ACADEMIA DE STUDII ECONOMICE

FACULTATEA DE ECONOMIE AGROALIMENTAR I A

MEDIULUI

Prof. univ. dr. MIRCEA GHEORGHI

Conf. univ.dr. SIMONA ROXANA PTRLGEANU

ECONOMETRIE

BUCURETI
-2011-

CUPRINS
Introducere
Capitolul I: Modele econometrice
1.1.
Generaliti
1.2.
Model aleator
1.3.
Natura variabilelor care apar n model
1.4.
Inducia statistic
1.5.
Identificarea modelului
1.6.
Previziunea variabilei endogene
1.7.
Vocabular uzual
Capitolul II: Regresia simpl
2.1. Modelul liniar al regresiei simple
2.2. Determinarea estimatorilor parametrilor prin metoda celor mai mici ptrate
2.3. Proprietile estimatorilor
2.3.1. Covariana estimatorilor
2.3.2. Determinarea unui estimator nedeplasat pentru variana erorilor
2.3.3. Interpretarea geometric a metodei celor mai mici ptrate
2.3.4. Coeficientul de corelaie liniar
2.3.5. Distribuia de probabilitate a estimatorilor
2.4. Teste i intervale de ncredere
2.5. Previziunea cu modelul liniar
2.6. Experien de calcul
Capitolul III: Regresia multipl
3.1. Modelul liniar al regresiei multiple
3.2. Determinarea estimatorilor parametrilor
3.3. Proprietile estimatorilor
3.4. Determinarea unui estimator nedeplasat pentru variana reziduurilor
3.5. Teste i regiuni de ncredere
3.6. Previziunea variabilei endogene
3.7. Coeficientul de corelaie multipl. Analiza varianei
3.8. Experien de calcul
Capitolul IV: Studiul modelului liniar cnd ipotezele clasice asupra erorilor nu mai
sunt realizate
4.1. Ipoteza de independen a erorilor
4.1.1. Testarea ipotezei de independen a erorilor
4.1.2. Experien de calcul
4.2. Ipoteza de normalitate a erorilor
4.3. Ipoteza de heteroscedasticitate
4.3.1. Experien de calcul
4.4. Ipoteza de independen a erorilor n raport cu variabilele exogene
4.5. Ipoteza referitoare la faptul c variabilele sunt observate fr eroare
4.5.1. Experien de calcul
Bibliografie

3
4
4
4
4
5
5
5
6
10
10
11
12
15
16
18
21
22
24
25
29
34
34
35
36
38
39
41
42
45
49
49
52
55
59
60
61
63
63
65
68

INTRODUCERE
Dezvoltarea aparatului statistic furnizeaz economitilor tot mai multe date cifrice despre procesele i
fenomenele care au loc n timp i spaiu. Econometria este un mijloc de a exploata aceste date. Noiunea de econometrie
provine din termenii oikonomie (economie) i metron (msurare) i desemneaz totalitatea metodelor i tehnicilor de
msurare a fenomenelor i proceselor care au loc n domeniul economic. Primele lucrri econometrice au avut ca obiect
funciile consumului, care leag nivelul consumului de venitul disponibil (aceste funcii stau la baza teoriei keynesiene).
n decursul timpului, numeroi autori au ncercat definirea econometriei. Lucrarea ECONOMETRIA
PENTRU...ECONOMITI, a profesorului Eugen tefan Pecican, aprut la Editura Econmic n 2003, conine multe
referiri n acest sens, din care am selectat cteva.
Autori
R. Frisch
P.A. Samuelson,
T.C. Koopmans,
J.R.N. Stone
Fr. Perroux
G.C. Chow
W. Griffits,
H. Carter,
G. Judge

Referina
Econometria realizeaz mbinarea punctelor de vedere care se refer la teoria economic, statistic i
matematic cu privire la natura relaiilor cantitative din economie
Econometria reprezint o analiz de natur cantitativ a fenomenelor economice, bazat pe
dezvoltarea recent a teoriei culegerii i interpretrii datelor, n conexiune cu metodele de inferen
(inducie) statistic adecvate
Econometria este o economie de intenie tiinific
Econometria este un domeniu n care se mbin arta i tiina de a utiliza metodele statistice n
vederea msurrii relaiilor economice
Econometria este ansamblul metodelor de realizare a analizei datelor economice

Autorul lucrrii citate mai sus este de prerea c obiectul econometriei const n cunoaterea mecanismelor de
desfurare a proceselor economice descrise de serii de date statistice, prin utilizarea metodelor cantitative de natur
statistic sau matematic.
Definiiile date econometriei pun n eviden dou elemente: domeniul de studiu (economia, relaiile dintre
variabilele economice) i metodele utilizate (provenite din statistic i matematic). Econometria se orienteaz spre
construirea de modele econometrice care s reprezinte simplificat procesele sau fenomenele economice analizate i s
permit simulri ale acestora, n scopul nelegerii lor, pe de o parte, dar i s serveasc la realizarea de previziuni,
prognoze care s fundamenteze politicile economice, pe de alt parte.

CAPITOLUL I
MODELE ECONOMETRICE
1.1.

Generaliti

Modelarea economic reprezint un proces de cunoatere mijlocit a realitii cu ajutorul unui instrument cu
caracteristici speciale: modelul. Sistemul real supus studiului este nlocuit prin modelul su, care este o reprezentare
simplificat a obiectului cercetat.
Modelul econometric este, de regul, o mulime de relaii numerice care permite reprezentarea simplificat a
procesului economic supus studiului (uneori chiar a ntregii economii). Modelele actuale comport adesea mai mult de
zece relaii (ecuaii). Validitatea unui model este testat prin confruntarea rezultatelor obinute cu observaiile statistice.
Pentru a studia un fenomen economic se ncearc reprezentarea lui prin comportamentul unei variabile. Aceast
variabil economic depinde, la rndul su de alte variabile de care este legat prin relaii matematice.
De exemplu, dac se studiaz cererea (C) i oferta (O) dintr-un anumit bun pe o pia, se tie c cererea i
oferta depind de preul (p) bunului respectiv. Putem scrie c variabilele C i O sunt funcii de variabila p i c la
echilibrul pieei, trebuie ca cererea s fie egal cu oferta. Se construiete astfel un model elementar de forma:

C = f ( p )
[1]
O = g ( p )
C =O

Oferta i cererea dintr-un anumit bun depind i de alte variabile dect preul. Astfel, cererea dintr-un bun
alimentar depinde i de venitul disponibil, de preul unor produse analoage etc. La fel, dac este vorba despre un bun
agricol (gru,...) oferta depinde de preul anului precedent. Relaia stabilit ntre variabile n modelul econometric este
dat, de regul, la un anumit moment de timp t, caz n care variabilele apar indiciate:

[2]

C t = f ( pt , x1t , x 2t ,..., x nt )

Ot = g ( pt 1 , x1t , x 2t ,..., x rt )

C t = Ot

n modelul [2] s-au introdus mai multe variabile care explic cererea i oferta dintr-un bun i s-a considerat
realizarea acestor variabile la momentul t sau t-1. Se observ c modelul comport mai multe relaii. Se zice c avem un
model cu ecuaii multiple. Evident, se va ncepe studiul cu un model mai simplu, cu o unic ecuaie.
1.2.

Model aleator

S presupunem c se studiaz consumul (Ci) dintr-un anumit bun de ctre o familie (i). ntre alte variabile,
consumul depinde de venitul disponibil al familiei (Vi). Modelul econometric elementar const n a exprima Ci n
funcie de Vi. Desigur, ali factori dintre care unii sunt necunoscui determin de asemenea consumul familiei.
Condensm efectele acestor ali factori ntr-unul singur, aleator, notat i. Se obine astfel un model aleator:
[3]

Ci = f (Vi ) + i

Factorul aleator i este o variabil aleatoare care urmeaz o anumit lege de probabilitate, ce va trebui s fie
specificat prin ipotezele fcute asupra modelului. Cel mai frecvent, ipotezele se refer doar la momentele de ordinul I
i II ale variabilei aleatoare i. Urmeaz s ne asigurm c funcia f (sau clasa de funcii) aleas nu contrazice rezultatele
experienei. De exemplu, dac s-a ales f ca o funcie liniar (adic f(Vi) = aVi+b), modelul econometric este:
[4]

C i = aVi + b + i

i variind pe i pentru diferitele familii studiate, ne vom asigura c relaia [4] este bine satisfcut. Se spune c testm
modelul. Dac rezultatul obinut este convenabil, se va trece la estimarea parametrilor a i b. Apoi, definind o regul
de previziune se va putea determina consumul Ci dac se cunoate venitul Vi.
1.3.

Natura variabilelor care apar n model

ntr-un model econometric se disting dou tipuri de variabile:

-exogene. Sunt variabilele explicative ale variabilei studiate i se consider ca fiind date autonom. n modelul
[4] Vi este variabila exogen (sau explicativ, independent). Venitul familiei Vi explic n acest model
consumul familiei Ci. Valoarea variabilei exogene pentru un i dat i pentru i precizat- permite determinarea
consumului Ci.
-endogene. Sunt variabilele de explicat (sau dependente). Ci este variabila endogen n modelul precedent. Se
poate remarca faptul c Ci este acum o variabil aleatoare datorit lui i.
4

Distincia ntre natura variabilelor este foarte important i va trebui precizat ntotdeauna nainte de a studia
modelul. Cnd modelul econometric a cptat formularea matematic definitiv se spune c modelul a fost specificat.
Modelul [4] de mai sus este specificat. Se cunoate forma funciei f din expresia Ci = f(Vi) + i , adic f(Vi) = aVi+b.
Adugarea variabilei exogene i d modelului formularea definitiv [4].
Mulimea parametrilor care definesc complet modelul econometric constituie structura acestuia. De
exemplu, dac a = 0,7 i b = 23 iar urmeaz o lege de probabilitate normal de medie (speran matematic) egal cu
zero i dispersie (varian) egal cu 5, atunci mulimea
a = 0,7; b= 23; = 5
constituie structura modelului [4]. Scopul va fi acela ca, plecnd de la cuplurile (Ci,Vi) asociate diferitelor familii i, s
se determine structura adevrat a modelului. Cu alte cuvinte, plecnd de la un spaiu eantion definit de mulimea
cuplurilor (Ci,Vi) s se determine structura adevrat a modelului n spaiul cu trei dimensiuni al structurilor
a , b, . Aici intervine induciastatistic.
1.4.

Inducia statistic

Obiectul induciei statistice este de a determina o procedur care, pornind doar de la observaiile statistice de
care dispunem, s permit trecerea de la spaiul eantion la spaiul structurilor. Odat ce modelul a fost ales, se admite
c exist un triplet (a, b, ) care permite reprezentarea exact a procesului prin care valorile variabilelor observate au
fost determinate. n cursul induciei statistice modelul nu se mai modific. Procedura aleas aa cum se va vedea n
continuare va consta n obinerea de estimatori pentru parametrii a i b care s permit determinarea celor mai bune
valori reale ale acestor parametri. Aceste valori se vor aprecia, n general, cu ajutorul unor intervale de ncredere
construite la un prag de semnificaie () dat. De exemplu, n modelul [4] se va gsi c a[0,64;0,78] i b[20;27] cu o
probabilitate de 95% (s-a considerat =5%). Se poate estima i abaterea medie ptratic () a variabilei aleatoare i. Se
va vedea rolul important jucat de aceast variabil aleatoare n modelul econometric.

1.5.

Identificarea modelului

Considerm din nou modelul Ci=aVi+b+i. S presupunem c procedura utilizat, pornind de la informaia
deinut, adic de la cuplurile (Ci,Vi), i=1,2,... nu conduce la o soluie unic, ci la dou structuri distincte:
s0=a0,b0,0 , s1 =a1,b1,1. Deorece legea de probabilitate pentru precizeaz i legea de probabilitate pentru C,
fiecare structur (innd cont de valorile exogenelor i de legea lui ) conduce la o lege de probabilitate pentru C.
Presupunem c structurile s0 i s1 conduc la aceeai lege de probabilitate pentru consumul C. Sunt posibile dou cazuri:
s0 i s1 sunt distincte i nu putem alege ntre ele. Se spune c structurile considerate nu
sunt identificabile i, ca urmare, modelul nu este identificabil. Din aceast cauz nu
vom putea determina valorile parametrilor care figureaz n model;
s0 i s1 nu sunt distincte, intersecia lor nu este vid. Acestea vor permite identificarea unei
pri a parametrilor modelului (cei care aparin interseciei). Se spune c cele dou
structuri sunt echivalente, dar nu permit o identificare complet a modelului.
Problema identificrii este important mai ales n cazul modelelor cu ecuaii multiple.

1.6.

Previziunea variabilei endogene

Interesul unui model a crui structur a fost determinat const n a-l utiliza pentru previzionarea variabilelor
endogene ntr-o etap viitoare sau ntr-o circumstan dat, dac este vorba despre observaii luate la acelai moment-,
atunci cnd cele exogene au fost fixate. De exemplu, dac dorim s studiem evoluia importurilor (Y) n funcie de
produsul intern brut (X1) i de nivelul stocurilor (X2), modelul econometric este:
yt=a1x1t+a2x2t+b+t, t=1,2,...,T
unde t este timpul. Datele istorice (pe perioada 1990-2005) despre Y, X1 i X2 (observaiile fiind anuale)
permit determinarea parametrilor modelului. S presupunem c am gsit estimaiile punctuale:

a1 = 0,14

a 2 = 0,6
b = 6

Modelul estimat este:

y t = 0,14 x1t + 0,6 x 2t + 6 . Dac dorim s facem o previziune a importurilor pentru anul

2007, trebuie s tim PIB-ul i nivelul stocurilor n anul 2007. Presupunnd c aceste variabile exogene sunt x1=1030 i
x2=12,7 vom avea ca previziune pentru y:
y2007=(0,14).1030+(0,6).(12,7)+6

sau, n general,

yp = a1 x1 + a2 x2 + b , unde este perioada de previziune.

Observaie. Asupra valorii previzionate trebuie s remarcm:

- valorile exogenelor x1, x2 au fost alese arbitrar, eventual innd cont de evoluia lor trecut;
- specificarea modelului nu poate fi perfect, forma funciei alese pentru a explica evoluia lui y neputnd fi
suficient de precis;
- este posibil ca variabilele explicative (exogene) ale variabilei endogene (explicate), s nu mai intervin n
acelai mod ca n perioada 1990-2005, cnd s-a studiat legatura dintre ele. Este posibil s aib loc un oc, o
ruptur care s perturbe echilibrul dintre variabilele care explic fenomenul, la momentul previziunii.
Este evident c toate aceste cauze pot constitui surse de eroare a previziunii. Vom vedea care sunt metodele de a
minimiza eroarea de previziune.
Rezumatul capitolului I
Pentru construcia i utilizarea unui model econometric, se parcurg urmtoarele etape:
- specificarea modelului (gsirea formulrii matematice definitive a legturii dintre variabilele care descriu
fenomenul sau procesul economic studiat);
- estimarea parametrilor i testarea modelului cu ajutorul statisticilor (seriilor de date observate) deja
cunoscute;
- previziunea variabilei endogene.

1.7.

