Professional Documents
Culture Documents
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
3.3. MOOelcściślenieliniowe
169
169
170
177
186
186
19Q
194
195
199
202
220
224
237
245
250
253
26-0
270
375
375
375
379
383
383
388
392
392
Spis treści
478
Przypadek rządzi ponad
polową naszych dzialań,
my kierujemy resztą.
Niceo/o Machiavelli
Słowo wstępne
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
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".
„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)
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
• 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
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. Ekonometria jako dyscyplina naukowa i jej miejsce w gospodarce rynkowej
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)
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
'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
'"]
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
2.2. Wybór zmiennych obiaśniających do modelu ekonometryczne110
(2.4)
(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\])
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
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
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
-
Konsuhant )'1
29
30
35 4
45
49
45
10 52
7..r6dło:dancumowne
- 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)
12Metoda 1a w pierwo1nej p<maci zos tala zuproponowana prlez prof. dr hab. S1ani s/aw ~ Bartosiewicz
z Akademii Ekonomi cznej we Wrocla wiu
2. Mcxlelejednorównaniowe liniowe
/=n· Tij~
(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.
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 .
~ 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<!
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:
2. Modelejednorównaniowe liniowe
• 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
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„
2. Mcxlelejednorównaniowe liniowe
" " 2
S(a 0 , • ad= "o~-~i·?,A. ~ e~ = „ 0~_i_?,,,. ~ (y 1 - j,) =
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,'
~
. ,
(2 .1 2)
Pr zekształcając dal ej, otrzymujemy układ równatl normalnych (w zapisie mac i er~owym):
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
pochodna a~:a = a. stąd aa: : Ty = XTy. Natomi as1 aTxTXa jest formą kwadrn1owąoogólnej poslaci
(2. 15)
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 .
2.3. Estymacja modelu
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:
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')'
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
2. Mcxlelejednorównaniowe liniowe
~ 24
0 '--0------,-0-„-,-
, -„-„
produkcja(tys.ton)
Rysu nek 2.2. Zależność kosztów całkowityc h produkcji cukru od wielkoki produkcji
Ta blica2.3
Żródlo: oprncow~nicwłasnc
27 Model liniowy jest często wykort.ystywany jako model kosztów ca łkowit ych. o czym będzie mowa
wrozdziale5
2.3. Estymacja modelu
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
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
2. Modelejednorównaniowe liniowe
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
a = [a
"o ]
=
[ 0.75
- 0.0625
- 0.0625
0,00625
l[ l 2 l6
2374 . 4 =
1
2
S~ I
• = ~(y Ty - a TXTy) = s=2
I l6125.2 - 1 13.6 1. 34 l · [ ll
216.4
2374
=
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
29 Wzór len jest o tyle wygodny. że nie wymaga obliczenia wartości 1eore1ycznych (_\;1)
2. Modelejednorównaniowe liniowe
~(2__>,) = 6125.2- ~
2
I.:<i·, -.il'= L Y, 2
- (2 16)
2
=
46 56
= 6 125 .2 - ~ = 6 125.2 - 5832 = 293.2.
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
2.3. Estymacja modelu
y, 36
8 10 12 \4 16 IS
(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.
Tablica2.4
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
Żródło:opracowaniewłasne
Zatem
2.3. Estymacja modelu
::;]
[
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
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:
34 Na prz)' ldad
.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
2.3. Estymacja 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
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%.
2. Mcxlelejednorównaniowe liniowe
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
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
2. Modelejednorównaniowe liniowe
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
9-co (2.35)
t ~ O (y)
ma rozkład Studenta o k stopniach swobody
11 -
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
r(a2) = ~.~: = - 6. 3.
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:
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)
2. Modelejednorównaniowe liniowe
l
1
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
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-
5 o
8 o
19 4
24 5
23 5
30 8 JO
Źródło: dan~urnowne
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 .
(2 .36)
47J>rty tuk s fonnułowunej hipotezie uhernatywnej jako pierwszą podpróbę przyjmuje się tę. w której
wananCJilJeS1mmeJSZil
2.4. Weryfi~acjamodelu
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 )
2.4. Weryfi!!acjamodelu
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
2. Modelejednorównaniowe liniowe
Przy czym za uważmy jeszcze raz, że w modelu liniowym, w którym jest wyraz wolny,
i!=O.aw i ęc
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.
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
2.4. Weryfi!!acjamodelu
S :;:: S2 (zbyt du ża liczba serii). Zatem reszty m ają rozkład losowy (Ho jest prawdziwa),
jeże li S1 < S < S2.
