ЭКОНОМЕТРИКА и математическая экономика / Эконометрика. Учебник продвинутый (2005)
.pdf18.3. Метод максимального правдоподобия в эконометрии |
583 |
плотность их совместного распределения, рассматриваемая как функция от θ при данном наборе наблюдений x1, . . . , xN :
N
L (θ) = fx(xi|θ).
i=1
Если изучаемая переменная имеет дискретное распределение, то fx(x|θ) следует понимать как вероятность, а не как плотность. Наряду с функцией L (θ) из соображений удобства рассматривают также ее логарифм, называемый логарифмической функцией правдоподобия.
Оценки максимального правдоподобия θ для параметров θ являются, по определению, аргмаксимумом функции правдоподобия (или, что то же самое, логарифмической функции правдоподобия). Они являются решением уравнения правдоподобия:
∂ln L = 0. ∂θ
Вболее общем случае нельзя считать наблюдения за изучаемой переменной, x1, . . . , xN , независимыми и одинаково распределенными. В этом случае задается
закон совместного распределения всех наблюдений, fx(x1, . . . , xN |θ) = fx(x|θ) , и функция правдоподобия для данного вектора наблюдений x полагается равной fx(x|θ).
Известно, что оценки максимального правдоподобия обладают свойствами состоятельности, асимптотической нормальности и асимптотической эффективности.
Оценку ковариационной матрицы оценок θ можно получить на основе матрицы вторых производных (матрицы Гессе) логарифмической функции правдоподобия:
− |
∂2 ln L(θ ) |
−1 |
|
. |
|
∂θ∂θ |
Другая классическая оценка ковариационной матрицы имеет вид
(I(θ ))−1 ,
где
I(θ) = E −∂2 ln L(θ)
∂θ∂θ
— так называемая информационная матрица.
584 |
Глава 18. Классические критерии проверки гипотез |
18.3.2.Оценки максимального правдоподобия для модели линейной регрессии
Рассмотрим модель линейной регрессии xi = ziα + εi , где вектор коэффициентов имеет размерность n + 1, ошибки εi независимы и распределены нормально: εi N (0, σ2 ), а факторы zi являются детерминированными. При этом изучаемая переменная тоже имеет нормальное распределение: xi N (ziα, σ2 ). Плотность этого распределения равна
1 |
|
1 |
2 |
|
√ |
|
e− |
2σ2 |
(xi −ziα) . |
2πσ2 |
Перемножая плотности для всех наблюдений (с учетом их независимости), получим функцию правдоподобия:
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
N |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
− |
|
|
|
(xi−ziα)2 |
|
||||||
|
L (α, σ) = |
2σ2 |
|
. |
|||||||||||||||||||
|
|
|
|
|
e |
|
i=1 |
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
(2π)N /2 σN |
|
|
|
|
|
|
|
|
|
||
Соответствующая логарифмическая функция правдоподобия равна |
|||||||||||||||||||||||
|
|
|
|
|
|
|
N |
|
|
|
|
|
|
|
|
|
1 |
|
N |
|
|||
ln L (α; σ) = − |
ln (2π) − N ln σ − |
|
i=1 (xi |
− ziα)2, |
|||||||||||||||||||
|
|
|
|
|
|||||||||||||||||||
2 |
|
2σ2 |
|||||||||||||||||||||
или в матричных обозначениях |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
N |
|
|
|
|
|
|
1 |
|
|
(X − Zα) (X − Zα) . |
||||||||||
ln L (α; σ) = − |
|
|
ln (2π) − N ln σ − |
|
|
||||||||||||||||||
2 |
|
2σ2 |
|||||||||||||||||||||
Берем производные: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
∂ ln L |
= |
1 |
|
|
Z |
(X − Zα) = 0, |
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
∂α |
σ2 |
|
|
|
|
|
|
|
||||||||||||||
|
∂ ln L |
|
|
|
|
N |
1 |
(X − Zα) (X − Zα) = 0. |
|||||||||||||||
|
|
= − |
|
|
+ |
|
|||||||||||||||||
|
∂σ |
σ |
σ3 |
Из первого уравнения получим оценки максимального правдоподобия для коэффициентов α:
a = Z Z −1 Z X.
Видим, что оценки наименьших квадратов и оценки максимального правдоподобия совпадают. Из второго уравнения, подставляя в него оценки a вместо α, получим оценку дисперсии σ2 :
s2 = N1 e e,
18.3. Метод максимального правдоподобия в эконометрии |
585 |
где e e = (X − Za) (X − Za) — сумма квадратов остатков. Оценка максимального правдоподобия для дисперсии ошибки смещена. Несмещенная оценка, используемая в МНК, равна
sˆ2 = |
1 |
e e. |
N − n − 1 |
Тем не менее, оценки (a, s) асимптотически несмещены, состоятельны, асимптотически эффективны в классе любых оценок (а не только линейных, как при МНК).