Vocabular uzual

Dac suntei familiarizai cu statistica matematic, putei trece la capitolul II. n caz contrar, v reamintim aici
cteva noiuni de baz. Lectura acestui paragraf credem c v va incita s revedei cursul de Statistic matematic.
Nor de puncte Fiind dat o serie de date statistice n care valorile (xi,yj) apar efectiv de nij ori putem
reprezenta ntr-un plan toate aceste valori prin puncte de coordonate (xi,yj) afectate de coeficienii nij , obinndu-se
astfel un nor de puncte.
Ajustare Reprezentarea grafic a seriilor de date economice conduce frecvent la figuri puin lizibile i greu
de interpretat din cauza variaiilor pe termen scurt, numeroase i sensibile, dar fr o semnificaie important. Metodele
matematice numite de ajustare permit obinerea unei curbe simple, ct mai apropiat posibil de mulimea de puncte
furnizate de observaiile empirice disponibile.
Ajustare liniar Atunci cnd reprezentarea grafic a unei serii statistice duble d un nor de puncte de form
alungit, se ncearc obinerea unei aproximri bune a acestei serii cu ajutorul unei drepte, realizndu-se astfel o ajustare
liniar. Exist mai multe metode pentru gsirea acestei drepte:
- metoda grafic (se determin punctul mediu M ale crui coordonate sunt ( x, y ) i se traseaz dreapta care
pare a fi cea mai reprezentativ a seriei, determinnd ecuaia Y=aX+b. Aceast metod este ambigu pentru c nu ine
cont de ponderea fiecrui punct n norul de puncte);
- metoda lui Mayer (se regrupeaz punctele norului n dou submulimi crora li se determin punctele medii
M1 i M2. Dreapta de ajustare este atunci dreapta care trece prin M1 i M2);
- metoda celor mai mici ptrate (const n a face minim suma ptratelor distanelor de la punctele norului la o
dreapt de ecuaie Y=aX+b numit dreapt de regresie a lui Y n X. Se arat c panta (coeficientul director) acestei
drepte este a=cov(X,Y)/Var(X). Coeficientul b se obine scriind c dreapta de regresie trece prin punctul mediu:

b = Y aX . Procednd la fel se gsete dreapta de regresie de ecuaie X=aY+b , cu a=cov(X,Y)/Var(Y) i

b = X a Y . Cele dou drepte de regresie sunt, n general, distincte. Compararea lor permite msurarea nivelului

de corelaie al caracteristicilor X i Y. Corelaia se msoar cu coeficientul de corelaie =cov(X,Y)/(X)(Y). Se

constat c 2=aa i c variaz ntre 1 i 1. 2 msoar unghiul dintre cele dou drepte de regresie, care coincid dac

2=1, adic

= 1 . Caracteristicile X i Y sunt corelate maximal cnd

este apropiat de 1).

n afara faptului de a da o reprezentare mai mult sau mai puin satisfctoare legturii dintre X i Y, importana
ajustrii liniare este de a permite previziuni statistice, asociind lui X o valoare probabil a lui Y prin relaia Y=aX+b.
Probabilitate Fiind dat o mulime finit , numim probabilitate pe orice aplicaie p a lui P()
mulimea prilor lui - n intervalul [0,1] care verific trei condiii:
- p(A)0, pentru A P()
- p()=1
- p(AB)= p(A)+ p(B), dac A,B P(), AB=
se numete univers (sau univers de probabiliti). nzestrat cu probabilitatea p se numete spaiu
probabilizat. Orice parte a lui este un eveniment. Un singleton (mulime ce conine un singur element) al lui se
6

numete eveniment elementar sau eventualitate. este evenimentul cert. este evenimentul imposibil. A este
evenimentul complementar lui A n (se numete eveniment contrar lui A). Dac AB=, evenimentele A i B sunt
incompatibile.
Variabil aleatoare Dac este un univers finit, numim variabil aleatoare orice aplicaie X: R ( a
lui n mulimea numerelor reale). Mulimea valorilor lui X, adic X() se numete universul imagine. Atenie!- o
variabil aleatoare nu este o variabil, ci o aplicaie! Se observ c nu este necesar s cunoatem o probabilitate pe
pentru a defini o variabil aleatoare pe .
Legea de probabilitate a unei variabile aleatoare Dac universul finit este nzestrat cu o probabilitate p,
iar X este o variabil aleatoare definit pe , numim lege de probabilitate a variabilei aleatoare X, aplicaia px:
X()[0,1] care asociaz oricrui xX() probabilitatea evenimentului mulimea antecedentelor lui x prin X.
Aceast mulime X-1(x) este notat (X=x). Legea de probabilitate a lui X, notat px este definit prin px: X()[0,1], x
p(X=x). A studia o variabil aleatoare nseamn a-i descoperi legea sa de probabilitate.
Funcie de repartiie Dac universul finit este nzestrat cu o probabilitate p, iar X este o variabil
aleatoare definit pe , se asociaz acestei variabile aleatoare funcia F:R[0,1] definit prin F(x)=p(X<x) numit
funcie de repartiie a variabilei aleatoare X. Evenimentul (X<x) este imaginea intervalului ( , x ) prin funcia X.
Funcia de repartiie este o funcie n scar.
Sperana matematic Dac X este o variabil aleatoare definit pe universul finit , nzestrat cu
probabilitatea p, universul imagine este o mulime finit i ia valorile xi, i=1,2,...,n. Legea de probabilitate a lui X
asociaz fiecrui xi probabilitatea pi=p(X=xi). Se numete speran matematic a variabilei aleatoare X, numrul real
n

E ( X ) = pi xi

. E(X) este media n probabilitate a valorilor luate de variabila aleatoare X. E(.) este un operator

i =1

liniar.

Variana Dac X este o variabil aleatoare definit pe universul finit , nzestrat cu probabilitatea p,
universul imagine este o mulime finit i ia valorile xi, i=1,2,...,n. Legea de probabilitate a lui X asociaz fiecrui xi
probabilitatea pi=p(X=xi). Se numete varian a variabilei aleatoare X, numrul real pozitiv
n

Var ( X ) = p i ( xi E ( X )) 2

. Variana este media n probabilitate a ptratului distanelor de la xi la media lor.

i =1

Rdcina ptrat (radicalul) lui Var(X) este ecartul-tip al variabilei aleatoare X, notat x.
Momente

condiionate

Se

P ( X = xi , Y = y j ) = p ij , pij > 0,

consider

p
i

P ( X = xi / Y = y j ) =

p ij
p. j

ij

vectorul

aleator

(X ,Y ) : R 2

cu

repartiia

= 1 i variabila aleatoare condiionat (X/Y=yj) cu repartia

, p. j = p ij . Momentul de ordinul k al variabilei aleatoare X condiionat de Y=yj este

i

momentul iniial de ordinul k al variabilei aleatoare condiionate (X/Y=yj):

M ( X k / Y = y j ) = xik P( X = xi / Y = y j ) = xik
i

p ij
p. j

1
p. j

ij

xik

Similar se definete momentul de ordinul k al variabilei aleatoare Y condiionat de X=xi.

Pentru k=1 se obin mediile condiionate:

M (X /Y = y j ) =

1
p. j

x p
i

ij

, M (Y / X = xi ) =

1
y j pij
pi . j

Se pot defini variabilele aleatoare medii condiionate astfel:

- variabila aleatoare media lui X condiionat de Y, cu repartiia:

M (X /Y = y j )
, p. j 0, p. j = 1
M ( X / Y ) :

p. j
j

-variabila aleatoare media lui Y condiionat de X , cu repartiia:

M (Y / X = xi )
, pi . 0, pi . = 1
M (Y / X ) :
pi .
i

Regresie Se numete regresia variabilei aleatoare X n raport cu Y, variabila aleatoare M(X/Y) cu mulimea
valorilor posibile: M(X/Y=y),

x R.

Similar, regresia variabilei aleatoare Y n raport cu X este: M(Y/X=x), y R.

Dac M(X/Y)=aX+b sau M(Y/X)=cY+d se spune c regresia este liniar
7

Repartia normal Variabila aleatoare X urmeaz o repartiie normal de parametri m i (se mai scrie i

X N (m, ) ) dac densitatea ei de probabilitate (derivata funciei de repartiie) este:

f ( x) =

exp(

( x m) 2
), x R,
2 2

m R, >0

Pentru m=0 i =1 se obine repartiia normal normat N(0,1), cu densitatea de probabilitate:

f ( x) =

1
2

exp(

x2
),
2

x R,

Se arat c parametri m i 2 sunt media (sperana matematic), respectiv dispersia (variana) variabilei aleatoare
X N (m, ) .
Repartiia 2 (hi-ptrat) cu n grade de libertate Variabila aleatoare X urmeaz legea de repartiie hi-ptrat
cu n grade de libertate (se mai scrie i X H ( n) ) dac densitatea ei de repartiie este:

Dac

*
1
x
x 2 exp( ), x>0, n N
2
n

f ( x) =

n
( ) 2 2
2
aleatoare X i

variabilele

N (0,1),

i=1,2,...,n

sunt

independente,

atunci

variabila

aleatoare

Y = X i2

urmeaz legea de repartiie H(n).

i =1

Repartiia Student cu n grade de libertate S(n) Variabila aleatoare X urmeaz legea de repartiie Student
cu n grade de libertate dac densitatea ei de repartiie este:

f ( x) =

1
x2
1 +
n
n 1
n ,
2 2

n +1
2

x R, n N *

Dac variabilele aleatoare X N (0,1), Y H (n) sunt independente, atunci variabila aleatoare
.
X
Z=
S (n)
Y
n
Repartiia Fisher-Snedecor F(n1,n2) Variabila aleatoare X urmeaz legea de repartiie Fisher-Snedecor cu
n1 i n2 grade de libertate dac densitatea ei de repartiie este:
n1
2

n1 n21 1
x
n

n
1 + 1
f ( x) = 2
n2
n n
1 , 2
2 2

n1 + n2
2

x>0,

n1 , n2 N *

Dac variabilele aleatoare X 1 H (n1 ) i X 2 H (n2 ) sunt independente, atunci variabila aleatoare
X1
.
n
X = 1 F (n1 , n2 )
X2
n2

CAPITOLUL II
REGRESIA SIMPL

Studiem, pentru nceput, cel mai simplu model econometric: o variabil endogen reprezint evoluia
fenomenului considerat i aceast evoluie este explicat printr-o singur variabil exogen.
n cadrul capitolului este prezentat metoda de estimare a parametrilor care intervin ntr-un model
econometric, se vor examina proprietile estimatorilor obinui i se vor generaliza rezultatele analizei pentru modele
mai complexe. ntr-o prima parte se va trata obinerea estimatorilor parametrilor modelului i proprietilor lor, iar ntro a doua parte se d o interpretarea geometric a metodei utilizate, determinarea intervalelor de ncredere referitoare la
parametri i previziunea care poate fi fcut cu un astfel de model.

2.1. Modelul liniar al regresiei simple

Considerm modelul:
(1)

yt = axt + b + t , t=1, 2, ...,T

n care: Y reprezint o variabil endogen;

X o variabil exogen;

o variabil aleatoare ale crei caracteristici vor fi precizate prin ipoteze.

Se dispune de T observaii asupra lui Y i X, adic T cupluri (xt, yt) care sunt realizri ale lui X i Y. a i b sunt
parametri reali necunoscui pe care dorim s-i estimm cu ajutorul observaiilor (xt, yt) cunoscute.

Ipoteze fundamentale
Pentru a putea obine rezultatele enunate la nceput, vom simplifica lucrurile impunnd o serie de ipoteze
restrictive asupra modelului. Ulterior, n alte capitole, se vor relaxa aceste restricii, discutnd implicaiile abandonrii
unora din aceste ipoteze asupra calitii estimatorilor.
I1:
xt i yt sunt mrimi numerice observate fr eroare;
X variabila explicativ se consider dat autonom n model;
Y variabila endogen este o variabil aleatoare, prin intermediul lui .
I2:
a)- urmeaz o lege de distribuie independent de timp, adic media i dispersia lui nu depind de t:

E ( t ) = 0, t = 1,2,..., T ,

Var ( t ) = 2 , cantitate finit, t .

Observaie:
S-au folosit aici, pentru medie i dispersie, notaiile

E () , respectiv Var () , provenind de la sperana

matematic i variana unei variabile aleatoare. Se presupune c studenii au cunotine elementare despre teoria
probabilitilor i statistic matematic. Altfel, ele trebuie revzute!
b)- Realizrile lui sunt independente de realizrile lui X n cursul timpului. Aceasta este ipoteza de
homoscedasticitate. n caz contrar, exist heteroscedasticitate.
9

c)- Independena erorilor (se va vedea pe parcurs c variabila aleatoare reprezint erori sau reziduuri).
Dou erori relative la dou observaii diferite t i t sunt independente ntre ele, nsemnnd c au covariana nul:

cov( t , t ) = 0 , ceea ce implic E ( t . t ) = 0 .

Prin definiie, cov( t , t ) = E

[( t E ( t ))( t E ( t ))] i innd cont de a) rezult implicaia.

d)- Normalitatea erorilor. Presupunem c urmeaz o lege de repartiie normal , cu media 0 i dispersia
ceea ce poate fi scris astfel:

2 ,

N (0, 2 ) .

I3:
Primele momente empirice ale variabilei X, pentru T foarte mare, sunt finite:

1 T
xt T x0
T t =1

(media empiric).

2
1 T
xt x T
s 2 (variana empiric).

T t =1

Aceast ipotez va fi folosit pentru a preciza proprietile asimptotice ale estimatorilor parametrilor a i b.
Ipotezele I1, I2, I3 pot prea foarte restrictive. Vom vedea ulterior ce consecine are abandonarea unora dintre
ele asupra proprietilor estimatorilor lui a i b.

2.2. Determinarea estimatorilor parametrilor prin metoda celor mai mici ptrate
Determinarea estimatorilor parametrilor a i b (notai cu

b )

prin metoda celor mai mici ptrate

(MCMMP) se face punnd condiia ca suma ptratelor erorilor s fie minim, adic:
T

t =1

2
t

= [ y t axt b ] = (a, b ) .

Pentru ca
1.

t =1

(a, b ) s fie minimal, trebuie ca:

condiii necesare:

= 0,
= 0.
a
b

2
2

2. condiii suficiente:
> 0 , a2
2

a
ba
2

Calculm derivatele pariale ale funciei

2
ab > 0 .
2
b 2

(a, b ) .

T
= 2( yt axt b )( xt ) = 0
a t =1
T
= 2( yt axt b )( 1) = 0
b t =1
T
2
=
2
xt2 >0

a 2
t =1

10

 2
= 2T
b 2
T
2
2
=
= 2 x t .
ab ba
t =1

Atunci, condiiile de ordinul I (necesare) conduc la sistemul de ecuaii:

T
T
T
2
xt yt a xt b xt = 0
t =1
t =1
(1) tT=1
,
T
y a x Tb = 0

t
t

t =1
t =1

iar condiiile suficiente (de ordinul II) sunt verificate.

Ecuaiile condiii de ordinul I (numite ecuaii normale, vezi justificarea geometric din partea a II-a), le
mprim la T, rezultnd:

1 T
1
xt y t a
T
T t =1
y ax b = 0

x
t =1

2
t

bx = 0
.

Din a doua ecuaie avem

1
xt yt y x
T
a =
=
2
1
2
xt x
T

b = y a x

x y T y x = (y y )(x x ) .
x T x
(x x )
t

)(

2
t

Am obinut estimatorii a i

i nlocuind n prima ecuaie:

b ai parametrilor a i b dai de relaiile:

yt y xt x ,
a =
2
(2)
xt x

b = y a x

Observaie:

a este o variabil aleatoare pentru c e funcie de yt, iar b este aleator pentru c e funcie de a .
2.3. Proprietile estimatorilor
Vom arta c estimatorii a i

b obinui prin metoda celor mai mici ptrate sunt nedeplasai i convergeni. n

demonstraie vom ine cont de ipotezele I1, I2, I3. Pentru a uura demonstrarea proprietilor enunate, transformm mai
nti expresiile (2) pentru a le exprima n funcie de parametrii a i b. Vom considera modelul (1)

yt = axt + b + t , t=1, 2, ...,T, nsumm dup toi t i mprim la T. Rezult:

1
1
1
yt = a xt + b + t , adic

T
T
T

(2)

y = ax + b + .

Scdem membru cu membru pe (2) din (1):

11

) (

y t y = a xt x + t

(y y ) n expresia lui a :

i nlocuim

[a(x
a =

) ( )]( ) = a (x x ) + ( )(x
(x x )
(x x )
(x x ) (x x ) = a + (x x )
=a+
(x x )
(x x )
t

x + t xt x

x) = ( xt x) = 0 ).

b , avem c b = y a x , adic y = a x + b , iar din (2)

Din expresia lui

scdere rezult: 0 = (a a )x + b b sau b = b +

a = a +

t xt x

(x

)=

(x

(deoarece

y = a x + b + , astfel c prin

(a a )x . Am obinut c:

b = b + (a a )x .

sunt estimatori nedeplasai pentru a i b.

