Documente Academic
Documente Profesional
Documente Cultură
Econometrie Abordări PDF
Econometrie Abordări PDF
C U P RI N S
Introducere...................................................................................................................................... 2
1. Analiza regresional. Generaliti ............................................................................................. 3
2. Metoda celor mai mici ptrate................................................................................................... 8
3. Metoda celor mai mici ptrate, exemplu realizat ....................................................................... 9
4. Evaluarea semnificaiei ecuaiei de regresie liniar i a coeficienilor ei ............................... 11
5. Modelul de regresie liniar multifactorial................................................................................ 17
6. Multicoliniaritatea i atenuarea ei ............................................................................................ 22
7. Remedierea multicolinearitii ................................................................................................. 24
8. Corelarea n serie (autocorelarea) ........................................................................................... 28
9. Consecinele corelrii n serie .................................................................................................. 31
10. Eteroschedasticitatea .............................................................................................................. 36
11. Remedierea eteroschedasticiti ............................................................................................. 41
12. Specificaia: alegerea variabilelor independente relevante .................................................... 45
13. Specificaia ecuaiei de regresie: alegerea formei funcionale ............................................... 52
14. Date economice ...................................................................................................................... 59
15. Siseme de ecuaii econometrice ............................................................................................. 63
16. Problema de identificare a modelului sub forma sa redus.................................................... 68
R E F E R I N E ........................................................................................................................ 74
A N E X E .................................................................................................................................... 75
1
Introducere
2
1. Analiza regresional. Generaliti
4
este cel mai simplu model de regresie de o singur variabil. Prin ecuaia (3) se afirm c
variabila dependent (endogen) Y este o funcie linear de o singur variabil independent
(exogen) X. Modelul este de o singur ecuaie deoarece nu mai sunt alte ecuaii pentru Y ca
funcie de X (sau de alte variabile). Modelul este liniar deoarece sub forma sa grafic reprezint
o linie dreapt, dar nu o curb.
0 , 1 sunt coeficienii (sau parametrii) care determin coordonatele liniei drepte n
orice punct. 0 este constant sau termenul de intersecie, el indic valoarea lui Y pentru X egal
cu zero. 1 este coeficientul de nclinaie, i el indic valora cu care se va schimba Y, cnd X se
schimb cu o unitate. Coeficientul unghiular 1 demonstreaz reacia (rspunsul) lui Y fa de
schimbrile n X. Pentru a explica i a prezice schimbrile n variabila dependent, ce e
obiectivul major n evaluarea relaiilor comportamentale, accentul principal se pune pe
coeficientul de nclinaie cum ar fi 1 . Pe desen, de exemplu, dac X o avut s creasc de la X1
pn la X2, valoare lui Y conform ecuaiei (3) va crete de la Y1 la Y2. n modelele de regresie
liniar rspunsul valorilor pronosticate Y la schimbrile n X este determinat de o constant,
Y
egal cu coeficientul de nclinaie: 1 = (Y2 Y1 ) / ( X 2 X 1 ) = .
X
Y = 0 + 1 X
Y = 0 + 1 X 2
X1 X2 X
Este necesar s se fac distincie dintre ecuaiile liniare n variabile i ecuaiile liniare n
parametri (coeficieni), deoarece regresia liniar trebuie s fie liniar n coeficieni, ns nu
neaprat liniar n variabile. Ecuaia Y = 0 + 1 X este liniar n variabile, grafic reprezentnd o
linie dreapt, n timp ce ecuaia Y = 0 + 1 X 2 nu este liniar n variabile, deoarece reprezint
grafic o curb ptratic dar nu o linie dreapt.
Ecuaia este liniar fa de coeficieni (parametri) numai n cazul dac parametrii apar sub
forma ceea mai simpl ei sunt ridicai la putere (nu mai mare dect unu), nu se nmulesc i nu
se mpart la ali coeficieni i nu fac parte din careva funcii (cum ar fi log sau exp). Ecuaia (3)
este liniar n coeficieni, dar Y = 0 + X nu este liniar n coeficieni 0 , 1 , deoarece nu
1
exist o transformare a ecuaiei care s-o aduc la forma liniar. n general, din toate ecuaiile
posibile cu o singur variabil explicativ, numai funcia sub form general
f (Y ) = 0 + 1 f ( X ) este liniar n coeficieni 0 , 1 .
Toate cele expuse sunt importante deoarece la aplicarea tehnicii regresiei liniare ecuaia
necesit s fie liniar n coeficieni. Analiza regresional liniar poate fi aplicat la ecuaii care
nu sunt liniare n variabile, dar pot fi prezentate n aa mod ca s fie liniare n coeficieni.
6
n cazul mai multor variabile independente ecuaia de regresie ea forma
k
Yi = 0 + m X mi + i , (i=1,2,,n),
m =1
7
Ys . O alt cale de a exprima ecuaia de regresie estimat const n combinarea ecuaiilor (2) i
) )
(3) i obinerea expresiei Yi = 0 + 1 X i + u i .
2.1 Estimarea modelului liniar simplu (de dou variabile) folosind metoda celor mai mici
ptrate.
Ipoteze
Modelul este linear n raport cu k , (k=0,1), i ,(i=1,,n).
Valorile X i sunt considerate fr erori de observaie sau de msurri permanente.
Termenul erorii stocastice i este normal distribuit de media nul E ( i ) = 0 , (i=1,,n) (n
medie modelul este bine specificat).
Perturbaia este omoscedastic: E ( i2 ) = i2 = = const , variaia erorilor i2 este constant (cu
alte cuvinte termenul erorii stocastice este independent de evoluia variabilei explicative,
ceea ce nseamn ca dispersiile calculate pentru diverse segmente de X i , nu difer ntre ele).
E ( i , j ) = 0, i, j = 1,2...., n, i j. Valorile erorilor stocastice nu sunt autocorelate (sunt
independente ntre ele). Valorile consecutive ale erorilor stocastice nu depind una de alta.
E ( xi , i ) = 0 . Valorile erorii stocastice sunt independente de variabila explicativ.
Aadar, n urma observaiilor statistice, avem serii de observaii. Problema const n
determinarea parametrilor.
Metoda celor mai mici ptrate (M.C.M.M.P.), n condiiile verificrii ipotezelor enunate,
asigur obinerea estimatorilor de maxim verosimilitate, nedeplasai, concordai i eficieni (cu
dispersia minima).
Estimaiile sunt nedeplasate. Aceasata nseamn c E ( k ) = k , (k = 0,1) , prin urmare,
)
estimaiile coeficienilor, obinute cu ajutorul metodei celor mai mici ptrate (M.C.M.M.P.),
sunt centrate nj jurul mulimii de valori ai coeficienilor adevrai.
Estimaiile sunt efective. Dispersia coeficienilor evaluai n jurul valorilor adevrate ale
coeficienilor este cea mai compact distribuie, care este posibil n condiiile dispersiilor
nedeplasate. Nici una din metodele liniare existente de estimare a coeficienilor nu asigur o
dispersie mai mic pentru fiecare din coeficienii estimai dect M.C.M.M.P. Estimaiile sunt
de natur BLUE - Best Linear Unbiased Estimators (Teorema Gauss-Marcov).
Estimaiile sunt concordate. Ceea ce nseamn, c mrind pn la infinit numrul de
observaii, obinem estimri care tind spre valorile adevrate ale coeficienilor de regresie.
Odat cu creterea numrului de observaii, dispersia devine mai mic, i fiecare estimaie
tinde spre ceea adevrat.
Estimaiile sunt de o veridicitate maxim. s este normal distribuit, N ( ,VAR[ ])
) ) )
Pentru estimarea parametrilor vom aplica metoda celor mai mici ptrate, care se exprim n
modul ce urmeaz:
n n
u = min ( y i 0 1 xi ) .
2 2
min
0, 1 i =1
i
0 , 1 i =1
8
( )
n
u / 1 = 2 1 xi2 xi y i + 0 xi = 0.
2
i
i =1
x y = x (Y X ) + x
) n n ) ) n
substituind aceast exspresie n (2) l putem afla pe 1 , i i i 1 1
2
i ,
i =1 i =1 i =1
n n
xi y i xi Y
n n ) n 2 n
) i =1
, vom mpri numitorul i
xi y i xi Y = 1 xi xi X , de unde 1 = n
i =1 n
xi2 xi X
i =1 i =1
i =1 i =1
numrtorul la n:
) XY XY Cov( X , Y ) ) Cov ( X , Y )
1 = = , 0 = Y X . (2.4)
X X2 2 2
X X2
) )
Aadar, am obinut parametrii 0 , 1 , care sunt estimatorii pentru 0 , 1 . Condiia suficient
pentru existena minimului functionalului este:
n n
2 u i2 2 u i2
n
i =1 i =1
2 u i2
2
0 1
i =1
f 0, i = 0,1 ;
0
f0 (2.5)
2 n n
i
2
u
i =1
2
i 2
u
i =1
2
i
1 0 12
n n n
2 u i2 n
2 u i2 2 u i2 n
= xi =n = xi2
i =1 i =1 i =1
1 0 i =1 2
0 12 i =1
) ) Cov( X , Y ) ) YX Y X
0 = Y 1 X ; 1 = ; Cov( X , Y ) = YX XY ; X2 = X 2 X 2 ; 1 = 2 .
X2 X X2
Parametrul 1 se numete coeficient de regresie. Valoarea lui denot valoarea medie cu care
se schimb variabila de explicat atunci cnd variabila explicativ se schimb cu o unitate.
Parametru 0 denot valoarea lui Y cnd X = 0 . Atunci cnd valoarea explicativ nu poate
primi valoarea 0 explicaia precedent este lipsit de sens. Parametru 0 poate s nu aib nici un
sens economic. ncercarea de interpretare economic a parametrului 0 , mai ales atunci cnd el
e mai mic dect 0, 1 <0 poate aduce la situaie absurd.
Este posibil s interpretm numai semnul pe lng parametrul 0 . Dac 0 > 0 , atunci
schimbarea relativ a variabilei de explicat se petrece cu ritmuri mai reduse dect schimbarea
relativ a factorului. Cu alte cuvinte variaia rezultatului este mai mic dect variaia factorului
9
coeficientul de variaie dup factorul X este mai mare dect coeficientul de variaie pentru
variabila de explicat Y : V X f VY . Vom demonstra acest fapt (fenomen) pornind de la comparaia
schimbrilor relative a variabilelor de explicat Y i explicative - X :
dY dX dY Y 1 dX 0 + 1 X
p p ; p ; 1 X p 0 + 1 X 0 p 0 .
Y X dX X dX X
Vom examina un fenomen. Un grup de ntreprinderi care produc acelai produs sunt supuse
analizei din punct de vedere a cheltuielilor de producere conform funciei Y = 0 + 1 X + .
Informaia necesar pentru evaluarea parametrilor 0 , 1 vom prezenta-o sub forma de tabel.
Rezultatele obinute n baza efecturii cercetrilor confirm c numrul observaiilor n
necesit a fi de 6-7 ori mai mare dect numrul parametrilor pe lng variabilele independente
(explicative) X .
n 0 + 1
i =1
X i =
i =1
Yi
7 0 + 22 1 = 770
, ,
7 7 7
22 0 + 80 1 = 2820
0
X i + 1 X i = X i Yi
2
i =1 i =1 i =1
) ) YX Y X )
0 = Y 1 X ; 1 = ; 0 = 5,79; 1 = 36,84; Y = 5,79 + 36,84 X .
X2 X2
Valorile estimate ale variabilei de explicat sunt prezentate n ultima coloan. Parametrul
0 este lipsit de careva sens economic.
X = 3,14; X = 1,25;V X = 39,8%; Y = 110; Y = 46,29;VY = 42,1%.V X = X ;VY = Y .
X Y
Relaia 0 >0 corespunde faptului c variabila dependent se schimb cu ritmuri mai mari
dect variabila independent VY f V X . 0 <0 reflect faptul c variabila independent se schimb
cu ritmuri mai mari dect schimbarea variabilei dependente V X f VY .
Dac vom exprima variabilele X i Y prin devieri de la nivelul mediu, atunci linia regreresiei
)
pe grafic va trece prin origine Y = Y Y ; X = X X ; Y = 1 X . Estimarea coeficientului de
regresie nu se va schimba..
Estimarea coeficienilor ecuaiei de regresie poate fi obinut ntr-un mod mai simplu, fara a
ne adresa la M.C.M.M.P. Estimaia de alternativ a coeficientului 1 poate fi obinut pornind
10
de la sensul acestui coeficient: schimbarea variabilei dependente Y = Yn Y1 se confrunt cu
schimbarea variabilei independente X n = X n X 1 .
n exemplul examinat o atare estimaie de alternativ a parametrului
170 30
1 va constitui 1 = = 35 . Aceast mrime este aproximativ ntruct nu se ine cont de
5 1
ceea mai mare parte din informaia statistic accesibil. Ea se bazeaz numai pe valorile
variabilelor de mrime maxim sau minim.
De regul, ecuaia de regresie este urmat de coeficientul de corelaie liniar ce
caracterizeaz ct de puternic este dependena liniar ntre X i Y - rXY . Exist mai multe
modificri ale formulei pentru coeficientul de corelaie liniar. Una dintre ele se prezint aici.
cov( X , Y ) cov( X , Y )
rXY = 1 X = , 1 = ; e cunoscut faptul, c coeficientul liniar de corelaie se
Y X Y X2
modific n diapazonul 1 p rXY p 1
Dac coeficientul 1 < 0, 1 rXY 0 i invers, dac 1 > 0 , 0 rXY 1
Pentru datele tabelului, valoarea lui este de rXY = 0,991 , deci e foarte aproape de 1, ceea ce
nseamn c ntre X i Y exista o legtura liniar puternic, cheltuielile pentru producere sunt
puternic dependente de volumul de producie.
