Statistică

Capitolul 2
21 Probleme rezolvate
2.1.1Model liniar unifactorial -

caz general
2.1.2Model liniar unifactorial

cu erori heteroscedastice
2.1.3Model liniar unifactorial

cu autocorelarea erorilor
2.1.4Model unifactorial
neliniar
2.1.5Model liniar
multifactorial
2.1.6Model
multifactorial
neliniar – funcţia
Cobb-Douglas
fără progres
tehnic
2.1.8Model liniar multifactorial cu

variabile centrate
2.1.9Modele dinamice
2.1
.
8.1M
o
d
e
l
d
i
n
a
m
i
c
f
u
n
c
ţ
i
a
C
o
b
b
–
D
o
u
g
l
a
s
c
u
p
r
o
g
r
e
s
t
e
h
n
i
c
2.1.8.3Model
autoregresiv
2.1.8.4Model
dinamic cu
decalaj
2.1.8.5Model
dinamic de
prognoză cu
variabile
anticipative
2.1.10Modelul static al lui Keynes
2.1.11Modelul dinamic al lui Keynes
2.1.12Model recursiv
22 Probleme propuse spre rezolvare

Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple
2 Modele econometrice
singură
multiple
cuecuaţii
ecuaţie şi cu o
2.1 Probleme rezolvate
2.1.1 Model liniar unifactorial - caz general
Se cunosc următoarele date privind capacitatea de

cazare turistică în funcţiune (mii locuri-zile) şi numărul de
înnoptări în structurile de primire turistică cu funcţiuni de
cazare turistică (mii) în România în perioada 1989-2002:
Tabelul 2.1.1
Numărul de înnoptări
Capacitatea de cazare în structurile de primire
Anul turistică în funcţiune turistică cu funcţiuni
(mii locuri-zile) de cazare turistică
(mii)
0 1 2
1989 79458 53377

1990 77022 44552
1991 64124 31927
1992 55870 26076
1993 57434 24769
1994 53255 23296
1995 53540 24111
1996 53639 21838
1997 52027 19611
1998 53164 19183
1999 51275 17670
2000 50197 17647
2001 51182 18122
2002 50752 17277
Sursa: Anuarul Statistic al României 1993, CNS, Bucureşti, 1994, p. 622-

624, Anuarul Statistic al României 2003, INS, Bucureşti, 2004, p. 507,
511.
Econometrie. Studii de caz
Se cere:
a) să se specifice modelul econometric ce descrie

legătura dintre cele două variabile;
b) să se estimeze parametrii modelului şi să se

calculeze valorile teoretice ale variabilei
endogene;
c) să se verifice ipotezele de fundamentare a metodei

celor mai mici
pătrate;
d) să se verifice semnificaţiile estimatorilor şi

verosimilitatea
modelului;
e) presupunând că în anul 2003 numărul de

înnoptări va atinge valoarea de 17100 mii să se
estimeze capacitatea de cazare turistică în
funcţiune a României în acest caz.
Rezolvare:
a) Pe baza datelor problemei se poate construi un model econometric

unifactorial de forma:
y = f (x ) +u
unde:
y = valorile reale ale variabilelor dependente; x

= valorile reale ale variabilelor independente;
u = variabila reziduală, reprezentând influenţele celorlalţi

factori ai variabilei y, nespecificaţi în model, consideraţi
factori întâmplători, cu influenţe nesemnificative asupra
variabilei y.
Analiza datelor din tabel, în raport cu procesul

economic descris conduce la următoarea specificare a
variabilelor:
y = capacitatea de cazare turistică în funcţiune,

reprezentând variabila rezultativă (endogenă);
x = numărul de înnoptări, reprezentînd variabila

factorială (exogenă), respectiv factorul considerat prin
ipoteza de lucru cu influenţa cea mai puternică asupra
variabilei y.
Specificarea unui model econometric presupune, de
asemenea, alegerea unei funcţii matematice ( f ( x) ) cu

ajutorul căreia poate fi descrisă
legătura dintre cele variabile. În cazul unui model

unifactorial, procedeul cel mai des folosit îl constituie
reprezentarea grafică a celor două şiruri de valori cu ajutorul
corelogramei – vezi figura 2.1.1.
ccf
79400
77300
75200
73100
71000
68900
66800
64700
62600
60500
58400
56300
54200
innoptar
52100 i
50000
1650 1910 2170 2430 2690 2950 3210 3470 3730 3990 4250 4510 4770 5030 5290
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Figura 2.1.1 Legătura dintre capacitatea de cazare turistică

în funcţiune
(mii locuri-zile) şi numărul de înnoptări în structurile de primire

turistică cu funcţiuni de cazare turistică (mii)
în România
Din grafic se poate observa că distribuţia punctelor

empirice ( xt , yt )
poate fi aproximată cu o dreaptă. Ca atare, modelul

econometric care descrie legătura dintre cele două variabile
se transformă într-un model liniar unifactorial y = a + bx + u , a
şi b reprezentând parametrii modelului, b ≥ 0 , panta dreptei fiind
pozitivă deoarece legătura dintre cele două variabile este
liniară.
b) Deoarece parametrii modelului sunt necunoscuţi,

valorile acestora se pot estima cu ajutorul mai multor
metode, în mod curent fiind folosită însă metoda celor mai
mici pătrate (M.C.M.M.P.). Utilizarea acestei metode
porneşte de la următoarea relaţie:
yt = a + bxt + ut ; t = 1,
n
ˆ
yˆt = aˆ +
bxt
unde:
yˆ = valorile teoretice ale variabilei y obţinute numai în funcţie de
t valorile
factorului esenţial x valorile estimatorilor parametrilor a şi

şi de b,
$ $
respectiv a şi b ;
= −ˆ = −ˆ + −ˆ =
( estimaţiile valorilor variabilei
ut yt yt (a a) b b) xt reziduale.
În mod concret, M.C.M.M.P. constă în a minimiza

funcţia:
14 14 2
ˆ ˆ = −ˆ 2 = −ˆ−ˆ
( )
F a,b min ∑( y y ) (
min ∑ y a bx )
t t t t
t=1 t=1
Condiţia de minim a acestei funcţii

rezultă din:
ˆ
F ′( aˆ) = 0 ⇒ naˆ + b∑xt = ∑yt
′ˆ = ⇒ˆ +ˆ 2 =
( b) 0
a∑xt b∑xt ∑y t
xt
Tabelul 2.1.2
y
Nr. yt xt ˆt = 35030 ,912 +
( xt − x ut = yt −
(mii 2
xt yt ) yˆt 2
locuri
crt. - (mii) xt + 0,8694 xt ut
zile)
0 1 2 3 4 5 6 7 8
1 79458 53377 2849104129 4241229666 81436,2 767377059,6 -1978,2 3913120,5
10615710,
2 77022 44552 1984880704 3431484144 73763,8 356324948,9 3258,2 2
3 64124 31927 1019333329 2047286948 62787,8 39082145,3 1336,2 1785381,8
4 55870 26076 679957776 1456866120 57701,0 160457,5 -1831,0 3352697,0

5 57434 24769 613503361 1422582746 56564,7 821612,8 869,3 755597,6
6 53255 23296 542703616 1240628480 55284,1 5661680,3 -2029,1 4117418,8
7 53540 24111 581340321 1290902940 55992,7 2447436,8 -2452,7 6015700,3
8 53639 21838 476898244 1171368482 54016,6 14725858,0 -377,6 142564,2

yˆ
Nr. yt xt t = 35030 ,912 +
xt ( xt −x −
(mii 2
yt ) yˆt 2
locuri
crt. - (mii) xt + 0,8694 xt ut = yt ut
zile)
0 1 2 3 4 5 6 7 8
9 52027 19611 384591321 1020301497 52080,5 36777293,9 -53,5 2857,2
10 53164 19183 367987489 1019845012 51708,4 42151628,8 1455,6 2118901,6
11 51275 17670 312228900 906029250 50393,0 64086886,6 882,0 777971,0
12 50197 17647 311416609 885826459 50373,0 64455665,3 -176,0 30968,1
13 51182 18122 328406884 927520204 50785,9 57054283,2 396,1 156866,6
14 50752 17277 298494729 876842304 50051,3 70533602,5 700,7 490974,3
T o ta l8 0 2 9 10 7 5 08 4 7 41 2 2 19 3 8 71 4 2 5
802939, 1521660559, 34276729,
39 359456 2 0 4 0,0 4
Tabelul 2.1.2
(continuare
)
x ) ut −1 ( ut − ut −1
− − 2 − ˆ ˆ −) 2 − −
y (x
yt y ( yt ) xt x ut ut ( xt u u
t t −1
t
x)( yt y)
9 10 11 12 13 14 15 16 17
-
22105,2 488640498,6 27701,6 1978,2 -54798165,4 - - - 612349172,5
19669,2 386877990,6 18876,6 3258,2 61503190,2 -1978,2 27419223,1 -6445196,2 371287328,4
6771,2 45849342,9 6251,6 1336,2 8353236,1 3258,2 3694061,3 4353515,4 42330729,8
-
-1482,8 2198653,5 400,6 1831,0 -733461,2 1336,2 10031276,0 -2446598,5 -593961,6
81,2 6595,8 -906,4 869,3 -787914,1 -1831,0 7291556,9 -1591631,1 -73614,9
-
-4097,8 16791847,8 -2379,4 2029,1 4828199,4 869,3 8400685,0 -1763834,3 9750388,4
-
-3812,8 14537334,9 -1564,4 2452,7 3837062,2 -2029,1 179394,7 4976862,2 5964830,9
-3713,8 13792204,3 -3837,4 -377,6 1448923,7 -2452,7 4306105,4 926079,6 14251387,4
-5325,8 28363993,5 -6064,4 -53,5 324160,3 -377,6 105056,3 20182,5 32297847,1
-4188,8 17545925,8 -6492,4 1455,6 -9450669,4 -53,5 2277375,2 -77808,2 27195392,1
-6077,8 36939479,2 -8005,4 882,0 -7061001,5 1455,6 329037,7 1283917,5 48655279,4
-7155,8 51205269,2 -8028,4 -176,0 1412822,3 882,0 1119372,7 -155216,8 57449714,5
-6170,8 38078596,3 -7553,4 396,1 -2991640,5 -176,0 327231,3 -69698,3 46610589,1
-6600,8 43570372,0 -8398,4 700,7 -5884742,0 396,1 92800,5 277520,2 55436227,3
0,
0 1184398104,4 0,0 0,0 0,0 -1978,2 65573176,1 -711906,1 1322911310,3
Estimarea parametrului b$:
∑y t 14 802939
ˆ ∑xt ∑yt xt 359456 42689917,9 307141999528−288621241184
=
b
= n ∑x t = 14 359456 150511863768−129208615936
x x
∑t ∑t 359456 10750847412
ˆ 18520758344
b= 2 1 3 0 3 4 7 8= 30 ,82 6 9 4
(vezi calcule tabelul 2.1.2., coloanele 1, 2, 3, 4)
$
Estimarea parametrului a :
xt yt
ˆ 1 ∑ ∑ ˆ
ˆ
naˆ +b ∑xt = ∑yt ⋅ n ⇔ aˆ +b n = n ⇔ aˆ = y −bx
∑x t 359456
= 25675,4 ⇒ ˆ
x
= = =
n 14 − ⋅ =
y=
∑y t a 57352,8 0,8694 25675,4 35030,912
= 802939= 5735 2,8
n 14
Dispunând de estimaţiile parametrilor se pot

