Ekonometria WYKŁAD 7 Piotr Ciżkowicz Katedra Międzynarodowych Studiów Porównawczych Plan Czym się zajmiemy: 1. Modele liniowe i nieliniowe – przykłady 2. Funkcje produkcji 3. Modele zmiennej jakościowej Modele liniowe ►Modele liniowe względem parametrów i zmiennych np.: ►Modele liniowe względem parametrów, lecz nieliniowe względem zmiennych np.: lub w postaci ogólnej: ►Jeśli funkcja g (y)=y, to model jest bezpośrednio liniowy względem parametrów , w przeciwnym przypadku model jest linearyzowany np. lub po zlinearyzowaniu: Typowe modele liniowe wzg. parametrów ►Modele bezpośrednio liniowe: ► Modele funkcji kwadratowej (zależność U-kształtna) ►Model ze zmiennymi interakcyjnymi ► Modele linearyzowane: ►Model potęgowy: ►Model wykładniczy: ► Model hiperboliczny: Interpretacja parametrów regresji w modelach z logarytmami ►Model liniowy : poziom – poziom - wyjaśnione wcześniej ►Model logarytmiczny : poziom – logarytm Interpretacja: wzrost x o 1% prowadzi do wzrostu y o ► Model wykładniczy : logarytm– poziom Interpretacja: wzrost x o 1 prowadzi do wzrostu y o ► Model potęgowy: logarytm– logarytm Interpretacja: wzrost x o 1% prowadzi do wzrostu y o jednostek Co oznacza przyrost logarytmu? ►Wyrażenie oznacza tempo wzrostu zmiennej x ►Dla zmiennej przekrojowej oznacza natomiast procentowy przyrost zmiennej x ►Dowód: ►Z rozwinięcia Taylora mamy stąd dla mamy: Elastyczność a logarytmy ►Elastyczność cząstkowa zmiennej y po zmiennej x dana jest wzorem: ►Dowód: oznaczając u=lny, v=lnx, x=e^lnx=e^v otrzymujemy Interpretacja parametru w wykładniczym modelu trendu ►W modelu postaci parametr stojący przy zmiennej t oznacza stopę wzrostu zmiennej y ►Dowód: co ze wzoru Maclaurina jest równe Przykład modelu ściśle nieliniowego – funkcja logistyczna ►Funkcja logistyczna to funkcja określona wzorem ►Wykres funkcji logistycznej postaci Przykład modelu ściśle nieliniowego – funkcja logistyczna ►Własności funkcji logistycznej: ► parametr jest poziomem nasycenia zmiennej y, gdyż zachodzi : ►dla t= 0 funkcja przyjmuje ►punktem przegięcia funkcji jest ►funkcję można sformułować w innej wersji, w której przyjmuje wartość nasycenia równą 1, stąd nadaje się do modelowania prawdopodobieństwa (podstawa tzw. modelu logistycznego) Funkcja produkcji - własności (1) ►Funkcja produkcji opisuje zależność między nakładami czynnikami produkcji wartością wytworzonego dzięki nim produktu. ►Funkcja produkcji może bazować na danych mikro (nakłady i wyniki poszczególnych przedsiębiorstw), bądź danych makroekonomicznych (województwo, sektor, kraj itp.) ►Ogólna postać ekonometrycznej funkcji produkcji: 𝑌 = 𝑓(𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝐽 , 𝜀) gdzie Y – wielkość