Kvantitative metoder 2

Relaterede dokumenter
Økonometri 1. Heteroskedasticitet 27. oktober Økonometri 1: F12 1

Økonometri 1. Test for heteroskedasticitet. Test for heteroskedasticitet. Dagens program. Heteroskedasticitet 26. oktober 2005

Økonometri 1. Lineær sandsynlighedsmodel (Wooldridge 8.5). Dagens program: Heteroskedasticitet 30. oktober 2006

Økonometri 1. Lineær sandsynlighedsmodel. Hvad nu hvis den afhængige variabel er en kvalitativ variabel (med to kategorier)?

Økonometri 1 Efterår 2006 Ugeseddel 9

Kvantitative metoder 2

Kvantitative metoder 2

Kvantitative metoder 2

Økonometri 1. Interne evalueringer. Interne evalueringer. Dagens program. Heteroskedaticitet (Specifikation og dataproblemer) 2.

Økonometri 1. For mange variable i modellen. For få variable. Dagens program. Den multiple regressionsmodel 21. september 2004

Opsamling. Simpel/Multipel Lineær Regression Logistisk Regression Ikke-parametriske Metoder Chi-i-anden Test

Prøveeksamen Indtjening, konkurrencesituation og produktudvikling i danske virksomheder Kommenteret vejledende besvarelse

Økonometri 1. Avancerede Paneldata Metoder II Introduktion til Instrumentvariabler 27. november 2006

Økonometri 1. Avancerede Paneldata Metoder I 24.november F18: Avancerede Paneldata Metoder I 1

Prøveeksamen Indtjening, konkurrencesituation og produktudvikling i danske virksomheder Kommenteret vejledende besvarelse

Kvantitative metoder 2 Forår 2007 Ugeseddel 10

Økonometri lektion 7 Multipel Lineær Regression. Testbaseret Modelkontrol

Statikstik II 4. Lektion. Generelle Lineære Modeller

Økonometri 1 Efterår 2006 Ugeseddel 13

Kvantitative metoder 2

Statistik II Lektion 4 Generelle Lineære Modeller. Simpel Lineær Regression Multipel Lineær Regression Flersidet Variansanalyse (ANOVA)

Vægtet model. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægte. Vægte: Eksempel. Definition: Vægtrelationen

Anvendt Statistik Lektion 10. Regression med både kvantitative og kvalitative forklarende variable Modelsøgning Modelkontrol

Prøveeksamen Indtjening, konkurrencesituation og produktudvikling i danske virksomheder Kommenteret vejledende besvarelse

Kvantitative metoder 2

Statistik Lektion 15 Mere Lineær Regression. Modelkontrol Prædiktion Multipel Lineære Regression

Anvendt Statistik Lektion 10. Regression med både kvantitative og kvalitative forklarende variable Modelkontrol

Kvantitative metoder 2 Forår 2007 Ugeseddel 9

Prøveeksamen Indtjening, konkurrencesituation og produktudvikling i danske virksomheder Kommenteret vejledende besvarelse

Rettevejledning til Økonomisk Kandidateksamen 2007I, Økonometri 1

Morten Frydenberg Biostatistik version dato:

Økonometri 1. Funktionel form. Funktionel form (fortsat) Dagens program. Den simple regressionsmodel 14. september 2005

Kvantitative metoder 2

Ugeseddel 8. Gruppearbejde:

6. SEMESTER Epidemiologi og Biostatistik Opgaver til 3. uge, fredag

Statikstik II 3. Lektion. Multipel Logistisk regression Generelle Lineære Modeller

Rettevejledning til Økonomisk Kandidateksamen 2005II, Økonometri 1

Lineær regressionsanalyse8

Statistik II Lektion 5 Modelkontrol. Modelkontrol Modelsøgning Større eksempel

Statistik II Lektion 5 Modelkontrol. Modelkontrol Modelsøgning Større eksempel

EKSAMEN I MATEMATIK-STATISTIK, 27. JANUAR 2006, KL 9-13

Økonometri 1. Definition og motivation. Definition og motivation. Dagens program. Den multiple regressionsmodel 21. september 2005

Vægtet model. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægte. Vægte: Eksempel. Definition: Vægtrelationen

Økonometri 1. Instrumentvariabelestimation 26. november Plan for IV gennemgang. Exogenitetsantagelsen. Exogenitetsantagelsen for OLS

