Professional Documents
Culture Documents
Tematyka przedmiotu
1. Informacje ogólne
• przedmiot i cel ekonometrii,
• model ekonometryczny: definicja, ogólna
postać modelu,
• rodzaje zmiennych w modelu,
• składnik losowy i jego własności,
• rodzaje danych statystycznych,
• klasyfikacja modeli ekonometrycznych,
• etapy budowy modelu ekonometrycznego,
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Tematyka przedmiotu
2. Estymacja parametrów liniowego modelu
ekonometrycznego
• założenia klasycznej metody
najmniejszych kwadratów (KMNK),
• estymator parametrów strukturalnych
i jego własności,
• estymator wariancji składnika losowego,
• estymator macierzy kowariancji
estymatorów parametrów,
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Tematyka przedmiotu
3. Weryfikacja liniowego modelu
ekonometrycznego
• miary dopasowania modelu,
• badanie istotności parametrów
strukturalnych, dobór zmiennych
objaśniających,
• weryfikacja założeń KMNK,
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Tematyka przedmiotu
4. Uogólniona metoda najmniejszych
kwadratów (UMNK)
• istota i warunki zastosowania UMNK,
• estymator parametrów i jego własności,
• estymator macierzy kowariancji
parametrów,
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Tematyka przedmiotu
5. Modele nieliniowe
• sposoby ujęcia zależności nieliniowych w
modelu,
• modele z interakcjami między zmiennymi
objaśniającymi,
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Tematyka przedmiotu
6. Modele ze zmiennymi jakościowymi
• model z dychotomiczną zmienną
objaśniającą,
• model z wielowariantową zmienną
objaśniającą,
• model z dwiema jakościowymi zmiennymi
objaśniającymi,
• model z dychotomiczną zmienną zależną,
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Tematyka przedmiotu
7. Modele dynamiczne
• model z rozkładem opóźnień,
• model autoregresji,
• model autoregresyjny z rozkładem
opóźnień,
• model Koycka.
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Literatura
• Gruszczyński M., Podgórska M. (red.),
Ekonometria, Wydawnictwo SGH, Warszawa
2003,
• Kufel T., Ekonometria. Rozwiązywanie
problemów z wykorzystaniem programu
GRETL, Wydawnictwo Naukowe PWN,
Warszawa 2013,
• Maddala G. S., Ekonometria, Wydawnictwo
Naukowe PWN 2008,
• Wooldridge J. M., Introductory Econometrics:
A Modern Approach, Mason, OH:
Thomson/South-Western 2006,
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Literatura
• Verbeek M., A Guide to Modern Econometrics,
John Wiley & Sons Ltd, Chichester, 2004,
• Greene W. H., Econometric analysis,
Macmillan, New York 2003.
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Definicja ekonometrii
Pawłowski (1978): „Ekonometria jest nauką
o metodach badania ilościowych prawidłowości
występujących w zjawiskach ekonomicznych za
pomocą odpowiednio wyspecjalizowanego
aparatu matematyczno-statystycznego.”
Chow (1995): „Ekonometria jest nauką i sztuką
stosowania metod statystycznych do mierzenia
relacji ekonomicznych.”
Maddala (2006): „Ekonometria to zastosowanie
metod statystycznych i matematycznych do
analizy danych ekonomicznych w celu nadania
teoriom ekonomicznym kontekstu empirycznego
oraz ich potwierdzenia lub odrzucenia.”
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Model ekonometryczny
Ogólna postać modelu
𝑌 = 𝑓 𝑋1 , 𝑋2 , … , 𝑋𝑘 , 𝜀
gdzie:
Y – zmienna objaśniana modelu,
X1, X2, …, Xk – zmienne objaśniające,
ε – składnik losowy, wyraża łączny efekt oddziaływania
na zmienną objaśnianą wszystkich czynników, które
nie zostały uwzględnione w modelu,
f – postać analityczna funkcji obrazującej zależność
pomiędzy zmienną objaśnianą a zmiennymi
objaśniającymi i składnikiem losowym.