Un estimator este nedeplasat dac media estimatorului este chiar parametrul estimat. Vom aplica
operatorul de medie E

xt x

wt =

(x

n relaiile gsite mai sus. Pentru comoditate, notm cu wt cantitatea:

, astfel c

a = a + t wt

Rezult:

E (a ) = E (a ) + wt E ( t ) = a , pentru c E(a)=a i E(t)=0.

()

()

E b = E (b ) + E xE (a a )
Avem c: E(b)=b,

()

()

1
1
E = E t = E ( t ) = 0 i E (a a ) = E (a ) E (a ) = a a = 0 , deci
T
T

E b = b .

tiind

()

Var b T
0

estimatorilor

tim c

sunt estimatori convergeni pentru a i b.

E (a ) = a
pentru ca

()

E b = b ,

b s

este

suficient

, adic

artm

Var(a ) T
0

fie convergeni n probabilitate ctre a i b. Calculm variana

b .

a = a + wt t

a a = wt t

12

2
Var (a ) = E (a a ) = E ( wt t ) = E wt2 t2 + 2 wt wt ' t t ' =
t <t '

2
2
= wt E t + 2 wt wt ' E ( t t ' )

( )

t <t '

Conform ipotezelor fundamentale,

Var (a ) = wt =
2

dar w = xt x

xt x
2
t

2
t

( )

E t2 = 2

E ( t t ' ) = 0 , pentru

t t ' , rezultnd:

=
2

(x x )

n final, dispersia estimatorului

este:

Var (a ) =

(x x )

2
1
Conform ipotezei I3,
xt x T
s 2 i avem c Var

(a ) =

2
Ts 2

T
0 .

Am obinut c

a T
a ( a

este convergent n probabilitate ctre a).

Determinm acum dispersia estimatorului

() ( ) [
]
= E ( ) 2 xE [ (a a )]+ x E (a a )

2
2
2
2 2
Var b = E b b = E (a a )x = E 2 x(a a ) + (a a ) x =
2

Evalum, pe rnd, fiecare termen:

( )

2
E = E t = E 2 t + 2 t t ' =
T

t <t '

T
T 2 2
1
2
1
= 2 E t2 + 2 E ( t t ' ) = 2 Var ( t ) = 2 =
T
T
T t <t '
T
T
2

( )

(deoarece

E ( t t ' ) = 0 ).

1
1

2
E (a a ) = E t ( wt t ) = E wt t + wt t t ' =

t <t '

T
T
=

2
1
1
1
2
(
)
(
)
w
E
+
w
E
=
w
Var
=

t t T
t
t
t t'
t
T
T
T
t <t '

( )

(x x ) = 0 ,
(
)
(
)
x

x
x

adic E [ (a a )] = 0 .
T

dar

wt =
t =1

t =1

xt x

Folosind aceste rezultate pariale, se obine:

13

()

2
2

2
Var b = + x E (a a ) = + x Var (a ) = +
T
T
T
2

Dispersia estimatorului

x 2

(x

este:

x
2 1

Var (b) = +

2
T
(
x

x
)
t

Cum ns

1
0 i
T T

(x x )

()

1
0 , adic
0 rezult c Var b T

Ts 2 T

b T
b ( b

2.3.1.

converge n probabilitate ctre b) .

Covariana estimatorilor a i

Calculm acum covariana estimatorilor pornind de la definiie:

( ) [(
(
))] [ ( )]
= E [(a a )( x(a a ))] = E [ (a a ) x(a a ) ] =
x
= E [ (a a )] xE (a a ) = xVar (a ) =

cov a , b = E a E (a )) b E (b = E (a a ) b b =
2

(x

Matricea de varian i covarian a lui a i

b , notat

2
Var (a ) cov a , b xt x
=
(a ,b ) =
, a

cov
b
Var
b
x 2

2
xt x

1
x

2
2
xt x
x

x
t 2
= 2
x
1
x

+
2
2

T
xt x
xt x

( )

( )
()

Se remarc faptul c

(a ,b ) este deci:
x 2

x
x

t
=
2
1

2 +
2
T xt x

conine pe

problema de a obine o estimaie pentru

estimaie cu

(a ,b )

2 ,

(a ,b ) ,

adic variana lui

adic o estimaie pentru

care este necunoscut. Se pune deci

Var ( t ) = 2 .

2 .

2.3.2.

Determinarea unui estimator nedeplasat pentru variana erorilor

14

Notm aceast

Utiliznd estimatorii a i
ajustate ale variabilei endogene):

b putem calcula estimaia variabilei endogene yt, notat y t (se mai numesc i valori

y t = a xt + b .

Atunci diferena dintre yt i y t este un estimator pentru eroarea

t .

Notm t = yt y t . Avem c

t = yt y t = yt axt b = axt + b + t axt b = t (a a )xt b b

deoarece a i

b converg n probabilitate ctre a i b, distribuia lui

Remarc:

converge n probabilitate ctre distribuia lui

(distribuie normal, conform I2).

b b = (a a )x

tim c

i nlocuind obinem:

t = t (a a )xt + (a a )x = t (a a ) xt x

).

iar prin ridicare la ptrat:

)(

t2 = t 2(a a ) xt x t + (a a )2 xt x
2

).
2

nsumm dup t=1,2,...,T i mprim la T:

1
1
t2 = t

T
T
Dar: a a

2(a a )

(x x ) , i
(x x )
t

)(

1
2 1
xt x t + (a a ) xt x

T
T

(x

)(

[ (

)]

) (

x t = t xt x xt x = t xt x xt x = (a a ) xt x
pentru c

xt x = 0 .

nlocuind, rezult:

1
1
t2 = t

T
T
Notm cu
calculm media

2 =

( )

(a a )

1
t
T

1
xt x
T

).
2

dispersia erorilor fa de media lor i cum ea este o variabil aleatoare, i

E2 :

( )

2
2
1
1
E 2 = E t = E t2 2 t +
T

( )

) = E T1

2
t

2
=

2
1
1
2
1

2
2
2
2

E
=

E
t = E 2 t + 2 t t ' =

T

t <t '

T
T
2
1
2
1
= 2 2 E t2 2 E ( t t ' ) = 2 = 2 1
T
T t <t '
T
T

( )

( )

Aplicnd acum operatorul de medie n relaia:

15

1
1
t2 = t

T
T

(a a )

2
1
xt x ,

i innd cont de expresia varianei estimatorului a , rezult:

2
2
1
1

1
2
E t2 = E 2 Var (a ) xt x = 2 1 = 2 1 .
T
T

T T
T

( )

Relaia gsit se poate scrie i astfel:

obinut:

( )

E 2 = 2 , adic

2
este un estimator nedeplasat pentru

yt = axt + b + t

Este de remarcat c modelul

numitorul lui

1
1

t2 , aa c, notnd 2 =
t2

T 2
T 2

2 = E

, am

2 (variana erorilor).

presupune estimarea a doi parametri (a i b), iar

este T-2. (T-2) constituie numrul gradelor de libertate. Vom reveni ulterior asupra acestei

probleme.
n concluzie, pentru modelul liniar al regresiei simple, avem estimatorii:

a =

(y y )(x x )
(x x )
t

b = y a x
2 =

1
t2

T 2

Estimatorul
estimaie a matricei

permite s dm o estimaie a varianelor i covarianei parametrilor din model, deci o

:
(a ,b ) , notat
(a ,b )

( )
()

= Var (a )

(a ,b )

cov a , b

cov a , b

Var b

( )
2

Var (a ) =

(x x )

unde:

2
1

x
Var b = 2 +
T xt x

()

( )

,
2

cov a , b = x Var (a ) .

2.3.3.

Interpretarea geometric a metodei celor mai mici ptrate

16

Am determinat estimatorii a i
minimului sumei ptratelor erorilor

2
t

b ai parametrilor modelului utiliznd condiia necesar de existen a

. Putem s dm o condiie necesar i suficient pentru ca

2
t

s fie

minimal, cu ajutorul unei reprezentri grafice. Aceast condiie va consta n egalitatea cu zero a dou produse scalare
care redau ecuaiile normale.

yt = axt + b + t

Modelul

Y = aX + bU +

se scrie sub form matriceal astfel:

y1
x1
1
1




y2
x2
2
1
.
.
.
.
unde: Y =
, X = , U = . , = .
.
.
.

.
.
.
.
1
y
x


T
T
T
n spaiul ortonormat considerm vectorii Y, X, U i .
T

(L)

Vectorul 0H=aX+bU aparine planului (L) determinat de vectorii X i U. Fie 0A=Y, 0B=X, 0C=U, HA=.
Cantitatea
traduce

prin

2
t

= HA

egalitatea

cu

este minimal dac HA este ortogonal pe (L), adic pe X i U. Aceast condiie se

zero

< Y aX bU , X >= 0
, adic

< Y aX bU ,U >= 0

produsului

scalar

al

vectorilor

respectivi:

HA 0 B = 0
, sau

HA 0C = 0

xt yt a xt2 b xt = 0
.

yt a xt Tb = 0

Am regsit, deci, sistemul de ecuaii normale.

Notm

Y proiecia pe planul (L) a vectorului Y i cu vectorul HA ortogonal la planul (L).

A efectua o regresie a variabilei Y asupra variabilei X n modelul

proiecta vectorul Y pe planul (L) din

T determinat de X i U.

Observaie:
17

yt = axt + b + t

revine, deci, la a

Considerm modelul

yt = b + t . O reprezentare analog celei dinainte este:

A
Y
0
U

Y = bU + , iar conform cu reprezentarea grafic, avem relaia

n scriere matricial, modelul este

OA=OH+HA.

2
t

= HA

HA 0 H (HA este perpendicular pe 0H), adic HA U = 0 sau

este minimal dac

< Y bU ,U >= 0 sau

1
T b = 0 , b = yt = y i 0 H = b U = y U = Y . Msura algebric a
T

proieciei vectorului Y pe suportul vectorului U este

y . Vom utiliza aceast observaie pentru a exprima ecuaia

varianei.

Ecuaia varianei

Relum reprezentarea geometric precedent i notm cu K proiecia lui A pe suportul vectorului U:

Y
Y

(L)

Evident, KH este perpendicular n K pe 0C. n triunghiul AKH, dreptunghic, avem:

(1) AK

= KH

+ HA

18

tim

y t = axt + b

1
1
y t = a xt + b ,

T
T

adic:

y = a x + b .

Dar

y = a x + b , rezultnd c y = y .
AK=0A-0K ( A0 K dreptunghic n K)

Deoarece:

HK=0H-0K ( 0 HK dreptunghic n K),

rezult, folosind (1):

(2 ) (yt y )

(y y )

Variabilitatea

Variabilitatea

total

2
t

Variabilitatea

datorat regresiei

rezidual

Aceasta este ecuaia varianei. Vom reveni asupra ei cnd vom aborda regresia multipl.

2.3.4. Coeficientul de corelaie liniar

Coeficientul de corelaie liniar ntre variabilele X i Y, notat , se calculeaz cu relaia:

(y y )(x x ) .
(y y ) (x x )
cov( X , Y )
n general, =
, unde
=

X Y

XY

sunt abaterile standard (radicalul dispersiei) ale variabilelor

X i Y.
tim c estimatorul parametrului a are expresia

(y y )(x x ) , astfel c putem scrie:

(x x )

a =

(y y )(x x )
(x x )
=
(x x )
(y y ) (x
2

(x x )
(y y )

. Am obinut o expresie a coeficientului

de corelaie n funcie de estimator, iar prin ridicare la ptrat:

=
2

a 2 xt x

(y y )

Un calcul imediat arat c:

(y

2
2
y = y t y = axt + b a x + b

n acelai timp, ecuaia varianei conduce la:

(y
=
(y

) = (y y )
y)
(y y )
y

(y
2
t

)] = [a (x x )]
2

y = yt y t2 , de unde:
2

=a 2 xt x .

= 1

(y

2
t

19

Pe de alt parte, utiliznd figura geometric i notnd cu unghiul

cos =
2

KH
AK

(y
=
(y

2
2

)
y)
y

= cos = 1
2

, adic

(y

2
t

AK H , avem cos =

0 2 1 i 1 1 .

n mod necesar,

Cnd

= 0 , nu exist o relaie de tip liniar yt = axt + b

Cnd

2 = 1 , yt este legat de xt printr-o relaie de forma yt = axt + b . = 1

= 1

KH
,
AK

ntre yt i xt, adic a=0.

implic a>0, iar

implic a<0.

Cnd relaia dintre yt i xt nu este strict, adic

yt axt + b , atunci este apropiat de 1, semnul lui

fiind cel al lui a.

2.3.5. Distribuia de probabilitate a estimatorilor

Deoarece erorile t t=1,2,...,T au o distribuie normal, de medie zero i dispersie

2 ,

densitatea de

probabilitate a lui t este:

f ( t ) =

1 t2
exp
, t = 1,2,..., T .
2

2
2

t t ' , densitatea de probabilitate a vectorului aleator (1, 2, ..., T) va fi

Cum t i t sunt independente pentru

egal cu produsul densitilor de probabilitate relative la fiecare t.

1 t2
1
exp
(1) f ( 1 , 2 ,..., t ) =
2

2
2

t = yt axt b i

Dar,

( )

y t axt b = yt axt b a xt + a xt b + b = yt a xt b + (a a )xt + b b =

= + ( a a ) x + (b b)
t

(deoarece

y t axt b = y t y t = t ).

Evalum suma ptratelor erorilor:

= ( y ax b ) = [ + (a a )x + (b b )] =
= + (a a ) x + (b b ) + 2 (a a )x + 2 (b b ) + 2(a a )(b b )x =

2
t

2
t

2
t

( ))

( )]

2
= t2 + (a a )xt + b b = t2 + (a a )xt + b b

20

( )

2t (a a )xt = 0 , 2t b b = 0 pentru c aa cum arat reprezentarea grafic, vectorul este ortogonal la

planul (L), prin urmare este perpendicular pe orice vector din acel plan, deci i pe X i U. Produsele scalare cu aceti
vectori vor fi nule, adic:

< , X >= 0 i < ,U >= 0 ).

ntr-o scriere matricial:

[(a a )x

( )]

+ b b

a a xt2

=
b b T x
'

T x a a

T b b

( lasm studenilor plcerea de a verifica !).

nlocuind n (1) fiecare t prin expresiile calculate mai sus, deducem densitatea de probabilitate a vectorului aleator
(y1,y2,...,yT):

1 ( yt axt b )2
1

( y1 , y 2 ,..., yt ) =
=
exp 2
2

1 a a ' 1 x 2 T x a a
1 t2
1

2 t
=
exp
exp
2
b b

b
2

T
x
T

(a ,b ) , se arat uor c:

innd cont de matricea de varian i covarian a estimatorilor,

1 xt2

2 T x

( )

1
T x

= (1 ) i ( y1 , y 2 ,..., yt ) =

( )
a ,b
2 g ( t ) h a, b unde g t este densitatea de
T

probabilitate a lui

( ) cea a lui (a, b).

t , iar h a , b

Cu aceste rezultate i fcnd apel la unele teoreme importante ale statisticii matematice, putem deduce
urmtoarele distribuii de probabilitate:
1.

Deoarece

raportul

2 =

1
t2

T 2

(T 2) 2 =
2

libertate. (Vectorul

, adic

2
t

2
t

= (T 2 ) 2 ,

urmeaz o repartiie 2 (hi-ptrat) cu (T-2) grade de

admite T-2 componente independente nenule distribuite dup T-2 legi

normale independente, cu media zero i abatere standard

2.

