MODELARE MATEMATIC N ACTIVITILE COMERCIALE

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.

Matematici pentru economiti. Teorie i aplicaii, Editura

DOSESCU T. C.
BUTESCU V.
BAZ S.

Cison, Bucureti, 2003.

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,

corespunztoare venitului, exist o legtur funcional de tip determinist, avnd forma:

C f V , unde f este o funcie, care poate fi i liniar. Keynes a considerat n particular, o

form liniar a modelului C aV b , unde coeficienii ndeplinesc condiiile: a 0,1 i

b 0 , numite azi condiiile lui Keynes. n abordarea econometric a legturii dintre cei doi

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.

Deoarece fenomenele i procesele economice nu se pot reproduce n laborator, pentru

a se efectua experiene, modelele econometrice sunt criticabile, ca de altfel orice model, fiind
construite pe o baz de date lacunar, chiar srac i uneori subiectiv. Un remediu al acestei
situaii l constituie experienele pe calculator ale modelelor econometrice, care utilizeaz
limbaje specializate, ca de exemplu GAUSS, EVIEWS, EXCEL.
Datele pe baza crora se construiesc modelele econometrice se mpart n dou
categorii:
a) datele statistice, obinute n urma nregistrrii rezultatelor fenomenelor sau proceselor
economice, aa cum au avut loc n realitate;
b) datele i informaiile apriori, care au un caracter subiectiv, fiind o cuantificare a
experienei umane anterioare.
Prelucrarea i utilizarea datelor statistice se face n cadrul teoriei seleciei din Statistica
Matematic, iar utilizarea datelor i informaiilor apriori se face n cadrul bayesian, construit
pe baza teoremei lui Bayes din teoria probabilitilor.
Structura cea mai general a unui model econometric este:
1) grupul de ipoteze ( supoziii ), cu caracter simplificator, teoria economic, i
baza de date utilizat n construirea modelului economic;
2) modelul matematic al modelului economic, care este un obiect matematic ce
poate fi o ecuaie sau un grup de ecuaii, cu cel puin o component aleatoare,
alctuit din variabile aleatoare multidimensionale i|sau procese stochastice.
Principalele tipuri de modele econometrice clasice sunt:
a) modele de regresie liniar;
b) modele econometrice cu ecuaii (liniare) simultane;
c) serii de timp ( serii cronologice);
d) modele econometrice neliniare.
Dup construirea modelului econometric se trece la evaluarea performanelor
modelului, utilizndu-se metodele statisticii matematice, iar n final, pe baza modelului
validat, se construiesc predicii privind evoluia ulterioar a fenomenului sau procesului
economic modelat, specificndu-se limitele probabiliste ale acestor predicii.
Este posibil, ca pentru acelai fenomen sau proces economic s se construiasc mai
multe modele econometrice diferite, efort care este justificat n msura n care se sporete
gradul de adecvare al modelelor la realitatea modelat i se obin predicii, care devin realitate
ntr-o proporie din ce n ce mai mare.

MODEL, MODELARE, MODEL ECONOMETRIC

n ceea ce privete termenii de model i modelare (comunicare prezentat la a XI-a
Conferin Internaional de Cibernetic Economic, 22-24 Aprilie 2004), utilizm
urmtoarele definiii ale lui S. Marcus. Considernd un obiect sau un fenomen A , supus
cercetrii, se numete model al lui A , un alt obiect B , astfel nct:
1) exist o analogie ntre B i A , n sensul c B ndeplinete o funcie iconic sau
una euristic n raport cu A ;
2) obiectul B poate fi investigat prin cel puin o metod care nu este compatibil cu
natura lui A , fapt care presupune o anumit eterogenitate a lui B n raport cu A ;
3) exist cel puin o metod de tipul afirmat la 2), n raport cu care investigarea lui B
conduce la concluzii nebanale;
4) concluziile relative la B au o anumit relevan n raport cu A ;
Se numete modelare procesul de construire a modelului, continuat cu studierea
modelului n vederea obinerii de informaii asupra obiectului sau procesului modelat.
Aceste definiii ofer posibilitatea de a clasifica imensa varietate de modele. Astfel,
modelarea ( respectiv modelul ) poate fi:
1) material ( material ), n cazul lui B de natur material, sau
2) ideal ( ideal ), n cazul contrar.
Dup natura analogiei dintre A i B exist o:
a) modelare similar, dac analogia const n natura fizic comun i n identitatea
formelor geometrice, iar deosebirea const n dimensiuni, n viteza proceselor etc.;
b) modelare analogic, dac corespondena dintre A i B se bazeaz pe aspecte
funcionale i nu materiale.
Dintre modelrile analogice, una dintre cele mai fertile, avnd n vedere multiplele
aplicaii, s-a dovedit a fi modelarea matematic, al crei prim rezultat este un model
matematic. Un model ideal B se numete matematic, dac este un obiect matematic sau o
construcie matematic. De regul, obinerea unui model matematic presupune, pe lng o
formalizare utiliznd limbajul matematic i o exprimare ct mai fidel a aspectelor funcionale
ale obiectului sau procesului modelat, cu ajutorul gndirii matematice i al rezultatelor
teoretice cunoscute. Printre instrumentele clasice utilizate n modelarea matematic se afl:
axiomele, definiiile, teoremele etc. Ca exemple de modele matematice se pot cita: geometria
euclidian, structurile algebrice, cmpul de probabilitate, integrala Riemann, integrala
Lebesque, logica bivalent etc.

O alt important categorie de modelri analogice este cea a modelrii economice, al

crei prim rezultat este un model economic. Un model ideal B se numete economic, dac
este un obiect sau o construcie obinut pe baza unor ipoteze i teorii economice, manevrate
de o gndire economic. Un exemplu de model economic l reprezint piaa competitiv sau
piaa perfect.
Observaii.
a. Este posibil ca rezultatele unei categorii de modelare s formeze obiectul unui alt tip
de modelare. n acest sens, se poate vorbi de o combinare a dou sau mai multe tipuri de
modelare. n cadrul unei astfel de combinri, tipurile de modelare se influeneaz reciproc.
b. Este justificat sau chiar recomandat o astfel de combinare a tipurilor de modelare,
atunci cnd, n final, se obin noi rezultate semnificative fa de cele obinute prin categoriile
de modelare particulare ce sunt combinate.
Un exemplu important de combinare a dou categorii de modelare l constituie
combinarea modelrii economice cu cea matematic care se numete modelare economicomatematic.
Prin modelare economico-matematic a unui fenomen A se nelege o modelare
care cuprinde trei etape:
1) modelarea economic a lui A , al crui prim rezultat este un model economic

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

B al lui A' . n aceast etap, pe baza rezultatelor modelrii economice, o gndire

matematic utilizeaz limbajul matematic, diverse instrumente i teorii matematice spre a
realiza modelul matematic B al lui A' .
3) din investigarea modelului B i din lanul de analogii a lui B cu A' i a lui A'
cu A se obin informaii noi asupra lui A .
Rezultatul prim al modelrii economico-matematice, B , se numete model
economico-matematic.
Trebuie remarcat c de multe ori, etapa modelrii economice nu este evideniat sau
pur i simplu trece neobservat. Acest lucru poate favoriza eecul unor modelri economicomatematice.

