CURS 2 & 3 MODELARE ECONOMICA

Conf. dr. Nadia Ciocoiu

MODELAREA PROCESELOR ECONOMICE

CU TEHNICI DE PREVIZIUNE
Previziunea = o metod sistematic de obinere

a unei estimri a valorii viitoare a unei

variabile;
Se bazeaz, de obicei, pe analiza unei colecii de
observaii privind comportamentul trecut al
fenomenului /procesului / organizaiei studiate.
Calitatea previziunilor depinde hotrtor de
cunoasterea temeinic a realittii;
Este necesara folosirea unei metodologii
complexe de previziune (o gam ct mai larg
de metode si tehnici).

Clasificarea metodelor de previziune:

de judecat - se bazeaz pe estimri subiective, mai degrab dect

pe date; sunt folosite pentru prognoze pe termen lung (mai ales cnd
intervin factori ext.) sau atunci cnd nu exist date istorice sau
acestea sunt limitate;
ex: prerea experilor, metoda Delphi, analogii istorice.
bazate pe serii de timp n cazul n care evoluia curent a unui
indicator depinde de nivelul anterior (n ipoteza pstrrii unui
comportament inerial al fenomenului); ex: metoda mediilor mobile,
metoda de ajustare, metode de decompoziie.
cauzale pentru care este posibil identificarea unor relaii
funcionale de tipul Y=f(x1, x2, , xn) unde Y variabila dependent
este exprimat n funcie de nivelul factorilor independeni (x1, x2,
xn);
ex: analiza de regresie multipl, analiza de corelaie.
econometrice n cazul unor ecuaii simultane sau sisteme de
ecuaii ce descriu n form matematic diferite legiti economice.

Metode de previziune ce vor fi

studiate:
I. ANALIZA SERIILOR DINAMICE
(CRONOLOGICE):
1.
2.

METODE DE EXTRAPOLARE
METODE DE DECOMPOZIIE (BAZATE PE
DESCOMPUNEREA COMPONENTELOR)

II. ANALIZA DE REGRESIE I DE

CORELAIE

I. ANALIZA SERIILOR DINAMICE

(CRONOLOGICE)
O secven de date de observaie, n mod obinuit

ordonat n timp, este denumit serie de timp, sau serie

dinamic.
Date - se refer la valori discrete msurate la intervale
egale de timp.
Metodologia care se ocup cu analiza unor astfel de date
se numete analiza seriilor de timp sau analiza seriilor
dinamice.
Caracteristica esenial a acestui tip de analiz este
recunoaterea implicit a importanei ordinii de apariie
a nregistrrilor.
Reprezentarea grafic a unei serii de timp evideniaz
cele mai importante caracteristici ale datelor acesteia:
prezena/absena tendinei, caracterul sezonier,
existena unor discontinuiti, etc.

ANALIZA SERIILOR DINAMICE (CRONOLOGICE)

Reprezentarea grafica a seriilor de timp:

2. Vnzri cu trend fr

semnificativ i fr influene
sezoniere sau ciclice

influene sezoniere sau ciclice

9
8
7
6
5
4
3
2
1
0

16

Media

Volumul vanzarilor

Volumul vanzarilor

1. Vnzri relativ stabile fr trend

14
12
10
8
6
4
2
0

5 6 7
Timpul

9 10

5
Timpul

ANALIZA SERIILOR DINAMICE (CRONOLOGICE)

3. Vnzri cu variaii

4. Vnzri cu trend i variaii

sezoniere fr trend

sezoniere

10
8
6

Media

4
2

Volumul vanzarilor

Volumul vanzarilor

Reprezentarea grafica a seriilor de timp:

15
10
5
0

0
1

Timpul

Timpul

9 10

I.1. METODE DE EXTRAPOLARE:

sugereaz dezvoltarea inerial (prelungirea n viitor) a

unor elemente ale proceselor i fenomenelor economice;

pot fi aplicate cu rezultate bune numai dac procesul la
care se refer prezint un caracter de repetabilitate, cu
aceeai intensitate a dinamicii;
Limite:
ofer numai o imagine orientativ asupra perspectivei de evoluie
dac se recunoate faptul c viitorul NU reproduce fidel strile i
evoluiile din trecut;
se poate folosi cu succes numai pentru procesele economice ce
evolueaz fr discontinuiti majore;
riscul i incertitudinea impun prelucrarea rezultatelor extrapolrii
cu metode adiionale;
pentru ca rezultatele s fie ct mai plauzibile se recomand
operarea pe orizonturi de prognoz ct mai scurte.

Tipuri de extrapolari:
1. Extrapolarea analitic:
Utilizeaz drept baz informaional iniial un ir de date;
Seria poate fi extrapolat pe baza funciei matematice a evoluiei indicatorului n
timp.
Ideea de baz a acestor metode - considerarea seriei de date ca o succesiune de
valori ale unei funcii dependente de timp y=f(t), funcie care ar urma s fie
determinat cu aproximaie prin metode matematice. Foarte recunoscute metodele de nivelare (ajustare).
Tipul de funcie matematic asociat seriei se identific prin metoda
diferenelor finite
dac momentele ti, i=1,...,m sunt ordonate aritmetic, iar diferenele finite de
ordinul 1 ale valorilor seriei (diferenele dintre valori consecutive pentru variabila
Xi), notate X i , sunt constante, relaia dintre Xi i ti este o dreapt de forma:
X i = a + b ti
dac momentele ti, i=1,...,m se succed aritmetic, iar datele formeaz o progresie
geometric, relaia de legtur dintre acestea va fi o funcie exponenial de forma:
X i a b ti

dac se observ un ritm de variaie relativ constant, dup care acesta se

micoreaz, cu tendina de a se apropia de zero, se recomand funcia logistic:

k
k
sau
Xi
Xi
bt
1 abti

1 ae

Tipuri de extrapolari:
2. Extrapolarea fenomenologic:
utilizeaz drept baz informaional iniial ipoteze
legate de structura fenomenului investigat.
Formal, deosebirea dintre extrapolarea analitic i cea
fenomenologic const n modul diferit de identificare al
clasei de funcii care descrie tendina de variaie a
fenomenului investigat. Acest tip de extrapolare este
utilizat cu precdere n cazul n care seriile de date
disponibile sunt relativ scurte; se pornete de la emiterea
unor ipoteze asupra indicatorilor ce caracterizeaz
fenomenul sau procesul.
O prim metod const n utilizarea experienei empirice sau a unor

rezultate deja obinute n domeniul n care se efectueaz cercetarea;

exist astfel, tipuri de curbe asociate unor tipuri de fenomene.
O alt metod const n identificarea unor legi de variaie ale
fenomenului urmrit i n descrierea evoluiei pe baza acestei legi.

Metode de ajustare (nivelare):

Ajustarea unei serii temporale = operatiunea de

1.
2.

nlocuire a valorilor observate ale variabilei studiate

cu alte valori. Noile valori sunt calculate prin metode
adecvate cu scopul de a pune n eviden componentele
considerate eseniale ale seriei de date: trendul, fluctuaiile
ciclice, sezoniere si/sau neregulate.
sunt aplicabile n previziunile pe termen scurt, de pe o
zi pe alta, de pe o luna pe alta, de pe un trimestru pe
altul.
Cele mai utilizate:
metoda mediilor mobile,
metoda nivelrii exponeniale.

