ÖKONOMETRIA
Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén
az ELTE Közgazdaságtudományi Tanszék az MTA Közgazdaságtudományi Intézet
és a Balassi Kiadó közreműködésével
Készítette: Elek Péter, Bíró Anikó Szakmai felelős: Elek Péter
2010. június
2
ÖKONOMETRIA 4. hét
Többváltozós regresszió:
becslés, tulajdonságok
Készítette: Elek Péter, Bíró Anikó Szakmai felelős: Elek Péter
Tartalom
Alapok Becslés
OLS aszimptotika
Együtthatók értelmezése Előrejelzés
t-próba, F-próba
Bevezetés
Több magyarázó változó
yi = α +β1x1i +β2x2i +…+ βkxki + ui, i = 1…n
Példa
log(Bér)i=α +β1Iski +β2Tapasztalati +ui, i = 1…n
3
Feltevések
1. E(ui) = 0
2. V(ui) = σ2 minden i-re
3. ui, uj függetlenek minden i≠j-re 4. xi, uj függetlenek minden i, j-re 5. ui normális eloszlású
6. Nincs tökéletes kollinearitás (egyik magyarázó változó sem fejezhető ki a többi lineáris függvényeként)
Endogenitás
A lényeg: exogén magyarázó változók, azaz E(u| x1, x2 ,…, xk) = 0
(1. és 4. feltevésből) Endogén magyarázó változó, ha
E(u| xj) ≠ 0
Pl.: kihagyott magyarázó változó, ami korrelál xj -vel – torzítottság
Tökéletes kollinearitás
Lineáris függvénykapcsolat magyarázó változók között (6. feltevés nem teljesül) Példa: Jegyi=α + β1Tanuli + β2Piheni + β3Egyébi +ui, i = 1…n
Tanul + Pihenés + Egyéb = 168 Egyéb = (168 – Tanul – Pihen)
4
Becslés, két változó
3 normálegyenlet (momentumok módszere) E(u) = 0
cov(u,x1) = 0 cov(u,x2) = 0
Vagy: legkisebb négyzetek módszere
Három normálegyenlet (ua. mint előbb)
Becslés, több változó
yi = α + β1x1i + β2x2i +…+ βkxki + ui, i = 1…n k + 1 ismeretlen, k + 1 normálegyenlet Reziduális négyzetösszeg: RSS = Syy(1 – R2)
R2: többszörös determinációs együttható
uˆi 0ˆ 0
1
xiui
x2iuˆi 0i i
i
i y x x
uˆ ˆˆ1 1 ˆ2 2
2 2 2 1 ˆ 1
ˆ,
ˆmin, ( ˆ ˆ ˆ )
2 1
i i
i x x
y
Q
0 ) ( ˆ ) ˆ ˆ
( 2 ˆ 0
0 ) ( ˆ ) ˆ ˆ
( 2 ˆ 0
0 ) 1 ( ˆ ) ˆ ˆ
( 2 ˆ 0
2 2 2 1 1 2
1 2 2 1 1 1
2 2 1 1
i i
i i
i
i i
i i
i i
i i
i
x x x
Q y
x x x
Q y
x x
Q y
5
Becslés, mátrix
Modell: y = Xβ + u
y: n × 1, X: n × k, β: k × 1, u: n × 1
min Q = u’u = (y – Xβ)’ (y – Xβ) Q = y’y + β’X’Xβ – 2 β’X’y – 2X’y + 2X’Xβ = 0
Analógia egyváltozós regresszióval!
