Sunteți pe pagina 1din 68

1/31/2018

ECONOMETRIE
ECONOMETRIE
1/31/2018 ECONOMETRIE Planul cursului 1. Introducere 2. Modelul de regresie liniară simplă 3. Modelul de regresie
1/31/2018 ECONOMETRIE Planul cursului 1. Introducere 2. Modelul de regresie liniară simplă 3. Modelul de regresie

Planul cursului

1. Introducere

2. Modelul de regresie liniară simplă

3. Modelul de regresie liniară multiplă

4. Modele de regresie neliniară

5. Ipoteze

statistice:

normalitatea

erorilor,

homoscedasticitatea,

necorelarea

erorilor,

multicoliniaritatea.

1/31/2018

1/31/2018 4. Modele de regresie ne liniară 4.1. Tipuri de modele 4.2. Modele liniarizabile 4.3. Modele
1/31/2018 4. Modele de regresie ne liniară 4.1. Tipuri de modele 4.2. Modele liniarizabile 4.3. Modele

4. Modele de regresie neliniară

4.1. Tipuri de modele

4.2. Modele liniarizabile

4.3. Modele polinomiale

4.4. Modele neliniare multiple

4.3. Modele polinomiale 4.4. Modele neliniare multiple 4.1. Tipuri de modele neliniare  Putem distinge dou
4.3. Modele polinomiale 4.4. Modele neliniare multiple 4.1. Tipuri de modele neliniare  Putem distinge dou

4.1. Tipuri de modele neliniare

Putem distinge două mari clase de modele neliniare:

I. Modelele liniarizabile sunt acele modele neliniare care se

pot transforma în modele liniare prin logaritmare sau alte transformări: modele semi-logaritmice şi modelul putere.

II. Modele polinomiale sunt acele modele care exprimă relaţia dintre variabilele X şi Y cu ajutorul unui polinom de gradul 2, 3, etc.

1/31/2018

1/31/2018 4.2. Modele liniarizabile a. Modele semi-logaritmice a.1 Modele cu variabila dependentă logaritmată I.
1/31/2018 4.2. Modele liniarizabile a. Modele semi-logaritmice a.1 Modele cu variabila dependentă logaritmată I.

4.2. Modele liniarizabile

a. Modele semi-logaritmice

a.1 Modele cu variabila dependentă logaritmată

I.

Modelul Compound (compus)

 

II.

Modelul Growth (de creştere)

III.

Modelul exponenţial

 

a.2

cu modelul Logarithmic.

Modele

variabila

independentă

logaritmată:

Modele variabila independentă logaritmată : a.1 Modele cu variabila dependentă logaritmată I. Modelul
Modele variabila independentă logaritmată : a.1 Modele cu variabila dependentă logaritmată I. Modelul

a.1 Modele cu variabila dependentă logaritmată

I. Modelul Compound

1. Forma generală a modelului:

Y

 

0

1

Y    0  1 X  e
Y    0  1 X  e
Y    0  1 X  e

X

e

Ecuaţia se liniarizează prin logaritmare:

lnY

ln

0

X

ln

1

1/31/2018

1/31/2018 Parametrii modelului: - β 0 este valoarea lui Y pentru X=0. Variabila Y are numai
1/31/2018 Parametrii modelului: - β 0 este valoarea lui Y pentru X=0. Variabila Y are numai

Parametrii modelului:

- β 0 este valoarea lui Y pentru X=0. Variabila Y are numai valori pozitive, deci β 0 satisface condiţia β 0

>0.

- β 1 arată variaţia medie procentuală a lui Y la o variaţie absolută a lui X cu o unitate. Reprezintă rata de creştere sau reducere a variabilei Y în raport cu variabila X.

sau reducere a variabilei Y în raport cu variabila X. Observaţii: - Dacă β 1 >1,
sau reducere a variabilei Y în raport cu variabila X. Observaţii: - Dacă β 1 >1,

Observaţii:

- Dacă β 1 >1, atunci legătura dintre cele două variabile este directă.

- Dacă 0<β 1 <1, atunci legătura dintre cele două variabile este indirectă.

1/31/2018

1/31/2018 2. Estimarea parametrilor modelului Se face prin MCMMP: 2  e i  minim Sistemul
1/31/2018 2. Estimarea parametrilor modelului Se face prin MCMMP: 2  e i  minim Sistemul

2. Estimarea parametrilor modelului

Se face prin MCMMP:

2

ei minim

Sistemul de ecuaţii normale:

nlnb +lnb

0

1

=

x i

ln y ,

i

i

1,n

lnb

0

x

i

+lnb

1

x

2

i

=

x ln y

i

i

 
1  x 2 i =  x ln y i i   lnb 1 
1  x 2 i =  x ln y i i   lnb 1 

lnb

1

n

x ln y

i

i

 

x

i

ln y

i

 
 

2

 

2

;

 

n

x

i

x

i

 

lnb

ln y

i

x

2

i

 

x

i

x ln y

i

i

0

   

2

i

2

 
 

n

x

i

x

1/31/2018

1/31/2018  Valorile estimaţiilor b 0 şi b 1 sunt prezentate în output-ul Coefficients , coloana
1/31/2018  Valorile estimaţiilor b 0 şi b 1 sunt prezentate în output-ul Coefficients , coloana

Valorile estimaţiilor b 0 şi b 1 sunt prezentate în output-ul Coefficients, coloana Unstandardized Coefficients.

3. Testarea semnificaţiei parametrilor

Ipoteze

Interpretare

4. Intensitatea legăturii dintre variabile Exemplu: raportul de determinaţie (R square).

variabile Exemplu: raportul de determinaţie ( R square ). 5. Exemplu În urma analizei legăturii dintre
variabile Exemplu: raportul de determinaţie ( R square ). 5. Exemplu În urma analizei legăturii dintre

5. Exemplu

În urma analizei legăturii dintre valoarea investiţiilor (mii lei) şi valoarea producţiei (mil. lei) înregistrate pe un eşantion de 5 firme, folosind modelul Compound, s-au obţinut următoarele rezultate:

1/31/2018

1/31/2018 Coefficients Unstandardized Std. Error Coefficients B X 1.139 .039 2.488 29.566
1/31/2018 Coefficients Unstandardized Std. Error Coefficients B X 1.139 .039 2.488 29.566

Coefficients

Unstandardized

Std. Error

Coefficients

B

Coefficients B
Coefficients B

X

1.139

.039

2.488

29.566

(Constant)

15.175

2.726

5.568

Standardized

Coefficients

Beta

.000 .011 t Sig.

.000

.011

t Sig.

The dependent variable is ln(Y).

