81 Modelare Economica Econometrie 2010 1101

Unitatea de
nvare 1
Modelul economic - prezentare general
MODELARE ECONOMIC. ECONOMETRIE

INTRODUCERE
Manualul de Modelare economic. Econometrie ofer studenilor un ansamblu de cunotine
privind metodele de calcul i analiz cantitativ folosite n sistematizarea, prelucrarea, prezentarea
i interpretarea datelor care caracterizeaz fenomenele i procesele economice i sociale. De
asemenea, asigur nsuirea cunotinelor de baz n domeniul metodologiei de calcul econometric,
din sfera testrii ipotezelor emise n teoriile economice i din domeniul prognozei economice.
Alturi de disciplinele care realizeaz pregtirea teoretico-economic de baz, modelarea
economic furnizeaz o gam de metode de analiz, testare i prognoz la care apeleaz o serie de
discipline de specialitate.
Cursul este structurat n dou pri. n prima parte sunt prezentate noiunile de baz ale metodei
modelrii (schema general a procesului de modelare, caracteristicile generale ale unui model
econometric, modele de optimizare modele de programare linear i algoritmul Simplex, modele
de gestiune a stocurilor, problema de transport, elemente de teoria firelor de ateptare). De
asemenea sunt prezentate modelele unifactoriale i multifactoriale de regresie linear. Toate
modelele economico-matematice sunt nsoite de metodele de rezolvare i sunt prezentate aplicaii
i modele de interpretare a rezultatelor.
n partea a doua a cursului sunt descrise tehnicile de baz ale analizei econometrice. Sunt
prezentate ipotezele fundamentale ale modelelor econometrice i sunt descrise principalele
proprieti ale acestor modele. n acest cadru, sunt analizate proprietile seriilor de date precum i
fenomenele de heteroscedasticitate i autocorelare a erorilor (consecine, teste, metode de
atenuare). De asemenea, sunt prezentate principalele tehnici de prognoz econometric. Exemplele
de calcul sunt din domeniul analizei economico-financiare i fiecare dintre aplicaii descrie
algoritmic rezolvarea econometric a unei clase de probleme (scrierea modelului, rezolvarea
econometric, interpretarea rezultatelor).
Cursul se adreseaz, n primul rnd, studenilor de la nvmntul la Distan din facultile cu
profil economic, dar poate fi util, de asemenea, studenilor de la orice form de nvmnt i de la
orice facultate care, n planul de nvmnt are cursuri ce prezint metode de analiz a seriilor de
date.
Pentru nvmntul la Distan de la Facultatea de tiine Economice Universitatea Nicolae
Titulescu din Bucureti, evaluarea studenilor la cursurile de Modelare economic i Econometrie se
realizeaz prin lucrri de control programate n cursul semestrului, realizarea unor proiecte i
evaluarea prin examen scris la sfritul semestrului. Notarea se face de la 10 la 1. n evaluarea
final examenul scris va avea o pondere de 80%, iar 20% reprezint activitatea din timpul
semestrului (notri, lucrri de control, referate). Examenul scris conine, de regul, un subiect
teoretic i trei subiecte practice.
Prof.univ.dr. Nicoleta JULA
Unitatea de
nvare 1
PARTEA I: MODELARE ECONOMIC

Unitatea de nvare 1: MODELUL ECONOMIC PREZENTARE
GENERAL
Cuprins:
1.1. Consideraii generale
1.1.1. Schema general a procesului de modelare economicomatematic
1.1.2. Modelul economic
Elementele unui model econometric
Datele utilizate
nsuirea noiunii de model economic

Schema general a procesului de modelare economicomatematic
Tipurile de date utilizate ntr-un model economic
Unitatea de
nvare 1
1.1. Consideraii generale
Timp necesar: 195 minute

Dup parcurgerea unitii
vei fi n msur s
rspundei la ntrebrile:
Care este schema
general a
procesului de
modelare
economicomatematic?
Ce este un model
econometric?
Care sunt elementele
unui model
econometric?
n accepiunea comun, modelul reprezint o

norm, un ideal spre care se tinde datorit calitilor,
chiar perfeciunii sale. Un model tiinific este o
construcie, de obicei teoretic, n anumite privine
simplificat, care i propune s faciliteze nelegerea
unei realiti complexe prin intermediul unei imagini
apropiate, ct mai fidele. Dou idei sunt eseniale n
aceast abordare a conceptului de model: n primul
rnd, ideea de reprezentare simplificat a realitii i,
n al doilea rnd, cea de asemnare structural,
funcional, comportamental ntre model i realitate1.
n interpretarea lui Malinvaud "un model
const n reprezentarea formal a ideilor i
cunotinelor relative la un anumit fenomen. Aceste
idei, numite deseori teoria fenomenului, se exprim
printr-un ansamblu de ipoteze asupra elementelor
eseniale ale fenomenului i a legilor care le
guverneaz. Acestea sunt n general traduse sub forma
unui sistem matematic numit model. Logica modelului
ne permite s explorm consecinele naturale ale
ipotezelor reinute, s le confruntm cu rezultatele
experimentale i s ajungem pe aceast cale la o
cunoatere mai bun a realitii i s acionm mai
eficace asupra sa." (Malinvaud E., 1964)2.
Exist, n literatura de specialitate, mai multe tipologii ale modelelor economice. Clasificarea
unor elemente const n plasarea acestora, n funcie de caracteristicile proprii, ntr-o anumit grup
(clas). Aceste clase trebuie s respecte cel puin dou condiii eseniale3:
a) s fie omogene, adic elementele care prezint caracteristici similare trebuie s aparin
aceleiai clase;
b) s fie relativ bine separate, adic elementele ne-similare trebuie s fac parte din clase diferite.
Cu alte cuvinte, elementele dintr-o clas trebuie s fie asemntoare (similare) ntre ele i s
disting de elementele care aparin altor clase.
n literatura de specialitate din Romnia, una dintre cele mai interesante clasificri este
prezentat de Acad. Emilian Dobrescu4. n orice clasificare, esenial este noiunea de criteriu.
Aceasta deoarece un criteriu adecvat, aplicat asupra elementelor unei mulimi induce n mulimea
respectiv o relaie de ordine. n lucrarea menionat, Acad. Emilian Dobrescu reine urmtoarele
criterii de clasificare a modelelor economice: natura elementelor componente, caracterul
interdependenelor dintre variabile, nivelul de agregare a entitilor, scopul elaborrii modelelor
economice, comportamentul temporal. Rezult clasificarea prezentat n tabelul 1-1.
Jula D., 2003, Introducere n econometrie, Editura Professional Consulting, Bucureti, pag.7.
Citat n Dobrescu E., 2002, Tranziia n Romnia: abordri econometrice, Editura Economic, Bucureti, pag. 33.
3
Jula D., Jula N., 1999, Economie sectorial, Editura Didactic i Pedagogic, Bucureti, pag. 18-21.
4
Dobrescu E., 2002, Tranziia n Romnia: abordri econometrice, Editura Economic, Bucureti, pag. 24.
2
00:00
Unitatea de
nvare 1
Tabelul 11: Tipologia modelelor economice

Criteriul de clasificare
Categoriile de modele
1. Natura elementelor componente
1.a) logice
00:08
1.b) calitativ-analitice (teoretice),

1.c) numerice
2. Caracterul interdependenelor dintre
variabile
2.1.a) lineare
2.1.b) nelineare
2.2.a) deterministe
2.2.b) probabiliste
3. Nivelul de agregare a entitilor
3.a) cu dezagregare maxim

3.b) cu agregare intermediar
3.c) cu agregare naional maxim
3.d) cu agregare internaional
4. Scopul modelrii
4.a) descriptiv-explicative
4.b) explorative
4.c) normative
5. Comportamentul temporal
5.a) strict statice

5.b) cvasistaionare
5.c) dinamice
Sursa: Dobrescu E., 2002, Tranziia n Romnia: abordri econometrice, Editura Economic,
Bucureti, Capitolul I: Repere metodologice, pag. 24, Schema 1.I.2: Tipologia modelelor economice.
Definiiile pentru conceptele propuse n tabelul 1-1 pornesc, n general de la urmtoarele elemente.
1. Natura elementelor componente
1.a Modelele logice. Un exemplu de acest gen este reprezentat de modelul concurenei pure i
perfecte.
1.b Modelele calitativ-analitice (teoretice). Exemplu: funcia monetarist a cererii de bani
Md = f(Y, P, rB, rE, rD)
n care Md este cererea monetar, Y output-ul, P nivelul preurilor, iar urmtoarele trei
simboluri reprezint randamentele altor forme de active n care banii pot fi plasai (bonuri de
tezaur), aciuni, bunuri durabile). n model variabilele implicate nu apar cu valori numerice,
dar pot fi calculate cu ajutorul statisticilor accesibile.
00:18
Unitatea de
nvare 1
1.c Modelele numerice. Modele de acest tip sunt, de exemplu, cele care estimeaz legtura
dintre omaj i rata inflaiei (curba Phillips) pe baza datelor nregistrate ntr-un interval
corespunztor de timp, sau ntre venitul gospodriilor i consum etc.
2. Caracterul interdependenelor dintre variabile
2.1. a Modelele lineare: legtura dintre variabilele analizate este linear. Linearitatea se refer
la forma legturii dintre variabile, nu la modul de exprimare a variabilelor respective
2.1. b Modelele nelineare n care legtura dintre variabilele analizate are forme mai complicate,
nelineare.
2.2.a Modelele deterministe.
2.2.b Modelele probabiliste. Astfel de modele sunt utilizate, de exemplu, pentru studiul pieelor
financiare.
3. Nivelul de agregare a entitilor
3.a Modelele cu dezagregare maxim. De exemplu, toi agenii economici sunt analizai, prin
funcii de comportament, ecuaii de echilibru, de stare i/sau de dinamic specifice.
3.b Modelele cu agregare intermediar. Economia poate fi structurat, de exemplu, instituional
(pornind de la sectoarele instituionale din Sistemul Contabilitii Naionale), pe ramuri (aa
ca n tabelele input-output), sau regional.
00:28
3.c Modelele cu agregare naional maxim. Un exemplu de astfel de model este reprezentat de
funcia de consum keynesian: Ct = C0 + cYd,t, unde:
Ct consumul agregat la momentul t;
Yd venitul disponibil al gospodriilor la momentul t;
C0 partea stabil a consumului, relativ autonom n raport cu venitul (ex. autoconsumul);
c nclinaia marginal spre consum, 0 < c < 1.
3.d Modelele cu agregare internaional analizeaz diferite zone geografice (de exemplu, zona
Mrii Negre, zona Balcanilor), grupri de ri (ex. ri dezvoltate, ri n dezvoltare,), uniuni
interstatale (ex. Uniunea European), grupri sectoriale (ex. ri exportatoare de petrol
OPEC) sau abordeaz economia mondial n ansamblu.
4. Scopul modelrii
4.a Modele descriptiv-explicative. Modelul explicativ ajut la nelegerea legturilor eseniale
dintre fenomenele studiate5. Un exemplu n acest sens este modelul input-output.
4.b Modelele explorative sau de simulare faciliteaz studierea reaciilor economiei fa de
modificarea unei variabile.
00:48
4.c Modelele normative. De exemplu, prin astfel de modele pot fi urmrite obiective de tipul:
respectarea unor restricii ecologice, restricii privind condiiile de munc, atingerea unor
condiii de performan calitate, fiabilitate etc.6
5. Comportamentul temporal:
5.a Modelele strict statice sunt folosite pentru reprezentarea unor fenomene sau procese
economice la un moment dat. Exemplu: modelul input-output.
5.b Modelele cvasistaionare.
5
6
00:58
Jula D., 2003, Introducere n econometrie, Editura Professional Consulting, Bucureti, pag.7.
Nicolae V., Constantin D.-L., Grdinaru I., 1998, Previziune i orientare economic, Editura Economic, Bucureti, pag. 174-175.
5
Unitatea de
nvare 1
5.c Modelele dinamice ilustreaz evoluia n timp a diferitelor procese economice.

1.1.1. Schema general a procesului de modelare economico-matematic
Modelarea matematic reprezint cea mai utilizat aplicaie n domeniul elaborrii modelelor
economice. Procesul de construcie a unui model economico-matematic presupune parcurgerea mai
multor etape7.
01:05
ntr-o prim etap, prin analiza unui obiect din realitatea economic (un proces, un fenomen
etc.) se identific o mulime finit de proprieti ale acestuia. Proprietile reinute ca fiind
semnificative reprezint teoria economic (modelul economic) elaborat pentru obiectul respectiv
din realitate.
n a doua etap, se caut o teorie matematic n care poate fi descris o structur a sistemului.
n etapa a treia, se realizeaz rezolvarea modelului.
n a patra etap, aceste noi proprieti (informaii) sunt transferate asupra obiectului original
Pornind de la elementele prezentate, etapele procesului de modelare sunt prezentate n sintez,
n tabelul 1-2.
01:20
Tabelul 12: Etapele procesului de modelare

(1) analiza realitii cu ajutorul instrumentelor oferite de teoria economic i identificarea unor
caracteristici semnificative;
(2) construirea modelului matematic, prin interpretarea (traducerea) propoziiilor din teoria
economic n limbajul specific teoriei matematice;
(3) rezolvarea modelului;
(4) traducerea concluziilor obinute din limbajul specific teoriei matematice n teoria economic
(interpretarea economic a rezultatelor modelului).
1.1.2. Modelul econometric

Denumirea de econometrie provine din combinarea cuvintelor greceti oikonomia economia
(de la oicos cas, gospodrie i nomos lege) i metron msur. Deci, etimologic, econometria
presupune aplicarea unor tehnici de msurare n economie.
n sens restrns, econometria este definit ca o aplicaie a statisticii matematice n economie.
n sens larg, econometria este neleas ca o tiin de grani ntre economie, matematic i
statistic. (Thomas R.L., 19978 i Ramanathan R., 19929).
7
Etapele modelrii sunt prezentate n detaliu n lucrarea Jula D., 2003, Introducere n econometrie, Editura Professional Consulting,
Bucureti, pag.7-13.
8
Thomas R.-L, 1997, Modern Econometrics: An Introduction, 2nd edition, Harlow, Longman, pag. 1-3.
9
Ramanathan R., 1992, Introductory Econometrics, Second Edition, The Dryden Press, Harcourt Brace College Publishers, Orlando,
USA, pag. 3-11.
6
01:25
Unitatea de
nvare 1
Pornind de la relaiile definite de teoria economic, econometria clasic se concentreaz asupra

urmtoarelor tipuri de analiz10:
(a) testarea i validarea teoriei economice;
(b) estimarea relaiilor dintre variabilele economice;
(c) prognoza evoluiilor i a comportamentelor economice.
Pornind de la schema general privind procesul de modelare i de la elementele prezentate,
poate fi construit o schi a procesului de modelare econometric.
Un studiu econometric presupune parcurgerea urmtoarelor etape:
(1) formularea modelului pornind de la teoria considerat adecvat pentru explicarea evoluiei
unui proces economic,
(2) realizarea unei cercetri selective pentru generarea unor serii de date referitoare la procesul
respectiv,
(3) estimarea modelului,
(4) testarea ipotezelor teoretice folosite n construirea modelului
(5) interpretarea rezultatelor.
Un asemenea proces este descris n figura 1-3.
01:50
Teoria economic,
experiena
Formularea modelului
Selectarea datelor
Estimarea modelului
Reformularea
modelului
NU
Testarea ipotezelor:
Ipotezele se verific?
DA
Interpretarea
rezultatelor
Prognoze
Decizii de politic
economic
Figura 13: Etapele unui studiu econometric11

10
11
Thomas R.-L, 1997, Modern Econometrics: An Introduction, 2nd edition, Harlow, Longman, pag. 1.
Thomas R.L, 1997, Modern Econometrics: An introduction, 2nd edition, Harlow, Longman, pag.4.
7
Unitatea de
nvare 1

Elementele unui model economico-matematic sunt variabilele, ecuaiile i parametrii modelului.
De asemenea, rezolvarea modelului presupune existena unor serii de date, care s prezinte starea
i/sau evoluia (distribuia) variabilelor din model.
02:00
Variabilele modelului
ntr-un model econometric pot fi distinse trei tipuri de variabile: variabile endogene, variabile
exogene i variabile de abatere (eroare).
Sunt endogene sau explicate acele variabile ale cror valori sunt obinute prin rezolvarea
modelului.
Sunt exogene acele variabile pentru care starea i evoluia sunt determinate de factori exteriori
sistemului a crui funcionare este studiat cu ajutorul modelului.
Variabilele de abatere (sau erorile) reprezint discrepanele ntre evoluia anticipat a unei
variabile i evoluia real a variabilei respective.
Parametrii modelului
Parametrii modelului pot fi definii ca fiind caracteristicile cantitative ale sistemului studiat.
Ecuaiile modelului
Prin ecuaiile unui model se ncearc surprinderea legturilor dintre variabilele endogene i cele
explicative. ntr-un model econometric pot aprea ecuaii de comportament, ecuaii de definiie i
ecuaii contabile (de echilibru).
02:20
Ecuaiile de comportament sunt construite pe baza unei teorii economice i descriu, n form
funcional, comportamentul unui agent economic.
Ecuaiile sau relaiile de definiie sunt utilizate pentru precizarea unor noiuni sau determinarea
unor variabile. n ecuaiile de definiie nu intervin parametri necunoscui.
Ecuaiile de echilibru sunt utilizate pentru asigurarea coerenei modelului.
Datele utilizate
Pentru estimarea parametrilor din ecuaiile modelului sunt utilizate anumite date economice
referitoare la evoluia fenomenelor analizate. Datele economice reprezint reflectri cantitative sau
calitative ale dimensiunii, strii i evoluiei proceselor i fenomenelor economice. Aceste date pot fi
descrise pornind de la mai multe criterii. Astfel, ca prezentare, datele pot fi disponibile ca serii de
timp (cronologice), de distribuie sau de tip panel.
Seriile de timp corespund unor observaii efectuate asupra strii unui fenomen economic la
intervale regulate de timp (evoluia cursului de schimb, dinamica preurilor, a consumului, a
veniturilor etc.).
Seriile de distribuie (repartiie), numite i serii n tietur transversal sau serii de date
instantanee reflect starea, structura i relaiile care exist ntre diferitele componente ale unui
sistem economic, la un moment dat. De exemplu, aceste serii reflect distribuia n spaiu a
diferitelor caracteristici ale unui fenomen omajul regional, localizarea activitilor etc., structura
unor agregate (structura sectorial a unei economii, structura ocuprii, structura pe elemente a
costului de producie .a.), sau starea unei variabile la un moment dat ntr-un anumit eantion (de
exemplu, venitul i consumul familiilor).
02:25
Unitatea de
nvare 1
Datele de tip panel combin seriile de timp i datele n structur transversal. Principalul
avantaj al analizei de tip panel const n aceea c permite o mai mare flexibilitate n modelarea
diferenelor nregistrate n comportamentele individuale.
02:35
Unitatea de
nvare 1
1.
2.
3.
4.
5.
6.
n ce const n interpretarea lui Malinvaud termenul de model?

n ce const tipologia modelelor economice?
Prezentai etapele procesului de construcie al unui model economico-matematic.
Ce este econometria?
Ce tipuri de variabile intlnim ntr-un model econometric?
Care sunt tipurile de ecuaii ce se regsesc ntr-un model?
10
Unitatea de
nvare 1
n sens restrns, econometria este definit ca o aplicaie a

statisticii matematice n economie, astfel nct prin analiza i
prelucrarea datelor economice s se ofere un suport empiric
modelelor construite de economia matematic12.
n sens larg, econometria este neleas ca o tiin de grani
ntre economie, matematic i statistic.
Un studiu econometric presupune parcurgerea urmtoarelor
etape:
(1)
formularea modelului pornind de la teoria considerat
adecvat pentru explicarea evoluiei unui proces economic,
(2)
realizarea unei cercetri selective pentru generarea unor
serii de date referitoare la procesul respectiv,
(3)
estimarea modelului,
(4)
testarea
modelului
(5)
ipotezelor
teoretice
folosite
construirea
interpretarea rezultatelor.
Parametrii modelului pot fi definii ca fiind caracteristicile

cantitative ale sistemului studiat.
Prin ecuaiile unui model se ncearc surprinderea legturilor
dintre variabilele endogene i cele explicative. ntr-un model
econometric pot aprea ecuaii de comportament, ecuaii de
definiie i ecuaii contabile (de echilibru).
Datele economice reprezint reflectri cantitative sau calitative
ale dimensiunii, strii i evoluiei proceselor i fenomenelor
economice.
12
Samuelson P.A., Koopmans T.C., Stone J.R.N., 1954, Report of the evaluative committee for Econometrica, n Econometrica, 22,
pag.141-146.
11
Unitatea de
nvare 1
Lucrri obligatorii
1. Dobrescu E., 2000, Macromodelul economiei romneti de tranziie, Editura Expert,
Bucureti
2. Jula D., 2003, Introducere n econometrie, Editura Professional Consulting, Bucureti
3. Jula N., 2004, Modelarea deciziilor financiar-monetare, Editura Bren, Bucureti
4. Jula N., 2006, Modelare economic elemente de econometrie aplicat, Editura Mustang,
Bucureti
5. Jula N., 2006, Modelare economic econometrie aplicat, Editura Cartea Studeneasc,
Bucureti
6. Jula N., Jula D., 2009, Modelare economic. Econometrie financiar, Editura Mustang,
Bucureti
7. Jula N., Jula D., 2010, Modelare economic. Modele econometrice i de optimizare, Editura
Mustang, Bucureti
8. Pecican E.S., 1996, Macroeconometrie. Politici economice guvernamentale i econometrie,
Editura Economic, Bucureti
1.
2.
3.
4.
5.
6.
Lucrri complementare
Andrei T., 2003, Statistic i econometrie, Editura Economic, Bucureti
Greene W.H., 2000, Econometric analysis, fourth edition, Prentice Hall, New Jersey
Maddala G.S., 2001, Introduction to econometrics, third edition, Wiley, New York
Tanadi A., 2001, Econometrie, Editura ASE, Bucureti
Tnsoiu O., Iacob A.I., 1999, Econometrie aplicat, Editura Arteticart, Bucureti.
Zaman C., 1998, Econometrie, Editura Pro Democraia, Bucureti
12
Unitatea de
nvare 1
1. n interpretarea lui Malinvaud "un model const n reprezentarea formal a ideilor i

cunotinelor relative la un anumit fenomen. Aceste idei, numite deseori teoria fenomenului,
se exprim printr-un ansamblu de ipoteze asupra elementelor eseniale ale fenomenului i a
legilor care le guverneaz. Acestea sunt n general traduse sub forma unui sistem matematic
numit model. Logica modelului ne permite s explorm consecinele naturale ale ipotezelor
reinute, s le confruntm cu rezultatele experimentale i s ajungem pe aceast cale la o
cunoatere mai bun a realitii i s acionm mai eficace asupra sa."
2. Vezi tablelul 1-1
3. Procesul de construcie a unui model economico-matematic presupune parcurgerea mai
multor etape.
ntr-o prim etap, prin analiza unui obiect din realitatea economic (un proces, un fenomen
etc.) se identific o mulime finit de proprieti ale acestuia. Proprietile reinute ca fiind
semnificative reprezint teoria economic (modelul economic) elaborat pentru obiectul
respectiv din realitate.
n a doua etap, se caut o teorie matematic n care poate fi descris o structur a
sistemului.
n etapa a treia, se realizeaz rezolvarea modelului.
n a patra etap, aceste noi proprieti (informaii) sunt transferate asupra obiectului
original
4. n sens restrns, econometria este definit ca o aplicaie a statisticii matematice n economie,
astfel nct prin analiza i prelucrarea datelor economice s se ofere un suport empiric
modelelor construite de economia matematic.
5. ntr-un model econometric pot fi distinse trei tipuri de variabile: variabile endogene,
variabile exogene i variabile de abatere (eroare).
6. ntr-un model econometric pot aprea ecuaii de comportament, ecuaii de definiie i ecuaii
contabile (de echilibru).
01:20
13
Unitatea de
nvare 2
Modele de optimizare - Modelul de programare linear - Algoritmul Simplex
Modele de optimizare - Modelul de programare linear. Algoritmul

Simplex
Cuprins:
Modelul de programare linear. Algoritmul Simplex
Formularea economic a problemei
Modelul matematic
Exemplu de calcul: Optimizarea utilizrii suprafeei agricole
nsuirea algoritmului Simplex

Situaii n care este folosit algoritmul Simplex
Unitatea de
nvare 2
Formularea economic a problemei

Exemplu de calcul:
suprafeei agricole

vei fi n msur s
Ce este algoritmul
Simplex?
Cum se utilizeaz
algoritmul Simplex?
Care sunt paii

algoritmului?
Gru
Optimizarea
utilizrii
Presupunem c o ferm agricol dispune de 100 ha

teren arabil pentru cultura a patru produse: gru,
porumb, cartofi, floarea soarelui. De asemenea, sunt
disponibile 4 tipuri de resurse (timp utilaj, for de
munc, dou tipuri de ngrminte). Se cunosc, pe
baza informaiilor economice din anii precedeni
disponibilul din aceste resurse i consumul specific la
un hectar cultivat, valori ce sunt prezentate n tabelul
urmtor.
Se cunoate, de asemenea, c fiecare hectar cultivat cu
un anumit produs aduce un anumit profit.
Porumb Cartofi Floarea soarelui
Disponibil
Resursa 1
400
Resursa 2
300
Resursa 3
500
Resursa 4
10
12
10
1000
Din experiena anterioar, precum i pornind de la elementele economice i tehnologice

cunoscute, se estimeaz c profiturile unitare, pentru culturile respective sunt:
Produsul
Profitul la ha (u.m.)
Gru
Porumb
Cartofi
Floarea soarelui
00:00
Unitatea de
nvare 2
Notm x1 - suprafaa cultivat cu gru, x2 - suprafaa cultivat cu porumb, x3 - suprafaa

cultivat cu cartofi, x4 - suprafaa cultivat cu floarea soarelui. n aceste condiii, restriciile privind
ncadrarea n disponibilul de resurse (inclusiv folosirea suprafeei de teren), condiiile de
nenegativitate i criteriul de optim se scriu astfel:
x1 x2 x3 x4 100
5 x 2 x 5 x 7 x 400
2
3
4
1
3 x2 4 x3 3 x4 300
3 x1 6 x2 4 x3 5 x4 500
8 x 10 x 12 x 10 x 1000
2
3
4
1
xi 0, i 1, ,4
max Z 5 x 7 x 9 x 8 x
1 2 3 4
Pentru obinerea formei standard a problemei de programare liniar, se noteaz s1,...,s5

variabilele de abatere introduse pentru a transforma n egaliti relaiile din model:
x1
+ x2
+ x3
5x1 + 2x2 + 5x3
+ x4 + s1
+ x4
= 100
+ s2
+ 4x2 + 4x3 + 4x4
= 400
+ s3
3x1 + 6x2 + 4x3 + 5x4

