ACADEMIA DE STUDII ECONOMICE

CONTABILITATE SI INFORMATICA DE
GESTIUNE

Studiu privind productia de cereale in cadrul a 30 de state

DUMITRASCU
ANDREEA MIRELA
AN III,Seria A,Grupa
642

BUCURESTI 2012

Introducere
Una dintre cele mai vechi forme de activitate uman cu un rol vital n economia
mondial prin resursele economice asigurate este agricultura a constituit ramura
principal de la nceputurile civilizaiei. Ea asigur cea mai mare parte a
alimentelor; materiale necesare pentru mbrcminte i alte materii prime pentru
industrii.
Jumtate din populaia globului lucreaz n agricultur. Exist ns mari diferene
ntre rolul jucat de agricultur n diferite zone ale planetei. n rile aflate n curs
de dezvoltare, ca de exemplu Nepalul, aproximativ 90% din populaie lucreaz
pmntul. In rile industrializate ale Marii Britanii i Statelor Unite, doar
aproximativ 2% din populaia activ se ocup cu agricultura.
Obiectivele acestei analizei sunt :

S construiesc modelul econometric ce descrie legtura dintre cele 7

variabile.

Sa estimez si sa validez acest model.

Sa efectuez o estimare a valorii variabilelor pentru urmatoarea perioad,

pe baza modelui anterior

In cadrul acestui proiect imi propun sa gasesc corelatia dintre nivelul productiei
de cereale si nivelul suprafetei agricole,al suprafetei de pamant,al numarului de
tractoare,al precipitatiilor medii, al cantitatii de ingrasamant si al emisiilor de CO2
a 30 de state din perioada anului 2008 si in final sa observ ce variabila/variabile
a /au influentat productia de cereale.Pe parcursul analizei am mai redus din
variabile obtinand un model valid cu variabile semnificative.
Modelul econometric il voi constitui pe baza datelor obtinute de pe site-ul
http://databank.worldbank.org/ddp/home.do?Step=3&id=4.
Am luat n calcul ca variabil de explicat - producia agricol de cereale-Y
iar ca variabile explicative:

suprafaa agricol exprimat n km patrati-X1

suprafata de pamant exprimata in km patrati-X2
masini agricole- numarul tractoarelor X3
precipitatiile medii exprimate in mm/an.-X4
cantitatea de ingrasamant-X5
emisiile de CO2.-X6
Variabilele X1 , X2, X3, X4, X5 si X6 sunt variabile independente. Variabila
Y este dependent de x1 i x2. Vom determina n ce msur X1,
X2,X3,x4,X5 si X6 influeneaz variaia lui Y.

Modelul econometric este de forma:

Yt = + 1 * X1 + 2 * X2 +3 * X3 + 4 * X4 + 5 * X5 + 6 * X6 + t.

Datele culese sunt urmatoarele:

Tara
Albania
Aregenti
na

Ytproduc
tia de
cereal
e
4081
3927

Australia
Austria
Belgia

1697
6813
8886

Brazilia
Bulgaria

3831
4094

China
Columbi
a
Croatia

5524

Franta
Germani
a
Grecia
Ungaria
Iraq
Japonia

7290

Mexic
Moldova

3454
3203

Polonia
Portugali
a

3217

Romania

3247

Rusia
Slovenia

2388
5473

Spania

3576

4154
6641

7119
4404
5666
734
6263

3598

X1paman
tul
agricol
11810
14100
00
41728
80
31710
13730
26470
00
51010
52254
40
42614
0
12880
29319
0
16922
0
82290
57900
94500
46280
10290
20
24810
16154
0
37320
13546
0
21549
40
4920
28142
0

