Documente Academic
Documente Profesional
Documente Cultură
Din graficul de mai sus se observa ca intre variabilele X si Y exista o legatura dependent
si liniara. Astfel, se poate considera ca intre cele doua variabile exista o relatie de tipul:
y=β0+β1xi+εi , unde i=1->20.
In cele ce urmeaza se doreste estimarea modelului , pentru aceasta am realizat tabelul
Anova folosind Microsoft Excel.
Folosim statistica: F=SSR / [SSE/(n-2)] care urmează o distributie Fα ;1, n-2 .
Dacă Fcalculat > Fcritic respingem H0 si acceptăm H1 =>Modelul este valid statistic.
F calculat=37.46044 ;
F tabelat = Fcritic = Fα ;1, n−2=4.098172.
Cum F calculate > F critic => Respingem H0 si acceptam H1 => Modelul este valid statistic.
Astfel, se poate concluziona faptul ca presupunerea conform careia venitul disponibil
influenteaza in mod direct cheltuielile de dezvoltare, modelul fiind valid din punct de vedere
statistic.
Mai jos este prezentat output-ul modelului de regresie liniara unifactoriala, realizat in
Excel.
Statistica t urmeaza o distrbutie Student cu (n-2) grade de libertate daca H0 este adevarata.
Regiunea critica este Rc : |t calc|> t a/2;n-2.
Se observa din tabelul Anova ca β1=0.124518 =>respingem ipoteza nula H0 si acceptam ipoteza
H1=> β1 este semnificativ statistic pentru modelul dat.
Β0=0.569051.
Din output se poate observa ca parametrul panta β1 apartine intervalului de incredere, cu
un nivel de incredere de 95% , in acest caz , daca s-ar face 100 incercari, in 95 dintre acestea
parametrul se va incadra in interval => parametrul panta este semnificativ statistic, la un nivel
de incredere de 5%.
In cele ce urmeaza, se vom prezenta seria rezidurilor rezultate in urma regresiei liniare
unifactoriale.
Dupa ce dreapta de regresie a fost estimata, este important sa se evalueze rezultatele, sa se
stie cat de bine ajusteaza sau aproximeaza aceasta dreaptă datele de selectie. Utilizarea MCMMP
asigura faptul ca valorile găsite pentru β0 si β1 sunt cele care aproximeaza cel mai bine datele de
observatie, in sensul specific de minimizare a sumei patratelor reziduurilor. Nu există nici o
garantie că β0 si β1 corespund exact cu parametrii necunoscuti si nici dacă dreapta de regresie,
determinata ca fiind cea mai buna sau cea mai potrivita, aproximeaza corect datele observate.
Un indicator ce poate descrie calitatea reprezentării, adică a liniei de regresie estimată, este
coeficientul de determinatie, notat R^2.
Pentru testarea semnificatiei dependentei dintre cele doua variabile se utilizeaza testul :
H0: ϼ = 0 (coeficientul de corelatie nu este semnificativ statistic, deci intre cele doua variabile nu
exista o dependent liniara semnificativa )
H1 : ϼ ≠ 0 (coeficientul de corelatie este semnificativ statistic, deci intre cele doua variabile exista
dependeta liniara )
Se poate ajunge astfel la concluzia urmatoare, urmarind datele din output-ul de regresie
obtinut: coeficientul de corelatie este semnificativ statistic, deci intre cele doua variabile nu exista
o dependent liniara semnificativa.
In scopul studierii legaturii liniare dintre cheltuielile pentru cercetare si dezvoltare si venit,
consideram modelul liniar: Cheltuieli de cercetare si dezvoltare = β0 + β1Venit +ε i .
Cheltuielile de cercetare si dezvoltare =Y iar venitul disponibil=X.
Se preconizeaza la o relatie pozitiva intre cele 2 variabile.
S-a realizat in EViews modelul liniar de regresie pentru studiul legaturii dintre cele 2
variabile.
Rezultatele regresiei sunt urmatoarele:
Ӯ=15.32254+0.504057Venit
Se=(8.722279) (0.035858)
R^2=0.91651
Din grafic se vede poate observa ca valoarea absoluta a rezidurilor creste pe masura ce
veniturile cresc, ceea ce sugereaza ca ipoteza de homoscedasticitate nu este indeplinită=>Exista
heteroscedasticitate.
Testul White solicita ca, dupa determinarea rezidurilor din regresia originala, sa se
calculeze o regresie auxiliara a patratelor rezidurilor in raport cu o constanta, variabilele
explicative ale modelului original, patratele lor si produsele lor incrucisate.
Regresia auxiliara este de forma :
ei = a + a xi + a xi + ui
Se estimeaza această regresie auxiliară prin MCMMP.
H0 : a1 = a2 = 0 (erorile aleatoare sunt homoscedastice)
H1 :Exista ai ≠ 0, i =1,2 (erorile aleatoare sunt heteroscedastice)
Observam că Prob. (F-statistic) = 0,0008 iar Prob. (Chi-square statistic) = 0,0035.
Deoarece P-value < a respingem H0 si acceptăm H1=>erorile aleatoare sunt
heteroscedastice.
Interpretarea rezultatelor:
Statistica Jarque-Bera = 2.527007
Probability(JB) = 0,282662
Deoarece Probabilitatea asociata statisticii JB nu este < 0,05 respingem H1 si acceptam
H0-> Reziduurile au distributie normala.
Modelul Multifactoria de regresie
Pentru a exemplifica utilitatea modelului multifactorial de regresie liniara, s-a adaugat o noua
variabila xi2, si anume timpul, masurat pe o perioada de 20 de ani.
SUMMARY OUTPUT
Regression Statistics
Multiple R 0.970577
R Square 0.942021
Adjusted R
Square 0.935199
Standard
Error 8.760879
Observatio
ns 20
ANOVA
Significan
df SS MS F ce F
21199.7 10599. 138.10
Regression 2 5 87 37 3.07E-11
1304.80 76.753
Residual 17 1 01
22504.5
Total 19 5
Interpretarea parametrilor
β 0= parametrul de interceptare
β 1, β 2 = coeficienti de regresie partiali / coeficienti pantă.
β 1= coeficient de regresie partial pentru variabila independentă X1.
β 2= coeficient de regresie partial pentru variabila independentă X2.
Coeficientul de regresie partial j β arata cu cat creste sau scade, in medie, valoarea
variabilei Y, ca raspuns la cresterea variabilei j x cu o unitate, ceilalti factori ramanand constanti.
β 1 = 0.147226 este coeficient marginal si arata ca, in perioada analizata, mentinand
celelalte variabile constante, atunci cand venitul (X1) creste cu o unitate, cheltuielile cresc, in
medie, cu 0,147. Inclinatia marginala spre consum este estimată la 14,7 procente.
β 2= 4.050550 este coeficient panta si arata ca, in perioada analizata, mentinand celelalte
variabile constante, atunci cand timpul (X2) creste cu un an, cheltuielile cresc, in medie, cu 4.50.
β 0= 56.558 este parametru de interceptare si arata ca, daca cele două variabile explicative,
X1 si X2 au valoarea 0, valoarea medie a cheltuielilor este estimata la circa 56.5.
Se da vectorul t t x0 = (1, x10 , x20 )
Valoarea reală a lui y este y0 = ( y0 | x0 ) = x0t β + εi
Valoarea previzionată este yˆ0== x0t β
ty=x
Dorim să previzionăm = ( y0 | x0 ) = x0t β
Un estimator pentru y0 este si în acest caz este yˆ0== x0t β