Documente Academic
Documente Profesional
Documente Cultură
Modelare
Modelare
BIBLIOGRAFIE
1. Introducere n econometrie D. Jula, 2003.
2. Statistic i econometrie T. Andrei, 2003.
3. Econometrics Franco Peracchi, 2000.
4. Econometric analysis (fifth edition) 2003.
5. Modele i metode econometrice 2007.
6. Business Statistics- D. F. Groebner, P.W. Shannon, P.C. Fry, K.D. Smith, 2005.
7. Matematic pentru modelare economic vol. 2 T. Dosescu, Ed. Universitar, sub
tipar, 2014
8.
BAZ D.
DOSESCU T. C.
BUTESCU V.
BAZ S.
SURSE DE DATE
1. www.insnn.ro
2. www.bnro.ro
3. www.insr.ro
4. Anuarul statistic
5. gasmi@cict.fr
6. www.aw.com/stock_watson (Introduction to Econometrics, 2003, Stock J., Watson M.,
Ed. Addison Wesley, Boston)
SUBIECTE DE EXAMEN
1. Proiect (cel mult nota 8)
2. Subiect de teorie (pt. notele 9 -10)
CURSUL 1
PREZENTARE GENERAL
Modelarea matematic n domeniul comerului utilizeaz metodele i modelele din
econometrie pe care o prezint n continuare.
Econometria este o disciplin care valorific cunotine i metode furnizate de
discipline economice ( cum ar fi : economia politic, microeconomie, macroeconomie, teoria
firmei, etc.), discipline matematice ( cum ar fi: algebra liniar, analiza matematic, teoria
probabilitilor, statistica matematic, simularea numeric, teoria msurii, etc. ) i
informatic, n vederea abordrii complexe a problemelor ce apar n economia real.
Denumirea de econometrie provine din combinarea cuvintelor greceti oikonomia- economie
i metron msur.
Econometria are ca obiectiv principal construirea unei categorii speciale de modele
economico-matematice, numite modele econometrice, ce modeleaz legturile economice
care exist n cadrul unui proces economic, ntre un grup de variabile predeterminate, numite
exogene sau independente i un alt grup de variabile determinate, numite endogene sau
dependente i care utilizeaz cel puin o variabil aleatoare i|sau un proces stochastic.
Modelele econometrice astfel construite trebuie s modeleze ct mai adecvat fenomenele i
procesele economice i s permit, n urma testrilor i analizei economice, luarea unor
decizii fundamentate tiinific.
Exemplu. n anul 1936, economistul american John Keynes ( 1883- 1946 ) a postulat
n lucrarea sa The General Theory of Employment, Interest and Money (Teoria general a
folosirii minii de lucru, a dobnzii i a banilor, traducerea n limba romn a aprut la
Editura tiinific, 1970), c ntre nivelul venitului V
i cheltuielile C de consum,
indicatori, se constat c acest model determinist al lui Keynes este inadecvat realitii,
deoarece modelul nu capteaz influenele cu caracter aleator sau stochastic, pe care o are
asupra consumului un ir de factori, cum ar fi : nivelul de educaie, obiceiurile, condiiile
economico-sociale .a. Din acest motiv, modelul lui Keynes trebuie completat cu cel puin o
component aleatoare, notat prin e. Astfel modelul liniar poate avea forma: C aV b e ,
dac se ine seama de factorul aleator n mod aditiv.
A' . n aceast etap, o gndire economic utilizeaz teorii i ipoteze economice cu caracter
simplificator spre a micora complexitatea lui A , realiznd modelul economic A' , astfel
nct s fie posibil etapa 2;
2) modelarea matematic a lui A ' , al crui prim rezultat este un model matematic
n N* , n 2
; valorile de selecie Yi ,
i 1, n ,
sunt considerate drept valori numerice reale ale seleciei, iar pe de alt parte sunt considerate
drept variabile aleatoare independente, avnd aceeai repartiie cu cea a variabilei aleatoare
X , ceea ce implic:
M Yi m, D Yi 2 , i 1, n i covYi , Y j 0, pentru i j , i, j 1, n .
1, n ;
2
2) D i ,
i 1, n ;
2
2
3) M i ,
i 1, n .
i 1, n ,
Yi
= m i ,
i 1, n
Demonstraie. 1) M i M Yi m M Yi m m m 0 .
