CUPRINS

CAPITOLUL 1. PRINCIPII ALE MODELĂRII ECONOMETRICE 7

1.1. Tipologia legăturilor dintre variabilele economice …………….. 7
1.2. Modelul – element fundamental al analizei econometrice …...… 9

CAPITOLUL 2. MODELE ECONOMETRICE UNIFACTORIALE 15

2.1. Modelul unifactorial liniar ……………………………….…..…. 15
2.1.1. Prezentarea modelului .…………………….……….…… 15
2.1.2. Estimarea parametrilor ………………………………….. 17
2.1.3. Verificarea statistică a modelului …………………….…. 20
2.2. Modele unifactoriale neliniare ……………………………..…… 28
2.2.1. Modelul hiperbolic .…………………….………......…… 29
2.2.2. Modelul parabolic ………………………………........….. 31
2.2.3. Modelul exponenţial …………………….…..................... 32

CAPITOLUL 3. MODELE ECONOMETRICE

MULTIFACTORIALE 35
3.1. Modelul multifactorial liniar …………………………….…..…. 35
3.1.1. Prezentarea modelului şi estimarea parametrilor .………. 35
3.1.2. Verificarea statistică a modelului multifactorial .……….. 39
3.2. Modele unifactoriale neliniare ……………………………...…… 44
3.3. Funcţii de producţie …………………………………..…………. 46

CAPITOLUL 4. MODELE ECONOMETRICE BAZATE PE

FACTORUL TIMP 51
4.1. Analiza econometrică a evoluţiei în timp a variabilelor economice 51
4.2. Funcţii de timp …………………………………………..…..…. 58
4.2.1. Funcţia liniară de timp …………………………..………. 59
4.2.2. Funcţii de timp neliniare .…………………………….….. 61
4.3. Modele econometrice cu time – lag ……………………………. 64
4.4. Modele autoregresive ………………………………...…………. 68
4.4.1. Caracterul autoregresiv al variabilelor economice …...…. 68
4.4.2. Modelul autoregresiv de ordinul k …………………...….. 70

5
 CAPITOLUL 1. PRINCIPII ALE MODELĂRII
ECONOMETRICE

Rezumat: Asupra fenomenelor social – economice acţionează un număr

mare de factori principali şi secundari, endogeni sau exogeni, care se manifestă
de regulă într-un sistem complex de interdependenţe. Modelarea econometrică,
cu ajutorul unei game variate de procedee şi metode, poate studia manifestarea
concretă a acestor legături, le poate exprima cantitativ şi poate măsura
intensitatea cu care acestea se produc şi, mai departe, se pot face estimări asupra
tendinţelor în evoluţia fenomenului cercetat.
Din punct de vedere econometric, variabilele economice sunt privite prin
prisma interdependenţelor pe care acestea le generează. Varietatea acestor
interdependenţe necesită identificarea, selectarea şi ierarhizarea factorilor de
influenţă, cu atât mai mult cu cât, în mod curent, sunt întâlniţi factori care nu
pot fi cuantificaţi decât cu ajutorul unor metode convenţionale. De aceea, este
necesară, în primul rând, determinarea tipologiei variabilelor factoriale (de
influenţă) cu ajutorul unei analize calitative multilaterale.

1.1. Tipologia legăturilor dintre variabilele

economice

Există numeroase varietăţi de legături între variabilele economice, iar

descrierea lor analitică poate fi făcută cu ajutorul analizei de regresie şi a
analizei intensităţii legăturilor (corelaţia). Cunoaşterea lor este condiţie esenţială
a interpretării legăturilor de cauzalitate dintre variabila rezultativă şi factorii săi
de influenţă (variabilele factoriale). Criteriile avute în vedere sunt numeroase,
dar s-au reţinut numai cele uzuale, pe baza cărora s-a alcătuit o posibilă
tipologie de interdependenţe între variabilele analizate.
În raport cu numărul variabilelor corelate, legăturile pot fi simple (modele
unifactoriale), atunci când variaţia variabilei rezultative este exprimată în
funcţie de o singură variabilă factorială, sau multiple (modele multifactoriale),
atunci când variaţia variabilei rezultative este exprimată în funcţie de variaţia
simultană a mai multor variabile factoriale. În practică, cel mai des întâlnite
sunt legăturile multiple, datorită complexităţii relaţiilor economice
internaţionale care nu permit, în general, utilizarea unor funcţii cu o singură
variabilă de influenţă.

6
 După sensul legăturii, acestea pot fi legături directe, atunci când
modificarea variabilei rezultative este în acelaşi sens cu modificarea factorului
de influenţă analizat, sau legături inverse, atunci când variabila rezultativă se
modifică în sens contrar modificării factorului de influenţă. În modelele
econometrice pot exista situaţii în care între aceleaşi variabile pe anumite
porţiuni să existe legături directe, iar pe alte porţiuni să existe legături inverse,
în funcţie de evoluţia factorilor de influenţă.
În funcţie de forma legăturii dintre variabile, folosind clasificarea
dihotomică, distingem legături liniare şi legături neliniare. Forma legăturii se
determină cel mai adesea intuitiv, prin modul de transpunere a punctelor în
planul de reprezentare grafică a variabilelor rezultative şi factoriale. În modele
econometrice, legătura liniară ocupă un loc aparte, datorită accesibilităţii
prezentării şi a posibilităţilor numeroase de interpretare, cu toate că în natură şi
în evoluţia reală a fenomenelor economice este mai puţin întâlnită. Identificarea
modelelor neliniare (parabolice, exponenţiale, hiperbolice, logistice, etc.),
uneori mult mai adecvate, ridică probleme mari şi diverse în determinarea şi,
mai ales, în interpretarea parametrilor. Există şi situaţii în care modele de tip
neliniar pot fi liniarizate prin anumite metode (cel mai adesea prin logaritmare)
şi interpretate prin prisma legăturilor de tip liniar.
După momentul în care se realizează legătura, legăturile pot fi
concomitente sau sincrone, caz în care dacă variabila factorială se modifică şi
variabila rezultativă se va modifica în acelaşi timp, ori legături asincrone sau cu
decalaj, caz în care variaţia variabilei rezultative se produce după scurgerea
unei perioade de timp de la modificarea variabilei factoriale.
După intensitatea conexiunii cauzale distingem independenţă totală sau
lipsa de legături, legături funcţionale sau totale şi legături relative sau statistice.
Conexiunea nulă semnifică absenţa oricărei legături între variabila rezultativă şi
factorii de influenţă luaţi în considerare, sau în formulare statistică, absenţa
reciprocă a corelaţiilor dintre aceste variabile, în timp ce conexiunea
funcţională apare atunci când la fiecare valoare posibilă a variabilei rezultative
corespunde o singură valoare a factorului de influenţă. Această conexiune este
una specifică ştiinţelor tehnice şi ale naturii, în care pentru o valoare dată a
factorului de influenţă există o singură valoare posibilă a variabilei rezultative.
Aceste conexiuni sunt rar întâlnite în economie, unde practic nu există astfel de
dependenţe totale. Conexiunea relativă sau statistică (stochastică) este tipul de
legătură cel mai des întâlnit în studiul fenomenelor din economie.
Interes aparte, prin urmare, îl prezintă acest din urmă tip de legături.
Particularitatea lor principală constă în faptul că la o valoare dată a factorului de
influenţă corespunde o distribuţie de valori posibile ale variabilei rezultative.

7
 1.2. Modelul – element fundamental al analizei
econometrice

Modelul econometric reprezintă o imagine simplificată a relaţiilor dintre

variabilele economice, care se referă atât la definirea variabilelor, cât şi la
determinarea intercondiţionărilor dintre acestea. El redă ceea ce este esenţial în
agregatul economiei, descriind global transformarea cauzelor în efecte.
Importanţa modelelor econometrice, ca instrument fundamental de analiză al
economistului modern, se afirmă în verificarea consistenţei unei teorii
economice, în crearea unei legături cantitativ – econometrice de verificare între
teorie şi obiectivul pragmatic şi, în final, în descoperirea unor noi relaţii şi
concepte, imposibil de relevat altfel.
Modelul, oricare i-ar fi întrebuinţarea este, înainte de toate, reprezentarea
unei teorii prin intermediul căreia se reprezintă, apoi, însăşi realitatea avută în
vedere. Aici, teoria explicativă ţinteşte atât fenomenul economic cercetat, cât şi
reprezentarea prin model, care întotdeauna este construit pe baza unei teorii (sau
cel puţin a unui enunţ cvasiteoretic). Apoi, modelarea econometrică reprezintă o
metodă care se defineşte ca instrument de cunoaştere ştiinţifică, având drept
scop construirea unor asemenea modele care să contribuie la înţelegerea şi
cunoaşterea segmentului investigat.
Principala problemă care se pune cu ocazia elaborării unui model
econometric este definirea scopului acestuia, din acest punct de vedere, existând
două mari categorii de modele:1
– modele destinate elaborării unei anumite teorii economice, verificării
coerenţei sale logice şi testării sale empirice; aceste modele pot fi numite
modele teoretice sau modele de cercetare;
– modele destinate explicării faptelor economice observate şi
previzionării desfăşurării lor viitoare; aceste modele pot fi numite modele
funcţionale sau modele de acţiune şi au la bază, de regulă, metodele de analiză
matematico–statistică.
Deşi încadrarea precisă a modelelor utilizate în analiza comportamentului
diverselor variabile economice în una sau alta din categoriile amintite este
destul de dificilă, pot fi totuşi construite o serie de modele econometrice care să
se includă în categoria modelelor funcţionale.
Un model econometric constă, de regulă, dintr-un sistem de ecuaţii, care,
în condiţiile fixate prin ipotezele de pornire şi cu o anumită precizie, exprimă
1
S. Cerna, Banii şi creditul în economiile contemporane. Elemente de analiză monetară, Vol. I,
Editura Enciclopedică, Bucureşti, 1994, pag. 325 – 338

8
legăturile dintre variabilele exogene şi endogene şi, în modul acesta, permite
rezolvarea unei serii de probleme economice. Fără îndoială că, privind lucrurile
în mod abstract, modelele econometrice sunt întotdeauna de preferat, conferind
o calitate maximă analizei. Din păcate, eficacitatea modelelor econometrice
este, uneori, destul de limitată, iar aceasta din mai multe motive.
O dependenţă statistică, larg utilizată în econometrie, se prezintă sub
forma:

Ci = f(Xi) + i

unde: Ci reprezintă nivelul variabilei rezultative sau explicate la momentul i;

Xi reprezintă nivelul factorului de influenţă (variabila factorială sau
independentă) la momentul i;
f reprezintă funcţia de regresie care cuantifică legătura dintre variabila
rezultativă (Ci) şi factorul de influenţă (Xi);
i reprezintă variabila aleatoare care ia în considerare acţiunea altor
factori decât variabila factorială Xi , întâmplători în raport cu
legătura studiată.
Variabila aleatoare este cea care distinge o legătură funcţională de una
statistică şi, spre deosebire de variabilele rezultative şi factoriale nu este căutată
şi introdusă în model într-un mod explicit şi argumentat, ea rezultând dintr-o
etapă ulterioară elaborării modelului, în urma comparării valorilor estimate,
generate de model, cu valorile empirice, reale. Această variabilă apare datorită
unor numeroase cauze, cum ar fi, erorile de specificare a modelului,
concretizate prin includerea unui număr prea mic de factori esenţiali, erorile de
măsurare care presupun aprecieri numerice greşite sau neconcludente, sau
erorile de eşantionare datorate accesului limitat şi probabilist la volumul total al
informaţiei.
Construirea şi analiza unui model de regresie care are la bază o legătură
de tip stochastic între variabila rezultativă şi factorii de influenţă care îl
determină presupune parcurgerea următoarelor etape:
 stabilirea ipotezelor de pornire şi a variabilelor factoriale,
endogene şi exogene;
 construirea corelogramei, adică a reprezentării grafice a perechilor
de valori ale variabilelor studiate într-un sistem de axe de coordonate;
 aproximarea, pe baza reprezentării grafice, a formei legăturii
printr-un model teoretic şi scrierea ecuaţiei corespunzătoare modelului de
regresie;
 estimarea parametrilor ecuaţiei de regresie, cel mai adesea cu
ajutorul metodei celor mai mici pătrate;

9
  testarea statistică a semnificaţiei parametrilor estimaţi;
 interpretarea rezultatelor obţinute în funcţie de semnul şi nivelul
parametrilor respectivi;
 previzionarea variabilei rezultative pe baza modelului construit.
O altă direcţie în domeniul analizei cantitative a desfăşurării proceselor
economice o reprezintă studiul, prin metode statistice, a comportamentului
seriilor cronologice. Seriile lungi de date oferite de publicaţiile statistice scot în
evidenţă repetabilităţi care pot fi descrise de modele adecvate de analiză şi
previziune a evoluţiei în timp a cursurilor de schimb.
În cazul acestor serii cronologice, de timp sau dinamice, cum mai sunt ele
denumite, factorii de influenţă utilizaţi în funcţiile de regresie sunt înlocuiţi de
către factorul timp înţeles ca o acumulare de perioade de timp egale, aspect
exprimat frecvent prin şirul numerelor naturale (1, 2, 3, ….. , t).
Cea mai utilizată formă de analiză a seriilor cronologice este reprezentată
de descompunerea evoluţiei seriei pe componente determinate de acţiunea
diferiţilor factori de influenţă. Sub acţiunea unui complex de factori de
influenţă, consideraţi independenţi unul faţă de celălalt, în cadrul unei serii
dinamice se pot identifica următoarele componente: 2
 trendul sau tendinţa centrală (tt) reflectă legitatea specifică de
evoluţie a variabilei rezultative pe o perioadă lungă de timp (de ordinul anilor),
făcând abstracţie de abaterile faţă de nivelul mediu, respectiv, de erorile sau
valorile reziduale datorite influenţei factorilor aleatori;
 variaţiile ciclice (ct) reprezintă oscilaţiile interanuale în jurul
tendinţei centrale cu un caracter mai puţin sistematic, în sensul că atât
intervalele la care oscilaţiile se manifestă, cât şi intensitatea lor, prezintă o
relativă inconstanţă în decursul timpului;
 variaţiile sezoniere (st) sunt acea componentă sistematică ce se
manifestă prin oscilaţii de perioadă mai mică sau cel mult egală cu un an,
repetabile în timp. Sezonalitatea se manifestă sub forma unor abateri de la
medie care revin regulat de-a lungul unui an şi are un caracter mai mult sau mai
puţin pregnant în funcţie de specificul domeniului studiat;
 variaţiile aleatoare (t) apar datorită unor factori necuantificabili şi
cu acţiuni imprevizibile. În funcţie de proprietăţile variabilei aleatoare pot fi
aplicate anumite tehnici de estimare şi previziune a seriei cronologice.
În măsura în care volumul de date studiat este suficient de mare, în
analiza unei serii cronologice se regăsesc mai multe tipuri de scheme de
descompunere.

2
T. Andrei, S. Stancu – Statistica. Teorie şi aplicaţii, Editura ALL, Bucureşti, 1995, pag. 385

10
 O primă schemă o reprezintă schema aditivă în care cele patru
componente ale seriei studiate sunt însumabile direct, astfel:

Ct = tt + ct + st + t ,

unde Ct reprezintă variabila rezultativă la momentul t.

În literatura de specialitate primele două componente, trendul şi variaţiile
ciclice, se analizează împreună sub forma componentei extrasezoniere (dt), după
relaţia:

dt = tt + ct

O a doua schemă este cea multiplicativă care are două variante:

1. Atunci când componenta sezonieră este proporţională cu
componenta extrasezonieră, schema de compunere se prezintă în felul următor:

Ct = dt + dt  st + t = dt (1 + st) + t

2. Atunci când componenta aleatoare este proporţională cu suma

celorlalte componente, schema este următoarea:

Ct = dt (1 + st)(1 + t)

Această ultimă schemă, prin logaritmare, poate fi transformată într-o

schemă aditivă, având forma:

ln Ct = ln dt + ln(1 + st) + ln(1 + t)

Seriile cronologice trebuie să ţină însă seama de caracteristica

fenomenelor economice de a-şi manifesta influenţa cu o întârziere mai mică sau
mai mare în timp. Acest fapt a dus la utilizarea termenului de “time–lag”
(decalaj în timp) care evită pericolul falselor corelaţii în situaţiile în care se
analizează serii de date care includ tendinţe de evoluţie.
Efectul întârziat manifestat ca urmare a inerţiei sau autodeterminării se
manifestă frecvent sub forma autocorelării variabilei rezultative, ceea ce infirmă
ipoteza independenţei factorilor care generează componentele seriei cronologice
şi limitează aplicarea metodei schemelor de descompunere.
Din acest considerent în studiul seriilor cronologice s-au impus modelele
autoregresive, reprezentate sub conform relaţiei:

11
 Ct = f(Ct-1, Ct-2, …… ,Ct-k) + t

unde prin k s-a desemnat numărul perioadelor din trecut care acţionează asupra
valorii prezente a cursului de schimb.
Aceste modele econometrice, fie ele regresii sau serii cronologice, nu pot
fi utilizate fără a se ţine cont de principiile stabilite de teoriile economice care
analizează comportamentul variabilelor economice, fapt pentru care se impune
evitarea matematizării lor excesive, care duce de cele mai multe ori la ruperea
legăturii cu realităţile economice studiate.
Desigur, econometria prezintă numeroase avantaje, dar şi destule limite,
important fiind ca soluţiile noi oferite de către aceasta, care se dovedesc a fi
serios argumentate şi rezistente la rigorile practicii economice, să fie preluate în
rândul metodelor general acceptate, astfel încât rolul econometriei în cadrul
analizei economice să fie consolidat.