Un gen special de modelare economico-matematic l constituie modelarea

econometric, al crei prim rezultat este modelul econometric. Un model economicomatematic B se numete model econometric, dac are cel puin o component aleatoare.
Prin modelare econometric se nelege o modelare economico-matematic cu
urmtoarele caracteristici:
a. Etapa de modelare economic are ca obiect un micromediu economic, cum ar fi o
firm, un segment de populaie, un proces de producie, sau un macromediu economic, cum
ar fi mediul economic al unei ri sau grup de state, sau chiar economia mondial. Rezultatul
modelrii economice este A ' , modelul economic.
n aceast etap, n cazul unui micromediu economic, adesea se apeleaz i la diverse
ipoteze cu care se opereaz n prima etap a modelrii microeconomice pentru obinerea lui

A . De exemplu, se presupune c n mediul economic modelat acioneaz legile globale care

acioneaz ntr-o economie de pia, cum ar fi legea limitrii resurselor, legea
randamentelor marginale descrescnde, legile cererii. De asemenea, mediul economic este
influenat de comportamentul agenilor economici, despre care se face ipoteza
comportamentului raional [ 8 ] ?, de tipul competiiei de pia, despre care ipoteza cea mai
convenabil este cea a competiiei perfecte, de existena echilibrului ( existence equilibrum )
care se traduce prin faptul c cererea este egal cu oferta, ambele evaluate la acelai pre.
n cazul unui macromediu economic se apeleaz la diverse ipoteze cu care se opereaz
n prima etap a modelrii macroeconomice. De exemplu, ipotezele lui Keynes sau structura
contabil a economiei unei ri.
Observaie. Dimensiunea mediului economic modelat poate s influeneze amploarea
procesului de modelare i instrumentele matematice utilizate n etapa modelrii matematice,
dar nu esena sa. Astfel, n cazul unui macromediu se pot utiliza ca instrument matematic
sistemele Leontiev sau balana intrri-ieiri ( input-ouput ), dar care nu sunt adecvate n cazul
unui micromediu.
b. Etapa de modelare matematic a lui A ' ce produce modelul econometric B are
la baz o gndire specific, numit gndire econometric, fiind rezultatul unui fenomen
sinergetic, ce se bazeaz pe gndirea economic, cu deosebire cea keynesian i dezvoltri
ale ei, pe gndirea statistic, n special cea a prelucrrii i a analizei datelor empirice,
precum i a inferenei statistico-matematice, pe gndirea probabilist, n special cea a
proceselor stohastice, pe gndirea algoritmic i cea informatic, care au permis, pe de o
parte, apariia simulrii numerice i efectuarea de experiene artificiale pe calculator, iar
pe de alt parte, o manevrare rapid a unui volum de informaie din ce n ce mai mare.

Gndirea econometric consider c variabilele economice, n realitate, au un caracter

aleator prin excelen, ceea ce implic n cadrul modelrii econometrice considerarea lor ca
variabile aleatoare sau ca procese stochastice. De asemenea, datorit imposibilitii lurii n
calcul a tuturor factorilor care influeneaz un proces economic, se consider n cadrul unui
model econometric o variabil - eroare aleatoare, unidimensional sau multidimensonal care
poate fi chiar un proces stohastic.
Ca urmare, modelul econometric B are cel puin o component aleatoare, al crei rol
este acela de a compensa tratarea eronat a variabilelor economice ca fiind de natur
determinist, precum i de a ine seama de erorile de msurare sau cuantificare, de efectul
acelor variabile economice de care modelarea economic nu a reuit s in seama i de
influena unor factori total necunoscui, numii ocuri.
Valorile observate ale indicatorilor economici sunt generate de structura economic a
procesului modelat, ceea ce face ca, pe de o parte, acestea s conin informaii eseniale
asupra procesului economic care le-a generat, iar pe de alt parte, s existe posibiliti limitate
de a controla aceti indicatori i de a izola relaiile dintre acetia n vederea captrii lor n
cadrul modelrii econometrice. Printre ideile eseniale ale gndirii econometrice, de care
trebuie s se in seama n modelarea econometric, este cea care susine feedback-ul ce
exist ntre variabilele economice i cea care consider c efectele economice sunt rezultatul
unui sistem de relaii, care n general, sunt stochastice, dinamice i simultane. [J. Marshack,
1950 ]
Gndirea econometric pare a fi o unealt mai fin i mai puternic, capabil de a
opera asupra realitii economice cu un grad sporit de precizie i profunzime, s descifreze
informaii, ascunse altor tipuri de gndire, pe care, graie unor tehnici econometrice, s le
poat utiliza n captarea realitii n cadrul modelelor econometrice.

O calitate esenial a unui model econometric const n posibilitatea de a

se efectua experiene pe calculator utiliznd acel model, suplinind astfel
incapacitatea de experimenta direct pe fenomenul-obiect A .
MODELE CLASICE DE REGRESIE LINIAR

MODELUL I DE REGRESIE LINIAR

(Modelul liniar unifactorial)

Termenul de regresie a fost introdus de ctre statisticianul englez Francis Galton, ntrun memoriu scris n anul 1886, pentru a desemna legtura special care exist ntre nlimea
tailor i nlimea fiilor, ce exprim tendina spre nlimea medie.
n limba romn, cuvntul regresie are i semnificaia de micare sau evoluie n sens
contrar celui normal sau firesc.
n econometrie, termenul de regresie desemneaz orice legtur sau dependen dintre
o variabil dependent i una sau mai multe variabile independente, numite factori sau
regresori, dintre care cel puin una este aleatoare. Regresia care exprim o dependen liniar
se numete regresie liniar. Din aceast cauz modelele econometrice liniare sunt denumite
modele de regresie liniar.
Se consider o populaie statistic, a crei caracteristic studiat este o variabil
aleatoare teoretic X cu o repartiie teoretic specificat, avnd media finit m i dispersia 2
finit i nenul, astfel nct m i 2 sunt parametrii, eventual necunoscui.
Din aceast populaie se extrage, la ntmplare, o selecie repetat Y1 , Y2 ,..., Yn de
volum

n N* , n 2

; valorile de selecie Yi ,

i 1, n ,

au o dubl interpretare: pe de o parte

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 .

Observaie. Ipoteza c variabilele aleatoare de selecie Y1 , Y2 ,..., Yn au aceeai

repartiie cu X nu implic independena lor.
Modelul I de regresie liniar este rezultatul modelrii econometrice a evoluiei lui X i
este construit pe baza seleciei i a urmtoarelor ipoteze explicite:
IPOTEZA 0. Fiecare valoare de selecie Yi este alctuit din media sa m i o
component aleatoare inobservabil i ,
(1)
Consecine.
1) M i 0 , i

1, n ;

2
2) D i ,

i 1, n ;

2
2
3) M i ,

i 1, n .

i 1, n ,

Yi

adic are loc:

= 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.

sunt variabile aleatoare independente, identic

repartizate(i.i.d.).
Consecin. cov i , j 0 ,

i 1, n .

