Professional Documents
Culture Documents
Zmienne egzogeniczne to takie zmienne, które nie są wyjaśniane przez żadne równani
modelu.
Zmienne endogeniczne innych równań to takie zmienne, które w danym równaniu pełnią
rolę zmiennych objaśniających, zaś są objaśniane w innych równaniach.
Przykład:
MODEL 1:
Popyt na dobro ‘A’ w okresie ‘t’zależy od poziomu dochodów na 1 mieszkańca, ceny dobra
‘A’ oraz ceny dobra substytucyjnego ‘B’.
1
εt – składnik losowy, który reprezentuje wszystkie zmienne mogące
mieć wpływ na ‘ yt ’, ale nie uwzględnione bezpośrednio w modelu
MODEL 2:
Popyt na dobro ‘A’ w okresie ‘t’ zależy od wielkości popytu w okresie poprzednim na to
dobro, ceny dobra ‘A’ oraz ceny dobra komplementarnego ‘C’ w okresie ‘t’.
gdzie:
yt – poziom popytu na dobro ‘A’ w okresie ‘t’
yt −1 – popyt w okresie poprzednim
x1t – dochód na 1 mieszkańca w okresie ‘t’
x2 t – poziom ceny dobra ‘A’ w okresie ‘t’
x3t – poziom ceny dobra komplementarnego ‘C’ w okresie ‘t’
εt – składnik losowy, który reprezentuje wszystkie zmienne mogące
mieć wpływ na ‘ yt ’, ale nie uwzględnione bezpośrednio w modelu
Przykładem modelu wielorównaniowego jest np. układ trzech funkcji liniowych (3):
Pt = α11 ⋅ Z t + α12 ⋅ M t −1 + α13 ⋅ I t + α10 + ε1t
Z t = α21 ⋅ Z t −1 + α22 ⋅ I t + α23 ⋅ M t −1 + α20 + ε 2t DYNAMICZNY**
I t = α31 ⋅ I t −1 + α32 ⋅ Pt + α30 + ε3t
(skutki = przyczyny)
gdzie:
Pt – zmienna endogeniczna mierząca poziom PKB
Z t – zatrudnienie
M t −1 – wartość majątku w okresie poprzednim
I t – inwestycje
2
Model ten wyjaśnia wzajemne zależności między wielkością produktu krajowego brutto (PKB
‘P’), zatrudnieniem (‘Z’), inwestycjami (‘I’) oraz produkcyjnym majątkiem trwałym (‘M’).
W pierwszym równaniu zmienną objaśniającą jest zmienna mierząca poziom PKB w okresie
‘t’ (‘P’ jest zmienna endogeniczna),, natomiast zmiennymi objaśniającymi są zmienne
mierzące rozmiary zatrudnienia (‘Z’), wartość majątku trwałego w okresie poprzednim (t-1) i
poziom inwestycji w okresie ‘t’. Zmienna mierząca rozmiary zatrudnienia (‘Z’) jest
wyjaśniana przez drugie równanie modelu. Czyli zmienna ‘Z’ jest zmienną endogeniczną
drugiego równania i zmienną endogeniczną trzeciego równania jednocześnie. Zmienna
mierząca wartość majątku trwałego nie jest wyjaśniona przez żadne równanie modelu, a więc
jest zmienną egzogeniczną, jest opóźnioną zmienną egzogeniczna.
Liczby typu ‘ α ’ są to parametry strukturalne modelu. Podają one, jaki wpływ mają zmienne
objaśniające na objaśnianą.
Składnik losowy ‘ ε ’ jest zmienną losową a wartości oczekiwanej równej 0. Jest to zmienna o
rozkładzie normalnym.
3
yt = α t β
model trendu potęgowego, sprowadzalny do liniowego poprzez logarytmowanie
ln yt = ln α + β ln t
yt = a + bt + ct 2 → trend paraboliczny, niesprowadzalny do liniowego
Podział ten jest istotny z punktu widzenia estymacji parametrów modelu, gdyż modele liniowe
i sprowadzalne do liniowych można szacować stosunkowo prostymi metodami (metoda
najmniejszych kwadratów).
Modele nie liniowe nie sprowadzalne do liniowych wymagają specjalnych metod estymacji
nieliniowych.
4
Ponieważ bardzo wiele procesów ekonomicznych charakteryzuje się
regularnymi zmianami w czasie, poznanie tych zmian ma bardzo istotne
znaczenie dla oceny ich przebiegu.
5
Treść dzisiejszego wykładu
EKONOMETRYCZNY MODEL
1-RÓWNANIOWY
6
Jednorównaniowy model ekonometryczny
ZASADA!
mała wytłuszczona litera oznacza WEKTOR
duża wytłuszczona litera oznacza MACIERZ
Estymatory MNK
- wartości teoretyczne:
yˆ t = a0 + a1 x1t + a2 x2t + + ak xkt
t=1, 2, …, n
yˆ = Xα
- reszta:
et = yt − yˆ t
t=1, 2, …, n
e = y − yˆ = y − Xa
XT Xa = XT y
- estymatory MNK:
a = ( XT X ) XT y
−1
Założenia MNK
7
- zmienne objaśniające ‘ X i ’ są nielosowe i nieskorelowane ze składnikiem losowym
- rz ( X ) = k +1 ≤ n ,
- E (ε ) = 0 ,
- D 2 ( ε ) = E (ε εT ) = δ 2 ⋅1 , δ2 < ∞,
- ε t : N ( 0, δ ) ,
2
t=1, 2, …,n,
- informacje zawarte w próbie są jedynymi, na podstawie, których estymuje się parametry
strukturalne modelu
→ a = ( X T X ) ⋅ XT y
−1
- oszacowanie modelu
Yˆ = −23 ,75 − 0,25 x1 + 5,5 x2
Własność koincydencji
- Model jest koicydentny, jeśli dla każdej zmiennej objaśniającej modelu spełniony jest
warunek:
sgn ri = sgn ai
- para korelacyjna
para (R, R0)
- regularna para korelacyjna: para (R, R0), gdy współczynniki korelacji spełniają warunki:
0 < r1 ≤ r2 ≤ ≤ rk
8
Zapis korelacyjny modelu ekonometrycznego
X, Y - dane wystrandaryzowania
1
R = ⋅ XT X ,
n
1
R 0 = ⋅ XT Y ,
n
Zapis korelacyjny R 0 = Rα + R ε
Estymatory a = R −1R 0
−1
Współczynnik determinacji R = R 0 R R 0
2 T
Koincydencja – przykład
0,940
R0 =
0,997
Współczynnik determinacji:
eT e y T y − a T XT y
R2 =1 − = 1 − R 2 ∈ 0;1
y T y − ny 2 y T y − ny 2
9
Interpretacja R2
Efekt katalizy
Współliniowość zmiennych
10
Ale estymatory MNK są BLUE (Best Linear Unbiased Estymator), czyli najlepszy liniowy
nieobciążony estymator!!!