Tablica 2.6
Źr6<lło:opr:1<:0Waniewla.rne
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
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
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
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
2. Modelejednorównaniowe liniowe
Ta hlica2.8
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 .
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)
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).
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
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
Źródło:opracowanicwłru,;ne
czy li
5'1=43 .78 + 1, 13.r, . s; ~ ~·~~ ~ 14. 3908.
8 8
Żródło:opr:icowaniewła•ne
2.4. Weryfikacja modelu
Zatem
d= '~
~'~--
t
(e, -er- d 2
172.5432
1.779
l~e~
97.0000
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
Tahlica 2.1 3
- f- - - -
4
I: o.oo 9,53275
7J6<Jło:opmcowaniewlasne
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
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
2. Modelejednorównaniowe liniowe
= 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 .
(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
fi6w funkcji wielu zmiennych interpretując parametr przy jednej z nich. zawsze zakładamy stałość
wszystkichpozos1a/ych
2.6. Uogólniony model regresji liniowej (UMRL)
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
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
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
(2 .55)
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
2. Mcxlelejednorównaniowe liniowe
Tablica2.14
18
Źfódło : daneumownc
X=[i
1
~]· Y= [,~]-
IO 18
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
~ ~
1
S;= ~f; e;= 6=2
N 1
13.23 =3.3075.
2.6. Uogólniony model regresji liniowej (UMRL)
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:
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
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
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
2.6. Uogólniony model regresji liniowej (UMRL)
[ 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 =
~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 - ~-
2. Modelejednorównaniowe liniowe
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 .
2.6. Uogólniony model regresji liniowej (UMRL)
Wobec tego
żnxlło:opmrnwaniewla,;ne
S? I
;=~ t
,„ 1 e;
?
= IO - 2
I · 0. 1955 = 0.0489,
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
~
3
.4~
53
P1 = I- = l- = - 0 .7077
2. Mcxlelejednorównaniowe liniowe
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:
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·
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.
TablicaZ.20
18 490 6.5
17 600 IO 6
25 690 9 7.5
25 990 8
31 1100
Żró<lło:daneumowne
"']
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
Ro - [ -g~~]
- 0.60 '
R -[ I
-
-~.45 _g~~ _g!~]
I 0.49 .
~M I
l
(c) Obliczyć integralną pojemność nośników informacj i dla kombinacji optymalnej
w obydwu przypadkach.
li. Dane są:
0-------G 0 0 X; X;
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
(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
Tablica2.21
15 20
16 20
19 30
Żródło:daneumowne
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
(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
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
Tablica2.26
Całkowite koszty produkcji y1 (tys. zł) 15.0 16.0 18.0 18.0 19.S 20.0
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.
21. Na podstawie danych
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 .
• 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
-[-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
2. Modelejednorównaniowe liniowe
Tablica2.29
Zaktud y, I x,1
42
38
31
29
27
25
7..r6dło:da11eumow ne
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
Żródło:daneumowne
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,
Tahlica2.31
Konsuhant y1
21
27
25
36 IO
39 15
Żródło: daneumowne
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
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
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. Mcxlelejednorównaniowe liniowe
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.
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
Żródło:daneumowne
4.5
9.5
9.5
5.5 10
L 60,o 40 60
Żródło:dane umowne
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~
(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
Żródło:daneumowne
[
" ~ I~~],
3, 0
(XTX ) - I =
[
- 0,3
-3
4 - 0,3
0,03
0,2
-3
0, 2
2,5
]
,
Tablica2.37
S·1
Żródło:dancumo"·nc
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
2. Mcxlelejednorównaniowe liniowe
Tablica2.38
Pracownik )'/
18
16
10
7
Żr&lło:dancumo"·nc
7 10
)'1 13 16 18 20 21 25 27
Żródło:daneumownc
27
24 12
22 16
20
28
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:
(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
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
Żródło: dancumowne
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
Żródło:daneumowne
Tablica2.44
8.2
17.1
19.4
27.7
43.6
43.2
7 IO 48,9
Żródło:dancumownc
2. Mcxlelejednorównaniowe liniowe
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
Tablica2.46
9,2
I 18.0
3 o 10.6
14.6
7.6
22.4
17.9
Żródto:daneumowne
Rys un ek 3.2. Funkcja wykładnicza Y = „oo+a1X Rysun ek 3.3. Funkcja wykładnicza Y = ao. e"tX
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
-
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
Rysunek3.5.Wykrcsfunkcjilogarytmic7.ncj
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
3.1. Charakterystyka wybranych modeli nieliniowych
Rysunek 3.6. Wykres wielomianu stopnia 3 przy podanych warunkach dla parametrów
Funkcja hiperboliczna
(3.9)
-~ -
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).