2) D i D Yi m M Yi m M 2 Yi m D Yi 2 .
2
2
2
2
3) D i M i M i M i .
IPOTEZA
1 , 2 ,..., n
1.
repartizate(i.i.d.).
Consecin. cov i , j 0 ,
i 1, n .
Se fac notaiile:
Y Y1 , Y2 ,..., Yn R n i este numit vectorul de selecie;
T
X 1,1,...,1 R n ;
T
1 , 2 ,..., n R n
T
inobservabil.
Cu aceste notaii sistemul (2) se scrie:
(3)
Y mX
X 1 , X 2 ,..., X n T
X,
unde
X : Rn
X X 1 , X 2 ,..., X n , .
T
Definiie. Fie vectorul aleator n-dimensional X = X 1 , X 2 ,..., X n .
i 1, n .
X M X M X X M X
D X 1
cov X 2 , X 1
................
cov X n , X 1
cov X 1 , X 2
D X 2
..............
cov X n , X 2
... cov X 1 , X n
... cov X 2 , X n
.
... .................
...
D X n
________________________________________________________________________
n modelul I de regresie liniar
de
, rezult c Y
2) 2 I n ;
3) M Y mX ;
4) Y 2 I n .
Ex. Aplicatia 1 din Excel.
CURSUL II
MODELUL I I DE REGRESIE LINIAR
Prezentare general
Se consider o populaie statistic, a crei caracteristic cercetat este o variabil
aleatoare X , cu o repartiie teoretic specificat, avnd media finit m1 i dispersia finit i
nevid 2 ; m1 i 2 sunt parametrii, eventual necunoscui.
Se presupune c valorile lui X sunt influenate liniar de un factor cunoscut, care este
modelat de o variabil vectorial nonaleatoare ( determinist ), notat prin X 2 , unde
T
X 2 x12 , x 22 ,..., x n 2 R n .
n aceste condiii, din aceast populaie se extrage la ntmplare o selecie repetat
Y1 , Y2 ,..., Yn de volum n N * , n 2 .
Pentru a se modela econometric legtura dintre X i X 2 pe baza acestei selecii, se
utilizeaz, pe lng ipotezele 0 i 1 de la modelul I i ipoteza urmtoare:
IPOTEZA 2. Influena liniar a variabilei vectoriale deterministe X 2 asupra lui X
se traduce la nivelul valorilor de selecie prin relaia:
M Yi m1 m 2 xi 2 , i 1, n,
Yi M Yi i , i 1, n,
Yi m1 m 2 xi 2 i , i 1, n.
Y m1 X 1 m2 X 2 Y X 1 , X 2
Rezult c:
Y X m
care este modelul II de regresie liniar, n care Y este vectorul aleator de selecie sau
vectorul efectelor,
X 2 este
numit vectorul factor sau regresor sau vectorul variabilelor de control (comportament ) i este
cunoscut, X este numit matricea cadru i este cunoscut, iar
m i sunt vectori
exprim eroare modelului II, datorat faptului c modelul nu poate capta toate
T
b) Y M Y Xm Y Xm M T 2 I n .
Exemplu. n baza teoriei economice, legtura dintre venitul i consumul unei familii
se poate modela econometric prin ecuaia vectorial:
Y Xm ,
T
unde Y R n , Y Y1 , Y2 ,..., Yn este vectorul consumului, X X 1 , X 2 M n,2 R este
matricea cadru cu
X 1 1,1,...,1 R n
T
T
venitului; m m1 , m2 T R 2 ; 1 , 2 ,..., n R n este vectorul aleator al erorilor.
Yi , i 1, n
m1 x i 2 m 2 , i 1, n
1, n ,
modelului,
i se consider satisfcute ipotezele 0,1 i 2, ecuaia (*) este un exemplu de model II.
Comentariu. n ipoteza c Yi i i ,
i 1, n
Fig. 1
Estimarea parametrilor locali
Fie modelul II de regresie liniar Y X m i se consider urmtoarea:
Problem. S se estimeze vectorul parametrilor locali
m , n ipoteza c 2 este
parametru cunoscut, determinndu-se cel mai bun estimator (cea mai bun estimaie) al
vectorului m , notat prin b b1 , b2 T , unde b1 estimeaz pe m1 , iar b2 estimeaz pe m 2 .
