Økonometri 1. Instrumentvariabelestimation 26. november Plan for IV gennemgang. Exogenitetsantagelsen. Exogenitetsantagelsen for OLS
|
|
|
- Bent Skov
- 9 år siden
- Visninger:
Transkript
1 y = cy ( c 0 ) Pla for IV geemgag Økoometr Istrumetvarabelestmato 6. ovember 004 F9: Hvad er IV estmato: Bvarat model, et strumet: Kap.5. + afst -4 ote. F0: IV estmato det multple tlfælde (eksakt detfceret): Kap. 5. og afst 4 ote. IV estmato det multple tlfælde (overdetfceret): Kap. 5.3 og afst 5 ote. F: Kap , afst 5-7 ote. SLS (two-stage least squares) estmato. Iferes IV estmato F: Kap , afst 8 ote Test for exogetet og overdetfkato Eksempel Økoometr : Istrumetvarabelestmato Økoometr : Istrumetvarabelestmato Exogetetsatagelse for OLS Exogetetsatagelse Smpel leær regressosmodel: y = β + β x + u 0 Hdtl: MLR.3: Eux ( )=0 cov( u, x) = 0 (Exogetet) Nu: Edogee forklarede varabler: Stokastske varabler, der er korrelerede med fejlleddet. OLS er kke kosstet. Har allerede set på årsager tl at e varabel ka være edoge: - udeladte varable (kaptel 3 og 5) - forkert fuktoel form (kaptel 9) - målefejl (kaptel 9) Ofte fortolkes regressosmodelle ud fra e kausal sammehæg. Ka v estmere modelle med OLS, opå estmatet ˆ β, og så slutte at e gve ædrg x vl forårsage e ædrg y, alt adet lge? Og at ˆ β er et "godt bud" på de ædrg? Ikke altd. Økoometr : Istrumetvarabelestmato 3 Økoometr : Istrumetvarabelestmato 4
2 Exogetet: Korrelato er kke kausaltet Exogetetsatagelse ˆ β 0 udtrykker e korrelato, me debærer kke ødvedgvs kausaltet: Tlfældgheder: Derfor bruger v statstk! x forårsager y, y forårsager kke x: ˆ β 0 er udtryk for kausal relato. Ex. y vokse kvdes højde, x hedes mors højde. y forårsager x, x forårsager kke y: Ex. x vokse kvdes højde, y er hedes mors højde. OLS fder postv korrelato. Omvedt kausaltet! y forårsager x, x forårsager y: Ex. prs og mægde på et fuldkomme kokurrece marked. Ka kke lave alt adet lge betragtg. y og x forårsaget af e trede varabel, w: Ex. lægde på e persos højre og vestre be. I ote deferes exogetet på følgede måde: plm xu 0 = = Hvs betgelse holder, sges x at være exoge. Hvs de kke holder, er x e edoge regressor. Økoometr : Istrumetvarabelestmato 5 Økoometr : Istrumetvarabelestmato 6 Ex. Lølgge Istrumetvarabler () Opstller regressosmodel tl forklarg af lø for tlfældgt udvalgte lømodtagere. Ikluderer relevate og potetelt observerbare faktorer vektor af forklarede varabler x : kø, alder, uddaelse, brache, erfarg, Uobserverbar heterogetet: eve, tellges, arbejdsver Øsker at estmere afkastet af uddaelse. Me: Uddaelseslægde er korreleret med eve og eve har rmelgvs e drekte effekt på løe. Tredje faktor forårsager både lø og uddaelse. Ka v bruge OLS estmatet af koeffcete tl uddaelse lølgge tl oget? I hvlke retg forveter v bas? w Smpel regressosmodel: y = β0 + βx + u Ex. Lølgge y = log w, x = educ Uobserverbar heterogetet form af ever : Postv effekt på lø og (postvt) korreleret med uddaelse. OLS er kosstet: cov( x, u ) 0 IV løsg: Fd strumetvarabel som opfylder to betgelser:. cov( z, u ) = 0. cov( z, x ) 0 Udfordrge er at fde gode strumeter: Økoomsk teor spller de afgørede rolle her. z Økoometr : Istrumetvarabelestmato 7 Økoometr : Istrumetvarabelestmato 8