X2suprafat X3a de
nr.tractoar
pamant elor
27400
7438
273669
0
0
768230
0
0
82450
0
30280
0
845942
0
0
108610
53100
932748
0
3E+06
110950
0
0
55960
0

x4precipita x5x6tiile
ingrasam emisii
medii
inte
co2
1485
38,4
1,3
591

38,8

4,8

534
1110
847

33,9
109,6
49,8

18,6
8,1
9,8

1782
608

165,7
81,7

2,1
6,6

645

468

5,3

2612
1113

192,4
387,6

1,5
5,3

547660

867

146,1

5,9

348630
128900
89610
437370
364500
194395
0
32890

0
0
0
0
0

700
652
589
216
1668

160,4
143,8
94,2
43,8
278,2

9,6
8,7
5,4
3,4
9,5

0
35984

752
450

44,7
12,5

4,3
1,3

304220

2E+06

600

190,4

5,3

91470

854

236,5

5,3

229900
163768
70
20140

2E+05

637

45,6

4,4

4E+05
0

460
1162

15,9
283,6

12
7,2

498800

1E+06

636

106,4

5,3

Suedia

4820

410340

624

142,1

7,2

579320

3E+05

565

32,8

5,3

2487

30930
41292
0
39122
0

Ucraina

3487

Turcia
Luxemb
urg
Olanda
Slovacia

769630

1E+06

593

88,7

6106
8332
5175

1310
19290
19370

2590
33760
48100

6446
0
21372

934
778
824

376,7
269,1
130

21,5
10,6
4

Estimarea i validarea modelului econometric

Testarea validitii modelului cu ajutorul testului Fisher-F
Pentru testarea validitatii modelului se formuleaza cele doua ipoteze
statistice:
H0:model nevalid statistic, cu alternativa
H1:model valid statistic
Statistica utilizata pentru a decide care dintre ipoteze se accepta este :
F calc = s2y/x/s2e .

o Dac Fcalc F,k,n-k-1, atunci se accept H0 i deci modelul nu este valid;

o Dac Fcalc>F,k,n-k-1, atunci se respinge H0, se accept H1, deci modelul
este valid

ANOVA
df
Regressi
on

Residual

23

Total

29

SS
4179886
7,7
6605095
7,6
1078498
25

MS
6966477,
957
2871780,
766

F
2,425839
061

Significanc
eF
0,05782601
3

Din analiza ANOVA observam ca: F calc=2,425839061 si Significance

F=0,057826013 rezulta ca
Fcalc > Significance F respectiv 2,425839061 > 0,057826013 asadar modelul de
regresie construit este valid pentru o probabilitate de cel mult 100 5,8 = 94,2%
< 95%, nu poate fi utilizat pentru analiza dependentei dintre variabilele
precizate.
Am continuat prin a elimina dintre variabilele independete.Am eliminat variabila
X2-suprafata de pamant .

Analiza ANOVA obtinuta este urmatoarea:

ANOVA
df
Regressi
on

Residual

24

Total

29

SS
4066594
7
6718387
8,3
1078498
25

MS
8133189,41

Significanc
F
eF
2,90540752 0,0344446
8
79

2799328,263

In acest caz avem Fcalc > Significance F respectiv 2,905407528 > 0,034444679
deci se respinde H0, se accept H1, deci modelul este valid pentru o probabilitate
de cel mult 100 3,4= 96,6% > 95% si poate fi utilizat pentru analiza
dependentei dintre variabilele precizate.

Am mai eliminat variabila X3-numarul tractoarelor si am obtinut urmatorul tabel

ANOVA:

ANOVA
df
Regressi
on
Residual
Total

SS
4
25
29

MS

40256762,02
67593063,35
107849825,4

10064190,5
2703722,534

F
3,722345906

Observam ca Fcalc > Significance F respectiv 3,722345906>0,01647394 deci se

respinde H0, se accept H1, deci modelul este valid pentru o probabilitate de cel
mult 100 1,6= 98,4% > 95% si poate fi utilizat pentru analiza dependentei
dintre variabilele precizate.
Am ajuns la concluzia ca cel mai bun model este acesta ultimul deoarece este
valid,are cea mai mare probabilitate si din analiza celorlalte outputuri este cel
mai bun. In acest model am ca si variabile independente suprafata agricola,
precipitatiile medii, cantitatile de ingrasamant si emisiile de CO2.
Ecuatia modelului econometric final este:
Yt = + 1 * X1 + 2 * X2 +3 * X3 + 4 * X4 + t, respectiv
Yt= 2855,485626 -0,000523753 *X1+ 0,572563044 * X2 + 6,79410229* X3
+95,49516331 * X4 + t.

