lectures in applied econometrics 09
TRANSCRIPT
-
8/19/2019 Lectures in Applied Econometrics 09
1/6
9. Ορισμένα μη γραμμικά υποδείγματα
Κ εφάλαιο 9.Ορισμένα Μη -
Γραμμικά
Υποδείγματα Ας υποθέσουμε ότι έχουμε το γενικό υπόδειγμα:
( )( 1)
;i i i i ik
f x f β β ×
= + ≡ + ÷
Y u u ,
2~ (0, )i iid N σ u ,
για κάθε 1,...,i n= .
Ένα κλασσικό παράδειγμα, είναι η συνάρτηση παραγγ!ς Cobb- Douglas με προσθετικά σφάλματα:
32
1 i i i i L K β β β = +Y u , για κάθε 1,...,i n= .
"ο υπόδειγμα# αυτό, δεν μπορεί να εκτιμηθεί με τη μέθοδο LS,α$ο% δεν είναι γραμμικό στις παραμέτρους β , δηλαδ! δεν μπορο%μενα πάρουμε λογαρίθμους και να καταλ!&ουμε σε ένα υπόδειγμα πουνα είναι γραμμικό στα β .
'αν ένα απλ παράδειγμα, ας θερ!σουμε το μη γραμμικό
υπόδειγμα:
i i
X β = + i
Y u ,
( )2~ 0,i iid N σ u ,για κάθε 1,...,i n= .
1 Η κατανομή του στοχαστικού όρου πρέπει να έχει διακύμανση επαρκ! μικρή, στε το προ"όν να μπορε#
να $#νει αρνητικό μόνο με μια αμε%ητέα πι&ανότητα.
21'
-
8/19/2019 Lectures in Applied Econometrics 09
2/6
9. Ορισμένα μη γραμμικά υποδείγματα
"έτοια υποδείγματα θα πρέπει να εκτιμηθο%ν με τη μη γραμμικ!μέθοδο ελαχίστν τετραγ(νν. Α&ί)ει να ανα$έρουμε, ότι πολλάοικονομετρικά πακέτα μπορο%ν να μεγιστοποι!σουν μια λογαριθμικ!συνάρτηση πιθανο$άνειας, !"ρί# να είναι αναγκαίο να
υπολογίσουμε τις παραγ(γους*
ς προς τις παραμέτρους, θ .
$ιακριτ% ε&αρτημένη μετα'λητ%
Ας υποθέσουμε ότι iY είναι μια μετα+λητ!, τέτοια (στε 0iY = αν έναςδανειολ!πτης έχει πτχε%σει και 1iY = δια$ορετικά. 'τη διάθεσ!
μας, έχουμε ένα σ%νολο χαρακτηριστικ(ν( 1)
ik
x×
για τον δανειολ!πτη i
ηλικία, ετ!σιο εισόδημα, περιουσιακά στοιχεία κλπ- και μαςενδια$έρει να ε&ηγ!σουμε το λόγο για τον οποίο ορισμένοιδανειολ!πτες πτχε%ουν και άλλοι όχι. Αν είμαστε σε θέση να
κάνουμε κάτι τέτοιο με σχετικ! επιτυχία, τότε θα είμαστε σε θέση ναπρο+λέουμε αν ένας νέος δανειολ!πτης, με ορισμένα συγκεκριμέναχαρακτηριστικά, θα πτχε%σει ! όχι.
/ διαδικασία αυτ!, είναι πολ% σημαντικ! στον τραπε)ικό τομέα καιείναι γνστ! σαν ανάλ(ση πιστ"τικο) κινδ)νο( *credit riskanalysis+.
/ απλ! 01 παλινδρόμηση, i i i x β ′= +Y u , δεν μπορεί να οδηγ!σει σεαμερόληπτο εκτιμητ! του β . Ο λόγος, είναι ότι το iu με δεδομένο το
i x - λαμ+άνει τις τιμές i x β ′− και 1 i x β ′− και επομένς η αναμενόμενητιμ! του γενικά δεν θα είναι μηδέν.
2ραγματικά, αν οι τιμές αυτές έχουν πιθανότητες i p και 1 i p− , τότε:
( ) ( ) ( ) ( ) 1 1i i i i i i E x p x p xβ β ′ ′= × − + − × −u , για κάθε 1,...,i n= ,
το οποίο, γενικά δια$έρει, από το μηδέν. 3πομένς, η παρουσίαδιακριτ!ς ε&αρτημένης μετα+λητ!ς, είναι καταστρο$ικ! για τη
μέθοδο 01 και θα πρέπει να ανα)ητ!σουμε εναλλακτικές.
