłą MNK , gdyż jedynymi zmiennymi
objaśn i ającymi równań postaci zredukowanej są zmienne z góry ustalone. Macierz n jest
estymowalna, jeśli tylko kolumny macierzy X nie są liniowo zależne. Powstaje pytanie
czy znając elementy mac ierzy n (lub mając ich oceny), jesteś m y w stanic „odtworąć'"
parametry i-tego równania postaci strnkturalnej?
Z definicji postaci zredukowanej mamy związek
fi = - fB - 1
•
czyli
n B - r.
(K X G) (G X G) (K X G)
Ponieważ współczyn n iki i-tego równania strukturalnego tworzą i -te kolumny ma-
cierzy Bi r, które oznaczymy ~ (i) i yli>, więc dla i-tego równania postac i strukturalnej
otrzymuje my zw i ązek:
n ~ ui = -y(i l , (7 .1 3)
(K X G) (G X I) (K X I)
który (prly danej macierzy n ) jest układe m K równarl lini owych o tylu ni ewiadomych,
ile jest nieznanych, niepowiązan yc h mi ędzy sobą parametrów i-tego równania struk-
turalnego. J eże li u kład ten ma nie s k ończen i e wie le rozwiązań (dla prawie wszystkic h
wartości współczy n ników 7r;j ). to i -te równanie postaci strukturalnej jest nieidentyfi ko-
walne. W przeciwnym przy padku (dokładni e jedno rozwiązanie lub brak rozw i ązania)
jest ono ide ntyfikowalne
Przykład 65. ld e nt y fikowaln ość I równania w statycznym modelu rynku. Przedstawi-

my teraz zw iązki międ zy parametrnmi odwróconej funkcji popytu a ws półc zy nnikami
postaci zredukowanej modelu (7.6a)-(7.6b) z p rzy kładu 52 . Jak pamiętamy, jest to mo-
del współzależny, którego równań nie m ożna szacować zwy kłą MN K ze względu na brak
zgodn ości tego estymatora (por. przykład 64). Sprawdźmy, czy estymacja pierwszego
równania tego modelu jest w ogóle możliwa . Ponieważ w model u ma my dwie zmienne
ł ączn i c współza le żne (In P1 • ln Q1 ) i trzy zmienne z góry ustalo ne (In M 1 • ln Z,. I ), ma-
cierz n ma wymiar 3 x 2. Bi orąc pod uwagę tylko pierwsze kolumny mac ierzy B i r,
uzyskujemy za l eż n ość:
czyli u kład trzech równości
7r11 - 7r1 21L1 = IL2· 7r21 - 7r22 1L1 =o. 7rOI - 7ro21L1 = J.lo.
Prly dowol nych ustalonych wartościach rru jest to układ trzech równań li niowych
o trzech niewiadomych (µi, µ 2 • µ 0). J eś li 7rn ::f:. O. to układ ten ma dokład ni e jedno
rozw1ązan1e:
7r1 27!"21 7ro27r21

µ2=rr11 - - - . µ0=7ro1 - - - .
7r22 7r22
A zatem, na podstawie ws półczyn n i ków postaci zredukowanej modelu jesteś m y w stanie
od rworzyćjed11ovwcv1ie parametry pierwszego równania postaci s1rukturalnej. Równa-
ni e to jest jednoznacznie ide11tyfikowa/11e. Łatwo sprawdz i ć, że drugie równanie struktu-
ralne również jest jednoznacznie idcnlyfikowalnc.
Przykład 66. lde nty fikowalność równania inwestycji w prostym model u gospodar-
ki. Obecnie przyj rzymy s i ę za l eż n ośc i mi ę d zy współczynnikam i postaci zredukowanej
a parametrami drugiego rówmmia postaci strukturalnej modelu w s pó ł za l eż n e go z przy-
kład ów 54 i 57. Mamy:
np (l) = [ : ::
Jr4 1
n°'
czyli uk ład pi ęc iu rów n o śc i
rr1 2- rr1382=81.
1f22 - 1f2382 = 0 .
1f32 - 1f3382 = 0 .
7r4z- 7r4382 = - 82 .
rr02 - rr0182 =Oo.
Dla dowolnych ustalonych wartości Jrij jes1 to układ pi ęc iu równań lini owych o trzech
niewiadomych. Zauważm y. że mamy aż trt:y rów nośc i o kreś laj ące 02 :
zakład ając, że ;r 23 =F O, ;r33 =F O i ;r43 =F I. J eś li ws pó łc zy nni k i Jr; j nie bę dą spe łniać

warunków. które omówimy poni żej , 10 nasz układ pi ęc iu rów nań o trLech niewiadomych
bę d z i e układe m sprzecznym (bez rozw i ąz ani a) . Funkcja inwestycj i z przy kł adu 55 jest
w i ęc równanie m identyfik owalnym, ale niejednoznacznie. Ahe rnatywne sposoby wy-
znaczania ó2 s taj ą s i ę ró wn oważ n e (i s przeczn ość w uk ł adz i e zos1aje u s uni ęta), j eś l i
weź mi e m y pod u wagę warunki poboczne, j akie na w s półc zy n niki postaci zredukowa-
nej n a kłada post ać strukturalna (por. przykład 57). Z warunków tych wynika bowie m, że
Jr23 Jl' 32 = JT22 JT33 oraz ll'32 (Jl'43 - I ) = ll'4z ll'33 . Dopiero u wzg l ęd n i e ni e tych rów nośc i po-
zwala od t wort:yć parametry postaci strukturalnej na podstawie ws półc zy n ników postaci
zredukowanej
Przykład 67. Zbadamy teraz i den ty fikowa l n ość pie rwszego równania w 4-równanio-
wym syste mie trójk ątn y m z przy kł adu 59. Zał óż m y, że model R nic jest rekure ncyjny -
macie rz I: może być d owoln ą n i edia go na l ną mac i erzą kowariancji, mamy więc do czy-
nieni a z modele m w spół zależ ny m o czterech zmie nnych k1cznic w s pół z al eżnyc h i dwóch
zmiennych z góry ustalonych. Post ać zredukowana musi s i ę zate m skład ać z czte rech
równań o dwu zmie nnych o bj aś niaj ącyc h w k ażdy m - macierz n ma wymiary 2 x 4
W s półc zy nn i ki pierwszego równania postaci strukturalnej modelu R s pe łn iaj ą z a l eż
ność:
Przy ustalonych 1fij za l eżność ta prowadzi do układu dwóch równań liniowych
o trzech niewiadomych (fh 1 , y11 , y2i). który jest układe m nieoznaczonym (ma nie-
skończe ni e wiele rozwiązań). Znając współczynniki postaci zredukowanej, nie jes te ś m y
w stanie odtworzyć parametrów pierwszego równania postaci strukturalnej. Równ:mie
to jest nieidentyfikowalne (a tym samym model jako całość jest nieidenty fikowalny)
Przedstawione wyżej podejście prowadzi do na s tępującego prostego warunku ko-

ni ecznego ident yfi kowa ln ośc i (dla przypadku, gdy parametry różn yc h równań struktu-
ralnych nie są między so bą powiązane oraz niczego ni e zakładam y o równoczesnych
kowariancjach). J eże li dane równanie postaci strukturalnej jest identyfikowalne Uedno-
znacznie lub niejednoznacznie), to liczba jego ni eznanych parametrów jest nic większa
ni ż liczba wszystkich zmiennych z góry ustalonych modelu.
Pon i eważ układ n ~ <JJ = - y <i) ma tyle równań , ile jest zmiennych z góry ustalonych
modelu (tj. K), to gdy liczba ni eznanych elementów wektorów ~ (i) i y <i) jest w sumie
większa n i ż K. u kład ten jest nieoznaczony. Aby równanie modelu współza l eżnego by ło
identyfikowalne, nie może mi eć „zbyt dużo" nieznanych parametrów.
Lnne warunki ident yfi kowaln ośc i równafi modelu w spó ł za l eżnego, wykraczające po-
za przedstawione tutaj elementarne uj ęcie zagadnienia, podane są w wiciu podręcz n i kac h
ekonometrii (por. A.S. Goldberger [46]. H. Theil [129], W. H. Greene f60])
Aby przykład 67 ni e pozostawia ł wątpliwości co do id e nt yfi kow;iln ośc i modeli re-
kurencyj nych, określmy na koniec mak symal n ą l i czbę nieznanych parametrów modelu
rekurencyjnego i porównajmy ją z liczbą parametrów postaci zredukowanej bez restryk-
cji (URF). Je śli B jest m acierzą trójkątną G x G, to ma naj wyżej hG 2 - G) nieznanych
elementów pod (lub nad) przekątną; jeś li I: jest maci erzą diagon-al ną, to ma G niezna-
nych elementów na przekąt n ej; mac ierz r m oże mi eć nie więcej ni ż K · G nieznanych
elementów. W sumie postać strukturalna modelu rek urencyj nego mo że liczyć najwyżej
~(G 2 - G) + G +KG parametrów, tj. nie w i ęcej ni ż postać zredukowana (URF). która
~awsze ma KG elementów macierzy n oraz G + ~ (G 2 - G) elementów macierzy Q (ma-
cierz Q zdefini owano w paragrafie 7.2.2). Ze względu na dia gona lną postać macierzy I:,
model rekurencyjny zawsze jest identyfikowalny, w odróżni e n iu od ws pó łzal eżn ego mo-
delu trój kątnego (takiego jak w przyk ład z i e 67)
7.3.3. Po ś rednia MNK

W przypadku jednoznacznie identyfikowalnych równań modelu współ za l eżnego oczy-
wisty jest schemat estymacji. nazywany pośredni ą metodą najmniej szych kwadratów
Zwykłą MNK szacujemy wszystkie równania postaci zredukowanej Y = X n + V
i uzyskujemy macierz G x K ocen fi = (X 'X )- 1 X'Y elementów macierzy n . Oceny pa-
rametrów i-tego równania postaci strukturalnej (o k1órym wiemy, że jest jednoznacznie
identyfi kowalne) wyznaczamy z analogicznego do (7.13) zw ią zku
np'" = - y'"- (1. 14J
gdzie „daszek" nad ~ (il oraz yrn oznacza, że interesują nas oceny nieznanych elemen-
tów tych wektorów. Ze względu na jednoznaczną identyfikowa\ność i-tego równania
strukturalnego, powyższa zależność jest układem równa1l. liniowych o dokładnie jednym
rozwi:1zaniu. które definiuje oceny pośredniej MNK
Przykład 68. Pośrednia

MNK dla pierwszego równania statycznego modelu rynku.
Załóżmy, że dysponując odpowiednimi danymi, oszacowano z:1 pomocą zwykłej MNK
pos t ać zredukowaną statycznego mode lu rynku (7.6a)-(7.6b), omawianego w przykla-
d<1ch 52, 56(a), 64, 65. Uzyskano:
In P1 = 0.3 125 ln M, - 0.6250 ln Z, + 0.3125 + U11 .
ln Q 1 =O, 1875 ln M 1 + 0.6250 In Z, + 1.6875 + U12.
czyli
fr„ fr„] [ 0.3125
0.1875]
ń-22 = - 0.6250
fi =
[..11T21
To1 Jl-02
0.6250 .
0,3125
l.6875
Oceny pośredniej M N K parametrów pierwszego równania strukturalnego, czyli od-
wróconej funkcji popytu (7.6a), zdefiniowane są zależnością
fl~ 0 ) = - Y(1>.
lOJeSt
[ -~:~~;~
0,3 125
~:~~~~] [ 1. ~ 1~2 ].
1,6875 - J.Li
l[
fi.1
co jest szczegól nym przypadkiem układutrzech równań li niowych z przykładu 65. Roz-
w iązując powyższy układ rówmń, otrzymujemy:
fi. o= fro1 - fro;fr21 = 2.

rr22
czyli następujące oszacowanie odwróconej funkcji popytu
ln P1 = - 1,0ln Q, + 0.51nM1 +2.0+11 11 .
Estymację p<1rametrów drugiego równania strnkturalnego (funkcji podaży) pozosta-
wiamy jako proste ćwi czenie.
7.3.4. Dwustopniowa (podwójna) MNK

Obecnie pr.tedstawimy najczęściej stosowaną ogólną metodę zgodnej estymacji parame-
trów pojedynczych (identyfikowalnych) rów nań modelu współza l eżnego. Jak pamięta
my, w pn~yjętym przez nas zapisie postaci strukturalnej , YB + Xf = ~.i-te kolumny
macierzy B, r i ~ odpowiadają i-temu równaniu. Możemy więc to równanie zapisać
jako:
gdzie symbol a<il odnosi s ię do i-tej kolumny macierzy A. Ze względu na przyjętą re-
g ułę normalizacji, i-ty element wektora ~ (iJ (czyli element {3;; macierzy B) jest równy 1.
Oznacza to, że i-tą zm ienną łącznie współzależną traktujemy jako zmienną .,objaśnia
m( i-tego równania. Wektory ~ (i) oraz y (i ) mogą (a nawet powinny, w celu zapewnienia
identyfikowalności) zawierać zera, odpowiadające zmiennym ni ewystępującym w i-tym
równaniu strukturalnym. Jeśli zmiennych tych nie będziemy uwzg lędniać w zapisie rów-
nania, a wszystkie zmienne objaśniające przeniesiemy na prawą stronę znaku równości.
to uzyskamy
(7.15)
gdzie y<il jest wektorem T x I obserwacji na i-tej zmiennej łącznic wspó l zalcżn cj (czyli
jest i-tą ko l umną macierzy Y), Y; jest macierzą T x G; obserwacji na G; zmiennych
ł ączni e współzależnych, wys tępujących w i-tym równaniu w roli zmiennych objaśn iają
cych, a ~ •(i) jest wektorem G, x I niezerowych współczynników pr.ty tych zmiennych;
X; jest macierzą T x K; zmiennych z góry ustalonych występujących w i-tym równa-
niu, a ~ ~(iJ jest wektorem K; x I niezerowych współczynników przy tych zmiennych
Zakładamy, że elementy wektorów ~ *(il i y ·Hi) to nieznane, niepowiązane między sobą
parametry strukturalne. Z warunku koniecznego identyfikowalności wiemy, że musi być
speł niona ni erów no ść G; + K; :::: K
Idea dwustopniowej MNK polega na:
I) oszacowaniu zwykłą MNK posiaci zredukowanej (bez ogran i czeń, URF) i urwo-
rzeniu macierzy T x G wartości teoretycznych
2) zastąpieniu w równaniu (7.15) zmiennych tworzących macierz Y ich wartościam i

teoretycznymi z oszacowanej postaci zredukowanej, tj. odpowiednimi G; kolumnami
macierzy Y.
3) oszacowaniu zwykłą MNK zmodyfikowanego równania strukturalnego
)' (i) = Y;~ •(i) + X ; y • (i) + E (i) .
czyli
(7.16)
gdzie
z, =[Y, X,] ~ (i) =

[ ~•l'I
y •(i )
l
MNK jest tu stosowana dwukrotnie: raz do postaci zredukowanej i drugi raz do zmo-
dyfikowanego równania strukturalnego, co wyjaśnia określenia „dwustopniowa MNK "
i „podwój na MNK". Najważ niej sze jest, że ta procedura estymacyjna zapewnia zgod-
ność. Jeś l i chodzi o zgodność estymatora MNK. to różnica między równaniami (7.15)
i (7 . 16) jest zasadnicza
Szacując równanie (7 .1 6) zwykłą MNK otrzymujemy wektor ocen
&<n = (Zj Z;)-I Zj y<il (7 .1 7)
oraz możemy obliczyć warian cję re sztową i ( przybliżone) błęd y ś rednie szacunku para-
metrów strukturalnych na podstawie wzorów:
&;; = [T - (G , + K ;)r 1u(• >Tu<n . (7. 18)
fi 2 (&u>) = O-;;(Zj Z;) - 1 • (7 .1 9)
gdzie: uhl = yCi) - [Y; X;l&lil = yCil - Y 1 ~•(i) - X;f •lil jest wektorem reszt podwój-
nej MNK, natomiast fi 2 (&til ) jest oszacowaniem asy mptotycznej macierzy wariancji-
kowariancji estymatora tej metody.
Przykład 69. Dyspo nując macierzami obserwacji:
X~ ~ ~]
2O 2O 3]I
v = [ym y<2>.P l] =
- 3
t
- I
o -1
O [x 1" • '" ] [ g
- I
[ I O -2 o - I
·
- I - I - I o I
oszacujemy pierwsze równanie modelu·
)'11 = /321)'12 + Y11 X1 1 +~11.
)'1 2 =/312)'11 + {332)'13 + ~1 2 ·
Y1 3 = Yn Xr2 + ~1 3
(badanie zupeł ności tego modelu oraz idenlyfikowalności jego równań pozostawiamy
czy1elnikowi jako prosie ćwiczenie). Zgodnie z przedstawionym schematem po s tępo
wania. otrzymujemy najpierw oceny MNK parametrów Jr;j postaci zredukowanej bez
ograni czeń (URF):
n ~cxTx)-'x„v ~ [2O o]
2
-' [ - s2 3 3] ~ ~ [ s 3 3]
- I I 2 - 2 - I I
i tworzy my macierz wartości teoretycznych zmiennych łąc zni e w spółz ależ nych·
5o o3 o3]
v -_1y- r 11 - (2)
y
- (J)
y 1 -_ xfl -_ 2~ -5
o -3
o -3
o
[ 2 I - l
- 2 -I l
Szacowane równanie postaci strukturalnej (pierwsze) modyfikuj emy w ten sposób,
że występującą po prawej stronie zmienną Yr 2 zastępujemy jej wartościami teoretyczny-
mi. obliczonymi powyżej. Marny więc:
y(lJ = Z l lJ g lll+ e l lJ.
gdzie:
X 1 J~ll''" x'" J~[ f ~ •.

-1. 5 -]
0.5
- 0.5
o
o
W wyniku zastosowania zwy kł ej MNK do równania zmodyfikowanego otrąmuje~
my oceny parametrów strnkturalnych
&1" ~ czTz,r'zTy'" ~ [; ff[~ 5

] ~ [ _ ; -m ~ 5
] ~ [ _~ 5 ] ~
~ [ ~:: ]
a na s tępni e oceny parametrów struktury stochastycznej:
•' ~;" , ,mh •"'~ [:il .[!l ·[!'.] ~ [::

(j 11 = _ _l_ _ ll (\)T U (l) = ~ · 7.5 = \. 875.
6 - ( 1 + I) 4
0 2c&(I)) ~ . (ZTz )-1 = I 875 [ 2 - 3] ~ [ 3.750 - 5.625]

O"IJ '"'I -'I • . - 3 5 - 5.625 9,375 .
Pierwiastki kwadratowe z elementów diagonalnych tej ostatniej macierzy, tj
J3,730 = 1.94 i ./9.375 = 3.06. to przyb li żo ne oszacowania błęd ów śre dni ch szacun-
ku parametrów {3 21 i y 11 . Ostatecznie wynik zastosowania podwójnej MNK do esty macj i
pierwszego równani a postaci strukturalnej m oż na zapi sać:
Yri = 2.00_\'12 - 0.50x11 + 1111.
(1 .94) (3.06) ( 1. 37)
pod resztą u, 1 podano ocenę ~ odchylenia standardowego składnika losowego ~, 1
Zilustrowana powyższy m przy kładem procedura dwukrotnego stosowania zwy kłej

MNK jest równoważna procedurze jednostopniowej danej wzorem:
.,„ --
8
[P"'' ]- [YTX (xT
y •(t) -
xr' X1Y, Yj
XjY;
1
x , ] " ' [YTX(x xr' xTy"'
x;x, Xj y(i)
l . (7 .20)
gdzie macierz. któ rą odwracamy, jest równa Z j Z ; z wzorn (7 . 17)
Przykład 70. Ponownie przeprowadzimy estymację pierwszego równania model u

z przykładu 69, stosując tym razem jednostopniowy wzór estymatora podwójnej MNK
Mamy więc i = I, macierz Y 1 , grupującą obserwacje na zmiennych ł ącznie współ
zal eżnych wystę pujących w pierwszym równaniu jako objaśniające (sprowadzającą sic
do kolumny y(2l macierzy Y), macierz X 1• gmpującą obserwacje na zmiennych z góry
ustalonych występuj:1cych w pierwszym równaniu (s prowadzającą się do kolumny x<ll
macierzy X). A zatem
XT X ~ [2 0]
O
2
~ 212 •
YTX=y(2)TX =L3 - IJ. XTy(l) =[ _;J.

YTX 1 = y <2)Tx{ll = 3. xyy(l) = x ( l )Ty (l) = 5.
vTx(xTx)- 1 = i c3 - 11. xTx1= x 0 >T~.m = 2.

v Tx cx Tx )-! XTY1 = YiX (XTx )- CYTX/ =i .
1
(9 + I )= 5,
vTxcxTx)- 1x Ty(n =i. os + 2) s.s. =
1 '"~ [~::J ~ [; ~r WJ~[ -~~]

Otrzymujemy, oczywiśc i e. dokładnie takie same wyniki , jak w przykładzie 69.
Dwustopniowa (podwójna) MNK jest m etodą dość ogóln ą, redukującą sic w szcze-
gólnych przypadkach do poznanych już metod estymacji. I tak, jeśli dane równanie
strukt uralne jest jednoznacznie identyfikowalne, to oceny podwójnej MNK są iden tycz-
ne z ocenami pośred niej MNK (sprawdzenie tego dla pierwszego i drugiego równania
mode lu z przykładu 69 pozostawiamy jako ćwicze ni e). W prt:ypadku równania oderwa-
nego, w którym jedynymi zmie nnymi obj aśniaj ącym i są zmienne z góry ustalone, po-
dwójna MNK redukuje s i ę do zwykłej MNK, gdyż nie ma potrzeby modyfikacji takiego
równani a, aby zac hować zgod n ość MN K. Zauważmy, że jeśli w i-tym równaniu nie wy-
stę pują: macierz Y; i wektor ~ •(i ) , to - po wykreśleniu odpowiadających im bloków -
wzór macierzowy (7 .20) sprowadza się do wzoru MNK
y•U> = (XjX1)- 1Xj y(i> _
Omawiając pod wójną MNK zak ładali śmy, że wektory ~ •liJ i y •Ul sk ładaj ą si~ z ni e-
pow i ąza nyc h m i ędzy sobą parametrów strukturalnych, a więc nie ma w i-tym równaniu
warunków pobocznych takich, jak w równaniu inwestycj i w przykładzie 55, gdzie - ih
jest współczy nnikiem przy D 1, a - 82 jest współczynni ki e m przy D1_ 1. Aby u wzg l ęd ni ć
ten warunek przy estymacji podwójną MNK, wystarczy w procedurze dwustopniowej
zastąpić D 1 - D1_ 1 zmienną b1 - D 1_ 1, gdzie b, jest wanością teoretyczną wyliczoną
po oszacowaniu postaci zredukowanej (URF) zwykłą MNK. Podobne podejście m oż
na zas tosować prą innych lini owych warunkach pobocznych wiążących parametry tego
samego równania strukturalnego. Zagadnienie to wykracza jednak poza e lementarny za-
kres tego podręcznika
7.4. Wykorzystanie modeli wielorównaniowych

W podrozdziale tym przedstawimy prognozowanie na podstawie modeli wielorównanio-
wych, zarówno statycznych, jak i dynamicznych oraz - dla modeli dynamicznych -
ana l izę mnoż nikową
W przypadku modeli współ za l eżn yc h zastosowania te wykorzystują po stać zreduko-
wa n ą (i wyprowadzoną z niej postać k01kową), ważna jest zatem nie tylko zgodna, ale
i w mi arę efektywna estymacja współczynników rru tej postaci. Zwykła MNK daje zgod-
ne, ale niekoniecznie efektywne estymatory kolumn macierzy n . Poprawę efektywn ośc i
uzyskujemy przez uwzględnienie warun ków pobocznych , jakie na ws półc zynn iki po-
staci zredukowanej narzuca postać strukturalna. Warunki te s peł ni o n e są automatycznie,
j eś l i zastosujemy wzór
(7.2 1)
gdzie ri B oznaczają macierze r i B, w których nieznane elementy zastąpiono ich

zgodnymi estymatorami (uzyskanymi np. przez zastosowanie dwustopniowej MNK)
Z punktu widzenia zast osowań , zgodna estymacja postaci strukturalnej jest zwykle jedy-
ni e etapem pośrednim, prowadzącym do zgodnych i efektywnych estymatorów współ
czynników 7r;j postaci zredukowanej . W dalszych rozważaniach bę d zie m y zakładać, że
do estymacj i macierzy n wykorzystano wzór (7.21). Pokrywa s i ę on z estymatorem
zwykłej MNK. fi = (XTX) - XTY. jeś l i wszystkie równania modelu współ zależnego są
1
jednoznaczni e identyfikowalne. Jest to przypadek, gdy s t os ując do postaci zredukowanej

jedynie zwy kłą MNK nie tracimy na efektyw n ośc i
7.4.1. Prognozowanie
Na podstawie modelu wielorównaniowego może my dokonywać warunkowych prognoz
zmiennych endogenicznych przy ustalonych (wyliczonych przez ek strapola cję trendów
lub zadawanych wariantowa) wartości ach zmiennych egzogenicznych w okresach przy-
szłyc h .
W przypadku modelu współzależ nego predykcja na podstawie postaci strukturalnej
ni e jest możli wa, ze wzg l ęd u na sprzęże nia zwrotne mi ędzy bieżącymi zmiennymi en-
dogenicznymi. Należy więc odwołać się do postaci zredukowanej
Przy kł a d 71 . Prognozowanie na podstawie statycznego modelu współzależnego. Do-

konamy predykcji wie l kości sprzedaży oraz ceny dobra A na podstawie statycznego mo-
delu rynku (7.6a)-(7 .6b) z przy kładu 52. Zakłada m y, że przysz łe dochody konsumentów,
M r + i · wyniosą e4 = 54. 6 jednostek pieniężnych, natomiast przysz łe zdo lno ści produk-
cyjne, Zr +I, wynios:1 e 7· 2 = 1339.43 jed nostek . Oszacowanie MNK postac i zreduko-
wanej modelu prLedstawiono w prąkładzie 68. Po ni eważ jest to model o równaniach
jednoznacznie identyfi kowalnych (przy kład 65), nie ma potrzeby ponownej estymacji
postaci zredukowanej według wzoru (7.21). Ka żd ą ze zmiennych endogeni cznych pro-
gnozujemy oddzielnie za pomocą odpow i adającego jej równania postaci zredukowanej:
111P;_;1 = 0.3125 ln Mr+i - 0.6250ln Zr +i + 0.3 125 =
= 0.3125. 4 - 0.6250. 7.2 + 0.3125 = - 2.9375.
1~ 1 =O. l875lnMr+ 1 + 0.6250lnZr +l + 1.6875 =
~ 0.1875. 4 + 0.6250. 7.2 + 1.6875 ~ 6.9375.
Ponieważ postać zredukowana jest modelem liniowym (dla logarytmów zmiennych)

szacowanym za pomocą MN K, to prognozy punklowe logarytmów ceny dobra A i wiel-
kości jego sprzedaży oraz błędy ś red ni e predykcji (ex ante) otrzymujemy lak samo,
jak w przypadku prognozowania na podstawie klasycznych modeli jednorównaniowych,
przedstawionym w rozdziale 4
Bezpośrednio dla ceny i wielkości sprzedaży uzyskujemy prognozy punktowe:
Pr+ 1 = e - 2.9375 = 0.053. '2r+ 1 = e 6.9J75 = 1030.2

W powyższym przykładzi e nic korzystaliśmy z faktu, że prognozujemy na okres
T + 1, tj. okres pierwszy poza próbą. Ponieważ model nie zawiera opóźnionych zmien-
nych endogenicznych (jest statyczny), dokładnie tak samo przebiegałaby predykcja na
okres T + 2, T + 3 i1d. - należałoby jedynie podać wartości zmiennych egzogenicz-
nych w tych okresach. Inaczej jest w modelach zawieraji1cych opóźn ione zmienne endo-
geni czne.
Pnyklad 72. Prognozowanie na podstawie modelu dynamicznego. Dysponuj:1c odpo-

wiednimi szeregami czasowymi dotyczącymi sprzedaży dobra Bi jego ceny oraz docho-
dów konsumen tów i zdol n ości produkcyjnych , oszacowano p ajęczynowy model rynku
z przykładu 53 . Otrzymano
In P, = - LO In Q1 + l.O ln M, + 0.95 + if, 1,
In Q, = l.0 ln Zr + 0,5 ln P1_ 1 - 0.05 + 1i 12.
jako oszacowanie postaci strukturalnej. Naszym zadaniem jest dokonanie prognozy (\o-
garyunów) wielkości sprzedaży i ceny dobra B w okresach T + I, T + 2 i T + 3 przy
z:1 ł ożeni u , że dochody konsumentów będą wzrastały i wyniosą:
Mr +1 = 403,43 = e 6 ·0 . Mr +2 = 445.86 = e 6 · 1. M + = 492. 75 = e 6 ·2 •

7 3
natomiast zdo l ności produkcyjne będą stał e na poziomic:

Zr+1 = Zr+2 = Zr+J = 1339.43 = e 7•2
Ostatnia obserwacja ceny rynkowej, Pr , to 0.8187 = e-0 ·2
Najpierw uzyskamy oceny parametrów postaci zredukowanej wed łu g wzoru (7.21)
ii ~ -ffi- 1 ~ P,~;_1 [~o

O
oI. O
0.5
] I
[I. O
I 0.95 - 0.05
P, Q,
~[r !~J[ -1 1. 0 n~[=~J !~J·

0,95 - 0,95 I. o - 0.05
czyli
In P1 = 1.0ln M1 - l.Oln Z 1 - O,S ln Pr- i+ I.O + 51 1.
In Q1 = l ,O ln Zr+ O.Sin P1_1 - O.OS+ 5,2
Prognozowanie na okres T +I (pierwszy poza próbaj przebiega tak samo, jak w mo-
delu statycznym, gdyż wśród obserwacji mamy waność ceny z okresu T:
ti1P;; 1 = l.OlnMT+ 1 - 1.0lnZr+i - 0,SlnPr + 1,0=

~ 6,0 -7,2- 0.5 · (-0,2) + 1,0 ~- O.I.
1ilQ;: 1 = I .O In Zr+ 1 + O,S ln Pr - O.OS=

~ 7,2 + 0,5. (-0,2) - 0.05 ~ 7,05.
Natomiast prognozowanie na okresy dalsze niż T + 1 ma charakler łań cu chowy (re-

kursywny), gdyż obli czanie prognozy na okres T +k + I wymaga przyjęcia - w miejsce
opóźnienia zmiennej endogenicznej - prognozy punktowej lej zmiennej na okres T +k:
iilP;;2= l.OlnMr+2- l. Oln Zr+2- 0.SlnP.„+1 +1,0=

~ 6. 1 - 7.2 - 0.5 · (-0. 1)+ I.O~ -0.05.
1ilQ;:2 = l.OlnZr+2 +O.S In Pr+i - O.OS =

~ 1.2 +o.5. c-o. lJ - o.o5~1.1
Ji1P;;3 = l.OlnMr +3 - 1.0ln Zr+3 - O.Sin Pr +1 + I.O=

= 6.2 - 7.2 - O,S · (-0,0S) + I.O= 0,02S.
1ilQ;:3 = l.OlnZr+3 +0,S In Pr+2 - 0,0S =
~ 7.2 + 0.5. (-0.05 ) - 0.05 ~ 7, 125.
Łańcuchowy charakter prognoz w modelach dynamicznych powoduje, że błędy śre dni e

predykcji (ex ante) na okresy T + 2 i następne nie mogą być obliczane z klasycznych
wzorów z rozdziału 4
Ostateczni e, ze wzg l ęd u na silny wzrost dochodów konsumentów przy stałych zdol-
no ściac h produkcyjnych, prognozujemy znaczny wzrost ceny dobra B
Pr+ = e- 0· = 0,90.
1
1
Pr+2 = e- 0 ·05 = 0,9S12. Pr+3 = e0·025 = 1,0253
przy rosnącej
jego sprzedaży:
<2r+ 1 = e7 ·05 = l 1S2.86. C!r+2 = e7· 1 = 1211 .97. Q.,.+ 3 = e1· 125 = 1242.6S
Dotychczas omawiali ś my predykcję na podstawie postaci zredukowanej , co jest je-

dynym sposobem prognozowania w modelach wielorównaniowych z macierzą B nieda-
j qcą się s prowad zić
do postaci trójkątnej. Nie ma potrzeby odrębn ego omawiania modeli
prostych (Il = IG), gdyż w ich przypadku pos tać strukturalna i po s tać zredukowana
pokrywaj ą sic. Natomiast w przypadku modeli rekurencyjnych (i ogólnie, modeli z trój -
kątn ą mac i erzą B) predykcja na podstawie postaci strukturalnej jest możli w a i prowadzi
do tyc h samych wyników co prognozowanie wy k or1.:ystuj ące postać zredukowam1
Przykład 73. Prognozowanie na podstawie modelu rekurencyjnego. Obecnie wy-

znaczymy te same prognozy, co w przy kład z i e 72, ale tym razem wykorzystamy bez-
poś redni o pos tać s truktura ln ą . Jest to m oż liwe, po ni eważ bezpoś redn ie pow iązan i a bie-
żącyc h zmiennych endogeni cznych są wy łącz ni e jednokierunkowe (macierz B jest trój -
kątn a) i do prognozy zmiennej wcześ ni ej szej w łań c uc hu pow i ązań (u nas: logarytmu
wi e lkośc i sprzed aży dobra B) nie są potrzebne równoczesne wart ośc i zmiennych nas t ę
pującyc h po niej w tym ł ań c uchu (u nas: logarytmu ceny rynkowej dobra B). Otr1.:ymu-
1nQ.;:1 = l.Oln Zr+ 1 + 0.5 ln Pr - O.OS= 7.2 + O,S · (- 0.2) - 0.05 = 7. 05.
a n as tę pm e
ltiP";;1 = - l. 0 lnQ';:;: 1 + i. O ln Mr + 1 + 0. 95 = - 7. 05 + 6.0 + 0.95 = - 0. IO

Podobni e uzyskujemy
lnQ';:;:2 = 1.0ln Zr+2+ O.s1n?";; 1 - 0.05 = 7.2 + O. S · (-0. 10) - O.OS= 7. 1.