ÎNTREBĂRI TEORETICE DE AUTOEVALUARE LA CAPITOLUL 1:

1. Ce tipuri de legături se pot stabili între variabilele economice?

2. Ce reprezintă modelul econometric?

3. Care sunt etapele care trebuie parcurse în elaborarea unui model

econometric?

4. Care sunt componentele unei serii dinamice?

12
13
 CAPITOLUL 2. MODELE ECONOMETRICE
UNIFACTORIALE

Rezumat: Aşa cum s-a arătat anterior, comportamentul variabilelor

economice este rezultatul acţiunii unui număr mai mare sau mai mic de factori,
esenţiali sau nesemnificativi, cu un impact determinant sau accidental. În aceste
condiţii, dependenţa dintre variabile nu se manifestă individual, pentru fiecare
caz în parte, ci numai în general, ca tendinţă a unui număr suficient de mare de
cazuri. Variaţiile unei mărimi economice y pot fi mai mari sau mai mici decât
cele determinate de un factor oarecare x, sau chiar contrare celor aşteptate.
Cu alte cuvinte, între variabilele economice există, de regulă, o
dependenţă stochastică, caracterizată prin faptul că unei valori oarecare a
factorului de influenţă x îi corespunde o distribuţie de valori posibile ale
variabilei rezultative y. Acest tip de dependenţă este studiat cu ajutorul
modelelor econometrice unifactoriale.
Alegerea unui anumit tip de model unifactorial, care să descrie
legătura dintre variabilele corelate, depinde în mare măsură de volumul
eşantioanelor avute la dispoziţie. Cu cât acestea sunt mai mari, cu atât numărul
de puncte din cadrul “norului de puncte” este mai mare şi posibilităţile de găsire
a unei funcţii care să exprime corect legătura dintre variabile cresc.

2.1. Modelul unifactorial liniar

2.1.1. Prezentarea modelului

Modelul unifactorial liniar studiază legătura dintre variabila factorială
x şi variabila rezultativă y cu ajutorul unei funcţii stochastice de forma:

y=+x+

în care  şi  se numesc parametrii sau coeficienţii modelului şi reprezintă

valori necunoscute ce urmează a fi estimate, iar  este variabila aleatoare
(reziduală sau perturbatoare)3.

3
J.H. Stock, M.W. Watson, Introduction to Econometrics, Addison – Wesley, 2003, pag. 93 – 96

14
 Parametrul  reprezintă valoarea pe care o ia variabila rezultativă y atunci
când variabila factorială are valoarea zero şi poate avea relevanţă în model sau
nu, în funcţie de cazul concret analizat.
Parametrul  , numit şi coeficient de regresie, reprezintă panta dreptei de
regresie, adică valoarea cu care se modifică variabila rezultativă y atunci când
variabila factorială x se modifică cu o unitate.
Semnul şi valoarea parametrului  prezintă o importanţă majoră în
descrierea interdependenţei dintre variabila rezultativă şi cea factorială.
Astfel, dacă   0, atunci legătura dintre variabila factorială x şi variabila
rezultativă y este directă (când x are evoluţie crescătoare, creşte şi y, iar când x
are evoluţie descrescătoare, scade şi y). Când  este pozitiv se pot distinge trei
situaţii: dacă   1, atunci influenţa variabilei factoriale asupra celei rezultative
este mai slabă (la variaţia cu o unitate a variabilei factoriale x, variabila
rezultativă y variază cu o valoare subunitară); dacă   1, atunci influenţa
variabilei factoriale asupra celei rezultative este foarte puternică (la variaţia cu o
unitate a variabilei factoriale x, variabila rezultativă y variază cu o valoare
supraunitară); dacă  = 1, atunci variabila rezultativă y variază direct
proporţional cu variaţia variabilei factoriale x.
Dacă   0, atunci legătura dintre variabila factorială x şi variabila
rezultativă y este inversă, de sens contrar (când x evoluează crescător, y are o
evoluţie descrescătoare, iar când x evoluează descrescător, y are o evoluţie
crescătoare).
În situaţia în care  = 0, variabila rezultativă y este complet
independentă în raport cu variabila factorială x.
Analiza de regresie în cazul modelului unifactorial liniar constă în
estimarea parametrilor  şi , prin determinarea a doi estimatori ̂ şi ̂ .
Aceşti estimatori trebuie calculaţi astfel încât diferenţa dintre valorile
reale ale variabilei rezultative (yi) şi valorile estimate cu ajutorul parametrilor
calculaţi ( ŷi  ˆ  ˆ  xi ) să fie cât mai mică ( yi  ŷi  min im ).
Deoarece funcţia de regresie utilizată este de tip stochastic, parametrii 
şi  nu sunt valori unice, ci au conţinut de medii, care se estimează cu ajutorul
metodelor specifice oferite de matematică şi statistică 4.

2.1.2. Estimarea parametrilor

4
R.S. Pindyck, D.L. Rubinfeld, Econometric Models and Economic Forecasts, Fourth Edition,
McGraw – Hill, 1998, pag. 57 – 66

15
 Dacă se ia în studiu un set de date reale referitoare la variabila
rezultativă, respectiv la variabila factorială, se va observa că reprezentarea
grafică a modelului liniar aproximează mai mult sau mai puţin exact legătura
dintre cele două variabile. Este puţin probabil ca cele două variabile să fie
legate strict printr-o relaţie liniară, de tip funcţional.
O cuantificare deterministă, exactă a valorilor parametrilor  şi  este
imposibil de realizat, deoarece nu se pot cuprinde în model absolut toate
influenţele existente. Acest lucru a determinat introducerea în model a variabilei
aleatoare, perturbatoare , care însumează efectul tuturor factorilor rămaşi în
afara modelului, fie ei nesemnificativi sau necuantificabili.
Variabila aleatoare se presupune că are o repartiţie normală de medie
nulă şi varianţă constantă pentru eşantionul de date analizat. Cu cât volumul
eşantionului este mai mare, cu atât aceste presupuneri sunt mai apropiate de
realitate.
În aceste condiţii, fiecărei valori date xi a variabilei factoriale îi
corespunde o distribuţie normală de valori yi ale variabilei rezultative, de medie
 +   xi şi varianţă constantă.
Aceste ipoteze permit abordarea în condiţii de rigurozitate ştiinţifică a
problematicii estimării parametrilor  şi .
Valorile estimatorilor parametrilor, notate mai sus cu ̂ şi ̂ pot fi
determinate cu ajutorul mai multor metode matematice şi statistice.
Una din metodele care ţine seama de restricţiile prezentate este
metoda celor mai mici pătrate iniţiată de matematicianul francez A.M.
Legendre şi îmbunătăţită de K. Gauss, P.S. Laplace, P.L. Cebîşev şi A.A.
Markov.5 Aplicarea ei are la bază câteva ipoteze fundamentale:
 datele privind variabila rezultativă şi cea factorială sunt obţinute fără
erori de observare sau măsurare;
 variabila aleatoare sau reziduală  este de distribuţie normală, de
medie nulă (E(i) = 0) şi de varianţă constantă şi diferită de zero;
 variabila aleatoare  urmează o distribuţie independentă de valorile
variabilei factoriale x;
 valorile variabilei aleatoare nu sunt autocorelate.
Principiul metodei celor mai mici pătrate constă în minimizarea sumei
pătratelor erorilor de estimare, conform relaţiei:

n
  n n

  i    yi  ŷi    yi  ˆ  ˆ  xi  min
i 1
2

i 1
2

i 1
2


5
E. Pecican, Econometrie, Editura ALL, Bucureşti, 1994, pag. 50

16
 Condiţia necesară pentru îndeplinirea acestei restricţii este ca
derivatele parţiale ale sumei pătratelor erorilor de estimare în raport cu  şi  să
fie egale cu zero, deoarece aceasta ne conduce la un extrem al funcţiei
respective, conform teoremei lui Fermat.
Se poate demonstra că acest extrem este un minim deoarece pentru ca
el să fie un maxim ar trebui ca  şi  să fie egali cu , iar posibilitatea de a fi
un punct de inflexiune este exclusă dată fiind natura pătratică a funcţiei 6.
Derivatele parţiale ale funcţiei în raport cu parametrii  şi  se
egalează cu zero şi rezultă relaţiile:

n
 
2  yi  ˆ  ˆ  xi   1  0
i 1

n
 
2  yi  ˆ  ˆ  xi   xi   0
i 1

Din aceste două relaţii se poate ajunge la un sistem de două ecuaţii cu

necunoscutele ̂ şi ̂ , de forma:

n ˆ  ˆ  n x  n y
 i  i
i 1 i 1
 n n n
ˆ   xi  ˆ   xi2   xi yi
 i 1 i 1 i 1

Prin rezolvarea acestui sistem de ecuaţii se obţin valorile estimatorilor

̂ şi ̂ . Estimatorii astfel determinaţi corespund obiectivului urmărit dacă
valoarea medie a estimatorului este egală cu valoarea reală a parametrului
corespunzător, iar varianţa fiecărui estimator este relativ mică în raport cu
numărul de eşantioane pe baza cărora s-a efectuat analiza.
Calitatea estimatorilor calculaţi poate fi apreciată în funcţie de
îndeplinirea de către aceştia a unor condiţii absolut necesare unei analize
corecte: să conducă spre un grad înalt de determinare, să fie nedistorsionaţi,

6
E. Pecican, op. cit., pag. 51

17
eficienţi şi consistenţi. Atunci când se utilizează metoda celor mai mici pătrate
este necesar să fie cunoscute câteva consideraţii privind calitatea estimatorilor
rezultaţi7:
 ridicarea la pătrat a abaterilor ( yi  ŷi ) conduce la pătratele de arie minimă
a erorilor de estimare, ceea ce reprezintă un element pozitiv. Trebuie avut
însă în vedere faptul că această modalitate de calcul atribuie o importanţă
destul de mare abaterilor mari, în sus sau în jos, faţă de medie, deoarece
acestea prin ridicare la pătrat devin extrem de mari, afectând corespunzător
estimaţiile. De aceea, atunci când se studiază perioadele cu fluctuaţii foarte
mari ale variabilei rezultative în raport cu media, este indicată minimizarea
n
sumei abaterilor luate în calcul la valoarea lor absolută:  yi  ŷi = min;
i 1
 calitatea estimatorilor de a fi nedistorsionaţi nu implică neapărat egalităţile
ˆ   şi ˆ   , ci presupune ca media estimatorului, obţinută pe baza
unui număr cât mai mare de eşantioane, să fie egală cu valoarea reală a
parametrului corespunzător. Din acest punct de vedere, este importantă
repartiţia valorilor variabilei aleatoare  , precum şi varianţa valorilor
estimate în jurul mediei. Cu cât această varianţă este mai mică, cu atât
estimatorii sunt mai puţin distorsionaţi;
 pentru eşantioane mai mici de 30 de valori este dificil să se ajungă la
estimatori ai parametrilor modelului care să respecte toate restricţiile.
Repartiţia variabilei aleatoare se modifică, varianţa estimatorilor creşte, iar
distorsiunea devine tot mai mare, pe măsură ce volumul eşantionului scade.
De aceea, modelele cu cele mai mari şanse de reuşită sunt cele bazate pe
eşantioane de volum mare.
Obţinerea valorilor estimate ale parametrilor  şi  înseamnă finalizarea
analizei de regresie a modelului unifactorial liniar.
Analiza corelaţiei în cazul modelului unifactorial liniar se realizează cu
ajutorul coeficientului de corelaţie liniară simplă, a raportului de corelaţie
simplă şi a coeficientului de determinaţie, dacă variabilele sunt cantitative, iar
dacă variabilele sunt calitative, se utilizează metodele neparametrice de
măsurare a intensităţii legăturii.

2.1.3. Verificarea statistică a modelului

În urma analizei de regresie şi a analizei corelaţiei s-au stabilit forma,
sensul şi intensitatea legăturii dintre variabila rezultativă şi variabila factorială.
Modelul rezultat în urma parcurgerii acestor etape îşi propune să aproximeze cât
mai bine realitatea economică studiată. Gradul de îndeplinire a acestui deziderat
7
C. Şipoş, C. Preda, Statistică Economică, Editura Mirton, Timişoara, 2004, pag. 129 – 130

18
se determină printr-un ansamblu de metode şi teste statistice care sunt numite
generic verificarea statistică a modelului.
Această etapă de verificare a modelelor econometrice pe baza unor
teste statistice este absolut necesară, datorită faptului că estimarea parametrilor
modelelor se realizează pe baza unor eşantioane de date, mai mult sau mai puţin
reprezentative. Astfel, luând în considerare un număr destul de redus de valori
(uneori sub 30 de date) se doreşte să se ajungă la estimări valabile pentru o
colectivitate generală formată din sute sau chiar mii de cazuri. Orice modificare
a volumului eşantionului duce, de regulă, la modificarea valorilor estimate, ceea
ce înseamnă că aceste valori au un grad ridicat de relativitate. 8
În aceste condiţii, apar probleme legate de măsura în care soluţiile
unui model pot fi generalizate, de faptul că estimaţiile obţinute pot fi
semnificative sau doar întâmplătoare, rezultat al unei conjuncturi de valori din
cadrul eşantionului, precum şi de limitele între care estimatorii pot varia fără a
influenţa aprecierile iniţiale şi concluziile referitoare la semnificaţia lor.
Aceste probleme sunt rezolvate, în general, cu ajutorul testelor
statistice, care studiază semnificaţia parametrilor modelului econometric şi
calitatea acestuia de a descrie relaţia de dependenţă dintre variabila rezultativă
şi factorii de influenţă luaţi în considerare. Pentru aceasta, în primul rând,
trebuie cunoscută legea de repartiţie care caracterizează comportamentul
variabilelor studiate – rezultativă, factorială şi aleatoare.
Legea de repartiţie a unei variabile aleatoare x exprimă probabilitatea
P ca variabila respectivă să ia o anumită valoare.
Funcţia de repartiţie F(x) se referă la probabilitatea ca variabila x să ia
o valoare mai mică decât un anumit nivel dat xi:

xi
F(x) = P(x < xi) =  f  x  dx
0

sau la probabilitatea ca variabila x să se situeze în intervalul dat de două valori

x1 şi x2:

x2
F(x) = P(x1 < x < x2) =  f  x  dx
x1

8
C. Şipoş, Modelarea comportamentului cursului de schimb al leului, Editura Universităţii de
Vest, Timişoara, 2003, pag. 80

19
unde f(x) este prima derivată a funcţiei de repartiţie şi exprimă densitatea,
aglomerarea variabilei în punctul x.
De regulă, legea care guvernează variabilele şi frecvenţa apariţiei
acestora în economie este legea de repartiţie normală, notată cu N(m, ).
Distribuţia normală prezintă importanţă atât din motive teoretice cât şi practice,
reprezentând un model adecvat ori de câte ori o variabilă este dependentă de
unul sau mai mulţi factori care exercită asupra ei influenţe de intensitate relativ
mică şi în diverse sensuri.
Dacă x este o variabilă aleatoare continuă care urmează o repartiţie
normală de medie m şi abatere medie pătratică , N(m, ), atunci densitatea de
probabilitate este:

 x m 
2

1
f  x  e 2 2
 2

Calculul diferitelor valori ale densităţii de repartiţie pentru diverse

valori ale mediei şi abaterii medii pătratice este destul de dificil şi, din acest
motiv, se preferă o transformare a repartiţiei normale prin utilizarea variabilei
standardizate z:

xm
z


Atunci densitatea de probabilitate a variabilei z este:

1
1 z 2
f  z  e 2
 2

şi se numeşte densitatea de probabilitate a variabilei normale de medie nulă şi

abatere medie pătratică egală cu unitatea N(0, 1).
Funcţia de repartiţie, care dă ponderea unităţilor care au valoarea
caracteristicii mai mică decât o valoare x fixată este:

 t m 2
x x
1
F  x   P X  x    f  t  dt   e 2 2
dt
  2  

20
 Din ecuaţia f(x) = 0 se obţine x = m şi valoarea maximă a densităţii de
1
probabilitate este atinsă în punctul (m, ). 9
 2
Această lege de repartiţie a fost luată în considerare atunci a fost
caracterizată variabila aleatoare şi când au fost apreciate valorile ŷi în funcţie
de un nivel dat al variabilei factoriale xi. Dacă se au în vedere parametrii  şi 
din modelul liniar unifactorial, atunci, deoarece variabila i urmează o repartiţie
normală, iar ̂ şi ̂ sunt combinaţii liniare ale variabilei i , înseamnă că aceşti
parametri sunt ei înşişi normal distribuiţi.
Media estimatorului fiecărui parametru, în ipoteza unei estimaţii
nedistorsionate, este mărimea parametrului din colectivitatea generală. Varianţa
estimatorului fiecărui parametru, în cazul unei estimaţii eficiente, depinde de
împrăştierea variabilei aleatoare şi de împrăştierea valorilor variabilei factoriale.
Verificarea statistică este, de fapt, o operaţiune de validare a
modelului, în funcţie de concluziile ei luându-se decizia de confirmare sau de
infirmare a posibilităţilor acestuia de a reflecta corect situaţia reală. Setul de
metode statistice care stă la baza verificării unui model econometric unifactorial
este compus din mai multe tipuri de teste specifice, prezentate sintetic în cele ce
urmează.
O primă verificare constă în determinarea şi interpretarea erorilor
standard generate de model. Erorile standard reprezintă abateri ale valorilor
estimate de la valorile reale şi se împart în două categorii:
 prima categorie, calculată ca abatere a valorilor estimate ale
variabilei rezultative y i faţă de cele reale yi, se numeşte eroare standard a
modelului (s) şi se determină cu relaţia:

1 n
  yi  ŷi 
2
s 
 n  2  i 1
În principiu, cu cât această eroare este mai mică în raport cu valorile
variabilei rezultative, cu atât modelul aproximează mai corect realitatea
economică studiată. Interpretarea calităţii modelului în funcţie de valoarea erorii
standard a modelului este destul de relativă, fapt pentru care utilitatea acesteia
constă mai degrabă în a fi folosită în determinarea altor parametri statistici de
verificare a modelului;
 a doua categorie reprezintă abateri ale valorilor estimate ale
parametrilor funcţiei de regresie de la valorile lor reale şi se numesc erori
9
C. Chilărescu, O. Ciorîcă, C. Preda, C. Şipoş, N. Surulescu, Bazele statisticii, Editura
Universităţii de Vest, Timişoara, 2002, pag. 110 – 114

21
standard ale parametrilor modelului. Ele se determină pentru fiecare parametru
în parte. În cazul modelului unifactorial liniar, cele două erori standard ale
parametrilor  şi , notate cu s , respectiv, s sunt:

n
2
 xi
s  s i 1
2
n   x    xi 
n n
2
i
i 1  i 1 

n
s  s 2
n   x    xi 
n n
2
i
i 1  i 1 

Cu cât aceste erori ale parametrilor modelului sunt mai mici în raport
cu valorile absolute ale parametrilor pe care îi caracterizează, cu atât valorile
estimate ale parametrilor respectivi sunt mai apropiate de cele reale.
Pentru ca modelul elaborat să fie corect din punct de vedere statistic,
el trebuie să îndeplinească condiţia de normalitate a variabilei aleatoare ,
prezentată în etapa formulării ipotezelor iniţiale 10. Aceasta se poate verifica cu
ajutorul mai multor teste statistice, dintre care mai des utilizat este testul 2, care
constă în compararea frecvenţelor absolute efective, ni, ataşate valorilor
variabilei aleatoare, cu valorile teoretice, pi.
Efectuarea testului 2 presupune parcurgerea următoarelor etape:
1. Se formulează ipoteza nulă H0, prin care se presupune că distribuţia
variabilei aleatoare este normală;
2. Se calculează valorile standardizate zi, conform relaţiei:

xi  m
zi 


3. Se determină din tabelul Laplace valorile (zi) corespunzătoare;

4. Se calculează valorile teoretice pi = (zi) – (zi–1);
5. Se determină o valoare calculată 2c , astfel:

10
C. Şipoş, C. Preda, Econometrie, Editura Mirton, Timişoara, 2006

22
 k  ni  npi  2
c= 
2

i 1 npi

6. Valoarea calculată a testului 2 se compară cu valoarea tabelară

corespunzătoare. Dacă valoarea calculată este mai mică sau cel mult egală cu
valoarea tabelară, rezultă că ipoteza de normalitate a variabilei aleatoare se
acceptă şi modelul este corect, iar dacă valoarea calculată este mai mare decât
valoarea tabelară, rezultă că ipoteza de normalitate a variabilei aleatoare se
respinge şi modelul nu respectă condiţia iniţială impusă. În această a doua
situaţie sunt necesare corecţii, fie în sensul suplimentării factorilor de influenţă,
fie în sensul creşterii volumului eşantionului de date pe care se face analiza.
Verificarea unei alte ipoteze iniţiale a modelului, cea referitoare la
autocorelarea variabilei aleatoare se realizează cu ajutorul testului Durbin –
Watson11, care presupune parcurgerea următoarelor etape:
Se stabileşte ipoteza nulă H0 conform căreia variabila aleatoare este
autocorelată;
Se determină valoarea calculată a testului, d, după relaţia:

n
   i   i 1 
2

i2
d= n
  i2
i 1

Se determină din tabelele statistice aferente testului Durbin – Watson

două valori tabelare, una inferioară şi alta superioară, notate dL şi dU . Valorile
respective se iau din tabele în funcţie de nivelul de semnificaţie al testului, , în
funcţie de numărul de observaţii, N, precum şi în raport de numărul de variabile
factoriale, k (care în cazul modelului unifactorial este egal cu unu);
Se compară d cu valorile tabelare şi pot rezulta trei situaţii:
– dacă d  dL, înseamnă că ipoteza autocorelării variabilei aleatoare
se acceptă, adică valorile variabilei aleatoare sunt dependente una faţă de
cealaltă, ceea ce implică faptul că şi înregistrările de date în eşantioane sunt
dependente unele de altele şi modelul trebuie corectat;
– dacă dL  d  dU, testul este neconcludent şi trebuie refăcut pe alte
eşantioane de date;
– dacă d > dU, înseamnă că ipoteza autocorelării variabilei aleatoare
se respinge, adică valorile variabilei aleatoare sunt independente între ele, ceea

11
C. Chilărescu, Modele econometrice aplicate, Editura Mirton, Timişoara, 1994, pag. 25 – 26

23
ce implică faptul că şi înregistrările de date în eşantioane au fost independente.
În această situaţie, modelul este corect din punct de vedere statistic. În practica
econometrică, având în vedere faptul că, rareori, valorile tabelare ale acestui test
depăşesc valoarea 2 se spune că dacă valoarea calculată d este mai mare decât 2,
atunci modelul este corect. Pentru rigurozitate ştiinţifică, însă, este de preferat
să se tragă concluziile după compararea lui d cu valorile tabelare aferente
testului Durbin – Watson.12
În prima situaţie, cea în care modelul trebuie corectat, se parcurge un
algoritm de corecţie, după cum urmează:
Având în vedere faptul că variabila aleatoare este autocorelată,
înseamnă că între fiecare pereche de valori ( i; i-1 ) există o relaţie care poate fi
descrisă cu ajutorul unei funcţii de regresie de forma:

i = r i-1 + ui

unde r este panta dreptei de regresie, iar ui este perturbaţia aferentă acestei
funcţii.
Deoarece variabila aleatoare este autocorelată, r va fi un estimator al
coeficientului de corelaţie  care arată intensitatea legăturii între i şi i-1 13 şi se
determină cu relaţia:

n
  i   i1
r  i 2 n
 i
2

i 1

Dacă valoarea lui r este cunoscută, se poate ajusta regresia liniară

simplă astfel încât parametrii modelului să fie eficienţi. Algoritmul de corectare
implică utilizarea metodei diferenţelor generalizate14, care conduce la un model
în care valorile variabilei aleatoare sunt independente între ele. Astfel,
presupunând că modelul analizat este valabil pentru orice moment luat în
considerare, se poate spune că, la momentul i – 1 este valabilă relaţia:

yi-1 =  +   xi-1 + i-1

12
C. Şipoş, C. Preda, Econometrie, Editura Mirton, Timişoara, 2006
13
W.H. Greene, Econometric Analysis, Fifth Edition, Prentice Hall, 2003, pag. 268 – 271
14
R.S. Pindyck, D.L. Rubinfeld, op. cit., pag. 161 – 162

24
 Înmulţind ecuaţia cu r şi scăzând-o din ecuaţia iniţială a modelului, se
obţine funcţia corectată, cu variabila aleatoare cu o distribuţie independentă de
medie nulă şi varianţă constantă, conform relaţiei:

yi* =  (1 – r)+   xi* + ui

unde yi*, xi* şi ui sunt diferenţele generalizate ale lui y, x şi , definite de relaţiile:

yi* = yi – r  yi-1

xi* = xi – r  xi-1

ui = i – i-1

Aplicând metoda celor mai mici pătrate se obţin parametri

nedistorsionaţi şi eficienţi, iar parametrul  din ecuaţia originală se va obţine
prin împărţirea valorii estimate obţinute la 1 – r.
O altă modalitate de testare statistică o constituie testul Fisher de
verificare a variaţiei variabilei rezultative, care stabileşte capacitatea modelului
de a reconstitui valorile empirice ale variabilei rezultative yi prin intermediul
valorilor estimate y i . Această verificare se realizează prin parcurgerea mai
multor etape:
Etapa I. Se stabileşte ipoteza nulă, H0, conform căreia împrăştierea
valorilor ajustate ale variabilei rezultative y i datorită influenţei variabilei
factoriale nu diferă semnificativ de împrăştierea aceloraşi valori datorită
întâmplării. Această ipoteză presupune, de fapt, că modelul este irelevant, iar
etapele următoare ale testului o vor confirma sau o vor infirma;
Etapa II. Se alege repartiţia utilizată pentru efectuarea testului şi
nivelul de semnificaţie . Repartiţia pe baza căreia se realizează acest test este
cea cunoscută sub numele de repartiţia Fisher – Snedecor;
Etapa III. Se determină valoarea calculată (Fc) ca raport între estimatorul
varianţei explicate s2y/x şi estimatorul varianţei reziduale s2, după relaţia:

s 2y / x
Fc 
s2

Etapa IV. Se alege valoarea tabelară sau critică (Ft) din tabelul
repartiţiei Fisher – Snedecor în funcţie de nivelul de semnificaţie  şi de
numărul de grade de libertate;

25
 Etapa V. Se compară valoarea calculată Fc cu valoarea tabelară Ft şi
pot rezulta două situaţii:
– dacă Fc  Ft, ipoteza nulă se acceptă cu probabilitatea p = 1 – , ceea
ce înseamnă că modelul trebuie reconsiderat, fie în sensul alegerii altui factor de
influenţă, fie în sensul optării pentru o altă formă a funcţiei de regresie;
– dacă Fc > Ft, ipoteza nulă se respinge cu probabilitatea p = 1 – , ceea
ce înseamnă că modelul a rezistat verificării, adică variabila factorială are o
influenţă semnificativă asupra variabilei rezultative.
Pentru a cerceta dacă parametrii obţinuţi în urma aplicării metodei
celor mai mici pătrate sunt consistenţi se utilizează testul Student de verificare a
semnificaţiei parametrilor modelului. Media estimatorului fiecărui parametru,
în ipoteza unei estimaţii nedistorsionate, este mărimea reală a parametrului.
Varianţa estimatorului fiecărui parametru, în cazul unei estimaţii eficiente,
depinde de împrăştierea variabilei aleatoare şi de împrăştierea valorilor
variabilelor factoriale.
Ceea ce interesează în mod deosebit este semnificaţia parametrului
corespunzător variabilei factoriale, , dată fiind importanţa lui în măsurarea
influenţei acesteia asupra evoluţiei variabilei rezultative.
Etapele verificării semnificaţiei parametrilor cu ajutorul testului
Student sunt următoarele:
Etapa I. Se stabileşte ipoteza nulă H0 conform căreia parametrii
estimaţi ̂ şi ̂ nu diferă semnificativ de zero. Acest lucru înseamnă că se
porneşte de la presupunerea că modelul este irelevant;
Etapa II. Se stabileşte nivelul de semnificaţie al testului, notat cu  ;
Etapa III. Se determină valorile calculate ale testului Student pentru
fiecare parametru în parte, ca raport între valoarea absolută a parametrului
estimat şi eroarea sa standard, conform relaţiilor:

ˆ
t 
s
ˆ
t 
s

Etapa IV. Se determină din tabelul aferent repartiţiei Student valoarea

tabelară a variabilei standardizate (tcritic) în funcţie de  = n – 1 grade de
libertate şi de probabilitatea /2;
Etapa V. Se compară valorile calculate cu valoarea tabelară şi, în
raport cu mărimea lor, rezultă următoarele situaţii:

26
 – dacă nivelul calculat al ambilor parametri ai modelului este mai mic
sau cel mult egal cu valoarea critică (t , t < tcritic), ipoteza nulă se acceptă şi se
poate spune cu probabilitatea p = 1 –  că estimatorii ̂ şi ̂ nu diferă
semnificativ de zero. În aceste condiţii, datele nu confirmă existenţa legăturii
între variabila factorială şi cea rezultativă, fiind necesară fie alegerea altui factor
de influenţă, fie găsirea unei noi forme a legăturii;
– dacă nivelul calculat al ambilor parametri ai modelului este mai mare
decât valoarea critică (t , t  tcritic), ipoteza nulă se respinge şi se poate spune
cu probabilitatea p = 1 –  că estimatorii ̂ şi ̂ diferă semnificativ de zero,
adică parametrii estimaţi sunt semnificativi, iar modelul este corect din punct de
vedere statistic.
Parcurgerea tuturor acestor etape ale verificării statistice a modelului
unifactorial liniar, poate conduce la ideea unei anumite nesiguranţe privind
calitatea rezultatelor obţinute. În urma verificărilor, însă, această nesiguranţă
dispare şi, chiar dacă nu există certitudini, există convingerea că, pentru o
probabilitate suficient de mare, concluzia la care se ajunge este cea adevărată.

2.2. Modele unifactoriale neliniare

De multe ori, în economie, dependenţa dintre două variabile nu este de

tip liniar, ci urmează diverse funcţii analitice neliniare. Linia dreaptă nu poate fi
utilizată pentru a descrie orice legătură, deoarece, în multe cazuri, “norul de
puncte” sugerează diverse curbe. În aceste situaţii trebuie găsite funcţiile
matematice corespunzătoare tipului de curbă sugerată de reprezentarea grafică.
Existenţa sau absenţa unei legături liniare între variabila rezultativă y
şi variabila factorială x se probează cel mai simplu prin verificarea egalităţii
dintre raportul de corelaţie R şi valoarea absolută a coeficientului de corelaţie
liniară simplă, , astfel:
– dacă cei doi parametri ai corelaţiei (prezentaţi în paragraful 3.1.1) sunt
egali (R =  ), legătura este liniară;
– dacă cei doi parametri sunt diferiţi (R   ), legătura este neliniară.
În afara acestui procedeu, în alegerea formei funcţiei de regresie au un
rol important, pe lângă cunoştinţele teoretice şi procedeele econometrice, şi
experienţa practică şi rezultatele cercetărilor similare.
În principiu, o funcţie de regresie neliniară este acea funcţie a cărei
pantă, dată de parametrul , nu este constantă pentru orice valoare a lui x.
Estimarea parametrilor unei astfel de funcţii se realizează fie direct prin metoda
celor mai mici pătrate, fie prin diverse transformări care duc la liniarizarea
funcţiei, fie prin utilizarea unor metode numerice de estimare.

27
 În econometrie, cele mai cunoscute şi mai des întâlnite modele
unifactoriale neliniare sunt: modelul hiperbolic, modelul parabolic şi modelul
exponenţial.

