La convergenza economica: metodi non parametrici
description
Transcript of La convergenza economica: metodi non parametrici
1
La convergenza economica:
metodi non parametrici
Lezione di Cristina BrasiliLezione di Cristina Brasili
Politica Regionale e dello Sviluppo
A.A. 2003-2004
2
TEORIA E MODELLI DI ANALISI DELLA CONVERGENZA NON PARAMETRICA
•.Metodi non parametrici
•Matrici di transizione
•Un’applicazione delle matrici di transizione alle variabili del settore agroalimentare
•Un’applicazione dello stochastic kernel alle regioni dell’Unione europea
• Lo stochastic kernel
•Un’applicazione dello stochastic kernel ai Paesi candidati
Lezione di Cristina BrasiliLezione di Cristina Brasili
• L. Boggio G. Serravalli, Sviluppo e crescita economica, Mc Grow Hill
• Leonardi R., Coesione, convergenza e integrazio nell’Unione europea, Ed. Il Mulino (1997)
• Quah D. (1993), “Empirical Cross-Section Dynamics in Economic Growth”, European Economic Review, 37(2/3):426-434, April.
• Quah D. Twin Peaks: Growth and Convergence in Models of Distribution Dynamics, Economic Journal, 106: 1045-1055, 1996
• Bernard A.B., Durlauf S. N. (1995), “Convergence of International Output Movements” Journal of Applied Econometrics, 10, 97-108.
• Bernard, Durlauf (1996) Interpreting tests of the convergence hypothesis, Journal of Econometrics, 71, pag 161-173
• Brasili C., Oppi M. Convergenza economica delle regioni europee e allargamento a Est, Serie ricerche n.3 Dipartimento di Scienze Statistiche “P.Fortunati”, 2001
• Bacchiocchi E., Brasili C., Fanfani R. (1999), “Convergence and Long Term Dynamics in the Agrofood Systems in the EU regions (1980-95)”, Department of Statistics “Paolo Fortunati”, Research Book n. 7.
• Silverman B. W. (1986), “Density estimation for statistics and data analysis”, Chapman and Hall.
Indicazioni bibliografiche sulla convergenza economica La convergenza economica: metodi non parametrici - Cristina BrasiliLa convergenza economica: metodi non parametrici - Cristina Brasili
Critiche ai metodi di analisi della convergenza parametricaUn segno negativo e significativo del coefficiente beta in una regressione cross-country viene interpretato come convergenza condizionata
• L’approccio alla beta e alla sigma convergenza spesso porta a verificare convergenza anche quando non c’è
• Bernard e Durlauf (1995) mostrano che lo stimatore beta non riesce ad identificare uno o più paesi che divergono
• Quah (1993) mostra che i cambiamenti di traiettoria sono frequenti e quindi i sentieri di crescita non sono abbastanza stabili da utilizzare interpolazioni
• La stima beta tende inoltre a essere sistematicamente intorno al 2% (Canova e Marcet, 1995; Pesaran e Smith 1995)
(Boggio, Serravalli da pag. 143)
La convergenza non parametrica La convergenza economica: metodi non parametrici - Cristina BrasiliLa convergenza economica: metodi non parametrici - Cristina Brasili
6
ANAV/GDP= FC/GDP * FAP/FC * ANAV/FAP (1).
-AAV/GDP (Agriculture Added Value/Gross Domestic Product)-AIAV/GDP (Agrofood Industry Added Value/ Gross Domestic Product) -AIAV/AAV (Agrofood Industry Added Value/Agriculture Added Value)
Un’analisi non parametrica per le variabili del sistema agroalimentare
Modelli di sviluppo e misura della convergenza.Un’analisi delle regioni europee con particolare attenzione a quelle in ritardo di sviluppo.
7
Dinamica della varianza e sigma-convergenza
Modelli di sviluppo e misura della convergenza.Un’analisi delle regioni europee con particolare attenzione a quelle in ritardo di sviluppo.
