Side 2 - lineær regression

Du kan som sådan godt anvende en dummy igen, hvor du defienrer, den som:

D = 1 hvis afkast > afkast niveau

D = 0 hvis afkast < afkast niveau

Men er "afkastniveauet" som du kalder det ikke afhængigt af investeringsratingen?  Dvs. det varierer med den på forhånd angivne rating?

Det er dog svært at vejlede uden en præcis opgave beskrivelse og et datasæt at kigge på.

#21:

Problemet er bare, at jeg ikke har data med produkternes afkast over en periode. Og da jeg heller ikke har tidsseriedata, ka jeg ikke beregne afkastet - jeg har kun en række nøgletal (rating, performance fee mfl) på hvert produkt, som er de gældende til t₀. Jeg tænkte dog, at jeg måske godt alligevel ku opstille regressionen i #20, for at se, om et performance fee påvirker omkostningsprocenten i positiv eller negativ retning, selvom jeg ikke ud fra mit data ka se om fee'et ska betales (da jeg ikke kender afkastet). Performance fee'et ska nemlig kun betales, hvis produktet performer, dvs. har givet positivt afkast. Jeg havde i #20 ik forestillet mig perf.fee som en dummy, men som kvantitativ variabel fx 10%, 15%, 20%, da performance fee'et angiver %-delen af afkastet, der ska betales til udbyderen. Jeg ka dog ikke helt gennemskue, om det er en mulighed at gøre sådan?

Du skal da heller ikke (nødvendigvis) bruge tidsserie data.

Har du nogle faktisk realiserede afkast?

nej, jeg har ikke data med produkternes afkast desværre.

Med hensyn til regressionen i #16, er jeg kommet lidt i tvivl om, hvordan jeg ska håndtere de investeringsprodukter, der er "Ikke rated". Dette betyder nemlig ikke, at produktet er for dårligt til at opnå ratingen 1. Årsagen til, at nogle produkter er Ikke rated, kan bl.a. være, at disse endnu ikke har eksisteret i 3 år eller mere, hvilket kræves af ratingbureauet. Jeg tænker derfor, at det ikke er løsningen, at tilføje dummyen Rating1, hvorved regressionen blir:

omk.pct. = a + b*Rating1 + c*Rating2 + d*Rating3 + e*Rating4 + f*Rating5 ... (andre forklarende variable), hvor

Rating1 = 1; hvis rating 1, ellers = 0

Rating2 = 1; hvis rating 2, ellers = 0

Rating3 = 1; hvis rating 3, ellers = 0

Rating4 = 1; hvis rating 4, ellers = 0

Rating5 = 1; hvis rating 5, ellers = 0

Da årsagen til Ikke rated som sagt ikke betyder, at produktet er for dårligt til at opnå ratingen 1, virker denne regression ikke korrekt. Men da årsagen til Ikke rated kan være, at disse endnu ikke har eksisteret i 3 år eller mere, og derfor når de 3 år er gået kan opnå ratingen 1, 2, 3, 4 eller 5, tænker jeg på en af følgende muligheder:

1) Rating1 = Rating2 = Rating3 = Rating4 = Rating5 = 0; hvis Ikke rated ELLER

2) Rating3 = 1, hvis rating 3 eller Ikke rated. (Rating1, Rating2, Rating4 og Rating5 som ovenfor)

Sammen med regressionen fra #16:

omk.pct. = a + b*Rating2 + c*Rating3 + d*Rating4 + e*Rating5 ... (andre forklarende variable)

Hva tænker I?

Hvad er dit udgangspunkt for denne opgave?

Du har ingen opgave beskrivelse? ER det et BA projekt, speciale? Hvad er sammenhængen?

Nej ingen opgavebeskrivelse. Det er BA-forberedende.

Du skrev i første indlæg at din afhænggige variabel er omkostningerne ved et investeringsprodukt i % af afkastet.

Det må unægteligt betyde du har et afkast direkte eller indirekte.

Såfremt din afhængige variabel er en du selv har konstrueret og fundet data til, må du have brugt et afkast for at beregne omkostningerne i % af dette afkast.
 

Såfremt din forklarende variabel er noget data du har fundet direkte, så vil du kunne udlede afkastet herfra, da det er % af afkastet.

Nej, sorry;

Omkostningsprocenten kan matematisk udtrykkes som:
(Årets administrationsomkostninger/medlemmernes gns. formue) x 100

http://www.ifr.dk/composite-583.htm

Jeg har nu lavet et lineær regression, og data samt reducerede model kan ses i vedhæftede excelfil i hver sit ark.

I et andet statistikprogram har jeg lavet samme regression og fået outputtet:

                                       Coefficient Std.Error  t-value t-prob Part.R^2
Constant                      1.36882     0.2155     6.35  0.0000   0.0708
Passiv                         -0.936838    0.06085    -15.4  0.0000   0.3090
Institutionel                 -0.515027    0.06092    -8.45  0.0000   0.1188
Risiko                           0.0352812   0.004220     8.36  0.0000   0.1165
Aktie                              0.248302    0.05861     4.24  0.0000   0.0328
Allokering                     0.375370    0.05182     7.24  0.0000   0.0901
Performance fee        0.0138219   0.007027     1.97  0.0497   0.0072
LN(formue)                -0.0323253    0.01039    -3.11  0.0020   0.0179

sigma                 0.33081  RSS                58.0007371
R^2                  0.614132  F(7,530) =    120.5 [0.000]**
Adj.R^2              0.609035  log-likelihood       -164.218
no. of observations       538  no. of parameters           8
mean(Y)               1.22317  se(Y)                0.529066

Normality test:   Chi^2(2)  =   44.367 [0.0000]**
Hetero test:      F(10,527) =   2.5403 [0.0054]**
Hetero-X test:    F(13,524) =   2.0211 [0.0175]*
RESET23 test:     F(2,528)  =   5.7023 [0.0035]**

Jeg ka se normalitetstestet afvises. Betyder det, jeg ska fjerne outliers?