Dokładna Współliniowość
Przybliżona współliniowość
-
co robić?
11
Treść dzisiejszego wykładu
12
Weryfikacja statystyczna modelu
Przykład
Oszacowany
model:
Y = − 23 ,75 − 0,25 X 1 + 5,5 X 2
Oszacowanie wariancji składnika losowego:
S2 = 0,75 S = 0,87
Średnie błędy szacunku dla zmiennej:
- X1: 0,68
- X2: 0,87
Oszacowany
model:
Y = − 23 ,75 − 0,25 X 1 + 5,5 X 2
(5,53) (0,68) (0,87)
Średnie względne błędy szacunku dla zmiennej:
- X1: 272%
- X2: 16%
13
Przykład
y x1 x2 Y - reg e
30 4 10 30,25 0,25
20 3 8 19,50 0,50
36 6 11 35,25 0,75
24 4 9 24,75 -0,75
Badanie, czy dana zmienna objaśniająca lub zbiór zmiennych objaśniających maja istotny
wpływ na zmienną objaśnianą.
Istotność pojedynczej zmiennej – test t-Studenta:
Para hipotez:
H0: αj = 0,
H1: αj ≠ 0.
Statystyka testowa:
T = a j S a : ma rozkład t-Studenta z v = n – (k + 1) stopniami swobody
j
Wnioskowanie:
jeśli t >tα, v odrzucamy H0 zmienna Xj jest istotna,
jeśli t ≤tα, v nie ma podstaw do odrzucenia H0 zmienna Xj jest nieistotna,
14
H1: α1 ≠ 0 lub α2 ≠ 0 lub … lub αk ≠ 0.
Statystyka testowa:
R2 k
F =
(1 − R 2 ) [ n − ( k +1)]
ma rozkład F-Snedecora z r1 = k i r2 = n – (k + 1) stopniami swobody.
Wnioskowanie:
jeśli F > Fα, r , r odrzucamy H0 przynajmniej jedna zmienna objaśniająca jest istotna
1 2
15
Przykład
Oszacowany
model:
Y = − 23 ,75 − 0,25 X 1 + 5,5 X 2
(5,53) (0,68)
Liczba stopni swobody: v=2
Poziom istotności: α=0
Wartości krytyczna: t0,05,v = 4,3027
Wartości testowe:
- X1: -0,37
- X2: 6,35
Zmienne istotne:
- tylko X2.
Przykład
Założenia:
- stacjonarny proces stochastyczny,
- homoskedastyczność
Macierz kowariancji składników losowych
16
1 ρ1 ρ2 ρn −1
ρ 1 ρ1 ρn −2
2
Φ =δ 1
ρn −1 ρn −2 ρn −3 1
ρs - współczynnik korelacji pomiędzy składnikami losowymi, odległymi o s okresów.
Założenie:
εt = ρεt −1 +ηt
gdzie
ρ - współczynnik autokorelacji,
η - składnik losowy spełniający: E (η) = 0, D 2 (η) = ση2 (1 − ρ2 )
Macierz kowariancji składników losowych:
1 ρ ρ2 ρ n −1
ση2 ρ 1 ρ ρ n −2
Φ = σ 2Ω =
1 − ρ2
n −1
ρ
ρn −2 ρ n −3 1
ρ jest miedzy –1 a 1
Skutki autokorelacji
Uogólniona MNK
17
Założenia: D 2 (ε ) = σ 2Ω i wszystkie parametry są znane.
Estymator UMK (estymator Aitkena) jest BLUE:
a =( XT Ω−1X) −1 XT Ω−1y
W przypadku procesu AR(1):
1 + ρ 2 −ρ 0 0
−ρ 1 + ρ2 −ρ 0
1 1 0 −ρ 1 + ρ2 0
Φ−1 = 2 Ω−1 = 2
σ ση
1 + ρ2 − ρ
0 0 0 −ρ 1
Skutki autokorelacji
∑e e t t −1
ρ1 = t =2
n
∑e
t =1
2
t
18
n
∑e e t t −1
ρ3 = t =2
1
n 2 n
2
∑et ∑ et2−1
t =1 t =2
∑(e t − et −1 ) 2
DW = t =2
n
∑e
t =1
2
t
Przykład
19
Wniosek : brak autokorelacji.
Heteroskedastyczność
jednakowe.
Skutki heteroskedastyczności
Suma wszystkich odchyłek musi wynosic zero jeśli wyniki (rachunki) są poprawne.
20
Testowanie heteroskedastyczności
21
Przykład
Wniosek:
wariancje w podpróbach są istotne różne, zatem występuje heteroskedastyczność.
Zmienna zero –jedynkowa – zmienna, która przyjmuje tylko dwie wartości jeden lub zero.
