Wykłady Ekonometria

EKONOMETRIA
dr hab. Arkadiusz Kijek, prof. UMCS

Katedra Statystyki i Ekonometrii
Wydział Ekonomiczny UMCS
Konsultacje w semestrze zimowym 2020/2021

Budynek Rektoratu UMCS, pok. 1116 (XI piętro)
wtorek w godzinach od 9:30 do 11:00
środa w godzinach od 9:30 do 11:00
akijek@poczta.umcs.lublin.pl
dr hab. Arkadiusz Kijek prof. UMCS Ekonometria - wykład
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,
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,
Tematyka przedmiotu
3. Weryfikacja liniowego modelu
ekonometrycznego
• miary dopasowania modelu,
• badanie istotności parametrów
strukturalnych, dobór zmiennych
objaśniających,
• weryfikacja założeń KMNK,
Tematyka przedmiotu
4. Uogólniona metoda najmniejszych
kwadratów (UMNK)
• istota i warunki zastosowania UMNK,
• estymator parametrów i jego własności,
• estymator macierzy kowariancji
parametrów,
Tematyka przedmiotu
5. Modele nieliniowe
• sposoby ujęcia zależności nieliniowych w
modelu,
• modele z interakcjami między zmiennymi
objaśniającymi,
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,
Tematyka przedmiotu
7. Modele dynamiczne
• model z rozkładem opóźnień,
• model autoregresji,
• model autoregresyjny z rozkładem
opóźnień,
• model Koycka.
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,
Literatura
• Verbeek M., A Guide to Modern Econometrics,
John Wiley & Sons Ltd, Chichester, 2004,
• Greene W. H., Econometric analysis,
Macmillan, New York 2003.
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.”
Cel i zadania ekonometrii

Cel ekonometrii
• analiza ilościowa systemu ekonomicznego
i w konsekwencji dostarczenie decydentom
informacji potrzebnych do przewidywania
i sterowania procesami gospodarczymi.
Zadania ekonometrii
• formułowanie modeli ekonometrycznych na
podstawie modeli ekonomicznych,
• weryfikacja modeli ekonometrycznych na
podstawie danych,
• zastosowanie modeli do prognozowania i
symulacji polityki gospodarczej.
Model ekonometryczny a model ekonomiczny

Model ekonomiczny
• zbiór założeń, które w sposób przybliżony
opisują zachowanie się gospodarki lub sektora
gospodarki
Model ekonometryczny
• formalna konstrukcja, która za pomocą
pojedynczego równania bądź układu równań
opisuje zasadnicze powiązania pomiędzy
rozpatrywanymi zjawiskami ekonomicznymi
(Pawłowski).
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.
Rodzaje zmiennych w modelu

• endogeniczne – wyjaśniane przez model,
egzogeniczne – nie wyjaśniane przez model,
• zmienne endogeniczne oraz egzogeniczne mogą
być bieżące (nieopóźnione) lub opóźnione,
• ze względu na rolę pełnioną w równaniu
/równaniach modelu:
objaśniane – wyjaśniane przez zmienne
objaśniające, nieopóźnione zmienne endogeniczne,
objaśniające – wyjaśniają zmienne objaśniane,
opóźnione zmienne endogeniczne lub opóźnione i
nieopóźnione zmienne egzogeniczne.
Rodzaje zmiennych w modelu
nieopóźnione objaśniane
endogeniczne
opóźnione
Zmienne
nieopóźnione objaśniające
egzogeniczne
opóźnione
Składnik losowy i jego własności

• wyjaśnia rozbieżności pomiędzy
zaobserwowanymi wartościami zmiennej
objaśnianej, a jej wartościami teoretycznymi
wynikającymi z teoretycznej konstrukcji modelu,
• zmienna losowa o określonym rozkładzie
prawdopodobieństwa,
• na etapie estymacji parametrów modelu
przyjmuje się założenia co do jego rozkładu,
• na etapie weryfikacji modelu sprawdza się
przyjęte wcześniej założenia.
Składnik losowy i jego własności

Przyczyny występowania składnika losowego
• błąd specyfikacji – pominięcie istotnej zmiennej
lub włączenie zmiennej nieistotnej,
• błąd aproksymacji – przyjęcie niewłaściwej
postaci analitycznej funkcji,
• błąd pomiaru zmiennych ekonomicznych,
• czynniki losowe wpływające na zmienną
endogeniczną i wynikający z tego jej losowy
charakter.
Etapy budowy modelu ekonometrycznego
I. Określenie celu i zakresu badania.

II. Specyfikacja modelu,
a) określenie badanego zjawiska – zmiennej
endogenicznej,
b) dobór zmiennych objaśniających spośród
czynników wpływających na zmienną
objaśnianą,
c) wybór postaci analitycznej czyli określonej funkcji
matematycznej wyrażającej zależność pomiędzy
zmienną objaśnianą a zmiennymi
objaśniającymi.
Etapy budowy modelu ekonometrycznego
III. Zebranie i opracowanie danych statystycznych.

IV. Szacowanie parametrów modelu.
V. Weryfikacja modelu pod względem formalnym

(spełnienie założeń) oraz merytorycznym.
VI. Praktyczne zastosowanie modelu, a więc
wykorzystanie go do analizy ekonomicznej
i prognozowania.
Rodzaje danych statystycznych

I. Dane przekrojowe: (yi, i = 1, 2, …, N),
zbiór obiektów ekonomicznych (np. przedsiębiorstw)
w jednej ustalonej jednostce czasu.
II. Szeregi czasowe (yt, t = 1, 2, …, T),

jeden obiekt ekonomiczny w przedziale czasowym
obejmującym co najmniej dwie jednostki czasu.
III.Dane panelowe (yit, i = 1, 2, …, N; t = 1, 2, …, T),

zbiór obiektów w przedziale czasowym .
Klasyfikacja modeli ekonometrycznych

I. Ze względu na liczbę równań w modelu:
a) jednorównaniowe,
b) wielorównaniowe.
II. Ze względu na postać analityczną:
a) liniowe,
b) nieliniowe, sprowadzalne do liniowych,
c) nieliniowe, niesprowadzalne do liniowych.

III. Ze względu na charakter poznawczy:
a) opisowe, przyczynowo-skutkowe, wyrażające
związki przyczynowo-skutkowe między
zmiennymi,
b) symptomatyczne, równania lub część równań nie
ma interpretacji przyczynowo-skutkowej,
zmienne objaśniające są skorelowane w sensie
statystycznym ze zmienną objaśnianą,
c) tendencji rozwojowej, trendu, w których rolę
zmiennej objaśniającej pełni zmienna czasowa.
IV. Ze względu na udział czynnika czasu:

a) statyczne, nie uwzględniają czynnika czasu,
nie występują w nich zmienna czasowa ani
zmienne opóźnione,
b) dynamiczne, uwzględniają czynnik czasu,
występują w nich zmienna czasowa lub zmienne
opóźnione.
dr hab. Arkadiusz Kijek prof. nadzw. Ekonometria - wykład
Liniowy model ekonometryczny

𝑌 = 𝛼0 + 𝛼1 𝑋1 + 𝛼2 𝑋2 + ⋯ + 𝛼𝑘 𝑋𝑘 + 𝜀
gdzie:
Y – zmienna objaśniana modelu,
X1, X2, …, Xk – zmienne objaśniające,
ε – składnik losowy,
𝛼0 , 𝛼1 , …, 𝛼𝑘 – parametry strukturalne, wyrażające
liniowy wpływ zmiennych objaśniających na zmienną
objaśnianą.
Liniowy model ekonometryczny

𝑌 = 𝛼0 + 𝛼1 𝑋1 + 𝛼2 𝑋2 + ⋯ + 𝛼𝑘 𝑋𝑘 + 𝜀
𝜕𝑌
𝛼𝑗 =
𝜕𝑋𝑗
Parametr 𝛼𝑗 informuje o wpływie jednostkowej zmiany

zmiennej Xj na zmienną Y, przy założeniu, że
pozostałe zmienne objaśniające nie ulegną zmianie
(ceteris paribus).
Estymacja parametrów modelu liniowego

Założenia klasycznej metody najmniejszych kwadratów
1° 𝐲 = 𝐗𝛂 + 𝛆
𝑦1 1 𝑥11 𝑥12 ⋯ 𝑥1𝑘
𝑦2 1 𝑥21 𝑥22 ⋯ 𝑥2𝑘
𝐲 = ⋮ 𝐗 =
𝑛𝑥1 𝑛𝑥 𝑘+1 ⋮ ⋮ ⋮ ⋱ ⋮
𝑦𝑛 1 𝑥𝑛1 𝑥𝑛2 ⋯ 𝑥𝑛𝑘
𝛼0 𝜀1
𝛼1 𝜀2
𝛂 = ⋮ 𝛆 = ⋮
𝑘+1 𝑥1 𝑛𝑥1
𝛼𝑘 𝜀𝑛

1° 𝐲 = 𝐗𝛂 + 𝛆
y – wektor obserwacji na zmiennej objaśnianej Y, zarejestrowane
wartości są realizacjami zmiennej losowej,
X – macierz wartości na zmiennych objaśniających, w kolejnych
kolumnach znajdują się wartości zmiennych objaśniających
1, X1, …, Xk, pierwsza kolumna zawiera jedynki (dla wyrazu
wolnego),
α – wektor parametrów strukturalnych modelu,
ε – wektor składników losowych,
n – liczba obserwacji na zmiennej objaśnianej i zmiennych
objaśniających,
k – liczba zmiennych objaśniających.

1° 𝐲 = 𝐗𝛂 + 𝛆
Zapis skalarny modelu:
𝑦𝑡 = 𝛼0 + 𝛼1 𝑥𝑡1 + ⋯ + 𝛼𝑘 𝑥𝑡𝑘 + 𝜀𝑡 (t = 1, 2, …, n)
Każda zaobserwowana wartość yt (t = 1, 2, …, n)

zmiennej objaśnianej Y jest liniową funkcją
zaobserwowanych wartości xt1, …, xtk zmiennych
objaśniających X1, …, Xk z dokładnością do składnika
losowego εt.