.000 .011 t Sig. The dependent variable is ln(Y). Rezolvare: Ecuaţia estimată a variabile este: legăturii
.000 .011 t Sig. The dependent variable is ln(Y). Rezolvare: Ecuaţia estimată a variabile este: legăturii

Rezolvare:

Ecuaţia

estimată

a

variabile este:

legăturii

dintre

y

x i 15,1751,139

x

i

cele

două

Logaritmând ecuaţia de mai sus, se obţine:

lny xi =ln15,175+x i ln1,139=2,719+0,13x i

1/31/2018

1/31/2018 Interpretare: - valoarea parametrului β 1 arată că la o creştere cu o mie de
1/31/2018 Interpretare: - valoarea parametrului β 1 arată că la o creştere cu o mie de

Interpretare:

- valoarea parametrului β 1 arată că la o creştere cu o mie de lei a investiţiilor (X), producţia (Y) creşte în medie cu o rată de 0,13 sau cu 13%.

2. Testarea semnificaţiei parametrilor

3. Estimarea şi testarea intensităţii legăturii dintre variabile

şi testarea intensităţii legăturii dintre variabile a.1 Modele cu variabila dependentă logaritmată II. Modelul
şi testarea intensităţii legăturii dintre variabile a.1 Modele cu variabila dependentă logaritmată II. Modelul

a.1 Modele cu variabila dependentă logaritmată

II. Modelul Growth (de creştere)

Forma generală a modelului:

Y

e

 

0

1

X

lnY 0 1 X

1/31/2018

1/31/2018 II. Modelul Growth (de cre ş tere) Parametrii modelului: - e β 0 este valoarea
1/31/2018 II. Modelul Growth (de cre ş tere) Parametrii modelului: - e β 0 este valoarea

II. Modelul Growth (de creştere)

Parametrii modelului:

- e β0 este valoarea medie a lui Y pentru X=0.

- β 1 arată variaţia medie procentuală a lui Y la o variaţie absolută a lui X cu o unitate.

lui Y la o variaţie absolută a lui X cu o unitate. Exemplu În urma analizei
lui Y la o variaţie absolută a lui X cu o unitate. Exemplu În urma analizei

Exemplu

În urma analizei legăturii dintre valoarea investiţiilor (mii lei) şi valoarea producţiei (mil. lei) înregistrate pe un eşantion de 5 firme, folosind modelul Growth, s-au obţinut următoarele rezultate:

1/31/2018

1/31/2018 Coefficients Unstandardized Coefficients B Std. Error X .130 .034 .912 3.843 (Constant)
1/31/2018 Coefficients Unstandardized Coefficients B Std. Error X .130 .034 .912 3.843 (Constant)

Coefficients

Unstandardized

Coefficients

B Std. Error

X .130 .034 .912 3.843 (Constant) 2.720 .180 15.142 Standardized Coefficients Beta .031
X .130 .034 .912 3.843 (Constant) 2.720 .180 15.142 Standardized Coefficients Beta .031
X .130 .034 .912 3.843 (Constant) 2.720 .180 15.142 Standardized Coefficients Beta .031
X .130 .034 .912 3.843 (Constant) 2.720 .180 15.142 Standardized Coefficients Beta .031

X

.130

.034

.912

3.843

(Constant)

2.720

.180

15.142

Standardized

Coefficients

Beta

.031 .001 t Sig.

.031

.001

t Sig.

The dependent variable is ln(Y).

.031 .001 t Sig. The dependent variable is ln(Y). Ecuaţia estimată a legăturii dintre cele două
.031 .001 t Sig. The dependent variable is ln(Y). Ecuaţia estimată a legăturii dintre cele două

Ecuaţia estimată a legăturii dintre cele două variabile este:

Y

X

e

2,72 0,13 X

Logaritmând ecuaţia de mai sus, se obţine:

lnY X =2,72+0.13X

1/31/2018

1/31/2018 III. Modelul exponenţial  Forma generală a modelului : Y   0  e
1/31/2018 III. Modelul exponenţial  Forma generală a modelului : Y   0  e

III. Modelul exponenţial

Forma generală a modelului:

Y

0

e

1

X

e

Ecuaţia se liniarizează prin logaritmare:

lnY ln X

0

1

logaritmare: lnY  ln     X   0 1 III. Modelul exponenţial
logaritmare: lnY  ln     X   0 1 III. Modelul exponenţial

III. Modelul exponenţial

Parametrii modelului:

- β 0 este valoarea medie a lui Y pentru X=0.

- β 1 arată variaţia medie procentuală a lui Y la o variaţie absolută a lui X cu o unitate.

1/31/2018

1/31/2018 III. Modelul exponenţial Exemplu Se consideră legătura dintre valoarea investiţiilor (mii lei) şi
1/31/2018 III. Modelul exponenţial Exemplu Se consideră legătura dintre valoarea investiţiilor (mii lei) şi

III. Modelul exponenţial

Exemplu Se consideră legătura dintre valoarea investiţiilor (mii lei) şi valoarea producţiei (mil. lei).

Coefficients

(Constant) Unstandardized Coefficients B Std. Error X .130 .034 .912 3.843 15.175 2.726

(Constant)

Unstandardized

Coefficients

B Std. Error

(Constant) Unstandardized Coefficients B Std. Error
(Constant) Unstandardized Coefficients B Std. Error

X

.130

.034

.912

3.843

15.175

2.726

Standardized

Coefficients

.031 .011

.031

.011

Beta

t

Sig.

5.568

The dependent variable is ln(Y).

Beta t Sig. 5.568 The dependent variable is ln(Y).  Ecuaţia estimată: Y X  15,175
Beta t Sig. 5.568 The dependent variable is ln(Y).  Ecuaţia estimată: Y X  15,175

Ecuaţia estimată:

YX 15,175e

0,13X

Interpretare:

La o creştere a investiţiilor cu producţia creşte, în medie, cu 13%.

o

mie

de

lei,

1/31/2018

1/31/2018 a.2 Modele cu variabila independentă logaritmată Modelul Logarithmic  Forma generală a modelului : Y
1/31/2018 a.2 Modele cu variabila independentă logaritmată Modelul Logarithmic  Forma generală a modelului : Y

a.2 Modele cu variabila independentă logaritmată

Modelul Logarithmic

Forma generală a modelului:

Y ln X

0

1

- β 0 este valoarea medie a lui Y pentru X=1.

- β 1 arată variaţia medie absolută a lui Y la o variaţie procentuală a lui X cu o unitate.

Y la o variaţie procentuală a lui X cu o unitate. Exemplu Se consideră legătura dintre
Y la o variaţie procentuală a lui X cu o unitate. Exemplu Se consideră legătura dintre

Exemplu Se consideră legătura dintre valoarea investiţiilor (mii lei) şi valoarea producţiei (mil. lei).

Coefficients

Unstandardized

Standardized

Coefficients

Coefficients

B Std. Error

Beta

t

Coefficients Coefficients B Std. Error Beta t ln(X) 20.535 3.396 .961 6.047 (Constant)
Coefficients Coefficients B Std. Error Beta t ln(X) 20.535 3.396 .961 6.047 (Constant)

ln(X)

20.535

3.396

.961

6.047

(Constant)

-1.799

5.388

-.334

Sig.

