Sunteți pe pagina 1din 27

METODOLOGIA CERCETARII IN

MANAGEMENT
ECONOMETRIA

Profesor coordonator : Bleoju Gianita


Nume: Grosu Dragos
Anul : II / ZI
Specializare : Strategii si Politici Manageriale

Page 1

Introducere
Acest suport de nivel introductiv este conceput pentru a oferi cursanilor o
fundaie riguroas i accesibil privind principiile teoriei probabilitilor, utilizarea
metodelor de inferen statistic n domeniul macroeconomic, precum i tehnicile
de baz oferite de ctre programul econometric EViews n ceea ce privete
construirea, rezolvarea, estimarea, verificarea i alegerea de modele econometrice
adecvate. Toate capitolele suportului cuprind exemple privind utilizarea diverselor
tehnici econometrice cu ajutorul programului EViews.

Econometrie
Date de tip
Cross section

Date de tip
Time series

Date de tip
Panel

Statistic matematic
TEHNICI DE
ESTIMARE

Model statistic

TEHNICI DE
TESTARE

Teoria probabilitilor
EVENIMENT

Variabil
aleatoare

Page 2

PROBABILITATE

Econometria presupune totalitatea metodelor i tehnicilor de analiz a


dinamicii variabilelor economice, precum i a interconexiunilor dintre acestea.
Econometria utilizeaz o mare parte din tehnicile de inferen statistic puse la
dispoziie de ctre statistica matematic. De asemenea, teoria probabilitilor
ofer noiunile fundamentale necesare pentru nelegerea statisticii i a
econometriei. Econometria reprezint o mbinare armonioas ntre teoria
economic, modelarea economic, statistica economic i statistica matematic.
Teoria economic propune o serie de ipoteze care, n general, sunt de natur
calitativ. Modelarea economic transpune aceste ipoteze n limbaj cantitativ prin
intermediul modelelor economice care pot fi utilizate pentru previzionarea
variabilelor de interes. Statistica economic are drept scop principal colectarea,
prelucrarea i prezentarea datelor economice sub forma de grafice i tabele.
Statistica matematic ofer multe instrumente de analiz a acestor datelor. Totui,
un practician are deseori nevoie de metode speciale avnd n vedere natura unic a
datelor economice. Rolul econometriei const n punerea la dispoziie a unor astfel
de tehnici care permit testarea unui model economic i transpunerea acestuia
ntr-un model econometric, care poate fi utilizat efectiv pentru a previziona
evoluia variabilelor economice.
Modelele econometrice presupun utilizare a trei tipuri de date, respectiv:

date de tip cross-section acestea presupun observaii n ceea ce privete o


caracteristic, obinute la un anumit moment dat, pentru mai muli ageni
economici;

date de tip time series acestea presupun observaii n ceea ce privete o


caracteristic, obinute la mai multe momente de timp, pentru un agent
economic dat;

date de tip panel acestea combin ambele dimensiuni, presupunnd


observaii n ceea ce privete o caracteristic, obinute la mai multe momente de
timp, pentru mai muli ageni economici.

Metodologia utilizat, n general, de ctre econometrie pentru analiza unui


fenomen economic se poate ncadra de-a lungul urmtoarelor linii:

identificarea teoriei economice care explic fenomenul respectiv;

specificarea modelului teoretic n format matematic;

specificarea modelului econometric;

obinerea datelor corespunztoare;

estimarea parametrilor modelului econometric;

testarea statistic a ipotezelor propuse de teoria economic;

previzionarea variabilelor din cadrul modelului econometric;

utilizarea modelului econometric pentru fundamentarea deciziilor de


politic economic.

