econometrics
DESCRIPTION
Εισαγωγή στην ΟικονομετρίαTRANSCRIPT
Εισαγωγή στην Οικονομετρία
Κεφάλαιο 1
Αντικείμενο και Σκοποί της Οικονομετρίας
Συναρτησιακές σχέσεις οικονομικής θεωρίας (ακριβείς/προσδιοριστικές)
→ μαθηματικές σχέσεις (στοχαστικά μοντέλα)
→ εκτιμήσεις
π.χ.
Βήμα Ι: Η Κεϋνσιανή συνάρτηση κατανάλωσης γράφεται
C = α + βY ή C= f(Y),
όπου C = δαπάνες κατανάλωσης και
Y= διαθέσιμο εισόδημα
Η σχέση αυτή είναι προσδιοριστική, δηλαδή για κάθε Y αντιστοιχεί ένα C
Βήμα ΙΙ: Η Κεϋνσιανή συνάρτηση κατανάλωσης μετατρέπεται σε στοχαστικό μοντέλο ως εξής:
Ci = α + βYi + ui , i=1,...,n,
όπου u ο διαταρακτικός όρος, δηλαδή τυχαία μεταβλητή που επηρεάζει την κατανάλωση
Βήμα ΙΙΙ: Εκτίμηση του στοχαστικού μοντέλου. Το εκτιμημένο μοντέλο γράφεται
C i=α∧
ET+ β∧
ΕΤ Y i+ u∧
i , i=1,...,n,
όπου
u∧
i τα κατάλοιπα
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 1
Εισαγωγή στην Οικονομετρία
Τύποι Δεδομένων
1. Διαστρωματικά δεδομένα (cross section data)
2. Χρονοσειρές (time series data)
3. Διαχρονικά-διαστρωματικά δεδομένα (panel data)
Αναλυτικά:
Διαστρωματικά δεδομένα:
Μετρήσεις μεταβλητών σε συγκεκριμένη χρονική στιγμή. Η διατρωμάτωση χαρακτηρίζεται από
τον δείκτη i και το μέγεθος του δείγματος με N
π.χ. ΑΕΠ, ανεργία, πληθωρισμός για 100 χώρες για το έτος 2005. Άρα εδώ Ν=100 με i=1,..., 100
Πρόβλημα: Συχνά παρατηρείται ασσύμετρη κατανομή, πράγμα που δεν επιτρέπει στον μέσο να
αποτελεί ακριβές μέτρο θέσης ή κεντρικής τάσης.
Λύση: Λογαριθμίζουμε τα διαθέσιμα δεδομένα
Συσχέτιση μεταβλητών υποδείγματος όπως φαίνονται από τα διαγράμματα διασποράς
Θετική Γραμμική Συσχέτιση
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 2
Υ
Χ
**
** ****
*
*
**
*
**
*
*
*
*
*
*
*
**
*
**
Εισαγωγή στην Οικονομετρία
Αρνητική Γραμμική Συσχέτιση
Μη Γραμμική Συσχέτιση
Γραμμικά Ασυσχέτιστες Μεταβλητές
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 3
Υ
Χ
**
**
****
*
*
**
*
**
*
*
*
**
*
*
*
*
*
**
Υ
Χ
** ** ****
**
**
*
**
*
*
*
**
**
**
*
**
***
**
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
**
Υ
Χ
** ** ****
**
**
*
**
*
*
*
**
**
**
*
**
***
**
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
** *
**
* ***
**
*
**
** **
**
**
Εισαγωγή στην Οικονομετρία
Χρονοσειρές:
Μετρήσεις μεταβλητών γα συγκεκριμένη αγορά για διαφορετικές χρονικές περιόδους, Οι
χρονοσειρές συμβολίζονται με Y t, t=1,...,T
π.χ. ΑΕΠ Ελλάδας από το 1930 έως το 2010
Πρόβλημα: Οι χρονοσειρές συχνά παρουσιάζουν αυτοσυχέτιση ή εμμονή (αφού η μέτρηση του
επόμενου έτους επηρεάζεται από το προηγούμενο)
Λύση: Χρήση μεθόδων αντιμετώπισης της αυτοσυσχέτισης
Panel Data:
Συνδιασμός χρονοσειρών και διαστρωματικν δεδομένων. Μετρήσεις μεταβλητών για διαφορετικές
αγορές και για διαφορετικές χρονικές περιόδους
Κεφάλαιο ΙΙ
Απλή Γραμμική Παλινδρόμηση
Υποθέσεις:
Η
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 4
(1) Y i=a+β Χ i+ui(γραμμική σχέση μεταξύΥ και Χ )
ui∼(0, σ2)
ui τυχαία μεταβλητήEui=0
(2) Eui2=σ 2σταθερή∀ Χ (αν δεν ισχύει αυτό οδιαταρακτικός όρος είναι ετεροσκεδαστικός )
(3) Eui u j=0 για i≠ j (οιδιαταρακτικοί όροι είναι ασυσχέτιστοι μεταξύ τους)Απόδειξη :Cov(ui ,u j)=E(u i−Eui)(u j−Eu j)=Eui u j=0
(4) X δεν είναι στοχαστική και οι τιμές δεν είναιόλες ίδιες μεταξύ τους δηλαδή ,σε επαναλαμβανόμενηδειγματοληψία (1)οι τιμές της μένουν σταθερές και
(2)η διακύμανση του Χ δεν είναι μηδέν ,και άρα δεν συσχετίζεται με τον διαταρακτικό όρο
Δηλαδή :Cov(X i ,u i)=0 ή E(X i ui)=0Απόδειξη :Cov (X i ,ui)=E(X i ui)−E (X i)E (u i)=E(Xi ui)
Εισαγωγή στην Οικονομετρία
υπόθεση της γραμμικότητας αναφέρεται στους συντελεστές του υποδείγματος και όχι στις
μεταβλητές. Αυτό μαθηματικά σημαίνει ότι οι μερικές παράγωγοι της εξαρτημένης μεταβήτής
y i ώς προς τους συντελεστές του υποδείγματος είναι ανεξάρτητες αυτών. Δηλαδή, στο
υπόδειγμα μας∂ yi
∂a=1 και
∂ y i
∂ β=xi ανεξάρτητα από τα a και β
Η μεταβλητή Υ της υπόθεσης (1) είναι συνάρτηση της τυχαίας μεταβλητής u και επομένως η Υ
είναι επίσης τυχαία μεταβλητή. Επιπλέον, η κατανομή της Υ είναι κατανομή υπό συνθήκη,
δεδομένης της τιμής της Χ, δηλαδή για κάθε Χ υπάρχει ολόκληρη κατανομή και όχι μόνο μια τιμή
της Υ.
Εφόσον η Χi δεν είναι στοχαστική ισχύει:
Ε(Υi|Xi) = E(Yi) και V(Yi|Xi) = V(Yi)
Άρα μπορούμε να γράψουμε τις ακόλουθες σχέσεις:
Απόδειξη
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 5
(a) Y i=α+βΧ i+ui
E (Y i)=E(α+βX i+ui)=E(a)+E(βX i)+E(ui)
αλλά ,E (a)=a , γιατί α είναι μια παράμετροςΕ (βX i)=β (X i), γιατί β είναι μια παράμετρος και X i μια σταθεράΕ (ui)=0σύμφωνα με την υπόθεση(2)Άρα ,E (Y i)=α+ βX i
(b) Από τον ορισμό της διακύμανσηςV (Y i)=E (Y i−EY i)
2
αντικαθιστώ με EY i=a+ βX iκαι Y i=α+βΧ i+ui
Y (Y i)=E(α+βX i+ui−a−βΧ i)2=Ε(u i)
2=σ2
(5)E(Y i)=a+ βΧi
(6)V (Y i)=σ2
Εισαγωγή στην Οικονομετρία
Μέθοδος ελαχίστων τετραγώνων
Θέλουμε να εκτιμήσουμε το παρακάτω γραμμικό υπόδειγμα
Y i=α+βΧ i+ui , i=1,... , n
Το εκτιμημένο υπόδειγμα γράφεται : Y i=α∧
ET+ β∧
ET X i+u∧
i , i=1,... , n
H μέθοδος των ελαχίστων τετραγώνων βασίζεται στην ελαχιστοποίηση του αθροίσματος των
τετραγώνων των καταλοίπων, δηλαδή,
min
a∧
, β∧ S(a
∧
, β∧
) ,
όπου S (a∧
, β∧
)=∑i=1
n
u∧
i2=∑
i=1
n
(Y i−α∧
−β∧
X i)2
Συνθήκες Πρώτης Τάξης
(7)∂ S
∂α∧ =S
a∧=−2∑
i=1
n
(Y i−a∧
−β∧
X i)=0
(8)∂ S
∂ β∧ =S
β∧=−2∑
i=1
n
(Y i−a∧
−β∧
X i)(X i)=0
(Κανονικές Εξισώσεις)
Για να βρούμε τους εκτιμητές α∧
και β∧
λύνουμε την (7)και(8)
(7)→−2∑i=1
n
(Y i−a∧
−β∧
X i)=0⇔∑i=1
n
(Y i−a∧
−β∧
X i)=0⇔∑i=1
n
Y i−na∧
−β∧
∑i=1
n
X i=0⇔∑i=1
n
Y i−β∧
∑i=1
n
X i=na∧
⇔a∧
=
∑i=1
n
Y i−β∧
∑i=1
n
X i
n
⇔a∧
=Y−β∧
X (9)
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 6
Εισαγωγή στην Οικονομετρία
(8)→∑i=1
n
(Y i−Y +β∧
X−β∧
X i)(X i)⇔∑i=1
n
Y i X i−Y∑i=1
n
X i+ β∧
X∑i=1
n
X i−β∧
∑i=1
n
X i2=0
⇔∑i=1
n
Y i X i−Y n X+β∧
n X2−β∧
∑i=1
n
X i2=0 (αφού X=
∑i=1
n
X i
n)
⇔∑i=1
n
(Y i−Y )(X i−X )−β∧
∑i=1
n
(X i−X )2=0
αφού −β∧
