Documente Academic
Documente Profesional
Documente Cultură
ECONOMETRIE
BUCURETI
-2008-
CUPRINS
Introducere
Capitolul I: Modele econometrice
1.1.
Generaliti
1.2.
Model aleator
1.3.
Natura variabilelor care apar n model
1.4.
Inducia statistic
1.5.
Identificarea modelului
1.6.
Previziunea variabilei endogene
1.7.
Vocabular uzual
Capitolul II: Regresia simpl
2.1. Modelul liniar al regresiei simple
2.2. Determinarea estimatorilor parametrilor prin metoda celor mai mici ptrate
2.3. Proprietile estimatorilor
2.3.1. Covariana estimatorilor
2.3.2. Determinarea unui estimator nedeplasat pentru variana erorilor
2.3.3. Interpretarea geometric a metodei celor mai mici ptrate
2.3.4. Coeficientul de corelaie liniar
2.3.5. Distribuia de probabilitate a estimatorilor
2.4. Teste i intervale de ncredere
2.5. Previziunea cu modelul liniar
2.6. Experien de calcul
Capitolul III: Regresia multipl
3.1. Modelul liniar al regresiei multiple
3.2. Determinarea estimatorilor parametrilor
3.3. Proprietile estimatorilor
3.4. Determinarea unui estimator nedeplasat pentru variana reziduurilor
3.5. Teste i regiuni de ncredere
3.6. Previziunea variabilei endogene
3.7. Coeficientul de corelaie multipl. Analiza varianei
3.8. Experien de calcul
Capitolul IV: Studiul modelului liniar cnd ipotezele clasice asupra erorilor nu mai
sunt realizate
4.1. Ipoteza de independen a erorilor
4.1.1. Testarea ipotezei de independen a erorilor
4.1.2. Experien de calcul
4.2. Ipoteza de normalitate a erorilor
4.3. Ipoteza de heteroscedasticitate
4.3.1. Experien de calcul
4.4. Ipoteza de independen a erorilor n raport cu variabilele exogene
4.5. Ipoteza referitoare la faptul c variabilele sunt observate fr eroare
4.5.1. Experien de calcul
Bibliografie
3
4
4
4
4
5
5
5
6
10
10
11
12
15
16
18
21
22
24
25
29
34
34
35
36
38
39
41
42
45
49
49
52
55
59
60
61
63
63
65
68
INTRODUCERE
Dezvoltarea aparatului statistic furnizeaz economitilor tot mai multe date cifrice despre procesele i
fenomenele care au loc n timp i spaiu. Econometria este un mijloc de a exploata aceste date. Noiunea de econometrie
provine din termenii oikonomie (economie) i metron (msurare) i desemneaz totalitatea metodelor i tehnicilor de
msurare a fenomenelor i proceselor care au loc n domeniul economic. Primele lucrri econometrice au avut ca obiect
funciile consumului, care leag nivelul consumului de venitul disponibil (aceste funcii stau la baza teoriei keynesiene).
n decursul timpului, numeroi autori au ncercat definirea econometriei. Lucrarea ECONOMETRIA
PENTRU...ECONOMITI, a profesorului Eugen tefan Pecican, aprut la Editura Econmic n 2003, conine multe
referiri n acest sens, din care am selectat cteva.
Autori
R. Frisch
P.A. Samuelson,
T.C. Koopmans,
J.R.N. Stone
Fr. Perroux
G.C. Chow
W. Griffits,
H. Carter,
G. Judge
Referina
Econometria realizeaz mbinarea punctelor de vedere care se refer la teoria economic, statistic i
matematic cu privire la natura relaiilor cantitative din economie
Econometria reprezint o analiz de natur cantitativ a fenomenelor economice, bazat pe
dezvoltarea recent a teoriei culegerii i interpretrii datelor, n conexiune cu metodele de inferen
(inducie) statistic adecvate
Econometria este o economie de intenie tiinific
Econometria este un domeniu n care se mbin arta i tiina de a utiliza metodele statistice n
vederea msurrii relaiilor economice
Econometria este ansamblul metodelor de realizare a analizei datelor economice
Autorul lucrrii citate mai sus este de prerea c obiectul econometriei const n cunoaterea mecanismelor de
desfurare a proceselor economice descrise de serii de date statistice, prin utilizarea metodelor cantitative de natur
statistic sau matematic.
Definiiile date econometriei pun n eviden dou elemente: domeniul de studiu (economia, relaiile dintre
variabilele economice) i metodele utilizate (provenite din statistic i matematic). Econometria se orienteaz spre
construirea de modele econometrice care s reprezinte simplificat procesele sau fenomenele economice analizate i s
permit simulri ale acestora, n scopul nelegerii lor, pe de o parte, dar i s serveasc la realizarea de previziuni,
prognoze care s fundamenteze politicile economice, pe de alt parte.
CAPITOLUL I
MODELE ECONOMETRICE
1.1.
Generaliti
Modelarea economic reprezint un proces de cunoatere mijlocit a realitii cu ajutorul unui instrument cu
caracteristici speciale: modelul. Sistemul real supus studiului este nlocuit prin modelul su, care este o reprezentare
simplificat a obiectului cercetat.
Modelul econometric este, de regul, o mulime de relaii numerice care permite reprezentarea simplificat a
procesului economic supus studiului (uneori chiar a ntregii economii). Modelele actuale comport adesea mai mult de
zece relaii (ecuaii). Validitatea unui model este testat prin confruntarea rezultatelor obinute cu observaiile statistice.
Pentru a studia un fenomen economic se ncearc reprezentarea lui prin comportamentul unei variabile. Aceast
variabil economic depinde, la rndul su de alte variabile de care este legat prin relaii matematice.
De exemplu, dac se studiaz cererea (C) i oferta (O) dintr-un anumit bun pe o pia, se tie c cererea i
oferta depind de preul (p) bunului respectiv. Putem scrie c variabilele C i O sunt funcii de variabila p i c la
echilibrul pieei, trebuie ca cererea s fie egal cu oferta. Se construiete astfel un model elementar de forma:
C f ( p)
[1] O g ( p )
C O
Oferta i cererea dintr-un anumit bun depind i de alte variabile dect preul. Astfel, cererea dintr-un bun
alimentar depinde i de venitul disponibil, de preul unor produse analoage etc. La fel, dac este vorba despre un bun
agricol (gru,...) oferta depinde de preul anului precedent. Relaia stabilit ntre variabile n modelul econometric este
dat, de regul, la un anumit moment de timp t, caz n care variabilele apar indiciate:
C t f ( pt , x1t , x 2t ,..., x nt )
C t Ot
n modelul [2] s-au introdus mai multe variabile care explic cererea i oferta dintr-un bun i s-a considerat
realizarea acestor variabile la momentul t sau t-1. Se observ c modelul comport mai multe relaii. Se zice c avem un
model cu ecuaii multiple. Evident, se va ncepe studiul cu un model mai simplu, cu o unic ecuaie.
1.2.
Model aleator
S presupunem c se studiaz consumul (Ci) dintr-un anumit bun de ctre o familie (i). ntre alte variabile,
consumul depinde de venitul disponibil al familiei (Vi). Modelul econometric elementar const n a exprima Ci n funcie
de Vi. Desigur, ali factori dintre care unii sunt necunoscui determin de asemenea consumul familiei. Condensm
efectele acestor ali factori ntr-unul singur, aleator, notat i. Se obine astfel un model aleator:
[3] C i f (Vi ) i
Factorul aleator i este o variabil aleatoare care urmeaz o anumit lege de probabilitate, ce va trebui s fie
specificat prin ipotezele fcute asupra modelului. Cel mai frecvent, ipotezele se refer doar la momentele de ordinul I
i II ale variabilei aleatoare i. Urmeaz s ne asigurm c funcia f (sau clasa de funcii) aleas nu contrazice rezultatele
experienei. De exemplu, dac s-a ales f ca o funcie liniar (adic f(Vi) = aVi+b), modelul econometric este:
[4] C i aVi b i
i variind pe i pentru diferitele familii studiate, ne vom asigura c relaia [4] este bine satisfcut. Se spune c testm
modelul. Dac rezultatul obinut este convenabil, se va trece la estimarea parametrilor a i b. Apoi, definind o regul
de previziune se va putea determina consumul Ci dac se cunoate venitul Vi.
1.3.
Modelul [4] de mai sus este specificat. Se cunoate forma funciei f din expresia Ci = f(Vi) + i , adic f(Vi) = aVi+b.
Adugarea variabilei exogene i d modelului formularea definitiv [4].
Mulimea parametrilor care definesc complet modelul econometric constituie structura acestuia. De
exemplu, dac a = 0,7 i b = 23 iar urmeaz o lege de probabilitate normal de medie (speran matematic) egal cu
zero i dispersie (varian) egal cu 5, atunci mulimea
a = 0,7; b= 23; = 5
constituie structura modelului [4]. Scopul va fi acela ca, plecnd de la cuplurile (Ci,Vi) asociate diferitelor familii i, s
se determine structura adevrat a modelului. Cu alte cuvinte, plecnd de la un spaiu eantion definit de mulimea
cuplurilor (Ci,Vi) s se determine structura adevrat a modelului n spaiul cu trei dimensiuni al structurilor
a , b, . Aici intervine induciastatistic.
1.4.
Inducia statistic
Obiectul induciei statistice este de a determina o procedur care, pornind doar de la observaiile statistice de
care dispunem, s permit trecerea de la spaiul eantion la spaiul structurilor. Odat ce modelul a fost ales, se admite
c exist un triplet (a, b, ) care permite reprezentarea exact a procesului prin care valorile variabilelor observate au
fost determinate. n cursul induciei statistice modelul nu se mai modific. Procedura aleas aa cum se va vedea n
continuare va consta n obinerea de estimatori pentru parametrii a i b care s permit determinarea celor mai bune
valori reale ale acestor parametri. Aceste valori se vor aprecia, n general, cu ajutorul unor intervale de ncredere
construite la un prag de semnificaie () dat. De exemplu, n modelul [4] se va gsi c a[0,64;0,78] i b[20;27] cu o
probabilitate de 95% (s-a considerat =5%). Se poate estima i abaterea medie ptratic () a variabilei aleatoare i. Se
va vedea rolul important jucat de aceast variabil aleatoare n modelul econometric.
