Investeste n oameni!

FONDUL SOCIAL EUROPEAN

Programul Operational Sectorial Dezvoltarea Resurselor Umane 2007 2013
Axa prioritara nr. 1 Educatia si formarea profesionala n sprijinul cresterii economice si dezvoltarii societatii bazate pe cunoastere
Domeniul major de interventie 1.5 Programe doctorale si post-doctorale n sprijinul cercetarii
Numarul de identificare al contractului: POSDRU/159/1.5/S/137926

Rute de excelen academic n cercetarea doctoral i post-doctoral READ

WORKSHOP
CERCETAREA PROTOCOALE I CREATIVITATE N CUNOATERE
Seciunea economic

Referat

METODE I TEHNICI PERFORMANTE DE TESTARE A IPOTEZELOR N

ECONOMIE
Referent: Dorin JULA

Bucureti - ianuarie 2015

Metode i tehnici performante de testare a

ipotezelor n economie
Prof.univ.dr. Dorin JULA
1. Introducere ............................................................................................................................. 4
2. Premise ................................................................................................................................... 7
2.1. Orientarea modelelor spre teorie ................................................................................... 7
2.2. Orientarea modelelor spre date ..................................................................................... 7
3. Modelul linear multifactorial prezentare general ............................................................. 8
3.1. Ipotezele modelului......................................................................................................... 9
3.2. Proprieti ale estimatorilor .......................................................................................... 10
3.3. Criterii de specificare a modelului................................................................................. 10
a. Justificare .................................................................................................................. 10
b. Erori de specificare a modelului multifactorial de regresie linear ......................... 12
Omiterea unor variabile explicative importante ..................................................... 12
Includerea unor variabile nerelevante .................................................................... 12
4. Testarea ipotezelor testele standard ................................................................................ 12
4.1. Multicolinearitatea ........................................................................................................ 12
a. Consecine ale multicolinearitii ............................................................................. 12
b. Identificarea multicolinearitii ................................................................................ 13
Criteriul lui Klein ...................................................................................................... 13
Testul Farrar-Glauber............................................................................................... 13
Factorul de inflaie al dispersiei ............................................................................... 14
Testul Belsley, Kuh & Welsch (BKW)........................................................................ 14
c. Atenuarea multicolinearitii .................................................................................... 14
4.2. Autocorelarea erorilor................................................................................................... 14
a. Consecine ale autocorelrii erorilor ........................................................................ 14
b. Testarea autocorelrii erorilor ................................................................................. 15
2

Testul Durbin Watson ........................................................................................... 15

Testul de tip Lagrange.............................................................................................. 16
4.3. Heteroscedasticitatea erorilor ...................................................................................... 16
a. Consecine ale ignorrii fenomenului de heteroscedasticitate a erorilor ............... 16
b. Testarea heteroscedasticitii .................................................................................. 16
Testul GoldfeldQuandt .......................................................................................... 16
Teste de tip Lagrange............................................................................................... 17
4.4. Normalitatea distribuiei erorilor .................................................................................. 17
a. Consecine ale nerespectrii ipotezei de normalitate a distribuiei erorilor ........... 17
b. Testarea normalitii distribuiei erorilor ................................................................ 17
Testul Jarque-Bera ................................................................................................... 18
Testul Shapiro-Wilk .................................................................................................. 18
4.5. Testarea semnificaiei parametrilor din ecuaia de regresie ........................................ 19
5. Testarea ipotezelor teste suplimentare pentru seriile de timp ........................................ 20
5.1. Teste de rdcin unitate.............................................................................................. 20
a. Testul Dickey-Fuller .................................................................................................. 20
b. Testul Phillips-Perron................................................................................................ 22
c . Testul KPSS ............................................................................................................... 22
5.2. Teste de cointegrare ..................................................................................................... 22
a. Test de cointegrare Engle-Granger........................................................................... 22
b. Testul de cointegrare Johansen................................................................................ 23
5.3. Testul de cauzalitate Granger ....................................................................................... 24
6. Metode moderne de testare a ipotezelor n modelele econometrice ................................ 25
6.1. Testul BDS...................................................................................................................... 25
6.2. Testul bazat pe raportul dispersiilor ............................................................................. 26
6.3. Teste eficiente de rdcin unitate............................................................................... 26
a. Testul DF-GLS ............................................................................................................ 27
b. Testul Elliott, Rothenberg i Stock cu punct optimal ............................................... 27
c. Testele Ng-Perron ..................................................................................................... 28
Precizare bibliografic .............................................................................................................. 29

1. Introducere
Pentru depirea fazei de anticipare natural a fenomenelor i de raportare preponderent
afectiv la viitor este necesar construirea unui sistem metodologic de investigare a sensului
i dinamicii evoluiei diferitelor fenomene, a factorilor i condiiilor de care aceasta depinde.
Dei rmn nc insuficient soluionate probleme ca acoperirea cu metode adecvate a
previziunii i evalurii unor procese sociale i economice sau clasificarea exhaustiv a
metodelor i tehnicilor deja elaborate, progresul metodologic nregistrat n acest domeniu
poate fi considerat (pe lng accelerarea schimbrilor n economie, cultur, societate) ca un
factor major al exploziei previzionale din prezent (Jula D., Jula N-M., 2014).
Metoda modelrii constituie cea mai utilizat aplicaie n domeniul elaborrii analizelor
economice cantitative. n esen, procesul de modelare const n obinerea unui sistem
(abstract sau material) izomorf cu o imagine homomorf (simplificat, obinut prin
selectarea proprietilor considerate eseniale din punctul de vedere al scopului urmrit) a
obiectului de cercetat. Modelele matematice constituie unele dintre cele mai puternice i
complexe metode de analiz economic. Aceasta deoarece, n elaborare i folosire, modelul
matematic mbin toate cele trei tipuri de raionamente fundamentale: inferena analogic
n etapa de elaborare, raionamentul deductiv n calculul modelului i raionamentul de tip
inductiv n extrapolarea rezultatelor din teoria matematic n teoria economic (Jula N., Jula
D., 2014).
Principalele probleme care afecteaz calitatea analizei economice realizate prin intermediul
modelrii pot fi generate de:
accelerarea ritmului de evoluie a proceselor economice (Godet, 1977);
inexactitatea datelor (Morgenstern, 1972);
pierderea informaiei prin agregare;
erorile de interpretare (Popper, 1934);
imprecizia aparatului metodologic folosit (Wiener, 1948)
efectul de anunare (efectul Oedip)
sau
apariia unor fenomene de instabilitate n dinamica sistemelor (Thom, 1972);
apariia (manifestarea) unor elemente surpriz, neateptate (evenimente de tip
"Lebda neagr" n formularea lui Taleb, 2001 o combinaie de predictibilitate
sczut i impact semnificativ).
Accelerarea ritmului de evoluie a proceselor economice (explozia structuralului n
conjunctural Godet, 1977):
modelele economice pe termen scurt i mediu urmresc de obicei variabilele
conjuncturale i de tendin, or accelerarea schimbrilor face ca evoluia pe termen
scurt s fie din ce n ce mai mult dependent de aciunea variabilelor structurale.
4

 se manifest, de asemenea, aa-numitul fenomen al obsolescenei datelor, adic a

degradrii informaiei obinute prin diagnoz datorit rapiditii schimbrilor
structurale i comportamentale ale sistemelor. Exist astfel riscul ca studiile s se
fundamenteze pe date ce nu mai corespund stadiului n care se gsete sistemul
anticipat, datorit apariiei unei anumite asincronii ntre dinamica sistemului i
capacitatea practic de observare (culegere, prelucrare i proiectare anticipativ a
informaiei).
Inexactitatea datelor: n general datele de care dispunem sunt inexacte (afectate de erori,
incertitudine i imprecizie). "Dac se face observaia simpl c ritmurile de evoluie sunt
afectate de erori, chiar dac acestea sunt mici, s spunem 2% sau 3%, efectele lor asupra
cantitilor la care se aplic aceste ritmuri pot s fie semnificative, chiar cu schimbare de
semn" (Morgenstern, 1972, p.62).
Pentru ilustrarea unui asemenea fapt, un exemplu sugestiv l constituie analiza a
dou sisteme aproape identice:
x = 100001
x y 1
rezult
y = 10000 0
x - 1.00001 y = 0

