- •Учебно-методические материалы к изучению дисциплины «Эконометрика»
- •Введение
- •1 Эконометрика и математическая статистика
- •Особенности статистических данных. Источники информации
- •1.2. Выборочная ковариация и выборочная дисперсия
- •Потребительские расходы на бензин и его реальная цена в условных единицах
- •Расчет выборочной ковариации
- •1.3 Метод Монте-Карло
- •2. Метод наименьших квадратов
- •2.1. Модель парной регрессии
- •2.2. Регрессия по методу наименьших квадратов
- •2.3. Формулы для коэффициентов регрессии. Обязательные свойства линии регрессии. Недостатки метода наименьших квадратов
- •2.4. Объясненная и необъясненная дисперсия зависимой переменной. Коэффициент r2, его связь с коэффициентом корреляции
- •Расчетная таблица
- •3 Свойства коэффициентов регрессии
- •3.1 Теорема Гаусса - Маркова. Смысл условий теоремы
- •Расчеты значений y
- •Результаты оценки значений a и b
- •Результаты расчетов значений y
- •Результаты оценки значений a и b
- •3.2. Стандартные отклонения и стандартные ошибки коэффициентов регрессии
- •Результаты расчетов стандартных ошибок
- •Результаты расчетов
- •4. Проверка гипотез
- •4.1. Выбор нулевой и альтернативной гипотезы
- •4.2. Уровень значимости
- •4.3 Ошибки I и II рода, степени свободы критическое значение, доверительный интервал. Т-тест для коэффициентов регрессии
- •4. 4. Односторонние и двусторонние тесты
- •4.7. Связь между тестами
- •5. Нелинейная регрессия. Простейшие модели
- •5.1. Нелинейность по переменным и нелинейность по параметрам
- •Соотношение между ежегодным потреблением бананов и годовым доходом
- •5.2. Логарифмирование
- •5.3. Эластичность и ее моделирование
- •5.4 Случайный член как множитель
- •5.5. Тест Бокса – Кокса (решетчатый поиск). Подбор функции методом Зарембки
- •Регрессии расходов на питание и жилье
- •Результаты оценивания регрессий для расходов
- •Алгоритмы вычисления эконометрических показателей
- •Список рекомендуемых литературных источников
5.3. Эластичность и ее моделирование
Функция вида часто встречается в экономике. Когда вы видите такую функцию, то можете сразу сказать, что эластичность у по х равна . Например, в разделе 5.1 отмечалось, что это общая форма кривых Энгеля, y представляет собой спрос на товар, х – доход, а - эластичность у по х эластичность спроса по доходу.
Докажем указанное свойство эластичности. Независимо от математической связи между у и х или определения величин у и х, эластичность у по х рассчитывается как относительное изменение у на единицу относительного изменения х:
Эластичность =
Таким образом, если, например, у - это спрос, а х - доход, то данное выражение определяет эластичность спроса на данный товар по доходу.
Выражение для эластичности можно переписать в следующем виде: . Для примера с функцией спроса его можно представить к отношение предельной склонности к потреблению товара к средней склонности к потреблению данного товара.
Если соотношение между у и x имеет вид (4.4), то
Эластичность =
Таким образом, например, если имеется кривая Энгеля вида у=0,01х0603, то это означает, что эластичность спроса по доходу равна 0,3. Если вы хотите объяснить это кому-нибудь, кто не знаком с экономической терминологией, то наиболее просто будет сказать, что изменение x (дохода) на 1%вызывает изменение y (спроса) на 0,3%.
Функция вида (5.4) может также применятся к кривым спроса, где y – это спрос на товар, x - цена товара, а β – это эластичность спроса по цене (на практике обычно такая функция спроса объединяется с кривой Энгеля, в результате чего получается зависимость спроса одновременно от дохода и цены.
Что произойдет если математическая связь между y и x не соответствует уравнению (5.1)? Что можно в этом случае сказать об эластичности? Это можно понять на основе базовых принципов. Предположим имеется следующее линейное уравнение:
В данном случае dy/dx равно β; следовательно, эластичность определяется следующим образом:
Эластичность = .
В этом случае значение эластичности в любой точке будет зависеть не только от значения β, но и также и от значения y и х в данной точке.
Таким образом, два основных достоинства математической формы (5.4) состоят в следующем.
1. Если эластичность y по x постоянна, то это единственная математическая форма, которая обладает данным свойством. Это, безусловно, означает, что если вы считаете, что эластичность не постоянна, то данное соотношение не следует моделировать с помощью уравнения (5.4).
Вы можете получить прямую регрессивную оценку эластичности путем оценивания зависимости log y и log x. Эта оценка, конечно, будет достоверна только в том случае, если зависимость определяется уравнением (5.4). Если зависимость линейна, то правильная процедура будет состоять в оценивании линейной регрессии между y и x и последующим вычислением βx/y.
5.4 Случайный член как множитель
При осуществлении преобразований уравнений регрессии, необходимо помнить о том, как эти преобразования влияют на случайный член.
Основное требование здесь состоит в том, чтобы случайный член в преобразование уравнении присутствовал в виде слагаемого (+u) и удовлетворял условиям Гаусса-Маркова. В противном случае коэффициенты регрессии, полученные по методу наименьших квадратов, не будут обладать обычными свойствами и проводимые для них тесты окажутся недостоверными.
Например, желательно, если мы учитываем случайное воздействие, чтобы уравнение имело следующий вид:
(5.14)
Если это так, то исходное (т.е. не преобразованное) уравнение (5.3) будет иметь вид:
(5.15)
В данном конкретном случае, если в исходном уравнении случайный член является аддитивным и условия Гаусса-Маркова выполнены, то это также будет верно для преобразованного уравнения. В этом случае проблем нет.
Что произойдет, если мы используем модель вида (5.4)? Регрессивная модель после приведения к линейному виду путем логарифмирования будет представлять собой уравнение (5.13), и оно должно будет также включать случайный член возмущения, который является аддитивным и удовлетворяет условиям Гаусса-Маркова:
(5.16)
Если вернуться к исходному уравнению, это означает, что формулу (5.4) следует переписать в таком виде:
(5.17)
где v и u связаны соотношением log v = u. Следует помнить, что мы приводим уравнение (5.17) к линейному виду путем логарифмирования его обеих частей. В том случае мы получаем соотношение:
(5.18)
которое представляет собой уравнение (5.16) с соответствующими изменениями определений.
Следовательно, для получения аддитивного случайного члена в уравнении регрессии мы должны начать с мультипликативного члена в исходном уравнении.
Случайный член v изменяет выражение путем увеличения или уменьшения его в случайной пропорции а не на случайную величину. Заметим, что u=0, если log v = 0, что происходит при v = 1. случайная составляющая в оцениваемом уравнении (5.16) будет равна нулю, если v =1. Это имеет смысл, так как если v = 1, то оно никак не изменяет значение .
Для того чтобы были применены t- и F-критерии, величина u должна иметь нормальное распределение. Это означает что log v должен иметь нормальное распределение, что возможно только при логарифмическом нормальном распределении v. Что произошло бы, если предположить, что случайный член в исходном уравнении является аддитивным, а не мультипликативным?
Ответ таков, что, когда вы берете логарифмы, невозможно математическим путем упростить выражение . Наше преобразование не ведет к линеаризации. В этом случае следует использовать метод оценивания нелинейной регрессии.