calcula valorile
teoretice (estimate) ale variabilei endogene, yˆt , cu ajutorul relaţiei:
yˆ = 35030,912 + 0,8694
t xt (vezi tabelul 2.1.2., coloana 5)
Valorile variabilei reziduale vor rezulta din următoarea
relaţie:
uˆ = y −
t
t yˆt (vezi tabelul 2.1.2., coloana 7)
Pe baza acestor valori se pot calcula abaterea
medie pătratică a
suˆ şi abaterile medii pătratice ale celor doi

variabilei reziduale estimatori,
ş sˆ
saˆ i :
b
= ∑( yt − yˆt
) 2
= 34276729,3646
= 2856394,1137
su2
ˆ
n−k 14 −
2
(vezi tabelul 2.1.2., coloana 8)

unde:
k = numărul parametrilor;
suˆ = 2856394,1137 = 1690,087
x 2 1 2
2 2 1 25675,4
−x
s
aˆ
= s
uˆ + (x ) = 2856394,1137 ⋅ +
n 2 14 1521660559,4
∑ t
= 1441501,197
saˆ 7
(vezi tabelul 2.1.2., coloana 6)
saˆ = 1441501,1977 = 1200,6253
=
s 2
ˆ su2ˆ 1 = 2856394,1137 = 0,0019
2
∑( xt −x) 1521660559,4
sˆ = 0,0019 = 0,0433
b
În urma acestor calcule, modelul econometric se poate scrie:
yˆt = 35030,912 + 0,8694 xt ; suˆ = 1690,087
( 1200,6253) ( 0,0433)
c) Estimatorii obţinuţi cu ajutorul M.C.M.M.P. sunt

estimatori de maximă verosimilitate dacă pot fi acceptate
următoarele ipoteze:
c1) Variabilele observate nu sunt afectate de erori de

măsură. Această condiţie se poate verifica cu regula
celor trei sigma, regulă
care constă în verificarea următoarelor relaţii:
xt ∈( x ± 3σ x
) y t ∈( y ± 3σ
y )
Pe baza datelor din tabelul 2.1.2., coloanele 6, 10, se

obţin:
σx = ∑ ( xt −x)
=
1521660559,4 = 108690039,9592 = 10425,4515
n 14
( yt −
y) 2
σ
y = ∑ = 1184398104,4 = 84599864,5969 = 9197,8185
n 14
xt ∈( x ± 3σ x ) ⇔ x − 3σ x < xt < x + 3σ x
⇔
⇔ 25675 ,4 − 3 ⋅10425 ,4515 <

xt < 25675 ,4 + 3 ⋅10425 ,4515
⇒ xt ∈( −5600,9261; 56951,7832)
( )
yt ∈ y ± 3σ y ⇔ y −3σ y < yt < y +3σ y ⇔
⇔ 57352,8 −3⋅9197,8185 < yt < 57352,8 +3⋅9197,8185
⇒ yt ∈( 29759,3303; 84946,2411)
valoril acesto intervalelo

Deoarece e r variabile aparţin r
x ∈( −5600,9261; 56951,7832) y ∈( 29759 ,3303; 84946 ,
t şi t 2411) , ipoteza de
mai sus poate fi acceptată M ( uˆ) =

fără rezerve. 0,
c2) Variabila aleatoare (reziduală)u este de

medie nulă
ia su2ˆ , constan şi independentă de

r dispersia ei, este tă X - ipoteza de
homoscedasticitate, pe baza căreia se poate admite că

legătura dintre Y şi X este relativ stabilă.
Acceptarea ipotezei se poate face prin intermediul mai multor

procedee:
c2.1) Procedeul grafic - care constă în construirea

corelogramei privind valorile variabilei factoriale x şi ale variabilei
reziduale u (vezi Figura 2.1.2).
4000
3000
2000
1000
16500 19100 21700 24300 26900 29500 32100 34700 37300 39900 42500 45100 47700 50300 52900
-1000
-2000
-3000
Figura 2.1.2
Deoarece graficul punctelor empirice prezintă o

distribuţie oscilantă, se poate accepta ipoteza că cele două
variabile sunt independente şi nu corelate.
c2.2.) Acceptarea sau respingerea ipotezei de

homoscedasticitate cu ajutorul analizei variaţiei (vezi
punctul d)).
c3) Valorile variabilei reziduale ( uˆt ) sunt independente, respectiv nu
există fenomenul de autocorelare.
Acceptarea sau respingerea acestei condiţii se poate

face cu:
c3.1.) Procedeul grafic - corelograma între valorile variabilei

dependente ( yt ) şi valorile variabilei reziduale ( uˆt ) (vezi Figura
2.1.3).
3000
2000
1000
50000 52100 54200 56300 58400 60500 62600 64700 66800 68900 71000 73100 75200 77300 79400
-1000
-2000
-3000
Figura 2.1.3
Ca şi în cazul graficului precedent, distribuţia

punctelor empirice fiind oscilantă, se poate accepta ipoteza
de independenţă a erorilor.
c3.2.) Testul Durbin-Watson constă în calcularea

termenului empiric:
∑( uˆt −uˆt −1 ) 2
t =2
d= n
∑uˆt
t=1
ş mări d ” cu ş d2
i compararea acestei mi „ două valori teoretice, d1 i ,
preluate din tabela Durbin-Watson (vezi Anexa 3) în funcţie

de un prag de semnificaţie α , arbitrar ales, de numărul
variabilelor exogene ( k) şi de valorile observate ( n, n ≥ 15) .
Acceptarea sau respingerea ipotezei de independenţă

a erorilor se bazează pe o anumită regulă, care constă în:
- dacă 0 < d < d1 ⇒ autocorelare pozitivă;

dac d1 ≤ d ≤
- ă d 2 ⇒ indecizie, recomandându-se acceptarea
autocorelării
pozitive;
- dacă < d<4−d

d2 2 ⇒ erorile sunt independente;
- dacă 4 − ≤ d ≤ 4 − d1 ⇒ indecizie, recomandându-se

d2 acceptarea
autocorelării negative;
- dacă 4 − d1 < d < 4 ⇒ autocorelare negativă.
baz datelor problemei, valoarea empirică a

Pe a variabilei
Durbin-Watson este:
14
∑( uˆt −uˆt −1
) 2
65573176,1
d= t =2 = = 1,91
14 34276729,3646
2
∑uˆt
t=1
Lucrând cu un prag de semnificaţie α = 0,05 ,

numărul variabilelor
exogene fiind k = 1, iar numărul observaţiilor n = 14 , din tabela
distribuţiei
d1
Durbin-Watson se citesc valorile (pentru cazul n = 15 ) = 1,08 şi
d
2 = 1,36 .
d2 = 1,36 < d = 1,91 < 4 −

Deoarece d2 = 2,64 , se poate accepta
ipoteza de independenţă a valorilor

variabilei reziduale. c3.3.) Coeficientul
de autocorelaţie de ordinul 1
∑uˆt uˆt −1
t =2
r1 = −
n
2
∑uˆt
t=1
Se poate demonstra că între coeficientul de

autocorelaţie de ordinul 1 şi variabila Durbin-Watson există
relaţia:
d = 2( 1 − r1 ) ⇒ r1 = 1 − d2
Econometrie. Studii de
caz
Ştiind că:
−1⇒ autocorelare strict

negativa 4
indecizie
↑⇒ ↑
r1 = 0 ⇒independenta ⇒d= 2
↓ ⇒ indecizie ↓
1 ⇒ autocorelare strict pozitiva
0
Calculul coeficientului de autocorelaţie de ordinul 1:
14
∑uˆt uˆt −1 −711906,1
r1 = t = 21 3 =
33785755,1
= −0,021
∑uˆt2
t=1
r = −0,021 → şi ara c ipotez d

Deoarece 1 0 , acest indicator tă ă a e
independenţă a valorilor variabilei reziduale poate fi

acceptată.
c4) Verificarea ipotezei de normalitate a valorilor variabilei

reziduale Se ştie că, dacă erorile urmează legea normală de
medie zero şi de abatere medie pătratică su$ (consecinţa
ipotezelor c1, c2, c3), atunci are loc
relaţia:
P( uˆt ≤ tα suˆ ) = 1 −α
Pe baza acestei relaţii, în funcţie de diferite praguri de

semnificaţie α , din tabela distribuţiei normale se vor prelua
valorile corespunzătoare ale lui tα .
Lucrând cu un prag de semnificaţie α = 0,05 , din

tabela distribuţiei
( n < 30) se preia valoarea u num d d

Student variabilei, cu n ăr e grade e
libertat v = n − 2 = 14 − 2 t0,05;12 = 2,179 , d

e = 12, iar pentru un prag e
semnificaţie α = 0,01, avem t0,01;12 = C acestor

3,055 . u ajutorul date,
verificarea ipotezei de normalitate se poate face pe baza

următorului grafic (Figura 2.1.4.): pe axa Ox se vor reprezenta
valorile ajustate ale variabilei y, yˆt (vezi tabelul 2.1.2, coloana 5), iar pe axa
Oy se vor trece valorile
variabilei reziduale ut (vezi tabelul 2.1.2, coloana 7).

Se observă că valorile empirice ale variabilei reziduale

se înscriu în banda construită, cu un prag de semnificaţie α
= 0,05 . Ca atare, ipoteza de normalitate a variabilei
reziduale poate fi acceptată cu acest prag de semnificaţie.
+ t0 ,0 5 ⋅ suˆ
ut
3300
2300
1300
300
yˆt
50000 52500 55000 57500 60000 62500 65000 67500 70000 72500 75000 77500 80000
-700
-1700
-2700
− t0,05 ⋅ suˆ
-3700
Figura 2.1.4
d) Verificarea semnificaţiei estimatorilor şi a

verosimilităţii modelului
d1) Verificarea semnificaţiei estimatorilor
Estimatorii sunt semnificativ diferiţi de zero, cu un

prag de semnificaţie α , dacă se verifică următoarele relaţii:
ˆ
b
taˆ = aˆ > tα;v ;t ˆ = > tα;v

s
aˆ b sˆ
b
Ştiin
d că (vezi punctul b) al problemei)
ˆ
aˆ = 35030,912; s = 1200,6253 şi b = 0,8694; s = 0,0433 şi, lucrând cu un
aˆ ˆ
prag de α = 0,05 distribuţ

semnificaţie , din tabela iei Student se preia
= 2,179
valoareat0,05;12 .
taˆ = aˆ = 3 5 0 3 0 ,9 1=2 2 9 ,1 7 7 2> t0 ,0 5 ;1 2 = 2,179
saˆ
1200,6253
ˆ
tˆ= b = 0,8694; = 20,0661 > t
0,05;12
= 2,179
sˆ
b 0,0433
Pe baza calculelor de mai sus se observă faptul că

ambii estimatori sunt semnificativ diferiţi de zero, cu un prag
de semnificaţie α = 0,05 .
d2) Verificarea verosimilităţii modelului
Pentru a accepta ipoteza de liniaritate se calculează

