Cursul 2.

Modelul econometric liniar unifactorial

1. Modelul de regresie liniară unifactorială (simplă)

a) Ce este un model de regresie?

Analiza regresiei este cea mai importantă tehnică a econometriei.

Pe scurt, analiza regresiei presupune descrierea şi evaluarea posibilei legături dintre
mai multe variabile. Mai precis, prin analiza regresiei se încearcă a se explica
modificările valorilor unei variabile datorate modificărilor valorilor altor variabile ce
o influenţează.
Analiza regresiei a fost introdusă de către Francis Galton (1822-1911) fiind legată de
cercetările acestuia privind transmiterea unor caracteristici prin ereditate. Anume,
Galton a studiat relaţia dintre înălţimea băieţilor şi cea a taţilor (în momentul
încorporării) observând că înălţimea fiilor, atât a celor provenind din taţi înalţi, cât şi a
celor provenind din taţi mici de statură, tindea spre înălţimea medie. Galton a
considerat acest fenomen ca fiind, din punct de vedere biologic, o „regresie” spre
mediocritate. El a dat o descriere matematică acestei tendinţe regresive, modelul său
fiind precursorul modelelor de regresie de astăzi. Cu toate că concluziile sale
biologice nu sunt corecte pentru toată populaţia umană, termenul de regresie a rămas
ca nume generic pentru descrierea relaţiilor statistice dintre variabile.

Pentru a descrie un model de regresie general, să notăm cu Y variabila ale cărei

modificări dorim să le explicăm cu ajutorul a k variabile pe care le vom X1, X 2 ,..., X k .
Prezentăm mai jos termenii sub care se întâlnesc în literatura de specialitate aceste
variabile
Denumiri pentru Y Denumiri pentru variabilele X1, X 2 ,..., X k
Variabila dependentă Variabilele independente, de influenţă
Regresantul Regresorii
Variabila efect Variabilele cauze (cauzale)
Variabila explicată Variabilele predictor

După numărul variabilelor independente, distingem:

• modele de regresie simplă (univariate) atunci când în model apare o
singură variabilă independentă X, şi
• modele de regresie multiplă (multivariate), când în model apar mai multe
variabile independente.
După tipul relaţiei dintre variabila dependentă şi variabilele independente distingem:
• modele de regresie liniară, şi
• modele de regresie neliniară.
b) Modelul de regresie simplă, liniară
Există numeroase exemple în economie de legături dintre variabile ce descriu
comportamentul unor agenţi economici. Putem da următoarele exemple:
Relaţia dintre consumul C şi venitul disponibil Y, dată de funcţia de consum:
C = α + β Y (în care α şi β > 0 sunt coeficienţii modelului).
Relaţia dintre cererea D şi preţul unitar p, dată de funcţia cerere D = α + β p
( α şi β < 0 sunt coeficienţii modelului).

1
 Relaţia dintre costul total CT şi cantitatea realizată Q, dată de funcţia cost
CT = α + β Q ( α şi β > 0 ).
Având date colectate despre variabilele C , Y , D, p, CT , Q este evident că relaţiile
liniare anterioare (de tip determinist) nu sunt verificate exact. De fapt:
• nu putem spera ca o informaţie liniară (deterministă) să ne furnizeze o
descriere completă a comportamentului agenţilor economici;
• în orice eşantion folosit pentru estimarea coeficienţilor există erori (de
măsurare sau de agregare) de care va trebui să ţinem seama.
În concluzie, vom introduce în relaţii o componentă eroare e, astfel:
funcţia de consum: C = α + β Y + e ,
funcţia cerere: D = α + β p + e ,
funcţia cost: CT = α + β Q + e .
Revenind la notaţiile Y pentru variabila dependentă şi respectiv X pentru
variabila de influenţă, putem afirma că dispunem de un model de regresie liniară dacă:
1) pentru fiecare valoare x a variabilei X, valorile y corespunzătoare au o variaţie
sistematică, ce poate fi exprimată printr-o lege de repartiţie;
2) mediile acestor repartiţii variază sistematic (liniar) în raport cu valorile x.
densitatea de repartiţie Y

dreapta de regresie

0 x1 x2 xi

Figura 1.

2. Metoda celor mai mici pătrate (Ordinary Least Squares = OLS)

Dacă dispunem de n observaţii perechi ( yi , xi ), i = 1,2,..., n , asupra variabilelor Y şi X,

modelul de regresie liniară simplă se poate scrie:
yi = α + β xi + ei i = 1, 2,...., n (1)
Un prim scop al analizei regresiei este acela de a determina valori ale parametrilor
α , β ai modelului (1) aşa încât, dreapta de ecuaţie Y = α + βX să aproximeze „cât
mai bine” ansamblul de date ( y i , xi ), i = 1,2, , , , n (vezi scatter-plotul din figura 2a).

2
Evident, există nenumărate posibilităţi de a alege drepte (de parametrii α, β ) care să
ajusteze punctele ( y i , xi ), i = 1,2,..., n . Dintre acestea vom alege pe aceea care

120 120

y100i 100 yi
80 80

ŷ i
60 60

40 40

20 20

0 0
0 10 20 x30i 40 50 60 0 10 20 xi30 40 50 60

a) b)
120

100

80

60

40

20

0
0 10 20 30 40 50 60

c)

Figura 2. a) Scatter-plot pentru două variabile; b)

c) OLS pentru ajustare printr-o dreaptă
corespunde unui criteriu de optimizare. Pentru a exprima un asemenea criteriu, să
analizăm elementele din figura 2b, în care am evidenţiat o asemenea dreaptă. Vom
nota cu ŷi valoarea de pe dreaptă corespunzătoare valorii observate xi , care în
general, este diferită de y i . Valorile ŷi astfel obţinute poartă numele de valori
ajustate. Evident, ne-ar interesa ca, în ansamblu, mărimea diferenţelor yi − yˆi pentru
i = 1,2,..., n , să fie cât mai mică posibilă. În analiza regresiei, diferenţa – pozitivă sau
negativă yi − yˆi – care măsoară abaterea valorii observate de la cea ajustată, poartă
numele de reziduu. Vom nota în cele ce urmează cu ri = yi − yˆi reziduul
corespunzător perechii ( yi , xi ), i = 1,2,..., n . Abaterea de ansamblu a punctelor
( y i , xi ), i = 1,2,..., n , de la dreapta Y = α + βX poate fi exprimată
n
a) fie prin suma modulelor reziduurilor ∑ | ri | ,
i =1
n
b) fie prin suma pătratelor reziduurilor, ∑ ri2 (vezi figura 2c).
i =1

3
Încercând minimizarea acestor expresii, în ambele cazuri avem de rezolvat câte o
problemă de optimizare în care variabilele sunt α, β iar funcţia de optimizare are una
dintre expresiile a) sau b). Expresia a) ne conduce la o problemă de optimizare mai
dificil de rezolvat, în schimb problemă de optimizare asociată expresiei b) poate fi
rezolvată cu uşurinţă prin metodele analizei matematice clasice. A fost dezvoltată în
acest fel o tehnică analitico-algebrică cunoscută sub numele de „metoda celor mai
mici pătrate” („moindres carrés” în literatura de specialitate francofonă, „ordinary
least squares” în literatura anglo-saxonă).
Funcţia obiectiv o vom nota L, mai precis:
n n
L(α, β) = ∑ ( yi − yˆi ) 2 = ∑ ( yi − α − βxi )2 (2)
i =1 i =1
Ea trebuie minimizată în raport cu cele două variabile ale sale. Putem afirma că dorim
să minimizăm suma pătratelor abaterilor (valorilor observate de la cele ajustate).
Vom nota cu (αˆ , βˆ ) soluţia problemei de optimizare pătratică. Componentele αˆ , βˆ se
obţin prin rezolvarea sistemului algebric ce se obţine prin anularea derivatelor de
ordinul întâi ale funcţiei L în raport cu fiecare variabilă în parte. Rezultă sistemul de
ecuaţii liniare:
⎧ n n
⎪ nα + β x i =
⎪
∑ yi ∑
i =1 i =1 (3)
⎨ n n n
⎪α x + β x 2 =
⎪ ∑ i i ∑ xi y i ∑
⎩ i =1 i =1 i =1

Soluţia acestui sistem se poate scrie:

⎧ αˆ = y − βx
⎪ n
⎪
⎪ ∑ x i y i − nx y
⎨βˆ = i =1 (4)
⎪ n
⎪
⎪
nx 2 − ∑
xi2
⎩ i =1

n n
∑ xi ∑ yi
în care x = i =1 iar y = i =1 sunt mediile statistice ale valorilor observate.
n n

Dreapta determinată de soluţia (αˆ , βˆ ) se numeşte dreaptă de regresie şi are

G
particularitatea că trece prin punctul de coordonate ( x , y ) .
Formulele (4) sunt valabile pentru orice colecţie de date ( y i , xi ), i = 1,2,..., n , care este
un eşantion. Ele descriu estimatori pentru parametrii α, β ce descriu dreapta de
regresie. Valorile obţinute pe baza formulelor (4) pentru colecţia de date
( y i , xi ), i = 1,2,..., n sunt aşadar estimaţii. Deci formulele (4) ne dau estimaţii
punctuale pentru parametrii dreptei de regresie.
Exemplu. Un model econometric al pieţei de capital
În modelarea pieţei de capital se folosesc informaţii privind evoluţia preţurilor
activelor financiare care se tranzacţionează la bursă. Evident, în general acestea fiind
zilnice, ne putem referi la ele ca fiind date de tip serii de timp. Din diverse

4
raţionamente statistice şi financiare, o serie de timp ce exprimă preţurile activelor
financiare este transformată în seria de timp a rentabilităţilor activelor.
Rentabilităţile „simple” Rt se calculează din seria preţurilor cu formula:
pt − pt −1
Rt = × 100% (5)
pt −1
în care pt este preţul activului la momentul t iar pt −1 este preţul activului la
momentul anterior. Rentabilitatea exprimă, procentual, câştigul sau pierderea rezultate
prin deţinerea activului respectiv între două momente de timp consecutive.
La nivelul oricărei pieţe se calculează indicatori globali (agregaţi) ai comportării
ansamblului tranzacţiilor, sau doar pentru activele aflate într-un „top”. Evoluţia unui
asemenea indicator global –exprimată printr-o relaţie analogă cu (5) – este un
barometru al pieţei, creşterile sau descreşterile valorilor sale fiind intens studiate de
către analiştii pieţei. Evident, dacă urmărim un anume activ financiar pe care am dori
să-l introducem în „portofoliul” nostru, ne-ar interesa să-l evaluăm relativ la
modificările unui indicator global. În acest scop vom putea să prezentăm un model
econometric folosind teoria iniţiată de către Sharpe 1 . Modelul are forma:
R =α +βI +e (6)
în care I exprimă variaţiile indicatorului global, α , β sunt coeficienţii (parametrii)
modelului, iar e este componenta eroare. Dacă dispunem de un număr de observaţii în
timp privind preţurile şi valorile indicatorului global, acestea pot fi folosite
(transformate, vezi tabelul 1) pentru estimarea parametrilor din (6).
Tabelul 1
Perioada 1 2 3 4 5 6 7 8 9 10

R 0.050 0.078 0.008 0.128 0.053 -0.030 0.007 0.103 0.113 0.042

I 0.101 0.108 0.053 0.286 0.106 -0.090 0.094 0.136 0.133 0.098

Analiza graficului din figura 3 confirmă posibila dependenţă liniară dintre variabila R
şi I. Găsim estimaţiile punctuale pentru parametrii α , β şi anume αˆ = 0.0061 şi
βˆ = 0.478 . Modelul de regresie liniară se scrie
Rˆt = 0.0061+0.478 ⋅ I t (7)
Încă nu ştim dacă modelul este „bun” sau nu, dar pe baza lui putem afirma
următoarele: dacă indicatorul global ales creşte cu 1%, atunci rentabilitatea activului
nostru va creşte (în medie) cu 0.478%. Dacă indicatorul global nu variază, atunci
rentabilitatea va creşte doar cu 0.006%. Folosim în acest mod modelul de regresie în
previziune, evaluând cu ajutorul său posibile situaţii viitoare, anume efecte ale
variabilei independente asupra variabilei dependente.

1
Sharpe, W. “Capital asset prices: A theory of market equilibrium under conditions of risk”, Journal of
Finance 19(1964), 425-42

5
 0.14

0.12

0.1

0.08

0.06

0.04

0.02

0
-0.15 -0.1 -0.05 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35

-0.02

-0.04
I

Figura 3. Scatter-plotul datelor din tabelul 1

3. Ipoteza de liniaritate şi alte forme de legături „liniarizabile”

Pentru a putea aplica tehnica OLS modelul de regresie trebuie să fie liniar mai precis
liniaritatea trebuie să fie în parametrii α , β ai modelului şi nu în mod necesar în
variabilele X şi Y. Vom da ca exemplu modele ce sunt neliniare în variabile dar, prin
transformări potrivite ele devin liniare.
a) În analizele economice se întâlnesc variabile ale căror evoluţii sunt
exponenţiale sau de tip exponenţial. Putem să considerăm următorul model:
Yi = AX iβ ⋅ exp(ei ) (8)
Se observă că aplicând logaritmul ambilor membrii ai relaţiei (8) obţinem expresia:
ln Yi = ln A + β ln X i + ei ,
sau, folosind notaţiile yi = ln Yi , xi = ln X i şi α = ln A , modelul (8) devine:
yi = α + β xi + ei (9)
un model liniar în noile variabile yi = ln Yi şi xi = ln X i .
Modelul (8), cu forma transformată (9), este numit model de regresie exponenţială.
În cazul modelului de regresie exponenţială coeficientul β este interpretat în termen
de elasticitate. Astfel, dacă de exemplu βˆ = 1.2 adică elasticitatea variabilei Y în
raport cu variabila X este 1.2, înseamnă că o creştere a lui X cu 1% va conduce la o
creştere „în medie” a lui Y cu 1.2% (pentru orice valoare a lui X).
b) Putem considera şi modelul de forma:
β
yi = α + +ei (10)
xi
1
Pentru a aplica OLS aplicăm următoarea transformare: zi = şi modelul de regresie
xi
devine:
yi = α + β zi +ei (11)