Ökonometrie I Annahmen des lineare Regressionsmodells Liste der Annahmen A1 lineare funktionale Form des Modells A2 r(X) = k A3 lim Xn‘ Xn/n = Q hat vollen Rang A4 Xi unabhängig von u für alle i (Exogenität) A5 E{u} = 0 A6 Var{u} = s2I A61 Var{ut} = s2 für alle t A62 Cov{ut, us} = 0 für alle t und s mit t ≠ s A7 4.11.2004 ut normalverteilt für alle t Ökonometrie I 2 Linearität (A1) Die Beobachtung Yt ist eine lineare Funktion Yt = xt' b + ut der Beobachtungen der erklärenden Variablen Xti, i=1, …, k und der Störgröße ut Ist Linearität eine Einschränkung? Linearität bringt Vorteile für die statistische Analyse in vielen Situationen sind lineare Modelle adäquat oder zumindest näherungsweise adäquat Beispiele für lineare Modelle: 4.11.2004 Y Y Y Y = = = = a a a a + + + + bX + u b X2 + u b log X + u b/X + u Ökonometrie I 3 Linearisieren Cobb-Douglas-Produktionsfunktion Y = g Ka Lb eu Logarithmieren ergibt lineares Modell log Y = g* + a log K + b log L + u Log-lineare Form log Y = b1 + b2 log X2 + … + bk log Xk + u liefert konstante Elastizitäten (relative Änderung von Y bei einer relativen Änderung von X um eine Einheit): Y X i log Y bi X i Y log X i 4.11.2004 Ökonometrie I 4 Regressoren (A2, A3, A4) Voller Rang von X Reguläre Matrix Q = lim Xn‘Xn/n Spalten sind linear unabhängig Spalten sind nicht hoch korreliert Das durchschnittliche Quadrat der beobachteten Werte der Xi bleibt endlich Meist problemlos Bei Trends zu streng Exogenität: jede Beobachtung ist unabhängig von aktuellen, vergangenen und künftigen Störgrößen 4.11.2004 Ökonometrie I 5 Störgrößen (A6, A7) Die Annahme E{u} = 0 bedeutet: Y wird modelliert als Summe aus systematischer Komponente x'b plus Störgröße u Die Annahme Var{u} = s2I bedeutet: Homoskedastizität Serielle Unkorreliertheit Mit der Annahme normalverteilter Störgrößen schreiben wir u ~ N(0, s2I) 4.11.2004 Ökonometrie I 6 Einkommen und Konsum 1200 1000 800 PCR: Privater Konsum, real, in Mrd.EUR PYR: Verfügbares Einkommen der Haushalte, real 1970:1-2002:4 600 400 200 70 75 80 85 PYR 4.11.2004 90 95 00 PCR Ökonometrie I Basis: 1995 Quelle: AWM-Datenbasis 7 Einkommen und Konsum: Zuwachsraten .06 .05 PCR_DL .04 .03 .02 .01 .00 -.01 -.02 -.04 .00 .04 .08 PYR_DL 4.11.2004 Ökonometrie I 8 Konsumfunktion Dependent Variable: PCR_D4 Method: Least Squares Date: 08/20/04 Time: 11:06 Sample(adjusted): 1971:1 2002:4 Included observations: 128 after adjusting endpoints Variable C PYR_D4 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 4.11.2004 Coefficient 0.010855 0.747032 0.716716 0.714468 0.007918 0.007899 438.7327 0.632776 Std. Error 0.001053 0.041840 t-Statistic 10.31071 17.85451 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Ökonometrie I Prob. 0.0000 0.0000 0.024898 0.014817 -6.823949 -6.779386 318.7837 0.000000 9 Konsumfunktion, Forts. .06 .04 .03 .02 .02 .00 .01 -.02 .00 -.01 -.02 1975 1980 Residual 4.11.2004 1985 1990 Actual 1995 2000 Fitted Ökonometrie I 10 Residuen y = x‘b + u = x‘b + e = ŷ + e Residuen: e = y - x‘b = y – ŷ = y – X(X‘X)-1X‘y = y - Py = [I – X(X’X)-1X’]y = My P: Projektionsmatrix M: residuenerzeugende Matrix Eigenschaften: iei = 0 Y Yˆ , Y b1 b2 X 2 ... bk X k y ' y yˆ ' yˆ e ' e Achtung! Diese Eigenschaften setzen eine inhomogene Regression voraus! 4.11.2004 Ökonometrie I 11 Schätzer der Varianz s2 1 1 2 s e e 'e t t nk nk 2 ist ein erwartungstreuer Schätzer Der ML-Schätzer s2 1 2 e t n t unterschätzt; der Bias beträgt k 2 s n 4.11.2004 Ökonometrie I 12