Modele wielorównaniowe (forma strukturalna)
|
|
- Aleksander Kurowski
- 5 lat temu
- Przeglądów:
Transkrypt
1 Modele wielorównaniowe (forma strukturalna) Formę strukturalna modelu o G równaniach AY t = BX t + u t, gdzie Y t = [y 1t,..., y Gt ] X t = [x 1t,..., x Kt ] u t = [u 1t,..., u Gt ] E (u t ) = 0 Var (u t ) = Σ E (u t u s ) = 0 dla t s Wykład z Ekonometrii, III rok, WNE UW 1
2 Y t wektorem zmiennych endogenicznych X t zakładamy jest wektorem zmiennych z góry ustalonych O macierzach A G G i B G K zakładamy, że maja pełen rzad W jednym równaniu może występować więcej niż jedna zmienna endogeniczna Przykład (popyt i podaż) Q D = α 0 + α 1 P + α 2 D + u 1 Q S = β 1 P + β 2 P M + u 2 Q D = Q S Wykład z Ekonometrii, III rok, WNE UW 2
3 Q D -popyt, Q S -podaż, P -cena, D dochody konsumentów, P M -ceny surowców. Endogeniczne Q D, Q S, P Wykład z Ekonometrii, III rok, WNE UW 3
4 Modele wielorównaniowe (forma zredukowana) Forma zredukowana modelu strukturalnego: Y t = A 1 BX t + A 1 u t Jeśli zdefiniujemy macierz Π = A 1 B i zaburzenie losowe ε t = A 1 u t, to Y t = ΠX t + ε t W jednym równaniu tylko jedna zmienna endogeniczna Wykład z Ekonometrii, III rok, WNE UW 4
5 Przykład (popyt i podaż) Q D = π 11 + π 12 D + π 13 P M + ε 1 = Q S P = π 21 + π 22 D + π 23 P M + ε 2 π sa funkcjami α i β π 11 = β 1α 0 β 1 α 1, π 12 = β 1α 2 β 1 α 1, π 13 = β 2α 1 β 1 α 1 π 21 = α 0 β 1 α 1, π 22 = α 2 β 1 α 1, π 23 = β 2 β 1 α 1 Wykład z Ekonometrii, III rok, WNE UW 5
6 ε sa kombinacjami u ε 1 = β 1 β 1 α 1 u 1 α 1 β 1 α 1 u 2 ε 2 = 1 β 1 α 1 u 1 1 β 1 α 1 u 2 Wykład z Ekonometrii, III rok, WNE UW 6
7 Identyfikacja Pomnóżmy model strukturalny lewostronnie przez F G G F AY t = F BX t + F u t Można go zapisać jako A Y t = B X t + u t Uzyskany w ten sposób model nie można na podstawie danych odróżnić od modelu pierwotnego! Wykład z Ekonometrii, III rok, WNE UW 7
8 Do identyfikacji konieczne ograniczenia nałożenie na A, B takich ograniczeń, że A, B spełniaja je jedynie dla F = I Warunek konieczny identyfikacji K G j + K j 1 gdzie K liczba zmiennych egzogenicznych, G j liczba zmiennych endogenicznych w j-tym równaniu, K j liczba zmiennych egzogenicznych w j-tym równaniu (wliczajac w to stała) Przykład (podaż i popyt) Q D = α 0 + α 1 P + ε 1 Q S = β 0 + β 1 P + ε 2 Q D = Q S Wykład z Ekonometrii, III rok, WNE UW 8
9 Sprawdźmy warunek konieczny: pierwsze równanie 1 < i 1 < Dla oryginalnego modelu: 3 = i 3 > (oba równania identyfikowalne, drugie przeidentyfikowane) Wykład z Ekonometrii, III rok, WNE UW 9
10 MNK i obciażenie Haavelmo W prostym modelem Keynsowskim C t = a + by t + ε t Y t = C t + I t C t to konsumpcja, Y t to GDP a I t to inwestycje. Drugie równanie w modelu jest tożsamościa - definiuje dochód narodowy jako sumę konsumpcji i inwestycji. Podstawiajac pierwsze równanie do drugiego otrzymujemy Y t = a + by t + ε t + I t Wykład z Ekonometrii, III rok, WNE UW 10
11 Rozwiazuj ac dla Y t otrzymujemy Y t = a 1 b b I t + ε t 1 b Załóżmy, że ε t i I t sa nieskorelowane, wtedy Cov (ε t, Y t ) = Cov = ( ε t, 1 1 b Var (ε t) 0 a 1 b b I t + ε ) t 1 b Problem równoczesności pojawia się równaniu konsumpcji: zmienna objaśniajaca Y t skorelowana z błędem losowym. Zachodzi następujace sprzężenie zwrotne: C t (konsumpcja) zależy od Y t (dochodu) ale jednocześnie dochód zależy od konsumpcji. Wykład z Ekonometrii, III rok, WNE UW 11
12 Wynik Przyczyna występowania równoczesności jest występowanie między zmienna objaśniana i zmiennymi objaśniajacymi sprzężenia zwrotnego. Wynik Z powodu występowania problemu równoczesności, M N K zastosowane do poszczególnych równań formy strukturalnej modelu wielorównaniowego o równaniach współzależnych daje estymator, który nie jest zgodny. Wykład z Ekonometrii, III rok, WNE UW 12
13 Pośrednia MNK Estymacja formy zredukowanej po prawej stronie jedynie zmienne egzogeniczne założony brak heteroskedastyczności i autokorelacji można stosować MNK do każdego z równań z osobna Elementy macierzy Π sa funkcjami elementów macierzy A i B, ponieważ Π = A 1 B Czy można znaleźć estymatory A i B z układu równań Π = Â 1 B? Dla modelu strukturalnego Wykład z Ekonometrii, III rok, WNE UW 13
