maokon 1c regresszio 2015
DESCRIPTION
okonometria regresszios slideokTRANSCRIPT
-
1. HT / C: LINERIS REGRESSZIS MODELL
-
LINERIS PROJEKCI (VETTS)
-
Motivci: egyvltozs eset
Legyenek y s vges szrs valsznsgi vltozk, s 0.
Keressk azt az |1, valsznsgi vltozt, amely az vltoz sszes lineris fggvnye kzl minimalizlja
a ngyzetes eltrs vrhat rtkt:
min
-
Megolds
Minimalizls utn:
,
Teht az maradkra teljesl:
0 ,
0
(geometriai interpretci)
-
Tbbvltozs eset
Legyenek y s , , vges szrs valsznsgi vltozk, s legyen Var teljes rang.
Ekkor a lineris projekci (mint v.v.) defincija:
1, $, ahol
$ %& ,
$.
-
Tbbvltozs eset, folyt.
Tulajdonsg: ha |1, , akkor
0 s ' , 0 minden j-re.
Megjegyzsek:
lineris projekci esetn definci szerint igaz u-ra a
korrellatlansg x-szel
Ha E(y|x) lineris, akkor E(y|x)=L(y|x)
-
Lineris projekci optimalitsi
tulajdonsga
A lineris projekci minimalizlja a ngyzetes
eltrs vrhat rtkt:
min(),*
+ *, + $,
,
ahol $ a lineris projekci.
Tovbb ha Var teljes rang, akkor $ az egyedli minimumhely.
Biz.: knyvben (egyvltozs esethez
hasonlan)
-
Megjegyzs: alternatv felrs
Ha a konstanst nem vesszk kln (pl. mert
belertjk x-be), akkor:
$, ahol
$ - %& .
A kt felrs ekvivalencijnak bizonytsa: hf
-
TBBVLTOZS LINERIS REGRESSZIS MODELL
-
Jellsek
$
1, , , valsznsgi vektorvltoz (magyarz vltozk vektora)
$ , , a paramtervektor.
fgg vltoz
hibatag
Megj.: ms jellsben
(kis vs. nagy Wooldridge jellse)
-
Feltevsek
1. $ (linearits)
2. {(x1i, x2i, , xki, yi), i=1,7,n} vletlen minta
3. mindegyik magyarz vltoz szrdik a mintban, s nincs kztk tkletes lineris kapcsolat (nincs tkletes multikollinearits)
4. , , , 0 (exogenits)
(5) 2 (homoszkedaszticits)
(6.) normlis eloszls ~40, 2
-
Spec. eset: egyvltozs
regresszis modell
1. y = 0 + 1x + u (linearits)
2. E(u|x)=0 (exogenits)
3. (xi, yi), i=1,7,n} vletlen minta
4. x vltoz szrdik a mintban
5. Var(u|x)=2 (homoszkedaszticits)
6. u|x normlis eloszls
-
Feltevs:
(exogenits)
Brmodelles plda vgzettsg, tapasztalat, kpessg -> br
Strukturlis modell: log(br)=0+1vgz+2tap+3kp + u
Feltevs: E(u|vgz,tap,kp)=0. Ekkor 1 rtelmezse: vgzettsg ceteris paribus hatsa.
Ha a kpessg nem megfigyelhet: log(br)=0+1vgz+2tap + w
Itt cov(vgz,w)=3*cov(vgz,kp)+cov(vgz,u)0 ha cov(vgz,kp)0 s 30. Teht az exogenits nem felttlenl teljesl.
-
Exogenits, folyt.
Becslhet (estimable) modell: log(br)=0+1vgz+2tap + v
Mindig van olyan , amikor a hibatagra cov(vgz,v)=0 (lineris projekci).
De ez egy msik modell: 1 rtelmezse: klnbz vgzettsg emberek brnek sszehasonltsa (tapasztalat szinten tartsval).
-
Endogenits
Endogn magyarz vltoz: ha |' 5 0
(azaz nem exogn)
Endogenits szoksos okai:
Kihagyott vltoz (ld. brmodelles plda)
Szimultaneits
Magyarz vltoz mrsi hibja
-
Plda: szimultaneits
Keresleti fggvny
becslse
q: mennyisg, p: r
L(q|1,p) nem (felttlenl)
adja meg a keresleti
fggvnyt
akr a knlati fggvnyt is
megadhatn.
cov(u,p)0, mert u (a
keresleti fggvny sokkja)
p-t is eltolja (egyensly)
-
Feltevs: linearits
(feltteles vrhat rtk lineris)
-
Feltevs:
nincs tkletes kollinearits
Nincs (determinisztikus) lineris
fggvnykapcsolat magyarz vltozk kztt
Plda: Jegyi=0 +1Tanuli + 2Piheni +
+ 3Egybi +ui, i=17n
Tanul + Pihens + Egyb = 168
Egyb = (168 - Tanul - Pihen)
-
Feltevs:
homoszkedaszticits s normalits
19
-
Plda heteroszkedaszticitsra
20
-
Egytthatk rtelmezse:
parcilis hats
' 678|
69:
, , <
-
Paramter identifiklsa a
populcis modellben
= $ - -$
$ - %& -
Populciban a felttel: - teljes rang legyen
-
Spec. eset: identifikci
egyvltozs regressziban
0 , ,
0
Teht a populciban:
,
-
Tananyag
Kis Wooldridge 2.1., 3.1.
(valszm ismtls: ugyanott App. B.1-B.4)
Nagy Wooldridge 2.3., App. 2.A.3., 4.1.