Чтобы проверить, на самом ли деле мы нашли точку максимума правдоподобия, исследуем матрицу вторых производных:
|
|
|
|
∂2 ln L |
|
|
|
1 |
|
Z Z, |
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
= − |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
∂α∂α |
σ2 |
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
∂2 ln L |
= |
|
N |
3 |
|
(X − Zα) (X − Zα) , |
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
− |
|
|
|||||||||||||||||
|
|
|
|
|
∂σ2 |
σ2 |
σ4 |
||||||||||||||||||||||
|
|
|
|
∂2 ln L |
= |
|
|
|
∂2 ln L |
|
2 |
Z (X − Zα) . |
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
= − |
|
|
|
||||||||||||
|
|
|
|
∂α∂σ |
|
|
|
∂σ∂α |
σ3 |
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Таким образом, |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
∂2 ln L |
|
|
|
|
|
|
|
1 |
Z Z |
|
2 |
(X − Zα) Z |
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
= − |
|
|
|
|
σ2 |
|
|
|
|
|
|
|
σ3 |
|||||||||||||
|
∂(α; σ)∂(α; σ) |
|
|
2 |
Z (X − Zα) |
3 |
|
(X − Zα) (X − Zα) − |
N . |
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
σ3 |
|
σ4 |
σ2 |
|
||||||||||||||||||
Значение матрицы вторых производных в точке оценок (a, s) равно |
|||||||||||||||||||||||||||||
|
|
|
|
|
∂2 ln L |
|
|
= − |
N Z Z |
0 |
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
. |
|
|
||||||||||||||||
|
|
|
|
|
∂(α; σ)∂(α; σ) |
|
|
e e |
|
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2N |
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
a,s |
|
0 |
|
Видно, что матрица вторых производных отрицательно определена, то есть найдена точка максимума. Это дает оценку ковариационной матрицы оценок (a, s):
e e |
(Z Z)−1 0 |
|
. |
|
N |
0 |
1 |
|
||
|
2N |
|
|
|
Таким образом, оценка ковариационной матрицы для a является смещенной (поскольку основана на смещенной оценке дисперсии):
Ma = e e Z Z −1 .
N
586 |
Глава 18. Классические критерии проверки гипотез |
||
В методе наименьших квадратов в качестве оценки берут |
|||
|
Ma = |
e e |
Z Z −1 . |
|
N − n − 1 |
||
|
|
|
При N → ∞ эти две оценки сходятся.
Метод максимального правдоподобия дает также оценку дисперсии для s:
e e var(s) = 2N 2 .
Рассчитаем также информационную матрицу. Для этого возьмем математиче-
ское ожидание от матрицы вторых производных со знаком минус: |
|
|
|
|||||||||||||
|
|
|
1 |
Z Z |
|
|
2 |
(X |
− |
Zα) Z |
|
1 |
Z Z 0 |
|||
I = E |
|
|
|
|
|
|
= σ2 |
|||||||||
2 |
|
σ2 |
3 |
|
σ3 |
|
|
|
, |
|||||||
|
Z (X − Zα) |
(X − Zα) (X − Zα) − |
N |
|
0 |
2N |
|
|||||||||
|
σ3 |
σ4 |
σ2 |
σ2 |
где мы воспользовались тем, что X −Zα представляет собой вектор ошибок модели ε и выполнено E (ε) = 0, E (ε ε) = N σ2. Обращая информационную матрицу в точке (a, s), получим ту же оценку ковариационной матрицы, что и раньше. Таким образом, оба метода дают одинаковый результат.
|
|
|
Рассмотрим |
|
логарифмическую |
|||
|
Ln L |
|
функцию |
правдоподобия |
как |
функ- |
||
|
|
|||||||
|
|
|
цию одного из |
коэффициентов, αj , |
||||
|
|
|
при остальных коэффициентах за- |
|||||
|
|
|
фиксированных |
на |
уровне |
оценок |
||
|
|
|
максимального правдоподобия, т.е. срез |
|||||
|
|
|
(n + 2)-мерного пространства (см. рис. |
|||||
|
|
|
18.1). Видим, что оценка aj |
тем точнее, |
||||
|
|
|
чем острее пик функции правдоподобия. |
|||||
|
|
|
А степень |
остроты |
пика |
показывает |
||
|
xj |
j |
||||||
|
вторая производная |
(по абсолютному |
||||||
|
|
|
||||||
|
Рис. 18.1 |
|
значению). |
Поэтому |
математическое |
|||
|
|
|
|
|
|
|
|
ожидание матрицы вторых производных со знаком минус называется информационной матрицей. Эта матрица удовлетворяет естественным требованиям: чем больше имеем информации, тем точнее оценка.
