1 / 17

ZÁKLADY EKONOMETRIE 2. cvičení KLRM

ZÁKLADY EKONOMETRIE 2. cvičení KLRM. KLASICKÝ LINEÁRNÍ REGRESNÍ MODEL. Klasický lineární regresní model (KLRM). Příklad: Určete, zda existuje závislost počtu léků, které člověk užívá, na věku. Předpokládáme, že závislost existuje a má lineární tvar:

kale
Télécharger la présentation

ZÁKLADY EKONOMETRIE 2. cvičení KLRM

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. ZÁKLADY EKONOMETRIE2. cvičeníKLRM

  2. KLASICKÝ LINEÁRNÍ REGRESNÍ MODEL

  3. Klasický lineární regresní model (KLRM) • Příklad: Určete, zda existuje závislost počtu léků, které člověk užívá, na věku. • Předpokládáme, že závislost existuje a má lineární tvar: • Protože závislost není úplná a neplatí vždy (např. někteří starší lidé neberou léky, jiní mladí jich zase berou hodně) proto do modelu zahrneme náhodný vliv (náhodnou složku u) Toto je model pro celou populaci, hovoříme tedy o ABSTRAKTNÍM MODELU

  4. Klasický lineární regresní model (KLRM) • Pro odhad potřebujeme nějaká data (většinou výběr) Toto je model pro konkrétní výběr, hovoříme tedy o KONKRÉTNÍM MODELU

  5. Metoda nejmenších čtverců • Jak najít přímku, tak aby co nejlépe popisovala závislost? Tj. byla co nejblíže všem bodům? • Chceme minimalizovat součet čtverců odchylek (reziduí)

  6. Příklad • Podívejte se jak ovlivňuje náhodná složka odhady v konkrétním výběru. • Víte, že v celé populaci existuje závislost: • Generujte různé náhodné složky (v MS Excelu) a sledujte, jak se mění ODHADNUTÁ přímka. • Excel: 1.cviceni_LRM_s_resenim.xlsx

  7. Zápis KLRM po složkách • k = počet exogenních proměnných v modelu • k + 1= počet odhadovaných parametrů • n= počet pozorování, která máme k dispozici • Endogenní = Vysvětlovaná proměnná • Exogenní = Vysvětlující proměnné • Predeterminované = Exogenní + Endogenní zpožděné

  8. Maticový zápis KLRM • obecný model (maticový zápis): X– matice (n k + 1) pozorování exogenních (resp. predeterminovaných) proměnných y– vektor (n 1) endogenních proměnných β– vektor (k + 1  1) parametrů u– náhodná složka, o které předpokládáme, že má normální rozdělení N(0,σ2)

  9. Bodová odhadová funkce b bzískáme tak, že ? Kdy je funkce minimální ? • První derivace funkce je nulová • Druhá derivace funkce je kladná

  10. Odvození odhadové funkce MNČ • Vyjdeme z maticového vyjádření konkrétního modelu: Roznásobíme Analogie v rozměru bez matic a vektorů „2D“ : (A – B)2 = A2 – 2AB + B2 (Y– Xb)2 = Y2– 2YXb+ X2b2 Derivujeme podle b a položíme = 0 2YX+ 2X2b = 0 Upravím e tak, abychom získal b = X2b = YX b = XY/X2 Platí za podmínky X2 ≠ 0 Derivujeme a položíme = 0 Upravíme tak, aby b byla na jedné straně rovnice a zbytek na druhé Uvedená analogie „2D“ je zde pouze pro ilustraci, správné odvození je to pomocí matic a vektorů! Platí za podmínky Existuje inverzní matice neboli matice je čtvercová, regulární matice

  11. METODA NEJMENŠÍCH ČTVERCŮ Momentová matice: - musí být symetrická, čtvercová, regulární (tj. nenulový determinant) Potom platí (odhadová funkce MNČ): A získáme vektor:

  12. Příklad • Stanovte odhad parametrů β0 a β1, aby součet čtverců odchylek vyrovnaných hodnot od hodnot napozorovaných byl minimální • Napište odhadovou funkci • Vypište jednotlivé položky a spočítejte • Napište odhadnutou regresní rovinu • Vypočítejte vyrovnané hodnoty • Vypočítejte rezidua ei • Odhadněte v GiveWinu

  13. První výpočty

  14. Dosazení do normální rovnice • b1 = 2, 667; b2 = 0,667 • Y = 2,667 + 0,667 X + e

  15. Residua a vyrovnané hodnoty • Součet všech reziduí = 0,33 + 0 + 1,33 + 0 – 1,66 = 0

  16. Výstup z GiveWinu

More Related