AAV/GDP EU REGIONS
1980
1985
1990
1995 = 0.022 = 0.0003CV= 0.76
= 0.032 = 0.0004CV= 0.72
= 0.042 = 0.0007CV= 0.76
= 0.042 = 0.0009CV= 0.74
8
Dinamica della varianza e sigma-convergenza
Modelli di sviluppo e misura della convergenza.Un’analisi delle regioni europee con particolare attenzione a quelle in ritardo di sviluppo.
AIAV/GDP EU REGIONS
1980
1985
1990
1995 = 0.042 = 0.0003CV= 0.51
= 0.042 = 0.0004CV= 0.52
= 0.042 = 0.0005CV= 0.55
= 0.042 = 0.0004CV= 0.48
9
Dinamica della varianza e sigma-convergenza
Modelli di sviluppo e misura della convergenza.Un’analisi delle regioni europee con particolare attenzione a quelle in ritardo di sviluppo.
AAV/GDP
0,4
0,45
0,5
0,55
0,6
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
AIAV/GDP
0,22
0,24
0,26
0,28
0,3
0,32
0,34
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
AIAV/AAV
0,7
0,8
0,9
1
1,1
1,2
1,3
1,4
1,5
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
10
Un approccio probabilistico
Modelli di sviluppo e misura della convergenza.Un’analisi delle regioni europee con particolare attenzione a quelle in ritardo di sviluppo.
0 1 2 3 4x
0.0
0.2
0.4
0.6
0.8
1.0
y
AAV/GDP 1980
0 1 2 3 4x
0.0
0.2
0.4
0.6
0.8
1.0
y
AAV/GDP 1985
0 1 2 3 4x
0.0
0.2
0.4
0.6
0.8
1.0
y
AAV/GDP 1990
0 1 2 3 4x
0.0
0.2
0.4
0.6
0.8
1.0
y
AAV/GDP 1995
11
Un approccio probabilistico
Modelli di sviluppo e misura della convergenza.Un’analisi delle regioni europee con particolare attenzione a quelle in ritardo di sviluppo.
0 1 2 3 4x
0.0
0.3
0.6
0.9
1.2
y
AIAV/GDP 1980
0 1 2 3 4x
0.0
0.3
0.6
0.9
1.2
y
AIAV/GDP 1985
0 1 2 3 4x
0.0
0.3
0.6
0.9
1.2
y
AIAV/GDP 1990
0 1 2 3 4x
0.0
0.3
0.6
0.9
1.2
y
AIAV/GDP 1995
12
Un approccio probabilistico
Modelli di sviluppo e misura della convergenza.Un’analisi delle regioni europee con particolare attenzione a quelle in ritardo di sviluppo.
0 1 2 3 4 5 6x
0.0
0.3
0.6
0.9
1.2
y
AIAV/AAV 1980
0 1 2 3 4 5 6x
0.0
0.3
0.6
0.9
1.2
y
AIAV/AAV 1985
0 1 2 3 4 5 6x
0.0
0.3
0.6
0.9
1.2
y
AIAV/AAV 1990
0 1 2 3 4 5 6x
0.0
0.3
0.6
0.9
1.2
y
AIAV/AAV 1995
13
Regioni sviluppate e in ritardo di sviluppo (obiettivo 1): il grado di convergenza
Modelli di sviluppo e misura della convergenza.Un’analisi delle regioni europee con particolare attenzione a quelle in ritardo di sviluppo.
AAV/GDP Average (1980-95)
Obj. 1
no. Obj. 1
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
Media EU
AAV/GDP Average (80-95)Rispect to the EU Average
0,4
0,6
0,8
1
1,2
1,4
1,6
1,8
2
Obj. 1
No Obj. 1
AAV/GDP Variances (80-95)Rispect to the EU Average
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
Obj. 1
No Obj. 1
14
Regioni sviluppate e in ritardo di sviluppo (obiettivo 1): il grado di convergenza
Modelli di sviluppo e misura della convergenza.Un’analisi delle regioni europee con particolare attenzione a quelle in ritardo di sviluppo.