8x1 + 10x2 + 12x3 + 10x4
xi 0,
= 300
+ s4
= 500
+ s5 =1000
i = 1,...,4; si 0, i = 1,..., 6
Z = 5x1 + 7x2 + 9x3 + 8x4 Max
Datele din modelul de programare liniar sunt scrise n tabloul Simplex astfel:
Unitatea de
nvare 2
Tabloul Simplex: 0
cj
8 0 0 0 0 0
cb Baza VVB x1 x2 x3 x4 s1 s2 s3 s4 s5
s1
100 1
1 1 0 0 0 0 100
s2
400 5
7 0 1 0 0 0
80
s3
300 0
3 0 0 1 0 0
75
s4
500 3
5 0 0 0 1 0 125
s5
zj
cj- zj
1000 8 10 12 10 0 0 0 0 1 83.3
0 0
0 0 0 0 0 0
8 0 0 0 0 0
01:10
n tabloul precedent, n baz sunt nscrii vectorii ataai variabilelor s1, ..., s5.
Valorile variabilelor ataate vectorilor din baz sunt prezentate n coloana VVB. Pe linia cj sunt
scrise, pentru fiecare variabil, costurile din funcia obiectiv (valorile cu care contribuie la funcia
obiectiv), iar pe coloana cb sunt scrise costurile din funcia obiectiv pentru variabilele ataate
vectorilor din baz. Sunt scrise, de asemenea, pe coloan vectorii ataai fiecrei variabile.
Fiecare element de pe linia zj se calculeaz ca produs scalar al vectorului cb i vectorul xj
(respectiv sj). Elementele cj-zj se calculeaz ca diferen ntre elementele de pe liniile
corespunztoare. Elementele cj-zj sunt utilizate pentru a testa optimalitatea soluiei obinute la
fiecare iteraie. Pentru problema de maxim considerat, soluia este optim (algoritmul se oprete)
atunci cnd pe linia cj-zj nu exist valori strict pozitive.
Deoarece soluia iniial nu este optim se continu algoritmul. Se selecteaz vectorul care intr
n baz. Vectorul respectiv corespunde valorii maxime de pe linia cj-zj. n exemplul considerat,
acest vector este ataat variabilei x3. Se calculeaz, pentru elementele pozitive ale vectorului care
intr n baz, rapoartele () dintre fiecare element al din VVB i elementul corespunztor din
vectorul respectiv. Valoarea minim a acestui raport, corespunde vectorului care iese din baz. n
cazul considerat, iese din baz vectorul s3. Elementul situat la intersecia coloanei ataate vectorului
care intr n baz cu linia corespunztoare vectorului nlocuit se numete pivot. Se completeaz
urmtorul tablou Simplex innd seama de cteva reguli (vezi manual Modelare Economic.
Modele econometrice i de optimzare, Ed. Mustang, 2010).
Unitatea de
nvare 2
Tabloul Simplex: 1
cj
7 9
8 0 0
0 0 0
cb Baza VVB x1
x2 x3
x4 s1 s2
s3 s4 s5
s1
25
0.25 0 0.25 1 0 -0.25 0 0
25
s2
25
5 -1.75 0 3.25 0 1 -1.25 0 0
x3
75
s4
200
3 0
2 0 0
-1 1 0 66.7
s5
100
1 0
1 0 0
-3 0 1 12.5
zj
675
6.75 9 6.75 0 0 2.25 0 0
0.25 0 1.25 0 0 -2.25 0 0
cj- zj
01:35
0.75 1 0.75 0 0 0.25 0 0
Iteraiile urmtoare se desfoar similar. Algoritmul se oprete atunci cnd toate elementele de
pe ultima linie a tabloului Simplex sunt negative sau zero.
Tabloul Simplex: 2
cj
7 9
8 0
0 0 0
cb Baza VVB x1
x2 x3
x4 s1
s2
s3 s4 s5
s1
x1
x3
75 0 0.75 1 0.75 0 0.00 0.25 0 0 100
s4
185 0 4.05 0 0.05 0 -0.60 -0.25 1 0 45.7
s5
60 0 3.80 0 -4.20 0 -1.60 -1.00 0 1 15.8
zj
cj- zj
20 0 0.60 0 -0.40 1 -0.20 0.00 0 0 33.3

5 1 -0.35 0 0.65 0 0.20 -0.25 0 0
700 5
5 9
10 0
1 0 0
2 0
-2 0
-1
-1 0 0
Unitatea de
nvare 2
Tabloul Simplex: 3
cj
5 7 9
8 0
0 0
VVB x1 x2 x3
x4 s1
s2
s3 s4
s5
cb
s1
10.526 0 0 0 0.263 1 0.053 0.158 0 -0.158
x1
10.526 1 0 0 0.263 0 0.053 -0.342 0 0.092
x3
63.158 0 0 1 1.579 0 0.316 0.447 0 -0.197
s4
121.053 0 0 0 4.526 0 1.105 0.816 1 -1.066
x2
15.789 0 1 0 -1.105 0 -0.421 -0.263 0 0.263
zj
731.579 5 7 9 7.789 0 0.158 0.474 0 0.526
cj- zj
0 0 0 0.211 0 -0.158 -0.474 0 -0.526
Tabloul Simplex: 4
cj
5 7 9 8 0
cb Baza
VVB x1 x2 x3 x4 s1
s2
s3
s4
s5
s1
3.488 0 0 0 0 1 -0.012 0.110 -0.058 -0.096
x1
3.488 1 0 0 0 0 -0.012 -0.390 -0.058 0.154
x3
20.930 0 0 1 0 0 -0.070 0.163 -0.349 0.174
x4
26.744 0 0 0 1 0 0.244 0.180 0.221 -0.235
x2
45.349 0 1 0 0 0 -0.151 -0.064 0.244 0.003
zj
737.209 5 7 9 8 0 0.209 0.512 0.047 0.477
cj- zj
0 0 0 0 0 -0.209 -0.512 -0.047 -0.477
Toate elementele de pe ultima linie a tabloului Simplex sunt negative sau zero, deci algoritmul
se oprete. Soluia obinut, Z = 737.209, este optim. Un profit maxim, poate fi obinut dac se
cultiv cu: gru x1 = 3.49 ha; porumb x2 = 45.35 ha; cartofi x3 = 20.93 ha; floarea soarelui o
suprafa x4 = 26.74 ha. Rmn necultivate s1 = 3.49 ha de teren.
Tablou Simplex final ofer i alte informaii utile. Valorile zj - cj reprezint preurile umbr,
adic msoar importana relativ a restriciei respective n soluia optim: dac disponibilul dintr-o
anumit resurs crete cu o unitate, atunci valoarea funciei obiectiv se mbuntete cu (zj - cj)
6
02:00
Unitatea de
nvare 2
uniti. De asemenea, prin tehnici specifice, se poate calcula domeniul de variaie a disponibilului
din fiecare resurs, sau a coeficienilor din funcia obiectiv, astfel nct structura soluiei optime s
nu se modifice. Rezultatele respective sunt prezentate n tabelele urmtoare.
Restricia
Deficit (-) /
Preurile umbr
Excedent (+) (Shadow Price)

suprafaa disponibil
3.488
0.000
R1
0.000
0.209
R2
0.000
0.512
R3
0.000
0.047
R4
0.000
0.477
Intervalul de variaie a coeficienilor din funcia obiectiv:

Variabila
Limita Valoarea
inferioar
Limita Creterea Scderea
curent superioar
permis
permis
x1
1.906
5.800
0.800
3.094
x2
6.810
8.385
1.385
0.190
x3
6.267
9.133
0.133
2.733
x4
7.789
10.025
2.025
0.211
Intervalul de variaie pentru termenul liber - Right Hand Side Ranges (disponibilul de resurse)
Variabila
Limita Valoarea
(resursa) inferioar
Limita
curent superioar
Creterea Scderea
permis
permis
100 Fr limit Fr limit
3.488
suprafaa
96.512
R1
290.476
400
700.000
R2
268.421
300
308.955
R3
378.947
500
560.000
60.000 121.053
R4
977.358
1000
1036.364
36.364 121.053
300.000 109.524
8.955
31.579
Unitatea de
nvare 2
Se constat c viteza de cretere cea mai mare a profitului se poate obine dac se asigur
creterea disponibilului din resursa R2 (resursa R2 are preul umbr cel mai mare). Pentru ca
structura soluiei optime s nu se modifice, creterea disponibilului din resursa R2 poate avea loc n
limita a maximum 8.955 uniti. Fie o creterea a disponibilului din resursa R2 cu 8 uniti (de la
300 la 308 uniti). Atunci, valoarea profitului va crete cu 8 0.512 = 4.096 uniti, la 741.31
uniti. Pentru verificare, prin calcul se determin tabloul final Simplex urmtor:
Tabloul Simplex: 4
5 7 9 8 0
cb Baza
VVB x1 x2 x3 x4 s1
s2
s3
s4
s5
s1
4.372 0 0 0 0 1 -0.012 0.110 -0.058 -0.096
x1
0.372 1 0 0 0 0 -0.012 -0.390 -0.058 0.154
x3
22.233 0 0 1 0 0 -0.070 0.163 -0.349 0.174
x4
28.186 0 0 0 1 0 0.244 0.180 0.221 -0.235
x2
44.837 0 1 0 0 0 -0.151 -0.064 0.244 0.003
zj
741.302 5 7 9 8 0 0.209 0.512 0.047 0.477
cj
cj- zj
0 0 0 0 0 -0.209 -0.512 -0.047 -0.477
n noua soluie optim (soluia post optimizare), crete suprafaa neutilizat (de la 3.488 ha la
4.372 ha), scad suprafeele cultivate cu gru i porumb i cresc suprafeele cultivate cu cartofi i
floarea soarelui.
Variab
ila
Valoare
iniial
Valoare postoptimizare
x1
3.488
0.372
x2
45.349
44.837
x3
20.930
22.233
x4
26.744
28.186
Analiza problemei poate continua, de exemplu prin impunerea restriciei ca suprafaa

disponibil s fie utilizat integral. n aceste condiii, soluia optim, obinut n mod asemntor, n
5 iteraii este:
02:25
Unitatea de
nvare 2
Tabloul Simplex: 5
cj
cb Baza
-M
VVB x1 x2 x3 x4
s2
s3
s4
s5
A1
x1
15.789 1 0 0 0 -0.053 0 -0.263 -0.184 3.526
x3
15.789 0 0 1 0 -0.053 0 -0.263 0.316 -1.474
x4
21.053 0 0 0 1
0.263 0
0.316 -0.079 -1.632
x2
47.368 0 1 0 0 -0.158 0
0.211 -0.053 0.579
s3
31.579 0 0 0 0 -0.105 1 -0.526 -0.868 9.053
zj
cj- zj
Obs.
5 7 9 8
721.053 5 7 9 8
0.263 0
0.316 0.921 -4.625
0 0 0 0 -0.263 0 -0.316 -0.921
-M
A1 este vectorul ataat unei variabile auxiliare, variabil care penalizeaz funcia obiectiv cu
o valoare mare M.
Soluia optim: Z = 721.053,
Variabila
Valoare
x1
15.789
x2
47.368
x3
15.789
x4
21.053
Restricia
Deficit (-)
/
Preurile
umbr
Excedent
(+)
(Shadow
Price)
R1
0.000
0.263
R2
31.579
0.000
R3
0.000
0.316
R4
0.000
0.921
Unitatea de
nvare 2
Intervalul de variaie a coeficienilor din funcia obiectiv:

Limita Valoarea
Variabila
inferioar
Limita Creterea
curent superioar
permis
Scderea
permis
x1
Fr limit
6.200
1.200 Fr limit
x2
5.500
8.667
1.667
1.500
x3
6.083
10.200
1.200
2.917
x4
7.000
19.667
11.667
1.000
Intervalul de variaie pentru termenul liber - Right Hand Side Ranges (disponibilul de resurse)
Variabila
Limita Valoarea
(resursa) inferioar
Limita Creterea Scderea
curent superioar
permis
permis
suprafaa
96.512
100
110.714
10.714
3.488
R1
320.000
400
700.000
300.000
80.000
R2
268.421
300
Fr
limit
Fr
limit
31.579
R3
433.333
500
560.000
60.000
66.667
R4
950.000
1000
1036.364
36.364
50.000
Cea mai rapid mbuntire a soluiei se obine prin suplimentarea disponibilului din R4
(preului umbr al acestei restricii este maxim, 0.921). Creterea permis a pentru R4, astfel nct
structura soluiei optime s nu se modifice este de 36.364 uniti. Adic, pornind de la condiiile
prezentate, prin suplimentarea lui R4, soluia problemei de programare liniar poate fi mbuntit
cu 36.364 0.921 = 33.49 uniti, de la 727.05 uniti, la 754.54 uniti. Noua soluie optim este:
Variabila
Valoarea
Valoarea
iniial
post-optimizare
x1
15.789
9.091
x2
47.368
45.454
x3
15.789
27.273
10
Unitatea de
nvare 2
Variabila
x4
Valoarea
Valoarea
iniial
post-optimizare
21.053
18.182
n sfrit, dac se pstreaz restricia ca suprafaa disponibil s fie cultivat integral, iar
suprafaa cultivat cu gru s nu fie mai mic de 20 ha, suprafaa cultivat cu porumb s nu fie sub
20 ha, cea cultivat cu cartofi s fie de cel puin 10 ha, iar floarea soarelui s fie cultivat pe
minimum 20 ha, atunci, programul de producie va fi urmtorul:
Variabila
Valoarea
x1
20.000
x2
46.667
x3
13.333
x4
20.000
iar valoarea optim a funciei obiectiv: Z = 706.667
11
03:00
Unitatea de
nvare 2
1. Cine este autorul algoritmului Simplex?

2. Cum se identific elementul pivot?
3. Cum se calculeaz elementele de pe linia pivotului?
4. Ce reprezint tehnica denumit pivotare?
5. Cnd se oprete algoritmul?
12
Unitatea de
nvare 2
Elementul situat la intersecia coloanei ataate vectorului care intr n

baz cu linia corespunztoare vectorului nlocuit se numete pivot. Se
completeaz urmtorul tablou Simplex innd seama de cteva reguli,
astfel:
o - n coloana cb se scrie costul corespunztor vectorului introdus

n baz;
o - elementele de pe linia pivotului se calculeaz prin mprirea
elementelor din tabloul precedent la pivot;
o - vectorul care conine pivotul va avea 1 n poziia pivotului i 0
celelalte elemente;
o - coloanele care au 0 la intersecia cu linia pivotului se scriu
identic n urmtorul tablou;
o - toate celelalte elemente din tablou se calculeaz prin tehnica
denumit pivotare: se construiete un dreptunghi care are o
diagonal format din pivot i elementul care constituie obiectul
calculului pentru noul tablou; produsul elementelor de pe cealalt
diagonal a dreptunghiului se scade din produsul elementelor de
pe diagonal pivotului, iar rezultatul se mparte la pivot.
Algoritmul se oprete atunci cnd toate elementele de pe ultima linie a
tabloului Simplex sunt negative sau zero.
13
Unitatea de
nvare 2
1.
2.
3.
4.
5.
6.
Lucrri obligatorii
Dobrescu E., 2000, Macromodelul economiei romneti de tranziie, Editura Expert,
Bucureti
Jula D., 2003, Introducere n econometrie, Editura Professional Consulting, Bucureti
Jula N., 2004, Modelarea deciziilor financiar-monetare, Editura Bren, Bucureti
Jula N., 2006, Modelare economic elemente de econometrie aplicat, Editura Mustang,
Bucureti
Jula N., 2006, Modelare economic econometrie aplicat, Editura Cartea Studeneasc,
Bucureti
Jula N., Jula D., 2009, Modelare economic. Econometrie financiar, Editura Mustang,
Bucureti
Mustang, Bucureti
1.
2.
3.
4.
5.
6.
14
Unitatea de
nvare 2
1. G. B. Danzig
2. Elementul situat la intersecia coloanei ataate vectorului care intr n baz cu linia
corespunztoare vectorului nlocuit se numete pivot.
3. Elementele de pe linia pivotului se calculeaz prin mprirea elementelor din tabloul precedent
la pivot
4. Tehnica pivotrii: se construiete un dreptunghi care are o diagonal format din pivot i
elementul care constituie obiectul calculului pentru noul tablou; produsul elementelor de pe
cealalt diagonal a dreptunghiului se scade din produsul elementelor de pe diagonal
pivotului, iar rezultatul se mparte la pivot.
5. Algoritmul se oprete atunci cnd toate elementele de pe ultima linie a tabloului Simplex sunt
negative sau zero.
15
Unitatea de
nvare 3
Modele de optimizare - Modele de gestiune a stocului

- Problema de transport
- Teoria firelor de ateptare
Unitatea de nvare 3 - Modele de optimizare

Cuprins:
1.2.2. Modele de gestiune a stocurilor
o Stocurile de materii prime

o Optimizarea gestiunii stocurilor
o Exemplu de calcul
1.2.3. Problema de transport
o Formularea problemei de transport

o Rezolvarea problemei de transport
o Exemplu de calcul
1.2.4. Teoria firelor de ateptare
o Formularea problemei
o Modelul matematic
o Exemplu de calcul
Noiunea de optimizare
Modele de gestiune a stocului
Problema de transport
Teoria firelor de ateptare
Unitatea de
nvare 3

Stocurile de materii prime

Prin stoc se nelege o cantitate oarecare de resurse,
de orice fel, existent la un moment dat i nefolosit
ntr-un proces de transformare, indiferent de natura
acestuia. n general se spune c o resurs oarecare
intr n stoc atunci cnd este nmagazinat ntr-un mod
oarecare. n mod asemntor, se spune c o resurs
iese din stoc atunci cnd este consumat efectiv.
vei fi n msur s
Cnd se folosete un
algoritm de
optimizare?
Care sunt modelele
de optimizare a
stocului?
Problema de
transport - enun i
rezolvare.
Ce reprezint teoria
firelor de ateptare?
Volumul stocurilor este determinat de caracterul

procesului de producie, natura materiilor prime,
modul de aprovizionare i eventualele dificulti ale
acestui proces (frecvena i regularitatea sosirii lor n
ntreprindere, starea mijloacelor i a cilor de transport
.a.).
Stocul curent reprezint cantitatea de materiale
care trebuie s asigure continuitatea produciei n
intervalul dintre dou aprovizionri. Stocul de
siguran reprezint cantitatea de materiale necesar
pentru a preveni ntreruperile din producie
determinate de unele dificulti n aprovizionare,
dificulti cauzate de evenimente cu caracter aleatoriu.
Stocul sezonier cuprinde materialele care sunt utilizate
n producie i/sau sunt aduse n ntreprindere numai n
anumite perioade ale anului. Aceast situaie este
determinat, n special, de ciclul produciei industriale.
Elementele principale analizate n cadrul unui proces de stocare sunt: cererea de resurse, aprovizionarea, costurile implicate, parametrii legai de timp.
Satisfacerea cererii de materii prime (resurse) este scopul procesului de stocare. Cererea apare
ca urmare a procesului de producie i depinde de nivelul produciei i consumurile specifice.
Volumul i ritmul aprovizionrii sunt determinate de cererea de resurse, durata de livrare a
produselor (intervalul dintre lansarea comenzii i sosirea materiilor prime) i costurile implicate n
acest proces.
Costurile implicate n cazul unui proces de stocare se pot grupa n trei categorii:
cl - cheltuielile de lansare a comenzii sunt compuse din suma cheltuielilor efectuate pn la intrarea
produselor n stoc (cheltuielile legate de formularea comenzii, cheltuieli administrative
determinate de operaia de reaprovizionare);
cs - cheltuielile de stocare compuse din cheltuielile de depozitare, ntreinere, asigurare, imobilizare
a capitalului financiar etc. Costul stocrii este, de obicei, proporional cu cantitatea de bunuri
stocat i cu durata depozitrii;
cp - costul de penalizare (cheltuielile de rupere a stocului) reprezint pierderile nregistrate n
situaiile n care cererea de resurse este superioar stocului (amenzi, ntreruperea produciei,
plata despgubirilor pentru producia nelivrat etc.). De obicei, aceste cheltuieli sunt
proporionale cu cantitatea cerut din resursa respectiv i nesatisfcut i cu durata penuriei.
00:00
Unitatea de
nvare 3

Optimizarea gestiunii stocurilor

Se demonstreaz c, dac aprovizionarea se face la intervale fixe, n condiiile unei cereri
constante n timp i nu se admite posibilitatea rupturii de stoc, atunci cheltuielile totale (de lansare a
comenzii plus cele legate direct de procesul de stocare) sunt minime dac:
intervalul de timp dintre dou aprovizionri succesive este:
2 T cl
V cs
t opt =
mrimea comenzii de aprovizionare este:
2 V cl
T cs
vopt =
Atunci, nivelul minim al cheltuielilor totale este:
C opt = 2 V T cl c s
Simbolurile utilizate au urmtoarele semnificaii:

topt - intervalul optim ntre dou aprovizionri succesive;
vopt - mrimea lotului optim;
Copt - volumul minim al cheltuielilor totale (lansare a comenzii plus stocare a produselor);
T - intervalul de timp pentru care se face gestiunea;
V - cererea total de produse pe intervalul T;
cl - cheltuielile de lansare;
cs - costul de stocaj pe unitatea de produs stocat.
n condiiile de ruptur a stocului, elementele prezentate mai sus se calculeaz prin introducerea
unui factor de indisponibilitate:
cp
.
cs + c p
Atunci:
intervalul de timp dintre dou aprovizionri succesive este:
t opt =
2 T cl
cs + c p
V cs
cp
mrimea comenzii de aprovizionare este:
vopt =
2 V cl
cs + c p
T cs
cp
sopt =
2 V cl
cp
T cs
cs + c p
stocul optim este:
00:20
Unitatea de
nvare 3

Nivelul minim al cheltuielilor totale este:
C opt = 2 V T cl c s
cp
cs + c p
Simbolurile utilizate au urmtoarele semnificaii:

topt - intervalul optim ntre dou aprovizionri succesive;
vopt - mrimea lotului optim;
Copt - volumul minim al cheltuielilor totale (lansare a comenzii plus stocare a produselor);
sopt - mrimea stocului optim;
T - intervalul de timp pentru care se face gestiunea;
N - cererea total de produse pe intervalul T;
cl - cheltuielile de lansare;
cs - costul de stocaj, pe unitatea de produs stocat;
cp - costul de penalizare.
Exemplu de calcul
Pentru exemplificarea modului de calcul, s presupunem c la un nivelul unei firme, care are ca
obiect de activitate realizarea unor produse industriale, cererea anual (T = 360) pentru tabl de oel
este de V = 5000 tone. n tot timpul anului cererea este continu i constant pe perioade egale. Prin
analize statistice privind perioadele anterioare, s-a calculat costul de stocaj pentru o unitate (o ton),
pe zi cs = 1000 uniti monetare. Cheltuielile de lansare a comenzii (cheltuieli administrative, plata
achizitorului, delegai pentru recepie, transport etc.) sunt cl = 5 mil. uniti monetare/lot i sunt
independente de volumul lotului.
n aceste condiii, cantitatea optim de aprovizionat (lotul optim) este:
vopt =
2 5000 5000000
372.7 (tone)
360 1000
Perioada optim ntre dou aprovizionri succesive este:

t opt =
2 360 5000000
27 (zile)
5000 1000
Costul total minim al gestiunii este:

C opt = 2 5000 360 1000 5000000 134.2 (mil.u.m.)
Dac se admite posibilitatea ruperii stocului, introducnd un cost de penalizare de 2500 u.m. pe
unitate, pe zi, factorul de indisponibilitate va fi:
2500
= 0.71
1000 + 2500
i atunci:
lotul optim pentru evitarea ruperii stocului:
00:45
Unitatea de
nvare 3

vopt = 372.7
1
441 (tone)
0.71
stocul optim:
sopt = 4410.71 = 313 (tone)
perioada ntre dou aprovizionri succesive:
t opt = 27
1
32 (zile)
0.71
costul total minim al gestiunii stocului:

C opt = 134.2 0.71 113 (mil.u.m.)
Se observ c, n cazul unui cost de penalizare relativ mic, se poate admite ruptura stocului n
vederea obinerii unui cost total mai mic (n problema analizat, cu aproximativ 20 mil.u.m.).
1.2.3. Problema de transport

Rezolvarea problemei de transport
01:00
Algoritmul pentru rezolvarea problemei de transport se bazeaz pe teorema ecarturilor

complementare.
1. Algoritmul pentru obinerea soluiei optime a problemei de transport presupune ca prim pas
determinarea unei soluii iniiale de baz. Metoda general de obinere a unei soluii iniiale de
baz pornete de la determinarea valorii xij min a i , b j . Pornind de la aceast metod
general, sunt cunoscute mai multe variante de generare a soluiei de baz.

a) Metoda colului de Nord-Vest..
b) Metoda costului minim din tabel. Se cunosc dou sub-variante ale variantei b:
b-1)
Metoda elementului minim pe linie;
b-2)
Metoda elementului minim pe coloan.
c) Metoda diferenelor maxime (Vgel)

Dup aplicarea uneia dintre metodele descrise pentru (1) determinarea unui program iniial al
problemei de transport, algoritmul simplificat pentru obinerea soluiei optime a problemei
presupune parcurgerea n continuare a mai multor pai. (vezi Bibliografie i exemplul urmtor)
Exemplu de calcul
n 3 depozite Ai, 1 i 3 se afl un produs solicitat de 5 consumatori Bj, 1 j 5. Cantitile

disponibile n fiecare depozit, cantitile solicitate de fiecare consumator i costurile unitare de
transport de la fiecare depozit la fiecare consumator sunt prezentate n tabelul urmtor. Se cere s se
determine un program de transport, astfel nct cheltuielile totale de transport s fie minime.
Unitatea de
nvare 3

