Podcast na Základy ekonometrie a ekonometrické modely

Kapitoly

Úvod do ekonometrie

Tři pilíře ekonometrie

Stavba ekonometrického modelu

Ověření modelu: t-testy a F-testy

Koeficient determinace a chyby v modelu

Tajemná složka 'u'

Čtyři pilíře ověření modelu

Když se chyby opakují: Autokorelace

Když se rozptyl mění: Heteroskedasticita

K čemu to všechno v praxi je?

Když se všechno ovlivňuje navzájem

Odbočka do mikroekonomie

Tři základní pružnosti

Funkce pro fajnšmekry

Od poptávky k výrobě

Jeden pekař, dva, deset...

Izokvanty a Izokosty

Náklady a závěrečné shrnutí

Přepis

Tomáš: Představ si, že jsi manažer v automobilce a přichází na trh nový elektromobil. Kolik kusů máš vyrobit? Deset tisíc? Padesát tisíc? Když vyrobíš málo, přijdeš o obrovský zisk. Když moc, budeš mít plné sklady neprodaných aut a velkou ztrátu. Jak se rozhodneš?

Lucie: No, asi bych se podívala na prodeje minulých modelů, ne? A taky na konkurenci.

Tomáš: Přesně! Ale co dál? Zohledníš i cenu benzínu, vládní dotace, nebo třeba jak roste ekonomika a platy lidí? A přesně tenhle proces – vzít hromadu dat a vytvořit z nich model, který ti pomůže předpovědět budoucnost – je jádrem dnešního tématu.

Lucie: Vítejte u Studyfi Podcast.

Tomáš: Dnes se s naší expertkou Lucií ponoříme do základů ekonometrie.

Lucie: Ahoj Tomáši, ahoj všichni. Zní to složitě, ale slibuju, že to rozebereme tak, aby to každý pochopil.

Tomáš: Tak dobře, Lucie, co to tedy ta ekonometrie přesně je? Zní to trochu jako zaklínadlo.

Lucie: To sice ano, ale je to spíš takové detektivní řemeslo. Ekonometrie je věda, která si bere to nejlepší z ekonomie, matematiky a statistiky. Jejím cílem je kvantifikovat, tedy vyčíslit, vztahy mezi ekonomickými veličinami.

Tomáš: Vyčíslit vztahy? Jakože mi řekne, o kolik víc si koupím zmrzliny, když mi přidají tisícovku k platu?

Lucie: Přesně o tom to je! Nebo nám pomůže vytvořit model pro prognózu, třeba jaká bude nezaměstnanost příští rok. Bere reálná data a hledá v nich vzorce.

Tomáš: A k čemu potřebuje ty tři vědní disciplíny? Proč nestačí jen jedna?

Lucie: Skvělá otázka. Každá má svou nezastupitelnou roli. Představ si to jako stavbu domu. Ekonomie ti dá plány – tedy teorii. Řekne ti: 'Hele, poptávka po zboží asi bude záviset na jeho ceně a na příjmu spotřebitelů'.

Tomáš: Jasně, to dává smysl.

Lucie: Pak přijde na řadu statistika, což jsou tvoji dělníci a jejich nářadí. Ta ti dá metody, jak z dat odhadnout, jak silné ty vztahy jsou. A nakonec matematika, to je takový stavební inženýr, který dohlíží, aby všechno sedělo, a poskytuje nástroje pro složitější výpočty, třeba derivace pro výpočet elasticity.

Tomáš: Dobře, takže mám plány, nářadí i inženýra. Jak ale postavím ten samotný model? Jaký je postup?

Lucie: Ten postup je docela logický a má několik kroků. Začínáš vždy tou ekonomickou teorií. Pročteš si studie, podíváš se, co už se ví o tématu, které zkoumáš.

Tomáš: Takže rešerše. To znám ze seminárek.

Lucie: Přesně tak. Potom vytvoříš ekonomický model – jednoduše si sepíšeš, které proměnné chceš zkoumat. Třeba že spotřeba závisí na příjmu a ceně.

Tomáš: A pak už jen sbírám data?