.009

.760

1/31/2018

1/31/2018  Ecuaţia estimată a legăturii dintre cele două variabile este: Y X  1,799 
1/31/2018  Ecuaţia estimată a legăturii dintre cele două variabile este: Y X  1,799 

Ecuaţia estimată a legăturii dintre cele două variabile este:

YX 1,799 20,535ln X

Interpretare:

La o creştere a investiţiilor cu 1 % producţia creşte, în medie, cu 0,20535 mil. lei (20,535/100).

creşte, în medie, cu 0,20535 mil. lei (20,535/100). b. Modelul de tip putere ( Power )
creşte, în medie, cu 0,20535 mil. lei (20,535/100). b. Modelul de tip putere ( Power )

b. Modelul de tip putere (Power) (log-liniar)

1. Forma generală a modelului:

Y X e

0

1

Ecuaţia se liniarizează prin logaritmare:

lnY ln ln X

0

1

1/31/2018

1/31/2018  În modelul putere, parametrul β 1 este elasticitatea variabilei dependente Y în raport cu
1/31/2018  În modelul putere, parametrul β 1 este elasticitatea variabilei dependente Y în raport cu

În modelul putere, parametrul β 1 este elasticitatea variabilei dependente Y în raport cu variabila independentă X.

Elasticitatea unei variabile Y în raport cu o altă variabilă X

reprezintă modificarea relativă (procentuală) a variabilei Y la o modificare relativă (procentuală) a lui X cu o unitate.

relativă (procentuală) a lui X cu o unitate. Elasticitatea poate fi determinată prin relaţia : E
relativă (procentuală) a lui X cu o unitate. Elasticitatea poate fi determinată prin relaţia : E

Elasticitatea poate fi determinată prin relaţia:

E

 

Y

% mod if .Y

Y

100

Y

X

% mod if . X

X

100

X

Y

X

1/31/2018

1/31/2018 2. Estimarea parametrilor modelului  Prin MCMMP nlnb +b  ln x 0 1 i
1/31/2018 2. Estimarea parametrilor modelului  Prin MCMMP nlnb +b  ln x 0 1 i

2. Estimarea parametrilor modelului

Prin MCMMP

nlnb +b ln x

0

1

i ,

i = ln y

i

1,n

lnb  ln x i +b  (ln x 2 i ) = 0 1
lnb
 ln x
i +b
(ln x
2
i )
=
0
1
 ln x ln y
i
i
ln x i +b  (ln x 2 i ) = 0 1  ln x
ln x i +b  (ln x 2 i ) = 0 1  ln x

3. Testarea semnificaţiei parametrilor

4. Exemplu În urma prelucrării datelor privind valoarea producţiei industriale (mil. lei) şi nivelul investiţiilor nete din industrie (mii lei) în România, în perioada 1990-2010, s-au obţinut următoarele rezultate:

1/31/2018

1/31/2018 Coefficients Unstandardized Standardized Coefficients Coefficients B Std. Error Beta t
1/31/2018 Coefficients Unstandardized Standardized Coefficients Coefficients B Std. Error Beta t

Coefficients

Unstandardized

Standardized

Coefficients

Coefficients

B Std. Error

Beta

t

,960

,012

1,603

,960 ,012 1,603
,960 ,012 1,603

ln(X)

(Constant)

,143

Sig.

Sig.

,999

79,735

,000

11,204

,000

The dependent variable is ln(Y).

,000 11,204 ,000 The dependent variable is ln(Y). Model Summary R ,999   Adjusted Std.
,000 11,204 ,000 The dependent variable is ln(Y). Model Summary R ,999   Adjusted Std.

Model Summary

R

,999

 

Adjusted

Std. Error of

R Square

R Square

the Estimate

,998

,998

,116

The independent variable is X.

1/31/2018

1/31/2018 ANOVA   Sum of Squares df Regression 86,240 1 Residual ,190 14 Total
1/31/2018 ANOVA   Sum of Squares df Regression 86,240 1 Residual ,190 14 Total

ANOVA

  Sum of Squares df Regression 86,240 1 Residual ,190 14 Total 86,429 15 Mean
 

Sum of

Squares

df

Regression

86,240

1

Residual

,190

14

Total

86,429

15

1 Residual ,190 14 Total 86,429 15 Mean Square F Sig. 86,240 6357,625 ,000
Mean Square F Sig. 86,240 6357,625 ,000 ,014
Mean Square F Sig. 86,240 6357,625 ,000 ,014

Mean Square

F

Sig.

86,240

6357,625

,000

,014

The independent variable is X.

6357,625 ,000 ,014 The independent variable is X. Rezolvare: 1. Ecuaţia estimată a modelului putere este:
6357,625 ,000 ,014 The independent variable is X. Rezolvare: 1. Ecuaţia estimată a modelului putere este:

Rezolvare:

1. Ecuaţia estimată a modelului putere este:

0,960

Y

X

1,603X

Prin logaritmare se obţine:

lnYX ln1,603 0,960ln X 0,472 0,960ln X

1/31/2018

1/31/2018 Interpretare:  Producţia industrială creşte în medie cu 0,96%, la o creştere cu 1% a
1/31/2018 Interpretare:  Producţia industrială creşte în medie cu 0,96%, la o creştere cu 1% a

Interpretare:

Producţia industrială creşte în medie cu 0,96%, la o creştere cu 1% a investiţiilor nete în industrie.

Panta dreptei (parametrul β 1 ) reprezintă elasticitatea (E) investiţiilor în raport cu producţia.

2. Testarea semnificaţiei parametrilor

3. Analiza de corelaţie

semnificaţiei parametrilor 3. Analiza de corelaţie 4.3. Modele polinomiale a. Modelul parabolic : cel mai
semnificaţiei parametrilor 3. Analiza de corelaţie 4.3. Modele polinomiale a. Modelul parabolic : cel mai

4.3. Modele polinomiale

a. Modelul parabolic: cel mai simplu model polinomial este

modelul parabolic (Quadratic).