Rezolvarea acestei probleme se face cu metoda celor mai mici ptrate ( M.M.P.).
Conform acestei metode, estimaia b a lui
min S m i2 T
i 1
Y Xm Y T Y m T X T Y Y T Xm m T X T Xm.
Deoarece
X 1T
X 2T
m T X T Y m1 , m2
rezult:
Y m1 X 1T m 2 X 2T Y m1 m2 xi 2 Yi Y T Xm ,
S m Y T Y 2m T X T Y m T X T Xm.
_____________________[N.S.]______________________________________________
a) Reguli de derivare n raport cu un vector.
1)
2)
x T C
C , x, C R n i C nu depinde de
x
x T Ax
x
x;
x T Ax
x
x.
2 Ax.
Cx
C , unde x R n , C M n R i este o matrice simetric , care nu depinde
x
x.
b) Matrice pozitiv definit.
Definiie. Fie A M n R simetric. A este pozitiv definit, dac x T Ax
0, pentru
orice x R n , x 0 n R n .
Proprietate. Dac A M n R este pozitiv definit, atunci are loc:
rang A n i
0.
S m
02 R 2.
m
S m
m T X T Xm
Y T Y
2 X T Y 2 X T Xm , deoarece
0 2 i
2 X T Xm .
m
m
m
Deoarece exist X T X
Deoarece
2 S m
2X T X ,
mm T
care este pozitiv definit, condiia ( *) devine i suficient, n baza acestei consecine.
Prin urmare b este soluia optim a problemei.
Proprieti statistice ale lui b
tim c b b1 , b2 T este estimatorul (estimaia) lui m m1 , m2 T R 2 , obinut cu
1
1
M.M.P. i b = X T X X T Y . Cu notaia A X T X X T M 2,n R , rezult c b AY ,
Demonstraie.
1) M b M X T X X T Y X T X X T M Y X T X X T Xm m.
2) b M b - M b b - M b . . Pe de alt parte:
T
1
b m X T X X TY - m
XTX
b M
X T Xm m m X T X
X T X T X
deoarece X T X 1
XTX
X T
X T m X T X
XTX
X T . nlocuind se obine:
XTX XTX
Observaie. b M b - M b b - M b
m.
covD b b ,b
M T
cov b1 , b2
.
D b2
..............................................................................................................................
CURSUL III
PREDICIA CU AJUTORUL MODELULUI II DE REGRESIE LINIAR
Se consider modelul II de regresie liniar:
Y Xm ,
valabil n ipotezele 0, 1 i 2, unde Y R n este vectorul aleator de selecie sau vectorul
efectelor, X M n,2 R este matricea cadru cunoscut, cu X X 1 X 2 , X 1 1,1,...,1 T ,
R 2 este vectorul
Utiliznd i ipoteza 3, cu metoda celor mai mici ptrate s-a determinat estimaia
b b1 , b2
a lui
m , n care
xi 2 , i 1, n ,
Yi , i 1, n .
xi 2 , i 1, n .
Y0 m1 m2 x02 0 , unde
Y0 b1 x 02 b2 ,
obinndu-se:
Yi b1 xi 2 b2 , i 1, n ,
Yi , i 1, n ,
corespunztoare lui xi 2 .
M Y0 Y0 0 .
2.
2
D Y0 Y0 D b1 x 02
D b2 2 x 02 cov b1 , b2
Demonstraie.
1.
M Y0 Y0 M m1 x 02 m 2 0 - b1 x 02 b2
= M m1 b1 +
M Y0 Y0 m1 M b1 x 02 m2 M b2 M 0 m1 m1 x 02 m2 m2 0 ,
inndu-se
seama i de faptul c M b m.
2.
D Y0 Y0 M Y0 Y0
m1 x 02 b2 m 2 0
2
2
2
2
= M b1 m1 x02 b2 m2 0 2 x02 M b1 m1 b2 m2 2M b1 m1 0 -
2 x02 M b2 m2 0
2
D b1 x 02
D b 2 M 02 2 x02 cov b1 , b2 2 cov b1 , 0 2 x 02 cov b2 , 0 =
2
2
2
2
= D b1 x 02 D b 2 2 x 02 cov b1 , b2 , deoarece M 0 conform ipotezei 1, iar
Yi , i 1, n .