1.5.
Identificarea modelului
Considerm din nou modelul Ci=aVi+b+i. S presupunem c procedura utilizat, pornind de la informaia
deinut, adic de la cuplurile (Ci,Vi), i=1,2,... nu conduce la o soluie unic, ci la dou structuri distincte:
s0= a0,b0,0 , s1 = a1,b1,1 . Deorece legea de probabilitate pentru precizeaz i legea de probabilitate pentru C,
fiecare structur (innd cont de valorile exogenelor i de legea lui ) conduce la o lege de probabilitate pentru C.
Presupunem c structurile s0 i s1 conduc la aceeai lege de probabilitate pentru consumul C. Sunt posibile dou cazuri:
s0 i s1 sunt distincte i nu putem alege ntre ele. Se spune c structurile considerate nu sunt
identificabile i, ca urmare, modelul nu este identificabil. Din aceast cauz nu vom
putea determina valorile parametrilor care figureaz n model;
s0 i s1 nu sunt distincte, intersecia lor nu este vid. Acestea vor permite identificarea unei
pri a parametrilor modelului (cei care aparin interseciei). Se spune c cele dou
structuri sunt echivalente, dar nu permit o identificare complet a modelului.
Problema identificrii este important mai ales n cazul modelelor cu ecuaii multiple.
1.6.
Interesul unui model a crui structur a fost determinat const n a-l utiliza pentru previzionarea variabilelor
endogene ntr-o etap viitoare sau ntr-o circumstan dat, dac este vorba despre observaii luate la acelai moment-,
atunci cnd cele exogene au fost fixate. De exemplu, dac dorim s studiem evoluia importurilor (Y) n funcie de
produsul intern brut (X1) i de nivelul stocurilor (X2), modelul econometric este:
yt=a1x1t+a2x2t+b+t, t=1,2,...,T
unde t este timpul. Datele istorice (pe perioada 1990-2005) despre Y, X 1 i X2 (observaiile fiind anuale)
permit determinarea parametrilor modelului. S presupunem c am gsit estimaiile punctuale:
a1 0,14
a 2 0,6
b 6
Modelul estimat este: y t 0,14 x1t 0,6 x 2t 6 . Dac dorim s facem o previziune a importurilor pentru anul
2007, trebuie s tim PIB-ul i nivelul stocurilor n anul 2007. Presupunnd c aceste variabile exogene sunt x 1=1030 i
x2=12,7 vom avea ca previziune pentru y:
y2007=(0,14).1030+(0,6).(12,7)+6
sau, n general, yp a1 x1 a 2 x2 b , unde este perioada de previziune.
Observaie. Asupra valorii previzionate trebuie s remarcm:
- valorile exogenelor x1, x2 au fost alese arbitrar, eventual innd cont de evoluia lor trecut;
5
- specificarea modelului nu poate fi perfect, forma funciei alese pentru a explica evoluia lui y neputnd fi
suficient de precis;
- este posibil ca variabilele explicative (exogene) ale variabilei endogene (explicate), s nu mai intervin n
acelai mod ca n perioada 1990-2005, cnd s-a studiat legatura dintre ele. Este posibil s aib loc un oc, o
ruptur care s perturbe echilibrul dintre variabilele care explic fenomenul, la momentul previziunii.
Este evident c toate aceste cauze pot constitui surse de eroare a previziunii. Vom vedea care sunt metodele de a
minimiza eroarea de previziune.
Rezumatul capitolului I
Pentru construcia i utilizarea unui model econometric, se parcurg urmtoarele etape:
- specificarea modelului (gsirea formulrii matematice definitive a legturii dintre variabilele care descriu
fenomenul sau procesul economic studiat);
- estimarea parametrilor i testarea modelului cu ajutorul statisticilor (seriilor de date observate) deja
cunoscute;
- previziunea variabilei endogene.
1.7.
Vocabular uzual
Dac suntei familiarizai cu statistica matematic, putei trece la capitolul II. n caz contrar, v reamintim aici
cteva noiuni de baz. Lectura acestui paragraf credem c v va incita s revedei cursul de Statistic matematic.
Nor de puncte Fiind dat o serie de date statistice n care valorile (xi,yj) apar efectiv de nij ori putem
reprezenta ntr-un plan toate aceste valori prin puncte de coordonate (xi,yj) afectate de coeficienii nij , obinndu-se
astfel un nor de puncte.
Ajustare Reprezentarea grafic a seriilor de date economice conduce frecvent la figuri puin lizibile i greu
de interpretat din cauza variaiilor pe termen scurt, numeroase i sensibile, dar fr o semnificaie important. Metodele
matematice numite de ajustare permit obinerea unei curbe simple, ct mai apropiat posibil de mulimea de puncte
furnizate de observaiile empirice disponibile.
Ajustare liniar Atunci cnd reprezentarea grafic a unei serii statistice duble d un nor de puncte de form
alungit, se ncearc obinerea unei aproximri bune a acestei serii cu ajutorul unei drepte, realizndu-se astfel o ajustare
liniar. Exist mai multe metode pentru gsirea acestei drepte:
- metoda grafic (se determin punctul mediu M ale crui coordonate sunt x, y i se traseaz dreapta care
pare a fi cea mai reprezentativ a seriei, determinnd ecuaia Y=aX+b. Aceast metod este ambigu pentru c nu ine
cont de ponderea fiecrui punct n norul de puncte);
- metoda lui Mayer (se regrupeaz punctele norului n dou submulimi crora li se determin punctele medii
M1 i M2. Dreapta de ajustare este atunci dreapta care trece prin M1 i M2);
- metoda celor mai mici ptrate (const n a face minim suma ptratelor distanelor de la punctele norului la o
dreapt de ecuaie Y=aX+b numit dreapt de regresie a lui Y n X. Se arat c panta (coeficientul director) acestei
drepte este a=cov(X,Y)/Var(X). Coeficientul b se obine scriind c dreapta de regresie trece prin punctul mediu:
b Y aX . Procednd la fel se gsete dreapta de regresie de ecuaie X=aY+b , cu a=cov(X,Y)/Var(Y) i
b X a Y . Cele dou drepte de regresie sunt, n general, distincte. Compararea lor permite msurarea nivelului de
corelaie al caracteristicilor X i Y. Corelaia se msoar cu coeficientul de corelaie =cov(X,Y)/(X)(Y). Se constat
c 2=aa i c variaz ntre 1 i 1. 2 msoar unghiul dintre cele dou drepte de regresie, care coincid dac 2=1,
adic 1 . Caracteristicile X i Y sunt corelate maximal cnd este apropiat de 1).
n afara faptului de a da o reprezentare mai mult sau mai puin satisfctoare legturii dintre X i Y, importana
ajustrii liniare este de a permite previziuni statistice, asociind lui X o valoare probabil a lui Y prin relaia Y=aX+b.
Probabilitate Fiind dat o mulime finit , numim probabilitate pe orice aplicaie p a lui P()
mulimea prilor lui - n intervalul [0,1 care verific trei condiii:
- p(A)0, pentru A P()
- p()=1
- p(AB)= p(A)+ p(B), dac A,B P(), AB=
se numete univers (sau univers de probabiliti). nzestrat cu probabilitatea p se numete spaiu
probabilizat. Orice parte a lui este un eveniment. Un singleton (mulime ce conine un singur element) al lui se
numete eveniment elementar sau eventualitate. este evenimentul cert. este evenimentul imposibil. A este
evenimentul complementar lui A n (se numete eveniment contrar lui A). Dac AB=, evenimentele A i B sunt
incompatibile.
Variabil aleatoare Dac este un univers finit, numim variabil aleatoare orice aplicaie X: R ( a
lui n mulimea numerelor reale). Mulimea valorilor lui X, adic X() se numete universul imagine. Atenie!- o
6
variabil aleatoare nu este o variabil, ci o aplicaie! Se observ c nu este necesar s cunoatem o probabilitate pe
pentru a defini o variabil aleatoare pe .
Legea de probabilitate a unei variabile aleatoare Dac universul finit este nzestrat cu o probabilitate p,
iar X este o variabil aleatoare definit pe , numim lege de probabilitate a variabilei aleatoare X, aplicaia px:
X()[0,1 care asociaz oricrui xX() probabilitatea evenimentului mulimea antecedentelor lui x prin X.
Aceast mulime X-1(x) este notat (X=x). Legea de probabilitate a lui X, notat px este definit prin px: X()[0,1, x
p(X=x). A studia o variabil aleatoare nseamn a-i descoperi legea sa de probabilitate.
Funcie de repartiie Dac universul finit este nzestrat cu o probabilitate p, iar X este o variabil
aleatoare definit pe , se asociaz acestei variabile aleatoare funcia F:R[0,1 definit prin F(x)=p(Xx) numit
funcie de repartiie a variabilei aleatoare X. Evenimentul (Xx) este imaginea intervalului , x prin funcia X.
Funcia de repartiie este o funcie n scar.
Sperana matematic Dac X este o variabil aleatoare definit pe universul finit , nzestrat cu
probabilitatea p, universul imagine este o mulime finit i ia valorile xi, i=1,2,...,n. Legea de probabilitate a lui X
asociaz fiecrui xi probabilitatea pi=p(X=xi). Se numete speran matematic a variabilei aleatoare X, numrul real
n
E ( X ) pi xi . E(X) este media n probabilitate a valorilor luate de variabila aleatoare X. E(.) este un operator
i 1
liniar.
Variana Dac X este o variabil aleatoare definit pe universul finit , nzestrat cu probabilitatea p,
universul imagine este o mulime finit i ia valorile xi, i=1,2,...,n. Legea de probabilitate a lui X asociaz fiecrui xi
probabilitatea pi=p(X=xi). Se numete varian a variabilei aleatoare X, numrul real pozitiv
n
Rdcina ptrat (radicalul) lui Var(X) este ecartul-tip al variabilei aleatoare X, notat x.