Pentru a se obine modelul I de regresie liniar se expliciteaz sistemul (1), astfel:

Y1 m 1
Y m
2
2
(2)
..................
Yn m 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

i este numit vectorul aleator al erorilor, care este

inobservabil.
Cu aceste notaii sistemul (2) se scrie:
(3)

Y mX

care reprezint modelul I de regresie liniar.

___________________NOIUNI SUPLIMENTARE [ N.S.] _______________________

Vectori aleatori
Fie cmpul ( borelian ) de probabilitate , K , P i fie n variabile aleatoare
X 1 , X 2 ,..., X n : R .

Definiie. Se numete vector aleator n-dimensional i se noteaz prin X, sistemul

ordonat

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 .

a) Se numete media lui X i se noteaz prin M X vectorul

coloan de forma:
T
M X M X 1 , M X 2 ,..., M X n R n , dac exist M X i finit,

i 1, n .

b) Se numete matricea de covarian a lui X i se noteaz prin

X matricea ptratic de ordinul 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

este un vector aleator n - dimensional i Y depinde

este un vector aleator n- dimensional.

Propoziie. Au loc urmtoarele proprieti:

n
1) M On R ;

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,

unde m1 este numit parametrul de interceptare i m2 este numit parametrul de nclinare

( pant ), ambii necunoscui.
n baza ipotezei 0 se poate scrie:

Yi M Yi i , i 1, n,

unde i este componenta aleatoare inobservabil, i 1, n.

Observaie. Consecinele ipotezelor 0 i 1, de la modelul I, rmn valabile, adic:
2
M i2 2 , i 1, n .
1) M i 0 , i 1, n ; 2) D i , i 1, n ; 3)

n plus este adevrat i proprietatea 4) 2 I n .

Din relaiile (1) i (2) se obine urmtorul sistem:

Yi m1 m 2 xi 2 i , i 1, n.

Se fac urmtoarele notaii:

Y Y1 , Y2 ,..., Yn R n ; X X , X M R , unde X 1 1,1,...,1 T R n i
1
2
n,2
not

X 2 x12 , x 22 ,..., x n 2 R n ; m m1 , m2 T R 2 ; 1 , 2 ,..., n R n .

T

Cu aceste notaii sistemul (3) se prelucreaz astfel:

m1
.
m2

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,

m este numit vectorul parametrilor locali i este necunoscut,

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

este vectorul aleator al

erorilor i este necunoscut.

Observaii. 1) Y este un vector observabil, pe cnd
inobservabili.

m i sunt vectori

2) Y este considerat variabila dependent a modelului, iar matricea X este

considerat variabila independent, care determin pe Y .
3)

exprim eroare modelului II, datorat faptului c modelul nu poate capta toate

influenele care le suport X .

4) Acest model II, mai nti va permite estimarea parametrilor necunoscui i apoi,
elaborarea de predicii asupra valorilor lui Y .
Propoziie. Fie modelul II de regresie liniar Y Xm . Atunci au loc:
a) M Y Xm; b) Y 2 I n .
Demonstraie. a) M Y M Xm M Xm M Xm .

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

X 2 x12 , x 22 ,..., x n 2 R n este vectorul

T

T
venitului; m m1 , m2 T R 2 ; 1 , 2 ,..., n R n este vectorul aleator al erorilor.

Deoarece fiecare component

a) combinaia liniar

Yi , i 1, n

a lui Y este alctuit din dou pri:

m1 x i 2 m 2 , i 1, n

, care exprim dependena liniar a

consumului de venit, aa cum a postulat i J. Keynes,

b) eroarea inobservabil i , i

1, n ,

care reprezint componenta aleatore a

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

au repartiii normale, rezult c

densitatea de repartiie condiionat f Yi xi 2 este normal cu media M Yi xi 2 m1 xi 2 m2

i dispersia D Yi xi 2 2 , i 1, n , iar graficul ei este centrat fa de dreapta reprezentat de
medie i are forma:

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

m se determin din condiia ca suma

ptratelor erorilor s fie minim, adic:

n

min S m i2 T

i 1

Mai nti, se prelucreaz S m astfel:

S m Y Xm

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;

A AT x , unde A M n R i x R n , iar A nu depinde de

Caz particular. Dac A AT ( A simetric ), atunci :

3)
de

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.

Condiia necesar pentru a determina minimul lui S este:

(*)

S m
02 R 2.
m

n continuare se va utiliza urmtoarea ipotez:

IPOTEZA 3. X M n,2 R are rangul 2.
Consecin. X T X este o matrice pozitiv definit.
Demonstraie. Deoarece rang X 2 , rezult c cele dou coloane ale lui X sunt
liniar independente. Observm c X T X X T X i este o matrice simetric. Fie vectorul
T

nenul x R 2 i considerm produsul x T X T Xx Xx T Xx 0 , fiind o sum de ptrate. Dac

produsul ar fi chiar 0, atunci ar trebuie ca Xx 0 n , adic exist o combinaie liniar a
coloanelor lui X egal cu vectorul nul i deci coloanele lui X sunt liniar dependente, ceea
ce contrazice concluzia de mai sus. Rezult c x T X T Xx 0 i X T X este o matrice pozitiv
definit.
n acest caz se poate scrie:

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

Prin urmare b este soluia ecuaiei:

X T X m X TY .

Deoarece exist X T X

n baza consecinei, rezult c b este dat de relaia:

b X T X 1 X T Y .

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 ,

adic b este o funcie liniar

de valorile de selecie i deci este un vector aleator

bidimensional, pentru care are sens media i matricea de covarian.

Propoziie. Sunt adevrate afirmaile:
1
1) M b m. 2) b 2 X T X .

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

Consecin. b este o estimaie nedeplasat a lui

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 ,

X 2 x12 , x 22 ,..., x n 2 este vectorul variabilelor de control, m m1 , m 2

T

R 2 este vectorul

parametrilor locali necunoscui, iar R n este vectorul aleator n-dimensional al erorilor cu

M 0 n R n i = 2 I n .

Utiliznd i ipoteza 3, cu metoda celor mai mici ptrate s-a determinat estimaia
b b1 , b2

a lui

m , n care

b1 este estimaia lui m1 , iar b2 este estimaia lui m2 n

sensul celor mai mici ptrate.

Problem. S se construiasc predicii, pe baza modelului II de regresie liniar i a
estimaiei lui

m , privind efectul n viitor al factorului

X 2 asupra variabilei aleatoare

teoretice X , cunoscnd efectul concretizat prin valorile de selecie

Dac legtura dintre Yi i

xi 2 , i 1, n ,

Yi , i 1, n .

stabilit de ipoteza 2 este exact, atunci se pot

face predicii asupra lui Yi pentru o valoare dat a lui

xi 2 , i 1, n .

