Documente Academic
Documente Profesional
Documente Cultură
ECONOMETRIE
AVANSATĂ
(note de curs)
BUCUREŞTI
-2010-
1
CUPRINS
INTRODUCERE
SCURTĂ RECAPITULARE A ECONOMETRIEI DE LICENŢĂ
2
CAPITOLUL II: Modele econometrice neliniare
II.1. Introducere
II.2. Liniarizarea. Estimarea parametrilor
II.3. Exemple
CAPITOLUL III: Econometria seriilor de timp
III.1. Modelarea econometrică a seriilor cronologice
(incomplet !!)
CAPITOLUL I
MODELE ECONOMETRICE CU ECUAŢII MULTIPLE
I.1. Introducere
În modelele econometrice elementare se studiază dependenţa unei variabile
endogene de o unică variabilă exogenă. Astfel de modele conţin o singură ecuaţie.
Pentru studierea unor fenomene economice mai complexe este necesară
3
introducerea în model a unor ecuaţii suplimentare. Se obţin astfel modele cu mai
multe ecuţii, numite modele cu ecuaţii multiple sau simultane. Procedurile de
estimare vor fi în acest caz mai complicate, dar se bazează pe aceleaşi principii
generale ca şi modelele cu o singură ecuaţie, studiate în ciclul de licenţă.
Câteva exemple:
a. Estimarea unei legi a cererii de bunuri.
În acest caz, modelul va conţine trei ecuaţii: una pentru cerere, una pentru
oferta de bunuri şi o ecuaţie de echilibru cerere-ofertă:
C t = f ( pt )
Ot = g ( pt )
C = O
t t
A estima o lege a cererii înseamnă ca, pornind de la observaţiile ( Ct , pt ) , t =
1,2,...,T să determinăm parametrii necunoscuţi din prima ecuaţie. În funcţie
de dispunerea norului de puncte observate privind cererea de bunuri şi
preţurile acestora, întâlnim următoarele situaţii:
Stabilitatea curbei cererii şi ofertei când t variază.
4
Ot
Ct Ct
Ot
xxxx
xxxxxx
xxxxxx
xxxx
pt
xxxxxxxxxxxxxx
xxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxx
pt
5
Pentru numeroase produse agricole, de exemplu, cererea scade dacă
preţurile cresc. Această legătură între preţ şi cerere depinde de
comportamentul consumatorilor. Oferta, dimpotrivă, se deplasează în
sus sau în jos după cum a fost recolta. Punctele norului sunt acum
dispuse de o parte sau alta a curbei cererii, care poate fi estimată.
Stabilitatea curbei ofertei.
Ct
Ot
Ct
Ct
Ot Ct
xxxxxxx
xxxxxxx
xxxxxxxx
xxxxxxxx
xxxxxx
pt
6
Ot Ot
Ct
Ct Ct Ct
Ot
Ot
xxxx
xxxxxxxxx
xxxxxxxxxx
xxxxxxxxx
xxxx
pt
7
qt = a1 pt + b1Vt + c1 + ε 1t
qt = a2 pt + b2 xt + c2 + ε 2t
unde Vt este venitul consumatorilor, o variabilă exogenă care influenţează
cererea de bunuri, alături de preţ pt, iar xt este o variabilă exogenă care
influenţează oferta de bunuri. În model, qt şi pt sunt variabile endogene.
Forma redusă se obţine pornind de la forma structurală, exprimând
fiecare variabilă endogenă în funcţie de exogenele modelului. În exemplul
precedent, se obţine:
b1 b2 c1 − c2 ε 1t − ε 2t
t a −a t a −a t a −a + a −a
p = V − x +
2 1 2 1 2 1 2 1
q = a2b1 V − a1b2 x + a2 c1 − a1c2 + a2ε 1t − a1ε 2t
t a2 − a1 t a2 − a1 t a2 − a1 a2 − a1
sau scris sub altă formă:
pt = α 1Vt − β 1 xt + γ 1 + η 1t
(*)
qt = α 2Vt − β 2 xt + γ 2 + η 2t
b1 b2 c1 − c2 ε 1t − ε 2t a 2 b1 a1b2
unde: α1 = , β1 = , γ1 = , η1t = , α2 = , β2 = ,
a 2 − a1 a 2 − a1 a 2 − a1 a 2 − a1 a 2 − a1 a 2 − a1
a 2 c1 − a1c 2 a 2ε 1t − a1ε 2t
γ2 = , η 2t = .
a 2 − a1 a 2 − a1
(*) este forma redusă a modelului. În această formă nu mai este vorba nici
de ecuaţia cererii, nici de ecuaţia ofertei. O regresie a lui pt şi qt asupra Vt şi
xt este posibilă, dar parametrii estimaţi α 1, α 2, β 1, β 2 nu mai au nicio
semnificaţie economică. Problema care se pune este, deci, de a determina
8
parametrii formei structurale pornind de la estimaţiile obţinute pe forma
redusă. Aceasta este problema „identificării” modelului econometric.
