Seminar zur Energiewirtschaft:

Transkript

1 Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1

2 Modelle mit diskreten abhängigen Variablen 2

3 - Ausgangssituation Eine Dummy-Variable (auch bekannt als binäre, dichotome oder qualitative Variablen) stellt die abhängige Variable dar. Dies bedeutet, dass eine dichotome Struktur der erklärten Variable vorliegt und die abhängige Variable benomialverteilt ist. Um zu Regressionsverfahren für solche Variablen zu gelangen, wendet man den Trick an, ein Wahrscheinlichkeitsmodell zu spezifizieren. y x... x i 0 1 i,1 K i, K i Können wir in diesem Fall eine lineare Regression durchführen? 3

4 - Warum ist eine lineare Regression nicht zulässig? Aus der Exogenitätsannahme folgt: 0 E x E y x x i i i i i E y x P y x P y x i i i i i i P y 1 x x i i i 1. Problem: Das lineare Regressionsmodell führt zu unsinnigen Prognosen der Wahrscheinlichkeit. 4

5 - Warum ist eine lineare Regression nicht zulässig? Heteroskedastie-Problematik: Verteilung des Störterms. P x x P y 0 x 1 x i i i i i i 1 1 P x x P y x x i i i i i i 1 V x x x i i i i 2. Problem: Heteroskedastie liegt vor, da der Fehlerterm von x abhängt. Es kommt zu fehlerhaften Inferenzen sowie Effizienzverlust. 5

6 - Wie kann man das Problem lösen? Man benötigt eine Transformationsfunktion F, die sicherstellt, dass F(x i β) in das Intervall [0,1] fällt. Die beiden am häufigsten verwendeten Funktionen, die diese Annahme erfüllen, sind die Verteilungsfunktionen der Normal- und der logistischen Verteilung. Es handelt sich um Probit und Logit Modelle. 6

7 - Logit Logit basiert auf der logistischen Verteilungsfunktion: y x Pr 1 i i exp 1 exp x i i x 7

8 - Maximum-Likelihood-Methode Die Schätzung des Logit-Modells erfolgt mittels der Maximum- Likelihood-Methode. Bei der Maximum-Likelihood-Methode schätzt man die Parameter β des Modells so, dass die Wahrscheinlichkeit, gerade die beobachteten Daten zu erhalten, maximal wird. 8

9 9

10 - Interpretation der ermittelten Koeffizienten Die Interpretation der Ergebnisse ist deutlich komplexer als im Fall der linearen Regression. Wir können aber Vorzeichen und Signifikanz der Koeffizienten interpretieren. Im Gegensatz zum linearen Modell sind die geschätzten Koeffizienten des Logit-Modells nicht als marginale Effekte zu interpretieren, denn: Pr yi 1 exp x i xi 1 exp x i x 2 Die marginalen Effekte hängen von den exogenen Variablen x i ab und sind daher für jedes Individuum unterschiedlich. i 10

11 - Interpretation der ermittelten Koeffizienten Entweder kann man den Mittelwert (average) über alle Beobachtungen berechnen Pr yi exp x i xi n n 1 exp xi x i 2 oder man berechnet die Effekte im Mittelwert (at mean) der erklärenden Variablen. Pr yi 1 exp x x 1 exp x x 2 11

12 12

13 - Interpretation der ermittelten Koeffizienten Im Mittelwert steigt die Wahrscheinlichkeit, dass Umweltschutz gegenüber dem Wachstum vorgezogen wird, um 3,7 Prozentpunkte, wenn man um eine Einheit höheres Ausbildungsniveau hat. 13

14 - Eine alternative Interpretationsmöglichkeit der ermittelten Koeffizienten y exp x i Pr i 1 Pryi 1 log 1 exp x i 1 Pr yi 1 x Wenn man x um eine Einheit ändert, ändern sich die logarithmierten Chancen um β. Wenn man x um eine Einheit ändert, ändern sich um den Faktor exp(β). Problem: Wie soll man die logarithmierten Chancen interpretieren? i 14

15 15

16 - Güte der Logit-Regression Likelihood ratio test (LR chi2) testet, ob das Modell, was wir spezifiziert haben, besser als das Modell ist, die nur eine Konstante enthält. H0: β 1 = = β n = 0 Wald chi2 entspricht 1146,97 und ist statistisch signifikant. Damit können wir die H0-Hypothese verwerfen. 16

17 - Güte der Logit-Regression Im Falle einer linearen Regression beschreibt das Bestimmtheitsmaß den erklärten Anteil der Variabilität (Varianz) einer abhängigen Variablen durch ein statistisches Modell. Bei einem nominalen oder ordinalen Skalenniveau von y können wir R2 nicht berechnen. Um dennoch ein Bestimmtheitsmaß für ein Logit-Modell zu haben, benutzt man Pseudo R2: LLM Pseudo R21 LL 0 17