Testarea semnificatiei parametrilor

In aplicarea procesului de testare a semnificatiei statistice a parametrilor
modelului se parcurg urmatoarele etape:
-se stabilesc ipotezele statistice;
-se stabileste repartitia in baza careia se efectueaza testarea;
-se calculeaza valoarea testului statistic;
-se compara cele doua valori ale statisticii F.
Ipotezele:
H0:i = 0

=0

H1: i 0

Significa
nce F
0,016473
94

Regula de decizie este urmatoarea :

Dac |tcalc|<tcritic, se accept H0, parametrul fiind nesemnificativ
Dac |tcalc|>tcritic, se respinge H0, parametrul fiind semnificativ
In cazul de fata t critic = t/2,n-k-1=t0,025,25=TINV(0,05;25)= 2,059538553
Pentru avem:t calc=3,34763 >t critic=2,05953 asadar parametrul este
semnificativ
Pentru 1 avem: t calc= -2,142636 <t critic =2,05953 rezulta ca parametrul este
nesemnificativ
Pentru 2 avem:tcalc=0,823288 < t critic =2,05953 rezulta ca parametrul este
nesemnificativ
Pentru 3 avem:tcalc=2,39686 >t critic =2,05953 rezulta ca parametrul este
semnificativ
Pentru 4 avem:tcalc=1,31654 < t critic =2,05953 rezulta ca parametrul este
nesemnificativ.
Testarea semnificatiei parametrilor se mai poate realiza comparand valorile lui Pvalue cu 0,05.
Din aceasta analiza observam:
Pentru termenul liber P-value=0,002581932 <0,05 asadar parametrul este
semnificativ.
Pentru 1 0,042066734 <0,05 avem rezulta ca parametrul este semnificativ
Pentru 2 avem: 0,418128782 >0,05 rezulta ca parametrul este nesemnificativ
Pentru 3 avem: 0,024333922 <0,05 rezulta ca parametrul este semnificativ
Pentru 4 avem: 0,199963247 >0,05 rezulta ca parametrul este nesemnificativ.

Intercept
X
Variable
1
X
Variable
2
X

Coefficient
s
2855,4856
26
0,0005237
53
0,5725630
44
6,7941022

Standard
Error

t Stat

852,9847919

3,347639551

0,000244443

2,142636936

0,69545878
2,8345765

0,823288253
2,396866795

Lower
P-value
95%
0,0025819 1098,730
32
56
0,0420667 0,001027
34
2
0,4181287 0,859761
82
1
0,0243339 0,956182

