Økonometri 1: Dummy variable1 Økonometri 1 Dummy variable 24. marts 2003.

Slides:



Advertisements
Lignende præsentationer
Kvantitative metoder 2 Dummyvariabler 28. marts 2007 KM2: F16.
Advertisements

Inferens i den lineære regressionsmodel 19. marts 2007
Dummyvariabler 13. oktober 2006
Heteroskedasticitet 23. oktober 2006
KM2: F221 Kvantitative metoder 2 Specifikation og dataproblemer 2. maj 2007.
Økonometri 1: Inferens i den lineære regressionsmodel1 Økonometri 1 FunktioneI form i den lineære regressionsmodel 19. oktober 2004.
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.
Økonometri 1 Mere om dataproblemer Gentagne tværsnit og panel data I.
Økonometri 1: Dummy variable
Økonometri 1: F3 Økonometri 1 Den simple regressionsmodel 15. september 2006.
Økonometri 1: Specifikation og dataproblemer1 Økonometri 1 Specifikation, og dataproblemer 7. april 2003.
Økonometri 1: Afslutningsforelæsning1 Økonometri 1 Afslutningsforelæsning 19. maj 2003.
Økonometri 1: Binær responsmodeller: Logit og probit1 Økonometri 1 Binær responsmodeller: Logit og probit 8. maj 2003.
KM2: F141 Kvantitative metoder 2 Inferens i den lineære regressionsmodel Funktionel form 21. marts 2007.
Økonometri 1: F121 Økonometri 1 Heteroskedasticitet 27. oktober 2006.
Økonometri 1: Inferens i den lineære regressionsmodel1 Økonometri 1 Inferens i den lineære regressionsmodel 1. oktober 2004.
Økonometri 1: Den multiple regressionsmodel1 Økonometri 1 Den multiple regressionsmodel 21. september 2004.
Økonometri 1: Specifikation og dataproblemer1 Økonometri 1 Specifikation, og dataproblemer 9. november 2004.
Økonometri 1: F91 Økonometri 1 Prediktion. Dummyvariabler 9. oktober 2006.
KM2: F151 Kvantitative metoder 2 Funktionel form. Goodness-of-fit. Prediktioner og residualer 26. marts 2007.
Heteroskedasticitet 17. marts 2006
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: Instrumentvariabelestimation1 Økonometri 1 Instrumentvariabelestimation II 28. april 2006.
Økonometri – lektion 8 Multipel Lineær Regression
Kvantitative metoder 2: Den multiple regressionsmodel1 Kvantitative metoder 2 Den multiple regressionsmodel 5. marts 2007.
Økonometri 1: Specifikation og dataproblemer1 Økonometri 1 Heteroskedaticitet (Specifikation og dataproblemer) 2. november 2005.
Økonometri 1: Specifikation og dataproblemer1 Økonometri 1 Specifikation og dataproblemer 29. marts 2006.
Økonometri 1: Inferens i den multiple regressionsmodel1 Økonometri 1 Inferens i den multiple regressionsmodel 3. marts 2003.
KM2: F61 Kvantitative metoder 2 Den simple regressionsmodel 21. februar 2007.
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.
Økonometri 1: Den multiple regressionsmodel1 Økonometri 1 Den multiple regressionsmodel 24. februar 2003.
Økonometri 1: Inferens i den lineære regressionsmodel1 Økonometri 1 Kvalitative variable 8. marts 2006.
Økonometri 1: Flere emner i den multiple regressionsmodel1 Økonometri 1 Flere emner i den multiple regressionsmodel 13. marts 2003.
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: Inferens i den lineære regressionsmodel1 Økonometri 1 FunktioneI form i den lineære regressionsmodel 11. oktober 2005.
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.
Økonometri 1: Heteroskedasticitet1 Økonometri 1 Heteroskedasticitet 24. marts 2006.
Økonometri 1: Instrumentvariabelestimation1 Økonometri 1 Instrumentvariabelestimation 7. december 2004.
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.
Økonometri 1: Instrumentvariabelestimation1 Økonometri 1 Instrumentvariabelestimation I 2. December 2005.
Økonometri 1: F71 Økonometri 1 Inferens i den lineære regressionsmodel 29. september 2006.
KM2: F41 Kvantitative metoder 2 Den simple regressionsmodel 14. februar 2007.
Økonometri 1: F131 Økonometri 1 Heteroskedasticitet 30. oktober 2006.
KM2: F211 Kvantitative metoder 2 Specifikation og dataproblemer 30. april 2007.
Den multiple regressionsmodel 21. september 2005
Heteroskedasticitet 25. oktober 2005
Præsentationens transcript:

Økonometri 1: Dummy variable1 Økonometri 1 Dummy variable 24. marts 2003

Økonometri 1: Dummy variable 2 Dagens program Emnet for denne forelæsning er kvalitative variable i den multiple regressionsmodel (Wooldridge kap ) Husk at udfylde spørgeskema 3 Hvad hvis den afhængige variabel er en kvalitative variable (med to kategorier) Lineær sandsynlighedsmodel Eksempel Mere om evaluering og selvselektion Introduktion til heteroskedasticitet

Økonometri 1: Dummy variable 3 Hvad hvis den afhængige variabel er en kvalitative variabel (med to kateg.) Indtil nu har vi betragtet den afhængige variabel som en kvantitativ variabel (løn, priser, forbrug, indkomst) Afhængige variabel:  Diskret variabel med to værdier Eksempler:  Deltagelse på arbejdsmarkedet eller ej  Bestået et kursus eller ej  Om man har bil eller ej  Videregående udd. eller ej  Har investeret i aktier eller ej  Firma gået konkurs eller ej

Økonometri 1: Dummy variable 4 Lineær sandsynlighedsmodel Når den afhængige variabel er en kvalitativ variabel med to kategorier, kan man lave en dummy variabel y=0 eller y=1 Regressionsmodellen Denne model kaldes den lineær sandsynligheds- model (på engelsk Linear probability model LPM) Fortolkningen af estimaterne i denne model er anderledes end i den ”alm.” lineære regressionsmodel  Parameteren kan ikke fortolkes som ændringen i y givet en enhedsændring i

Økonometri 1: Dummy variable 5 Lineære sandsynlighedsmodel Hvis antagelsen MLR 3 er opfyldt: Er den betingede middelværdi af y For binære variable gælder det Altså Hvor er respons sandsynligheden

Økonometri 1: Dummy variable 6 Lineære sandsynlighedsmodel Fortolkning af parameteren i en LPM: Parametrene angiver ændringen i sandsynligheden for at y=1 som følge af, at de forklarende variable ændres med en enhed Sandsynligheden for y=0 (betinget på x) kan også udregnes som LPM kan estimeres med OLS Hvor skal fortolkes som den predikterede sandsynlighed (for y=1)

Økonometri 1: Dummy variable 7 Lineær sandsynlighedsmodel Ulemper ved LPM: Prediktionerne er ikke 0 eller 1 som den afhængige variabel Predikterede sandsynligheder kan være negative eller overstige 1 Normalt er den predikterede sandsynlighed mellem 0 og 1 omkring gennemsnittet af de forklarende variable

Økonometri 1: Dummy variable 8 Lineær sandsynlighedsmodel Gauss Markov antagelserne LPM opfylder ikke antagelsen MLR 5 (Homoskedasticitet) Variansen af y betinget på x kan udregnes til Variansen afhænger altså af x

Økonometri 1: Dummy variable 9 Lineær sandsynlighedsmodel Egenskaber ved OLS estimatoren i LPM  OLS estimaterne er middelrette  Standardfejlene af estimaterne er ikke middelrette  F og t test ikke pålidelige

Økonometri 1: Dummy variable 10 Lineær sandsynlighedsmodel Hvordan kan problemerne med LPM løses? Problemet med heteroskedasticitet kan løses ved at korrigere standardfejlene (dette ser vi på i kap. 8) Det viser sig, at problemerne med heteroskedasticitet sjældent er alvorlige Problemet med negative ssh og ssh over 1 kan kun løses ved at benytte en anden model end LPM. De nye modeller introduceres i kap. 17

