Økonometri

Økonometri er bruken av statistiske og matematiske metoder for å utvikle og gi empirisk belegg for samfunnsøkonomisk teori.^{[1][2][3][4][5]} Det bygger på utstrakt bruk av kvantitative økonomiske data, som analyseres gjennom statistikkprogrammer for å utlede lineære sammenhenger. Således er et grunnleggende verktøy multippel lineær regresjonsanalyse.^[6] Økonometri brukes både for å teste eksisterende økonomisk teori gjennom innsamling og analyse av relevant data, samt for å utvikle ny teori gjennom å lete etter nye statistiske sammenhenger mellom variabler.^[7][8]

Den norske økonomen Ragnar Frisch omtales av mange som «økonometriens far», da han var den første til å bruke begrepet i omtale av statistikk som grunnlag for økonomiske modeller.^[9][10] Sammen med Jan Tinbergen vant han den første Nobelprisen i økonomi for deres arbeid med å bygge en statistisk informert økonomisk modell for å beskrive økonomiske konjunkturer.^[11][12][13]

Grunnleggende modeller: lineær regresjon

Et grunnleggende verktøy for økonometri er multippel lineær regresjonsanalyse.^[6] I moderne økonometri, så er andre statistiske verktøy ofte brukt, men lineær regresjon er fortsatt det mest brukte utgangspunkt for en analyse.^[6] Å estimere en lineær regresjon på to variabler kan synliggjøres som en linje gjennom datapunkter som representerer sammenkoblede verdier på de uavhengige og avhengige variabler.

Okun's lov som representerer forholdet mellom BNP-vekst og arbeidsledighet. Linjen er funnet ved hjelp av regresjonsanalyser.

For eksempel gjelder Okuns lov forholdet mellom BNP-vekst til arbeidsledigheten. Det er representert i en lineær regresjon der endring i arbeidsledigheten (${\displaystyle \Delta \ {\text{Arbeidsledighet}}}$) er en funksjon i et skjæringspunkt (${\displaystyle \beta _{0}}$), for en gitt verdi av BNP-vekst multiplisert med stigningstallet ${\displaystyle \beta _{1}}$ og en anslagsfeil, ${\displaystyle \varepsilon }$:

Den ukjente parametre ${\displaystyle \beta _{0}}$ og ${\displaystyle \beta _{1}}$ kan bli estimert. Her er ${\displaystyle \beta _{1}}$ anslått til å være -1.77 og ${\displaystyle \beta _{0}}$ er anslått til å være 0.83. Dette medfører at arbeidsledigheten vil bli estimert til å synke med 1.77 poeng med en vekst på ett prosentpoeng i BNP. Modellen kan da være testet for statistisk signifikans om en økning i vekst er forbundet med en nedgang i arbeidsledigheten, som hypotese. Hvis estimat av ${\displaystyle \beta _{1}}$ ikke var av signifikant forskjell fra 0, ville ikke testen klare å finne bevis for at endringer i vekst og arbeidsledighet var beslektet. Variansen i en prediksjon av den avhengige variabelen (arbeidsledighet) som en funksjon av den uavhengige variabelen (BNP vekst) er gitt i minste kvadraters metode.

Teori

Økonometrisk teori bruker statistisk teori og matematisk statistikk for å evaluere og utvikle økonometriske metoder.^[7][8] Økonometrikere prøver å finne estimatorer som ønskelige statistiske egenskaper, inkludert objektivitet, effektivitet og konsistens. En estimator er objektiv dersom den forventede verdien er den sanne verdien for parameteren; den er konsistent dersom den konvergerer mot den sanne verdi når utvalgsstørrelsen blir større, og den er effektiv hvis estimatoren har lavere standardfeil enn andre forventningsrette estimatorer for en gitt utvalgsstørrelsen. Minste Kvadraters Metode (MKM) er ofte brukt for estimering siden det gir den «beste lineære forventningsrette estimator» (der «beste» betyr mest effektive, objektive estimator) gitt Gauss-Markov forutsetningene. Når disse forutsetningene er brutt eller andre statistiske egenskaper er ønskelig, andre estimeringsteknikker som maximum likelihood-estimering, generalisert metode øyeblikk, eller generalisert minste kvadraters er brukt. Estimatorer som innlemmer før livssyn er fremmet av de som fordel Bayesiansk statistikk over tradisjonell, klassisk eller «frequentist» nærmer seg.