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
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)
gdz ie:
(3. 16)
(3. 17)
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
3.2. Estymacja MNK modelitransformowalnychdopostaciliniowej
Tabli ca3.1
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 ••••
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
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
2~~~~l = 0 .008,
2 2
rp = R =I - 0. 008 = 0,992.
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.
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)
a wobec tego
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 .
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(a2)
4 Ol = 1-6.291>/o.05:4=2.776.
= -o.~
1
3.2. Estymacja MNK modelitransformowalnychdopostaciliniowej
Ta hlica3.3
)·1= ln y,
IO
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
Rys unek 3. 15. Sprtedaż wody minern lnej w latach 2002-2008 (w mln litrów)
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.
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
~ 2
L ;; =~J<~~v, )2
3.2. Estymacja MNK modelitransformowalnychdopostaciliniowej
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
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
ln
1xJ [: :::;] [L;~x, f1~~;J =
I ln ,t„
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,
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.
cp 2 = L (l n y, - lt;yr) 2 O.Ol
0 0228
L (In y, - ln y)2 0.43875 = · ·
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 .
Tablica 3.5
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
=
= [ 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.
0~~~
5
~' = ;~1 7 :
0 98
V,= · 100 = 0.8395%. = 0.0034.
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.
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-
y, ~ J (x„ ~) + Ę„ I = I. (3 .19)
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).
= 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:
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
Yi =ax; - )' r; - y
Yi =a __!_!__ y; = a x;x; +P
Xj + {J X; + {J
i = l. i = l. i = l.
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
Oblicza my S1 = ~· :1 .
p+ I
S2 = "f '
p+h+ I
:1 . S3 = t
p+211+l
:r.
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
I 9
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:
Z11
(/) (3y)
= J; a;a(IJ = X/
X;
+ {3 (1) .
{3;{3(1 )
[ 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
)
- "
{ ; (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):
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:
Tabl ica3.9
:Żródło:opracmvan iewła•ne
+ 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
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.
(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
af
. xK) i znanesą - oraz -- .
a' J to
iJX j CJx; iJXj
W sytuacji odwrolnej
- [ ;;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
Żródło:opr.icowaniewłasne
T11b lka3. 12
•' 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
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
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
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
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
2
S, ~ 2.203467 1p = O. 000253
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.
•' 0.000004
- 300.4 13943
y, = I + 482. 755350 e-0.8939371 .
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
Żródło: daneumowne
logy, logx,
Żffidło:daneumownc
ln yr ln.1 1
Żródło:daneumowne
TablicaJ.19
ln y1 lnx1
4.0 10,5
Żródło:daneumowne
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
10 12 22 28
7..ródło:dancumowne
Tablica3.22
Żródło: dancumownc
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
Żr6Jło:daneumowne
)'1 22
Tablica3.25
)'1 30 46 56 63 70
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
Żródło:daneumowne
TablicaJ.27
Rok lny,
Żródło: daneumowr>e
Żr6dło:daneumowne
Oszacować parametry wykład ni czej funkcji trendu w postaci
Tab lka3.29
li1.t1 lny,
1998
IO 12 13
Źródło:d aneomQW ne
.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
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
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
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
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
1\iblicaJ.37
.l/ 2
Yt :n 51
Żródło:dancumownc
Tablica3.38
K; L; Q, K, L, Q;
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
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
Tablica3.42
Tablica3.43
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
stosując algorytm Gaussa-Newtona, oszacować parametry (a i {3) oraz ich przyb li żone
błę d y ś rednie szacunku mode lu
Ta blicaJ.45
I. I 1.2
x, I
Żródło:daneumowne
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
78. Mając dane zawarte w tablicy 3.46
Tablica3.46
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
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
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
4. Predykcja na podstawie modeli jednorownaniowych
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)
\l,p = l;.;I. (4 .1 1)
(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)
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
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).
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:
(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:
Tahlica4.1
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
v, ~ )9:5i8s ~ 3, 085,
4. Predykcja na podstawie modeli jednorownaniowych
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
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
Tablica4.3
1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007
Żródło:daneumowne
4. Predykcja na podstawie modeli jednorownaniowych
(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)
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
Żródło: opracowaniewłasne
4.3. Modele tendencji rozwojowej jako narzędzie predykcji
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, - 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:
(T - 1) 2 l
1
VP = Se ~ (r _ i)
2
+ -;; + 1: (4.20)
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
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):
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
logy1 12 logyr·I logy1 logy1 - logy1 e'f logy1 -logy1 (logy1 -logy1)2
Źródło:opracowaoie własne
s; = 11
~k L (log Y1- IV,) 2 = ~. 0.0434 = 0.005425,
S, = J0.005425 = 0.073655.