Upper
95%
4612,240
69
0,000020
3
2,004887
212
12,63202

Variable
3
X
Variable
4

9
95,495163
31

22

72,53956381

1,316456266

71
0,1999632 53,90286
47
5

Intrepretarea rezulatelor din tabelul SUMMARY OUTPUT

Raportul de corelatie multipla-R este utilizat pentru a studia intensitatea legaturii
dintre o variabile dependenta(Y) si mai multe variabile independetene(X).Ia
valori cuprinse intre 0 si 1,cu cat valoarea este mai apropiata de 1,cu atat
legatura dintre variabile este mai puternica daca valorea este apropiata de 0
intensitatea legaturii este slaba.
In cazul modelului meu am obtinut R=0,610955666 ceea ce indica faptul ca intre
productia de cereale si cele 4 variabile independente luate in studiu(suprafata
agricola, precipitatiile medii, cantitatile de ingrasamant si emisiile de CO2) exista
o legatura puternica.
Coeficientul de determinatie multipla - R2 arata proportia din variatia totala a
variabilei Y care este explicaata de variabilele independente X 1,X2,X3,X4.
Am obtinut R2= 0,373266826179893 adica 37,32% din variatia productiei de
cereale este explicata de influenta celor 4 variabile (suprafata agricola,
precipitatiile medii, cantitatile de ingrasamant si emisiile de CO2).
Diferenta de 0,6268 respectiv 62,68% este determinata de influenta factorilor
neinclusi in model.
Abaterea medie patratica a erorilor Se= 1644,300013.
Intercept este termenul liber,deci coeficientul 0= 2855,485626. Termenul liber
este punctul in care toate variabilele explicative sunt 0. Deci productia de cereale
care s-ar obtine daca nu ar exista pamant agricol, precipitatiile medii ar fi 0, nu sar fi utilizat ingrasaminte si emisiile de dioxid de carbon ar fi 0, ar fi de
2855,485626 kg. Deoarece t0== 3,347639551, iar P-value=0,002581932<
0.05, rezulta ca acest coeficient este semnificativ. Totodata limitele inferioara si
superioara a intervalului de incredere pentru acest parametru sunt pozitive.
Intervalul de incredere (1098,730562<=0<= 4612,24069) arata ca la cresterea
cu o unitate a factorilor neinclusi in model productia de cereale va creste cu o
valoare cuprinsa intre aproximativ 1099 si 4612 kg.
Coeficientul 1 este -0,000523753, ceea ce inseamna ca la cresterea suprafetei
agricole cu 1 km2, productia de cereale va scadea cu -0,000523753 kg. .
Deoarece t1= -2,142636936, iar P-value=0,042066734< 0.05, rezulta ca acest
coeficient este semnificativ. Totodata limitele inferioara si superioara a
intervalului de incredere pentru acest parametru sunt negative. Intervalul de
incredere (-0,001027192<=1<= -0,0000203) arata ca la cresterea cu o unitate

187
244,8931
916

a suprafetei agricole productia de cereale va scadea cu o valoare cuprinsa intre

aproximativ 0.0001 si 0.00002 kg.
Coeficientul 2 este 0,572563044,ceea ce inseamna ca la cresterea precipitatiilor
medii cu 1 mm/an, productia de cereale va creste cu 0,572563044 kg. .
Deoarece t2= 0,823288253, iar P-value=0,418128782 > 0.05, rezulta ca acest
coeficient este nesemnificativ. Totodata limita inferioara este negativa si limita
superioara a intervalului de incredere pentru acest parametru este pozitiva,
rezulta ca parametrul din colectivitatea generala este aproximativ 0. Intervalul de
incredere este -0,859761125<=2<= 2,004887212.
Coeficientul 3 este 6,79410229,ceea ce inseamna ca la cresterea cantitatii de
ingrasamant cu un kg, productia de cereale va creste cu 6,79410229 kg. .
Deoarece t3= 2,396866795, iar P-value= 0,024333922 < 0.05, rezulta ca acest
coeficient este semnificativ. Intervalul de incredere este 0,956182708<= 3<=
12,63202187 si arata ca ca la cresterea cantitatii de ingrasamant cu un kg
productia de cereale va creste cu o valoare cuprinsa intre aproximativ 0.95 si 13
kg.

Coeficientul 4 este 95,49516331,ceea ce inseamna ca la cresterea emisiilor de

CO2 cu o tona metrica pe cap de locuitor, productia de cereale va creste cu
95,49516331 kg. . Deoarece t4= 1,316456266, iar P-value= 0,199963247 >
0.05, rezulta ca acest coeficient este nesemnificativ. Limita inferioara a
intervalului de incredere este negativa iar cea superioara este pozitiva. Acest fapt
arata ca parametrul din colectivitatea generala este aproximativ 0. Intervalul de
incredere este -53,90286496<=4<=244,8931916.
Observam ca pentru variabilele precipitatii si emisii de CO2 am obtinut coeficienti
de regresie nesemnificativi iar pentru celelalte doua variabile pamant agricol si
cantitatea de ingrasamant am obtinut coeficienti de regresie semnificativi.

Testarea ipotezelor regresiei liniare multipla

Pentru regresia liniara multipla se calculeaza urmatoarele trei ipoteze:
Homostedasticitatea
Autocorelarea erorilor
Multicoliniaritate
Homostedasticitatea
Aceasta ipoteza se identifica printr-o reprezentare grafica a valorilor
erorilor in functie de valorile variabilelor independente.Acest lucru este
posibil in excel prin bifarea casutei Residual Plots .
Din grafce se observa ca punctele prezinta o distributie aleatoare si nu
poate fi depisatata prezenta heteroscedasticitatii deci modelul este
homoscedastic.