Y

0

1

X

2

X

2

La nivelul eşantionului:

Y X

b b X b X

0

1

2

2

1/31/2018

1/31/2018  În economie, modelul polinomial este folosit pentru descrierea relaţiei dintre costul unitar şi
1/31/2018  În economie, modelul polinomial este folosit pentru descrierea relaţiei dintre costul unitar şi

În economie, modelul polinomial este folosit pentru

descrierea relaţiei dintre costul unitar şi producţia realizată:

costul unitar scade concomitent cu creşterea producţiei până

la un nivel optim al producţiei, după care, dacă producţia

continuă să crească, începe să crească şi costul unitar.

să crească, începe să crească şi costul unitar. Exemplu Cost unitar Observed 50.00 Quadratic 40.00 30.00
să crească, începe să crească şi costul unitar. Exemplu Cost unitar Observed 50.00 Quadratic 40.00 30.00

Exemplu

Cost unitar

Observed 50.00 Quadratic 40.00 30.00 20.00 10.00 2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00
Observed
50.00
Quadratic
40.00
30.00
20.00
10.00
2.00
3.00
4.00
5.00
6.00
7.00
8.00
9.00

Productia

1/31/2018

1/31/2018 Exemplu  În studiul legăturii dintre costul unitar şi producţia unui bun (sute bucăţi),
1/31/2018 Exemplu  În studiul legăturii dintre costul unitar şi producţia unui bun (sute bucăţi),

Exemplu

În studiul legăturii dintre costul unitar şi producţia unui bun (sute bucăţi), înregistrate pentru un eşantion de firme, s-au obţinut următoarele rezultate:

eşantion de firme, s-au obţinut următoarele rezultate: Exemplu Coefficients   Unstandardized Coefficients
eşantion de firme, s-au obţinut următoarele rezultate: Exemplu Coefficients   Unstandardized Coefficients

Exemplu

Coefficients

  Unstandardized Coefficients B Std. Error Productia -25.795 3.895 Productia ** 2 2.114
 

Unstandardized

Coefficients

B

Std. Error

Productia

-25.795

3.895

Productia ** 2

2.114

.351

(Constant)

89.041

9.231

B Std. Error Productia -25.795 3.895 Productia ** 2 2.114 .351 (Constant) 89.041 9.231
B Std. Error Productia -25.795 3.895 Productia ** 2 2.114 .351 (Constant) 89.041 9.231
** 2 2.114 .351 (Constant) 89.041 9.231 Standardized Coefficients Beta t Sig. -5.322

Standardized

Coefficients

Standardized Coefficients Beta t Sig. -5.322 -6.623 .000 4.842 6.026 .001 9.646 .000
Standardized Coefficients Beta t Sig. -5.322 -6.623 .000 4.842 6.026 .001 9.646 .000

Beta

t

Sig.

-5.322

-6.623

.000

4.842

6.026

.001

9.646

.000

1/31/2018

1/31/2018 Exemplu Model Summary Std. Error of the Estimate 4.484   Adjusted R R Square R
1/31/2018 Exemplu Model Summary Std. Error of the Estimate 4.484   Adjusted R R Square R

Exemplu

Model Summary

Std. Error of

the Estimate

4.484

  Adjusted R R Square R Square   .941 .886 .853
  Adjusted R R Square R Square   .941 .886 .853
 

Adjusted

R

R Square

R Square

 

.941

.886

.853

  Adjusted R R Square R Square   .941 .886 .853
  Adjusted R R Square R Square   .941 .886 .853
  Adjusted R R Square R Square   .941 .886 .853

The independent variable is Productia.

ANOVA

Sum of

Squares

df

Mean Square

F

Regression

1091.326

2

545.663

27.133

Residual

140.774

7

20.111

Total

1232.100

9

Sig.

.001

The independent variable is Productia.

Sig. .001 The independent variable is Productia. Interpretare:  β 2 >o, deci legătura de tip
Sig. .001 The independent variable is Productia. Interpretare:  β 2 >o, deci legătura de tip

Interpretare:

β 2 >o, deci legătura de tip parabolic admite un punct de minim.

Coordonatele punctului de minim arată nivelul producţiei optim pentru care costul unitar este minim. Abscisa acestui punct este:

-b 1 /2b 2 =25,79/4,22=6,11. Pentru o producţie de 611 bucăţi din produsul A, costul este minim.

1/31/2018

1/31/2018 b. Modelul cubic Y    X   X 2   X
1/31/2018 b. Modelul cubic Y    X   X 2   X

b. Modelul cubic

Y    X   X 2   X 3  0
Y
  
X
 
X
2
 
X
3 
0
1
2
3

În economie acest model este folosit pentru descrierea relaţiei dintre costul total şi valoarea producţiei.

Pentru acest tip de legătură se poate determina punctul de inflexiune al curbei, prin anularea derivatei de ordinul 2 in X.

al curbei, prin anularea derivatei de ordinul 2 in X. Grad de urbanizare (%) 100 80
al curbei, prin anularea derivatei de ordinul 2 in X. Grad de urbanizare (%) 100 80

Grad de urbanizare (%)

100 80 60 40 20 0 0 5000 10000 15000 20000 25000
100
80
60
40
20
0
0
5000
10000
15000
20000
25000

PIB / loc

1/31/2018

1/31/2018 Coefficients   Unstandardized Standardized Coefficients Coefficients B Std. Error Beta
1/31/2018 Coefficients   Unstandardized Standardized Coefficients Coefficients B Std. Error Beta

Coefficients

  Unstandardized Standardized Coefficients Coefficients B Std. Error Beta PIB 2,931
 

Unstandardized

Standardized

Coefficients

Coefficients

B

Std. Error

Beta

PIB

2,931

,071

1,197

PIB ** 2

-3,9E-007

,000

-,361

PIB ** 3

7,73E-014

,000

,165

(Constant)

-3962,660

11506,083

,000 ,165 (Constant) -3962,660 11506,083 t Sig. 41,218 ,000 -4,932 ,000 . .
t Sig. 41,218 ,000 -4,932 ,000 . . -,344 ,737

t

Sig.

41,218

,000

-4,932

,000

.

.

-,344

,737

t Sig. 41,218 ,000 -4,932 ,000 . . -,344 ,737
,000 -4,932 ,000 . . -,344 ,737 4.4. Modele de regresie neliniar ă multiplă . Modelul
,000 -4,932 ,000 . . -,344 ,737 4.4. Modele de regresie neliniar ă multiplă . Modelul

4.4. Modele de regresie neliniară multiplă. Modelul putere

a. Forma generală a modelului:

Y

X

0

 

1

X

 

2



X

 

p

e

1

2

p

Ecuaţia se liniarizează prin logaritmare:

lnY  ln    ln X   ln X   
lnY
 ln
  
ln X
 
ln X
 
ln X

0
1
1
2
2
p
p

1/31/2018

1/31/2018 Interpretare:  parametrul β 0 este nivelul mediu al lui Y atunci când X i
1/31/2018 Interpretare:  parametrul β 0 este nivelul mediu al lui Y atunci când X i

Interpretare:

parametrul β 0 este nivelul mediu al lui Y atunci când X i =1.

parametrii β i reprezintă elasticitatea variabilei dependente Y în raport cu variabilele independente X i .