(∑i=1
n
X i2−n X2
)=−β∧
(∑i=1
n
X i2−n∑i=1
n
X i
nX)=−β
∧
(∑i=1
n
X i2−∑
i=1
n
X i X )
−β∧
(∑i=1
n
X i2−2∑
i=1
n
X i X+∑i=1
n
X i X)=−β∧
(∑i=1
n
X i2−2∑
i=1
n
X i X+n X2)
−β∧
∑i=1
n
(X i2−2 X i X+ X 2
)=−β∧
∑i=1
n
(X i−X )
⇔ β∧
ET=
∑i=1
n
(Y i−Y )(X i−X )
∑i=1
n
(X i− X)2(10)
Εναλλακτικά:
(11) β∧
ET=
∑i=1
n
yi x i
∑i=1
n
x i2
ή
(12) β∧
ET=rS y
Sx
,
όπου r=∑i=1
n
y i x i
√∑i=1
n
y i2√∑
i=1
n
x i2
o δειγματικός συντελεστής συσχέτισης Υ i ,Χ i
και Sy=√∑
i=1
n
(Y i−Y )2
n, o δειγματικός εκτιμητής τυπικής απόκλισης
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 7
Εισαγωγή στην Οικονομετρία
Συνθήκες Δεύτερης Τάξης
Για ελάχιστο η Εσσιανή μήτρα ων δευτέρων παραγώγων πρέπει να είναι θετικά ορισμένη, δηλαδή,
Sa∧
a∧>0 και ∣Η
∧
∣>0
Η∧
=(S
a∧
a∧ S
a∧
β∧
Sβ∧
a∧ S
β∧
β∧)
∣Η∧
∣=Sa∧
a∧ S
β∧
β∧−S
a∧
β∧
2, αφού Sα∧
β∧=S
β∧
α∧
∣Η∧
∣>0
Αν πάρω τις δεύτερες παραγώγους των (7) (8) προκύπτει:
Sa∧
a∧=2n>0
Sa∧
β∧=2∑
i=1
n
X i
Sβ∧
β∧=2∑
i=1
n
Χ i2
∣Η∧
∣=4n∑i=1
n
(X i−X )2>0 που προκύπτειως εξής :
∣Η∧
∣=Sa∧
α∧ S
β∧
β∧−S
a∧
β∧
2= 2n2∑
i=1
n
X i2−(2∑
i=1
n
X i)2= 4n∑
i=1
n
X i2−4∑
i=1
n
X i2= 4n∑
i=1
n
X i2−4 X∑
i=1
n
X i
4n (∑i=1
n
X i2−X∑
i=1
n
X i)= 4n (∑i=1
n
X i2−2 X∑
i=1
n
X i+ X∑i=1
n
X i)= 4n(∑i=1
n
X i2−2 X∑
i=1
n
X i+X n X )
4n (∑i=1
n
X i2−2 X∑
i=1
n
X i+n X2)= 4n∑
i=1
n
(X i− X)2
Γενικά οι εκτιμητές δίνονται από τις σχέσεις:
a∧
=Y−β∧
X
β∧
ET=∑i=1
n
(Y i−Y )(X i−X )
∑i=1
n
(X i−X )2=∑i=1
n
y i x i
∑i=1
n
xi2
σ∧
2=
∑i=1
n
(Y i−Y )2
n−1=
∑i=1
n
u∧
i2
n−Κ(Κ ο αριθμός των συντελεστών του υποδείγματος που εκτιμώνται με ΕΤ)
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 8
Εισαγωγή στην Οικονομετρία
Ιδιότητες Γραμμής Παλινδρόμησης του Δείγματος
1. To άθροισμα των τιμών της Υ από το δείγμα είναι ίσο με το άθροισμα των τιμών που
υπολογίζουμε από την παλινδρόμηση, δηλαδή ∑i=1
n
Y i=∑i=1
n
Y∧
i (13)
Απόδειξη:
Y∧
i=a∧
ET+β∧
ET X i
(αθροίζω∀ i και τα δύο σκέλη) ∑i=1
n
Y∧
i=∑i=1
n
(a∧
ET+β∧
ET X i)
(αντικαθιστώ με πρώτη κανονική εξίσωση) ∑i=1
n
Y∧
i=∑i=1
n
(Y i)
2. Το άθροισμα των καταλοίπων είναι μηδέν. Δηλαδή ∑i=1
n
u∧
i=0 (14)
Απόδειξη:
u∧
=Y−Y∧
(αθροίζω∀ i και τα δύο σκέλη) ∑i=1
n
u∧
i=∑i=1
n
(Y−Y∧
)
(αφού∑i=1
n
Y∧
i=∑i=1
n
Y i) ∑i=1
n
u∧
i=∑i=1
n
Y i−∑i=1
n
Y∧
i⇔∑i=1
n
u∧
i=0
3. To άθροισμα των γινομένων των τιμών της Χ και των καταλοίπων είναι μηδέν, δηλαδή
∑i=1
n
Χ ιu∧
i=0 (15)
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 9
Εισαγωγή στην Οικονομετρία
Απόδειξη:
u∧
i=Υ∧
i−α∧
ΕΤ−β∧
ΕΤ X i
(πολλαπλασιάζουμε με X i και τα δύο σκέλη) X i u∧
i=X iΥ∧
i−X i α∧
ΕΤ−β∧
ΕΤ X i2
(αθροίζουμε∀ iκαι τα δύο σκέλη) ∑i=1
n
X iu∧
i=∑i=1
n
(X iΥ∧
i−X i α∧
ΕΤ−β∧
ΕΤ X i2)
(από δεύτερη κανονικήεξίσωση(8)προκύπτει ότι το δεύτερο σκέλος είναι μηδέν)
άρα ∑i=1
n
Χ ιu∧
i=0
4. Το άθροισμα των γινομένων των καταλοίπων και των τιμών Υ που υπολογίζουμε από την
παλινδρόμηση του δείγματος είναι μηδέν, δηλαδή: ∑i=1
n
Υ∧
iu∧
i=0 (16)
Απόδειξη:
Υ∧
i=α∧
ΕΤ+ β∧
ΕΤ X i+ u∧
i
(πολλαπλασιάζουμε με ui και τα δύο σκέλη) u∧
i Υ∧
i=u∧
i(α∧
ΕΤ+ β∧
ΕΤ X i+ u∧
i)
(αθροίζουμε∀i και ταδύο σκέλη) ∑i=1
n
u∧
iΥ∧
i=∑i=1
n
(u∧
i(α∧
ΕΤ+ β∧
ΕΤ X i+ u∧
i))
∑i=1
n
u∧
i a∧
ET+ β∧
ET∑i=1
n
u∧
i X i=0
5. H εκτιμημένη γραμμική σχέση y i= αΕΤ+
β ΕΤ x i
περνάει από το σημείο των μέσων όρων των
τιμών της εξαρτημένης και ανεξάρτητης μεταβλητής στο δείγμα. Το σημείο αυτό ορίζεται ως εξής:
x=1N∑i=1
N
x i , y=1N∑i=1
N
y i . Δηλαδή, ο μέσος της εξαρτημένης μεταβλητής και ο μέσος της
τιμής του Υ που υπολογίζουμε από την παλινδρόμηση ισούται, δηλαδή:
Υ=Y∧
(17)
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 10
Εισαγωγή στην Οικονομετρία
Απόδειξη:
Ξέρουμε ότι Y i=Y∧
i+ u∧
i , όπου Y∧
i=α∧
ΕΤ+ β∧
ET Χ i και u∧
i τα κατάλοιπα
Y i=Y∧
i+ u∧
i
(αθροίζω∀i καιδιαιρώ με n)1n∑i=1
n
Y i=1n∑i=1
n
Y∧
i+1n∑i=1
n
u∧
i⇔Y=Y∧
+1n
0
(επειδή ∑i=1
n
u∧
i=0) Y=Y∧
6. To συνολικό άθροισμα των τετραγώνων της εξαρτημένης μεταβλητής (TSS) ισούται με το
άθροισμα των “εξηγημένων” τετραγώνων (ESS) και του αθροίσματος των τετραγώνων των
καταλοίπων (RSS), δηλαδή
TSS = ESS + RSS (total sum of squares = explained sum of squares +residual sum of squares) (18)
ή αλλιώς ∑i=1
n
y i2=∑
i=1
n
y2+∑
i=1
n
u∧
i2
Απόδειξη:
Y i=Y∧
i+u∧
i
(αφαιρώ Y και από τα δύο σκέλη) Y i−Y=Y∧
i−Y +u∧
i
(αθροίζωκαι υψώνω στο τετράγωνο) ∑i=1
n
(Y i−Y )2=∑i=1
n
(Y∧
i−Y +u∧
i)2
(αναπτύσσω την ταυτότητα ) ∑i=1
n
(Y i−Y )2=∑i=1
n
(Y∧
i2−2Y
∧
i Y +2 Y∧
iu∧
i+Y 2−2Y u
∧
i+u∧
i2)
∑i=1
n
(Y i−Y )2=∑i=1
n
(Y∧
i−Y )2+2∑i=1
n
Y∧
iu∧
i−2∑i=1
n
Y u∧
i+∑i=1
n
u∧
i2
(ξέρωότι∑i=1
n
u∧
i=0) ∑i=1
n
(Y i−Y )2=∑i=1
n
(Y∧
i−Y )2+2∑i=1
n
Y∧
i u∧
i+∑i=1
n
u∧
i2
(αντικαθιστώ μεΥ∧
i=a∧
ET+β∧
ET X i) ∑i=1
n
(Y i−Y )2=∑i=1
n
(Y∧
i−Y )2+2a∧
ET∑i=1
n
u∧
i+2β∧
ET∑i=1
n
X i ui+∑i=1
n
u∧
i2
∑i=1
n
(Y i−Y )2=∑i=1
n
(Y∧
i−Y )2+∑i=1
n
u∧
i2⇔TSS=ESS+RSS
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 11
Εισαγωγή στην Οικονομετρία
Συντελεστής Προσδιορισμού
Ο συντελεστής προσδιορισμού συμβολίζεται με R2 και εκπροσωπεί το ποσοστό της
μεταβλητότητας της εξαρτημένης μεταβλητής που “εξηγείται” από την παλινδρόμηση. Ως σημείο
σύγκρισης χρησιμοποιείται ο μέσος.
TSS=ESS+ RSS
(διαιρώ με TSS και τα δύο σκέλη) 1=ESSTSS+
RSSTSS
( λύνωως προςESSTSS)
ESSTSS=1−
RSSTSS⇔R
2=1−
RSSTSS
(19)
αλλιώς R2=ESSTSS
=
∑i=1
n
(Y∧
i−Y )2
∑i=1
n
(Y i−Y )2
(20) ή R2=
β2∑i=1
n
x i2
∑i=1
n
y2
(21) ή R2=
β2∑i=1
n
x i y i
∑i=1
n
y i2
(22)
ή R2=
(∑i=1
n
x i y i)2
(∑i=1
n
x i2)(∑
i=1
n
y i2)
(23) ή R2=1−
RSSTSS=1−
∑i=1
n
u∧
i2
∑i=1
n
(Y i−Y )2
(24)
και0⩽R2⩽1
• Ο συντελεστής προσδιορισμού παίρνει τιμές μεταξύ του μηδέν και του ένα 0⩽R2⩽1
• Στο διμεταβλητό υπόδειγμα ισχύει R2=r2 (25)
• Αν το υπόδειγμα εκτιμήθηκε με ΕΤ χωρίς σταθερό όρο τότε το R2 μπορεί να πάρει και
αρνητικές τιμές και κατά συνέπεια δεν χρησιμοποιείται
• Όσο πιο κοντά βρίσκεται η τιμή του R2 στην μονάδα, τόσο πιο ισχυρή γίνεται η γραμμική
σχέση εξάρτησης των μεταβλητών Υ και Χ.