1 n
Yi i se face urmtoarea prelucrare:
n i 1
Yi Yi Yi Yi Y Y , i 1, n Yi Y Yi Y Yi Yi , i 1, n
Yi Y
Termenul
* .
not
i 1, n
Yi , i 1, n .
i 1, n
Y Y Y Y
n
i 1
i 1
=
n
deoarece
i 1
Yi Yi
i 1
Yi Y
i 1
2 Yi Y Yi Yi =
i 1
Yi Yi
i 1
Y Y
n
Relaia
i 1
= Yi Y
i 1
Yi Yi
i 1
Y
n
se poate mpri cu
i 1
0, obinndu-se :
n
Y Y
i 1
n
2
Se face notaia: R
Y
i 1
Y
n
Yi
i 1
n
i 1
Yi Y
i 1
i 1
, i 1, n ;
Yi , i 1, n ,
1 , 2 ,..., n
Yi Yi
i 1
Y
n
i 1
Se face notaia:
R 2 este apropiat de 1,
2
Formula lui R 2 se poate prelucra astfel : R 1
dac
Rn .
Y
i
n i 1
adic gradul de adecvare depinde de ponderea momentului iniial de ordinul doi al erorilor
predictorilor, n dispersia de selecie.
_______________________________ N.S. ____________________________________
Funcii de producie
Prin funcie de producie se nelege expresia matematic (analitic) a legturii dintre
factorii de producie, care se combin ntr-un proces de producie i rezultatele ce se obin.
Fie Y cantitatea dintr-un produs, obinut ntr-un anumit proces de producie, prin
utilizarea cantitilor x1 , x 2 ,..., x n 1 i respectiv x n din n factori de producie. Atunci
forma general a funciei de producie corespunztoare acestui proces de producie este :
Y F x1 , x 2 ,..., x n .
Y
.
xi
F
.
xi
Dac avem k 1 , atunci randamentul de scar este cresctor, iar dac avem k 1 ,
atunci randamentul de scar este descresctor.
Caz particular. Funcia Cobb-Douglas
n 1928, C.W.Cobb i P.H.Douglas au construit urmtoarea funcie de producie:
Y AK L ,
unde primul factor de producie K reprezint volumul capitalului, iar al doilea factor de
producie L reprezint cantitatea de munc. Parametrii A, , sunt strict pozitivi.
Productivitile marginale ale celor doi factori de producie sunt:
Y
PmK AK 1 L
0 i PmL AK L 1 Y 0 .
K
L
Y
Y
Pentru un volum oarecare al produciei
0 se poate determina forma izocoantelor
astfel:
Y
Y Y0 K 0
A
Deoarece
K
K
2K K
A aK aL a Y k .
Atunci randamentul de scar depinde de suma .Astfel:
1) Dac >1, randamentul de scar este cresctor;
2) Dac <1, randamentul de scar este descresctor;
3) Dac =1, randamentul de scar este constant; n acest caz se poate scrie
1 >0 i funcia de producie capt forma:
Y AK L1 , unde 0 1 .
descresctoare. Deoarece
O estimaie a lui 2
Estimarea parametrului m cu metoda celor mai mici ptrate s-a fcut n ipoteza c
parametrul 2 este cunoscut.
n cele mai multe cazuri din realitatea economic, de exemplu n cazul estimrii
parametrilor din funcia de consum sau de cerere, precum i n cazul funciilor de producie,
parametrul de scal 2 este necunoscut.
Dac 2 este necunoscut se pune problema estimrii lui. Pentru aceasta se pleac de
la erorile aleatoare i , i 1, n . Dei acestea sunt inobservabile, totui se constat c au o
1, n
, la fel cu
form:
Informaii privind calitile statistice ale lui s 2 sunt date de urmtoarea afirmaie:
PROPOZIIE. s 2 este o estimaie deplasat a lui 2 .
1 T
2 =
.
sau
n2
n 2 i 1
2. n cazul 2 necunoscut se poate da i o estimaie a matricei de covaria pentru b
T
b = 2 X X
.
........................................................................................................
