Bucuresti

2014
Academia de Studii Economice
Contabilitate si Informatica de Gestiune



Proiect
ECONOMETRIE



Grigore Olimpia
Grupa 643,seria B






Cuprins
Bucuresti
2014
Cuprins


1.Prezentarea datelor statistice.
2. Model de regresie multipl linear.
3. Ecuaia modelului de regresie i erorile modelului.
4. Parametrii modelului de regresie i validitatea acestuia.
5. Ipoteze ale modelului de regresie multlinear:
- Ipoteza de multicolinearitate;
Ipoteza autocorelari erorilor;
- Ipoteza de homoscedasticitate;
6.Concluzii.















Bucuresti
2014
1.Prezentarea datelor statistice.

Pent r u anal i z a modelului de regresie multipl, am folosit date referitoare la
venitul mediu , consumul mediu per capital, si pretul date specifice celor 30 de ri .

Nr.Crt Tara Venit(x) Pret (x) Consum(y)
1 Belgia 85,8 90,7 117,36
2 Bulgaria 85,8 101,5 117,43
3 Cehia 85,8 92,1 120,17
4 Danemarca 86,9 100,6 120,33
5 Germania 97,9 94,2 120,32
6 Estonia 80,2 100,3 119,61
7 Irlanda 83,1 96,7 145,39
8 Grecia 85 100,3 122,2
9 Spania 88,9 100,0 117,1
10 Franta 80,4 100,0 114,8
11 Croatia 84,7 103,2 143,35
12 Italia 86 100,3 109,4
13 Cipru 88,5 106,2 123,29
14 Letonia 84,2 100,3 121,49
15 Lituania 84,3 110,2 114,92
16 Luxembourg 87,3 101,7 125,62
17 Ungaria 77,8 109,8 119,8
18 Malta 77,9 100,3 120,18
19 Tarile de Jos 79,4 111,7 147,26
20 Austria 76,7 99,6 140,08
21 Polonia 85,5 89,6 122,97
22 Portugalia 86,1 95,5 145,38
23 Romania 84,7 101,8 120,58
24 Slovenia 85,2 87,3 116,97
25 Slovacia 84,1 110,1 118,85
26 Finlanda 72,9 85,6 125,8
27 Suedia 83,6 87,0 116,79
28 Marea Britanie 80,3 96,2 152,97
29 Islanda 80,9 75,8 123,76
30 Norvegia 86,3 100,4 122,94
Surse: www.insse.ro, Eurostat
Bucuresti
2014
Venitul mediu reprezint salariul mediu brut per persoana
Consum mediu reprezinta cheltuielile unei persoane pentru toate serviciile si produsele necesare
Pret-sum de bani pe care trebuie s o plteasc o persoana pentru achiziionarea unui produs sau pentru un
serviciu.


Analiza datelor din tabel, n raport cu procesul economic descris conduce la
urmtoarea specificare a variabilelor:

y = Consumul mediu variabila independent;
1
x = Venitul mediu variabila dependenta respectiv factorul considerat prin
ipoteza de lucru cu influena cea mai puternic asupra variabilei y;
2
x = Pretul variabila dependent;


Aplicaia aleas de mine conine ca variabil efect, consumul mediu, consum care este dat de
ecuaia de regresie:


2 1
cx bx a y + + =







2. Model de regresie multipl linear.


Verificarea modelului se face cu ajutorul analizei ANOVA:

SUMMARY OUTPUT

Regression Statistics
Multiple R 0,263859919
R Square 0,069622057
Adjusted R Square 0,000705172
Standard Error 11,24476595
Bucuresti
2014




Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower 95,0% Upper 95,0%

Intercept 167,5711 45,37402323 3,693107 0,000991 74,47133299 260,6709 74,47133 260,6709

X Variable 1 -0,6274 0,455299562 -1,37798 0,179523 -1,561592715 0,306802 -1,56159 0,306802

X Variable 2 0,101264 0,260144198 0,389261 0,700136 -0,432507783 0,635036 -0,43251 0,635036



3. Determinai ecuaia modelului de regresie i erorile modelului

Regresia multipla - o metoda de predictie a valorilor unei variabile dependente
pornind de la valorile mai multor variabile independente. n acest caz avem o variabila
independente (numite si "predictor"), care sunt scoruri la diferite teste utilizate, si 2
variabila dependente (numite si "criteri"), ale carei valori vrem sa le estimam pornind de
la relatiile acesteia cu toate variabilele. n esenta, regresia multipla este o procedura
similara regresiei simple. Asa cum regresia simpla se bazeaza pe corelatia dintre doua
variabile, regresia multipla se bazeaza pe corelatia multipla dintre variabilele implicate.