Macierz wariancji i kowariancji ocen parametrów s1rukturalnych:
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
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:
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
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
~
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.
4. Predykcja na podstawie modeli jednorownaniowych
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
Tab lica4.9
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
Zródło: opracowanicwłasne
(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.
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
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
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
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
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
4. Predykcja na podstawie modeli jednorownaniowych
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
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.
Źród to :daneumnwne
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
-
Żr6Jło:opr:1<:owaniewła.rne
Tablica4.16
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
(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).
(4.32)
f>1=0.
j: J
(4.34)
W j =S j - 5. (4.35)
4.5. Predykcja na podstawie modeli trendów z wahaniami periodycznymi
gdzie:
(4.36)
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
4. Predykcja na podstawie modeli jednorownaniowych
)'
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
J, 1 = 4.9 1 + 40.03r,1
(5.1556) ( l.5545)
Yj2 = - 9.02 + 29 .3Dtj2.
(5 . 1994) ( 1.5677)
4.5. Predykcja na podstawie modeli trendów z wahaniami periodycznymi
Tablica4.17
Numer V,
równania
Żr6dło:opr.icowaniewł'1.'<ne
Bh1dśrednipredykcji
(Vp)
Źr6dło : oprn<:owaniewła,;ne
4. Predykcja na podstawie modeli jednorownaniowych
(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
~ y,' ~ 204426
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 :
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 -
4. Predykcja na podstawie modeli jednorownaniowych
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
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
Żródło:daneumowne
(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
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:
gdzie: x 11 - zatrudni enie w tys. osób; x21 - wydajność pracy jednej osoby w mln zł
4. Predykcja na podstawie modeli jednorownaniowych
Tabli ca4.22
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
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
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)
Źródło:dan~umowne
Wyzm1czyć prognozy produkcji energii elektrycznej na hita 2007 i 2008 metodq wag
harmonicznych.
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
Produkcja samochodów
65.2 86.1 91.l 115.0 143.0 174.0 229.0 294.0 340.0
osobowychw1ys.szt
żródło:daneurnownc
T:1łl li c a4. 2 7
10 12 13
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
4. Predykcja na podstawie modeli jednorownaniowych
Tablica4.28
19971
Produkcja samochodów
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
Produkcja samochodów
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
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
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
4. Predykcja na podstawie modeli jednorownaniowych
la = 3. 182
Żródło:daneumowne
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
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"')
4. Predykcja na podstawie modeli jednorownaniowych
Tablica4.34
Kwarlał IV IV
137 140 146 159 165 168 178 183 190 199 209 225
Żródto:.,Biulc(ynS1a1ys1yczny„1996-1998
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
Koszty jednostkowe 3000 2250 2400 2360 2260 2240 2230 2190 2160
Żródlo:daneumowne
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
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 ?
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
(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
Żródło : dmicumownc
(5 .1 )
(5.2)
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-
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
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
5.Analtzaprocesuprodukcyjnego
(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
5.2.Funkcjaprodukcji
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)
~=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.Analtzaprocesuprodukcyjnego
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
5.2.Funkcjaprodukcji
Tablica5.I
K, L, Q,
Żcódło:dm1curnow11C
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
stqd otrzymujemy
a= "a1' ] = [2.5926]
0.452 1
[
a2 0.5080
Wariancja resztowa
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:
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:
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
= 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
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)
K I -- (----""----)
13,3640 "°"' L 'i/f!ll'
I .
I analogicznie ·
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.Analtzaprocesuprodukcyjnego
(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 ·
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)
5.2.Funkcjaprodukcji
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 .
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)
5.Analtzaprocesuprodukcyjnego
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
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)
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 '
_
923~~~ 4 - 66 =;. L2.12365
923 803 724.66
L - 2.12365 = 46 190 1. 86.
2000
zatem:
~: ~ . : : ~:~~~~
2 34 79
. : = 0.0742. I<"_= .4 = 0.0742
L' 464.9 1
5.Analtzaprocesuprodukcyjnego
(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 .
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.
~:~~~~ ~o:oo =
0
2
L = 634.934 ;":;: ; 635 osób.