Astfel, fie x 02 o valoare viitoare a lui xi 2 i fie Y0 valoarea viitoare a lui Yi ,

corespunztoare lui x 02 . Atunci, conform ipotezei 2 are loc:

Y0 m1 m2 x02 0 , unde

0 este eroarea aleatoare inobservabil viitoare , corespunztoare lui Y0 .

DEFINIIE. Se numete ecuaia de predicie pentru valoarea viitoare Y0 ,

corespunztoare lui x 02 , urmtoarea ecuaie:

Y0 b1 x 02 b2 ,

unde Y0 se numete predictorul lui Y0 , iar Y0 Y0 se numete eroarea de predicie

pentru Y0 .
Observaie. Formal, se poate scrie ecuaia de predicie pentru Yi , corespunztoare lui
xi 2 , i 1, n ,

obinndu-se:

Yi b1 xi 2 b2 , i 1, n ,

unde Yi se numete predictorul lui

Yi , i 1, n ,

corespunztoare lui xi 2 .

PROPOZIIE. Eroarea de predicie are urmtoarele proprieti statistice:

1.

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 +

x 02 M m 2 b2 + M 0 . Conform consecinei ipotezei 0 are loc M 0 0 i se poate scrie:

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

cov b1 , 0 cov b2 , 0 0 , deoarece b1 i b2 sunt variabile aleatoare independente de 0

, avnd n vedere faptul c 0 este o eroare viitoare, pe cnd b1 i b2 s-au determinat pe

baza unor informaii din trecut.

Consecin. Y0 este o estimaie nedeplasat a lui Y0 .

n acest fel s-a dat rspuns la problema pus.
Se poate pune i urmtoarea problem.

Problem. S se stabileasc legtura statistic ntre Yi i

Mai nti, se consider media de selecie Y

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

* .

reprezint abaterea lui Yi fa de media de selecie,

not

i 1, n

Termenul Yi Yi i se numete componenta eroare sau eroarea predictorului Yi fa

de

Yi , i 1, n .

Termenul Yi Y este numit componenta explicativ i reprezint abaterea

predictorului Yi fa de media de selecie,

i 1, n

Ridicnd la ptrat relaia (*) i apoi nsumnd dup indicele i se obine:

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

Yi Y Yi Yi = 0, a crei demonstraie este laborioas i utilizeaz faptul c

n ecuaia de predicie Yi b1 xi 2 b2 , i 1, n , coeficienii se determin cu metoda celor mai

mici ptrate.(W.H.Green-ECONOMETRICS ANALYSIS).

 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

. Coeficientul R 2 se numete coeficientul de adecvare

( determinare ) i exprim gradul de adecvare al modelului II de regresie liniar fa de

legtura real dintre X i X 2 . Adecvarea este dat de relaia dintre Yi i Yi , i 1, n , n

sensul unei bune aproximri a lui Yi prin Yi

atunci exist o strns legtur ntre Yi i

adecvat.

, 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,

iar modelul II de regresie liniar este

n

2
Formula lui R 2 se poate prelucra astfel : R 1

dac

Rn .

este vectorul aleator n-dimensional al

erorilor predictorilor. Cu aceast notaie formula lui R 2 capt forma urmtoare:

1 n 2
i
n i 1
2
R 1 n
,
2
1
Y

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 .

n teoria general a funciilor de producie se lucreaz cu urmtoarele trei ipoteze.

IPOTEZA de DIVIZIBILITATE. Un factor de producie sau un bun (marf)
este divizibil, adic se pot considera n cantiti orict de mici.
Exemple: energia electric, fora fizic, fina, uleiul, banii, timpul, etc..
IPOTEZA de ADAPTABILITATE. Un factor de producie este adaptabil, adic i
se poate asocia o cantitate mai mic sau mai mare dintr-un alt factor.
Exemple. Pmntul este un factor de producie adaptabil, n sensul c pe o anumit
suprafa dat pot lucra un numr mai mic sau mai mare de lucrtori agricoli. Timpul,
capitalul, munca sunt factori de producie adaptabili.
IPOTEZA de SUBSTITUIRE. Un factor de producie este substituibil, adic o
cantitate din acest factor se poate nlocui cu o cantitate determinat dintr-un alt factor,
fr ca volumul produciei s se modifice.
Exemple. Pmntul se poate substitui cu munca, timpul cu banii, munca cu banii.
Observaie. Ipoteza de substituire poate funciona numai dup ce sunt adevrate
primele dou ipoteze.
Se consider funcia de producie Y F x1 , x 2 ,..., x n , n care se admite c toi
factorii de producie implicai verific cele trei ipoteze. n aceste condiii se pot defini
urmtoarele noiuni.
Se numete productivitatea medie (aparent) a factorului de producie i i se
noteaz prin p i , urmtorul raport:
pi

Y
.
xi

Se numete productivitatea marginal a factorului de producie i i se noteaz prin

Pmi , derivata parial a funciei de producie n raport cu x i , adic:
Pmi

F
.
xi

Asupra productivitilor marginale se fac, de regul, urmtoarele ipoteze:

2F
'
0 ( ipoteza randamentelor descresctoare ).
i 1, n , Pmi 0 i Pmi
2
xi
Se numete izocoant totalitatea combinaiilor factorilor de producie care permit
obinerea aceluiai volum al produciei.
Din punct de vedere geometric, izocoanta este locul geometric al tuturor punctelor de
pe graficul funciei de producie, care au aceeai valoare a coordonatei ce reprezint volumul
produciei.
Funcia de n variabile reale F : R n R este omogen de gradul k, dac
ndeplinete condiia:
F ax1 , ax 2 ,..., ax n a k F x1 , x 2 ,..., x n , a 0, .
Fie funcia de producie Y F x1 , x 2 ,..., x n . Se spune c randamentul de scar (
de dimensiune) al procesului de producie, modelat de aceast funcie de producie, este
constant, dac F are gradul de omogenitate k 1 .n acest caz, de exemplu dublarea
cantitilor utilizate din cei n factori, implic dublarea lui Y .

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

0 , rezult c izocuantele sunt funcii (curbe) strict

L
L

2K K

0 , izocuantele sunt funcii (curbe) convexe.

L2 L2
Gradul de omogenitate al funciei se determin astfel:

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

legtur cu 2 , innd seama c D i2 2 , i

1, n

pare a fi o estimaie natural a lui i , mai ales c

M i 0, i 1, n .

. Pe de alt parte, i este calculabil i

M i 0, i 1, n

, la fel cu

Aceasta sugereaz la a considera drept estimaie a lui 2 chiar dispersia erorilor

predictorilor, notat prin s 2 a crei formul este:
1 n 2
1 T
2
s 2 i sau s .
n
n i 1

form:

Informaii privind calitile statistice ale lui s 2 sunt date de urmtoarea afirmaie:
PROPOZIIE. s 2 este o estimaie deplasat a lui 2 .

Observaii. 1. O estimaie nedeplasat a lui 2 , notat prin 2 are urmtoare

1 n 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

, notat prin b , care are urmtoarea form:

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

bunuri p1 ,..., p n , care are forma general C i f p1 ,..., p n .