B1
B2
B3
B4
B5
Disponibil
A1
15
12
12
2500
A2
20
15
10
1500
A3
12
10
12
2000
Necesar
1500
2000
500
1200
800
Soluia iniial, obinut prin metoda costului minim din tabel este:
B1
A1
B2
B3
1300
A2
700
A3
800
B4
B5
Disponibil
1200
2500
800
700
500
1500
2000
Necesar 1500 2000 500 1200 800

Pentru aceast soluie a problemei de transport, valoarea funciei obiectiv este:
Z = 13008 + 12006 + 7005 + 8004 + 80012 + 70010 + 5008 = 44900
Testarea optimalitii acestei soluii de baz se realizeaz potrivit algoritmului prezentat.
Calculm, n primul rnd, valorile ui i vj din condiiile ui + vj = cij, (i, j) I, adic, pentru fiecare
cuplu (i, j) corespunztor soluiei de baz.
v1
u1
v2
v3
u2
u3
12
v4
v5
6
4
10
Sistemul obinut este:

u1 v2 8 u1 v 4 6
u v 5 u v 4
2 1
2
5
u
v
u
v
12
3
2 10
3 1
u 3 v3 8
Unitatea de
nvare 3

Rezolvarea sistemului se realizeaz prin impunerea condiiei u3 = 0. Valorile obinute pentru ui,
vj, precum i diferenele u i v j cij sunt prezentate n tabelul urmtor. Celulele care conin zero
corespund soluiei de baz.
v1 = 12 v2 = 10 v3 = 8 v4 = 8 v5 = 11
ui v j c ij
u1 = -2
-5
-6
-3
u2 = -7
-17
-14
-9
u3 = 0
-4
3*
Dac toate aceste diferene sunt negative sau zero soluia este optim. Dac exist diferene
pozitive, algoritmul continu. Se alege valoarea maxim dintre diferenele pozitive. Poziia acestei
diferene pozitive maxime este marcat cu (*). Se construiete, potrivit algoritmului prezentat,
ciclul corespunztor diferenei respective. Acest ciclu este, de asemenea, marcat n tablou.
B2
B1
A1
B3
B4
1300
A2
B5
1200
700(+)
2500
800(-)
A3
700
1500
1500
500
800(-)
Necesar
Disponibil
(+) *
2000 500 1200
2000
800
Noua soluie de baz este prezentat n tabloul urmtor:
B1
A1
A2
A3
B2
B3
1300
B5
1200
1500
700
B4
500
Disponibil
2500
1500
800
2000
Necesar 1500 2000 500 1200 800

Testarea optimalitii pentru noua soluie de baz se realizeaz similar iteraiei precedente.
Calculm, n primul rnd, valorile ui i vj din condiiile ui + vj = cij, pentru fiecare cuplu (i, j)
corespunztor soluiei de baz.
Unitatea de
nvare 3

v2
v3
v4
v5
u1
u2
u3
10
Sistemul obinut este:
u1 v2 8 u1 v4 6
u v 5 u v 4
2 1
2
5
u3 v2 10 u3 v3 8
u3 v5 8
Rezolvarea sistemului se realizeaz prin impunerea condiiei u3 = 0. Valorile obinute pentru ui,
vj, precum i diferenele ui v j c ij sunt prezentate n tabelul urmtor.
ui v j c ij
v1 = 9 v2 = 10 v3 = 8 v4 = 8 v5 = 8
u1 = -2
-8
-6
-6
u2 = -4
-14
-11
-6
u3 = 0
-3
-4
Toate diferenele ui v j c ij sunt negative sau zero, deci soluia este optim. Aceast soluie
propune ca programul optim de transport s fie urmtorul:
Sursa
Destinaia
Cantitatea transportat
A1
B2
1300
A1
B4
1200
A2
B1
1500
A3
B2
700
A3
B3
500
A3
B5
800
Valoarea funciei obiectiv pentru programul de transport optim:

Z = 13008 + 12006 + 15005 + 70010 + 5008 + 8008 = 42500.
02:20
Unitatea de
nvare 3

1.2.4. Teoria firelor de ateptare

Formularea problemei
Timpul de ateptare n vederea servirii i durata servirii propriu-zise sunt n funcie de ritmul
sosirii solicitanilor i operativitatea rspunsului oferit de sistemul de servire.
Studiul problemelor legate de procesele de ateptare a generat metode specifice de analiz,
grupate n teoria matematic a sistemelor de ateptare13
Modelul matematic
Dac exist o singur staie de servire, venirile n sistem sunt ntmpltoare, independente unele
de altele i nelimitate, numrul de sosiri pe unitatea de timp este o variabil aleatoare repartizat
Poisson cu media , serviciile sunt independente ntre ele i nu depind de sosiri, durata serviciului
fiind o variabil aleatoare cu o repartiie exponenial negativ de parametru , iar ordinea de servire
este primul venit - primul servit (FIFO), clienii fiind servii n ordinea sosirii14, atunci se
demonstreaz ca15:
(a) numrul mediu de solicitani n irul de ateptare (nf);
(b) numrul mediu de solicitani n sistem (n ir sau n curs de servire) (ns);
(c) timpul mediu de ateptare n ir (ts);
(d) timpul mediu de ateptare n sistem (ts)
se calculeaz astfel:
nf =
ns =
tf =
ts =
2
1-
1-
(1 - )
1
(1 - )
unde:
13
Primele lucrri n domeniul teoriei ateptrii sunt cele ale lui Karl Erlang (1908) efectuate pentru compania de telefoane din
Copenhaga. Terminologia utilizat n modelele din teoria sistemelor de ateptare s-a impus dup prezentarea de ctre D.G. Kendall la
Societatea Regal de Statistic din Londra a crii Some Problems in the Theory of Quenes, J.Ray Statist. Soc., Ser. B, 13, No.2, 1951
(vezi A.M.Lee, Teoria ateptrii cu aplicaii, Bucureti, Editura Tehnic, 1976, p.15-16). n limba romn, pot fi consultate, pe lng
lucrarea menionat, i altele. Citm doar: Gh.Mihoc, G. Ciucu, Introducere n teoria ateptrii, Bucureti, Editura Tehnic, 1967; Gh.
Mihoc, G. Ciucu, A. Muja, Modele matematice ale ateptrii , Bucureti, Editura Academiei, 1973.
14
Aceast regul este numit FIFO (first in first out). Exist i alte reguli de servire: LIFO (last in first out), adic ultimul venit, primul servit
(de exemplu produsele sunt ambalate n cutii i aezate n stiv lng vnztor; servirea se va face prima dat din cutia aezat
deasupra, adic ultima adus etc.); servire aleatoare - cnd fiecare cerere poate fi servit cu aceeai probabilitate; servire cu aplicarea
unor reguli de prioritate; disciplin de servire de tipul urmtor: prima cerere din irul de ateptare este servit numai o perioad de timp
(cuant), dup care, dac cererea a fost satisfcut integral, solicitantul prsete sistemul, dac nu, intr din nou n irul de ateptare
pentru continuarea serviciului (metod utilizat, de exemplu, pentru servirea solicitanilor unui sistem de calcul) .
15
Pentru demonstrarea acestor formule vezi, de exemplu, acad. O. Onicescu, Probabiliti i procese aleatoare, Bucureti, Editura
tiinific i Enciclopedic, 1977, p.486-502; A. M. Lee, Teoria ateptrii cu aplicaii, Bucureti, Editura Tehnic, 1976, p.31-38; G. Boldur
Lescu, I. Scuiu, E. ignescu, Cercetare operaional cu aplicaii n economie, Bucureti, Editura Didactic i Pedagogic, 1979,
p.232-240 .a.
9
02:30
Unitatea de
nvare 3

este denumit factorul de serviciu, iar:

- parametrul ce caracterizeaz sosirile n sistem (media sosirilor);
- parametrul ce caracterizeaz durata servirii (numrul mediu al solicitanilor servii n unitatea
de timp).
Mai mult, probabilitatea ca un solicitant s atepte n ir un timp mai mare dect un timp dat t0
este:
P( t f > t 0 ) = e-t 0 (1- )

probabilitatea ca un solicitant s atepte:
P(tf > 0) =
i, de aici, probabilitatea ca unitatea de servire s nu fie ocupat este:
P(ns = 0) = 1
Timpul mediu de inactivitate al unitii de servire ntr-un anumit interval T este:
Tn = (1 )T
Exemplu de calcul
Pentru exemplificarea modului de calcul al elementelor prezentate, s considerm c la un

magazin de pine sosesc 25 de cumprtori la fiecare 10 minute, iar timpul necesar servirii unui
cumprtor este, n medie, de 20 de secunde. n acest caz, lund ca unitate de timp minutul, se
calculeaz:
= 2.5 solicitani pe minut;
= 3 cumprtori servii pe minut;
- numrul mediu de persoane n ir:
nj = 4.17 persoane;
- numrul mediu de persoane n ir sau n curs de servire:
ns = 5 persoane;
- timpul mediu de ateptare al unei persoane n irul de ateptare:
tf = 1.67 minute;
- timpul mediu de ateptare al unei persoane n sistem:
ts = 2 minute;
- probabilitatea ca un solicitant s atepte un timp mai mare de 5 minute:
P(tf > 5) = 6.84%;
- probabilitatea ca unitatea s nu fie ocupat, s nu existe nici un solicitant:
P(ns = 0) = 16.7%;
- timpul mediu de inactivitate al unitii de servire ntr-o or:
Tn(1 or) = 10 minute.
n cazul n care exist mai multe uniti de servire, relaiile de determinare a numrului de
solicitani ce ateapt s fie servii i a timpului de ateptare sunt mai complicate.
10
02:40
Unitatea de
nvare 3

Notnd ca mai nainte = / i * = /s, unde s = numrul de uniti care sunt la dispoziia
solicitanilor, atunci:
n f = p0
*
s! (1 - * )2
*
+
n s = p0
s! (1 - * )2
s
t f = p0
s s! (1 - * )2
ts = t f +
unde p0 este probabilitatea ca n sistemul de ateptare s nu fie nici o persoan i:
s -1 n
n
p0 = +
*
n=0 n! s! (1 - )
-1
Probabilitatea ca toate punctele de servire s fie ocupate la un moment dat (Ps0) se calculeaz:
Pso =
s!
p0
s
s-
Probabilitatea ca timpul de ateptare a unui solicitant n firul de ateptare s nu depeasc un

timp dat t0 este:
P( t f < t 0 ) =
s
e-(s - )t 0 p0
s! s -
Dac s = 2 (numrul de uniti sau puncte de servire), timpul de ateptare n ir este dat de
relaia

t f =
2
2 1
,
/ 1 -
2
iar numrul de solicitani n firul de ateptare

n f =
2
2
.
/ 1 -
2
De asemenea, timpul de ateptare n sistem

ts = t f +
iar numrul de solicitani

ns = nf + .
S presupunem c pentru un produs se nregistreaz n medie 90 solicitani pe or, iar timpul
necesar pentru satisfacerea unei cereri urmeaz o lege de repartiie exponenial negativ i este n
medie 1.2 minute. n acest caz, dac unitatea de timp considerat este ora,
11
Unitatea de
nvare 3

= 90 persoane pe or;
= 60/1.2 = 50 persoane pe or,
deci
= 90/50 = 1.8
Deoarece > 1, dac solicitanii ar fi servii de un singur vnztor, n sistem s-ar produce o
aglomerare nelimitat. Dac servirea este asigurat de doi vnztori, pentru irul de ateptare
format, factorul de servire va fi
* = /2 = 0.9 < 1
Atunci, potrivit relaiilor prezentate mai sus:
- timpul mediu de ateptare al unui solicitant la coad:
tf = 5.1 minute;
- timpul mediu de ateptare al unui solicitant n sistem:
ts = 6.3 minute;
- numrul mediu de persoane n irul de ateptare:
nf = 7.67 persoane;
- numrul mediu de persoane n sistem:
ns = 9.47 persoane.
Exist modele ale teoriei firelor de ateptare construite i n alte ipoteze, privind natura
repartiiei sosirilor i a timpilor de servire, disciplina de servire, populaia din care sosesc
solicitanii, capacitatea staiilor de servire etc.
Din aceste aspecte prezentate, pentru problema abordat - reducerea timpului necesar realizrii
unui serviciu - se impune precizarea c servirea unui numr ct mai mare de solicitani n unitatea
de timp (n terminologia utilizat n teoria ateptrii, reducerea factorului de serviciu) i deci
reducerea timpului de ateptare se poate realiza prin creterea numrului unitilor de servire, iar n
cadrul acestora a numrului posturilor de servire (vnztori) pentru produsele la care ritmul sosirii
solicitanilor este ridicat. Fie, de exemplu, un produs a crui vnzare necesit 10 minute (alegerea
produsului, proba de funcionare, completarea certificatului de garanie etc.). Dac ntr-o or sosesc
5 solicitani ai produsului respectiv, timpul mediu de ateptare al unui solicitant, n vederea servirii
este, potrivit relaiei prezentate mai sus (cazul s = 1):
tf =
(1 - )
5
6
5
6 1 -
6
tf = 0.83 ore = 50 min.

Timpul de ateptare n sistem este:
ts = tf + 10 minute = 60 minute.
Dac pentru produsul respectiv exist dou staii de servire, aproximativ identice, deci pentru
acelai ir de ateptare doi vnztori, atunci timpul mediu de ateptare al unui solicitant n vederea
servirii este:
12
Unitatea de
nvare 3

2

2
1
12
= 2
tf =
2
6 1 - (5/12 )
1 -
2
2
adic,
tf = 0.035 ore = 2.1 min.
iar timpul de ateptare n sistem:
ts = 12.1 minute.
Din punctul de vedere al cumprtorului, aceasta nseamn, n medie, o economie de 47.9
minute. Dac n aceeai zon exist dou magazine care desfac produsul respectiv, iar cumprtorii
se mpart ntre acestea, astfel nct la o unitate s soseasc n medie 2.5 solicitani pe or, timpul
mediu de ateptare al unei persoane n vederea servirii este:
tf = 7.2 minute,
iar timpul de ateptare n sistem:
ts = 17.2 minute,
adic o economie de 42.8 minute.
03:10
n ambele cazuri se realizeaz o important economie de timp (ca valoare medie).
13
Unitatea de
nvare 3

1. Ce reprezint procesul de stocare?

2. Ce reprezint stocul curent?
3. Care sunt cele 3 categorii de costuri implicate n procesul de stocare?
4. Cnd este echilibrat problema de transport?
5. Care este teorema pe care se bazeaz rezolvarea problemei de transport?
6. Ce teorie st la baza firelor de ateptare?
14
Unitatea de
nvare 3

Procesul de stocare reprezint acumularea unor bunuri n

vederea satisfacerii unei cereri viitoare.
Prin stoc se nelege o cantitate oarecare de resurse, de orice fel,
existent la un moment dat i nefolosit ntr-un proces de
transformare, indiferent de natura acestuia.
Algoritmul pentru rezolvarea problemei de transport se bazeaz
pe teorema ecarturilor complementare: dac ui i vj sunt variabile
ataate n problema dual restriciilor din problema de transport,
atunci ansamblul de valori ale variabilelor xij, ui i vj (i = 1, ..., m;
j = 1, ..., n) constituie programe optimale ale cuplului de probleme
de transport dac i numai dac:
m
n
xij a i , i 1, m; x ij b j , j 1, n
i 1
j 1
x 0 i 1, m , j 1, n, c u v 0; x c u v 0
ij
i
j
ij
ij
i
j
ij
Din ultima relaie se deduce faptul c, dac xij 0 (adic, dac

xij este n baz) atunci cij ui vj = 0, echivalent cu ui + vj = cij..
Studiul problemelor legate de procesele de ateptare a generat
metode specifice de analiz, grupate n teoria matematic a
sistemelor de ateptare.
15
Unitatea de
nvare 3
1.
2.
3.
4.
5.
6.

Lucrri obligatorii
Bucureti
Bucureti
Bucureti
Bucureti
Mustang, Bucureti
1.
2.
3.
4.
5.
6.
16
Unitatea de
nvare 3

1. Procesul de stocare reprezint acumularea unor bunuri n vederea satisfacerii unei cereri
viitoare.
2. Stocul curent reprezint cantitatea de materiale care trebuie s asigure continuitatea produciei n intervalul dintre dou aprovizionri.
3. Costurile implicate n cazul unui proces de stocare se pot grupa n trei categorii:
cl - cheltuielile de lansare a comenzii sunt compuse din suma cheltuielilor efectuate pn
la intrarea produselor n stoc (cheltuielile legate de formularea comenzii, cheltuieli
administrative determinate de operaia de reaprovizionare);
cs - cheltuielile de stocare compuse din cheltuielile de depozitare, ntreinere, asigurare,
imobilizare a capitalului financiar etc. Costul stocrii este, de obicei, proporional cu
cantitatea de bunuri stocat i cu durata depozitrii;
cp - costul de penalizare (cheltuielile de rupere a stocului) reprezint pierderile
nregistrate n situaiile n care cererea de resurse este superioar stocului (amenzi,
ntreruperea produciei, plata despgubirilor pentru producia nelivrat etc.). De
obicei, aceste cheltuieli sunt proporionale cu cantitatea cerut din resursa respectiv
i nesatisfcut i cu durata penuriei.
4. Problema de transport este echilibrat dac suma cantitilor din depozite este egal cu suma
solicitrilor.
5. Algoritmul pentru rezolvarea problemei de transport se bazeaz pe teorema ecarturilor
complementare: dac ui i vj sunt variabile ataate n problema dual restriciilor din
problema de transport, atunci ansamblul de valori ale variabilelor xij, ui i vj (i = 1, ..., m; j =
1, ..., n) constituie programe optimale ale cuplului de probleme de transport dac i numai
dac:
m
n
x
a
,
i
1
,
m
;
x ij b j , j 1, n
ij
i
i 1
j 1
x 0 i 1, m , j 1, n, c u v 0; x c u v 0
ij
i
j
ij
ij
i
j
ij
6. Studiul problemelor legate de procesele de ateptare a generat metode specifice de analiz,

grupate n teoria matematic a sistemelor de ateptare.
17
Unitatea de
nvare 4
Modele
econometrice modelul linear de regresie
Unitatea de nvare 4 - MODELE ECONOMETRICE MODELUL

LINEAR DE REGRESIE
Cuprins:
2.1. Modelul linear unifactorial
2.1.1. Ecuaia de regresie
2.1.2. Metoda celor mai mici ptrate
2.1.3. Ipotezele modelului linear unifactorial
2.1.4. Proprieti ale estimatorilor
2.2. Modelul linear multifactorial
2.2.1. Estimarea parametrilor din modelul linear multifactorial metoda celor mai mici ptrate
2.2.2. Ipotezele modelului
2.2.3. Proprieti ale estimatorilor calculai prin metoda celor mai mici ptrate
2.3. Exemple de calcul
2.3.1. Modelul linear unifactorial
2.3.2. Modelul linear multifactorial
nsuirea modelelor unifactorial i multifactorial de

regresie
Proprietile estimatorilor calculai prin aceste
modele
Unitatea de
nvare 4
Modele

ncepem acest modul prin analiza unui exemplu
ipotetic privind dinamica masei monetare i a inflaiei
ntr-o perioad dat de timp. Din teoria economic se
cunoate faptul c masa monetar i rata inflaiei sunt
dou variabile care nu evolueaz independent una de
alta. Admitem faptul c masa monetar depinde n
mare msur de nivelul preurilor.
00:00
Reinem ideea c masa monetar depinde linear de

nivelul preurilor, adic
M = f(P, e),
unde prin e am simbolizat ceilali factori care
contribuie la dinamica masei monetare.
n cazul general, se noteaz cu Y variabila

explicat (n exemplul prezentat M Y) i X
variabila explicativ (n exemplul prezentat P X).
Scriem atunci relaia precedent astfel:

vei fi n msur s
Ce este modelul
linear unifactorial de
regresie?
Ce este modelul
linear multifactorial
de regresie?
Care sunt
proprietile
estimatorilor
calculai prin aceste
modele?
Y = f(X, e),
unde Y este variabila endogen, X variabila exogen,
iar e reprezint un factor perturbator, de natur
aleatoare.
2.1. Modelul linear unifactorial

S acceptm, pentru nceput, ipoteza c masa monetar depinde linear de nivelul preurilor i
s notm M(Y/X) valoarea anticipat a masei monetare atunci cnd nivelul preurilor atinge
valoarea X. Adic, n ipoteza de linearitate menionat, acceptm c
M(Y / X) = a0 + a1X
unde a0 i a1 sunt parametrii modelului.
2.1.1. Ecuaia de regresie

Ecuaia de regresie poate fi scris astfel:
Y = a0 + a1X + e,
unde Y este variabila endogen (variabila explicat prin model), X este variabila exogen
(variabila explicativ), a0 i a1 sunt parametrii modelului, iar e reprezint eroarea sau abaterea
dintre valoarea anticipat a endogenei i valoarea efectiv nregistrat.
Forma exact a ecuaiei de regresie nu este cunoscut. Se admite, n acest punct, doar ipoteza c
relaia dintre Y i X este linear. n aceste condiii, problema modelrii legturii dintre masa
monetar i preuri este aceea de a determina, folosind datele disponibile, o form ct mai adecvat
a relaiei dintre cele dou variabile.
00:10
Unitatea de
nvare 4
Modele
2.1.2. Metoda celor mai mici ptrate

Prin reprezentarea ntr-un sistem de axe (XOY) a punctelor de coordonate (Xt, Yt) se obine un
nor de puncte (aa ca n figura 2-1).
00:35
Y
Y a0 a1X
Yt
ut
Yt a0 a 1X t
Xt
Figura 21: Dreapta de regresie i variabila rezidual

Grafic, criteriul aplicat n cazul metodei celor mai mici ptrate este urmtorul: dreapta care
asigur cea mai bun ajustare a punctelor empirice (dreapta de regresie) este aceea pentru care se
minimizeaz suma ptratelor abaterilor dintre punctele de pe grafic i punctele care au aceiai
abscis pe dreapta de regresie, abaterile fiind msurate vertical.
Analitic, se demonstreaz c valorile (0, 1) care minimizeaz suma ptratelor abaterilor u
dintre datele nregistrate ale variabilei Y i valorile calculate sunt soluiile sistemului de ecuaii
normale:
n
n
Y
n
a
a
0
1 Xt
t
t 1
t 1
n
n
n
X t Yt a 0 X t a1 X t2
t 1
t 1
t 1
(Vezi demonstraia n referinele bibliografice i n exemplele de calcule)
2.1.3. Ipotezele modelului linear unifactorial

Estimarea parametrilor din ecuaia de regresie se bazeaz pe o serie de ipoteze referitoare la
forma dependenei dintre variabile, la variabila explicativ i la variabila de abatere.
Ipoteza I-1:
linearitatea modelului.
Ipoteza I-2:
variabila X are dispersia nenul i finit.
Ipoteza I-3:
variabila X nu este aleatoare.
Ipoteza I-4:
erorile sunt aleatorii, cu media zero.
Ipoteza I-5:
dispersia erorii este constant.

3
00:50
Unitatea de
nvare 4
Modele
Ipoteza I-6:
erorile nu sunt autocorelate.
Ipoteza I-7:
erorile sunt normal distribuite.
2.1.4. Proprieti ale estimatorilor

Pornind de la ipotezele prezentate, pot fi demonstrate o serie de proprieti ale estimatorilor
calculai prin metoda celor mai mici ptrate pentru parametrii modelului linear unifactorial16.
01:00
Proprietatea P-1:
estimatorii sunt lineari.
Proprietatea P-2:
estimatorii sunt nedeplasai.
Proprietatea P-2':
estimatorii sunt consisteni.
Proprietatea P-3:
estimatorii sunt eficieni.
Proprietatea P-4:
estimatorii sunt normal distribuii.
Proprietatea P-5:
estimatorii sunt de maxim verosimilitate.
n literatura de specialitate se folosete expresia BLUE (Best Linear Unbiased Estimators)

pentru estimatorii parametrilor din modelul de regresie linear calculai prin metoda celor mai mici
ptrate, atunci cnd estimatorii respectivi ndeplinesc condiiile din teorema Gauss-Markov.
Concluzia este urmtoarea:

Dac n modelul de regresie linear, variabila exogen are dispersia nenul, dar finit i este
independent fa de erori, iar erorile sunt variabile aleatoare independente ntre ele, normal
distribuite, cu medie zero i dispersia constant, atunci estimatorii obinui prin metoda celor
mai mici ptrate sunt lineari, nedeplasai (consisteni), eficieni, normal distribuii i de
maxim verosimilitate.
2.2. Modelul linear multifactorial
01:15
n subcapitolul precedent a fost analizat un caz simplu, al dependenei lineare dintre dou
variabile X i Y, sub forma Y = f(X, e). De cele mai multe ori ns, intercondiionrile dintre
procesele economice sunt mult mai complexe, astfel nct evoluia unei variabile Y nu depinde de
un singur factor, ci de o serie de factori. De exemplu, inflaia este un proces economic deosebit de
complex, care depinde de evoluia salariilor n economie, de dinamica productivitii muncii, de
cursul de schimb al monedei naionale, de ratele dobnzii, de preurile la energie pe plan
internaional etc.
16
Pentru demonstraia proprietilor vezi Jula D., 2003, Introducere n econometrie, Editura Professional Consulting, Bucureti, cap.2,
anexele 2.A.6 2.A.10, pag.56-70.
4
Unitatea de
nvare 4
Modele
Y = a0 + a1X1 + a2X2 + ... + akXk + e

unde Y este variabila endogen, X1, X2, , Xk sunt k variabile explicative, a0, a1, a2, , ak sunt k+1
parametri necunoscui, iar e este variabila de abatere (eroarea) din ecuaia de regresie.
Eroarea e reflect, la fel ca n modelul linear unifactorial, influena elementelor calitative
necuantificabile, a celor care depind de comportamentul uman nepredictibil, sau a altor factori cu
influen minor, alii dect X1, X2, , Xk.
Parametrul a0 modeleaz comportamentul autonom al variabilei endogene, iar parametrii ai
cuantific intensitatea influenei factorului Xi asupra variabilei Y.
2.2.1. Estimarea parametrilor din modelul linear multifactorial metoda celor mai mici
ptrate
Presupunem c printr-o cercetare selectiv sunt obinute n nregistrri. Fiecare nregistrare
conine o singur valoare pentru variabila Y i cte o valoare pentru fiecare dintre variabilele
explicative.
Scriem Xit valoarea variabilei i, n nregistrarea t, unde
i 1, k ,
iar
t 1, n .
Sistemul poate fi scris, concentrat, astfel:

Yt = a0 + a1X1t + a2X2t + ... + akXkt + et.
Introducem urmtoarele notaii:
1
Y1

1
Y2
Y Y3 , X 1

1
Y
X 11
X 12
X 13
X 1n
X k1
e1
a0

X k2
e2
a1
X k 3 A a 2 , e e3
X kn
n
ak
X 21
X 22
X 23
X 2n
unde:
Y este un vector coloan, de dimensiuni n 1, care are drept componente cele n nregistrri ale
variabilei explicate (endogene),
X este o matrice de dimensiuni n (k+1), care conine n prima coloan (ataat termenului
liber) constanta 1, iar n celelalte k coloane nregistrrile pentru fiecare dintre cele k variabile
explicative;
A este un vector coloan, de dimensiuni (k+1) 1, care include cei k+1 parametri ai
modelului;
e
este un vector coloan, de dimensiuni n 1, care include cele n valori ale variabilei de
abatere (erorile din ecuaie de regresie)
Cu aceste notaii, sistemul poate fi scris matriceal astfel:
Y = XA + e.
Dac se selecteaz valorile obinute n nregistrarea t pentru variabilele din ecuaia precedent,
atunci
01:25
Unitatea de
nvare 4
Modele
t = 0 + 1X1t + 2X2t + ... + kXkt.

