Pobierz GRETL- rozpisane sposoby tworzenia modeli i więcej Notatki w PDF z Ekonometria tylko na Docsity!
Zadanie 1. Weryfikacja hipotez statystycznych
- Hipoteza zerowa i alternatywna Ho: alfa1= 0 nie istotne H1: alfa różna od 0 istotnie statystyczny y= 0,05 ( poziom istotności) D^2A= S^2 (XTX)- t 1 =2,
Model KMNK
ColdGPA- Y Const,act,skipped- X p= p<y odrzucamy Ho na korzyść H zmienna X 1 istotnie oddziałuje na zmienną objaśnianą ( średnią na studiach) Ho: alfa2= H1: alfa2 różna od 0 y=0, p=0, p<y odrzucamy Ho na korzyść H frekwencja istotnie wpływ na wyniki *Istotny na poziomie 0, **Istotny na poziomie 0,05 OZNACZENIA W GRETLU ***Istotny na poziomie 0, Ho: Y= α 0 + α1X1+ α2X2+ε H1: Y≠α 0 + α1X1+ α2X2+ε y=0, w wygenerowanym modelu : zapisz---reszty --- 2 razy klikamy w gretlu na nazwę pliku --- szeregujemy wzgl. Danych przekrojowych skipped--- dane--- sortowanie danych przekrojowych--- klucz: skipped—rosnąco uporządkowanie reszt : narzędzia----test serii nieparametrycznych – test serii- dla reszt Z= 0,134 p= 0, p>y brak podstawy do odrzucenia hipotezy Ho model jest liniowy
zadanie 2. Model opisujący efekt nauki Narzędzia--- Ustawienia ---ogólne---- okno modelu z zakładkami √ Y= α 0 + α1X1+ α2X2+ α3X3+ α4X4+ α5X5 +ε Α α- jak zmienne objaśniające wpływają na zmienną objaśnianą. Age=0, Studenci starsi o 1 rok mają średnią przeciętnie wyższą o 0,02 przy założeniu że pozostałe zmienne nie ulegną zmianie. hsGPA=0, studenci którzy charakteryzują się średnią ze szkoły średniej wyższą o 1 to średnia będzie wyższa o 0,48 przy założeniu że pozostałe zmienne nie ulegną zmianie. Skipped=-0, Jeżeli studenci mają średnią opuszczonych godzin większą niż 1 to studenci mają średnią niższą o 0, przy założeniu że pozostałe zmienne nie ulegną zmianie. Błąd standardowy - jaki popełniamy błąd przy szacowaniu. Szacując parametr α 0 na poziomie 0,88 ze śr. błędem 0, Współczynnik determinacji R^2 - jaka część całkowitej zmienności jest wyjaśniona zmienność średniej na studiach jest w 25% wyjaśniona hsGPA ( od 0-1) małe F, bo tylko 25%
- badanie istotności parametrów α1 =0 nie istotny α1 ≠0 istotny
- przyjęcie poziomu istotności Y=0, t 1 = 0,88 dane z 3 kolumny t-studenta p 1 = 0,38 z kolumny wartości p podjęcie decyzji p i y p>y brak podtsaw do odrzucenia hipotezy H parametr α1 jest nie istotny statystycznie. Zmienna przy parametrze ( age) nie wpływa istotnie na średnią. Ho: α3 =0 nie istotny H1: α3 ≠0 istotny Y=0,
Ho: α4 = α5 = 0 H1: α4≠0 u α5≠ 0 Y= 0, F= 5,754 p= 0, P<y odrzucamy hipotezę Ho na korzyść hipotezy H1. Alkohol i frekwencja wpływają na średnią Wybór zmiennych objaśniających nieistotnych zmiennych Testy --- testy pominiętych zmiennych --- sekwencyjna eliminacja 0, Eliminacja nieistotnych : edycja --- modyfikacja modelu i usuwamy zmienną „ OK” [ porównujemy z modelem utworzonym z sekwencyjnej eliminacji] Odrzucamy zmienne które mają największe wartości p np. age, ACT, alcohol Przeprowadzenie testu serii Ho : Y= α 0 + α1X1+ α2X2+ α3X3+ α4X4+ α5X5 +ε H1: Y≠ α 0 + α1X1+ α2X2+ α3X3+ α4X4+ α5X5 +ε model nie jest liniowy Y=0, Wyznaczenie reszt : Wchodzimy w model – zapisz—reszty Wykres --- wykres reszt modelu—wzgl. Którejś zmiennej z modelu porządkujemy reszty wzgl. Zmiennej hsGPA --- dane – sortowanie danych --- hsGPA--- rosnąco [ możemy zobaczyć uporządkowane- naciskamy na hsGPA ] Próba jest duża gdy liczba reszt dodatnich jest większa niż 10 i reszta ujemnych jest wieksza niż 10
TEST Z
Z: narzędzia --- testy nieparametryczne--- test serii--- reszty Test Z = -1, P=0, p>y brak podstaw do odrzucenia hipotezy Ho. Model jest liniowy
test RESET
testy- test RESET—odpowiedni wariant p>y brak podstaw do odrzucenia hipotezy Ho. Model jest liniowy
test White’a ocena jednorodności wariancji składnika resztowego
badanie heteroscedastyczności ( wariancja składnika losowego jest stała) test- heteroscedastyczności – test White’a ( bierzemy z tymi danymi, które zostały po eliminacji nieistotnych ) Ho: heteroscedastyczność występuje H1: heteroscedastyczność nie występuje TR^2 = 7, p=0, y=0, p>y brak podstaw do odrzucenia hipotezy Ho składnik losowy jest heteroskedastyczny występuje jednorodność wariancji, czyli wszystkie odstające obserwacje zostały poprawnie opisane przez model. autokorelacja dotyczy danych czasowych
normalność rozkładu reszt normalność składnika losowego ( test Darwina-
Hansena )
w oknie szacowanego modelu: test --- test normalności reszt Ho: składnik losowy ma rozkład normalny H1: składnik losowy nie ma rozkładu normalnego P=0, Chi^2 = 2, p>y brak podstaw do odrzucenia Ho. Składnik losowy ma rozkład normalny
test Jarque- Bera ocena normalności rozkładu składnika resztowego
zapisz – reszty—zmienna – testy normlanosci rozkładu test Jarque- Bera p>y brak podstaw do odrzucenia hipotezy Ho. Rozkład reszt ma rozkład normalny dane czasowe: c- per capita / konsumpcja realna Y y- realny dochód