Folosind relaile de calcul stabilite anterior, rezult c

(am utilizat aici notaiile

variabila aleatoare definit de

a2 = Var (a )

2 a2
=
2 a2

a2 = Var (a ) pentru variana estimatorului

pentru estimaia acesteia). Atunci variabila aleatoare definit de raportul

2 cu (T-2) grade de libertate.

21

a2
(T 2) 2
a

a , respectiv

urmeaz tot o repartiie

3.

Cuplul

(a, b)

urmeaz o repartiie normal bidimensional, astfel c variabilele aleatoare

a a
definite mai jos au repartiiile urmtoare:

a a
S (T 2 )
a

b b


4.

N (0,1) ;

(repartiia Student cu (T-2) grade de libertate);

N (0,1) ;

b b
S (T 2 ) .
b
Expresia

'
1 a a 1 a a

F =
2 b b (a ,b ) b b

este variabil aleatoare repartizat Fisher-

Snedecor, cu 2 i (T-2) grade de libertate.

2.4. Teste i intervale de ncredere

Pentru c exist tabele cu valorile legilor de probabilitate anterioare, putem determina intervale de ncredere
pentru parametrii a i b la un nivel de semnificaie fixat.

a a

Prob
t = 1
a

este luat din tabela distribuiei Student cu (T-2) grade de libertate. Un calcul simplu conduce la intervalul

de ncredere pentru parametrul a, de forma:

a t a a a + t a
ceea ce permite afirmaia c adevrata valoare a parametrului real a , se gsete n intervalul de valori

[a t a ;

a + t a ]

cu probabilitatea 1-.

Cnd se dorete testarea unei valori a0 a parametrului a, este suficient, pentru a accepta aceast valoare cu
riscul , s ne asigurm c:

a a0
t .
a
Altfel spus, este suficient ca a0 s aparin intervalului de ncredere stabilit:

22

a0 [a t a , a + t a ] .

De asemenea,

Prob{F F ( ,2, T 2 )} = 1 .

F = F ( ,2, T 2 ) este ecuaia unei elipse cu centrul n w(a , b ) care definete astfel o regiune de ncredere

(a, b ) la nivelul de semnificaie :

pentru cuplul

w
b

B
A

Proieciile acestei elipse pe axe determin, de asemenea, dou intervale de ncredere pentru a i b, centrate n

a i b . Dar, este important de remarcat c, nivelul de semnificaie referitor la aceste intervale nu mai este nivelul
asociat elipsei.
Dac se dorete testarea simultan a dou valori a0, b0 alese apriori, este suficient s nlocuim a i b n expresia
F prin a0 i b0.
Dac

F (a0 , b0 ) F ( ,2, T 2)

se accept valorile, altfel ele vor fi respinse. Altfel spus, pentru a

accepta cuplul (a0, b0) la nivelul de semnificaie este suficient ca punctul M0(a0,b0) s aparin elipsei de ncredere
asociat cuplului (a, b).

Observaii:
1.

Expresia

( y1 , y 2 ,..., yT ) se descompune n doi factori (g i h). g se exprim doar n funcie de t , adic n

funcie de yt,

a , b ; h nu conine dect pe a , b , a i b. Aceasta arat c, odat cunoscut o realizare a

(a, b), legea de probabilitate condiionat a lui y (dat de factorul g) nu depinde dect de valorile
adevrate (dar necunoscute) ale parametrilor a i b. Se zice c (a , b ) sunt estimatori exhaustivi pentru a i b,
cuplului

adic ei rezum toat informaia pe care eantionul o poate aduce despre a i b.

2.

Cnd ipoteza de normalitate asupra erorilor

este realizat, funcia de verosimilitate relativ la eantionul

( y1 , y2 ,..., yT ) este chiar funcia ( y1 , y 2 ,..., yT ) . Pentru obinerea de estimatori ai lui a i b prin metoda
verosimilitii maxime, este suficient s maximizm expresia ( y1 , y 2 ,..., yT ) , adic s minimizm

23

(y

( )

2
axt b ) . Estimatorii a , b obinui cu metoda celor mai mici ptrate coincid, deci, cu cei obinui

prin metoda verosimilitii maxime.

3.

Atunci cnd ipoteza de normalitate a erorilor nu se realizeaz, se va arta c estimatorii

a i b obinui prin

metoda celor mai mici ptrate au variana minim printre toi estimatorii liniari centrai n a i b (se va da o
demonstraie pe cazul general).

2.5. Previziunea cu modelul liniar

Fie

realizarea variabilei exogene la momentul . Valoarea previzionat pentru endogena Y va fi:

yP = a x + b ,
iar realizarea efectiv a lui Y este:

y = ax + b + .
Eroarea de previziune se poate exprima prin variabila aleatoare

( )

eP = yP y .

yP y = (a a )x + b b .
Se remarc imediat c

E (e P ) = 0 , iar variana erorii de previziune este:

( ) ( )
] [ ( )]

2
2
2
Var (eP ) = E yP y = x2 E (a a ) + E b b + E 2 +
+ 2 x E (a a ) b b 2 x E (a a ) 2 E b b

( )]

Ultimii doi termeni sunt nuli (s-a demonstrat anterior!) ( i

Deci:

()

( )

a , ca i i b sunt necorelai).

( )

Var (eP ) = x2Var (a ) + Var b + Var + 2 x cov a , b

Notm variana erorii de previziune cu

= x
2

2 = Var (eP ) i folosind relaiile de calcul anterioare, rezult:

1+

2 x x 2
2

+
2
xt x
xt x

Tx

(x x ) T (
1
(x x )
1 + +
T (x x )

este necunoscut, dar estimat prin

i variana estimat a erorii de previziune este:

2
1
x

2 = 2 1 + +
2
T xt x

24

Aceast varian poate fi redus, pe de o parte prin creterea numrului de observaii (T), iar pe de alt parte,
prin alegerea lui

x astfel nct x x

s nu fie prea mare (adic fcnd o previziune pe termen scurt).

Deoarece erorile sunt normal distribuite,

( )

t N (0, 2 ) atunci i (a a ) N i b b N

(urmeaz legi

normale). Rezult urmtoarele distribuii de probabilitate pentru variabilele:

yP y

yP y

N (0,1) .

urmeaz o lege Student cu T-2 grade de libertate pentru c

n planul (x,y) trasm dreapta de ajustare

(T 2) 2 = (T 2) 2
2

y = ax + b . Fie P x , yP punctul situat pe dreapta de ajustare.

Putem construi, avnd P ca centru i paralel cu axa 0y un interval de ncredere M1M2 la nivelul de semnificaie .

yP y

P
< t = 1 .

2

t fiind luat din tabela distribuiei Student. Pentru T dat, ca funcie de x x

este minim pentru

x = x . Punctele M1 i M2 sunt deci situate, cnd variaz, pe dou arce de curb (vezi figura), care determin astfel
regiunea creia i aparine

y pentru x dat, cu o probabilitate egal cu (1-).

M2

y = ax + b

yP

M1
y

Observaii
1. O variabil aleatoare t este distribuit dup o lege Student cu T-2 grade de libertate dac expresia
este raportul dintre o variabil aleatoare distribuit
libertate. Fie

t=

cu 1 grad de libertate i o alta distribuit

a a
. Atunci:
a
25

t2
T 2

cu (T-2) grade de

t2
(a a ) =
=
T 2 (T 2) a2
2

(a a )2
a2

a2
(T 2) 2
a

2 cu un grad de libertate
2 cu (T - 2) grade de libertate

2. O variabil aleatoare F este distribuit dup o lege Fisher-Snedecor cu n1 i n2 grade de libertate dac

n1 F
2
2
este raportul dintre o variabil aleatoare distribuit cu n1 grade de libertate i o alta distribuit
n2

expresia

cu n2 grade de libertate.
Fie

F=

1 a a 1 a a
.
'

2 b b (a ,b ) b b

Atunci:

a a xt2 T x a a

T b b
2F
b b T x
=
=
T 2
(T 2) 2
,

a a xt2


b b T x
,

T x a a

T b b

(T 2) 2
2

2 cu doua grade de libertate

2 cu (T - 2) grade de libertate

pentru c

(a, b) urmeaz o lege normal bidimensional.

( y1 , y2 ,..., yT )
( y1 , y 2 ,..., yT ) ,

3. Jacobianul transformrii permite exprimarea densitii de probailitate a vectorului aleator

pornind de la cea a lui

( 1 , 2 ,..., T ) . Cnd f ( 1 , 2 ,..., T )

este cunoscut, pentru a obine

procedm astfel:

yt ;

nlocuim

nmulim expresia obinut cu valoarea absolut a determinantului:

1
y1
2
D( )
J=
= y
1
D( y )
...
T
y1

prin expresia ei n funcie de

1
y 2
2
y 2
...
T
y 2

1
yT
1 0
2
0 1
...
yT =
... ...
... ...
0 0
T
...
yT
...

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

0
0
=1
...
1

( y1 , y2 ,..., yT ) = f ( 1 ( y1 ), 2 ( y 2 ),..., T ( yT )). J

4. Am vzut c
de

(a a ) = wt t , t

(a a ) fiind distribuite normal. (a a ) este o combinaie liniar

t . Deci:

(a a ) N (0,1)
a

26

(a a )2

este distribuit 2 cu 1 grad de libertate pentru c este ptratul unei variabile aleatoare N(0,1).

2
a

(b b) N (0,1)
b

(b b)

2 (1)

Deoarece

b2

2
t

2
t

(
=

= t

(a a )2
2

) =

(x x )

(a a )

(a a )2

(x

(x

x , prin mprirea la 2 , obinem:

= (2T ) (21) = (2T 1)

(a a )2 2
(1)
Var (a )

Rezult c:

= (2T 1) (21) = (2T 2 ) .

2.6. Experien de calcul

Pentru a studia cum variaz cheltuielile de ntreinere i reparaii ale unui utilaj agricol n funcie de vrsta
utilajului, s-au cules urmtoarele date:
Vrsta utilajului (xt)

15

36

41

16

21

21

48

43

77

89

50

40

56

62

53

10

32

17

58

20

100

47

71

58

102

35

60

n luniCheltuieli anuale de ntreinere i reparaii (yt)

n RONVrsta utilajului (xt)
n luniCheltuieli anuale de ntreinere i reparaii (yt)
n RON-

Rezolvare:
Cutm s estimm parametrii unei regresii liniare nte variabilele X i Y, de forma
presupunnd c sunt ndeplinite ipotezele fundamentale I1,I2,I3.

27

yt = axt + b + t

1. Pentru a calcula estimatorii, se folosesc relaiile de calcul stabilite anterior (n cadrul seminarului se vor
prezenta facilitile de calcul oferite de diferite pachete de programe dedicate). Elementele necesare calculului sunt date
n tabelul ce urmeaz:

28

xt
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

yt
15
8
36
41
16
8
21
21
53
10
32
17
56
6
20
362

xtyt
48
43
77
89
50
40
56
62
100
47
71
58
102
35
60
938

720
344
2772
3649
800
320
1176
1302
5300
470
2272
986
5916
210
1200
27437

xt x

-9,1333
-16,1333
11,8666
16,8666
-8,1333
-16,1333
-3,1333
-3,1333
28,8666
-14,1333
7,8666
-7,1333
33,8666
-18,1333
-4,1333
-

( xt x ) 2 yt y

83,4177
260,284
140,818
284,484
66,1511
260,284
9,8177
9,8177
833,284
199,751
61,8844
50,8844
1146,95
328,818
17,0844
3753,73

-14,5333
-19,5333
14,4666
26,4666
-12,5333
-22,5333
-6,5333
-0,5333
37,4666
-15,5333
8,4666
-4,5333
39,4666
-27,5333
-2,5333
-

( y t y ) 2 x t2

211,218
381,551
209,284
700,484
157,084
507,751
42,6844
0,2844
1403,75
241,284
71,6844
20,5511
1557,62
758,084
6,4177
6269,73

y t2

225
64
1296
1681
256
64
441
441
2809
100
1024
289
3364
36
400
12490

29

2304
1849
5929
7921
2500
1600
3136
3844
10000
2209
5041
3364
10404
1225
3600
64926

= 1 , 28 x

+ 31 , 67

50,8544
41,9034
77,7073
84,1008
52,1331
41,9034
58,5267
58,5267
99,4454
44,4609
72,5925
53,4118
105,8389
39,346
57,248
-

y y
-11,6789
-20,6298
15,174
21,5675
-10,4002
-20,6298
-4,0066
-4,0066
36,912
-18,0724
10,0591
-9,1214
43,3056
-23,1873
-5,2853
-

( y y ) 2

136,396
425,59
230,251
465,16
108,164
425,59
16,053
16,053
1362,5
326,613
101,187
83,201
1875,38
537,649
27,9347
6137,72

-2,8544
1,0965
-0,7073
4,8991
-2,1331
-1,9034
-2,5267
3,4732
0,5545
2,539
-1,5925
4,5881
-3,8389
-4,346
2,7519
-

t2
8,1479
1,2023
0,5003
24,0012
4,5503
3,6232
6,3842
12,0637
0,3075
6,4469
2,536
21,0509
14,7375
18,8883
7,5734
132,0144

Pe baza elementelor din tabelul de calcul, se determin:

1
T

x=

- a

1
362 = 24,133
15

xt =
t =1

y=

1
T

y
t =1

1
938 = 62,533
15

(y y )(x x ) = x y Tx. y = 27437 15(24,133)(62,533) = 1,28

12490 15(24,133)
x Tx
(x x )
t

t
2
t

b = y a x = 62,533 1,28(24,133) = 31,67

- coeficientul de corelaie liniar:

(y

(y

)(

y xt x

y xt x
2

27437 15(24,133)(62,533)
6269.733 3753,733

= 0,9894

Valoarea apropiat de 1 a coeficientului de corelaie arat c ntre cele dou variabile studiate exist o
corelaie liniar.
Observaie: Am vzut c:

=
2

a 2 xt x

(y

) = (ax
2

(y

ax ) 2

y) 2

( y
(y

y ) 2

y) 2

Ptratul coeficientului de corelaie liniar este raportul dintre variabilitatea explicat prin model i
variabilitatea total.
- ecuaia de analiz a varianei:
variabilitatea total = variabilitatea explicat + variabilitatea rezidual

(y y )

6269,733

(y y )

6137,719

2
t

132,014

n spaiul observaiilor, Y este cu att mai bine explicat prin modelul liniar, cu ct este mai aproape se
planul (L) generat de vectorii X i U (vectorul unitar), deci cu ct variabilitatea rezidual este mai mic fa
de variabilitatea empiric total. Aceasta face ca raportul dintre variabilitatea explicat prin model i
variabilitatea total, adic 2, s fie apropiat de 1.
- estimaiile varianelor reziduurilor i ale estimatorilor:

2 =

1
132,0144
t2 =
= 10,15

T 2
15 2

Var (a ) =

(x

10,15
= 0,0027;
3753,733

x
2 1

Var b =
+
T xt x

()

a = 0,0027 = 0,052

1 (24,133) 2
= 10,15 +
= 2,25

15 3753,733

30

 b = 2,25 = 1,5
- calculul intervalelor de ncredere pentru estimatori:

(a a )
Variabilele aleatoare

(b b) urmeaz fiecare o repartiie Student cu (T-2) grade de

b

libertate. Alegnd un nivel de semnificaie =0,05, putem extrage din tabelele repartiiei (astfel de tabele se
gsesc n majoritatea crilor de econometrie, sau de statistic matematic) valoarea ttab corespunztoare
numrului de grade de libertate i nivelului de semnificaie ales. n cazul nostru, pentru T-2=13 grade de
libertate i =5%, gsim ttab=2,16. Intervalele de ncredere vor fi:

a [a t a ; a + t a ] = [1,28-(2,16)(0,052) ; 1,28+(2,16)(0,052)]=
= [1,17 ; 1,39]

b b t b ; b + t b = [31,67 (2,16)(1,5) ; 31,67+(2,16)(1,5)]=

=[28,43 ; 34,91]
Prin urmare, putem afirma c

valorile parametrilor reali a i b se gsesc n aceste intervale cu o

probabilitate de 95%.
Stabilim acum un interval de ncredere pentru estimatorul varianei erorilor. Am vzut c variabila

2 1
(T 2) 2 = 2 t2

aleatoare

urmeaz o lege de repartiie hi-ptrat cu (T-2) grade de libertate.

n tabelele legii hi-ptrat vom gsi, pentru un nivel de semnificaie dat, dou valori: v1 avnd
probabilitatea (1-/2) de a fi depit, respectiv v2 avnd probabilitatea (/2) de a fi depit, astfel c

2
Pr obv1 (T 2) 2 v 2 = 1

Se obine astfel intervalul de ncredere:

(T 2) 2 (T 2) 2

;

v2
v1

pentru =0,05 i 13 grade de libertate extragem din tabel v1=5,01 i v2=24,7 rezultnd intervalul:

(15 2)10,15 (15 2)10,15

;
= [5,34 ; 26,34]
24,7
5,01

- testm dac parametrii a i b ai modelului sunt semnificativ diferii de zero la pragul de semnificaie
=0,05.

