Professional Documents
Culture Documents
Twierdzenie Gaussa-Markowa
środa 19.05.
godz. 19:00
PIGUŁKA 3:
PIGUŁKA 1: Szeregi czasowe
Weryfikacja modelu czwartek 20.05.
wtorek 18.05. godz. 19:00
godz. 19:00
2
Ważne informacje
•Po każdym wykładzie udostępniamy prezentację na
facebookowym wydarzeniu, także nie musicie robić
szczegółowych notatek
•Jesteśmy tu dla Was – śmiało pytajcie o wszystko, co wydaje
się niejasne, proście o powtórzenie, itp.
•Poza samymi wykładami chętnie pomożemy Wam z wszelkimi
ekonometrycznymi problemami czy zadaniami – śmiało piszcie
na fanpage SKNu lub maila skn.ekonometrii.sgh@gmail.com
PIGUŁKA 1.
Weryfikacja modelu
18 maja 2021
Mateusz Janowicz
Konrad Taber
Weronika Pachulska
Plan warsztatu
Model liniowy
Modele nieliniowe
Zadania
Część 1
Rodzaje danych:
gdzie:
yi - zmienna objaśniana
x1i, …, xki - zmienne objaśniające
β1, …, βk - parametry strukturalne modelu
β0 - wyraz wolny
ɛi – składnik losowy
y = Xβ + ɛ
10
Czym jest ɛ?
11
p – value
• p-value to prawdopodobieństwo popełnienia błędu I rodzaju czyli
odrzucenie hipotezy zerowej, gdy w rzeczywistości jest prawdziwa
• Jeżeli p-value
16
17
MODELE NIELINIOWE
20
MODELE NIELINIOWE
• Jak uwzględnić nieliniowość w modelu?
Jednym ze sposobów jest przekształcanie zmiennych w ramach regresji liniowej.
Najczęstsze przekształcenia to:
1. logarytmy - logarytmowanie powoduje zmniejszenie zakresu wartości zmiennych, może
ograniczyć problem heteroskedastyczności i redukować wpływ obserwacji nietypowych
2. kwadraty zmiennych - funkcja kwadratowa jest dobrym sposobem, aby ująć rosnące
bądź malejące efekty krańcowe
Oprócz tego można też wprowadzić zmienne binarne, czy iloczyny zmiennych. Iloczyn
reprezentuje w modelu interakcję, czyli wspólne, jednoczesne działanie dwóch lub kilku
zmiennych.
Model liniowy
Specyfikacja: ,
Int: Zmiana x o jednostkę wiąże się ceteris paribus ze zmianą y o β jednostek.
Model Log – liniowy
Specyfikacja: ,
Int: Zmiana x o 1 jednostkę wiąże się ceteris paribus ze zmianą y o β *100%.
Model liniowo – logarytmiczny
Specyfikacja: ,
Int: Zmiana x o 1% wiąże się ceteris paribus ze zmianą y o β /100 jednostek.
Model log – log
Specyfikacja: ,
Int: Zmiana x o 1% wiąże się ceteris paribus ze zmianą y o β %.
22
Logit jest zatem logarytmem ilorazu prawdopodobieństwa przyjęcia i nieprzyjęcia wartości 1 przez
zmienną objaśnianą (logarytmem ilorazu szans).
26
Estymacja modelu logitowego
Modele logitowe estymuje się za pomocą Metody Największej Wiarygodności. Opiera się ona na zbudowaniu
odpowiedniej funkcji wiarygodności związanej z analizowanym zdarzeniem.
Koncepcja MNW wiąże się z wyznaczeniem takich oszacowań parametrów, dla których owa funkcja osiąga
wartość maksymalną, czyli maksymalne prawdopodobieństwo zdarzenia w określonej próbie statystycznej.
Stosowanie Metody Największej Wiarygodności w modelu logitowym nie wymaga założenia o normalności
rozkładu składnika losowego.
W modelu logitowym łączną istotność zmiennych bada się za pomocą testu ilorazu
wiarygodności. H0 mówi, że wszystkie parametry modelu (poza wyrazem wolnym) są równe
zero. Wartość p-value mniejsza od 0,05 oznacza, że co najmniej jedna zmienna objaśniająca w
modelu jest istotna statystycznie.
gdzie 𝑙𝑛𝐿𝑀𝑃 jest logarytmem funkcji wiarygodności dla modelu pełnego, natomiast 𝑙𝑛𝐿𝑀𝑍 –
dla modelu zredukowanego do wyrazu wolnego.
28
ZADANIA
30
Zadania - Modele Liniowe
a. Wzrost zmiennej X1 o jednostkę powoduje przeciętny wzrost zmiennej Y o 0,2467 jednostek, ceteris paribus.
b. Szacując parametr przy zmiennej X1 mylimy się przeciętnie o 0,2467
c. Zmienna X1 jest nieistotna statystycznie.
3. Jeżeli statystyka testowa w teście t-studenta wynosi 2,5 a wartość krytyczna to 1,67 to:
a. Wzrost zmiennej X1 o jednostkę powoduje przeciętny wzrost zmiennej Y o 0,2467 jednostek, ceteris paribus.
b. Szacując parametr przy zmiennej X1 mylimy się przeciętnie o 0,2467
c. Zmienna X1 jest nieistotna statystycznie.
