Exemplul2 Unifactorial PDF

Capitolul 2
2.1 Probleme rezolvate

2.1.1 Model liniar unifactorial - caz general
2.1.2 Model liniar unifactorial cu erori heteroscedastice
2.1.3 Model liniar unifactorial cu autocorelarea erorilor
2.1.4 Model unifactorial neliniar
2.1.5 Model liniar multifactorial
2.1.6 Model multifactorial neliniar – funcţia Cobb-Douglas
fără progres tehnic
2.1.7 Model liniar multifactorial cu variabile centrate
2.1.8 Modele dinamice
2.1.8.1 Model dinamic – funcţia Cobb–Douglas
cu progres tehnic
2.1.8.2 Model autoregresiv
2.1.8.3 Model dinamic cu decalaj
2.1.8.4 Model dinamic de prognoză cu variabile anticipative
2.1.9 Modelul static al lui Keynes
2.1.10 Modelul dinamic al lui Keynes
2.1.11 Model recursiv
2.2 Probleme propuse spre rezolvare

Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple
2 Modele econometrice cu o singură ecuaţie

şi cu ecuaţii multiple
2.1 Probleme rezolvate

2.1.1 Model liniar unifactorial - caz general
Se cunosc următoarele date privind capacitatea de cazare turistică în

funcţiune (mii locuri-zile) şi numărul de înnoptări în structurile de primire
turistică cu funcţiuni de cazare turistică (mii) în România în perioada
1989-2002:
Tabelul 2.1.1
Numărul de înnoptări
Capacitatea de cazare în structurile de primire
Anul turistică în funcţiune turistică cu funcţiuni
(mii locuri-zile) de cazare turistică
(mii)
0 1 2
1989 79458 53377
1990 77022 44552
1991 64124 31927
1992 55870 26076
1993 57434 24769
1994 53255 23296
1995 53540 24111
1996 53639 21838
1997 52027 19611
1998 53164 19183
1999 51275 17670
2000 50197 17647
2001 51182 18122
2002 50752 17277
Sursa: Anuarul Statistic al României 1993, CNS, Bucureşti, 1994, p. 622-624, Anuarul
Statistic al României 2003, INS, Bucureşti, 2004, p. 507, 511.
Econometrie. Studii de caz
Se cere:
a) să se specifice modelul econometric ce descrie legătura dintre cele
două variabile;
b) să se estimeze parametrii modelului şi să se calculeze valorile
teoretice ale variabilei endogene;
c) să se verifice ipotezele de fundamentare a metodei celor mai mici
pătrate;
d) să se verifice semnificaţiile estimatorilor şi verosimilitatea
modelului;
e) presupunând că în anul 2003 numărul de înnoptări va atinge
valoarea de 17100 mii să se estimeze capacitatea de cazare turistică în
funcţiune a României în acest caz.
Rezolvare:
a) Pe baza datelor problemei se poate construi un model econometric

unifactorial de forma:
y = f (x ) + u
unde:
y = valorile reale ale variabilelor dependente;
x = valorile reale ale variabilelor independente;
u = variabila reziduală, reprezentând influenţele celorlalţi factori ai variabilei y,
nespecificaţi în model, consideraţi factori întâmplători, cu influenţe
nesemnificative asupra variabilei y.
Analiza datelor din tabel, în raport cu procesul economic descris
conduce la următoarea specificare a variabilelor:
y = capacitatea de cazare turistică în funcţiune, reprezentând
variabila rezultativă (endogenă);
x = numărul de înnoptări, reprezentînd variabila factorială (exogenă),
respectiv factorul considerat prin ipoteza de lucru cu influenţa cea mai
puternică asupra variabilei y.
Specificarea unui model econometric presupune, de asemenea,

alegerea unei funcţii matematice ( f ( x)) cu ajutorul căreia poate fi descrisă
legătura dintre cele variabile. În cazul unui model unifactorial, procedeul cel
mai des folosit îl constituie reprezentarea grafică a celor două şiruri de
valori cu ajutorul corelogramei – vezi figura 2.1.1.
ccf
79400
77300
75200
73100
71000
68900
66800
64700
62600
60500
58400
56300
54200
52100
50000 innoptari
1650 1910 2170 2430 2690 2950 3210 3470 3730 3990 4250 4510 4770 5030 5290
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Figura 2.1.1 Legătura dintre capacitatea de cazare turistică în funcţiune

(mii locuri-zile) şi numărul de înnoptări în structurile de primire turistică cu funcţiuni
de cazare turistică (mii) în România
Din grafic se poate observa că distribuţia punctelor empirice (xt , y t )

poate fi aproximată cu o dreaptă. Ca atare, modelul econometric care descrie
legătura dintre cele două variabile se transformă într-un model liniar
unifactorial y = a + bx + u , a şi b reprezentând parametrii modelului, b ≥ 0 ,
panta dreptei fiind pozitivă deoarece legătura dintre cele două variabile este
liniară.
b) Deoarece parametrii modelului sunt necunoscuţi, valorile acestora

se pot estima cu ajutorul mai multor metode, în mod curent fiind folosită
însă metoda celor mai mici pătrate (M.C.M.M.P.). Utilizarea acestei metode
porneşte de la următoarea relaţie:
y t = a + bxt + u t ; t = 1, n
yˆ t = aˆ + bˆxt
unde:
ŷ t = valorile teoretice ale variabilei y obţinute numai în funcţie de valorile
factorului esenţial x şi de valorile estimatorilor parametrilor a şi b,
respectiv a$ şi b$ ;
( )
u t = y t − yˆ t = (a − aˆ ) + b − bˆ xt = estimaţiile valorilor variabilei reziduale.
În mod concret, M.C.M.M.P. constă în a minimiza funcţia:
( ) ( )
14 14
F aˆ , bˆ = min ∑ ( y t − yˆ t ) = min ∑ y t − aˆ − bˆxt
2 2
t =1 t =1
Condiţia de minim a acestei funcţii rezultă din:

F ′(aˆ ) = 0 ⇒ naˆ + bˆ x = ∑y t ∑ t
()
F ′ bˆ = 0 ⇒ aˆ ∑ xt + bˆ∑ xt2 = ∑ y t xt
Tabelul 2.1.2
yt
Nr. (mii xt xt2 xt y t
yˆ t = 35030 ,912 +
( x t − x )2 u t = y t − yˆ t u t2
crt. locuri- + 0 ,8694 x t
(mii)
zile)
0 1 2 3 4 5 6 7 8
1 79458 53377 2849104129 4241229666 81436,2 767377059,6 -1978,2 3913120,5
2 77022 44552 1984880704 3431484144 73763,8 356324948,9 3258,2 10615710,2
3 64124 31927 1019333329 2047286948 62787,8 39082145,3 1336,2 1785381,8
4 55870 26076 679957776 1456866120 57701,0 160457,5 -1831,0 3352697,0
5 57434 24769 613503361 1422582746 56564,7 821612,8 869,3 755597,6
6 53255 23296 542703616 1240628480 55284,1 5661680,3 -2029,1 4117418,8
7 53540 24111 581340321 1290902940 55992,7 2447436,8 -2452,7 6015700,3
8 53639 21838 476898244 1171368482 54016,6 14725858,0 -377,6 142564,2
yt
Nr. (mii xt xt2 xt y t
yˆ t = 35030 ,912 +
( x t − x )2 u t = y t − yˆ t u t2
crt. locuri- + 0 ,8694 x t
(mii)
zile)
0 1 2 3 4 5 6 7 8
9 52027 19611 384591321 1020301497 52080,5 36777293,9 -53,5 2857,2
10 53164 19183 367987489 1019845012 51708,4 42151628,8 1455,6 2118901,6
11 51275 17670 312228900 906029250 50393,0 64086886,6 882,0 777971,0
12 50197 17647 311416609 885826459 50373,0 64455665,3 -176,0 30968,1
13 51182 18122 328406884 927520204 50785,9 57054283,2 396,1 156866,6
14 50752 17277 298494729 876842304 50051,3 70533602,5 700,7 490974,3
Total 802939 359456 10750847412 21938714252 802939,0 1521660559,4 0,0 34276729,4
Tabelul 2.1.2
(continuare)
yt − y ( y t − y ) xt − x û t uˆ t (xt − x ) u t −1 (u t − u t −1 ) u t u t −1 (xt − x)( yt − y)
2 2
9 10 11 12 13 14 15 16 17
22105,2 488640498,6 27701,6 -1978,2 -54798165,4 - - - 612349172,5
19669,2 386877990,6 18876,6 3258,2 61503190,2 -1978,2 27419223,1 -6445196,2 371287328,4
6771,2 45849342,9 6251,6 1336,2 8353236,1 3258,2 3694061,3 4353515,4 42330729,8
-1482,8 2198653,5 400,6 -1831,0 -733461,2 1336,2 10031276,0 -2446598,5 -593961,6
81,2 6595,8 -906,4 869,3 -787914,1 -1831,0 7291556,9 -1591631,1 -73614,9
-4097,8 16791847,8 -2379,4 -2029,1 4828199,4 869,3 8400685,0 -1763834,3 9750388,4
-3812,8 14537334,9 -1564,4 -2452,7 3837062,2 -2029,1 179394,7 4976862,2 5964830,9
-3713,8 13792204,3 -3837,4 -377,6 1448923,7 -2452,7 4306105,4 926079,6 14251387,4
-5325,8 28363993,5 -6064,4 -53,5 324160,3 -377,6 105056,3 20182,5 32297847,1
-4188,8 17545925,8 -6492,4 1455,6 -9450669,4 -53,5 2277375,2 -77808,2 27195392,1
-6077,8 36939479,2 -8005,4 882,0 -7061001,5 1455,6 329037,7 1283917,5 48655279,4
-7155,8 51205269,2 -8028,4 -176,0 1412822,3 882,0 1119372,7 -155216,8 57449714,5
-6170,8 38078596,3 -7553,4 396,1 -2991640,5 -176,0 327231,3 -69698,3 46610589,1
-6600,8 43570372,0 -8398,4 700,7 -5884742,0 396,1 92800,5 277520,2 55436227,3
0,0 1184398104,4 0,0 0,0 0,0 -1978,2 65573176,1 -711906,1 1322911310,3

Estimarea parametrului b$ :
∑y
n t 14 802939
bˆ =
∑x ∑ y x t t t
=
359456 42689917,9
=
307141999528 − 288621241184
n ∑x t
14 359456 150511863768 −129208615936
∑x ∑x t
2
t
359456 10750847412
18520758344
bˆ = = 0,8694
2130347832
(vezi calcule tabelul 2.1.2., coloanele 1, 2, 3, 4)
Estimarea parametrului a$ :
1 ∑x = ∑y
∑x =∑y
t t
naˆ + bˆ t t ⋅ ⇔ aˆ + bˆ ⇔ aˆ = y − bˆx
n n n
x=
∑x t 359456
=
⎫
= 25675,4⎪
n 14 ⎪
⎬ ⇒ aˆ = 57352,8 − 0,8694 ⋅ 25675,4 = 35030,912
y=
∑ yt 802939
=
⎪
= 57352,8⎪
n 14 ⎭
Dispunând de estimaţiile parametrilor se pot calcula valorile