Momente condiionate Se consider vectorul aleator X , Y : R 2
P ( X xi , Y y j ) pij , pij 0,
P ( X xi / Y y j )
p ij
p. j
p
i
ij
cu
repartiia
M ( X k / Y y j ) xik P ( X xi / Y y j ) xik
i
p ij
p. j
1
p. j
ij
xik
M (X /Y y j )
1
p. j
x p
i
i j
, M (Y / X xi )
1
y j pij
pi . j
M (X / Y y j )
, p. j 0, p. j 1
p
.
j
j
M ( X / Y ) :
M (Y / X xi )
, pi . 0, pi . 1
pi .
i
M (Y / X ) :
Regresie Se numete regresia variabilei aleatoare X n raport cu Y, variabila aleatoare M(X/Y) cu mulimea
valorilor posibile: M(X/Y=y), x R.
Similar, regresia variabilei aleatoare Y n raport cu X este: M(Y/X=x), y R.
Dac M(X/Y)=aX+b sau M(Y/X)=cY+d se spune c regresia este liniar
Repartia normal Variabila aleatoare X urmeaz o repartiie normal de parametri m i (se mai scrie i
X N (m, ) ) dac densitatea ei de probabilitate (derivata funciei de repartiie) este:
f ( x)
exp(
( x m) 2
), x R, m R, >0
2 2
f ( x)
exp(
x2
),
2
x R,
Se arat c parametri m i 2 sunt media (sperana matematic), respectiv dispersia (variana) variabilei aleatoare
X N ( m, ) .
Repartiia 2 (hi-ptrat) cu n grade de libertate Variabila aleatoare X urmeaz legea de repartiie hi-ptrat
cu n grade de libertate (se mai scrie i X H (n) ) dac densitatea ei de repartiie este:
f ( x)
1
n
( ) 2
2
n
2
n
1
2
x
exp( ),
2 x>0, n N *
Dac variabilele aleatoare X i N (0,1), i=1,2,...,n sunt independente, atunci variabila aleatoare Y
X
i 1
2
i
n 1
1
x2 2
1
f ( x)
, x R,
n N*
n
n 1
n
,
2 2
Dac variabilele aleatoare X N (0,1), Y H (n) sunt independente, atunci variabila aleatoare
X
S (n)
.
Y
n
n1
n2
n1
2
n1
x2
n1 n2
n 2 x>0, n , n N *
1
2
1 1 x
f ( x)
,
n2
n1 n 2
,
2 2
Dac variabilele aleatoare X 1 H ( n1 ) i X 2 H (n2 ) sunt independente, atunci variabila aleatoare
X1
n
X 1 F (n1 , n2 ) .
X2
n2
CAPITOLUL II
REGRESIA SIMPL
Studiem, pentru nceput, cel mai simplu model econometric: o variabil endogen reprezint evoluia
fenomenului considerat i aceast evoluie este explicat printr-o singur variabil exogen.
n cadrul capitolului este prezentat metoda de estimare a parametrilor care intervin ntr-un model
econometric, se vor examina proprietile estimatorilor obinui i se vor generaliza rezultatele analizei pentru modele
mai complexe. ntr-o prima parte se va trata obinerea estimatorilor parametrilor modelului i proprietilor lor, iar ntr-o
a doua parte se d o interpretarea geometric a metodei utilizate, determinarea intervalelor de ncredere referitoare la
parametri i previziunea care poate fi fcut cu un astfel de model.
2.1. Modelul liniar al regresiei simple
Considerm modelul:
(1) y t axt b t , t=1, 2, ...,T
n care: Y reprezint o variabil endogen;
X o variabil exogen;
E t 0, t 1,2,..., T ,
Var t 2 , cantitate finit, t .
Observaie:
S-au folosit aici, pentru medie i dispersie, notaiile E , respectiv Var , provenind de la sperana
matematic i variana unei variabile aleatoare. Se presupune c studenii au cunotine elementare despre teoria
probabilitilor i statistic matematic. Altfel, ele trebuie revzute!
b)- Realizrile lui sunt independente de realizrile lui X n cursul timpului. Aceasta este ipoteza de
homoscedasticitate. n caz contrar, exist heteroscedasticitate.
c)- Independena erorilor (se va vedea pe parcurs c variabila aleatoare reprezint erori sau reziduuri).
Dou erori relative la dou observaii diferite t i t sunt independente ntre ele, nsemnnd c au covariana nul:
E ( t E ( t ))( t E ( t ))
2
d)- Normalitatea erorilor. Presupunem c urmeaz o lege de repartiie normal , cu media 0 i dispersia ,
N 0, 2 .
I3:
Primele momente empirice ale variabilei X, pentru T foarte mare, sunt finite:
1 T
xt T x0 (media empiric).
T t 1
2
1 T
xt x T s 2 (variana empiric).
T t 1
Aceast ipotez va fi folosit pentru a preciza proprietile asimptotice ale estimatorilor parametrilor a i b.
Ipotezele I1, I2, I3 pot prea foarte restrictive. Vom vedea ulterior ce consecine are abandonarea unora dintre
ele asupra proprietilor estimatorilor lui a i b.
2.2. Determinarea estimatorilor parametrilor prin metoda celor mai mici ptrate
t 1
2
t
yt axt b a, b .
2
t 1
condiii necesare:
0,
0.
a
b
2
2
2
2. condiii suficiente:
0 , a
2
2
a
ba
2
ab 0 .
2
b 2
2 y t axt b xt 0
a t 1
T
2 y t axt b 1 0
b t 1
T
2
2 xt2 0
2
a
t 1
10
2
2T
b 2
T
2
2
2 x t .
ab ba
t 1
x y a x b x 0
t 1
t t
t 1
2
t
t 1
y a x Tb 0
t 1
t 1
1 T
1 T 2
xt y t a xt b x 0
T t 1
.
T t 1
y ax b 0
1
xt y t y x
a T
2
1
2
xt x
T
x y T y x y y x x .
x T x
x x
t
2
t
y y x x ,
x x
t
b y a x
Observaie:
.
a este o variabil aleatoare pentru c e funcie de yt, iar b este aleator pentru c e funcie de a
2.3. Proprietile estimatorilor
i b obinui prin metoda celor mai mici ptrate sunt nedeplasai i convergeni.
Vom arta c estimatorii a
n demonstraie vom ine cont de ipotezele I 1, I2, I3. Pentru a uura demonstrarea proprietilor enunate, transformm
mai nti expresiile (2) pentru a le exprima n funcie de parametrii a i b. Vom considera modelul (1) yt axt b t
, t=1, 2, ...,T, nsumm dup toi t i mprim la T. Rezult:
11
1
1
1
y t a xt b t , adic
T
T
T
y ax b .
:
i nlocuim y y n expresia lui a
a x x x x a x x x
a
x x
x x
x x x x a x x
a
x x
x x
yt y a xt x t
t
(x
(deoarece
x) ( xt x) 0 ).
y a x b , astfel c prin
a a
t xt x
b b a a x .
Un estimator este nedeplasat dac media estimatorului este chiar parametrul estimat. Vom aplica
operatorul de medie E
wt
xt x
, astfel c a a t wt
Rezult:
E b E b E xE a a
Avem
c:
E(b)=b,
1
1
t E t 0
T
T
E E
E a a E a E a a a 0 , deci
E b b .
Var a E a a E wt t E
2
2 w w E
w E
2
t
2
t
t t '
t'
w
2
t
2
t
2 wt wt ' t t '
t t '
t'
12
Var a wt
2
dar
2
t
2
t
xt x
1
t
este:
n final, dispersia estimatorului a
Var a
2
1
2
2
x
s
i
avem
c
Var a 2 T 0 .
t
T
T
Ts
2 xE a a x
Var b E b b
E a a x
2
E 2 x a a a a x
E a a
1
T2
E t
T
E t2
2
T2
2
T
E t t '
t t '
2
t
1
T2
2 t t '
t t '
Var t
T 2 2
T
T2
(deoarece E t t ' 0 ).
2
E a a E t wt t E wt t wt t t '
t t '
T
T
2
1
1
1
wt E t2 wt E t t ' wtVar t wt
T
T t t '
T
T
dar
t 1
xt x
t 1
1
t
x
2
x 0,
adic E a a 0 .
Folosind aceste rezultate pariale, se obine:
2
2
2
2
2
2
Var b x E a a x Var a
T
T
T
1
Var (b) 2
( xt x) 2
2
13
x 2
1
0 i
T T
Cum ns
1
x
1
0 rezult c Var b 0 , adic
T
Ts 2 T
b T b ( b
i b
Covariana estimatorilor a
2.3.1.
E a a x a a E a a x a a
x
E a a xE a a xVar a
cov a , b E a E a ) b E (b E a a b b
2
Var a
a ,b
cov b, a
cov a , b
Var b
1
x
x
t
x 2
x
2 1
T xt x
1
x
T x x
t
x 2
x
t
2
Se remarc faptul c a ,b conine pe , adic variana lui t care este necunoscut. Se pune deci
2
problema de a obine o estimaie pentru a ,b , adic o estimaie pentru Var ( t ) . Notm aceast estimaie cu
2 .
2.3.2.
t t a a xt a a x t a a xt x .
iar prin ridicare la ptrat:
t2 t
2
2 a a xt x t a a xt x .
14
1
1
t2 T t
T
Dar: a a
2 a a
x x , i
x x
t
1
2 1
xt x t a a T xt x
T
x t t xt x xt x t xt x xt x a a xt x
pentru c xt x 0 .
nlocuind, rezult:
1
1
t2 t
T
T
2
Notm cu
a a
1
t
T
2
1
xt x .
calculm media E 2 :
2
2
2
1
1
1
t E t2 2 t E t2
2
1
1
2
1
E t2 E 2 E t 2 E 2 t2 2 t t '
T
t t '
T
T
2
1
2
1
2 2 E t2 2 E t t ' 2 2 1
T
T
T
T t t '
E 2 E
1
1
t2 t
T
T
a a
2
1
xt x ,
, rezult:
i innd cont de expresia varianei estimatorului a
2
1
1 2
2
1
2
2
2
Var
a
x
2 1 .
t
t
T
T
T
T
T
1
1
t2 , aa c, notnd 2
t2 , am obinut:
T 2
T 2
2
Relaia gsit se poate scrie i astfel: E
2 este T-2. (T-2) constituie numrul gradelor de libertate. Vom reveni ulterior asupra acestei probleme.
n concluzie, pentru modelul liniar al regresiei simple, avem estimatorii:
y y x x
x x
t
b y a x
1
t2
T 2
15
:
estimaie a matricei a ,b , notat
a ,b
cov a , b
Var b
Var a
1
Var b 2
Var a
a ,b
cov a , b
, unde:
2
x
cov a , b x Var a .