x = 99999
rezult
y = 10000 0

Diferena ntre rezultate este att de sens (schimbare de semn), ct i n valoare

absolut (de 200000), dei cele dou sisteme difer doar la unul dintre coeficieni i
doar cu 0.00002!. Exemplul este dat de Oscar Morgenstern i este citat de M.C.
Demetrescu (1983).
i

x - y = 1
x - 0.9999 y = 0

Pierderea informaiei prin agregare: de cele mai multe ori funcia de agregare nu este
injectiv, deci la distribuii diferite ale indicatorilor agregai nu le corespunde o singur
valoare a funciei i deci este imposibil de refcut drumul invers: dac exist o estimare
privind evoluia indicatorului respectiv la orizontul de prognoz, nu se pot determina valorile
componentelor care fundamenteaz acest indicator.
Erorile de interpretare: "Faptele obiective nu ne spun mare lucru; ele nu exist dect
interpretate prin percepie subiectiv. Datele nu devin informaie tiinific dect prin
intermediul teoriei" (Godet, 1977). Aceste erori de interpretare sunt mai dificil de sesizat i
corectat, deoarece, n principiu, o teorie fals poate duce la o previziune exact (falsul
implic orice) i, pe de alt parte, o teorie adevrat nu poate fi integral verificat ci, doar,
prin apelarea la argumente i se poate ridica gradul de credibilitate. Este cunoscut, n acest
sens, teoria lui K. Popper (1934) despre nesimetria falsificrii i a confirmrii: confirmarea
unei teorii prin argumente empirice sau teste raionale rmne permanent provizorie, n
timp ce infirmarea empiric a unei previziuni sau teorii prin invocarea unui singur
contraexemplu este definitiv.
Imprecizia aparatului metodologic folosit: cu ct se ncearc redarea mai fidel a
particularitilor sistemelor dinamice complexe, cu att aparatul metodologic utilizat este
5

mai specializat n direcia surprinderii cu fidelitate a structurilor i comportamentelor

respective (semnalele regulate) i, drept urmare, mai sensibil la perturbaii (amplificator al
oscilaiilor neregulate). " ... mecanismele de predicie sunt grevate de dou tipuri de erori
profund antagonice. Aparatul de predicie proiectat iniial de noi putea s anticipeze o curb
extrem de neted cu orice grad de aproximaie dorit. Dar perfecionarea funcionrii s-a
fcut cu preul creterii sensibilitii aparatului. Cu ct aparatul era mai bun pentru semnale
regulate, cu att intr mai puternic n oscilaii pentru cele mai mici neregulariti i cu att
mai puternice erau aceste oscilaii" (Wiener, 1948, p.9).
Efectul de anunare (efectul Oedip): n clasa enunurilor anticipative se distinge un tip de
previziuni care se refer la fenomene naturale, biologice, sociale, politice, economice etc.
care se desfoar indiferent de atitudinea i rezultatele analizei predictive, numite
previziuni de ateptare. Evoluia acestor fenomene nu este influenat de faptul c au fost
anunate. ns prediciile de ateptare (sau contemplative) nu acoper orice enun
anticipativ. Exist fenomene a cror evoluie este puternic influenat de strile previzionate
amplificat sau diminuat chiar pn la anulare prin nsui faptul c au fost anunate
(efectul de anunare sau efectul Oedip). Un asemenea efect este posibil numai dac
previziunea se refer la evenimente sau procese a cror stare viitoare depinde de interesele
i opiniile agenilor umani angajai n mersul evenimentelor i proceselor respective.
n acest sens, este necesar s se fac distincie ntre previziunile auto-realizatoare i
previziunile autodistructive. n prima categorie sunt incluse previziunile care se realizeaz prin
intermediul aa-numitului efect de ricoeu. De exemplu, prevederea unei rate nalte a inflaiei
contribuie la alimentarea psihologic a unui proces de autontreinere a acestei inflaii, sau anunarea
predictiv a unei puternice deprecieri a cursului de schimb contribuie prin aceleai mecanisme psihosociale la deprecierea efectiv a acestui curs. n cea de-a doua categorie previziuni autodistructive
sunt avute n vedere situaiile n care acestea nu se realizeaz din cauza reaciilor pe care le
antreneaz: efect de bumerang. Uneori acest efect este dorit i, n consecin, cutat. Acest tip de
eroare cutat intenionat este aplicat n studiile previzionale n msura n care avertismentele date
privind dinamica unor procese sau fenomene conduc la angajarea de aciuni n vederea eliminrii
evoluiilor nedorite. Trebuie ns avut n vedere faptul c, urmrite sau nu, reaciile fa de aceste
tipuri de previziuni sunt, de cele mai multe ori, greu de controlat sau chiar necontrolabile. n literatura de specialitate este citat, de exemplu, situaia aprut pe piaa oelului odat cu declanarea
rzboiului din Coreea. n acel moment, s-a prevzut un deficit de lung durat pe aceast pia.
Previziunea respectiv a relansat activitatea n ramura menionat ntr-o asemenea msur nct n
circa 2 ani penuria a fost nlocuit cu un surplus al ofertei. De altfel, Keynes (1936) afirma c: "O
simpl schimbare a previziunii este capabil prin efectele sale s provoace o oscilaie asemntoare
ca form unei micri ciclice". (Jula D., Jula N.M., 2014, p. 15).

Apariia unor fenomene de instabilitate n dinamica sistemelor. Modificrile structurale i n

comportamentul sistemului pot avea loc fie prin acumulri succesive n intervale mari, fie
prin salturi nregistrate n intervale de timp relativ reduse. Anticiparea acestor fenomene se
poate realiza prin analiza i proiecia factorilor generatori de discontinuitate. n acest caz, de
obicei, se apeleaz la metode bazate pe analiza combinatorie i teoria grafurilor (analiza
morfologic, arbori de pertinen .a.) i, mai ales, la metode intuitive, euristice, creative
(metoda Brainstorming, metoda Delphi, metoda scenariilor, analogii .a.). Tot n scopul
surprinderii fenomenelor de instabilitate n dinamica sistemelor, n ultimul timp s-a dezvoltat
6

o direcie nou de cercetare a fenomenelor de criz, a rupturilor n evoluia unor procese

naturale, biologice, sociale, politice i economice teoria catastrofelor (Thom, 1968). Potrivit
acestei teorii, atunci cnd perturbaiile exterioare se situeaz la limita capacitii de
absorbie a sistemului, o variaie lent i relativ mic a unor parametrii poate duce la salturi
brute i de mare amplitudine n structura i comportamentul acestuia.

2. Premise
Exist 2 mari direcii de abordare n modelarea economic:
Orientarea modelelor spre teorie (PET Pre-Eminence of Theory Models).
Orientarea modelelor spre date.

2.1. Orientarea modelelor spre teorie

Ex. modele de echilibru general dinamic stocastic (DSGE - Dynamic stochastic general
equilibrium models), modele cu ecuaii simultane .a.
Problema de identificare legtura dintre datele statistice i modelul structural.
Avantaje: interpretarea direct a rezultatelor
Critici: Lucas (1976), Sims (1980)
Lucas (1976). Nu pot fi prognozate efectele unei schimbri n politica economic pe baza
relaiilor deduse din datele istorice. Modelele structurale sunt instabile deoarece:
versiunea slab a criticii Lucas: ateptrile (anticiprile) agenilor sunt modificate
printr-o schimbare n cadrul politicii economice.
versiunea puternic a criticii Lucas: comportamentele agenilor sunt modificate
printr-o schimbare n cadrul politicii economice.
" given that the structure of an econometric model consists of optimal decision
rules of economic agents, and that optimal decision rules vary systematically with
changes in the structure of series relevant to the decision maker, it follows that any
change in policy will systematically alter the structure of econometric models."
Lucas, Robert (1976).
Sims (1980): insuficienta dezvoltare a teoriei.