Metoder

Anvendt økonometri bruker teoretisk økonometri og virkelige data for vurdering av økonomiske teorier, utvikling av økonometriske modeller, analysere økonomisk historie, og prognoser.^[14]

Økonometri kan bruke standard statistiske modeller for å studere økonomiske spørsmål, men de er oftest med observasjonelle data, snarere enn i kontrollerte eksperimenter.^[15] Utformingen av observasjonsstudier i økonometri er lik design av studier i andre observasjonelle disipliner, for eksempel astronomi, epidemiologi, sosiologi og statsvitenskap. Analyse av data fra en observasjonsstudie er ledet av studie-protokollen, selv om utforskende data analyse kan være nyttig for å generere nye hypoteser.^[16] Økonomi analyser ofte systemer av ligninger og ulikheter, for eksempel mellom tilbud og etterspørsel i en hypotese om å være i likevekt. Følgelig, innen økonometri har man utviklet metoder for identifikasjon og estimering av simultane-lignings modeller. Disse metodene er analogt til metoder brukt i andre områder av vitenskapen, for eksempel innen system-id i systemer for analyse og kontroll teori. Slike metoder kan tillate forskere å estimere modeller og undersøke deres empiriske konsekvenser, uten å direkte manipulere systemet.

En av de grunnleggende statistiske metoder som brukes av økonometrier er regresjonsanalyse.^[17] Regresjonsmetoder er viktig i økonometri fordi økonomer vanligvis ikke kan bruke kontrollerte eksperimenter. Økonometrikere søker ofte å belyse naturlige eksperimenter i fravær av dokumentasjon fra kontrollerte eksperimenter. Observasjonelle data kan være gjenstand for utelatt-variabel skjevhet og en liste over andre problemer som må løses ved hjelp av kausal analyse av samtidige-lignings modeller.^[18]

I tillegg til naturlige eksperimenter, har kvasi-eksperimentelle metoder vært brukt i stadig større grad av økonometrikere siden 1980-tallet, for å troverdig identifisere kausale effekter.^[19]

Eksempel

Et enkelt eksempel på et forhold i økonometri fra feltet av arbeidsmarkedsøkonomi er:

${\textstyle \ln({\text{lønn}})=\beta {\scriptstyle {\text{0}}}+\beta {\scriptstyle {\text{1}}}({\text{antall år utdanning}})+\varepsilon .}$

Dette eksempelet forutsetter at den naturlige logaritmen av en persons lønn er en lineær funksjon av antall år med utdanning som vedkommende har ervervet. Parameteren ${\displaystyle \beta _{1}}$ tiltak for økning i den naturlige logaritmen av lønnen kan tilskrives en mer året av utdanning. Begrepet ${\displaystyle \varepsilon }$ er en tilfeldig variabel som representerer alle andre faktorer som kan ha direkte innflytelse på lønn. Den økonometriske målet er å estimere parametre, ${\displaystyle \beta _{0}{\mbox{ and }}\beta _{1}}$ under bestemte forutsetninger om tilfeldig variabel ${\displaystyle \varepsilon }$. For eksempel, hvis ${\displaystyle \varepsilon }$ er ukorrelerte med mange års utdanning, så likningen er estimert med vanlig minste kvadraters.