Økonometri 1: Dummy variable 11 Eksempel Hvem er selvstændige i Danmark? En model for hvem som vælger at være selvstændige i stedet for lønmodtagere Data: register data (politdata)  Dataudvælgelse:  Data fra 1994  Individer mellem år  Kun lønmodtagere eller selvstændige  I alt 1270 individer

Økonometri 1: Dummy variable 12 Eksempel Model: Lineære sandsynlighedsmodel  Afhængig variabel: dummy for selvstændige  Forklarende variable Alder Alder i anden Uddannelse Erhvervserfaring i 1993 (antal år som lønmodtager) Kvinde Dummyer for bopæl (Kbh, byer og land) Arbejdsløshedsgraden (0-1000)

Økonometri 1: Dummy variable 13 Eksempel Regressionsmodel Parametrene estimeres ved OLS Parametrene kan fortolkes som ændringer i sandsynlighed givet en ændring i en af de forklarende variable

Økonometri 1: Dummy variable 14 Eksempel Graf for predikteret sandsynlighed for et individ med flg karakteristika:  Udd=12, erfaring=10, mand, Kbh, arbledgr=0  Alder=40, Udd=12, mand, Kbh, arbledgr=0

Økonometri 1: Dummy variable 15 Eksempel

Økonometri 1: Dummy variable 16 Eksempel

Økonometri 1: Dummy variable 17 Evaluering af programmer Evaluering Hvor d er en dummy variabel (y=1 hvis deltagelse) Hvorfor er det så problematisk at evaluere programmer? Det er meget tit at deltagelse (d) er endogen (pga. den måde økonomiske data fremkommer) Data er ikke fremkommet ved et kontrolleret eksperiment

Økonometri 1: Dummy variable 18 Evaluering af programmer Selv-selektion  Det er ikke tilfældigt, hvem som melder sig  Det kan være, at dem som får mest ud af kurset, også er dem som melder sig  Deltagelse kan være systematisk relateret til uobserverbare faktorer Det betyder samlet, at antagelse MLR 3 ikke er opfyldt Det betyder, at OLS estimatoren er ikke middelret

Økonometri 1: Dummy variable 19 Evaluering af programmer Hvordan kan man så evaluere effekten af et program?  Der findes alternative estimationsmetoder, der under visse antagelser kan give middelrette estimatorer (dette vender vi tilbage til i kap. 15)  I nogle tilfælde kan problemet også løses, hvis man har information før og efter programmet introduceres for både ”treatmentgruppen” og ”kontrolgruppen”. Dette tilfælde kaldes panel data (det kommer der mere om i økonometri 2)

Økonometri 1: Dummy variable 20 Heteroskedasticitet Definition af heteroskedasticitet Konsekvenser af heteroskedasticitet (kap. 8.1) Forsætter på torsdag med heteroskedasticitet

Økonometri 1: Dummy variable 21 Heteroskedasticitet (fortsat) I kapitel 3 er antagelsen om homoskedasticitet introduceret: Denne antagelse kan være meget restriktiv og derfor introduceres nu heteroskedasticitet Definition: Lineære multipel regressionsmodel Under antagelserne MLR 1- MLR 4 er OLS middelret Den 5. antagelse i Gauss Markov antagelserne er antagelsen om homoskedasticitet

Økonometri 1: Dummy variable 22 Heteroskedasticitet (fortsat) Hvis antagelsen MLR 5 ikke er opfyldt, kaldes fejlledene for heteroskedastiske Konsekvenser af heteroskedasticitet  OLS stadig middelret  OLS stadig konsistent  R 2 ikke påvirket af heteroskedasticitet

Økonometri 1: Dummy variable 23 Heteroskedasticitet (fortsat) Konsekvenser af heteroskedasticitet (fortsat)  Variansen af OLS estimaterne er ikke middelret  Konfidensinterval er ikke længere rigtigt konstrueret  T og F-test er ikke nødvendigvis t og F-fordelt (og derfor er disse test ikke pålidelige)  LM test er ikke nødvendigvis CHI2-fordelt  OLS er ikke længere den bedste lineære middelrette estimator (BLUE)  Der findes en anden lineær middelret estimator med mindre varians  OLS er ikke længere asymptotisk efficient