c. Funcţia consumului în modelul Keynes
Sub formă structurală, un model keynesian elementar este dat de sistemul
de ecuaţii:
Ct = a tR+ b + ε t
(I)
Rt = Ct + I t
unde Ct este consumul menajului t şi reprezintă o variabilă endogenă, Rt este
venitul disponibil al menajului, considerat o variabilă exogenă. Prima relaţie
exprimă consumul menajului ca o funcţie de venitul disponibil, iar a doua
relaţie arată că menajul partajează venitul disponibil Rt între consum Ct şi
economisire (investiţii) It. Forma redusă asociată acestui model este:
a b εt
t 1 − a t 1 − a + 1 − a
C = I +
(II)
R = 1 I + b + εt
t 1 − a t 1 − a 1 − a
Înainte de a studia modelele cu ecuaţii multiple, vrem să comparăm direct
estimatorii obţinuţi pe cele două forme: structurală şi redusă.
I.2. Estimarea pe forma structurală
O regresie prin metoda celor mai mici pătate (MCMMP) pe ecuaţia
Ct = aR t + b + ε t , conduce la estimatorul â :
aˆ =
∑ (C t )(
− C Rt − R )
.
∑( R ) 2
t −R
9
Utilizând forma redusă pentru a calcula (C t −C ) şi ( R
t −R ) , putem exprima â
Ct − C =
a
1− a
( ε −ε
It − I + t
1− a
)
Rt − R =
1
1− a
( ε −ε
It − I + t
1− a
)
Înlocuim în expresia lui â :
aˆ =
(
a∑ I t − I ) 2
( )(
+ ( a + 1) ∑ I t − I ε t − ε + ∑ ε t − ε ) ( ) 2
∑(I ) ( )(
+ 2∑ I t − I ε t − ε + ∑ ε t − ε ) ( )
2 2
t −I
∑( I ) , ( )
1 1
µ2 ( I ) = µ2 ( ε ) = ∑ εt − ε
2 2
t −I
T T
însemnând că â supraestimează pe a.
Concluzie
10
O regresie directă pe forma structurală introduce o deplasare
sistematică a estimatorului parametrului a.
La fel se poate arăta că b̂ obţinut pe forma structurală subestimează
pe b.
Ct = ( α − 1) I t + β + η t
.
Rt = α I t + β + η t
Aplicând MCMMP celor două ecuaţii, se determină estimatorii α̂ şi β̂. Se
ştie (vezi cursul de econometrie din ciclul de licenţă) că aceşti estimatori
sunt nedeplasaţi şi convergenţi şi se cunoaşte distribuţia lor pentru T
suficient de mare (chiar şi atunci când η nu urmează o lege normală). t
1 βˆ
Rezultă: aˆ = 1 −
α̂
, bˆ =
αˆ
cu â şi b̂ convergenţi în probabilitate către a şi b
11
Putem scrie că:
αˆ −1 α −1 αˆ − α
T ( aˆ − a ) = T − = T
αˆ α ααˆ
αˆ − α P αˆ − α
Pentru T suficient de mare αˆ → α şi P
T → T 2 .
αˆα α
( )
T bˆ − b →
P
βˆ − β β
T
− 2 ( αˆ − α ) .
α α
12
b1 1y1t + b1 2 y2t + ...+ b1n yn t + c1 1x1t + ...+ c1m xm t = ε 1t
b y + b y + ...+ b y + c x + ...+ c x = ε
2 1 1t 2 2 2t 2n n t 2 1 1t 2m m t 2t
(1)
..........
....
bn1 y1t + bn 2 y2t + ...+ bn n yn t + cn1 x1t + ...+ cn mxm t = ε n t
Unde:
y1t x1t ε 1t
b11 ... b1n c11 ... c1m
y2t x2t ε 2t
B( nxm ) = ... ... ... , C ( nxm ) = ... ... ... , Yt ( nx1) = , X = , ε = ... .
... ( ) ... ( )
t mx 1 t nx1
b ... bnn c ... cnm
n1 n1 y x ε
nt mt nt
(2) este forma redusă a modelului general cu ecuaţii multiple. Sub această formă
redusă vom putea estima matricea A, bineînţeles cu unele ipoteze ce vor fi
precizate. Dar, pentru a avea estimatori cu o semnificaţie economică, trebuie să
revenim la matricile B şi C.
I.4.2. Estimarea matricii A
Presupunem că dorim să aplicăm MCMMP fiecărei ecuaţii din modelul (2).
Ipotezele modelului liniar general de regresie vor trebui să fie îndeplinite pentru
fiecare ecuaţie.