Y în raport cu variabilele independente X i . b. Exemplu din economie - funcţia de
Y în raport cu variabilele independente X i . b. Exemplu din economie - funcţia de

b. Exemplu din economie

- funcţia de producţie de tip Cobb-Douglas.

b.1. Prezentarea modelului

1/31/2018

1/31/2018 Y   X   X  e  1 2 0 1 2
1/31/2018 Y   X   X  e  1 2 0 1 2
Y   X   X  e  1 2 0 1 2
Y   X
 X
e
1
2
0
1
2

unde:

Variabilele modelului sunt:

Y este producţia finală sau output-ul; X 1 sunt fondurile fixe, capitalul sau input-ul; X 2 este forţa de muncă (input). Coeficienţii modelului:

β 0 este nivelul mediu al producţiei (Y) când X i =1.

este nivelul mediu al producţiei ( Y) când X i =1 . β β 1 2
este nivelul mediu al producţiei ( Y) când X i =1 . β β 1 2

β

β

1

2

este elasticitatea parţială a producţiei în raport cu fondurile

fixe sau factorul capital.

este elasticitatea parţială a producţiei în raport cu forţa de muncă.

(β 1 + β 2 ) este elasticitatea totală a producţiei în raport cu cei doi factori. Această valoare poartă numele de randament de scară.

1/31/2018

1/31/2018 Interpretare:  ( β 1 + β 2 )<1: un spor al factorilor de producţie
1/31/2018 Interpretare:  ( β 1 + β 2 )<1: un spor al factorilor de producţie

Interpretare:

(β 1 + β 2 )<1: un spor al factorilor de producţie generează o creştere a output-ului dar într-o proporţie mai mică (proces de producţie cu randament de scară descrescător);

(β

+ β 2 )>1: un spor al factorilor de producţie generează o

creştere a output-ului dar într-o proporţie mai mare (proces

1_

de producţie cu randament de scară crescător);

+ β 2 ) =1: sporul factorilor de producţie generează

creşterea output-ului în aceeaşi proporţie (randament de scară constant).

(β

1_

proporţie (randament de scară constant).  ( β 1_ b.2. Exemplu numeric Să presupunem că, în
proporţie (randament de scară constant).  ( β 1_ b.2. Exemplu numeric Să presupunem că, în

b.2. Exemplu numeric

presupunem că, în urma prelucrării datelor privind

valoarea input-urilor (L, forţa de muncă; K, valoarea

capitalului fix) şi a output-urilor obţinute într-un anumit domeniu de activitate (Y, valoarea producţiei), s-au obţinut

următoarele rezultate:

lnY 4,281,35ln L 0,63ln K

R square=0,878.

1/31/2018

1/31/2018 Interpretare: - pentru perioada analizată, dacă se consideră constantă valoarea capitalului fix ( K ),
1/31/2018 Interpretare: - pentru perioada analizată, dacă se consideră constantă valoarea capitalului fix ( K ),

Interpretare:

- pentru perioada analizată, dacă se consideră constantă valoarea capitalului fix (K), atunci o creştere cu un procent a nivelului variabilei L duce la creşterea medie cu 1,35% a valorii producţiei obţinute.

- pentru perioada analizată, dacă se consideră constantă valoarea forţei de muncă (L), atunci o creştere cu un procent a valorii capitalului fix (K) duce la creşterea medie cu 0,63% a valorii producţiei obţinute.

medie cu 0,63% a valorii producţiei obţinute . - suma elasticităţilor parţiale este egală cu 1,98
medie cu 0,63% a valorii producţiei obţinute . - suma elasticităţilor parţiale este egală cu 1,98

- suma elasticităţilor parţiale este egală cu 1,98 ceea ce arată

că, în perioada analizată, procesul de producţie s-a

caracterizat printr-un randament de scară crescător.

- 87,8% din variaţia producţiei este datorată influenţei simultane a forţei de muncă şi a valorii capitalului fix în domeniul considerat.

1/31/2018

ECONOMETRIE
ECONOMETRIE
1/31/2018 ECONOMETRIE Planul cursului 1. Introducere 2. Modelul de regresie liniară simplă 3. Modelul de regresie
1/31/2018 ECONOMETRIE Planul cursului 1. Introducere 2. Modelul de regresie liniară simplă 3. Modelul de regresie

Planul cursului

1. Introducere

2. Modelul de regresie liniară simplă

3. Modelul de regresie liniară multiplă

4. Modele de regresie neliniară

5. Ipoteze

statistice:

normalitatea

erorilor,

homoscedasticitatea,

necorelarea

erorilor,

multicoliniaritatea.

1/31/2018

1/31/2018 5. regresie Verificarea ipotezelor modelului de Ipotezele statistice care se formulează în modelarea
1/31/2018 5. regresie Verificarea ipotezelor modelului de Ipotezele statistice care se formulează în modelarea

5.

regresie

Verificarea

ipotezelor

modelului

de

Ipotezele statistice care se formulează în modelarea econometrică sunt ipoteze asupra componentei aleatoare (erorilor) şi ipoteze asupra componentei deterministe (variabilelor independente).

5.1. Ipotezele asupra componentei aleatoare (erorilor) următoarele:

a. Media erorilor este nulă: M(ε i )=0. b. Ipoteza de homoscedasticitate: V(ε i )=σ 2

c. Ipoteza de normalitate:

i

~

N

(0,

2 )

sunt

de normalitate:  i ~ N (0,  2 ) sunt d. Ipoteza de ne corelare
de normalitate:  i ~ N (0,  2 ) sunt d. Ipoteza de ne corelare

d. Ipoteza de necorelare sau de independenţă a erorilor:

cov(ε i, ε i )=0.

1/31/2018

1/31/2018 a. Media erorilor este nulă 1. Definire : M( ε i )=0 care este echivalent
1/31/2018 a. Media erorilor este nulă 1. Definire : M( ε i )=0 care este echivalent

a. Media erorilor este nulă

1. Definire: M(ε i )=0 care este echivalentă cu M(Y/X)=β 0 + β 1 X.

2. Efectele încălcării acestei ipoteze:

- dacă această ipoteză este încălcată, atunci se modifică

proprietăţile estimatorilor parametrilor modelului de regresie (parametrii sunt estimaţi deplasat sau cu o eroare sistematică).

sunt estimaţi deplasat sau cu o eroare sistematică) . 3. Testarea ipotezei cu privire la media
sunt estimaţi deplasat sau cu o eroare sistematică) . 3. Testarea ipotezei cu privire la media

3. Testarea ipotezei cu privire la media erorilor

Ipoteze:

H 0 : M(ε)=0 H 1 : M(ε)#0

Alegerea testului:

t

Calculul statisticii test:

Decizie

M( ˆ   ) M(  ) V( M( ˆ ˆ  ) )
M(
ˆ
 
)
M(
)
V( M(
ˆ
ˆ
 ) )
M(e )
i
t calc
s
M(
ˆ
 )

1/31/2018

1/31/2018 4. Exemplu Residuals Statistics a Minimum Maximum Mean Std. Deviation Predicted Value 58508,12
1/31/2018 4. Exemplu Residuals Statistics a Minimum Maximum Mean Std. Deviation Predicted Value 58508,12

4. Exemplu

Residuals Statistics a

Minimum

Maximum

Mean

Std. Deviation

Predicted Value

58508,12

6084511

1582428

1957596,554

Residual

-98125,2

131202,7

,00000

73271,63549

Std. Predicted Value

-,778

2,300

,000

1,000

Std. Residual

-1,290

1,725

,000

,964

N

15

15

15

15

a. Dependent Variable: salariu

N 15 15 15 15 a. Dependent Variable: salariu One-Sample Statistics N Mean Std. Deviation Std.
N 15 15 15 15 a. Dependent Variable: salariu One-Sample Statistics N Mean Std. Deviation Std.