coeficientul de corelaţie liniară:
= cov( y, x) = ∑( y t − y)( xt − x
=
r
y/
x
)= 1322911310,3 0,9854
14 ⋅10425,4515
σ x σ y n σ xσ y ⋅9197,8185
d corelaţ liniar −1
Coeficientul e ie ă fiind definit în intervalul [ 1 ; ] ,
rezultă că valoarea obţinută de 0,985 indică o puternică

corelaţie liniară între cele două variabile.
Verificarea verosimilităţii modelului se face cu ajutorul

analizei dispersionale (analiza variaţiei).
Tabelul 2.1.3
Măsur
Sursa de a Nr. gradelor Dispersii Valoarea testului “F”
variaţi
variaţie ei de libertate corectate Fc Fα; v ;v
1 2
2 2
Varianţa 14 2 2 V
x
s
Y / X
F
2
= ˆ − s =
=c
Y/
k −1 = 1 X 2
dintre V
x ∑(
y
t y) k −1
s
ˆ
F
0,05;1;12 = 4,76
= 1150121375
F0,01;1;12 = 9,33
t= 1 u
=
grupe 402,648
= 1150121375
2 14 2 2
V = ( y − yˆ ) 2 V
u
n−
Varianţa u ∑t t n −k = 12 s
uˆ
=
k - -
reziduală t=1
=
34276729,4 = 2856394 ,1
2 14 2
n −1 =
Varianţa V0 = ∑( yt − y) 13 - - -
totală t=1
= 1184398104,4
Testul Fisher-Snedecor indică faptul că rezultatele

obţinute sunt
semnificativ pentr u d semnificaţi

e u n prag e e de 5%:
Fc = 402,648> F0,05;1;12 = 4,76

.
Pe baza datelor din tabelul de mai sus se poate calcula

raportul de corelaţie dintre cele două variabile:
V2 V2 1150121374,9925
x u
Ry / x = = 1− = = 0,9854 ≈ 0,985
V02 V02 1184398104,3571
Se poate demonstra că, în cazul unei legături liniare,

raportul de corelaţie este egal cu coeficientul de corelaţie
liniară:
cov( y,
x) ˆ σ
x
r = = R
y/x = b⋅ y/x
σ xσ y σy
Verificarea semnificaţiei raportului de corelaţie şi,

implicit, a coeficientului de corelaţie liniară se face cu
ajutorul testului Fisher-Snedecor:
Fc = ( n− , R fiind semnificativ dacă
Fc ≥ Fα;
2) R2 v ;v .
1−R
2
1 2
Fc = 12 ⋅ 0,02890,9711 = 12 ⋅33,554 = 402,648 > F0,05;1;12 = 4,76
Deoarece raportul de corelaţie

este yˆt = 35030,912 + 0,8694 xt ; semnificativ diferit de zero, cu
un ( 1200,6253) ( 0,0433) prag de semnificaţie α = 0,05 ,
rezultă modelul econometric:
R=
0,985 d
= 1,91
suˆ = 1690,087
care descrie corect dependenţa dintre cele două variabile,

acesta explicând 97,11% din variaţia totală a variabilei
dependente, adică variaţia capacităţii de cazare în funcţiune
se datorează în proporţie de 97,11% numărului de înnoptări.
V
2 V2
V0 = V 2 +V 2 ⇒100
x u ⋅100 ⋅10
2 = + 0
x u
V0 V0
2 2
e) Dacă numărul înnoptărilor va fi egal cu 17100 mii
( xt′ = 17100) , capacitatea de cazare turistică în funcţiune va fi
egală cu:
ˆ
= ˆ+ ′= + ⋅ = mii locuri-zile
Y/ x= 17100 a bxt 35030,912 0,8694 17100 49897,4230
Pe baza ipotezei formulate la punctele precedente,

capacitatea de cazare turistică în funcţiune y urmează o
distribuţie normală (sau distribuţia
Student, dacă n ≤ şi pătrati sY

30 ), de medie Y de abatere medie că ,
L( y) = N( Y , sY
).
′
= 17100 ⇒ Yt =
Pentru xt 49897,4230
2
′
sY =
/ x= 17100
su2ˆ 1 +
1 − x
( xt )
+
n ∑( xt −x)
sY =
( 17100 −
/ x= 17100
1 25675,4) 2
2856394,1137 ⋅ 1 + +
1 1521660559,4
= 1788,4251
Estimarea capacităţii de cazare în funcţiune, care se

poate obţine dacă numărul înnoptărilor va fi egal cu 17100
mii, pe baza unui interval de încredere, se calculează cu
relaţia:
P( Y/ x= 17100
−tα sY / x= 17100
≤ y/ x= 17100
≤ Y/ x= 17100
+ tα sY / x= 17100 )= 1
−α
Pentru α = 0,05 şi v = n − k = 12 , din tabela distribuţiei

Student se preia valoarea variabilei tα;v = t0,05;12 = 2,179 .
Deci, cu un prag de semnificaţie de 0,05 sau cu o

probabilitate egală cu 0,95, capacitatea de cazare turistică
în funcţiune va fi cuprinsă în intervalul:
P( Y/ x= 17100 ∈[49897,4230 ± 2,179 ⋅1788,4251]) = 1 − 0,05 = 0,95
P( Y/ x = 17100 ∈[46000,4446;54794,4014]) = 0,95
2.1.2 Model liniar unifactorial cu erori heteroscedastice

1
Se cunosc următoarele date privind privind
venitul mediu şi
cheltuielile medii efectuate de un de familii procurarea

eşantion 30 cu
Tabelul
mărfurilor alimentare: 2.2.1
Nr. Cheltuieli medii cu procurarea Venitul mediu
mărfurilor alimentare
crt. (u.m./familie)
(u.m./familie)
0 1 2
1 55 80
2 65 100
3 70 85
4 80 110
5 79 120
6 84 115
7 98 130
8 95 140
9 90 125
1 Datele
problemei şi o parte din testele utilizate sunt reproduse din D. N.
Gujarati, Basic Econometrics, Third Edition, McGraw-Hill, Inc., 1995, p. 369-380.
Nr. Cheltuieli medii cu procurarea Venitul mediu
mărfurilor alimentare
crt. (u.m./familie)
(u.m./familie)
0 1 2
10 75 90
11 74 105
12 110 160
13 113 150
14 125 165
15 108 145
16 115 180
17 140 225
18 120 200
19 145 240
20 130 185
21 152 220
22 144 210
23 175 245
24 180 260
25 135 190
26 140 205
27 178 265
28 191 270
29 137 230
30 189 250
Se cere:
a) Specificarea, identificarea şi estimarea

parametrilor modelului econometric ce descrie
legătura dintre cele două variabile;
b) Verificarea ipotezelor de fundamentare a metodei celor mai mici
pătrate (M.C.M.M.P.) şi a verosimilităţii modelului.
Rezolvare:
a) Analiza variabilelor aferente problemei conduce la specificarea

acestora:
- venitul mediu reprezintă variabila explicativă

sau exogenă (x) a modelului, în timp ce
cheltuielile pentru procurarea mărfurilor
alimentare constituie variabila endogenă (y) a
modelului;
- variabila endogenă, cheltuieli pentru mărfuri

alimentare, depinde şi de alţi factori - numărul
membrilor de familie, categoria socio-
profesională
a familiei, etc. - dar aceştia sunt consideraţi factori cu acţiune

întâmplătoare şi specificaţi cu ajutorul variabilei aleatoare
(u).
Pe baza acestor premise, datele problemei pot fi

analizate cu ajutorul următorului model:
y = f ( x) + u
Identificarea modelului presupune alegerea unei

funcţii matematice care să descrie corelaţia dintre cele două
variabile. În cazul unui model unifactorial (cum este cel
specificat mai sus), procedeul cel mai des folosit îl constituie
reprezentarea grafică a datelor, respectiv corelograma (vezi figura
2.2.1).
190
170
150
130
110
90
70 x
50
70 90 110 130 150 170 190 210 230 250 270

fffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffff
ffffffffffffffffffffffffffffffffffffffffffffffffºitul sec. 14 ºi în
sec. 15 B. a fost stãpînitã de ducii Burgundiei, iar
la sfîrºitul sec. 15 a intrat în stãpînirea
Habsburgilor spanioli. În sec. 16 s-a desfãºurat
Revoluþia Burghezã din Þãrile de Jos împotriva
dominaþiei spaniole. În 1714 a fost ocupatã de
Austria, iar în 1795 de Franþa, care a stãpînit-o
pînã în 1815, cînd B. s-a unit cu Olanda; în 1830 a
avut loc o revoluþie burghezã împotriva
dominaþiei olandeze în urma cãreia B. ºi-a
proclamat independenþa de stat (4 oct.), iar în
1831 a devenit monarhie, primul rege fiind
Leopold I de Saxa-Coburg (1831-1865); în acelaºi
an ºi-a declarat neutralitatea perpetuã. În timpul
ocupaþiei de cãtre Germania hitleristã (1940-
1944), în B. s-a desfãºurat o puternicã miºcare de
rezistenþã. Împ
Figura 2.2.1 Legătura dintre cheltuielile medii
cu procurarea mărfurilor alimentare
şi venitul mediu
Deoarece graficul punctelor empirice arată că

acestea pot fi
f ( x) = a + bx ,
aproximate cu ajutorul unei drepte modelul econometric
devine: yi = a + bxi + ui ; i = 1, n=
n, 30.
Următoarea operaţie constă în estimarea parametrilor
modelului, a şi
$ $
b, cu ajutorul estimatorilor a şi b . În acest scop se va utiliza metoda celor
mai mici pătrate

(M.C.M.M.P.).
30 30 2
ˆ ˆ = −ˆ 2 = −ˆ−ˆ
( )
F a,b min ∑( y y ) (
min ∑ y a bx )
i i i i
i=1 i=1
Econometrie.
caz
Condiţia de minim a acestei funcţii rezultă din:
$ $ $
F′( a) = 0 ⇒ na + b ∑x i = ∑ yi
$ $ $ 2
( )
F′ b = 0 ⇒ a ∑x i + b ∑x
= ∑y i xi
i
T
2.
x − x ln
Nr. y x u u2 x ui ( x i − x ) y i u
crt. i i i i i i
↑
↑
0 1 2 3 4 5 6 7 8 9
1 55 80 -5,3131 28,2287 -93,17 495,00 55 80 3,340
2 65 100 -8,0688 65,1049 -73,17 590,36 70 85 4,176
3 70 85 6,4980 42,2241 -88,17 -572,91 75 90 3,743
4 80 110 0,5534 0,3062 -63,17 -34,96 65 100 -1,183
5 79 120 -6,8245 46,5732 -53,17 362,83 74 105 3,841
6 84 115 1,3645 1,8618 -58,17 -79,37 80 110 0,621
7 98 130 5,7977 33,6133 -43,17 -250,27 84 115 3,514
8 95 140 -3,5801 12,8174 -33,17 118,74 79 120 2,550
9 90 125 0,9866 0,9734 -48,17 -47,52 90 125 -0,026
10 75 90 8,3091 69,0408 -83,17 -691,04 98 130 4,234
11 74 105 -2,2577 5,0971 -68,17 153,90 95 140 1,628
12 110 160 -1,3358 1,7845 -13,17 17,59 108 145 0,579