1 ~2 = -l.OlnQ";: 2 + l.OlnMr +2 + 0.95 = -7 .1 + 6 .1 +0.9S = - 0.05 .
itd
7.4.2. Postai: końcowa i analiza mnożnikowa
E ko nom iśc i są częst o zainteresowani nie tyle poziomem zmiennych endogenicznych

w p rzyszł ości (ich prognozami), ile k.ierunkiem i s ił ą ich przyszł yc h reakcji na obec ne
zmiany zmiennych egzoge nicznych. Odpowiedzi na tak postawione zagadnienie udzie-
l aj ą ws półczy nniki tzw. postaci krnicowej modelu wielorównaniowego . Post ać ko ń co
wa prt.:edstawia bi eżące zmi enne endogeniczne j ako funk cje zmiennych egzogenicznych
(bi eżącyc h i opóźni onyc h ) oraz składnikó w losowych . Uzyskuje s i ę j ą z postaci zre-
dukowanej prt.:ez eliminowanie o późn i on yc h zmiennych endogenicznych. J eżeli w da-
nym modelu nie wys t ę puj ą o pó źni e nia zmiennych endogeni cznych (jedynymi zmienny-
mi z góry ustalonymi są zmienne egzogeniczne), to jego pos t ać ko1icowa jest tożsa ma
z pos tacią zredukow aną
Za kładam y obecnie, że zmienne endogeniczne są o późn io n e o (naj wyżej ) jeden
okres oraz nie w ystę puj ą o p óźnion e zmi enne egzogeniczne. Oba te zał oże ni a m oż na
u c h y li ć za cen ę w i ę kszego skomplikowania ko ńcowyc h wzorów. Postać z reduk owa ną
(7. 11 ) zapisujemy obecnie w sposób wy raź ni e roz różni aj ący wyrazy wo lne. ws półczy n
niki pr.ty opóźn i o nyc h zmiennych endogenicznych i współc zy nniki przy zmiennych eg-
zogenicznych
(7.22)
gdzie y, i v, są - jak poprzednio - wektorami I x G bieżącyc h zmiennych endogenicz-

nych i składnik ów losowych; y1_ 1 jest wektorem I x G opóźnień wszystkich zmien-
nych endogenicznych; 0 jest macierzą G x G współczy nników postaci zredukowanej
1
stoj ącyc h pn.:y tych opóźnieniach; z, jest wektorem l x L bi eżących zmiennych egzoge-
ni cznych; 0 2 jest maci erzą współczynników postaci zredukowanej s tojącyc h przy tych
zmiennych; do jest wektorem l x G wyrazów wolnych rów n ań postaci zredukowanej
W powyższym zapi sie, tak jak w (7. 11 ), kolumny macierzy ws półczy nników 0 i 0 2 1
odpowiadają rów naniom postaci zredukowanej, natomiast ich wiersze odpowiadają po-
szczególnym zmiennym. W szczegól n ości, jeś l i opóź ni e nia pewnych zmiennych endo-
genicznych nie występują w modelu , to odpowiadające im wiersze macierzy D 1 sk ładają
s i ę z samych zer.
Zauważmy, że pos iać zredukowana pozwala bezpośrednio odczy t ać jedynie wpływ
zmiennych egzogenicznych w tym samym okresie; element (/ . j) macierzy 0 2 informu-
je, o ile wzrosłaby wartość j -tej zmi ennej endogenicznej w okresie t. gdyby wartość /-tej
zmiennej egzogenicznej wzrosła w tym samym okresie o jednos tkę. Elementy macierzy
Di nazywa s i ę mnożn ikami bezpośrednimi
Eliminując z postaci zredukowanej opóźnienia o I okres, tj. y,_ 1 , uzyskujemy in-
formację o wpływie zmiennych egzogenicznych z okresu r - I. W tym celu opóźniamy
(7.22):
Y1-1 = do + Y1-2 D1 + z1-1 D2 + v,_1
i dokonujemy podstawienia prawej strony w miejsce y,_ 1 w (7.22):
y, = do + Cd.o + Y1- 20 1 + Z1- 1D2 + v1- d 0 1 + z,02 + v, =
= do(l c + D1) + Y1 -2 D~ + z1-1 D2D1 + z1D2 + v,_1 D1 + v,,
gdzie Di = 0 1 D 1 • Elementy macierzy 0 2 D1 (s tojącej przy z, _ 1) nazywane są mnoż ni
kami po śre dnimi (lub opóźnionymi) rzędu 1; element (/, j) tej macierLy informuje, o ile
wzrosłaby wartość j-tej zmiennej endogenicznej w okresie t, tj. Yii· gdyby wartość /-tej
zmiennej egzogenicznej była większa o jednostkę w okresie poprzednim (t - I) i tyl-
ko wtedy. Natomiast elementy macierzy D2D 1 + 0 będącej s umą macierzy stojącyc h
1
,
przy z1_ 1 i z,, nazywa s i ę mnożn i kami skumulowanymi (lub podtrzymanymi) rzędu I;
element (I, j) tej macierzy informuje o wzroście Yij na sk utek jednostkowego wzrostu
I-tej zmiennej egzogenicznej zarówno w okresie poprzednim (1 - !).jak i bieżącym (r)
Dokonując s -krotnego o późni e nia i podstawienia, otrą muj cmy:
Y1 = do ~D~ + Y1-1-$!Yi+l + ~z 1 _rD2D~ + ~v1 -rD~. (7 .23)
gdzie D? =le oraz o~+t = D~D 1 dla r 2: O.

Element (I . j) macierzy M, = D 2 0~ . zwanej (dla r :: I) macierzą mn ożników po-
średni ch (opóźnio n yc h ) rzęd u r , przedstawia zmianę Yii na skutek jednostkowego wzro-
stu /-tej zmiennej egzogenicznej r okresów wcześniej (i ty lko wtedy). Element(/. j)
macierzy:
informuje z kolei o ile w i ększe by łoby )'r). gdyby /-ta zmienna egzogeniczna by ła w i ęk
sza o jednostkę we wszystkich s okresach wcześ ni ej szych (f - .I, • t - l) i w okresie
bieżąc y m (1) . Macierz Cs zwana jest (dla .s ~ I) macierzą mnoż n ików skumulowanych
rzę d u s.
J eś li ciąg kolejnych potęg macierzy Di, tj. ciąg D~ (s =O, l. 2 . . ) jest zb i eżn y do
macierzy zerowej C x C, to modelowany system nazywamy stabi lnym. Istnieje wówczas
pos tać końcowa, otrzymywana prtcz przejśc i e w (7.23) do granicy pn~y .1· --+ oo i dana
oo oo
Y1 = do{lG - D i) - I + f;Z 1- r M r + ~ Vr-r D~ (7.24)
Warunek stabi l nośc i , }~.nc!, D~ = O, powoduje. że c i ąg macierzy mno żnik ów pośredni ch

M, = D 2 D~ (r = I. 2. . ) zmierza do maciert:y zerowej o wymi arach L x G. Sta-
biln ość oznacza w praktyce, że wpł yw z akł óce ń losowych i zmian wartośc i zmiennych
egzogenicznych z odległej prze szłośc i na bie żące wartości zmiennych endogenicznych
mo żna pominąć lub - równoważni e - że wp ł yw bi eżącyc h zakłóce ń losowych lub eg-
zogenicznych na przyszłe wartości zmiennych endogenicznych będz i e wygasał do zera
wraz z wydłużaniem s ię horyzontu czasowego
Pos łać końcowa (7.24) prtedstawia wartośc i zmiennych endogenicznych w okre-
sie 1 jako funkcje wszystkich b i eżących i wcześ ni ejszych wart ości zmiennych egzoge-
nicznych i składnik ów losowych. Parametry postaci koń cowej to mn ożniki bezpośrednie
(r = O, M0 = D2 ) i poś rednie wszystkich rzędów. Dodając je, obliczamy mnożniki sku-
mulowane kolej nych rzędów. Granica c i ąg u maciert.:y mnożnik ów skumulowanych Cs
przy s d ążącym do ni esk of1czon ośc i to tzw. macierz mnożników całk ow it yc h , dana wzo-
Jej element (I . j) informuje o ile większe by ł ob y )'rJ• gdyby w okresie I i we wszyst-

kich okresach wcześniejszych /-ta zm ienna egzogeniczna by ł a większa o j ednost k ę.
Przykład 74. A n ali~a mn ożnikowa w p ajęczynowym modelu rynku. U zys kaną w przy-
kładzie 72 macierz fi dla pajęczynowego model u rynku dobra B uzupełnimy zerami
(od powiadającym i In Q, _1) i podzieli my na bloki zgodni e z zapisem (7 .22):
fin P, In Q, l =( i .O - 0.05] +(In P,_ 1 In Q,_ 1 ] [ -g. 5 ~· 5 ] +
+ LlnM, lnZ1 J[ _ ::~ ~.o ]+L5, 1 51 2J
Mamy więc
do= [I - 0.05)
fi = [ - 0.5 0.5]
I 0 0
jako oszacowanie macierzy d 0 , D 1, D2 Ponieważ model jest liniowy względem loga-

rytmów zm iennych, więc wszystkie mnożn iki są elastycznościami (okreś lają zmiany
procentowe)
(a) Mnożniki bezpośrednie: M 0 = Ó2
Wzrost dochodów konsumentów o l % w d:mym okresie powoduj e wzrost ceny o l %
i nie ma wptywu na wie lkość sprzedaży w tym samym okresie, natomiast wzrost zdol-
no śc i produkcyjnych o 1% powoduje spadek bi eżącej ceny o l % i wzrost bi eżącej sprze-
da ży o 1%.
(b) Mnożniki pośrednie i skumulowane rzędu l
MI = DD = [I OJ[ - o0.5 0.5]= [-0.5 O,~l lnM,_1

2
I - 1 I o 0,5 - 0,) In Zr- l
In P, lnQ 1
Jednoprocemowy wzrost dochodów w okresie r - I (i tyl ko wtedy) spowodowałby

spadek ceny o 0,5% i wzrost s przed aży o 0,5% w okresie r, natomiast wzrost zdolno-
ści produkcyjnych o 1% w okresie 1 - l spow odowałby wzrost ceny o 0,5 % i spadek
sp rze daży o 0.5 % w okresie 1
. M 1=
C1= Mo+ M1 = D2+ [ - 0.0.5 0.5]
_
5 05
Wzrost dochodów o I% w obu okresach, 1 - 1 i 1, powoduje w drugim okresie (t)

wzrost zarówno ceny, jak i sp rze daży o 0,5 %, natomiast wzrost zdo ln ośc i produkcyjnych
w obu okresach o 1% powoduje w drugim okresie spadek ceny o 0,5 % i wzrost s p rzedaży
o0,5%.
(c) Mnożniki po śre dni e i skumulowane rzędu 2:
M2 = MD
1 1
= [- 0.5 0.5 ] [ - 0.5 0.5] = [ 0.25 - 0.25 ] lnM,_,
0.5 - 0.5 O O - 0,25 0. 25 In Z r- 2
1nP1 In Q1
Wzrost dochodów o l % powoduje po dwóch okresach wzrost ceny o 0,25% i spadek

sp rze da ży o 0,25%, natomiast wzrost zdo lno śc i produkcyjnych o 1% przynosi po dwóch
okresach efekty dokładnie przeciwne·
0.75 0.25]
C2 = Mo + M1 +Mi= C 1 + Mz = [ - 0.75 0.75
Gdyby dochody byly większe o I% w trzech kolej nych okresach, to w trzecim okresie
cena b y łaby w i ększa o 0,75%, a sprze daż o 0,25%. Gdyby zdolności produkcyjne były
większe o l % w trzech kolejnych okresach, to w trzecim okresie cena by łab y mniej sza
o 0,75%, a sprzedaż by łaby większa o 0,75 %.
(d) Mnożniki całkowite (s tabilność sprawdzimy w przykładzie 75):
00
Coo= ~Mr= D2(I - D 1)

• • _ ,
=
[ I
- ]
OlI [ 1.5
o -0.5]-' -
I -
2 I]
~[ _ ,
I
1][0 1 ,5]3~ [-~J }~ ·
O I 0.5 2
Dłu go t rwałe (podtrzymane we wszystkich okresach) zwięk szeni e dochodów o I %

spowodowałoby w odległych przyszłych okresach wzrost ceny o 2/3% i wzrost sprze-
daży o 1/3%. Utrzymane we wszystkich okresach zwiększeni e zdoln ośc i produkcyjnych
o I% spowodowałoby w odl eg ł ych okresach prz yszłych spadek ceny o 2/3% i wzrost
s przedi1 ży o 2/3%.
Łatwo zauwa żyć, że w prLypadku rynku dobra B mnożniki pośre dni e wygasają
w sposób oscylujący (z mieniają znaki z okresu na o kres), a mnożniki skumulowane
s tabilizują się. Macierze mn oż ników pr1.:edstawiaj:1 efekty izolowanych zmian pojedyn-
czych zmiennych egzogenicznych. Mo gą być jednak wykorzystane do obliczania efek-
tów równoczesnych zmian więcej niż jednej zmiennej egzogenicznej. Dla ilustracji za-
uważm y, że opóźnione efekty wzrostu dochodów i zd oln ośc i produkcyjnych o I %
w rozważanym modelu dokład n i e s i ę znoszą (kompensują). Dlatego efekty skumulowa-
ne i całkowi t e jednakowej równoczesnej zmiany obu zmien nych egzogenicznych równe
są efektom bezpoś rednim i wynoszą: 0% (zmiana ceny), I% (zmiana sprzedaży)
Warunek s tabiln ości. czyli zbi eż n ość c i ąg u macierzy O-: do macierzy zerowej, jest
rów n oważ ny warunkowi. by wszystkie wartości własne mac ierzy D b y ł y co do modułu 1
mniejsze od jedności. Poni eważ mac ierz D 1 zwykle jest niesymetryczna, mo że mi eć

zespolone wartośc i w łas n e; s tabiln ość wymaga, by moduły tych liczb zespolonych o raz
wartości bezwzg l ędne rzeczywistych wartości własnych b y ły mniej sze od I
W rozważanym tutaj modelu rynku nic musimy u c i ekać się do liczb zespolonych
Pnyklad 75. Badanies t abilności w model u rynku dobra 8. Mając oszacowanie ma-
cierą D obliczamy pierwiastki równania charakterystycznego:
1
,
det (Ó 1 - Al e)= O.
W przypadku macierzy 6 1 z przykładu 74
• - Ale)= 1-05
det(D1 o" -A 05
o"- A = (0,5
I
+ A)A
ma dwie rzeczywiste wartości własne: A1 = O i il. 2 = - 0.5; obie spe łniają warunek
Iii.I < I. System jest stabilny, co oznacza, że mnożniki pośrednie wygasają do zera.
a mnożniki skumulowa ne st ab ilizuj ą s i ę i zdążają do wyliczonych w kmku przykładu 74
mn ożnik ów całk ow it yc h .
Analizę rnnożnikową dla niedużych mode li gospodarki przedstawiają niektóre pod-
ręczn iki ekonometrii (por. A.S. Goldberger (46], H. The il (1 29], W. H. Greene (60]) .
Zadania
214. Zapisać liniowy system wydatków w przypadku G = 2 grupy dóbr (żywn ość
i pozos t ałe). Okre ś l ić zmienne egzogeniczne i endogeniczne oraz zi nt erpretować para-
metry. Prt:cds t awić warunki poboczne w iążące ele menty Yij maci c rą r , zaw i e raj ącej
współczy nniki przy zmiennych egzogenicznych modelu. Co można powiedzieć o zgod-
nośc i i efe ktywn ości estymatora MNK pojedynczych równań tego modelu ?
215. Pri:eds tawi ć zapis macierzowy, zbadać z upełno ść i znal eźć pos tać zred ukowaną
(z restrykcjami, czyli RRF) modelu ·
Y11 =Y11X11+Y31X1J+S°11 .
Y12 = f312Y1 1 + Y22 Xr2 + S°12·

Okreś li ć ide n tyfikowa l n ość rów nań oraz klasę modelu . Om ów i ć es t y mację.
216. W poniż sz y m modelu zmienne po lewej stronie znaku rów nośc i są zmiennymi
endogeni cznymi. Okre ś lić k l asę modelu. Wykorzys rując warunek konieczny, s prawd z i ć
czy jego równania mogą być identyfikowalne. Jaką metodą można szacować parametry
strukturalne?
Y,=cx+{JZ 1 +yr +~11.
W1 = ó + ,,r, +<p P, +~,2.
Z,= A+ µ W,+ fo,
X, = p + >/!Z, + S14·
217. D:my jest model wielorównaniowy o postac i·
Y, = r:x1 D,_, + cx2S1-1 + 0'3 + S, 1.

D, = a4 Y1- 2 + a5X, + a6Z1 + cx7 + .;,2 .
S, = cxgt + a 9X, + aw D1- 2+r:x 11 + .;,3.
Zak ł adając, że zmie nne obj aśn ian e rów n ań to zmienne e ndogeniczne, podać zbiór
zmiennych łącznie współza l eż nyc h oraz zbiór zmiennych z góry ustalonyc h. Określić
kl asę modelu i podać właściwą metodę estymacj i każdego z równafi .
218. Przedstaw i ć zapis macierzowy i okreś li ć klasę modelu. Om ów i ć identyfikowal-

n ośći es t ymację
D, = r:x1 P, + a1 Y1 + cx3 D1- 1+ a4Z, + S11 ,
S, = ó1 P,_, + ó2 K, + ó3 K1- 1 + ó4 Z, + .;,2,
P, = <pi(S, - D,)+1P?. P1- 1+<fJJZ1 +<fJ4 +S1J·
219. Wyko rzys tać zapis macierzowy, okreś li ć kla sę i zbadać i dentyfikowa l n ość rów-
nań modelu:
Y, /h1 W, + Y11X1 + Yo1 +S11 .
=
W,= fh2Z1 + Y22 P, + Yo2 + .;,2,
Z,= /3u Y1 + y13 X , + y33 R1 + Yo3 + S,J
220. Do którego równanill poniższego mode lu można zastosować poś red ni ą MNK
J'11 = fh1Y11 + Y11Xr1 + Y21 -'"12 - Y21Y13 + .;,1 .
Y11 = f332y,3 + Y22-'" r2 + Y02 + .;r2·
Y13 = f3uYr 1 + Y23-'"r2 + Ym + .;,3

221. Dany jest dwurównaniowy mode l ws półzależny
)'11 = fh1)'r2 + Y11Xr1 + Y21X12 + }'31X,3 +.;Tl,
Y11 = f312Yr1 + Y12 -'"r1 + Y22 -'"12 + Y32-'"13 + .;,2.
(a) Sprawdzić, że żadne równanie nie jes1 identyfikowalne
(b) Który z poniższych warunków prowadzi do identyfikowalnośc i obu równań mo-
delu:
(1) Y21 = }'32 = O. (2) Y12 = Y22 = O. (3) f321 = O
(c) Z jakim modelem mamy do czynienie, jeśli do warunku (3) dołączy my a 12 = O.
gdzie a 12 = cov(.;11 . .;12)?
222. Mając poniższe dane (tablica 7. 1). znaleźć oceny parametrów modelu
Yr1 = f311Y11 + YnX11 + .;, 1.
Yr2 =f312)'r1 +}'221 +.;r2·
Yr3 = f3nYrl + {323)'12 + .;,3.
I Xr l
4 o "
5
6 o 15 13
W miarę możliwo śc i zastosować poś red n ią MNK.

223. Sprawd z i ć idc ntyfikowal ność i dokonać estymacji (na podstawie danych z ta-
blicy 7.2) parametrów pierwszego równania modelu:
Y11 =f321Y12+Y21 X12+.;,1
Yr2 = fi12)'11 + f3nY1J + Y12Xr1 + Sr2·
)'1.> = }'33X13+.;t3
Tablica7.2
I Y1I
-6
-2 -2
o - 1 -2 o -2
224. Sprawdzić id cntyflkowaln ość rów n ań modelu z pr~ykładu 69. Ile restrykcj i na
współczy nniki postaci zredukowanej narzuca postać strukturalna? Jakie to restrykcje?
O szacować drugie i trzecie równanie model u
225. Sprawdzić , że w modelu
)'11 =/Ji1Y12+Y11Xr1 +J121X1 2+~r l·
)'12 = /312)'11 + YJ2·'"3 + y.nXr4 + ~12

występują dwa ograniczenia wiążące współczynniki postaci zredukowanej. Opisać spo-
l
sób es1ymacji macierzy n uw zg l ędniający te warunki poboczne
226. Na podstawie pon i ższej macierzy:
J-[ ~~
2
y Ty
[ X'Y
y TX
X' X -
l~~ ~ i~~
;
;
~ .
5 7 3 8 15
zaw i erającej sumy kwadratów i il oczynów T = 25 obserwacji na wszys1kich zmiennych,

oszacować równani a model u:
)'11 = fh1Y12 + Y11Xr1 + ~rl ·
)'12 = /312)'11 + Y22 Xr 2 + Y32Xr3 + ~12 ·

obli czyć oceny współczynników postaci zredukowanej bez restrykcji (U RF) i z ogra-
ni czeni ami (RRF). W obu przypadkac h obli czyć prog no zę punktow:1 zmiennych endo-
genicznych na okres T + I, zak ładając, że zmienne z góry ustalone przyjmą wart ości
XT+l.I = XT+l.2 = XT + l.J =I. Porów n ać wyniki
227. Oszacowano na stę puj ącą zależn ość mi ędzy wskaźnikami inflacji ( P1 ), wzrostu
płac (W,) i wy daj n ości pracy (Z 1 , zmienna egzogeniczna):
In P r= 0,5 In W,+ 1iri.

In Wr = 1.0 ln P1_1 + I.O In Z, +li 12
Określi ć bi eżący, opóźni o n yi skumul owany wpł yw zmian wydajności pracy na i n fl ację
i wzrost p łac (z badać sta bilno ść systemu oraz obliczyć mno ż niki bezpośrednie, pośred
ni e i skumulowane rzędu 1 i 2, całkow i t e).
228. Anali zę mnożnikową, przed s tawioną dla dynamicznych modeli wielorównanio-
wych, moż na w prosty sposób przeprowad zić w modelu jednorównaniowym z opóźnie
niami zmiennej endogenicznej . Na podstawie oszacowanego modelu :
y,=2 +iY1-1+~x, + i:,

o kreś li ć wpływ zw i ększenia
zmiennej egzogeni cznej x, o j ed nos tkę na poziom zmiennej
endogenicznej y, w okresie 1 i n astępnych
229. Mając model rekurencyjny oszacowany na podstawie danych z dwudziestu ko-
lejnych lat (1 = I, ... T; T = 20):
Y11 = - 0.4x11 + O.Sr+ 10.5 + t111 .
Yr2 = 0,5)'13 + l .2y, _ 1.1 + 5.36 + 1i 12.
y,„ = 0.6)'11 + 0. 2x,2 + 4.34 + 1i,3.
w yzn ac zyć progn ozę punktową zmiennych endogenicznych na okres T + 2 przy za łoże
niu , że xr+1.1 = 5, xr+2.1 = 7, .rr+2.2 = 8
230. Dany jest model dwurównaniowy:
Y11 =fh1Y12+Y11X11 +S11 ·
)'12 = /312)'1 I + Y22.r12 + S12·
gdzie y11 i y, 2 są zmiennymi endogenicznymi, a x, 1 i x 12 są zmiennymi egzogenicznymi
Przed s tawi ć zapis macierzowy modelu, okreś li ć jego kla sę. zbadać identyfi kowalno ść
jego równań i d okonać ich estymacji na podstawie danych z tablicy 7.3. Obli czyć pro-
gnozy punktowe zmiennych endogenicznych dla dwóch skrajnych sytuacj i; w pierwszej
x. 1 =- I, .r.2 = 1, w drugiej x. 1 = l ,x.2 = - 1
Tahlica7.3
I Yt l
I
4 ~3
231. Dany jest model

)'11 = /321)'12 + YnX11 + S11 .
)'12 = /332)'13 + Y22X12 + Sr2·
Y1J = /31,1)'11 + YBX12 + So
gdzie y 11 , y12 , y, 3 są zmiennymi endogenicznymi , a x11 , x, 2 są
zmiennymi egzogenicz-
nymi. M ając dane oceny MNK ws półczynników o bl iczyć w jak
postaci zredukowanej,
najprostszy sposób oceny parametrów postaci strukturalnej: dokonać prognozy punkto-
wej zmie nnych e ndogenicznych y. 1. y.2. y.3 pri;y za ł ożeniu , że x. 1 = IO i x„2 = 5:
Ii ~ [ 0.2
- 0.4
2. o 0.5
- I. O I.O
l·
232. Wyznaczyć oceny współc zy nników postac i zredukowanej modelu :
Zr= fh1wr + Y11Z1-1 +S-11.

w, = f112Z1 + Y21r1 + ~12.
gdzie r, jest zmienną egzogeniczną. Obliczyć prognozę pun ktową zmiennej w1 dla 1 = 9
(tj. na drngi okres poza prób<t), je ś l i r 8 = 8 i r 9 = 10
Tablica 7.4
o 5
I 8 I.O 3
2 7 I.O
3 6 2.5 5
3.0 7
3.5 4
0.5 I
2.0 4
233. Zapi s ać oszacowaną pos t ać zredukowaną modelu z zadania 232 w sposób do-
godny do obliczania mnożników. Okre ślić s tabilność modelowanego syste mu. Wyzna-
czyć kilka kolejnych mnożników poś red n ich oraz skumulowanych i opisać ich zmie n-
no ść w czasie
Odpowiedzi do zadań
Pojem n ość integralna przyjęła wartość najw i ększą dla kombinacji piąt ej (Hmax =
J.
= H5 = 0,7828), a więc Y = /( X 1 , X3 ), czy li w modelu wydatków na sport , tury-
s tykę
i wypoczynek badanej grupy rodzin należy uw zg lęd n i ć przec i ęt ny roczny dochód
w rodzinie oraz z mi e nną c harakt e ryzującą charakter zatrudnienia g łow y rodziny.
2. Hma:-. = f/6 = 0.9732, Y = f(X2. X 3) , czy li w modelu nal eży u wzg l ędn ić licz-
bę ośrodków wczasowych, z którymi oddział współpracuje i zmienną charakteryzującą
s i ed z ibę biura.
I - 0.881 0.753 ] 0.915]

3. R =
1
I - 0,770 . Ro ~ - 0.899
[ [
I 0.838
H mn = H1 = 0.90 11 , a więc w modelu należy uwzg l ędni ć wszystkie trzy zmienne
objaś n iające
4. (a) f/4 = 0,50, Hs = 0,80, H6 = 0,64, H1 = 0.723 , (lr 12I = lr nl = 0,6,

lr 23 1=0.25). A więc optymalna jest kombinacja piąta, zawie rająca zmienne X 1 i X 3
(b) Wed ług metody grafu. w modelu nal eży u wzg l ędni ć tylko X 1
•
5. H4 = 0,6050, Hs = 0.7977, H6 = 0.3445, H1 = 0.6610. Hmax = Hs, a więc

w modelu na l eży uw zg l ędnić zmie nne X 1 i X 3.
6. lroil = O. 7, lro2I = 0,8, lrOJI = 0.6, lr1 2I = 0.5 , lr13I = 0 ,6, lr23I = 0,54;
H1 = 0,7 163; H rnu = H4 , a więc Y = f( X 1. X 2)
7. (a) Przy 4 po1encjalnych zmiennych objaśniających mamy 2 4 - I = 15 kombi -
nacj i. Pojemno ść inlegralnajesl n ajwiększa dla trzyelemenlowej kombinacji zmiennych
Xi.X2. X4 .
(b) Metoda grafu prowadzi do lakiego samego wyboru (X 2 i X 4 Io w i erzchołk i izolo-
wane, zmienne X 1 i X 3 połączy ł y s i ę ze sobą, silni ej skorelowana ze z mi e nną objaśnianą
jest zmienna X 1 )
8. (a) Hmax = 0. 807 1 dla kombinacji zmie nnych {W, XI

1Wspókzynniki korelacji można obliczyć w Excelu. konystaj•1c z funkcji standardowej (kategoria -
s1a1ystyczne) wsp.korelacji(;), wskazując jako argumen1y (w nawiasie) oddzielone średnikiem kolumny
z w:u1ościami dwóch zmiennych. dla których obliczmny współczynnik korelacji
Odpowiedzidozadal'I
(b) Optymalna jest ta sama kombinacja (zmienne W i Z tworzą graf spójny - wy-
bieramy W, si lni ej s kore l owaną z Y , oraz w i erzchoł ek izolowany X)
9. (a) Dla a = 0.05 i 30 - 2 = 28 stopni swobody la = 2.042, zatem r* = 0.36,
Y = f(X„ x,, X,)
(b) łl = 0,8546,
IO. (a) Graf s kł ada s i ę z 4 wierzchotków izolowanych; w modelu należy u wzg l ędnić
wszystkie 4 zmienne objaśniaj ące
(b) Zm ienne tworzą graf spójny; rząd każdego w i e rzchoł ka jest równy 3, wybieramy
X2 - najsilniej skorelowaną z Y
(c) Dla kombinacji {X X2. X3. X4) H = 0.8300; dla kombinacji (X 2} H =0. 7569
1 •
Il. (a) Właśc i wy jest graf B.