Metode de ajustare (nivelare):

Pentru metodele de ajustare, alegerea formei particulare (cu
un singur parametru , cu doi parametri si sau cu trei
parametri , si ) se poate face, ntr-un mod aproximativ,
prin reprezentarea grafic a seriei de date:
- dac pentru seria de date reprezentat se poate pune n
eviden o tendin liniar cresctoare sau descresctoare se
alege modelul cu trend (cu doi parametri si );
- dac pentru seria de date se pot evidenia variaii sezoniere
se va alege modelul de ajustare cu sezonalitate (cu doi
parametri si );
- n situaia n care, n mod simultan se pot observa o
component de tip trend i variaii sezoniere se poate alege
modelul de ajustare trend - sezonalitate (se folosesc trei
parametri , si ).

1. Metoda mediilor mobile

determin previziunea pentru o perioad de timp (zi, sptmn,

lun, , an etc.) prin medierea datelor din ultimele n" perioade:

yt yt 1 ... yt n1
Ft 1
n
n care: Ft+1 - valoarea previzionat n perioada t+1; yt - valoarea realizat n
perioada t; n - ordinul mediei mobile.
Adoptnd ordine diferite ale mediei mobile, se poate ajunge la o

coresponden mai apropiat sau mai ndeprtat a curbei previziunii fa

de curba evoluiei datelor reale.
Eroarea poate fi apreciat pe baza diferenelor dintre realitate i previziune
m
folosind formula erorii medii:
2

(F
t n

yt )

mn

n care: Ft - valorile previzionate pentru perioadele t=1,...,m; yt - valorile reale

disponibile; m - numrul de valori ale seriei de timp disponibile.

2. Metoda nivelrii exponeniale (Brown)

n cazul seriilor de date pentru care nu se nregistreaz

trend i variaii ciclice sau sezoniere se poate utiliza

modelul lui Brown de nivelare exponenial primara
(n jurul mediei).
Obiectivul metodei de previziune: netezirea (ajustarea)
n jurul mediei vnzrilor a fluctuaiilor ntmpltoare.
Ideea de baz: prin modelul de ajustare exponenial
propus de Brown se atribuie datelor referitoare la
vnzrile din trecut, ponderi invers proporionale cu
vrsta lor, considernd c, n evoluia procesului, datele
recente sunt mai valide dect cele vechi.

2. Metoda nivelrii exponeniale (Brown)

Presupunem ca se cunosc:
Perioadele

Vnzrile
efective

1
2

t-2
t-1
t

S1
S2

St-2
St-1
St

t+1

Pe baza lor se calculeaz in perioada t

previziunea pentru perioada t+1

???????

Previziunea vnzrilor n perioada (t) pentru perioada (t+1) =

Rt = Rt-1+(St - Rt-1) sau

Rt = St +(1-)Rt-1
unde = constant de nivelare, 0 1.

2. Metoda nivelrii exponeniale (Brown)

Concluzie:

Modelul Brown determin previziunea Rt pentru perioada (t+1) pe

baza a trei valori:
Rt = St +(1-) Rt-1

Previziunea iniial;
Vnzrile efective din perioada curent t;
Constanta de nivelare 0 1 => aleas de decident.
Observaie: Produsul informatic WINQSB foloseste ca notaii:

Rt = St + (1-) Rt-1

Ft+1= Yt +(1-)Ft

Alegerea valorii lui alpha () influenteaza ajustarea oscilatiilor din seria

de date reale.

2. Metoda nivelrii exponeniale (Brown)

Alegerea constantei de nivelare 0 1:
1. Pe baza indicatorilor erorilor de previziune (et = Yt - Ft )
n

(e t ) 2

Media erorilor la ptrat = MSE =

Media erorilor absolute = MAD =

t 1

n
n

et

t 1
n

Media procentual a erorilor absolute = MAPE

n

Suma erorilor de previziune = CFE = e t

t 1

CFE
Tracking Signal (semnal de urmarire) = TS = M AD

TS: pozitiv: exist tendin de cretere a vnzrilor

negativ: exist tendin de descretere a vnzrilor
Numai dac TS > 5 => exist o tendin real de cretere sau descretere a vnzrilor

