Alfredas Ra£kauskas

EKONOMETRIJOS IVADAS

• •   • • • • •  • •  •    •  •

•   • •     •  • •

2003 Vilnius

Iºanga
Teorija be praktikos  sausa Praktika be teorijos  akla
(Emanuelis Kantas)

Ekonometrija  tarpkryptine disciplina  ekonomikos, matematikos ir statistikos bendras vaisius. Jos, kaip savaranki²ko mokslo, pradºia skai£iuojama nuo 1930 metu, kai buvo ikurta ekonometru draugija ir pradetas leisti ºurnalas Econometrics. Dabar, moksliniu ºurnalu skirtu ekonometrijai priskai£iuojama per de²imt. Tarp ju, Journal of Econometrics, Journal of Applied Econometrics, Econometric theory, Econometric reviews, Economie et statistique ir kt. Moksliniai ekonometrijos straipsniai randami daugelyje ekonominiu ir matematiniu ºurnalu. Kasmet vyksta po kelet¡ stambiu konferenciju, skirtu ekonometrijos problemoms. Visa tai rodo augan£i¡ ²io mokslo svarb¡. O jo pripaºinim¡ parodo net keliu ekonomikos Nobelio premiju paskyrimas ekonometrams. Ekonometrijos kursai destomi daugelyje universitetu. Tam tikslui i²leista nemaºai vadoveliu, kurie skiriasi tiek pagal reikaling¡ matematini pasiruo²im¡, tiek pagal teorijos ir praktikos santyki. ’tai Gryno [3] vadovelis pargistai laikomas ekonometrijos enciklopedija. Goldbergeris [2] siulo labiau matematizuot¡ poºiuri i ekonometrij¡. Dºonstono ir Dinardo vadovelis [4]  puikus teorijos ir praktikos derinimo pavyzdys. Neblogas standartiniu vadoveliu papildymas yra Kenedºio ekonometrijos vadovas [6], o Hamiltono laiko eilu£iu knyga [5]  tikras ²ios srities perlas. Lietuvoje sistemi²kas ekonometru ruo²imas pradetas tik prie² trjet¡ metu, patvirtinus tam skirt¡ statistikos bakalauro program¡. Studentams ²i programa suteikia galimyb¦ gauti ger¡ matematini ir ekonomini i²silavinim¡ bei isisavinti ²iuolaikines informacines technologijas. Ekonometrijos kursai prasideda nuo ivado, apºvelgian£io ekonometrijos tikslus ir priemones jiems pasiekti. Jam skirta ²i mokymo priemone, atitinkanti ekonometrijos ivado vieno semestro kurs¡. Ji paruo²ta sekant Hilo, Grito, Judºo vadoveliu [1] ir Melenbergo mokymo priemone [7] bei atsiºvelgiant i studentu matematini pasiruo²im¡. Ivadiniame skyriuje trumpai apºvelgiama ekonometrijos metodologija, aptariant stochastinius modelius bei ju ivertinim¡ ir diagnostik¡. Antrasis ir tre£iasis skyriai skirti regresinei analizei. Ivadas i toki¡ pla£i¡ ir labai svarbi¡

atsitiktiniu regresoriu atveju ir kitais. Simultaniniu lyg£iu modeliai aptariami 9 skyriuje.4 tem¡ pradedamas s¡ry²io tarp namu ukiu pajamu ir i²laidu maistui paie²ka. Paskutiniame. 4-6 skyriuose supaºindinama su ivairiais regresines analizes aspektais: heteroskedasti²kumu. 10 skyriuje supaºindinama su pagrindiniais laiko eilu£iu modeliais ir baziniais nansu ekonometrijos principais. autokoreliacija. pasitelkiant pati papras£iausi¡ uºdaros rinkos be uºsienio prekybos modeli. ’iuo paprastu pavyzdºiu i²ai²kinami pagrindiniai regresines analizes principai. Ivadui i daugelio kintamuju vienos lygties regresij¡ pasitelkiamas rmos pajamu s¡ry²is su produkcijos kaina ir i²laidomis reklamai. . Prieduose pateikiamos reikalingos tikimybiu teorijos ir algebros ºinios.

. . . . . .3.3. . . . . .3 Laiko eilu£iu modeliai . . .7. . . . . . . . . .1 Vidurkines savybes . . . . . . .8 . . . .7 2. . . . . . . . . . . . 2. . . . . . . . . . . . . . . . .6. . . . Ekonometrijos principai 1.3. . . . . .2 Intervalinis prognozavimas . . . . .2 1. . Ekonometrinis modelis . . . 24 24 26 29 30 31 33 35 36 37 41 43 44 44 46 51 51 53 55 55 59 60 61 2. . . . . . . . . . . . Parametru ivertinimas . . . . . . . . . . . . . 2. . . . .1 Pasikliautiniai intervalai . . . . . . . . . . . . . . . . . . . . . . Kiti ekonominiai uºdaviniai . . . . 2. . . . . . . . 2. . . . . . . . . . . . . . . . . . . . . . . . Stochastiniai modeliai prie² deterministinius . . . .4. . . . . . . . . . . . . . . 2. . . . . . . . . . . . . . . . . . . . . . . . . . .5. . .6 2.7. . . . .1 1. . . . .3. . . . . . . . . . . .3 Kas yra ekonometrija . Ekonominiai duomenys . . . . . . . . . . .4. . .2 Rezultatu pateikimas . . . . . . 1. . . . . .2 Gauso-Markovo teorema . . . . . . .6. . . . . . . . . . . 2. . . . .4. . . . .1 Regresiniai modeliai . 2. . . . Maºiausiu kvadratu ivertinimu savybes . 2.1 Kovariaciju principas .2 Hipoteziu apie parametru reik²mes tikrinimas Prognozavimas regresiniu modeliu . . . . . 2. . . . . . . . . . . Modeliavimo tikslai ir priemones . . . . . . 8 8 10 13 15 17 20 20 1.7.5. . . . . . . . . . . . . . . . . .1 2. . . 2. .1 Determinacijos koecientas . . . . . . . . . . .Turinys 1 skyrius. 2. . . . . . . . . . . . . . . . . .4 2 skyrius. . . 2. . . . . . . . . . . . . . . . . . . . .3. .1 Ta²kine prognoze . . . . . 2.3. . . . .3. . . . . . . . . .3 Kitos funkcionalines formos . . . . . . . . . . . . . . . . . . . . . . . . . .3 Ivertinimu tikimybiniai skirstiniai . . .2 2. . Papras£iausias tiesinis regresinis modelis 2. . . .4 Paklaidos dispersijos ivertinimas . . . . . . . . . . . . . . . . . . Statistikinis tyrimas . . . . . . . . . . . . .2 Maºiausiu kvadratu principas .4 2. . . . . . . . . . . . . . .5 2. . . .3 Iver£iu interpretacija . . . . .2 Simultaniniu lyg£iu modeliai 1. . . . . . . . . . . . . . . . . . 2. . . . Ekonometrinis tyrimas . . . . . . . . . 1. . . . .3 Ekonominis uºdavinys . .

2. . . . . . Intervalinis parametru ivertinimas .1 Papras£iausios savybes . . . . . . . . . . . . .6. KTR modelis: hipoteziu tikrinimas . . . . . . . Modelio vertinamas esant autokoreliacijai Prognozavimas esant autokoreliacijai . . . . . 4. .1 DurbinoVatsono testas . . . . . . . . . . . . . .1 3. . . . . . 4. . . . . . . . . .2. . . . . . . . . . . . 113 108 6 Simultaniniu lyg£iu modeliai Paprastas pavyzdys . .2 Ekonominis uºdavinys ir ekonometrinis modelis KTR modelis . . . . . . . . . . . .7 5. .2 6. 103 . . . .4 4. . . . . . . . . . .2 PRK modelio ivertinimas . . . . . . . . . 99 . . .9 4. .6 4. Bendrasis tiesinis regresinis modelis 3. . . . . . . . . . . Statistikines ivertinimu savybes . . . . . . . . . . . . . . . . . . . . . . . . . . Autokoreliacijos testavimas . . . . 108 Tikimybinio pasirinkimo modeliai . . . . . . . . . . . . 4. . . . . .2. . . . . 63 63 65 67 67 69 71 71 73 74 76 78 78 79 80 84 85 89 4 Heteroskedasti²kumas ir autokoreliacija 4.6. . . .8 3. . . . . 118 118 . . Heteroskedastiniai modeliai . . .3. . . .4. . . . 104 90 5 Bendresni regresiniai modeliai Fiktyviu kintamuju panaudojimas . . . . .2 Gauso-Markovo teorema .1 5. . . . . . . 3. . . .6 TURINYS 3 skyrius. . . 3. . . . . . . . . . .2 Broi²o-Pegano-Godfrejaus testas . . . .3 Harvej testas . . . . . . . . . . . 3. . . . . . 96 . . . . . . . . . . . . . . 90 . . . . . . . . . . . . . . 4. . . . .1 Maºiausiu kvadratu metodas . . . . . . . . . . . . . . .2 3. . . . . . . . . . . . . . . . . Prognozavimas .4 3. . . . .3 4. . . . . . . . . . . . . . . . . . . . . . . . . . . 3. . . . . . . . . . . Autokoreliacija . . 3. 4. .5 4. Parametru ivertinimas .7 3.1 . 93 . . . . . . . 3. . . . .4. . . . . . . . 3. . . . . . . . .1 4. .3. . . .1 Vienpuses hipotezes . . . . 93 . . . . . . . . . . . . .4. .5 3. . . . . . . . . . . . . . . . . . . . .2 Koecientu reik²mingumo testai . . . . . . . . . . .2. . . . . . 99 . . . . . . . . . . . . . . . . . . . . . . . . . 101 . . . 4. . .4 Spirmano testas . . . Suderintumas . . . Heteroskedasti²kumo testai .3 3. . . . . . . . . . . .2. . . . . . . . . . . . . . . 96 . . .5 Ekonominis pavyzdys . . . . . . .3 GKTR modelio savybes . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 GoldfeldoQuandto testas . . . . 94 . . . . . Ekonominis pavyzdys . . . . . . . . . . . . . . 99 . . . . . . . . . . . . .3 Tiesiniu hipoteziu testai . . . . . Kai kuriu ekonominiu hipoteziu patikrinimas . .6 3. 95 . . . . . . . . . 3. . .4. . . .6. . .

. . . . . . . . . . . . . . . . . . . . . . . . . Homogenines laiko eilutes . . S¡lyginiai skirstiniai .TURINYS 7 7 Laiko eilu£iu modeliai 7. . . . Literaturos s¡ra²as . . .2 Vektorinio argumento funkciju analize . . . . . . . . . . . . B. . . .3 B. 136 . . . . . . . . . . . . . . .4. . . . . . . . . . . . . . .1 Tiesines algebros elementai .4 Tikrines reik²mes ir tikriniai vektoriai . .6 7. . .1. . . . . .2 Autoregresinio modelio ivertinimas . . . . . . . . . . . . . .4. A.1 Savybes . . . . . . . . . . . . . . . . . . . . . . . 7. . . . . Velinimo operatorius . . . . . . 7.5. . .1. . . . . . . . . . . . . . . . 7. . . . . . . . . A. . .1 Matricos . . . . . . . .1 Savybes . . . . . . . . . . .1 7. . . . . .2 Slenkan£io vidurkio modelio ivertinimas Autoregresiniai slenkan£io vidurkio modeliai . . .4 7. . . . . . .5 Simetrines matricos . . . . rangas A. . . . . .5 Atsitiktiniai dydºiai ir ju skirstiniai Atsitiktiniai vektoriai . .3 Atvirk²£ioji matrica . . . . . . . 7. . . . . . . . . . . . . . .5. . . . . .3 7. . Butinosios tikimybines s¡vokos 148 148 150 152 153 155 157 . . . . . . . . . 141 141 141 143 144 145 145 146 B priedas. . 124 124 126 127 128 128 131 134 134 136 . . . . . . . . . . . . . . . . . . . . . . . . A priedas. . . . . . . . . . . .1 B. . . . . . . . . . . . . . . ARIMA modeliai . . . Slenkan£io vidurkio modeliai .1. . . . Svarbiausi atsitiktiniai dydºiai . . Daugiamatis Gauso skirstinys . . . . . . .2 B. . . .7 Stacionariosios laiko eilutes . . . . . . . . . . . . . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . . . . . . . . . . . . Daugiamates analizes elementai A. . . . . . . . . . .1. A. . . A. . . .5 7. . . . . . . . . . . . .4 B. . . . . . . . . . A. . . . . . . . . . . . . . . . . . . determinantas. . . Autoregresiniai modeliai . . . . . . . .2 7. . . . . . . . . . . . . . . . . 139 . . . . .2 Matricos pedsakas. . . . . . . . . . . . . . . .

reikia gerai suprasti ekonomikos teorij¡). o antrasis  matematiniu simboliu pagalba.. taikom¡j¡ ir ekonomin¦ statistikas bei sugebejim¡ pasinaudoti naujausiomis informacinemis technologijomis. namu ukiu i²laidu maistui priklausomybe nuo pajamu ir t. simultaniniu lyg£iu ir laiko eilu£iu.. pagal empirinius duomenis vertina ir analizuoja ekonominiu objektu ir procesu s¡ry²ius). Regresiniais modeliais apra²oma ekonominiu dydºiu priklausomybe nuo vieno ar keliu ekonominiu faktoriu. šodis ekonometrija yra dvieju graiki²ku ºodºiu oικoνoµια (ekonomika) ir µ τ ρoν (metrika) junginys. Ekonometras vienu metu privalo buti ekonomistas (norint empiri²kai analizuoti ekonomik¡. Ekonometrijos principai Kas yra ekonometrija Tai klausimas i kuri trumpai ir vienareik²mi²kai vargu ar kas atsakys. Paprastai nagrinejami triju tipu modeliai: regresiniai. Dar pridejus butinum¡ i²manyti saskaityb¡. Pavyzdºiui. statistikas (testuojant ekonominiu procesu s¡ry²ius reikia taikyti egzistuojan£ius statistinius testus bei kurti naujus) ir matematikas (ekonomin¦ problem¡ ir jos sprendim¡ reikia i²reik²ti matematiniais terminais). 1 . gaunamas gana ivairiaspalvis ekonometro paveikslas. Abu ²ie mokslai apra²o ekonominius s¡ry²ius tik pirmasis tai padaro ºodine (verbaline) forma.. trumpalaikiu paskolu palukanu normos priklausomybe nuo iniacijos kitimo ir bendrojo nacionalinio produkto augimo tempu. • ivertinimas ir interpretavimas.t. tai k¡ daro ekonometrai ) iki enciklopedinio ( . Gi ekonometrijos mokslas turi labai platu i²ai²kinimo spektr¡: nuo buitinio (. Ekonomikos teorija kartu su matematine ekonomika nustato ivairiu ekonominiu objektu bei procesu tarpusavio s¡veikas ir perteikia jas matematiniais simboliais1 Tai sudaro teorines prielaidas ekonometrinio modelio kurimui (modelio specikavimui).1 1.1 skyrius.. Ekonometrijos metodologijoje skiriamos ²ios dalys: • modelio specikavimas. • modeliu palyginimas. Ypatingo skirtumo tarp ekonomikos teorijos ir matematines ekonomikos nera. • diagnostika.

remiantis empiriniais duomenimis.) bei vystomi specialus metodai. • energetik¡. Laiko eilu£iu modeliai labai naudingi. Jais patogu tirti. a priori galimas reik²mes ir t. vartojimo prekiu indekso. prekiu indeksai ir pan. kad ekonometriniai modeliai i²vystyti beveik visoms ekonomikos sritims. Visi tie dydºiai yra priklausomi tarpusavyje ir.1. akciju kainas. formuojant ekonomines politikos principus. didºiausio tiketinumo. tada. pavyzdºiui. nacionalinio produkto augimo tempu ir pan.) Ekonometrijos rezultatai taikomi: norint patikrinti ekonomikos teorijos teiginius arba pirmines s¡lygas (pavyzdºiui. iskaitant: • vartojimo prekiu rink¡. tiek ir tarpusavyje. Kai modelis jau sukurtas. kvantiliniai ir pan. Laiko eilu£iu modeliai skirti ekonominiu objektu tyrimams pagal ju elgesi praeityje.). bedarbystes-uºimtumo lygis. priklauso nuo kitu rodikliu. . Pavyzdºiui. paskolu palukanu norm¡ ir pan. neºinoma.). i²skyrus jo elgesi praeityje. Paºymetina. kai apie tiriam¡ arba prognuozuojam¡ ekonomini objekt¡ beveik nieko. F -testas ir pan. trigubas maºiausiu kvadratu metodas ir pan. susieti funkcine priklausomybe tiek su kitais ekonominiais dydºiais. Durbino-Watsono testai ir pan.1 Kas yra ekonometrija 9 Simultaniniu lyg£iu modeliais apra²omi dydºiai. apra²an£ios tekstiles paklaus¡. ivertinami modelio parametrai ir patikrinamas modelio atitikimas ekonomikos teorijai. tekstiles kain¡. kuriuos daºniausiai reikiamai apdorotus pateikia ekonomine statistika. darbo vietu skai£iu.) bei vystomi savi (Dickey-Fulerio. Ivertinto modelio diagnostikai pasitelkiami matematines statistikos metodai (Stjudento testas. kaip antai: vidutines palukanu normos. • namu ukio ekonomik¡. parametru ºenklus. Lietuvos tekstiles pramones ekonometriniame modelyje butu lygtys. analizuojant ekonominiu rei²kiniu struktur¡ (pavyzdºiui. BVP struktur¡). eksporto apimtis.t. Ekonometrinio modelio vertinimui pritaikomi matematines statistikos metodai (maºiausiu kvadratu. prognozuojant ekonominius rodiklius (marketingas) (globalus rodikliai BVP. be to. Prie tokiu priskirtini dvigubas maºiausiu kvadratu metodas. investicijas i ²i¡ ukio ²ak¡.

sukurti modeli. algebriniai (algebrines lygtys) ir pan. Pastaraisiais metais ypa£ spar£iai vystoma nansu ekonometrija ir namu ukio ekonometrija. • tarptautin¦ prekyb¡. tiriama. verbaliniai/logistiniai (sistemu veiklos ai²kinimas paradigmomis. Egzistuoja daug modelio formu: pavyzdºiui. • nansus. ekonometriniai modeliai bei ekonometrijos metodai taikomi ir kituose moksluose. 1. • transport¡.y. Ekonometrijos principai • industrijos ekonomik¡. t. politiniuose moksluose. Modelis  originalo atvaizdas. Realaus pasaulio sistemos paprastai yra labai sudetingos.) 2 Tarptautiniu ºodºiu ºodynas. kuriama. • regionin¦ ekonomik¡. sociologijoje (analizuojant apklausu rezultatus). geometriniai (lenteles.2 Stochastiniai modeliai prie² deterministinius Modeliavimas yra neatsiejama bet kurio mokslo dalis . tapatus pasirinktu strukturos lygmeniu arba pasirinktomis funkcijomis. . pagal kuri kas nors gaminama. nematomos rankos paradigma).  pavyzdys. prognozuoti ju elgesi ar kontroliuoti. tiek gamtos. Norint ²ias sistemas suprasti.tiek socialinio. mirtingum¡). zikiniai (sumaºinto mastelio ir supapra-tintos veiklos modeliai). pavyzdºiui demograjoje (taikomi regresiniai modeliai prognozuojant gimstamum¡. (Ten pat. butina jas supaprastinti. • darbo ekonomik¡. diagramos). Beje.10 1 skyrius. pavyzdºiui. (Tšš) 2 .

Realistinis modelis paprastai gana tiksliai apra²o tiriam¡ objekt¡. vartotojo pajamos bei ju teikiamos pirmenybes (prioritetai) ir t. Ta£iau akivaizdu. itakojan£iu prekes paklaus¡.2 Stochastiniai modeliaiprie² deterministinius 11 Grakas 1. (G. bet buna toks sudetingas. Theil) Daugelis tradiciniu ekonominiu teoriju. Rasti tinkam¡ kompromis¡  menas.1.t. Box) Modeliai yra tam kad juos naudotum. kurio rezultatus didºia dalimi nulemia ekonometristo pasiruo²imas ir talentas. p  tos prekes kaina.1: Geras ir labai geras modeliai (aut. kad faktoriu. nei ivertinti. bet ne tam. kad prekes paklausa priklauso nuo jos kainos: q = f (p). Matisse) Sukurti matematini modeli rei²kia nagrinejamam objektui suteikti matematin¦ i²rai²k¡. su kuriuo lengva dirbti. idealistinis modelis. Pavyzdºiui. (H. postuluoja tiksli¡ nagrinejamu procesu funkcin¦ priklausomyb¦. ypa£ jei ry²iai tarp ekonominiu objektu ir procesu i²rei²kiami diagramu ar algebriniu lyg£iu pagalba. kad neimanoma jo nei i²tirti. Kita vertus. ƒia gali pasireik²ti du kra²tutinumai: realistinis ir idealistinis. yra kur kas daugiau: tai komplektuojan£iu daliu ar komponen£iu kainos. (1. Pavyzdºiui. Visi modeliai yra klaidingi. kad jais tiketum. Ta£iau kai kurie  naudingi. vaisvandeniu .. paklausos teorija nustato. gali buti perdaug nutol¦s nuo realaus tiriamo ekonominio fenomeno. Todel geras modelis yra tam tikras kompromisas tarp realaus ir idealaus.1) £ia q  kurios nors prekes paklausos kiekis.

. . Galima i²skirti tik pa£ius svarbiausius. p0 .3) Jame atsiranda atsitiktinis (stochastinis) faktorius ε. kuris kartu rei²kia. x2 . Y. (1.1) ir (1. ). x2 . T  dydis. i kurias ieina atsitiktiniai faktoriai. turetume nagrineti modeli q = f (p. ε patogu interpretuoti kaip atsitiktini faktoriu. Y  vartotojo pajamos. kad paklausa q taip pat traktuojamas kaip atsitiktinis dydis. vadinami stochastiniais. Bet toki modeli sunku tirti jau vien del neapibreºto kintamuju skai£iaus. x1 .12 q T   ©   1 skyrius.2) galima nagrineti. vietos ir pan. arba didºiausi¡ itak¡ daran£ius kintamuosius. sakykime.  kiti faktoriai. Taigi. Del naturalaus neapibreºtumo. darantys itak¡ paklausai. . Gi noredami aprepti absoliu£iai visus faktorius itakojan£ius prekes paklaus¡. p0 .3) lygtimi apra²ome jo skirstini (lygybe tarp atsitiktiniu dydºiu suprantama kaip ju skirstiniu lygybe). Ekonometrijos principai q = f (p) E p Grakas 1. modeli: q = ψ(p. . Modeliai apra²omi lygtimis. pavyzdºiui. Tai koks gi galimas kompromisas tarp (1.2: Hipotetine paklausos priklausomybe nuo kainos paklausa priklauso nuo oro s¡lygu.2) modeliu? Labai paprastas. ε) arba q = ψ(p. p0 . . o likusius apra²yti vienu faktoriumi. o (1. T . vietoje (1. . . kai (1. ε. x1 .2) p0  kitu prekiu kainos. Y.1) ir (1. T ) + ε. Y. T . ivertinantis vartotojo prioritetus.

 deterministinis.  ekonometrinis. kaip taisykle. realusis banko kapitalas apra²omas tokiu tiesiniu stochastiniu modeliu: BK ∗ = a + ξBK + u. Situacij¡. vadinami ekonometriniais. apra²omas (1. kai u  atsitiktine paklaida (kai kas nuslepe tikr¡sias pajamas. o (1. 1. Fizikoje klasikines Niutono mechanikos modeliai yra deterministiniai. o ekonometriniai modeliai  stochastiniai. Taigi modelis. Net pats kurybinis procesas didºia dalimi priklauso nuo to. zikoje sukele revoliucij¡. apra²antys ekonominiu rei²kiniu bei procesu ry²ius. atspindintis nebalansines veiklos kapital¡. Ekonometriniai modeliai apra²o ne konkre£ias ekonominiu procesu ir ivairiu ekonominiu rodikliu reik²mes.3) modeliu apra²ome ne tikslias paklausos q reik²mes. Pavyzdºiui. bet tu reik²miu tikimybinius skirstinius. bet galima nustatyti jos buvimo vietos tikimybini skirstini. Klasikiniai ekonominiai modeliai. Pastebejimas. ar bandoma .3 Modeliavimo tikslai ir priemones Kaip taisykle ekonometrinis modelis kuriamas turint konkretu tiksl¡. ar siekiama paai²kinti duomenu generavimo mechanizm¡ (modeliuojami duomenys).. u  atsitiktine paklaida. yra ir kitu argumentu stochastinio-ekonometrinio modelio naudai. Taip (1. kai deterministiniai modeliai kei£iami stochastiniais. yra deterministiniai. ξ  banko akciju rinkos kurso ir ju nominaliosios vertes santykis (²is dydis yra atsitiktinis). £ia BK ∗  realusis banko kapitalas. kad neimanoma tiksliai nustatyti elementariosios daleles buvimo vietos. Tiksli priklausomybe Y = f (X) tarp ekonominiu faktoriu X ir Y daºnai negalima todel. ne visi respondentai buvo atviri ir pan.1. BK  balansinis kapitalas.1) formule. a  dydis. bet tu reik²miu tikimybinis skirstinys.3) formule. kad vietoje dydºio X (pvz. dydis X pats gali buti susij¦s su stochastiniu ekonominiu objektu elgesiu. ’iuo modeliu apra²omos ne tikslios banko realaus kapitalo reik²mes.) Be to. gaunamu pajamu) stebimas Z = X+u. bet tu reik²miu tikimybini skirstini. kuris gaunamas nusta£ius bendr¡ paklaidos u ir parametro ξ skirstini. Be minetojo. kiti  su ekonomines aplinkos objektu stochastiniu elgesiu. o kvantines mechanikos  stochastiniai. Vieni ju siejami su matavimu paklaidomis. nera nauja.3 Modeliavimo tikslai ir priemones 13 Stochastiniai modeliai.

kas nutiks padidinus akciz¡. Ju yra ivairiu.14 1 skyrius. G  egzogeniniai.J.). Egzogeninis  sukeliamas i²oriniu prieºas£iu. • i²ai²kinamos neºinomu parametru a priori galimos reik²mes. Ekonometrijos principai padeti politikams atsakant i klausim¡ kas jeigu (pavyzdºiui. ar patikrinti ekonomines teorijos kuri nors teigini konkre£iai ekonominei aplinkai (pavyzdºiui. Vienas i² svarbiausiu ºingsniu kuriant ekonometrini modeli yra kintamuju parinkimas3 .1) lygtimi apra²omas modelis yra statinis. Endogeninis  vidines kilmes. regresorius ir regresantus. (Tšš) (1. sukeliamas vidiniu prieºas£iu.t. Regresiniuose modeliuose egzogeniniai kintamieji dar vadinami regresoriais. (1. nes jame laikas 3 Labai idomiai ²i¡ problem¡ apra²o S. kuriu reik²mes nustatomos uº modelio ribu. Egzogeniniais vadinami tie modelio kintamieji. modelis kuriamas norint paai²kinti endogeniniu kintamuju elgesi. (1. Tada jie vadinami paai²kinan£iaisiais. ar norima prognozuoti ekonominiu rodikliu elgesi (pavyzdºiui. p0 .1).C. palukanu norm¡ ir t. Tiek deterministiniai. veiksniu. Granger (1999) . Bet kuriuo atveju. jei vienaip ar kitaip pertvarkysime mokes£iu politik¡ ir t.3) modelyje kintamieji p. BVP augimo tempus. tiek stochastiniai modeliai gali buti statiniai arba dinaminiai. (1. kas bus. Paprastai ekonometriniai kintamieji skirstomi i egzogeninius ir endogeninius. Endogeniniai kintamieji yra tie. kil¦s i² i²ores.3) modeliuose endogeninis kintamasis yra tik vienas  paklausa.t. • parenkama matematine modelio forma (modelis specikuojamas). paai²kinan£iuosius ir paai²kinamuosius. pradiniai ºingsniai kuriant ekonometrini modeli yra tokie: • nustatomi kintamieji. T.2) ir (1. kuriu reik²mes nustatomos modelio pagalba. Todel tie kintamieji dar vadinamai paai²kinamaisiais. (Tšš) Apskritai. Regresiniuose modeliuose paai²kinamieji kintamieji dar vadinami regresantais. Engelo ar Filipso kreiviu geometrij¡ Lietuvos ekonominei aplinkai ). kartais tie patys vadinami skirtingais vardais. Egzogeniniais kintamaisiai gali buti ir pavelinti laike endogeniniai kintamieji.).

Tyrimo metu buvo patikrinta naturali hipoteze: auk²tu tevu sunus auk²ti. labai auk²tu tevu sunus vidutini²kai yra auk²ti.5) ƒia fj : Rq → R. . d yra neºinomos funkcijos. Yt .4) modeli galima modikuoti. . t. Modeliai. . ºemu tevu sunus yra vidutini²kai ºemaugiai bet didesni nei ju tevai. (1. Ju prigimtis. . . kintam¡ji Yt−2 pakeitus kintamuoju qt−1 . . Bendrasis regresinis modelis su adytyvia4 paklaida apra²omas lyg£iu sistema Yj = fj (X1 . gali buti ivairi: gali 4 Analogi²kai galima nagrineti ir modelius su multiplikatyvia paklaida. ir atvirk²£iai. . = . Yt−1 . kaip jau mineta. . Taip. visada yra dinaminiai.4) ƒia indeksas t i²rei²kia atitinkamo dydºio reik²m¦ laiko momentu t. d.1 Regresiniai modeliai šodºio regresija kilme ai²kinama ²vedu mokslininku tyrimais. regresantu). . kuriuose yra pavelinti endogeniniai kintamieji. Dinaminiais modeliais tiriamas ekonominiu rei²kiniu kitimas laike.4) lygtimi apra²omas modelis yra dinaminis. bet jau ne tokie auk²ti kaip tevai ir atvirk²£iai. p0. . itak¡ prekes paklausai daro vartotojo pajamos ankstesniais laiko periodais (ºymekime Yt−1 . (1. Modelis. . Regresiniais modeliais apra²omas endogeniniu kintamuju (paai²kinamuju. simultaniniu lyg£iu ir laiko eilu£iu. . Xq ) + εj . . Gt ) + εt . Yj fj (X1 . sakykime tie kintamieji yra Y1 . X1 . Tt . .y. . Yd . tarkime. . εj ∈ R  atsitiktines modelio paklaidos. remiantis dinamine paklausos teorija. atliktais siekiant nustatyti tevu ugio nuokrypio nuo vidutinio ir ju suaugusiu vaiku ugio nuokrypio nuo vidutinio statistini s¡ry²i. (1.3 Modeliavimo tikslai ir priemones 15 nevaidina jokio vaidmens. .1. kuriame laikas vaidina svarbu vaidmeni. . pavyzdºiui. j = 1. . Xq atºvilgiu.3. vadinams dinaminiu. (1. Pavyzdºiui. . Ekonometrijoje i² esmes nagrinejami triju tipu modeliai: regresiniai. Todel paklausos modelis galetu buti ir toks: qt = f (pt . 1. . . Yt−2 . . elgesys egzogeniniu kintamuju (paai²kinan£iuju kintamuju arba regresoriu). . Kartu buvo pastebeta regresijos tendencija  sunu ugio regresija prie vidutinio. Labai daºnai dinaminiame modelyje egzogeniniais yra pavelinti endogeniniai kintamieji. Trumpai tuos modelius apºvelgsime. Yt−2 ) bei vyriausybes vykdoma kreditavimo politika (i²rei²kime j¡ dydºiu Gt ). j = 1. Xq )εj .t .

. Ekonometrijos principai atspindeti praleistus faktorius. bet ir galimus stochastinius s¡ry²ius tarp imties elementu. . . (1. T yra imtys. ε = (ε1 . . β)  ºinoma funkcija.7) ƒia εtj . . X = (X1 . netikslius matavimus. d ir Xi . . εT . j = 1. T. Xq )  egzogeniniu kintamuju vektorius. . εq )  modelio paklaidu vektorius. . . . . . T . . priklausanti nuo neºinomo parametro β ∈ Rp . . Tie s¡ry²iai gali kilti del ivairiu prieºas£iu. t = 1. T. . Parametrinis modelis rei²kia. . tai tu im£iu generavimo modelis yra Yjt = fj (X1t . t = 1. jei Yjt . t = 1. . Paprastai (1. . p. . .5) modeli patogu uºra²yti vektoriniu budu: Y = f (X) + ε. d. gaunamas tiesinis modelis. xq ). . (1. Tai yra. . . (1. . . . βp ). . Xit . Jie atspindi ne tik bendr¡ neapibreºtum¡. . f (·) = f (·.6) ƒia Y = (Y1 . . . . . fd (x1 . xq )) . . . . . . . . . . Atskiru atveju. . T. j = 1. . . (1. Jei x yra vektorius. Tai yra. . . . . Taigi bendrasis parametrinio vienos lygties regresinio modelio pavidalas yra Y = f (X. .8) Tolesni modelio specikavim¡ apsprendºia prielaidos funkcijai f bei modelio paklaidoms ε1 . kurie susieti (1. tai x  transponuotas vektorius arba vektorius-eilute. i = 1. . . ju agregavimu. . kai f yra tiesine funkcija parametru atºvilgiu. Pavyzdºiui. . . Pagal funkcijos f form¡ skiriami parametriniai ir neparametriniai modeliai.16 1 skyrius. . . Apra²ant modeli nustatomas ir atitinkamas duomenu generavimo mechanizmas. . . .9) kai f (·. (1. Yd )  endogeniniu kintamuju vektorius5 . Labai daºnai tai susij¦ su duomenu struktura. β = (β1 . . d  atsitiktiniai dydºiai. .5) modeliu. . surinkimo metodu ir pan. . t = 1. Xqt ) + εtj . β) yra ºinoma funkcija. f : Rq → Rd  neºinoma funkcija. f (x) = (f1 (x1 . atitinkan£ios kintamuosius Yj . . j = 1.7) sistema uºra²oma vektoriniu budu: Yt = f (Xt ) + εt . . . β) + ε. kad funkcij¡ f pilnai apra²o baigtinis parametru skai£ius. . . ²is modelis yra tiesinis: Y = BX + ε. t = 1. (1. . . . . .10) 5 Vektorius visada rei²kia vektoriu-stulpeli. prigimtin¦ kintamuju stochastik¡ ir pan.

ar pasiulos lygtis? Ekonomijos teorija teigia. . modelis vadinamas neparametriniu6 . kad nagrinejami ekonominiai dydºiai nustatomi visi vienu metu per pusiausvyros s¡lygas. i = 1. Pavyzdºiui. Veliau matysime.1. . . . nepakankamas norint statistikiniams s¡ry²iams suteikti ekonomin¦ prasm¦. d. panagrinekime regresini modeli.3 Modeliavimo tikslai ir priemones 17 ƒia B = (bij . . t = 1. . kad tiek paklausa. (1. Jei funkcijos f parametrizuoti negalima. kad tokie modeliai pasitaiko gana daºnai. Su jais susipaºinsime veliau.2 Simultaniniu lyg£iu modeliai Jei dauguma kitu modeliu. . technines (istatymines) lygtys ir elgsenos lygtys. . 1. paprastai yra adaptuoti statistikiniai modeliai. tiek kaina nusistato kartu rinkoje ir juos reikia nagrineti kartu kaip endogeninius kintamuosius.3. . . i kurias ieina endogeniniai bei paai²kinamieji kintamieji ir modelio paklaidos. Simultaniniu lyg£iu modeliai tai s¡ry²iai tarp ekonominiu rodikliu. tai simultaniniu lyg£iu modeliai yra saviti. . Tokiu budu (1.13) Kokia ²io modelio ekonomine prasme? Ar tai paklausos. j = 1. ’iuo atveju im£iu generavimo mechanizmas yra Yt = BXt + εt . Paprastai lygtys sudaran£ios simultaniniu lyg£iu modelius yra triju tipu: ekonomines tapatybes.11) Y = B log(X) + ε. . q) yra d × q matrica. . T. bet tai neieina i musu kurs¡. nagrinejamas izoliuotai. kuris apra²o nupirkto prekes kiekio ir jos kainos s¡ry²i laiko momentu t: qt = a + bpt + cZt + εt . . naudojamu ekonominiu duomenu analizei. . Modelio paklaidoms daºniausiai nagrinejami ivairus koreliaciniai s¡ry²iai. apra²omi lyg£iu sistemomis. . (1.12) kai log(x) = (log x1 . log xp ) . 6 Dar nagrinejami taip vadinamieji pusiauparametriniai modeliai.13) modelis. . T¡ savitum¡ s¡lygoja tai. Tiesiniu taip pat vadintume modeli (1.

. . Ekonometrijos principai • Ekonomines tapatybes. . t = 1.14) modeliu. kurie. εt ) = 0. (1. T yra atitinkamai endogeniniu kintamuju Y ir paai²kinan£iuju kintamuju X . Jei Yt .14) Y = (Y1 . darbo uºmokes£io fond¡ sudaro darbo laiko ir norminio (valandinio) uºmokes£io sandauga ir t. . . . Ju prigimti apsprendºia besikei£ian£ios technologijos arba besikei£ianti ekonomine aplinka. ε) = 0.14) yra lyg£iu sistema ir joje lyg£iu butinai turi buti tiek. £ia (1. X = (X1 .18 1 skyrius. . konkretaus produkto vartojimo funkcija priklauso nuo to. • Elgsenos lygtys. Todel tie modeliai ir vadinami simultaniniu lyg£iu modeliais. . Pavyzdºiui. Pavyzdºiui. T. . simultaneous rei²kia vykstantis. F = (F1 . .t. Simultaniniai modeliai turi tris formas: strukturin¦. . . . . kaip rmos atºvilgiu elgsis vartotojas arba koks yra bedarbystes lygis ir pan. . εd )  paklaidu vektorius. X. . . . tai ju generavimo mechanizmas apra²omas modeliu F (Yt . . . = 1.15) Tolesne specikacija atitinka funkcijos F parinkim¡ bei daromas prielaidas atsitiktiniams vektoriams εt . Bendras strukturinis simultaniniu lyg£iu modelis yra F (Y . T. . . kaip ir regresinio modelio 7 Angl. ε = (ε1 . . Reikia dar kart¡ atkreipti demesi i tai. redukuot¡ ir galutin¦. Xq )  paai²kinan£iuju kintamuju vektorius. . egzistuojantis vienu metu. pajamos apibreºiamos kaip suvartotu ir sutaupytu pinigu suma. . . kiek yra endogeniniu kintamuju. . simultanini7 kintamuju elgesi sistemoje. imtys. . Jomis apra²oma tam tikru individu elegsena ekonomineje aplinkoje. Xt . o pirmojo  ne. Yd )  endogeniniu kintamuju vektorius. . Pavyzdºiui. kad (1. t = 1. Funkcija F apra²o bendr¡. • Technines arba istatymines lygtys. Paprastai atrojo ir tre£iojo tipu lygtys yra stochastines. produkcijos gamybos lygtys susieja gamybin¦ medºiag¡ ir galutini produkt¡ atsiºvelgiant i technologij¡. Xt . susietu (1. Fd ) : R2d+q → Rd  neºinoma vektorine funkcija.