CURS 4
MODELUL III DE REGRESIE LINIAR
Prezentarea general a modelului III
Deoarece n practica economic o caracteristic a unei populaii statistice poate fi
influenat de mai muli factori simultan, apare ca necesar construirea unei generalizri
multidimensionale a modelului II de regresie liniar, care se va numi modelul III de regresie
liniar i care este capabil s capteze informaia coninut n mai multe date statistice
referitoare la procesele economice modelate.
Exemple de astfel de factori sau variabile economice: producia, preul, capitalul, fora de
munc angajat, costul de producie, etc..
O situaie care exemplific necesitatea construirii unui model de regresie liniar
multidimensional, apare atunci cnd se studiaz consumul lunar pe cap de locuitor dintr-un
produs alimentar, notat prin P, n funcie de preul lunar al lui P, de preul lunar al produselor
care pot s substituie sau s concureze produsul P i de veniturile lunare pe cap de locuitor.
Prin produse substituibile sau substitute se neleg acele produse ale cror coeficieni de
elasticitate ncruciat sunt strict pozitivi.
Fie C i cererea din bunul i i s presupunem c ea este o funcie de preurile a
C i p j
.
p j C i
M Yi m1 xij m j , i 1, n ,
j 2
unde
x ij , i 1, n, j 2, k
Yi m1 xij m j i , i 1, n .
j 2
X 1 1,...,1 R n
T
unde
X j x1 j , x 2 j ,..., x nj R , j 2, k , k 2 , m m1 ,..., mk R i
T
1 ,..., n R n ,
cu ajutorul crora sistemul (2) se scrie:
T
(3)
Y Xm
M 2 X
0n R n .
IPOTEZA 3. M X
M n X
Comentariu. Conform ipotezei, matricea X nu conine nici o informaie referitoare
la media erorilor.
---------------[ N.S. ]-----------------------------------------------------------------------------------Repartiii condiionate, medii condiionate
Fie , K , P un cmp borelian de probabilitate i vectorul aleator bidimensional
Z X , Y , Z : R 2 unde:
x, y
x
y
, Y ~
i Z ~
, x, y R .
X ~
f x
g y
h x, y
Atunci:
f x
h x, y dy, g y
h x, y dx.
f x / y
h x, y
h x, y
h x, y f x / y g y i f y / x
h x, y f y / x f x .
g y
f x
M X / Y y
xf x / y dx i
M Y / X x
yf y / x dy .
u x
u X ~
f x
M u X
u x f x dx .
M Y / X
x f x dx
dx
h x, y dx dy
yf y / x f x dy
yg y dy M Y .
Consecina 3. M 0 n .
Demonstraie. Are loc:
M i M X M i X M X 0 0, i 1, n M 0 n .
Consecina 4. cov i , X 0, i 1, n .
Demonstraie. Are loc:
cov i , X cov M i X , X cov 0, X 0, i 1, n .
T
2
IPOTEZA 4. M X I n .
Comentariu. Aceast relaie se poate explicita astfel:
M 12 X
M 1 2 X M 1 n X
2
M
2 1
2
2 n
M T X
2
M n 1 X M n 2 X M n X
Consecina 5. 2 I n .
Demonstraie. Are loc:
M T M X M T X M X 2 I n 2 I n .
2 0 0
0 2 0
2
In .
0 0 2
T
T
36
X 1 1,...,1 R 36 i X j x1 j , x 2 j ,..., x36; j R , j 2,4 ;
unde
T
T
m m1 ,..., m 4 R 4 i 1 ,..., 36 R 36 ,
Y este vectorul consumului lunar;
X este matricea cadru cunoscut ale crei coloane sunt:
X 2 vectorul care conine preurile lunare ale lui P
X 3 vectorul care conine preurile lunare ale lui P1
X 4 vectorul care conine veniturile lunare;
m este vectorul parametrilor locali;
este vectorul erorilor.
Cu aceste notaii se obine, presupunnd c cele 5 ipoteze sunt adevrate,
urmtorul model III de regresie liniar:
Y Xm .
m m1 ,..., m3 R 3 i 1 ,..., 24 T R 24 ,
T
T
T
m m1 ,..., m 4 R 4 i 1 ,..., 28 R 28 ,
Y este vectorul ratei inflaiei pe trimestre,
X este matricea cadru cunoscut ale crei coloane sunt:
X 2 este vectorul deficitului bugetar pe trimestre,
X 3 este vectorul masei monetare pe trimestre,
X 4 este vectorul venitului mediu trimestrial,
m este vectorul parametrilor locali,
este vectorul erorilor.