13 113 150 8,0420 64,6739 -23,17 -186,31 113 150 4,169
14 125 165 10,4752 109,7307 -8,17 -85,55 110 160 4,698
15 108 145 6,2309 38,8245 -28,17 -175,50 125 165 3,659
16 115 180 -9,0915 82,6559 6,83 -62,13 115 180 4,414
17 140 225 -12,7918 163,6310 51,83 -663,04 130 185 5,097
18 120 200 -16,8472 283,8288 26,83 -452,07 135 190 5,648
19 145 240 -17,3586 301,3210 66,83 -1160,13 120 200 5,708
20 130 185 2,7195 7,3959 11,83 32,18 140 205 2,000
21 152 220 2,3971 5,7460 46,83 112,26 144 210 1,748
22 144 210 0,7749 0,6005 36,83 28,54 152 220 -0,510
23 175 245 9,4525 89,3493 71,83 679,00 140 225 4,492
24 180 260 4,8857 23,8701 86,83 424,24 137 230 3,172
25 135 190 4,5306 20,5266 16,83 76,27 145 240 3,021
26 140 205 -0,0361 0,0013 31,83 -1,15 175 245 -6,640
27 178 265 -0,3032 0,0919 91,83 -27,85 189 250 -2,386
28 191 270 9,5079 90,3994 96,83 920,68 180 260 4,504
29 137 230 -18,9808 360,2691 56,83 -1078,74 178 265 5,886
30 189 250 20,2636 410,6116 76,83 1556,92 191 270 6,017
Total 3592 5195 0,0000 2361,1533 - 0,00 3592 5195 81,723

Tabelul 2.2.2
(continuare)
u u
2
ˆ ˆ 2
yi yˆ′ ′ ′2 2
θ = i
1x ) z =
x x
i i 1 i i θ θ −θ i u u x −x
i 78,7051 i ( i i xi i i i
1 1
11 12 13 4 5 16 17 18 19 20 21 22
5,3131 8,9443 0,0125 0,1118 0,3587 0,0624 0,8790 0,6875 60,829 -5,829 33,973 8680,028
8,0688 10,0000 0,0100 0,1000 0,8272 0,2637 0,5421 0,6500 73,466 -8,466 71,674 5353,361
6,4980 9,2195 0,0118 0,1085 0,5365 0,1128 0,7872 0,8235 63,988 6,012 36,144 7773,361
0,5534 10,4881 0,0091 0,0953 0,0039 0,3643 0,4041 0,7273 79,785 0,215 0,046 3990,028
6,8245 10,9545 0,0083 0,0913 0,5917 0,4650 0,2863 0,6583 86,103 -7,103 50,459 2826,694
1,3645 10,7238 0,0087 0,0933 0,0237 0,4147 0,3426 0,7304 82,944 1,056 1,115 3383,361
5,7977 11,4018 0,0077 0,0877 0,4271 0,5656 0,1887 0,7538 92,422 5,578 31,113 1863,361
3,5801 11,8322 0,0071 0,0845 0,1629 0,6662 0,1114 0,6786 98,741 -3,741 13,994 1100,028
0,9866 11,1803 0,0080 0,0894 0,0124 0,5153 0,2349 0,7200 89,263 0,737 0,543 2320,028
8,3091 9,4868 0,0111 0,1054 0,8772 0,1631 0,7004 0,8333 67,147 7,853 61,664 6916,694
2,2577 10,2470 0,0095 0,0976 0,0648 0,3140 0,4706 0,7048 76,625 -2,625 6,893 4646,694
1,3358 12,6491 0,0063 0,0791 0,0227 0,8675 0,0176 0,6875 111,378 -1,378 1,900 173,361
8,0420 12,2474 0,0067 0,0816 0,8217 0,7669 0,0544 0,7533 105,060 7,940 63,051 536,694
10,4752 12,8452 0,0061 0,0778 1,3942 0,9178 0,0068 0,7576 114,538 10,462 109,462 66,694
6,2309 12,0416 0,0069 0,0830 0,4933 0,7166 0,0803 0,7448 101,900 6,100 37,208 793,361
9,0915 13,4164 0,0056 0,0745 1,0502 1,0688 0,0047 0,6389 124,016 -9,016 81,282 46,694
15,0000 0,0044 0,0667

12,7918 2,0790 1,5216 0,2721 0,6222 152,450 -12,450 154,997 2686,694
16,8472 14,1421 0,0050 0,0707 3,6062 1,2700 0,0729 0,6000 136,653 -16,653 277,323 720,028
17,3586 15,4919 0,0042 0,0645 3,8285 1,6726 0,4523 0,6042 161,928 -16,928 286,551 4466,694
2,7195 13,6015 0,0054 0,0735 0,0940 1,1191 0,0142 0,7027 127,175 2,825 7,981 140,028
2,3971 14,8324 0,0045 0,0674 0,0730 1,4713 0,2221 0,6909 149,290 2,710 7,342 2193,361
0,7749 14,4914 0,0048 0,0690 0,0076 1,3707 0,1374 0,6857 142,972 1,028 1,057 1356,694
9,4525 15,6525 0,0041 0,0639 1,1352 1,7229 0,5225 0,7143 165,087 9,913 98,264 5160,028
4,8857 16,1245 0,0038 0,0620 0,3033 1,8738 0,7636 0,6923 174,565 5,435 29,537 7540,028
4,5306 13,7840 0,0053 0,0725 0,2608 1,1694 0,0287 0,7105 130,334 4,666 21,768 283,361
0,0361 14,3178 0,0049 0,0698 0,0000 1,3203 0,1026 0,6829 139,812 0,188 0,035 1013,361
0,3032 16,2788 0,0038 0,0614 0,0012 1,9241 0,8540 0,6717 177,725 0,275 0,076 8433,361
9,5079 16,4317 0,0037 0,0609 1,1486 1,9745 0,9496 0,7074 180,884 10,116 102,335 9376,694
18,9808 15,1658 0,0043 0,0659 4,5775 1,5719 0,3271 0,5957 155,609 -18,609 346,300 3230,028
20,2636 15,8114 0,0040 0,0632 5,2171 1,7732 0,5978 0,7560 168,247 20,753 430,707 5903,361
205,578
5 388,8038 0,1975 2,3926 30,0000 30,0000 10,4280 20,9862 3590,936 1,064 2364,793 102974,167
Rezolvarea modelului s-a realizat cu ajutorul

pachetului de programe EViews, conducând la afişarea
următoarelor rezultate:
Dependent Variable: yi
Method: Least Squares
Sample: 1 30
Included observations: 30
Coefficien Semnif t- Semnif

Variable t Semnif. Std. Error . Statistic . Prob.
ind. ind. ind.
ˆ p( aˆ)
C 9,2903 a 5,2314 s
aˆ 1,7759 aˆ 0,0866
ˆ
s t
x 0,6378 ˆ 0,0286 ˆ 22,2872 ˆ 0,0000 ()
p b
i
b b b
Mean dependent
R-squared 2 y
0,9466 R var 119,7333
Adjusted
R- 2 S.D. dependent s
squared 0,9447 Rc var 39,0613 y
S.E. of 9,1830
suˆ Akaike info 7,3369 AIC
regression criterion
Sum 2
squared 2361,1530 ∑( yi − yˆ
i
) = Schwarz criterion 7,4303 SC
2
resid = ∑uî
Log -108,0538 L F-statistic 496,7183 Fc
likelihood
Durbin- 1,7023 d Prob(F-statistic) 0,0000 p(F)
Watson stat
Semnificaţia indicatorilor necunoscuţi pe care-i

calculează pachetul de programe EViews este următoarea:
ˆ ˆ
p (b
(ˆ )
) = probabilitatea asociată parametrului â, respectiv b. O
p a ,
valoare cât mai apropiată de zero a acestei probabilităţi va

indica o semnificaţie ridicată a parametrului respectiv, în caz
contrar, aceasta confirmând, împreună cu testul t, faptul că
parametrul respectiv este nesemnificativ.
Rc2 = coeficientul de deteminare corectat sau ajustat. Acesta este
utilizat în vederea evidenţierii numărului de variabile
factoriale cuprinse în
model, precum şi a numărului de observaţii pe baza cărora

au fost estimaţi parametrii modelului. În cazul unui model
multifactorial acesta va înregistra valori
Rc2 = 1 − inferioare coeficientului de deteminaţie.
Expresia acestui indicator este următoarea:
nn−−1k ⋅( 1 − R2 )
L= logaritmul funcţiei de verosimilitate (presupunând

că erorile sunt normal distribuite), funcţie ce este determinată
ţinând seama de valorile estimate ale parametrilor. Relaţia
de calcul a acestui indicator, utilizată de către pachetul de
programe EViews, este următoarea:
∑uˆt
n
L= 1 + ln( 2π ) + ln
2 n
unde:
∑uˆt2 = suma pătratelor erorilor;
k = numărul variabilelor
exogene; n = numărul de
observaţii.
Acest indicator este utilizat în vederea elaborării unor

teste statistice destinate depistării variabilelor omise dintr-
un model econometric, precum şi a unor teste destinate
depistării variabilelor redundante dintr-un model
econometric, ca, de exemplu, testul LR sau raportul
verosimilităţilor (Likelihood Ratio).
y = media variabilei dependente sau endogene, având

următoarea relaţie de calcul:
n
∑y i
y= i= 1
n
sy = abaterea medie pătratică (standard)

corespunzătoare variabilei dependente, a cărei relaţie de
calcul este următoarea:
s ∑( y i − y)
y
n 2
= i= 1
n −1
AIC = criteriul Akaike este utilizat în cazul comparării a

două sau mai multe modele econometrice. Relaţia de calcul a
acestuia, utilizată de către pachetul de programe EViews,
este următoarea:
AIC = − 2nL + 2nk
Regula de decizie utilizată în cazul aplicării acestui test

este aceea potrivit căreia este ales acel model econometric
pentru care s-a obţinut valoarea cea mai mică
corespunzătoare acestui indicator.
SC = criteriul Schwartz este, de asemenea, utilizat pentru a compara

două sau mai multe modele econometrice. Relaţia de calcul
a acestuia, utilizată de către pachetul de programe EViews,
este următoarea:
SC = − 2nL + k lnn n
Şi în acest caz, este ales acel model econometric

pentru care s-a obţinut valoarea cea mai mică
corespunzătoare acestui indicator.
p(F) = probabilitatea asociată statisticii F. O valoare cât mai

apropiată de zero a acestei probabilităţi va indica o
semnificaţie ridicată a
rezultatelor estimării, respectiv a

modelului.
Pe baza estimatorilor parametrilor au fost calculate valorile estimate
al y = 9,2903 +
e variabilei y, î 0,6378xi şi ale variabilei reziduale,
uˆ = y − yˆ .
i i
i Valorile acestora sunt prezentate în cadrul tabelului 2.2.3
(utilizând pachetul de programe EViews):
Tabelul 2.2.3
Actual Fitted Residual Residual Plot
yi yˆ i uî = yi − yî (graficul reziduurilor)
.
55 60,3131 -5,3131 | * | . |
65 73,0688 -8,0688 | * | . |
70 63,5020 6,4980 | . | *. |
80 79,4466 0,5534 | . * . |
79 85,8245 -6,8245 | .* | . |
84 82,6355 1,3645 | . |* . |
98 92,2023 5,7977 | . | *. |
95 98,5801 -3,5801 | . *| . |
90 89,0134 0,9866 | . |* . |
75 66,6909 8,3091 | . | * |
Actual Fitted Residual Residual Plot
yi yˆ i uî = yi − yî (graficul reziduurilor)
74 76,2577 -2,2577 | . *| . |
110 111,3358 -1,3358 | . *| . |
113 104,9580 8,0420 | . | * |
125 114,5248 10,4752 | . | .* |
108 101,7691 6,2309 | . | *. |
115 124,0915 -9,0915 | * | . |
140 152,7918 -12,7918 | * . | . |
120 136,8472 -16,8472 | * . | . |
145 162,3586 -17,3586 | * . | . |
130 127,2805 2,7195 | . |* . |
152 149,6029 2,3971 | . |* . |
144 143,2251 0,7749 | . * . |
175 165,5475 9,4525 | . | .* |
180 175,1143 4,8857 | . | *. |
135 130,4694 4,5306 | . | *. |
140 140,0361 -0,0361 | . * . |
178 178,3032 -0,3032 | . * . |
191 181,4921 9,5079 | . | .* |
137 155,9808 -18,9808 |* . | . |
189 168,7364 20,2636 | . | . *|
- dispersia variabilei reziduale

