Regresní model s fixními a náhodnými efekty (s príklady)
Transkript
Regresní model s fixními a náhodnými efekty (s príklady)
Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Regresní model s fixními a náhodnými efekty (s příklady) Burdejová P., Lendel G., Orel J., Sůva P. 29.4.2010 www.matfyz.cz/pavel.suva nebo www.petra.burdejova.matfyz.cz Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Obsah 1 2 3 4 5 Panelové dáta Čo sú panelové dáta: Výhody a nevýhody Základný model Model s fixními efekty Formulácia Odhad parametrov Model s náhodnými efekty Formulácia Odhad parametrov Hausmanov a Taylorov model Testy specifikace modelu Model a odhad parametrov Príklad Příklady Aerolinky Kriminalita (s výstupy) Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Čo sú panelové dáta: Výhody a nevýhody Základný model Čo sú panelové dáta časové rady + prierezové dáta | {z } "Prierezové dáta v priebehu času" Napríklad: Michigan Panel Study of Income Dynamics (PSID). pozorovných zhruba 7000 rodín a 65000 jedincov, spytovaní peridicky od r.1968 do súčasnosti ,→ široké orientácia k analýze prierezových dát ,→ krátke Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Čo sú panelové dáta: Výhody a nevýhody Základný model Výhody rozvoj techník pre odhad, nové teorické výsledky skúmanie problémov, ktoré č.rady ani prier.data nevedia kontrola individuálnych odlišností Príklad: Cigaretový dopyt v USA (Baltagi and Levin (1992)) okrem času a príjmu existujú aj časovo/prierezovo invarianté premenné (náboženstvo,reklama..) lepšia schopnost’ študovat’ dynamiku zmien Príklad: nezamestnanost’ (Baltagi and Levin (1992)) možná konštrukcia zložitejších modelov Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Čo sú panelové dáta: Výhody a nevýhody Základný model Nevýhody návrh a zber dát (napr: zlá spolupráca, pokrytie...) ⇒ deformácia chýb meraní Problémy výberu: vlastná vol’ba: napr.dôvodu nezamestnanosti bez odpovede úbytok (príp.zmena) dotazovaných závislost’ v rámci prierezu (napr: krajiny) Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Čo sú panelové dáta: Výhody a nevýhody Základný model Motivačný príklad: Data CORNWELL.RAW (z Cornwell and Trumball, 1994) Údaje o kriminalite z okrskov Severnej Karolíny (1981-1987). Celkom 90 okrskov. O každom 21 premenných v každom roku. Vybrané regresory úroveň kriminality pravdepodobnost’ uväznenia pravdepodobnost’ zatknutia priemerná tvrdost’ trestu pravdepodobnost’ odsúdenia počet policistov na obyvatel’a Príklad si vypočítame na záver.... Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Čo sú panelové dáta: Výhody a nevýhody Základný model Základný model: yit = x 0 it β + z 0 i α + it kde: xit obsahuje K regresorov xit neobsahuje konštantú zložku (intercept) zi obsahuje individuálne efekty Na základe odlišných prístupov k zložke zi máme rozličné prípady: Klasická regresia (angl. Pooled data) zi obsahuje iba konštantú zložku OLS =⇒ konzistentý a eficientný odhad α a β Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Čo sú panelové dáta: Výhody a nevýhody Základný model Základný model: yit = x 0 it β + z 0 i α + it Fixné efekty zi nepozorovaná, ale korelovaná s xit OLS =⇒ odhad β nie je nestranný ani konzistentný (následok vynechania premenných) prepis pomocou αi = z 0 i α: yit = x 0 it β + αi + it , člen αi nám špecifikuje danú skupinu ! "fixný"= nemenný v čase, nie nestochastický Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Čo sú panelové dáta: Výhody a nevýhody Základný model Základný model: yit = x 0 it β + z 0 i α + it Náhodné efekty predpokladáme, že nepozorovaná (avšak formulovaná) jednotlivá rôznorodost’ je nekorelovaná s obsiahnutými premennými prepis yit = x 0 it β + α + ui + it , ui náhodná zložka špecifická pre každú skupinu Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Formulácia Odhad parametrov Model s fixnými efektami - formulácia yi = Xi β + iαi + i ,→ αi neznámy parameter, ktorý odhadujeme ,→ yi a Xi vektory T pozorovaní pre i-tú zložku ,→ i vektor jednotiek T × 1 ,→ i vektor disturbancií T × 1 Maticovo: Y1 X1 i 0 .. .. 0 0 . . = β + . .. .. 0 .. . . 0 ··· Yn Xn Burdejová P., Lendel G., Orel J., Sůva P. ··· ··· .. . ··· α1 1 0 . .. ... 