3. Jeżeli statystyka testowa w teście t-studenta wynosi 2,5 a wartość krytyczna to 1,67 to:
a. Wzrost zmiennej X1 o jednostkę powoduje przeciętny wzrost zmiennej Y o 0,2467 jednostek, ceteris paribus.
b. Szacując parametr przy zmiennej X1 mylimy się przeciętnie o 0,2467
c. Zmienna X1 jest nieistotna statystycznie.
3. Jeżeli statystyka testowa w teście t-studenta wynosi 2,5 a wartość krytyczna to 1,67 to:
a. Wzrost zmiennej X1 o jednostkę powoduje przeciętny wzrost zmiennej Y o 0,2467 jednostek, ceteris paribus.
b. Szacując parametr przy zmiennej X1 mylimy się przeciętnie o 0,2467
c. Zmienna X1 jest nieistotna statystycznie.
3. Jeżeli statystyka testowa w teście t-studenta wynosi 2,5 a wartość krytyczna to 1,67 to:
a. zmienna objaśniająca, która stoi przy tym parametrze istotnie wpływa na zmienną
objaśnianą
b. parametr ten istotnie wpływa na zmienną objaśnianą
c. parametr ten istotnie wpływa na zmienną objaśniającą, przy której stoi
d. zmienna objaśniana istotnie wpływa na zmienną objaśniającą, która stoi przy tym
parametrze
a. nie powinien być stosowany gdy wśród zmiennych objaśniających modelu znajdują się
zmienne opóźnione.
b. nie może być stosowany w przypadku gdy model został oszacowany na danych
przekrojowych.
c. zastępuje test RESET gdy pozwala stwierdzić istotność wszystkich zmiennych objaśniających
modelu.
d. może być wykorzystywany do badania istotności zmiennych binarnych.
a. nie powinien być stosowany gdy wśród zmiennych objaśniających modelu znajdują się
zmienne opóźnione.
b. nie może być stosowany w przypadku gdy model został oszacowany na danych
przekrojowych.
c. zastępuje test RESET gdy pozwala stwierdzić istotność wszystkich zmiennych objaśniających
modelu.
d. może być wykorzystywany do badania istotności zmiennych binarnych.
a. nie powinien być stosowany gdy wśród zmiennych objaśniających modelu znajdują się
zmienne opóźnione.
b. nie może być stosowany w przypadku gdy model został oszacowany na danych
przekrojowych.
c. zastępuje test RESET gdy pozwala stwierdzić istotność wszystkich zmiennych objaśniających
modelu.
d. może być wykorzystywany do badania istotności zmiennych binarnych.