1 – kandydat „j” ukończył liceum w mieście
1 – kandydat „j” ukończył liceum na wsi
Xj =
Wykorzystywane są do:
zastępowania zmiennych niemierzalnych,
1 – obserwacja pochodzi z I kwartału
0 – w przeciwnym razie
X1 j =
wyróżniania pewnych okresów,
22
Treść dzisiejszego wykładu
23
Klasyfikacja prognoz
Modele szeregów czasowych to takie, w których zmienną objaśniającą jest czas, czyli przyszłe
wartości danych zmiennych objaśnia się za pomocą ich wartości z przeszłości
Prognoza punktowa
Przykład
Oszacowany model:
Yˆ = − 23 ,75 − 0,25 X 1 + 5,5 X 2
Okres prognozy: τ =6
Wartość zmiennych objaśniających:
- x16 = 5
- x26 = 12
P
Prognoza punktowa: y 6 = 41
P
Średni błąd predykcji ex ante: S 6 = 0,92
24
Względny średni błąd predykcji ex ante: v6 = 2,24%
Model wyestymowany dla pięciu pracowników (chociaż powinno być co najmniej 30
pracowników)
τ (tał) to szósty pracownik
0.92 · 41/100 = 2,24%
a = (XTX)-1 * XTY
y = a0x0 + a1x1+ a2x2
x0 ≡ 1
Prognoza przedziałowa
yτ − yτP
t= : t-Studenta, υ = n – (k + 1)
SτP
Przedział ufności:
{ y −t S <y<y +t S
P {t < tα;υ} = 1 – α
P P P P } =1–α
P
τ α ;υ τ τ τ α ;υ τ
Prognoza punktowa w przypadku autokorelacji:
(τ = n + s ) : yτP = xτT a + ( ρ
ˆ ) s en
S – horyzont czasowy prognozy
Jeśli jest autokorelacja to musi być wspóczynnik (ro) ρ
en – różnica miedzy modelem a rzeczywistym
t – odczytujemy z tablic
yτ - jest wartością rzeczywistą
Im α jest mniejsze tym przedział musi być szerszy
Przykład
Jeśli było by idealnie to kwadraty z kółkami pokryłyby się model dopasowujemy na podstawie
kółek w prognozie ex ante brak kółek na wykresie w miejscu u góry - kółka to wartości
rzeczywiste.
25
Prognoza ex post
∑ P 2
l2 = τ=1
m
∑
τ
=1
yτ 2
Gdyby nie było modułu suma równa byłaby zeru, nawet gdyby był moduł niedobry.
Modele liniowe
26
Nieliniowość modeli
W modelach nieliniowych względem zmiennych suma równa będzie zero, zaś w modelach
27
Dobór postaci funkcyjnej
Funkcja produkcji
28
Własności funkcji produkcji
f ( λK , λL ) = λr f ( K , L )
r =1 -stałe korzyści skali,
r >1 -rosnące korzyści skali,
r <1 -malejące korzyści skali
Czynniki produkcji są wzajemnie zastępowalne:
KSS = dK / dL = − f L / f K - substytucja pracy przez kapitał.
29
Własności funkcji produkcji
f K > 0, f L > 0.
f KK < 0, f LL < 0.
f KL > 0, f LK > 0.
30
Treść dzisiejszego wykładu
31
Przykład
Model M1:
Ct = α + α 1Y1 +ε 1t
Yt = β 0+β 1Ct-1 +β 2It-1 +ε 2t
Model M2:
Ct = α + α 1Y1 +ε 1t
Yt = β 0+β 1Ct +β 2It-1 +ε 2t
gdzie:
Ct - konsumpcja w okresie t,
Yt - dochód narodowy w okresie t.
Klasyfikacja zmiennych M1
32
Klasyfikacja zmiennych M1 (cd)
M1 - modele rekurencyjne
M2 - modele o równaniach współzależnych
1
β11 β12 ... β1m Y1 γ 10 γ 11 γ 12 ... γ 1k ε 1
β Z1
21 β 22 ... β 2 m Y2 γ 20 γ 21 γ 22 ... γ 2 k ε 2
+ Z 2 =
... .... ... ... ... ... ... ... ... ... ...
...
β m1 βm2 ... β mm Ym γ m 0 γ m1 γ m2 ... γ mk ε k
Z k
BY + ΓZ = ε
Przykład - model M1
Ct = β 12 Yt+ γ 10 =ε 1t
Yt = γ 20+γ 21Ct-1 +γ 22It-1 =ε 2t
33
1
1 β 12 C t γ 10 0 0 ε
0 1 Y + γ C t −1 = 1t
t 20 γ 21 γ 22 ε
I t −1 2t
BY + ΓZ = ε
BY + -ΓZ = ε
Y= -B-1ΓZ+B-1ε
Podstawienie
V= B-1 ε
Π = - B-1Γ⇒ BΠ = - Γ
postać zredukowana
Y = ΠZ + V
Czy istnieje jakikolwiek sposób na to, aby otrzymać oszacowania parametrów strukturalnych
modelu?
Postać strukturalna
E(εt) = 0
E(εt εtT) = Σ
Postac zredukowana
E(Vt) = 0
E(Vt VtT) = B-1 Σ(B-1)T = Ω
V to jest litera ? ale nie V
Dostępne informacje
Postać zredukowana
Y=ΠZ + V
34
Czy na tej podstawie można oszacować parametry strukturalne B i Γ oraz Σ?
Dostępne informacje
B - nieosobliwa macierz ( m × n )
Γ - macierz parametrów ( m ×k )
Σ – symetryczna macierz ( m × m )
Niedobór parametrów
m( m + 1) m( m + 1)
Z = m 2 + mk + − mk − = m2
2 2
Dodatkowe informacje
Oznaczenia
Liczba równań: m = m1 + m2 +1
Liczba zmiennych endogenicznych: k = k1 + k 2
Przykład M1
35
1
1 β12 Ct γ 10 0 0 ε
v + Ct −1 = 1t
0 1 Yt γ 20 γ 21
γ 22 ε
I t −1 2t
Oznaczenia
w równaniu
γ1j - wektor parametrów strukturalnych przy zmiennych egzogenicznych uwzględnionych
w równaniu
γ 2j - wektor parametrów strukturalnych przy zmiennych egzogenicznych nieuwzględnionych
w równaniu
Oznaczenia
oraz
β j2 = 0
γ 2j = 0
więc
β j = [1 − β 1j 0]
[
Γj = − γ 1j 0 ]
Postać zredukowana
1 Y j π 1j π 2j 1 v j
1 Z j 1
m1 Y
j = π 11 π 12 Z 2 + v j
m2 Y j π 21 π 22 j v 2j
2
k1 k2
36
j-ty wiersz odnosi się do j-tego równania
Βj Π=−Γj
π 1j π 2j
[1 − β 1
j ]
0 π11 π12 = −[ − γ 1j
0 ]
π 21 π 22
Warunek wymiaru
β π12 = π
1
j
2
j
k1 równań
m1 niewiadomych
Warunek rzędu
- Warunek rzędu (identyfikowalności)
rz ( π12 ) = m1
- Równanie nieidentyfikowalne
k 2 < m1 lub niespełniony warunek rzędu
- Równanie jednoznacznie identyfikowalne
k2 = m1
- Równanie niejednoznacznie identyfikowalne
k2 > m1 i spełniony warunek rzędu
37
IDENTYFIKOWALNOŚĆ
Twierdzenie:
Warunkiem koniecznym i dostatecznym na to, aby pewne równanie modelu
liniowego, składające się z ‘m’ współzależnych było identyfikowalne, jest aby macierz ‘ A j ’
utworzona ze współczynników występujących w pozostałych równaniach modelu przy
zmiennych nie występujących w analizowanym równania była rzędu ‘m-1’.
