Bewertung von Regressionsbeziehungen Ökonometrie I Bewertung von Regressionsbeziehungen
Dimensionen der Bewertung Globale Bewertung: Kann das Modell den datengenerierenden Prozess der abhängigen Variablen als Ganzes erklären? Globale Kriterien: Bestimmtheitsmaß Adjustiertes Bestimmtheitsmaß Logarithmierte Likelihoodfunktion Informationskriterien, zB Akaike‘s AIC-Kriterium Inferenz der Regressionsparameter t-Test F-Test ANOVA-Tafel 11.11.2004 Ökonometrie I
Residuen und Eigenschaften e = y - x‘b = y – ŷ = My Eigenschaften (inhomogene Regression): iei = 0 Streuungszerlegung: Ergibt sich durch Dividieren durch n und Subtrahieren von 11.11.2004 Ökonometrie I
Bestimmtheitsmaß Definition: Anteil der durch das Regressionsmodell erklärten Varianz (der Varianz der geschätzten Y) an der Gesamtvarianz der Beobachtungen von Y Anteil der Varianz der abhängigen Variablen, die durch das Modell erklärt wird oft in Prozenten angegeben 11.11.2004 Ökonometrie I
R2: Eigenschaften Wegen gilt: R2=1 bedeutet: ; alle Residuen sind Null! R2=0 bedeutet: alle Regressionskoeffizienten haben den Wert Null! R2 soll einen möglichst hohen Wert haben Einfache Regression: Multiple Regression: R2 kann durch Hinzufügen eines Regressors nicht kleiner werden! Achtung! Bei homogener Regression ist R2<0 möglich! 11.11.2004 Ökonometrie I
Beispiel: Konsumfunktion Dependent Variable: PCR_D4 Method: Least Squares Date: 08/20/04 Time: 11:06 Sample(adjusted): 1971:1 2002:4 Included observations: 128 after adjusting endpoints Variable Coefficient Std. Error t-Statistic Prob. C 0.010855 0.001053 10.31071 0.0000 PYR_D4 0.747032 0.041840 17.85451 0.0000 R-squared 0.716716 Mean dependent var 0.024898 Adjusted R-squared 0.714468 S.D. dependent var 0.014817 S.E. of regression 0.007918 Akaike info criterion -6.823949 Sum squared resid 0.007899 Schwarz criterion -6.779386 Log likelihood 438.7327 F-statistic 318.7837 Durbin-Watson stat 0.632776 Prob(F-statistic) 0.000000 11.11.2004 Ökonometrie I
R2: Alternative Darstellung Aus ergibt sich Es bedeuten: TSS: Gesamtvariation (total sum of squares) ESS: (durch die Regression) erklärte Variation (explained sum of squares) RSS: residuale (nicht erklärte) Variation (residual sum of squares) Wir können schreiben: TSS = y‘M0y, analog ESS; mit 11.11.2004 Ökonometrie I
Adjustiertes Bestimmtheitsmaß Erweiterung eines Modells um einen Regressor: R2 wird größer Zunahme von R2 bedeutet nicht notwendigerweise, dass der neue Regressor zur Erklärung beiträgt! Adjustiertes Bestimmtheitsmaß: Gut zum Vergleichen von Modellen Bei großem n ist (n-1)/(n-k)≈1 11.11.2004 Ökonometrie I
Andere Kriterien Meist Funktionen von se2 Logarithmierte Likelihoodfunktion Akaike‘s Informationskriterium Schwarz Informationskriterium 11.11.2004 Ökonometrie I
Beispiel: Konsumfunktion Dependent Variable: PCR_D4 Method: Least Squares Date: 08/20/04 Time: 11:06 Sample(adjusted): 1971:1 2002:4 Included observations: 128 after adjusting endpoints Variable Coefficient Std. Error t-Statistic Prob. C 0.010855 0.001053 10.31071 0.0000 PYR_D4 0.747032 0.041840 17.85451 0.0000 R-squared 0.716716 Mean dependent var 0.024898 Adjusted R-squared 0.714468 S.D. dependent var 0.014817 S.E. of regression 0.007918 Akaike info criterion -6.823949 Sum squared resid 0.007899 Schwarz criterion -6.779386 Log likelihood 438.7327 F-statistic 318.7837 Durbin-Watson stat 0.632776 Prob(F-statistic) 0.000000 11.11.2004 Ökonometrie I
