Podcast na Základy ekonometrie a její aplikace

Kapitoly

Příběh zmrzlinového stánku

Co je to ekonometrie?

Jak se staví ekonometrický model

Ověření modelu: Dává to smysl?

Statistické testy: T-test a F-test

P-hodnota a síla důkazu

R-kvadrát: Jak moc toho model vysvětlí?

Nákres vs. Skutečné auto

Tajemná náhodná složka

Strukturální vs. Redukovaná forma

Problém identifikace

Zrádná Multikolinearita

Jak se zbavit dvojčat

Co je to pružnost?

Tři hlavní typy pružnosti

Pružnost a typy statků

Problém se slepicí a vejcem

Kouzlo dvou kroků

Úvod do produkce

Fáze výroby

Jak najít optimum?

Kouzlo izokvant

Racionální záměna

Náklady v krátkém a dlouhém období

Křišťálová koule ekonoma

Cestování časem v prognózách

Shrnutí a rozloučení

Přepis

Barbora: Představte si studenta Tomáše. Přes léto si otevřel stánek se zmrzlinou a chce zjistit, jestli má na příští víkend objednat víc vanilkové. Přemýšlí… bude větší horko, takže se asi prodá víc, že? Ale o kolik přesně? O deset kopečků? O sto?

Vojtěch: A přesně v tu chvíli, kdy si Tomáš položil otázku „o kolik přesně?“, stal se z něj v podstatě amatérský ekonometr.

Barbora: Aniž by to tušil! Posloucháte Studyfi Podcast.

Vojtěch: Přesně tak. Ekonometrie zní strašně složitě, ale v jádru je to přesně o tomhle: vzít ekonomickou teorii, třeba že „vyšší teplota zvyšuje prodej zmrzliny“, a pomocí matematiky a statistiky tomu dát konkrétní čísla.

Barbora: Takže už ne jenom „asi víc“, ale „pokud teplota stoupne o pět stupňů, prodám o 50 kopečků víc“. Je to tak?

Vojtěch: Trefa. Ekonometrie kvantifikuje vztahy mezi ekonomickými veličinami. A k tomu si půjčuje nástroje ze tří hlavních oblastí.

Barbora: A to jsou?

Vojtěch: Zaprvé, samozřejmě ekonomie. Ta nám dává tu základní myšlenku, ten příběh. Zadruhé, matematika, která nám pomáhá ten vztah zapsat do rovnice. A zatřetí, statistika, která nám umožní s reálnými, často neúplnými daty odhadnout, jaká ta čísla v rovnici doopravdy jsou.

Barbora: Dobře, takže mám teorii – horko prodává zmrzlinu. Co dál? Jak z toho udělám ten… model?

Vojtěch: Skvělá otázka. Je to takový proces o několika krocích. Nejdřív je ta ekonomická teorie, kterou už máme. Pak vytvoříš jednoduchý ekonomický model – třeba rovnici, kde prodej zmrzliny závisí na teplotě.

Barbora: A pak přichází ta „ekonometrická“ část, že?

Vojtěch: Ano. Do modelu přidáš něco, čemu říkáme náhodná složka. Ta reprezentuje všechny ostatní vlivy, které neměříme – jestli je zrovna pouť, jestli mají lidi náladu… prostě ten šum reality.

Barbora: Chápu. Svět není dokonalá laboratoř. A pak potřebuju data.

Vojtěch: Přesně. Sebereš data – kolik jsi prodala zmrzliny při jaké teplotě každý den za poslední měsíc. S těmihle daty pak „nakrmíš“ svůj model a odhadneš parametry – tedy ta konkrétní čísla.

Barbora: A mám hotovo? Můžu předpovídat?

Vojtěch: Ještě ne! Teď přichází nejdůležitější část: verifikace. Musíš ten model ověřit.

Barbora: Verifikace… to zní jako z nějaké detektivky. Co to znamená?

Vojtěch: Vlastně to trochu detektivka je. První je ekonomická verifikace. To je v podstatě „test zdravého rozumu“. Podíváš se na výsledky a zeptáš se: dává to smysl?

Barbora: Takže kdyby mi vyšlo, že s rostoucí teplotou prodej zmrzliny klesá, tak je asi něco špatně.