2
s2
= ∑( yi − yî ) = 2361,153 = 84,3269
n − k −1
u 30 −1 −1
unde: k = numărul variabilelor

exogene. (vezi tabelul afişat de
programul EViews)
- abaterea medie pătratică a variabilei reziduale:
suˆ
84,3269 =
= = 9,183
∑( yi − yî )
n − k −1
(vezi tabelul afişat de programul EViews)

- abaterile medii pătratice ale celor doi estimatori:
2 1 x2
saˆ = sˆ + = 5,2314
u 2
n (x − x )
∑i
sˆ =
b
su2ˆ = 0,0286
2
−x
∑( x ) i
(vezi
tabelul afişat de
programul
EViews) - raportul
de corelaţie:
30 2 30
∑( yi − yˆ )
i
∑( yi − yˆ )
i 2361,153
1 0,9466 =
=
R = R2 = 1− i 1 = 1−
i= 1 = − = 0,973
30 2 2
2 s ⋅( n −1) 39,0613 ⋅29

y
∑( yi −y )
i= 1
(vezi tabelul afişat de programul

EViews)
- variabila Durbin-Watson, d:
30
∑( uî −uî−1
) 2
d= i= 2 = 1,70
30
∑uî
i= 1
(vezi tabelul afişat de programul

EViews)
Astfel modelul estimat devine:
yî = 9,2903 + 0,6378 xi

; R = 0,973
( 5,2314) ( 0,0286) d = 1,70
suˆ = 9,183
b) Verificarea ipotezelor de fundamentare a metodei

celor mai mici pătrate (M.C.M.M.P) şi a verosimilităţii
modelului.
b1) Prima ipoteză, referitoare la calitatea datelor

înregistrate se consideră rezolvată în etapa de prelucrare a
datelor observate statistic.
$ 2
b2) Ipoteza de homoscedasticitate, M( ui ) = 0,σ u$i = ct,( ∀ ) i = 1, n va
fi verificată cu ajutorul următoarelor metode şi teste:
b2.1) Procedeul grafic - care constă în construirea

corelogramei privind valorile variabilei factoriale x şi ale
variabilei reziduale u (vezi Figura 2.2.2).
20
15
10
0 x
-5 70 90 110 130 150 170 190 210 230 250 270
-10
-15
-20
Figura 2.2.2
Deoarece graficul punctelor empirice prezintă o

distribuţie oscilantă, se poate accepta ipoteza că cele două
variabile sunt independente şi nu corelate.
b2.2) Metoda analizei dispersionale (variaţiei)
Cele două restricţii corespunzătoare ipotezei,

menţionate anterior, se realizează dacă variabila reziduală u
şi variabila explicativă x sunt independente. Pe această
premisă se fundamentează utilizarea metodei analizei
variaţiei la acceptarea sau respingerea ipotezei de
homoscedasticitate.
Metoda analizei variaţiei porneşte de la

relaţia:
n n n n n
2 2 2 2
∑( yi − y) = ∑[( yî − y) + ( yi − yî ) ] = ∑( yî − y) + ∑( yi − yî ) +2∑( yî − y)( yi − yî )
i= i= i=
1 1 1 i= 1 i= 1
V 02 = V x2 +Vu2 adic variaţi tota

Deoarece , ă a lă a variabilei y
2 n 2
V = ∑( y − y) este egală cu variaţia lui y generată de influenţa

0 i
i= 1
2 n 2
variabilei x V = ∑( yˆ − y) la care se adaugă variaţia lui y provocată de

x i
i=1
n 2
c
factori aleatori V
u
= ∑( yi − yî ) , rezultă ă termenul
i=1
2∑n ( yî − y)( yi − yî ) = 0 .

i=1
Ştiind că:
uî = yi −
yî yî = a +
bxi y = a +
bx
relaţia de mai sus devine:
n n n n
2∑( yî − y)( yi − yî ) = 2∑( a + bxi − a −bx ) ui = 2b∑( xi

− x) ui =
n
i=1 i=1 i=1
= 2nbcov( x,u)
n
2∑( yî − y)( yi − yî dac do

Deci termenul ) = 0 numai ă cele uă
i=1
variabile x şi u sunt independente, respectiv cov( u , x ) = 0,b ≠ 0 .
Pe baza calculelor efectuate (vezi tabelul 2.2.2., coloanele 3, 5, 6),

( )
deoarece ∑ xi − x ui = 0 , se deduce că cele două variabile x şi
u sunt independente, deci ipoteza de homoscedasticitate
este verificată.
b2.3) Estimarea unei matrici a covarianţelor

corspunzătoare estimatorilor parametrilor modelului2 adecvată
aplicării M.C.M.M.P. în cazul unui model conţinând erori
heteroscedastice
Heteroscedasticitatea erorilor implică faptul că

dispersiile corespunzătoare erorilor nu mai sunt egale, ci
diferite, caz în care estimatorii parametrilor modelului rămân
nedeplasaţi, dar nu mai sunt eficace. Astfel, aplicarea
M.C.M.M.P. va conduce la o subestimare a parametrilor
modelului, influenţând sensibil şi calitatea diferitelor teste
statistice aplicate
modelului.
În cazul unui model multifactorial, vectorul estimatorilor
parametrilo calculeaz ajutoru relaţiei

r modelului se ă, matriceal, cu l :
ˆ ′ −1 ′
B = (X X ) ⋅( X Y ) . Matricea varianţelor şi covarianţelor corespunzătoare
−1
2 ′ 3
de V ( B) = σu ⋅( X calcul
acestuia este forma: X) . Acest mod de al
matricei varianţelor şi covarianţelor este valabil doar în cazul
în care aplicarea M.C.M.M.P. conduce la obţinerea de
estimatori eficienţi, convergenţi şi nedeplasaţi, deci
ipotezele corespunzătoare acestei metode au fost verificate
în prealabil. În cazul unor erori heteroscedastice, a căror
formă este, în general, necunoscută, este posibil, ca prin
aplicarea metodei regresiei ponderate în vederea eliminării
heteroscedasticităţii erorilor, să nu se obţină estimatori
consistenţi. White a arătat că este posibil să se calculeze un
estimator adecvat al matricii covarianţelor corespunzătoare
estimatorilor parametrilor modelului, chiar dacă există o
relaţie de dependenţă între erorile heteroscedatice şi
variaibilele exogene incluse în model, pe care a denumit-o
matricea covarianţelor estimatorilor consistenţi
heteroscedastici (HCCME), de forma:
−
n ′ −1 2 ′ ′ 1
V (B)= (X X ) u xx (X X )
n−
W k ∑i i i
i=
1
2 Vezi Wiliam H. Greene, Econometric Analysis, 2nd ed., Macmillan, New York, 1993,
p. 384-392.
3 vezi demonstraţie op. cit., p. 182.

unde:
n = numărul de
observaţii; k =
numărul
regresorilor; ui=
variabila reziduală.
Prin aplicarea acestei matrici, estimaţiile punctuale ale

parametrilor nu vor suferi modificări, ci doar abaterile
standard corespunzătoare parametrilor. Utilizarea acestei
matrici va permite observarea mai rapidă a prezenţei
fenomenului de heteroscedasticitate a erorilor. Astfel,
abaterile standard vor putea fi mai mari sau mai mici
comparativ cu cele obţinute în cazul modelului iniţial, iar
valorile mai mici înregistrate de testul Student, t, vor
semnaliza faptul că estimatorii parametrilor sunt
nesemnificativi, deci posibila prezenţă a erorilor
heteroscedastice.
Utilizând pachetul de programe EViews, în vederea

exemplificării calculării abaterilor standard şi dispersiilor
heteroscedastice corectate cu ajutorul metodei lui White au
fost obţinute următoarele rezultate:
Dependent Variable: yi
Sample: 1 30
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std, Error t-Statistic Prob.
C 9,2903 4,4378 2,0934 0,0455
xi 0,6378 0,0298 21,3818 0,0000
Mean dependent
R-squared 0,9466 var 119,7333
Adjusted R-squared 0,9447 S.D. dependent var 39,0613
S.E. of regression 9,1830 Akaike info criterion 7,3369
Sum squared resid 2361,1530 Schwarz criterion 7,4303
Log likelihood -108,0538 F-statistic 496,7183
Durbin-Watson stat 1,7023 Prob(F-statistic) 0,0000
Comparând rezultatele estimării obţinute în ambele

cazuri, se constată că abaterea standard corespunzătoare
termenului liber, utilizând matricea covarianţelor
estimatorilor consistenţi heteroscedastici, este mai mică
decât cea obţinută în cazul modelului iniţial, estimatorul
acestui parametru fiind semnificativ în această situaţie,
comparativ cu modelul iniţial, în care era nesemnificativ.
b2.3) Testul Goldfeld-Quandt4
Acest test se poate aplica atunci când se dispune de

serii lungi de date şi când una dintre variabile reprezintă
cauza heteroscedasticităţii (între dispersia variabilei
reziduale heteroscedastică şi variabila exogenă există o
relaţie de dependenţă pozitivă), şi presupune parcurgerea
următoarelor etape:
- ordonarea crescătoare a observaţiilor în funcţie de

variabila exogenă x;
- eliminarea a c observaţii centrale, c fiind specificat a

priori. În privinţa numărului de observaţii omise, c, au fost
emise diverse opinii. În cazul unui model unifactorial, Goldfeld
şi Quandt, în urma efectuării experimentelor Monte-Carlo, au
propus ca c să fie aproximativ egal cu 8 în cazul în care
mărimea eşantionului este de aproximativ 30 de observaţii
şi 16, dacă eşantionul cuprinde 60 de observaţii. Judge şi
colaboratorii săi menţionează faptul că, în cazul în care c=4
pentru n=30 şi c=10 pentru n≈60, se obţin rezultate mai bune. În
general, se consideră că c trebuie să reprezinte o treime sau
un sfert din numărul total de observaţii.
- efectuarea de regresii aplicând M.C.M.M.P. asupra

celor două sub-eşantioane de dimensiune (n-c)/2 şi
calcularea sumei pătratelor erorilor pentru fiecare
subeşantion în parte;
- calcularea raportului dintre sumele pătratelor erorilor

sau dispersiilor acestora, corespunzătoare celor două
subeşantioane (suma pătratelor erorilor având valoarea cea
mai mare fiind plasată la numărător):
(n −
( n−c ) / 2 2 c)
s2 ∑ u1 / − ( k +1)
2
F
*
=
u
1 = i=1
(n −
n c)
s2 2
u
2
∑ u
2 / − ( k +1)
( )
i = n−2c +1
unde: k = numărul variabilelor exogene.
Presupunând că erorile sunt normal distribuite, atunci
raportul F* urmează o distribuţie F cu v1 = v2 = ( n − 2 c) − ( k