Μη Κεντρικός Συντελεστής Προσδιορισμού
Αν, αντί του μέσου, ως σημείο σύγκρισης χρησιμοποιηθεί το μηδέν, τότε προκύπτει ο μη κεντρικός
συντελεστής προσδιορισμού (uncentered coefficient of determination) που συμβολίζεται με Ru2
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 12
Εισαγωγή στην Οικονομετρία
(20)→Ru2=∑i=1
n
Y∧
i2
∑i=1
n
Y
Επομένος, ο μη κεντρικός συντελεστής προσδιορισμού Ru2 παριστάνει την αναλογία της
μεταβλητικότητας της Υ που “ερμηνεύεται” από την παλινδρόμηση όταν η μεταβλητικότητα
ορίζεται με βάση το μηδέν.
Ιδιότητες Εκτιμητών
Σύμφωνα με το θεώρημα των Gauss-Markov για το κλασσικό γραμμικό υπόδειγμα, οι εκτιμητές
που προκύπτουν με την μέθπδπ των ελαχίστων τετραγώνων είναι άριστοι γραμμικοί αμερόληπτοι
εκτιμητές. Αυτό σημαίνει ότι:
1. είναι γραμμικές συναρτήσεις των παρατηρήσεων της εξαρτημένης μεταβλητής Υ
2. είναι αμερόληπτοι, δηλαδή: Ε(α∧
)=α (26)
E(β∧
)=β (27)
3. είναι αποτελεσματικοί, δηλαδή μεταξύ όλων των γραμμικών αμερόληπτων εκτιμητών έχουν
τη μικρότερη διακύμανση, που δίνεται από τις ακόλουθες σχέσεις:
V (α∧
)=σ2 1n+
X2
∑i=1
n
x i2
(28)
V ( β∧
)=σ2(∑
i=1
n
x i2)−1(29)
Επιπλέον, η συνδιακύμανση των συντελεστών α∧
και β∧
δίνεται από την ακόλουθη σχέση:
Cov(α∧
, β∧
)=−σ2 X
∑i=1
n
x12
(30)
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 13
Εισαγωγή στην Οικονομετρία
Απόδειξη
Ένας εκτιμητής θ∧
είναι γραμμικός εκτιμητής αν είναι της μορφής
θ∧
=∑i=1
n
a iY i ,όπου α i σταθερές και i=1,2,. .. , n.
Δηλαδή ,o εκτιμητής θ∧
είναι γραμμικός αν είναι γραμμική συνάρτησητων παρατηρήσεων του δείγματος
A.Θα δείξουμε ότι ο εκτιμητής β∧
είναι γραμμικός
O εκτιμητής β∧
δίνεται από τη σχέση : β∧
=
∑i=1
n
x i y i
∑i=1
n
x i2
(αντικαθιστώ με y i=Y i−Y ) β∧
=
∑i=1
n
x i(Y i−Y )
∑i=1
n
x i2
=
∑i=1
n
x iY i
∑i=1
n
x i2
−
Y∑i=1
n
x i
∑i=1
n
x i2
(αφου∑i=1
n
xi=0) β∧
=
∑i=1
n
x iY i
∑i=1
n
x i2
Η μεταβλητή Χ δεν είναι στοχαστική , επομένως ο λόγοςx i
∑i=1
n
x i2
είναι μια σταθερά∀ i=1,2,. .. ,n
Θέτω δi=xi
∑i=1
n
x i2
, β∧
=∑i=1
n
δ iY i
Άρα ο εκτιμητής β∧
είανι γραμμική συνάρτηση τουΥ
B. Θα δείξουμε ότι ο εκτιμητής a∧
είναι γραμμικός
a∧
=Y−β∧
X
(αντικαθιστώ β∧
=∑i=1
n
δ i Y i και Y=∑i=1
n
Y i
n) a
∧
=
∑i=1
n
Y i
n− X∑
i=1
n
δi Y i
(βγάζω το άθροισμα κοινο παράγοντα ) a∧
=∑i=1
n
(1n− X δ i)Y i
Αλλά ,1n− X δ i ,σταθερά και επομένως ο a
∧
είναι γραμμική συνάρτηση της Υ
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 14
Εισαγωγή στην Οικονομετρία
Γ. Θα δείξουμε ότι οεκτιμητής β∧
είναι αμερόληπτος
β∧
=∑i=1
n
xi Y i
∑i=1
n
xi2
(αντικαθιστώ Y i=α+βX i+ui) β∧
=
∑i=1
n
x i(α+βX i+ui)
∑i=1
n
x i2
=a∑i=1
n
x i
∑i=1
n
x i2
+β∑i=1
n
x i X i
∑i=1
n
x i2
+
∑i=1
n
xi ui
∑i=1
n
xi2
(επειδή∑i=1
n
xi=0και∑i=1
n
x i X i=∑i=1
n
x i2) β
∧
=β+∑i=1
n
xiu i
∑i=1
n
xi2
έχω ∑i=1
n
x i X i=∑i=1
n
X i(X i−X )=∑i=1
n
X i2−X∑
i=1
n
X i
(προσθέτω και αφαιρώ X∑i=1
n
X i) ∑i=1
n
xi X i=∑i=1
n
X i2−2 X∑
i=1
n
X i+ X X n
(αφού X X n=∑i=1
n
X2) ∑
i=1
n
x i X i=∑i=1
n
X i2−2 X∑
i=1
n
X i+∑i=1
n
X2=∑
i=1
n
(X−X )2=∑i=1
n
x i2
Παίρνω την προσδοκώμενη τιμή του β∧
οπότε έχω:
Ε β∧
=Ε [ β+∑i=1
n
x i u i
∑i=1
n
x i2
]=E β+Ε [∑i=1
n
x i ui
x i2 ]
(αφού Εβ=β και Ε (∑i=1
n
xi u i
∑i=1
n
xi2
=0)) Eβ∧
= β
έχω E (∑i=1
n
x i ui
∑i=1
n
x i2
)=∑i=1
n
x i E u i
∑i=1
n
x i2
=0 γιατίx i
∑i=1
n
xi2
είναι μια σταθερά και Εui=0
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 15
Εισαγωγή στην Οικονομετρία
Δ.θα δείξουμε ότι V ( β∧
)=σ2(∑i=1
n
x i2)−1
Είδαμε ότι β∧
=β +∑i=1
n
xi ui
∑i=1
n
xi2
ή β∧
=β +∑i=1
n
δ iui , όπου δi=x i
∑i=1
n
x i2
Σύμφωνα με τον ορισμό της διακύμανσης V ( β∧
)=E (β∧
−E β∧
)2
(αφού β αμερόληπτος) V (β∧
)=E(β∧
−β )2
(αντικαθιστώ με β∧
=β +∑i=1
n
δi ui) V (β∧
)=E(∑i=1
n
δi ui)2
(Επειδή(∑i=1
n
δiu i)2είναι ταυτότητα ) V (β
∧
)=E(∑i=1
n
δi2u i
2+2∑
i<s
n
δi δ sui us)=∑i=1
n
δi2 E ui
2+2∑
i<s
n
δi δ s Eui us
(Επειδή E u ius=0και E ui2=σ 2) V ( β
∧
)=σ2∑i=1
n
δi2=σ2∑
i=1
n
(x i
∑i=1
n
x i2
)
2
=σ2
∑i=1
n
x i2
E.Θα δείξουμε ότι Cov( α∧
, β∧
)=−σ2 X
∑i+ i
n
xi
(Από τον ορισμό) Cov (α∧
, β∧
)=Ε (α∧
−Ε(α∧
))(β∧
−Ε(β∧
))
(επειδή α∧
, β∧
αμερόληπτοι) Cov(α∧
, β∧
)=Ε (α∧
−α )(β∧
−β) (Ι )
α∧
−α=Y−b∧
X−α ( II)
Y i=α+βX i+ui⇒α=Y i−βX i−ui
(αθροίζωκαι τα δύο σκέλη) ∑i+1
n
α=∑i=i
n
Y i−β∑i=1
n
X i−∑i=1
n
ui
(διαιρώ με n)∑i=1
n
α
n=
∑i=1
n
Y 1
n−β∑i=1
n
X i
n−
∑i=1
n
u i
n
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 16
Εισαγωγή στην Οικονομετρία
(αφού ∑i=1
n
α=n⋅α) a=Y−β X−∑i=1
n
ui
n=Y−β X−ui
(αντικαθιστώ το α στην( ΙΙ )) α∧
−α=Y−β∧
X−(Y−β X−ui)
(βγάζωκοινό παράγοντα X ) α∧
−α=−(β∧
−β ) Χ+ui
(αντικαθιστώ στην ( Ι)) Cov(α∧
, β∧
)=Ε [−(β∧
−β) X+ui] (β∧
−β)
Cov (α∧
, β∧
)=E[−(β∧
−β )2 X+u i(β∧
−β)]
Cov (α∧
, β∧
)=(−X)E(β∧
−β)2+E ui(β∧
−β )
Όμως E ui(β∧
−β )=0 γιατί
β∧
−β=β+∑i=1
n
x iui
∑i=1
n
x i2
−β=∑i=1
n
xiu i
∑i=1
n
x i2
άρα Eu i(β∧
−β)=Ε ui(∑i=1
n
xi ui
∑i=1
n
x i2 )=E(∑i=1
n
xi ui ui
∑i=1
n
x i2 )⇔
⇔E ui(β∧
−β )=(1
∑i=1
n
xi2)E[∑i=1
n
x iu i(u1+u2+.......+un
n )]⇔
⇔E ui( β∧
−β)=(1
∑i=1
n
x i2)E [∑i=1
n
x iu iu1+....+∑i=1
n
x iu i+......+∑x i
u iun
n ]=(1
∑i=1
n
x i2)(∑i=1
n
xi Eui2
n )= 1
∑i=1
n
x i2
∑i=1
n
x i
n⇔
(αντικαθιστώ x=X−X ) ⇔E u i(β∧
−β)=1
∑i=1
n
x i2
σ2∑i=1
n
(X i−X )
n⇔E ui(β
∧
−β)=σ2(∑i=1
n
X i
n∑i=1
n
x i2
−∑i=1
n
X
n∑i=1
n
xi2)⇔
(∑i=1
n
X=X⋅nκαι∑i=1
n
X=n⋅X) ⇔E ui( β∧
−β)=σ2
(n X
n∑i=1
n
xi2
−n X
n∑i=1
n
x i2)=0
Επομένως , Cov (α∧
, β∧
)=−X E (β∧
−β)2
(εξ ' ορισμούV (β∧
)=E (β∧
−β )2) Cov (α∧
, β∧
)=−X V (β∧
)=−Xσ 2
∑i=1
n
x i2
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 17
Εισαγωγή στην Οικονομετρία
Ερμηνεία Συντελεστών
O συντελεστής παλινδρόμησης β παριστάνει τη μεταβολή στην προσδοκώμενη τιμή της
εξαρτημένης μεταβλητής, όταν η ερμηνευτική μεταβλητή μεταβάλεται κατά 1 μονάδα, Είναι
δηλαδή η μαράγωγος της Ε(Υi) ως προς Χi δηλαδή, dE(Y i)
dEX i
=β
H ελαστικότητα της Υ προς Χ δίνεται απότον τύπο :
ε yx=dydx
xy
ή ε yx=dydx
:yx
η εκτίμηση της ε yx είναι: ε∧
yx=β∧
ET
Χ i
Υ i
Eπειδή όμως η ελαστικότητα δεν παραμένει σταθερή σε όλο το μήκος της συνάρτησης, συνήθως
υπολογίζουμε την ελαστικότητα παίρνοντας τους μέσους των Χ και Υ.
