ACADEMIA DE STUDII ECONOMICE BUCURESTI

ASE

PROIECT ECONOMETRIE

Titlu: Influenta Exportului si Importului asupra Produsului Intern Brut

Student: Ionescu Bianca-Laura

Grupa 1530

Aplicatia 1:
1.
Scopul proiectului este de a surprinde influenta exportului si
importului asupra produsului intern brut, prin intermediul modelului de
regresie liniara multipla. Am analizat valorile pib-ului, exporturilor si
importurilor din anul 2013 a 30 de tari alese la intamplare. In cazul nostrum,
variabila dependenta(endogena) este PIB-ul, iar variabilele
independente(exogene) sunt exportul si importul.
Trebuie precizat faptul ca formula PIB-ului este urmatoarea:
PIB = C + G + I + (Ex-Im)

Unde: PIB - produs intern brut

C consum privat
G cheltuieli guvernamentale
I investitii
(Ex IM) = export import = import net
Din aceasta formula, putem observa ca exista inca trei factori (C, G, I) ce
influenteaza PIB-ul. Vom considera ca acesti factori sunt abaterile din cadrul
modelului nostru econometric sic a au natura accidentala si nesemnificativa.
Astfel, conform celor de mai sus, modelul nostrum econometric este unul de
forma:
Yt = a0 + a1 * x1t + a2 * x2t + ; a reprezinta parametrii modelului

2.
Se inregistreaza 30 de unitati pentru valorile variabilelor identificate la
punctual anterior, necesare pentru estimarea parametrilor modelului de regresie.
Datele se vor prezenta sub forma tabelara. Valorile sunt in milioane EUR ().
Avem urmatoarele date:

Tabelul 1: Baza de date

Tara
Tara
Austria

PIB
Pib
322,594,600,000

Export
Export
172,479,000,000

Import
Import
161,024,100,000

Belarus
Belgium
Brazil
Bulgaria
Canada
Chile
Denmark
Egypt
Estonia
Finland
France
Georgia
Germany
Greece
Hungary
India
Ireland
Israel
Italy
Japan
Lithuania
Mexico
New Zeeland
Romania
Russian
Federation
Spain
Switzerland
Turkey
Uruguay

636,784,246,000,00
0
395,262,100,000
4,837,950,216,000
80,281,541,000
1,893,759,000,000
783,179,763,287
1,891,018,000,000
1,753,300,000,000
18,738,795,570
201,341,000,000
2,113,690,000,000
26,824,930,000
2,809,480,000,000
182,438,000,000
29,846,259,000,000
113,550,730,000,000
174,791,000,000
1,052,777,239,200
1,618,904,000,000
478,075,500,000,00
0
120,694,689,357
16,082,509,914,000
171,211,000,000
639,271,900,000

389,573,954,000,00
0
327,125,700,000
608,209,644,000
54,906,870,000
571,808,000,000
191,573,753,279
1,025,748,000,000
309,000,000,000
16,131,186,670
76,866,000,000
597,818,000,000
11,986,610,000
1,280,127,000,000
55,147,000,000
26,491,867,000,000
28,177,730,000,000
184,056,000,000
342,461,000,000
462,296,000,000

407,674,031,000,000
321,822,000,000
728,787,245,000
55,372,409,000
602,026,000,000
94,754,521,688
919,756,000,000
432,200,000,000
15,968,922,550
78,812,000,000
629,140,000,000
15,473,050,000
1,116,877,000,000
60,555,000,000
24,225,471,000,000
32,260,890,000,000
147,694,000,000
329,971,670,800
425,405,000,000

77,575,800,000,000
101,470,430,000
5,112,958,900,000
67,216,300,000
264,954,800,000

91,181,400,000,000
99,960,700,000
5,219,545,675,000
65,540,500,000
270,487,400,000

66,755,301,929,874 18,936,654,200,000
1,049,181,000,000
331,073,000,000
635,331,400,000
458,381,700,000
1,565,181,000,000
401,409,200,000
1,505,485,000,000
651,813,000,000
Sursa: www.data.un.org

15,014,126,700,000
295,316,000,000
381,417,300,000
504,079,500,000
775,952,000,000

3. Analiza descriptive a seriilor de date

Export

Se poate observa ca media este 1.85e+13, mult diferita fata de mediana:

3.72e+11(pentru o distributie normal media trebuie sa fie = cu mediana). Deviatia
standard este 7.18e+13 (cu cat valoarea acesteie este mai mica, cu atat valorile
distributiei sunt mai grupate in jurul valorii medii si invers). Asimetria are valoarea
de 4.852, semnificativ diferita de 0 (valoarea pentru o distributie normala), iar
aplatizarea este 25.50, diferita cu mult de 3 (valoarea aplatizarii pentru o distributie
standard normala). Din cele de mai sus rezulta ca seria nu urmeaza o distributie
normal, lucru ce se poate vedea si in grafic.