2. Metoda nivelrii exponeniale (Brown)

Alegerea constantei de nivelare 0 1:
2. Din analiza modelului R t = St + (1-) Rt-1 rezult c dac:
tinde spre 1 => Rt St (previziunile urmaresc oscilatiile valorilor efective)
mult mai mic decat 1 => Rt Rt-1 ... R0 media valorilor efective
3. Din analiza modelului Rt = Rt-1 + (St - Rt-1) rezult c dac:
Diferenele |St - Rt-1| sunt mari, atunci se recomand alegerea unui
mic (spre 0) pentru a nu permite transferarea fluctuaiilor mari n
previziune.
Diferenele |St - Rt-1| sunt mici, atunci se recomand alegerea unui
mare (care tinde spre 1) pentru a permite previziunii s reacioneze
rapid la eventualele schimbri.
4. Prin simulare (testari succesive) pe baza unui criteriu specificat de
decident.

2. Metoda nivelrii exponeniale (Brown)

Etape de lucru:
Obinerea datelor privind vnzrile produsului n perioadele
trecute
Analiza datelor pe baza reprezentrii grafice
Alegerea modelului de previziune
Definirea parametrilor modelului: perioada sau perioadele pentru
care se va face previziunea, alegerea constantei de nivelare,
determinarea previziunii iniiale
Realizarea previziunii cu un produs informatic:
WINQSB/Forecasting and Linear Regression/Time Series Forecasting/
Single Exponential Smoothing
Excel (Data Analysis/ Exponential Smoothing)
Analiza influenei constantei de nivelare asupra previziunii
Interpretarea economic a rezultatelor.

Aplicatie practica (de aprofundat la seminar!!)

2
3
4
5
6
7
8
9

22.00
16.00
18.00
19.00
14.00
18.00
20.00

Forecast
by SES

21.00
21.30
19.71
19.20
19.14
17.60
17.72
18.40

Vanzarile

Luna Actual
Data
1
21.00

22
21
20
19
18
17
16
15
14
13
1

Timpul
Date reale

Estimatii alfa=0,3

Media

Estimatii alfa =0,9

Alpha = 0.3
F(0) = 21
CFE = -8.66
MAD = 2.29
MSE = 9.12
MAPE = 14.08 Trk.Signal = -3.78

3. Algoritmul Holt-Winters
n situaia n care, n mod simultan se pot observa o component de tip

trend i variaii sezoniere se poate alege modelul de ajustare trendsezonalitate Holt-Winters.

Necesita trei ecuatii (Ft, Tt, St) si 3 parametrii (, , ) .
In functie de tipul de sezonalitate exista modele aditive si multiplicative.
Ex: daca vanzarile de jucarii au un varf in fiecare decembrie, cu o crestere de
100000 lei fata de luna decembrie din anul anterior, atunci previziunea tb sa
creasca in luna decembrie cu aceasta valoare, iar modelul este aditiv.
Daca se cunoaste ca exista o crestere de 40% a vanzarior in luna decembrie fata
de restul anului, atunci modelul este multiplicativ.
Rezolvarea se poate face cu ajutorul produsului informatic WINQSB/

Forecasting/ Times Series Forecasting/ Holt-Winters Multiplicative

Algorithm sau WINQSB/ Forecasting/ Times Series Forecasting/ HoltWinters Additive Algorithm

3. Algoritmul Holt-Winters
Modelul aditiv

Modelul multiplicativ

valoare

valoare

timp

timp

3. Algoritmul Holt-Winters
Aplicatie practica
O firma comercializeaz produse de sticlrie pentru menaj;

pe baza datelor din ultimii 3 ani asupra volumului (mil. u.m.)

de vnzri trimestriale (tabelul 1) se cere s se efectueze
prognoza acestui indicator pentru urmtoarele 4 trimestre
pentru fundamentarea planului curent de investiii.
Conducerea societii este interesat n efectuarea prognozei
pentru urmtoarele 4 trimestre.
Anul