9. Współczynnik determinacji wynosi 0,78, a skorygowany współczynnik determinacji 0,76. Oznacza to, że:
9. Współczynnik determinacji wynosi 0,78, a skorygowany współczynnik determinacji 0,76. Oznacza to, że:
9. Współczynnik determinacji wynosi 0,78, a skorygowany współczynnik determinacji 0,76. Oznacza to, że:
2. Zależność pomiędzy x i y cechuje stała elastyczność równa -2. Oznacza to, że:
a. mężatki
b. panny
c. kawalera
d. żonatego
46
Zadania - modele nieliniowe
1. W którym z poniższych modeli efekt krańcowy jest stały?
a. liniowy
b. logarytmiczno - liniowy
c. liniowo - logarytmiczny
d. logarytmiczno - logarytmiczny
2. Zależność pomiędzy x i y cechuje stała elastyczność równa -2. Oznacza to, że:
a. mężatki
b. panny
c. kawalera
d. żonatego
47
Zadania - modele nieliniowe
1. W którym z poniższych modeli efekt krańcowy jest stały?
a. liniowy
b. logarytmiczno - liniowy
c. liniowo - logarytmiczny
d. logarytmiczno - logarytmiczny
2. Zależność pomiędzy x i y cechuje stała elastyczność równa -2. Oznacza to, że:
a. mężatki
b. panny
c. kawalera
d. żonatego
48
Zadania - modele nieliniowe
1. W którym z poniższych modeli efekt krańcowy jest stały?
a. liniowy
b. logarytmiczno - liniowy
c. liniowo - logarytmiczny
d. logarytmiczno - logarytmiczny
2. Zależność pomiędzy x i y cechuje stała elastyczność równa -2. Oznacza to, że:
a. mężatki
b. panny
c. kawalera
d. żonatego
49
Zadania - modele nieliniowe
4. Oszacowanie zmiennej interakcyjnej (zmiennej binarnej ze zmienną ciągłą):
a. nie wpłynie na prognozy dla jednostek, dla których zmienna binarna wynosi 0
b. przesunie prostą regresji równolegle w górę lub w dół, czyli zmieni się stała w modelu
c. obydwie odpowiedzi są poprawne
d. żadna z odpowiedzi nie jest poprawna
a. 14
b. 17
c. 15
d. 16
50
Zadania - modele nieliniowe
4. Oszacowanie zmiennej interakcyjnej (zmiennej binarnej ze zmienną ciągłą):
a. nie wpłynie na prognozy dla jednostek, dla których zmienna binarna wynosi 0
b. przesunie prostą regresji równolegle w górę lub w dół, czyli zmieni się stała w modelu
c. obydwie odpowiedzi są poprawne
d. żadna z odpowiedzi nie jest poprawna
a. 14
b. 17
c. 15
d. 16
51
Zadania - modele nieliniowe
4. Oszacowanie zmiennej interakcyjnej (zmiennej binarnej ze zmienną ciągłą):
a. nie wpłynie na prognozy dla jednostek, dla których zmienna binarna wynosi 0
b. przesunie prostą regresji równolegle w górę lub w dół, czyli zmieni się stała w modelu
c. obydwie odpowiedzi są poprawne
d. żadna z odpowiedzi nie jest poprawna
a. 14
b. 17
c. 15
d. 16
52
Zadania - modele nieliniowe
6. Dany jest model ekonometryczny W = 28 - 4,1 C + 3,6 lnY + 0,05 t, gdzie: W – wydatki (w
tys. zł.), C – cena (w zł.), Y – dochód (w zł.), t – czas, ln – logarytm naturalny.
a. Wzrost dochodu o 1% powoduje wzrost wydatków przeciętnie o około 3,6 tysiąca złotych,
ceteris paribus.
b. Wzrost dochodu o 1% powoduje wzrost wydatków przeciętnie o około 36 złotych, ceteris
paribus.
c. Wzrost dochodu o 1 zł. powoduje wzrost wydatków przeciętnie o około 3,6 tysiąca
złotych, ceteris paribus.
d. Wzrost dochodu o 1 zł. powoduje wzrost wydatków przeciętnie o około 3,6 %, ceteris
paribus.
53
Interpretacje parametrów w zależności od postaci modelu:
Model liniowy
Specyfikacja: ,
Int: Zmiana x o jednostkę wiąże się ceteris paribus ze zmianą y o β jednostek.
Model Log – liniowy
Specyfikacja: ,
Int: Zmiana x o 1 jednostkę wiąże się ceteris paribus ze zmianą y o β *100%.
Model liniowo – logarytmiczny
Specyfikacja: ,
Int: Zmiana x o 1% wiąże się ceteris paribus ze zmianą y o β /100 jednostek.
Model log – log
Specyfikacja: ,
Int: Zmiana x o 1% wiąże się ceteris paribus ze zmianą y o β %.
54
Zadania - modele nieliniowe
6. Dany jest model ekonometryczny W = 28 - 4,1 C + 3,6 lnY + 0,05 t, gdzie: W – wydatki (w
tys. zł.), C – cena (w zł.), Y – dochód (w zł.), t – czas, ln – logarytm naturalny.
a. Wzrost dochodu o 1% powoduje wzrost wydatków przeciętnie o około 3,6 tysiąca złotych,
ceteris paribus.
b. Wzrost dochodu o 1% powoduje wzrost wydatków przeciętnie o około 36 złotych,
ceteris paribus.
c. Wzrost dochodu o 1 zł. powoduje wzrost wydatków przeciętnie o około 3,6 tysiąca
złotych, ceteris paribus.
d. Wzrost dochodu o 1 zł. powoduje wzrost wydatków przeciętnie o około 3,6 %, ceteris
paribus.
55
Zadania - modele nieliniowe
7. Dany jest model ekonometryczny ln W = 28 - 3,6 C + 4,1 Y + 0,02 t, gdzie: W – wydatki (w
tys. zł.), C – cena (w zł.), Y – dochód (w zł.), t – czas, ln – logarytm naturalny.
a. 0,71
b. 0,46
c. 0,55
d. 0,75
a. 0,71
b. 0,46
c. 0,55
d. 0,75
a. 0,71
b. 0,46
c. 0,55
d. 0,75
4. W modelu logitowym:
4. W modelu logitowym:
4. W modelu logitowym:
8. Dla zmiennej X efekt krańcowy dla średnich wynosi 0,13. Oznacza to, że
a. Zmienna jest nieistotna, bo 0,13 > 0,05.
b. Wzrost X o jednostkę powoduje wzrost prawdopodobieństwa, że Y = 1 o około 0,13 dla średniej
wartości X.
c. Wzrost X o jednostkę powoduje wzrost ilorazu szans o około 13% dla średniej wartości X.
d. Wzrost X o jednostkę powoduje wzrost ilorazu szans o około exp(0,13) dla średniej wartości X.
69
Zadania - modele zmiennej jakościowej
7. Zmienna Y = 1 oznacza posiadanie akwarium (Y = 0 oznacza nie posiadanie basenu). Zmienna X
oznacza wiek osoby. Oszacowanie parametru przy zmiennej X ma wartość -0,105, a oszacowanie
wyrazu wolnego 1,5. Prawdopodobieństwo, że osoba w wieku 30 lat nie posiada akwarium wynosi
około:
a. 0,839
b. 0,808
c. 0,192
d. 0,161
8. Dla zmiennej X efekt krańcowy dla średnich wynosi 0,13. Oznacza to, że
a. Zmienna jest nieistotna, bo 0,13 > 0,05.
b. Wzrost X o jednostkę powoduje wzrost prawdopodobieństwa, że Y = 1 o około 0,13 dla średniej
wartości X.
c. Wzrost X o jednostkę powoduje wzrost ilorazu szans o około 13% dla średniej wartości X.
d. Wzrost X o jednostkę powoduje wzrost ilorazu szans o około exp(0,13) dla średniej wartości X.