Noiuni privind teoria probabilitilor


Un agent economic raional, cel mai probabil, va prefera s diminueze
incertitudinea privind rezultatul unei situaii n orice context de luare a unei decizii
n care profitul, utilitatea, precum i bunstarea sunt afectate. Teoria
probabilitilor pune la dispoziia unui agent de decizie o serie de instrumente
utilizate pentru a distinge probabilul de improbabil, n cazul unor decizii, i ofer
managerilor, economitilor, organismelor de reglementare i consumatorilor
informaii care pot fi folosite pentru a clasifica rezultatele poteniale ale deciziilor
lor n ceea ce privete probabilitatea de apariie. Astfel, este posibil luarea unor
decizii care s maximizeze probabilitatea de apariie a unui rezultat dorit, sau care
s reduc probabilitatea de apariie a unor rezultate dezastruoase.
Evenimente i probabilitatea de apariie a acestora
Noiunea de experiment este foarte des utilizat n domeniul statisticii
pentru a face referire la orice activitate pentru care rezultatul sau starea final a
unei activiti nu pot fi specificate n avans, dar pentru care poate fi identificat o
mulime coninnd toate rezultatele posibile ale acelei activiti. nainte de a

analiza probabilitatea de apariie a unui anumit rezultat al unui experiment, este

necesar s se identifice ce rezultate sunt posibile. Aceasta conduce la


definirea spaiului strilor unui experiment.
Unul din obiectivele teoriei probabilitilor este acela de a elabora o msur
cu care s se poat cuantifica posibilitatea de apariie a diverselor evenimente
nglobate n spaiul strilor experimentului analizat. O funcie de probabilitate
este o funcie P :F 0,1 care ndeplinete urmtoarele proprieti:

P 1 ;

Pentru orice n evenimente, A1 , A2 ,...,


An

disjuncte dou cte dou

avem c P A1 A2 ... An P A1 P A2 ... P An .


Un cmp de probabilitate, cunoscut i sub numele de spaiu de
probabilitate, este un triplet

,F

, P care este format din mulimea tuturor

strilor posibile, mulimea tuturor evenimentelor observabile i o funcie de


probabilitate cu care se cuantific posibilitatea de apariie a acestor evenimente.

nainte de realizarea unui experiment, evenimentul care este absolut sigur s apar
este evenimentul , deoarece rezultatul unui experiment trebuie s fie un element al
spaiului strilor. In continuare este studiat efectul pe care informaiile suplimentare
privind apariia unui eveniment l au asupra probabilitii altor evenimente asociate
experimentului analizat. n special, n cazul n care este cunoscut faptul c rezultatul
experimentului este un element dintr-o submulime B, a spaiului strilor, se pune
problema identificrii cantitative a efectului acestei informaii suplimentare asupra
probabilitilor celorlalte evenimente. Cum ar trebui s fie definit probabilitatea unui
eveniment A, avnd n vedere informaiile suplimentare care arat c a avut loc
evenimentul B?
Astfel, este convenabil s se introduc noiunea de probabilitate
condiionat. Vom nota cu P A | B probabilitatea evenimentului A condiionat
de evenimentul B. Avem P | B 1 , dar, n plus,

P B | B 1 , fiind evident

i
faptul c evenimentul B devine sigur condiionat de informaia suplimentar c
acest eveniment a avut loc. Astfel, n mod intuitiv, rezult faptul c
P A | B

PA B
.
P B

Probabilitatea condiionat poate fi utilizat i pentru definirea, ntr-o


manier intuitiv, a conceptului de independen a dou evenimente. Astfel, dac
evenimentul A este independent de evenimentul B, atunci este evident c
informaia suplimentar generat de apariia evenimentului B nu poate aduce nici o
mbuntire n ceea ce privete cuantificarea posibilitii de apariie a
evenimentului A. Astfel, n acest caz rezult c P A | B P A . Mai exact, dou
evenimente A i B se numesc independente dac P A B P APB . Trebuie
evideniat faptul c, dac evenimentul A sau evenimentul B au probabilitate de
apariie zero, atunci ele sunt independente. De asemenea, dac dou evenimente
sunt independente atunci i evenimentele contrare vor fi independente ntre ele.