Vojtěch: Na sto procent! Znaménko u parametru musí odpovídat ekonomické teorii. A taky se díváš na velikost toho čísla. Kdyby ti vyšlo, že zvýšení teploty o jeden stupeň zvýší prodej o milion kopečků, tak je to taky podezřelé, že?

Barbora: To bych asi musela mít stánek před fotbalovým stadionem během mistrovství světa.

Vojtěch: A když model projde testem zdravého rozumu, přichází statistická verifikace. Tady se ptáme, jestli ty naše výsledky nejsou jen náhoda.

Barbora: Jak to zjistím? Nějakým kouzlem?

Vojtěch: Skoro. Používáme na to statistické testy. Dva nejdůležitější jsou t-test a F-test. Představ si, že pečeš dort. T-test ti řekne, jestli je každá jednotlivá přísada – třeba cukr nebo mouka – pro výsledek důležitá.

Barbora: Takže jestli má teplota opravdu statisticky významný vliv na prodej zmrzliny.

Vojtěch: Přesně. A F-test se pak podívá na celý recept – na model jako celek – a řekne ti, jestli ten tvůj recept vůbec dává nějaký smysl, jestli jako celek něco vysvětluje.

Barbora: Rozumím. T-test pro jednotlivé „přísady“, F-test pro celý „dort“.

Vojtěch: A u obou těchto testů se díváme na takzvanou p-hodnotu. To je číslo mezi nulou a jedničkou.

Barbora: Už jsem to slyšela, ale nikdy jsem pořádně nepochopila, co to je.

Vojtěch: Je to vlastně pravděpodobnost, že bys takový výsledek dostala čistě náhodou, i kdyby ve skutečnosti žádný vztah neexistoval. My chceme, aby tahle pravděpodobnost byla co nejmenší.

Barbora: Takže chci nízkou p-hodnotu.

Vojtěch: Přesně tak. V praxi se používá hranice 0,05, tedy 5 %. Pokud je p-hodnota menší než 0,05, říkáme, že výsledek je statisticky významný. Můžeme si být docela jistí, že to není jen náhoda.

Barbora: Dobře, takže můj model dává ekonomický smysl a prošel statistickými testy. Co dál?

Vojtěch: Teď se chceš zeptat: „Jak dobrý ten model vlastně je?“ A na to nám odpovídá koeficient determinace, slavné R-kvadrát.

Barbora: R-kvadrát. To znám. To je to procento, že?

Vojtěch: Ano. Je to číslo od nuly do sta procent a říká ti, kolik procent variability tvé vysvětlované proměnné – tedy prodeje zmrzliny – dokáže tvůj model vysvětlit pomocí těch vysvětlujících proměnných, jako je teplota.

Barbora: Takže když mi vyjde R-kvadrát 70 %, znamená to, že teplota vysvětluje 70 % toho, proč se prodej každý den mění?

Vojtěch: Přesně tak. Těch zbylých 30 % jsou ty další vlivy, ten „šum“, o kterém jsme mluvili.

Barbora: A slyšela jsem ještě o nějakém „korigovaném“ R-kvadrát. To je co?

Vojtěch: To je chytrá věc! Klasické R-kvadrát má jednu nectnost: čím víc proměnných do modelu přidáš, tím víc roste, i když ty proměnné jsou úplně k ničemu. Korigované R-kvadrát za to dává takovou malou penalizaci. Trestá tě za zbytečné proměnné.

Barbora: Takže mi pomáhá udržet model jednoduchý a přehledný. To se mi líbí.

Vojtěch: Přesně. Takže, abychom to shrnuli: postavíš model na základě teorie, nakrmíš ho daty, ověříš zdravým rozumem a pak statistickými testy. A nakonec se podíváš na R-kvadrát, abys věděla, jak moc je tvůj model silný. Až pak můžeš s klidným svědomím začít předpovídat.

Barbora: Super! Takže teď už víme, jak postavit základy. Příště se podíváme na to, co se může pokazit. Třeba na takové strašáky jako je autokorelace nebo heteroskedasticita.

Vojtěch: Přesně tak. Než se pustíme do těch strašáků, musíme si ještě ujasnit jeden klíčový rozdíl. A to je rozdíl mezi ekonomickým a ekonometrickým modelem. Zní to skoro stejně, ale je to jako rozdíl mezi nákresem auta a autem samotným.

