- •Економетрика конспект лекцій
- •Зауваження................................................................................................118
- •1. Регресійний аналіз. Регресійний аналіз для двох змінних: основні ідеї
- •1.1. Гіпотетичний приклад
- •1.2. Концепція регресійної функції популяції (prf роpulation regression function)
- •1.3. Значення терміна “лінійність”
- •1.4. Стохастичні властивості prf
- •1.5. Важливість урахування складової стохастичного збурення
- •1.6. Вибіркова регресійна функція (srf)
- •2. Двовимірна регресійна модель. Задача оцінки
- •2.1. Метод найменших квадратів
- •Експериментальне визначення srf
- •2.2. Властивості оцінок за мнк
- •Дійсна й оцінена ціна будинку і його житлова площа у кв. Футах
- •Припущення 4 гомоскедастичність або рівність дисперсій
- •Це припущення не таке нешкідливе, як здається. Розглянемо рівняння
- •2.3. Точність або стандартна похибка оцінювачів за мнк
- •2.4. Властивості оцінювачів за мнк: теорія Гаусса-Маркова
- •2.5. Коефіцієнт детермінації : міра «якості підгонки»
- •2.6. Числовий приклад
- •2.7. Ілюстративні приклади
- •3. Інтервальні оцінки і перевірка гіпотез
- •3.1. Інтервальні оцінки: основні ідеї
- •3.2 Довірчі інтервали для регресійних коефіцієнтів і
- •Отже, наприклад, змінна
- •3.3. Довірчий інтервал для
- •3.4. Перевірка гіпотез: загальні зауваження
- •3.5. Перевірка гіпотез: підхід на основі довірчого інтервалу
- •3.6. Перевірка гіпотез: підхід, оснований на перевірці значимості
- •3.7. Перевірка значимості : хі-квадрат тест
- •3.8. Регресійний аналіз і аналіз дисперсії
- •Розглянемо таку змінну:
- •3.9. Застосування регресійного аналізу: проблема прогнозу
- •3.10. Форма звіту за результатами регресійного аналізу
- •3.11. Обчислення результатів регресійного аналізу
- •Залишки для проведення -тесту
- •4. Розвиток двовимірної лінійної моделі регресії
- •4.1. Регресія, що проходить через початок координат
- •4.2. Масштабування й одиниці вимірювання
- •Валові внутрішні приватні інвестиції (gpdi) і валовий національний продукт (gnp) у цінах 1972 р. У доларах сша, 1974–1983 рр.
- •4.3. Функціональний вид регресійної моделі
- •4.4. Вимірювання еластичності. Лінійно-логарифмічна модель
- •4.5. Напівлогарифмічні моделі. Визначення темпів зростання.
- •4.6. Обернені моделі
- •4.7. Зауваження щодо стохастичної складової
- •5. Множинний регресійний аналіз. Задача оцінювання
- •5.1. Модель із трьома змінними. Позначення і гіпотези
- •5.2. Інтерпретація рівняння множинної регресії
- •5.3. Значення частинних коефіцієнтів регресії
- •5.4. Оцінка частинних коефіцієнтів регресії за мнк
- •5.6. Проста регресія в контексті множинної регресії
- •5.7. R2 і скорегований r2
- •5.8. Частинні коефіцієнти кореляції
- •5.9. Виробнича функція Коба – Дугласа
- •5.10. Поліноміальная модель регресії
- •6. Припущення нормальності розподілу залишків
- •Витрати на споживання і особистий дохід у сша за 1956–1970 рр.