One-Sample Statistics

N Mean

Std. Deviation

Std. Error

Mean

Unstandardized Residual

15 ,0000000

73271,63549

18918,65

1/31/2018

1/31/2018 One-Sample Test Test Value = 0 t df Sig. (2-tailed) Unstandardized Residual ,000 14 1,000
1/31/2018 One-Sample Test Test Value = 0 t df Sig. (2-tailed) Unstandardized Residual ,000 14 1,000

One-Sample Test

Test Value = 0 t df Sig. (2-tailed) Unstandardized Residual ,000 14 1,000 Mean Difference

Test Value = 0

t df

Sig. (2-tailed)

t df Sig. (2-tailed) Unstandardized Residual ,000 14 1,000 Mean Difference 95% Confidence Interval of the

Unstandardized Residual

,000

14 1,000

Mean

Difference

95% Confidence Interval of the Difference

Lower

Upper

,000 14 1,000 Mean Difference 95% Confidence Interval of the Difference Lower Upper ,00000000 -40576,5 40576,48
,000 14 1,000 Mean Difference 95% Confidence Interval of the Difference Lower Upper ,00000000 -40576,5 40576,48

,00000000

-40576,5

40576,48

Lower Upper ,00000000 -40576,5 40576,48 5. Corectarea modelului  Modelul ini ţial se
Lower Upper ,00000000 -40576,5 40576,48 5. Corectarea modelului  Modelul ini ţial se

5. Corectarea modelului

Modelul iniţial se corectează cu ajutorul estimaţiei erorilor calculate la nivelul eşantionului.

Modelul corectat este de forma:

* i x u

y

y

*

i

0

y

i

i

i

M(

i

)

i

, unde:

1/31/2018

1/31/2018 b. Ipoteza de homoscedasticitate a erorilor 1. Definire - ipoteza de homoscedasticitate presupune ca varianţa
1/31/2018 b. Ipoteza de homoscedasticitate a erorilor 1. Definire - ipoteza de homoscedasticitate presupune ca varianţa

b. Ipoteza de homoscedasticitate a erorilor

1.

Definire

- ipoteza de homoscedasticitate presupune ca varianţa erorilor fie constantă:

V()

i

2

- această ipoteză presupune o varianţă constantă şi egală a erorilor la nivelul distribuţiilor condiţionate de forma

Y

X

x

i

condiţionate de forma Y X  x i 2. Efectele încălcării acestei ipoteze  pierderea
condiţionate de forma Y X  x i 2. Efectele încălcării acestei ipoteze  pierderea

2. Efectele încălcării acestei ipoteze

pierderea eficienţei estimatorilor parametrilor modelului de

regresie (estimează parametrul cu o varianţă mai mare).

3. Identificarea heteroscedasticităţii

3.1. Procedee grafice -

varianţei acesteia.

presupun

reprezentarea

distribuţiei

erorilor

şi

aprecierea

1/31/2018

1/31/2018 - cazul existenţei heteroscedasticităţii: 3 2 1 X 0 Residuals 0 5 10 15 20
1/31/2018 - cazul existenţei heteroscedasticităţii: 3 2 1 X 0 Residuals 0 5 10 15 20

- cazul existenţei heteroscedasticităţii:

3 2 1 X 0 Residuals 0 5 10 15 20 25 30 35 -1
3
2
1
X
0
Residuals
0
5
10
15
20
25
30
35
-1
-2
-3
X 0 Residuals 0 5 10 15 20 25 30 35 -1 -2 -3 3.2. Procedee
X 0 Residuals 0 5 10 15 20 25 30 35 -1 -2 -3 3.2. Procedee

3.2. Procedee numerice a. Testul Glejser

are la bază un model de regresie între variabila reziduală estimată şi variabila independentă.

Etapele testării:

1. Se estimează modelul de regresie de forma:

Y X

0

1

2.

Se calculează erorile estimate e i .

3.

Se construieşte un model de regresie pe baza erorilor

estimate în valoare absolută şi variabila

1/31/2018

1/31/2018 independentă. Exemplu:  i   0   1  x i  u
1/31/2018 independentă. Exemplu:  i   0   1  x i  u

independentă. Exemplu:

i

0

1

x

i

u

i

4. Se testează parametrii acestui model: dacă parametrul α 1 este semnificativ, atunci modelul iniţial este heteroscedastic.

Exemplu:

atunci modelul iniţial este heteroscedastic. Exemplu: Coefficients a Model B Std. Error Beta t Sig.
atunci modelul iniţial este heteroscedastic. Exemplu: Coefficients a Model B Std. Error Beta t Sig.

Coefficients a

Model

B

Std. Error

Beta

t

Sig.

 

a. Dependent Variable: erori

1/31/2018

1/31/2018 b. Testul Spearman (coeficient al corela ţ iei neparametrice) - se bazează pe calculul rangurilor
1/31/2018 b. Testul Spearman (coeficient al corela ţ iei neparametrice) - se bazează pe calculul rangurilor

b. Testul Spearman (coeficient al corelaţiei neparametrice)

- se bazează pe calculul rangurilor valorilor estimate ale erorilor, ε i , şi a valorilor X i .

Ipoteze statistice:

H 0 : ipoteza de homoscedasticitate H 1 : ipoteza de heteroscedasticitate

Statistica test:

t

 ˆ n  2 1   ˆ 2
ˆ
n
2
1 
ˆ
2
test: t   ˆ n  2 1   ˆ 2  Valoarea calculată
test: t   ˆ n  2 1   ˆ 2  Valoarea calculată

Valoarea calculată a statisticii test:

t calc

r n  2 1  r 2
r
n
2
1
r
2

unde: r este o estimaţie a coeficientului Spearman.

1/31/2018

1/31/2018 Regula de decizie:  t c a l c > t t e o r
1/31/2018 Regula de decizie:  t c a l c > t t e o r

Regula de decizie:

t calc >t teor sau o valoare a lui Sig. asociată statisticii test t Student calculate < 0,05 duce la respingerea ipotezei H o .