31

Variabilele aleatoare

a
a

b
b

urmeaz legi de probabilitate Student cu (T-2) grade de libertate.

Aceste rapoarte se numesc i raportul t Student empiric (tcalculat). Se accept ipoteza H0: (a=0) dac tcalculat
(luat n modul) este mai mic dect ttabelat , altfel se accept ipoteza contrar H1:(a 0). Acest lucru se poate
scrie:

a 0
< t tab
a

. Este exact acelai lucru cu a spune c 0 s aparin intervalului de ncredere

determinat pentru a. Cum 0 [1,17 ; 1,39], acceptm ipoteza H1:(a 0). La fel stau lucrurile i pentru b.
Prin urmare, a i b sunt semnificativ diferii de zero la pragul de semnificaie de 5%. Se spune c variabila
explicativ (exogen) X (vrsta utilajului) este contributiv.
- ne propunem acum s determinm o previziune a cheltuielilor de ntreinere i reparaii pentru un utilaj

yp

de 4 ani (48 de luni). Notm cu

x . Avem c

cheltuielile de ntreinere i reparaii pentru un utilaj cu vrsta

yP = ax + b = 1,28.48 + 31,67 = 93,11

Ce eroare corespunde unei astfel de previziuni? tim c:

e p = yP y ,

este o variabil aleatoare distribuit normal, cu media zero i variana estimat a

erorii de previziune:

2
1

x x
1 (48 24,133) 2

= 1 + +
= 10,151 + +
= 12,366
2
15
3753,733
T xt x

= 2 = 12,366 = 3,5164
Deoarece variabila aleatoare

yP y

este distribuit Student cu (T-2) grade de libertate, putem

determina un interval de ncredere pentru valoarea previzionat:

y yp t ; yp + t = [93,11 (2,16)(3,5164);93,11 + (2,16)(3,51840] = [85,56;100,66]

2
2

Cu o probabilitate de 95%, valoarea adevrat a cheltuielilor de ntreinere i reparaii pentru un utilaj de 48

de luni se va afla n intervalul determinat.

32

CAPITOLUL III
REGRESIA MULTIPL

De multe ori, studiul unui fenomen economic necesit introducerea mai multor variabile
explicative. O variabil endogen se exprim, deci, n funcie de mai multe variabile exogene. Metodele de
regresie utilizate sunt n acest caz generalizri ale celor din capitolul anterior.

3.1. Modelul liniar al regresiei multiple

Considerm acum modelul:

(1)

y t = a1 x1t + a 2 x 2 t + ... + a p x pt + t , t=1, 2, ...,T

n care: Y reprezint o variabil endogen;

X1, X2 ,..., Xp sunt variabile exogene;
a1, a2 ,..., ap sunt parametri necunoscui care trebuie estimai.
Modelul nu conine o constant deoarece variabila Xp poate fi considerat astfel ca xpt=1,

t = 1,2,..., T (se numete variabil auxiliar).

Folosind notaiile:

y1

x11
y2

.
x12
Y = , X =
...
.

x
.
1T
y
T

x21
x22
...
x 2T

1

... x p1
a
1
2

... x p 2
.
a2
, a = , =

... ...
...
.

a
.
... x pT
p

T

ecuaia (1) se scrie sub form matriceal:

(2)

Y = Xa + .
Ipoteze fundamentale
Ipotezele I1, I2 din capitolul II rmn valabile: ceea ce era adevrat pentru xt este acum valabil

pentru xit, i=1,2,...,p.

Ipoteza I3 referitoare la variabilele exogene se modific astfel:
a.

absena coliniaritii variabilelor exogene:

33

Nu exist nici o mulime de p numere reale

p

x
i =1

it

i ,

i=1,2,...,p

astfel nct

= 0 , t=1, 2, ...,T.

Matricea X de format (Txp) are n acest caz rangul p (T>p) i matricea (XX), unde X
este transpusa lui X, este nesingular, deci exist inversa ei (XX)-1.

1
( X ' X ) tinde ctre o matrice finit, nesingular.
T

Atunci cnd T , matricea

b.

3.2. Determinarea estimatorilor parametrilor

Pentru a scrie ecuaiile normale utilizm interpretarea geometric dat n capitolul II. Ne
T

2
propunem s minimizm expresia U = t .
t =1

Fie vectorii Y, X1, X2,...,Xp n spaiul ortonormat .

T

Xp

(L)

Vectorul

X2,...,Xp. Cantitatea

X2
H

a1

a2
Xa = (X 1 , X 2 ,..., X p )
...

a
p
U = t2 =

X1

aparine subspaiului (L) generat de vectorii X1,

va fi minim atunci cnd vectorul

34

= Y Xa

este ortogonal

la subspaiul (L). Aceast condiie se traduce prin egalitatea cu zero a produselor scalare dintre vectorul

Y Xa i orice vector din subspaul (L),deci i X ,X ,...,X :

1

< Y a1 X 1 a 2 X 2 ... a p X p , X 1 >= 0

< Y a1 X 1 a 2 X 2 ... a p X p , X 2 >= 0

...............
< Y a1 X 1 a 2 X 2 ... a p X p , X p >= 0

Efectund produsele scalare, rezult sistemul de ecuaii:

x1t yt x12t

x 2 t yt x 2 t x1t
... = ...

x y x x
pt t

pt 1t

x x
x
1t

2t

2
2t

...
...

x 2t

...

...

pt

...

x
x

x pt a1

a
x
2 t pt 2
.

...
...

x 2pt a p
1t

Sau, cu notaiile
matriciale introduse:

XY=(XX)a , de unde rezult:

(3)

1
a = ( X ' X ) X 'Y

3.3. Proprietile estimatorului a

Artm c a este un estimator nedeplasat al lui a i deducem expresia matricei de varian i
covarian
a.

a .
transformm expresia (3) nlocuind Y prin expresia lui n funcie de X:

1
1
a = ( X ' X ) X ' Y = ( X ' X ) X ' ( Xa + ) =

(4)

= (X ' X )

( X ' X )a + ( X ' X )1 X ' = a + ( X ' X )1 X '

Aplicnd operatorul de medie expresiei (4), rezult:

1
E (a ) = a + ( X ' X ) X ' E ( ) .

Dar, E ( ) = 0 conform I2, deci

b.

E (a ) = a , adic a este estimator nedeplasat pentru a.

Prin definiie:

a = E ((a a )(a a )') .

35

Din (4) rezult: a a = ( X ' X ) X ' i ( a a ) = ' X ( X ' X )

1

pentru c ( X ' X )

este o matrice

simetric. Atunci:

(a a )(a a )' = ( X ' X )1 X ' ' X ( X ' X )1 i

a = ( X ' X ) X ' E ( ')X ( X ' X )
1

ns

E ( ') =

este matricea de varian i covarian a lui

. tim c E ( ') = I
2

(I este

matricea unitate de ordinul T). Atunci rezult:

a = ( X ' X ) X ' 2 X ( X ' X ) = 2 ( X ' X )

1

( X ' X )( X ' X )1 = 2 ( X ' X )1

Se poate arta c dac ipoteza a) din I3 rmne valabil cnd T , atunci a este estimator
convergent ctre a.
Propoziie. Estimatorul

1
a = ( X ' X ) X 'Y

este cel mai bun estimator liniar nedeplasat al lui

a.
Pentru a arta aceast proprietate vom construi un estimator liniar pentru a care s aib variana
minim i el va fi identic cu cel obinut prin MCMMP. Fie a* un estimator liniar al lui a, adic a*=MY,
unde M este o matrice cu coeficieni constani de format (pxT). Estimatorul a* este nedeplasat dac:

E (a *) = ME (Y ) = ME ( Xa + ) = a
adic

E (a *) = (MX )E (a ) + ME ( ) = (MX )a pentru c E ( ) = 0 .

Pentru ca a* s fie nedeplasat, trebuie ca (MX)=I (matricea unitate de ordinul p).

Construim acum matricea de varian i covarian a lui a*:

a* = E [(a * a )(a * a )']

a* = MY = M ( Xa + ) = (MX )a + M = a + M ,

Dar,

(a * a )' = ' M '

deci

a * a = M ,

a* = E (M ' M ') = ME ( ')M ' = 2 MM ' . Pentru ca a* s fie de varian

minim, trebuie ca urma matricei (MM) s fie minim, sub restricia (MX)=I. Urma unei matrici este,
prin definiie, suma elementelor de pe diagonala principal. Notm Ur(X) urma matricei X. Ur este un
operator liniar (demonstrai!). Rezolvnd problema de extremum condiionat:

MinUr (MM ')

s.r.MX = I
se obine soluia

M = ( X ' X ) X ' , adic a* = MY = ( X ' X ) X 'Y . Am gsit c a* = a .

1

Un astfel de estimator se numete estimator BLUE (best liniar unbiaised estimator).

36

3.4. Determinarea unui estimator nedeplasat al varianei

Variana reziduurilor

fiind necunoscut, avem nevoie de un estimator al ei. Dac p este

numrul de coeficieni de estimat n model, se va arta c:

1
t2

Tp

2 =

Y = Xa + ;

Avem c:

Y = Xa ;

= Y Y = Xa + Xa ;

= X (a a ) .
Dar: a a = ( X ' X ) X ' i = X ( X ' X ) X '
1

= I X ( X ' X )1 X ' .
Notm:

= I X (X ' X ) X ' .
1

este o matrice de format (TxT) cu proprietile = (simetric) i 2= (idempotent de grad

2).

Am

2
t

= .

obinut

Evalum

2
t

acum

care

sub

form

matriceal

este:

= ' = ' ' = ' = ii i2 + ij i j , unde ij este elementul matricii situat la

i j

intersecia liniei i cu coloana j.

Atunci, rezult c:

( ) = E ( ) + E ( ).
2
t

2
i

ii

i j

ns, E

( ) = 0 conform I
i

ij

( ) = E ( ) =
2
t

ii

2
i

ii

Artm c

Ur ( ) = T p .

Ur (I ) = T

Ur X ( X ' X ) X ' = Ur X ' X ( X ' X )

1

(permutarea ntre X ( X ' X )

= 2Ur ( ) .

Ur ( ) = Ur I X ( X ' X ) X ' = Ur (I ) Ur X ( X ' X ) X '

1

)= p

i X ' este posibil datorit formatului acestor matrici i proprietilor

operatorului Ur.)
n final rezult:

37

( ) = (T p )
2
t

E
2 =

1
t2
Tp

2 =

1
E
Tp

este estimator nedeplasat al lui

( ) = E T 1 p
2
t

2
t

astfel

2 .

T este numrul de observaii, p este numrul de parametri de estimat i relaia gsit o

generalizeaz pe cea din capitolul II.

3.5. Teste i regiuni de ncredere

Ipoteza de normalitate a erorilor t fiind ndeplinit, se pot generaliza rezultatele obinute la
regresia simpl. Deoarece
dimensiuni, cu media
(*)

a i ai

1
a = a + ( X ' X ) X ' , rezult c a este distribuit dup o lege normal n p

1
E (a ) = 0 i dispersia a = 2 ( X ' X ) . Pentru un estimator a i dat, avem c:

urmeaz o lege normal redus N(0,1);

(**)

(***)

(T p ) 2 = t2

este distribuit 2 (hi-ptrat) cu (T-p) grade de libertate.

a i ai
urmeaz o lege Student cu (T-p) grade de libertate.
ai

Legea Student este utilizat n mod curent pentru a aprecia validitatea estimatorului unui
coeficient ai. De exemplu, dac se testeaz ipoteza (H0:ai=0) contra ipotezei (H1:ai 0), pentru a accepta
H1 trebuie ca

a i
t , unde t este valoarea tabelat a variabilei t repartizat Student, cu T-p grade
2
2
ai

de libertate, iar este pragul de semnificaie.

Observaie:
Pentru T>30 i =0,05,

t 2 . Deci, dac
2

a i
2 se accept H1, adic ipoteza c variabila
ai

Xi are un coeficient ai semnificativ diferit de zero.

Mai general, cnd se pune problema de a ti dac un coeficient ai este diferit de o valoare
particular

ai0 , se calculeaz raportul t =

a i ai0
i se compar cu t .
2
ai

38

Dac tcalculat>ttabelat concludem c

ai ai0 .

Considerm acum toi estimatorii

a1 ,..., a p :

(*) variabila aleatoare

(a a )' a 1 (a a ) este distribuit 2 cu p grade de libertate;

(**) variabila aleatoare

F=

1
(a a ) a1 (a a ) urmeaz o lege Fisher-Snedecor cu p i (Tp

p) grade de libertate.
La fel ca la regresia liniar simpl, rezultatele anterioare permit construirea de intervale de
ncredere relative la coeficienii ai, ca i a unui elipsoid de ncredere relativ la ansamblul coeficienilor n
spaiul

p . Pentru ai, intervalul de ncredere, la pragul de seminificaie este:

a i ai
t
2
ai
t
2

a i ai
t
2
ai

ai t ai ai ai t
2

a i ai t a i a i + ai t
2

iar pentru ansamblul coeficienilor, ecuaia elipsoidului de ncredere este: F=F(,p,T-p).

Aceleai principii conduc la determinarea de regiuni de ncredere relative la un numr oarecare de
coeficieni din model. Dac q este numrul coeficienilor reinui, n spaiul

q , avem ecuaia

F1=F(,q,T-p), unde:

F1 =
cu

1
(a q aq )' a1q (a q aq ).
q

:
extras din
a q extras din vectorul a i
a
aq
(0)

Dac dorim s testm, la pragul de semnificaie , ipoteza (H0:aq= a q ) contra ipotezei

(H1:aq

a q( 0) ), atunci dac:

1
1 a a ( 0) F ( , q, T p )
a q a q( 0 ) '
aq
q
q
q
se accept ipoteza H0 ( F

( , q, T p ) se extrage din tabelele distribuiei Fisher-Snedecor).

39

Observaie:
Se observ c valoarea tabelat F depinde de

( , q, T p ) i nu de ( , q, T q ) . Rezult c

(q )
2
qF
= 2
face s apar la numitor (T p ) 2 distribuit 2 cu (T-p) grade de libertate.
T p (T p )

expresia

3.6. Previziunea variabilei endogene

Dac presupunem cunoscute la un moment valorile (x1, x2,..., xp) atunci previziunea variabilei
endogene va fi:

yp = a1 x1 + a 2 x2 + ... + a p x p .
Eroarea de previziune va fi variabila aleatoare:

Yp Y = (a1 a1 )x1 + ... + (a p a p )x p .

Se constat c media erorii de previziune este zero:

E (Y p Y ) = 0 ,

iar variana erorii de previziune este:

[(

Var Y p Y = E Y p Y

) ] = E (a
p

i =1

2
ai ) xi2 + 2 (a i ai )(a j a j )xi x j + 2
i< j

a i i sunt necorelate ( a i nu depind dect de t ), t=1,2,...,T i T<.

deoarece

Deducem c:

[(

E Yp Y

) ]= x
p

i =1

2
i

Var (a i ) + 2 xi x j cov(a i , a j ) + 2 ,
i< j

iar sub form matricial:

[(

) ] = X X + , adic:
Var (Y Y ) = [X ( X ' X ) X + 1],
2

E Y p Y

unde:

'

'

X ' = (x1 , x2 ,..., x p ) .