Если в логарифмическую функцию правдоподобия ln L (α; σ) подставить оцен-
ку s2 для σ2 , которая найдена из условия ∂ ln L |
∂σ |
= 0: |
||
|
|
|
|
|
s2 = |
e e |
, |
|
|
N |
|
|
||
|
|
|
|
18.3. Метод максимального правдоподобия в эконометрии |
587 |
то получится так называемая концентрированная функция правдоподобия, которая зависит уже только от α:
ln Lc (α) = − |
N |
ln (2π) − |
N |
ln |
1 |
e e |
− |
N |
|
|
|
|
|
. |
|||||
2 |
2 |
N |
2 |
Очевидно, что максимизация концентрированной функции правдоподобия эквивалентна методу наименьших квадратов (минимизации суммы квадратов остатков).
18.3.3.Три классических теста для метода максимального правдоподобия
Рассмотрим линейную регрессию с нормальными ошибками. Требуется проверить гипотезу о том, что коэффициенты этой регрессии удовлетворяют некоторым линейным ограничениям. Пусть a0 — оценки, полученные методом максимального правдоподобия без учета ограничений, а a1 — оценки, полученные тем же методом с учетом ограничений, и пусть ln L0 — значение логарифмической функции правдоподобия в точке a0 , а ln L1 — значение логарифмической функции правдоподобия в точке a1 . Статистику для проверки такой гипотезы естественно строить как показатель, измеряющий существенность различий между двумя моделями — с ограничениями и без них. Если различия не очень велики (ограничения существенны), то гипотезу о том, что ограничения выполнены, следует принять, а если достаточно велики — то отвергнуть. Рассмотрим три возможных способа измерения этих различий, проиллюстрировав их графически.
Критерий отношения правдоподобия |
|
|
|
|
|
|
|||
(Likelihood |
ratio test — LR) основан |
|
|
Ln L |
|
|
|
||
на различии значений логарифмической |
|
|
|
|
|
|
|||
функции правдоподобия в точках a0 и |
Ln L0 |
|
|
|
|
||||
a1 (см. рис. 18.2), или, что то же са- |
|
|
|
|
|
|
|||
мое, на логарифме отношения правдопо- |
Ln L1 |
|
|
|
|
||||
добия, т.е. величине |
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
||
ln L0 − ln L1 = ln |
L0 |
|
|
|
|
|
|
||
|
. |
|
|
|
|
|
|
||
L1 |
|
|
|
|
|
|
|||
Критерий |
множителей Лагранжа |
0 |
|
a1 |
a0 |
a |
|||
|
|
|
|
|
|
||||
(Lagrange multiplier test — LM) осно- |
|
|
|
Рис. 18.2 |
|
|
|||
ван на различии тангенса угла наклона |
|
|
|
|
|
||||
|
|
|
|
|
|
||||
касательной к логарифмической функции правдоподобия в точках a0 |
и a1 . По- |
скольку в точке a0 он равен нулю, то следует рассмотреть, насколько тангенс угла наклона касательной в точке a1 отличен от нуля (см. рис. 18.3).