70
Zadania - modele zmiennej jakościowej
7. Zmienna Y = 1 oznacza posiadanie akwarium (Y = 0 oznacza nie posiadanie basenu). Zmienna X
oznacza wiek osoby. Oszacowanie parametru przy zmiennej X ma wartość -0,105, a oszacowanie
wyrazu wolnego 1,5. Prawdopodobieństwo, że osoba w wieku 30 lat nie posiada akwarium wynosi
około:
a. 0,839
b. 0,808
c. 0,192
d. 0,161
8. Dla zmiennej X efekt krańcowy dla średnich wynosi 0,13. Oznacza to, że
a. Zmienna jest nieistotna, bo 0,13 > 0,05.
b. Wzrost X o jednostkę powoduje wzrost prawdopodobieństwa, że Y = 1 o około 0,13 dla
średniej wartości X.
c. Wzrost X o jednostkę powoduje wzrost ilorazu szans o około 13% dla średniej wartości X.
d. Wzrost X o jednostkę powoduje wzrost ilorazu szans o około exp(0,13) dla średniej wartości X.
71
Zadania - modele zmiennej jakościowej
9. Którego z następujących problemów nie można analizować przy użyciu modelu logitowego:
a. Student decyduje się na studia za granicą
b. Doświadczenie pracownika ma wpływ na jego poziom zarobków
c. Starający się o kredyt nie spłacą go
d. Student opuści dom rodzinny
• https://web.sgh.waw.pl/~mrubas/Econometrics/Econometrics.htm
• https://web.sgh.waw.pl/~jmuck/Ekonometria.html
Mail: skn.ekonometrii.sgh@gmail.com
Dziękujemy za uwagę!
Zapraszamy do śledzenia
informacji o kolejnych
wydarzeniach ☺
PIGUŁKA 2:
WIELKA Twierdzenie Gaussa-Markowa
PIGUŁKA 3:
PIGUŁKA 1: Szeregi czasowe
Weryfikacja modelu czwartek 20.05.
wtorek 18.05. godz. 19:00
godz. 19:00
PIGUŁKA 2.
Twierdzenie
Gaussa-Markowa
19 maja 2021
Daniel Zawrotny
Bartosz Zoła
Natalia Błaszczuk
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Plan warsztatu
Twierdzenie Gaussa - Markowa
Heteroskedastyczność
Autokorelacja
Współliniowość
Endogeniczność
CZĘŚĆ 01
Twierdzenie
Gaussa-Markowa
KMNK
Ścisła egzogeniczność Brak autokorelacji
𝐸 𝜺 = 0 𝑜𝑟𝑎𝑧 𝐸 𝑿𝜀 = 0 𝑉𝑎𝑟 𝜺 = 𝜎 ! I
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Twierdzenie Gaussa-Markowa
Twierdzenie Gaussa-Markowa - wprowadzenie
- liniowym,
- zgodnym,
- nieobciążonym,
nieobciążonych estymatorów.
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Własności estymatora MNK
Twierdzenie Gaussa-Markowa - wprowadzenie
Nieobciążoność Efektywność
• Wartość oczekiwana 𝜷 ! jest równa prawdziwej • Miara efektywności – wariancja.
wartości parametru β.
• Oznacza, że jeżeli powtórzymy estymację z
KMNK • Im mniejsza wariancja, tym mniejsze błędy
szacunku, tym większa efektywność.
wykorzystaniem różnych obserwacji, to • MAŁA WARIANCJA
„średnio” oszacowania będą kształtowały
blisko prawdziwej wartości parametru.
• ŚREDNIO SIĘ NIE MYLIMY
Zgodność
• Im większa próba, tym większe
prawdopodobieństwo, że „trafimy” w
prawdziwą wartość parametru.
• IM WIĘCEJ OBSERWACJI, TYM WIELKA
LEPIEJ POWTÓRKA PIGUŁKA
Z EKONOMETRII
CZĘŚĆ 02
Twierdzenie Gaussa-
Markowa
Heteroskedastyczność
Heteroskedastyczność
Heteroskedastyczność
Heteroskedastyczność
Heteroskedastyczność oznacza zmienność wariancji składnika losowego i wiąże się z niespełnieniem założenia KMNK:
Var 𝜺 = 𝜎 ! I
Skutki
1) Estymator przestaje być najbardziej
efektywny (nadal nieobciążony)
2) Nieprawidłowe oceny błędów
standardowych i w konsekwencji
niewiarygodne testy t-studenta Niejednorodna wariancja
istotności zmiennych
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 1
Heteroskedastyczność
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 2
Heteroskedastyczność
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Test White’a
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 3
Heteroskedastyczność
W modelu pomocniczym kwadrat reszt z modelu podstawowego jest zmienną objaśnianą, natomiast
regresory z modelu podstawowego, ich kwadraty i interakcje są zmiennymi objaśniającymi.