2° X jest znaną macierzą nielosową
Zmienne objaśniające nie są zmiennymi losowymi.

Dla zadanych z góry wartości xt1, …, xtk zmiennych
objaśniających X1, …, Xk dokonuje się obserwacji
losowej zmiennej objaśnianej Y.
3° 𝑟𝑧 𝐗 = 𝑘 + 1 ≤ 𝑛
Kolumny macierzy X są liniowo niezależne, czyli
wartości zmiennych objaśniających nie stanowią
liniowej kombinacji pozostałych zmiennych.

4° 𝐸 𝛆 = 𝟎
Wartość oczekiwana wektora losowego ε jest

wektorem zerowym 0[nx1]. Wartość oczekiwana
odchyleń spowodowanych oddziaływaniem
czynników przypadkowych powinna być równa zero.

5° 𝐷 2 𝛆 = 𝐸 𝛆𝛆𝑇 = 𝜎 2 𝐈
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).

5° 𝐷 2 𝛆 = 𝐸 𝛆𝛆𝑇 = 𝜎 2 𝐈
Dwie części założenia:

a) 𝐷 2 𝜀𝑡 = 𝐸 𝜀𝑡2 = 𝜎 2 (t = 1, 2, …, n)
Założenie o jednorodności wariancji (homoskeda-

styczności) składnika losowego. Jednorodność
oznacza, że wariancja składnika losowego jest
stała dla wszystkich obserwacji. Wynika z niego,
że czynniki przypadkowe powodują jednakowe
odchylenie dla każdej obserwacji.

5° 𝐷 2 𝛆 = 𝐸 𝛆𝛆𝑇 = 𝜎 2 𝐈
Dwie części założenia:

b) 𝑐𝑜𝑣 𝜀𝑡 , 𝜀𝑠 = 𝐸 𝜀𝑡 , 𝜀𝑠 = 0 (t ≠ s)
Założenie o braku korelacji składników losowych

różnych obserwacji. Wynika z tego, że pomiędzy
składnikami losowymi różnych obserwacji nie
istnieje zależność korelacyjna liniowa.
W przypadku danych czasowych zjawisko korelacji
składnika losowego określa się jako autokorelacja.

Założenia 1° – 5° są założeniami Gaussa-Markova.
Założenia 1° – 4° powodują, że estymator KMNK jest
estymatorem liniowym, nieobciążonym i zgodnym.
Założenie 5° sprawia, że estymator jest efektywny.

Założenie dodatkowe
6° 𝛆~𝑁 𝑛 𝟎, 𝜎 2 𝐈
Wektor składników losowych ε ma n-wymiarowy
rozkład normalny z wartością oczekiwaną będącą
wektorem zerowym oraz macierzą kowariancji σ2I.
Założenia 1° – 6° są założeniami klasycznej

metody najmniejszych kwadratów. Założenia
Gaussa-Markova wraz z założeniem 6° powodują,
że estymator otrzymany KMNK jest estymatorem
efektywnym wśród estymatorów nieobciążonych i
zgodnych.

Klasyczna metoda najmniejszych kwadratów
y
ŷ = a0 + a1x
ei
yi
ŷi
xi x

Metoda najmniejszych kwadratów polega na
wyznaczeniu wektora ocen a wektora parametrów
strukturalnych α, w taki sposób aby suma kwadratów
odchyleń teoretycznych wartości zmiennej
objaśnianej od empirycznych wartości była
najmniejsza.
𝑦𝑡 – empiryczna wartość zmiennej objaśnianej,
𝑦ො𝑡 – teoretyczna wartość zmiennej objaśnianej
𝑦ො𝑡 = 𝑎0 + 𝑎1 𝑥𝑡1 + 𝑎2 𝑥𝑡2 + ⋯ + 𝑎𝑘 𝑥𝑡𝑘 (t = 1, 2, …, n),

𝑒𝑡 – reszta dla obserwacji t, różnica między wartością

empiryczną a teoretyczną zmiennej objaśnianej,
𝑒𝑡 = 𝑦𝑡 − 𝑦ො𝑡 (t = 1, 2, …, n).
Zapis macierzowy równania dla wektora wartości

teoretycznych zmiennej objaśnianej oraz wektora
reszt:
𝐲ො = 𝐗𝐚 oraz 𝐞 = 𝐲 − 𝐲ො = 𝐲 − 𝐗𝐚

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

Funkcję celu S(a):
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

Po przekształceniach otrzymujemy układ równań,

zwany układem równań normalnych:
𝐗 T 𝐗𝐚 = 𝐗 T 𝐲
Rozwiązując go względem a otrzymujemy wzór na

estymator MNK:
T −1 T
𝐚= 𝐗 𝐗 𝐗 𝐲

Warunkiem wystarczającym istnienia minimum jest
dodatnio określona macierz drugich pochodnych
(Hessianu):
𝜕𝑆 2 𝐚 𝑇𝐗
= 2𝐗
𝜕𝐚𝜕𝐚𝑇
Macierz XTX jest zawsze dodatnio określona, więc
funkcja S(a) osiąga w punkcie a minimum lokalne.

Zgodnie z twierdzeniem Gaussa-Markowa estymator

a otrzymany MNK przy spełnieniu założeń 1 - 5° jest
estymatorem liniowym, nieobciążonym, zgodnym
i efektywnym w klasie estymatorów liniowych
i nieobciążonych wektora parametrów α.

Własności estymatorów:
▪ liniowość – estymator jest liniową funkcją wektora
obserwacji y o współczynnikach z macierzy (XTX)-1XT,
▪ nieobciążoność – wartość oczekiwana estymatora
równa jest estymowanemu parametrowi: 𝐸 𝜃෠ = 𝜃,
▪ zgodność – estymator stochastycznie zbieżny do
szacowanego parametru: ‫>𝜀ٿ‬0 lim 𝑃 𝜃෠ − 𝜃 < 𝜀 = 1,
𝑛→∞
▪ efektywność –estymator efektywny to taki, który ma
𝐷2 𝜃෠ najmniejszą wariancję w określonej klasie
estymatorów.

Własności algebraiczne modelu oszacowanego MNK
a) Suma reszt oraz średnia arytmetyczna reszt jest
równa zero.
𝑛
෍ 𝑒𝑖 = 0 oraz 𝑒ҧ = 0
𝑖=1
𝑇
𝟏 𝐞=0
b) Kowariancja z próby pomiędzy każdą zmienną
objaśniającą a resztami jest równa zero.
𝑛
෍ 𝑥𝑖𝑗 𝑒𝑖 = 0 (j = 1, 2, …, k)
𝑖=1
𝐗𝑇 𝐞 = 𝟎

c) Punkt o współrzędnych 𝑥ҧ1 , 𝑥ҧ2 , ⋯ , 𝑥ҧ𝑘 , 𝑦ത , spełnia
równanie modelu:
𝑦ത = 𝑎0 + 𝑎1 𝑥ҧ1 + 𝑎2 𝑥ҧ2 + ⋯ + 𝑎𝑘 𝑥ҧ𝑘
d) Suma wartości empirycznych zmiennej objaśnianej

jest równa sumie jej wartości teoretycznych,
podobnie jak średnie arytmetyczne tych zmiennych.
𝑛 𝑛
෍ 𝑦𝑖 = ෍ 𝑦ො𝑖 oraz 𝑦ത = 𝑦തො
𝑖=1 𝑖=1
𝟏𝑇 𝐲 = 𝟏𝑇 𝐲ො

e) Kowariancja z próby pomiędzy teoretycznymi

wartościami zmiennej objaśnianej a resztami jest równa
zero.
𝑛
෍ 𝑦ො𝑖 𝑒𝑖 = 0
𝑖=1
𝐲ො 𝑇 𝐞 = 0

Estymator wariancji składnika losowego
Nieobciążony i zgodny estymator wariancji składnika
losowego σ2 (wariancja resztowa):
σ 𝑛 2 T𝐞 T 𝐲 − 𝐗𝐚 T 𝐲 − 𝐚T 𝐗 T 𝐲
𝑒
𝑡=1 𝑡 𝐞 𝐲 − 𝐗𝐚 𝐲
𝑆2 = = = =
𝑛−𝑘−1 𝑛−𝑘−1 𝑛−𝑘−1 𝑛−𝑘−1
Odchylenie standardowe składnika resztowego:
𝑆= 𝑆2
Informuje o poziomie przeciętnego odchylenia
zaobserwowanych wartości zmiennej objaśnianej od
wartości teoretycznych tej zmiennej wyznaczonych
z modelu.

Estymator macierzy kowariancji estymatora a
Macierz kowariancji estymatora a:
−1
𝐃2 𝐚 = 𝜎2 T
𝐗 𝐗
Nieobciążony i zgodny estymator macierzy
kowariancji estymatora a:
−1
෡ 2 𝐚 = 𝑆 2 𝐗T 𝐗
𝐃

Estymator macierzy kowariancji estymatora a
W macierzy 𝐃2 𝐚 na głównej przekątnej znajdują się
wariancje estymatorów parametrów strukturalnych 𝐷2 𝑎𝑗
.
Odchylenia standardowe estymatorów parametrów:
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.

