PROIECT ECONOMETRIE

Variatia produsului intern

brut (PIB) n functie de
veniturile
populatiei
si
nivelul preturilor

STUDENT:
sTEFANACHE CRISTINA-MARIA
ANUL III SPE GRUPA 031

2007

CUPRINS
1. Scopul studiului
2. Modelul liniar unifactorial: PIB in functie de venituri
2.1. Analiza regresiei
2.2. Variabilele folosite
2.3. Testarea parametrilor
2.4. Corelarea
2.5. Autocorelarea
2.6. Analiza reziduurilor si predictiilor
2.6.1. Media reziduurilor
2.6.2. Distributia erorilor fata de model
2.6.3. Testarea normalitatii reziduurilor
2.7. Variante constante (homoscedasticitatea)
3. Modelul liniar unifactorial: PIB in functie de nivelul preturilor
3.1. Analiza regresiei
3.2. Variabilele folosite
3.3. Testarea parametrilor
3.4. Corelarea
3.5. Autocorelarea
3.6. Analiza reziduurilor si predictiilor
3.6.1. Media reziduurilor
3.6.2. Distributia erorilor fata de model
3.6.3. Testarea normalitatii reziduurilor
3.7. Variante constante (homoscedasticitatea)
4. Modelul liniar multifactorial: PIB in functie de nivelul veniturilor si
al preturilor
4.1. Analiza regresiei
4.2. Corelarea
4.2.1. Eliminarea fenomenului de corelare a factorilor
4.2.2. Regresia in functie de factorii F1 si F2
4.3. Corelatia partiala
4.4. Autocorelarea erorilor
4.4.1. Eliminarea fenomenului de autocorelare
4.5. Testarea parametrilor
4.6. Legatura intre reziduuri si variabilele factor
4.7. Analiza reziduurilor si predictiilor
4.7.1. Media reziduurilor
4.7.2. Distributia erorilor fata de model
4.7.3. Testarea normalitatii reziduurilor
4.8. Testarea ipotezelor liniare privind parametrii
4.8.1. Testul lui Ramsey
4.8.2. Testul lui Chaw
4.9. Variante constante (homoscedasticitatea)

4.10. Puterea de previzionare a modelului

5. Concluzii

1. Scopul studiului
Acest proiect isi propune sa gaseasca corelatia dintre nivelul
produsului intern brut (PIB) in functie de nivelul veniturilor personale
si al preturilor. Se va urmari influenta veniturilor, precum si a
preturilor asupra produsului intern brut. Modelul econometric se va
construi pe baza datelor obtinute de pe site-ul guvernului SUA (siteul
de
unde
au
fost
preluate
datele
este:
http://www.bea.gov/bea/dn/nipaweb/NIPATableIndex.asp).
Aceste
date sunt structurate pe ani, incepand cu anul 1929 pana in 2006.
Se va studia influenta celor 2 factori separat: influenta
veniturilor asupra nivelului produsului intern brut, apoi influenta
indicelui preturilor asupra aceluiasi produs intern brut, urmand ca
mai apoi sa se testeze modelele astfel obtinute, testari prelucrate cu
ajutorul programului STATA9.
Variabila endogena considerata este produsul intern
brut(PIB) si variabilele exogene sunt veniturile populatiei si indicele
preturilor.
Modelul econometric are urmatoarea forma:
Yt = + 1 * X1 + 2 * X2 + ut

2. Modelul liniar unifactorial: PIB in functie de

venituri
Modelul econometric liniar simplu va avea urmatoarea
forma :
Yt = + 1 * X1 + u1

2.1. Analiza regresiei

Pe baza datelor prelucrate in STATA se obtin urmatoarele
informatii:
. regress PIB venit
Source |
SS
df
MS
of obs =
78
-------------+-----------------------------=
.

Number
F( 1,

76)

Model | 1.2210e+10
1 1.2210e+10
F
= 0.0000
Residual | 3782509.88
76 49769.8668
squared
= 0.9997
-------------+-----------------------------squared = 0.9997
Total | 1.2210e+10
77 158616055
MSE
= 223.09

Prob >
RAdj

R-

Root

-----------------------------------------------------------------------------PIB |
Coef. Std. Err.
t P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------venit | 1.185684 .0023939 495.30 0.000
1.180916
1.190452
_cons |
174.051 33.70646
5.16 0.000
106.9188
241.1832
------------------------------------------------------------------------------