2.2. Orientarea modelelor spre date

Exemple: modele VAR (vector autoregresivi), modele corectoare de erori (ECM Error
Correction Models, VEC Vector Correction Models).
7

Problemele: validitatea ipotezelor probabilistice (de exemplu, adecvarea statistic).

" a recent trend in the practical use of econometric methodology, one that seems
destined to play an increasing role in the future of the subjectautomated
modeling and inference". (Peter C.B. Phillips, 2005. Automated Inference and the
Future of Econometrics, Econometric Theory, 21, p.1).
Avantaje: atenueaz consecinele generate de problema accelerrii ritmului de evoluie a
proceselor economice i duce la obinerea unor rezultate bune n prognoz.
"The focus of econometric analysis has predominantly been on retrospectively
estimating and interpreting economic relationships. However, in many uses of
econometric models by businesses, governments, central banks, and traders in
financial markets the focus is on making decisions in real time, and hence there is an
urgent need to develop robust interactive systems that use econometric models to
guide decisions in real time". (Hashem Pesaran, Allan Timmermann, 2005. Real-Time
Econometrics, Econometric Theory, 21, p.212).
Dezavantaje: interpretarea rezultatelor este dificil.

3. Modelul linear multifactorial prezentare general

Model de regresie linear cu dependene multiple:
Yt = a0 + a1X1t + a2X2t + + akXkt + et, t = 1, 2, , n
Y = XA + e
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)
1 X11 X21 Xk1
a 0
e1
a0
Y1
u1
1 X

Y
u
X22 Xk 2
e2
a1
a1
12
2

Y Y3 , X 1 X13 X23 Xk 3 , A a2 , e e3 , A a 2 , u u3

1 X

Y
a
e
a
X

X
n
k
n
un
k
1n
2n
kn

Estimatorii parametrilor din ecuaia de regresie

-1

= (X'X) X'Y
-1

Obs.

= A + (X'X) X'e
-1

D = (X'X) X'e este distorsiunea de estimare.

Valorile estimate:
= X
Reziduurile din ecuaia de regresie:
u = Y - X
Obs. are aceeai structur ca vectorul parametrilor (A), iar u are structura la fel ca vectorul
erorilor (e).

3.1. Ipotezele modelului

I1:

Linearitatea modelului. Modelul este linear n sensul c oricare ar fi nregistrarea (Yt,

X1t, X2t, , Xkt) selectat, forma legturii dintre Yt, variabilele explicative Xkt i
variabila de abatere este linear.

Linearitatea se refer la modul n care parametrii i variabila de abatere intr n model i nu,
n mod necesar, la forma variabilelor.
I2:

Ipotezele referitoare la variabilele explicative

a. Variabilele explicative nu sunt aleatoare
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)

O ipotez alternativ pentru I2Ma admite c variabilele explicative sunt aleatoare, ns nu

sunt corelate cu erorile. Ipotezele I2Mc i I2Md pot fi scrise concentrat astfel: matricea X
este de rang k+1.
I3:

Ipotezele referitoare la erori

a. Erorile et au media nul
b.

Erorile et au dispersia constant oricare ar fi t (erorile nu sunt

c.

heteroscedastice)
Erorile et sunt independente (nu sunt autocorelate)

d.

Erorile et sunt normal distribuite

9

3.2. Proprieti ale estimatorilor

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-1: estimatorii sunt lineari. Dac variabilele explicative X nu sunt aleatoare i
au valorile fixate (atunci cnd se repet selecia), estimatorii parametrilor din
modelul multifactorial de regresie linear sunt funcii lineare de observaiile din
eantionul selectat.
Proprietatea P-2: estimatorii sunt nedeplasai. Dac erorile sunt variabile aleatoare cu media
zero, estimatorii lineari ai parametrilor din modelul multifactorial de regresie
linear sunt nedeplasai.
Proprietatea P-2': estimatorii sunt consisteni. Dac variabilele explicative au dispersia finit,
estimatorii lineari i nedeplasai ai parametrilor din modelul multifactorial de
regresie linear sunt consisteni.
Proprietatea P-3: estimatorii sunt eficieni. Dac variabilele explicative au dispersia finit,
estimatorii lineari i nedeplasai ai parametrilor din modelul multifactorial de
regresie linear sunt eficieni.
Proprietatea P-4: estimatorii sunt normal distribuii. Estimatorii parametrilor din modelul
multifactorial de regresie linear (), calculai prin metoda celor mai mici
ptrate, sunt variabile aleatoare cu distribuie normal.
Proprietatea P-5: estimatorii sunt de maxim verosimilitate. Estimatorii parametrilor din
modelul multifactorial de regresie linear (), calculai prin metoda celor mai
mici ptrate, sunt estimatori de maxim verosimilitate.
Teorema Gauss-Markov
Dac sunt verificate ipotezele de la I-1 la I-3, atunci estimatorii ai parametrilor modelului
linear multifactorial sunt cei mai buni estimatori lineari nedeplasai, n sensul c, dintre toi
estimatorii lineari nedeplasai, au cea mai mic dispersie. 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.

3.3. Criterii de specificare a modelului

a. Justificare
Dac modelele sunt prost specificate, orice discuii referitoare la relevana teoretic i
capacitatea explicativ sunt nejustificate, deoarece se bazeaz pe proceduri de inferen cu
10

o fiabilitate ndoielnic: Nu pot fi aduse argumente pentru, sau mpotriva unei ipoteze de
fond (teoretice) pe baza unui model care, din punct de vedere econometric, este incorect
specificat (Spanos, 2011, p. 17). n acest sens, adecvarea econometric reprezint o condiie
prealabil pentru adecvarea pe fond (teoretic), conform creia, modelul structural
constituie o explicaie corespunztoare a fenomenului de interes.
Coeficientul de determinare R2
n

R2 1

u
t 1

Y
t 1

2
t

Coeficientul de determinare corectat R 2

R2 1

n1
1 R2
nk 1

Criteriul informaional Akaike (Akaike information criterion AIC)

1 n
AIC u2t e
n t 1

2 k 1
n

u2t 2k 1

ln
AIC
ln

sau, n expresie logaritmic,

n
n

Criteriul Schwartz:
1 n
SC u2t n
n t 1

k 1
n

u2t k 1

ln(n)
sau, n expresie logaritmic, lnSC ln

n
n

Criteriul Hannan-Quinn:
1 n
HQ u2t ln(n)
n t 1

2(k 1)
n

u2t 2k 1

ln(ln(n))
sau, n expresie logaritmic, lnHQ ln

n
n

O valoare mai mic a criteriilor AIC, SC i HQ indic o mai bun specificare a modelului.

11

b. Erori de specificare a modelului multifactorial de regresie linear

Omiterea unor variabile explicative importante
a. Dac o variabil important omis este corelat cel puin cu o variabil inclus n
model, atunci estimatorii parametrilor reinui n model sunt deplasai i nu sunt
consisteni;
b. Chiar dac variabilele omise nu sunt corelate cu variabilele reinute n model,
estimatorul termenului liber (0) este, n general, deplasat;
c. Dispersiile estimate pentru parametrii variabilelor reinute n model sunt estimatori
deplasai ai dispersiilor reale i, n consecin, testul t privind semnificaia estimatorilor
nu este valid.
Includerea unor variabile nerelevante
a. Dac o variabil explicativ nerelevant este inclus n model, atunci estimatorii
parametrilor pentru toate celelalte variabile din model sunt nedeplasai i consisteni;
b. Dispersiile estimate pentru parametrii variabilelor din model sunt mai mari dect n
cazul neincluderii variabilelor nerelevante i deci estimatori nu sunt eficieni;
c. Deoarece dispersiile estimate pentru parametrii modelului sunt nedeplasate, testul t
privind semnificaia estimatorilor este valid.

