Ekonometria - ćwiczenia 1



Podobne dokumenty
Ekonometria. Wprowadzenie do modelowania ekonometrycznego Estymator KMNK. Jakub Mućk. Katedra Ekonomii Ilościowej

Liniowy model ekonometryczny Metoda najmniejszych kwadratów Laboratorium 1.

Ekonometria. Ćwiczenia nr 3. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria. Weryfikacja liniowego modelu jednorównaniowego. Jakub Mućk. Katedra Ekonomii Ilościowej

K wartość kapitału zaangażowanego w proces produkcji, w tys. jp.

EKONOMETRIA. Prof. dr hab. Eugeniusz Gatnar.

Ekonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota

Ekonometria. Własności składnika losowego. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej

przedmiotu Nazwa Pierwsza studia drugiego stopnia

1. Ekonometria jako dyscyplina naukowa (przedmiot, metodologia, teorie ekonomiczne). Model ekonometryczny, postać modelu, struktura, klasyfikacja.

Statystyka opisowa. Wykład V. Regresja liniowa wieloraka

Wiadomości ogólne o ekonometrii

EKONOMETRIA PRZESTRZENNA

Stanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada

Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.

Stanisław Cichocki. Natalia Neherbecka. Zajęcia 13

parametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających,

Metody Ekonometryczne

Własności statystyczne regresji liniowej. Wykład 4

Ekonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 9 marca 2007

Narzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski

Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów

Testowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego

Etapy modelowania ekonometrycznego

Stanisław Cichocki. Natalia Nehrebecka. Wykład 9

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl

Stanisław Cichocki. Natalia Nehrebecka

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 8

Stanisław Cichocki. Natalia Nehrebecka

Ekonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 23 marca 2006

KARTA PRZEDMIOTU. 12. PRZEDMIOTOWE EFEKTY KSZTAŁCENIA Odniesienie do kierunkowych efektów kształcenia (symbol)

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

Egzamin z ekonometrii - wersja ogólna

Metoda najmniejszych kwadratów

Modele wielorownaniowe

Wprowadzenie do analizy korelacji i regresji

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 11-12

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16

Metody Ekonometryczne

Spis treści 3 SPIS TREŚCI

1.1 Klasyczny Model Regresji Liniowej

Metoda najmniejszych kwadratów

Stanisław Cichocki Natalia Nehrebecka. Wykład 1

Zadanie 1. a) Przeprowadzono test RESET. Czy model ma poprawną formę funkcyjną? 1

Stanisław Cichocki. Natalia Nehrebecka

Stanisław Cihcocki. Natalia Nehrebecka

Metody Ilościowe w Socjologii

Ćwiczenia IV

Testowanie hipotez statystycznych

Testowanie hipotez statystycznych

Stanisław Cichocki Natalia Nehrebecka. Wykład 1

Statystyka matematyczna i ekonometria

Proces modelowania zjawiska handlu zagranicznego towarami

Niestacjonarne zmienne czasowe własności i testowanie

Na podstawie danych dotyczacych rocznych wydatków na pizze oszacowano parametry poniższego modelu:

Metody Ekonometryczne

Rozdział 1. Modelowanie ekonometryczne

Ekonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Stanisław Cichocki. Natalia Nehrebecka. Wykład 13

Wykład 4 Wybór najlepszej procedury. Estymacja parametrów re

JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY

Egzamin z ekonometrii wersja IiE, MSEMAT

Natalia Neherbecka. 11 czerwca 2010

Testowanie hipotez statystycznych

Statystyka i Analiza Danych

Ekonometria dla III roku studiów licencjackich dr Stanisław Cichocki dr Natalia Nehrebecka

Stanisław Cichocki Natalia Neherbecka

Regresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych (X1, X2, X3,...) na zmienną zależną (Y).

METODY STATYSTYCZNE W BIOLOGII

TEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.