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.Funkcjaprodukcji
(5 .38)
K
gdzie: y. v > O ; ;~ Ój = l ; p e (- 1, 0) U (0. +oo).
Dla dwóch czynników można j ą zapisać·
K
18 A dla K czynnikó w Q = (j'fl a; XfJ)"IP ·ee'
1
5.Analtzaprocesuprodukcyjnego
(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
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).
PkK = JQi =
oK,
= 0,904
0,6282
8
(0.9612K,°·b282 + 0.6346L ?·b282 )=- 10.9612 · (0.6282) K,°·b282 - 1=
= 0.8697. Ql ~ K,°·b282- I
5.Analtzaprocesuprodukcyjnego
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
5.2.Funkcjaprodukcji
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%.
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
5.Analtzaprocesuprodukcyjnego
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
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)
~
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
~:~~~~ (~y-o.
6282
R KL = = L 566
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)
rr= OlnRLK
_, [·Q in ("'~ (L)'-')]_
= K ,
[a 1" (~) ] a1"(~)
=[a((1" ~) + <l -p) 1"(~)) ] _, =IO +(J- pJr' =- '
J in (~) l -p
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 :
(d'C )
~
dK K= K '
=5, 428 > o.
(5 .55)
(5.56)
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
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.
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
5.2.Funkcjaprodukcji
:;~ 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 =
~~~~~~~~~~~~~~~~~~
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)
5.2.Funkcjaprodukcji
i analogicznie
Zatem·
~ EQ/ K ~ EQ/ K l
(5.62)
Q =~ !(·
RLK= iJQ = - - -
al EQ IL . L Q/L
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:
(5 .63)
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 ?
5.2.Funkcjaprodukcji
(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
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·
65.43575 ]
XT = 215.42618
y 305,80079 .
[
539.63955
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
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.
5.Analtzaprocesuprodukcyjnego
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
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)
(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)
5.Analtzaprocesuprodukcyjnego
i przyrównaj my j q do zera 26
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
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
(b) S tosując wzór (5. 17). można ob l iczyć, że wydajność wzrośnie w przybliżeni u o:
w MV
100= (-0.50)-(-50%)=25%
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
5.Analtzaprocesuprodukcyjnego
a stąd
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
Tab lic:tS.5
15 3.3
2.8
2.3
1.9
240 1.6
Źródło: dane umowne
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
Ponieważ rysunek 5.2 potwierdza liniowo ść związku mi ędzy P; oraz Pu, przychodzi
nam skorzystać ze wzoru (5.70):
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
K
C, = /(Q,) + L_ P;X;+<„ (5.71)
j =l
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
5.4. Ekonometryczne modele kosztów
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)
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
5.Analtzaprocesuprodukcyjnego
(5.79)
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
5.4. Ekonometryczne modele kosztów
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
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 ,
~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)
5.4. Ekonometryczne modele kosztów
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
~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
5.Analtzaprocesuprodukcyjnego
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)
(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:
4500 L
2100
JOO
S. Bartosiewicz [8] podaje nastę p ującą fomrn ł ę obliczania rezerwy ob ni żki kosztu
jednostkowego
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
5.Analtzaprocesuprodukcyjnego
o +--~~~~~~~~~
O IO
Q
Rysu nek 5.6. Funkcja kosztów całkowitych C = 240 + 60Q i funkcja przychodu P = J IOQ
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.
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
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•
5.Analtzaprocesuprodukcyjnego
Po ni eważ
az
BQ
I
Q= 25 =O
~a'z l
JQ- Q= 25
=-0. l8Q+2=-4,5+2=-2.5<0.
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
Żródło:daneumowne
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,
Żródło:daneumowne
-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
(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, = l .6K?·3 L~· 8 •
b1 = 28K~·56L?.47e0,<JO.lr.
Q, = y(' K f l : - /IE 1 •
(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:
(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
(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.
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
i otrzymano :
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
5.Analtzaprocesuprodukcyjnego
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.
IO
40
160
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
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) .
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
( 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
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
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
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
)'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
6. Elementyekonometrycznejanalizyrynkll
5Ponotdlo pierwszu warto~ć teoretyczna po odlogarycmowaniu ()• = 125, 11 znacznie różni się od zaob
serwowanej - IUO)
'"' "L "·"l()L
6.1. Wybrane modelerozkladudochodów
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)
(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
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
6.1. Wybrane modelerozkladudochodów
Żródło: opracowaniewlasne
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
·<' .\'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
o +-~~~~~~~~~
o
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
Żród to :oprarowaniewtasne
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)
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-
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))
6. Elementyekonometrycznejanalizyrynkll
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
6.1. Wybrane modelerozk!adudochodów
Tablica6.7
200
q0 _27 = 2000 + (0.27 - 0.23) 0.