14 nieidentyfikowalnego: nieskończenie wiele rozwiazań dokładnie zidentyfikowanego: jedno rozwiazanie przeidentyfikowanego: kilka sprzecznych rozwiazań Przykład (równie popytu i podaży) ) β 1 = bπ 11 bπ 21, β1 = bπ 12 bπ 22, β2 = π 23 ( β1 α 1 ) ) α 1 = bπ 13 bπ 23, α 2 = π 22 ( β1 α 1, α 0 = π 21 ( β1 α 1 Dwa alternatywne wzory dla β 1!!! Wykład z Ekonometrii, III rok, WNE UW 14
15 Dwustopniowa MNK (2MNK) Problem równoczesności Estymatorem zgodnym w tym przypadku M ZI. Zmienne instrumentalne: wszystkie zmienne egzogeniczne w modelu Warunek stosowalności M ZI w j-tym równaniu: co najmniej tyle instrumentów co zmiennych Równoważny warunkowi identyfikowalności!!! Dwa etapy estymacji w 2MNK: Wykład z Ekonometrii, III rok, WNE UW 15
16 1. Obliczmy wartości dopasowane zmiennych endogenicznych z regresji na zmiennych egzogenicznych (wartości dopasowane z formy zredukowanej) 2. Obliczamy M ZI estymatory parametrów dla poszczególnych równań formy strukturalnej (zmienne endogeniczne zastępujemy wyliczonymi w pierwszym kroku ich wartościami teoretycznymi) j-te równanie formy strukturalnej można zapisać jako y j = Z j β j + u j gdzie Z j jest wektorem zmiennych endo i egzogenicznych występujacych w tym równaniu Wykład z Ekonometrii, III rok, WNE UW 16
17 Cały model można zapisać teraz w następujacy sposób y 1 y 2. y G = Z Z Z G β 1 β 2. β G + u 1 u 2. u G Co można też zapisać jako y = Z β + u Dopasowane wartości Ẑ j uzyskane z regresji Z j na zmiennych egzogenicznych (wartości dopasowane zmiennych endogenicznych uzyskane z formy zredukowanej): Ẑ j = X Π j = X ( X X ) 1 X Z j = P X Z j. Wykład z Ekonometrii, III rok, WNE UW 17
18 Estymator 2MNK można zapisać jako: b 2MNK = (Ẑ Ẑ) 1 Ẑ y gdzie Z = Ẑ Ẑ G Estymatory uzyskane z 2M N K sa estymatorami nieefektywnymi, ponieważ w trakcie estymacji i-tego równania nie wykorzystuja informacji wynikajacych z ograniczeń nałożonych na j-te równanie. Estymatory 2M N K należa do kategorii estymatorów ograniczonej informacji (Limited information), ponieważ do ich oszacowania nie jest konieczna znajomość wszystkich równań w modelu Wykład z Ekonometrii, III rok, WNE UW 18
19 Trójstopniowa MNK (3MNK) Wiemy, że Var (u t ) = Σ a jej elementami sa wariancje i kowariancje błędów losowych dla poszczególnych równań w okresie t Macierz wariancji kowariancji błędów losowych dla równania i jest z okresów 1,..., T jest równa: Var (u i ) = σ ii I Macierz kowariancji między błędami losowymi z równań i i j Cov (u i, u i ) = σ ij I Wykład z Ekonometrii, III rok, WNE UW 19
20 u jest więc heteroskedastyczny i jego macierz wariancji kowariancji ma postać: Var (u) = σ 11I σ 1G I... = Σ σ G1 I σ GG I Dysponujac zgodnym estymatorem β możemy spróbować policzyć estymator Σ i Σ. Dla każdego z policzonych równań liczymy reszty z 2M N K i na ich podstawie liczymy Σ Σ ij = σ ij = ẽ iẽj T W trzecim kroku liczymy estymator 3M N K jako stosowalny estymator Wykład z Ekonometrii, III rok, WNE UW 20
21 UMNK: b 3MNK = (Ẑ Σ 1Ẑ) 1 Ẑ Σ 1 y gdzie Σ = σ 11 I σ G1 I... σ 1G I σ GG I 3M N K zaliczamy do metod pełnej informacji, ponieważ musimy znać pełen model, by go zastosować przy znajomości pełnego modelu Przykład Jednym z pierwszych wyestymowanych modeli wielorównaniowych był model gospodarki Stanów Zjednoczonych w latach stworzony przez Kleina. Składa się on z następujacych równań Wykład z Ekonometrii, III rok, WNE UW 21
22 C t = α 1 + α 2 P t + α 3 P t 1 + α 4 (W t + W t) + u 1t W t = γ 1 + γ 2 X t + γ 3 X t 1 + γ 4 t + u 3t I t = β 1 + β 2 P t + β 3 P t 1 + β 4 K t 1 + u 2t K t = I t + K t 1 X t = C t + I t + G t P t = X t W t T t konsumpcja płace w sektorze prywatnym inwestycje wielkość kapitału równanie dochodu narodowego zyski w sektorze prywatnym Zmiennymi endogenicznymi w tym modelu jest konsumpcja C t, płace w sektorze prywatnym W t, inwestycje I t, wielkość kapitału w gospodarce K t, produkt narodowy X t oraz zyski w sektorze prywatnym P t. Zmiennymi egzogenicznymi w tym modelu sa stała, trend liniowy t, wydatki rzadowe G t, płace w sektorze państwowym W t, podatki T t oraz zmienne opóźnione P t 1, K t 1, X t 1. Zauważmy, że model ten różni się klasycznego modelu IS/LM, ponieważ nie ma w nim zmiennych zwiazanych z sektorem pieniężnym takich jak ilość pieniadza, czy stopy procentowe. Wykład z Ekonometrii, III rok, WNE UW 22