Import

Se poate observa ca media este 1.95e+13, mult diferita fata de mediana: 4.03e+11.
Deviatia standard este 7.54e+13. Asimetria are valoarea de 4.796, semnificativ
diferita de 0 (valoarea pentru o distributie normala), iar aplatizarea este 25.05,
diferita cu mult de 3 (valoarea aplatizarii pentru o distributie normala). Din cele de
mai sus rezulta ca seria nu urmeaza o distributie normal, lucru ce se poate vedea si
in grafic.

PIB

Se poate observa ca media este 4.56e+13, mult diferita fata de mediana: 1.28e+12.
Deviatia standard este 1.43e+14. Asimetria are valoarea de 3.45, semnificativ
diferita de 0 (valoarea pentru o distributie normala), iar aplatizarea este 13.54,
diferita cu mult de 3 (valoarea aplatizarii pentru o distributie normala). Din cele de
mai sus rezulta ca seria nu urmeaza o distributie normal, lucru ce se poate vedea si
in grafic.

Reprezentarea grafica a seriilor:

4. Estimare parametri model

a. Testarea semnificatiei parametrilor

Vom verifica existenta unor legaturi intre variabilele amintite mai sus prin metoda
celor mai mici patrate, la fel ca si in cazul regresiei liniare simple. Vom inroduce in
Eviews comanda: ls pib c export import. Modelul pe care il vom estima este de
forma: Pib = a0 + a1Export + a2Import.

Tabelul de output al comenzii date este:

Pe primele 3 linii gasim informatii cu privire la cei 4 coeficientii inclusi in model.

Conform rezultatului, obtinem urmatoarea relatie: Pib = 1.14e - 23.9166*Export +
24.4577*Import.
Testul Student, notat t-Statistic, testeaza urmatoarea ipoteza nula:
H0: a= 0
H1: a=!0
Pentru testarea parametrilor, vom analiza daca Prob(parametru) difera sau nu de
0.05.
Prob(a0) = 0.108 > 0.05 => se accepta H0 (a0 = 0) Parametrul a0 nu difera
semnificativ de 0.
Prob(a1) = 0.00 <0.05 => se respinge H0 (a1 = 0) Parametrul a1 difera
semnificativ de 0, iar acest lucru este garantat cu un nivel de incredere de
99% - 100%.
Prob(a2) = 0.00 <0.05 => se respinge H0 (a2 = 0) Parametrul a2 difera
semnificativ de 0, iar acest lucru este garantat cu un nivel de incredere de
99% -100%.
Ultimele 2 probabilitati obtinute sunt mai mici decat 0.05, ceea ce inseamna
ca se respinge ipoteza nula, in timp ce prima probabilitate, care este mai >
0.05, accepta ipoteza nula.

b. Construirea de intervale de incredere pentru parametri

Vom construi intervale de incredere pentru parametri folosind urmatoare secventa
de comenzi in EViews: View Coefficient Diagnostics Confidence Intervals. Se
va selecta un interval de incredere de 95%. Se obtine urmatorul tabel:

Se pot face urmatoarele afirmatii:

Cu o probabilitate de 95% garantam ca valoarea coeficientului EXPORT se
afla in intervalul (-30.5232; -17.3100).
Cu o probabilitate de 95% garantam ca valoarea coeficientului variabilei
IMPORT se afla in intervalul (18.1711; 30.7443).
c. Interpretare economica a parametrilor estimate
Daca Exportul va creste cu 1.000.000EUR, Pib-ul va scadea cu
23.91663EUR.
Daca Importul va creste cu 1.000.000EUR. Pib-ul va creste cu
24.45771EUR.

e. Testarea modelului de regresie pe ansamblu (testul F)

Testul Fisher, notat F-Statistic, are aproximativ acelasi scop ca si testul Student, cu
deosebirea ca verifica toti coeficientii, in acelasi timp. Definim ipotezele sale:
H0: a0= a1= a2= a3=0 modelul nu este valid)
H1: Modelul este valid( corect specificat)

Prob (F-statistic) = 0.00 < 0.05, respingem ipoteza nula => modelul este valid.
e. Interpretarea raportului de determinare
Valoarea lui R2 este 0.939771 si este foarte apropiata de 1. 93.97% din variatia
variabilei Pib este explicate de variatia variabilelor Export si Import (de modelui
de regresie).