(b) Z grafu spójnego wybieramy X4 (w i e rzc hołek o najwyższym stopn iu) oraz X3
i X 5 (wie rzchoł ki izolowane). czyli Y = f(X 3, X4, X s)
(c) łl = 0,662 1.
l 2. Y = /(X1 . Xs . X1)
13. Optymalna jest kombinacja zawierająca zmi enną X Przyjmujemy więc X,=
1
= X, i szacujemy parametry modelu Y1 = ao+a 1 X,+c 1 • Yr = 36.0 - 2.4.r,. s; = 0.8,

1
(1.67) (0.24)
V~= 4.47%, R 2 = 0.960
14. H max = 0.9801 = H i. a więc optymalna jest kombinacja pierwsza, zaw i erają-
ca tylko z m ienną X staż pracy. Należy zatem oszacować parametry modelu Y1 =
1 -
=ao +a 1 X 1 +c1 , gdzie X= X 1 •

)' =
1 8.40 + J ,3x, s; = 0.27. Ve = 3, 72%, R 1 = 0.9885.
(0,33) (0,06)
25.56 21,15
15. Hm„ = łl, = 0,988 1, Y = J(X„ X2 ),
5,„ = 17.5 - l .Ox11 +3. 0x;2 . s;=o.5. v~= 4.04 %, R2 = 0.989.
( 1,73) (0, 16) (0,61)
13, OJ ,,;
= 0.333, D(ao) = 1, 4 1,
16. a= 0.9 tp 2 =0.0357 . D(a 1)=0, 13.
.
[
l. 8 V,, = 3.045. D(a2) = I .OO.
ocena parametru a 2 jest statystycznie nieistotna; symetria reszt: t(a 2) = 0.456 < 1„ =
= 2.447; losowość reszt: S 1 = 3 < S = 4 < S2 = 6
17. )'1 = 9.60 + l.60xi. Se= 1.83, V,=7, 6 1%,tp2 = 0.0376,
(1,84) (0,18)
t (ao) = 5.23 >la= 3. 182. t(ai) = 8.76 > I„ =3. 182
18. (a) )'1 = l .8x1 + 14.0. s;
= 0.5, Ve = 3.98%. tp 2 = 0.106
(0,3 1) (0,7 1)
(b)a1E(0,940 : 2,660)
(c) 1 = 0.645 < ta , a więc nie ma podstaw do odrzuceni a hipotezy. że a = 1.6
1
Odpowie!lzi do zadań
19. )'1 = 2 1.70 - l, 3x1 • S" = 0.32 . Ve = 2.51%, R 2 = 0.999 1.

(0,7 1) (0, 10)
f(ao) = 30.4 >fa= 3, 182. t(ai) =I - 131 >fa= 3, 182,
ao E {19.428: 23.972). cr1 E (- 1.6 18; - 0.982)
20. )'1 = 8.0 - 0.5x11 + 2.4x12. s; =0,6, Ve =8.15%, tp 2 = 0,03 l3.
( 1,90) (0, 17) (0,67)
t(ao) = 4.22 > 1„ = 3. 182. 1(ai) =I - 2.91< 1„ = 3. 182.
r{a 2 ) = 3.6 > t„ = 3. 182
cr1 E (- 1.041; 0,04 \ ), a 2 E (0,268: 4.53 1)
21. "'' = - 18,3 + 2,5X11 + 3,9x,2. s;
= 0.6,
2
R = 0.9852
(4,6 1) (0, 17) (0,96)
P:1rametry strukturalne są statystycznie istotne na poziomie i stotności a= 0.05 .
cr1 E (\.949 : 3,051). a1 E (0.845: 6.955)
22. )'1 = 28 .0 - I. Lr1 1 + i. 8x12, s; = 0,933, R 2
= 0.977 , t(bo) = 28 .9 > la.
(0,97) (0, 14) (0.82)
/(bi)= 7.86 > I„ . T(b2) = 2. 195 < la= 2.776
23. {a) Macierz XTX jest symetryczna (a tym samym t akże {XTX)- 1), Ly 1 = 2 15
(pierwszy element wektora XTy), b = [-I;:;].

2. 6
(b)s; = 28, D(bo) = 31.855, D(b, ) = 3.175, D(b2) = 0.529, t(bo) = - 0.383 ,
T(bi) = 0,756, T(b 2) = 4,914, tylko lt (b2)1 > 10.05 :4 = 2.776, a więc rylko ocena ,8 2 jest
statystyczme istotna.
(c) V,= 17.23 %.
(d) R 2 = 0.8697
24. (a) a = [ =: ;]
(b) R 2 = 0.9865.
(c) Wszystkie parametry są statystycznie istotne na poziomie istotności 0.05
D(a0 ) = 2, IO, D(a i) = 0.17, D(a 2 ) = 1.09.
(d) Z prawdopodobieństwem 0,95 cr 1 e [20.177: 31,823J, cr 2 e [- 2,16: - l. 24J,
C1'3Efi,181: 7,219 )
(c) Ho: a = - 2.2 na poziomic i stot n ości 0,05 należy odrzucić, bo
1
- 1,7 - (- 2.2)
2.94 > la= 2.776
0.17
0.8 - o
Nie ma podstaw do odrzucenia H0: 2cr 1 + cr2 =O, bo 1 = 0. = l .006 < t„ =
7953
= 2.776,
Odpowiedzidozadal'I
28.5 - 3 11
Nie ma podstaw do odrzucenia Ho: ero+ cr 1 + cr2 = 31, bo ltl = Ti'958 =
1
= 1- 2.091 < 1„ = 2,776
25. (a) ?ptymalna kombinacja to X 1 i X2, f;!ma~ = 0.693

(b) (c) y1 = 30.0 - 0,72x11 + 3, 52<12, S; =
0.345 , Ve 1.96%, R 2 =
0,9642; =
( 1,3 1) (0,08) (0.50)
dopasowanie modelu do obserwacji m ożn a ocenić jako dobre.
(d) Wszystkie parametry strukturalne s ą statystycznie istotne na poziomie i stotn ości
0,05: 1(a0) = 29,5 , 1(a 1) = -8. 7, 1(a 2) = 7. 1
(f) H0: cr 2 = =
4 wobec H 1: a 2 -:f=. 4; 1 1-5. 78 1 > 1„ =
2. 776. a więc na poziomie
i s totności 0,05 H 0 n a l eży odrzuc i ć
26. (a) S·1 = 20.0 - l. 2x11 + l. 4x12,

(b)s; = 0.20, V~ = 1. 485%, R 2 = 0.998 ś wiadc zą o bardzo dobrym dopasowaniu
modelu do obserwacji, nawet jeżeli do oceny (ze wzg l ęd u na małą liczbę obserwacji)
uw zg l ę dni s i ę R2 zrewidowany, równy 0,997.
(c) F = 606. l ( uw zg l ę dniając R2 zrewidowany), F„ = 6.94 (dla a = 0.05 oraz
11 1 = 2 (k - I) i 11 2 = 4 (n - k)), a więc hipot ezę, że układ współczynników regresji jest
statystycznie istotny nal eży od rzuci ć
(d) D (a0 ) = 4.02, D (a 1) = 0. 31, D (a 2) = 0.40, 1 (a0 ) = 7,23, 1(ai) = -3 .94,
t (a2) = 3.5, dla wszystkich parametrów zachodzi w i ęc: lt (aj ) I > t„ = 2.776. czy li
wszystkie są statystycznie istotne,
(e) N :1 l eży zwe ryfikować Ho: cr 1 = - 1.4 wobec H 1: cr 1 '# - 1.4
- 1.2 - (- 1.4)1
111= = 0.657 < 1„ = 2,776,
1 0,3 1
a więc nie ma podstaw do odrzucenia Ho
27 . .Y1 = 11 + 1. lx11 + 2. 6x12 • s;

= 0.6, R2 = 0.9769 ,
( 1,9) (0, 17)
( 1,34)
I 5,8 6,5 1,94
to.05:3 = 3. 182, a w i ęc ocena parametru cr 2 jest statystycznie nieistotna - ukończe~
ni e s zkoły zawodowej nieistotnie wpływa na wydajność pracowników firmy. Na l eżałoby
oszacować parametry modelu tylko ze z mi e nn ą X 1
28. Dopasowani e modelu do obserwacji jest bardzo dobre (model wyjaś nia zmien-
no ść zmiennej endogenicznej w blisko 99%, a odchylenia losowe stanow i ą tylko 3. l 9%
średniej wartośc i zmi ennej endogenicznej. jednak ocena parametru a 3 jest statystycznie
ni eistotna, można więc wn ios kować, że zmienna X 3 nieistotnie wp ł ywa na Y i nal eży
ją z modelu u su nąć. Należy ponownie osza cować parametry modelu ze zmiennymi X 1
i X 2 • Model przyjął postać:
}•1 = 17,0 + l.6Xr 1 + 3,2Xr2· s; = I ,45, R 2 = 0.976, Vr = 4, 01 %.

( 1,48) (0, 12) ( 1,1 2)
29. (I) (2) 5'r = 8.00 + 2.20.r1 1 - 0.60.rr2. s; = 2.08. <p 2 = 0.0245 ,
(3,23) (0,28) (0, 19)
10.4000 -0.8320 - 0.5200 ]

D 1 (u) = - 0.8320 0.0763 0,0347
[
-0.5200 0.0347 0.0347
(3) (a) to= 2.48, t 1 = 7.97, t2 = -3.22, lo.055 = 2.571 , a więc na poziomic istot-
nośc i0,05 ocena parametru a 0 jest statystycznie nieistotna (byłaby istotna na poziomie
i s totnośc i
O, JO - to.io: 5 = 2.0 15)
(b) H 0 : a 1 = 2,5. H 1: a 1 f:. 2.5, 1 = 1.07 < '"'zatem nie ma podstaw do odrzu-
cenia Ho.
(c) Ho:y= 10, H, :y 1' IO,gdz;c:y=a,+a2+a3= cTa=[I I l]·[::J·

9 6 10
D()i) = J cTD2(a)c = 2.81, t = · - = O. 142 < 1" = 2.571, zatem nie ma
2.8
podstaw do odrzucenia Ho.
2
30.(IJh= [ ~.3].
s;= o.4
-2.9
(2) R2 = 0.985.
(3) D(ho) = I. 79. D (b,) = 0.14, D (b2) = 0.93
(a) F = 224 > F„ = 19,2, a w i ęc przynajmniej jedna zmienna istotnie wpływa
na Y
(b)t(b 1) = 9 . 19 > 1„ = 2.776; lt(b 2 )1=3, 13 > t„ = 2.776,awięcobydwa
współczynniki regresji są statystycznie istotne.
(c) Ho: fh = - 2.5, H1: fh f:. - 2.5, ltl = 0.43 > t", czyli nie ma podstaw do
odrzucenia H 0 •
-l , ~ (-
6
08
2
(d) Ho: Y = fi1 +fh = -2, H1: Y = fi1 +/32 f:. -2, I= ) = 0,5 <
< t„ = 2, 776, zatem nie ma podstaw do odrzucenia H0 •
(4)
(a) S = 2 < S = 5 < S2 = 7 - reszty mają charakter losowy.
1
d = 2.465, d1. = 0.467 < d' = I. 5375 < du = I. 897; test D-W nie rozstrzy-
(b)
ga. czyautokorelacja jest istotna.
1.2295 2
(c) W = - .-- = O. 945 > IV" = 0.803; rozkład reszt jest rozkładem normal-
16
nym
31. ( I) Zoo ważmy, że wy<az wolny występuje na końcu , '"[te;~;]mac;eczy Xjedynh
będą w ostatniej kolumnie, a wektor XTy będzi e miał postać: 94 ,

119
}' 1 = - I .4.rr1 + 2. lxr2 + 19,5, s; = 0,425, R2 = 0,9782.

(0,21) (0.83) (1,13)
Odpowiedzidozadal'I
Można zatem powiedzi eć, że wzrost stażu pracy pracownika (X 1 ) o I mie s i ąc powoduje
spadek odsetka braków średnio o 1,4 punktu procentowego, pn~y s tał ym X 2. Natomiast
przy stały m s ta ż u odsetek braków wytwarzanych przez mężczyzn ę ( X 2 = I ) jest prze-
cię tni e o 2, 1 punktu procentowego większy ni ż pn.:ez kobi et ę (X 2 = 0). Można dodać, że
w przypadku pracownika zaczyn aj ącego pracę (X 1 = 0), którym jest kobieta ( X 2 = 0)
braki stanowi<! przec i ę tni e 19,5% wytworzonej produkcj i
(2)(a) Weryfi kujemy hipo t ezę: Ho: a 1 = az = Owobec hipotezy H1 : lad+ la zl i- O.
7- 2- I 0,9782
F = - - 2 - . I - 0.9782 = 88,765
dla 11 2 = 2i 11 1 = 4, F„ = 6 .94. Wobec ni erów ności F > F„ hipote zę zerową na l eży

odrzuc i ć, a więc przynajmniej jedna ze zmiennych o bj aś niaj i1cyc h
istotnie wpływa na
z mi en ną Y
(b) Na l eży zweryfikować hipote zę, że ocena parametru a jest statystycznie ni eistot-
1
na, tzn. Ho: a 1 =O wobec H 1 : a 1 i- O, t = 1 ~1=6.67

0.2 1
> t„ = 2,776. Ho należy
odrzuc i ćna rLecz H1 - wpływ st aż u pracy na odsetek wytwarzanych braków jest staty-
stycznie istotny.
(c) H0 : a 2 = 2, H 1: a 1 'f. 2, 1 =
2.1 - 2 1 = 0.118 <
~ 1„ = 2.776, czyli nie ma
1
podstaw do odrLuccni a Ho.
32. (a) .Y1 = 15,5 + 2. IX11 - 0.8Xr2· = 0,68. s;

(3.39) (0,26) (0.29)
(b) to= 4.57, 11 = 8.05, 12 = 1-2,8 1. I„ = 2.571, a więc wszystkie parametry
strukturalne są statystycznie istotne.
2
·~.~ 1 ~'
8
(c) 1 = = 11.14 > 1„ = 2.571 , czyli Ho należy odrzucić
(d) Rozkład reszt jest rozkładem normalnym ( \V = 0.930 > W„ = 0.8 18), ale
test D- W nie raz.strąga, czy autokore lacja jest istotna (d = 2.747; d' = 1. 253 E
E (0,559: 1.777))
33. (a)(c) l ,5 - l. 5x11 + l. 8x12

Yr =
(0.16)
(0,61)
(0, 14)
2.46 - 10.71 l 1,25
Ocena a 0 jest statystyczn ie nieistotna na poziomie i s t otno śc i 0,05, ale jest istotna na
poziomic istotności O, I O.
(b) V~= 5.96%, R 2 = 0,964
(e) Z prawdopodobi e ń stwem 0,95: a E [-1 .864: - 1.1 36], a 2 E [1.402: 2 .1 98]
1
(f) Dla a 1 H0: a 1 = -2 należy odrzucić. bo t(ai) = 3.57 1 > r„ = 2,571 Dla a 2
nie ma podstaw do odrzucenia H0 : a 1 = 2, bo 1(a2 ) = 1.25 < 1„ = 2,571.
34. (a)(b)(c) y, = 26.0 + l.6xi. R 2 = 0.936

(2,74) (0,17)
9,5 9.3
Obydwa paramelry strukturalne są statystycznie istotne, 93,6% z miennośc i zmiennej

endogenicznej jest wyjaśnione przez model.
(d) W c i ągu reszt obserwuje s i ę S = 4 serie: S 1 = 2 < S = 4 < !·h = 7, a więc
reszty maj ą charakter losowy. d = 2.452 św iadczy o autokorelacji ujemnej; należy ob-
liczyć d' = 4 - 2,452 = l .548 > du = 1.332, czyli w spółczyn nik autokorelacj i jest
statystycznie nieislolny; W= 0.995 > Wa = 0. 8 18, czyli rozkład reszt jest normalny.
W przypadku zastosowani a testu Hcllwi ga okazuje s i ę, że w każd ej ce li (o rozpiętości
I /8 = O. 125) znalaz ła s i ę I obserwacja. W c i ąg u reszt nie obserwuje się tendencji ani
do wzrostu, ani do spadku, a w i ęc nic ma potrzeby weryfikacji hipotezy o j e dn orodno ści
wananCJI
35. (I) s, = 0 .707

(2) V,= 3.02%. R2 = 0.9855 .
(3) to = 9,9, t 1 = 13,06, t 2 = 2.68, a więc na poziomie i stotn ości 0,05 ocena
parametru a 2 jest statystycznie nieistotna. ale na poziomie is totno śc i O, I O wszystkie pa-
rametry strukturalne są statystyczni e islotnc
(4) Wraz ze wzrostem s t ażu pracy o I mie s i ąc wy dajno ść nowo przyjętych pra-
cowników wzrasta ś red ni o o 1.6 tys. sztu k/miesiąc przy stał y m X 2, natomiast przy sta-
ły m X (stażu) wydajność pracownika, który ma wykształcenie zawodowe jest przecięt
1
nie o 3 tys . sztuk/mie s i ąc większa od wydajności pracownika, który sz koł y zawodo-

wej ni c s kończył. O cen ę parametru a 0 mo żn a interpretować jako wydajn ość pracown ika
w pierwszym mi es iącu pracy (X 1 = 0), bez wykształcenia zawodowego (X 2 = O)
(5)(a) Ho: ao = IO, H ao #=- 10, r = 2.828 >fa, a więc Ho n a l eży odrz u c i ć
1 :
(b) Ho: a 2 = 4.5, H1: a 2 #=- 4.5, l = 1. 34 < la , czyli nie ma podstaw do odrzuce-
nia H0 •
- 0.2 1, 1-0.21 1 < ta,
zatem nie ma podstaw do odrzucenia Ho.
36. (a) to= 2.38, t 1 = 16,8 1, a w i ęc parametry strukturalne są statystycznie istotne

Uo.os;s = 2.306).
(b) Losowość: S = 7 dla a /2 = 0.025 i I - a/2 = 0,975 oraz 11 1 = 5 i 11 2 = 5
stopni swobody, war1ości krytyczne wynoszą: S 1 = 3, S2 = 9, a więc rozkład reszt jest
losowy.
Autokorelacja: d = 2.79 1, d ' = 4 - 2.791 = 1,209 dla a= 0.05. k = 1 i n = 10
wartości krytyczne wynoszą: dL = 0.879. du= 1.320, a więcd ' znalazło s ię w obszarze
ni erozstrt.:yga ln ośc i testu.
H omoskedas ryczn ość: anali z ując reszty, m oż na zauważyć, że dla pierwszych 5 ob-
serwacj i są one znacznie mniejsze n iż dh1 5 ostalnich, nal eży więc oszacować paramelry
fu nkcji trendu oddzielni e dla każdej z tych grup obserwacji.
Olrzymano: dla 1 = I. .5. a=[ ;:~], Sl = 0. 2, dla 1 = 6. . . IO, a=
= [ -;:~J.Si=3 . 3 .F = 16.5 > Fa =9.28(dlaa =0. 05oraz111 =3 i11 2=3stop-
ni swobody). a więc hipot ezę o rów n ośc i wariancj i w obu podpróbach n al eży odrzucić.
Odpowiedzidozadal'I
Normalność rozkładu: W = 0.922 > IVa = 0.842 (dla a = 0.05 i 11 = IO), a więc
rozkład reszt jest rozkłademnormal nym.
37. (a) Parametry strukturalne są statystycznie istotne: t(a 0 ) = 14.3, i(ai) = -6,4,
r(a 2 ) = 2.9.
(b) Dopasowanie do obserwacji empirycznych dobre (V~ = 6.55%, R 2 = 0,966);
reszty mają charakter losowy
38. (a)(b)(c) )', = 14.0 + l.4x 1• s; = 0.8. R 2 = 0.973.

(0,57) (0, 11 )
I 24,6 12,7
parametry strukturalne są statystycznie istotne.
(d) S = 5 - rozkład reszt jest losowy; IV = 0.941 > W„ = 0.803, czyli rozkład
reszt jest rozkładem normalnym; d = 2.5-d' = 1.5 >du = l.356, czyli autokorelacja
reszt nic występuje CP = -0.25); w ciągu reszt nic obserwuje s i ę tendencji do wzrostu
lub spadku
39. (a) D(a0 ) = 1.58, D(a 1) = 0.09, 10 = 19.0, r1 = -6 .9 (r0 .o5 :4 = 2.776), a więc
obydwa parametry są statystycznie istotne.
(b)a, E (- 0,84; - 0,36)
(c) Ciąg reszt jest następujący: - 0,6; 1.2; 1,6; - l; -2; 0,8; d = l.9 >du= 1.4.
a więc nie ma podstaw do odrzucenia hipotezy, że współczynnik autokore lacj i rzędu
I jest statystycznie nieistotny; S = 4 (liczba serii), S 1 = 2 < S = 4 < S2 = 6,
a wiec rozkład reszt jest losowy; W = 0,9333 > W„ = O. 788. czyli nic ma podstaw do
odrzucenia hipotezy. że rozkład reszt jest normalny
40. (a) D(a0 ) = 1.05. r0 = 9.2, D (a 1) = 0.07 , 1 1 = 11.3. a w i ęc oba parametry są

statystycznie istowe (t0 ,05 . 8 = 2.306).
(b) a E (0.637: 0,963), 1 = 2.828 > 1„, a więc hipotezę zerową należy odrzucić.
1
(c) d = 0.814 <dl= 0.879, a więc Ho o braku autokorelacji należy odrzucić. S =

= 3 = S 1, a więc hipo tezę o losowo śc i reszt na l eży odrzucić {św iadczy to o nie-
właściwym doborze postaci analitycznej modelu. lepszy by ł by model potęgowy). W =
= 0.916 > W„ = 0.842, a więc rozkład reszt jest rozkładem normalnym
41. (a) D(a0) = l.76, D (ai) = O.IO, 10 = 2.3, 11 = 13.1 , a więc parametry
struktural ne są statystycznie istotne.
(b) <p 2 = 0.055, a więc (tylko) 5,5% z mienno śc i zm iennej endogenicznej nic jest
wyjaśnione przez model
(c) Pobieżna analiz;i reszt podanych w ostatniej kolumnie tablicy 2.42 nasuwa podej-
rzenie, 7..e odchylenia losowe rosną wraz ze wzrostem wartości zmiennej objaśniającej -
dla pierwszych 6 obserwacji moduły reszt nie prze kraczają I, dla kolejnych są znacznie
większe. Należało więc dla tych dwu grup obserwacji oszacować funkcje regresji i dla
każdej obliczyć wariancję.
Otrzymano:
dlaobserwacji l-6 S'1=4 .782+1,159x,. s;=0,379.
d laobserwacji7-12 )'1 =6 .093 + 1.18l x 1 • 5?=14.237.
F = 37.5 17 >Fa= 6.39(dlaa = 0.05ornz111 = 6-2 = 4 i 111 = 6- 2 = 4 stopni

swobody), a wiec hipo tezę o rów ności wariancji w obu podpróbach n ależy odrz u c i ć.
Je ś li chodzi o autokore lację, to d = l .866 > du = 1.33 1, a więc autokorelacja nie
występuje.
7.632622
(d) Normalno ść rozkładu reszt W=~ = 0.946 > Wa= 0.859 (dla a=
= 0.05 i 11 = 12), a więc nie ma podstaw do odrzucenia hipotezy, że rozkład reszt jest
rozkładem normalnym
42. Po zastosowaniu zwy kłej MNK Po zastosowaniu ważonej MNK

otrLYmUJCmy: otrzymujemy:
b1 5.3912 3.8628 -0.7596 b1 5.9927 3.3905 -0,5583

D (hj) 2.6429 1.1064 0.7590 D(b j) 2.0726 0.7971 0.4880
2.0399 3.49 13 -1 ,0008 2.8914 4.2533 -l.1440
•' 0.9845
•' 0,9965
•'si 0.0155
12.()()16
•'si 0.0035
l.1190
s, 3.4643 s, 1.0578
v, 0.1703 v, 0.0954
43. Po zastosowani u zwykłej MNK Po zastosowaniu wazoneJ MNK

otrLymcmy: otrzym ujemy:
/Jj 3.8400 5,2900 - 3,3000 "1 3.6072 5.2780 - 2.6827

D(bj) 0,7882 0.2275 1.0912 D (bj) 0.5009 0.1404 0.6734
4.8717 23,2485 -3,0241 7.2020 37.5860 -3.9840
1
11 - k Il - k
•' 0,9995
•' 0.9998
•'s; 0.0005
1.0355
•'s; 0,0002
1.1163
s, 1.0176 S, l,0566
V, 0.0342 V, 0.0205
Odpowiedzidozadal'I
44. Po zastosowaniu zwykł ej MNK Po zastosowaniu wazoneJ MNK

otrzymujemy: otrLymuJcmy:
•, 9.0022 0.9918 2.3024

0,3022
•; 8,8176
0,7708
l.1400
0,5145
2.2019
D (bj) l.0523 0.4405 D(b j) 0.3879
8.5547 2.2513 7.6186 11.4394 2.2158 5,6772
8 8
Il - k 11 - k
R' 0,9986 R' 0.9994
•'si 0.0014
1.9027
•'s; 0.0006
1.5391
s, l.3794 S, 1.2406
,,, 0.0507 V, 0.0351
oraz /J 1 = l - d/2 =I - 2.78 14/ 2 = - 0.2907.
45. Po zastosowaniu zwykł ej MNK Po zastosowaniu ważonej MNK

otrzymujemy: otrzymujemy
•, 9,9394 l.0944 l.5750 •; 8.3310 1.0456

0,2656
3,7108
D(bj) 4.2370 0.9326 2.7865 D (bj) 1.2974 0.9770
2.3459 l.1736 0.5652 6.4213 3.9367 3,7983
Il - k 11 - k
R' 0,9230 R' 0,9948
•'si 0.0770
31.0591
•'s; 0.0052
5.2027
S, 5.5731 S, 2.2809
V, 0.3889 V, 0.1015
oraz /J 1 = l - d/2 =I - 3.4535/2 = - 0.7268.
46. 1-;;-; =
-0,25 + 0.60 1nx;. s~ = 0 .06 12. cp 1 = 0.0476. vt' = 24. 5%.
(0.06 1) (0,06 7)
y, = O. 779xO.fiO (0. 779 = e-0·25 ); wzrost dochodu o 1% powod uje wzrost wydatków na
mieszkanie Przeciętnie o 0,6%.
47. 1-c;gy, = - 0.4 + 0.8 1og.r,. S, = 0.004, cp 2 = 0 .0632, V„ = 15.8 1%,

(0. 14) (0. 14)
8
S•r = 0.398x?· (0.398 = 10- 0 ·4 ).
48. l;y-, = 4 - 0,9 ln x 1• Se= 0.02, ą.i 2 = 0.069, Ve = 4. 16%,

(0,1) (0, 12)
)'1 = 54.6x 1- 0 ·9 (e ~ 54.6)
4
49. 1-;;1 = 0.95 + 1. 2 1nx1 • S~ = 0.0933, ą.i 1 = 0.01365, V~ = 5.33%,

(0.066) (0,08 I)
y, = 2.589x,1. 2 (e 0 ·95 :=::::: 2.589)
50.1~ = - l.390 + 0.700logx1, S;= 0.015, tp 2 =0.027, 10-1.390 = 0.041,

(0, 158) (0.059)
700
.Y1 = 0,04Ix?· ,
In y 1 = -3, 199 + O. 700 hu,. Se = 0.034, tp 2 = 0.027, e- 3 • 199 = 0.041.
(0,364) (0,059)
y, = 0.04Jx?·700 (w obli czeniach logarytmy zaokrągl ono do czterech miejsc dziesięt
nych)
51. y, 2.40 + 9.6t.
= s;
= 2, rp 2 = 0.0 193, Ve = 7. 07 %, S = 4, d = 2.4 ,
(I ,07) (0,49)
j, = 33.72 - 15,98.r,, s;
= 62.93. q;i 2 = 0.324, Vr = 39.67%. S = 3, d = 1,252
(5,75) (5,54)
Parametry strukt uralne obu modeli są statystycznie istotne na poziomic is t otności
0, 10; o lepszym dopasowaniu modelu hiperbolicznego świadczą wartośc i tp1 i Ve. jak
również włas n ości reszt - w modelu li niowym są tylko trzy serie (w hi perbolicznym 4).
w modelu hiperbolicznym autokorelacja nie występuje (d' = 4 - 2.4 = 1.6 > du =
= l.400), mitomiast w modelu li niowym test O- W nie rozstrzyga czy autokorelacja jest
istotna (dL = 0.6 10 < d = 1,252 <du = 1.400).
52. Rozrzut punktów empirycznych wskazuje na funkcję h iperbo l iczną (często wy-
korzystywa n ą w analizie kosztów, ewentualnie fun k cję potęgową o ujemnym wykładni
ku, ale ta okazuje się gorzej dopasowana i niespotykana w analizie kosztów)
.Y1 = 26 .50 + 3.20 _!_ , s;=3. 067,ą.i 2 = 0.0t39, Vr =4 . 12%. S=5.tl= l. 717
(0,99) (O.l~J
53. (a) y, = l.60 + 0.48_!_, s; = 0.039
(0, 15) (0.0:2~)
(b) ~ 2 ~O.O l I 16, V, ~ 4.94%.
(c) Parametry stru kturalne są statystycznie istotne
(d) Il I = 11. - l.S I = 6.63 > ta = 2. 776, a więc hipotezę należy odrzucić.
6
0 . 15
54. y, = 3.00 + 3.60_!_, s; = 1.4, rp 2 = 0,028, Ve = 9.86%.
(0,90) (0,3Ó;;)
55. (a) y, ~ 72,50 - 4.501_, s; ~ 7. 75
(2,13) (0.36)'
Odpowiedzidozadal'I
(b) R 2 ~ 0.975.
(c) Parametry strukturalne są statystycznie istotne Cro.05:4 = 2, 776)
72.5 - 751
(d) ltl = ~ = I, l 76 < ta = 2. 776, a więc nie ma podstaw do odri;uce-
1
nia H0.
(e) S = 5, a wi ęc rozkład reszt jest losowy, d = 2.0242 ; d ' = 1.9758 > du= 1.400
56. (a)(b) w postaci sprowadzonej do liniowej in ;, = 5.70 - l.32~ . s; =

(0, 13) (0,2i)'
2
~ 0,0303. ~ ~ 0.0162, V,~ 4.29%.
(c) Ponieważ dopasowanie modelu do obserwacji jest dobre, można go zapisać w po-
staci pierwotnej )'1 = e 5 ·70- u 2 i;
57. (a) )'1 = 22.4 - 9.8r + 2.0t 2 , s;
= 0.8, R 1 = 0.985
( 1,92) (1,46) (0.24)
(b) y, ~ I I.O + 2.21 + 2.01 2, s; ~ 0.8, R 2 ~ 0.985
(0,62) (0,28) (0,24)
58. Oszacowany model w postaci liniowej jest taki sam dla wersji (a) i (b) 1-;r, =
= 1.10 + 0.25t, Se= 0.134, qi 2 = 0.049, V = 6,397%. Natomiast w postaci
(0,11 ) (0,025)
pierwotnej (a) )' = 3.00 · 1,284' , (b) )•1 = exp(l, IO + 0.25 t ) . W obu przypadkach co
roku sprzedaż rosła średnio o 28,4% f(e 0 · 25 - I) 1001. a w 1998 r. (t =O) wynosiła
około 3,0 mln litrów (el.l = 3.0042).
59. (a) 1-;g; = 0.5650 + 0.09771, Se = 0.0553. qi 2 = 0.0683. 10°- 5650 =

(0,0515) (0,0 132)
= 3.672, IOo.wn = 1.252, )•, = 3.672 1,252' (przy zao krągl eniu logarytmów do
4 miejsc dziesiętnych). Zatem stopa zmian s przedaży wody mineralnej
wynos iła (1.252 - I) 100 = 25 ,2%, czy li co roku sprze daż ro s ła średnio o 25,2%
(w stosunku do roku poprzedniego)
60. 1-;;, = 2.8 - 0.8ln x 1 • S~ = 0.1225, !f! 2 = 0,0657, Ve = 8.35 %, _)>, =
(0, 18) (0,11)
= (e ·8 ~ 16, 44) . Bion1c pod uwagę wartości współczynnika dctcm1inacji
16,44.r,- 0 ·8
2
i ws półczynnika zmienności resztowej , dopasowanie modelu do obserwacji można uznać

za dobre; parametry struktural ne sq statystycznie istotne
Elastyczno ść sprzedaży względem ceny to a = - 0,8. Nie ma podstaw do odrzuce-
1
n;o Ho• a 1
~- \ ,bot ~ -O.~-~ t l) ~ 1.818 < ' • ~ 2.776
61. 1-;;1 = 2,65 + 0,50\nx, 1 + 0.70lnx12 + 0.151 ,
(O, I I ) (O, I 0) (0,06) (0,05)
24, 1 5 11 ,7 3
a więc parametry strukturalne s ą statystycznie istotne ; model można zapisać w postaci
oryginalnej: )•,= 15. l54x~j 50 x~/ 0 eo. i s 1
62.
Parametr
Wartościpoczą1kowc I IO I 1.35
Lin:baitcracji ( L ) 2przye= 10- 5
Os1_acowanic
29.77927110.05165 1 1.34935
D {.) (0.22330) (0.06350) (0.00065)
133.36132 158.30490 2090.44265
% 8 (.) -0.0009% 0.0018% 0.0000%
0.30588
0.00000
63. Addytywne składniki losowe
Wartości początkowe 40 I o.3 I o.s