23 Estymacja pojedynczego równania MZI Instrumental variables (2SLS) regression Source SS df MS Number of obs = F( 3, 17) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = c Coef. Std. Err. t P> t [95% Conf. Interval] p wp_plus_wg p L _cons Instrumented: p L.p wp_plus_wg Instruments: year g wg t L.p k1 L.x Test Sargana na prawidłowość przeidentyfikowujacych ograniczeń Wykład z Ekonometrii, III rok, WNE UW 23
24 Tests of overidentifying restrictions: Sargan N*R-sq test Chi-sq(4) P-value = Basmann test Chi-sq(4) P-value = Test Hausaman-Wu na endogeniczność zmiennych objaśniajacych Tests of endogeneity of: p L.p wp_plus_wg H0: Regressors are exogenous Wu-Hausman F test: F(3,14) P-value = Durbin-Wu-Hausman chi-sq test: Chi-sq(3) P-value = Coef. Std. Err. t P> t [95% Conf. Interval] c p L wp_plus_wg _cons wp x Wykład z Ekonometrii, III rok, WNE UW 24
25 L year _cons i p L k _cons Endogenous variables: c wp i wp_plus_wg x p Exogenous variables: L.p L.x year k1 g wg t Coef. Std. Err. z P> z [95% Conf. Interval] c p L wp_plus_wg _cons wp Wykład z Ekonometrii, III rok, WNE UW 25
26 x L year _cons i p L k _cons Endogenous variables: c wp i wp_plus_wg x p Exogenous variables: L.p L.x year k1 g wg t Wykład z Ekonometrii, III rok, WNE UW 26
Problem równoczesności w MNK
Problem równoczesności w MNK O problemie równoczesności mówimy, gdy występuje korelacja między wartościa oczekiwana ε i i równoczesnym x i Model liniowy y = Xβ + ε, E (u) = 0 Powiedzmy, że występuje w
Bardziej szczegółowoModele wielorownaniowe
Część 1. e e jednorównaniowe są znacznym uproszczeniem rzeczywistości gospodarczej e jednorównaniowe są znacznym uproszczeniem rzeczywistości gospodarczej e makroekonomiczne z reguły składają się z większej
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 12
Stanisław Cichocki Natalia Nehrebecka Wykład 12 1 1.Problemy z danymi Zmienne pominięte Zmienne nieistotne 2. Autokorelacja o Testowanie autokorelacji 1.Problemy z danymi Zmienne pominięte Zmienne nieistotne
Bardziej szczegółowoModele Wielorównaniowe
Rozdział 8 Modele Wielorównaniowe Modele wielorównaniowe o równaniach współzależnych (Simultaneus Equations Model) stosuje się do opisu zależności między zmiennymi, które wzajemnie i równocześnie wpływają
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 14
Stanisław Cichocki Natalia Nehrebecka Wykład 14 1 1.Problemy z danymi Współliniowość 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji Metody radzenia sobie z heteroskedastycznością
Bardziej szczegółowoAutokorelacja i heteroskedastyczność
Autokorelacja i heteroskedastyczność Założenie o braku autokorelacji Cov (ε i, ε j ) = E (ε i ε j ) = 0 dla i j Oczekiwana wielkość elementu losowego nie zależy od wielkości elementu losowego dla innych
Bardziej szczegółowoMetoda najmniejszych kwadratów
Własności algebraiczne Model liniowy Zapis modelu zarobki = β 0 + β 1 plec + β 2 wiek + ε Oszacowania wartości współczynników zarobki = b 0 + b 1 plec + b 2 wiek + e Model liniowy Tabela: Oszacowania współczynników
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Autokorelacja Konsekwencje Testowanie autokorelacji 2. Metody radzenia sobie z heteroskedastycznością i autokorelacją Uogólniona Metoda Najmniejszych
Bardziej szczegółowoCzasowy wymiar danych
Problem autokorelacji Model regresji dla szeregów czasowych Model regresji dla szeregów czasowych y t = X t β + ε t Zasadnicze różnice 1 Budowa prognoz 2 Problem stabilności parametrów 3 Problem autokorelacji
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natalia Nehrebecka Stanisław Cichocki Wykład 10 1 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoTestowanie hipotez statystycznych
Część 2 Hipoteza złożona Testowanie hipotez łącznych Zapis matematyczny Rozkład statystyki testowej Hipoteza łączna H 0 : Rβ = q Hipoteza złożona Testowanie hipotez łącznych Zapis matematyczny Rozkład
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 12
Stanisław Cichocki Natalia Nehrebecka Wykład 1 1 1. Testy diagnostyczne Testowanie stabilności parametrów modelu: test Chowa. Heteroskedastyczność Konsekwencje Testowanie heteroskedastyczności 1. Testy
Bardziej szczegółowoWprowadzenie Modele o opóźnieniach rozłożonych Modele autoregresyjne o opóźnieniach rozłożonych. Modele dynamiczne.