2.2.1. Modelul hiperbolic

Ajustarea cu ajutorul hiperbolei se utilizează atunci când “norul de
puncte” urmează o traiectorie de tip hiperbolă. În acest caz, dependenţa dintre
cele două variabile poate fi inversă sau directă, iar reprezentarea grafică este de
forma:
Figura 1. Reprezentarea grafică a funcţiei hiperbolice

Modelul hiperbolic are la bază următoarea ecuaţie:

yi

0

0

0 xi

1
yi       i
xi

Parametrii  şi  ai modelului pot fi estimaţi cu ajutorul metodei celor

1
mai mici pătrate, prin utilizarea transformării de variabilă: xi 
'
.
xi
Modelul devine, astfel:

yi      xi'   i

28
 În aceste condiţii, sistemul de ecuaţii care conduce la valorile estimate
ale parametrilor  şi , obţinut conform algoritmului prezentat în cazul
modelului unifactorial liniar, este:

n  ˆ  ˆ  n x'  n y
 i i
i 1 i 1
 n
  
n 2 n
ˆ   x  ˆ   x   x'  y
' '
 i 1 i i 1 i i 1 i i
Ajustarea prin hiperbolă se recomandă atunci când variabila
rezultativă y scade, respectiv, creşte asimptotic către o valoare reală dată de
parametrul , fapt ilustrat şi de figura 1.
Analiza de corelaţie în cazul modelului hiperbolic se realizează cu
ajutorul raportului de corelaţie R şi a coeficientului de determinaţie simplă R2.
Verificarea statistică a modelului şi discuţiile referitoare la
homoscedasticitatea variabilei aleatoare sunt similare cu cele prezentate la
modelul unifactorial liniar.
În funcţie de reprezentarea grafică a legăturii, pot fi utilizate variante

 y
ale funcţiei hiperbolice, care au la bază diverse ecuaţii: y    e ; x 1;

x
1
y etc.
  x
2.2.2. Modelul parabolic
Acest model, numit şi modelul pătratic, este folosit, de regulă, atunci
când ritmul de evoluţie al caracteristicii urmează o curbă de tip U, cu vârfurile
în jos sau în sus. Pentru exprimarea modelului parabolic se utilizează funcţia de
gradul doi, după relaţia:

yi =  + 1xi +2xi2 + i

Reprezentarea grafică a unei funcţii parabolice este următoarea:

yi
2  0

29

2  0

0 xi
 Figura 2. Reprezentarea grafică a funcţiei parabolice

Şi în cazul acestei funcţii, pentru estimarea parametrilor , 1 şi 2 se

poate aplica metoda celor mai mici pătrate, rezultând următorul sistem de trei
ecuaţii cu trei necunoscute:

n  ˆ  ˆ  n x  ˆ  n x 2  n y
 1  i 2  i  i
i 1 i 1 i 1
 n
 ˆ
n
2 ˆ
n n

ˆ    
  i 1  i 2  i  xi yi
x x    x 3

 i1 i 1 i 1 i 1

ˆ  n x 2  ˆ  n x 3  ˆ  n x 4  n x 2 y
 i1 i 1 i1 i 2 i1 i i1 i i

Dacă 2  0, vârful parabolei va fi dat de minimul funcţiei (parabola

este cu ramurile în sus), iar dacă 2  0, vârful parabolei este dat de maximul
funcţiei (parabola este cu ramurile în jos).
Analiza de corelaţie în cazul modelului parabolic, similar cu modelul
hiperbolic, are la bază determinarea şi interpretarea raportului de corelaţie R şi a
coeficientului de determinaţie simplă R2.
Verificarea statistică a modelului şi discuţiile referitoare la
homoscedasticitatea variabilei aleatoare sunt, de asemenea, similare cu cele
prezentate la modelul unifactorial liniar.
Modelul parabolic are, la rândul său, foarte multe variante de
exprimare, cum ar fi: lg y     1  x   2  x 2 ; y      x2 ;
y    e  x   x ; y     1  lg x   2   lg x  etc.
1 2
2 2

2.2.3. Modelul exponenţial

Este utilizat atunci când “norul de puncte” are un trend curbiliniu
crescător sau descrescător, de tip exponenţial. Ecuaţia modelului este de forma:

yi     xi

Reprezentarea grafică a funcţiei exponenţiale este dată de figura 3:

30
 Figura 3. Reprezentarea grafică a funcţiei exponenţiale

În cazul acestei funcţii, pentru a estima parametrii  şi  este necesar,

în primul rând, să se liniarizeze funcţia prin logaritmare, astfel:

log yi = log  + xi  log 

Apoi, se aplică metoda celor mai mici pătrate şi se obţine sistemul de

ecuaţii:
yi
1

01

0 xi

n logˆ  log ˆ  n x  n log y 

 i  i
i1 i1
 n n n
logˆ   xi  log ˆ   xi2   xi log yi 
 i 1 i 1 i 1
Acest model se utilizează, de obicei, atunci când unei variaţii în
progresie aritmetică a variabilei factoriale x îi corespunde o variaţie în progresie
geometrică a variabilei rezultative y.

31
 Analiza de corelaţie în cazul modelului exponenţial, similar cu
celelalte modele neliniare, se realizează prin determinarea şi interpretarea
raportului de corelaţie R şi a coeficientului de determinaţie simplă R2.
Verificarea statistică a modelului şi discuţiile referitoare la
homoscedasticitatea variabilei aleatoare sunt, ca şi în celelalte cazuri neliniare,
similare cu cele prezentate la modelul unifactorial liniar.
Modelul exponenţial are, la rândul său, numeroase variante de
exprimare, cum ar fi: y    e  x ; y  e   x etc.
În afara acestor tipuri de modele neliniare simple, pot fi luate în
considerare multe altele, în funcţie de modul de dispunere a punctelor din
reprezentarea grafică.
Trebuie observată, însă, importanţa deosebită a modelului unifactorial
liniar, deoarece aproape toate modelele se raportează la acesta într-o formă sau
alta. Cu toate acestea, principalul dezavantaj al unui model unifactorial este
acela că ia în considerare prea puţine variabile factoriale, fapt pentru care este
necesar să se apeleze la modele care studiază dependenţa dintre variabila
rezultativă şi mai mulţi factori de influenţă, care acţionează simultan.

ÎNTREBĂRI TEORETICE DE AUTOEVALUARE LA CAPITOLUL 2:

1. Cum se interpretează valorile parametrilor α şi β ale modelului liniar

unifactorial?

2. Ce reprezintă verificarea statistică a modelului econometric?

3. Care sunt etapele testului Durbin-Watson?

4. Care sunt principalele tipuri de modele unifactoriale neliniare?

32
 CAPITOLUL 3. MODELE ECONOMETRICE
MULTIFACTORIALE

Rezumat: Problema fundamentală a modelelor unifactoriale este dată

de faptul că, în activitatea socio–economică se întâmplă destul de rar ca o
variabilă, de orice natură ar fi ea, să depindă semnificativ de un singur factor de
influenţă. În marea majoritate a cazurilor, variabilele economice sunt rezultanta
îmbinării mai multor factori importanţi la care se adaugă şi influenţa unor
factori nesemnificativi sau necuantificabili.
Astfel, deseori, modelele unifactoriale nu reuşesc să respecte
restricţiile impuse de metodele de estimare a parametrilor, deoarece sunt omise
din analiză variabile factoriale cu impact semnificativ asupra variabilei
rezultative. În aceste condiţii, variabila aleatoare nu mai are comportamentul
presupus de către ipotezele iniţiale ale modelului şi, drept urmare, estimatorii
obţinuţi nu sunt de calitate (deplasaţi, neconsistenţi, ineficienţi).

3.1. Modelul multifactorial liniar

3.1.1. Prezentarea modelului şi estimarea parametrilor

Funcţia de regresie care stă la baza modelului multifactorial liniar este
de forma:

yi =  + 1 x1i + 2 x2i + … + k xki + 

în care: yi reprezintă valorile variabilei rezultative;

x1i, x2i, …, xki sunt valorile variabilelor factoriale luate în considerare;
, 1, …, k sunt parametrii modelului, corespunzători variabilelor
factoriale x1i, x2i, …, xki;
i este variabila aleatoare sau reziduală.
Estimarea parametrilor regresiei liniare multiple se realizează tot cu
metoda celor mai mici pătrate, utilizată şi la modelele unifactoriale. Aplicarea ei
porneşte de la aceleaşi ipoteze fundamentale:
 datele privind variabila rezultativă şi variabilele factoriale sunt
obţinute fără erori de observare sau măsurare;
 variabila aleatoare sau reziduală i este de distribuţie normală, de
medie nulă (E(i) = 0) şi de varianţă constantă şi diferită de zero
(homoscedastică);

33
  variabila aleatoare i urmează o distribuţie independentă de valorile
variabilelor factoriale x1i, x2i, …, xki;
 variabilele factoriale nu sunt corelate liniar unele faţă de celelalte
(ipoteza absenţei multicoliniarităţii);
 valorile variabilei aleatoare nu sunt autocorelate.
Conform principiului metodei celor mai mici pătrate, valorile
variabilei aleatoare i prin ridicare la pătrat, urmată de însumarea acestora,
conduc la obţinerea expresiei:

i 1
2
n

i 1
2
n

i 1

  i    yi  ŷi    yi  ˆ  ˆ 1  x1i  ...  ˆ k  xki  2

în care y i reprezintă valorile estimate ale variabilei rezultative

corespunzătoare nivelurilor variabilelor factoriale x1i, x2i, …, xki, iar
ˆ , ˆ 1 ,..., ˆ k sunt estimatorii parametrilor , 1, …, k.
Obţinerea unor valori diferite pentru parametrii estimaţi
 ,  1 ,..., ˆ k conduce la valori diferite pentru suma pătratelor erorilor de
ˆ ˆ
estimare. Ceea ce interesează, însă, este obţinerea acelui set de estimatori ai
parametrilor modelului care determină cea mai mică sumă, adică cele mai mici
erori de estimare. Aşadar, obiectivul urmărit este obţinerea unei astfel de soluţii
pentru parametri, încât să fie valabilă următoarea relaţie:

n
  i2 = minim
i 1

În acest scop, condiţia necesară este ca derivatele parţiale ale sumei

date în raport cu  ˆ , ˆ 1 ,..., ˆ k să fie egale cu zero, deoarece aceasta ne
conduce la minim (demonstraţia afirmaţiei este similară cu cazul unifactorial),
rezultând relaţiile:

n
 
 2  yi  ˆ  ˆ 1 x1i  ˆ 2 x 2i  ...  ˆ k xki  0
i 1

n
  
 2  x1i yi  ˆ  ˆ 1 x1i  ˆ 2 x 2i  ...  ˆ k xki  0
i 1

34
 n
 
 2  x 2i yi  ˆ  ˆ 1 x1i  ˆ 2 x 2i  ...  ˆ k xki  0
i 1


n
 
 2  xki yi  ˆ  ˆ 1 x1i  ˆ 2 x 2i  ...  ˆ k xki  0
i 1

Din relaţiile anterioare rezultă sistemul de k + 1 ecuaţii cu k + 1
necunoscute:

nˆ  ˆ n x1  ˆ n x 2  ...  ˆ n xk  n y
 1 i 2 i k i  i
i 1 i 1 i 1 i 1
 n n n n n
ˆ  x1i  ˆ 1  x1i2  ˆ 2  x1i  x2i  ...  ˆ k  x1i  xki   x1i  yi
 i1 i 1 i 1 i 1 i 1
 n n n n n
 ˆ  x 2  ˆ  x1  x 2  ˆ
  x 2 2
 ...  ˆ
  x 2  xk   x 2i  yi
i 1 i i 2 i k i i
 i 1 i 1 i 1 i 1 i 1


 n n n n n
ˆ  xk i  ˆ 1  x1i  xki  ˆ 2  x 2i  xki  ...  ˆ k  xk i2   xk i  yi
 i1 i 1 i 1 i 1 i 1


În urma rezolvării acestui sistem se obţin valorile estimate ale

ˆ , ˆ 1 ,..., ˆ k .
parametrilor modelului 
Similar cu modelul unifactorial, estimatorii determinaţi cu metoda
celor mai mici pătrate corespund obiectivului urmărit dacă valoarea aşteptată
pentru fiecare estimator este egală cu valoarea reală a parametrului, iar varianţa
fiecărui estimator este cea mai mică posibilă în raport cu numărul de eşantioane.
Informaţiile oferite de parametrii de regresie se referă la cuantificarea
efectelor variaţiilor variabilelor factoriale luate în considerare asupra variaţiei
variabilei rezultative.
Estimaţia termenului liber , similar cu ceea ce s-a prezentat la
modelul unifactorial, arată nivelul variabilei rezultative atunci când toate
variabilele de influenţă (x1i, x2i, …, xki) au valoarea zero.
Din punct de vedere economic, această valoare are relevanţă numai
atunci când variabila rezultativă poate lua valori diferite de zero şi în condiţiile
în care toate variabilele factoriale sunt nule. Dacă este vorba însă de variabile
fundamentale, în absenţa cărora variabila rezultativă nu există, atunci

35
termenului liber  nu are relevanţă economică şi trebuie eliminat din funcţie.
Acest lucru se realizează prin construirea unei ecuaţii liniare multiple fără
termen liber, conform relaţiei:

yi = 1 x1i + 2 x2i + … + k xki + i

Estimarea parametrilor 1, 2, …, k se realizează tot cu ajutorul

metodei celor mai mici pătrate, rezultând următorul sistem de k ecuaţii cu k
necunoscute:

ˆ n x12  ˆ n x1  x 2  ...  ˆ n x1  xk  n x1  y

 1 i1 i 2 i1 i i k i
i 1
i  i i
i 1
 n n n n
ˆ 1  x1i  x2i  ˆ 2  x2i2  ...  ˆ k  x2i  xki   x2i  yi
 i1 i 1 i 1 i 1

 n n n n
ˆ  x1  xk  ˆ  x2  xk  ...  ˆ  xk 2   xk  y
 1 i1 i i 2 i1 i i k
i 1
i
i 1
i i

Estimaţiile parametrilor 1, 2, …, k, atât în cazul modelului cu

termen liber, cât şi în cazul modelului fără termen liber, arată cu cât variază
variabila rezultativă atunci când factorul de influenţă corespunzător
parametrului respectiv variază cu o unitate, în condiţiile în care toţi ceilalţi
factori sunt constanţi.
De exemplu, valoarea lui 1 arată cu cât se modifică variabila
rezultativă y atunci când x1 se modifică cu o unitate, iar x2, x3, …, xk sunt
constante. Din acest motiv parametrul 1 mai este numit efectul parţial al
acţiunii variabilei x1 asupra lui y.
Dacă 1  0, atunci legătura dintre variabila factorială x1 şi variabila
rezultativă y este directă (când x1 are evoluţie crescătoare, creşte şi y, iar când
x1 are evoluţie descrescătoare, scade şi y). Când 1 este pozitiv se pot distinge
trei situaţii: dacă 1  1, atunci influenţa variabilei factoriale asupra celei
rezultative este mai slabă (la variaţia cu o unitate a variabilei factoriale x1,
variabila rezultativă y variază cu o valoare subunitară); dacă 1  1, atunci
influenţa variabilei factoriale asupra celei rezultative este foarte puternică (la
variaţia cu o unitate a variabilei factoriale x1, variabila rezultativă y variază cu o

36
valoare supraunitară); dacă 1 = 1, atunci variabila rezultativă y variază direct
proporţional cu variaţia variabilei factoriale x1.
Dacă 1  0, atunci legătura dintre variabila factorială x1 şi variabila
rezultativă y este inversă, de sens contrar – când x1 evoluează crescător, y are o
evoluţie descrescătoare, iar când x1 evoluează descrescător, y are o evoluţie
crescătoare.
În situaţia în care 1 = 0, variabila rezultativă y este complet
independentă în raport cu variabila factorială x1.
Similar se interpretează şi valorile lui 2, 3, …, k.
Obţinerea valorilor estimate ale parametrilor , 1, 2, …, k înseamnă
finalizarea analizei de regresie a modelului multifactorial liniar.
Analiza corelaţiei în cazul modelului multifactorial liniar cu variabile
cantitative se realizează cu ajutorul raportului de corelaţie multiplă, a
coeficientului de determinaţie multiplă, precum şi a coeficienţilor de corelaţie şi
determinaţie parţială .
Dacă modelul multifactorial conţine variabile calitative, se utilizează
metodele neparametrice de măsurare a intensităţii legăturii.

3.1.2. Verificarea statistică a modelului multifactorial

Prin analiza de regresie şi corelaţie a modelului multifactorial s-au
stabilit forma, sensul şi intensitatea legăturii dintre variabila rezultativă şi
variabilele factoriale. În principiu, modelul a fost elaborat astfel încât să
aproximeze cât mai bine realitatea economică studiată. Măsura în care s-a reuşit
acest lucru se determină în cadrul etapei de verificare statistică a modelului
multifactorial, care în mare parte se bazează pe metode statistice similare cu
cele utilizate în cazul modelului unifactorial.
Aşa cum s-a arătat la modelul unifactorial, această etapă de verificare
a modelelor de regresie pe baza unor teste statistice este absolut necesară,
datorită faptului că estimarea parametrilor modelelor se realizează pe seama
unor eşantioane de date, mai mult sau mai puţin reprezentative.
Setul de metode statistice care stă la baza verificării unui model
multifactorial conţine mai multe componente, unele dintre ele similare cu
modelul unifactorial:
Determinarea erorilor standard. Erorile standard reprezintă abateri ale
valorilor estimate de la valorile reale şi se determină astfel:
1. Ca abatere a valorilor estimate ale variabilei rezultative y
i faţă de
cele reale yi, caz în care se numeşte eroare standard a modelului multifactorial,
se notează s şi se determină după relaţia:

37
 n
1
 y  yi 
2
s 
 n  k  1 i 1
i

unde k reprezintă numărul de variabile factoriale.

