Sunteți pe pagina 1din 13

CAPITOLUL I

MODELE ECONOMETRICE
1.1. Generaliti
Modelarea economic reprezint un proces de
cunoatere mijlocit a realitii cu ajutorul unui instrument cu
caracteristici speciale: modelul. Sistemul real supus studiului
este nlocuit prin modelul su, care este o reprezentare
simplificat a obiectului cercetat.
Modelul econometric este, de regul, o mulime de
relaii numerice care permite reprezentarea simplificat a
procesului economic supus studiului (uneori chiar a ntregii
economii). Modelele actuale comport adesea mai mult de
zece relaii (ecuaii). Validitatea unui model este testat prin
confruntarea rezultatelor obinute cu observaiile statistice.
Pentru a studia un fenomen economic se ncearc
reprezentarea lui prin comportamentul unei variabile. Aceast
variabil economic depinde, la rndul su de alte variabile
de care este legat prin relaii matematice.
De exemplu, dac se studiaz cererea (C) i oferta (O)
dintr-un anumit bun pe o pia, se tie c cererea i oferta
depind de preul (p) bunului respectiv. Putem scrie c
7

variabilele C i O sunt funcii de variabila p i c la echilibrul


pieei, trebuie ca cererea s fie egal cu oferta. Se
construiete astfel un model elementar de forma:
C = f ( p)

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

Oferta i cererea dintr-un anumit bun depind i


de alte variabile dect preul. Astfel, cererea dintr-un bun
alimentar depinde i de venitul disponibil, de preul unor
produse analoage etc. La fel, dac este vorba despre un bun
agricol (gru,...) oferta depinde de preul anului precedent.
Relaia stabilit ntre variabile n modelul econometric este
dat, de regul, la un anumit moment de timp t, caz n care
variabilele apar indiciate:
Ct = f ( pt , x1t , x2t ,..., x nt )

[2] Ot = g ( pt 1 , x1t , x2t ,..., x rt )

Ct = Ot

n modelul [2] s-au introdus mai multe variabile


care explic cererea i oferta dintr-un bun i s-a considerat
realizarea acestor variabile la momentul t sau t-1. Se observ
c modelul comport mai multe relaii. Se zice c avem un
model cu ecuaii multiple. Evident, se va ncepe studiul cu un
model mai simplu, cu o unic ecuaie.
1.2. Model aleator
S presupunem c se studiaz consumul (Ci) dintr-un
anumit bun de ctre o familie (i). ntre alte variabile,
consumul depinde de venitul disponibil al familiei (Vi).
Modelul econometric elementar const n a exprima Ci n
funcie de Vi. Desigur, ali factori dintre care unii sunt
necunoscui determin de asemenea consumul familiei.
8

Condensm efectele acestor ali factori ntr-unul singur,


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

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

ntr-un model econometric se disting dou tipuri de


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

Distincia ntre natura variabilelor este foarte


important i va trebui precizat ntotdeauna nainte de a
studia modelul. Cnd modelul econometric a cptat
formularea matematic definitiv se spune c modelul a fost
specificat. Modelul [4] de mai sus este specificat. Se
cunoate forma funciei f din expresia Ci = f(Vi) + i , adic
f(Vi) = aVi+b. Adugarea variabilei exogene i d modelului
formularea definitiv [4].
Mulimea parametrilor care definesc complet modelul
econometric constituie structura acestuia. De exemplu,
dac a = 0,7 i b = 23 iar urmeaz o lege de probabilitate
normal de medie (speran matematic) egal cu zero i
dispersie (varian) egal cu 5, atunci mulimea
a = 0,7; b= 23; = 5
constituie structura modelului [4]. Scopul va fi acela ca,
plecnd de la cuplurile (Ci,Vi) asociate diferitelor familii i, s
se determine structura adevrat a modelului. Cu alte cuvinte,
plecnd de la un spaiu eantion definit de mulimea
cuplurilor (Ci,Vi) s se determine structura adevrat a
modelului n spaiul cu trei dimensiuni al structurilor
a , b, . Aici intervine induciastatistic.
1.4. Inducia statistic
Obiectul induciei statistice este de a determina o
procedur care, pornind doar de la observaiile statistice de
care dispunem, s permit trecerea de la spaiul eantion la
spaiul structurilor. Odat ce modelul a fost ales, se admite c
exist un triplet (a, b, ) care permite reprezentarea exact a
procesului prin care valorile variabilelor observate au fost
determinate. n cursul induciei statistice modelul nu se mai
modific. Procedura aleas aa cum se va vedea n
continuare va consta n obinerea de estimatori pentru
parametrii a i b care s permit determinarea celor mai bune
10