. Pavyzdºiui. taip ir simultaniniu lyg£iu modeliai yra parametriniai ir neparametriniai. . . tai jos sprendinys endogeniniu kintamuju atºvilgiu yra galutine modelio forma. tai gaunamas simultaniniu lyg£iu tiesinis modelis. . . t = 1. kuriame buvo 15 stochastiniu ir 5 nestochastines lygtys su 20 endogeniniu ir 14 egzogeniniu kintamuju.Yra ir dar didesniu modeliu. apiman£ios 19211941 ir 19461952 metus. Prie rekordiniu (kintamuju skai£iaus atºvilgiu) priskiriamas 1960 metu JAV ekonomikos modelis. kuriame buvo 176 endogeniniai ir 89 egzogeniniai kintamieji. . I² esmes visi makroekonometriniai modeliai turi pana²ius bazinius elementus: nacionaliniu pajamu apibreºim¡ (arba kelet¡ apibreºimu). . Abi minetos simultaniniu lyg£iu formos naudingos vertinant parametrus. Kaip regresiniai. . (1. Kuo daugiau makroekonomikos aspektu atspindi modelis. v). . modelis. vartojimo funkcij¡ (arba grup¦ tokiu funkciju). skai£iuojant ivairius ekonominius rodiklius ir pan. pavyzdºiui. apra²o ir galimus duomenu s¡ry²ius. 1972 metu industrijos modeli sudare 346 endogeniniai ir 90 egzogeniniu kintamuju. todel daºnai dar vadinami makroekonometriniais. . . t = 1. ΓYt + BXt = εt . . .3 Modeliavimo tikslai ir priemones 19 atveju. investiciju funkcij¡ (arba grup¦ tokiu funkciju): Y =C +I +G C = C(Y. . Jei funkcija F yra tiesine parametru atºvilgiu. Simultaniniu lyg£iu modeliai daugiausia naudojami makroekonomikos poreikiams. Prielaidos paklaidoms εt .15) lygti endogeniniu kintamuju atºvilgiu. kuriose buvo ²e²i endogeniniai ir keturi egzogeniniai kintamieji. Pirmieji pokariniai (vadinamieji JAV tarpukario ekonomikos (19211941 metu) Kleino modeliai) turejo tris stochastines ir tris nestochastines lygtis. T. tuo daugiau jame lyg£iu bei kintamuju. Γ = (γjl ) yra endogeniniu kintamuju koecientu nei²sigimusi d × d matrica. I = I(Y.16) ƒia. Ai²ku. . Jei modelis yra dinaminis. u). ²iuo modeliu noreta taip pat pademonstruoti i²augusi tuo laikotarpiu modeliu kurimo men¡. . T taip pat yra analogi²kos. Didel¦ itak¡ ekonometrijai turejo Kleino-Goldbergerio JAV ekonomikos. Redukuota modelio forma gaunama i²sprendus (1.1. o B = (bij )  egzogeniniu (arba pavelintu endogeniniu) kintamuju d × q matrica. .

t ∈ Z) ( vadinamasis baltasis triuk²mas) yra nepriklausomi standartiniai normaliniai atsitiktiniai dydºiai. autoregresiniai integruoti slenkan£io vidurkio modeliai ir t. ƒia T yra laik¡ atitinkanti parametru aibe. q) modeliu. y(T ). tarkime. . šinant paai²kinamuju dydºiu elgesi. N ar pan. y(2). Laiko eilute vadinama kokio nors dydºio. ir tai gali buti. menesiai. . Vietoje modelio. . Z. Prie tokiu modeliu priskiriami. galima prognozuoti ir tiriamuju dydºiu reik²mes. t ∈ T ). Stochastiniu laiko eilu£iu modeliai remiasi prielaida. pavyzdºiui. . šemo daºnumo duomenis 8 Stochastiniu procesu vadinamas atsitiktiniu dydºiu. Visai kita ideologija remiasi laiko eilu£iu modeliai. Laiko intervalai ekonomikoje daºniausiai buna metai. šemo. pavyzdºiui. Laiko eilutes (chronologiniai arba laiko aplinkybes) duomenys apra²o konkretu kintamaji skirtingais laiko momentais.t. Kiekybinai rodikliai i²rei²kiami skai£iais. slenkan£io vidurkio. ketvir£iai. vienama£iai laiko eilu£iu modeliai susieja tiriamo dydºio reik²m¦ dabartiniu laiko momentu su jo reik²memis ankstesniais laiko momentais ir triuk²mo dabartine bei ankstesnemis reik²memis.3.3 1 skyrius. . rinkinys. . vidutinio ir auk²to daºnumo laiko eilutes skiriasi laiko intervalo ilgiu.4 Ekonominiai duomenys Paprastai ekonometrine analize naudoja neeksperimentinius duomenis. apibreºtu vienoje tikimybineje erdveje. . suri²an£io tiriamo ekonominio kintamojo reik²mes su paai²kinamaisiais dydºiais. 1. y stebejimu laike seka y(1). Ekonometrijos principai Laiko eilu£iu modeliai Regresiniai ar simultaniniu lyg£iu modeliai susieja tiriamus egzogeninius kintamuosius su paai²kinamaisiais dydºiais. autoregresiniai. kad laiko eilute (y(1). . kad tie stebejimai yra generuoti stochastinio proceso8 (Y (t). sakoma. Laiko eilutes labai naudingos trumpalaikiam prognozavimui. tiek kokybinius ekonominius rodiklius. jei y(t) = φ1 y(t − 1) + · · · + φp y(t − p) + εt − θ1 εt−1 − · · · − θq εt−q .20 1. kai (εt . . Jie buna ivairiu tipu ir gali apra²yti tiek kiekybinius. Pavyzdºiui. y(T )) apra²oma ARMA(p.

). Vidutinio daºnumo  menuo. Pastarieji daºnai gaunami apra²ant kokybinius ekonominius rodiklius. O auk²to daºnumo  valandos.. Vietos aplinkybes duomenys apra²o konkretu kintamaji ksuotu laiko momentu. bet skirtingoms vietovems ar skirtingoms ru²ims. Yra keletas problemu. regionai ir t. apra²antys muitu politik¡) bei duomenys. Vietos aplinkybes laiko eilute apra²ys kintam¡ji tiek skirtingoms vietovems. vienam ²alies gyventojui tenkanti nacionaliniu pajamu dalis rinkos kainomis 19691972 metu laikotarpiu. knygos. Pavyzdºiui. Nemaºai problemu tiek vertinant modeli. kuo duomenu daºnumas didesnis. kad ekonominiai duomenys nera eksperimentiniai. Vietoves gali buti miestai. gautas naudojant laiko eilutes.4 Ekonominiai duomenys 21 atitinka ilgi laiko intervalai  metai. kad surinkti duomenys netures pakankamai informacijos. paprastesne forma ir t.1. visi dydºiai yra agreguoti. savaite. • Prekiu agregavimas. ketvir£iai. Pavyzdºiui. aptarnavimo sfer¡ ir pan. internetas. vertinant maisto prekiu paklausos priklausomyb¦ nuo bendruju pajamu. ’i problema atsiranda todel. Kur gauti duomenu? Tam naudojami biuleteniai. tiek ir skirtingais laiko momentais.t.t. Pirmoji  laisves laipsniu problema. tiriant i²laidas vartojimui. ºinoma. tuo didesni ju masyvai. i kurias ekonometristas visada privalo atsiºvelgti. minutes. tiek ji taikant kelia taip vadinamasis dydºiu agregavimas. sukurti ekonometristo (ktyvus). rajonai. Pavyzdºiui. istatyminiai (pavyzdºiui. Ai²ku. kad ivertintas pajamu elastingumas paklausai naudojant vietos aplinkybes duomenis yra didesnis nei ivertinimas. kad to paties modelio parametru ivertinimai gali skirtis naudojant skirtingo tipo duomenis. Duomenys dar yra: inºineriniai (duomenys apie techninius reikalavimus). tuo sudetingesni ju apdorojimo metodai. kurios pakaktu modelio ivertinimui.t. bendros gamybos apimtys yra atskiru apim£iu suma ir t. prekiu kainu ir kitu prekiu kainu. diena. Reikia pastebeti. o ru²ys priklauso nuo duomenu tipo. Gali atsitikti taip. visumines pajamos yra individualiu pajamu suma. Pavyzdºiui. • Individualiu dydºiu agregavimas. Galima apjungti ivairias plataus vartojimo prekes (naudojant indeksavim¡) arba prekiu grupes pagal kain¡. laikmenos. . susijusiu su duomenimis. Pavyzdºiui. Kartais ²iu dvieju tipu duomenys yra sumai²yti (vadinamieji mi²rus duomenys) arba paneliniai. Tokiais atvejais daºnai padeda modelio supaprastinimas (maºiau paai²kinamuju kintamuju. ²alys. galima i²skirti maisto produktus.

Atsiranda matavimu paklaidos ir tai i² esmes kei£ia modelio interpretavim¡. Tam butina i²siai²kinti agregavimo pobudºius. Ekonometrijos principai • Agregavimas laike. I  nereguliari¡ komponent¦. • Erdvinis agregavimas. Duomenu suglodinimas naudojamas siekiant pa²alinti trendus. kaip i²vengti kylan£iu problemu. ²aliu gyventojai. prie² jais naudojantis. Matavimo paklaidos. Bet koks duomenu suvidurkinimas gali duoti paklaidas. ²alimis ir t. Stebimi duomenys daºnai atitinka kit¡ laikotarpi nei tiriamasis periodas. sezoni²kum¡ S (apra²o cikli²k¡ pasikeitim¡ per vien¡ laiko period¡. tai laiko eiluteje xt e−at xt = cos(θt + φ) . daugelio vartojimo prekiu gamintoju produkcija sukomplektuojama per trumpesni nei metai period¡. Pavyzdºiui. Duomenys gali buti surinkti iki ir po akivaizdaus strukturinio pasikeitimo. Labai daºnai duomenis. Todel itraukus i kintamuju s¡ra²¡ abu ²iuos kintamuosius nei²vengsime kolinearumo problemos. Interpoliacija. yra priklausomi dydºiai. Pavyzdºiui. Todel naudojant dar ir metinius duomenis gali atsirasti paklaidos. paprastai metus). Labai svarbu moketi atskirti strukturinius pasikeitimus. Pavyzdºiui. reikia apdoroti. produkcija regionais. Paprastai bet kuri¡ laiko eilut¦ xt galime i²skaidyti i keturias pagrindines komponentes: trend¡ T (apra²o ilgalaik¦ tendencij¡). Tam tikras multikolinearumo lygis i² anksto uºprogramuotas tarp ekonominiu kintamuju. Multikolinearumo problemos. Duomenys gaunami netiksliai atlikus matavimus. kai yra praleistu stebejimu arba jei prognozuojame. Strukturiniai pasikeitimai. eksportas. galimus poveikius ir ie²koti budu. kad ekonominiu sistemu pasikeitimai laike vyksta labai letai. pajamos. sezoni²kumus ir pan.. importas ir pan. cikl¡ C (apra²o sinusini pasikeitim¡). Pavyzdºiui. miesto. Jos daºniausiai atsiranda todel. darbo vietos.t. Serijines koreliacijos problemos atsiranda naudojant laiko eilutes. kurias labai svarbu moketi ivertinti ir tirti.22 1 skyrius. o cikli²kumas  Ct = cos(θt + φ). vartojimas. Pvz. x = T · C · S · I. investicijos. iki karo ir po karo. ekstrapoliacija naudojama norint papildyti imtis. jei trendas Tt = eat . Kainos ir darbo uºmokestis turi tendencij¡ dideti kartu.

Kitas galimas budas  nagrineti logaritmu eilut¦: yt = f (t) + ut .1. tiek cikli²kumas yra pa²alinti. £ia f (t) apra²o reguliari¡ duomenu dali (log Tt + log Ct + log St .) .) o ut  stochastin¦ (ut = log It .4 Ekonominiai duomenys 23 tiek trendas.

Pavadinkime tai pajamu-i²laidu maistui (PIM) uºdaviniu. Tyrimo tikslas  atsakyti i tokius svarbius klausimus kaip. Tarkime. Daugelis ekonominiu vadoveliu rekomenduoja tiesini s¡ry²i tarp pajamu ir vidutiniu i²laidu maistui. arba 9 400 Lt. reikia i²siai²kinti s¡ry²i tarp namu ukio pajamu ir i²laidu maistui. kad mus domina tik tie namu ukiai.? Atsakymai i ²iuos ir pana²ius klausimus suteiktu reik²mingos informacijos tiems. pavyzdºiui.. nagrinesime paprast¡./men. Tai bus dydºio Y reik²mes. Egzogeninis kintamasis (regresorius. Atsitiktinai atrink¦ tokius namu ukius. Kol neuºdaveme klausimo . k¡ ²iame kontekste rei²kia vidutines i²laidos. jei pajamos padidetu. per metus. planuojant prekybos ta²ku i²destym¡ kuriame nors mikrorajone ir pan. . tarkime. Taigi norime nustatyti ry²i tarp kintamuju Y ir X . . kai X = 700. paai²kinantysis kintamasis)  namu ukio pajamos X . kuriu pajamos yra 700 Lt. 100 Lt/men. bet labai svarbu ekonomini uºdavini. . paai²kinamasis kintamasis)  namu ukio i²laidos maistui. kiekvieno i² ju turime paklausti: Kiek jusu namu ukis i²leidºia maistui ¾` Apklaus¦ visus atrinktus namu ukius (tarkime. k¡ ²iuo klausimu sako ekonomikos teorija.? • Ar gali vidutines i²laidos maistui sumaºeti didejant pajamoms? • Kokias vidutines i²laidas maistui galetume prognozuoti namu ukiams. gausime imti y1 . Uºdaviniui spr¦sti pirmiausia turime sudaryti ekonomini-matematini modeli. Paºymekime ji Y . yn . Tiriant dvieju ar daugiau dydºiu tarpusavio priklausomyb¦ nekyla jokiu problemu pasirenkant kintamuosius.1 Ekonominis uºdavinys Noredami i²siai²kinti pagrindinius regresinio modelio principus. Akivaizdu. kad dydis Y yra atsitiktinis. Pirmiausia paºiurekime. ju atrinkome n). kuriu menesio pajamos siekia 800 Lt/men. Daºniausiai jie yra savaime ai²kus. ²ie: • Kiek vidutini²kai padidetu i²laidos maistui. .2 skyrius. kurie priima sprendimus uºsakant maisto produktus prekybos tinkluose. Taip pat ir pajamu-i²laidu maistui uºdavinyje. Noredami susigaudyti situacijoje tarkime. Endogeninis kintamasis (regresantas. Pasiai²kinkime. Papras£iausias tiesinis regresinis modelis 2.

kad jame yra tik du neºinomi i²reik²tiniai parametrai. kad X = 700. per menesi.1) Ta£iau visada reikia prisiminti. Bet kuri suskai£iuota statistine charakteristika bus s¡lygine su s¡lyga. Galime suskai£iuoti statistin¦ dispersij¡ arba statistini kvadratini nuokrypi. kai ksuotos pajamos X = x. yn ? Galime suskai£iuoti vidutin¦ reik²m¦ y = n−1 (y1 + · · · + yn ). Toliau tarkime. (2. (2. kad tai tik rekomendacija. K¡ galime daryti su imtimi y1 . kai ksuotos pajamos. kad taip gausime s¡lygin¦ vidutin¦ i²laidu maistui reik²m¦ su s¡lyga. Nors duomenu vizualizavimas labai svarbus etapas parenkant modeli. Musu ºymejimais E(Y |X = x) = β1 + β2 x. Apibendrin¦ tuos samprotavimus matome. kuri teorijoje priimta ºymeti µY |700 = E(Y |X = 700). kai turimi duomenys blogai atspindi ²i¡ prielaid¡. Negalima ie²koti modelio tik turimiems duomenims. kuriu pajamos siekia 800 Lt. kad bendru atveju galime kalbeti apie s¡lygini vidurki µY |x = E(Y |X = x)  vidutines i²laidas maistui. . kad X = 700. Analogi²kai elgdamiesi surasime s¡lyginio vidurkio µY |800 = E(Y |X = 800) statistini iverti µY |800 ir t. . tol neºinome jo reik²mes. . Tai teorinio s¡lyginio vidurkio. Ekonomikos teorija kaip tik rekomenduoja pabandyti tiesin¦ vidutiniu i²laidu maistui.t. Galime nusipai²yti histogram¡ ir tai bus s¡lygine histograma su s¡lyga. statistinis ivertinimas µY |700 . β1 vadinamas laisvuoju nariu (intercept) ir apra²o vidutines i²laidas maistui tu namu ukiu. ∆x dx . priklausomyb¦ nuo pajamu.1) modelis patrauklus pirmiausia tuo. kuriu menesio pajamos yra nulines (x = 0) (apie t¡ parametr¡ dar bus kalbama). . reikia ie²koti kitokiu funkciniu priklausomybiu. Parametras β2 vadinamas marginaliniu polinkiu i²leisti maistui ir apra²o vidutiniu i²laidu maistui pasikeitim¡ pajamoms pakitus vienu litu: β2 = ∆E(Y |X = x) dE(Y |X = x) = .1 Ekonominis uºdavinys 25 ir nei²girdome atsakymo. Tais atvejais. Daºnai tai galima nesunkiai pastebeti atvaizdavus duomenis. ta£iau labai piktnaudºiauti tuo negalima. kad X = 700. K¡ ji rei²kia? Nesunku suprasti. kad tiriame tik tuos namu ukius.2.

Papras£iausias tiesinis regresinis modelis E(Y T |X = x)           β1 + β2 x E x Grakas 2. kad ²iame modelyje yra tik vienas regresantas X .4) Tai ir yra papra²£iausias tiesinis regresinis modelis.26 2 skyrius. kad bet kuri atsitiktini dydi Y (kurio dispersija yra baigtine) galima i²skaidyti Y = E(Y |X) + ε. Ta£iau tuo ekonometrinio . Atsitiktinis dydis ε = Y − E(Y |X) yra ortogonalus X ta prasme. kad Eε = 0 ir EεX = 0. s¡lyginis atsitiktinio dydºio Y vidurkis dydºio X atºvilgiu.2) ƒia ε yra toks atsitiktinis dydis. nes EεX = E(Y − E(Y |X))X = EY X − EXE(Y |X) = EY X − EXY = 0.1: Tiesine vidutiniu i²laidu priklausomybe nuo pajamu 2.2 Ekonometrinis modelis Priminsime. Jei Y yra atsitiktinis dydis su baigtine dispersija σ 2 = EY 2 −(EY )2 . Papra²£iausias todel. tai Y = E(Y |X) + (Y − E(Y |X)) = E(Y |X) + ε. Klasikine regresijos teorija remiasi tuo. kad EεX = 0.2) sudarome regresini modeli: Y = β1 + β2 X + ε. (2. (2.3) Taip specikav¦ tiesin¦ vidutiniu i²laidu maistui priklausomyb¦ nuo pajamu ir atsiºvelg¦ i (2. Paai²kinsime tiksliau. kad E(Y |X) yra atsitiktinis dydis.1) s¡ry²i galime perra²yti taip: E(Y |X) = β1 + β2 X. (2. (2.

Grubiai ²nekant. kartu teigiame. Tam bus skirtos atskiros paskaitos.6) E(Yt |Xt ) = β1 + β2 Xt su visais t = 1. X). T gauta stebint por¡ (Y. Tradici²kai. . YT nari traktuojame kaip atsitiktini dydi. . Kaip jau mineta.2 Ekonometrinis modelis 27 modelio kurimas dar nesibaigia. jos yra tokios. tai Yt = β1 + β2 Xt + εt + (a − a) = (a + β1 ) + β2 Xt + (εt − a) = β1 + β2 Xt + εt ir Eεt = E(εt − a) = 0. . kad i²laidu maistui ir pajamu s¡ry²is yra apra²omas (2. . su visais t = 1. . • Nuliniu vidurkiu prielaida. . . . . (2. Mat. Ta£iau ekonomine prasme atliekant toki¡ transformacij¡ ai²kiai kei£iasi. surinkimo metodik¡ ir pan. (2. X2 ) ir t.t. jei paklaidomis apra²ome praleist¡ informacij¡. kaºkokiu budu atrinkti namu ukiai. Xt ). . Kaip surenkami duomenys. antrojo  (Y2 . Ji rei²kia. X1 ).2. Tam reikalingi duomenys. .4) formule. kad Eε1 = · · · = EεT = 0. kuriems buvo uºduodami du klausimai. . Todel nenulini vidurki butinai reikia ivertinti. daromos paklaidoms (εt ). T. ƒia gi tarkime. Kitaip tariant. • Kiek jusu namu ukis i²leidºia maistui per menesi? • Kokios yra jusu namu ukio menesio pajamos? Pirmojo namu ukio atsakymai yra (Y1 . Toliau reikes ivertinti parametrus. tai paklaidu vidurkis apibudina vidutini praleistos informacijos kieki. Prielaida apie triuk²mo nulini vidurki nera esmine. . Jie atspindi duomenyse slypin£ius neapibreºtumus. . .5) modelio atveju ²i prielaida ekvivalenti (2. Jei tarsime. . kad imtis (Yt . . kad atitinkamas imties generavimo modelis yra Yt = β1 + β2 Xt + εt . kiekvien¡ imties Y1 . jie dar vadinami modelio triuk²mu. Kitu ºingsniu reikia apra²yti duomenu generavimo mechanizm¡. . εT yra atsitiktiniai dydºiai. . paklaidomis. £ia nediskutuosime. inovacijomis. T. O tai atitinka s¡lyginio vidurkio specikavim¡.5) ƒia ε1 . . Tolesn¦ modelio specikacij¡ apsprendºia prielaidos. . t = 1. Tardami. kad Eεt = a su visais t.

t. . . Vienas i² svarbiausiu argumentu. εT yra nepriklausomi ir εt ∼ N (0. kad modelio paklaidos yra Gausines.28 2 skyrius. . kodel ekonometrinis modelis yra i² esmes stochastinis yra duomenu surinkimo stochasti²kumas (i² baigtines populiacijos atsitiktinai parenkami respondentai). Tariame. kad (2. 2 2 2 Jei dispersija σt = Eε2 priklauso nuo t ir σt = σs kuriems nors t = s. charakterizuoja atsitiktinio dydºio reik²miu i²sibarstym¡ apie vidurki. tai ir yra homoskedastinis atvejis. ε1 . ε2 . T. . t. (2. T. kai t = s. . .y. kad a. kaip ºinia. 2. T. . εT turi nulinius vidurkius ir yra nekoreliuoti. kai t = s. var(Y |X = 480) rodo. (2. σ 2 ) su kiekvienu t = 1.7) var(Yt |Xt ) = E(Yt − E(Yt |Xt ))2 |Xt = σ 2 su visais t = 1.8) Tai taip pat rei²kia. Labai daºnai tariama.9) P (Yt ≤ x|Xt ) = P (N (β1 + β2 Xt . . σ 2 ) ≤ x). . . t tai sakome. . Nagrinejamame pavyzdyje. Eεt εs = 0. . . Jei tas i²sibarstymas visai nepriklauso nuo pajamu. Atsitiktiniai dydºiai ε1 . . t Egzogeninio kintamojo terminais tai rei²kia. . . . ’iuo atveju duomenys turi s¡lygini Gausini skirstini. ε2 . .d. Ys ) = 0. Dispersija. . kuriu pajamos yra 480 Lt. Todel darant koreliacines prielaidas paklaidoms butina tureti omeny duomenu surinkimo mechanizm¡. εT turi nulini vidurki Eεt = 0 ir pastovi¡ dispersij¡ σ 2 = var(εt ) = Eε2 su visais t = 1. kad modelis yra heteroskedastinis. .y. Papras£iausias tiesinis regresinis modelis • Homoskedasti²kumo prielaida. x ∈ R. • Nekoreliuotu paklaidu prielaida. . Atsitiktiniai dydºiai ε1 . . . . Juos smulkiau nagrinesime penktame skyriuje. kaip gali skirtis i²laidos maistui nuo vidutiniu i²laidu maistui tu namu ukiu. . • Gausinio triuk²mo prielaida. kad duomenu surinkimo mechanizmas duoda nekoreliuotus duomenis: cor(Yt .

30 548.60 Pajamu i²laidu maistui duomenys Pirmiausia duomenis patartina atvaizduotus gra²kai (ºr.94 107.94 126.80 100.94 98.30 607.00 659. Yt = β1 + β2 Xt + εt .89 166. .30 1154. Xt ).40 543.47 115.70 1014. Tarkime.98 207.75 104.10 918. kad duomenys i² esmes neprie²tarauja tiesiniam modeliui. 2.90 125.14 123.23 119.30 734.30 343.30 611.51 108.10 929. . dar kart¡ konkretizuokime modeli.70 141.30 810.00 467.13 Xt 258. T generavimo mechanizmas yra ²is: 1.03 168.11 84.48 98.80 720.3 Parametru ivertinimas Sudarius ekonometrini modeli reikia ivertinti jo parametrus.43 269.79 119.70 564. Pajamu-i²laidu maistui modeliui turime surink¦ ²iuos duomenis.80 151.20 704.50 519.03 Xt 719.28 139. Taigi.70 496.20 631. Stebinio I²laidos Pajamos N r.57 92.40 112.10 425.2.23 129.84 117.20 818.25 58. Tam naudojame turimus duomenis.00 918.40 742.60 833.00 1141.80 t 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 Yt 98.00 722. I² grako matome.3 Parametru ivertinimas 29 2. maistui per sav.50 747. .60 664.13 182.90 487. .50 825.60 951.06 215. .25 115.33 169. t = 1. Stebinio N r.21 122.50 482.70 763. t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Yt 52.2 grak¡).30 834. I²laidos Pajamos maistui per sav.60 588.48 181.00 704.30 591.51 100/08 127.30 722.32 81. imties (Yt .31 146.92 82.90 227.46 121.

3. . 2. Suskai£iav¦ abieju pusiu vidurkius randame 2 EXt Yt = β1 EXt + β2 EXt + EXt εt .i²laidu maistui duomenys 2.30 Y T 200 150 100 50 2 skyrius. T . EYt = β1 + β2 Xt ). . jei s = t. kaip ivertinti i²reik²tinius modelio parametrus (PIM modelyje koecientus β1 ir β2 ). Yra daugybe budu. var(εt ) = σ 2 = var(Yt |Xt ). cov(εt . Ys ) = 0. .2: pajamu . 5. Papras£iausias tiesinis regresinis modelis • • • • • • • • • • • • • • • • • • • 200 300 400 500 600 700 800 900 1000 1100 E X Grakas 2. Eεt = 0 (arba. εs ) = cov(Yt .3. ekvivalenti²kai.1 Kovariaciju principas Tiesiniame regresiniame modelyje abi puses padaugin¦ i² Xt turime atsitiktiniu dydºiu lygyb¦ 2 Yt Xt = β1 Xt + β2 Xt + εt Xt su kiekvienu t = 1. Xt = c su kiekvienu t. . . 4.

.3. k=1 Taigi.11) 2.2. sudarome sistem¡ EY = β1 + β2 EX EY X = β1 EX + β2 EX 2 . EXt Yt = EXY bei 2 EXt = EX 2 . Kaip ºinome.2 Maºiausiu kvadratu principas Nagrinekime bet kuri¡ ties¦ y = a + bx. Ta²kuose Xt tos tieses reik²mes yra a + bXt . o ju nuokrypis nuo atitinkamu endogeninio kintamojo reik²miu yra |Yt − (a + bXt )|. XY = T k=1 T 2 Xk . I²sprend¦ ²i¡ sistem¡ randame β2 = EXY − EXEY . EX 2 − (EX)2 Parametru iver£ius gauname i ²ias i²rai²kas istat¦ atitinkamu dydºiu statistikinius iver£ius. X 2 − (X)2 XY − X · Y β1 = Y − X . atsitiktinio dyºio vidurkio m(X) = EX statistikinis ivertinimas yra aritmetinis vidurkis 1 m(X) = X = T T Xk . X 2 − (X)2 XY − X · Y (2. EX 2 − (EX)2 β1 = EY − EX EXY − EXEY .10) (2. vidurkius EX ir EY ivertiname atitinkamai X ir Y . vidurki EXY  dydºiu T 1 Xk Yk . k=1 o vidurki EX 2  dydºiu X2 = 1 T Taip gauname ²iuos parametru β1 ir β2 ivertinimus: β2 = .3 Parametru ivertinimas 31 Kadangi EXt εt = 0 su kiekvienu t ir EXt = EX .

X 2 − (X)2 XY − X · Y . . . kad gaunamu nuokrypiu kvadratu suma butu maºiausia.12) (2. . kurie papras£iausio tiesinio regresinio modelio atveju sutampa su gautais kovariaciju metodu: . Papras£iausias tiesinis regresinis modelis Y Yt T • |Yt − a − bXt | Ys $ $$$ $$ $$ $$$ $ $$$ $$$ • $$ a + bX |Ys − a − bXs | E Xt Xs X Grakas 2. Taigi. jog regresoriaus reik²mes negali buti vienodos (Xt ≡ c su visais t = 1.b t=1 (Yt − (a + bXt ))2 . . .). b) = t=1 (Yt − (a + bXt ))2 minimumo ta²k¡ surasti nesunku. irapskai£iuotieji parametru ivertinimai netenka prasmes. kam reikejo prielaidos. Funkcijos T f (a. Taip gaunamai parametru β1 ir β2 ivertinimai. β2 ivertinimas yra T (β1 . . β2 ) = argmin a. T. β1 = Y − X X 2 − (X)2 β2 = XY − X · Y (2.13) I² formuliu matyti. tai X 2 − (X)2 .3: Maºiausiu kvadratu principo paai²kinimas Maºiausiu kvadratu principo esme  parinkti ties¦ a + bx taip. Jei Xt = c su visais t = 1. . . parametru β1 . . T .32 2 skyrius.

kad ivertinimas yra formule. pajamu-i²laidu maistui uºdavinyje surandame parametru β1 ir β2 iver£ius: β2 = 40 · 3834936.3 Parametru ivertinimas 33 I gautas (2.13) formulemis yra atsitiktiniai dydºiai. Ju reik²mes nera ºinomos. Y T 200 150 100 50 • •  • •     •  • Y = 40.3 Iver£iu interpretacija Kai parametru iver£iai surasti. gauta i ivertinim¡ ista£ius reik²mes.497 − 27920 · 5212. juos galime interpretuoti sprendºiamo ekonominio uºdavinio kontekste. nepriklauso nuo konkre£ios imties reik²mes.4: Ivertintas i²laidu pajamu modelis Dar kart¡ pabre²ime. O formules apra²o tu parametru ivertinimus ir ai²ku.1283. Tai labai svarbu.7676.3. kol nesurinkti duomenys arba kol neturime konkre£ios imties realizacijos.12) ir (2. Ivertis  konkreti parametro reik²me. tiek β1 . tiek β2 apra²yti atitinkamai (2. suskai£iuotas naudojant duot¡j¡ imti.8 + 0.12) ir (2. Taigi.1283 yra parametro β2 .520 = 0.13X •  • • • • •  • • •  •   •  • • E X 200 300 400 500 600 700 800 900 1000 1100 Grakas 2.13) i²rai²kas istat¦ konkre£ias imties reik²mes gausime parametru β2 ir β1 iver£ius. 40 · 21020623. Naudodami lenteles duomenis. Reik²me β2 = 0.2. kuria pasinaudoj¦ galime suskai£iuoti konkre£ius iver£ius.02 − (27920)2 β1 = 40. 2.

Daugelyje ekonominiu modeliu reikia buti labai atsargiems interpretuojant laisvojo nario reik²m¦. Supermarketu vadybininkas. Vadinasi.83 Lt daugiau maisto prekiu. o EX ir EY pakeisti atitinkamai X ir Y . kiek padideja savaitines i²laidos maistui. Svarbiausia problema yra ta. gav¦s informacij¡ apie galim¡ pajamu padidejim¡ 100 Lt gali tiketis parduoti uº 12. kiek vidutini²kai i²leidºia maistui namu ukis. kad daºniausiai nera pakankamai duomenu arti nulines reik²mes. kad ekonominio dydºio y elastingumas kito ekonominio dydºio x atºvilgiu yra η = η(y|x) = dy x y procentinis pasikeitimas = · . x procentinis pasikeitimas dx y Vidutiniu i²laidu maistui elastingumas pajamu atºvilgiu yra η= dE(Y ) X · . Jis rei²kia. kai pajamos padideja vienu litu. Jei neturime pakankamai stebejimu arti nulines reik²mes. grieºtai kalbant. Priminsime. butu labai rizikinga tai suprasti paraidºiui. kurio pajamos yra nulines. . Y η = 0. tai yra. Tai labai svarbi informacija ilgalaikiam planavimui.83 Lt. Butent taip yra uºdavinyje apie pajamas ir i²laidas maistui. jei pajamos padides 100 Lt per savait¦.34 2 skyrius. Nors nagrinejamame pajamui²laidu maistui pavyzdyje ivertintas modelis ir sako kad namu ukiai su nulinemis pajamomis vidutini²kai maistui i²leidºia 40. E(Y ) Noredami ivertinti vidutini elastingum¡ Eη . tai ir ivertinimas gali buti nepakankamai tikslus.7676 yra parametro β1 ivertis. parametr¡ β2 galime pakeisti jo iver£iu β2 .687. kad i²laidu maistui priklausomybe nuo pajamu apra²oma tiesiniu modeliu. gali blogai atspindeti tiriamo regiono padeti. tai X η = β2 . Papras£iausias tiesinis regresinis modelis ivertis ir parodo. Taigi. Skai£ius β1 = 40.7676 Lt per savait¦. dX E(Y ) Jei tariame. tai vidutini²kai i²laidos maistui padides 12. vidutiniu i²laidu maistui elastingumo pajamoms ivertinimas yra η = β2 Nagrinejamame uºdavinyje randame X .

2.3

Parametru ivertinimas

35

’is elastingumo ivertis rodo, kad savaitinems namu ukiu pajamoms pakitus 1%, vidutines i²laidos maistui padides apytikriai 0.7%. Kai elastingumas yra maºesnis uº vien¡, i²laidos maistui klasikuojamos kaip butinos, o ne kaip prabangos dalykas. Pagaliau, turedami ivertint¡ modeli, galime daryti tam tikras prognozes. Tarkime, mus domina i²laidos maistui tu namu ukiu, kuriu pajamos yra 750 Lt per savait¦. Tiesiniu modeliu toki¡ prognoz¦ galime gauti istat¦ x = 750 i ivertint¡ modeli. Gausime

Y = 40.7676 + 0.1283(750) = 136.98.
Taigi prognoze tokia: namu ukiai, kuriu pajamos yra 750 Lt per savait¦, maistui vidutini²kai i²leidºia 136.98 Lt per savait¦.

2.3.4

Paklaidos dispersijos ivertinimas

Vienas svarbiausiu papras£iausios tiesines regresijos parametru yra paklaidu dispersija σ 2 . Paprastai ²is parametras yra neºinomas. Todel ir ji reikia ivertinti. Jei Eεk = 0, tai

σ 2 = Eε2 . k
Prisimin¦, kad vidurkio ivertinimui daºniausiai naudojamas imties empirinis vidurkis, galetume manyti, kad σ 2 galima vertinti aritmetiniu vidurkiu T −1 ε2 . Ta£iau i² to iver£io nebutu naudos, nes imties (εk ) neturime (dyk dºiai εk nestebimi!). Bet turime tos imties ivertinim¡  regresijos liekanas, kurios yra εk = yk − yk = yk − β1 − β2 Xk , k = 1, . . . , T. Todel atrodo labai logi²ka neºinom¡ dispersij¡ ivertinti dydºiu T −1 ε2 . k Bet taip gautume paslinkt¡ ivertinim¡. Laimei, t¡ defekt¡ nesunku i²taisyti, imant 1 σ2 = ε2 . T −2 t t Skai£ius 2, kuris guruoja vardiklyje, atspindi i²reik²tiniu modelio parametru skai£iu, kuris papras£iausios tiesines regresijos atveju yra 2. PIM modeliui suskai£iuojame

σ2 =

54311.3315 = 1429.2456. 38

36

2 skyrius.

Papras£iausias tiesinis regresinis modelis

2.4

Maºiausiu kvadratu ivertinimu savybes

Tarkime, turime imti (Yt , Xt ), t = 1, . . . , T , atitinkan£i¡ dydºius (Y, X). Nagrinesime klasikini tiesini regresini modeli (KTM), kuris apra²omas ²iomis prielaidomis: A1. Yt = b1 + b2 Xt + εt , t = 1, . . . , T ; A2. Eεt = 0, t = 1, . . . , T ; A3. var(εt ) = σ 2 > 0, t = 1, . . . , T ; A4. cov(εt , εs ) = 0, jei t = s, t, s = 1, . . . , T ; A5. stebejimai Xt yra deterministiniai, ir Xt = const, t = 1, . . . , T. Jei, be i²vardintu (A1)  (A5) s¡lygu, dar teisinga A6. εt ∼ N (0, σ 2 ), t = 1, . . . , T, tai sakysime, kad imtis (Yt , Xt ) tenkina klasikini tiesini gausini (KTG) modeli. Parametru ivertinimai, gauti tiek kovariaciju metodu, tiek maºiausiu kvadratu metodu yra:

β2 =

, X 2 − (X)2 XY − X · Y β1 = Y − X . X 2 − (X)2

XY − X · Y

(2.14) (2.15)

Ivertinimai yra atsitiktiniai dydºiai. Konkre£ios ju reik²mes priklauso nuo konkre£ios imties realizacijos. Svarbu nustatyti bendras tu ivertinimu savybes, nepriklausan£ias nuo konkre£ios imties. Taigi nagrinedami gautus ivertinimus kaip atsitiktinius dydºius, turime atsakyti i tokius klausimus:

• Kokios yra ivertinimu papra²£iausios charakteristikos: vidurkiai, dispersijos, kovariacijos ir pan.? • Kaip palyginti kovariaciju metodu gautus ivertinimus su ivertinimais gaunamais kitais metodais?
’iame skyrelyje ir bandysime pirmiausia atsakyti i ²iuos klausimus.

2.4

Maºiausiu kvadratu ivertinimu savybes

37

2.4.1

Vidurkines savybes

Parametro β2 ivertinim¡ patogu i²reik²ti tiesine forma
T

β2 = β2 +
t=1

wt εt ,

(2.16)

kai

wt =

Xt − X , t = 1, . . . , T. 2 i (Xi − X)

Noredami i²vesti ²i¡ formul¦, pirmiausia isitikiname, kad

β2 =

(Xt − X)(Yt − Y ) . (Xt − X)2

Tai visai nesunku patikrinti. Pastebej¦, kad, sumuodami dydºiu nuokrypius nuo aritmetinio vidurkio, visados gauname nuli, t.y.