opisują kształtowanie się zjawiska w czasie opisują kształtowanie się zjawiska w czasie Najważniejszymi zastosowaniami modeli dynamicznych są opisują kształtowanie się zjawiska w czasie Najważniejszymi
Bardziej szczegółowoEkonometria dla IiE i MSEMat Z12
Ekonometria dla IiE i MSEMat Z12 Rafał Woźniak Faculty of Economic Sciences, University of Warsaw Warszawa, 09-01-2017 Test RESET Ramsey a W pierwszym etapie estymujemy współczynniki regresji w modelu:
Bardziej szczegółowoEkonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 0/0/0. Egzamin trwa 90 minut.. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu. Złamanie
Bardziej szczegółowoHeteroscedastyczność. Zjawisko heteroscedastyczności Uogólniona Metoda Najmniejszych Kwadratów Stosowalna Metoda Najmniejszych Kwadratów
Formy heteroscedastyczności Własności estymatorów MNK wydatki konsumpcyjne 0 10000 20000 30000 40000 14.4 31786.08 dochód rozporz¹dzalny Zródlo: Obliczenia wlasne, dane BBGD 2004 Formy heteroscedastyczności
Bardziej szczegółowoEkonometria Ćwiczenia 19/01/05
Oszacowano regresję stopy bezrobocia (unemp) na wzroście realnego PKB (pkb) i stopie inflacji (cpi) oraz na zmiennych zero-jedynkowych związanymi z kwartałami (season). Regresję przeprowadzono na danych
Bardziej szczegółowoEgzamin z ekonometrii - wersja ogólna
Egzamin z ekonometrii - wersja ogólna 06-02-2019 Regulamin egzaminu 1. Egzamin trwa 90 min. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoPrzyczynowość Kointegracja. Kointegracja. Kointegracja
korelacja a związek o charakterze przyczynowo-skutkowym korelacja a związek o charakterze przyczynowo-skutkowym Przyczynowość w sensie Grangera Zmienna x jest przyczyną w sensie Grangera zmiennej y jeżeli
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 9
Stanisław Cichocki Natalia Nehrebecka Wykład 9 1 1. Dodatkowe założenie KMRL 2. Testowanie hipotez prostych Rozkład estymatora b Testowanie hipotez prostych przy użyciu statystyki t 3. Przedziały ufności
Bardziej szczegółowo1 Modele ADL - interpretacja współczynników
1 Modele ADL - interpretacja współczynników ZADANIE 1.1 Dany jest proces DL następującej postaci: y t = µ + β 0 x t + β 1 x t 1 + ε t. 1. Wyjaśnić, jaka jest intepretacja współczynników β 0 i β 1. 2. Pokazać
Bardziej szczegółowoEkonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 02/02/2011 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoEkonometria egzamin 07/03/2018
imię, nazwisko, nr indeksu: Ekonometria egzamin 07/03/2018 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoEgzamin z Ekonometrii
Pytania teoretyczne Egzamin z Ekonometrii 18.06.2015 1. Opisać procedurę od ogólnego do szczegółowego na przykładzie doboru liczby opóźnień w modelu. 2. Na czym polega najważniejsza różnica między testowaniem
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 10
Stanisław Cichocki Natalia Nehrebecka Wykład 10 1 1. Testy diagnostyczne Testowanie prawidłowości formy funkcyjnej: test RESET Testowanie normalności składników losowych: test Jarque-Berra Testowanie stabilności
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wprowadzenie do danych panelowych a) Charakterystyka danych panelowych b) Zalety i ograniczenia 2. Modele ekonometryczne danych panelowych a) Model efektów nieobserwowalnych
Bardziej szczegółowoEkonometria egzamin wersja Informatyka i Ekonometria 26/06/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja Informatyka i Ekonometria 26/06/08 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz
Bardziej szczegółowoHeteroskedastyczość w szeregach czasowyh
Heteroskedastyczość w szeregach czasowyh Czesto zakłada się, że szeregi czasowe wykazuja autokorelację ae sa homoskedastyczne W rzeczywistości jednak często wariancja zmienia się w czasie Dobrym przykładem
Bardziej szczegółowoEgzamin z ekonometrii IiE
Pytania teoretyczne Egzamin z ekonometrii IiE 22.06.2012 1. Kiedy selekcja próby jest problemem i jaki model można stosować w przypadku samoselekcji próby? 2. Jakie są konieczne założenia, by estymator
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Testowanie autokorelacji 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji 3.Problemy z danymi Zmienne pominięte
Bardziej szczegółowoUogólniona Metoda Momentów
Uogólniona Metoda Momentów Momenty z próby daż a do momentów teoretycznych (Prawo Wielkich Liczb) plim 1 n y i = E (y) n i=1 Klasyczna Metoda Momentów (M M) polega na szacowaniu momentów teoretycznych
Bardziej szczegółowo1.9 Czasowy wymiar danych
1.9 Czasowy wymiar danych Do tej pory rozpatrywaliśmy jedynie modele tworzone na podstawie danych empirycznych pochodzących z prób przekrojowych. Teraz zajmiemy się zagadnieniem budowy modeli regresji,