13
Prezentăm ipotezele referitoare la erorile ηt (ele vor fi valabile şi pentru
erorile εt pentru că ηt = B −1ε t . Aceste ipoteze sunt:
- erorile în ecuaţia i (i=1,...,n) sunt independente:
E (η it ⋅η it ' ) = 0 , t ≠ t '
Dacă aceste condiţii sunt îndeplinite, se poate estima fiecare ecuaţie din
modelul sub formă redusă. Estimatorii obţinuţi sunt nedeplasaţi şi au varianţa
minimală. Obţinem astfel matricea  care are ca elemente estimatori nedeplasaţi
ai parametrilor formei reduse şi care converg în probabilitate către valorile
adevărate ale acestor parametri.
I.4.4. Identificarea
Precizăm câteva definiţii relative la model în general şi la fiecare
ecuaţie în particular.
a. un model se spune că este identificat dacă se pot estima toţi
coeficienţii din matricile B şi C cu ajutorul coeficienţilor matricii A.
b. Un model este supra-identificat atunci când există restricţii asupra
matricii A.
c. O ecuaţie a modelului este identificată atunci când se pot estima toţi
coeficienţii din acea ecuaţie.
d. O ecuaţie a modelului este supra-identificată când singurele restricţii
care o afectează sunt suficiente pentru ca modelul să fie supra-
identificat.
e. O ecuaţie supra-identificată este şi identificabilă în „aproape toate”
structurile modelului.
f. Un model supra-identificat poate conţine una sau mai multe ecuaţii
neidentificabile.
15
I.4.5. Criterii de identificare
Reluăm modelul sub forma structurală, cu ipotezele anterioare (vom
presupune, între altele, absenţa coliniarităţii variabilelor exogene în fiecare
ecuaţie). Precizăm noţiunea de restricţie relativă la o ecuaţie din forma
structurală.
a. Fiecare restricţie pe forma structurală se traduce printr-o relaţie
liniară omogenă între coeficienţii unei ecuaţii.
b. Definim o matrice a restricţiilor Ri relativă la ecuaţia a i-a şi o
matrice de structură S obţinută prin juxtapunerea matricilor B şi C:
S=(BC)
Matricea Ri va fi construită astfel:
- dacă Si este a i-a linie a matricii S şi Rih este a h-a coloană a matricii Ri
(corespunzătoare la a h-a restricţie din ecuaţia i), atunci:
SiRih=0.
De exemplu, dacă restricţia constă în excluderea celei de a k-a variabile din
ecuaţia i (adică egalitatea cu zero a coeficientului sik), atunci: Rih = ( rihl ) , cu rihl =0
dacă l ≠ k , rihk = 1 ceea ce înseamnă relaţia: Si Rih = sik ⋅1 + 0 = 0 .
16
1. Fie un model cu ecuaţii multiple care satisface ipotezele precedente.
A i-a ecuaţie este identificată dacă şi numai dacă rangul matricii
R = S ⋅ Ri este egal cu n1+n2-1. Aceasta este o condiţie necesară şi
suficientă pentru identificare şi se numeşte „condiţia de rang”.
2. Pentru ca o ecuaţie a modelului în forma structurală să fie
identificată trebuie ca numărul restricţiilor apriori la care sunt
supuşi coeficienţii ecuaţiei să fie cel puţin n1+n2-1. Această condiţie
este necesară, dar nu şi suficientă, şi se numeşte „condiţia de
ordin”.
3. Fie γi numărul de restricţii apriori care afectează ecuaţia i.
a. Dacă γ i < n1 + n2 −1 , atunci ecuaţia a i-a nu este
identificată (se spune şi că este sub-identificată);
b. Dacă γ i > n1 + n2 −1 atunci ecuaţia i este supra-
identificată. Ea este, totodată identificabilă în „aproape toate”
structurile modelului.
c. Dacă γ i = n1 + n2 −1 , atunci a i-a ecuaţie nu este
supra-identificată. Ea poate fi identificabilă în „aproape toate”
structurile.
Observaţie:
Rezultă din definiţiile date că un model este supraidentificat dacă există mai
mult de n1+n2-1 restricţii asupra oricărei ecuaţii din forma structurală.
Exemple
17
I. Fie un model cu 3 variabile endogene Y1, Y2, Y3 şi două exogene X1, şi X2.
La momentul t, avem forma structurală:
y1t + c1 2x2t = ε 1t
b2 1y1t + y2t + c2 1x1t = ε 2t
b y + y + c x = ε
3 1 1t 3t 3 2 2t 3t
Pentru a identifica uşor matricile B şi C scriem modelul înlocuind
variabilele absente cu zero şi respectând forma structurală generală (ordinea
variabilelor este Y1, Y2, Y3, X1, şi X2):
y1t + 0 + 0 + 0 + c1 2x2t = ε 1t
b2 1y1t + y2t + 0 + c2 1x1t + 0 = ε 2t ,
b y + 0 + y + 0 + c x = ε
3 1 1t 3t 3 2 2t 3t
Scriem acum matricile R1, R2, R3 ale restricţiilor asociate celor trei ecuaţii
din model.