Indtjening, konkurrencesituation og produktudvikling i danske virksomheder

Økonometri 1 Forår 2003 Ugeseddel 10: Prøveeksamen. Indtjening, konkurrencesituation og produktudvikling i danske virksomheder. Om opgavens formål:

Landbrugets efterspørgsel efter Kunstgødning. Angelo Andersen

Bilag 6: Økonometriske

Udvikling af en metode til effektvurdering af Miljøstyrelsens Kemikalieinspektions tilsyn og kontrol

Indtjening, konkurrencesituation og produktudvikling i danske virksomheder

Vi ønsker også at teste hypoteser om parametrene. F.eks: Kan µ tænkes at være 0 (eller anden fast, kendt værdi)? Eksempel: dollarkurser

Antag X 1,..., X n stokastiske variable med fælles middelværdi µ og varians σ 2. Hvis µ er ukendt estimeres σ 2 ved 1/36.

Regressionsanalyse. Epidemiologi og Biostatistik. 1.Simpel lineær regression (Kapitel 11) systolisk blodtryk og alder

Logistisk regression. Logistisk regression. Probit model Fortolkning udfra latent variabel. Odds/Odds ratio

Regressionsmodeller. Kapitel Ikke-lineær regression

PRODUKTIONSEFFEKTEN AF AVL FOR HANLIG FERTILITET I DUROC

Husholdningsbudgetberegner

Økonomisk Kandidateksamen 2005II Økonometri 1. Lønpræmier

χ 2 -fordelte variable

Økonometri 1. Dagens program. Den multiple regressionsmodel 18. september 2006

Binomialfordelingen: april 09 GJ

Statistik Lektion 14 Simpel Lineær Regression. Simpel lineær regression Mindste kvadraters metode Kovarians og Korrelation

TALTEORI Følger og den kinesiske restklassesætning.

Økonometri: Lektion 6 Emne: Heteroskedasticitet

Scorer FCK "for mange" mål i det sidste kvarter?

Eksamen på Økonomistudiet 2007-I. Fag: Økonometri 1. Årsprøvefag januar Tag-hjem opgave

Binomialfordelingen. Erik Vestergaard

Morten Frydenberg Biostatistik version dato:

Beregning af strukturel arbejdsstyrke

Dokumentation: Husprisanalysens andet trin: Efterspørgsel efter fravær af støj

Nøglebegreber: Objektivfunktion, vægtning af residualer, optimeringsalgoritmer, parameterusikkerhed og korrelation, vurdering af kalibreringsresultat.

DLU med CES-nytte. Resumé:

Notat om porteføljemodeller

Lagrange multiplier test. Økonometri: Lektion 6 Håndtering ad heteroskedasticitet. Konsekvenser af Heteroskedasticitet

Økonometri: Lektion 6 Emne: Heteroskedasticitet

Brugen af R^2 i gymnasiet

Rettevejledning til Økonomisk Kandidateksamen 2006I, Økonometri 1

Økonometri 1. Dummyvariabler 13. oktober Økonometri 1: F10 1

Men tilbage til regression og Chi-i-anden. test. Begge begreber refererer til normalfordelingen med middelværdi μ og spredning σ.

Økonometri 1. Hvorfor simulationseksperimenter? Monte Carlo eksperimenter: Ideen. Inferens i den lineære regressionsmodel 28.

Note til Generel Ligevægt

Fysik 3. Indhold. 1. Sandsynlighedsteori

Morten Frydenberg Version: Thursday, 16 June 2011

Kvantitative metoder 2

Løsninger til kapitel 12

Estimation af CES - forbrugssystemet med og uden dynamik: -fcf/fcfv sammenhold med fcv/fcfv -fct/fcts sammenhold med fcs/fcts

Sandsynlighedsregning 12. forelæsning Bo Friis Nielsen

Repetition. Forårets højdepunkter

Kvantitative metoder 2

2. Sandsynlighedsregning

Sandsynlighedsregning og statistik med binomialfordelingen

Validering og test af stokastisk trafikmodel

Fagblok 4b: Regnskab og finansiering 2. del Hjemmeopgave kl til kl

Spørgsmål 1 (5 %) Bestem sandsynligheden for at batteriet kan anvendes i mere end 5 timer.