valori reale ale acestor parametri. Aceste valori se vor


aprecia, n general, cu ajutorul unor intervale de ncredere
construite la un prag de semnificaie () dat. De exemplu, n
modelul [4] se va gsi c a[0,64;0,78] i b[20;27] cu o
probabilitate de 95% (s-a considerat =5%). Se poate estima
i abaterea medie ptratic () a variabilei aleatoare i. Se va
vedea rolul important jucat de aceast variabil aleatoare n
modelul econometric.
1.5. Identificarea modelului
Considerm din nou modelul Ci=aVi+b+i. S
presupunem c procedura utilizat, pornind de la informaia
deinut, adic de la cuplurile (Ci,Vi), i=1,2,... nu conduce la
o soluie unic, ci la dou structuri distincte: s0=a0,b0,0 ,
s1 =a1,b1,1. Deorece legea de probabilitate pentru
precizeaz i legea de probabilitate pentru C, fiecare structur
(innd cont de valorile exogenelor i de legea lui ) conduce
la o lege de probabilitate pentru C. Presupunem c structurile
s0 i s1 conduc la aceeai lege de probabilitate pentru
consumul C. Sunt posibile dou cazuri:
s0 i s1 sunt distincte i nu putem alege ntre ele.
Se spune c structurile considerate nu sunt
identificabile i, ca urmare, modelul nu este
identificabil. Din aceast cauz nu vom putea
determina valorile parametrilor care figureaz n
model;
s0 i s1 nu sunt distincte, intersecia lor nu este
vid. Acestea vor permite identificarea unei
pri a parametrilor modelului (cei care aparin
interseciei). Se spune c cele dou structuri sunt
echivalente, dar nu permit o identificare
complet a modelului.
11

Problema identificrii este important mai ales n cazul


modelelor cu ecuaii multiple.

1.6. Previziunea variabilei endogene


Interesul unui model a crui structur a fost determinat
const n a-l utiliza pentru previzionarea variabilelor
endogene ntr-o etap viitoare sau ntr-o circumstan dat,
dac este vorba despre observaii luate la acelai moment -,
atunci cnd cele exogene au fost fixate. De exemplu, dac
dorim s studiem evoluia importurilor (Y) n funcie de
produsul intern brut (X1) i de nivelul stocurilor (X2),
modelul econometric este:
yt=a1x1t+a2x2t+b+t, t=1,2,...,T
unde t este timpul. Datele istorice (pe perioada 1990-2005)
despre Y, X1 i X2 (observaiile fiind anuale) permit determinarea
parametrilor modelului. S presupunem c am gsit estimaiile
punctuale:
a1 = 0,14

a 2 = 0,6
b = 6

Modelul estimat este: y t = 0,14 x1t + 0,6 x 2t + 6 . Dac dorim s


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

sau, n general, y = a1 x1 + a2 x2 + b , unde este perioada de


previziune.
Observaie. Asupra valorii previzionate trebuie s remarcm:
p

12

valorile exogenelor x1, x2 au fost alese arbitrar,


eventual innd cont de evoluia lor trecut;
specificarea modelului nu poate fi perfect,
forma funciei alese pentru a explica evoluia lui
y neputnd fi suficient de precis;
este posibil ca variabilele explicative (exogene)
ale variabilei endogene (explicate), s nu mai
intervin n acelai mod ca n perioada 19902005, cnd s-a studiat legatura dintre ele. Este
posibil s aib loc un oc, o ruptur care s
perturbe echilibrul dintre variabilele care explic
fenomenul, la momentul previziunii.
Este evident c toate aceste cauze pot constitui surse de
eroare a previziunii. Vom vedea care sunt metodele de a
minimiza eroarea de previziune.
-

***
Rezumatul capitolului I
Pentru construcia i utilizarea unui model econometric,
se parcurg urmtoarele etape:
specificarea modelului (gsirea formulrii
matematice definitive a legturii dintre
variabilele care descriu fenomenul sau procesul
economic studiat);
estimarea parametrilor i testarea modelului cu
ajutorul statisticilor (seriilor de date observate)
deja cunoscute;
previziunea variabilei endogene.
1.7. Vocabular uzual