Este necesar s se in cont de faptul c coeficientul liniar de corelaie evalueaz msura
legturii puternice ntre indicii examinai sub forma liniar. Apropierea valorii coeficientului de
regresie ctre 0 nu nseamn inexistena legturii ntre indici. Dac modelul va fi specificat n alt
mod, legtura dintre indici poate s se adevereasc destul de strns.
Pentru evaluarea calitii funciei liniare alese se calculeaz ptratul coeficientului linear de
2
corelaie RYX care se numete coeficient de determinaie - coeficientul de determinaie
caracterizeaz cota dispersiei variabilei de explicat Y care este lmurit de regresie n dispersia
total a variabilei de explicat:
)
2)
2
RYX = Y 2 . Respectiv, mrimea 1 RYX 2
caracterizeaz cota dispersie Y , explicat de restul
Y
factorilor, care nu se examineaz n model.
n exemplul examinat RYX 2
= 0,982 . Prin urmare ecuaia de regresie explic 98,2% din
dispersia indiciului rezultativ, dar pe seam altor factori revine numai 1,8% din dispersia total.
Mrimea coeficientului de determinaie servete ca unul din criteriile care evalueaz calitatea
modelului liniar. Cu ct este mai mare cota variaiei explicat de regresie, cu att, respectiv, este
mai mic influena altor factori i deci modelul liniar bine aproximeaz datele iniiale i poate fi
utilizat pentru pronosticarea valorilor variabilei rezultative (de explicat).
Dup ce a fost estimat ecuaia linear de regresie se efectueaz evaluarea semnificaiei atta
ecuaiei n ntregime, ct i a fiecrui parametrii separat.
Evaluarea semnificaiei ecuaiei de regresie n ntregime se produce cu ajutorul F-criteriului
Fier, formulnd n prealabil ipoteza dependenei direct proporionale H 0 : { 0 = 0 } i ipoteza
0
independenei variabilelor, H 0 : { 1 = 0 } contra H 1 : 0 - ipoteza dependenei lineare
1 0
specificate.
n scopul testrii validitii modelului se analizeaz descompunerea sumei ptratelor
devierilor a variabilei Y de la medie n dou componente: prima, explicat de regresie i a doua
neexplicat de regresie:
11
( ) + ( )
2 2 2
) )
(Y Y ) =
n n n
i Yi Y Yi Yi
i =1 i =1 i =1
( ) = ( ) + u + (Y) Y )u
2 2 2
) )
(Y Y ) =
n n n n n
i (Yi Y ) + u i Yi Y 2
i i i ,
i =1 i =1 i =1 i =1 i =1
i =1 i =1
n
i =1
) )n n
i =1
) n ) )
(
u i = 0 Yi = Yi Y = Y = 2 Yi Y u i = 2 Yi Yi u i = 0 .
i =1
) ( )
)
Y =Y
Suma ptratelor devierilor observaiilor variabilei dependente (de explicat) de la valoarea lor
medie Y este cauzat de mai multe evenimente: de variabila explicativ i de ali factori. Dac
variabila
)
explicativ nu influeneaz rezultatul, atunci linia regresiei este paralel axei OX i
Y = Y , iar toat dispersia variabilei de explicat este cauzat de ali factori. n cazul cnd ali
factori nu influeneaz variabila de explicat, atunci Y este legat funcional de X i suma
ptratelor rezidualelor este egal cu 0. Prin urmare, suma ptratelor devierilor explicate de
regresie, coincide cu suma total. ntruct nu toate punctele cmpului de corelare se afl pe linia
de regresie, de fiecare dat are loc dispersarea lor cauzat att de variabila explicativ X (de
regresie), ct i de ali factori (neexplicabili de regresie). Linia de regresie este bun pentru
previziune, evident atunci, cnd suma ptratelor devierilor cauzat de regresia va fi cu mult mai
mare dect suma ptratelor rezidualelor, atunci ecuaia de regresie este semnificativ i variabila
explicativ X influeneaz esenial variabila de explicat Y . n aceast caz coeficientul de
2
determinaie RYX se va apropia de 1.
Orice sum a ptratelor devierilor este legat de gradele de libertate a indiciului independent
de variaie. Gradele de libertate sunt dependente de numrul de observaii n i de numrul
parametrilor definii n conformitate cu ele. Referitor la problema n cauz gradele de libertate
trebuie s demonstreze, cte devieri independente din n
posibile [(Y1 Y ), (Y2 Y ),..., (Yn1 Y )] , sunt necesare pentru formarea sumei ptratelor. Astfel,
devieri, dar devierea a cincea poate fi determinat, dat fiind cunoscute 4 precedente.
)
Pentru calcularea sumei ptratelor devierilor explicate de regresie (Y
i =1
i Y ) 2 se folosesc
) ) ) )
valorile variabilei dependente Yi calculate n conformitate cu ecuaia de regresie Yi = 0 + 1 X i .
2
) )2 n
La utilizarea regresiei liniare este adevrat egalitatea (Yi Y ) = 1 (X i X )
2
care
i =1 i =1
Y XY Y i =1 i =1
12
)
observaii pentru X i Y , valoarea estimat a lui Y n ecuaia liniar de regresie este funcie de
un singur parametru coeficientul de regresie. Respectiv i suma ptratelor devierilor variabilei
independente (factor) are numai un singur grad de libertate.
Numrul gradelor de libertate a sumei ptratelor devierilor totale este egal cu numrul
gradelor de libertate pentru sum ptratelor devierilor explicate de regresie i numrul gradelor
de libertate ale sumei ptratelor devierilor rezidualilor. Numrul gradelor de libertate al sumei
ptratelor rezidualelor n regresia liniar este egal cu (n 2) . Numrul gradelor de libertate
pentru suma total a ptratelor devierilor este determinat de numrul observaiilor n, i,
deoarece, se utilizeaz valoarea medie calculat n baza observaiilor, pierdem un grad de
libertate, deci avem (n 1) grade de libertate.
Aadar, avem dou egaliti:
n n ) n
i
(Y
i =1
Y ) 2
= i
(Y Y ) 2
i =1
+ (Yi Yi )2 i =1
(n 1) = 1 + (n 2) .
mprind fiecare sum a ptratelor la gradele de libertate ce-i corespund, vom obine
ptratul devierilor medii, sau dispersia la un grad de libertate.
Y2) = (Yi Y )/ 1 ; u2 = Yi Yi / (n 2 );
)
( ) Y2 = (Yi Y ) / (n 1)
n n n
) ) )
.
i =1 i =1 i =1
R (n 2)
)
( )
n 2
v
(Yi Yi ) 2 = 1 R 2 Y2 / (n 2) , atunci
i =1
F=
(1 R/ 2 )
.
13
Estimarea semnificaiei ecuaiei de regresie, de regul, se prezint sub forma tabelului
analizei dispersionale.
Surse de Grade Suma Dispersia la F - criteriu
variaie de libertate ptratelor un grad de fact tabel
devierilor libertate . =0.0
5
Total n-1 15 000 2 500
Explicat 1 14 375 14 375 278 6.61
de regresie
Rezidual n-2 235 53
formula:
(Y ) /(n 2)
n ) 2
i Yi
)) S2
= i =1
=
(X X) (X X)
1 n n
2 2
i i
i =1 i =1
=
)
(
Yi Y
2
) )
Y2)
= )2 = F .
( )
) 2
Yi Yi / (n 2) u
) )
Intervalul de ncredere pentru coeficientul de regresie se determin ca 1 ttab ) , este egal 1
)
cu valoarea coeficientului estimativ valoarea coeficientului Student table nmulit cu ) . 1
14
(Y Y )
n ) n n
X i2 S 2 X i2
2
i i
)
/) = i =1 i =1
= i =1
.
0
(n 2) n (X i X )
n
2
n ( X i X )
n
2
i =1 i =1
)
)
Evaluarea semnificaiei se efectueaz la fel ca i pentru 1 , t ) = ) 1 , valoarea t-criteriului
) 0
0
)2 2
Din teoria selectrii este cunoscut faptul c Y = , folosind n calitate de 2 dispersia
n
) S2
rezidual pentru un grad de libertate S 2 , obinem: Y2 = . Eroarea standard a coeficientului
n
) S2
de regresie este determinat prin formula 2) = . Considerm c valoarea
(X X)
1 n
2
i
i =1
15
prognozat X p = X k , atunci n conformitate cu ecuaia de regresie obinem urmtoarea formul
)
pentru eroarea standard a valorii Y X prognozat: k
S (X k X ) ( Xk X )
2 2 2 2
) S 2 1
Y2) = + n =S + n .
n
(X i X )
Xk
n
2
(X i X )
2
i =1 i =1
Respectiv, Y
))
=S
1
+
(X X ) k
2
)
valoarea medie prognozat a lui Y X , fiind dat valoarea X k , caracterizeaz eroarea amplasrii
)
liniei de regresie. Valoarea erorii standard Y) atinge minimul atunci cnd X k = X i crete cu
Xk
Y
) ) )
Y = 0 + 1 X
) )
Y X k + t )1 Y)X X
k
) )
Y X k t )1 Y)X
k
0 Xk X
)
Pentru valoarea prognozat a lui YX , intervalele de ncredere de 95% pentru X k dat se
) )
k
)
definesc prin expresia: YX t) Y) . Pe grafic frontierile de ncredere pentru Y reprezint dou
k 1 Xk
hiperbole situate pe ambele pri de la linia de regresie. Dou hiperbole pe ambele pri de la
)
linia de regresie determin intervalele de ncredere de 95% pentru valoarea medie a lui Y
pentru X dat.
)
ns valorile observate a lui Y variaz n jurul valorii medii a lui Y . Valorile individuale a
)
lui Y pot fi dispersate de la Y n limita valorii erorii aleatoare u , dispersia ei fiind evaluat ca
dispersia rezidual pentru un grad de libertate u2 . Deaceea eroarea valorii individuale
16
)
prognozate pentru Y necesit includerea nu numai a erorii standard Y) , dar i a erorii aleatoare Xk
)) )
u u . Eroarea medie Y Xk
a valorii individuale Y prognozat este:
Y
)) 1
= S 1+ +
(X X )k
2
.
n
Xk
n
(X X )
i =1
i
2
Efectund previziunea n baza ecuaiei de regresie este necesar s inem cont de faptul c
valoarea prognozat depinde nu numai de eroarea standard a valorii individuale Y , dar i de
precizia previziunii valorii variabilei exogene X . Valoarea ei poate fi definit n baza aplicrii
altor modele, reieind din situaia concret i analiznd dinamica acestui factor. Formula
)
considerat pentru eroarea medie ( Y) ) a valorii individuale Y poate fi folosit pentru evaluarea
Xk
semnificaiei devierii valorii prognozate prin ecuaia de regresie i valorii ipotetice naintate n
baza evoluiei evenimentelor.
tY) ( X k ) =
( )
Y( Yhipot
Xk )
;
) tcalcY( X ) f ttab (0,05; n 2 ) .
))
Y( Xk )
k
4. Valorile observate ale termenului de eroare nu sunt corelate (are loc independena
erorilor E ( i j ) = 0; i, j = 1, n; i j , nu sunt corelaii n serie).
5. Erorile sunt independente de variabilele explicative. COV (X ij , i ) = 0; E (X ij i ) = 0 .
6. Absena coliniaritii ntre variabilele explicative implic o matrice (X T X ) regular i
asigur existena matricei inverse (X T X ) .
1
18
8. Relaia n f k , n 6(7) k necesit ca numrul de observaii s fie superior numrului
de variabile explicative.
( ) = (Y Y ) 2 (X Y ) + ) (X) X )) .
i i i
) )
S T T ' T
Notaii convenionale
Valorile adevrate, dar neobservate Estimate
Denumirea Simbolul Denumirea Simbolul
)
coef.de regresie k coef.de regresie estimat k
Valoarea ateptat a E ( k )
)
coef. estimat
Variaia termenului 2 sau VAR( i ) Variaia estimat a S 2 sau ) 2
de eroare termenului de eroare
)
Devierea standard a Devierea standard a S sau
termenului de eroare termenului de eroare
estimat
Variaia coeficienilor 2 ( k ) sau VAR( k ) Variaia estimat a S 2 ( k ) sau
) ) )
2 ( k )
estimai coeficienilor estimai ) )
19
Estimatorul matricei varianei i covarianei coeficienilor de regresie este ) = u2 (X T X ) .
) ) 1
( yi Y )
n n
( yi y i )
) )
R2 = i =1
2 = 1 i =1
2 ,
(y Y ) (y Y )
n n
i i
i =1 i =1
u2
rYX X L X = 1 2 , unde u2 = ( y i yi ) este dispersia rezidual Y2 = ( y i Y )
) 2 2
este
1 2
Y k
dispersia total.
1i i 0 1i 1 1i 1i 2 1i 2i
X
i =1
Y = X + X X + X X +
i =1
L + k X 1i X ki
i =1 i =1 i =1
n ) n ) n ) n ) n
2i i 0 2i 1 2i 1i 2 2i 2i
X
i =1
Y = X + X X + X X +
i =1
L + k X 2 i X ki
i =1 i =1 i =1
L L L L L L L L L L L L L L L L
n ) n ) n ) n ) n
X kiYi = 0 X ki + 1 Xk 2i X 1i + 2 X ki X 2i + L + k X ki X ki
i =1 i =1 i =1 i =1 i =1
n n n
n X 1i
i =1
X 2i L X ki
i =1 i =1
n n n n
X 1i
i =1
X 1i X 1i
i =1
X 1i X 2i L X 1i X ki
i =1 i =1
n n n n
= X X
i =1
2i
i =1
2i X 1i Xi =1
2i X 2i L X 2i X ki
i =1
L L L L L L L L L L L
n n n n
X ki
i =1
X ki X 1i
i =1
X ki X 2i L X ki X ki
i =1 i =1
20
n n n n
Y X X
i =1
i
i =1
1i
i =1
2i L X ki
i =1
n n n n
Yi X 1i
i =1
X 1i X 1i
i =1
X 1i X 2i L X 1i X ki
i =1 i =1
) n n n n ) )
0 = Yi X 2i
i =1
X 2i X 1i
i =1
X 2i X 2i L X 2i X ki
i =1 i =1
, s = s / , s = 0, k .
