1 / 23

Makroekonometrijska radionica

Makroekonometrijska radionica. 16.02.2012. Vladimir Arčabić Irena Raguž. Što je to ekonometrija?. Grana ekonomske znanosti Povezuje ekonomsku teoriju, matematičku ekonomiju metode statističke analize Cilj: ustanoviti zakonitosti gospodarskih procesa,

temira
Download Presentation

Makroekonometrijska radionica

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. Makroekonometrijska radionica 16.02.2012. Vladimir Arčabić Irena Raguž

  2. Što je to ekonometrija? • Grana ekonomske znanosti • Povezuje • ekonomsku teoriju, • matematičku ekonomiju • metode statističke analize • Cilj: • ustanoviti zakonitosti gospodarskih procesa, • omogućiti predviđanje, planiranje i usmjeravanje privrednih tokova

  3. Postoji li povezanost (koreliranost) između dviju ili više ekonomskih varijabli? • Ako postoji, kojeg je smjera? • Koliko je veza jaka? • Možemo li i koliko precizno prognozirati buduća kretanja? • Kako bismo to otkrili, koristimo prošle podatke koje imamo na raspolaganju.

  4. Primjer: • Postoji li veza između zaposlenosti i BDP-a u Hrvatskoj? • Pozitivna veza? .

  5. Pretpostavljamo funkcijski oblik veze na temelju grafičkog prikaza • Linearna veza? .

  6. Metodom najmanjih kvadrata, procijenjena je jednadžba linearnog trenda koja najbolje opisuje dane podatke: • Međutim, većina točkica (stvarnih podataka) se ne nalazi na ovom procijenjenom pravcu. • Kada bismo rekli da je veza između ove dvije varijable u svakom trenutku t točno opisana ovom jednadžbom, bili bismo neprecizni!

  7. Primjer: • 1999. godine u Hrvatskoj : • 1143 tisuće zaposlenih i • realni BDP u vrijednosti 227.685,12 tisuća kuna. • Ukoliko 1143 ubacimo u jednadžbu trenda, dobit ćemo realni BDP u iznosu 221.632,58 tisuća kuna! • Griješimo! • Očito, želimo minimizirati grešku, no kad god radimo sa stvarnim podacima, određena razina pogreške će svakako postojati i to moramo uzeti u obzir.

  8. Stoga (linearnu) vezu koju želimo procijeniti zapisujemo na sljedeći način: • zavisna varijabla (varijabla od interesa), • nezavisna varijabla (varijabla za koju mislim da utječe na varijablu od interesa), • greška relacije za godinu t • JEDNOSTAVNA LINEARNA REGRESIJA • veza između samo dvije varijable • primjer: funkcija potrošnje

  9. Ukoliko nas zanima linearna veza između dvije ili više nezavisnih varijabli (x) i jedne zavisne varijable (y), govorimo o VIŠESTRUKOJ LINEARNOJ REGRESIJI • je zavisna varijabla (varijabla od interesa), • , i td. su nezavisne varijable (sve ono što mislim da utječe na varijablu od interesa), • je greška relacije za godinu t • Primjer: ravnotežni uvjet na tržištu dobara (Y=C+I+G+NX)

  10. Interpretacija βeta Jednostavna linearna regresija • β0nam kaže: • Ukoliko je xt nula, očekuje se da će yt iznositi β0 jedinica (misli se na jedinice u kojima je izražen y). • Ili alternativno: Ukoliko je xt nula, yt će u prosjeku iznositi β0 jedinica. • β1tumačimo na sljedeći način: • Ukoliko se xt poveća za jednu jedinicu (jedinicu u kojoj je izražen x), očekuje se da će se y promijeniti za β1 jedinica (jedinica u kojima je izražen y). • Ili alternativno: Ukoliko se xt poveća za jednu jedinicu, y će se u prosjekupromijeniti za β1 jedinica.