1.2

Tipuri de variabile aleatoare

1.2.1 Variabile aleatoare unidimensionale


Rezultatele mai multor experimente sunt exprimate n mod inerent sub
form de numere reale. De exemplu, msurarea nlimii sau a greutii unei
persoane, sau observarea preului i a cantitii de echilibru de pe o pia. Spaiul
strilor asociat cu aceste tipuri de experimente sunt submulimi ale mulimii
numerelor reale.
Exist, ns, i experimente ale cror rezultate nu sunt numere reale i al
cror spaiu al strilor nu este n mod inerent o submulime a unui spaiu real. De
exemplu, observarea rezultatului aruncrii unei monede, care este ban sau stem,
observarea rezultatului aruncrii unui zar, care este una din cele ase fee ale
zarului, sau observarea dac un element selectat dintr-un ansamblu este defect sau
nu. Este att convenabil ct i util convertirea acestor spaii abstracte ntr-un
subspaiu format din numere reale, conversie realizat prin asocierea unui numr
real pentru fiecare rezultat din spaiul strilor original. O astfel de procedur ar
putea fi privit ca o codificare a rezultatelor unui experiment prin diverse numere
reale. n plus, este posibil ca rezultatele unui experiment s nu poate fi de interes
direct ntr-un cadru dat; n schimb, s-ar putea s prezinte interes o anumit
combinaie a acestora exprimat printr-un numr real. Conceptul de variabil
aleatoare poate fi utilizat pentru a caracteriza rezultatele unui experiment ca o
submulime de numere reale.
Fie

,F

, P un cmp de probabilitate. O variabil aleatoare

unidimensional n raport cu ,F , P este o funcie definit pe spaiul strilor


( ) i are valori numere reale, X : R . Astfel, prin utilizarea conceptului de
variabil aleatoare, toate experimentele cu rezultate univariate pot fi interpretate ca
avnd spaiul strilor compus din elemente reale. Mai exact, spaiul strilor indus,
R[X], reprezint o submulime a unui spaiu real. O variabil aleatoare se numete
variabil aleatoare discret dac spaiul strilor indus, R[X], este o mulime finit

sau numrabil. Dac spaiul strilor indus este un interval, atunci vorbim despre o
variabil aleatoare continu.
Un avantaj major al utilizrii doar a spaiilor de stri cu valori reale const
n faptul c toate instrumentele matematice elaborate pentru sistemul numerelor
reale sunt disponibile atunci cnd se analizeaz proprietile unui astfel de spaiu.
n practic, o dat ce cmpul de probabilitate indus a fost identificat, cmpul de
probabiliti iniial

,F

, P poate fi, n general, ignorat n scopul definirii

evenimentelor variabilelor aleatoare i a probabilitii de apariie a acestora. De


fapt, cel mai adesea se alege cmpul indus de probabilitate direct de la nceputul
unui experiment, acordnd mai puin atenie cmpului de probabilitatea original.
O simplificare important, n ceea ce privete analiza variabilelor aleatoare,
este realizat prin introducerea conceptului de funcie de repartiie. Astfel, funcia
de repartiie a unei variabile aleatoare X, cunoscut n literatura de specialitate
sub prescurtarea CDF (eng. Cumulative Distribution Function), este o funcie
definit pe mulimea numerelor reale cu valori n mulimea numerelor reale,
FX : R R astfel nct pentru orice numr real x avem c FX x P X x .
Altfel spus,

FX x

reprezint un numr care cuantific probabilitatea

evenimentului ca variabila aleatoare X s ia valori mai mici sau egale cu numrul


real x.
Dac dou variabile aleatoare X i Y au proprietatea c FX FY se spune
c cele dou variabile aleatoare sunt identic distribuite.
Trebuie menionat faptul c, dac X este variabil aleatoare discret, atunci
FX nu este funcie continu, graficul funciei prezentnd salturi. Pe de alt parte
ns, dac X este o variabil aleatoare continu, atunci se poate arta c FX este o
funcie continu.
In cazul unei variabile aleatoare continue, analiza acesteia se poate
simplifica i mai mult prin apelarea la conceptul de funcie de densitate de
repartiie. Astfel, funcia de densitate de repartiie a unei variabile aleatoare

continue X, cunoscut n literatura de specialitate sub prescurtarea PDF (eng.