(Xt − X) = 0,
i²vedame

β2 =

(Xt − X)Yt − Y (Xt − X) = (Xt − X)2 (Xt − X)Yt = wt Yt . (Xt − X)2

Galiausiai vietoje Yt istatome β1 + β2 Xt + εt . Taigi

β2 = β1 β2 +
nes

wt Yt = wt + β2 wt εt ,

wt (β1 + β2 Xt + εt ) = wt Xt + wt εt =

wt = 0,
o

(2.17)
2 Xt − X 2 Xt − X

wt Xt =

(Xt − X)Xt = (Xt − X)2

Xt = 1. Xt

(2.18)

jo vidurkis bus nenulinis.38 2 skyrius. Jei teisingos tiesinio regresinio modelio prielaidos. β2 ) = (Xi − X)2 Pirmiausia i²veskime ²ias formules. Taigi tuo atveju ir ivertinimas bus paslinktas. Taigi var(β2 ) = = var(β2 + 2 wt var(εt ) wt εt ) = var( +2 wt εt ) [nes β2 yra konstanta] = = σ2 Dabar aptarkime ²ias formules. Pirmiausia tuo isitikiname skai£iuodami vidurki: E β2 = β2 + wt Eεt = β2 . Pavyzdºiui. t=s wt ws cov(εt . Tai tik viena medalio puse. εs ) = 0] 2 wt = P . kad εt apra²o ir praleistus faktorius. Prisiminus. (Xt −X)2 [nes cov(εt .21) σ2 . Nepaslinktumas dar nerei²kia.20) (2. Tai yra ir atitinkamo tikimybinio skirstinio i²sibarstymo matas. taip bus. kad skai£iuodami ivertinimu vidurkius i² esmes panaudojome klasikinio tiesinio regresinio modelio prielaidas. nes Eεt = 0 su kiekvienu t. Skai£iuodami β2 dispersij¡. (Xi − X)2 −σ 2 X . ir ivertinimas β1 yra nepaslinktas. Taigi. cov(β1 .16) i²rai²ka. Jei jos neteisingos. ivertinimas gali ir nebuti nepaslinktas. kad ivertinimas yra geras. jei praºiopsojome kaºk¡ svarbaus. (Xi − X)2 (2. Kita puse  variacijos ir kovariacija.19) (2. Atsitiktinio dydºio variacija apra²o vidutini kvadratini nuokrypi nuo vidurkio. Vadinasi. Tuo pasinaudoj¦ suskai£iuojame ir ivertinimo β1 vidurki: E β1 = E(Y − β2 X) = β1 + β2 X − Eβ2 X = β1 . tai var(β1 ) = σ 2 var(β2 ) = T Xi2 . maºiausiu kvadratu metodas duoda nepaslinkt¡ parametro β2 ivertinim¡. jei Eεt = 0. εs ) 2 var(ε ) wt t σ2 . ƒia reikia atkreipti demesi. Papras£iausias tiesinis regresinis modelis Gauta β2 i²rai²ka labai naudinga. pasinaudojame (2.

Kuo ji didesne. tuo tikslesne informacija apie parametrus.21) i²rai²koje taip pat yra dydis (Xt − X)2  egzogeninio kintamojo reik²miu nuokrypiu nuo vidurkines reik²mes kvadratu suma. Tai paai²kina s¡lyg¡. kuri¡ slepia duomenys apie parametrus β1 ir β2 . tuo didesnes ir iver£iu variacijos apie vidurki. 2 4. (2. kovariacijos ºenklas yra prie²ingas vidurkio ºenklui. t t=1 ’is dispersijos ivertinimas yra nepaslinktas: Eσ 2 = σ 2 . Tai visai naturalu. kai egzogeninis kintamasis X = 0. Intuityviai tai yra suvokiama. Kuo didesne suma Xt tuo didesne β1 dispersija. jei dispersija σ 2 didesne. 3. Vadinasi. Kovariacijos i²rai²koje yra dydis X. tai dispersijos tampa begalines.4 Maºiausiu kvadratu ivertinimu savybes 39 1.19)  (2. 2. Kuo didesne dispersija. kad dispersijos σ 2 ivertinimas yra σ2 = 1 T −2 T ε2 . Vadinasi. tuo maºesnes dispersijos.2. Be to. Kuo didesnis imties turis T.19). geriau tureti daugiau duomenu. Priminsime. Jei Xt = c su visais t.21) i²rai²ku. Kodel taip yra? Parametras β1 apra²o endogeninio kintamojo reik²mes. 5. (2. Kaip matyti i² (2. Jei X ≥ 0. O tai rei²kia didesni neapibreºtum¡. slypinti duomenyse. didejant tieses β1 + β2 x laisvajam nariui β1 . Rei²kia. Noredami tai irodyti pasinaudosime regresijos liekanu apibreºimu ir para- . Kiekvienoje (2. visur ieina parametras σ 2  paklaidu dispersija. kuo toliau nuo tos reik²mes yra Xt tuo sunkiau interpretuoti parametr¡ β1 ir dar sunkiau ji tiksliai ivertinti. maºeja polinkio kecientas β2 . kuo didesnis egzogeninio dydºio reik²miu i²sibarstymas apie vidurki.20). Informacija. Tai nesunku paai²kinti. tuo maºesni tie dydºiai. yra skurdesne. tai.

E(β1 − β1 )εt = E(β2 − β2 )Xεt − E(Y − β2 X − s εs − Y + β2 X)εt = Eεt s εs = −σ 2 T.22) surink¦ k¡ suskai£iavome.24) (2.40 2 skyrius. β2 )X + T var(β1 ) + var(β2 ) 2 E(β1 − β1 )εt + 2 E(β2 − β2 )Xt εt . 2 t (Xt − X) 54311. gauname Xt t s E(β2 − β2 )Xt εt = − Liko suskai£iuoti ws Eεt εs = −σ 2 t Xt wt = −σ 2 .22) Kadangi β2 = β2 + wt εt .25) PIM modelyje σ2 (Xi − X)2 −σ 2 X cov(β1 . (Xi − X)2 . gauname Eε2 = t 2 σ 2 Xt + 2 t (Xt − X) Xσ 2 + T σ2 − (Xt − X)2 t 2σ 2 (X)2 − 2σ 2 − σ 2 = (T − 2)σ 2 .3315 = 1429. galime gauti ir parametru ivertinimu dispersiju ir kovariacijos ivertinimus: σ2 = var(β1 ) = σ 2 var(β2 ) = T Xi2 (Xi − X)2 (2. β2 ) = . Papras£iausias tiesinis regresinis modelis metru ivertinimais: Eε2 = t E(Yt − Yt )2 = E[(β1 − β1 ) + (β2 − β2 )Xt + εt ]2 = E(β1 − β1 )2 + E(β2 − β2 )2 2 2 E(β1 − β1 )εt + 2 2 Xt + Eε2 + t E(β2 − β2 )Xt εt + E(β1 − β1 )(β2 − β2 )Xt = 2 Xt + T σ 2 + 2cov(β1 . (2.18) lygyb¦. tai atsiºvelg¦ dar i (2.23) (2.2456 38 Turedami dispersijos ivertinim¡. I (2.

kuriu dispersijos butu maºiausios.2456 = 490.0009326 = 0. parametru β1 ir β2 ivertinimai yra tiesine Y1 . Be to. o θ  jo ivertinimas.0305.2456 = −0.) Klasikinio tiesinio regresinio modelio.6510.2 Gauso-Markovo teorema Kaip mateme. . −698 cov(β1 . (Gauso-Markovo. . maºiausiu kvadratu ivertinimai .1200 = 22. . Tam tikslui reikia suskai£iuoti regresijos liekanas.26) Gautus rezultatus pritaikykime PIM modeliui. β2 ) = 1429. parametru β1 ir β2 maºiausiu kvadratu ivertinimai turi maºiausi¡ dispersij¡ tarp visu tiesiniu nepaslinktu ivertinimu.1387. YT komT binacija: β2 = t=1 wt Yt . turi buti i²pildytos (A1)(A5) s¡lygos.0009326. Teorema neteigia. Jei bent viena i² ju yra neteisinga. 1532463 2. tie ivertinimai yra nepaslinkti: E β1 = β1 . tokius ivertinimus jau radome. (2. netgi nebutinai tiesinius ar nepaslinktus. √ 1532463 se(β2 ) = 0. Lygindami ivertinimus. tai labai svarbi charakteristika yra vidutinis kvadratinis nuokrypis: M ISE = E(θ − θ)2 . Tokie ivertinimai vadinami tiesiniais. Galime spr¦sti toki optimizavimo uºdavini: tarp visu tiesiniu nepaslinktu parametru β1 ir β2 ivertinimu rasti tuos. 1 teorema. Jei θ  koks nors parametras. 40 · 1532463 √ se(β1 ) = 490.2456 var(β2 ) = = 0. Atlik¦ aritmetinius veiksmus gauname: 2102063 var(β1 ) = 1429. daºniausiai naudojame vidutini kvadratini nuokrypi. kad maºiausiu kvadratu ivertinimai yra geriausi i² visu galimu. . apra²omo (A1)  (A5) prielaidomis. T¡ sako Gauso-Markovo teorema.4 Maºiausiu kvadratu ivertinimu savybes 41 Daºniau naudosime dydºius se(β1 ) = var(β1 ) ir se(β2 ) = var(β2 ).1200. Kad galiotu Gauso-Markovo teorema.2. 1429.4. Bet pasirodo. E β2 = β2 .

kad at = wt + ct su kiekvienu t. Patogumo delei tarkime. t (wt + ct )2 2 wt + σ 2 = σ2 2 wt + 2σ 2 c2 = σ 2 t c2 t = var(β2 ) + σ 2 ƒia pritaikeme lygyb¦ wt ct = 0.27) i²vada: ct (Xt − X) = (Xt − X)2 X ct Xt − (Xt − X)2 wt ct = 1 (Xt − X)2 ct = 0.27) ∗ Pritaikius ²ias s¡lygas. Suskai£iuojame ct + β2 + β2 ct Xt + (wt + ct )Eεt ∗ Eβ2 = β1 = β1 ct + β2 + β2 ct Xt . Tarkime T ∗ β2 = t=1 at Yt yra koks nors tiesinis parametro β2 ivertinimas. ∗ Tam. (2. . savo ruoºtu. Irodymas.42 2 skyrius. butinai turi buti teisingos ²ios s¡lygos ct = 0 ir ct Xt = 0. kuri. wt Xt = 1 (ºr. Ji palengvina dispersijos skai£iavim¡. Taigi ∗ β2 = (wt + ct )Yt = (wt + ct ) + β2 ct + β2 + β2 (wt + ct )(β1 + β2 Xt + εt ) (wt + ct )Xt + ct Xt + (wt + ct )εt = β1 = β1 nes. wt = 0 o vidurki (wt + ct )εt . ƒia at yra bet kokie skai£iai. supaprasteja ir ivertinimo β2 i²rai²ka: ∗ β2 = β2 + (wt + ct )εt .18) formules). yra (2. (2. Turime ∗ var(β2 ) = (wt + ct )2 var(εt ) = σ 2 wt ct + σ 2 c2 ≥ var(β2 ). kad ivertinimas β2 butu nepaslinktas.17) ir (2. Gauso-Markovo teorema nepriklauso nuo Gausi²kumo prielaidos. Papras£iausias tiesinis regresinis modelis nebus geriausi tiesiniai nepaslinkti ivertinimai. Teorem¡ irodysime tik ivertinimui β2 .

Pana²iai teorem¡ irodome ir parametro β1 maºiausiu kvadratu ivertinimui.4. tai atsitiktinis dydis n ξk turi k=1 2 taip pat normalini skirstini su vidurkiu a = ai ir dispersija σ 2 = σi . . . tirdami tiesinio regresinio modelio parametru ivertinimus.3 Ivertinimu tikimybiniai skirstiniai Iki ²iol. . T. . Kadangi β2 = T wi Yi ir i=1 2 wi Yi ∼ N (wi (β1 + β2 Xi ). tai (2. . (Xk − X)2 2 σ 2 Xk D ∼ N β1 . Dabar tarkime. Klasikinio tiesinio gausinio modelio atveju parametru β1 ir σ2 . σ 2 2 wi . . jei atsitiktiniai dydºiai ξ1 .y. t. wi σ 2 ). . .29) Irodymui reikia pastebeti. .4. Tai yra. 2 Kadangi wi = 0 o i wi = 1/ Analogi²kai irodome ir (2. D tai T β2 = i=1 wi Yi ∼ N D wi (β1 + β2 Xi ).29). kad modelio paklaidos turi normalini skirstini su nuliniu vidurkiu ir dispersija σ 2 . Tuomet teisingas toks teiginys. . kad var(β2 ) = var(β2 ) vieninteliu atveju  kai ∗ ct = 0 su visais t. ξn yra nepriklausomi ir ξi turi normalini skirstini 2 su vidurkiu ai ir dispersija σi . .1 teiginys. . nesirememe Gausi²kumo hipoteze.4 Maºiausiu kvadratu ivertinimu savybes 43 ∗ I² irodymo taip pat matyti. . nagrinekime tiesini regresini Gausini modeli. 2.28) yra teisinga. Bet tuo atveju β2 = β2 . . T (Xk − X)2 (2. β1 D 2. kad nepriklausomu (arba nekoreliuotu) normaliniu atsitiktiniu dydºiu tiesine kombinacija yra normalinis dydis. (Xi − X)2 . n. i = 1. β2 maºiausiu kvadratu ivertinimu skirstiniai yra: β2 ∼ N β2 ..2.28) (2. kai i = 1.

Tada reikia naudoti jos iverinim¡.31) D ’ios formules maºai naudingos jei dispersija σ 2 neºinoma.1 Pasikliautiniai intervalai 2.2 teiginys. 1). σ 2 ). 2.29) gauname. −1/2 β1 D (2. kad (Xi − X)2 T 1/2 β2 1/2 − β2 σ ∼ N (0.5.5 Statistikinis tyrimas Ekonometrinio modelio statistikini tyrim¡ sudaro • pasikliautiniu intervalu parametrams nustatymas. Dispersijos ivertinimo skirstini apra²o ²is teiginys. i² (2. kad σ −1 (ξ − a) ∼ N (0. 2.30) (Xi − X)2 2 Xt − β1 σ ∼ N (0.28) ir (2. Klasikinio tiesinio gausinio modelio atveju τi = βi − βi se(βi ) ∼ t(T −2) . Su ²iais uºdaviniais susipaºinsime nagrinedami papras£iausi¡ regresini modeli ir pajamu-i²laidu maistui pavyzdi. (2. 2. 1). i = 1.5. D . 2. Papras£iausias tiesinis regresinis modelis D D Pasinaudoj¦ tuom.44 2 skyrius.4. kai ξ ∼ N (a. Tai kei£ia ir gaunamos statistikos skirstini. T D ’i teigini irodysime veliau.1 teiginys. • hipoteziu apie parametru reik²mes tyrimas. KTG modelio dispersijos σ 2 maºiausiu kvadratu ivertinimui teisinga: (T − 2)σ 2 σ2 ∼ χ2 −2 . 1).

Kitaip tariant. kad atsitiktinis dydis τ2 turi Stjudento skirstini su T −2 laisves laipsniais. atitinkanti reik²mingumo lygmeni α (kuris daºniausiai parenkamas 0.32) Atsitiktinis intervalas [β2 − tc se(β2 ). β2 + tc se(β2 )] vadinamas intervaliniu parametro β2 ivertinimu. matome. f (s) T α/2 ' d ‚ d −tc 1−α E   ©   α/2 0 tc E s Grakas 2. tai gautas skaitinis intervalas vadinamas (1−α)×100% intervaliniu β2 iver£iu arba (1−α)×100% simetriniu pasikliautinumo intervalu. (2. Stjudento atsitiktinio dydºio t(T −2) kritine reik²me tc . P (−tc ≤ t(T −2) ≤ tc ) = 1 − α.05. . kad P (−tc ≤ arba β2 − β2 se(β2 ) ≤ tc ) = 1 − α P (β2 − tc se(β2 ) ≤ β2 ≤ β2 + tc se(β2 )) = 1 − α. Kai dydºiai β2 ir se(β2 ) yra konkre£ios reik²mes. β2 +tc se(β2 )] turi tikr¡j¡ parametro β2 reik²m¦.2.5 Statistikinis tyrimas 45 Dydis τk labai reik²mingas kalbant tiek apie intervalines prognozes. Gautas (2. kad su tikimybe 1−α intervalas [β2 −tc se(β2 ).5: Stjudento skirstinio kvantiliai šinodami.32) s¡ry²is rei²kia.01 arba 0. ar koks kitas maºas skai£ius) randama i² lygties P (t(T −2) > tc ) = P (t(T −2) ≤ −tc ) = α/2. tiek ir tikrinant hipotezes.

kad su tikimybe 0. 2. Nuline hipoteze H0 .02. Bet kuris intervalinis ivertis gali tureti. Alternatyvi hipoteze H1 . pavyzdºiui. bet gali ir netureti tikrosios parametro reik²mes. Paprastai kartu su nuline hipoteze yra formuluojama ir alternatyva jai. tai yra kita hipoteze.5. 0.024se(β2 ) ≤ β2 ≤ β2 + 2. Taigi P (β2 − 2. Ar β2 priklauso ²iam intervalui? ’ito neºinome ir niekad neºinosime. kurios tikrinamos. prielaidos. daºniausiai susijusios su ekonominio modelio parametrais. Tiksliau pasakius. Turint ekonomini ar statistikini modeli. nes ta reik²me apskritai yra neºinoma. PIM modelyje pajamos neturi jokios itakos i²laidoms maistui. Jei ²i hipoteze teisinga. kuri yra imtyje. I²laidu maistui pavyzdyje T = 40. šymima H0 .1900]. H0 : β2 = 0. Tad kokia gi nauda i² intervalinio iver£io? Galima tikrai pasakyti.2 Hipoteziu apie parametru reik²mes tikrinimas Hipotezes patikrinimas palygina prielaid¡ apie tiriam¡ rei²kini su informacija. 0. 4. Papras£iausias tiesinis regresinis modelis Su intervaliniu ivertinimu ir intervaliniu iver£iu reikia buti atsargiems.95. Parink¦ α = 0. nulinei hipotezei H0 : β2 = 0 galimos trys alternatyvos: . šymima H1 .0666. hipotezes formuojamos apie ekonomini elgesi.0666. kad naudodami t¡ pa£i¡ procedura daug kartu. Jokiu budu negalima tvirtinti. Noredami gauti intervalini iverti. gauname 95-nuo²im£iu pasikliautini interval¡ [0. tai. tikroji parametro reik²me priklausys intervalui.1283 ir se(β2 ) = 0. Mat intervalas yra deterministinis. Tarkime. Kiekvien¡ hipotezes patiktrinim¡ sudaro keturi ingredientai: 1.1900]. 3. 2. Atmetimo arba kritine sritis. Istat¦ ²ias reik²mes.024se(β2 )) = 0.95 tikroji β2 reik²me priklausys intervalui [0. Nuline hipoteze.46 2 skyrius. i² lenteliu randame kritin¦ reik²m¦ tc = 2. Paprastai apra²o kuri¡ nors parametro reik²m¦. suskai£iuojame β2 = 0. vidutini²kai 95 nuo²im£ius kartu. Pavyzdºiui. Testine statistika. o tvirtinimas butu stochastinis.0305.05. Tos hipotezes susiveda daºniausiai i prielaidas apie modelio parametrus. Alternatyvi hipoteze.

nes labai daºnai ekonomikos teorija leidºia nustatyti parametro ºenkl¡. kai teisinga nuline hipoteze. testines statistikos suskai£iuota reik²me pateko i maºos tikimybes sriti. turi atsispindeti testineje statistikoje (imties funkcijoje). kuri¡ imtis suteikia apie tiriam¡ nulin¦ hypotez¦. Kritine arba atmetimo sritis. Toki¡ sriti galime sukonstruoti tik tada. Pavyzdºiui. t. Vienas svarbiausiu reikalavimu testinei statistikai yra tas. Nagrinekime PIM modeliui nulin¦ hipotez¦ H0 : β2 = 0 ir alternatyv¡ H1 : β2 = 0. . Pastebesime. ar ne.y. • H1 : β2 < 0. Tai ir butu viena i² galimu testo statistiku. tai jos skirstinys jau nebutu stjudento su T − 2 laisves laipsniais. jog i²laidos maistui dideja. tai τ= ∼ tT −2 . mat. ir tas skirstinys turi buti kitoks. PIM modelyje alternatyvi hipoteze kaip tik ir butu H1 : β2 > 0. kad statistikos skirstinys yra butent tas. β2 = 0. Kad butu ai²kiau. • H1 : β2 > 0. Informacija. jei nuline hypoteze nera teisinga. panaudojus turim¡ imti. statistika τ= β2 − β2 se(β2 ) β2 se(β2 ) ∼ tT −2 . Prakti²kai kritin¦ sriti sudaro tokios statistikos reik²mes. Testine statistika. nusprendºiame. Jei. kai teisinga nuline hipoteze. tai maºai tiketina. kai ºinome testines statistikos skirstini su s¡lyga. kai atmetama nuline hipoteze alternatyvos naudai. kurios igyjamos su maºa tikimybe.2. kad teisinga nuline hipoteze. nes ekonomikos teorija ai²kiai teigia. kad jos skirstinys turi buti ºinomas (bent apytikriai). kad ekonomi²kai labiau pagrista yra alternatyva β2 > 0. Tai tokia testines statistikos reik²miu sritis. Jei teisinga nuline hipoteze. Klasikinio tiesinio gausinio modelio atveju. Tokios alternatyvos labai daºnai pasitaiko ekonometrijoje.5 Statistikinis tyrimas 47 • H1 : β2 = 0. darome i²vad¡. Tai eliminuoja bet koki¡ neigiamu reik²miu galymyb¦. Remdamiesi testines statistikos reik²memis. Atmet¦ nulin¦ hipotez¦ alternatyvos naudai. vel panagrinekime PIM modeli ir testo statistik¡ t= β2 se(β2 ) ∼ tT −2 . kai teisinga alternatyva. didejant pajamoms. ar atmesti nulin¦ hipotez¦.. kad parametras β2 yra teigiamas.

Kitaip tariant. atmetimo sritis yra stjudento skirstinio uodegos. Jei testines statistikos reik²me patenka i kritin¦ sriti.01. patenka i kritin¦ sriti. 4.6: Kritine sritis nulinei hipotezei β2 = 0 su alternatyva β2 = 0. kad duomenys neprie²tarauja nulinei hipotezei. Apibreºiame nulin¦ hipotez¦ ir alternatyvas. kai teisinga nuline hipoteze.48 2 skyrius. tai sakome. suskai£iuota duotai im£iai. Papras£iausias tiesinis regresinis modelis Kritin¦ sriti randame parink¦ reik²mingumo lygmeni α. kad ta reik²me nera budinga statistikai. Parenkame reik²mingumo lygmeni α ir surandame kritin¦ sriti. Taigi tikrindami statistikin¦ hipotez¦ atliekame ²iuos ºingsnius: 1. Jei konkreti statistikos reik²me. 0. I² lyg£iu P (t ≥ tc ) = P (t ≤ −tc ) = α/2 randame kritin¦ reik²m¦ tc . nulines hipotezes H 0 : β2 = 0 atmetame H0 : β2 = 0 priimame H1 : β2 = 0 neatmetame atmetame H0 : β2 = 0 priimame H1 : β2 = 0 α/2 α/2 d d ‚ −tc 0 tc     © E Grakas 2. 2. kuris paprastai imamas lygus 0. 3. tai rodo. .10.05 arba 0. Suskai£iuojame testines statistikos reik²m¦ turimai im£iai. nulin¦ hipotez¦ atmetame alternatyvos naudai. kai teisinga nuline hipoteze. Jei testines statistikos reik²me nepatenka i kritin¦ sriti. Nustatome testin¦ statistik¡ ir jos skirstini.

bet sprendimas priimtas j¡ atmesti (I ru²ies klaida). tai toks s¡ry²is imanomas. klasikinis tiesinis gausinis modelis nerodo jokio ekonominio s¡ry²io tarp pajamu ir i²laidu maistui per savait¦.05. 2.2. • Nuline hipoteze klaidinga. Pritaikykime ²iuos ºingsnius i²laidu maistui modelyje. Ar hipoteze atmetama. Nuline hipoteze yra H0 : β2 = 0. ir sprendimas yra j¡ atmesti. Jei teisinga alternatyva.024 ir jis atitinka stjudento skirstinio su 38 laisves laipsniais 0. Teisingi sprendimai bus ²iais atvejais: • Nuline hipoteze klaidinga. I²vados.5 Statistikinis tyrimas 49 5. Testine statistika t= kai teisinga nuline hipoteze. I² turimu duomenu surandame t = 4. 3. Bet kurioje hipoteziu tikrinimo situacijoje yra du budai padaryti teising¡ sprendim¡ ir du budai suklysti. Padarome i²vadas. • Nuline hipoteze teisinga. Kadangi t = 4.21. Priimtas sprendimas bus klaidingas. visada yra galimybe suklysti. Antriosios ru²ies klaidos tikimybe yra nekontroliuojama ir jos negalima suskai£iuoti. I ir II ru²iu klaidos.024. ar ne. 4. 1. ir sprendimas yra jos neatmesti. β2 se(β2 ) ∼ t(T −2) . jei • Nuline hipoteze teisinga. Atmesdami nulin¦ hipotez¦ rizikuojame padaryti pirmosios ru²ies klaid¡. Kritinis ta²kas tada yra tc = 2. alternatyva  H1 : β2 = 0. Pirmos ru²ies klaidos tikimybe yra α  reik²mingumo lygmuo. Jei teisinga nuline hipoteze. Rizikuojame padaryti antros ru²ies klaid¡ neatmesdami nulines hypotezes kai ji klaidinga. bet nuspr¦sta jos neatmesti (II ru²ies klaida).025-kvantili. tai nulin¦ hypotez¦ atmetame alternatyvos naudai. Toks testas dar vadinamas parametro β2 reik²mingumo testu (nustatome ar parametras yra reik²mingas.20 > tc = 2. Parinkime α = 0. 5.. ar ne). šinomi tokie faktai: . Tai nei²vengiama.

Kai ji dideja. kuri butu galima taikyti visiems atvejams. tos statistikos reik²me. . tai nulin¦ hipotez¦ atmetame alternatyvos naudai. tuo maºesne antros ru²ies klaidos tikimybe. jei tos reik²mes artimos. neegzistuoja paties geriausio testo.y. daºnai pateikiamos taip vadinamos testo p-reik²mes. Jei nuline hipoteze yra β2 = 0 ir tikroji to parametro reik²me labai artima nuliui. maºeja antrosios ru²ies klaidos tikimybe. Jei p-reik²me yra maºesne uº pasirinkt¡ reik²mingumo lygmeni α. Bendresnes hipotezes. Apra²ant statistikinio testo rezultatus. o τ . tai dvipuse p-reik²me yra P (|t| ≥ |t|). tuo didesne antrosios ru²ies klaidos tikimybe. o antrosios  maºiausia. Jei testo statistika yra τ . • Kuo didesnis imties turis T. Tai yra maºiausia tikimybe. atitinkanti imti. Testo p-reik²mes. kad to testo pirmosios ru²ies klaidos tikimybe yra ksuota. kad testas neturi pakankamai galios atskirti tikrosios parametro reik²mes nuo (klaidingos) hipotetines. H1 : ƒia c i² anksto duotas skai£ius.50 2 skyrius. β2 = c. Geriausias £ia rei²kia. Tokios hipotezes patikrinimui KTG modelio atveju galime naudoti statistik¡ τ= β2 − c se(β2 ) . nuo pirmos ru²ies klaidos tikimybes.000155. Taisykle yra paprasta. Bendresne nuline hipoteze gali buti tokia: H0 : o alternatyva β2 = c. PIM modeliui p = 0. galime nustatyti ar atmesti nulin¦ hipotez¦. Papras£iausias tiesinis regresinis modelis • Antrosios ru²ies klaidos tikimybe priklauso nuo pasirinkto reik²mingumo lygmens α. Galima sakyti. Lygindami reik²mingumo lygmeni α su p-reik²me. • Beveik jokiai hipotezei. kuri¡ tenka tikrinti ekonomistams. su kuria vis dar nepriimtume nulines hipotezes. jei ksuotas reik²mingumo lygmuo. tai antros ru²ies klaidos tikimybe bus labai didele. t. • Kuo hipotetine parametro reik²me yra ar£iau tikrosios reik²mes.

Parinkime α = 0. Nuline hipoteze H0 : β2 = 0. . kurio vidurkis yra nulis. 2.1 se(β2 ) ∼ t(38) . dispersija lygi σ 2 ir kuris nekoreliuoja su ε1 . Turedami tiesini regresini modeli. β2 − 0.024. apra²om¡ (A1)(A5) prielaidomis.6. 4. 2.9263. . Atitinkama stjudento skirstinio kritine reik²me yra tc = 2. jei |t| ≥ tc arba jei tos statistikos p-reik²me yra maºesne nei pasirinktas reik²mingumo lygmuo.05. p-reik²me p = 0. kintamojo Y reik²me. εT .1.1. tai turimi duomenys nulinei hipotezei neprie²tarauja. . £ia ε0 yra atsitiktinis dydis. 1.0305. Testine statistika τ= jei teisinga nuline hipoteze. Kadangi t = 0. D 3. yra Y0 = β1 + β2 X0 + ε0 . .1283. alternaryva  H1 : β2 = 0.6 2. se(β2 ) = 0. PIM modeliui patikrinkime hipotez¦.2. ’ioje lygybeje pakeit¦ neºinomus parametrus ju . Tarp hipoteziu tikrinimo ir pasikliautinuju intervalu yra labai naturalus s¡ry²is.05.6 Prognozavimas regresiniu modeliu 51 Jei teisinga nuline hipoteze. kad reik²mingumo lygmeni galima dar maºinti. Naudodami turimus duomenis suskai£iuojame β2 = 0.024. Statistikos reik²me yra t = 0.9263 < tc = 2.1 Prognozavimas regresiniu modeliu Ta²kine prognoze Vienas i² svarbiausiu motyvu nagrineti ekonometrini modeli yra galimybe prognozuoti priklausomo kintamojo Y reik²mes. kad β2 = 0. Nulin¦ hipotez¦ atmetame. 5.3601 > α = 0.1. Tai rei²kia. atitinkanti paai²kinamojo kintamojo reik²m¦ X = X0 . Be to. tuomet ta statistika turi stjudento skirstini su T − 2 laisves laipsniais.

kad prognozavimo vidutine paklaida yra nuline arba kad Y0 yra nepaslinktas Y0 ivertinimas.52 2 skyrius. T (Xt − X)2 I² variacijos i²rai²kos matome. Taikydami maºiausiu kvadratu ivertinimu savybes. . o neºinom¡ paklaid¡  vidutine reik²me (nuliu). nesunkiai gauname. paprastai nagrinejama prognozes paklaida f = Y0 − Y0 = (β1 − β1 ) + (β2 − β2 )X0 − ε0 . tuo didesne paklaidos variacija. Jei modelis yra Gausinis. gauname Y0 prognoz¦ Y0 = β1 + β2 X0 . Tai rei²kia. Papras£iausias tiesinis regresinis modelis ivertinimais. galime suskai£iuoti ir prognozes dispersij¡: (X0 − X)2 1 var(f ) = σ 2 1 + + . siekiant pabreºti parametru ivertinimo pasirinkt¡ metod¡. kad. kuo labiau X0 nutol¦s nuo vidurkio X . kad prognozes paklaidos vidurkis yra nulis: Ef = E(Y0 − Y0 ) = 0. Y T Y0             Y = β1 + β2 X  •  X0 E X Grakas 2. Norint i²tirti prognozes empirines savybes. Be to. tai ir prognozes paklaida turi normalini skirstini.7: Ta²kine prognoze Gauta reik²me dar vadinama maºiausiu kvadratu ta²kine prognoze.

pakeit¦ neºinom¡ dispersij¡ σ 2 ivertinimu σ 2 : var(f ) = σ 2 1 + 1 (X0 − X)2 + . kai kalbesime apie intervalin¦ prognoz¦. . gausime Y0 = 40. ’itas dydis bus panaudotas veliau.6 Prognozavimas regresiniu modeliu 53 Kadangi modelio paklaidu dispersija yra neºinoma. Jei modelis buvo KTG.2. tai neºinoma ir prognozes variacija. 1). Tos prognozes variacijos ivertis yra var(f ) = 1467. T (Xt − X)2 Vadinasi. f var(f ) ∼ N (0.2 Intervalinis prognozavimas Ta²kines prognozes Y0 = β1 + β2 X0 paklaida yra atsitiktinis dydis f = Y0 − Y0 = (β1 − β1 ) + (β2 − β2 )X0 − ε0 . Jos ivertinim¡ gauname. T (Xt − X)2 Kvadratine ²aknis i² gautos reik²mes vadinama standartine prognozes paklaida: se(f ) = var(f ). atitinkan£ias 750 Lt menesines pajamas. o standartine prognozes paklaida se(f ) = √ 1467.4986 = 38.6. tai f turi normalini skirstini su nuliniu vidurkiu ir dispersija (X0 − X)2 1 var(f ) = σ 2 1 + + .3079.1283(750) = 136. 2. I²laidu maistui modelyje prognozuodami vidutines i²laidas maistui.4986.7676 + 0.98.

44 Lt ir 214. kad. kad namu ukis. kad yra praleisti kiti faktoriai.44. . galime sukonstruoti dydºio Y0 intervalin¦ prognoz¦. P (t(T −2) > tc ) = α/2. Intervalas [Y0 − tc se(f ). Istat¦ vietoje t(T −2) atsitiktini dydi i² (2.52].33) formules.33) Remdamiesi ²iuo rezultatu. Tai galetu reik²ti. Tai rei²kia. kai X0 = 750 yra [59. 214. kurio savaites pajamos yra 750 Lt su 95 nuo²im£iu patikimumu maistui i²leis tarp 59. I² to intervalo pavidalo ai²kiai matyti. ir tie faktoriai sudaro didel¦ paklaid¡. turime P (−tc ≤ I² ²ios formules gauname Y0 − Y0 ≤ tc ) = 1 − α.y. atitinkanti lygmeni α. itakojantys i²laidas maistui.52 Lt.54 2 skyrius. Jei tc yra stjudento skirstinio t(T −2) kritine reik²me. Papras£iausias tiesinis regresinis modelis Kadangi paklaidos f variacijos i²rai²koje yra σ 2 . kuo Y0 reik²me labiau nutolusi nuo vidurkio Y .8 grak¡). se(f ) P (Y0 − tc se(f ) ≤ Y0 ≤ Y0 + tc se(f )) = 1 − α. tai P (−tc ≤ t(T −2) ≤ tc ) = 1 − α. Toks didelis intervalas rei²kia. Taip gauname ir dispersijos iverti var(f ) = σ 2 1 + Tada (X0 − X)2 1 + . tuo didesnis prognozes intervalas (ºr.98 Lt maisto i²laidoms yra nereali. (2. Apie praplest¡ modeli bus kalbama veliau. ji reikia pakeisti iver£iu. Y0 + tc se(f )] vadinamas Y0 (1 − α)100%-ine intervaline prognoze. 2. kuris daºniausiai nera ºinomas. PIM modelyje 95%-ine intervaline prognoze dydºiui Y0 . kad ta²kine prognoze 136. T (Xt − X)2 f var(f ) = f se(f ) ∼ t(T −2) . t.

2.7

Ekonometrinis tyrimas

55

Y

T

Y     

   

 

 

 

X

X E

Grakas 2.8: intervalinis prognozavimas

2.7

Ekonometrinis tyrimas

Kol kas susipaºinsime tik su determinacijos koecientu ir jo panaudojimu modelio atitikimo tyrimui. Taip pat aptarsime funkcionalines modelio formos parinkim¡.

2.7.1

Determinacijos koeficientas

Vienas i² svarbiausiu ekonometrines analizes tikslu  paai²kinti endogeninio dydºio variacij¡. Sudarydami modeli siekiame ir ²io tikslo. PIM pavyzdyje namu ukio i²laidos maistui kinta pagal modeli

Yt = β1 + β2 Xt + εt .
ƒia atskirta pagrindine prieºastis  pajamos, o visi kiti galimi faktoriai atspindimi dydºiu εt . Tardami, kad Eεt = 0, kartu tariame, kad vidutines i²laidos maistui, kai pajamos ksuotos, yra

E(Yt |Xt ) = β1 + β2 Xt .

56

2 skyrius.

Papras£iausias tiesinis regresinis modelis

’is s¡lyginis vidurkis apra²o sistemin¦ kintamojo dydºio Yt komponent¦ β1 +β2 Xt , o εt yra atsitiktine to dydºio komponente. Ne viena i² sudedamuju daliu nera stebima, ta£iau, pasitelk¦ turimus duomenis, abi jas galime ivertinti. Butent, ivertin¦ parametrus β1 ir β2 gauname

Yt = β1 + β2 Xt ,
ir

εt = Yt − Yt .
Dydºiai ε1 , . . . , εT vadinami modelio liekanomis. Taigi

Yt = Yt + εt .
I² abieju pusiu atem¦ empirini vidurki Y , gauname

Yt − Y = (Yt − Y ) + εt .

Y
Yt

T

paai²kinta dalis

b Yt − Y

Y $$ $$

$$$ $$$

$$$

$$ $$$ $$ b

b b b Y = β1 + β 2 X

Yt − Y

nepaai²kinta dalis

E X Xt X

Grakas 2.9: Paai²kinta ir nepaai²kinta Yt komponentes

Nesunku matyti, kad skirtumas tarp Yt ir vidurkio Y susideda i² tos dalies, kuri¡ paai²kina regresinis modelis, t.y. Yt − Y ir dalies, kuri lieka nepaai²kinta (ºr. 2.9 grak¡). Pilnoji variacija yra dydis
T

T SS :=
t=1

(Yt − Y )2 ,

2.7

Ekonometrinis tyrimas

57

£ia Y = T −1 T Yt . Pilnoji variacija apra²o dydºio Y stebimu reik²miu t=1 nuokrypiu nuo vidutines reik²mes didum¡. Y pilnoji variacija yra
T

RSS :=
t=1

(Yt − Y )2 .

Jeigu modelis buvo parinktas teisingai ir ivertinimo metodas geras, tai turetu buti T SS ≈ RSS arba RSS/T SS ≈ 1. Santykis RSS/T SS apra²o t¡ egzogeninio kintamojo reik²miu pilnosios variacijos dali, kuri¡ paai²kina ekonometrinis modelis. ’is santykis vadinamas determinacijos koecientu arba charakteristika R2 . Taigi

R2 =

RSS = T SS

T t=1 (Yt T t=1 (Yt

− Y )2 − Y )2

.