Barbora: Nákres a skutečné auto? Dobře, to zní jako dobrá metafora. Takže který je který?

Vojtěch: Ekonomický model je ten nákres. Je to čistá teorie, zapsaná jako jednoduchá funkce. Třeba: spotřeba závisí na příjmu. Značka. Žádné detaily, žádné konkrétní hodnoty. Jen princip.

Barbora: Chápu. Jako koncept. A ten ekonometrický model je teda to auto, které z toho nákresu postavíme?

Vojtěch: Přesně! Ekonometrický model je rovnice, která už má konkrétní parametry, konkrétní proměnné... a hlavně – má něco, čemu říkáme náhodná složka. V naší metafoře by to byly všechny ty drobné nedokonalosti, drncání na silnici a vítr, co fouká z boku. Prostě reálný svět.

Barbora: Ta náhodná složka, to se značí jako 'u', že? Často ji v rovnicích vidím na konci. Co to vlastně je? Nějaká chyba v měření?

Vojtěch: To taky, ale je v tom mnohem víc. Think of it this way... náhodná složka 'u' je taková naše krabice, do které házíme všechno, co neumíme nebo nechceme měřit přímo.

Barbora: A co v té krabici je? Doufám, že ne nic nebezpečného.

Vojtěch: Nic, co by bouchlo. Ale jsou tam tři hlavní věci. Zaprvé, vlivy, které jsme do modelu nezahrnuli. Třeba modelujeme spotřebu jablek jen podle ceny a příjmu, ale zapomněli jsme na cenu hrušek. Vliv ceny hrušek spadne právě do téhle náhodné složky.

Barbora: Aha, takže všechny chybějící proměnné.

Vojtěch: Přesně. Zadruhé, jsou tam chyby v datech. Překlepy, špatně změřené hodnoty... prostě lidský faktor. A zatřetí, a to je důležité, může tam být chyba v samotném tvaru modelu. Třeba se snažíme na nějaký vztah napasovat přímku, i když by mu mnohem víc slušela křivka.

Barbora: Rozumím. Takže ta náhodná složka je vlastně takové přiznání, že náš model není dokonalý a svět je složitější.

Vojtěch: Krásně řečeno. Je to naše pojistka proti přílišné sebedůvěře. Uznáváme, že existují věci, které jsou mimo naši kontrolu.

Barbora: Dobře. Máme tedy model, který odráží realitu, i s jejími nedokonalostmi. Teď jsi ale mluvil o různých formách. To jako že jeden model může mít víc podob?

Vojtěch: Ano, a to je naprosto klíčové pro jejich použití. Hlavně u složitějších, takzvaných simultánních modelů, kde se proměnné ovlivňují navzájem. Rozlišujeme strukturální a redukovanou formu.

Barbora: To zní... technicky.

Vojtěch: Ale princip je jednoduchý. Představ si, že se díváš na motor auta. Strukturální forma je, jako když máš otevřenou kapotu. Vidíš všechny písty, drátky, hadičky... vidíš, jak jedna součástka ovlivňuje druhou. Je to skvělé pro pochopení, jak ten systém funguje uvnitř.

Barbora: Ale asi bych podle toho neřídila.

Vojtěch: Přesně! A proto máme redukovanou formu. To je jako když sedíš za volantem. Nezajímá tě, jak funguje motor. Chceš jen vědět: když šlápnu na plyn, o kolik auto zrychlí? Redukovaná forma nám přesně tohle říká. Na jedné straně rovnice je to, co chceme vědět – třeba HDP. A na druhé straně jsou jen věci, které známe nebo můžeme nastavit – jako vládní výdaje.

Barbora: Takže strukturální je na analýzu a redukovaná na prognózu.

Vojtěch: Trefa do černého. Ze strukturální formy nemůžeš přímo předpovídat, protože jsou tam ty proměnné propletené navzájem. Musíš ji nejdřív matematicky „přepočítat“ na tu redukovanou.

Barbora: A jde to vždycky? Jde každý model takhle přepočítat, abychom mohli předpovídat?

