Hastighed og indkomst Mogens Fosgerau. Overblik Motivation Teori Empiri Konklusioner.

Slides:



Advertisements
Lignende præsentationer
Dummyvariabler 13. oktober 2006
Advertisements

KM2: F221 Kvantitative metoder 2 Specifikation og dataproblemer 2. maj 2007.
Sammenligning af to grupper – kapitel 7
Kristiske faktorer og forudsætninger for vækst - Hvad betyder uddannelse? Carl-Johan Dalgaard Dansk Arbejdsgiverforening Beskæftigelsespolitisk konference.
Økonometri 1: Specifikation og dataproblemer1 Økonometri 1 Specifikation, og dataproblemer 4. november 2005.
KM2: F171 Kvantitative metoder 2 Dummyvariabler 2. april 2007.
Økonometri 1: Instrumentvariabelestimation1 Økonometri 1 Instrumentvariabelestimation 26. november 2004.
Statistik 1 – Lektion 5 By, energi & miljø, forår 2010 v. Morten Skou Nicolaisen.
Anvendt Statistik Lektion 8
Statistik Lektion 5 Log-lineære modeller.
Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable
Økonometri 1: Dummy variable
Økonometri 1: F3 Økonometri 1 Den simple regressionsmodel 15. september 2006.
Om variation og varians
Statistik II 5. Lektion Log-lineære modeller.
Økonometri 1 Gentagne tværsnit og panel data I. 2 Gentagne tværsnit og paneldata: Oversigt Observationer over individuelle enheder og tid: Wooldridge.
Økonometri 1: Specifikation og dataproblemer1 Økonometri 1 Specifikation, og dataproblemer 7. april 2003.
En empirisk undersøgelse af Vurderinger af tid i trafikken
Statikstik II 2. Lektion Lidt sandsynlighedsregning
Økonometri 1: F121 Økonometri 1 Heteroskedasticitet 27. oktober 2006.
Simpel Lineær Regression
Multipel Lineær Regression
Statikstik II 2. Lektion Lidt sandsynlighedsregning
Økonometri 1 Gentagne tværsnit og panel data I 13. november 2006.
KM2: F221 Kvantitative metoder 2 Gentagne tværsnit og panel data I 7. maj 2007.
Økonometri 1: Specifikation og dataproblemer1 Økonometri 1 Specifikation, og dataproblemer 9. november 2004.
Økonometri – lektion 5 Multipel Lineær Regression
Økonometri 1: Heteroskedasticitet1 Økonometri 1 Heteroskedasticitet 22. marts 2006.
KM2: F191 Kvantitative metoder 2 Heteroskedasticitet 16. april 2007.
Økonometri 1: Specifikation og dataproblemer1 Økonometri 1 Specifikation og dataproblemer 2. november 2004.
Økonometri 1 Gentagne tværsnit og panel data I 5. april 2006.
Økonometri – lektion 8 Multipel Lineær Regression
Økonometri 1: Dummy variable1 Økonometri 1 Dummy variable 24. marts 2003.
Økonometri – lektion 4 Multipel Lineær Regression Model Estimation Inferens.
Simpel Lineær Regression
Kvantitative metoder 2: Den multiple regressionsmodel1 Kvantitative metoder 2 Den multiple regressionsmodel 26. februar 2007.