(2.34)

Visi ekonometriniai paketai butinai pateikia R2 reik²m¦. Artimas vienetui R2 yra modelio privalumas. Bet spekuliuoti tokiu metodu modelio kokybei nustatyti nederetu. Nagrinekime parametru maºiausiu kvadratu ivertinimus. Tada

(Yt − Y )2 = (Yt − Y )2 + (Yt − Y )2 +

[(Yt − Y ) + εt ]2 = ε2 + 2 t ε2 . t (Yt − Y )εt =
(2.35)

(2.35) formule apra²o pilnosios variacijos skaidini i paai²kint¡j¡ ir nepaai²kint¡j¡ komponentes. Regresijos liekanu kvadratu sum¡ paºymej¦ ESS , gauname T SS = RSS + ESS. ’is i²destymas lydi kiekvien¡ regresin¦ analiz¦. Jis daºniausiai apra²omas vadinamojoje ANOVA lenteleje (analysis of variance):

Variacijos ²altinis

DF

Kvadratu suma

Vidurkis

Paai²kintoji variacija 1 Nepaai²kintoji variacija T − 2 Pilnoji variacija T −1 ’ioje lenteleje laisves laipsniai (DF) yra:

RSS ESS T SS

RSS/1 ESS/(T − 2)

Tai yra. . Turedami atsitiktinio vektoriaus (X. kad minimizuojamas dydis t 2 t=1 εt . Y ) var(X)var(Y ) . Kadangi maºiausiu kvadratu metodas rei²kia. Papras£iausio tiesinio regresinio modelio atveju R2 gali buti suskai£iuotas kaip regresijos tarp Yi ir β1 + β2 Xi koreliacijos koeciento kvadratas. Reikia isidemeti. Y ) = 1 T −1 (Xi − X)(Yi − Y ). kad ρ2 = R2 . . cov(X. determinacijos koecientas yra lygus koreliacijos koeciento ivertinimo kvadratui. Papras£iausias tiesinis regresinis modelis • RSS turi vien¡ laisves laipsni (paai²kinamuju kintamuju skai£ius). • ESS turi T − 2 laisves laipsnis (stebejimu skai£ius minus i²reik²tiniu parametru skai£ius). . T . Yi ). • TSS turi T − 1 laisves laipsni (stebejimu skai£ius minus parametru skai£iui modelyje (²iuo atveju parametras yra tik vienas β1 )). tai gauname toki¡ i²vad¡: (??) modeliui determinacijos koecientas yra maksimalus maºiausiu kvadratu metodui. kad dvieju dydºiu X ir Y koreliacijos koecientas yra ρ= cov(X. koreliacijos koecient¡ ivertinime taip: ρ= kai cov(X. Susikoncentruoti vien ²io parametro maksimizavimui  bloga strategija. Y ) var(X)var(Y ) . Priminsime. Ta interpretacija nedaug skiriasi nuo determinacijos koeciento interpretacijos. Tiesinio regresinio modelio atveju matome. Y ) stebejimus (Xi .58 2 skyrius. . Koreliacijos koecientas parodo tiesines priklausomybes tarp dydºiu X ir Y stiprum¡. i = 1. Daºnai del ²io atitikimo determinacijos koecientas naudojamas kaip modelio atitikimo matas (goodness of t test). kad regresine analize nekelia tikslo surasti modelio su didºiausiu galimu R2 . var(X) = 1 T −1 (Xi − X)2 . . Jis neapra²o regresinio modelio kokybes. Determinacijos koecientas R2 yra apra²omoji charakteristika.

R . Aptarsime tipini rezultatu pateikim¡.7. Pavyzdºiui.0305 (4) (5) t−reik²me p−reik²me 1. (1) Kintamasis Laisvas narys X (2) (3) Koecientas Standartine pakl. ju standartines paklaidas ir atitinkamas t -reik²mes bei p-reik²mes. t-statistikos reik²me pateikiama abiems parametrams: kai teisinga nuline hipoteze H0 : β1 = 0 prie² alternatyv¡ H1 : β1 = 0 ir atitinkamai.2 Rezultatu pateikimas Praktikoje visi regresines analizes skai£iavimai atliekami kompiuteriu. Kiekviena i² ju pateikia rezultatus savaip.7676 β1 = = 1. Kiekviena programa paprastai pateikia ir R2 reik²m¦.0002 Reikia suprasti.1283 22.841 4.0734 0. kita  ne taip ai²kiai.1387 0. k = 1.84 se(β1 ) 22.201 0. Standartiniai nuokrypiai  tai se(β1 ) ir se(β2 ). kad kompiuteris modelio parametro vardu neºino.0305 t2 = Paskutiniame lenteles stulpelyje sura²ytos atitinkamos p-reik²mes. 2. Tam naudojama ivairiausia programine iranga. o regresant¡  X . 40. prie² alternatyv¡ H1 : β2 = 0.0002. Tai daºniausiai uºra²oma i lentel¦.317. Dauguma ekonometrijai skirtu paketu pateikia koecientu iver£ius. Viena tai daro ai²kiau. PIM modeliui 2 = 0.2. kai H0 : β2 = 0. Taigi ir p-reik²mes yra dvipuses.1387 0. P (|t(38) | > 4.7676 0. jos randamos i² lenteliu: P (|t(38) | > 1. Tos reik²mes yra t1 = ir 40.841) = 0. Laisv¡ji nari daugelis paketu vadina INTERCEPT. atitinkan£ios nulin¦ hipotez¦ H0 : βk = 0 prie² dvipus¦ alternatyv¡ H1 : βk = 0.0734.20 se(β2 ) 0.201) = 0. Vienpuses p-reik²mes suskai£iuojame gaut¡ atitinkam¡ dvipus¦ reik²m¦ padalij¦ i² dvieju.1283 β2 = = 4.7 Ekonometrinis tyrimas 59 2.

kad modelis yra tiesinis i²reik²tiniu parametru atºvilgiu.1283xt . (1.48) (4. Ta£iau neverta stengtis modeli tempti prie didelio R2 . naudojamas ²is uºra²as: Yt = 40.36) (22.7676+ 0.317 (2. Jei R2 maºas. Bendra dvieju kintamuju tiesinio modelio forma yra f (Y ) = β1 + β2 g(X) + ε.e.60 2 skyrius. 2.37) Komentaras del R2 reik²mes: maºos reik²mes paprastai gaunamos naudojant vietos aplinkybiu duomenis.) Daºnai pasitaiko ir kitas budas: vietoj standartiniu nuokrypiu pateikti atitinkamas t-reik²mes: Yt = 40. Taip gaunamos ivairios tiesinio modelio funkcionalines formos.20) (t) R2 = 0. Tiesinio modelio esme yra ta. . Laiko eilutems tos reik²mes buna didesnes. kai f ir g  duotos transformacijos.1387) (0. R2 = 0. Daºniausiai pasitaikan£ios transformacijos ir atitinkami parametrai sura²yti ²ioje lenteleje.317 (2.3 Kitos funkcionalines formos Funkcionalines formos parinkimas rei²kia kintamuju transformacijos parinkim¡.7.0305)(s. apra²ant rezultatus. reikia ie²koti to prieºas£iu ir bandyti jas paai²kinti.7676+ 0.1283xt . Tekste. Papras£iausias tiesinis regresinis modelis Daºniausiai lenteles su kompiuteriu gautais rezultatais pateikiamos darbo gale.

Kelet¡ tokiu uºdaviniu paminesime. Paklausos ir pasiulos modeliams daºniausiai naudojama tiesine forma. • Agreguoto suvartojimo tyrimas: pajamu ir agreguoto (sumarinio) suvartojimo s¡ry²iai. tipinis produkto Xt gamybos kainos Yt modelis yra 2 Yt = β1 + β2 Xt + εt .8 Kiti ekonominiai uºdaviniai 61 Transformacijos Tiesine Tiesine-atvirk²tine Log-Log Log-tiesine Tiesine-log Log-atvirk²tine Modelis Nuolydis Elastingumas Y = β1 + β2 X + ε 1 Y = β1 + β2 X + ε β2 1 −β2 X Y β2 X β2 X Y 1 −β2 XY log(Y ) = β1 + β2 log(X) + ε log(Y ) = β1 + β2 X + ε Y = β1 + β2 log(X) + ε 1 log(Y ) = β1 − β2 X β2 β2 X 1 β2 Y 1 β2 X β2 Y 1 β2 X Y β2 X 2 Labai daºnai tiesinio modelio funkcionaline forma parenkama pagal turimus duomenis. Buna ir kitu transformaciju.8 Kiti ekonominiai uºdaviniai Regresini modeli naudojome tirdami i²laidu maistui priklausomyb¦ nuo pajamu. Papras£iausias modelis gali buti pritaikytas ir kitiems. analogi²kiems ekonominiams uºdaviniams.2. • Gamybos funkcijos tyrimas: siekiama nustatyti pagamintos produkcijos kiekio ir panaudotos darbo jegos s¡ry²i. Pavyzdºiui. • Paklausos s¡ry²iai: kurios nors prekes (prekiu grupes) paklausos priklausomybe nuo kainos (kainu indekso). . 2. Alternatyva  log-log forma.

kad %∆wt yra proporcingas darbo jegos paklausai dt . tai turesime %∆wt = γdt . tai procentinis jo pasikeitimas yra wt − wt−1 %∆wt = . • Aplinkosauginiai tyrimai: uºter²tumo ir parduodamo benzino s¡ry²iai.Philips 1958 metais pasiule modeli: s¡ry²i tarp darbo uºmokes£io paikeitimo ir nedarbo lygio. β2 = γη . • Agreguotu investiciju tyrimas: investiciju ir palukanu normos s¡ry²iai.62 2 skyrius.W. oro tar²os priklausomybe nuo laiko. . i²vedame modeli %∆wt γα + γη 1 . Xt = 1/ut . β1 = ηα. Jei wt  darbo uºmokestis laiko momentu t. gauname papras£iausi¡ tiesini regresini modeli. Ta£iau. Papras£iausias tiesinis regresinis modelis • Pasiulos tyrimas: pasiulos priklausomybe nuo kainos. • Filipso kreives tyrimas: s¡ry²is tarp iniacijos ir uºimtumo. ut Modelis yra netiesinis tiek parametru. tai dt = α + η 1 . oro tar²os priklausomybe nuo geogranes padeties. paºymej¦ Yt = %∆wt . tiek kintamuju atºvilgiu. ƒia γ yra ekonominis parametras. wt−1 Jei tarsime. Kadangi nedarbo lygis ut yra atvirk²£iai susij¦s su darbo paklausa. ut Sujung¦ gautas dvi lygtis. A.

Jei jis yra teigiamas. pelnas (bendrosios pajamos) padideja? • Jei taip. ai²kiai padidintu ir pajamas (paklausa elasti²ka kainai). O toks kainos sumaºinimas. kad pasiteisintu i²augusios i²laidos reklamai? Be to. Vadybininkus ypa£ domina pelnas (bendrosios pajamos). pajamos maºeja (β2 < 0. padidinus investicijas i reklam¡. o p  litais. Bendrasis tiesinis regresinis modelis 3. ∂p Parametras β2 gali buti tiek teigiamas. Paai²kinamasis kintamasis  paºymekime ji tr  pajamos per savait¦. reklama. tai pelnas gali ir sumaºeti (paklausa neelasti²ka kainoms). kad didejant kainai.1 Ekonominis uºdavinys ir ekonometrinis modelis Kaskart greito maisto restorano mesainiu skyriui reikia nuspr¦sti kiek kit¡ savait¦ investuoti reklamai ir koki¡ nustatyti mesainiu kain¡. tiek neigiamas. β2 ir β3 interpretacijas. • Ar kainu sumaºinimas padidintu pajamas? • Ar tas padidejimas esminis? Jei kainos sumaºinimas reik²tu tik nedideli pardavimo padidejim¡. Visi tie klausimai svarbus efektyviai vadybai. Paklausos elasti²kumas kainai rei²kia. Tirsime jo priklausomyb¦ nuo kainos p ir reklamos i²laidu a tai savaitei. Ekonomikos teorija pirmiausia rekomenduotu tiesin¦ priklausomyb¦: tr = β1 + β2 p + β3 a. kaina. (3. kad paklausa yra neelasti²ka kainai. tai kainos padidejimas i²²aukia pajamu padidejim¡.) .1) Pakomentuokime (3. o i²laidos reklamai nekinta: β2 = ∂tr . Kintamieji tr ir a matuojami tukstan£iais litu.1) modeli. vadybininkams ne maºiau svarbi kainu strategija. kai kaina pakinta vienu litu.3 skyrius. • Ar. Pirmiausia i²siai²kinkime galimas parametru β1 . kuris ry²kiai padidintu pardavim¡. Uºdavini sutrumpintai vadinsime PRK  pelnas. Nustatykime kintamuosius ir ekonomini modeli. gaunamas i² investiciju i reklam¡. o tai rei²kia. ar pelnas yra pakankamas. Parametras β2 rodo pajamu tr pasikeitim¡ tukstan£iais litu.

kad β3 > 0. o p lieka pastovus: β3 = ∂ tr . (3. T ) apra²ome pagal pasirinkt¡ modeli taip: trt = β1 + β2 pt + β3 at + εt . I ekonomini s¡ry²i. bet maºiau nei 1000 Lt. Jei β3 > 1  tai daugiau nei 1000 Lt. bendrosios pajamos padides. T .1) formule. . Surinktus duomenis (trt . Bendrasis tiesinis regresinis modelis Parametras β3 apra²o pajamu reakcij¡ i i²laidas reklamai. . Surinktuose duomenyse pasleptai informacijai paprastai budingas neapibreºtumas. . at . pt . . daran£ius itak¡ pajamoms. galimas kainu agregavimo paklaidas. tiketina. siekiant geresnes prognozes.y. Todel E(tr|p. ∂a Tiketina. .2) lygtimi. labai svarbu teisingai ivertinti parametr¡ β3 . kaip veliau matysime. . Taigi siekiant nustatyti reklamos politik¡. Tuo tarpu atsitiktine paklaida ε apra²o tiek praleistus faktorius. Gautas (3. praleist¡ informacij¡ ir pan. tai i²laidas reklamai padidinus 1000 Lt. bendrosios pajamos padides. t = 1. Laisvasis narys β1 vaidina pagalbini vaidmeni ir yra skirtas modelio subalansavimui. ir lygtimi E(tr) = β1 + β2 p + β2 a apra²ome vidutiniu pajamu priklausomyb¦ nuo kainos ir i²laidu reklamai. Tai yra.y. (3. T.2) Tiesine dalis β1 +β2 p+β3 a apra²o sistemin¦ pajamu tr priklausomyb¦ nuo kainos p ir i²laidu reklamai a. tiek.1) lygtis i²ties yra E(tr|p. kai i²laidos reklamai a padideja vienu vienetu (1000 Lt). t. atitinkantis du regresorius. a) = β1 + β2 p + β2 a. . apra²om¡ (3. Tokiu budu parametras β3 parodo ir i²laidu reklamai atsiperkamum¡. Jei β3 < 1. . Juos apra²ome atsitiktiniais dydºiais εt . ºiurime kaip i vidutiniu pajamu priklausomyb¦ nuo kainos ir i²laidu reklamai. tam tikr¡ kopij¡. apra²omo (3. Atitinkamas ekonometrinis modelis yra tr = β1 + β2 p + β3 a + ε. kiekvien¡ konkretu duomeni traktuojame kaip atsitiktinio dydºio. kurie dar vadinami modelio inovacijomis arba modelio paklaidomis. Kitaip tariant. . t = 1. . . Bet kaina ir i²laidos reklamai PRK pavyzdyje yra determinuoti. β3 lygus pajamu tr pasikeitimui (1000 Lt). a) = E(tr). kad padidinus i²laidas reklamai. . (3. . t.64 3 skyrius. t = 1.3) modelis yra atskiras bendrojo tiesinio regresinio modelio atvejis. i² anksto nustatomi dydºiai.3) Vadinasi.

XdT τ Xd Matrica X vadinama projektine arba plano 1 matrica. β =  .2) modelis gaunamas i² bendrojo tiesinio regresinio (3. . . t = 1.3. T. . . . . .  =  . . . . X3t . YT  1 X21 . . . Yt = trt .4) £ia Y  endogeninis kintamasis (dar vadinamas regresantu arba paai²kinamuoju kintamuoju). . .   Y =  . 2. triuk²mu arba paklaidomis. . Taigi (3.   .6) Toliau (3. . X= .5) ƒia εt . (3. . dar vadinami modelio inovacijomis.. Xdt . (3. t = 1. . kai d = 3. apra²omas lygtimi Y = β1 + β2 X2 + · · · + βd Xd + ε. . X2t .2) modeli galime perra²yti taip Yt = β1 + β2 X2t + β3 X3t + εt . T.5) modelio. . β = (β1 . ji yra   1 X21 X31  . . . Atitinkamas duomenu Yt . . . . β1 . X3t = at . kai d = 3. T generavimo mechanizmas apra²omas modeliu Yt = β1 + β2 X2t + · · · + βd Xdt + εt .5) modeli patogiau uºra²yti vektoriniu budu τ Yt = Xt β + εt ..  . kai (3. . Xdt )τ . ε  atsitiktinis faktorius. 1 X2T X3T 1 angl. . βd  i²reik²tiniai modelio parametrai.7) kai Xt = (1. .8)   Y1  . T.. t = 1. atitinkantis d regresoriu. ε =  . X2t . .2 KTR modelis 65 3. (3.   . (3. t = 1. 2. . . βd )τ arba vektoriniu-matriciniu: Y = Xβ + ε. . . . . . Xd  egzogeniniai kintamieji (daºnai dar vadinami regresoriais arba paai²kinan£iaisiais kintamaisiais).  X= . . . . . X2t = pt . Atskiru atveju. . . εT βd    τ Xd1 X1 . X2 . . design matrix . T  atsitiktiniai faktoriai. . . . . (3. . 1 X2T . .     ε1 β1 . β2 . . . . t = 1. . . . . . . .  . .2 KTR modelis Bendrasis tiesinis vienos lygties regresinis modelis.  . . . . .

Paprastai dispersija σ 2 yra neºinomas nei²reik²tinis modelio parametras ir apra²o neapibreºtumu. Eε = 0.. . . Be to. . . . . . kad atºvilgiu egzogeniniu kintamuju teisingos ²ios dvi prielaidos. Homoskedastinis modelis rei²kia. var(ξd ) cov(ξd . . . . . . . kad T > d. . kad visu modeliu padarytu netikslumu. . . Nekoreliuotu paklaidu: cov(εt . T. εn yra nepriklausomi ir turi vienod¡ normalini pasiskirstim¡ su nuliniu vidurkiu ir dispersija σ 2 . t. . . vidutine itaka kintamajam Y yra nuline. Kolinearumo: tarp vektoriu eilu£iu kintamieji X2 . . . . Egzogeniniu kintamuju pastovumo: chastiniai dydºiai. Labai daºnai sutinkama gausiniu paklaidu s¡lyga: E4.  cov(ξ1 . kad kiekviename stebejime slypin£iai informacijai budingas vienodas neapibreºtumas. ..66 3 skyrius. ξd − Eξd ) = . apimti. εT skirstiniai turi vienodas dispersijas σ 2 . ξ2 ) . .. . . . . X2T ). Bendrasis tiesinis regresinis modelis Jei nepasakyta kitaip. (Xd1 . E  (ξ1 − Eξ1 . X3 . laikysime. praleistu kintamuju ir pan. matrica X yra pilno stulpeliu rango. . . . Xd yra nesto- (1. . εT yra homoskedastines ir nekoreliuotos. ’i s¡lyga rei²kia. . Homoskedasti²kumo: var(εt ) = σ 2 su visais t = 1. Paklaidoms (εt . ξ2 ) Jei paklaidos ε1 . . . . . Kitaip sakant. . . . . .. . . . cov(ξ1 . . E3. . . E2. laikysime.    ξd − Eξd var(ξ1 ) . ξd )τ kovariacine matrica yra cov(ξ) = E(ξ − Eξ)(ξ − Eξ) =   ξ1 − Eξ1   .. XdT ) nera tiesines priklausomybes. εs ) = E(εt − Eεt )(εs − Eεs ) = 0. (X21 . atsitiktiniai dydºiai ε1 . kad atsitiktinio vektoriaus ξ = (ξ1 . . . . . . ε2 . . . . . . . T ) daºniausiai taikysime ²ias s¡lygas: E1. ξ1 ) cov(ξd . 1). . Priminsime. T 2. tai cov(ε) = σ 2 I. .y. t = 1. ξd )  . kai t = s. . Tai yra atsitiktiniu dydºiu ε1 . Nuliniu vidurkiu: Eε1 = · · · = EεT = 0. T 1. ε2 . slypin£iu duomenyse.

.b2 . βd galime ivertinti suskai£iav¦ argmin(b1 .5) modelis.. 3.3.. kvantilinis. kvadratinio vidurkio prasme atsitiktinio dydºio vidurkis yra geriausia jo skaitmenine aproksimacija . Paminetos s¡lygos charakterizuoja klasikini tiesini modeli. β2 . kad argmin E(Y − b)2 = EY. T 2. . Tais atvejais.. 3. . kai dimensij¡ bus butina pabreºti.y.. parametrus β1 .3 Parametru ivertinimas 67 ƒia ir toliau I ºymi vienetin¦ matric¡.4) modelio parametru β ivertinimas maºiausiu kvadratu metodu remiasi paprastu pastebejimu. koreliaciju. kurio atºvilgiu teisingos T 1. .. . maºiausiu absoliutiniu nuokrypiu. E1.bd )∈Rd t=1 (Yt − b1 − b2 X2t − · · · − bd Xdt )2 . Kiti bus aptariami velesniuose kursuose. . . kad argmin rei²kia t¡ argumento reik²m¦. . Klasikini tiesini regresini modeli. kurio paklaidoms teisinga (E4) s¡lyga vadiname gausiniu klasikiniu tiesiniu regresiniu modeliu (sutrumpintai GKTR modelis).b2 . . apibreºiame T (β1 . Beje. b∈R Priminsime. Populiariausi i² ju: maºiausiu kvadratu. βd ) = argmin (b1 . Tai yra.1 Maºiausiu kvadratu metodas Tiesinio (3. kurios dimensija ai²ki i² konteksto. . t.. Kvadratini nuokrypi ivertin¦ empiriniu.. vadinamas klasikiniu tiesiniu regresiniu modeliu (sutrumpintai KTR modeliu).bd )∈Rd E(Y − b1 − b2 X2 − · · · − bd Xd )2 . maksimalaus tiketinumo. . . tai teisingos ir (E2. jei teisinga (E4) s¡lyga. taip ir bendrojo modelio parametrus galime ivertinti ivairiais metodais. .3. EY = β1 + β2 X1 + · · · + βd Xd . Nustat¦ tiesin¦ atsitiktinio dydºio Y vidurkio priklausomyb¦ nuo kintamuju X1 .3 Parametru ivertinimas Kaip ir papras£iausio regresinio modelio. kuriame funkcija igyja savo maºiausi¡ reik²m¦. Xd . E2 ir E3 s¡lygos.. prira²ysime indeks¡: d × d vienetin¦ matric¡ ºymesime Id . E3) s¡lygos. ƒia aptarsime tik maºiausiu kvadratu metod¡. (3.

9) lygti galime i²spr¦sti. 3. . parametro β maºiausiu kvadratu ivertinimas yra β = argmin f (b). prilygin¦ j¡ nuliui. . βd ) maºiausiu kvadratu ivertinimas.9) Pagal kolinearumo prielaid¡. . . Jos sprendinys yra β = (X τ X)−1 X τ Y . matome. . matricos X τ X rangas lygus d. b = (b1 . εd )τ galime i²reik²ti regresijos paklaidu vektoriumi ε: ε = M ε.14) . .68 3 skyrius. β2 . suskai£iav¦ ²ios funkcijos i²vestin¦ ta²ke β ir. Juos surasti daug papras£iau panaudojus matricin¦ modelio i²rai²k¡. bd )τ ∈ Rd . (3. T.1 apibreºimas. Modelio. . (3. Pritaik¦ (3.8) formul¦. .3. . M = I − X(X τ X)−1 X τ . . . β ivertinim¡ uºra²ome β = AY . T −d (3. .13) Klasikinio tiesinio regresinio modelio dispersij¡ ivertiname pasinaudoj¦ regresijos liekanomis. Funkcijos f (b) minimumo ta²k¡ rasti nesunku. Liekanu vektoriu ε = (ε1 . Paºymej¦ (3. Kadangi f (b) = Y τ Y − 2bτ X τ Y + bτ X τ Xb. Vadinasi egzistuoja atvirk²tine matrica (X τ X)−1 ir (3. . . (3. Paprastai naudojamas ²is dispersijos ivertinimas: σ2 = 1 T −d T ε2 = t t=1 1 ετ ε. Taigi β = β + Aε. gauname lygti −2X τ Y + 2X τ X β = 0.8) lygtimi. Regresijos liekanos yra εt = Yt − Yt = Yt − (β1 + β2 X2t + · · · + βd Xdt . Aibreºkime funkcij¡ T f (b) = (Y − Xb)τ (Y − Xb) = t=1 (Yt − Xt b)2 . t = 1. b∈Rd Kitaip tariant f (β) = minb∈Rd f (b). kad β = (X τ X)−1 X τ Y = (X τ X)−1 X τ (Xβ + ε) = (X τ X)−1 X τ Xβ + (X τ X)−1 X τ ε = β + Aε. apra²omo (3. Bendrasis tiesinis regresinis modelis Tai ir yra parametru (β1 .10) (3.11) A = (X τ X)−1 X τ . .12) Gaut¡ja formule ne kart¡ remsimes.

55 2. Y = 1 T T Yt .9 18. t=1 x2t = X2t − X2 .642pt + 2. 3.6 7. 1 3 5 7 9 11 13 15 17 19 Pajamos 1000 Lt 123. x3t = X3t − X3 . β2 .8 18.9 13.67 Reklama 1000Lt 9.8 9. 2 4 6 8 10 12 14 16 18 20 Pajamos 1000 Lt 124.93 2.90 Reklama 1000Lt 12.5 6.3 141. Taigi iverintas PRK modelis yra (3.3 .6) modeliui.17) Sav. Pasinaudoj¦ gautomis formulemis ir duomenimis (ºr.3 112.67 1.11 1.9 110.6 149.5 100.1 123.19 1.984.10 2.75 1.47 1.5 89.73 2.68 1.44 1.8 1.9 115.7 123.3.4 3.7 153.47 2.4 9.2 111. β3 ivertinimus: β2 = β3 = yt x2t x2 2t yt x3t x2 2t x2 − 3t x2 − 3t 2 x2t − x2 − 3t yt x3t yt x2t x2t x3t 2 x2t x3t x2t x3t x2t x3t 2 (3. β2 = −6.15 1. β3 = 2.92 1.3 108.8 11.8 8.8 110.5 4.16) trt = 104.86 1.3.8 143. Xi = 1 T T Xit .642. ºemiau esan£i¡ lentel¦).79.984at .1 8.3 Parametru ivertinimas 69 3.4 2.2 Kaina Lt 1.9 Sav.8 2. randame parametru iver£ius nagrinejamam PRK modeliui: β1 = 104.2 123.54 2.86 2. t=1 turime ²iuos parametru β1 .1 124.8 9. i = 2.10 1.0 Kaina Lt 2. paºymej¦ yt = Yt − Y .79 − 6.3 116. (3.1 89.2 PRK modelio ivertinimas Dvieju regresoriu (3.15) β1 = Y − β2 X2 + β3 X3 .5 17.3 12.

70
21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 132.6 106.1 98.5 124.2 114.8 122.6 113.0 109.2 145.0 106.7 120.1 150.6 130.5 111.8 107.4 124.6

3 skyrius. Bendrasis tiesinis regresinis modelis

2.43 2.33 2.05 2.12 1.89 1.93 1.66 1.59 1.86 2.34 2.05 2.12 2.09 1.77 2.37 2.29

14.1 5.9 5.3 8.8 5.4 11.2 7.9 3.3 15.3 6.1 6.3 18.7 16.0 4.3 8.3 9.2

22 24 26 28 30 32 34 36 38 40 42 44 46 48 50 52

97.5 115.3 135.1 98.4 142.5 127.7 144.2 106.8 124.0 153.2 119.3 92.2 112.5 120.1 128.6 127.2

2.13 1.75 2.35 2.13 1.50 2.27 1.73 2.29 1.91 2.13 1.89 1.87 1.76 1.94 2.10 2.36

2.9 7.6 16.8 3.2 17.3 11.2 17.0 7.3 12.7 19.6 9.0 2.2 4.5 9.3 15.4 10.2

Vieno greito maisto restorano duomenys Kokias galime padaryti pirmines i²vadas? 1. Neigiamas koecientas prie kainos pt rodo, kad paklausa elastinga kainai ir kainos padidejimas vienu litu bendras pajamas vidutini²kai sumaºintu 6.64 Lt. Arba, sumaºin¦ kain¡ vienu litu, padidintume pajamas vidutini²kai 6.64 Lt. Taigi kainos maºinimas, siulant ivairias nuolaidas ar naujus produktus, padidintu pajamas. 2. Reklamos koecientas yra teigiamas. Vadinasi, padidinus reklamos i²laidas 1000 Lt, pajamos padidetu vidutini²kai 2984 Lt. ’ia informacija jau galime pasinaudoti. Jei ºinosime, kiek kainuoja, tarkime, naujos ru²ies mesainiu pagaminimas, galesime i²siai²kinti ar ju reklamai i²leisti pinigai padidins peln¡. 3. Nenulinis laisvasis narys rodo, kad, jei i²laidos reklamai ir kainos yra nulines, tai gaunamos pajamos vidutini²kai sudarys 104.79 Lt. Akivaizdu, kad tai nera korekti²ka. ’iame modelyje laisvasis narys vaidina modelio stabilizatoriaus vaidmeni ir pagerina prognozavimo tikslum¡. Ivertintu modeliu vadybininkai jau gali pasinaudoti. Tarkime, jei ateinan£i¡ savait¦ mesainiu kaina (agreguota) nustatyta 2 Lt, o reklamai skiriama 10000 Lt, tai prognozuojamos pajamos butu 121.34 Lt:

tr = 104.785 − 6.6419 · 2 + 2.9843 · 10 = 121.34.

3.3.1 pastaba. Neigiamas koecientas prie kainos rei²kia, kad, maºinant kain¡,
pajamos dideja. I²eitu, jog naudingiausia butu kain¡ padaryti nuline. Bet akivaizdu, kad taip nera. Mat regresiniu modeliu apra²ome s¡ry²i tarp ekonominiu

3.4

Statistikines ivertinimu savybes

71

dydºiu, kuriu reik²mes yra pana²ios i imties reik²mes. Neprotinga ekstrapoliuoti modeli ekstreminems reik²mems. PRK modeliui dispersij¡ ivertiname pagal (3.14) formul¦:

σ2 =

1805.168 = 36.84. 52 − 3

3.4
3.4.1

Statistikines ivertinimu savybes
Papras£iausios savybes

3.4.1 teiginys. Jei Eε = 0, tai ivertinimas β yra nepaslinktas, t.y. E β = β.
Irodymas. Atsiºvelg¦ i (3.12) lygti, turime, kad

E β = E(β + Aε) = β + AEε = β.

3.4.2 teiginys. Jei modelis yra homoskedastinis, tai
cov(β) = σ 2 (X τ X)−1 .
Irodymas. Kadangi pagal homoskedasti²kumo prielaid¡ Eεετ = σ 2 I, tai (3.18)

cov(β) = E(β − E β)(β − E β)τ = E(Aε)(Aε)τ = E(Aεετ Aτ ) = AEεετ Aτ = Aσ 2 IAτ = σ 2 AAτ .
Be to,

AAτ = ((X τ X)−1 X τ )((X τ X)−1 X τ )τ = ((X τ X)−1 )τ = (X τ X)−1 .
Pastaroji lygybe teisinga todel, kad matrica X τ X yra simetrine. Taigi (3.18) formule irodyta. Matricos (X τ X)−1 elementus paºymej¦ mij turime, kad

σ 2 mij = cov(βi , βj ), i = j

72
ir

3 skyrius. Bendrasis tiesinis regresinis modelis

σ 2 mii = var(βi ).

Kadangi σ 2 , kaip jau mineta, daºniausiai neºinome, tai neºinome ir cov(β). Jos ivertinim¡ gauname vietoje σ 2 istat¦ dispersijos ivertinim¡ σ 2 . Tokiu budu

cov(β) = σ 2 (X τ X)−1 .
I² £ia randame kiekvieno parametro βi ivertinimo βi dispersijos ivertinim¡

var(βi ) = σ 2 mii
bei kovariaciju cov(βi , βj ) ivertinimus

cov(βi , βj ) = σ 2 mij ,
Dvieju regresoriu atveju turime

i = j.

var(β2 ) =

σ2 (1 −
2 r23 )

x2 2t

, −r23 σ 2
1/2 1/2

(3.19)

cov(β2 , β3 ) =

2 (1 − r23 )

x2 2t

x2 3t

.

(3.20)

ƒia r23 yra koreliacijos koecientas tarp stebejimu (X2t ) ir (X3t ):

r23 =

x2t x3t . 1/2 2 1/2 x2t x2 3t

Kitu parametru ivertinimu variacijos bei kitos kovariacijos turi pana²ias i²rai²kas. Labai svarbu suprasti parametru ivertinimu variacijos ir kovariaciju struktur¡. Parametro β2 atveju variacijos struktura yra tokia: 1. Dispersija σ 2 itakoja maºiausiu kvadratu ivertinimu dispersij¡. To ir reikejo tiketis, nes σ 2 atpindi neapibreºtum¡, slypinti modelio specikavime. Jei tas neapibreºtumas yra didelis, vadinasi duomenys gali buti labiau i²sibarst¦ apie vidutin¦ reik²m¦ EYt = β1 + β2 X2 + β3 X3 . Tokiu atveju informacijos apie tikr¡sias parametru β1 , β2 , β2 reik²mes bus maºiau ir duomenyse. Ir atvirk²£iai, jeigu dispersija σ 2 maºa, tai duomenys bus labiau koncentruoti apie vidurki ir juose bus daugiau informacijos apie parametrus. 2. Imties turis T daro itak¡ per vardikli t=1 x2 . Kadangi tai yra neneigiamu 2t nariu suma, tai, kuo didesnis T , tuo didesne suma ir maºesne ivertinimo variacija. Taigi didesne imtis duoda tikslesni ivertinim¡.
2 3. Kvadratu suma t=1 x2t apra²o paai²kinan£iojo kintamojo (regresoriaus) variacij¡ apie vidurki X2 . Taigi norint tiksliau ivertinti parametr¡ β2 , reikia, kad X2 stebejimu variacija butu kuo didesne. Intuityviai tai yra ai²ku, nes β2 apra²o regresoriaus X2 itak¡ kintamajam Y . T T

y.02787 3. Mesainiu pavyzdyje suskai£iuojame  42.863 10. kad maºiausiu kvadratu ivertinimas β yra nepaslinktas ir tiesinis. 2 Jei dydºiai X2 ir X3 koreliuoja. i²vedame (3. tarp visu tiesiniu nepaslinktu parametro β ivertinimu turi maºiausi¡ kovariacin¦ matric¡. Jei V1 ir V2 yra dvi teigiamai apibreºtos matricos.4. (GausoMarkovo) Klasikinio tiesinio modelio parametro β maºiausiu kvadratu ivertinimas β. Jau irodeme. Kuo didesne koreliacija tarp tu dydºiu. tai sakysime.05402  −0. pritaik¦ (3. Vadinasi. tuo ar£iau nulio bus koecientas 2 1 − r23 . Tiesiniu parametro β ivertinimu klas¦ galime apibreºti taip: β = CY .13) s¡ry²iu. Kadangi β = β + [C − A]Y . jei V1 − V2 ≥ 0.3 teiginys. kad V1 ≥ V2 . tuo didesne bus variacija var(β2 ). kai C yra bet kuri T × d eiles matrica. kai E β = ECY = EC(Xβ + ε) = CXβ = β. Dispersijos iverinimas yra nepaslinktas.3.2 Gauso-Markovo teorema Priminsime.05402  . Irodymas.184 −0. tai 1 − r23 yra maºesne uº vienet¡ trupmena. Ivertinimas β yra nepaslinktas. t. var(β2 ) vardiklyje yra dydis 1−r23 . Pasinaudoj¦ (3. . Eσ 2 = σ 2 . o r23 matuoja koreliacij¡ tarp dydºiu X2 ir X3 . butinai CX = I. kad T × T matrica V vadinama teigiamai apibreºta (ºymesime V ≥ 0). Prisiminkime. 0. Irodymas.863 −0.16111 −19.026 cov(β) =  −19.16111 −0.4.12) formul¦.21) β = β + Aε + (C − A)Y = = β + Aε + (C − A)ε = β + Cε. kad koreliacija matuoja tiesini s¡ry²i tarp kintamuju.4 Statistikines ivertinimu savybes 73 2 4. 2 teorema. gauname: Eσ 2 = E(T − d)−1 ετ ε = (T − d)−1 E(M ε)τ M ε = (T − d)−1 Eετ M τ M ε = 3. jei xτ V x ≥ 0 su bet kuriuo x ∈ RT .

σ 2 AAτ ).22) modelio atveju d-mate statisβ θT = σ −1 (X τ X)1/2 (β − β) turi standartini d-mati normalini skirstini. 3. Taigi ir vektorius Y ∼ NT (Xβ. Bet CAτ = AC τ = AAτ = (X τ X)−1 . Klasikinio tiesinio Gausinio (3. o dispersijos σ 2 ivertinimas σ 2 = (T −d)−1 ετ ε. Σ) ir V yra d × d matrica. σ −1 (XX τ )1/2 Aε ∼ NT (0.74 3 skyrius. (XX τ )1/2 AAτ ((XX τ )1/2 )τ ). Irodymas. £ia ε = Y −X β  regresijos liekanu vektorius. Priminsime. Bendrasis tiesinis regresinis modelis Dabar galime suskai£iuoti ivertinimo β kovariacin¦ matric¡ cov(β) = σ 2 CC τ = σ 2 AAτ + σ 2 (CC τ − AAτ ). kad parametro β maºiausiu kvadratu ivertinimas yra β = (X τ X)−1 X τ Y = β + Aε. Kadangi pastaroji matrica yra neneigiamai apibreºta.3 GKTR modelio savybes Dar daugiau savybiu galime surasti klasikiniam tiesiniam Gausiniam modeliui. σ 2 I). tai Aε ∼ NT (0. D D Tai i²plaukia i² kintamuju keitimo formules. D D . tika 3.4 teiginys. tai cov(β) ≥ σ 2 AAτ = cov(β). D V ξ ∼ Nd (V a.4. todel (CC τ − AAτ ) = (C − A)(C − A)τ . (3. surastus maºiausiu kvadratu metodu.4. ’iame skyrelyje tirsime klasikini tiesini Gausini modeli: Y = Xβ + ε. σ 2 I). V ΣV τ ).22) Paklaidu vektorius ε turi normalini skirstini su nuliniu vidurkiu ir kovariaciju maD trica cov(ε) = σ 2 I. Nagrinesime parametru ivertinius. Kadangi β−β = Aε ir ε ∼ NT (0. tai Pasinaudosime tokia savybe: jei ξ ∼ Nd (a.

