Applied Econometrics

Report
Applied Econometrics
Applied Econometrics
Second edition
Dimitrios Asteriou and Stephen G. Hall
Applied Econometrics
Λανθασμένη Εξειδίκευση
1. Παραλείποντας ισχυρές ή συμπεριλαμβάνοντας
μη-ισχυρές ερμηνευτικές μεταβλητές
2. Διάφορες συναρτησιακές μορφές
3. Σφάλματα μέτρησης
4. Έλεγχοι για λανθασμένη εξειδίκευση
5. Προσεγγίσεις στην επιλογή ενός κατάλληλου
μοντέλου
Applied Econometrics
Στόχοι μαθήματος
1. Κατανόηση των διάφορων μορφών πιθανής λανθασμένης εξειδίκευσης στο
CLRM.
2. Εκτίμηση της σημασίας και γνώση των συνεπειών της παράλειψης ισχυρών
μεταβλητών στο CLRM.
3. Διάκριση μεταξύ του ευρύ φάσματος των συναρτησιακών μορφών και
κατανόηση της έννοιας και ερμηνείων των συντελεστών.
4. Κατανόηση της σημασίας των σφαλμάτων μέτρησης στα δεδομένα.
5. Εκτέλεση ελέγχων λανθασμένης εξειδίκευσης με τη χρήση οικονομετρικού
λογισμικού.
6. Κατανόηση της έννοιας των ένθετων και μη-ένθετων μοντέλων.
7. Εξοικείωση με την έννοια της εξόρυξης δεδομένων και επιλογή του
κατάλληλου οικονομετρικού μοντέλου.
Applied Econometrics
Παραλείποντας ισχυρές μεταβλητές
Η παράλειψη ισχυρών μεταβλητών από ένα
μοντέλο παλινδρόμησης κάνει αυτές τις
μεταβλητές μέρος των σφαλμάτων. Συνεπώς,
μία ή περισσότερες υποθέσεις του CLRM θα
παραβιάζονται.
Έστω η συνάρτηση παλινδρόμησης του πληθυσμού:
Y=β1+β2X2+ β3X3+u
Όπου β2≠0 και β3 ≠ 0, και υποθέστε ότι αυτό είναι
Applied Econometrics
Παραλείποντας ισχυρές μεταβλητές
Ωστόσο, εκτιμούμε το παρακάτω:
Y=β1+β2X2+u
Όπου X3 η λανθασμένα παραλειπόμενη.
Τότε, ο όρος σφάλματος της εξίσωσης είναι:
u= β3X3+e
Είναι σαφές ότι η υπόθεση πως τα σφάλματα έχουν
μέσο μηδέν παραβιάζεται:
E(u)=E(β3X3+e)=E(β3X3)+E(e)= E(β3X3) ≠0
Applied Econometrics
Παραλείποντας ισχυρές μεταβλητές
Επιπλέον, εάν η παραλειπόμενη μεταβλητή X3
συσχετίζεται με την X2 τότε ο όρος του
σφάλματος δεν είναι πια ανεξάρτητος του X2.
Αυτό οδηγεί σε μεροληπτικούς και ασυνεπείς
εκτιμητές των β2 και β3 .
Αυτό ονομάζεται μεροληψία παραλειπόμενης
μεταβλητής.
Applied Econometrics
Εισαγωγή μη-ισχυρών μεταβλητών
Είναι η αντίθετη περίπτωση. Το σωστό μοντέλο
είναι:
Y=β1+β2X2+u
Και εμείς εκτιμούμε το:
Y=β1+β2X2+ β3X3+e
Όπου η X3 λανθασμένα συμπεριλαμβάνεται στο
μοντέλο.
Applied Econometrics
Εισαγωγή μη-ισχυρών μεταβλητών
Αφού η X3 δεν ανήκει στο σωστό μοντέλο, ο
συντελεστής του πληθυσμού θα πρέπει να ισούται με
μηδέν. (i.e. β3=0).
Εάν β3=0 καμία από τις υποθέσεις του CLRM δεν
παραβιάζεται και οι OLS εκτιμητές είναι
αμερόληπτοι και συνεπείς.
Όμως, είναι μη συνηθισμένο να είναι αποτελεσματικοί.
Εάν η X2 συσχετίζεται με την X3 τότε το πρόσθετο μη
απαραίτητο στοιχείο της πολυσυγγραμμικότητας θα
εισαχθεί.
