II.

Funkcja produkcji o stałej elastyczności substytucji (CES lub SMAC):

m
Q = ∑ (α j ⋅ z ρj )ν / ρ α j > 0, ν > 0, ρ ∈ (−∞ ,0) ∪ (0,1)
j =1
m αj
lub Q = γ ⋅ (∑ (δ j ⋅ z ρj )ν / ρ gdzie (∑ α j )ν / ρ = γ ∑δ j =1 δ j = γ >0
j =1 j γ
dla →1 CES odpowiada doskonałej substytucyjności (wykres - prosta)
dla →0 CES odpowiada funkcji Cobb-Douglasa (wykres hiperboliczny)
dla →-∞ CES odpowiada technologii Leontieffa (doskonała komplementarność - wykres L)

∂Q m
Produkcyjność krańcowa i-tego czynnika:
∂z i
= ν δ
i ⋅ z i
ρ −1
⋅ Q ⋅ ( ∑ δ j z ρj ) −1
j =1

m
Elastyczność względem i-tego czynnika: El Q / zi = ν δi ⋅ z i (∑δ j z j )
ρ ρ −1

j =1

m
Efekt skali (suma elastyczność jak w modelu Cobb-Douglasa): ∑ El Q / z i
=ν
i =1

1− ρ
δ zj 
Krańcowa stopa substytucji: R ji = i ⋅  
δj  zi 
zj
∂ ln
Elastyczność substytucji: El = El zi dla Cobba-Douglasa stała i równa
ji z 
= = (1 − ρ ) −1
 j  / R ji
z  ∂ ln R ji
 i 
1,
Informuje w przybliżeniu o ile procent wzrasta zj/zi jeśli Rji wzrasta o 1% (mówi o ile powinno wzrosnąć
techniczne uzbrojenie pracy, aby krańcowa stopa substytucji wzrosła o 1%)

Metoda Kmenty - historyczna i nienajlepsza, ale pozwalająca oszacować punkty startowe do algorytmu
Gaussa-Newtona:

ν α 1ν α 2ν α 1α 2ν ρ
ln Qt ≈ ln(α 1 + α 2 ) + ln K t + ln Lt + (ln K t − ln Lt ) 2 + ξ t
ρ α1 + α 2 α1 + α 2 2(α 1 + α 2 ) 2

jeżeli oznaczymy kolejno paramtry od beta 0 do beta 3 i oszacujemy zwykłą MNK to otrzymamy punkty
startowe:
2β 3ν β 1 2β 0 ρ β 2 2β 0 ρ
ν = β1+ β2 ρ= α1 = exp α2= exp
β 1β 2 ν ν ν ν

III. Translogarytmiczna funkcja produkcji (Translog)

m( m + 3)
Liczba swobodnych parametrów: + 1 Funkcja translogarytmiczna nie jest jednorodna ! (brak
2
globalnego efektu skali)
m
1 m m
ln Q = µ + ∑ β h ln z h + ∑∑ γ ij ⋅ ln z i ⋅ ln z j
h =1 2 j =1 i =1

Dwa pierwsze składniki sumy odpowiadają technologii Cobba-Douglasa

Elastyczności najlepiej liczyć z pochodnej logarytmicznej i analogicznie współczynnik efektu skali (sumy
elastyczności)
Podobnie produkcyjności krańcowe i elastyczności substytucji:
∂Q Q El Q / zi zj
= El Q / z k ⋅ R ji = ⋅
∂z k zk El Q / z j zi

Estymacja funkcji produkcji: - na podstawie danych przekrojowych lub szeregów czasowych

Do Cobba-Douglasa i Translogu wystarczy MNK i KMRL, do CES należy stosować metodę Kmenty i
algorytm Gaussa-Newtona

W przypadku CES i Translogu należy jeszcze zweryfikować hipotezę, że model Cobba-Douglasa jest
wystarczający:
CES) H0 : ρ = 0 H1 : ρ ≠ 0 - test t-Studenta dla regresji nieliniowej
wystarczy C-D CES

Translog) H 0 : β 3, 4,5 = 0 H 1 : β 3,4,5 ≠ 0 - test F dla układu współczynników regresji

wystarczy C-D Translog

W przypadku szeregów czasowych bierze się jeszcze pod uwagę postęp techniczno-organizacyjny
Qt = f ( z t1 ,..., z tm ) ⋅ exp τ ⋅ t + ε t
gdzie ⋅  - informuje w przybliżeniu o ile % wzrasta prdukcja z okresu na okres wyłącznie na skutek
usprawnień techniczno-organizacyjnych (neutralnego postępu techniczno-organizacyjnego)