3 Istrumetvarabler () Lølgge: Overvej ogle mulge strumeter De to betgelser for e gyldg strumetvarabel har forskellg status: Betgelse : cov( z, u ) = 0 Istrumetvarable er ukorreleret med de uobserverbare faktorer Lø-eksemplet: Istrumetet skal være ukorreleret med ever. Afhæger sdste ede altd af e teoretsk baseret atagelse. Betgelse : cov( z, x) 0 Istrumetvarable skal være korreleret med de edogee forklarede varabel. Testbar atagelse på grudlag af data på z og x: Sgfkat regressoskoeffcet regresso af x på z. u Sdste cffer persoummer: US: Tlfældgt dvs. ukorreleret med ever, me kke korreleret med uddaelse. DK: Hvad ka v sge om cpr. ummeret? IQ-score: Proxy-varabel for ever kap. 9. Korreleret med ever : Ikke godt for strumetvarabel! Famlebaggrudsvarabler: Moderes uddaelse: Betgelse OK; betgelse :?? Korreleret med børs ever, måske va geetk og eve for spædbørspleje. Atal søskede: Negatvt korreleret med lægde af uddaelse (betgelse er OK (DK?)); betgelse er OK pr. atagelse. Økoometr : Istrumetvarabelestmato 9 Økoometr : Istrumetvarabelestmato 0 Flere lølgger IV estmato e smpel regressosmodel Agrst og Krueger: Dummy varabel som strumet: Fder sgfkat korrelato mellem uddaelseslægde og det kvartal, ma er født (for amerkaske data). Argumeterer for at fødselskvartal er ukorreleret med eve. Agrst: Naturlgt ekspermet : Ser på sammehæg mellem lø og mltærtjeeste Vetam. Væreplgte var et lotter: Høj korrelato mellem at trække et lavt sessosummer og faktsk at aftjee væreplgt. Tlfældgt udvalg, dvs. sessosummer ukorreleret med eve og adre varabler. Sessosummer som strumet. De smple regressosmodel y = β0 + βx + u Atag: x er edoge og z er et brugbart strumet for x, dvs: cov( z, u ) = 0, cov( z, x ) 0 IV estmatore for β ka udledes som e momet estmator (tavlegeemgag) Økoometr : Istrumetvarabelestmato Økoometr : Istrumetvarabelestmato 3
4 IV estmato: Idetfkato af parametree IV estmatore Smpel regressosmodel: y = β0 + βx + u Gyldgt strumet: cov( z, u ) = 0, cov( z, x) 0 Gvet cov( z, u ) = 0 detfceres parametere som cov( z, y) β = cov( z, x ) IV estmatorere fdes ved at dsætte de aaloge størrelser fra stkprøve: = ( z z)( y y) ˆ = β ˆ ˆ =, β 0 = y βx ( z z)( x x) β IV estmatore er kosstet: p lm( ˆ β ) = β Hjemmeopgave : Vs det! (se W p. 68 for sprato) IV estmatore er asymptotsk ormalfordelt. Hvs x faktsk er exoge ka de bruges som st eget strumet : OLS som specaltlfælde af IV. IV estmatore: Har gode asymptotske egeskaber, dvs. v ved de vrker store datasæt. Me: IV geerelt kke mddelret IV vl ofte have e relatvt stor varas. Økoometr : Istrumetvarabelestmato 3 Økoometr : Istrumetvarabelestmato 4 IV estmatore: Iferes Svage strumeter Atag: Homoskedastctet: Eu ( z) = De asymptotske varas på ˆβ er gvet ved, ρ xz, < xρx, z Varase går mod ul som / lgesom for OLS. Estmeres kosstet ved ˆ, ˆ = uˆ, ˆ ˆ ˆ u = y β0 βx SST R x x, z = Ka sammelges med varas på OLS estmator, år cov( x, u ) = 0 Eksempler: Ex. 5. og 5.. IV estmatore ka have stor asymptotsk bas hvs Der datasættet er blot e svag korrelato mellem z og u Og der samtdg er svag korrelato mellem x og z Se på: ˆ corr( z, u) u p lm( β) = β+ corr( z, x ) x Sdste led ka være stort hvs corr( z, x) er llle. For OLS estmatore gælder: ˆ u plm( β) = β+ corr( x, u ) x De asymptotske bas behøver kke at være ret stor. Økoometr : Istrumetvarabelestmato 5 Økoometr : Istrumetvarabelestmato 6 4