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
nieopóźnione objaśniane
endogeniczne
opóźnione
Zmienne
nieopóźnione objaśniające
egzogeniczne
opóźnione
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
gdzie:
I – macierz jednostkowa stopnia n (ma na przekątnej
1, a na pozostałych miejscach 0),
σ2 – wariancja składnika losowego,
D2(ε) – macierz wariancji i kowariancji wektora
składników losowych (zwana w dalszej części
macierzą kowariancji).
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
ŷ = a0 + a1x
ei
yi
ŷi
xi x
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
𝐲ො = 𝐗𝐚 oraz 𝐞 = 𝐲 − 𝐲ො = 𝐲 − 𝐗𝐚
gdzie:
𝑦ො1 𝑎0 𝑒1
𝑦ො2 𝑎1 𝑒2
𝐲ො = 𝐚 = ⋮ 𝐞 = ⋮
𝑛𝑥1 ⋮ 𝑘+1 𝑥1 𝑛𝑥1
𝑦ො𝑛 𝑎𝑘 𝑒𝑛
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
𝑆 𝐚 = 𝐞𝑇 𝐞 = 𝐲 − 𝐗𝐚 𝑇 𝐲 − 𝐗𝐚 =
= 𝐲 𝑇 𝐲 − 𝐲 𝑇 𝐗𝐚 − 𝐚𝑇 𝐗 𝑇 𝐲 + 𝐚𝑇 𝐗 𝑇 𝐗𝐚 =
= 𝐲 𝑇 𝐲 − 2𝐚𝑇 𝐗 𝑇 𝐲 + 𝐚𝑇 𝐗 𝑇 𝐗𝐚
Warunkiem koniecznym istnienia ekstremum
lokalnego funkcji jest zerowanie się wektora
pierwszych pochodnych cząstkowych (gradientu):
𝜕𝑆 𝐚
= −2𝐗 𝑇 𝐲 + 2𝐗 𝑇 𝐗𝐚 = 𝟎
𝜕𝐚
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
𝟏𝑇 𝐲 = 𝟏𝑇 𝐲ො
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
𝐲ො 𝑇 𝐞 = 0
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
𝐷 𝑎𝑗 = 𝐷2 𝑎𝑗 (j = 0, 1, …, k)
Określa się je mianem średnich błędów szacunku
parametrów modelu. Informują o ile przeciętnie
oceny parametrów strukturalnych uzyskane na
podstawie próby różnią się od nieznanych wartości
parametrów w populacji.
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
𝐷 𝑎𝑗
𝑊 𝑎𝑗 = ∙ 100% (j = 0, 1, …, k)
𝑎𝑗
Ustalając z góry kryteria, można dokonać oceny wielkości
błędów i na tej podstawie ocenić jakość oszacowania
parametrów.
dr hab. Arkadiusz Kijek prof. UMCS Statystyka - wykład
Estymacja
Estymator - statystyka (funkcja zmiennych losowych)
. wyznaczoną z próby losowej, która służy
do oceny nieznanego parametru w populacji generalnej.
Ocena parametru – wartość liczbowa estymatora
obliczona na podstawie próby losowej.