Statystyka SYLABUS A. Informacje ogólne

Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski

Prognozowanie na podstawie modelu ekonometrycznego

Ekonometria. Zajęcia

Uniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2010/2011

Imię, nazwisko i tytuł/stopień KOORDYNATORA przedmiotu zatwierdzającego protokoły w systemie USOS Jacek Marcinkiewicz, dr

Wprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe

Ekonometria. Modele wielorównaniowe. Jakub Mućk. Katedra Ekonomii Ilościowej

3. Modele tendencji czasowej w prognozowaniu

EKONOMETRIA prowadzący: Piotr Piwowarski

Stanisław Cichocki. Natalia Nehrebecka. Wykład 12

Krakowska Akademia im. Andrzeja Frycza Modrzewskiego. Karta przedmiotu. obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 2014/2015

MODELE LINIOWE. Dr Wioleta Drobik

Zależność. przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna),

Stanisław Cichocki. Natalia Nehrebecka

Ekonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Mikroekonometria 3. Mikołaj Czajkowski Wiktor Budziński

Analiza współzależności zjawisk

REGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ. Analiza regresji i korelacji

Analiza regresji - weryfikacja założeń

Ekonometria_FIRJK Arkusz1

ESTYMACJA BŁĘDU PREDYKCJI I JEJ ZASTOSOWANIA

EKONOMETRIA STOSOWANA PRZYKŁADOWE ZADANIA EGZAMINACYJNE

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2

Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna

Mikroekonometria 2. Mikołaj Czajkowski Wiktor Budziński

Wielowymiarowa analiza regresji. Regresja wieloraka, wielokrotna

Mikroekonometria 4. Mikołaj Czajkowski Wiktor Budziński

Transkrypt:

Ekonometria - ćwiczenia 1 Mateusz Myśliwski Zakład Ekonometrii Stosowanej Instytut Ekonometrii Kolegium Analiz Ekonomicznych Szkoła Główna Handlowa 5 października 2012

1 Sprawy organizacyjne 2 Czym jest ekonometria? Dane ekonomiczne 3 - definicja Klasyfikacja modeli ekonometrycznych Jednorównaniowy liniowy model ekonometryczny Zapis modelu w postaci macierzowej 4 Estymator KMNK Założenia i własności Estymator wariancji składnika losowego Testy istotności zmiennych

Ćwiczenia: grupa 211+213 piątek, 8.00-10.35, sala 108G grupa 212+214 piątek, 10.45-13.20, sala 108G Informacje o zaliczeniu przedmiotu oraz polecanej literaturze w sylabusie, oraz na stronie http://akson.sgh.waw.pl/~mm43624 Konsultacje: środy, g. 19.00, sala 217M (inny termin po kontakcie mailowym) Kontakt: mateusz.mysliwski@gmail.com

Czym jest ekonometria? Dane ekonomiczne Ekonometria wykorzystuje metody statystyczne do szacowania siły zależności ekonomicznych, testowania teorii ekonomicznych oraz do oceny efektywności polityk publicznych i skutków zmian regulacji, na podstawie zgromadzonych danych. Najbardziej intuicyjnym i prawdopodobnie najczęściej używanym zastosowaniem ekonometrii jest prognozowanie wielkości makroekonomicznych, jednak zakres stosowalności omawianych m.in. podczas tego kursu metod jest znacznie szerszy i obejmuje chociażby ekonomię pracy edukacji, zdrowia, czy ekonomię polityczną.

Ekonometria a data mining Czym jest ekonometria? Dane ekonomiczne W odróżnieniu od ekonometrii, gdzie budowa modelu prowadzącego do odkrycia pewnych zależności jest poprzedzona obserwacją rzeczywistości i studiowaniem teorii ekonomicznej, data mining skupia się wyłącznie na mechanicznym wyszukiwaniu wzorców i podobieństw w dużych zbiorach danych. Obserwacja rzeczywistości Ekonometria Data mining Dane Dane Teoria ekonomiczna Teoria ekonomiczna Wnioski Hipotezy badawcze Hipotezy badawcze Modelowanie ekonometryczne Wnioski

Czym jest ekonometria? Dane ekonomiczne Podstawowa cecha odróżniająca dane ekonomiczne od danych wykorzystywanych np. w naukach przyrodniczych - dane ekonomiczne nie pochodzą z eksperymentu. Dane nieeksperymentalne bywają nazywane obserwacyjnymi, lub historycznymi (retrospektywnymi). Dane można podzielić według kilku kryteriów, m.in. 1 Ze względu na stopień agregacji: mikrodane - dane o pojedynczych jednostkach, podejmujących decyzje ekonomiczne np. firma, gospodarstwo domowe, makrodane - dane otrzymane w wyniku agregacji danych indywidualnych na poziomie regionu, kraju. 2 Moment pomiaru: zasób - wartość zmiennej mierzona jest w określonym punkcie czasu (np. liczba ludności), strumień - wartość zmiennej mierzona w pewnym przedziale czasu (np. PKB). 3 Możliwość pomiaru ilościowe - wartości zmiennych są wyrażone w jednostkach mierzalnych, jakościowe - zmienne przyjmują wartości niemierzalne.