2.3.3.
2
t
2
t
s fie
minimal, cu ajutorul unei reprezentri grafice. Aceast condiie va consta n egalitatea cu zero a dou produse scalare
care redau ecuaiile normale.
Modelul y t axt b t se scrie sub form matriceal astfel:
unde:
x1
x2
.
.
.
y
T
.
.
x
T
y1
y2
.
, X
n spaiul ortonormat
Y aX bU ,
1
1
2
1
.
.
, U ,
.
.
.
.
.
1
T
T considerm vectorii Y, X, U i .
A
Y
Y H
(L)
16
Vectorul 0H=aX+bU aparine planului (L) determinat de vectorii X i U. Fie 0A=Y, 0B=X, 0C=U, HA=.
Cantitatea
traduce
prin
2
t
HA
egalitatea
cu
zero
produsului
scalar
al
vectorilor
respectivi:
HA 0B 0
,
HA 0C 0
sau
xt yt a xt b xt 0
Y aX bU , X 0
, adic
.
yt a xt Tb 0
Y aX bU ,U 0
2
T determinat de X i U.
Observaie:
Considerm modelul yt b t . O reprezentare analog celei dinainte este:
A
Y
0
U
n scriere matricial, modelul este Y bU , iar conform cu reprezentarea grafic, avem relaia
OA=OH+HA.
2
t
HA
Y bU ,U 0 sau
1
T b 0 , b
T
y i 0 H b U y U Y . Msura algebric a
proieciei vectorului Y pe suportul vectorului U este y . Vom utiliza aceast observaie pentru a exprima ecuaia
varianei.
Ecuaia varianei
17
Y H
O
(L)
Y K
AK
KH
HA
tim c y t a xt b i
1
1
y t a xt b , adic: y a x b . Dar i y a x b , rezultnd c
T
T
.
y y
AK=0A-0K ( A0 K dreptunghic n K)
Deoarece:
2 yt
Variabilit atea
total
Variabilit atea
datorat regresiei
2
t
Variabilit atea
rezidual
Aceasta este ecuaia varianei. Vom reveni asupra ei cnd vom aborda regresia multipl.
y y x x
y y x x
cov X , Y
t
n general,
XY
X Y
, unde X
variabilelor X i Y.
tim c estimatorul parametrului a are expresia a
18
y y x x
x x
x x
y y x
2
x x
y y
a 2 xt x
y
2
ax
2
b a x b
t
t
y
y
y y
y y
2
2
t
a x
2
yt y
2
t
a 2 xt x
2
t
cos 2
AK
t
t
y
y
2
2
, adic
cos 1
2
, de unde:
KH
H , avem cos
AK
2
t
KH
,
AK
2 .
n mod necesar, 0 2 1 i 1 1 .
Cnd 0 , nu exist o relaie de tip liniar y t axt b ntre yt i xt, adic a=0.
Cnd 2 1 , yt este legat de xt printr-o relaie de forma yt axt b . 1 implic a>0, iar
1 implic a<0.
Cnd relaia dintre yt i xt nu este strict, adic y t axt b , atunci este apropiat de 1, semnul lui
f t
1 2
exp t2 , t 1,2,..., T .
2
2
Cum t i t sunt independente pentru t t ' , densitatea de probabilitate a vectorului aleator ( 1, 2, ..., T) va
fi egal cu produsul densitilor de probabilitate relative la fiecare t.
19
1 f 1 , 2 ,..., t
1 t
exp
2
2
Dar, t yt axt b i
(deoarece
yt axt b yt y t t ).
Evalum suma ptratelor erorilor:
y ax b a a x b b
a a x b b 2 a a x 2 b b 2 a a b b x
2
t
2
t
2
t
t2 a a xt b b
t2 a a xt b b
a a x b b
a
b
'
2
t
Tx
T x
a
b
y1 , y 2 ,..., yt
1 yt axt b
exp
2
2
2
1 a a 1
xt2
1 t
exp
exp
2
2
2
2 b b T x
'
T x a a
T b b
1
2
Tx
2
t
T x
1
a1,b i y1 , y 2 ,..., yt
T
2
a ,b , se arat uor c:
, b cea a lui a , b .
probabilitate a lui t , iar h a
Cu aceste rezultate i fcnd apel la unele teoreme importante ale statisticii matematice, putem deduce
urmtoarele distribuii de probabilitate:
1.
2
Deoarece
1
t2 , adic
T 2
2 1
T 2 2 2 t2
2
t
admite T-2 componente independente nenule distribuite dup T-2 legi normale independente,
cu media zero i abatere standard )
2.
2 a2
2 a2
2
2
, respectiv pentru
(am utilizat aici notaiile a Var ( a ) i a Var (a ) pentru variana estimatorului a
T 2 a2
2
urmeaz tot o repartiie 2 cu (T a
3.
a a
N 0,1 ;
a
a a
S T 2 (repartiia Student cu (T-2) grade de libertate);
a
b b
N 0,1 ;
b b
S T 2 .
b
Expresia F
4.
a
b
'
a
a1,b
b
b
a
b
a a
t 1
a
Prob
t este luat din tabela distribuiei Student cu (T-2) grade de libertate. Un calcul simplu conduce la intervalul
de ncredere pentru parametrul a, de forma:
a t a a a t a
ceea ce permite afirmaia c adevrata valoare a parametrului real a , se gsete n intervalul de valori
a t a ;
a t a
cu probabilitatea 1-.
Cnd se dorete testarea unei valori a0 a parametrului a, este suficient, pentru a accepta aceast valoare cu
riscul , s ne asigurm c:
21
a a 0
t .
a
B
A
Proieciile acestei elipse pe axe determin, de asemenea, dou intervale de ncredere pentru a i b, centrate n
a i b . Dar, este important de remarcat c, nivelul de semnificaie referitor la aceste intervale nu mai este nivelul
asociat elipsei.
Dac se dorete testarea simultan a dou valori a0, b0 alese apriori, este suficient s nlocuim a i b n expresia
F prin a0 i b0.
Dac F a 0 , b0 F ,2, T 2 se accept valorile, altfel ele vor fi respinse. Altfel spus, pentru a accepta
cuplul (a0, b0) la nivelul de semnificaie este suficient ca punctul M0(a0,b0) s aparin elipsei de ncredere asociat
cuplului (a, b).
Observaii:
1.
Expresia
y1 , y 2 ,..., yT
, b ; h nu conine dect pe a
, b , a i b. Aceasta arat c, odat cunoscut o
adic n funcie de yt, a
Cnd ipoteza de normalitate asupra erorilor t este realizat, funcia de verosimilitate relativ la eantionul
y1 , y 2 ,..., yT
a i b prin
y1 , y 2 ,..., yT ,
adic s
2
axt b . Estimatorii a , b obinui cu metoda celor mai mici ptrate coincid, deci,
i b obinui prin
Atunci cnd ipoteza de normalitate a erorilor nu se realizeaz, se va arta c estimatorii a
metoda celor mai mici ptrate au variana minim printre toi estimatorii liniari centrai n a i b (se va da o
demonstraie pe cazul general).
2.5. Previziunea cu modelul liniar
Fie x realizarea variabilei exogene la momentul . Valoarea previzionat pentru endogena Y va fi:
yP a x b ,
iar realizarea efectiv a lui Y este:
y ax b .
P
Eroarea de previziune se poate exprima prin variabila aleatoare e P y y .
yP y a a x b b .
Se remarc imediat c
2
2
2
Var e P E yP y x2 E a a E b b E 2
2 x E a a b b 2 x E a a 2 E b b
, ca i i b sunt necorelai).
Ultimii doi termeni sunt nuli (s-a demonstrat anterior!) ( i a
Deci:
2
2
Tx
1
x
2
xt x T xt x
2
x x
1
2
1
T x x 2
2 x x 2
2
xt x
2 este necunoscut, dar estimat prin 2 i variana estimat a erorii de previziune este:
x x
1
1
T x x
Aceast varian poate fi redus, pe de o parte prin creterea numrului de observaii (T), iar pe de alt parte,
t N 0, 2
23
yP y
N 0,1 .
2
2
yP y
urmeaz o lege Student cu T-2 grade de libertate pentru c T 2 2 T 2 2 .
Putem construi, avnd P ca centru i paralel cu axa 0y un interval de ncredere M1M2 la nivelul de semnificaie .
yP y
t 1 .
x x . Punctele M1 i M2 sunt deci situate, cnd variaz, pe dou arce de curb (vezi figura), care determin astfel
M2
y ax b
P
M1
x
Observaii
1. O variabil aleatoare t este distribuit dup o lege Student cu T-2 grade de libertate dac expresia
t2
T 2
este raportul dintre o variabil aleatoare distribuit 2 cu 1 grad de libertate i o alta distribuit 2 cu (T-2) grade de
libertate. Fie t
a a
. Atunci:
a
a a 2
t2
T 2 T 2 a2
a a 2
a2
a2
T 2 2
a
2 cu un grad de libertate
.
2 cu (T - 2) grade de libertate
24
2. O variabil aleatoare F este distribuit dup o lege Fisher-Snedecor cu n1 i n2 grade de libertate dac
expresia
n1 F
este raportul dintre o variabil aleatoare distribuit 2 cu n1 grade de libertate i o alta distribuit
n2
2 cu n2 grade de libertate.