În principiu, se consideră că, cu cât această eroare este mai mică în
raport cu valorile variabilei rezultative, cu atât modelul aproximează mai corect
realitatea economică studiată. Aşa cum s-a arătat şi în cazul modelului
unifactorial, interpretarea calităţii modelului în funcţie de valoarea erorii
standard a regresiei este destul de relativă, fapt pentru care utilitatea acesteia
constă mai degrabă în a sta la baza la determinării altor parametri statistici de
validare a modelului;
2. Ca abateri ale valorilor estimate ale parametrilor funcţiei de regresie
ˆ ,  1 ,  2 ,..., ˆ k de la valorile lor reale , 1, 2, …, k, caz în care se numesc
ˆ ˆ
erori standard ale parametrilor modelului şi se determină pentru fiecare
parametru în parte.
Pentru modelele multifactoriale, determinarea erorilor standard ale
parametrilor , 1, 2, …, k este puţin mai dificilă decât în cazul modelului
unifactorial.
Erorile standard ale parametrilor depind de eroarea standard a funcţiei
de regresie s şi de varianţele variabilelor factoriale x1, x2 , … ,xk . Aceste
varianţe sunt date de elementele de pe diagonala inversei matricei asociate
sistemului de ecuaţii al modelului.
Dacă se notează elementele respective cu cjj, unde j = k + 1, atunci
eroarea standard a parametrului j se determină conform relaţiei15:

s  s  c jj
j

Cu cât aceste erori sunt mai mici în raport cu valorile absolute ale
parametrilor pe care îi caracterizează (j), cu atât valorile estimate ale
parametrilor respectivi sunt mai apropiate de cele reale.
Condiţia de normalitate a variabilei aleatoare i, prezentată în etapa
formulării ipotezelor iniţiale, se poate verifica cu ajutorul testului 2, care constă
în compararea frecvenţelor absolute efective, ni, ataşate valorilor variabilei
aleatoare, cu valorile teoretice, pi. Efectuarea testului 2 presupune parcurgerea
următoarelor etape:
Etapa 1. Se formulează ipoteza nulă H0, prin care se presupune că
distribuţia variabilei aleatoare este normală;

15
E. Pecican, Econometrie, Editura ALL, Bucureşti, 1994, pag. 75 – 82

38
 Etapa 2. Se calculează valorile standardizate zi, conform relaţiei:

i  m
zi 


Etapa 3. Se determină, din tabelul Laplace, valorile (zi)

corespunzătoare;
Etapa 4. Se calculează valorile teoretice pi = (zi) – (zi–1);
Etapa 5. Se determină o valoare calculată 2c , astfel:

k  ni  npi  2
c= 
2

i 1 npi

Valoarea calculată a testului 2 se compară cu valoarea tabelară

corespunzătoare. Dacă valoarea calculată este mai mică sau cel mult egală cu
valoarea tabelară, rezultă că ipoteza de normalitate a variabilei aleatoare se
acceptă şi modelul este corect, iar dacă valoarea calculată este mai mare decât
valoarea tabelară, rezultă că ipoteza de normalitate a variabilei aleatoare se
respinge şi modelul nu respectă condiţia iniţială impusă. În această a doua
situaţie sunt necesare corecţii, fie în sensul suplimentării factorilor de influenţă,
fie în sensul creşterii volumului eşantionului de date pe care se face analiza.
Verificarea unei alte ipoteze iniţiale a modelului, cea referitoare la
autocorelarea variabilei aleatoare se realizează cu ajutorul testului Durbin –
Watson, ale cărui etape au fost prezentate pe larg pe cazul modelului
unifactorial.
Testul Fisher de analiză a variaţiei variabilei rezultative verifică
modalitatea în care modelul reuşeşte să conducă la reconstituirea valorilor
empirice ale variabilei rezultative yi prin intermediul valorilor estimate y i .
Testarea capacităţii modelului de a reconstitui valorile reale ale variabilei
rezultative prin intermediul valorilor estimate se realizează astfel:
Etapa 1. Se stabileşte ipoteza nulă H0, conform căreia împrăştierea
valorilor ajustate ale variabilei rezultative y i datorită factorilor de influenţă nu
diferă semnificativ de împrăştierea aceloraşi valori datorită întâmplării;
Etapa 2. Se alege nivelul de semnificaţie ;
Etapa 3. Se determină valoarea calculată F ca raport între estimatorul
varianţei explicate (s2y/x1, x2, …, xk) şi estimatorul varianţei reziduale (s2), astfel:

39
 s 2y / x 1,x 2 ,...,xk
F
s2

Etapa 4. Se alege valoarea critică Fcritic din tabelul repartiţiei Fisher –

Snedecor în funcţie de nivelul de semnificaţie  şi de numărul de grade de
libertate;
Etapa 5. Se compară valoarea calculată F cu valoarea critică Fcritic şi
pot rezulta două situaţii:
– dacă F < Fcritic, ipoteza nulă se acceptă cu probabilitatea p = 1 – ,
ceea ce înseamnă că modelul trebuie reconsiderat, fie în sensul alegerii altor
factori de influenţă sau a suplimentării lor, fie în sensul optării pentru o altă
formă a modelului;
– dacă F > Fcritic, ipoteza nulă se respinge cu probabilitatea p = 1 – ,
ceea ce înseamnă că modelul a rezistat verificării, fiind util analizei şi
previzionării variabilei rezultative.
O altă ipoteză importantă a metodei celor mai mici pătrate referitoare
la modelele multifactoriale este aceea că variabilele factoriale nu sunt corelate
liniar între ele. Dacă există o astfel de relaţie liniară între două sau mai multe
variabile factoriale din cadrul modelului, apare efectul de multicoliniaritate16. În
aceste condiţii, nu mai poate fi cuantificat efectul unei variabile factoriale xk
asupra variabilei rezultative y, deoarece celelalte variabile factoriale nu sunt
constante când aceasta variază, fiind corelate între ele. Estimatorii
corespunzători variabilelor corelate între ele nu mai pot fi definiţi şi interpretaţi.
Efectul de multicoliniaritate face practic imposibilă interpretarea estimatorilor
parametrilor modelului, chiar dacă ei matematic pot fi calculaţi pe baza
ecuaţiilor sistemului rezultat în urma aplicării metodei celor mai mici pătrate,
deoarece erorile standard devin foarte mari, ceea ce afectează semnificativ
calitatea estimatorilor.
Nu s-au elaborat până la ora actuală teste statistice suficient de sigure
de determinare a multicoliniarităţii. De aceea, efectul se determină, cel mai
adesea, prin calcularea coeficienţilor de corelaţie liniară între variabilele
factoriale. Dacă valorile acestor coeficienţi sunt nule sau foarte apropiate de
zero, multicoliniaritatea nu există sau este foarte slabă. Dacă, însă, valorile
coeficienţilor de corelaţie liniară sunt apropiate de unu, efectul există şi trebuie
înlăturat. De asemenea, existenţa multicoliniarităţii într-o măsură semnificativă
este semnalată şi de valorile mari ale erorilor standard ale parametrilor şi de
nivelurile de semnificaţie mici ale acestora.

16
C. Şipoş, C. Preda, Econometrie, Editura Mirton, Timişoara, 2006

40
 De obicei, în economie, variabilele factoriale nu sunt complet
independente unele de celelalte. Acest lucru înseamnă că, întotdeauna într-un
model econometric va exista un anumit efect de multicoliniaritate. Problema
care se pune este a gradului de multicoliniaritate peste care modelul devine
ineficient.
Eliminarea efectelor multicoliniarităţii se face cel mai sigur prin
eliminarea variabilelor factoriale corelate (eventual, păstrarea uneia dintre ele şi
eliminarea celorlalte). Acest lucru este posibil, însă, numai dacă modelul
cuprinde suficient de multe variabile factoriale.
O altă modalitate de evitare a multicoliniarităţii este segmentarea
eşantionului de date în mai multe părţi şi analizarea separată a fiecărei porţiuni,
cu condiţia ca eşantioanele rezultate în urma segmentării să fie suficient de
mari.
Un ultim test utilizat în cadrul acestei etape este testul Student de
verificare a semnificaţiei parametrilor modelului. Calitatea parametrilor
corespunzători variabilelor factoriale este foarte importantă, dat fiind rolul lor în
măsurarea impactului fiecărei variabile factoriale asupra evoluţiei variabilei
rezultative.
Pentru aceasta se calculează estimatorii varianţelor acestor parametri
s 2ˆ în funcţie de varianţa variabilei aleatoare s2 şi de varianţele variabilelor
k

factoriale.
Etapele verificării semnificaţiei parametrilor cu ajutorul testului
Student sunt următoarele:
Etapa 1. Se stabileşte ipoteza nulă H0 conform căreia parametrii
estimaţi ˆ , ˆ 1 , ˆ 2 ,..., ˆ k nu diferă semnificativ de zero;
Etapa 2. Se stabileşte nivelul de semnificaţie al testului,  ;
Etapa 3. Se determină valorile calculate ale testului Student t  k
pentru fiecare parametru în parte, ca raport între valoarea absolută a
parametrului estimat ̂ k şi eroarea sa standard s  k , conform relaţiei:

ˆ k
t 
k
s k

Etapa 4. Se determină din tabelul aferent repartiţiei Student valoarea

tabelară a variabilei standardizate tcritic în funcţie de  = n – 1 grade de libertate
şi de probabilitatea /2;
Etapa 5. Se compară valoarea calculată cu valoarea tabelară şi, în
raport cu mărimea lor, pot rezulta trei situaţii:

41
 – dacă toate valorile calculate sunt mai mari decât nivelul critic ( t  k >
tcritic), ipoteza nulă se respinge şi se poate spune cu probabilitatea p = 1 –  că
toţi estimatorii determinaţi cu metoda celor mai mici pătrate diferă semnificativ
de zero, adică parametrii estimaţi sunt semnificativi, iar modelul este corect din
punct de vedere statistic;
– dacă unele valori calculate sunt mai mari decât nivelul critic, iar altele
sunt mai mici, parametrii aferenţi valorilor calculate mai mari decât nivelul
critic sunt semnificativi şi trebuie păstraţi în model, în timp ce parametrii
aferenţi valorilor calculate mai mici decât nivelul critic sunt nesemnificativi şi
trebuie eliminaţi din model. În această situaţie, modelul se va reface în raport de
variabilele factoriale rămase semnificative;
– dacă toate valorile calculate sunt mai mici decât nivelul critic ( tak <
tcritic), ipoteza nulă se acceptă şi se poate spune cu probabilitatea p = 1 –  că
estimatorii nu diferă semnificativ de zero şi rezultatul obţinut este întâmplător.
În aceste condiţii, datele studiate nu confirmă existenţa legăturii între variabila
rezultativă şi factorii de influenţă analizaţi, fiind necesară fie alegerea altor
factori, fie găsirea unei noi forme a legăturii.

3.2. Modele multifactoriale neliniare

Modelele liniare au o largă aplicabilitate în econometrie datorită

relativei uşurinţe cu care parametrii acestor modele pot fi estimaţi şi interpretaţi.
O dată, însă, cu dezvoltarea unor programe computerizate specializate, a apărut
posibilitatea utilizării unor modele mai complexe, care au la bază diverse tipuri
de funcţii, liniare sau neliniare, cu variabile cantitative şi calitative. Problema
principală care trebuie rezolvată la ora actuală cu privire la utilizarea acestor
instrumente computerizate este cea referitoare la alegerea funcţiei cele mai
potrivite în raport cu fenomenul studiat.
Astfel, modelele multifactoriale neliniare pot fi de diverse forme, în
funcţie de curba descrisă de graficul “norului de puncte”. Cel mai des întâlnite
modele neliniare multiple care descriu evoluţia unor variabile economice sunt
funcţiile exponenţiale şi funcţiile de putere.
Funcţiile exponenţiale pot fi, la rândul lor, de diverse forme, cele mai
utilizate fiind cele care pot fi uşor liniarizate prin diverse transformări. O funcţie
exponenţială multifactorială cunoscută este de forma:

y =   1 x1  2 x2  …  k xk  

Liniarizarea acestei funcţii se realizează prin logaritmare:

42
 log y = log  + x1 log 1 + … + xk log k + log 

În acest fel, modelul este unul multifactorial liniar cu parametrii log

, log 1, …, log k, care pot fi estimaţi cu metoda celor mai mici pătrate.
O altă funcţie exponenţială utilizată destul de des în econometrie este
de forma:

y    e  x1  e 
1 2x2
 ...  e  k xk


Liniarizarea acestei funcţii se realizează prin logaritmare cu logaritm

natural şi se obţine:

ln y = ln  + 1 x1 + 2 x2 + … + k xk + ln 

Din nou se ajunge la un model multifactorial liniar care poate fi

analizat cu metodele cunoscute.
A doua categorie de funcţii multifactoriale neliniare sunt funcţiile de
putere. Ecuaţia cea mai cunoscută care stă la baza unui model de putere este
următoarea:

y =   x1 1  x2 2 … xk k 

Liniarizarea unei astfel de funcţii se realizează tot prin logaritmare,

rezultând o ecuaţie de forma:

log y = log  + 1  log x1 + … + k  log xk + log 

Similar cu funcţiile exponenţiale, în urma efectuării operaţiunii de

logaritmare, estimarea parametrilor funcţiei rezultate se poate realiza tot cu
metoda celor mai mici pătrate.
Pe lângă funcţiile liniarizabile există, însă, şi numeroase funcţii
neliniare care nu se pretează la liniarizare şi ale căror parametri trebuie estimaţi
ca atare. Acest lucru, de obicei, este dificil de realizat cu metode mai simple,
fapt pentru care se apelează la metodele computerizate specializate, iar analistul
interpretează doar rezultatele obţinute.
Funcţiile exponenţiale şi cele de putere prezentate au o largă utilizare
în econometrie, o aplicaţie foarte cunoscută a lor constituind-o funcţiile de
producţie.

43
 3.3. Funcţii de producţie

Un caz particular al funcţiilor multifactoriale de putere îl reprezintă un

model bifactorial neliniar, care pune în evidenţă legătura la nivel
macroeconomic dintre venitul obţinut şi factorii de producţie fundamentali care
concură la realizarea venitului respectiv. Acest model este cunoscut sub numele
de funcţia de producţie Cobb – Douglas 17, după numele autorilor săi şi are la
bază următoarea ecuaţie:

Y = L  K 

în care: Y reprezintă venitul realizat la nivelul economiei naţionale pe timp de

un an, cuantificat iniţial de către autori cu ajutorul venitului
naţional, iar, mai recent, prin produsul naţional brut sau produsul
intern brut ;
L este forţa de muncă utilizată în economie în timpul unui an,
cuantificată prin cuantumul salariilor;
K reprezintă capitalul fix productiv aferent aceleiaşi perioade;
 şi  sunt coeficienţii de elasticitate ai venitului în raport cu L şi K.
Prin logaritmare, rezultă funcţia liniară de forma:

log Y =   log L +   log K

Estimatorii parametrilor  şi  se obţin prin aplicarea metodei celor

mai mici pătrate, în urma căreia rezultă sistemul de două ecuaţii cu două
necunoscute de forma:

ˆ  n  log L  2  ˆ  n  log L  log K   n  log Y  log L 

 i1 i  i
i 1
i 
i 1
i i
 n n n
ˆ    log Li  log K i   ˆ    log K i  2    log Yi  log Ki 
 i1 i1 i1

în care Yi, Li şi Ki reprezintă valorile venitului, ale forţei de muncă şi ale

capitalului fix aferente perioadei de timp analizate, iar ̂ şi ̂ sunt estimatorii
elasticităţilor  şi  .

17
C. Chilărescu, Modele econometrice aplicate, Editura Mirton, Timişoara, 1994, pag. 81 – 85

44
 Valoarea estimată pentru elasticitatea  arată, în valoare procentuală,
cu cât se modifică venitul Y, atunci când forţa de muncă L se modifică cu o
unitate.
Similar, valoarea estimată a elasticităţii  arată, în valoare procentuală,
cu cât se modifică venitul Y, atunci când capitalul fix K se modifică cu o unitate.
Iniţial, autorii au ajuns la concluzia că, pe termen lung, într-o
economie deschisă de piaţă, suma elasticităţilor  şi  tinde către 1, ipoteză
infirmată, însă, de cercetări ulterioare 18.
O altă funcţie de producţie, care este o completare a funcţiei Cobb –
Douglas, o reprezintă funcţia de producţie Solow, care pe lângă forţa de muncă
şi capitalul fix, ia în considerare şi impactul tehnologic (progresul tehnic sau
inovarea) ca fiind factor esenţial de producţie. Această funcţie are la bază
următoarea ecuaţie:

Y = L K e t

în care, termenul nou introdus et semnifică impactul tehnologic. Liniarizarea

funcţiei se realizează prin logaritmare cu logaritmul natural, astfel:

ln Y =   ln L +   ln K +   t

unde  reprezintă elasticitatea venitului Y la modificările tehnologice, iar t

cuantifică factorul timp.
Estimatorii parametrilor ,  şi  se obţin prin aplicarea metodei celor
mai mici pătrate, în urma căreia rezultă sistemul de trei ecuaţii cu trei
necunoscute de forma:

ˆ  n  ln L  2  ˆ  n  ln L  ln K   ˆ  n  t  ln L   n  ln Y  ln L 
 i1 i  i
i 1
i  i i  i i
i 1 i 1
 n
 n n n

ˆ 
  i  ln L  ln K i   ˆ   i  ln K  2
 
ˆ   i  t  ln K i     ln Yi  ln K i 
 i1 i 1 i 1 i 1

ˆ  n  t  ln L   ˆ  n  t  ln K   ˆ  n t 2  n  t  ln Y 
 i1 i i  i
i 1
i i  i i
i 1 i 1

18
C. Şipoş, C. Preda, Econometrie, Editura Mirton, Timişoara, 2006

45
unde ̂ , ̂ şi ̂ sunt estimatorii elasticităţilor ,  şi .
O altă funcţie de producţie cunoscută în econometrie este funcţia de
producţie CES,19 care porneşte de la ipoteza elasticităţii constante a substituţiei
factorilor de producţie L şi K. Ecuaţia acestei funcţii este de forma:

ln Y  ln  


 
ln K     1    L   

O aproximare de tip serie Taylor a acestei funcţii în jurul punctului 

= 0 este:

 1 2
ln Y  ln    ln K    1    ln L    1      ln K  ln L     '
 2 
= 1  x1 + 2  x2 + 3  x3 + 4  x4 +  ’

1
unde: x1 = 1; x2 = ln K; x3 = ln L; x4   ln 2  K / L  , iar transformările
2
efectuate sunt:

 = e1;  = 2/(2 + 3);  = 2 + 3;

 = 4(2 + 3)/ (23)

Valorile estimate ale parametrilor 1, 2, 3 şi 4 se pot obţine cu

ajutorul metodei celor mai mici pătrate aplicată funcţiei liniare. Pe baza acestora
se obţin valorile estimate ale parametrilor , ,  şi .

ÎNTREBĂRI TEORETICE DE AUTOEVALUARE LA CAPITOLUL 3:

1. Cum se interpretează valorile parametrilor α, β1 ,..., βk ale modelului liniar

multifactorial?