22
= 2036.36.
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.
6. Elementyekonometrycznejanalizyrynkll
Tahlica 6.8
Żródło: opracowaniewłasnc
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
6.1. Wybrane modelerozk!adudochodów
Me = exp(7.73758) = 2292,93 zł ,
(6.24)
6. Elementyekonometrycznejanalizyrynkll
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
7..ródło:oprntowaniewłasnc
16
Są to dane z k011ca 2007 r„ zawarte w Roczniku St;uystycznym 2005 i 2006
6.1. Wybrane modelerozkladudochodów
Tablic11 6. IO
Wynagrodzenie Zatrudnieni(w%)
n,25
1-- -m'"""';I
-kobiety
___J"_„_
Rysuuek 6.6. Pełnozatrudnieni w dziale ochrona r.drowia i pomoc społeczna według wynagrodzenia bruuo
wpaźdr.icniku2004r.
6. Elementyekonometrycznejanalizyrynkll
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)
6.1. Wybrane modelerozkladudochodów
t. t. N ;(t) ~ N ; (t + I )~ N (6 .25)
(6.26)
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
f: L P;;
c"', i =lli - j l=
(6.29)
f: I: "'i
i = l li - j l= • - 1
(6.30)
Tablica6. 12
32
69
34 34 272
8 27
12 12 72 24 120
12 36 72 120
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
6. Elementyekonometrycznejanalizyrynkll
Tahlica6.1 3
Zródło:obliczcniawłasnc
Tablica6.14
Nj(t+l ) 46,96 95,31 162.13 2 16.23 198.30 179.28 207.03 121.76 1227
7..r6dło:oprncowaniewłasne
18Jegli dobra sub~tytucyjne lub komplementarne produkuje 1a sama fim1;1. to zmienne te z:t!icza s ię do
kontrolowanychpnezfim1ę
6.2. Ekonometryczna analiza popytu konsumpcyjnego
(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
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)
6. Elementyekonometrycznejanalizyrynkll
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
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.
6.2. Ekonometryczna analiza popytu konsumpcyjnego
Tab licn6.15
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
(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
-
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
6. Elementyekonometrycznejanalizyrynkll
b= [!:]
b2
= [ ~:] = [h;,~' J .
- 0.900 t12
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.
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
6.2. Ekonometryczna analiza popytu konsumpcyjnego
(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
(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
L Jso,o
Żródlo:duncumownc
Rozwiąza nie. (a) Funkcja opisujijca badaną zal eżność będzie mieć obecnie postać
D Jest to śred nia arytme1yczna ważona cen w poszczególnych województwach: wagami są wielkoŚ<:i
spn:edaży
6.2. Ekonometryczna analiza popytu konsumpcyjne110
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
6. Elementyekonometrycznejanalizyrynkll
-[ --~:;~]-[::]-[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
~
y
100 = Lj
E y/:<j !!J.X j
.\ j
100. (6.37b)
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
6.2. Ekonometryczna analiza popytu konsumpcyjnego
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
~= 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.
25prt.y większych zmianach zmiennych obj:iśniających różnice między wynikami otrzymanymi z 1ych
dwuwzorówbęd;1więk s ze
6. Elementyekonometrycmejanalizy rynku
2
4%= 0.84-3 %- 1.151 D.x + 0.671 ·(-6%) ,
Xz
4% - 2.52% +4.026% = -L 151 D.x 2
x2
Osta t ecz ni ew i ęc 26
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)
6.2. Ekonometryczna analiza popytu konsumpcyjnego
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%?
czyli
27 z wzoru przybliżonego (6.37b). zu kładującego nies kończen i e m:1łe przyrosty zm iennyc h. otn:ymamy·
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
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)
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
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
6.2. Ekonometryczna analiza popytu konsumpcyjnego
Tablica6.17
Grnpy
Spożycie owoców I PrLeciętne
i ich pnetworów miesięczne dochody
dochodowe
w,, w kg na osobę
(y;)
wzłnnosobę
(.r;)
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?
6. Elementyekonometrycznejanalizyrynkll
(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
„; ()'1 - 5')2
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
s; = ~ ~~
4 9 0
= o.8323 . s = J0,8ill = o.9123.
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
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)
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
6. Elementyekonometrycznejanalizyrynkll
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
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.
