4EK211 Základy ekonometrie Logistická křivka Umělé proměnné Cvičení 11 Zuzana Dlouhá
Logistická křivka log-lineární model patří mezi poptávkové funkce, ty dělíme na: a) klasické D = f (příjem, cenový index, ) b) po předmětech dlouhodobé spotřeby (PDS) závisí na čase, příp. příjmu apod. dynamický model analýzy poptávky logistická křivka Předměty dlouhodobé spotřeby vybavenost PDS roste s růstem reálných příjmů nákupy PDS hrazeny zejm. z úspor nasycenost PDS časem dosáhne hladiny, kdy se poptávka omezí na nahrazení opotřebovaných exemplářů zajímáme se o: současnou vybavenost PDS kolik se v současnosti používá dlouhodobý trend 2
Logistická křivka úroveň vybavenosti se asymptoticky blíží k horní hranici tzv. hladině nasycení (resp. saturace) po jejím dosažení již poptávka nereaguje na změny absolutní vybavenost měřená celkovým počtem PDS v používání relativní vybavenost množství PDS připadající na 100 (1000, ) obyvatel či domácností čistá poptávka nákupy, které zvyšují vybavenost tj. nákupy na tzv. první vybavení renovační poptávka nákupy PDS za účelem nahrazení vyřazených PDS z používání nezvyšují vybavenost zajišťují prostou reprodukci 3
Logistická křivka postup logistický růstový model čas jediná vysvětlující proměnná abstrahujeme od čisté poptávky na druhé a další vybavení výrobek je nově uveden na trh může si jej koupit potenciální domácnost poptávka po výrobku rychle akceleruje s rostoucí informovaností o výrobku roste i vybavenost výrobkem pokles nákupů většina domácností již výrobek má objevuje se renovační poptávka tzv. brzdící faktor tempo růstu vybavenosti v sobě nese zárodek zániku 4
V(t) v % Logistická křivka postup vybavenost v čase t = V(t) extrémní hodnoty vybavenosti: nula hladina saturace S (každá domácnost výrobek vlastní) dána apriori (známá) odhad metoda vyrovnání tempa přírůstků (Hotelling, 1927) S V(t) = domácnosti, které ještě PDS nejsou vybaveny tj. okruh potenciálních zákazníků 100 90 80 70 60 50 40 30 20 10 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 Vt(a=5) Vt(a=10) 5
Logistická křivka - postup tvar: S V(t ) 1 e a bt u funkce nelineární ve třech parametrech: S, a, b lze zlinearizovat přes semilogaritmickou transformaci po substituci odhadujeme MNČ tvar: y* = a bt + u, kde y* = ln ((S/V(t))-1) logit limv(t ) S t inflexní bod: t* = a/b, V(t) = S/2 a úrovňová konstanta ovlivňující výchozí úroveň V(t) b vyjadřuje rychlost nasycování trhu dv(t)/dt změna relativní vybavenosti na přírůstku času (tj. dt) v důsledku čisté poptávky po PDS řešení přes Bernoulliho diferenciální rovnice 6
Logistická křivka příklad Soubor: CV11_PR1.xls Data: t = čas (10 pozorování) V(t) = % vybavenost domácností PDS (v tis. domácností) Zadání: Z expertní analýzy víme, že hodnota S je 100. Určete explicitní tvar křivky V(t). Určete inflexní bod t*, (dobu, kdy je trh nasycen z 50-ti % hodnoty S). 7
Logistická křivka příklad Soubor: CV11_PR2.xls Data: t = čas (24 pozorování) V(t) = počet internetových domén na trhu Zadání: Z expertní analýzy víme, že hodnota S je 420 000 000. Určete explicitní tvar křivky V(t). Určete inflexní bod t*, (dobu, kdy je trh nasycen z 50-ti % hodnoty S). 8
Umělé proměnné dummy / booleovské proměnné nabývají hodnot 0, 1 (případně větší interval) tzv. kvalitativní proměnné tj. neměřitelné nemohou být v modelu samy model by byl jako celek statisticky nevýznamný jde o doplněk ke kvantitativním veličinám zpřesňují model růst vícenásobného koeficientu determinace R 2 pokles nevysvětleného rozptylu RSS vyjadřují přítomnost či nepřítomnost dané vlastnosti přítomnost obvykle 1 zbytek obvykle 0 např. žena 1, muž 0 např. vzdělání základní 0, střední 1, vysokoškolské 2 apod. 9
Umělé proměnné základní funkce: sezónnost v EViews se vyskytnou v nabídce speciálních proměnných, jen pokud jsou data měsíční či čtvrtletní rozlišení v modelech se vyskytne problém se silnou multikolinearitou řeší se tak, že použijeme o jednu proměnnou méně, než kolik máme kategorií cíl: vyvarovat se perfektní multikolinearity do modelu zahrneme o jednu dummy proměnnou méně než je počet sledovaných vlastností zbylá dummy proměnná tvoří základ, ke kterému ostatní vlastnosti porovnáváme dvě pohlaví jedna dummy tři stupně vzdělání dvě dummy pozor na interpretaci závisí na přiřazení hodnot umělé proměnné 10
Umělé proměnné příklad rozlišovací funkce Soubor: CV11_PR3.xls Data: y = plat učitelů (tis. USD) x = roky praxe m = pohlaví (1 = muž, 0 = žena) Zadání: Odhadněte model závislosti y na x a m a interpretujte získané výsledky. y i = β 0 + β 1 x i + β 2 m i + u i, i = 1, 2,...,15 11
Umělé proměnné příklad rozlišovací funkce Soubor: CV11_PR4.xls Data: y = výdaje na cestování (tis. USD) x = výše příjmu (tis. USD) D 2 = dosažené vzdělání (1 = středoškolské, 0 = jiné) D 3 = dosažené vzdělání (1 = vysokoškolské, 0 = jiné) Zadání: Odhadněte model závislosti y na x, D 2 a D 3 a interpretujte získané výsledky. y i = β 0 + β 1 x i + β 2 D 2i + β 3 D 3i + u i, i = 1, 2,...,15 12
Umělé proměnné příklad sezónnost Soubor: CV11_PR5.xls Data: t = čas R = příjmy státního rozpočtu (v mld. Kč) Zadání: Odhadněte model závislosti R na t. Pokuste se zachytit v modelu vliv posledního čtvrtletí v daném roce (tj. zapojit čtvrtý kvartál do modelu). R t = β 0 + β 1 t t + u t, t = 1, 2,...,16 13
Umělé proměnné příklad sezónnost Soubor: CV11_PR6.xls Data: pocet_domu = počet nově započatých staveb domů v USA (v tis.) urok_mira = úroková míra (v %) Zadání: Odhadněte model závislosti pocet_domu na urok_mira + zohledněte sezónní vliv v modelu. Predikujte pocet_domu v roce 1999. pocet_domu t = β 0 + β 1 urok_mira t + β 2 Q 2t + β 3 Q 3t + β 3 Q 4t + u t, t = 1, 2,...,40 14