Applied Econometrics
Παράλειψη και εισαγωγή ταυτόχρονα
Σ’ αυτή την περίπτωση, το σωστό μοντέλο είναι:
Y=β1+β2X2+ β3X3+v
Και εμείς εκτιμούμε το:
Y=β1+β2X2+ β4X4+w
Είναι εύκολο να κατανοήσουμε τα προβλήματα
που δημιουργεί αυτό το διπλό λάθος.
Applied Econometrics
Η προσθήκη στη λύση
Μερικές φορές είναι πιθανό να αντιμετωπίσουμε
μεροληψία των παραλειπόμενων μεταβλητών
γιατί μια μεταβλητή-κλειδί που επηρεάζει την
Y δεν είναι διαθέσιμη.
Για παράδειγμα, θεωρείστε το μοντέλο όπου ο
μηνιαίος μισθός ενός ατόμου σχετίζεται με:
• Εάν είναι άνδρας ή γυναίκα.
• Με τα χρόνια εκπαίδευσης
Applied Econometrics
Η προσθήκη στη λύση
Και οι δύο παράγοντες μπορούν να ποσοτικοποιηθούν
και να συμπεριληφθούν στο μοντέλο
Όμως, εάν επίσης υποθέσουμε ότι το επίπεδο μισθού
μπορεί να επηρεαστεί από το κοινωνικό-οικονομικό
περιβάλλον στο οποίο μεγάλωσε το άτομο, τότε αυτό
είναι δύσκολο να μετρηθεί και να συμπεριληφθεί στο
μοντέλο:
(salary)= β1+β2(sex)+β3(educ) +β3(background)+u
Applied Econometrics
Η προσθήκη στη λύση
Μη συμπεριλαμβάνοντας την μεταβλητή background
στο μοντέλο οδηγεί σε μεροληπτικές εκτιμήσεις των
β1 και β2.
Το κύριο ενδιαφέρον μας, όμως, είναι να πάρουμε
κατάλληλες εκτιμήσεις για τους δυο συντελεστές
(δηλαδή δεν μας ενδιαφέρει τόσο για το β3 γιατί δε θα
πάρουμε ποτέ τον κατάλληλο συντελεστή για αυτό).
Ένας τρόπος επίλυσης, είναι να εισάγουμε μια
εναλλακτική μεταβλητή για την παραλειπόμενη
βοηθητική μεταβλητή.
Applied Econometrics
Η προσθήκη στη λύση
Στο
παράδειγμα,
μπορούμε
να
χρησιμοποιήσουμε το οικογενειακό
εισόδημα. Βέβαια, το οικογενειακά
εισόδημα δεν είναι ακριβώς αυτό που
εννοούμε
με
την
έννοια
του
περιβάλλοντος αλλά είναι μια μεταβλητή
υψηλά συσχετιζόμενη με αυτό.
Applied Econometrics
Η προσθήκη στη λύση
Για την επεξήγηση, θεωρείστε το μοντέλο:
Y=β1+β2X2+ β3X3+β4X*4+u
Όπου X2 και X3 παρατηρούνται, X*4 είναι μη παρατηρήσιμη.
Ωστόσο, ξέρουμε ότι:
X*4=δ1+δ2X4+e
Όπου ο όρος σφάλματος e θα πρέπει να συμπεριληφθεί γιατί
δεν είναι ακριβώς τα ίδια και το δ1 περιλαμβάνεται επίσης
για να επιτρέψει τη μέτρηση σε μια διαφορετική κλίμακα.
Χρειαζόμαστε μεταβλητές που συσχετίζονται θετικά.
(δηλαδή δ2>0)
Applied Econometrics
Η προσθήκη στη λύση
Άρα, εκτιμούμε:
Y=β1+β2X2+ β3X3+β4(δ1+δ2X4+e)+u
= (β1+ β4δ1)+β2X2+ β3X3+β4δ2X4+(β4e+u)
= a1
+ β2X2+ β3X3+ a4X4+
w
Εκτιμώντας αυτό το μοντέλο, δεν παίρνουμε αμερόληπτες
εκτιμήσεις για τα β1 και β4, αλλά παίρνουμε
αμερόληπτους εκτιμητές για τα a1, β2, β3 και a4.