Observaie:
Se arat c dac T este finit i t sunt normal distribuite, atunci
dimensiuni. Dac ipotezele nu sunt ndeplinite, atunci cnd
distribuie normal cu media egal cu zero.

40

a este distribuit normal n p

T , vectorul

T (a a ) urmeaz o

3.7. Coeficientul de corelaie multipl R. Analiza varianei

i n acest caz, ecuaia varianei se scrie:

Variabilitatea
Variabilitatea
Variabilitatea
=
+
rezidual
total
valorilor ajustate

(y y )

(y y )

2
t

Coeficientul de corelaie multipl R are definiia:

(y
=
(y

)
y)
y

2
2

=1

(y

2
t

Din reprezentarea geometric fcut, rezult c

dar tim c

Y = Xa +

c vectorul rezidual

2 .

Y = Y + ,

Y = X a , rezultnd c: Y Y = (X X )a + , ceea ce arat

este acelai i pentru valorile (Y,X) i pentru valorile centrate fa de medie

(Y Y , X X ) . Cu alte cuvinte, dac efectum regresia pe ecuaia general, cu variabilele necentrate sau

o efectum cu variabilele centrate pe media lor, estimatorul a i vectorul rezidual

sunt aceeai.

Observaie:
Cnd se centreaz valorile X i Y, vectorul

a nu conine ultimul estimator a p . Constanta a p

dispare cnd se centreaz variabilele. Considerarea modelului fr constante, cu variabilele necentrate pe

media lor, poate conduce la valori ale lui

R 2 care ies din intervalul (0,1).

Expresia matricial a coeficientului de corelaie multipl este:

(Y Y )(' Y Y ) , dar (Y Y ) = (X X )a .
(Y Y )(' Y Y )
a = [(X X )(
' X X )] (X X )(
' Y Y ) i coeficientul devine:
a ' (X X )(
' Y Y )
R =
(Y Y )(' Y Y ) .
R2 =

Coeficientul

R 2 arat rolul jucat de toate variabilele exogene asupra evoluiei variabilei

endogene. El este cu att mai bun cu ct e mai apropiat de 1.

Dar, judecarea calitii unui model doar prin valoarea lui

R 2 poate duce la erori grosiere. El

mascheaz uneori influena variabilelor exogene luate separat asupra variabilei endogene i nu poate s se
41

substituie studiului estimatorilor coeficienilor modelului. Ptratul coeficientului de corelaie multipl nu

ine cont nici de numrul de observaii (T) i nici de numrul variabilelor explicative (p). Ori, se poate
foarte bine ca, avnd aceleai observaii asupra variabilei endogene s considerm dou modele distincte, n
al doilea fcnd s apar un numr de variabile explicative noi. n aceast a doua regresie coeficientul de
corelaie multipl nu poate dect s creasc (pentru c variabilitatea explicat prin regresie crete).
O definire mai precis a lui
2

R =1

R 2 , care ine cont de T i p este:

T 1
(
1 R 2 ).
Tp

R se numete coeficient de corelaie multipl corectat.

2

1.

dac p=1, atunci

R = R2 ;

2.

dac p>1, atunci

R < R2 ;

3.

R poate scdea prin introducerea n model a unei noi variabile exogene;

4.

R poate lua i valori negative, dac R 2 <

p 1
.
T 1

Analiza varianei

Atunci cnd studiem rolul jucat de exogene asupra evoluiei endogenei, ne putem ntreba care este
partea de variabilitate explicat de una sau mai multe variabile exogene.
Relum modelul iniial:
(1)

yt = a1 x1t + a 2 x2 t + ... + a p x pt + t , t=1, 2, ...,T

i considerm q variabile printre cele p, pe care le indexm de la 1 la q:

(2)

yt = a1 x1t + a 2 x2t + ... + a q x qt + t .

Variabilitatea ne-explicat de cele q exogene n modelul (1) este variabilitatea rezidual asociat
modelului (2).

Fie:
2
(yt a1 x1t a 2 x2t ... a q xqt ) =

Variabilitatea ne-explicat de cele p exogene din modelul (1) este:

(y

2
a1 x1t a 2 x 2t ... a p x pt ) =

42

Variabilitatea explicat de cele (p-q) exogene din modelul (1) atunci cnd a1,...,aq sunt estimai cu
modelul (2) este atunci:
2

2
=

Xp

(L)

tim c

Hq

Hp

Xq

X1

0 A = 0H
2

2
+ HA , adic Y 'Y = Y 'Y + ' .

Rezultatele se grupeaz, adesea, ntr-un tabel de analiz a varianei:

Sursa variabilitii

Suma ptratelor
corespunztoare acestei surse

1. X: mulimea celor p exogene

Yp 'Yp

Numrul gradelor
de libertate
p

Media ptratelor
asociate

Yp 'Yp
p

2.

: mulimea reziduurilor

' = Y 'Y Yp 'Yp

T-p

'
Tp

Y 'Y

Y 'Y
T

' = ' '

p-q

'
pq

3. Y: variabil endogen

4. (p-q) variabile exogene dintre cele p

n figura anterioar avem:

Yp = 0 H p este proiecia lui Y pe subspaiul (L) ai crui vectori generatori sunt X1,X2,...,Xp.
Yq = 0 H q este proiecia lui Y pe subspaiul generat de X1,X2,...,Xq.

43

Hq aparine lui (L) i triunghiul AHpHq este dreptunghic n Hp.

AH q 0 Hq i H p H q 0 Hq , iar este chiar H p H q .

3.8. Experien de calcul
Dispunem de observaiile din tabelul de mai jos i ne propunem s explicm variabile endogen Y
pornind

de

la

variabilele

exogene

X1

X2,

printr-un

model

liniar

de

forma:

Y = a1 X 1 + a2 X 2 + a3 + , unde:
x11
y1
x 21
1

x1 2
y2
x 22

Y = , X 1 = , X 2 =
, = 2

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

y
x

x
T
2T
T
1T
adic:

Y = Xa + , unde:

x11

X = ...
x
1T

x 21
...
x 2T

1
a1

..., a = a 2
a
1
3

yt

x1t

x2t

100

100

100

106

104

99

107

106

110

120

111

126

111

111

113

116

115

103

123

120

102

133

124

103

137

126

98

S observm c numrul de observaii (T=9) este mic, din raiuni de simplificare a calculelor.
Vom estima modelul, presupunnd c sunt ndeplinite ipotezele principale ale modelului liniar
general de regresie:
-

ipoteze

stochastice:

E ( ) = 0, E ( . ) = 2 I , (homoscedasticitate),

E ( t . s ) = 0 , dac t s

adic:

E ( t2 ) = 2 , t.

- ipoteze structurale: dac numrul de variabile exogene veritabile este k, atunci p=k+1 este
numrul parametrilor de estimat. Trebuie ca rangul matricii X s fie egal cu p (p<T), iar matricea

( X X ) ,

unde

X este transpusa lui X este nesingular, deci inversabil.

44

n exemplul nostru avem k=2 i p=3.

1
a = ( X X ) X Y este un estimator liniar nedeplasat i cu variana minimal (estimator BLUE).

Atunci,

Pentru a simplifica procedura de calcul vom centra variabilele modelului. Cu notaiile:

Z = Y Y , U 1 = X 1 X 1 , U 2 = X 2 X 2 , =
unde:

Y =

1
1
1
1
y t , X 1 = x1t , X 2 = x 2t , = t

T t
T t
T t
T t

modelul se scrie:

Z = a1U 1 + a 2U 2 + , sau Z = Ub +
y1 y

x11 X 1

y2 y
Z =
,U = ...

...
x X

1
1T
y y

T
Deoarece

X2 =

Y =

1
T

x 21 X 2
1

a1
...
, b = , = ...
a2

x 2T X 2
T

1
1
1
1
yt = 1053 = 117, X 1 = x1t = 1017 = 113,

T t
9
T t
9

x
t

, unde

2t

1
954 = 106 , valorile centrate ale variabilelor sunt:
9

Z = Y Y

U1 = X 1 X 1

U2 = X 2 X2

-17

-13

-6

-11

-9

-7

-10

-7

+4

+3

-2

+20

-6

-2

+7

-1

+2

-3

+6

+7

-4

+16

+11

-3

+20

+13

-8

Pentru a calcula estimatorul

a
1
b = 1 = (U U ) U Z , avem nevoie de matricile:
a 2

45

... u1T
u
U U = 11
u 21 ... u 2T

u11

...
u
1T

... u1T
u
U Z = 11
u 21 ... u 2T

z1
u1t z t 872
=
... =

z u 2t z t 72
T

(U U )1

650 112

=
112 648

u 21
u12t
... =
u u
1t 2t
u 2T

648

= 408656
112

408656

648

1
b = 1 = (U U ) U Z = 408656
112
a 2
408656
Pentru

determina

estimatorul

celui

u u
u
1t

2t

2
2t

650 112
=

112 648

112

408656
650

408656

112

408656 872 = 1,3629

650 72 0,1244

408656
de

al

treilea

parametru,

a3,

utilizm

iar

reziduurile

relaia:

Y = a1 X 1 + a 2 X 2 + a 3 , de unde:

a 3 = Y a1 X 1 a 2 X 2 = 117 1,3629.113 0,1244.106 = 50,1941

Modelul

estimat

este:

Y = Xa = 1,3629 X 1 + 0,1244 X 2 50,1941 ,

sunt:

= Y Y = Y Xa = Y 1,3629 X 1 0,1244 X 2 + 50,1941 .

Cutm acum un estimator nedeplasat pentru variana reziduurilor. Am vzut c acest estimator este dat de

relaia:

2 =

1
t2

Tp

. Dar,

( )

= Y Y = (Y Y ) Y Y = Z Z = Z Ub , iar

2
t

)(

872

= = Z Ub Z Ub = Z Z bU Z . Avem c: U Z =
72

872
= 1179,5704
Z Z = z t2 = 1248 i bU Z = (1,3629 0,1244)
72

2
t

= 1248 1179,5704 = 68,4296

2 =

1
68,4296
t2 =
= 11,4049

Tp
93

46

b este:

Matricea de varian i covarian a vectorului

obine nlocuind pe

= 2 (U U )1

cu

b = 2 (U U )

, iar o estimaie a ei se

2 . Avem c:

648

= (11,4049) 408656
112
408656

112

408656 = 0,0180 0,0031

650 0,0031 0,0181

408656

Coeficientul de corelaie multipl R2, are valoarea:

R2 =

var iabilitatea exp licata

var iabilitatea reziduala
=1
var iabilitatea totala
var iabilitatea totala

( y y ) = z = 1248
Variabilitatea rezidual = = 68,4296
2

Variabilitatea total =

2
t

2
t

Variabilitatea explicat = Variabilitatea total Variabilitatea rezidual =

=1248 68,4296 = 1179,5704

R2 =

1179,5704
= 0,9451 .
1248
Tabelul de analiz a varianei (variabile centrate):
Sursa variabilitii

1.Variabila endogen centrat

2.Variabilele exogene centrate

3. Reziduurile

Suma ptratelor
corespunztoare acestei surse

Numrul gradelor
de libertate
T-1=8

Media ptratelor
asociate

= 1179,5704

k=2

1
z t2

= 68,4296

T-k-1=6

1
t2

T k 1

2
t

2
t

2
t

= 1248

47

1
z t2

T 1

CAPITOLUL IV
STUDIUL MODELULUI LINIAR CND IPOTEZELE CLASICE ASUPRA ERORILOR
NU MAI SUNT REALIZATE

4.1. Ipoteza de independen a erorilor

S-a studiat anterior modelul liniar de regresie sub ipoteza c erorile sunt independente. n cazul n
care erorile t sunt corelate, matricea de varian i covarian a erorilor nu se mai reduce la
estimatorii parametrilor modelului general Y=Xa+, cu E(t)=0, t=1,2,...,T i

2 I , iar

= E ( ') 2 I nu

mai posed aceleai proprieti ca n cazul erorilor independente.

Fie

a vectorul estimatorilor parametrilor a. Estimatorul a trebuie s fie liniar n raport cu

a = MY , unde M este o matrice de coeficieni. Estimatorul a este

variabilele endogene Y, adic

nedeplasat deoarece:

E (a ) = E (MY ) = E [MXa + M ] = MXa + ME ( ) = MXa

(pentru c

E ( ) = 0 ).

Pentru ca

E (a ) = a trebuie s impunem condiia MX=I, rezultnd c:

a = MY = MXa + M = a + M
Matricea de varian i covarian a estimatorilor (innd cont c

a a = M ) este:

a = E [(a a ) (a a )] = E [M ( M )] = E [M M ] = ME ( ) M = M M
Punnd condiia ca

a s fie minimal, sub restricia MX=I i rezolvnd aceast problem de extremum

condiionat, rezult c matricea M este de forma:

M = X 1 X

X 1

Prin nlocuire i calcul se obine:

a = MY = X 1 X

a = X 1 X
Estimatorul

X 1Y

a astfel obinut este un estimator liniar, nedeplasat i de dispersie minim. El a fost obinut

prin MCMMP generalizat. Se observ imediat

c dac erorile sunt independente,

adic

= 2 I , atunci a = [X X ]1 X Y , adic regsim estimatorul obinut prin MCMMP

obinuit.

48

n cazul n care erorile sunt corelate, determinarea estimatorului

de varian i covarian a erorilor

estimaia ei

. n aplicaii, deoarece

a necesit cunoaterea matricei

este necunoscut, se lucreaz cu

, ceea ce nu antreneaz erori prea grave.

Corelarea erorilor

t = t 1 + t

poate mbrca diverse forme. Cel mai frecvent se studiaz cazul cnd

(se spune c erorile urmeaz un proces autoregresiv de ordinul nti).

Modelul liniar general Y=Xa+, scris i sub forma:

(1)

yt = a1 x1t + a 2 x2 t + ... + a p x pt + t , t=1, 2, ...,T

t = t 1 + t ,

(n care

E ( t1 t 2 ) = 0 , pentru t1 t 2
-

iar asupra erorilor

ecuaia

E ( t ) = 0 ,

facem ipotezele cunoscute:

Var ( t ) = 2 , t ), poate fi pus sub urmtoarea form:

scris

(1)

yt 1 = a1 x1(t 1) + a 2 x2(t 1) + ... + a p x p (t 1) + (t 1)

pentru

t-1

este:

pe care o nmulim cu (presupunem

< 1 ):
(2)

yt 1 = a1 x1(t 1) + a 2 x 2 (t 1) + ... + a p x p (t 1) + (t 1)
Prin scderea (1)-(2) obinem:

(3)

yt yt 1 = a1 (x1t x1(t 1) ) + a2 (x2t x2(t 1) ) + ... + a p (x pt x p (t 1) ) + t

Dac s-ar cunoate parametrul , atunci ecuaia (3) ar putea fi scris sub forma:

(4)
unde:

z t = a1u1t + a 2 u 2t + ... + a p u pt + t

z t = yt yt 1

u it = xit xi (t 1) , i=1,2,...,p.

t = t t 1
Deoarece, prin ipoteze, erorile
(4) care va conduce la estimatorul

sunt independente, se poate aplica MCMMP obinuit ecuaiei

a = (a1 , a 2 ,..., a p ) nedeplasat i de minim dispersie.

Dar, cum parametrul nu este cunoscut, pentru estimarea parametrilor unei ecuaii de regresie
atunci cnd erorile sunt corelate (sub forma unui proces autoregresiv de ordinul I,

49

t = t 1 + t ,

staionar, adic media

E ( t ) i dispersia Var ( t ) sunt independente de timp, iar < 1 ) se pot aplica

urmtoarele metode:

Metoda I:
Se aplic MCMMP obinuit ecuaiilor (1) fr a ine cont c erorile

1.

