Documente Academic
Documente Profesional
Documente Cultură
Prefat
Capitolul 1
Introducere
Econometria este adesea descris ca o parte a stiinei economice care studiaz
relaiile cantitative din economie, facnd apel att la analiza statistic ct i la
cea matematic. Ea face uz de modele economice pe care le confrunt cu datele
de observaie i, aplicnd metode statistice acestor date empirice provenite din
economie, vizeaz a estima parametrii modelelor i a le verica valabilitatea
lor. Teoria economic furnizeaz deci idei privind procesele care determin
variabilele economice, iar econometria asigur vericarea statistic i stabilete
de manier cantitativ, corelaiile care pot aprea valide.
Dei tiina economic a apelat n mod constant i continuu la matematic
pentru a nelege mai bine obiectul su de studiu, putem considera c ea ncepe s se dezvolte n forma sa modern n anii 1920. Economistul norvegian
Ragnar Frisch va juca un rol important n actul de natere al econometriei.
Paternitatea termenului i este de altfel lui atribuit. In anul 1930, mpreun
cu Irving Fisher a fondat Societatea de Econometrie (Econometric Society), al
crui demers principal a fost acela de a promova studii cu caracter cantitativ cu
scopul de a apropia punctele de vedere teoretice de cele empirice n explorarea
problemelor economice. Apoi, n anul 1933 a fondat revista Econometrica ce va
principalul vehicul de gndire econometric. Dup al doilea rzboi mondial,
econometria se dezvolt rapid i aceasta se va efectua pe mai multe niveluri.
- A dobndit nainte de toate o mare reputaie graie atribuirii a numeroase
premii Nobel n economie, unor economitii reputai pentru formalismul
matematic din lucrrile lor.
- A ctigat teren n domeniul economic, acesta devenind din ce n ce mai
dependent de matematic.
- A primit un statut instituional din ce n ce mai important, ind obiect
de studiu n multe universiti.
- Tehnicile econometrice se perfecioneaz continuu, ceea ce le confer mai
mult operaionalitate i le face elemente utile extrem de preioase n
luarea deciziilor economice.
3
CAPITOLUL 1.
INTRODUCERE
5
pentru keynesieni ntre consum i venit. Anumite modele macroeconometrice au
fost introduse n anul 1950 pentru a previziona impactul politicilor economice.
Teoria economic face adesea apel la reprezentrile logice pentru a descrie
comportamentul fenomenelor observate. Acestea sunt armaii ce se bazeaz pe
ipoteze mai mult sau mai puin realiste, dar care pot conduce la concluzii a cror
impact poate uneori chiar i normativ. Ele trebuie s se confrunte cu realitatea
datelor statistice, s e validate sau invalidate. Econometriei i revine rolul de a
face aceast confruntare prin aplicarea unor metode statistice, ce-i au originea
n teoria probabilitilor, metode statistice pentru a estima i testa relaiile i
teoriile economice. O caracteristic important a econometriei este c ea se
bazeaz pe date neexperimentale, nerepetabile. Demersul econometric const
n a reprezenta comportamentul fenomenului observat cu ajutorul ecuaiilor i
n a estima coecienii acestor ecuaii recurgnd la istoria fenomenului i aceasta
n scopul de a-l nelege, explica, reproduce i prevedea. Econometria este astfel
o ramur a statisticii i matematicii aplicate n economie.
In concluzie, putem deci arma c econometria este un ansamblu de metode
matematice i statistice aplicate n analiza datelor economice. Ea are dou
funcii eseniale:
- de a testa teoriile economice sau mai modest exprimat, anumite armaii
din teoria economic;
- de a evalua (estima) parametrii necunoscui ce apar n relaiile economice
formalizate matematic.
De manier general, demersul unui econometru este urmtorul:
- utilizeaz ca punct de plecare o teorie economic;
- formalizeaz un model matematic ce-i va permite s testeze aceast teorie
cu ajutorul datelor statistice disponibile;
- examineaz n ce msura teoria economic este validat prin rezultatele
obinute;
- evalueaz parametrii modelului, evident dac teoria a fost validat.
Pentru a evalua parametrii ce intervin n modelele econometrice, se calculeaz
estimatori ai acestora utiliznd date statistice disponibile pentru fenomenele
studiate. Acestea se a n centrul ateniei oricrei abordri econometrice. In
fapt ele vor permite msurarea fenomenele studiate precum i a factorilo ce
le determin. Modelele econometrice ncearc de fapt s reprezinte realitatea
economic. Exist evident tipuri diferite de date statistice ce vor permite diferite
tipuri de analize statistice:
- seriile cronologice sau de timp, corespund la observaii asupra variabilelor
la intervale de timp regulate Xt , t = 1 T unde t desemneaz anul,
semestru, trimestru, luna, etc., corespunztor observaiei considerate;
CAPITOLUL 1.
INTRODUCERE
C = Ca + cY.
7
Scopul su este de a evalua parametrii Ca i c. In fapt, pentru a aa dac venitul gospodriilor Y inueneaz efectiv consumul lor, trebuie determinat dac
parametrul c este sau nu egal cu zero. Dac aceast teorie simpl a consumului
este acceptat, atunci evident interesul cade asupra celor doi parametrii Ca i
c. Pentru cunoaterea valorii acestora, econometrul va utiliza date statistice
privind consumul si venitul a n gospodrii. Fiecare gospodrie i este astfel caracterizat prin consumul su Ci si prin venitul su disponibil Yi , i = 1 n.
Dac ar exista o relaie determinist ntre consum i venit, atunci funcia de
consum ar vericat de manier exact pentru ecare gospodrie:
Ci = Ca + cYi , i = 1 n.
In acest caz, toate observaiile ar aparine aceleai drepte C = Ca +cY . Aceast
situatie nu se ntmpl ns niciodat, cci realitatea economic este ntotdeauna
mult mai complex. Nici o gospodrie, sau aproape nici una, nu veric exact
funcia consumului deoarece, de exemplu, o gospodrie este mai cheltuitoare,
alta este foarte expus riscului de omaj i deci este mai puin cheltuitoare,
etc. Ali factori ar putea nc evocai, precum existena unor venituri excepionale neanticipate, schimbarea locului de munc sau a domiciliului, etc. In
fapt, pentru funcia consumului, exist o innitate de factori ce-l pot inuena
i deci apare imposibil de a-i putea integra pe toi n acest model. Putem deci
lua n considerare doar anumii factori ce pot inuena consumul, adic acele
variabilele pe care le considerm relevante i, la nal, includem restul ntr-o
singur variabil numit perturbaie aleatoare sau variabil rezidual, ce reprezint aspectul de incertitudine n raport cu modelul teoretic. Aceasta este de
fapt distincia ntre modelul economic i cel econometric. Un model econometric
const n:
- un ansamblu de relaii obinute pe baza unui model economic. Aceste
ecuaii implic att variabile observate ct i variabile reziduale;
- o specicare a legii de probabilitate ce guverneaz variabilele reziduale. De
exemplu, pentru funcia consumului, un model econometric simplu este:
yi = 0 + 1 xi + i , i = 1 n
unde i est o variabil aleatoare (variabila rezidual). Ipoteza cea mai
simpl privind variabilele reziduale este de a presupune c (acestea
) sunt
normale, independente i identic distribuite adic, i N 0, 2 , i =
1 n.
- y este n general numit variabil endogen (poate determinat din
model), iar x variabil exogen (poate determinat n afara modelului).
Att modelele economice ct i cele econometrice, i propun s fac o descriere
a funcionrii economiei cu ajutorul unui ansamblu de relaii ntre variabilele
economice. Odat aceast formalizare matematic propus, mai multe ntrebri
se pot nate. De exemplu:
CAPITOLUL 1.
INTRODUCERE
Capitolul 2
yi = 0 + 1 xi + i , i = 1 n.
(2.1)
10
CAPITOLUL 2.
2.2.
11
DEFINIREA MODELULUI.
interesai de a o cuantica cu ajutorul unei msuri numerice unice care s permit stabilirea forei acestei legturi. Msura ce poate cuantica intensitatea
acestei legturi liniare se numete coecient de corelaie. Acest coecient, notat
de regul cu r, este egal cu raportul dintre covarianele celor dou variabile i
produsul abaterilor lor medii ptratice:
n
r=
(yi y) (xi x
)
n
n
2
2
(yi y)
(xi x
)
i=1
i=1
i=1
yi xi
xi
yi
.
= v[
u
( n )2 ]
( n )2 ] [ n
n
u
t n
y2
yi
n
x2
xi
i=1
i=1
i=1
i=1
i=1
i=1
(2.2)
i=1
12
CAPITOLUL 2.
Ipoteza c pentru orice i = 1 n, V ar [Yi ] = y2 impune varianelor variabilelor aleatoare Y1 , Y2 , , Yn s e identice. Aceast proprietate este
numit homoscedasticitate. Dac i = j , atunci avem
Cov [Yi , Yj ] = Cov [i , j ] = 0.
2.3.
13
ESTIMAREA PARAMETRILOR
S(0 , 1 ) =
[yi (0 + 1 xi )] =
i=1
2i
(2.4)
i=1
0 =
1 =
yi
i=1
i=1
n
i=1
x2i
i=1
xi
i=1
[ n
x2i
xi yi
i=1
n
i=1
]2
xi
i=1
xi
xi yi
(2.5)
yi
i=1
]2
[ n i=1
xi
x2i
i=1
Demonstraie.
(yi 0 1 xi ) = 0,
i=1
(2.6)
x (y x ) = 0
i
i=1
1 i
14
CAPITOLUL 2.
n
n
xi =
yi ,
0 n + 1
i=1
i=1
n
n
n
0
xi + 1
x2i =
xi yi
i=1
i=1
i=1
1 =
(xi x
) (yi y)
i=1
et 0 = y 1 x,
(xi x
)
(2.7)
i=1
unde:
1
1
xi , y =
yi ,
n i=1
n i=1
n
x
=
(2.8)
yi 0 1 xi = 0.
i=1
n
)
yi 0 1 xi =
i = 0 = 0,
i=1
i=1
adic, media reziduurilor (variabilei reziduale) este egal cu zero. Dac notm
cu yi valoarea estimat prin model, atunci:
yi = 0 + 1 xi
(2.9)
i deci obinem:
n (
n
n
n
)
yi 0 1 xi =
(yi yi ) = 0
yi =
yi
i=1
i=1
1
n
i=1
yi =
i=1
1
n
i=1
yi y = y,
i=1
2.4.
15
(xi x
) (yi y) =
i=1
(xi yi x
yi yxi + x
y)
i=1
xi yi y
i=1
xi x
i=1
yi + n
xy =
i=1
xi yi n
xy
i=1
[ n
]
n
n
n
n
1
1 1
xi
yi =
n
xi yi
xi
yi .
=
xi yi n
n i=1 n i=1
n
i=1
i=1
i=1
i=1
n
(xi x
) =
i=1
i=1
n
]
x2i 2
xxi + x
2 =
x2i n
x2
i=1
(
x2i n
1
xi
n i=1
n
)2
i=1
1
x2i
= n
n
i=1
)2
xi
i=1
(2.10)
sau
1
1
2
2
(xi x
) , s2y =
(yi y) i sx = s2x , sy = s2y .
n 1 i=1
n 1 i=1
n
s2x =
16
CAPITOLUL 2.
estimatorii( sunt
) convergeni. Estimatorul a lui se zice convergent
dac V ar 0 atunci cnd n .
c. Dac doi estimatori 1 i 2 al aceluiai parametru , unul posed o marj
de eroare inferioar celuilalt, spunem atunci c el este un estimator mai
bun. Estimatorul 1 a lui este mai bun dect estimatorul 2 a lui ,
dac:
( )
( )
V ar 1 < V ar 2 .
d. Dac ntr-o clas de estimatori, un estimator posed cea mai mic varian
posibil, spunem atunci c el este ecient.
Estimatorii parametrilor necunoscui ai unui model liniar, depind de datele de
observaie sau de eantioanele disponibile. In consecin ei nu sunt mrimi
constante, ci mai degrab sunt variabile aleatoare. tim c 0 i 1 , estimatorii
lui 0 i 1 , obinui cu ajutorul unui eantion dat i utiliznd M CO, sunt dai
de sistemul (2.5).
Demonstraie.
(2.11)
yi
i=1
x2i
i=1
xi
i=1
xi yi .
i=1
(0 + 1 xi + i )
i=1
(
n0 + 1
x2i
i=1
xi +
i=1
= n0
)
i
i=1
n
x2i
+ 1
i=1
xi
i=1
xi
i=1
x2i
(
xi
x2i
xi (0 + 1 xi + i )
i=1
n
i=1
i=1
i=1
xi
i=1
x2i
i=1
xi + 1
i=1
n
(
x2i
i=1
xi
i=1
x2i +
i=1
i=1
i=1
i=1
xi i
i=1
)2
xi
)
x i i
2.4.
17
= 0 n
(
x2i
i=1
)2
n
n
n
n
xi
+
i
xi
xi
x i i .
i=1
i=1
i=1
i=1
i=1
0 = 0 +
x2i
i=1
i=1
i=1
xi i
i=1
)2
i=1
(
x2i
xi
(2.12)
xi
i=1
E 0 = 0 +
E (i )
i=1
x2i
i=1
i=1
x2i
i=1
xi
xi E (i )
i=1
)2
= 0
xi
i=1
n
xi yi
xi
yi .
i=1
i=1
i=1
xi (0 + 1 xi + i )
i=1
xi
i=1
(
= n 0
xi + 1
i=1
= 1 n
i=1
(
x2i
n0
xi i
i=1
)2
xi
i=1
n
x2i
i=1
(0 + 1 xi + i )
i=1
)2
i=1
xi
i=1
n
xi
i=1
+n
xi
i=1
x i i
i=1
i=1
xi
i .
i=1
n
1 = 1 +
xi i
i=1
i=1
xi
i=1
(
x2i
i=1
i=1
)2
xi
(2.13)
18
CAPITOLUL 2.
Sub aceleai ipoteze ca mai sus adic, valorile xi sunt xe, independente de
reziduurile i i c E (i ) = 0, pentru orice i = 1 n obinem:
n
i=1
E 1 = 1 +
xi E (i )
i=1
x2i
E (i )
i=1
)2
i=1
xi
= 1
xi
i=1
( n
xi i
i=1
E (xi i ) =
i=1
E (xi ) E (i ) = 0.
i=1
Putem acum trece s examinm celelalte trei caliti ale unui estimator.
( )
V ar 0 = n1 +
( )
V
ar
1 =
(xi
x)2
2 ,
(2.14)
i=1
2
(xi
x)2
i=1
(2.15)
i=1
i deci putem arma c estimatorii 0 i 1 posed cea mai mic varian posibil, adic ei sunt ecieni.
Demonstraie.
2 2
2
V
ar
(
)
x
xi
xi V ar (i )
i
( )
i
i=1
i=1
i=1
i=1
V ar 0 =
[
( n )2 ]2
n
n
x2i
xi
i=1
i=1
[
x2i n
[
n
i=1
i=1
(
x2i
(
x2i
i=1
i=1
xi
)2 ]2
xi
i=1
)2 ]
2
i=1
=
n
i=1
x2i
x2i
(
i=1
)2 .
xi
2.4.
19
n2
i=1
V ar 1 =
x2i V ar (i )
[
n
i=1
n2
i=1
=[
n
x2i n
(
x2i
i=1
tiind c:
i=1
i=1
i=1
)2
xi
=n
x2i
i=1
(xi x
) ,
i=1
x2i
(
xi
n
2
( n )2 .
x2i
xi
i=1
i=1
i c:
xi
i=1
2
)2 ]2 =
( n
V ar (i )
i=1
)2 ]2
i=1
xi
i=1
x2i
)2
x2i
xi
i=1
)2
)2 =
xi
1
+
n
n
x
2
(xi x
)
i=1
i=1
( ) 1
( )
2
x
2
2
i V ar 1 =
V ar 0 =
+
.
n
n
n
2
2
(xi x
)
(xi x
)
i=1
i=1
In ne, pentru a evalua covariana celor doi estimatori utilizm relaia urmtoare:
(
)
(
)
(
)
( )
Cov 0 , 1 = Cov y 1 x
, 1 = Cov y, 1 x
V ar 1 .
(
)
In prealabil avem nevoie de a cunoate Cov y, 1 . Pentru facilitarea calculelor,
relaia (2.13), ce d pe 1 se scrie:
n
1 = 1 +
xi i
i=1
xi
i=1
i=1
(
x2i
n
n
= 1 +
i=1
)2
i=1
i=1
i=1
(xi x
)
(
x2i
i=1
i=1
n
i=1
(xi x
) i
= 1 + i=1
n
xi i n
x
i=1
= 1 +
n
xi
(xi x
) i
i=1
n
(xi x
)
)2
xi
20
CAPITOLUL 2.
i deci
yi
(
)
i=1
i=1
Cov y, 1 = Cov
n
n , 1 +
(xi x
)
i=1
(xi x
) i
y
(x x
) i
(x x
) 2
i=1 i i=1 i
i=1 i
=
= Cov
=0
n
n
n ,
2
2
(xi x
)
n
(xi x
)
i=1
i=1
i n nal obinem
(
)
( )
x
2
Cov 0 , 1 =
xV ar 1 =
.
n
2
(xi x
)
i=1
s2 =
(2.16)
Demonstraie.
i 0 = y 1 x
, ceea ce d, pentru orice i = 1 n:
i = yi yi = 0 + 1 xi + i 0 1 xi
= y 1 x
+ 1 xi + i y + 1 x
1 xi
n
(
)
1
= 1 1 (xi x
) + (i ) sau =
i .
n i=1
Suma ptratelor reziduurilor va deveni
1 1
n
)2
(xi x
) +
i=1
= 1 1
n
(
)
2
(i ) + 2 1 1
(xi x
) (i )
i=1
n
)2
i=1
(xi x
) +
i=1
n
i=1
(i ) + 2 1 1
n
)
i=1
(xi x
) i
2.4.
21
2
1 1
n
)
(xi x
)
i=1
n
n
n
(
)
(
)2
2
2
(xi x
) i .
(i ) + 2 1 1
= 1 1
(xi x
) +
i=1
i=1
i=1
tiind c
n
(xi x
) i
1 = 1 + i=1
n
(xi x
)
n
(
)
2
(xi x
) i = 1 1
(xi x
)
i=1
i=1
i=1
n
n
n
(
)2
(
)2
2
2
2
2i = 1 1
(xi x
) +
(i ) 2 1 1
(xi x
) ,
i=1
i=1
adic
2i =
i=1
i=1
i=1
n
(
)2
2
2
(i ) 1 1
(xi x
) .
i=1
i=1
[(
n
n
[
]
)2 ]
( 2)
2
2
E i =
E (i ) E 1 1
(xi x
)
i=1
i=1
n1
i=1
i=1
( )
2
(xi x
) V ar 1 = (n 1)2 2 = (n 2)2
i=1
( )
x
2
s2,
s20 = V ar 0 = n1 +
(x
x
)
i
i=1
( )
s2
(2.17)
s21 = V ar 1 =
,
n
(xi
x)2
i=1
(
)
x
s2
.
s201 = Cov 0 , 1 =
n
(xi
x)2
i=1
22
CAPITOLUL 2.
(2.18)
unde
SCT =
(yi y) , SCE =
i=1
)2
yi y , SCR =
2i .
i=1
i=1
Demonstraie.
(
)2
(
)
2
yi y = yi y
+ i (yi y) = yi y + 2i + 2 yi y i .
Suma total a ptratului variaiilor va dat de:
n
(yi y) =
i=1
n
n
n
(
)2
(
)
yi y +
2i + 2
yi y i .
i=1
i=1
i=1
n
n
n
n (
)
)
yi y
i =
yi i y
i =
yi i =
0 + 1 xi i
i=1
= 0
i=1
n
i=1
i + 1
i=1
i=1
xi i = 1
i=1
i=1
xi i = 1
i=1
n
(
)
xi yi 0 1 xi
i=1
i conform celei de-a doua ecuaii a sistemului (2.6), aceast sum este egal
cu zero. Deci, suma total a ptratului variaiilor poate scris n maniera
urmtoare:
n
n
n
(
)2
2
(yi y) =
yi y +
2i ,
i=1
i=1
i=1
R2 =
SCE
SCR
=1
0 R2 1.
SCT
SCT
(2.19)
2.6.
23
Demonstraie.
yi = 0 + 1 xi et y = 0 + 1 x
.
Scznd membru cu membru, obinem:
2
) .
yi y = 1 (xi x
) i (
yi y) = 12 (xi x
Deci, suma ptratelor variaiilor explicate poate scris de maniera urmtoare:
SCE =
(
yi y) = 12
i=1
(xi x
) .
i=1
(xi x
) (yi y)
i=1
SCE =
n
(xi x
)
2
n
2
(xi x
)
i=1
i=1
2
2
(yi y) n
(xi x
) (yi y)
i=1
2
i=1
=
(xi x
)
n
n
n
2
2
2 i=1
(xi x
)
(yi y)
(xi x
)
i=1
i=1
i=1
2
2
(yi y) n
i=1
2
2
2
(x
)
=
r
(yi y) = r2 SCT.
= r
i
n
2 i=1
i=1
(xi x
)
2
i=1
24
CAPITOLUL 2.
Fc =
(n 2)R2
SCE
=
1 R2
SCR
(2.20)
2
x
2 2
2
, 1 N 1 ,
.
0 N
,
+
0
n
n
n
2
2
(xi x
)
(xi x
)
i=1
i=1
t0 =
0 0
1
n
i=1
x
2
(xi
x)2
i t1 =
1
1
s
(xi
x)2
i=1
2.6.
25
t0 =
|
|
0
1
n
x
2
i t1 =
(xi
x)2
|1 |
n
(2.21)
(xi
x)2
i=1
i=1
Remarca 2. In cazul modelului liniar simplu, cele dou teste sunt echivalente,
adic, putem cu uurin demonstra c Fc = t21 i deci un singur test este necesar
i sucient.
1 2
1 3
1 4
i , 3 =
i i 4 =
.
n i=1
n i=1
n i=1 i
n
s2 =
3
4
SK =
KT
=
,
unde
s
=
s2.
(2.22)
3
4
(s)
(s)
Statistica lui Jarque i Berra este dat de:
[
]
n1
1
2
JB =
SK 2 + (KT 3)
6
4
(2.23)
s.i urmeaz o lege 2 cu dou grade de libertate. Fie riscul asumat, n general
= 0.05. 21 se citete din tabelul repartiiei lui Helmert cu dou grade de
libertate pentru riscul , sau de manier echivalent pentru probabilitatea 1.
Avem atunci:
26
CAPITOLUL 2.
s2 =
s2, SK =
n(n + 1)
(n 1)(n 2)(n 3) i=1
n
KT =
n
(n 1)(n 2) i=1
i
s
)4
i
s
)3
3(n 1)2
(n 2)(n 3)
(2.24)
(2.25)
[
]
n1
1
SK 2 + KT 2 .
6
4
(2.26)
t =
t1 + et
DW =
t=2
(
t t1 )
n
t=1
(2.28)
2t
Statistica DW ia valori n intervalul (0, 4). Ipoteza absenei autocorelaiei reziduurilor este acceptat atunci cnd valoarea acestei statistici este apropiat de
doi. Interpretarea testului Durbin-Watson este urmtoarea:
- dac valoarea calculatDW este inferioar valorii tabelate dl atunci exist
o autocorelaie pozitiv, sau > 0;
- dac valoarea calculat DW este cuprins ntre du i 4 du , atunci reziduurile nu sunt autocorelate, sau = 0;
2.7.
27
yn+1 = 0 + 1 xn+1 .
Dou tipuri de erori vor afecta previziunea fcut: prima este datorat necunoaterii lui n+1 , iar a doua incertitudinii ce exist asupra estimatorilor 0 i
1 (parametrii 0 i 1 au fost estimai fr a lua n considerare valoarea xn+1 ).
Propoziia urmtoare ne d o evaluare a erorii de previziune.
urmtoare:
E (
n+1 ) = 0,
2
= V ar (
n+1 ) = 2 n+1
n +
n+1
(xn+1
x)
n
(xi
x)2
2
(2.29)
i=1
i
n+1 =
2n+1 .
(2.30)
Demonstraie.
(
)
(
)
E (
n+1 ) = E 0 0 + E 1 1 xn+1 + E (n+1 ) = 0.
V ar (
n+1 ) = V ar (yn+1 yn+1 ) = V ar (yn+1 ) + V ar (
yn+1 ) = 2 + V ar (
yn+1 )
(
)
( )
( )
V ar (
yn+1 ) = V ar 0 + 1 xn+1 = V ar 0 + x2n+1 V ar 1
28
CAPITOLUL 2.
2 2
2
2
+ xn+1 2xn+1 x
n
n
2
2
2
(xi x
)
(xi x
)
(xi x
)
i=1
i=1
i=1
1
+2xn+1 Cov 0 , 1 =
n
n +
2
1
x
2 + x2n+1 2xn+1 x
)
= 1 + (xn+1 x
2
= 2
+
n
n
n
n
2
2
(xi x
)
(xi x
)
i=1
i=1
yi = 0 + 1 xi + yi y = 1 (xi x
) +
sau
yi = 0 + 1 xi +
Dac notm
yi = yi y sau yi =
yi y
sx xi x
= 1
+
.
sy
sy sx
sy
yi y
xi x
, x
i = xi x
sau x
i =
sy
sx
i = i sau i =
sx
i 1 = 1 ,
sy
sy
yi x
i
i=1
.
n
x
2i
i=1
2.9.
29
EXEMPLE.
2.9 Exemple.
Exemplul 1.
Tara
AUS
AUT
BEL
CAN
DNK
FIN
FRA
GER
ITA
NLD
NOR
ESP
CHE
SWE
GBR
USA
26512.23
27892.19
27175.94
27630.41
37065.99
29043.77
28043.06
26467.10
24340.41
29746.41
49719.41
20671.71
40634.60
31658.03
33531.79
37489.81
35232.59
39501.45
37511.16
36182.91
49554.91
40712.85
34982.13
36009.62
31263.49
41877.42
67804.55
27136.09
54897.82
43649.96
40027.05
43635.59
1. Cea mai bun manier de a verica dac exist o relaie liniar ntre
cele dou variabile este de a evalua coecientul de corelaie. Utiliznd
datele din tabelul de mai sus i relaia (2.2) obinem r = 0.9677 i cum r
este foarte aproape de unu putem arma c exist o relaie liniar foarte
puternic ntre cele dou variabile i c ele variaz n acelai sens. Valoarea
coecientului de determinaie, dat de relaia R2 = r2 este egal cu 0.9364.
Putem deci arma c 93.64% din variaia lui y este explicat prin modelul
liniar, adic prin variaia lui x.
2. Aplicarea relaiilor (2.5) ne permit s obinem: 0 = 1688.3 i 1 = 0.7131
i deci funcia de consum a lui Keynes este dat de: C = 0.7131Y +
30
CAPITOLUL 2.
2.9.
31
EXEMPLE.
Exemplul 2.
An
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
22575.6
23173.4
23086.6
23495.5
23873.4
24128.6
24293.6
24659.4
25161.1
25636.1
25881.4
25810.1
25868.2
25923.3
26001.2
26384.3
26467.1
29113.2
29445.1
28959.0
29572.1
29979.8
30129.5
30608.1
31173.3
31736.0
32662.1
33101.0
33048.8
32906.5
33295.8
33542.8
34823.1
36009.6
De aceast dat vom prezenta mai schematic analiza statistic. Rezultatele sunt
urmtoarele:
1. Coecientul de corelaie este egal cu 0.9606 i cum el este foarte aproape
de unu, putem arma c exist o puternic legtur liniar ntre cele
dou variabile i c ele variaz n acelai sens. Valoarea coecientului de
determinaie este egal cu 0.9227. Putem deci arma c 93.27% din variaia
lui y este explicat prin modelul liniar, adic prin variaia lui x.
2. 0 = 6408.8 i 1 = 0.5804 iar funcia Keynesian a consumului este dat
de: C = 0.5804Y + 6408.8. Astfel, putem arma c 58.04% din creterea
venitului este consacrat consumului i c partea autonom a acestuia este
egal cu 6408.8.
3. SCT = 25942234, SCE = 23936204 i SCR = 2006029. Valoarea calculat este Fc = 178.98, iar F1 se citete din tabelul repartiiei lui
Fisher cu un grad de libertate la numrtor i 15 grade de libertate la
numitor pentru riscul = 0.05 i aceast valoare este egal cu 4.54. Cum
Fc > F0.95 , putem arma c 1 este diferit de zero, adic venitul disponibil
inueneaz de manier determinant consumul gospodriilor.
( )
( )
(
)
4. V ar 0 = 1907529, V ar 1 = 0.001882, Cov 0 , 1 = 10702 i
32
CAPITOLUL 2.
Capitolul 3
Modelul liniar de k + 1
variabile
3.1 Dependena ntre mai multe variabile
Modelul liniar de k + 1 variabile, sau modelul de regresie liniar multipl este o
generalizare a modelului liniar de dou variabile, destinat a studia dependena
ntre mai multe fenomene a cror msur se efectueaz cu ajutorul variabilelor
notate Y i (X1 , X2 , , Xk ). Vom seleciona, printr-un procedeu presupus
aleator, n indivizi dintr-o populaie, i, pentru ecare vom introduce (k + 1)upletul de variabile msurnd k + 1 fenomene studiate: pentru individul i,
notm acest (k +1)-uplet (Yi , X1i , X2i , , Xki ). Utiliznd convenia de notaie
ce distinge variabilele de realizarile lor, vom nota (yi , x1i , x2i , , xki ) (k + 1)upletul valorilor observate. Aa cum am explicat deja pentru cazul modelului de
dou variabile, dac dorim s modelm o relaie de form liniar ntre o variabil
endogen i k variabile exogene, trebuie ncorporat n modelul reinut faptul
c nivelul variabilei endogene nu este exclusiv determinat de cele k variabile
exogene. Maniera simpl de a completa ecare din aceste relaii consta n a
introduce termenii notai {1 , 2 , , n } astfel
(3.1)
34
CAPITOLUL 3.
MODELUL LINIAR DE
K +1
VARIABILE
(3.2)
H2. Variabilele exogene sunt mutual independente sau, n ali termeni, admitem absena coliniaritii ntre variabilele exogene.
Cov (xji , xli ) = 0, pentru orice j, l = 1 k, l = j, i = 1 n.
3.3.
35
H3. Media condiional a lui i tiind c X1i = x1i , X2i = x2i , , Xki = xki ,
este nul.
E [i / {Xji = xji , j = 1 k}] = 0, i = 1 n.
H4. Variana condiional a lui i tiind c X1i = x1i , X2i = x2i , , Xki =
xki , este constant.
V ar [i / {Xji = xji , j = 1 k}] = 2 , i = 1 n.
(3.3)
36
CAPITOLUL 3.
MODELUL LINIAR DE
K +1
VARIABILE
reale (0 , 1 , , k ) pentru care suma ecarturilor este cea mai mic revine la
a minimiza funcia S = S (0 , 1 , , k ) denit prin:
S=
2i =
i=1
yi
i=1
2
j xji , unde x0i = 1, i = 1 n
(3.4)
j=0
ecuaie matricial:
(3.5)
Y = X +
unde:
- Y este un vector cunoscut, de dimensiune n,
- X este o matrice cunoscut, de dimensiune (n k + 1),
- este vectorul parametrilor necunoscui ai modelului, de dimensiune k +1,
- este vectorul reziduurilor necunoscute, de dimensiune n,
y1
1 x11
y2
1 x12
Y = . ,X = .
..
..
..
.
yn
1 x1n
x21
x22
x2n
..
.
xk1
0
1
xk2
.. , = ..
.
.
xkn
k
, = .. .
.
n
(
)
T
S() = T = (Y X) (Y X) = Y T Y 2Y T X + T X T X , (3.6)
unde X T este matricea transpus a matricii X .
Aceast funcie este continu i derivabil n raport cu ecare din elementele
vectorului = (0 , 1 , , k ) i minimizarea sa face apel la derivatele pariale
de ordinul nti i doi.
(
)1 T
= X T X
X Y
(3.7)
Demonstraie.
(
)
(3.8)
3.4.
37
crui componente sunt derivatele pariale de ordinul nti) este nul. Aceasta se
scrie
[(
]
)
S ( )
S () =
= 0 2 X T X X T Y = 0
(3.9)
(
)
(
)1 T
X T X = X T Y = X T X
X Y,
( T )
deoarece matricea X X este inversabil. Multiplicnd cu X relaia de mai
sus obinem
(
)1 T
Y = X = X X T X
X Y
i astfel demonstraia este complet.
{[
( )
( )] [
( )]T }
V ar = E E
E
.
(3.10)
Propoziia
9. Vectorul obinut prin metoda M CM P este nedeplasat, adic
( )
E = , iar matricea sa de varian-covarian este:
( ) (
)1 2
V ar = X T X
.
Demonstraie.
scriem:
(3.11)
( )
[(
[(
]
)1 T ]
)1 T
E = E X T X
X Y = E XT X
X (X + )
(
)1 ( T )
(
)1 T
= XT X
X X + XT X
X E () =
38
CAPITOLUL 3.
=E
K +1
VARIABILE
{[
] [(
]T }
( T )1 T
)1 T
X X
X (X + )
XT X
X (X + )
.
=E
=E
MODELUL LINIAR DE
[(
XT X
)1
{[
(
X X
)1
}
] [(
)1 T ]T
T
X X
X
X
T
(
)1 ] ( T )1 T
(
)1
X T T X X T X
= X X
X V ar () X X T X
(
)1 2
= XT X
deoarece
(
)
E T = V ar() I
1
2 .
n k 1 i=1 i
n
s2 =
(3.12)
(
)T (
)
2i = T = Y Y
Y Y .
i=1
(
)1 T
M = I X XT X
X
ne permit s scriem
[
(
)1 T ]
(
)1 T
X Y
X Y = I X XT X
= Y Y = Y X X T X
[
(
)1 T ]
X X + M = M
= M (X + ) = M X + M = X X X T X
i deci obinem
i=1
2i = T M M T = T M 2 = T M
3.5.
39
ANALIZA VARIANEI
(
)
[ (
)]
[ (
)]
2
E
i = E T M = E T r T M = T r E T M
i=1
(
)1 T
= 2 T r (M ) = 2 T r (I P ) = 2 (n k 1), P = X X T X
X ,
unde I este matricea identitate de ordinul n, T r este suma numrului de elemente situate pe diagonala principal a matricii, iar P este o matrice de ordinul
k + 1. Ultima egalitate rezult din urmtoarele dou proprieti.
- Media unei matrici a crei elemente sunt variabile aleatoare este matricea
mediilor acestora;
- Media este un operator liniar.
(3.13)
)1
(3.14)
unde
SCT =
i=1
Demonstraie.
(yi y) , SCE =
(
i=1
)2
yi y , SCR =
2i .
i=1
Utiliznd faptul c i = 1 n, yi = yi + i si ca y
= y obinem:
(
)
(
)2
2
yi y = yi y
+ i (yi y) = yi y + 2i + 2 yi y i .
40
CAPITOLUL 3.
MODELUL LINIAR DE
K +1
VARIABILE
(yi y) =
i=1
n
n
n
(
)
(
)2
yi y i .
yi y +
2i + 2
i=1
i=1
i=1
(3.16)
unde Y este un vector, ale crui componente sunt egale cu y. Ultimul termen
din partea dreapt a acestei ecuaii mai poate scris:
(
)T
Y Y
= Y T Y T = Y T
deoarece
Y T = y
i = 0.
i=1
= T
[(
]
)
X T X X T Y = 0.
Acest rezultat este o consecin imediata a ecuaiei (3.9) i deci ultimul termen
al ecuaiei (3.16) este egal cu zero i astfel demonstraia este complet.
In aceeai manier ca i pentru cazul modelului liniar de dou variabile,
graie ecuaiei analizei varianei, putem deni coecientul de determinaie ce
msoar procentajul din variaia lui y explicat prin modelul liniar de k + 1
variabile. El este dat de:
R2 =
SCE
SCR
=1
0 R2 1.
SCT
SCT
(3.17)
Ra2 = 1
)
n1 (
1 R2 .
nk1
(3.18)
3.6.
K +1
41
VARIABILE
H0 : 1 = 2 = = k = 0
sau
H1 : ! j = 0, j = 1, 2, , k.
Fc =
n k 1 R2
,
k
1 R2
(3.19)
42
CAPITOLUL 3.
MODELUL LINIAR DE
K +1
VARIABILE
tj =
j
j
, j = 0 k,
s Cj+1,j+1
tj =
|
|
j
, j = 0 k.
s Cj+1,j+1
(3.20)
Fie riscul asumat, n general = 0.05. t1 2 se citete din tabelul repartiiei Student cu n k 1 grade de libertate pentru riscul , sau de manier
echivalent, pentru probabilitatea 1 . Atunci avem:
- dac tj < t1 2 , atunci admitem ipoteza c parametrul j este egal cu
zero i deci variabila exogen xj nu inueneaza variabila endogen y ;
- dac tj > t1 2 , atunci parametrul j este diferit de zero adic, variabila
exogen xj inueneaza variabila endogen y .
Celelalte dou teste statistice prezentate n partea rezervat modelului liniar
de dou variabile, adic testul Jarque-Berra i testul Durbin-Watson, au aceeai
utilitate, i deci nu vor reprezentate aici. Singura diferen existent const n
calculul estimatorului varianei reziduale. Relaia ce trebuie utilizat aici este
dat prin ecuaia (3.12).
3.8.
43
urmtoare:
{
E (
n+1 ) = 0,
[
]
( T )1
T
2n+1 = V ar (
n+1 ) = 2 1 + Xn+1
X X
Xn+1
i
n+1 =
2n+1 .
(3.21)
(3.22)
Demonstraie.
[
(
)
]
[
( )]
T
T
+ n+1 = Xn+1
E + E (n+1 ) = 0.
= E Xn+1
Altfel spus, n medie, estimatorul este corect. S calculm acum variana erorii
de previziune. Deoarece depinde doar de variabilele aleatoare (i , i = 1 n),
cu care n+1 nu este corelat, rezult c:
[
(
)
]
( )
T
T
V ar (
n+1 ) = V ar Xn+1
+ n+1 = 2 + Xn+1
V ar Xn+1
[
]
( T )1
T
= 2 1 + Xn+1
X X
Xn+1
i deci obinem V ar (
n+1 ) dat de ecuaia (3.22). Variana 2 este necunoscut
i deci ea trebuie nlocuit prin estimatorul su dat de relaia (3.12). In ne,
ca i pentru modelul liniar de dou variabile, putem demonstra c aceast incertitudine este minimal n centrul de gravitaie al variabilelor exogene, adic
T
= [
=X
x1 , x
2 , , x
k ]. Astfel, variana crete odat ce Xn+1
atunci cnd Xn+1
y = 0 + 1 x
1 + 2 x
2 + + k x
k + .
44
CAPITOLUL 3.
MODELUL LINIAR DE
K +1
VARIABILE
yi =
yi y
xji x
j
et x
ji =
.
a
bj
(3.23)
1
1
2
(xji x
j ) , sj = s2j , x
j =
xji ,
n 1 i=1
n i=1
n
s2j =
1
2
(yi y) , sy = s2y .
n 1 i=1
n
s2y =
yi = yi y i x
ji = xji x
j .
Dac notm ui = i i observnd c E (ui ) = 0, atunci modelul liniar
poate scris
yi = 1 x
1i + 2 x
2i + + k x
ki + ui
(3.24)
4. Ecuaia de mai sus ne permite s claricm faptul c nu este n mod
necesar egal cu zero. Printre consecinele aplicrii metodei M CO avem
= 0 = 0 =
y
= y = 0 i u
i astfel este clar c nu este n mod necesar egal cu zero.
5. Pentru simplicarea scrierii dar i pentru a facilita calculele, vom adopta
notaia matricial i astfel obinem modelul liniar urmtor
+ U,
Y = X
unde, de data aceasta, componentele vectorului sunt 1 , 2 , , k .
3.8.
45
T Y i 0 = y 1 x
T X
1 2 x
2 k x
k .
(3.25)
X
= X
Demonstraie.
T X
.
S() = U T U = Y X
Y X
= Y T Y 2Y T X+
X
[(
)
]
S
T X
X
T Y = 0.
() = 0 2 X
(3.26)
yi2 =
i=1
i2 +
y
i=1
u
2i
i=1
(yi y) =
i=1
n
n
(
)2
yi y +
u
2i . (3.27)
i=1
i=1
Demonstraie.
yi y
= y
i y u
i yi = yi u
i
n
yi2
i=1
i=1
yi2 +
u
2i
i=1
yi u
i .
i=1
y
i u
i =
1 x
1i + 2 x
2i + + k x
ki u
i
i=1
i=1
n [
][
]
=
1 x
1i + 2 x
2i + + k x
ki yi 1 x
1i 2 x
2i k x
ki
i=1
care este de fapt prima ecuaie a sistemului (3.26), i deci este egal cu
n
s2u =
n
1 2
nk1 2
s
u
s2u =
n k i=1 i
n k
(3.28)
Aplicarea modelului cu variabile centrate are drept consecin esenial reducerea dimensiunii matricilor. In cazul nostru, obinem matrici de ordinul k n loc
de matrici de ordinul k + 1.
46
CAPITOLUL 3.
MODELUL LINIAR DE
K +1
VARIABILE
3.9 Exemple
Exemplul 3.
Un studiu statistic a fost efectuat de ctre asociaia productorilor de ampanie a crui scop este de a pune n eviden principalii factori care
inueneaz consumul acesteia. Printre variabilele exogene considerate, au fost
alese urmtoarele: venitul pe o persoan, preul buteliei de ampanie i preul
unei buteli de aperitiv, toate exprimate n Euro, iar ca variabil endogen a
fost considerat consumul de ampanie pe o persoan. Datele sunt prezentate
n tabelul de mai jos.
142.53
138.73
140.00
145.39
151.74
165.39
172.38
159.04
161.26
175.55
182.53
190.47
195.42
210.47
227.93
239.04
243.80
X1
87.02
89.11
91.47
94.03
97.60
101.71
105.50
106.16
108.01
111.91
116.64
123.04
128.08
135.36
139.76
145.03
150.53
X2
76.60
80.65
86.76
85.35
84.11
81.74
80.95
91.73
96.46
95.41
96.16
98.40
99.10
99.30
97.84
95.96
104.27
X3
83.60
82.91
76.97
73.20
65.08
69.20
75.60
69.54
66.80
71.25
83.02
98.91
101.23
121.42
133.31
146.91
160.62
Studii statistice preliminare au sugerat o dependen liniar ntre aceste variabile i n consecin, modelul ales a fost unul liniar de patru variabile, de
forma:
y = 0 + 1 x1 + 2 x2 + 3 x3 + .
Aplicarea metodei M CO pentru cazul modelului liniar de mai multe variabile
a produs rezultatele urmtoare:
a. 0 = 43.212, 1 = 1.965, 2 = 1.014 i 3 = 0.053, adic, modelul
descriind consumul de ampanie n funcie de cele trei variabile este:
3.9.
EXEMPLE
47
libertate, semnic faptul c, cel puin una din cele trei variabile exogene
considerate are o inuen determinant asupra variabile endogene y .
d. Cele patru valori ale statisticilor testului Student sunt: t0 = 4.39, t1 =
15.01, t2 = 5.16, t3 = 0.91. Valoarea t0.975 este citit din tabelul repartiiei Student cu 13 grade de libertate pentru un risc = 0.05 i este
egal cu 2.16. Observm c t0 , t1 i t2 sunt superioare lui t0.975 i deci
variabilele x1 i x2 au o inuen determinant asupra variabilei endogene
y . Din contr, t3 < t0.975 i deci aici putem concluziona c efectul variabilei x3 asupra variabilei endogene y este neglijabil. Sau, n ali termeni,
preul aperitivului nu inueneaz de manier semnicativ consumul de
ampanie. In aceste condiii, variabila respectiv trebuie eliminat din
model.
e. Vom proceda la reestimarea parametrilor modelului, de data aceasta considernd doar cele trei variabile, iar rezultatele obinute sunt urmtoarele: 0 = 44.907, 1 = 2.066 i 2 = 1.103 adic, modelul descriind consumul de ampanie n funcie de variabilele considerate este:
y = 44.907 + 2.066x1 1.103x2 . Prezena termenului 0 poate explicat prin faptul c ampania este un produs tradiional n Frana, i deci
o cantitate din consumul acesteia, zis autonom, exist ntotdeauna i ea
nu este semnicativ inuenat nici de venit i nici de preul buteliei de
ampanie.
f. O alt observaie este de asemenea important a subliniat i anume:
ariaia venitului va determina o variaie n acelai sens a consumului de
ampanie. Din contr, variaia preului buteliei de ampanie va urmat
de o variaie n sens contrar a consumului de ampanie.
g. Coecientul de determinaie R2 = 0.994, semnic faptul c 99.4% din
variaia variabilei endogene y este determinat de variaiile variabilelor
exogene. Coecientul de determinaie ajustat este Ra2 = 0.993.
h. Statistica lui Fisher Fc = 1104.163, ind net superioar valorii date de
tabelul repatiiei lui Fisher Ft = 3.74, pentru riscul = 0.05 i (2, 14)
grade de libertate, semnic faptul c cel puin una din variabilele exogene
considerate are o inuen determinant asupra variabilei endogene y .
i. Cele trei valori ale statisticilor testului Student sunt: t0 = 4.68, t1 =
29.69, t2 = 6.53. Valoarea t0.975 se citete din tabelul repartiiei Student
cu 14 grade de libertate i un risc = 0.05 i este egal cu 2.15. Observm
c t0 , t1 i t2 sunt superioare lui t0.975 i deci variabilele x1 i x2 au
o inuen determinant asupra variabilei endogene y . In ali termeni,
putem arma c nivelul consumului de ampanie este puternic inuenat
att de nivelul venitului ct i de preul buteliei de ampanie.
j. Un estimator nedeplasat al varianei variabilei reziduale, determinat cu
ajutorul relaiei (3.12) este s2 = 8.505 al crui ecart tip este s = 2.916.
48
CAPITOLUL 3.
MODELUL LINIAR DE
K +1
VARIABILE
10.82730
0.04320 0.17180
0.00057 0.00120 .
C = 0.04320
0.17180 0.00120 0.00336
Utiliznd relaiile (3.13) i (3.14) obinem:
( )
s20 = V ar 0 = 10.82730 8.505 = 92.0888 s0 = 9.5963,
( )
s21 = V ar 1 = 0.00057 8.505 = 0.00484 s1 = 0.0696,
( )
s22 = V ar 2 = 0.00336 8.505 = 0.028542 s2 = 0.1689,
(
)
s201 = Cov 0 , 1 = 0.0432 8.505 = 0.367389,
(
)
s202 = Cov 0 , 2 = 0.1718 8.505 = 1.461461,
(
)
s212 = Cov 1 , 2 = 0.0012 8.505 = 0.01001.
(
)
Putem cu usurin observa c valoarea covarianei 0 , 1 este pozitiv
(
) (
)
i c celelalte dou covariane 0 , 2 i 1 , 2 sunt ambele negative.
Semnicaia este urmtoarea: parametrii 0 si 1 pot n acelai timp e
subestimai, e supraestimai, dar, din contr, parametrii 0 i 1 nu pot
, n acelai timp nici subestimai i nici supraestimai, cu parametrul 2 .
k. In ne, ultimul test necesar pentru a naliza analiza noastr, este testul
privind normalitatea reziduurilor. Relaiile (2.24), (2.25) i (2.26) ne furnizeaz rezultatele urmtoare: SK = 0.325, KT = 2.456 i JB = 4.302.
Valoarea 20.95 se citete din tabelul repartiiei lui Helmert cu dou grade
de libertate, cu riscul = 0.05 i este egal cu 5.99. Deci, deoarece
JB < 20.95 , putem concluziona c reziduurile sunt normal distribuite.
l. S presupunem acum c trebuie s previzionm consumul de ampanie
pentru urmtoarele valori ale venitului i ale preului buteliei de ampanie:
x1 = 120, x2 = 90 i x1 = 140, x2 = 100. Utiliznd parametrii estimai,
aceste valori sunt:
( T )1
T
W = Xn+1
Xn+1 .
X X
3.9.
49
EXEMPLE
10983
(
)1 [ 0.00057 0.0012 ]
T Y =
T X
X
=
i X
0.0012 0.00336
3541
i n nal rezult deci aceeai estimatori 1 = 2.066 i 2 = 1.103.
Valoarea estimatorului 0 se obine cu ajutorul relaiei
0 = y 1 x
1 2 x
2 = 178.92 2.066 113.59 + 1.103 91.22 = 44.907.
n. Coecientul de determinaie i coecientul de determinaie ajustat nu s-au
schimbat: R2 = 0.994 i Ra2 = 0.993.
o. Statistica lui Fisher Fc = 1183.03, ind net superioar valorii tabelare dat
de repartiia Fisher Ft = 3.74, pentru un risc = 0.05 i (2, 15) grade de
libertate, semnic faptul c cel puin una din variabilele exogene are o
inuen major asupra variabilei endogene y .
p. Cele dou valori ale statisticilor testului Student sunt: t1 = 30.73 i t2 =
6.76. Valoarea t0.975 se citete din tabelul repartiiei Student cu 15 grade
de libertate pentru riscul = 0.05 i este egal cu 2.13. Observm c
t1 i t2 sunt ambele superioare lui t0.975 i deci variabilele x
1 i x
2 au o
inuen determinant asupra variabilei endogene y.
q. Un estimator nedeplasat al varianei variabilei reziduale, determinat cu
ajutorul relaiei (3.28) este s2u = 7.938 a crui ecart tip este su = 2.817.
Observm c aceast valoare este inferioar valorii determinate utiliznd
variabile necentrate. Varianele parametrilor vor determinate dup cum
urmeaz:
50
CAPITOLUL 3.
MODELUL LINIAR DE
K +1
VARIABILE
Capitolul 4
Modele neliniare
4.1 Introducere
De civa ani, modelarea neliniar a modicat profund abordrile econometriei
aplicate, att n macro i microeconomie ct i n nane. Aa cum am armat
deja n capitolul consacrat modelului liniar de dou variabile, relaiile de dependen n economie nu sunt n mod necesar liniare. Numeroase exemple conrm
aceast armaie. Printre relaiile cele mai cunoscute de dependen neliniar
putem remarca funciile de producie. Uneori tim c relaia de dependen
ntre dou sau mai multe variabile nu este liniar, e pentru c avem cunotine
prealabile asupra problemei examinate, e pentru c putem constata aceasta
cu ajutorul gracelor. Suntem atunci confruntai cu o dubl problem: de a
determina forma relaiei, adic funcia ce leag variabila endogen de variabilele
exogene i de a estima parametrii necunoscui utiliznd datele disponibile. Cele
dou probleme sunt mai mult dect complicate.
Nu vom insista aici asupra manierei de rezolvare a primei probleme. Acest
rspuns nu poate dat de ctre econometrie, ci ma degrab de cunotinele sau
intuiia noastr asupra fenomenului studiat. Parametrii unui model liniar pot
direct estimai cu ajutorul metodei celor mai mici ptrate, aa cum am putut
constata n cele dou capitole precedente. Aceast abordare nu este ntotdeauna
posibil pentru modelele neliniare. Din fericire, pentru cea de-a doua problem,
econometria poate avea rspunsuri relativ simple dar, doar pentru anumite situaii cnd funciile neliniare pot liniarizate. In general, dac printr-o anumit
transformare este posibil s convertim un model neliniar n unul liniar, atunci
estimarea parametrilor devine posibil. Exemplul cel mai cunoscut n acest sens
este cel al estimrii parametrilor unei funcii de producie.
Seciunea urmtoare va consacrat studiului ctorva modele neliniare care
pot liniarizate prin anumite transformri.
51
52
CAPITOLUL 4.
MODELE NELINIARE
Yi = AXi ei , unde =
dY
Y
dX
X
(4.1)
yi = + xi + i .
In acest fel, cu ajutorul metodei M CM P , putem obine cu uurin estimatorii
parametrilor i .
2. Modelul exponenial.
este denita astfel
Yi = e+xi +i , unde =
dY
Y
.
(4.3)
dx
Parametrul a unui astfel de model, este o semi-elasticitate. El reprezint
variaia, n procente a variabile endogene Y n raport cu o variaie de o unitate
a variabilei exogene x. Deoarece aceste semi-elasticiti depind de unitile de
msura ale variabilei exogene, ele nu sunt direct comparabile, utiliznd diverse
variabile exogene. Acest tip de model este n principal utilizat n macroeconomie
pentru a modela ratele de cretere stabile i, n aceste condiii variabila exogen
x corespunde timpului. Relaia de mai sus poate deasemenea liniarizat prin
logaritmare.
ln (Yi ) = + xi + i .
(4.4)
Dac notm yi = ln (Yi ), atunci obinem urmtorul model liniar de dou variabile
yi = + xi + i ,
i, precum n cazul precedent, putem obine estimatorii parametrilor i cu
ajutorul metodei M CM P .
3. Modelul logaritmic.
In cazul modelului logaritmic, variaia variabilei endogene y este proporional cu rata de variaie a variabilei exogene X . In aceste
condiii, parametrul al acestui model este deasemenea o semi-elasticitate, iar
modelul este denit de maniera urmtoare:
yi = + ln (Xi ) + i , unde =
dy
dX
X
(4.5)
4.2.
53
Dac notm xi = ln (Xi ), atunci obinem din nou un model liniar de dou
variabile, i anume
yi = + xi + i ,
iar estimatorii parametrilor i pot obinui cu ajutorul metodei celor mai
mici ptrate. Modelul logaritmic este arhetipul traiectoriei care se epuizeaz
lent (cresctor sau descresctor) i este utilizat pentru a pune n eviden, de
exemplu, relaia existent ntre salariu i vechimea n munc sau ntre valoarea
vnzrilor i cheltuielile de publicitate.
4. Modelul logistic. Cele trei modele neliniare propuse mai sus au ca proprietate comun faptul c sunt de concavitate constant. In anumite situaii,
traiectoriile fenomenelor pot succesiv convexe i concave, n funcie de vitezele
lor de variaie, ce pot diferite. De exemplu, pentru vnzrile unui produs, pe
parcursul duratei lui de via, putem distinge trei faze. Faza de debut, unde
produsul este puin cunoscut i deci vnzarile progreseaz lent, faza de cretere,
posibil de manier accelerat, unde produsul cunoate o cerere substanial pe
pia i, n ne faza de declin unde piaa devine saturat. Modelul logistic este
denit astfel:
Ymax + Ymin e+xi +i
Yi =
.
(4.6)
1 + e+xi
In general, valorile Ymin i Ymax sunt furnizate prin cunoterea fenomenului, iar
de nu ele pot estimate cu ajutorul datelor statistice. Relaia de mai sus poate
scris de maniera urmtoare:
(
)
Ymax Yi
ln
= + xi + i ,
Yi Ymin
Dac notm:
(
yi = ln
Ymax Yi
Yi Ymin
)
,
yi = + xi + i ,
iar estimatorii parametrilor i pot obinui cu ajutorul metodei celor mai
mici ptrate.
Modelele prezentate mai sus sunt interesante deoarece ele corespund unor
fenomene economice bine cunoscute. Alte modele neliniare sunt de asemenea
posibil de a considerate pentru a pune n eviden relaii ntre diverse fenomene
din economie, precum modelul numit i de tip putere y = axb , sau modelul
numit i hiperbolic y = a + xb , iar transformarea lor ntr-un model liniar se face
de manier foarte simpl i deci nu vor prezentatate aici. Mai mult, aplicaiile
fcnd apel la aceste modele sunt relativ restrnse.
Analiza statistic a modelelor neliniare prezentate n aceast prima parte a
capitolului este similar modelelor liniare de dou variabile dar, totui, anumite
circumstane particulare le difereniaz. Faptul c scara ortogonal a fost nlocuit cu cea logaritmic sau semi-logaritmic, nu ne permite s interpretm
54
CAPITOLUL 4.
MODELE NELINIARE
de aceeai manier diferitele elemente de analiz statistic, n primul rnd coecientul de corelaie i cel de determinaie. Calculul acestor coecieni este
absolut necesar pentru a justica dependena liniar, dar interpretarea se face
n funcie de scara aleas. Mai mult, aceste limite de interpretare vin, n primul rnd din faptul c noi suntem familiarizai de a judeca aceste relaii ntre
variabile, mai degrab utiliznd scara ortogonal dect cea logaritmic. Pentru
a evita diversele particulariti de interpretare, preferm s prezentm detaliat
analiza statistic considernd dou exemple de utilizare a modelelor neliniare.
4.3 Exemple.
1. Exemplu de model logaritmic.
344.0
352.5
359.4
365.5
371.5
376.2
378.5
381.4
385.2
387.5
389.1
392.2
394.2
396.7
398.3
399.6
400.9
401.8
402.6
402.8
15.4
17.6
18.3
18.8
18.8
19.0
19.3
21.8
22.1
22.4
23.5
25.8
27.4
29.6
32.2
36.6
38.8
41.5
43.8
45.7
x = ln(X)
2.7344
2.8679
2.9069
2.9339
2.9339
2.9444
2.9601
3.0819
3.0956
3.1091
3.1570
3.2504
3.3105
3.3878
3.4720
3.6000
3.6584
3.7257
3.7796
3.8221
4.3.
55
EXEMPLE.
= 233.78 i = 46.41
i deci funcia vnzrilor este dat de:
56
CAPITOLUL 4.
MODELE NELINIARE
45, 61, 81, 106, 134, 166, 200, 237, 275, 315, 355,
395, 435, 474, 510, 545, 578, 607, 624, 634.
Rezultatele analizei statistice sunt urmtoarele.
1. In cazul de fa, Ymin = 0, telefoanele portabile nu au existat din totdeauna, ele au aprut la un moment dat t, iar Ymax = 800 prin analogie cu
un produs similar deja cunoscut. Aceste informaii permit simplicarea
modelului al cror parametrii, i vor trebui estimai.
(
)
Ymax
yi = ln
1 = + ti + i , t1 = 1, t2 = 2, , t20 = 20.
Yi
2. De aceast dat este dicil de a interpreta coecientul de corelaie, prin
natura complicat a variabilei yi . Coecientul de determinaie, egal cu
0.989, sugereaz existena unui model liniar de excelent calitate. Modelul
liniar este evident semnicativ avnd n vedere valoarea lui Fc = 1664.9.
3. Aplicarea metodei celor mai mici ptrate furnizeaz urmtorii estimatori:
= 2.7449 i = 0.2184 i deci modelul se scrie:
(
)
Ymax
yi = ln
1 = 2.7449 0.2184ti + i .
Yi
4. Relaiile (2.21) produc urmtoarele valori: t = 42.81 i t = 40.80.
Valoarea t0.975 se citete din tabelul repartiiei Student cu 18 grade de
libertate pentru riscul = 0.05 i este egal cu 2.101. Observm c
t > t0.975 i t > t0.975 i astfel putem arma c cei doi parametrii sunt
semnicativ diferii de zero.
5. S incercm acum s vedem care ar numrul de telefoane portabile ce
vor vandute n anul 2008. Pentru a face aceasta, aplicm direct modelul
i obinem:
(
)
Ymax
y2008 = ln
1 = 2.7449 0.2184 21 = 1.8418 x2008 = 691.
Y2008
4.5.
57
Y = AK L ,
unde Y este producia observat, L este fora de munc i K este capitalul zic
iar coecienii i pot interpretai ca ind elasticitatea lui Y n raport cu
K i elasticitatea lui Y n raport cu L. Alternativa econometric a modelului
este
i
Yi = AKi L
i e , i = 1, 2, , n
Acest model este echivalentul unui model liniar de trei variabile, exprimat la
scar logaritmic:
ln Yi = ln A + ln Ki + ln Li + i .
Dac notm = ln A, yi = ln Yi , xi = ln Ki i zi = ln Li , atunci obinem
urmtorul model liniar de trei variabile:
yi = + xi + zi + i ,
i astfel putem determina estimatorii parametrilor , i cu ajutorul metodei
celor mai mici ptrate.
58
CAPITOLUL 4.
58985
59734
58698
62084
71285
74284
75481
81366
81833
83097
88562
79817
73021
60665
57772
65041
74221
83278
90884
83743
91530
101313
116415
127434
136274
146470
145052
140288
142022
149895
147122
163260
173398
178864
186264
184482
200993
205730
210125
205700
221385
227593
20943
18983
21668
21087
24050
24497
25352
26559
26428
25181
29427
27671
23718
24032
20917
23065
26045
29757
30959
27750
31678
36216
43888
45307
46722
48528
45564
43894
46448
49671
47844
59269
59714
56854
58002
56132
66006
65596
65442
61807
69956
70504
38088
40687
37015
41071
47229
49736
50117
54777
55365
55036
59138
52141
49295
36559
36871
41972
48197
53528
59960
56016
59804
65110
72492
82109
89640
97821
99476
96478
95569
100088
99204
103965
113604
122199
128304
128161
134835
140132
144769
143756
151481
157305
MODELE NELINIARE
y = ln Y x = ln K z = ln L
10.9850
10.9977
10.9802
11.0362
11.1744
11.2157
11.2316
11.3067
11.3124
11.3278
11.3915
11.2875
11.1985
11.0131
10.9643
11.0828
11.2148
11.3299
11.4173
11.3355
11.4244
11.5260
11.6649
11.755 4
11.8224
11.8946
11.8848
11.8515
11.8637
11.9177
11.8990
12.0031
12.0633
12.0944
12.1349
12.1253
12.2110
12.2343
12.2555
12.2342
12.3077
12.3353
9.9496
9.8513
9.9836
9.9564
10.0879
10.1063
10.1406
10.1871
10.1822
10.1339
10.2897
10.2281
10.0740
10.0871
9.9483
10.0461
10.1676
10.3008
10.3404
10.2310
10.3634
10.4973
10.6894
10.7212
10.7520
10.7899
10.7269
10.6895
10.7461
10.8132
10.7757
10.9898
10.9973
10.9482
10.9682
10.9355
11.0975
11.0913
11.0889
11.0318
11.1556
11.1634
10.5477
10.6137
10.5191
10.6231
10.7628
10.8145
10.8221
10.9110
10.9217
10.9158
10.9876
10.8617
10.8056
10.5067
10.5152
10.6448
10.7830
10.8880
11.0014
10.9334
10.9988
11.0838
11.1912
11.3158
11.4036
11.4909
11.5077
11.4771
11.4676
11.5138
11.5049
11.5518
11.6405
11.7134
11.7622
11.7610
11.8118
11.8503
11.8829
11.8759
11.9282
11.9659
4.5.
59
60
CAPITOLUL 4.
MODELE NELINIARE
=
X X
i X Y =
3.7211 3.39392
8.55492
i n cele din urm obinem aceeai estimatori
= 0.3251 i
= 0.6723.
Valoarea estimatorului rezult din relaia
= y x
Capitolul 5
Serii temporale
5.1 Introducere
Teoria seriilor temporale abordat n acest capitol este aplicat n zilele noastre
n domenii extrem de diverse. Suntem interesai de evoluia unui fenomen de-a
lungul timpului cu scopul de a-l descrie, explica i apoi pentru a-i previziona
valorile viitoare. Pentru aceasta dispunem de observaii la diverse momente de
timp, adic de un ir de valori numerice indexate temporal. Putem s avem n
vedere de exemplu, variaiile relative lunare ale indicelui preurilor, sau evoluia
numrului de persoane ce utilizeaz transportul feroviar sau cotaiile bursiere.
Acest ir de observaii {Xt1 , Xt2 , , Xtn }, notat pur i simplu cu Xt pentru
orice t > 0 este numit serie temporal sau proces temporal cu valori reale n
timp discret.
In general o serie temporal Xt este rezultanta unor diferite componente
fundamentale:
1. tendint.a, notat cu Zt reprezint evoluia pe termen lung a seriei studiate.
Ea exprima comportamentul mediu al acesteia;
2. componenta sezonier, notat cu St corespunde unui fenomen care se repet la intervale de timp relativ regulate (periodice);
3. Componenta rezidual, notat cu t exprim uctuaiile neregulate, n
general de slab intensitate, dar de natur aleatoare.
4. o alt component studiat uneori n manier specic are caracteristica
unui fenomen ciclic. Este vorba despre un fenomen ce se repet, dar
contrar duratei celui sezonier, durata acestuia nu este x i, n general
este mult mai lung. Fr informaii specice, este n general foarte dicil
s disociem tendina de componenta ciclic;
Studiul unei serii temporale permite s analizm, descriem i explicm un fenomen de-a lungul timpului i de s discernem consecinele pentru deciziile luate.
61
62
CAPITOLUL 5.
SERII TEMPORALE
Pentru a modela seriile temporale, putem distinge cel puin dou tipuri de modele: cele zise deterministe i cele stochastice.
1. In modelele zise deterministe (termenul nu este cel mai potrivit) teoria probabilitilor intervine doar de manier complementar. Modelarea const
n a presupune c valorile observate la momentele de timp t > 0 sunt
funcii de timp i de o variabil t centrat, fcnd ociu de variabil rezidual de repartiie normal, reprezentnd diferena ntre valoarea real
i cea propus de model.
2. Modelele stochastice sunt de acelai tip cu modelele zise deterministe doar
c aici, variabila rezidual t nu este normal distribuit i posed o structur de corelaie nenul. t este o funcie de propriile valori anterioare i
de un termen rezidual ut , de repartiie normal.
In acest capitol vom studia doar modelele zise deterministe. Pentru simplicarea
studiului presupunem c realizrile {Xt1 , Xt2 , , Xtn } sunt variabile aleatoare
independente i distribuite conform legii normale. Proprietatea de staionaritate
joac un rol esenial n studiul seriilor temporale. Dac considerm o serie
temporal atunci, prima etap a fazei modelrii const n a determina dac
ea este staionar. Noiunea de staionaritate pe care o reinem aici const
pur i simplu n a determina dac momentele variabilelor aleatoare Xt , sunt
independente de timp.
a. E (xt ) = .
b. V (xt ) = 2 < = constant.
c. Cov (xt , xth ) = (h) adic, covariana dintre variabila xt i variabila
xth depinde doar de h i este independent de t.
Conform acestei deniii, o serie temporal este staionar dac ansamblul momentelor sale de ordinul unu i doi sunt independente de timp. Prin opoziie,
o serie temporal se zice nestaionar dac ea nu satisface cel puin una din
condiiile de mai sus. Acest termen reliefeaz totui numeroase tipuri de nonstaionaritate, dintre care dou le vom preciza aici.
elor valorilor seriei iniiale este staionar. Operatorul de diferen este notat
prin xti = xti xti1 .
Printre seriile temporale, exist dou particulare i anume seria cu variaii independente i seria numit zgomot alb. Aceste serii sunt adesea utilizate n analiza
seriilor temporale deoarece ele sunt componentele elementare ale acestora.
5.1.
63
INTRODUCERE
Deniia 8. O serie temporal xt este un zgomot alb dac ea satisface urmtoarele dou condiii:
(5.1)
E (xt ) = 0
(h) = E (xt xth ) = (h = 0) i (h) = E (xt xth ) = 0 (h = 0).
2
(5.2)
Seria zgomot alb este numit gaussian dac legea ei de probabilitate este legea
lui Gauss, adica xt N(0, ). In fapt, vom vedea n continuare c, n conformitate cu teorema lui Wold, orice serie temporal stationar poate scris
ca o sum ponderat de serii zgomot alb. Aceast teorem este fundamental
n analiza seriilor temporale staionare. Din acest motiv o vom prezenta n
continuare, urmnd a utilizat n diferite aplicaii.
xt =
j tj +
(5.3)
j=0
j=0
Teorema lui Wold nu este direct aplicabil n practic deoarece presupune c putem exprima o serie temporal staionar ca o sum ponderat innit de ocuri
(tj ) istorice. In practic, nu este posibil de manipulat cu obiecte matematice de dimensiune innit. Totui, se poate demonstra c exist ntotdeauna,
pentru orice serie temporal staionar, un ordin nit, astfel nct aceast serie
s poat aproximat printr-o sum ponderat de ocuri istorice pn la acel
ordin.
q
q
xt = +
j tj = +
j tj + t ,
(5.4)
j=0
j=1
q
q
E (xt ) = E +
j tj = +
j E (tj ) = .
(5.5)
j=0
j=0
64
CAPITOLUL 5.
SERII TEMPORALE
xt = +
j xtj + t ,
(5.6)
j=1
E (xt ) = =
c
.
1 1 2 p
(5.8)
xt = + xt1 + t , t = 1, 2,
(5.9)
unde seria t este un zgomot alb gaussian, t N(0, ). Putem remarca faptul
c avem de fapt un model liniar unde intervine seria la momentul t, ca variabil
endogen, seria la momentul t 1 ca variabil exogen i reziduurile zgomot alb
gaussiene. Dac = 1 i = E (xt ) atunci avem
E (xt ) = =
.
1
x1 = + x0 + 1 , x2 = + x1 + 2 x2 = + ( + x0 + 1 ) + 2
x2 = + + 2 x0 + 1 + 2 .
5.3.
65
(
)
x3 = + x2 + 3 x3 = + + + 2 x0 + 1 + 2 + 3
x3 = + + 2 + 3 x0 + 2 1 + 2 + 3 .
Aceast relaie ne permite de a generaliza pentru a obine n cele din urm
xt =
t1
j=1
j + t x0 +
t1
j tj + t .
j=1
xt =
t1
1 t
+ t x0 +
j tj + t .
1
j=1
Acum este clar c seria xt nu poate staionar dect dac < 1 i n aceste
condiii t tinde la zero cnd t tinde spre innit i deci obinem rezultatul
urmtor
q
xt = +
j tj + t , =
1
j=1
deoarece t este practic egal cu zero pentru toate valorile lui j > q de unde
obinem exact rezultatul teoremei lui Wold. Relaia de mai sus ne permite de
a evalua variana seriei xt .
q
q
V ar (xt ) =
2j V ar (tj ) + V ar (t ) x2t = 2
2j + 1
j=1
[
]
x2t = 2 1 + 2 + 4 + + 2q
j=1
2
.
1 2
66
CAPITOLUL 5.
SERII TEMPORALE
(5.10)
DF =
1
.
s
Testul este unul nesimetric i deci tehnica testului Student nu poate aplicat.
Mai mult, distribuia asimptotic a statisticii Student asociate ipotezei (H0),
nu ramane aceeai dac n modelul (5.10) includem sau nu o constant i un
trend determinist. De altfel, deoarece apriori nici nu tim dac trebuie inclus
aceast constant sau acest trend, este convenabil s aplicm nu un simplu test,
ci mai de grab o adevarat strategie de teste, numite ca un ansamblu testul
Dickey-Fuller. Ceea ce vom propune aici este deci o strategie de teste de tip
Dickey-Fuller ce ne va permite s testm nestaionaritatea, n funcie de tipul
modelului utilizat. Cele trei modele alternative sunt urmtoarele:
xt = xt1 + + t + t ,
(5.11)
xt = xt1 + + t ,
(5.12)
xt = xt1 + t ,
(5.13)
5.3.
67
F3 =
68
CAPITOLUL 5.
SERII TEMPORALE
F2 =
25
50
100
250
500
DF2 .
Modelul
Dickey i Fuller.
-4.38
-4.15
-4.04
-3.99
-3.98
-3.60
-3.50
-3.45
-3.43
-3.42
-3.24
-3.18
-315
-3.13
-3.13
xt = xt1 + + t .
25
50
100
250
500
-3.75
-3.58
-3.51
-3.46
-3.44
-3.00
-2.93
-2.89
-2.88
-2.87
-2.62
-2.60
-2.58
-2.57
-2.57
(Sursa: W. A.
5.4.
DF1 .
Modelul
69
xt = xt1 + t .
25
50
100
250
500
-2.66
-2.62
-2.60
-2.58
-2.58
-1.95
-1.95
-1.95
-1.95
-1.95
-1.60
-1.61
-1.61
-1.62
-1.62
10.61
9.31
8.73
8.43
8.27
7.24
6.73
6.49
6.34
6.25
5.91
5.61
5.47
5.39
5.34
7.88
7.06
6.70
6.52
6.43
5.18
4.86
4.71
4.63
4.59
4.12
3.94
3.86
3.81
3.78
yt = {104.2; 105.4; 106.6; 104.1; 107.3; 105.1; 107.2; 105.2; 104.4; 106.5
103.5; 106.8; 104.5; 106.8; 105.9; 104.2; 106.9; 104.3; 107.1; 105.5; 104.7} .
Incepem studiul acesteia prin a estima modelul (5.11.) Vom testa deci prezena
unei rdcini unitare prin a verica nulitatea parametrului = 1 cu ajutorul statisticii lui Student t, unde desemneaz estimatorul obinut prin
metoda celor mai mici ptrate. Aceast procedur ne va da valorile estimatorilor parametrilor modelului (5.11) precum i statisticile Student asociate acestor
parametrii.
xt = 1.6593xt1 0.00115t + 175.2202 + t .
(5.14)
Ceea ce ne intereseaz aici n mod particular este evident statistica Student t
asociat variabilei endogene decalat. Aceasta este gal cu 9.3904. Pentru
70
CAPITOLUL 5.
SERII TEMPORALE
xt = 0.6598xt1 + 175.2625 + t
E (xt ) = 0.6598E (xt1 ) + 175.2625 = 0.6598 + 175.2625.
=
175.2625
= 105.59
1.6598
x2t = V ar (xt ) =
2
0.863319
=
= 1.529047 xt = 1.2365.
1 2
1 0.65982
Bibliograe
[1] Amemiya T., (1985). Advanced Econometrics. Harvard University Press.
[2] Bercu B. and D. Chafa, (2007). Modlisation stochastique et simulation.
Dunod, Paris.
[3] Delsart V., A. Rys et N. Vaneecloo (2009). Economtrie thorie et application sous SAS. Septentrion.
[4] Dickey D. and W. Fuller, (1979). Distribution of the Estimator for the
autoregressive Time Series with a Unit Root. Journal of the American
Statistical Association, 74, 427 431.
[5] Dickey D. and W. Fuller, (1981). Likelihood Statistics for Autoregressive
Time Series with a Unit Root. Econometrica, 49, 1057 1072.
[6] Dodge Y. and V. Rousson, (2004). Analyse de rgression applique. Dunod.
[7] Fuller W., (1976). Introduction to Statistical Time Series. John Wiley and
Sons.
[8] Greene W., (2007). Econometric Analysis, sixth edition, Pearson - Prentice
Hall.
[9] Johnston J. et J. DiNardo, (1999). Mthodes Economtriques, Economica,
4 dition.
[10] Pelgrin F., (2010) Lecture notes Advanced Econometrics, HEC Lausanne.
[11] Ruud P., (2000) An introduction to Classical Econometric Theory, Oxford
University Press
71