0 + .. . . .. ... i αn n Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Formulácia Odhad parametrov Model s fixnými efektami - formulácia Maticovo: Y X 1 1 i . .. 0 . . . = β + . . 0 . . . . 0 Yn Xn ··· ··· 0 0 . . . ··· . . . ··· α1 1 0 . . 0 . . . . + . . . . . . . . . i αn n ↓ označme di dummy premennú indikujúcu i-tú zložku ↓ y = X d 1 d2 · · · dn β · + α ↓ označme D maticu [d1 d2 · · · dn ] ↓ LSDV model (least square dummy variable) y = Xβ + Dα + , je klasickým regresným modelom Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Formulácia Odhad parametrov Odhad pro model s fixními efekty Předpoklady klasického modelu lineární regrese ⇒ klasický OLS-odhad s regresní maticí (D, X) (též „LSDV-odhad“). Problém: K + n sloupců reg, matice, n může být obrovské. Řešení: Rozdělená regrese – odhadneme nejprve vekor β zvlášt’, poté dopočítáme odhad α Obecný výsledek: Při regresi y = X1 β 1 + X2 β 2 + lze OLS-odhad vektorů parametrů β1 a β2 spočítat jako −1 b1 = (X01 X1 ) X01 (y − X2 b2 ) , −1 −1 −1 b2 = X02 I − X1 (X01 X1 ) X01 X2 X02 I − X1 (X01 X1 ) X01 y . Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Formulácia Odhad parametrov Odhad pro model s fixními efekty Pro nás tedy: −1 0 b = X0 Md X X Md y , kde Md = I − D(D0 D)−1 D0 . Md = IT ×T − T1 iT i0T 0 .. . IT ×T 0 0 − T1 iT i0T .. . ... ... ... .. . 0 0 .. . 0 IT ×T − T1 iT i0T Md je idempotentní ⇒ odhad je odhadem v regresi Md y na Md X. Z tvaru matice Md vidíme: jedná se o regresi prvků (yit − ȳi• ) na (xit − x̄i• ), kde ȳi• x̄i• jsou přes čas zprůměrovaná pozorování příslušných hodnot i-tého objektu. Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Formulácia Odhad parametrov Odhad pro model s fixními efekty Postup: získáme odhad b vektoru parametrů β, poté dopočítáme odhad vektoru parametrů α jako a = (D0 D)−1 D0 (y − Xb). Interpretace: Z modelu yit = αi + β 0 xit + it odečtením průměrů ȳi• = αi + β 0 (x̄i• ) + ¯i• dostaneme model yit − ȳi• = β 0 (xit − x̄i• ) + it − ¯i• , v němž už se nevyskytují efekty αi . OLS metodou odhadneme β (odhadem je b). Odhadem αi je ai = ȳi• − b0 x̄i• . Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Formulácia Odhad parametrov Vlastnosti odhadu Odhad b vektoru parametrů β je konzistení pro nT → +∞. Odhad a vektoru parametrů α je konzistení pro T → +∞. Rozptyl odhadu: c (b) = s2 X0 Md X −1 , var kde 2 s = Pn i=1 PT 2 t=1 eit . nT − n − K Přitom eit = yit − ai − x0 it b = (yit − ȳi• ) − (xit − x̄i• )0 b. Dále platí var (ai ) = σ2 + x̄0i• var (b) x̄i• . T Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Formulácia Odhad parametrov Testování podmodelu Podmodel: jednotlivé objekty mají všechny stejný fixní efekt. F-test H0 : y = inT α0 + Xβ + , testová statistika: F = H1 : y = Dα + Xβ + . (RSSr − RSSur ) / (n − 1) , (RSSur ) / (nT − n − K ) H F ∼0 Fn−1,nT −n−K RSSur . . . reziduální součet čtverců modelu (H1 ), RSSr . . . reziduální součet čtverců modelu (H0 ). Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Formulácia Odhad parametrov Fixní časové efekty Fixní efekty pro každý časový okamžik: - dalších T dummy prom., - analogie analýzy rozptylu dvojného třídění bez interakcí. Společný intercept pro všechna pozorování ⇒ model yit = µ + αi + γt + β 0 xit + i t. P P Lin. podm.: ni=1 αi = 0 a Tt=1 γt = 0 ⇒ odhadnutelnost. Odhady metodou nejmenší čtverců: ¯•• máme z regrese yit − ȳi• − ȳ•t + ȳ¯•• na xit − x̄i• − x̄•t + x̄ ¯•• , m = ȳ¯•• − b0 x̄ ¯•• , ai = ȳi• − ȳ¯•• − b0 x̄i• − x̄ ¯•• . ct = ȳ•t − ȳ¯•• − b0 x̄•t − x̄ Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Formulácia Odhad parametrov Model s náhodnými efektami - motivácia Základný model: yit = x 0 it β + z 0 i α + it Model s fixnými efektami ? Možnosť korelovanosti zi a xi Striktná nekorelovanosť zi a xi vieme ? vhodné možnosť modelovať rozdiely modelovať jednotlivé špecif. členy medzi zložkami ako parametrické ako náhodné rozdelené vzhľadom k prierez. zložkám zmeny regresnej funkcie. Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Formulácia Odhad parametrov Model s náhodnými efektami - fomulácia Základný model: yit = x0 it β + z0 i α + it preformulujeme na: yit = x0 it β + E z0 i α + z0 i α − E z0 i α +it . {z } | {z } | α ui α - str.hodnota nepozorovanej rôznorodosti - samostatná konštantná zložka ui - náhodná rôznorodost’ (špecifická pre i-tú zložku) - konštantná v čase! ⇒ máme lineárny regresný model, so zloženými disturbanciami, ktorý už môže byt’ konzistentne (nie však eficientne) odhadnutý metódou OLS. Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Formulácia Odhad parametrov Model s náhodnými efektami - fomulácia Pre vzniknutý model yit = x0 it β + α + ui + it d’alej predpokladajme: E[it |X] E 2it |X E ui2 |X E it uj |X E it ujs |X E ui uj |X = = = = = = E [it |X ] = 0 σ2 σu2 0 ∀i, j a t 0 ak t 6= s alebo i 6= j 0 ak i 6= j Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Formulácia Odhad parametrov Model s náhodnými efektami - fomulácia Označme: ηit = it + ui η i = [ηi1 , ηi2 , . . . , ηiT ]0 a ⇓ nová formulácia modelu yit = x0 it β + α + ui + it | {z } ηit E[it |X] E 2it |X 2 E ui |X E it uj |X E it ujs |X E ui uj |X = = = = = = E [it |X ] = 0 σ2 σu2 0 ∀i, j a t 0 ak t 6= s ∨ i 6= j 0 ak i 6= j Burdejová P., Lendel G., Orel J., Sůva P. E ηit2 |X = σ2 + σu2 E[ηit ηis |X] = σu2 ak t 6= s E ηit ηjs |X = 0 ∀t a s, ak i 6= j Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Formulácia Odhad parametrov Model s náhodnými efektami - variančná matica Pre i-tú zložku máme teda maticu Σ = E [ηi ηi0 |X ] v tvare: 2 σ + σu2 σu2 Σ= .. . σu2 σu2 2 σ + σu2 σu2 σu2 .. . ··· ··· σu2 σu2 σu2 σu2 ··· σ2 + σu2 = σ2 IT + σu2 iT i0 T Pozorovania i a j sú nezávislé ⇒ variančná matica disturbancií V Σ 0 ··· 0 0 Σ · · · 0 V=. = In ⊗ Σ .. .. . 0 ··· Burdejová P., Lendel G., Orel J., Sůva P. Σ Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Formulácia Odhad parametrov Odhad pro model s náhodnými efekty Nestadardní tvar varianční matice ⇒ použijeme Aitkenův (GLS) odhad −1 β̂ = X 0 V −1 X X 0 V −1 y . Varianční matice vektoru η = u + má tvar V = In ⊗ Σ. Pro nalezení přípustného Aitkenova (FGLS) odhadu třeba najít konzistentní odhad matice Σ. Σ = σ2 IT ×T + σu2 iT i0T ⇒ Σ̂ = σ̂2 IT ×T + σ̂u2 iT i0T . Jak nalézt konzistentní odhady σ̂2 a σ̂u2 ? Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Formulácia Odhad parametrov Konzistentní odhady σ̂2 a σ̂u2 Jak nalézt konzistentní odhady σ̂2 a σ̂u2 ? Jedna z možností: 1. odhadneme model pomocí OLS-metody 2. z reziduí η̂ vypočteme konzistentní odhad σ̂η2 = σ̂2 + σ̂u2 jako: σ̂η2 = n X T X 1 η̂it2 . nT − K i=1 t=1 Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Formulácia Odhad parametrov Konzistentní odhady σ̂2 a σ̂u2 3. odhadneme σc2 = E(ηit ηis ), t 6= s: zřejmě platí E T −1 X T X ! ηit ηis t=1 s=t+1 = T −1 X T X σc2 = σc2 t=1 s=t+1 T −1 X (T − t) = σc2 t=1 T (T − 1) 2 ⇒ lze konzistentně odhadnout σ̂c2 = 1 n T (T2−1) − K n T −1 X T X X η̂it η̂is . i=1 t=1 s=t+1 4. dopočítáme σ̂2 = σ̂η2 − σ̂u2 . −1 Z těchto odhadů lze napočítat matice Σ̂, Σ̂ a tedy i Aitkenův odhad β̂ vektoru β. Burdejová P., Lendel G., Orel J., Sůva P. , V̂−1 Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Formulácia Odhad parametrov Konzistentní odhady σ̂2 a σ̂u2 Jiný způsob: 1. provedeme odhad OLS-metodou v modelu yit − ȳi• = β 0 (xit − x̄i• ) + it − ¯i• . 2. odhadneme σ2 pomocí pozorování objektu i jako s2 (i) PT − ēi• )2 . T −K −1 t=1 (eit = 3. tyto odhady poté zprůměrujeme – získáme odhad s̄2 Pn = − ēi• )2 . nT − nK − n i=1 PT Burdejová P., Lendel G., Orel J., Sůva P. t=1 (eit Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Formulácia Odhad parametrov Konzistentní odhady σ̂2 a σ̂u2 4. korekce stupňů volnosti (původní počet odpovídá situaci odhadu všech parametrů pro každé i zvlášt’) Pn PT (eit − ēi• )2 2 . σ̂ = i=1 t=1 nT − K − n 5. V modelu ȳi• = α + β 0 x̄i• + ui + ¯i• máme n „průměrných reziduí“ ∗∗i = ¯i• + ui = ȳi• − α − β 0 x̄i• . Tato jsou nezávislá s rozptylem 2 var (∗∗i ) = σ∗∗ = Burdejová P., Lendel G., Orel J., Sůva P. σ2 . σu2 Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Formulácia Odhad parametrov Odhad pro model s náhodnými efekty Odhadneme modelu ȳi• = α + β 0 x̄i• + ui + ¯i• a jeho reziduí 2 σ̂∗∗ = e0∗∗ e∗∗ n−K a σ̂e2 . T ⇒ opět získáváme konzistentní odhad matice Σ. 2 σ̂u2 = σ̂∗∗ − Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Formulácia Odhad parametrov Testování na přítomnost náhodných efektů Breusch, Pagan (1980): Test založený na Lagrangeových multiplikátorech LM-test H0 : σu2 = 0, H1 : σu2 6= 0 2 2 Pn PT t=1 eit nT i=1 Test. statistika: LM = − 1 , Pn PT 2 2 (T − 1) i=1 t=1 eit H LM ∼0 χ21 eit . . . rezidua z běžného OLS-odhadu. Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Testy specifikace modelu Model a odhad parametrov Príklad Volba modelu Mezi modely s fixními efekty a modely s náhodnými efekty a odhady jejich parametrů jsou mnohé rozdíly. =⇒ Nabízí se otázka: KTERÝ MODEL BYCHOM MĚLI POUŽÍT?? Z praktického hlediska je model s náhodými efekty vhodnější než regrese s dummy proměnnými v případě modelu s fixními efekty. Na druhou stranu, není možné vyšetřovat individuální efekty automaticky jako náhodné: Pokud by existovala korelace mezi vysvětlujícími proměnnými a náhodnými efekty, byl by Aitkenův odhad β̂ nekonzistetní! Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Testy specifikace modelu Model a odhad parametrov Príklad Idea Hausmanova testu Hausman (1978): Test specifikace modelu Idea Hausmanova testu Regresory a efekty nekorelované =⇒ odhady b a β̂ jsou oba konzistentní (a β̂ je neeficientní). Regresory a efekty korelované =⇒ b je konzistentní, zatímco β̂ je nekonzistentní. Test je tedy založen na rozdílu odhadů b − β̂. Pro test je důležitá kovariance vektoru rozdílu (b − β̂): cov[(b − β̂)] = var[b] + var[β̂] − cov[b, β̂] − cov[b, β̂] Burdejová P., Lendel G., Orel J., Sůva P. (1) Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Testy specifikace modelu Model a odhad parametrov Príklad Idea Hausmanova testu Důležitý Hausmanův poznatek Kovariance eficientního odhadu s jeho rozdílem s neeficientním odhadem je rovna nule. =⇒ Za platnosti nekorelovanosti platí: cov[b, (b − β̂)] = var[b] − cov[b, β̂] = 0 cov[b, β̂] = var[b] (2) Dosazením (2) do (1) získáme: var[(b − β̂)] = var[b] − var[β̂] = Ψ Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Testy specifikace modelu Model a odhad parametrov Príklad Hausmanův test Hausmanův test H0 : E(ci |X i ) = E(ci ) = 0 H1 : E(ci |X i ) 6= E(ci ) = 0 testová statistika W = (b − β̂)0 Ψ−1 (b − β̂) H Waldova statistika W ∼0 χ2 (K − 1) Matici Ψ odhadneme maticí \ \ − var[ Ψ̂ = var[b] β̂], \= kde var[b] 0 1 2 −1 N s (X̂ i X̂i ) \ a var[ β̂] = 0 1 2 −1 N s (X̃ i X̃ i ) , t-tý řádek matice X̂ i = je x it − x i , t-tý řádek matice X̃ i = je x it − λx i Burdejová P., Lendel G., Orel J., Sůva P. (3) λ=1− √ µ. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Testy specifikace modelu Model a odhad parametrov Príklad t-test β j . . . . . . . . . . . . . . . . . . . jednotlivý parametr, který chceme testovat Hausmanův t-test H0 : E(ci |X ij ) = E(ci ) = 0 H1 : E(ci |X ij ) 6= E(ci ) = 0 testová statistika t = (bj − β̂ j )/{[σ(bj )]2 − [σ(β̂ j )]2 }1/2 H t ∼0 N(0, 1). σ(bj ), σ(β̂ j ) směrodatné odchylky příslušné složky odhadů b,β̂. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . odhadneme standartními postupy. Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Testy specifikace modelu Model a odhad parametrov Príklad F-test Pro testování více parametrů je možno použít F-test: x̃ it = x it − λx i y˜it = yit − λyi w it . . . . . . . . . . . . . . . . .vektor o rozměrech 1 × M , podmnožina x it =⇒ Rozšířený model: ỹit = x̃ it β + w it ξ + ˜it (4) ξ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vektor o rozměrech M × 1 Hausmanův F-test H0 : ξ = 0 H1 : : ξ 6= 0 SSRr −SSRur NT −K −M testová statistika F = M SSRur H t ∼0 FM,NT −K −M . SSRr . . . . . . . . . . . . . pomocí b, SSRur . . . . . . . . . . . . . z modelu (4). Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Testy specifikace modelu Model a odhad parametrov Príklad Hausmanov a Taylorov model Pôvodný tvar lineárneho modelu pre panelové dáta: yit = x0it β + z0i α + it Náhodné efekty ⇒ nepozorované efekty zi musia byt’ nekorelované s premennými xit ⇒ hlavný nedostatok Model s náhodnými efektami môže obsahovat’ pozorované, v čase sa nemeniace charatkeristiky (napr. demografické) Model s fixnými efektmi ⇒ charakteristiky sú absorbované do fixných efektov Houseman a Taylor(1981) -prekonat’ problém s korelovanost’ou, zahrnút’ v čase nemenné charakteristiky Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Testy specifikace modelu Model a odhad parametrov Príklad Hausmanov a Taylorov model Východiskový model yit = x01it β 1 + x02it β 2 + z01i α1 + z02i α2 + it + ui β = (β 01 , β 02 ) zi sú pozorovatel’né efekty nepozorovatel’né efekty sú zahrnuté v náhodnej veličine ui x1it → K1 premenných, v čase meniace, nekorelované s ui x2it → K2 premenných, v čase meniace, korelované s ui z1i → L1 premenných, v čase nemeniace, nekorelované s ui z2i → L2 premenných, v čase nemeniace, korelované s ui Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Testy specifikace modelu Model a odhad parametrov Príklad Odhad pre Hausmanov a Taylorov model Predpoklady E[ui ] = E[ui |x1it , z1i ] = 0 avšak E[ui |x2it , z2i ] 6= 0 Var [ui |x1it , x2it , z1i , z2i ] = σu2 Cov [it , ui |x1it , x2it , z1i , z2i ] = 0 Var [it + ui |x1it , x2it , z1i , z2i ] = σ 2 = σ2 + σu2 Corr [it + ui , is + ui |x1it , x2it , z1i , z2i ] = ρ = σu2 /σ 2 OLS, GLS nie sú konzistentné ⇒ použijeme odhad založený na inštrumentálnych premenných. Autori navrhujú nasledujúci postup pomocou ktorého obdržíme konzistentý a eficientný odhad parametrov modelu: Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Testy specifikace modelu Model a odhad parametrov Príklad Postup odhadu 1.KROK: Odchylky od priemerov Uvážime odchylky od skupinových priemerov čím odstránime čast’ disturbancie, ktorá je korelovanú s x2it yit − ȳi. = (x1it − x̄1i )0 β 1 + (x2it − x̄2i )0 β 2 + it − ¯i ⇒ β môžeme konzistentne odhadnút’ Tento odhad je vlastne LSDV odhad β založený na x1 , x2 . ⇒ 1.krok: LSDV odhad β Vypočítame reziduá Odhad reziduálneho rozptylu s2 je konzistentný odhad σ2 Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Testy specifikace modelu Model a odhad parametrov Príklad Postup odhadu 2.KROK Z reziduí eit vypočítame priemery pre jednotlivé skupiny Dostaneme: eit∗ = ēi. , i = 1, . . . , n, t = 1, . . . , T . Regresia eit∗ na z1 a z2 s inštrumentami z1 a x1 dá konz. odhad α. Odhad reziduálneho rozptylu je konzistentný odhad σu2 + σ2 /T 3.KROK Pomocou predchádzajúcich odhadov odhadneme: s σ2 θ= 2 σ + T σu2 Pôvodný model sa potom v d’alšom kroku transformuje pomocou θ̂ Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Testy specifikace modelu Model a odhad parametrov Príklad Postup odhadu 4.KROK: w0it = (x01it , x02it , z01i , z02i ), zapíšeme do W Model transformujeme: w∗it 0 = w0it − (1 − θ̂)w̄0i , yit∗ = yit − (1 − θ̂)ȳi Transformované dáta zapíšeme do matice W∗ a vektora y∗ Odhad Hausman a Taylor Za inštrumentálne premenné vezmeme: v0it = [(x1it − x̄1i )0 , (x2it − x̄2i )0 , z01i , x01i ] Všetky zapíšeme do matice V a dostaneme odhad: 0 (β̂ , α̂0 )IV = [(W ∗0 V )(V 0 V )−1 (V 0 W ∗ )]−1 [(W ∗0 V )(V 0 V )−1 (V 0 y ∗ )] Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Testy specifikace modelu Model a odhad parametrov Príklad The returns to schooling Študujeme ekonomický úžitok vzdelávania: závislá premenná: log(mzda) ekonomické benefity vzdelávania sú korelované s latentnými, nemeratel’nými charakteristikami vrodené schopnosti, inteligencia, vytrvalost’ Nezávislé premenné Skúsenosti = Vek-Vzdelávanie(čas v rokoch)-5 Vzdelávanie Zlé zdravie = 1-zlý zdravotný stav, 0-dobrý zdravotný stav Rasa = 1-beloch, 0-nebeloch Odbory = 1-člen odborov, 0-nie Nezamestnaný = 1-v min. roku nezamestnaný, 0-zamestnaný Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Testy specifikace modelu Model a odhad parametrov Príklad The returns to schooling Korelovanost’ ⇒ problém s modelom s náhodnými efektami Alternatívou je model s fixnými efektami, ale: Datové štruktúry často obsahujú vel’a užitočných v čase nemenných premenných Samotné vzdelanie je v čase nemenná premenná!!! ⇒ Fixné efekty s LSDV odhadom nevhodné Odhady-nevhodné Súbor 750 mužov (25-55) pozorovaných v rokoch 1968 a 1972 Zahrnieme ešte absolútny člen a indikátor roku Modelujeme: ako klasický model lin. regresie → OLS odhad: 0,0669 ako model s náhodnými efektami → GLS odhad: 0,0676 Obe hodnoty nízke Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Testy