Ekonometria, lista zadań nr 8
1. Dla danych empirycznych
Lp. Powierzchnia Przychody pieniężne Lp. Powierzchnia Przychody pieniężne UR [ha] na 1 ha UR [zł] UR [ha] na 1 ha UR [zł]
i xi Yi i xi Yi
1 5.00 5905.2 19 14.15 2465.7
2 3.99 8794.2 20 5.80 7250.0
3 5.50 4349.6 21 15.07 3271.8
4 12.30 4030.2 22 27.70 1969.0
5 7.01 3536.7 23 37.80 1527.6
6 7.52 5650.0 24 18.76 999.7
7 8.30 4900.2 25 42.20 3350.0
8 18.00 1735.0 26 19.52 2800.0
9 5.80 7700.0 27 57.70 3050.0
10 48.30 2100.0 28 20.14 949.2
11 56.90 1600.0 29 46.10 450.0
12 5.40 6450.0 30 42.20 2002.5
13 9.82 3039.7 31 26.35 811.5
14 22.30 2200.0 32 28.01 1394.5
15 11.00 3571.8 33 33.90 839.0
16 11.37 2463.9 34 29.68 3054.4
17 13.07 2900.0 35 59.40 370.4
18 39.60 897.1 36 71.00 926.5
oszacuj metodą najmniejszych kwadratów parametry modelu Yi = β0+ β1log xi+ εi.
Przetestuj, czy wariancja składnika losowego jest stała niezależnie od powierzchni użytków rolnych. W przypadku odrzucenia hipotezy o homoskedastyczności składnika losowego wyestymuj parametry modelu za pomocą ważonej metody najmniejszych kwadratów, do- bierając wagi tak, aby brak było podstaw do odrzucenia hipotezy o homoskedastyczności składnika losowego w zbudowanym modelu.
2. Dla danych z 12 miesięcy 2000 roku
Lp. Cena mięsa Cena żywca Lp. Cena mięsa Cena żywca wołowego [zł] rzeźnego [zł] wołowego [zł] rzeźnego [zł]
i Yi xi i Yi xi
1 13.80 2.87 7 13.32 2.75
2 13.20 2.67 8 15.10 2.80
3 12.86 2.67 9 14.15 2.92
4 14.34 2.76 10 14.90 2.92
5 13.70 2.81 11 15.21 3.00
6 14.15 2.69 12 14.44 3.01
za pomocą metody najmniejszych kwadratów oszacuj model liniowy Yi = β0+ β1xi+ εi.
Zweryfikuj hipotezę o występowaniu autokorelacji składnika losowego. Jeśli hipoteza się potwierdzi, dokonaj estymacji parametrów modelu za pomocą metody Cochrane’a-Orcutta.
Sprawdź, czy po dokonaniu takiej estymacji reszty przekształcone zgodnie z metodą Cochrane’a-Orcutta nie są już skorelowane.
3. Dla danych empirycznych
Lp. Plony żyta Nawożenie Lp. Plony żyta Nawożenie
[dt/ha] [kg/ha] [dt/ha] [kg/ha]
i yi xi i yi xi
1 11.95 42 10 25.50 137
2 15.85 63 11 26.90 131
3 13.20 37 12 24.70 175
4 13.80 75 13 25.60 183
5 15.90 124 14 25.50 214
6 22.50 182 15 22.60 133
7 19.60 157 16 27.30 171
8 22.40 200 17 18.54 97
9 16.50 151
dokonaj estymacji metodą najmniejszych kwadratów modelu liniowego Yi = β0+ β1xi+ εi,
a następnie zweryfikuj hipotezę o homoskedastyczności ε1, ε2, . . . , εn. Jeśli zostanie wy- kazana heteroskedastyczność, dokonaj estymacji paramertów modelu za pomocą ważonej metody najmniejszych kwadratów, tak by nie było podstaw do odrzucenia hipotezy o ho- moskedastyczności ε1, ε2, . . . , εn. Przy ważeniu wypróbuj ˆωii = e2i oraz jakąś inną postać estymatora wyrazów na przekątnej macierzy kowariancji wektora (ε1, ε2, . . . , εn)0.
4. Dla danych
Lata PKB [mln zł] Inwestycje [mln zł] Lata PKB [mln zł] Inwestycje [mln zł]
1989 11831.8 1886.9 1994 210407.3 33865.1
1990 56027.1 11581.1 1995 306318.3 47144.7
1991 80882.9 16883.7 1996 385448.1 65622.0
1992 114944.2 20159.7 1997 469372.1 90437.7
1993 155780.0 24717.9 1998 549466.7 112813.5
dokonaj oszacowania metodą najmniejszych kwadratów modelu Yi = β0+ β1xi+ εi.
Zbadaj występowanie autokorelacji składnika losowego, a w wypadku pozytywnej od- powiedzi za pomocą metody Cochrane’-Orcutta dokonaj estymacji parametrów modelu.
Sprawdź, czy po takiej estymacji reszty przekształcone zgodnie z metodą Cochrane’a- Orcutta nie są już skorelowane.
5. Zbadaj zależność między średnią ceną detaliczną wędlin w zł/kg (Yi) a średnią ceną mięsa wieprzowego w zł/kg (xi) na podstawie danych z 10 kolejnych lat:
i 1 2 3 4 5 6 7 8 9 10
xi 0,13 0,79 0,97 1,29 1,64 2,56 2,58 3,01 3,79 3,45 Yi 1,25 5,49 7,16 8,85 12,34 13,83 14,32 16,62 17,79 17,20
W tym celu dokonaj estymacji parametrów modelu Yi = β0+ β1xi+ εi metodą najmniej- szych kwadratów a następnie sprawdź, czy błędy nie wykazują korelacji. Jeśli tak, dokonaj estymacji parametrów metodą Cochrane’a-Orcutta i sprawdź, czy błędy po przekształce- niu zgodnie z metodą Cochrane’a-Orcutta są zależne.
