Farkas Richárd

Bevezetés a térökonometriába


9.3. Egy illusztratív példa

Az eddigieknek megfelelően a (4.57.) tudástermelési kiinduló egyszerű lineáris regressziós összefüggésünket alkalmazva tekintjük át, hogy a megismert modellek közül melyik specifikáció a legalkalmasabb e probléma vizsgálatára. Elsőként, az „egyszerűtől az általánosig” modellezési elvet alkalmazva, idézzük fel e regressziós eredményeket, azonban a fentebb leírtakat követve végezzük el a vonatkozó hipotézis-ellenőrzéseket is. Ekkor a 4.1. táblázat által prezentált eredményeket a következők szerint bővíthetjük ki:
 
9.1. táblázat. A tudástermelési függvény becsült paraméterei a térbeli függőség tesztstatisztikáival
Paraméter
OLS becslés
-2,028***
 
(0,253)
1,095***
 
(0,071)
-0,019
 
(0,115)
Korr.
0,744
Megf.
262
182,350***
146,968***
73,792***
38,410***
220,760***
 
A 9.1. táblázatból jól kiolvasható, hogy a további specifikációnknak vagy a térbeli késleltetés modelljének, vagy a térbeli autoregresszív kombinált modellnek kell lennie. Mivel mind , mind szignifikánsak, a robusztus Lagrange multiplikátor tesztek alapján kell döntenünk. Ezek mindegyike is szignifikáns, ahol , mely tény a térbeli késleltetés modelljét javasolná, azonban értéke a térbeli autoregresszív kombinált modell specifikációját javasolja. Az igen magas próbafüggvényértékek így a térbeli autoregresszív kombinált modell irányába mutatnak. A lépésenkénti modellszelekció szerint haladva, a következő lépésben a függő változó térben késleltetett értékével bővítjük a modellt.
 
9.2. táblázat. A térbeli késleltetés modell becslésének eredményei a vonatkozó térbeli tesztstatisztikákkal
Paraméter
ML módszer
S2SLS módszer
𝜌
0,501***
0,453***
 
(0,030)
(0,035)
𝛽0
-2,675***
-2,616***
 
(0,162)
(0,167)
𝛽1
0,716***
0,753***
 
(0,052)
(0,056)
𝛽2
0,200***
0,179**
 
(0,076)
 
(0,079)
Log-likelihood
-274,666
 
Megfigyelések
262
262
𝐴𝐾𝐿
 
7,789***
 
A térbeli kétfokozatú legkisebb négyzetek módszerével végzett becslés reziduumainak felhasználásával kiszámítottuk az Anselin–Kelejian-tesztstatisztika értékét (9.1. táblázat). Modellfejlesztési irányunkat tovább erősíti, hogy ez a teszt is szignifikáns, így a térbeli autoregresszív kombinált modell irányába történő bővítést javasolja.
A következő lépésben annak ellenőrzése indokolt Wald-féle tesztelési eljárással, hogy a térbeli Durbin-típusú modellek irányába szükséges-e bővítenünk modellünket. Ennek ellenőrzésére idézzük fel a 7.1. táblázatból a térbeli autoregresszív kombinált modell Durbin-típusú párjához, az általános térbeli modellhez tartozó eredményeket, melyeket most a 9.3. tábla mutat be:
 
9.3. táblázat. Az általános térbeli modell becsléseinek eredményei
Paraméter
Általános térbeli modell
0,800***
 
(0,055)
-0,910***
 
(0,283)
0,532***
 
(0,056)
0,477***
 
(0,082)
-0,126
 
(0,112)
-0,662***
 
(0,110)
-0,306*
 
(0,173)
Log-likelihood
-249,434
Megfigyelések
262
 
E modell paraméterbecsléseinek eredményeiből arra következtethetünk, hogy a humántőke-állományhoz tartozó térben késleltetett értékek modellbe vonása indokolt, azonban a kutatás-fejlesztési kiadásokét nem kell figyelembe vennünk. Ennek nyomán kell újrabecsülnünk modellünket. E becslés eredményeit a 9.4. tábla tartalmazza.
 
9.4. táblázat. Az általános térbeli modell becsléseinek eredményei 2.
Paraméter
Általános térbeli modell
0,546***
 
(0,053)
-1,801***
 
(0,294)
0,648***
 
(0,061)
0,373***
 
(0,088)
 
-0,374***
 
(0,115)
0,164
 
(0,126)
Megfigyelések
262
 
Érdekes fejlemény, hogy az új környezetben paraméter becsült értéke elvesztette szignifikanciáját. E tényt később még figyelembe vehetjük, azonban a konstruktív utat követve el kell végeznünk az utolsó hipotézis-ellenőrzést a térbeli heterogenitás jelenlétére. A vonatkozó eredményeket a 9.5. táblázat tartalmazza.
 