Se
observa
ca
varianta
explicata
de
model,
ESS=1.2210e+10, este mult mai mare deat cea reziduala,
RSS=3782509.88, ceea ce ne ofera o prima informatie asupra
faptului ca modelul este reprezentativ si ca o mare parte din
informatia produsului intern brut este data de catre factorul ales,
nivelul
veniturilor.
Impartind
ESS/TSS,
adica
1.2210e+10/1.2210e+10 se obtine R-sqared = 0.9997, care arata
ca informatia explicata de factor este in proportie de 99.97, ceea ce
inseamna ca factorul este reprezentativ.
De asemenea tesul F, care testeaza eficienta modelului,
raspunde la intrebarea "variabila independenta prezice bine
variabila dependenta?". Avand in vedere ca valoarea obtinuta
pentru F este 0, se poate aprecia ca modelul este reprezentativ si
poate fi folosit pentru estimatii viitoare.
Avand aceste informatii in vedere se poate determina forma
modelului. Astfel:

PIB = 174.051
3782509.88

+ 1.185684 * venit +

Asadar, atunci cand venitul creste cu 1 miliard dolari, PIB-ul la

nivelul SUA creste cu 1.18 miliarde dolari. Insa, pentruca nivelul
produsului intern brut sa fie mai mare de 0 este nevoie de un nivel
al veniturilor de peste 146.79 miliarde dolari (174.051/1.185684).
O prima analiza a parametrilor estimati ne arata ca acestia
sunt viabili. Este testata egalitatea parametrilor cu 0, iar avand in
vedere ca intervalul de incredere nu cuprinde valoarea 0 inseamna
ca parametrii nu iau niciodata valoarea 0.

Norul de puncte care analizeaza legatura dintre PIB si nivelul

veniturilor este prezentat in graficul urmator:

2.2. Variabilele folosite

. codebook PIB venit
----------------------------------------------------------------------------------------------------------------------PIB
(unlabeled)
----------------------------------------------------------------------------------------------------------------------type: numeric (float)
range: [449,44007]
unique values: 78
mean: 11227.7
std. dev: 12594.3

units: 1
missing .: 0/78

percentiles:
703

10%
25%
50%
75%
90%
1792
4361
19517
33181

----------------------------------------------------------------------------------------------------------------------venit
(unlabeled)
----------------------------------------------------------------------------------------------------------------------type: numeric (float)
range: [373,36632]
unique values: 78

units: 1
missing .: 0/78

mean: 9322.58
std. dev: 10620.3
percentiles:
556

10%
25%
50%
75%
90%
1388 3404.5
16255
27933

Studiul variabilelor ne arata ca acestea sunt cantitative si ca nu

exista date lipsa. Acest lucru arata ca variabilele pot fi folosite in
regresie, deoarece la o prima vedere nu prezinta erori.

2.3. Testarea parametrilor

. testparm venit

( 1) venit = 0
F( 1, 76) = 2.5e+05
Prob > F = 0.0000
Intrucat valoarea F este 0, ipoteza nula "parametrul variabilei venit
este 0" este respinsa, asadar parametrul este diferit de 0.

2.4. Corelarea
. correlate PIB venit

(obs=78)
|
PIB venit
-------------+-----------------PIB | 1.0000
venit | 0.9998 1.0000
Inca o data se demonstreaza corelarea dintre PIB si venit. Aceasta
corelatie este foarte mare 0.9998, deci factorul considerat poate
explica in mare masura variatia variabilei dependente.

2.5. Autocorelarea
Prin aplicarea testului Breusch-Godfrey putem determina
existenta unei autocorelari la nivelul modelului:
. estat bgodfrey
Breusch-Godfrey LM test for autocorrelation
--------------------------------------------------------------------------lags(p) |
chi2
df
Prob > chi2
-------------+------------------------------------------------------------1
|
37.453
1
0.0000
--------------------------------------------------------------------------H0: no serial correlation
Avand in vedere ca valoarea ,hi patrat' este 0, ipoteza nula de
inexistenta autocorelarii este respinsa. Asadar modelul prezinta o
autocorelare.
. estat dwatson
Durbin-Watson d-statistic( 2,

78) = 0 .5973365

Testul Durbin-Watson arata existenta unei autocorelari la nivelul

modelului, intrucat valoarea coeficientului este destul de apropiata
de 0, ceea ce arata o corelare directa intre erori.

2.6. Analiza reziduurilor si predictiilor

2.6.1. Media reziduurilor

. ttest r==0
One-sample t test
-----------------------------------------------------------------------------Variable |
Obs
Mean
Std. Err. Std. Dev. [95% Conf.
Interval]
---------+-------------------------------------------------------------------r |
78 -2.41e-07
25.09559
221.6382
-49.9717
49.9717
-----------------------------------------------------------------------------mean = mean(r)
t = -0.0000
Ho: mean = 0
degrees of freedom =
77
Ha: mean < 0
Pr(T < t) = 0.5000
0.5000

Ha: mean != 0
Pr(|T| > |t|) = 1.0000

Ha: mean > 0

Pr(T > t) =

Testarea mediei rezidurilor egala cu 0 arata ca aceasta nu e diferita

semnficativ de 0.

2.6.2. Distributia erorilor fata de model

Din acest grafic se observa ca erorile sunt normal distribuite.