Έτσι: ε yx=β∧
ETXY
, όπου ε xy η ελαστικότητα στο σημείο των μέσων (31)
Σταστιστική Επαγωγή
Μέχρι τώρα δεν καθορίσαμε την κατανομή πιθανότητας της u i.
Έστω u i∼N (0,σ2)
Τότε ισχύει :
α∼Ν (α ,σ 2 1ν+
x2
∑i=1
n
xi2)
β∼N (β ,σ 2(∑i=1
n
x i2)−1
)Επειδή όμως η παράμετρος της διακύμανσης του διαταρακτικούόρουσ 2 καιη τυπική απόκλισησ είναιάγνωστες , θα χρησιμοποιήσουμε τον αμερόληπτο εκτιμητή της , σ 2
Η στατιστική όμως( β−β )se( β )s
ακολουθεί την t κατανομή( t−student )
άρα t=( β−β)se ( β )s
∼t n−2
Η τετραγωνική ρίζα της διακύμανσης του εκτιμητήονομάζεται τυπικό σφάλμα καιη εκτίμησή τουδίνεται από τον τύπο :
se( β )=√Var ( β )
g=[σ∑
i=1
n
x i2]−
12(32)
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 18
Εισαγωγή στην Οικονομετρία
Έλεγχος Υπόθεσης (Έλεγχος Σημαντικότητας )H 0: β=αριθμός ( μηδενική υπόθεση)H 0 : β≠αριθμός (εναλλακτικήυπόθεση)
ΒΗΜΑ1 :Υπολογίζουμε t−student στατιστική
t=β−αριθμόςse ( β )s
∼t n−2(33)
ΒΗΜΑ2 : Συγκρίνουμε την τιμήτης με την κριτική τιμήαπό τους πίνακες της t−student κατανομής μεn−2 βαθμούς ελευθερίας και δεδομένοα(επίπεδο σημαντικότητας )
Αν∣t∣⩽t n−2
α2 δεν απορρίπτουμε Η 0
Αν∣t∣>t n−2
α2 απορρίπτουμε Η 0
ΠΡΟΣΟΧΗ ! !Όταν ελέγχουμε Η 0: β=0 και απορρίψουμε την Η 0 λέμε ότι : ' ' η εκτίμηση β διαφέρει σημαντικά απότο μηδέν ' ' ή ότι ' ' η εκτίμηση είναι στατιστικά σημαντική' '
Διάστημα Εμπιστοσύνης για συντελεστές κλίσης
P [β−t n−2
α2se( β )⩽β⩽ β+t n−2
a2se( β)]=1−α (34)
H πιθανότητα οιτυχαίες μεταβλητές β−t n−2
α2 se ( β)και β+t n−2
α2 se ( β)να λάβουν τιμές πουπερικλείουν
την παράμετροτου πληθυσμού β είναι(1−α)%
Διάστημα εμπιστοσύνης για την διακύμανση του διαταρακτικού όρου σ2
P [(n−2) σ2
χ1−
12,
n−2
2⩽σ2⩽(n−2) σ2
χ a2,
n−2
2 ]=1−α (35)
Παράδειγμα
Σας δίνονται τα παρακάτω εκτιμημένα υποδείγματα υποδείγματα. Σε παρενθέσεις αναφέρονται τατυπικά σφάλματα.
Προβείτε σε ελέγχους στατιστικής σημαντικότητας των συντελεστών κλίσης και των σταθερώνόρων.
Y i=1.56(0.91)+2.67(1.19)
X i+u i , i=1,. .... ,12
Y i=0.35(0.0092)
+1.55(0.28)
X i+u i , i=1,. .,136
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 19
Εισαγωγή στην Οικονομετρία
Λύση
α)Υ 1=1.56+2.67Χι+ ui , i=1,... ,12H 0: β=0H 1: β≠0
t=2.671.19=2.243 ~ t10 , α=0.05
∣t∣>t n−2
α2
∣2.243∣>2,228άρα απορρίπτουμε Η 0 υπόθεση ,κατά συνέπεια η μεταβλητή Χ i έχειστατιστικά σημαντικήεπίδραση στην Υ i
H 0: α=0H 1: α≠0
t=1.560.91=1.714 ∣t∣<2.228άρα δεν απορρίπτουμε Η 0υπόθεση για 95% διάστημα εμπιστοσύνης
(β)Υ i=0.35+1.55Xi+u i , i=1,.... ,136H 0: β=0H 0: β≠0
t=1.550.28= ~ t134, α=0.05
∣t∣>t n−2
α2
∣t∣=5.535>1.960 άρααπορρίπτουμε Η 0υπόθεση , κατάσυνέπεια η εκτίμηση β διαφέρει σημαντικά απότο μηδέν
H 0: α=0H 1: α≠0
t=1.350.092
~ t 134 t=0.38
∣t∣1.960 άρα δεν απορρίπτουμε Η 0 υπόθεση για 95% διάστημα εμπιστοσύνης
Έλεγχος με την κατανομή F
Ο έλεγχος της υπόθεσης β=0 μπορεί να γίνει και με την κατανομή F : Όταν β=0 ισχύει:
F=β2∑
i=1
n
x i2
σ2 =
∑i=1
n
y2
∑i=1
n
ui
n−2
(36) με1και n−2 βαθμούς ελευθερίας
Για δεδομένο επίπεδοσημαντικότητας α , ηυπόθεση β=0απρρίπτετατιόταν F⩾F α , όπου F α είναι ητιμή της Φ από τους πίνακες με 1 και n−2 β.ε.σε α επίπεδο σημαντικότητας
ΠΡΟΣΟΧΗ ! ! Η στατιστική F είναιτο τετράγωνο της στατιστικής t , t 2=F
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 20
Εισαγωγή στην Οικονομετρία
Για τον υπολογισμό της F-στατιστικής μπορεί να κατασκευαστεί πίνακας ανάλυσης της
διακύμανσης (πίνακας ANOVA)
ΠΗΓΗΜΕΤΑΒΛΗΤΟΤΗΤΑΣ
Άθροισματετραγώνων Β.Ε.
Μέσοςαθροίσματοςτετραγώνων
F-στατιστική
Παλινδρόμηση ∑i=1
n y i2( RSS)
1 ∑i=1
n
y i2
1
F=
∑i=1
n
y i2
1
∑i=1
n
u i2
( n−2)
Κατάλοιπα ∑i=1
n u i2( ESS)
n-2 ∑i=1
n ui2
[ n−2]
Σύνολο ∑i=1
n
y i2( TSS)
n-1 ∑i=1
n
y i2
( n−2)
Έλεγχος του συντελεστή συσχέτισης
Ο έλεγχος του συντελεστή συσχέτισης, δηλαδή ο έλεγχος της υπόθεσης πως ο συντελεστής
συσχέτισης στον πληθυσμό ρ είναι μηδέν, είναι ο ίδιος με τον έλεγχο του συντελεστή β. Όταν
δηλαδή ελέγχουμε για σημαντικότητα το συντελεστή β, είτε με το κριτήριο τ είτε με το κριτήριο F,
ελέγχουμε ταυτόχρονα και το συντελεστή συσχέτισης. Συνήθως, υπολογίζουμε την στατιστική:
t=r√n−2
√1−r2(37) και απορρίπτουμε την υπόθεση ότι ρ=0 αν |t| ≥tα/2 , n-2
Πρόβλεψη στο απλό γραμμικό υπόδειγμαΈστω μια δοσμένητιμή Χ f της μεταβλητής Χ i i=1,. .. , nΜε βάση την εκτίμηση του υποδείγματος και τηδεδομένη τιμή Χ f , μπορούμε να προβλέψουμε τηνεξαρτημένη μεταβλητή Υ.Η σημειακή πρόβλεψη δίνεταιαπό : Υ f=α+ β Χ f
(αντικαθιστώ a=Y− β X ) Y f=Y− β X + βΧ f
(αντικαθιστώ x=X− X ) Y f=Y + βx f
Η πραγματική τιμή Υ f είναι άγνωστη και θεωρητικά δίνεται απότο υπόδειγμαY f=α+ βΧ f +u f (α)
(αθροίζω κ ' διαιρώ με n) Y=α+ β X + u ( β )(αφαιρώ(α)−( β )) Y f−Y=βΧ f−β X +u f− u=βx f +u f− u
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 21
Εισαγωγή στην Οικονομετρία
Το σφάλμα πρόβλεψης συμβολίζεται με e f και ορίζεταιως η απόκλισητης πραγματικής τιμής Υ 0 απότην πρόβλεψή της με βάσητο υπόδειγμα , δηλαδή
e f=Y f−Y f=−( β−β ) x f +(u f− u)Όταν ο εκτιμητής είανι αμερόληπτος το μέσοσφάλμα πρόβλεψης είναι0. Δηλ.