Valoarea nregistrat Yt nu coincide cu valoarea calculat t pe baza modelului, diferena dintre
cele dou mrimi fiind un estimator al erorilor din ecuaia de regresie. Notm estimatorul respectiv
cu ut i l denumim variabila rezidual. Atunci:
Yt = + ut, oricare ar fi t = 1, 2, ..., n,
Ecuaiile pot fi scrise sub form matriceal astfel:
Y = X + u,
unde i u sunt vectorii ataai estimatorilor, respectiv variabilei reziduale.
u1
a 0

u2
a1
A a , u u
3
2

u
a
n
k
Valorile i u depind de eantionul selectat i de metoda de estimare aleas.
Cea mai cunoscut procedur de calcul a estimatorilor pentru parametrii modelului linear
multifactorial este metoda celor mai mici ptrate. Se demonstreaz c valorile 0, 1, , k, care
minimizeaz suma ptratelor reziduurilor se calculeaz astfel:
= (X'X)-1X'Y
2.2.2. Ipotezele modelului

Estimarea parametrilor din ecuaia de regresie multifactorial se bazeaz, la fel ca n cazul
unifactorial, pe o serie de ipoteze referitoare la forma dependenei dintre variabile, la variabila
explicativ i la variabila de abatere.
01:50
I1M: Linearitatea modelului.

I2M: Ipotezele referitoare la variabilele explicative
a. Variabilele explicative nu sunt aleatoare, au valorile fixate atunci cnd se repet selecia
b. Fiecare variabil exogen are dispersia nenul, dar finit
c. Numrul de observaii este superior numrului de parametri
d. Nu exist nici o relaie linear ntre dou sau mai multe variabile explicative (absena
colinearitii)
I3M: Ipotezele referitoare la erori
Unitatea de
nvare 4
Modele
a. Erorile et au media nul

b. Erorile et au dispersia constant oricare ar fi t (erorile nu sunt heteroscedastice)
c. Erorile et sunt independente (nu sunt autocorelate)
d. Erorile et sunt normal distribuite
2.2.3. Proprieti ale estimatorilor calculai prin metoda celor mai mici ptrate
02:00
Dac ipotezele modelului sunt respectate, atunci estimatorii calculai prin metoda celor mai
mici ptrate pentru modelul multifactorial de regresie linear au anumite proprieti.
Proprietatea P-1M: estimatorii sunt lineari.

Proprietatea P-2M: estimatorii sunt nedeplasai.
Proprietatea P-2'M: estimatorii sunt consisteni.
Proprietatea P-3M: estimatorii sunt eficieni.
Proprietatea P-4M: estimatorii sunt normal distribuii.
Proprietatea P-5M: estimatorii sunt de maxim verosimilitate.

Pentru exemplificarea modului de calcul a estimatorilor din modelul linear unifactorial analizm
legtura dintre veniturile populaiei i volumul economiilor. Datele nregistrate pentru 20 momente
diferite de timp sunt prezentate n tabelul urmtor:
Veniturile
Volumul
Nr.
populaiei economiilor
crt.
(X)
(Y)
1
100
20
110
25
120
28
125
30
130
33
02:10
Unitatea de
nvare 4
Modele
Veniturile
Volumul
Nr.
populaiei economiilor
crt.
(X)
(Y)
6
140
35
150
36
155
42
170
44
10
170
42
11
180
45
12
185
50
13
190
47
14
200
48
15
205
52
16
210
58
17
215
54
18
220
55
19
220
58
20
225
60
Modelul linear unifactorial se scrie:

Yt = a0 + a1Xt + et,
unde Yt este variabila endogen (explicat) volumul economiilor populaiei, Xt este variabila
exogen (explicativ) veniturile populaiei, et variabila de abatere (discrepana dintre valorile
nregistrate i cele anticipate pe baza modelului), a0 i a1 sunt parametrii modelului.
Sistemul de ecuaii normale se scrie astfel:
862 20a0 3420a1
156270 3420a0 615450a1

Rezolvm sistemul prin regula lui Cramer. Valorile 0 i 1 sunt:
0 = -6.40973
1 = 0.28952
Valorile estimate pentru variabila endogen se determin astfel:
8
Unitatea de
nvare 4
Modele
t = -6.40793 + 0.28952Xt.
Dreapta de regresie este prezentat n figura 2-3.
De asemenea, se pot calcula reziduurile din ecuaia de regresie, adic abaterile dintre valorile
nregistrate ale variabilei endogene (Yt) i valorile estimate pe baza modelului (t):
ut = Yt t
Valorile variabilei reziduale ut sunt date n coloana 6 a tabelului 2-1.
70
60
Y = - 6.4079 +0.2895X
R 2 = 0.9719
50
40
30
20
10
75
100
125
150
175
200
225
250
Figura 2-3: Dreapta de regresie

Fie urmtoarele date nregistrate privind dinamica veniturilor populaiei (X1t), evoluia ratei
reale a dobnzii pasive (X2t) i dinamica depozitelor bancare (Yt):
02:35
Dinamica
veniturilor
populaiei
Evoluia ratei
reale a
dobnzii pasive
Dinamica
depozitelor
bancare
(X1t)
(X2t)
(Yt)
0.5
4.1
0.3
1.0
4.2
0.8
1.2
4.0
0.3
-0.3
4.1
-0.5
2.1
3.8
0.8
2.3
4.2
1.4
1.2
3.8
0.2
1.0
3.9
0.7
Nr.crt.
Unitatea de
nvare 4
Modele
Dinamica
veniturilor
populaiei
Evoluia ratei
reale a
dobnzii pasive
Dinamica
depozitelor
bancare
(X1t)
(X2t)
(Yt)
0.8
3.9
0.0
10
0.0
3.8
-0.7
11
-0.6
3.8
-1.0
12
2.2
3.8
1.3
13
1.4
4.2
1.0
14
2.0
3.9
1.2
15
2.3
4.2
1.7
16
1.1
3.8
0.4
17
0.8
3.9
0.6
18
-0.5
4.1
-0.9
19
-1.4
3.9
-1.4
20
0.2
4.1
-0.2
21
1.8
4.2
1.5
22
2.2
3.8
0.9
23
2.1
4.1
1.0
24
1.5
4.2
0.7
25
1.8
3.8
1.2
Nr.crt.
Datele sunt reprezentate grafic n figura 2-4. Modelul linear bi-factorial se scrie:
Yt = a0 + a1X1t + a2X2t + et.
Vectorul estimatorilor se calculeaz dup relaia:
= (X'X)-1X'Y.
10
Unitatea de
nvare 4
Modele
5.0
X1
X2
4.0
3.0
2.0
1.0
0.0
-1.0
11 13 15 17 19 21 23 25
-2.0
Figura 2-4: Modelul linear multifactorial

Elementele din formula precedent sunt:
26.70 99.60
25
X ' X 26.70 54.09 106.74

99.60 106.74 397.46
de unde:
24.378 0.046 6.121
( X ' X ) 0.046
0.039 0.022
6.121 0.022 1.542
De asemenea,
11.3
X 'Y 31.75 .
45.86
Rezult:
3.78693
A 0.75722
0.860999
Valorile estimate pentru variabila endogen se determin astfel:

t = -3.78693 + 0.75722X1t + 0.860999X2t.
De asemenea, se pot calcula reziduurile din ecuaia de regresie, adic abaterile dintre valorile
nregistrate ale variabilei endogene (Yt) i valorile estimate pe baza modelului (t): ut = Yt t.
Aceste reziduuri vor fi folosite n testarea modelului.
03:00
11
Unitatea de
nvare 4
Modele
1. Care este forma ecuaiei de regresie in modelul unifactorial?

2. n ce const metoda celor mai mici ptrate?
3. n ce condiii estimatorii obinui prin metoda celor mai mici ptrate sunt lineari, nedeplasai
(consisteni), eficieni, normal distribuii i de maxim verosimilitate?
4. Care sunt ipotezele modelului multifactorial?
12
Unitatea de
nvare 4
Modele
n modelul unifactoria, ecuaia de regresie poate fi scris ntr o

form echivalent astfel:
Y = a0 + a1X + e,
unde Y este variabila endogen (variabila explicat prin model),
X este variabila exogen (variabila explicativ), a0 i a1 sunt
parametrii modelului, iar e reprezint eroarea sau abaterea dintre
valoarea anticipat a endogenei i valoarea efectiv nregistrat
Dac n modelul de regresie linear, variabila exogen are
dispersia nenul, dar finit i este independent fa de erori, iar
erorile sunt variabile aleatoare independente ntre ele, normal
distribuite, cu medie zero i dispersia constant, atunci estimatorii
obinui prin metoda celor mai mici ptrate sunt lineari,
nedeplasai (consisteni), eficieni, normal distribuii i de maxim
verosimilitate.
Modelul factorial este de forma
Y = a0 + a1X1 + a2X2 + ... + akXk + e
unde Y este variabila endogen, X1, X2, , Xk sunt k variabile
explicative, a0, a1, a2, , ak sunt k+1 parametri necunoscui, iar e
este variabila de abatere (eroarea) din ecuaia de regresie.
Se demonstreaz c valorile 0, 1, , k, care minimizeaz suma
ptratelor reziduurilor se calculeaz astfel:
= (X'X)-1X'Y
13
Unitatea de
nvare 4
Modele
Lucrri obligatorii
Bucureti
Bucureti
Bucureti
Bucureti
Mustang, Bucureti
1.
2.
3.
4.
5.
6.
14
Unitatea de
nvare 4
Modele
1. Ecuaia de regresie poate fi scris ntr-o form echivalent astfel:

Y = a0 + a1X + e,
unde Y este variabila endogen (variabila explicat prin model), X este variabila exogen
(variabila explicativ), a0 i a1 sunt parametrii modelului, iar e reprezint eroarea sau
abaterea dintre valoarea anticipat a endogenei i valoarea efectiv nregistrat.
2. Procedura cunoscut sub denumirea de metoda celor mai mici ptrate const n nsumarea
ptratelor abaterilor i determinarea acelor valori ale parametrilor care s duc la
minimizarea sumei respective.
Grafic, criteriul aplicat n cazul metodei celor mai mici ptrate este urmtorul: dreapta care
asigur cea mai bun ajustare a punctelor empirice (dreapta de regresie) este aceea pentru
care se minimizeaz suma ptratelor abaterilor dintre punctele de pe grafic i punctele care
au aceeai abscis pe dreapta de regresie, abaterile fiind msurate vertical.
Analitic, se demonstreaz c valorile (0, 1) care minimizeaz suma ptratelor abaterilor u
dintre datele nregistrate ale variabilei Y i valorile calculate sunt soluiile sistemului de
ecuaii normale:
n
n
Yt na0 a1 X t
t 1
t 1
n
n
n
X tYt a0 X t a1 X t2
t 1
t 1
t 1
3. Dac n modelul de regresie linear, variabila exogen are dispersia nenul, dar finit i este
independent fa de erori, iar erorile sunt variabile aleatoare independente ntre ele, normal
distribuite, cu medie zero i dispersia constant, atunci estimatorii obinui prin metoda celor
mai mici ptrate sunt lineari, nedeplasai (consisteni), eficieni, normal distribuii i de
maxim verosimilitate.
4. I1M: Linearitatea modelului.
I2M: Ipotezele referitoare la variabilele explicative
a.
Variabilele explicative nu sunt aleatoare, au valorile fixate atunci cnd se

repet selecia
15
Unitatea de
nvare 4
Modele
b.
Fiecare variabil exogen are dispersia nenul, dar finit
c.
Numrul de observaii este superior numrului de parametri
d.
Nu exist nici o relaie linear ntre dou sau mai multe variabile explicative
(absena colinearitii)
I3M: Ipotezele referitoare la erori

a.
Erorile et au media nul
b.
Erorile et au dispersia constant oricare ar fi t (erorile nu sunt

heteroscedastice)
c.
Erorile et sunt independente (nu sunt autocorelate)
d.
Erorile et sunt normal distribuite
16
Unitatea de
nvare 5
Teste de semnificaie
Unitatea de nvare 5: TESTE DE SEMNIFICAIE

Cuprins:
3.1. Dispersia estimatorilor
3.1.1. Dispersia estimatorilor n modelul unifactorial de regresie linear
3.1.2. Dispersia estimatorilor n modelul linear multifactorial
3.2. Teste privind semnificaia estimatorilor
3.2.1. Testul de semnificaie n cazul modelului unifactorial
3.2.2. Teste de semnificaie a estimatorilor n modelul linear multifactorial
Testarea dispersiei estimatorilor

Testarea semnificaiei estimatorilor
Exemple de calcul n cazul modelului
unifactorial/multifactorial
Unitatea de
nvare 5
3.1. Dispersia estimatorilor

3.1.1. Dispersia
estimatorilor
unifactorial de regresie linear
modelul
00:00
Se poate demonstra c o estimare nedeplasat a

dispersiei erorilor, calculat pornind de la dispersia de
selecie a variabilei reziduale, este dat de expresia17:
n
s u2

vei fi n msur s
Ce este dispersia i
cum se calculeaz n
cazul celor 2 tipuri
de modele?
Care sunt testele de
semnificaie n cazul
modelului
unifactorial,
respectiv
multifactorial?
2
t
t 1
n2
Prin calcul direct se pot deduce dispersiile

estimatorilor 0 i 1 obinui prin metoda celor mai
mici ptrate. Se pot calcula estimrile nedeplasate
pentru dispersiile estimatorilor din modelul
unifactorial de regresie linear18:
1
X2
sa20 su2
n X X 2
t
s a21 s u2
Valorile s a20 i sa21 sunt estimatori nedeplasai ai

mrimilor var(a0), respectiv var(a1), n msura n care
su2 este un estimator nedeplasat al dispersiei de selecie
a erorilor e2 .
Abaterile standard ale variabilelor aleatoare u, 0 i 1, adic su, s a0 i sa1 se calculeaz prin
extragerea rdcinii ptrate din valorile corespunztoare ale dispersiilor.
3.1.2. Dispersia estimatorilor n modelul linear multifactorial

Un estimator nedeplasat al matricei V() se calculeaz astfel:
S A2 su2 X ' X ,
1
unde
su2
1
u' u
n k 1
este un estimator nedeplasat al dispersiei erorilor.

Pornind de la relaia precedent se calculeaz dispersia de selecie pentru estimatorii
2
parametrilor din ecuaia de regresie, notat sa , astfel:
i
17
Idem, Anexa 2.A.13, pag.74-75.

Relaiile de calcul pentru dispersiile estimatorilor din modelul unifactorial de regresie linear se deduc simplu, prin precizarea k = 1 n
relaiile de calcul a dispersiilor din modelul multifactorial de regresie linear, relaii demonstrate n paragraful urmtor.
18
00:23
Unitatea de
nvare 5
sa2i su2 d ii , unde
i 0, k .
Abaterea standard de selecie a estimatorului i se calculeaz prin extragerea rdcinii ptrate

din dispersia estimatorului respectiv.
3.2. Teste privind semnificaia estimatorilor
Pentru prezentarea metodologiei de testare a semnificaiei estimatorilor calculai prin metoda
celor mai mici ptrate, n cazul unui model linear unifactorial care respect ipotezele de la I-1 la I-7
sunt necesare cteva noiuni elementare privind intervalele de ncredere i testarea ipotezelor
statistice. Aceste noiuni sunt prezentate, sintetic, n paragrafele urmtoare.
00:30
3.2.1. Testul de semnificaie n cazul modelului unifactorial

Procedura uzual aplicat pentru testarea semnificaiei parametrilor din modelul unifactorial de
regresie linear urmrete testarea ipotezei nule H0: parametrii nu difer semnificativ de zero,
contra ipotezei alternative H1: parametrii din ecuaia de regresie sunt, n valoare absolut, strict
pozitivi. Atunci, sub ipoteza H0, statistica
ta i
ai
sa i
urmeaz o distribuie Student cu n 2 grade de libertate (i = 0 sau 1). Se respinge ipoteza nul
H0: i = 0 (X nu influeneaz Y) dac valoarea absolut a acestui test este mai mare dect o valoare
critic obinut din tabelele distribuiei t (Student).
Algoritmul de testare a semnificaiei estimatorilor este prezentat n exemplul de calcul.
Observaie: Dac valoarea unui estimator este negativ, fie se testeaz t ai t n 2, , fie statisticile t
se calculeaz n modul i se urmeaz procedura prezentat.

Pentru testarea semnificaiei estimatorilor relum exemplul analizat n capitolul II, referitor la
legtura dintre veniturile populaiei i volumul economiilor.
01:00
Unitatea de
nvare 5
Tabelul 3-1: Legtura dintre veniturile populaiei (Y) i volumul economiilor (X)
t
Xt
Yt
100
20
110
25
120
28
125
30
130
33
140
35
150
36
155
42
170
44
10
170
42
11
180
45
12
185
50
13
190
47
14
200
48
15
205
52
16
210
58
17
215
54
18
220
55
19
220
58
20
225
60
3420
862
Relaiile pentru calculul dispersiilor reziduurilor, respectiv estimatorilor 0 i 1 duc la

urmtoarele rezultate:
s u2 4.1298
s a2 4.148988
0
Unitatea de
nvare 5
s a2 0.000135
1
Prin extragerea radicalului se calculeaz valorile abaterilor standard ale estimatorilor:

sa = 2.0369
0
sa = 0.0116
1
Pentru calculul statisticii testului de semnificaie se aplic relaiile

t a
0
a0
6.4079
3.146
sa
2.0369
0
t a
1
a1 0.28952
24.958
sa
0.0116
0
Din tabelele distribuiei t-Student, pentru numrul gradelor de libertate

df = n 2 = 18,
n cazul testului unilateral se identific urmtoarele valori19:
Numrul gradelor de libertate
- testul unilateral
0.10
18
0.05 0.025
0.01 0.005 0.0005
1.330 1.734 2.101 2.552 2.878
3.922
Rezult:
*
*
t18
;0.005 2.878 t a 3.146 t18;0.0005 3.922 ,
0
deci estimatorul 0 poate fi garantat statistic cu un grad de ncredere mai mare dect 99.5%, dar nu
poate fi garantat 99.95%. Gradul de ncredere exprim ansele de respingere a ipotezei nule
(potrivit creia estimatorul 0 nu difer semnificativ de zero) i este calculat dup relaia (1
)100%, iar
*
t a 24.958 t18
;0.0005 3.922 .
1
Aceasta nseamn c ipoteza potrivit creia estimatorul 1 este semnificativ diferit de zero este
acceptat cu un grad de ncredere mai mare de 99.95%.
Rezultatele permit o prim evaluare a modelului unifactorial de regresie linear: sub rezerva
verificrii i a celorlalte ipoteze (discutate n modulele anterioare), analiza semnificaiei
estimatorilor sugereaz existena unei legturi semnificative ntre veniturile populaiei i volumul
economiilor.
Calculele precedente pot fi realizate prin utilizarea unor programe specializate. Un astfel de
program este Econometric Views. Rezolvarea problemei cu ajutorul acestui program duce la
obinerea urmtoarelor rezultate:
Variabila dependent: Y
Metoda de rezolvare: Metoda celor mai mici ptrate
Eantionul: 1 20
19
Vezi tabelul distribuiei t-Student din anexele prezentate la sfritul manualului.

5
Unitatea de
nvare 5
Observaii incluse: 20
Parametrii
Estimatorii
Ab.std.
t-statistic
alfa
a0
-6.407933 2.036906
-3.145915
0.0056
a1
0.289520 0.011612
24.93383
0.0000
R2
0.971862
Media var.endog.
43.10000
R2 ajustat
0.970298
Ab.std. var.endog.
11.79161
Ab.std.a regresiei
2.032185
Akaike info criterion
4.350739
Suma ptrate rezid.
74.33595
Schwarz criterion
4.450313
F-statistic
621.6959
Prob(F-statistic)
0.000000
Log likelihood
Durbin-Watson stat
-41.50739
1.939666
n Excel utilizm formula regresiei din meniul Analiz Date:
Figura 3-2a: Rezolvarea problemelor de regresie linear unifactorial cu ajutorul programului Excel
din pachetul Microsoft Office: utilizarea opiunii Regression

Pentru prezentarea modului de testare a semnificaiei estimatorilor n cazul modelului linear
multifactorial relum exemplul analizat n capitolul II, referitor la legtura dintre dinamica
veniturilor populaiei (X1t), evoluia ratei reale a dobnzii pasive (X2t) i dinamica depozitelor
bancare (Yt). Tabelul 2-2 este completat cu o coloan n care se calculeaz ut2. Calculele sunt
prezentate n tabelul 3-2.
6
01:45
Unitatea de
nvare 5
Tabelul 3-2: Dinamica veniturilor populaiei (X1t), evoluia ratei reale a dobnzii pasive (X2t) i
dinamica depozitelor bancare (Yt). modelul linear multifactorial
t
X1t
X2t
Yt
0.5
4.1
0.3
1.0
4.2
0.8
1.2
4.0
0.3
-0.3
4.1
-0.5
2.1
3.8
0.8
2.3
4.2
1.4
1.2
3.8
0.2
1.0
3.9
0.7
0.8
3.9
0.0
10
0.0
3.8
-0.7
11
-0.6
3.8
-1.0
12
2.2
3.8
1.3
13
1.4
4.2
1.0
14
2.0
3.9
1.2
15
2.3
4.2
1.7
16
1.1
3.8
0.4
17
0.8
3.9
0.6
18
-0.5
4.1
-0.9
19
-1.4
3.9
-1.4
20
0.2
4.1
-0.2
21
1.8
4.2
1.5
22
2.2
3.8
0.9
23
2.1
4.1
1.0
Unitatea de
nvare 5
X1t
X2t
Yt
24
1.5
4.2
0.7
25
1.8
3.8
1.2
26.7
99.6
11.3
Dispersia su2 este dispersia variabilei reziduale:

su2 0.0589 .
Se determin
s a0 1.198
s a1 0.048
s a 2 0.301
Sstatisticile testului de semnificaie sunt:
ta0 3.16
t a1 15.72
t a1 2.86
Din tabelele distribuiei t-Student, pentru numrul gradelor de libertate
df = n 2 1 = 22,
n cazul testului unilateral se identific urmtoarele valori:
Numrul gradelor de libertate
22
testul unilateral
0.10
0.05 0.025
0.01 0.005 0.0005
1.321 1.717 2.074 2.508 2.819
3.792
Rezult:
*
*
t 22
; 0.005 2.819 t a 0 t 22; 0.0005 3.792
deci estimatorul 0 poate fi garantat statistic cu un grad de ncredere mai mare dect 99.5%, dar nu
poate fi garantat 99.95%.
La fel ca n cazul modelului unifactorial, gradul de ncredere exprim ansele de respingere a
ipotezei nule (potrivit creia estimatorul 0 nu difer semnificativ de zero) i este calculat dup
relaia (1 )100%.
Estimatorul 1 este semnificativ diferit de zero cu un grad de ncredere mai mare de 99.95%,
deoarece
*
t a1 15.72 t 22
; 0.0005 3.792 .
Unitatea de
nvare 5
De asemenea,
*
*
t 22
; 0.005 2.819 t a 2 t 22; 0.0005 3.792
ceea ce nseamn c estimatorul 2 poate fi garantat statistic cu un grad de ncredere mai mare de
99.5%, dar mai mic de 99.95%.
La fel ca n cazul modelului unifactorial, prezentm, pentru comparaie, rezultatele obinute cu
ajutorul programului EViews:
Eantionul: 1 25
Parametrii
Estimatorii
-3.786930
X1
X2
Ab.std.
t-Statistic
alfa
1.197995 -3.161057
0.0045
0.757220
0.048174
15.71857
0.0000
0.860999
0.301339
2.857241
0.0092
R2
0.923464
Media var.endog.
0.452000
R2 ajustat
0.916506
Ab.std. var.endog.
0.839702
Ab.std.a regresiei
0.242635
0.117647
Suma ptrate rezid.
1.295176
Schwarz criterion
0.263913
Log likelihood
1.529406
F-statistic
132.7229
Durbin-Watson stat
2.059123
Prob(F-statistic)
0.000000
Rezultatele permit o prim evaluare a modelului: sub rezerva verificrii i a celorlalte ipoteze
discutate n modulele anterioare, analiza semnificaiei estimatorilor sugereaz existena unei relaii
semnificative ntre dinamica depozitelor bancare (Yt) i dinamica veniturilor populaiei (X1t),
respectiv evoluia ratei reale a dobnzii pasive (X2t).
02:30
Unitatea de
nvare 5
1. Care este formula dispersiei erorilor n modelul unifactorial?