+1) grade de libertate.
4 cf.
Damodar N. Gujarati, Basic Econometrics, 3rd ed., Mc Graw-Hill, New York, 1995, p.
374-375.
- da
heteroscedastice,
F >F
în ( ntimp
−c)
ce, pentru ( n− un ,prag
atunci ipoteza de
de semnificaţie
că c)
α = 0,01, F * = 4,07 < F0,01;11;11 = 4,46 putem considera că ipoteza de
−( k+1) ;
α;
2 2 −( k+1)
homoscedasticitate se verifică.
homoscedasticitate este infirmată, deci erorile sunt
heteroscedastice;
*
<
( n−
- dacă F F ( n−c) c) ipoteza de homoscedasticitate
α; 2 −( k+1) ; 2 −( k+1)
este acceptată.
Pentru a aplica acest test au fost ordonate crescător

valorile variabilei exogene x şi, corespunzător acestora, şi
cele ale variabilei dependente y (vezi tabelul 2.2.2 coloanele 7, 8)
şi au fost eliminate 4 observaţii situate în centrul
eşantionului (vezi observaţiile din coloana 8,
corespunzătoare variabilei x, evidenţiate prin caractere
aldine), rezultând două subeşantioane a câte 13 observaţii
fiecare.
În urma aplicării programului EViews, rezultatele

estimării, corespunzătoare celor două subeşantioane, au
fost următoarele:
yˆ1i = 3,4904 + 0,6968 xi

; R2 = 0,8887
( 8,7049
) ( 0,0744) 2
∑u1i = 377,17
v1 = 11
yˆ2i = −28,0272 +
0,7941xi ; R2 = 0,7681
( 30,6421
) ( 0,1319) 2
∑u2i = 1536,8
v2 = 11
u2 v
F
*
=
∑ 2i 2 = 1536,8 11 = 4,07
2
377,17 11
∑u1i v1
Analizând rezultatele obţinute se constată că,

pentru un prag de
semnifica sun
F * = 4,07 > F = 2,82 ,
ţie α = 0,05, 0,05;11;11 deci erorile t
b2.4) Testul Park5
Testul propus de Park se bazează pe existenţa unei

relaţii de dependenţă între dispersia corespunzătoare
erorilor heteroscedastice şi
variabila exogenă x de forma: σ 2 = σ 2 xb eωi . Acest model neliniar poate fi
u
i
i
transformat într-un model liniar prin logaritmare:
lnσ 2 = lnσ 2 + b ln x + ω
u
i
i i
unde:
ωi = variabila reziduală, ce verifică ipotezele

corespunzătoare M.C.M.M.P. Ca urmare a faptului că
valoarea dispersiei erorilor heteroscedastice
este necunoscută, aceasta a fost înlocuită cu pătratul

erorilor, uî2 în cadrul modelului liniarizat prin logaritmare:
ln uî2 = lnσ 2 + b ln xi +ωi = β + b ln xi +ωi
În situaţia în care parametrul b corespunzător

variabilei exogene este nesemnificativ ipoteza de
homoscedasticitate a erorilor este verificată, cazul contrar
indicând existenţa heteroscedasticităţii.
În vederea verificării existenţei heteroscedasticităţii
erorilor vom logaritma pătratul erorilor calculate în cazul
modelului iniţial pe care le vom regresa în funcţie de valorile
logaritmate ale variabilei exogene xi (vezi tabelul 2.2.2
coloanele 9 şi 10). În urma aplicării programului EViews au
fost obţinute următoarele rezultate:
ln uî2 = 1,014 + 0,3359 ln

xi ; R2 = 0,002
( 7,2749) ( 1,425
2)
Pentr semnificaţ parametrulu

u a verifica ia estimatorului i
corespunzător variabilei exogene a fost utilizat testul

Student, t, respectiv:
ˆ
indic c
tˆ = b = 0,3359 = 0,2357 < t
0,05;28
= 2,048 , care ă faptul ă
b s
ˆ
1,4252
estimatorul parametrului b este nesemnificativ, deci erorile sunt

homoscedastice.
5 cf. op. cit., p. 369-370.

b2.5) Testul Glejser6
Acest test se bazează pe bazează pe relaţia dintre

erorile estimate în urma aplicării MC.M.M.P. asupra
modelului iniţial şi variabila explicativă presupusă a fi cauza
heteroscedasticităţii.
Testul Glejser prezintă o serie de puncte comune cu

testul precedent, respectiv, după calcularea erorilor în urma
aplicării MC.M.M.P., valoarea absolută a acestora este
regresată în funcţie de valorile variabilei exogene utilizându-
se în acest scop următoarele forme de exprimare
corespunzătoare celor două variabile:
I.
uî = a + bxi + ωi
În această situaţie heteroscedasticitatea = λ2 xi2 ,

este de tipul: σu2 caz
i
în care va fi aplicată regresia ponderată asupra datelor

iniţiale, care vor fi
împărţite la xi , rezultând astfel un model de

forma: y a u
i
=
x 1 + b1 +x i
x
i i i
II. uî = a + xi +ωi

b
În această situaţie heteroscedasticitatea = λ2 xi ,

este de tipul: σu2 caz
i
în care va fi aplicată regresia ponderată asupra datelor

iniţiale, care vor fi
împărţit l forma
e a xi , rezultând astfel un model de :
y a u
+ b1 ix +
i = 1 i .
x
xi i xi
= a+ b
III.
uî x1 +ωi
i
În această situaţie heteroscedasticitatea

este de tipul: σu2 = λ2 xi−2 .
i
= a+ b
IV.
uî 1 +ωi
xi
V. uî = a + +ωi
bxi
VI. = a + bxi2 +ωi

uî
6 cf. op. cit., p. 371-372.

Verificarea homoscedasticităţii erorilor presupune, ca

şi în cazul testului precedent, verificarea semnificaţiei
parametrului corespunzător variabilei exogene. Aplicarea
acestui test conduce la rezultate semnificative în cazul unor
eşantioane de dimensiuni mari, iar în cazul celor de
dimensiuni mici este pur teoretică, aşa cum menţionează
însuşi autorul.
De menţionat faptul că ultimele două modele nu pot fi

estimate cu ajutorul M.C.M.M.P.
Rezultatele estimării primelor patru modele, calculate

cu ajutorul pachetului de programe EViews (vezi date în
tabelul 2.2.2.- coloanele 11, 12, 13 şi 14) sunt următoarele:
uˆ = 0,6343 + 0,0085xi
i ; R2 = 0,0787
t ( 0,6335) ( 1,5467
= )
uˆ = −0,7273 +
i 0,2182 ; R2 = 0,0792
xi
t ( 0,3929) ( 1,5516
= )
= 3,3517−189,9522x1
uˆ
i ; R 2 = 0,0729
t ( 3,7148) ( 1,4836
= ) i
uˆ = 4,7087 R2 =
i −32,6958 1 ; 0,0761
x
i
( 2,6961) ( 1,5181
)
t
=
Aşa cum se poate observa, nici unul dintre estimatorii

parametrului corespunzător variabilei exogene din cadrul
modelelor prezentate mai sus nu este semnificativ pentru un
prag de semnificaţie de 5%, deci ipoteza de
homoscedasticitate este verificată.
b2.6) Testul Breusch-Pagan-Godfrey (BPG)7
Acest test are în vedere modelul multifactorial liniar de forma:

yi = b0 + b1 x1i + b2 x2i + …+ bk x ki + ui
7 cf. op. cit., p. 377-378.

plecând de la ipoteza potrivit căreia dispersia

corespunzătoare erorilor heteroscedastice este dependentă
de o serie de variabile factoriale zi. În locul acestor variabile
pot fi utilizate câteva sau toate variabilele exogene ce
intervin în modelul iniţial. Se presupune, de asemenea, că
între dispersia corespunzătoare erorilor heteroscedastice şi
variabilele factoriale zi există o relaţie de dependenţă liniară,
respectiv:
2
σ = β +βz +βz +K+ β z
u
i
0 1 1i 2 2i m mi
Verificarea homoscedasticităţii dispersiei presupune

verificarea ipotezei nulităţii parametrilor corespunzători
variabilelor factoriale, caz în
care σ 2 = β = ct.
u
i
0
Aplicarea acestui test constă în:
- calculul valorilor variabilei reziduale prin

aplicarea M.C.M.M.P. asupra modelului iniţial;
- calculul estimatorului de maximă verosimilitate

corespunzător
dispersiei variabilei reziduale homoscedastice:σˆ u2 i = ∑ uˆ i ;

n
uˆ 2
- construirea unei variabile de forma: θi şi regresarea

= i acesteia
σˆ u2
în funcţie de variabilele factoriale zi, ce pot fi înlocuite cu

variabilele exogene xi din modelul original, respectiv:
θi = β0 + β1 x1i + β2 x2i +K+ βm xmi +ωi
unde:
ωi = variabila reziduală.
- calculul sumei pătratelor explicată de model, notată
cu SSR, şi calculul unei variabile H de forma: H = SSR2 .
Presupunând că erorile sunt normal distribuite, şi că

ne aflăm în situaţia unui eşantion de volum mare, variabila
H este asimptotic distribuită sub forma unui χα2 ;v , pentru
care numărul gradelor de libertate este egal cu:
v = m −1 , unde m = numărul parametrilor modelului,

respectiv: H~ χα2 ;v .
Dacă H sunt sun

>χα2 ;v , erorile heteroscedastice, în caz contrar, t
homoscedastice.
Rezultatele estimării modelului iniţial sunt
următoarele:
yî = 9,2903 + 0,6378 xi

; R = 0,973
( 5,2314
) ( 0,0286) d = 1,70
suˆ = 9,183
Valoarea calculată a estimatorului de maximă

verosimilitate corespunzător dispersiei variabilei reziduale
homoscedastice este:
uˆ
2
σû2
=
∑i = 2361,53 = 78,7051
i n 30
In urma calculării variabilei θi (vezi tabelul 2.2.2,

coloana 15) şi a regresării acesteia în funcţie de variabila
exogenă xi au fost obţinute următoarele rezultate:
ˆ 2
= −0,7426 + 0,0101xi ; R = 0,18
θ
i
( 0,7529) ( 0,0041)
Valoarea calculată a variabilei H este:
ˆ 2
H = SSR = ∑( θi −θ ) = 10,428 = 5,214
2 2 2
Comparând valoarea calculată a variabilei H cu

valoarea teoretică a
lui hi-pătrat în funcţie de un prag de semnificaţie de α =

0,05 şi respectiv α = 0,01 şi de numărul gradelor de libertate
v = m −1 = 1, se constată că
H = 5,214 >χ02,05;1 =
3,8414 pentru α = 0,05 , deci erorile sunt
heteroscdastice, dar, pentru α = H = 5,214 <χ02,01;1 = 6,6349 , ceea

0,01, ce
înseamnă că ipoteza de homoscedasticitate a erorilor poate

fi acceptată.
Se constată astfel că am ajuns la aceeaşi concluzie ca

şi în cazul testului Goldfeld-Quandt.
Trebuie să ţinem însă seama de faptul că testul BPG

este un test asimptotic, valabil în cazul unui eşantion de
volum mare, iar în cazul de faţă, respectiv 30 de observaţii,
acesta nu poate reprezenta un eşantion de volum mare.
b2.7) Testul White8
Aplicarea testului White presupune parcurgerea

următoarelor etape: - estimarea parametrilor
modelului iniţial şi calculul valorilor
estimate ale variabilei reziduale, u;
- construirea unei regresii auxiliare, bazată pe

prespunerea existenţei unei relaţii de dependenţă între
pătratul valorilor erorii, variabila exogenă inclusă în modelul
iniţial şi pătratul valorilor acesteia:
uî2 = α0 +α1xi +α2 x2i +ωi
şi calcularea coeficientului de determinare, R2,

corespunzător acestei regresii auxiliare;
- verificarea semnificaţiei parametrilor modelului nou

construit, iar dacă unul dintre aceştia este nesemnificativ,
atunci ipoteza de heteroscedasticitate a erorilor este
acceptată.
Există două variante de aplicare a testului White:
- utilizarea testului Fisher –Snedecor clasic, bazat pe

ipoteza nulităţii parametrilor, respectiv:
H0: α0 = α1 = α2 = 0
Dacă ipoteza nulă, potrivit căreia rezultatele estimării
sunt nesemnificative ( Fc < Fα;v1 ;v2 ), este acceptată, atunci
ipoteza de
homoscedasticitate se verifică, cazul contrar semnificând

prezenţa heteroscedasticităţii erorilor.
- utilizarea testului LM, calculat ca produs între numărul de

observaţii corespunzătoare modelului, n, şi coeficientul de
determinare, R2, corespunzător acestei regresii auxiliare. În
general, testul LM este asimptotic distribuit sub forma unui
χα2 ;v , pentru care numărul gradelor de
libertate este egal cu: v = k , unde k = numărul variabilelor

exogene, respectiv:
LM = n ⋅ R2 ~ χα2 ;v
8 cf. op. cit., p. 379.

Dacă LM >χα2 ;v , erorile sunt heteroscedastice, în caz contrar,

sunt
homoscedastice, respectiv ipoteza nulităţii parametrilor, α0

= α1 = α2 = 0 ,
este acceptată.
Aplicarea testului White s-a realizat utilizând pachetul de programe

EViews:
White Heteroskedasticity Test:
F-statistic 2,9173 Fc Probability 0,0713 p( F )
Obs*R-squared 5,3309 LM Probability 0,0696 p( LM )
Te
st Equation:
Dependent Variable: ui2
Sample: 1 30
t-
Variable Coefficient Std. Error Statistic Prob.
C -12,2962 191.7731 -0,0641 0,9493
xi 0,1974 2.3688 0,0833 0,9342

2
x
i 0,0017 0.0067 0,2535 0,8018
R-squared 0,1777 Mean dependent var 78,7051
S.E. of regression 105,8043 Akaike info criterion 12,2557
Sum squared resid 302252,70 Schwarz criterion 12,3958
Log likelihood -180,8355 F-statistic 2,9173
Analizând rezultatele afişate de programul EViews

se constată că
F LM = 5,3309 <χ02,05;2 = 5,99147

c = 2,9173< F0,05;2;27 = 3,35 şi , iar
parametrii modelului sunt nesemnificativi, deci ipoteza de

homoscedasticitate se verifică în cazul aplicării acestor
teste. Trebuie să ţinem însă seama de faptul că testul LM
este un test asimptotic, valabil în cazul unui eşantion de
volum mare, iar în cazul de faţă, respectiv 30 de observaţii,
acesta nu poate reprezenta un eşantion de volum mare.
Deoarece majoritatea testelor prezentate mai sus sunt

valabile în cazul în care erorile sunt normal distribuite, în
vederea verificării acestei
ipoteze va fi aplicat testul Jarque-Berra9, care este şi el un test

asimptotic (valabil în cazul unui eşantion de volum mare), ce
urmează o distribuţie hi pătrat cu un număr al gradelor de
libertate egal cu 2, având următoarea formă:
2 2
S ( K − 3) 2
JB = n + ~χ
α;2
6 24
unde:
n = numărul de observaţii;
S = coeficientul de asimetrie (skewness), ce măsoară

simetria distribuţiei erorilor în jurul mediei acestora, care
este egală cu zero, având următoarea relaţie de calcul:
1 ∑n (y i − y ) 3
S= n i= 1
σ 3
K = coeficientul de aplatizare calculat de Pearson (kurtosis),

ce măsoară boltirea distribuţiei (cât de „ascuţită” sau de
aplatizată este distribuţia comparativ cu distribuţia
normală), având următoarea relaţie de calcul:
1 ∑n (y i )
− y 4
K= n i= 1
σ4
Testul Jarque-Berra se bazează pe ipoteza că

distribuţia normală are un coeficient de asimetrie egal cu
zero, S = 0, şi un coeficient de aplatizare egal cu trei, K = 3.
Dacă probabilitatea p(JB) corespunzătoare valorii

calculate a testului este suficient de scăzută, atunci ipoteza
de normalitate a erorilor este respinsă, în timp ce, în caz
contrar, pentru un nivel suficient de ridicat al probabilităţii
ipoteza de normalitate a erorilor este acceptată, sau dacă JB
> χα2 ;2 , atunci ipoteza de normalitate a erorilor este respinsă.
9 EViews,User Guide,Version 2.0, QMS Quantitative Micro Software, Irvine, California,

1995, p. 140-141.
Utilizând pachetul de programe EViews în vederea

calculării testului
constat
Jarque-Berra (vezi figura 2.2.3.) se ă că
JB = 0,6452 ,05;2 = 5,9915 şi că p(JB) = 0,7242, respectiv

<χ02 probabilitatea
ca testul J-B să nu depăşească valoarea

tabelată a lui χα2 ;2 , este suficient de
mare pentru ca ipoteza de normalitate a erorilor să fie

acceptată.
10
Series: Residuals
Sample 1 30
8 Observations 30
Mean -1.86E-14
6 Median 0.880779
Maximum 20.26355
Minimum -18.98076
4 Std. Dev. 9.023252
Skewness -0.359065
2 Kurtosis 2.977931
Jarque-Bera 0.645247
Probability 0.724246
-20 -15 -10 -5 0 5 10 15 20 25
Figura 2.2.3
Pe baza rezultatelor obţinute, pentru un prag de

semnificaţie de 5%,
în cazul aplicării testelor Breusch-Pagan-Godfrey şi Goldfeld-

Quandt, vom presupune că fenomenul de
heteroscedasticitate există, acesta afectând calitatea
estimatorilor, respectiv aceştia nu mai sunt eficienţi
(dispersie minimă).
Eliminarea fenomenului de heteroscedasticitate se poate

face cu ajutorul metodei regresiei ponderate. Această
metodă presupune efectuarea următoarelor operaţii:
1) Ecuaţia modelului y i = a 1 + b1 x i + ui se împarte la xi ,

rezultând
modelul y a u
= + +x i
i x 1 b1 .
i i i
c = z u obţin
yi
2) Notând u 1 = v, , i = w , se e modelul
x x x
i i i i i i
z i = a 1 v i + b1 + wi căr parametri
, ai ui i se vor estima cu ajutorul
M.C.M.M.P.
−
−
ˆ ˆ = 30 ˆ 2 = 30 −ˆ ˆ 2
(
F a ,b ) min ∑(z z ) (
min ∑ z av b )
1 1 i i i 1 i 1
i=1 i=1
Condiţia de minim a acestei funcţii rezultă din:
ˆ 2
= zv
ˆ
F′( aˆ ) = 0 ⇒ b ∑v + aˆ ∑v ∑ii
1 1 i 1 i
nb + aˆ ∑v = ∑z
′ˆ ˆ +ˆ
1 1 i i
= ⇒ =
⇔ ˆ 2
a1
nb
=
( )0
F b1 1 ∑v i ∑z i b1 ∑vi + aˆ1
∑vi ∑z vi i
În urma aplicării programului EViews, rezultatele

estimării modelului, utilizând metoda regresiei ponderate, au
fost următoarele:
Dependent Variable: zi
Sample: 1 30
Prob
Variable Coefficient Std. Error t-Statistic .
vi 10,2790 3,7827 2,7174 0,0112
C 0,6319 0,0267 23,7034 0,0000
S.E. of regression 0,0521 Akaike info criterion -3,0074
Sum squared resid 0,0760 Schwarz criterion -2,9140
Log likelihood 47,1105 F-statistic 7,3840
Pe baza calculelor prezentate mai sus rezultă modelul:
zˆ = 10,279 R=
i vi + 0,6319; 0,4568
( 3,7827) ( 0,0267) d = 1,71
swˆ =
0,0521
Calităţile acestui model rezultă în urma efectuării

următoarelor operaţii:
- verificarea ipotezei de homoscedaticitate prin calculul testului

White, utilizând pachetul de programe EViews:
White Heteroskedasticity Test:
F-statistic 3,3370 Probability 0,0507
Obs*R-squared 5,9458 Probability 0,0512
Test Equation:
Dependent Variable: wi2
Method: Least
Squares
Sample: 1 30
Prob
Variable Coefficient Std. Error t-Statistic .
C 0,0084 0,0039 2,1919 0,0372
vi -2,0525 1,1178 -1,8361 0,0774
2 152,9709 72,8625 2,0994 0,0453

vi
S.E. of regression 0,0024 Akaike info criterion -9,1115

Sum squared resid 0,0002 Schwarz criterion -8,9714
Log likelihood 139,6732 F-statistic 3,3370
În urma analizării rezultatelor afişate de programul

EViews se
constată căFc = 3,337 < F0,05;2;27 = 3,35 şi LM =

,05;2 = 5,99147
5,9458 < χ02 ,
iar parametrii modelului sunt nesemnificativi, deci ipoteza

de homoscedasticitate se verifică în cazul aplicării acestor
teste.
- verificarea ipotezei de independenţă a valorilor

variabilei reziduale, w, prin calculul variabilei Durbin-Watson:
30
∑( wî − wî−1
) 2
d= i= 2 = 1,71
30
∑wî
i= 1
de semnificaţie α = 0,05 , tabela

Pentru un prag din distribuţiei
s n = 30
Durbin-Watson e citesc valorile (pentru cazul )
d = 1,35, d2
1 = 1,49 .
= 1,49 < d = 1,71 < 4 −