Suprafata agricola
15
10
Residuals

5
0
0

1000000 2000000 3000000 4000000 5000000 6000000

Suprafata agricola

Autocorelarea erorilor
Autocorelarea erorilor poate fi definita ca prezenta unei corelatii intre valorile
reziduale ordonate temporal sau spatial.
Pentru depistarea autocorelarii erorilor sunt folosite metode empirice,formale sau
informale,dintre care sunt prezentate:
Metoda grafica
Testul Durbin Waston
Testul Breusch-Godfrey.
Cel mai utilizat test in analiza autocorelarii erorilor este testul Durbin Waston.
Ipotezele testate sunt:
H0: =0
H1 0
este coeficientul de autocorelare a erorilor de ordin 1.
n

( eiei1 )2

DW = i=2

e 2i
i=1

DW=2(1- )
Se determin valorile critice ale statisticii Durbin Watson, d1 i d2, n funcie de
numrul de variabile exogene incluse n modelul de regresie (p), de numrul de
observaii (n) i de pragul de semnificaie ales ().
Se compar statistica Durbin Watson cu valorile critice ale statisticii si rezulta
urmatoarele zone de decizie:

0<DW<d1 : erorile sunt autocorelate pozitiv ;

d1<DW<d2 : nu se poate spune dac erorile sunt corelate pozitiv ;
d2<DW<4-d2 : erorile nu sunt autocorelate ;
4-d2<DW<4-d1 : nu se poate spune dac erorile sunt corelate negativ ;
4-d1<DW<4 : erorile sunt autocorelate negativ.

Am calculat

e i , e i1 ,( ei ei 1 )2 , e 2i si am obtinut

DW=117415761,4/ 67593063=1,73709779622299
Am extras din statistica Durbin-Waston valorile d1 i d2 pentru p=4, n=30 i
=0,05: d1=1,21 si d2=1,65.
d2<DW<4-d2 :1,65< 1,74 <2,35 erorile nu sunt autocorelate .
Deci poate fi acceptata ipoteza de neautocorelare a erorilor.
Multicoliniaritatea
Multicoliniaritatea variabilelor explicative reprezinta masura in care variabilele
exogene sunt corelate si nu indica existenta unei coliniaritati perfecte a
variabilelor.
Pentru depistarea multicoliniaritatiilor sunt folosite metode empirice dintre care
sunt prezentate;
Criteriul Klein
Criteriul factorului de amplificare
Criteriul Belsley
Am utilizat criteriul Klein deorece reprezinta una din cele mai simple modalitati
empirice de determinare a multicoliniaritatii.
Portivitacestuia se determina matricea de corelatie a variabilelor explicative care
ofera coeficienti de corelatie liniara intre variabile luat 2 cate 2.

r x1 x 2
Doua variabile sunt coliniare daca este indeplinita relatia: R 2<|

|.

Concluzii
Ecuatia matematica a modelului meu are forma:
Y = 2855,485626 -0,000523753 *X1+ 0,572563044 * X2 + 6,79410229* X3
+95,49516331 * X4 +.
Consider ca in perioada viitoare

n urma estimrii i validrii modelului econometric ales, am vzut c acesta

este valid cu o probabilitate de peste 95%, avem doi parametrii nesemnificativ i
37,32% din variaia productiei de cereale este explicat de variaia suprafetei
agricole, precipitatiilor medii, cantitatilor de ingrasamant si emisiilor de CO2 . De
asemenea am observat n urma testrii ipotezelor de homoscedasticitate, nonmulticolinearitate , non-autocorelare, c acestea au fost ndeplinite.
n concluzie, putem afirma c, aa cum se ntmpl de fapt i n
realitate,suprafata agricola,precipitatiile medii,cantitatea de ingrasamant si
emisiile de CO2 afecteaza productia de cereale.