Czym jest ekonometria? Dane ekonomiczne W praktyce najczęściej wykorzystywany jest następujący podział danych: 1 Dane przekrojowe - wyrażają stan zjawiska w ustalonym momencie czasu w odniesieniu do różnych obiektów np. PKB per capita w krajach UE w roku 2010. 2 Szereg czasowy - dane przedstawiające zmienność badanego zjawiska w kolejnych jednostkach czasu np. PKB per capita w Polsce w latach 1990-2010. 3 Dane panelowe - złożenie szeregu czasowego i danych przekrojowych np. PKB per capita w krajach UE w latach 1990-2010.

Przykład - dane przekrojowe Czym jest ekonometria? Dane ekonomiczne Źródło: Wooldridge J. (2009): Introductory Econometrics. A Modern Approach, 4e, South-Western CENAGE Learning.

Przykład - szereg czasowy Czym jest ekonometria? Dane ekonomiczne Źródło: Wooldridge J. (2009): Introductory Econometrics. A Modern Approach, 4e, South-Western CENAGE Learning.

Przykład - dane panelowe Czym jest ekonometria? Dane ekonomiczne Źródło: Wooldridge J. (2009): Introductory Econometrics. A Modern Approach, 4e, South-Western CENAGE Learning.

- definicja Klasyfikacja modeli ekonometrycznych Jednorównaniowy liniowy model ekonometryczny Zapis modelu w postaci macierzowej to formalny opis stochastycznej zależności wyróżnionej wielkości, zjawiska lub przebiegu procesu ekonomicznego (zjawisk, procesów) od czynników, które je kształtują, wyrażony w formie równania lub układu równań. y i = f (x 1i, x 2i,..., x ki ) +ε i } {{ } Model ekonomiczny ε i jest nazywany składnikiem lub zaburzeniem losowym. Można go postrzegać jako wszystkie pozostałe czynniki, mające potencjalnie wpływ na kształtowanie się zmiennej y.

Przykład - przestępczość - Becker (1968) - definicja Klasyfikacja modeli ekonometrycznych Jednorównaniowy liniowy model ekonometryczny Zapis modelu w postaci macierzowej W bardzo znanym artykule, Gary Becker zaproponował teorię, zgodnie z którą decyzja o podjęciu działalności przestępczej jednostki wynika z zasady maksymalizacji indywidualnej użyteczności. Bardzo ogólnie, ten model ekonomiczny można zapisać jako: y = f (x 1, x 2, x 3, x 4, x 5, x 6, x 7 ), gdzie: y - liczba godzin poświęcanych na działalność przestępczą, x 1 - wynagrodzenie za godzinę gangsterki, x 2 - wynagrodzenie za godzinę legalnego zatrudnienia, x 3 - pozostały dochód, x 4 - prawdopodobieństwo zostania złapanym, x 5 - prawdopodobieństwo zostania skazanym w przypadku złapania, x 6 - oczekiwana długość wyroku, x 7 - wiek.

- definicja Klasyfikacja modeli ekonometrycznych Jednorównaniowy liniowy model ekonometryczny Zapis modelu w postaci macierzowej Przykład - przestępczość - Becker (1968) - c.d. y = f (x 1, x 2, x 3, x 4, x 5, x 6, x 7 ), Przejście od powyższego modelu ekonomicznego do modelu ekonometrycznego wymaga kilku zabiegów: 1 Określenia lub przyjęcia założeń co do formy funkcyjnej f ( ). 2 Skonfrontowania założeń modelu ekonomicznego z dostępnością danych i obserwowalnością niektórych zmiennych.

- definicja Klasyfikacja modeli ekonometrycznych Jednorównaniowy liniowy model ekonometryczny Zapis modelu w postaci macierzowej Klasyfikacja modeli ekonometrycznych: 1 Liczba równań w modelu modele jednorównaniowe modele wielorównaniowe 2 Postać analityczna zależności funkcyjnych modelu modele liniowe modele nieliniowe 3 Rola czynnika czasu w równaniach modelu modele statyczne modele dynamiczne 4 Charakter powiązań między nieopóźnionymi zmiennymi endogenicznymi w modelu wielorównaniowym modele proste modele rekurencyjne modele o równaniach współzależnych

Podstawy Sprawy organizacyjne - definicja Klasyfikacja modeli ekonometrycznych Jednorównaniowy liniowy model ekonometryczny Zapis modelu w postaci macierzowej Model regresji prostej: Model regresji wielorakiej: y i = β 0 + β 1 x 1i + ε i, i = 1, 2,..., n (1) y i = β 0 + β 1 x 1i + β 2 x 2i +... + β k x ki + ε i, i = 1, 2,..., n (2) y - zmienna objaśniana (zależna, regresant), x 1, x 2,..., x k - zmienne objaśniające (niezależne, regresory), β 0, β 1,..., β k - parametry strukturalne modelu, ε - składnik losowy.