teoretice (estimate) ale variabilei endogene, ŷ t , cu ajutorul relaţiei:
yˆ t = 35030,912 + 0,8694 x t (vezi tabelul 2.1.2., coloana 5)
Valorile variabilei reziduale vor rezulta din următoarea relaţie:
uˆ t = y t − yˆ t (vezi tabelul 2.1.2., coloana 7)
Pe baza acestor valori se pot calcula abaterea medie pătratică a
variabilei reziduale s uˆ şi abaterile medii pătratice ale celor doi estimatori,
s aˆ şi s bˆ :
∑ (y − yˆ t )
2
34276729,3646
t
s 2
uˆ = = 2856394,1137 =
n−k 14 − 2
(vezi tabelul 2.1.2., coloana 8)
unde:
k = numărul parametrilor;
s uˆ = 2856394,1137 = 1690,087
⎡ ⎤ ⎡ ⎤
1 x2 ⎥ = 2856394,1137 ⋅ ⎢ 1 + 25675,4
2
s a2ˆ = s u2ˆ ⎢ + ⎥
⎢n
⎣ ∑ (x t − x ) ⎦
2 ⎥
⎢⎣14 1521660559,4 ⎥⎦
s a2ˆ = 1441501,1977
(vezi tabelul 2.1.2., coloana 6)
s aˆ = 1441501,1977 = 1200,6253
1 2856394,1137
s b2ˆ = s u2ˆ = = 0,0019
(
∑ tx − x ) 2
1521660559, 4
s bˆ = 0,0019 = 0,0433
În urma acestor calcule, modelul econometric se poate scrie:

yˆ t = 35030,912 + 0,8694 xt ; s uˆ = 1690,087
(1200,6253) (0,0433)
c) Estimatorii obţinuţi cu ajutorul M.C.M.M.P. sunt estimatori de
maximă verosimilitate dacă pot fi acceptate următoarele ipoteze:
c1) Variabilele observate nu sunt afectate de erori de măsură.
Această condiţie se poate verifica cu regula celor trei sigma, regulă
care constă în verificarea următoarelor relaţii:
xt ∈ ( x ± 3σ x )
y t ∈ ( y ± 3σ y )
Pe baza datelor din tabelul 2.1.2., coloanele 6, 10, se obţin:
∑ (x − x)
2
1521660559,4
σx = t
= = 108690039,9592 = 10425,4515
n 14
σy =
∑ (y t − y )2
=
1184398104,4
= 84599864,5969 = 9197,8185
n 14
x t ∈ (x ± 3σ x ) ⇔ x − 3σ x < x t < x + 3σ x ⇔
⇔ 25675 , 4 − 3 ⋅ 10425 , 4515 < x t < 25675 , 4 + 3 ⋅ 10425 , 4515
⇒ xt ∈ (− 5600,9261; 56951,7832)
( )
y t ∈ y ± 3σ y ⇔ y − 3σ y < y t < y + 3σ y ⇔
⇔ 57352,8 − 3 ⋅ 9197,8185 < y t < 57352,8 + 3 ⋅ 9197,8185
⇒ y t ∈ (29759 ,3303; 84946 ,2411 )
Deoarece valorile acestor variabile aparţin intervalelor

xt ∈ (− 5600,9261; 56951,7832) şi y t ∈ (29759 ,3303; 84946 ,2411 ) , ipoteza de
mai sus poate fi acceptată fără rezerve.
c2) Variabila aleatoare (reziduală) u este de medie nulă M (uˆ ) = 0 ,
iar dispersia ei, sû2 , este constantă şi independentă de X - ipoteza de
homoscedasticitate, pe baza căreia se poate admite că legătura dintre Y şi X
este relativ stabilă.
Acceptarea ipotezei se poate face prin intermediul mai multor
procedee:
c2.1) Procedeul grafic - care constă în construirea corelogramei
privind valorile variabilei factoriale x şi ale variabilei reziduale u (vezi
Figura 2.1.2).
u
4000
3000
2000
1000
x
0
16500 19100 21700 24300 26900 29500 32100 34700 37300 39900 42500 45100 47700 50300 52900
-1000
-2000
-3000
Figura 2.1.2
Deoarece graficul punctelor empirice prezintă o distribuţie oscilantă,

se poate accepta ipoteza că cele două variabile sunt independente şi nu
corelate.
c2.2.) Acceptarea sau respingerea ipotezei de homoscedasticitate cu
ajutorul analizei variaţiei (vezi punctul d)).
c3) Valorile variabilei reziduale (û t ) sunt independente, respectiv nu
există fenomenul de autocorelare.
Acceptarea sau respingerea acestei condiţii se poate face cu:
c3.1.) Procedeul grafic - corelograma între valorile variabilei
dependente ( y t ) şi valorile variabilei reziduale (û t ) (vezi Figura 2.1.3).
u
3000
2000
1000
y
0
50000 52100 54200 56300 58400 60500 62600 64700 66800 68900 71000 73100 75200 77300 79400
-1000
-2000
-3000
Figura 2.1.3
Ca şi în cazul graficului precedent, distribuţia punctelor empirice

fiind oscilantă, se poate accepta ipoteza de independenţă a erorilor.
c3.2.) Testul Durbin-Watson constă în calcularea termenului empiric:
∑ (uˆ t − uˆ t −1 )
2
d= t =2
n
∑ uˆ
t =1
2
t
şi compararea acestei mărimi „ d ” cu două valori teoretice, d 1 şi d 2 ,

preluate din tabela Durbin-Watson (vezi Anexa 3) în funcţie de un prag de
semnificaţie α , arbitrar ales, de numărul variabilelor exogene ( k ) şi de
valorile observate ( n, n ≥ 15) .
Acceptarea sau respingerea ipotezei de independenţă a erorilor se
bazează pe o anumită regulă, care constă în:
- dacă 0 < d < d 1 ⇒ autocorelare pozitivă;
- dacă d 1 ≤ d ≤ d 2 ⇒ indecizie, recomandându-se acceptarea

autocorelării pozitive;
- dacă d 2 < d < 4 − d 2 ⇒ erorile sunt independente;
- dacă 4 − d 2 ≤ d ≤ 4 − d 1 ⇒ indecizie, recomandându-se acceptarea
autocorelării negative;
- dacă 4 − d 1 < d < 4 ⇒ autocorelare negativă.
Pe baza datelor problemei, valoarea empirică a variabilei
Durbin-Watson este:
14
∑ (uˆ t − uˆ t −1 )
2
65573176,1
d= t =2
14
= = 1,91
34276729,3646
∑ uˆ
t =1
2
t
Lucrând cu un prag de semnificaţie α = 0,05 , numărul variabilelor

exogene fiind k = 1, iar numărul observaţiilor n = 14 , din tabela distribuţiei
Durbin-Watson se citesc valorile (pentru cazul n = 15 ) d1 = 1,08 şi
d 2 = 1,36 .
Deoarece d 2 = 1,36 < d = 1,91 < 4 − d 2 = 2,64 , se poate accepta
ipoteza de independenţă a valorilor variabilei reziduale.
c3.3.) Coeficientul de autocorelaţie de ordinul 1
n
∑ uˆ uˆ
t =2
t t −1
r1 = n −1
∑ uˆ
t =1
2
t
Se poate demonstra că între coeficientul de autocorelaţie de ordinul