Liczbai1cracji {l) 4pnye= 10-5
Oszacowanie
42.07397 1 0.28637 1 0.82997
D (.) (1.37753) (0.04266) (0.02651)
30.54300 6.71297 31.31361
% 8 (.) 0.4321 % - 0.9277% - 0.13 J 5%
s, 2.62305
•' 0.08629
Mul tiplikatywne składnik i losowe
Wartości początkowe I o.3 I o.s

Liczbai1cracji {l) 5pnye= 10-5
Oszacowanie
41.86580 I 0.27974 I 0.82635
D (.) (1.52425) (0,02495) (0.02297)
27.46645 11.20990 35.98096
% 8 (.) 0.4279% - 0.4729% - 0.0791%
0.08283
0.06739
Odpowiedzidozadal'I
64. Parametryzacja (a)
Waności początkowe 196 I 67 t o.3

Li cz.ba i1eracji (L) 4 przye = lD- 5
Osz.acowa11ic 196,24529 1 67,17221 I 0.31353
D (.) (10.43884) (2.03988) (0.00626)
18.79952 32.92948 50.08165
% 8 (.) 0.3570% 0.3126% 0.0165%
s, 0.50867
•' 0,00026
Parametryzacja (b)
Parametr
Waności początkowe 196 I 67 I 0.1

Liczba iteracji ( l) 5 prq e = 10- 5
Oszacowanie 196.24529 I 67.17221 I 0.73086
D( .J (I0.43884) (2.03988) (0.00458)
18.79952 32,92948 159.73597
% 8 (.) 0.3570% 0.3126% - 0.0032%
S, 0.50867
•' 0,00026
65.
Wanościpoczą1kowe 1 574 I 11928

Uczb:iiteracji(L) 5 przye = l0- 5
Oszacowanie I 537,56371 1 11 667.00637
D (.) (60.99694) (I 153.89395)
25.20724 10. 11 099
% 8 (.) 0.1685% 0.4577%
27.5 11 40
0.02044
66.
I
Wano.~cipoc1_ą1kowc 1694 I 28542 .1 2773
Liczba iteracji (l) 6pnye= 10- 5
Oszacowanie 1687.10774 1 28077.8083612853.47980
D(.) (139.13329) (6420.96797) (807.77730)
12.125S4 4.37283 3.5325 1
% 8 (.) l .0333% 2.9867% - J .6057%
s, 10.51769
•' 0.00177
67.
Parametr
Waności początkowe o.0286 I 611 I s 196
Liczba iteracji ( L ) 6przye= 10- 5

0.028931 l 192,90332 14977,72838
D (.) (0.00141) (2 204,02308) (824.96710)
20,51821 0,54 124 6,03385
%8 (.) 0.6802% 33.0694% - 2.5421%
s, 10,80954
•' 0.00 144
68.
Wanościpoczątkowc 47.1921 I 0.4521 I o.sasa

Liczba iteracji ( l) 2przye= 10- 4
Oszacowanie 47.80131 0.4503 1 0.5076
D (.) 7.2810 0,0306 0.0477
6.5652 14.7157 10.6415
185.2850
0.0023
Odpowiedzidozadal'I
69.
WartoM:i początkowe IO I 1.5

Liczba iteracji (L) 2przy e = l0- 5
Oszacowanie 10.00512 1 J.49991
D(.) (0.03712) (0.00053)
269.56841 2 846.12633
%8 (.) 0.00048% 0.(X002%
D.38436
0.00000
70. Trend wykładniczy
Wartości początkowe 4.76 I Ll6

Liczbai1eracji ( l) 3 przy e = 10- 5
Oszacowanie 4.92823 1 1.15196
D(.J (0.32209) (0.01646)
15.30085 69.96490
% 8 ( .) 0.1195% O.Q20 1%
0.47665
0.03557
Trend potęgowy
Parametr
Wartości początkowe 5.09 I 0.42

Liczba i1 er.icji (l ) 4prq e= 10- 5
Oszacowanie 4.88529 1 0.45225
D (.) (0.34 111 ) (0.04847)
14.32196 9.33121
% 8 (.) 0.0872% 0. 1697%
S, 0.47815
•' 0.03580
71.
Wartośc i początkowe a.2325 l 9 I 0.300609

Li czba iteracji (L) 3prz.y e = 10- 5
Oszacowanie 0.201058 1 0.247020
0 (.) (0.050421) (0.105068)
3,987585 2.351049
2.418567
0.080431
72 .
Wartości pocz;:itkowc 1.s1s1I 9.5654

Liczba iteracji (l) 9przye= 10-5
Oszacowanie 13. 17929 1 69.86759
0(.) (0,16660) (3.03267)
79.10830 23.03830
% B (.) 0.0213% 0.0818%
s, 475.93498
•' 0.00850
73. Ze względu na addytywne zakłócenie losowe nal eży zas tosować algorytm
Gaussa- Newtona. Natomiast pomijając Ei, początkową wart ość parametru a modelu
Iny, = a ln x 1 m oż na oszacować zwy kłą MNK ; po zao krągleniu logarytmów natural -
nych zmiennych do czterech miejsc dzi es i ętn yc h otrzymujemy-
00 = L 1n x 1 · łn y 1 = 4.44 =
0 74
Ll n2 x1 6 '
Iteracja O: d 0 = 0, 017. Je ś l i jako kryteri um zatrzymania procedury przyj miemy np.
ld11 < 0.001 , to nie jest ono s pełni one; podobnie nie jest spe łnione kryterium stopu
przyjęte jako: ~~7 :
1
ld 1 1 < 1%1a 1 11• bowie m = 2.3% > 1%. Zatem przyjmujemy
et 1 = a0 + d° = O, 74 + O.Ol 7 = O. 757. d 1 = - O.OOO l s pe łnia j u ż kryterium stopu
(obydwa). Zatem: y, = x?· 751 , s; = O. ~ 1 944
= 0.02972, D(it) = 0,023.
74. Aby wyznaczyć wartość początkową et (dla obydwu przypadków), po pomi-
ni ęc iu zakłóce nia losowego model można zl incary zować, np. mnożąc obustronnie przez
miimownik (.r1 +a), a na stę p n i e dzieląc przezx,. W rezu ltacie otrzymamy model y, - I =
(y1 /.r 1 ), którego parametr moż na oszacować zwy kłą MNK
eto= <XTXr1 . XTy.
Odpowiedzido zadal'I
gdzie:
-~
X=
-~
x,
X2
-
y ~
y, -
y, - I
:
I] . a o = 0.3687 = I. 993:::::: 2
0. 185
[
y„ - I
l
x„
(a) Procedura iteracyjna. W f-tej iteracji:
z' =
- (x, ~'a')'
:
[ x,
-(x6+ a t)2
W iteracji O otrzymujemy
do = 0,00 11 = ld0 1 0, 01 6 1 _
0.06842 0 . 01 6 1 ~= -2 - =0 . 0080'.:!= 0. 8%< 1 %,
a w i ęc spe ł n i one jest kryterium zatrzy mania procedury (stopu). Zatem & = 2,
l
s' ~ 0 ·~ 3 1 0 ~ 0.00062. D(a ) ~ 0.095
(b) Model n a l e ży z l oga ry t mować : ln y1 = ln x1 - ln(xr + a )+ e,. W /-tej iteracj i:

_,„_
x,+a1
[ -~i
ln y,
X1
z'= : . e' = : .
[ 6
6;a 1
-X ln y6 - In - "-
x6 + a1
W iteracji Ootrzym ujemy
0
do= 0.00066 = 0. 00359 id 1 0,00359
0. 18375 . ~ = -2- = 0. 0018 = 0,18%< 1 % .
a w ięc spe ł n i one jest kryteri um zatrzy mania procedury (stopu). Zatem & = 2,
s; ~ 0
·~
737
~ 0.00 1474. D(a ) ~ 0.089.
~
y, = X1
x,
+ 2
75. Aby wyzn aczyć punkt startowy dla procedury iteracyjnej , model (po po mini ę
ci u zakł óceni a losowego) linearyzuje my, np. bi orąc pod u wa gę od wrotn o śc i obu stron:
l /y, = a 0 + a 1x 1, parametry tego modelu m ożn a oszacować zwy kł ą MNK ze wzoru
ao = c:XTXr 1. X:Ty,
gdzie
y,
I x, ] I
X= '.
[
7. y= J2
I x„
y„
Zatem
l l
(a) Poni eważ zakł óce n ie losowe n ał oż o n e jest na funkcj ę multi plikatywnie. logaryt-
mujemy obustronnie: ln y1 = In l - ln (a0 + a 1x,) + E,. W /-tej iteracj i
- a&+Ia\ x1 - a&+aix1 1 1
x, ln y , - ln,.-a0 +a
I 1x 1
z1= : , er =
[ I x„ [ ln y I
11 - In - 1- -1-
- a&+ a(x„ - a&+ a\x„ a0 + a1x„
!1eracja O (przy zaokrąg l eni u elementów macierty Z i wektora e do czterech miej sc
dzi es i ęt n yc h ):
1- 0. 1221~ 9%.
d' = ["d2,2·]=[0.2 19800.475 18
0.475 18] - ' 11-0. 01383 11= [ - 0.1 22]
1.9 1734 - 0,00562 0.027
1.35
10 .0271~ 2%.
1.25
Zatem dla obu parametrów nie jest spe łni on e krylerium zatrzymania procedury. Przyj -
' [•ó
a a/ ]
= =
[1,35 - 0. 122]
l. 25+0,027 =
[1. 228]
l. 277 ·
W iteracji I:
d' = [ ~i: l = [g:;;J.

Poprawki nie przekraczają j uż I% ocen parametrów. Przyjmujemy zatem
ao = a~ = 1. 228 . 0' 1 = a: = 1. 277 . s; = 0 .00 106 1.

D (ao) = 0. 102. D (a 1 ) = 0.035 .
l
Odpowiedzidozadal'I
l
(b) W tym przypadku wf-tej iteracj i
}'1 - ---
-<a&+a~x 1 ) 1
·~: + l•ix1
-Ca& +aix d 2
I x,
z1= : e' = , - I
[ I .r„ [
- (ex&+ cxi.r„) 2 - (ex&+ cxi.r11 )2 )„ ex&+ cx~x„
Iteracja O (przy zaokrąg l eni u elementów macierzy Z i wektora c do czterech miejsc
dzi es i ętnych):
1- 0. 14 11
do= ' ] = [ - 0, 141 ] -1. "
tfao 35 ' 10.5%.
[ d21 0.036 10.0361 :::::: 2.9%.
1.25
Zatem procedurę n a l eży ko nty n uować przyjmując:
a' = [:1] = [ : ~;~~~~~] = [: ;~]

W kolejnej iteracji
d ' = [";· ] = [0.0054 < 1% 1.209 ]

d~ I 0.00 16 < I% 1. 286
Zatem:
eto= 1.209. CX1 = 1.286, s; = 0 .000017, D(cxo) = 0.0475 . D(cxi) = 0.0326
76 - (a) d O = [0.023] = 4.6% OO J [0.0005] = 0.09% a 11

0,071 =7. 1% {J 0 ' d = 0.0016 = 0,15% {J "
Zatem przyjmujemy oceny z iteracji O: ex = 0,523. f3 = 1,071. s; = 0.0 132,

D(a ) = 0.002, D(PJ = 0.007 .
1
(b) d0= [-0,007 ] = 1.4% CX O dl = [0.00 J] = 0. l2% cx
- 0.052 = 5.2% {J 0 ' 0.003 = 0.33 % {J 1
•
Zatem przyjmujemy oceny z iteracj i O: ex = 0.493, fJ = O. 948, s; = 0.0004,

D(a) = 0.009. D(p) = 0.034
77. 13ml =O, óf3(ol =O, 1061; {J(ll = O. 1061 , ó{J(ll = - 0,0074; {3(21 =0.0987.
78. /J(OJ = 1, Ó(OJ = - 0,2733; /J(I) = 0.7267 , Ó(I) = - 0, 1609, fJ(2) = 0.5657.
79. yf = 220,9, VP = 2. 765, ..; · I OO= 1,25%.

h
80. yf = 137.0. vp = 25.385 ,..; 100 = 18.53%.

YT
s1. y: = 3.65, v„ = 1.011, ~. 100 = 29.5%.

Yr
82. )': = 3.35, v,, = 0.664, ~ 100 = 19,82%.

y,
83. y: = 5.5, V" = 3. 78, ~y, · 100 = 68 .72%.

84. y: = 145.0, V 1, 10.628, ~ 100 7.33% dla 2007 r.
= =
YT
yf= l 48,96.V„= ll , 1 4,~ 100 =7.48% dl a2008r.
"'
85 . .)'>; = 2.42 + 0.76xli - 3,06xzi, yf = 8,53, V1, = 0.36, ~ 100 =4,19%.
Yr
86. (a) D (ao) = 6.06, D (ai) = 0,51, D (a2) = 4,09. Paramclry strukturalne są
istotne na poziomie i stotn ości a =O. IO (t„ = 2.35).
(b) yf = 50.5, v" = 4. 70 (9.30%).
87. (a) J; = -7 .5 + 14.3x 1; + 5.9x 2;, R2 = 0.995

(2,73) (0,86) (0,86)
(b) Wariant l: y; = 101.9 mln zł, v„ = 3.67; wariant 2 yf = 93.5 mln z ł ,
v„ = 3.86.
88. Hi perbola: S'i = 125.5 - 20000_!_, ;p 2 = 0.0415;

(13, 1) (1471.~\
funkcja liniowa : S•, = 413,812 - 0 .604x 11 , ;p 2 = 0.2551
( 14,78 1) (0,050)
Funkcja hiperboliczna jest znacznie lepiej dopasowana (mniejsze ;p 2 • a ponadto
w ciągu reszt występuje 7 serii, wobec 3 w przypadku funkcji liniowej). Prognoza
w oparci u o fu n kcję hi pcrboliczn ąyf = 152. 17. v„ = 28.06 (18.44%).
89. (a) Trendli niowy: )>1 = 0.842 + 0.395r. 'P 2 =0.093, V~= 15.65%.
(0,319) (0,063)
trend wykładniczy: 1-;;r = 0.225 + 0.15t, 'P 2 = 0.035, V~ = 8.47%.
(0,060) (0,012)
(b) Trend wykł adniczy jest lepiej dopasowany, o czym św i adczy także c i ąg reszt; po
odlogary1mowaniu S•, = l,25 l ,16r
(c) 2007 r ln y:= 1.575. v„ = 0.097. yf = exp( ł. 575) = 4.830:
2008r.: ln yf= l.725 , V„=0.104. yf=exp( l. 725)=5.6 13.
90. 2007 r. ln yf = 0.94. VP = 0.077. y;

= 2560 (2560 osób):
2008 r. lnyf = 0.86. VP = 0 .083 . yf = 2363 (2363 osoby)
91. Yfcm = 160.0, yf008 = 640.0, yf009 = 920.0

Odpowiedzido zadal'I
92. (a) = 106,226 - 2,856x1 1 + 2. OO lx2 1• <p 2 = 0.0054

Yr
(2,73) (0,86) (0,86)
(b) y, = 57,80 + 6.40 · 1, i11 =22 ,00 - 1. 40 /, i21 = 7,20 + 1, 20· 1
( 1,62) (0,26) (0,61) (0,1 0) (0,40) (0,07)
(c) 2007r.: xi=6.6. xu=20.4, yf= 128,1968, Vr= 2. 13;
2008 r.· xi = 5.2. xu = 2 1.6, y:
= 134.5964, Vr = 2.241
(d) 2007 r.: Yi = 12 1,8, V1, = 2.8; 2008 r.: Yi = 134, 6, Vr = 3.0.
93. T = 21: )'TE (8.448: 13, 152) ,

T = 22: )'T E (9, 152: 14.248),
T ~ 23: YT E (9.560: 15.440).
T = 24: )'TE ( \0, 192: 19,208),
T ~ 25: YT E ( 10.596: 20,004)
94. (a) Y1 = 48,8 - 5.0xjj + 5,6x21. = o.6. s;

(8,6) ( 1,2) (1,5)
(b) Wszystki e parametry strukturalne s:1statystycznie istotne.
(d) Yi = 5 1.8, vr = 4,98%
(e) yj E (37 ,26: 66 .34)
95. (a), (b) y, = 16.0 + 1.5.r 1; - 4.5x 2;. <p 2 = 0. 1065, s~ = I

( 1,0) (0,35) ( 1, 12)
(c) y: = 20,5, Vr = 1. 32, P {16 .29 < YT < 24 .7 1} = 0,95
96. yfr.()7= 16l,77.yf00 H= 175 .95.
97. yr007 = 113 .74, r{'008 = 120. 88
98. Dla/= 3yf008 = \5,506,d l:1/ = 5 Y{oos = 14. 662
99. (a) yf007 = 358 tys. szt., yf008 = 377 tys. szt. ,
(b) yf007 = 323 tys. szt., yf008 = 338 lys. szt. ,
(c) yf007 = 359 tys . szt. , yf008 = 378 tys. szt
100. y~ = 54 1.72, y('., = 567.80, y('8 = 593,88.

10 1. Dla a= O. I, yf007 = 199 tys. szt. ; yf008 = 222 tys. szt y[009 = 246 tys. szt
102. / 2 = 0 .576380, q = 0. 000008, tł= 0.009000, lf = 0.046830
a ~ [ : i~ ]
6
103. (a)
-3.75
(b) Wszystki e parametry strukturalne są slatystycznic istotne.
(d) Dla kobiety (x1r = 6, X2T = O))': =23.5, vr = 0.94, )'r E (20.52: 26.48);
dla mężczyzn y (x 1r =6, X2T = I) yf = 19. 75, Vr= D.66, YT E ( 17.65 : 2 1.85)
104. (a) )', = 13.25 + 7.25xi 1 - 6.25x1 1 • 1p

2
= 0,0063 , Sr = 3.03;
(0,96) (0,96) (3,03)
(b) yf = 109.5, VP = 1,45. Jr E (95.54; 123.46)
105. (a) )', = IO.O + 1.51 , 1p2 = 0.045, S, = 0.6;

(0,65) (0.15)
(b) yf wynosi odpowiednio : 22. 23,5, 25 ton ;
(c) vpwynosi odpowiednio 1,01 , l , 11, 1.2 1:
(d) 2007 r.: YT E ( 19. 39: 24.6 1), 2008 r. YT E (20. 66: 26.34). 2009 r.:
YT E (2 1.9: 28. 1)
106. (a) y, 4.5 + 1.91 ,

= s;=
1.0571. V,=7.43%. 1p2 =3 .30%.
(0,75) (0, 13)
(b) Obie funkcje są dobrze dopasowane, w obu parametry strukturalne są statystycz-
nie istotne, w przypadku funk cji wykładnic zej ni e m oż n a s twierdzić czy występuje :1u-
tokore lacja;
(c))', =6.40· 1.15 1
(d) (d) 2007 r. : yf = 23.5 tys. szt., VP = 1.27 tys. szt. ;
2008 r.: y{ = 25.4 tys . szt. , VP = 1.34 tys. szt
107. (a)(b) .v, ~ 2043,85 - 52,361, ~'~ O, 1588, S, ~ 60.19:

(46,90) (9,29)
(c)
yf, v, Przedział prognozy (la =2.447)
2007 1572.6 76.30 ( 1385,9: 1759.3)

1520.3 81.76 ( 1320.2: 1720,3)
1467,9 87.86 ( 1252.9:1682.9)
14 15,6 ( 1184.4:1646,8)
108. (a) Dla pszeni cy: y, = 30.1691 + 0.85821 , Se= 2. 1449. 'P 2 = O.1924 .
(0,9471) (0, 1396)
Vr = 4.15%;
dla żyta )•, = 23,8018 + 0, 2391 1, S, = 1,6753. ({! 2 = 0. 7057. V,= 5, 13%.
(0,8370) (0, 1234)
(c) Dla plonów pszenicy prognozy punktowe: yf007 = 40.47, yf008 = 41.33 , yf009 =
= 42.18;
V2007 = 1.744 1, V~oo7 =4.3 1%; V2008 = 1,8 153, V~oos = 4.39%; V2009 = 1, 8942.
Y1001 Y200~
~f: =4.49%
Odpowiedzidozadal'I
Prognozy p rzedziałowe: P{36.52 < y2007 < 44.41) = 0.95 , ?{37 .22 < y2008 <
< 45,43/ = 0.95. ?{37 .90 < )'2009 < 46.471 = 0.95
Dl a plonów żyta. Prognozy pu nktowe: y{o07 = 26.67, y{008 = 26, 91 , y{009 = 27, 15;
V2007 = 1.54 14, 7
V~oo = 5.78%; V2008 = 1.6043, V~oos = 5,96%; V2009 = 1.6740.
Y2001 Y10os
~r: = 6. 17%.
Prognozy przedziałowe: P{23. 18 < }2007 < 30.16) = 0.95 , ?{23.28 < )'2008 <
< 30,54/ ~ 0.95, P{23,36 < y,009 < 30.94) ~ 0,95
109. (a) Trend liniowy : y, = 125.39 + 7.621, '{J 2 = 0.00 17.

(2,34) (0,32)
trend wy kład n iczy: ln y, = 4.869 + 0.0437r. '{J 2 = 0.0097,
(0,0 10) (0,00 14)
czyli)', = 130. 19 1,045'
(b)
Trcndliniowy Trcndwykładniczy
13 224.44 229.7
14 232.06 239,9
15 239.68 250.7
16 247.30 26 1.8
254.91 273.5
262.53 285.7
270.15 298.5
277.77 31 1.8
110. (a) ii1'Y1 =

8.136 + 0.07391 , rp 2 =0.012,
(0,019) (0,0026)
czyli y, = 3424,3 · 1.0787'
S·, = 3041,51 + 411.641, rp 2 = 0.001 18
(104,54) ( 14,20)
(b)
Rok Trend wykładniczy Trend liniowy
1997 8947.5 8392.%

1998 9633.6 8804.40
1999 10 372.4 916.03
11167.7 9627.67
lll. (o)y,~2087. 1 7+920,99 - s,~2 1 ,37. ~'~0.099

(10,96) (26,50)
(b) 2007 r. yf = 2179 .27 . Vp = 22.23, YT E (2 124 .33: 2234,22). 1„ = 2.265 .

2008 r. yf = 2 170,90, V 1, = 23.29. )'TE (2115.81: 2225, 99).
2009 r. yf. = 2 163,92. v p = 23.34 . YT E (2 108.71: 2219.13)
(d) y, ~ 2785.00 - 81.671 , S, ~ 148.72. ~ 2 ~ 0.00304. V,~ 0.0005.
(15,5 3) (2,76)
2007 r. : yf = 1968,33. v„ = 183.83.
2008 r.: .v:
= 1886.67, v„ = 194.55.
2009 r.: yf = 1805.00, Vp = 206.50.
Prognozy wyznaczone na podstawie trendu liniowego są obarczone du żo większym błę
dem i merytorycznie nie są wskazane.
112. ;., = 49.7079 + 25 .2870. ~. s; = o.0494. rp 2 = 0.0005.

(0, 1324) (0,2927) I
113. (a) ,;y; = 4, 1576 + 0.2 136 ln1 , s; = 0.044, rp 2 = 0.1 368,
(0,0500) (0.030 1)
)'1 = 63.92001°· 2136 ; y{007 = 106.68, y{008 = 108.68
(b) )', = 69.2000 + 3.65821. s; = 71.437 1, rp 2 = 0.34 1 I: Y{rm = 109.44.
(5,7738) (0,9305)
y{008 = 11 3. 10.
114. 5'r = 420,1000 - 122.71761 + 10.68941 2 •

2
s; = 357. 8848, ip
2
= 0.0385.
1--;;; = 4, 1576 + 0,2 136l n 1, s;
= 0.044, rp =O,1368.
115. (b) y{; = 982,692, Vp = 78.66 (8,2%). y~ = 973.214, V„ = 79.10 (8.1 %),
Yis = 965 , VP = 79.50 (8.2%).
(c) )'13 E (840. 17: 1125.221, )'14 E (829. 88 : I I 16.55J, )'15 E [820.95 ; 1109.05],
t o.10.12 = 1.8 12
116. (a) S 2 = 0 .80. R1 = 0. 96, V~ = 6.73%, d = 0.98 < di. . występuje autokore-
lacja reszt.
(b) Parametry stmkturalne obu funkcji są statystycznie istotne. jednak funk cja wy-
kładni cza dokład ni ej odzwierciedla bada ną t e nde n cj ę rozwoj ową, ponadto w fun kcji li -
niowej występ uj e autokorelacja reszt (d = 0.98 < di); do prognozy należy zatem
wy bra ć funkcj ę wy kł adniczą
(c) )', = 22. 73 · 0.901
117. (a) )', = 9.0 + 0.801 , s;

= 0.048, R 2 = 0 .96, Ve = 3. 68%.
(0,35) (0,06)
(b) 2007 r. yf = 17 tys. SZ I. , V„ = 0,59 (3,48%).
2008 r. y.f: = 17.8 tys . szt. , v„ = 0,63 (3 .5 1%),
2009 r. yf = 18.6 tys. szt. , V1, = 0,66 (3,57%)
Odpowiedzidozadal'I
118. Prognozy na kolejne miesiące 2007 r. i ocena dokładnośc i predykcji
Błądw 7.ględny
Mie siąc
Prognoza w KWh Błąd średnipredykcji predykcji
(yf) (Vp) (Vµ/Jf)
(w%)
14699.86 I 117.5048 7.62

14114.50 1340,9895 9.50
13973.93 454,9050 3.26
11306.71 388.2958 3.43
V 10039.00 764.2768 7.61
VI 9239.29 390.4651 4,23
VII 9578.Q7 504.9516 5,27
9804.50 483.3843 4.93
10939.14 813.5568 7.44
12455.00 652.7803 5.24
13322.79 684.0059 5.13
14723.36 3.72
119. (a) In Q1 = 4.7557 + 0.5808 In K, + 0.4809 In L,, V~= 2. 68%. 1p 2 = 0.508

(0,4234) (0,0578) (0, 1274)
model jest dobrze dopasowany do obserwacji, parametry strukturalne s:1 statystycznie
istotne, można go więc zapisać w postaci Q1 = I 16.25K?· 5808 L?.4S09
(b) E Q/ K = 0.5808, EQIJ. = 0.4809, V= 1,0617
l46475) !f.TilJll -0~008
(c) Dla Q0 = 139500 izokwanta L = ( _ K -rf:fijif ; gdy K = 5200,
11 6 25
L "'9 1
120. (c) Produkcja wzrośnie o 3,72% (v = 0.93 · 4%)
(d) t..Q = l .06°50 , 0.96°.43 = 1.16%.
Q ' '
( ~:) - L - 0· 86 , L = ( ~:°) ~ K ~
2 2
(e) K =
121. yu 009 ~ 175,44 mln zł, y2 _2009 ~ 629.40 mln zł
L' L"
122. (a) f0 ~ K" ~ 0.25.
(b) U= 1.675 tys.
2 14
123. Rx i1 x 3 = )' Rx 2 1x 3 = ]5
5 X 5
124. (a)(b) X1 ~ii· X 2 <>X,~
1
ii
(c) xr· = 35 tys. kg, x2· = 56 tys . kg.
(d) xr = 38.165 tys. kg, Xi= 61.065 tys. kg.
125. Do estymacj i parametrów funkcj i CES (w parametryzacji 5.39 z addytywnym

zakł óceni em losowym) zastosowano algorytm G- N. prLy wartościach początkowyc h pa-
rametrów: a 1 = 0,5 , a 2 = 0,5, p = 0,3, v = I. Otrzymano
Paramc1r .,
Ckenyparnrnclrów 0.3408
Asymptotyczne błędy średn i e szacunku 0.12 12 0.0 11 5 U.2125 U.0749
s;= 0,2540, asymptotyczny błąd ś redni szacunku dla parametru p jest stosunkowo
wysoki, ocena parametru jest statystycznie nieistotna, a więc nie powi nno si ę wniosko-
wać w oparciu o ten algorytm
126. (a) In Q, = 0 .4569 +0.5542 In K, + 0.4986 In L 1 + 0.01 30r .

(0,5362) (0.0484) (0,0705) (0,0056)
V, = 0.17%, rp 2 = 0,001. Wartości rp 2 i V~ świad czą o bardzo dobry m dopasowaniu
modelu do obserwacji, wszystkie parametry strukturalne są statystyczni e istotne, także
ten przy zmie nnej czasowej, można zatem powiedz i eć, że w prze d s i ęb iors tw i e widoczne
są efekty neutralnego postępu techniczno-organizacyjnego. Model moż n a więc zapisać
w postaci: Q1 = 1.58 K?·
5542
L?.4986 e0 ·0131
(b) W wyniku postępu techniczno-organizacyjnego produkcja co roku zmienia s i ę
średn i o o (e 0 · 013 - I)· 100 ~ 1. 31%. Zate m w roku I = 16:
Q16 = Q 15 · e 0 ·0 JJ = 11 20 l.0131 = 11 34.672 mln ton,

a w roku /= 17:
Q17 = Q16 · e 0·013 = Q15 e 0·026 = 1149.456 mln to n
127. (a) PkK = 0.6027, P k l = 0.0775; E Q/K = 0,7, Eo; L = 0.3, v = l.

W wyniku postępu technicznego produkcja z okresu mi okres rośnie ś redni o o 0,2 %.
(b) /',: ~ - 0.03. /',QQ ~ 0.97°· 7 - I ~ - 2.091 %.
/',L
(c) L = 6.67 ~ 7%.
(d) o/: = 13,9%.

(c) = 7.778; zmniejszeni e wartośc i majątku trwałego o 0.9 m ln z ł n a l eży zre-
R LK
kompe n sować zwiększe ni e m zatrndnienia o 7 osób
(f) K * = 42 mln z ł , L * = 36 osób, a więc aktualna struktura nakład ów (K/L =
= 30/ 100) znacznie odbiega od optymal nej ( K / L = 42/36 = 7/6).
128. (a) R KL = 49/ 9 = 5,44.

(b)a ~ 1/3
(c) Eo /K = 0.3.
Odpowiedzidozadal'I
"Q
129. (o) Q 100 ~ -0. 7%.
~:: ~ 2~~ ;-~. :o/:

3
2s l d
(d) K 0 = 94.587 tys. zł, L 0 = 246 osób.
"w
(e) w 100 ~ - 12.53 %
(f) !1 K = 27.42 tys. zł
130. (a) E o;K = 0,56. E Q/ l = 0.47.