4. Testarea ipotezelor testele standard

4.1. Multicolinearitatea
Situaia n care exist o relaie linear exact ntre dou sau mai multe variabile explicative
din model se numete multicolinearitate perfect. n practic ns, o asemenea situaie este
dificil de identificat. Cel mai adesea, se nregistreaz o legtur puternic, dar nu perfect
ntre valorile de selecie ale variabilelor explicative. Adic, un vector coloan al matricei X nu
este perfect corelat, ci este doar aproximativ o combinaie linear a altor vectori coloan ai
matricei X. n aceast situaie, cu ct intensitatea legturii dintre vectorii respectivi este mai
ridicat, cu att gradul de colinearitate (ale valorilor nregistrate pentru variabilele
explicative) este mai mare.
a. Consecine ale multicolinearitii
a. Dac dou sau mai multe variabile explicative din modelul de regresie multipl sunt
perfect corelate, estimatorii parametrilor nu pot fi calculai prin metoda celor mai mici
ptrate.
12

b. Dac anumite variabile explicative sunt relativ puternic corelate, estimatorii obinui
prin metoda celor mai mici ptrate sunt lineari, normal distribuii, nedeplasai,
consisteni i de maxim verosimilitate.
c. Efectul multicolinearitii se manifest n creterea abaterii standard a estimatorilor
calculai pentru parametrii modelului, ceea ce reduce valoarea testului t statistic
(Student). Aceasta face estimatorii mai puin semnificativi (posibil chiar nesemnificativi).
Totui, testul t rmne valid.
d. Se reduce precizia estimatorilor calculai pentru parametrii modelului, n sensul c
abaterea standard mare duce la creterea intervalului de ncredere n care sunt
garantai parametrii.
e. Deoarece covariana ntre variabilele explicative corelate relativ puternic poate fi mare
(n valoare absolut), interpretarea parametrilor individuali este dificil.

b. Identificarea multicolinearitii
a. Coeficienii de corelaie linear, calculai pentru perechile de variabile explicative din
model, sunt mari n valoare absolut (sunt, n modul, apropiai de +1).
b. Determinantul matricei (X'X) are valori n apropierea lui zero.
c. Coeficientul de determinare R2 este mare, iar valorile testelor t (Student), calculate
pentru parametrii modelului sunt mici.
d. Estimatorii parametrilor sunt sensibili la specificarea modelului.
e. Aplicarea unor proceduri formale (criteriul Klein, testul Farrar-Glauber, testul bazat pe
factorul de inflaie al dispersiei (VIF) i testul Belsley, Kuh & Welsch (BKW).

Criteriul lui Klein

Criteriul lui Klein (1962) se bazeaz pe compararea coeficienilor (rij) de corelaie linear
2

(Pearson) ntre cele k variabilele explicative i coeficientul de determinare R . Dac |rij| > R ,
pentru i j, atunci acceptm presupunerea c exist colinearitate ntre variabilele
explicative.
Testul Farrar-Glauber
Se calculeaz, la fel ca pentru criteriul Klein, coeficienii de corelaie simpl ntre cele k
variabilele explicative i se construiete Rk matricea simetric a coeficienilor respectivi.
Dac det(Rk) = 0, atunci avem colinearitate perfect ntre variabilele explicative, iar dac
variabilele Xi sunt independente, atunci det(Rk) = 1. Testul Farrar-Glauber verific dac
det(Rk) = 1.
13

Factorul de inflaie al dispersiei

Se calculeaz factorul de inflaie al dispersiei pentru estimatorul i: VIFi

1
, unde Ri2
2
1 Ri

este coeficientul de determinare din ecuaia de regresie n care factorul de influen Xi este
calculat n funcie de toate celelalte variabile din model. n general, se consider c o valoare
VIF > 4 arat prezena fenomenului de multicolinearitate, iar VIF > 10 indic un fenomen
sever de multicolinearitate.
Testul Belsley, Kuh & Welsch (BKW)
Testul BKW pornete de la analiza valorilor proprii ale matricei de covarian a estimatorilor
i se bazeaz pe observaia c dac exist un numr mare de valori proprii n apropierea lui
zero, atunci exist riscul unor dependene lineare ntre variabile.
c. Atenuarea multicolinearitii
Sintetic, cele mai utilizate proceduri folosite pentru atenuarea fenomenului de
multicolinearitate sunt urmtoarele:
a. Eliminarea unor variabile explicative
b. Realizarea unor observaii suplimentare asupra variabilelor din model (se mrete
volumul eantionului)
c. Prelucrarea primar a datelor (calculul ritmurilor de modificare, a sporurilor,
indicilor, logaritmarea valorilor observate etc.)
d. Regresia ridge

4.2. Autocorelarea erorilor

Autocorelarea erorilor presupune existena unei covariane nenule ntre erorile din ecuaia
de regresie.
a. Consecine ale autocorelrii 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.
14

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
2

consecin, coeficientul de determinare R este supradimensionat, ceea ce indic o

ajustare mai bun dect este n realitate.

b. Testarea autocorelrii erorilor

Deoarece autocorelarea erorilor afecteaz calitatea estimatorilor, testarea i, dac este
cazul, atenuarea fenomenului respectiv reprezint un pas important n validarea
modelului.
Testul Durbin Watson
Se aplic doar pentru identificarea autocorelrii de ordinul I. Procedura descris de Durbin i
Watson pentru testarea autocorelrii erorilor este urmtoarea: se estimeaz modelul prin
metoda celor mai mici ptrate i se calculeaz reziduurile ut. Se calculeaz statistica
n

dw

(u u
t 2

t 1

)2

u
t 1

2
t

i se selecteaz din tabelele testului Durbin Watson valorile critice dL i dU, pentru k
numrul de variabile explicative din model i n dimensiunea eantionului. Dac
dU dw 4 dU, atunci nu se respinge ipoteza nul H0: lipsa autocorelrii de ordinul I a
erorilor.
Dezavantaje ale testului Durbin Watson

testul DW depisteaz doar autocorelarea de ordinul I i nu identific, de exemplu,

fenomenul de sezonalitate;
se aplic doar dac modelul de regresie are termen liber; dac modelul nu are
termen liber, valorile critice din tabelele DW nu sunt valabile - se folosesc pragurile
calculate de Farebrother (1980).
nu se aplic dac variabilele explicative sunt aleatoare: consecin rezultatele ar
putea fi eronate dac se aplic pentru modelele care conin variabile decalate n
timp.

15

Testul de tip Lagrange

Aplicarea testului LM presupune parcurgerea urmtoarei proceduri: Se rezolv ecuaia prin
metoda celor mai mici ptrate i se calculeaz reziduurile ut, ca estimatori ai erorilor et. Se
construiete ecuaia auxiliar

ut b0 b1X1t ... bkXkt 1ut 1 2ut 2 ... put p t , t = p + 1, p + 2, ..., n.

n ecuaia precedent b1, b2, , bk, respectiv 1, 2, , p sunt parametrii modelului, iar
eroarea t este o variabil aleatoare care respect ipotezele obinuite privind distribuia
(normal, cu media zero), lipsa heteroscedasticitii i a autocorelrii. Se rezolv ecuaia
auxiliar i se calculeaz nR , unde R este coeficientul de determinare. Dac nR > p2
2

atunci se respinge ipoteza nul (erorile nu sunt autocorelate, cel puin pn la ordinul p), la
pragul de semnificaie .

