Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
ugyanis ez nem más, mint X marginális hatása Y-ra ugyanabban t. időpontban. A βi regressziós együtthatót<br />
i-ed rendű késleltetett multiplikátornak nevezik, mivel azt mutatja meg, hogy az Xt-i változó egy t előtti i<br />
időpontban bekövetkezett egységnyi növekedésének hatására mennyivel változott az Yt értéke, vagyis a folyó<br />
időszaki eredményváltozó nagysága. Ha a gazdaság nyugalmi állapotban van, tehát más megfogalmazásban<br />
hosszú távú egyensúlyi állapot feltételezhető, akkor a regressziós paraméterek összegét hosszú távú<br />
multiplikátornak hívják, mivel megmutatja azt, hogy X változó egységnyi növekedése esetén, az Y meny-<br />
227<br />
nyivel változik, a késleltetés időszaka alatt. Az így megbecsült kumulált hatás tehát F :<br />
k<br />
∑ …<br />
i= 0<br />
*<br />
A standardizált késleltetett multiplikátor ( i )<br />
dY/dX = β =β +β +β X − +β =β<br />
i 0 1 2 t 2 k<br />
β<br />
hosszú távú multiplikátor kumulált hatásából:<br />
megmutatja egy βi regressziós együttható részesedését a β<br />
*<br />
β i =<br />
βi βi<br />
= k<br />
β<br />
β<br />
∑<br />
i= 0<br />
Mivel a paraméterek nehezen becsülhetők, illetve gyakori a multikollinearitás és az autokorreláció jelensége,<br />
ezért rájuk vonatkozóan megszorításokat (ilyen lehet pl. a súlyok ( β t ) geometriai sor szerinti csökkentése)<br />
kell tennünk. Ebből az ötletből, felismerésből születtek meg a fent említett osztott késleltetésű<br />
modellek.<br />
A naiv osztott késleltetésű modellek.<br />
A Fisher-féle megoldás. F<br />
228<br />
Fisher számtani haladvány szerint csökkenő súlyokat alkalmazott. Az alapján, hogy hány időszakra viszszamenőleg<br />
számszerűsítette a hatást, beszélhetünk az általa megalkotott egyenletekről. A Fisher 1 egyenlet<br />
tehát a magyarázó változó jelenlegi, és eggyel késleltetett értékét veszi figyelembe, a Fisher 2 és Fisher<br />
3 modellek pedig egyre hosszabb késleltetést tételeznek fel.<br />
Ennek alapján Fisher 1. modellje:<br />
Yt = α+β 1( 2Xt + Xt−1) +ε t,<br />
ahol F1 = ( 2Xt + Xt−1) helyettesítést alkalmazva kapjuk a következő egyenletet:<br />
Yt = α+β 1 1F1+ε t<br />
Hasonló módon képezhető a Fisher 2. és Fisher 3. egyenlet is:<br />
Yt = α 2 +β 2F2 +ε t<br />
valamint<br />
Yt = α 3+β 3F3+ε t<br />
ahol<br />
F2 = ( 3Xt + 2Xt−1+ Xt−2)<br />
és F3 = ( 4Xt + 3Xt−1+ 2Xt−2 + Xt−3)<br />
A Fisher egyenletek megoldása után az eredeti egyenletben a magyarázó változók paraméterei könnyen<br />
számszerűsíthetők.<br />
229 230 231<br />
Alt módszere. F<br />
F<br />
F<br />
Alt szintén több egyenletet állapított meg, melyek sorszáma az előzőekhez hasonlóan a késleltetés mértékét<br />
mutatják. A különbség Alt és Fisher módszere között abban rejlik, hogy Alt nem alkalmazott megkötést<br />
a magyarázó változók értékeire vonatkozóan. Alt először az Yt értéket csak Xt értékével magyarázza,<br />
majd a második becslésnél az Xt-1-t is bevezeti, és így tovább, mindaddig, amíg az eredményül kapott regressziós<br />
együtthatónak értelme van. Számszerűsítsük a következő Alt modellt:<br />
227 Gujarati Damodar N. [2003]: 658.<br />
228 Fisher I. [1937]. 323-328.<br />
229 Alt F. F. [1942]: 113-128.<br />
230 Vető Istvánné [1980]: 28-29.<br />
231 Gujarati Damodar N. [2003]: 663-664.<br />
i<br />
187