2 έτοια πακέτα ε#ναι το *+, +-/, 456, 789 κ%π. α *+ και το 456 έχουν τηδυνατότητα να υπο%ο$#σουν τι! ανα%υτικέ! παρα$$ου! με ειδικέ! τεχνικέ! συμ:ο%ική! %$ε:ρα!, πρ$μα
που κα&ιστ περιττό τον υπο%ο$ισμό του! από το χρήστη. ραση $ια τη συνρτηση πι&ανο>νεια! και τι! ανα%υτικέ! παρα$$ου!
$ια την εκτ#μησή τ=ν υποδει$μτ=ν με τη μέ&οδο 7.
21?
-
8/19/2019 Lectures in Applied Econometrics 09
3/6
9. Ορισμένα μη γραμμικά υποδείγματα
Ας υποθέσουμε ότι @iY είναι μια μη παρατηρ%σιμη μετα'λητ% που
δηλ(νει τη ροπ! ενός δανειολ!πτη να είναι συνεπ!ς ! τηχρησιμότητα που απολαμ+άνει από το να είναι συνεπ!ς.
4α υποθέσουμε ότι:@ i i i x β ′= +Y u ,
( )2~ 0,i iid N σ u ,για κάθε 1,...,i n=
και επιπλέον ότι:@
@
1, αν 0,
0, αν 0.
i
i
i
≥=
-
8/19/2019 Lectures in Applied Econometrics 09
4/6
9. Ορισμένα μη γραμμικά υποδείγματα
3πομένς, στη συγκεκριμένη περίπτση, η συνάρτηση πιθανο$άνειαςπρέπει να είναι:
( ) ( ) ( )E 1F E 0F E 1F E 0F
, ; , 1 0 .i i i i
i ii i i i
i Y i Y i Y i Y
x x L Y X P x P x
β β β σ
σ σ = = = =
′ ′ = = × = = Φ × Φ − ÷ ÷
∏ ∏ ∏ ∏Y Y
6λέπουμε ότι η συνάρτηση πιθανο$άνειας, είναι συνάρτηση μόνο τουAβ σ και όχι τν παραμέτρν αυτ(ν χριστά.
3πομένς, δεν είμαστε σε θέση να ταυτοποι!σουμε τα β και σ
χριστά. 7ια πολ% συνηθισμένη προσέγγιση, είναι να θέσουμε 1σ = ,οπότε θα έχουμε τη συνάρτηση πιθανο$άνειας8:
( ) ( ) ( )E 1F E 0F
; ,i i
i i
i Y i Y
L Y X x xβ β β = =
′ ′= Φ × Φ −∏ ∏ .
/ λογαριθμικ! συνάρτηση πιθανο$άνειας, είναι:
( ) ( ) ( )E 1F E 0F
GH ; , GH GHi i
i i
i Y i Y
L Y X x xβ β β = =
′ ′= Φ + Φ −∑ ∑ .
/ συνάρτηση Φ δεν είναι γνστ! αναλυτικά, αλλά μπορεί ναπροσεγγισθεί αριθμητικά και είναι διαθέσιμη σε όλα ταοικονομετρικά πακέτα, όπς και σε πολλά παραρτ!ματα στατιστικ(νκαι οικονομετρικ(ν +ι+λίν, (στε να μπορεί κανείς να υπολογίσει
τις κριτικές τιμές της τυπικ!ς κανονικ!ς κατανομ!ς.
3ίναι $ανερό, ότι η μεγιστοποίηση της λογαριθμικ!ς συνάρτησηςπιθανο$άνειας ς προς β , δεν μπορεί να γίνει αναλυτικά και έτσιπρέπει να χρησιμοποι!σουμε αριθμητικές μεθόδους για ναυπολογίσουμε τις εκτιμ!σεις μέγιστης πιθανο$άνειας.
3 Iια ισοδύναμη προσέ$$ιση ε#ναι να &έσουμε :Aσ J $ και να εκτιμήσουμε του! συντε%εστέ! $.
21K
7ε δεδομένες τις εκτιμ!σεις Lβ , ένας νέος δανειολ!πτης μεχαρακτηριστικά στο διάνυσμα 0 x , θα έχει πιθανότητα
πτ(χευσης:
( ) ( )0 0 L0 i P x x β ′= = Φ −Y .
Αν η πιθανότητα αυτ! είναι σχετικά μεγάλη, γιαπαράδειγμα μεγαλ%τερη από .8 ! ., η τράπε)α έχειεπαρκ! στοιχεία για να αρνηθεί τη χορ!γηση δανείου.