2. Cum se calculeaz dispersia estimatorului i n modelul multifactorial?
3. Construii un model multifactorial i testai semnificaia estimatorilor parametrilor
cu ajutorul unui software specializat.
10
Unitatea de
nvare 5
Se poate demonstra c o estimare nedeplasat a dispersiei

erorilor, calculat pornind de la dispersia de selecie a variabilei
reziduale, este dat de expresia:
n
su2
u
t 1
2
t
n2
Prin calcul direct se pot deduce dispersiile estimatorilor 0 i 1

obinui prin metoda celor mai mici ptrate. Se demonstreaz c
dac se respect ipotezele I-5 (erorile nu sunt heteroscedastice) i
I-6 (erorile nu sunt autocorelate), atunci se pot calcula estimrile
nedeplasate pentru dispersiile estimatorilor din modelul
unifactorial de regresie linear:
1
X2
s a20 su2
2
n
X t X
s a21 s u2
n cazul modelului multifactorial, dac erorile sunt independente

(ipoteza I-3Mc) i nu sunt heteroscedastice (ipoteza I-3Mb), atunci
un estimator nedeplasat al matricei V() se calculeaz astfel:
S A2 su2 X ' X , unde

1
s u2
1
u' u
n k 1
este un estimator nedeplasat al dispersiei erorilor.

Pornind de la relaia precedent se calculeaz dispersia de
selecie pentru estimatorii parametrilor din ecuaia de regresie,
notat s a2i , astfel:
sa2i su2 d ii , unde i 0, k .
Procedura uzual aplicat pentru testarea semnificaiei

parametrilor din modelul unifactorial de regresie linear
urmrete testarea ipotezei nule H0: parametrii nu difer
semnificativ de zero, contra ipotezei alternative H1: parametrii
din ecuaia de regresie sunt, n valoare absolut, strict pozitivi.
Atunci, sub ipoteza H0, statistica
11
Unitatea de
nvare 5
t ai
a i
s ai
urmeaz o distribuie Student cu n 2 grade de libertate (i = 0 sau

1). Se respinge ipoteza nul H0: i = 0 (X nu influeneaz Y) dac
valoarea absolut a acestui test este mai mare dect o valoare
critic obinut din tabelele distribuiei t (Student).
12
Unitatea de
nvare 5
1.
2.
3.
4.
5.
6.
Lucrri obligatorii
Bucureti
Bucureti
Bucureti
Bucureti
Mustang, Bucureti
1.
2.
3.
4.
5.
6.
13
Unitatea de
nvare 5
1. O estimare nedeplasat a dispersiei erorilor, calculat pornind de la dispersia de selecie a

variabilei reziduale, este dat de expresia:
n
su2
u
t 1
2
t
n2
2. Pentru a calcula dispersia estimatorului i se nmulete dii elementul aflat pe poziia i

(i = 0, 1, 2, , k) n diagonala matricei (X'X)-1 cu dispersia constant a valorilor variabilei
2
reziduale su .
3. Vezi Excel sau Eviews.
14
Unitatea de
nvare 6
Heteroscedasticitatea erorilor
PARTEA A II A: ECONOMETRIE
Unitatea de nvare 6: HETEROSCEDASTICITATEA ERORILOR
Cuprins:
4.1. Consecine ale heteroscedasticitii
4.2. Testarea heteroscedasticitii
4.2.1. Testul GoldfeldQuandt
4.2.2. Testul Breusch-Pagan
4.2.3. Testul White
4.3. Atenuarea heteroscedasticitii
4.4. Aplicaii testarea i atenuarea heteroscadasticitii
4.4.1. Testul GoldfeldQuandt pentru modelul unifactorial
4.4.2. Testul GoldfeldQuandt pentru modelul multifactorial
Heteroscedasticitatea - consecine, testare i

atenuare
Teste pentru depistarea heteroscetasticitii
Exemple de atenuare a heteroscetasticitii
Unitatea de
nvare 6
Proprietatea erorile de a nu avea o dispersie

constant se numete heteroscedasticitate. n
prezentul capitol sunt analizate problemele legate de
testarea modului n care se respect ipoteza privind
distribuia erorilor cu o dispersie constant,
consecinele nerespectrii acestei ipoteze i
procedurile de atenuare a fenomenului respectiv.
00:00
4.1. Consecine ale heteroscedasticitii

Dup parcurgerea unitii vei
fi n msur s rspundei la
ntrebrile:
Ce este
heteroscedasticitatea?
Care sunt consecinele
ignorrii acestui
fenomen?
Care sunt principalele
teste pentru
depistarea ei?
Dac fenomenul de heteroscedasticitate a

erorilor din modelul de regresie linear este ignorat,
iar pentru estimarea parametrilor se folosete
metoda celor mai mici ptrate, atunci, sintetic, cele
mai importante consecine ale ignorrii fenomenului
de heteroscedasticitate a erorilor sunt urmtoarele:
Consecine ale ignorrii fenomenului de
heteroscedasticitate a erorilor
a. Estimatorii parametrilor
nedeplasai i consisteni.
din
model
sunt
b. Estimatorii parametrilor din model nu sunt

eficieni.
c. Estimatorii calculai pentru dispersia i
covariana parametrilor sunt deplasai, nu sunt
consisteni i nu sunt eficieni.

d. Testul t Student aplicat pentru analiza semnificaiei estimatorilor nu este valid.
e. Estimatorii parametrilor nu au proprietatea de maxim verosimilitate.
4.2. Testarea heteroscedasticitii
Deoarece fenomenul de heteroscedasticitate a erorilor invalideaz testele statistice aplicate

asupra semnificaiei parametrilor, este necesar ca prezena fenomenului respectiv s fie testat i
atunci cnd este semnalat, s fie aplicate proceduri de eliminare.
00:10
Pentru modelul unifactorial de regresie, cea mai simpl metod de detectare a fenomenului de
heteroscedasticitate a erorilor const n reprezentarea grafic ntr-un sistem de coordonate XOY a
cuplurilor de puncte (Xt,Yt). Evident, procedura grafic este imprecis, este ntr-o anumit msur
subiectiv i, ca atare, are aplicabilitate limitat. De aceea, au fost construite teste statistice care s
identifice heteroscedasticitatea erorilor. Cele mai cunoscute sunt: testul GoldfeldQuandt, testul
BreuschPagan i testul White.
4.2.1. Testul GoldfeldQuandt
Procedura GoldfeldQuandt este folosit pentru testarea ipotezei nule H0, care presupune lipsa
heteroscedasticitii erorilor, contra ipotezei alternative H1, care admite faptul c dispersia erorilor
este corelat cu valorile uneia dintre variabilele explicative (de exemplu, dispersia erorilor crete pe
2
00:15
Unitatea de
nvare 6
msur ce cresc valorile acelei variabile explicative care este considerat ca fiind relevant). Pentru
aplicarea testului se admite faptul c o astfel de variabil explicativ relevant poate fi identificat.
4.2.2. Testul Breusch-Pagan
Testul Breusch-Pagan se bazeaz pe multiplicatorii Lagrange. S presupunem c dispersia

erorilor 2t nu este constant ci este asociat cu un numr p de variabile Z1, Z2, , Zp (cteva, sau
toate dintre aceste variabile pot fi selectate dintre variabilele explicative X ale modelului de
regresie). Considerm modelul, n forma general
00:30
Yt = a0 + a1X1t + a2X2t + ... + akXkt + et, t = 1, 2, ..., n

i
t2 = 0 + 1Z1t + 2Z2t + + pZpt,

unde
t2 = Var(et).
Dac
1 = 2 = ... = p = 0,
atunci dispersia estimatorilor este constant t2 0 i erorile nu sunt heteroscedastice. De aceea,
prin procedura propus de Breusch i Pagan se testeaz ipoteza nul H0: 1 = 2 = ... = p = 0,
contra ipotezei alternative H1: exist cel puin o valoare i nenul (i 0).
4.2.3. Testul White
Procedura White este urmtoarea:

1. Se estimeaz ecuaia de regresie prin metoda celor mai mici ptrate i se calculeaz
ut = Yt (0 + 1X1t + 2X2t + ... + kXkt), t = 1, 2, ..., n
00:45
2. Se calculeaz modelul
u2t
= 0 + 1Z1t + 2Z2t + + pZpt + t,
pentru care se calculeaz coeficientul de determinare multipl R2. Dac oricare dintre parametrii
este semnificativ, valoarea coeficientului de determinare R2 va fi semnificativ.
3. Dac nR 2 p2 0.05 atunci fenomenul de heteroscedasticitate a erorilor este prezent cu o
probabilitate de 95%.
4.3. Atenuarea heteroscedasticitii
Atenuarea fenomenului de heteroscedasticitate a erorilor presupune construirea unor proceduri

prin care s fie calculai estimatori nedeplasai, consisteni i eficieni ai parametrilor modelului.
n primul rnd, dac modelul nu este bine specificat, n sensul c n specificarea modelului a
fost exclus o variabil explicativ semnificativ, atunci este posibil ca erorile s fie
heteroscedastice. Aceasta deoarece eroarea din modelul redus substituie variabila omis din model,
astfel nct dispersia erorilor depinde de valorile variabilei neincluse n specificarea modelului.
00:55
Unitatea de
nvare 6
Atenuarea heteroscedasticitii se poate realiza, n aceast situaie, printr-o specificare corect a

modelului.
4.4. Aplicaii testarea i atenuarea heteroscadasticitii
4.4.1. Testul GoldfeldQuandt pentru modelul unifactorial
Pentru exemplificarea procedurii de identificare a fenomenului de heteroscedasticitate a erorilor

prin testul GoldfeldQuandt presupunem c sunt nregistrate urmtoarele date referitoare la legtura
dintre veniturile populaiei i volumul economiilor, ntr-un eantion de volum n = 20. Modelul
linear unifactorial este dat prin ecuaia: Yt = a0 + a1Xt + et, t = 1, 2, ..., 25, unde Xt reprezint
veniturile populaiei la momentul t, iar Yt volumul economiilor.
Datele nregistrate pentru 20 momente diferite de timp sunt n tabelul 4-1:
Tabelul 4-1: Testul GoldfeldQuandt, modelul unifactorial
Nr.crt.
Veniturile populaiei Volumul economiilor
(X)
(Y)
100
20
110
25
120
28
125
30
130
33
140
35
150
36
155
42
170
44
10
170
42
11
180
45
12
185
50
13
190
47
14
200
48
15
205
52
16
210
58
17
215
54
4
01:00
Unitatea de
nvare 6
Nr.crt.
Veniturile populaiei Volumul economiilor
(X)
(Y)
18
220
55
19
220
58
20
225
60
Aplicarea testului GoldfeldQuandt presupune, n primul rnd, aranjarea observaiilor n

ordinea cresctoare a valorilor factorului care ar putea explica apariia fenomenului de
heteroscedasticitate a erorilor. n al doilea rnd, se divide volumul eantionului n dou pri egale,
dup eliminarea observaiilor situate n mijlocul eantionului.
Deoarece numrul de observaii din eantion nu este mare (20 observaii), nu s-au eliminat
observaiile mediane, astfel nct prima parte a eantionului cuprinde primele 10 nregistrri (pentru
t de la 1 la 10), iar cea de-a doua parte, ultimele 10 nregistrri (pentru t de la 11 la 20).
Potrivit algoritmului GoldfeldQuandt, se aplic metoda celor mai mici ptrate pentru calculul
estimatorilor separat pentru cele dou serii de date.
Astfel, pornind de la seria 1, se estimeaz parametrii modelului M1:
M 1: Yt = a0 + a1Xt + et, t = 1, 2, ..., 10
01:15
i, separat, pornind de la seria 2 se estimeaz parametrii modelului M2:

M 1: Yt = a0 + a1Xt + et, t = 11, 12, ..., 20
Modelul M1 este estimat prin metoda celor mai mici ptrate, pornind de la eantionul prezentat
n tabelul 4-2 sub denumirea de "seria 1". Au fost obinute urmtoarele rezultate:
M 1: t = -10.3869 + 0.3203Xt.
Rezolvarea n detaliu este prezentat n tabelul EViews urmtor:
Eantionul: 1 10
Parametrii
C
X
Estimatorii
Ab.std.
t-Statistic
alfa
-10.38688 3.082584 -3.369538
0.0098
0.320342 0.022192
14.43516
0.0000
R2
0.963027
Media var.exog.
33.50000
R2 ajustat
0.958405
Ab.std.var.exog.
7.891627
Ab.std.regresie
1.609479
Akaike info criterion 3.966555
Unitatea de
nvare 6
Suma ptratelor rezid. 20.72338
Schwarz criterion
4.027072
Log likelihood
F-statistic
208.3739
Prob(F-statistic)
0.000001
-17.83277
Durbin-Watson stat
2.070122
Modelul M2 este estimat prin metoda celor mai mici ptrate, pornind de la eantionul prezentat n
tabelul 4-2 sub denumirea de "seria 2". Au fost obinute urmtoarele rezultate:
M 2: t = -6.97778 + 0.291111Xt.
Rezolvarea n detaliu este prezentat n tabelul EViews urmtor:
Metoda de rezolvare: Metoda celor mai mici ptrate (vezi modulele anterioare)
Eantionul: 11 20
Parametrii
Estimatorii
C
X
Ab.std
t-Statistic
alfa
-6.977778 10.55038 -0.661377
0.5270
0.291111 0.051328
5.671580
0.0005
R2
0.800831
Media var.exog.
52.70000
R2 ajustat
0.775934
Ab.std.var.exog.
5.143496
Ab.std.regresie
2.434703
Schwarz criterion
4.854900
Log likelihood
F-statistic
32.16682
Prob(F-statistic)
0.000470
-21.97191
Durbin-Watson stat
2.160603
Seriile de date i elementele utilizate n calculul testului sunt descrise, n detaliu n tabelul 4-4.
Pornind de la rezultatele obinute, se calculeaz:
20
VTR2
Fc
VTR1
2
t
2
t
t 11
10
t 1
47.4222
2.29
20.7234
Din tabelul distribuiei F, pentru un prag de ncredere = 0.05, se determin

F10-2,10-2(0.05) = F8,8(0.05) = 3.44
Rezult
Fc = 2.29 < 3.44 = F8,8(0.05)
6
Unitatea de
nvare 6
deci, erorile et din modelul iniial nu sunt heteroscedastice.

4.4.2. Testul GoldfeldQuandt pentru modelul multifactorial
Pentru aplicarea testului GoldfeldQuandt n cazul modelului multifactorial de regresie linear

sunt utilizate datele referitoare la legtura dintre dinamica veniturilor populaiei (X1t), evoluia ratei
reale a dobnzii pasive (X2t) i dinamica depozitelor bancare (Yt). Aceste date sunt prezentate n
tabelul 4-5.
Tabelul 4-5: Testul GoldfeldQuandt, modelul multifactorial
Nr.crt.
Dinamica
veniturilor
populaiei
(X1t)
Evoluia ratei
reale a
dobnzii
pasive
(X2t)
Dinamica
depozitelor
bancare
(Yt)
0.5
4.1
0.3
1.0
4.2
0.8
1.2
4.0
0.3
-0.3
4.1
-0.5
2.1
3.8
0.8
2.3
4.2
1.4
1.2
3.8
0.2
1.0
3.9
0.7
0.8
3.9
0.0
10
0.0
3.8
-0.7
11
-0.6
3.8
-1.0
12
2.2
3.8
1.3
13
1.4
4.2
1.0
14
2.0
3.9
1.2
15
2.3
4.2
1.7
16
1.1
3.8
0.4
17
0.8
3.9
0.6
01:50
Unitatea de
nvare 6
Nr.crt.
Dinamica
veniturilor
populaiei
(X1t)
Evoluia ratei
reale a
dobnzii
pasive
Dinamica
depozitelor
bancare
(Yt)
(X2t)
18
-0.5
4.1
-0.9
19
-1.4
3.9
-1.4
20
0.2
4.1
-0.2
21
1.8
4.2
1.5
22
2.2
3.8
0.9
23
2.1
4.1
1.0
24
1.5
4.2
0.7
25
1.8
3.8
1.2
Modelul linear bi-factorial se scrie:

Yt = a0 + a1X1t + a2X2t + et.
Vectorul estimatorilor se calculeaz dup relaia: = (X'X)-1X'Y.
Aplicarea testului GoldfeldQuandt presupune, n primul rnd, aranjarea observaiilor n
ordinea cresctoare a valorilor factorului care ar putea explica apariia fenomenului de
heteroscedasticitate a erorilor. Presupunem c acest factor ar putea fi: dinamica veniturilor
populaiei (X1t). n tabelul urmtor s-a realizat acest lucru.
Nr.crt.
X1t
X2t
Yt
-1.4
3.9
-1.4
-0.6
3.8
-1.0
-0.5
4.1
-0.9
-0.3
4.1
-0.5
0.0
3.8
-0.7
0.2
4.1
-0.2
0.5
4.1
0.3
0.8
3.9
0.0
Unitatea de
nvare 6
Nr.crt.
X1t
X2t
Yt
0.8
3.9
0.6
10
1.0
4.2
0.8
11
1.0
3.9
0.7
12
1.1
3.8
0.4
13
1.2
4.0
0.3
14
1.2
3.8
0.2
15
1.4
4.2
1.0
16
1.5
4.2
0.7
17
1.8
4.2
1.5
18
1.8
3.8
1.2
19
2.0
3.9
1.2
20
2.1
3.8
0.8
21
2.1
4.1
1.0
22
2.2
3.8
1.3
23
2.2
3.8
0.9
24
2.3
4.2
1.4
25
2.3
4.2
1.7
n al doilea rnd, se divide volumul eantionului n dou pri egale, dup eliminarea
observaiilor situate n mijlocul eantionului. Egalitatea celor dou pri nu reprezint o condiie
obligatorie a procedurii GoldfeldQuandt.
Concret, din eantionul prezentat n tabelul precedent s-a eliminat observaia numerotat cu
t = 13, astfel nct prima parte a eantionului cuprinde primele 12 nregistrri (pentru t de la 1 la
12), iar cea de-a doua parte, ultimele 12 nregistrri (pentru t de la 14 la 25).
Potrivit algoritmului GoldfeldQuandt, se aplic metoda celor mai mici ptrate pentru calculul
estimatorilor separat pentru cele dou serii de date. Astfel, pornind de la seria 1, se estimeaz
parametrii modelului
M1: Yt = a0 + a1X1t + a2X2t + et, t = 1, 2, ..., 12
i, separat, pornind de la seria 2 se estimeaz parametrii modelului
M2: Yt = a0 + a1X1t + a2X2t + et, t = 14, 15, ..., 25.
02:30
Unitatea de
nvare 6
M 1: t = -3.6176 + 0.8805X1t + 0.8240X2t.
Rezolvarea n detaliu cu ajutorul programului EViews este prezentat n tabelul urmtor.
Eantionul: 1 12
Parametrii
Estimatorii
Ab.std
t-Statistic
alfa
-3.617605
1.805439
-2.003725
0.0761
X1
0.880510
0.082618
10.65757
0.0000
X2
0.823990
0.455063
1.810718
0.1036
R2
0.929610
Media var.exog.
-0.158333
R2 ajustat
0.913968
Ab.std.var.exog.
0.737882
Ab.std.regresie
0.216430
Suma ptratelor rezid.
0.421577
Schwarz criterion
0.110444
Log likelihood
3.064694
F-statistic
59.42960
Durbin-Watson stat
2.248162
Prob(F-statistic)
0.000007
-0.010782
M 2: t = -3.967 + 0.77354X1t+ 0.9097X2t.
Rezolvarea n detaliu cu ajutorul programului EViews este prezentat n tabelul urmtor.
Data: 11/20/03 Ora: 12:47
02:50
Eantionul: 14 25
Parametrii
C
Estimatorii
t-Statistic
alfa
-3.967000 1.740501 -2.279229
0.0486
10
Ab.std
Unitatea de
nvare 6
Parametrii
Estimatorii
Ab.std
t-Statistic
alfa
X1
0.735366 0.220423
3.336162
0.0087
X2
0.909669 0.417831
2.177123
0.0574
R2
0.630303
Media var.exog.
1.075000
R2 ajustat
0.548148
Ab.std.var.exog.
0.402549
Ab.std.regresie
0.270593
Schwarz criterion
0.557143
Log likelihood
0.384502
F-statistic
7.672123
Durbin-Watson stat
1.933999
Prob(F-statistic)
0.011358
Pornind de la rezultatele obinute, se calculeaz:

25
VTR2
Fc
VTR1
2
t
2
t
t 14
12
t 1
0.6590
1.56
0.4216
Din tabelul distribuiei F, pentru un prag de ncredere = 0.05, se determin

F12-2,12-2(0.05) = F10,10(0.05) = 2.98
Rezult
Fc = 1.56 < 2.98 = F10,10(0.05)
deci, erorile et din modelul iniial nu sunt heteroscedastice.
11
03:00
Unitatea de
nvare 6
1. Care este definiia heteroscedaticitii?

2. Care sunt consecinele ignorrii heteroscedasticitii?
3. Care sunt cele mai cunoscute teste pentru identificarea heteroscedasticitii?
12
Unitatea de
nvare 6
Proprietatea erorile de a nu avea o dispersie constant se numete

heteroscedasticitate.
Consecine ale ignorrii fenomenului de heteroscedasticitate a
erorilor
a.
Estimatorii parametrilor din model sunt nedeplasai i
consisteni.
b.
Estimatorii parametrilor din model nu sunt eficieni.
c.
Estimatorii calculai pentru dispersia i covariana
parametrilor sunt deplasai, nu sunt consisteni i nu sunt
eficieni.
d.
Testul t Student aplicat pentru analiza semnificaiei
estimatorilor nu este valid.
e.
Estimatorii parametrilor nu au proprietatea de maxim
verosimilitate.
13
Unitatea de
nvare 6
Lucrri obligatorii
Bucureti
Bucureti
Bucureti
Bucureti
Mustang, Bucureti
7. Andrei T., 2003, Statistic i econometrie, Editura Economic, Bucureti
8. Greene W.H., 2000, Econometric analysis, fourth edition, Prentice Hall, New Jersey
9. Maddala G.S., 2001, Introduction to econometrics, third edition, Wiley, New York
10. Tanadi A., 2001, Econometrie, Editura ASE, Bucureti
11. Tnsoiu O., Iacob A.I., 1999, Econometrie aplicat, Editura Arteticart, Bucureti.
12. Zaman C., 1998, Econometrie, Editura Pro Democraia, Bucureti
14
Unitatea de
nvare 6
1. Proprietatea erorile de a nu avea o dispersie constant se numete heteroscedasticitate.

2. Consecine ale ignorrii fenomenului de heteroscedasticitate a erorilor
a.
Estimatorii parametrilor din model sunt nedeplasai i consisteni.
b.
Estimatorii parametrilor din model nu sunt eficieni (exist estimatori care au o

dispersie mai mic).
c.
Estimatorii calculai pentru dispersia i covariana parametrilor sunt deplasai, nu

sunt consisteni i nu sunt eficieni.
d.
Testul t Student aplicat pentru analiza semnificaiei estimatorilor nu este valid. Dac
dispersia erorilor i variaia factorului explicativ sunt pozitiv corelate, atunci
dispersia corect a parametrului a1 este subestimat, astfel nct calculele sugereaz
o precizie a estimrii mai bun dect este n realitate.
e.
Estimatorii parametrilor nu au proprietatea de maxim verosimilitate.
3. Cele mai cunoscute sunt: testul GoldfeldQuandt, testul BreuschPagan i testul White.
15
Unitatea de
nvare 7
Testarea i atenuarea heteroscedasticitii erorilor - Testul White
Unitea de nvare 7 : Testarea i atenuarea heteroscedasticitii erorilor Testul White

Cuprins:
4.4.3. Testul White pentru modelul unifactorial
4.4.4. Testul White pentru modelul multifactorial
Testarea heteroscedasticiii folosind testul White.
Unitatea de
nvare 7
4.4.3. Testul White pentru modelul

unifactorial
Pentru exemplificarea modului de testare a

heteroscedasticitii erorilor analizm legtura dintre
economiile populaiei20 (simbolizate EP) i ctigul
salarial mediu nominal net lunar (lei/persoan)
simbolul utilizat SNN, n perioada ianuarie 1997
august 2003. Datele sunt prezentate n tabelul 4-9.