AAV/GDP Objective 1 EU REGIONS
1980
1985
1990
1995
de3 be3 es7 ukb es1 pt1 it8 it7 itb ita it9 es6 ie es4
= 0.042 = 0.0004CV= 0.52
= 0.052 = 0.0005CV= 0.49
= 0.062 = 0.0011CV= 0.56
= 0.072 = 0.0013CV= 0.50
15
Regioni sviluppate e in ritardo di sviluppo (obiettivo 1): il grado di convergenza
Modelli di sviluppo e misura della convergenza.Un’analisi delle regioni europee con particolare attenzione a quelle in ritardo di sviluppo.
AIAV/GDP Average (80-95)
0,03
0,035
0,04
0,045
0,05
Obj. 1
No Obj. 1
Media UE
AIAV/GDP Average (80-95)Respect to the EU Average
0,9
0,95
1
1,05
1,1
1,15
1,2
1,25
Obj. 1
No Obj. 1
AIAV/GDP Variance (80-95)Respect to the EU Average
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
Obj. 1
No Obj. 1
16
Un approccio probabilistico
Modelli di sviluppo e misura della convergenza.Un’analisi delle regioni europee con particolare attenzione a quelle in ritardo di sviluppo.
AIAV/GDP Objective 1 EU REGIONS
1980
1985
1990
1995
es1 pt1 es4 ita it8 es7 be3 it7 it9 itb es6 ie ukb
= 0.042 = 0.0008CV= 0.66
= 0.042 = 0.0009CV= 0.69
= 0.052 = 0.0013CV= 0.75
= 0.052 = 0.0008CV= 0.60
17
Modelli per distribuzioni cross-section che si evolvono nel tempo: matrici di transizione
Modelli di sviluppo e misura della convergenza.Un’analisi delle regioni europee con particolare attenzione a quelle in ritardo di sviluppo.
Transition matrices- First order, time stationary, 1980 to 1995; EU Regions
AAV/GDP (0 : 0,5) (0,5 : 1) (1 : 1,5) (1,5 : 2) (2 : )296 0.916 0.084338 0.062 0.885 0.053186 0.070 0.839 0.091127 0.110 0.803 0.08788 0.136 0.864
Ergodic 0.21 0.29 0.21 0.17 0.11
AIAV/GDP (0 : 0,5) (0,5 : 1) (1 : 1,5) (1,5 : 2) (2 : )55 0.836 0.164
419 0.024 0.955 0.021266 0.045 0.914 0.041112 0.107 0.857 0.03633 0.091 0.909
Ergodic 0.08 0.53 0.25 0.10 0.04
AIAV/AAV (0 : 0,5) (0,5 : 1) (1 : 1,5) (1,5 : 2) (2 : )177 0.876 0.124356 0.070 0.888 0.039120 0.092 0.808 0.092 0.00865 0.015 0.169 0.678 0.138
152 0.007 0.072 0.921Ergodic 0.22 0.39 0.16 0.08 0.16
18
Convergenza economica nelle regioni dell’Unione europea (Leonardi, 1998)
•L’analisi della convergenza economica nelle regioni europee è stata negli anni Novanta al centro dell’attenzione di numerosi studiosi.
• Gli studi più recenti non hanno però prodotto un’interpretazione univoca dello sviluppo economico dell’Unione Europea.
•La variabile esplicativa più frequentemente utilizzata per l’analisi della convergenza economica è il PIL per abitante.