2. Ce este efectul de multicoliniaritate?

3. Care sunt principalele tipuri de modele multifactoriale neliniare?

4. Ce sunt funcţiile de producţie?

19
W.H. Greene, Econometric Analysis, Fifth Edition, Prentice Hall, 2003, pag. 128 – 130

46
47
 CAPITOLUL 4. MODELE ECONOMETRICE BAZATE
PE FACTORUL TIMP

Rezumat: Analiza econometrică a evoluţiei în timp a fenomenelor şi

proceselor economice reprezintă o latură distinctă a cercetării variabilelor
economice cu ajutorul metodelor cantitative. În cazul modelelor care includ
factorul timp – serii de timp, cronologice sau dinamice, cum mai sunt ele
denumite – variabilele factoriale sunt înlocuite de un şir de valori care exprimă,
de regulă, o acumulare de perioade egale de timp. Modelele econometrice
bazate pe factorul timp sunt reprezentate, de obicei, prin două şiruri de date
paralele, în care primul şir arată variaţia caracteristicii de timp, iar cel de-al
doilea şir arată variaţia caracteristicii studiate de la o unitate de timp la alta.

4.1. Analiza econometrică a evoluţiei în timp

a variabilelor economice

O serie de timp care redă evoluţia unei variabile economice Y pe o

anumită perioadă de timp t1, t2, … , ti, …, tn poate fi reprezentată astfel20:

 
 y1 y2 . . yi . . yn 
 
t t . . t . . t 
1 2 i n 
 
Un model econometric bazat pe influenţa timpului asupra evoluţiei unei
variabile economice prezintă câteva caracteristici fundamentale:
1. Variabilitatea termenilor unei serii de timp, care este dată de faptul că
fiecare termen se obţine prin centralizarea unor date individuale cu caracteristici
diferite. Cu cât acţiunea caracteristicilor individuale este mai pregnantă, cu atât
apar diferenţe mai mari între comportamentele termenilor seriei, ceea ce face ca
20
C. Şipoş, C. Preda, Econometrie, Editura Mirton, Timişoara, 2006

48
variaţiile, fluctuaţiile în cadrul seriei să fie mai puternice. Având în vedere
această trăsătură, este necesar ca, în analiza unei serii de timp, să se măsoare
atât influenţa factorilor esenţiali, care imprimă fenomenului o anumită tendinţă
specifică de evoluţie, cât şi marja de abatere de la această tendinţă, rezultată din
influenţa factorilor neesenţiali;
2. Omogenitatea termenilor, care constă în includerea în cadrul unei serii
de timp numai a fenomenelor de acelaşi gen, care sunt rezultatul acţiunii
aceloraşi cauze esenţiale. Pentru a asigura omogenitatea seriei, trebuie păstrată
aceeaşi metodologie de culegere a datelor, de calcul a indicatorilor şi evaluare a
rezultatelor, precum şi menţinerea lungimii intervalelor de grupare şi a unităţii
de măsurare a timpului. Atunci când se analizează o serie de timp, este necesar
să se verifice dacă datele provin din aceeaşi sursă, cu acelaşi grad de cuprindere
şi dacă au fost folosite aceleaşi principii şi metode de culegere şi prelucrare a
datelor;
3. Periodicitatea termenilor, care presupune asigurarea continuităţii
datelor în raport cu timpul şi reprezintă o caracteristică foarte importantă în
utilizarea metodelor analitice de analiză a seriilor dinamice. Variabila timp
poate fi înregistrată cu periodicităţi diferite, începând de la unităţi de timp de
ordinul minutelor, orelor sau zilelor şi continuând cu perioade de ordinul anilor,
deceniilor sau chiar secolelor, în funcţie de specificul variabilelor economice
analizate;
4. Interdependenţa termenilor seriei de timp, care înseamnă existenţa
unor legături între valorile înregistrate la perioade diferite de timp, adică
relevarea unor interdependenţe între nivelul curent al variabilei şi nivelurile
înregistrate în perioadele anterioare. Dacă aceste interdependenţe sunt foarte
puternice, atunci se poate vorbi despre un caracter “autoregresiv” al variabilei
analizate, care poate fi studiat cu ajutorul unor modele specifice, cu largă
utilizare în econometrie.
Un element fundamental al analizei econometrice cu ajutorul seriilor de
timp îl reprezintă alegerea lungimii seriei de date, de regulă, fiind necesar un
număr suficient de mare de termeni, astfel încât să poată fi aplicate principiile
legii numerelor mari şi să poată fi fundamentate corect previziunile pe diferite
perioade de timp.
Un alt element fundamental îl reprezintă alegerea formei optime de
analiză a seriei de date. Din acest punct de vedere, cea mai utilizată modalitate
de analiză a seriilor de timp o reprezintă descompunerea evoluţiei seriei
dinamice pe componente determinate de acţiunea diferiţilor factori de influenţă.

49
 Sub acţiunea unui sistem complex de variabile factoriale sau aleatoare,
considerate independente una faţă de cealaltă, în cadrul unei serii dinamice se
pot identifica următoarele componente:21
1. Trendul sau tendinţa centrală Tt, care reflectă legitatea specifică de
evoluţie a variabilelor economice studiate pe o perioadă lungă de timp, făcând
abstracţie de abaterile faţă de nivelul mediu, respectiv, de erorile sau valorile
reziduale datorate influenţei factorilor aleatori. Identificarea trendului unei serii
de timp se realizează cu ajutorul a diverse metode econometrice, cunoscute
generic sub numele de “ajustarea seriilor de timp”;
2. Variaţiile ciclice Ct, care reprezintă oscilaţiile interanuale în jurul
tendinţei centrale cu un caracter nesistematic, în sensul că atât intervalele la care
oscilaţiile se manifestă, cât şi intensitatea lor, sunt diferite de-a lungul timpului;
3. Variaţiile sezoniere St sunt acea componentă sistematică ce se
manifestă prin oscilaţii de perioadă mai mică sau cel mult egală cu un an,
repetabile în timp. Sezonalitatea se manifestă sub forma unor abateri de la
medie care apar regulat în timpul unui an şi are un caracter mai mult sau mai
puţin pregnant în funcţie de specificul domeniului studiat;
4. Variaţiile aleatoare sau reziduale (perturbatoare) t apar datorită unor
factori necuantificabili şi cu acţiuni absolut imprevizibile. În funcţie de
proprietăţile atribuite variabilei aleatoare pot fi aplicate anumite tehnici de
estimare şi previziune a comportamentului seriei de date.
În măsura în care volumul de date studiat este suficient de mare, în
analiza unei serii de timp se regăsesc mai multe tipuri de scheme de
descompunere a influenţelor pe cele patru componente 22.
Schema cea mai simplă şi mai des utilizată este schema aditivă, în care
cele patru componente ale seriei se însumează direct, conform relaţiei:

yt = Tt + Ct + St + t ,

unde yt reprezintă valoarea variabilei studiate la momentul t.

Primele două componente, trendul şi variaţiile ciclice, se pot analiza
împreună sub forma componentei extrasezoniere Dt, după relaţia:

Dt = Tt + Ct

21
T. Andrei, S. Stancu, Statistica. Teorie şi aplicaţii, Editura ALL, Bucureşti, 1995, pag. 385
22
P. Newbold, W.L. Carlson, Betty Thorne, Statistics for Business and Economics, Fifth Edition,
Pearson Prentice Hall, 2003, pag. 668 – 671

50
 A doua schemă este cea multiplicativă, cu două variante:
1. Atunci când componenta sezonieră este proporţională cu componenta
extrasezonieră, schema de compunere se prezintă în felul următor:

yt = Dt + Dt  St + t = Dt (1 + St) + t

2. Atunci când componenta aleatoare este proporţională cu suma

celorlalte componente, schema este următoarea:

yt = Dt (1 + St)(1 + t)

Această ultimă schemă, prin logaritmare, poate fi transformată într-o

schemă aditivă, astfel:

ln yt = ln Dt + ln(1 + St) + ln(1 + t)

Modelele econometrice bazate pe factorul timp trebuie să ţină însă seama,

între altele, şi de caracteristica fenomenelor economice de a-şi manifesta
influenţa cu o întârziere mai mică sau mai mare în timp. Acest fapt a dus la
utilizarea termenului de time – lag (decalaj în timp) care evită pericolul falselor
corelaţii în situaţiile în care se analizează serii de date care includ tendinţe de
evoluţie.
Având în vedere caracteristicile lor, se poare observa că modelele care
include factorul timp sunt diverse, fapt pentru care este necesară o clasificare a
lor, în vederea stabilirii metodelor optime de ajustare.
Astfel, în raport de perioada de timp la care se referă datele, seriile de
timp pot fi:
 serii de timp de intervale (continue), în cazul cărora fiecare nivel al
caracteristicii se referă la o perioadă de timp. Seriile pe intervale se utilizează,
de regulă, în cazul variabilelor exprimate în unităţi monetare şi au drept
trăsătură esenţială faptul că termenii lor sunt însumabili (de exemplu, profitul
din anul 2005 poate fi adunat cu profitul aceleiaşi firme înregistrat în anii 2004,
2003 ş.a.m.d.) ;
 serii de timp de momente (discrete), în cazul cărora fiecare nivel al
caracteristicii se referă la un moment dat. În această situaţie, termenii seriei nu
sunt însumabili, deoarece conţin înregistrări repetate (de exemplu, populaţia
României din anul 2005 nu poate fi însumată cu populaţia României din anul
2004, datorită faptului că cele două valori se includ una pe cealaltă).
Un alt criteriu important de clasificare este cel în raport cu modul de
exprimare a termenilor seriei:

51
  serii de timp bazate pe indicatori absoluţi, care reprezintă forma
fundamentală de exprimare a unei serii de timp şi pe baza căreia se pot obţine
indicatori generalizatori aferenţi întregii perioade studiate;
 serii de timp bazate pe indicatori relativi, care arată variaţii de la o
perioadă la alta, exprimate, de obicei, sub formă procentuală. În cazul acestei
modalităţi de exprimare este foarte importantă alegerea şi specificarea clară a
perioadei luate ca bază de referinţă;
 serii de timp bazate pe indicatori medii, care sunt exprimate sub forma
unor indicatori calculaţi ca medii, folosite îndeosebi atunci când se analizează
fenomene care se produc în anumite perioade de timp (media anuală sau lunară
a producţiei, numărul mediu anual de lucrători etc.) sau în anumite unităţi de
spaţiu (recolta medie la hectar, producţia medie a unui utilaj etc.).
Scopul principal al analizei econometrice a unei serii de date este acela de
a studia evoluţia fenomenelor şi proceselor economice pe o perioadă de timp
trecută, istorică, în vederea extrapolării rezultatelor pentru fundamentarea unor
previziuni pentru perioadele viitoare. Această analiză econometrică se
realizează diferenţiat în funcţie de tipul seriei (de intervale sau de momente), de
lungimea seriei de date, de periodicitatea şi variaţiile acesteia şi de alte elemente
specifice variabilei studiate.
Ajustarea unei serii de timp constă în determinarea trendului sau a
tendinţei centrale prin diverse metode, care au la bază principiul înlocuirii
termenilor seriei studiate cu termenii unei serii teoretice, obţinuţi prin calcule.
Termenii teoretici pot fi determinaţi prin aplicarea a diverse procedee de
cuantificare a legităţii specifice de dezvoltare pe termen lung datorată unor
factori esenţiali şi de eliminare a fluctuaţiilor periodice sau aleatoare.
Varianţa totală a termenilor seriei, care semnifică variaţia medie produsă
de influenţa tuturor factorilor, atât esenţiali, cât şi întâmplători, este compusă
din variaţia datorată factorului timp, cuantificată cu ajutorul varianţei valorilor
ajustate faţă de medie şi din variaţia reziduală, cuantificată prin varianţa
termenilor reali faţă de valorile ajustate.
Valorile teoretice (ajustate) în funcţie de timp se pot determina folosind
numeroase metode, unele mai simple, altele mai complexe. O condiţie esenţială,
comună tuturor acestor metode, este aceea că numărul termenilor seriei trebuie
să fie suficient de mare pentru a se putea aplica legea numerelor mari şi, astfel,
să se asigure caracterul de tendinţă al analizei.
În econometrie, cele mai des utilizate metode de ajustare a seriilor de
timp sunt cele de tip analitic, bazate pe funcţii matematice care descriu evoluţia
fenomenului cercetat. Ele pornesc, însă, de la încercarea de a determina forma şi
sensul legăturii cu ajutorul unor metode elementare de tipul metodei grafice, a
metodei sporului mediu sau a ritmului mediu. O metodă mai elaborată, care

52
ajută semnificativ abordările analitice ulterioare aplicării ei, este ajustarea pe
baza mediilor mobile.
Metoda grafică este una dintre cele mai simple modalităţi de determinare
a trendului unei serii de timp. Ea reprezintă o metodă preliminară altor metode
de ajustare, servind la alegerea modelului de evoluţie care descrie cel mai bine
evoluţia fenomenului sau procesului economic studiat.
Aplicarea acestei metode constă în reprezentarea grafică a seriei de date
empirice avute la dispoziţie şi în trasarea vizuală a segmentului de dreaptă sau
curbă care uneşte punctele extreme ale seriei, astfel încât să existe abateri
minime faţă de poziţia valorilor reale. Ajustarea vizuală porneşte de la premisa
că acţiunea factorilor de influenţă a fost relativ constantă pe toată perioada
studiată, imprimând, astfel, termenilor seriei o regulă de variaţie comună, care
poate fi descrisă de segmentul de dreaptă sau curbă trasat.
Reprezentarea grafică poartă numele de cronogramă şi este prezentată în
figura 4:

yn

yi

y1

0 t1 ti tn

Figura 4. Cronograma

Dacă “norul de puncte” sugerează o linie dreaptă, ca în figura 4, se va

utiliza o funcţie analitică de tip liniar, iar dacă reprezentarea grafică sugerează o
curbă, atunci se va utiliza funcţia neliniară care ajustează cel mai bine curba
respectivă.
Metoda sporului mediu se utilizează în cazul în care seria de date
evoluează aproximativ după o progresie aritmetică. Termenii seriei ajustate se
vor calcula după relaţia termenului general al unei progresii aritmetice, astfel:

53
 yt = y1 + (t – 1) 

în care, yt reprezintă un termen ajustat al seriei, y1 reprezintă primul termen al

seriei empirice, t este factorul timp, iar  este sporul mediu.
Metoda, destul de simplă dealtfel, se recomandă numai în cazurile în care
variaţiile nivelurilor absolute sunt relativ constante pe parcursul perioadei
studiate. Dacă fluctuaţiile înregistrează valori extreme, ajustarea pe baza
sporului mediu va da rezultate eronate, care vor afecta negativ acurateţea
trendului obţinut.
Metoda ritmului mediu se utilizează atunci când termenii seriei de timp
urmează aproximativ o progresie geometrică. Termenii ajustaţi rezultă în urma
înmulţirii primului termen al seriei y1 cu ritmul mediu de variaţie I , ridicat la
puterea t – 1, conform relaţiei:

yt  y1  I t 1

Metoda ritmului mediu este similară cu metoda sporului mediu, doar că

trendul urmează o progresie geometrică în loc de una aritmetică. Drept urmare,
şi această metodă prezintă aceeaşi limită, conform căreia nu poate fi utilizată
decât în cazul unui trend relativ stabil. Oricum, ambele metode dau rezultate
destul de aproximative, dar prezintă avantajul major al simplităţii şi
operativităţii aplicării lor, reprezentând o bază de pornire pentru utilizarea
funcţiilor analitice de ajustare a trendului.
Ajustarea pe baza mediilor mobile este o metodă mai elaborată decât cele
anterioare, care se foloseşte atunci când seria de timp prezintă un pronunţat
caracter ciclic sau sezonier. Prin ajustarea cu medii mobile se înlocuiesc
termenii empirici ai seriei de date cu termeni calculaţi sub formă de medii
parţiale, astfel încât seria ajustată să aibă o variaţie lină, continuă, cu o tendinţă
de evoluţie uşor de observat23.
Aplicarea metodei mediilor mobile constă în determinarea mediilor
aritmetice a unui număr par sau impar de termeni şi în înlocuirea termenilor
empirici ai seriei cu mediile astfel obţinute.
Dacă numărul de termeni luaţi în considerare la determinarea mediilor
mobile este impar, valorile obţinute corespund poziţiilor valorilor reale şi pot fi
înlocuite direct, caz în care avem de-a face cu medii mobile definitive, care se
plasează în dreptul termenilor seriei şi cu care se face ajustarea termenilor
iniţiali.
23
R.S. Pindyck, D.L. Rubinfeld, Econometric Models and Economic Forecasts, Fourth Edition,
McGraw–Hill, 1998, pag. 476 – 478

54
 Dacă numărul de termeni luaţi în calcul la determinarea mediilor mobile
este par, valorile obţinute vor fi poziţionate între două valori reale. În aceste
condiţii, avem de-a face cu medii mobile provizorii, care se centrează prin
calcularea mediei aritmetice simple a două medii provizorii consecutive şi se
obţin mediile mobile centrate, ce vor înlocui termenii iniţiali. 24
Transpuse grafic, valorile medii mobile corespund liniei tendinţei
centrale, iar abaterile de la tendinţa centrală redau fluctuaţiile ciclice sau
sezoniere.
Un inconvenient al acestei metode este acela că, indiferent că se ia un
număr par sau impar de termeni, se pierd informaţiile referitoare la primii şi la
ultimii termeni ai seriei.
Toate aceste metode elementare de ajustare a seriilor de timp sunt etape
preliminare analizei econometrice propriu-zise, care presupune utilizarea
funcţiilor matematice şi statistice de ajustare a trendului.
Cele mai cunoscute modele analitice de ajustare sunt: funcţiile de timp
liniare şi neliniare, modelele cu time – lag şi modelele autoregresive.