Względne błędy szacunku parametrów
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
Istota wnioskowania statystycznego

Wnioskowanie statystyczne polega na wykorzystaniu
wyników uzyskanych z próby losowej do podejmowania
decyzji o parametrach i rozkładach w populacji generalnej.
Rodzaje wnioskowania statystycznego:
‒ estymacja – szacowanie parametrów i rozkładów
zmiennej losowej w populacji generalnej na podstawie
wyników z próby,
‒ weryfikacja hipotez statystycznych – sprawdzanie
założeń wysuniętych w stosunku do parametrów
lub rozkładów populacji generalnej na podstawie
wyników z próby.
Wnioskowanie statystyczne jest oparte na próbie losowej.
Próba losowa – każdy element należący do populacji ma
53
jednakowe prawdopodobieństwo znalezienia się w próbie.
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.
Metody estymacji parametrów:

▪ punktowa,
▪ przedziałowa.
Estymacja punktowa jest metodą szacunku parametrów

strukturalnych, zgodnie z którą za ocenę parametru
w populacji generalnej przyjmuje się wartość estymatora
tego parametru otrzymaną z próby losowej. 54
Estymacja
Własności dobrego estymatora:
‒ nieobciążoność – wartość oczekiwana estymatora
równa jest estymowanemu parametrowi:
‒ zgodność – estymator stochastycznie zbieżny do

szacowanego parametru:
oznacza to, że przyjmując większe liczebności próby

zwiększa się prawdopodobieństwo tego że estymator
będzie przyjmował wartości bliższe szacowanemu
parametrowi.
55
Estymacja
Własności dobrego estymatora:
‒ efektywność – najefektywniejszy estymator to taki który

ma najmniejszą wariancję spośród wszystkich
nieobciążonych estymatorów.
56
Estymacja
Najlepsze estymatory parametrów w populacji
Parametr Estymator Wzór
σ2
p w
57
Weryfikacja (testowanie) hipotez statystycznych

Hipoteza statystyczna – każdy sąd o zbiorowości
generalnej wydany bez przeprowadzania badania
całościowego.
Test statystyczny – reguła postępowania
przyporządkowująca każdej możliwej próbie losowej
decyzji o przyjęciu lub odrzuceniu sprawdzanej hipotezy.
Hipoteza zerowa – bezpośrednio sprawdzana
Hipoteza alternatywna– przyjmowana w przypadku
odrzucenia hipotezy zerowej
Układ hipotez parametrycznych
𝐻0 : 𝜃 = 𝜃0
𝐻1 : 𝜃 ≠ 𝜃0 lub 𝐻1 : 𝜃 > 𝜃0 lub 𝐻1 : 𝜃 < 𝜃0
58

Rodzaje błędów przy testowaniu hipotez statystycznych:
▪ błąd I rodzaj – odrzucenie hipotezy zerowej
w przypadku gdy jest ona prawdziwa,
▪ błąd II rodzaju – nieodrzucenie hipotezy zerowej gdy
jest ona fałszywa.
Rodzaje decyzji weryfikacyjnych

Decyzja weryfikacyjna
Hipoteza zerowa
Odrzucenie H0 Nie odrzucenie H0
Prawdziwa Błąd I rodzaju Prawidłowa decyzja
Fałszywa Prawidłowa decyzja Błąd II rodzaju
59

Test istotności – przyporządkowuje wynikowi próby
losowej decyzję o odrzucenia hipotezy sprawdzanej lub
stwierdza brak podstaw do jej odrzucenia.
Testy istotności są tak skonstruowane by kontrolować
prawdopodobieństwo popełnienia błędu I rodzaju na
poziomie bliskim 0. Prawdopodobieństwo to określane jest
mianem poziomu istotności i oznaczane jest jako α:
60

Procedura testu istotności (z wykorzystaniem p-value)
▪ postawienie hipotezy zerowej i alternatywnej,
▪ przyjęcie z góry poziomu istotności α,
▪ wybór statystyki testowej (funkcja próby losowej) o
znanym rozkładzie przy prawdziwości hipotezy zerowej i
wyznaczenie jej wartości na podstawie wyników z próby,
▪ wyznaczenie wartości p w rozkładzie statystyki testowej
(największy poziom istotności przy którym dla
wyznaczonej statystyki testowej nie zostanie odrzucona
hipoteza zerowa),
▪ podjęcia decyzji weryfikacyjnej na podstawie
p-value (przy poziomie istotności α):
• p-value ≥ α – brak podstaw do odrzucenia H0,
• p-value < α – odrzuca się H0 na korzyść H1. 61

Procedura testu istotności (podejście klasyczne)
▪ postawienie hipotezy zerowej i alternatywnej,
▪ przyjęcie z góry poziomu istotności,
▪ wybór statystyki testowej (funkcja próby losowej) i
wyznaczenie rozkładu tej statystyki przy założeniu
prawdziwości hipotezy zerowej,
▪ wyznaczenie w rozkładzie statystyki testowej wartości
krytycznej c oraz obszaru krytycznego,
▪ porównanie wartość statystyki testowej policzonej na
podstawie wyników próby z obszarem krytycznym i
podjęcie decyzji weryfikacyjnej:
• brak podstaw do odrzucenia H0 – wartości statystyki
poza obszarem krytycznym,
• odrzucenie H0 na korzyść H1 – wartość statystyki 62
znajduje się w obszarze krytycznym.

Obszar krytyczny – zbiór wartości sprawdzianu hipotezy
przemawiający za odrzuceniem hipotezy H0 na korzyść jej
alternatywy H1.
Obszar krytyczny wyznaczony jest tak, że przy założeniu
prawdziwości hipotezy H0 prawdopodobieństwo
otrzymania z próby wartości statystyki należącej do tego
obszaru jest równe przyjętemu z góry poziomowi
istotności α.
W zależności od postaci hipotezy alternatywnej obszar
krytyczny może być jednostronny (prawostronny
lub lewostronny) albo dwustronny.
63

Obszary krytyczne dla różnych postaci hipotez
alternatywnych:
‒ prawostronny:
f(z)
z
c
64

alternatywnych są następujące:
‒ lewostronny:
f(z)
z
c
65

alternatywnych są następujące:
‒ dwustronny:
f(z)
α/2 α/2
z
–c c
66

p-value – największy poziom istotności przy którym dla
wyznaczonej statystyki testowej nie zostanie odrzucona
hipoteza zerowa
‒ :
‒ :
‒ :
67

Metody podjęcia decyzji weryfikacyjnej na podstawie
p-value (przy poziomie istotności α):
‒ p-value ≥ α to stwierdza się brak podstaw do
odrzucenia H0,
‒ p-value < α to odrzuca się H0 na korzyść H1.
68
Miary dopasowania modelu do danych empirycznych
Współczynnik determinacji, współczynnik zbieżności

Układ n równań:
(𝑦𝑡 − 𝑦)
ത = 𝑦𝑡 − 𝑦ො𝑡 + 𝑦ො𝑡 − 𝑦ത (t = 1, 2, …, n),
można przekształcić następująco:

𝑛 𝑛 𝑛
෍ ത 2=෍
(𝑦𝑡 − 𝑦) 𝑦𝑡 − 𝑦ො𝑡 2
+෍ 𝑦ො𝑡 − 𝑦ത 2
𝑡=1 𝑡=1 𝑡=1

𝑛 𝑛 𝑛
෍ ത 2=෍
(𝑦𝑡 − 𝑦) 𝑦ො𝑡 − 𝑦ത 2
+෍ 𝑦𝑡 − 𝑦ො𝑡 2
𝑡=1 𝑡=1 𝑡=1
𝑛
෍ ത 2 – całkowita zmienności zmiennej objaśnianej, suma
(𝑦𝑡 − 𝑦)
𝑡=1 kwadratów odchyleń wartości empirycznych od
średniej
𝑛
2 – zmienność zmiennej objaśnianej wyjaśniana przez
෍ 𝑦ො𝑡 − 𝑦ത
𝑡=1 model, suma kwadratów odchyleń wartości
teoretycznych od średniej
𝑛
2 – zmienność zmiennej objaśnianej nie wyjaśniona
෍ 𝑦𝑡 − 𝑦ො𝑡
𝑡=1 przez model, suma kwadratów reszt

σ𝑛𝑡=1 𝑦ො𝑡 − 𝑦ത 2 σ𝑛𝑡=1 𝑦𝑡 − 𝑦ො𝑡 2
𝑛 2
+ 𝑛 2
=1
σ𝑡=1(𝑦𝑡 − 𝑦) ത σ𝑡=1(𝑦𝑡 − 𝑦)
ത
R2 φ2
0 ≤ 𝑅2 , 𝜑2 ≤ 1

R2 – współczynnik determinacji, informuje jaka część
całkowitej zmienności zmiennej objaśnianej jest
wyjaśniona przez zmienność zmiennych
objaśniających, dopasowanie modelu jest tym lepsze
im współczynnik jest bliższy 1.
𝑇 𝑇 1 𝑇 2
𝑛
σ𝑡=1 𝑦ො𝑡 − 𝑦ത 2 𝐚 𝐗 𝐲− 𝟏 𝐲
2
𝑅 = 𝑛 = 𝑛 = 1 − 𝜑 2
σ𝑡=1(𝑦𝑡 − 𝑦)ത 2 𝑇 1 𝑇 2
𝐲 𝐲− 𝟏 𝐲
𝑛
φ2 – współczynnik zbieżności, informuje jaka część

całkowitej zmienności zmiennej objaśnianej nie
jest wyjaśniona przez zmienność zmiennych
objaśniających, dopasowanie modelu jest tym
lepsze im współczynnik jest bliższy 0.
σ 𝑛 2 𝑇 𝐲 − 𝐚𝑇 𝐗 𝑇 𝐲 𝑇𝐞
𝑡=1 𝑦𝑡 − 𝑦
ො 𝑡 𝐲 𝐞
𝜑2 = 𝑛 = = = 1 − 𝑅2
σ𝑡=1(𝑦𝑡 − 𝑦)ത 2 1 1
𝐲 𝑇 𝐲 − 𝟏𝑇 𝐲 2 𝐲 𝑇 𝐲 − 𝟏𝑇 𝐲 2
𝑛 𝑛

• suma kwadratów reszt zależy od liczby zmiennych
objaśniających w modelu i nigdy nie rośnie (zwykle maleje)
wraz ze wzrostem liczby zmiennych objaśniających,
• wartość współczynnika determinacji nigdy nie będzie
malała (zwykle będzie rosła) wraz z dodawaniem nowych
zmiennych objaśniających, niezależnie od tego czy dana
zmienna istotnie wpływa na zmienną objaśnianą,
• w przypadku małej liczby obserwacji (niewiele większej od
liczby szacowanych parametrów) suma kwadratów reszt
jest mała (współczynnik determinacji jest wysoki), co
powoduje, że obraz dopasowania jest zbyt optymistyczny,
• w takich sytuacjach stosuje się współczynniki determinacji
i zbieżności skorygowane o liczbę stopni swobody.