Bibliografie
1.Vergil Voineagu et al (2007) Teorie si practica econometrica,Editura Metero
Press.
2.http://databank.worldbank.org/ddp/home.do?Step=3&id=4.

Anexe
Anexa 1

SUMMARY OUTPUT
Regression Statistics
0,6225
Multiple R
476
0,3875
R Square
655
Adjusted R
0,2277
Square
999
1694,6
Standard Error
329
Observations
30
ANOVA
df
Regression

Residual

23

Total

29

X Variable 1

Coeffici
ents
3014,4
946
0,0002
28

X Variable 2
X Variable 3

-9,32E05
-

Intercept

SS
41798
868
66050
958
1,08E
+08
Stand
ard
Error
977,42
79
0,0004
76
0,0001
48
0,0007

MS
6966477,9
57
2871780,7
66

F
2,42583
906

t Stat
3,0841094
17
0,4778393
81
0,6280932
32
-

P-value
0,00524
113
0,63727
467
0,53613
033
0,70489

Significanc
eF
0,0578260
13

Lower 95%
992,53092
38
0,0012133
25
0,0004001
21
-

Upper Lower
95%
95,0%
5036, 992,5
458
309
0,000 0,001
758
21
0,000 0,000
214
4
0,001
-

U
9

0,0002
94

66

0,3834615
84

918

X Variable 4

0,4657
507

0,8373
41

0,5562259
88

0,58342
792

X Variable 5

7,0158
008

3,7185
07

1,8867253
56

0,07188
45

X Variable 6

87,812
524

88,090
68

0,9968423
96

0,32921
364

RESIDUAL OUTPUT
Predict
ed Y

Observation
1
2
3
4
5
6

4082,2
711
3407,4
086
3468,3
689
4996,7
879
4612,9
872
3800,3
862

4413,0
975
4120,7
353

5512,1
771

10
11
12
13
14
15

6709,4
585
4843,6
136
5237,8
383
5060,2
574
4402,3
646
3658,6

Residu
als
1,2711
22
519,59
14
1771,3
69
1816,2
12
4273,0
13
30,613
79
319,09
75
1403,2
65
1358,1
77
68,458
48
2446,3
86
1881,1
62
656,25
74
1263,6
35
-

0,0018776
88
1,2664207
43
0,6765163
05
94,416930
12

29
2,197
922
14,70
812
270,0
42

0,001
88
1,266
42
0,676
52
94,41
69

77
16

6532,8
765

17

3640,4
976

18

3406,6
565

19

4570,1
027

20

5519,8
679

22

3913,8
839
2270,2
469

23

6174,6
312

24

4109,4
731

25

4889,0
364

26

3726,6
634

27

3794,2
551

21

28
29
30

7977,8
948
6188,0
754
4646,4
093

2924,6
77
269,87
65
186,49
76
203,65
65
1353,1
03
1921,8
68
666,88
39
117,75
31
701,63
12
533,47
31
69,036
41
239,66
34
1307,2
55
1871,8
95
2143,9
25
528,59
07

Anexa 2

SUMMARY OUTPUT
Regression Statistics
0,614052
Multiple R
809
0,377060
R Square
852
0,247281
Adjusted R Square
863
1673,119
Standard Error
321
Observations
30
ANOVA
df
Regression

Residual

24

Total

29

SS
4066594
7
6718387
8,3
1078498
25

Coefficie
nts
3016,761
002
0,000450
869
0,000289
032

Standar
d Error
965,012
733

X Variable 4

0,412335
074
7,590818
094

X Variable 5

78,76856
788

Intercept
X Variable 1
X Variable 2
X Variable 3

MS
8133189,41
2799328,26
3

F
2,9054075
28

t Stat
3,12613595
3
1,43873881
4
0,38232522
6

P-value
0,0045900
81

0,82243
57
3,55829
353

0,50135843
3
2,13327485

0,6206867
31
0,0433279
89

85,8026
126

0,91802062
3

0,3677423
14

0,00031
338
0,00075
599

0,1631391
38
0,7055848
98

Significan
ce F
0,034444
679

Lower
95%
1025,072
609
0,001097
65
0,001849
309
1,285088
787
0,246861
198
98,31932
077