Un’applicazione dello stochastic kernel alle regioni dell’Unine europea
La convergenza economica: metodi non parametrici - Cristina BrasiliLa convergenza economica: metodi non parametrici - Cristina Brasili
19
Le regioni dell’Unione europea (Leonardi, 1998)
La Banca Dati creata appositamente per un’analisi di lungo periodo si snoda dal 1950 al 1995. A tale scopo sono state utilizzate tre diverse fonti di dati:
•il lavoro di Molle von Holst e Smith (1980),•data base Regio di Eurostat,•la banca dati dell’ESOC-Lab
Sono state armonizzate e ricostruite due variabili:il PIL pro capite e le PPA pro capiteper 140 regioni di livello Nuts2
Un’applicazione dello stochastic kernel alle regioni dell’Unione europea
La convergenza economica: metodi non parametrici - Cristina BrasiliLa convergenza economica: metodi non parametrici - Cristina Brasili
20
Le regioni dell’Unione europea (Leonardi, 1998)
Si costruiscono le funzioni di densità per le 140 regioni negli anni 1975, 1985 e 1992
Dalle distribuzioni marginali emerge: solo nel 1975 c’era una lieve evidenza di “twin peaks” poi la distribuzione diventa unimodale e maggiormente simmetrica
Il kernel stocastico sui dati del Pil pro capite dal 1975 al 1992 non evidenzia fenomeni di polarizzazione ma piuttosto di persistenza di differenze nel tempo in livelli di ricchezza differenziati (pagg. 174-178, Leonardi 1998)
Un’applicazione dello stochastic kernel alle regioni dell’Unione europea
La convergenza economica: metodi non parametrici - Cristina BrasiliLa convergenza economica: metodi non parametrici - Cristina Brasili
21
• Lo stochastic kernel utilizza le funzioni di densità della variabile considerata per poter ottenere una stima della distribuzione di probabilità ergodica quando. Il problema fondamentale consiste, dunque, nello stimare tali funzioni; in particolare vengono stimate attraverso l’approccio non parametrico, cioè si affronta direttamente la stima dell’intera funzione di densità di probabilità, invece di stimare i parametri di uno specifico tipo di distribuzione, come avviene, appunto, nell’approccio parametrico alla stima di densità •La stima kernel di una funzione di densità unimodale del vettore di osservazioni x1, x2,….xn è intuitivamente costituita da una serie di “bumps” o “collinette” costrute su ciascuna osservazione. La definizione formale è :
)(1
)(1
n
i
i
h
XxK
nhxf
Lo strumento di analisi: lo Stochastic Kernel
La convergenza economica: metodi non parametrici - Cristina BrasiliLa convergenza economica: metodi non parametrici - Cristina Brasili
22
• La funzione Kernel K soddisfa le condizioni:
• Il parametro h chiamato bandwith (o window width) determina l’ampiezza delle “collinette”. Ognuna di esse ha l’espressione:
• Il Kernel K è una funzione di densità di probabilità.
1)( dxxK
)(1h
XxKnh
i
Stochastic Kernel
dxx |)K(|
23
• La definizione di kernel come somma di “bumps” per ciascuna osservazione dal caso univariato a quelo multivariato :
• La funzione kernel è ora definita per un x d-dimensional che soddisfa le condizioni:
• K può essere una funzione di densità unimodale e simmetrica come la densità normale standard
)Xx
(1
)x(1
n
i
id h
Knh
f
dR
dK 1x)x(
Stochastic Kernel
)xx2
1exp()2()x( T2 dK
24
• L’utilizzo di una sola bandwidth implca che il kernel è equamente livellato in ciascuna direzione.
•In alcuni casi sarebbe più accurato usare un vettore di bandwidths secondo le differenti densità delle osservazioni nelle diverse direzioni.
• La rules-of-thumb utilizza un’espressione approssimata del mean square error (MSE) e del mean integrated square error (MISE) sostituendo all’espressione la varianza campionaria stimata. Si arriva così a formulare l’espressione per la bandwidth :
Stochastic Kernel
2
xf
51
79.0
Rnhopt
25
• Nell’ambito di distribuzioni normali Silverman propone un altro metodo per calcolare il valore ottimo del parametro di smoothing:
•dove A è uguale al valore minimo tra la deviazione standard e il primo quartile della distribuzione diviso per 1,34.
Stochastic Kernel
5/1)(9,0 nAh
26
•The Stochastic Kernel descrive la legge secondo la quale si muovono una sequenza di distribuzioni.
• Indicando con t la distribuzine delle osservazioni al tempo t lo Stochastic Kernel descrive l’evoluzione di t a t+1 attraverso un operatore M t che “mappa” il prodotto Cartesiano nello spazio [0,1]. A Borel-misurabile:
Matrici di probabilità
)(),()(1 ydAyMA ttt
27
•Sia Ft la distribuzione dei redditi al tempo t; sia
Ft+1 la distribuzione dei redditi al tempo
successivo; allora esiste un operatore M (lo stochastic kernel) in grado di “mappare”, di descrivere l’evoluzione della distribuzione al tempo t in quella al tempo t+1; esiste un operatore M tale che quindi Ft+1=Mt Ft
• Se ora si ipotizza che l’M che mappa la distribuzione al tempo t in quella al tempo t+s, sia invariante rispetto al tempo, si potrà ricavare uno stimatore per le distribuzioni di densità future, cioè
Ft+2s=M Ft+s=M(M Ft)=M2Ft
.