Skorygowane współczynniki zbieżności i determinacji
𝑛−1
2
𝜑ത = 𝜑2
𝑛−𝑘−1
𝑘
𝑅ത = 1 − 𝜑ത = 𝑅 −
2 2 2 (1 − 𝑅2 )
𝑛−𝑘−1
Wadą powyższych współczynników jest brak ich
unormowania, co utrudnia ich interpretację i ocenę
dopasowania modelu.
Współczynnik zmienności resztowej

𝑆
𝑊 = 100%
𝑦ത
Informuje jaki procent średniej wartości zmiennej
objaśnianej stanowi odchylenie standardowe reszt modelu.
Dopasowanie modelu do danych empirycznych jest tym
lepsze im W jest bliższy 0.
Badanie istotności parametrów strukturalnych
Spełnienie założenia 6° KMNK sprawia, że poniższe

statystyki mają znane rozkłady
𝐞𝑇 𝐞 𝑛 − 𝑘 − 1 𝑆2 2
= ~𝜒𝑛−𝑘−1
σ2 σ2
𝑎𝑖 − 𝛼𝑖
~𝑡𝑛−𝑘−1
𝐷 𝑎𝑖
Test istotności parametru strukturalnego
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.
Statystyka testowa
𝑎𝑗
𝑡𝑗 =
෡ 𝑎𝑗
𝐷
Przy spełnieniu założenia 6° oraz przy prawdziwości H0,

statystyka tj ma rozkład t-studenta z n – k – 1 stopniami
swobody.
Test łącznej istotności parametrów strukturalnych

Rozważa się dwa modele:
• model ogólny, zawierający wszystkie zmienne
objaśniające X1, X2, …, Xk, (model z k zmiennymi)
• model zredukowany, tzn. model bez p zmiennych
X1, X2, …, Xp występujących w modelu ogólnym, (model z
k – p zmiennymi)
𝐻0 : 𝛼1 = 𝛼2 = ⋯ = 𝛼𝑝 = 0
𝐻1 : 𝛼1 ≠ 0 ∨ 𝛼2 ≠ 0 ∨ ⋯ ∨ 𝛼𝑝 ≠ 0
lub
𝐻0 : 𝑌 = 𝛼0 + 𝛼𝑝+1 𝑋𝑝+1 + 𝛼𝑝+2 𝑋𝑝+2 + ⋯ + 𝛼𝑘 𝑋𝑘 + 𝜀
𝐻1 : 𝑌 = 𝛼0 + 𝛼1 𝑋1 + 𝛼2 𝑋2 + ⋯ + 𝛼𝑘 𝑋𝑘 + 𝜀

Statystyka testowa
𝐞𝑇 𝐞 − 𝐫 𝑇 𝐫 /𝑝
𝐹=
𝐫 𝑇 𝐫/ 𝑛 − 𝑘 − 1 − 𝑝
gdzie:
e – wektor reszt modelu ogólnego,
r – wektor reszt modelu zredukowanego.
Statystyka F przy prawdziwości hipotezy H0 ma rozkład
F-Snedecora ze stopniami swobody r1 = p i r2 = n – k – 1– p.
Obszar krytyczny testu jest obszarem prawostronnym.

Test łącznej istotności wszystkich parametrów modelu poza
wyrazem wolnym
𝐻0 : 𝑌 = 𝛼0 + 𝜀
𝐻1 : 𝑌 = 𝛼0 + 𝛼1 𝑋1 + ⋯ + 𝛼𝑘 𝑋𝑘 + 𝜀
Statystyka testowa:
𝑅2 /𝑘
𝐹=
1 − 𝑅2 / 𝑛 − 𝑘 − 1
Statystyka F przy prawdziwości H0 ma rozkład F-Snedecora
ze stopniami swobody r1 = k i r2 = n – k – 1.

Test istotności wszystkich parametrów strukturalnych
modelu jest równocześnie testem na istotność
współczynnika korelacji wielorakiej pomiędzy zmienną
objaśnianą a zmiennymi objaśniającymi
𝐻0 : 𝜌𝑊 = 0
𝐻1 : 𝜌𝑊 > 0
Procedura weryfikacji hipotezy zerowej jest taka sama jak
przy teście łącznej istotności wszystkich parametrów.
W przypadku gdy test łącznej istotności parametrów
dotyczy tylko jednego parametru, test F jest równoważny z
testem t.
Dobór zmiennych objaśniających
W modelach opisowych jako zmienne objaśniające

wybiera się te zjawiska, które mają wpływ na zmienną
objaśnianą (występuje między nimi zależność
przyczynowo-skutkowa).
W modelach symptomatycznych zmiennymi
objaśniającymi są te zmienne, które wykazują się silnym
skorelowaniem ze zmienną objaśnianą.
Metody regresji krokowej
Procedura selekcji wstecznej polega na sekwencyjnym

eliminowaniu z modelu zawierającego wszystkie
potencjalne zmienne objaśniające, zmiennych
odznaczających się najmniej korzystną wartością
statystyki stanowiącej kryterium doboru, aż do pozostania
zmiennych o pożądanych jej wartościach.
Procedura selekcji prospektywnej rozpoczyna się od
modelu z jedną zmienną o najkorzystniejszej wartości
statystyki i dodaje się kolejne zmienne objaśniające.
Metoda selekcji wstecznej
Z modelu eliminowane są sekwencyjnie zmienne

objaśniające nieistotnie oddziałujące na zmienną
objaśnianą przy założonym z góry poziomie istotności.
Zgodnie z procedurą w każdym kroku z modelu
eliminowana jest zmienna objaśniająca z najwyższą
wartością p-value, aż do momentu gdy wszystkie
pozostałe w modelu zmienne będę miały p-value nie
większe od przyjętej wielkości progowej (w gretlu
domyślnie 0,10 przy dwustronnym obszarze krytycznym).
Weryfikacja założeń KMNK

Badanie liniowości modelu ekonometrycznego
Testowanie liniowości modelu ekonometrycznego
równoważne jest z weryfikacją losowości składnika
losowego modelu.
𝐻0 : 𝑌 = 𝛼0 + 𝛼1 𝑋1 + 𝛼2 𝑋2 + ⋯ + 𝛼𝑘 𝑋𝑘 + 𝜀
𝐻1 : 𝑌 ≠ 𝛼0 + 𝛼1 𝑋1 + 𝛼2 𝑋2 + ⋯ + 𝛼𝑘 𝑋𝑘 + 𝜀
Testy liniowości modelu:
• test serii,
• test Ramseya RESET.

Test serii
1. Szacuje się parametry modelu:
𝑌 = 𝛼0 + 𝛼1 𝑋1 + 𝛼2 𝑋2 + ⋯ + 𝛼𝑘 𝑋𝑘 + 𝜀
i oblicza się reszty, które porządkuje się według:
• numerów obserwacji – dla szeregów czasowych,
• niemalejących wartości wybranej zmiennej
objaśniającej – dla danych przekrojowych.
2. W uporządkowanym ciągu, resztom dodatnim
przyporządkowuje się symbol a, resztom ujemnym –
symbol b, a reszty równe 0 zostają pominięte.

Test serii
3. Wyznacza się liczbę serii R (podciąg jednakowych
symboli), która służy jako statystyka testowa.
4. Z tablic Testu serii odczytuję się dwie wartości krytyczne
liczby serii: 𝑅1∗ i 𝑅2∗ dla n1 (liczby symboli a), n2 (liczby
symboli b) oraz przyjętego poziomu istotności α
(odpowiednio dla α/2 i 1 – α/2).
5. Podejmuje się decyzję weryfikacyjną:
▪ 𝑅1∗ < 𝑅 < 𝑅2∗ – brak podstaw do odrzucenia H0,
▪ 𝑅 ≤ 𝑅1∗ ∨ 𝑅 ≥ 𝑅2∗ – odrzucenie H0 na korzyść H1.

Test serii dla dużych prób (n1 > 10, n2 > 10)
3. Wyznacza się liczbę serii R (podciąg jednakowych
symboli).
4. Oblicza się statystykę testową:
𝑅 − 𝑅ത
𝑍=
𝑠𝑅
gdzie: 2𝑛1 𝑛2 2𝑛1 𝑛2 2𝑛1 𝑛2 − 𝑛1 −𝑛2
𝑅ത = +1 𝑠𝑅2 =
𝑛1 + 𝑛2 𝑛1 +𝑛2 2 𝑛1 +𝑛2 −1
Statystyka Z przy prawdziwości H0 ma rozkład
standaryzowany normalny.
Obszar krytyczny testu jest dwustronny.

Test Ramseya RESET
𝑌 = 𝛼0 + 𝛼1 𝑋1 + 𝛼2 𝑋2 + ⋯ + 𝛼𝑘 𝑋𝑘 + 𝜀
i oblicza się wartości teoretyczne zmiennej objaśnianej
ŷ oraz współczynnik determinacji (oznaczany RI2).
2. Szacuje się parametry modelu z dodatkowo
uwzględnionymi kwadratami i/lub sześcianami
teoretycznych wartości zmiennej objaśnianej:
𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑘 𝑋𝑘 + 𝛽𝑘+1 𝑦ො 2 + 𝜂 lub
𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑘 𝑋𝑘 + 𝛽𝑘+1 𝑦ො 3 + 𝜂 lub
𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑘 𝑋𝑘 + 𝛽𝑘+1 𝑦ො 2 + 𝛽𝑘+2 𝑦ො 3 + 𝜂

Test Ramseya RESET
2. … i oblicza się współczynnik determinacji RII2.
3. Testuje się istotność przyrostu współczynnika
determinacji w modelu rozszerzonym (II) w porównaniu
do modelu wyjściowego (I)
2
𝑅𝐼𝐼 − 𝑅𝐼2 / 𝑘𝐼𝐼 − 𝑘𝐼
𝐹= 2
1 − 𝑅𝐼𝐼 / 𝑛 − 𝑘𝐼𝐼 − 1
kI, kII – liczba zmiennych objaśniających w modelu I, II
Statystyka F przy prawdziwości H0 ma rozkład F-Snedecora
ze stopniami swobody: r1 = kII – kI, r2 = n – kII – 1. Obszar
krytyczny testu jest prawostronny.