2.6.3. Testarea normalitatii reziduurilor

Din acest grafic se observa ca reziduurile sunt normal distribuite.

In continuare prezentam cateva teste prin care se verifica aceeasi
normalitate a reziduurilor. Aceste teste propun analiza asimetriei,
respectiv a boltirii pentru a stabili distribtia normala a reziduurilor.
. sktest r
Skewness/Kurtosis tests for Normality
------- joint -----Variable | Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2
-------------+------------------------------------------------------r|
0.000
0.000
23.93
0.0000
- erorile nu sunt distribuite normal
- erorile sunt distribuite normal
Prob>chi2 = 0.05 > 0.0000

se respinge, erorile sunt

distribuite normal.
. swilk r
Shapiro-Wilk W test for normal data
Variable | Obs
W
V
z
Prob>z
-------------+------------------------------------------------r
|
78 0.89337
7.169
4.310 0.00001
Prob>z = 0.05 > 0.00001
normal.

se respinge, erorile sunt distribuite

. sfrancia r
Shapiro-Francia W' test for normal data
Variable | Obs
W'
V'
z
Prob>z
-------------+------------------------------------------------r
|
78 0.88143
8.755
4.105 0.00002
Prob>z = 0.05 >0.00002
normal.

se respinge, erorile sunt distribuite

2.7. Variante constante (homoscedasticitatea)

Testul White
. estat imtest,white

White's test for Ho: homoskedasticity

against Ha: unrestricted heteroskedasticity

chi2(2)
=
26.20
Prob > chi2 = 0.0000
Cameron & Trivedi's decomposition of IM-test

---------------------------------------------------

Source |
chi2
df
p
---------------------+----------------------------

Heteroskedasticity |

26.20

0.0000

Skewness |
8.35
1 0.0038
Kurtosis
|
2.52
1 0.1126
---------------------+-----------------------------

Total
|
37.07
4 0.0000
---------------------------------------------------

H0: modelul este homoscedastic

H1: modelul nu este homoscedastic

calc = 26.20

tab = 5.99 (sunt 2 grade de libertate)

calc > tab => H0

homoscedastic.

se respinge, deci modelul nu este

3. Modelul liniar unifactorial: PIB in functie de

nivelul preturilor
Modelul econometric liniar simplu va avea urmatoarea
forma :
Yt = + 2 * X2 + u2

3.1. Analiza regresiei

Pe baza datelor prelucrate in STATA se obtin urmatoarele
informatii:
. regress PIB indicepret
Source |
SS
df
MS
of obs =
78
-------------+-----------------------------= 2872.07
Model | 1.1899e+10
1 1.1899e+10
F
= 0.0000
Residual | 314856781
76 4142852.38
squared
= 0.9742
-------------+-----------------------------squared = 0.9739
Total | 1.2213e+10
77 158616055
MSE
= 2035.4

Number
F( 1,

76)

Prob >
RAdj

RRoot

-----------------------------------------------------------------------------PIB |
Coef. Std. Err.
t P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------indicepret | 362.0339 6.755405
53.59 0.000
348.5793
375.4884
_cons | -4378.348 371.3653 -11.79 0.000 -5117.986 3638.71
-----------------------------------------------------------------------------Se
observa
ca
varianta
explicata
de
model,
ESS=1.1899e+10, este mult mai mare deat cea reziduala,
RSS=314856781, ceea ce ne ofera o prima informatie asupra
faptului ca modelul este reprezentativ si ca o mare parte din
informatia produsului intern brut este data de catre factorul ales,
indicele
preturilor.
Impartind
ESS/TSS,
adica
1.1899e+10/1.2213e+10 se obtine R-sqared = 0.9742, care arata
ca informatia explicata de factor este in proportie de 97.42, ceea ce
inseamna ca factorul este reprezentativ.
De asemenea tesul F, care testeaza eficienta modelului,
raspunde la intrebarea "variabila independenta prezice bine
variabila dependenta?". Avand in vedere ca valoarea obtinuta
pentru F este 0, se poate aprecia ca modelul este reprezentativ si
poate fi folosit pentru estimatii viitoare.
Avand aceste informatii in vedere se poate determina forma
modelului. Astfel:

PIB =

314856781

-4378.348

362.0339

indicepret

Asadar, atunci cand pretul creste cu 1 miliard dolari, PIB-ul la nivelul

SUA creste cu 362.0339 miliarde dolari.
O prima analiza a parametrilor estimati ne arata ca acestia
sunt viabili. Este testata egalitatea parametrilor cu 0, iar avand in
vedere ca intervalul de incredere nu cuprinde valoarea 0 inseamna
ca parametrii nu iau niciodata valoarea 0.
Norul de puncte care analizeaza legatura dintre PIB si nivelul
preturilor este prezentat in graficul urmator:

3.2. Variabilele folosite

. codebook PIB indicepret
----------------------------------------------------------------------------------------------------------------------PIB
(unlabeled)
----------------------------------------------------------------------------------------------------------------------type: numeric (float)
range: [449,44007]
unique values: 78
mean: 11227.7
std. dev: 12594.3

units: 1
missing .: 0/78

percentiles:

10%
25%
50%
75%
90%
703
1792
4361
19517
33181

----------------------------------------------------------------------------------------------------------------------indicepret
(unlabeled)
----------------------------------------------------------------------------------------------------------------------type: numeric (float)
range: [8.91,116.568]
unique values: 78

units: .001
missing .: 0/78

mean: 43.1065
std. dev: 34.3363
percentiles:

10%
25%
50%
75%
90%
9.81 16.364 24.4065 73.204 97.868

Studiul variabilelor ne arata ca acestea sunt cantitative si ca nu

exista date lipsa. Acest lucru arata ca variabilele pot fi folosite in
regresie, deoarece la o prima vedere nu prezinta erori.

3.3. Testarea parametrilor

. testparm indicepret
( 1) indicepret = 0
F( 1, 76) = 2872.07
Prob > F = 0.0000
Intrucat valoarea F este 0, ipoteza nula "parametrul variabilei
indicepret este 0" este respinsa, asadar parametrul este diferit de 0.

3.4. Corelarea
. correlate PIB indicepret
(obs=78)
|
PIB indice~t
-------------+-----------------PIB | 1.0000
indicepret | 0.9870 1.0000

Inca o data se demonstreaza corelarea dintre PIB si indicele

preturilor. Aceasta corelatie este foarte mare 0.9870, deci factorul
considerat poate explica in mare masura variatia variabilei
dependente.

3.5. Autocorelarea
Prin aplicarea testului Breusch-Godfrey putem determina
existenta unei autocorelari la nivelul modelului:
. estat bgodfrey

Breusch-Godfrey LM test for autocorrelation

--------------------------------------------------------------------------lags(p) |
chi2
df
Prob > chi2
-------------+------------------------------------------------------------1
|
76.050
1
0.0000
--------------------------------------------------------------------------H0: no serial correlation
Avand in vedere ca valoarea ,hi patrat' este 0, ipoteza nula de
inexistenta autocorelarii este respinsa. Asadar modelul prezinta o
autocorelare.
. estat dwatson
Durbin-Watson d-statistic( 2,

78) = .0368163

Testul Durbin-Watson arata existenta unei autocorelari la nivelul

modelului, intrucat valoarea coeficientului este destul de apropiata
de 0, ceea ce arata o corelare directa intre erori.

3.6. Analiza reziduurilor si predictiilor

3.6.1. Media reziduurilor
. ttest rpret==0
One-sample t test
-----------------------------------------------------------------------------Variable |
Obs
Mean
Std. Err. Std. Dev. [95% Conf.
Interval]

---------+-------------------------------------------------------------------rpret |
78 -7.60e-06
228.9622
2022.14 -455.9221
455.9221
-----------------------------------------------------------------------------mean = mean(rpret)
t = -0.0000
Ho: mean = 0
degrees of freedom =
77
Ha: mean < 0
Pr(T < t) = 0.5000
0.5000

Ha: mean != 0
Pr(|T| > |t|) = 1.0000

Ha: mean > 0

Pr(T > t) =

Testarea mediei rezidurilor egala cu 0 arata ca aceasta este diferita

semnificativ de 0.

3.6.2. Distributia erorilor fata de model

Din acest grafic se observa ca erorile nu sunt normal distribuite.

3.6.3. Testarea normalitatii reziduurilor

Din acest grafic se observa ca reziduurile nu sunt normal distribuite.

In continuare prezentam cateva teste prin care se verifica aceeasi
normalitate a reziduurilor. Aceste teste propun analiza asimetriei,
respectiv a boltirii pentru a stabili distribtia normala a reziduurilor.
. sktest rpret

Skewness/Kurtosis tests for Normality

------- joint -----Variable | Pr(Skewness) Pr(Kurtosis) adj chi2(2)
-------------+-------------------------------------------------------

rpret

0.182

0.188

3.64

Prob>chi2

0.1620

- erorile nu sunt distribuite normal

- erorile sunt distribuite normal
Prob>chi2 = 0.05 < 0.1620
distribuite normal.

se accepta, erorile nu sunt

. swilk rpret

Shapiro-Wilk W test for normal data

Variable | Obs
W
V
z
Prob>z
-------------+-------------------------------------------------

rpret |

78

0.97213

1.874

1.374 0.08477

Free Blog on Electronic

Product Code
Author: Gurmeet Singh Dang. Published by
Gurmeetweb Technical Labs
Visit Now Free

Prob>z = 0.05 < 0.08477

distribuite normal.
. sfrancia rpret

se accepta, erorile nu sunt

Shapiro-Francia W' test for normal data

Variable | Obs
W'
V'
z
Prob>z
-------------+-------------------------------------------------

rpret |

78

0.97054

2.175

Prob>z = 0.05 < 0.06305

distribuite normal.