4.3. Heteroscedasticitatea erorilor

Heteroscedasticitatea este proprietatea erorilor de a nu avea o dispersie constant.
a. 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.
b. Testarea heteroscedasticitii
Testul GoldfeldQuandt
Procedura este urmtoarea: Se identific, dintre variabile explicative prezente n model, o
variabil notat Z, de care este (potenial) legat dispersia erorilor. Se aranjeaz toate
observaiile din eantionul reinut pentru analiz n ordinea cresctoare a valorilor Z t.
Eantionul de dimensiune n se divide n dou pri de dimensiuni n1 i n2, dup eliminarea a
m observaii (ntre 1/6 i 1/5 dintre observaii) situate la mijlocul eantionului. Se calculeaz
dispersia reziduurilor din modelul estimat pentru primele n1 observaii i dispersia
16

reziduurilor din modelul estimat pentru ultimele n2 observaii. Dac raportul supraunitar al
acestor dispersii este mai mic dect valoarea critic din tabelul distribuiei teoretice F cu
n1-(k+1) i n2-(k+1) grade de libertate, atunci ipoteza nul, a lipsei heteroscedasticitii
erorilor nu este respins.
Teste de tip Lagrange
Paii parcuri pentru aplicarea testelor de tip LM sunt urmtorii: Se rezolv prin metoda
celor mai mici ptrate ecuaia de regresie iniial i se calculeaz reziduurile ut. Se
construiete o ecuaie de regresie auxiliar, n care ptratele reziduurilor, u 2t , sunt estimate
n funcie de p regresori Z1, , Zp. De exemplu, White propune ca variabilele Z din ecuaia
auxiliar s fie ptratele variabilelor din ecuaia iniial, eventual completate cu elemente
mixte de tipul XiXj, iar metodologia ARCH propune n ecuaia auxiliar variabilele cu lag u2t 1 ,
2

, u2t p . Se calculeaz apoi testul statistic LM = nR , unde n este numrul de observaii utilizat
2

n estimarea regresiilor auxiliare, iar R este coeficientul de determinare (neajustat) din

regresiile respective i se compar cu pragul critic din distribuia 2p () , unde p este numrul
variabilelor Z din ecuaiile auxiliare.
Dac LM < 2p () , atunci nu se respinge ipoteza nul (lipsa heteroscedasticitii erorilor), la
pragul de semnificaie .

4.4. Normalitatea distribuiei erorilor

Normalitatea distribuiei erorilor reprezint o condiie esenial pentru evaluarea calitii
estimatorilor calculai prin metoda celor mai mici ptrate, n cazul modelelor lineare de
regresie. Aceasta deoarece majoritatea rezultatelor referitoare la regresia linear au fost
dezvoltate pornind de la ipoteza normalitii distribuiei erorilor.
a. Consecine ale nerespectrii ipotezei de normalitate a distribuiei erorilor
a.
b.
c.
d.

Estimatorii parametrilor din model sunt nedeplasai i consisteni.

Estimatorii parametrilor din model nu sunt eficieni.
Estimatorii parametrilor din model nu au proprietatea de maxim verosimilitate.
Testul t statistic (Student) aplicat pentru analiza semnificaiei estimatorilor nu este valid

b. Testarea normalitii distribuiei erorilor

n literatura de specialitate sunt discutate dou clase de teste pentru evaluarea distribuiei
normale a unei serii aleatorii:
17

teste bazate pe statistici descriptive ale eantionului (teste privind asimetria, teste
asupra coeficientului de aplatizare, teste combinate (omnibus) testul Jarque-Bera,
testul D'Agostino-Pearson .a.;
teste de tip "cea mai bun ajustare" (engl. best fit), bazate pe compararea
distribuiei empirice cu o distribuie dat n acest caz, distribuia normal, de cele
mai multe ori pornind de la funcia de distribuie cumulativ (ex. testele KolmogorovSmirnov, Lilliefors, Anderson-Darling, Cramr-von Mises, Shapiro-Wilk, sau ShapiroFrancia.

Testul Jarque-Bera
Pentru a estima distribuia erorilor, testul Jarque-Bera (1987) folosete momentele p ale
reziduurilor (ut) calculate pe baza metodei celor mai mici ptrate. Testul este formulat astfel:
n

upt

1 2 1
3 2

JB n 33 42 3 n 1 3 2 1 , unde p t 1
2
n
6 2 24 2
2 2
Ipoteza nul a testului Jarque-Bera este H0: erorile sunt normal distribuite i este evaluat
2

contra ipotezei alternative H1: erorile urmeaz o alt distribuie din familia distribuiilor de
tip Pearson (sau familia distribuiilor Gram-Charlier de tip A). Dac JB < 22 () , atunci, la
pragul de semnificaie , nu se respinge H0, conform creia erorile sunt normal distribuite.
n forma consacrat a testului Jarque-Bera, se utilizeaz coeficientul de asimetrie (S) calculat
S 2 23 / 32 , i coeficientul de aplatizare K (kurtosis) determinat pe baza relaiei K 4 / 22 ,

sau excesul (K 3). Cu aceste notaii, statistica JB se scrie:

S2 K 32
3 12 3 1
2 .
n
+
JB n

2
24
2 2
6
Dac modelul de regresie linear conine i termenul liber, atunci suma reziduurilor este
zero, adic media 1 = 0 i statistica Jarque-Bera este

S2 K 32
JB n

24
6
.
n aplicarea statisticii JB trebuie s se in seama de faptul c testele de acest tip sunt
asimptotice, astfel nct interpretarea rezultatelor are sens doar pentru dimensiuni mari ale
eantionului.
Testul Shapiro-Wilk
Fie o serie Yt, t = 1, 2, , n. Testul Shapiro-Wilk (1965) privind normalitatea distribuiei este
definit astfel:

18

a y
W=

t 1
n

t 1

unde yt simbolizeaz valorile seriei iniiale (Yt) ordonate cresctor (y1 y2 yn), y este
media seriei respective, iar at sunt ponderi. Ipoteza de normalitate a distribuiei (H0) este
respins dac W W, unde pragurile critice W sunt tabelate de Shapiro & Wilk (1965, tab.
6, p.605). Valorile at pentru t 50 sunt tabelate de Shapiro & Wilk (1965, tab. 5, pp. 603604), iar pentru 50 < n 5000, valorile coeficienilor an-t+1 i statistica W au fost calculate de
Royston (1982, 1995). Studii comparative (Farrel & Steward, 2006; Keskin, 2006) au
demonstrat c testul Shapiro-Wilk este mai puternic dect alte teste de normalitate, cum ar
fi Kolmogorov-Smirnov, Anderson-Darling, sau Lilliefors.

4.5. Testarea semnificaiei parametrilor din ecuaia de regresie

Testarea semnificaiei reprezint estimarea riscului ca parametrii din ecuaia de regresie s
nu fie semnificativ diferii de zero.
Dac erorile din modelul de regresie sunt de medie nul, nu sunt autocorelate, nu sunt
heteroscedastice i sunt normal distribuite, atunci sub ipoteza nul, H0: coeficienii din
ecuaia de regresie nu difer semnificativ de zero, statistica
a
t ai i
s ai
urmeaz o distribuie de tip t-Student, cu n-k-1 grade de libertate, unde i sunt estimatorii
din ecuaia de regresie linear, s ai este estimatorul calculat pentru abaterea standard a
estimatorului i, n dimensiunea eantionului i k numrul variabilelor explicative din
model. Abaterea standard a estimatorului i se determin pornind de la dispersia s 2ai ,
dispersie preluat de pe diagonala principal a matricei de varian a estimatorilor,
-1

Var() = s u2 (X'X) , cu X matricea variabilelor explicative din model i s u2 estimatorul

nedeplasat pentru dispersia erorilor, calculat pornind de la variaia reziduurilor, dup relaia
n
su2 u2t /(n k 1) .
t 1

Dac semnul estimatorului i este sigur (de exemplu, nclinaia marginal spre consum nu
poate fi negativ), atunci t ai se compar cu valorile critice din distribuia t-Student

19

unilateral i decizia este urmtoarea: dac t ai < t ,nk 1 , atunci ipoteza nul (coeficientul i
nu difer semnificativ de zero) nu se respinge, la pragul de semnificaie .
Dac semnul estimatorului i nu este sigur, atunci t ai se compar cu valorile critice din
distribuia t-Student bilateral i decizia este urmtoarea: dac t ai < t ,nk 1 , atunci ipoteza
nul (coeficientul i nu difer semnificativ de zero) nu se respinge.