(b)' ~ 1.03
l1Q ooo~
(c) Q = (e- · • - I) 100 = (0.998002 - I) :::::: - 0,2% (regres techniczny).
(d) !1Q = 1,05°· 56 . 0.92°· 47 . e- 0·002 - I = (0 .98623 - I). 100 :::::: - 1. 377%.
Q
131. Q 2009 = Q2oo8 · e0·005 = 552. 75 tys. ton. Q20 o = 1 Q 1009 e0·005 = 555.53 lys.
132. (o) ~ 100 ~ [ (I +ff - 1] 100.
133. Dla funkcji CES(!): v = 0,9, RK L = 0.4873, a= 2,5. (e-o.oo i - I) . 100 ::::::
"'-0.1 %.
Dla funkcji C- D (2): v = [, l, RKL = 0. 3808, a = I, (e 0·002 - I) 100 :::::: 0.2%.
134. (a) Przy podanych nakładach Q = 3 l.16232; PkK = 0,433 mln jednostek
ceg/owych na 1 mln K; Pkl = 0.156 mlnjednednostek ceg łowych na jedno s tkę L.
(b) Eo; K = 0,5; E o; i = 0.4; v = 0.9 < I - malejące efekty skali produkcji
(zarówno elastyczn ości, jak i efekty skali produkcji nie zależą od nakładów)
"Q
(c) Q ~ - 0.015 (-0.01565)
"L
(d) L = 0.0625 · 80 = 5 etatów (ze wzoru dokładnego 0.0662 80 = 5.3 etat u).
(e) RL K = 2. 7778 etatów/I mln K , zatem s przedaną maszynę
o wartości 1,8 mln zl
nal eży zas tąpi ć zwięk sze ni e m
zatrudnienia o 2. 7778 · 1.8 = 5 osób (etatów); za uważmy.
że zbliżony wynik otrzymano w poprzednim punkcie
(f) L = 502·5 K - 25 , czyli L = 213. 74 etatu
1
•
(g) K • = 50, L • = 160, Q111a.• = 48 ,459 mln jednostek cegłowych. Aktualna

K* 36 9 . . . 5
struktura nakład ów L; = OO = 20 znaczme odbiega od optymalnej J6.
135. (a) E Q/K = 0.6. E 0 11. = 0.5. v = l. l (rosnące efekty skali); jednoczesny
wzrost Ki L o 7% spowoduje wzrost Q o 7,7%.
(b) Tak. W wyniku postępu technicznego produkcja co roku wzrasta średnio o około
0,3 %.
+ ~)o.
6
(c) t.Q = (1 (l + 0) 0·5 - l = 0.03 (produkcja wzrośnie o około 3%,

Q 80
dokł adni e o 2,971 %).
f'> L
(d) l = - 0,06 (dokładni e - 0.0569), czyli zatrudnienie na l eży z mniej szyć o oko-
l
Io 6% (1 1J etatu)
0.6 L
(c) R LK = Q.5 · K = 3 (wzrost K o 1 mln zl nal eży zrekompensowa ć redukcją L
o 3 etaty; 4 mln K = -1 2 etatów).
(0 K' = 80, L' = 200 (K'/L• = 1/5)
136. (a) Jest to dynamiczna funkcja produkcji Cobba-Douglasa (zauważmy. że m oż

na ją za pi s ać w postaci: Q= K 0·6 . L 0.4 . e0 · 7s+o.ooii (lub Q= 2. 11 7 K 0 ·6 . L 0.4 . e 0·0021 ),
gdzie 0,6 i 0,4 to elastyczności produkcj i, odpowiednio, względem Ki L , e0 · 75 = 2. 117
jest stałą, a e0·0021 - miernikiem efektów postępu techniczno-organizacyjnego)
(b) 11 = I (stałe) Q wzrośnie o 4%
ó.Q
(c) Q = - 0.024 (-0.02445)
(d) ": = 0.07 (0.0736)
(e) w = K 0.6 L - 0.6e0.7S + 0.021 : ~; = 0.078 (0.083).

(f) Q1+2 ::.-:: 26 1. 86 (o oko ło4,08% wzro ś ni e w wyniku postępu technicznego)
(g) K * = 132 mln zł, L • = 264 osoby ( K . / L • = 1/ 2); aktualna struktura nakładów
to 80/200 = 2/5
(h) R LK = 3 osoby nale ży wprowadzi ć do produkcji , aby z rekompe n sować spadek
wartości majątku trwałego o I mln zł; Rn = 1/3
137. (a) Funkcja C- D: parametr efektywności 1. 8 (tys. sztuk to poziom produk-

cji pr~y jednostkowych nakładach czynników produkcji); e las tyczno ści wzglę d em obu
czynników wynoszą 0,5.
(b) v = I - s tałe efekty skali. wzrost K i L o 6% spowoduje wzrost Q tak że o 6%.
ó.Q
(c) Q =- O.Ol (- 0.0108)
/';\V
(d) w= 0.04 (0.04 125).
(c) K = 6400L _,.
(f) K 0 = 40, L 0 = 160. minC = 10.56 mln zt
(g) K * = 25, L* = 100, max Q = 90 tys. sztuk .
(h) Przy nakładach optymalnych (w obu przypadkach) R LK = 4, R KL = 1/ 4, przy
n akładach aktualnych RLK = I. 779; RKL = 0.5625.
Odpowiedzidozadal'I
138. (a) PkK = 7.478 mln ton, Pkl = 4.832 mln ton, RKL = 0,646
(b) EQ/ K = 0.806, EQ/ L = 0,394 , l i = 0.806 + 0. 394 = 1.2 (= 0.8 1.5) -
rosnąca wydajność czynników produkcji.
(c)a =5.
(d) v ia bez zmian (v jest jednym z parametrów funkcji , a za l eży rylkood parametru
p), RKL = 0.61 8
139. (o) Eo; K = 0.673. Eo; L = 0.227." = 0.673 + 0.227 = 0.9 (= 0.6 · 1,5)
(b) PkK = 1.472. Pkl = 2. 093
(c) R LK = 0,703; w miejsce 124 jed nostek K należy wprowadzić do produkcji
około 87,2jednostek L.
(d) a = 2.5.
(e) E Q/ K = 0,66. E Q/ L = 0.24, v = 0,9 bez zmian (bo jest jednym z parametrów
funk cji), a= 2,5 - bez zmian , R LK = 0,740.
(f) W wyniku postępu techniczno-organizacyjnego z okresu na okres produkcja
zmienia s ię o (e 0 · 01 - I). 100 ~ 1%.
140. ( l)(a) Jest to funkcja produkcji CES (o sta łej elas tyczn ości substytucji). E Q/ K =
= 0.55, EQ/ L = 0.55
(b) V= 0.55 + 0.55 = 1.1 = 0.5 2.2.
(c)a = 2
(2) Pk K = 9.1. Pkl = 1.98
(d) R LK = 4,592.
(3) Aby utrzy mać Q na niezmienionym poziomie. zw i ększenie Ko 15 mln zł (z 49
do 64) na l eży z reko mpensować re dukcją zatrudnienia o 4.592 · 15 ~ 69 etatów (68,88),
tj. do 156 osób
(4) Przy K = 64 i l = 156 osób; EQ / K = 0.636, E Q/ L = 0,464, v = I. I (bez
zmian), R LK = 3,346.
141. (!)(a) Funkcja produkcji CES : EQ / K = 0.60, EQ / L = 0,45, v = 0.60 + 0.45 =
= 1.05 (= 0.5. 2, 1)
(b) RLK = 4.2 14, RK L = 0,237
(c)a =2.
(2) Aby u1rz y mać Q na niezmienionym poziomie, zmniej szenie K o 5 jednostek
(z 8 1 do 76) nal eży zrekompe n sow ać zw ięk szeni e m zatrudnienia o 4, 214 · 5 ~ 2 l jed-
nostek (z 144 do 165 ). Wartości współczynników efektu skali i e l astycznośc i substytucj i
ni e z al eżą od nakładów.
142. Dla obu funkcji: (a) E Q/ K = 0. 7 14, E Q/ L = 0.286
(b) ,=0.7 14 + 0.286= I (= 0,5 ·2)
(c) R LK = 6, 944(4), R KL = 0, 144
(d)a= l / l.5=2/3= 0.667
143. ( I)(!) to dynamiczna funkcja C- D; (Il) to zdynamizowana funkcja CES
(2) Dla funkcj i C- D: (a) EQ / K = 0.62 , EQ/ L = 0.45,
(b) v = 0.62 + 0.45 = 1.07 (nie zależnie od nakładów) ,
(c) PkK = 4.51, Pkl = l.45 ,
(d) RL K = 3.10.
Dla fun kcji CES: (a) EQ/ K = 0. 547, EQ / L = 0.493 (przy podanych m1kł adac h )
(b) v = 0,547 + 0.493 = l, 04 (= 0.5 · 2.08) (dla dowolnych n akł adów)
(c) Pk K ~ 3,98, Pkl ~ L59
(d) RLK = 2.50.
(3) Dl a fu nkcj i C-D: a- = l (zawsze), dla podanej fu nkcj i CES a = 2, a więc
substytucja jest ł a tw i ej sza, c h oć w obu przypadkach raczej trudna
(4) Efekty posteru techn icznego są bardziej widoczne w fu nkcji U; w jego wyn iku
produkcja rośnie co roku śred n io o 0,2%; w fu nkcj i I - tylko o O, I%. Zate m na począt
ku kolejnego roku w przcdsicbiorstwie I produkcja wyniesie okoł o 727,43, a w prled-
s i ę b iorstwie U - o koło 728, 15.
144. (a) EQ/ K = 0.38, EQ / L = 0,57, v = 0 .95, RKL = 0.375, a- = 0.5.

6Q ,, ' 6Q
(b) Q = l. 25°·57 - 1 = 1.1 356 - l = 13.56% lub w przybh zemu Q =
= 0.57. 0.25::::; 14. 25%.
t::,.K ó.K t::,.K
(c) o= o.38. K + o.57 . 0,25 ---+ - 0.38 K = 0 . 1425 ---+ K ;:::: - 0,375;
/:::,. K ó. L
- 0.375 16 = - 6 mln z ł lub K = - RKL · L = - 0.375 16 = - 6 ml n z ł.
(d) L = ( 0,913 - oiKo.s

I ? ) ""
dla K = 16 mln zł. L ~ 83 e1aty
(e) v, a- bez zmi an, R KL = 0.335.
145. (a) Funkcja translogarytmiczna
(b) Gdy K = L = I, EQ / K = 0.80, EQ / L = 0.60, 11 = 1.4.
Gdy K = =
L 54.6 (In 54,6 = 4), EQ/ K = 0.64, E Q/ L = 0.46, v =
I. l .
Gdy K = 7.389, L = 54.6 (ln 7.389 = 2, ln 56.6 = 4), EQ / K = 0. 60.
EQ / l = 0 .40, V= I. O
(c) Przy st ałych nakła dach w wyniku pos tęp u technicznego co roku produkcja roś n ie
o około 0,4%.
146. (a) Funkcja translogarytm iczna
(b) Gdy K = L = e, EQ / K = 0.64, EQ / L = 0.46, v = I.I .
Gdy K = 20.086 (ln20.086 = 3), L = 148.42 (I n 148 .42 = 5), EQ ; K = 0.44,
EQ / l = 0 .38, V= 0,82
(c) Przy st ałych n akł adach w wyniku pos tępu technicznego co roku produkcja rośni e
o oko ło 0.8%.
147. (a) EQ/ K = 0.64, EQ / L = 0 .45, v = 1. 09
(b) Ho:a1 + a2 =I, H1: a 1 +a2 f=. I,~= a1 +a1 = cT&, cT =[O 1 Il.
D( i.) = 0.06. t = l.~O~ = l ,5 < t 0 .o5: 12 = 2.179. a więc nie ma podstaw do
1
odrzucenia Ho o st ałyc h efektach skali .

(C) V= J. 09 ± 2, 179 · 0,06---+ V E l0.959 : J. 22 JJ
0,64 80
(d) R LK = 0 . · 3'2 = 3, 556. Zw i ę ksze n ie K o 2,5 mln zł należy zre k ompensować
45
zmni ejszeniem L o 8,889 ::::; 9 etatów.
Odpowiedzidozadal'I
148. (a) EQ / K = 0'1 E (0.55 ±2.306. 0.092), E Q/L = a1 E (0.49±2. 306. 0.069).
ii E (0.55 + 0.49 ± 2.306 · 0.059), V= cT ·et, cT = [ 0 I 1 0 ]. D(U) = 0,059
(b) Ho: a1 = a2--+ Ho : a1 - a2 =O. H1: a1 > a2; i= &1 - &2 = 0.55 - 0.49 =
= 0.06, & = cT&, CT = [O I - I O], D (i ) = 0,039, I= o~~~ o = 1.549 <
< lo. 10;8 = 1,86. a wiec nie ma podstaw do odnucenia Ho. że e l a styc z n ości wzg l ędem
obu czynników są takie same. Uwaga: H wskazuje najedno-(prawo)stronny obszar kry-
1
tyczny, dlatego z tablic dla test u dwustronnego fa odczytano dla 2a = O. IO

(c) Ho: a1 + a2 = I, H1: a1 + a 2 > I: 5. = &1 + &2 = 0.55 + 0.49 = 1.04.
i. = er a. CT = [O I l OJ. D(i.) = 0,059, t = ]~~~ [ = 0,676 < fo.ms = 1.86.
a wiec nic ma podstaw do odrzucenia hipotezy, że technologia charakteryzuje sic s t ałymi
korzyścia mi skali produkcji
0
·~ .~~~·
1 2
(d) Ho: y =0.02, H1: y ,l:0.02, D()i) =JO.Ol . 0.001 =0.0032, I= =
= -2,5291-2.5291 > ro.05;9 = 2.306, a więc Ho należy odrzucić na korzyść H1
0.49 20
(e) RKL = 0. ?2 = 0.2475 , t::,.K = 0.2475. 4 = 0.9899::::: I mln zł
55
149. (a) PkK = 2,877, Pkl = 0.745, PkE = 0.083; EQ I K = 0.48, EQ/ L = 0.42
(EL / Q = 0.20), RLK = 3.862 (RKL = 0.259), REK= 34.66 (RKE = 0.029), Rn=
~ 8.976 (Rce ~ 0. 111).
(b)/:::,.E=REK /:::,.K =34.7 18 ·2.09 ~72.56 MWh
(c) Q1+ 1 = Q1 • eo.ooi = 250.6 · 1.004008 ~ 25 l ,60 ml n ton .
(d) D.Q = 0,95°· 48 .1 °.4 2 · ·0.90°· 2 .e0 ·oo.1 _ l ~ - 4.08%. Q = 250.6·(1 - 0.0408) =
Q
= 240,37 mln ton.
150. (a) V= Q,8

(b) Jeże l i K i l wzrosną o 1.4%, Q wzrośnie o 0,8 · l.4% = 1. 12%.
(c) EQ / L = 0,5 (0.8 - 0.3) .
K
(d) R 1.K = 0.81 dla l = 0.604
151. (a) E QI K = 0,444, E o ; L = 0.402, Eo;E = 0.234

(b) v = 1.080. J eżeli K, Li Ewzros n ąo2%, Q wzrośnieo2,16%.
(c) PkK ~ 1.1386, PkL ~ 0.68583, PkE ~ 0.23982.
(d) RKE = 0,2106, RL E = 0,3497
(e)a=l.4286
152. (a) EQJK = 0.403. EQ/ L = 0.429. EQ/ E = 0.268

(b) v = I. I. Jeże li K , Li E wzrosną o 4%, Q wzrośnie o 4,4%.
(c) PkK = 2.469, Pkl = 0.833 , PkE = 0,2 13
(d) RLK = 2.963 ( Rn = 0.337). REK = I 1.592 (RKE = 0.086) , Rn = 3,91 l
( RLE ~ 0.256)
153. (a) EQ / K = 0.60, EQJL = 0.38, 11 = 0,98.

(b) EQ/ K E [0.60± 2.365 0. 0 322 1 ~[0 , 524.0. 67 6]. CT~ ro o 2 o I].
EQ/ L E J0.38 ± 2.365 · 0,0486] ~ [0.265: 0,495] . cT ~ [ O I O 2 I J.
LJ = E Q/ K + E Q/l E (0, 98 ± 2.365 · 0, 0478 1 = (0.867: 1.093].
cT = (0 I I 2 2 2 ].
0.98 - I
(c) Ho: v = \, H1: v > I, = _ = 0 ,364 < to. 10,7 = 1.895, a w i ęc nie
1
0 055
ma podstaw do odrzuceni a H0, że technologia charakteryzuj e s i ę s t ał y mi efektami skali
produkcji
(d) Dla fu nkcji C- D SSEo = 0.03 ·( 13 -3) = 0,3. dla fu nkcj i translog SSE = 0.07 . 1
(0. 3 - 0.07)/3
::~ez~;ci: . = 0 . 0717 7. 67 > Fo., a więc Ho: a 3 = lY4 = a 5 = O należy
154. 1• = I + Ji. ~ 2.4 1 lata, W(2.4 1) = 542. 168 iys. sztuk

155. W obu p rt.:ed s ięb iors t wach pracowni cy o s i :igają opt y m a ln ą wyd aj n ość pracy dl:1
1• = 3, a więc po 3 godzinach pracy, tzn. o godz. IO.
156. (a) W1 = .tl , = IO K ; 18L;-0 .

fi W fi W
(b) W "' - 5% lub W ~ - 4.65%
fil fil
(c) L ~ 12.8% lub L = 13.1 5%
157. iV
1 = .tl , = 2.8 K,213 L"; 213 e0 ·oos 1 , óWW = (I - 0.25)- 213 e 0 ·008 - I
= l. 22 11 - 1 =22 .11 %.
158. (a) a = O, 7383 .
(b) P320 = 1,4766 godz./szt
(c) W 640 = 0. 9173 szt./godz
159. (a) a = O, 76.
(b) P 400 = I, 1552 godz./szt
(c) a = O. 7593
160. (a) P75 = 2,37, P 1200 = 0,75.
(b) Nie.
161. (a) C ~ 17,2579 + 37.5446Q - 10.3666Q' + 0.9620 Q 3 ,
(6,2266) (4.9465) ( 1,2890) (0, 1102)
I 2,72 7,59 - 8,04 8,73
s; ~ 0.0092, R' ~ 0 ,9941
(b) Parametry speł n i aj ą warun ki n ałożo n e na fu nk cję kosztów całkow i tyc h : a 2 =
= - 10,3666 < O i a;=
(- 10.3666) 2 < 3 · c.r a 3 = 3 37,5446 · 0.9620, a więc
1
•
jest to funkcja S-kszta ti na; stałe koszty produkcj i wynoszą 17 .2579 mln zł. Do wielkośc i
produkcji Q = 3. 592 tys. sztuk (w s pó łrzę dn a punktu prteg i ęcia - mi ejsce zerowe dru-
giej pochodnej) koszty całkow ite rosną wolniej ni ż w i e l kość produ kcji , od tego poziomu
koszty całkow i te ro s ną szybciej n i ż produkcja
Odpowiedzidozadal'I
' 300
162. (a) Funkcja kosztu jednostkowego: c = 0.3Q- - 3Q + 12.6 + Q; funkcja
kosztu krańcowego Ck= 0.9Q 1 - 6Q + 12.6.
(b) Dl a kosztu jednostkowego: Q• = 10 tys. szt uk, Cmin = C(IO) = 42.6 zł;. dla
kosztu krańcowego: Q• = 7 tys. sztuk, Ckmin = 14.7 tys. zł.
163. Q* = 6 tys. sztuk
164. Q• = 100, c( IOO):::,,; 403.43 zł/sztu kę (tys. zł/ 1000 sztu k)
165. (a) Q* = 80 tys. butelek.
(b) c(80) = 1380 z ł/1000 butelek, z(80)= 120 zł/ 1 000 butelek, Z(80) =9600 tys. zł
(c) Q0 = 100 tys. butelek. z( 100) = 108 zł/1000 butelek, Z( IOO) = 10800 tys. zł
(d) Q1 = 40tys. sztuk, Q2 = 160tys. sztuk; prod ukcja Q e (40; 160)jest rentowna
166. (a) Q* = I JO tys. szt.. c(l 10) = 392 zł/ 1 000 szt„ z( l 10) = 44 zl/1000 szt.
Z(l 10) = 4 840 tys. zł
(b) Q... = 137.5 tys. SZI„ z(\37. 5) = 39.6 zl/1000 SZ I. , Z( l 37. 5) = 5445 tys z ł.
(c) Progi rentowności to: Q1 = 55 tys. szt. , Q2 = 220 tys. sztuk. zatem aktualna
produkcja jest rentowna. ale zbl i ża s i ę do górnego progu rentownośc i , wskazane jest
więc raczej jej obn i że ni e.
167. (a) Q0 = 200 tys. puszek. z(200) = 179.2 zł/1000 puszek, Z(200) = 35 840
tys. zł
(b) Q 1 = 40 tys. puszek, Q2 = 360 tys. puszek. Aktualna produkcja m i eści się
w tym przedziale, a więc jest rentowna, ale zwiększając ją do 200 tys. puszek można
znacznie zwiększyć zysk
(c) Q* = 120 tys. szt uk , c(120) = 1936 zł/ 1 000 puszek, z( l 20) = 224 zl/ 1000
puszek, Z( l20) = 26880 tys. zł
168. (a) Q... = 250 tys. sztuk, z(250) = 192 z ł/ 1 000 sztuk, 2(250) = 48000 tys. zł.
(b) Q 1 = 50 tys. sztuk, Q 2 = 450 tys. sztuk; produkcja na poziomie 150 tys. sztuk
m i eśc i s i ę
w przedziale wyznaczonym przez dolny i górny próg ren t owności.
(c) Produkcja z przedzial u (75; 300) tys. szt. będzie rentowna, zatem n a l eżałoby
produkować przynajmniej 75 tys. szt. wafelków. aby nie ponosić strat
(d) Q~ = 150 tys. szt., c(\50) = 1020 zł, C(l50) = 153000 tys. zł.
169. (a) Q* = 120 tys. opakowań, c( l 20) = 2004 zł/1000 puszek. ::( 120) = 96
zł/ 1 000puszek, 2( 120) = I l 520 tys. zł
(b) Q1 = 60 tys. opakowa11. Q2 = 240 tys. opakowań, a więc produkcja 220
tys. opakowarl jest rentowna, ale zwiększenie zysku można uzys kać zm n iejszając ją:
Z (220) = 5120 tys. zł
(c) Q1 = 50 tys. opakowml. Q2 = 260 tys. opakowafi; 2(220) = 8 160 tys. zł,
a maksymalny zysk daje produkcja Q• = 150 tys. opakowa ń , 2( 150) = 16000 tys. zł
170. (a) Q* = 30 tys. sztuk, c(30) = 2540/ 1000 sztuk, z(30) = 960 zł/1000 sztu k.
Z (30) = 28 800 tys. zł
(b) Q.,. = 50 tys. sztuk, 2(50) = 39200 tys. z ł. z(30) = 784 zł/ 1 000 sztuk.
171. (o) C(Q) ~ 1274 + 252Q

1274
(b) c(Q) = Q + 252; wraz ze wzrostem wiel kośc i produkcji koszt jednostkowy
maleje do poziomu 252 zł za MWh
(c) Q ~ 13 MWh
(d) Przy cenie 364 zł za I MWh minimalna wielkość produkcji gwarantuj ąca jej ren-
tow ność (próg rentowno śc i ) wynosi 11 ,375 MWh, im w i ększa produkcja, tym w i ę kszy
zysk
172. (a) c(4400) = 26.75 zl/szt., z(4400) = 2.25 zł/szt., 2(4400) = 9900 zł, a więc
produkcja jest remowna. Próg re ntowności to 3300 sztuk
(b) Przy cenie 26.75 zl zysk ca łkowity z produkcj i 4400 sztuk będzie równy zero
108000
173. (a) c = - Q- + 155c.
(b) Próg rentown ośc i przy cenie 171 zł 10 Q = 6750 szt. , a w i ęc produkcja na
poziomie 7000 sztuk jest rentowna
(c) p = 173 zł
(d) Koszty stał e (ao funkcji kosztów cał kowit ych) nal eża ł oby obn i żyć do 96 OOO z ł.
174. a = [ ~~:~~~ J. Ve = 8. 15%, R 2 = 0.9834, liczba serii S = 5; dla a/2 =

= 0.025 i l - a/2 = 0.975 oraz 11 1 = 9, 11 2 = 7 wartości krytyczne wynoszą: S 1 = 4;
5 2 = 13, a w i ęc w zasadzie nie ma podstaw do odrzucenia hipotezy, że reszty mają cha-
rakter losowy, c h oc ia ż obserwuje s i ę j edną dłu gą (8 -clem cn tow ą) serię reszt dodatnich
175. Dla specjali stów nauk humanistycznych funkcja Pareto ma postać: fQgy =
= ll.780-3,734logx, R2 =0.999.S=3> S 1 =2. czyli)• =6.030 · I0 11 x- 3·734
(0,70 1) (0,239)
Dla specjali stów nauk ścisłych fu nkcja Pareto przyjęła postać: logy =
15.1 80 - 4.972 logx . R2 = 0 .993 . S = 3 > 5 1 = 2. czyli )r = 1.1 5 1 l0 15x - 4 •972 •
( 1,191 ) (0,406)
176. (a).\' = 2068,80. s = 427.65. x2 = 8.42 < xJ = 14,067 (d la Ct = 0,05
i IO - 2 - I = 7 stopni swobody), a więc nie ma podstaw do odrzucenia hipotezy. że
anali zowany rozkład jest rozkładem normalnym
(b) Mo= 2 177.78, Q0 .25 = 1773.08, Q0 .50 =2106.12, Q0 .15 = 2368.08
(c) Wynagrodzenia pracowników na stanowiskach ni erobotniczych są ni eznacznie
wyższe ( różnica mi ędzy ś redni mi wynagrodzeniami wynosi 38 ,8 zł). wyższe są także
(o bli sko 98 zł ) dominanta, mediana i trzeci kwa rtyl; tylko pierwszy kwartyl jest wyższy
dla pracowników na stanowiskach nierobotniczych
Wynagrodzenia pracowników na stanowiskach nierobotniczych c harakte ryzuj ą się
tak że większym zróżni cowa ni em. o czym św iadczą odchyleni e standardowe i współ
czynniki zmien ności (Vi = 20.65% dla pracowników na stanowiskach nierobot niczych
wobec 17% dla pracowników na sta nowiskach robotniczyc h)
177. Gospodarstwa pracowników na stanowiskac h robotniczych: .\' = 4 11,9, S =
= 75. 7, A= 0,587 <Aa = l.358 , a więc nie ma podstaw do odrzucenia hipotezy, i ż roz-
Odpowiedzidozadal'I
kład dochodów jest rozkładem normalnym . Mo = 422. 7, Q o.25 = 357 .6, Qo.5 = M e =
= 4 11.7, Q0.75 = 467 .3, 0 0. 10 = 3 11.7, 0 0 .90 = 5 14.0, V = 18,4%.
Gospodarstwa pracowników na stanowiskach nierobotniczych: .f = 385. 1, S =
= 88.6, A = I, 103 < Aa = I ,358. a więc równ i eż nie ma podstaw do odrzuceni a hi-
potezy, i ż rozkład dochodów jest rozkładem normalnym. Mo = 4 17. I, Q0 .25 = 271,4,
Q0 •5 =M e = 382.4, Q0 .75 = 442.3 , Do.w = 27 l.4, D0 .90 = 499 .9, V= 23.0%.
Warto śc i wszystkich parametrów ś w i adc z ą , iż przeci ę tn e mi es i ęc z n e dochody w go-
spodarstwach pracowników na stanowi skach nierobotniczych są ni ż sze i c h arakteryzują
s i ę nieco wi ę k szym zróżn i cowani em .
178 . .f = l 188.6 zł, S = 256 .3 zł, D = 0.02 11 075, A = 0.9440 < Aa = 1,358,
a więc nie ma podstaw do odrzucenia hipotezy, iż roz kł ad dochodów jest roz kładem
normalnym. Mo = 1406.4. Q o.25 = 998.2 z ł. Qo.5 = M e = 1174.0 z ł, Q o.75 =
= 1358.4 zł. D0. 10 = 848.8 zł, D 0. 90 = 1538.2 zł. V = 21,6%
179. Dla roz kładu normalnego: .f = 140,6, S = 53,8. A = 5. 1094 > Aa = 1.358,
a więc hipotezę o empirycznego z rozkładem normalnym należy
zgodno ści rozk ładu
odrzuc i ć
Dla rozkładu logarytmiczno-normalnego: Y = 4.8776, Sv= 0.36 13 (m etodą kwan-
tyli), A = l. 25087 < Aa = 1.358, czyli rozkład empirycz~y jest zgodny z rozkładem
logarytmiczno-nonnalnym.
.f = 140. l zł, Sx = 52.3 , Mo = 1094.52, M e= 115. 3, V = 37,3% , l = 0.2016,
Do. 10 = 82.7 , Do.20 = 96.9, . . , Do.Mo= 178.0, Do.90 = 208.6
180. Dla rozkł adu nomialncgo: .f = 135,5 z ł, S = 60.25 tys. zł , A= 4,3950 > Aa =
= 1,358. a zatem hipotezę o zgod n ości rozkładu empirycznego z rozkładem normalnym
n al eży odn:ucić .
Dl a rozkładu logarytmiczno-normalnego: y = 4,8093, Sy = 0.4185 ( m etodą kwan-
tyli), A = I. 1322 < Aa = I .358, co ś w i adczy, że rozkład empiryczny można aproksy-
mować rozkładem logarytmiczno-normalnym .
.f = 133.9, S_, = 58,6, Mo = 102.9, Me= 122.6. V = 43.8%, l = 0.2327.
D o. 10 = 7 1.7, D o.20 = 86.2, .. , D o.80 = 174.4, D o.w = 209.7.
181. C/0.73 = 1427 .957 , C/0.27 = 900.980, C/0.93 = 2218. 182, C/0.07 = 656. 757 , y =
= 7.03344, S,. = 0.4 123 . .f = 1234.89, S~ = 53 1.58, Mo = 956.94, M e= 11 34.27,
V = 43.05 %. Odsetek pobierających emerytury ni:/'_<;ze od średniej = 0.58 , l =
= 0.2294. D 0. 10 = 668,71. Do.w = 801,71. . . D0. 80 = 1604.79, D 0.90 = 1923,95.
182. Dla mężc zyzn: ąo . 73 = 3199,86, C/0.27 = 2086.863 , C/0.93 = 4706.082, ąo.01 =
= 1567,964, y = 7,857 1, Sy = 0.3723 . .f = 2769.58, SA= 1067 ,95, Ma = 2249.63,
M e= 2584.12, V = 38.54%, procent otrzymujących wynagrodzenie niższe od średniej
= 0,5738, l = 0.2077, D0 . 10 = 1603.59, D0 .90 = 4164.21
Dla kobiet : (/0.73 = 2862, 134, Cfo.21 = 1998.752, Cf0.93 = 4189.329. Cfo.01 =
= 1466.957 , y = 7.7798 , s,.
= 0.3557 ..r = 2547,79, s. .
= 935.04. M o = 2 107 .89.
Me = 239 1.80, V = 36.70%, procent otrzy muj ących wynagrodzenie niż s ze od ś redniej
=0.5705, l = 0.1985, D o. JO= 1516.63, D o.<JO = 3771,99
Wynagrodzenia mężczyzn są więc przeciętnie wyższe niż kobiet. charakteryzują s ię

tak że nieco większym zróżnicowaniem
183. Dla mężczyzn: fJo.73 = 2622.22, fJo.21 = 2 190.48. fJ0.93 = 3200, ąo,07 = 1800,
y= 7.78 18, Sy = 0.1949 . .i'= 2441,60. S_r = 480.64, Mo= 2307.31, M e= 2396.65.
V = 19.68%, procent otrzymujących wynagrodzenie niższe od ś redni ej = 0.5388, L =
~ 0.1096
Dili kobiet: ą 0 , 73 = 2575, ą 0 , 27 = 2 154.55, ąom = 3250, ąom = 1700, Y =
= 7.7645, Sy = 0.2195 ..i'= 24 12,85, S.< = 536.12, Mo = 2244.69, Me = 2355.41,
V= 22,22%, procent otrzymujqcych wynagrodzenie niższe od średniej= 0,5437. L =
= O, 1244
Wynagrodzenia mężczyzn są więc przeciętnie wyższe niż kobiet, natomiast wyna-
grodzenia kobiet c harakteryzują się nieco większym zróżnicowani e m
184. Macierz prawdopodobi eńs tw przejścia jest następująca:
0.6250 0.2750 0. 1000

0.1000 0.5750 0.2250 0.1000
o. 1625 0.5625 0.1750 0.0750 0.0250
0.0500 0. 1250 0.5375 0.1875 0.0750 0.0250
P; ~
0.0200 0.1300 0.5000 0.2700 0.0800
0.0500 0.1000 0.4500 0.3000 0.1000
0.0500 0.1000 0.5750 0.2750
0.0600 0.2200 0.7200
c 1 = 0,5681. c2 = 0,662 1, cfl = 0.2873, cj3> = 0.0658
W 2008 r. li czeb ność kolejnych grup dochodowych będzie wynosić: 52,05, 133,24,
165,61, 207,06, 175,36, 160,72, 154,69, 101,27
185. Macierz prawdopodobieństw przejścia jest następująca:
0.625 0.25 0.125
~:~~ ~·~~~
0 05
· 0.200 0.160 0.060
P1 = 0.045 0.550 0, 355 0,050
0.100 0.500 0.300 0.100.
[ 0.100 0.575 0.275
0.060 0.220 0.720
3
c 1 = 0,581, c2 =O, 759. cfl = 0.234. cj ) = O. 110
Przy założen iu, że prawdopodobień s twa przejścia są stał e w czasie, w 2008 r. liczeb-
ność poszczególnych grup dochodów będzie następująca: 38,975, 79,27, 110,69, 136,20.
180,85. 152, 13, 101,89.
186. Dla okresu 2005/2006: c 1 = 0.6351, c2 = 0.5649, cf 1 = 0.3547, cj3> =
~ 0.1090
Dili okresu 2006/2007: c 1 = 0.5696, c2 = 0.6762, cfl = 0.3480, cj3 l = 0.1963
Odpowiedzidozadal'I
187. (a) 1-;;, 0.482 +0. 850 ln Xr 1 - I.OOO ln X12, R2 = 0.0084, s~ = 0.0 14 1.
=
(0,137) (0,0 14) (0,026)
czyli )•, = L62x~] x 1-; 1 · 00 .
85
(b) E y/ xi = -1 . zatem, aby zwiększyć sprzedaż o 4%, cenę należałoby obn i żyć
o4%.
(c) ~ =(I + 0.03)0 · 85 ( 1 - 0.04) - 1 = 0,0682 ~ 6. 8%.
)'
188. (a) 1;;, = 1.43 +0.56 ln x 11 - 0.80 1nx12 + 0.65 lnx,3, Si= 0.0356. R 2 =
(0,52) (0,045) (0,093) (0,115 )
= 0,9798, czyli y, = 4. I 8x~j x 1-; · x~-j
56 0 80 65
(b) 6.xi =0.05. 6.x 2 =0.05, 6.x 3 =-0.04. ~= l,05°· 56 - l. 05 - 0 · 8 ·0,96°.65- 1 =

X1 X2 X3 )'
= - 0.03752 - 3.75%.
~
(c) Funkcja przychodu ze sprzedaży P = y · x 2 = 4, 18.r~; .r~/ .r~3 \

56 0 6
EP /X! =
ll P
= 0.20, zatem wzrost ceny mię s a powoduje wzrost przychodu ze s przedaży o p =
= 1.10°· 2 - I= 0.0192 ~ 2%.
189. logy = 3,91 05 +0.6100 log.r 11 - 0.8191 logx 2,, S;; = 0.0032. R 2 = 0,949.
(0, 1432) (0,0034) (0,0734)
czyli )',= 8 l37,2xf; 61 x; 0 · 82
W kolejnych kwartałac h 2008 r. ceny powinny wy n os i ć: 1523, 1544, 1556, 1553 zł.
tzn. powinny być w I kwartale o 0,07% n i ższe, a w nastcpnych wyższe o 1,31, 2,10
i 1,90% w stosunku do cen z IV kwartału 2007 r
190. (b) Popyt wzroś n ie o 7,32%.