vei
fi
n
msur
s
Cum se testeaz
heteroscedasticitatea
prin testul White?
Cum se atenueaz
hetersocedasticitatea
n cazul n care
aceasta este
depistat?
Tabelul 4-9: Evoluia economiilor populaiei i a ctigului salarial n perioada 1997-2003
Luna
Ctigul salarial
Economiile
populaiei
(mediu nominal net)
mil.lei (EP)
mil.lei/pers (SNN)
EPt
D(EPt)
SNNt
D(SNNt)
Ianuarie - 97
9.368
0.397
Februarie - 97
10.017
0.649
0.456
0.059
Martie - 97
10.981
0.965
0.507
0.051
Aprilie - 97
12.052
1.071
0.592
0.085
Mai - 97
13.491
1.439
0.568
-0.024
Iunie - 97
14.566
1.075
0.581
0.013
20
Datele sunt extrase din Bilanul monetar agregat al bncilor pasive interne depozite ale clienilor nebancari Economii ale
populaiei (milioane lei, la sfritul perioadei) Banca Naional a Romniei, Buletin lunar, 1/1997-9/2003.
2
00:00
Unitatea de
nvare 7
Luna
Ctigul salarial
Economiile
populaiei
(mediu nominal net)
mil.lei (EP)
mil.lei/pers (SNN)
EPt
D(EPt)
SNNt
D(SNNt)
Iulie - 97
15.405
0.839
0.622
0.041
August - 97
15.766
0.361
0.651
0.029
Septembrie - 97
16.287
0.521
0.710
0.060
Octombrie - 97
16.934
0.647
0.797
0.087
Noiembrie - 97
17.701
0.767
0.821
0.024
Decembrie - 97
20.166
2.464
0.940
0.120
Ianuarie - 98
20.793
0.628
0.884
-0.056
Februarie - 98
21.891
1.098
0.879
-0.006
Martie - 98
22.426
0.536
0.954
0.076
Aprilie - 98
23.380
0.954
1.045
0.091
Mai - 98
24.429
1.049
0.999
-0.046
Iunie - 98
25.153
0.724
1.041
0.041
Iulie - 98
25.797
0.644
1.099
0.058
August - 98
26.368
0.570
1.123
0.024
Septembrie - 98
26.627
0.259
1.140
0.017
Octombrie - 98
27.306
0.679
1.171
0.031
Noiembrie - 98
28.227
0.921
1.192
0.021
Decembrie - 98
30.967
2.739
1.360
0.169
Ianuarie - 99
32.484
1.517
1.241
-0.119
Februarie - 99
32.959
0.475
1.294
0.053
Martie - 99
32.110
-0.849
1.411
0.117
Aprilie - 99
30.943
-1.167
1.480
0.068
Mai - 99
29.674
-1.269
1.460
-0.019
Unitatea de
nvare 7
Luna
Ctigul salarial
Economiile
populaiei
(mediu nominal net)
mil.lei (EP)
mil.lei/pers (SNN)
EPt
D(EPt)
SNNt
D(SNNt)
Iunie - 99
30.215
0.541
1.514
0.053
Iulie - 99
32.209
1.994
1.604
0.090
August - 99
33.221
1.012
1.624
0.020
Septembrie - 99
34.178
0.957
1.630
0.006
Octombrie - 99
34.710
0.532
1.657
0.027
Noiembrie - 99
35.086
0.376
1.752
0.095
Decembrie - 99
39.238
4.152
1.990
0.238
Ianuarie - 00
40.735
1.497
1.726
-0.264
Februarie - 00
41.922
1.187
1.748
0.022
Martie - 00
42.988
1.066
1.907
0.159
Aprilie - 00
43.039
0.051
2.136
0.229
Mai - 00
42.599
-0.440
2.030
-0.106
Iunie - 00
43.253
0.654
2.104
0.074
Iulie - 00
43.624
0.371
2.172
0.068
August - 00
43.090
-0.534
2.220
0.048
Septembrie - 00
42.328
-0.762
2.273
0.053
Octombrie - 00
41.095
-1.233
2.357
0.084
Noiembrie - 00
40.827
-0.268
2.497
0.140
Decembrie - 00
44.549
3.722
2.912
0.414
Ianuarie - 01
45.829
1.280
2.738
-0.174
Februarie - 01
46.923
1.094
2.596
-0.142
Martie - 01
48.382
1.459
2.819
0.223
Aprilie - 01
49.755
1.374
3.025
0.206
Unitatea de
nvare 7
Luna
Ctigul salarial
Economiile
populaiei
(mediu nominal net)
mil.lei (EP)
mil.lei/pers (SNN)
EPt
D(EPt)
SNNt
D(SNNt)
Mai - 01
50.697
0.942
2.915
-0.110
Iunie - 01
52.348
1.651
2.981
0.066
Iulie - 01
53.138
0.790
3.124
0.142
August - 01
54.030
0.892
3.135
0.011
Septembrie - 01
55.327
1.297
3.125
-0.010
Octombrie - 01
56.761
1.434
3.210
0.086
Noiembrie - 01
58.670
1.909
3.314
0.104
Decembrie - 01
63.706
5.037
3.660
0.345
Ianuarie - 02
65.542
1.836
3.672
0.012
Februarie - 02
67.766
2.224
3.464
-0.207
Martie - 02
70.378
2.612
3.666
0.202
Aprilie - 02
72.443
2.065
3.966
0.299
Mai - 02
73.852
1.409
3.795
-0.170
Iunie - 02
75.447
1.594
3.806
0.011
Iulie - 02
77.508
2.061
3.919
0.113
August - 02
79.337
1.829
3.898
-0.021
Septembrie - 02
79.946
0.609
3.855
-0.043
Octombrie - 02
82.290
2.344
3.967
0.112
Noiembrie - 02
83.837
1.547
4.038
0.071
Decembrie - 02
88.894
5.057
4.526
0.488
Ianuarie - 03
90.509
1.615
4.731
0.205
Februarie - 03
92.753
2.244
4.452
-0.279
Martie - 03
93.098
0.345
4.638
0.186
Unitatea de
nvare 7
Luna
Ctigul salarial
Economiile
populaiei
(mediu nominal net)
mil.lei (EP)
mil.lei/pers (SNN)
EPt
D(EPt)
SNNt
D(SNNt)
Aprilie - 03
94.126
1.029
4.955
0.318
Mai - 03
93.633
-0.494
4.729
-0.226
Iunie - 03
93.926
0.293
4.706
-0.023
Iulie - 03
93.961
0.035
4.864
0.158
August - 03
94.990
1.029
4.808
-0.056
Sursa datelor: Banca Naional a Romniei, Buletin lunar, 1/1997-9/2003, Bucureti

Econometric, datele nu pot fi incluse ntr-o ecuaie de regrese, n forma n care apar n tabel.
Demonstrarea acestei afirmaii se bazeaz pe analiza staionaritii seriilor de date. Justificarea
economic ar fi urmtoarea: ambele serii sunt influenate de dinamica preurilor din economie
(inflaie), astfel nct nscrierea lor n aceeai band cresctoare nu nseamn automat prezen unei
relaii de cauzalitate ntre serii. Pur i simplu, este posibil ca seriile s urmeze o tendin
asemntoare datorit inflaiei. Din aceast cauz, s-a eliminat tendina prin diferenierea seriilor:
00:20
D(EPt) = EPt EPt-1

D(SNNt) = SNNt SNNt-1.
Seriile astfel obinute sunt staionare. n aceste condiii, econometric, se testeaz legtura dintre
seriile staionare D(EPt) i D(SNNt). Admitem pentru nceput ipoteza c ntre cele dou variabile
exist o legtur linear.
D(EP) = a0 + a1D(SNN) + et
Estimarea acestei ecuaii prin metoda celor mai mici ptrate duce la obinerea urmtoarelor
rezultate:
D EP 0.903487 3.23 D SNN
0.132961
0.904
(n parantez, sub estimatori sunt abaterile medii standard).

Testele statistice pentru semnificaia estimatorilor sunt:
t a0
0.903487
6.795
132961
t a1
3.23
3.573
0.904
00:30
Unitatea de
nvare 7
Figura 4-2: Evoluia economiilor populaiei i a ctigului salarial, n perioada 1997-2003

6
100
90
Economiile populaiei (mil.lei)

scara din dreapta
80
70
60
50
40
2
30
Ctigul salarial
(mil.lei/pers.)
scara din stnga
20
10
0
aprilie-03
noiembrie-0 2
iunie-02
ianuarie -0 2
augus t-0 1
martie-01
octombri e-00
mai-0 0
dec embrie-99
iu lie-99
februa ri e-99
se ptembrie-98
aprilie-98
noiembrie -9 7
iunie-97
ianuari e-97
Pentru testarea heteroscedasticitii erorilor se utilizeaz testul White. Calculul modelului pentru
seriile din tabelul 4-9 duce la rezultatele urmtoare.
D(EP) = 0.903487 + 3.23D(SNN)
Tabelul 4-10: Calculele de baz pentru aplicarea testului White, modelul unifactorial*)
t D(SNNt)
D(EPt) D(EPt)c
ut
ut2 D(SNNt)2
0.0594
0.6490
1.0954
-0.4464
0.1992
0.0035
0.0507
0.9646
1.0673
-0.1027
0.0105
0.0026
0.0848
1.0707
1.1775
-0.1068
0.0114
0.0072
-0.0242
1.4386
0.8253
0.6134
0.3762
0.0006
0.0133
1.0750
0.9465
0.1285
0.0165
0.0002
0.0408
0.8392
1.0351
-0.1959
0.0384
0.0017
0.0289
0.3610
0.9969
-0.6359
0.4044
0.0008
0.0596
0.5210
1.0960
-0.5750
0.3306
0.0036
10
0.0870
0.6473
1.1843
-0.5370
0.2883
0.0076
11
0.0236
0.7672
0.9799
-0.2126
0.0452
0.0006
Unitatea de
nvare 7
t D(SNNt)
D(EPt) D(EPt)c
ut
ut2 D(SNNt)2
12
0.1197
2.4642
1.2899
1.1742
1.3788
0.0143
13
-0.0561
0.6278
0.7224
-0.0946
0.0089
0.0031
14
-0.0058
1.0976
0.8847
0.2129
0.0453
0.0000
15
0.0757
0.5355
1.1479
-0.6124
0.3750
0.0057
16
0.0912
0.9539
1.1980
-0.2441
0.0596
0.0083
17
-0.0463
1.0487
0.7541
0.2946
0.0868
0.0021
18
0.0414
0.7242
1.0372
-0.3130
0.0980
0.0017
19
0.0579
0.6438
1.0906
-0.4467
0.1996
0.0034
20
0.0243
0.5704
0.9821
-0.4117
0.1695
0.0006
21
0.0171
0.2592
0.9586
-0.6994
0.4892
0.0003
22
0.0310
0.6794
1.0035
-0.3242
0.1051
0.0010
23
0.0206
0.9213
0.9700
-0.0487
0.0024
0.0004
24
0.1688
2.7393
1.4485
1.2908
1.6662
0.0285
25
-0.1193
1.5174
0.5181
0.9993
0.9985
0.0142
26
0.0533
0.4748
1.0757
-0.6009
0.3611
0.0028
27
0.1171
-0.8487
1.2817
-2.1304
4.5388
0.0137
28
0.0683
-1.1671
1.1241
-2.2912
5.2497
0.0047
29
-0.0192
-1.2694
0.8414
-2.1108
4.4556
0.0004
30
0.0531
0.5411
1.0749
-0.5338
0.2849
0.0028
31
0.0904
1.9939
1.1953
0.7986
0.6377
0.0082
32
0.0203
1.0123
0.9691
0.0432
0.0019
0.0004
33
0.0058
0.9573
0.9221
0.0352
0.0012
0.0000
34
0.0270
0.5317
0.9908
-0.4592
0.2108
0.0007
35
0.0946
0.3765
1.2090
-0.8325
0.6931
0.0089
36
0.2385
4.1517
1.6738
2.4780
6.1403
0.0569
Unitatea de
nvare 7
t D(SNNt)
D(EPt) D(EPt)c
ut
ut2 D(SNNt)2
37
-0.2641
1.4967
0.0505
1.4461
2.0912
0.0697
38
0.0221
1.1873
0.9747
0.2126
0.0452
0.0005
39
0.1589
1.0662
1.4168
-0.3506
0.1229
0.0253
40
0.2289
0.0505
1.6427
-1.5922
2.5351
0.0524
41
-0.1062
-0.4396
0.5605
-1.0000
1.0001
0.0113
42
0.0740
0.6537
1.1424
-0.4887
0.2389
0.0055
43
0.0683
0.3711
1.1242
-0.7531
0.5672
0.0047
44
0.0484
-0.5339
1.0598
-1.5937
2.5398
0.0023
45
0.0526
-0.7616
1.0734
-1.8350
3.3673
0.0028
46
0.0842
-1.2335
1.1755
-2.4090
5.8034
0.0071
47
0.1403
-0.2678
1.3566
-1.6244
2.6387
0.0197
48
0.4141
3.7215
2.2409
1.4807
2.1924
0.1715
49
-0.1735
1.2801
0.3430
0.9371
0.8782
0.0301
50
-0.1418
1.0943
0.4455
0.6488
0.4210
0.0201
51
0.2230
1.4585
1.6238
-0.1653
0.0273
0.0497
52
0.2059
1.3737
1.5685
-0.1948
0.0380
0.0424
53
-0.1098
0.9420
0.5487
0.3933
0.1547
0.0121
54
0.0662
1.6509
1.1173
0.5336
0.2847
0.0044
55
0.1422
0.7900
1.3629
-0.5729
0.3282
0.0202
56
0.0115
0.8921
0.9406
-0.0485
0.0023
0.0001
57
-0.0103
1.2970
0.8702
0.4268
0.1822
0.0001
58
0.0855
1.4335
1.1797
0.2538
0.0644
0.0073
59
0.1038
1.9088
1.2389
0.6700
0.4488
0.0108
60
0.3454
5.0368
2.0191
3.0176
9.1062
0.1193
61
0.0119
1.8356
0.9419
0.8937
0.7987
0.0001
Unitatea de
nvare 7
t D(SNNt)
D(EPt) D(EPt)c
ut2 D(SNNt)2
ut
62
-0.2072
2.2239
0.2342
1.9897
3.9590
0.0429
63
0.2021
2.6118
1.5561
1.0557
1.1144
0.0408
64
0.2994
2.0651
1.8706
0.1945
0.0378
0.0897
65
-0.1704
1.4094
0.3531
1.0563
1.1158
0.0290
66
0.0110
1.5945
0.9389
0.6555
0.4297
0.0001
67
0.1130
2.0613
1.2684
0.7929
0.6287
0.0128
68
-0.0210
1.8286
0.8358
0.9929
0.9858
0.0004
69
-0.0434
0.6091
0.7632
-0.1541
0.0237
0.0019
70
0.1125
2.3444
1.2668
1.0776
1.1612
0.0127
71
0.0707
1.5472
1.1318
0.4153
0.1725
0.0050
72
0.4875
5.0570
2.4781
2.5789
6.6505
0.2377
73
0.2051
1.6146
1.5658
0.0488
0.0024
0.0421
74
-0.2789
2.2442
0.0026
2.2416
5.0246
0.0778
75
0.1859
0.3446
1.5038
-1.1592
1.3437
0.0345
76
0.3176
1.0288
1.9292
-0.9004
0.8108
0.1009
77
-0.2260
-0.4938
0.1737
-0.6674
0.4455
0.0511
78
-0.0234
0.2934
0.8278
-0.5345
0.2857
0.0005
79
0.1579
0.0352
1.4135
-1.3783
1.8997
0.0249
80
-0.0558
1.0289
0.7232
0.3057
0.0935
0.0031
*)
Prin D(EP)c am simbolizat valorile calculate pe baza ecuaiei de regresie pentru variabila
endogen D(EP)
Potrivit metodei White, se realizeaz o regresie de tipul:
00:40
u t2 0 1 D ( SNN ) t 2 D ( SNN t ) t
2
Rezultatele sunt urmtoarele:

2
u t2 0.641 0.457 D ( SNN t ) 25.421 D ( SNN t ) .
Coeficientul de determinare R2, calculat pentru modelul precedent este:
10
Unitatea de
nvare 7
R2 = 0.2729,
iar blocul nR2 din testul White se calculeaz astfel:
nR2 = 79 0.2729 = 21.56.
Se testeaz ipoteza nul
H0: 1 = 2 = 0 (lipsa heteroscedasticitii).
Valoarea testului 5.99 , pentru un prag de semnificaie = 0.05 (un grad de ncredere de
95%). Cum
2
2
nR2 = 21.56 > 5.99 22 ,

rezult c ipoteza H0 este respins, adic se poate afirma, cu un grad de ncredere de 95% faptul c
erorile et din modelul iniial sunt heteroscedastice. Aceleai rezultate pot fi obinute prin utilizarea
programului EViews:
White Heteroskedasticity Test:
F-statistic
14.26234
Probabilitatea
0.000006
nR2
21.55902
Probabilitatea
0.000021
Test Equation variabila dependent: u2

Eantionul: 1997:02 2003:08, Observaii incluse: n = 79
Parametrii
C
D(SNN)
(D(SNN))2
Estimatorii
Ab.std.
t-Statistic
alfa
0.640700 0.206192
3.107297
0.0027
-0.457366 1.536016 -0.297762
0.7667
25.42088 5.393215
4.713492
0.0000
R2
0.272899
Media var.endog.
1.165073
R2 ajustat
0.253765
Ab.std.var.endog.
1.838512
Ab.std.regr.
1.588197
Schwarz criterion
3.890290
Log likelihood
-147.1123
F-statistic
14.26234
Durbin-Watson stat
1.322522
Prob(F-statistic)
0.000006
11
Unitatea de
nvare 7
Pentru eliminarea fenomenului de heteroscedasticitate se procedeaz la transformarea modelul

iniial
D(EP)t = a0 + a1D(SNN)t + et,
n modelul:
D ( EP ) t
et
1
a0
a1
D SNN t
D SNN t
DSNN t
Rezultatele sunt urmtoarele:
Variabila dependent:
D( EP )
D( SNN )
Metoda de estimare: Metoda celor mai mici ptrate

Eantionul (ajustat): 1997:02 2003:08
Observaii incluse: 79 dup ajustare
Coeficienii
Estimatorii
1
D( SNN )
constanta
Ab.std.
t-Statistic
Prob.
1.018483 0.060994
16.69807
0.0000
-0.722544 2.499231 -0.289106
0.7733
R2
0.783602
Media var.endogene 9.456939
R2 ajustat
0.780791
Ab.std.var.endogene 46.01198
Ab.std.regresie
21.54268
Suma ptratelor erorilor 35734.69
Schwarz criterion
9.062925
Log likelihood
F-statistic
278.8255
Prob(F-statistic)
0.000000
Durbin-Watson stat
-353.6161
1.966436
Reziduurile din aceast ecuaie nu sunt heteroscedastice. Prin estimarea unei ecuaii de regresie
de tipul
u t2 0 1
1
1
2
t
D( SNN ) t
D( SNN t ) 2
se obine:
u t2 424.6895 3.3344
1
1
0.036317
D( SNN ) t
D( SNN t ) 2
12
Unitatea de
nvare 7
Pentru ecuaia precedent

R2 = 0.016056,
deci
nR2 = 0.268424 < 5.99 = 22 (0.05) .
Aceasta nseamn c erorile din ecuaia de regresie nu sunt heteroscedastice, cu un grad de
ncredere mai mare de 95%. Rezultatele n detaliu sunt prezentate n tabelul urmtor:
Variabila dependent: (RES2)2

Metoda de estimare: Metoda celor mai mici ptrate
Eantionul (ajustat): 1997:02 2003:08
Observaii incluse: 79 dup ajustare
Coeficienii
constanta
1
D( SNN )
1
D( SNN ) 2
R2
R2 ajustat
Ab.std.regresie
Suma ptratelor erorilor
Estimatorii
Ab.std.
424.6895 211.1689
t-Statistic
Prob.
2.011137 0.0479
-3.334400 4.918515 -0.677928 0.4999
0.036317 0.039584
0.917466 0.3618
0.01606
Media var.endogene 452.34
-0.00984
Ab.std.var.endogene 1726.4
1734.85
2.29E+08
Schwarz criterion
17.882
Log likelihood
-699.802
F-statistic
0.6200
Durbin-Watson stat
1.940234
Prob(F-statistic)
0.5406
4.4.4. Testul White pentru modelul multifactorial
Pentru testarea prezenei fenomenului de heteroscedasticitate a erorilor n cazul unui model

multifactorial de regresie linear este utilizat exemplul numeric prezentat n capitolul 2, tabelul 2-2.
S presupunem c printr-o cercetare selectiv s-au nregistrat urmtoarele date privind:
dinamica veniturilor populaiei (X1t),
evoluia ratei reale a dobnzii pasive (X2t) i
dinamica depozitelor bancare (Yt):
13
01:00
Unitatea de
nvare 7
Veniturile
Rata real a
Depozitele
populaiei
dobnzii
pasive
bancare
Nr.crt.
(X1t)
(X2t)
(Yt)
1
0.5
4.1
0.3
1.0
4.2
0.8
1.2
4.0
0.3
-0.3
4.1
-0.5
2.1
3.8
0.8
2.3
4.2
1.4
1.2
3.8
0.2
1.0
3.9
0.7
0.8
3.9
0.0
10
0.0
3.8
-0.7
11
-0.6
3.8
-1.0
12
2.2
3.8
1.3
13
1.4
4.2
1.0
14
2.0
3.9
1.2
15
2.3
4.2
1.7
16
1.1
3.8
0.4
17
0.8
3.9
0.6
18
-0.5
4.1
-0.9
19
-1.4
3.9
-1.4
20
0.2
4.1
-0.2
21
1.8
4.2
1.5
22
2.2
3.8
0.9
23
2.1
4.1
1.0
14
Unitatea de
nvare 7
Veniturile
Rata real a
Depozitele
Nr.crt. populaiei dobnzii pasive bancare
(X1t)
(X2t)
(Yt)
24
1.5
4.2
0.7
25
1.8
3.8
1.2
Modelul linear bi-factorial se scrie:

Yt = a0 + a1X1t + a2X2t + et.
Vectorul estimatorilor se calculeaz prin relaia:
= (X'X)-1X'Y.
Au fost determinate urmtoarele valori
3.78693
A 0.75722
0.860999
deci,
t = -3.78693 + 0.75722X1t + 0.860999X2t, pentru t = 1, 2, , 25 i
ut = Yt t.
Rezultatele estimrii sunt preluate din n tabelul 2-2. n tabelul 4-11 sunt incluse, n plus fa de
coloanele tabelului 2-2, blocurile necesare pentru aplicarea testului White privind
heteroscedasticitatea erorilor.
Tabelul 4-11: Calculele de baz pentru aplicarea
testului White, modelul multifactorial
ut2
X 12t
X 22t
X1X2
0.1218
0.1782 0.0318
0.25
16.81
2.05
0.8
0.5865
0.2135 0.0456
1.00
17.64
4.20
0.3
0.5657 -0.2657 0.0706
1.44
16.00
4.80
-0.5 -0.4840 -0.0160 0.0003
0.09
16.81
-1.23
1.0750 -0.2750 0.0756
4.41
14.44
7.98
1.4
1.5709 -0.1709 0.0292
5.29
17.64
9.66
3.8
0.2
0.3935 -0.1935 0.0375
1.44
14.44
4.56
3.9
0.7
0.3282
1.00
15.21
3.90
X1t
X2t
Yt
0.5
4.1
0.3
1.0
4.2
1.2
4.0
-0.3
4.1
2.1
3.8
0.8
2.3
4.2
1.2
1.0
ut
0.3718 0.1382
15
Unitatea de
nvare 7
ut2
X 12t
X 22t
X1X2
0.1767 -0.1767 0.0312
0.64
15.21
3.12
3.8
-0.7 -0.5151 -0.1849 0.0342
0.00
14.44
0.00
11 -0.6
3.8
-1.0 -0.9695 -0.0305 0.0009
0.36
14.44
-2.28
12
2.2
3.8
1.3
1.1507
0.1493 0.0223
4.84
14.44
8.36
13
1.4
4.2
1.0
0.8894
0.1106 0.0122
1.96
17.64
5.88
14
2.0
3.9
1.2
1.0854
0.1146 0.0131
4.00
15.21
7.80
15
2.3
4.2
1.7
1.5709
0.1291 0.0167
5.29
17.64
9.66
16
1.1
3.8
0.4
0.3178
0.0822 0.0068
1.21
14.44
4.18
17
0.8
3.9
0.6
0.1767
0.4233 0.1791
0.64
15.21
3.12
18 -0.5
4.1
-0.9 -0.6354 -0.2646 0.0700
0.25
16.81
-2.05
19 -1.4
3.9
-1.4 -1.4891
0.0891 0.0079
1.96
15.21
-5.46
20
0.2
4.1
-0.2 -0.1054 -0.0946 0.0090
0.04
16.81
0.82
21
1.8
4.2
1.5
1.1923
0.3077 0.0947
3.24
17.64
7.56
22
2.2
3.8
0.9
1.1507 -0.2507 0.0629
4.84
14.44
8.36
23
2.1
4.1
1.0
1.3333 -0.3333 0.1111
4.41
16.81
8.61
24
1.5
4.2
0.7
0.9651 -0.2651 0.0703
2.25
17.64
6.30
25
1.8
3.8
1.2
0.8479
3.24
14.44
6.84
0.0000 1.2952 54.09
397.46
106.74
X1t
X2t
Yt
0.8
3.9
0.0
10
0.0
26.7 99.6
11.3 11.3000
ut
0.3521 0.1240
Pentru modelul multifactorial de regresie linear multifactorial se scrie:

u t2 0 1 X 1t 2 X 2t 3 X 12t 4 X 22t 5 X 1t X 2t t
unde
01:20
ut = Yt (0 + 1X1t + 2X2t),
t 1,25
Ipoteza nul
H0: 1 = 2 = 2 = 2 = 5 = 0
(lipsa fenomenului de heteroscedasticitate a erorilor et) este respins dac
16
nR2 52 0.05 .
Unitatea de
nvare 7
Rezolvarea prin metoda celor mai mici ptrate a modelului descris de ecuaia de regresie
precedent, pe baza datelor din tabelul 4-11 duce la obinerea urmtoarelor rezultate:
u t2 16.095 0.067 X 1t 8.156 X 2t
0.01 X 12t 1.029 X 22t 0.025 X 1t X 2t
Coeficientul de determinare R2, calculat pentru modelul precedent este: R2 = 0.2196. n aceste
condiii, blocul nR2 se calculeaz astfel:
nR2 = 250.2196 = 5.49.
n tabelul 2, pentru pragul = 0.05 i 5 grade de libertate se identific
52 0.05 11.0705 .
Deoarece
nR2 = 5.49 < 11.0705 52 0.05 ,
ipoteza nul
H0: 1 = 2 = 2 = 2 = 5 = 0
(lipsa fenomenului de heteroscedasticitate a erorilor et din modelul linear bi-factorial) nu se
respinge. Cu alte cuvinte, erorile et nu sunt heteroscedastice.
Rezultate identice pot fi obinute direct, prin utilizarea programului EViews. n detaliu, aceste
rezultate sunt prezentate n tabelul urmtor:
White Heteroskedasticity Test:
F-statistic
1.069431
Probabilitatea
0.407971
nR2
5.490533
Probabilitatea
0.358985
Test Equation:
Variabila dependent: u2
Eantionul: 1 25
Variabile
Estimatori
Ab.std.
t-statistic
alfa
-16.09519 11.24317 -1.431553
0.1685
X1
-0.067375 0.274951 -0.245043
0.8090
X12
-0.009548 0.008989 -1.062213
0.3015
17
Unitatea de
nvare 7
Variabile
Ab.std.
t-statistic
alfa
X1X2
0.025277 0.070422
0.358935
0.7236
X2
8.155651 5.661626
1.440514
0.1660
-1.029061 0.712198 -1.444910
0.1648
X22
Estimatori
R2
0.219621
Media var. exogene
0.051807
R2 ajustat
0.014259
Ab.std.var.exog.
0.047464
Ab.std.regresie
0.047124
Akaike info criterion -3.066503
Suma ptrate resid.
0.042193
Schwarz criterion
Log likelihood
44.33129
F-statistic
1.069431
Durbin-Watson stat
1.702749
Prob(F-statistic)
0.407971
-2.773973
01:40
18
Unitatea de
nvare 7
1. Cnd este respins ipoteza lipsei fenomenului de hetersoscedasticitate?