produktu, X – nakład czynnika produkcji o indeksie 1…J, 𝜀 - czynniki losowe wpływające na produkt Funkcja produkcji - własności (2) ►Estymacja ekonometrycznej funkcji produkcji może bazować na danych przekrojowych (np. 1000 firm z danego województwa w danym roku), szeregach czasowych (np. produkcja i nakłady danego przedsiębiorstwa w 30 kolejnych kwartałach) lub danych panelowych (np. wielkość produkcji i nakładów w 15 sektorach gospodarki w latach 2000-2015) ►Funkcja produkcji jest zazwyczaj funkcją nieliniową; niektóre z jej postaci można zlinearyzować (por. dalej funkcję produkcji CobbaDouglasa) ►Funkcja produkcji zazwyczaj spełnia szereg własności – dla uproszczenia przedstawione są dla funkcji dwuczynnikowej postaci: 𝑌 = 𝑓(𝐾, 𝐿) Funkcja produkcji - własności (3) ►(1) Funkcja produkcji jest ciągła i dwukrotnie różniczkowalna ►(2) Wartości funkcji oraz jej argumenty są nieujemne (wykres znajduje się w pierwszym oktancie układu (Y, K, L) ►(3) Warstwice funkcji produkcji dla (K,L) tworzą izokwanty produkcji – linie obrazujące kombinację czynników produkcji dających tę samą wielkość produktu; izokwanty są wypukłe w przestrzeni (K, L); dla danej wielkości produktu są opisane wzorem : 𝑌0 = 𝑓(𝐾, 𝐿) ►(4) Produkcyjność krańcowa czynnika produkcji jest dodatnia; jest to pierwsza pochodna funkcji produkcji po danym czynniku produkcji; mierzy o ile zmienia się produkt jeśli ceteris paribus nakład czynnika zmienia się o jednostkę 𝜕𝑌 𝑓𝐾 = > 0, 𝜕𝐾 𝜕𝑌 𝑓𝐿 = >0 𝜕𝐿 Funkcja produkcji - własności (4) ►(5) Produkcyjność krańcowa czynnika produkcji jest malejącą funkcją nakładów tego czynnika; jest to druga pochodna po danym czynniku produkcji; własność oznacza , że zwiększanie danego czynnika produkcji ceteris paribus prowadzi do coraz mniejszego wzrostu produktu 2 2 𝑓𝐾𝐾 𝜕 𝑌 = < 0, 2 𝜕𝐾 𝜕 𝑌 𝑓𝐿𝐿 = 2 < 0 𝜕𝐿 ►(6) Produkcyjność krańcowa czynnika produkcji jest rosnącą funkcją nakładów drugiego czynnika; jest to pochodna mieszana po obu czynnikach produkcji; własność oznacza, że zwiększanie danego czynnika produkcji ceteris paribus prowadzi zwiększenia produkcyjności krańcowej drugiego czynnika produkcji 𝑓𝐾𝐿 𝜕2𝑌 = > 0, 𝜕𝐾𝜕𝐿 𝑓𝐿𝐾 𝜕2𝑌 = >0 𝜕𝐿𝜕𝐾 Funkcja produkcji - własności (5) ►(7) Funkcja produkcji jest jednorodna; stopień jednorodności funkcji jest określony przez r we wzorze: 𝑓 𝜆𝐾, 𝜆𝐿 = 𝜆𝑟 𝑓(𝐾, 𝐿) Stopień jednorodności funkcji definiuje tzw. efekty skali: ►jeśli r<1, to funkcja wykazuje malejące korzyści skali tzn. że zwiększenie każdego z czynników produkcji o x% powoduje zwiększenie produktu o mniej niż x%; ►jeśli r=1, to funkcja wykazuje stałe korzyści skali tzn. że zwiększenie każdego z czynników produkcji o x% powoduje zwiększenie produktu o x%; ►jeśli