Ε (e f )=0
και Var (e f )=σ 2
(1+1n+
x f2
∑i=1
n
xi2)
Επίσηςe f ~ N (E (e f ) ,Var (e f ))Tο σφάλμα πρόβλεψης κατανέμεται ως μια t−student τυχαία μεταβλητή με n−2 β.ε.δηλαδή
t=e f
se(e f )a=
Y 0−Y 0
se (e f )a
~ t n−2 (38) , όπου se (e f )=√Var (e f )I 1
Διάστημα Εμπιστοσύνης : Y f±tn−2 ,α
2
⋅√Var (e f )a(39)
Περαιτέρω εξειδίκευση του υποδείγματος
Λογαριθμικός – Λογαριθμικός μετασχηματισμός
ΠΡΟΣΟΧΗ!!
Ο λογαριθμικός μετασχηματισμός εφαρμόζεται μόνο όταν οι μεταβλητές λαμβάνουν μόνο θετικές τιμές
Το υπόδειγμα είναι της μορφής: ln(Y i)=α+ βln (X i)+u i (40)
Ο συντελεστής κλίσης β αντιστοιχεί στην ελαστικότητα της Y i ως προς X i , β=ε yx
Το υπόδειγμα (40) υποθέτει σταθερή ελαστικότητα της Y i ως προς X i ή ότι η αρχική εξάρτηση
της Y i πάνω στην X i είναι πολλαπλασιαστικού τύπου Y i=A X iβ eu i
Έστω η εκθετική συνάρτηση Y i=ea+ βX i+ui
Η συνάρτηση μετατρέπεται σε γραμμική αν λογαριθμίσουμε με βάση το e. Δηλαδή:
ln(Y i)=ln (eα+βX i+ui)⇒lnY i=α+ βX i+ui
Η συνάρτηση αυτή, όπως είναι γνωστό, συνεπάγεται σταθερό ρυθμό μεταβολής της Y i
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 22
Εισαγωγή στην Οικονομετρία
Λογαριθμικός – Γραμμικός μετασχηματισμός
Στην περίπτωση αυτή λογαριθμίζουμε μόνο την εξαρτημένη μεταβλητή
ln(Y i)=α+ β X i+ui (41)
Η ελαστικότητα της Y i ως προς X i δίνεται από τον τύπο: ε YX=βX i αφού
dln(Y i)
dX i /X i
X i=βX i
αν β>0: μια αύξηση (μείωση) της μεταβλητής X i κατά μία μονάδα οδηγεί σε μια (100xβ)%
αύξηση (μείωση) της Y i
Ισχύει ότι:
ε YX= β X
Ο εν λόγω μετασχηματισμός χρησιμοποιείται κυρίως
• όταν η ανεξάρτητη μεταβλητή είναι ψευδομεταβλητή (παίρνει την τιμή 0 ή 1) ή έχει μονάδα
μέτρησης τον χρόνο και
• η εξαρτημένη μεταβλητή παίρνει μόνο θετικές τιμές
Παράδειγμα (Πανεπιστήμιο Πατρών, Τμήμα Οικονομικών Επιστημών Εξετάσεις 2011)
Έστω ότι P i είναι η τιμή πώλησης διαμερισμάτων στην περιοχή της Πάτρας το έτος 2009. Έστω
ότι έχετε ένα τυχαίο δείγμα 125 τιμών πώλησης. Επίσης, έστω ότι Χ i ο αριθμός δωματίων του
διαμερίσματος. Θέλετε να εκτιμήσετε το υπόδειγμα ln(Ρi)=α+ β X i+ui .
Με βάση τα παρακάτω στοιχεία
∑i=1
n
( pi− p)2=19,5955 , ∑i−1
n
(X i−X )2=78,288
∑i=1
n
( pi− p)(X i− X )=21,25014
p=6,59585 X=4,7361111 pi=lnPi
1.Εκτιμήστε με τη μέθοδο των ελαχίστων τετραγώνων τις παραμέτρους α και β
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 23
Εισαγωγή στην Οικονομετρία
2.Εκτιμήστε το τυπικό σφάλμα του εκτιμητή β και προβείτε σε έλεγχο σημαντικότητας για το β
όταν το άθροισμα των τετραγώνων των καταλοίπων είναι ίσο με ∑i=1
n
ui2=13,82746
( t από πίνακες 1,96)
3.Υπολογίστε το 95% διάστημα εμπιστοσύνης του β και αποφασίστε σχετικά με την υπόθεσηβ=0,30 ( t από πίνακες 1.96)
4.Ερμηνεύστε τον εκτιμημένο συντελεστή β
5.Υπολογίστε το συντελεστή προσδιορισμού και προβείτε σε σχολιασμό του
Λύση1. αΕΤ=Y− β X
β ΕΤ=∑i−1
n
y i x i
∑i=1
n
x i2
=∑i=1
n
( pi− p)(X i− X )
∑i=1
n
(X i−X )2=
21,2501478,288
=0,27143
α= p− β X=6,59585−0,27143⋅4,736=5,31036
άρα ln(P i)=5,31036+0,27143 X i
2.se( β)=√Var ( β )
a=[ σ∑
i=1
n
xi2]−
12 όμως
σ=√ σ 2=√0,11241=0,33527
συνεπώςse ( β)=√(0,33527⋅78,288)A=0,19518
Θα κάνουμε έλεγχο σημαντικότητας για τον συντελεστή βH 0 : β=0H 1 : β≠0
t=βse( β)A
=0,271430,19518
=1,39066
∣t∣<1,96άρα δεν απορρίπτουμε την Η 0 υπόθεση
3. P [ β−t n−2
a2 se( β)⩽β⩽ β+t n−2
a2 se ( β)]
άραP [0,27143−1,96∗0,19518⩽β⩽0,27143+1,96∗0,19518 ]=0,95
P [−0,11112⩽β⩽0,65398 ]=0,95άρα το διάστημα εμπιστοσύνης είναι [−0,111120,65398]
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 24
Εισαγωγή στην Οικονομετρία
H 0 : β=0,30Η 1: β≠0,30
a=0,05
t=β−0,30se ( β )
=0,27143−0,30
0,19518=−0,14637
∣t∣<1,96 άρα δεν απορρίπτουμε H 0 υπόθεση
4. Ο εκτιμημένος συντελεστής β είναι ένας θετικός αριθμός, πράγμα που σημαίνει ότι μια
αύξηση του αριθμού των δωματίων του διαμερίσματος κατά μία μονάδα οδηγεί σε μια 27,143 %
((100x0,27143)%) αύξηση της τιμής πώλησης του διαμερίσματος.
Αντίστοιχα, μια μείωση του αριθμού των δωματίων του διαμερίσματος κατά μία μονάδα, οδηγεί σε
μια 27,143% μείωση της τιμής πώλησης του διαμερίσματος.
5. R2=1−∑i=1
n
u i2
∑i=1
n
(Y i−Y )2=1−
∑i=1
n
u i2
∑i=1
n
( p i− p)2=1−
13,8274619,5955
=0,29435
Που σημαίνει ότι το ποσοστό της μεταβλητότητας της εξαρτημένης μεταβλητής που “εξηγείται”
από την παλινδρόμηση είναι 29,435%. Δηλαδή, μόνο το 29,435% της μεταβολής της τιμής
πώλησης διαμερισμάτων στην περιοχή της Πάτρας το 2009 εξηγείται από την παλινδρόμηση,
καθώς υπάρχουν κι άλλοι παράγοντες που δεν έχουμε λάβει υπόψιν μας, όπως π.χ. Ο όροφος κτλ.
Γραμμικός - Λογαριθμικός μετασχηματισμός
Στην περίπτωση αυτή λογαριθμίζουμε μόνο την ανεξάρτητη μεταβλητή. To υπόδειγμα γίνεται:
Y i=α+ β ln (X i)+ui (42)
και υποθέτουμε ότι η ελαστικότητα της Y i ως προς X i είναι αντιστρόφως ανάλογη του
επιπέδου της εξαρτημένης μεταβλητής Y i . Δηλαδή, καθώς αυξάνεται το Y i , η αντίδραση της
Χ i μειώνεται.
Η ελαστικότητα δίνεται από τον τύπο ε YX=β1Y i
Ισχύει ότι: ε YX= β1
Y ia
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 25
Εισαγωγή στην Οικονομετρία
O χρόνος ως ερμηνευτική μεταβλητή
Αν x t=t , t=1,. ... ,T όπου Τ το μέγεθος του δείγματος, τότε το υπόδειγμα γράφεται:
Y t=a+ βt+u t
• αν β>0 τότε έχουμε ανοδική πορεία μεταβλητής στο χρόνο
• αν β<0 τότε έχουμε καθοδική πορεία μεταβλητής στο χρόνο
Y t=a+ βt+ut
αφού Ε (ut)=0 E (Y t)=α+ βt
Κατά συνέπεια η αναμενόμενη τιμή της Y t είναι γραμμική συνάρτηση του χρόνου, άρα
Δt=t−(t−1)=1 επομένως
Ε (Υ t−Y t−1)
Δt
=E (Y t)−E (Y t−1)
Δt
=α−βt−α− β(t−1)
1
Επομένως ο συνελεστής β μετρά τη μέση μεταβολή της Y t κάθε χρονική περίοδο
Βασικές έννοιες χρονολογικών σειρών
Χρονολογική σειρά (time series) είναι ένα δείγμα y1, y2,. ... , yT , όπου ο δείκτης παριστάνει
ισαπέχοντα χρονικά σημεία (έτη, μήνες κτλ.) ή χρονικά διαστήματα (6 μήνες, 2 έτη, 5 έτη κτλ.).
Υποθέτουμε ότι οι παρατηρήσεις y1, y2,. ... , yT , είναι συγκεκριμένες τιμές ή πραγματοποιήσεις
των τυχαίων μεταβλητών Υ 1,Υ 2,. ... ,Υ T , και ότι οι τυχαίες μεταβλητές Υ 1,Υ 2,. ... ,Υ T , είναι
μέρος μόνο μιας άπειρης σειράς (ακολουθίας) τυχαίων μεταβλητών. Η ακολουθία ονομάζεται
στοχαστική ή τυχαία διαδικασία και συνήθως παριστάνεται με {Υ t }
Μια στοχαστική διαδικασία χαρακτηρίζεται ως δεύτερης τάξης ή ασθενώς στάσιμη ή κατά
συνδιακύμανση στάσιμη αν:
Ε (Υ t)= μ , ανεξάρτητη από t
V (Y t)=σ 2, ανεξάρτητη από tCov (Y t ,Y t+k)=Cov(Y t+s ,Y t+k+s)=γ(k) , ανεξάρτητη από t
για k=0 :Cov(Y t ,Y t)=Var (Y t)=σ 2=γΥ (0)
ασθενώς στάσιμη
Η συνάρτηση ρΥ (k )=γY (k )
γY (0)ονομάζεται συνάρτηση αυτοσυσχέτισης και ισχύει
−1⩽ ρΥ (k )⩽1 . Το διάγραμμα της ρΥ (k ) ως προς k ονομάζεται κορελλόγραμμα.