Beispiel: Konsumfunktion Dependent Variable: PCR_D4 Method: Least Squares Date: 08/20/04 Time: 11:06 Sample(adjusted): 1971:1 2002:4 Included observations: 128 after adjusting endpoints Variable Coefficient Std. Error t-Statistic Prob. C 0.010855 0.001053 10.31071 0.0000 PYR_D4 0.747032 0.041840 17.85451 0.0000 R-squared 0.716716 Mean dependent var 0.024898 Adjusted R-squared 0.714468 S.D. dependent var 0.014817 S.E. of regression 0.007918 Akaike info criterion -6.823949 Sum squared resid 0.007899 Schwarz criterion -6.779386 Log likelihood 438.7327 F-statistic 318.7837 Durbin-Watson stat 0.632776 Prob(F-statistic) 0.000000 11.11.2004 Ökonometrie I
Bewertung der Parameter Frage: Trägt der Regressor Xi zur Erklärung bei? Test von H0: bi = 0 gegen H1: bi>0 oder H1: bi≠0: (t-Test) Konfidenzintervall für bi Tragen alle Regressoren zur Erklärung bei? Test von H0: b2 = … =bk (F-Test) 11.11.2004 Ökonometrie I
t-Test mit dem i-ten Diagonalelement aii aus (X‘X)-1 Verteilung der OLS-Schätzer b: Für den Schätzer bi gilt: mit dem i-ten Diagonalelement aii aus (X‘X)-1 s√(aii) bzw. s√(aii) heißt Standardfehler von bi Test von H0: bi=0 gegen H1: bi≠0: Entscheidung mittels p-Wert: 11.11.2004 Ökonometrie I
Beispiel: Konsumfunktion Dependent Variable: PCR_D4 Method: Least Squares Date: 08/20/04 Time: 11:06 Sample(adjusted): 1971:1 2002:4 Included observations: 128 after adjusting endpoints Variable Coefficient Std. Error t-Statistic Prob. C 0.010855 0.001053 10.31071 0.0000 PYR_D4 0.747032 0.041840 17.85451 0.0000 R-squared 0.716716 Mean dependent var 0.024898 Adjusted R-squared 0.714468 S.D. dependent var 0.014817 S.E. of regression 0.007918 Akaike info criterion -6.823949 Sum squared resid 0.007899 Schwarz criterion -6.779386 Log likelihood 438.7327 F-statistic 318.7837 Durbin-Watson stat 0.632776 Prob(F-statistic) 0.000000 11.11.2004 Ökonometrie I
F-Test Test von H0: b1=…= bk gegen H1: H0 trifft nicht zu F ist verteilt nach F(k-1,n-k) Entscheidung mittels p-Wert 11.11.2004 Ökonometrie I
Beispiel: Konsumfunktion Dependent Variable: PCR_D4 Method: Least Squares Date: 08/20/04 Time: 11:06 Sample(adjusted): 1971:1 2002:4 Included observations: 128 after adjusting endpoints Variable Coefficient Std. Error t-Statistic Prob. C 0.010855 0.001053 10.31071 0.0000 PYR_D4 0.747032 0.041840 17.85451 0.0000 R-squared 0.716716 Mean dependent var 0.024898 Adjusted R-squared 0.714468 S.D. dependent var 0.014817 S.E. of regression 0.007918 Akaike info criterion -6.823949 Sum squared resid 0.007899 Schwarz criterion -6.779386 Log likelihood 438.7327 F-statistic 318.7837 Durbin-Watson stat 0.632776 Prob(F-statistic) 0.000000 11.11.2004 Ökonometrie I
Konfidenzintervall für bi KI zur Konfidenzzahl g mit Perzentil der t(n-k) oder Normalverteilung Beispiel: Konsumfunktion C = a + bY + u 95%iges Konfidenzintervall für marginale Konsumneigung b: 0.747 – (1.979) (0.0418) ≤ b ≤ 0.747 + (1.979) (0.0418) oder 0.664 ≤ b ≤ 0.830 11.11.2004 Ökonometrie I