r>1, to funkcja wykazuje rosnące korzyści skali tzn. że zwiększenie każdego z czynników produkcji o x% powoduje zwiększenie produktu o więcej niż x%. Funkcja produkcji - własności (6) ►(8) Czynniki produkcji są substytucyjne w procesie produkcji. Oznacza to, że ten sam poziom produktu można osiągnąć różnymi kombinacjami nakładów czynników produkcji. ►Stopień zastępowania czynników produkcji określa Krańcowa Stopa Substytucji (KSS); określa ona jaka powinna być wielkość wzrostu (spadku) jednego z czynników produkcji, aby przy spadku (wzroście) drugiego czynnika produkcji o jednostkę produkt pozostawał stały ►KSS jest równa współczynnikowi nachylenia stycznej do izokwanty w punkcie równym wyjściowej kombinacji czynników produkcji. ►KSS wyznaczamy ze wzoru na różniczkę zupełną tzn.: 𝑑𝑌 = 𝜕𝑌 𝑑𝐾 𝜕𝐾 + 𝜕𝑌 𝑑𝐿=𝑓𝐾 𝜕𝐿 𝑑𝐾 + 𝑓𝐿 𝑑𝐿 Ponieważ produkt ma być stały to dY=0, a stąd 𝐾𝑆𝑆 = 𝑑𝐾 𝑑𝐿 =− 𝑓𝐿 , 𝑓𝐾 1 𝐾𝑆𝑆 = 𝑑𝐿 𝑑𝐾 =− 𝑓𝐾 𝑓𝐿 Funkcja produkcji - własności (7) ►(9) Elastyczność produkcji względem czynnika produkcji mierzona w danym punkcie mówi o ile procent zmieni się Y jeśli dany czynnik produkcji zmieni się o 1 proc. w otoczeniu punktu wyznaczonego przez daną kombinację czynników produkcji: 𝐸𝑌 𝐾 𝜕𝑌 𝜕𝐾 𝜕𝑙𝑛𝑌 𝜕𝑌 𝜕𝐿 𝜕𝑙𝑛𝑌 = = , 𝐸𝑌 𝐿 = = 𝑌 𝐾 𝜕𝑙𝑛𝐾 𝑌 𝐿 𝜕𝑙𝑛𝐿 ►(10) Elastyczność substytucji mówi o ile proc. zmienia się relacja czynników produkcji (K/L – techniczne uzbrojenie pracy) w reakcji na 1 proc. zmianę KSS; mierzy stopień wypukłości izokwanty 𝜕(𝐾 𝐿) 𝜕𝐾𝑆𝑆 𝜎= (𝐾 𝐿) 𝐾𝑆𝑆 Funkcja Cobba-Douglasa (1) ►Funkcja postaci 𝛼𝐽 𝛼1 𝛼2 𝑌 = 𝛼0 𝑋1 𝑋2 … 𝑋𝐽 𝜀 lub w formule dwuczynnikowej 𝑌 = 𝑎𝐾 𝑏 𝐿𝑐 𝜀 ►Funkcja bazuje na modelu potęgowym i jest liniowa względem parametrów – po zlinearyzowaniu przyjmuje postać: 𝑙𝑛𝑌 = 𝑙𝑛𝑎 + 𝑏𝑙𝑛𝐾 + 𝑐𝑙𝑛𝐿 + 𝑙𝑛𝜀 ►(3) Izokwanta produkcji dla Y0: 𝑙𝑛𝐾 = 𝑙𝑛𝑌0 − 𝑙𝑛𝑎 − 𝑐𝑙𝑛𝐿 /𝑏 ►(4) Produkcyjność krańcowa: 𝜕𝑌 𝑓𝐾 = = 𝑎𝑏𝐾 𝑏−1 𝐿𝑐 > 0, 𝜕𝐾 𝜕𝑌 𝑓𝐿 = = 𝑎𝑐𝐾 𝑏 𝐿𝑐−1 > 0 𝜕𝐿 Funkcja Cobba-Douglasa – izokwanty dla funkcji o parametrach a=0.8, b=0.66, c=0.33 1400 1200 1000 800 600 400 200 0 0 20 40 Y=50 Y=80 60 Y=110 80 Funkcja Cobba-Douglasa (2) ►(5) Produkcyjności krańcowe są malejącą funkcją danego nakładu produkcji, jeśli tylko b i c <1 𝜕2𝑌 𝑏−2 𝑐 𝑓𝐾𝐾 = = 𝑎𝑏(𝑏 − 1)𝐾 𝐿 < 0, 2 𝜕𝐾 𝜕2𝑌 𝑓𝐿𝐿 = 2 = 𝑎𝑐(𝑐 − 1)𝐾 𝑏 𝐿𝑐−2 < 0 𝜕𝐿 ►(6) Produkcyjności krańcowe są rosnącą funkcją drugiego czynnika produkcji 𝑓𝐾𝐿 = 𝑓𝐿𝐾 𝜕2𝑌 𝜕2𝑌 = = = 𝑎𝑏𝑐𝐾 𝑏−1 𝐿𝑐−1 > 0 𝜕𝐾𝜕𝐿 𝜕𝐿𝜕𝐾 Funkcja Cobba-Douglasa (3) ►(7) Funkcja jest jednorodna stopnia r=b+c 𝑏 𝑐 𝑏+𝑐 𝑓 𝜆𝐾, 𝜆𝐿 = 𝑎 𝜆𝐾 𝜆𝐿 =𝜆 𝑎𝐾 𝑏 𝐿𝑐 = 𝜆𝑏+𝑐 𝑓(𝐾, 𝐿) Efekty skali zależą więc od sumy współczynników b i c: ►jeśli b+c<1, to funkcja wykazuje malejące korzyści skali ►jeśli b+c=1, to funkcja wykazuje stałe korzyści skali ►jeśli b+c>1, to funkcja wykazuje rosnące korzyści