Estymacja
Własności dobrego estymatora:
‒ nieobciążoność – wartość oczekiwana estymatora
równa jest estymowanemu parametrowi:
Estymacja
Własności dobrego estymatora:
56
dr hab. Arkadiusz Kijek prof. UMCS Statystyka - wykład
Estymacja
Najlepsze estymatory parametrów w populacji
σ2
p w
57
dr hab. Arkadiusz Kijek prof. UMCS Statystyka - wykład
59
dr hab. Arkadiusz Kijek prof. UMCS Statystyka - wykład
60
dr hab. Arkadiusz Kijek prof. UMCS Statystyka - wykład
63
dr hab. Arkadiusz Kijek prof. UMCS Statystyka - wykład
f(z)
z
c
64
dr hab. Arkadiusz Kijek prof. UMCS Statystyka - wykład
z
c
65
dr hab. Arkadiusz Kijek prof. UMCS Statystyka - wykład
α/2 α/2
z
–c c
66
dr hab. Arkadiusz Kijek prof. UMCS Statystyka - wykład
‒ :
‒ :
67
dr hab. Arkadiusz Kijek prof. UMCS Statystyka - wykład
68
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
R2 φ2
0 ≤ 𝑅2 , 𝜑2 ≤ 1
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
𝐞𝑇 𝐞 𝑛 − 𝑘 − 1 𝑆2 2
= ~𝜒𝑛−𝑘−1
σ2 σ2
𝑎𝑖 − 𝛼𝑖
~𝑡𝑛−𝑘−1
𝐷 𝑎𝑖
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
𝐻0 : 𝛼𝑗 = 0
(j = 0, 1, …, k)
𝐻1 : 𝛼𝑗 ≠ 0
<
>
H0 (parametr αj jest równy 0) oznacza brak oddziaływania
zmiennej objaśniającej Xj na zmienną objaśnianą Y.
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Statystyka testowa
𝑎𝑗
𝑡𝑗 =
𝑎𝑗
𝐷
σ𝑛𝑡=2 𝑒𝑡 − 𝑒𝑡−1 2
𝑑=
σ𝑛𝑡=1 𝑒𝑡2
1 𝑛 1 𝑛 𝑒𝑡3
𝑠ҧ = σ𝑡=1 𝑒𝑡2 𝑏1 = σ𝑡=1 3
𝑛 𝑛 𝑠ҧ
1 𝑛 𝑒𝑡4
𝑏2 = σ𝑡=1 4
𝑛 𝑠ҧ
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
5° 𝐷 2 𝐏𝛆 = 𝐸 𝐏𝛆 𝐏𝛆 𝑇 = 𝐸 𝐏𝛆𝛆𝑇 𝐏 𝑇 = 𝐏𝐸 𝛆𝛆𝑇 𝐏 𝑇 =
= 𝐏𝜎 2 𝐕𝐏 𝑇 = 𝜎 2 𝐏𝐕𝐏𝑇 = 𝜎 2 𝐏𝐕𝐏𝑇 𝐈 =
= 𝜎 2 𝐏𝐕𝐏 𝑇 𝐏𝐏 −1 = 𝜎 2 𝐏𝐕𝐕 −1 𝐏 −1 = 𝜎 2 𝐈
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Modele nieliniowe
Model nieliniowy to model, w którym co najmniej jedna
zależność jest nieliniowa. Wyróżnia się modele nieliniowe
względem zmiennych oraz względem parametrów.
Modele liniowe względem parametrów posiadają
pochodne cząstkowe względem każdego parametru
niezależne od parametrów modelu.
Modele liniowe względem zmiennych objaśniających
posiadają pochodne cząstkowe względem każdej zmiennej
objaśniającej niezależne od zmiennych objaśniających
modelu.
Modele ściśle liniowe są jednocześnie liniowe względem
parametrów oraz zmiennych.
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Modele nieliniowe
Modele liniowe względem parametrów lub sprowadzalne
do nich:
𝑔 𝑌 = 𝛼0 + 𝛼1 𝑓1 𝑋1 , … , 𝑋𝑘 + ⋯ + 𝛼𝑠 𝑓𝑠 𝑋1 , … , 𝑋𝑘 + 𝜂
gdzie fs(X1, X2, …, Xk) są funkcjami zmiennych
objaśniających X1, X2, …, Xk, a g(Y) jest funkcją zmiennej
objaśnianej Y.
Parametry strukturalne modeli liniowych względem
parametrów można oszacować KMNK.
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Modele nieliniowe
Dobór postaci analitycznej modelu
1. Analiza wykresów korelacyjnych
W modelu z jedną zmienną objaśniającą:
𝑌 = 𝑓 𝑋, 𝜀
sporządza się wykres rozrzutu punktów empirycznych w
układzie współrzędnych, na który nanosi się obserwacje
zmiennych Y i X:
(x1, y1), (x2, y2), …, (xn, yn).
