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

Relaterede dokumenter
Kvantitative metoder 2

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)?

Kvantitative metoder 2

Økonometri 1 Efterår 2006 Ugeseddel 9

Kvantitative metoder 2

Kvantitative metoder 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

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

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

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

Kvantitative metoder 2

Statikstik II 4. Lektion. Generelle Lineære Modeller

Økonometri lektion 7 Multipel Lineær Regression. Testbaseret Modelkontrol

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

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

Økonometri 1 Efterår 2006 Ugeseddel 13

Kvantitative metoder 2

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

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

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 Modelkontrol

Kvantitative metoder 2 Forår 2007 Ugeseddel 10

Kvantitative metoder 2

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

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

Morten Frydenberg Biostatistik version dato:

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

Statistik II Lektion 5 Modelkontrol. Modelkontrol Modelsøgning Større eksempel

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

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

Lineær regressionsanalyse8

Ugeseddel 8. Gruppearbejde:

Statistik II Lektion 5 Modelkontrol. Modelkontrol Modelsøgning Større eksempel

Rettevejledning til Økonomisk Kandidateksamen 2005II, Økonometri 1

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

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

Indtjening, konkurrencesituation og produktudvikling i danske virksomheder

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

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

Landbrugets efterspørgsel efter Kunstgødning. Angelo Andersen

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

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.

Indtjening, konkurrencesituation og produktudvikling i danske virksomheder

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

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

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

TALTEORI Følger og den kinesiske restklassesætning.

Beregning af strukturel arbejdsstyrke

Binomialfordelingen. Erik Vestergaard

Bilag 6: Økonometriske

χ 2 -fordelte variable

DLU med CES-nytte. Resumé:

Husholdningsbudgetberegner

PRODUKTIONSEFFEKTEN AF AVL FOR HANLIG FERTILITET I DUROC

Regressionsmodeller. Kapitel Ikke-lineær regression

Økonomisk Kandidateksamen 2005II Økonometri 1. Lønpræmier

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

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

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

Notat om porteføljemodeller

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

Note til Generel Ligevægt

Morten Frydenberg Biostatistik version dato:

Økonometri: Lektion 6 Emne: Heteroskedasticitet

Dokumentation: Husprisanalysens andet trin: Efterspørgsel efter fravær af støj

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

Kvantitative metoder 2

Brugen af R^2 i gymnasiet

Økonometri 1. Dagens program. Den simple regressionsmodel 15. september 2006

Repetition. Forårets højdepunkter

Fysik 3. Indhold. 1. Sandsynlighedsteori

2. Sandsynlighedsregning

Sandsynlighedsregning og statistik med binomialfordelingen

BEVISER TIL KAPITEL 7

Kvantitative metoder 2

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

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

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

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

Økonometri: Lektion 6 Emne: Heteroskedasticitet

Validering og test af stokastisk trafikmodel

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

Rettevejledning til Økonomisk Kandidateksamen 2006I, Økonometri 1

! Proxy variable. ! Målefejl. ! Manglende observationer. ! Dataudvælgelse. ! Ekstreme observationer. ! Eksempel: Lønrelation (på US data)

! Variansen på OLS estimatoren. ! Multikollinaritet. ! Variansen i misspecificerede modeller. ! Estimat af variansen på fejlleddet

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

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

Inertimoment for arealer

Real valutakursen, ε, svinger med den nominelle valutakurs P P. Endvidere antages prisniveauet i ud- og indland at være identisk, hvorved

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

Sandsynlighedsregning 12. forelæsning Bo Friis Nielsen

Fastlæggelse af strukturel arbejdsstyrke

Transkript:

Økonometr 1 Heteroskedastctet 27. oktober 2006 Økonometr 1: F12 1

Dagens program: Heteroskedastctet (Wooldrdge kap. 8.3-4) Sdste gang: I dag: Konsekvenser af heteroskedastctet for OLS Korrekton af varansen af OLS estmatoren Generelle hypotesetest under heteroskedastctet Test for heteroskedastctet Grafske test Formelle test: Breusch-Pagan test, Whte test Effcente estmatorer, når der er heteroskedastctet: Vægtnng af observatonerne (tlfældet med kendte vægte) Økonometr 1: F12 2

Konsekvenser af heteroskedastctet Ved heteroskedastctet gælder (gvet MLR.1-4): OLS estmaterne er mddelrette og konsstente Det sædvanlge estmat af OLS varansen er kke mddelret eller konsstent Gyldge test baseret på OLS estmatoren ved brug af robuste varansestmater Men: Uheldge konsekvenser af heteroskedastctet, som kke blver afhjulpet ved robust 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 Økonometr 1: F12 3

Hvorfor gver heteroskedastctet neffcente estmatorer? Intutvt: OLS gver samme vægt tl alle observatoner/- resdualer (mnmerer den smple sum af de kvadrerede resdualer) n n 2 2 uˆ ˆ ˆ ˆ = ( y β0 β1x1 βkxk) = 1 = 1 Ved heteroskedastctet fejlleddet: Observatonerne/ fejlleddene er trukket fra fordelnger med forskellg varans. En effcent estmator tllægger hver observaton/resdual en vægt, der er omvendt proportonal med varansen på fejlleddet for hver enhed. Økonometr 1: F12 4