Matricea R1 este:
0 0 0
1 0 0
R1 = 0 1 0 .
0 0 1
0 0 0
18
Matricile Ri, i=1,2,3 au atâtea coloane câte restricţii asupra coeficienţilor
sunt în ecuaţia respectivă ( γ ) şi atâtea linii câte variabile endogene şi exogene
i
sunt în model (în ordinea Y1, Y2, Y3, X1, şi X2), adică (n+m). Prima coloană din
matricea R1 are elementele egale cu 0, în afară de al doilea element, egal cu 1,
care corespunde excluderii variabilei Y2 din ecuaţia (1) (prima restricţie). A doua
coloană are toate elementele 0, în afară de al treilea, egal cu 1, corespunzând
excluderii variabilei Y3 din ecuaţia (1) (a doua restricţie). La fel, coloana a treia
este 0, în afara elementului al patrulea, egal cu 1, corespunzând excluderii
variabilei X1 din ecuaţie (a treia restricţie).
În mod similar se obţin matricile R2 şi R3 corespunzatoare restricţiilor asupra
coeficienţilor din ecuaţiile a 2-a şi a 3-a.
0 0 0 0
0 0 1 0
R2 = 1 0 , R3 = 0
0.
0 0 0 1
0
1 0 0
19
0 0
R = SR 3 = 1 c 21
0 0
Concluzii:
Prima ecuaţie: γ1 = 3 , n1+n2-1=2 (n2=0, nu avem identităţi în model).
Deoarece γ 1 > n1 + n2 −1 , ecuaţia este supra-identificată (şi modelul, de
asemenea). Matricea R are rangul egal cu 2, deci rangR=n1+n2-1. Ecuaţia
este identificabilă în toate structurile, adică oricare ar fi valorile atribuite
coeficienţilor care figurează în matricea de structură S;
A doua ecuaţie γ2 = 2, deci γ 2 = n1 + n2 −1 . Ecuaţia a doua poate fi identificată,
rangul matricii R este 2, în afara cazului când c12=0. Ea este identificabilă în
„aproape toate” structurile (cu excepţia structurii pentru care c12=0).
A treia ecuaţie: γ3 = 2 , deci γ 3 = n1 + n2 −1 . Dar cum rangul matricii R este egal
cu 1, această ecuaţie nu este niciodată identificabilă. Tot modelul, în
ansamblu, este neidentificabil, deci, unele elemente ale matricilor B şi C nu
vor putea fi niciodată estimate.
20
adică un model cu trei ecuaţii, dintre care două veritabile şi ultima, o identitate.
Rescriem modelul pentru a pune în evidenţă matricile B şi C, introducând o
variabilă auxiliară u t =1, ∀t ca factor pentru fiecare constantă.
y1t + 0 − a y2 t − b x1 t + 0 - c ut = ε 1t
0 + y2t − d y3t + 0 + d x2 t - e ut = ε 2t .
y + y - y + 0 + 0+ 0 = 0
1t 2t 3t
Matricea de structură este:
1 0 −a −b 0 −c
S = 0 1 −d 0 d −e
1 1 −1 0 0 0
Pentru a studia piaţa legumelor, vom face ipoteza că cererea de legume este
formată din două componente: consumul de legume în stare proaspătă al
menajelor şi cererea de legume pentru industrializare (conservare). Consumatorii
de legume, indiferent de destinaţie, se întîlnesc pe aceeaşi piaţă.