Przykład powraca - definicja Klasyfikacja modeli ekonometrycznych Jednorównaniowy liniowy model ekonometryczny Zapis modelu w postaci macierzowej Wróćmy do przykładu z przestępczością: y = f (x 1, x 2, x 3, x 4, x 5, x 6, x 7 ), gdzie: y - liczba godzin poświęcanych na działalność przestępczą, x 1 - wynagrodzenie za godzinę gangsterki, x 2 - wynagrodzenie za godzinę legalnego zatrudnienia, x 3 - pozostały dochód, x 4 - prawdopodobieństwo zostania złapanym, x 5 - prawdopodobieństwo zostania skazanym w przypadku złapania, x 6 - oczekiwana długość wyroku, x 7 - wiek. Zakładając, że f ( ) jest funkcją liniową, oraz że mamy informacje o wszystkich charakterystykach, model ekonometryczny przestępczości można zapisać jako: przest i = β 0 +β 1 haracz i +β 2 legalne i +β 3 dochod i +β 4 p zlap i +β 5 p skaz i +β 6 wyrok i +β 7 wiek i +ε i

- definicja Klasyfikacja modeli ekonometrycznych Jednorównaniowy liniowy model ekonometryczny Zapis modelu w postaci macierzowej Zapis modelu w postaci macierzowej: y = Xβ + ε (3) y - wektor obserwacji zmiennej objaśnianej, o wymiarach n 1, x - macierz zaobserwowanych wartości zmiennych objaśniających, o wymiarach n (k + 1), β - wektor parametrów strukturalnych modelu, o wymiarach (k + 1) 1, ε - wektor składników losowych, o wymiarach n 1.

- definicja Klasyfikacja modeli ekonometrycznych Jednorównaniowy liniowy model ekonometryczny Zapis modelu w postaci macierzowej y = y 1 y 2. y n (n 1) β = 1 x 11 x 12... x 1k 1 x 21 x 22... x X = 2k.... 1 x n1 x n2... x nk β 0 β 1. β k (k 1) ε = ε 1 ε 2. ε n (n 1) (n (k+1))

Estymator KMNK Założenia i własności Estymator wariancji składnika losowego Testy istotności zmiennych Metoda najmniejszych kwadratów (ang. ordinary least squares OLS) jest najprostszym i najpopularniejszym sposobem szacowania parametrów strukturalnych liniowego modelu ekonometrycznego, która przy spełnieniu pewnych założeń, daje wyniki dobrej jakości. Model regresji w postaci macierzowej: Wartości teoretyczne: y = Xβ + ε (4) ŷ = X ˆβ (5) ŷ - wektor wartości teoretycznych zmiennej objaśnianej, ˆβ - wektor ocen (oszacowań) parametrów. Reszty z modelu: e = y ŷ = y X ˆβ (6) MNK polega na znalezieniu wektora parametrów strukturalnych, minimalizującego sumę kwadratów reszt: ˆβ = argmin e T e (7)

Estymator KMNK Założenia i własności Estymator wariancji składnika losowego Testy istotności zmiennych Najważniejszy wzór na tym przedmiocie ˆβ = (X T X) 1 X T y

Estymator KMNK Założenia i własności Estymator wariancji składnika losowego Testy istotności zmiennych Twierdzenie Gaussa-Markowa Jeżeli spełnione są poniższe założenia: Elementy macierzy X są nielosowe, nieskorelowane ze składnikiem losowym (ε), inaczej E(X T ε) = 0 Macierz zmiennych objaśniających X ma pełny rząd kolumnowy - rz(x) = k + 1 n Wartość oczekiwana składnika losowego wynosi zero - E(ε) = 0 Składnik losowy jest sferyczny - D 2 (ε) = σ 2 I Składnik losowy ma rozkład normlany - ε N(0, σ 2 ), to estymator KMNK jest BLUE (Best Linear Unbiased Estimator), tj. liniowym, nieobciążonym estymatorem o najmniejszej wariancji w swojej klasie.

