Økonometri 1

Økonometri 1: Introduktionsforelæsning

Økonometri 1

Introduktionsforelæsning3. februar 2003


Økonometri 1 – Forår 2003

Forelæsere: Mette Ejrnæs

Lektor ved Økonomisk Institut Kontor på Bispetorvet, 3. sal.

Hans Christian Kongsted (HC) Lektor ved Økonomisk Institut Kontor på Bispetorvet, 4. sal.


Dagens program:

Indkredse begrebet ”økonometri”: Udgangspunkt i nogle eksempler.

Afgrænse faget Økonometri 1 (nyt fag!). Fagets struktur:

Forelæsningerne og lærebogen: Wooldridge, Introductory Econometrics.

Øvelserne Eksamen

Fælles målsætning for faget.


Begrebet ”økonometri”

Anvendelse af statistiske metoder på økonomiske data … men mere end det: Example 1.3 og 1.4 i Wooldridge. Data fremkommer oftest ved passiv observation, ikke

ved aktiv eksperimentering. Økonomisk teori spiller en central rolle i forståelsen og

fortolkningen af data.


Eksperiment: Udbyttet af sojabønner

Vi ønsker at måle effekten af mængden af en bestemt type kunstgødning, , på udbyttet af sojabønner, ,fra et antal marker, indekseret ved , 1,..., .

Alle marker er størrelsen 1 ha. Faktorer som

i ix yi i N

N mængdenaf regn og sol kan måles og "kontrolleres for". Uobserverbare faktorer som "bonitet" (jordkvalitet) kan der ikke kontrolleres for, men det løses ved at dvs.sørge for en

randomisere tilfæ

,ldig fordeling af over jordstykkerne.ix


Passiv observation: Afkast af uddannelse

Vi ønsker at måle afkastet af uddannelse, fx ved at se på effekten af længden af uddannelse, , på lønnen, , for et antal individer, indekseret ved , 1,..., .

Faktorer som køn, alder, erfaring på

i ix yi i N

arbejdsmarkedet, mv. kan let observeres og kontrolleres for.

Men faktorer som evner ("ability") kan dårligt observeres og varierer med andre faktorer, der ud fra økonomisk argume

sysntetematisk

r må antages at påvirke lønnen.


Hovedtyper af økonomiske data

iTværsnitsdata: y , i 1,...,N

t

it

Tidsrækkedata: y , 1,...,

Paneldata: y , i 1,..., 1,...,

t T

N t T


Tværsnitsdata I: Engelkurver

Der findes en række bidrag om Engelkurven: Deaton & Muellbauer (1980): ”Economics and consumer

behavior” Banks, Blundell & Lewbel (1997): ”Quadratic Engel Curves and

Consumer Demand” Undersøger hvordan budgetandelene for forskellige

varegrupper (f.eks. mad) afhænger af indkomstniveauet Teorien er gennemgået i Varian ”Intermediate

Microeconomics” De empiriske analyser udføres på husholdningsdata

Hver husholdning fører dagbog over deres udgifter


Tværsnitsdata I: Engelkurver (fortsat)

Estimationen af Engelkurver er baseret på en regressionsmodel:

hvor wi er budgetandelen for f.eks. mad og xi er det samlede forbrug

Modellen kan udvides til ”Quadratic Engel kurve” (se Banks, Blundell og Lewbel). Regressionsmodellen bliver så

Ideen med at udvide modellen er, at dette ofte passer bedre overens med data

0 1 log 1,.., ,i i iw x i N

20 1 2log log 1,.., ,i i i iw x x i N


Tværsnitsdata I: Engelkurver (fortsat)

Den estimerede Engelkurve for canadiske par:

De canadiske husholdningsdata vil blive brugt til øvelserne

Udvidelser som dækkes af Økonometri 1: Funktionel form Flere forklarende variable:

Dummy-variable Målefejl: Instrument variabel

estimation Udvidelser som dækkes på

kandidatdelen Semi-parametrisk estimation

budg

etan

del p

å m

ad

Engelkurve for Mad for canadiske parlog Samlede udgifter

3 4 5 6

0

.2

.4

.6


Tværsnitsdata II: Et tværsnit af lande

Robert J. Barro: Economic Growth in a Cross Section of Countries, Quarterly Journal of Economics, 1991.