4.5 teiginys. kad (XX τ )1/2 AAτ ((XX τ )1/2 )τ = (XX τ )1/2 AAτ (XX τ )1/2 = (XX τ )1/2 (XX τ )−1 (XX τ )1/2 = I. σ aτ a β θT. T a ∈ Rd statistika 3. σ2 √ ξ T −d . M τ = M ir M 2 = M . Taigi ετ ε = ετ M τ M ε ∼ ετ O τ M τ M Oε ∼ ε2 + · · · + ε2 −d .6 teiginys.a = η2 = T −d 2 σ . tai t D D 1 τ D 1 2 ε ε ∼ 2 (ε1 + · · · + ε2 −d ) T σ2 σ turi χ2 −d skirstini. η .22) modelio atveju statistika T −d 2 1 σ = 2 ετ ε σ2 σ turi χ2 skirstini su T − d laisves laipsniais. 3. su kuria OM O τ yra diagonaline matrica. Paºymej¦ ξ= gauname. Irodymas.3. Todel egzistuoja tokia ortogonalioji matrica O. Klasikinio tiesinio Gausinio (3. kurios diagonaleje yra T − d vienetuku ir d nuliu. Kadangi normalinis skirstinys yra invariantinis ortogonaliuju transformaciju atºvilgiu.4. 1 T Kadangi σ −2 ε2 turi standartini normalini skirstini. Klasikinio tiesinio Gausinio (3. Irodymas. Kadangi ε = M ε. Be to.a = 1 √ aτ (X τ X)1/2 (β − β) σ aτ a turi Stjudento skirstini su T − d laisves laipsniais. tai ετ ε = ετ M τ M ε. kad 1 √ aτ (X τ X)1/2 (β − β). tai D ε ∼ Oε. o rank M = T −d.22) modelio atveju su kiekvienu β θT.4 Statistikines ivertinimu savybes 75 Lieka pastebeti.

Intervalas [βk − tc se(βk ). kad atsitiktinis vektorius β − β = Aε ir atsitiktinis dydis ετ ε = ετ M τ M ε yra nepriklausomi.5 Intervalinis parametru ivertinimas Intervalinis parametru ivertinimas remiasi lygtimi P − tc ≤ βk − βk se(βk ) ≤ tc = 1 − α.23) ƒia α  pasirenkamas lygmuo. Σ). kai ºinome statistikos βk − βk se(βk ) skirstini. aτ a) ir D ξ= 1 D √ aτ (X τ X)1/2 (β − β)a ∼ N (0. jei irodysime atsitiktiniu vektoriu Aε ir M ε nepriklausomum¡. Dydis tc neºinomas. jei ν ∼P Nd (0. Tai savo ruoºtu. Bendrasis tiesinis regresinis modelis Atsitiktinis dydis ξ turi standartini normalini skirstini. (3.5) teiginiu η 2 turi χ2 skirstini su T − d laisves laipsniais. Ji randame. Lieka irodyti. GKTR modelio atveju statistikos skirstinys yra t skirstinys su T −d laisves laipsniais. Vadinasi.4. σ −1 aτ (X τ X)1/2 (β − β) ∼ N (0. 2 3. jeigu jie yra nekoreliuoti. tai jie yra nepriklausomi. Tikrai. Kadangi abu vektoriai turi Gauso skirstinius. kad atsitiktiniai dydºiai ξ ir η yra nepriklausomi. tai su kiekvienu a ∈ Rd atsitiktinis dydis aτ ν ∼P N (0.76 3 skyrius. bus teisinga. I² t skirstinio lenteliu randame toki tc . 1). σ aτ a Remiantis (3. M ε) = EAεετ M τ = σ 2 AM τ = σ ((X τ X)−1 X τ )(I − X(X τ X)−1 X τ ) = 0. aτ Σa). Tam pakanka irodyti. kad P (t ≥ tc ) = α/2. Suskai£iuokime cor(Aε. βk + tc se(βk )] .

Vadinasi.483. parametro β2 ivertis β2 = −6. pelnas padides tarp 2650 ir 2320 Lt. kad.4. ’iuo atveju (3. var(β3 ) = 0. kurias apra²o vienas parametras ir kuri galime vienareik²mi²kai rasti. kad σ2 σ2 . i²sprend¦ (3. Todel tikslinga nagrineti tokias aibes.1669. var(β2 ) = 3. nagrinekime aib¦ A = Ar = {x ∈ Rd : xτ x ≤ r}. Parink¦ Borelio aib¦ A ⊂ Rd i² lygties (2π)−d/2 A exp{−xτ x/2}dx = θ (3.32). β2 = −6.24) lygti. I² lygties θ = P (t1 ≤ χ2 −d ≤ t2 ) T parink¦ t1 .06.79.24) (3.65. o A + x = {y + x : y ∈ A}.5 Intervalinis parametru ivertinimas 77 yra parametro βk 100(1 − α)-procentinis paskiliautinis intervalas.24) lygties sprendinys yra daugiareik²mis. d = 3. padidinus reklamos i²laidas 1000 Lt. kad F (A) = {F (x) : x ∈ A}. ’i¡ informacij¡ panaudosime 95 procentu paskliautiniu intervalu radimui. randame r = rθ ir atitinkam¡ pasikliautin¦ sriti {u ∈ Rd : σ(u + β)τ X τ X(u + β) = rθ }. Intervalas akivaizdºiai per didelis ir nera informatyvus. J¡ i²sprend¦. β1 = 104. Parametrui β3 95-procentinis paskliautinis intervalas yra (2. Tai yra elipsoidas. Laisves laipsniu skai£ius yra T − d = 52 − 3 = 49. Priminsime. Akivaizdu. Jis rei²kia.24) lygtis virsta lygtimi (2π)−d/2 Ar exp{−xτ x/2}dx = 0 r e−u 2 /2 du = θ. Tai pakankamai siauras intervalas. (T − d)t2 (T − d)t1 . Kitaip tariant. gauname.642. 3. t2 . Pavyzdºiui.23].191.01. kad (3. se(β1 ) = se(β2 ) = se(β3 ) = var(β1 ) = 6.642 yra nerealus. o spindulys r. 3. Kritine reik²me yra tc = 2. nes jo standartine paklaida didele.984. Griºdami prie mesainiu pavyzdºio. kurio centras yra koordina£iu pradºioje.5 teigini galime pritaikyti dispersijos pasikliautinems sritims apra²yti.3. Parametrui β2 pasikliautinis intervalas yra [−13. turime T = 52. Tai  Euklidinis rutulys. −0. β3 = 2.25) randame. kad P (β ∈ β + σ(XX τ )1/2 A) = θ. β + σ(XX τ )1/2 A yra vektoriaus β θ-pasikliautinumo aibe.

642 = −2. 6. Bendrasis tiesinis regresinis modelis yra parametro σ 2 θ-procentinis pasikliautinis intervalas. jei t ≤ tc .05. tarsi nagrinetume hipotez¦ β2 = 0. ir modeli su dviem regresoriais. kurios turis T = 52. Paklausos elastingumo atºvilgiu svarbu i²siai²kinti. . jei hipoteze teisinga. 4. i² lenteliu randame tc = −1. 3. H1 : β2 ≥ 0 (reik²tu.1 KTR modelis: hipoteziu tikrinimas Vienpuses hipotezes Pradesime mesainiu pavyzdºiu ir. Turedami imti. ar kainos sumaºejimas rei²kia pelno sumaºejim¡ (paklausa neelastinga kainai). Sudarydami statistik¡. 1/2 se(β2 ) = var(β2 ) . H0 : 2. kad paklausa nera elasti²ka kainai) β2 < 0 (paklausa yra elasti²ka kainai) 3. pirmiausia nustatiome nulin¦ hipotez¦. Nulin¦ hipotez¦ atmetame.68. 5% pasikliovimo kritin¦ reik²m¦ tc randame i² lygties P (t(T −d) ≤ tc ) = 0. sekdami jau anks£iau tureta vienpuses hipotezes patikrinimo schema. Suskai£iuojame statistikos reik²m¦ t= β2 se(β2 ) = −6. 5. elgiames taip. ’iuo atveju alternatyva labiau atspindinti duomenis. kurios neturetu pasirodyti.6 3. Jei ji teisinga.191 Kadangi t = −2.68.08 < tc = −1. ar atvirk²£iai  kainos sumaºejimas padidina peln¡ (paklausa elasti²ka kainai). tai testine statistika butu t= £ia β2 se(β2 ) ∼ t(T −d) . Kritin¦ sriti sudarys tokios reik²mes.6. nulin¦ hipotez¦ atmetame alternatyvos H1 : β2 > 0 naudai. patikrinsime paklausos elastingum¡ kainoms.78 3 skyrius. Pasinaudodami anks£iau aptarta hipoteziu patikrinimo schema. 3. Suskai£iuojame duomenis atitinkan£i¡ p-reik²m¦: p = 0.08.021 = P (t(38) < −2. 1.08).

68.1669 Kadangi 11. 4.68. Taip bus. ƒia panaudoti vienpusiai testai. ’i teigini reikia patikrinti. H1 : β3 ≤ 1.984 − 1 = 11. 5. tai yra 1. D . kad kiekvienas parinktas regresorius itakoja endogenini kintamaji. turime statistikini patvirtinim¡. paprastai esame isitikin¦. H1 : Jei nuline hipoteze teisinga. β3 > 1. Taigi. tai turetu buti βk = 0. β3 − 1 se(β3 ) 3.6 KTR modelis: hipoteziu tikrinimas 79 Kita idomi hipoteze: ar i²laidu reklamai padidinimas pakankamai padidins pajamas (tiek kad atsipirktu pa£ios i²laidos reklamai). 3. 0. Jei kintamasis Xk nedaro itakos dydºiui Y . tai Gausinio modelio atveju t= βk se(βk ) ∼ tT −d .05. ’iuo atveju ir p reik²me yra labai maºa (apie 10−12 ). tikriname nulin¦ hipotez¦ H0 : atºvilgiu alternatyvos βk = 0 βk = 0. Atitinkamas testas vadinamas reik²mingumo testu. Pasirink¦ reik²mingumo lygmeni α = 0.68. nulin¦ hipotez¦ atmesime.89 > 1. H0 : 2.2 Koeficientu reik²mingumo testai Nagrinedami daugelio kintamuju regresini modeli. Patikrinkime ²i¡ hipotez¦. 1.6. Todel ir atitinkama kritine sritis imta vienpuse. kad reklamos i²laidu padidinimas pasiteisins i²augusiomis pajamomis.3. Testines statistikos reik²me yra t= 2.89. Noredami patikrinti ar duomenyse yra informacijos apie endogeninio kintamojo Y s¡ry²i su kintamuoju Xk . jei β3 > 1. jei t ≥ tc = 1. nulin¦ hipotez¦ atmetame alternatyvos naudai. Testine statistika yra t= ∼ t(T −d) .

Dvipuses alternatyvos atveju (nelygu nuliui) kritine sritis yra {|t| > tc }. H1 : β2 = 0 β2 = 0 3.05.01. Patikrinkime reklamos reik²mingum¡. Pirmiausia patikrinkime kainos itak¡ pelnui. Parink¦ reik²mingumo lygmeni α = 0. 1. 6.05.01}.05. 1. 4.01. 3.08.88 0. H0 : 2. kai tc randama i² lygties P (|tT −d | ≥ tc ) = α/2.984 = 17. 4. Testine statistika yra t = β3 se(β3 ).08| = 2. nulin¦ hipotez¦ atmetame alternatyvos naudai. Suskai£iuojame statistikos reik²m¦ turimiems duomenims: t= −6.042 < 0. Bendrasis tiesinis regresinis modelis Kritin¦ sriti nustatome atsiºvelgdami i alternatyv¡. p-reik²me yra P (|t4 9| > 2. randame kritin¦ reik²m¦ tc = 2.6. 5.08 > 2. nulin¦ hipotez¦ atmetame alternatyvos naudai. H0 : 2. Kai teisinga nuline hipoteze ir modelis D yra Gausinis.01. 3. Suskai£iuojame statistikos reik²m¦ turimiems duomenims: t= 2. Taigi kritine sritis yra {|t| > 2.08) = 0.642 = −2. tai t ∼ t(49) . Testine statistika yra t = β2 /se(β2 ).1669 Kadangi 17. randame kritin¦ reik²m¦ tc = 2.3 Tiesiniu hipoteziu testai Nagrinekime modeli Y = Xβ + ε .191 Kadangi | − 2.80 3 skyrius. Taigi kritine sritis yra {|t| > 2. Patikrinkime kiekvieno koeciento reik²mingum¡ nagrinejamame PRK pavyzdyje.88 > 2.01. 5.01}. Parink¦ reik²mingumo lygmeni α = 0. H1 : β3 = 0 β3 = 0 3.

reikia patikrinti. tai τT = σ −1 (R(X τ X)−1 Rτ )−1/2 (Rβ − u) = σ −1 (R(X τ X)−1 Rτ )−1/2 R(β − β) ∼P N (0. kad q = 1. ar parametrai β tenkina hipoteze nusakyt¡ apribojim¡. Bet kurio testo atveju pirmiausia pasirenkame patikimumo lygmeni  maº¡ skai£iu α ir randame kritin¦ sriti Gα . 3 teorema. Jeigu alternatyva yra Rβ = u. o R  1 × d vektorius eilute. 1). o jei nera didelis  tariame. Todel j¡ reikia pakeisti ivertinimu σ2 . jei teisinga hipoteze H0 ir q = 1. ƒia R yra duota q × d matrica. reikia apibreºti statistik¡. kad tie du dydºiai T yra nepriklausomi. Pirmiausia tarkime. u = Rβ . . Statistik¡ τT galime uºra²yti √ T − dτT τT = . Ta£iau daºniausiai dispersija σ 2 nera ºinoma. Suskai£iuojame. o (T −d)σ 2 /σ 2 ∼P χ2 −d . Apibreºkime statistik¡ σ −1 (R(X τ X)−1 Rτ )−1/2 (Rβ − u). kuri apra²ytu dydºiu Rβ ir u atstum¡. Tam pakanka isitikinti. Jei tas skirtumas didelis. 1). tai statistika τT = σ −1 (R(X τ X)−1 Rτ )−1/2 (Rβ − u) ∼P tT −d . Statistikos τT skirstinys yra stjudento su T −d laisves laipsniais. kad α = P (τT < −tT −d (α/2) arba τT > tT −d (α/2)) = 1 − P (−tT −d (α/2) ≤ τT ≤ tT −d (α/2)).6 KTR modelis: hipoteziu tikrinimas 81 ir jo atºvilgiu hipotez¦: H0 : Rβ = u. kad atsitiktiniai dydºiai Rβ ir ετ ε yra nepriklausomi. Kitaip sakant. Norint ²i metod¡ realizuoti. tai testas yra dvipusis. u = u ∈ R yra skaliaras.  vienpusis. t. Nagrinejame parametro β maºiausiu kvadratu ivertinim¡ β. (T − d)σ 2 /σ 2 Kadangi τT ∼P N (0. Dvipusio testo atveju i² stjudento kvantiliu lenteles randame ±tT −d (α/2) tokius. lieka pastebeti. Jeigu teisinga hipoteze H0 . o jei alternatyva yra Rβ > u (arba Rβ < u). Tuomet tiesiog galime nagrineti skirtum¡ Rβ − u. Tai yra. kurie tiesinio modelio ir tiesiniu apribojimu atveju yra ekvivalentus. kiek skiriasi Rβ nuo u. kad duomenys hipotezei neprie²tarauja. KTGM atveju.3. ’ios hipotezes tikrinimui galime pritaikyti kelet¡ metodu. hipotez¦ atmetame kaip nepagrist¡. o u ∈ Rq  duotas vektorius. Irodymas. Pirmojo metodo esme tokia.y.

−tT −d (α/2)) ∪ (tT −d (α/2). 1. 1. kai R = (0. y. 0. t. . . .82 3 skyrius. 0. σ 2 I). . Tai yra jau nagrinetas koecientu reik²mingumas.1 pavyzdys. nesunku matyti. ’iuo atveju R(X τ X)−1 Rτ = mii + 2mij + mjj ir atitinkama statistika τ= βi + βj σ(mii + 2mij + mjj )1/2 turi stjudento skirstini su T − d laisves laipsniais. . tai Rβ − u = R(β − β) ∼P Nq (0. . . . Tai yra ta pati testine statistika. kuri¡ naudojome testuodami parametru reik²mingum¡. . 3. 0. Bendrasis tiesinis regresinis modelis Tada kritine sritis yra Gα = (−∞. . .y. Tuomet R(X τ X)−1 Rτ = mii ir atitinkama t-statistika yra τ= βi . kuri yra tiesine ir apra²oma matrica R = (0. Nagrinekime hipotez¦ βi + βj = 0. σ 2 I). kad modelis yra klasikinis gausinis. t. σ 2 R(X τ X)−1 Rτ ). kad tai yra atskiras bendros tiesines hipotezes atvejis. Nulin¦ hipotez¦ atmetame su reik²mingumo lygmeniu α. Nesunku matyti. Tarkime. . 0. jei statistikos τT reik²me patenka i kritin¦ sriti Gα . . . ε ∼P NT (0. 0). 0. Jei matrica R(X τ X)−1 Rτ yra nei²sigimusi. . tai U (Rβ − u) ∼P Nq (0. ∞). egzistuoja (R(X τ X)−1 Rτ )−1/2 = U . . √ σT mii kuri turi stjudento skirstini su T − d laisves laipsniais. 0). . . kad t = βi /se(βi ). Jei H0 teisinga. Be to. Tarkime. .6. Panagrinekime hipotez¦ H0 : β i = 0 prie² alternatyv¡ H1 : βi = 0. 0. 1. mii yra matricos (X τ X)−1 ii-tasis elementas. . .

jei skirtumas tarp tu dvieju regresijos liekanu sumu yra reik²mingas. . kad. Vienos regresijos liekanos gaunamos nagrinejant modeli be apribojimu. Ta£iau. jog modelis teisingai apra²o duomenis.6.3. Jei nuline hipoteze teisinga. Tokios nulines hipotezes patikrinimas atºvilgiu duotos alternatyvos daºnai vadinamas regresinio modelio bendrojo reik²mingumo testavimu. kuris i² paai²kinan£iuju kintamuju yra reik²mingas. 3. o ESSr  regresijos su apribojimais liekanu kvadratu suma. Galiausiai apibreºkime statistik¡ taip: TT.1 teiginys. T − d) laisves laipsniais. paremtas dvieju regresijos liekanu palyginimu.q turi Fi²erio skirstini su (q. Testas remiasi ideja. kaip mateme anks£iau. Todel j¡ reikia pakeisti ivertinimu. tai statistika TT. Todel duomenys nepalaiko nulines hipotezes. Labai pla£iai naudojamas testas.q = q −1 σ −2 (Rβ − u)τ (R(X τ X)−1 Rτ )−1 (Rβ − u). Taigi ir modelis tuo atveju yra beprasmis. Kol kas esame patikrin¦ hipotezes apie kiekvieno atskirai paimto regresinio modelio parametro reik²mingum¡. (q) Ji apra²o atstum¡ tarp Rβ ir u. Taigi liekanu kvadratu suma neturetu smarkiai pasikeisti. jei teisinga hipoteze H0 . Atitinkama statistika yra F = (ESSr − ESSu )/q . ta£iau pasako. kad duomenys palyginami su s¡lygomis parametrams. Jei nuline hipoteze teisinga.6 KTR modelis: hipoteziu tikrinimas 83 Taigi statistika σ −2 (Rβ − u)τ (R(X τ X)−1 R)−1 (Rβ − u) ∼P χ2 . Klasikinio tiesinio gausinio modelio atveju. Mus domina nuline hipoteze H0 : atºvilgiu alternatyvos β2 = β3 = · · · = βd = 0 H1 : bent vienas i² koecientu βk = 0. T − d) laisves laipsniais. ESSu /(T − d) ƒia ESSu yra regresijos be apribojimu liekanu kvadratu suma. kad modelis nera bevertis. tai tiketina. Tam tikslui naudojome t-test¡. dispersija σ 2 daºniausiai yra neºinoma. ’iame skyrelyje patikrinsime kiek sudetingesn¦ hipotez¦. Statistika F turi Fi²erio skirstini su (q. jei teisinga nuline hipoteze. tai prielaida kad teisinga nuline hipoteze yra teisinga. Alternatyva nenurodo. Statistika TT. tai ne vienas i² paai²kinan£iuju kintamuju nera reik²mingas.q daºnai vadinama tiesiog F statistika. o kitos  tariant kad nuline hipoteze teisinga. Nagrinekime klasikini tiesini modeli Yy = β1 + β2 X2t + · · · + βd Xdt + εt . ai²kiai sumaºina galimyb¦.

7 Suderintumas Anks£iau apibreºtas dydis R2 tinka ir daugelio kintamuju regresiniam modeliui.168 = 0. Norime patikrinti hipotez¦ H0 : prie² alternatyv¡ β2 = 0. 3.35 . nulin¦ hipotez¦ atmetame alternatyvos naudai.867. Teisingos ir tos pa£ios formules.35 Apskai£iuotas determinacijos koecientas yra R2 = 1 − 1805. F = 5888. atitinkan£i¡ F skirstini su (2. kad determinacijos koecientas yra R2 = (Yt − Y )2 = (Yt − Y )2 ESS ε2 t 1− =1− .84 3 skyrius. Bendrasis tiesinis regresinis modelis Iliustracijai panagrinekime PRK modeli. Priminsime. arba β3 = 0. 36.83.187.168 13581. 49) laisves laipsniais. Variacija Paai²kinta Nepaai²kinta Pilnoji DF Kvadratu suma 2 49 51 11776. 13581. Kadangi 159. Ta reik²me yra Fc = 3.09 = 159.84 Taip pat randame 5 procentu kritin¦ reik²m¦.83 > 3.18 1805. T SS (Yt − Y )2 RSS = T SS Nagrinejamame pavyzdyje daline ANOVA lentele yra tokia.187. β3 = 0 H1 : I² lenteliu randame arba β2 = 0.

nes pajamu i²vestine pagal i²laidas reklamai nepriklauso nuo i²laidu reklamai. Vienas i² budu modeliui pagerinti  paai²kinan£iuoju kintamuoju paimti dar ir a2 . Tai yra. Koreliacijos koecientas. pajamos kinta tuo pa£iu dydºiu. yra ta.26) .7 procentus pilnosios variacijos pelno duomenyse paai²kinama modeliu. ir ta dalis variacijos priskirtina paklaidoms.8 Kai kuriu ekonominiu hipoteziu patikrinimas Nagrinekime ²iek tiek bendresni ekonometrini modeli mesainiu pavyzdºiui. determinacijos koecientas yra vienas i² rodikliu. Jis gerokai silpniau reaguoja i pridedamus papildomus kintamuosius del laisves laipsniu skai£iaus T − d vardiklyje. kainu ir i²laidu reklamai variacijomis. t. ir nagrineti modeli trt = β1 + β2 pt + β3 at + β4 a2 + εt . Kaip mineta. apra²an£iu modelio suderintum¡ su duomenimis.3 procentai pelno variacijos lieka nepaai²kinta. kad pajamos nepriklauso nuo i²laidu reklamai didejimo grei£io. matuoja tiesini s¡ry²i tarp kintamuju.8 Kai kuriu ekonominiu hipoteziu patikrinimas 85 Vadinasi. Todel daugelio kintamuju regresiniams modeliams naudojamas pataisytas determinacijos koecientas R =1− 2 ESS/(T − d) . T SS/(T − 1) Nagrinejamame pavyzdyje R = 0. Taip apibreºtas koecientas vadinamas apibendrintu determinacijos koecientu. kiekvien¡ savait¦ reklamai i²leidºiama vis daugiau). net 86.8617. kuri atsiranda. t (3. kaip greitai bedidintume i²laidas reklamai (pvz. Tai labai auk²tas procentas. kad jo reik²m¦ galima dirbtinai padidinti. y. kad duomenyse tik 13. pridejus papildomus paai²kinamuosius kintamuosius.3. savo ruoºtu. naudojant R2 . Viena problema. Tikslinga kelti toki klausim¡: ar pajamu tiesine priklausomybe nuo kainos ir reklamos i²laidu tinkamai atspindi reali¡ situacij¡? Ar modelis nera labai jau idealistinis? Abejoniu kelia tai. Mat R2 yra ir koreliacijos koecientas tarp (Yt ) ir (Yt ). Tai lengva matyti. 2 3. Jis rei²kia.

04 2.0017a2 t K¡ galime pasakyti apie gaut¡ rezultat¡? Jei modelis ivertintas netiksliai.99 Reklama 1000 Lt 4. turime pastebeti.9 12.2 146. Turime dar 28 savai£iu duomenis.58 2. Norint pasiekti pajamu sumaºejim¡. laikydami reklamos i²laidu kvadrat¡ tiesiog papildomu paai²kinan£iuoju kintamuoju. X2t = pt . Noredami nustatyti tiketinus koecientu β3 ir β4 ºenklus. Gaut¡ modeli reikia ivertinti.7 20. atsakas turetu maºeti.21 1.62 1. vienas i² budu ji pataisyti yra surinkti daugiau ir geresniu duomenu. Ai²ku.7 .8 147.87 2.5 128.0 19.74 3. Sav.45 2. Bendrasis tiesinis regresinis modelis Taip gauname modeli.78 2.6 118.4 141. Vidutiniu pajamu atsakas i a yra ∂E(trt ) = β3 + 2β4 at . X3t = at .9 101. t Naudodami turimus duomenis ivertiname parametrus ir gauname ivertint¡ modeli trt = 104. kad β4 < 0. kad β3 > 0.55 3.9 Kaina Lt 1. kad pajamu atsakas i reklam¡ turetu buti teigiamas.0 121.5 138.6 158.3 19.1 12.2 125.5 18.76 Reklama 1000 Lt 16.50 1.5 136. kai Yt = trt .45 3.61 2. Taip galesime patikrinti modelio stabilum¡. gaut¡ modeli galime uºra²yti Yt = β1 + β2 X2t + β2 X3t + β4 X4t + εt . ∂at Kai at padideja vienu vienetu (tukstan£iu litu).3 121.6 Kaina Lt 2.87 1. E(tr) padideja (β3 + 2β4 at ) · 1000 Lt.1 4.2 22.86 3 skyrius.2 17.3 103. Todel tiketina.948at + 0.2 107.3 18.582pt + 2. kuriame tiketinu pajamu atsakas i reklamos i²laidas priklauso nuo reklamos i²laidu.43 2.9 130.3 97.6 25.81 − 6.4 10.1 Sav.0 4. kai at = 0.05 2. Todel visai tiketina. 66 67 68 69 70 71 72 73 74 Pajamos 1000 Lt 1o8. jei i²laidos reklamai dideja.49 3.6 10. X4t = a2 .8 27. 53 54 55 56 57 58 59 60 61 Pajamos 1000 Lt 129.2 4. o pt nekinta.

3.83 2. 0)τ . Dabar panagrinekime. Kritine sritis atitinkanti paskiliautinumo lygmeni α = 0.47 2.120. ESSu /(78 − 4) 4.74) > Fc ) = 0. u = (0. Testine statistika F = (ESSr − ESSu )/2 = 261.8 11.3 4. Marginalinis pelnas atitinkantis vienetini reklamos padidinim¡ yra ∆E(trt ) = β3 + 2β4 at .6 20. Ji turi pavidal¡ Rβ = u.5 143. Nagrinekime praplest¡ modeli trt = β1 + β2 pt + β3 at + β4 a2 + εt . Nuline hipoteze H0 : β3 = 0.8 62 63 64 65 151. kaip patikrinti. Kadangi F = 261.120 nulin¦ hipotez¦ atmetame alternatyvos naudai. t ’ie duomenys suderinami su ekonominiais argumentais del parametru ºenklu.9 14. kai R= 0 0 1 0 0 0 0 1 .97 2. Alternatyva H1 : arba β3 = 0 arba β4 = 0. 1.87 14. ∆at .77 2.7 18.41 > Fc = 3.0 101.t.05. β4 = 0. ar reklama turi itakos pelnui.50 24.5 128. 5.198pt + 3. PRK pavyzdyje reikia parinkti optimalu i²laidu reklamai plan¡.9 75 76 77 78 120.7 2.3.46 − 10.8 128.0268a2 . tai reklama pelno neitakoja.05 yra Fc = 3. 2.41.4 139.8 Kai kuriu ekonominiu hipoteziu patikrinimas 87 2.361at − 0. I²spr¦skime toki optimizavimo uºdavini.9 Vieno greito maisto restorano papildomi duomenys Panaudoj¦ ²iuos duomenis gauname toki ivertint¡ modeli: trt = 110.6 19.04 1.y.64 1. t Jei β3 = 0 arba β4 = 0.9 130. P (F(2. Atlikime test¡ naudodami praplestus duomenis.

kur β3 + 2β4 at = 1. Jei optimali suma reklamai yra 40000Lt o kaina 2Lt ar tiketina. kad pelnas bus 175000Lt? Nagrinejamo modelio kontekste E(trt ) = β1 + β2 pt + β3 at + β4 a2 = t β1 + β2 (2) + β3 (40) + β4 (40)2 = 175. 2. Tarkime. Patikrinkime hipotez¦ 1. Ignoruodami t¡ plius kain¡. Bendrasis tiesinis regresinis modelis Marginalioji kaina reklamos vienetui yra pa£ios reklamos kaina plius papildomos produkcijos. Testine statistika t= (β3 + 80β4 ) − 1 se(β3 + 80β4 ) esant teisingai nulinei hipotezei turi stjudento skirstini su 74 laisves laipsniais. matome. at = 44. Taigi. Ivertin¦ parametrus gauname ir reklamos i²laidu ivertinim¡: 3. . tai yra. gamybos kaina. reklamos kain¡ reikia padidinti ten kur marginalinis pelnas lygus vienam litui atitinka vieno lito i²laidas reklamai.993.361 + 2(−0. 4.0485. optimali reklamos i²laidu suma t-tai savaitei yra 44048. vadinasi. kad nulines hipotezes atmesti negalime. jog tokia suma per didele ir pakaktu 40000Lt. β4 ) = 0. Vienintele problema skai£iuojant tos statistikos reik²m¦ yra suskai£iuoti vardikli. H0 : β3 + 2β4 (40) = 1. Ar suderintos tos dvi hipotezes. Kritine sritis atitinkanti reik²mingumo lygmeni 0. T¡ pati atsakym¡ gautume ir pritaik¦ F -test¡. reikalingos reklamos del reklamos i²augusiai paklausai patenkinti.252.50Lt. Alternatyva H1 : β3 + 2β4 (40) = 1.88 3 skyrius.05 yra tc = 1.76366. Taigi. Taigi t = 0. Patiktrinkime. kad yra manoma. 3. Kitas klausimas kuri aptarkime yra toks. Kadangi var(β3 + 80β4 ) = var(β3 ) + 802 var(β4 ) + 2 · 80cov(β3 .0268)at = 1.

sakykime. . randame ta²kin¦ prognoz¦ Y0 = X0 β. Testine statistika F = 1. 4.9 Prognozavimas 89 1. . εT yra nekoreliuotos ir homoskedastines. Tarkime. t. Turedami duotuas paai²kinan£iuju dydºiu reik²mes. ε1 . Y0 = X0 β + ε0 . Tuomet ivertin¦ parametrus. 3.y. .120 Kadangi F < Fc turimi duomenys neprie²tarauja nulinei hipotezei. t = 1. Galima suskai£iuoti paklaidos dispersij¡ var(f ) ir jos ivertinim¡ var(f ). . Kritine sritis Fc = 3. Alternatyva kad bent viena i² ²iu s¡lygu nepatenkinta. X0 . . Prognozes paklaida yra f = Y0 − Y0 . tariame kad endogeninio kintamojo reik²me Y0 susijusi tuo pa£iu modeliu. Nuline hipoteze H0 : β3 + 2β4 (40) = 1. 3. . β1 + 2β2 + 40β3 + 1600β4 = 175 2. turime tiesini regresini modeli Yt = Xt β + εt . . Dydis se(f ) var(f ) vadinamas standartine prognozes paklaida.75. .3. tariame. Be to. kad paklaidos ε0 . T. .9 Prognozavimas Prognozavimo bendruoju tiesiniu regresiniu modeliu ideologija nesiskiria nuo prognozavimo papras£iausiu tiesiniu regresiniu modeliu.

Beveik akivaizdu. Pavyzdºiui. . β0  butinosios i²laidos maistui. Eε2 = σt ir dist 2 yra skirtingos skirtingiems t. t. t 2 Tiksliau butu tarti. bet nebera geriausias. ju variacija nebera maºiausia tarp visu galimu tiesiniu nepaslinktu ivertinimu.y. pavyzdºiui. 2 Jei regresinio modelio paklaidu dispersijos skiriasi. turesime. var(β2 ) = var( wt εt ) = t 2 2 wt σt .4 Heteroskedasti²kumas ir autokoreliacija 4. t.1 Heteroskedastiniai modeliai Ekonometriniais metodais tirdami ekonominius rei²kinius. kad 2 2 cov(ε) = diag(σ1 . . I²laikydami nekoreliuoto triuk²mo persijos σt prielaid¡. nei dideles pajamas turin£iuju. Tikrai. σn ). Pavyzdºiui. . kad maºesnes pajamas turin£iu namu ukiu i²laidos maistui bus pana²esnes. retai kada i²siversime homoskedastiniais modeliais. Kokios galimos hetroskedasti²kumo pasekmes taikant iprastini maºiausiu kvadratu metod¡? Maºiausiu kvadratu ivertinimai i²lieka tiesiniai ir nepaslinkti. nagrinekime namu ukiu i²laidu maistui modeli Yt = β2 Xt + β1 + εt . nagrinejant kainu duomenis. Tokie modeliai labai daºnai naudojami tiriant vietos aplinkybiu duomenis. tai sakoma. .y. var(εt ) = σt . β2  koecientas apra²antis polinki i²leisti maistui. Tai galime paai²kinti didesnemis galimybemis tenkinti skoni. £ia X  namu ukio pajamos. kad dispersijos nera vienodos. kad modelis yra heteroskedastinis. kai σt = σ 2 su visais t. 2 Maºiausia dispersija gaunama. . t. pirkimo kiekius ivairiu tipu parduotuvese. ivairiu rmu i²laidu bei pajamu duomenis. Todel i²laidu maistui modelyje anks£iau daryta prielaida Eε2 = σ 2 su visais t nera logi²ka. Y  i²laidos maistui.y. kuris ²iaip jau yra visu ºmoniu skirtingas.

Nagrinekime regresinius modelius atskirai su kiekviena duomanu grupe. gavome dispersiju ivertinimus. ir atitinkamai.1: heteroskedasti²kumas Standartines paklaidos maºiausiu kvadratu ivertinimams nebera tikslus. atitinkamai σ1 ir σ2 . Tokiam modeliui homoskedasti²kumo testas suvedamas i hipotez¦: H0 : su alternatyva 2 2 σ1 = σ2 = σ 2 H1 : 2 2 σ1 > σ2 . Daºniausiai heteroskedasti²kumas arba ºinomas i² anksto. Tarkime.4.T2 2 duomenu kuriu dispersija lygi σ2 . Tar2 2 kime. duomenys gali buti sugrupuoti i dvigru2 pes: pirmoje T1 duomenu ir ju dispersija yra vienoda  σ1 . Pastaruoju atveju ie²koma geriausio budo modeliui ivertinti. o antroje . Intuityviai ai²ku. hipoteziu patikrinimui. .1 Heteroskedastiniai modeliai 91 f (y) T f (y|X = x2 ) f (y|X = x1 ) rr x1 rr €€ rr €€ E €€ y €€ €€ €€ €€ rr x2 rr rr rr j r x €€ € y = β1 + β2 x Grakas 4. arba modeliuojamas. Papras£iausia heteroskedasti²kumo forma yra taip vadinamas grupinis heteroskedasti²kumas. Tai atsiliepia pasikliautinumo intervalu tikslumui.

92 4 Heteroskedasti²kumas ir autokoreliacija kad artimi ivertinimai liudija apie hipotezes napgristum¡. Yt∗ = gauname Yt 1/2 (X f t) ∗ . Bendresnis proporcingumo modelis butu var(εt ) = f (Xt )σ 2 . tai jos yra nepriklausomos. ∗ ∗ Yt∗ = β1 X1t + β2 X2t + ε∗ . kad var(εt ) = σ 2 Xt . kai f  kuri nors neneigiama funkcija. kad didesnes pajamas gaunan£iu namu ukiu i²laidos maistui labiau kintamos nei maºesnes pajamas gaunan£iu. Griºkime prie i²laidu maistui modelio: Yt = β1 + β2 Xt + εt . Vienas i² labiausiai paplitusiu modeliu  proporcingumo. σ2 Tai ir yra testine statistika. X1t = ∗ . Mat tuomet pradeda veikti sko2 nio faktorius ir pan. T. T Kadangi statistikos suskai£iuotos i² skirtingu duomenu grupiu. Tiketina. Tikrai. Ivertin¦ modeli maºiausiu kvadratu metodu gausime geriausius tiesinius nepaslinktus ivertinius. t = 1. Vadinasi santykis F = 2 σ1 2 ∼ F (T1 − d. . X2t = Xt 1/2 (X f t) . Taigi. kad 2 2 (T1 − d)σ1 /σ1 ∼ χ2 1 −d . T 2 2 (T2 − d)σ2 /σ2 ∼ χ2 2 −d . . . . tai turesime T skirtingu parametru ir ju negalesime ivertinti. Tokie modeliai paprastai transformuojami i homoskedastinius. Formaliai. . padalin¦ abi puses i² f 1/2 (Xt ) gauname Yt 1/2 (X f Paºymej¦ t) = β1 1 f 1/2 (Xt ) 1 f 1/2 (X t) + β2 Xt 1/2 (X ) f t + εt 1/2 (X f t) . . prisiminkime. kad didesnes pajamos duoda didesni i²laidu maistui i²sibarstym¡ apie vidurki. t Gautas modelis yra homoskedastinis. . I²laidu maistui modelyje tai reik²tu. tiketina. . kad dispersija var(εt ) = σt priklauso nuo t. Tokiu atveju reikia dispersijas modeliuoti. ε∗ = t Yt 1/2 (X f t) . T. t = 1. T2 − d). . Tariame. Ta£iau. jei visos dispersijos bus skirtingos.

. (Yn . . Xs+p ). . t = 1. . . . . . yt ). turime stebejimu duomenis (Yt . ƒia ºvaigºdutes rei²kia. XT sutvarkome didejimo tvarka: X1 ≤ X2 ≤ ∗. Xdt ). T. Nagrinekime tiesini modeli t = 1. X1 ). . . T ir hipotez¦ H0 : Eε2 = Eε2 = · · · = Eε2 . Jei modelio triuk²mo dispersijos yra nevienodos. 4. . Yt = α + βXt + εt . .2 Heteroskedasti²kumo testai Vienas i² budu tiriamo modelio heteroskedasti²kumui nustatyti yra euristiniai samprotavimai. Xn ) surandame atitinkamai dvi regresijos linijas. Heteroskedasti²kumui nustatyti egzistuoja ir formaliu metodu. . (Ys∗ . Paprastai matosi dispersijos didejimo ar maºejimo tendencija.4. Kelet¡ i² ju aptarsime. 1 2 n ’iai hipotezei patikrinti Goldfeldo  Kvandto (Goldfeld  Quandt) testas atliekame ²iais ºingsniais: ∗ ∗ a) kintamuosius X1 . Xs ) ir ∗ ∗ ∗ ∗ (Ys+p .1 GoldfeldoQuandto testas Tarkime. paremti tam tikrais ekonominiais desniais. . . X2t . kuriu paklaidu kvadratu sumos yra atitinkamai ESS1 ir ESS2 . . . Kitas budas  granis. · · · ≤ XT b) pa²aliname p viduriniu i² sutvarkytos eilutes duomenu (rekomenduojama imti p ∼ T /4). . X2 . . kad duomenys sugrupuoti pagal ju sutvarkym¡ pirmajame ºingsnyje.2. . . . tai daºniausiai galime pastebeti plok²tumoje atidej¦ ta²kus (εt . . c) abiems gautoms duomenu grupems ∗ ∗ (Y1∗ .2 Heteroskedasti²kumo testai 93 4. . .