Hvis forskerne kunne tilfeldig tildele personer til ulike nivåer av utdanning, datasettet som dermed ble generert ville tillate estimering av effekten av endringer i års utdanning på lønn. I virkeligheten kan ikke disse eksperimenter gjennomføres. I stedet observerer økonometrikere års utdanning og lønn utbetalt til personer som er forskjellige langs mange dimensjoner. Gitt denne type data, vil estimert koeffisient på års utdanning i ligningen ovenfor reflektere både effekten av utdanning på lønn og effekten av andre variabler på lønn, hvis de andre variablene var korrelert med utdanning. For eksempel, personer født i visse steder kan ha høyere lønn og høyere nivåer av utdanning. Med mindre økonometrikere kontroller for fødested i ligningen over, effekten av fødested på lønn kan være feilaktig tilskrevet effekten av utdanning på lønn.

Den mest opplagte måten å kontrollere for fødestedet er å inkludere et mål på effekten av fødested i ligningen ovenfor. Å utelukke at fødested og antagelsen at ${\displaystyle \epsilon }$ er ukorrelerte med utdanning produserer en uspesifisert modell. En annen teknikk er å ta med et ekstra sett målte kovariabler som ikke er instrumentelle variabler i ligningen, men å gjengi ${\displaystyle \beta _{1}}$ som identifiserbare.^[20] En oversikt over økonometriske metoder brukt til å studere dette problemet ble gitt av David Card (1999).^[21]

Tidsskrifter

Blant de viktigste tidsskrifter som publiserer arbeid innen økonometri er Econometrica, The Journal of Econometrics, Review of Economics and Statistics, Econometric Theory, Journal of Applied Econometrics, Econometric Reviews, Econometrics Journal,^[22] Applied Econometrics and International Development, og Journal of Business & Economic Statistics

Begrensninger og kritikk

Som i andre former for statistiske analyser kan dårlig spesifisert økonometriske modeller vise et falsk forhold, der to variabler er korrelert, men ubeslektet. I sin studie av bruk av økonometri i store økonomitidsskrifter konkluderte McCloskey med at noen økonomer rapporterer p-verdier (i tråd med Ronald Fishers tradisjon for tester av viktigheten av punkt null-hypoteser) og bekymringer for type II-feil, og noen økonomer unnlater å rapportere anslag på størrelsen av effektene (bortsett fra statistisk signifikans) og å drøfte deres økonomiske betydning. Han anfører også at noen økonomer unnlater å bruke en økonomisk begrunnelse for valg av modell, spesielt for å avgjøre hvilke variabler som skal inkluderes i en regresjon.^[23][24]