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
6.2. Ekonometryczna analiza popytu konsumpcyjnego
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
Żród/o:obliczcniawłasnc
6. Elementyekonometrycznejanalizyrynkll
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
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
Tuhlica6.22
Żród to:obhczcniawłasne
~ '"
~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
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
6.2. Ekonometryczna analiza popytu konsumpcyjnego
Ta blicn6.23
Żródlo:oblincniowłasnc
d(l(:hody(zł)
Rys unek 6. 11. Za l eżność wyd:i1ków na warLywa od dochodów - dopasowanie funkcj i TOmquista I
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:
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
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
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.
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
i.: 100,0
,,10L
Żródlo: daneumowne
800
600
400
200
o
o 300
•••
600
•••••
' "'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 ••
ź.ródło : opr:i•·owaniawłasne
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 ·
6. Elementyekonometrycznejanalizyrynkll
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-
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
6.2. Ekonometryczna analiza popytu konsumpcyjnego
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:
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
Żró<lło:oprnrnwaniewla.,ne
6. Elementyekonometrycznejanalizyrynkll
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
(6.47)
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·
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
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
Źródło:Roci:nikS1a1ys1yczny2006.s.296-300
6.3. Analizastrukturwydatkl'iwi ichzrl'iżnicowania
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)
I Żywność i napoje
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
żródłu:obliczcniawłasne
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
6. Elementyekonometrycznejanalizyrynkll
Tablica6.30
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
Tablic116.JI
Lp Wyszczególnienie 1997 1998 1999 2000 200 1 2002 2003 2004 2005
I Żywność i napoje
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
Tahlica6.32
l.: 0,056 0,082 0,066 0,060 0,083 0,063 0,075 0,094 0,222
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
100,0 100.0
7..r&lło:daneumowne
6. Elementy ekonometrycznej analizy rynku
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
Liczbagospoclarstw
Grupy llochodowe
w zł na osobę miesięcznie prncowników na siano- prncowników nu srnno
wiskach robotniczych wiskach nicroborniczych
Żródło:dancumownc
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
6. Elementyekonometrycznejanalizyrynkll
Tablka6.38
Do300 101
300--350 279
350--400 623
400-450 1359
45G-500 936
800i więcej
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
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!
6. Elementyekonometrycznejanalizyrynkll
Zatrudnieni w%
Wynagrodzenia
w,/
ogółem mężezyini kobiety
7..r6dło:RoczoikStmy.<tyczny2006. s.2W-295
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
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
Tahlica6.43
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
7..r6dło:dancumowne
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
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
7-Iódło,daneumownc
Tablica6.45
Tablicn6.46
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
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
(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)?
6. Elementyekonometrycznejanalizyrynkll
Ta blka6.49
Rok Kwanał
Żródlo:daneumownc
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%?
Tablica6.50
Sprzedaż Cena bo b, b2
ŻnSdło :daneumowne
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
Ta bl ka6.5 1
R 2 = 0.966.
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%?
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:
6. Elementyekonometrycznejanalizyrynkll
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·
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
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
6.5x
)'I= X+ 750'
(U) dla gospodarstw rolników
9.2x
Yi = x+500 '
Tablica 6.54
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 .
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
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)
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
I Żywność i napoje
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
213. W tablicy 6.58 zestaw iono slruktury wydatków na żywność gospodarstw do-
mowych w 2005 r. według grup społeczno-zawodowych (w%).
Tablica6.58
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
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
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
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
gdzie: q1 > /.lJ ~ O, µ 1 jest nie z będ n y m zakupe m }-tego dobra, 81 > O (j =
(7 .1 )
G
)'rG = /l,GfJrG + óc(m, - L /.l j /Jr j ) + Ś°rG
)=l
7.1. Przykłady ekonomiczne
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
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
.
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:
Y12=1w 1 ln w" )
(w,,
- +µlnq, + Yo2 +~12, (7.2b)
w„ l µa -µa,]
2
x1 = [In -w,, ln q1 I . r= [ -µ
-roi
- µ.
-ro2
.
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 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
7.1. Przykłady ekonomiczne
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).
y, B + x, r = ~, .
gdzie
[-·~ -~]
- 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
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 ).
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
8 _, ~ [ I
-µ.1
- 8, ] - '
I
~ _I [ I
l - 81/J.1 f-L1
8,
I
l .
7.2. Pnslilcieiklasymodeli
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=~·
B- ' ~ [ I
- µ1
o]-' ~ [ o].