T. 4. kriterijaus galia nera didele. ’i Goldfeldo  Kvandto test¡ galime apibendrinti ir d egzogeniniu kintamuju atvejui. jei fn > xα . Testas remiasi tokia regresinio tipo alternatyvos reprezentacija: 2 ε2 = α0 + α1 Zt + (ε2 − σt ) = t t α0 + α1 Zt + vt .1) Broi²o-Pegano-Godfrejaus (BreuschPeganGodfrey) (BPG) kriterijus heteroskedasti²kumui nustatyti remiasi prielaida. kai Zt yra arba egzogeninis kintamasis arba kuris nors pagalbinis kintamasis. Hipotez¦ H0 atmesime. (T − p − 4)/2) laisves laipsniais. ƒia tα yra randamas i² lygties P (fn > xα ) = α. (4. Tokiu atveju.2) . paai²kinantis paklaidu dispersijos kitim¡. kad 2 σt = α0 + α1 Zt . kad kritin¦ sriti galime parinkti tik pagal pirmosios ru²ies klaidos tikimyb¦.2. duomenis reikia sutvarkyti pagal vien¡ i² nepriklausomu egzogeniniu kintamuju. (4.94 4 Heteroskedasti²kumas ir autokoreliacija Jei paklaidos (εt ) yra nepriklausomi normaliniai atsitiktiniai dydºiai. . t = 1. Atitinkama statistika tada tures Fi²erio skirstini su ((n − p − 2d)/2.2 Broi²o-Pegano-Godfrejaus testas Nagrinekime papras£iausi¡ regresini modeli Yt = β1 + β2 Xt + εt . tai statistika ESS2 fT = ESS1 turi Fi²erio skirstini su ((T − p − 4)/2. Vadinasi. . Kitaip tariant nuline homoskedasti²kumo hipoteze nagrinejama atºvilgiu alternatyvos HA : 2 σt = α0 + α1 Zt . (n − p − 2d)/2) laisves laipsniais. Vienas pagrindiniu ²io kriterijaus trukumu yra tas. padarydami pirmosios ru²ies klaid¡ su tikimybe α. . .

. tai Eνt = E[log(χ2 )] = −1. paai²kinantis heteroskedasti²kum¡. tai ºinoma. kuriame triuk²mo dispersijos yra 2 σt = exp{α0 + α1 Zt }. T. 2 Jei εt ∼ N (0. galetume patikrinti hipotez¦ α1 = 0. Jei teisinga nuline hipoteze ir modelis yra gausinis. Jei turetume εt .3 Harvej testas Nagrinejamas modelis. Testine statistika yra RSS/2. kad testine statistika turi χ2 skirstini. arba kuris kitas kintamasis.2. surandame regresijos liekanas εt .2) modelyje ivertin¦ parametrus α0 ir α1 .9348. 1 Toliau galime liekan¡ centruoti ir gauti regresini modeli su nulinio vidurkio liekana.4. noredami patikrinti hipotez¦ H0 prie² alternatyv¡ HA atliekame ²iuos ºingsnius: 1. Tuomet 2 log(ε2 ) = α0 + α1 Zt + log(ε2 /σt ) = t t α0 + α1 Zt + νt . . juos kei£iame liekanomis εt . Dydis Zt yra arba i modeli itrauktas paai²kinamasis kintamasis Xt . ivertin¦ modeli. t ε2 t = α0 + α1 Zt + vt σ2 ir suskai£iuojame paai²kinam¡j¡ variacijos dali RSS. tai (4. 1 4. Tada εt kei£iame liekanomis εt . ivertiname T σ =T 3. . . Kadangi dydºiai εt nera stebimi. 2. ivertiname tiesin¦ regresij¡ 2 −1 t=1 ε2 . Taigi. σt ). .2 Heteroskedasti²kumo testai 95 2 ƒia vt = ε2 − σt yra atsitiktiniai dydºiai su nuliniu vidurkiu Evt = Eε2 − t t 2 σt = 0 su kiekvienu t = 1.2704 1 ir var(νt ) = var[log(χ2 )] = 4. 4.

nuo kvie£iu kainos (arba prognozuojamos kainos) ir oro s¡lygu. Sudarykime ekonometrini modeli: qt = β1 + β2 pt + β3 t + εt . kur jie atsidure po atitinkamu perstatu) skirtumas.X yra didele. t = 1. . jei vyriausybe ruo²iasi ksuoti supirkimo kain¡. be kitu.2. . atspindi ir oro itak¡ kvie£iu derliui. Kai paai²kinamuju kintamuju yra daugiau. Taigi bendru atveju kvie£iu pasiulos funkcija butu Q = f (P.X = 1 − 2 6 T Dt t=1 .2. reguliuojant kvie£iu supirkimo kainas ar subsidijas. Suskai£iuojame statistik¡ ε∗ 2 rε. W ) Pasiulos priklausomybe nuo kainos yra labai svarbi vyriausybei. Jei statistika rε.4 4 Heteroskedasti²kumas ir autokoreliacija Spirmano testas Randame regresijos liekanas ir sutvarkome jas maºejimo tvarka: ε∗ > 1 > · · · > ε∗ . Be to.96 4. besivystan£iame kvie£iu auginimo regione.5 Ekonominis pavyzdys Nagrinekime kvie£iu pasiul¡ Australijoje. 4. pt  kvie£iu kaina t-metais (garantuota ar prognozuojama). εt  atsitiktinis faktorius. jai svarbu ºinoti tiketin¡ pasiul¡. T (T 2 − 1) £ia Dt yra atitinkamu poru X ir ε rangu (vietu numeriu. Mat. kuri atitiktu siulom¡ kain¡. . Kvie£iu pasiulos funkcija priklausys nuo naudojamos technologijos. T. 26  metai ir kartu trendas. kuris. kai qt  i²augintu kvie£iu kiekis t-metais. atspindintis kvie£iu auginimo technologijos paºang¡. . tai rodo heteroskedasti²kum¡. sutvarkome maºejimo tvarka ir egzogeninius kintamuT ∗ ∗ ∗ osius: X1 > X2 > · · · > XT . . reikia suskai£iuoti analogi²kus dydºius su visais kintamaisiais. 2.

7 221.50 2.2 266.4 278.1 234.6 140.1 p 1. Viena galimybe  atsitiktiniai dydºiai (εk ) yra nepriklausomi ir vienodai pasiskirst¦ su nuliniu vidurkiu ir baigtine dispersija.5 239.83 2.45 2. Tam tikslui turime duomenis apie Australijos regionus (3 lentele). β3 yra modelio parametrai. q 197.47 1.44 1.26 2. . Suskaid¦ duomenis i dvi grupes. .1 283.4 p 2. (4. var(εt ) = 2 σ1 .17 2. kad pagrindinis paklaidu faktorius yra oras.4 239.0 236. galime tarti.64. εs ) = 0. Todel tiketina.14 t 1 2 3 4 5 6 7 8 9 10 11 12 13 q 240.49 1.5) kai t = 1.94 1. 2 σ2 .52 2.3) (4.0 208.6 207. . . ivertiname 2 σ1 = 641. β1 . Ta£iau yra ºinoma. .30 1. kad σ1 > σ2 .41 2. kad po pirmu trylikos metu buvo i²vestos kvie£iu veisles. .36 t 14 15 16 17 18 19 20 21 22 23 24 25 26 Kvie£iu kiekiu ir atitinkamu kainu duomenys Noredami uºbaigti modelio specikavim¡.09 1. 2 2 Be to.89 1. 26.59 1.3 166.65 3. kad po trylikos metu.9 272.74 2. Turedami omenyje. .4 277.44 2. .42 2.76 .15 2. cov(εt . .79 3.4 301. kuriuos reikia ivertinti. kai t = s. .4) (4.0 281.83 2.51 2.2 284.1 162. β2 .4.0 258.0 218. realisti²kesnes butu ²ios prielaidos modelio paklaidoms: Eεt = 0. kurios maºai reaguoja i oro permainas.5 195. 13 kai t = 14.2 253.4 247. 2 σ2 = 57.69 3. turime padaryti prielaidas paklaidoms.5 159. . 26.2 Heteroskedasti²kumo testai 97 Kaip iprasta. Apra²ytas modelis atitinka grupini heteroskedasti²kum¡. kvie£iu derlius tapo stabilesnis. t = 1. .

kad paklaidu dispersija priklauso nuo pajamu lygio.22.22.1 + 21. atitinkanti (18.98 4 Heteroskedasti²kumas ir autokoreliacija Gautas reik²mes panaudoj¦ modelio transformacijai. tardami. yra Fc = 2.7) (8.81) Goldfeldo-Kvandto testine statistika yra (0. Kadangi GQ = 3. tai nulin¦ hipotez¦ atmetame. 18) laisves laipsniu. .283t (12.35 > Fc = 2. ivertiname koecientus ir i²vedame regresij¡ qt = 138.35 Su 5 procentu pasikliautinumu.72pt + 3. kritine reik²me.812) GQ = 3.

Net ir grynai atsitiktiniai faktoriai. . Tokiu atveju sakoma. Dauguma ekonominiu kintamuju link¦ autokoreliuoti. nors i² tikro yra cikline priklausomybe. pavyzdºiui. Jei toks kintamasis nebuvo itrauktas i lygti tai butinai atsiras autokoreliacija. Ta£iau ir regresiniuose modeliuose daºnai atsitinka.. Tai susij¦ su praleistais duomenimis. Bloga modelio specikacija. daºniausiai nebera teisinga stebint laiko eilutes. 4. Labai daºnai modelio paklaidos (εt ) tenkina s¡ry²i εt = f (εt−1 ) + vt .4.1 Autokoreliacijos testavimas DurbinoVatsono testas Bene daºniausiai pasitaiko pirmos eiles autoregresine tiesinio modelio paklaidu struktura. £ia (vt ) yra nepriklausomi ir vienodai pasiskirst¦ atsitiktiniai dydºiai. ²tormai. Pavyzdºiui. 2.4. parinkome tiesini modeli. tures itakos keliems laiko periodams (pavyzdºiui. Daºniausiai pasitaikan£ios prieºastys autokoreliuotumui yra ²ios: 1. kad skirtingu stebejimu rezultatu paklaidos nekoreliuotos. Statistikiniai duomenys daºnai gaunami interpoliuojant. karai. Pirmiausia pastebesime.4 4. kad paklaidu koreliacija neturi itakos ivertinimu suderinamumui. 3. Praleisti paai²kinamieji kintamieji (bloga modelio specikacija). bet turi itakos tu ivertinimu efektyvumui. kad modelio paklaidos yra autokoreliuotos.3 Autokoreliacija Prielaida. o f kuri nors funkcija. drebejimai. streikai ir pan. 4. gamybos procesui). kad ta prielaida nera pagrista.

Ha3 : ρ = 0. kai εt = ρεt−1 + ut . Jei DW = 0. Jei DW = 2. kad εt ir εt−1 yra daºniausiai to paties ºenklo. . jei tarsime. d = t=1 T 2 t=1 εt Tar¦. tai esant teigiamai pirmosios eiles koreliacijai. DW testas skirtas nulinei hipotezei H0 : ρ = 0 prie² vien¡ i² ²iu alternatyvu: Ha1 : ρ > 0. nulin¦ hipotez¦ taip pat atmetame. tai hipotez¦ atmetame. tai suma t εt εt−1 darysis neigiama ir d bus ry²kiai didesnis uº du. sandaugos εt εt−1 bus teigiamos ir d bus ry²kiai maºesnis uº du. Jei DW = 4.100 4 Heteroskedasti²kumas ir autokoreliacija Paklaidu koreliuotumui tikrinti egzistuoja keletas testu. Jis skirtas regresiniam modeliui d Yt = β1 + j=2 βj Xjt + εt . kad pakankamai dideliems T T T T ε2 ≈ t t=2 t=2 ε2 ≈ t−1 t=1 ε2 . T 2 t=1 εt Dabar galime nesunkiai suprasti DW testo motivacij¡. Tikrai. Jei εt it εt−1 daºniau yra skirtingu ºenklu. tai duomenys neprie²tarauja hipotezei. Testine statistika yra Ha2 : ρ < 0. n 2 t=1 εt kai (εt ) yra maºiausiu kvadratu regresijos liekanos. i galime uºra²yti d≈2 1− T t=1 εt εt−1 . Nagrinekime T (εt − εt−1 )2 . kaip nepagrist¡. Vienas i² ju yra Durbino  Vatsono (Durbin  Watson) DW testas. DW = n 2 t=2 (εt − εt−1 ) .

. . 1 − ρ2 . T. . t = 1. . . T. Tarkime.6) εt = ρεt−1 + νt . . Be to. σν ) atsitiktiniai dydºiai. εt−1 ) = E(νt + ρνt−1 + E(νt + 2 t−2 + · · · )(νt−1 + ρνt−2 + ρ νt−3 + · · · ) = ρ(νt−1 + ρνt−2 + ρ2 νt−3 + · · · ))(νt−1 + ρνt−2 + ρ2 νt−3 + · · · ) = ρE(νt−1 + ρνt−2 + ρ2 νt−3 + · · · )2 = 2 ρσν = . ir tarkime. tai 2 2 2 Eε2 = Eνt + ρ2 Eνt−1 + ρ4 Eνt−2 + · · · = t 2 = (1 + ρ2 + ρ4 + · · · )σν = 2 σν .5 Modelio vertinamas esant autokoreliacijai Nagrinekime modeli Yt = β1 + β2 X2t + · · · + βd Xdt + εt . kad εt = ρεt−1 + νt = ρ(ρεt−2 + νt−1 ) + νt = · · · = = νt + ρνt−1 + ρ2 νt−2 + · · · Kadangi Eεt = 0.4. 1 − ρ2 o cov(εt . . kad paklaidos (εt ) tenkina toki s¡ry²i: (4. Nesunku suskai£iuoti. . (4. |ρ| < 1. tarkime. t = 1. kad νt ir εt−1 yra nepriklausomi. . 1 − ρ2 ρ2 ν = Bendru atveju gausime Eεt εt−s = 2 ρs σν . vadinamas pirmos eiles autoregresiniu triuk²mu. Triuk²mas. kad ε0 = 0 ir. νT yra nepriklausomi vienodai pasiskirst¦ N (0. .5 Modelio vertinamas esant autokoreliacijai 101 4. apra²omas (??) lygtimi. . .7) 2 kai ν1 .

1    .. . kai ρ = 1.. (4. . . gausime ∗ ∗ Yt∗ = β1 (1 − ρ) + β2 X2t + · · · + βd Xdt + νt . .. ρ2 ρ . . pavyzdºiui. modeli suvesti i nekoreliuotu paklaidu modeli. Xjt = Xjt − ρXj. Ta£iau daºniausiai ρ nera ºinomas. Xkt = Xdt − ρXd. d. . pritaik¦ toki¡ procedur¡. . .. . t = 1. .  Jei ρ ºinomas. .. . Ypa£ idomus yra atvejas.t−1 .9) kai Yt∗ = Yt − ρYt−1 . ρT −1 ρT −2 . . . Kadangi Yt = β1 + β2 X2t + · · · + βd Xdt + εt Yt−1 = β1 + β2 X2(t−1) + · · · + βd Xd(t−1) + εt−1 . tai antr¡j¡ lygti padaugin¦ i² ρ ir atem¦ i² pirmosios. . T.t−1 .t−1 . . t = 1.102 Taigi 4 Heteroskedasti²kumas ir autokoreliacija   2 cov(ε) = Eεε = σ"   ρT −1 ρT −2 ρT −3 . . . . Tuomet gautasis modelis (4. T ε2 t=1 t−1 • Su ²ia ρ reik²me atliekame apibendrint¡ diferencijavim¡: ∗ ∗ Yt∗ = β1 (1 − ρ) + β2 X2i + · · · + βd Xdt + νt . j = 1. . ρ 1 . panaudoj¦ paprastas proceduras. . T ir apskai£iuojame ρt = T t=1 εt εt−1 . . Tuomet naudojame jo ivertinim¡. . . . tai galime. (4. . 1 ρ .8) kai ∗ Yt∗ = Yt − ρYt−1 . kuri galime rasti. . . ∗ ∗ X2t = X2t − ρX2. . . .8) vadinamas pradinio modelio pirmaja i²vestine. • Randame regresijos liekanas εt .

8) kei£iame lygtimi εt = ρεt−1 + νt ir kartojame pirm¡ ºingsni.10) kai β1 ir β2 yra parametru atitinkamai β1 ir β2 maºiausiu kvadratu ivertinimai. (4. Kai autokoreliacijos nera. geriausias paklaidos εT +1 ivertinimas yra jo vidurkis. Jei modelio paklaidos nekoreliuotos. kad kiekvienos naujos stebejimu poros (XT +1 . T. Todel ir (4. Ta£iau tai dar ne viskas. . . T. Ai²ku. YT +1 = β1 + β2 XT +1 + εT +1 .9) koecientu βi ivertinimus βi ir apskai£iuojame liekanas εt = Yt − β1 − β2 X2t − · · · − βd Xdt . Jei modelis yra Yt = β1 + β2 Xt + εt . YT +1 ) generavimo mechanizmas yra toks pat.10) formule apibreºtas YT +1 ivertinys YT +1 nebera geriausias. . T. .6 Prognozavimas esant autokoreliacijai 103 • Surandame regresijos (4. • ’i proces¡ t¦siame tol.4. tai geriausias YT +1 reik²mes ivertinys butu YT +1 = β1 + β2 XT +1 . . Kai .6 Prognozavimas esant autokoreliacijai Ankstesniuose skireliuose mateme. • Autoregresin¦ lygti (4. t = 1. . modelio parametrus galima ivertinti atsiºvelgiant i paklaidu autokoreliacij¡. Ta£iau. tai β1 ir β2 nebera patys geriausi ivertiniai. . jei paklaidos autokoreliuoja. tai prognozavimas remiasi prielaida. t = 1.y. kuris lygus nuliui. kad klasikiniu regresiniu modeliu prognozuojame papras£iausiu interpoliavimo metodu. 4. . kol naujoji ρ reik²me nuo ankstesnes skirsis ne daugiau kaip 0.01 arba 10  20 kartu.

panagrinekime ºemes ukio produktui panaudoto ºemes ploto ir to produkto pajamingumo s¡ry²i. P  gautos pajamos. kai modelio paklaidos autokoreliuoja. Paklaidos sistemin¦ komponent¦ ρεT galime prognozuoti dydºiu ρεT . 4. o εT = Yt − β1 − β2 XT .pakl.169) R2 = 0.971Xt . Kaip pavyzdi. kai ρ yra parametro ρ ivertinys. Tegu A nagrinejama ºemes ukio kultura uºimt¡ plot¡. Turimi duomenys apra²o cukraus paselius Banglade²e (Lietuvi²ku duomenu kol kas nera). Gausimme toki rezultat¡: Yt = 6. o tiesio ivertinkime parametrus maºiausiu kvadratu metodu.) . Taigi geriausia YT +1 prognoze.706 (0.111 + 0. Kol kas nedarykime jokiu prielaidu modelio paklaidoms. tai εT +1 = ρεT + νT . Paºymej¦ Yt = log(At ). yra YT +1 = β1 + β2 XT +1 + ρεT . (0.111) (stand.104 4 Heteroskedasti²kumas ir autokoreliacija paklaidos autokoreliuoja. Turime 34 metinius uºimto ploto ir cukraus kainos stebejimus. Xt = log(Pt ). Nagrinekime pastovaus elasti²kumo log-log modeli log(A) = β1 + β2 log(P ) + ε. sudarykime modeli Yt = β1 + β2 Xt + εt .7 Ekonominis pavyzdys Daºniausiai autokoreliuotus modelius tenka taikyti sprendºiant uºdavinius susijusius su ºemes ukiu.

287834 0. galime i²kart pasitelkti i pagalb¡ Durbino-Vatsono test¡ ir patikrinti paklaidu autokoreliacij¡.220826 0. o paseliu ploto elasti²kumas kainai yra beveik vienetas.075258 0.368771 0. kad abu parametrai ºenkliai skiriasi nuo nulio. kurios.7 Ekonominis pavyzdys 105 Plotas Cukranendriu kaina Plotas Cukranendriu kaina At 29 71 42 90 72 57 44 61 60 70 88 80 125 232 125 99 250 Pt 0.195946 0.114894 0.322976 0.141783 0. Ta£iau pagalvokime. kad fermeriai planuoja cukranendriu paseliu plotus atsiºvelgdami i savo suvokim¡ apie busim¡ cukraus kain¡ bei vyriausybes muitu politik¡ cukraus atºvilgiu. Kadangi fermeriu suvokimas kinta gana letai.110309 0.353188 0.226087 0. atspindi paklaid εt struktur¡. kad paklaidos bus koreliuotos. tiketina.235821 0.4.109562 0.285076 0.404692 0. I² jos gana ai²kiai matyti .230411 0.391660 Duomenys apie cukranendremis uºimt¡ plot¡ ir cukranendriu kain¡ Rezultatas rodo.194030 0. Bet skubeti nepatartina.410233 0. tam tikra prasme. Pirmiausia neai²ku kokia koreliacija galetu buti apskritai.267396 0.401437 0.360418 0. Taigi pirmiausia patariama pasiºiureti i regresijos liekanas εt . šemiau esan£ioje leteleje pateitos visu 34 liekanu reik²mes.270362 0.209559 0. Taigi juos atspindi modelio paklaidos.401582 0.132486 0.463087 0.301266 0.145585 0. ar galime taip lengvai nekreipti demesio i paklaidu savybes: heteroskedasti²kum¡ ar autokoreliacij¡? Akivaizdu.188259 0.205394 0.101075 0. Ai²ku.380952 At 91 121 162 143 138 230 128 87 124 97 152 197 220 171 208 237 235 Pt 0. Modelyje nei vienas i² ²iu kintamuju nera itrauktas.360332 0.

pasinaudokime DurbinoVatsono kriteriju.149 0. Ar ²is skai£ius ºenkliai maºesnis uº du ar didesnis uº nuli? Tikriausiai. Laikas εt −0.064 Laikas εt −0.251 −0.281 −0.082 −0. εt = ρεt−1 + ηt . Taigi i²vada: modelio paklaidos yra teigiamai autokoreliuotos.481 −0.401 −0.209 0.y. kad paklaidos yra autokoreliuotos. Ji galime ivertinti pasinaudoj¦ turimomis liekanpomis (εt ) taip: ρ= T t=2 εt εt−1 T t=2 εt−1 = 0.119 −0. kai (ηt ) nepriklausomi ir vienodai pasiskirst¦ atsitiktiniai dydºiai. Tai yra teigiamos koreliacijos poºymis.396 Laikas εt −0.035 0. Gretimu liekanu ºenklai daºniausiai yra vienodi.0098.162 −0. Taigi pataisyti modeli galime padar¦ prielaid¡. T.605 0.233 0.05.342. Cukranandriu pavyzdyje Durbino-Vatsono statistika yra d = 1.180 0.308 0.106 4 Heteroskedasti²kumas ir autokoreliacija neigiamos koreliacijos tendencija.651 Laikas εt −0. Mat liekanu ºenklai grupuojasi tai i teigiamus.431 −0.484 −0.347 −0.258 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 Modelio liekanos cukranendriu pavyzdyje Noredami patikrinti autokoreliacijos hipotez¦.317 −0. .050 0.291) = 0.034 0.021 −0.027 0.528 0.291.141 0.242 0.182 0. tai i neigiamus. ’i reik²me maºesne uº priimtin¡ reik²mingumo lygmeni 0. reikia ºinoti ρ.312 −0.147 0. Noredami ivertinti parametrus cukranendriu modelyje.106 −0.191 0. Bet busime tikresni suskai£iav¦ atitinkam¡ p-reik²m¦: p − reik²me = P (d ≤ 1.

bet jo logaritmo.1641 − 1.4) + 0. tai εT = YT − β1 − β2 XT = log(AT ) − β1 − β2 log(PT ) = 5. Perskai£iavus i plot¡. Kadangi β1 = 6. .4. β2 = 1.7 Ekonominis pavyzdys 107 Kitas ºingsnis  transformuoti duomenis ir i² ju ivertinti parametrus.239 = 5.0066.137) Suskai£iuokime cukranendriu paseliu ploto prognoz¦ atitinkan£i¡ kain¡ 0.3235.342 · 0.342.213) (0. ρ = 0.0066 log(0. Atkreipiame demesi.1641 + 1.239.9374) = 0.0066(−0.1641.164 + 1.4596 − 6.Visa tai atlik¦.4. gauname log At = 6. gauname AT +1 = 205.007 log(Pt ) (0. kad gauta ne paseliu ploto prognoze. Dabar jau galime suskai£iuoti ir reikaling¡ prognoz¦: YT +1 = β1 + β2 XT +1 + ρεT = 6.

kad kriziu laikotarpiais vartojimas paprastai ribojamas.1 Bendresni regresiniai modeliai Fiktyviu kintamuju panaudojimas Klasikiniame tiesiniame regresiniame modelyje Yt = β1 + β2 X1t + · · · + βd Xdt + εt i²reik²tiniai parametrai β1 . Paprastai. Nagrinekime regresini modeli Ct = β1 + β2 Yt + εt . Fiktyvus kintamasis D apibreºiamas taip: D= 1. tokie kintamieji naudojami norint skaitmeni²kai i²reik²ti kokybinius rodiklius. Vienas i² budu atsiºvelgti i kokybin¦ charakteristik¡ (²iuo atveju i karo laikotarpi)  panaudoti ktyvu (dichotomini) kintam¡ji. . nes nagrinejamas laiko periodas apima ir antaji pasulini kar¡. Kadangi βk = vidurkio EYt pasikeitimas. . ∂EYt o kiti kintamieji lieka pastovus = .5 5. β2 . βd laikomi nekintamais. Ta£iau to neapra²o klasikinis tiesinis regresinis modelis. kai Xkt pakinta vienu vienetu. kai kokybines charakteristikos nera. . Kad butu ai²kiau. . 1970. kai teisinga kokybine charakteristika 0. kad skirtingais laikotarpiais Xkt itakoja endogenini kintam¡ji skirtingai. . Ta£iau labai daºnai nutinka. Todel kuris nors i² parametru turetu reaguoti i tai. Fiktyvus kintamasis yra toks paai²kinantysis kintamasis. kad toks modelis nebus tikslus. ∂Xkt tai dydºio Xkt pasikeitimas turi t¡ pa£i¡ itak¡ visiems stebejimams. o Yt  realiosios pajamos vienam gyventojui t metais. Akivaizdu. ’iame skyrelyje aptarsime galimus klasikinio tiesinio modelio apibendrinimus. Gerai ºinoma. . t = 1929. . . Tegu Ct rei²kia suvartojim¡ vienam gyventojui t metais. kuris igyja tik dvi reik²mes: 0 arba 1. nagrinekime s¡ry²i tarp JAV pajamu i² i²laidu 1929 1970 metu laikotarpyje. .

.5. . t = 1929. Toliau nagrinekime apibendrint¡ modeli: Ct = β1 + β2 Yt + δDt + εt .1: ktyvus kintamasis kei£ia laisv¡ji nari . ’iuo modeliu apra²ome besikei£ianti laisv¡ji nari. C T           EC = β1 + δ + β2 Y            EC = β + β Y 1 2 E Y Grakas 5. . . 0. 1970.1 Fiktyviu kintamuju panaudojimas 109 Nordami ²i¡ idej¡ pritaikyti nagrinejamam pavyzdºiui. kai t = 1941. 1946. i²skirkime karo periodo 19411946 metus ir apibreºkime Dt = 1. kitais atvejais. . . palikdami polinkio parametr¡ nekintamu. . .

Galimas ir bendras atvejis. .110 5 Bendresni regresiniai modeliai Metai C 1145 1059 1016 919 897 934 985 1080 1110 1097 1131 1178 1240 1197 1213 1238 1308 1439 1431 1438 1451 Y 1236 1128 1077 921 893 952 1035 1158 1187 1105 1190 1259 1427 1582 1629 1673 1642 1606 1513 1567 1547 Metai C 1520 1509 1525 1572 1575 1659 1673 1683 1666 1735 1749 1755 1813 1865 1945 2044 2123 2160 2248 2301 2323 Y 1646 1657 1678 1726 1714 1795 1839 1844 1831 1881 1883 1909 1968 2013 2123 2235 2331 2398 2480 2517 2579 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 I²laidos ir pajamos vienam ºmogui Turimi duomenys duoda toki rezultat¡: Ct = 101.36− 204.86Yt (3.98) (−10.91) (58.73) Skliaustuose nurodytos atitinkamos t-testo reik²mes. galime nagrineti modeli Ct = β1 + β2 Yt + γ(Yt Dt ) + εt .95Dt + 0. Pavyzdºiui. tiek polinkio parametr¡: Ct = β1 + δDt + β2 Yt + γYt Dt + εt . apjungiantis tiek ktyvu laisv¡ nari. Fiktyvu kintam¡ji galime panaudoti taip pat ir polinkio kitimui apra²yti.

Tuomet galime nagrineti tiesini modeli W = β1 + δD + β2 EXP + β3 OU T P U T + β4 QU AL + ε. kad egzistuoja atlyginimu diskriminacija. Pastaruosius du kintamuosius apra²ysime ktyviais dydºiais D  priklausomum¡ nuo lyties ir (M ET RICS)  priklausomum¡ nuo baigtos programos. kvalikacij¡ ir sugebejimus. Rezultatas δ = 0 parodytu. jei moteris. Tarkime.2: ktyvus kintamasis kei£ia polinki Yra daugybe pavyzdºiu. Paai²kinamieji kintamieji turetu buti: patirtis (EXP ).1 Fiktyviu kintamuju panaudojimas 111 T C         EC = β1 + (δ + β2 )Y   EC = β1 + β2 Y               E Y Grakas 5. jei darbuotojas yra vyras ir 1. Noredami i tai atsiºvelgti modelyje. Lytis taip pat gali tureti itakos atlyginimui. . 2. kuris priima reik²m¦ 0. kai ktyvaus kintamojo pagalba reikia apra²yti arba kintam¡ laisv¡ nari arba polinkio parametr¡ arba abu i²kart. Regresinis modelis galetu buti toks: SAL = β1 + δ1 D + δ2 M ET RICS + β2 GP A + ε. lyties. tiriame. kaip statistikos magistru atlyginymas (SAL) priklauso nuo kvalikacijos (GP A). ir programos. kuri¡ baige ar studijuoja magistrantas: statistik¡ ar ekonometrij¡. Parametras δ apra²o atlyginimu skirtum¡ tarp vyro ir moters. Nagrinejame kurios nors profesijos atlyginimus W . kai jau atsiºvelgta i patirti. kvalikacija (QU AL). pareigu atlikimo matas (OU T P U T ).5. 1. iveskime ktyvu kintamaji D.

Todel kurio nors vieno i² ju reikia i lygti neitraukti. . Norint nustatyti ar kokybinis kintamasis daro esmin¦ itak¡. Fiktyvus kintamieji gali buti panaudoti nustatant regionin¦ itak¡ ekonomikos raidai. H1 : δ = 0. 1970. galime nagrineti modeli P RICE = β1 +β2 SIZE+β3 LOT +β4 AGE+δ1 P OOL+δ2 HOOD+εt .112 5 Bendresni regresiniai modeliai 3. t = 1929. tiriame vartojimo priklausomybes nuo pajamu ipatumus skirtingiems regionams. . H0 : δ = 0. Nekilnojamo turto agenturos ekonomistai nagrineja faktorius itakojan£ius namo kain¡ (P RICE ). S  suvalkija. D  dzukija ir A  auk²taitija. Noredami patikrinti. domina visa eile kokybiniu namo charakteristiku. Be to. turime nustatyti koeciento δ reik²mingum¡. Modelis galetu buti toks: V = β1 + β2 I + δ1 Z + δ2 D + δ3 S + ε. Kainai gali daryti esmin¦ itak¡ gali daryti vietove (HOOD). Mat Z + S + D + A = 1. Vadinasi. Pavyzdºiui. Pavyzdºiui. . Pavyzdºiui. Jei δ  parametro δ maºiausiu kvadratu ivertis. τ= se(δ) kai modelio paklaidoms teisinga gausi²kumo prielaida. kurios galetu daryti esmin¦ itak¡ kainai. Pavyzdºiui. tai δ−δ ∼ tT −K . ar karo laikotarpis turejo esmines itakos vartojimui. . . 2. reikia atlikti koeciento reik²mingumo testus. Galime negrineti tokius ktyvius kintamuosius: Z  ºemaitija. nagrinekime vartojimo modeli Ct = β1 + δDt + β2 Yt + εt . 4. kai kurie namai turi baseinus (galime nagrineti atitinkam¡ ktyvu kintamaji (P OOL)). tarkime. Noredami patikrinti karo laikotarpio itak¡. galime pasinaudoti t testu. Ta£iau visi keturi ktyvus kintamieji vienu metu ieiti i modeli negali. Pagrindiniai paai²kinamieji kintamieji yra: namo plotas (SIZE ) ir jo amºius (AGE ). tie kintamieji yra tiesi²kai suri²ti. 1.

stoti i universitet¡ ar ne? Suteikti kredit¡ ar ne? Pirkti nam¡ ar nepirkti? Ekonometristai bando i²siai²kinti. apibreºkime ktyvu kintam¡ji: Y = 1. Kadangi galimos reik²mes yra tik dvi. Kaip paai²kinti individo pasirinkim¡ vykti i darb¡ visuomeniniu transportu ar nuosavu automobiliu? Noredami sukiekybinti pasirinkim¡. dydis Y pilnai apra²omas tikimybe p = P (Y = 1). Testine statistika τ= δ se(δ) . 0.708 nulin¦ hipotez¦ atmetame ir darome i²vad¡.01. Testines statistikos reik²me yra τ= −204. Tuomet 1 − p = P (Y = 0). Vidurkis EY = p. Tam tikslui i²vystyti diskretaus pasirinkimo modeliai. Pabandykime juos i²siai²kinti paprastu pavyzdºiu. jei |τ | ≥ 2. kad karas turejo reik²mingos itakos vartojimui. 18.5. (5. Apibreºkime X = t1 − t2 .2 Tikimybinio pasirinkimo modeliai Labai daºnai tenka spr¦sti dilem¡: arba-arba. Taigi.79 Kadangi | − 10. Parink¦ reik²mingumo lygmeni α = 0. 4. turi stjudento skirstini. kokios prieºastys lemia vien¡ ar kit¡ sprendim¡.91| ≥ 2. Kokie faktoriai lemia jo reik²m¦? Vienas faktoriu gali buti laiko tarp keliones nuosavu ir visuomeniniu transportu skirtumas.1) Dydis Y yra atsitiktinis ir diskretus. jei pasirenkamas nuosavas automobilis jei pasirenkamas visuomeninis transportas. 5. 5. kai teisinga nuline hipiteze.2 Tikimybinio pasirinkimo modeliai 113 3.708.91. . i²ties reikia ivertinti tikimyb¦ p. nulin¦ hipotez¦ atmesime.95 = −10. Pavyzdºiui.

Ta£iau toks modelis butu visai nepriimtinas. naudojama netiesine priklausomybe tarp p ir X . kad didejant X . kad vidurkis EY ir X suri²ti tiesiniu s¡ry²iu. Y2 = 1. Tuo pa£iiu ir tiesin¦ regresij¡ Y = β1 + β2 X + ε. Tuomet tikimybe p modeliuojama s¡ry²iu p = F (β1 + β2 X). Be to.114 5 Bendresni regresiniai modeliai kai t1 rei²kia laik¡. kad ivertin¦ parametrus. kad Y1 = 1. Taigi tiketinas teigiamas s¡ry²is tarp tikimybes p ir laiko skirtumo X . gautas pasirinkimo Y ivertinys butu Y = β1 + β2 . Tam kad pasirinkimo tikimybe p i²liktu intervale [0. t2  nuosavu automobiliu. kad tie dydºiai yra nepriklausomi. turime P (Y1 = 1. kad du pirmieji vaºiuoja i darb¡ autobusu. Kokia yra tikimybe. dideja ir tikimybe rinktis nuosav¡ transport¡. tiek reik²mes didesnes uº vien¡. Butent. Kaip pamename. Kaip ivertinti tikimybini pasirinkimo modeli? Daºniausiai naudojamas maksimalaus tiketinumo metodas. jei eksponentinio  logit. kad tuos tris pilie£ius atatinkan£ios X reik²mes yra X1 = 15. X2 = 20. Jei F standartinio normaliojo dydºio pasiskirstymo funkcija. atsitiktinai atrinkome tris pilie£ius ir nustateme. Y3 = 0) = P (Y1 = 1)P (Y2 = 1)P (Y3 = 0) = F (β1 + 15β2 )F (β1 + 20β2 )[1 − F (β1 + 5β2 )] . Ta£iau tas dydis gali igyti tiek neigiamas reik²mes. Y2 = 1. Viena i² prieºas£iu butu heteroskedasti²kumas. nustateme. tarkime F yra kokia nors pasiskirstymo funkcija. A priori tiketina. Y3 = 0? Tardami. regresija atsitiktini dydi i²rei²kia vidurkio ir atsitiktines paklaidos suma: Y = E(Y ) + ε. Y2 = 1. Kitas trukumas tas. Taigi Y1 = 1. trunkanti nuvykti i darb¡ autobusu. Tarkime. turetume EY = p = β1 + β2 X. 1]. tai gautas modelis vadinamas probit. Y3 = 0. o tre£iasis  nuosavu automobiliu. Tardami. X3 = 5.

Analogi²ki samprotavimai taikomi ir kitam kra²tiniam atvejui.5. kad β2 > 0. Standartinio normaliojo dydºio tankis savo didºiausi¡ reik²m¦ pasiekia koordina£iu pradºios ta²ke. jei p > 0. Tokiu atveju. Pritaik¦ maksimalaus tiketinumo metod¡ ir ivertin¦ parametrus. su kuriomis tiketinumo funkcija yra didºiausia.5 . tiek rinktis nuosav¡ transport¡ tiek visuomenini. kai β1 + β2 X yra neigiamas. Todel f (β1 + β2 X) didºiausi¡ reik²m¦ pasiekia ta²ke β1 + β2 X = 0. i²nagrinekime koki poveiki ivykio Y = 1 tikimybei padaro kintamojo X pasikeitimas vienu vienetu. sakykime. sakykime. kad klientas yra mokus (gr¡ºins ar negr¡ºins paskol¡). Vadinasi poveikio dp/dX ºenklas sutampa su β2 ºenklu. lygi 3. Tai atitinka vienod¡ galimyb¦. Toks parametru vertinimo metodas ir vadinamas didºiausio tiketinumo metodu. 0. 1. Galimybe prognozuoti diskretu pasirinkim¡ yra labai svarbi daugelyje ekonomikos sri£iu. Pavyzdºiui. 2. Taigi ir dp/dX > 0. Noredami rasti modelio interpretavim¡. artima 1. dX Taigi poveikis priklauso nuo skirstinio F tankio funkcijos f . X pasikeitimas £ia gali tureti didºiausi¡ itak¡. T¡ pasikeitim¡ parodo i²vestine dp = f (β1 + β2 X)β2 . Kai X kinta. Pasirinkim¡ vertname pagal ²i¡ taisykl¦ Y = 1. kad pilietis pasirinks nuosav¡ transport¡ yra labai didele. Kadangi f yra tankio funkcija.5 jei p ≤ 0. randame tikimybes ivertini: p = F (β1 + β2 X). Jei β1 + β2 X reik²me yra didele. bankui labai svarbu ivertinti tikimyb¦. Tuo pa£iu. Parametrai β1 ir β2 ivertinami suradus tas ju reik²mes.2 Tikimybinio pasirinkimo modeliai 115 Gauta funkcija statistikoje vadinama tiketinumo funkcija.5. Probit modelio rezultatus galime pritaikyti prognozuodami pasirinkim¡. maºesnis uº −3. ’iuo atveju p = F (0) = 0. Transporto pasirinkimo uºdavinyje tiketina. nes pilietis yra ribineje padetyje ir gali pakrypti tiek i vien¡ tiek i kit¡ pus¦. kei£iasi funkcijos f (β1 + β2 X) reik²mes. tai tikimybe. tai f (β1 +β2 X) visados teigiamas dydis. mat f (β1 + β2 X) ²iuo atveju artimas nuliui. X pasikeitimas vargu ar padarys kiek ºymesn¦ itak¡ apsisprendimui. 3.