Referanser

1. «Finance and Development». Finance and Development | F&D (på engelsk). Besøkt 15. november 2021.
2. «Økonometri I / Econometrics I». University of Bergen (på engelsk). Besøkt 11. mars 2021. «Econometrics use statistical methods to answer economic questions. The main topic of this course will be linear regression models.»
3. «Econometrics: What It Means, and How It's Used». Investopedia (på engelsk). Besøkt 15. november 2021.
4. «Definition of ECONOMETRICS». www.merriam-webster.com (på engelsk). Besøkt 15. november 2021.
5. «What is the Difference Between Statistics and Econometrics? – Harbourfront Technologies» (på engelsk). Besøkt 15. november 2021.
6. Greene, William (2012). «Chapter 1: Econometrics». Econometric Analysis (7th utg.). Pearson Education. ISBN 9780273753568. «Ultimately, all of these will require a common set of tools, including, for example, the multiple regression model, the use of moment conditions for estimation, instrumental variables (IV) and maximum likelihood estimation. With that in mind, the organization of this book is as follows: The first half of the text develops fundamental results that are common to all the applications. The concept of multiple regression and the linear regression model in particular constitutes the underlying platform of most modeling, even if the linear model itself is not ultimately used as the empirical specification.»
7. Greene, William (2012). Econometric Analysis (7th utg.). Pearson Education. ISBN 9780273753568.
8. Wooldridge, Jeffrey (2012). «Chapter 1: The Nature of Econometrics and Economic Data». Introductory Econometrics: A Modern Approach (5th utg.). South-Western Cengage Learning. s. 2. ISBN 9781111531041.
9. • H. P. Pesaran (1990), "Econometrics," Econometrics: The New Palgrave, p. 2, citing Ragnar Frisch (1936), "A Note on the Term 'Econometrics'," Econometrica, 4(1), p. 95.
   • Aris Spanos (2008), "statistics and economics," The New Palgrave Dictionary of Economics, 2nd Edition. Abstract. Arkivert 18 mai 2012 hos Wayback Machine
10. Bjerkholt, Olav (25. februar 2020). «Ragnar Frisch». Norsk biografisk leksikon. Besøkt 15. november 2021.
11. «1969 - Jan Tinbergen: Nobelprijs economie - Elsevierweekblad.nl». Arkivert fra originalen 1. mai 2018. Besøkt 1. mai 2018.
12. Magnus, Jan & Mary S. Morgan (1987) ET Intervju: Professor J. Tinbergen i: 'Økonometrisk Teori 3, 1987, 117-142.
13. Willekens, Frans (2008) Internasjonal Migrasjon i Europa: Data, Modeller og Beregninger. New Jersey. John Wiley & Sons: 117.
14. Clive Granger (2008). "forecasting," The New Palgrave Dictionary of Economics, 2nd Edition. Abstract. Arkivert 18 mai 2012 hos Wayback Machine
15. Wooldridge, Jeffrey (2013). Introductory Econometrics, A modern approach. South-Western, Cengage learning. ISBN 978-1-111-53104-1.
16. Herman O. Wold (1969). «Økonometri som banebrytende i ikke-eksperimentell modellbygging,» Econometrica, 37(3), pp. 369-381.
17. For en oversikt over en lineær gjennomføringen av dette rammeverket, se lineær regresjon.
18. Edward E. Leamer (2008). "specification problems in econometrics," The New Palgrave Dictionary of Economics. Abstract. Arkivert 23 september 2015 hos Wayback Machine
19. Angrist, Joshua D; Pischke, Jörn-Steffen (mai 2010). «The Credibility Revolution in Empirical Economics: How Better Research Design is Taking the Con out of Econometrics». Journal of Economic Perspectives. 24 (2): 3–30. doi:10.1257/jep.24.2.3.
20. Pearl, Judea. Causality: Model, Reasoning, and Inference. Cambridge University Press. ISBN 978-0521773621.
21. Card, David. «The Causal Effect of Education on Earning». I Ashenfelter. Handbook of Labor Economics. Amsterdam: Elsevier. ISBN 978-0444822895.
22. «The Econometrics Journal – Wiley Online Library». Wiley.com. Besøkt 8. oktober 2013.
23. McCloskey (mai 1985). «The Loss Function has been mislaid: the Rhetoric of Significance Tests». American Economic Review. 75 (2).
24. Stephen T. Ziliak and Deirdre N. McCloskey (2004). "Size Matters: The Standard Error of Regressions in the American Economic Review," Journal of Socio-economics, 33(5), pp. 527-46 Arkivert 25. juni 2010 hos Wayback Machine. Arkivert 25 juni 2010 hos Wayback Machine (press +).

Videre lesning

• Økonometrisk teori på Wikibooks
• Giovannini, Enrico Forståelse Økonomisk Statistikk, OECD Publishing, 2008, ISBN 978-92-64-03312-2

Eksterne lenker

• Tidsskrift for Finansiell Økonometri
• Økonometriske Samfunnet
• Den Økonometri Journal
• Økonometriske Lenker Arkivert 1. mai 2019 hos Wayback Machine.
• Undervisning i Økonometri (Indeks av Økonomi-Nettverk (STORBRITANNIA))
• Anvendt Økonometriske Association
• Society for Finansiell Økonometri Arkivert 17. november 2012 hos Wayback Machine.
• Intervju med Clive Granger – Nobel-vinner i 2003, om økonometri