Hvordan fnder man en mere effcent estmator end OLS? Heteroskedastctet af en kendt form (op tl en multplkatv faktor) hx ( ) Vu x 2 ( ) = σ hx ( ) antages at være en kendt funkton af de forklarende varable hx ( ) > 0 for alle mulge værder af x erne (varanser er altd postve) 2 σ er en ukendt parameter Et specaltlfælde af den generelle form af heterosk. Vu x hx 2 2 ( ) = σ = σ ( ) Økonometr 1: F12 5

Hvordan fnder man en mere effcent estmator end OLS? Eksempel: Opsparng- ndkomst Model: sav = β + β nc + u 0 1 2 = σ Vu ( nc) nc (##) I dette tlfælde er h(x)=h(nc)=nc (varansen er postv, hvs ndkomsten er postv for alle ): Varansen er proportonal med ndkomsten. Standard afvgelsen på u (betnget på ndkomsten) er σ nc Hvordan kan nformatonen om (##) bruges tl at estmere en udgave af opsparngs-ndkomstrelatonen, som er uden heteroskedastctet? Økonometr 1: F12 6

Hvordan fnder man en mere effcent estmator end OLS? Eksempel: opsparng-ndkomst Transformerer modellen: sav 1 nc u = β0 + β1 + nc nc nc nc 1 = β0 + β1 nc + nc To forklarende varabler, ntet konstantled: Samme parametre Fejlled med konstant varans: 2 2 u u 1 1 V( ) = E( ) = E( u ) = σ nc = σ nc nc nc u nc 2 2 2 nc Økonometr 1: F12 7

Hvordan fnder man en mere effcent estmator end OLS? Ved at bruge nformaton om formen for heterosk. kan modellen transformeres tl en ny model, som kke ndeholder heteroskedastctet. Generelt: Antag følgende multple regressonsmodel (som opfylder antagelserne MLR.1- MLR.4) y = β + β x + β x + + β x + u 0 1 1 2 2 k k 2 2 ( 1, 2,, k) = σ ( 1, 2,, k) = σ V u x x x h x x x h Gvet at h er en kendt funkton kan dens værd beregnes for hver observaton: h = h( x ) Økonometr 1: F12 8

Hvordan fnder man en mere effcent estmator end OLS? Hvs man nu konstruerer et nyt fejlled som vl den betngede mddelværd stadg være nul: u 1 E x 1, x2, xk = E( u x 1, x2, xk) = 0 ( ) h h og den betngede varans vl være konstant: 2 u 1 1 2 2 V x 1, x2, xk = V( u x 1, x2, xk) = σ h = σ ( ) h h h u h Økonometr 1: F12 9

Hvordan fnder man en mere effcent estmator end OLS? Regressonsmodel med dette fejlled ved at dvdere gennem med h Den transformerede model er y 1 x x x u = β + β + β + + β + h h h h h h 1 2 k 0 1 2 k Bemærk at modellen generelt kke længere ndeholder noget konstantled De nye forklarende varabler har sjældent en menngsfuld fortolknng Parametrene er de samme som den oprndelge model og skal fortolkes ud fra den. Men kan estmeres effcent fra den transformerede model. Økonometr 1: F12 10

Hvordan fnder man en mere effcent estmator end OLS? Den transformerede model opfylder nu antagelsen MLR.5 (homoskedastctet) følge ( ). Antagelsen MLR.1 er også opfyldt, da modellen er lneær parametrene. Antagelsen MLR.2 er også stadg opfyldt (hvs stkprøven er udtaget 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) Økonometr 1: F12 11

Weghted Least Squares (WLS) I den transformerede model gælder MLR.1-MLR.5 OLS estmatoren den transformerede model vl være BLUE F- og t-test er gyldge for den transformerede model R 2 er sjældent menngsfuld (ny venstresdesvarabel!) Estmatoren som korrgerer for heteroskedastctet kaldes for Wegted Least squares (WLS) Navnet hentyder tl at estmaterne opnås ved at mnmere de vægtede kvadrerede resdualer. Økonometr 1: F12 12

Weghted Least Squares (WLS) n 2 ( y b0 bx 1 1 b2x2 bkxk) / h = 1 n = (( y b bx b x b x ) / h ) = 1 0 1 1 2 2 k k y 1 x x x = (( )) n 1 2 k b0 b1 b2 bk = 1 h h h h h 2 2 WLS er et eksempel på Generalzed Least Squares (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 Økonometr 1: F12 13

Weghted Least Squares (WLS) Eksempel: Afhængge varabel er et gennemsnt (hvor de grupper af enheder der tages gennemsnt over, er af forskellg størrelse) m 1 m j = 1 I dsse modeller er heterosk. ofte relateret tl gruppens m størrelse I dette tlfælde skal vægtnngen være y = y, j 1 1 u = u V( u x) = m σ 2, j u m j= 1 h = 1/ m Økonometr 1: F12 14

NB er En effcent estmator tllægger hver observaton/resdual en vægt, der er omvendt proportonal med varansen på fejlleddet. Ved at bruge nformaton om formen for heterosk. kan modellen transformeres tl en ny model, som kke ndeholder heteroskedastctet. Den transformerede lgnng kan estmeres effcent. Parametrene er de samme som den oprndelge model og skal fortolkes ud fra den. Økonometr 1: F12 15

Næste gang: Mandag den 30. oktober WLS når varansfunktonen er ukendt: FGLS Mere om den lneære sandsynlghedsmodel Økonometr 1: F12 16