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 4
Heteroskedastyczność
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 4 - rozwiązanie
Heteroskedastyczność
p-value < 0,05 zatem należy odrzucić hipotezę zerową na rzecz hipotezy alternatywnej, mówiącej o tym,
że reszty są heteroskedastyczne.
.
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Test Goldfelda-Quandta
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 5
Heteroskedastyczność
1. Testu White’a
2. Testu Breuscha-Pagana
3. Testu Goldfelda-Quandta
4. Testu t-Studenta
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
CZĘŚĆ 03
Twierdzenie Gaussa-
Markowa
Autokorelacja
Autokorelacja
Autokorelacja
Autokorelacja
Autokorelacja oznacza korelację pomiędzy kolejnymi obserwacjami tej samej zmiennej i wiąże się z niespełnieniem założenia
Var 𝜺 = 𝜎 ! I
Skutki
1) Estymator przestaje być najbardziej Autokorelacja – nielosowy układ reszt:
Pozostawienie
modelu WIELKA
POWTÓRKA PIGUŁKA
bez zmian.
Z EKONOMETRII
Testy autokorelacji
Autokorelacja
3) Obliczenie statystyki
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 1
Autokorelacja
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 2
Autokorelacja
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 2 - rozwiązanie
Autokorelacja
p- value < 0,05 zatem należy odrzucić hipotezę zerową na rzecz hipotezy alternatywnej, mówiącej o tym,
że występuje autokorelacja reszt.
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 3
Autokorelacja
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 4
Autokorelacja
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 5
Autokorelacja
1.Przy poziomie istotności 0,01 autokorelacja występuje, ale przy poziomie istotności 0,05
nie występuje.
2.Przy poziomie istotności 0,05 autokorelacja występuje, ale przy poziomie istotności 0,01
nie występuje
3.Autokorelacja występuje przy poziomie istotności 0,01 i 0,05.
4.Autokorelacja nie występuje ani przy poziomie istotności 0,01, ani przy 0,05.
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Kurtoza
Autokorelacja
https://statystykawpsychologii.blogspot.com/2014/05/kurtoza-w-sosie-wasnym_0.html
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 6
Autokorelacja
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 7
Autokorelacja
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
CZĘŚĆ 04
Twierdzenie Gaussa-
Markowa
Współliniowość
Współliniowość
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 2
Współliniowość
1. 99%
2. 10%
3. 95%
4. 90%
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
CZĘŚĆ 05
Twierdzenie Gaussa-
Markowa
Endogeniczność
Endogeniczność
Endogeniczność
Endogeniczność
Zmienna objaśniająca jest endogeniczna, gdy jest skorelowana ze składnikiem losowym modelu.
Niespełniony jest warunek o ścisłej egzogeniczności z założeń KMNK: 𝐸 𝜺 = 0 𝑜𝑟𝑎𝑧 𝐸 𝑿𝜀 = 0
Przyczyny Skutki
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 1
Endogeniczność
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zmienne instrumentalne
Endogeniczność
Aby poradzić sobie z endogenicznością, tworzymy zbiór dodatkowych zmiennych, które spełniają dwa warunki –
warunek skorelowania oraz warunek egzogeniczności.
Warunek
skorelowania + Warunek
egzogeniczności Dobry instrument
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zależności między zmiennymi - intuicja
Endogeniczność
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Podwójna metoda najmniejszych kwadratów
Endogeniczność
Możemy ją zastosować, gdy mamy więcej lub tyle samo instrumentów co regresorów.
Zgodne i
nieobciążone
KROK 1 KROK 2 KROK 3
oszacowania
parametrów
!,
Przeprowadź regresję MNK y na 𝑿
Oszacuj metodą MNK parametry !
Oblicz wartości teoretyczne 𝑿 aby uzyskać wartości oszacowań
modelu, w którym każdy regresor
jest objaśniany przez wszystkie parametrów β.
instrumenty
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 2
Endogeniczność
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Testy związane z endogenicznością regresorów
Endogeniczność
Warunek skorelowania
Warunek egzogeniczności • W przypadku gdy mamy do czynienia
• Test Sargana (test restrykcji nałożonych z modelem, w którym jest tylko jeden
na nadmierne warunki identyfikujące) ENDOGENICZNY REGRESOR:
• 𝐻" : Wszystkie instrumenty są 1) Szacujemy model z pierwszego kroku
egzogeniczne. 2MNK (szacujemy metodą MNK
• 𝐻# : Co najmniej jeden z instrumentów parametry modelu, w którym dany
jest skorelowany ze składnikiem losowym regresor jest objaśniany przez
modelu, czyli jest endogeniczny. wszystkie instrumenty)
2) Obliczamy wartość statystyki F dla
testu łącznej istotności całego modelu.
3) Jeśli F>10 => brak dowodów na to, że
instrumenty są słabe.