.
.
.
Ft+rs=MrFt
Matrici di probabilità
28
• Possiamo pensare allo Sthocastic Kernel in termini di una versione continua della matrice di probabilità di transizione Markoviana
• Il modello proposto (simile ad un modello autoregressivo (AR)) utilizza distribuzioni di probabilità invece che numeri o vettori di numeri.
Ft= M * F t-1
• Ft e Ft-1 sono distribuzioni di densità di probabilità al tempo t e al tempo (t-1) , risepttivamente, e M è l’operatore che mappa la distribuzione nell’altra.
Matrici di probabilità e stochastic kernel
29
Riassumendo: come si legge il risultato dello Stochastic Kernel
• Permette di osservare l’evoluzione temporale della distribuzione della variabile oggetto di studio (PIL pro capite)
• Permette di individuare fenomeni fondamentali per lo studio della convergenza quali persistenza e polarizzazione
• Può essere considerato come la combinazione di:– Stima non parametrica di funzioni di
densità (stimatore kernel)– Matrici di probabilità di transizione
30
SianoSiano
FFtt== FFt+1t+1==
allora allora MM tale che F tale che Ft+1t+1==MMFFtt
Lo Stochastic Kernel
PIL pro capite al tempo t
0
0.2
0.4
0.6
0.8
1
1.2
1.4
0 0.5 1 1.5 2 2.5 3 3.5
PIL pro capite al tempo t+1
0
0,2
0,4
0,6
0,8
1
1,2
1,4
0 0,5 1 1,5 2 2,5 3 3,5
31
Si consideri l'intervallo temporale Si consideri l'intervallo temporale ((t,t+st,t+s), allora:), allora:
MM tale che F tale che Ft+st+s=M=MFFtt
Si consideri Si consideri MM invariante rispetto a invariante rispetto a tt, , allora:allora:
FFt+2st+2s==MM FFt+st+s==MM((MM FFtt)=)=MM22FFtt......
FFt+rst+rs==MMrrFFtt
Lo Stochastic Kernel
32
Si consideri il limite per Si consideri il limite per r r , , allora:allora:
33
0.0 0.5 1.0 1.5 2.0 2.5 3.0limite
0.0
0.5
1.0
1.5
2.0
2.5
3.0
t
0.007
0.0
07
0.0
14
0.014
0.0
20
0.020
0.0
27
0.027
0.0
34
0.0
34
0.041
0.041
0.047
0.047
0.054
Si consideri il limite per Si consideri il limite per r r , , allora:allora:
persistenza
persistenzarovesciamento
rovesciamento
conv
erge
nza
conv
erge
nza
34
La convergenza nelle regioni dell’UE 15
• La variabile: PIL pro capite espresso in PPA
(Fonte: Regio- Eurostat)
• La dimensione territoriale: 126 regioni NUTS2
• La dimensione temporale: 1980 - 2000
350
0,2
0,4
0,6
0,8
1
1,2
1,4
1,6
1,8
0 0,25 0,5 0,75 1 1,25 1,5 1,75 2 2,25 2,5
0
0,2
0,4
0,6
0,8
1
1,2
1,4
1,6
1,8
2
0 0,25 0,5 0,75 1 1,25 1,5 1,75 2 2,25 2,5
La convergenza nelle regioni dell’UE 15
PIL pro capite PIL pro capite 19891989
PIL pro capite 1999PIL pro capite 1999
A distanza di un decennio, si osservano alcune differenze significative.
Il picco di sinistra è sostanzialmente sparito.