Tuo tarpu laisvasis narys nera statisti²kai reik²mingas.1 −87. kad keliones visuomeniniu transportu trukmes padidejimas padidina ir tikimyb¦ kelionei i darb¡ pasirinkti nuosav¡ automobili.1 56.6 32.161 ir 2.2 95.8 90.9 2.0 52.9 31.9 41.5 86. o kintamasis Y igyja reik²m¦ 1.5 51.5 −44.8 −24. tai labiau tiketinas visuomeninio transporto pasirinkimas.6 91.2 51.9 4.9 Y 0 0 1 0 0 1 1 0 0 0 0 1 1 0 1 1 1 0 1 52.5 8.1 41.6 74.6 22.9 −72.0 38. .4 84.5 −90. tiek nuosavu automobiliu.5 24.5 82. kad jei laikas vykti i darb¡ yra vienodas tiek visuomeniniu transportu. jei kelionei i darb¡ pasirenkamas automobilis.4 27.116 5 Bendresni regresiniai modeliai Turime ²iuos automobilio ir visuomeninio transporto pasirenkamum¡ apra²an£ius duomenis.0 −51.0299Xt Parametru t reik²mes yra atitinkamai −0. Automobiliu Autobusu X −48.5 43.1 18.0 1.6 4.2 79.7 65.9 49.7 −17.2 24.4 62.1 4.0 99.0644 + 0.915.4 28. Kintamasis X apra²o skirtum¡ keliones autobusu trukme minus keliones automobiliu trukme.5 95.0 51.6 −31.1 22.1 83.5 Transporto pasirenkamumo duomenys Didºiausio tiketinumo metodu ganame β1 + β2 Xt = −0.2 27.0 −7.6 20.8 0. Ta£iau jo neigiamas ºenklas rodo.2 91.2 91. Koecientas yra statisti²kai reik²mingas. Teigiamas polinkio koecientas rodo.4 82.6 89.0 8.

turime p = F (β1 + β2 X) = F (−0. tai galime prognozuoti.0299 · 30) = 0. kai kelione i darb¡ autobusu truktu 30 minu£iu ilgiau.798 Kadangi ivertintoji tikimybe yra daugiau nei 0. Taikydami probit modeli.0644 + 0. pirmenybe bus teikiama pastarajam.5. .2 Tikimybinio pasirinkimo modeliai 117 Ivertintu modeliu galime pasinaudoti noredami prognozuoti individo elgesi tuo atveju. kad jei keliones i darb¡ trukme visuomeniniu transportu yra pus¦ valandos ilgesne nei nuosavu automobiliu.5. nei kelione nuosavu automobiliu.

r) + ε. O i²vestines reik²me maºesne uº vienet¡ papras£iausiai rei²kia.6 6. Pavyzdºiui. 0< ∂x1 ∂x2 Naudojant ekonomin¦ interpretacij¡. kad didejant pajamoms dides ir vartojimas. be uºsienio prekybos. r  palukanu norma. Pana²iai interpreduodami funkcijos g dalines i²vestines. taip pat apibendrinta visai ekonomikai. Tarkime. Lygiai taip pat galime modeliuoti investicijas. galime imti C = f ((1 − τ )Y. vidutinis mokes£iu dydis (pvz. r) + δ yra BVP poky£io ir palukanu normos funkcija. kad jos priklauso nuo mokes£iu sistemos ir palukanu normos.. < 0. ta pati konstanta visai ekonomikai. funkcijos f daline i²vestine pagal pirm¡ji argument¡ ∂f /∂x1 rei²kia polinki vartoti. Viskas matuojama realiame laike.1 Simultaniniu lyg£iu modeliai Paprastas pavyzdys Nagrinekime uºdar¡ ekonomik¡. Todel naturali prielaida. Pavyzdºiui. atºvilgiu varojimo i²laidu galime daryti prielaid¡. Pajamu (BVP) tapatybe yra Y = C + I + G. investicijos I = g(∆Y. 0. I investicijos. tai ivairios hipotezes (prielaidos) apie komponentes sudaran£ias BVP. atsiºvelgiant i pajamas.3). G  vyriausybes i²laidos. nes didesnes palukanos skatina taupym¡. Taigi. ∂x2 . turime tokias prielaidas ju ºenklams: 0< ∂g . kad nevartojama daugiau nei turima (nera i²laidu decito). £ia C  vartojimo i²laidos. kad didejan£ios palukanos turi neigiam¡ itak¡ vartojimui ir tai yra ai²ku. Galime teigti. Modelio konstravimas. ƒia τ mokes£iu lygis. kad dalines i²vestines turi tokius ºenklus ir reik²mes: ∂f ∂f < 1. ∂x1 ∂g < 0. Neigiama funkcijos f daline i²vestine pagal antr¡ji argument¡ rei²kia.

Pirmiausia kyla klausimas del funkcines formos. I.1 Paprastas pavyzdys 119 Surink¦ visk¡ i vien¡ viet¡. Pavyzdºiui. kad koecientus galime parinkti taip. palukanu norm¡ r ir mokes£iu lygi τ ? Jei toki¡ teorij¡ kursime. kiekybines ir kokybines pasekmes. nes C = α1 nepriklauso nuo Z . Tik teoriniais samprotavimais neimanoma nustatyti funkcionalines formos. Sudarytas modelis turi dvi elgsenos lygtis  vartojimui ir investicijoms. yra tokia: ekonomikos teorija funkcionalin¦ modelio form¡ gali tik rekomenduoti. Ta£iau dar lieka nemaºai atviru klausimu. vartojim¡ galime apra²yti tokiomis funkcijomis: C = α0 + α1 Z + ε C = AZ α1 ε C = α0 − α1 Z −1 + ε. atskai£iavus mokes£ius) disponuojamas pajamas. kad kiekviena i² tu funkciju tenkintu apribojimus daliniu i²vestiniu ºenklams. r) + δ. Kelet¡ panagrinekime. I²vada. τ. Tai ai²ku tik teorija apie simultanini dydºiu C. Toliau  klausimas apie lagu struktur¡. . ai²ku. Gavome modeli. Antrasis svarbus klausimas  duomenys ir matavimo vienetai. atsiras naujos lygtys ir dar keli nauji kintamieji.6. paai²kinanti vyriausybes i²laidas G. Be to. r) + ε  I = g(∆Y. Kaip nagrineti tuos tris kintamuosius? Ar reikalinga pavyzdºiui papildoma teorija. Antroji ir tre£ioji formos apra²o skirting¡ vartojimo poky£io priklausomyb¦ nuo pajamu: C = Aα1 Z α1 −1 ε (Z padidejimas skatina i²laidu pokyti) arba C = α1 Z −2 . teorijos parinkim¡. ekonomikos teorijos pagalba nustateme paai²kinan£iuosius kintamuosius ir i²vestiniu (parametru) ºenklus. G s¡ry²i. kuri¡ galime padaryti i² ²io paprasto pavyzdºio. pajamu padidejimas visados duoda t¡ pati i²laidu padidejim¡. Ta£iau visos ²ios formos turi skirting¡ kiekybin¦ prasm¦. r. turime informacij¡ apie i²vestiniu ºenklus ir galimas ju reik²mes. priklauso nuo dydºiu G. kuris. Pirmoji: 100 Lt. gauname sistem¡   Y =C +I +G C = f ((1 − τ )Y. Galime nagrineti daugyb¦ funkcionaliniu formu ir dauguma i² ju tenkins nustatytus i²vestiniu ºenklus. kuria susieti kintamieji i vien¡ s¡ry²i. Taigi. Ai²ku. paºymej¦ Z = (1 − τ )Y (kas lieka i² pajamu.

25. Jei τ = 0. Be to. kai kiti parametrai nekinta. vel padidins BV P . Ju tyrimui naudojama regresiniu modeliu teorija. α1 = 0. (6.5 vienetais. nacionalines pajamos padidetu 2. Pateiktas modelis yra strukturine simultaniniu lyg£iu modelio forma. rt−1  laginis egzogeninis.1) Y Yt = π20 + π21 Gt + π22 rt + π23 rt−1 + π24 Yt−1 + π25 Yt−2 + δt (6. vienetu padidej¦s vartojimas tik tiek ir tebadidintu BV P .2) I It = π30 + π33 rt−1 + π34 Yt−1 + π35 Yt−2 + δt . savo ruoºtu. Tai pasiekiama per modelio specikavim¡ ir specikavimo patikrinim¡ (verikavim¡). Ta£iau butinai laikas diskretus. Visi parametrai π yra itakos multiplikatoriai.5. Ta£iau . Paprastai tai metai. Nagrinejamame pavyzdyje tai galetu buti tiesinis modelis   Ct = α0 + α1 (1 − τ )Yt + α2 rt + εt It = β0 + β1 (Yt−1 − Yt−2 ) + β2 rt−1 + δt  Yt = Ct + It + Gt . pasikeitus atitinkamiems i²ankstiniams kintamiesiems. Sistem¡ i²sprend¦ endogeniniu kintamuju atºvilgiu gauname redukuot¡ modelio form¡: C Ct = π10 + π11 Gt + π12 rt + π13 rt−1 + π14 Yt−1 + π15 Yt−2 + δt (6. Endogeniniai kintamieji yra Ct . I² redukuotos formos gauname daugiau informacijos: ∂Yt 1 = π21 = . kad kiekviena redukuota lygtis yra regresine. modeliu paai²kiname endogeniniu kintamuju elgesi kitu kintamuju atºvilgiu. Jei imtume tik strukturin¦ form¡. koki¡ itak¡ einamuoju momentu daro i²sankstiniai kintamieji.8 tai π21 = 2. Vadinasi. It . Yt−2  laginiai endogeniniai. t rei²kia laik¡. Tagi. kad padidej¦s BV P skatins vartojim¡. Jie parodo.120 6 Simultaniniu lyg£iu modeliai Ekonometrijos tikslas atsakyti i visus pana²ius klausimus. Paprastai pradedama nuo papras£iausios modelio formos. Nagrinekime pavyzdºiui Gt padidejim¡. Gt . β2 < 0. A priori parametru ºenklai ir reik²mes yra 0 ≤ α1 < 1. ∂Gt 1 − α1 (1 − τ ) Tai nacionaliniu pajamu multiplikatorius (daugiklis) paprastojoje Keynes'o teorijoje. priklauso nuo modelio. rt  egzogeniniai. Kokiu. vienetu padidinus vyriausybes l²laidas. Parametrai π yra labai svarbus. Dydºiai Yt−1 . Bet i² vartojimo funkcijos matosi. ketvirtis ar menuo. kuris.3) Pastebesime. β1 > 0. Jie apra²o endogeniniu kintamuju pasikeitimus. α2 < 0. Yt .

del pasirinktos lagu (velinimu) sistemos.4) i²vedame ∂Yt+1 = π11 nulinis lagas.4) ƒia ∆Yt = Yt − Yt−1 . gausime visuminius (total) multiplikatorius. Jie apra²o endogeninio . Panagrinekime ²i¡ lygti. kad sumos konverguoja). Redukuota modelio forma parodo taip pat dinamines endogeniniu dydºiu savybes. Jei juos susumuosime laike (tardami.4) lygties gauname ∆Yt+1 = π21 d. gauname vis¡ eil¦ Y poky£iu I² (6. (6. Perra²ykime (6. ∆Gt+2 = ∆Gt+3 = · · · = 0. Taigi pakeit¦ viename ºingsnyje vyriausybes i²laidas.2) lygti skirtumine forma: ∆Yt = π21 ∆Gt + π22 ∆rt + π23 ∆rt−1 + π24 ∆Yt−1 + π25 ∆Yt−2 .6. arba itakos multiplikatorius ∂Gt+1 ∂Yt+2 = π14 π11 vieno periodo lagas ∂Gt+1 ∂Yt+3 2 = (π14 + π15 )π11 dvieju periodu lagas. I² skirtumines (6. ∆Gt+1 = d.y. t.1 Paprastas pavyzdys 121 £ia dar ne viskas. Periodui t + 3 turime ∆Yt+3 = π24 ∆Yt+2 + π25 ∆Yt+1 = 2 π24 π21 d + π25 π21 d. ∂Gt+1 Multiplikatoriai ir ivairiu laikotarpiu lagai vadinami laikotarpiu (interim) multiplikatoriais. I² tos pa£ios (6. G ir r pakankamai ilga laikotarpi buvo nekintantys Y atºvilgiu tam tikrame pusiausvyriniame lygyje. Taigi turime ²ias s¡lygas: ∆Gt = ∆Gt−1 = · · · = 0 ∆rt = ∆rt−1 = · · · = 0 ∆Yt = ∆Yt−1 = · · · = 0 Toliau tarkime.4) lygties taip pat gauname ∆Yt+2 = π24 ∆Yt+1 = π24 π11 d. vyriausybes i²laidos t + 1-uoju periodu padidintos dydºiu d ir toliau i²laikomos nekintan£ios. Tarkime.

5) Tai antrosios eiles nehomogenine skirtumine lygtis. Pagaliau panagrinekime galutin¦ modelio form¡. r). r). Tikrai. Reikia i²spr¦sti charakteristin¦ lygti λ2 − π14 λ − π15 = 0. kadangi It = β0 + β1 (Yt−1 − Yt−2 ) + β2 rt−1 . 1 − α1 (1 − τ ) Paºymej¦ t¡ parametr¡ α. kad π14 = −π15 = β1 > 0. Strukturine ir redukuota lygtys rodo. Perra²ykime j¡ bendresne forma Yt − π14 Yt−1 − π15 Yt−2 = f (G. Pagaliau Ct − π14 Ct−1 − π15 Ct−2 = β1 (Yt − π14 Yt−1 − π15 Yt−2 ) − (It − π14 It−1 − π15 It−2 ) − (Gt − π14 Gt−1 − π15 Gt−2 ) = k(G. . kad kiekvien¡ endogenini kintam¡ji galime i²reik²ti antros eiles skirtumine lygtimi su tais pa£iais koecientais.122 6 Simultaniniu lyg£iu modeliai dydºio pusiausvirin¦ reik²m¦. Skirsis tik laisvieji nariai. Taigi visi trys endogeniniai kintamieji tenkina antros eiles skirtumin¦ lygti su tais pa£iais koecientais. turime skirtumin¦ lygti λ2 − αλ + α = 0. viename ºingsnyje pakeitus egzogeninio dydºio reik²m¦.2) lygties i²vedame Yt − π14 Yt−1 − π15 Yt−2 = π10 + π11 Gt + π12 rt + π13 rt−1 . Dinamines sistemos idomus efektas yra tai. r). I² (6. (6. tai It − π14 It−1 − π15 It−2 = β1 (Yt − π14 Yt−1 − π15 Yt−2 ) − β1 (Yt − π14 Yt−1 − π15 Yt−2 ) + β0 (1 − π14 − π15 ) + β2 (rt−1 − π14 rt−2 − π15 rt−3 ) Taigi It − π14 It−1 − π15 It−2 = h(G.

2 Jei α < 4.6.1 Paprastas pavyzdys 123 Jos sprendinys yra 1 λ1. jei α < 1 tai ciklai yra silpnejantys (damped). o jei 1 < α < 4  sprogstantys (explosive). tai ²aknys yra kompleksines. α1  marginalinio polinkio vartoti. τ  mokes£iu. Tuomet ekonomine sistema yra cikli²ka. Be to. kaip matome. priklauso nuo parametro β1  investiciju akseleracijos koeciento.2 = (α ± α(α − 4)). Parametras α. .

y. . y2 . yT vadinama stacionari¡ja. .. Ivertin¦ modelio parametrus. Procesas (Y (t). prekiu indeksas. galesime prognozuoti y(t).. Toliau nagrinesime tik laiko eilutes indeksuotas sveikaisiais skai£iais. Y (tn ) ∈ A). t + h). . tarkime. su visais t1 < t2 < · · · < tn ∈ Z ir h ∈ Z. • su visais s. 0 ≤ t ≤ T. • su kiekvienu t ∈ Z. t ∈ I) yra stacionarus pla£i¡ja prasme. . . Priminsime... ..tn = Pt1 +h.. jei jo baigtiniama£iai skirstiniai yra invariantiniai laiko postumiui.. . kad tie stebejimai yra generuoti stochastinio proceso (Y (t). N . su kiekvienu t ∈ Z. prekes pardavimo kaina ir pan. . Naudodami laiko eilu£iu terij¡ nustatome j¡ atitinkan£io proceso y(t) modeli. kai t > T. Kaip elgsis y(t). t ∈ Z) vadinamas stacionariuoju pla£i¡ja prasme. . t ∈ Z) charakteristikas.. .. Pt1 .7 Laiko eilu£iu modeliai Laiko eilu£iu modeliais galime prognozuoti ekonominiu rodikliu elgesi pagal ju stebejimus praeityje..tn (A) = P ((Y (t1 ) .. t. . Stochastines laiko eilutes y1 . jei j¡ atitinkantis procesas (Y (t). yT pagalba reikia nustatyti j¡ atitinkan£io atsitiktinio proceso (Y (t).. Pavyzdºiui. t. .. Laiko eilute vadiname kokio nors dydºio. Stochastiniu laiko eilu£iu modeliai remiasi prielaida. EY (t) = EY (0). y2 . ƒia I yra laik¡ atitinkanti parametru aibe ir tai gali buti pavyzdºiui Z. . . jei • EY (t)2 < ∞. yT . t ∈ I). kad procesas (Yt . r(s. h ∈ Z.1 Stacionariosios laiko eilutes Laiko eilute y1 . stebime y(t).tn +h . t) = r(s + h.. kai t > T ? ƒia y(t) gali buti birºos indeksas. t ∈ Z) vadinamas stacionariuoju siaur¡ja prasme. . y stebejimu laike sek¡ y1 . . 7. kai A yra erdves Rn Borelio aibe.tn apibreºtas taip: Pt1 .. Skirstinys Pt1 .. palukanu norma.

Svarbi proceso charakteristika  autokoreliacine funkcija. 7. kai h > 0. Stacionarus siaur¡ja prasme procesas yra stacionarus ir pla£i¡ja prasme.7. o kovariacine funkcija  σ 2 . 7. σ 2 ).1 apibreºimas. ar laiko eilute atitinka balt¡ji triuk²m¡ naudojame ivairius kriterijus paremtus autokoreliacines funkcijos ivertinimu ρ(h). kai h = 0. Tirdami. ρ(h) = 0. . tai j¡ patogu traktuoti kaip vieno kintamojo funkcij¡ ir sutrumpintai ra²yti r(t). . Stacionariojo proceso (Xt . yT j¡ atitinkan£io proceso kovariacin¦ funkcij¡ galime ivertinti taip: T −h r(h) = t=1 (yt − y)(yt+h − y).1. s. . r(t) = r(t. t ∈ Z) autokoreliacine funkcija vadiname funkcij¡ r(k) . t ∈ Z. Kadangi stacionariojo pla£i¡ja prasme proceso Y (t) kovariacine funkcija priklauso tik nuo argumentu skirtumo. Stacionarusis procesas (Zt . t) = r(s−t. y2 .1 Stacionariosios laiko eilutes 125 ƒia r(s. Trumpai ra²ysime (Zt ) ∈ BT (0. 0). jei jo vidurkis lygus nuliui. kai h > 0. 0).2 apibreºimas. r(h) = 0. t ∈ Z) vadinamas baltuoju triuk²mu su vidurkiu 0 ir dispersija σ 2 . Baltojo triuk²mo autokoreliacine funkcija yra 1.y. . Atvirk²£iai teisinga ne visada. t) = E(Y (t) − EY (t))(Y (s) − EY (s)). r(s. k ∈ Z. kai h = 0. Gauso procesui abi stacionarumo s¡vokos sutampa. t.1. ρ(k) = r(0) Turedami stacionari¡ laiko eilut¦ y1 . o autokoreliacin¦ funkcij¡  ρ(h) = T −h t=1 (yt − y)(yt+h T 2 t=1 (yt − y) − y) . t) yra proceso Y (t) kovariacine funkcija: r(s. .

. t ∈ Z) yra stacionarus. t ∈ Z. t ∈ Z) vadinamas k-os eiles homogeniniu procesu. ’is procesas apibreºtas taip: Y (t) = Y (t − 1) + εt . Homogeni²kumo eil¦ nusako atitinkamo diferencijavimo eile. Laiko eilutes turin£ios ²i¡ savyb¦ vadinamos homogeninemis. t ∈ Z). σ 2 ).2. ƒia wk (t) = wk−1 (t) − wk−1 (t − 1).2 Homogenines laiko eilutes Praktikoje labai retai laiko eilutes atitinka stacionariuosius procesus. w0 (t) = Y (t) − Y (t − 1). Ta£iau daºnai pasitaiko. jei ji atitinka k -os eiles homogenini proces¡. t ∈ Z) daºnai vadinamas k−aja proceso (Y (t). . . yT vadinama k -os eiles homogenine laiko eilute.1) £ia (εt ) ∈ BT (0. kai h > 0. Procesas (Y (t). 7.1 apibreºimas. Procesas (wk (t). 7. tai ρ(h)− ρ(h). kad laiko eilue turi s¡vyb¦: vien¡ ar kelis kartus diferencijuota eilute yra stacionari. jei procesas (wk (t). Dar kitaip ²is procesas vadinamas integruotu baltuoju triuk²mu. Patikrinti ar duotoji laiko eilute atitinka atsitiktini klaidºiojim¡. (7. t ∈ Z. bet homogeninio stochastinio proceso pavyzdys yra atsitiktinis klaidºiojimas (Y (t). Ypa£ ekonominiu rodikliu elgesi atitinkan£ios laiko eilutes. turi apytikriai normalini skirstini su nuliniu vidurkiu ir dispersija 1/T. Laiko eilute y1 . Labai svarbus nestacionaraus. . .126 7 Laiko eilu£iu modeliai Bartlet'o kriterijus: jei laiko eilute generuota baltojo triuk²mo. Box  Pierce'o kriterijus: statistika K Q=T k=1 ρ2 k turi apytikri χ2 skirstini su K laisves laipsniais. yra naudojami ivairus testai. t ∈ Z) i²vestine.

kad L(a + bx(t)) = a + bLx(t) = a + bx(t − 1). Be to. ir φq (L) yra tokie. ’i savybe vadinama operatoriaus tiesi²kumu. t ∈ Z. Ateityje mums pravers kai kurios velinimo operatoriaus savybes. veikiantis pagal taisykl¦ αp (L)x(t) = x(t) + α1 x(t − 1) + · · · + αp x(t − p). Pirmiausia pastebekime.3 Velinimo operatorius Tarkime. susitarsime. t ∈ Z. αp (L) = 1 + α1 L + · · · + αp Lp . kad ψp (L)φq (L) = 1 = L0 .7. galime apibreºti ir eilutes ψ∞ (L) = L0 + ψ1 L + ψ2 L2 + · · · Jei operatoriai ψp (L). Be to. Tai visai nesunku irodyti.3 Velinimo operatorius 127 7. b ∈ R. t ∈ Z). kad L0 x(t) = x(t) su visais t ∈ Z. operatoriui ψ1 (L) = 1 − ψL. Galime apibreºti velinimo operatoriaus bet kuri laipsni: Lk x(t) = L(Lk−1 x(t)) = x(t − k). turime sek¡ (x(t). kai |ψ| < 1 atvirk²tinis yra −1 ψ1 (L) = 1 + ψL + ψ 2 L2 + · · · . Tuomet turi prasm¦ αp (L). veikianti pagal taisykl¦ Lx(t) = x(t − 1). Velinimo operatoriumi vadiname operatoriu L. duotas polinomas αp (v) = 1 + α1 v + · · · + αp v p . tai φq (L) vadinamas ψp (L) atvirk²tiniu operatoriumi ir daºnai ºymimas −1 ψp (L). kai a. Pavyzdºiui. Tarkime. .

4. jei |φ1 | < 1. tai ∞ Y (t) = k=1 φ−k εt+k . t = 1. t ∈ Z).2) ƒia (εt . kai |φ| = 1 stacionaraus sprendinio neturi.4) vadinamas AR(p) procesu. . t ∈ Z. Be to.1 Autoregresiniai modeliai Savybes Laiko eilute y1 . .128 7 Laiko eilu£iu modeliai 7. yT apra²oma parametro p autoregresiniu modeliu. t ∈ Z) : Y (t) = φ1 Y (t − 1) + εt . Trumpai ºymesime (yt .4) lygti galime uºra²yti kompakti²ku budu taip: φp (L)Y (t) = εt . Procesas. . tenkinantis skirtumin¦ lygti (7.4 7. . (7. . Galima irodyti. v ∈ R. t ∈ Z) ∈ BT (0. • Panagrinekime AR(1) proces¡ (Y (t). 1 Abiem atvejais eilutes konvergavimas suprantamas kvadratinio vidurkio prasme. tai Y (t) = 4 teorema. . . t ∈ Z) tenkina skirtumin¦ lygti Y (t) = φ1 Y (t − 1) + · · · + φp Y (t − p) + v + εt .3) sprendinys ∞ φk εt−k . t ∈ Z. tai egzistuoja stacionarus lygties (7. σ 2 ). (7. jei j¡ atitinkantis procesas (Y (t). 1 k=0 jei |φ1 | > 1.3) lygtis.3) (Y (t). t ∈ Z. . kad (7. (7. . T ) ∈ AR(p). Jei |φ1 | = 1. Pritaik¦ velinimo operatoriu L ir paºymej¦ polinom¡ φp (z) = 1 − φ1 z − · · · − φp z p .

φ2 − 1 1 σ2 . 1 − φ2 1 Analogi²kai. tai. I² gautu rezultatu randame AR(1) proceso autokoreliacin¦ funkcij¡ ρ(h) = −|h| φ1 .3) lygties sprendini galime uºra²yti ir taip: Y (t) = (1 − φB)−1 εt . kad autoregresinio proceso autokoreliacine funkcija yra eksponenti²kai nykstanti. h = 0. 2.4 Autoregresiniai modeliai 129 Kai |φ| < 1. tai ∞ r(0) = EY (t) = k=1 2 φ−2k Eε2 = t+k 1 σ 2 φ−h 1 . Nesunku matyti. ∞ ∞ r(h) = EY (t + h)Y (t) = E k=0 ∞ i. . . kai |φ1 | < 1 gauname ∞ r(0) = EY 2 (t) = k=0 φ2k Eε2 = 1 t−k σ2 . •• Tarkime.j=0 ∞ φk εt−k k=0 φk εt+h−k = φi φj Eεt−i εt+h−j = 1 1 φ2i = 1 i=1 ∞ φi φh+i σ 2 = 1 1 i=0 σ 2 φh 1 σ 2 φh 1 .7. (7. jei |φ1 | > 1. φ2 − 1 1 o r(h) = kai h = 0. h = 1. (Y (t). Suskai£iuokime stacionariojo AR(1) proceso (Y (t). t ∈ Z. kai mateme. . |h| kai |φ1 | < 1.4) . t ∈ Z) koreliacin¦ funkcij¡ r(h). φ1 . Matome. kad aurokoreliacine funkcija ρ(h) tenkina skirtumin¦ lygti ρ(h) = φρ(h − 1). Remdamiesi 1 teorema. t ∈ Z) yra AR(p) : Y (t) = φ1 Y (t − 1) + · · · + φp Y (t − p) + εt . 1 − φ2 1 o kai h > 0. (7. h ∈ Z. kai |φ1 | > 1.

rm atitinkamu nuliu kartotinumas ( m ri = p). kai k > p.5) Tai yra pradiniu s¡lygu sistema. Tuomet egzistuoja operatoriaus φ(L) = 1 − φ1 L − · · · − φp Lp atvirk²tinis operatorius. kai charaktringasis polinomas 1 − φ1 z − φ2 z 2 − · · · − φp z p neturi ²aknu vienetiniame skritulyje {z ∈ C : |z| = 1}.130 7 Laiko eilu£iu modeliai ’ita lygtis turi stacionaru sprendini tada ir tik tada. . . r1 .5) sistemos i²vedame taip vadinamas Jule-Valkerio (Yule-Walker) lygtis AR(p) proceso autokoreliacinei funkcijai:   ρ(1) = φ1 + φ2 ρ(1) + · · · + φp ρ(p − 1)    ρ(2) = φ ρ(1) + φ + · · · + φ ρ(p − 2) 1 2 p  . . kad bendrasis (7.    ρ(p) = φ1 ρ(p − 1) + φ2 ρ(p − 2) + · · · + φp (7. p gauname ²i¡ lyg£iu sistem¡:  2  r(0) = φ1 r(1) + φ2 r(2) + · · · + φp r(p) + σ    r(1) = φ r(0) + φ r(1) + · · · + φ r(p − 1) 1 2 p   . Nesunku matyti. . ’ios pradines s¡lygos reikalingos norint i²spr¦sti skirtumin¦ lygti r(k) = φ1 r(k − 1) + φ2 r(k − 2) + · · · + φp r(k − p). zm yra skirtingi polinomo 1 − φ1 z − · · · − φp z p nuliai. r(1).   r(p) = φ1 r(p − 1) + φ2 r(p − 2) + · · · + φp r(0) (7.7) . . . ƒia z1 .6) lygties sprendinys yra m ri −1 (7. Suskai£iuokime to proceso kovariacin¦ funkcij¡. kad kovariacine funkcija tenkina ²ias lygtis: r(k) = EY (t − k)Y (t) = EY (t − k)(φ1 Y (t − 1) + · · · + φp Y (t − p) + εt ) = φ1 r(k − 1) + · · · + φp r(k − p) + EY (t − k)εt = φ1 r(k − 1) + · · · + φp r(k − p).6) r(k) = i=1 j=0 −k dij k j zi . . 1. φ1 r(k − 1) + · · · + φp r(k − p) + σ Paem¦ k = 0.. r(p). k ≥ 0. I² (7... . kai k = 0. . i=1 randami i² pradiniu s¡lygu. Gerai ºinoma. . J¡ i²sprend¦ randame r(0). . . . . o dij  laisvieji parametrai. kai k = 0 2 . .. .

.3k . skirtumines lygties sprendinys yra r(k) = (d1 k + d2 )0.09 o jo nuliai  λ = 0.6Y (t − 1) − 0. ’ios lygties charakteristinis polinomas yra λ2 − 0. Bet tai yra tiesinis regresinis modelis. turime i²spr¦sti sistem¡   r(0) = 0. σ 2 ). . . . T. .9r(2) + 1  r(1) = 0. Vadinasi. .3.9r(1)   r(2) = 0. .6r(0) − 0. kai (εt ) ∈ BT (0. t ∈ Z koreliacin¦ funkcij¡. • Pirma tarkime. Pakeit¦ ρ i ρ gauname vadinamus momentinius autoregresinio modelio parametru ivertinimus. Kai k > 2 turime skirtumin¦ lygti r(k) = 0. .4. d2 .9Y (t − 2) + εt . Suskai£iuokime AR(2) proceso Y (t) = 0.4 Autoregresiniai modeliai 131 Matriciniu pavidalu sistem¡ galime perra²yti taip ρ = Pφ ir galime i²spr¦sti: φ = P −1 ρ. φp . reikia nustatyti to proceso eil¦ p ir ivertinti parametrus φ1 . .9r(0) 7.6λ + 0.7.6r(k − 1) − 0. Tuomet yt = φ1 yt−1 + · · · + φp yt−p + εt .9r(k − 2). yT atitinka autoregresini proces¡. Noredami rasti parametrus d1 .2 Autoregresinio modelio ivertinimas Tardami.6r(1) − 0. . ƒia t = p + 1. kad eil¦ p ºinome. kad stochastine laiko eilute y1 . .6r(1) − 0. . kuri galime uºra²yti taip: Yp = Xp φp + ε. .

. . kad autoregresinio proceso eile p yra ºinoma.132 £ia Y = (yp+1 . Koecientas p(2) yra lygus koecientui φ22 regresineje lygtyje yt = φ21 yt−1 + φ22 yt−2 + εt . .. Laiko eiluteje (yt . kad abu tie dydºiai koreliuoja su tre£iuoju. Jo ivertinimui daºniausiai naudojame dalines autkoreliacines funkcijos savybes.  yp yp−1 . . kad ρ(1) = φ21 + ρ(1)φ22 ρ(2) = ρ(1)φ21 + φ22 I² ²ios sistemos randame p(2) = φ22 = ρ(2) − ρ2 (1) . . . I² Jule-Walkerio sistemos AR(2) procesui matome. Tai nieko stebetino. . . . Koreliacija tarp dvieju dydºiu daºnai atsiranda todel. Tokiai koreliacijai nustatyti ir yra naudojama daline autokoreliacija p(k). εT )τ . yT −p τ τ φp = (Xp Xp )−1 Xp yp . . yt−k+1 . gauname 7 Laiko eilu£iu modeliai  y1 . Autokoreliacijos koecientas p(1) yra regresijos koecientas φ11 lygtyje yt = φ11 yt−1 + εt . •• Praktikoje retai atsitinka. . Dalines autokoreliacijos reik²me p(k) prilyginama koecientui φkk ²ioje autoregresineje lygtyje: yt = φk1 yt−1 + · · · + φkk yt−k + εt . . . . . kad φ11 = ρ(1). I² Jule-Walkerio lyg£iu AR(1) modeliui matome. . t = 1. . k = 1. T ) koreliacij¡ tarp yt ir yt−k didele dalimi lemia abieju tu dydºiu koreliacija su yt−1 . . . . yT −1 yT −2 .  . nes tarp dydºiu yt ir yt−1 nera jokiu tarpiniu dydºiu. . ε = (εp+1 . dalines autokoreliacijos koecientas p(1) yra lygus autokoreliacijos koecientui ρ(1). . Pirmiausia i²siai²kinkime pa£i¡ s¡vok¡. Pritaik¦ maºiausiu kvadratu metod¡. . .  . . T. . Tai yra. . . . yT )τ . . Xp =  . 1 − ρ2 (1) . . .

. . tardami. . ρ(k − 3) ρ(2)   Rk =  . |R|  . Kitas. . ρ(k − 2) ρ(1)  . ’is faktas pasitarnauja nustatant autoregresinio modelio eil¦.  . gal kiek ir paprastesnis budas nustatyti autoregresinio proceso eil¦ yra toks: ivertiname parametrus. p(p) = 0. . . . p(2) =  ρ(2) − ρ2 (1) . .4 Autoregresiniai modeliai 133 Bendruoju atveju taip pat galime pasinaudoti Jule-Walkerio lyg£iu sistema ρ = Rφ. . . . . . . φ = (φk1 . 1 1 ρ(1) .   . . |Rk | . . ρ(1) 1 . ρ(k)) . p(k) = 0. . kad AR(1) modeliui: p(1) = ρ(1). ρ(k − 1)  . . . 1 − ρ2 (1) AR(p) modeliui: p(1) = 0. Pagal dalines autokoreliacijos apibreºim¡ ir k¡ tik i²vestas formules matome. . 1 ρ(k) 1 ρ(1) . . . . kad procesas yra eiles k ir tikriname hipotez¦ apie parametro θk reik²mingum¡. kai k > 1. .. . .. . p(k) = 0. . p(k) = 0. . . . ρ(k − 2)   R= . kai k > 2. . .7. . . . AR(2) modeliui: p(1) = ρ(1). I² ²ios sistemos randame  p(k) = φkk = £ia |A| rei²kia matricos A determinant¡. ρ(k − 1) ρ(k − 2) . . ρ(k − 1) ρ(k − 2) . . . φkk ) . £ia ρ = (ρ(1). . . . . . kai k > p.   . ρ(1) 1 .

. kai (εt .134 7 Laiko eilu£iu modeliai 7. . . |φ| < 1. t ∈ Z. Slenkan£io vidurkio modeliai daºnai gaunami kaip begelines eiles autoregresiniai modeliai. • Tirkime MA(1) proces¡: Yt = εt − θεt−1 . yT apra²oma parametro q slenkan£iojo vidurkio modeliu M A(q) . kad (1 + φL + φ2 L2 + · · · )−1 = (1 − φL) (1) lygti galime perra²yti taip: Y (t) = (1 − φL)εt . kai k > 1. T. . Tarkime. Prisimin¦. turime begalini AR proces¡ Y (t) = −φY (t − 1) − φ2 Y (t − 2) − φ3 Y (t − 3) − · · · + εt . . . Pritaik¦ velinimo operatoriu (1 + φL + φ2 L2 + · · · )Y (t) = εt . . kad ρ(1) = ir −θ 1 + θ2 ρ(k) = 0. . . t ∈ Z) tenkina lygti Y (t) = εt − θ1 εt−1 − · · · − θq εt−q . Nesunku isitikinti. Tarkime.1 Slenkan£io vidurkio modeliai Savybes Laiko eilute y1 . σ 2 ).5 7. arba Y (t) = (1 − θ1 L − · · · − θq Lq )εt . t = 1.5. t ∈ Z) ∈ BT (0. jei ji atitinkantis procesas (Y (t).

