- •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.
4.3. Функціональний вид регресійної моделі
Як ми відзначали раніше, розглядувані нами регресійні моделі повинні бути лінійні за параметрами. При цьому вони можуть і не бути лінійними за змінними. У наступних розділах буде приділена увага широко застосовуваним регресійним моделям, які можуть бути нелінійними за змінними, але лінійними за параметрами. Зокрема, розглядатимуться такі моделі:
1) лінійно-логарифмічна;
2) напівлогарифмічна;
3) зворотні.
4.4. Вимірювання еластичності. Лінійно-логарифмічна модель
Розглянемо експоненціальну регресійну модель
, |
(4.4.1) |
яка після логарифмування обох частин може бути подана у вигляді
. |
(4.4.2) |
Якщо ми запишемо (4.4.2) у вигляді
, |
(4.4.3) |
де , то побачимо, що ця модель лінійна за параметрами і , а також за логарифмами змінних Х і Y. Отже, для знаходження і може бути застосований МНК. Така модель ще називається “подвійною логарифмічною” або “логарифмічною лінійною”.
Якщо припущення класичної лінійної регресійної моделі виконуються, то параметри (4.4.3) можуть бути оцінені за МНК із рівняння
, |
(4.4.4) |
де , . Отримані за МНК оцінки і будуть найкращими незміщеними лінійними оцінками для і , відповідно.
Перевагою цієї моделі є те, що кутовий коефіцієнт є мірою еластичності Y по відношенню до Х, тобто визначає відсоток зміни Y для даного (малого) відсотка зміни Х. Так, якщо Y зображує попит на товар, а Х – ціну одиниці товару, то вимірює величину еластичності попиту за ціною, параметр lnY, що становить в економіці значний інтерес.
Рис. 4.2 . Експоненціальна модель Рис. 4.3. Лінійно-логарифмічна модель
Якщо співвідношення між величиною попиту і ціною таке, як зображено на рис. 4.2, то подвійне логарифмічне перетворення даватиме оцінку еластичності ціни ( ).
Слід зазначити два особливі моменти лінійної логарифмічної моделі: ця модель припускає, що коефіцієнт еластичності між Y і Х ( ) залишається постійним на всьому проміжку зміни Х. Цю властивість можна перевірити, оскільки еластичність Y по Х обчислюється за формулою
. |
|
Якщо підставити в неї , то отримаємо
. |
|
Ця властивість пояснює, чому дана модель називається моделлю з постійною еластичністю. Іншими словами, зміна lnY при одиничній зміні lnХ, тобто еластичність , залишається незмінною незалежно від точки lnX, в якій проводиться вимірювання (рис.4.3). Іншою особливістю моделі є те, що, хоча і є незміщеними оцінками і , (параметр, що входить у початкову модель ) є зміщеною оцінкою. У більшості практичних задач, проте, цей член має другорядне значення і немає необхідності в отриманні незміщеної оцінки.
Ілюстративний приклад. Попит на каву
Провівши обчислення за даними, наведеними в таблиці, одержуємо такий результат:
=0,7448 (0,0152) (0,0494) = 26,27 t = (51,0045) (–5,1251) |
(4.4.5) |
де Yt – попит на каву (кількість випитих чашок кави за день), а Xt – ціна на каву в доларах за фунт кави.
З цих результатів ми бачимо, що коефіцієнт еластичності ціни дорівнює –0,25. Це значить, що при зростанні на 1% реальної ціни за фунт кави, попит на неї зменшиться в середньому на 0,25%. Оскільки еластичність ціни менше 1 за абсолютною величиною, ми можемо сказати, що попит на каву нееластичний за ціною.
Цікавим є наступне питання. Чи можемо ми визначити, яка з моделей є кращою, порівнюючи результати лінійної та лінійно-логарифмічної функції попиту? Чи можемо ми сказати, що (4.4.5) краще, ніж (3.7.1), оскільки її вище (0,7448 проти 0,6628)? На жаль, ми не можемо зробити такий висновок, оскільки в тому випадку, коли залежна змінна у двох моделях неоднакова (тут Y і lnY), коефіцієнти детермінації безпосередньо порівнювати не можна. Ми не можемо порівнювати два кутових коефіцієнти ще й з іншої причини. Для моделі (3.7.1) кутовий коефіцієнт дає ефект одиничної зміни ціни на каву, скажемо на 1 дол. за фунт, на постійну абсолютну величину зменшення споживання, що складає 0,4795 чашки кави за день. З іншого боку, коефіцієнт –0,2530, отриманий в (4.4.5), дає постійне процентне зменшення споживання кави в результаті 1%-го зростання ціни на каву за фунт, тобто дає еластичність ціни.
Чи можна порівняти результати двох використаних моделей? Одним із шляхів порівняння двох моделей є наближене визначення еластичності ціни для моделі (2.7.1). Це може бути зроблено таким чином.
Еластичність Е змінної Y по відношенню до іншої змінної Х визначається за формулою:
. |
(4.4.6) |
Для лінійної моделі (2.7.1) оцінка кутового коефіцієнта дорівнює –0,4795. Як показано в (4.4.6), для знаходження еластичності необхідно помножити кутовий коефіцієнт на відношення Х/Y (ціни до кількості). Але які величини Х і Y повинні ми вибрати? Звичайно, ми можемо підрахувати еластичність для кожної з 11 пар значень Х і Y. На практиці, проте, еластичність підраховується в середніх значеннях Х і Y. Ми одержуємо оцінку середньої еластичності. Для нашого прикладу чашки і дол. Використовуючи ці величини і , одержуємо з (4.4.6) середню еластичність –0,2197 або наближено –0,22. Цей результат отриманий із лінійної моделі й відрізняється від коефіцієнта еластичності –0,25, отриманого в лінійній логарифмічній моделі. Зазначимо, що цей коефіцієнт еластичності є постійним у всіх точках Х, тоді як у лінійній моделі коефіцієнт еластичності змінюється від точки до точки.