Badanie stałości wariancji skł. los. (homoskedastyczności)
Test White’a
𝑌 = 𝛼0 + 𝛼1 𝑋1 + 𝛼2 𝑋2 + ⋯ + 𝛼𝑘 𝑋𝑘 + 𝜀
i oblicza się reszty e oraz ich kwadraty e2.
𝑒 2 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑘 𝑋𝑘 +
+𝛽𝑘+1 𝑋12 + 𝛽𝑘+2 𝑋22 + ⋯ + 𝛽2𝑘 𝑋𝑘2 +
+𝛽2𝑘+1 𝑋1 𝑋2 + ⋯ + 𝛽2𝑘+𝑘 𝑘−1 /2 𝑋𝑘−1 𝑋𝑘 + 𝜂
i oblicza się współczynnik determinacji Re2.

Badanie stałości wariancji skł. los. (homoskedastyczności)
Test White’a
3. Weryfikuje się łączną istotność parametrów β
𝐻0 : 𝛽1 = ⋯ = 𝛽2𝑘+𝑘 𝑘−1 /2 = 0
𝐻1 : 𝛽1 ≠ 0 ∨ ⋯ ∨ 𝛽2𝑘+𝑘 𝑘−1 /2 ≠ 0
H0 oznacza homoskedastyczność składnika losowego
Statystyka testowa
𝑇𝑅2 = 𝑛𝑅𝑒2
przy prawdziwości H0 ma rozkład χ2 z 2k+k(k-1)/2
stopniami swobody. Obszar krytyczny testu jest
prawostronny.

Badanie autokorelacji składnika losowego
Autokorelacja składnika losowego dotyczy szeregów
czasowych i oznacza liniową zależność pomiędzy
składnikami losowymi odległymi o liczbę okresów τ.
Występowanie autokorelacji składnika losowego powoduje,
że estymator KMNK nie jest efektywny, a estymator
wariancji składnika losowego jest estymatorem obciążonym.
Współczynnik autokorelacji rzędu τ
𝜌𝜏 = 𝜌 𝜀𝑡 , 𝜀𝑡−𝜏 𝜌𝜏 < 1
mierzy siłę i kierunek autokorelacji składnika losowego.

Proces autoregresyjny składnika losowego rzędu 1
𝜀𝑡 = 𝜌1 𝜀𝑡−1 + 𝜂𝑡
gdzie:
ηt – zmienna losowa o parametrach:
𝐸 𝜼 =𝟎 𝐷2 𝜼 = 𝜎𝜂2 𝐈 𝜎𝜂2 < +∞
Współczynniki autokorelacji wyższych rzędów są potęgami
współczynnika autokorelacji rzędu 1:
𝜌𝜏 = 𝜌1𝜏
Brak autokorelacji rzędu 1 oznacza brak autokorelacji
wyższych rzędów.

Macierz kowariancji wektora składników losowych
1 𝜌1 𝜌12 ⋯ 𝜌1𝑛−1
𝜌1 1 𝜌1 ⋯ 𝜌1𝑛−2
𝐷2 𝜺 = 𝜎 2 𝜌12 𝜌1 1 ⋯ 𝜌1𝑛−3
⋮ ⋮ ⋮ ⋱ ⋮
𝜌1𝑛−1 𝜌1𝑛−2 𝜌1𝑛−3 ⋯ 1
Zgodny estymator współczynnika ρ1

σ𝑛𝑡=2 𝑒𝑡 𝑒𝑡−1
𝜌ො1 =
σ𝑛−1
𝑡=1 𝑡𝑒 2

Test Durbina-Watsona
• stosowany do badania autokorelacji rzędu 1,
• warunki zastosowania testu:
✓ model musi posiadać wyraz wolny,
✓ składnik losowy ma rozkład normalny,
✓ w roli zmiennej objaśniającej nie występuje opóźniona
zmienna objaśniana.
𝐻0 : 𝜌1 = 0
𝐻1 : 𝜌1 > 0
<

Statystyka testowa:
σ𝑛𝑡=2 𝑒𝑡 − 𝑒𝑡−1 2
𝑑=
σ𝑛𝑡=1 𝑒𝑡2
dla dużych n : 𝑑 ≈ 2 1 − 𝜌ො1

Statystyka d przyjmuje wartości z przedziału [0, 4],
• [0, 2) – dla dodatniej autokorelacji,
• (2, 4] – dla ujemnej autokorelacji,
• wartość 2 – przy braku autokorelacji.

Rozkład statystyki d przy prawdziwości H0 zależy od liczby
obserwacji n i liczby zmiennych objaśniających k.
Stablicowany jest w sposób umożliwiający weryfikację
autokorelacji przy następującym układzie hipotez:
𝐻0 : 𝜌1 = 0
𝐻1 : 𝜌1 > 0

Dla założonego poziomu istotności α, liczby obserwacji n i
liczby zmiennych objaśniających k odczytuje się dwie
wartości krytyczne: dl i du.
Podejmuje się decyzję weryfikacyjną:
• jeżeli d ≤ dl, to odrzuca się H0 i przyjmuje H1.
• jeśli d ≥ du, stwierdza się brak podstaw do odrzucenia H0.
• jeżeli dl < d < du, nie można podjąć żadnej decyzji
weryfikacyjnej i należy zastosować inny test.

W przypadku autokorelacji ujemnej układ hipotez jest
następujący:
𝐻0 : 𝜌1 = 0
𝐻1 : 𝜌1 < 0
Statystyka testowa przyjmuje postać:
𝑑′ = 4 − 𝑑
Sposób podjęcia decyzji weryfikacyjnej jest analogiczny jak
w przypadku autokorelacji dodatniej.

Badanie normalności rozkładu składnika losowego
Test Jarque-Bera
Test normalności rozkładu oparty o momenty rozkładu z
próby. Wykorzystuje on właściwości rozkładu normalnego
tzn. współczynnik skośności równy 0 oraz współczynnik
koncentracji równy 3 (kurtozę równą 0).

Test Jarque-Bera
𝑌 = 𝛼0 + 𝛼1 𝑋1 + 𝛼2 𝑋2 + ⋯ + 𝛼𝑘 𝑋𝑘 + 𝜀
i oblicza się reszty modelu e, odchylenie standardowe,
współczynnik asymetrii i współczynnik koncentracji reszt
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

Test Jarque-Bera
2. Weryfikuje się normalność rozkładu składnika losowego
𝐻0 : 𝜀 ~ 𝑁 0, 𝜎
𝐻1 : 𝜀 ≁ 𝑁 0, 𝜎
Statystyka testowa
𝑛 2 1 2
𝐽𝐵 = 𝑏1 + 𝑏2 − 3
6 4
Statystyka JB przy prawdziwości H0 ma rozkład χ2

z dwoma stopniami swobody.
Obszar krytyczny testu jest prawostronny.
Uogólniona metoda najmniejszych kwadratów

UMNK stosowana jest do szacowania parametrów
strukturalnych modelu liniowego, jeżeli nie spełnione jest 5°
założenie KMNK. Oznacza to, że po oszacowaniu
parametrów KMNK występuje heteroskedastyczność lub
autokorelacja składnika losowego.
Macierz kowariancji wektora składników losowych KMNK
ma postać:
𝐷2 𝛆 = 𝚺 = 𝜎 2 𝐕
gdzie:
σ2 – parametr skali, skaluje wariancje i kowariancje
składnika losowego ε,
V – dodatnio określona macierz symetryczna, wyznacza
strukturę macierzy Σ.

Macierz V-1 można przedstawić następująco:
𝐕 −1 = 𝐏 T 𝐏
gdzie P określa się mianem macierzy wagowej.
Zamiast modelu:
𝐲 = 𝐗𝛂 + 𝛆
rozważa się model:
𝐏𝐲 = 𝐏𝐗𝛂 + 𝐏𝛆
po podstawieniu: 𝐲 ∗ = 𝐏𝐲 𝐗 ∗ = 𝐏𝐗 𝛆∗ = 𝐏𝛆
𝐲 ∗ = 𝐗 ∗ 𝛂 + 𝛆∗
Model dla zmiennej y* posiada ten sam wektor
parametrów co model wyjściowy, czyli estymator
parametrów modelu wyjściowego będzie estymatorem
parametrów modelu dla zmiennej y*.

W modelu dla zmiennej y* spełnione są założenia KMNK:
1° 𝐏𝐲 = 𝐏𝐗𝛂 + 𝐏𝛆 jest modelem liniowym
2° PX jest znaną macierzą nielosową, ponieważ zarówno
macierz V jak również i P są ustalone.
3° 𝑟𝑧 𝐏𝐗 = 𝑘 + 1 ≤ 𝑛 ponieważ macierz P jest
nieosobliwa
4° 𝐸 𝑷𝛆 = 𝐏 ∙ 𝐸 𝛆 = 𝐏 ∙ 𝟎 = 𝟎
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

W modelu dla zmiennej y* spełnione są założenia KMNK:
6° 𝐏𝛆~𝑁 𝑛 𝟎, 𝜎 2 𝐈
w przypadku gdy ε ma rozkład normalny, to Pε również
ma rozkład normalny, ponieważ jest jego liniową
nieosobliwą transformacją.
Estymator aV wektora parametrów modelu:
T 𝐏𝐗 −1 T 𝐏𝐲 T T −1 T T
𝐚𝐕 = 𝐏𝐗 𝐏𝐗 = 𝐗 𝐏 𝐏𝐗 𝐗 𝐏 𝐏𝐲 =
T −1 −1 T −1
= 𝐗 𝐕 𝐗 𝐗 𝐕 𝐲

Gdy w modelu oszacowanym KMNK występuje
heteroskedastyczność składnika losowego struktura
macierzy V i V-1 jest następująca:
1
0 … 0
𝑣1
𝑣1 0 … 0
1
0 𝑣2 … 0
𝐕= 𝐕 −1 = 0 𝑣2
… 0
⋮ ⋮ ⋱ ⋮
0 0 … 𝑣𝑛 ⋮ ⋮ ⋱ ⋮
1
0 0 …
𝑣𝑛

Macierz wagowa P przyjmuje postać:
1
0 … 0
𝑣1
𝑤1 0 … 0
1
0 … 0 0 𝑤2 … 0
𝐏= 𝑣2 =
⋮ ⋮ ⋱ ⋮
⋮ ⋮ ⋱ ⋮ 0 0 … 𝑤𝑛
1
0 0 …
𝑣𝑛
𝑤𝑡 = 1/ 𝑣𝑡 można traktować jako wagi nadawane
obserwacjom zmiennych, stąd inna nazwa metody –
ważona metoda najmniejszych kwadratów (WMNK).