1.530 0.06305
se accepta, erorile nu

3.7. Variante constante (homoscedasticitatea)

Testul White
. estat imtest,white

White's test for Ho: homoskedasticity

against Ha: unrestricted heteroskedasticity

chi2(2)
=
34.21
Prob > chi2 = 0.0000
Cameron & Trivedi's decomposition of IM-test

---------------------------------------------------

Source |
chi2
df
p
---------------------+-----------------------------

Heteroskedasticity |
Skewness
|
Kurtosis
|

34.21
18.18
1.06

2 0.0000
1 0.0000
1 0.3037

sunt

---------------------+-----------------------------

Total
|
53.44
4 0.0000
---------------------------------------------------

H0: modelul este homoscedastic

H1: modelul nu este homoscedastic

calc = 34.21

tab = 5.99 (sunt 2 grade de libertate)

calc > tab => H0

homoscedastic.

se respinge, deci modelul nu este

Din cele observate si testate pana acum se observa ca acest

model este heteroscedastic, erorile sunt autocorelate, nu urmeaza
legea normala, iar media acestora este semnificativ diferita de 0.
Asadar renuntam la acest model si in continuare ne propunem sa
gasim un model care sa explice variatia produsului intern brut in
functie de amandoi factorii prezentati pana acum : veniturile si
preturile.

4. Modelul liniar multifactorial: PIB in functie de

nivelul veniturilor si al preturilor
4.1. Analiza regresiei
. regress PIB venit indicepret
Source |
SS
df
MS
of obs =
78
-------------+-----------------------------=
.
Model | 1.2210e+10
2 6.1049e+09
F
= 0.0000
Residual | 3594817.54
75 47930.9005
squared
= 0.9997
-------------+-----------------------------squared = 0.9997
Total | 1.2213e+10
77 158616055
MSE
= 218.93

Number
F( 2,

75)

Prob >
RAdj

RRoot

-----------------------------------------------------------------------------PIB |
Coef. Std. Err.
t P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------venit | 1.157639 .0143654
80.59 0.000
1.129022
1.186257
indicepret | 8.792613 4.443268
1.98 0.052
-.0588302

17.64406
_cons | 56.47864 68.00137
0.83 0.409
-78.98703
191.9443
-----------------------------------------------------------------------------La fel ca in cazul modelelor unifactoriale, si aici se observa o
puternica informatie detinuta de cei 2 factori. Asadar variatia
modelului este 1.2210e+10 , net mai mare decat cea reziduala,
ceea ce conduce la un R patrat foarte mare de 0.9997. Aceasta
inseamna ca informatia explicata de factori este in proportie de
99.97%.
De asemenea, o prima analiza a modelului il anunta valid, astfel ca
valoarea F este 0, ceea ce inseamna ca modelul este reprezentativ
si poate conduce la viitoare prognoze.
Forma modelului este data de coeficientii parametrilor:
PIB =
56.47864
+ 1.157639
indicepret + 3594817.54

venit

8.792613*

Asadar, la o modificare cu 1 miliard dolari a veniturilor,

PIB-ul va creste cu 1.15 miliarde dolari, iar la o modificare a
preturilor cu 1 miliard dolari, PIB-ul va creste cu 8.79 miliarde
dolari.

P>|t| arata ca parametrii coeficientilor sunt valizi, ca

factorii alesi sun valabili, in sensul ca coeficientii
corespunzatori acestora nu pot lua valoarea 0. Acest lucru ne
arata si intervalul de incredere, care nu il cuprinde pe 0.

4.2. Corelarea
. correlate PIB venit indicepret
(obs=78)
|
PIB venit indice~t
-------------+---------------------------

PIB | 1.0000
venit | 0.9998 1.0000
indicepret | 0.9870 0.9865 1.0000
Din analiza tabelului de corelatii se observa puternica corelatie
dintre variabila dependenta si fiecare factor, dar si puternica
corelatie dintre factori, ceea ce slabeste din validitatea modelului
regresional.