skali ►(8) Krańcowa stopa substytucji jest funkcją technicznego uzbrojenia pracy 𝐾𝑆𝑆 = 1 𝐾𝑆𝑆 = 𝑑𝐾 𝑑𝐿 𝑑𝐿 𝑑𝐾 =− 𝑓𝐿 𝑓𝐾 =− 𝑓𝐾 𝑓𝐿 = 𝑎𝑐𝐾 𝑏 𝐿𝑐−1 − 𝑎𝑏𝐾𝑏−1 𝐿𝑐 = 𝑎𝑏𝐾𝑏−1 𝐿𝑐 − 𝑎𝑐𝐾 𝑏 𝐿𝑐−1 = 𝑐𝐾 𝑐 − =− 𝑈 𝑏𝐿 𝑏 = 𝑏𝐿 𝑏1 − =− 𝑐𝐾 𝑐𝑈 Funkcja Cobba-Douglasa (4) ►(9) Elastyczności produkcji względem czynników produkcji 𝐸𝑌 𝐾 𝜕𝑌 𝜕𝐾 𝜕𝑙𝑛𝑌 𝜕𝑌 𝜕𝐿 𝜕𝑙𝑛𝑌 = = = 𝑏 , 𝐸𝑌 𝐿 = = 𝑌 𝐾 𝜕𝑙𝑛𝐾 𝑌 𝐿 𝜕𝑙𝑛𝐿 = 𝑐Elastyczności produkcji względem czynników produkcji. W ►(10) funkcji Cobba- Douglasa jest ona stała i zawsze wynosi 1 𝑐𝐾 − 𝜕(𝐾 𝐿) 𝜕𝐾𝑆𝑆 1 1 𝑐 𝐿 𝑏 𝜎= = = 𝑐 − (𝐾 𝐿) 𝐾𝑆𝑆 𝜕𝐾𝑆𝑆 𝜕(𝐾 𝐿) 𝐾 𝑏 − 𝑏 𝐿 =1 Estymacja funkcji Cobba-Douglasa ►W praktyce funkcję CD estymujemy metodą najmniejszych kwadratów logarytmując wyjściowe wartości poszczególnych zmiennych ►Za pomocą testu liniowych restrykcji możemy przetestować hipotezę o charakterze korzyści skali (stałe, rosnące lub malejące) ►W modelach bazujących na szeregach czasowych często do funkcji produkcji dodaje się parametr opisujący zmiany produktu w czasie niezależne od poziomu czynników produkcji 𝑏 𝑐 𝑑𝑡 𝑌 = 𝑎𝐾 𝐿 𝑒 𝜀 lub dla postaci zlinearyzowanej 𝑙𝑛𝑌 = 𝑙𝑛𝑎 + 𝑏𝑙𝑛𝐾 + 𝑐𝑙𝑛𝐿 + 𝑑𝑡 + 𝑙𝑛𝜀 Wartość parametru d informuje o ile procent zmienia się wartość produktu w każdej jednostce czasu. Jest interpretowana jako miara postępu technologicznego. Modele zmiennej jakościowej ►Zmienne jakościowe stosowane są do kwantyfikacji cech jakościowych np. płci, przedziału dochodów, jakości produktu itp. ►Bardzo często zmienne te przyjmują postać binarną (zerojedynkową) np. 1- kobieta, 0- mężczyzna ►Modele zmiennej jakościowej to takie, w których zmienną objaśnianą w modelu jest zmienna jakościowa zazwyczaj zerojedynkowa. ►Zmienne objaśniające mogą być zarówno zmiennymi jakościowymi, jak i ilościowymi ►Postać funkcyjna zależności może być różna, w szczególności może mieć charakter nieliniowy Liniowy Model Prawdopodobieństwa (1) ►LMP w postaci teoretycznej zapisujemy jako gdzie y(i) jest zmienną zero-jedynkową ►Wartości empiryczne zmiennej objaśnianej są równe 0 lub 1, jednak wartości teoretyczne (wynikające z modelu) nie mają takich ograniczeń ►Jaka jest interpretacja wartości teoretycznych y(i)? Co oznacza wartość 0.3, jeśli zmienna objaśniana przyjmuje wartość 1, gdy dana osoba jest bezrobotna, a 0 gdy pracująca? ►Należy zauważyć, że: natomiast z postaci funkcyjnej modelu wynika, że Liniowy Model Prawdopodobieństwa (2) ►Z powyższego wynika że: 𝑝𝑖 = 𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 + ⋯ + 𝛽𝑘 𝑥𝑘𝑖 co oznacza, że wartość teoretyczna zmiennej objaśnianej może być interpretowana jako prawdopodobieństwo tego, że zmienna y(i) przyjmie wartość 1 ► Interpretacja parametrów strukturalnych LMP odnosi się do zmian prawdopodobieństwa w reakcji na jednostkową