Estymacja parametrów UMNK gdy macierz V jest nieznana
Sposoby wyznaczania wag:
• odchylenia losowe modelu są proporcjonalne
do upływu czasu (rosną równomiernie w czasie):
1
𝑣ො𝑡 = 𝑡, 𝑤
ෝ𝑡 = (t = 1, 2, …, n)
𝑡
• odchylenia losowe modelu są proporcjonalne
do wartości wybranej zmiennej objaśniającej:
1
𝑣ො𝑡 = 𝑥𝑡 , 𝑤
ෝ𝑡 = (t = 1, 2, …, n)
𝑥𝑡
W gretlu, wykorzystując UMNK (WMNK) w komórce

„Zmienna - wagi” wprowadza się 1/𝑣ො𝑡 .

Estymacja parametrów UMNK gdy macierz V jest nieznana
Procedura wyznaczania wag UMNK (korekta
heteroskedastyczności):
• szacuje się parametry modelu:
ln 𝑒 2 = 𝛽0 + 𝛽1 𝑋1 + ⋯ + 𝛽𝑘 𝑋𝑘 + 𝜂
lub
ln 𝑒 2 = 𝛽0 + 𝛽1 𝑋1 + ⋯ + 𝛽𝑘 𝑋𝑘 + 𝛽𝑘+1 𝑋12 + ⋯ + 𝛽2𝑘 𝑋𝑘2 + 𝜂
i wyznacza się wartości teoretyczne modelu oznaczane
jako 𝑢
ො𝑡.
• wagi 𝑤 ෝ𝑡 wyznacza się następująco:
1
𝑤
ෝ𝑡 =
exp 𝑢ො 𝑡

Gdy składnik losowy podlega procesowi autoregresji
1 rzędu, macierze V, V-1 oraz P są następujące:
1 𝜌2 𝜌 … 𝜌𝑛−1
𝐕= 𝜌 𝜌 1 … 𝜌𝑛−2
⋮ ⋮ ⋮ ⋱ ⋮
𝜌𝑛−1 𝜌𝑛−2 𝜌𝑛−3 … 1
1 −𝜌 0 … 0 0 0
−𝜌 1 + 𝜌2 −𝜌 … 0 0 0
0 −𝜌 1 + 𝜌2 … 0 0 0
𝐕 −1 = ⋮ ⋮ ⋮ ⋱ ⋮ ⋮ ⋮
0 0 0 … 1 + 𝜌2 −𝜌 0
0 0 0 … −𝜌 1 + 𝜌2 −𝜌
0 0 0 … 0 −𝜌 1

Gdy składnik losowy podlega procesowi autoregresji
1 rzędu, macierze V, V-1 oraz P są następujące:
1 − 𝜌2 0 0 … 0 0 0
−𝜌 1 0 … 0 0 0
0 −𝜌 1 … 0 0 0
𝐏= ⋮ ⋮ ⋮ ⋱ ⋮ ⋮ ⋮
0 0 0 … 1 0 0
0 0 0 … −𝜌 1 0
0 0 0 … 0 −𝜌 1

UMNK jeżeli 𝜌1 jest nieznane
Zgodnym estymatorem współczynnika ρ1 jest:
σ𝑛𝑡=2 𝑒𝑡 𝑒𝑡−1
𝜌ො1 =
σ𝑛−1
𝑡=1 𝑡𝑒 2
Zastosowanie 𝜌ො1 do oszacowania parametrów modelu

powoduje, że estymator UMNK nie jest nieobciążony ale
jest zgodny.
Estymatory UMNK:
• estymator Cochrane-Orcutta – pomija pierwszą
obserwację w wektorze y* i macierzy X*,
• estymator Praisa-Winstena – uwzględnia pierwszą
obserwację.

UMNK jeżeli 𝜌1 jest nieznane
Procedura iteracyjna estymacji parametrów UMNK
1. Estymacja parametrów modelu wyjściowego i
wyznaczenie na podstawie jego reszt współczynnika 𝜌ො1
2. Estymacja parametrów modelu UMNK
z wykorzystaniem 𝜌ො1
3. Wyznaczenie współczynnika 𝜌ො1,UMNK na podstawie
reszt modelu, którego parametry oszacowano UMNK
𝐞𝐕෡ = 𝐲 − 𝐗𝐚𝐕෡
4. Powtórzenie kroku 2. i 3., czyli oszacowanie parametrów
modelu UMNK, aż do uzyskania oceny współczynnika
ρ1 zbliżonej do oceny w poprzedniej iteracji

Estymator macierzy kowariancji estymatora aṼ
−1 −1
෡ 2 𝐚𝐕෡ = 𝑆෡2 𝐗 T 𝐕
𝐃 ෡ −1 𝐗 = 𝑆𝐕෡2 ∗T
𝐗 𝐗 ∗
𝐕
Estymator wariancji składnika losowego:
1
𝑆𝐕෡∗2 = ෡ −1 𝐲 ∗ − 𝐗 ∗ 𝐚𝐕෡ =
𝐲 ∗ − 𝐗 ∗ 𝐚𝐕෡ T 𝐕
𝑛−𝑘−1
1 ∗T ෡ −1 ∗
= 𝐞𝐕෡ 𝐕 𝐞𝐕෡
𝑛−𝑘−1
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.
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.
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).
Modele nieliniowe
y
Model liniowy
𝑌 = 𝛼0 + 𝛼1 𝑋 + 𝜀
x
Modele nieliniowe
y
Model logarytmiczny
𝑌 = 𝛼0 + 𝛼1 ln 𝑋 + 𝜀
x
Modele nieliniowe
y
Model hiperboliczny
1
𝑌 = 𝛼0 + 𝛼1 + 𝜀
𝑋
x
Modele nieliniowe
y
Model paraboliczny
𝑌 = 𝛼0 + 𝛼1 𝑋 + 𝛼2 𝑋 2 + 𝜀
x
Modele nieliniowe
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
Modele nieliniowe
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
Modele nieliniowe
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.
Modele nieliniowe
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
Modele nieliniowe
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.
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.
Modele nieliniowe
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
Modele nieliniowe
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.
Modele nieliniowe
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
Modele nieliniowe
Interpretacja parametrów modeli nieliniowych
Modele z logarytmami zmiennych
Zmienna Zmienna Interpretacja oceny
Model
objaśniana objaśniająca parametru
poziom-poziom y x Δy = α1Δx
poziom-log y ln(x) Δy = (α1/100)%Δx
log-poziom ln(y) x %Δy = (100α1)Δx
log-log ln(y) ln(x) %Δy = α1%Δx

Modele nieliniowe
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. $
Modele nieliniowe
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 %
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).
Model z dychotomiczną zmienną objaśniającą

Zmienna dychotomiczna – zmienna występująca w
dwóch wariantach, np. płeć (kobieta, mężczyzna).
Sposób ujęcia w modelu zmiennej dychotomicznej w roli
zmiennej objaśniającej:
• wprowadzenie zmiennej zerojedynkowej,
• jednemu wariantowi przypisuje się wartość 0, natomiast
drugiemu 1, np. kobieta – 0, mężczyzna – 1,
• wariant zmiennej jakościowej równy 0, ustala się jako
tzw. wariant bazowy (kobieta), który stanowi punkt
odniesienia dla drugiego wariantu przy interpretacji
parametru.

Przykład
𝑌 = 𝛼0 + 𝛼1 𝑃 + 𝛼2 𝐷 + 𝜀
gdzie:
Y – wynagrodzenie,
P – płeć, mężczyzna = 1, kobieta = 0,
D – lata pracy.
Wariant zmiennej P – „kobieta” równy 0 jest tzw. wariantem
bazowym i stanowi punkt podniesienia dla drugiego
wariantu „mężczyzna” przy interpretacji parametru α1.
Parametr α1 informuje jaka jest różnica pomiędzy
przeciętnym wynagrodzeniem mężczyzn a przeciętnym
wynagrodzeniem kobiet z jednakowym stażem pracy.

Przykład
𝑌 = 𝛼0 + 𝛼1 𝑃 + 𝛼2 𝐷 + 𝜀
Weryfikacja dyskryminacji płacowej kobiet
𝐻0 : 𝛼1 = 0
𝐻1 : 𝛼1 > 0
Braku podstaw do odrzucenia hipotezy zerowej oznacza

brak dyskryminacji płacowej kobiet.
Odrzucenie hipotezy zerowej i przyjęcie hipotezy
alternatywnej prowadziłoby do wyciągnięcia wniosku o
występowaniu dyskryminacji płacowej kobiet.
Model z wielowariantową zmienną objaśniającą

Sposób ujęcia w modelu zmiennej jakościowej
występującej w więcej niż dwóch wariantach, np.
wykształcenia:
• wprowadzenie zmiennych zerojedynkowych w liczbie o
jeden mniejszej niż wynosi liczba wariantów zmiennej,
• uwzględnienie zmiennych zerojedynkowych w ilości
równej liczbie wariantów zmiennej jakościowej
doprowadzi do współliniowości regresorów
i w konsekwencji XTX będzie macierzą osobliwą,
• w literaturze przypadek ten określany jest jako pułapka
związana ze zmiennymi zerojedynkowymi (dummy
variable trap),

Sposób ujęcia w modelu zmiennej jakościowej
występującej w więcej niż dwóch wariantach, np.
wykształcenia:
• dla wszystkich wariantów poza jednym przyjmuje się
zmienną 0-1, która przyjmuje wartość 1 gdy występuje
dany wariant oraz 0 gdy wariant nie występuje,
• pominięcie zmiennej zerojedynkowej dla jednego
wariantu powoduje, że zostaje on uznany za wariant
bazowy do którego odnoszone są pozostałe warianty,
• parametry przy zmiennych zerojedynkowych informują o
różnicy pomiędzy przeciętnym poziomem zmiennej
objaśnianej w obiektach odznaczających się wybranym
wariantem a obiektami charakteryzującymi się
wariantem bazowym.