Presupunnd cele 6 ipoteze ndeplinite n cazul acestui studiu econometric, cu aceste
notaii se obine urmtorul model:
Y Xm ,
care este un exemplu de model III de regresie liniar.
Considerarea vectorului erorilor n cadrul modelului este justificat de
faptul c, n acest studiu au fost ignorai i ali factori care influeneaz rata inflaiei, cum ar
fi: politicile guvernamentale, fiscalitatea, nivelul importurilor, cursul de schimb al leului, etc..
ceea ce pune n discuie adecvarea modelului III; totui, n anumite cazuri de neliniaritate se
poate vorbi de o liniaritate n logaritmi. Pentru a exemplifica, s presupunem c valorile de
selecie
Yi , i 1, n
sunt de forma:
*
Deoarece
Yi 1 xi22 e i , 1 0, xi 2 0, i 1, n .
Yi 0, i 1, n
ln Yi
Utiliznd notaiile:
Yi , i 1, n ,
ce alctuiesc vectorul Y , se
mi , i 1, k
se accept neexplicit
deoarece m T X T Y Y T Xm .
2 f
x1
2 f
2 f
x 0 x 2 x1
H x 0
T
xx
2
f
x x
n 1
2 f
x1 x 2
2 f
2
x 2
2
f
x n x 2
2 f
x1 x n
2 f
x 2 x n x 0
2
f
2
x n
este o matrice pozitiv definit, i atunci x 0 este un punct de minim, respectiv o matrice
negativ definit, i atunci x 0 este un punct de maxim, unde H este hessianul lui f , o
matrice funcional ptratic.
Reguli de calcul
1) Dac f x a T x x T a , x, a R n , atunci :
f x a T x x T a
a;
x
x
x
n
2) Dac f x Ax , A M m , n R , x R , atunci :
f x Ax
f x Ax
A i
AT ;
x
x
x T
x T
3) Dac f x x T Ax , A M n R , x R n , atunci :
2 f x A AT x
f x x T Ax
A AT x i H x
A AT .
T
T
x
x
xx
x
Caz particular. A este matrice simetric. Atunci formulele devin:
f x x T Ax
2 f x 2 Ax
2 Ax i H x
2A .
x
x
xx T
x T
min S m .
adic:
X T M k ,n R
se obine b AY .
Cteva proprieti statistice ale lui b sunt stabilite de urmtoarele afirmaii.
PROPOZIIE. b este o estimaie nedeplast a lui m .
Demonstraie. Are loc:
1
M b M AY AM Y AXm X T X X T Xm m .
b XTX
i se poate scrie
X TY X T X
b M b - M b b - M b
X T Xm m X T X
M X X
T
X T T X X T X
X T
= X T X X T X X T X M T 2 X T X ,
n baza consecinei 5 de la ipoteza 4.
Observaie. Deoarece X este o matrice cunoscut, n baza ipotezei 5, rezult c
T
X X 1 este o matrice cunoscut, iar dac exist o estimaiea lui 2 , atunci se poate
construi o estimaie a lui b pentru b determinat pe baza unei selecii.
1
m.
Atunci o estimaie oarecare din aceast clas, notat prin m , are forma m BY , unde
B M k ,n R i este o matrice care nu depinde de Y sau de ali parametrii necunoscui; un
element particular al acestei clase este determinat specificnd matricea B . De exemplu, b
face parte din aceast clas deoarece el este determinat de matricea A , care este un caz
particular de matrice B .
_______________________[N.S] Matrice pozitiv sau negativ semidefinit___________
DEFINIIE. Fie A M n R o matrice simetric. A se numete pozitiv (negativ)
semidefinit, dac :
x R n x T Ax 0 x T Ax 0 .
PROPOZIIE. Fie A M m ,n R . Atunci AAT este o matrice pozitiv semidefinit.
