Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
⎧ 1<br />
-P -P ⎫<br />
ln y = ln h + e v ⎨[ − ]ln ⎡A2x 2 + (1- A 2)x⎤ 1 ⎬+<br />
u<br />
p ⎣ ⎦<br />
⎩ ⎭<br />
ln h<br />
h = e transzformációval az eredeti függvény (ybecs) felírható, mert p, 2 A és e v paraméterek ismertek.<br />
Az ábra munkalapon az eredeti és a becsült (CES) adatok ábráját is meg lehet tekinteni.<br />
A feldolgozható legnagyobb adatállomány esetében a megfigyelések száma 500.<br />
2 Módszer CES2.xls<br />
A CES függvény kidolgozói, abból indultak ki, hogy a munka átlagos termelékenysége és a munkabér<br />
közötti empirikus összefüggés magában foglal egy hatványkitevős regressziós függvényt. Az alábbi öszszefüggésből<br />
kiindulva, mindkét oldalt logaritmizálva, a munkabér (v) kitevőjét c-vel jelölve, a következő<br />
segéd függvényhez jutottak.<br />
y c u<br />
= bv 1 e<br />
x1<br />
y<br />
ln = lnb + cln v + u<br />
x<br />
1<br />
1<br />
Ahol:<br />
v = az egységnyi munkaerő-tényező ára (pl. az összes munkabér [vagy bérköltség, vagy reálbér stb.]<br />
osztva a figyelembe vett munkatényező [x1] mennyiségével)<br />
A fenti összefüggésekben a b1 és c paraméterek, a legkisebb négyzetek módszerével, az ln[y/x1] és lnv<br />
idősorából meghatározhatók. Bizonyították, hogy c állandó volumenhozadék (ev) esetén a helyettesítési<br />
rugalmassággal σ egyenlő. A fenti összefüggésekben látható, hogy a munkabér kitevője (c) azt fejezi ki,<br />
hogy a munkabér (v) 1 százalékos növekedésével a termelékenység c %-kal változik. A c=σ összefüggést<br />
felhasználva a helyettesítési paraméter (p) is meghatározható. Az egyenlet becslését úgy végezhetjük el,<br />
hogy az A2 értékét változtatjuk, s azt a változatot fogadjuk el, ahol az R 2 a legnagyobb és a regressziós<br />
modell, az elméleti feltételeknek eleget tesz. A p tehát ismert, így az A 2 értékét kell változtatni a 0 és 1<br />
intervallumban, és mindegyik A2 érték esetében meg kell határozni a többszörös determinációs együttható<br />
(R 2 ) értékét, felhasználva az alábbi, korábban már megismert determinációs együttható (R 2 ) értékét,<br />
felhasználva az alábbi, korábban már megismert összefüggéseket. Amelyik A2 értéknél a legnagyobb a<br />
többszörös determinációs együttható értéke (R 2 ), azt a függvényt fogadjuk el. A számítás tehát hasonlít az<br />
1. módszerhez, a különbség az, hogy csak az A2 értékét változtatjuk, a p viszont már ismert. Az adatállomány<br />
viszont bonyolultabb, szükség van a munkaerő árára is, hogy a p értékét megbecsüljük.<br />
-P -P u<br />
y=h⎡ ⎣A⎤ P<br />
2x 2 +(1-A 2)x 1 ⎦ e<br />
⎧ 1<br />
-P -P ⎫<br />
lny= lnh+ e v⎨[ − ]ln ⎡A2x 2 + (1- A 2)x⎤ 1 ⎬+<br />
u<br />
p ⎣ ⎦<br />
⎩ ⎭<br />
A p ismeretében a hiányzó az A2 változtatásával paraméterek megbecsülhetők. A ces2.xls fájl közli az A2<br />
= 0,1: A2 = 0,2: A2 = 0,3: A2 = 0,4: A2 = 0,5: A2 = 0,6: A2 = 0,7: A2 = 0,8: A2 =0,9: és az optimális A2 (az<br />
A2 bármilyen értéket felvehet 0 és 1 között, és ahol az R 2 a legnagyobb) esetében a következő mutatókat:<br />
R 2 , lnh, h, ev.<br />
A W a megadott A2 (A2 = 0,1: A2 = 0,2: A2 = 0,3:…. =0,9: és az optimális) értékek szerint változik:<br />
1<br />
-P -P<br />
W = [ − ]ln⎡A2x 2 + (1-A 2)x ⎤ 1<br />
p ⎣ ⎦<br />
A megadott A2 felhasználásával a hiányzó paraméterek a már ismert regressziós függvénnyel becsülhetők.<br />
lny= lnh+ ev W + u<br />
A program közli az A2 megadott értékei (A2 = 0,1: … A2 =0,9:) közül a legjobb becslést (ahol az R 2 a<br />
legnagyobb) adó CES függvény logaritmizált (lny_becs) és transzformált, eredeti (y_becs) értékeit, az<br />
eredeti adatok és a CES-függvény alapján számított reziduum négyzet értékeket. A K oszlopban először a<br />
CES paramétereket sorolja fel.<br />
ev<br />
-<br />
209