Lucie: Skoro. Ten ekonomický model převedeš na ekonometrický model, což znamená, že ho zapíšeš jako rovnici a přidáš tam takzvanou náhodnou složku. Ta reprezentuje všechno to, co neměříš – náhodu, lidské nálady, prostě šum.

Tomáš: Aha, takže uznáváme, že náš model není dokonalý.

Lucie: Přesně. A pak už ano – sběr dat, odhad parametrů v nějakém softwaru a nakonec to nejdůležitější: verifikace neboli ověření modelu.

Tomáš: Takže nestačí to jen spočítat, musím i zkontrolovat, jestli to dává smysl?

Lucie: Rozhodně. A to je často ta nejzajímavější část!

Tomáš: Dobře, můj počítač mi vyplivl nějaká čísla. Jak poznám, že je ten model k něčemu dobrý? Co je to ta verifikace?

Lucie: Máme hned několik úrovní ověření. První je ekonomická verifikace. Tam se prostě selským rozumem podíváš, jestli výsledky dávají smysl. Kdyby ti model řekl, že s rostoucím příjmem lidé kupují méně jídla, asi bys věděl, že je něco špatně, že?

Tomáš: To asi jo. Leda by všichni začali držet dietu.

Lucie: Přesně. A pak je tu statistická a ekonometrická verifikace. A tady přichází na scénu kouzelná slovíčka jako t-test a F-test.

Tomáš: Těch se bojím už od statistiky. Jaký je mezi nimi rozdíl?

Lucie: Je to jednodušší, než to zní. Představ si fotbalový tým. F-test ti řekne, jestli je celý tým jako celek dobrý a schopný vyhrát zápas. Testuje tedy statistickou významnost modelu jako celku.

Tomáš: A t-test?

Lucie: T-test pak testuje každého jednotlivého hráče. Zjišťuje, jestli konkrétní proměnná – třeba cena nebo příjem – má na výsledek statisticky významný vliv. Jestli ten hráč na hřišti není jen do počtu.

Tomáš: To je super přirovnání! Takže F-test pro celý model, t-test pro jednotlivé proměnné.

Lucie: Přesně tak. Chceš, aby ti vyšel dobře F-test, a pak chceš, aby ti vyšly dobře i t-testy pro ty nejdůležitější proměnné.

Tomáš: Super. Existuje ještě nějaké jednoduché číslo, které mi řekne, jak dobrý můj model je?

Lucie: Ano, a je to možná nejdůležitější ukazatel. Jmenuje se koeficient determinace, značí se R² a říká ti, kolik procent změn tvé závislé proměnné dokáže model vysvětlit.

Tomáš: Počkat, takže když budu modelovat prodeje té zmrzliny a R² mi vyjde 0,80…

Lucie: …tak to znamená, že tvůj model, třeba s proměnnými jako je teplota a cena, vysvětluje 80 % toho, proč se prodeje mění. Těch zbylých 20 % jsou jiné vlivy, které v modelu nemáš.

Tomáš: To je skvělé! Chci mít R² co nejvyšší, že?

Lucie: Přesně tak. Ale pozor na jednu věc. Nesmíš do modelu přidávat nesmyslné proměnné jen proto, abys R² uměle zvýšil. To je častá chyba.

Tomáš: Jakože bych k té zmrzlině přidal třeba fázi měsíce?

Lucie: Třeba. Tomu se říká zahrnutí irelevantní proměnné. R² se ti sice o kousíček zlepší, ale ve skutečnosti jsi model jen zkomplikoval a zhoršil. Proto existuje i korigovaný koeficient determinace, který model za takové zbytečné proměnné 'potrestá'.

Tomáš: A co opačná chyba? Když na něco důležitého zapomenu?

Lucie: To je ještě horší. Tomu se říká nezahrnutí podstatné proměnné. Když modeluješ prodej zmrzliny a zapomeneš na teplotu, tvůj model bude velmi slabý, R² bude nízké a tvoje prognózy budou úplně mimo.