Przykład 1
Przykład 2
q p 1 Y Z
popyt 1 −α1 −α0 −α2 0
podaż 1 −β1 −β0 0 − β2
1. A1 = [ − β 2 ] ; rz ( A1 ) = 1 = m − 1 ⇒ równanie identyfikowalne
k 2 = 1 , m1 = 1 ⇒ równanie jednoznacznie identyfikowalne
2. A 2 = [ − α 2 ] ; rz ( A2 ) = 1 = m − 1 ⇒ równanie identyfikowalne
k 2 = 1 , m1 = 1 ⇒ równanie jednoznacznie identyfikowalne
Przykład 3
q p 1 Y Z
popyt 1 −α1 −α0 −α2 −α3
podaż 1 −β1 −β0 0 0
Przykład 4
38
Y1 Y2 Z1 Z2 Z3
I 1 x x 0 x
II x 1 0 x 0
1. A1 = [ x ] ; rz ( A1 ) = 1 = m − 1 ⇒ równanie identyfikowalne
k 2 = 1 , m1 = 1 ⇒ równanie jednoznacznie identyfikowalne
2. A 2 = [ x x] ; rz ( A2 ) = 1 = m − 1 ⇒ równanie identyfikowalne
k 2 = 2 , m1 = 1 ⇒ równanie niejednoznacznie identyfikowalne
Przykład 1
(dwurównaniowy model ekonometryczny
- postać strukturalna)
Pt = α0 + α1M t + α2 Z t + ε1t
Z t = β0 + β1Z t −1 + ε2t
gdzie:
‘P’ – wartość produkcji (w mld zł),
‘M’ – wartość majatku trwałego (w mld zł),
‘Z’ – liczba zatrudnionych osób (w tys. osób).
39
Klasyfikacja zmiennych:
• zmienne nieopóźnione - Pt , M t , Z t
• zmienne opóźnione - Z t −1
• zmienne endogeniczne - Pt , Z t , Z t −1
• zmienne egzogeniczne - Mt
• zmienne łącznie współzależne - Pt , Z t
• zmienne z góry ustalone - M t , Z t −1
Pt − α2 Z t − α0 − α1 M t = ε1t
+ Z t − β0 −β1 Z t −1 = ε 2t
1
1 − α 2 Pt − α0 − α1 0 = ε1t
+ M
0 1 Z t − β0
− β1 ε
t
0
Z t −1 2 t
BY + ΓX = E
gdzie:
1
1 − α 2 P − α − α1 0 ε
B= Y= t Γ= 0 X =
M t
E = 1t
0 1 Zt − β 0 0 − β1 ε 2t
Z t −1
Przykład 2
(klasyfikacja modeli wielorównaniowych na podstawie macierzy ‘B’
oraz grafu powiązań nieopóźnionych zmiennych endogenicznych)
gdzie:
‘EI’ – efekty inwestycyjne
‘NI’ – nakłady inwestycyjne
‘DN’ – dochód narodowy
‘M’ – majatek trwały
‘Z’ – zatrudnienie
40
1 0 0
B = − b1 1 0
0 − c1 1
Jest to graf z łukami bez pętli, więc model jest rekurencyjny. Ponadto model jest modelem
wielorównaniowy, liniowym, przyczynowo – skutkowym oraz dynamicznym.
41
Przykład 1
Y1 Y2 Z1 Z2 Z3
1 2 0 0 1
3 2 0 1 1
2 3 0 0 1
4 3 1 1 1
5 5 1 1 1
15 15 2 3 5
Rozwiązanie:
Szacujemy parametry postaci zredukowanej
y1 = π11 z1 +π12 z 2 +π13 z3
y2 = π21 z1 +π22 z2 +π23 z3
Macierz ‘ Π’ ma postać:
π π12 π13
Π = 11
π 21 π 22 π 23
Macierz ‘ X T X ’ ma postać:
∑ z12 ∑ z z ∑ z z
1 2 1 3
X T X = ∑ z1 z2 ∑z ∑z z
2
2 2 3
∑ z1 z3 ∑ z z ∑ z 2
2 1 3
∑ y1 z3 ∑ y2 z3
Π = −Β−1Γ
Π = ( X T X ) X TY
−1
Y1 Y2 Z1 Z2 Z3 Yˆ1 Yˆ2
42
1 2 0 0 1 1,5 2,5
3 2 0 1 1 3 2
2 3 0 0 1 1,5 2,5
4 3 1 1 1 4,5 4
5 5 1 1 1 4,5 4
15 15 2 3 5 15 15
y1 = −3 yˆ 2 + 7,5 z1 + 9 z3
y2 = −2 yˆ1 + 7,5 z 2 + 4,5 z3
− 3 7,5 9
Ω=
− 2 7,5 4,5
Przykład
MODEL KLEINA I
1) konsumpcja ( )
Ct = α 0 + α1 Pt + α 2 Pt −1 + α 3 Wt + Wt p + ξCt
2) inwestycje I t = β0 + β1 Pt + β2 Pt −1 + β3 K t −1 + ξIt
3) płace Wt = γ 0 + γ 1 X t + γ 2 X t −1 + γ 3TREND + ξW t
4) produkcja X t = Ct + I t + Gt
5) zysk Pt = X t −Wt − S t
6) kapitał K t = K t −1 + I t
Rodzaje równań
Zapis modelu
43
α12 y1t + ... + αM 2 y Mt + β12 x1t + ... + βK 2 x Kt = ξ2t
α1M y1t + ... + αMM y Mt + β11 x1t + ... + βKM x Kt = ξMt
lub alternatywni:
YA + XB = Ξ
y11 y M 1 x11 xK1 ξ11 ξM 1
Y = X = Ξ =
y1T y MT x1T x KT ξ1T ξMT
Warunki
Kompletność układu:
- macierz ‘A’ jest macierzą nieosobliwą
Rodzaje modeli
• Model prosty
- macierz ‘A’ jest macierzą diagonalna (w każdym równaniu występuje tylko
jedna zmienna endogeniczna)
• Model o strukturze niezintegrowanej
- macierz ‘A’ jest macierzą blokowo - diagonalną
• Model rekurencyjny