Måleusikkerhed i kalibrering Nr. : AB 11 Dato : Side : 1/3

Kvantitative metoder 2

Statistik 9. gang 1 REGRESSIONSANALYSE. Korrelation (kontrol af model) Regression (tilpasning af model)

Luftfartens vilkår i Skandinavien

Simpel Lineær Regression - repetition

Undersøgelse af pris- og indkomstelasticiteter i forbrugssystemet - estimeret med AIDS

Transkript:

Dagens program: Heteroskedastctet (Wooldrdge kap. 8.4) Kvanttatve metoder Heteroskedastctet 6. aprl 007 Sdste gang: Konsekvenser af heteroskedastctet for OLS Whte s korrekton af OLS varansen Test for heteroskedastctet Grafske test Formelle test: Bresch-Pagan test, Whte test I dag: Eksempel: Cgaretforbrg (Ex. W.8.7) Weghted Least sqares (WLS) Effcent estmator, når der er heteroskedastctet Vægtnng af observatonerne: Tlfældet med kendte vægte KM: F9 KM: F9

Eksempel: Model for efterspørgsel efter cgaretter (Ex. 8.7, SAS program på hjemmesden) cgs = β + β lncome + β lprce + β edc + age + age + rest + 0 3 β4 β5 β6 OLS estmater. Afhængg varabel: cgs. Const Lncome Lprce Edc Age Age Rest Est. -3.640 0.880-0.75-0.50 0.77-0.009 -.85 Std.err 4.079 0.78 5.773 0.67 0.60 0.007. Robst std. Err 5.505 0.593 6.009 0.6 0.38 0.005.004 Eksempel: Model for efterspørgsel efter cgaretter Bresch-Pagan test: Hjælperegresson: ˆ = δ0 + δlncome + δlprce + δ3edc + δ age + δ age + δ rest + v 4 5 6 R / k 0.0400 / 6 F test: F = = = 5.55 ( R ) /( n k ) ( 0.0400) /(807 6 ) F(6,800), p værd <.000. LM LM = nr = = χ χ = test: 807 0.0400 3.8 (6), (6) 0.95.59. Konklson: Afvser homoskedastctet: Der er heteroskedastctet! KM: F9 3 KM: F9 4

Eksempel: Model for efterspørgsel efter cgaretter Konsekvenser af heteroskedastctet Whte's test: Hjælperegresson: ˆ = δ0 + δlncome + δlprce + δ3edc + δ age + δ age + δ rest +.. kvadrater og krydsled... + v 4 5 6 R / k 0.06 / 3 F test: F = = =. ( R ) /( n k ) ( 0.06) /(807 3 ) F(3,783), p værd =.0009. LM LM = nr = = χ χ = test: 807 0.06 49.39 (3), (3) 0.95 35.7. Konklson: Afvser homoskedastctet: Der er heteroskedastctet! Når der er heteroskedastctet gælder (gvet MLR.-4) : OLS estmaterne er mddelrette og konsstente Det sædvanlge estmat af OLS varansen er kke mddelret eller konsstent Gyldge test baseret på OLS estmatoren ved brg af robste varansestmater Men: Uheldge konsekvenser af heteroskedastctet, som kke blver afhjlpet ved robst estmaton af varansen: OLS er kke længere den bedste lneære mddelrette estmator (BLUE): Der fndes andre lneære mddelrette estmatorer med mndre varans OLS er kke længere asymptotsk effcent KM: F9 5 KM: F9 6 3

Hvorfor blver OLS neffcent nder heteroskedastctet? Inttvt: OLS gver samme vægt tl alle observatoner/- resdaler (mnmerer den smple sm af de kvadrerede resdaler) n n ˆ ˆ ˆ ˆ = ( y β0 βx βkxk) = = Men: Ved heteroskedastctet er fejlleddene tl de forskellge observatoner trkket fra fordelnger med forskellg varans. En effcent estmator tllægger hver observaton/resdal en vægt, der er omvendt proportonal med varansen på fejlleddet for hver enhed. KM: F9 7 Hvordan fnder man en mere effcent estmator end OLS? Heteroskedastctet af en kendt form (op tl en mltplkatv faktor) V ( x) = σ hx ( ) hx ( ) antages at være en kendt fnkton af de forklarende varable hx ( ) > 0 for alle mlge værder af x erne (varanser er altd postve) σ er en kendt parameter Et specaltlfælde af den generelle form af heterosk. V x hx ( ) = σ = σ ( ) KM: F9 8 4