Undersøger konvergens i per capita indkomst blandt 98 lande

Makro-noterne, kapitel 4: To-variabel regressionsmodel:

Kapitel 7: Udvidet Solow-model med humankapitalmål:

,6085 ,60i i ig y u

,6085 ,60 1 2(ln ln( 0.075)) (ln ln( 0.075))K Hi i i i i i ig y s n s n u

http://www.econ.ku.dk/okojacob/makromappeE02/Ch04.pdf

http://www.econ.ku.dk/okojacob/makromappeE02/Chapter07.pdf


Tværsnitsdata II (fortsat):

Barro udvider den empiriske Solow-model i en lang række forskellige retninger: Korrektion for offentligt forbrug Politiske faktorer (revolutioner, politiske mord) Forskelle mellem primær og sekundær uddannelse Undersøger specielle forhold for Afrika og Latinamerika

I standardanalysen anvendes OLS på disse regressionsmodeller. Barro undersøger betydning af: Heteroskedasticitet (forskellig varians): GLS Korrelation ml. fejlled og forklarende variabel p.g.a. konjunktur: IV Udelader meget fattige lande: Sample selection Målefejl


Tværsnitsdata II (fortsat):

Alt sammen centrale begreber i dette kursus. Landetværsnit vil indgå som et centralt element i

øvelserne: Opdaterede tal i Penn World Tables. Samtlige modeludvidelser og estimationsmetoder i

Barros artikel vil være indenfor vores rækkevidde efter dette kursus.

Med lidt held vil vi oven i købet kunne begynde at se nogle udvidelsesmuligheder og potentielle svagheder i Barros analyse: Udnytter næppe informationen fuldt ud.

Peger fremad mod paneldata og Økonometri 2.


Paneldata

Paneler: Oplysninger om samme enhed observeres over flere tidsperioder. Mikropaneler: Typisk stort antal enheder (N), relativt få

tidsperioder (T). Eksempler: IDA-databasen: Registerbaserede danske tal, hvor årlige oplysninger

om ansatte og virksomheder knyttes sammen (N=500.000+,T=20). PSID: U.S. spørgeskemabaserede data for arbejdsmarkeds- og

forbrugsrelaterede oplysninger (N=2000,T=15+). Makropaneler: Typisk et ”moderat” antal enheder (N), relativt

mange tidsperioder (T). Eksempler: PWT giver faktisk et panel af lande (N=150+) med helt op til 50 års

oplysninger på visse variabler. Det er et emne for Økonometri 2 og kandidatstudiet.


Tidsrækkedata

For makro- eller finansielle størrelser kan man ofte finde lange datasæt af observationer over tid: Makrodata: Årlige, kvartalsvise, månedlige observationer af fx af

forbrugerpriser, pengemængde, BNP, ….Ex. Fra MONA databankenNationalbankens makromodelLogaritmen af realt BNP forDanmark fra 1971 til 2001

Igen: Økonometri 2 +Kandidatstudiet

1970 1975 1980 1985 1990 1995 2000

6.5

6.6

6.7

6.8

6.9

7.0

LFY


Hovedtyper af økonomiske data

iTværsnitsdata: y , i 1,...,N

t

it

Tidsrækkedata: y , 1,...,

Paneldata: y , i 1,..., 1,...,

t T

N t T

Økonometri 1

Økonometri 2


Fagets struktur

Forelæsninger Øvelser Spørgeskemaundersøgelser Eksamen

Ingredienser i den samlede ”cocktail”: Økonometri 1


Økonometriske metoder

Økonomiskteori

Statistisk Data

Økonometriskemetoder

Estimations-resultater


Økonometriske metoder (fortsat)

Økonomisk teori på Økonometri 1Kendt økonomisk teori, men suppleret med nye eksempler: Mikroøkonomi