specifikace modelu Model a odhad parametrov Príklad The returns to schooling Premenné Skúsenosti Zlé zdravie Nezamestnaný Čas Skúsenosti Nezamestnaný Rasa Odbory Konštanta Vzdelanie x1 x2 z1 z2 HT/IV-GLS 0,0217 -0,0278 -0,559 NR -0,0278 0,1227 NR 0,1246 HT/IV-GLS -0,0388 NR 0,0241 -0,0560 -0,0175 0,2240 NR 0,2169 Hausmanov test LSDV s 3 premennými ⇒ χ2 štatistika má tri stupne volnosti ⇒ 95% kritická hodnota = 7,81 GSL 20.2 HT/IV-GLS(1) 2.24 Burdejová P., Lendel G., Orel J., Sůva P. HT/IV-GLS(2) 0 Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Aerolinky Kriminalita (s výstupy) Aerolinky Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Aerolinky Kriminalita (s výstupy) Aerolinky Nákladová funkce leteckých společností Data: údaje o 6 amerických leteckých společnostech za 15 let (1970-1984). Pro celkové náklady Greene([3]) navrhl jednoduchý model: log costit = β1 + β2 log outputit + β3 log fuel priceit + +β4 log load factorit + it output . . . . . . . . . . . . . . . . . . . . . . . je měřen v příjmu za míli na cestujícího. load factor . . . . . . . . . . . . . . . . . . . . . . . . . . . . míra využití kapacity letadel. odhad OLS log costit = 9.5169(0.22924) + 0.88274(0.013255) log outputit + 0.45398(0.020304) log fuel priceit −1.62751(0.34540) log load factorit + it R 2 = 0.9882898 s2 = 0.015528 Burdejová P., Lendel G., Orel J., Sůva P. e 0 e = 1.335442193 Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Aerolinky Kriminalita (s výstupy) Aerolinky - modely s fixními efekty Autoři model modifikovali o odhadli parametry pro tři verze modelů s fixními efekty: Efekty specifické pro firmy (celkem tedy 6 efektů) Efekty specifické pro čas. období (=roky - celkem 15) Model kombinující dva výše uvedené (tj. 6 + 15 = 25) Tabulka výsledných odhadů těchto tří modelů (pro srovnání také odhad OLS): Model β1 β2 β3 β4 R2 OLS 9.517 0.882 0.453 -1.627 0.988 (0.229) (0.013) (0.0203) (0.345) Efekty - Firmy 0.919 0.417 -1.070 0.9974 0.0036 (0.030) (0.015) (0.202) a1 , . . . , a6 9.706 9.665 9.497 9.891 9.730 Efekty - Čas.obd. 0.868 -0.484 -1.954 0.990 0.017 (0.015) (0.364) (0.442) c1 , . . . , a 8 20.496 20.578 20.656 20.741 21.200 c9 , . . . , c15 21.829 22.114 22.465 22.651 22.616 Efekty 12.667 0.817 0.168 -0.882 0.998 Firmy i čas. obd. (2.081) (0.032) (0.163) (0.262) a1 , . . . , a6 0.128 0.065 -0.189 0.134 -0.093 c1 , . . . , a8 -0.374 -0.319 -0.277 -0.223 -0.154 c9 , . . . , c15 0.047 0.091 0.207 0.285 0.301 Burdejová P., Lendel G., Orel J., Sůva P. s2 0.015 9.793 21.411 22.552 0.0027 -0.046 -0.108 0.300 21.503 22.537 21.654 -0.077 0.319 -0.021 Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Aerolinky Kriminalita (s výstupy) Aerolinky - modely s fixními efekty - testy specifikace Přítomnost efektů specifických pro jednotlivé společnosti v modelu otestujeme F-testem: F [5, 81] = (0, 997434 − 0, 98829)/5 = 57, 164 (1 − 0, 997431)/81 Kritická hodnota statistiky F na 95% hladině je 2, 327 ⇒ Test signifikatně svědčí pro přítomnost firemních efektů. Testová statistika pro přítomnost efektů pro dané roky vyjde F [14, 72] = 1, 170 < než krit. hodnota 1, 832. ⇒ Nemůžeme potvrdit přítomnost časově specif. efektů. Pokud ovšem vyjdeme z modelu, který již obsahuje firemní efekty, a otestujeme jej na přítomnost časových efektů, dostaneme F [14, 67] = 3, 149, t.j. > kritická hodnota 1, 842. Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Aerolinky Kriminalita (s výstupy) Aerolinky - modely s náhodnými efekty Test na přítomnost náhodných efektů (Breusch-Pagan) Vektor průměrů reziduí jednotlivých firem je: e = (0, 0687; −0, 0139; −0, 1942; 0, 1527; −0, 0215; 0, 0081) statistika LM = Pn nT i=1 Pn 2 (T − 1) P T t=1 i=1 PT eit 2 2 t=1 eit 2 − 1 = 334, 85. Kritická hodnota χ21 rozdělení na 95% hladině je 3, 84 ⇒ Zamítáme nulovou hypotézu a můžeme usuzovat přítomnost náhodných efektů v datech. Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Aerolinky Kriminalita (s výstupy) Aerolinky - modely s náhodnými efekty Výpočet složek rozptylu v modelu s náhodnými efekty Výpočtem dostaneme odhady σ2 a σu2 : σ̂2 = 0.2926222 = 0.0036126, 90 − 9 ˆ σ 2 = 1.335442 = 0.015528, σ2 + u 90 − 4 σ̂u2 = 0.015528 − 0.0036126 = 0.0199158. Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Aerolinky Kriminalita (s výstupy) Aerolinky - modely s náhodnými efekty Následující tabulka shrnuje odhady parametrů pro model s náhodnými efekty pro firmy model s náhodnými efekty pro firmy i jednotlivé roky Model OLS Efekty - firmy Efekty firmy i čas. období β1 9.517 (0.2292) 9.6106 (0.2028) β2 0.883 (0.0133) 0.90412 (0.0246) β3 0.454 (0.0203) 0.42390 (0.0138) β4 -1.628 (0.3453) -1.0646 (0.1993) 9.799 (0.8791) 0.8433 (0.0258) 0.3876 (0.0685) -0.9294 (0.2572) Burdejová P., Lendel G., Orel J., Sůva P. R2 0.989 s2 0.0156 σu2 = 0.011916 σ2 = 0.003613 σu2 = 0.0142291 σ2 = 0.00264 σv2 = 0.0551958 Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Aerolinky Kriminalita (s výstupy) Aerolinky - Hausmanův test Odhady variančních matic Odhady variančních matic var[b] a var[β̂] vyjdou následovně: 0.0008934 −0.0003178 −0.001884 \ = −0.0003178 0.0002310 −0.0007686 var[b] −0.001884 −0.0007686 0.04068 0.0006059 −0.0002089 −0.001450 \ var[ β̂] = −0.0002089 0.00018897 −0.002141 −0.001450 −0.002141 0.03973 Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Aerolinky Kriminalita (s výstupy) Aerolinky - Hausmanův test Fixní či náhodné efekty? Testová statistika Hausmanova testu vyjde W = 4.16. Kritická hodnota χ2 (3) je 7.814 ⇒ nemůžeme zamítnout nulovou hypotézu nekorelovanosti efektů s ostatními regresory. Vzhledem k výsledku Breush-Paganovu LM-testu, který svědčil o přítomnosti individuálních efektů v datech, se jako nejlepší volba jeví některý z modelů s náhodnými efekty. Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Aerolinky Kriminalita (s výstupy) Kriminalita Data CORNWELL.RAW (z Cornwell and Trumball, 1994) Údaje o kriminalitě z okrsků Severní Karolíny z let 1981-1987. Celkem 90 okrsků. O každém 21 proměnných v každém roce. Vybrané regresory crmrte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . úroveň kriminality. prbarr. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .pravděpodobnost zatčení. prbconv . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . pravděpodobnost odsouzení. prbpris . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . pravděpodobnost uvěznění. avgsen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . průměrná tvrdost trestu. polpc. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .počet policistů na obyvatele. Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Aerolinky Kriminalita (s výstupy) OLS odhad Modely jsme odhadovali v programu R. balíček plm. Základní model log crmrteit = β1 + β2 log prbarrit + β3 log prbconvit + β4 log prbprisit + β5 log avgsenit + β6 log polpcit + it Odhad metodou OLS log crmrteit = −2.20690 − 0.72151 log prbarrit − 0.54930 log prbconvit + 0.23794 log prbprisit − 0.06517 log avgsenit + 0.36251 log polpcit + it R 2 = 0.5658 Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Aerolinky Kriminalita (s výstupy) Kriminalita - modely s fixními efekty Model s fixními efekty pro jednotlivé okrsky (n = 90, T = 7, K = 5, N = 630) Oneway (individual) effect Within Model Call: plm(formula = log(crmrte) ~ log(prbarr) + log(prbconv) + log(prbpris) + log(avgsen) + log(polpc), data = E, model = "within") Balanced Panel: n=90, T=7, N=630 Coefficients : Estimate Std. Error t-value Pr(>|t|) log(prbarr) -0.383564 0.033468 -11.4606 < 2.2e-16 *** log(prbconv) -0.306005 0.021858 -13.9994 < 2.2e-16 *** log(prbpris) -0.195510 0.033364 -5.8598 4.633e-09 *** log(avgsen) 0.035710 0.026125 1.3669 0.1717 log(polpc) 0.413792 0.027470 15.0635 < 2.2e-16 *** Odhady individuálních efektů pro okrsky 1 3 55 87 113 115 165 185 Estimate Std. Error -1.58021 0.17444 -2.09820 0.20408 -1.76908 0.16656 -2.00526 0.18215 -2.91151 0.17605 -3.86749 0.15368 -1.32267 0.17825 -2.51018 0.16846 t-value -9.0586 -10.2812 -10.6214 -11.0090 -16.5375 -25.1652 -7.4205 -14.9003 Pr(>|t|) < 2.2e-16 < 2.2e-16 < 2.2e-16 < 2.2e-16 < 2.2e-16 < 2.2e-16 1.168e-13 < 2.2e-16 Burdejová P., Lendel G., Orel J., Sůva P. *** *** *** *** *** *** *** *** Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Aerolinky Kriminalita (s výstupy) Kriminalita - modely s fixními efekty