(c) Produkcja powinna być n i ższa o 3, 185 tys. sztuk, tj. wynosić 46,8 15 tys. sztuk.
(d) Ce nę magnetofonów należy ob ni żyć o oko ło 4,2%.
191. Do rozw i:1zania problemu mo żn a podej ść na dwa sposoby.

Towar A: I sposób - obniżenie ceny o 2% spowoduje wzrost popytu o ~ =
= (I - 0.02)- 1. 5 - 1 = l.030768 - 1 = 0.030768 do 206,1536 tys. szt. i wzrost
przychodu firmy z 20 000 tys. zł do około 20 203,05 tys. zł (206, 1536 · 98), natomiast
llS
podwyżka ceny o 2% spowoduje spadek s przeda ży do o koło 194, 1466 tys. sztuk ( S =
= ( I+ 0.02) - u - I = 0.970733 - I = -0,029027; 0,970733 200 = 194. 1466)

i spadek obrotu do oko ło 19 802 ,95 rys. zł (194. 1466 · 102)
n s~sób- Funkcję popytu .(sprzedaży) : S, = t. 738 . o&·99 . c,-0u5 prze~.szt~tcamy
w funkCJę przychodu ze sprzedazy: P, = 51 · C, = 1.738 · D, · · c1- · ; obmzeme ceny
o 2% spowoduje
wyniesie w i ęc:
zmianę przychodu o n; = 0.9s- 0 ·5
1.010153 · (200 · 100) = 20203. 05 tys.
-
zł
I = 0,010153 - przychód
Towar B: zastosowanie dowolnego z podejść prowadzi do wniosku, że obniże ni e ce-

ny o 2% spowoduj e spadek przychodu z 5000 tys. zł do około 4979,838 tys. zł. natomiast
podw yż ka ceny o 2% spowoduje wzrost przychodu firm y do około 5019,842 tys . zł.
192. (a) .6.xi = 0.04, .Ó.XJ = - 0.09, ~ = O. Aby utrzymać popyt na aktual-
X1 X3 )'
nym poziomie. nal eży : ce nę towaru A ob ni żyć o około 2,85%, a cenę towaru B obniżyć
o około 3, 1%.
(b) .6.xi = 0,04, .Ó.XJ = - 0,09, ~ = 0.055. Aby popyt wzrósł o 5,5%, cenę
X1 X3 )'
towaru A nal eży obniżyć o około 7, l %, a ce n ę towaru B obniżyć o około 9,4%.
45
193. (a) .6.xi = 0.06, .6.x2 =O, = - = - 0.15 . .6.y2 = 0.266 R:: 26 .6%.
.Ó.XJ
X1 X2 300 XJ )'2
(b) Można wykorzystać jedno z podejść omówionych w rozwiązaniu zadania 19 l .
Mniej pracoc hłonne jest to drugie, oparte na funkcji przychodu
~;~ 1 ~;: 2 ~:: 4
8
Obuwie markowe: = 0.05, = - 0.04, = - 0.09, ~2
= l,05°·7 ·0,96°5 ·0, 91-0 · 2 - I = 0.033 1 ( P1 = )'1 ·x4 ). Kortystna będzie obni ż ka ceny
obuwia markowego (przychód ze s przedaż y wzroś ni e wówczas z 24 000 tys. zł do około
24 795 tys. zł (o bni żka ceny lego obuwia spowoduje nieznaczny spadek przychodu)
Obuwie popularne: .6.xi = 0.05, .6.x2 = - 0.04, .Ó.XJ = 0.09, .6.Pi = 1,05°· 6
X1 X2 X3 P1
· 0.96°.4 . \.09°·2- I = 0.0364 ( P 1 = y 1 ·x 3 ). Korąs tnabęd zic podwyżka ceny. Prt:ychód
ze sprzedaży wzrośnie z 9000 do około 9275,8 tys. zł (obni ż ka ceny s powodowałaby
nieznaczny spadek przychodu)
194. (a) .6.xi = 0.04, .6.x2 =

3 57 3
· - .40 = 0,05, .Ó.XJ = - 0,04. ~= - 0.0306
X1 Xz 3,40 X3 V
= 8x?· 6 x~· x~· • .6.:

2 5
(b) P = 0. 01 8.
(c) ~~I = 0,04. ~;: 3 = - 0.04 . .6.: = 0.03 --+ ~:· 2 = 0. 092.
(d) ~l:~I = 0, ~.:J = 0 . .Ó.: = 0.03. ~;:l = 0. \035
195 _ (a) .6..r1 = 0 _02 _ .6.x3 = 9. 18- 8,50 = O.OS . ~ = 0 --+ .6.x
2
X1 X3 8,5 )' X2
= - 0.019 ~ - 2%.
(b) P = 2x~· 7 x2°· 3x3°· 5 , .6.: = - 0.0184 R:: -2%.

(c) EP;x2 = - 0.3. a więc wzrost ceny powoduje spadek przychodu, zatem aby
zw i ę k szyć przychód , cen ę nal eży ob ni żyć.
196. (a) .Ó.X1 = 0.05 , .Ó.X2 = 5.04 - 4.80 = 0.05 , .Ó.X3 = 4.32 - 4.50 = - O.Q4,
X1 X2 4.80 .\'3 4.5
~ = 0.043 1 R:: -4.3%.
)'
Odpowiedzidozadal'I
(b) 1::;. = 1.05°· 8 . 1.05- 0 ·2 . o .96°·6 - 1 = o.004792 :::::: 0.5 %.
(c) 0.04 = 1.05°· 8 ·( I + t::. x 1 ) - 0·2 · 0.96°·6 - I ---+ t::.x 1 = - 0.1161 :::::: -11, 6%,
x1 x1
a w i ęc ce n ę nal eży obn i żyć do okoł o 4,26 zł za karton.
(d) ó.x
2
= 1.04- 5 - I = - 0.178 1 :::::: - 17.8%, w tym przypadku cenę należy
x2
obn i żyć do 3,95 zł za karton .
197. Funkcja popytu: Y = ao-r?·8 x; 0 ·6 , a fu nkcja przychodu ze spr.tcdaży: P =
= Y · .r 2 ---+
P = a 0 x?· 8x~· 4 (gdzie x 1 jest dochodem konsumentów. a .r 2 ceną dobra)
(a) ó..r i = 0,02, ó.P = 0,04: 0,04 = 1,02°· 8 ( I + t::.x 2 )0.4 - I ---+ t::. x 2 =
X1 p X1 X2
= 0.0602 : : : : 6%. czy li cenę należałoby zw i ększyć o 6%
(b) t::.xi = 0 ,02. ~ = 0,04: 0,04 = 1,02°· 8 ( I + ó.xl )-0. 6 - I ---+ ó.x 2 =
X1 Y X1 X1
~ - 0.0382 "' -4%
198. Funkcja popytu (sprzedaży) : Y = b 0 X~· x~· x31. 5
8 6
(a) t::.X 2 = 0.04, ó.X 3 = 0.08, ~ = 0,027, należy obliczyć ó.Xi : 0.027 =
X2 X3 Y X1
6X ) '·"
= ( 1+T, 6X = 0.1597 :::::: 16%. zatemdochody
l,04°· 6 -l.08- 1· 5 - l ---+T,
720
wzrosły o oko ło 16%. a więc wcześ ni ej wy nos ił y ( I + O, ) :::::: 620.83 zł
1597
t::.P . . . . t::.X1 748 , 8 - 720
(b) Na l eży obliczyć p· Jezeh wiadomo, że Xi = - -- -
720
= 0.04.
!:::.X 2 = - O Ol ó.X 3 =O 04· t::. P = I 04°· 8 · O 94°· 6 · I 05 - 0. 5 - I = - O 02969 ::::::

X2 . ' X3 . ' P . . . .
:::::: -3% . Zatem przychody wyniosq : ( I - 0.02969) · 2700 = 26 19.63 zł
199. (a) ó..ri =O. óx 1 =~=0.07. ÓXJ = - 0. = - 0.06, ~ = - 0.0235
78
X1 X2 50 .\" 3 13 y
(b) "; ~ 0.0308
(c) ÓX! = 0.06
X1
200 . (a) ÓXt = O.Q3, ÓX2 = 7.28 - 7 = O.Q4, ÓX3 = 5. 76 - 6 = - 0.04,

X1 X2 7 X3 6
~= - 0.0 139:::::::: - \,4%.
)'
03 6
(b) P = 2xf·7 x;- · xJ 0 A , : = 0,0256.
~;~ 1
~r: 3
~~: 2
6
(c) = 0.03, = - 0.04, : = 0 .058, = - 0.0625 :::::: - 6.25 %.
(d) Ó XJ = 0.03, ÓXJ = - 0.04, ~ = 0.058, ÓXl = - 0.0 148 :::::: - \ .5%.
X1 X3 y Xz
201. (a) E„11.r=S = -0.92, E_'/2/.r = - 1.2 niezależnie od ceny.

(b) Coca-cola: obniże ni e ceny o 8% da zw i ększenie przychodu z 200 000 zł do
200 102,4 zł. Sprite: cenę należałoby zwiększyć; wzrost ceny o 8% da przyrost przy-
chodów ze sprt.:edaży ze 135 OOO zł do 136 123.2 zł.
202. W przypadku funkcji potęgowej elastycz ność jest stała i wynosi -0.6736;
wzrost o 1% ceny powoduje sp<1dek sprzedaży o 0,6736%.
W przypadku funkcji hiperbolicznej el astyczność prty cenie 52 zł jest równa:
- 0. 723, a przy cenie 70 zł - 0.659
203. Z przedstawionych fun kcji wyn ika, że s pożycie m i ęsa było n ajwiększe w go-
spod<1rstwach rolników, 1rnjniższe - w gospodarstwach pracujących na mchu nek w ła s n y
(św iadczy o tym poziom nasycenia - ocena parametru a)
Ogólny wzór na elastyczność funkcji TOrnquista I: E,.1.r =_fi_

x + /3
E Ji/:r=soo = 0 .6 1. E y /:r=7oo = 0.44,
1
EJ1 /x=soo = 0.66. E_.1 1-,=100 = 0.58,
E n/.• =500 = 0.51. E n/x=700 = 0.43. E n/.< =500 = 0.62. En/x=100 = 0,54
Spożycie mi ęsa najsilniej reagowa ło na zmiany poziomu dochodów w gospodar-
stwach roln ików, n aj s łabi ej w gospodarstwach pracuj ących na rachunek w ł asny. We
wszystkich typach gospodarstw wraz ze wzrostem dochodów elastyczno ść spada
204. (b)
E yif-•=3Su = 0.631, E nl-•=380 = 1.079, E n/.r=380 = 0.80. E.,·~/x =380 = 9.286.
E y /:r=l320 = 0.330.
1
E yi/:r: 1320 = I .022. Ey~/x = mo = 0.862
E yJ/.•= 1320 = 0.80,
(c) w przypadku wydatków n:1 nabiał (y 1) wzrost przeci ętnego mie-
Przykładowo
sięcznego dochodu w n ajniższej grupie dochodowej (x = 380 zł) o I 0% spowoduje
wzrost tych wydatków o 0.631 10% = 6.3 1%, a w n ajwyższej grupie doc hodowej
(x = 1320 z ł ) - wzrost tylko o 0.330 · 10% = 3,30%.
800
205. (a) E_,.11.r = x + 800 . E yifx=5oo = 0.615. E„11 x=soo = 0.50.
E_.'!.I-• = O. 7 dla każdego x,

O. lOx
En/.• = _ + O. IOx · E n/x =500 = 1,087, En/x=8f.'IJ = 1.052.
4
560
En;.• =~· E_,·~/x =soo= l,12, E.>.~ /.• =81.XJ= 0.7
(b) E„11 , = 0.8 dla x = 200 z ł. En/.r = 0.7 (stała, a więc 0,8 ni e moż l iwe), E)'J/.r
zawsze> I. En 1 = 0,Sdlax = 700
J
206. (a) W miarę wzrostu dochodów s pożycie m ięsa rośnie do poziomu nasycenia
w gospodarstwach pracowników 6,5 kg, w gospodarstwach rolników 9,2 kg. W przy.
padku spożycia ryb poziom nasycenia wynosi: w gospodarstw<1ch pracowniczych el. 1 ::::::
:::::: 3 kg, w gospodarstwach rol ników e 10 ·59 :::::: 1.8 kg. Zmiana tempa wzrostu funkcj i
Odpowiedzidozadal'I
(przeg i ęc i e) w gospodarstwac h pracowniczych n astęp uj e przy przec i ętnym m ie s i ęczn y m

630 . 390
dochodzie x = T = 325 zł , a w gospodarstwach rolników x = T = 195 zł
(b) Gospodarstwa pracowników na stanowiskach robotniczych
750 630
E_,·if-• = x + . Eyifx:o600 = 0.556. En.lx= --:;:- · E_,1 /x:o600 = l.05
750
Gospodarstwa rolników:
500 390
Ey1/x = x + . Ey1/n=600 = 0.455. Ey-i/x = --:;:- · E_,1 Jn=600 = 0.65 .
500
(c) J eżeli p rzec i ęt ny miesięczny dochód wzroś ni e z 600 zł do 672 zł (o 12%), to
w gospodarstwach pracowników spożyci e micsa w zro ś nie o 0.556 · 12% = 6.672%.
a spożycie ryb o 1.05 12%= 12.6%;
w gospodarstwach rolników spoży c i e mięsa w zroś ni e o 0.455 · 12% = 5.46%, a spo-
życ i e ryb o 0.65 · 12% = 7 .8%.
(930 + 31 O)x (800 + 450)x

20 7, (a) E y1/x = (x + 930)(x - 3to)' E y1/x =6W = 1,6, E nfx = (x + 800)(x - 450)'
E~'Zfx =620 = 3.2 1
(b) Dla y 1 przy x = 930 zł , a dla y2 przy x = 1200 zł.
208. Funkcja liniowa: y, = 29 ,555 + 3. l 77x" R 2 = 0.82;

(8.527) (0,743)
fu nkcja potęgowa: 1V1 =
1,30 + 0.55 logx, , R 2 = 0.93, czy li j'; = 19.95x?·55 ;
(0,06) (0,075)
' x; , R 2 = 0,99, D(o:) = 11 , 18, D (~) = 1.42
127 28
fu nkcja TOmq uista I: y; =
X;+ 6.633
Ta ostatnia funkcja naj lepiej opisuje badaną zależność , jakkolwiek dopasowanie funkcji
potęgowej t akże jest dobre
209. (b) E _,· /x=WJ = 4.57 11.

(c) Dla x = 800 zł
210. (a) Ws kaźniki zróżn i cowania między kolejnymi latami (począwszy od

2000/1999 do 2005/2004 wynos iły, odpowiednio: 0, 1777, 0,0325 , 0,0766, 0,0768,
0,0879, 0,0773 , a więc zmiany zach odzące z roku na rok były niewielkie. W s kaźn i k
zróżn i cowania dla skrajnych lat anali zowanego okresu wynosi 0,20 12. W s kaźnik mono-
toniczności 11 = ~:~~~~ = 0. 3806.

(b) Anal iza struktur w hitach 1999- 200 1 wskazuje na ich wy raźną monotoniczność
(systematyczny spadek udz i a łu wydatków zw i ąz anych z zakupem ś rodków transportu
i wzrost u d ziału wydatków związa nyc h z eksploatacją ś rodków transportu)
0.1077
\!200 111999 = 0.1077,
I/ = 0.1777 + 0.0325 °· 5127 ·
211. M<1cierz zróżn i cowa n ia struktur ma pos iać
)< i.:
0. 1209 U,1480 0.1898 0.0373 0. 11 65 0,6125
0. 1209 o U,0877 0.0848 0.1053 0.22 15 0,6203
3 0.1480 0.0877 o 0.0764 0.1107 0.2645 0,6873
0.1898 0.0848 0,0764 o 0.1525 0.3064 0,8100
0.0373 0. 1053 0.1107 0.1525 o 0.1538 0,5597
6 0. 11 65 0.22 15 0.2645 0,3064 0.1538 o 1,0628
Najbardziej od pozos tał yc h różnią sic struktury wydatków na transport w gospodar-

stwach rencistów.
212. (a) (b) Zmiany zac h odzące z roku na rok był y niewielkie. co obra z ują wskaźniki
zamieszczone w tabli cy, nieco bardziej róż ni ą s i ę struktury z 1997 i 2006 r. (ostatnia
kolumna tabel i)
O. l 11 2
(C) I/= _ = 0,3 146
0 3535
2 13. Macierz zróż ni cowa nia struktur jest następująca·
X I
' 3 4 5 6 i.:
I o 0.0606 0.()468 0,0497 0,0310 0.0239 0,2120
o
'3 0.0606
0.0468 0.0791
0.079 1
o
0.0151
0,0717
0.0481
0.0549
0.0626
0.0535
0,2654
0,3058
4 0.0497 0.015 1 0.0717 o 0.0353 0.0513 0,2229
5 0.0310 0.0481 0.0549 0,0353 o 0.0203 0,1896
6 0.0239 0.0626 0.0535 0.0513 0.0203 o 0,2115
Najbardziej od pozos tałyc h różniły s ię struktury wydatków gospodarstw rolników

(3) oraz pracowników na stanowiskach nierobotniczych (2)
214. Postać modelu (por. (7. 1)):
Y11 = f.L1Pr1 + ó(m, - 1-L1P11 - 1-L2P12) +Ęr 1-
Y12 = f.L 2P11 +( I - ó)(111 1 - J.l1 P11 - J.l2P12) + Ę, 2 .
- zmienne endogeniczne: y11 - wydatki na żywność, y, 2 - wydatki na pozos tałe
dobra i uslugi;
- zmienne egzogeniczne: {J 11 - ws kaźn ik ce n żyw n ości, p 12 - wskaźn ik ce n pozo-
sta łyc h dóbr i u s łu g, 111 1 - dochody konsumentów;
Odpowiedzidozadal'I
- parametry : /lt > O- ni ezbęd ne zakupy żyw nośc i ( uj ęte i l ośc i owo), µ, 2 > 0 -
ni czbędnc zak upy pozostałych dóbr i u s łu g, O E (0, I) - ud z i ał wydatków na żyw n ość
w fundu szu swobodnej decyzji
Z:1pis macierzowy:
Y1 + x1r = ~ 1·
Y1 = (Y11 Y12), X1 = (P11 P12 m,] · ~' = [;11 ;,2] ·
Yll ""] [ (ó - 1)1'1 (1 - Ó)i' I ]

r= [
Y21 Yn = oµ 2 - OIL2 .
YJ1 YJ2 - O 0- 1
warunki poboczne: Y1 1 +r1 2 = 0 , Y2 1 + r22 =0, YJ I + YJ 2 = - l
Estymator MNK parametrów Y11, Y21, YJ 1 pierwszego równania i estymator MNK
parametrów y 12, y 22 , y32 drugiego równania są estymatorami zgodnymi i n ieobciążonym i
(model prosty bez opóźnień zmiennych endogenicznych), ale nie s:i efektywne. gdyż nie
uwzg l ę dniaj ą warunków pobocznych wynikających z teorii mikroekonomicznej.
215. [Y11
I -p
Y12] [ o 1
12 l + [X11 X12 X1J]
[-o
y11
- y31
- Orn ]
o
= [;,! ;121.
System trójkątny - zupełny dla wszystkich waności parametrów (detB = I) ;
- współczynnik i postaci zredukowanej:
[ :~:
Jr31
;~~ ] = n = - rB~l=[Y~I Y1;~12 ]·
Jr32 YJ1 YJ1/J1 2
warunki poboczne w RRF: (a) Jr2 1 =O, (b) ;r 11 Jr 32 = Jr31Jr 12 ;

-identyfikowal ność:
pierwszego równania
[
rr
11
Jr21
7T 31
12
rr ] [ 1
Jrn
1TJ2
0
]-[Y"]
- O
}'3 1
<=> l rr11:Y11
rr21 - O
1T31 = YJ 1
.
drugiego równania
[
rr11
7T21
7T 31
rr12] [ p12
7T 22
1T32
- [
l[ =
O]
Y22
o
<=>
I rr11P12
Y22
~ n12
= 7T22 - 7T2 1/J1 2 :
Jr3 1/J1 2 =Jr32
oba równania strukturalne sq niejednoznacznie identyfikowalne, bo odpowiednie ukła

dy rów nań lini owych (wzg l ędem parametrów strukturalnych) s ą sprzeczne dla prawie
wszystkich wa rtośc i Jr;1 ; warunek poboczny (a) eliminuje s przecz n ość pierwszego ukła
du, warunek (b) eliminuje spr.tecz no ść drugiego układu ; ze wzg l ęd u na trójkątną ma-
cierz 8, model jest rekurencyj ny Qeże l i składniki losowe ; 11 . ;, 2 nie są skore lowane)
albo współ za l eżny (jeśli ; 11 i ;, 2 są skorelowane); w obu pr.typadkach pierwsze równa-
ni e strukturalne moż n a szacować zwy kłą MNK; jeśli model jest współza l eżny, drugie
równanie wymaga podwójnej MNK, jeśli jest rekurencyjny, wystarczy zwykła MNK.
216. Mode l jest współzależny. bo graf powiązań zmiennych endogenicznych

(Yr. \V1 , Z,. X,) zawiera pętlę wiążącą zmienne Z,, Y, i W1 (macierz B nie jest trójkątna) .
Model ma 3 zmienne z góry ustalone: P,.1 oraz sztuczną równą I, a liczba parametrów
ż:1dnego równani a nie przekracza ogólnej li czby tych zmiennych (K = 3). Równania
mogą być idemyfikowalne. Estymacja dwu stopniową (podwójną) MNK
217. Zmienne łącznie współza l eż n e: {Yr. D,. Sri· zmienne z góry ustalone·
{X 1 . Z1 • r. l .D,_ 1 , D, _1 . S1_ 2, Y,_2 f. Model prosty. Parametry k ażdego równania mogą
by ć szacowane zwykłą MNK
218.
[D, S, P,] [ ~
- o,
Model współza leżny ( P r---+ D1 • D,-;. P1 ) o równaniach niejednoznacznie identyfiko-

walnych (u kłady nj!U! = - y(il s kładają s i ę zawsze z 7 rów nań o 4 niewiadomych),
estymacja: pierwsze równanie - podwójną MNK , drugie równanie - zwykłą MNK
(równanie oderwane), trzecie równanie- podwójną MNK. ale nie we dł ug wzoru (7.20);
S1 - D1 należy zastąpić Ś, - b, (gdzie Ś1 i b 1 są wartościami teoretycznymi z postaci
zredukowanej) i do tak zmodyfikowanego równania zastosować zwykł ą MNK.
219.
I O
[Y, W, Z,] -/hi 1
[
o -/h2
Model ws półzal eżny (Wr -;. Yr. Y1 -;. Z 1 • Z 1 -;. IV1). Równanie pierwsze i drugie
niejednoznacznie idemyfikowalne. równanie trzecie jednoznacznie identyfikowalne
220. Ponieważ wszystkie 1rzy równania są jednoznacznie identyfikowalne, do każ
dego moż n a zas t osować pośredni:1 MNK. Uwaga: w modelu są trzy zmienne z góry
ustalone x 11 , x, 2 , I, a pierwsze równanie, tak jak drugie i trzecie, ma trzy n iepowiązane
parametry strukturalne.
221. (a) Warunek konieczny pozwala stw i erdzić brak iden l yfikowalnośc i .
(b)( l ) Oba równania są jednoznacznie identyfikowalne; (2) obie restrykcje dotyczą
drugiego równania - staje s ię ono niejednoznacznie identyfikowalne; (3) pierwsze rów-
nanie jednoznacznie identyfikowalne. drugie równanie jest nieidentyfikowalne .
(c) /hi = O i a 12 =O oznaczają (łącz ni e) model rekurencyj ny, którego oba równania
są idenlyfikowa\ne (por. koniec paragrafu 7.3.2) i mogą być szacowane zwykłą MNK.
Odpowiedzidozadal'I
222. Wszystkie równania są jednoznacznie identyfikowalne
fi _ (X'X)- ' X' Y -

-
[0.50
- 2.45
1.06
1.08
3.7 1
L99 '
l
-~" ] - [ '" O Ol ( ~"'.'.2.27. 911 = - 1.9 1.
-~23 ~: ~ : =~~92.
9 22 = - 4, 11.
- o 9n o # ~23 = 3.94.
223. Pierwsze równanie jest niejednoznaczn ie identyfikowalne - estymacja dwu-
stopniową (podw ój n ą)MNK
8 4 6]_,
(XTX)- 1 =
[64 6I 6I
V'fX =[ - 4 - 10 1]. YTX 1 = L- 10].
XTX 1 = [6]' YTX<XTX) - l = [~ - 2 o] .

1 1
I
v Tx (x Tx r x Tv 1 = r 1s1. v Tx (xTxr x Tyoi = r131 .
(0.42)
( błędy ś red ni e szacunku).
(0,75)
224. Pierwsze i drugie rów nanie jest jednoznacznie identyfikowalne: trzec ie równa-
ni e jest ni ejednoznacznie identyfi kowalne, bo ukł ad npOl = - yOl {::} rru = 0 I\ rrn =
= y23 jest sprzeczny dla prawic wszystkich wartości JT 13 . Maci erz n ma sześć ele-
mentów, które są fu nkcjami pięciu parametrów postaci strukturalnej ; jedna restry kcja
(rr 3 = 0) nar.wcana przez postać st rukturalną eliminuje sprzecz n ość w układz i e
1
np(J) = -y(3 l. Estymacja drugiego równania - oceny podwójnej MNK i pośredniej

MNK pokrywają się. podwójna MNK pozwala obliczyć b ł ęd y ś redni e szacunku:
6 I
)'12 = LJY11 + LJYr3 + 11 12
(0.23) (0.39)
Esty macja trzec iego równania - oceny uzyskane podw ójną MNK i zwykłą MN K po-
krywają się (równani e oderwane)·
( 1,245)
225. Wyprowa d zając n = - rn- 1 , zauważamy że
Po oszacowaniu obu rów nań stru kturalnych podwójną MN K, stosujemy wzór fi

= - f'B -1
226. Oba równania sq identyfikowalne. Stosujemy podwójną MNK.

Estymacja pierwszego równania postaci strukturalnej wed łu g wzoru (7.20)
Y1 =ym, X1 = x(ll_ x Tx 1 = 5. x Tv 1 = 3. x 1in=4.
(xTx)
'~U
2
IO
8 T
I ~ =~
[ 86
- 6
-1 4
-6
66
- 34
-1 4]
-34 .
46
XTy<I)~ [ff
v ;x = [3 6 71 . YiX(XTx )- = 1
~ [124 140 761.
v Tx (x Tx )- 1x Tv 1 = ~ . 1744::::: 4.6383. v Tx (x Tx )- 1x Ty(ll =

12 6
; ::::: 3.4468.
3 6
[ ~~: ] :::::[ 4.6;83 ;rl [ 3-~68 ] =14.11915 [ _; 4.~is3 ] [3-4:68]:::::

"' [0 .3688 ]
0.5787 .
= T ~ 2(/ll'_/ll - 2/h1Y(2l'y(IJ - 2f11X(1l'y(I) + bi1/2l'/2l+
+ 2b21 Y11 Y(l)Tx<1> + Y11 X(l)'Tx(1)) =
= ~. (20 -2- 0. 3688·6-2· 0.5787 -4+0. 3688 2 · I 0+ 2·0.3688·0.5787 -3+0.57872·5) ;::::

"' 0.6635.
'' ([ii" ])
D f 11
0,6635 [ 5
= 14,19 15 -3
- 3
4.6383
l[=
0.2338
- 0.1403
- 0. 1403]
0.2168 '
}'rl = 0,3688}'12+ 0.5787x,1 + "11

(0,4835) (0,4657) (0.8145)
Estymacja drugiego równania strukturalnego według wzom (7 .20) przebiega analo-

gicznie; uzyskujemy:
Y12 = 0.4844y,1 + 0. 3672.r,2 +0.1 094.rtJ + 11 12
(0,3794) (0,2267) (0,2170) (0,5401 )
Estymacja postaci zredukowanej bez restrykcji (URF) zwykJq MNK:
0.6809 0.3298]
fi = (XTx )-l x Ty ;:::: 0.0106 0.3723 :
[
0. 191 5 0,2021
prognoza: h + 1 = Xr+t · S'r+J = Xr+ 1 · fi = [0.883; 0.904].

Odpowiedzidozadal'I
Estymacja postaci zredukowanej z restry kcjami (RRF)
•
fJ = - f'B - 1 = [0.5787
o
O
o.3672
] [ I
0 3688
O 4844 ] - '
- , = [0,7046 0 ,34 13]
0.1049 0.4471 :
O 0. 1094 - · I 0.049 1 0.1332
prognoza: §r+I = xr + 1~ = L0.8S9: 0.921 J

Różni ce między elementami wektorów Yr + 1 i §r+i są rzędu 3% w przypadku Yi+t
i 2% w przypadku y, 2 ; prognoza fr +i w pełni wykorzystuje informacje zawarte w po-
staci strukturalnej , natomiast prognoza Yr +i nie
227. Na podstawie oszacowanej postaci strukturalnej uzyskujemy następujące osza-
cowanie postaci zredukowanej
ln P, = O. S ln P,_ 1 + O.S In Z, + 511 . 5, 1 = 11 11 + O.S11 12 ,

In W1 = L Oln P1_1 + l,OlnZ, + 5,2. ii,2 = 11, z.
Mamy
do = [O O]. Ói = [O.S I.OJ (In P ,_i)

o o (In w,_ 1
)
02 = [0.5 1.0](ln Z,).