4.2.1. Eliminarea fenomenului de corelare a factorilor

Pentru a elimina fenomenul de corelare a factorilor se va realiza
analiza componentelor principale, rezultand doua variabile noi, in
functie de cele anterior avute. Astfel:
. pca venit indicepret
Principal components/correlation
obs =
78

Number of
Number

of comp. =

Trace
=
2
Rotation: (unrotated
Rho
= 1.0000

principal)

-------------------------------------------------------------------------Component |
Eigenvalue
Difference
Proportion
Cumulative
-------------+-----------------------------------------------------------Comp1 |
1.98654
1.97308
0.9933
0.9933
Comp2 |
.0134622
.
0.0067
1.0000
-------------------------------------------------------------------------Principal components (eigenvectors)
-----------------------------------------------Variable | Comp1
Comp2 | Unexplained
-------------+--------------------+------------venit | 0.7071 0.7071 |
0
indicepret | 0.7071 -0.7071 |
0
-----------------------------------------------Noile componente ale modelului vor fi:
F1 = 0.7071*venit + 0.7071*indicepret
F2 = 0.7071*venit - 0.7071*indicepret

4.2.2. Regresia in functie de factorii F1 si F2

. regress PIB f1 f2
Source |
SS
df
MS
of obs =
78
-------------+-----------------------------=
.
Model | 1.2210e+10
2 6.1049e+09
F
= 0.0000
Residual | 3594812.52
75 47930.8336
squared
= 0.9997
-------------+-----------------------------squared = 0.9997
Total | 1.2213e+10
77 158616055
MSE
= 218.93

Number
F( 2,

75)

Prob >
RAdj

RRoot

-----------------------------------------------------------------------------PIB |
Coef. Std. Err.
t P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------f1 | 7.036149 3.131896
2.25 0.028
.7970917
13.27521
f2 | -5.398985 3.151939
-1.71 0.091
-11.67797
.
8799989
_cons | 56.47501 68.00173
0.83 0.409
-78.99139
191.9414
-----------------------------------------------------------------------------Se observa ca si in acest caz se mentin valorile ridicate ale variantei
explicite cat si a R. Asadar si acest model este reprezentativ si trece
de primele teste.
Forma modelului este:
PIB = 56.47501 + 7.036149*f1 -5.398985*f2
Inlocuind cu valorile initiale ale factorilor vom avea:
PIB = 56.47501 + 1.1576378 * venit + 1.1576378 *
indicepret

4.3. Corelatia partiala

. pcorr PIB venit indicepret
(obs=78)
Partial correlation of PIB with

Variable | Corr.
Sig.
-------------+-----------------venit | 0.9943 0.000
indicepret | 0.2228 0.052
Daca se ia in considerare doar actiunea factorului
(venit), celalalt factor ramanand constant, atunci rezulta ca acesta
influenteaza variabila Y in proportie de 0.9943.
Daca se ia in considerare doar actiunea factorului
(indicepret), celalalt factor ramanand constant, atunci rezulta ca
acesta influenteaza variabila Y in proportie de 0.2228.

4.4. Autocorelarea erorilor

. estat dwatson
Durbin-Watson d-statistic( 3,

78) = .6110033

Testul Durbin-Watson arata existenta unei autocorelari la nivelul

modelului, intrucat valoarea coeficientului este destul de apropiata
de 0, ceea ce arata o corelare directa intre erori.
. estat bgodfrey
Breusch-Godfrey LM test for autocorrelation
--------------------------------------------------------------------------lags(p) |
chi2
df
Prob > chi2
-------------+------------------------------------------------------------1
|
36.481
1
0.0000
--------------------------------------------------------------------------H0: no serial correlation
Avand in vedere ca valoarea ,hi patrat' este 0, ipoteza nula de
inexistenta autocorelarii este respinsa. Asadar modelul prezinta o
autocorelare.

4.4.1. Eliminarea fenomenului de autocorelare

Pentru a corecta autocorelarea erorilor cu ajutorul STATA se va rula

testul Prais-Winston, specificandu-se de asemenea optiunea

Cochran-Orcutt.
Datele obtinute vor fi vizibil diferite fata de
cele originale:
. prais PIB f1 f2 ,corc
Iteration
Iteration
Iteration
Iteration
Iteration
Iteration
Iteration
Iteration
Iteration

0:
1:
2:
3:
4:
5:
6:
7:
8:

rho
rho
rho
rho
rho
rho
rho
rho
rho

=
=
=
=
=
=
=
=
=

0.0000
0.7081
0.7167
0.7181
0.7183
0.7183
0.7183
0.7183
0.7183

Cochrane-Orcutt AR(1) regression -- iterated estimates

Source |
SS
df
MS
of obs =
77
-------------+-----------------------------=22850.00
Model | 1.1755e+09
2 587761035
F
= 0.0000
Residual | 1903471.11
74 25722.5825
squared
= 0.9984
-------------+-----------------------------squared = 0.9983
Total | 1.1774e+09
76 15492441.3
MSE
= 160.38

Number
F( 2,

74)

Prob >
RAdj

RRoot

-----------------------------------------------------------------------------PIB |
Coef. Std. Err.
t P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------f1 | 9.545685 6.797692
1.40 0.164
-3.999012
23.09038
f2 | -7.921125 6.839497
-1.16 0.251
-21.54912
5.706871
_cons | 6.719343 164.2768
0.04 0.967
-320.6093
334.048
-------------+---------------------------------------------------------------rho | .7183342
-----------------------------------------------------------------------------Durbin-Watson statistic (original) 0.611004
Durbin-Watson statistic (transformed) 1.717177

Observam ca valoarea coeficinetului Durbin-Watson este

peste 1 ceea ce inseamna ca nu mai exista o autocorelare a erorilor.
Se observa ca modelul este valid atat din punct de vedere al
informatiei esplicate de factori, cat si din punct de vedere al
posibilitatii de predictie (F=0). De asemenea, coeficientii modelului
sunt diferiti de 0.