Upp

5008

0,000

0,001

2,109

14,93

255,8

RESIDUAL OUTPUT

Observation
1
2

Predicted
Y
4015,490
554
3297,338
412

3077,949
215
4930,134
936
4509,773
082

3981,304
043

3
4

4369,156
67
4026,526
762

5480,273
093

10
11
12

6829,557
247
4815,818
262
5202,844
952

14

5025,347
631
4373,926
368

15

3663,509
207

16

6543,736
67

17

3540,898
027

18

3378,009
553

19
20

4601,371
175
5564,770

13

Residual
s
65,5094
461
629,661
588
1380,94
921
1882,86
506
4376,22
692
150,304
043
275,156
67
1497,47
324
1326,27
309
188,557
247
2474,18
174
1916,15
505
621,347
631
1292,07
363
2929,50
921
280,736
67
86,8980
266
175,009
553
1384,37
118
-

608
21

3860,546
781

22

3195,445
411

23

6213,565
782

24

4079,428
664

25

4905,901
645

26

3633,047
189

27

3768,922
866

28
29
30

7952,413
606
6206,496
392
4643,495
196

1966,77
061
613,546
781
807,445
411
740,565
782
503,428
664
85,9016
452
146,047
189
1281,92
287
1846,41
361
2125,50
361
531,504
804

Anexa 3

Tara
Albania

Ytproductia
de cereale
4081

X1-pamantul
agricol
11810

x2precipitatiile
medii
1485

x3ingrasami
nte
38,4

x4-emisii
co2
1,3

Aregentina
Australia
Austria
Belgia
Brazilia
Bulgaria
China
Columbia
Croatia
Franta
Germania
Grecia
Ungaria
Iraq
Japonia
Mexic
Moldova
Polonia
Portugalia
Romania
Rusia
Slovenia
Spania
Suedia
Ucraina
Turcia
Luxemburg
Olanda
Slovacia

Anexa 4

SUMMARY OUTPUT

3927
1697
6813
8886
3831
4094
5524
4154
6641
7290
7119
4404
5666
734
6263
3454
3203
3217
3598
3247
2388
5473
3576
4820
3487
2487
6106
8332
5175

1410000
4172880
31710
13730
2647000
51010
5225440
426140
12880
293190
169220
82290
57900
94500
46280
1029020
24810
161540
37320
135460
2154940
4920
281420
30930
412920
391220
1310
19290
19370

591
534
1110
847
1782
608
645
2612
1113
867
700
652
589
216
1668
752
450
600
854
637
460
1162
636
624
565
593
934
778
824

38,8
33,9
109,6
49,8
165,7
81,7
468
192,4
387,6
146,1
160,4
143,8
94,2
43,8
278,2
44,7
12,5
190,4
236,5
45,6
15,9
283,6
106,4
142,1
32,8
88,7
376,7
269,1
130

4,8
18,6
8,1
9,8
2,1
6,6
5,3
1,5
5,3
5,9
9,6
8,7
5,4
3,4
9,5
4,3
1,3
5,3
5,3
4,4
12
7,2
5,3
7,2
5,3
4
21,5
10,6
4

Regression Statistics
0,61095
Multiple R
5666
0,37326
R Square
6826
0,27298
Adjusted R Square
9518
1644,30
Standard Error
0013
Observations
30
ANOVA
df
Regression