2. Utilizai software-ul Microsoft Excel pentru a rezolva o problem de regresie, model
multifactorial, utiliznd testul White pentru depistarea heteroscedasticitii.
19
Unitatea de
nvare 7
Ipoteza lipsei fenomenului de heteroscedasticitate a erorilor

et este respins dac
nR 2 52 0.05 .
1.
2.
3.
4.
5.
6.
Lucrri obligatorii
Bucureti
Bucureti
Bucureti
Bucureti
Mustang, Bucureti
20
Unitatea de
nvare 7
1.
2.
3.
4.
5.
6.
21
Unitatea de
nvare 7
1. Ipoteza lipsei fenomenului de heteroscedasticitate a erorilor et este respins dac

nR 2 52 0.05 .
22
Unitatea de
nvare 8
Autocorelarea erorilor
Unitatea de nvare 8: AUTOCORELAREA ERORILOR

Cuprins:
5.1. Consecine ale autocorelrii erorilor
5.2. Testarea autocorelrii erorilor
5.2.1. Testul Durbin Watson
5.2.2. Testul Lagrange
5.3. Atenuarea fenomenului de autocorelare a erorilor
5.3.1. Procedura Cochrane Orcutt
5.3.2. Procedura Hildreth Lu
Autocorelarea erorilor - consecine, testare,

atenuare
Teste pentru depistarea autocorelrii
Proceduri pentru anularea autocorelrii
Unitatea de
nvare 8
n prezena autocorelrii erorilor este afectat

calitatea estimatorilor calculai prin metoda celor mai
mici ptrate pentru parametrii modelului de regresie.
n modelele economice de regresie linear se
ntlnesc des situaii n care erorile sunt autocorelate.
n special, autocorelarea erorilor apare n modelele
construite pentru seriile de timp. Principalele cauze
care determin fenomenul respectiv sunt:
00:00
(1) omiterea din model a unor variabile explicative cu

influen semnificativ asupra variabilei endogene;
vei fi n msur s
Care sunt
consecinele
autocorelrii
erorilor?
Care sunt
principalele teste
pentru depistarea
autocorelrii?
Cum se realizeaz
atenuarea acesti
fenomen?
(2) ignorarea prezenei unor relaii nelineare ntre

variabile i
(3) imposibilitatea evitrii unor erori de msurare.
5.1. Consecine ale autocorelrii erorilor
Dac fenomenul de autocorelare a erorilor din

modelul de regresie linear este ignorat, iar pentru
estimarea parametrilor se folosete metoda celor mai
mici ptrate, atunci, sintetic, consecinele ignorrii
fenomenului de autocorelare a erorilor sunt
urmtoarele:
Consecine ale ignorrii fenomenului de autocorelare a erorilor
a. Estimatorii parametrilor din model sunt nedeplasai i consisteni.
00:15
b. Estimatorii parametrilor din model nu sunt eficieni i nu au proprietatea de maxim

verosimilitate.
c. Estimatorii calculai pentru dispersia i covariana parametrilor sunt deplasai, nu sunt
consisteni i nu sunt eficieni.
d. Testul t statistic (Student) aplicat pentru analiza semnificaiei estimatorilor nu este valid.
e. Valorile t-Student calculate pentru estimarea semnificaiei parametrilor sunt supradimensionate.
f. Abaterea standard a erorilor este subdimensionat fa de valoarea .
5.2. Testarea autocorelrii erorilor
Deoarece autocorelarea erorilor afecteaz calitatea estimatorilor, testarea i, dac este cazul,
atenuarea fenomenului respectiv reprezint un pas important n validarea modelului.
00:20
Unitatea de
nvare 8
5.2.1. Testul Durbin Watson
Testul Durbin Watson este cea mai cunoscut procedur utilizat pentru identificarea
autocorelrii de ordinul nti a erorilor din modelele de regresie linear. Statistica Durbin Watson
se calculeaz astfel:
n
dw
u
t 2
u t 1
t
n
u
t 1
2
t
unde ut sunt valorile variabilei reziduale din ecuaia de regresie linear, ecuaie estimat pornind de
la datele din eantionul selectat.
5.2.2. Testul Lagrange
Testul construit pe baza multiplicatorilor Lagrange pentru identificarea fenomenului de

autocorelare a erorilor (testul LM) a fost propus de Breusch21 i Godfrey22. Acest test nu este
restricionat la autocorelarea de ordinul I a erorilor i rmne valid n prezena regresorilor
construii pornind de la starea variabilei dependente n perioadele trecute. n consecin, are o
aplicabilitate mai mare dect testul Durbin Watson.
00:50
5.3. Atenuarea fenomenului de autocorelare a erorilor
Nu exist nici o procedur care s garanteze eliminarea autocorelrii erorilor, deoarece sursa
fenomenului respectiv este dificil de identificat cu exactitate. De aceea, procedurile aplicate atunci
cnd prezena autocorelrii este semnalat prin testele specifice, urmresc o ct mai bun atenuare a
fenomenului respectiv.
5.3.1. Procedura Cochrane Orcutt
Metoda construit de Cochrane i Orcutt pentru atenuarea fenomenului de autocorelare a

erorilor presupune aplicarea unei proceduri iterative de estimare a coeficientului de corelaiei de
ordinul I. Procedura Cochrane Orcutt se aplic pentru modelul
Yt = a0 + a1X1t + + akXkt + et, iar
et = et-1 + t (modelul AR(1), t=1..n)
Procedura Cochrane Orcutt converge destul de repede i, n majoritatea cazurilor, nu necesit
un numr mare de iteraii. Din nefericire ns, metoda Cochrane Orcutt de atenuare a autocorelrii
erorilor nu garanteaz obinerea unei valori care s duc la minimizarea ptratelor reziduurilor,
deoarece tehnica iterativ descris poate s duc la un minim local i nu la un minim global.
5.3.2. Procedura Hildreth Lu
De regul, numrul iteraiilor din procedura Hildreth Lu este mare, adic aplicarea procedurii
Hildreth Lu necesit rezolvarea unui numr mare de modele de regresie. Din acest punct de
vedere, procedura Hildreth Lu este mai laborioas dect Cochrane Orcutt.
21
22
Breusch T., 1978, Testing foe autocorelation in dinamic linear models, n Australian Economic Papers, 17, pag. 334-355
Godfrey L.G., 1988, Specification Tests in Econometrics, Cambridge University Press
01:10
Unitatea de
nvare 8
1. Ce reprezint autocorelarea erorilor?

2. Care sunt consecinle ignorrii autocorelrii?
3. Cum se calculeaz statistica Durbin-Watson?
Unitatea de
nvare 8
Autocorelarea erorilor presupune existena unei covariane

nenule ntre erorile din ecuaia de regresie.
Testul Durbin Watson este cea mai cunoscut procedur utilizat
pentru identificarea autocorelrii de ordinul nti a erorilor din
modelele de regresie linear. Statistica Durbin Watson se
calculeaz astfel:
n
dw
u
t 2
u t 1
u
t 1
2
t
unde ut sunt valorile variabilei reziduale din ecuaia de regresie

linear, ecuaie estimat pornind de la datele din eantionul
selectat.
Nu exist nici o procedur care s garanteze eliminarea
autocorelrii erorilor, deoarece sursa fenomenului respectiv este
dificil de identificat cu exactitate. De aceea, procedurile aplicate
atunci cnd prezena autocorelrii este semnalat prin testele
specifice, urmresc o ct mai bun atenuare a fenomenului
respectiv.
Unitatea de
nvare 8
1.
2.
3.
4.
5.
6.
Lucrri obligatorii
Bucureti
Bucureti
Bucureti
Bucureti
Mustang, Bucureti
1.
2.
3.
4.
5.
6.
Unitatea de
nvare 8
1. Autocorelarea erorilor presupune existena unei covariane nenule ntre erorile din ecuaia
de regresie.
2. Consecine ale ignorrii fenomenului de autocorelare a erorilor
a.
Estimatorii parametrilor din model sunt nedeplasai i consisteni.
b.
Estimatorii parametrilor din model nu sunt eficieni i nu au proprietatea de maxim

verosimilitate.
c.
Estimatorii calculai pentru dispersia i covariana parametrilor sunt deplasai, nu

sunt consisteni i nu sunt eficieni.
d.
Testul t statistic (Student) aplicat pentru analiza semnificaiei estimatorilor nu este

valid.
e.
Valorile t-Student calculate pentru estimarea semnificaiei parametrilor sunt

supradimensionate, ceea ce sugereaz o semnificaie a parametrilor mai mare dect
este n realitate.
f.
Abaterea standard a erorilor este subdimensionat fa de valoarea real i, n

consecin, coeficientul de determinare R2 este supradimensionat, ceea ce indic o
ajustare mai bun dect este n realitate.
3. Statistica Durbin Watson se calculeaz astfel:

n
dw
u
t 2
u t 1
u
t 1
2
t
unde ut sunt valorile variabilei reziduale din ecuaia de regresie linear, ecuaie estimat
pornind de la datele din eantionul selectat.
Unitatea de
nvare 9
Testarea fenomenului de autocorelare a erorilor
Unitatea de nvare 9: Aplicaii testarea fenomenului de autocorelare a

erorilor
Cuprins:
5.4. Aplicaii testarea fenomenului de autocorelare a erorilor
5.4.1. Aplicarea testului Durbin Watson
Modelul linear unifactorial
Modelul linear multifactorial
5.4.2. Aplicarea testului Lagrange
Utilizarea testului Durbin-Watson pentru testarea

autocorelrii erorilor
Unitatea de
nvare 9
5.4.1. Aplicarea testului Durbin Watson

Pentru exemplificarea procedurii de identificare a

fenomenului de autocorelare a erorilor prin testul
Durbin Watson analizm legtura dintre veniturile
populaiei i volumul economiilor. Datele nregistrate
pentru 20 momente diferite de timp sunt prezentate n
tabelul 2-1 i sunt reluate n tabelul 5-1.

vei fi n msur s
Cum se utilizeaza
testul DurbinWatson pentru
depistarea
autocorelrii?
Cum se atenueaz
fenomenul de
autocorelare?
Tabelul 5-1: Autocorelarea erorilor:

evoluia veniturilor populaiei (X) i a volumului economiilor (Y)
t
Xt Yt t
Xt Yt
1 100 20 11 180 45
2 110 25 12 185 50
3 120 28 13 190 47
4 125 30 14 200 48
5 130 33 15 205 52
6 140 35 16 210 58
7 150 36 17 215 54
8 155 42 18 220 55
00:00
Unitatea de
nvare 9
Xt Yt t
Xt Yt
9 170 44 19 220 58
10 170 42 20 225 60
Modelul unifactorial de regresie linear este descris prin ecuaia urmtoare:

Yt = a0 + a1Xt + et, t = 1, 2, , 20
unde Xt reprezint veniturile populaiei, iar Yt volumul economiilor.
Estimatorii ecuaiei, calculai prin metoda celor mai mici ptrate, sunt prezentai n ecuaia
urmtoare:
t = -6.40793 + 0.28952Xt.
Calculele pentru testarea autocorelrii erorilor (testul Durbin-Watson) sunt prezentate n tabelul
5-2.
Potrivit testului Durbin Watson,
n
dw
u
t 2
u t 1
u
t 1
2
t
144.1869
1.94 .
74.3359
Deoarece dw < 2, nseamn c nu exist riscul unei autocorelri negative, astfel nct, n
asemenea situaii se justific testul unilateral Durbin Watson pentru autocorelarea pozitiv a
erorilor: se accept ipoteza lipsei de autocorelare a erorilor dac dw > dU. Pentru testul unilateral
valorile din tabelul Durbin-Watson, n cazul k = 1 i n = 20 sunt: dL = 1.20 i dU = 1.41. Deoarece
dw = 1.94 > 1.41 = dU se accept ipoteza nul, H0: lipsa autocorelrii de ordinul I al erorilor.
Pentru testarea prezenei fenomenului de autocorelare de gradul I a erorilor n cazul unui model
multifactorial de regresie linear este analizat urmtorul exemplu numeric.
S presupunem c printr-o cercetare selectiv s-au obinut datele prezentate n tabelul 5-3
privind dinamica veniturilor populaiei (X1t), evoluia ratei reale a dobnzii pasive (X2t) i
dinamica depozitelor bancare (Yt) n 25 intervale succesive de timp (datele reprezint modificrile
procentuale ale variabilelor analizate i sunt preluate din tabelul 2-2). Admitem ipoteza c dinamica
depozitelor bancare depinde linear de dinamica veniturilor i de evoluia ratei reale a dobnzii
pasive, astfel nct modelul econometric, construit pe baza acestor ipoteze este:
Yt = a0 + a1X1t + a2X2t + et,
Modelul a fost calculat prin metoda celor mai mici ptrate i au fost determinate urmtoarele
valori ale estimatorilor :
00:20
Unitatea de
nvare 9
3.78693
= (X'X)-1X'Y = 0.75722
0.860999
n aceste condiii:
t = -3.78693 + 0.75722X1t + 0.860999X2t. pentru t = 1, 2, , 25
i
ut = Yt t.
Potrivit testului Durbin Watson, se calculeaz dw = 2.059 La fel ca n cazul modelului
unifactorial de regresie linear, pentru a testa ipoteza H0: = 0 (lipsa autocorelrii erorilor), contra
ipotezei alternative H1: 0 (prezena fenomenului de autocorelare a erorilor) se aplic testul
Durbin Watson unilateral. Din tabelele testului bilateral Durbin Watson, pentru un nivel de
semnificaie ales la 5%, volumul eantionului n = 25 i numrul de variabile explicative din model
k = 2, se identific valorile critice dL = 1.21 i dU = 1.55. Deoarece dw = 2.059 se gsete ntre
dU = 1.55 i 4 dU = 2.45, se accept ipoteza nul, H0: lipsa autocorelrii de ordinul I al erorilor.
5.4.2. Aplicarea testului Lagrange
Pentru exemplificarea procedurii de identificare a fenomenului de autocorelare a erorilor prin

testul Lagrange analizm legtura dintre veniturile populaiei i volumul economiilor. Datele
nregistrate pentru 20 momente diferite de timp sunt prezentate n tabelul 2-1 i sunt reluate n
tabelul 5-2. Pentru modelul linear unifactorial:
Yt = a0 + a1Xt + et, t = 1, 2, , 20
calculat prin metoda celor mai mici ptrate, estimatorii parametrilor sunt prezentai n ecuaia
urmtoare:
t = -6.40793 + 0.28952Xt.
Aplicarea procedurii Lagrange presupune regresia reziduurilor ut n funcie de o constant i de
variabilele Xt, ut-1, ut-2, , ut-p. Rezolvarea ecuaiei de regresie de tipul
ut = b0 + b1X1t + + bkXkt + 1ut-1 + 2ut-2 + + put-p + vt
s-a realizat pentru p = 5,
ut = b0 + b1X1t + 1ut-1 + 2ut-2 + + 5ut-5 + vt
conform procedurii cunoscute, pe baza datelor din tabelul 5-4.
Tabelul 5-4: Testul Lagrange pentru autocorelarea erorilor,
modelul unifactorial de regresie linear
t
ut
Xt
ut-1
ut-2
ut-3
ut-4
ut-5
-2.5441
100
-0.4393
110
-2.5441
00:40
Unitatea de
nvare 9
ut
Xt
ut-1
ut-2
ut-3
ut-4
ut-5
-0.3345
120
-0.4393
-2.5441
0.2179
125
-0.3345
-0.4393
-2.5441
1.7703
130
0.2179
-0.3345
-0.4393
-2.5441
0.8751
140
1.7703
0.2179
-0.3345
-0.4393
-2.5441
-1.0201
150
0.8751
1.7703
0.2179
-0.3345
-0.4393
3.5323
155
-1.0201
0.8751
1.7703
0.2179
-0.3345
1.1895
170
3.5323
-1.0201
0.8751
1.7703
0.2179
10
-0.8105
170
1.1895
3.5323
-1.0201
0.8751
1.7703
11
-0.7057
180
-0.8105
1.1895
3.5323
-1.0201
0.8751
12
2.8467
185
-0.7057
-0.8105
1.1895
3.5323
-1.0201
13
-1.6009
190
2.8467
-0.7057
-0.8105
1.1895
3.5323
14
-3.4961
200
-1.6009
2.8467
-0.7057
-0.8105
1.1895
15
-0.9437
205
-3.4961
-1.6009
2.8467
-0.7057
-0.8105
16
3.6087
210
-0.9437
-3.4961
-1.6009
2.8467
-0.7057
17
-1.8389
215
3.6087
-0.9437
-3.4961
-1.6009
2.8467
18
-2.2865
220
-1.8389
3.6087
-0.9437
-3.4961
-1.6009
19
0.7135
220
-2.2865
-1.8389
3.6087
-0.9437
-3.4961
20
1.2659
225
0.7135
-2.2865
-1.8389
3.6087
-0.9437
Pentru estimarea prezentat, coeficientul de determinare multipl este R2 = 0.491127. Pornind

de la aceste rezultate, se calculeaz
n pR2 = (20-5)0.491127 = 9.82254.
Valoarea din tabelele distribuiei teoretice 52 0.05 este 11.0705. n aceste condiii,
n p R 2 52 0.05 ,
deci se admite ipoteza nul
H0: 1 = 2 = 3 = 4 = 5 = 0,
potrivit creia, erorile nu sunt autocorelate, cel puin pn la ordinul 5. Rezultate similare pot fi
obinute direct, prin apelarea la programul EViews:
5
Unitatea de
nvare 9
Breusch-Godfrey Serial Correlation LM Test:

F-statistic 2.509335
Probabilitatea 0.084255
nR2
9.822549
Test Equation Variabila dependent: u

Variabile
C
X
ut-1
ut-2
Estimatori
Ab.std.
t-Statistic
alfa
0.503237 1.719056
0.292740
0.7743
-0.003521 0.009822 -0.358489
0.7257
0.126344 0.252467
0.500438
0.6251
-0.235887 0.233917 -1.008424
0.3317
ut-3
0.093004 0.243309
0.382246
0.7085
ut-4
0.435680 0.249664
1.745068
0.1045
-0.483220 0.292692 -1.650952
0.1227
ut-5
R2
0.491127
Media var.depend.
-1.87E-15
R2 ajustat
0.256263
Ab.std.var.dep.
1.977983
Ab.std. regresie
1.705816
Suma ptrate erori
37.82752
Schwarz criterion
4.523688
F-statistic
2.091112
Prob(F-statistic)
0.124756
Log likelihood
-34.75182
Durbin-Watson stat 1.829053
01:10
Pentru modelul de regresie linear multipl, procedura de testare a fenomenului de autocorelare

a erorilor prin metoda multiplicatorilor Lagrange este similar.
Pentru modelul
Yt = a0 + a1X1t + a2X2t + et,
calculat prin metoda celor mai mici ptrate au fost determinate urmtoarele valori ale estimatorilor
:
t = -3.78693 + 0.75722X1t + 0.860999X2t,
Unitatea de
nvare 9
pentru t = 1, 2, , 25.
Testm, la fel ca n cazul modelului unifactorial, ipoteza c erorile urmeaz un proces
autoregresiv de ordinul 5. Pentru aceasta, se construiete ecuaia
ut = b0 + b1X1t b2X2t + 1ut-1 + 2ut-2 + + 5ut-5 + vt, pentru t = 6, 7, 25.
Rezolvarea modelului multifactorial de regresie linear se realizeaz prin metoda celor mai mici
ptrate, potrivit procedurii obinuite.
Tabelul 5-5: Testul Lagrange pentru autocorelarea erorilor,
modelul multifactorial de regresie linear
t
ut
X1t
X2t
ut-1
ut-2
ut-3
ut-4
ut-5
0.1782
0.5
4.1
0.2135
1.0
4.2
0.1782
3 -0.2657
1.2
4.0
0.2135
0.1782
4 -0.0160
-0.3
4.1 -0.2657
0.2135
0.1782
5 -0.2750
2.1
3.8 -0.0160 -0.2657
0.2135
0.1782
6 -0.1709
2.3
4.2 -0.2750 -0.0160 -0.2657
0.2135
0.1782
7 -0.1935
1.2
3.8 -0.1709 -0.2750 -0.0160 -0.2657
0.2135
0.3718
1.0
3.9 -0.1935 -0.1709 -0.2750 -0.0160 -0.2657
9 -0.1767
0.8
3.9
10 -0.1849
0.0
3.8 -0.1767
11 -0.0305
-0.6
0.3718 -0.1935 -0.1709 -0.2750 -0.0160

0.3718 -0.1935 -0.1709 -0.2750
3.8 -0.1849 -0.1767
0.3718 -0.1935 -0.1709
12
0.1493
2.2
3.8 -0.0305 -0.1849 -0.1767
13
0.1106
1.4
4.2
0.1493 -0.0305 -0.1849 -0.1767
14
0.1146
2.0
3.9
0.1106
0.1493 -0.0305 -0.1849 -0.1767
15
0.1291
2.3
4.2
0.1146
0.1106
0.1493 -0.0305 -0.1849
16
0.0822
1.1
3.8
0.1291
0.1146
0.1106
0.1493 -0.0305
17
0.4233
0.8
3.9
0.0822
0.1291
0.1146
0.1106
0.1493
18 -0.2646
-0.5
4.1
0.4233
0.0822
0.1291
0.1146
0.1106
19
-1.4
3.9 -0.2646
0.4233
0.0822
0.1291
0.1146
0.0891
0.3718 -0.1935
0.3718
Unitatea de
nvare 9
ut
X1t
X2t
20 -0.0946
0.2
4.1
21
0.3077
1.8
4.2 -0.0946
22 -0.2507
2.2
3.8
23 -0.3333
2.1
4.1 -0.2507
24 -0.2651
1.5
4.2 -0.3333 -0.2507
25
1.8
3.8 -0.2651 -0.3333 -0.2507
0.3521
ut-1
ut-2
ut-3
ut-4
ut-5
0.0891 -0.2646
0.4233
0.0822
0.1291
0.0891 -0.2646
0.4233
0.0822
0.0891 -0.2646
0.4233
0.3077 -0.0946
0.3077 -0.0946
0.0891 -0.2646
0.3077 -0.0946
0.0891
0.3077 -0.0946
Rezultatele obinute sunt urmtoarele

t = 0.12 0.05X1t + 0.043X2t + 0.06ut-1 0.165ut-2 0.37ut-3 + 0.39ut-4 0.14ut-5
Pentru aceast estimare, valoarea coeficientului de determinare multipl este R2 = 0.229706.
Pornind de la aceste rezultate, se calculeaz
(n p)R2 = (25-5)0.229706 = 4.59
Valoarea din tabelele distribuiei teoretice 52 0.05 este 11.0705. n aceste condiii,
(n p)R2 < 52 0.05 ,
deci se admite ipoteza nul
H0: 1 = 2 = 3 = 4 = 5 = 0.
Rezultatele complete, obinute prin utilizarea programului EViews sunt urmtoarele:
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 1.013901
nR2
5.742659
Test Equation Variabila dependent: u

Variabile
Estimatori
Ab.std.
t-Statistic
alfa
-0.120982 1.281733 -0.094390
0.9259
X1
-0.051365 0.057379 -0.895174
0.3832
X2
0.043434 0.324293
0.133936
0.8950
ut-1
0.059695 0.242073
0.246600
0.8082
Unitatea de
nvare 9
Variabile
t-Statistic
alfa
ut-2
-0.164876 0.264976 -0.622229
0.5420
ut-3
-0.370266 0.277283 -1.335335
0.1994
ut-4
ut-5
R2
Estimatori
0.391204 0.271416
1.441344
0.1677
-0.140877 0.295483 -0.476769
0.6396
0.229706
R2 ajustat
Ab.std.
-0.087473
Media var.depend.
-4.49E-16
Ab.std.var.dep.
0.232305
Ab.std. regresie
0.242252
Suma ptrate erori
0.997666
Schwarz criterion
0.646704
Log likelihood
4.791700
F-statistic
0.724215
Prob(F-statistic)
0.653888
Durbin-Watson stat 1.965000
Obs. Valoarea calculat n EViews este nR2 = 5.742659, n locul valorii teoretice (n
p)R = 4.59.
2
01:40
Unitatea de
nvare 9
1. Atenuai fenomenul de autocorelare a erorilor folosind procedura Durbin-Watson, baznduv pe un model linear unifactorial construit pornind de la teoria economic dintr-un
domeniu la alegere.
10
Unitatea de
nvare 9
La fel ca n cazul modelului unifactorial, i la

modelul multifactorial de regresie linear, pentru a
testa ipoteza H0: = 0 (lipsa autocorelrii erorilor),
contra ipotezei alternative H1: 0 (prezena
fenomenului de autocorelare a erorilor) se aplic
testul Durbin Watson unilateral
Statistica Durbin-Watson se calculeaz:
n
dw
u
t 2
ut 1
u
t 1
11
2
t
Unitatea de
nvare 9
Lucrri obligatorii
Bucureti
Bucureti
Bucureti
Bucureti
Mustang, Bucureti
1.
2.
3.
4.
5.
6.
12
Unitatea de
nvare 9
1. Vezi interpretarea statisticii DW, prezentat n acest modul i n bibliografie.
13
Unitatea de
nvare 10
Utilizarea modelelor econometrice n prognoz
Unitatea de nvare 10: UTILIZAREA MODELELOR