Probability Distribution Function), este o funcie definit pe mulimea numerelor
reale cu valori n mulimea numerelor reale, f X : R
R
numr real a avem c FX a

astfel nct pentru orice

f x dx
X

Eviews ofer posibilitatea de a afia o varietate de aa-numite grafice


analitice (i.e. grafice rezultate prin prelucrarea statistic a datelor brute)
Caracteristica central a acestor grafice const n faptul c afieaz un rezumat al
datelor originale. O clas important de astfel de grafice sunt cele care cuantific
vizual funcia de densitate de repartiie a unei variabile aleatoare, calculat
utiliznd o serie de date privind realizrile respectivei variabile aleatoare. Pentru a
afia un astfel de grafic se utilizeaz opiunea Graph.

In cadrul csuei de dialog care este afiat se selecteaz tipul graficului


Distribution, iar n zona Details se precizeaz tipul de grafic de distribuie dorit,

cum ar fi histogram (Histogram), grafic de distribuie determinat prin funcii de

tip kernel (Kernel Density) sau grafic de distribuie determinat prin utilizare
unui model parametric (Theoretical Distribution). Astfel, n figura de mai jos
sunt prezentate dou grafice de tip distribuie determinate pe baza acelorai date,
respectiv o histogram i o funcie de densitate de repartiie asociat unei variabile
distribuit normal. O variabil aleatoare X are o distribuie normal cu medie
i varian , notat cu X ~ , 2 , dac funcia de densitate de repartiie este

1 x

dat de formula: f

( x)

e
X

1.2

1.2

1.0

1.0

0.8

0.6

Density

Density

0.8

0.4

0.6

0.4

0.2

0.2

0.0

0.0
1.8

2.0

2.2

2.4

2.6

2.8

3.0

3.2

3.4

3.6

3.8

4.0

4.2

1.6

2.0

2.4

2.8

3.2

3.6

4.0

4.4

4.8

Un grafic de densitate de repartiie ofer informaii n ceea ce privete


probabilitatea de apariie a anumitor evenimente. Astfel, se observ c este mai
probabil ca variabila aleatoare considerat s ia valori n jurul valorii de 3,5 dect
s ia valori n jurul valorii de 1,5 sau n jurul valorii de 4,5.
Histogram. Astfel, n figura de mai jos sunt prezentate, pe acelai grafic

densitatea de repartiie bidimensional prin intermediul unui nor de


puncte i prin elipse care demarcheaz anumite zone de probabilitate;

densitile de repartiie marginal, pentru cele dou variabile aleatoare


din componen vectorului aleatoriu, prin intermediul a dou
histograme.

190
180
170
160
150
140
130
120

1.5

2.0

2.5

3.0

3.5

4.0

4.5

Acest grafic de densitate de repartiie ofer informaii n ceea ce privete


probabilitatea de apariie, n acelai timp, al unor valori pentru cele dou variabile
aleatoare. Astfel, este puin probabil ca variabila 1 (reprezentat pe orizontal) s
ia valori n jur de 2,5 i, n acelai timp, variabila 2 (reprezentat pe vertical) s ia
valori n jur de 140. In schimb, este mai probabil ca variabila 1 s ia valori n jur
de 3,5 i, n acelai timp, variabila 2 s ia valori n jur de 155.

Un alt aspect important, n ceea ce privete vectorii aleatori, se refer la


conceptul de repartiie condiionat a unei componente a vectorului n raport cu o
alt component a acestuia.
FX 1

...
FX 2 F
.