Fie F
a a 1 a a
' a ,b
.
b b
b b
Atunci:
2F
T 2
a a
T x
Tx
T 2
2
t
a a
a a xt2 T x a a
T b b
b b T x
2
2 cu doua grade de libertate
2
2 cu (T - 2) grade de libertate
T 2 2
Jacobianul
y1 , y 2 ,..., yT
transformrii
permite
exprimarea
densitii
de
probailitate
vectorului
aleator
1
y1
2
D
J
y
1
D y
...
T
y1
1
y 2
2
y 2
...
T
y 2
...
...
...
...
1
yT
1 0
2
0 1
yT
... ...
...
0 0
T
yT
...
... 0
1
... ...
... 1
y1 , y 2 ,..., yT f 1 y1 , 2 y2 ,..., T yT . J
4. Am vzut c a a wt t , t i a a fiind distribuite normal. a a este o combinaie
liniar de t . Deci:
a a N 0,1
a
a a 2
2
a
este distribuit 2 cu 1 grad de libertate pentru c este ptratul unei variabile aleatoare N(0,1).
25
b b N 0,1
b
b b
2 1
b2
Deoarece
2
t
2
t
a a 2
2
x x
t
a a
a a 2
2
x , prin mprirea la , obinem:
T
2 (2T ) (21) (2T 1)
a a 2 2
1
Var a
Rezult c:
2
t
15
36
41
16
21
21
48
43
77
89
50
40
56
62
53
10
32
17
58
20
100
47
71
58
102
35
60
n RONRezolvare:
Cutm s estimm parametrii unei regresii liniare nte variabilele X i Y, de forma yt axt b t ,
presupunnd c sunt ndeplinite ipotezele fundamentale I1,I2,I3.
1. Pentru a calcula estimatorii, se folosesc relaiile de calcul stabilite anterior (n cadrul seminarului se vor
prezenta facilitile de calcul oferite de diferite pachete de programe dedicate). Elementele necesare calculului sunt date
n tabelul ce urmeaz:
26
27
1
T
- a
xt
t 1
1
1
362 24,133 y
15
T
y
t 1
1
938 62,533
15
t
2
t
y xt x
x
2
Valoarea apropiat de 1 a coeficientului de corelaie arat c ntre cele dou variabile studiate exist o
corelaie liniar.
Observaie: Am vzut c:
a 2 xt x
(ax
(y
ax ) 2
y)2
( y
(y
y ) 2
y)2
Ptratul coeficientului de corelaie liniar este raportul dintre variabilitatea explicat prin model i
variabilitatea total.
- ecuaia de analiz a varianei:
variabilitatea total = variabilitatea explicat + variabilitatea rezidual
6269,733
6137,719
2
t
132,014
n spaiul observaiilor, Y este cu att mai bine explicat prin modelul liniar, cu ct este mai aproape se
planul (L) generat de vectorii X i U (vectorul unitar), deci cu ct variabilitatea rezidual este mai mic fa
de variabilitatea empiric total. Aceasta face ca raportul dintre variabilitatea explicat prin model i
variabilitatea total, adic 2, s fie apropiat de 1.
- estimaiile varianelor reziduurilor i ale estimatorilor:
1
132,0144
t2
10,15
T 2
15 2
Var a
Var b 2
10,15
0,0027; a 0,0027 0,052
3753,733
1 (24,133) 2
2,25
15 3753,733
10,15
2,25 1,5
Variabilele aleatoare
a a
a
Alegnd un nivel de semnificaie =0,05, putem extrage din tabelele repartiiei (astfel de tabele se gsesc n
majoritatea crilor de econometrie, sau de statistic matematic) valoarea t tab corespunztoare numrului de
grade de libertate i nivelului de semnificaie ales. n cazul nostru, pentru T-2=13 grade de libertate i
=5%, gsim ttab=2,16. Intervalele de ncredere vor fi:
a a t a ; a t a [1,28-(2,16)(0,052) ; 1,28+(2,16)(0,052)]=
= [1,17 ; 1,39]
probabilitate de 95%.
Stabilim acum un interval de ncredere pentru estimatorul varianei erorilor. Am vzut c variabila aleatoare
1
2 t2 urmeaz o lege de repartiie hi-ptrat cu (T-2) grade de libertate. n tabelele legii
T 2 2
hi-ptrat vom gsi, pentru un nivel de semnificaie dat, dou valori: v1 avnd probabilitatea (1-/2) de a fi
depit, respectiv v2 avnd probabilitatea (/2) de a fi depit, astfel c
2
Pr ob v1 (T 2) 2 v 2 1
(T 2) 2 (T 2) 2
;
v2
v1
pentru =0,05 i 13 grade de libertate extragem din tabel v1=5,01 i v2=24,7 rezultnd intervalul:
- testm dac parametrii a i b ai modelului sunt semnificativ diferii de zero la pragul de semnificaie
=0,05.
Variabilele aleatoare
a
b
i
urmeaz legi de probabilitate Student cu (T-2) grade de libertate. Aceste
a
b
rapoarte se numesc i raportul t Student empiric (t calculat). Se accept ipoteza H0: (a=0) dac tcalculat (luat n
modul) este mai mic dect ttabelat , altfel se accept ipoteza contrar H1:(a 0). Acest lucru se poate scrie:
29
a 0
t tab . Este exact acelai lucru cu a spune c 0 s aparin intervalului de ncredere determinat
a
pentru a. Cum
0 [1,17 ; 1,39], acceptm ipoteza H :(a 0). La fel stau lucrurile i pentru b. Prin
1
urmare, a i b sunt semnificativ diferii de zero la pragul de semnificaie de 5%. Se spune c variabila
explicativ (exogen) X (vrsta utilajului) este contributiv.
- ne propunem acum s determinm o previziune a cheltuielilor de ntreinere i reparaii pentru un utilaj
p
de 4 ani (48 de luni). Notm cu y cheltuielile de ntreinere i reparaii pentru un utilaj cu vrsta x .
e p yP y , este o variabil aleatoare distribuit normal, cu media zero i variana estimat a erorii de
previziune:
x x
1
1 (48 24,133) 2
2 2 1
10
,
15
1
12,366
T xt x 2
15
3753,733
2 12,366 3,5164
yP y
este distribuit Student cu (T-2) grade de libertate, putem
30
CAPITOLUL III
REGRESIA MULTIPL
De multe ori, studiul unui fenomen economic necesit introducerea mai multor variabile
explicative. O variabil endogen se exprim, deci, n funcie de mai multe variabile exogene. Metodele de
regresie utilizate sunt n acest caz generalizri ale celor din capitolul anterior.
3.1. Modelul liniar al regresiei multiple
Considerm acum modelul:
(1) y t a1 x1t a 2 x 2 t ... a p x pt t , t=1, 2, ...,T
n care: Y reprezint o variabil endogen;
X1, X2 ,..., Xp sunt variabile exogene;
a1, a2 ,..., ap sunt parametri necunoscui care trebuie estimai.
Modelul nu conine o constant deoarece variabila Xp poate fi considerat astfel ca xpt=1,
t 1,2,..., T (se numete variabil auxiliar).
Folosind notaiile:
y1
x11
y2
.
x12
Y
, X ...
.
x
.
1T
y
T
x 21
...
x 22
...
...
...
x 2T
...
x p1
a1
x p2
a2
, a
...
...
a
x pT
p
1
2
.
,
.
.
T
x
i 1
it
0 , t=1, 2, ...,T.
31
astfel nct
Matricea X de format (Txp) are n acest caz rangul p (T>p) i matricea (XX), unde
X este transpusa lui X, este nesingular, deci exist inversa ei (XX)-1.
b.
1
X ' X tinde ctre o matrice finit, nesingular.
T
U t2 .
t 1
T .
(L)
Y H
Xp
X2
X1
a1
a2
Vectorul Xa X 1 , X 2 ,..., X p
aparine subspaiului (L) generat de vectorii X1, X2,...,Xp.
...
a
p
Cantitatea U t2
(L). Aceast condiie se traduce prin egalitatea cu zero a produselor scalare dintre vectorul Y Xa i
orice vector din subspaul (L),deci i X1,X2,...,Xp:
32
Y a1 X 1 a 2 X 2 ... a p X p , X 1 0
Y a1 X 1 a 2 X 2 ... a p X p , X 2 0
...............
Y a1 X 1 a 2 X 2 ... a p X p , X p 0
x
x
yt
2 t yt
...
x pt yt
1t
x
x x
x x
x
2
1t
1t
...
...
...
...
2t
2
2t
2 t 1t
...
x pt x1t
...
x pt x2t
x
x
x pt
2 t x pt
...
2
x pt
1t
a1
a2
.
...
a
p
Sau,
cu
notaiile
matriciale introduse:
XY=(XX)a , de unde rezult:
(3) a X ' X 1 X ' Y
1
1
a X ' X X ' Y X ' X X ' Xa
X'X
aX'X
X '
E a a X ' X
X ' E .
Prin definiie:
a E a a a a ' .
Din (4) rezult: a a X ' X 1 X ' i ( a a ) ' X X ' X 1 pentru c
X ' X 1
este o
a X ' X
X ' 2 X X ' X
2 X ' X
33
este estimator
Se poate arta c dac ipoteza a) din I 3 rmne valabil cnd T , atunci a
convergent ctre a.
Propoziie. Estimatorul a X ' X 1 X ' Y este cel mai bun estimator liniar nedeplasat al lui a.
Pentru a arta aceast proprietate vom construi un estimator liniar pentru a care s aib variana
minim i el va fi identic cu cel obinut prin MCMMP. Fie a* un estimator liniar al lui a, adic a*=MY,
unde M este o matrice cu coeficieni constani de format (pxT). Estimatorul a* este nedeplasat dac:
Ea* MEY ME Xa a
adic
Ea* MX Ea ME MX a
pentru c E 0 .
a* E a * a a * a '
Dar,
a* MY M Xa MX a M a M ,
deci
a * a M ,
a* E M ' M ' ME ' M ' 2 MM ' . Pentru ca a* s fie de varian minim, trebuie
ca urma matricei (MM) s fie minim, sub restricia (MX)=I. Urma unei matrici este, prin definiie, suma
elementelor de pe diagonala principal. Notm Ur(X) urma matricei X. Ur este un operator liniar
(demonstrai!). Rezolvnd problema de extremum condiionat:
MinUr MM '
s.r.MX I
34
1
t2
Tp
Y Xa ;
Avem c:
Y Xa ;
Y Y Xa Xa ;
X a a .