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Modele nieliniowe
Dobór postaci analitycznej modelu
1. Analiza wykresów korelacyjnych
y
Model liniowy
𝑌 = 𝛼0 + 𝛼1 𝑋 + 𝜀
x
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Modele nieliniowe
Dobór postaci analitycznej modelu
1. Analiza wykresów korelacyjnych
y
Model logarytmiczny
𝑌 = 𝛼0 + 𝛼1 ln 𝑋 + 𝜀
x
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Modele nieliniowe
Dobór postaci analitycznej modelu
1. Analiza wykresów korelacyjnych
y
Model hiperboliczny
1
𝑌 = 𝛼0 + 𝛼1 + 𝜀
𝑋
x
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Modele nieliniowe
Dobór postaci analitycznej modelu
1. Analiza wykresów korelacyjnych
y
Model paraboliczny
𝑌 = 𝛼0 + 𝛼1 𝑋 + 𝛼2 𝑋 2 + 𝜀
x
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Modele nieliniowe
Dobór postaci analitycznej modelu
2. Na podstawie wiedzy merytorycznej o badanych
zależnościach
• jeżeli wiadomo a priori, że przyrosty krańcowe są
stałe, należy zastosować model liniowy:
𝑌 = 𝛼0 + 𝛼1 𝑋1 + 𝛼2 𝑋2 + ⋯ + 𝛼𝑘 𝑋𝑘 + 𝜀
przyrost krańcowy (pierwsza pochodną po zmiennej):
𝜕𝑌
𝛼𝑗 = (j = 1, 2, …, k)
𝜕𝑋𝑗
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Modele nieliniowe
Dobór postaci analitycznej modelu
2. Na podstawie wiedzy merytorycznej o badanych
zależnościach
• jeżeli wiadomo a priori, że przyrosty względne
zmiennej objaśnianej względem przyrostów
względnych zmiennych objaśniających (elastyczności)
są stałe, należy zastosować model logliniowy:
ln 𝑌 = 𝛼0 + 𝛼1 ln 𝑋1 + ⋯ + 𝛼𝑘 ln 𝑋𝑘 + 𝜀
elastyczność:
𝜕 ln 𝑌 𝜕𝑌 𝑋𝑗
𝛼𝑗 = = ∙ (j = 1, 2, …, k)
𝜕 ln 𝑋𝑗 𝜕𝑋𝑗 𝑌
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Modele nieliniowe
Dobór postaci analitycznej modelu
2. Na podstawie wiedzy merytorycznej o badanych
zależnościach
• jeżeli stałym przyrostom wartości zmiennej
objaśniającej odpowiadają coraz mniejsze spadki
wartości zmiennej objaśnianej, to należy zastosować
model hiperboliczny:
1
𝑌 = 𝛼0 + 𝛼1 + 𝜀
𝑋
np. zależność między kosztami jednostkowymi
a wielkością produkcji.
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Modele nieliniowe
Dobór postaci analitycznej modelu
2. Na podstawie wiedzy merytorycznej o badanych
zależnościach
• jeżeli wiadomo występuje optymalna wartość zmiennej
objaśnianej ze względu na zmienną objaśniającą, to
należy zastosować model paraboliczny:
𝑌 = 𝛼0 + 𝛼1 𝑋 + 𝛼2 𝑋 2 + 𝜀
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Modele nieliniowe
Dobór postaci analitycznej modelu
3. Metoda prób i błędów
Polega na zastosowaniu różnych postaci analitycznych
modelu oraz na oszacowaniu ich parametrów i
weryfikacji. Do analiz i prognozowania wybiera się ten,
który został pozytywnie zweryfikowany i jest najlepiej
dopasowany do danych empirycznych.