L L L L L L L L L L L
n n n n
Y X X
i =1
i ki
i =1
ki X 1i X
i =1
ki X 2i L X ki X ki
i =1
Judecnd n mod analogic, precum i n cazul modelului liniar de regresie simpl, obinem c
variaia total este egal cu variaia explicat plus variaia reziduurilor:
( ) + (Y) Y )
2 2
)
(Y Y ) = Yi Yi
n n n
2
i i .
i =1 i =1 i =1
(Y )
Explicate de 2 )
VE = ( y i Y ) = Y2)
n
n
) k 2
Y
regresie ) i
i =1 Y2) = i =1
k
n k 1
( )
Reziduale n 2 n )
VR = ( y i y i ) = u2
) Yi Yi
2
)
i =1 Y2) = i =1
(n k 1)
n 1
(Y Y )
2
Total
VT = ( y i Y ) = Y2
n n
2
i
)2
i =1 Y = i =1
(n 1)
n n n n
) ) ) )
(y i Y )2 (y i Y ) 2 yi yi ) 2 (y i yi ) 2
u2
R = 2 i =1
= i =1 i =1
= 1 i =1
= 1 2 ;
n n n
Y
(Y
i =1
i Y ) 2
(Y
i =1
i Y ) 2
(Y
i =1
i Y )2
n n
) )
(y i yi ) 2 (y i y i ) 2 /( n k 1)
2
)
1 R = 2 i =1
, R = 1
2 i =1
= 1 ) u2 ; r = 1 u2 / Y2 .
n n
Y
(y
i =1
i Y )2 (y
i =1
i Y ) 2 /(n 1)
2
R - msoar gradul de variant a lui Y explicat prin regresia Y pe X .
21
n )
(Y Y )2 n )
Y ) 2 (n k 1)
(Y
i
i =1
Fcalc =
(k ) = i =1
i
.
n ) n )
(Yi Yi ) 2
i =1
(Yi Yi ) 2 k
i =1
(n k 1)
Regula de decizie pentru un prag de semnificaie I 0 pentru 0 este acceptat, dac
Fcfkc p Ftab = F1 ;(k 1,n k ) i este acceptat I 1 i respins I 0 , dac Fcfkc f Ftab = F1 ;(k 1,n k ) .
R2 / k
=
Fcfkc
( )
1 R 2 / (n k 1)
.
6. Multicoliniaritatea i atenuarea ei
i variabilele sale explicative X i . Dac rX i /Xj 1, i j , va trebui ca una din cele dou variabile
s fie eliminat din rndul variabililor exogene.
Criteriul de excludere/includere a 2 variabile exogene care-s corelate liniar. Dac
rY / X f rY / X , se exclude X j i se reine X i , n caz contrar se exclude X i i se reine X j . Astfel,
i j
la prima etap, reinnd k variabile exogene liniar independente fiind posibil estimarea celor
( k + 1 ) parametri se poate trece la etapa n care se continu operaia de selecie a variabililor
exogene X i . n acest sens exist mai multe procedee.
22
6.1.1. Primul procedeu
n model se introduc cele k variabile exogene, ordinea de includere fiind dat de mrimea
coeficienilor de corelaie a variabilei Y n raport cu factorii si rY / X f rY / X f rY / X f L rY / X , 1 2 3 k
Este cunoscut c, variaia total a variabilei Y este egal cu suma variaiei, explicat de regresie,
a modelului M ( j ) i variaia rezidual Y2 = Y2) + u)2 . j j j
u)2
Din relaia precedent uor se obine coeficientul de determinaie, care ea forma de R = 1 2 j
j 2
Y
acestor relaii se pot formula criterii de selecie a modelului optim. M (r ) din grupul de modele
( ) ( )
2
n ) 2
n )j 2
M ( j ) , i anume = max
2
r Yi j Y sau R = max R , sau r = min Yi Yi , gradul
2
r
2
j i =1
j j i =1
j
Dac valoarea determinantului tinde spre zero, riscul multicolinearitii e mare. De exemplu,
pentru un model de 2 variabile explicative, dac ambele serii sunt perfect corelate, atunci
1 rX 1 / X 2 1 1
determinantul D= = = 0, iar n cazul cnd seriile sunt ortogonale
rX 2 / X1 1 1 1
1 rX 1 / X 2 1 0
determinantul D = = = 1.
rX 2 / X1 1 0 1
Etapa 2. Efectum un test 2 , verificnd urmtoare ipotezele:
I 0 : D = 1 (seriile sunt ortogonale)
I 1 : D p 1 (seriile sunt dependente)
Valoarea empiric 2 calculat pentru un eantion de n observaii i K variabile
explicative ( K = k +1, dac se include termenul constant) este
calc = [n 1 1 / 6(2 * k + 5)] * Ln( D) . Dac calc tabel cu k*(k-1)/2 grade de libertate i
2 2 2
7. Remedierea multicolinearitii
26
Pentru un exemplu de acest gen s formm o combinaie liniar dintre venitul disponibil i
activele lichide n funcia de consum i deci s relansm regresia cu combinaia liniar a
variabilelor explicative. Pentru a balansa ambele variabile, venitul disponibil poate fi nmulim
cu 10, obinnd: X 3i = 10(Ydi ) + LAi
Constantele n combinaiile liniare de acest fel se capt arbitrar, dar ele pot aciona relativ bine.
Cnd X 3 este folosit la nlocuirea ambelor variabile explicative i se estimeaz ecuaia de
regresie, obinem:
)
C i = 355.43 + 0.0467 * X 3i
(0.0073)
t = 6.362 R2 = 0.868
Comparnd rezultatele precedente, observm c din nou eliminarea multicolinearitii
semnificativ ridic t-statistica variabilei explicative, n timp ce are un efect mic asupra
semnificaiei ecuaiei. Este interesant c coeficientul estimat poate fi calculat din estimrile
precedente a ecuaiei ca combinaie liniar.
Al doilea fel de transformri care poate fi luat n consideraie ca un posibil remediu contra
multicolinearitii severe const n schimbarea formei funcionale a ecuaiei. S vedem cum
transformarea ecuaiei n diferene finite de ordinul nti va diminua gradul de multicolinearitate
n eantionul de date (s-ar putea discuta pe marjinea transformrilor n log sau alte forme
funcionale dar ele sunt efectuate conform aceluiai principiu). Diferenele de ordinul nti nu
sunt alt ceva dect schimbarea n variabila din perioada precedent i perioada curent (care se
refer ca delta sau ) X t = X t X t 1 .
Dac ecuaia (sau mai multe variabile n ecuaie) sunt transformate de la specificarea
normal la specificarea n diferene de ordinul nti este destul de clar c gradul de
multicolinearitate se va reduce esenial pentru dou motive. Primul, orice schimbare n definiia
variabilelor (cu excepia simplei schimbri liniare) va reduce gradul de multicolinearitate. Al
doilea, multicolinearitatea are loc cel mai frecvent (dei bineneles nu exclusiv) n seriile
temporale de date, pentru care diferenele de ordinul nti sunt extrem de puin asemntoare cu
deplasrile permanente ascendente pentru agregatele din care ele sunt calculate. De exemplu,
PIB crete numai cu 5-6%% anual, iar schimbrile n PIB (diferenele de ordinul nti) pot
fluctua auster. Prin urmare, transformarea ntregii ecuaii sau a unei pri ai ecuaiei n diferene
prin specificare este n stare s reduc posibilitatea multicolinearitii n modelul cu serii
temporare.
n timp ce multicolinearitatea sever uneori poate fi diminuat prin trecerea la specificarea
ecuaiei n diferene de ordinul nti (sau la alte specificri), schimbarea formei funcionale a
ecuaiei pur i simplu pentru evitarea multicolinearitii deseori este n stare s aduc posibile
complicaii teoretice. De exemplu, modelarea stocurilor nu este de aceiai natur ca i
modelarea schimbrilor n stocurile de capital, care reprezint investiiile, chiar dac o ecuaie
deriv din alta. Dac scopul principal al lansrii regresiei const n modelarea diferenelor de
ordinul nti, atunci modelul poate fi specificat n aa mod. Pe lng aceasta , la calcularea
diferenelor de ordinul nti, gradul de libertate va fi redus cu o unitate.
Corelarea n serie numit tot odat i autocorelare, poate s existe n orice cercetri de
investigare n care ordinul observaiilor are careva semnificaie. De aceea cel mai frecvent
autocorelarea apare n setul de date cu serii temporare. n esen din corelarea n serie rezult
c termenul erorii stocastice dintr-o perioad depinde n mod simetric de termenul de eroare
stocastice din alt perioad. i deoarece seriile temporare de date se folosesc n multe aplicaii
econometrice, este important de a nelege corelarea n serie i consecinele ei pentru estimatorii
M.C.M.M.P.
Se va ntreprinde o ncercare de a rspunde la ntrebrile:
Care este esena problemei?
Care sunt consecinele problemei?
Ct de periculoas este problema?
Ce remedii exista pentru c problema s fie soluionat?
Cel mai evident efect va fi acela c coeficienii estimai pe lng RPt i Dt vor fi deplasai pe
msura corelrii RPt i Dt cu Ydt . Efectul secundar va fi acela c termenul de eroare acuma va
include o parte considerabil din efectul eliminat al venitului disponibil asupra consumului de
pete, faptul ca t* este egal cu t + 2 ln Ydt . Este rezonabil de ateptat c venitul disponibil (prin
urmare i log lui) poate urma un ablon moderat de corelare n serie:
30
ln Ydt = f (ln Ydt 1 ) + u t (8.5)
de ce este probabil? Vom privi graficul Ydt n timp. Observm c creterea continu a venitului
disponibil n timp l determin i pe log Ydt s acioneze n mod autocorelat sau corelat n serie.
Dar, dac venitul disponibil este corelat n serie (i dac impactul lui nu este relativ mai mic
dect t ), atunci t* este, mult probabil, s fie la fel corelat n serie, ce poate fi exprimat ca:
t* = t*1 + u t , unde reprezint coeficientul de corelare n serie, dar u t este termenul de eroare
clasic. Acest exemplu ne-a demonstrat ca ntr-adevr este posibil ca variabila eliminat s
introduc corelare n serie imperfect n ecuaie.
Un alt tip rspndit de corelare n serie este acela, cauzat de forma funcional incorect. n
aceast situaie alegerea incorect a formei funcionale poate cauza corelarea n serie a
termenului de eroare. S admitem c ecuaia adevrat este prezentat sub forma logaritmic
complet:
ln Yt = 0 + 1 ln X 1t + t (8.6)
dar n locul ei este lansat regresia liniar: Yt = 0 + 1 X 1t + t * . Termenul nou de eroare t*
acuma este o funcie de termenul adevrat de eroare t i de la diferena ntre forma liniar i
forma n log complet. Din figura . observm c aceste diferene urmeaz compartimente
moderat autoregresive. Diferenele pozitive tind a fi urmate de diferene pozitive i diferene
negative tind a fi urmate de diferene negative. Prin urmare, folosirea formei liniare atunci cnd
una neliniar este mai potrivit de obicei rezult cu corelare n serie pozitiv imperfect.
Consecinele corelrii n serie sunt complet diferite dup caracter de consecinele ale
problemelor discutate anterior. Variabilele omise, variabilele irelevante i multicolinearitatea
toate au indicii externi care pot fi recunoscui complet. Fiecare problem schimb coeficienii
estimai i erorile standard ntr-un mod concret, i analizarea acestor schimbri deseori ofer
destul informaie ca problema s fie soluionat. Cum vom vedea, corelarea n serie i mai mult
probabil s aib simptoame interne i afecteaz ecuaia estimat pe o cale care nu este uor de
observat prin examinare numai a rezultatelor ca atare.
Exist consecine majore a corelrii n serie:
Corelarea n serie perfect nu cauzeaz deplasri n coeficienii estimai;
Corelarea n serie contribuie la creterea varianelor distribuiilor .
Corelarea n serie induce M.C.M.M.P. s subestimeze varianele (i erorile standarde) a
coeficienilor.
estimare. Aceasta concluzie este just att pentru corelarea pozitiv n serie ct i corelarea
negativ n serie de ordinul unu. Dac corelarea n serie este imperfect, oricum deplasrile pot
fi introduse prin utilizarea specificaiei incorecte.
Lipsa deplasrilor nu nseamn cu necesitate c estimaiile M.C.M.M.P. ale coeficienilor
ecuaiei corelate n serie vor fi strns apropiate de valorile adevrate ale coeficienilor, deoarece
o singur estimaie observat n realitate poate parveni dintr-un numr mare al valorilor posibile.
Plus la aceasta, eroarea standard a acestor estimaii va fi la sigur majorat de corelarea n serie.
)
Aceast majorare va spori probabilitatea divierii suficiente a valorii de la valoarea adevrat
)
. n acest caz valorile nedeplasate cu o distribuie s sunt centrate n jurul valorii adevrate .
)
9.1.2. Corelarea n serie mrete varianele distribuiilor
n timp ce violarea ipotezei clasice nu cauzeaz deplasri, ea poate afecta principala
concluzie a teoremei Gauss-Marcov, aceea a varianei minime. n special atunci, cnd ipoteza
)
clasic este violat, este cu neputin de a dovedi c estimaiile M.C.M.M.P. s au o varian
minim. Prin urmare, termenul de eroare este corelat n serie atunci, cnd M.C.M.M.P. nu mai
ofer varian minim a coeficienilor estimai.
