Samenvatting - Onderzoeksmethoden (Y55073)

ONDERZOEKSMETHODEN
1 INTRODUCTIE TOT ECONOMETRIE
- Econometrie = Combinatie van wiskunde, statistiek en economie (economische theorie)
- Invloeden van deze 3 disciplines
- Econometrie kan zeer theoretisch en technisch worden behandeld (met nadruk op wiskunde
en statistiek) of eerder toegepast.

1.1 WAT IS ECONOMETRIE?
- Econometrie = een techniek om (statistisch significante) relaties tussen bepaalde variabelen
aan te tonen of te verwerpen en deze relaties te kwantificeren
- Grafisch: tekenen van een curve in een spreidingsdiagram
- HOEWEL: correlatie impliceert niet noodzakelijk causaliteit.
▪ Bijv. de theorie van de ooievaar ...
➢ Google maar eens!
- Een degelijk onderliggend (economisch) model is nodig om een
relevant verband vast te stellen.
- Gebruik uw gezond verstand !
 Theory of the storck: aantal ooievaars gecorreleerd met aantal
geboortes -> geen causaliteit, wellicht spurious correlation waarbij de link verklaard kan
worden door een andere variabele
 Relaties schatten tussen 2 variabelen. Y is de onafhankelijke variabele die verklaard word door
X.
 Data verzamelen
 Econometrie: kijken naar wat het verband is tussen de 2 variabelen (welke lijn we kunnen
trekken die het verband weergeeft)
 Belangrijk dat je altijd een economische theorie in het achterhoofd houdt (bv. negatief
verband tussen prijs en verkopen)
 Als je een verband vindt dat noemen we een correlatie. Dit wilt niet zeggen dat er causaliteit
is. Het is dus niet zo dat er een groot verband is tussen X en Y dat variabele X variabele Y gaat
veroorzaken of andersom.

1.1.1 WAAROM GEBRUIKEN WE ECONOMETRIE?
- De (economische) werkelijkheid beschrijven/samenvatten en verklaren
- Een bepaalde theorie verifiëren of testen
▪ Bijv. Wordt particuliere consumptie beïnvloed door de prestaties van de beurs?
- Beleid (effect van acties van de overheid)
▪ Bv. Met hoeveel moet de prijs van sigaretten stijgen om de consumptie met 10% te
verminderen?
- Voorspellingen
▪ Bijv. Wat zal de wisselkoers euro/dollar, de olieprijs, de werkloosheid, ... zijn over 6
maanden?
 Gebruiken omdat we willen weten wat er spelt in de omgeving + dingen willen testen




1

,1.1.2 MOGELIJKE VALKUILEN BIJ HET SCHATTEN VAN EEN MODEL (NIET VOLLEDIG)
- 'Mechanisch' nabootsen van gedrag, zonder te begrijpen wat je doet
- Correlatie (of significant effect) impliceert geen causaliteit.
- Niet steunen op een degelijk onderliggend model
- Vertekening door weggelaten variabelen
- Extreme waarnemingen
- Geen rekening houden met het gegevenstype (dwarsdoorsnede, tijdreeks, panel, ...)
- Geen rekening houden met het meetniveau van afhankelijke en onafhankelijke variabelen
- ...
 Ervoor zorgen dat het model goed is: voldoende variabelen, geen belangrijke variabelen
weggelaten…

Ongewenste correlaties
 Correlatie is niet altijd causaliteit
 Gaat vaak fout in de media
 Links: verband mensen verdronken door in het zwembad te vallen &
aantal films waarin een bepaalde acteur speelt. Statistisch gezien is
er een verband tussen de 2 variabelen. Een correlatie is geen
causaliteit want er is een verband maar we weten niet hoe het komt
 Rechts: Er is een correlatie maar economisch is er geen verband
 Als we een sterke correlatie vinden moeten we goed nadenken of er theoretisch een verband
kan zijn
- Correlatie (of significant effect) ≠ causaliteit
- Goed onderliggend (economisch) model is noodzakelijk
- Gebruik gezond verstand