Exemplu:

În studiul legăturii dintre două variabile, X şi Y, s-au obţinut următoarele rezultate:

X şi Y , s-au obţinut următoarele rezultate: Correlations   Unstandardiz X ed Residual
X şi Y , s-au obţinut următoarele rezultate: Correlations   Unstandardiz X ed Residual

Correlations

  Unstandardiz X ed Residual Spearman's rho X Correlation Coefficient 1,000 ,000  
  Unstandardiz X ed Residual Spearman's rho X Correlation Coefficient 1,000 ,000  
  Unstandardiz X ed Residual Spearman's rho X Correlation Coefficient 1,000 ,000  
  Unstandardiz X ed Residual Spearman's rho X Correlation Coefficient 1,000 ,000  
  Unstandardiz X ed Residual Spearman's rho X Correlation Coefficient 1,000 ,000  
  Unstandardiz X ed Residual Spearman's rho X Correlation Coefficient 1,000 ,000  
  Unstandardiz X ed Residual Spearman's rho X Correlation Coefficient 1,000 ,000  
 

Unstandardiz

X

ed Residual

Spearman's rho

X

Correlation Coefficient

1,000

,000

 

Sig. (2-tailed)

.

1,000

N

5

5

 

Unstandardized Residual

Correlation Coefficient

,000

1,000

 

Sig. (2-tailed)

1,000

.

N

5

5

1/31/2018

1/31/2018 Se cere să se testeze ipoteza de homoscedasticitate, considerând un risc de 0,05. Rezolvare: Pentru
1/31/2018 Se cere să se testeze ipoteza de homoscedasticitate, considerând un risc de 0,05. Rezolvare: Pentru

Se cere se testeze ipoteza de homoscedasticitate, considerând un risc de 0,05.

Rezolvare:

Pentru aceasta, se formulează următoarele ipoteze statistice:

H 0 : ipoteza de homoscedasticitate H 1 : ipoteza de heteroscedasticitate

de homoscedasticitate H 1 : ipoteza de heteroscedasticitate Statistica test : t  r n 
de homoscedasticitate H 1 : ipoteza de heteroscedasticitate Statistica test : t  r n 

Statistica test :

t

r n  2 1  r 2
r
n
2
1
r
2

1/31/2018

1/31/2018  Coeficientul Spearman este: r  0  Statistica test t Student se calculează astfel:
1/31/2018  Coeficientul Spearman este: r  0  Statistica test t Student se calculează astfel:

Coeficientul Spearman este:

r 0

Statistica test t Student se calculează astfel:

t calc

r n  2 0  5  2    0 1 
r
n
 2
0
5
2
 0
1
 r
2 1
 0
2 0  5  2    0 1  r 2 1 
2 0  5  2    0 1  r 2 1 

Regula de decizie:

- pentru exemplul dat:

(

t

calc

0)

(

t

0,025;3

3,182)

Deci, se acceptă, cu o probabilitate de 0,95, ipoteza Ho, ipoteza de homoscedasticitate.

1/31/2018

1/31/2018 c. Testul Goldfeld-Quandt Are la bază ideea că între valorile varianţei erorilor la nivelul
1/31/2018 c. Testul Goldfeld-Quandt Are la bază ideea că între valorile varianţei erorilor la nivelul

c. Testul Goldfeld-Quandt

Are la bază ideea între valorile varianţei erorilor la nivelul repartiţiilor condiţionate şi valorile variabilei dependente există o legătură pozitivă de forma:

2

2

x

i

2

i

Ipoteze statistice:

H

0 : ipoteza de homoscedasticitate

H

1 : ipoteza de heteroscedasticitate

H 1 : ipoteza de heteroscedasticitate Etape pentru calculul statisticii test: - se ordonează
H 1 : ipoteza de heteroscedasticitate Etape pentru calculul statisticii test: - se ordonează

Etape pentru calculul statisticii test:

- se ordonează crescător valorile x i .

- se împarte seria în două părţi egale, după omiterea unui set de date din centrul seriei (în cazul seriilor cu un număr mare de termeni);

- se estimează parametrii ecuaţiei de regresie pentru fiecare din cele două seturi de date şi se calculează variaţia reziduală (RSS) pentru fiecare model în parte;

1/31/2018

1/31/2018 - se calculează statistica test Fisher care compară cele două variaţii reziduale: F calc 
1/31/2018 - se calculează statistica test Fisher care compară cele două variaţii reziduale: F calc 

- se calculează statistica test Fisher care compară cele două

variaţii reziduale:

F calc

RSS

2

RSS

1

unde:

RSS 1

reziduale.

corespunde

Regula de decizie:

celei

mai

mici

valori

a

variaţiei

Regula de decizie: celei mai mici valori a variaţiei - dac ă respinge ipoteza Ho. F
Regula de decizie: celei mai mici valori a variaţiei - dac ă respinge ipoteza Ho. F

- dacă

respinge ipoteza Ho.

F

calc

F

0,05;

Exemplu:

n

k

;

n

k

sau Sig.<0.05, atunci se

Pentru două variabile, X şi Y, se cunosc următoarele valori:

1/31/2018

1/31/2018 x i y i 2 15 3 20 1 10 4 19 6 25 5
1/31/2018 x i y i 2 15 3 20 1 10 4 19 6 25 5

x

i

y

i

2

15

3

20

1

10

4

19

6

25

5

23

7

30

8

35

9

38

10

40

5 23 7 30 8 35 9 38 10 40  Se cere să se testeze
5 23 7 30 8 35 9 38 10 40  Se cere să se testeze

Se cere se testeze ipoteza de homoscedasticitate, folosind

testul Goldfeld-Quandt.

Rezolvare:

1. Se ordonează crescător şirul valorilor x i .

2. Se împarte seria valorilor x i în două serii: prima serie este reprezentată de valorile 1, 2, , 5; iar a doua serie este reprezentată de valorile 6, 7, , 10.

1/31/2018

1/31/2018 3. Pentru fiecare din cele două serii se estimează parametrii modelului de regresie. Se obţine
1/31/2018 3. Pentru fiecare din cele două serii se estimează parametrii modelului de regresie. Se obţine

3. Pentru fiecare din cele două serii se estimează parametrii modelului de regresie. Se obţine:

Seria 1: Y x =8,3+3X Seria 2: Y x =3,2+3,8X

4. Pentru aceste modele, se estimează variaţia reziduală (valoare prezentată în output-ul ANOVA):

- pentru seria 1: RSS=3,73;

- pentru seria 2: RSS=1,6.

- pentru seria 1: RSS=3,73; - pentru seria 2: RSS=1,6. 5. Se calculează raportul F, considerând
- pentru seria 1: RSS=3,73; - pentru seria 2: RSS=1,6. 5. Se calculează raportul F, considerând

5. Se calculează raportul F, considerând RSS 1 cea mai mică valoare, şi anume RSS 1 =1,6:

F calc =3,73/1,6=2,33.