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Modele nieliniowe
Estymacja parametrów modeli nieliniowych
Przykład 1
𝑌 = 𝛼0 + 𝛼1 𝑋1 + 𝛼2 𝑋12 + 𝛼3 ln 𝑋2 + 𝜀
𝑍1 = 𝑋1 𝑍2 = 𝑋12 𝑍3 = ln 𝑋2
𝑌 = 𝛼0 + 𝛼1 𝑍1 + 𝛼2 𝑍2 + 𝛼3 𝑍3 + 𝜀
Parametry modelu przekształconego i w konsekwencji
modelu wyjściowego szacowane są metodą
najmniejszych kwadratów, przy czym we wzorze na
estymator parametrów strukturalnych występują
przekształcone zmienne objaśniające Z1, Z2, …, Zp.
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Modele nieliniowe
Estymacja parametrów modeli nieliniowych
Przykład 2
𝛼 𝛼1 𝛼2 𝛼𝑘 𝜀
𝑌= 𝑒 𝑋1 𝑋2
0 … 𝑋𝑘 𝑒
ln 𝑌 = 𝛼0 + 𝛼1 ln 𝑋1 + ⋯ + 𝛼𝑘 ln 𝑋𝑘 + 𝜀
𝑉 = ln 𝑌
𝑍1 = ln 𝑋1 𝑍2 = ln 𝑋2 … 𝑍𝑘 = ln 𝑋𝑘
𝑉 = 𝛼0 + 𝛼1 𝑍1 + 𝛼2 𝑍2 + ⋯ + 𝛼𝑘 𝑍𝑘 + 𝜀
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Modele nieliniowe
Estymacja parametrów modeli nieliniowych
Przykład 3
𝑌 = 𝛼0 + 𝛼1 𝑋1 + 𝛼2 𝑋2 + 𝛼3 𝑋1 𝑋2 + 𝜀
𝑍1 = 𝑋1 𝑍2 = 𝑋2 𝑍3 = 𝑋1 𝑋2
𝑌 = 𝛼0 + 𝛼1 𝑍1 + 𝛼2 𝑍2 + 𝛼3 𝑍3 + 𝜀
Modele z interakcjami pomiędzy zmiennymi objaśniającymi
stosowane są gdy wpływ jednej zmiennej objaśniającej na
zmienną objaśnianą zależy od poziomu innej lub innych
zmiennych objaśniających.
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Modele nieliniowe
Estymacja parametrów modeli nieliniowych
Przykład 3
𝑌 = 𝛼0 + 𝛼1 𝑋1 + 𝛼2 𝑋2 + 𝛼3 𝑋1 𝑋2 + 𝜀
pochodna Y po X1 (przyrost krańcowy):
𝜕𝑌
= 𝛼1 + 𝛼3 𝑋2
𝜕𝑋1
np. dla modelu 𝑦ො = 1,2 + 0,7𝑥1 + 0,5𝑥2 + 0,1𝑥1 𝑥2
przyrost krańcowy Y względem X1 dla x2=2 wynosi:
0,7+0,1·2=0,9, natomiast dla x2=4 jest równy 0,7+0,1·4=1,1
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Modele nieliniowe
Interpretacja parametrów modeli nieliniowych
Modele z logarytmami zmiennych
Zmienna Zmienna Interpretacja oceny
Model
objaśniana objaśniająca parametru
poziom-poziom y x Δy = α1Δx
Modele nieliniowe
Interpretacja parametrów modeli nieliniowych
Modele wynagrodzenia dyrektora generalnego (Y, w tys $)
względem przychodów ze sprzedaży firmy (X, w mld $)
w 1990 r.:
𝑦ො = 1174 + 15,47𝑥
przychód wyższy o 1 mld $ → wynagrodzenie wyższe
średnio o 15,47 tys. $
𝑦ො = 917,13 + 262,901 ln 𝑥
przychód wyższy o 1 % → wynagrodzenie wyższe średnio
o 2,63 tys. $
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Modele nieliniowe
Interpretacja parametrów modeli nieliniowych
Modele wynagrodzenia dyrektora generalnego (Y, w tys $)
względem przychodów ze sprzedaży firmy (X, w mld $)
w 1990 r.:
ln 𝑦 = 6,847 + 0,015𝑥
przychód wyższy o 1 mld $ → wynagrodzenie wyższe
średnio o 1,5 %
ln 𝑦 = 6,595 + 0,257 ln 𝑥
przychód wyższy o 1 % → wynagrodzenie wyższe średnio
o 0,26 %
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
Modele nieliniowe
Weryfikacja modelu nieliniowego
Miary dopasowania modelu do danych empirycznych w
przypadku modeli, w których zmienna objaśniana nie ulega
przekształceniu (przykład 1 i 3) są takie same jak dla
modeli liniowych.