4.5. Testarea parametrilor

. testparm f1 f2
( 1) f1 = 0
( 2) f2 = 0
F( 2, 75) = 1.3e+05
Prob > F = 0.0000 => parametrii sunt diferiti de 0

4.6. Legatura intre reziduuri si variabilele factor

Reziduurile nu trebuie sa fie corelate cu factorii
. correlate venit indicepret rmodel
(obs=78)
| venit indice~t rmodel
-------------+--------------------------venit | 1.0000
indicepret | 0.9865 1.0000
rmodel | 0.0000 -0.0000 1.0000
Din tabelul de mai sus se observa ca variabilele factor
(venitul si indicele preturilor) nu se coreleaza cu reziduurile.

4.7. Analiza reziduurilor si predictiilor

4.7.1. Media reziduurilor
. ttest rmodel==0

One-sample t test
-----------------------------------------------------------------------------Variable |
Obs
Mean
Std. Err. Std. Dev. [95% Conf.
Interval]
---------+-------------------------------------------------------------------rmodel |
78
3.89e-07
24.46501
216.0691 -48.71606
48.71607
-----------------------------------------------------------------------------mean = mean(rmodel)
t = 0.0000
Ho: mean = 0
degrees of freedom =
77
Ha: mean < 0
Pr(T < t) = 0.5000
0.5000

Ha: mean != 0
Pr(|T| > |t|) = 1.0000

Ha: mean > 0

Pr(T > t) =

Testarea mediei rezidurilor egala cu 0 arata ca aceasta este egala cu

0.

4.7.2. Distributia erorilor fata de model

Din acest grafic se observa ca erorile sunt normal distribuite.

4.7.3. Testarea normalitatii reziduurilor

Din acest grafic se observa ca reziduurile sunt normal distribuite.

In continuare prezentam cateva teste prin care se verifica aceeasi
normalitate a reziduurilor. Aceste teste propun analiza asimetriei,
respectiv a boltirii pentru a stabili distribtia normala a reziduurilor.
. sktest rmodel
Skewness/Kurtosis tests for Normality
------- joint -----Variable | Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2
-------------+------------------------------------------------------rmodel |
0.007
0.000
17.20
0.0002

- erorile nu sunt distribuite normal

- erorile sunt distribuite normal

Prob>chi2 = 0.05 > 0.0002

distribuite normal.

se respinge, erorile sunt

4.8. Testarea ipotezelor liniare privind parametrii

4.8.1. Testul lui Ramsey
. estat ovtest
Ramsey RESET test using powers of the fitted values of PIB
Ho: model has no omitted variables
F(3, 72) =
10.67
Prob > F =
0.0000
- Y depinde doar de variabilele factor considerate
- Y depinde si de alte variabile
Fcalc = F(3, 72) = 10.67
Ftab = 2.74
se respinge, inseamna ca exista si alte variabile
care explica variabila Y
Prob > F = 0.0000 < 0.05

se respinge

4.8.2. Testul lui Chaw

Presupunem ca impartim esantionul in 2 grupe: n1=65 si n2=13.
Estimam parametrii pentru prima grupa:
. regress PIB venit indicepret in 1/65
Source |
SS
df
MS
of obs =
65
-------------+-----------------------------=
.
Model | 3.4100e+09
2 1.7050e+09
F
= 0.0000
Residual | 802265.002
62 12939.7581
squared
= 0.9998
-------------+-----------------------------squared = 0.9998
Total | 3.4108e+09
64 53293550.8
MSE
= 113.75

Number
F( 2,

62)

Prob >
RAdj

RRoot

-----------------------------------------------------------------------------PIB |
Coef. Std. Err.
t P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------venit | 1.089366 .0209872
51.91 0.000
1.047414
1.131319
indicepret | 25.18873 5.367007
4.69 0.000
14.46024
35.91722
_cons | -95.6645 59.36767
-1.61 0.112
-214.3388
23.00978
-----------------------------------------------------------------------------Estimam parametrii pentru intreg esantionul:
. regress PIB venit indicepret
Source |
SS
df
MS
Number of obs =
78
-------------+-----------------------------2, 75) =
.
Model | 1.2210e+10
2 6.1049e+09
Prob > F
= 0.0000
Residual | 3594817.54 75 47930.9005
R-squared
= 0.9997
-------------+-----------------------------R-squared = 0.9997
Total | 1.2213e+10 77 158616055
Root MSE
= 218.93