Endogeniczność regresora
• Intuicja: estymator MNK jest bardziej efektywny niż
estymator MZI, dlatego wolimy uniknąć stosowania
MZI, jeśli nie jest to konieczne.
• Test Hausmana:
• a) 𝐻" : cov(x, 𝜀) = 0 – regresor egzogeniczny WIELKA
POWTÓRKA PIGUŁKA
• b) 𝐻# : co𝑣(x, 𝜀) ≠ 0 – regresor endogeniczny
Z EKONOMETRII
Zadanie 3
Endogeniczność
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 3 - rozwiązanie
Endogeniczność
Dobre instrumenty są
a) egzogeniczne, czyli nieskorelowane ze składnikiem losowym,
b) silnie skorelowane z endogenicznymi regresorami.
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 4
Endogeniczność
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 4
Endogeniczność
Na poziomie istotności p = 0.05 <0.07 brak jest podstaw do odrzucenia hipotezy zerowej postulującej
zgodność estymatora MNK (regresory są egzogeniczne).
Odp: Zastosowanie metody IV w tym modelu nie było konieczne – już MNK zapewniała zgodność
estymatorów.
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Informacje kontaktowe
Mail: skn.ekonometrii.sgh@gmail.com
Dziękujemy za uwagę!
Zapraszamy do śledzenia
informacji o kolejnych
wydarzeniach J
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
PIGUŁKA 2:
WIELKA Twierdzenie Gaussa-Markowa
PIGUŁKA 3:
PIGUŁKA 1: Szeregi czasowe
Weryfikacja modelu czwartek 20.05.
wtorek 18.05. godz. 19:00
godz. 19:00
PIGUŁKA 3.
Weryfikacja modelu
20 maja 2021
Jan Zajko
Konrad Bochniarz
Paulina Krogulec
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Plan warsztatu
Stacjonarność
Kointegracja
Prognozowanie
PART 01
Szeregi czasowe
Stacjonarność
Stacjonarność
Co to jest?
40
%
Szeregiem stacjonarnym nazywamy szereg,
którego podstawowe własności są stałe w
60% 𝜇 = 𝐸 𝑋!
czasie. Te podstawowe własności to wartość 𝜎 " = 𝑉𝑎𝑟 𝑋! = 𝐸 𝑋! − 𝜇 "
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Stacjonarność
Problemy wynikające z niestacjonarności
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Stacjonarność
Szereg stacjonarny vs Szereg niestacjonarny
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Stacjonarność
Stopień zintegrowania szeregu
40
%
Większość szeregów jest niestacjonarna.
Jednym ze sposobów na uniknięcie
60% Przykład jednokrotnego zróżnicowania:
∆𝑦! = 𝑦! − 𝑦!"#
negatywnego wpływu niestacjonarności jest ∆𝑦! - pierwsze przyrosty
zróżnicowanie szeregu – obliczenie
przyrostów.
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Stacjonarność
Stopień zintegrowania szeregu
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Stacjonarność Testowana jest hipoteza zerowa
Badanie stopnia zintegrowania szeregu – Test Dickeya-Fullera postulująca, że szereg jest
niestacjonarny, lecz zintegrowany w
stopniu co najmniej pierwszym (δ = 0)
wobec hipotezy alternatywnej
postulującej stacjonarność ( 𝛿 < 0)
Test ten opiera się na założeniu,
że 𝑦! = 𝜌𝑦!"# + 𝜀! . Testowane jest Pomimo faktu, że tworzona jest statystyka t-
czy 𝜌 jest statystycznie istotnie studenta, to rozkładu t-studenta nie można
mniejsze niż 1 wykorzystać do wnioskowania
statystycznego.
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Stacjonarność
Test ADF – Augumented Dickey-Fuller Test
40
%
W praktyce do testowania stacjonarności
używa się testu ADF – rozszerzonego testu
60% Równanie w teście ADF ma postać:
𝑦! = 𝛿𝑦!"# + 𝑦# ∆𝑦!"# + 𝑦$ ∆𝑦!"$ + ⋯ + 𝑦% ∆𝑦!"% + 𝜀!
Dickeya-Fullera. Jest on znacznie lepszy niż
klasyczny test Dickeya-Fullera: omijamy
negatywny wpływ autokorelacji składnika
losowego.
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Regresja pozorna
Czym jest i do czego prowadzi?
żadnego związku
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Regresja pozorna
Stopień zintegrowania szeregu
Kointegracja
Kointegracja
Między szeregami 𝑦! oraz 𝑥! zachodzi relacja
Co to jest? kointegrująca jeśli:
40 Testowanie kointegracji:
%
W wyniku regresji pozornej, wykazywane są
związki pomiędzy szeregami, które nie mają
60% 1. Zbadanie stacjonarności szeregów – jeśli
szeregi są zintegrowane w stopniu
pierwszym – OK
żadnego logicznego uzasadnienia. Czasami 2. Szacowanie parametrów relacji
jednak relacja pomiędzy takimi szeregami jest pomiędzy szeregami. Następnie
stabilna – wtedy (przy spełnionych testujemy stacjonarność reszt z modelu
założeniach) mamy do czynienia z relacją
kointegrującą.