W modelach, w których transformacji ulega zmienna
objaśniana (przykład 2), miary dopasowania dotyczą
modelu przekształconego i nie mogą być odnoszone do
pierwotnej zmiennej objaśnianej (dotyczą lnY a nie Y).
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
exp 𝑧
𝐺 𝑧 =
1 + exp 𝑧
W modelu probitowym G(z) jest dystrybuantą rozkładu
normalnego standaryzowanego:
𝑧
𝐺 𝑧 = Φ 𝑧 = න 2𝜋 −1/2 exp −𝑧 2 /2 𝑑𝑧
−∞
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
𝐻0 : 𝛼1 = 𝛼2 = ⋯ = 𝛼𝑘 = 0
𝐻1 : 𝛼1 ≠ 0 ∨ 𝛼2 ≠ 0 ∨ ⋯ ∨ 𝛼𝑘 ≠ 0
Statystyka testowa
𝐿𝑅 = −2 ln 𝐿 − ln 𝐿𝑟
gdzie L jest funkcją wiarygodności badanego modelu,
a Lr jest funkcją wiarygodności modelu tylko ze stałą.
Statystyka LR ma rozkład chi-kwadrat z k stopniami
swobody (prawostronny obszar krytyczny)
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
2 ln 𝐿
𝑅𝑀𝑐𝐹𝑎𝑑𝑑𝑒𝑛 =1−
ln 𝐿𝑟
Modele dynamiczne
Modele dynamiczne opisują kształtowanie się zjawisk
w czasie. Uwzględniają w swojej konstrukcji czynnik czasu,
albo pod postacią zmiennej czasowej (najczęściej
oznaczanej przez t) albo zmiennych opóźnionych.
Własności dynamiczne systemu zmiennych ekonomicznych:
• relacje długookresowej równowagi,
• szybkość dochodzenia do równowagi okresowej,
• reakcje na egzogeniczne szoki.
Szereg czasowy jest ciągiem realizacji zmiennej losowej w
kolejnych jednostkach czasu
𝑦1 , 𝑦2 , ⋯ , 𝑦𝑇
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
α𝜏 = 𝛼𝑖 = 𝛼0 + ⋯ + 𝛼𝜏
𝑖=0
Mnożnik długookresowy jest reakcją Yt na jednostkowy
przyrost X w okresie bieżącym i wszystkich wcześniejszych
okresach.
𝑝
α = 𝛼𝑖 = 𝛼0 + ⋯ + 𝛼𝑝
𝑖=0
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
𝑎 = 0,97
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
Modele autoregresji
Modele autoregresji (AR) opisują kształtowanie się
zmiennej Y w okresie t przy pomocy jej wartości
z poprzednich okresów. Model autoregresji rzędu m –
AR(m) zawiera m opóźnień zmiennej Y.