Consumul de legume în stare proaspătă al menajelor în perioada t, notat cu
Cmt, depinde de preţul legumelor (pt) şi de venitul disponibil (Vt). Cererea de
legume pentru conservare în perioada t, notată cu Cct este funcţie de preţul
legumelor (pt) şi de cererea de conserve din perioada precedentă (Ct-1). Oferta de
legume în perioada t, notată cu Ot, este funcţie de preţul legumelor din perioada
anterioară (pt-1). Rezultă următorul model econometric în formă structurală al
pieţei legumelor:
1. Ecuaţia ofertei de legume:
22
Ot = a1 pt −1 + a 2 +εt
2. Ecuaţia cererii de legume în stare proaspătă:
Cm t = a3 pt + a 4Vt + a5 + ξt
3. Ecuaţia cererii de legume pentru conservare:
Cc t = a6 pt + a7 Ct −1 + a8 + µt
4. Ecuaţia de echilibru a pieţei legumelor:
Ot = Cm t + Cc t
unde ai, i=1,2,...,8 sunt parametri reali necunoscuţi, ce urmează a fi estimaţi, iar ε,
ξ, μ sunt variabilele reziduale corespunzătoare. Este convenabil să reducem
numărul ecuaţiilor din model prin înlocuirea variabilei „oferta de legume” cu
suma cererilor, conform ecuaţiei de echilibru. Obţinem astfel modelul:
Cmt + Cct = a1 pt −1 + a2 + ε t
Cmt = a3 pt + a4Vt + a5 + ξ t
Cc = a p + a C + a + µ
t 6 t 7 t −1 8 t
modelului:
p
1 1 0 Cmt − a1 0 0 − a2 t −1 ε t
V
1 0 − a3 Cct + 0 − a4 0 − a5 t = ξ t
0 1 − a p 0 C
6 t 0 − a7 − a8 t −1 µ t
Xt
Utilizînd notaţiile:
1 1 0 − a1 0 0 − a2 Cmt
A = 1 0 − a3 , B = 0 − a4 0 − a5 , Y = Cct
0 1 − a 0 0 − a7 − a8 p
6 t
pt −1
εt
Vt
X = , Ψ = ξt
Ct −1 µ
t
X
t
modelul devine: AY + BX = Ψ , a cărui formă redusă este:
pt −1
Cmt a1 a3 a 4 a6 − a3 a7 a2 a3 + a5 a6 − a3 a8 ε
1 Vt t
Cct = a1a6 − a 4 a6 a3 a7 a 2 a6 − a5 a6 + a3 a8 + ξt
p a3 + a 6 a Ct −1
t 1 − a4 − a7 a 2 − a 5 − a8 X µ t
t
Forma redusă a modelului se poate scrie şi astfel:
23
Cm t = γ 11 pt −1 + γ 12Vt + γ 13 Ct −1 + γ 14 + ε t
Cc t = γ 21 pt −1 + γ 22Vt + γ 23 Ct −1 + γ 24 + ξt
p = γ p +γ V +γ C +γ + µ
t 31 t −1 32 t 33 t −1 34 t
unde:
a1a3 a 4 a6 − a3 a7 a a + a 5 a 6 − a 3 a8
γ 11 = , γ 12 = , γ 13 = , γ 14 = 2 3
a3 + a 6 a3 + a 6 a3 + a 6 a3 + a 6
aa − a 4 a6 aa a a − a5 a6 + a3 a8
γ 21 = 1 6 , γ 22 = , γ 23 = 3 7 , γ 24 = 2 6
a3 + a 6 a3 + a 6 a3 + a6 a3 + a 6
a1 − a4 − a7 a −a −a
γ 31 = , γ 32 = , γ 33 = , γ 34 = 2 5 8
a3 + a 6 a3 + a6 a3 + a 6 a3 + a 6
Condiţiile de identificare a ecuaţiilor formei structurale sunt:
a) condiţia de ordin: în acest model avem n=3. Fie ni şi mi numărul de
variabile endogene, respectiv exogene, absente în ecuaţia i. Atunci:
1. Prima ecuaţie: n1=1, m1=2 şi n1 + m1 n − 1
2. A doua ecuaţie: n2=1, m2=2 şi n2 + m2 n −1
3. A treia ecuaţie: n3=1, m3=2 şi n + m n −1 3 3
Cei 12 parametri nu pot fi estimaţi, cu ajutorul metodei celor mai mici pătrate,
ecuaţie cu ecuaţie. Este nevoie să se aplice metoda celor mai mici pătrate în două
stadii pentru a estima coeficienţii ecuaţiilor supraidentificate, lucrînd direct pe
forma structurală a modelului. Informaţiile asupra „sistemului” şi a mediului său
sunt supra-abundente. Forma redusă obţinută corespunde la mai multe forme
structurale. Cea reţinută aici nu este decît o formulare particulară a funcţionării
„sistemului”. Alte formulări ar putea conduce la aceeaşi formă redusă.
24
Metodele de estimare utilizate în mod uzual nu se mai aplică la fel pe
ecuaţiile supraidentificate ale unui model cu ecuaţii multiple. Existenţa
restricţiilor asupra matricii A a formei reduse nu permite determinarea prin
MCMMP a unei soluţii unice pentru estimatorii coeficienţilor. Prin urmare, dacă
ecuaţiile sunt simplu identificabile întoarcerea la coeficienţii formei structurale
pornind de la estimaţiile obţinute pe forma redusă necesită adesea calcule
laborioase. Vom vedea în continuare cum estimăm astfel de modele.
25
4. Pentru unele modele particulare, numite modele recursive, regresia
directă pe o ecuaţie a formei structurale este o metodă satisfăcătoare.
În cazul în care fiecare ecuaţie din model este identificabilă, se pot estima
coeficienţii matricei A din forma redusă (prin MCMMP) şi în baza relaţiilor de
legătură între coeficienţi se determină estimatorii parametrilor formei structurale.