- macierz ‘A’ jest macierzą trójkątną (do jednoznacznego wyznaczenia
wartości M-tej zmiennej endogenicznej wystarcza znajomość wartości M-1
zmiennych poprzedzających i zmiennych z góry ustalonych
• Model blokowo - rekurencyjny
- macierz ‘A’ jest macierzą blokowo - diagonalną
• Model o równaniach łącznie współzależnych
- macierz ‘A’ nie jest ani diagonalna (blokowo – diagonalna), ani trójkątna
(blokowo – trójkątna) i nie istnieje takie uporządkowanie układu równań, które
sprowadziłoby macierz ‘A’ do jednej kwalifikowanej postaci
- problem identyfikacji
Postać zredukowana
Y = −XBA −1 + ΞA −1 = XD + V
44
parametry postaci zredukowanej wyrażają wpływ zmiennych z góry ustalonych na
zmienne neogeniczne (objaśniane)
Postać końcowa
YA + Yt −1 A −1 + XB = Ξ
( ) ( )
Y = Yt −1 − A −1 A −1 + X − BA −1 + ΞA −1 = Yt −1D1 + XD 2 + V
S −1 S −1
Y = Yt −S D1S + ∑ X t −k D 2 D1k + ∑ Vt −k D1k
k =0 k =0
Mnożniki
• mnożniki bezpośrednie D 2 ( k = 0)
• mnożniki pośrednie D 2 D1 , D 2 D12 , D 2 D13 , D 2 D14 , ( k > 0)
S
( )
∞
U = D 2 ( I − D1 )
−1
• mnożnik długookresowy
jeżeli lim D1 = 0
k
k →∞
45
Treść kolejnego wykładu
Tablice i modele
input – output
1. Tablice IO
2. Systematyka modeli Leontiefa
3. Metoda RAS
Literatura:
Holub H.W. Shnabl H. (1994) Input – Output Rechming: Output Analyse, Munchen, Wien R.
Oldenbourg Verlag Input – Output
H. Gurgul „Modele Input – Output w warunkach niepełnej informacji”.
Tomaszewicz Ł. (1994) „Metody analizy input – output…”
46
Schemat podstawowy tablicy IO
Tabela 1
Gałęzie produkcyjne Kategorie popytu końcowego
1, 2, …, n 1, 2, …, n
I II
1 x11 x12 x1n y11 y12 y1m
Gałęzie produkcji 2
x21 x22 x2 n
( towary )
y21 y22 y2 m
n
xn1 xn 2 xnn yn1 yn 2 ynm
III IV
Kategorie wartości 1 γ11 γ12 γ 1m z11 z12 z1m
dodanej 2 ( zarobki )
z21 z22 z2m
γ 21 γ 22 γ 2m
(koszty
niematerialne) n
z p1 z p2 z pm
γ p1 γ p2 γ pm
Tabela 2
Macierz zużycia produkcyjnego Macierz popytu końcowego
I II
Macierz wartości dodanej Macierz podziału wtórnego
III IV
Tabela 3
Uproszczona tablica IO (ver B)
x11 x12 x1n C1 I1b E1 x1
x21 x22 x2 n C2 I 2b E2 x2
xn
xn1 xn 2 xnn Cn I nb En
M1 M2 Mn
ind ind
T1 T 2 Tnind
A1 A2 An
W1 W2 Wn
Π1 Π2 Πn
x1 x2 xn
C – konsumpcja
M – import
T ind – podatki pośrednie
A – amortyzacja
x11
= a11 = 0,20 → oznacza, żeby wytworzyć wartość produkcji za 1 zł trzeba zużyć
x1
wyrobów przemysłowych za 20 gr
47
Tablica IO jest bilansem „wielkiego” przedsiębiorstwa jakim jest cała gospodarka narodowa.
n
xi = ∑ xij + yi
j =1
n
xij = aij ⋅ x j ⇒ ∑a
j =1
ij x j + yi
xij
aij = współczynnik ‘ aij ’ mówi nam za ile grosy musi zużyć gałąź ‘j’ wyrobów
xj
pochodzących z gałęzi i-tej po to, aby gałąź j-ta mogła wyprodukować produkcję o wartości
1 zł.
x1 y1
x y
x = Ax + y x = 2 y = 2
xn yn
y1
y
Wektor produkcji globalnej y = 2
yn
x=Ax+y (1)
Wskutek tego macierz ‘A’ otrzymana na podstawie tablic nie jest zbyt dokładna. Np. w USA
macierz ‘A’ dla gospodarki amerykańskiej w 1977 r. została opublikowana w 1983 r. Są
jednak metody matematyczne aktualizacji tablic ‘A’ spośród których najważniejsza jest
metoda RAS (Richard Stone).
Metoda RAS nazywa się metodą biproporcjonalną. Polega na mnożeniu macierzy ‘A’ przez
macierze diagonalne ‘R’ i ‘S’ w procedurze iteracyjnej tak długo, aż macierz wynikowa
AK=RAS
48
aż ‘AK’ spełni warunki brzegowe tzn. ‘Σ’ w wierszach równa się ‘u’, a ‘Σ’ w kolumnach
równa się ‘v’ (z zadaną dokładnością).