𝑌𝑡 = 𝛽0 + 𝛽1 𝑌𝑡−1 + ⋯ + 𝛽𝑚 𝑌𝑡−𝑚 + 𝜀𝑡
𝑌𝑡 = 𝛽0 + 𝛽1 𝑌𝑡−1 + 𝜀𝑡
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
Modele autoregresji
Model AR dla bezrobocia
Model 1: Estymacja KMNK, wykorzystane obserwacje 2014:02-2020:11 (N = 82)
Zmienna zależna (Y): Stopa bezrobocia (STB)
Współczynnik Błąd stand. t-Studenta wartość p
const 0,171279 0,0767346 2,232 0,0284 **
STB_1 0,967156 0,00903502 107,0 3,87e-088 ***
Test LM na autokorelację rzędu 1 -
Hipoteza zerowa: brak autokorelacji składnika losowego
Statystyka testu: LMF = 28,7181
z wartością p = P(F(1, 79) > 28,7181) = 8,05378e-007
Model 2: Estymacja KMNK, wykorzystane obserwacje 2014:03-2020:11 (N = 81)
Zmienna zależna (Y): Stopa bezrobocia (STB)
Współczynnik Błąd stand. t-Studenta wartość p
const 0,135996 0,0676018 2,012 0,0477 **
STB_1 1,48190 0,0949968 15,60 1,08e-025 ***
STB_2 −0,504748 0,0922102 −5,474 5,17e-07 ***
Test LM na autokorelację rzędu 1 -
Statystyka testu: LMF = 5,25147
z wartością p = P(F(1, 77) > 5,25147) = 0,0246623
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
Modele autoregresji
Model AR dla bezrobocia
Model 3: Estymacja KMNK, wykorzystane obserwacje 2014:03-2020:11 (N = 81)
Zmienna zależna (Y): Stopa bezrobocia (STB)
Współczynnik Błąd stand. t-Studenta wartość p
const 0,115362 0,0680787 1,695 0,0943 *
STB_1 1,61939 0,110523 14,65 7,67e-024 ***
STB_2 −0,853356 0,188215 −4,534 2,12e-05 ***
STB_3 0,213096 0,105913 2,012 0,0478 **
Test LM na autokorelację rzędu 1 -
Statystyka testu: LMF = 1,70649
z wartością p = P(F(1, 75) > 1,70649) = 0,195433
Model 1:
Logarytm wiarygodności 14,18488 Kryt. inform. Akaike’a −24,36977
Kryt. bayes. Schwarza −19,55633 Kryt. Hannana-Quinna −22,43725
Model 2:
Logarytm wiarygodności 27,74539 Kryt. inform. Akaike’a −49,49078
Kryt. bayes. Schwarza −42,30743 Kryt. Hannana-Quinna −46,60873
Model 3:
Logarytm wiarygodności 29,87926 Kryt. inform. Akaike’a −51,75853
Kryt. bayes. Schwarza −42,23042 Kryt. Hannana-Quinna −47,93844
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
Mnożnik długookresowy
𝛼0 + ⋯ + 𝛼𝑝
α=
1 − 𝛽1 − ⋯ − 𝛽𝑚
Opisuje wpływ trwałego przyrostu zmiennej X na zmienną Y
w stanie równowagi długookresowej.
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
Modele autoregresji
Model ADL dla konsumpcji
Model 2: Estymacja KMNK, wykorzystane obserwacje 1995:4-2007:4 (N = 49)
Zmienna zależna (Y): ln_PL_FCE
Współczynnik Błąd stand. t-Studenta wartość p
ln_PL_GDP 0,170693 0,0909463 1,8769 0,0670 *
ln_PL_GDP_1 0,282773 0,0973711 2,9041 0,0057 ***
ln_PL_GDP_2 0,27736 0,108384 2,5591 0,0139 **
ln_PL_FCE_1 0,250818 0,124486 2,0148 0,0499 **
Średn. aryt. zm. zależnej 6,919120 Odch. stand. zm. zależnej 0,290756
Suma kwadratów reszt 0,120345 Błąd standardowy reszt 0,051714
Wsp. determ. R-kwadrat 0,999949 Skorygowany R-kwadrat 0,999945
F(4, 45) 219660,3 Wartość p dla testu F 6,79e-96
Autokorel. reszt - rho1 0,057836 Statystyka Durbina h 0,825285
Mnożnik krótkookresowy
𝑎0 = 0,17
Mnożnik długookresowy
0,17 + 0,28 + 0,28
𝑎= = 0,97
1 − 0,25
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
Modele Koycka
Modele z nieskończonym rozkładem opóźnień
𝑌𝑡 = 𝛽 + 𝛼0 𝑋𝑡 + 𝛼1 𝑋𝑡−1 + 𝛼2 𝑋𝑡−2 + ⋯ + 𝜀𝑡
W modelu z nieskończonym rozkładem opóźnień zmienna
Y zależy od zmiennej X oraz jej opóźnień, przy czym
maksymalna wartość opóźnienia nie jest znana
i jej arbitralne ustalenie może prowadzić do błędnej
specyfikacji modelu.