Vojtěch: Skvělá otázka! A odpověď je... ne. A tomu se říká problém identifikace. Je to takový kontrolor kvality, než vůbec začneš něco počítat.

Barbora: Takže se může stát, že postavím model a pak zjistím, že je k ničemu, protože ho nejde identifikovat?

Vojtěch: V podstatě ano. Představ si, že máš systém rovnic ze střední školy. Aby si ho mohla vyřešit, potřebuješ mít dostatek informací. Když máš dvě neznámé, potřebuješ dvě nezávislé rovnice. Tady je to podobné. Identifikace ověřuje, jestli tvůj model není jen nějaký matematický guláš, ze kterého nejde jednoznačně určit parametry.

Barbora: A jak to poznám? Musím se zase vracet k matice ze střední?

Vojtěch: Neboj, je na to jednoduché pravidlo. V podstatě porovnáváš počet proměnných, které jsou v modelu, ale nejsou v dané rovnici, s počtem vnitřních, endogenních proměnných v té rovnici. Musí tam být dostatek „vnějších informací“, aby se ten vnitřní propletenec dal rozmotat.

Barbora: Takže pokud model není identifikovaný, je to slepá ulička? Co se stane?

Vojtěch: Znamená to, že k tvým datům by sedělo nekonečně mnoho různých modelů. A ty nemáš jak poznat, který je ten pravý. Takový model je nepoužitelný, protože jeho parametry prostě nejde odhadnout.

Barbora: Páni. Takže než se vůbec pustím do testování a prognózování, musím si ověřit, že je můj model vůbec „řešitelný“. To dává smysl.

Vojtěch: Přesně tak. Je to základní krok hygieny. Nejdřív identifikace, až potom všechno ostatní. Tím si zajistíš, že tvůj model má vůbec šanci dávat smysl.

Barbora: Skvěle. Takže řekněme, že mám model, který je identifikovaný. Jsem v bezpečí? Nebo na mě číhají další strašáci?

Vojtěch: Jeden velký strašák určitě ano. Jmenuje se multikolinearita.

Barbora: To zní... složitě. Co to je?

Vojtěch: Vůbec ne. Představ si, že chceš vysvětlit, proč se v létě prodává víc zmrzliny. A do modelu dáš jako vysvětlující proměnné teplotu ve stupních Celsia… a zároveň teplotu ve stupních Fahrenheita.

Barbora: No to je přece skoro to samé! Jen jiná stupnice.

Vojtěch: Přesně! A to je multikolinearita. Je to nežádoucí závislost mezi dvěma nebo více vysvětlujícími proměnnými. Model pak neví, jestli prodeje rostou kvůli Celsiovi, nebo Fahrenhaitovi. Nemůže oddělit jejich vliv.

Barbora: A jak to poznám v datech, kde to není tak očividné?

Vojtěch: Podíváš se do korelační matice. Pokud je párový korelační koeficient mezi dvěma proměnnými větší než 0,8 nebo menší než -0,8, je to podezřelé.

Barbora: Dobře, mám v datech taková statistická dvojčata. Co s nimi? Mám jedno z nich prostě vyhodit?

Vojtěch: To je jedna z nejčastějších a nejjednodušších možností. Prostě jednu z těch silně korelovaných proměnných odstraníš.

Barbora: Existují i jiné cesty?

Vojtěch: Jistě. Můžeš třeba jednu proměnnou převést na takzvané diference, což je v podstatě změna oproti předchozí hodnotě. Nebo... a to je zajímavé... ji můžeš ignorovat.

Barbora: Ignorovat? To mi nezní jako dobrá strategie v matematice.

Vojtěch: Pokud ti jde čistě o co nejpřesnější předpověď, model bude fungovat. Ale ztratíš možnost interpretovat, která proměnná co přesně způsobila. Takže pro analýzu příčin je to nepoužitelné.

Barbora: Rozumím. Takže máme data vyčištěná od multikolinearity. Když se teď podíváme na ten model samotný… z čeho se vlastně skládá takový lineární regresní model? Jak vypadá jeho rovnice?

Vojtěch: Výborná otázka. Ta rovnice je v jádru vlastně docela jednoduchá. Ale to, co je na ní opravdu fascinující, je koncept, který nám pomáhá interpretovat vztahy mezi proměnnými. A tím je pružnost, neboli elasticita.