Definiie. Se numete elasticitatea ncruciat a cererii bunului i n raport cu
bunul j i se noteaz prin eij , ponderea variaiei relative a consumului din bunul i , din
variaia relativ a preului bunului j , adic:
eij

C i p j

.
p j C i

Caz particular. Dac i j , atunci eii ei , elasticitatea direct a cererii bunului i .

Definiie. Bunurile i i j se numesc substituibile, dac eij 0 i e ji 0 .
Exemple de produse substituibile sau concurente: stiloul este concurat de pix i de
creion; uleiul este concurat de unt i margarin, carnea de porc este concurat de cea de
pasre, de pete, de soia i de cea de vac, salamul este concurat de parizer, de crnai i de
rulad, etc..
Dac n acest studiu se decide ignorarea altor variabile economice, ce pot condiiona
nivelul consumului lunar pe cap de locuitor, simplificnd astfel realitatea economic pentru a
putea fi construit modelul de regresie, atunci este necesar s se stabileasc dac variabilele
explicative luate n considerare, condiioneaz n realitate consumul lunar pe cap de locuitor
al produsului P i n caz afirmativ, s se cuantifice efectul pe care l are orice modificare a
nivelului fiecrei variabile explicative.
Rezolvarea acestor probleme necesit informaii care ar putea fi obinute construind
experimente, care, ns au nevoie de un nou cadru teoretic, ce va fi oferit de urmtoarea
generalizare multidimensional.
Se consider o populaie statistic, a crei caracteristic studiat este o variabil
aleatoare teoretic X , care este influenat de k 1 factori cunoscui, care sunt variabile
T
vectoriale, notate prin X j x1 j , x 2 j ,..., x nj , j 2, k , k 2 .
Din populaia statistic se extrage, la ntmplare, o selecie repetat Y1 ,..., Yn , de
volum n N * , referitoare la variabila aleatoare teoretic X .
n aceste condiii, se fac urmtoarele ipoteze, cu scopul de a construi un model mai
general dect modelul II de regresie liniar.
IPOTEZA 0. Fiecare valoare de selecie Yi este alctuit din media sa M Yi ,
numit component sistematic ( determinist ) sau semnal i o component aleatoare
inobservabil i , numit eroare sau zgomot, i 1, n .
n baza acestei ipoteze se poate scrie:
1
Yi M Yi i , i 1, n .
IPOTEZA 1. Influena variabilelor vectoriale X j , j 2, k , asupra lui X este
liniar i este descris de relaia urmtoare:
k

M Yi m1 xij m j , i 1, n ,
j 2

unde

x ij , i 1, n, j 2, k

sunt numite variabile de control sau explicative, iar

m1 ,..., m k sunt numii parametrii locali i care dei sunt necunoscui, se presupun
constani n raport cu selecia.
inndu-se seama n relaia (1) de ipoteza 1 se obine:

Yi m1 xij m j i , i 1, n .

Se fac urmtoarele notaii:

j 2

Y Y1 ,..., Yn R n , X X 1 X 2 ... X k M n,k R

T

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

i reprezint modelul III de regresie liniar, n care:

Y este vectorul aleator de selecie sau vectorul efectelor, observabil i ale crui
componente Yi , i 1, n au o densitate de repartiie condiionat de forma
f Yi xi1 , xi 2 ,..., xik , m ;
X este numit matricea cadru, m este numit vectorul parametrilor locali i este
necunoscut, iar este vectorul aleator al erorilor inobservabile.
Observaie. Vectorul Y difer de la o selecie la alta, pe cnd X este aceeai
indiferent de selecia efectuat; aceasta este justificarea pentru denumirea de matrice cadru a
lui X i pentru faptul c Y are o repartiie condiionat de X .
Referitor la coloanele matricei X se face urmtoarea ipotez.
IPOTEZA 2. Coloanele matricei X formeaz un sistem liniar
independent n R n , R i n k .
Consecina 1. rangX k .
Demonstraie.
Consecina 2. X T X M k R este o matrice nesingular.
Demonstraie. Deoarece rang X k , rezult c cele k coloane ale lui X sunt
liniar independente. Fie vectorul nenul
i considerm produsul
x Rk
T
T
T
x X Xx Xx Xx 0 , fiind o sum de ptrate. Dac produsul ar fi chiar 0, atunci ar trebui
ca Xx 0 n , adic coloanele lui X sunt liniar dependente, ceea ce contrazice concluzia de
mai sus. Rezult c X T X este o matrice simetric pozitiv definit i deci X T X 0 .
M 1 X

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.

Au sens urmtoarele definiii ale densitilor de repartiie condiionate:

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

Cu ajutorul densitilor de repartiie condiionat se pot defini mediile condiionate, n

felul urmtor:

M X / Y y

xf x / y dx i

M Y / X x

yf y / x dy .

Teorema mediei iterate. Este adevrat urmtoarea relaie:

M Y M X M Y / X x . ,
unde M X . este media unei funcii de variabila aleatoare X .
Demonstraie. Fie o funcie u : R R i funcia compus u X : R R , care este o
variabil aleatoare cu repartiia:

u x
u X ~
f x

Prin definiie media lui u X se noteaz prin M u X i este dat de relaia:

(*)

M u X

u x f x dx .

Partea dreapt a egalitii, utiliznd relaia (*), devine:

M X M Y / X x

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

Comentariu. n baza consecinei 5, rezult c D i 2 , i 1, n . n acest

caz se spune c erorile 1 ,..., n sunt homoscedastice. Deasemeni, deoarece cov i , j 0
pentru i j , erorile sunt necorelate. Uneori, erorile care sunt homoscedastice i necorelate
se numesc erori sferice.
Alturi de cele 5 ipoteze se consider frecvent i urmtoarea ipotez.
IPOTEZA 5. Matricea X are toate elementele constante i cunoscute.
n cele ce urmeaz se vor considera toate cele 6 ipoteze.
Exemple.
a) Se face un studiu pe o perioad de 36 luni, privind consumul lunar pe cap de
locuitor al unui produs P, n funcie de preul lunar al lui P, de preul lunar al unui produs P1
concurent al lui P i de veniturile lunare pe cap de locuitor.
Pentru a modela legtura dintre cei 3 indicatori statistici se fac urmtoarele
notaii:

Y Y1 ,..., Y36 R 36 , X X 1 X 2 X 3 X 4 M 36,4 R

T

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 .

b) Se consider dependena consumului mediu lunar de calorii de indicile

preurilor de consum i de ctigul salarial mediu lunar net pe o perioad de 24 luni.
Pentru a se modela aceast dependen se fac urmtoarele notaii:
T
Y Y1 ,..., Y24 R 24 , X X 1 X 2 X 3 M 24,3 R unde X 1 1,...,1 T R 24 i

X j x1 j , x 2 j ,..., x 24; j R 24 , j 2,3 ;

T

m m1 ,..., m3 R 3 i 1 ,..., 24 T R 24 ,
T

Y este vectorul consumului mediu lunar de calorii;

X este matricea cadru cunoscut ale crei coloane sunt:
X 2 vectorul care conine indicele preurile de consum
X 3 vectorul care conine ctigul salarial mediu lunar net;
m este vectorul parametrilor locali;
este vectorul erorilor.
Cu aceste notaii se obine, presupunnd c cele 6 ipoteze sunt adevrate,
urmtorul model III de regresie liniar:
Y Xm .

c) Un studiu econometric privind rata inflaiei, consider dependena acesteia

de deficitul bugetar, de masa monetar i de venitul mediu trimestrial pe o period de 7 ani.
Pentru a se modela aceast dependen se fac urmtoarele notaii:
T
Y Y1 ,..., Y28 R 28 , X X 1 X 2 X 3 X 4 M 28 ,4 R
unde
T
T
28
X 1 1,...,1 R 28 i X j x1 j , x 2 j ,..., x 28; j R , j 2,4 ;

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..