F(

Adj

-----------------------------------------------------------------------------PIB |
Coef. Std. Err.
t P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------venit | 1.157639 .0143654
80.59 0.000
1.129022
1.186257
indicepret | 8.792613 4.443268
1.98 0.052
-.0588302
17.64406
_cons | 56.47864 68.00137
0.83 0.409
-78.98703
191.9443
------------------------------------------------------------------------------

-parametrii celor doua grupe sunt constanti

- parametrii celor doua grupe nu sunt constanti
(e*' * e* - e1 ' * e1 ) / n2
F=
e1 * e1 / (n1 - k)
'

= F(n2 , n1 - k) = F(13,65 - 2) = F(13,63) = 1.87

Fcalc = mare
Ftab = 3.13
se respinge, parametrii celor doua grupe nu sunt
constanti

4.9. Variante constante (homoscedasticitatea)

. estat hettest
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
Ho: Constant variance
Variables: fitted values of PIB
chi2(1)
= 13.37
Prob > chi2 = 0.0003
H0: modelul este heteroscedastic

H1: modelul nu este heteroscedastic

calc = 13.37

tab = 11.07 (sunt 5 grade de libertate)

calc > tab => H0

heteroscedastic

se respinge, deci modelul nu este

. estat imtest,white
White's test for Ho: homoskedasticity
against Ha: unrestricted heteroskedasticity
chi2(5)
=
27.05
Prob > chi2 = 0.0001
Cameron & Trivedi's decomposition of IM-test
--------------------------------------------------Source
|
chi2
df
p
---------------------+----------------------------Heteroskedasticity |
27.05
5 0.0001
Skewness
|
7.08
2 0.0290
Kurtosis
|
1.22
1 0.2686
---------------------+----------------------------Total
|
35.35
8 0.0000
--------------------------------------------------H0: modelul este homoscedastic

H1: modelul nu este homoscedastic

calc = 27.05

tab = 11.07 (sunt 5 grade de libertate)

calc > tab => H0

homoscedastic.

se respinge, deci modelul nu este

4.10. Puterea de previzionare a modelului

. anova PIB venit indicepret,partial
Number of obs =
Root MSE
=

78
0

R-squared
= 1.0000
Adj R-squared =

Source | Partial SS df
MS
F
Prob > F
-----------+---------------------------------------------------Model | 1.2213e+10 77 158616055
|
venit | 1.2213e+10 77 158616055
indicepret |
0
0
|
Residual |
0
0
-----------+---------------------------------------------------Total | 1.2213e+10 77 158616055
Facand testul ANOVA acesta ne arata ca varianta totala este data de
varianta explicta a modelului, iar varianta reziduala este 0. aceasta
inseamna ca modelul este vaid si poate fi folosit in previziune.
In continuare voi prezenta graficele suprapuse ale valorilor
PIB-ului, asa cum au fost ele preluate din tabele si asa cum au fost
prezise de model. Astfel:
PIB-ul in functie de variatia veniturilor:

PIB-ul in functie de variatia preturilor:

PIB-ul prezis de modelul multifactorial, luand in considerare atat

variatia veniturilor cat si variatia preturilor:

Comparand variantele celor doua variabile : PIB-ul in valori reale si

PIB-ul in valori prezise se observa ca acestea au variantele egale:
. sdtest PIB==pmodel
Variance ratio test
-----------------------------------------------------------------------------Variable |
Obs
Mean
Std. Err. Std. Dev. [95% Conf.
Interval]
---------+-------------------------------------------------------------------PIB |
78
11227.68
1426.022
12594.29
8388.107
14067.25
pmodel |
78 11227.68 1425.812 12592.43 8388.525
14066.83
---------+-------------------------------------------------------------------combined |
156 11227.68 1005.018 12552.67
9242.38
13212.98
-----------------------------------------------------------------------------ratio = sd(PIB) / sd(pmodel)
f = 1.0003
Ho: ratio = 1
degrees of freedom = 77, 77
Ha: ratio < 1

Ha: ratio != 1

Ha: ratio > 1

Pr(F < f) = 0.5005

0.4995

2*Pr(F > f) = 0.9990

Pr(F > f) =

5. Concluzii
Analizand validitatea modelelor se observa ca acestea nu trec toate
testele necesitand astfel diferite ajustari. Este clar insa ca intr-o
economie, variatia PIB-ului este determinata de variatia nivelului
veniturilor si de variatia nivelului preturilor. Asadar, variabila
independenta, dupa cum ne arata si testele si modelele depinde in
mare masura de cei doi factori analizati.

Modelul PIB-ului in functie de venit si pret poate arata astfel: