Ökonometrie II Peter Hackl Sprechstunde: Fr, 10:30-11:30 Tel.: 31336-4663.
Ökonometrie I
description
Transcript of Ökonometrie I
Ökonometrie I
Annahmen des lineare Regressionsmodells
4.11.2004 Ökonometrie I 2
Liste der AnnahmenA1 lineare funktionale Form des ModellsA2 r(X) = kA3 lim Xn‘ Xn/n = Q hat vollen RangA4 Xi unabhängig von u für alle i (Exogenität)A5 E{u} = 0A6 Var{u} = 2IA61 Var{ut} = 2 für alle tA62 Cov{ut, us} = 0 für alle t und s mit t ≠ sA7 ut normalverteilt für alle t
4.11.2004 Ökonometrie I 3
Linearität (A1) Die Beobachtung Yt ist eine lineare Funktion
Yt = xt' + utder Beobachtungen der erklärenden Variablen Xti, i=1, …, k und der
Störgröße ut Ist Linearität eine Einschränkung?
Linearität bringt Vorteile für die statistische Analyse in vielen Situationen sind lineare Modelle adäquat oder zumindest
näherungsweise adäquat Beispiele für lineare Modelle:
Y = + X + u Y = + X2 + u Y = + log X + u Y = + /X + u
4.11.2004 Ökonometrie I 4
Linearisieren Cobb-Douglas-Produktionsfunktion
Y = K L eu
Logarithmieren ergibt lineares Modelllog Y = * + log K + log L + u
Log-lineare Form log Y = 1 + 2 log X2 + … + k log Xk + u
liefert konstante Elastizitäten (relative Änderung von Y bei einer relativen Änderung von X um eine Einheit):
loglog
ii
i i
XY YX Y X
4.11.2004 Ökonometrie I 5
Regressoren (A2, A3, A4) Voller Rang von X
Spalten sind linear unabhängig Spalten sind nicht hoch korreliert
Reguläre Matrix Q = lim Xn‘Xn/n Das durchschnittliche Quadrat der beobachteten Werte der X i
bleibt endlich Meist problemlos Bei Trends zu streng
Exogenität: jede Beobachtung ist unabhängig von aktuellen, vergangenen und künftigen Störgrößen
4.11.2004 Ökonometrie I 6
Störgrößen (A6, A7) Die Annahme
E{u} = 0bedeutet: Y wird modelliert als Summe aus systematischer Komponente x' plus Störgröße u
Die Annahme Var{u} = 2I
bedeutet: Homoskedastizität Serielle Unkorreliertheit
Mit der Annahme normalverteilter Störgrößen schreiben wiru ~ N(0, 2I)
4.11.2004 Ökonometrie I 7
Einkommen und Konsum
PCR: Privater Konsum, real, in Mrd.EURPYR: Verfügbares Einkom- men der Haushalte, real1970:1-2002:4
Basis: 1995Quelle: AWM-Datenbasis
200
400
600
800
1000
1200
70 75 80 85 90 95 00
PYR PCR
4.11.2004 Ökonometrie I 8
Einkommen und Konsum: Zuwachsraten
-.02
-.01
.00
.01
.02
.03
.04
.05
.06
-.04 .00 .04 .08
PYR_DL
PC
R_D
L
4.11.2004 Ökonometrie I 9
KonsumfunktionDependent Variable: PCR_D4Method: Least SquaresDate: 08/20/04 Time: 11:06Sample(adjusted): 1971:1 2002:4Included observations: 128 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob. C 0.010855 0.001053 10.31071 0.0000PYR_D4 0.747032 0.041840 17.85451 0.0000
R-squared 0.716716 Mean dependent var 0.024898Adjusted R-squared 0.714468 S.D. dependent var 0.014817S.E. of regression 0.007918 Akaike info criterion -6.823949Sum squared resid 0.007899 Schwarz criterion -6.779386Log likelihood 438.7327 F-statistic 318.7837Durbin-Watson stat 0.632776 Prob(F-statistic) 0.000000
4.11.2004 Ökonometrie I 10
Konsumfunktion, Forts.
-.02
-.01
.00
.01
.02
.03
-.02
.00
.02
.04
.06
1975 1980 1985 1990 1995 2000
Residual Actual Fitted
4.11.2004 Ökonometrie I 11
Residueny = x‘ + u
= x‘b + e = ŷ + eResiduen:
e = y - x‘b = y – ŷ = y – X(X‘X)-1X‘y = y - Py= [I – X(X’X)-1X’]y = My
P: Projektionsmatrix M: residuenerzeugende Matrix
Eigenschaften: iei = 0
Achtung! Diese Eigenschaften setzen eine inhomogene Regression voraus!
1 2 2ˆ , ... k kY Y Y b b X b X
ˆ ˆ' ' 'y y y y e e
4.11.2004 Ökonometrie I 12
Schätzer der Varianz 2
ist ein erwartungstreuer Schätzer
Der ML-Schätzer
unterschätzt; der Bias beträgt
2 21 1 'tts e e e
n k n k
2 21tte
n
2kn