(In P,)(ln W1 )
Mnożni ki bezpośredni e (Mo = Ó2 ): wzrost Z, o 1% powoduje wzrost P, o 0,S%

i W,o 1%.
Mnożniki pośredni e i sk umu lowane:
(In P,) (ln IV,)

M 1 = Ó2Ó1 =[0.2S O,S ](lnZ,_,) , C1 = Mo +M 1 = [0.7S 1.Sl .
M 1 = M1 Ó 1 = [0. 12S 0.2S](lnZ,_2) . C2 = Ci + M 1 = [0.87S I. 7S].
Stabilno ść·
det(D , - Al)= -Ą(0,5 - A), A1 = O. A2 = O.S .

Mnożniki ca łkow i te:
Coo = D2(I - D,)-' =[ I 2].
Interpretacja: system jest stabilny, bo ll•i I < 1 i 11· 2 1< 1; efekt zw i ę k sze ni a wydaj-
no ści o I% w okresie 1 (i tylko wiedy) to wzrost inflacji i wskaźn ika płac o, odpowiednio.
0.2S% i 0.5% w okresie n astępnym. o 0, 12S% i 0,2S% po dwóc h okresach itd.; efekt ten
wygasa do zera wraz z upł ywem czasu.
Efekt s t ałego zw i ększania wydajnośc i o I% we wszystkich okresach (począwszy
od okresu t) to wzrost obu ws kaźników (i nflacji i płac) , odpowiednio, o 0,7S % i l,S%
w okresie nas tę pn y m , o 0,875% i 1,75% za dwa okresy i o 1% i 2% we wszystkich

przyszłych odl eg ł ych okresach (teorelycznie w ni esk ończon ym horyzoncie czasowym).
228. J0 = 2. b 1 = ~· b2 = j (mnożnik bezpośredni)

Mnożniki pośrednie: Mr= b2 b~ = ~ (~) r· r = l. 2, 3.
Mnożniki skumulowane: Cs =~ Mr=~ [ l - (~) •+I ]. s =I. 2. 3 . .

• I
Stabi ln ość: IDil = < 1. wiec c iąg geometryczny mnożników pośrednich jest
2
zbieżny do zera, a odpowiadający mu szereg geometryczny mnoż ników skumulowanych
4
jest zbi eżn y do C00 = '3 ( mn ożnik ca ł kowity).
229. Z pierwszego równania: fr+ 1. 1 = 25,3, fr+2.1 = 25.3.
Z lrzeeiego równania: fr+n = 46.28.
Z drugiego równania: fr+ 2.2 = 2 1. 12.
230. [y„ y„ ][ -~„ -~„ ] + [x„ x,,] [-i" -~„ ] = [<„ <"1
Model ws pół zależny o równaniach jednoznacznie identyfikowal nych
Estymacja: oceny uzyskane za pom ocą 2MNK pokrywają s i ę z ocenami uzyskanymi
poś red ni ą MNK. 2M N K daje błędy śre dni e szacunku :
)'11 =2. 0y,2- 0.5x11 + 111i. )'12= 0.6y,1 + O.lx12+ 11 r2·

( 1,94) (3.06) (0,21) (0.56)
Prognozy punktowe obli czamy z postaci zredukowanej , przy czym m oże m y wyko-
rzys t ać wzór
gdzie
t. = -rn- 1
•
Otrzymujemy
ń =[-~5 ~,H -~ -~6r =[ -~g -~:n

WpierwszymwariancieY.=l.Y. 1 .Yd= [- 1 Il. fi = [-3,5 -2 .0].
WdrugimwariancieY.=l.Y. 1 .Yd= [l -I ] li ={3,5 2.0]
231. Próbujemy zastosować pośre dni ą MNK :
liB =- i°<•[ 0. 2
-0.4
2.0
-I.O
0. 5 ][
I.O - o"
fi -t„
1 -tu] [·
O
I
= Y11
O
t„ = 0 .4. f11 =-0.6.
<=>
I ~32 =4.0.
Pu= 2.5.
y,, = -5. 0.
h_3 =2 .0
Odpowiedzidozadal'I
Poni eważ równania postaci stru kturalnej są jednoznacznie ident yfikowalne, więc
fi = fi i do prognozowania wykorzystujemy macierz fi

LY.1 Y.2 J.3J = lx.1xd fi = [O 15 101
232. Zwykłą MNK uzyskujemy następujące oszacowanie postaci zredukowanej
i1 = l. 167z,_ - 0.255r1 •
1
W,= - 0.0165z,_ 1 + 0.529r,

Poni eważ wyjściowy model współza l eż n y jest jednoznaczni e idcnt)'._fikowalny, więc do
prognozowania można wykor1.ystać powyższe oszacowania MN K (fi = fi ). Mamy:
is = 6. 129. W9 =5. 189.
233. [1, w,J ~ [z, _, w,_,] [ 1. ~67 - o.g

165
] +[1·, I 1-0.255 o.529].
o,
Wartości własne macierzy Ó to O i 1. 167; druga z nich wskazuje, że układ nie jest
1
stabi lny. Wpł yw zmi an r 1 na przyszł e wa rtości zmiennych endogenicznych nie wygasa
w miarę upływu czasu, g d yż mn oż niki pośrednie (r.tęd u r) dla z. 1 i w, są równe, odpo-
wiednio, -0.225 (l .167Y oraz (-0.255) (-0.0165 ) (I. l67y - 1 , są więc ciągami geo-
metrycznymi, monotonicznymi i rozbieżnymi; odpowiadające im mnożniki skumulowa-
ne tworzą szeregi o sumach cząstkowych
- 0.255 t, (1. 167)' 0.525 + (- 0.255)(0.0165) t, (J. 167)' -'
rozbi eżn e, odpowiednio, do -oo i + oo.

Test
Rozwiązanie testu polega na zakreśleniu odpowiednich pól kwadratów ~. Należy wziąć

pod uwagę, i ż w niektó rych pytaniach trzeba zazn aczyć tylko jeden kwadrat, a w innych
d wa lub nawet wszystkie.
1. Który z modeli stosuje s i ę naj częśc iej w opisie zjawi sk społecz no-ekon o mi cz
nych
(a) model stochastyczny O
(b) model determini styczny O
2. Ekonometria sensu stricto zaj muje s i ę:
(a) pomiarem różnyc h w ielkośc i ekonomicznych D
(b) ustalaniem il ościowych pra w idł owośc i występujących w procesach
gospodarczych D
3. Pr.i:eds tawiony na ry sunku model to:

,~
~I
(a) model prtyczynowo-opisowy D
(b) model statyczny O
(c) model tende ncji rozwojowej D
(d) model stochastyczny D I I
4. Mając rzeczywiste (y;) oraz teoretyczne ()'; ) wartości zmiennej objaśnianej
y, 12 14 18 22 22
f; 12,4 15,0 16,4 2 1,0 24,2
u s tali ć czy model został oszacowany bezbłędnie:

(a) tak D
(b) n;e D
5. Dana jest oszacowana funkcja produkcji o postaci
Y, = 1, 1sx?; 5 • x~;7 . e0 .<J021 .
Czy na skutek d zia łania pos tę pu techni czno-organizacyj nego nastąpi
(a) wzrosl produkcj i o około 2% D
(b) wzrost produkcji o około 20% D
(c) wzrost produkcji o około 2'X-o D
(d) spade k produkcj i o około 2% D
6. Czy e konome tria sensu slricto obejmuje badania operacyjne:
(aJtak D
(b)nie D
7. Graf przedstawia korelację między zmiennymi objaśniającymi
Czy nale ży wybrać:

(a) wszystkie zmie nne D
(b) tylko jedną zmienną D
8. Czy prawdziwa jest nierówność dot yc ząca zmiennej objaśnianej modelu ekono-
metrycznego:
t (y; t (y; -}')'.

- M' >
(a) tak D
(b)n;e D
9. Czy każdy oszacowany trend, którego nie zna my, mo żna za li czyć do:
(a) modeli stochastycznych D
(b) modeli liniowych D
(c) modeli dynamicznych D
(d) modeli nieliniowyc h D
IO. W pewnej firmi e produkującej nowy mode l pralki oszacowano współczy nnik
Hi rscha a =O. 98. Przy podwojeniu dtu gośc i serii pracoc hł onność spadnie
(a) o około 20% D
(b) o około 10% D
(c) o około 2% D
(d) o około 12% D
11. Który z modeli A, 8, C, D jest najle pszy ze wzg l ędu na s t opień dopasowania
(a) model A rp 2 = 0.2 D
(b) model 8 rp 2 = 0,02 D
(c) model C l{J 2 = 0,22 D
(d) model D •' ~ 0.7 8 D
12. Czy model stochastyczny, liniowy może opi sywać:
(a) związki dodatnie D
(b) związki ujemne D
13. Współczyn n i k zbieżnośc i <p 2 jest·
(a) parametrem strukturalnym modelu D
(b) parametrem stmktury stochastycznej modelu O
14. Czy mamy n obli stę wród polskich ekonomistów-ekonometryków
(a) tak D
(b)nie D
15. Co oznacza s łowo estymacja
(a) obliczanie D
(b) szacowanie D
(c) wyznaczanie D
16. Czy zmienna objaśn i ająca może być zmien n ą objaśnia n ą w modelu wie\orów-
L
namowym:
(a) tak D
(b)nie O
17. Obejrzyj poniż szy rysunek i określ w możliwie peł ny sposób, jaki to model
(a) nieliniowy D
(b)
(c) dynamiczny
liniowy D
O '• ~-
• • •'
(d) logistyczny O
(e) deterministyczny D
(f)statyczny D
(g) stochastyczny O
18. Które z niżej zapisanych równań jest fałszywe:
(al,~(y,-5',)~o D
(b) , ; (y, - y) ~ I D
(c) L (y; - M' ~ - I D
<dl 6 L: (y, - M ~ ,; <Y• - .il D
19. Niżej zapisany graf przedstawia korelacje wys t ępujące między zmiennymi ob-
jaś ni ającymi (w i erzchołki grafu):
Należy wyb rać:
(a) jedną zmienn ą D
(b) dwie zmienne D
(c)trzyzmienne D
(d) wszystkie zmienne D
20. W pewnej firmie produkującej lodówki. w początkowej fazie wytwarzania osza-
cowano w spółczynn i k Hirscha. Otrzymano a = 0,95. Odnotowano równie ż pracochłon
n ość przy 40-tej z kolei sztuce lodówki P40 = 100 h. Pracoc h ło n ność przy kolej nej 80-tej
sztuce wynosi w przyb l iżeniu
(a) llO h D
(b)Sh D
<cJ 9sh D
(d) IOSh D
2 1. Model o postaci:
Y11 =a + f3t + yX1 + vY1- 1.1+E1 1·

Y12 = 8 + l/Yr1 + E12
(gdzie: a, {J. y. v, ó są parametrami strukturalnymi , a e 11 i e11 składnikami losowymi

równań ) należy do klasy·
(a) modeli prostych D
(b) modeli rekurencyjnych D
(c) modeli współzależnych D
22. Wskaż najlepsze przyb l iże n ie wyrażenia eo.ocn .
<al o,993 D
(bJ 1.000 D
<cl 1,001 D
<ctl 1.100 D
<cl 1,111 D
23. Czy każdą zmienną objaśniającą można nazwać zmienną egzogeniczną·
(a)tak D
(b)nie D
24. Wskaż właściwą l iczbę okreś l ającą w i el kość produkcji Y na podstawie oszaco-
wanego modelu : Y = l. I X~.5 x~· 5 , gdy X = 400, a X 1 = 250000
1
(a) IOOOO D
(bJ20000 D
<cl 1sooo D
<ctl 11 ooo D
25. Czy predykcji1 Io
(a) prognoza O
(b) produkcja pr.tcmysłowa O
(c) proces przewidywania O
(d) analiza relrospektywna O
26. Dany jest model o postaci Y =a+ {31 + e1 • Czy zmienna Y jest·
(a) zmienną losową O
(b) zmienną nielosową O
27. Współczyn n i k korelacji liniowej między zmiennymi X. Y r„_1· = - 0.88 . Który
z modeli odzwiercied l aj ącyc h związe k między zmiennymi X, Y jest prawdziwy:
(a) S• = l 1.2 - 2,Sx O
(b).i~ 11.2 + 2.sx D
28. Czy zapis modelu deterministycznego ekonometrycznego zawiera s kładnik lo-
sowy
(a) tak D
(b) n;e D
29. Należy ocenić istotność paramelru a, którego ocena a = 12,5. Błąd śred ni oceny
a wynosi: D(a) = 10. Czy ocena
(a) jest statystyczni e istotna O
(b) nie jest statystycznie istotna O
30. Wiadomo, że: lr1 I < lr2I <hl< lr4 I. W spółczynniki r1. .r4 op1su1ąs 10-
pień skorelowania poszczególnych zmiennych objaśniających ze z m ienną objaśnian ą.
Ponadto dany jest graf obrazujący za l eżno śc i między zmie nnymi objaś ni ającymi:
cp--<p
Należy wybrać do modelu
cb--G
(a)X, D
(b) wszystkie cztery zmienne O
(c) X, D
(d) ani jednej zmiennej O
31. Dwóch studentów, Jacek i Robert, oszacował o ten sam model. Obaj stosowali
MNK. Jacek otrzymał ;~ (y, - 5'1) 2 = 360, a Roben „; (y 1 - 5'1)
2
= 380. Jeden z nich
pope łnił błąd. Prawidłowy wynik oszacowani a uzyskał:
(a) Jacek O
(b) Robert D
32. Dane są funkcje produkcji
Q1 =I. 8K~· 6 L~A.
Q = (l,2K,°·6 +0. 7L?· 6 )u
1
Substytucja czynników produkcji jest łatw i ejsza·