Dar: a a X ' X 1 X ' i X X ' X 1 X '
1
I X X ' X X ' .
Notm: I X X ' X
X'.
Am
2
t
obinut
Evalum
acum
2
t
care
sub
form
matriceal
este:
E E .
2
t
2
i
ii
i j
ij
ns, E i j 0 conform I2 i E
Artm c Ur T p .
Ur Ur I X X ' X
Ur I T
Ur X X ' X
E
2
t
2
i
ii
X ' Ur I Ur X X ' X
ii
X'
2Ur .
operatorului Ur.)
n final rezult:
T p
2
t
1
E t2 E
t2 ,
Tp
T
astfel
1
t2 este estimator nedeplasat al lui 2 .
Tp
T este numrul de observaii, p este numrul de parametri de estimat i relaia gsit o
35
(**)
i dat, avem c:
. Pentru un estimator a
a i ai
urmeaz o lege normal redus N(0,1);
ai
T p 2 t2
2
a i ai
urmeaz o lege Student cu (T-p) grade de libertate.
ai
(***)
Legea Student este utilizat n mod curent pentru a aprecia validitatea estimatorului unui
coeficient ai. De exemplu, dac se testeaz ipoteza (H0:ai=0) contra ipotezei (H1:ai 0), pentru a accepta
H1 trebuie ca
a i
t , unde
2
ai
Observaie:
Pentru T>30 i =0,05, t
2 . Deci, dac
a i
2 se accept H1, adic ipoteza c variabila
ai
a i ai0
i se compar cu
ai
1 ,..., a
p :
Considerm acum toi estimatorii a
1
(*) variabila aleatoare a a ' a a a este distribuit 2 cu p grade de libertate;
1
a a a1 a a urmeaz o lege Fisher-Snedecor cu p i (T-p)
p
grade de libertate.
36
t
2
ai t a i ai ai t
2
a i ai
t
2
ai
a i ai t ai a i ai t
2
q , avem ecuaia
F1=F(,q,T-p), unde:
F1
1
a q aq ' a1q a q aq .
q
extras din
:
q extras din vectorul a
i
cu a
aq
a
( 0)
Dac dorim s testm, la pragul de semnificaie , ipoteza (H0:aq= a q ) contra ipotezei (H1:aq
a q( 0 ) ), atunci dac:
1
1 a a ( 0 ) F , q, T p
a q a q( 0 ) '
aq
q
q
q
se accept ipoteza H0 ( F , q, T p se extrage din tabelele distribuiei Fisher-Snedecor).
Observaie:
Se observ c valoarea tabelat F depinde de , q, T p i nu de , q, T q . Rezult c
2q
2
qF
expresia
face s apar la numitor T p 2 distribuit 2 cu (T-p) grade de libertate.
T p 2T p
37
Dac presupunem cunoscute la un moment valorile (x1, x2,..., xp) atunci previziunea variabilei
endogene va fi:
yp a1 x1 a 2 x 2 ... a p x p .
Eroarea de previziune va fi variabila aleatoare:
Y p Y a1 a1 x1 ... a p a p x p .
E Yp Y 0 ,
iar variana erorii de previziune este:
Var Y p Y E Y p Y
E a a x
p
i 1
2
i
2 a i ai a j a j xi x j 2
i j
i i sunt necorelate ( a
i nu depind dect de t ), t=1,2,...,T i T<.
deoarece a
Deducem c:
i 1
i j
E Yp Y X ' a X 2 , adic:
2
'
unde: X x1 , x 2 ,..., x p .
Observaie:
Variabilit atea
valorilor ajustate
Variabilit atea
rezidual
t
t
y
y
2
2
2
t
2
t
T a a urmeaz o
rezidual este acelai i pentru valorile (Y,X) i pentru valorile centrate fa de medie Y Y , X X .
Cu alte cuvinte, dac efectum regresia pe ecuaia general, cu variabilele necentrate sau o efectum cu
Y Y ' Y Y , dar Y Y X X a .
Y Y ' Y Y
a X X ' X X X X ' Y Y i coeficientul devine:
a ' X X ' Y Y
R
Y Y ' Y Y .
R2
Coeficientul
mascheaz uneori influena variabilelor exogene luate separat asupra variabilei endogene i nu poate s se
substituie studiului estimatorilor coeficienilor modelului. Ptratul coeficientului de corelaie multipl nu
ine cont nici de numrul de observaii (T) i nici de numrul variabilelor explicative (p). Ori, se poate
foarte bine ca, avnd aceleai observaii asupra variabilei endogene s considerm dou modele distincte, n
al doilea fcnd s apar un numr de variabile explicative noi. n aceast a doua regresie coeficientul de
corelaie multipl nu poate dect s creasc (pentru c variabilitatea explicat prin regresie crete).
O definire mai precis a lui
2
R 1
R
T 1
1 R2 .
Tp
1.
2.
3.
4.
2
poate lua i valori negative, dac R
39
p 1
.
T 1
Analiza varianei
Atunci cnd studiem rolul jucat de exogene asupra evoluiei endogenei, ne putem ntreba care este
partea de variabilitate explicat de una sau mai multe variabile exogene.
Relum modelul iniial:
(1) y t a1 x1t a 2 x 2 t ... a p x pt t , t=1, 2, ...,T
i considerm q variabile printre cele p, pe care le indexm de la 1 la q:
(2) y t a1 x1t a 2 x 2 t ... a q x qt t .
Variabilitatea ne-explicat de cele q exogene n modelul (1) este variabilitatea rezidual asociat
modelului (2).
Fie:
2
a1 x1t a 2 x 2 t ... a q x qt
y
t
2
a1 x1t a 2 x 2t ... a p x pt
Variabilitatea explicat de cele (p-q) exogene din modelul (1) atunci cnd a1,...,aq sunt estimai cu
modelul (2) este atunci:
(L)
tim c 0 A
0H
H
p
Hq
HA
Xp
Xq
X1
Suma ptratelor
40
Numrul gradelor
Media ptratelor
de libertate
p
asociate
Y ' Y
T-p
p
'
Tp
Y 'Y
p-q
2. : mulimea reziduurilor
3. Y: variabil endogen
4. (p-q) variabile exogene dintre cele p
Y 'Y
T
'
pq
AH q 0 Hq i H p H q 0 Hq , iar
este chiar H p H q .
x11
x1 2
y1
y2
...
,X2
,
...
x
x
2T
1T
, X1
y
T
x 21
x 22
...
1
2
...
adic: Y Xa , unde:
x11
X ...
x
1T
t
1
2
3
4
5
6
7
8
9
x 21
...
x 2T
1
a1
... , a a 2
a
1
3
yt
100
106
107
120
111
116
123
133
137
x1t
100
104
106
111
111
115
120
124
126
41
x2t
100
99
110
126
113
103
102
103
98
S observm c numrul de observaii (T=9) este mic, din raiuni de simplificare a calculelor.
Vom estima modelul, presupunnd c sunt ndeplinite ipotezele principale ale modelului liniar
general de regresie:
2
- ipoteze stochastice: E ( ) 0, E ( . ) I , (homoscedasticitate), adic: E ( t . s ) 0 ,
dac
ts
2
2
i E ( t ) , t.
- ipoteze structurale: dac numrul de variabile exogene veritabile este k, atunci p=k+1 este
numrul parametrilor de estimat. Trebuie ca rangul matricii X s fie egal cu p (p<T), iar matricea
X X ,
unde
Z Y Y , U 1 X 1 X 1 , U 2 X 2 X 2 , ,
unde: Y
1
1
1
y t , X 1 x1t , X 2
T t
T t
T
2t
1
t ,
T t
modelul se scrie:
y1 y
y2 y
a1
... , b , ...
a2
x 2T X 2
T
x11 X 1
x 21 X 2
,U
...
...
x1T X 1
y y
T
Deoarece Y
X2
1
T
x
t
1
T
2t
y
t
1
1
1053 117 , X 1
9
T
1t
1
1017 113,
9
1
954 106 , valorile centrate ale variabilelor sunt:
9
Z Y Y
U1 X 1 X 1
U2 X 2 X 2
1
2
3
4
5
6
7
8
9
-17
-11
-10
+3
-6
-1
+6
+16
+20
-13
-9
-7
-2
-2
+2
+7
+11
+13
-6
-7
+4
+20
+7
-3
-4
-3
-8
1
U U 1U Z , avem nevoie de matricile:
Pentru a calcula estimatorul b
a2
a
42
u
U U 11
u 21
u11
... u1T
...
... u 2T
u1T
u
U Z 11
u 21
z1
... u1T
...
... u 2T
z
T
U U 1
650
112
112
u 21
...
u 2T
u
u
u
u u
u u
u
2
1t
1t
1t
2t
2t
2
2t
650
112
112
648
zt
872
72
2t z t
1t
648
648
408656
112
408656
648
1
b 1 U U U Z 408656
112
a 2
408656
112
408656
650
408656
112
408656
650
408656
872 1,3629
72
0
,
1244
estimat
este:
Cutm acum un estimator nedeplasat pentru variana reziduurilor. Am vzut c acest estimator este dat de
2
relaia:
1
t2 . Dar,
Tp
Y Y Y Y Y Y Z Z Z Ub , iar
2
t
Z Ub
Z Z z t2 1248 i b U Z 1,3629
2
t
872
72
Z Ub Z Z bU Z . Avem c: U Z
872
1179 ,5704
72
0,1244
Tp
93
este: U U
Matricea de varian i covarian a vectorului b
b
2
nlocuind pe cu . Avem c:
2
43
2 U U 1
112
408656
648
(11,4049) 408656
112
408656
R2
y y z 1248
Variabilitatea rezidual = 68,4296
2
Variabilitatea total =
2
t
2
t
R2
1179,5704
0,9451 .