Jednak w krótszych okresach (1 rok 2, 3) stosuje się macierz starą. Przy takim założeniu
prognozę 1-go rodzaju można sformułować w następujący sposób: Dana jest macierz ‘A’
(współczynnik nakładów) i zadany jest wektor produkcji globalnej ‘x’ wyznaczyć wektor
popytu końcowego ze wzoru pierwszego mamy:
Y=x-Ax
czyli wyznaczyliśmy wektor popytu finalnego dla A oraz wektora produkcji globalnej ‘x’.
Model Lontiefa
Oznaczenia:
x = [ xi ] n → wektor produkcji globalnej
y = [ yi ] n → wektor produkcji końcowej
Model Lontiefa: (I −A )X =Y
Własności:
- Jednorodny ( I − A)γ = γY
- Addytywny ( I − A) ∆ = ∆Y
49
Elementy macierzy Lontiefa
Model Lontiefa
Twierdzenie:
Macierz ( I − A) jest nieosobliwa, a macierz ( I − A) −1 na elementy nieujemne, jeżeli
suma elementów każdej kolumny macierzy ‘A’ jest mniejsza od 1.
Wniosek:
( I − A) −1Y =X
Prognozowanie
Założenie:
Macierz struktury kosztów (‘A’) nie zmienia się z okresu na okres
( I − A) X t +1 = Yt +1
Prognoza 2 rodzaju (dane Yt + 1 , szukane X t +1)
( I − A) Yt +1 = X t +1
−1
50
Treść kolejnego wykładu
Szeregi czasowe
Modele liniowych i nieliniowych ekonomicznych szeregów czasowych
1. Postawienie problemu
2. Stacjonarność w węższym i szerszym sensie
3. Stacjonarność a ergodyczność
4. Transformacje stabilizujące wariancję
5. Podstawowe modele niestacjonarne
6. Identyfikacja i estymacja modelu ARIMA
7. Modelowanie sezonowych szeregów czasowych
8. Heteroskedastyczność w szeregach czasowych
Literatura:
- Cieślak, M. (Red. Naukowy): Prognozowanie gospodarcze. Metody i
zastosowanie, Wydawnictwo Naukowe PWN, Warszawa 2004
- Hamilton, Jamek D.: Time Series Analusis, Princeton University Press,
Princeton, New Jersey, 1994
- Zaliaś, Aleksander: Teoria prognozy, PWE, wyd. III, Warszawa 1997
51
zt − u = φ ( zt −1 − u ) + at
Przykład 1:
(m. prosty)
1 0 0 y1t γ 1 1 γ 1 2 γ 1 3
0 1 0 y + γ γ 0 z m i+ ξe n n e
2t 2 1 2 2
0 0 1 y3t γ 3 1 γ 3 2 γ 3 3
52
Prognozy będą wyznaczane zgodnie z zasadami predykcji dla poszczególnych równań
(osobno).
Przykład 2:
Modele rekurencyjne – prognozowanie
W przypadku tych modeli macierz ‘ β’ nie jest ani diagonalna, ani trójkątna.
Jeśli ‘ β’ jest nieosobliwa (tzn. jej wyznacznik ≠ 0), to możemy układ βy + Γz = ξ
przedstawić w postaci zredukowanej:
y = −β −1 ⋅ Γz + β −1 ⋅ ξ − β −1 ⋅ Γ = Π
y = Πz + ε układ zredukowany β −1 ⋅ ξ = ε
53
jednocześnie są znane wariancje i kowariancje ocen parametrów ‘ Πij ’ postaci zredukowanej
modelu. Oznacza to, że można wyznaczyć (określić) dokładność prognozy.
W przypadku modelu, którego równania są niejednoznacznie identyfikowalne, i w którym do
estymacji stosuje się 2MNK najpierw uzyskujemy oceny parametrów dla postaci strukturalnej
a następnie wyznaczamy postać zredukowaną tego modelu. W takim przypadku parametry
postaci zredukowanej są nieliniowymi funkcjami parametrów strukturalnych. Utrudnia to nie
tylko otrzymanie macierzy wariancji i kowariancji ocen parametrów ‘ Πij ’, ale tym samym
określenie średniego błędu prognozy.
(1) ẑt − µ = Φ ( zt −1 − µ ) + at
na podstawie (1) można wyznaczyć prognozę:
(2) zˆT +1|T − µ = Φ( zT − µ)
−1 < Φ <1 ⇒ zt stacjonarny
uogólnienie:
(3) zt − µ = Φ( zt −1 − µ ) + at − ⋅at −1
gdzie jest pewnym parametrem
Równanie (3) zapisuje się jako ARMA (1,1) (Autoregresive Moving Average)
zt ~ ARMA (1,1)
at - biały szum (white noise)
Biały szum – to proces stochastyczny, czyli ciąg zmiennych losowych o zerowej wartości
oczekiwanej, stałej wariancji i kowariancji (tzn. kowariancja zależy od różnicy indeksów
zmiennych losowych ‘ at ’ a nie od ich wartości cov ( at , at − j ) = cov ( j ) .)
( µ = 0)
zt = Φzt −1 + at − ⋅at −1
Cov( zt , zt −τ ) = E [ ( zt − µτ )( zt −τ − µ t −τ ) ] , t = 1,2,..., T
Def. 1
Szereg czasowy jest stacjonarny w węższym sensie, jeśli rozkład łączny ‘r‘ kolejnych
obserwacji nie zależy od czasu.
Def. 2
Szereg czasowy jest stacjonarny w szerszym sensie, jeśli jego wartość oczekiwana
oraz wariancja nie zależą od czasu (są stałe w czasie), zaś funkcja autokowariancji nie zależy
od położenia punktów na osi czasu, lecz od ich odległości.
54
Stacjonarność a ergodyczność
Jeśli proces autoregresyjny jest stacjonarny to jest ergodyczny i dla celów estymacji
wystarcza jedna realizacja, tzn. można uśrednić po czasie.