5 Næste gag: Trsdag! IV estmato det multple tlfælde (eksakt detfceret): Kap og reste af afst 4 og afst 5 ote. Husk hjemmeopgave! Økoometr : Istrumetvarabelestmato 7 5
Kvantitative metoder 2
y = cy ( c 0) Plan for resten af gennemgangen Kvanttatve metoder Instrumentvarabel estmaton 4. maj 007 F5: Instrumentvarabel (IV) estmaton: Introdukton tl endogentet og nstrumentvarabler En regressor,
Økonometri 1. Funktionel form. Funktionel form (fortsat) Dagens program. Den simple regressionsmodel 14. september 2005
Dages program Økoometr De smple regressosmodel 4. september 5 Dee forelæsg drejer sg stadg om de smple regressosmodel (Wooldrdge kap.4-.6) Fuktoel form Hvorår er OLS mddelret? Varase på OLS estmatore Regressosmodelle
Statistik Lektion 14 Simpel Lineær Regression. Simpel lineær regression Mindste kvadraters metode Kovarians og Korrelation
Statstk Lekto 4 Smpel Leær Regresso Smpel leær regresso Mdste kvadraters metode Kovaras og Korrelato Scatterplot Scatterplot kf Advertsg Epedtures ( ad Sales ( Et scatterplot vser par (, af observatoer.
Statistik 9. gang 1 REGRESSIONSANALYSE. Korrelation (kontrol af model) Regression (tilpasning af model)
Statstk 9. gag REGRESSIONSANALYSE Korrelato kotrol af model Regresso tlpasg af model Statstk 9. gag KORRELATIONS ANALYSE. Grad af fælles varato mellem X og Y. Område og fordelg af sample data 3. Optræde
Betænkning om kommunernes udgiftsbehov. Bilag (med metodediskussion af professor Anders Milhøj)
Betækg om kommueres udgftsbehov Blag (med metodedskusso af professor Aders Mlhøj) Betækg r. 36 Oktober 998 Kommueres Udgftsbehov Betækg om kommueres udgftsbehov - Redegørelse fra arbejdsgruppe uder Idergsmsterets
Induktionsbevis og sum af række side 1/7
Iduktosbevs og sum af række sde /7 Skrver ma,,,...,,..., =, 2, 3,... 2 3 taler ma om e talfølge, eller blot e følge. Adre eksempler på følger er, -,, -,, -,..., (-) +,..., =, 2, 3,..., 2, 3, 4,...,,...,
Men tilbage til regression og Chi-i-anden. test. Begge begreber refererer til normalfordelingen med middelværdi μ og spredning σ.
χ test matematkudervsge χ - test gymasets matematkudervsg I jauar ummeret 8 af LMFK bladet havde jeg e artkel, hvor jeg harcelerede ldt over, at regresso og sær χ fordelg havde fudet dpas matematkudervsge
Prøveeksamen Indtjening, konkurrencesituation og produktudvikling i danske virksomheder Kommenteret vejledende besvarelse
Økonometr Prøveeksamen Indtjenng, konkurrencestuaton og produktudvklng danske vrksomheder Kommenteret vejledende besvarelse Resultaterne denne besvarelse er fremkommet ved brug af eksamensnummer 7. Dne
Økonometri 1. Lineær sandsynlighedsmodel. Hvad nu hvis den afhængige variabel er en kvalitativ variabel (med to kategorier)?