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 26
Εισαγωγή στην Οικονομετρία
ρΥ (k )=∑
t=k+1
T
(Y t−Y )(Y t−k−Y )
∑t=1
T
(Y t−Y )2Δειγματική Συνάρτηση Αυτοσυσχέτισης
ρk=cov (Y t ,Y t−k)
√var (Y t)var (Y t−k )Αυτοσυνδιακύμανση
1
√TΤυπικό Σφάλμα
Έλεγχος Υπόθεσης για Αυτοσυσχέτισης
Η 0 : ρY (k )=0, k⩾1H 1 : ρY (k )≠0, k⩾1
αν ∣ρY (k )∣>2
√T απορρίπτουμε Η 0 υπόθεση σε επίπεδο σημαντικότητας α %
Διαχωρισμός wold (wold decomposition)
Αν μια διαδικασία y t είναι ασθενώς στάσιμη, τότε μπορεί να γραφεί ως y t=d t+∑j=0
+∞
ψ j ut− j
όπου
ψ0=1
∑j=0
+∞
ψ j2<+∞
u t δεν αυτοσυσχετίζονταιd t προσδιοριστική διαδικασία, δηλαδή θεωρείται προβλέψιμο
Αν d t=0 τότε y t=∑j−0
+∞
ψ j u t− j γραμμική διαδικασία, δηλαδή η σειριακή συσχέτιση της y t
καθορίζεται απόλυτα από την ακολουθία των συντελεστών {ψ j } j=0+∞
Μια ασθενώς στάσιμη χρονοσειρά {Υ t } είναι εργοδική όταν γ (k )=cov (Y t ,Y t−k)→0 καθώς
k→+∞
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 27
Εισαγωγή στην Οικονομετρία
Ιεράρχηση στοχαστικών υποθέσεων χωρίς σειριακή συσχέτιση
E (u t)=0
E (u t2)=σ 2
E (u t us)=0, ∀ t≠s
λευκός θόρυβος
u t | I t ~ (0,σ 2)
I t=(ut ,u t−1 , ....) καιI t−1=(ut−1 ,u t−2 , ....)
περίπτωση “ακολουθίας διαφορών martingale”
u t ~ i.i.d (0, σ 2) ανεξάρτητος λευκός θόρυβος
u t ~ N.i.d (0,σ 2) Gaussian ανεξάρτητος λευκός θόρυβος
Αυτοπαλίνδρομο Υπόδειγμα πρώτης τάξης AR(1)
Έστω υπόδειγμα Y t=α+φY t−1+u t , u t λευκός θόρυβος
Λύνοντας προς τα πίσω προκύπτει:
Y t=α+φY t−1+ut
⇔ Y t=α+φ(α+φY t−2+ut−1)+ut
⇔ Y t=α+φα+φ2Υ t−2+φut−1+ut
⇔ ⋯
⇔ Y t=α∑j=0
t−1
φ j+φt Y 0+∑
j=0
t−1
φ j ut− j
όπου Υ 0 αρχική τιμή Υ για τ=0
Έστω |φ|<1 (συνθήκη στασιμότητας) και t→+∞
Τότε Υ t=α
1−φ+∑
j=0
+∞
φ j ut− j , γιατί για | x |<1ισχύει ∑j=0
+∞
x j=
11−x
και Ε (Y t)=α
1−φ+∑
j=0
+∞
φ j E (ut− j)=α
1−φ
και var (Y t)=σ u
2
1−φ2
και γY (k )=σ Υ2 φk (συνδιακύμανση)
Άρα ρY (k )=γΥ (k )
γΥ (0)=
σ Υ2 φk
σ Υ2=φk συνάρτηση αυτοσυνδιακύμανσης για AR(1)
Διαχωρισμός wold: y t=d t+∑j=0
+∞
ψ j ut− j , με ψ j=φ j
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 28
Εισαγωγή στην Οικονομετρία
Αυτοπαλίνδρομο Υπόδειγμα τάξης p AR(p)
y t=α+φ1 y t−1+φ2 y t−2+…+φ p y t− p+u t , t=1,… ,T , ut λευκός θόρυβος
Η AR(p) διαδικασία μπορεί να γραφεί: φ(L) y t=α+u t
όπου φ(L)=1−φ1 L−φ2 L2−…−φ p L p , πολυώνυμο p τάξης του L
ΟΡΙΣΜΟΣ
Μια AR(p) διαδικασία είναι στάσιμη αν όλες οι ρίζες r j , για j=1,.... , p του πολυωνύμου
φ(L) βρίσκονται εκτός του μοναδιαίου κύκλου, δηλαδή αν φ(L j)=0 τότε πρέπει
|r j |>1∀ j
Προσοχή!
Αν κάποια ρίζα είναι μιγαδική, δηλαδή μπορεί να εκφραστεί ως r j=α±b i όπου α,b πραγματικοί
αριθμοί και i=√−1 τότε |r j |=√α2+b2
Αν Δ<0, η εξίσωση έχει δύο μιγαδικές ρίζες, z1,2=−β±i√−Δ
2α
Μη-Στασιμότητα
Μη-στάσιμες ονομάζονται οι χρόνοσειρές για τις οποίες τουλάχιστον μια ροπή τους (μέσος,
διακύμανση, αυτοσυνδιακύμανση, αυτοσυσχέτιση) εξαρτάται άμεσα από τον χρόνο.
H μη-στασιμότητα αναφέρεται στην άμεση εξάρτηση της αναμενόμενης τιμής και/ή της
διακύμανσης και/ή της συνάρτησης αυτοσυνδιακύμανσης μιας διαδικασίας από τον χρόνο. Οπτικά,
οι μη στάσιμες χρονοσειρές εμφανίζουν ορισμένα πρόδηλα χαρακτηριστικά.
1. Εμφάνιση έντονων δομών ή σχηματισμών (structures or patterns)
2. Εμφάνιση τάσεων (trends)
Παρακάτω δίνονται διαγραμματικά παραδείγματα στάσιμων και μη-στάσιμων χρονοσειρών.
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 29
Εισαγωγή στην Οικονομετρία
Παραδείγματα μη στάσιμων χρονοσειρών
1. Στάσιμες γύρω από την τάση (trend stationary)
y t=β 0+ β1 t+ β 2 t2+…+ βk tk
+ut ή y t= f (t )+u t
με {ut } ασθενώς στάσιμη χρονοσειρά μηδενικού μέσου
Ε ( y t)=β 0+ β1 t+ β 2 t2+...+ β k t k
Var ( yt)=σ y2=σ u
2
Cov( y t , y t−k)=γ y(k )=γu(k )
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 30
Εισαγωγή στην Οικονομετρία
H Μέθοδος της Μέγιστης Πιθανοφάνειας
Στο κλασσικό κανονικό μοντέλο οι διαταρακτικοί όροι U 1 ,U 2,. ..U N είναι ανεξάρτητες τυχαίες
μεταβλητές που ακολουθούν την κανονική κατανομή με μέσο μηδέν και διακύμανση σ 2. Άρα, ησυνάρτηση πυκνότητας του διαταρακτικού όρου είναι:
f (u i)=1
σ√(2π)αexp{−1
2(u i−0
σ )2
}Επομένως, η συνάρτηση πιθανοφάνειας του δείγματος είναι:
L=∏i=1
n1
σ√2πa exp{−1
2u1
2
σ2}ή
L=1
(2πσ2)N2
e{−12
∑i=1
N
u i2
σ 2 }Αντικαθιστούμε όπου ut=Y t−α−βX t οπότε
L=1
(2πσ2)N2
e {−12∑i=1
N
(Y t−α−βX t
σ )2
}είναι η συνάρτηση πιθανοφάνειας των παρατηρήσεων Y t του δείγματος.
Λογαριθμίζοντας προκύπτει:
log L=−T2
log 2π−Τ2
log σ2−
12⋅∑i=1
N
(Y t−α−βX t )
σ 2(1)
Αναζητούμε τις τιμές των α , β ,σ 2 που μεγιστοποιούν την παραπάνω συνάρτηση
∂ log L∂ α
=∑i=1
Ν
(Y−α−βX t)
σ 2 =0
∂ log L∂ β
=
∑i=1
Ν
(Y−α−βX t) Χ i
σ 2 =0
∂ log L∂ σ 2 =−
Ν2σ2+
12
∑i=1
N
(Y t−α−βX i)2
(σ 2)2 =0
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 31
Εισαγωγή στην Οικονομετρία
Από τις δύο πρώτες εξισώσεις έχουμε :
∑i=1
N
Y i=n⋅α*+ β*∑
i=1
N
X i
∑i=1
N
Y i X i=α*∑ι=1
Ν
Χ i+ β*∑i=1
N
X i2
Όπου α* , β* οι εκτιμητές μέγιστης πιθανοφάνειας.Οι παραπάνω εξισώσεις είναι ίδιες με τισ κανονικές εξισώσεις που προκύπτουν από τη μέθοδο τωνελαχίστων τετραγώνων. Άλλωστε, μεγιστοποίηση της logL ως προς α και β, σημαίνει ελαχιστοποίησητου τελευταίου όρου, αφού είναι αρνητικός, δηλαδή ελαχιστοποίηση του αθροίσματος των τετραγώνων
των αποκλίσεων∑i=1
N
(Y i−α−βX i)2
Από την τρίτη εξίσωση έχουμε:
σ *2=
∑i=1
N
(Y t−α*−β* X i)
n,όπου σ*2 ο εκτιμητής διακύμανσης μέγιστης πιθανοφάνειας.