T
µ̂ = T −1
∑z
t =1
t
T
Vˆ ( 0 ) = c( 0 ) = T −1 ∑ ( zt − µˆ )
2
t =1
T
Vˆ (τ ) = c(τ ) = T −1 ∑ ( zt − µˆ )( zt −τ − µˆ ) , τ =1,2,3,...
t =1
Vˆ (τ )
ˆ (τ ) =
ρ współczynnik korelacji z próby
Vˆ ( 0 )
autokorelacja – oznacza, że brana jest pod uwagę 1 zmienna na przestrzeni czasowej
^ - oznacza estymator
Def. Korelacji między dwoma zmiennymi:
cov ( X , Y )
ρX ,Y =
var ( X ) var ( Y )
∆d z = (1 − β ) ⋅ zt ,
β Zt : = zt −1
d
d =1
∆1 zt = zt − zt −1 = ∆z , βzt = zt −1 β − back space operator
zt − zt −1 = zt − βzt = (1 − β ) zt β 2 zt = zt −2
1
d =2
( )
∆2 zt = ∆( ∆zt ) = ∆(1 − β ) zt = (1 − β )(1 − β ) zt = (1 − β ) zt = 1 − 2 β + β 2 zt = zt − 2 zt −1 + zt −2
2
∆2 zt = ∆( ∆zt ) = ∆( zt − zt −1 ) = zt − zt −1 − ( zt −1 − zt −2 ) = zt − 2 zt −1 + zt −2
zt = a + bt
∆zt = a + bt − ( a + b( t − 1) ) = a + bt − a − bt + b = b
zt = a + bt + ct 2 eliminacja trendu (detrend) aby był szereg stacjonarny
55
H 0 : zt ~ I (1)
H 1 : zt ~ I ( 0 )
56
Treść kolejnego wykładu
Kointegracja
Literatura:
Osińska Magdalena, „Ekonometria finansowa”, PWE, Warszawa 2006
57
Trendy – stochastyczne deterministyczne – mogą przyczyniać się do tzw. Regresji pozornych
i znacznie utrudniają interpretację wyników analizy regresyjnej.
Przykład 1:
Regresja pozorna:
- założenia:
- badamy regresję liniową
yt = α + βxt + ε t ε t ~ ( 0, σ 2 )
gdy w rzeczywistości
yt = yt −1 +ξy ,t ξy ,t ~ N ( 0,1)
xt = xt −1 +ξy ,t ξy ,t ~ N ( 0,1)
- wyniki obserwacji (100 obserwacji)
B Std.Err. t(97) p-level
Intercept 0,405562 0,177702 2,28226 0,024658
X 0,671377 0,053926 12,44946 0,000000
Sugestia 1:
Sugestia 2:
Analiza 58ługookresoweg
Motywacją jest tu budowa modeli uwzględniających zarówno krótkookresowe (short – run),
jak i długookresowe (long – run) własności zmiennych i zapewniających stacjonarność
względem średniej wszystkich zmiennych.
58
Koncepcja kointegracji
d – diference
b – parametr kointegracji
59
Definicja 1:
Szeregi czasowe ‘ xt ’ oraz ‘ yt ’ nazywają się 60ługookresowego60 rzędu ‘d, b’, gdzie
d ≥ b ≥ 0 , co zapisujemy jako xt , yt ~ CI ( d , b ) , jeśli
- oba szeregi są zintegrowane rzędu ‘d’
- istnieje kombinacja liniowa obu szeregów postaci α1 xt +α2 yt , która jest
zintegrowana rzędu d – b
Definicja 2:
Jeśli ‘ xt ’ oznacza wektorowy ( n ×1) szereg czasowy x1t , x2t , xnt oraz
- każda składowa jest ‘ I ( d ) ’
- istnieje wektor α ~ ( n ×1) taki, że xt 'α ~ I ( d − b ) , to xt 'α ~ CI ( d , b )
Przypadek szczególny:
xt 'α ~ CI ( d , b )
Y = Y−α1 X β X −γλe u
Hipoteza H 0 :
Zależność long-run ma postać Y = X κ eu ⇒ elastyczność long-run wynosi ‘ κ ’ [kappa]
np. model inwestycji
60
Y ⋅ Y −α = X β +γ ⋅ e u
1
y1−α = x β +γ ⋅ e u 1−α
β +γ u
u* =
y= x 1− α
⋅e u*
1 −α
β +γ
κ [ kappa ] = - zależność długoterminowa
1 −α
Hipoteza H 0 :
β +γ
=κ
1 −α
y = αy−1 + βx + γx−1 + u
y − y−1 = αy−1 + βx + γx−1 + βx−1 − βx−1 + u
∆y = (α − 1) y−1 + β∆x + ( β + γ ) x−1 + u
β +γ
∆y = (α −1) y−1 + β∆x − − κx−1 + u
κ
Hipoteza H 0 :
(α −1) = − β + γ
κ
Przypadek A:
61
Przypadek B:
‘ κ ’ jest nieznane
Krok 1:
Oszacować ‘ κ ’ z zależności długookresowych:
y = κx + u
Przetestować oszacowane reszty za pomocą testów na stacjonarność DF- lub ADF.
∆yt = αyt −1 +
H0 : α = 0
H1 : α < 0
Jeżeli nie uda się odrzucić ‘ H 0 ’ ( → α = 0 ) przeciw hipotezie alternatywnej (α < 0) to szereg
‘y’ jest niestacjonarny. Jeżeli uda się odrzucić ‘ H 0 ’na rzecz ‘ H1 ’ to szereg ‘ yT ’ jest
stacjonarny.
Krok 2:
Oszacować pozostałe parametry modelu dynamicznego:
1
∆y = β ⋅ ∆x = (β + γ ) ( y − 1 − κ * x− 1 ) + u
κ*
Uwaga
Model ARIMA (p,d,q) dla ‘ zt ’ można zastąpić przez ARMA (p,q) dla wt := (1 − B ) zt
d
Przykład 1:
E ( zt ) = z0
62
Var ( zt ) = tσ α2
Cov ( zt , zt −τ ) = t −τ σα2
t −1
Lt = Lt −1 + at → Lt = L0 + ∑ at −1
i =0
(Insider-Outsider-Theory)
Prognoza w modelu random walk:
zˆt +1 = zt
Przykład 2:
Przykład 3:
Hipoteza:
“Zagregowana konsumpcja jest procesem błądzenia przypadkowego z dryftem”
Ct = b1 +Ct −1 + at
lub
Ct = b1 + b2Ct −1 + at
Przykład 4:
63
ARIMA (p,d,q) ⇒ ARMA (p+d,q)
Dlatego wystarczy zająć się błędami prognozy za pomocą ARMA.