Applied Econometrics
Διάφορες συναρτησιακές μορφές
•
•
•
•
•
•
•
Γραμμική
Y=β1+β2X2
Γραμμική-λογαριθμική Y=β1+β2lnX2
Αντιστρόφως αμοιβαία Y=β1+β2 (1/X2)
Τετραγωνική
Y=β1+β2X2 +β3X22
Αλληλεπίδρασης
Y=β1+β2X2 +β3X2Z
Λογαριθμική-γραμμική lnY=β1+β2X2
Διπλή λογαριθμική
lnY=β1+β2lnX2
Applied Econometrics
Η μετατροπή Box-Cox
Η επιλογή της συναρτησιακής μορφής παίζει σημαντικό
ρόλο; άρα, χρειαζόμαστε ένα επίσημο test
σύγκρισης εναλλακτικών μοντέλων
(συναρτησιακών μορφών).
Αν έχουμε την ίδια εξαρτημένη μεταβλητή, τα
πράγματα είναι εύκολα: εκτιμούμε τα δύο μοντέλο
και διαλέγουμε εκείνο με το υψηλότερο R2.
Όμως, εάν οι εξαρτημένες μεταβλητές είναι
διαφορετικές, η άμεση σύγκριση είναι αδύνατη.
Applied Econometrics
Η μετατροπή Box-Cox
Υποθέστε ότι έχουμε τα μοντέλα:
Y=β1+β2X2
and lnY=β1+β2lnX2
Σε τέτοιες περιπτώσεις, χρειάζεται να
αναβαθμίσουμε την μεταβλητή Y με τέτοιο
τρόπο ώστε να μπορούμε να συγκρίνουμε τα
δύο μοντέλα.
Η διαδικασία αυτή ονομάζεται μετατροπή BoxCox.
Applied Econometrics
Η μετατροπή Box-Cox
Βήμα 1: Παίρνουμε τον γεωμετρικό μέσο από το δείγμα των τιμών
του Υ.
Y’=(Y1Y2Y3…Yn)1/n=exp[(1/n)ΣlnY)
Βήμα 2: Μετατρέπουμε τις τιμές του δείγματος Y διαιρώντας κάθε
μία με Y’ που το υπολογίσαμε στο βήμα 1:
Y*=Yi/Y’
Βήμα 3: Εκτιμούμε και τα δύο μοντέλα με την Y* ως εξαρτημένη
μεταβλητή. Η εξίσωση με το χαμηλότερο RSS θα πρέπει να
προτιμηθεί.
Βήμα 4: Εάν θέλουμε να ελέγξουμε εάν είναι σημαντικά καλύτερο,
υπολογίζουμε (1/2 n)ln(RSS2/RSS1) και ελέγχουμε με την
κατανομή Χ-τετράγωνο. RSS είναι αυτό με τη χαμηλότερη τιμή.
Applied Econometrics
Σφάλματα μέτρησης
Μερικές φορές τα δεδομένα δεν μετρώνται κατάλληλα.
Μπορεί να έχουμε σφάλματα μέτρηση είτε στην
εξαρτημένη μεταβλητή ή στις ερμηνευτικές μεταβλητές
ή και στα δυο.
Εάν το σφάλμα βρίσκεται στην εξαρτημένη, τότε έχουμε
μεγαλύτερες διακυμάνσεις των συντελεστών OLS.
Αναπόφευκτο.
Εάν το σφάλμα είναι στις ερμηνευτικές μεταβλητές,
έχουμε μεροληπτικούς και ασυνεπείς εκτιμητές.
Εντελώς λάθος αποτελέσματα.
Applied Econometrics
Έλεγχοι για λανθασμένη εξειδίκευση
Έχουμε τους ακόλουθους ελέγχους:
• Έλεγχος για κανονικότητα των καταλοίπων
• Το Ramsey RESET test
• Έλεγχοι για μη-ένθετα μοντέλα
Applied Econometrics
Κανονικότητα των καταλοίπων
Βήμα 1: Υπολογίζουμε το στατιστικό JarqueBerra (JB) (δίνεται στο Eviews)
Βήμα 2: Βρίσκουμε την κριτική τιμή του Χτετράγωνο από τους αντίστοιχους πίνακες.
Βήμα 3: Εάν JB>Χ-τετράγωνο, τότε
απορρίπτεται η μηδενική υπόθεση της
κανονικότητας.
Applied Econometrics
Το Ramsey Reset Test
Βήμα 1: Εκτιμούμε το μοντέλο που νομίζουμε ότι είναι σωστό και
λαμβάνουμε τις προσαρμοσμένες τιμές για το Y, που
ονομάζονται Y’.