4.2. Funcţii de timp

Prima categorie de metodele care folosesc modele matematice sunt

cunoscute sub numele generic de funcţii de timp şi au drept caracteristică
principală exprimarea trendului unei serii de timp sub forma unei funcţii de
forma:

yt = f(t) + t

în care, yt reprezintă valorile seriei de date studiate, considerate variabila

rezultativă sau dependentă, t este factorul timp, privit ca variabilă factorială,
independentă, f reprezintă funcţia matematică (deterministă) care modelează
evoluţia în timp a fenomenului studiat, iar t este variabila aleatoare, care arată
influenţa factorilor aleatori la momentul t.
Utilizarea unei funcţii analitice de determinare a trendului stabileşte cu o
exactitate mai mare sau mai mică legea de dezvoltare pe termen lung a
fenomenului sau procesului economic studiat, în funcţie de împrăştierea
valorilor în jurul tendinţei centrale.
Pentru a determina forma funcţiei ce urmează a fi utilizată, se
construieşte mai întâi corelograma. În raport de curba relevată de corelogramă,
se poate lua în considerare utilizarea unei funcţii liniare de timp, dacă

24
C. Şipoş, C. Preda, Econometrie, Editura Mirton, Timişoara, 2006

55
reprezentarea grafică sugerează o linie dreaptă sau se poate utiliza o funcţie de
timp neliniară, dacă reprezentarea grafică sugerează o curbă.
După cum se poate observa, tendinţa de variaţie se aproximează, de cele
mai multe ori, cu ajutorul funcţiilor ale căror curbe şi ecuaţii de estimare au fost
prezentate în capitolul de modele unifactoriale, variabila x din modelele
respective devenind acum factorul timp t. Parametrii acestor funcţii de timp,
similar cu cei ai modelelor de regresie, se estimează în cele mai multe cazuri cu
metoda celor mai mici pătrate.

4.2.1. Funcţia liniară de timp

Funcţia liniară de timp studiază legătura dintre factorul timp t şi
variabila rezultativă yt cu ajutorul unei funcţii de forma:

yt =  +   t +  t

în care  şi  sunt parametrii sau coeficienţii funcţiei de timp şi reprezintă

valori necunoscute ce urmează a fi estimate, iar t este variabila aleatoare,
reziduală sau perturbatoare care acţionează la momentul t.
Factorul timp t este reprezentat, de obicei, în cadrul acestor funcţii de
şirul numerelor naturale (0, 1, 2, …, n).
Parametrul  al funcţiei liniare de timp reprezintă valoarea pe care o ia
variabila rezultativă yt la momentul zero (y0 = ) şi poate avea relevanţă în
model sau nu, în funcţie de cazul concret analizat.
Parametrul , reprezintă panta dreptei de regresie, adică valoarea cu care
se modifică variabila rezultativă yt în perioada dintre două momente consecutive
t – 1 şi t.
Semnul şi valoarea parametrului  prezintă o importanţă deosebită în
descrierea evoluţiei în timp a variabilei studiate.
Astfel, dacă   0, atunci variabila rezultativă yt are o evoluţie crescătoare
în timp (y0  y1  …  yn). Pot fi distinse trei situaţii: dacă   1, creşterea de la
o perioadă la alta este mai puţin accentuată; dacă   1, creşterea variabilei
rezultative este mai puternică, iar dacă  = 1, creşterea este direct proporţională
cu timpul.
Dacă   0, atunci variabila rezultativă yt are o evoluţie descrescătoare în
timp (y0  y1  …  yn), iar dacă  = 0, variabila rezultativă yt se menţine
constantă în timp (y0 = y1 = … = yn).
Estimarea valorilor parametrilor  şi , se face, similar cu modelul
unifactorial liniar, prin determinarea a doi estimatori ̂ şi ̂ . Aceşti
estimatori trebuie calculaţi astfel încât diferenţa dintre valorile reale ale

56
variabilei rezultative yt şi valorile estimate cu ajutorul parametrilor calculaţi
ŷt  ˆ  ˆ  t să fie cât mai mică ( yt  ŷt  min im ).
Dacă se ia în studiu un set de date istorice referitoare la variabila
rezultativă, se va observa că reprezentarea grafică a funcţiei liniare de timp
aproximează mai mult sau mai puţin exact evoluţia în timp a variabilei studiate.
Este puţin probabil ca variabila rezultativă să evolueze în timp strict liniar. În
aceste condiţii, este uşor de înţeles că o cuantificare deterministă, exactă a
valorilor parametrilor  şi  este imposibil de realizat, deoarece nu se pot
cuprinde în model absolut toate influenţele existente. Acest lucru a determinat
introducerea în model a variabilei aleatoare, perturbatoare t, care însumează
efectul tuturor factorilor rămaşi în afara modelului, fie ei nesemnificativi sau
necuantificabili.
Cu cât volumul seriei de date este mai mare, cu atât estimările sunt
mai apropiate de realitate.
În aceste condiţii, fiecărui moment dat t îi corespunde o distribuţie
normală de valori yt ale variabilei rezultative, de medie  +   t şi varianţă
constantă.
Valorile estimatorilor parametrilor, notate cu ̂ şi ̂ , pot fi
determinate cu ajutorul mai multor metode matematice şi statistice, dintre care
mai des utilizată, ca şi în cazul modelului unifactorial liniar, este metoda celor
mai mici pătrate.
În principiu, aplicarea metodei presupune respectarea aceloraşi
restricţii:
 datele privind variabila rezultativă sunt obţinute fără erori de
observare sau măsurare;
 variabila aleatoare t este de distribuţie normală, de medie nulă (E(t)
= 0) şi de varianţă constantă şi diferită de zero în timp;
 variabila aleatoare t urmează o distribuţie independentă faţă de timp;
 valorile variabilei aleatoare nu sunt autocorelate.
În urma aplicării metodei se ajunge la un sistem de două ecuaţii cu
necunoscutele ̂ şi ̂ , de forma:

n  ˆ  ˆ  n t  n y
  t
t 1 t 1
 n n n
ˆ   t  ˆ   t 2   t  yt
 t  1 t 1 t  1

57
 Prin rezolvarea acestui sistem de ecuaţii se obţin valorile estimatorilor
̂ şi ̂ . Aşa cum s-a mai arătat, estimatorii determinaţi cu această metodă
corespund obiectivului urmărit dacă valoarea medie a estimatorului este egală
cu valoarea reală a parametrului corespunzător, iar varianţa fiecărui estimator
este relativ mică în raport cu numărul de date pe baza cărora s-a efectuat
analiza.
Analiza corelaţiei în cazul funcţiei liniare de timp are un caracter aparte,
deoarece toate variabilele economice sunt influenţate de timp, mai mul sau mai
puţin. Dacă în cazul modelelor unifactoriale sau multifactoriale se poate
înregistra corelaţie nulă, în cadrul funcţiilor de timp acest lucru este practic
imposibil, deoarece nici o variabilă economică nu este constantă în timp, decât,
eventual, pe perioade foarte scurte.
Se pot calcula şi aici valorile coeficientului de corelaţie liniară (pentru a
verifica existenţa evoluţiei liniare în timp), a raportului de corelaţie şi a
coeficientului de determinaţie, care, în principiu, au aceeaşi interpretare: dacă
valorile lor sunt apropiate de 1, variabila studiată are o evoluţie stabilă în timp şi
se poate determina un trend liniar, iar dacă valorile acestor coeficienţi sunt
apropiate de 0, evoluţia este haotică, instabilă şi nu poate fi ajustată cu un trend
liniar.
Şi în cazul funcţiilor de timp este necesară parcurgerea etapelor de
verificarea statistică a modelului. În general, acestea sunt similare cu cele
parcurse în cazul modelului unifactorial.

4.2.2. Funcţii de timp neliniare

Atunci când corelograma evoluţiei în timp a fenomenului studiat
sugerează o curbă, înseamnă că modelarea econometrică trebuie să utilizeze
diverse funcţii analitice neliniare. Aşa cum s-a mai arătat, linia dreaptă nu poate
fi utilizată pentru a descrie orice legătură, deoarece, în multe cazuri, “norul de
puncte” sugerează diverse curbe. În aceste situaţii trebuie găsite funcţiile
matematice corespunzătoare tipului de curbă sugerată de reprezentarea grafică.
Existenţa sau absenţa unei evoluţii liniare a variabilei rezultativă yt se
probează prin verificarea egalităţii dintre raportul de corelaţie R şi valoarea
absolută a coeficientului de corelaţie liniară simplă, , astfel: dacă cei doi
parametri ai corelaţiei sunt egali (R =  ), evoluţia este liniară, iar dacă cei
doi parametri sunt diferiţi (R   ), evoluţia este neliniară.
În afara acestui procedeu, ca şi în cazul modelelor unifactoriale
neliniare, în alegerea formei funcţiei de timp au un rol important, pe lângă
cunoştinţele teoretice, şi experienţa practică şi rezultatele cercetărilor similare.

58
 În principiu, o funcţie de timp neliniară este acea funcţie a cărei pantă,
dată de parametrul , nu este constantă pentru orice valoare a lui t. Estimarea
parametrilor unei astfel de funcţii se realizează fie direct prin metoda celor mai
mici pătrate, fie prin diverse transformări care duc la liniarizarea funcţiei, fie
prin utilizarea unor metode numerice de estimare.
În econometrie, cele mai cunoscute şi mai des întâlnite funcţii de timp
neliniare sunt: funcţia hiperbolică, funcţia parabolică şi funcţia exponenţială.
Funcţia de timp hiperbolică se utilizează atunci când “norul de
puncte” urmează o traiectorie de tip hiperbolă. Funcţia hiperbolică are la bază
următoarea ecuaţie:

1
yt        t
t

Parametrii  şi  ai modelului pot fi estimaţi cu ajutorul metodei celor

1
mai mici pătrate, prin utilizarea transformării de variabilă: t '  .
t
Modelul devine, astfel:

yt      t '   t

În aceste condiţii, sistemul de ecuaţii care conduce la valorile estimate

ale parametrilor  şi  este:

n  ˆ  ˆ  n t'  n y
  t
t 1 t 1
 n
 t 1
  
n 2 n
ˆ   t  ˆ   t'   t'  y
'
t 1 t 1
t

Ajustarea prin hiperbolă se recomandă atunci când variabila

rezultativă yt scade, respectiv, creşte asimptotic către o valoare reală dată de
parametrul  al funcţiei.
Analiza de corelaţie în cazul modelului hiperbolic se realizează cu
ajutorul raportului de corelaţie R şi a coeficientului de determinaţie simplă R2, a
căror interpretare este similară cu cele prezentate la funcţia de timp liniară.

59
 De asemenea, verificarea statistică a funcţiei este aceeaşi cu
verificarea modelului unifactorial liniar.
În funcţie de reprezentarea grafică a legăturii, pot fi utilizate variante

ale funcţiei hiperbolice, care au la bază diverse ecuaţii: yt    e t ;

yt  1
1 ; yt  etc.
    t
t
Funcţia de timp parabolică, sau pătratică, este folosită, de regulă,
atunci când ritmul de evoluţie al variabilei studiate urmează o curbă de tip U, cu
vârfurile în jos sau în sus. Pentru exprimarea funcţiei de timp parabolică se
utilizează funcţia de gradul doi, după relaţia:

yt =  + 1 t +2 t2 + t

Şi în cazul acestei funcţii, pentru estimarea parametrilor , 1 şi 2 se

poate aplica metoda celor mai mici pătrate, rezultând următorul sistem de trei
ecuaţii cu trei necunoscute:

n ˆ  ˆ  n t  ˆ  n t 2  n y
 1  2   t
t 1 t 1 t 1
 n
 n n n
   t  1   t   2   t    t  yt 
ˆ 2 ˆ 3
ˆ
 t 1 t 1 t 1 t 1

 t1 1 
t 1
2 
t 1
 
ˆ  n t 2  ˆ  n t 3  ˆ  n t 4  n t 2  y
 t
t 1

Dacă 2  0, vârful parabolei va fi dat de minimul funcţiei (parabola

este cu ramurile în sus), iar dacă 2  0, vârful parabolei este dat de maximul
funcţiei (parabola este cu ramurile în jos).
Analiza de corelaţie în cazul funcţiei de timp parabolică, similar cu
funcţia hiperbolică, are la bază determinarea şi interpretarea raportului de
corelaţie R şi a coeficientului de determinaţie simplă R2.
Verificarea statistică a funcţiei este, de asemenea, similară cu cele
prezentate la modelul unifactorial liniar.

60
 Funcţia parabolică are, la rândul său, foarte multe variante de
exprimare, cum ar fi: lg yt     1  t   2  t 2 ; yt      t 2 ;
yt    e  t   t 2
; yt     1  lg t   2   lg t  etc.
1 2
2

Funcţia de timp exponenţială este utilizată atunci când “norul de

puncte” are un trend curbiliniu crescător sau descrescător, de tip exponenţial.
Ecuaţia funcţiei este de forma:

yt     t

În cazul acestei funcţii, pentru a estima parametrii  şi  este necesar, în

primul rând, să se liniarizeze funcţia prin logaritmare, astfel:

log yt = log  + t  log 

Pe ecuaţia dată de relaţia 6.18 se aplică metoda celor mai mici pătrate şi
se obţine sistemul de ecuaţii:

n  log ˆ  log ˆ  n t  n log y 

   t
t1 t1
 n n n
logˆ   t  log ˆ   t2   t  log yt 
 t1 t1 t1
Acest model se utilizează, de obicei, atunci când variabila rezultativă
yt prezintă o evoluţie în timp de tip progresie geometrică.
Analiza de corelaţie în cazul funcţiei exponenţial, similar cu celelalte
funcţii de timp neliniare, se realizează prin determinarea şi interpretarea
raportului de corelaţie R şi a coeficientului de determinaţie simplă R2.
Verificarea statistică a modelului este, ca şi în celelalte cazuri
neliniare, similară cu cele prezentate la modelul unifactorial liniar.

61
 Funcţia de timp exponenţială are, şi ea, numeroase variante de
exprimare, după cum urmează: yt    e  t ; yt  e   t etc.
În afara acestor tipuri de funcţii de timp neliniare, pot fi luate în
considerare multe altele, în funcţie de modul de dispunere a punctelor din
reprezentarea grafică.

4.3. Modele econometrice cu time – lag

Modelele prezentate până acum au presupus o transmitere instantanee a

influenţei dinspre variabilele factoriale spre variabila rezultativă. De multe ori,
însă, în economie, efectele se transmit cu o oarecare întârziere, fapt care duce la
un decalaj mai mare sau mai mic între momentul modificării variabilei
factoriale şi momentul modificării corespunzătoare a variabilei factoriale.
Modelele care studiază astfel de legături cu efecte decalate în timp sunt
cunoscute în econometrie sub numele de modele cu time – lag.
Aceste modele trebuie utilizate atunci când decalajul, lag-ul, este
suficient de mare încât să influenţeze semnificativ analiza (de exemplu, un
decalaj de câteva zile nu are nici o importanţă pentru variabilele înregistrate
anual, dar este foarte important pentru variabile înregistrate zilnic).
Cea mai generală formă a unui model cu time – lag porneşte de la
premisa că efectele acţiunii unei variabile factoriale sunt distribuite în timp,
unele cu efect mai rapid, altele cu efecte mai îndepărtate în timp. Acest model
are la bază o ecuaţie de forma:

yt =  + 0 xt + 1 xt-1 + 2 xt-2 + … + k xt-k + t

unde: yt este variabila rezultativă la momentul t;

, 0, 1, …, k sunt parametrii modelului;
xt , xt-1 , …, xt-k sunt valorile înregistrate de către variabila factorială la
momentele t, t – 1, …, t – k;
t reprezintă variabila reziduală la momentul t.
Relaţia poate fi scrisă pe scurt astfel:

t
y t      k  xt  k   t
k 0

62
 Dacă numărul de perioade k pe care se manifestă în urmă influenţele este
suficient de mic25, atunci estimarea parametrilor modelului se poate face cu
metoda celor mai mici pătrate. În această situaţie, ipotezele de pornire ale
modelului sunt date de restricţiile metodei celor mai mici pătrate, în care
variabila aleatoare este de repartiţie normală, de medie nulă şi homoscedastică,
iar variabila factorială şi cea aleatoare nu sunt autocorelate (nivelurile anterioare
nu au nici o influenţă asupra nivelului prezent). Valorile estimate ale
parametrilor se obţin şi se interpretează similar cu modelele multifactoriale.
Probleme apar în momentul în care influenţele sunt decalate cu multe
perioade în urmă, iar informaţiile deţinute despre ceea ce s-a întâmplat în trecut
sunt insuficiente. În aceste condiţii, aplicarea directă a metodei celor mai mici
pătrate poate genera estimatori deplasaţi şi neconsistenţi, datorită posibilităţii
apariţiei fenomenului de multicoliniaritate.
Deficienţele aplicării metodei celor mai mici pătrate pot fi eliminate prin
specificarea unor restricţii referitoare la distribuţia decalajelor. Există mai multe
variante de atingere a acestui deziderat.
O primă modalitate este cea care porneşte de la presupunerea că
parametrii modelului aferenţi variabilelor decalate sunt pozitivi subunitari (0 
  1) şi descresc în progresie geometrică. Modelul, numit al decalajului în
progresie geometrică, este de forma:

 
yt      xt    xt 1   2  xt 2  ...   k  xt k   t

Forma scurtă a modelului este:

t
yt        k  xt k   t
k 0

Deoarece valorile parametrilor descresc pe măsură ce ne îndepărtăm în

timp, dar nu devin niciodată nule, înseamnă că influenţa în timp este luată în
considerare pentru perioade foarte lungi, dar de la un moment dat devine
nesemnificativă. Astfel, modelul ia în considerare influenţele din perioade
considerate rezonabil de îndepărtate în timp, dar după aceea efectele decalate
sunt neglijabile.
Este util să fie descrisă structura influenţelor modelului sub forma
comportamentului pe termen lung a variabilei rezultative în urma modificării
influenţelor suferite. Acest lucru se realizează prin calcularea decalajului mediu
al influenţelor d , după relaţia:
25
C. Şipoş, C. Preda, Econometrie, Editura Mirton, Timişoara, 2006

63
 t t
 k       k  k
k
 / 1 
2

d k 0
 k 0
 
t
  
k
t

k 1 / 1  1 
k 0 k 0

Astfel, dacă, de exemplu,  = 0,5  d = 1, ceea ce înseamnă că

jumătate din efectul total resimţit de către yt se datorează momentului t, iar
restul se datorează perioadelor mai vechi de timp.
Pentru a estima parametrii acestui model se apelează la o formă
simplificată a acestuia. Din ecuaţia iniţială a modelului se poate scrie ecuaţia
aferentă momentului t – 1, astfel:

 
yt 1      xt 1    xt 2  ...   k  xt k 1   t 1

Apoi, dacă se calculează efectul ponderat al variaţiei lui y de la un

moment la altul, se obţine:

yt –  yt-1 =  (1 – ) +  xt + ut

unde ut = t – t-1.