1 şi variabila Durbin-Watson există relaţia:
d
d = 2(1 − r1 ) ⇒ r1 = 1 −
2
Ştiind că:
⎧− 1⇒ autocorelare strict negativa ⎧4
⎪ ↑ ⇒ indecizie ⎪↑
⎪⎪ ⎪⎪
r1 = ⎨ 0 ⇒ independenta ⇒ d = ⎨2
⎪ ↓ ⇒ indecizie ⎪↓
⎪ ⎪
⎪⎩ 1 ⇒ autocorelare strict pozitiva ⎪⎩ 0
Calculul coeficientului de autocorelaţie de ordinul 1:

14
∑ uˆ uˆ
t =2
t t −1
− 711906,1
r1 = 13
= = −0,021
33785755,1
∑ uˆ
t =1
2
t
Deoarece r1 = −0,021 → 0 , şi acest indicator arată că ipoteza de

independenţă a valorilor variabilei reziduale poate fi acceptată.
c4) Verificarea ipotezei de normalitate a valorilor variabilei reziduale
Se ştie că, dacă erorile urmează legea normală de medie zero şi de
abatere medie pătratică su$ (consecinţa ipotezelor c1, c2, c3), atunci are loc
relaţia:
P ( uˆ t ≤ tα s û ) = 1 − α
Pe baza acestei relaţii, în funcţie de diferite praguri de semnificaţie
α , din tabela distribuţiei normale se vor prelua valorile corespunzătoare ale
lui tα .
Lucrând cu un prag de semnificaţie α = 0,05 , din tabela distribuţiei
Student ( n < 30) se preia valoarea variabilei, cu un număr de grade de
libertate v = n − 2 = 14 − 2 = 12, t0, 05;12 = 2,179 , iar pentru un prag de
semnificaţie α = 0,01 , avem t 0,01;12 = 3,055 . Cu ajutorul acestor date,
verificarea ipotezei de normalitate se poate face pe baza următorului grafic
(Figura 2.1.4.): pe axa Ox se vor reprezenta valorile ajustate ale variabilei y,
ŷt (vezi tabelul 2.1.2, coloana 5), iar pe axa Oy se vor trece valorile
variabilei reziduale ut (vezi tabelul 2.1.2, coloana 7).
Se observă că valorile empirice ale variabilei reziduale se înscriu în

banda construită, cu un prag de semnificaţie α = 0,05 . Ca atare, ipoteza de
normalitate a variabilei reziduale poate fi acceptată cu acest prag de
semnificaţie.
ut + t 0, 05 ⋅ s uˆ
3300
2300
1300
300 ŷt
50000 52500 55000 57500 60000 62500 65000 67500 70000 72500 75000 77500 80000
-700
-1700
-2700
− t 0, 05 ⋅ s uˆ
-3700
Figura 2.1.4
d) Verificarea semnificaţiei estimatorilor şi a verosimilităţii

modelului
d1) Verificarea semnificaţiei estimatorilor
Estimatorii sunt semnificativ diferiţi de zero, cu un prag de
semnificaţie α , dacă se verifică următoarele relaţii:
aˆ bˆ
taˆ = > tα ; v ; tbˆ = > tα ;v
saˆ sbˆ
Ştiind că (vezi punctul b) al problemei)

aˆ = 35030,912; s aˆ = 1200,6253 şi bˆ = 0,8694; sbˆ = 0,0433 şi, lucrând cu un
prag de semnificaţie α = 0,05 , din tabela distribuţiei Student se preia
valoarea t0, 05;12 = 2,179 .
aˆ 35030,912
taˆ = = = 29,1772 > t0,05;12 = 2,179
saˆ 1200,6253
bˆ 0,8694;
tbˆ = = = 20,0661 > t0,05;12 = 2,179
sbˆ 0,0433
Pe baza calculelor de mai sus se observă faptul că ambii estimatori

sunt semnificativ diferiţi de zero, cu un prag de semnificaţie α = 0,05 .
d2) Verificarea verosimilităţii modelului
Pentru a accepta ipoteza de liniaritate se calculează coeficientul de
corelaţie liniară:
ry / x =
cov( y, x )
=
∑ (y t − y )( xt − x )
=
1322911310,3
= 0,9854
σx σy n σ xσ y 14 ⋅ 10425,4515 ⋅ 9197,8185
Coeficientul de corelaţie liniară fiind definit în intervalul [ −1;1] ,

rezultă că valoarea obţinută de 0,985 indică o puternică corelaţie liniară între
cele două variabile.
Verificarea verosimilităţii modelului se face cu ajutorul analizei
dispersionale (analiza variaţiei).
Tabelul 2.1.3
Sursa de Măsura Nr. gradelor Dispersii Valoarea testului “F”
variaţie variaţiei de libertate corectate Fc Fα ;v1 ;v2
14 Vx2 s Y2 / X
Varianţa
Vx2 = ∑ ( yˆ t − y ) sY2 / X = Fc =
2
dintre
k −1=1 k −1 s u2ˆ F0,05;1;12 = 4,76
t =1 = 1150121375
grupe = 402,648 F0, 01;1;12 = 9,33
= 1150121375
14
Vu2 = ∑ ( yt − yˆ t ) V u2
2
Varianţa s u2ˆ =
t =1 n − k = 12 n−k - -
reziduală
= 34276729,4 = 2856394 ,1
14
V02 = ∑ ( yt − y )
2
Varianţa n − 1 = 13 - - -
totală t =1
= 1184398104,4
Testul Fisher-Snedecor indică faptul că rezultatele obţinute sunt

