Documente Academic
Documente Profesional
Documente Cultură
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
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)
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
n n
∑ xi ∑ yi
în care x = i =1 iar y = i =1 sunt mediile statistice ale valorilor observate.
n n
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
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)