Βήμα 2: Εκτιμούμε το μοντέλο στο βήμα1 ξανά, αυτή τη φορά
περιλαμβάνοντας τα Y’2 και Y’3 σαν πρόσθετες ερμηνευτικές
μεταβλητές.
Βήμα 3: Το μοντέλο στο βήμα 1 είναι το περιορισμένο μοντέλο
και το μοντέλο στο βήμα 2 είναι το μη περιορισμένο.
Υπολογίζουμε το F-στατιστικό για τα δύο αυτά μοντέλα.
Βήμα 4: Συγκρίνουμε τα F-στατιστικά με την κριτική τιμή του F
και συμπεραίνουμε (εάν F-stat>F-crit απορρίπτουμε τη μηδενική
υπόθεση της σωστής εξειδίκευσης).
Applied Econometrics
Έλεγχοι για μη-ένθετα μοντέλα
Εάν θέλουμε να ελέγξουμε μοντέλα, που δεν είναι
ένθετα, τότε δε μπορούμε να χρησιμοποιήσουμε την
προσέγγιση του F-στατιστικού.
Μη-ένθετα είναι τα μοντέλα στα οποία καμία εξίσωση
δεν είναι ειδική περίπτωση της άλλης, με άλλα
λόγια δεν έχουμε περιορισμένο και μη-περιορισμένο
μοντέλο.
Υποθέστε για παράδειγμα το ακόλουθο μοντέλο:
Y=β +β X +β X +u
(1)
Applied Econometrics
Έλεγχοι για μη-ένθετα μοντέλα
Μία προσέγγιση (Mizon και Richard) προτείνει
την εκτίμηση ενός περιεκτικού μοντέλου της
μορφής:
Y= δ1+ δ2X2 + δ3X3+ δ4lnX2 +δ5lnX3+e
Και στη συνέχεια, εφαρμόσουμε ένα F-test για
τη σημαντικότητα των δ4 και δ5 έχοντας ως
περιορισμένο μοντέλο την εξίσωση (1).
Applied Econometrics
Tests for Non-Nested Models
A second approach (Davidson and McKinnon)
suggests that if model (1) is true then the fitted
values of (2) should be insignificant in (1) and
vice versa.
So they suggest the estimation of
Y= β1+ β2X2 +β3X3+δY*+e
where Y* is the fitted values of model (2). A
simple t-test of the coefficient of Y* can
conclude.
Applied Econometrics
Επιλέγοντας το κατάλληλο μοντέλο
Υπάρχουν δύο κύριες προσεγγίσεις:
• Η παραδοσιακή άποψη: Μέσες Οικονομικές
Παλινδρομήσεις (ΜΟΠ)
• Η γενική προσέγγιση εξειδίκευσης του
Hendry.
Applied Econometrics
Επιλέγοντας το κατάλληλο μοντέλο
•
Η ΜΟΠ απαραίτητα ξεκινά με ένα απλό μοντέλο
και τότε «χτίζει» το μοντέλο όπως απαιτεί η
περίσταση. Επίσης ονομάζεται απλή εξειδίκευση.
• Δύο μειονεκτήματα:
(a) Πρόβλημα εξόρυξης δεδομένων. Από τον ερευνητή,
παρουσιάζεται μόνο το τελικό μοντέλο.
(b) Οι μετατροπές στο αρχικό μοντέλο γίνονται με
αμφιλεγόμενο τρόπο και βασίζονται στις απόψεις
του ερευνητή.
Applied Econometrics
Επιλέγοντας το κατάλληλο μοντέλο
Η προσέγγιση Hendry ξεκινά με ένα γενικό μοντέλο που
περιλαμβάνει –σε ειδικές περιπτώσεις ένθετα εντός του –
άλλα πιο απλά μοντέλα και με τα κατάλληλα tests
περιορίζεται σε απλούστερο μοντέλο.
Το μοντέλο θα πρέπει να είναι:
(a) Με αποδεκτά δεδομένα
(b) Συνεπές με τη θεωρία
(c) Να χρησιμοποιεί παλινδρομητές που δεν σχετίζονται με τα
σφάλματα
(d) Να παρουσιάζει σταθερότητα των παραμέτρων
(e) Να παρουσιάζει συνοχή των δεδομένων
(f) Συνοψίζοντας, έννοιες που περιλαμβάνουμε όλα τα πιθανά
«αντίπαλα» μοντέλα.

similar documents