Engelkurven Makroøkonomi

Konvergens i vækstrate Prismodeller

Prisen på huse Arbejdsmarkedsøkonomi

Lønrelation - afkast af uddannelse



Data (på Økonometri 1) Økonomiske data Simpel datastruktur: Uafhængige observationer Hovedsagligt ikke kontrollerede data (passiv

observation) Ofte indsamlet for andet formål

→ Stiller krav til de økonometriske metoder



Statistik Økonometriske metoder bygger videre på

Teoretisk statistisk: Lineære regressionsmodel Hypoteseprøvning Testteori Regressionsmodellen fremstillet på matrixform Generel viden om statistiske begreber



Nyt i forhold til Teoretisk statistisk Tæt kobling mellem økonomisk teori og statistisk

metode Heterogenitet Generaliseret lineære regression (GLS) Specifikationsovervejelser Instrument variabel metode Ikke-lineære estimationsmodeller (f.eks. analyser

af binære data arbejdsløs/ikke arbejdsløs)


Forelæsninger

Plan: se Fagets hjemmeside. Følger stort set bogen, suppleret med appendices og enkelte forelæsningsnoter.

I forhold til bogen: Supplere med: Matrixfremstilling Simulationseksperimenter Eksempler med danske data

Forelæsninger hver mandag og hver anden torsdag. Slides til mandagsforelæsning bør ligge klar fredag kl.

15, til torsdagsforelæsning onsdag kl. 12. Veksler mellem slides og tavlegennemgang.

http://www.econ.ku.dk/metrics/Okonometri1_F03/


Øvelserne

Vekselvirkning mellem dataarbejde, gruppediskussioner og opsamlinger i plenum.

I øvelserne vil vi arbejde med: 3-4 konkrete datasæt SAS estimationsprogrammer, både grydeklare PROCs og egne

rutiner i IML Simulationsprogrammer i IML Teoriopgaver (matrixregning, statistik)

NB: Relevant eksamensforberedelse!


Spørgeskemaundersøgelser

Sikre løbende og hurtig feedback på undervisningen, inkl. de sædvanlige evalueringsrunder, mulighed for ”selv-evaluering” i form af 3 ”tipskuponer” undervejs i forløbet.

Indsamle baggrundsoplysninger, så de indsamlede data kan anvendes i realistiske eksempler og opgaver.

Indsamle resultater fra visse af øvelsesopgaverne, fx simulationsstudier.

Fuldstændigt anonymt med mulighed for at sammenkoble resultater undersøgelser ved hjælp af et id-nr.


Eksamen i Økonometri 1

Individuel tag-hjem eksamen Fra fredag den 13. (!) juni kl. 15.00 til mandag den 16.

juni kl. 10.00. Med udgangspunkt i

En given problemstilling, fx fra et uddrag af en artikel Givne (men individualiserede) datasæt

besvares en række mere eller mindre åbne spørgsmål. Besvarelsen skal fremstå som en samlet rapport til

belysning af den rejste problemstilling: En økonometrisk analyse.


Målsætning for Økonometri 1

Værdsætte betydning af gode, relevante og pålidelige data.

Forstå en række af de problemstillinger, der knytter sig til passivt observerede data, der ofte fremkommer som resultat af økonomiske agenters valg.

Kunne implementere løsninger på disse problemstillinger indenfor en relativt simpel, men alligevel anvendelig ramme: Modeller for uafhængige data.

Indse styrken af en empirisk analyse, hvor økonomisk teori, data og statistiske metoder går op i en højere enhed.


Hvad bliver det næste?

Næste forelæsning: Mandag den 10. Februar: ME om W kap. 2. (formodentligt kun 2.1-2.4)

Øvelserne: Begynder i næste uge (tirsdag eller onsdag). Ugeseddel 1 ligger på hjemmesiden.

Forberedelse til øvelserne Læs Varian ”Intermediate Microeconomics” kap. 6.1-6.3. Medbring ”Elementær indføring i SAS” og ”Statistik med SAS”

Documents

Økonometri 1