l −1
eT +l|T = zˆT +l|T − zT +1 = ∑Ψj an+l − j
j =0
l −1
Var ( zˆT +l|T ) = Var ( eT +l|T ) = σa2 ∑Ψj2
j =0
Przykład 5:
ARIMA (1,0,0): (1 − φB )( zt − µ ) = at
zt − µ = φ ( zt −1 − µ ) + at
dane:
φ = 0,6
µ =9
σa2 =0,1
z100 = 8,9
z99 = 9
z98 = 9,6
Dlatego
zˆ101|100 = 9 + 0,6( 8,9 − 9 ) = 8,94
zˆ102 |100 = 9 + 0,6 2 ( 8,9 − 9 ) = 8,96
zˆ103 |100 = 9 + 0,63 ( 8,9 − 9 ) = 8,97
zˆ104 |100 = 9 + 0,6 4 ( 8,9 − 9) = 8,99
Jeśli wartość rzeczywista wyniosła by np. z101 = 8,8 , to należy zrewidować prognozy „w
dół”.
64
zˆ102 |101 = zˆ102 / 101 + Ψ1 [ z101 − zˆ101|100 ] = 8,88
[
zˆ103 |101 = zˆ103 / 101 + Ψ2 z101 − zˆ103 |100 = 8,93 ]
zˆ104 |101 = zˆ104 / 101 + Ψ [z
3 101 − zˆ104 |100 ] = 8,96
Przykład 6:
ARIMA (1,0,1):
(1 −φ1B ) zt = (1 − Θ1B ) at
(1 −φ1B ) zˆT +l|T = 0 ⇒ zˆT +l|T = φ1 zˆT +l −1|T
Przykład 7:
ARIMA (1,1,1):
(1 −φ1B )(1 − B ) zt = (1 − Θ1B ) at ⇒ zˆT +l|T = (1 +φ1 ) zˆT +l −1|T −φ1 zˆT +l −2|T
l ≥2
(1 −φ B − −φ B )(1 − B )
1 p
p d
zt = Θ0 + (1 − Θ1 B − − Θq B q )at
65
Rys. ACF i PACF dla procesu AR(1)
66
Wybór opóźnień dla ‘p’ i ‘q’ na podstawie kryteriów „automatycznych” AIC, BIC lub HQ,
gdzie:
A ( p,qI) = lC ∑ np,q +
ˆ 1( p + q ) k 2
T
B ( p,qI) = l C∑ np,q +
ˆ ( p + q) k l T n
2
T
2( p + q) k l ( lnTn)
2
H ( p,q) Q= l ∑ np,q +
ˆ
T
W większości przypadków ‘p’ oraz ‘q’ nie przekraczają 3.
1 ∞
P ( a | φ , µ , Θ, σ a2 ) = ( 2π σa2 )
n
⋅ exp − 2 ∑ at2
−
2
2σ a t =1
przy czym
at = Θ1at −1 + +Θq at −q + zt −φ1 zt −1 − −φp zt −p
67
Równania przestrzeniu stanu
Yt +1 = A ⋅Yt +G ⋅ at +1 równanie przejścia / stanu
Z t = H ⋅Yt + bt równanie pomiaru / obserwacji
gdzie:
Y – wektor stanu
Z – wektor obserwacji
A – macierz przejścia / stanu
H – macierz pomiaru / obserwacji
G – macierz wag
at +1 , bt - biały szum
przy czym ‘ at ’ oraz ‘ bt ’ są białym szumem. Pierwsze z równań nazywa się równaniem
stanu, zaś drugie równaniem obserwacji.
przy czym
z 2,t :=φ2 zt −1 + +φp zt −p −Θ1at − −Θq zt −q +1
Podobnie
x2,t +1 = φ2 x1,t + x3,t + ( − Θ1 ) at +1
x3,t +1 :=φ3 x1,t + +φp zt −p −Θ2 at − −Θq at −q +2
x p −1,t +1 = φp −1 x1,t + x p ,t +(−Θq )at −1
x p −1,t +1 =φp −1 x1,t
xt +1 = xt + at +1
φp−1 0 0 1 − Θq
φp 0 0 0 c
1*
68
przy czym
c = [0, ,0]( p −q )×1
Jeśli wt = (1 − B ) zt ,
d
to Φp ( B ) wt = Θq ( B ) at
d – parametr różnicowania
Bz t = zt −1
Lzt = zt +1
xt
z
oraz yt =
t −1
- przy czym ‘ x t ’ jest wektorem stanu modelu ARMA (p,q).
zt −d
wt = (1 − B ) zt
d
d
d d
d
wt = ∑ ( −1) zt −k = zt + ∑ ( −1) zt −k
k k
k =0 k k =1 k
Wynika stąd, że
d
d
zt = wt + ∑ ( −1) zt −k
k
k
k =1
yt +1 = = d d d yt + at +1 = Ayt + Gat +1
1 zera ,− , , ( − 1) d +1
1 2 d − Θ p
zera zera
zera
I d −1
2*
69
d d d +1 d
zt = 1, zera ,
1
,− , , ( −1)
2 d yt
70
METODOLOGIA ANALIZY ZDARZEŃ W EKONOMETRII
W przypadku, gdy rynek finansowy jest efektywny (wszyscy mają równy dostęp do
informacji; informacja wywołuje natychmiastowe reakcje, czyli już zaraz po podaniu i krótko
po tym – nie rozciąga się w czasie) to można badać znaczenie poszczególnych rodzajów
informacji dla cen akcji, wielkości obrotów i volatility. Do takich informacji należą
informacje o:
- wysokości zysków,
- możliwościach niezrealizowania zysku (ostrzeżenie) przypuszczalym,
- kierunku zmian polityki dywidend,
- możliwym umorzeniu akcji (przy jednorazowym zysku w firmie)
- splitach
splity (podziały akcji) – przyjmuje się, że najlepiej sprzedając się akcje o cenie z pewnego
przedziału; jeżeli cena wyjdzie poza przedział w górę to przedsiębiorstwo
zamiast 1 akcji daje 2 sztuki.
71