Se obine estimatorul
estimaiile erorilor

sunt corelate.

a1 al lui a i se determin valorile ajustate Y1 = Xa1 i

t = yt y1t .

Dm o estimare a parametrului aplicnd MCMMP obinuit ecuaiei

2.

t = t 1 + t , obinnd .
nlocuim cu

3.

obine estimatorul

n ecuaia (3) i aplicm MCMMP obinuit acestei ecuaii. Se

a pentru parametrul a.

Evident, pentru eantioane mici, estimatorul

a nu prezint garanii c are proprietile dorite.

Metoda II:
Ecuaia (3) de mai nainte se poate scrie i sub forma:
(5)

yt (a1 x1t + ... + a p x pt ) = yt 1 (a1 x1(t 1) + ... + a p x p (t 1) ) + t

Se aplic MCMMP obinuit ecuaiilor (3) i (5) astfel:

1.

Dm o valoare iniial lui , de exemplu 0=0 n ecuaia (3) i obinem o prim

estimaie a parametrilor

2.

nlocuim

a 0 .

a 0 = (a10 , a 20 ,..., a 0p ) n ecuaia (5) i efectund regresia, obinem o nou

valoare pentru , notat 1.

3.

nlocuim cu 1 n ecuaia (3) i efectum o nou regresie, obinnd estimatorul

4.

Se opresc iteraiile dac valorile gsite n dou iteraii succesive nu difer dect printr-

a1 = (a11 , a 12 ,..., a 1p ) .a.m.d.

un numr orict de mic dorit (se spune c estimatorii

a i , i=1,2,... converg).

Metoda III (baleiaj):

Presupunem c

> 0 , ia succesiv valorile:

= {0;0,01;0,02;...;1}.
Aplicm MCMMP obinuit ecuaiei (3) pentru fiecare valoare a lui i calculm reziduurile
Se reine valoarea lui care d cea mai mic sum a ptratelor erorilor

estimatorii

a1 , a 2 ,..., a p ai parametrilor.
50

2
t

t .

, creia i corespund

***
Exist i alte proceduri de estimare a parametrilor n cazul cnd erorile sunt corelate.

4.1.1. Testarea ipotezei de independen a erorilor

Atunci cnd ipotezele fundamentale ale modelului liniar al regresiei nu sunt ndeplinite
proprietile estimatorilor parametrilor sufer. Astfel, sub ipoteza I2 referitoare la distribuia erorilor i la
independena lor, estimatorii obinui sunt nedeplasai i au variana minimal. Dac erorile sunt corelate,
estimatorii rmn, n general, nedeplasai, dar matricea de varian i covarian a acestora nu mai este

2 I . Pentru a ne asigura de independena erorilor trebuie s efectum teste. Este vorba despre testul lui
Durbin i Watson.
Modelul liniar general al regresiei:

yt = a1 x1t + a 2 x 2t + ... + a p x pt + t
se poate scrie sub forma:

yt = axt + t

unde:

a = (a1 , a 2 ,..., a p ) i

x1t

x2 t
xt =
... .

x
pt

Se aplic MCMMP obinuit i se obine un estimator

valorile ajustate

y t = axt

i erorile estimate

a = (a1 , a 2 ,..., a p ) ,

calculndu-se

t = yt y t .

Reziduurile estimate depind de irul erorilor

i de irul valorilor exogene

xt , deoarece:

t = yt y t = (a a )xt + t .
Se consider variabila aleatoare, notat

d , numit i statistica Durbin-Watson definit prin

ecuaia:
T

d =

( )
t =2

t2

t 1

t =1

51

Durbin i Watson au determinat densitatea de probabilitate a variabilei aleatoare

i au artat c oricare ar fi irul de exogene considerate, curbele reprezentative ale lui

dou curbe limit

( )

( )

()

d , notat f d

()

f d oscileaz ntre

f di i f d s . Aceste funcii depind de numrul de observaii (T), de numrul de

variabile exogene veritabile ce figureaz n model (m) i de irul erorilor

t .

Cele dou curbe limit

(reprezentate grafic n figur) sunt atinse pentru anumite iruri de exogene xt i sunt simetrice n raport cu
axa de abscis 2.

()

f d

d1 d2

d1

d2

Scopul este de a ti dac erorile modelului sunt autocorelate. Cel mai frecvent se caut testarea
legturii erorilor printr-o relaie de forma

t = t 1 + t .

Se spune c erorile urmeaz un proces

autoregresiv de ordinul nti.

Vrem s testm ipoteza I0:
(erorile

=0

(absena autocorelaiei erorilor), contra ipotezei I1:

>0

sunt autocorelate).

La un nivel de semnificaie dat, Durbin i Watson au determinat dou valori, d1 i d2, n funcie
de numrul de observaii (T) i de numrul de exogene veritabile (m) corespunztoare fiecreia din curbele
limit.
Se calculeaz statistica d cu relaia dat i se observ c:
1.

dac d < d 1 , atunci se accept I1;

52

2.

dac

d 1 < d < d 2 , atunci exist ndoieli c legtura dintre erori este de forma

t = t 1 + t ;
3.

dac d > d 2 , atunci se accept I0.

n tabelul urmtor sunt date cteva valori uzuale pentru d1 i d2 n funcie de T i m, pentru nivelul
de semnificaie =0,05:
Tabela D-W
T

m=1

m=2

m=3

m=4

m=5

d1

d2

d1

d2

d1

d2

d1

d2

d1

d2

15

1,08

1,36

0,96

1,54

0,82

1,75

0,69

1,97

0,56

2,21

20

1,20

1,41

1,10

1,54

1,00

1,68

0,90

1,83

0,79

1,99

30

1,35

1,49

1,28

1,57

1,21

1,65

1,14

1,74

1,07

1,83

50

1,50

1,59

1,46

1,63

1,42

1,67

1,38

1,72

1,34

1,77

100

1,65

1,69

1,63

1,72

1,61

1,74

1,59

1,76

1,57

1,78

Observaii:
1. n loc s testm
dou valori

=0

contra

> 0 , se poate testa I0: = 0 , contra I1: 0 . Se obin

d1' i d 2' simetrice n raport cu 2 i se constat c:

a. dac

d < d1 sau d > d 2' , atunci se accept I1;

b. dac

d 2 d d 2 sau d1' d d 2' , atunci exist ndoieli c erorile sunt corelate;

c. dac

d 2 < d < d1' , atunci se accept I0.

2. Dac modelul studiat nu conine constanta, trebuie s determinm

d ca i cnd modelul ar

conine o constant.
3. Statistica Durbin-Watson aplicat pe un model care conine variabile endogene retardate este
deplasat ctre 2, ceea ce nseamn c erorile sunt mai puin corelate ntr-un proces autoregresiv, dect ntrun proces ordinar.

4.1.2. Experien de calcul

53

I. Se cunosc urmtoarele date referitoare la evoluia n timp a unei variabile economice (n preuri
constante):
t

yt

662,3

669,4

912,7

935,2

1027,2

1145,0

1193,7

1224,1

10

11

12

13

14

15

yt

1281,7

1426,3

1376,2

1327,8

1420,6

1933,9

2023,4

Pe aceast serie cronologic, utiliznd modelul

yt = a t + b + t

,s-a aplicat MCMMP,

obinndu-se estimatorii:

a = 81,8657 ; b = 582,404
De asemenea, s-a calculat variana estimatorilor i ecartul-tip al acestora:

b = 72,2721
reziduurilor

i valorile ajustate ale

a = 7,94887 ;

y t = 81,8657.t + 582,404 i ale

variabilei endogene

t = y t y t :

y t

664,2

746,1

828,0

909,8

991,7

1073,6

1155,5

1237,3

10

11

12

13

14

15

y t

1319,2

1401,0

1482,9

1564,6

1646,6

1728,5

1810,4

-1,93

-76,79

+84,79

+25,35

+35,49

+71,44

+38,30

-13,25

10

11

12

13

14

15

-37,54

+25,25

-106,64

-237,01

-226,00

+205,42

+213,03

Ne propunem s cercetm o eventual autocorelare a erorilor.

Rezolvare:
Pentru a putea utiliza testul Durbin-Watson trebuie ca numrul de observaii T s fie suficient de
mare (n practic T>15), iar modelul s conin un termen constant.
T

Statistica Durbin-Watson definit de ecuaia

d =

(
t =1

2
t 1 )

t =1

tabel, la:

265867,35
d =
= 1,156 .
229991,79

54

conduce, conform datelor din

2
t

Durbin i Watson au artat c pentru un proces staionar (primele dou momente ale variabilei
aleatoare

independente de timp), valoarea calculat a statisticii

d este cuprins ntre 0 i 4, cu absena

corelaiei n vecintatea lui 2. ntre aceste valori limit, tabela D-W furnizeaz, la pragul de seminificaie ,
diferite intervale de valori

corespunztoare prezenei autocorelaiei pozitive sau negative, absenei

autocorelaiei i situaiilor de indecizie, astfel:

1.

dac

0 < d < d1 , atunci erorile sunt pozitiv autocorelate;

2.

dac

d1 < d < d 2 , atunci exist ndoieli c erorile ar fi corelate;

3.

dac

d 2 < d < 4 d 2 , atunci erorile t sunt independente;

4.

dac

4 d 2 < d < 4 d1 , atunci exist ndoieli c erorile ar fi corelate;

5.

dac

4 d1 < d , atunci erorile sunt negativ corelate.

n exemplul nostru, numrul de exogene veritabile n model este (m=1) i dispunem de T=15
observaii.
Tabela D-W furnizeaz valorile d1=1,08 i d2=1,36 la pragul de semnificaie =0,05.
Deoarece

d1 = 1,08 < d = 1,156 < d 2 = 1,36 ,

putem s spunem c erorile

suntem ntr-o situaie de indecizie, nu

sunt corelate.

II. n tabelul urmtor sunt date, pentru perioada 1985-2002:

volumul investiiilor n agricultur, yt;

produsul intern brut agricol, x1t;

indicele volumului importurilor pentru agricultur, x2t.

Anul

Investiii n agricultur

Produsul intern brut agricol

Indicele volumului importurilor pentru agricultur

yt

x1t

x2t

1985

85,2

563,8

90,6

1986

90,2

594,7

91,7

1987

96,6

635,7

92,9

1988

112,0

688,1

94,5

1989

124,5

753,0

97,2

1990

120,8

796,3

100,0

1991

131,5

868,5

104,2

1992

146,2

935,5

109,8

1993

140,8

982,4

116,3

1994

160,0

1063,4

121,3

1995

188,3

1171,1

125,3

55

Anul

Investiii n agricultur

Produsul intern brut agricol

Indicele volumului importurilor pentru agricultur

yt

x1t

x2t

1996

220,0

1306,6

133,1

1997

214,6

1412,9

147,7

1998

190,9

1528,8

161,2

1999

243,0

1702,2

170,5

2000

303,3

1899,5

181,5

2001

351,5

2127,6

195,4

2002

386,2

2368,5

217,4

Se cere:
1.

Determinarea legturii dintre investiii, PIB i volumul importurilor;

2.

Testarea autocorelaiei erorilor;

3.

Dac exist autocorelaie, cum se pot nltura efectele acesteia?

Rezolvare:
-

Studierea legturii dintre variabilele economice amintite se poate efectua cu

modelul de regresie multipl:

yt = a + bx1t + cx2t + t
Aplicarea

MCMMP

conduce

urmtoarea

la

estimare

modelului:

statistica Durbin-Watson este:

d = 0,72 .

y t = 125,44 + 0,37 x1t 2,93 x2t

Coeficientul de corelaie multipl are valoarea calculat: R2=0,98
2. Dup calcularea reziduurilor estimate,

t ,

Conform tabelei D-W, pentru =5%, T=18 observaii i m=2 variabile exogene veritabile, rezult:
d1=1,05> d

= 0,72 , ceea ce conduce la concluzia c erorile sunt corelate pozitiv.

3. Pentru a nltura efectele autocorelaiei erorilor, se procedeaz astfel:

- scriem dependena dintre variabile
(1)

yt = a + bx1t + cx2t + t , pentru momentul t-1:

(2)

yt 1 = a + bx1( t 1) + cx2 (t 1) + t 1

- nmulim (2) cu i efectum scderea (1)-(2):

yt yt 1 = a (1 ) + b( x1t x1(t 1) ) + c ( x2t x2( t 1) ) + ( t t 1 )

-

cutm o estimaie a coeficientului . Observm c este coeficientul

variabilei yt-1 n relaia anterioar. Efectum o regresie cu MCMMP pe ultima
ecuaie, fr s inem cont de relaiile dintre coeficieni, adic pe ecuaia:

56

y t = a0 + y t 1 + a1 x1t + a 2 x1(t 1) + a3 x 2t + a 4 x 2(t 1) + t

t = t t 1

unde a0=a(1- ) , a1=b, a2=-b, a3=c, a4=-c i

Efectund calculele, obinem:

y t = 47,56 + 0,70 yt 1 + 0,68 x1t 0,60 x1(t 1) + 3,08 x2t 2,11x2(t 1) Estimaia
gsit pentru coeficientul este
-

cu ajutorul estimaiei gsite, transformm variabilele modelului iniial pentru o nou regresie:

z t = y t y t 1

Anul

= 0,70

u1t = x1t x1( t 1)

u 2t = x2t x2( t 1)

1985

1986

30,56

200,04

28,28

1987

33,46

219,41

28,71

1988

44,38

243,11

29,47

1989

46,10

271,33

31,05

1990

33,68

269,70

31,96

1991

46,94

311,09

34,20

1992

54,15

327,55

36,86

1993

38,46

327,55

39,44

1994

61,44

375,72

39,89

1995

76,30

426,72

40,39

1996

88,19

486,83

45,39

1997

60,60

498,28

54,53

1998

40,68

539,77

57,81

1999

109,37

632,04

57,66

2000

133,20

707,96

62,15

2001

139,19

797,95

68,35

2002

140,15

879,18

80,62

Observaie:
Pentru a evita eliminarea primei valori din irul de observaii, prin trecerea la diferene, se pot
folosi transformrile:

z1 = y1 1 2 , u11 = x11 1 2 , u 21 = x 21 1 2

se aplic MCMMP ecuaiei:

z t = a0 + a1u1t + a 2 u 2t + t , i rezult:
57

zt = 7,19 + 0,24u1t 0,99u2t

Coeficientul de corelaie multipl este acum R2=0,88 iar statistica Durbin-Watson

d = 1,54 .

Testul de independen conduce acum la concluzia c erorile sunt independente, deoarece:

4-d2=2,47>

d =1,54>d2=1,53

4.2. Ipoteza de normalitate a erorilor

Unele proprieti ale estimatorilor nu depind de normalitatea erorilor. De exemplu, distribuiile

asimptotice ale estimatorilor necesit doar existena primelor dou momente (media i dispersia) ale
erorilor

i nu n mod obligatoriu ca

s urmeze o lege normal. Acest lucru nu este ns valabil pe

eantioane mici. Testarea ipotezelor i intervalele de ncredere nu mai au aceleai proprieti dac legea de
distribuie a erorilor nu este legea normal. Pentru a caracteriza deviaiile de la legea normal se utilizeaz
doi coeficieni:
a)

coeficientul de asimetrie, calculat prin raportul:

1 =
unde:

3
2
3

este momentul centrat de ordinul 3. Dac

dreapta fa de legea normal, iar dac

1 > 0 , atunci seria de date este deplasat spre

1 < 0 , exist o deviere spre stnga.

b) coeficientul de aplatizare, calculat prin raportul:

2 =

4
3
2

O valoare pozitiv pentru

normal, n timp ce o valoare

2 < 0

indic faptul c distribuia este mai puin aplatizat dect distribuia

caracterizeaz o distribuie mai aplatizat dect cea normal.