5. Testarea ipotezelor formulate asupra modelului liniar de regresie

a. Testarea normalitatii erorilor

Testul Jarque-Berra ia in calcul ipoteza c o distribuie normal are un

coeficient de asimetrie egal cu zero, (Skewness = 0), i un coeficient de aplatizare egal
cu trei, ( Kurtosis = 3).
Dac probabilitatea Prob(JB) corespunztoare valorii calculate a testului este
suficient de sczut, atunci ipoteza de normalitate a erorilor este respins, n timp ce,
n caz contrar, pentru un nivel suficient de ridicat al probabilitii, ipoteza de
normalitate a erorilor este acceptat.
Se definesc cele doua ipoteze ale testului:
H0: Erorile urmeaza o repartitie N(0,1)
H1: Erorile nu urmeaza o repartitie N(0,1)
Asimetria trebuie sa fie cat mai mica, deci valoarea Skewness trebuie sa
tinda spre 0. In cazul nostru este 3.0578, nu destul de apropiata de 0. Valoarea
Kurtosis trebuie sa fie cat mai apropiata de 3. In cazul nostru este 11.4181. Testul
Jarque-Bera se bazeaza pe aceste 2 valori si arata daca valorile sunt distribuite
normal. Valoarea testului este 135.3314, iar probabilitatea este 0.00 < 0.05, deci
putem accepta ipoteza nula de normalizare a erorilor.
b. Testarea ipotezei de necorelare a erorilor
Vom folosi testul Breusch-Godfrey pentru testarea autocorelarii erorilor de ordin
>= 2.

Ipoteze:
H0: a1= a2=ai = 0 => reziduul nu este autocorelat
H1: Exista ai diferit de 0 => exista autocorelare a erorilor
Alegem lag-ul de ordin 2.
Avem:
1. Prob(RESID(-1)) = 0.5897 > 0.05 => se accepta H 0. Nu exista autocorelare a
erorilor de ordinul 1.

2. Prob(RESID(-2)) = 0.7070 > 0.05 => se accepta H 0. Nu exista autocorelare a

erorilor de ordiual 2.
Probabilitatile variabilelor independente sunt mai mari decat 0.05 => ca erorile nu
sunt corelate cu variabilele independente.
F-statistic = 0.101 > 0.05 si n*R2 > 0.05 => modelul nu este valid.

c. Testarea ipotezei de homoscedasticitate

Vom testa aceasta ipoteza folosind testul Breusch-Pagan-Godfrey.
Se defines ipotezele:
H0: a1=a2==ak= 0 => modelul este homoscedastic
H1: Exista ai diferit de 0 => modelul este heteroscedastic

Avem: Prob(F) = 0.7142 si n*R2 = 0.7387 > 0.05 => se accepta H0

homoscedasticitate.

=>

avem

d. Testarea ipotezei de multicoliniaritate

Ipoteza de multicoliniaritate ne spune ca exista o corelare ridicata intre
variabilele explicative ale modelului de regresie.
Vom aplica criteriul Klein si definim cele doua ipoteze.
H0: Nu exista multicoliniaritate
H1: Exista multicoliniaritate
Etapa 1: Calculam raportul de determinare: R = 0.939771
Etapa 2: Calculam rx1/x2
rx1/x2 = 0.999575

Etapa 3. Facem comparatie intre r2 si R2 . Daca exista un r2 > R2 => ca se manifesta

coliniaritate.
rx1/x22 = 0.999 > 0.939
Exista r2>R2 => se respinge H0 => exista multicoliniaritate.

Aplicatia 2

1. Seria de timp

In continuare, vom prezenta o serie de timp pentru o variabila economica si

cateva caracteristici. Am ales ca exemplu cursul de schimb EUR, pentru luna
ianuarie si jumatate din februarie a anului 2015. Datele sunt prezentate cronologig,
iar sursa folosita este http://www.bnr.ro/files/xml/nbrfxrates2015.htm . Datele
sunt:

2. Analiza descriptive a seriei

Vom realiza in eviews histograma si statisticile seriei curs de schimb.

Media seriei de date este 4.4658, valoare foarte apropiata de mediana (4.4826).
Deviatia standard este 0.0361. Seria urmeaza o distributie normala.
Stationaritatea:

Graficul seriei ne descrie o serie nestationara, dar pentru un rezultat mai clar vom
folosi corelograma seriei.

3. Corelograma Cursului de schimb

Autocorelarile se impart in 2 categorii: cele apropiate de 1 si cele care difera

semnificativ de 1. Autocorelarile partiale prezinta un singur varf. Aceasta este o
corelograma specifica seriilor de tip nestationar Random Walk => cursul de
schimb este acest tip de serie.

Testul Unit-Root

Ipoteze:
H0: seria are radacina-unitate => nestationaritate
H1: seria nu are radacina unitate => stationaritate
Prob(ADF) = 0.0579 > 0.05 => se accepta H0 => nestationaritate
Prob(Trend) = 0.0055 < 0.05 => avem trend determinist
Bibliografie:
http://www.bnr.ro/files/xml/nbrfxrates2015.htm
www.data.un.org
http://documents.tips/documents/regresie-multipla-proiect-final.html
http://www.aurapopa.ase.ro/files/S2_FABBV_Introducere_EViews_Teste_Statitice
.pdf
http://www.intercapital.ro/intercapital_start/explicatii/distribKurtosis.htm
https://en.wikipedia.org/wiki/Jarque%E2%80%93Bera_test
http://www.itl.nist.gov/div898/handbook/eda/section3/eda35b.htm
https://en.wikipedia.org/wiki/Jarque%E2%80%93Bera_test