semnificative pentru un prag de semnificaţie de 5%:
Fc = 402,648 > F0,05;1;12 = 4,76 .
Pe baza datelor din tabelul de mai sus se poate calcula raportul de
corelaţie dintre cele două variabile:
V x2 Vu2 1150121374,9925
Ry / x = 2
= 1− 2 = = 0,9854 ≈ 0,985
V0 V0 1184398104,3571
Se poate demonstra că, în cazul unei legături liniare, raportul de

corelaţie este egal cu coeficientul de corelaţie liniară:
cov( y, x ) σ
ry / x = = bˆ ⋅ x = R y / x
σ xσ y σy
Verificarea semnificaţiei raportului de corelaţie şi, implicit, a
coeficientului de corelaţie liniară se face cu ajutorul testului Fisher-
Snedecor:
R2
Fc = (n − 2) , R fiind semnificativ dacă Fc ≥ Fα ;v1 ;v2 .
1 − R2
0,9711
Fc = 12 ⋅ = 12 ⋅ 33,554 = 402,648 > F0,05;1;12 = 4,76
0,0289
Deoarece raportul de corelaţie este semnificativ diferit de zero, cu un
prag de semnificaţie α = 0,05 , rezultă modelul econometric:
yˆt = 35030,912 + 0,8694 xt ; R = 0,985

(1200,6253) (0,0433) d = 1,91
suˆ = 1690,087
care descrie corect dependenţa dintre cele două variabile, acesta explicând
97,11% din variaţia totală a variabilei dependente, adică variaţia capacităţii
de cazare în funcţiune se datorează în proporţie de 97,11% numărului de
înnoptări.
V x2 Vu2
V02 = V x2 + Vu2 ⇒ 100 = ⋅100 + ⋅100
V02 V02
e) Dacă numărul înnoptărilor va fi egal cu 17100 mii (xt′ = 17100) ,

capacitatea de cazare turistică în funcţiune va fi egală cu:
Y/ x=17100 = aˆ + bˆxt′ = 35030,912 + 0,8694⋅17100 = 49897,4230 mii locuri-zile
Pe baza ipotezei formulate la punctele precedente, capacitatea de
cazare turistică în funcţiune y urmează o distribuţie normală (sau distribuţia
Student, dacă n ≤ 30 ), de medie Y şi de abatere medie pătratică sY ,
L( y) = N (Y , sY ) .
Pentru xt′ = 17100 ⇒ Yt = 49897,4230
⎛ 1 (xt′ − x )2 ⎞⎟
sY / x =17100 = s u2ˆ ⎜1 + +
⎜
⎝
n ∑ (xt − x )2 ⎟⎠
⎛ 1 (17100 − 25675,4) ⎞
2
sY / x =17100 = 2856394,1137 ⋅ ⎜1 + + ⎟ = 1788,4251
⎜ 14 1521660559,4 ⎟
⎝ ⎠
Estimarea capacităţii de cazare în funcţiune, care se poate obţine

dacă numărul înnoptărilor va fi egal cu 17100 mii, pe baza unui interval de
încredere, se calculează cu relaţia:
P(Y/ x =17100 − tα sY / x =17100 ≤ y / x =17100 ≤ Y/ x =17100 + tα sY / x =17100 ) = 1 − α
Pentru α = 0,05 şi v = n − k = 12 , din tabela distribuţiei Student se

preia valoarea variabilei tα ;v = t 0, 05;12 = 2,179 .
Deci, cu un prag de semnificaţie de 0,05 sau cu o probabilitate egală
cu 0,95, capacitatea de cazare turistică în funcţiune va fi cuprinsă în
intervalul:
P(Y/ x =17100 ∈ [49897,4230 ± 2,179 ⋅ 1788,4251]) = 1 − 0,05 = 0,95

P(Y/ x =17100 ∈ [46000,4446;54794,4014]) = 0,95
2.1.2 Model liniar unifactorial cu erori heteroscedastice
Se cunosc următoarele date1 privind privind venitul mediu şi

cheltuielile medii efectuate de un eşantion 30 de familii cu procurarea
mărfurilor alimentare:
Tabelul 2.2.1
Cheltuieli medii cu procurarea
Nr. Venitul mediu
mărfurilor alimentare
crt. (u.m./familie)
(u.m./familie)
0 1 2
1 55 80
2 65 100
3 70 85
4 80 110
5 79 120
6 84 115
7 98 130
8 95 140
9 90 125
1
Datele problemei şi o parte din testele utilizate sunt reproduse din D. N. Gujarati, Basic
Econometrics, Third Edition, McGraw-Hill, Inc., 1995, p. 369-380.
Cheltuieli medii cu procurarea

Nr. Venitul mediu
mărfurilor alimentare
crt. (u.m./familie)
(u.m./familie)
0 1 2
10 75 90
11 74 105
12 110 160
13 113 150
14 125 165
15 108 145
16 115 180
17 140 225
18 120 200
19 145 240
20 130 185
21 152 220
22 144 210
23 175 245
24 180 260
25 135 190
26 140 205
27 178 265
28 191 270
29 137 230
30 189 250
Se cere:
a) Specificarea, identificarea şi estimarea parametrilor modelului
econometric ce descrie legătura dintre cele două variabile;
b) Verificarea ipotezelor de fundamentare a metodei celor mai mici
pătrate (M.C.M.M.P.) şi a verosimilităţii modelului.
Rezolvare:
a) Analiza variabilelor aferente problemei conduce la specificarea

acestora:
- venitul mediu reprezintă variabila explicativă sau exogenă (x) a
modelului, în timp ce cheltuielile pentru procurarea mărfurilor alimentare
constituie variabila endogenă (y) a modelului;
- variabila endogenă, cheltuieli pentru mărfuri alimentare, depinde şi
de alţi factori - numărul membrilor de familie, categoria socio-profesională
a familiei, etc. - dar aceştia sunt consideraţi factori cu acţiune întâmplătoare

