Wie berechne ich die Preiselastizität der Nachfrage anhand historischer Preis- und Mengenangaben?

Ich arbeite für ein Unternehmen, das Einzelhandelsartikel herstellt, und habe die Aufgabe, die Preiselastizität der Nachfrage für eine Unterkategorie zu berechnen, die unbenannt bleiben soll. Ich habe 5 Jahre monatliche Marktdaten, die den Marktpreis sowie die verkauften Unzen anzeigen. Zu meinen unabhängigen Variablen gehören IV geschätzte Preise, monatliches Einkommen für nicht langlebige Güter (nationale Fred-Daten), verkaufte Unzen einer verwandten Unterkategorie und 11 Dummy-Variablen für die 12 Monate der Saisonalität. Das Modell ist Log-Log.

Meine Idee war es, alles zu kontrollieren, was ein angebotsseitiger Faktor sein würde, und dann den Preiskoeffizienten als Steigung meiner Nachfragekurve zu verwenden. Natürlich ändert sich die Nachfragekurve immer, aber insgesamt würde ich eine relativ stabile Nachfragekurve annehmen. Es wäre zumindest besser, als nur dQ / dP zu berechnen. Das Problem ist, dass mein Preiskoeffizient positiv ist. Auch wenn das R-Quadrat bei etwa 70% liegt und der F-Stat bei 99% + signifikant ist, sind meine individuellen Parameter meist statistisch nicht signifikant.

Das Problem ist, ich betrachte monatliche Daten für eine ganze Unterkategorie. Das verkaufte Volumen und die gewichteten Durchschnittspreise steigen weiter und ich bin mir nicht sicher, wie ich die Nachfrage isolieren kann. Irgendwelche Ideen wären sehr dankbar.

In Bezug auf den IV-Preisschätzer zur Beseitigung der Endogenität habe ich die Regression der Stufe 1 mit den Rohstoffkosten als meinem X und dem Preis als Y durchgeführt. Dieser Preisschätzer hat ein R-Quadrat von 0,91. Die Rohstoffkosten haben eine Korrelation von 0,11 gegenüber 0,32, wenn sie gegen die Menge laufen.

Sie sind in eine wirklich häufige Falle geraten - die falsche Regression. Die von Ihnen ausgewählten Parameter können nicht ohne weiteres ausgewählt werden, indem Daten in einen Regressionsbefehl geworfen werden. Letztendlich kann dies nicht mit so kleinen Worten ohne Daten beantwortet werden, während die Genauigkeit erhalten bleibt.

Trotzdem kann ich versuchen, Ihre Frage als Bezugspunkt zu beantworten. Bevor ich das überhaupt versuchte, konnte ich nicht genug Vorsicht betonen. Denken Sie daran, dass ein Modell, das fast korrekt ist - aus praktischen Gründen 100% falsch ist.

Sie haben sich also anscheinend für eine lineare Protokoll-Protokoll-Spezifikation entschieden. Ich würde eine schnelle Google Scholar-Suche nach Papieren durchführen, in denen die Nachfrage der Verbraucher nach einem ähnlichen Produkt wie dem von Interesse prognostiziert wird. Die funktionale Form zusammen mit den von Ihnen ausgewählten Parametern muss aus der Theorie abgeleitet werden. Sie können ihre Gleichung einfach kopieren und an Ihre Daten anpassen. Ansonsten machen Sie blinde Statistiken. Dies ist der Hauptgrund, warum Sie inkonsistente Anzeichen erhalten.

Sie versuchen, eine abgeleitete Nachfrage für die Kategorie von Waren anzugeben, auf die Sie sich konzentrieren. Ihr allgemeines Modell wird folgendermaßen aussehen:

$logQ_t = \alpha + \beta_llogP_t + X'_t\gamma + \epsilon$

Wobei: Q Umsatz
P Verkaufsargument
X Vektor anderer Faktoren als Verkaufspreis zufällige Komponente in der Nachfrage
$\epsilon$

Haben Sie Parameter für Wirtschaftsindikatoren angegeben? Dies sind Dinge wie BIP, Einkommen, Bevölkerungswachstum, Arbeitslosigkeit, Zinssätze usw. Je nach Gut - für Ihren Zweck - gibt es normalerweise eine Theorie, die die erforderlichen Parameter unabhängig von der statistischen Signifikanz liefert. Ich würde das zuerst tun. Fügen Sie einige Makroindikatoren hinzu und überprüfen Sie die F-Statistik für das Modell erneut. Ihr Modell würde dann nicht nur die eigene Preiselastizität des Gutes bereitstellen, sondern Sie würden auch eine Einkommenselastizität sowie preisübergreifende Elastizitäten für konkurrierende / ergänzende Waren erhalten. Wenn Ihr Unternehmen Geld für Werbung ausgegeben hat, muss dies ebenfalls berücksichtigt werden. Haben Sie Dummy-Variablen für die 'Kategorie' der Ware selbst hinzugefügt? Und Trendvariablen? Verzögerungen von saisonalen Effekten, ihre quadratischen Effekte? Interaktionseffektvariablen?

Jeder flüchtige Ansatz würde dazu führen, dass die variable Verzerrung Ihrer falsch spezifizierten Parameter weggelassen wird. In den meisten Fällen müssen Sie sicherstellen, dass sich der Multiplikatoreffekt im Laufe der Zeit nicht ändert.

Haben Sie nach Normalität und autokorrelierten Fehlern gesucht?

Dies ist eine ebenso breite und allgemeine Referenz, die ich Ihnen geben kann. Die funktionale Spezifikation könnte hier besser durch eine autoregressive Form berechnet werden. Aber das geht über den Rahmen hinaus, den ich denke.

Ich bin mir nicht sicher, wie hoch Ihre ökonometrische Analyse / Nachfrageanalyse ist, daher habe ich die Dinge ohne viel Mathematik gehalten. Ich hoffe das war etwas hilfreich. Es war eine großartige Intuition, aufzuhören, was Sie tun, wenn Sie falsche Zeichen gesehen haben. Halten Sie sich an diese Faustregel.