Termenul de eroare corelat n serie impune variabila dependent s fluctueze n acelai mod
n care procedeul de estimare a M.C.M.M.P. o atribuie variabilelor independente. Deci, este
mult probabil c M.C.M.M.P. nu ofer estimri adevrate pentru n faa corelrii n serie
)
cauzat de balansare, s rmnnd nedeplasate deoarece supraestimarea este tot att de
probabil ca subestimarea; oricum aceste erori majoreaz variana distribuiei estimaiilor,
sporind mrimea cu care orice estimaie e probabil s difere de la valoarea adevrat . ntr-
adevr, poate fi demonstrat c n cazul cnd termenul de eroare este distribuit n felul
)
t = t 1 + ut , atunci variana s este funcie de . Cu ct este mai mare cu att este mai
)
mare variana s . Efectul corelaiei n serie asupra distribuiei coeficienilor n demonstraia sa
)
grafic rezult cu faptul c distribuia s din ecuaia corelat se regsete n jurul coeficienilor
adevrai, dar este mai plat dect distribuia din ecuaia fr corelare n serie.
majoreaz devierile standard a coeficienilor estimai, dar n aa mod care nu este evideniat de
estimaiile M.C.M.M.P.
M.C.M.M.P. are tendina de a subestima erorile standard a coeficienilor ecuaiei corelate n
serie, deoarece corelarea n serie rezult din compartimentul de observaii care permit o
aproximare mai bun dect aceea pe care observaiile ecuaiei necorelate n serie pot s-o
)
justifice. Aproximaia mai bune rezult nu numai din subestimaiile erorilor standard ale s , dar
i din erorile standard a reziduurilor, nct nici pe t - statistici, nici pe F - statistic nu se poate
baza n prezena corelrii n serie perfecte.
32
n special, tendina M.C.M.M.P. de a subestima ( s ) va contribui la supraestimarea t -
) )
Dac ( ) prea mic cauzeaz t - valoare mare pentru un coeficient distinct, atunci este mult
) )
9.2.Testul Durbin-Watson
Cel mai larg utilizat test pentru depistarea corelrii n serie este d - testul Durbin-Watson.
T T
d = (u t u t 1 ) / u t2 ,
2
(9.2.1)
t =2 t =1
aici u t sunt reziduurile obinute prin M.C.M.M.P. Vom meniona c numrtorul are cu o
observaie mai puin dect numitorul, deoarece o observaie necesit a fi utilizat pentru
calcularea u t 1 . d - statistica Durbin-Watson este egal cu zero atunci cnd exist corelaie n
serie pozitiv extrem, este egal cu doi dac nu exist corelaie n serie i este egal cu 4 dac
exist corelaie n serie negativ extrem. Vom demonstra aceasta, prin a introduce datele
reziduurelor respective n ecuaia (9.8).
d = 0. Corelarea n serie pozitiv extrem. n acest caz, u t = u t 1 , deci (u t u t 1 ) = 0 i d = 0,
( = 1 ).
d 4. Corelare n serie negativ extrem. n acest caz, u t = u t 1 i (u t u t 1 ) = 2u t .
t t 1 t t 1
Y/ t = Yt (1)Yt 1 = Yt + Yt 1 (9.3.10)
X t = X t (1) X t 1 = X t + X t 1 (9.3.11)
10. Eteroschedasticitatea
* GDP
0
39
)
atunci variana s este funcie de Z :
)
[ ] )
VAR ** ( s ) = f ( Z 2 ) VAR( s ) , (10.2.2)
)
unde VAR ** ( s ) este variana cu eteroschedasticitate; f ( Z 2 ) indic o funcie pozitiv de
Z , factorul de proporionalitate care cauzeaz eteroschedasticitatea n ecuaia (10.7),
[ ])
iar VAR( s ) este variana fr eteroschedasticitate. Dac ipoteza clasic cu privire le
eteroschedasticitate este violat, atunci nu poate fi dovedit existena varianei minime
din teorema Gauss-Marcov. Eteroschedasticitatea conduce la faptul c M.C.M.M.P.
subestimeaz varianele (i erorile standard) ale coeficienilor.
)
Eteroschedasticitatea produce creterea varianelor s ntr-un mod care nu este perceput
de estimaiile M.C.M.M.P., deci aceast metod aproape de fiecare dat subestimeaz
aceste variane. Prin urmare, nici t - statisticile, nici F - statistica nu pot fi de ncredere
n faa eteroschedasticitii incorecte. Rezult c M.C.M.M.P. se soldeaz cu t - valori
majorate, care pot fi obinute dac termenul de eroare a fost eteroschedastic, n unele
cazuri provocnd cercettorii s resping ipoteza nul atunci cnd ea n-ar trebui s fie
respins.
Eteroschedasticitatea cauzeaz un segment specific de consecine deoarece Z i variana
distribuiei termenului de eroare crete, n aa mod c se mrete probabilitatea apariiei
observaiilor ale termenului de eroare majore (dup valoarea absolut). Dac din ntmplare
segmentul acestor observaii este pozitiv, dac una din variabilele independente este suficient
)
mai mare dect media, estimaiile s , obinute cu M.C.M.M.P. pentru aceasta variabil vor
tinde spre a fi mai mari n comparaie cu valoarea adevarat. Pe de alt parte, dac segmentul
acestor valori mari ale observaiilor termenului de eroare se ntmpl a fi negativ cnd una din
)
variabilele X s este suficient mai mic dect media, atunci estimaiile s obinute prin
M.C.M.M.P. pentru acest variabil au tendina de a fi mai mici dect acelea adevrate.
Deoarece termenul de eroare totui se presupune a fi independent de toate variabilele
explicative, supraestimrile sunt tot att de probabile ca i subestimrile iar estimatorul
M.C.M.M.P. n prezena eteroschedasticitii rmne nedeplasat. Oricum, eteroschedasticitatea
) )
contribuie la faptul c s se ndeprteaz de la valorile adevrate, deci variana distribuiei s
crete.
10.3. Testarea eteroschedasticitii
Nu toi econometricienii utilizeaz aceleai teste pentru depistarea eteroschedasticitii,
deoarece eteroschedasticitatea ea diferite forme i manifestarea ei exact n ecuaia examinat
aproape de fiecare dat este necunoscut. Abordarea problemei cu ajutorul factorul de
proporionalitate Z i este numai una din multe specificaii ai formelor de eteroschedasticitate.
Prin urmare, nu exist o nelegere universal asupra metodei de testare a eteroschedasticitii;
manualele de econometrie nscriu mai mult de opt metode diferite pentru o atare testare.
Vom prezenta patru teste diferite pentru depistarea de eteroschedasticitate. Primul sw va
considera testul Park.
nu e constant. Cum putem ajusta ecuaia (11.3) ca ea s devin omoschedastic? Cea mai
uoar metod const n mprirea ecuaiei n ntregime la factorul de proporionalitate Z i , prin
urmare obinnd termenul de eroare u i care are o varian constant 2 . Ecuaia obinut
satisface ipotezelor clasice, i lansarea regresiei pentru ecuaia nou mai mult nu va fi suspectat
n vederea prezenei termenului de eroare eteroschedastic. Acest remediu generalizat contra
eteroschedasticitii este numit M.C.M.M.P. ponderat, care de fapt este o versiunea
M.C.M.M.P.
M.C.M.M.P. ponderat implic mprirea ecuaiei examinate n ntregime la oricare
variabil care ar transforma termenul de eroare n unul omoschedastic i apoi relansarea
regresiei cu variabilele transformate. Dat fiind forma general de eteroschedasticitate (11.2),
procedeul const din trei etape:
1. mprim ecuaia (11.3) la factorul de proporionalitate Z i i obinem:
Yi / Z i = 0 / Z i + 1 X 1i / Z i + 2 X i / Z i + u i (11.4)
termenul de eroare u i n ecuaia (11.4) este omoschedastic.
2. Recalculm datele pentru variabile conform ecuaiei (11.4).
42
3. Estimm ecuaia (11.4) cu M.C.M.M.P.
La aplicarea M.C.M.M.P. ponderat se obin estimaiile ecuaiei transformate, care pot fi
complect neltoare, deoarece detaliile exacte cu privire la complectarea acestei regresii depind
de faptul dac factorul de proporionalitate Z i este i el variabila explicativ n ecuaia (11.1).
Dac Z i nu este variabil explicativ n ecuaia (11.1), atunci regresia lansat la etapa a 3-a va fi
urmtoarea:
Yi / Z i = 0 / Z i + 1 X 1i / Z i + 2 X i / Z i + u i . (11.5)
De notat c acest ecuaie nu are termenul liber. ns, dup cum a fost menionat anterior,
omiterea termenului constant scoate n eviden efectul constant al variabilei omise,
neliniaritatea i erorile de msurare asupra altor coeficieni estimai. Pentru a evita situaia n
care elementul constant foreaz schimbrile n estimaiile coeficientului unghiular, o abordare
alternativ const n adugarea termenului constant n ecuaia (11.5) nainte ca ecuaia s fie
estimat. Deci, cnd Z i nu este identic cu una din variabilele X s n ecuaia iniial, atunci este
bine venit ca urmtoarea specificaie s fie lansat la etapa a 3 cu M.C.M.M.P. ponderat:
Yi / Z i = 0 + 0 / Z i + 1 X 1i / Z i + 2 X i / Z i + u i . (11.6)
Dac Z este o variabil explicativ n ecuaia (11.6), atunci nu este nevoie ca termenul constant
s fie adugat n ecuaie, deoarece unu deja exist. S revenim la ecuaia (10.12). Dac Z = X 1
(sau dac Z = X 2 ), atunci unul din coeficienii unghiulari devine termen constant n ecuaia
transformat deoarece X 1 / Z = 1 . Yi / Z i = 0 / Z i + + 2 X i / Z i + u i (11.7)
n cazul n care este folosit aceasta form a M.C.M.M.P. ponderate, oricum, coeficienii
)
obinui n urma estimrii ecuaiei (11.6) necesit a fi interpretai foarte grijuliu. Vom nota c 1
acum este termenul de intersecie a ecuaiei (11.6) chiar dac el este coeficient unghiular n
ecuaia (11.1). Prin urmare, dac suntem cointeresai n estimarea coeficientului de pe lng
variabila X 1 n ecuaia (11.1), va trebui s examinm termenul de intersecie n ecuaia (11.6).
) )
Calculatorul va afia 0 ca coeficient unghiular i 1 ca termen constant atunci cnd n
realitate sunt estimai coeficienii opui n ecuaia (11.1).
Exist trei probleme majore n utilizarea M.C.M.M.P. ponderate:
1. Sarcina de identificare a factorului de proporionalitate este, cum a fost accentuat, foarte
dificil.
2. Forma funcional care relateaz factorul Z i la variana termenului de eroare a ecuaiei
iniiale n general poate s nu fie funcie ptrat n ecuaia (11.2). Atunci cnd sunt aplicate
alte relaii funcionale, sunt necesare alte transformri.
3. Uneori M.C.M.M.P. ponderat se aplic la ecuaia cu eteroschedasticitate imperfect. n aa
cazuri, poate fi demonstrat c estimaiile suport o mic reducere n deplasri atunci cnd
este omis o variabil, i estimaiile sunt inferioare celor care sunt obinute din ecuaia corect
specificat.
45
omis nu este corelat cu nici una dintre variabilele incluse n ecuaie (ceea ce este aproape
nevirosimil).
n general, atunci cnd unele din ipotezele clasice nu sunt respectate, nu are loc teorema
Gauss-Marcov, i estimaiile nu sunt BLUE). Ceea ce nseamn c estimatorii liniari nu mai
sunt nedeplasai i de varian minim (aceeai varian pentru toi estimatorii liniari
nedeplasai) sau nu se ndeplinesc concomitent ambele ipoteze. Estimarea ecuaiei (12.2) n timp
ce atunci este adevrat ecuaia (12.1), cauzeaz deplasri n estimaiile ecuaiei (12.2). Ceea ce
)
nseamn c: E ( 1 ) 1 . (12.3)
)
Deci, lipsa variabilei X 2 din ecuaie conduce la deplasarea valorii ateptate a coeficientului 1 de
la valoarea sa adevrat. Dac variabilele X 1 i X 2 sunt corelate i variabila X 2 este omis din
ecuaie, atunci M.C.M.M.P. va atribui variabilei X 1 o varian eventual cauzat de X 2 , ce se
)
soldeaz cu estimri deplasate pentru 1 .
Pentru a demonstra faptul c variabila omis poate cauza estimri deplasate, vom
examina funcia de producere care exprim venitul ( Y ) ca funcie dependent de la cantitatea
utilizat de munc ( X 1 ) i de capital ( X 2 ). Fie c din careva considerente dac lipsesc datele
pentru capital i variabila ( X 2 ) va fi omis din model. Aceasta eliminare, cu certitudine, va
deplasa estimatorul coeficientului de pe lng variabila munc deoarece este evident c munca i
capitalul sunt corelai (creterea n capital, de regul, necesit cel puin cteva brae de munc
spre utilizare i vice versa). Prin urmare, M.C.M.M.P. va atribui muncii o cretere a volumului
de producie de fapt cauzat de capital. Deci deplasarea va fi o funcie de 2 i coeficientul de
corelaie dintre capital i munc
E ( 1 ) = 1 + 2 f (r12 )
)
(12.4)
)
Rezult c valoarea ateptat a coeficientului de pe lng variabila inclus ( 1 ), atunci cnd
variabila important ( X 2 ) este omis, este egal cu valoarea sa adevrat plus coeficientul
adevrat de pe lng variabila exclus nmulit cu o funcie dependent de coeficientul de
corelaie simpl dintre variabila inclus i aceea exclus:
) valoarea adevrat 2 este zero (deci deplasarea nu exist, ceea ce nseamn c variabila X 2
nu este important n model); sau b) r12 este zero (variabilele X 1 i X 2 sunt perfect incorelate).