zmianę wartości zmiennej objaśniającej przy innych czynnikach niezmienionych. Liniowy Model Prawdopodobieństwa (3) ►Przykład: oszacowano LMP postaci: gdzie y(i) przyjmuje wartość 1, gdy dane gospodarstwo domowe posiada mieszkanie na własność i 0 w pozostałych przypadkach, zaś zmienna x określa miesięczny dochód rozporządzalny gospodarstwa domowego w tys. zł. ►Przy dochodzie rozporządzalnym równym 10 tys. zł prawdopodobieństwo tego, że dane gospodarstwo domowe posiada mieszkanie na własność wynosi 0.5, zaś wzrost dochodu o 1 tys. zł prowadzi do wzrostu prawdopodobieństwa posiadania mieszkania o 0.03. Liniowy Model Prawdopodobieństwa (4) Główne ograniczenia LMP: ►Ograniczenie nr 1: ►składniki losowe w LMP nie mają rozkładu normalnego; ► analizując własności składnika losowego na podstawie poznanych wcześniej testów, dochodzimy do wniosku, że charakteryzuje się on heteroskedastycznością gdyż zachodzi: ► utrudniona jest więc ocena istotności dokonywana na podstawie standardowych testów ►Ograniczenie nr 2: ► teoretyczne wartości zmiennej objaśnianej mogą być mniejsze od 0 i większe od 1 ► uniemożliwia to ich interpretację w kategoriach prawdopodobieństwa Liniowy Model Prawdopodobieństwa (5) Model logitowy (1) ►Model logitowy bazuje na funkcji logistycznej określonej wzorem ►Przykład funkcji logistycznej: Model logitowy (2) ►Funkcję logistyczną można sformułować w innej wersji, w której przyjmuje wartość nasycenia równą 1, stąd nadaje się do modelowania prawdopodobieństwa: ►Model prawdopodobieństwa ma więc postać: gdzie: ►Z powyższego wynika, że Model logitowy (3) ►Logit to logarytm ilorazu szans, czyli relacji prawdopodobieństwa zdarzenia, dla którego y przyjmuje wartość 1 i zdarzenia przeciwnego – relacja z zakładów bukmacherskich ►Przykład: przy strzelaniu do tarczy i prawdopodobieństwie trafienia w jej środek równym 0.33 iloraz szans wynosi ½, czyli szansa na trafienie vs. szansa na nietrafienie mają się jak 1 do 2. ►Iloraz szans ma postać zaś logit: Model logitowy (4) ►Z powyższego wynika interpretacja parametrów strukturalnych, która jest inna niż w LMP. ►Z powyższego wynika, że zmiana wartości zmiennej jednostkę prowadzi do wzrostu ilorazu szans o o ►Wpływ zmian wartości zmiennej na wartość prawdopodobieństwa przyjęcia przez zmienną objaśnianą wartości 1 definiujemy jako efekt krańcowy i wyznaczamy ze wzoru Model logitowy (5) ►Uwaga do interpretacji efektu krańcowego: wartość efektu krańcowego jest funkcją wartości pozostałych zmiennych objaśniających modelu. Oznacza to, że efekt krańcowy jest nieliniowy: ► wpływ na prawdopodobieństwo tej samej zmiany jednostkowej zmiennej objaśniającej prowadzi do innej zmiany prawdopodobieństwa w