Alina Jędrzejczak https://orcid.org/0000-0002-5478-9284 , Jan Kubacki https://orcid.org/0000-0001-8281-0514
ARTYKUŁ

(Angielski) PDF

STRESZCZENIE

Głównym celem artykułu jest analiza statystyczna zmian rozkładu dochodów gospodarstw domowych w Polsce na poziomie regionalnym z uwzględnieniem wpływu wydatków rządowych na pomoc społeczną. W badaniu wykorzystano modele liniowe, które zawierają relacje wykorzystujące funkcje sklejane, oraz wektorowe modele autoregresyjne (VAR). Modele liniowe dla województw zawierały zmienną dychotomiczną o wartościach zależnych od funkcjonowania programów socjalnych wprowadzonych przez polski rząd w 2016 r. Wykorzystano również zmienną niezależną określającą wydatki na pomoc społeczną per capita na poziomie kraju. Wyniki dla tych modeli zostały porównane z podobnymi miarami wyznaczonymi w badaniach mikrosymulacyjnych na podstawie badania budżetów gospodarstw domowych oraz z łączną oceną programów społecznych. Wskazują one, że wydatki na pomoc społeczną mają znaczący wpływ na wartości dochodu rozporządzalnego. Do obliczeń wykorzystano dane z baz GUS: Banku Danych Lokalnych (w szczególności dane z badania budżetów gospodarstw domowych za lata 2000–2018) oraz Banku Danych Makroekonomicznych, a także dane z corocznych sprawozdań z wykonania budżetu państwa. Użyto środowiska R-project oraz nakładki R-commander z zastosowaniem funkcji lm, jak również modułu vars dla środowiska R-project. Posłużono się także programem Gretl.

SŁOWA KLUCZOWE

dochód rozporządzalny, modele ekonometryczne, wektorowy model autoregresyjny, R-project, Gretl, wydatki na pomoc społeczną, dochody gospodarstwa domowego

JEL

C01, C21, C22, D31, E64, H53, H55

BIBLIOGRAFIA

Baiocchi, G., Distaso, W. (2003). GRETL: Econometric software for the GNU generation. Journal of Applied Econometrics, 18(1), 105–110. https://doi.org/10.1002/jae.704 .

Blanchard, O. J., Quah, D. (1989). The Dynamic Effects of Aggregate Demand and Supply Disturbances. The American Economic Review, 79(4), 655–673.

Brzeziński, M., Najsztub, M. (2017). Wpływ programu „Rodzina 500+” na dochody gospodarstw domowych, ubóstwo i nierówność. http://coin.wne.uw.edu.pl/mbrzezinski/research/rodzina500plusPolitykaSpoleczna_nowa_wersja.pdf .

Desaling Germay, M. (2016). Modeling and Forecasting Unemployment Rate in Sweden using various Econometric Measures. https://www.diva-portal.org/smash/get/diva2:949512/FULLTEXT01.pdf .

Domański, C., Pekasiewicz, D., Baszczyńska, A., Witaszczyk, A. (2014). Testy statystyczne w procesie podejmowania decyzji. Łódź: Wydawnictwo Uniwersytetu Łódzkiego.

Ekanem, N. F. (2005). A VAR Model of the Relationship Between the GDP Growth and Unemployment Rates. Journal of Business & Economics Research, 3(8). https://doi.org/10.19030/jber.v3i8.2801 .

Fox, J. (2005). The R Commander: A Basic Statistics Graphical User Interface to R. Journal of Statistical Software, 14(9), 1–42. https://www.jstatsoft.org/article/view/v014i09 .

Fox, J. (2017). Using the R Commander: A Point-and-Click Interface or R. Boca Raton FL: Chapman and Hall/CRC Press.

Fox, J., Bouchet-Valat, M. (2018). Rcmdr: R Commander. R package version 2.5-1.

GUS. (2004–2018). [Koniunktura konsumencka – informacje sygnalne]. https://stat.gov.pl/obszary-tematyczne/koniunktura/koniunktura/koniunktura-konsumencka-styczen-2021-roku,1,95.html .

Jappelli, T., Pistaferri, L. (2010). The Consumption Response to Income Changes. Annual Review of Economics, Annual Reviews, 2(1), 479–506. https://doi.org/10.1146/annurev.economics.050708.142933 .

Jarque, C. M., Bera, A. K. (1987). A Test for Normality of Observations and Regression Residuals. International Statistical Review, 55(2), 163–172. https://doi.org/10.2307/1403192 .

Jędrzejczak, A., Pekasiewicz, D. (2019). Analiza nierówności dochodowych i ubóstwa w Polsce w gospodarstwach domowych z dziećmi. Przegląd Statystyczny, 66(2), 105–124. https://ps.stat.gov.pl/Article/2019/2/105-124 .

Kalinowska, K. (2016). The stabilising role of unemployment benefits in Poland. Central European Review of Economics & Finance, 12(2), 21–40.

Kusideł, E. (2000). Modele wektorowo-autoregresyjne VAR. Metodologia i zastosowanie. In B. Suchecki (Ed.), Dane panelowe i modelowanie wielowymiarowe w badaniach ekonomicznych (Vol. 3). Łódź: Absolwent.

Ljung, G. M., Box, G. E. P. (1978). On a Measure of a Lack of Fit in Time Series Models. Biometrika, 65(2), 297–303. https://doi.org/10.1093/biomet/65.2.297 .

Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Berlin, Heidelberg: Springer Verlag. https://doi.org/10.1007/978-3-540-27752-1 .

Pfaff, B. (2008a). Analysis of Integrated and Cointegrated Time Series with R. Second Edition. New York: Springer.

Pfaff, B. (2008b). VAR, SVAR and SVEC Models: Implementation Within R Package vars. Journal of Statistical Software, 27(4). http://dx.doi.org/10.18637/jss.v027.i04 .

R Core Team. (2018). R: A language and environment for statistical computing. Vienna: R Foundation for Statistical Computing. https://www.R-project.org/ .

Wójcik, A. (2014). Modele wektorowo-autoregresyjne jako odpowiedź na krytykę strukturalnych wielorównaniowych modeli ekonometrycznych. Studia Ekonomiczne, 193, 112–128.

Do góry
Copyright © 2019 Główny Urząd Statystyczny