Własności estymatorów Estymator KMNK Założenia i własności Estymator wariancji składnika losowego Testy istotności zmiennych 1 Nieobciążenie wartość oczekiwana estymatora jest równa prawdziwej wartości parametru w populacji, tj. E( ˆβ) = β. 2 Efektywność najmniejsza wariancja w danej klasie estymatorów (np. w klasie estymatorów liniowych i nieobciążonych). 3 Zgodność stochastyczna zbieżność do prawdziwej wartości, gdy n, tj. lim n P( ˆβ n β < δ) = 1 δ > 0. Dodatkowo estymator jest liniowy, jeśli każda składowa wektora β jest liniową funkcją składowych wektora zmiennej losowej y.

Estymator KMNK Założenia i własności Estymator wariancji składnika losowego Testy istotności zmiennych Macierz kowariancji: Estymator wariancji składnika losowego: D 2 ( ˆβ) = σ 2 (X T X) 1 (8) S 2 = e T e n (k + 1) = (y X ˆβ) T )(y X ˆβ) = yt y ˆβ T X T y n (k + 1) n (k + 1) (9) Estymator macierzy kowariancji: ˆD 2 ( ˆβ) = S 2 (X T X) 1 (10)

Estymator KMNK Założenia i własności Estymator wariancji składnika losowego Testy istotności zmiennych Średni błąd szacunku: S j = d jj, j = 0, 1,..., k (11) Średni względny błąd szacunku: S w j = S j ˆβ 100, j = 0, 1,..., k (12) j

Estymator KMNK Założenia i własności Estymator wariancji składnika losowego Testy istotności zmiennych Test istotności t-studenta Hipotezy Statystyka testowa Obszar odrzucenia hipotezy zerowej H 0 : β j = 0 H 1 : β j 0 (13) t = ˆβ j S j t n (k+1) (14) (, t n (k+1) > < t n (k+1), ) (15)

Operacje macierzowe w Excelu =TRANSPONUJ(zakres) transpozycja, =MACIERZ.ODW(zakres) odwracanie macierzy, =MACIERZ.ILOCZYN(macierz1;macierz2) mnożenie macierzy. Po wykonaniu formuły, wynik pojawia się tylko w 1 komórce. Należy zaznaczyć tę komórkę wraz z całym zakresem wyniku (np. jeśli transponujemy macierz 5x3 to zaznaczyć obszar 3x5), wcisnąć F2, a następnie Ctrl+Shift+Enter.

Zadanie 1.13. M. Grossman i F. Chaloupka opublikowali w 1998 r. wyniki badań nad pytaniem, czy można na gruncie ekonomicznym znaleźć potwierdzenie uzależniających własności kokainy. Skonstruowali w tym celu jednorównaniowy liniowy model ekonometryczny, w którym zmienną objaśnianą była konsumpcja kokainy. Zgromadzone przez autorów dane miały charakter przekrojowo-czasowy i obejmowały zarówno indywidualne cechy młodych Amerykanów (płeć, rasę, dochody, miejsce zamieszkania), jak i ceny narkotyków w poszczególnych stanach Stanów Zjednoczonych. 1 Zaproponuj sposób weryfikacji hipotezy, że kokaina ma własności uzależniające. 2 Grossman i Chaloupka stwierdzili, że znak oszacowania parametru przy opóźnionej zmiennej objaśnianej jest dodatni. Zinterpretuj ten wynik. 3 Autorzy stwierdzili zależność konsumpcji kokainy od jej ceny. Dla zmiennych objaśniających przyjmujących wartości równe ich medianom, długookresowa cenowa elastyczność konsumpcji kokainy jest równa -1,35, natomiast natychmiastowy efekt jednorazowej zmiany ceny wynosi -0,50. Czy te wyniki są sprzeczne z wnioskami z punktu 2? 4 Oszacowanie parametru przy zmiennej zero-jedynkowej przyjmującej wartość 1 dla obszarów, na których marihuana nie jest zdelegalizowana i 0 w przeciwnym przypadku, przyjęło wartość dodatnią. Czy kokaina i marihuana są dobrami substytucyjnymi czy komplementarnymi? 5 Oszacowanie parametru przy zmiennej objaśniającej, opisującej wiek, od którego w danym stanie można legalnie pić alkohol, przyjęło wartość dodatnią. Czy kokaina i alkohol są dobrami substytucyjnymi czy komplementarnymi?