Ökonometrische Modelle Stichwörter: Dynamische Modelle Lagstrukturen Koyck’sche Lagstruktur Zeitreihenmodelle Mehrgleichungsmodelle Strukturform reduzierte Form o1-13.tex/0 Lüdeke-Modell für die BRD Ct = α1 + α2Yt + α3Ct−1 + u1t Konsumfunktion It = β1 + β2Yt + β3Pt−1 + u2t Investitionsfunktion Mt = γ1 + γ2Yt + γ3Mt−1 + u3t Importfunktion Yt = Ct + It − Mt + Gt mit C: privater Konsum, Y : nationales Einkommen, I: Investitionen, P : Gewinne, M : Importe, G: Staatsausgaben endogen: Ct, Yt, It, Mt exogen: Gt, Pt−1 o1-13.tex/1 Ökonometrische Modelle Auf der Basis des multiplen linearen Regressionsmodell Modell-Erweiterungen: • dynamische Modelle • Systeme von Regressionsmodellen o1-13.tex/2 Modell-Erweiterung: Dynamische Modelle Beispiel: Nachfrage-Modell Q: nachgefragte Menge P : Preis Y : Einkommen (a) Preis und Einkommen bestimmen die Nachfrage Qt = β1 + β2Pt + β3Yt + ut (statisches Modell) (b) Preis und Einkommen der Vorperiode bestimmen die Nachfrage Qt = β1 + β2Pt + β3Yt−1 + ut (dynamisches Modell, Annahmen des klassischen Modells nicht verletzt!) (c) Preis und Nachfrage der Vorperiode bestimmen die Nachfrage Qt = β1 + β2Pt + β3Qt−1 + ut (dynamisches Modell) o1-13.tex/3 Beispiel: Nachfrage nach Energie Nachfrage: Qt = α + βPt + γKt + ut Energie-relevanter capital stock : Kt = θ0 + θ1Pt−1 + θ2Pt−2 + . . . + δYt + vt Pt: Preis für Energie Yt: Einkommen Einsetzen gibt Qt = α0 + α1Yt + β0Pt + β1Pt−1 + β2Pt−2 + . . . + εt mit εt = ut + γvt, α0 = α + γθ0, α1 = γδ, β0 = β, βi = γθi für i = 1, 2, . . .. o1-13.tex/4 Lagstrukturen Beschreiben die verzögerte Wirkung einer (mehrerer) Variablen X auf Y . Modellierung mittels verzögerter Variabler, wenn die Response • verzögert (lagged ) eintritt • verteilt (distributed ) eintritt Beispiel: Nachfragegleichung in monatlichen Daten: Einkommen der Periode t wirkt verteilt DL-Modelle (von distributed lag) • DL(s)-Modell (nur 1 erklärende Variable) Yt = δ + β0Xt + β1Xt−1 + . . . + βsXt−s + ut • DL(s1, . . . , sk )-Modell: k erklärende Variable mit maximalen Lags si (i = 1, . . . , k) o1-13.tex/5 ADL-Modelle Modell für Yt mit autoregressivem Term: Yt = δ + β0Xt + α1Yt−1 + ut wird mit ADL(1,0) bezeichnet (autoregressive, distributed lag) Lag-Operator L: LXt ≡ Xt−1 , Lr Xt = Lr−1Xt−1 = Xt−r Damit wird das ADL(p,s) Modell Yt = δ + β0Xt + . . . + βsXt−s + α1Yt−1 + . . . + αpYt−p + ut geschrieben als A(L)Yt = δ + B(L)Xt + ut mit A(L) = 1 − α1L − . . . − αpLp B(L) = β0 + β1L + . . . + βsLs o1-13.tex/6 Schätzung des DL-Modells keine Restriktionen Yt = δ + B(L)Xt + ut mit ut ∼ IID(0, σ 2), X fix Probleme: • Verlust von Beobachtungen • Multikollinearität, wenn – systematische Muster wie – Trend, Zyklen, etc. Folgen: • große Werte von Var{bi} • geringe Mächtigkeit der Tests der βi o1-13.tex/7 Wahl des maximalen Lag s Yt = δ + B(L)Xt + ut mit ut ∼ IID(0, σ 2), X fix Es gelte s ≤ S 1. KQ-Anpassung für s = 0, 1, . . . , S 2. Wähle als ŝ jenen Wert s, für den • das adjustierte Bestimmtheitsmaß R̄2(s) maximal ist; oder • das Informationskriterium AIC(s) nach Akaike minimal ist e0ses 2s AIC(s) = ln + n n • das Amemiya’s Prognose-Kriterium PC(s) minimal ist e0ses ks PC(s) = 1+ n − ks n es: Residuen des Modells mit maximalem Lag s o1-13.tex/8 Polynomiale Lagstruktur B(L) = β0 + β1L + . . . + βsLs S. Almon (“The Distributed Lag between Capital Appropriations and Net Expenditures”, Econometrica, 1965): βi = γ0 + γ1i + . . . + γr ir für r ≤ s, oder β = Tγ polynomiale Lagstruktur Damit ergibt sich y = Xβ + u = W γ + u wobei W = XT mit T aus β = T γ. OLS-Schätzer c für γ: c = [W 0W ]−1W 0y Var{c} = σ 2[W 0W ]−1 und b = T c mit Var{b} = σ 2T [W 0W ]−1T 0. Test auf Gültigkeit der Restriktionen für die βi: F = o1-13.tex/9 SR − S n − k S s−r Beispiel: s = 4, r = 2 Aus βi = γ0 + γ1i + γ2i2 für i = 1, . . . , 4 erhält man β0 β1 β2 β3 β4 = = = = = γ0 γ0 + γ1 + γ2 γ0 + 2γ1 + 4γ2 γ0 + 3γ1 + 9γ2 γ0 + 4γ1 + 16γ2 bzw. Yt = γ0(Xt + . . . + Xt−4) +γ1(Xt−1 + 2Xt−2 + 3Xt−3 + 4Xt−4) +γ2(Xt−1 + 4Xt−2 + 9Xt−3 + 16Xt−4) + ut oder y = Wγ + u wobei W = XT mit T aus β = T γ. In praktischen Anwendungen sind s und r oft wesentlich größer. o1-13.tex/10 Typen von Lagstrukturen (A) Endliche Lagstrukturen – Arithmetisches Lag (I. Fisher, 1937) – Inverses V Lag (B) Unendliche Lagstrukturen – Koyck (geometrisches) Lag (L.M. Koyck: Distributed Lags and Investment Analysis, 1954) βi = β(1 − λ)λi , 0<λ<1 – Pascal’sches (verallgemeinert geometrisches) Lag r + i − 1 i λ , βi = β(1 − λ)r 0<λ<1 i für r = 1: Koyck Lag – Jorgenson’s rationale Lagstruktur A(L) Yt = Xt + ut B(L) – Gamma Lag (0 ≤ λ, α ≤ 1) βi = βis−1e−i βi = β(i + 1)s−1e−λi α βi = β(i + 1) 1−α λi o1-13.tex/11 Koyck’sche Lagstruktur Mit der Lagstruktur βi = β(1 − λ)λi , i = 0, 1, . . . (0 < λ < 1) ergibt sich das Modell zu Yt = β(1 − λ) X λiXt−i + ut (distributed lag oder moving average Form) Durchschnittliche Lag-Zeit: λ 1−λ short run Effekt: β(1 − λ) long run Effekt: β λ λ/(1 − λ) 0.1 0.1 0.3 0.43 0.5 1.00 0.7 2.33 0.9 9.00 o1-13.tex/12 (1) Koyck’sche Lagstruktur, Forts. Mit P i i i λ L Xt = (1 − λL)−1Xt erhält man Yt = β(1 − λ) Xt + ut 1 − λL oder (1 − λL)Yt = β(1 − λ)Xt + (1 − λL)ut Yt = λYt−1 + β(1 − λ)Xt + vt (2) mit vt = ut − λut−1 (2) nennt man die autoregressive (AR) Form • Probleme mit (1): 1. X0, X−1, X−2, . . . sind unbekannt Yt = β(1−λ)(Xt +λXt−1 +. . .+λt−1X1)+β ∗λt +ut mit β ∗ = β(1 − λ)(X0 + λX−1 + . . .) 2. nichtlineares Schätzproblem • Probleme mit (2): 1. nichtlineares Schätzproblem 2. stochastischer Regressor 3. korrelierte Störgrößen o1-13.tex/13 Zeitreihen-Modelle Das autoregressive Modell AR(1) Yt = δ + ϕYt−1 + ut, ut ∼ IID(0, σ 2) ist ein Spezialfall des ADL(1,0)-Modells Für die Momente gilt • Erwartungswert E{Yt} = δ 1−ϕ • Kovarianz-Funktion ϕk 2 γk = Cov{Yt, Yt−k } = σ 1−ϕ für k = 0, ±1, . . . (wenn |ϕ| < 1!) • Autokorrelations-Funktion ρ k = ϕk für k = 0, ±1, . . . o1-13.tex/14 Allgemeinere Zeitreihen-Modelle Verallgemeinerung zum AR(p)-Modell Yt = ϕ1Yt−1 + . . . + ϕpYt−p + ut, ut ∼ IID(0, σ 2) Noch kompliziertere Abhängigkeitsstrukturen können mit Hilfe von ARMA(p, q) beschrieben werden; dabei wird ut ersetzt durch ein MA(q)-Modell ersetzt: ut = εt − θ1εt−1 − . . . − θq εt−q , o1-13.tex/15 εt ∼ IID(0, σ 2) Modell-Erweiterung: Mehrgleichungsmodelle Beispiel: Marktmodell Das Marktmodell besteht aus folgenden Gleichungen: (n) Qt = α1 + α2Pt + α3Yt + u1t (a) Qt = β1 + β2Pt + β3Zt + u2t Q(n) = Q(a) Q: nachgefragte bzw. angebotene Menge (endogen) P : Preis (endogen) Z: weitere Variable, z.B.: Preis eines Ersatzgutes (exogen) Erklärende Variable sind zufällig! Exogene Variable: • vorherbestimmt (predetermined ): keine serielle Korrelation mit aktueller und künftigen Störgrößen u2,t+i, i≥0 • strikt exogen: keine serielle Korrelation mit Störgrößen u2,t+i, i beliebig o1-13.tex/16 Mehrgleichungsmodell: Störgrößen ui: n-Vektor der Störgrößen der i-ten Gleichung (i = 1, 2) E{ui} = 0 Var{ui} = σiiIn contemporaneous correlation: Cov{uis, ujt} = o1-13.tex/17 σij wenn s = t 0 wenn s 6= t Struktur- und Reduzierte Form Marktmodell Qt = α1 + α2Pt + α3Yt + u1t Qt = β1 + β2Pt + β3Zt + u2t Reduzierte Form: Qt = π11 + π12Yt + π13Zt + v1t Pt = π21 + π22Yt + π23Zt + v2t mit α1β2 − α2β1 β 2 − α2 ... = ... β2u1t − α2u2t v1t = β 2 − α2 u1t − u2t v2t = β2 − α2 π11 = o1-13.tex/19