5. Testarea ipotezelor teste suplimentare pentru seriile de

timp
5.1. Teste de rdcin unitate
Este posibil ca modelele econometrice s sugereze n mod fals legturi ntre dou (sau mai
multe) variabile, chiar dac, statistic, modelul trece testele menionate. De exemplu,
Granger i Newbold (1974) au artat c, dac se calculeaz o ecuaie de regresie ntre dou
procese aleatorii independente de tip mers la ntmplare (engl. random walks), n cele mai
multe cazuri se obin estimatori cu un grad ridicat de semnificaie (valori mari ale statisticii 2

t), i valori mari ale coeficientului de determinare (R ). Granger & Newbold (1974) au numit
acest tip de reprezentare regresie fals (neltoare, fictiv, iluzorie, aparent) (engl.
spurious regression). Aceasta justific analiza staionaritii.
Seria de timp {yt} este strict staionar dac pentru fiecare h Z, seria {yt+h} are aceeai
distribuie ca seria {yt}, oricare ar fi t = 1, 2, , n. O serie este slab staionar (sau staionar
n covarian, sau staionar de ordinul II) dac media i dispersia procesului respectiv sunt
constante n timp, iar covariana dintre valorile nregistrate n doua perioade diferite de timp
depinde numai de distan (diferena, decalajul) dintre cele dou perioade i nu de
momentul efectiv n care se calculeaz covariana. n sens slab, o serie este nestaionar
dac media seriei respective se modific n timp, sau dispersia nu este constant n timp, sau
ambele caracteristici sunt variabile n timp.
Testele de staionaritate, sau testele de rdcin unitate evalueaz probabilitatea ca = 1 n
regresia yt = yt-1 + XA + et, unde X reprezint ansamblul celorlali factori care determin
evoluia seriei yt, A este vectorul parametrilor ataai variabilelor respective, iar et este o
variabil aleatorie i.i.d. De obicei XA 0, XA = , sau XA = + t.
a. Testul Dickey-Fuller
Testul Dickey-Fuller pornete de la trei tipuri de modele:
20

(1) proces autoregresiv:

yt = yt-1 + t, || 1

(2) proces autoregresiv cu medie nenul:

yt = yt-1 + + t, || 1 i 0

(3) proces autoregresiv cu tendin:

yt = yt-1 + + t + t, || 1 i 0.

n toate modelele, variabila aleatorie t este considerat ca fiind i.i.d. Dac admitem c
ipoteza nul H0: = 1 este adevrat, atunci, sub ipoteza nul, primul model se reduce la un
proces de tip mers la ntmplare (yt = yt-1 + t), al doilea model se reduce la un proces de tip
mers la ntmplare cu deriv (yt = yt-1 + + t, cu 0), iar al treilea model se reduce la un
proces de tip mers la ntmplare cu tendin (yt = yt-1 + + t + t, cu 0). Cele trei modele
alternative pot fi rescrise ntr-o form echivalent din punct de vedere algebric:
(1')
yt yt-1 = (-1)yt-1 + t,
(1'') yt = yt-1 + t,
(2')

yt yt-1 = (-1)yt-1 + + t,

(2'') yt = yt-1 + + t,

(3')

yt yt-1 = (-1)yt-1 + + t + t,

(3'') yt = yt-1 + + t + t.

unde am notat cu valoarea (-1) i este operatorul de difereniere de ordinul I. Testarea

ipotezei H0: = 1, n modelele iniiale este echivalent cu H0: = 0 n versiunea
transformat.
Testul Dickey-Fuller verific ipoteza nul (H0), = 0 (nestaionaritate) contra ipotezei
alternative, < 0 (staionaritate). Respingem ipoteza nul H0: = 0 (seria este nestaionar),
contra ipotezei alternative H1: < 0, dac t < , unde este una dintre valorile critice
(negative) din tabelul distribuiei Dickey-Fuller.
n testul Dickey-Fuller se pornete de la ipoteza c erorile t sunt generate de un proces
stohastic de tip zgomot alb. n realitate, erorile pot fi autocorelate i / sau heteroscedastice.
Testul ADF (Augmented Dickey-Fuller, Dickey & Fuller, 1981) este construit astfel nct s
elimine posibila autocorelare a erorilor prin introducerea unor variabile cu ntrziere (lag).
La fel ca n cazul testului DF simplu, sunt luate n considerare trei modele:
p

[1]

yt = yt-1 +

y
j1

t j

+ t

[2]

yt = yt-1 + + j y t j + t
j1

[3]

yt = yt-1 + + t +

y
j1

t j

+ t

unde admitem c variabila t este zgomot alb (de medie nul, dispersie constant,
necorelat cu yt-j, oricare ar fi j = 1, 2, , p). Testarea ipotezei nule (existena rdcinii
unitate) nseamn, la fel ca n cazul testului DF simplu, testarea = 0. Astfel, se testeaz
H0: = 0, contra H0: < 0. Strategia testului este similar celei prezentate n cazul DF
21

(procedura secvenial descendent, pornind de la modelul cu tendin i constant). De

asemenea, statisticile testului sunt aceleai ca n cazul DF (pragurile , i ).
b. Testul Phillips-Perron
Testul Phillips-Peron (1988) este construit astfel nct s realizeze o corecie neparametric a
statisticii Dickey-Fuller n condiii de autocorelare i / sau heteroscedasticitate a erorilor.
Dac erorile nu sunt autocorelate i nu sunt heteroscedastice, atunci testul Phillips-Perron
duce la aceleai rezultate ca testul Dickey-Fuller simplu.
c . Testul KPSS
Ipoteza nul a testului KPSS (Kwiatkowski, Phillips, Schmidt & Shin, 1992) este aceea c seria
de timp analizat este staionar, n jurul unei constante (), sau a unei tendine
deterministe lineare ( + t). KPSS scrie seria de timp yt ca o sum ntre un trend determinist,
un proces de tip mers la ntmplare (rt) i eroarea (t), care este presupus staionar:
yt = t + rt + t,
unde rt = rt-1 + et i et ~ ZA(0, e2 ). Dac yt este staionar, atunci dispersia procesului de tip
mers la ntmplare este zero, e2 = 0 i rt = rt-1 = = r0. KPSS testeaz ipoteza nul de
staionaritate, e2 = 0. Sub ipoteza nul, yt este un proces staionar n jurul unui trend, iar
dac = 0, yt este staionar n jurul unei constante, r0.

5.2. Teste de cointegrare

Dac exist o combinaie linear staionar ntre variabile aleatoare nestaionare, cu acelai
grad de integrare, atunci variabilele combinate sunt cointegrate. n cazul general, seriile xt i
yt sunt cointegrate dac sunt verificate dou condiii:
seriile sunt afectate de o tendin aleatoare cu acelai grad de integrare d;
combinaie linear a acestor serii permite obinerea unei serii cu un ordin de
integrare inferior.
Simbolic, fie xt I(d) i yt I(d) astfel nct 1xt + 2yt I(db), cu d b > 0. Se noteaz xt,
yt CI(d,b), unde [1, 2] este vectorul de cointegrare. Fie k variabile, toate I(d). Se noteaz
Xt = [x1,t, x2,t, , xk,t]. Dac exist un vector de cointegrare = [1, 2, , k], de dimensiuni
(k, 1) astfel nct Xt I(d-b), b > 0, atunci cele k variabile aleatoare sunt cointegrate, iar
vectorul de cointegrare este . Se noteaz Xt CI(d, b), cu b > 0.
a. Test de cointegrare Engle-Granger
Testul de cointegrare Engle-Granger se aplic pentru modelele cu dou variabile i
presupune parcurgerea urmtoarelor etape:
22

Etapa 1: se testeaz ordinul de integrare a variabilelor. Seriile trebuie s fie integrate de

acelai ordin. Dac seriile au ordine diferite de integrare, atunci posibilitatea unei relaii de
cointegrare este exclus. Fie xt I(d) i yt I(d).
Etapa 2: Se estimeaz relaia pe termen lung yt = a0 + a1xt + t. Relaia de cointegrare este
acceptat dac reziduurile ut = yt 0 1xt sunt staionare. Staionaritatea reziduurilor este
analizat cu ajutorul testelor DF, sau ADF. Deoarece tabelele DF i ADF sunt construite
pentru reziduuri rezultate din relaia static dintre x i y, pentru cointegrare au fost
construite tabele speciale (MacKinnon, 1991). Dac reziduurile sunt staionare, se poate
estima modelul corector al erorilor.