Zmienna objaśniająca losowa - stosujemy zwykłą MNK

Regresja liniowa dla danych czasowych - nie można stosować zwykłej MNK dla autokorelacji, ani dla
modeli wielorównaniowych, natomiast można zwykłą MNK szacować proces autoregresyjny ze względu
na zmienną objaśniającą:
Model autoregresyjny rzędu 1 (AR(1)): y t = β1 y t −1 + β 2 +ε t

Modele wielorównaniowe:
Statyczne (bez opóźnień) i dynamiczne (z opóźnieniami)
Yt - wektor zmiennych łącznie współzależnych
Xt - wektor zmiennych ustalonych z góry (wraz z wyrazami wolnymi - kolumna 1)
Ut - wektor równoczesnych składników losowych wszystkich równań

I II rów I II rów
y t1 x t1
B= . . Γ= . .
. . yt 2 . . xt 2
   

Rodzaje modeli wielorównaniowych:

• Proste - macierz B jest macierzą jednostkową; brak bezpośrednich zależności funkcyjnych między
bieżącym zmiennymi endogenicznymi
• Rekurencyjne - równoczesne składniki losowe róznych równań nie są pomiędzy sobą skorelowane i
macierz B jest niejednostkową macierzą trójkątną (lub daje się sprowadzić do trójkątnej prze
zamianę numeracji równań i zmiennych i tylko w ten sposób); modeluje wyłącznie jednokierunkowe
zależności między bieżącymi zmiennymi endogenicznymi
• O równaniach współzależnych - nie jest ani prosty ani rekurencyjny; opisuje dwukierunkowe
powiązania między bieżącymi zmiennymi endogenicznymi
Estymacja prostych i rekurencyjnych modeli - zwykła MNK (estymator jest zgodny asymptotycznie)

Postacie modeli:
→ Strukturalna - układ równań
→ Zredukowana y t = x t ⋅ Π + vt
−1 −1
gdzie: Π = − Γ ⋅ B vt = u t ⋅ B
Badanie identyfikalności modelu:
Otrzymujemy układ równań z przemnożenia:
Π ⋅ β ( i ) = −γ ( i ) i - nr kolumny (równania)
Elementy macierzy pi traktujemy jako parametry, parametry modelu jako zmienne
 Ze względu na ilość rozwiązań tego układu równań otrzymujemy, że równanie:
 Nieidentyfikowalne (układ ma nieskończenie wiele rozwiązań - więcej zmiennych
niż równań) - niemożna go estymować
 Jednoznacznie identyfikowalne (układ ma dokładnie 1 rozwiązanie - liczba
zmiennych jest równa liczbie równań) - pośrednia MNK (jako szczególny przypadek
2MNK)
 Niejednoznacznie identyfikowalne (układ jest sprzeczny - więcej równań niż
zmiennych) - 2MNK
Pośrednia MNK:
ˆ = ( X T ⋅ X ) −1 ⋅ X T Y , a parametry równań oblicza się z powyższego układu równań (będą
Szacuje się: Π
zależne od elementów macierzy 

Podwójna MNK:
Dla danego równania wyprowadzamy postać:
y (i ) = Yi ⋅ β *(i ) + X i ⋅ γ *(i ) + u (i ) gdzie Y,X,
 są odpowiednimi macierzami i wektorami tych X,Y,
 które
występują w równaniu, analogicznie składnik losowy; Y ma wymiar T x mi X ma wymiar T x ki
Wyprowdzamy teoretyczne Y: Yˆi = X ( X T X ) −1 X T Yi tworzymy macierz z: z i = [Yˆi X ]
 β (i ) 
Wektor parametrów przy X i Y: δ (i ) =  *(i )  i szacujemy go: δˆ ( i ) = ( z iT z i ) −1 z iT y ( i )
γ * 

2 1 T
Błędy średnie szacunku z macierzy: Vˆ (δˆ ( i ) ) = S i2 ( z iT z i ) −1 a wariancja: S i = ⋅ uˆ (i ) ⋅ uˆ (i )
T − ( mi + k i )

Przy czym teorytyczny składnik losowy jest liczony z równania oryginalnego: uˆ = y (i ) − (Yi βˆ * + X i γˆ*(i ) )
(i )

Można to zapisać gotowymi wzorami:

Analiza mnożnikowa
Uogólniony model regresji liniowej (UMRL)
Copyright SGP