- •7. Перевірка гіпотез множинної регресії. Загальні зауваження
- •7.1. Перевірка гіпотези про частинний коефіцієнт регресії
- •7.2. Перевірка вибіркової регресії на загальну значущість
- •7.3. Перевірка на рівність двох коефіцієнтів регресії
- •7.4. Перевірка лінійних обмежень
- •Обчислимо
- •7.5. Перевірка структурної стабільності моделей регресії
- •Можна показати, що при виконанні згаданих припущень
- •7.6. Перевірка функціонального виду регресії. Вибір між лінійною моделлю регресії і лінійно-логарифмічною моделлю
- •8. Прогнозування в разі множинної регресії
- •9. Множинна регресія. Матричний метод
- •9.1. Лінійна модель регресії з k змінними
- •9.2. Припущення класичної лінійної моделі регресії в матричній формі
- •Припущення класичної лінійної моделі регресії
- •9.3. Оцінювання за мнк
- •9.4. Коефіцієнт детермінації r2 у матричному позначенні
- •9.5. Кореляційна матриця
- •9.6. Перевірка гіпотез про індивідуальні коефіцієнти регресії в матричному позначенні
- •9.7. Загальна перевірка регресії на значущість. Аналіз дисперсії в матричному позначенні
- •Матричне формулювання anova-таблиці
- •9.8. Перевірка лінійних обмежень. Загальний f-тест у матричних позначеннях
- •9.9. Прогнозування в множинній регресії. Матричне формулювання
- •9.10. Ілюстративний приклад у матричних позначеннях
- •Витрати на споживання на душу населення (ppce) і дохід на душу населення (ppdi) в сша за 1956–1970 рр.
- •Anova-таблиця для даних з таблиці 9.4.
2.6. Числовий приклад
Проілюструємо теорію економічного аналізу на прикладі функції споживання Кейнса. Пригадаємо, за Кейнсом, “фундаментальним психологічним законом є те, що чоловіки (жінки) налаштовані, як правило, в середньому, збільшувати обсяг споживаних благ у міру зростання свого доходу, але в меншій мірі, ніж збільшується дохід, тобто гранична схильність до споживання (MPC) більше нуля, але менше одиниці”. Хоча Кейнс не вказує точний вид функціональної залежності між споживанням і доходом, для простоти припустимо, що співвідношення лінійне
. |
|
Для перевірки теорії Кейнса скористаємося даними вибірки, наведеними в табл. 1.3. Оцінка лінії регресії (рис. 2.14), отже, має вигляд
. |
|
Рис. 2.14. Лінія вибіркової регресії
, , , , , , , , , , . |
(2.6.1) |
Оцінена лінія регресії має такий вигляд:
. |
(2.6.2) |
Відповідно до висловленого вище отримані результати можна інтерпретувати таким чином. Кожна точка на лінії регресії являє собою оцінку очікуваної або середньої величини Y, відповідної вибраному значенню Х; тобто оцінка . Величина , визначаюча кутовий коефіцієнт лінії регресії показує, що для вибірки з областю зміни Х доходу за місяць між 80 дол. і 260 дол. зі зростанням Х на 1 дол. оцінка збільшення середніх витрат сім’ї на споживання складає близько 51 цента. Величина , визначаюча точку перетину лінії регресії з віссю Y, означає середні граничні витрати сім’ї, що має нульовий рівень доходів. Звичайно, це суто механічна інтерпретація коефіцієнта . У регресійному аналізі подібна інтерпретація не завжди відповідає значенню задачі, хоча в нашому прикладі на користь подібного трактування можна сказати, що сім’я без доходу (через безробіття, скорочення виробництва та под.) може підтримувати деякий мінімальний рівень споживання або за рахунок позичання грошей, або використовуючи заощадження. Але в загальному випадку при інтерпретації значення коефіцієнта потрібно керуватися здоровим глуздом, оскільки часто область зміни Х може не включати нуль як одну зі спостережуваних величин.
Можливо, краще інтерпретувати як середню величину впливу на Y всіх змінних, не включених явно в модель. Величина означає, що близько 96% дисперсії тижневих витрат на споживання пояснюється за рахунок доходу. Оскільки може набути найбільшого значення 1, то можна сказати, що якість лінії регресії дуже добра. Коефіцієнт кореляції показує, що дві змінні, споживацькі витрати і дохід, високопозитивно корельовані.
2.7. Ілюстративні приклади
Споживання кави в США в 1970–1980 рр.
Розглянемо дані, наведені в табл. 2.3.
Таблиця 2.3
Споживання кави в США (Y) та середня роздрібна ціна на каву (Х)
у 1970–1980 рр.