b. Testul de cointegrare Johansen

Testul pornete de la reprezentarea VAR (vector autoregresiv)
Yt = A0 + Yt-1 +A1Yt-1 + A2Yt-2 ++ Ap-1Yt-p+1 +e
unde:
Yt vector de dimensiunea (k, 1), k numrul de variabile
A0 vector de dimensiunea (k, 1)
Ai matrice de dimensiunea (k, k)
Rangul matricei determin numrul relaiilor de cointegrare. Johansen (1988) a propus un
test bazat pe vectorii proprii corespunztori valorilor proprii cele mai ridicate ale matricei
respective. Pornind de la valorile proprii ale matricei se calculeaz statistica:
k

urm = n ln1 i
ir 1

unde n numrul de observaii, r rangul matricei, i cea de-a i valoare proprie cea mai
ridicat a matricei , k numrul de variabile. Aceast statistic urmeaz o distribuie
2

similar cu , tabelat de Johansen i Juselius (1990). Testul Johansen funcioneaz prin

excluderea ipotezelor alternative astfel:
rangul matricei este zero (r = 0): H0: r = 0, contra H1: r > 0; dac H0 este respins
(urm > valoarea critic din tabel) se trece la testul urmtor. n caz contrar, se accept
H0: r = 0.
rangul matricei este egal cu unu (r = 1), H0: r = 1, contra H1: r > 1; dac H0 este
respins (urm > valoarea critic din tabel) se trece la testul urmtor. n caz contrar, se
accept H0: r = 1.
rangul matricei este egal cu 2 (r = 2), H0: r = 2, contra H1: r > 2; dac H0 este respins
(urm > valoarea critic din tabel) se trece la testul urmtor. n caz contrar, se accept
H0: r = 2

23

 se testeaz H0: r = k-1, contra H1: r = k; dac H0 este respins (urm > critic din tabel)
atunci rangul matricei este r = k i nu exist o relaie de cointegrare, deoarece toate
variabilele sunt I(0).

5.3. Testul de cauzalitate Granger

Testul de cauzalitate Granger (1969), pornete de la premisa c dac valorile
anterioare ale unei variabile y contribuie semnificativ la prognoza valorilor actuale i viitoare
ale variabilei x, atunci se spune c y este o cauz n sens Granger a lui x. Invers, n cazul n
care valorile trecute ale lui x ajut la mbuntirea (n sens statistic) a prediciei lui y, atunci
x este o cauz n sens Granger a lui y.
Pentru 2 variabile, testul se bazeaz pe urmtoarele ecuaii de regresie:
p

i1

j1

i1

j1

y t 0 i y ti j x t j e t
x t 0 i y ti j x t j t
unde yt i xt sunt dou variabile, et i t sunt variabile de abatere (erorile) necorelate
reciproc, t simbolizeaz timpul, i i j reprezint lag-urile, iar p este numrul maxim de lag-uri.
Ipoteza nul a testului Granger este j = 0 oricare ar fi j i i = 0 oricare ar fi i versus ipoteza
alternativ j 0 i i 0 pentru cel puin vreun j i/sau i. Dac cel puin un j este
semnificativ statistic i i nu este semnificativ (pentru nici un i), atunci x este o cauz a lui y,
n sens Granger. Invers, y este o cauz a lui x. Dac att j ct i i sunt semnificativi, atunci
cauzalitatea se manifest n ambele sensuri.
Practic, pentru a testa dac x este o cauz n sens Granger pentru y se proceseaz astfel: Se
calculeaz prima ecuaie i se nsumeaz suma ptratelor reziduurilor din ecuaia
nerestricionat (RSSu), apoi se elimin variabilele xt-j (se impun restriciile j = 0 oricare ar fi
j) i se noteaz RSSr este suma ptratelor reziduurilor din ecuaia restricionat. Se
calculeaz statistica de tip Wald:
W

RSSr RSSu / p
RSSu /(n 2p 1)

unde n numrul de observaii, p este numrul de lag-uri i n - 2p - 1 este numrul gradelor

de libertate ale ecuaiei nerestricionate. Statistica W urmeaz o distribuie de tip F cu
(p, n-2p-1) grade de libertate. Dac W > F;p, n-2p1, atunci respingem ipoteza nul, j = 0 (x nu
este o cauz n sens Granger a lui y), la pragul de semnificaie .

24

6. Metode moderne de testare a ipotezelor n modelele

econometrice
6.1. Testul BDS
Testul BDS a fost conceput de W.A. Brock, Dechert W. i J. Scheinkman n 1987 i este un
instrument puternic pentru detectarea autocorelrii n seriile de timp. Testul este utilizat pe
scar larg deoarece i-a demonstrat capacitatea de a detecta acest fenomen chiar i n cazul
n care alte metode eueaz (Lin, 1997, Koenda & Briatka, 2005, p.266). Se testeaz,
printr-o tehnic neparametric, ipoteza nul (H0) potrivit creia valorile seriei de timp sunt
independente i identic distribuite, contra unei alternative nespecificate. De exemplu,
pentru ecuaiile de regresie, dac din date a fost eliminat orice dependen linear
(folosind un model de tip ARIMA, calculul diferenelor de ordinul I, sau orice alt tehnic),
atunci respingerea ipotezei nule formulate asupra erorilor din model este un semnal al
prezenei fenomenului de nelinearitate. Trebuie, totui, precizat faptul c testul BDS poate
identifica doar existena unei dependene nelineare, nu i natura acestei dependene
(stohastic, sau determinist, sau de tip haos).
Testul se bazeaz pe urmtoarea intuiie (Belaire-Franch & Contreras-Bayarri, 2002). Fie o
serie de timp yt, cu valori i.i.d. dup o anumit lege de distribuie i o constant pozitiv .
Definim P1 = P(|yi yj| ), i j, i i j numere ntregi, probabilitatea ca dou puncte s fie
situate la o distan mai mic de , unul fa de altul i P2 = P(|yi yj| , |yi-1 yj-1| ), i
j, i i j numere ntregi, probabilitatea ca punctele din dou observaii consecutive s fie la o
distan mai mic de . Dac valorile yt sunt independente i identic distribuite, atunci cele
2

dou observaii din evenimentul 2 sunt independente i, n consecin, P2 = (P1) . Ca urmare,

2

sub ipoteza nul (H0: valorile yt sunt i.i.d.), anticipm c diferena P2 (P1) este zero.
Relaia se generalizeaz pentru o dimensiune de includere m, astfel nct ipoteza nul,
m

H0: valorile seriei sunt i.i.d este testat pornind de la H0: Pm = (P1) , contra H1: Pm (P1) . Cu
alte cuvinte, testarea ipotezei nule (H0) este echivalent cu testarea ipotezei c valorile seriei
sunt i.i.d. (independente i identic distribuite) contra oricrei alte alternative.
n practic, testul BDS poate fi aplicat asupra reziduurilor din modelul de regresie cu scopul
de a identifica existena unei structuri eventual nedepistate de model. Testul BDS este util
mai ales atunci cnd nu avem nici o idee despre ce fel de structur ascuns ar putea fi
prezent n variabila de eroare (Brock, Hsieh & LeBaron, 1991, p.4.). Dac modelul este
corect specificat, atunci structura caracteristic seriei de date este prins de model, astfel
nct reziduurile nu ar trebui s prezinte structuri (corelaii) identificabile. Dac ipoteza nul
(erorile sunt i.i.d.) este respins, atunci modelul este prost specificat. Slaba performan a
modelului poate proveni din specificarea greit a ecuaiei, chiar n condiiile identificrii
25

corecte a structurii lineare, sau din identificarea incorect a DGP (Data Generating Process
procesul de generare a datelor).
Cu alte cuvinte, testul BDS poate fi utilizat att pentru identificarea erorilor de specificare a
modelului, ct i pentru testarea nelinearitii DGP.