OLS aszimptotika, egyváltozós
Szokásos feltevések, de homoszkedaszticitás, normalitás nem kell
n k
kn n
n
k k
n u
u u
x x
x
x x
x
x x
x
y y y
2 1 2
1
2 1
2 22
12
1 21
11 2
1
y X X) β ˆ (X '
-1'
) (
) , (
) (
) ,
ˆ ( ˆ
x Var
u x Cov
x Var
u x x
Cov Var(x)
Cov(x,y) S
S
xx xy
plim
6
Gauss–Markov-tétel
OLS minimális varianciájú torzítatlan lineáris becslőfüggvény (BLUE)
Gauss–Markov, minimális variancia
Alternatív torzítatlan lin. becslőfüggvény
Együtthatók értelmezése
Parciális hatás (ceteris paribus)
Változó kiszűrése (x2 hatásának kiszűrése)
2 1 - 1
- 1
-
1 - 1 -
-1
) ' ( ) ' ( ) ' ( ' ) ' (
ˆ )' ˆ )(
( ˆ )
Var(
an torzítatl ]
) ' ( ) ' ( [
))]
( ' ( ) ' E[(
ˆ ) E(
lineáris )
' ( ) ' ˆ (
X X X
X X uu X
X X
β β - β β - β
u β X X β X
u Xβ X X β X
y X X β X
u Xβ y
E E
E
lineáris
torzítatlan
2 1 - 1
- 1
-
1 - 1 -
-1
) ' ( ) ' ( ) ' ( ' ) ' (
ˆ )' ˆ )(
( ˆ )
Var(
an torzítatl ]
) ' ( ) ' ( [
))]
( ' ( ) ' E[(
ˆ ) E(
lineáris )
' ( ) ' ˆ (
X X X
X X uu X
X X
β β - β β - β
u β X X β X
u Xβ X X β X
y X X β X
u Xβ y
E E
E
lineáris
torzítatlan
ˆ) Var(
) ' ( )
' (
]' ' ) ' )[(
' E(
] ' ) ' [(
)' )(
E(
) Var(
) E(
] ' ) ' ˆ [(
2 1 - 2
1 -
1 - 1
-
-1
C β C X
X
C X X X uu C X X X
-β β* -β β* β*
0 CX : n torzítatla ,
β CXβ β*
u C X X X β CXβ
β Cy β*
torzítatlan:
ˆ) Var(
) ' ( )
' (
]' ' ) ' )[(
' E(
] ' ) ' [(
)' )(
E(
) Var(
) E(
] ' ) ' ˆ [(
2 1 - 2
1 -
1 - 1
-
-1
C β C X
X
C X X X uu C X X X
-β β* -β β* β*
0 CX : n torzítatla ,
β CXβ β*
u C X X X β CXβ
β Cy β*
torzítatlan:
i i
i
i i
i
x x
y
x x
y
2 2 1 1
2 2 1 1
ˆ ˆ ˆ
ˆ ˆ ˆ
ˆ
1 2
1
2 2 1 1
ˆ ˆ ˆ
ˆˆ ˆ
ˆ ˆ ˆ
ˆ ˆ ˆ ˆ
i i i
i i i
i i i
i
w v y
v x x
u x x
y
7
Példa, becslés (1)
2003-as bértarifa, egyváltozós regresszió log(Keri) = α + β1Iski + ui
Dependent Variable: LOG(KER) Method: Least Squares
Sample: 1 201971
Variable Coefficient Std. Error t-Statistic Prob.
C 10.788 0.0028 3837.18 0.000
ISKVEG9 0.155 0.0005 305.66 0.000
R-squared 0.316
Adjusted R-squared 0.316
Példa, becslés (2)
2003-as bértarifa, kétváltozós regresszió log(Keri) = α + β1Iski + β2 Expi + ui
Dependent Variable: LOG(KER) Method: Least Squares
Sample: 1 201971
Variable Coefficient Std. Error t-Statistic Prob.
C 10.556 0.004 2630.523 0.0000
ISKVEG9 0.164 0.001 320.482 0.0000
EXP 0.008 9.45E-05 79.859 0.0000
R-squared 0.337215
Adjusted R-squared 0.337208
8
Példa, változó kiszűrése
Dependent Variable: LOG(KER) Method: Least Squares
Sample: 1 201971
Variable Coefficient Std. Error t-Statistic Prob.
C 11.580 0.00107 10791.97 0.0000
RESID 0.164 0.00051 320.4442 0.0000
R-squared 0.337053
Adjusted R-squared 0.337050
Gyakorlat
Többváltozós regresszió:
becslés, tulajdonságok
Gyakorló feladatok: Wooldridge: 3.3, 3.7, 3.9, 3.11, 3.13, 3.14, 3.17 Megbeszélendő:
Több magyarázó változó bevonásának jelentősége (exogenitás) Feltevések OLS torzítatlanságához és hatásosságához
Együtthatók értelmezése Adatok:
Kereseti modell Bértarifa részminta alapján
Eurostat adatok: szabadalmi kérelmek száma, R&D kiadások, kutatók számának összefüggései
Resid 0.042
- 6.158
: egyenletek Becsült
i
i i
i i
i
Exp Isk
Exp Isk
Ker) 10.556 0.164 0.008 log(