O analiz critic a modelului III de regresie liniar

Modelul III de regresie liniar a fost construit pe baza celor 6 ipoteze, care
ngusteaz aplicabilitatea lui i pun sub semnul ntrebrii relevana rezultatelor care se pot
obine cu acest model. Aceasta justific enunarea urmtoarelor observaii critice.
O1. Ipoteza 1 determin caracterul liniar al modelului n raport cu parametrii
necunoscui m1 ,..., mk , dei modelul poate s nu fie liniar n raport cu variabilele de control
x ij , i 1, n, j 2, k

. Astfel exist i cazuri n care legturile dintre parametrii sunt neliniare,

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

se poate logaritma n baza e relaia (*) i se obine:

ln 1 2 ln xi 2 i , i 1, n .

Utiliznd notaiile:

Y ln Y1 ,..., ln Yn R n , X X 1 X 2 M n,2 R unde X 1 1,...,1 T R n i

T

X 2 ln x12 , ln x 22 ,..., ln x n 2 R n , , ln 1 , 2 T R 2 i 1 ,..., n R n ,

Y X , care este de tipul III.
se obine modelul econometric:
T

O2. Ipotezele 3 i 4 referitoare la erorile aleatore, implic faptul c ele sunt

variabile aleatoare necorelate, cu aceeeai medie i dispersie, ceea ce n realitatea economic
nu este ntotdeauna adevrat.
O3. Ipoteza 5 postuleaz c matricea X are toate elementele constante n
raport cu seleciile repetate. Acest lucru ar fi sigur adevrat, numai n cazul experimentelor
de laborator, unde experimentatorul are controlul asupra variabilelor i poate s observe n
mod repetat efectele depinznd de aceste variabile de control, care au o valoare fixat.
n general, ntr-o cercetare a unui fenomen economic, variabilele de control ale
ecuaiilor modelului econometric, adesea sunt generate ca variabile dependente de alte ecuaii
de natur stochastic i astfel ele nu vor avea nici aceeai valoare, eventual fixat, pentru
selecii repetate i nici valorile pe care le dorete cercettorul; n acest caz vectorul Y este
condiionat de variabilele de control, care sunt de natur stochastic , ceea ce face ca matricea

X s nu fie constant n raport cu seleciile repetate.

O4. Modelul III de regresie liniar ar trebui s in seama de mulimea tuturor
factorilor care influeneaz n realitate caracteristica cercetat X . n situaiile economice
reale, rar sau niciodat, nu se tie exact mulimea tuturor factorilor i ca urmare, anumii
factori relevani pot fi exclui din model, iar factori strini s fie considerai n model.
O5. Despre valorile de selecie

Yi , i 1, n ,

ce alctuiesc vectorul Y , se

presupune implicit c nu sunt afectate de erori de msurare; n realitate puine legturi

economice sunt ferite de ocuri aleatoare i sunt neafectate de erori de msurare.
O6. Despre valorile parametrilor locali

mi , i 1, k

se accept neexplicit

ipoteza c sunt constante, invariabile n timp i nu depind de unitatea de msur. n economie,

sistemele cu care se lucreaz nu sunt ntotdeauna staionare, ceea ce face ca aceast ipotez
s nu fie, uneori, n concordan cu realitatea economic.
O7. n general, modelele econometrice sunt construite pe baza unor ipoteze,
care simplific realitatea economic ( afirmaia este valabil i n cazul altor tipuri de
modele ). n particular, modelul III de regresie liniar poate, s nu fie suficient de adecvat fa
de un proces economic modelat, dei a fost construit pe baza datelor de selecie, rezultate n
urma procesului economic i nu ar fi surprinztor dac modelul nu acoper ntreaga realitate
economic modelat.
n concluzie, aceast analiz critic are drept scop contientizarea caracterului
simplificator al ipotezelor, care se afl la baza construirii modelului III de regresie liniar,

necesitatea de a ncerca i de a realiza, n aplicaii, concordana i adecvarea modelului cu

realitatea economic modelat.
Trebuie subliniat (nu trebuie uitat) c slbiciunile semnalate ale modelului III
pot avea consecine destul de grave, la nivelul performanei modelului.
..............................................................................................................................
CURS 5
Estimarea parametrilor modelului III de regresie liniar
Fie modelul III de regresie liniar:
Y Xm .
Are loc urmtoare proprietate:
PROPOZIIE. M Y Xm.
Demonstraie. M Y M Xm M Xm, deoarece M 0 n .
Observaie. Deoarece M 0 n i M Y Xm , se poate spune c, n medie,
modelul III de regresie liniar este corect.
Problem. S se estimeze parametrii necunoscui m i 2 din modelul III de
regresie liniar, pe baza vectorului de selecie Y .
a) Estimarea vectorului m
n acest caz se va utiliza metoda celor mai mici ptrate (MMP). Conform metodei,
pentru a se determina estimaia lui m , mai nti, se calculeaz S m , suma ptratelor
erorilor, unde:
S m T .
Prelucrarea lui S m se face astfel:
T
S m Y Xm Y Xm Y T Y m T X T Y Y T Xm m T X T Xm ,
sau
S m Y T Y 2m T X T Y m T X T Xm ,

deoarece m T X T Y Y T Xm .

___________________[N.S.] Optimizarea funciilor vectoriale ____________________

Fie f : D R n R o funcie vectorial cu valori reale i se consider problema:
optim f x .
(*)
n
DEFINIIE. Vectorul x 0 R este soluie a problemei (*), dac:
1) x 0 satisface condiia necesar:
f
x0 0n ;
x

2) x 0 satisface condiia suficient:

 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

Fie b R n soluia optim a problemei:

min S m .

adic:

Atunci b verific condiia necesar:

S m
1
0n ,
m
2 X T Y 2 X T Xb 0 n .

Deoarece X T X este nesingular, n baza consecinei 2 de la ipoteza 2, rezult c:

1
2
b X T X X TY .
Vectorul b se numete estimatorul (estimaia) n sensul celor mai mici ptrate al
vectorului parametrilor locali m .
Observaii. 1) b este un vector aleator, deoarece depinde de vectorul aleator Y ;
2) b este o funcie liniar de Y . ntr-adevr, dac se face notaia:
A X T X

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 .