Sub ipotezele precizate anterior estimatorii obţinuţi sunt convergenţi.
Singurul incovenient este că determinarea coeficienţilor matricilor B şi C
pornind de la coeficienţii estimaţi în matricea A poate presupune uneori calcule
laborioase chiar şi pentru modele foarte simple.
Exemplu: Fie modelul cu ecuaţii multiple (o variantă a modelului Keynes):
Ct = α + β Yt + ε t
Yt = Ct + Z t
în care Ct şi Yt sunt variabile exogene, iar Zt este o exogenă. Modelul conţine,
deci, o singură ecuaţie veritabilă (n1=1) şi o identitate (n2=1). Analizăm dacă
26
modelul este identificabil aplicând criteriile de identificare din paragraful I.4.5.
Matricile B şi C din forma structurală generală conduc la matricea de structură:
1 − β 0 −α
S = ( BC ) =
1 −1 .
1 0
Ct = ( a − 1) Zt + b + η t
,
Yt = a Zt + b + η t
1 α ε
unde: a= , b= , ηt = t .
1 −β 1 −β 1− β
aˆ =
∑Yt Z t −T Y Z
, bˆ =Y −aˆ Z .
∑Z t2 −T Z
2
y 2t = λ 2 1x1t + ...+ λ 2m xm t + η 2t
y3t = λ 3 1x1t + ...+ λ 3m xm t + η 3t .
..........
..........
După efectuarea acestor regresii, obţinem:
y 2t = yˆ 2t + ηˆ2t
(2) y3t = yˆ 3t + ηˆ3t
..........
..........
Faza a doua: Înlocuim variabilele endogene din ecuaţia (1) cu expresiile lor
date de (2). Obţinem:
(3) y1t = −b12 yˆ 2 t −b13 yˆ 3t ... −c11 x1t −... −c1m x mt + µ1t ,
Aplicăm din nou MCMMP ecuaţiei (3) şi obţinem estimatorii b̂12 , b̂13
aˆ =
∑ (Y − Y ) − ( Z − Z ) ˆ
t t
, b =Y −aˆ Z , ηˆ =Y −Yˆt , sau Yt =Yˆt +η̂t .
∑( Z − Z )
2 t t
t
29
Cu datele din tabel, rezultă aˆ =3,221 şi bˆ =46 ,033 şi se pot calcula valorile
ajustate Yˆt şi erorile η̂ . t
βˆ = ∑
(C t )(
− C Yˆt − Yˆ )
∑(Yˆ −Yˆ )
(4) 2 , α ˆ Yˆ .
ˆ = C −β Dar, ţinând cont că Yˆt = aˆZ t +bˆ şi Yˆ = aˆ Z + bˆ
t
∑( Z − Z ) ∑(C − C )( Z − Z ) =
2
t t t
=
∑(Y − Y )( Z − Z ) ∑( Z − Z )
t t t
2
=
∑(C − C )( Z − Z ) = ∑C Z − T C Z
t t t t
∑(Y − Y )( Z − Z ) ∑Y Z − T Y Z
t t t t
31
∑ µˆ12t ∑ µˆ µˆ ... ∑ µˆ µˆ nt
1t 2t 1t
ˆ =
Ω
1 ∑ µˆ 2
2t ... ∑ µˆ µ
2 t nt
ˆ
µt ... ...
T
∑ µˆ nt2
Se aplică acum MCMMP generalizată pe ecuaţiile (1). Prima ecuaţie din (1)
se scrie sub formă matricială (făcând să varieze t de la 1 la T) astfel: Y1 = Z1 D1 + µ1 ,
unde:
b12
y11 b13 µ11
yˆ 21 yˆ 31 ... x11 ... x m1
y12 ... µ12
Y1 = , Z = − ... ... , D1 = , µ1 =
... .
...
1
yˆ c11
2T yˆ 3T ... x1T ... xmT ...
y µ
1T 1T
c
1m
Y1 = Z1 D1 + µ 1
Y2 = Z 2 D2 + µ 2
....
care conduce la modelul general:
(2) Y = ZD + µ
Y1 z1 0 ... 0 D1 µ1 Ω ˆ
... 0
Y2 0 z2 ... 0 D2 µ2 µ1
Unde: Y = , Z = , D = , µ = şi ˆ = ...
Ω ... ... .
... ... ... ... ... ... ... µ
ˆ
... Ω
Y
n
0
... ... z n D
n
µ
n 0 µT
32
εit şi ε jt nu sunt corelate, acest lucru antrenează independenţa erorilor µit şi µjt .
Matricea de varianţă şi covarianţă a erorilor Ω̂µ se reduce la o matrice diagonală
şi estimatorii parametrilor obţinuţi prin MCMMP în trei faze coincid cu cei
obţinuţi prin MCMMP în două faze.