1.1.3 NOODZAAK VAN EEN GOED ONDERLIGGEND MODEL
- Vraag naar Coca Cola en
▪ Verkoop van airco-apparaten
▪ Verkoop kerstkaarten
- Roken en longkanker?
- Gezondheidstoestand en inkomen?
- ...
- Ondanks de wiskundige en statistische component is econometrie geen exacte wetenschap.
▪ Gezond verstand (onder meer bij de interpretatie en analyse van gegevens en
resultaten) is noodzakelijk.
 Geen exacte wetenschap want als onderzoeker heb je veel belang bij de interpretatie

Weggelaten variabelen
 Je bent belangrijke variabelen vergeten in het model
 Verband aantal assebakken en kans op longkanker. Positief verband want
meer assebakken is grotere kans op longkanker. Er is een verband maar men
vergeet belangrijke variabele want men moet eigenlijk kijken naar het aantal
rokers in huis.




2

,Extreme observatie
 Schatting van het verband tussen het aantal ziekenhuisdagen en de totale kosten van een
ziekenhuis
 Observaties die heel anders zijn dan andere observaties
 Kijken naar relaties tussen het aantal ziekenhuisdagen en de kost van het ziekenhuis. Men
verwacht des te meer dagen, des te hoger de kost. Hier zien we ook een positief verband.

-𝑻𝒐𝒕𝒂𝒍 𝑪𝒐𝒔𝒕 = 𝛽0 + 𝛽1 𝐷𝑎𝑦𝑠
▪ TC = linear function of Days
▪ 𝛽0 = constant term = intercept
▪ 𝛽1 = slope
- 𝛽_1 = helling van de regressielijn
 Wel zien we links dat er een verband is die heel hard afwijkt.

-Schatting van 𝛽_1:
▪ 1e regressie : 𝛽_1 = €405
▪ 2e regressie : 𝛽_1 = €510
- 1 extra dag (= marginale kosten) kost 405 of 510 euro
- Verschil is belangrijk (bv. voor financiering van ziekenhuis)
 We schatten de regressielijn opnieuw (groen maar we nemen de extreme
niet mee
 Dit is van belang omdat dit soort van schatting gaat gebruikt worden om
subsidies toe te kennen aan ziekenhuizen.
 Extreme observatie: gaat verband tussen 2 variabelen beïnvloeden

Regressielijn
- Gemiddeld neemt de lengte van kinderen toe met de leeftijd
▪ Geldt niet noodzakelijk voor elk individu
 Wat belangrijk is, is dat we een algemene relatie gaan schatten, die niet
noodzakelijk perfect geldt voor elke observatie, de regressive lijn gaat hier door
de gemiddelde per leeftijd, hier vallen enkele observaties ook naast de regressive
lijn,
 Van de algemene relatie gaan er altijd punten zijn die afwijken
 Daarna bekijken welke observaties we beschouwen als extreme en welke niet


Een zeer goede kennis van uw gegevens is cruciaal voor een correcte en
betrouwbare analyse !!!
- Soorten gegevens
▪ Transversale gegevens: verzameld op 1 punt in de tijd
▪ Tijdreeksgegevens
▪ Gepoolde gegevens
- Meetschaal (meetniveau)
- Beschrijvende statistieken
- Correlaties
- Histogram
- Grafieken
- Scatterplot
- ...

3

,  Een model kan maar goed zijn als de onderliggende data die je hebt goed zijn
 Je moet wel goed weten hoe de data eruit ziet
 Daarna een model schatten en kijken hoe het model het doet om het daarna aan te passen tot
we tevreden zijn

TERMINOLOGIE EN NOTATIE
Variabelen en parameters
𝑌𝑡 = 𝛽0 + 𝛽1 𝑋1,𝑡 + 𝛽2 𝑋2,𝑡 + 𝛽3 𝑋1,𝑡−1 + 𝛽4 𝑌𝑡−1 + 𝑢𝑡




 Y = afhankelijke variabelen = te verklarende variabele = endogene variabelen --> variabelen die
we willen voorspellen en waarvoor we een model ontwikkelen
 X = onafhankelijke variabelen
 Beta = parameters / coëfficiënten die we willen gaan schatten --> gaat zeggen hoe sterk het
verband is
 U is een stuk van de Y variabelen dat we niet kunnen verklaren door de X variabelen

Afhankelijke en verklarende variabelen




4