Ze względu na nieskończoną liczbę parametrów oraz
często występującą pomiędzy opóźnionymi zmiennymi
współliniowość, oszacowanie parametrów modelu w
pierwotnej formie nie jest możliwe.
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
Modele Koycka
Modele z nieskończonym rozkładem opóźnień
𝑌𝑡 = 𝛽 + 𝛼0 𝑋𝑡 + 𝛼1 𝑋𝑡−1 + 𝛼2 𝑋𝑡−2 + ⋯ + 𝜀𝑡
Najczęściej stosowanym sposobem estymacji tego typu
modelu jest nałożenie na parametry pewnych ograniczeń.
Przyjmuje się, że wszystkie parametry α są tego samego
znaku i maleją w tempie geometrycznym.
𝛼𝑘 = 𝛼0 𝜆𝑘 𝑘 = 1, 2, …
gdzie 0 < 𝜆 < 1
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
Modele Koycka
Modele z nieskończonym rozkładem opóźnień
𝑌𝑡 = 𝛽 + 𝛼0 𝑋𝑡 + 𝛼1 𝑋𝑡−1 + 𝛼2 𝑋𝑡−2 + ⋯ + 𝜀𝑡
Przy przyjętych założeniach otrzymuje się tzw. model Koycka
𝑌𝑡 = 𝛿 + 𝛼0 𝑋𝑡 + 𝜆𝑌𝑡−1 + 𝜈𝑡
gdzie δ = β 1 − λ oraz 𝜈𝑡 = 𝜀𝑡 − 𝜆𝜀𝑡−1
Parametr λ określany jest stopą zaniku rozkładu opóźnień.
Mnożnik długookresowy jest sumą nieskończonego
szeregu geometrycznego o pierwszym wyrazie 𝛼0 i ilorazie λ
𝛼0
α=
1−𝜆
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
Modele Koycka
Model konsumpcji
𝑡 = 0,369ln_GDP𝑡 + 0,622ln_FCE𝑡−1
ln_FCE
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
Modele Koycka
Model konsumpcji
𝑡 = 0,369ln_GDP𝑡 + 0,622ln_FCE𝑡−1
ln_FCE
Parametry modelu wyjściowego
0
𝑏= =0 𝑎1 = 0,369 ∙ 0,6221 = 0,229
1 − 0,622
𝑎2 = 0,369 ∙ 0,6222 = 0,143 𝑎3 = 0,369 ∙ 0,6223 = 0,089
𝑡 = 0,369ln_GDP𝑡 + 0,229ln_GDP𝑡−1 +
ln_FCE
+0,143ln_GDP𝑡−2 + 0,089ln_GDP𝑡−3 +
+0,055ln_GDP𝑡−4 + ⋯
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
Modele Koycka
Model konsumpcji
𝑡 = 0,369ln_GDP𝑡 + 0,229ln_GDP𝑡−1 +
ln_FCE
+0,143ln_GDP𝑡−2 + 0,089ln_GDP𝑡−3 +
+0,055ln_GDP𝑡−4 + ⋯
Mnożnik krótkookresowy
𝑎0 = 0,369
Mnożnik długookresowy
0,369
𝑎= = 0,976
1 − 0,622