Επειδή οι μέγιστης πιθανοφάνειας εκτιμητές είναι ίδιοι με αυτούς των ελαχίστων τετραγώνων,
μπορούμε να πούμε:σ*2=∑i=1
N
u2
nα) σ *2 δεν είναι αμερόληπτος εκτιμητής της διακύμανσης σ2 δηλαδή Ε (σ*2)≠σ2
β) σ*2 είναι συνεπής eeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeγ) σ*2 είναι ασυμπτωτικά αποτελεσματικός iiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiii
Γραμμικό Υπόδειγμα: Πολυμεταβλητή Παλινδρόμηση
Αντίθετα με το υπόδειγμα απλής γραμμικής παλινδρόμησης, εδώ η εξαρτημένη μεταβλητή είναι
συνάρτηση πολλών ερμηνευτικών μεταβλητών. Το υπόδειγμα γράφεται:
y i=β1+ β2 X 2, i+ β3 X 3,i+....+ βk X k ,i+u i , ∀ i
όπου i ο αριθμός των παρατηρήσεων
k ο αριθμός των μεταβλητών (θέτουμε Χ 1, i=1 )
Χ 2, i η i παρατήρηση της 2
δηλαδή,
y1=β1+ β2 X 2,1+ β3 X 3,1+....+ βk X k ,1+u1
y2=β1+ β2 X 2,2+ β3 X 3,2+....+ βk X k ,2+u2
y3=β1+ β2 X 2,3+ β3 X 3,3+....+ βk X k ,3+u3
⋮yn=β1+ β 2 X 2,n+ β3 X 3, n+....+ β k X k ,n+un
Με μήτρες το παραπάνω σύστημα μπορεί να γραφεί: y=Xβ+u
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 32
Εισαγωγή στην Οικονομετρία
όπου y(nx1)=[y1
y2
⋮yn], X (nxk)=[
1 X 2,1 X 3,1 ... X k ,1
1 X 2,2 X 3,2 ... X k ,2
⋮ ⋮ ⋮ ⋮ ⋮1 X 2,n X 3, n ... X k ,n
], β(kx1)=[β1
β2
⋮β k], u(nx1)=[
u1
u2
⋮un]
ή y i= xi ' β+ui ή y i=β ' x i+ui όπου x i ' (1xk)=(1 X 2,1 … X k ,i)
Υποθέσεις
(1) Y i=β1+ β2 Χ2, i+β3 X3, i+...+βk X k ,i+ui(γραμμική σχέση μεταξύ Υ και Χ)
ui∼(0,σ2)
ui τυχαία μεταβλητήEui=0
(2) Eui2=σ 2σταθερή∀ Χ (E(u' u)=σ2 Ι ) (αλλιώς οδιαταρακτικός όρος είναι ετεροσκεδαστικός )
(3) Euiu j=0 για i≠ j(οι διαταρακτικοί όροι είναι ασυσχέτιστοι μεταξύ τους)
(4 ) Οι ερμηνευτικές μεταβλητές δεν είναι στοχαστικές, οι τιμές τους παραμένουν σταθερέςκαι δεν είναι όλες ίδιες μεταξύ τους
(5) Δεν υπάρχουν ακριβείς γραμμικές σχέσεις ανάμεσα στις ερμηνευτικές μεταβλητές(6) Ο αριθμός των παρατηρήσεων του δείγματος είναι μεγαλύτερος από τον αριθμό των συνετελστών
του υποδείγματος που θέλουμε να εκτιμήσουμε. Δηλαδή, r (X )=k (Αν δεν ισχύει αυτό τότε έχουμε πρόβλημα πολυσυγγραμικότητας)
Μέθοδος Ελαχίστων ΤετραγώνωνΘέλουμε να εκτιμήσουμε το παρακάτω γραμμικό υπόδειγμα:
Y i=β1+β2 Χ2, i+ β3 Χ3, i+.....+βκ Χκ ,i+ui
Η μέθοδος των ελαχίστων τετραγώνων βασίζεται στην ελαχιστοποίηση του αθροίσματος τωντετραγώνων των καταλοίπων, δηλαδή
min β S=∑i=1
n
u i2=u' u⇔
⇔S=( y−Χ β)' ( y−X β)⇔⇔S= y ' y− y ' X β− β ' Χ ' y+ β ' Χ ' Χ β⇔
⇔S= y ' y−2 β ' Χ ' y+ β ' Χ ' Χ β ,αφού y ' X β 1x1
Συνθήκες Πρώτης Τάξης
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 33
Εισαγωγή στην Οικονομετρία
∂ S
∂ βa=0⇔−2X ' y+2X ' X β=0⇔ X ' X β=Χ ' y⇔ βΕΤ=(Χ ' Χ )−1 Χ ' y με
X ' X=[n ∑
i=1
n
X 1 ∑i=1
n
X 2 ... ∑i=1
n
X k
∑i=1
n
X 1 ∑i=1
n
X 12 ∑
i=1
n
X 1 X 2 ... ∑i=1
n
X 1 X k
∑i=1
n
X 2 ∑i=1
n
X 2 X 1 ∑i=1
n
X 22 ... ∑
i=1
n
X 2 X k
⋮ ⋮ ⋮ ... ⋮
∑i=1
n
X k ∑i=1
n
X k X 1 ∑i=1
n
X k X 2 ... ∑i=1
n
X k2] β=[
β1
β2
⋮
β k] X ' y=[
∑i=1
n
Y i
∑i=1
n
X 1Y i
∑i=1
n
X 2Y i
⋮
∑i=1
n
X k Y i
]Εναλλακτικά όταν χρησιμοποιούμε αποκλίσεις από τους μέσους ο εκτιμητής είναι:
β ΕΤ=(x ' x)−1(x ' y) με
x ' x=[∑i=1
n
x12 ∑
i=1
n
x1 x2 ... ∑i=1
n
x1 xk
∑i=1
n
x2 x1 ∑i=1
n
X 22 ... ∑
i=1
n
x2 xk
⋮ ⋮ ... ⋮
∑i=1
n
xk x1 ∑i=1
n
xk x2 ... ∑i=1
n
x k2 ] β=[
β1
β 2
⋮
βk] X ' y=[
∑i=1
n
Y i
∑i=1
n
X 1Y i
∑i=1
n
X 2Y i
⋮
∑i=1
n
X k Y i
]για να υπάρχει ο βΕΤ πρέπει r ( x)=k για να είναι η Χ'Χ βαθμού και άρα αντιστρέψιμη
Σημείωση!
1) Ο βαθμός (rank) μιας μήτρας Α ορίζεται ως η τάξη (ή οι διαστάσεις) της μεγαλύτερης
ορίζουσας που μπορεί να προκύψει από την Α και που είναι διαφορετική από το μηδέν και
συμβολίζεται με r(A). Αν η ορίζουσα μιας τετραγωνικής ρίζας Α είναι ίση με μηδέν, η μήτρα
ονομάζεται ιδιάζουσα.
2) Α−1αντίστροφη μήτραA−1 A=AA−1
=I
A−1=
1∣A∣
adj A
adj A (adjoint) είναι η ανάστροφη της μήτρας που έχει ως στοιχεία τις αντίστοιχες προσημασμένες ελάσσονες ορίζουσες της Α
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 34
Εισαγωγή στην Οικονομετρία
πχ A=[1 3 52−1 42 1 3]
Οι προσημασμένες ελάσσονες ορίζουσες είναιP11=−7 P21=−4 P31=17
P12= 2 P22=−7 P32= 6P13= 4 P23= 5 P33=−7και∣A∣=19
άρα adj A=[−7 −4 17
2 −7 64 5 −7 ]
και A−1=
119 [−7 −4 17
2 −7 64 5 −7 ]
ΠαράδειγμαΈστω το υπόδειγμα Υ=Χ
nx1⋅Β
2x1+u όπου n=135 και
X ' X=[147,74 4,62854,6285 27,931]
X ' y=[169,3461,265]
Υπολογίστε τον εκτιμητή ΕΤ του βΛύση
βΕΤ=(Χ ' Χ )−1 Χ ' y
(X ' X )−1=
1∣X ' X∣
adj (X ' X )=1
4105,1029⋅[ 27,931 −4,6285−4,6285 147,74]=[ 0,0068 −0,00112
−0,00112 0,03598]β ΕΤ=[ 0,0068 −0,00112
−0,00112 0,03598]⋅[169,3461,265]=[1,0831
2,014 ]β1=1,0831
β2=2,014
Συνθήκες Δεύτερης Τάξης
πρέπει∂
2 S∂ β∂ β '
=2X ' X (θετικά ορισμένη)
Σημείωση Μια συμμετρική μήτρα Α διάστασης nxn είναι θετικά ορισμένη όταν ∀ n-διάστατο διάνυσμα x≠0ισχύει X ' AX >0
Γενικά οι εκτιμητές δίνονται από τις σχέσειςβΕΤ=(Χ ' Χ )−1 Χ ' y
σ2=1
n−k∑i=1
n
ui2=
u' un−k
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 35
Εισαγωγή στην Οικονομετρία
Ιδιότητες Γραμμής Παλινδρόμησης
1. Χ ' u=0ΑπόδειξηAπό συνθήκες πρώτης τάξης X ' y−X ' X β=0⇒
Χ ' (Χ β+u)−X ' X β=0⇒X ' X β+X ' u−X ' X β=0⇒
X ' u=0
2. y ' u=0Απόδειξηy ' u=(X β) ' u= β ' Χ ' u= β '×0=0
3. β ΕΤ−β=( X ' X )−1 X ' u (σφάλμα δειγματοληψίας)Απόδειξη
β ΕΤ=(X ' X )−1 X ' y
(αντικαθιστώ με y=Xβ+u) β ET=(Χ ' Χ )−1 Χ ' (Χβ+u)
= (Χ ' Χ )−1 Χ ' Χ β+(X ' X )−1 X ' u= β+(X ' X )−1u
(αφαιρώ β κι από τα δύο μέλη) β ΕΤ−β=(X ' X )−1 X ' u
4. H αναμενόμενη τιμή του σφάλματος δειγματοληψίας είναι μηδένΑπόδειξηα) Αν οι ερμηνευτικές μεταβλητές δεν είναι στοχαστικές
E ( β ΕΤ− β )=Ε [(Χ ' Χ )−1u ]
(γιατί Χ σεν είναι στοχαστικές ) (X ' X )−1 X ' E (u)(γιατί Ε(u)=0) (X ' X )−1
×0=0β) Αν οι ερμηνευτικές μεταβλητές είναι στοχαστικέςE ( β ΕΤ−β | Χ )=Ε [(Χ ' Χ )−1 Χ ' u | X ]=(X ' X )−1 X ' E (u | X )=(X ' X )−1 X '×0=0
(γιατί Ε(u|Χ)=0)ΠΡΟΣΟΧΗ!Nόμος Επαναλαμβανομένων Προσδοκιών: Ε [Ε (Υ | Χ )]=Ε (Υ )Άρα Ε [Ε ( βΕΤ−β | Χ )]=Ε ( β ΕΤ−β)Επομένως, αφού Ε ( β ΕΤ−β | Χ )=0⇒ E [E ( β ΕΤ−β | Χ )]=Ε (0)⇒ E ( βΕΤ−β )=0⇒
(αφού Ε(β)=β ) E ( β ΕΤ )−Ε ( β )=0⇒ E ( β ΕΤ )=β
5. Var ( β ΕΤ )=Var ( β ET− β )=σ2(Χ ' Χ )−1
ΑπόδειξηVar ( β ΕΤ )=Var ( βET−β )
= Var ((X ' X )−1 X ' u)(Θέτω Α=(Χ ' Χ )−1 Χ ' ) =Var (Au)(Αφού Var aX=a2Var (X )) = A Var (u)A'
= Aσ2 Ι n A'=σ2 ΑΑ'
=σ 2(Χ ' Χ )−1 Χ ' Χ ((Χ ' Χ )' )−1
(αφού(Χ ' Χ )'=Χ ' (Χ ' ) '=(Χ ' Χ )) = σ 2(Χ ' Χ )−1
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 36
Εισαγωγή στην Οικονομετρία
Gauss-markov
ΘΕΩΡΗΜΑ
Στο κλασσικό γραμμικό υπόδειγμα, οι εκτιμητές των συντελεστών που προκύπτουν από τη μέθοδο
των ελαχίστων τετραγώνων, δηλαδή, βΕΤ=(X ' X )−1 X ' y είναι άριστοι γραμμικοί αμερόληπτοι,
οι δε διακυμάνσεις και συνδιακυμάνσεις τους δίνονται από την σχέση: Var ( βΕΤ )=σ 2(Χ ' Χ )−1
Τα διαγώνια στοιχεία της μήτρας Var ( β ΕΤ ) δίνουν τις διακυμάνσεις των εκτιμητών
β1, β 2... βk , ενώ τα υπόλοιπα τις συνδιακυμάνσεις.