Trimestrul I

Trimestrul II

Trimestrul III

Trimestrul IV

2008

4000

4200

5600

5900

2009

5200

5700

7200

9500

2010

4750

5200

6900

9500

2011

5900

6300

8250

2012

3. Algoritmul Holt-Winters
Aplicatie practica (WINQSB)
Quarter
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

Actual
Data x(t)
4000,0000
4200,0000
5600,0000
5900,0000
5200,0000
5700,0000
7200,0000
9500,0000
4750,0000
5200,0000
6900,0000
9500,0000
5900,0000
6300,0000
8250,0000

F(t)

T(t)

S(t)

0
0
0
4925,0000
5072,7500
5260,4630
5422,6950
5746,6880
5831,1450
5920,7480
6009,5550
6218,9490
6401,4840
6580,5230
6754,4200

0
0
0
0
29,5500
61,1826
81,3925
129,9125
120,8214
114,5778
109,4236
129,4177
140,0413
147,8406
153,0521

0,8122
0,8528
1,1371
1,1980
0,8761
0,9220
1,1943
1,3345
0,8576
0,9089
1,1804
1,3924
0,8768
0,9234
1,1927

Forecast
f(t+h)

Formula de calcul pentru

f(t+h)

4000,0000
4351,2000
6051,0080
6593,7300
5148,2150
5487,8360
7207,7780
8165,8770
5444,4530
5945,5590
7942,4090
9618,2310
6190,8710

= [4925+10]0,8122
= [5072,75+129,55]0,8528
........

6661,2880
8786,4180

= [6754,42+3153,0521]0,9234

=[6754,42+1153,0521]1,3924
= [6754,42+2153,0521]0,8768
= [6754,42+4153,0521]1,1927

3. Algoritmul Holt-Winters
Aplicatie practica
c=4
Alpha=0,1
Beta=0,2
Gamma=0,3
F(0)=4925
T(0)=0
S(1)=0,8122
S(2)=0,8528
S(3)=1,1371
S(4)=1,1980

Algoritmul multiplicativ Holt-Winters:

F(t) = x(t)/S(t-c) + (1- )[F(t-1)+T(t-1)]
T(t) = [F(t)-F(t-1)] + (1- )T(t-1)
S(t) = x(t)/F(t) + (1- )S(t-c)
Previziunea: f(t+h) = [F(t)+hT(t)]S(t+h-c)
for h=1,2,..., c
f(t+h) = [F(t)+hT(t)]S(t+h-2c)
for h=c+1,c+2,..., 2c
f(t+h) = [F(t)+hT(t)]S(t+h-3c)
for h=2c+1,2c+2,..., 3c
etc.
unde: c este lungimea ciclului de sezonalitate, (c=4)
, , sunt constante de ajustare , 0 1, 0 0 1, 0 1
Fie m media pentru primul ciclu, de la t=1 la c=4.
Valorile iniiale sunt: F(0)= m, T(0)=0, S(t) = x(t)/m pentru t=1,,4.

Pentru exemplificare:
S(1) = x(1)/m= 4000/4925=0,8122
F(5) = x(5)/S(1) + (1-)[F(4)+T(4)] = 0,15200/0,8122 + 0,9[4925+0]=5072,75
T(5) = [F(5)-F(4)] + (1- )T(5)= 0,2[5072,75-4925] + 0,80 = 29,55
S(5) = x(5)/F(5) + (1- )S(1) = 0,35200/5072,75 + 0,70,8122 = 0,8761
n care la prima iteraie S(1)=0,8122, T(0)=0

I.2. METODE DE DECOMPOZITIE:

I.2. METODE DE DECOMPOZITIE:

Trendul (Tt) definete tendina general a
evoluiei fenomenului indicatorului Yt
desfurat pe o perioad lung de timp.
Aceast component poate fi relevat ca
unic, n cazul seriilor ale cror diferene
finite sunt constante, sau ca o component
fundamental ce poate fi izolat de celelalte
componente, n cazul seriilor de timp
decompozabile. Identificarea trendului se
poate efectua reprezentnd grafic, la scar
termenii seriei sau analitic, prin ncercarea
mai multor funcii dintre care se alege cea
cu un indicator de eroare minim de
exemplu, deviaia standard minim adic
diferena ntre valorile reale ale seriei
introduse n calculator i valorile ajustate cu
funciile matematice menionate.