Proprietăţile estimatorilor D̂ obţinuţi prin MCMMP în trei faze depind de
calitatea estimării matricei de varianţă şi covarinaţă a erorilor Ω̂µ . În general ei
posedă bune proprietăţi asimptotice (nedeplasare şi convergenţă).
CAPITOLUL II
2.1. Introducere
Liniaritatea în modelele studiate consta în faptul că variabila endogenă Y
se exprima în funcţie de parametrii de estimat printr-o relaţie de gradul I.
De exemplu, modelele:
(1) y = a x + a x +... + a x + ε
t 1 1t 2 2t p pt t
în care parametrii de estimat sunt a, a1, b1, a2, b2 nu mai sunt modele liniare.
În aceste cazuri MCMMP conduce la calcule laborioase. De exemplu, pe
modelul (3), suma pătratelor erorilor este expresia:
S (a ) = ∑( yt − e −at ) 2
t
33
∂S
(5) = 2∑( yt − e −at )te −at = 0
∂a t
34
Reţinând doar primii doi termeni ai dezvoltării şi înlocuind expresia lui f în
ecuaţia (1) se obţine o aproximare liniară a modelului:
∂f
( )
p
yt = f t 0 + ∑ 0 ai − ai + εt
0
i =1 ∂ai
a =a
unde f t 0 = f ( a10 , a 20 ,..., a 0p , x1t , x 2t ,..., x pt )
∂f
( )
p
yt − f t 0 = ∑ a =a 0 ai − ai + ε t
0
i =1 ∂ai
iar pentru a da o scriere matricială, introducem notaţiile:
y1 f10 a1 − a10 ε1
y2 f 20 a 2 − a 20 ε2
. . . .
Y = , f =
0
, (a − a ) = .
0
, ε =
. . .
.
. . .
y ε
T f T0 a − a0
p p T
∂f 10 ∂f 10 ∂f 10
. . .
∂a1 ∂a 2 ∂a p
∂f 0 ∂f 20 ∂f 20
2 . . .
∂a1 ∂a 2 ∂a p
F0 = . . . . . .
. . . . . .
. . . . . .
∂f 0 ∂f T0 ∂f T0
T . . .
∂a ∂a 2 ∂a p
1
Rezultă modelul scris matricial:
(2) Y − f 0 = F0 ( a − a 0 ) + ε , unde Y , f , ε sunt vectori T-dimensionali, ( a − a 0 ) este
0
( aˆ − a 0 ) = ( F0′F0 ) −1 F0′(Y − f 0 ) ,
rezultând aˆ = a 0 + ( F0′F0 ) F0′(Y − f 0 ) .
−1
35
Notăm acest estimator cu aˆ = aˆ1 şi se repetă procedura luând în (2) în loc de
a 0 pe a 1 = â 1 . Se va obţine estimatorul:
( )
aˆ 2 = a1 + ( F1′F1 ) F1′ Y − f 1 , ş.a.m.d.
−1
2.3. Exemple
I. Vânzările lunare dintr-un produs alimentar înregistrate de o societate
comercială în perioada ianuarie 2004 – iulie 2005 sunt date în tabelul următor:
36
Studiem această serie cronologică a vânzărilor cu ajutorul modelului
A
yt =
1 + a.e bt
(curba logistică), în care A este o constantă (vânzările potenţiale
maxime), iar a şi b sunt parametri de estimat.
A A
se scrie sub forma 1 + a.e =
bt
Liniarizarea modelului. Modelul yt =
1 + a.e bt yt ,
A
sau a.e bt = −1 . Prin logaritmare rezultă modelul liniar z t = α + β.t , unde:
yt
A
z t = log − 1 , α = log a , β = b log e . Dacă presupunem că vânzările maxim posibile
yt
22000
sunt A=22000, atunci putem calcula z t = log
y −1
, rezultând:
t
t yt 22000
z t = log
−1
y
t
1 1500 1,13663 Se aplică MCMMP obţinîndu-se
2 1700 1,077047
3 1850 1,037103 estimatorii:
4 2050 0,988189 αˆ =1,23769 şi β ˆ = −0,0604
7 2700 0,854194
β = b log e , rezultă
8 3110 0,783472
9 3500 0,723104 βˆ −0,0604 −0,0604
bˆ = = = = −0,139 .
10 4000 0,653213 log e log( 2,71 ) 0,4329
11 4500 0,589826 Aşadar modelul iniţial estimat
12 5000 0,531479
13 5550 0,471873
este:
14 6150 0,411154
15 7000 0,330993 22000 .
yˆ t =
16 8000 0,243038 1 +17 ,39 e −0,139 t
17 8800 0,176091
18 9500 0,119186
19 10000 0,079181
II. Exemplu cu metoda iterativa
(DE INTRODUS !!!)