-
8/19/2019 Lectures in Applied Econometrics 09
5/6
9. Ορισμένα μη γραμμικά υποδείγματα
Αν ορίσουμε τη συνάρτηση:
GH ( ) ( )( )
( )
d z z x
dz z
ϕ ΦΛ = =
Φ, όπου ( ) ( )
1A 2 2( ) 2 4BC A 2 z z ϕ π −= − ,
είναι η συνάρτηση πυκνότητας πιθανότητας της τυπικ!ς κανονικ!ςκατανομ!ς, θα έχουμε:
( )( ) ( )
( 1)E 1F E 0F
( 1)
GH ; ,
i i
i i i
k i Y i Y
k
L Y X x x x
β β β
β ×= =×
∂′ ′= Λ − Λ − ×
∂ ∑ ∑
1 4 4 2 4 43.
Οι εκτιμ!σεις μέγιστης πιθανο$άνειας, θα είναι λ%σεις τν μηγραμμικ(ν ε&ισ(σεν:
( ) ( )( 1)( 1)E 1F E 0F
L L 0i i
i i ik k i Y i Y
x x xβ β ××= =
′ ′Λ − Λ − × =
∑ ∑ .
Οι λ%σεις Lβ , δεν μπορο%ν να υπολογισθο%ν αναλυτικά, αλλά
μπορο%ν να υπολογισθο%ν αριθμητικά, με διά$ορες αριθμητικέςμεθόδους μεγιστοποίησης. Ο μέθοδοι αυτές, υπάρχουν σε όλα ταοικονομετρικά πακέτα και είναι σε θέση να δ(σουν εκτιμ!σεις τνπαραμέτρν σε λίγα δευτερόλεπτα, ακόμη και στη περίπτση πουέχουμε πολ% μεγάλα δείγματα πχ . άτομα-.
2οια είναι η επίδραση τν χαρακτηριστικ(ν στην πιθανότητα γιαπτ(χευση; 7πορο%με να υπολογίσουμε ε%κολα, ότι:
( )( ) ( )
( 1)
( 1)
0 i i
i i
k i
k
P x x x
xϕ β β ϕ β β
×
×
∂ =′ ′= − − × = − ×
∂Y
1 44 2 4 43.
5υσικά, θα έχουμε :
( ) ( )GH 0 i i ii
P x x x
β β ∂ = ′= − Λ ×∂Y .
Αν ορισμένα i x είναι σε λογαρίθμους, τότε η παραπάν έκ$ραση δίνει
την ελαστικότητα της επίδρασης αυτ(ν τν χαρακτηριστικ(ν στηπιθανότητα της πτ(χευσης.
220
-
8/19/2019 Lectures in Applied Econometrics 09
6/6
9. Ορισμένα μη γραμμικά υποδείγματα
/ συνάρτηση Λ , είναι πάντα θετικ! και επομένς τα πρόσημα τνεπιδράσεν, θα είναι τα ίδια με τα πρόσημα τν β .
"ο γεγονός ότι η συνάρτηση Φ δεν είναι διαθέσιμη αναλυτικά,οδ!γησε τους ερευνητές σε εναλλακτικές συναρτ!σεις κατανομ!ς που
να μπορο%ν να υπολογισθο%ν σε αναλυτικ! μορ$!. 7ια τέτοια, είναι
η λογιστικ! συνάρτηση κατανομ!ς, ( )( )
1
1 4BC F z
z =
+ − , για κάθε z ∈ ¡ .
Από τη μορ$! της συνάρτησης πιθανο$άνειας, είναι προ$ανές ότι θαμπορο%σαμε να υποθέσουμε απευθείας δηλαδ! χρίς τη χρ!ση της μη
παρατηρ!σιμης μετα+λητ!ς @iY - ότι έχουμε:
( ) ( )( )
11
1 4BCi i i
i
P x F x x
β β
′= = =′+ −
Y
και επομένς:
( )( )
10
1 4BCi i
i
P x x β
= =′+
Y .
"ο υπόδειγμα αυτό, είναι γνστό σαν logit και χρησιμοποιείταιευρ%τατα, μα)ί με το υπόδειγμα probit. / λογαριθμικ! συνάρτησηπιθανο$άνειας του υποδείγματος logit, θα είναι:
( ) ( )E 0F
GH ; , GH 1 4BCi
i i
i i Y
L Y X x xβ β β =
′ ′= − + − − ∑ ∑ .
/ συνάρτηση αυτ!, είναι ε%κολο να μεγιστοποιηθεί με τις γνστέςαριθμητικές μεθόδους. Οι συνθ!κες πρ(της τά&ης για τον υπολογισμότν εκτιμ!σεν μέγιστης πιθανο$άνειας, είναι:
( )1 E 0F1
L1 4BC
i
n
i i
i i Y i
x x x β = =
× =′+
∑ ∑ .
7πορεί να αποδειχθεί ότι οι λογαριθμικές συναρτ!σειςπιθανο$άνειας τν υποδειγμάτν logit και probit είναι παντο%
κοίλες και έχουν ένα μοναδικό μέγιστο.