Barbora: Elasticita? To zní... natahovací. Jako guma?

Vojtěch: To je skvělá analogie! Přesně tak si to můžeš představit. Ptáme se: „O kolik procent se natáhne nebo smrští jedna proměnná, když tu druhou natáhneme o jedno jediné procento?"

Barbora: Takže je to vlastně takové skóre citlivosti? O kolik se změní poptávka, když se o procento změní cena?

Vojtěch: Přesně. A kouzlo je v tom, že díky procentům můžeme srovnávat nesrovnatelné. Třeba vliv změny ceny v korunách oproti vlivu změny příjmu v tisících korun. Procenta to krásně sjednotí.

Barbora: A jaké typy téhle pružnosti tedy máme?

Vojtěch: Ty základní jsou tři. První je přímá cenová pružnost. To je jednoduché: Zdraží rohlík o jedno procento, o kolik procent klesne poptávka po rohlících?

Barbora: Jasně, to dává smysl.

Vojtěch: Pak je tu křížová pružnost. Ta zkoumá vztah dvou různých produktů. Když cena másla stoupne o jedno procento, o kolik procent víc si lidé koupí margarínu?

Barbora: Aha, takže jestli jsou to náhrady. A co když náhrady nejsou?

Vojtěch: Výborně! Co když zdraží párky? Možná klesne i poptávka po hořčici. To jsou zase doplňkové statky.

Barbora: Rozumím. A ten třetí typ?

Vojtěch: To je příjmová pružnost. Tedy, když se ti zvýší příjem o jedno procento, o kolik procent víc si koupíš... třeba lístků do kina?

Barbora: U mě by to bylo asi o dost víc než jedno procento.

Vojtěch: A přesně to nám ta pružnost říká! Pomáhá nám rozdělit statky na nezbytné, jako je chleba – jeho spotřeba s příjmem moc neroste – a na luxusní, kde spotřeba roste mnohem rychleji. Na to se pak používají modely jako třeba Tornquistovy funkce.

Barbora: Fascinující. Takže máme přímou, křížovou a příjmovou... existují ještě nějaké další?

Vojtěch: Určitě. Existují i pokročilejší, třeba rozdílový koeficient pružnosti pro nelineární funkce. A celá ta věc se stává ještě zajímavější, když se na to nedíváme jen v jedné rovnici, ale v celých systémech... takzvaných vícerovnicových modelech.

Barbora: Vícerovnicové modely... to zní jako něco, co by mi způsobilo noční můru před zkouškou.

Vojtěch: Ale vůbec ne! Představ si, že ekonomika není jedna rovnice, ale spíš síť propojených příběhů. Někdy je to jednoduché, jako když odhadujeme spotřebu chleba. To je prostý model, jedna rovnice, a na to stačí běžná metoda nejmenších čtverců, zkráceně BMNČ.

Barbora: Dobře, to dává smysl. Jeden příběh, jedna metoda.

Vojtěch: Přesně. Pak máš rekurzivní modely. To je jako domino. Výsledek první rovnice ovlivní druhou, výsledek druhé ovlivní třetí a tak dál. Tady taky pořád stačí ta jednoduchá metoda BMNČ, jen postupuješ rovnici po rovnici.

Barbora: A co ty... simultánní modely? Tam se to asi komplikuje, že?

Vojtěch: Přesně tak. Tady nastává problém „slepice a vejce“. Všechno ovlivňuje všechno najednou. Třeba v rovnici pro mzdy máš spotřebu, ale v rovnici pro spotřebu máš zase mzdy. Jsou provázané.

Barbora: A na to už ta běžná metoda nejmenších čtverců nestačí?

Vojtěch: Většinou ne. Protože endogenní proměnné, ty naše „ypsilon“, máš najednou na levé i pravé straně rovnice. Je to jako snažit se vyřešit hádanku, kde odpověď je součástí otázky.

Barbora: Takže co s tím? Existuje nějaký trik?

Vojtěch: Existuje! Jmenuje se dvoustupňová metoda nejmenších čtverců, neboli DMNČ. Je to vlastně chytré dvojité použití té obyčejné metody.