Dagens program Økonometr Heteroskedastctet 6. oktober 004 Hovedemnet for denne forelæsnng er heteroskedastctet (kap. 8.-8.3) Lneære sandsynlghedsmodel (kap 7.5) Konsekvenser af heteroskedastctet Hvordan
Elementær Matematik. Sandsynlighedsregning
lemetær Matematk Sadsylghedsregg Ole Wtt-Hase Køge Gymasum 008 INDHOLD KAP. KOMBINATORIK.... MULTIPLIKATIONS- OG ADDTIONSPRINCIPPT.... PRMUTATIONR... 3. KOMBINATIONR...3 KAP. NDLIGT SANDSYNLIGHDSFLT...7.
Økonometri 1. Avancerede Paneldata Metoder I 24.november F18: Avancerede Paneldata Metoder I 1
Økonometr 1 Avancerede Paneldata Metoder I 24.november 2006 F18: Avancerede Paneldata Metoder I 1 Paneldatametoder Sdste gang: Paneldata begreber og to-perode tlfældet (kap 13.3-4) Uobserveret effekt modellen:
Økonometri 1. Lineær sandsynlighedsmodel (Wooldridge 8.5). Dagens program: Heteroskedasticitet 30. oktober 2006
Dagens program: Øonometr 1 Heterosedastctet 30. otober 006 Effcent estmaton under heterosedastctet (Wooldrdge 8.4): Sdste gang: Kendte vægte - Weghted Least Squares (WLS) Generalzed Least Squares (GLS)
IKKE-KONTINUERTE (DISKRETE) STOKASTISKE VARIABLE MIDDELVÆRDI, VARIANS, SPREDNING FORDELINGER: HYPERGEOMETRISK, BINOMIAL, POISSON
IE-ONTINUERTE (DISRETE) STOASTISE VARIABLE MIDDELVÆRDI, VARIANS, SPREDNING FORDELINGER: HYPERGEOMETRIS, BINOMIAL, POISSON Edelgt sadsylghedsfelt V reeterer: Et sadsylghedsfelt ( P ) U, kaldes edelgt, hvs
x-klasserne Gammel Hellerup Gymnasium
SANDSYNLIGHEDSREGNING OG KOMBINATORIK x-klassere Gammel Hellerup Gymasum Idholdsfortegelse SANDSYNLIGHEDSREGNING... 3 Sadsylghedsfelt... 3 Edelge sadsylghedsfelter (sadsylghedsfordelger):... 3 Uedelge
FORDELINGER: HYPERGEOMETRISK FORDELING, BINOMIALFORDELING MIDDELVÆRDI DEFINITION. X er en stokastisk variabel på et endeligt sandsynlighedsfelt ( )
FORDELINGER: HYERGEOMETRIS FORDELING, BINOMIALFORDELING MIDDELVÆRDI Mddelværd MIDDELVÆRDI (TYS: ERWARTUNGSWERT ) DEFINITION X er e stokastsk varabel på et edelgt sadsylghedsfelt U, ( ) Mddelværde af X
Videregående Algoritmik. David Pisinger, DIKU. Reeksamen, April 2005
Vderegåede Algortmk Davd Psger, DIKU Reeksame, Aprl 5 Bsecto problemet Gvet e uvægtet graf G = (V, E) samt et heltal k. E bsecto af grafe G er e opdelg af kudere V to lge store mægder S og T. MAX-BISECTION
Bilag 6: Økonometriske
Marts 2015 Blag 6: Økonometrske analyser af energselskabernes omkostnnger tl energsparendsatsen Energstyrelsen Indholdsfortegnelse 1. Paneldataanalyse 3 Specfkaton af anvendte panel regressonsmodeller
FACITLISTE TIL KOMPLEKSE TAL
FACITLISTE TIL KOMPLEKSE TAL Kaptel Opgave Opgave Opgave Det emmeste check af lgge er at opløfte begge sder tl. potes. Bombells metode gver følgede lgger: a a b = 5 ( ) b a b = 09 = 7. Løs dem med et CAS
Ugeseddel 8. Gruppearbejde:
Ugeseddel 8 Gruppearbejde: 1. Ved at nkludere en dummyvarabel for et bestemt landeområde, svarer tl at konstatere, at dsse lande har nogle unkke karakterstka, som har betydnng for væksten, som kke gør
Opsamling. Simpel/Multipel Lineær Regression Logistisk Regression Ikke-parametriske Metoder Chi-i-anden Test
Opsamlng Smpel/Multpel Lneær Regresson Logstsk Regresson Ikke-parametrske Metoder Ch--anden Test Opbygnng af statstsk model Specfcer model Lgnnger og antagelser Estmer parametre Modelkontrol Er modellen
Lineære Normale Modeller
Note tl Leære Normale Modeller Bo Rosbjerg. marts 009 Tegger udført af Herk Ve Chrstese Idhold E smpel leær ormal model 5. Modelbestemmelse........................... 5. Mdste kvadraters estmat......................
Analyse af bivariate data: korrelation og regression. korrelation. Korrelation og regression: Co-varians:
,,,,,,,,,, Stattk for bologer -, modul og : Korrelato og regreo: Aale af bvarate data: korrelato og regreo Korrelato: llutrerer v.h.a. e koeffcet hvlke grad to varable er dbrde afhægge: - (perfekt egatv
Lineær regressionsanalyse8
Lneær regressonsanalyse8 336 8. Lneær regressonsanalyse Lneær regressonsanalyse Fra kaptel 4 Mat C-bogen ved v, at man kan ndtegne en række punkter et koordnatsystem, for at afgøre, hvor tæt på en ret
Økonometri 1. Inferens i den lineære regressionsmodel 29. september Økonometri 1: F7 1
Økoometri 1 Iferes i de lieære regressiosmodel 9. september 006 Økoometri 1: F7 1 Dages program Opsamlig af hemmeopgave om Mote Carlo eksperimeter Mere om hypotesetest: Ekelt lieær restriktio på koefficieter
Kvantitative metoder 2
Kvantitative metoder 2 Den multiple regressionsmodel 5. marts 2007 regressionsmodel 1 Dagens program Emnet for denne forelæsning er stadig den multiple regressionsmodel (Wooldridge kap. 3.4-3.5, E.2) Variansen
Økonometri 1. Den simple regressionsmodel 11. september Økonometri 1: F2
Økonometri 1 Den simple regressionsmodel 11. september 2006 Dagens program Den simple regressionsmodel SLR : Én forklarende variabel (Wooldridge kap. 2.1-2.4) Motivation for gennemgangen af SLR Definition
Kvantitative metoder 2
Kvantitative metoder Heteroskedasticitet 11. april 007 KM: F18 1 Oversigt: Heteroskedasticitet OLS estimation under heteroskedasticitet (W.8.1-): Konsekvenser af heteroskedasticitet for OLS Gyldige test
! Variansen på OLS estimatoren. ! Multikollinaritet. ! Variansen i misspecificerede modeller. ! Estimat af variansen på fejlleddet
Dagens program Økonometri Den multiple regressionsmodel 4. februar 003 regressionsmodel Emnet for denne forelæsning er stadig den multiple regressionsmodel (Wooldridge kap. 3.4-3.5)! Opsamling fra sidst
Binomialfordelingen. Erik Vestergaard
Bnomalfordelngen Erk Vestergaard Erk Vestergaard www.matematkfysk.dk Erk Vestergaard,. Blleder: Forsde: Stock.com/gnevre Sde : Stock.com/jaroon Sde : Stock.com/pod Desuden egne fotos og llustratoner. Erk