ECONOMETRICE N PROGNOZ
Cuprins:
6.1. Prognoza n cazul modelului unifactorial de regresie linear
6.2. Prognoza n cazul modelului multifactorial de regresie linear
Cum se realizeaz prognoza n cazul modelului

unifactorial de regresie linear, respectiv
multifactorial
Unitatea de
nvare 10
n sens econometric, prognoza reprezint o anticipare

cantitativ a unor evenimente sau condiii viitoare,
pornind de la un set de informaii disponibile.
6.1. Prognoza n cazul modelului unifactorial de
regresie linear
Se presupunem c legtura dintre dou variabile Y

i X poate fi modelat printr-o ecuaie de regresie
linear de tipul Yt = a0 + a1Xt + et, t = 1, 2, ..., n,
relaie n care erorile sunt normal distribuite, de medie
nul, nu sunt heteroscedastice, nu sunt autocorelate i
sunt independente n raport cu variabila explicativ Xt.
Se demonstreaz c un indicator nedeplasat pentru

dispersia erorilor de prognoz este:
1 X X 2
2
2
n 1
s f su 1
2
n
X
X
t

vei fi n msur s
Cum se realizeaz
prognoza n cazul
modelului
unifactorial
de
regresie linear?
Cum se realizeaz
prognoza n cazul
modelului
multifactorial
de
regresie linear?
Construirea unui indicator nedeplasat pentru

dispersia erorilor de prognoz permite calculul unui
interval de prognoz pentru Yn+1, pornind de la relaia:
Yn 1 t n 2; s f Yn 1 Yn 1 t n 2; s f
unde tn-2; este valoarea din distribuia teoretic tStudent, testul bilateral, pentru n-2 grade de libertate
(n fiind dimensiunea eantionului), valoare
corespunztoare unui grad de ncredere de (1-).
6.2. Prognoza n cazul modelului multifactorial de regresie linear
S presupunem c modelul de regresie linear conine k regresori (variabile explicative) i este

estimat pornind de la o selecie de volum n:
Y = XA + e
unde Y este un vector de dimensiuni n1, care are drept componente valorile variabilei endogene,
X este o matrice de dimensiuni n(k+1), n care elementele din prima coloan sunt egale cu unu, iar
fiecare dintre celelalte k coloane conine valorile nregistrate pentru una dintre variabilele
explicative, A este vectorul de dimensiuni (k+1)1 al parametrilor modelului, iar e este vectorul
erorilor, de dimensiuni n1. Se demonstreaz c, dac sunt respectate ipotezele obinuite privind
erorile i variabilele explicative, atunci vectorul estimatorilor calculai pentru parametrii modelului
prin metoda celor mai mici ptrate este dat de relaia:
= (XX)-1XY
Se poate demonstra c un estimator nedeplasat al dispersiei erorilor de prognoz, estimator
calculat pe baza datelor din eantion este dat de expresia:
s 2f s u2 1 X n 1 X ' X X ' n 1
1
00:00
Unitatea de
nvare 10
unde
n
su2
u
t 1
2
t
n k 1
Intervalul de ncredere pentru valorile de prognoz, calculat cu un grad de ncredere de (1-),

este dat de relaia urmtoare:
Yn 1 t n k 1; s f Yn 1 Yn 1 t n k 1; s f ,
unde tn-k-1; este valoarea din distribuia teoretic t-Student, testul bilateral, pentru n-k-1 grade de
libertate (n fiind dimensiunea eantionului, iar k numrul variabilelor exogene din model), valoare
corespunztoare unui grad de ncredere de (1-).
00:40
Pentru exemplificarea modului de calcul a prognozei relum cazul numeric studiat n capitolul
2, referitor la legtura dintre veniturile populaiei i volumul economiilor (tabelul 2-1). Scopul
analizei este realizarea unei prognoze a volumului economiilor pentru o familie care urmeaz un
comportament de consum asemntor celui specific populaiei din care s-a extras eantionul
prezentat n tabelul (2-1). S presupunem c familia respectiv, numerotat cu 21, realizeaz un
venit X21 = 230. Pentru realizarea prognozei, se determin, n primul rnd, valoarea 21, pe baza
ecuaiei de regresie. Pentru exemplul analizat, ecuaia de regresie este de forma:
Yt = a0 + a1Xt + et,
unde
Yt este variabila endogen (explicat) volumul economiilor populaiei,
Xt este variabila exogen (explicativ) veniturile populaiei,
et este variabila de abatere (discrepana dintre valorile nregistrate i cele anticipate pe baza
modelului), a0 i a1 sunt parametrii modelului.
Aa cum s-a demonstrat n capitolele anterioare, dac modelul respectiv este estimat pornind de
la datele din tabelul 2-1, atunci erorile sunt normal distribuite, nu sunt heteroscedastice i nu sunt
autocorelate.
Modelul calculat prin metoda celor mai mici ptrate pentru ntreg eantionul este:
t = -6.40793 + 0.28952Xt, pentru t = 1, 2 ,, 25.
Pornind de la ecuaia de regresie i de la X21 = 230 se deduce
21 = -6.40793 + 0.28952230 = 60.18167.
Abaterea standard a erorilor de prognoz se calculeaz astfel:
s f s 2f 4.805538 2.192154
Din tabelul distribuiei bilaterale t (Student), pentru n-2 = 18 grade de libertate i un prag de
semnificaie = 0.05 se identific t23;0.05 = 2.101 Intervalul de ncredere pentru prognoz se
calculeaz potrivit formulei:
3
Unitatea de
nvare 10
Yn 1 t n 2; s f Yn 1 Yn 1 t n 2; s f
adic
60.18167 2.1012.192154 Yn+1 60.18167 + 2.1012.192154
sau
55.576 Yn+1 64.787
Interpretarea rezultatelor este urmtoarea: dac o familie din populaia analizat nregistreaz un
venit X21 de 230 u.m., atunci, pentru familia respectiv, volumul economiilor va fi, n medie
Y21 = 60.182 u.m. Cu un grad de ncredere de 95%, volumul economiilor se va situa ntre 55.567 i
64.787 u.m. Aceasta nseamn c dac eantionul selectat este reprezentativ pentru ntreaga
populaie i se urmresc, prin selecii succesive un numr mare de familii care au un venit egal cu
230, atunci media volumul economiilor nregistrate va fi 60.182 i doar 5% dintre valori se vor situa
n afara intervalului [55.567, 64.787].
Pentru exemplificarea modului de elaborare a prognozei pe baza modelului multifactorial de

regresie linear se pornete de la cazul numeric analizat n modulele anterioare, referitor la
dinamica veniturilor populaiei (X1t), evoluia ratei reale a dobnzii pasive (X2t) i dinamica
depozitelor bancare (Yt) n 25 intervale succesive de timp (tabelul 2-2). Rezultatele estimrii
modelului linear prin metoda celor mai mici ptrate pornind de la eantionul prezentat n tabelul
(2-1) sunt urmtoarele:
t = -3.78693 + 0.75722X1t + 0.860999X2t.
Presupunem c la momentul t = 26, ritmul de cretere a veniturilor populaiei este X1,26 = 3, iar
dinamica ratei reale a dobnzii pasive este X2,26 = 2. Valoarea medie a dinamicii depozitelor
bancare la momentul t = 26, respectiv prognoza 26 se determin astfel:
26 = -3.78693 + 0.757223.0 + 0.8609992.0 = 0.21
Pentru calculul dispersiei erorilor de prognoz se deduce, mai nti, blocul Xn+1(X'X)-1X'n+1. Pe
baza datelor se calculeaz
X n1 X ' X X 'n1 6.428
1
Utiliznd valorile determinate mai sus, se obine:

s 2f 0.3786
Pornind de la valoarea dispersiei erorilor de prognoz, se calculeaz abaterea standard a erorilor

de prognoz astfel:
s f s 2f 0.3786 0.615
Intervalul de prognoz se determin, n aceast situaie:
Yn 1 t n k 1; s f Yn 1 Yn 1 t n k 1; s f
0.21 t22;0.050.615 Y26 0.21 + t22;0.050.615
unde valoarea t22;0.05 este preluat din repartiia teoretic t Student, testul bilateral, pentru pragul de
semnificaie = 0.05 i (25-2-1) = 22 grade de libertate: t22;0.05 = 2.074
4
01:20
Unitatea de
nvare 10
Intervalul de prognoz este, n aceast situaie, dat prin inegalitatea urmtoare:

0.21 2.0740.615 Y26 0.21 + 2.0740.615
0.21 1.28 Y26 0.21 + 1.28
adic
-1.07 Y26 1.49
01:40
Unitatea de
nvare 10
2. Ce reprezint n sens econometric noiunea de prognoz?

3. Ce presupune realizarea unei prognoze n cazul modelului unifactorial?
4. Care este intervalul de prognoz pentru modelul unifactorial?
Unitatea de
nvare 10
n sens econometric, prognoza reprezint o anticipare cantitativ

a unor evenimente sau condiii viitoare, pornind de la un set de
informaii disponibile
Pentru modelul unifactorial, prognoza t+1 se calculeaz astfel:
n+1 = 0 + 1Xn+1
Intervalul de ncredere:
Yn1 tn2; s f Yn1 Yn1 tn2; s f

Pentru modelul multifactorial,
Yn+1 = Xn+1A + en+1
Intervalul de ncredere :
Yn1 tnk 1; s f Yn1 Yn1 tnk 1; s f
Unitatea de
nvare 10
Lucrri obligatorii
Bucureti
Bucureti
Bucureti
Bucureti
Mustang, Bucureti
1.
2.
3.
4.
5.
6.
Unitatea de
nvare 10
1. n sens econometric, prognoza reprezint o anticipare cantitativ a unor evenimente sau

condiii viitoare, pornind de la un set de informaii disponibile.
2. Realizarea unei prognoze presupune anticiparea a dou elemente. Pe de o parte, prognoza
implic determinarea valorii medii a variabilei Y la un moment viitor n+1, sau, mai general,
n+p (unde p 1), atunci cnd parametrii ecuaiei de regresie sunt estimai pe baza unei
selecii realizate la momentele 1, 2, , n. Pe de alt parte, este necesar calculul mprtierii
probabile a valorilor prognozate n jurul mediei estimate (calculul dispersiei erorilor de
prognoz).
3. Intervalul de prognoz n cazul modelului unifactorial este:
Yn 1 t n 2; s f Yn 1 Yn 1 t n 2; s f
unde tn-2; este valoarea din distribuia teoretic t-Student, testul bilateral, pentru n-2 grade
de libertate (n fiind dimensiunea eantionului), valoare corespunztoare unui grad de
ncredere de (1-).
Bibliografie
Bibliografie
BIBLIOGRAFIE OBLIGATORIE
1. Dobrescu E., 2002, Tranziia n Romnia: abordri econometrice, Editura Economic,
Bucureti
3. Jula N., 2004, Modelarea deciziilor financiar monetare. Elemente de econometrie aplicat,
Editura Bren, Bucureti
4. Jula N., 2006, Modelare economic econometrie aplicat, Editura Mustang, Bucureti
Mustang, Bucureti
6. Pecican E.-S., 1994, Econometrie, Editura All, Bucureti
7. Tnsoiu O., Iacob A.-I., 1999, Econometrie aplicat, Editura Arteticart, Bucureti
8. Tanadi Al., 2001, Econometrie aplicat, Editura ASE, Bucureti
9. Zaman C., 1998, Econometrie, Pro Democraia, Bucureti
BIBLIOGRAFIE FACULTATIV
1. Andrei T., 2003, Statistic i econometrie, Editura Economic, Bucureti
2. Ailenei D., 2002, Economia sectorului public, Editura Brent, Bucureti
3. Bourbonnais R., 1997, Economtrie. Cours et exercises corrigs, Edition Dunod, Paris
4. Brillet J.-L, 1989, Techiques de modelisation, Collection ENSAE (cole Nationale de la
Statistique et de l'Administration conomique), Paris
5. Greene W.H., 2000, Econometric Analysis, 3rd edition, Prentice-Hall.
6. Hansen B.E., 2002, Econometrics, University of Wisconsin, www.ssc.wisc.edu/~ bhansen
7. Johnston J., DiNardo J.E., 1997, Econometric Methods, 4th edition, McGraw-Hill.
8. Jula N., 2003, Statistic economic, Editura Bren, Bucureti
9. Kmenta J., 1986, Elements of Econometrics, New York: Macmillan
10. Maddala G.S, 2001, Econometrics, New York: McGraw-Hill
11. Prachi I., Bril A., icanu N., 1999, Econometrie aplicat, A.S.E.M., Chiinu
12. Pecican E.-S., 1996, Macroeconometrie - Politici economice guvernamentale i econometrie,
13. Pindyck R.S., Rubinfeld D.L, 1991, Econometric Models and Economic Forecasts, McGrawHill, Inc
14. Ramanathan R., 1992, Introductory Econometrics, Second Edition, The Dryden Press, Harcourt
Brace College Publishers, Orlando, USA
15. Thomas R.-L, 1997, Modern Econometrics: An Introduction, 2nd edition, Harlow, Longman
16. Vangrevelinghe G., 1973, Economtrie, Hermann, Paris
Anexe
Anexe
ANEXE STATISTICE
Tabelele distribuiilor t Student i 2 au fost calculate cu ajutorul programului Microsoft Excel
A. Valorile critice ale distribuiei t Student, testul bilateral
df
- testul bilateral
0.10
0.05
0.02
0.01
0.001
1 6.314 12.706 31.821 63.657 636.619

2 2.920
4.303
6.965
9.925
31.598
3 2.353
3.182
4.541
5.841
12.941
4 2.132
2.776
3.747
4.604
8.610
5 2.015
2.571
3.365
4.032
6.869
6 1.943
2.447
3.143
3.707
5.959
7 1.895
2.365
2.998
3.499
5.408
8 1.860
2.306
2.896
3.355
5.041
9 1.833
2.262
2.821
3.250
4.781
10 1.812
2.228
2.764
3.169
4.587
11 1.796
2.201
2.718
3.106
4.437
12 1.782
2.179
2.681
3.055
4.318
13 1.771
2.160
2.650
3.012
4.221
14 1.761
2.145
2.624
2.977
4.140
15 1.753
2.131
2.602
2.947
4.073
16 1.746
2.120
2.583
2.921
4.015
17 1.740
2.110
2.567
2.898
3.965
18 1.734
2.101
2.552
2.878
3.922
19 1.729
2.093
2.539
2.861
3.883
20 1.725
2.086
2.528
2.845
3.850
Anexe
Anexe
21 1.721
2.080
2.518
2.831
3.819
22 1.717
2.074
2.508
2.819
3.792
23 1.714
2.069
2.500
2.807
3.768
24 1.711
2.064
2.492
2.797
3.745
25 1.708
2.060
2.485
2.787
3.725
30 1.697
2.042
2.457
2.750
3.646
40 1.684
2.021
2.423
2.704
3.551
50 1.676
2.009
2.403
2.678
3.496
80 1.664
1.990
2.374
2.639
3.416
100 1.660
1.984
2.364
2.626
3.390
120 1.658
1.980
2.358
2.617
3.373
1.645
1.960
2.327
2.576
3.291
Anexe
Anexe
B. Valorile critice ale distribuiei t Student, testul unilateral
df
- testul unilateral
0.10
0.05
0.01
0.005
0.0005
3.078 6.314 31.821 63.657 636.619
1.886 2.920
6.965
9.925
31.598
1.638 2.353
4.541
5.841
12.941
1.533 2.132
3.747
4.604
8.610
1.476 2.015
3.365
4.032
6.869
1.440 1.943
3.143
3.707
5.959
1.415 1.895
2.998
3.499
5.408
1.397 1.860
2.896
3.355
5.041
1.383 1.833
2.821
3.250
4.781
10
1.372 1.812
2.764
3.169
4.587
11
1.363 1.796
2.718
3.106
4.437
12
1.356 1.782
2.681
3.055
4.318
13
1.350 1.771
2.650
3.012
4.221
14
1.345 1.761
2.624
2.977
4.140
15
1.341 1.753
2.602
2.947
4.073
16
1.337 1.746
2.583
2.921
4.015
17
1.333 1.740
2.567
2.898
3.965
18
1.330 1.734
2.552
2.878
3.922
19
1.328 1.729
2.539
2.861
3.883
20
1.325 1.725
2.528
2.845
3.850
21
1.323 1.721
2.518
2.831
3.819
22
1.321 1.717
2.508
2.819
3.792
23
1.319 1.714
2.500
2.807
3.768
Anexe
Anexe
24
1.318 1.711
2.492
2.797
3.745
25
1.316 1.708
2.485
2.787
3.725
30
1.310 1.697
2.457
2.750
3.646
40
1.303 1.684
2.423
2.704
3.551
50
1.299 1.676
2.403
2.678
3.496
80
1.292 1.664
2.374
2.639
3.416
100 1.290 1.660
2.364
2.626
3.390
120 1.289 1.658
2.358
2.617
3.373
2.327
2.576
3.291
1.282 1.645
Anexe
Anexe
C. Valorile critice ale distribuiei 2
Numrul
gradelor
de
0.99
0.95
0.9
0.1
0.05
0.01
0.005
0.001
0.000
0.004
0.016
2.706
3.841
6.635
0.020
0.103
0.211
4.605
5.991
9.210 10.597 13.816
0.115
0.352
0.584
6.251
7.815 11.345 12.838 16.266
0.297
0.711
1.064
7.779
9.488 13.277 14.860 18.467
0.554
1.145
1.610
9.236 11.070 15.086 16.750 20.515
0.872
1.635
2.204 10.645 12.592 16.812 18.548 22.458
1.239
2.167
2.833 12.017 14.067 18.475 20.278 24.322
1.646
2.733
3.490 13.362 15.507 20.090 21.955 26.125
2.088
3.325
4.168 14.684 16.919 21.666 23.589 27.877
10
2.558
3.940
4.865 15.987 18.307 23.209 25.188 29.588
11
3.053
4.575
5.578 17.275 19.675 24.725 26.757 31.264
12
3.571
5.226
6.304 18.549 21.026 26.217 28.300 32.909
13
4.107
5.892
7.042 19.812 22.362 27.688 29.820 34.528
14
4.660
6.571
7.790 21.064 23.685 29.141 31.319 36.123
15
5.229
7.261
8.547 22.307 24.996 30.578 32.801 37.697
16
5.812
7.962
9.312 23.542 26.296 32.000 34.267 39.252
17
6.408
8.672 10.085 24.769 27.587 33.409 35.719 40.790
18
7.015
9.390 10.865 25.989 28.869 34.805 37.157 42.312
19
7.633 10.117 11.651 27.204 30.144 36.191 38.582 43.820
20
8.260 10.851 12.443 28.412 31.410 37.566 39.997 45.315
21
8.897 11.591 13.240 29.615 32.671 38.932 41.401 46.797
22
9.542 12.338 14.041 30.813 33.924 40.289 42.796 46.268
23
10.196 13.091 14.848 32.007 35.172 41.638 44.181 49.728
libertate
7.879 10.828
Anexe
Anexe
24
10.856 13.848 15.659 33.196 36.415 42.980 45.559 51.179
25
11.524 14.611 16.473 34.382 37.652 44.314 46.928 52.618
26
12.198 15.379 17.292 35.563 38.885 45.642 48.290 54.052
27
12.879 16.151 18.114 36.741 40.113 46.963 49.645 55.476
28
13.565 16.928 18.939 37.916 41.337 48.278 50.993 56.893
29
14.256 17.708 19.768 39.087 42.557 49.588 52.336 58.302
30
14.953 18.493 20.599 40.256 43.773 50.892 53.672 59.703
10
Anexe
Anexe
D. Statistica Durbin Watson

Valorile dL i dU pentru testul Durbin-Watson unilateral, la un nivel de semnificaie de 5%
k=1
dL
dU
k=2
dL
dU
k=3
dL
dU
k=4
dL
dU
k=5
dL
dU
0.61 1.40
0.70 1.36 0.47 1.90
0.76 1.33 0.56 1.78 0.37 2.29
0.82 1.32 0.63 1.70 0.46 2.13 0.30 2.59
10
0.88 1.32 0.70 1.64 0.53 2.02 0.38 2.41 0.24 2.82
11
0.93 1.32 0.76 1.60 0.60 1.93 0.44 2.28 0.32 2.65
12
0.97 1.33 0.81 1.58 0.66 1.86 0.51 2.18 0.38 2.51
13
1.01 1.34 0.86 1.56 0.72 1.82 0.57 2.09 0.45 2.39
14
1.05 1.35 0.91 1.55 0.77 1.78 0.63 2.03 0.51 2.30
15
1.08 1.36 0.95 1.54 0.82 1.75 0.69 1.97 0.56 2.21
16
1.10 1.37 0.98 1.54 0.86 1.73 0.74 1.93 0.62 2.15
17
1.13 1.38 1.02 1.54 0.90 1.71 0.78 1.90 0.67 2.10
18
1.16 1.39 1.05 1.53 0.93 1.69 0.82 1.87 0.71 2.06
19
1.18 1.40 1.08 1.53 0.97 1.68 0.86 1.85 0.75 2.02
20
1.20 1.41 1.10 1.54 1.00 1.68 0.90 1.83 0.79 1.99
21
1.22 1.42 1.13 1.54 1.03 1.67 0.93 1.81 0.83 1.96
22
1.24 1.43 1.15 1.54 1.05 1.66 0.96 1.80 0.86 1.94
23
1.26 1.44 1.17 1.54 1.08 1.66 0.99 1.79 0.90 1.92
24
1.27 1.45 1.19 1.55 1.10 1.66 1.01 1.78 0.93 1.90
25
1.29 1.45 1.21 1.55 1.12 1.66 1.04 1.77 0.95 1.89
26
1.30 1.46 1.22 1.55 1.14 1.65 1.06 1.76 0.98 1.88
27
1.32 1.47 1.24 1.56 1.16 1.65 1.08 1.76 1.01 1.86
28
1.33 1.48 1.26 1.56 1.18 1.65 1.10 1.75 1.03 1.85
29
1.34 1.48 1.27 1.56 1.20 1.65 1.12 1.74 1.05 1.84
11
Anexe
Anexe
k=1
dL
dU
k=2
dL
dU
k=3
dL
dU
k=4
dL
dU
k=5
dL
dU
30
1,35 1.49 1.28 1.57 1.21 1.65 1.14 1.74 1.07 1.83
31
1.36 1.50 1.30 1.57 1.23 1.65 1.16 1.74 1.09 1.83
32
1.37 1.50 1.31 1.57 1.94 1.65 1.18 1.73 1.11 1.82
33
1.38 1.51 1.32 1.58 1.26 1.65 1.19 1.73 1.13 1.81
34
1.39 1.51 1.33 1.58 1.27 1.65 1.21 1.73 1.15 1.81
35
1.40 1.52 1.34 1.58 1.28 1.65 1.22 1.73 1.16 1.80
36
1.41 1.52 1.35 1.59 1.29 1.65 1.24 1.73 1.18 1.80
37
1.42 1.53 1.36 1.59 1.31 1.66 1.25 1.72 1.19 1.80
38
1.43 1.54 1.37 1.59 1.32 1.66 1.26 1.72 1.21 1.79
39
1.43 1.54 1.38 1.60 1.33 1.66 1.27 1.72 1.22 1.79
40
1.44 1.54 1.39 1.60 1.34 1.66 1.29 1.72 1.23 1.79
45
1.48 1.57 1.43 1.62 1.38 1.67 1.34 1.72 1.29 1.78
50
1.50 1.59 1.46 1.63 1.42 1.67 1.38 1.72 1.34 1.77
55
1.53 1.60 1.49 1.64 1.45 1.68 1.41 1.72 1.38 1.77
60
1.55 1.62 1.51 1.65 1.48 1.69 1.44 1.73 1.41 1.77
65
1.57 1.63 1.54 1.66 1.50 1.70 1.47 1.73 1.44 1.77
70
1.58 1.64 1.55 1.67 1.52 1.70 1.49 1.74 1.46 1.77
75
1.60 1.65 1.57 1.68 1.54 1.71 1.51 1.74 1.49 1.77
80
1.61 1.66 1.59 1.69 1.56 1.72 1.53 1.74 1.51 1.77
85
1.62 1.67 1.60 1.70 1.57 1.72 1.55 1.75 1.52 1.77
90
1.63 1.68 1.61 1.70 1.59 1.73 1.57 1.75 1.54 1.78
95
1.64 1.69 1.62 1.71 1.60 1.73 1.58 1.75 1.56 1.78
100 1.65 1.69 1.63 1.72 1.61 1.74 1.59 1.76 1.57 1.78
n numrul de observaii;
k numrul variabilelor explicative
12
Anexe
Anexe
Sursa:
J.Durbin and G.S.Watson, Testing for Serial Correlation in Least Squares Regression, in
Biometrika, vol. 38 (1951), pp.159-177 (pentru n 15)
Mukherjee Ch., White H., Wuyts M., 1998, Econometrics and data analysis for developing
countries, Routledge, London and New York (pentru n < 15)
13

81 Modelare Economica Econometrie 2010 1101

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

81 Modelare Economica Econometrie 2010 1101

Încărcat de

Drepturi de autor:

Formate disponibile

Unitatea de

Modelul economic - prezentare general

MODELARE ECONOMIC. ECONOMETRIE

Modelul economic - prezentare general

PARTEA I: MODELARE ECONOMIC

Elementele unui model econometric

nsuirea noiunii de model economic

Modelul economic - prezentare general

1.1. Consideraii generale

Timp necesar: 195 minute

n accepiunea comun, modelul reprezint o

Modelul economic - prezentare general

Tabelul 11: Tipologia modelelor economice

1. Natura elementelor componente

1.b) calitativ-analitice (teoretice),

3. Nivelul de agregare a entitilor

3.a) cu dezagregare maxim

5.a) strict statice

Modelul economic - prezentare general

Modelul economic - prezentare general

5.c Modelele dinamice ilustreaz evoluia n timp a diferitelor procese economice.

Tabelul 12: Etapele procesului de modelare

1.1.2. Modelul econometric

Modelul economic - prezentare general

Pornind de la relaiile definite de teoria economic, econometria clasic se concentreaz asupra

Figura 13: Etapele unui studiu econometric11

Modelul economic - prezentare general

Elementele unui model econometric

Modelul economic - prezentare general

Modelul economic - prezentare general

n ce const n interpretarea lui Malinvaud termenul de model?

Modelul economic - prezentare general

n sens restrns, econometria este definit ca o aplicaie a

Parametrii modelului pot fi definii ca fiind caracteristicile

Modelul economic - prezentare general

Modelul economic - prezentare general

1. n interpretarea lui Malinvaud "un model const n reprezentarea formal a ideilor i

Modele de optimizare - Modelul de programare linear - Algoritmul Simplex

Modele de optimizare - Modelul de programare linear. Algoritmul

Modelul de programare linear. Algoritmul Simplex

Formularea economic a problemei

Exemplu de calcul: Optimizarea utilizrii suprafeei agricole

nsuirea algoritmului Simplex

Modele de optimizare - Modelul de programare linear - Algoritmul Simplex

Formularea economic a problemei

Timp necesar: 200 minute

Care sunt paii

Presupunem c o ferm agricol dispune de 100 ha

Porumb Cartofi Floarea soarelui

Din experiena anterioar, precum i pornind de la elementele economice i tehnologice

Modele de optimizare - Modelul de programare linear - Algoritmul Simplex

Notm x1 - suprafaa cultivat cu gru, x2 - suprafaa cultivat cu porumb, x3 - suprafaa

Pentru obinerea formei standard a problemei de programare liniar, se noteaz s1,...,s5

5x1 + 2x2 + 5x3

+ 4x2 + 4x3 + 4x4

3x1 + 6x2 + 4x3 + 5x4

Z = 5x1 + 7x2 + 9x3 + 8x4 Max

Modele de optimizare - Modelul de programare linear - Algoritmul Simplex

Modele de optimizare - Modelul de programare linear - Algoritmul Simplex

0.25 0 0.25 1 0 -0.25 0 0

5 -1.75 0 3.25 0 1 -1.25 0 0

6.75 9 6.75 0 0 2.25 0 0

0.25 0 1.25 0 0 -2.25 0 0