Model s fixními efekty pro jednotlivé období Oneway (time) effect Within Model Call: plm(formula = log(crmrte) ~ log(prbarr) + log(prbconv) + log(prbpris) + log(avgsen) + log(polpc), data = E, effect = "time", model = "within") Balanced Panel: n=90, T=7, N=630 Coefficients : Estimate Std. Error t-value Pr(>|t|) log(prbarr) -0.719497 0.036766 -19.5694 < 2.2e-16 log(prbconv) -0.545677 0.026369 -20.6940 < 2.2e-16 log(prbpris) 0.247528 0.067228 3.6819 0.0002315 log(avgsen) -0.086721 0.057921 -1.4972 0.1343351 log(polpc) 0.365980 0.030026 12.1888 < 2.2e-16 *** *** *** *** Odhady individuálních efektů pro roky 81 82 83 84 85 86 87 Estimate Std. Error -2.08248 0.25163 -2.07731 0.24508 -2.12594 0.24545 -2.19125 0.24265 -2.16050 0.24238 -2.12454 0.24583 -2.10947 0.24815 t-value -8.2760 -8.4760 -8.6615 -9.0304 -8.9135 -8.6424 -8.5009 Pr(>|t|) 2.220e-16 < 2.2e-16 < 2.2e-16 < 2.2e-16 < 2.2e-16 < 2.2e-16 < 2.2e-16 Burdejová P., Lendel G., Orel J., Sůva P. *** *** *** *** *** *** *** Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Aerolinky Kriminalita (s výstupy) Kriminalita - modely s fixními efekty - testy Testování H0 : všechny objekty mají stejný efekt. F-test F-test pro efekty pro okrsky: F = 40.6938, df1 = 89, df2 = 535, p-value < 2.2e-16 alternative hypothesis: unstability F-test pro efekty pro roky: F = 1.0061, df1 = 6, df2 = 618, p-value = 0.4202 alternative hypothesis: unstability BP LM-test LM-test pro efekty pro okrsky: chisq = 933.6709, df = 1, p-value < 2.2e-16 alternative hypothesis: significant effects LM-test pro efekty pro roky: chisq = 0.0881, df = 1, p-value = 0.7666 alternative hypothesis: significant effects =⇒ V datech jsou pouze individuální efekty pro okrsky, časové efekty nikoli. Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Aerolinky Kriminalita (s výstupy) Kriminalita - model s náhodnými efekty Model s náhodnými efekty Oneway (individual) effect Random Effect Model (Swamy-Arora’s transformation) Balanced Panel: n=90, T=7, N=630 Effects: var std.dev share idiosyncratic 0.021557 0.146822 0.1935 individual 0.089870 0.299783 0.8065 theta: 0.81798 Coefficients : (Intercept) log(prbarr) log(prbconv) log(prbpris) log(avgsen) log(polpc) Estimate Std. Error t-value Pr(>|t|) -1.929549 0.177325 -10.8814 < 2.2e-16 *** -0.448619 0.032643 -13.7433 < 2.2e-16 *** -0.346943 0.021446 -16.1776 < 2.2e-16 *** -0.187747 0.034809 -5.3936 6.905e-08 *** 0.027675 0.027494 1.0066 0.3141 0.418495 0.026990 15.5058 < 2.2e-16 *** Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Aerolinky Kriminalita (s výstupy) Kriminalita - modely s fixními efekty - testy Porovnání modelů Model OLS Fixní efekty pro okrsky Fixní efekty pro roky Náhodné efekty β1 -2.2069 (0.0238) -1.9295 (0.1772) β2 -0.7215 (0.0367) -0.3835 (0.0334) -0.7194 (0.0367) -0.4486 (0.0326) β3 -0.5493 (0.0262) -0.3060 (0.0218) -0.5456 (0.0263) -0.3469 (0.0214) β4 0.2379 (0.0664) -0.1955 (0.0333) 0.2475 (0.0672) -0.1877 (0.0348) β5 -0.0651 (0.0553) 0.0357 (0.0261) -0.0867 (0.0579) 0.0276 (0.0274) β6 0.3625 (0.0299) 0.4137 (0.0274) 0.3659 (0.0300) 0.4184 (0.0269) σ2 = 0.1468 σu2 = 0.2997 Hausmanův test Hausman Test data:log(crmrte) ~ log(prbarr) + log(prbconv) + log(prbpris) + log(avgsen) +log(polpc) chisq = 179.2846, df = 5, p-value < 2.2e-16 alternative hypothesis: one model is inconsistent =⇒Model s náhodnými efekty není vhodné použít. =⇒Ideální je model s fixními efekty pro jednotlivé okrsky. Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady) Panelové dáta Model s fixními efekty Model s náhodnými efekty Hausmanov a Taylorov model Příklady Aerolinky Kriminalita (s výstupy) Zdroje [1] Baltagi, B. H. (2005): Econometric Analysis of Panel Data. John Wiley & Sons Ltd, Chichester. [2] Cipra T. (2008): Finanční ekonometrie. Ekopress, Praha. [3] Greene, W. H. (2002): Econometric Analysis. Macmillam Press, New York. [4] Wooldridge, J. M. (2001): Econometric Analysis of Cross Section and Panel Data. MIT Press, Cambridge, Massachusetts. Prezentáciu možné stiahnut’ na: www.matfyz.cz/pavel.suva www.petra.burdejova.matfyz.cz Burdejová P., Lendel G., Orel J., Sůva P. Regresní model s fixními a náhodnými efekty (s příklady)