7. t ∈ Z. Kyla naturalus klausimas. Nesunku suskai£iuoti. kai k > q. Galime nesunkiai suskai£iuoti autokoreliacin¦ funkcij¡: ρ(k) = ir −θk + θ1 θk+1 + · · · + θq−k θq . kad tam pakankama yra tokia s¡lyga: polinomo Θq (z) = 1 + θ1 z + θ2 z 2 + · · · + θq z q . ρ(2) = 1 + θ 2 + θ 2 1 + θ1 2 1 2 ρ(k) = 0. q 2 2 1 + θ1 + · · · + θq ρ(k) = 0. •• Nagrinekime MA(2) proces¡: Yt = εt − θ1 εt−1 − θ2 εt−2 . kai k > 2. Tam.5 Slenkan£io vidurkio modeliai 135 Taigi. • • • Panagrinekime benr¡ji atvej¡. kad ρ(1) = ir −θ1 + θ1 θ2 −θ2 2 + θ 2 .y. . Noredami MA(2) proces¡ i²reik²ti begaliniu autoregresiniu procesu turime i²spr¦sti lygti (1 − π1 L − π2 L2 − · · · )(1 − θ1 L − θ2 L2 ) = 1. galime i²reik²ti begaliniu autoregresiniu modeliu. . k = 1. reikia kad polinomo 1 − θ1 z − θ2 z 2 ²aknys butu uº vienetinio skritulio. MA(1) proces¡ apra²yt¡ lygtimi (2). T¡ proces¡ galime uºra²yti Yt = (1 − θ1 B − θ2 B 2 )εt . kuriais atvejais M A(q) procesas uºra²omas begaliniu AR procesu? Pasirodo. . Tai galime padaryti sulygindami koecientus prie operatoriaus L laipsniu: − π1 − θ1 = 0 −→ π1 = −θ1 2 2 − π2 + θ1 π1 − θ + 2 = 0 −→ π2 = θ1 π1 − θ2 = −θ1 − θ2 − πj + θ1 πj−1 + θ2 πj−2 = 0 −→ πj = θ1 πj−1 + θ2 πj−2 . |z| > 1 su kiekviena to polinomo ²aknimi z ∈ C. . t. kad MA(2) proces¡ galetume i²reik²ti begaliniu autoregresiniu procesu. j > 2. . z ∈ C ²aknys yra uº vienetinio kompleksines plok²tumos rutulio.

. Taigi. . Kadangi triuk²mas εt nera stebimas. . ARMA modeliai yra tu dvieju modeliu apjungimas. θq . . . . .136 7. . . . . . (Y (t). 7. 1. Toliau panagrinekime. t ∈ Z) tenkina lygti Y (t) = φ1 Y (t − 1) + · · · + φp Y (t − p) + εt − θ1 εt−1 − · · · − θq εt−q . slenkan£iojo vidurkio parametras q yra toks didºiausias k. reikia minimizuoti paklaidu kvadratu sum¡ T S(θ) = t=1 (yt − θ1 εt−1 − · · · − θq εt−q )2 . jei j¡ atitinkantis procesas (Y (t). yT atitinka slenkan£io vidurkio modeli. Butent. ivertiname q ir patikriname reikalingas hipotezes. kai k = 0. q) modeliu. . Sakysime. Y (t + k)) = σ2 0. q−k i=0 θi θi+k .6 Autoregresiniai slenkan£io vidurkio modeliai Daugelio laiko eilu£iu negaletume apra²yti vien slenkan£iojo vidurkio arba vien autoregresiniais modeliais. . Kaip nustatyti to modelio eil¦ q? Tarkime. . t ∈ Z) ∈ M A(q). su kuriuo ρ(k) = 0. Pagal turimus stebejimus. . . . kaip ivertinti slenkan£io vidurkio proceso parametrus θ1 . kad laiko eilute (y1 . . 0. q. Nesunku suskai£iuoti to proceso kovariacin¦ funkcij¡: cov(Y (t). kai k = 0. yT ) apra²oma ARMA(p. Autokoreliacine funkcija yra ρ(k) = q−k i=0 θi θi+k / q 2 i=0 θi . 1.5. yT . .2 7 Laiko eilu£iu modeliai Slenkan£io vidurkio modelio ivertinimas Tarkime. kai k > q. ƒia θ0 = 0. . ivertin¦ autokoreliacin¦ funkcij¡. . (7. ji reikia ivertinti. . q. panaudojant duomenis y1 . .8) . Vienas i² budu yra analogi²kas maºiausiuju kvadratu metodui. kai k > q. laiko eilute y1 .

j > 2.6 Autoregresiniai slenkan£io vidurkiomodeliai 137 kai (εt . t ∈ Z. . 1) proces¡ (1 − φL)Yt = (1 − θL)εt . gauname . . sulygindami koecientus prie atatinkamu L laipsniu. j > 2. Lj : −πj + θπj−1 = 0 =⇒ π2 = (φ − θ)θj−1 . • Panagrinekime AR(1. Lygybeje (1 − θL)(1 − π1 L − π2 L2 − · · · ) = 1 − φL L1 : −π1 − θ = −φ =⇒ π1 = φ − θ L2 : −π2 + θπ1 = 0 =⇒ π2 = (φ − θ)θ . T¡ pati proces¡ galime uºra²yti ir begaliniu autoregresiniu procesu Yt = π1 Yt−1 + π2 Yt−2 + · · · + εt . θq (t) = 1 − θ1 t − · · · − θq tq . t ∈ Z. .7. Lj : ψj − φψj−1 = 0 =⇒ ψ2 = (φ − θ)φj−1 . t ∈ Z) ∈ BT (0.9) φp (t) = 1 − φ1 t − · · · − φp tp . . Uºra²ykime t¡ proces¡ begalinio slenkan£io vidurkio procesu: Yt = εt + ψ1 εt−1 + ψ2 εt−2 + · · · Begalinio polinomo ψ koecientus rasime suskai£iav¦ ψ(L) = (1 − θL)(1 − φL)−1 . Pritaik¦ velinimo operatoriu L (ARM Apq) lygti galime uºra²yti ²itaip: (1 − φ1 L − φ2 L2 − · · · − φp Lp )Y (t) = (1 − θ1 L − · · · − θq Lq )εt . dar trumpiau φp (L)Y (t) = θq (L)εt . Sulygin¦ koecientus prie atitinkamu L laipsniu s¡ry²je (1 − φL)(1 + ψ1 L + ψ2 L2 + · · · ) = 1 − θL randame L1 : ψ1 − φ = 0 =⇒ ψ1 = φ − θ L2 : ψ2 − φψ1 = 0 =⇒ ψ2 = (φ − θ)φ . kai (7. σ 2 ).

I²sprend¦ ²ia sistema surandame r(0) = 1 + θ2 − 2θφ 2 (1 − θφ)(φ − θ) 2 σ . Kai k > 1 Eεt Yt−k = 0 ir EYt−k εt−1 = 0. (1 − θφ)(φ − θ) ρ1 = . . Lygti 7 Laiko eilu£iu modeliai Yt = φYt−1 + εt − θεt−1 padauginkime i² Yt−k ir suskai£iuokime gautos lygybes abieju pusiu vidurkius: EYt Yt−k = φEYt−1 Yt−k + Eεt Yt−k − θEYt−k εt−1 . Kadangi Eεt Yt = E[εt (εt + ψ1 εt−1 + ψ2 εt−1 + · · · )] = σ 2 ir Eεt−1 Yt = E[εt−1 (εt + ψ1 εt−1 + ψ2 εt−1 + · · · )] = ψ1 σ 2 = (φ − θ)σ 2 tai. Todel r(k) = φr(k − 1).138 Suskai£iuokime autokoreliacin¦ funkcij¡. 2 1−φ 1 − φ2 I² £ia randame ir autokoreliacin¦ funkcij¡: ρk = φρk−1 . o daline autokoreliacine funkcija  kaip slenkan£iojo vidurkio. kai k > 1. 1 + θ2 − 2θφ Dalines autokoreliacijos vienintele nenuline reik²me yra p1 = ρ1 . r(0) = φr(1) + σ 2 − θ(φ − θ)σ 2 r(1) = φr(0) − θσ 2 . ARM A proceso autokoreliacine funkcija elgiasi pana²iai kaip autoregresinio modelio. k > 1. r(1) = σ .

gauname. T ) apra²oma ARIM A(p. . Ta aplinkybe pasitarnauja apibreºiant ARIMA modelius. o (I −B)d = ∆d . Tuomet φp (z) = τp−d (z)(1 − z)d . (7. kad laiko eilute (yt .11) Pastebej¦. jei (wd (t).7 ARIMA modeliai Kaip jau minejome. Turedami wt prie laiko eilutes yt griºti galime sumuodami wt . kai wd (t) = ∆d y(t). Lengva isitikinti.8) lygtis turi stacionaru sprendini.10) Prie ²io modelio galime prieiti ir kiek kitu keliu. Kaip ir anks£iau.7. t ∈ Z. q) modeliu. t ∈ Z) yra ARM A(p. kad procesas (Y (t). t = 0. . praktikoje daºnai pasitaiko kad laiko eilute nera stacionari. kad I −B = ∆.7 ARIMA modeliai 139 7. tenkinantis (ARMA3) lygti yra (ARIMA(p-d. Tai yra d yt = kai d wt . t ∈ Z. . yT ) tenkina ARIM A(p. (7. t ∈ Z). jei j¡ atitinkantis procesas (Y (t). kad ²is polinomas turi lygiai d ²aknu z = 1. q) modelis. yra sumavimo operatorius. Sakysime. jei polinomas φp (z) neturi ²aknu vienetinaime skritulyje. t ∈ Z) tenkina lygti φp (L)∆d Y (t) = θq εt . . Tarkime. bet jos skirtumu arba auk²tesnes eiles skirtumu eilute yra stacionari.q) procesas. d. kad yt = y0 + w1 + · · · + wt .d. d. Sakysime. . o ∆s = ∆(∆s−1 ). . Dabar (ARMA2) lygti galime perra²yti taip: τp−d (L)(1 − L)d Y (t) = θq εt . kad laiko eilute (y1 . o visos kitos jo ²aknys yra uº vienetinio skritulio. q) modeli. . (7. . ∆ yra skirtuminis operatorius ∆y(t) = y(t) − y(t − 1). . ƒia τp−d yra p − d eiles polinomas neturintis ²aknu vienetiniame skritulyje.

(7. su kuriais duotoji laiko eilute atitinka atsitiktini proces¡ (Y (t). . . Tam panaudojamas tas faktas. . θ1 . .13) Sudarykime funkcij¡ T S(φ1 . . . d. kad stacionaraus proceso autokoreliacine funkcija ρ(k) arteja prie nulio kai k dideja. . . Tai yra. bet jau d kartu diferencijuoto proceso. . Paºymekime ²itaip: −1 εt = θq (L)φp (L)yt . θq ) = t=1 ε2 . Kai d yra nustatytas. θq . Tai atliekame minimizuodami paklaidas. ˜ (7.12) £ia (εt ) ∈ BT (0. parametru (p. . . q) nustatymui galime naudoti koreliacijos koecientus ir daliniu koreliaciju koecientus. ˜t Tuomet (φ1 . . . Duotosios laiko eilutes pagalba reikia ivertinti parametrus φ1 . . . . . . t. q). . . d. parametrus (p. t ∈ R) tenkinanti lygti φp (L)∆d Y (t) = θq (L)εt . T ) pirmiausia reikia nustatyti homogeni²kumo eil¦ d. . . . . . yT ) apra²yta modeliu ARIM A(p. q)? Turint laiko eilut¦ (yt . φp . θq ). kad laiko eilute (y1 . φp ir θ1 . . . . Tarkime. σ 2 ). θ1 .y. . . . θq ) = argmin S(φ1 . . θ1 . φp . .140 7 Laiko eilu£iu modeliai Kaip nustatyti ARIMA modelio eil¦. . t = 1. . . . d ir q. nustatyti parametrai p. . φp . . . .

ad Aibe visu n-ma£iu vektoriu ºymesime Rn . . d × 1 matrica vadinama vektoriumi stulpeliu.1 Tiesines algebros elementai Matricos Sutvarkyt¡ p × d skai£iu lentel¦ vadiname matrica. p ºymi jos eilu£iu skai£iu. . . · · · :   a1  a2    a =  . d  stulpeliu skai£iu. apk j¡ galime uºra²yti vektoriumi eilute A = (a1 . b. Juos ºymesime a. apd Jei svarbu paºymeti tik matricos elementus. . . Matricas ºymesime A. B. ra²ysime A = (akj ). X. k = 1.   . .   a1k a2k    ak =  . . o 1 × p matrica  vektoriumi eilute. . . ad . . . Jei svarbi ir matricos eile. ... . . . . :   a11 a12 .  . ad ).. . . . d). . Daugiamates analizes elementai A. . . a2d    A= . p. . j = 1.   . . .. . . . . a1d a21 a22 . . . a2 . . . . tuomet ra²ysime A = (akj . Vektorius visada reik² vektoriu stulpeli. . x. .1. dots.A priedas. . ap1 ap2 . ...1 A. Matricos A vektorius stulpelius paºymej¦ a1 .

jei   λ1 0 0 . . . . Matricos A = (ajk . . jei Aτ = A. bp . B = (bjk ) tai A + B = (ajk + bjk ). . . 1) vadinama tapating¡ja arba vienetine matrica.i )  n × p eiles. akd ). (A + B)τ = Aτ + B τ (AB)τ = B τ Aτ . . . Matricos A = (ajk ) ir skai£iaus α sandauga vadinama matrica αA = (αajk ). n) transponuota matrica yra Aτ = (akj . . . bk = (ak1 . . . . j¡ galime uºra²yti vektoriumi stulpeliu   b1 b2    A =  . . Matrica I = diag(1. . . . . . . . . λn ). Jei A = (ajk ) yra m × n eiles. . Nesunku isitikinti. k = 1. bp Tos pa£ios eiles matricas galima sudeti. . j = 1. (ABC)τ = C τ B τ Aτ .  . .142 A priedas. . . . o matrica B = (bk. kad teisingos ²ios formules: (Aτ )τ = A. . 0    Λ= . . Ju sandauga yra matrica n C = AB = (cji ). n. .. .. jei A = A2 = A3 = · · · Nuline matrica yra tokia. . . . kurios visi elementai yra nuliai. j = 1. d). . tai tas matricas galima sudauginti. . . 0  0 λ2 0 . .. Matrica A vadinama simetrine. Daugiamates analizes elementai Matricos A vektorius eilutes paºymej¦ b1 . . . Jei A = (ajk ). d. . . . . . . 0 0 0 . Matrica Λ vadinama diagonaline. . . . . kai cji = k=1 ajk bki . λn Diagonalin¦ matric¡ ºymesime Λ = diag(λ1 . . k = 1. . Kvadratine matrica A vadinama idempotentine.

2 Matricos pedsakas. tr(A + B) = tr(A) + tr(B). Teisingos ²ios savybes: tr(AB) = tr(BA). tai det(A)| = a11 . n × n matricos A determinantas det(A) yra toks skai£ius. Be to. tr(In ) = n. . kad 1. • determinantas nesikei£ia jei prie vienos eilutes (atitinkamai stulpelio) pridedame bet kuri¡ kitu eilu£iu (atitinkamai stulpeliu) tiesin¦ kombinacij¡. det(Aτ ) = det(A). 2. det(In ) = 1.1. kai n > 1: n det(A) = j=1 aij (−1)j+i det(Aij ). determinantas. det(diag(λj )) = j λj . det(αA) = αn det(A). kai n = 1. Teisingos ²ios savybes: det(AB) = det(A) det(mB).A. kai Aij yra (n − 1) × (n − 1) eiles matrica gaunama i² matricos A i²braukus joje i-t¡ eilut¦ ir j -t¡ stulpeli. tr(Aτ ) = tr(A).1 Tiesines algebros elementai 143 A. • matricos stulpeliu ar eilu£iu perstatos determinanto nekei£ia. rangas Matricos pedsakas yra jos diagonaliniu elementu suma: tr(A) = j ajj . tr(αA) = αtr(A). Determinantas det(Aij ) vadinamas matricos A n − 1 eiles minoru.

jei α1 a1 + α2 a2 + · · · + αd ad = 0 tada ir tik tada. . tai (AB)−1 = B −1 A−1 . ad ∈ Rn vadinami tiesi²kai nesuri²tais. jei B yra kvadratine n × n eiles matrica. o matrica Aτ A  n × n eiles. Daugiamates analizes elementai • matricos. rank(A) ≤ min{m. rank(AB) ≤ min{rank(A). . Beje. • determinantas lygus nuliui tada ir tik tada. rank(B)}. 2. A. • (A−1 )τ = (Aτ )−1 . Matricos A atvirk²tine vadinama tokia matrica A−1 . A  kvadratine n × n eiles matrica. t. kad AA−1 = I.144 A priedas. jei B yra kvadratine m × m eiles matrica. kurios du stulpeliai ar dvi eilutes yra lygios. tai rank(BA) = rank(A). AAτ yra m × m eiles. . 4. Teisingos ²ios savybes: • det(A−1 ) = 1/ det(A). kai α1 = · · · = αd = 0. jei ji yra maksimalaus rango. 3. rank(A) = rank(AAτ ) = rank(Aτ A). • (A−1 )−1 = A. Tarkime. Teisingos ²ios savybes: 1. . n}. determinantas lygus nuliui. kai eilutes ar stulpeliai yra tiesi²kai suri²ti.3 Atvirk²£ioji matrica Tarkime.1. Vektoriai a1 . Kiekvienai nei²sigimusiai matricai egzistuoja atvirk²tine. tai rank(AB) = rank(A). matrica A yra m×n eiles. 5. Matricos A stulpeliu (eilu£iu) rangu vadinamas maksimalus tiesi²kai nesuri²tu stulpeliu skai£ius.y. rank(A) = n. Matrica A yra nei²sigimusi. Matricos eilu£iu ir stulpeliu rangai visada lygus ir tas skai£ius vadinamas tiesiog matricos rangu. • jei egzistuoja A−1 ir B −1 . .

Matricos A ir B vadinamos ekvivalen£iomis. vadinama ortogonal¡ja.1. jei A = Aτ . kai Λ .4 Tikrines reik²mes ir tikriniai vektoriai Tarkime. jei Aa = λa. jei egzistuoja tokia matrica C . Su bet kuria matrica A. Vektorius a ∈ Rn = 0 vadinamas tikriniu matricai A. Ekvivalen£ios matricos turi tas pa£ias tikrines reik²mes. A.diagonaline. kad B = C −1 AC. o kompleksinis skai£ius λ  tikrine reik²me. Matrica. Jei O  ortogonalioji matrica. matrica Aτ A  simetrine.1 Tiesines algebros elementai 145 A.5 Simetrines matricos Matrica A vadinama simetrine. Lygtis det(A − λI) = 0 vadinama charaktering¡ja lygtimi. Jos ²aknys yra tikrines matricos A reik²mes. A yra kvadratine n × n eiles matrica. Jei matrica A turi n skirtingu realiuju tikriniu reik²miu. kurios stulpeliai yra tarpusavyje ortogonalus.A. tai j¡ galima i²reik²ti A = C −1 ΛC. Skirtingas tikrines matricos reik²mes atitinka tiesi²kai nesuri²ti tikriniai vektoriai. nes det(B − λI) = det(C −1 AC − λI) = det(C −1 AC − λC −1 IC) = det(C −1 (A − λI)C) = det(C −1 det(A − λI) det(C) = det(A − λI) det(C) det(C)−1 = det(A − λI). o matrica C nei²sigimusi. tai Oτ O = I .1. Simetrines matricos tikriniai vektoriai atitinkantys skirtingas tikrines reik²mes yra ortogonalus.

146 ir A priedas. jei su visais x ∈ Rn xτ Ax ≥ 0. . . . . Daugiamates analizes elementai O τ = O −1 . S¡ry²is A ≥ B (atitinkamai A > B ) rei²kia. xn )τ vadinama m × n matrica (dar vadinama Jakobio matrica)   ∂F1 (x)/∂x1 . kad A − B ≥ 0 (atitinkamai A − B > 0). . . .. kad O τ AO = diag(λ1 . λn ). . Kiekvien¡ simetrin¦ matric¡ mA atitinka tokia ortogonalioji matrica O . . . arba −1. Simetriniu matricu aibeje galima apibreºti dalini sutvarkym¡. jei A neneigiamai apibreºta. Pateiskime kelet svarbesniu pavyzdºiu. . Pavyzdºiui. . . ∂x1 ∂xn Funkcijos F = (F1 . . λn  matricios A tikrines reik²mes. . . ir A > 0. . . . kad A ≥ 0.. . . ∂Fm (x)/∂xn . . Fm )τ : Rn → Rm i²vestine ta²ke x = (x1 .1 Teigiamai apibreºtos matricos Simetrine n × n matrica A vadinama simetrine. jei xτ Ax > 0 su kiekvienu nenuliniu x ∈ Rn . . ∂F1 (x)/∂xn   . A. ∂Fm (x)/∂x1 . matrica Aτ A visada neneigiamai apibreºta.. . . jei ji teigiamai apibreºta.1. Kvadratine n × n matrica vadinama neneigiamai apibreºta.5. . . £ia λ1 . . xn )τ ) vadinamas vektorius eilute ∂f (x) ∂f (x) f (x) = . A.. . . ..2 Vektorinio argumento funkciju analize Funkcijos f : Rn → R i²vestine ta²ke x = (x1 . Sakysime. Ortogonaliosios matricos determinantas visada lygus arba +1. F (x) =   .

kai A  n × n matrica. tai f (x) = xτ (A + Aτ ). Jei F (x) = Ax. .2 Vektorinio argumento funkciju analize 147 1. 3. 2. . tai f (x) = aτ . Jei f (x) = aτ x. . kai a = (a1 . kai A yra m × n matrica. . . tai F (x) = A. f (x) = 2xτ A. Atskiru atveju. kai A simetrine.A. Jei f (x) = xτ Ax. an )τ .

+∞). B. Tada svarbiau nagrineti to eksperimento metu stebim¡ dydi. Butinosios tikimybines s¡vokos Dauguma ekonominiu dydºiu yra i² prigimties atsitiktiniai. [a.B priedas. .1 Atsitiktiniai dydºiai ir ju skirstiniai Atvaizdis X : Ω → R vadinamas atsitiktiniu dydºiu. jei X −1 (B) = {ω ∈ Ω : X(ω) ∈ B} ∈ F su bet kuria Borelio aibe B ⊂ R (pakanka su bet kuria aibe. pavidalo [a. (−∞. . pradedama magi²kuoju trejetu (Ω. . Jos elementai apra²o galimus ivykius esant neapibreºtumams Ω. vaiku skai£ius ²eimoje. P ). F aibes Ω poaibiu σ -algebra. P (A) vadiname ivykio A tikimybe. Pavyzdºiui. . x ∈ R. F. Aibe Ω apra²o visk¡. Ekonometrijoje paprastai nagrinejami diskretus ir tolydus atsitiktiniai dydºiai. apibreºtas ivykiams A ∈ F . P ) prigimtis nera esminis dalykas. kad pradedant kalb¡ apie neapibreºtumus ir ju tyrim¡. x2 . ir P (X = xk ) = pk . b). . . Jei X yra diskretus atsitiktinis dydis su reik²memis x1 . Daºniausiai magi²kojo trejeto (Ω. Todel bet kuriuose ekonominiuose duomenyse nei²vengiamai slypi neapibreºtumai. Daugelis ekonominiu dydºiu yra diskretus. +∞). Jie pilnai apra²omi igyjamomis reik²memis ir atitinkamomis tu reik²miu igyjimo tikimybemis. Iprasta. a. Ypa£. . kas tiriamame rei²kinyje i²²aukia neapibreºtumus. b ∈ R) Atsitiktinio dydºio X pasiskirstymo funkcija vadinama funkcija F (x) = P (ω : X(ω) ≤ x). F. (−∞. b). P yra tikimybinis matas. Diskretus  igyjantys tik baigtini arba suskai£iuojam¡ skai£iu reik²miu. kuris vadinamas tikimybine erdve (statistikoje  statistikiniu eksperimentu). apsipirkimu per menesi skai£ius ir pan. k = 1. jei jis siejamas su kokiu nors eksperimentu. 2.

kad reik²mes priklausys kuriam nors intervalui. . yra igyjamos reik²mes. . . funkcija f (x). Tolydus atsitiktinis dydis ksuot¡ reik²m¦ igyja tik su nuline tikimybe. jei su bet kuriomis Borelio aibemis B1 . . jei ju pasiskirstymo funkcijos sutampa. kurios integralas lygus vienam. . jei f (x) ≥ 0 su visais x ∈ R ir ∞ f (x)dx = 1. jei jo pasiskirstymo funkcija yra x F (x) = −∞ f (t)dt. X2 yra vienodai pasiskirst¦ (ºymesime X1 ∼ X2 ). . x ∈ R. Jo atºvilgiu galima apra²yti tik tikimyb¦. t. . . . Viena i² svarbiausiu atsitiktinio dydºio charakteristiku yra jo vidurkis. x2 . Xn (ω) ∈ Bn ) = P (ω : X1 (ω ∈ B1 ) · · · P (ω : Xn (ω) ∈ Bn ). x ∈ R yra tankio funkcija. Bn P (ω : X1 (ω) ∈ B1 . o f (xk ) atitinkamos tu reik²miu tikimybes. Diskretaus atsitiktinio dydºio X vidurkis yra EX = x xf (x) = k xk f (xk ) = k xk P (X = xk ). . Atsitiktiniai dydºiai X1 . Atsitiktiniai dydºiai X1 .t. .1 Atsitiktiniai dydºiai ir ju skirstiniai 149 tai jo pasiskirstymo funkcija yra F (x) = k:xk ≤x pk . Tai yra. x ∈ R. P (ω : X1 (ω) ≤ x) = P (ω : X2 (ω) ≤ x) su visais x ∈ R. . . Du atsitiktiniai dydºiai X1 ir X2 vadinami ekvivalen£iais (ºymesime X1 ∼b. jei P (ω : X1 (ω) = X2 (ω)) = 0. Tankio funkcija vadinama bet kuri neneigiama integruojama funkcija. . . −∞ Tolydu atsitiktini dydi X atitinka tankio funkcija f . Tam patogiausia pasinaudoti tankio funkcija. X2 . . kai x1 .y. Xn vadinami nepriklausomais.B.

. Bd yra realiuju skai£iu Borelio aibes arba aibes pavidalo . λ1 . . jei atitinkami vidurkiai egzistuoja.2 Atsitiktiniai vektoriai jei Atvaizdis X = (X1 . Xd ) : Ω → Rd vadinamas atsitiktiniu vektoriumi. Butinosios tikimybines s¡vokos Tolydaus atsitiktinio dydºio X. . . Tarkime. . Atsitiktinu dydºiu tiesine kombinacija yra atsitiktinis dydis. kai B1 . . . . . . g : R → R tokia funkcija (pavyzdºiui tolydi). tai k=1 λk Xk yra atsitiktinis dydis. . apra²omo tankio funkcija f. Kita labai svarbi atsitiktinio dydºio charakteristika yar dispersija var(X) = σ 2 = E(X − EX)2 . Tai yra.150 B priedas. . . . Ji apra²o vidutini kavdratini atsitiktinio dydºio nuokripi nuo savo vidurkio. . . vidurkis yra ∞ EX = −∞ xf (x)dx. Dauguma funkciju nuo atsitiktinio dydºio yra taip pat atsitiktiniai dydºiai. Tuomet jos vidurkis yra ∞ Eg(X) = −∞ g(x)f (x)dx. Jo vidurki apskai£iuojame pagal formul¦ E k λk Xk = k λk EXk . λn ∈ R. B. Xn  atsitiktiniai dydºiai. kai tas dydis yra diskretus. . . n jei X1 . X −1 (B) = {ω ∈ Ω : X(ω) = (X1 (ω). Xd (ω)) ∈ B} ∈ F su bet kuria Borelio aibe B ⊂ Rd (pakanka su bet kuria aibe B1 × · · · × Bd . kad g(X) yra atsitiktinis dydis. . . kai X yra tolydus su tankio funkcija f ir Eg(X) = k g(xk )f (xk ).

(−∞. . xd ) = f1 (x1 ) · · · fd (xd ). +∞). Xd ) tankio funkcija yra lygi marginaliniu tankio funkciju sandaugai: f (x1 . Diskretiems dydºiams X. . . +∞). Xd ) yra diskretus. . . b ∈ R) Atsitiktinio vektoriaus X pasiskirstymo funkcija vadiname funkcij¡ F (x1 . . .2 Atsitiktiniai vektoriai 151 [a. . . . . . . xd ) = ··· −∞ xd −∞ f (t1 . . Jo marginaline pasiskirstymo funkcija yra Fk (xk ) = F (+∞. Y Eg(X. . . xk . Xd ≤ xd ). . . . (−∞. xk . . +∞. . xd ) kiekviena komponente Xk yra atsitiktinis dydis. . y)f (x. . . Xd ) vadinamas tolydºiu. . jei egzistuoja tokia integruojama teigiama funkcija f (x1 . . . . Y ) = E(X − EX)(Y − EY ) = EXY − EXEY. xk ∈ R. . y). . xd ). . Y ) = x y g(x. . . . . +∞. . Xd yra nepriklausomi. . . kurio pasiskirstymo funkcija yra F (x1 . . . . Xd  diskretus atsitiktiniai dydºiai. . . . [a. . . dxd . Xn ) yra atsitiktinis vektorius. . . . . . . xk−1 . . . . EXn ). . x = (x1 . . a. . . Jei X = (X1 . . . b). b). . . tai vektoriaus (X1 . Tolydaus atsitiktinio dydºio Xk marginalusis tankis yra tokia tankio funkcija fk (t) su kuria Fk (xk ) = xk −∞ fk (t)dt. Xd ). Atsitiktinis vektorius X = (X1 . Jei atsitiktiniai dydºiai X1 . . . su kuria x1 F (x1 . . +∞). xd ) = P (ω : X1 (ω) ≤ x1 . xk+1 . . . xd ) ∈ Rd . Atsitiktinis vektorius X = (X1 . td )dt1 · · · dtd . Marginalini tanki galime surasti pasinaudoj¦ formule fk (xk ) = R · · · R f (x1 . . . tai jo vidurkis yra vektorius EX = (EX1 . Atsitiktinio vektoriaus X = (X1 . . . . Dvieju atsitiktiniu dydºiu kovariacija cov(X. · · · .B. xd )dx1 · · · dxk−1 dxk+1 . . . . . . jei visos jo komponentes X1 . .

152

B priedas. Butinosios tikimybines s¡vokos

tankio funkcija f (x, y) = P (X = x, Y = y). Koreliacija

ρ=

cov(X, Y ) var(X)var(Y )

.

B.3

S¡lyginiai skirstiniai

Ivykio A ∈ F s¡lygine tikimybe su s¡lyga, kad ivyko ivykis B ∈ F apskai£iuojama pagal formul¦

P (A|B) =

P (A ∩ B) . P (B)

Noredami apibreºti s¡lygin¦ tikimyb¦, kai s¡lyga susdaryta i² bet kokio ivykiu skai£iaus, turime pritaikyti kitus argumentus. Lengviausia tai padaryti pradejus nuo s¡lyginio vidurkio s¡vokos. Tarkime, F0 ⊂ F yra duota σ algebra. Atsitiktinio dydºio X s¡lyginis vidurkis atºvilgiu σ -algebros F0 yra toks F0 -matus atsitiktinis dydis E(X|F0 ), kuriam

E(E(X|F0 )χF ) = EXχF ,

su kiekviena aibe F ∈ F0 .

ƒia χF yra aibes F indikatorine funkcija:

χF (ω) =

1, 0,

kai ω ∈ F ; kai ω ∈ F.

S¡lyginis vidurkis E(X|Y ) = E(X|F0 ), kai F0 yra maºiausia σ -algebra atºvilgiu kurios yra matus atsitiktinis dydis Y . Ivykio A ∈ F s¡lygine tikimybe atºvilgiu F0 yra

P (A|F0 ) = E(χA |F0 ).
Svarbu isidemeti, kad s¡lyginis vidurkis ir s¡lygine tikimybe atºvilgiu kurios nors σ -algebros yra atsitiktinis dydis. Jei atsitiktinis vektorius (Y, X) yra apra²omas tankio funkcija f (y, x), tai s¡lygine tankio funkcija, kai ksuotas dydis X = x yra

f (y|x) =

f (y, x) , fX (x)

B.4

Svarbiausi atsitiktiniai dydºiai

153

kai fX (x)  atsitiktinio dydºio X marginalioji tankio funkcija. Tuomet
b ∞

P (a < Y ≤ b|X = x) =
a

f (y|x)dy,

E(Y |X = x) =
−∞

yf (y|x)dy.

B.4

Svarbiausi atsitiktiniai dydºiai

• Bernulio atsitiktinis dydis
Tai pats papras£iausias diskretus atsitiktinis dydis. Atsitiktinis dydis X turintis tik dvi galimas reik²mes, 0 ir 1 vadinamas Bernulio atsitiktiniu dydºiu. Tikimybe, kad tas dydis igis reik²m¦ 1 lygi p, o P (X = 0) = 1 − p. Bernuli atsitiktinis dydis apra²o vieno kurio nors ivykio sekm¦  nesekm¦. Tai gali buti, tarkime, vartotojo sprendimas pirkti kuri¡ nors prek¦; banko sprendimas apie kredito i²davim¡; darbdavio sprendimas apie priemim¡ i darb¡ ir t.t.

• Puasono
Puasono atsitiktinis dydis Y  diskretus atsitiktinis dydis, kurio reik²mes yra naturalieji skai£iai 1, 2, 3, . . . ir atitinkamos tikimybes

fλ ({k}) = P (X = k) =
su kiekvienu k ∈ N.

λk −λ e k!

• Tolygus
Atsitiktinis dydis X yra tolygus intervale [a, b], jei jo tankio funkcija yra

f (u) = • Normalinis

1/(b − a), 0,

kai a ≤ u ≤ b; kitur.

Atsitiktinis dydis X yra normalinis su parametrais a ir σ 2 , jei jo tankio funkcija turi pavidal¡

1 f (u) = √ exp{−(u − a)2 /2σ 2 }, 2πσ

u ∈ R.

Jei a = 0, o σ 2 = 1 tai X vadinamas standartiniu normaliuoju.

154

B priedas. Butinosios tikimybines s¡vokos

• Atsitiktinis dydis χ2 Z1 , Z2 , . . . , Zm  nepriklausomi standartiniai normaliniai atsitiktiniai dydºiai. Tuomet atsitiktinis dydis
2 2 2 V = Z1 + Z2 + · · · + Zm ∼ χ2 m

yra χ2 su m laisves laipsniais. Jo skirstini taip pat priimta vadinti χ2 su m laisves laipsniais. chi2 atsitiktinio dydºio tankio funkcija yra m

f (x) = e−x/2 xd/2−1
ƒia Γ yra gamma funkcija,

1 2d/2 Γ(d/2)

,

x > 0.

Γ(n) =
0

e−t tn−1 dt.

• Stjudento arba t
Jei Z yra standartinis normalinis, o V yra χ2 ir jie yra nepriklausomi, m tuomet Z ∼ tm t= V /m yra Stjudento arba t atsitiktinis dydis su m laisves laipsnais. Jo tankis yra

f (x) =

Γ((n + 1)/2) x2 1+ Γ(n/2)Γ(1/2) n

−(n+1)/2

, x ∈ R.

• Atsitiktinis dydis F
Jei V1 ∼ χ2 , o V2 ∼ χ2 ir yra nepriklausomi, tai n m

F =

V1 /m ∼ Fm,n V2 /n

yra F (Fi²erio) atsitiktinis dydis su (m, n) laisves laipsniais.

λd yra neneigiamos ir egzistuoja tokia ortogonalioji matrica O . Z)τ  gausinis. tai BY + b ∼ N (Ba + b. 4. 3. . 5. λd ) = O τ ΣO. Dar daugiau. Kitais ºodºiais tariant. .5 Daugiamatis Gauso skirstinys 155 B. .B. . vektorius X = O τ Y − O τ a yra gausinis su nuliniu vidurkiu ir kovariacija Λ. Z)τ gausinis ir jo komponentes Y ir Z nekoreliuoti atsitiktiniai vektoriai. cov(Y ) = Σ. . tai visos jos tikrines reik²mes λ1 . Atskiru atveju gauname. anine transformacija gausini atsitiktini vektoriu perveda i gausini. Σ  simetrine teigiamai apibreºta d × d matrica. Σ). Kadangi matrica Σ simetrine ir teigiamai apibreºta. B : Rd → Rp  tiesine transformacija. Σ). Atsitiktinis vektorius Y vadinamas standartiniu gausiniu (normaliniu). Σ). Z  nepriklausomi gausiniai vektoriai. . £ia a ∈ Rd  bet kuris vektorius. Σ) arba Y ∼ Nd (a. BΣB τ ). tai ir vektorius (Y. jei jo tankio funkcija yra p(x) = 1 (2π)d/2 |Σ|1/2 exp − f rac12(x − a)τ Σ−1 (x − a) . . o ortogonalioji standartinio gausinio vektoriaus transformacija vel yra standartinis gausinis vektorius. . Be to.5 Daugiamatis Gauso skirstinys Atsitiktinis vektorius Y = (Y1 . 1. Σ). . jei jis yra gausinis su parametrais a = 0 ir Σ = I . Jei Y ∼ N (a. Vektorius a ir matrica Σ yra parametrai ir sutrumpintai ra²oma Y ∼ N (a. I²vardinsime kelet¡ gausiniu vektoriu savybiu. kad Λ = diag(λ1 . Tarkime. . kad bet kuri gausiniu atsitiktiniu vektoriu tiesine kombinacija yra gausinis atsitiktinis vektorius. tai EY = a. Jei vektorius (Y. . tai jos yra ir nepriklausomos. jei reikia paºymeti dimensij¡ d. Yd )τ vadinamas nei²sigimusiu gausiniu (normaliuoju). kuri¡ atitinka matrica B ir vektorius b ∈ Rp . atsitiktinio vektoriaus X komponentes yra nepriklausomi gausiniai atsitiktiniai dydºiai. Jei Y. Tarkime. 2. . . Y ∼ N (a. Jei Y ∼ N (a.

tai X = (Y − a)τ Σ−1 (Y − a) ∼ χ2 . Σ) ir matrica σ nei²sigimusi. Z = (X. Tuomet atsitiktinis dydis ετ M ε turi χ2 skirstini su r laisves laipsniais. Jei Y ∼ N (a. kai A : Rd → Rq . EY = ay ir matrica VY nei²sigimusi. Y )VY (Y − ay ) + ax . ε  standartinis normalinis atsitiktinis vektorius. Tarkime. kai AB τ = 0. Tarkime.156 B priedas. 8. M  idempotentine d × d matrica rango r. Y )τ normailnis atsitiktinis vektorius. ε  erdves Rd standartinis normalinis atsitiktinis vektorius. Y ) = AB τ . Butinosios tikimybines s¡vokos 6. Tuomet −1 E(X|Y ) = cov(X. Tuomet cov(X. 7. Bet kuris gausinis atsitiktinis vektorius gali buti gaunamas i² standartinio normalinio vektoriaus anines transformacijos pagalba. Tarkime. B : Rd → Rs  tiesinines transformacijos. X = Aε + a. . Y = Bε + b. r 9. Taigi atsitiktiniai vektoriai X ir Y nepriklausomi tada ir tik tada. EX = ax . d 10.

Princeton University Press [6] Kennedy P. Inc. Blackwell Publishers [7] Melenberg B. Prentice-Hall. (1990). (1997) Econometric methods. W. William Griths.H. John Wiley & Sons. McGraw-Hill. [5] Hamilton J. (1998). (1997) Econometric Analysis. [2] Goldberger A. (1994). A Guide to Econometrics. Time Series Analysis.D. 3rd edition. (2001).Literaturos s¡ra²as [1] Carter Hill. A cours in Econometrics. Tilburg University Press . Undergraduate Econometrics. and DiNardo J. Lecture Notes. Cambridge University Press [3] Greene. George Judge (1997). 4th edition. Orientation Econometrics. [4] Johnston J.

Sign up to vote on this title
UsefulNot useful