Professional Documents
Culture Documents
στις Η.Π.Α.
BETA 1
ΚΕΦΑΛΑΙΟ 2
Y = Xβ + U
BETA 2
Δηλαδή ο συντελεστής αυτοσυσχετίσεως κ–τάξεως είναι ο γνωστός συντελεστής
γραμμικής συσχετίσεως μεταξύ δύο τυχαίων μεταβλητών, μόνο που στην περίπτωση
του συντελεστή αυτοσυσχετίσεως το ρόλο της δεύτερης μεταβλητής παίζει η ίδια
μεταβλητή μετατοπισμένη τόσες χρονικές περιόδους, όση είναι η τάξη του
συντελεστή.
αυτοσυσχέτιση.
BETA 3
Στη συνέχεια εκτιμάμε με τη μέθοδο OLS το παρακάτω υπόδειγμα:
Υt=β1+β2Xt+Ut , β2>0 ( 1)
1
Σχετικά με τη συνθήκη β2>0 μπορεί κάνεις να επικαλεστεί το θεώρημα της οριακής
παραγωγικότητας των μικροοικονομικών, εφαρμοσμένο σε μακροοικονομικό ή εθνικό
επίπεδο για να υποθέσει μια θετική σχέση μεταξύ των 2 μεταβλητών.
BETA 4
Ŷt=16.8978+0.8254Χt r2=0.9566
BETA 5
Υπάρχουν διάφοροι τρόποι για να εξετάσουμε τα κατάλοιπα. Ο απλούστερος είναι
να τα σχεδιάσουμε σε σχέση με το χρόνο, όπως φαίνεται στο σχήμα 2.1 το οποίο μας
δείχνει τα κατάλοιπα από την παλινδρόμηση των μισθών με την παραγωγικότητα στις
ΗΠΑ κατά την περίοδο 1960-1983.
BETA 6
Τα τυποποιημένα υπόλοιπα, όπως τα , έχουν μέσο μηδέν, ενώ η διακύμανση τους
προσεγγιστικά την κανονική κατανομή με μηδενική μέση τιμή και διακύμανση ίση με
τη μονάδα.
Εξετάζοντας το διάγραμμα της χρονικής ακολουθίας που φαίνεται στο σχήμα 2.1,
ένα πρότυπο που θα μπορούσε να θεωρηθεί ως τυχαίο, και αυτό γιατί το πρόσημο για
διαδοχικά κατάλοιπα αλλάζει μόλις 2 φορές. Συνεπώς, τούτο υποδηλώνει ότι οι
διαταραχές ut μπορεί επίσης να μην είναι τυχαίες.
τοποθετώντας τα στον κατακόρυφο άξονα και τα et-1 στον οριζόντιο άξονα. Έτσι
παίρνουμε την εικόνα που φαίνεται στο Σχήμα 2.2. Πράγματι, από το σχήμα αυτό
βλέπουμε ότι, τα περισσότερα από τα σημεία του διαγράμματος είναι συγκεντρωμένα
στο πρώτο (North-East) και στο τρίτο (South-West) τεταρτημόριο, γεγονός που
υποδηλώνει έντονα ότι υπάρχει θετική συσχέτιση στα κατάλοιπα. Αργότερα, θα
BETA 7
δούμε πώς μπορούμε να αξιοποιήσουμε αυτή τη γνώση για να απαλλαγούμε από το
πρόβλημα αυτοσυσχέτισης.
2
Σε μη παραμετρικά τεστ δεν κάνουμε παραδοχές για την κατανομή από την οποία πάρθηκαν οι
παρατηρήσεις. Στο τεστ του Geary, βλέπε R. C. Geary , “ Relative Efficiency of Count of Sign
Changes for Assessing Residual Autoregression in Least Squares Regression”, Biometrika, vol. 57, pp.
123-127, 1970.
BETA 8
πρόσημα (δηλαδή, μήκους 4). Για καλύτερο οπτικό αποτέλεσμα έχουμε θέσει τις
ροές σε παρενθέσεις.
Έστω τώρα:
Μέσο: και
Διακύμανση:
Εάν η υπόθεση της τυχαιότητας είναι ανεκτή, τότε θα περιμέναμε n, τον αριθμό των
ροών που λαμβάνεται σε ένα πρόβλημα, να περιέχεται μεταξύ
με 95% εμπιστοσύνη. Ως εκ τούτου, διατυπώνουμε τον παρακάτω
BETA 9
,
συνεπώς απορρίπτουμε την μηδενική υπόθεση εάν το εκτιμώμενο n βρίσκεται έξω από
αυτά τα όρια.
και
και
Εάν και είναι μικρότερα από 10, οι Swed και Eisenhart έχουν αναπτύξει
ειδικούς πίνακες που δίνουν κρίσιμες τιμές των ροών που αναμένουμε σε μία τυχαία
ακολουθία Ν παρατηρήσεων.