Valoarea termenului 2 f (r12 ) determin cantitatea deplasrii de specificaie introdus n
estimaia 1 prin eliminarea X 2 . Dac variabila inclus i aceea exclus sunt necorelate, nu
exist deplasri, ns n realitate, aproape de fiecare dat, careva corelaie (fie chiar aleatoare)
dintre oricare dou variabile exist i atunci deplasrile sunt cauzate frecvent de omiterea
variabilei importante.
( )
)
E PC = PD f (rPC , PD ) = ( )(+ ) = ( ) .
Tehnic dat va funciona bine atunci, i numai atunci, cnd numai o singur variabil este
omis din ecuaie. n cazul omiterii concomitente a mai multor variabile, impactul asupra
coeficienilor din ecuaie este greu de specificat.
Deci, chiar dac variabilele neimportante nu cauzeaz deplasri, ele cauzeaz probleme pentru
regresie, deoarece reduc precizia regresiei.
48
valoare a t -testului nesemnificativ, i, prin urmare, un impact mic asupra coeficienilor de pe
lng restul variabilelor.
Deseori cele patru criterii nu se acord. Aceasta se ntmpl atunci cnd sau variabila are un
t -test nesemnificativ, sau variabila, fiind comparativ necorelat cu variabilele prezente n
ecuaie, are un efect mic asupra coeficienilor estimai. Cum de procedat n asemenea
circumstane?
Singura, i cea mai important, justificare n determinarea importanei variabilei este
fundamentarea teoretic. Nu cantitatea evidenei statistice servete drept dovad n favoarea
neimportantei variabilei, motivaia teoretic confirm aceast necesitate. Uneori, n lipsa unei
alternative mai bune, o variabil important din punctul de vedere teoretic rmne n afara
ecuaiei, n aa cazuri este limitat utilitatea ecuaiei.
51
13. Specificaia ecuaiei de regresie: alegerea formei funcionale
53
Y X 1 1
variabila X 1 ea forma: EY / X = = , i descrete odat cu creterea lui Y . Pe desenul ce
1
X 1 Y Y
urmeaz este prezentat relaia dintre Y i X 1 , X 2 fiind meninut constant. De notat c n
cazul cnd 1 f 0 , impactul schimbrilor n X 1 asupra lui Y se afl n declin odat cu creterea
lui X 1 . n concluzie, form semilogaritmic se va fi folosit atunci, cnd se presupus o relaie
descresctoare dintre Y i X 1 .
n economie i busines aplicarea acestei forme semilogaritmice este ntlnit foarte frecvent.
De exemplu, majoritatea funciilor de consum dup un anumit nivel de venit manifest o
cretere cu rat descresctoare. Aceste, aa numite curbe Engel, tind s devin plate deoarece
atunci cnd venitul crete esenial, un procent mic din venit este ndreptat spre consum i un
procent mai mare merge pentru acumulri. Atunci consumul crete cu o rat descresctoare.
Dac Y este consumul al unui bun, i X 1 este venitul disponibil, ( X 2 fiind meninut n locul
restului variabilelor independente), atunci utilizarea formei semilogaritmice este justificat de
fiecare dat cnd rata creterii unui bun se ateapt a fi n declin atunci cnd venitul disponibil
va crete.
Alt exemplu se refer la varianta funciei semilogaritmice care se obine prin logaritmarea
variabilei dependente Y , variabilele independente rmnnd sub forma linear:
ln Yi = 0 + 1 X 1i + 2 X 2i + i . n acest model nici coeficientul unghiularnu este constant, nici
elasticitate nu sunt constante. Dac variabila independent X 1 se va schimb cu o unitate, atunci
variabila dependent Y se va schimba cu 1 / 100% , variabila independent X 2 meninndu-se
constant.
54
Y Y
= 1 + 2 2 X 1 , iar n respect cu variabila X 2 este = 3 . De menionat c primul
X 1 X 2
coeficient unghiular depinde de valorile variabilei X 1 , iar al doilea coeficient este constant. n
cazul unei funcii de cost, Y fiind costul mediu a produciei, i X 1 fiind nivelul de producie al
firmei, atunci dac firma are o curb de cost cu punct de a (cum ar fi n figura din stng), e
posibil ca 1 s fie negativ iar 2 s fie pozitiv , pictat n desenul ce urmeaz.
Un alt exemplu, se consider modelul veniturilor anuale ale angajailor n funcie de vrsta
fiecrui angajat i de un alt factor ce stimuleaz productivitatea, cum ar fi educaia. Care va fi
impactul ateptat al vrstei asupra venitului? De regul, cu vrsta un tnr lucrtor (el sau ea)
ctig mai mult. Oricum, dincolo de acest punct de vedere, cu vrsta n foarte multe cazuri
ctigurile nu cresc deloc, dar cu apropierea vrstei de pensionare se ateapt c ctigul va
ncepe s descreasc. Ca rezultat, relaia logic dintre ctiguri i vrst poate s arate ceva
asemntor cu desenul din partea dreapt din figura de mai jos. Ctigurile vor crete pn la un
nivel anumit, apoi cu naintarea n vrst vor descrete. Aa o relaie teoretic poate fi modelat
cu ajutorul ecuaiei ptratice: Z i = 0 + 1Vi + 2Vi 2 + L + i . Care se ateapt a fi semnele pentru
) )
1 , 2 ? Cu ct este mai n vrst salariatul cu att diferena dintre V i V 2 va crete vertiginos,
ntruct V 2 va fi foarte mare. Prin urmare, coeficientul pe lng V va fi mai important pentru o
vrsta mai mic dect pentru o vrst mai majorat. Din contra, coeficientul pe lng V 2 va fi
mai important la o vrst mai majorat. Deoarece se preconizeaz c impactul vrstei este n
) )
cretere apoi descrete, e de ateptat n acest caz ca 1 s fie pozitiv, iar 2 s fie negativ (restul
coeficienilor avnd aceleai semne). Anume acest fenomen este exact acla care a fost observat
de muli cercettori n domeniul economiei muncii.
Spre regret, nu toate polinoamele pot fi utilizate ca curbe-mijloace de prognozare. n
realitate, orice n observaii pot fi aproximate exact (toate reziduurile fiind egale cu 0) printr-o
curb de regresie sub form de polinom de gradul (n 1) (avnd ca variabilele independente
X , X 2 , X 3 ,L, X n 1 ). n acest caz regresia se transform ntr-o taftologie matematic dar nu
relaie statistic i ne ofer un tablou fals al realitii. n concluzie, folosirea polinoamelor de
grad nalt n analiza regresional va fi evitat atta timp ct teoria corespunztoare nu e
elaborat pentru aceste forme funcionale.
n regresia polinomial interpretarea coeficienilor specifici devine dificil, i ecuaia poate
produce efecte nedorite pentru domeniu speciale ale variabilei X . De exemplu, coeficientul
individual pentru polinomul de ordinul 3 poate fi pozitiv pentru un domeniu al variabilei X ,
apoi negativ pentru alt domeni ce va urma, i apoi din nou pozitiv. Utilizarea polinoamelor de
ordin nalt va fi inoportun atta timp ct nu exist o teorie special ntru susinerea acestui tip
de relaii. Chiar i polinomul de gradul doi, cum este acela din ecuaia examinat, impune un
coeficient unghiular simetric ( nclinaia, sau invers nclinaie) care n unele cazuri poate
s nu fie rezonabil. Deci, n orice prob cnd se folosete ecuaia polinomial de regresie este
necesar o atitudine de precauie, aste necesar certitudinea c forma funcional atinge acele
obiective care sunt susinute din punct de vedere teoretic i nu altele.
55
13.6. Forma invers (hiperbola)
Forma funcional invers exprim variabila dependent Y ca o funcie invers de una sau
mai multe variabile independente (n cazul examinat numai de o singur variabil independent
1
X 1 ): Yi = 0 + 1 + 2 X 2i + i , forma funcional invers se va utiliza atunci cnd impactul
X 1i
ei asupra unei variabile dependente se ateapt a fi aproape de 0, n timp ce variabila
independent crete i eventual se apropie de infinit. Vom nota, c n asemenea circumstane,
odat cu creterea variabilei independente X 1 , impactul ei asupra variabilei dependente Y
descrete.
n ecuaia examinat variabila independent X 1 nu poate lua valori de 0, deoarece atunci
prin mprire la zero se obine valoarea de infinit, sau o valoare nedeterminat. Coeficienii
Y Y
unghiulare sunt: = 12 ; = 2 ; coeficientul unghiular pentru variabila independent
X 1 X1 X 2
X 1 se ncadreaz n dou categorii, fiecare din ele fiind oglindite pe desen:
Oricum, din cnd n cnd, apar circumstane n care modelul din considerente logice este
neliniar n variabile, ns forma exact a acestei neliniariti este greu de conceput. n aa caz,
forma liniar nu este corect, i chiar alegerea dintre diverse forme neliniare nu poate fi fcut
n baza teoriei economice. Oricum, tocmai n aceste cazuri, rmne s ne achitm (n termenii
nelegerii relaiei adevrate) pentru evitarea alegerii formei funcionale numai n baza
aproximrii reuite. Se pot da dou rspunsuri la aceast problem:
1. R 2 este greu de comparat atunci cnd variabilele dependente sunt transformate.
2. Forma funcional incorect poate prezenta o aproximare rezonabil a observaiilor, dar are
potenial mare de a produce erori n pronosticare, cnd se efectueaz previziunea n afara
regiunii observabile.
57
13.7.1 R 2 este dificil de comparat cnd variabila dependent Y este transformat
Atunci cnd variabila dependent este transformat de la versiunea sa liniar, R 2 nu poate fi
folosit pentru compararea aproximrii ecuaiei neliniare cu acea liniar de origine. Problema
dat, n majoritatea cazurilor, nu este important deoarece n analiza regresional aplicat
accentul se pune de regul pe estimarea coeficienilor. Oricum, dac R 2 (sau R 2 ) totui se
folosete pentru comparaia a dou aproximri pentru forme funcionale distincte, atunci aceasta
devine esenial deoarece acest gol a comparabilitii va fi memorat. Fie ca se face tentativa de a
compara ecuaia liniar Y = o + 1 X 1 + 2 X 2 + cu versiunea ei n semilogaritmi:
ln Yi = o + 1 ln X i + i . Vom meniona c unica diferen dintre aceste dou ecuaii const n
forma prezentrii pentru variabila dependent. Coeficientul de determinaie R 2 pentru ecuaia
respectiv nu poate fi utilizat pentru comparaia aproximaiilor a dou ecuaii din cauza c
suma total a devierilor ptratelor (TSS) a variabilei dependente de la valoarea medie este
distinct pentru aceste dou formulri. Deci coeficientul de determinaie R 2 nu poate fi
comparat ntruct variabilele dependente sunt diferite. Nu exist motiv pentru care dou
variabile dependente distincte s aib devierea de la valoarea medie identic sau comparabil.
Deoarece (TSS) este diferit, coeficientul de determinaie R 2 (sau coeficientul de determinaie
R 2 ajustat) nu pot fi comparai.
Calea de a evita aceast problem const n crearea quazi- R 2 prin transformarea
valorilor pronosticate a variabilei dependente nelineare ntr-o form care este n mod direct
comparabil cu variabila de origine dependent. Aceasta variabil dependent transformat este
apoi folosit la calcularea quazi- R 2 . n esen, quazi- R 2 este R 2 care permite comparaia
aproximrilor ecuaiei obinute prin forme funcionale distincte, transformnd valorile
pronosticate ale unei variabile dependente n forma funcional a altei variabile dependente.
Pentru exemplul expus ar nsemna executarea urmtorilor etape:
)
) Estimarea ecuaiei ln Yi = o + 1 ln X i + i i determinarea ln Y pr
) )
b) Transformarea ln Y pr prin antilogaritmare anti ln(ln Yi ) = Yi .
) Calcularea quazi- R 2 sau (quazi- R 2 ) folosind valorile calculate noi ale antilogaritmilor
)
drept Yi pentru a obine reziduurile necesare n ecuaia pentru R 2 . quazi- R 2
[Y ]
) 2
anti ln(ln Yi )
=1 i
. Acest quazi- R 2 pentru ecuaia n logaritmi este n mod direct
[Y Y ]
2
i
59
Date cruciate, pentru care pentru n momentul de timp fixat se cerceteaz diferite
obiecte.
Date de panou, care reprezint date de chestionare, date experimentale i constituie cele
mai veridice date.
60
Majoritatea regresiilor studiate sunt instantanee dup natura lor. Cu alte cuvinte, ele includ
valorile variabilelor dependent i independente n aceiai perioad de timp:
Yt = 0 + 1 X 1t + 2 X 2t + t , indicele t se refer la puncte distincte n timp, i atunci cnd toate
variabilele au acelai indice, ecuaia este instantanee n timp. Dar nu toate situaiile n economie
sau busines implic relaii instantanee n timp ntre variabila dependent i variabilele
independente. n multe cazuri este necesar de a oferi posibilitatea ca s treac ceva timp ntre
schimbrile n variabila independent i schimbarea rezultativ n variabila dependent. Durata
acestui timp dintre cauz i efect se numete lag. Multe ecuaii econometrice includ una sau mai
multe variabile independente cu ntrzieri n timp cum ar fi X t 1 , unde indicele t 1 indic c
observaia X t 1 s refer la perioada de timp ce preced momentul de timp t , cum ar fi n
ecuaia ce urmeaz:
Yt = o + 1 X 1t 1 + 2 X 2t + t . Orice schimbare pe piaa agricol, cum ar fi creterea n pre care
fermierul poate s-o ctige pentru promovarea produsului, are un efect ntrziat asupra ofertei
produsului, Cantitatea oferitt=f(Pret-1, etc). Similar, multe teorii macroeconomice au o
structur explicit ntrziat ncorporat n ele. Durata n timp dintre deciziile luate cu privire la
aa politici macroeconomice (ca cheltuieli guvernamentale sau creterea n oferta de mijloace
bneti) i impactul acestora asupra Produsului Intern Brut, angajarea n serviciu sau preuri, de
regul, se msoar n ani. Creterea ofertei de bani stimuleaz Produsului Intern Brut n partea
simulrii investiiilor, dar investiiile nu pot crete peste noapte deoarece deciziile necesit a fi
luate, planurile necesit a fi formate, lucrtori adiionali necesit a fi angajai i aa mai departe.
ntradevr, cum a notat economistul Milton Friedman, odat estimate schimbrile n politica
monetar iau de la 6 pn la 30 de luni pentru a fi complet plsate n economie.