Din relaţia anterioară se poate deduce că:

yt =  (1 – ) +  yt-1 +  xt + ut

Această ultimă ecuaţie face uşor de măsurat efectul modificărilor

anterioare asupra nivelului curent, printr-un model combinat.
O altă modalitate de a uşura estimarea parametrilor modelului cu time –
lag este apelarea la modelul aşteptărilor adaptive. Acest model presupune că
modificările variabilei rezultative y se datorează modificărilor în nivelul aşteptat
(sau dorit) al variabilei factoriale x, notat cu xt*. Ecuaţia modelului este de
forma:

yt =  +   xt* +  t

Nivelul aşteptat al lui x se defineşte printr-o relaţie care porneşte de la

presupunerea că aşteptările se modifică de la o perioadă la alta sub forma unei

64
permanente ajustări între valoarea curentă reală a lui x şi valoarea anterioară
aşteptată a lui x, astfel:

xt* – xt-1* = ( xt – xt-1*)

unde 0    1.
Ecuaţia poate fi rescrisă sub forma:

xt* = ( xt – xt-1*) + xt-1* =  xt + (1 –) xt-1*

Astfel, nivelul aşteptat al lui x este o medie ponderată dintre nivelul

prezent al lui x şi nivelul anterior aşteptat al lui x. În acest mod, nivelurile
aşteptate ale lui x se ajustează permanent, luând în considerare valorile reale ale
lui x.
Prin inducţie matematică, se poate obţine forma generalizată a modelului,
scrisă scurt:

t
x*t      1     xt k
k

k 0

În acest model, valoarea aşteptată a lui x este media ponderată a tuturor

valorilor prezente şi trecute ale lui x. Înlocuind valoarea lui xt* din relaţia de mai
sus în ecuaţia iniţială a modelul aşteptărilor adaptive, se obţine:

t
  1     xt k
k
yt =  +    + t
k 0

Parametrii modelului astfel obţinut pot fi estimaţi cu metoda celor mai

mici pătrate.
Aceste modele cu time – lag pot fi diversificate prin introducerea în
model a unor variabile factoriale cu influenţă instantanee, care să acţioneze în
paralel cu variabilele cu influenţă decalată.

4.4. Modele autoregresive

65
 4.4.1. Caracterul autoregresiv al variabilelor economice
De obicei, în practica economică, variabilele economice, pe lângă
influenţele importante pe care le suferă din partea unor variabile factoriale, au şi
un caracter autoregresiv, de memorare a comportamentului anterior.
Din punct de vedere econometric, termenul de autoregresiv defineşte
măsura în care o variabilă economică prezintă caracteristica de a se autocorela,
în sensul că nivelul curent al acesteia este determinat într-o măsură
semnificativă de nivelurile sale anterioare, decalate cu una sau mai multe
perioade în urmă.26
În această situaţie, efectul asupra variabilei rezultative nu este cauzat de
influenţa directă a unor variabile factoriale, ci este unul retroactiv, indus de
încărcătura informaţională a variabilei studiate.
În principal, efectul autoregresiv se concretizează în modul mai mult sau
mai puţin pregnant în care nivelul actual al cursului este influenţat de nivelurile
sale anterioare, decalajul în timp a influenţelor putând avea diferite valori. În
general, cu cât acest decalaj este mai mare, adică deplasarea în urmă faţă de
momentul prezent este mai accentuată, cu atât influenţele sunt mai slabe,
problema care apare fiind cea a determinării momentului când acestea devin
nesemnificative, pentru a fi eliminate din model, similar cu cele prezentate la
modelele cu time – lag.
Această caracteristică ţine de capacitatea mediului înconjurător de a
reţine comportamentele anterioare ale variabilei studiate şi de a acţiona în
funcţie de acestea în formarea anticipaţiilor pentru perioadele următoare.
Mecanismul de formare al anticipaţiilor în condiţii de informare
incompletă, are, de regulă, o natură mixtă, anticipaţiile fiind atât adaptive, în
sens friedmanian, cât şi raţionale, adică bazate pe cunoaşterea, fie şi parţială, a
situaţiei actuale. În lipsa unor informaţii actuale complete, agenţii economici
acţionează ţinând cont şi de informaţiile din perioadele precedente, fiind, de
asemenea, capabili să înveţe din erorile de anticipaţie comise în aceste perioade.
Volatilitatea crescută şi, uneori, imprevizibilă a anticipaţiilor din
economie fac din acestea o categorie specifică, pseudo–adaptivă, ceea ce
înseamnă că principiul de formare poate fi de tip bulgăre de zăpadă, viteza de
propagare fiind foarte mare, iar sensul de evoluţie contrar teoriei.
O problemă importantă este aceea că între diversele categorii de agenţi
economici există o importantă asimetrie informaţională, ceea ce echivalează cu
forme diferite ale funcţiilor ce descriu formal mecanismele lor anticipaţionale.
Această asimetrie poate fi însă atenuată prin realizarea estimaţiilor pe perioade

26
C. Şipoş, Modelarea comportamentului cursului de schimb al leului, Editura Universităţii de
Vest, Timişoara, 2003, pag. 133 – 135

66
de timp distincte. Totuşi, se pot distinge cel puţin două mari categorii de
operatori.
Comportamentul operatorilor din prima categorie se consideră că are
impact cu precădere pe termen mediu şi lung, iar efectul anticipaţiilor este
indirect pus în evidenţă, prin intermediul variabilelor factoriale luate în
considerare. Această categorie de anticipaţii este înglobată de informaţia dată de
variabilele factoriale incluse într-un model multifactorial şi nu necesită un
studiu aparte a fenomenului anticipaţiilor.
Subiecţii economici din a doua categorie, interesaţi în formularea unor
anticipaţii cu grad sporit de acurateţe – mai precis, interesaţi de aspectul
cantitativ al modificărilor survenite în variabila studiată – urmăresc de o
manieră sistematică această evoluţie, orientându-se în estimarea nivelului
anticipat al variabilei în funcţie de nivelul său din perioadele precedente.
Desigur, această formulare reprezintă o particularizare a celor enunţate anterior,
subiecţii economici tinzând să-şi formuleze anticipaţiile prin extrapolarea
cvasi–mecanică a situaţiei curente, introducând, eventual, o anumită corecţie în
raport de evoluţiile precedente.
Această afirmaţie echivalează cu adoptarea ipotezei existenţei unei relaţii
de dependenţă liniară între nivelul estimat al variabilei studiate şi nivelurile sale
anterioare. O astfel de relaţie poate fi studiată cu ajutorul modelelor
autoregresive de diverse ordine.

6.4.2. Modelul autoregresiv de ordinul k

Un model autoregresiv este un model econometric care presupune că
între nivelul curent al variabilei studiate şi comportamentul său anterior există o
legătură liniară sau neliniară. În funcţie de numărul de perioade cu care analiza
este decalată în urmă există mai multe tipuri de modele, începând cu modelul
autoregresiv de ordinul întâi – în cazul căruia efectul în timp este analizat pe o
perioadă în urmă – şi continuând cu modelele de ordine superioare – doi, trei,
etc. – în cazul cărora efectul în timp este studiat pe k perioade în urmă.
Cel mai simplu model care pune în evidenţă caracterul autoregresiv al
unei variabile economice este cel care ia în considerare influenţele liniare pe
care le exercită nivelul precedent yt–1 asupra nivelului curent al variabilei yt,
după relaţia:

yt =  + 1 yt–1 + t

unde  şi 1 sunt parametrii modelului, iar t este variabila reziduală.

Acest model este cunoscut sub numele de model autoregresiv de
ordinul întâi AR(1), deoarece pune în evidenţă memoria operatorilor referitoare

67
la o singură perioadă din urmă. El se bazează pe o capacitate de memorare şi
asimilare a informaţiilor pe termen foarte scurt, fără a ţine seama de ceea ce s-a
întâmplat cu mai multe perioade în urmă.
În funcţie de condiţiile existente în economie, anticipaţiile operatorilor
pot să se bazeze nu numai pe nivelul imediat anterior al variabilei, evidenţiat de
modelul de ordinul întâi, ci şi pe comportamentul mai vechi al acesteia, decalat
cu două sau mai multe perioade în urmă. În modul acesta, se pot construi
modele autoregresive de ordine superioare.
Astfel, următorul model este modelul autoregresiv de ordinul doi
AR(2), care are la bază următoarea ecuaţie:

yt =  + 1 yt–1 + 2 yt–2 + t

Acest model evidenţiază memoria operatorilor decalată cu două

perioade în urmă, deci, practic, se bazează pe o capacitate de memorare şi
asimilare a informaţiilor pe termen mai lung decât modelul de ordinul întâi.
Relaţia presupusă între nivelul curent şi nivelurile anterioare este de tip liniar.

În anumite situaţii s-ar putea ca modelul de ordinul doi să poată fi utilizat

pentru previzionarea variabilei studiate în condiţii mai bune decât modelul
anterior. Anticipaţiile operatorilor pot avea o memorie mai lungă decât perioada
imediat anterioară, ei luând în considerare şi ceea ce s-a întâmplat cu două
perioade în urmă, realizând o anticipaţie bazată pe informaţiile aferente ambelor
perioade.
Pentru a studia dacă memoria operatorilor se întinde şi mai mult în trecut,
se pot elabora modele autoregresive de diverse ordine, care analizează evoluţia
variabilei studiate în funcţie de ceea ce s-a întâmplat în perioadele t – 1, t – 2,
…, t – k.
Modelul general care studiază caracterul autoregresiv al unei variabile
economice se numeşte model autoregresiv de ordinul k AR(k) şi are la bază
următoarea ecuaţie:

yt =  + 1 yt–1 + 2 yt–2 + … + k yt–k + t

în care: yt reprezintă nivelul curent al variabilei rezultative;

yt–1, yt–2, …, yt–k sunt nivelurile decalate cu una, două, respectiv, k
perioade în urmă ale variabilei studiate;
, 1, …, k sunt parametrii modelului autoregresiv de ordinul k;
t este variabila aleatoare.

68
 Cu cât influenţa nivelurilor anterioare asupra nivelului curent al variabilei
studiate este mai mare, cu atât sunt mai importante anticipaţiile operatorilor în
determinarea comportamentului variabilei respective. Dacă modelul
autoregresiv arată o legătură puternică între nivelurile anterioare şi nivelul
curent, înseamnă că o proporţie semnificativă a evoluţiei variabilei studiate se
bazează pe anticipaţii şi mai puţin pe influenţele obiective pe care aceasta le
suferă din partea celorlalte variabile factoriale.
Un modelul autoregresiv semnificativ evidenţiază importanţa sporită a
factorilor subiectivi în determinarea evoluţiei variabilelor economice în
detrimentul factorilor obiectivi.
Parametrii unui model autoregresiv de ordin k se estimează direct cu
metoda celor mai mici pătrate, dacă valoarea lui k este suficient de mică încât să
existe informaţii despre perioadele anterioare analizate.
Dacă valoarea lui k este mai mare, se utilizează metodele de estimare
prezentate la modelele cu time – lag, unde în locul valorilor variabilei factoriale
cu influenţă decalată în timp xt-1, xt-2, …, xt-k se introduc valorile anterioare ale
variabilei rezultative yt-1, yt-2, …, yt-k .
Estimarea corectă a parametrilor unui model autoregresiv se poate realiza
numai dacă acesta îndeplineşte condiţia de staţionaritate. Această condiţie
înseamnă că media variabilei rezultative este considerată constantă, iar varianţa
este nulă de-a lungul timpului, conform relaţiei:

E(yt) = E(yt-1) = E(yt-2) = … = E(yt-k) = m

De aici rezultă că modelul autoregresiv de ordinul k poate fi scris sub
forma:

m =  + 1 m + 2 m + … + k m

Din relaţia 6.37 rezultă media m:


m
1   1   2  ...   k

Dacă media m calculată pentru modelul autoregresiv analizat verifică

această relaţie, înseamnă că modelul îndeplineşte condiţia de staţionaritate şi
estimatorii parametrilor , 1, 2, …,k sunt consistenţi şi nedeplasaţi.
Totodată, este necesar ca valoarea mediei m să fie finită, altfel
procesul evoluează tot mai departe de punctul de referinţă (în formă de spirală)
şi nu mai este staţionar. Dacă media m este finită, înseamnă că numitorul relaţiei
anterioare trebuie să fie nenul, adică:

69
 1 + 2 + … + k  1

Analiza de corelaţie în cazul modelelor autoregresive se realizează cu

ajutorul a doi coeficienţi similari cu cei utilizaţi în cazul modelelor
multifactoriale, raportul de autocorelaţie şi coeficientul de autodeterminaţie.
Conţinutul acestor coeficienţi este similar cu cel al raportului de corelaţie,
respectiv, al coeficientului de determinaţie, numai că, în locul variabilelor
factoriale x1, x2, …, xk se introduc valorile anterioare ale variabilei rezultative
yt-1, yt-2, …, yt-k .

ÎNTREBĂRI TEORETICE DE AUTOEVALUARE LA CAPITOLUL 4:

1. Care sunt caracteristicile fundamentale ale unui model econometric bazat pe

influenţa factorului timp?

2. Care sunt componentele unei serii dinamice ?

3. Cum se interpretează valorile parametrilor α şi β ale funcţiei liniare de timp?

4. Ce reprezintă un model econometric cu time–lag?

5. Ce înseamnă „caracter autoregresiv” al unei variabile economice?

BIBLIOGRAFIE PARTE TEORETICĂ

1. Andrei T., Stancu S., Statistica. Teorie şi aplicaţii, Editura ALL, Bucureşti,
1995

70
2. Baron T., Anghelache C., Ţiţan E., Statistică, Editura Economică, Bucureşti,
1996

3. Chilărescu C., Modele econometrice aplicate, Editura Mirton, Timişoara,

1994

4. Chilărescu C., Ciorîcă O., Preda C., Şipoş C., Surulescu N., Bazele
statisticii, Editura Universităţii de Vest, Timişoara, 2002

5. Greene W.H., Econometric Analysis, Fifth Edition, Prentice Hall, 2003

6. Levine D.M., Stephan D., Krehbiel T.C., Berenson M.L., Statistics for
Managers using Microsoft Excel, Third Edition, Prentice Hall,
2002

7. Newbold P., Carlson W.L., Thorne B., Statistics for Business and
Economics, Fifth Edition, Pearson Prentice Hall, 2003

8. Pecican E., Econometrie, Editura ALL, Bucureşti, 1994

9. Pecican E., Macroeconometrie – Politici economice guvernamentale şi

econometrice, Editura Economică, Bucureşti, 1994

10. Pindyck R.S., Rubinfeld D.L., Econometric Models and Economic

Forecasts, McGraw–Hill, Fourth Edition, 1998

11. Şipoş C., Modelarea comportamentului cursului de schimb al leului,

Editura Universităţii de Vest, Timişoara, 2003

12. Şipoş C., Preda C., Statistică Economică, Editura Mirton, Timişoara, 2004

13. Şipoş C., Preda C., Econometrie, Editura Mirton, Timişoara, 2006

14. Ţiţan E., Statistică macroeconomică, A.S.E., Bucureşti, 1996

71