Finanskalkulationer Side 1/19 Steen Toft Jørgensen. Finanskalkulationer. avanceret rentesregning. matematiske modeller i økonomi
Faskalkulatoe Sde /9 Stee Toft Jøgese Faskalkulatoe avaceet etesegg matematske modelle økoom Idholdsfotegelse: Kaptel : Rete Retebegebet Omkostge Retefomle Effektv ete Kotuet foetg Tdsdagam Flytg af kaptal
Motivation. En tegning
Motivatio Scatter-plot at det mådelige salg mod det måedlige reklamebudget. R: plot(salg ~ budget, data = salg) Økoometri Lektio Simpel Lieær Regressio salg 400 450 500 550 20 25 30 35 40 45 50 budget
Morten Frydenberg Biostatistik version dato:
Morten Frydenberg Bostatstk verson dato: -4- Bostatstk uge mandag Morten Frydenberg, Afdelng for Bostatstk Resume: Hvad har v været gennem ndtl nu Lneær (normal) regresson en kontnuert forklarende varabel
6. SEMESTER Epidemiologi og Biostatistik Opgaver til 3. uge, fredag
Afdelng for Epdemolog Afdelng for Bostatstk 6. SEESTER Epdemolog og Bostatstk Opgaver tl 3. uge, fredag Data tl denne opgave stammer fra. Bland: An Introducton to edcal Statstcs (Exercse 11E ). V har hentet
1.0 FORSIKRINGSFORMER
eam Lv forskrgsakteselskab Bereggsgrudlaget sgrp217 tl præmeberegg for gruppeforskrg e-am Lv forskrgsakteselskab 1. FORIKRINGFORMER 1.1 Oblgatorske ordger Alle gruppeforskrgsordger teget på dette grudlag
Regressionsanalyse. Epidemiologi og Biostatistik. 1.Simpel lineær regression (Kapitel 11) systolisk blodtryk og alder
Regressonsanalyse Epdemolog og Bostatstk Mogens Erlandsen, Insttut for Bostatstk Uge, torsdag (forelæsnng) 1.Smpel lneær regresson (Kaptel 11) systolsk blodtryk og alder. Multpel lneær regresson (Kaptel
Statistik II Lektion 5 Modelkontrol. Modelkontrol Modelsøgning Større eksempel
Statstk II Lekton 5 Modelkontrol Modelkontrol Modelsøgnng Større eksempel Generel Lneær Model Y afhængg skala varabel 1,, k forklarende varable, skala eller bnære Model: Mddelværden af Y gvet =( 1,, k
Udvikling af en metode til effektvurdering af Miljøstyrelsens Kemikalieinspektions tilsyn og kontrol
Udvklng af en metode tl effektvurderng af Mljøstyrelsens Kemkalenspektons tlsyn og kontrol Orenterng fra Mljøstyrelsen Nr. 10 2010 Indhold 1 FORORD 5 2 EXECUTIVE SUMMARY 7 3 INDLEDNING 11 3.1 AFGRÆNSNING
Økonometri 1. Dagens program. Den multiple regressionsmodel 18. september 2006
Dagens program Økonometri Den multiple regressionsmodel 8. september 006 Opsamling af statistiske resultater om den simple lineære regressionsmodel (W kap..5). Den multiple lineære regressionsmodel (W
Økonometri 1. Inferens i den lineære regressionsmodel 2. oktober Økonometri 1: F8 1
Økonometri 1 Inferens i den lineære regressionsmodel 2. oktober 2006 Økonometri 1: F8 1 Dagens program Opsamling om asymptotiske egenskaber: Asymptotisk normalitet Asymptotisk efficiens Test af flere lineære