T
Demonstraie. Deoarece AAT AAT , rezult c AAT este simetric. Fie x R m .
b1
TEOREMA GAUSS-MARKOV. Estimia b este cea mai bun estimaie din clasa
LN a lui m .
Demonstraie. Fie b ' LN cu b ' BY .
Ideea. Se demonstreaz c matricea b b este pozitiv semidefinit.
Mai nti, se consider matricea:
'
not
C B XTX
Rezult c:
B C XTX
X T M k ,n R .
X T i b ' BY C X T X
m CXm X X
T
XT Y = C XTX
X T Xm
X C .
T
Pe de alt parte, b ' este o estimaie nedeplasat, dac i numai dac M b ' m .
Atunci:
1
M b ' m M m CXm X T X X T C m
m CXm X T X X T M CM m CXm 0 k CX Ok M k R .
1
M XTX
X X
T
M X
X T T X X T X
Deoarece M
X T C
XTX
X C M
T
X T C
X T T C T C T X X T X
CX X
CC
1
T
C T C T
I n i CX Ok X C se obine:
T
b ' 2 X T X 2 CC T .
1
2
T
n concluzie b' b CC , care este o matrice pozitiv semidefinit i deci b este
cea mai bun estimaie liniar i nedeplasat.
b) Estimarea parametrului 2
Deoarece suma S m T nu conine pe 2 , nu poate fi utilizat pentru estimarea
lui 2 .
n baza consecinei 5 de la ipoteza 4 are loc D i M i2 2 , i 1, n . Atunci se
poate scrie:
M T M
i 1
2
i
i 1
M i2 n 2 .
Y X b i Y Y .
PROPOZIIE. Are loc:
Demonstraie.
M Y
M Y
M Y M Xb XM b Xm M Y
adic Y este o estimaie a lui M Y , iar n baza propoziiei de mai sus, rezult c Y este o
Y Y sau Y Xb .
DEFINIIE. Relaia:
Y Xb
Y X b X X T X X TY Y Y Y X X T X
= In X X T X
X TY
X T Y I n X X T X X T Xm I n X X T X X T .
B .
____________________[N.S.] Matrice idempotent____________________________
DEFINIIE. Matricea ptratic A M n R se numete idempotent, dac
A A A.
PROPRIETATE. Dac A este simetric i idempotent, atunci A are toate
valorile proprii egale cu zero sau cu 1.
PROPOZIIE. Matricea B este simetric i idempotent.
Demonstraie. Deoarece:
BT I n X X T X X T
rezult c B este simetric.
Deoarece:
In X X T X
XT B,
B 2 In X X T X X T In X X T X X T In X X T X X T X X T X X T 1
- X X T X X T In X X T X X T B ,
rezult c B este idempotent.
Consecin. B are toate valorile proprii egale cu zero sau cu 1.
Pentru a estima parametrul 2 se va utiliza funcionala ptratic:
1
not
S T
B T B T B
T B ,
Tr A a ii .
i 1
2) M S M Tr B .
2
3) M S n k .
Demonstraie. 1) Rezult din faptul c T B M 1 C .
2) M S M B M Tr B MTr B .
3)
Tr M B Tr BM Tr
M S M Tr B T
BI n
= 2Tr B , deoarece Tr i M sunt operatori liniari permutabili. Pe de alt parte, are loc:
Tr B Tr I n X X T X X T Tr I n Tr X X T X
= n Tr I k n k , n baza observaiei de mai sus.
1
M S 2 n k
n concluzie:
Se face notaia:
urmtoarea afirmaie.
PROPOZIIE.
M 2
1
Y T Y bT X T Y .
nk
T Y Y
1 T
. Legtura dintre 2 i 2 este stabilit de
nk
1 T
1
1
M
M S 2 n k
2.
Demonstraie.
n
k
n
k
n
PROPOZIIE. 2
X T n Tr X T X X T X
Y Y Y X X
X TY
Y X X
T
X TY
= YT YT X X T X
Y TY Y T X X T X
XT
1
X XTX
X TY Y TY X T X
X T Y Y T BBY Y T BY
X TY
X T Y Y T Y bT X T Y .
o estimaie a matricei de
1
b 2 X T X ,
ale crei elemente de pe diagonala principal sunt estimaii ale dispersiilor elementelor lui b ,
iar celelalte elemente sunt estimaii ale covarianelor dintre elementele vectorului b .