Dac este formulat ipoteza pentru un lag simplu, apar dificulti n folosirea lagului n
ecuaiile econometrice. Variabila cu ntrziere n timp este introdus n ecuaia econometric ca
i o alt variabil independent. De exemplu, ecuaia ofertei de bumbac are o form de:
C t = F ( PC t 1 , PFt ) = 0 + 1 PC t 1 + 2 PFt + t , (*)
unde
Ct - ofertei de bumbac n anul t ;
PC t 1 - preul bumbacului n anul t 1 ;
PFt - costul muncii de fermier n anul t .
Semnificaia coeficientului de regresie pentru variabilele cu ntrziere nu-i aceiai ca pentru
variabilele fr ntrziere. Coeficientul estimat pe lng variabil cu ntrziere msoar
schimbrile n valoarea Y din anul curent atribuit la schimbarea cu o singur unitate n
valoarea variabilei X din anul trecut (fiind pstrate constante valorile pentru altele variabile
independente X s n ecuaie). Deci parametrul 1 msoar (n ecuaia *) numrul unitilor de
bumbac care vor fi produse n plus n anul curent n urma schimbrii cu o unitate a preurilor la
bumbac n anul trecut, preul muncii fermierului rmnnd ne schimbat.
Comparnd aceste dou situaii tragem concluzia c 1 reprezint ctigul mediu adiional
obinut de nvtorul care are gradul de master n raport cu ctigul nvtorului care are numai
de gradul de bacalavr, ambii avnd aceiai experien de munc. Abilitatea de a postula semnul
coeficientului de regresie este esenial n analiza regresional. Astfel variabila dummy este
numit variabil dummy de intersecie deoarece ea n realitate schimb punctul de intersecie
a regresiei n dependen de faptul dac are nvtorul gradul de master sau nu.
O formulare de alternativ a modelului de regresie va fi dac vom defini X 1i ca:
0, daca invatatorul "i" are . .
X 1i =
1, in caz contrar
Aceste condiii schimb politica. n acest caz 1 va fi interpretat ca diferena dintre ctigul
mediu al nvtorului cu gradul de B., A. i acel nvtor care are gradul de M . A. , i semnul se
presupune a fi negativ. Deoarece coeficientul 1 a variabilei definite vine cu semnul invers, el
va avea aceiai amplitud absolut ca i 1 pentru variabila original. Sensul const n aceia c
aceti doi coeficieni msoar exact acelai eveniment (dar n direcii opuse). n acest sens
definiia variabilelor dummy este arbitrar. ns, odat ce ele au fost definite, o singur
interpretare poate fi prezentat.
E de menionat, c n acest exemplu s-a folosit o singur variabil dummy chiar dac au
existat dou condiii. Aceasta se ntmpl din cauza c condiiile se construiesc n baza unei
singuri variabile. Evenimentul nu este prezentat explicit de variabila dummy, condiia omis
formeaz baza cu care condiia inclus se compar. Astfel, n situaiile duale (de felul M . A. i
B., A. ), numai o singur variabil dummy se include fiind independent; coeficientul este
interpretat ca efectul condiiei incluse n raport cu condiia omis. Dac a treia condiie (cum ar
fi existena Ph.D) va fi inclus, atunci numai dou variabile vor fi folosite.
M . A. Yi = 0 + 1 + 2 X 2i
Yi = 0 + 2 X 2i
0 + 1 1
0 B. A.
X2
62
nceptorii deseori greesc cnd includ variabile dummy n conformitate cu numrul
condiiilor, ns aa model este inutil deoarece variabila dummy adaug constante, care sunt
perfect multicolineare cu termenul de intersecie care deja este n ecuaie. Multicolinearitatea
perfect este definit ca o relaie liniar ntre o parte sau toate variabilele explicative. Aceasta se
ntmpl deoarece suma variabilelor dummy este egal cu o unitate pentru toate observaiile
care au fost executate. Programele de regresie, utilizate la calculator, n acest caz nu vor
prezenta nici un rezultat.
Variabila dummy, care are o singur observaie cu valoarea 1, restul observaiilor avnd
valoare 0 (sau viceversa) va fi evitat. Aa aciune de o dat dummy, pur i simplu elimina
aceast observaie din setul de date, evaluarea artificial determinnd coeficientul pentru
variabila dummy egal cu valoarea rezidual pentru aceasta observaie. Aceiai estimaie poate
fi obinut pentru restul coeficienilor, dac observaia va fi exclus, dar excluderea observaiei
este pur i simplu de fiecare dat mai potrivit.
Uneori variabilele dummy se utilizeaz n calculele variaiilor sezoniere pentru datele n
modele cu iruri temporale. De exemplu, dac
1 in I trimestru
X 1t =
0 in celelalte
1 in trimestru II
X 2t = ,
0 in celelalte
1 in trimestru III
X 3t =
0 in celelalte
atunci Yt = 0 + 1 X 1t + 2 X 2t + 3 X 3t + 4 X 4t + t , unde X 4 - este variabila independent
diferit de dummy, i t este indicele observaiilor trimestriale. Vom nota c numai trei
variabile dummy sunt necesare pentru prezentarea a patru anotimpuri. n aceast formulare 1
indic cu ct valoarea ateptat pentru Y n primul trimestru difer de valoarea ateptat a lui Y
n trimestrul patru, condiia omis. 2 i 3 pot fi interpretate similar.
Procedeul poate fi aplicat numai n cazul cnd Y i X 4 nu sunt ajustate sezonier nainte
de estimare. Includerea variabilelor dummy conform anotimpului desezoniarizeaz
variabila Y , la fel ca i alte variabile independente care nu sunt ajustate dup anotimp.
....................................................
yn = an1 x1 + an 2 x2 + K + anm xm + n.
Numrul factorilor xi n fiecare ecuaie poate s varieze n raport cu numrul limit. Modelul ce
urmeaz reprezint un atare exemplu:
y1 = f ( x1 , x2 , x3 , x4 , x5 )
y2 = f ( x1 , x3 , x4 , x5 )
y3 = f ( x2 , x3 , x5 )
y4 = f ( x3 , x4 , x5 )
64
de valorile teoretice n limita unei valori de eroare stocastic, n fiecare ecuaie este prezent
valoarea erorii stocastice.
n consecin, sistemul de ecuaii independente cu trei variabile dependente i patru variabile
independente (patru factori) ia forma:
y1 = a01 + a11 x1 + a12 x2 + a13 x3 + a14 x4 + 1,
y2 = a02 + a21 x1 + a22 x2 + a23 x3 + a24 x4 + 2 ,
y = a + a x + a x + a x + a x + .
3 03 31 1 32 2 33 3 34 4 3
ns, dac variabila dependent y dintr-o ecuaie face parte n calitate de factor x n alt ecuaie,
atunci recurgem la formarea unui sistem recursiv de ecuaii:
y1 = a11 x1 + a12 x2 + K + a1m xm + 1,
y2 = b21 y1 + a21 x1 + a22 x2 + K + a2 m xm + 2 ,
y3 = b31 y1 + b32 y2 + a31 x1 + a32 x2 + K + a3m xm + 3,
....................................................
yn = bn1 y1 + bn 2 y2 + K + bnm 1 ym + an1 x1 + an 2 x2 + K + anm xm + n.
n acest sistem variabila dependent y include n fiecare ecuaie ulterioar n calitate de factori
toate variabilele dependente din ecuaiile anterioare, la fel i mulimea factorilor x . Ca exemplu
unui atare sistem poate servi modelul de productivitate al muncii i modelul de randament al
fondurilor fixe sub forma ce urmeaz:
y1 = a11 x1 + a12 x2 + a13 x3 + 1,
y2 = b21 y1 + a21 x1 + a22 x2 + a23 x3 + 2 ,
unde y1 este productivitatea muncii; y2 este randamentul fondurilor fixe; x1 este nzestrarea
muncii cu fonduri; x2 este nzestrarea muncii cu energie electric; x3 este nivelul de calificare al
forei de munc.
Ca i n sistemul anterior, fiecare ecuaie poate fi examinat separat, iar parametrii acestei
ecuaii pot fi determinai cu ajutorul M.C.M.M.P.
Sistem de ecuaii simultane este cel mai frecvent utilizat n cercetrile econometrice. n
acest sistem unele i aceleai variabile dependente n unele ecuaii se regsesc n partea stng a
ecuaiei n timp ce n altele se regsesc n partea dreapt:
y1 =b12 y2 + b13 y3 + K + b1n yn + a11 x1 + a12 x2 + K + a1m xm + 1,
y = b y + b y +K+ b y + a x + a x +K+ a x + ,
2 21 1 23 3 2n n 21 1 22 2 2m m 2
...............................................................................................
yn = bn1 y1 + bn 2 y2 + K + bnn 1 yn 1 + an1 x1 + an 2 x2 + K + anm xm + n.
Acest sistem de ecuaii interidependente a primit denumirea de sistem de ecuaii comune,
sau sistem de ecuaii simultane. Prin aceast definiie se scoate n relief, c n sistemul examinat
unele i aceleai variabile y simultan se consider ca dependente n unele ecuaii i ca
independente n alte ecuaii. n econometrie acest sistem de ecuaii se mai numete i ca model
sub form structural. Spre deosebire de sistemele anterioare fiecare ecuaie din sistemul de
ecuaii simultane nu poate fi cercetat de sinestttor, i pentru determinarea parametrilor din
model nu poate fi utilizat M.C.M.M.P. tradiional. n acest scop se utilizeaz metode speciale
de evaluare.
Drept exemplu de sistem de ecuaii simultane poate servi modelul dinamic pentru pre i
salariu de felul urmtor:
y1 = b12 y2 + a11 x1 + 1,
65
unde y1 este ritmul de schimbare al salariului lunar; y2 este ritmul de modificare al preurilor;
x1 este procentul neangajailor n cmpul muncii; x2 este ritmul de schimbare a capitalului fix;
x3 este ritmul de modificare al preurilor de import la materia prim.
....................................................
y)n = n1 x1 + n 2 x2 + K + nm xm ,
unde ij sunt coeficienii modelului sub forma sa redus
Dup aspectul su modelul sub forma sa redus nici ntr-un fel nu se deosebete de la
sistemul de ecuaii independente, la care deja poate fi aplicat M.C.M.M.P. Prin aplicarea
M.C.M.M.P. putem estima coeficienii , poi cu ajutorul lor s evalum valorile variabilelor
endogene prin valorile variabilelor exogene.
Coeficienii formei reduse a modelului reprezint funcii neliniare n raport cu coeficienii
formei structurale a modelului. S examinm acest deziderat n baza unui exemplu simplu al
66
formei structurale, exprimnd coeficienii formei reduse a modelului ij prin coeficienii formei
structurale a modelului ais bik . n scopul simplitii n model nu este inclus termenul erorii
stocastice. Pentru modelul structural sub forma:
)
y1 = b12 y2 + a11 x1 y1 = 11 x1 + 12 x2 ,
forma redus se prezint ca: )
y2 = b21 y1 + a22 x2 , y2 = 21 x1 + 22 x2 ,
y1 a11 x1
Din prima ecuaie a modelului structural y2 pooate fi exprimat n felul urmtor: y2 = .
b12
y2 = y1 a11 x1 b12
Prin urmare sistemul de ecuaii simultane va fi prezentat ca:
y2 = b21 y1 + a22 x2 ,
y1 a11 x1
Din el obinem egalitatea = b21 y1 + a22 x2 , i atunci y1 b12b21 y1 = a11 x1 + b12 a22 x2 sau
b12
y1 = a11 x1 /(1 b12b21 ) + b12 a22 x2 /(1 b12b21 ) .
Deci, prima ecuaie din forma structural este prezentat ca ecuaie a formei de model redus:
y1 = 11 x1 + 12 x2 . Din ecuaia dat urmeaz, c coeficienii formei reduse a modelului sunt relaii
neliniare n raport cu coeficienii formei structurale a modelului, deci 11 = a11 /(1 b12b21 ) ,
12 = b12 a22 /(1 b12b21 ) .
Prin analogie putem demonstra, c coeficienii din ai doilea ecuaie ( 21 , 22 ) ai formei
reduse a modelului la fel se afl ntr-o relaie neliniar fa de coeficienii formei structurale a
modelului. n acest scop vom exprima variabila y1 din a doua ecuaie structural ca
y2 a22 x2
y1 = sau, dac nscriem aceasta expresie n partea stng a primei ecuaii din forma
b21
structural a modelului, obinem ( y2 a22 x2 ) / b21 = b12 y2 + a11 x1 .
a b a22
De unde avem y2 = 11 21 x1 + x2 , ceea ce corespunde ecuaiei din forma redus a
1 b21b12 1 b21b12
modelului: y2 = 21 x1 + 22 x2 deci 21 = a11b21 /(1 b21b12 ) 22 = a22 /(1 b21b12 ) .
ns n modelele econometrice, de regul, sunt incluse nu numai ecuaii, ce exprim legturile
ntre variabile separate i tendinele de evoluie a evenimentului, dar i diverse identiti. Aa
doar, n anul 1947, cercetnd dependena liniar a consumului ( c ) de la venitul ( y ), . Havelmo
a propus s fie considerat simultan i identitatea de venit. n acest caz modelul se prezint ca:
c = a + by
unde x sunt investiiile n capitalul fix i n stocurile de export i import, a, b sunt
y = c + x,
parametrii dependenei liniare ai variabilei endogene c de variabila endogen y . Estimrile lor
trebuie s in cont de identitatea de venit n deosebire de estimrile parametrilor n regresia
liniar obinuit.