Observaii. 1) Dac se fac selecii repetate, atunci n medie b reprezint adevrata

valoare a lui m .
2) Pentru o anumit selecie efectuat ( valoare a lui Y ) estimatorul b poate avea o
valoare corespunztoare, estimaia lui m , diferit de valoarea adevrat a lui m , att ca
semn ct i ca mrime.
Componenetele lui b pot s difere de la o selecie la alta, deoarece b este un vector
aleator i atunci este util s se cunoasc precizia estimrii punctuale, evalund mprtierea
fa de medie a valorilor lui b . Aceste informaii sunt date de matricea de covarian a lui
b , notat prin b .
PROPOZIIE. Are loc: b 2 X T X .
Demonstraie. Are loc:
1

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.

Se consider LN, clasa tuturor estimatorilor (estimaiilor) liniari i nedeplasai ai lui

LN

m m BY , M m m, B M k , n R , B nu depinde de Y sau de alti parametrii necunoscuti

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 .

Atunci x T AAT x AT x AT x 0 i AAT este o matrice pozitiv semidefinit.

T

n clasa LN estimatorul b a lui m are o calitate deosebit, pus n eviden de

urmtoarea teorem.
Fie b1 , b2 LN , b1 i b2 doi estimaii liniare i nedeplasate ale lui m , ale cror
matrice de covarian sunt b i respectiv b .
1

 b1

DEFINIIE. Estimaia b2 este mai bun dect estimaia b1 , dac matricea

b este pozitiv semidefinit sau matricea b b este negativ semidefinit.
2

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

Prin urmare: b ' m X T X X T C X T X X T C . Atunci matricea de

covarian a lui b ' devine:
1

b' M b ' m b ' m

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 .

Se fac urmtoarele notaii:

Y X b i Y Y .
PROPOZIIE. Are loc:
Demonstraie.

M Y

M Y

M Y M Xb XM b Xm M Y

Consecin. Y este o estimaie pentru M Y , iar este o estimaie a lui

ntr-adevr, b este o estimaie a lui m i rezult c Xb este o estimaie a lui Xm ,

adic Y este o estimaie a lui M Y , iar n baza propoziiei de mai sus, rezult c Y este o

estimaie nedeplasat a lui M Y .

Pe de alt parte, deoarece Y este o estimaie a lui M Y , rezult c Y Y este o

estimaie a lui Y - M Y , adic este o estimaie a lui .

Din definiia lui rezult:

Y Y sau Y Xb .

DEFINIIE. Relaia:

Y Xb

se numete ecuaia de predicie, corespunztoare modelului III de regresie liniar.

Se pot face urmtoarele prelucrri:

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 .

Fie B I n X X T X 1 X T M n R . Cu aceast notaie se obine:

not

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

n locul lui S T . Pe de alt parte, S se poate exprima n funcie de B , astfel:

S = B

B T B T B

T B ,

adic S este o funcional ptratic n componentele lui B .

Natura lui S este pus n eviden de urmtoarea afirmaie.

Observaie. S este o variabil aleatoare unidimensional.

_________________[N.S.] Urma unei matrice __________________________________

DEFINIIE. Se numete urma matricei A aij M n C i se noteaz prin
Tr A , numrul complex:
n

Tr A a ii .
i 1

Caz particular. Dac A a M 1 C , atunci Tr A a .

PROPOZIIE. Sunt adevrate urmtoarele proprieti:
1) A, B M n C Tr AB Tr BA .
2) A, B, C M n C Tr ABC Tr CAB Tr BCA .
Observaie. Proprietatea 2 este adevrat i n condiii mai generale, n care cele 3
matrice nu sunt toate de acelai tip, dar exist cele 3 produse.
3) A, B M n C Tr A B Tr A Tr B .
4) C, A M n C Tr A Tr A .
5) A, U M n C i U inversabil, rezult Tr UAU 1 Tr A .
6) Tr : M n C C i Tr L M n C , C .
PROPOZIIE. Sunt adevrate proprietile:
1) Tr T B T B .

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

Consecin. 2 este un estimator nedeplasat al lui 2 .

O alt form a lui 2 este dat de urmtoarea afirmaie.

1
Y T Y bT X T Y .
nk

Demonstraie. Se poate scrie:

T

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 .

Cu ajutorul estimaiei 2 a lui 2 se poate construi

covarian b , notat prin b , de forma:

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

cu X 1 1,1,...,1 R n , iar R n este vectorul aleator al erorilor inobservabile, cu

T

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 i parametrul 2 . Pe baza unei matrice cadru cunoscute X i

utiliznd un generator de numere pseudoaleatoare se produc selecii repetate, care formeaz

valorile lui Y .
Conform rezultatelor teoretice cunoscute, se determin estimatorul b a lui
sensul celor mai mici ptrate, pentru N (

m , n

fixat ) selecii repetate i pentru 2 dat.

__________________[N.S.] Generatori de numere pseudoaleatoare _________________

DEFINIIE. Se numete ir de numere aleatoare un ir de variabile aleatoare
independente, cu aceeai repartiie, astfel nct termenii nu se repet.
DEFINIIE. Se numete ir de numere pseudoaleatoare un ir de variabile
aleatoare qusi-independente, cu aceai repartiie, ai crui termeni se repet de la un
rang suficient de mare.
DEFINIIE. Se numete generator de numere pseudoaleatoare, un procedeu
aritmetic recurent de producere a unui ir X n nN , utiliznd o relaie de recuren de
forma:

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

factor de multiplicare, M este numrul n raport cu care se calculeaz clasele de

resturi, iar c este o constant.
Observaie. Dac c 0 , atunci se obine generatorul congruenial liniar
multiplicativ, iar dac c 0 se obine generatorul congruenial mixt.
n Gauss exist implementat un generator congruenial liniar cu urmtorii parametrii:
X 0 este valoarea ceasului sau este setat, utiliznd comanda rndseed;
c 0;
M 2 31 1 ;
a 397204094 .
DEFINIIE. Se numete perioada irului X n nN de numere pseudoaleatoare i
se noteaz prin , numrul natural cu proprietatea:
X n X n , n N .
Observaie. Are loc: M .
DEFINIIE. irul X n nN de numere pseudoaleatoare are perioada maxim,
dac M .
Se pune problema construirii unui generator de iruri pseudoaleatoare cu perioad
maxim. Condiii suficiente, pentru ca un generator congruenial liniar s produc un ir cu
perioada maxim, sunt date de urmtoarea afirmaie.
TEOREM. Generatorul X 0 , a, c, M produce un ir cu perioada maxim,
dac:
1) c, M 1 ;
2) b a 1 este un multiplu de p, p divizor prim al lui M ,
3) b este divizibil cu 4, dac M este divizibil cu 4.

Utiliznd un generator de numere pseudoaleatoare cu o repartiie uniform continu pe

a, b , avnd media 0 i dispersia 2 , se genereaz N selecii de volum n asupra lui .