Observations 30
ANOVA

df SS MS F Significance F
Regression 2 255,477141 127,7386 1,010232 0,377486983
Residual 27 3414,008556 126,4448

Total 29 3669,485697


RESIDUAL OUTPUT


Observation
Predicted
Y Residuals
1 122,9253 -5,565278725
2 124,0189 -6,588930153
3 123,067 -2,897048354
4 123,2377 -2,907657835
5 115,6882 4,631778887
6 127,4108 -7,800826339
7 125,2268 20,16317016
8 124,3993 -2,199329472
i i
x y
2 1
10 , 0 62 , 0 57 , 167 + =
.
Bucuresti
2014

















4. Parametrii modelului de regresie i validitatea acestuia.

Testul F (Fisher-Snedecor)-se utilizeaz pentru a testa dac variaia unei variabile este mai mare
ntr-o populaie dect n alta, comparaia fiind fcut folosind dou eantioane mici, cte unul din
fiecare populaie.
Testul Fisher-Snedecor indica faptul ca rezultatele obinute sunt semnificative pentru
pragulde semnificaie de 5%:
- dac Fcalc< Fcritic , ipoteza nul este cea care este acceptat;
- dac Fcalc> Fcritic , ipoteza nul este cea care se respinge, acceptndu-se cea
alternativ.



9 121,9221 -4,822109061
10 127,255 -12,4549681
11 124,8812 18,46878631
12 123,7719 -14,37193429
13 122,8009 0,489095936
14 124,9012 -3,411245617
15 125,841 -10,92101991
16 123,0981 2,521909814
17 129,8786 -10,07858297
18 128,8538 -8,673835255
19 129,0672 18,19284768
20 129,5358 10,54417534
21 123,0021 -0,032106856
22 123,2231 22,15687253
23 124,7394 -4,159444058
24 122,9574 -5,987418161
25 125,9564 -7,106372542
26 130,5022 -4,702230047
27 123,9309 -7,140871244
28 126,9329 26,03709567
29 124,4907 -0,730681195
30 123,5938 -0,653842139
35 . 3
27 ; 2 ; 05 . 0 1 ; ;
= = =

F F F
K n K critic o
calc critic
F F <
Bucuresti
2014

3,35<55,3759652 respingem
0
H Modelul este valid.
5. Ipoteze ale modelului de regresie multlinear:
- Ipoteza de multicolinearitate;
- Ipoteza autocorelari erorilor;
- Ipoteza de homoscedasticitate;

Ipoteza de multicolinearitate:
Multicoliniaritatea poate fi definit ca o legtur liniar funcional existent ntre dou
sau mai multe variabile independente ale unui model de regresie de forma:

c | | | | + + + + + =
p p p x
X X X Y ...
2 2 1 1 0 .... 1

Criteriul Klein:
- se determin raportul de corelaie
2
y
R i coeficienii liniari de corelaie a variabilelor
exogene
2 1
,
2
x x r
- dou variabile exogene Xi i Xj sunt coliniare dac:

2
y
R <
2 1
,
2
x x r
2
y
R =0,069622
Cov ) , (
2 1
x x =1,051
=
2
r 1,104601

2
y
R <
2
r nu exista multicoliniaritate;

Ipoteza autocorelari erorilor:
Autocorelarea erorilor presupune existena unei covariane nenule ntre erorile din ecuaia de regresie
Consecine ale autocorelrii erorilor:
- Estimatorii parametrilor din model sunt nedeplasai i consisteni.
- Estimatorii parametrilor din model nu sunt eficieni i nu sunt de maxim verosimilitate.
- Estimatorii calculai pentru dispersia i covariana parametrilor sunt deplasai, nu sunt
consisteni i nu sunt eficieni.
- Testul t statistic (Student) aplicat pentru analiza semnificaiei estimatorilor nu este valid.
Bucuresti
2014
- Valorile t-Student calculate pentru semnificaia parametrilor sunt supradimensionate
(sugereaz o semnificaie a parametrilor mai mare dect este n realitate).
- Abaterea standard a erorilor este subdimensionat i, n consecin, R2 este
supradimensionat, ceea ce indic o ajustare mai bun dect este n realitate.