6. Dla danych
xi 66 64 20 112 24 128 64 186 140 177 290 223 306 143 207
Yi 10 10 3 14 4 11 9 16 12 15 21 20 23 18 24
zweryfikuj hipotezę o stałości wariancji w modelu Gaussa-Markowa Yi = β0 + β1xi + εi, a jeśli zostanie odrzucona, oszacuj parametry modelu za pomocą ważonej metody najmniejszych kwadratów, wybierając wagi według własnego uznania, jednak tak, aby składniki losowe w ważonym modelu okazał się homoskedastyczne.
7. Rozważamy model postaci Yt = β0 + β1xt + εt; gdzie Yt - zapasy w przemyżle prze- twórczym pewnego kraju w cenach bieżących w mld USD w roku t, xt - sprzedaż wy- robów przemysłu przetwórczego tego kraju w cenach bieżących w mld USD w roku t, t = 1950, 1951, . . . , 1981. Mamy następujące dane:
t Yt xt t Yt xt t Yt xt t Yt xt
1950 31,1 18,6 1958 50,2 27,2 1966 78,0 44,9 1974 157,8 84,8 1951 39,3 21,7 1959 52,9 30,3 1967 84,7 46,5 1975 159,9 86,4 1952 41,1 22,5 1960 53,8 30,9 1968 90,6 50,2 1976 175,2 98,8 1953 43,9 24,8 1961 54,9 30,9 1969 98,2 53,5 1977 189,2 113,2 1954 41,6 23,3 1962 58,2 33,4 1970 101,6 52,8 1978 210,4 126,9 1955 45,1 26,5 1963 60,0 35,0 1971 102,6 55,9 1979 240,9 143,9 1956 50,6 27,7 1964 63,4 37,3 1972 108,2 63,0 1980 264,1 154,4 1957 51,9 28,7 1965 68,2 41,0 1973 124,6 72,9 1981 282,1 168,1 Dokonaj estymacji parametrów metodą najmniejszych kwadratów i zweryfikuj homoske- dastyczność składnika losowego. W wypadku orzeczenia heteroskedastyczności dokonaj estymacji parametrów metodą White’a, przyjmując ωtt = γ0+ γ1xt+ ηt.
8. Kształtowanie się wydatków (Yi) i dochodów xi dla 20 losowo wybranych rodzin przed- stawia się następująco:
xt 22,3 32,3 36,6 12,1 42,3 6,2 44,7 26,1 10,3 40,2 Yt 19,9 31,2 31,8 12,1 40,7 6,1 38,6 25,5 10,3 38,8 xt 8,1 34,5 38 14,1 16,4 24,1 30,1 28,3 18,2 20,1 Yt 8 33,1 33,5 13,1 14,8 21,6 29,3 25 17,9 19,8
Wyestymuj metodą najmniejszych kwadratów parametry modelu Yt = β0 + β1xt + εt i sprawdź, czy występuje heteroskedastyczność składnika losowego. Jeśli ma ona miejsce, to dokonaj estymacji parametrów za pomocą metody White’a, przyjmując ωtt = γ0+γ1xt+ γ2x2t+ηt. Sprawdź, czy postępując w ten sposób, otrzymamy model z homoskedastycznymi błędami.
Wykonaj to samo zadanie dla modelu log Yt = β0+ β1log xt+ εt.
9. Na podstawie danych zawartych w tabeli za pomocą metody najmniejszych kwadratów dokonaj estymacji parametrów modelu CPt = β0 + β1Y Pt+ εt, gdzie CPt oznacza kon- sumpcję prywatną (w mld zł) w kwartale t, zaś Y Pt - dochody pieniężne gospodarstw domowych (w mld zł) w tymże kwartale.
t CPt Y Pt t CPt Y Pt 1989 I kw. 0,761 0,737 1992 III kw. 18,2 21,4 1989 II kw. 0,817 0,933 1992 IV kw. 21,4 24,8 1989 III kw. 1,17 1,64 1993 I kw. 21,4 24,7 1989 IV kw. 2,44 3,51 1993 II kw. 23,8 27,2 1990 I kw. 4,27 6,17 1993 III kw. 24,4 27,9 1990 II kw. 5,07 7,49 1993 IV kw. 28,6 32,4 1990 III kw. 6,91 9,63 1994 I kw. 29,2 33,2 1990 IV kw. 10,6 13,5 1994 II kw. 32,1 36,4 1991 I kw. 11,2 13,6 1994 III kw. 34,7 41,4 1991 II kw. 11,6 13,8 1994 IV kw. 39,5 45,5 1991 III kw. 11,9 14,2 1995 I kw. 40,4 49,7 1991 IV kw. 13,3 15,8 1995 II kw. 42,6 52,2 1992 I kw. 14,9 17,7 1995 III kw. 45,3 55,1 1992 II kw. 16,5 19,6 1995 IV kw. 53,2 63,4
Zbadaj heteroskedastyczność składnika losowego. Jeśli przypuszczenie o heteroskedastycz- ności się potwierdzi, dokonaj estymacji parametrów metodą White’a, przyjmując ωtt = γ0+γ1Y Pt+ηt. Sprawdź, czy w modelu ważonym heteroskedastyczność już nie występuje.
Zrób to samo dla ωtt= γ0+ γ1Y Pt+ γ2Y Pt2+ ϑt.