Deoarece d2 d2 = 2,51, se poate accepta
ipoteza de independenţă a valorilor variabilei

reziduale. - verificarea ipotezei de normalitate a
erorilor
Utilizând pachetul de programe EViews în vederea

calculării testului Jarque-Berra (vezi figura 2.2.4.) se
constată că JB = 1,3427 <χ02,05;2 = 5,9915 şi că p(JB) = 0,511,
respectiv probabilitatea ca testul J-B să nu depăşească
valoarea tabelată a lui χα2 ;2 , este suficient de mare pentru ca ipoteza
de
0
normalitate a erorilor să fie
-0.10 -0.05 0.00
acceptată.
Figura
12
2.2.4
10
2
Median 0.005397
Maximum 0.087252
Minimum -0.084660
Std. Dev. 0.051183
Skewness -0.181266
Series: Residuals Kurtosis 2.029036
Sample 1 30 Jarque-Bera 1.342749
Observations 30 Probability 0.511006
Mean -1.30E-16
- verificarea semnificaţiei estimatorilor parametrilor

modelului Estimatorii parametrilor modelului sunt
semnificativ diferiţi de zero,
cu un prag de semnificaţie α = 0,05 , dacă se verifică

următoarele relaţii:
aˆ
taˆ = =
>t
1 s 1 α;n−k −1
⇔ taˆ
1
= 2,7174 > t0,05;28 2,048
aˆ
ˆ
b
=
tˆ >t
= 1 α;n−k −1
⇔ t ˆ = 23,7034> t0,05;28 2,048
sˆ
b
b1 1
b
1
unde:
k = numărul variabilelor explicative.
În urma efectuării calculelor de mai sus se constată

faptul că ambii
$ $
estimatori, a1 şi b1 , sunt semnificativ diferiţi de zero, cu un prag de
semnificaţie α =
0,05 .
- verificarea semnificaţiei raportului de

corelaţie
Rz / v
R2 = 0,2087 = 0,4568
Verificarea semnificaţiei raportului de corelaţie se realizează

cu ajutorul testului Fisher-Snedecor:
≥ Fα; k ;n− k
Fc = ( n−
2) R2 −1
1−R
2
F0,05;1;28 = 4,20
Fc = 7,384 > F0,05;1;28 = 4,20

Deci raportul de corelaţie este semnificativ diferit de
zero, cu un prag de semnificaţie α = 0,05 .
În final, modelul estimat prin metoda regresiei ponderate se

transformă în modelul iniţial prin înmulţirea fiecărui termen
cu xi:
= 10,279vi +0,6319 ⇒ = 10,279 x1 +0,6319 ⇒ yî′ = 10,279

zˆ
i xyi +0,6319xi
i i
Şi în cazul acestui model vom repeta o parte din

operaţiile realizate
pentru cel anterior pentru a-i verifica calităţile:
- calculul abaterilor medii pătratice ale estimatorilor:
su2ˆ′ = ∑( yi − yî
′)
2
= 2364,7933 = 84,4569 ⇒ s
uˆ′
= 9,19
n−k
−1 30 − 2
(vezi tabelul nr. 2.2.2., coloanele 23, 24, 25)
173,1
1 x 2 1 7 2
2 2 ⋅
s = s
aˆ uˆ′ + = 84,4569⋅ + = 27,4096⇒ s = 5,2354
aˆ
2
2 n (x − x) 10 102974,1667 2
∑ i
s
2
ˆ s2 84,4569
= uˆ′ = = 0,0008 ⇒ s ˆ = 0,0286
∑( xi −x
) 2
b
2
102974,1667 b
2
=
taˆ =
2 s
aˆ2 = 10 ,2 7 9= 1 ,9 6 3 4< t
5 ,2 3 5 4 0 ,0 5 ; 2 8 2,048
aˆ2
t ˆ = b = 0,6319 = 22,0635 > t0,05;28 = 2,048

2
sˆ
b
2
0,0286
b2
Se constată că b$
doar 2 este semnificativ diferit de zero, cu un prag
$
de semnificaţie α = 0,05 , în timp ce a2 este nesemnificativ.
- calculul raportului de
corelaţie:
= 1 − 4 4 2 4 7 ,8 62 63 76 4 ,7 9=3 3 0,9466 = 0,9729

Ry / x = 1 − ∑( yi − yî′) 2
∑( yi − y)
(vezi tabelul nr. 2.2.2, coloana 28)
=
Fc = 2 8 ⋅ 0 ,9 4 6 6 = 4 9 5 ,9 1>1 F0 ,0 5 ;1 ;2 8
1− 0 ,9 4 6 6 4,20
Deci raportul de corelaţie este semnificativ diferit de

zero, cu un prag de semnificaţie α = 0,05.
În concluzie, modelul de mai jos este corect specificat,

identificat şi estimat:
yî′ = 10,279 + 0,6319xi ; R = 0,973
( 5,2354) ( 0,0286) suˆ′ = 9,19

2.1.3 Model liniar unifactorial cu autocorelarea erorilor
Se cunosc următoarele date privind consumul final

real al gospodăriilor populaţiei şi PIB-ul real în România, în
perioada 1990-2003, exprimate în miliarde lei preţuri
comparabile (1990=100):
Tabelul 2.3.1
Consumul final real al PIB
gospodăriilor populaţiei
(mld.lei preţuri
Anul comparabile)
(mld.lei preţuri
comparabile)
(1990=100)
(1990=100)
0 1 2
1990 557,7 857,9
1991 467,4 746,8
1992 432,1 681
1993 435,9 691,3
1994 447,3 718,2
1995 505,3 769,3
1996 545,7 799,5
1997 525,7 750,7

1998 586,2 714,8
1999 579,8 706,1
2000 582,3 720,7
2001 610,7 761,7
2002 629,1 799,1
2003 673,7 838,3
Notă: Ambii indicatori sunt calculaţi conform metodologiei de calcul a Sistemului European al Conturilor
Economiei Integrate - SEC 1979. Consumul final al populaţiei a fost deflaţionat cu ajutorul
deflatorului consumului final al populaţiei exprimat în preţuri constante (1990 = 100),
datele provenind de la Ministerul Prognozei şi Dezvoltării, iar PIB-ul a fost deflaţionat cu
ajutorul deflatorului PIB exprimat în preţuri constante (1990 = 100), obţinut în urma
prelucrării datelor din Raportul Anual BNR.
Sursa: Date prelucrate pe baza Anuarului Statistic al României 2003, INS, Bucureşti, 2004, p. 284,
Raportului Anual 2000, BNR, Bucureşti, 2001, p. 6*-7*, Raportului Anual 2002 BNR,
Bucureşti, 2003, p. 4*-5*, Comunicatului de Presă al INS nr.11/26.02.2004.
Se cere:
a) Să se construiască modelul econometric ce

descrie legătura dintre cele două variabile şi să
se interpreteze semnificaţia parametrilor
modelului;
b) Să se estimeze parametrii modelului şi să se verifice

semnificaţia
acestora;
c) Ştiind că în anul 2004, valoarea PIB-ului real10 a fost

egală cu 907,8 mild lei preţuri comparabile (1990=100), să
se estimeze valoarea consumului final real al gospodăriilor
populaţiei în anul 2004 şi să se verifice capacitatea de
prognoză a modelului utilizat.
Rezolvare:
a) Notând cu y = consumul final real al

gospodăriilor populaţiei şi cu
x = PIB-ul real, modelul econometric va fi de forma: y = f ( x ) + u .
Pentru alegerea funcţiei matematice f ( x) se recurge la

reprezentarea grafică a celor două şiruri de valori.
670
650
630
610
590
570
550
530
510
490
470 x
450
430
670 685 700 715 730 745 760 775 790 805 820 835 850

Statistică

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Statistică

Încărcat de

Drepturi de autor:

Formate disponibile

Capitolul 2

2.1.1Model liniar unifactorial -

2.1.2Model liniar unifactorial

2.1.3Model liniar unifactorial

2.1.8Model liniar multifactorial cu

2.1.10Modelul static al lui Keynes

2.1.11Modelul dinamic al lui Keynes

22 Probleme propuse spre rezolvare

2.1 Probleme rezolvate

2.1.1 Model liniar unifactorial - caz general

Se cunosc următoarele date privind capacitatea de

Capacitatea de cazare în structurile de primire

Anul turistică în funcţiune turistică cu funcţiuni

(mii locuri-zile) de cazare turistică

1989 79458 53377

1991 64124 31927

1992 55870 26076

1993 57434 24769

1994 53255 23296

1995 53540 24111

1996 53639 21838

1997 52027 19611

1998 53164 19183

1999 51275 17670

2000 50197 17647

2001 51182 18122

2002 50752 17277

Sursa: Anuarul Statistic al României 1993, CNS, Bucureşti, 1994, p. 622-

a) să se specifice modelul econometric ce descrie

b) să se estimeze parametrii modelului şi să se

c) să se verifice ipotezele de fundamentare a metodei

d) să se verifice semnificaţiile estimatorilor şi

e) presupunând că în anul 2003 numărul de

a) Pe baza datelor problemei se poate construi un model econometric

y = valorile reale ale variabilelor dependente; x

u = variabila reziduală, reprezentând influenţele celorlalţi

Analiza datelor din tabel, în raport cu procesul

y = capacitatea de cazare turistică în funcţiune,

x = numărul de înnoptări, reprezentînd variabila

Specificarea unui model econometric presupune, de

asemenea, alegerea unei funcţii matematice ( f ( x) ) cu

legătura dintre cele variabile. În cazul unui model

Figura 2.1.1 Legătura dintre capacitatea de cazare turistică

(mii locuri-zile) şi numărul de înnoptări în structurile de primire

Din grafic se poate observa că distribuţia punctelor

poate fi aproximată cu o dreaptă. Ca atare, modelul

b) Deoarece parametrii modelului sunt necunoscuţi,

factorului esenţial x valorile estimatorilor parametrilor a şi

În mod concret, M.C.M.M.P. constă în a minimiza

Condiţia de minim a acestei funcţii

1 79458 53377 2849104129 4241229666 81436,2 767377059,6 -1978,2 3913120,5

3 64124 31927 1019333329 2047286948 62787,8 39082145,3 1336,2 1785381,8

4 55870 26076 679957776 1456866120 57701,0 160457,5 -1831,0 3352697,0

6 53255 23296 542703616 1240628480 55284,1 5661680,3 -2029,1 4117418,8

7 53540 24111 581340321 1290902940 55992,7 2447436,8 -2452,7 6015700,3

8 53639 21838 476898244 1171368482 54016,6 14725858,0 -377,6 142564,2

9 52027 19611 384591321 1020301497 52080,5 36777293,9 -53,5 2857,2

10 53164 19183 367987489 1019845012 51708,4 42151628,8 1455,6 2118901,6

11 51275 17670 312228900 906029250 50393,0 64086886,6 882,0 777971,0

12 50197 17647 311416609 885826459 50373,0 64455665,3 -176,0 30968,1

13 51182 18122 328406884 927520204 50785,9 57054283,2 396,1 156866,6

14 50752 17277 298494729 876842304 50051,3 70533602,5 700,7 490974,3

19669,2 386877990,6 18876,6 3258,2 61503190,2 -1978,2 27419223,1 -6445196,2 371287328,4

6771,2 45849342,9 6251,6 1336,2 8353236,1 3258,2 3694061,3 4353515,4 42330729,8