Testul Durbin-Watson:



Formula:


Absenta oricarei corelatii:
- 0<DW<
1
d autocorelare pozitiva a erorilor;
- s s
2 1
d DW d indecizie;
- < <
2 2
4 d DW d erori independente;
- s s
1 2
4 4 d DW d indecizie,recomandare acceptarea corelarii negative;
- < < 4 4
1
DW d autocorelare negativa a erorilor;






DW= 1,918143

d1=1,35

d2=1,49







Erori independente

=
=

=
30
1
2
30
2
2
1
) (
t
t
t
t t
e
e e
DW
1
,
t t
e e
y
y e
t
.
=
2 2
4 d DW d < <
51 , 2 91 , 1 49 , 1 < <
Bucuresti
2014


Predicted Y








122,92 -5,56 - - 30,9136
124,01 -6,58 -1,02 1,0404 43,2964
123,06 -2,89 3,69 13,6161 8,3521
123,23 -2,9 -0,01 0,0001 8,41
115,68 4,64 7,54 56,8516 21,5296
127,41 -7,8 -12,44 154,7536 60,84
125,22 20,17 27,97 782,3209 406,8289
124,39 -2,19 -22,36 499,9696 4,7961
121,92 -4,82 -2,63 6,9169 23,2324
127,25 -12,45 -7,63 58,2169 58,2169
124,88 18,47 30,92 956,0464 341,1409
123,77 -14,37 -32,84 1078,4656 206,4969
122,8 0,49 14,86 220,8196 0,2401
124,9 -3,41 -3,9 15,21 11,6281
125,84 -10,92 -7,51 56,4001 119,2464
123,09 2,53 13,45 180,9025 6,4009
129,87 -10,07 -12,6 158,76 101,4049
128,85 -8,67 1,4 1,96 75,1689
129,06 18,2 26,87 721,9969 331,24
129,53 10,55 -7,65 58,5225 111,3025
123 -0,03 -10,58 111,9364 0,0009
123,22 22,16 22,19 492,3961 491,0656
124,73 -4,15 -26,31 692,2161 17,2225
122,95 -5,98 -1,83 3,3489 35,7604
125,95 -7,1 -1,12 1,2544 50,41
130,5 -256,3 -249,2 62100,64 65689,69
123,93 -7,14 249,16 62080,7056 50,9796
126,93 26,04 33,18 1100,9124 678,0816
124,49 -0,73 -26,77 716,6329 0,5329
123,59 -0,65 0,08 0,0064 0,4225

132322,8189 68984,85




Bucuresti
2014
Ipoteza de homoscedasticitate:

Erorile sunt homoscedastice daca erorile au o dispersie constanta. Pentru a determina
homoscedasticitatea erorilor folosim Testul White.
Notam :
0
H = homoscedasticitatea

1
H = heteroscedasticitatea
Din analiza regresiei gasim: et = yi-i pentru care estimam urmatorul model:
LM=n
2
R si il comparam cu
2



LM=30x0,069622=2,08866
2

5 ; 05 , 0
=43.77 nu se respecta
0
H (homoscedasticitatea)
Deoarece am avut un numar mare de variabile am folosit modelul 1 de la Testul White :


i
k
j
ji
j ji j
k
j
t
v x b x a e + + =

= = 1
2
1
2



6.Concluzii.


Avem un model de forma:
Ipotetic asta ar insemna ca la un nivel zero al venitului si pretului mediu avem o variatie de
167,57 de consumului mediu.
Desi modelul este valid si explica in mare parte consumului mediu , in momentul testrii autocorelarii ,
am observat ca erorile sunt independente .
i i
x y
2 1
10 , 0 62 , 0 57 , 167 + =
.