(a) w funkcji C- D D
(b) w funkcji CES D
(c) w obu funkcj<1ch jest takli sama D
33. W procesie produkcji opisanym przez funkcję Q1 =O. 6K,°· 5 L?·3E,°·3 występują
efekty skali produkcji:
(a) stałe D
(b) równe I.I D
(c)rosnące D
(d) malejące D
34. Funkcji produkcji Q, = (0 .6K,°·4 + O.SL?A + O.JE,°.4) 2·5 odpowiadają efek1y
skali produkcji równe
<al t.4 D
<bl 1.2s D
<clt D
<dJ2.s D
35. Funkcja s przedaży pewnego dobra (popytu) Y w zal eżnośc i od dochodów kon-
sumentów (X 1) i ceny tego dobra (X 2) ma postać: _\'1 =O. 8x?J 8x;;1" 4 . Wzrost ceny o 3%
spowoduje:
(a) spadek sprzedaży o około 4,2% D
(b) spadek przychodu ze sprzedaży o około 4,2% D
(c) spadek przychodu ze sprzedaży o około 1,2% D
(d) wzrost przychodu ze sprzedaży o około 1,2% D
36. Popyt (wyrażony wielkości<l sprt:e daży) na mie szan kę wedlowską (Y) w zależ-
~~~e~ad (~o;;h~i~:ek~~11~~~:~~'.iw=(~'. ~~~r;,2~~{ x~:~~s~~~~~~~12~ś~r~=n~':~ ;:!~~~:~~

ze sprzedaży jest równa:
<aJo.1 D
(bJ - 0.1 D
<cJ-o.3 D
<<ll0.3 D
37. Z<1leżność wydatków na mięso w zależnośc i od dochodów w rodzinach rolników
opisuje funkcja: )', = e 6 - 480 *.
Przy przeciętnym miesięcznym dochodzie 600 zł na
osobę e la stycz n ość wydatków na mięso w rodzinach rolników wynosi
(") I o
(b)-0,8 o
(c) 0,8 O
(d) 1,25 o
38. Estymacja. których z po n iższych modeli wymaga zastosowania algorytmu
Gaussa- Newtona ·
(a)y, =xf +e1 D
(b) y 1 =x~·ec' O
(c)y, = f3o ·tJ: +e, O
(d) y, = (fJo + f31x1) e"'' O
39. Dany jest uproszczony model opisujący kształtowanie s i ę globalnej konsump-
cji (C,) i dochodu (Y1 ) przy egzogenicznie danych wydaikach rządowych (G 1 ) i inwes-
tycjac h (/1 )
C, = 0,6Y, + 0,2Cr-l + 0,7 + i 11.
Y, = C, + /1 + G,
i macierz współczynników jego postaci zredukowanej fi = [U U]er

I. 75 1.75 I
Zap i sać
macierz m n ożni ków bezpośrednich i okreś li ć bieżący wpływ zmiennych egzo-
genicznych na ko nsu mpcję i dochód
40. Dla mode lu z punktu 39 znaleźć mac ierz mnożników poś red n ich i skumulowa-
nych rzędu I
41. Na podstawie danych o wielkośc i sprzedaży soków „Tymbark" w latach l 998-
2007 trzy grupy studentów oszacowa ły nieza l eż ni e parametry wykładniczej funk cji tren-
du. Poszczególne grupy otrzyma ł y·
(a)j·, = 13.464- 1.0833 1 •
(b) 5. 1
= e2.6+0.oso1.
(c) y, = I00.12n+o.034751)
Wniosek, że ś redni a stopa wzroslu sprzedaży soków w analizowany m okresie wynosi ła
8,33% wynika z funkcji·
(") o
(b) o
(c) O
(d) wszystkich O
42. Te ndencj ę rozwojową wie lkości sprzedaży pewnego wyrobu y 1 (w tys. szrnk)
w latach 2002- 2007 przedstawion ą poniżej
2002 2003 2004 2005 2006 2007

33 13 1 27 26 125 20
opisuje funkcja trendu
(a) J, = 34.4 + 2.4r D
(bJY, = 15 - 2.41 D
(cl ;, = 34,4 - 2.41 D
(dl.\·,= 15 +2 .41 D
43. Pn.:y jakim dochodzie popyt n:1 pewne dobro elementarne (przyjąć funkcje
TOmquista) będzie równy 40, a przy jakim będzie równy 86, skoro wiadomo, że gór-
na granic<i wydalków na to dobro wynosi 80, a elastyczność dochodowa przy dochodzie
równym 570 z ł jest równa 0,9
44. Na podstawie poniższych danych o wartości produkcji (w 1ys. z ł ) w latach 2002-
2007: 15,6, 18,7, 20,8, 22 ,9, 24, 28,4 oszacowano parametry trendu liniowego: Yr =
= fJo+ {3 11+ 11 1 i otrzymano: bo= 13,53, b 1 = 2.34. Zbadać za pomocą testu Durbina-
- Watsona, czy występuje autokore lacja rzędu pierwszego (dl = 0,6 1; du= 1,40).
45. Na podstawie danych z punktu 44, zakładaj ąc, że skł adniki losowe tworzą pro-
ces autokorelacj i rzędu pierwszego, tj. 11 1 = p 111 1_ 1 + e1 (I = l. 2 .... 11 ) obliczyć
w s półczynn i k autokorelacji rzędu 2 (p2 )
46. Oszacowano funkcję wydatków na pewne dobro wy7..szego rzędu y (fun k cję
TOrnquista li) w za l eżnośc i od dochodów (x). Funkcja jest nieciągła dla x = 800, popyt
na to dobro pojawia s ię w rodzinach o dochodzie x = 400, a górna granica wydatków
na to dobro wynosi 680 zł. Czy funkcja ta ma postać
(a) ;, = sex:(: ~8~00) D
(b)j, = 68°.(: ~~OO) D
(cl ,, óso; ~ ;~ooJ D
(dl ;, = 400, c: ; ~soJ
0 D
47. Przy jakim dochodzie elastyczno ść dochodowa wydatków na badane dobro bę
dzie równa 1,5, a przy jakim 2.7?
48. Oszacowano model liniowy i otrzymano
Y, = 1.50 + 6.25X1 1 - 0. 75X21
(L25) (2, 35) (4, 25)
W nawiasach podano błędy ś rednie szacunku ocen parametrów. S tatys tykę ta odczytano
z tablic rozkładu I Sn1denta (la= 2.1 45). Czy statystycznie istotne są
(a) wszystkie parametry D
(b) tylko jeden parametr D
(c) dwa parametry D
(d) żaden z parametrów D
49. Trend sprzed<1ży Y1 pewnego artyku ł u (w tys. zł) po oszacowani u przyjmuje
postać:
Y=
1 120+2.Sr
O ile wzrośnie spodz iewana wie l kość sprt.:edaży za 3 lata od momentu, w którym osza.
cow:mo trend
(a)o3 tys.zl D
(b) o 7,5 tys. zł D
(c)o6 tys.zł D
(d) o9 tys. zt D
50. Symbole y 1 • )' . ) •1 są oznaczeniami zmiennej objaśnianej stosowanymi w tym
samym modelu ekonometrycznym. Który z wypisanych n iżej związków jest prawdziwy:
(al6,E (y, - i',)~ O D
(b) ,E (y, -w " ,E(y, -)',)' D
(c) ,E (y, - y) ~ ,E (y, - y) D
(d) 6 ,E (y, - )')~o D
Klucz do testu
I (a) 27 (a)
2 (b) 28 (b)
3 (c). (d) 29 (b)
4 (b) 30(c)
5 (c) 3 1 (a)
6 (b) 32 (b)
7 (a) 33 (b). (c)
8 (b) 34 (c)
9 (a), (c) 35 (a). (c)
IO (c) 36(d)
11 (b) 37 (c)
12 (a), (b)
13 (b)
14 (b)
38 (a). (c). (d)
39 o~= [ LS
. l.5
2.5
2.5
l
15 (c)
\6 (a)
40 M = [0.75
I 0.75 0.75
0.75] C = [ 2.25
I
1
3.25 ]
2,25 3.25
17 (a), (d). (g) 41 (d)
18 (b). (c). (d) 42 (c)
19 (b) 4 3 y = 40 przy x = 5 130. y = 86 ni e mo ż l iwe
20(c) 44 tJ' = 1.488 > tiu - autokorelacja nie wys 1ępuj e
21 (b) 45 P2 = 0,2562 = 0.0655
22 (c) 46 (b)
23 (b) 47 Eytx = 1,5 przy x = 800, Ev/x = 2.7 prą X= 588.35
24 (d ) 48 (b)
25 (c) 49 (b)
26 (a) 50 (a), (b), (d)
Literatura
[l] Allen R.G. D .. Ekonomiama1mwtycz1w. PWN. Warszawa 1961

[2] A11(1/iw rozkładów plac i dochodów w Polsce w przekroju 1ery1orial11ym. Cz. Domański (red.), Wy-
dawnictwo Uniwersytetu Łódzkiego. Łódi 2005
[31 A11uli::i1 rynku. Syslemy i medumivny, S. Mynarski (red.), Wydawnictwo Akademii Ekonomicznej,
Kraków 1993
141 Auu/iw rynku ze •1's1w11wga11iem kompulerowym, A. S1yś (red.). Wydawnictwo Akademii Ekono
micznej. Wrodaw 1991
[5] Barczak A., Ekonometryczne metody badania kosztów produkcji. PWN. Warszawa 1971
[6] Barczak A.S .. Biolik L Podsrawyekonometrii. A kademia Ekonomiczna im. Karola Adamieckiego.
Katowicc2003
171 Barczak A .. Ciepielewska B .. Jakubczyk T., Pawłowski Z .. Próba budow\' prostych eko11ometrycz-
uych rów11mi wzrostu 1w przykf{l(Jzie gospodurki Polski. „Ekonornisrn" 1964
181 Bartosiewicz S .. Kum1m1ermrn analiza ekV1wmetryc::m1. Wydawnictwo Akadernii Ekonomicznej.
Wrocław 1993
[91 Bartosiewicz S„ Okruc/1y :'.ycia. Wydawn ictwo Akademii Ekonomicznej im. Oskara Lanego. Wro-
cław 2006
[ 10 1 Bates D.M .. Watts D.G .. Relati1•e rnn'lilllre mn1.mres of um1/i11niriry. ''Journal of Royal Statistical
Socicty" 1980.scriaB, nr42
[ 11 1 Borkowski B.. Dudek H.. Szczcsny W., Ekonometria: wybmne zaguduienfo, Wydawnictwo Nauko-
we PWN. Warszawa 2003
1121 Box M.J„ Bim· i11 uo11/iun1re~·timalio11. "Journal of Royal Scatistica! Sociecy'' 1971 seria B. nr 33
[ 13] Box G.E.P„ Jenkins G.M„ Ami/iw szeregów cwsowyd1. Prognozol\'auie i sterowanie. PWN. War-
szawa 1983
[141 Bross I.DJ „ Jak podejmmmć decyzje. PW N. Warszawa 1965
[ 15 ] Brown R.G „ Smomhing. Forecasting m1d Prediaion of Discrere Time Series. New York 1963
[ 16] Charemza W.W., Deadrnan D.F.. Noll'a .-konometria. PWE. Warszawa 1997
[ 171 Chmiel J., Anu/iw procesów produkąjnydi w pomot:ąfunkcji typu Cobba-Douglusu. PWN. War-
szawa 1983
1181 Chow G.C.. Ekonometria. Wydawnictwo Naukowe PW N. Warszawa 1995
[ 191 Cieślak M„ Prognozol\'anie gospodarcze. Mewdy i zastosowania. Wydawnictwo Naukowe PWN.
WaP.;Zawa2002
[20] Cięciwa Z„ Niektóre czy1111iki wyznaczające współczynniki wzro.m1 gospodarczego Pol.1ki Lutfowej
w latach 1952- 1972 - mo(/el .-konometryc zny. AG H. Kraków 1976
[2 11 Ciompa P.. 7.ilr)'J eko11ome1ryi i 1,-oryt1 huc/w/1ery i, Wydawnictwo Szkoły Handlowej we Lwowie.
Lwów 1910
[221 Clarke G.P.Y.. Momenb' on the /e,isl sq11ures estimators in 11011/inear regressio" model. Journal of
Roya!S1atistical Socie1y" 1989.seria B.nr42
(23) Cook R.D .. Witmer J.A .. A 1w1e on parnmerer effects cun'a/11re. "Journal of American Stalistical
Association"' 198S.nr80
!24) Czerwiński Z .. Pr;.yczynek do dysk11sji 1wtl problemem .. dobrego'" motie/u ekmw111e1ryc:Jll'go•
.. Prlegląd Statystyczny"" l976.nr4
(2S) Czerwiński Z .. Motemmycvie modelmwmie pnx·oów t'konomicznych. PWN. Warszawa 1982
!26) Czerwiński Z .. Motemmyk(l llll 11slllgacht'ko11omii. wyd. 7. PWN. Warszawa 1984
(27) Czerwiński Z .. Guzik B .. Prognozowanie ekonometryczne, PWE. Warswwa 1980
!28) Czerwiński Z .• Maciejewski W.. Smoluk A., Zadora K.. Eko110111f'lrit1 - no1/zil!j1·. osiągnirda. nil!
doJ'la/ki. PWN. Warszawa 1987
!29] Dom:iński Cz.., Tn1ys1Mys1ya.11e. PW N. Warszawa 1990
(30] Draper N.R .. Smith H .. Anuli~a regreJji s/OJ"OHWW, PWN. Warszawa 1973
(311 Efron B.. Defi11ing 1he rnrml11re of J"/11/iJ·/irnl problem (wilh upp!irntiouJ· to sernml order ef-
jicil!ncy), ''Ann:ils St;łlistics'" l97S. nr3
(32) Ekonometria. M. Gruszczyński. M. Podgórska (red.). SGH. Warszaw;i 2004
[33] Ekonometria. M. Krzysztofiak (red.). wyd. 2. PWE. W;irszawa 1984
[34) Ekmw111e1rit1 i lxidtmio operac)jne. Zng11tbiie11i(I podmm·m1'<'. B. Guzik (red.). wyd. 2. Wydawnic-
two Akademii Ekonomicznej. Poznań 2003
[3S) Ekonome1rit1: metody i tmtlliCA problemów ekmum1icv1yd1, K. Jajuga (red.). Wydawnictwo Akade-
mii Ekonomicmej im. Oskara Langego. Wrocław 1999
[36) Ekonome1rit1: me1ody, pr•.:ykltidy, zt1dtmia, J. Dziechciarz (red.). Wydawnictwo Akademii Ekono-
micznej im. Oskara Langego. Wrocław 2003
(37] Ekmmmetrycz,ui 111111/iw k.~Zlllf/Vll'lluill się p/af w Po/sa w okre.1·ie trrm.iforma(ji. S.M. Kot {red.).
Wydawnictwo Naukowe PWN. Warrniwa-Kraków 1999
(38) Eko11ome1ryc;;.11emodele rynku. tom I. 2. 3. W. Welfe (red.). PWE. Warsz;1wa 1977-1982
(39] fatyn111(j11 modeli ekrmometryc:.11yd1, S. Bartosiewicz (red.), PWE. Warszawa 1990
(40) Freund J.E .. Pods1awy 1wwoc:esnej sratystyki. PWE. Warszawa 1968
(41] Frisch R.. Etlilorit1/. "Economelrica·· 1933, vo l. l
(42) Frohn J .. U11/ers11clumge11 :11r CES-Prod11clio11s Fwrktioueu. Physica Verlag. Wurzburg 1970
(43) Gajda J.B„ \Vielorównaniowe modele ekmionu'tl)"CZ/ll'. PWN. Warszawa 1988
(44) Gajda J.B„ Ekonometria 11mkryczna, Absolwent. Lódź 2002
{4S) Geweke J .. Comemporary Bayesian Econometrics wid Stmistics, J.Wiley, Hoboken. N.J .. 200S
(46) Goldbergcr A.S„ Teoria l'konometrii. PWE. Wars1_awa l97S
(47) Goryl A„ Pr,_yc::.)'nek tło wyvu1C::;111it1 ptimmetrów funkcji produkcji CES • .Zeszyty Naukowe Aka-
demii Ekonomicznej w Krakowie" 1982. nr 18S.
[48] Goryl A„ Problem)' n1ymm}i uie/iuion'ej 1111 przyk/111J:ie krzyn'ej logislyc:nej (rozprawa doktorska).
Akademia Ekonomiczna. Kraków 1987
(491 Goryl A.. O rrembe logfat}T::J!)W i logislyc::.i1ym pmwie w~roJ·111 • •Zeszyty Naukowe Akademii
Ekonomicznej w Krakowie" l 988. nr 277
(SO) Goryl A .. O kr:.ywej Gompertw . .Zeszyty Naukowe Akademii Ekonomicznej w Krakowie"' 1992.
nr3SS
[SI) Goryl A.. Walkosz A .. Por6w11a11il! wybranyc/1111e1ml H)'::JWca111ia pt1mml!1r6w 1re11d11 logistyc::.11l!-
go. „Zeszyty Naukowe Akademii Ekonomicznej w Krakowie"" 1984. nr 196
{S2) Goryl A .. Walkosz A .. O ll')'Zlwc:w1i11 parmm•1ró11· krzywyd1 T(irnq11isw . .. Zeszyty Naukowe Aka-
demii Ekonomicznej w Krakowie" 1987. nr 246
{S3) Goryl A„ Walkosz A., Uwugi o wy/Joru, wyvu1cw11iu parametrów i eltwycv10.(l'ifw1h}i popyw •
.Zcsr.yty Naukowe Akademii Ekonomicznej w Krakowie"' 1987. nr 246
(S4) Goryl A„ Walkosz A„ Zr6init·m•·<mie J'pot.yd11 t.yn·uości n·1>tl/11g 1nJ6w gospmlarJ'tw clomv111ych .
. WiadomościStatystyczne'"1987.nr7
(SS] Goryl A„ Walkosz A.. A1111/i:a 1mr6w11m<'t'W wyda1ków i J'J)Oi_rd11 wybmuyd1 ar1rkulów ;'.ywmJ·
ściowyd1 w gnqmd1 spolec:.iw-~awodowych w 1985 r.. „Zeszyty Naukowe Akademii Ekonomicz-
nej w Krnkowie" 1988. nr 277
[56] Goryl A .. Walkusz A.. Zr6::nicoll'm1ie stn1kwr wydatków gospodtirstw domowych w fatac/1 1973-
1986. .-Zeszyty Naukowe Akademii Ekonomicznej w Krakowie„ 1989. nr 307.
[571 Goryl A .. Walkosz A .. O pewuej mmlyfikllcji kr:.ywej logisryc::.nej . . Zeszyty N;rnkowe Akademii
Ekonotnicwej w Krakowie'" 1991. nr 343
[581 Grabiński T.. Wydymus S .. Zdiaś A .. Modele ekonometryczne w proce.1ie prognozmrn11ia. Akade-
mia Eko11omiczna. Kraków 1981 .
[59] Grabiński T.. Wydymus S .. Zcliaś A.. Mnody tfoborn zmiennych w mmlellld1 ekouoml'tryc;;nydr.
PWN.Warszawa 1982
[60] Greene W.H .. Econometric Anofy si.1. Macmillan. New York 1993
1611 Greń J .• Modele i ::adania J"/atystyki mme111atyc:11ej. PWN. Warszawa 1975
[62] Gruszczyńsk i M .. Kulupa M .. Leniewska E .. Napiórkowski G.. Miary :,godności. metody tloborn
::.mie1111ych. problemy wJ1Jól/iniowośó. PWN. Warszawa 1979
[63] Guzik B.• Ekonometria. Wydawnictwo Akademii Ekonomicznej. Poznań. 2005
1641 Hellwig Z .• AproksymaljastochaJ·tycam. PWE. Warszawa 1965
[65] Hcllwig Z .• Sd1emlll biulon-y prognozy swry.uycznej W<'lotlą wag lwrmonil·viych .,Przegląd Staty-
styczny"" 1967. nr 3-4
[66] Hcllwig Z .. Problemy op1ymlll11ego wyboru predyktmt . .. Przegląd Statystyczny"" 1969. nr 3
[671 Hellwig Z .. Komro1rersyj11e 1nvblemy eko11ometrii . .. Przegląd Statystyczny„ 1993. nr 3-4
1681 Ho/ubicka I .. Maciejewski W.. Zajchowski W., Amifiw wybmuych n11mżl!ik6w ekrmo111f'/T}"t'::J>1'go
modelu gospodarki Polski. KP-218 . .. Przegląd Statystyczny"" 1977. nr 2
[691 Hougaard P„ Porametriwtion ofnon-/i11etifmutltds. ""Journal of Royal Statistical Society„ 1985,
seriaB
[701 Hozcr J .• Mikruekm11m11:1ria: ana/i:_\'. cliagmJzy. pmgno:y. PWE. Warszawa 1993
[711 Ho1.er J .• Zawadzki J.• Zmie1111ll czasowll i jej rolli wbadmrillc/1 ekm10111e10·ca1ycl1. PWN. Warszawa
1990
[72] lnuilllgator M.D .. Ecouometric Mmfels. Tec/111iq11es wid Applic111irms. Nonh-Holland. Amsterdam
1978
[731 Jakubczyc J .• letfnorów11a11iowe modele ekonome/T}'t7Jlt". PWE. Warszawa 1982
1741 Jaworski J .. Cybemelycv1e u~pektyfimklji pnxfokcji (rozprawa doktorska). WSE. Kraków 1973
[751 Jen mich R.I. . Asymptmic propertit•s of nmrfil!ear feasl sq11ores estimmors. „Annals Mathematics &
Statistics"" 1969.nr40
[76] Johnston J .. Econometric Metluxls. McGrow-Hill. New York 1972
1771 Judgc G.G. and all. The Theur)'mul Pral"lia vfEnmvmelrics. Wiley. New York 1985
[78] Kicin L R .. W>·klmfyz eko11ome1rii, PWE. Warszawa 1982
[791 Kol upa M .. Mewdy es1ymalji modeli eko11ometrycv1yc/1. PWE. Warszawa 1974
[80] Koop G .. 8(1ye.~itm Ecmrome1ric.~. J.Wiky. Hobokcn. N.J . 2003
[811 Kordos J .• Stroińska Z.. Swrysryc::.ne mewdy analizy roz.klatfu ph1c i dtx:hodów lud11ości. GUS.
Warszawa1971
[82] Kryński H .. Z:1swsowania 11w1emt11yki w 11aukac/1 ekouomic::Jiych. UG. Gdailsk 1984
[831 Kudrycka L. Problemy i met0tly modelon·rmill eko11ome/T}'CVJl'go, PWN. Warszawa 1934
[841 K ukuła K .. O pew11ych miemikaclr zmian srrnkfllr)'. Sprmro:dt111it1 :posiedze1i Komisji Noukowyc/1
O/PAN w Kmkowic, Kraków 1973
[85] Kuku!a K .. Ekonometl)'C::JUI cmofizo zespo/01rej wydujuości pracy w pr..etlsirbiorsnt"ie pr..t•myslll
spiry111sowego•.. PrzeglądStatystyczny„1975, nr 1
[86] Kukuła K .. Propozycjll w zakresie pe11·11ych millrdynwniki smtkllll)'. .. Pnegląd Statystyczny"" 1975.
nr3
[871 Kukuła K .. Pr.,estrzem11' lmdmrie różnic w .rtrukturze ;jtlh'i.1k spolecvio-ekonomicviych. w: Me-
1mly m1/ys/Jca1e 11· bada11iad1 ~po/ecv10- eko11omic:.11ydr. K. Zając (red.). Ossolineum. Wrocław
Warszawa- Kraków-Gdańsk 1975
1881 K uku!~ K .. Pr~ł'i:ląd wybmnyclr miar ::.godności l'lruk111r. .. Przegl:td Statyst)'CZrl)'„ 1986. nr4
(89] Kukuła K.. Swrysryc::1w wwli:a s1ruk111ra/11a i jej wstosowanie w sfer..e usług prod11h')j11yc/1 dla
mlnicnm . .. Zeszyty Naukowe Akademii Ekonomicznej w Krakowie"". seria specjalna: .. Monogra-
fie'" 1989. nr 89
(90) Lancas1er T.• A11 l mmduc1ion /O Modem Bayesiau Econometrics. BlackwelL Ma!dcn 2004
[91) Lange O•. \V.uęp do ekonometrii. PWE. Warswwa I976
(92) Maddala G.S. Ekmwmc1rir1, Wydawnictwo Naukowe PWN. Warswwa 2006
{93) Marszałkowicz T.. Mnody s1tup1yc·v1c w brul(lliiach eko110111h·zno-ml11ic::J'c/1. PWN. Warszawa
1975
(94) Me/ody eku11ume/l)'CZne. Pr..:yklody i wdonia. S. Bartosiewicz (red.). PWE, Warszawa 1975
(95) Meiodv mr11emo1ya.11e btufoniri i mwlizy rozkładu dodwdów ludno.fr i ... Studia i Prace Stmystycwc·
nr 16. GUS. Warszawa 1%8
(96] Milo W.. Nieliniowe modele eko1wmelryc::11e. PWN. Warszawa 1990
[97) Myn.irski S.. Anali:l1 rynku. PWN. Warsz.iwa 1980
{98] Niek/asycme merody prog110::.o\\"a11ia. M. Cieślak (red.). PWN. Warszawa 1983
[99] Niewczas R.. Stawicki J .. Analiza rozkładów wy11agrotl:e1i w lawch 1978-85. Zmiany pa:iomu
pr.,el°i1'myc/1 wynagrod:e1i . •. Wiadomości S1a1ys1yczne·· 1987. nr 3
! 100) Nowak E.. Zt10·s m1•1ml eko110111nrii. Zbiór zodwi. Wydawnictwo Naukowe PWN. Warszawa 2006
! 101) Osicwalski J .. /Jaye.wrn·.~ka e.1·1y11wcjll i predyklj11 il/li jednorówmmiowych modeli eko11ome10·cz-
11yd1, •. Zeszyty Naukowe Akademii Ekonomicznej w Krakowie"'. seria specjalna .. Monografie„
1991. nr 100
1102] Osicwalski J .. Ccnlł'ft'd 11111/ m.ma1111•ri:d l'lirillure i11j/111frm fi1 c 1vrJ' fvr the OLS e.~timmvr for 11 lin
tar fimt"lio1111mlfvr the OLS preiliclion error . .. Ac1a Uni1·crsitatis Lodzcnzis - Folia Occonomica"
1992.nr123
! 1031 Osiewalski J .• Ekmwmetriu bayeJ·owJ·ka w ;:;1J·tosowtmit1d1. Wydawnictwo Ak.idemii Ekonomicz-
nej. Kraków. 200 I
! 104) Osińska M. Eko11ometriafi11a11sowa. PWE. Warszawa 2006
{105] Pawłowski Z.. Eko11ome10·cme merody bada11ia popytu konsumpcyjnego. PWN. Warszawa l 96 l
! 106) Pawłowski Z.. Modele eko11omt'll)"C::J1t' równmi opisowych. PWN. Warszawa 197 J
! 107) Pawłowski Z.. Niepanmu'll)"CZJJ)' 1es1 na m110lwrelc1lj{-. .. Przegląd Statystyczny"" 1973. nr I
! 108) Pawłowski Z.. Prognozy ekmwmell)TV!t'. PWN. Warszawa 1973
[109) Pawłowski Z.. Ekmwmnrycvw a11aliZ11procesuprod11kc.1j11ego, PWN. Warszawa 1976
! 110) Pawłowski Z.. Ekimome1rir1. wyd. 5. PWN. Wars1_awa 1980
! 111] Pawłowski Z.. Elememy ekouome1rii, PWN, Warszawa 1981.
! 112] Pawłowski Z.. Zasady wedyklji ekonometY)"t·zmj. PWN, Warszawa l 982.
!113] Piwowarczyk A.. Rozkflld)' w1·11agrodze1i w lata<"h 1983-1985 . .. Wiadomości Statystyczne' 1986.
nr IO
(114] Piwowarczyk A.. Ruj;/cidy wy1wgrod:e1i• .. Wiadomości Statys1yczne" 1988. nr I.
!115] Piwowarczyk A .. A1w/i;:J1 roj;lflliu wy1111grodze1i :11 wr:esie1i 1987. .. Wiadomości Stntystyczne"
1988.nrlO
! J 16) Progno:owm1ie gos1}{)darcze, mnody. modele. :i:1s1usuwa11ia , pr..yklady. E. Nowak (red). Placet.
Warszawa 1998
!117) RJdzillkiewicz M .. Eko11m11e10·cvw ana/iz11 kszw/W\\"ania sir plac pneci1'lll)'c/1 w pr:;emyślt• •
.. WiadomościStalystycznc"" 1989.nr.5
! 118) RJwicz E„ Piwowarczyk A., Rozkłady wy11agmdze1i wlatac/1 1982- 1984 . .. Wiadomości Stmystycz-
ne„ 1985. nr 3
! 119) Ratkowsl-..")' D.A .. Nmrlinetir Regression Modeling. A Unijied Pmctiml Approm·h. Marcel Dckker.
New York-Bascl 1983
! 120) Rudnicki L.. Ztwos01wmie analizy d)'J'//mJ·ów w ix11/rmi11dr zróYiirowaniti s1mk111r krm .m mptji .
.. WiadomościStatystycznc " "J985.nr2
! 1211 Rudnicki L.. Zró;'.nicul\'1111iu w:vrców kous111111xji ludności roluic~ej dw11zm1·odowej • .Zeszyty Na-
ukowe Akademii Ekonomicznej w Krakowie". seria spccjalna,.Monografie"' 1985. nr66
[ 122] Sadowski W. Eko11omerria . Wyższa Szkoła Handlu i Pr.twa im. R. Łaz;irskiego . Wars z;iwa 2001
[ 123 J Sal!er W.E.G .. Wydajność c1 postrp rec/micviy. PWE .W;u-szaw a 197 1
I 1241 Schulz H.. The sta111/11 rd error of a furecast fro m a rnne. ··Jourrwl of lhe American Statistical
Associmion"" 1930.\'ol. 25
[1251 Stanisz T.. Flmhjeji:1bu'j :.mii:1111rj wbt11ltmiad1 i:ku11umicZJ1.)Th. PWN. Warszawa 1986
[ 1261 S1mys1yq i eku11umi:tr_1·ty 1•ulscy, A. Zcliaś {red.). PWE-PAN. Komi1c1 Statystyki i Ekonome trii,
Wa rszawa2003
[127] Szcja J .. Ekonometl)"t'V1)" model ko.1·z111 jed110.11ko wego w kopti/11ind1 gr'imolląskich zjed11oc:e1i
przemys/11 wrglowego, „ Pr1.cgląd Sta1ystyczny'" 1971.nr 2
[ 128] Theil H., Eco110111ic Furecnsts wid Policy. Nonh-lfolland. Amsterdam 1958
[ 1291 Theil H., Znsc1dy ekm10111t•1rii. PW N. Warsz;iwa 1979
[ 130] TintnerG., Tlr1• Deftuitiotr of eco1Jomnrics, ""Economctrica" 1953, vol. 2 1
[1311 Van den Broec k.. Koop G.. Osiew;ilski J .. Stec! M.F.J .. Swc/wsticfromier models: A Bnyesinn
pl'rspecril•e, ··Journal of Econometrics·· 1994. vol. 61
11321 Varian H.R„ Microecu11omic Anulpó·. W.W. Norton. New York 1992
11331 Varian H.R„ flll ermediwe Microecunumics. W.W. Norton. New York 1992
11341 Waszkiewicz L.. \Veryft/wcja procedur prognuJ·tyc~nych. PWN, Warszawa 1974
r 1351 Wąsik B„ Ekonome/l)"CZJI// (ll!(l/i::.afimkcji p rod11hji i z.i11irm /ee/wiki W)'/11'/lrZlillfrl "'polskim pr:.e·
myśle uspv/u·z.i1io11)'"' w hi/och 1961-1967 (rozprawa doktorska). Akademia Ekouomiczna, Kra-
ków 1970
[ 136] Wclfe A„ Modelt' p/(lc pr:ecirmyeh w .fferze produkcji marerinlnej. •• Wiadom ośc i Sta1 ys1ycznc""
1992. nrl2
[ 137] Welfe A.. Ekmw111etria: metody i ich ::.asto.mll"(mie. PWE. Warszawa 2003
[ 138] Welfe W.. Ekmwmetl)'CZJ!C modele gos110darki llllrotlomj. PWE. Warszawa 1992
[ 139] Wclfe W., Wclfe A.. Ekllnllmetrin s/OSOH'llllll . PWE. Warsl<!wa 1996
[ 140] Wiśn i ews ki J.W.. Zieliński Z .. Ele111emy eko110111e1rii. Wydaw nictwa UMK. Toruri 2004
I 1411 Wi1kowsk:i D.. PodJ·tawy ekmw111elrii i teorii pmi:11o:ow1mia. Podrrc;:.nik: pr:yklmlm11i i :udtmit1
mi. Oficyn;! Ekonomiczna. Kraków 2006
I 1421 Zurys ekmwmelrii .. Z. Hellwig {red.). PWE. Warszawa 1973
[ 143] Zbiór Wtlmi z ek01um1e1rii opism•·1•j. J. Czyży ri s ld (red.). wyd. 2. Akademia Ekonomiczna. Kraków
1986
[ 144] Zcliaś A .. Uwagi o problemie 0111y1mdnego wyboru wektom z.i11ie1111yd1 objm'11i11jących, „Pn:egląd
Statystyczny" 1970. nr 2
[145] Zcliaś A., Ekn11m11<'ll)'CZl1e metotly pmg11ozmn111ia pnx.·esów go,1·pod11n'Z)'d1. Akademia Ekono-
mi czna, Kraków 1976
[ 146] Zeliaś A.. Teorit1 pmg11ozy. PWE. Warszawa 1984
[ 147] Zeliaś A.. Z problemmyki bnda11ia wspóllinioll'ości w modelacli eko11ome1rycv1ych . „PrLegląd St;i-
tystyczny"" 1987. nr 2
114!1] Zeliaś A.. Pawełe k B.. Wanat S .. Progno:owan ie eko11omic::.11e. Teoria. pr~yk/ady. :ndn11ia. Wydaw
nic two Naukowe PWN. Warszawa 2003
Indeks
Algorytm Gaussii-Ncwwua 141- 143. 150. ISL 238 - metody najmniejszych kwadm16w (MNK) 393-
Ana!izabaycsowskn25 395. 401
- mnożnikowa 408-4 l 2 ---- wfaściwy39
- popytu konsumpcyjnego 314-346 -zgodny 393-396
-rynku 290-352
- struktury wydaików 346-352 Fundusz swobodnej dcc)7Ji 377
Autokorc lacja 63 Funkcjahipcrbolio:na 117
- inwestycji 381
Badanicautokorelacjiresic 74, 75 - konsumpcji381
- - składnika losowego 63-65 -liniowa 116
- efektów post~pu tec hni czno-organizacyj nego 250- --jednejzmiennej77
2'3 --kosztów 261
- losowości reszt 66, 67 - - wie lu zmiennych 77. 78
-normalności rozk ladureszt 75. 76
- logaryuniczna 11 6
- - - skladnika losowego 65. 66 - logistyczna 11 9, 120
- siabil nośc i dochodów 309 - obserwacji o wartości nic większej nit. ~rednin 305
- srnlośc i wariancj i 62. 63. 72-74 - potęgowa 115.116
- l.ll lotcń o skl adnikach losowych 6 1-76 - produkcji 218-253. 378
Bialy szum84 - - CES 237- 245
Bląd prognozy 170. 172 - - Cobba-Douglesa 224-236
- średni predykcji 170 -- SMAC 237
- - szacunku40 - -. wlasnoki 220--223
- TBmquista 11 7- 11 9
C zy nn ik losowy 16.17
-- 111 7.1 18.145-151
--1111 8
Dccyle306
Dorninanta304 --lll 118.119
Dopasowanie moddu do danyc h empirycznych 52. -translog245- 250
-użytennośc i 375
53
--Stonc'a--Gary'cgo376
Efcktprodukcyjny219 - wykładnio.a 11 3- 115
Ekonometria 13.14 - - z odwrot nością 11 9

-St'/1.!111/llfgO 14 Funkcje popytu makroekonomiczne 316-326
--stricto 14 - - mikroekonomiczne 326-346
Estymacja modeli 36-52 - wydajności pracy 253- 260
- - wiclorównaniowyc h 392-404
Es1yma1orcfektywny393 G raf.krawędi39 1
.„
- powiąt.ari mi~zy zmiennymi 34 - -- klasycwa (KM NK)37- 52
---- spójny34 - --nieliniowa 140- 145
-skierowany391 - - - podwójna zob.Metoda najmniejszych kwadrn-
-,wicr1.chold:39 1 tów dwusmpniowa
- -- pośrednia 399. 400
H ipcrpłaszczyzna37 - -- uogó lniona (UMNK) 79. 80
Hipotciy dotyczące pojedynczych parJ111ctrów -pojemności informacyjnej Hellwiga 29--33
strukmral nych56 - wag ham10nicn1ych 190- 194
- - układu współczynników regresji 55, 56 - wskainikówsczonowości 195
- wyrównywania wykładniczego 186-190
ldcntyfiko..,,'lllność,warunck k(Hli«zny399 Miemikidokladnościprogn01;t_rt1111e 17 1
Ind ywidualna pojemność nośnika infonnacji 29 --- expon 172.173
Integralna pojemność nośników i11fom1acji 29 Modalna (Mo) 299. 304
lzokw,una222 Model dynamiczny 18. 19
-ekonometryczny 14. 15
Klasyczna metoda najmniejszych kwadrn16w - - .dctenniniscyczny 17. 18
(KMNK ) zob. Metoda najmniejszych kwadra- - - . ciapy budowa11i:1 20-22
1ów klasyczna - -jednorów nani owy 15
Kla.~yczny model regresji liniowej 36. 37 --stochastyczny 17
Klasyfikacja modeli, kry1cria 17- 19 - - wiclorównaniowy 17
Kmm krańcowy 260 - G- równaniowy 376
Krańcowa smpa substytucji czynników produkc;:ji - - wydatków 376
222 - jednorównaniowy liniowy 26-89
KrtywaEng la 327 - komplctny383
- Jogarytmiczno-nonnalna 290. 300-308 - liniowy 18
- nom1aln:1 290-295 - nieliniowy 18
- Parc10 290-295 - . postać strukturaln a 27. 383. 386
-popyrn328 - . - strukwralno-sc;uystyczna27
Kwantylc 299. 300 - - zredukow:111a383--387
-.--bczrcstrykcji 388
Liniowe modele wielorównaniowc 375-412 -.--zrcs1rykcjami 388
Liniowy system wydatków (LES - Lintar Expemli- - prosty390
f/lre System) 316
- pnyczynowo-opisowy 19. 170-177
Logisty1:zne pr.1.wo wzrostu 151 - rcgrcsjiliniowej26.27
- re kurencyjny 390-392
l.ączna pojemność nośników in formacji 29
- rynku wstanie równowagi 379-38 1
- - - - - dynamiczny 379. 380
M aciendiagonal na389
- - - - - statyczny 380. 38 I
- mnotników calkowicych 410
- statyczny 18. 19
- nieosobliwa 384
- symp1oma1yczny 19
- prawdopodobieństw przejścia 309
-1cndc11cji rozwojowej 19
- równoczesnych kowari:incji 388-390
- trendu z walrnniami periodycznymi 194-202
- wariancji i kowariancji ocen parametrów s1ruktu-
- wielorównaniowy. postać końcowa 408--410
rnl11ych 40
- - . wykonystanie 405-408
Mediana (Me) 300. 305
- wspólzależny 390-392
Metoda anal izy grafów 33- 36
--. idcntyfikowalność 396-399
- Cochrane'a--On::ulla86
- zupclny383
- grafu zob. Metoda anali zy grafów
Modele adaptacyjne 186- 194
- m punktów 143
- gospodarki 381, 382
- msum 143
- najmniejszych kwadra1ow (MN K) 392- 396 - kosztów 260-270
- - calkowitych 260
- - - dwu~lopniowa 400--404
'"""' 485
- - jednostkowych 260 -wygladzanial87

- liniowe względcrn paramctrow 122- 129 Stalystyka F55,56
- nieliniowe 113- 156 Subs1y1ucjaczynnikówprodukcji222.223
--ki~le 139- 156 Syme1ria28
- - względem zmiennych i paran11:1rów 129-139 Sysicm trójk;imy (trim1g11larsys1e111) 390. 39 1
-produkcji218-220
- rozk ladu dochodów 290-J 13 Średni błąd predykcji 171
- tendencji rozwojowej 177- 185 -- prognozy upml 172
- transfonnowalnedo postaci liniowej 12 1- 139 Średnia295.3Q.l
- trendów jednoimiennych okresów 199-202
- wydajnościpracyindywidualllej253 T eoria firmy 377-378
---ze.~połowcj 253 - konsumenta375-377
Modelu es1ymacja (uacowanic) 21 Test Durbina- Watsona 64. 68. 69
- rees1ymacja2 l - G-Oldfelda iQuandta62. 72-74
-specyfi kacja 20. 2 1 -Hellwiga70. 75
-weryfikacja 2 1 - Kołmogorowa >..296
- serii 66-68. 71
Occnypunkto we4 l
-Shapiro--Wilka1V65.69.75
Odchylenie standardowe 40, 295. 304 - zgodności x2 295, 296
Tcs1owanic parametrów st111k1uralnych modelu 53-
Pajęczynowy model rynku 380
61
Parabola 116
Toi.samośćbilansowa 38 1
ParadoksGiffcna3l5
Trendlogistyu..ny 151 - 156
- VeblenaJlS
-pe lz;ijący 190. 193
Parametry regresji zob. Par.11ne1ry struktur.line
Twierd zenie Gaussa- Markowa 39
-strukturalne26.383
Pod graf spójny 34
Układ sprzeczny398
Postać analityczna modelu IS
---.sposób dobierania 120. 12 1 Uogólniona metoda najmniejszyc h kwadnuów
Prawo malejących prlychodów 221 (UMNK) zob. Metoda najmniejszyc h kwadra-
tów uogólniona
- ro1.kladu dochodów 291
Uogóln iony model regresji liniowej 78-89
Predykcja 169-202
URF - U11res1rk1etf Retfllet>d Fon11 388. 394
- ekonomeuyczna 169
--, warunki 169
Prognoza 169 W ahaniaperiodyc:i:nc 194
- przed;dalowa 169. 172 - pr1.ypadkowe 194
- punktowa 169-171.406.407 Wariancjapredykcjil'xmllt' 171
Progno;o;owanie na pods1awie modeli wielorówna- - resztowaS'!40
niowych 405-408 Wariancjiheteroskedastyc:Gno~62
Próg rentownok i 262. 263. 266. 270 - homoskedastyczno~ć37.62
Prlcdzialufnok i41 - jednorodność37.62

- niejednorodność 62
Relacja mi iydzy czy nnikami produkcji a produkcją -stałość37,62
220 Wartościteorctyczoc37
e,
Reszty 37 Warunki poboczne 398, 405
Równani e jednoznacznie identyfikowalne 397 Ważona metoda najmniejszych kwadratów (ważo na
RRF - Res1rie1ed Rt•d11ced F<1n11 388 NMK) 8 1-84

RTS - Retum to Klllr. 221 Wektor składników losowych pm;laci strukturalnej
Rząd (stopień) wicr1.cholk a 34 388
Weryfikacja modelu 52-76
Składniki losowe równoczesne 383 - - merytorycma52
Stalaregresji26 - - srntystyczna52
- statystycznej istotności ocen parametrów struktu- Wygładzonyszcregczasowy 195
ralnych53- 55 Wyrazwolnymodclu26
Wiązkamode!iregresji388 Względnybłądpredykcji171
Wielomianstopniadrugiego(2)116.26 1 --- expost 172
--picrwszego{l) 116
--1mciego(3) 116. 117, 261 Zakłócenie losowe zob. Zmienna losowa
Wicr1.cho/ckgrafuizolowany34 Zmienna endogeniczna 15
Wnioskowanie o liniowej funkcjiwckmraparamc- -- bicżąca(nicopófoiona) 381
tr6wa57 - - łącznic współzależna 381
Wspólczynnikau1okorelacjin1=du r 63.64 - - opóźniona 381
- determinacji R24l.52.53 - lm;owa 15. 17.26
-- zrewidowany53 - niezależna 15
- elastycznościsubstytucjirJ223 - objaśniając.115. 219
- ham1onicznyw 193 - objaśniana26
- Hirscha258- 260 - oderwana 395
- koncentracji Lorenza L 305 - z góry us1alona381
- rozbieżności Theila 172. 173. 189. 190 - zależna 15
-skośności A 305 -zcro-jcdynkowa31
- zbieżności (indetcrminacji)rp 2 4J.52.53 Zmicnneobjaśniajqcepo1c11cjal11c26. 28
- zmienności V 305 - - . wybór 27- 36
- - resztowej v~ 4 l. 52. 53 Zwiqzckdctcrministyczny 15
Współliniowośćzmicnnych28 - stochastyczny 15

Goryl A. - Wprowadzenie Do Ekonometrii

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Goryl A. - Wprowadzenie Do Ekonometrii

Uploaded by

Copyright:

Available Formats

Spis treści

2. 1\fodelc j edn or ównaniowe liniowe 26

3. Moddl'ni l.'. linioWl' ..................... .

6 Element y ekono111 etryc1.11ej a n a li1.y ry nku 29(1

7.3.2. l dentyfikuwalność modelu wspó! za!eżncgo 396

Odpowiedzi do zadań 418

Idca wielkiego my ś liciela epoki włoskiego re nesansu Niccolo Machiavellego przy1oczo-

b<1dawczych wymagaji1cych znajomości metod ekonometrycznych. Zamieszczone przy-

Rozdział czwarty traktuje o technikach budowy prognoz bazujących na jednorów-

1.1. Czym jest ekonometria

Ekonometrię można traktować jako narural ne „dziecko" uniwersalnej dyscypliny na-

1.2. Pojęcie modelu ekonometrycznego

W równaniu ( l.2) symbolem Y oznaczono zmienną za l eż ną, a X 1... , X K zmienne

1.3. Rola czynnika losowego

I dąc dalej, przewidywane wielkości mmlizowanego zjawiska określa stop i e ń prawdopo-

1.4. Klasyfikacja modeli ekonometrycznych

Y = aoX ~ 1 X~2 • • X~i: · e€' . ( 1.4)

Y ~ F[J(t). g(t). ,, ] (1.5)

1.5. Etapy budowania modelu

Wówczas kształt smugi punktów empirycznych (wykresu korelacyj nego) nasuwa

• przewidywanie, czyli prognozowanie wielkośc i opisanego przez model zjawiska

1.6. Trochę historii

poczęło wydawanie profesjom1 lnego czasopisma pod nazwą "Econometrica". Periodyk

styki, ekonometrii i prognozowania. Warto podkre ś li ć, że całe pokolenia, w tym rów ni eż

1.7. Ekonometria dziś i jutro

Podstawowe narzędz ie ekonometrii, jakim jest model ekonometryczny, m oże być

2.1. Definicja modelu regresji liniowej

Układ ten w sy mbolice macierzowo-wcktorowcj m ożna zap i sać jako:

y ~ [','; ] . X~ [ : ~;: x~K

Yn 1 X11 1 X,:K Or:;K ~"

2.2. Wybór zmiennych objaśniających

Na etapie pierwszym na l eży zaproponować moż liwi e obszerną li st ę „potencjalnych

Spośród wielu metod doboru zmiennych objaś n iających proponowanych w literatu-

2.2.1. Metoda pojemno ś ci informacyjnej Hellwiga

gdzie: h ti - indywidualna pojemność )-tej zmiennej w k-tej kombinacji, roi - współ­

Przy kł a d 1. W pewnej spółce cukrowej budowany jest model kosztów całkowityc h

produkcji cukru w cukrowni (w mln ton); X 2 - zawartość cukru w burakach cukrowych

7..ród ło; daneumowne

W oparciu o pow yższe dane obliczono współczynniki korelacji między zmiennymi

Ro ~['•r 02°' ] ~[ - 0.99].

- dla kombinacji drugiej ( K2 )

'122 = ł = (-0~ 61 )2 = 0, 3721

X2 - zmienna (zero-jedynkowa) 9 • którą nazwiemy „dod<1tkowe źródło dochodów"'

0.95] I - 0.45 - 0.37]

Należy wybrać opty m a ln ą kombinację zmiennych obj aśniających, stosując metodę

11 Jak zauważono w przykł:tdzie I. w kombinacjach jednoelementowych zmienne nie są skorelowane

Kolej ne trzy kombinacje to kombinacje dwuelementowe - dla każd ej z nich n a l eży

2.2.2. Metoda analizy grafów

Sprawdzianem w t eśc ie jest statystyka

którą porównuje s i ę z wartością krytyczną ta odczytaną z tablic rozkładu t Studenta dla

Przykład 3. Na podstawie 22 obserwacji (11 = 22) na zmiennej endogeni cznej Y i 6

Rozwiązanie. Aby zweryfikować statystyczn ą istotność współczyn nik ów korelacji

Rysunek 2.1. Graf powiąz;iii między zmi ennymi

2.3. Estymacja modelu

2.3.1 . Klasyczny model regresji li niowej-założen i a

Y, = ao +a1 X11 + a1X12 + ··+ aK X1K +e, .

cenia różnokierunkowe kompensują s i ę)

5. Macierz wariancji i kowariancj i skład nik ów losowych jest równa

2.3.2. Klasyczna metoda najmniejszych kwadratów

Zatem fu n kcję kryterium MNK można zapisać skalarnie 16 :

Po obliczeniu pochodnych cząstkowych funkcji S(a0 , . llK) względem szukanych

przy czym a jest szukanym wektorem ocen parametrów strukturalnych.

l6"0~~~-~K oznacza minimalizacj\: ze względu na 110 .

gdzie: h ti - indywidualna pojemność )-tej zmiennej w k-tej kombinacji, roi - współ

xT2~:~::::~::~~~;, :::~:ż:n~:~1~ :~::~:::1 ~0:~.Tz~::·a:~ s~~::· określona