1248
Tabelul de analiz a varianei (variabile centrate):
Sursa variabilitii
Suma ptratelor
corespunztoare acestei surse
1248
Numrul gradelor
de libertate
T-1=8
1179,5704
k=2
68,4296
T-k-1=6
2
t
2
t
2
t
44
Media ptratelor
asociate
1
z t2
T 1
1
zt2
k
1
t2
T k 1
CAPITOLUL IV
STUDIUL MODELULUI LINIAR CND IPOTEZELE CLASICE ASUPRA ERORILOR
NU MAI SUNT REALIZATE
4.1. Ipoteza de independen a erorilor
S-a studiat anterior modelul liniar de regresie sub ipoteza c erorile sunt independente. n cazul n
care erorile t sunt corelate, matricea de varian i covarian a erorilor nu se mai reduce la I , iar
2
a MY MXa M a M
Matricea de varian i covarian a estimatorilor (innd cont c a a M ) este:
a E (a a ) (a a ) E M ( M ) E M M ME ( ) M M M
Punnd condiia ca a s fie minimal, sub restricia MX=I i rezolvnd aceast problem de extremum
X 1
a MY X 1 X
a X 1 X
X 1Y
astfel obinut este un estimator liniar, nedeplasat i de dispersie minim. El a fost obinut
Estimatorul a
prin MCMMP generalizat. Se observ imediat c dac erorile sunt independente, adic I , atunci
2
1
a X X X Y , adic regsim estimatorul obinut prin MCMMP obinuit.
45
Corelarea erorilor t poate mbrca diverse forme. Cel mai frecvent se studiaz cazul cnd
t t t 1
Deoarece, prin ipoteze, erorile t sunt independente, se poate aplica MCMMP obinuit ecuaiei
Dar, cum parametrul nu este cunoscut, pentru estimarea parametrilor unei ecuaii de regresie
atunci cnd erorile sunt corelate (sub forma unui proces autoregresiv de ordinul I, t t 1 t ,
staionar, adic media E t i dispersia Var t sunt independente de timp, iar 1 ) se pot aplica
urmtoarele metode:
Metoda I:
1.
t t 1 t , obinnd .
46
3.
pentru parametrul a.
obine estimatorul a
nu prezint garanii c are proprietile dorite.
Evident, pentru eantioane mici, estimatorul a
Metoda II:
Ecuaia (3) de mai nainte se poate scrie i sub forma:
(5)
0 .
estimaie a parametrilor a
2.
nlocuim a 0 a1 , a 2 ,..., a p
0
Se opresc iteraiile dac valorile gsite n dou iteraii succesive nu difer dect printr-
i , i=1,2,... converg).
un numr orict de mic dorit (se spune c estimatorii a
Metoda III (baleiaj):
Presupunem c 0 , ia succesiv valorile:
0;0,01;0,02;...;1 .
Aplicm MCMMP obinuit ecuaiei (3) pentru fiecare valoare a lui i calculm reziduurile t .
Se reine valoarea lui care d cea mai mic sum a ptratelor erorilor
2
t
, creia i corespund
2 ,..., a
p ai parametrilor.
estimatorii a1 , a
***
Exist i alte proceduri de estimare a parametrilor n cazul cnd erorile sunt corelate.
4.1.1. Testarea ipotezei de independen a erorilor
Atunci cnd ipotezele fundamentale ale modelului liniar al regresiei nu sunt ndeplinite
proprietile estimatorilor parametrilor sufer. Astfel, sub ipoteza I 2 referitoare la distribuia erorilor i la
independena lor, estimatorii obinui sunt nedeplasai i au variana minimal. Dac erorile sunt corelate,
estimatorii rmn, n general, nedeplasai, dar matricea de varian i covarian a acestora nu mai este
2 I . Pentru a ne asigura de independena erorilor trebuie s efectum teste. Este vorba despre testul lui
Durbin i Watson.
47
y t axt t
unde: a a1 , a 2 ,..., a p
i x
x1t
x2 t
...
x
pt
t yt y t a a xt t .
Se consider variabila aleatoare, notat d , numit i statistica Durbin-Watson definit prin
ecuaia:
T
t 2
t 1
t 1
2
t
i au artat c oricare ar fi irul de exogene considerate, curbele reprezentative ale lui f d oscileaz ntre
variabile exogene veritabile ce figureaz n model (m) i de irul erorilor t . Cele dou curbe limit
(reprezentate grafic n figur) sunt atinse pentru anumite iruri de exogene xt i sunt simetrice n raport cu
axa de abscis 2.
48
f d
d1 d2
d1
d2
Scopul este de a ti dac erorile modelului sunt autocorelate. Cel mai frecvent se caut testarea
legturii erorilor printr-o relaie de forma t t 1 t . Se spune c erorile urmeaz un proces
autoregresiv de ordinul nti.
Vrem s testm ipoteza I0: 0 (absena autocorelaiei erorilor), contra ipotezei I 1: 0
(erorile t sunt autocorelate).
La un nivel de semnificaie dat, Durbin i Watson au determinat dou valori, d1 i d2, n funcie
de numrul de observaii (T) i de numrul de exogene veritabile (m) corespunztoare fiecreia din curbele
limit.
Se calculeaz statistica d cu relaia dat i se observ c:
1.
2.
dac
t t 1 t ;
3.
n tabelul urmtor sunt date cteva valori uzuale pentru d1 i d2 n funcie de T i m, pentru nivelul
de semnificaie =0,05:
Tabela D-W
T
m=1
d1
d2
m=2
d1
d2
m=3
d1
49
d2
m=4
d1
d2
m=5
d1
d2
15
20
30
50
100
1,08
1,20
1,35
1,50
1,65
1,36
1,41
1,49
1,59
1,69
0,96
1,10
1,28
1,46
1,63
1,54
1,54
1,57
1,63
1,72
0,82
1,00
1,21
1,42
1,61
1,75
1,68
1,65
1,67
1,74
0,69
0,90
1,14
1,38
1,59
1,97
1,83
1,74
1,72
1,76
0,56
0,79
1,07
1,34
1,57
2,21
1,99
1,83
1,77
1,78
Observaii:
1. n loc s testm 0 contra 0 , se poate testa I 0: 0 , contra I1: 0 . Se obin
dou valori d1' i d 2' simetrice n raport cu 2 i se constat c:
a. dac d d1 sau d d 2' , atunci se accept I1;
b. dac d 2 d d 2 sau d1' d d 2' , atunci exist ndoieli c erorile sunt corelate;
c. dac d 2 d d1' , atunci se accept I0.
2. Dac modelul studiat nu conine constanta, trebuie s determinm d ca i cnd modelul ar
conine o constant.
3. Statistica Durbin-Watson aplicat pe un model care conine variabile endogene retardate este
deplasat ctre 2, ceea ce nseamn c erorile sunt mai puin corelate ntr-un proces autoregresiv, dect ntrun proces ordinar.
1
2
3
4
5
6
7
8
662,3
669,4
912,7
935,2
1027,2
1145,0
1193,7
1224,1
9
10
11
12
13
14
15
1281,7
1426,3
1376,2
1327,8
1420,6
1933,9
2023,4
Pe aceast serie cronologic, utiliznd modelul yt a t b t ,s-a aplicat MCMMP,
obinndu-se estimatorii:
81,8657 ; b 582,404
a
reziduurilor t y t y t :
t
50
t
y
664,2
746,1
828,0
909,8
991,7
1073,6
1155,5
9
1319,2
10
1401,0
11
1482,9
12
1564,6
13
1646,6
14
1728,5
15
1810,4
t
y
1237,3
1
-1,93
2
-76,79
3
+84,79
4
+25,35
5
+35,49
6
+71,44
7
+38,30
9
-37,54
10
+25,25
11
-106,64
12
-237,01
13
-226,00
14
+205,42
15
+213,03
t 1
t 1
t 1
2
t
265867,35
1,156 .
tabel, la: d
229991,79
Durbin i Watson au artat c pentru un proces staionar (primele dou momente ale variabilei
aleatoare t independente de timp), valoarea calculat a statisticii d este cuprins ntre 0 i 4, cu absena
corelaiei n vecintatea lui 2. ntre aceste valori limit, tabela D-W furnizeaz, la pragul de seminificaie ,
diferite intervale de valori d corespunztoare prezenei autocorelaiei pozitive sau negative, absenei
autocorelaiei i situaiilor de indecizie, astfel:
1.
2.
3.
4.
5.
n exemplul nostru, numrul de exogene veritabile n model este (m=1) i dispunem de T=15
observaii.
Tabela D-W furnizeaz valorile d1=1,08 i d2=1,36 la pragul de semnificaie =0,05.
Deoarece d1 1,08 d 1,156 d 2 1,36 , suntem ntr-o situaie de indecizie, nu putem s
spunem c erorile t sunt corelate.
51
8
-13,25
Investiii n agricultur
t
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
yt
85,2
90,2
96,6
112,0
124,5
120,8
131,5
146,2
140,8
160,0
188,3
220,0
214,6
190,9
243,0
303,3
351,5
386,2
x1t
563,8
594,7
635,7
688,1
753,0
796,3
868,5
935,5
982,4
1063,4
1171,1
1306,6
1412,9
1528,8
1702,2
1899,5
2127,6
2368,5
x2t
90,6
91,7
92,9
94,5
97,2
100,0
104,2
109,8
116,3
121,3
125,3
133,1
147,7
161,2
170,5
181,5
195,4
217,4
Se cere:
1.
2.
3.