Modelul clasic de regresie liniar


Modelul clasic de regresie liniar reprezint una dintre tehnicile statistice
cele mai versatile i mai des utilizate n analiza economic, i nu numai. In
continuare, sunt descrise i analizate tehnicile de regresie puse la dispoziie de ctre
programul econometric Eviews: specificarea i estimarea unui model de regresie,
efectuarea de analize simple de diagnostic i utilizarea rezultatelor estimrii n
analize suplimentare.
Folosind o notaie matricial, o ecuaie de regresie liniar poate fi scris sub
forma:
y X
unde y este un vector N-dimensional care conine observaiile privind
variabila dependent, X este o matrice de dimensiune N x K cu variabile
independente sau explicative, este un vector K dimensional al coeficienilor de
regresie i este un vector N dimensional reprezentnd inovaiile asociate
ecuaiei, adic aceea component din dinamica variabilei dependente care nu este
captat de ctre cele K variabile independente. N reprezint numrul de observaii,
iar K este numrul de regresori (variabile explicative) din partea dreapt a ecuaiei.
Estimarea unei ecuaii de regresie se realizeaz n Eviews cu ajutorul unui
obiect de tip equation. Pentru a crea un astfel de obiect trebuie s selectai
Object/New Object.../Equation sau Quick/Estimate Equation din meniul
principal. n continuare, va fi afiat caseta de dialog Equation Estimation. In
cadrul acestei casete de dialog este necesar precizarea a trei aspecte: specificaiile
ecuaiei, metoda de estimare i eantionul care urmeaz s fie utilizat n estimare.

Cea mai simpl modalitate de a specifica o ecuaie liniar de regresie, este


de a preciza lista variabilelor care se doresc a fi utilizate n ecuaie. n primul rnd,
trebuie s includ numele variabilei dependente, urmat de o list a variabilelor
explicative. Avnd specificat ecuaia, n continuare trebuie aleas o metod de
estimare. Prin apsarea pe lista de opiuni Method se va observa un meniu list cu
metode de estimare. In cadrul modelului clasic de regresie estimarea se realizeaz
cu ajutorul metodei celor mai mici ptrate (OLS). Alte metode de estimare vor fi
analizate n capitolele ulterioare. Eviews ofer o serie de opiuni de estimare.
Aceste opiuni permit estimarea ecuaiei, mai exact de calculul de erori standard
care sunt robuste fa de abaterile ipotezelor modelului clasic, abateri legate de
existena heteroskedasticitii i/sau a autocorelrii inovaiilor. Aceste opiuni de
estimare a erorilor standard sunt discutate n capitolul urmtor. Prin apsarea
butonului din csua de dialog Equation Estimation, Eviews afieaz o fereastr
care conine un ecran cu rezultatele estimrii:

6 Tehnici de modelare i previzionare a seriilor de timp


unidimensionale
Capitolul de fa se axeaz pe specificarea i estimarea modelelor cu care se
pot analiza dinamica seriilor de timp unidimensionale. Eviews calculeaz diverse
statistici pentru o serie de timp i afieaz aceste statistici, n diverse forme, cum ar
fi sub form de foaie de calcul, tabel sau grafic. Acestea variaz de la afiarea
graficului seriei respective, pn la estimatori ne-parametrici pentru densitatea
seriei respective, bazai pe funcii de tip kernel. De asemenea, Eviews dispune de
o serie de proceduri care pot fi utilizate pentru a modifica i a analiza seriea
respectiv, cum ar fi diferite metode de ajustare sezonier, metode de nivelare
exponenial, precum i tehnici de filtrare statistic, dintre care cel mai utilizat n
practic este filtrul Hodrick-Prescott.
Opiunea Histogram and Stats afieaz distribuia de frecven a seriei
analizate sub forma unei histograme. Histograma mparte diametrul seriei (i.e.
distana ntre valorile maxime i minime), n mai multe intervale de lungime egal
i afieaz numrul de observaii care se ncadreaz n fiecare interval. Lng
histogram sunt afiate o serie de statistici descriptive, care sunt calculate folosind
observaiile din eantionul curent.
Mean reprezint media seriei de date, obinut prin nsumarea tuturor
valorilor i mprirea la numrul de observaii.
Median reprezint mediana seriei de date, definit ca fiind valoarea din
mijlocul seriei atunci cnd valorile acesteia sunt ordonate n ordine cresctoare.
Mediana este o msur robust a tendinei centrale, fiind mai puin sensibil fa
de valori aberante dect media.
Max i Min reprezint valoarea maxim i, respectiv, minim nregistrat
de serie pentru eantionul curent.