𝐻& : 𝑒! ~𝐼 1 wniosek: 𝑦! oraz 𝑥! nie są
skointegrowane
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Model korekty błędem
Co to jest?
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 1
W teście Dickey-Fullera dla szeregu 𝑥! otrzymano wartość p=0,465, a w teście Dickey-Fullera dla pierwszych
przyrostów szeregu 𝑥! otrzymano wartość p=0,00012.
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 1
W teście Dickey-Fullera dla szeregu 𝑥! otrzymano wartość p=0,465, a w teście Dickey-Fullera dla pierwszych
przyrostów szeregu 𝑥! otrzymano wartość p=0,00012.
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 2.1
Przeprowadzono rozszerzony test Dickeya-Fullera dla zmiennej DD (Domestic Demand). Zinterpretuj wyniki tego
testu. Przyjmij poziom istotności 𝛼=0.05
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 2.1
Przeprowadzono rozszerzony test Dickeya-Fullera dla zmiennej DD (Domestic Demand). Zinterpretuj wyniki tego
testu. Przyjmij poziom istotności 𝛼=0.05
Test DF
𝐻E : szereg NIE jest stacjonarny
𝐻F : szereg jest stacjonarny
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 2.2
Poniżej zamieszczone są wyniki testu ADF dla pierwszych przyrostów badanej zmiennej. Określ czy zmienna DD
jest zintegrowana w stopniu pierwszym. Przyjmij poziom istotności 𝛼=0.05
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 2.2
Poniżej zamieszczone są wyniki testu ADF dla pierwszych przyrostów badanej zmiennej. Określ czy zmienna DD
jest zintegrowana w stopniu pierwszym. Przyjmij poziom istotności 𝛼=0.05
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 3
Przeprowadzono test ADF dla zmiennej GBR_INF (Consumer Price Index w UK). Określ czy zmienna jest zmienną
trendostacjonarną? Przyjmij poziom istotności 𝛼=0.05
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 3
Przeprowadzono test ADF dla zmiennej GBR_INF (Consumer Price Index w UK). Określ czy zmienna jest zmienną
trendostacjonarną? Przyjmij poziom istotności 𝛼=0.05
. WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 5
Kiedy możemy mówić, że zmienne są skointegrowane
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 5
Kiedy możemy mówić, że zmienne są skointegrowane
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 6
Sprawdź czy występuje kointegracja pomiędzy logarytmem naturalnym CO2t i logarytmem naturalnym GDPt.
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 6.1
Sprawdzamy czy szeregi są zintegrowane w stopniu pierwszym.
Test ADF dla ln 𝐶𝑂" : Test ADF dla pierwszych różnic ln 𝐶𝑂" :
Rozszerzony test Dickeya-Fullera dla procesu l_CO2 Rozszerzony test Dickeya-Fullera dla procesu d_l_CO2
testowano istotność opóźnienia od rzędu 1, dla kryterium AIC testowano istotność opóźnienia od rzędu 1, dla kryterium AIC
Hipoteza zerowa: występuje pierwiastek jednostkowy a = 1; proces I(1) Hipoteza zerowa: występuje pierwiastek jednostkowy a = 1; proces I(1)
test bez wyrazu wolnego (const) test bez wyrazu wolnego (const)
dla opóźnienia pierwszego rzędu procesu (1-L)l_CO2 dla opóźnienia rzędu 0 procesu (1-L)d_l_CO2
model: (1-L)y = (a-1)*y(-1) + ... + e model: (1-L)y = (a-1)*y(-1) + e
estymowana wartość (a-1) wynosi: 0,000444695 estymowana wartość (a-1) wynosi: -0,526368
Autokorelacja reszt rzędu pierwszego: 0,050 Autokorelacja reszt rzędu pierwszego: 0,028
p=0.9775> 0.05
p = 5,31e-005 < 0.05
• Zatem nie mamy podstaw do odrzucenia hipotezy zerowej mówiącej o,
że szereg jest niestacjonarny. • mamy podstawy do odrzucenia hipotezy zerowej, zatem pierwsze przyrosty
• Zmienna ln 𝐶𝑂$ jest zmienną niestacjonarną, zintegrowaną w stopniu co zmiennej ln 𝐶𝑂$ są stacjonarne.
najmniej 1.
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 6.1
Sprawdzamy czy szeregi są zintegrowane w stopniu pierwszym.
Test ADF dla ln 𝐺𝐷𝑃 : Test ADF dla pierwszych różnic ln 𝐺𝐷𝑃 :
Rozszerzony test Dickeya-Fullera dla procesu l_GDP
Rozszerzony test Dickeya-Fullera dla procesu d_l_GDP
testowano istotność opóźnienia od rzędu 1, dla kryterium AIC
testowano istotność opóźnienia od rzędu 1, dla kryterium AIC
liczebność próby 57
liczebność próby 57
Hipoteza zerowa: występuje pierwiastek jednostkowy a = 1; proces I(1)
Hipoteza zerowa: występuje pierwiastek jednostkowy a = 1; proces I(1)
p=0.2169> 0.05
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 7
Kiedy przechodzimy z modelu ARIMA do modelu SARIMA?