6.2. Testul bazat pe raportul dispersiilor

Testul bazat pe raportul dispersiilor se aplic pentru identificarea proceselor de tip mers la
ntmplare i a fost introdus de Cochrane (1988) i Lo & McKinlay (1988). Testul se bazeaz
pe proprietatea c, pentru un proces aleatoriu de tip mers la ntmplare, dispersia creterilor
(diferenelor) este linear pe intervalul de selecie. Cu alte cuvinte, dispersia diferenelor de
ordinul k este de k ori dispersia diferenelor de ordinul I. Lo & McKinlay au construit
statistica testului n dou variante: pe de o parte statistica (z 1) este construit sub ipoteza
lipsei heteroscedasticitii erorilor cu distribuie normal i, pe de alt parte, statistica
testului (z2) este construit sub ipoteza prezenei heteroscedasticitii erorilor.
Fie yt o serie de timp. Deoarece (yt yt-1) + (yt-1 yt-2) = (yt yt-2), rezult c, atunci cnd
creterile seriei yt sunt independente, avem 2yt yt 2 2yt yt 1 2yt 1 yt 2 Mai mult, n cazul
ideal, dac dispersia creterilor este constant ( 2yt yt 1 2yt 1 yt 2 ), atunci 2yt yt 2 22yt yt 1
i, mai departe, 2yt yt k k2yt yt 1 . Cu alte cuvinte, atunci cnd creterile seriei yt sunt
independente, iar dispersia creterilor este constant, dispersia diferenelor de ordinul k
este de k ori dispersia diferenelor de ordinul 1:

2y t y t k
k 2y t y t 1

1 0 .

Testul bazat pe raportul dispersiilor verific relaia precedent. Dac relaia este adevrat,
atunci creterile seriei sunt independente, ceea ce nseamn c seria este de tip mers la
ntmplare.
Observaie. Dac testele sunt aplicate corect, atunci nerespingerea ipotezei nule n testul
bazat pe raportul dispersiilor pentru o serie yt (DGP este de tip mers la ntmplare, cu sau
fr deriv) ar trebui s fie asociat cu respingerea ipotezei nule din testul BDS pentru seria
wt i nerespingerea ipotezei nule din testul BDS pentru seria yt (DGP este i.i.d.).

6.3. Teste eficiente de rdcin unitate

Testele de rdcin unitate ADF i PP sunt asimptotic echivalente, dar difer atunci cnd
sunt aplicate n eantioane finite, datorit modului diferit n care corecteaz autocorelarea n
ecuaia de regresie a testului (ADF reduce numrul gradelor de libertate cu p dimensiunea
26

prii autoregresive). Se demonstreaz (Stock, 1994) c puterea testelor ADF i PP scade

atunci cnd seria este generat de un proces cu o component negativ n structura de tip
medie mobil. n asemenea condiii, testele sunt distorsionate, n sensul c resping ipoteza
nul (existena rdcinii unitate), chiar dac aceasta este adevrat (Schwert, 1989).
Probleme similare apar i n cazul testului KPSS (Caner & Kilian, 2001). De asemenea, dac pe
lng constant, n ecuaia de regresie a testului este inclus i trendul, atunci puterea
testelor de rdcin unitate scade.
O alt problem const n faptul c testele DF (ADF) i PP nu au, n general, o acuratee
foarte bun n depistarea staionaritii atunci cnd seriile sunt aproape I(1). Cu alte cuvinte,
testele de rdcin unitate nu disting cu suficient acuratee un proces staionar cu memorie
lung, de un proces nestaionar. De exemplu, procesul yt = 0.95yt-1 + et este staionar, iar
aceast caracteristic nu este ntotdeauna depistat de testele DF (ADF) sau PP, mai ales
dac dimensiunea seriei este redus.
a. Testul DF-GLS
Elliott, Rothenberg & Stock (1996) au propus o metodologie de testare a staionaritii care
mbuntete proprietile testelor Dickey-Fuller i Phillips-Perron pentru eantioane de
dimensiune finit. Fie modelul
yt = dt + vt
vt = vt-1 + et, t = 1, , T,
unde dt este componenta non-stohastic i dispersia lui v0 este finit oricare ar fi n
apropierea lui 1. Folosind o aproximare asimptotic pentru alternativa la ipoteza nul, = 1
i anume H1: = 1 + c/T, pentru c < 0, Elliott, Rothenberg i Stock (1996), construiesc o clas
de teste statistice care ajung foarte aproape de anvelopa dat de lema Neyman-Pearson
(1933), lem care permite construirea celui mai puternic test contra oricrei alternative
punctuale.
Aceste teste sunt cunoscute sub denumirea de teste eficiente de rdcin unitate i au n
general, o putere superioar testelor de tip ADF, sau Phillips-Perron.
Metodologia ERS pornete de la eliminarea tendinei din seria de date printr-o cvasidifereniere i apoi aplic ADF pe seria difereniat. Interpretarea rezultatelor este similar
testelor DF, ADF i PP: dac valoarea statisticii t este mai mic dect pragul critic, atunci
ipoteza nul (seria are o rdcin unitate) se respinge.
b. Testul Elliott, Rothenberg i Stock cu punct optimal
Elliott, Rothenberg i Stock (1996) au propus un test de rdcin unitate cu punct optimal
(eng. point optimal unit root test), adic cel mai puternic test de rdcin unitate care are ca
ipotez nul lipsa staionaritii (H0: = 1), contra ipotezei alternative de staionaritate
27

formulat ca H1: = 1+c/T (cu c < 0). Notm S() suma ptratelor reziduurilor din ecuaia de
regresie y t = dt + vt. Testul de punct optimal = 1, contra alternativei de staionaritate
= = 1 c/T este definit prin statistica
S() S(1)
PT
2

2 este un estimator al dispersiei pe termen lung a erorilor i ut sunt reziduurile din

unde
ecuaia de regresie a lui y t . Valorile critice pentru testul t aplicat coeficientului sunt
calculate de Elliott, Rothenberg & Stock (1996, p. 825, Table 1A & 1B). Interpretarea
testului este similar testelor DF, ADF i PP: dac valoarea statisticii PT este mai mic dect
pragul critic, atunci ipoteza nul (seria are o rdcin unitate) nu se accept i invers, dac P t
este mai mare dect valoarea critic din tabelele precedente, atunci se accept ipoteza nul,
conform creia seria este nestaionar.
c. Testele Ng-Perron
Testele de tip Ng-Perron (1996, 2001) reprezint versiuni ale procedurilor Phillips-Perron,
construite pe baza metodologiei prezentate pentru testele eficiente de tip punct optimal.
Testele Ng-Perron pornesc de la valorile y dt calculate prin eliminarea tendinei locale din
seria iniial, la fel ca n testele de punct optimal ERS. Se definete

y
T

t 2

2
d
t 1

, apoi se calculeaz 4 teste

T2

d 2
T

MZ

MZt = MZ MSB
MSB

2
(y dT )2

c
c

T ,
pentru dt 1

2
d

MPT
d 2
c 2 (1 c) (y T )

T , pentru d (1, t)
t
2

2 este un estimator al dispersiei pe

unde c = -7, pentru dt = 1 i c = -13.5, pentru dt = (1, t),
termen lung a reziduurilor i ut sunt reziduurile din ecuaia de regresie a valorilor y dt .
Ipoteza nul (existena rdcinii unitate) este respins dac MZ , MZt, MSB i MP sunt mai
mici dect valorile critice din tabelul Ng-Perron (2001, p. 1524).
28

Precizare bibliografic
Metodele i analizele prezentate n capitolele 3 i 4 sunt detaliate n lucrrile:
Jula N., Jula D., 2014. Modelare economic. Modele econometrice i de optimizare (ed.
a 8-a), Editura Mustang, Bucureti
Jula D., Jula N., 2015. Prognoz economic (ed. a 3-a), Editura Mustang, Bucureti
Metodele i analizele prezentate n capitolele 5 i 6 sunt detaliate n lucrarea:
Jula D., Jula N.-M., 2015. Econometria seriilor de timp, Editura Mustang, Bucureti.
Trimiterile bibliografice din text sunt, de asemenea, detaliate n lucrrile menionate.

29