Std. Dev. reprezint abaterea standard, care, aa cum s-a mai discutat,
este o msur a dispersiei sau a mprtierii valorilor seriei fa de medie.

Skewness este o msur a asimetriei funciei de densitate de repartiie a


seriei n jurul valorii sale medie. Acest indicator se dup formula:
1

y y

S
N

i 1

unde este un estimator pentru abaterea standard. Statistica skewness


pentru o distribuie simetric, cum ar fi distribuia normal, este ntotdeauna zero.
O valoare pozitiv semnific faptul c distribuia are coada din partea dreapt
mai lung, iar o valoare negativ implic faptul c distribuia are coada din
partea stng mai lung.
Kurtosis este o msur a amplitudinii funciei de densitate, a aplatizrii
acesteia n raport cu funcia de densitate a distribuiei normale. Aceast statistic se
calculeaz dup formula:
1

y y

K
N

i 1

Valoarea acestei statistici pentru o serie distribuit normal este 3. Dac


statistica nregistreaz o valoare mai mare dect 3, se spune c distribuia este
leptokurtic, iar dac are o valoare mai mic dect 3, distribuia este platikurtic.
Jarque-Bera reprezint statistica unui test pentru verificarea ipotezei c
seria este normal distribuit. Statistica este o msur a distanei dintre indicatorii
Skewness i Kurtosis ai seriei analizate fa de cele ale distribuiei normale.
Statistica se calculeaz astfel:
JB

N
2

K 3

S
6

unde S este indicatorul Skewness, iar K este indicatorul Kurtosis. Sub


ipoteza nul a unei distribuii normale, statistica Jarque-Bera este distribuit

cu

2 grade de libertate. Probabilitatea raportat este probabilitatea ca statistica JarqueBera s depeasc (n valoare absolut), valoarea observat sub ipoteza nul o
valoare mic a acestei probabiliti indic respingerea ipotezei nule c seria are o
distribuie normal.
O constatare comun n ceea ce privete regresiile dintre seriile de timp este
faptul c reziduurile sunt autocorelate. Aceast corelaie serial ncalc una din
ipotezele standard ale regresiei liniare clasice conform creia inovaiile nu sunt
corelate cu valori din trecut ale acestora. Printre problemele asociate corelaiei
serial n reziduuri se numr urmtoarele:
estimatorul OLS nu mai este eficient printre estimatorii liniari. n plus,
deoarece reziduuri trecute ajuta la previzionarea reziduurilor actuale, se poate
profita de aceast informaie pentru a forma o predicie mai bun a variabilei
dependente.
Erorile standard calculate dup formula clasic OLS nu sunt corecte, i
sunt n general subevaluate.
Dac n partea dreapt a regresiei exist lag-uri (i.e. valori din trecut) ale
variabilei dependente, estimatorul OLS este deplasat i inconsistent.

Eviews furnizeaz instrumente pentru detectarea corelaiei seriale i metode


de estimare care s in seama de prezena acesteia. De exemplu, Eviews
raporteaz statistica Durbin-Watson (DW) ca o parte a rezultatelor regresiei
standard. Statistica Durbin-Watson se refer la un test pentru corelaia serial de
prim-ordin. Formal, statistica DW msoar asocierea liniar ntre reziduuri
adiacente ale unui model de regresie. Dac nu exist nici o corelaie de serie,
statistica DW va fi n jurul valorii de 2. Statistica DW va scdea sub 2 dac nu
exist corelaie pozitiv serial (n cel mai ru caz, aceasta va fi aproape de zero).
Dac exist corelaie negativ, statistica este undeva ntre 2 i 4.
Modele ARIMA (AutoRegressive Integrated Moving Average) sunt
folosite pe scar larg pentru a analiza dinamica seriilor de timp unidimensionale.
Un model ARIMA este compus din trei pri: termenul autoregresiv, termenul
privind ordinul de integrare i termenul de medie mobil.
Prima parte este partea autoregresiv sau termenul AR. Modelul AR (1)
utilizeaz doar lag-ul de ordin nti al variabilei analizate:
xt xt 1
t

In general, se pot utiliza termeni cu ordine mai mari pentru AR. Fiecare
termen AR corespunde utilizrii unei valori lag n ecuaia de dinamic a variabilei.
Un model autoregresiv de ordin p, AR(p) are forma:
xt 1 xt 1 2 xt 2 ... p xt p
t
A doua parte se refer la ordinul de integrare. Fiecare ordin de integrare
corespunde unui nivel de difereniere al seriei care este analizat. O componenta
integrat de ordin unu semnific faptul c modelul de dinamic este specificat
pentru prima diferen a seriei originale. O component integrat de ordin doi
corespunde diferenelor de ordin doi, i aa mai departe.

Tehnici de analiz a dinamicii pe termen lung


Acest capitol descrie procesul de estimare i analiz a modelelor de tip
VEC (Vector Error Correction), precum i modelele i instrumentele pentru
testarea prezenei relaiilor de cointegrare dintre mai multe variabile nestaionare.
Teoria din spatele estimrii modelelor ARMA, discutate n capitolul 6, se
bazeaz pe serii de timp staionare. O serie este staionar (n covarian) n cazul
n care media, variana i auto-covarianele seriei nu depind de timp. Orice serie
care nu este staionar se numete nestaionar. Un exemplu clasic de serie
nestaionar este procesul de tip random walk:
yt yt 1 t
unde este un proces staionar. Procesul Random walk
staionar

n prima diferen

deoarece

este o serie

prima diferen a procesului

( yt yt 1 t ) este un proces staionar. O serie staionar n diferen este numit


serie integrat de ordin d i se noteaz cu I(d) unde d este ordinul integrrii.
Ordinul de integrare, sau numrul de rdcini unitare (unit roots), reprezint
numrul de operaiuni de diferen necesare pentru a face o serie staionar. Pentru
procesul de tip random walk exist o singur rdcin unitate, deci este o serie I(1).
Similar, o serie staionar este I(0).
Procedurile standard de inferen nu se aplic pentru ecuaii de regresie care
conin o variabil dependent integrat sau regresori integrai. Prin urmare, este
important s se verifice dac o serie este staionar nainte de a o utiliza ntr-o
regresie. Metoda formal pentru testarea staionaritii unei serii este testul de unit
root.
Eviews ofer o varietate de instrumente pentru testarea unei serii (sau a
primei

sau celei de a doua diferen din serie) pentru prezena unei rdcini

unitate, cum ar fi testul Augmented Dickey-Fuller (ADF) i testul Phillips-Perron

(PP ). Pentru a efectua un test de unit root, se face dublu click pe numele seriei i
se selecteaz opiunea View/Unit Root Test Trebuie specificat dac se dorete
testarea pentru o rdcin unitate a seriei, sau a prima diferen, respectiv a celei de
a doua diferen a seriei. Setri avansate puse la dispoziie n cazul testului ADF
permit specificarea modului n care lag-urile termenilor difereniai vor fi inclui n
ecuaia de testare ADF. Se poate opta pentru ca Eviews s fac selecia n mod
automat sau se poate specifica un numr fix, ntreg i pozitiv.
Constatarea empiric potrivit creia multe serii de timp macroeconomice
conin o rdcin unitate a impulsionat dezvoltarea teoriei analizei seriilor de timp
de nestaionare. Engle i Granger (1987) au subliniat faptul c o combinaie liniar
a dou sau mai multe serii nestaionare poate conduce la o serie care este
staionar. n cazul n care exist o astfel de combinaie liniar staionar, se spune
c serile nestaionare care intr n aceea combinaie sunt cointegrate. Combinaia
liniar staionar se numete ecuaia de cointegrare i poate fi interpretat ca o
relaie de echilibru pe termen lung ntre variabile.
Scopul unui test de cointegrare const n a determina dac un grup de serii
nestaionare sunt cointegrate sau nu. Dup cum se explic n continuare, prezena
unei relaii de cointegrare constituie baza pentru modelele de tip VEC. Eviews
implementeaz teste de cointegrare pe baz de modele VAR, folosind metodologia
elaborat de ctre Johansen (1991, 1995). Pentru a efectua testul de cointegrare
Johansen, se selecteaz View/Cointegration Test... din grup sau bara de
instrumente a ferestrei VAR.

De reinut faptul c, deoarece discutm de un test de cointegrare, acesta este


valabil numai atunci cnd se lucreaz cu serii despre care se tie c sunt
nestaionare. Se pot aplica mai nti teste ale rdcinii unitate pentru fiecare serie
din VAR. Pagina Cointegration Test Specification solicit informaii despre test.
n practic, cazurile 1 i 5 sunt rar folosite. Ar trebui utilizat cazul 1 numai dac
tii c toate seriile au medie zero. In practic, se utilizeaz cazul 2 dac nici una
din serii nu pare s aib un trend. Pentru serii cu trend se utilizeaz cazul 3, dac se
consider c toate trendurile sunt stocastice; dac se consider c unele serii au un
trend determinist, se utilizeaz cazul 4. Dac nu exist siguran privind trendul
care se poate folosi n ipotez se poate alege opiunea Summary of all 5 trend
assumptions (cazul 6). Aceast opiune indic numrul de relaii de cointegrare
sub fiecare din cele 5 ipoteze de trend, i apoi se va putea evalua gradul de
sensibilitate al rezultatelor fa de aceste ipoteze.
cum este descris n capitolul anterior.

Tehnici de analiz a modelelor de tip panel data


Datele de tip panel sau pool implica observaii care posed att
identificatori pentru seciuni transversale, ct i privind evoluia n timp a acestora.
Analiza acestui tip de date se realizeaz n Eviews n fiiere de lucru de tip panel.

Exist dou moduri de baz pentru a crea un fiier de lucru structurat cu


date de tip panel. n primul rnd, se poate crea un nou fiier de lucru care are o
structur de panel. Pur i simplu se selecteaz opiunea File/New/ Workfile... din
meniul principal pentru a deschide csua de dialog Workfile Create. n
continuare, se selecteaz Balanced Panel din lista mobil Workfile structure
type i se completeaz csua de dialog dup cum se dorete.
O a doua metod de structurare a fiierului de lucru cu date de tip panel este
s se introduc prima dat date stivuite ntr-un fiier de lucru nestructurat i apoi s
se aplice o structur pentru a crea un fiier de lucru de tip panel. Pentru a structura
un fiier existent, se selecteaz Proc/Structure/Resize Current Page... din
fereastra principal de lucru. Eviews deschide o csu de dialog Workfile
structure. Structura de baz a csuei de dialog este destul de similar cu cea a

csuei de dialog Workfile create. In partea stng se gsete o list mobil, din
care se va selecta un tip de structur. Cea mai simpl metod pentru definirea unei
structuri de tip panel cu frecven regulat este de a selecta Dated - regular
frequency. Partea dreapt din csua de dialog se modific pentru a reflecta
alegerea fcut la pasul precedent, solicitndu-se descrierea structurii de date.

Bibliografie selectiv
Baltagi, B.H., (2005), Econometric Analysis of Panel Data, 3rd Edition, John
Wiley & Sons
Brooks, C., (2008), Introductory Econometrics for Finance, 2nd Edition,
Cambridge University Press
Canova, F., (2007), Methods for Applied Macroeconomic Research, Princeton
University Press
Enders, W., (2004), Applied Econometric Time Series, 2nd Edition, Wiley
Greene, W.H., (2008), Econometric Analysis, 6th Edition, Prentice Hall
Hamilton, J., (1994), Time Series Analysis, Princeton University Press
Lutkepohl, H. i M. Kratzig, (2004), Applied Time Series Econometrics,
Cambridge University Press
Mittelhammer, R.C., (1996), Mathematical Statistics for Economics and Business,
Springer
Necula C., (2010a), Bazele econometriei, note de curs, Master DOFIN
Necula C., (2010b), Econometria pieelor de capital, note de curs, Master DOFIN
Necula C., (2010c), Econometrie avansat, note de curs, Master BPM