Variaia ciclic (Ct) se

manifest prin oscilaii relativ
ample ale indicatorului sau
fenomenului analizat, iar durata
ciclului se poate observa n
perspectiva mai multor ani.
Oscilaiile sunt generate de
alternana perioadelor de
cretere, cu perioadele de
stagnare, precum i de alte
cauze generale sau locale.
Se determin prin metodele
indexrii.

I.2. METODE DE DECOMPOZITIE:

Variaia sezonier (St) apare ca
urmare a influenelor sezonale din
timpul perioadei previzionate. Are
oscilaie mai frecvent dect
componenta ciclic. Uneori variaia
sezonier este generat de
anotimpuri i comportamentul
oscilant n funcie de acestea sau de
obiceiuri, tradiii sau fenomene
sociale.
Se determin prin metodele
indexrii.

Variaia aleatoare (Rt) se

produce fr a avea cauze
speciale care s o determine n
mod previzibil sau cauzal i fr
posibilitatea de a i se atribui un
model de repetare sistematic.

I.2. METODE DE DECOMPOZITIE:

Dupa prognozare izolata cele 4 elemente se compun in forma aditiva sau
multiplicativa.
- n form aditiv: Yt Tt Ct S t Rt unde T, S, C, R sunt exprimate ca valori
absolute;
- n form multiplicativ: Yt Tt Ct S t Rt unde T, S, C, R sunt exprimate ca %
sau proporii.
Alegerea unei anumite forme este influenat de modul de variaie a factorilor
ciclici i sezonieri la modificrile valorilor seriei dinamice:
modelul aditiv: cnd factorii componeni sunt independeni (ex.: mrimea
variaiei sezoniere nu e afectat de valoarea tendinei); variaiile sezoniere i
cele ciclice nu sunt proporionale cu mrimea valorilor din seria de date (n
aceast situaie, amplitudinea variaiilor sezoniere este aproximativ constant
n timp).
modelul multiplicativ: utilizat n mod frecvent cnd caracteristicile
interacioneaz (n care variaiile sezoniere cresc proporional cu trendul).

II. ANALIZA DE REGRESIE

I DE CORELAIE
Analiza regresiei =
Analiza corelaiei =
o clas de metode prin care,
evaluarea
gradului
de
folosind o ecuaie de regresie
interdependen
(asociere)
determinat pe baza unor date
ntre variabilele considerate
experimentale, pot fi estimate
ntr-un model de regresie, n
(previzionate) valorile unor
particular
ntre
variabila
variabile
dependente
Y,
dependent
Y
i
cele
presupunnd cunoscute ori
independente X (obiectiv care
previzionate
valorile
se realizeaz prin estimarea
variabilelor independente X (x1,
coeficienilor de corelaie i a
x2, , xn).
coeficientului de determinare).

II. ANALIZA DE REGRESIE

I DE CORELAIE

Pentru a aprecia semnificaia estimatorilor (a si b):

pentru un set de date de volum n 30 se aplic testul Student cu n-2 grade
de libertate;
pentru n 30 se aplic testul Z al distribuiei normale.