6. Se compară valoarea calculată a statisticii test F cu valoarea teoretică:

F

0,05; n

1

k n

;

2

k

F

0,05;5 2;5 2

9,277.

(k este numărul de parametri estimaţi).

1/31/2018

1/31/2018 7. Interpretare: ( F calc  2,33)  F ( 0,05;3;3  9,277) Pentru exemplul
1/31/2018 7. Interpretare: ( F calc  2,33)  F ( 0,05;3;3  9,277) Pentru exemplul

7. Interpretare:

(

F

calc

2,33)

F

(

0,05;3;3

9,277)

Pentru exemplul

homoscedasticitate, cu o probabilitate de 0,95.

dat,

se

acceptă

ipoteza

de

cu o probabilitate de 0,95. dat, se acceptă ipoteza de 4. Corectarea heteroscedasticităţii 2 4.1. Dacă
cu o probabilitate de 0,95. dat, se acceptă ipoteza de 4. Corectarea heteroscedasticităţii 2 4.1. Dacă

4. Corectarea heteroscedasticităţii

2

4.1. Dacă se cunosc parametrii i Corecţia heteroscedasticităţii este aplicată modelului de regresie liniară simplă:

y x

i

0

1

i

i

Corectarea heteroscedasticităţii presupune ponderarea modelului iniţial cu variabila .

1

i

1/31/2018

1/31/2018 Noul model de regresie (corectat) se obţine astfel: y i  i   0
1/31/2018 Noul model de regresie (corectat) se obţine astfel: y i  i   0

Noul model de regresie (corectat) se obţine astfel:

y

i

i

0

i

1

x

i

i

i

i

Estimarea parametrilor acestui model se realizează pe baza MCMMP ponderată (method of weighted least squares).

MCMMP ponderată ( method of weighted least squares ). 4.2. Dacă nu se cunosc parametrii 
MCMMP ponderată ( method of weighted least squares ). 4.2. Dacă nu se cunosc parametrii 

4.2. Dacă nu se cunosc parametrii

2

i

Corecţia heteroscedasticităţii se realizează pe baza

relaţiei:

2

2

x

i

2

i

Corectarea heteroscedasticităţii presupune ponderarea modelului iniţial cu variabila 1/x i .

1/31/2018

1/31/2018 Noul model de regresie (corectat) este de forma: y i x i   0
1/31/2018 Noul model de regresie (corectat) este de forma: y i x i   0

Noul model de regresie (corectat) este de forma:

y

i

x

i

0

x

i

1

i

x

i

este de forma: y i x i   0 x i   1 
este de forma: y i x i   0 x i   1 

c. Ipoteza de normalitate a erorilor

1. Formularea problemei

- erorile ε urmează o lege normală de medie 0 şi varianţă

σ

2 :

 

i

~

N

(0,

2 )

2. Efectele încălcării acestei ipoteze

- ipoteza de normalitate a erorilor este importantă pentru stabilirea proprietăţilor estimatorilor parametrilor modelului de regresie.

1/31/2018

1/31/2018  dac ă ) , atunci estimatorii parametrilor modelului de  i ~ N(0, 
1/31/2018  dac ă ) , atunci estimatorii parametrilor modelului de  i ~ N(0, 

dacă ) , atunci estimatorii parametrilor modelului de

i

~ N(0,

2

regresie urmează, de asemenea, o lege normală:

ˆ

i

~

N

(

 

,

2

ˆ

i

i

)

dacă ipoteza de normalitate este încălcată, atunci estimatorii parametrilor modelului de regresie nu urmează o lege normală (pentru eşantioane de volum mare, proprietatea de normalitate este atinsă asimptotic).

proprietatea de normalitate este atinsă asimptotic). 3 . Verificarea normalităţii erorilor 3.1. Procedee
proprietatea de normalitate este atinsă asimptotic). 3 . Verificarea normalităţii erorilor 3.1. Procedee

3. Verificarea normalităţii erorilor

3.1. Procedee grafice

- Histograma (curba frecvenţei):

- P-P Plot sau Q-Q Plot;

- Box-Plot;

1/31/2018

1/31/2018 a. Reprezentarea histogramei şi a curbei frecvenţelor - se reprezintă curba frecvenţei sau
1/31/2018 a. Reprezentarea histogramei şi a curbei frecvenţelor - se reprezintă curba frecvenţei sau

a. Reprezentarea histogramei şi a curbei frecvenţelor

- se reprezintă curba frecvenţei sau histograma reziduurilor şi se observă dacă forma distribuţiei acestora are alură de clopot.

Exemplu:

distribuţiei acestora are alură de clopot. Exemplu: Histograma şi curba frecvenţelor Histogram Dependent
distribuţiei acestora are alură de clopot. Exemplu: Histograma şi curba frecvenţelor Histogram Dependent

Histograma şi curba frecvenţelor

Histogram

Dependent Variable: greut

3,0 2,5 2,0 1,5 1,0 0,5 0,0 -2 -1 0 1 2 Frequency
3,0
2,5
2,0
1,5
1,0
0,5
0,0
-2
-1
0
1
2
Frequency

Regression Standardized Residual

Mean = -1,85E-15

Std. Dev. = 0,943

N = 10

1/31/2018

1/31/2018 b. P-P Plot Normal P-P Plot of Regression Standardized Residual Dependent Variable: greut 1,0 0,8
1/31/2018 b. P-P Plot Normal P-P Plot of Regression Standardized Residual Dependent Variable: greut 1,0 0,8

b. P-P Plot

Normal P-P Plot of Regression Standardized

Residual

Dependent Variable: greut

1,0 0,8 0,6 0,4 0,2 0,0 0,0 0,2 0,4 0,6 0,8 1,0 Expected Cum Prob
1,0
0,8
0,6
0,4
0,2
0,0
0,0
0,2
0,4
0,6
0,8
1,0
Expected Cum Prob

Observed Cum Prob

0,0 0,2 0,4 0,6 0,8 1,0 Expected Cum Prob Observed Cum Prob c. Box-plot 70 65
0,0 0,2 0,4 0,6 0,8 1,0 Expected Cum Prob Observed Cum Prob c. Box-plot 70 65

c. Box-plot

70

65

60

55

50

45

1/31/2018

1/31/2018 3.2. Procedee numerice a. Testul Kolmogorov-Smirnov - presupune compararea frecvenţelor cumulate (calculate)
1/31/2018 3.2. Procedee numerice a. Testul Kolmogorov-Smirnov - presupune compararea frecvenţelor cumulate (calculate)

3.2. Procedee numerice

a. Testul Kolmogorov-Smirnov

- presupune compararea frecvenţelor cumulate (calculate) cu frecvenţele teoretice cumulate extrase din tabelul Gauss.

Ipoteze statistice:

H 0 : ipoteza de normalitate H 1 : distribuţia