Tomáš: Takže abych to shrnul. Ekonometrie nám pomocí dat, ekonomie a statistiky pomáhá pochopit a vyčíslit vztahy v reálném světě. Sestrojíme model, ověříme ho pomocí F-testu pro celek a t-testů pro jednotlivé části, a koukáme na R², abychom věděli, jak je dobrý.

Lucie: Naprosto přesně. Je to mocný nástroj, jak pro firmy, tak třeba pro vlády, které potřebují plánovat své rozpočty.

Tomáš: Skvěle, díky moc, Lucie! Teď už vím, jak se takový model staví a ověřuje. Ale co když se nám data chovají v čase podivně, třeba v závislosti na sezóně? O tom si povíme hned v další části.

Lucie: Přesně tak, Tomáši. A právě tady do hry vstupuje klíčový rozdíl mezi čistě ekonomickým modelem a tím ekonometrickým. Vzpomínáš si na tu náhodnou složku, to písmenko 'u', které jsme minule zmínili?

Tomáš: Jasně, matně si vzpomínám. To je ten dodatek na konci rovnice, že? Ale proč tam vlastně je? Copak ekonomický model není dost přesný sám o sobě?

Lucie: To je skvělá otázka. Představ si ekonomický model jako dokonalý recept. Říká ti, že když smícháš ingredience X1 a X2, dostaneš výsledek Y. Například: Prodeje = f(cena, výdaje na reklamu). Je to jen obecný vztah.

Tomáš: Rozumím. Takže jen říká, že prodeje závisí na ceně a reklamě.

Lucie: Přesně. Ale ekonometrický model je mnohem dál. Ten recept vezme, přidá konkrétní koeficienty a hlavně... přidá tu náhodnou složku 'u'. Takže rovnice vypadá spíš takhle: Prodeje = 150 - 10 * cena + 2 * reklama + u.

Tomáš: Aha! A to 'u' je co? Nějaká chyba v měření? Nebo že kuchař zrovna neměl den?

Lucie: Vlastně obojí a ještě víc! Ta náhodná složka 'u' je takový náš sběrný koš na všechno, co model nedokáže dokonale vysvětlit. Jsou v ní tři hlavní věci.

Tomáš: Povídej, jsem jedno ucho.

Lucie: Zaprvé, jsou tam vlivy proměnných, které jsme do modelu nezahrnuli. Třeba počasí, nálada zákazníků nebo kroky konkurence. Zadruhé, jsou tam chyby v datech. Nikdo není dokonalý a data občas mají své mouchy. A zatřetí... chyba může být i v nás.

Tomáš: Jak to v nás?

Lucie: Mohli jsme použít špatný tvar modelu. Třeba jsme předpokládali přímku, ale vztah je ve skutečnosti do zatáčky, jako mocninná funkce. To 'u' pak zachytí rozdíl mezi naší přímkou a skutečnou křivkou.

Tomáš: Takže 'u' je vlastně takový faktor pokory. Přiznání, že náš model nevidí úplně všechno a není dokonalý. Je to rozdíl mezi tím, co model předpověděl, a co se doopravdy stalo.

Lucie: Naprosto přesně. Je to rozdíl mezi skutečnou hodnotou y a tou teoretickou hodnotou y s stříškou, kterou nám vypočítal model.

Tomáš: Dobře, teď už chápu, proč tam to 'u' máme. Ale jak si můžeme být jistí, že celý ten náš model, i s tím 'u', dává smysl? Minule jsme mluvili o R-kvadrát a t-testech, ale to je všechno?

Lucie: Kdepak. To byla jen špička ledovce, takzvaná statistická verifikace. Celkem ale děláme čtyři druhy ověření, abychom si byli opravdu jistí. Je to jako kontrola auta v servisu – nestačí zkontrolovat jen motor.

Tomáš: Čtyři? Tak to jsem zvědavý. Jaké to jsou?

Lucie: První je matematická verifikace. To je úplný základ. Vlastně jen kontrolujeme, jestli jsme se při výpočtech nesekli. Když do rovnice dosadíme průměrné hodnoty všech proměnných, musí se levá a pravá strana rovnat. Jednoduchá kontrola.

Tomáš: To zní rozumně. Prostě kontrola, jestli jsme neudělali chybu v matice. A dál?

Lucie: Druhá je ekonomická verifikace. Tady zapojíme selský rozum. Díváme se na znaménka u koeficientů. Dává smysl, že když zvýšíme cenu, prodeje klesnou? Ano. Takže koeficient u ceny by měl mít mínus. Kdyby tam byl plus, něco je hodně špatně.

Tomáš: Chápu. Takže kontrolujeme, jestli se model nechová jako úplný ekonomický nesmysl.

Lucie: Přesně tak. Třetí je ta statistická, kterou už známe – R², t-testy a F-test. A ta čtvrtá, ta je nejzajímavější. Je to ekonometrická verifikace.

Tomáš: Ekonometrická? V čem je jiná?

Lucie: Ta se zaměřuje právě na tu naši oblíbenou náhodnou složku 'u'. Zkoumá, jestli se nechová nějak divně. Jestli v ní nejsou skryté problémy, které by nám mohly celé výsledky shodit. Třeba autokorelace nebo heteroskedasticita.

Tomáš: Autokorelace? Hetero... cože? To zní jako zaklínadla z Harryho Pottera.

Lucie: Vypadá to tak, ale je to jednodušší, než se zdá. Začněme autokorelací. Zjednodušeně řečeno, je to situace, kdy chyba v jednom období souvisí s chybou v dalším období. Jsou na sebe navázané.

Tomáš: Jako když mám jeden den špatnou náladu, tak je větší šance, že ji budu mít i druhý den?

Lucie: Perfektní přirovnání! Přesně tak. Chyby v modelu se 'nakazí' jedna od druhé. Pokud model v lednu podstřelil skutečnost, je u autokorelace velká šance, že ji podstřelí i v únoru. Ta chyba se sama opakuje.

Tomáš: A to je problém, předpokládám.

Lucie: Obrovský. Naše odhady parametrů sice pořád míří na správný cíl, ale nejsou nejlepší. Mají velký rozptyl. A hlavně, naše statistické testy začnou lhát. Můžeme si myslet, že je proměnná statisticky významná, i když ve skutečnosti není.

Tomáš: Páni. Takže jak zjistíme, že tam tenhle duch Vánoc minulých straší? Jak se to testuje?

Lucie: Nejčastěji se používá Durbin-Watsonův test nebo modernější Breusch-Godfreyův test. Nemusíš znát detaily, ale software ti vyplivne p-hodnotu a ty ji porovnáš s hladinou významnosti alfa. Pokud je p menší než alfa, zamítáš nulovou hypotézu a víš, že máš v modelu autokorelaci.

Tomáš: Dobře, autokorelaci chápu. Chyby se opakují v čase. A co to druhé zaklínadlo... heteroskedasticita?

Lucie: Heteroskedasticita. To znamená 'různorozptylovost'. Znamená to, že rozptyl našich chyb není v čase konstantní. Většinou se v čase zvětšuje.

Tomáš: Zkus mi to dát na příkladu, prosím.

Lucie: Představ si, že se učíš hrát na trubku. Na začátku děláš malé chyby, tóny jsou jen trochu vedle. Ale jak se snažíš hrát hlasitěji a složitější skladby, tvoje chyby jsou čím dál větší a hlasitější. Rozptyl tvých chyb se zvětšuje. To je heteroskedasticita.

Tomáš: Aha! Takže přesnost naší předpovědi se v čase zhoršuje. Na začátku se model plete o málo, na konci o hodně.

Lucie: Přesně. Důsledky jsou podobné jako u autokorelace. Odhady nejsou nejlepší a statistické testy jsou nespolehlivé. Vzniká to třeba kvůli strukturálním změnám v ekonomice nebo když se postupně mění kvalita sbíraných dat.

Tomáš: A testuje se to jak? Dalším kouzlem?

Lucie: Ano, máme na to hned několik kouzel. Nejznámější jsou Whiteův test nebo Breusch-Paganův test. Princip je opět stejný – získáš p-hodnotu a porovnáš ji s alfou.

Tomáš: Dobře, takže teď umíme model nejen postavit a ověřit, ale i diagnostikovat a odhalit v něm tyhle skryté nemoci. Ale když už máme ten finální, čistý a zdravý model, k čemu nám v reálném světě vlastně je?

Lucie: To je to nejdůležitější. Ekonometrické modely mají tři hlavní oblasti použití. Zaprvé, a to je asi nejčastější, slouží k prognózám. Firmy chtějí vědět, jaké budou jejich tržby příští kvartál, vlády chtějí odhadnout vývoj HDP.

Tomáš: Jasně, koukání do křišťálové koule, ale vědecky.

Lucie: Přesně tak. Zadruhé, používají se ke kvantifikaci vztahů. Nechceme jen vědět, ŽE reklama ovlivňuje prodeje, ale chceme vědět PŘESNĚ O KOLIK. Model nám řekne: 'Každá koruna investovaná do reklamy na Facebooku vám přinese 2,5 koruny v tržbách.'

Tomáš: To už jsou hodně cenné informace pro manažery. A ta třetí oblast?

Lucie: Tou jsou simulační propočty. Můžeme si hrát na 'co kdyby'. Co kdybychom zvýšili cenu o 10 % a zároveň snížili výdaje na reklamu o 20 %? Jaký by to mělo dopad na zisk? Model nám to dokáže nasimulovat.

Tomáš: Super. A ještě se vrátím k mé úplně původní otázce. Co ta sezónnost? Jak do modelu dostaneme, že v létě se prodá víc zmrzliny a v zimě víc šál?

Lucie: Výborný bod. Tomu se říká dynamizace modelu. Můžeme to udělat několika způsoby. Můžeme zahrnout zpožděné proměnné, třeba prodeje z minulého měsíce. Nebo můžeme použít takzvané 'dummy' proměnné.

Tomáš: Dummy proměnná? Jako proměnná pro hlupáky?

Lucie: Ne, spíš umělá proměnná. Je to proměnná, která nabývá jen hodnot 0 nebo 1. Pro zmrzlinu bychom vytvořili dummy proměnnou 'léto'. Ta by měla hodnotu 1 pro červen, červenec a srpen, a 0 pro všechny ostatní měsíce. Model se tak naučí, že když je 'léto' zapnuté, prodeje vyskočí nahoru.

Tomáš: Takže abych to shrnul. Postavíme model, ověříme ho matematicky, ekonomicky i statisticky. Pak ho proklepneme ekonometricky, jestli netrpí autokorelací nebo heteroskedasticitou. A nakonec ho můžeme dynamizovat, abychom zachytili čas a sezónnost. Vypadá to, že máme kompletní návod.

Lucie: Máme kompletní návod na takzvané jednorovnicové modely. Tedy modely, kde jedna rovnice vysvětluje jednu závislou proměnnou. Jenže realita je často složitější.

Tomáš: Jak to myslíš?

Lucie: V ekonomice se věci často ovlivňují navzájem, obousměrně. Neplatí jen, že příjem ovlivňuje spotřebu. Platí také, že spotřeba všech lidí dohromady tvoří HDP, které zase ovlivňuje jejich příjem. Vzniká tam takový kruh.

Tomáš: Aha! Takže jedna proměnná je závislá i vysvětlující zároveň? To zní jako pořádný bolehlav. Jak se s tímhle popereme?

Lucie: To je přesně téma na příště. Budeme se bavit o takzvaných simultánních modelech, kde neřešíme jednu rovnici, ale celý systém rovnic najednou. Je to taková vyšší dívčí ekonometrie.

Tomáš: Skvěle, Lucie, díky moc! Už se těším, až se do toho zamotáme. Takže příště, simultánní modely. Zůstaňte s námi.

Lucie: Přesně tak, Tomáši. Ale než se pustíme do těch složitých simultánních modelů, musíme si udělat jednu důležitou zastávku v mikroekonomii. Potřebujeme pochopit, jak vlastně modelujeme chování spotřebitelů.

Tomáš: Aha, takže nejdřív se podíváme na jednotlivé hráče a pak teprve na celou hru? Dává to smysl. Co je tedy ten základní kámen?

Lucie: Tím kamenem je elasticita. Nebo česky pružnost. Je to vlastně hrozně jednoduchý koncept, který nám říká, o kolik procent se změní poptávka po něčem, když se o jedno procento změní nějaký faktor, třeba cena nebo náš příjem.

Tomáš: Takže jak moc „pružně“ zareaguju na změnu ceny. Když zdraží pivo o procento, o kolik procent míň si ho koupím.

Lucie: Přesně tak! A to nám umožňuje porovnávat i neporovnatelné. Třeba jestli na tvoji poptávku má větší vliv cena piva, nebo cena brambůrků, které si k němu kupuješ.

Tomáš: Dobře, to chápu. A existují různé typy téhle pružnosti?

Lucie: Ano, nejčastěji se setkáme se třemi. První je přímá cenová pružnost – to je ten tvůj příklad s pivem. Co se stane s poptávkou, když se změní cena právě toho piva.

Tomáš: Jasně. A ta druhá?

Lucie: Druhá je křížová pružnost. Ta nám říká, jak se změní poptávka po pivu, když se změní cena těch brambůrků. Tedy cena jiného, souvisejícího výrobku.

Tomáš: Rozumím. A ta třetí bude asi příjem, že?

Lucie: Přesně! Příjmová pružnost. O kolik víc si toho piva a brambůrků koupíš, když ti o jedno procento zvednou plat.

Tomáš: Super, to je krásně srozumitelné. A na tohle existují nějaké konkrétní modely?

Lucie: Jistě. V ekonomii se pro modelování poptávky často používají takzvané Tornquistovy funkce. Máme hned tři, podle typu statků.

Tomáš: Povídej.

Lucie: První je pro nezbytné statky, třeba chleba. I když se příjem mění, jeho spotřeba se moc nemění. Druhá je pro relativně zbytné statky, třeba máslo. A třetí pro luxusní zboží – třeba nová jachta. Tam poptávka s rostoucím příjmem letí strmě nahoru.

Tomáš: Tak v mém modelu zatím figuruje hlavně ta první funkce na chleba. Ale co teď s tím? Jak se tohle všechno spojí dohromady?

Lucie: No a přesně tady se kruh uzavírá. Když chceš modelovat trh, kde cena chleba ovlivňuje poptávku po másle a zároveň cena másla ovlivňuje poptávku po chlebu... Potřebuješ právě ty modely, o kterých jsme se bavili minule.

Tomáš: Aha, takže modely poptávky mi pomůžou pochopit, jak zákazníci reagují. Ale co ta druhá strana mince? Jak se vlastně ten chleba a máslo... vyrábí? Jak firmy rozhodují, kolik toho vyprodukují?

Lucie: Perfektní otázka, Tomáši. Tím se dostáváme k dalšímu velkému tématu – a to je teorie výroby. Vlastně je to docela intuitivní. Všechno to začíná u takzvané produkční funkce.

Tomáš: Produkční funkce... to zní hodně matematicky.

Lucie: Trochu, ale myšlenka je jednoduchá. Představ si to jako recept. Produkční funkce ti prostě říká, kolik produktu – třeba bochníků chleba – upečeš, když použiješ určité množství vstupů. Tedy faktorů, jako je mouka, voda, a hlavně práce pekaře.

Tomáš: Takže je to vztah faktor-produkt. Dám tam faktor a vypadne mi produkt. Třeba y se rovná f(x). Jak to ale vypadá v reálu?

Lucie: Přesně. A ta nejtypičtější, neoklasická produkční funkce, má tvar takového ležatého S. Ze začátku roste pomalu, pak zrychlí a nakonec se zase zpomalí a klesá.

Tomáš: Proč takový zvláštní tvar?

Lucie: Představ si pekárnu. Najmeš jednoho pekaře. Ten toho moc nestihne. Najmeš druhého, můžou si rozdělit práci a jsou super efektivní. Produktivita letí nahoru. Ale když do té malé pekárny nacpeš deset pekařů, začnou si překážet, plést se pod nohy... a celková produkce začne klesat.

Tomáš: Tomu rozumím. Takže existuje nějaký ideální počet pekařů?

Lucie: Přesně tak! Mikroekonomie rozlišuje tři stádia výroby. První je neracionální, protože se ti vyplatí přidávat další lidi. Třetí je taky neracionální, protože už si tam překážíte a produkce klesá. Ten zlatý střed... to je druhé, racionální stádium. Tam chceš být.

Tomáš: A jak najdu ten úplně nejlepší bod pro maximální zisk?

Lucie: To je takzvané kritérium optimality. Je to bod, kde se ti mezní náklady na dalšího pekaře přesně rovnají mezním tržbám, které ti jeho práce přinese. Jednoduše řečeno: najímáš, dokud se ti to vyplácí.

Tomáš: Dobře, to dává smysl pro jednoho pekaře... nebo jeden faktor. Ale co když mám faktory dva? Třeba pekaře a pece. Můžu najmout víc lidí, nebo koupit lepší pec.

Lucie: Skvělý postřeh. To je pak dvoufaktorová produkční funkce. A když ji zobrazíš graficky, nevznikne ti křivka, ale takový produkční povrch. Vypadá to trochu jako kopec.

Tomáš: Kopec? Jako že na vrcholu je maximální produkce?

Lucie: Přesně. A teď si představ, že ten kopec rozřízneš v určité výšce. Třeba na úrovni tisíc upečených bochníků. Ta křivka, která ti vznikne, se jmenuje izokvanta.

Tomáš: Iso jako 'stejný', kvanta jako 'množství'. Takže všechny kombinace pekařů a pecí, kterými upeču přesně tisíc bochníků?

Lucie: Bingo! Můžeš mít hodně pekařů a málo pecí, nebo málo pekařů a hodně pecí. Izokvanta ti ukáže všechny tyhle možnosti. A ta míra, jak snadno můžeš jeden faktor nahradit druhým, se jmenuje mezní míra záměny faktoru.

Tomáš: Fajn, mám spoustu kombinací. Ale která je ta nejlevnější?

Lucie: K tomu slouží izonákladová funkce, neboli izokosta. To je přímka, která ukazuje všechny kombinace pekařů a pecí, které si můžeš dovolit za stejné peníze. A optimální bod je tam, kde se ta izokosta přesně dotýká tvé izokvanty. To je nejefektivnější a nejlevnější cesta k tvé produkci.

Tomáš: Páni, to je celé propojené. A co náklady? Musí existovat i nějaká nákladová funkce, ne?

Lucie: Samozřejmě. A teď přijde to nejlepší. Nákladová funkce je v podstatě jenom inverzní produkční funkce.

Tomáš: Počkat, jak jako inverzní?

Lucie: Produkční funkce říká: 'Kolik vyrobím, když mám tolik a tolik vstupů?'. Nákladová funkce se ptá obráceně: 'Kolik vstupů – a tedy peněz – potřebuju, abych vyrobil dané množství?'. Když má produkční funkce tvar ležatého S, nákladová funkce má tvar normálního S.

Tomáš: To dává smysl. Když produktivita klesá, náklady naopak strmě rostou. Takže se kruh uzavřel. Od poptávky, přes výrobu až po náklady.

Lucie: Přesně tak. Začali jsme u chování spotřebitele a Engelových křivek, pokračovali přes produkční funkce, které popisují chování firmy, a došli jsme až k nákladům a hledání maximálního zisku. Všechno to tvoří jeden velký obraz trhu.

Tomáš: Lucie, to bylo naprosto vyčerpávající a skvěle vysvětlené. Moc ti děkuju za celou tuhle sérii. Věřím, že našim posluchačům to ohromně pomohlo.

Lucie: Já děkuji za pozvání, Tomáši. Bylo mi potěšením.

Tomáš: A vám, milí posluchači, děkujeme, že jste s námi byli až do konce. Doufáme, že vám náš podcast pomohl při studiu. Nezapomeňte, že všechny materiály najdete na našem webu. Za mikrofonem se loučí Tomáš.

Lucie: A Lucie. Mějte se hezky a držíme palce u zkoušek!

Tomáš: Na slyšenou.