II. ANALIZA DE REGRESIE

I DE CORELAIE
Coeficientul de corelaie (R) msoar puterea relaiei de dependen liniar

intre variabile printr-o valoare numeric ntre 1 i 1;

Dac R = 0 nu exist corelaie de tip liniar ntre Y i X (dar pot exista alte tipuri de
dependen, de exemplu, neliniar)
Dac R > 0 i apropiat de valoarea 1, atunci creterile factorului X vor determina
creteri ale variabilei Y
Dac R < 0 i apropiat de -1, atunci scderi ale factorului X vor determina scderi
pentru Y.

Coeficientul de determinare (R2) msoar cat din variaia lui Y poate fi

atribuit cunoaterii factorilor Xi i a relaiei Y = f(X).

De ex. o valoare R2=0.76 indic c aproximativ 76% din variaia total a variabilei
Y poate fi explicat prin variabilele dependente X incluse n model (o valoare 0.8
este considerat acceptabil).
Coeficientul corectat de determinare (2) se folosete atunci cnd numrul de
observri este egal cu numrul coeficienilor estimai. In cazul regresiei
multiple, R2 sau 2 reprezint o msur a efectului combinat al ansamblului
variabilelor independente asupra variabilei dependente.

II. ANALIZA DE REGRESIE

I DE CORELAIE

II. ANALIZA DE REGRESIE

I DE CORELAIE
Aplicatie practica

in Excel: Tools > Data

Analysis/Regression
in WINQSB/Forecasting/
Linear regression

Luna
1
2
3
4
5
6
7
8
9
10
11
12

Nr agenti Vanzari
10
15
18
17
16
18
20
21
23
23
24
22

1215
1251
1305
1383
1280
1450
1540
1750
1835
1923
2050
1950

II. ANALIZA DE REGRESIE

I DE CORELAIE
REGRESIE LINIARA (VANZARI IN FUNCTIE
DE LUNA)

X Variable 1 Line Fit Plot

2500
2000

Regression Statistics

R Square
Adjusted R
Square
Standard
Error
Observations

0,9608

1500
Y

Multiple R

0,9231

1000

Predicted Y

500

0,9154

0
0

89,1866
12

10

15

X Variable 1

ANOVA
df

Regression
Residual

1
10

Total

11

SS
MS
954166,161 954166,161
79542,506
7954,251

1033708,667

Coefficients Standard Error

Intercept
X Variable 1

1046,712
81,685

Significance
F
F
119,957 0,00000069

t Stat

Upper
P-value Lower 95% 95%

54,891

19,069

0,000

7,458

10,952

0,000

924,408 1169,016
65,068

98,303

Lower
95,0%

Upper 95,0%

924,408

1169,016

65,068

98,303

II. ANALIZA DE REGRESIE

I DE CORELAIE
REGRESIE MULTIPLA (VANZARI IN FUNCTIE DE LUNA SI NR. AGENTI)
Regression Statistics

Multiple R
R Square
Adjusted R
Square
Standard Error
Observations

0,9634
0,9281
0,9121
90,869
12

ANOVA
df
Regression
Residual
Total

Significance
SS
MS
F
F
2 959393,36 479696,68 58,09 7,162E-06
9
74315,31 8257,26
11 1033708,67

Standard
Coefficients
Error
Intercept
X Variable 1
X Variable 2

887,555
68,242
13,033

t Stat

PUpper
value Lower 95% 95%

207,707

4,273 0,002

417,688 1357,422

18,526

3,684 0,005

26,334

16,380

0,796 0,447

-24,022

Lower
95,0%

Upper
95,0%

417,688

1357,422

110,151

26,334

110,151

50,087

-24,022

50,087

II. ANALIZA DE REGRESIE

I DE CORELAIE
Din regresia liniara rezulta: ecuatia de regresie are

forma: Y= 1046,712+81,685X, de unde rezulta ca

vnzarile pentru luna 13 sunt Y(13)=
1046,712+81,685(13)=2108,621
Din regresia multipla rezulta: ecuatia de regresie

are forma: Y= 887,555+68,242X1 + 13,033 X2