Randament Ovaz

alina.zaharia00@gmail.com .
Alina Zaharia CDA Alina Zaharia

Conf.univ.dr. Roxana Pătărlăgeanu
Seminar Econometrie – EAM ASE
Programul informatic Eviews – modelul regresiei simple
Ecuatia modelului liniar al regresiei simple: yt=a*xt+b+εt, t=1...T
Pas 1: Descarcati programul Eviews accessand:

An Randamentul la ovaz (hg/ha) Consum erbicide (tona substanta activa)
1990 16216 7567
1991 12295 4120
1992 16712 4173
1993 15189 9817
1994 14861 8909
1995 16929 8147
1996 12422 6930
1997 14851 5850
1998 15876 5444
1999 15697 4494
2000 10495 3869.9
2001 17429 3959.9
2002 14180 4538.7
2003 13547 3658.9
2004 23851 3771
2005 17707 3788.9
2006 17741 4033.4
2007 12040 3767.1
2008 19101 3905.4
2009 14658 3426.1
2010 16801 3688.9
2011 20322 3600.4
2012 17454 3678.6
2013 20539 3903.7
2014 21285 3795.4
Tabel 1
Sursa: http://www.fao.org/faostat/en/#data/QC
Pas 2: Exportarea bazei de date realizata de dvs. in Microsoft Excel in programul Eviews:
1
alina.zaharia00@gmail.com . Alina Zaharia CDA Alina Zaharia
Fig.1/sursa: reprezentare
proprie în Eviews,
2017
Pas 3: Formatarea
indicatorilor
 Redenumirea
variabilelor
Fig.2/ sursa: reprezentare

proprie în Eviews, 2017
 Generarea unei noi

serii:
randament_ovaz=randamentul_la_ovaz_hg_/10000
2
Fig. 3 / sursa: reprezentare proprie în Eviews, 2017
Pas 4: Realizarea graficului fiecarei variabile in parte, statistica descriptive a acesteia şi

normalitatea datelor
4.1. Realizarea graficului pentru 1 variabila:
 Consumul de erbicide
Consum erbicide (tona substanta activa)
10,000
Fig. 4 / sursa:
reprezentare 9,000
proprie în Eviews,
8,000
2017
În 7,000
perioada 1990 -
6,000
2014, consumul
de erbicide a 5,000
scăzut cu
4,000
49,84%.
3,000 3
90 92 94 96 98 00 02 04 06 08 10 12 14
 Randamentul la ovăz
RANDAMENT_OVAZ
2.4
Fig. 5 / sursa:
reprezentare 2.2
proprie în Eviews,
2.0
2017
În 1.8
perioada 1990 -
1.6
2014,
randamentul la1.4
ovăz a crescut cu
1.2
31,26%.
1.0
4.2. Prezentarea 90 92 94 96 98 00 02 04 06 08 10 12 14
statisticii
descriptive şi discutarea normalităţii distribuţiei:
 Consumul de erbicide
14
Series: CONSUM_ERBICIDE
12 Sample 1990 2014
Fig. 6 / Observations 25
sursa: 10
Mean 4913.492
8 Median 3959.900
Maximum 9817.000
6 Minimum 3426.100
Std. Dev. 1856.326
4 Skewness 1.465949
Kurtosis 3.787460
2
Jarque-Bera 9.600125
0 Probability 0.008229
3000 4000 5000 6000 7000 8000 9000 10000
reprezentare proprie în Eviews, 2017
Media consumului de erbicide în perioada 1990 - 2014 este de 4913,492 tone substanță
activă.
Valoarea de mijloc a consumului de erbicide în perioada 1990 - 2014 este de 3959,9 tone
substanță activă, înregistrată în anul 2001.
Valoarea maximă a consumului de erbicide în perioada 1990 - 2014 este de 9817 tone
substanță activă, înregistrată în anul 1993.
Valoarea minimă a consumului de erbicide în perioada 1990 - 2014 este de 3426,1 tone
substanță activă, înregistrată în perioada 2009.
4
Distribuția datelor nu este normală deoarece valoarea testului Skewness 1,465949 nu se

încadrează în intervalul normal (-0,5;+0,5).
Vârful graficului consum de erbicide este mai înalt față de medie deoarece valoarea testului
Kurtosis 3,787460 depășește valoarea normală (3).
Probabilitatea testului Jarque-Bera 0,008229 este mai mică de 0,05 deci datele nu sunt
distribuite normal.
În concluzie, variabila „consum erbicide” trebuie modificată deoarece datele nu sunt
distribuite normal.
Aplicăm formula de logaritmare: lg_consum=log(consum_erbicide) pentru a modifica datele.
Fig. 7 / sursa: reprezentare proprie în Eviews, 2017
5
12
Series: LG_CONSUM
Fig. 8 /10 Sample 1990 2014
sursa: Observations 25
8 Mean 8.445142
Median 8.283974
6 Maximum 9.191871
Minimum 8.139178
Std. Dev. 0.318495
4
Skewness 1.201625
Kurtosis 2.979702
2
8.1 8.2 8.3 8.4 8.5 8.6 8.7 8.8 8.9 9.0 9.1 9.2
După logaritmare, variabila este distribuită normal deoarece valoarea testului Skewness
1,201625 este mai mică, valoarea testului Kurtosis 2,979702 este mai apropiată de 3 iar
probabilitatea testului Jarque-Bera 0,049373 este aproape de normal.
5
Series: RANDAMENT_OVAZ
Sample 1990 2014
Fig. 9 /4 Observations 25
Mean 1.632792
3
Median 1.621600
Maximum 2.385100
2
Minimum 1.049500
Std. Dev. 0.312895
Skewness 0.373635
1 Kurtosis 2.960988
1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4
sursa: reprezentare proprie în Eviews, 2017
Valoarea medie a randamentului la ovăz în perioada 1990 - 2014 este de 1,632792 tone pe
hectar.
Valoarea de mijloc a randamentului la ovăz în perioada 1990 - 2014 este de 1,6216 tone pe
hectar, înregistrată în anul 1990.
Valoarea maximă a randamentului la ovăz în perioada 1990 - 2014 este de 2,3851 tone pe
Valoarea minimă a randamentului la ovăz în perioada 1990 - 2014 este de 1,0495 tone pe
6
Valoarea testului Skewness 0,373635 se încadrează în limitele normale, ceea ce indică o

distribuție normală a datelor.
Deoarece testul Kurtosis 2,960988 este aproximativ 3, înseamnă că vârful graficului nu este
foarte înalt față de medie.
Probabilitatea testului Jarque-Bera 0,747044 este normală, deoarece depășește 0,05, ceea ce
indică o distrbuție normală.
În concluzie, variabila „randament_ovăz„ nu va fi modificată deoarece este distribuită
normal.
Pas 5: Realizarea graficului/corelogramei pentru mai mult de 2 variabile si statistica

descriptive a acestora.
5.1. Realizarea graficului pentru 2 sau mai multe variabile:
2.4
Fig. 10 / sursa: 2.0

reprezntare
proprie în9.4 1.6
Eviews, 2017 9.2
1.2
Graficul 9.0
arată că datele 8.8 0.8
nu oscilează la8.6
fel. 8.4
8.2
8.0
90 92 94 96 98 00 02 04 06 08 10 12 14
LG_CONSUM RANDAMENT_OVAZ
2.4
5.3. Realizarea
2.2
corelogramei pentru 2
sau mai multe variabile: 2.0
RANDAMENT_OVAZ
1.8
Fig. 11 / sursa: reprezentare
1.6
proprie în Eviews, 2017
1.4
1.2
7
1.0
8.0 8.2 8.4 8.6 8.8 9.0 9.2 9.4
LG_CONSUM
Deoarece norul de puncte este împrăștiat nu putem aplica regresia simplă.

5.4. Discutarea corelogramei:
Date: 05/16/17 Time: 07:32

Sample: 1990 2014
Included observations: 25
Fig. 12 / sursa:
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
reprezentare proprie în
Eviews, 2017 1 0.667 0.667 12.519 0.000
2 0.472 0.049 19.063 0.000
Deoarece 3 0.484 0.273 26.238 0.000
4 0.332 -0.180 29.773 0.000
coloanele depășește 5 0.201 -0.024 31.138 0.000
6 0.069 -0.223 31.307 0.000
limitele impuse, este 7 -0.013 0.013 31.313 0.000
8 -0.022 0.022 31.332 0.000
indicată sezonalitatea 9 -0.072 0.011 31.551 0.000
iar datele trecute ale 10 -0.183 -0.171 33.058 0.000
11 -0.183 0.030 34.672 0.000
variabilei 12 -0.171 -0.067 36.182 0.000
„lg_consum” sunt
corelate la 1, 2 sau 3 ani față de datele prezente.
Date: 05/19/17 Time: 04:30

Sample: 1990 2014
Fig. 13/ sursa:
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
Eviews, 2017 1 0.019 0.019 0.0104 0.919
2 0.152 0.151 0.6852 0.710
Deoarece 3 0.172 0.170 1.5891 0.662
4 -0.046 -0.074 1.6577 0.798
coloanele nu 5 -0.018 -0.074 1.6687 0.893
6 0.070 0.063 1.8430 0.934
depășesc limitele 7 0.214 0.267 3.5649 0.828
8 -0.160 -0.193 4.5832 0.801
impuse nu există 9 0.276 0.198 7.7964 0.555
sezonalitate și nici 10 0.059 0.039 7.9508 0.634
11 -0.145 -0.151 8.9633 0.625
autocorelație la 12 -0.066 -0.201 9.1908 0.687
nivelul variabilei
„randament_ovaz”.
8
Pas 6: Testarea stationaritatii variabilelor modelului – ipoteza necesara a fi indeplinita

pentru validitatea modelului – si transformarea variabilelor nestationare
6.1. Testarea stationaritatii fiecarei variabile in parte şi transformarea variabilelor nestationare:
 Consum erbicide
Null Hypothesis: LG_CONSUM has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=5)
Fig. 13 / sursa:
t-Statistic Prob.*
Eviews, 2017 Augmented Dickey-Fuller test statistic -2.227648 0.2023
Test critical values: 1% level -3.737853
Datele nu sunt 5% level -2.991878
10% level -2.635542
staționare la nivel 0
*MacKinnon (1996) one-sided p-values.
cu existența unei
constante deoarece Augmented Dickey-Fuller Test Equation
probabilitatea testului Dependent Variable: D(LG_CONSUM)
Method: Least Squares
Dickey-Fuller 0,2023 Date: 05/16/17 Time: 07:35
este mai mare de 0,05 Sample (adjusted): 1991 2014
Included observations: 24 after adjustments
iar valoarea testului
Variable Coefficient Std. Error t-Statistic Prob.
LG_CONSUM(-1) -0.319065 0.143230 -2.227648 0.0364

C 2.668507 1.211653 2.202369 0.0384
R-squared 0.184049 Mean dependent var -0.028750

Adjusted R-squared 0.146961 S.D. dependent var 0.239812
S.E. of regression 0.221490 Akaike info criterion -0.097221
Sum squared resid 1.079275 Schwarz criterion 0.000950
Log likelihood 3.166650 Hannan-Quinn criter. -0.071176
F-statistic 4.962416 Durbin-Watson stat 1.521172
Prob(F-statistic) 0.036448 9
în modul |-2,227648| este mai mică decât valorile critice ale testului în modul |-3,737853|; |-
2,991878|; |-2,635542|.
Exogenous: Constant, Linear Trend
Fig. 14 / sursa:
t-Statistic Prob.*
10% level -3.243079
cu existența unui
trend și a unei Augmented Dickey-Fuller Test Equation
constante deoarece Dependent Variable: D(LG_CONSUM)
probabilitatea testului Date: 05/16/17 Time: 07:37
Dickey-Fuller 0,2144 Sample (adjusted): 1991 2014
depășește valoarea de
0,05 iar valoarea
testului în modul |- LG_CONSUM(-1) C
-0.546494
4.773763
0.195996
1.738497
-2.788290
2.745913
0.0110
0.0121
2,788290| este mai @TREND("1990") -0.014613 0.008938 -1.634967 0.1170
mică decât valorile R-squared 0.276185 Mean dependent var -0.028750

critice ale testului în S.E. of regression 0.213520 Akaike info criterion -0.133705
modul |-4,394309|; |- Sum squared resid 0.957405 Schwarz criterion 0.013552
3,612199|; |- F-statistic 4.006464 Durbin-Watson stat 1.348731
Prob(F-statistic) 0.033581
3,243079|.
Exogenous: None
Fig. 15 / sursa:
t-Statistic Prob.*
10% level -1.608793
fără existența unei
constante sau a unui Augmented Dickey-Fuller Test Equation
trend deoarece Dependent Variable: D(LG_CONSUM)
probabilitatea testului Date: 05/16/17 Time: 07:39
Dickey-Fuller0,4184 Sample (adjusted): 1991 2014
este mai mare de 0,05
iar valoarea testului
în modul |- LG_CONSUM(-1) -0.003840 0.005775 -0.665069 0.5126
R-squared 0.004154 Mean dependent var -0.028750

S.E. of regression 0.239313 Akaike info criterion 0.018685
Log likelihood 0.77577910Hannan-Quinn criter. 0.031708
Durbin-Watson stat 1.801287
0,665069| este mai mică decât valorile critice ale testului în modul |-2,664853|; |-1,955681|; |-
1,608793|.
Null Hypothesis: D(LG_CONSUM) has a unit root
Exogenous: Constant
Fig. 16 / sursa:
t-Statistic Prob.*
Datele sunt 5% level -2.998064
10% level -2.638752
cu existența unei
constante deoarece Augmented Dickey-Fuller Test Equation
probabilitatea testului Dependent Variable: D(LG_CONSUM,2)
Dickey-Fuller 0,0002 Date: 05/16/17 Time: 07:41
nu depășește 0,05 iar Sample (adjusted): 1992 2014
valoarea testului în
modul |-5,494755|
este mai mare decât D(LG_CONSUM(-1)) C
-1.027687
-0.004365
0.187031
0.045174
-5.494755
-0.096621
0.0000
0.9239
valorile critice ale
R-squared 0.589782 Mean dependent var 0.025209
testului în modul |- Adjusted R-squared 0.570248 S.D. dependent var 0.328124
3,752946|; |- Sum squared resid 0.971656 Schwarz criterion -0.053719
2,998064|; |- Log likelihood 3.753257 Hannan-Quinn criter. -0.127625
2,638752|, Prob(F-statistic) 0.000019
În concluzie, aplicăm formula „Consum=d(lg_consum,1)” pentru a face datele staționare la

nivel 1.
11
Null Hypothesis: RANDAMENT_OVAZ has a unit root

Exogenous: Constant
Fig. 17 / sursa:
reprezentare proprie în t-Statistic Prob.*
Datele sunt 5% level -2.991878
10% level -2.635542
cu existența unei *MacKinnon (1996) one-sided p-values.
constante deoarece
probabilitatea testului Augmented Dickey-Fuller Test Equation
Dependent Variable: D(RANDAMENT_OVAZ)
Dickey-Fuller 0,0025 Method: Least Squares
Date: 05/16/17 Time: 07:44
este mai mică de 0,05 Sample (adjusted): 1991 2014
iar valoarea testului Included observations: 24 after adjustments
în modul |-4,332344| Variable Coefficient Std. Error t-Statistic Prob.
este mai mare decât RANDAMENT_OVAZ(-1) -0.978259 0.225804 -4.332344 0.0003

C 1.598208 0.370085 4.318485 0.0003
valorile critice ale
testului în modul |- R-squared 0.460377 Mean dependent var 0.021121
3,737853|; |- S.E. of regression 0.326730 Akaike info criterion 0.680291
2,991878|; |- Log likelihood -6.163486 Hannan-Quinn criter. 0.706335
2,635542|. Prob(F-statistic) 0.000268
În concluzie,
variabila Randament_ovăz nu va fi modificată.
6.2. Testarea stationaritatii pentru variabilele considerate ca grup in modelul ales:
12
Group unit root test: Summary

Series: LG_CONSUM, RANDAMENT_OVAZ
Fig. 18 / sursa: Date: 05/16/17 Time: 07:47
Sample: 1990 2014
reprezentare proprie în Exogenous variables: Individual effects
Automatic selection of maximum lags
Eviews, 2017 Automatic lag length selection based on SIC: 0
Newey-West automatic bandwidth selection and Bartlett kernel
Datele sunt Balanced observations for each test
staționare la nivel de Cross-
grup deoarece Method Statistic Prob.** sections Obs
Null: Unit root (assumes common unit root process)
probabilitatea testului Levin, Lin & Chu t* -3.28255 0.0005 2 48
Levin Lin & Chu Null: Unit root (assumes individual unit root process)
0,0005 este mai mică Im, Pesaran and Shin W-stat -2.75239 0.0030 2 48
ADF - Fisher Chi-square 15.1471 0.0044 2 48
de 0,05. PP - Fisher Chi-square 15.2614 0.0042 2 48
În concluzie, ** Probabilities for Fisher tests are computed using an asymptotic Chi
-square distribution. All other tests assume asymptotic normality.
putem continua
regresia simplă cu datele alese pentru că sunt staționare la nivel de grup.
Pas 7: Retestarea normalitatii prin realizarea de histograme aferente fiecarei variabile a

modelului
Punctul 4.2. figura 8.
Pas 8: Stabilirea modelului care va fi testat:
6.1.Stabilirea variabilei endogene (dependente) si a variabilei(-lor) exogena(-e)/independenta(-e).
Randament_ovăz= a*lg_consum+b+ε
6.2. Selectarea acestor variabile din fereastra initiala cu baza de date.
13
Fig. 19 / sursa:
Eviews, 2017
Pas 9: Realizarea
matricei de
corelatie si
interpretarea
rezultatelor
Covariance Analysis: Ordinary
Date: 05/16/17 Time: 07:54
Sample: 1990 2014
Fig. 20 / sursa: Included observations: 25
reprezentare proprie în Correlation

Eviews, 2017 Probability LG_CONSUM RANDAMEN...
LG_CONSUM 1.000000
Deoarece -----
probabilitatea de RANDAMENT_OVAZ -0.237459 1.000000

0.2531 -----
0,2531 este mai mare
decât 0,05, atunci
coeficientul de
corelație nu este
semnificativ statistic.
Coeficientul de
corelație -0,237459
arată prezența unei
relații indirecte între
cele două variabile.
Pas 10: Testarea
cauzalităţii dintre
variabile:
Pairwise Granger Causality Tests
Date: 05/16/17 Time: 08:04
Sample: 1990 2014
Fig. 21 /sursa: Lags: 2
reprezentare Null Hypothesis: Obs F-Statistic Prob.
proprie în
RANDAMENT_OVAZ does not Granger Cause LG_CONSUM 23 0.62076 0.5487
Eviews, 2017 LG_CONSUM does not Granger Cause RANDAMENT_OVAZ 1.49545 0.2507
Pe
termen scurt se observă că randamentul la ovăz nu influențează consumul de erbicide deoarece
probabilitatea aferentă lui F-statistic 0,5487 este mai mare de 0,05 și consumul de erbicide nu
14
cauzează modificarea randamentului la ovăz deoarece probabilitatea aferentă lui F-statistic 0,2507
este mai mare de 0,05.
Pas 11: Aplicarea modelului liniar al regresiei simple si interpretarea rezultatelor

Dependent Variable: RANDAMENT_OVAZ
Date: 05/16/17 Time: 08:08
Fig. 21 / sursa: Sample: 1990 2014
Eviews, 2017 Variable Coefficient Std. Error t-Statistic Prob.
LG_CONSUM -0.233284 0.198989 -1.172346 0.2531

C 3.602909 1.681638 2.142500 0.0430
11.1. Parametri R-squared 0.056387 Mean dependent var 1.632792
estimati ai modelului Adjusted R-squared 0.015360 S.D. dependent var 0.312895
S.E. of regression 0.310482 Akaike info criterion 0.575240
Estimation Sum squared resid 2.217185 Schwarz criterion 0.672750
Log likelihood -5.190497 Hannan-Quinn criter. 0.602285
Command: F-statistic 1.374395 Durbin-Watson stat 2.075981
=========================
LS RANDAMENT_OVAZ LG_CONSUM C
Estimation Equation:
=========================
RANDAMENT_OVAZ = C(1)*LG_CONSUM + C(2)
Substituted Coefficients:
=========================
15
RANDAMENT_OVAZ = -0.23328410231*LG_CONSUM + 3.60290925633
Deoarece parametrul a este negativ înseamnă că între cele 2 variabile estimate este o relație
indirectă. Pentru un an adițional al consumului, randamentul va scădea cu 0,23328410231 tone pe
hectar.
11.2. Interpretarea rezultatelor regresiei simple
 Testul t-statistics:
Deoarece probabilitatea acestui test 0,2531 este mai mare de 0,05 înseamnă că variabila exogenă nu
produce efecte asupra variabilei endogene.
 R-squared (R2) ∊[0,1]:
Deoarece valoarea acestui test 0,056387 este mai mare de 0 înseamnă că variabila endogenă este
explicată foarte puțin de variabila exogenă.
 F-statistics:
Modelul nu este valid deoarece probabilitatea acestui test 0,253058 este mai mare de 0,05.
 Durbin-Watson:
Valoarea acestui test 2,075981 se situează în jurul valorii 2 ceea ce înseamnă că erorile nu sunt
corelate iar ipoteza este validă.
Pas 12: Analiza parametrilor modelului:

12.1. Identificarea parametrilor modelului:
Scaled Coefficients
Date: 05/16/17 Time: 08:15
Sample: 1990 2014
Fig. 22 / sursa: Included observations: 25
reprezentare proprie în Standardized Elasticity
Eviews, 2017 Variable Coefficient Coefficient at Means
Parametrul „a” LG_CONSUM -0.233284 -0.237459 -1.206594

C 3.602909 NA 2.206594
are valoarea -0,233284
iar parametrul „c” 2,206594.
12.2. Stabilirea intervalului de incredere:
Coefficient Confidence Intervals
Date: 05/16/17 Time: 08:16
Sample: 1990 2014
Fig. Included observations: 25
23 / 90% CI 95% CI 99% CI

sursa: Variable Coefficient Low High Low High Low High
LG_CONSUM -0.233284 -0.574326 0.107758 -0.644924 0.178356 -0.791913 0.325345

C 3.602909 0.720798 6.485021 0.124176 7.081642 -1.118013 8.323832
16
Valoarea parametrului real a se găsește în intervalul (-0,574326;0,107758) cu o probabilitate

de 90%; în intervalul (-0,644924;0,178356) cu o probabilitate de 95% iar în intervalul (-0,791913;
0,325345) cu o probabilitate de 99%.
Valoarea parametrului real „c” se găsește în intervalul (0,720798;6,485021) cu o
probabilitate de 90%; în intervalul (0,124176;7,081642) cu o probabilitate de 95% iar în intervalul (-
1,118013;8,323832) cu o probabilitate de 99%.
12.3. Verificarea daca modelul este unul complet

Nu aplicăm punctul 12.3.
Pas 13: Testarea validităţii modelului (analiza reziduurilor):

obs Actual Fitted Residual Residual Plot
1990 1.6216 1.51932... 0.10227...
1991 1.2295 1.66114... -0.4316...
Fig. 24 / sursa: 1992 1.6712 1.65816... 0.01303...
1993 1.5189 1.45859... 0.06030...
reprezentare proprie în 1994 1.4861 1.48123... 0.00486...
Eviews, 2017 1995 1.6929 1.50209... 0.19080...
1996 1.2422 1.53983... -0.2976...
Reziduurile 1997 1.4851 1.57935... -0.0942...
1998 1.5876 1.59613... -0.0085...
nu sunt distribuite 1999 1.5697 1.64087... -0.0711...
2000 1.0495 1.67575... -0.6262...
normal. 2001 1.7429 1.67038... 0.07251...
2002 1.418 1.63856... -0.2205...
2003 1.3547 1.68883... -0.3341...
2004 2.3851 1.68179... 0.70330...
2005 1.7707 1.68068... 0.09001...
2006 1.7741 1.66609... 0.10800...
2007 1.204 1.68203... -0.4780...
2008 1.9101 1.67362... 0.23647...
2009 1.4658 1.70416... -0.2383...
2010 1.6801 1.68692... -0.0068...
2011 2.0322 1.69259... 0.33960...
2012 1.7454 1.68757... 0.05782...
2013 2.0539 1.67372... 0.38017...
2014 2.1285 1.68028... 0.44821...
13.1. Testarea heteroscedasticităţii reziduurilor si transformarea datelor
17
Heteroskedasticity Test: White
Fig. 25 / sursa: F-statistic

Obs*R-squared
1.647895
3.257251
Prob. F(2,22)
Prob. Chi-Square(2)
0.2153
0.1962
reprezentare proprie în Scaled explained SS 2.763160 Prob. Chi-Square(2) 0.2512
Eviews, 2017
Test Equation:
Una din Dependent Variable: RESID^2
ipotezele de validitate Method: Least Squares
Date: 05/16/17 Time: 08:21
a reziduurilor este Sample: 1990 2014
validă deoarece
probabilitatea testului
White 0,2153 este C 15.31166 26.06307 0.587485 0.5629
LG_CONSUM^2 0.188894 0.350240 0.539327 0.5951
mai mare de 0,05 LG_CONSUM -3.399986 6.047520 -0.562212 0.5797
ceea ce indică R-squared 0.130290 Mean dependent var 0.088687
homoscedasticitatea Adjusted R-squared 0.051226 S.D. dependent var 0.128154
reziduurilor. Sum squared resid 0.342805 Schwarz criterion -1.065326
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 0.122066 Prob. F(2,21) 0.8857

Obs*R-squared 0.287293 Prob. Chi-Square(2) 0.8662
Test Equation:
Dependent Variable: RESID
Date: 05/16/17 Time: 08:23
13.2. Testarea Sample: 1990 2014
autocorelaţiei Presample missing value lagged residuals set to zero.
reziduurilor Variable Coefficient Std. Error t-Statistic Prob.
LG_CONSUM 0.007092 0.208161 0.034068 0.9731

C -0.059200 1.758326 -0.033668 0.9735
Fig. 26 / sursa: RESID(-1) -0.082469 0.232428 -0.354816 0.7263
RESID(-2) 0.065427 0.243807 0.268354 0.7910
Eviews, 2017 R-squared 0.011492 Mean dependent var -6.08E-16
Adjusted R-squared -0.129724 S.D. dependent var 0.303945
S.E. of regression 0.32305918Akaike info criterion 0.723681
Log likelihood -5.046018 Hannan-Quinn criter. 0.777772
Modelul este valid, reziduurile nu sunt corelate deoarece probabilitatea Chi.square 0,8662
este mai mare de 0,05.
13.3. Testarea normalităţii reziduurilor

12
Series: Residuals
Sample 1990 2014
Fig. 27 /10 Observations 25
sursa:
reprezentare 8 Mean -6.08e-16
proprie în Median 0.013038
Eviews, 2017 6 Maximum 0.703308
Minimum -0.626253
Std. Dev. 0.303945
4
Skewness 0.047941
Kurtosis 3.004514
2
-0.75 -0.50 -0.25 0.00 0.25 0.50 0.75
Reziduurile sunt distribuite normal deoarece valoarea testului Skewness 0,047941 nu
depășește 0,05; valoarea testului Kurtosis 3,004514 este 3 iar probabilitatea testului Jarque-Bera
0,995213 este mai mare de 0,05.
Pas 14: Previziunea variabilei endogene:
2.4
Forecast: RANDAMENT_F
2.2
Actual: RANDAMENT_OVAZ
Fig. 282.0 Forecast sample: 2002 2007
/ sursa: Included observations: 6
1.8
Root Mean Squared Error 0.387990
1.6 Mean Absolute Error 0.322342
Mean Abs. Percent Error 20.09695
1.4
Theil Inequality Coefficient 0.115147
1.2 Bias Proportion 0.003187
Variance Proportion 0.922540
1.0
Covariance Proportion 0.074273
0.8 Theil U2 Coefficient 0.732778
2002 2003 2004 2005 2006 2007 Symmetric MAPE 19.26636
RA NDA MENT_F ± 2 S.E.
Previziunea este bună deoarece root mean squared error are o valoare mică.
19
1.75 2.4
Fig. 29/ sursa:1.70

reprezentare 2.0
proprie în1.65
Eviews, 2017
1.60 1.6
1.55
1.2
1.50
1.45 0.8
90 92 94 96 98 00 02 04 06 08 10 12 14
RANDAMENT_F RANDAMENT_OVAZ
Consum_erbicide2015= 3500 tone substanță activă

Lg_consum2015= 3, 5440680%
Randament_ovăz2015= -0,23328410231*3,5440680%+3,60290925633= 3,5946415091 tone/ hectar.
20

Randament Ovaz

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Randament Ovaz

Încărcat de

Drepturi de autor:

Formate disponibile

alina.zaharia00@gmail.com .

Alina Zaharia CDA Alina Zaharia

Seminar Econometrie – EAM ASE

Programul informatic Eviews – modelul regresiei simple

Ecuatia modelului liniar al regresiei simple: yt=a*xt+b+εt, t=1...T

Pas 1: Descarcati programul Eviews accessand:

Fig.2/ sursa: reprezentare

 Generarea unei noi

Fig. 3 / sursa: reprezentare proprie în Eviews, 2017

Pas 4: Realizarea graficului fiecarei variabile in parte, statistica descriptive a acesteia şi

Distribuția datelor nu este normală deoarece valoarea testului Skewness 1,465949 nu se

Aplicăm formula de logaritmare: lg_consum=log(consum_erbicide) pentru a modifica datele.

Fig. 7 / sursa: reprezentare proprie în Eviews, 2017

Valoarea testului Skewness 0,373635 se încadrează în limitele normale, ceea ce indică o

Pas 5: Realizarea graficului/corelogramei pentru mai mult de 2 variabile si statistica

Fig. 10 / sursa: 2.0

Deoarece norul de puncte este împrăștiat nu putem aplica regresia simplă.

Date: 05/16/17 Time: 07:32

Date: 05/19/17 Time: 04:30

Pas 6: Testarea stationaritatii variabilelor modelului – ipoteza necesara a fi indeplinita

LG_CONSUM(-1) -0.319065 0.143230 -2.227648 0.0364

R-squared 0.184049 Mean dependent var -0.028750

mică decât valorile R-squared 0.276185 Mean dependent var -0.028750

R-squared 0.004154 Mean dependent var -0.028750

În concluzie, aplicăm formula „Consum=d(lg_consum,1)” pentru a face datele staționare la

Null Hypothesis: RANDAMENT_OVAZ has a unit root

este mai mare decât RANDAMENT_OVAZ(-1) -0.978259 0.225804 -4.332344 0.0003

6.2. Testarea stationaritatii pentru variabilele considerate ca grup in modelul ales:

Group unit root test: Summary

Pas 7: Retestarea normalitatii prin realizarea de histograme aferente fiecarei variabile a

reprezentare proprie în Correlation

probabilitatea de RANDAMENT_OVAZ -0.237459 1.000000

Pas 11: Aplicarea modelului liniar al regresiei simple si interpretarea rezultatelor

LG_CONSUM -0.233284 0.198989 -1.172346 0.2531

RANDAMENT_OVAZ = -0.23328410231*LG_CONSUM + 3.60290925633

Pas 12: Analiza parametrilor modelului:

Parametrul „a” LG_CONSUM -0.233284 -0.237459 -1.206594

23 / 90% CI 95% CI 99% CI

LG_CONSUM -0.233284 -0.574326 0.107758 -0.644924 0.178356 -0.791913 0.325345

reprezentare proprie în Eviews, 2017

Valoarea parametrului real a se găsește în intervalul (-0,574326;0,107758) cu o probabilitate

12.3. Verificarea daca modelul este unul complet

Pas 13: Testarea validităţii modelului (analiza reziduurilor):

13.1. Testarea heteroscedasticităţii reziduurilor si transformarea datelor

Heteroskedasticity Test: White

Fig. 25 / sursa: F-statistic

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 0.122066 Prob. F(2,21) 0.8857

reziduurilor Variable Coefficient Std. Error t-Statistic Prob.

LG_CONSUM 0.007092 0.208161 0.034068 0.9731

13.3. Testarea normalităţii reziduurilor

RA NDA MENT_F ± 2 S.E.

reprezentare proprie în Eviews, 2017

Fig. 29/ sursa:1.70

Consum_erbicide2015= 3500 tone substanță activă

S-ar putea să vă placă și