Økonometri 1: Inferens i den multiple regressionsmodel1 Økonometri 1 Inferens i den multiple regressionsmodel 10. marts 2003.
Økonometri 1: Den simple regressionsmodel Økonometri 1 Den simple regressionsmodel 14. september 2004.
Økonometri 1: F151 Økonometri 1 Specifikation og dataproblemer 10. november 2006.
Grundlæggende teoretisk statistik
KM2: F181 Kvantitative metoder 2 Heteroskedasticitet 11. april 2007.
Økonometri 1: F41 Økonometri 1 Den multiple regressionsmodel 18. september 2006.
KM2: F51 Kvantitative metoder 2 Den simple regressionsmodel 19. februar 2007.
Økonometri 1: F51 Økonometri 1 Den multiple regressionsmodel 22. september 2006.
Økonometri 1: Heteroskedasticitet1 Økonometri 1 Heteroskedasticitet 26. oktober 2004.
KM2: F201 Kvantitative metoder 2 Heteroskedasticitet 18. april 2007.
Økonometri 1: Den multiple regressionsmodel1 Økonometri 1 Den multiple regressionsmodel 15. februar 2006.
Økonometri 1: Dummyvariabler1 Økonometri 1 Dummyvariabler 21. oktober 2004.
Økonometri 1: Den simple regressionsmodel Økonometri 1 Den simple regressionsmodel 13. februar 2003.
Økonometri 1: Heteroskedasticitet1 Økonometri 1 Heteroskedasticitet 31. marts 2003.
Økonometri 1: Den simple regressionsmodel Økonometri 1 Den simple regressionsmodel 7. september 2004.
Kvantitative metoder 2: Den multiple regressionsmodel1 Kvantitative metoder 2 Den multiple regressionsmodel 28. februar 2007.
Økonometri 1: F2 Økonometri 1 Den simple regressionsmodel 11. september 2006.
Økonometri 1: F141 Økonometri 1 Specifikation og dataproblemer 6. november 2006.
Økonometri 1: Dummyvariabler1 Økonometri 1 Dummyvariabler 12. oktober 2005.
Økonometri 1: Den simple regressionsmodel Økonometri 1 Den simple regressionsmodel 14. september 2005.
Statistik II 4. Lektion Logistisk regression.
Økonometri 1: Dummyvariabler1 Økonometri 1 Dummyvariabler 15. marts 2006.
Økonometri 1: Heteroskedasticitet1 Økonometri 1 Heteroskedasticitet 27. marts 2003.
Økonometri 1: Den multiple regressionsmodel1 Økonometri 1 Den multiple regressionsmodel 17. september 2004.
Økonometri 1: Heteroskedasticitet1 Økonometri 1 Heteroskedasticitet 29. oktober 2004.
Lineær og logistisk regression - fortsat
KM2: F41 Kvantitative metoder 2 Den simple regressionsmodel 14. februar 2007.
KM2: F211 Kvantitative metoder 2 Specifikation og dataproblemer 30. april 2007.
Opsamling ● Generelle lineære modeller ● Logistisk regression ● Log-lineære modeller ● Mini-projekt.
Samarbejde mellem matematik og samfundsfag. Disposition Indledning Hvorfor skal vi bruge 2 i samfundsfag? Hvordan kan matematikken bruges? Eksempel. Oplæg.
Den multiple regressionsmodel 21. september 2005
Heteroskedasticitet 25. oktober 2005
Anvendt Statistik Lektion 8
Anvendt Statistik Lektion 6
Præsentationens transcript:

Hastighed og indkomst Mogens Fosgerau

Overblik Motivation Teori Empiri Konklusioner

Motivation Gns. hastighed for personbiler på motorveje i det åbne land er 119 km/t (2002) Gns. hastighed for alle køretøjer er steget fra 103 km/t (1986) til 114 km/t (1998) Hvorfor? Hastighedsgrænse ændret i 1992 Antallet af bøder nogenlunde konstant

En generel tendens Forklaring må findes på et fundamentalt niveau Går til økonomisk teori – ser på tid og penge

Figure 1. The average speed on Danish motorways, real GDP per capita and user cost of car use

Litteratur Der findes ikke ret meget om emnet Review af makro-modeller: Indkomst  uheld Overholdelse af hastighedsgrænser (”jeg overskrider somme tider hastighedsgrænsen”) og indkomst, interviewdata, lille sample

Teori Grundlag –Bilister ønsker generelt at komme hurtigt frem –Men tid koster penge Bøder Brændstof Komfort (dyrere bil) Sikkerhed (dyrere bil) Fokuserer her på bøder som eneste omkostning for at holde tingene simple

Antagelser Bilister vil gerne hurtigt frem –Tid er penge værd –Værdi af tidsbesparelse svarer til timeløn efter skat –Tidsbesparelse afhænger af hastighed Hastighed koster –Risiko for bøde, hvis hastighedsgrænse overskrides –Bøde afhænger af overskridelse

Antagelser Man får bøde med en vis sandsynlighed Man vælger hastighed for at maksimere sin forventede nytte

Regne regne

Resultater En (i modellens forstand) rationel bilist vil overskride hastighedsgrænsen, når  < w/S 0 2 F Der skal gives én bøde per 8000 km, hvis en gns. bilist fra samplet akkurat skal overholde hastighedsbegrænsning med nuværende bødesatser Den aktuelle rate er én bøde per km

Resultater Generelt er hastigheden i modellen givet ved Stiger med indkomst Falder med sandsynlighed for bøde Falder med bødens størrelse Falder med fartgrænse Det er muligt at kompensere for sammenhæng med proportionalt indkomstafhængige bøder

Resultater Hvorfra kender man sandsynligheden for at få en bøde? Man kan estimere sandsynlighed ud fra egen historie Hvis andre er rationelle og hvis man kan gætte deres indkomst ud fra bilmærke etc., kan man gætte deres estimater Man kan udnytte denne information og få mere præcist estimat

Resultater Den enkelte kan således temmelig præcist vurdere sandsynligheden for at få en bøde Simpelthen som antallet af bøder i alt i forhold til det samlede trafikarbejde Dvs. de fleste bilisters estimat af sandsynlig- heden for at få en bøde er tæt på 1/ per km.

Empiri: data observationer af rejser som bilfører uden for hovedstadsområdet mangler indkomst er kortere end 2 km 225 er over 200 km kører langsommere end 20 km/t observationer til brug

Deskriptiv statistik Avg. speedNo. obs. DistanceIncomeLowMediumHighLowMediumHigh

Observationer 1.Hastighed stiger med afstand 2.Hastighed stiger med indkomst i hvert afstandsbånd 3.Indkomstafhængighed øges med afstand 4.Mennesker med højere indkomster rejser længere Tabel mangler kontrolvariable, derfor statistisk analyse

Estimation Hastighed, afstand og indkomst i logs for at reducere variansheterogenitet Hastighed = f(indkomst, afstand, kontroller) Desuden indkomst og afstand i anden samt alle andenordensinteraktioner, hierarkisk baglæns elimination

Estimation FGLS procedure 1.OLS: White test siger heteroskedasticitet 2.Auxiliær OLS af kvadrerede residualer på alle uafhængige variable med mange interaktioner 3.Forudsagte kvadrerede residualer som GLS vægte i original regression 4.White heteroskedasticitetskonsistente variansestimater

Resultater

Resultater Figure 2. Predicted speed at various distances

Resultater Figure 3. The derivative of log(speed) with respect to log(income)

Konklusioner Simpel mikroøkonomisk model, hvor tid har en værdi og der er risiko for bøde Tilstrækkeligt til at forklare sammenhæng mellem indkomst, bøde og sandsynlighed for bøde Model kan udvides med uheldsrisiko, kvalitet af bil, kørselsomkostninger. Ville blot gøre matematikken sværere, kvalitative konklusioner påvirkes ikke

Konklusioner En dansk og rationel (model)bilist vil køre for hurtigt Rationelle bilister kan observere hinandens hastighed og derved opnå en ret præcis vurdering af sandsynligheden for at få en bøde Hvordan virker kampagner?

Konklusioner Forventede sammenhænge genfindes i data Man kører hurtigere, hvis man kører langt tjener flere penge er mand, ung og/eller enlig Målte effekter er nok i underkanten. Effekt af indkomst nok større på motorveje Alder, familietype og køn korreleret med indkomst Vi observerer ikke vejtypen