Rezolvare:
-
yt a bx1t cx2t t
Aplicarea
MCMMP
conduce
la
urmtoarea
estimare
modelului:
52
(2)
yt 1 a bx1(t 1) cx2( t 1) t 1
y t a 0 y t 1 a1 x1t a 2 x1( t 1) a 3 x 2 t a 4 x 2 ( t 1) t
unde a0=a(1- ) , a1=b, a2=-b, a3=c, a4=-c i t t t 1
Efectund calculele, obinem:
y t 47,56 0,70 yt 1 0,68 x1t 0,60 x1( t 1) 3,08 x2t 2,11x2 ( t 1) Estimaia gsit
pentru coeficientul este 0,70
-
cu ajutorul estimaiei gsite, transformm variabilele modelului iniial pentru o nou regresie:
z t y t y t 1
Anul
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
30,56
33,46
44,38
46,10
33,68
46,94
54,15
38,46
61,44
76,30
88,19
60,60
40,68
109,37
133,20
139,19
140,15
200,04
219,41
243,11
271,33
269,70
311,09
327,55
327,55
375,72
426,72
486,83
498,28
539,77
632,04
707,96
797,95
879,18
u 2t x2t x2 ( t 1)
28,28
28,71
29,47
31,05
31,96
34,20
36,86
39,44
39,89
40,39
45,39
54,53
57,81
57,66
62,15
68,35
80,62
Observaie:
Pentru a evita eliminarea primei valori din irul de observaii, prin trecerea la diferene, se pot
folosi transformrile: z1 y1 1 2 ,
z t a 0 a1u1t a 2 u 2 t t , i rezult:
zt 7,19 0,24u1t 0,99u2t
53
Coeficientul de corelaie multipl este acum R 2=0,88 iar statistica Durbin-Watson d 1,54 .
Testul de independen conduce acum la concluzia c erorile sunt independente, deoarece:
4-d2=2,47> d =1,54>d2=1,53
4.2. Ipoteza de normalitate a erorilor
Unele proprieti ale estimatorilor nu depind de normalitatea erorilor. De exemplu, distribuiile
asimptotice ale estimatorilor necesit doar existena primelor dou momente (media i dispersia) ale
erorilor t i nu n mod obligatoriu ca t s urmeze o lege normal. Acest lucru nu este ns valabil pe
eantioane mici. Testarea ipotezelor i intervalele de ncredere nu mai au aceleai proprieti dac legea de
distribuie a erorilor nu este legea normal. Pentru a caracteriza deviaiile de la legea normal se utilizeaz
doi coeficieni:
a)
3
2
unde: 3 este momentul centrat de ordinul 3. Dac 1 0 , atunci seria de date este deplasat spre
dreapta fa de legea normal, iar dac 1 0 , exist o deviere spre stnga.
b) coeficientul de aplatizare, calculat prin raportul:
4
3
2
O valoare pozitiv pentru 3 indic faptul c distribuia este mai puin aplatizat dect
distribuia normal, n timp ce o valoare 3 0 caracterizeaz o distribuie mai aplatizat dect cea
normal.
Aceste deviaii afecteaz testele i intervalele de ncredere ale estimatorilor. Studiul teoretic al
acestor deviaii este complex. Pentru a obine teste i intervale de ncredere mai robuste, n practic se
procedeaz astfel:
1.
t .
2.
3.
Se elimin din seria de date observaiile corespunzatoare acestor erori foarte mari sau
se corecteaz aceste observaii astfel ca s se ajung la valori ct mai normale ale
erorilor.
54
4.
variaz n funcie de t.
n acest caz, estimatorii obinui sunt nc nedeplasai. Dar, momentele centrate de ordinul doi nemaifiind
constante se comite o eroare de calcul a ecartului-tip al estimatorilor. Se poate evalua deplasarea n
2
t
, xt
(1)
1
2t xt x 0 ;
T t
(2)
1
T
x
2
1
T
x
2
2
x .
Aceste relaiile sunt realizate atunci cnd nu exist nicio legtur sistematic ntre
i xt .
suma ptratelor erorilor s fie minim, acetia pot fi determinai din condiia ca
t2
t 2
t
s fie minim.
expresia
1
yt axt b 2 .
2
n cazul n care
yt axt b 2
xt2
y
b
t a
xt
t xt
55
s fie minim.
75,6
80,1
85,5
92,7
104,4
80,1
84,6
92,7
103,5
117,9
81
84,6
94,5
105,3
117,9
respectiv
SPE2
2
SPE1
2
este numrul de observaii, d este numrul de observaii omise (n cazul nostru d=6), k este numrul de
observaii luat n fiecare regresie separat, iar p este numrul parametrilor de estimat. n exemplul nostru T-
1
SPE 2
10
d-k-p=10. n aceste condiii, variabila aleatoare
are o distribuie Fisher cu 10 i respectiv 10
1
SPE1
10
grade de libertate (F10,10). Cu datele calculate, obinem
distribuiei
Fischer-Snedecor,
la
pragul
de
SPE 2 250,695
semnificaie
=0,05
56
gasim
Ftab=2,97.
Deoarece
prin transformarea modelului. mprind fiecare termen al ecuaiei de regresie prin xt, rezult:
yt
b
a t
xt
xt xt
sau zt a but t , unde: z t
yt
t
1
, ut
i t
.
xt
xt
xt
t
xt
1 2
.
xt2 t
Prin urmare, modelul transformat are erorile t homoscedastice, deoarece dispersia lor este
independent de timp. Efectund regresia pe modelul transformat, rezult:
z t ut T zu
b
2
2
u
T
u
a z bu
Revenind n variabilele iniiale obinem:
yt 1 1 yt
1
T t xt
xt
t
t
x x
t
1 1 1
t x T x
t
t
1 y
1 1
a t b
T t x t T t xt
y t
70,44
0,072
sau y t 0,072 xt 70,44 .
xt
xt
S remarcm faptul c panta dreptei de regresie (dup corectarea heteroscedasticitii) este mai
mic dect cea obinut naintea corectrii.
4.4. Ipoteza de independen a erorilor n raport cu varibilele exogene
57
~ i ~ valorile reale
care, cu notaiile obinuite, se scrie n forma matricial Y=Xa+. Notm cu Y
X
(necunoscute acum pentru c observaiile Y i X conin erori!) ale variabilelor din model.
~
Aceasta arat c n modelul iniial, Y=Xa+ , reziduurile sunt corelate cu X prin intermediul lui .
Presupunem acum c se cunosc alte p variabile exogene Zi, i=1,2,...,p necorelate cu , i , deci
necorelate cu .
Acest lucru nseamn c E Z i 0 , i=1,2,...,p. Considerm modelul iniial Y=Xa+ scris sub
forma:
(1) Y a1 X 1 a 2 X 2 ... a p X p ,
x p1
.
. , X 2 . ,..., X p .
.
.
.
x pT
x1T
x
2T
x11
.
unde X 1
x 21
.
nmulim, succesiv, ecuaia (1) cu Z1, Z2, ...Zp i aplicm operatorul de medie E fiecrei ecuaii. Se
obine sistemul:
58
E Z1 Y a1 E Z1 X 1 ... a p E Z1 X p
(2)
E Z 2 Y a1 E Z 2 X 1 ... a p E Z 2 X p
....
E Z Y a E Z X ... a E Z X
p
1
p 1
p
p p
a ,..., a
1
exact soluiile sistemului de ecuaii (2), n care speranele matematice sunt nlocuite cu momentele empirice
corespunztoare:
E Zi Y
1
zit yt , i=1,2,...,p
T t
E Zi X j
1
zit x jt , i,j=1,2,...,p
T t
Dac notm:
z11
Z ...
z
1T
...
...
...
x11
z p1
... i X ...
x
z pT
1T
x p1
...
...
...
matricial: Z 'Y Z ' X a , iar pentru c Z 'Y este inversabil, obinem estimatorul:
1
a Z ' X Z 'Y .
1
MCMMP obinuit: a X ' X X 'Y
2.
3.
1
metoda VI: a Z ' X Z 'Y .
X ' Y
1
Se trece de la 1. la 2. nlocuind
1
X ' prin X ' .
Se trece de la 1. la 3. nlocuind
Considerm o anchet pe bugetele de familie pentru a studia consumul dintr-un anumit produs.
Ancheta cuprinde un eantion de T familii. Facem urmtoarele notaii:
y1t: cheltuielile totale ale familiei t;
y2t: cheltuielile relative la produsul studiat;
Vt: veniturile familiei t;
i scriem ecuaiile:
(1) y1t Vt 1t
(2) y 2t aVt b 2t
Ne propunem s exprimm cheltuielile relative la produsul studiat n funcie de cheltuielile totale.
Din ecuaia (1) avem c Vt y1t 1t i nlocuind n (2), rezult:
y 2t ay1t b 2t a 1t
sau, punnd t 2t a 1t :
(3) y 2 t ay1t b t .
S observm c t este corelat cu y1t prin intermediul lui 1t.
Vom estima a i b din ecuaia (3) introducnd o variabil instrumental.
Fie VDt venitul declarat de familia t. Este evident corelaia puternic dintre variabilele VDt i Vt.
Dimpotriv, venitul declarat VDt nu este corelat cu 1t y1t Vt , care este ecartul ntre
cheltuielile totale i veniturile familiei t. Rezult c VDt nu va fi corelat cu t . Utilizm venitul declarat ca
variabil instrumental.
Pentru simplificarea calculelor, centrm variabilele din model:
y 2t ay1t b t , t=1,2,...,T
1
1
1
y 2t a y1t b t
T t
T t
T t
y 2 a y1 b
(4) y 2 t y 2 a y1t y 1 t
1t
y1 y 2t y 2
1t
y1
instrumental centrat VDt VD . nmulind ecuaia (4) cu variabila instrumental centrat i aplicnd
operatorul de medie E, rezult:
60
E VD VD 0 , iar acum
1
1
VDt VD y 2t y 2 a VDt VD y1t y 1 ,
T t
T t
de unde:
VD VD y
a
VD VD y
.
y
2t
y2
1t
61
1t
y1
BIBLIOGRAFIE
1. Andrei, T.
3. Chow, G.
4. Dobrescu, E.
5. Gheroghi, M.
6. Giraud, R. -
7. Gourieroux, C.
Monfort, A.
8. Gujarati, R.N.
9. Isaic-Maniu, Al.
Mitru, C.
Voineagu, V.
10. Malinvaud, E.
11. Onicescu, O.
Botez, M.
Creu, A.
2003
Peptan, E.
16. Tnsoiu, O.
Pecican, E.S.
Iacob, A.
17. Tnsoiu, O.
18. Tnsoiu, O.
Iacob, A.
Bucureti, 1999
19. www.asecib.ase.ro/soft.htm
62