  11. Višestruka linearna regresija • β0, Ukoliko su x1,t , x2,t i td. nula, očekuje se da će yt iznositi β0 jedinica. • β1, Ukoliko se x1,t poveća za jednu jedinicu, a x2,t ostane nepromijenjen, očekuje se da će se y promijeniti za β1 jedinica. • β2, Ukoliko se x2,t poveća za jednu jedinicu, a x1,t ostane nepromijenjen, očekuje se da će se y promijeniti za β2 jedinica. Napomena: β0 se najčešće ne interpretira jer najčešće nema ekonomskog smisla.

  12. Još nismo gotovi  • To što smo dobili neke rezultate, ne znači da smo gotovi, ne znači da se u njih možemo pouzdati. • Prisjetimo se: • Točkice (stvarni podaci) se s ovim pravcem baš i ne poklapaju.

  13. Metoda kojom je ovaj pravac dobiven: metoda najmanjih kvadrata, odnosno na engleskom OrdinaryLeastSquarestj. OLS • Minimizira greške • Ali, ne može ih u potpunosti otkloniti • Kolike su te (minimalne) greške koje radimo? • Jesu li prevelike? • Možemo li usprkos tim greškama, znajući za njih, reći da svejedno pravac dobro (najbolje) aproksimira vezu između promatranih varijabli?

  14. Kvadratni trend?

  15. Eksponencijalni trend?

  16. Statistička značajnost • Moramo testirati značajnost našeg (u ovom slučaju linearnog) modela • Pritom, moramo biti svjesni da će određena greška uvijek postojati kad god radimo sa stvarnim podacima. • Pitanje: koliku grešku smo spremni tolerirati? 1%? 5%? 10%?

  17. Dva testa: • Skupni test • “Pesimistična” nulta hipoteza: • niti jedna varijabla u modelu nije značajna • tj. u potpunosti smo promašili model • tj. točkice su predaleko od pravca, i to za svaku varijablu x povezanu s y-om • Ukoliko odbacimo H0, to znači da je barem jedna varijabla u modelu statistički značajna!

  18. Pojedinačni test • Testiramo značajnost svake varijable pojedinačno • “Pesimistična” nulta hipoteza: • promatrana varijabla nije značajna, greška je prevelika, točkice su predaleko od pravca • Ukoliko ne uspijemo odbaciti H0, varijabla nije značajna pa možemo: • provesti novu analizu bez nje • modificirati ju • zamijeniti ju s nekom drugom varijablom • Ukoliko odbacimo H0, možemo reći da veza između promatrane varijable i zavisne varijable postoji!

  19. Kriterij parsimonije • Manje je bolje! • To ste uspješniji u svojoj analizi što uz manje nezavisnih varijabli (x) uspijete što bolje objasniti kretanje zavisne varijable (y) • Kako ćete znati koliko ste dobro objasnili kretanje zavisne varijable?

  20. R-kvadrat i korigirani R-kvadrat • R2 ili koeficijent determinacije • postotak ukupne varijacije zavisne varijable (y) koji smo uspjeli objasniti s odabranim modelom • Između 0 i 1 • Više varijabli u modelu  veći postotak varijacija y-a objašnjen modelom • Problem: R2-i modela s različitim brojem varijabli  neusporedivi! • Korigirani R2 odnosno korigirani koeficijent determinacije

  21. Prividna regresija • Analiza primjenjiva na raznorazne fenomene • Makroekonomija • Mikroekonomija • Marketing (da li je više reklama na radiju povezano s većom prodajom) • Turizam (da li je više sunčanih dana u godini povezano s većim brojem turista) • Industrija (je su li veće izvozne subvencije povezane s većom industrijskom proizvodnjom)

  22. Oprez! Prividna regresija  Analizom možete dobiti da veza postoji iako je zapravo nema! • Primjeri • Zato je važno analizu temeljiti na nekoj postojećoj (ekonomskoj) teoriji i voditi računa o tome da analiza ima smisla.

  23. I sada pauza pa krećemo s konkretnom analizom 

More Related