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Egzamin z ekonometrii wersja IiE, MSEMAT 04-02-2016 Pytania teoretyczne 1. Za pomocą jakiego testu weryfikowana jest normalność składnika losowego? Jakiemu założeniu KMRL odpowiada w tym teście? Jakie
Bardziej szczegółowoNatalia Neherbecka. 11 czerwca 2010
Natalia Neherbecka 11 czerwca 2010 1 1. Konsekwencje heteroskedastyczności i autokorelacji 2. Uogólniona MNK 3. Stosowalna Uogólniona MNK 4. Odporne macierze wariancji i kowariancji b 2 1. Konsekwencje
Bardziej szczegółowoDiagnostyka w Pakiecie Stata
Karol Kuhl Zgodnie z twierdzeniem Gaussa-Markowa, estymator MNK w KMRL jest liniowym estymatorem efektywnym i nieobciążonym, co po angielsku opisuje się za pomocą wyrażenia BLUE Best Linear Unbiased Estimator.
Bardziej szczegółowoBudowa modelu i testowanie hipotez
Problemy metodologiczne Gdzie jest problem? Obciążenie Lovella Dysponujemy oszacowaniami parametrów następującego modelu y t = β 0 + β 1 x 1 +... + β k x k + ε t Gdzie jest problem? Obciążenie Lovella
Bardziej szczegółowo, a reszta dla pominiętej obserwacji wynosi 0, RSS jest stałe, T SS rośnie, więc zarówno R 2 jak i R2 rosną. R 2 = 1 n 1 n. rosnie. n 2 (1 R2 ) = 1 59
Zadanie 1. Ekonometryk szacując funkcję konsumpcji przeprowadził estymację osobno dla tzw. Polski A oraz Polski B. Dla Polski A posiadał n 1 = 40 obserwacji i uzyskał współczynnik dopasowania RA 2 = 0.4,
Bardziej szczegółowoTesty własności składnika losowego Testy formy funkcyjnej. Diagnostyka modelu. Część 2. Diagnostyka modelu
Część 2 Test Durbina-Watsona Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε t, ε t 1 ) 0 Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε
Bardziej szczegółowoEkonometria. Metodologia budowy modelu. Jerzy Mycielski. Luty, 2011 WNE, UW. Jerzy Mycielski (WNE, UW) Ekonometria Luty, / 18
Ekonometria Metodologia budowy modelu Jerzy Mycielski WNE, UW Luty, 2011 Jerzy Mycielski (WNE, UW) Ekonometria Luty, 2011 1 / 18 Sprawy organizacyjne Dyżur: środa godz. 14-15 w sali 302. Strona internetowa
Bardziej szczegółowoEkonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 01/02/2019 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Pytania teoretyczne Egzamin z ekonometrii wersja IiE, MSEMAT 08-02-2017 1. W jaki sposób przeprowadzamy test Chowa? 2. Pokazać, że jest nieobciążonym estymatorem. 3. Udowodnić, że w modelu ze stałą TSSESS+RSS.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 13
Stanisław Cichocki Natalia Nehrebecka Wykład 13 1 1. Problemy z danymi Obserwacje nietypowe i błędne Współliniowość. Heteroskedastycznośd i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 14
Stanisław Cichocki Natalia Nehrebecka Wykład 14 1 1.Problemy z danymi Zmienne pominięte Zmienne nieistotne Obserwacje nietypowe i błędne Współliniowość - Mamy 2 modele: y X u 1 1 (1) y X X 1 1 2 2 (2)
Bardziej szczegółowo1.5 Problemy ze zbiorem danych
1.5 Problemy ze zbiorem danych W praktyce ekonometrycznej bardzo rzadko spełnione są wszystkie założenia klasycznego modelu regresji liniowej. Częstym przypadkiem jest, że zbiór danych którymi dysponujemy
Bardziej szczegółowo1 Metoda Najmniejszych Kwadratów (MNK) 2 Interpretacja parametrów modelu. 3 Klasyczny Model Regresji Liniowej (KMRL)
1 Metoda Najmniejszych Kwadratów (MNK) 1. Co to jest zmienna endogeniczna, a co to zmienne egzogeniczna? 2. Podaj postać macierzy obserwacji dla modelu y t = a + bt + ε t 3. Co to jest wartość dopasowana,
Bardziej szczegółowoMikroekonometria 4. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 4 Mikołaj Czajkowski Wiktor Budziński Endogeniczność regresja liniowa W regresji liniowej estymujemy następujące równanie: i i i KMRL zakłada, że wszystkie zmienne objaśniające są egzogeniczne
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 5 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.hedonic.dta przygotuj model oszacowujący wartość kosztów zewnętrznych rolnictwa 1. Przeprowadź regresję objaśniającą
Bardziej szczegółowoEkonometria egzamin 31/01/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 31/01/2018 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoEkonometria egzamin 06/03/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
imię, nazwisko, nr indeksu: Ekonometria egzamin 06/03/2019 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowoWprowadzenie Testy własności składnika losowego. Diagnostyka modelu. Część 1. Diagnostyka modelu
Część 1 Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy małej próby Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy małej próby Testy
Bardziej szczegółowoDiagnostyka w Pakiecie Stata
Karol Kuhl Zgodnie z twierdzeniem Gaussa-Markowa, estymator MNK w KMRL jest liniowym estymatorem efektywnym i nieobciążonym, co po angielsku opisuje się za pomocą wyrażenia BLUE Best Linear Unbiased Estimator.