στοχαστικές διαταραχές
Yt = β1+ β2Xt + Ut (πληθυσμιακή παλινδόμηση)
BETA 10
N
∑ (e − et −1 )
2
t
DW = t =2
N
∑e
t =1
2
t
όπου ο παρονομαστής στο β’ μέλος είναι το γνωστό RSS (Residual Sum of Squares)
Επισημαίνεται με έμφαση ότι η χρήση του ελέγχου DW είναι δυνατή μόνο κάτω από
τις εξής προϋποθέσεις:
Μειονεκτήματα : Πολλές προϋποθέσεις για να είναι δυνατή η χρήση του DW. ‘Oχι
ακριβής κατανομή πιθανότητας για το DW, καθώς τα et εξαρτώνται από τις εκάστοτε
επεξηγηματικές μεταβλητές.
T T
∑ et2 + ∑ et2−1 − 2∑ et ⋅ et −1
t =2 t =2 (
2 ∑ et2 − ∑ et ⋅ et −1 ) = 2(1 − ρˆ )
DW = T
≅ T
∑e
t =1
2
t ∑et =1
2
t
Όπου ρ̂ είναι η εκτίμηση της παραμέτρου του AR(1) υποδείγματος που έχουμε
υποθέσει ότι περιγράφει την αυτοσυσχέτιση στις στοχαστικές διαταραχές.
Επειδή − 1 ≤ ρˆ ≤ 1 ⇒ 0 ≤ DW ≤ 4
Άρα:
BETA 11
Για ρ̂ =0 → DW ≅ 2 (καθόλου αυτοσυσχέτιση)
Ν= αριθμός παρατηρήσεων.
Έτσι αν βρεθεί ότι: 0<DW<dL τότε απορρίπτουμε την μηδενική υπόθεση (όχι
αυτοσυσχέτιση) και δεχόμαστε ότι υπάρχει θετική αυτοσυσχέτιση, ενώ αν:
4-dL<DW<4 τότε και πάλι απορρίπτουμε την μηδενική υπόθεση (όχι αυτοσυσχέτιση)
και δεχόμαστε την ύπαρξη αρνητικής αυτοσυσχέτισης.
Αν όμως: dL< DW<dU ή 4-dU<DW<4-dL τότε δεν μπορεί να ληφθεί απόφαση για
απόρριψη ή μη της μηδενικής υπόθεσης.
0 dL dv 2 4-du 4-dL 4
BETA 12
Παράδειγμα: Για το υπόδειγμα μισθών-παραγωγικότητας που συζητήσαμε
προηγουμένως η τιμή του DW που προκύπτει από τα κατάλοιπα είναι:
DW=0,2398
BETA 13
2. Εκτιμάμε τη λεγόμενη βοηθητική παλινδρόμηση στην οποία τα û t παίζουν το
ρόλο της εξαρτημένης μεταβλητής, ενώ ως ανεξάρτητες μεταβλητές εκτός της
Χt χρησιμοποιούνται και οι û t −1 , û t -2 ,......., û t -p , δηλ. το υπόδειγμα:
uˆ t = a1 + a 2 X t + ρˆ 1uˆ t −1 + ρˆ 2 uˆ t − 2 + .... + ρˆ p uˆ t − p + wt
( N − p ) R 2 που βρεθεί στο δείγμα μας ξεπερνά την κρίσιμη τιμή της
κατανομής chi-square με p βαθμούς ελευθερίας και προεπιλεγμένο επίπεδο
σημαντικότητας.
Ut= ρUt-1 + εt με
BETA 14
Πολ/ζοντας και τα δύο μέλη της παραπάνω σχέσης με ρ και αφαιρώντας κατά μέλη
παίρνουμε:
Θέτοντας:
Yt*= = Yt − ρYt −1 ,
X t*= = X t − ρX t −1 ,
β1* = β1 (1 − ρ ) και
ε t = U t − ρU t −1
η γενικευμένη εξίσωση διαφορών γράφεται:
Yt* = β1* + β 2* X t* + ε t
Καθώς το εt στην εξίσωση αυτή πληροί όλες τις προϋποθέσεις ώστε οι OLS εκτιμητές
να είναι BLUE μπορούμε να χρησιμοποιήσουμε τη μέθοδο OLS ώστε να
εκτιμήσουμε τις παραμέτρους στο υπόδειγμα με τις μετασχηματισμένες μεταβλητές.
Σημειώνεται ότι γράφοντας το υπόδειγμα σε χρόνο t-1 και εν συνεχεία αφαιρώντας
ένα ποσοστό (=ρ) των τιμών των μεταβλητών τη χρονική στιγμή t-1 από τις
αντίστοιχες τιμές των μεταβλητών αυτών τη χρονική στιγμή t, χάνεται η πρώτη
παρατήρηση. Αυτό δυνατόν να έχει σοβαρές συνέπειες ιδιαίτερα σε μικρά δείγματα.
Για να αποφύγουμε αυτές τις συνέπειες για τις πρώτες παρατηρήσεις των Yt , Xt
χρησιμοποιούμε το μετασχηματισμό Prais-Winsten:
BETA 15
β) Όταν η δομή της αυτοσυσχέτησης στις διαταραχές δεν είναι γνωστή.