Model: Eksempel: Opsparng- ndkomst sav = β + β nc + V ( nc) nc (##) 0 = σ I dette tlfælde er h(x) = h(nc) = nc Varansen er proportonal med ndkomsten. Varansen er postv, hvs ndkomsten er postv for σ nc alle. Standard afvgelsen på (betnget på ndkomsten) er KM: F9 9 Eksempel: Opsparng- ndkomst Transformerer modellen: sav nc = β0 + β + nc nc nc nc = β0 + β nc + nc nc To forklarende varabler, ntet konstantled. Samme parametre. Fejlled med konstant varans: = = = σ = σ nc nc nc V nc E( nc ) E( nc ) nc nc KM: F9 0 5

Weghted Least Sqares Weghted Least Sqares Ved at brge nformatonen om formen for heterosk. kan modellen altså transformeres tl en ny model, som kke ndeholder heteroskedastctet: OLS på den vægtede regresson er effcent: Weghted Least Sqares (WLS) Generelt: Antag følgende mltple regressonsmodel (som opfylder antagelserne MLR.- MLR.4) y = β0 + βx + βx + + βkxk + V( x, x,, x ) = σ h( x, x,, x ) = σ h k k Gvet at h er en kendt fnkton kan dens værd beregnes for hver enkelt observaton: h = h( x ) Hvs man transformerer modellen så fejlleddet blver vl den betngede mddelværd stadg være nl: E x, x, xk = E( x, x, xk ) = 0 ( ) h h og den betngede varans vl være konstant: V x x x = V ( x x x ) = h = h,, k,, k σ σ ( ) h h h KM: F9 KM: F9 6

Weghted Least Sqares Den transformerede model er y x x x = β + β + β + + β + k 0 k h h h h h h Bemærk at modellen generelt kke længere ndeholder noget konstantled De nye forklarende varabler har sjældent en menngsfld fortolknng Parametrene er de samme som den oprndelge model og skal fortolkes d fra den. Men kan estmeres effcent fra den transformerede model. KM: F9 3 Weghted Least Sqares Den transformerede model opfylder n antagelsen MLR.5 (homoskedastctet) følge ( ). Antagelsen MLR. er også opfyldt, da modellen er lneær parametrene. Antagelsen MLR. er også stadg opfyldt (hvs stkprøven er dtaget tlfældgt tl den oprndelge model, gælder det også for den transformerede model). Antagelsen MLR.3 er stadg opfyldt. Antagelsen MLR.4 er også stadg opfyldt. ( ) (Mndre vgtgt: Hvs antagelsen MLR.6 er opfyldt for den oprndelge model, gælder antagelsen stadg) KM: F9 4 7

Weghted Least Sqares (WLS) I den transformerede model gælder MLR.-MLR.5 OLS estmatoren den transformerede model vl være BLUE F- og t-test er gyldge for den transformerede model R er sjældent menngsfld (ny venstresdesvarabel!) Estmatoren som korrgerer for heteroskedastctet kaldes for Wegted Least sqares (WLS) Navnet hentyder tl at estmaterne opnås ved at mnmere de vægtede kvadrerede resdaler. KM: F9 5 Weghted Least Sqares (WLS) n ( y b0 bx bx bkxk) / h = n = (( y b0 bx bx bkxk) / h) = n y x x xk = b0 b b bk = h h h h h (( )) WLS er et eksempel på Generalzed Least Sqares (GLS) Estmaterne vl generelt være forskellge fra OLS den oprndelge model GLS estmatoren er mere effcent end OLS Parametrene skal stadg fortolkes som den oprndelge model KM: F9 6 8

Weghted Least Sqares (WLS) NB er Eksempel: Afhængge varabel er et gennemsnt (hvor de grpper af enheder der tages gennemsnt over, er af forskellg størrelse) y m = y m j = I dsse modeller er heterosk. ofte relateret tl grppens størrelse m =, j V( x) m = j m σ = I dette tlfælde skal vægtnngen være h = / m, j En effcent estmator tllægger hver observaton/resdal en vægt, der er omvendt proportonal med varansen på fejlleddet. Ved at brge nformaton om formen for heterosk. kan modellen transformeres tl en ny model, som kke ndeholder heteroskedastctet. Den transformerede lgnng kan estmeres effcent med OLS. Parametrene er de samme som den oprndelge model og skal fortolkes d fra den. KM: F9 7 KM: F9 8 9

Næste gang: Onsdag: W.8.4-5 WLS når varansfnktonen er kendt: FGLS Mere om cgareteksemplet Mere om den lneære sandsynlghedsmodel KM: F9 9 0