Bardziej szczegółowoMikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 13 Mikołaj Czajkowski Wiktor Budziński Endogeniczność regresja liniowa W regresji liniowej estymujemy następujące równanie: i i i Metoda Najmniejszych Kwadratów zakłada, że wszystkie zmienne
Bardziej szczegółowoEgzamin z ekonometrii wersja ogólna Pytania teoretyczne
Egzamin z ekonometrii wersja ogólna 08-02-2017 Pytania teoretyczne 1. Za pomocą którego testu testujemy stabilność parametrów? Jakiemu założeniu KMRL odpowiada H0 w tym teście? Jaka jest hipoteza alternatywna
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 10
Stanisław Cichoci Natalia Nehrebeca Wyład 10 1 1. Testowanie hipotez prostych Rozład estymatora b Testowanie hipotez prostych przy użyciu statystyi t Przedziały ufności Badamy czy hipotezy teoretyczne
Bardziej szczegółowoModele zapisane w przestrzeni stanów
Modele zapisane w przestrzeni stanów Modele Przestrzeni Stanów (State Space Models) sa to modele, w których część parametrów jest nieobserwowalna i losowa. Zachowanie wielowymiarowej zmiennej y t zależy
Bardziej szczegółowoModele wielorównaniowe. Estymacja parametrów
Modele wielorównaniowe. Estymacja parametrów Ekonometria Szeregów Czasowych SGH Estymacja 1 / 47 Plan wykªadu 1 Po±rednia MNK 2 Metoda zmiennych instrumentalnych 3 Podwójna MNK 4 Estymatory klasy k 5 MNW
Bardziej szczegółowoEkonometria egzamin wersja ogólna 17/06/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja ogólna 17/06/08 1. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca
Bardziej szczegółowoAnalizowane modele. Dwa modele: y = X 1 β 1 + u (1) y = X 1 β 1 + X 2 β 2 + ε (2) Będziemy analizować dwie sytuacje:
Analizowane modele Dwa modele: y = X 1 β 1 + u (1) Będziemy analizować dwie sytuacje: y = X 1 β 1 + X 2 β 2 + ε (2) zmienne pominięte: estymujemy model (1) a w rzeczywistości β 2 0 zmienne nieistotne:
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMat Pytania teoretyczne
Egzamin z ekonometrii wersja IiE, MSEMat 31-01-2014 Pytania teoretyczne 1. Podać postać przekształcenia Boxa-Coxa i wyjaśnić, do czego jest stosowane w ekonometrii. 2. Wyjaśnić, jakie korzyści i niebezpieczeństwa
Bardziej szczegółowoNatalia Nehrebecka. 18 maja 2010
Natalia Nehrebecka 18 maja 2010 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów 5. Testowanie
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 10
Natalia Nehrebecka Stanisław Cichocki Wykład 10 1 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoDefinicja danych panelowych Typy danych panelowych Modele dla danych panelowych. Dane panelowe. Część 1. Dane panelowe
Część 1 to dane, które jednocześnie posiadają cechy danych przekrojowych i szeregów czasowych to dane, które jednocześnie posiadają cechy danych przekrojowych i szeregów czasowych Czyli obserwujemy te
Bardziej szczegółowoEkonometria egzamin wersja Informatyka i Ekonometria 29/01/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja Informatyka i Ekonometria 29/0/08. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz
Bardziej szczegółowoZmienne sztuczne i jakościowe
Zmienne o ograniczonym zbiorze wartości Przykład 1. zarobki = β 0 + β 1 liczba godzin pracy + β 2 wykształcenie + ε Przykład 2. zarobki = β 0 + β 1 liczba godzin pracy + β 2 klm + ε zarobki = β 0 + β 1
Bardziej szczegółowoEkonometria. Modele wielorównaniowe. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Modele wielorównaniowe Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 11 Modele wielorównaniowe 1 / 35 Outline 1 Wprowadzenie do modeli wielorównaniowych 2 Modele równań
Bardziej szczegółowo1.7 Ograniczenia nakładane na równanie regresji
1.7 Ograniczenia nakładane na równanie regresji Często teoria ekonomiczna wskazuje dobór zmiennych do modelu. Jednak nie w każdym przypadku oceny wartości parametrów są statystycznie istotne. Zastanowimy
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 8
Stanisław Cichocki Natalia Nehrebecka Zajęcia 8 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoEgzamin z ekonometrii wersja IiE, MSEMAT
Egzamin z ekonometrii wersja IiE, MSEMAT 02022015 Pytania teoretyczne 1. Podać treść twierdzenia GaussaMarkowa i wyjaśnić jego znaczenie. 2. Za pomocą jakich testów testuje się autokorelację? Jakiemu założeniu
Bardziej szczegółowoEkonometria dla IiE i MSEMat Z7
Ekonometria dla IiE i MSEMat Z7 Rafał Woźniak Faculty of Economic Sciences, University of Warsaw Warszawa, 21-11-2016 Na podstawie zbioru danych cps_small.dat z książki Principles of Econometrics oszacowany
Bardziej szczegółowoEgzamin z ekonometrii wersja ogolna
Egzamin z ekonometrii wersja ogolna 04-02-2016 Pytania teoretyczne 1. Wymienić założenia Klasycznego Modelu Regresji Liniowej (KMRL). 2. Wyprowadzić estymator MNK dla modelu z wieloma zmiennymi objaśniającymi.