Barbora: Dvojité? Jak to funguje?

Vojtěch: V prvním kroku si vezmeš tu problematickou proměnnou a vytvoříš její „očištěnou“ verzi. Takovou její teoretickou hodnotu. A v druhém kroku pak tuhle novou, hezčí proměnnou použiješ k finálnímu odhadu rovnice.

Barbora: Takže DMNČ je v podstatě BMNČ na druhou?

Vojtěch: Přesně tak jsi to trefila! Je to jen opakovaná aplikace té základní metody. A pak samozřejmě existují i sofistikovanější přístupy, které se na celý systém dívají najednou... ale to už je zase jiný příběh.

Barbora: Dobře, tenhle příběh si tedy necháme na jindy. Ale co kdybychom se teď podívali na příběh o tom, jak se vlastně něco vyrábí? Říká mi to něco jako... produkční teorie?

Vojtěch: Perfektní můstek! Přesně tak. Produkční funkce je v podstatě matematický recept. Říká ti, jaký vztah je mezi vstupy – tomu říkáme faktory – a výstupem, tedy produktem.

Barbora: Takže třeba kolik upeču koláčů, když mám určité množství mouky a cukru?

Vojtěch: Přesně! A můžeme to sledovat jednoduše, jako funkci jednoho faktoru – třeba přidáváš jenom mouku a zbytek držíš stejný. Nebo jako funkci dvou a více faktorů, kde už kombinuješ.

Barbora: A je rozdíl, jestli se díváme na pekárnu na rohu, nebo na celé pekařství v Česku?

Vojtěch: Určitě. To první je mikroekonomická produkční funkce, ta popisuje chování jedné firmy. Když sečteš všechny tyhle pekárny dohromady, dostaneš odvětvovou produkční funkci. Ta popisuje chování celého odvětví.

Barbora: Dobře, to dává smysl. A jak taková typická produkční funkce vypadá? Má nějaký specifický tvar?

Vojtěch: Má. Říkáme jí neoklasická a má takový progresivně-degresivní průběh. Představ si, že se učíš na zkoušku.

Barbora: Ó, to si představuju až moc dobře.

Vojtěch: První hodinu jsi čerstvá a každou další minutou se toho naučíš víc a víc. To je ta progresivní, rostoucí část. Ale po pár hodinách se unavíš. I když se učíš dál, efektivita klesá. To je ta degresivní část. A nakonec jsi tak vyčerpaná, že už do hlavy nic nedostaneš, i kdyby ses snažila sebevíc.

Barbora: A tam už je to neracionální, že? Plýtvám časem.

Vojtěch: Přesně tak! Ekonomie rozděluje tenhle proces na tři stádia. První a třetí jsou neracionální. Buď ještě plně nevyužíváš svůj potenciál, nebo už jsi za zenitem. To druhé stádium, to je ta racionální oblast, kde se chce každá firma pohybovat.

Barbora: Takže firma musí najít ten svůj „sweet spot“, kde se jí to nejvíc vyplatí. Jak to ale pozná?

Vojtěch: K tomu slouží kritérium optimality. Zjednodušeně řečeno, sleduješ mezní produkt – tedy kolik ti vyrobí poslední přidaná jednotka vstupu. A porovnáváš to s cenou toho vstupu.

Barbora: Aha, takže přidávám třeba dalšího pracovníka, dokud mi příjem z toho, co on navíc vyrobí, pokryje jeho mzdu?

Vojtěch: Trefa! Jakmile by příjem z jeho práce byl nižší než jeho mzda, už se ti nevyplatí ho najímat. Hledáš bod, kde se mezní příjem rovná meznímu nákladu.

Barbora: Dobře, to bylo s jedním faktorem. Ale co když měním dva, třeba počet pracovníků a počet strojů?

Vojtěch: Tak tam vstupuje do hry kouzelný nástroj jménem izokvanta. Je to křivka, která ti ukazuje všechny možné kombinace dvou faktorů, kterými dosáhneš stejné produkce.

Barbora: Zase ten pekařský příklad...

Vojtěch: Ten je nejlepší! Izokvanta ti ukáže všechny kombinace pekařů a pecí, kterými upečeš přesně tisíc koláčů. Můžeš mít víc pekařů a míň pecí, nebo naopak. Výsledek je stejný.