Acest model conine dou variabile endogene c , y i o variabil exogen x . Sistemul redus
c = A0 + A1 x
de ecuaii va alctui: . x = ( y B0 ) / B1 , c = A0 + A1 ( y B0 ) / B1
y = B0 + B1 x
c = A0 A1B0 / B1 + A1 y / B1 = a + by , a = A0 A1B0 / B1 , b = A1 / B1 .
Din el putem obine valorile variabilei endogene c prin valorile variabilei exogene x .
Calculnd coeficienii modelului ( A0,A1,B0,B1 ), putem trece la coeficienii modelului sub forma sa
structural a, b , substituind n prima ecuaie a modelului sub forma sa redus expresia pentru x
din a doua ecuaie a modelului sub forma sa redus. Forma redus a modelului, dei permite s
obinem valorile variabilei endogene prin valorile variabilei exogene, n sens analitic este
67
inferioar modelului sub forma sa structural, deoarece n ea lipsesc legturile dintre variabilele
endogene.
Odat cu trecerea de la modelul sub forma sa redus la modelul sub forma sa structural,
cercettorul se confrunt cu problema de identificare. Identificarea nu e altceva dect
corespunderea univoc dintre forma redus i forma structural a modelului.
Vom examina problema de identificare pentru cazul sistemului de ecuaii cu dou variabile
endogene. Fie c modelul sub forma sa structural este exprimat ca:
y1 =b12 y2 + a11 x1 + a12 x2 + K + a1m xm,
unde y1 i y2 sunt variabile dependente simultane.
y2 = b21 y1 + a21 x1 + a22 x2 + K + a2 m xm ,
y2 a21 a
Din a doua ecuaie putem exprima y1 prin urmtoarea formul: y1 = x1 K 2 m xm .
b21 b21 b21
Atunci n sistem avem dou ecuaii pentru o singur variabil endogen y1 cu acelai set de
variabile exogene dar cu coeficieni diferii pe lng ele:
y1 =b12 y2 + a11 x1 + a12 x2 + K + a1m xm,
.
y1 = y2 / b21 a21 x1 / b21 a22 x2 / b21 K a2 m xm / b21
Existena a dou variante de calcul pentru coeficienii structurali ai aceluiai model ine de
identificarea incomplet a celei din urm. Modelul sub forma sa structural complet coninnd
n fiecare ecuaie din sistem n variabile endogene i m variabile exogene, este constituit
din n(n 1 + m) parametri. Deci, cu n = 2 i m = 3 , prezentarea complet a modelului sub forma
y1 =b12 y2 + a11 x1 + a12 x2 + a13 x3,
sa structural easte: . Observm, c modelul conine opt
y 2 = b21 y1 + a21 x1 + a22 x2 + a23 x3 ,
coeficieni structurali, ce corespunde expresiei n(n 1 + m) .
Modelul complet sub forma sa redus conine nm parametri. Ceea ce pentru ultimul
exemplu nseamn existena a ase coeficieni ai modelului sub forma sa redus. Acest fapt
poate fi confirmat dac ne adresm la modelul sub forma sa redus, care se exprima n felul
urmtor:
y1 = 11 x1 + 12 x2 + 13 x3 ,
. ntradevr, acest model conine ase coeficieni ij . n baza acestor
y2 = 21 x1 + 22 x2 + 23 x3
ase coeficieni ai modelului redus este necesar s determinm opt coeficieni structurali ai
modelului structural, ceea ce, n mod natural, nu poate conduce la o soluie unic. Modelul
structural complet conine mai muli parametri dect modelul redus. Respectiv n(n 1 + m)
parametri ai modelului structural nu pot fi determinai n mod univoc cu ajutorul nm parametri ai
modelului redus.
Pentru a obine soluia unic posibil pentru modelul structural este necesr s presupunem,
c unii dintre coeficienii modelului, demonstrnd o relaie insuficient a factorilor cu variabila
endogen din partea stng a sistemului, sunt egali cu zero. n aa mod se va micora numrul
coeficienilor structurali din model. Deci, dac vom admite, c n modelul examinat
a13 = 0 , a21 = 0 , modelul structural se va prezenta ca:
y1 =b12 y2 + a11 x1 + a12 x2,
. n acest model numrul coeficienilor structurali nu depete numrul
y
2 = b y
21 1 + a x
22 2 + a x
23 3
coeficienilor din modelul redus, care este egal cu 6. Micorarea numrului coeficienilor
structurali din model este posibil i n alt mod: de exemplu prin egalarea unor coeficieni ntre
68
ei, deci prin admiterea, c impactul lor asupra variabilei endogene este acelai. Asupra
coeficienilor structurali pot fi aplicate restricii de felul bij + aij = 0 .
De pe poziia de identificare modelele structurale pot fi mprite n trei categorii:
modele ce pot fi identificate;
modele ce nu pot fi identificate;
modele ce sunt supraidentificate.
Modelul poate fi identificat, dac toi coeficienii structurali sunt determinai n mod inivoc, deci
numrul de parametri din modelul structural este egal cu numrul de parametri din modelul
redus. n acest caz coeficienii structurali din model sunt evaluai prin parametrii modelului
redus i este posibil de identificat modelul. Modelul structural cu dou variabile endogene i trei
variabile exogene, examinat anterior, care conine ase coeficieni structurali reprezint un
model identificat.
Modelul nu poate fi identificat, dac numrul coeficienilor redui e mai mic dect numrul
coeficienilor structurali, prin urmare coeficienii structurali nu pot fi estimai cu ajutorul
coeficienilor modelului sub forma sa redus. Modelul structural complet, care conine n
variabile endogene i m variabile exogene (predeterminate) n fiecare din ecuaiile sistemului,
nu poate fi identificat.
Modelul este supraidentificat, dac numrul coeficienilor redui e mai mare dect numrul
coeficienilor structurali. n acest caz cu ajutorul coeficienilor modelului sub forma sa redus
pot fi obinute dou sau mai multe valori pentru un singur coeficient structural. n atare model
numrul coeficienilor structurali e mai mic dect numrul coeficienilor modelului sub forma sa
redus. Deci, dac n modelul structural complet se admite c unii coeficieni iau valori nule
a13 = 0 , a21 = 0 , dar i a22 = 0 , atunci sistemul de ecuaii devine supraidentificat:
y1 =b12 y2 + a11 x1 + a12 x2,
. n acest sistem cinci coeficieni structurali nu pot fi determinai univoc
y2 = b21 y1 + a23 x3
folosind ase coeficieni din modelul sub forma sa redus. Modelul supraidentificat, spre
deosebire de modelul, care nu poate fi identificat, practic poate fi soluionat, ins necesit
procedee speciale pentru calcularea parametrilor.
Modelul structural este un sistem de ecuaii simultane, n care orice ecuaie necesit a fi
verificat privind subiectul de identificare. Modelul se consider identificabil, dac fiecare
ecuaie din acest sistem poate fi identificat. n cazul n care cel puin o ecuaie, care face parte
din sistem, nu poate fi identificat, i atunci modelul integral se consider imposibil de
identificat. Modelul supraidentificat conine cel puin o ecuaie, care este supraidentificat.
ndeplinirea condiiilor de identificare ale modelului se verific pentru fiecare ecuaie din
sistem. Pentru ca ecuaia s fie identificat este necesar ca numrul variabilelor predeterminate,
care nu fac parte din ecuaie ns este prezent n sistem, s fie egal cu numrul variabilelor
endogene, prezente n ecuaia examinat, fr una.
Dac s notm numrul variabilelor endogene n ecuaia j prin H , iar numrul variabilelor
exogene, care fac parte din sistem, ns nu sunt incluse n ecuaia n examinare, prin D atunci
condiia de identificare a modelului va lua forma urmtoarei reguli:
D + 1 = H - ecuaia poate fi identificat;
D + 1 < H - ecuaia nu poate fi identificat;
D + 1 > H - ecuaia este supraidentificat.
Admitem, c se consider urmtorul sistem de ecuaii simultane:
y1 =b12 y2 + b13 y3 + a11 x1 + a12 x2,
69
Prima ecuaie este exact identificat deoarece n ea sunt prezente trei variabile endogene -
y1 , y2 , y3 , deci H = 3 , i dou variabile exogene - x1 , x2 , numrul variabilelor exogene absente
este egal cu doi - x3 i x4 , D = 2 . Rezult c se ndeplinete egalitatea: D + 1 = H , .. 2 + 1 = 3 ,
ceea ce nseamn prezena ecuaiei identificabile.
n a doua ecuaie din sistem H = 2 ( y1 i y2 ) i D = 1 ( x4 ). Are loc egalitatea D + 1 = H ,
1 + 1 = 2 . Prin urmare, a doua ecuaie este identificabil.
Din a treia ecuaie desprindem, c H = 3 ( y1 , y2 , y3 ) ir D = 2 ( x1 , x2 ), deci, n conformitate
cu regula de calcul D + 1 = H , i aceasta ecuaie este identificabil. n aa mod este identificabil
sistemul integral.
S admitem c n modelul examinat a21 = 0 , a33 = 0 , atunci sistemul ea forma:
y1 =b12 y2 + b13 y3 + a11 x1 + a12 x2,
Prima ecuaie din acest sistem nu s-a modificat. Sistemul continuie s conin trei variabile
endogene i patru variabile exogene, deaceea pentru aceast ecuaie D = 2 i H = 3 i ea este
identificabil. A doua ecuaie d dovad de H = 2 i D = 2 ( x1 , x4 ), i regula de calcul ne ofer
2 + 1 > 2 . Prin urmare aceast ecuaie este supraidentificat. La fel se adeverete c este
supraidentificat i a treia ecuaie, n care H = 3 ( y1 , y2 , y3 ) i D = 3 ( x1 , x2 , x3 ), deci regula de
calcul demonstreaz inegalitatea: 3 + 1 > 3 sau D + 1 > H . Modelul integral este supraidentificat.
S presupunem, c ultima ecuaie din sistemul cu trei variabile endogene ea forma:
y3 = b31 y1 + b32 y2 + a31 x1 + a32 x2 + a34 x4, deci spre deosebire de ecuaia precedent n ea au fost
incluse nc dou variabile exogene, care fac parte din sistem x1 , x2 . n acest caz ecuaia devine
neidentificabil deoarece cu H = 3 i D = 1 , D + 1 < H , ir 1 + 1 < 3 . n pofida faptului, c prima
ecuaie este identificat, a doua ecuaie este supraidentificat, de aici rezult c modelul se
consider neidentificat, deci nu are soluie statistic.
Pentru estimarea coeficienilor modelului structural este necesar ca sistemul de ecuaii s fie
posibil de identificat sau acest sistem de ecuaii s fie supraidentificat.
Regula de calcul considerat reprezint o condiie necesar ns nu i suficient pentru ca
sistemul de ecuaii s fie posibil de identificat. O condiie mai perfect se determin n cazul n
care asupra coeficienilor matricei formate din parametrii modelului structural se aplic unele
condiii. Ecuaia poate fi identificat, dac n baza variabilelor endogene i exogene, care nu fac
parte din ecuaie, poate fi obinut o matrice din coeficienii ei pe lng alte ecuaii din sistem,
determinantul creia nu este egal cu zero iar rangul matricei nu e mai mic dect numrul
variabilelor endogene din sistem fr una.
Oportunitatea verificrii condiiei de identificare a modelului prin determinantul matricei
formate din coeficieni pe lng variabilele ce lipsesc n ecuaia examinat, dar care sunt
prezente n alte ecuaii ai sistemului, se explic prin faptul c e posibil situaia, pentru care
regula de calcul este ndeplinit, ns determinantul matricei pe lng coeficienii numii este
egal cu zero. n acest caz are loc numai condiia necesar pentru a fi identificat ecuaia
examinat, n timp ce condiia suficient este violat.
S considerm urmtorul model structural:
y1 =b12 y2 + b13 y3 + a11 x1 + a12 x2,
y2 = b21 y1 + a22 x2 + a23 x3 + a24 x4 , Vom verifica fiecare ecuaie din sistem n vederea ndeplinirii
y = b y + b y + a x + a x .
3 31 1 32 2 31 1 32 2
condiiei necesare i condiiei suficiente pentru a fi identificat ecuaia. Pentru prima ecuaie are
loc: H = 3 ( y1 , y2 , y3 ) i D = 2 ( x3 , x4 lipsesc, atunci D + 1 = H i condiia necesar de
identificare este satisfcut, prin urmare, ecuaia este exact identificat. Pentru verificarea
70
condiiei suficiente se va completa urmtorul tabel, format din coeficienii pe lng variabilele
care nu fac parte din prima ecuaie. Determinantul acestei matrice este egal cu zero, detA=0.
Ecuaii Variabile
x3 x4
2 a23 a24
3 0 0
n a doua ecuaie avem: H = 2 ( y1 , y2 ) i D = 1 ( x1 lipsete), regula de calcul confirm
faptul, c ecuaia este posibil de identificat ( D + 1 = H ). Este ndeplinit i condiia suficient
pentru a fi identificat ecuaia n cauz. Coeficienii de pe lng variabilele, care nu fac parte din
a doua ecuaie formeaz urmtoarea matrice:
Ecuaii Variabile
y3 x1
2 b13 a11
3 -1 a 31
n conformitate cu acest tabel, det A 0 , rangul matricei este egal cu 2, ceea ce corespunde
urmtorului criteriu: rangul matricei formate din coeficieni trebuie s fie nu mai mic dect
numrul variabilelor endogene fr una, deci a doua ecuaie poate fi exact identificat.
