Ökonometrischer Methoden werden verwendet, Wirtschaftsmodelle zu schätzen, was Sie letztendlich erlauben, zu erklären, wie verschiedene Faktoren eine gewisse Ergebnis von Interesse beeinflussen oder zukünftiger Ereignisse zu prognostizieren. Die gewöhnlichen kleinsten Quadrate (OLS) Technik ist die beliebteste Methode der Regressionsanalyse durchführen und ökonometrische Modelle schätzen, denn in Standardsituationen (was bedeutet, das Modell eine Reihe von statistischen Annahmen erfüllt) es erzeugt eine optimale (bestmögliche) ergibt.
Der Beweis, dass OLS die besten Ergebnisse erzeugt, ist bekannt als die Gauss-Markov-Theorem, aber der Beweis erfordert mehrere Annahmen. Diese Annahmen, bekannt als klassischen linearen Regressionsmodell (CLRM) Annahmen, sind die folgenden:
Die Modellparameter sind linear, dh die Regressionskoeffizienten geben die Funktion nicht als Exponenten geschätzt werden (obwohl die Variablen Exponenten haben kann).
Die Werte für die unabhängigen Variablen werden aus einer Stichprobe der Population abgeleitet, und sie enthalten Variabilität.
Die erklärenden Variablen haben keine perfekte Kollinearität (das heißt, keine unabhängige Variable kann als eine lineare Funktion von anderen unabhängigen Variablen ausgedrückt werden).
Der Fehlerterm hat null bedingten Mittelwert, was bedeutet, dass der durchschnittliche Fehler Null zu einem bestimmten Wert der unabhängigen Variable (n).
Das Modell hat keine Heteroskedastie (die Varianz der Fehler bedeutet das gleiche ist, unabhängig von der unabhängigen Variablenwert).
Das Modell hat keine Autokorrelation (der Fehlerterm keine systematische Beziehung im Laufe der Zeit zeigen).
Wenn eine (oder mehrere) der CLRM Annahmen nicht erfüllt ist (die Ökonometrikern nennen Versagen), Dann kann OLS nicht die beste Schätzung Technik sein. Glücklicherweise ökonometrischen-Tools können Sie die OLS-Technik zu ändern oder eine völlig andere Schätzmethode verwenden, wenn die CLRM Annahmen nicht halten.
Nützliche Formeln in Ökonometrie
Nachdem Sie Daten zu erfassen und die beste ökonometrische Modell für die Frage, die Sie beantworten möchten, wählen zu erzeugen Verwendung Formeln die geschätzte Ausgabe. In einigen Fällen müssen Sie diese Berechnungen mit der Hand (sorry) durchführen. Doch selbst wenn Ihr Problem können Sie ökonometrischen Software wie STATA zu verwenden, um Ergebnisse zu erzeugen, ist es schön zu wissen, was der Computer tut.
Hier ist ein Blick auf die am häufigsten Schätzer von einem ökonometrischen Modell zusammen mit den Formeln verwendet, um sie zu produzieren.
Ökonometrische Analyse: an Flexibilität Blick in Models
Vielleicht möchten Sie Ihre ökonometrischen Modells zu ermöglichen, eine gewisse Flexibilität zu haben, denn die wirtschaftlichen Beziehungen selten linear sind. Viele Situationen unterliegen dem "Gesetz" der Grenznutzen abnimmt und / oder steigenden Grenzkosten, was bedeutet, dass die Auswirkungen der unabhängigen Variablen nicht konstant sein (linear).
Die genaue Funktionsform hängt von der konkreten Anwendung, aber die häufigsten sind wie folgt:
Typische Probleme Estimating ökonometrische Modelle
Wenn das klassische lineare Regressionsmodell (CLRM) nicht für Ihre Daten arbeiten, weil eine ihrer Annahmen nicht halten, dann müssen Sie das Problem beheben, bevor Sie Ihre Analyse abschließen können. Glücklicherweise eine der wichtigsten Beiträge der Ökonometrie ist die Entwicklung von Techniken, Probleme oder andere Komplikationen, die mit der Daten zu adressieren, die Standard-Modellschätzung schwierig oder unzuverlässig machen.
Die folgende Tabelle listet die Namen der am häufigsten verwendeten Schätzfragen, eine kurze Definition eines jeden, deren Folgen, typische Werkzeuge verwendet, um sie zu erkennen und allgemein anerkannten Methoden für jedes Problem zu lösen.
| Problem | Definition | Folgen | Entdeckung | Lösung |
|---|
| Hohe multicollinearity | Zwei oder mehrere unabhängige Variablen in einem Regressionsmodell exhibita lineare Beziehung schließen. | Große Standardfehler und unbedeutendt-Statistiken
Koeffizientenschätzungen empfindlich auf kleine Änderungen in modelspecification
Unsinnig Koeffizient Zeichen und Größen | Paarweise Korrelationskoeffizienten
Variance Inflationsfaktor (VIF) | 1. Sammeln zusätzlicher Daten.
2. Re-geben Sie das Modell.
3. Löschen Sie redundante Variablen. |
| Heteroskedasticity | Die Varianz des Fehlerterms Veränderungen in Reaktion auf einen changein der Wert der unabhängigen Variablen. | Ineffiziente Koeffizientenschätzungen
Biased Standardfehler
Unzuverlässige Hypothesentests | Park-Test
Goldfeld-Quandt-Test
Breusch-Pagan-Test
White-Test | 1. Weighted kleinsten Quadrate (WLS)
2. Robuste Standardfehler |
| Autokorrelation | Eine erkennbare Beziehung (positiv oder negativ) existsbetween die Werte des Fehlers in einer Periode und die Werte von theError in einer anderen Zeit. | Ineffiziente Koeffizientenschätzungen
Biased Standardfehler
Unzuverlässige Hypothesentests | Geary oder läuft Test
Durbin-Watson-Test
Breusch-Godfrey-Test | 1. Cochrane-Orcutt Transformation
2. Prais-Winsten Transformation
3. Newey-West-robuste Standardfehler |