I
I
µ1 I
s-1=
[ I O-I]-' [J -8,
O
- a1 - 82
l - I
l
= ip a1 - l - -a1
a1 82
']
I
I
8,
n~ - rn -' ~~ [~o' ~
ao
8
- 82 O
Oo
!] [~,
O
1
a1
82
1 ~'a, ~
82
:]
I
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
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:
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):
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:
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.
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 .
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
Macierz 8 nie może zos tać sprowadzona do postaci trójkątnej. Mode l jest współza
l eżny niezależnie od zał ożeń co do równoczesnych kowariancji
(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 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·
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).
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
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?
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
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:
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 :
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:
7.3. Wprowadzenie do estymacji
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)
[ -~:~~;~
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:
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
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.
7.3. Wprowadzenie do estymacji
gdzie:
.,„ --
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)
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
(7.2 1)
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
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
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
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:
oo oo
Y1 = do{lG - D i) - I + f;Z 1- r M r + ~ Vr-r D~ (7.24)
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):
Mamy więc
do= [I - 0.05)
fi = [ - 0.5 0.5]
I 0 0
7.4. Wykorzystanie modeli wielorównaniowych
. M 1=
C1= Mo+ M1 = D2+ [ - 0.0.5 0.5]
_
5 05
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
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
2 I]
~[ _ ,
I
1][0 1 ,5]3~ [-~J }~ ·
O I 0.5 2
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
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 .
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·
I Xr l
4 o "
5
6 o 15 13
)'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·
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
Tahlica7.3
I Yt l
I
4 ~3
Ii ~ [ 0.2
- 0.4
2. o 0.5
- I. O I.O
l·
232. Wyznaczyć oceny współc zy nników postac i zredukowanej modelu :
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.
(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 •
(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 -
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
- 1.2 - (- 1.4)1
111= = 0.657 < 1„ = 2,776,
1 0,3 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
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)
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
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
(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.
(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.
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
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
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.
Odpowie!lzi do zadań
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
•' 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
•' 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
•'si 0.0014
1.9027
•'s; 0.0006
1.5391
s, l.3794 S, 1.2406
,,, 0.0507 V, 0.0351
Il - k 11 - k
•'si 0.0770
31.0591
•'s; 0.0052
5.2027
S, 5.5731 S, 2.2809
V, 0.3889 V, 0.1015
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%.
.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
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
Odpowie!lzi do zadań
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
•' 0.08629
•' 0,00026
Parametryzacja (b)
Parametr
•' 0,00026
65.
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
68.
69.
Trend potęgowy
Parametr
•' 0.03580
Odpowie!lzi do zadań
71.
72 .
•' 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
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,
Odpowie!lzi do zadań
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:
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:
"'
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%).
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.
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
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)
Odpowie!lzi do zadań
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
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
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.
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
Błądw 7.ględny
Mie siąc
Prognoza w KWh Błąd średnipredykcji predykcji
(yf) (Vp) (Vµ/Jf)
(w%)
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.
Odpowie!lzi do zadań
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
/',L
(c) L = 6.67 ~ 7%.
"Q
129. (o) Q 100 ~ -0. 7%.
(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.
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
•
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 %.
Odpowie!lzi do zadań
+ ~)o.
6
/';\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.
Odpowie!lzi do zadań
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.
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
(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
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.
Odpowie!lzi do zadań
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
Odpowie!lzi do zadań
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 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
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
zł
I = 0,010153 - przychód
Odpowie!lzi do zadań
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)
(c) ~~I = 0,04. ~;: 3 = - 0.04 . .6.: = 0.03 --+ ~:· 2 = 0. 092.
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%.
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
(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.
~;~ 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
Odpowie!lzi do zadań
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)
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.
(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
)< 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
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
- 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] ·
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
[
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
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 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
-~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].
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
( 1,245)
225. Wyprowa d zając n = - rn- 1 , zauważamy że
(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.
'' ([ii" ])
D f 11
0,6635 [ 5
= 14,19 15 -3
- 3
4.6383
l[=
0.2338
- 0.1403
- 0. 1403]
0.2168 '
0.6809 0.3298]
fi = (XTx )-l x Ty ;:::: 0.0106 0.3723 :
[
0. 191 5 0,2021
•
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
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%
Odpowie!lzi do zadań
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 :
gdzie
t. = -rn- 1
•
Otrzymujemy
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
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
y, 12 14 18 22 22
f; 12,4 15,0 16,4 2 1,0 24,2
(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:
(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
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
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
220 Wartościteorctyczoc37
e,
Reszty 37 Warunki poboczne 398, 405
Równani e jednoznacznie identyfikowalne 397 Ważona metoda najmniejszych kwadratów (ważo na