zależności od pozostałych wartości zmiennych objaśniających ► wartość efektu krańcowego podaje się dla zadanej wartości wszystkich zmiennych objaśniających modelu. ►W pakietach ekonometrycznych podaje się efekty krańcowe dla średniej wartości prawdopodobieństwa. Model logitowy (6) ►Standardowe miary dopasowania (stosowane w przypadku zwykłego modelu liniowego) w modelu logitowym nie znajdują zastosowania. ►W modelu logitowym stosuje się inne metody estymacji, gdyż jest to model nieliniowy. Zazwyczaj jest to Metoda Największej Wiarygodności, gdzie maksymalizuje się funkcję wiarygodności postaci ►Na podstawie tej metody wyznacza się (wyliczany standardowo w większości pakietów) współczynnik pseudo-R^2 McFadena : gdzie LMP to wartość funkcji wiarygodności dla pełnego modelu (zawierającego wszystkie zmienne objaśniające) zaś LMZ to wartość funkcji wiarygodności dla modelu zredukowanego do wyrazu wolnego Model logitowy (6) ►Druga standardowa miara dopasowania bazuje na tzw. tablicy trafności prognoz ex post konstruowanej według następującej procedury: ► po estymacji parametrów modelu dokonuje się oszacowania wartości teoretycznych prawdopodobieństw według wzoru: ► dla tak wyznaczonych prawdopodobieństw wyznaczamy wartości teoretyczne zmiennej objaśnianej według ► (1) jeśli próba jest zbilansowana tzn. liczba 0 i 1 dla zmiennej objaśnianej jest mniej więcej równa ►(2) jeśli próba jest niezbilansowana, przy czym jest równa udziałowi wartości 1 w wartościach Y(i) (tzw. metoda optymalnej wartości granicznej Cramera) Model logitowy (7) ► w kolejnym kroku tworzy się tablicę postaci: Empiryczne Teoretyczne Razem Y=1 Y=0 Y=1 N11 N10 N1. Y=0 N01 N00 N0. Razem N.1 N.0 N ►wyznaczamy wartość tzw. R^2 zliczeniowego postaci Model probitowy ►W modelu probitowym wartość prawdopodobieństwa określona jest dystrybuantą standardowego rozkładu normalnego tzn. gdzie: ►Efekty krańcowe w tym modelu mają postać gdzie jest funkcją gęstości standardowego rozkładu normalnego ►Relacja między parametrami modelu logitowego i probitowego jest dana wzorem Model tobitowy ►Jest to jeden z modeli służących do estymacji w przypadku zmiennej ograniczonej, czyli przyjmującej wartość liczbową w jakimś przedziale (gdy są obserwowalne) oraz wartość jakościową poza tym przedziałem (wtedy nadajemy im jakąś umowną wartość np. 0). ►Najczęściej model opisujący kształtowanie się takiej zmiennej ma postać ►Model ten zwany też modelem normalnej regresji cenzurowanej ma zastosowanie w modelowaniu np. ► wydatków na zakup mieszkania w gospodarstwach domowych ► przychodów z pracy w danym okresie wśród osób o różnym statusie na rynku pracy ► nakładów inwestycyjnych w danym okresie Dziękuję za uwagę