Przykład
𝑌 = 𝛼0 + 𝛼1 𝑆 + 𝛼2 𝑊 + 𝛼3 𝐷 + 𝜀
gdzie:
S – wykształcenie średnie = 1, pozostałe = 0,
W – wykształcenie wyższe = 1, pozostałe = 0,
D – lata pracy.

Przykład
𝑌 = 𝛼0 + 𝛼1 𝑆 + 𝛼2 𝑊 + 𝛼3 𝐷 + 𝜀
Parametr α1 (przy zmiennej S) informuje o różnicy
pomiędzy przeciętnym wynagrodzeniem pracowników ze
średnim wykształceniem a przeciętnym wynagrodzeniem
pracowników z wykształceniem podstawowym z
jednakowym stażem pracy.
Parametr α2 (przy zmiennej W) mówi o różnicy pomiędzy
przeciętnym wynagrodzeniem pracowników z wyższym
wykształceniem a przeciętnym wynagrodzeniem
pracowników z wykształceniem podstawowym z
jednakowym stażem pracy.
Model z dwiema zmiennymi jakościowymi

Rodzaje modeli z dwiema zmiennymi jakościowymi ze
względu na sposób interakcji pomiędzy nimi:
• model bez interakcji – zakłada się, że zmienne
objaśniające wpływają na zmienną objaśnianą w sposób
od siebie niezależny,
• model z interakcjami – przyjmuje się, że sposób
oddziaływania jednej zmiennej na zmienną objaśniana
zależy od drugiej zmiennej.
Sposób ujęcia w modelu kilku zmiennych jakościowych w
roli zmiennej objaśniającej:
• wprowadzenie dla każdej zmiennej odpowiedniej liczby
zmiennych zerojedynkowych,
• w przypadku interakcji pomiędzy zmiennymi uwzględnia
się iloczyny zmiennych zerojedynkowych.

Przykład, model bez interakcji
𝑌 = 𝛼0 + 𝛼1 𝑊 + 𝛼2 𝑃 + 𝛼3 𝐷 + 𝜀
gdzie:
D – lata pracy.

Przykład, model bez interakcji
𝑌 = 𝛼0 + 𝛼1 𝑊 + 𝛼2 𝑃 + 𝛼3 𝐷 + 𝜀
Parametr α1 (przy zmiennej W) informuje o różnicy
pomiędzy przeciętnym wynagrodzeniem pracowników z
wyższym wykształceniem a przeciętnym wynagrodzeniem
pracowników nieposiadających wyższego wykształcenia,
tej samej płci z jednakowym stażem pracy, przy założeniu
że różnica ta jest jednakowa dla mężczyzn i kobiet.
Parametr α2 (przy zmiennej P) informuje o różnicy
pomiędzy przeciętnym wynagrodzeniem mężczyzn i kobiet,
posiadających jednakowe wykształcenie z jednakowym
stażem pracy, przy założeniu że różnica ta jest jednakowa
na każdym poziomie wykształcenia.

Przykład, model z interakcjami
Z teorii rynku pracy wiadomo, że założenie o jednakowej
różnicy pomiędzy średnią płacą kobiet i mężczyzn na
każdym poziomie wykształcenia jest nieprawidłowe.
Wynika to z występowania dyskryminacji płacowej kobiet,
która nasila się wraz ze wzrostem poziomu wykształcenia.
𝑌 = 𝛼0 + 𝛼1 𝑊 + 𝛼2 𝑃 + 𝛼3 𝑊 ∙ 𝑃 + 𝛼4 𝐷 + 𝜀
gdzie:
D – lata pracy.

𝑌 = 𝛼0 + 𝛼1 𝑊 + 𝛼2 𝑃 + 𝛼3 𝑊 ∙ 𝑃 + 𝛼4 𝐷 + 𝜀
grupa bazowa (W, P = 0) – kobiety nie posiadające
wyższego wykształcenia
interpretacja parametru α1 – różnica przeciętnej płacy
kobiet z wyższym wykształceniem (W = 1, P = 0) a grupy
bazowej
interpretacja parametru α2 – różnica przeciętnego
wynagrodzenia mężczyzn nie posiadających wyższego
wykształcenia (W = 0, P = 1) a grupy bazowej
suma parametrów α1, α2 i α3 – różnica przeciętnej płacy
mężczyzn z wyższym wykształceniem (W, P = 1) a grupy
bazowej

𝑌 = 𝛼0 + 𝛼1 𝑊 + 𝛼2 𝑃 + 𝛼3 𝑊 ∙ 𝑃 + 𝛼4 𝐷 + 𝜀
Test istotności parametru α2 weryfikuje hipotezę o braku
różnic w wynagrodzeniach pomiędzy kobietami i
mężczyznami z jednakowym wykształceniem.
Test istotności parametru α3 weryfikuje hipotezę o braku
różnic w dysproporcji wynagrodzeń jednakowo
wykształconych kobiet i mężczyzn na różnych poziomach
wykształcenia.
Wartość parametru większa od zera (α3 > 0) mówi o
większej różnicy wynagrodzeń między mężczyznami
a kobietami z wykształceniem wyższym (obie grupy)
niż z nie posiadającymi wyższego wykształcenia.

Przykład, model równoważny z modelem z interakcjami
𝑌 = 𝛽0 + 𝛽1 𝑀𝑊 + 𝛽2 𝐾𝑁 + 𝛽3 𝐾𝑊 + 𝛽4 𝐷 + 𝜀
gdzie:
MW – mężczyzna z wyższym wykształceniem = 1,
pozostałe = 0,
KN – kobieta nie posiadająca wyższego wykształcenia = 1,
pozostałe = 0,
KW – kobieta z wyższym wykształceniem = 1,
pozostałe = 0,
D – lata pracy.
Model z dychotomiczną zmienną zależną

• modeluje wystąpienie lub niewystąpienie zdarzenia,
np. firma ogłosiła lub nie ogłosiła w danym roku
kalendarzowym upadłości, klient spłacił lub nie spłacił
kredytu,
• zmienna objaśniana Y przyjmuje dwie wartości – 1 jeżeli
zdarzenie wystąpiło, 0 jeżeli nie wystąpiło,
• wartość oczekiwana Y [E(Y)] jest prawdopodobieństwem
przyjęcia przez zmienną Y wartości równej 1 (Y=1),
E(Y) = 1·P(Y=1) + 0·P(Y=0) = P(Y=1) = p,
• modele dla zmiennej dychotomicznej wyjaśniają
prawdopodobieństwo wystąpienia zdarzenia i nazywane
są modelami prawdopodobieństwa.

Liniowy model prawdopodobieństwa
𝐸 𝑌ȁ𝑋 = 𝑃 𝑌 = 1ȁ𝑋 = 𝛼0 + 𝛼1 𝑋1 + ⋯ + 𝛼𝑘 𝑋𝑘
Parametr przy zmiennej objaśniającej informuje o zmianie
prawdopodobieństwa wystąpienia zdarzenia wskutek
jednostkowego przyrostu tej zmiennej.
Wady liniowego modelu prawdopodobieństwa:
• teoretyczne/prognozowane prawdopodobieństwa mogą
wykroczyć poza przedział [0, 1],
• założenie o liniowej zależności pomiędzy prawdopodo-
bieństwem wystąpienia zdarzenia a zmiennymi
objaśniającymi w praktyce jest nierealne, gdyż
prawdopodobieństwo nie zależy w jednakowym stopniu
od zmiennej objaśniającej dla wszystkich jej wartości.

Nieliniowy model prawdopodobieństwa
𝐸 𝑌ȁ𝑋 = 𝑃 𝑌 = 1ȁ𝑋 = 𝐺 𝛼0 + 𝛼1 𝑋1 + ⋯ + 𝛼𝑘 𝑋𝑘
gdzie G jest funkcją przyjmującą wartości z przedziału (0, 1).
W modelu logitowym funkcja G(z) jest funkcją logistyczną
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
−∞

Model logitowy
exp 𝛼0 + 𝛼1 𝑋1 + ⋯ + 𝛼𝑘 𝑋𝑘
𝑃 𝑌 = 1ȁ𝑋 = 𝑝 =
1 + exp 𝛼0 + 𝛼1 𝑋1 + ⋯ + 𝛼𝑘 𝑋𝑘
lub
1
𝑃 𝑌 = 1ȁ𝑋 = 𝑝 =
1 + exp − 𝛼0 + 𝛼1 𝑋1 + ⋯ + 𝛼𝑘 𝑋𝑘
Wpływ zmiennej Xj na prawdopodobieństwo wystąpienia
zdarzenia nie jest stały, jak w przypadku modelu liniowego,
Parametr αj nie ma interpretacji, a jedynie jego znak
określa kierunek oddziaływania Xj na prawdopodobieństwo
zajścia zdarzenia.

Model logitowy
Po przekształceniu otrzymuje się:
𝑝
ln = 𝛼0 + 𝛼1 𝑋1 + ⋯ + 𝛼𝑘 𝑋𝑘
1−𝑝
a następnie:
𝑝
= 𝛹 = exp 𝛼0 + 𝛼1 𝑋1 + ⋯ + 𝛼𝑘 𝑋𝑘
1−𝑝
gdzie ψ określa się mianem ilorazu szans. Wskazuje on
relatywną możliwość wystąpienia zdarzenia.

Model logitowy
exp(αj)
• informuje o relatywnej zmianie prawdopodobieństwa
wystąpienia zdarzenia w wyniku oddziaływania czynnika
opisanego przez zmienną Xj, przy braku zmiany
pozostałych zmiennych,
• jego wartość odnosi się do 1 i różnicę podaje
w procentach,
• dla zmiennych ilościowych informuje o procentowej
zmianie możliwości wystąpienia zdarzenia przy
przyroście zmiennej objaśniającej o jednostkę,
• dla zmiennych jakościowych mówi o procentowej różnicy
możliwości wystąpienia zdarzenia dla kategorii
wyróżnionej w odniesieniu do kategorii bazowej.