CAPITOLUL III
ECONOMETRIA SERIILOR DE TIMP
39
[ ]
Γ ( t , h ) = E ( Yt − E ( Yt ) ) ( Yt + h − E ( Yt + h ) ) ; t , h ∈ T
,
.......DE CONTINUAT......!!
CAPITOLUL IV
MODELE AUTOREGRESIVE
IV.1. Introducere
Uneori în studiul unui fenomen economic, alături de valorile luate de o
variabilă endogenă la momentul t intervin şi valorile luate de această variabilă
la momente anterioare t-1, t-2, ..., t-h. În acest caz este vorba despre un proces
autoregresiv.
Modelul de scrie:
yt = a1 y t −1 + a 2 y t − 2 + ... + a h y t − h + ε t
sau, dacă în model există şi variabile exogene:
40
y t = a1 y t −1 + ... + a h y t −h + b1 x1t + ... + br x rt + ε t
Aplicarea metodelor de estimare obişnuite (MCMMP) acestor modele
conduce la estimatori care nu mai au aceleaşi proprietăţi ca în cazul
modelului liniar general.
∑y t
2
t −1
∑x t
2
t
Chiar dacă cele două expresii par similare, estimatorii nu posedă aceleaşi
proprietăţi (mai ales pe eşantioane mici). În timp ce b̂ este o expresie liniară în
yt, deci şi în ε t, â se exprimă ca un raport de forme pătratice în yt. Folosind
modelul (1) şi exprimând yt în funcţie de ε t, se ajunge la relaţia:
(3) yt = ε t + aε t −1 + a 2ε t −2 + ... + a t −1ε1 + a t y 0
Expresia ne arată că distribuţia variabilei endogene yt depinde de distribuţia
erorilor ε t, dar şi de distribuţia lui y0. Printre cazurile frecvent studiate sunt
cele pentru care y0=constant, coeficientul a putând lua astfel orice valoare reală
pozitivă sau negativă.
- dacă |a|<1 se spune că procesul autoregresiv este stabil;
- dacă |a|=1 (caz puţin utilizat) procesul nu a primit un nume;
- dacă |a|>1, procesul se numeşte exploziv.
Cel mai adesea se studiază cazul stabil, dar nici cazul exploziv nu trebuie
neglijat, atunci când se studiază în economie fenomene în expansiune.
41
Se spune că un proces este staţionar atunci când momentele sale sunt
independente de timp. Dacă sunt independente de timp doar momentele de
ordinul doi, se spune că procesul este staţionar de ordinul doi. Staţionaritatea
de ordinul doi este suficientă pentru a demonstra proprietăţile importante ale
estimatorilor.
Propoziţia 1: orice proces autoregresiv de ordinul întâi, staţionar este un proces
stabil (adică |a|<1).
Demonstraţie:
Fie modelul y = ay + ε , a ≠ 1.t t −1 t
Calculăm acum E ( y t2 ) :
[ ]
E ( yt2 ) = E (ayt −1 + ε t ) 2 = a 2 E ( y t2−1 + 2a E( yt −1 .ε t ) + E (ε t2 )
Deorece ε t nu este corelat cu yt-1(vezi ipotezele fundamentale) înseamnă că
E ( y .ε ) = 0 şi ţinând cont şi de faptul că E (ε t2 ) = σ ε2 , rezultă:
t −1 t
σ ε2
E ( y t2 ) = a 2 E ( y t2−1 ) + σ ε2 adică E ( y t2 )(1 − a 2 ) = σ ε2 sau E( y ) =
t
2
1− a2
Din condiţia evidentă E ( y t ) >0, rezultă 1-a2>0, adică |a|<1. Am demonstrat
2
42
Cum |a|<1, rezultă că a t . y 0 → 0 când T →∞ , adică E ( y t ) → 0.
σ ε2
Dar y0 = constant, |a|<1 şi atunci lim E( y ) = , adică exact varianţa
2
t
t →∞ 1− a2
procesului staţionar. În mod asemănător se arată că:
E ( y . y θ ) →γ θ când T → ∞ .
t t+
Prin urmare, dacă studiem un proces stabil, momentele procesului tind către
momentele procesului staţionar, dacă T → ∞ .
procese).
Aceste proprietăţi sunt demonstrabile în cazul y0= constant.
Interesul pentru procesele autoregresive de ordinal întâi este generat de
faptul că atunci când se studiază modele econometrice cu erori corelate, de
regulă, erorile urmează un process autoregresiv.
IV.5. Previziunea cu modele autoregresive
......DE INTRODUS....
IV.6. Modele autoregresive cu erori corelate
......DE INTRODUS....
IV.7. Exemple
......DE INTRODUS....
43