şi specificaţi cu ajutorul variabilei aleatoare (u).
Pe baza acestor premise, datele problemei pot fi analizate cu ajutorul
următorului model:
y = f ( x) + u
Identificarea modelului presupune alegerea unei funcţii matematice
care să descrie corelaţia dintre cele două variabile. În cazul unui model
unifactorial (cum este cel specificat mai sus), procedeul cel mai des folosit îl
constituie reprezentarea grafică a datelor, respectiv corelograma (vezi figura
2.2.1).
190
170
150
130
110
90
70
x
50
70 90 110 130 150 170 190 210 230 250 270
Figura 2.2.1 Legătura dintre cheltuielile medii cu procurarea

mărfurilor alimentare şi venitul mediu
Deoarece graficul punctelor empirice arată că acestea pot fi

aproximate cu ajutorul unei drepte f ( x) = a + bx , modelul econometric
devine: y i = a + bxi + ui ; i = 1, n, n = 30.
Următoarea operaţie constă în estimarea parametrilor modelului, a şi
b, cu ajutorul estimatorilor a$ şi b$ . În acest scop se va utiliza metoda celor
mai mici pătrate (M.C.M.M.P.).
( ) ( )
30 30
F aˆ , bˆ = min ∑ ( yi − yˆ i ) = min ∑ yi − aˆ − bˆxi
2 2
i =1 i =1
F ′( a$ ) = 0 ⇒ na$ + b$ ∑ xi = ∑ y i
()
F ′ b$ = 0 ⇒ a$ ∑ xi + b$ ∑ xi2 = ∑ y i xi
Tabelul 2.2.2
Nr.
crt.
yi xi ui u2
i xi − x ui ( xi − x ) yi ↑ xi ↑ ln u i2 ln xi
0 1 2 3 4 5 6 7 8 9 10
1 55 80 -5,3131 28,2287 -93,17 495,00 55 80 3,3403 4,3820
2 65 100 -8,0688 65,1049 -73,17 590,36 70 85 4,1760 4,6052
3 70 85 6,4980 42,2241 -88,17 -572,91 75 90 3,7430 4,4427
4 80 110 0,5534 0,3062 -63,17 -34,96 65 100 -1,1834 4,7005
5 79 120 -6,8245 46,5732 -53,17 362,83 74 105 3,8410 4,7875
6 84 115 1,3645 1,8618 -58,17 -79,37 80 110 0,6215 4,7449
7 98 130 5,7977 33,6133 -43,17 -250,27 84 115 3,5149 4,8675
8 95 140 -3,5801 12,8174 -33,17 118,74 79 120 2,5508 4,9416
9 90 125 0,9866 0,9734 -48,17 -47,52 90 125 -0,0269 4,8283
10 75 90 8,3091 69,0408 -83,17 -691,04 98 130 4,2347 4,4998
11 74 105 -2,2577 5,0971 -68,17 153,90 95 140 1,6287 4,6540
12 110 160 -1,3358 1,7845 -13,17 17,59 108 145 0,5791 5,0752
13 113 150 8,0420 64,6739 -23,17 -186,31 113 150 4,1694 5,0106
14 125 165 10,4752 109,7307 -8,17 -85,55 110 160 4,6980 5,1059
15 108 145 6,2309 38,8245 -28,17 -175,50 125 165 3,6591 4,9767
16 115 180 -9,0915 82,6559 6,83 -62,13 115 180 4,4147 5,1930
17 140 225 -12,7918 163,6310 51,83 -663,04 130 185 5,0976 5,4161
18 120 200 -16,8472 283,8288 26,83 -452,07 135 190 5,6484 5,2983
19 145 240 -17,3586 301,3210 66,83 -1160,13 120 200 5,7082 5,4806
20 130 185 2,7195 7,3959 11,83 32,18 140 205 2,0009 5,2204
21 152 220 2,3971 5,7460 46,83 112,26 144 210 1,7485 5,3936
22 144 210 0,7749 0,6005 36,83 28,54 152 220 -0,5100 5,3471
23 175 245 9,4525 89,3493 71,83 679,00 140 225 4,4926 5,5013
24 180 260 4,8857 23,8701 86,83 424,24 137 230 3,1726 5,5607
25 135 190 4,5306 20,5266 16,83 76,27 145 240 3,0217 5,2470
26 140 205 -0,0361 0,0013 31,83 -1,15 175 245 -6,6406 5,3230
27 178 265 -0,3032 0,0919 91,83 -27,85 189 250 -2,3866 5,5797
28 191 270 9,5079 90,3994 96,83 920,68 180 260 4,5042 5,5984
29 137 230 -18,9808 360,2691 56,83 -1078,74 178 265 5,8869 5,4381
30 189 250 20,2636 410,6116 76,83 1556,92 191 270 6,0176 5,5215
Total 3592 5195 0,0000 2361,1533 - 0,00 3592 5195 81,7230 152,7413
Tabelul 2.2.2
(continuare)
yi
θî (θî − θ )2 zi =
2
ui xi 1 xi 1 xi θi =
ui2 î
y′ ui′ ui′2 ⎛⎜ x − x ⎞⎟
⎝ i ⎠
78,7051
xi
11 12 13 14 15 16 17 18 19 20 21 22
5,3131 8,9443 0,0125 0,1118 0,3587 0,0624 0,8790 0,6875 60,829 -5,829 33,973 8680,028
8,0688 10,0000 0,0100 0,1000 0,8272 0,2637 0,5421 0,6500 73,466 -8,466 71,674 5353,361
6,4980 9,2195 0,0118 0,1085 0,5365 0,1128 0,7872 0,8235 63,988 6,012 36,144 7773,361
0,5534 10,4881 0,0091 0,0953 0,0039 0,3643 0,4041 0,7273 79,785 0,215 0,046 3990,028
6,8245 10,9545 0,0083 0,0913 0,5917 0,4650 0,2863 0,6583 86,103 -7,103 50,459 2826,694
1,3645 10,7238 0,0087 0,0933 0,0237 0,4147 0,3426 0,7304 82,944 1,056 1,115 3383,361
5,7977 11,4018 0,0077 0,0877 0,4271 0,5656 0,1887 0,7538 92,422 5,578 31,113 1863,361
3,5801 11,8322 0,0071 0,0845 0,1629 0,6662 0,1114 0,6786 98,741 -3,741 13,994 1100,028
0,9866 11,1803 0,0080 0,0894 0,0124 0,5153 0,2349 0,7200 89,263 0,737 0,543 2320,028
8,3091 9,4868 0,0111 0,1054 0,8772 0,1631 0,7004 0,8333 67,147 7,853 61,664 6916,694
2,2577 10,2470 0,0095 0,0976 0,0648 0,3140 0,4706 0,7048 76,625 -2,625 6,893 4646,694
1,3358 12,6491 0,0063 0,0791 0,0227 0,8675 0,0176 0,6875 111,378 -1,378 1,900 173,361
8,0420 12,2474 0,0067 0,0816 0,8217 0,7669 0,0544 0,7533 105,060 7,940 63,051 536,694
10,4752 12,8452 0,0061 0,0778 1,3942 0,9178 0,0068 0,7576 114,538 10,462 109,462 66,694
6,2309 12,0416 0,0069 0,0830 0,4933 0,7166 0,0803 0,7448 101,900 6,100 37,208 793,361
9,0915 13,4164 0,0056 0,0745 1,0502 1,0688 0,0047 0,6389 124,016 -9,016 81,282 46,694
12,7918 15,0000 0,0044 0,0667 2,0790 1,5216 0,2721 0,6222 152,450 -12,450 154,997 2686,694
16,8472 14,1421 0,0050 0,0707 3,6062 1,2700 0,0729 0,6000 136,653 -16,653 277,323 720,028
17,3586 15,4919 0,0042 0,0645 3,8285 1,6726 0,4523 0,6042 161,928 -16,928 286,551 4466,694
2,7195 13,6015 0,0054 0,0735 0,0940 1,1191 0,0142 0,7027 127,175 2,825 7,981 140,028
2,3971 14,8324 0,0045 0,0674 0,0730 1,4713 0,2221 0,6909 149,290 2,710 7,342 2193,361
0,7749 14,4914 0,0048 0,0690 0,0076 1,3707 0,1374 0,6857 142,972 1,028 1,057 1356,694
9,4525 15,6525 0,0041 0,0639 1,1352 1,7229 0,5225 0,7143 165,087 9,913 98,264 5160,028
4,8857 16,1245 0,0038 0,0620 0,3033 1,8738 0,7636 0,6923 174,565 5,435 29,537 7540,028
4,5306 13,7840 0,0053 0,0725 0,2608 1,1694 0,0287 0,7105 130,334 4,666 21,768 283,361
0,0361 14,3178 0,0049 0,0698 0,0000 1,3203 0,1026 0,6829 139,812 0,188 0,035 1013,361
0,3032 16,2788 0,0038 0,0614 0,0012 1,9241 0,8540 0,6717 177,725 0,275 0,076 8433,361
9,5079 16,4317 0,0037 0,0609 1,1486 1,9745 0,9496 0,7074 180,884 10,116 102,335 9376,694
18,9808 15,1658 0,0043 0,0659 4,5775 1,5719 0,3271 0,5957 155,609 -18,609 346,300 3230,028
20,2636 15,8114 0,0040 0,0632 5,2171 1,7732 0,5978 0,7560 168,247 20,753 430,707 5903,361
205,5785 388,8038 0,1975 2,3926 30,0000 30,0000 10,4280 20,9862 3590,936 1,064 2364,793 102974,167
Rezolvarea modelului s-a realizat cu ajutorul pachetului de programe