Aceste deviaii afecteaz testele i intervalele de ncredere ale estimatorilor. Studiul teoretic al
acestor deviaii este complex. Pentru a obine teste i intervale de ncredere mai robuste, n practic se
procedeaz astfel:
1.

Se efectueaz o regresie cu metodele uzuale i se determin o estimaie a reziduurilor

t .
2.

Se examineaz cele T reziduuri estimate i se repereaz cele a cror valoare absolut

este foarte mare.

58

Se elimin din seria de date observaiile corespunzatoare acestor erori foarte mari sau

3.

se corecteaz aceste observaii astfel ca s se ajung la valori ct mai normale ale

erorilor.
Se efectueaz o nou regresie pe eantionul corectat. Proprietile estimatorilor

4.

obinui vor depinde de regula adoptat n etapa anterioar. De exemplu, se poate

adopta regula de a respinge sau corecta observaiile corespunztoare reziduurilor a
cror valoare absolut

este mai mare dect de trei ori media erorilor absolute.

4.3. Ipoteza de heteroscedasticitate

S presupunem, deci, c dei

sunt independente, dispesia erorilor

variaz n funcie de t.

n acest caz, estimatorii obinui sunt nc nedeplasai. Dar, momentele centrate de ordinul doi nemaifiind
constante se comite o eroare de calcul a ecartului-tip al estimatorilor. Se poate evalua deplasarea n
estimaia

. Aceast deplasare depinde de natura i importana heteroscedasticitii, adic de irul de

valori

, xt

. Deplasarea este nul dac sunt realizate relaiile urmtoare:

(1)

2
1
2t xt x = 0 ;

T t

(2)

1
T

(x
2

2
1
x =
T

(x
2

2
x .

Aceste relaiile sunt realizate atunci cnd nu exist nicio legtur sistematic ntre

xt .

Homoscedasticitatea erorilor se admite n seriile cronologice atunci cnd ordinul de mrime al

variabilelor este apropiat pentru diverse observaii. Dar, n studiul datelor micro-economice, variabilele pot
avea ordine de mrime foarte diferite. Acest fapt conduce la erori de estimare importante pentru coeficienii
unui model econometric.
Dac putem evalua variana erorilor

atunci, n loc s determinm parametrii din condiia ca

suma ptratelor erorilor s fie minim, acetia pot fi determinai din condiia ca

t2
t 2

s fie minim.

Pentru modelul elementar

expresia

1
( y
t

yt = axt + b + t , estimatorii a

2
axt b ) .

59

b vor fi cei care minimizeaz

n cazul n care

se poate pune condiia ca

(dispersiile reziduurilor) variaz proporional cu valorile variabilei exogene,

( yt axt b )2

xt2

y
b
= t a s fie minim.
xt
t xt

4.3.1. Experien de calcul

Ne propunem s studiem legatura dintre volumul investiiilor i suprafaa cultivat. Pe un eantion

de 30 de ntreprinderi agricole s-au obinut urmtoarele date:
Suprafaa (ha)

Cheltuielile de investiii (RON)

100

75,6

75,6

77,4

78,3

80,1

81

200

80,1

81,9

83,7

83,7

84,6

84,6

300

85,5

88,2

89,1

92,7

92,7

94,5

400

92,7

95,4

98,1

101,7

103,5

105,3

500

104,4

106,2

108,9

112,5

117,9

117,9

Aplicnd MCMMP pe ntregul eantion cu modelul elementar

y t = 0,08145xt + 67,965

yt = axt + b + t , obinem:

R 2 = 0,9 .

Dorim s testm ipoteza de homoscedasticitate a erorilor. n acest scop efectum dou regresii
separate, una pe primele 12 observaii, alta pe ultimele 12 (valorile lui X fiind ordonate cresctor).
Fie SPE1 i SPE2 suma ptratelor erorilor relative la cele dou regresii.
Regresia lui Y n raport cu X pentru primele 12 observaii, conduce la:

y t(1) = 0,054 xt + 72,6

R 2 = 0,66 ; SPE1 = 49,14 ,

iar regresia pe ultimele 12 observaii d:

y t( 2 ) = 0,1125 xt + 54,45

R 2 = 0,60 ; SPE2 = 250,695 .

n cazul n care erorile ar fi distribuite normal i homoscedastice, variabilele aleatoare

respectiv

SPE 2

SPE1

ar trebui s urmeze fiecare o distribuie hi-ptrat cu (T-d-k-p) grade de libertate, unde T

este numrul de observaii, d este numrul de observaii omise (n cazul nostru d=6), k este numrul de
observaii luat n fiecare regresie separat, iar p este numrul parametrilor de estimat. n exemplul nostru T-

1
SPE 2
d-k-p=10. n aceste condiii, variabila aleatoare 10
are o distribuie Fisher cu 10 i respectiv 10
1
SPE1
10

60

SPE2 250,695
=
= 51,01 . Din tabelele
SPE1
49,14

grade de libertate (F10,10). Cu datele calculate, obinem

distribuiei

Fischer-Snedecor,

la

pragul

de

=0,05 gasim Ftab=2,97. Deoarece

semnificaie

Fcalc=51,01>Ftab=2,97 se admite ipoteza de heteroscedasticitate a erorilor.

Dac presupunem acum c variana erorilor
variabilei exogene, adic

este proporional cu ptratul valorilor

2 = xt2 , fiind o constant nenul, atunci efectele heteroscedasticitii pot fi

t

corectate prin transformarea modelului. mprind fiecare termen al ecuaiei de regresie prin xt, rezult:

yt
b
=a+ + t
xt
xt xt
sau

z t = a + bu t + t , unde: z t = yt , ut = 1
xt

Se observ c

Var ( t ) = Var t
xt

xt

t =

t
xt

1 2
= 2 t = .
xt

Prin urmare, modelul transformat are erorile

homoscedastice, deoarece dispersia lor este

independent de timp. Efectund regresia pe modelul transformat, rezult:

zt ut T zu
b =
2

ut2 T u

a = z bu
Revenind n variabilele iniiale obinem:

y 1 1
y
1

t xt x T t xt x

t
t
t
t
b =
2
2

1 1
1

t x T x
t
t

y
1
1
1
a = t b

T t xt
T t xt
Efectund calculele, rezult:

b = 70,44 ; a = 0,072 ; R 2 = 0,99 , adic:

y t
70,44
= 0,072 +
xt
xt

sau

y t = 0,072 xt + 70,44 .

61

S remarcm faptul c panta dreptei de regresie (dup corectarea heteroscedasticitii) este mai
mic dect cea obinut naintea corectrii.

4.4. Ipoteza de independen a erorilor n raport cu varibilele exogene

Se tie c sub aceast ipotez fundamental estimatorii obinui au proprieti optimale

(nedeplasai, cu varian minimal). Cnd ipoteza nu mai este satisfcut aceste proprieti nu mai sunt
valabile. Cu ct coeficientul de corelaie liniar ( ) dintre

xt este mai mare, cu att deplasarea

estimatorilor va fi mai mare. n astfel de cazuri este de preferat s se aleag un alt model econometric
pentru studierea legturii dintre variabile.
La fel trebuie procedat i atunci cnd se constat c variana erorilor nu este finit.

4.5. Ipoteza referitoare la faptul c variabilele modelului sunt observate fr eroare

Atunci cnd variabilele care apar n model nu sunt variabile observate fr eroare, va exista o
corelaie ntre reziduuri i exogenele din model.
n acest caz, pentru a obine estimatori convergeni, s-a dezvoltat o metod de estimare special,
numit metoda variabilelor instrumentale, pe care o prezentm mai jos.
Fie modelul liniar general:

y t = a1 x1t + a 2 x 2t + ... + a p x pt + t , t=1, 2, ...,T,

~
~
Y i X valorile reale

care, cu notaiile obinuite, se scrie n forma matricial Y=Xa+. Notm cu

(necunoscute acum pentru c observaiile Y i X conin erori!) ale variabilelor din model.
Putem scrie c

~
~
Y = Y + , X = X + , unde i sunt variabile aleatoare. Vom presupune c

i satisface ipotezele fundamentale (medie zero, varian finit, independente).

nlocuind

prin

expresiile

lor,

obinem

modelul

~ ~
Y = Xa + ,

unde

= a + . Aceasta arat c n modelul iniial, Y=Xa+ , reziduurile sunt corelate cu X prin

intermediul lui .
Presupunem acum c se cunosc alte p variabile exogene Zi, i=1,2,...,p necorelate cu , i , deci
necorelate cu .
Acest lucru nseamn c

E (Z i ) = 0 , i=1,2,...,p. Considerm modelul iniial Y=Xa+

sub forma:
(1)

Y = a1 X 1 + a 2 X 2 + ... + a p X p + ,

62

scris

 x p1
x11
x 21

.
.
.

unde X 1 = . , X 2 = . ,..., X p = .

.
.
.

x
x
x
1T
2T
pT
nmulim, succesiv, ecuaia (1) cu Z1, Z2, ...Zp i aplicm operatorul de medie E fiecrei ecuaii. Se
obine sistemul:

E (Z1 Y ) = a1 E (Z 1 X 1 ) + ... + a p E (Z 1 X p )

E (Z 2 Y ) = a1 E (Z 2 X 1 ) + ... + a p E (Z 2 X p )
(2)
....
E (Z Y ) = a E (Z X ) + ... + a E (Z X )
p
1
p 1
p
p
p

Metoda de estimare VI (variabilelor instrumentale) const n a lua ca estimatori

(a ,..., a ) exact
1

soluiile sistemului de ecuaii (2), n care speranele matematice sunt nlocuite cu momentele empirice
corespunztoare:

E (Z i Y ) =

1
zit yt , i=1,2,...,p
T t

E (Z i X j ) =

1
zit x jt , i,j=1,2,...,p
T t

Dac notm:

z11

Z = ...
z
1T
matricial:

x11
z p1

... ... i X = ...

x
... z pT
1T
...

x p1

... ... sistemul (2) transformat se scrie sub form

... x pT
...

Z 'Y = (Z ' X )a , iar pentru c (Z 'Y ) este inversabil, obinem estimatorul:

1
a = (Z ' X ) Z 'Y .

S observm similitudinea cu estimatorii obinui prin MCMMP:

1
a = ( X ' X ) X 'Y

1.

MCMMP obinuit:

2.

MCMMP generalizat:

3.

metoda VI:

a = X ' 1 X

) ( X ' ) Y
1

1
a = (Z ' X ) Z 'Y .

Se trece de la 1. la 2. nlocuind

X ' prin X ' 1 .

Se trece de la 1. la 3. nlocuind

X ' prin Z ' .

Cunoaterea primei formule permite exprimarea celorlalte dou.

63

Estimatorul

a obinut prin metoda VI este un estimator deplasat pentru a, dar converge n

probabilitate ctre a pentru T suficient de mare.

Pentru a putea utiliza metoda VI trebuie gsite attea variabile instrumentale cte exogene conine
modelul. Aceste variabile instrumentale trebuie s fie necorelate cu reziduurile, dar puternic corelate cu
exogenele modelului. Aceste restricii limiteaz alegerea variabilelor instrumentale i, prin urmare, metoda
VI nu este o metod general de estimare.

4.5.1. Experien de calcul

Considerm o anchet pe bugetele de familie pentru a studia consumul dintr-un anumit produs.
Ancheta cuprinde un eantion de T familii. Facem urmtoarele notaii:
y1t: cheltuielile totale ale familiei t;
y2t: cheltuielile relative la produsul studiat;
Vt: veniturile familiei t;

i scriem ecuaiile:
(1)

y1t = Vt + 1t

(2)

y 2t = aVt + b + 2t
Ne propunem s exprimm cheltuielile relative la produsul studiat n funcie de cheltuielile totale.

Din ecuaia (1) avem c

Vt = y1t 1t

i nlocuind n (2), rezult:

y 2t = ay1t + b + 2t a 1t
sau, punnd
(3)

t = 2t a 1t :

y 2t = ay1t + b + t .

S observm c

este corelat cu y1t prin intermediul lui 1t.

Vom estima a i b din ecuaia (3) introducnd o variabil instrumental.

Fie VDt venitul declarat de familia t. Este evident corelaia puternic dintre variabilele VDt i Vt.
Dimpotriv, venitul declarat VDt nu este corelat cu

1t = y1t Vt ,

cheltuielile totale i veniturile familiei t. Rezult c VDt nu va fi corelat cu

variabil instrumental.
Pentru simplificarea calculelor, centrm variabilele din model:

y 2t = ay1t + b + t , t=1,2,...,T
64

care este ecartul ntre

t . Utilizm venitul declarat ca

1
1
1
y 2 t = a y1t + b + t

T t
T t
T t
y 2 = a y1 + b +
(4)

) (

y 2t y 2 = a y1t y1 + t

Dac aplicm MCMMP ecuaiei (4), obinem estimatorul:

(5).

a =

(y

1t

)(

y 1 y 2t y 2

(y

1t

y1

t
Folosim ns metoda variabilelor instrumentale. Pentru aceasta, considerm variabila

(VD VD ). nmulind ecuaia (4) cu variabila instrumental centrat i aplicnd

instrumental centrat

operatorul de medie E, rezult:

[(

)]

)(

[(

)(

)] [(

)(

E y2t y 2 VDt VD = aE y1t y1 VDt VD + E t VDt VD

t

Dar, cum

i VDt nu sunt corelate, nseamn c

nlocuind E cu media empiric, obinem:

[(

)]

)(

[(

)(

E y 2t y 2 VDt VD = aE y1t y1 VDt VD

)(

[(

)(

)]

)].

E t VDt VD = 0 , iar acum

)]

)(

1
1
VDt VD y2t y 2 = a VDt VD y1t y1 ,

T t
T t
de unde:

(VD VD)(y
a =
(VD VD )(y

)
.
y )

2t

y2

1t

Am obinut practic estimatorul (5) n care variabila

instrumental

(VD VD) att la numrtor, ct i la numitor.

t

65

(y

1t

y1

) s-a nlocuit cu variabila

BIBLIOGRAFIE

1. Andrei, T.

Statistic i econometrie, Editura Economic, Bucureti, 2004

2. Cenu, Ghe. (coord.)

Matematici pentru economiti, Editura CISON, Bucureti, 2000

3. Chow, G.

Econometrics, McGraw Hill, New York, 1989

4. Dobrescu, E.

Tranziia n Romnia-Abordri econometrice, Editura Economic,

Bucureti, 2002

5. Gheroghi, M.

Modelarea i simularea proceselor economice, Editura ASE,

Bucureti, 2001

6. Giraud, R. -

Econometrie, Economica, 49 rue Hericart, Paris, 1990

7. Gourieroux, C.

Statistique et Modeles Econometriques,

Monfort, A.

Economica, Paris, 1989

8. Gujarati, R.N.

Essentials of Econometrics, McGraw Hill, New York, 1998

9. Isaic-Maniu, Al.

Statistica pentru managementul

Mitru, C.

afacerilor, Editura Economic, 1995

Voineagu, V.
10. Malinvaud, E.

Methodes statistiques de leconometrie, Dunod, Paris, 1978

11. Onicescu, O.

Incertitudine i modelare economic

Botez, M.

(Econometrie informaional), Editura tiinific i Enciclopedic,

Bucureti, 1985

12. Pecican, E.S.

Econometria pentru ... economiti; Econometrie-teorie i aplicaii,

Editura Economic, Bucureti, 2003

13. Pecican, E.S.

Econometrie, Editura All, Bucureti, 1994

14. Tanadi, Al.

Econometrie, Editura A.S.E., 2001

15. Tanadi, Al.

Econometrie proiect, Editura A.S.E.,

Creu, A.

2003

Peptan, E.
16. Tnsoiu, O.
Pecican, E.S.

Modele econometrice, Editura A.S.E.,

2001

Iacob, A.
17. Tnsoiu, O.

Econometrie-studii de caz, Editura A.S.E., 1998

18. Tnsoiu, O.

Econometrie aplicat, Editura Arteticart,

Iacob, A.

Bucureti, 1999

19. www.asecib.ase.ro/soft.htm

66