A treia ecuaie din sistem conine 2 variabile endogene i dou variabile exogene, care nu
aparin ecuaiei i H = 3 D = 2 , deci n conformitate cu condiia necesar aceast ecuaie este
exact identificat ( D + 1 = H ). O concluzie contrar obinem verificnd condiia suficient de
identificare. S alctuim tabelul coeficienilor de pe lng variabilele, care nu aparin acestei
ecuaii, din care conchidem c det A = 0 :
Ecuaii Variabile
x3 x4
2 0 0
3 a23 a24
Din tabel observm c se violeaz condiia suficient de identificare, prin urmare ecuaia nu
poate fi identificat. i atunci modelul structural examinat nu poate fi identificat n ansamblu,
deoarece, dat fiind satisfcut condiia necesar, este violat condiia suficient.
Deseori n modelele econometrice odat cu ecuaiile, parametrii crora necesit a fi estimai
statistic, se folosesc identiti de balan cu participarea variabilelor din model, coeficienii de
pe lng aceste variabile sunt egali cu 1 . Pentru acest caz, nectnd la faptul c nsui
identitile nu necesit verificare n privina identitii, n verificarea ecuaiilor structurale din
sistem aceste identiti particip.
De exemplu, s parcurgem la examinarea modelului econometric ce descrie economia unei
ri:
y1 = A01 +b13 y3 + b14 y4 + 1
y = A + b y + a x + ,
2 02 23 3 21 1 2
,
y3 = A03 + b34 y4 + a31 x1 + 3
y4 = y1 + y2 + x2
unde y1 sunt cheltuielile de consum final pentru anul curent; y2 sunt investiiile brute n anul
curent; y3 sunt cheltuielile pentru salarizare n anul curent; y4 este venitul brut pentru anul
curent; x1 este venitul brut pentru anul precedent; x2 sunt cheltuielile guvernamentale n anul
curent; A0i este termenii liber din ecuaia i ; i este eroarea stocastic din ecuaia i . Din acest
model fac parte patru variabile endogene ( y1 , y2 , y3 , y4 ), de menionat c una dintre ele, y4
este definit cu ajutorul unei identiti. i atunci, soluia statistic este necesar numai pentru
71
primele trei ecuaii ai modelului, care este necesar de verificat n vederea identificrii. Modelul
conine dou variabile predeterminate, una dintre care x2 este exogen iar alta este ntrziat x1 .
La soluionarea practic a problemei n baza informaiei statistice pentru un ir de ani sau n
baza unei totaliti de regiuni pentru un singur an n ecuaiile pentru variabilele endogene y1 ,
y2 , y3 , de regul, particip termenul liber A0i , i = 1,3 , valoarea cruia cumuleaz impactul
factorilor care nu au fost inclui n model i nu are nici o influen asupra problemei de
identificare a modelului.
Deoarece datele reale referitor la variabilele endogene y1 , y2 , y3 pot s difere de la acele
teoretice, postulate n model, este oportun ca n model s se introduc componenta aleatoare
pentru fiecare ecuaie din model, cu excepia identitilor. Componenta aleatoare (devierile),
notate ca i nu influeneaz soluionarea problemei de identificare a modelului.
n modelul econometric examinat prima ecuaie din sistem poate fi identificat deoarece
pentru ea H = 3 , D = 2 i are loc condiia necesar de identificare ( D + 1 = H ). Plus la aceasta,
este veridic i condiia suficient de identificare, n aa fel c rangul matricei respective este
egal cu 3 , iar determinantul ei nu este egal cu zero det A 0 .
Ecuaii y2 x1 x2
2 -1 a21 0
3 0 a31 0
4 1 0 1
La fel i a doua ecuaie din sistem este exact identificat deoarece are loc: H = 2 D = 1 , deci
se realizeaz regula de calcul ( D + 1 = H ), n acelai timp are loc i condiia suficient de
identificare, i anume: rangul matricei examinate este egal cu 3 , dr determinantul ei nu este
egal cu zero: det A = b34 :
Ecuaii y1 y4 x2
1 -1 b14 0
3 0 b34 0
4 1 -1 1
n mod analogic se identific i a treia ecuaie din sistem deoarece H = 2 D = 1 , deci se
ndeplinete regula de calcul ( D + 1 = H ), n acelai timp se ndeplinete i condiia suficient de
identificare, care constat c rangul matricei este egal cu 3 , ir determinantul ei nu este egal cu
zero: det A = 1 .
Ecuaii y1 y2 x2
Ecuaii
1 -1 0 0
2 0 -1 0
4 1 1 1
Identificarea ecuaiilor este un procedeu suficient de complicat i nu poate fi limitat la
examinarea situaiilor expuse anterior. Coeficienii structurali ai modelului pot fi supui unor
restricii adiionale, de exemplu pentru funcia de producere poate fi lansat ipoteza, c suma
elasticitilor s fie egal cu zero. Pot fi aplicate restricii asupra dispersiilor i covariaiilor
valorilor reziduale.
Coeficienii modelului structural pot fi estimai aplicnd diferite metode n dependen de
tipul sistemului de ecuaii simultane. Cele mai uzuale i mai bine cunoscute din literatura de
specialitate sunt urmtoarele metode de estimare a coeficienilor structurali din model:
metoda celor mai mici ptrete indirect;
metoda celor mai mici ptrate n dou trepte;
metoda celor mai mici ptrate n trei trepte;
72
metoda de maxim veridicitate cu informaie complet;
metoda de maxim veridicitate cu informaie incomplet.
Metoda celor mai mici ptrate indirect M.C.M.M.P.I. se aplic pentru sistemul simultan de
ecuaii, care poate fi identificat, iar metoda celor mai mici ptrate n dou trepte
M.C.M.M.P.D.T. se folosete pentru estimarea coeficienilor modelului supraidentificat.
Metodele rmase de estimare se utilizeaz i la estimarea sistemelor de ecuaii simultane
supraidentificate.
Metoda de maxim veridicitate se consider ceea mai generalizat metod de estimare,
rezultatele obinute cu ajutorul ei, dat fiind factorii distribuii normal, coincid cu acelea obinute
prin intermediul M.C.M.M.P. ns, n cazul cnd numrul ecuaiilor din sistem este foarte mare,
aceast metoda conduce la procedee de calcul foarte sofisticate. Deaceea n calitate de
alternativ se utilizeaz metoda de maxim veridicitate cu informaie incomplet (metoda celui
mai mic raport dispersional).
Spre deosebira de metoda de maxim veridicitate cu informaie complet n aceast
modificaie sunt scoase restriciile asupra parametrilor, care se refer la funcionarea sistemului
n ntregime. Ceea ce conduce la o soluie mai simpl, ns volumul de calcul rmne suficient
de nalt. Nectnd la popularitatea sporit a acestei metode n mijlocul anilor 60, ea a fost
practic nlocuit cu metoda celor mai mici ptrate n dou trepte M.C.M.M.P.D.T. fiind mult
mai simpl.
Metoda celor mai mici ptrate n trei trepte M.C.M.M.P.T.T. este o extensiune a
M.C.M.M.P.D.T. Aceast metod de estimare poate fi aplicat pentru toate tipurile de ecuaii
ale modelului structural. ns, n cazul cnd exist restricii asupra parametrilor, mai eficient se
adeverete M.C.M.M.P.D.T.
73
REFERINE
1. . ., . . :
. , , 1998.
2. . . , , 1980.
3. . -
. . . , , 2001, 343 .
4. dr. Nicos Economou. An Estimation of the Potential Output and the Output Gap of the
Moldovan Economy.Chisinau, MER, TACIS. Moldovan Economic Trends, 2002, q.4.,
pp.85-93.
5. . . , , 1976.
6. .
, . . , - ,
. . , , . . .
, , 2005, 353 .
7. dr. Apostolos Papaphilippou. An Econometric Estimation of the Import Demand in
Moldova. Chisinau, MER, TACIS. Moldovan Economic Trends, 2001, q.3., pp.93-99.
8. Ion Prachi, Alexandru Brail, Natalia icanu. Econometrie Aplicat. A.S.E.M.,
Chiinu, 1999, 172 p.
9. Pecican E., Econometrie. Editura All, Bucureti, 1994.
10. Schatteles T. Metode econometrice moderne, Universitas, Chiinu, 1992.
11. A. H. Studenmund. Using Econometrics (second edition). Washington. HarperCollins
Publishers Inc. 1992, 662 p.
12. . . , , 1978.
13. . . . , ,
1977.
14. Zaman C. Econometrie, Bucureti, 1998.
74
ANEXE
75
LUCRAREA DE LABORATOR Nr. 2
ESTIMAREA POTENIALULUI ECONOPMIC AL MOLDOVEI
76
LUCRAREA DE LABORATOR Nr. 3-4
EVALUAREA PRODUSULUI INTERN BRUT DIN PARTEA CERERII
t k = 2012 .
7. Selectnd anul 2001 drept an de baz, recalculai Yt n preurile anului 2001, presupunnd
c, ncepnd cu anul 2005, inflaia va lua valori din tabelul ataat mai jos, iar n 2004 inflaia
primete valoare de 7,5% .
PIBtnomlefec 6480 7798 8917 9122 12322 16020 19052 22556 27297
De.PIB2001
PIBtrealefec
Anii 2004 2005 2006 2007 2008 2009 2010 2011 2012
De.PIB2001
PIBtnominefect
PIBtprevez
unde sporirea produciei pentru o unitate de investiii, iar s este norma acumulrilor,
s = 1 c , aici s este nclinaia la limit spre consum, Yt este produsul intern brut n anul t 0 .
0
1995-2002.
2. S se calculeze PIB pentru anii 2004-2012 n conformitate cu formula:
Yt = (1 + g ) t Yt
0
s
unde ritmul garantat de cretere este g = . Aici v este determinat de principiul de
vs
accelerare, adic I t = v (Yt Yt 1 ) , Yt este produsul intern brut n anul t , iar Yt 1 este produsul
intern brut n anul t 1 , s este norma acumulrilor, s = 1 c , aici c este nclinaia la limit spre
consum, Yt este produsul intern brut n anul t 0 .
0
Etapa IV. Evaluarea salariului nominal i real n baza funciei de producere Cobb-
Douglas.
INDICATORII PRINCIPALI
MACROECONOMICI
1995 1996 1997 1998 1999 2000 2001 2002
Produsul intern brut (PIB)
mil.lei 6480 7798 8917 9122 12322 16020 19052 22556
Consumul final:
mil.lei 5371 7356 8681 9203 11090 16503 19263 23289
Formarea brut de capital:
mil.lei 1612 1891 2123 2360 2820 3836 4436 4886
Investiii n capital fix:
mil.lei 844,8 987,4 1202,2 1444,4 1591,8 1759,3 2315,1 2804,2
78
LUCRAREA DE LABORATOR Nr. 5
LICHIDAREA FENOMENULUI DE ETEROSCEDASTICITATE
Preul Volum
Nr. Yi (lei) ul Xi Yiestim. ui ui*ui ln(ui*ui) ln(Zi) Yi/Xi
1 4,6 2
2 4,6 2
3 4,7 2
4 5 4
5 5,2 4
6 5,4 4
7 5,6 6
8 5,8 6
9 5,9 6
10 6,3 8
11 6,5 8
12 6,8 8
13 7,4 10
14 7,6 10
15 7,1 10
16 4,8 2
17 5 2
18 5,1 2
19 5,4 4
20 5,5 4
21 5,6 4
22 6,3 6
23 6,3 6
24 6,4 6
25 7,2 8
26 7,4 8
27 7,5 8
28 8,2 10
29 8,4 10
30 8,8 10
Total
Media
Y = bo + b1*X
Y* = Y/X = bo* 1/X + b1
Y = bo + b1*X
79
LUCRAREA DE LABORATOR Nr. 6
LICHIDAREA FENOMENULUI DE AUTOCORELARE N SERIE
Consumul Venitul
2
Anul Yt Xt Ytestim ut ut*ut ut-ut-1 ut*ut-1 ut-1*ut-1 Y*t X*t Y*testim u*t (u*t) u*t-u*t-1
1 84,4 88,0
2 91,9 94,0
3 99,2 100,0
4 104,0 106,0
5 109,0 110,0
6 117,8 119,0
7 122,9 127,0
8 130,0 135,0
9 138,7 143,0
10 149,1 155,0
11 158,0 167,0
12 167,5 177,0
13 177,8 186,0
14 186,6 197,0
15 195,7 211,0
16 208,6 228,0
17 221,5 239,0
18 232,1 252,0
Total
Media
DW*2 dU dL
1,39 1,16
Yt-ro*Yt-1=b0+b1*(Xt-ro*Xt-1)
Yt=b0+b1*Xt+ro*Yt-1-b1*ro*Xt-1
80
LUCRAREA DE LABORATOR Nr. 7
LICHIDAREA FENOMENULUI DE MULTICOLINEARITATE
Nr. Y X1 X2 X3 X4 SumXi
1 74,3 1,0 29,0 15,0 52,0
2 72,5 1,0 31,0 22,0 44,0
3 83,8 1,0 40,0 23,0 34,0
4 93,1 2,0 54,0 18,0 22,0
5 102,7 3,0 71,0 17,0 6,0
6 78,5 7,0 26,0 6,0 60,0
7 95,9 7,0 52,0 6,0 33,0
8 109,4 10,0 68,0 8,0 12,0
9 104,3 11,0 56,0 8,0 20,0
10 87,6 11,0 31,0 8,0 47,0
11 109,2 11,0 55,0 9,0 22,0
12 113,3 11,0 66,0 9,0 12,0
13 115,9 21,0 47,0 4,0 26,0
81