Рік |
Y (кількість чашок за день, випитих однією людиною) |
Х (ціна за фунт кави, дол.) |
1970 |
2,57 |
0,77 |
1971 |
2,50 |
0,74 |
1972 |
2,35 |
0,72 |
1973 |
2,30 |
0,73 |
1974 |
2,25 |
0,76 |
1975 |
2,20 |
0,75 |
1976 |
2,11 |
1,08 |
1977 |
1,94 |
1,81 |
1978 |
1,97 |
1,39 |
1979 |
2,06 |
1,20 |
1980 |
2,02 |
1,17 |
З мікроекономіки відомо, що попит на товар в основному залежить від ціни цього товару, ціни товарів, що конкурують з ним або замінюють його, а також доходу покупця. Для того щоб включити всі ці змінні у функцію попиту, нам знадобилася б множинна регресійна модель. До цього ми поки не готові. Тому побудуємо модель функції попиту, що включає залежність попиту лише від ціни товару. Решта величин, що мають відношення до цієї моделі, вважатимемо фіксованими. Тоді, застосовуючи розглянуту раніше двовимірну регресійну модель, отримаємо такі результати:
, , , , , , , . |
(2.7.1) |
Інтерпретація отриманих результатів така. Якщо середня роздрібна ціна за фунт кави виросте на 1 дол., то середнє споживання чашок кави в день одна людина зменшить на 0,5 чашки. Якби ціна кави дорівнювала нулю, то середнє споживання кави однією людиною в день склало б близько 2,7 чашок. Звичайно, як було зазначено раніше, дуже часто ми не можемо дати фізичної інтерпретації коефіцієнту . Зверніть увагу, що навіть при нульовій ціні на каву люди не стали б надмірно її споживати через негативний вплив кофеїну на здоров’я. Величина означає, що близько 66% дисперсії щоденного споживання кави пояснюється дисперсією її роздрібної ціни.
Наскільки ця модель є реалістичною? Зауваживши, що вона не включає всіх змінних, які стосуються її, ми не можемо сказати, що отримали остаточну функцію попиту на каву. Пізніше ми розглянемо більш реальну модель попиту на каву.
Функція споживання Кейнса для США в період 1980–1991 рр.
Таблиця 2.4
Дані по США Y (особисті витрати на споживання) і
Х (валовий внутрішній продукт) (ціни 1987 р.)
Рік |
Y, млн. дол. |
X, млн. дол. |
1980 |
2,447,1 |
3,776,3 |
1981 |
2,476,9 |
3,843,1 |
1982 |
2,503,7 |
3,760,3 |
1983 |
2,619,4 |
3,906,6 |
1984 |
2,746,1 |
4,148,5 |
1985 |
2,865,8 |
4,279,8 |
1986 |
2,969,1 |
4,404,5 |
1987 |
3,052,2 |
4,539,5 |
1988 |
3,162,4 |
4,718,6 |
1989 |
3,223,3 |
4,838,0 |
1990 |
3,260,4 |
4,877,5 |
1991 |
3,240,8 |
4,821,0 |
На основі даних табл. 2.4 може бути проведена така оцінка за МНК для Y і Х:
, , , , . |
(2.7.2) |
Із цих результатів випливає, що в період 1980–1991 рр. середні споживацькі витрати зростали на 72 центи з одного долара в прирості ВВП, тобто гранична схильність до споживання (МРС) дорівнювала приблизно 72 центам. Якщо інтерпретувати буквально величину 232, що визначає перетин лінії регресії з віссю Y, то можна сказати, що при нульовому ВВП витрати на споживання склали б 232 млн дол. Ще раз вкажемо на відсутність економічного значення в подібному трактуванні, оскільки в нашому випадку інтервал зміни Х не містить цього значення. Величина означає, що ВВП пояснює близько 99% дисперсії середніх споживацьких витрат. Це дуже високе значення коефіцієнта детермінації. Однак постає питання, чи дійсно найпростіша модель функції споживання підходить для пояснення сукупних витрат на споживання в США. Виявляється, що іноді дуже проста (двовимірна) регресійна модель може дати корисну інформацію. Оцінки МРС для США, проведені на основі складних моделей, також показують, що МРС дорівнює приблизно 0,7.