BETA 16
είναι απόλυτα έγκυρος ακόμη και σε μεγάλα δείγματα. Για το λόγο αυτό από
ορισμένους ερευνητές έχει προταθεί να μη χρησιμοποιείται το στατιστικό Durbin-
Watson σε οικονομετρικά υποδείγματα χρονικών σειρών (π.χ. F. Hayashi,
Econometrics, 2000 Princeton University Press). Ένα άλλο πρόβλημα εμφανίζεται
όταν τα κατάλοιπα δεν είναι κανονικά κατανεμημένα. Στην περίπτωση αυτή μπορεί
να χρησιμοποιηθεί ο έλεγχος ροών για τη χρήση του οποίου δεν τίθεται καμία
προϋπόθεση σχετικά με την κατανομή των καταλοίπων. Πάντως για μεγάλα δείγματα
μπορεί να αποδειχθεί ότι:
1
N (1 − d ) ≈ N (0,1) όπου Ν το μέγεθος του δείγματος.
2
N ρˆ ≈ N (0,1)
BETA 17
εξειδίκευση του υποδείγματος απαιτεί πολυωνυμική παλινδρόμηση και αντ’ αυτής
χρησιμοποιηθεί γραμμική παλινδρόμηση τότε στις διαταραχές θα αποτυπωθεί η
αδυναμία του υποδείγματος να ερμηνεύσει τις μη γραμμικές διακυμάνσεις της
εξαρτημένης μεταβλητής με τη μορφή (θετικής στη συγκεκριμένη περίπτωση)
αυτοσυσχέτισης. Η αυτοσυσχέτιση που εμφανίζεται σε αυτές τις περιπτώσεις
ονομάζεται επαγόμενη αυτοσυσχέτιση και είναι δυνατό να εξαλειφθεί στο πλαίσιο
των OLS εκτιμήσεων των συντελεστών του υποδείγματος, εφόσον αναιρεθούν οι
αιτίες που την προκαλούν.
Οι Newey και West πρότειναν τους λεγόμενους συνεπείς ως προς αυτοσυσχέτιση και
ετεροσκεδαστικότητα εκτιμητές (heteroscedasticity and autocorrelation consistent
estimators, HAC estimators) οι οποίοι διορθώνουν το πρόβλημα που προκύπτει με τα
τυπικά σφάλματα των εκτιμήσεων, αν χρησιμοποιήσουμε τους OLS εκτιμητές.
Αρκετά οικονομετρικά λογισμικά προγράμματα (π.χ. E-Views version 4 και
μεταγενέστερες) παρέχουν εκτιμήσεις των τυπικών σφαλμάτων κατά Newey-West.
Θα πρέπει πάντως να τονισθεί ότι η διαδικασία εκτίμησης κατά Newey-West είναι
έγκυρη μόνο σε μεγάλα δείγματα και δεν υπάρχει ακόμη επαρκής τεκμηρίωση για την
καταλληλότητά τους για μικρά δείγματα.
BETA 18
όπου Ν=μέγεθος δείγματος, Κ=αριθμός συντελεστών συμπεριλαμβανομένου και του
σταθερού όρου.
BETA 19
2.7 Ερωτήσεις - Ασκήσεις Κεφαλαίου 2
BETA 20
Παραχθέν Συνολικό κόστος
Προϊόν
(Υ)
(Χ)
1 193
2 226
3 240
4 244
5 257
6 260
7 274
8 297
9 350
10 420
Από την οικονομική θεωρία γνωρίζουμε ότι η συνάρτηση κόστους ως προς το τελικό
προϊόν είναι συνήθως κυβική.
Χρησιμοποιώντας τα δεδομένα του πίνακα εκτιμήθηκαν τρία υποδείγματα
παλινδρόμησης στα οποία η συνάρτηση συνολικού κόστους θεωρήθηκε ότι είναι:
(1) γραμμική,
(2) τετραγωνική
(3) κυβική
Τα αντίστοιχα αποτελέσματα φαίνονται παρακάτω:
Υπόδειγμα (1)
Y=166.476 +19,993X+e1
(19,02) (3,06) R2 = 0,840, Rad2 = 0,821, DW = 0,716
t: (8,75) (6,50)
Υπόδειγμα (2)
Y = 222,38 - 8,02X + 2,54X2+e2 R2 = 0,923, Rad2 = 0,908, DW = 1,038
(23,44) (9,80) (0,86)
t: (9,47) (-0,81) (2,92)
Υπόδειγμα (3)
Y = 141,76 + 63,48X – 12,96X2 + 0,94X3+e3 R2 = 0,998, Rad2 = 0,997, DW = 2,70
(6,37) (4,78) (0,98) (0,06)
t: (22,2) (13,3) (-13,1) (15,9)
α) Σε ποιo(ά) από τα παραπάνω υποδείγματα υπάρχει πρόβλημα αυτοσυσχέτισης;
(β) Εφόσον υπάρχει, είναι καθαρή ή επαγόμενη αυτοσυσχέτιση;
BETA 21
(γ) Γενικότερα πως μπορεί ο ερευνητής να ξεχωρίσει την καθαρή από την επαγόμενη
αυτοσυσχέτιση;
(γ) Με ποιούς άλλους τρόπους θα μπορούσατε να την ανιχνεύσετε;
BETA 22