Residual

25

Total

29

SS
40256762
,02
67593063
,35
10784982
5,4

Significance
F

MS
10064190,
5
2703722,5
34

F
3,7223
459

P-value
0,0025
819

1098,730562

Upper
95%
4612,2
06

0,0420
667

0,001027192

2,0313
0

0,01647394

Coefficie
nts
2855,48
5626
0,00052
3753

Standard
Error
852,9847
919
0,000244
443

t Stat
3,3476395
51
2,1426369
36

0,57256
3044

0,695458
78

0,8232882
53

0,4181
288

0,859761125

2,0048
721

Cantitatea de
ingrasaminte

6,79410
229

2,834576
5

2,3968667
95

0,0243
339

0,956182708

12,632
218

Emisiile de CO2

95,4951
6331

72,53956
381

1,3164562
66

0,1999
632

53,90286496

244,89
191

Standard
Residualse1

(eie1)^2

Intercept
Suprafata agricola
Precipitatiile medii

Lower 95%

RESIDUAL OUTPUT

Predicte
dY

Observation
1
2
3

4084,59
3469
3177,36
726
2982,20
7909

Residuals
-ei
3,593468
671
749,6327
4
1285,207

0,0023537
58
0,4910169
45
0,8418240

ei^2
12,91301709

567349
,72
414057
6,5

561949,2448
1651759,368

4
5
6
7
8
9
10
11
12

4992,56
6845
4607,45
4296
3815,74
2596
4362,23
3575
4173,71
5568
5578,25
6415
6625,52
0774
4754,37
8587
5174,17
7927

14

4993,49
6964
4318,07
8305

15

3551,92
9864

16

6583,60
4824

17

3461,42
6774

18

3309,21
4686

19

4914,13
7909

20

5437,83
7578

21

3879,25
0549

22

3244,17
752

23
24

6132,59
9606
4301,25

13

909
1820,433
155
4278,545
704
15,25740
416
268,2335
747
1350,284
432
1424,256
415
15,47922
59
2535,621
413
1944,822
073
589,4969
644
1347,921
695
2817,929
864
320,6048
239
7,426773
583
106,2146
863
1697,137
909
1839,837
578
632,2505
492
856,1775
195
659,5996
056
-

4
1,1924019
31
2,8024902
47
0,0099937
52
0,1756956
75
0,8844498
14
0,9329022
03
0,0101390
48
1,6608573
97
1,2738779
17
0,3861264
1
0,8829021
98
1,8457722
57
0,2099993
68
0,0048646
11
0,0695716
82
1,1116423
12
1,2051120
23
0,4141304
36
0,5608048
42
0,4320443
42
-

964500
6,4
604231
7,3
181756
27
80367,
135
261960
0,5
769807
6,9
207283
8,7
635111
6,6
349043
,86

3313976,87
18305953,34
232,7883818
71949,25059
1823268,048
2028506,336
239,6064345
6429375,952
3782332,894

642277
3
375359
1,1

1816892,897

173543
19

7940728,721

623663
2,4

102787,4531

98080,
491

55,15696586

9759,0
517

11281,55959

253103
6,7

2880277,082

20363,
195

3385002,313

145826
6,4

399740,757

50143,
288

733039,9449

38642,
876
4311,0

435071,6397
525999,3581

347506,671

8132
25

4849,57
2411

26

3691,68
6769

27

3974,73
057

28
29
30

8002,05
7737
6131,37
8145
4582,34
6438

725,2581
32
29,57241
063
204,6867
688
1487,730
57
1896,057
737
2200,621
855
592,6535
616

0,4750513
33
0,0193702
25
0,1340718
82
0,9744784
09
1,2419367
89
1,4414293
34
0,3881940
13

421
483978
,62

874,5274707

30665,
038

41896,67331

164620
1,4

2213342,248

166731
,08
167827
84
258556
2
117415
761

DW

Anexa 5

3595034,941
4842736,549
351238,2441
67593063
1,737097796
22299

Suprafata agricola-Residual Plot

5000
4000
3000
2000
Residuals

1000
0
-1000

1000000 2000000 3000000 4000000 5000000 6000000

-2000
-3000
-4000
Suprafata agricola

Precipitatiile medii-Residual Plot

5000
4000
3000
2000
Residuals

1000
0
-1000

500

1000

1500

2000

-2000
-3000
-4000
Precipitatiile medii

2500

3000

Cantitatea de ingrasaminte-Residual Plot

5000
4000
3000
2000
Residuals

1000
0
-1000

50

100

150

200

250

300

350

400

450

500

-2000
-3000
-4000
Cantitatea de ingrasaminte

Emisiile de CO2-Residual Plot

5000
4000
3000
2000
1000
Residuals
0
0

10

15

-1000
-2000
-3000
-4000
Emisiile de CO2

20

25