Barbora: Takže si můžu vybrat, co je pro mě levnější, nebo dostupnější? Super! A k čemu ještě je to dobré?

Vojtěch: Pomáhá ti to najít optimální kombinaci pro maximalizaci zisku. A taky odhadnout, kolik druhého faktoru potřebuješ, když máš dané množství toho prvního.

Barbora: A můžu ty faktory zaměňovat donekonečna?

Vojtěch: Právě že ne. I tady existuje racionální a neracionální oblast. Je nesmysl přidávat desátého pekaře k jedné peci. Nejen, že si budou překážet, ale produkce může dokonce klesnout.

Barbora: Tomu rozumím. Takže zase hledám nějaký optimální poměr. Jak ho najdu?

Vojtěch: K tomu použiješ takzvanou izonákladovou funkci – to je přímka, která reprezentuje všechny kombinace faktorů, které si můžeš pořídit za stejné celkové náklady. A optimum je tam, kde se tahle přímka dotkne tvé izokvanty.

Barbora: Takže je to bod, kde dosáhnu požadované produkce s co nejnižšími náklady. Všechno to do sebe krásně zapadá.

Vojtěch: Přesně tak. Je to o hledání rovnováhy mezi tím, co chceš vyrobit, a tím, co si můžeš dovolit utratit. Ale to už se dostáváme k nákladům, a to je zase trochu jiná kapitola.

Barbora: Zmínil jsi kapitolu o nákladech. Tak pojďme aspoň stručně nahlédnout, co je tam nejdůležitější. Často se mluví o krátkém a dlouhém období. Co to přesně znamená?

Vojtěch: Skvělá otázka. Je to jednodušší, než to zní. V krátkém období máš alespoň jeden výrobní faktor fixní. Třeba velikost pekárny – tu přes noc nezměníš.

Barbora: Aha, takže můžu najmout víc pekařů, ale pekárna zůstane stejná. A v dlouhém období?

Vojtěch: Přesně. V dlouhém období je všechno variabilní. Můžeš postavit novou, větší pekárnu, koupit další pece... prostě změnit úplně všechno.

Barbora: Dobře, to dává smysl. A když už mám zmapovanou výrobu i náklady, jak můžu plánovat do budoucna? Potřebuju nějakou křišťálovou kouli?

Vojtěch: Skoro. V ekonomii tomu říkáme prognóza a predikce. Ale pozor, není to to samé.

Barbora: Vážně? Myslela jsem, že je to jen jiné slovo pro předpověď.

Vojtěch: Predikce je čistě matematická. Vezmeš data a model ti vyplivne číslo. Ale prognóza je chytřejší – bere v úvahu i kontext. Třeba znalosti trhu, politickou situaci... zapojuješ i hlavu, nejen kalkulačku.

Barbora: Takže prognóza je taková vylepšená predikce s lidským faktorem. A slyšela jsem o ex-post a ex-ante prognózách. To zní jako nějaké kouzelné formule.

Vojtěch: Jsou to takové naše stroje času. Ex-ante prognóza předpovídá budoucnost. To je to, co si všichni představí. Ale ex-post prognóza předpovídá... minulost.

Barbora: Počkat, cože? K čemu je dobré předpovídat něco, co se už stalo?

Vojtěch: Tím si ověříš, jestli tvůj model funguje! Předpovíš známé hodnoty, a když se trefíš, máš větší jistotu, že se trefíš i do budoucna. Je to taková generálka.

Barbora: To je geniální. Takže si vlastně model otestuješ na minulosti, než ho pošleš do budoucnosti. Dneska to byla jízda – od výroby přes náklady až po věštění z dat.

Vojtěch: Přesně tak. Všechny tyhle koncepty – produkční funkce, izokvanty, náklady a prognózy – jsou nástroje, které pomáhají firmám dělat lepší rozhodnutí.

Barbora: Vojtěchu, moc ti děkuju za skvělé vysvětlení. A vám, milí posluchači, děkujeme za pozornost u naší minisérie o mikroekonomii. Doufáme, že se vám líbila.

Vojtěch: Mějte se krásně a u dalšího dílu Studyfi Podcastu zase na slyšenou!