Obsah
Chyby specifikace ekonometrického modelu odkazují na různé chyby, kterých lze dosáhnout při výběru a zpracování sady nezávislých proměnných za účelem vysvětlení závislé proměnné.
Když je model sestaven, musí splňovat hypotézu správné specifikace. To je založeno na skutečnosti, že vysvětlující proměnné vybrané pro model jsou ty, které jsou schopné vysvětlit nezávislou proměnnou. Proto se předpokládá, že neexistuje žádná nezávislá proměnná (x), která by vysvětlovala nezávislou proměnnou (y), a že by tímto způsobem byly zvoleny proměnné, které umožňují přístup správného modelu.
Chyby specifikace modelu
Ve specifikaci modelu existuje řada chyb, které lze seskupit do tří velkých skupin:
Skupina 1: Způsob, jakým funguje, není zadán správně
- Vynechání příslušných proměnných: Představme si, že chceme vysvětlit návratnost akcií společnosti Y. K tomu zvolíme PER, tržní kapitalizaci a účetní hodnotu jako nezávislé proměnné. Pokud je volný plovák korelován s libovolnou z proměnných obsažených v modelu, chyba našeho modelu bude korelována s proměnnými obsaženými v modelu. To by způsobilo, že parametry odhadnuté modelem budou nestranné a nekonzistentní. Výsledky předpovědí a různých testů provedených na modelu by tedy nebyly platné.
- Proměnné, které se mají transformovat: Hypotéza regresního modelu předpokládá, že závislá proměnná lineárně souvisí s nezávislými proměnnými. V mnoha případech však vztah mezi nimi není lineární. Pokud se na nezávislé proměnné neprovede nezbytná transformace, model nebude mít správné uložení. Jako příklady transformace nezávislých proměnných máme mimo jiné logaritmy, druhou odmocninu nebo druhou mocninu.
- Špatný sběr ukázkových dat: Data nezávislých proměnných musí být konzistentní s časem, to znamená, že nemohou existovat žádné strukturální změny nezávislých proměnných. Představme si, že chceme vysvětlit rozdíly v HDP v zemi X pomocí spotřeby a investic jako nezávislých proměnných. Předpokládejme, že je v této zemi objeveno ropné pole na státní půdě a vláda se rozhodne zrušit daně. To by mohlo vést ke změně spotřebitelských návyků v zemi, která bude k tomuto datu zachována časově neomezeně. V tomto případě bychom měli shromáždit dvě různé časové řady a odhadnout dva modely. Jeden model před změnou a druhý po. Pokud bychom data seskupili do jednoho vzorku a odhadli model, měli bychom špatně specifikovaný model a hypotézy, kontrasty a předpovědi by byly nesprávné.
Skupina 2: Nezávislé proměnné korelují s chybovým termínem v časové řadě
- Použití závislé proměnné se zpožděním jako nezávislé proměnné: Použít proměnnou se zpožděním znamená použít data stejných proměnných, ale měřit předchozí období. Předpokládejme, že jako závislou proměnnou používáme předchozí model HDP. Přidejme k modelu kromě spotřeby a investic také HDP předchozího roku (HDPt-1). Pokud by HDP předchozího roku sériově koreloval s chybou, odhadované koeficienty by byly zkreslené a nebyly by nekonzistentní. To by opět zneplatnilo všechny testy hypotéz, předpovědi atd.
- Předpovídání minulosti: Když měříme proměnnou, vždy musíme vzít období před tím, které chceme odhadnout. Předpokládejme, že naší závislou proměnnou jsou výnosy ze skladu X a naší nezávislou proměnnou je PER. Předpokládejme dále, že bereme konečné údaje za únor. Použijeme-li to v našem modelu, dospějeme k závěru, že akcie s nejvyšším PER na konci února měly nejvyšší výnosy na konci února. Správná specifikace modelu předpokládá převzetí dat od začátku období k předpovědi pozdějších dat a nikoli naopak jako v předchozím případě. Tomu se říká předpovídání minulosti.
- Změřte nezávislou proměnnou s chybou: Předpokládejme, že naší nezávislou proměnnou je návratnost akcie a jednou z našich nezávislých proměnných je nominální úroková sazba. Pamatujte, že nominální úroková sazba je úroková sazba plus inflace. Jelikož inflační složku nominální úrokové sazby nelze v budoucnu pozorovat, měřili bychom proměnnou s chybou. Pro správné měření úrokové sazby bychom museli použít očekávanou úrokovou sazbu, která zohledňuje očekávanou inflaci a nikoli aktuální.