La moda relativa alle regioni con reddito pro capite superiore al 25% di quello medio è inferiore ma aumenta il numero di regioni con un valore superiore a quello medio comunitario
36
La convergenza del PIL-pc nelle regioni dell’UE 15
37
La convergenza del PIL-pc nelle regioni
dell’UE 15 - Curve di livello
38
Un’analisi mediante lo stochastic kernel all’UE-28 (Brasili, Oppi 2001)
8. Un’applicazione dello stochastic kernel alle regioni dell’Unione europea
1995 1996 1997 1998 1999Belgio 150 147 146 146 144Danimarca 159 160 157 155 154Germania 147 147 142 141 140Grecia 88 89 87 86 87Spagna 105 106 104 106 107Francia 139 135 129 129 129Irlanda 124 124 134 141 145Italia 139 138 134 132 131Lussemburgo 232 227 228 230 239Olanda 147 143 148 148 147Austria 148 150 147 145 145Portogallo 94 93 96 98 98Finlandia 130 127 131 133 131Svezia 138 135 133 133 133Regno Unito 128 132 133 133 133Bulgaria 37 33 30 29 29Repubblica Ceca 84 87 83 79 77Estonia 43 44 48 49 47Ungheria 62 62 63 64 66Lettonia 33 34 36 36 36Lituania 37 38 40 41 38Polonia 43 45 46 47 47Romania 43 44 41 37 35Slovacchia 55 59 60 61 60Slovenia 86 88 89 90 92Cipro 105 105 104 104 105Malta 66 68 68 68 68Turchia 40 40 41 41 36
PIL pro capite (PPA) - UE 28=100
Livelli del PIL pro capite (PPA) nei Paesi di un’Unione allargata, 1988-1997 (media UE 28=100).
La convergenza economica: metodi non parametrici - Cristina BrasiliLa convergenza economica: metodi non parametrici - Cristina Brasili
39
Un’analisi mediante lo stochastic kernel all’UE-28 (Brasili, Oppi 2001)
8. Un’applicazione dello stochastic kernel alle regioni dell’Unione europea
1995 1996 1997 1998 1999Belgio 150 147 146 146 144Danimarca 159 160 157 155 154Germania 147 147 142 141 140Grecia 88 89 87 86 87Spagna 105 106 104 106 107Francia 139 135 129 129 129Irlanda 124 124 134 141 145Italia 139 138 134 132 131Lussemburgo 232 227 228 230 239Olanda 147 143 148 148 147Austria 148 150 147 145 145Portogallo 94 93 96 98 98Finlandia 130 127 131 133 131Svezia 138 135 133 133 133Regno Unito 128 132 133 133 133Bulgaria 37 33 30 29 29Repubblica Ceca 84 87 83 79 77Estonia 43 44 48 49 47Ungheria 62 62 63 64 66Lettonia 33 34 36 36 36Lituania 37 38 40 41 38Polonia 43 45 46 47 47Romania 43 44 41 37 35Slovacchia 55 59 60 61 60Slovenia 86 88 89 90 92Cipro 105 105 104 104 105Malta 66 68 68 68 68Turchia 40 40 41 41 36
PIL pro capite (PPA) - UE 28=100
Livelli del PIL pro capite (PPA) nei Paesi di un’Unione allargata, 1988-1997 (media UE 28=100).
La convergenza economica: metodi non parametrici - Cristina BrasiliLa convergenza economica: metodi non parametrici - Cristina Brasili
40
Un’analisi mediante lo stochastic kernel all’UE-28 (Brasili, Oppi 2001)
8. Un’applicazione dello stochastic kernel alle regioni dell’Unione europea
0.0 0.5 1.0 1.5 2.0 2.5 3.0t2
0.0
0.5
1.0
1.5
2.0
2.5
3.0
t1
0.005
0.0
05
0.0
11
0.011
0.0
16
0.016
0.0
22
0.022
0.0
27
0.0
27
0.0
33
0.033
0.0
38
0.038
0.038
0.0
44
0.044
“Kernel stocastico” per il PIL pro capite (PPA) dei Paesi dell’UE-28
Curve di livello del “kernel stocastico” per il PIL pro capite (PPA) dei Paesi dell’UE-28
La convergenza economica: metodi non parametrici - Cristina BrasiliLa convergenza economica: metodi non parametrici - Cristina Brasili