13

Dac suntei familiarizai cu statistica matematic, putei


trece la capitolul II. n caz contrar, v reamintim aici cteva noiuni
de baz. Lectura acestui paragraf credem c v va incita s
revedei cursul de Statistic matematic
Nor de puncte Fiind dat o serie de date statistice n
care valorile (xi,yj) apar efectiv de nij ori putem reprezenta
ntr-un plan toate aceste valori prin puncte de coordonate
(xi,yj) afectate de coeficienii nij , obinndu-se astfel un nor
de puncte.
Ajustare Reprezentarea grafic a seriilor de date
economice conduce frecvent la figuri puin lizibile i greu de
interpretat din cauza variaiilor pe termen scurt, numeroase i
sensibile, dar fr o semnificaie important. Metodele
matematice numite de ajustare permit obinerea unei curbe
simple, ct mai apropiat posibil de mulimea de puncte
furnizate de observaiile empirice disponibile.
Ajustare liniar Atunci cnd reprezentarea grafic a
unei serii statistice duble d un nor de puncte de form
alungit, se ncearc obinerea unei aproximri bune a acestei
serii cu ajutorul unei drepte, realizndu-se astfel o ajustare
liniar. Exist mai multe metode pentru gsirea acestei
drepte:
- metoda grafic (se determin punctul mediu M ale
crui coordonate sunt (x, y ) i se traseaz dreapta care pare a
fi cea mai reprezentativ a seriei, determinnd ecuaia
Y=aX+b. Aceast metod este ambigu pentru c nu ine
cont de ponderea fiecrui punct n norul de puncte);
- metoda lui Mayer (se regrupeaz punctele norului n
dou submulimi crora li se determin punctele medii M1 i
M2. Dreapta de ajustare este atunci dreapta care trece prin M1
i M2);
- metoda celor mai mici ptrate (const n a face
minim suma ptratelor distanelor de la punctele norului la o
dreapt de ecuaie Y=aX+b numit dreapt de regresie a lui Y
14

n X. Se arat c panta (coeficientul director) acestei drepte


este a=cov(X,Y)/Var(X). Coeficientul b se obine scriind c
dreapta de regresie trece prin punctul mediu: b = Y aX .
Procednd la fel se gsete dreapta de regresie de ecuaie
X=aY+b , cu a=cov(X,Y)/Var(Y) i b = X a Y . Cele dou
drepte de regresie sunt, n general, distincte. Compararea lor
permite msurarea nivelului de corelaie al caracteristicilor X
i Y. Corelaia se msoar cu coeficientul de corelaie
=cov(X,Y)/(X)(Y). Se constat c 2=aa i c variaz
ntre 1 i 1. 2 msoar unghiul dintre cele dou drepte de
regresie, care coincid dac 2=1, adic = 1 . Caracteristicile
X i Y sunt corelate maximal cnd este apropiat de 1).
n afara faptului de a da o reprezentare mai mult sau
mai puin satisfctoare legturii dintre X i Y, importana
ajustrii liniare este de a permite previziuni statistice,
asociind lui X o valoare probabil a lui Y prin relaia
Y=aX+b.
Probabilitate Fiind dat o mulime finit , numim
probabilitate pe orice aplicaie p a lui P() mulimea
prilor lui - n intervalul [0,1] care verific trei condiii:
- p(A)0, pentru A P()
- p()=1
- p(AB)= p(A)+ p(B), dac A,B P(), AB=
se numete univers (sau univers de probabiliti).
nzestrat cu probabilitatea p se numete spaiu probabilizat. Orice
parte a lui este un eveniment. Un singleton (mulime ce conine
un singur element) al lui se numete eveniment elementar sau
eventualitate. este evenimentul cert. este evenimentul
imposibil. A este evenimentul complementar lui A n (se
numete eveniment contrar lui A). Dac AB=, evenimentele A
i B sunt incompatibile.
Variabil aleatoare Dac este un univers finit, numim
variabil aleatoare orice aplicaie X: R ( a lui n mulimea
15

numerelor reale). Mulimea valorilor lui X, adic X() se numete


universul imagine. Atenie!- o variabil aleatoare nu este o
variabil, ci o aplicaie! Se observ c nu este necesar s
cunoatem o probabilitate pe pentru a defini o variabil aleatoare
pe .
Legea de probabilitate a unei variabile aleatoare Dac
universul finit este nzestrat cu o probabilitate p, iar X este o
variabil aleatoare definit pe , numim lege de probabilitate a
variabilei aleatoare X, aplicaia px: X()[0,1] care asociaz
oricrui xX() probabilitatea evenimentului mulimea
antecedentelor lui x prin X. Aceast mulime X-1(x) este notat
(X=x). Legea de probabilitate a lui X, notat px este definit prin
px: X()[0,1], x p(X=x). A studia o variabil aleatoare
nseamn a-i descoperi legea sa de probabilitate.
Funcie de repartiie - Dac universul finit este nzestrat
cu o probabilitate p, iar X este o variabil aleatoare definit pe ,
se asociaz acestei variabile aleatoare funcia F:R[0,1] definit
prin F(x)=p(X<x) numit funcie de repartiie a variabilei aleatoare
X. Evenimentul (X<x) este imaginea intervalului ( , x ) prin funcia
X. Funcia de repartiie este o funcie n scar.
Sperana matematic Dac X este o variabil aleatoare
definit pe universul finit , nzestrat cu probabilitatea p, universul
imagine este o mulime finit i ia valorile xi, i=1,2,...,n. Legea de
probabilitate a lui X asociaz fiecrui xi probalbilitatea pi=p(X=xi).
Se numete speran matematic a variabilei aleatoare X, numrul
n

real E ( X ) = pi xi . E(X) este media n probabilitate a valorilor


i =1

luate de variabila aleatoare X. E(.) este un operator liniar.