EViews, conducând la afişarea următoarelor rezultate:
Dependent Variable: yi
Method: Least Squares
Sample: 1 30
Included observations: 30
Semnif. Semnif. Semnif.
Variable Coefficient Std. Error t-Statistic Prob.
ind. ind. ind.
C 9,2903 â 5,2314 saˆ 1,7759 taˆ 0,0866 p(aˆ)
xi 0,6378 b̂ 0,0286 sbˆ 22,2872 tbˆ ()

0,0000 p bˆ
Mean dependent
R-squared 0,9466 R2 119,7333 y
var
Adjusted R- S.D. dependent
0,9447 Rc2 39,0613 sy
squared var
S.E. of Akaike info
9,1830 suˆ 7,3369 AIC
regression criterion
Sum
∑ ( y − yˆ )
2
i i =
squared 2361,1530 = uˆ Schwarz criterion 7,4303 SC
∑ 2
i
resid
Log
-108,0538 L F-statistic 496,7183 Fc
likelihood
Durbin-
1,7023 d Prob(F-statistic) 0,0000 p(F)
Watson stat
Semnificaţia indicatorilor necunoscuţi pe care-i calculează pachetul

de programe EViews este următoarea:
()
p (aˆ ), p bˆ = probabilitatea asociată parametrului â, respectiv b̂ . O
valoare cât mai apropiată de zero a acestei probabilităţi va indica o
semnificaţie ridicată a parametrului respectiv, în caz contrar, aceasta
confirmând, împreună cu testul t, faptul că parametrul respectiv este
nesemnificativ.
Rc2 = coeficientul de deteminare corectat sau ajustat. Acesta este
utilizat în vederea evidenţierii numărului de variabile factoriale cuprinse în
model, precum şi a numărului de observaţii pe baza cărora au fost estimaţi