9.5. táblázat. A Chow-teszt eredményei a koefficiensek térbeli instabilitására
Paraméter
Tesztstatisztika
0,118
0,010
0,093
0,696
0,018
0,624
Globális Chow-teszt
4,978
 
Látható, hogy egyetlen változóhoz tartozó paraméter esetében sem vethetjük el a nullhipotézist, vagyis a területi homogenitást. Ennek fényében nem célszerű a specifikációt térbeli rezsimváltó modellé alakítani. Utolsó lépésként, kölcsönözve a destruktív modellezési elvtől, jóllehet e megközelítésben főként a konstruktív útra támaszkodtunk, becsüljük újra modellünket a nem szignifikáns hibatag térbeli késleltetése nélkül.
 
9.6. táblázat. A véglegesnek tekintett modellspecifikációk a konstruktív modellépítési elvet követve
Paraméter
ML módszer
S2SLS módszer
0,501***
0,555***
 
(0,030)
(0,286)
-1,692***
-1,832***
 
(0,248)
(0,275)
0,617***
0,657***
 
(0,055)
(0,063)
0,398***
0,352***
 
(0,083)
(0,090)
-0,453***
-0,371***
 
(0,092)
(0,111)
Log-likelihood
-183,762
 
Megfigyelések
262
262
 
1,075
 
A 9.6. táblázat eredményeiből kiolvasható, hogy módszertani szempontból specifikációnkat javítani nem tudjuk, így ezt tekintjük az „egyszerűtől az általánosig” modellezési elvvel készített preferált, legjobb modellünknek.
Amennyiben a destruktív, az „általánostól az egyszerűig” modellezési elv szerint fejlesztjük specifikációnkat, akkor az általános térbeli rezsimváltó modell becslési eredményeiből kell kiindulnunk. Ekkor a Chow-tesztek eredményeit a 9.7. táblázat reprezentálja.
 
9.7. táblázat. A Chow-teszt eredményei a koefficiensek térbeli instabilitására 2.
Paraméter
Tesztstatisztika
0,192
0,069
0,097
0,052
0,004
0,100
1,506
Globális Chow-teszt
4,257
 
A 9.7. táblázat egyértelműen rávilágít, hogy az általános térbeli rezsimváltó modell nem megfelelő, nincs strukturális instabilitás a paraméterek becsült értékében. Ennek megfelelően a destruktív elvet követve elkezdhetjük a modell redukcióját. Ezzel elérkezve az általános térbeli modellhez, mely már nem tartalmaz területi heterogenitást. E fejlemény viszont azt jelenti, hogy ugyanarra a pontra jutottunk, mint a 9.3. táblázat által közölt általános térbeli modell eredményei. Innen viszont, miután az előző eljárás végén is változó redukciókat hajtottunk végre a modell építésének végén a Wald-féle tesztelési eljárás alapján, jelen destruktív modellépítési logika a 9.3. tábla által közölt modell eredményeiről megegyezik a konstruktívval. Így megállapíthatjuk, hogy mind az „egyszerűtől az általánosig”, mind pedig az „általánostól az egyszerűig” modellépítési logika szerint a tudástermelés és tudás spillover hatások jelen keretek között legjobban illesztett modellje:
 
(9.31)
 
A preferált specifikáció eredményeit pedig, melyet mindkét modellezési elv szerint a végleges legjobb specifikációnak tekinthetünk, így végül a 9.6. táblázat prezentálja.
 

Bevezetés a térökonometriába

Tartalomjegyzék


Kiadó: Akadémiai Kiadó

Online megjelenés éve: 2026

ISBN: 978 963 664 187 0

Napjaink egyik legdinamikusabban fejlődő tudományterülete az empirikus modellezés ökonometriai-módszertani fejlesztése.  E kérdéskörön belül is újnak számító terület a térökonometria, mely célja a megfigyelt adatok között tapasztalható területi kapcsolatok standard modellekbe való beillesztése, ezzel javítva a becslések pontosságát, hatékonyságát. A térbeli kapcsolatok fontosságának felismerése, és azok modellkörbe vonásának igénye egyre erőteljesebben jelenik meg szinte minden tudományterületen, túlmutatva a közgazdasági kutatásokon, mely módszertan alkalmazása hazánkban is egyre szélesebb körben érzékelhető. Ennek megfelelően, jelen monográfia célja kitölteni azt az űrt, melyet e részdiszciplína magyar nyelvű szakirodalmának szinte teljes hiánya teremt. Így e mű igyekszik áttekintést nyújtani a térökonometriai modellezés alapjairól: a térbeli kapcsolatok típusairól, matematikai interpretálhatóságáról és azok ökonometriai modellkörbe vonásának lehetőségeiről. A térbeli kapcsolatok alaptípusainak, az alapvető térökonometriai modelleknek, valamint modellszelekciós mechanizmusoknak, melyek amellett, hogy önmagukban is kiválóan alkalmasak elemzésekre, továbbá a haladó térökonometria bázisát is nyújtják, elméleti bemutatása mellett a szerző minden esetben igyekezett empirikus példákkal illusztrálni az elméleti modellek gyakorlati interpretálhatóságát.

Hivatkozás: https://mersz.hu/farkas-bevezetes-a-terokonometriaba//

BibTeXEndNoteMendeleyZotero

Kivonat
fullscreenclose
printsave