Variana - Dac X este o variabil aleatoare definit pe
universul finit , nzestrat cu probabilitatea p, universul imagine
este o mulime finit i ia valorile xi, i=1,2,...,n. Legea de
probabilitate a lui X asociaz fiecrui xi probabilitatea pi=p(X=xi).
Se numete varian a variabilei aleatoare X, numrul real pozitiv
16

Var ( X ) = pi ( xi E ( X )) 2

. Variana este media n probabilitate a

i =1

ptratului distanelor de la xi la media lor. Rdcina ptrat


(radicalul) lui Var(X) este ecartul-tip al variabilei aleatoare X, notat
x.
Momente condiionate Se consider vectorul aleator
( X , Y ) : R 2 , cu repartiia P( X = xi , Y = y j ) = p ij , pij > 0, pij = 1 i
i

variabila

aleatoare

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

pij
p. j

condiionat

, p. j = pij

(X/Y=yj)

cu

repartia

. Momentul de ordinul k al variabilei

aleatoare X condiionat de Y=yj este momentul iniial de ordinul k


al variabilei aleatoare condiionate (X/Y=yj):
M ( X k / Y = y j ) = xik P ( X = xi / Y = y j ) = xik
i

pij
p. j

1
p. j

ij

xik

Similar se definete momentul de ordinul k al variabilei


aleatoare Y condiionat de X=xi.
Pentru k=1 se obin mediile condiionate:
M (X /Y = y j ) =

1
p. j

x p
i

ij

, M (Y / X = xi ) =

1
y j pij
pi . j

Se pot defini variabilele aleatoare medii condiionate astfel:


- variabila aleatoare media lui X condiionat de Y, cu
repartiia:
M (X /Y = y j )
, p. j 0, p. j = 1
M ( X / Y ) :

p
.
j
j

-variabila aleatoare media lui Y condiionat de X , cu


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

Regresie Se numete regresia variabilei aleatoare X n


raport cu Y, variabila aleatoare M(X/Y) cu mulimea valorilor
posibile: M(X/Y=y), x R.
Similar, regresia variabilei aleatoare Y n raport cu X este:
M(Y/X=x), y R.
17

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


este liniar
Repartia normal Variabila aleatoare X urmeaz o
repartiie normal de parametri m i (se mai scrie i X N (m, ) )
dac densitatea ei de probabilitate (derivata funciei de repartiie)
este:
( x m) 2
f ( x) =
exp(
),
2 2
2
1

x R,

m R,

>0

Pentru m=0 i =1 se obine repartiia normal normat N(0,1),


cu densitatea de probabilitate:
f ( x) =

1
2

exp(

x2
),
2

x R,

Se arat c parametri m i 2 sunt media, respectiv dispersia


variabilei aleatoare X N (m, ) .
Repartiia 2 (hi-ptrat) cu n grade de libertate
Variabila aleatoare X urmeaz legea de repartiie hi-ptrat cu n
grade de libertate (se mai scrie i X H (n) ) dac densitatea ei de
repartiie este:
f ( x) =

Dac

1
n
( )2
2

variabilele

n
2

1
x
x 2 exp( ),
2

x>0,

n N*

X i N (0,1),

aleatoare

i=1,2,...,n

sunt

2
independente, atunci variabila aleatoare Y = X i urmeaz legea
i =1

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

x2
1
1 +
n
n 1
n ,
2 2

n +1
2

18

, x R, n N *

Dac variabilele aleatoare X N (0,1), Y H (n) sunt


independente, atunci variabila aleatoare Z = X S (n) .
Y
n

Repartiia Fisher-Snedecor F(n1,n2) Variabila aleatoare X


urmeaz legea de repartiie Fisher-Snedecor cu n1 i n2 grade de
libertate dac densitatea ei de repartiie este:
n1
2

n1 n21 1
n +n
x
1 2
n

n 2
1 + 1 x
f ( x) = 2
,
x>0, n1 , n 2 N *
n1 n2 n 2
,
2 2
Dac variabilele aleatoare X 1 H (n1 ) i X 2 H (n2 ) sunt

independente, atunci variabila aleatoare

19

X1
n
X = 1 F (n1 , n 2 ) .
X2
n2

S-ar putea să vă placă și