ECONOMETRIE

Curs 10

CSIE
Analiza de regresie în cazul
modelelor econometrice
neliniare în variabilele
explicative dar liniare în
parametrii modelului

2
Modele liniare

3
 Regresia Lin-Lin (Level-Level)

Y = β0 + β1 X + ε ⇒ ∆Y = β1∆X
Interpretarea lui β1.
Coeficientul β1 arată că, atunci când X creşte cu o unitate, ne
aşteptăm ca Y să crească sau să scadă, în medie, cu β1 unităŃi.
Ipoteza de liniaritate în variabile nu este una restrictivă deoarece
variabila dependentă şi variabilele independente pot fi transformări ale
variabilelor ce nu respectă condiŃia de liniaritate. Dezavantajul utilizării
unei forme funcŃionale liniare este că nu este potrivit pentru relaŃiile
economice neliniare.
Teoria economică nu precizează forma funcŃiei care trebuie să
definească modelul de regresie. Se consideră că este potrivită alegerea
unei forme liniare între variabilele economice dacă raportul
dY
= β1 = constant.
dX
Coeficientul β1 este numit parametru pantă (slope).
4
 Regresia Lin-Lin (Level-Level)

Elasticitatea variabilei Y în raport cu variabila X în cazul modelului de

regresie liniară este:
dY / Y dY X X
EY | X = = ⋅ = β1 ⋅
dX / X dX Y Y
În practică, coeficientul de elasticitate pentru modelul liniar este calculat la
∆y x
valorile medii de selecŃie: EY / X = ⋅ .
∆x y
Ipoteza care ne permite estimarea parametrilor unui model prin MCMMP este
liniaritatea în raport cu parametrii modelului, nu liniaritatea în variabile.
Pentru un model de regresie liniar în variabilele explicative, rata de modificare
(panta) a variabilei dependente rămâne constantă pentru o modificare cu o
unitate a variabilei independente;
Pentru modelele de regresie neliniare în variabilele explicative, panta nu rămâne
constantă.

5
Modele de regresie neliniare

6
 Modele de regresie neliniare

Transformările liniare nu afectează forma distribuŃiei.

Transformarea xi∗ = α0 + α1xi va produce observaŃiile x1∗ , x2∗ ,..., xn∗ .
În contextul analizei de regresie, aceasta înseamnă că se vor schimba
coeficienŃii pantă şi de interceptare, dar coeficientul de determinaŃie,
erorile standard şi rapoartele t vor rămâne aceleaşi.
Pentru a schimba forma unei distribuŃii se folosesc transformările
neliniare.
De exemplu, folosim funcŃia putere, sau logaritm sau rădăcina pătrată.
Motive pentru a folosi transformări neliniare:
- poate fi redusă asimetria din date.
- numărul de valori aberante (puncte care se află la distanŃă mare
de curba ajustată) poate fi redus.
- aproximarea funcŃiei de regresie a populaŃiei printr-o funcŃie
liniară este eronată pentru multe variabile economice. 7
Exemple de modele neliniare
în variabilele iniŃiale,
care pot fi transformate în
modele liniare

8
1) Modelul log-log sau cu elasticitate constantă (1)

9
1) Modelul log-log sau cu elasticitate constantă (2)

10
1) Modelul log-log sau cu elasticitate constantă (3)

11
1) Modelul log-log sau cu elasticitate constantă (4)

12
1) Modelul log-log sau cu elasticitate constantă (5)

13
1) Modelul log-log sau cu elasticitate constantă (6)

14
2) Modelul lin-log (1)

15
2) Modelul lin-log (2)

16
3) Modelul log-lin (1)

17
3) Modelul log-lin (2)

18
3) Modelul log-lin (3)

19
 Când putem compara doi coeficienţi de determinaţie?

ObservaŃie: Putem compara două sau mai multe modele de regresie, cu

scopul de a-l alege pe cel care aproximează cel mai bine datele de
observaŃie, numai dacă avem aceeaşi variabilă dependentă.

În cazul a două modele putem compara valorile coeficienŃilor de

determinaŃie doar dacă variabila dependentă este în aceeaşi formă.

Este logic deoarece în modelul liniar coeficientul de determinaŃie

măsoară proporŃia din variaŃia variabilei dependente Y, explicată prin
variaŃia variabilei independente X, iar în modelul log-log coeficientul de
determinaŃie măsoară proporŃia din variaŃia variabilei lnY, explicată prin
variaŃia variabilei lnX.

20
4) Modelul reciproc sau hiperbolic (1)

21
4) Modelul reciproc sau hiperbolic (2)

22
 5) Modele log-liniare multiple.
Funcţia de producţie Cobb-Douglas (1)

23
Funcţia de producţie Cobb-Douglas (2)

24
Funcţia de producţie Cobb-Douglas (3)

25
Funcţia de producţie Cobb-Douglas (4)

26
 Funcţia de producţie Cobb-Douglas (5)
c) CoeficienŃii estimaŃi sunt semnificativi statistic, pe baza unui test
unilateral.
β1 este semnificativ statistic (t-Statistic=9,0624 > 1,74)
β 2 este semnificativ statistic (t-Statistic=1,8295 > 1,74))
Folosim un test unilateral deoarece atât Capitalul cât şi ForŃa de muncă
au un efect pozitiv asupra outputului. Valoarea tabelară este 1,74, pentru
nivelul de semnificaŃie 5% şi df=20-3=17.
Impactul capitalului pare a fi mai mare decât cel al forŃei de muncă.
Testarea validităŃii modelului
H 0 : β1 = β 2 = 0 (modelul nu este valid)
Valoarea calculată F este semnificativă (p-value este aproape 0).
Respingem ipoteza nulă că forŃa de muncă şi capitalul împreună, nu au
nici un impact asupra outputului.
Coeficientul de determinaŃie este R 2 = 0,9950 . Rezultă că 99,5% din
variaŃia în logs(output) este explicată prin variaŃia în logs Capitalului şi
ForŃei de muncă. Modelul aproximează datele din eşantion foarte bine. 27
Funcţia de producţie Cobb-Douglas (6)

28
Funcţia de producţie Cobb-Douglas (7)

29
Funcţia de producţie Cobb-Douglas (8)

30