....................................................................................................
CURS 6
EXPERIMENT ALEATOR UTILIZND MODELUL III
DE REGRESIE LINIAR
Se consider modelul III de regresie liniar, pentru a fi supus un experiment aleator pe
calculator, utiliznd limbajul Gauss.
Fie ecauia modelului III:
Y Xm ,
unde Y R n , n N * este vectorul de selecie ( al observaiilor sau efectelor ), vectorul
parametrilor
locali
este
m R k , k N * , k 2,
X X 1 , X 2 ,..., X k M n ,k R
M 0 n i 2 I n .
n acest caz, cel care face experimentul joac rolul naturii i prin urmare cunoate
vectorul parametrilor locali
m , n
X n 1 F X n , X n 1 ,..., X n m ,0 m n .
Un exemplu de generator este generatorul congruenial liniar, notat prin
X 0 , a, c, M , care produce un ir X n nN de numere pseudoaleatoare, utiliznd relaia
de recuren:
X n 1 aX n c mod M ,
unde X 0 este numrul iniial ( smna-seed ) de la care pornete generatorul, a este un
m.
0 ), de forma:
Consum Xt2
greutate
Yt
consum X2t
*
unde 3
Yt 1 2 xt 2 3 xt22 ,
n acest demers nu s-a inut seama, de toi factorii care influeneaz procesul de
producie. Ca urmare trebuie ca n relaia (*) s fie inclus i un termen eroare, notat prin
t , astfel c forma final a lui Yt este:
Yt 1 2 xt 2 3 xt22 t ,
t 1,15
1 ,..., 15 T R 15 .
15
2
12
2
22
X 1 1,...,1 R 15
T
unde
T
2
15 2
, m 1 , 2 , 3 R i
T
Acest model este liniar n parametrii locali 1 , 2 , 3 , dar nu este liniar n variabila
de control x t 2 .
Exemplu numeric. Se consider procesul de producie al crnii de pasre, care este
echivalat cu un experiment pe o durat de 15 sptmni ce genereaz urmtoarele date:
p
Y t
n , unde p n este preul unitar al nutreului, iar p v este preul
xt 2
pv
i se pune problema alegerii unei funcii de predicie, care s minimizeze ptratul erorilor de
predicie.
n acest scop se fac urmtoarele notaii:
Y0 R n0 este vectorul format cu valorile viitoare ale efectelor, care sunt considerate
ca fiind valorile unei selecii viitoare de volum n0 ;
n0
i matricea de
m,
Y 0 X 0b ,
M Y0 Y 0 M X 0 m 0 X 0 b M X 0 m b M 0 X 0 M m b 0 n0
. Rezult
Y0 Y 0
Y0 Y 0
M Y0 Y0 Y0 Y0
M Y0 Y0 Y0 Y0
M X 0 b m 0 X 0 b m 0
= M X 0 b m 0 b m X 0T 0T M X 0 b m b m X 0T M X 0 b m 0T
M 0 b m X 0T M 0 0T X 0 M b m b m X 0T X 0 M b-m 0T M 0 b m X 0T
T
+ 2 I n0 2 X 0 X T X
m i
Y0 X 0m
M Y 0 X 0 m
T
Y 0 X 0 m M X 0 b X 0 m X 0 b X 0 m
= M X 0 b m b m T X 0T 2 X 0 X T X X 0T , deoarece
1
M Y 0 X 0 m 0 n0
m i are
forma:
Y Xb
Y Y ,
unde Y reprezint partea, din variabilitatea lui Y , explicat prin includerea variabilelor de
control n modelul III de regresie liniar.
O msur a variabilitii lui Y se obine considernd suma ptratelor componentelor
lui Y , dat de produsul Y T Y i care se prelucreaz astfel:
1
Y T Y Xb
T
T
T
T
Xb b X Xb b X
Xb
X X
T
X X X
T
X X X 0k R
T
X XT
01, k .
Y T Y b T X T Xb
Y TY Y
sau
T
n baza relaiei (2), rezult c suma ptratelor componentelor lui Y este alctuit din
dou pri:
a) partea care depinde de variabilele de control;
b) partea care depinde de erorile neexplicate.
...............................................................................................................