Bardziej szczegółowoNatalia Nehrebecka Stanisław Cichocki. Wykład 6
Natalia Nehrebecka Stanisław Cichocki Wykład 6 1 1. Zmienne dyskretne Zmienne zero-jedynkowe 2. Modele z interakcjami 2 Zmienne dyskretne Zmienne nominalne Zmienne uporządkowane 3 4 1 podstawowe i 0 podstawowe
Bardziej szczegółowoEgzamin z ekonometrii wersja ogólna Pytania teoretyczne
Egzamin z ekonometrii wersja ogólna 31-01-2014 Pytania teoretyczne 1. Podać postać przekształcenia Boxa-Coxa i wyjaśnić, do czego jest stosowane w ekonometrii. 2. Porównaj zastosowania znanych ci kontrastów
Bardziej szczegółowoEkonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda
Bardziej szczegółowoO sezonowości mówimy wtedy, gdy zmienna zmienia się w pewnym cyklu zwykle zwiazanym z cyklem rocznym
Sezonowość O sezonowości mówimy wtedy, gdy zmienna zmienia się w pewnym cyklu zwykle zwiazanym z cyklem rocznym Na przykład zmienne kwartalne charakteryzuja się zwykle sezonowościa kwartalna a zmienne
Bardziej szczegółowoEgzamin z ekonometrii
Pytania teoretyczne Egzamin z ekonometrii 22.06.2012 1. Podaj ogólną postać modeli DL i ADL 2. Wyjaśnij jak należy rozumieć przyczynowość w sensie Grangera i jak jest testowana. 3. Jakie są wady liniowego
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 2 3 1. Wprowadzenie do danych panelowych a) Charakterystyka danych panelowych b) Zalety i ograniczenia 2. Modele ekonometryczne danych panelowych a) Model efektów
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 1
Stanisław Cichocki Natalia Nehrebecka Wykład 1 1 1. Sprawy organizacyjne Zasady zaliczenia Ćwiczenia Literatura 2. Obciążenie Lovella 3. Metoda od ogólnego do szczególnego 4. Kryteria informacyjne 2 1.
Bardziej szczegółowo1.1 Klasyczny Model Regresji Liniowej
1.1 Klasyczny Model Regresji Liniowej Klasyczny model Regresji Liniowej jest bardzo użytecznym narzędziem służącym do analizy danych empirycznych. Analiza regresji zajmuje się opisem zależności między
Bardziej szczegółowoEkonometria. Wprowadzenie do modelowania ekonometrycznego Estymator KMNK. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Wprowadzenie do modelowania ekonometrycznego Estymator Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 1 Estymator 1 / 16 Agenda 1 Literatura Zaliczenie przedmiotu 2 Model
Bardziej szczegółowoEkonometria egzamin wersja ogólna 29/01/08
imię, nazwisko, nr indeksu: Ekonometria egzamin wersja ogólna 29/0/08. Egzamin trwa 90 minut. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca
Bardziej szczegółowoStopę zbieżności ciagu zmiennych losowych a n, takiego, że E (a n ) < oznaczamy jako a n = o p (1) prawdopodobieństwa szybciej niż n α.