Gdy proces generujący dane dla zmiennej objaśnianej jest zintegrowany w stopniu
większym niż 0
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
PART 03
Prognozowanie
Test Chowa
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Weryfikacja stabilności parametrów – Test Chowa
Test Chowa
Zestaw hipotez:
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Weryfikacja stabilności parametrów – Test Chowa
Test Chowa
Statystyka testowa:
𝑺𝑺𝑬#𝑺𝑺𝑬𝟏#𝑺𝑺𝑬𝟐
𝐅= 𝑲'𝟏
𝑺𝑺𝑬𝟏'𝑺𝑺𝑬𝟐
𝒏#𝟐(𝒌'𝟏)
SSE – suma kwadratów reszt dla modelu wyjściowego
SSE1 – suma kwadratów reszt dla modelu na podstawie podokresu 1
SSE2 – suma kwadratów reszt dla modelu na podstawie podokresu 2
n – liczba obserwacji w modelu wyjściowym
k+1 – liczba szacowanych parametrów w każdym z modeli
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Weryfikacja stabilności parametrów – Test Chowa
Test Chowa
Statystyka F ma rozkład F-Snoedecora z r1 = k+1 oraz r2 = n-2(k+1) stopniami swobody
Jeśli wartość F większa od wartości krytycznej testu na określonym poziomie istotności, to hipotezę zerową o stabilności oszacowań modelu
odrzucamy
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Błąd ex ante
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Prognoza przedziałowa
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Prognoza punktowa
YtP = xTtb
b – wektor oszacowanych parametrów
xTt – wierszowy wektor wartości zmiennych objaśniających w
okresie t
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Błędy ex post
%
1
𝑀𝐸 = *(𝑦! −𝑦!& ) − Ś𝑅𝐸𝐷𝑁𝐼 𝐵ŁĄ𝐷 𝑃𝑅𝐸𝐷𝑌𝐾𝐶𝐽𝐼
𝑛
!#$
%
1
𝑀𝐴𝐸 = * |𝑦! − 𝑦!& | − Ś𝑅𝐸𝐷𝑁𝐼 𝐵ŁĄ𝐷 𝐴𝐵𝑆𝑂𝐿𝑈𝑇𝑁𝑌
𝑛
!#$
%
1 (𝑦! −𝑦!& )
𝑀𝑃𝐴𝐸 = * − Ś𝑅𝐸𝐷𝑁𝐼 𝐴𝐵𝑆𝑂𝐿𝑈𝑇𝑁𝑌 𝐵ŁĄ𝐷 𝑃𝑅𝑂𝐶𝐸𝑁𝑇𝑂𝑊𝑌
𝑛 𝑦!
!#$
$
𝑀𝑆𝐸 = ∑%!#$(𝑦! −𝑦!& )' − 𝐵ŁĄ𝐷 Ś𝑅𝐸𝐷𝑁𝐼𝑂𝐾𝑊𝐴𝐷𝑅𝐴𝑇𝑂𝑊𝑌
%
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Błędy ex post
Współczynnik Theila
I2= Σmt=1(Yt-YtP)2/Σmt=1Yt2
Wartość I informuje jaki jest przeciętny względny błąd prognozy w rozpatrywanych m
okresach
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Kryteria informacyjne
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 4
Prognozowane wartości zmiennej zależnej wyniosły kolejno: 10, 9, 8, 7, podczas, gdy wartości empiryczne miały
odpowiednio wartości: 11, 12, 7, 6. Ile wynosi średni absolutny błąd predykcji i błąd średniokwadratowy?
I
1
𝑀𝐴𝐸 = 6 |𝑦! − 𝑦!J |
𝑛
!HF
11 − 10 + 12 − 9 + 7 − 8 + 6 − 7
𝑀𝐴𝐸 = = 1,5
4
I
1
𝑀𝑆𝐸 = 6(𝑦! −𝑦!J )"
𝑛
!HF
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 5
Na podstawie wartości AIC i BIC wybierz model lepszy w parach modeli ze zmienną objaśnianą fml i
ln(fml).
Model 2: Estymacja KMNK, wykorzystane obserwacje 1960:01-1994:12 (N = 420) Model 3: Estymacja KMNK, wykorzystane obserwacje 1960:01-1994:12 (N = 420)
Zmienna zależna (Y): FM1 Zmienna zależna (Y): FM1
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 5
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 6
Tworzymy model dla okresu 2001 – 2007. Chcemy sprawdzić, czy w czerwcu 2004 nie wystąpiło
załamanie strukturalne. Dostajemy taki wynik testu Chowa:
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Zadanie 6
Tworzymy model dla okresu 2001 – 2007. Chcemy sprawdzić, czy w czerwcu 2004 nie wystąpiło załamnie
strukturalne. Dostajemy taki wynik testu Chowa:
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII
Informacje kontaktowe
Mail: skn.ekonometrii.sgh@gmail.com
Dziękujemy za uwagę!
Zapraszamy do śledzenia
informacji o kolejnych
wydarzeniach J
WIELKA
POWTÓRKA PIGUŁKA
Z EKONOMETRII