Estymacja parametrów modelu logitowego
• zastosowanie KMNK skutkuje heteroskedastycznością
składnika losowego modelu,
• oszacowania parametrów i ich błędów najczęściej
otrzymuje się przy wykorzystaniu metody największej
wiarygodności.

Weryfikacja modelu logitowego
𝐻0 : 𝛼𝑗 = 0
𝐻1 : 𝛼𝑗 ≠ 0
Statystyka testowa
𝑎𝑗
𝑧𝑗 =
෡ 𝑎𝑗
𝐷
Statystyka z przy prawdziwości hipotezy zerowej ma
asymptotyczny rozkład normalny standaryzowany.

Test ilorazu wiarygodności
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)

Dopasowanie modelu do danych empirycznych
• miara McFaddena
2 ln 𝐿
𝑅𝑀𝑐𝐹𝑎𝑑𝑑𝑒𝑛 =1−
ln 𝐿𝑟
przyjmuje wartość 0 jeśli 𝛼1 = 𝛼2 = ⋯ = 𝛼𝑘 = 0 oraz

wartość 1, w przypadku idealnego dopasowania modelu
do danych, gdy 𝑝Ƹ 𝑖 = 𝑦𝑖 dla każdego i =1, 2, ...,n

Dopasowanie modelu do danych empirycznych
• zgodności wartości teoretycznych otrzymanych z modelu
z wartościami empirycznymi zmiennej objaśnianej,
• na podstawie wartości zm. objaśniających wyznacza się
z modelu logitowego teoretyczne prawdopodobieństwa 𝑝Ƹ 𝑖 ,
• gdy 𝑝Ƹ 𝑖 są większe od 0,5 przyjmuje się teoretyczną
wartość zmiennej objaśnianej równą 1, a gdy są one
mniejsze lub równe 0,5 wartość równą 0,
• procent przypadków w których wartości teoretyczne są
równe empirycznym jest miarą poprawności klasyfikacji,
• dokładna informacja o poprawności klasyfikacji wymaga
podania procentu zgodności dla obydwu kategorii
zmiennej objaśnianej.
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
Modele z rozkładem opóźnień

W modelu z rozkładem opóźnień DL (Distributed Lags)
zmienna zależna Yt jest wyjaśniana przez wektor
zmiennych niezależnych Xt oraz przez jego opóźnienia Xt-1,
…, Xt-p.
Model DL z jedną zmienną niezależną
𝑌𝑡 = 𝛽 + 𝛼0 𝑋𝑡 + ⋯ 𝛼𝑝 𝑋𝑡−𝑝 + 𝜀𝑡
Parametry przy zmiennych objaśniających opisują reakcję
zmiennej Y w okresie t na zmiany zmiennej X z okresu
t, t–1, . . . , t–p. Przykładowo αp informuje o zmianie Y w
okresie t wywołanej zmianą X sprzed p okresów, przy
założeniu, że dla wszystkich pozostałych okresów X
pozostanie bez zmian.

Model DL dla konsumpcji
Model 1: 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 0,208195 0,0919341 2,2646 0,0283 **
ln_PL_GDP_1 0,372599 0,0893978 4,1679 0,0001 ***
ln_PL_GDP_2 0,393842 0,0946769 4,1599 0,0001 ***
Wsp. determ. R-kwadrat 0,999944 Skorygowany R-kwadrat 0,999942

F(3, 46) 274614,1 Wartość p dla testu F 8,29e-98
Autokorel.reszt - rho1 0,241455 Stat. Durbina-Watsona 1,515373

Mnożnik krótkookresowy (bezpośredni) jest reakcją Yt na
jednostkowy przyrost Xt. Zmiana dotyczy tego samego
okresu i wyraża ją parametr α0.
Mnożnik skumulowany jest reakcją Yt na jednostkowy
przyrost X w okresie bieżącym i Ƭ wcześniejszych okresach.
𝜏
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

Mnożnik krótkookresowy
𝑎0 = 0,21
Mnożnik skumulowany
𝑎𝜏=1 = 0,58 𝑎𝜏=2 = 0,97
Mnożnik długookresowy
𝑎 = 0,97
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
W modelu autoregresji pierwszego rzędu AR(1) bieżące

wartości zmiennej Y wyjaśniane są przez jej wartości w
okresie poprzednim i zakłócenia losowe z okresu t.
𝑌𝑡 = 𝛽0 + 𝛽1 𝑌𝑡−1 + 𝜀𝑡
Modele autoregresji
Model AR dla bezrobocia
Zmienna zależna (Y): Stopa bezrobocia (STB)
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
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 ***
z wartością p = P(F(1, 77) > 5,25147) = 0,0246623
Modele autoregresji
Model AR dla bezrobocia
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 **
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:
Model 3:
Modele autoregresyjne z rozkładem opóźnień

Modele autoregresyjny z rozkładem opóźnień (ADL)
stanowią połączenie modelu z rozkładem opóźnień z
modelem autoregresji
𝑌𝑡 = 𝛽0 + 𝛽1 𝑌𝑡−1 + ⋯ + 𝛽𝑚 𝑌𝑡−𝑚 + 𝛼0 𝑋𝑡 + ⋯ +𝛼𝑝 𝑋𝑡−𝑝 + 𝜀𝑡
Mnożnik krótkookresowy – tak jak w modelu DL jest nim

parametr α0.
𝛼0 + ⋯ + 𝛼𝑝
α=
1 − 𝛽1 − ⋯ − 𝛽𝑚
Opisuje wpływ trwałego przyrostu zmiennej X na zmienną Y
w stanie równowagi długookresowej.
Modele autoregresji
Model ADL dla konsumpcji
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
Autokorel. reszt - rho1 0,057836 Statystyka Durbina h 0,825285

Hipoteza zerowa: brak autokorelacji składnika losowego
z wartością p = P(F(1, 44) > 0,457681) = 0,502251
Modele autoregresyjne z rozkładem opóźnień

Model ADL dla konsumpcji
𝑎0 = 0,17
0,17 + 0,28 + 0,28
𝑎= = 0,97
1 − 0,25
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.
Modele Koycka
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
Modele Koycka
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
Modele Koycka
Model konsumpcji
Model: Estymacja KMNK, wykorzystane obserwacje 1995:2-2007:4 (N = 51)


ln_PL_GDP 0,369013 0,0905736 4,0742 0,0002 ***
ln_PL_FCE_1 0,621883 0,0936524 6,6403 <0,0001 ***

Autokorel.reszt - rho1 −0,216604 Statystyka Durbina h −2,080702
෣ 𝑡 = 0,369ln_GDP𝑡 + 0,622ln_FCE𝑡−1
ln_FCE
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 + ⋯
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 + ⋯
𝑎0 = 0,369
0,369
𝑎= = 0,976
1 − 0,622

Wykłady Ekonometria

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Wykłady Ekonometria

Uploaded by

Copyright:

Available Formats

EKONOMETRIA

dr hab. Arkadiusz Kijek, prof. UMCS

Konsultacje w semestrze zimowym 2020/2021

Cel i zadania ekonometrii

Model ekonometryczny a model ekonomiczny

Rodzaje zmiennych w modelu

Rodzaje zmiennych w modelu

Składnik losowy i jego własności

Składnik losowy i jego własności

Etapy budowy modelu ekonometrycznego

I. Określenie celu i zakresu badania.

Etapy budowy modelu ekonometrycznego

III. Zebranie i opracowanie danych statystycznych.

V. Weryfikacja modelu pod względem formalnym

Rodzaje danych statystycznych

II. Szeregi czasowe (yt, t = 1, 2, …, T),

III.Dane panelowe (yit, i = 1, 2, …, N; t = 1, 2, …, T),

Klasyfikacja modeli ekonometrycznych

Klasyfikacja modeli ekonometrycznych

Klasyfikacja modeli ekonometrycznych

IV. Ze względu na udział czynnika czasu:

Liniowy model ekonometryczny

Liniowy model ekonometryczny

Parametr 𝛼𝑗 informuje o wpływie jednostkowej zmiany

Estymacja parametrów modelu liniowego

Estymacja parametrów modelu liniowego

Estymacja parametrów modelu liniowego

Każda zaobserwowana wartość yt (t = 1, 2, …, n)

Estymacja parametrów modelu liniowego

Zmienne objaśniające nie są zmiennymi losowymi.

Estymacja parametrów modelu liniowego

Wartość oczekiwana wektora losowego ε jest

Estymacja parametrów modelu liniowego

Estymacja parametrów modelu liniowego

Dwie części założenia:

Założenie o jednorodności wariancji (homoskeda-

Estymacja parametrów modelu liniowego

Dwie części założenia:

Założenie o braku korelacji składników losowych

Estymacja parametrów modelu liniowego

Estymacja parametrów modelu liniowego

Założenia 1° – 6° są założeniami klasycznej

Estymacja parametrów modelu liniowego

Estymacja parametrów modelu liniowego

Estymacja parametrów modelu liniowego

𝑒𝑡 – reszta dla obserwacji t, różnica między wartością

Zapis macierzowy równania dla wektora wartości

Estymacja parametrów modelu liniowego

Estymacja parametrów modelu liniowego

Estymacja parametrów modelu liniowego

Po przekształceniach otrzymujemy układ równań,

Rozwiązując go względem a otrzymujemy wzór na

Estymacja parametrów modelu liniowego

Estymacja parametrów modelu liniowego

Zgodnie z twierdzeniem Gaussa-Markowa estymator

Estymacja parametrów modelu liniowego

Estymacja parametrów modelu liniowego

Estymacja parametrów modelu liniowego

d) Suma wartości empirycznych zmiennej objaśnianej

Estymacja parametrów modelu liniowego

e) Kowariancja z próby pomiędzy teoretycznymi

Estymacja parametrów modelu liniowego

Estymacja parametrów modelu liniowego