Stopy zbieżności Stopę zbieżności ciagu zmiennych losowych a n, takiego, że a n oznaczamy jako a n = o p (1 p 0 a Jeśli n p n α 0, to a n = o p (n α i mówimy a n zbiega według prawdopodobieństwa szybciej
Bardziej szczegółowoMetody Ekonometryczne
Metody Ekonometryczne Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Metody Ekonometyczne Wykład 4 Uogólniona Metoda Najmniejszych Kwadratów (GLS) 1 / 19 Outline 1 2 3 Jakub Mućk Metody Ekonometyczne
Bardziej szczegółowo1.8 Diagnostyka modelu
1.8 Diagnostyka modelu Dotychczas zajmowaliśmy się własnościami estymatorów przy spełnionych założeniach KMRL. W praktyce nie zawsze spełnione są wszystkie założenia modelu. Jeżeli któreś z nich nie jest
Bardziej szczegółowoMikroekonometria 2. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 2 Mikołaj Czajkowski Wiktor Budziński STATA wczytywanie danych 1. Import danych do Staty Copy-paste z Excela do edytora danych Import z różnych formatów (File -> Import -> ) me.sleep.txt,
Bardziej szczegółowo1. Pokaż, że estymator MNW parametru β ma postać β = nieobciążony. Znajdź estymator parametru σ 2.
Zadanie 1 Niech y t ma rozkład logarytmiczno normalny o funkcji gęstości postaci [ ] 1 f (y t ) = y exp (ln y t β ln x t ) 2 t 2πσ 2 2σ 2 Zakładamy, że x t jest nielosowe a y t są nieskorelowane w czasie.
Bardziej szczegółowoK wartość kapitału zaangażowanego w proces produkcji, w tys. jp.
Sprawdzian 2. Zadanie 1. Za pomocą KMNK oszacowano następującą funkcję produkcji: Gdzie: P wartość produkcji, w tys. jp (jednostek pieniężnych) K wartość kapitału zaangażowanego w proces produkcji, w tys.
Bardziej szczegółowoModele warunkowej heteroscedastyczności
Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Racjonalne oczekiwania inwestorów P t = E(P t+1 I t ) 1 + R (1) Teoria Przykład - zwroty
Bardziej szczegółowoMetody Ekonometryczne Modele wielorównaniowe
Metody Ekonometryczne Modele wielorównaniowe Jakub Mućk Szkoła Główna Handlowa w Warszawie Jakub Mućk Metody Ekonometryczne Modele wielorównaniowe 1 / 47 Wprowadzenie Jakub Mućk Metody Ekonometryczne Modele
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów 5. Testowanie
Bardziej szczegółowoEKONOMETRIA prowadzący: Piotr Piwowarski
EKONOMETRIA prowadzący: Piotr Piwowarski Termin konsultacji: poniedziałek 13:15 14:45 wtorek 13:15 14:45 pokój 1101/1102 jedenaste piętro e-mail: piotr.piwowarski@poczta.umcs.lublin.pl strona internetowa:
Bardziej szczegółowoJEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY
JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY Będziemy zapisywać wektory w postaci (,, ) albo traktując go jak macierz jednokolumnową (dzięki temu nie będzie kontrowersji przy transponowaniu wektora ) Model
Bardziej szczegółowoZawansowane modele wyborów dyskretnych
Zawansowane modele wyborów dyskretnych Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Zawansowane modele wyborów dyskretnych grudzien 2013 1 / 16 Model efektów
Bardziej szczegółowoMikroekonometria 3. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 3 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.hedonic.dta przygotuj model oszacowujący wartość kosztów zewnętrznych rolnictwa 1. Przeprowadź regresję objaśniającą
Bardziej szczegółowoDr Łukasz Goczek. Uniwersytet Warszawski
Dr Łukasz Goczek Uniwersytet Warszawski Wykłady do końca: Niezależność polityki pieniężnej w długim okresie 2 wykłady Wzrost długookresowy w gospodarce otwartej 2 wykłady Egzamin 12.06.2013, godz. 17 sala
Bardziej szczegółowoKalibracja. W obu przypadkach jeśli mamy dane, to możemy znaleźć równowagę: Konwesatorium z Ekonometrii, IV rok, WNE UW 1
Kalibracja Kalibracja - nazwa pochodzi z nauk ścisłych - kalibrowanie instrumentu oznacza wyznaczanie jego skali (np. kalibrowanie termometru polega na wyznaczeniu 0C i 100C tak by oznaczały punkt zamarzania
Bardziej szczegółowoAnaliza Szeregów Czasowych. Egzamin
Analiza Szeregów Czasowych Egzamin 12-06-2018 Zadanie 1: Zadanie 2: Zadanie 3: Zadanie 4: / 12 pkt. / 12 pkt. / 12 pkt. / 14 pkt. Projekt zaliczeniowy: Razem: / 100 pkt. / 50 pkt. Regulamin egzaminu 1.
Bardziej szczegółowoZmienne Binarne w Pakiecie Stata
Karol Kuhl Zbiór (hipotetyczny) dummy.dta zawiera dane, na podstawie których prowadzono analizy opisane poniżej. Nazwy zmiennych oznaczają: doch dochód w jednostkach pieniężnych; plec płeć: kobieta (0),
Bardziej szczegółowo2.2 Autokorelacja Wprowadzenie
2.2 Autokorelacja 2.2.1 Wprowadzenie Przy wyprowadzaniu estymatorów Klasycznego Modelu Regresji Liniowej (KMRL) zakładaliśmy, że są spełnione założenia Gaussa-Markowa, tzn. składniki losowe są homoscedastyczne
Bardziej szczegółowo