Var ( β ET )=Var ( β ET− β )=[Var ( β1) Cov ( β1, β2) ⋯ Cov ( β1, βk)
Cov( β 2, β1) Var ( β2) ⋯ ⋮
⋯ ⋯ ⋯ Cov( β k+1, β k)
Cov( βk , β1) ⋯ Cov( βk , βk−1) Var ( β k)]
H παραπάνω μήτρα λέγεται μήτρα διακυμάνσεων-συνδιακυμάνσεων, είναι συμμετρική και θετικά
ορισμένη.
Ισχύει ότι:
Var ( βΕΤ |Χ)=Var ( βΕΤ−β | Χ )=σ 2(Χ ' Χ )−1
καιVar ( βΕΤ−β )=E [Var ( β ΕΤ−β | Χ )]+Var [E ( βΕΤ−β | Χ )]
(αφού Ε ( βΕΤ−β | Χ )=0)
Var ( βΕΤ−β )=E [Var ( β ΕΤ−β | Χ )]=σ2 Ε [(Χ ' Χ )−1]
Απόδειξη
Θα αποδείξουμε ότι Var ( β)−Var ( β)⩾0 ( β αποτελεσματικός εκτιμητής)
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 37
Εισαγωγή στην Οικονομετρία
Θέτω β=Cy=CXβ+Cu , όπου C k×n αυθαίρετη μήτραE ( β)=Ε (CXβ+Cu)=CX E ( β)+C E (u)=CXβ (αφού E(u)=0)
Για να είναι ο εκτιμητής αμερόληπτος πρέπει CX=I k
Τότε Ε ( β )=βΘέτω Α=(Χ ' Χ )−1 Χ 'άρα β=Ay και Var ( β−β )=σ 2 Α Α'ΈστωC=D+A=D+(X ' X )−1 X '∀D k×n
CX= I k⇒(D+A) X=I k⇒DX +AX=I k⇒DX +(X ' X )−1 X ' X= I k⇒DX− I k=I k⇒DX =0Επομένως πρέπει DX=0 έτσι ώστε ο εκτιμητής β να είναι αμερόληπτος
Var ( β)=Var ( β−β)=σ2 CC 'σ2(D+A)(D+A) '
σ 2(D+(X ' X )−1 X ' )(D+(X ' X )−1 X ' ) '
σ2(D+(X ' X )−1 X ' )(D '+X (X ' X )−1
)
σ 2(DX (X ' X )−1
+DD '+(X ' X )−1 X ' X (X ' X )−1+(X ' X )−1 X ' D ' )
σ2(DD '+(X ' X )−1
)
(αφού DX (X ' X )−1=0, X ' X (X ' X )−1
=I , (X ' X )−1 X ' D'=0)
Var ( β )−Var ( β )=σ 2(DD'+(X ' X )−1
)−σ2(Χ ' Χ )−1
=σ 2 DD '⩾0επειδή ∀Dk×n , DD '⩾0και D' D⩾0
O Eκτιμητής της διακύμανσης του διαταρακτικού όρου
O εκτιμητής σ 2=
u ' un−k
είναι αμερόληπτος εκτιμητής του σ2 , δηλαδή Ε ( σ 2)=σ 2
Απόδειξη
u=Y−Y=Y−X β=Y−X (X ' X )−1 X ' y=[ I n−X (X ' X )−1 X ' ]× y
Θέτω Μ=Ι−Χ (Χ ' Χ )−1 Χ 'Με
ΜΧ=0 (MX=[ I−X (X ' X )−1 X ' ] X=X−X=0)M ' M=M ([ I−X (X ' X )−1 X ' ] ' [ I−X (X ' X )−1 X ' ]=[ I−X (X ' X )−1 X ' ][ I−X (X ' X )−1 X ' ]=M )άρα ισχύει u=My=M (Xβ+u)=MXβ+Μu
E ( u ' u)=E [(Mu)' Mu ]=E (u ' M ' Mu)=E (u ' Mu)=(επειδή Μ 1×1) = E [tr (u ' Mu )]=E [tr (Muu ' )]=tr [M E (uu ' )]=
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 38
Εισαγωγή στην Οικονομετρία
(από υπόθεση E (u ' u)=σ 2 Ι ) = tr [M σ2 I n]=tr (σ2 Μ )=σ2 tr (M )=σ2 tr [ I n−X (X ' X )−1 X ' ]=
σ 2 tr ( I n)−tr [X (X ' X )−1 X ' ]=σ 2[ tr( I n)−tr ( I k )]=σ2
(n−k )
άρα E( u' un−k )=σ2
⇒ E ( σ2)=σ 2
(αμερόληπτος εκτιμητής)
Σημείωση!
Ορισμός: Το ίχνος (tr) του πίνακα ορίζεται ως το άθροισμα των διαγωνίων στοιχείων του πίνακα
(τετραγωγικού)
Ιδιότητες:
1. tr (A)1×1= A
1×1
2. tr (A+B)=tr(A)+tr (B)
3. tr (λ⋅A)=λ⋅tr (A) , λ∈ℝ
4. tr (A⋅B⋅C )=tr (B⋅C⋅A)=tr (C⋅A⋅B) , A , B ,C τετραγωνικοί πίνακες
Ορισμός: Ένας εκτιμητής ονομάζεται συνεπής (consistent) αν είναι ασυμπτωτικά αμερόληπτος,
δηλαδή,
limn→∞
E( β )=β ,και η διασπορά τείνει στο μηδέν καθώς το n τείνει στο άπειρο, δηλαδή,
limn→∞
Var ( β )=0,
Στατιστική Επαγωγή
Έλεγχος Υπόθεσης ( β j=αριθμός)
Η 0: β j=αριθμόςΗ 1: β j≠αριθμός
ΒΗΜΑ 1: Υπολογίζουμε t student στατιστική
t=β j−β j
σ √ [(X ' X )−1] jj∼t n−k
όπου σ 2=
u ' un−k
BHMA 2: Συγκρίνουμε την τιμή της με την κριτική τιμή από τους πίνακες της t-student κατανομήςμε n-k βαθμούς ελευθερίαςΑν ∣t∣⩽t n−k
a/2 δεν απορρίπτουμε Η 0
Αν ∣t∣>t n−ka / 2 απορρίπτουμε Η 0
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 39
Εισαγωγή στην Οικονομετρία
Προσοχή!
Η εκτίμηση του τυπικού σφάλματος se ( β j)=√ Var ( β j) δίνεται από τη ρίζα του j στοιχείου της
κύριας διαγωνίου της μήτρας σ 2(X ' X )−1
To 100(1-α)% διάστημα εμπιστοσύνης:
P [ β j−t n−ka /2⋅σ √[(X ' X )−1
] jj⩽β j⩽ β j+ tn−ka /2⋅σ √[(X ' X )−1
] jj ]
Έλεγχος Γραμμικής Υπόθεσης
Η υπόθεση που θέλουμε να ελέγξουμε μπορεί να μην είναι έλεγχος μεμονωμένων συντελεστών,
αλλά ένας γραμμικός συνδυασμός αυτών, γραμμένος σε σύστημα εξισώσεων:
Η 0: Rβ=r ή Η 0 : Rβ−r=0
όπου R είναι μία q×k μήτρα με q⩽k και q ο αριθμός των γραμμικών περιορισμών και
r είναι ένα q×1 διάνυσμα σταθερών όρων
Προσοχή!
1. Η ανάλυση αυτή δεν ισχύει σε περίπτωση μη-γραμμικών ελέγχων
2. Το q προκύπτει από τη μέτρηση του αριθμού των ισοτήτων στους περιορισμούς
3. Οι περιορισμοί πρέπει να είναι γραμμικά ανεξάρτητοι
4. Η R πρέπει να είναι πλήρους γραμμοβαθμοί (full rank), δηλαδή r(R)=q
Παράδειγμα
Δίνεται το παρακάτω υπόδειγμα:
log(W i)=β1+ β2 S i+ β3 Y i+ β4 expi+ui
όπου W i =μισθμός S i =χρόνια εκπαίδευσης Υ i =χρόνια εργασίας στην τωρινή εργασίαexpi =συνολικά χρόνια προϋπηρεσίας
με k=4 ανεξάρτητες μεταβλητές
Θέλουμε να ελέγξουμε τους περιορισμούς β2=β3 και β4=0ή αλλιώς β2−β3=0 και β4=0
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 40
Εισαγωγή στην Οικονομετρία
Οι περιορισμοί αυτοί μπορούν να γραφούν ως Rβ=r
R=[0 1 −1 00 0 0 1 ], β=[
β1
β2
β3
β4], r=[oo]
Οι δύο γραμμές του R είναι ανεξάρτητες μεταξύ τους, επομένως η υπόθεση του βαθμού του πίνακα
ικανοποιείται.
Έστω τώρα ότι θέλουμα να προσθέσουμε κι άλλον περιορισμό. Τον β2−β3=β4 . Ο περιορισμός
αυτός είναι περιττός, γιατί ισχύει πάντα όταν ισχύουν οι δύο προηγούμενοι. Αν τον εισάγουμε στο
σύστημα έχουμε q=3 και
R=[0 1 −1 00 0 0 10 1 −1 −1], β=[
β1
β 2
β3
β 4], r=[
000]
Η 3η γραμμή είναι η διαφορά των δύο πρώτων και κατά δυνέπεια η R δεν είναι πλήρους
γραμμοβαθμού και κατά συνέπεια η υπόθεση του βαθμού του πίνακα δεν ικανοποιείται.
Ανοικτή Τριτοβάθμια Εκπαίδευση www.cears.edu.gr 41