588 |
|
|
|
Глава 18. Классические критерии проверки гипотез |
||
|
|
Ln L |
|
|
|
Критерий Вальда (Wald test — W) |
|
|
|
|
|
|
основан на невязках рассматриваемых |
Ln L0 |
|
|
|
|
ограничений. В точке a1 , по опреде- |
|
|
|
|
|
|
|
лению, невязки равны нулю. Таким об- |
Ln L1 |
|
α |
|
|
разом, следует рассмотреть, насколь- |
|
|
|
|
|
ко невязки в точке a0 отличны от ну- |
||
|
|
|
|
|
|
|
|
|
|
|
|
|
ля. В случае одного параметра точка |
|
|
|
|
|
|
a1 однозначно задается ограничения- |
|
|
|
|
|
|
ми, и невязка в точке a0 при линей- |
0 |
|
a1 |
a0 |
a |
||
|
ных ограничениях будет некоторой ли- |
Рис. 18.3 |
нейной функцией разности оценок a0 |
||
и a1 |
(см. рис. 18.4). |
||
|
Покажем, как соответствующие кри- |
|
|
|
|
|
|
|
||
терии выводятся в рассматриваемом нами |
|
|
Ln L |
|
|
|
|
||
случае линейной регрессии с нормальными |
|
|
|
|
|
|
|
||
ошибками, когда требуется проверить ли- |
|
|
|
|
|
|
|
||
нейные ограничения на коэффициенты. (В |
|
|
|
|
|
|
|
||
общем случае построение критериев про- |
|
|
|
|
|
|
|
||
исходит аналогичным образом.) При выво- |
|
|
|
|
|
|
|
||
де критериев нам понадобится следующая |
|
|
|
|
|
|
|
||
лемма (см. Приложение A.3.2). |
|
|
|
|
|
|
|
||
Лемма: Пусть χ — вектор (χ Rk ) |
|
|
|
|
|
|
|
||
0 |
|
|
a1 |
a0 |
a |
||||
случайных величин, подчиненных мно- |
|
|
|
|
|
|
|
||
гомерному нормальному распределению: |
|
|
|
|
Рис. 18.4 |
|
|
||
χ N 0, σ2 Ω , где матрица Ω неособенная. Тогда |
|
|
|
||||||
|
|
|
|
||||||
1 |
χ Ω−1χ |
χk2 . |
|
|
|
|
|||
|
|
|
|
|
|
||||
|
σ2 |
|
|
|
|
Доказательство:
Так как Ω положительно определена (cм. Приложения A.1.2 и A.1.2), то существует неособенная квадратная матрица C, такая, что Ω−1 = CC . Рассмотрим
вектор |
1 |
Cχ. Ясно, что E |
1 |
Cχ = 0, а ковариационная матрица этого вектора |
|||
|
|
|
|||||
равна |
σ |
σ |
|
||||
|
1 |
|
E Cχχ C |
= CΩC = Ik . |
|||
|
|
|
σ2 |
|
|||
|
|
|
|
|
|
|
Таким образом, вектор σ1 Cχ состоит из k некоррелированных и, как следствие (по свойству многомерного нормального распределения), независимых случайных
18.3. Метод максимального правдоподобия в эконометрии |
589 |
величин, имеющих стандартное нормальное распределение. Тогда (по определению распределения χ-квадрат) сумма квадратов вектора σ1 Cχ распределена как χ2k .
Тест Вальда (W-тест)
Для оценки коэффициентов регрессии без ограничений выполнено
a |
0 |
= Z Z −1 |
Z X |
|
N α, σ2 |
Z Z −1 . |
|
|
|
|
|
Рассмотрим невязки ограничений Ra0 − r. Чем они больше, тем более правдоподобно, что ограничения не выполнены. Ясно, что (см. Приложение A.3.2)
Ra0 − r N Rα − r; σ2A ,
где, как и раньше, используется обозначение A = R (Z Z)−1 R . Матрица A имеет размерность k × k, где k — количество ограничений. Пусть выполнена нулевая гипотеза
H0: Rα = r.
Тогда Ra0 − r N 0; σ2A . По лемме
σ12 (Ra0 − r) A−1 (Ra0 − r) χ2k .
Поскольку известны лишь a0 — оценки без ограничений, то в качестве оценки неизвестной величины σ2 берем N1 e0e0 , где e0 = X − Za0— остатки из модели без ограничений. Отсюда получаем статистику Вальда:
|
N |
(Ra0 − r) |
R Z Z − |
1 |
R |
−1 |
|
|
W = |
|
|
(Ra0 − r) . |
|
||||
e e0 |
|
|
||||||
|
0 |
|
|
|
|
|
|
|
Эта статистика распределена примерно как χ2 |
. Тогда, если W < χ2 |
, то сле- |
||||||
|
|
|
|
|
k |
|
k,γ |
|
дует принять H0, что ограничения выполнены. При W > χ2k,γ ограничения существенны и следует отвергнуть H0 .
Можно увидеть, что статистика Вальда имеет следующую структуру:
W = (Ra0 − r) RMa0 R −1 (Ra0 − r) ,
где Ma0 = e0e0 (Z Z)−1 — оценка ковариационной матрицы оценок a0. Фактиче-
N
ски это общая формула для статистики Вальда, применимая в случае произвольной модели, а не только линейной регрессии с нормальными ошибками.