Apoi, se calculeaz vectorul Xm , ce reprezint partea sistematic i se produc N selecii de
volum

n asupra lui Y , utiliznd ecuaia Y Xm .

n final, se compar valorile vectorului b cu valorile lui

m.

Aplicaie numeric.(ex1gr69) N 500, n 20, 2 2, m 10,0.4,0.6 T , k 3 i X

are aceast form:

O APLICAIE A MODELULUI III

DE REGRESIE LINIAR
S se construiasc modelul econometric al procesului de producie al crnii de pasre,
desfurat ntr-un interval de 15 sptmni, timp n care un pui ieit din ou se transform ntrun exemplar matur, apt pentru a fi comercializat.
n acest scop trebuie tabelat greutatea medie a unui lot de exemplare i consumul
mediu corespunztor de nutreuri n intervalul de 15 sptmni.
t, t

Fie Yt greutatea medie stabilit pentru un lot de exemplare la sfritul sptmnii

1,15 i fie x t 2 consumul cumulat mediu de nutreuri pn la momentul t .
Atunci funcia de producie care modeleaz acest proces de producie, ignornd n

aceast faz erorile, are forma:

Yt f xt 2 .

Pentru a se stabili forma analitic a funciei f trebuie s se in seama de faptul c o

cretere cu o unitate a consumului de nutreuri produce o cretere din ce n ce mai mic a
greutii unui pui. Aceast caracteristic a procesului de producie exprim o relaie
cresctoare ntre Yt i xt 2 , dar cu rata de cretere descresctoare. Ca urmare, graficul lui f
este o parte din graficul unei funcii polinomiale de gradul 2, cu coeficientul dominant strict
negativ, ( a

0 ), de forma:

Consum Xt2

greutate

Yt

consum X2t

Prin urmare funcia f are urmtoarea form analitic:

*
unde 3

Yt 1 2 xt 2 3 xt22 ,

0 i 1 0, deoarece productivitatea marginal este pozitiv i descresctoare.

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

Pentru a se construi modelul econometric se fac urmtoarele notaii:

Y Y1 ,..., Y15 R 15 , X X 1 X 2 X 3 M 15 ,3 R
T

X 2 x12 , x 22 ,..., x15 2 R , X 3 x , x ,..., x

T

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

Cu aceste notaii, modelul econometric al procesului de producie pentru carnea de

pasre are forma:
Y Xm

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:

a) S se scrie modelul econometric adecvat procesului de producie.

b) S se estimeze parametrii modelului econometric.
c) S se determine funcia de producie estimat.
d) S se determine greutatea medie optim de vnzare a unui exemplar matur.

Indicaie. c) Y t b1 b2 xt 2 b3 xt22 , t 1,15 .

d) Se utilizeaz relaia:

p
Y t
n , unde p n este preul unitar al nutreului, iar p v este preul
xt 2
pv

de vnzare al unui exemplar.

Predictibilitatea modelului III de regresie liniar
n cazul multor decizii privind probleme economice reale este justificat accentul
pus pe estimarea parametrilor modelului III de regresie liniar utilizat. Totui, exist i
cazuri n care se acord o mare atenie capacitii de predictibilitate ( previziune ) a
modelului construit, privind vectorul efectelor Y , n funcie de numrul diferit al
variabilelor de control ( explicative ) luate n considerare.
Pentru a aborda chestiunea predictibilitii cu modelul III de regresie liniar se
consider ecuaia modelului:
Y Xm

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 ;

X 0 M n0 ,k R este matricea cunoscut format cu valorile viitoare ale variabilelor de

control;
Cu aceste notaii, modelul III de regresie liniar corespunztor lui n0 i X 0 are
forma:
Y0 X 0 m 0 ,
n
unde 0 R 0 este vectorul aleator al erorilor viitoare, cu media 0 n0 R
2
covarian I n0 , independent de

n0

i matricea de

Deoarece b X T X X T Y este estimaia n sensul celor mai mici ptrate a lui

1

m,

funcia de predictibilitate pentru Y0 este dat de urmtoarea relaie:

Y 0 X 0b ,

unde X 0 b este o estimaie nedeplast a lui X 0 m , deoarece M X 0 b X 0 m .

Aceast funcie de predictibilitate are la baz urmtoarea ipotez.
IPOTEZA S. Procesul de selecie are aceleai caracteristici pentru Y i pentru Y0
.

Presupunnd adevrat aceast ipotez are sens diferena Y0 Y 0 , numit eroarea de

predicie, care este un vector aleator i are urmtoarea proprietate.

PROPOZIIE. Y 0 este o estimaie nedeplasat a lui M Y0 .

Demonstraie. Se poate scrie:

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

c: M Y 0 M Y0 i deci Y 0 este o estimaie nedeplasat a lui M Y0 .

Alte informaii privind eroarea de predicie sunt furnizate de matricea de covarian

Y0 Y 0

, care se calculeaz astfel:

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

X 0T I n0 , deoarece b i 0 sunt variabile aleatoare independente.

Interpretarea acestui rezultat este urmtoarea: abaterea erorii de predicie de la media

sa are 2 componente; prima este datorat erorii care se face prin estimarea paremetrului

m i

cea de a doua este datorat erorii 0 .

? ....n unele situaii intereseaz mai mult media vectorului Y0 , dect vectorul nsui.

n acest caz, tiind c M Y0 X 0 m i Y 0 este o estimaie nedeplasat a lui M Y0 , se

poate calcula matricea de covarian a vectorului aleator Y 0 X 0 m , obinndu-se:

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

Rezult c eroarea, care se face estimnd X 0 m prin Y 0 , depinde de alegerea matricei

X 0 , care conine valorile viitoare ale variabilelor de control.

Influena creterii numrului de parametrii

n cadrul modelului III de regresie liniar
n modelul I de regresie liniar se utilizeaz un singur parametru, n funcie de care se
calculeaz media vectorului aleator Y , n timp ce n modelul III de regresie liniar se
utilizeaz k 2 parametrii, iar n matricea X sunt k coloane, dintre care k 1 coloane
conin valorile variabilelor de control, ce se utilizeaz n calculul mediei lui Y .

Deoarece modelul III utilizeaz k 1 parametrii n plus fa de modelul I i

corespunztor lor matricea X are n plus k 1 coloane, trebuie stabilit proporia din totalul
variabilitii lui Y , datorat considerrii n plus a celor k 1 vectori coloan din X ,
corespunztori variabilelor de control.
Pentru aceasta se consider ecuaia de predicie corespunztoare modelului III de
regresie liniar, care utilizeaz estimaia b , n sensul celor mai mici ptrate, a lui

m i are

forma:

Y Xb

, care are drept componente erorile

unde Y Y i Y Xb , iar este o estimaie a lui

neexplicate i este numit vectorul erorilor neexplicate.
Relaia (1) se poate scrie i astfel:

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

Se tie c B , unde B I n X X T X 1 X T M n R . Atunci are loc:

not

X X
T

X X X
T

X X X 0k R
T

X XT

01, k .

Utiliznd aceste rezultate n produsul Y T Y se obine:

T

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.
...............................................................................................................