18.3. Метод максимального правдоподобия в эконометрии |
591 |
Тест множителей Лагранжа (LM-тест)
Ранее мы получили выражение для множителей Лагранжа, соответствующих ограничению Rα = r:
|
|
|
|
|
λ = A−1 (Ra0 − r) . |
|
|
||||||
Из того, |
что |
Ra0 − r |
|
N Rα − r; σ2A , |
следует, что λ |
|
|||||||
N A−1(Rα − r); σ2A−1 . |
|
|
|
|
|
|
|
||||||
Отсюда при H0 : Rα = r выполнено λ N 0; σ2A−1 |
, поэтому в силу леммы |
||||||||||||
1 |
λ Aλ χk2 . Поскольку известны только оценки с ограничением, |
|
|||||||||||
имеем |
|
a1 , |
|||||||||||
σ2 |
|||||||||||||
то в качестве оценки σ2 берем |
1 |
e |
e1 . |
|
|
||||||||
|
|
|
|||||||||||
Получили статистику |
N 1 |
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|||||||
|
|
|
|
LM = |
N |
λ Aλ = |
N |
λ R Z Z −1 R λ. |
|
||||
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
e e1 |
|
|
|
e e1 |
|
|
||
|
|
|
|
1 |
|
|
|
1 |
|
|
|
||
Если LM > χk,γ2 , то H0 |
отвергается, ограничения не выполнены. Если |
||||||||||||
LM < χk,γ2 |
, то H0 |
принимается. |
|
|
|
|
|
Вспомним, что из нормальных уравнений для оценок при ограничениях
R λ = Z (X − Za1).
В то же время
∂ ln L(a1, |
e |
e1/N |
) |
= |
N |
|
||
1 |
|
|
|
|
Z (X − Za1) |
— |
||
∂α |
|
|
e |
e1 |
||||
|
|
|
|
|
1 |
|
|
|
производная логарифмической функции правдоподобия (это функция без учета огра-
ничений) по параметрам в точке оценок при ограничениях a1 и s1 = |
|
e |
e |
1 |
|
|
|
1 |
|
. |
|||
|
N |
|
||||
|
|
|
|
|
Статистика множителей Лагранжа, таким образом, имеет следующую структуру:
LM = |
e |
e |
1 |
|
∂ ln L(a1 |
, |
e |
e1 |
/N |
) |
(Z Z)− |
1 |
∂ ln L(a1 |
, |
e |
e1 |
/N |
) |
= |
|
|
|
|
|
||||||
1 |
|
|
|
1 |
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
||||||||
N |
|
|
∂α |
|
|
|
|
|
|
|
|
|
∂α |
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
∂ ln L(a1, |
|
|
|
|
) |
|
|
∂ ln L(a1 |
|
|
|
) |
|
|||||||||||||
|
|
|
|
|
|
= |
|
e1e1 |
/N |
Ma0 (a1) |
|
, |
e1e1 |
/N |
, |
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
∂α |
|
|
|
|
|
|
|
|
|
∂α |
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
где Ma0 (a1) = e1e1 (Z Z)−1 — оценка ковариационной матрицы оценок a0 , вы-
N
численная на основе информации, доступной в точке a1 . Это общая формула для статистики множителей Лагранжа, применимая в случае произвольной модели, а не только линейной регрессии с нормальными ошибками. В таком виде тест называется скор-тестом (score test) или тестом Рао.
592 Глава 18. Классические критерии проверки гипотез
18.3.4. Сопоставление классических тестов
Величину (Ra0 − r) R (Z Z)−1 R −1 (Ra0 − r), которая фигурирует в формулах для рассматриваемых статистик, можно записать также в виде e1e1 − e0e0 . Таким образом, получаем следующие формулы для трех статистик через суммы квадратов остатков:
W = N e1e1 − e0e0 , e0e0
LM = N e1e1 − e0e0 , e1e1
LR = N ln e1e1 . e0e0
F -статистику для проверки линейных ограничений можно записать аналогичным образом:
F = N − n − 1 e1e1 − e0e0 .
ke0e0
Нетрудно увидеть, что все три статистики можно записать через F -статистику:
LR = N ln 1 + |
k |
|
|
F , |
|
N − n − 1 |
N
W = N − n − 1 kF,
N
LM = kF + N − n − 1 kF.
Заметим, что по свойству F -распределения kF в пределе при N → ∞ сходится к χ2k , чем можно доказать сходимость распределения всех трех статистик к этому распределению.
Так как e1e1 e0e0 , то W LM . Следовательно, тест Вальда более жесткий, он чаще отвергает ограничения. Статистика отношения правдоподобия лежит всегда между W и LM. Чтобы это показать, обозначим
x = |
|
|
k |
|
|
F = |
e1e1 − e0e0 |
. |
|
|
|
|
|
1 |
|
||||
|
N |
− |
n |
− |
|
e |
e0 |
||
|
|
|
|
0 |
|
|
Доказываемое свойство следует из того, что при x > −1 выполнено неравенство
x
1 + x ln (1 + x) x.