parametrii modelului. În cazul unui model multifactorial acesta va înregistra
valori inferioare coeficientului de deteminaţie. Expresia acestui indicator
este următoarea:
n −1
Rc2 =1 −
n−k
⋅ 1 − R2 ( )
L= logaritmul funcţiei de verosimilitate (presupunând că erorile sunt
normal distribuite), funcţie ce este determinată ţinând seama de valorile
estimate ale parametrilor. Relaţia de calcul a acestui indicator, utilizată de
către pachetul de programe EViews, este următoarea:
n ⎛⎜ ⎛ ∑ uˆ t2 ⎞⎞
L = 1 + ln(2π ) + ln⎜ ⎟⎟
2 ⎜⎝ ⎜ n ⎟⎟
⎝ ⎠⎠
unde:
∑ uˆt2 = suma pătratelor erorilor;
k = numărul variabilelor exogene;
n = numărul de observaţii.
Acest indicator este utilizat în vederea elaborării unor teste statistice
destinate depistării variabilelor omise dintr-un model econometric, precum
şi a unor teste destinate depistării variabilelor redundante dintr-un model
econometric, ca, de exemplu, testul LR sau raportul verosimilităţilor
(Likelihood Ratio).
y = media variabilei dependente sau endogene, având următoarea
relaţie de calcul:
n
∑y i
y= i =1
n
s y = abaterea medie pătratică (standard) corespunzătoare variabilei
dependente, a cărei relaţie de calcul este următoarea:
∑ (y )
n
2
i −y
sy = i =1
n −1
AIC = criteriul Akaike este utilizat în cazul comparării a două sau

mai multe modele econometrice. Relaţia de calcul a acestuia, utilizată de
2 L 2k
AIC = − +
n n
Regula de decizie utilizată în cazul aplicării acestui test este aceea
potrivit căreia este ales acel model econometric pentru care s-a obţinut
valoarea cea mai mică corespunzătoare acestui indicator.
SC = criteriul Schwartz este, de asemenea, utilizat pentru a compara
două sau mai multe modele econometrice. Relaţia de calcul a acestuia,
utilizată de către pachetul de programe EViews, este următoarea:
2 L k ln n
SC = − +
n n
Şi în acest caz, este ales acel model econometric pentru care s-a
obţinut valoarea cea mai mică corespunzătoare acestui indicator.
p(F) = probabilitatea asociată statisticii F. O valoare cât mai
apropiată de zero a acestei probabilităţi va indica o semnificaţie ridicată a
rezultatelor estimării, respectiv a modelului.
Pe baza estimatorilor parametrilor au fost calculate valorile estimate
ale variabilei y, yˆ i = 9,2903 + 0,6378 xi şi ale variabilei reziduale,
uˆ i = y i − yˆ i . Valorile acestora sunt prezentate în cadrul tabelului 2.2.3
(utilizând pachetul de programe EViews):
Tabelul 2.2.3
Actual Fitted Residual Residual Plot
yi ŷ i uî = yi − yˆ i (graficul reziduurilor)
55 60,3131 -5,3131 | .* | . |
65 73,0688 -8,0688 | * | . |
70 63,5020 6,4980 | . | *. |
80 79,4466 0,5534 | . * . |
79 85,8245 -6,8245 | .* | . |
84 82,6355 1,3645 | . |* . |
98 92,2023 5,7977 | . | *. |
95 98,5801 -3,5801 | . *| . |
90 89,0134 0,9866 | . |* . |
75 66,6909 8,3091 | . | * |

yi ŷ i uî = yi − yˆ i (graficul reziduurilor)
74 76,2577 -2,2577 | . *| . |
110 111,3358 -1,3358 | . *| . |
113 104,9580 8,0420 | . | * |
125 114,5248 10,4752 | . | .* |
108 101,7691 6,2309 | . | *. |
115 124,0915 -9,0915 | * | . |
140 152,7918 -12,7918 | * . | . |
120 136,8472 -16,8472 | * . | . |
145 162,3586 -17,3586 | * . | . |
130 127,2805 2,7195 | . |* . |
152 149,6029 2,3971 | . |* . |
144 143,2251 0,7749 | . * . |
175 165,5475 9,4525 | . | .* |
180 175,1143 4,8857 | . | *. |
135 130,4694 4,5306 | . | *. |
140 140,0361 -0,0361 | . * . |
178 178,3032 -0,3032 | . * . |
191 181,4921 9,5079 | . | .* |
137 155,9808 -18,9808 |* . | . |
189 168,7364 20,2636 | . | . *|
- dispersia variabilei reziduale

(y − yî )
=∑
2
2361,153
su2 i
= = 84,3269
n − k −1 30 − 1 − 1
unde: k = numărul variabilelor exogene.

(vezi tabelul afişat de programul EViews)
- abaterea medie pătratică a variabilei reziduale:
∑(y − yˆ i )
2
suˆ = i
= 84,3269 = 9,183
n − k −1
- abaterile medii pătratice ale celor doi estimatori:
⎡1 x2 ⎤
saˆ = su2ˆ ⎢ + 2⎥
= 5,2314
⎢⎣ n ∑ ( xi − x ) ⎥⎦
su2ˆ
sbˆ = = 0,0286
∑ (xi − x )
2
- raportul de corelaţie:
30 30
∑( y − yˆ )
i =1
i i
2
∑( y − yˆ )
i =1
i i
2
2361,153
R = R2 = 1 − = 1− = 1− = 0,9466 = 0,973
(n − 1)
∑ (y − y )
30
2 s 2y ⋅ 39,06132 ⋅ 29
i
i =1
- variabila Durbin-Watson, d:
30
∑ (uˆ i − uˆ i −1 )
2
d= i =2
30
= 1,70
∑ uˆ
i =1
2
i
Astfel modelul estimat devine:
yî = 9,2903 + 0,6378 xi ; R = 0,973

(5,2314) (0,0286) d = 1,70
suˆ = 9,183
b) Verificarea ipotezelor de fundamentare a metodei celor mai mici

pătrate (M.C.M.M.P) şi a verosimilităţii modelului.
b1) Prima ipoteză, referitoare la calitatea datelor înregistrate se
consideră rezolvată în etapa de prelucrare a datelor observate statistic.
b2) Ipoteza de homoscedasticitate, M ( u$ i ) = 0, σ 2u$i = ct , ( ∀)i = 1, n va
fi verificată cu ajutorul următoarelor metode şi teste:
b2.1) Procedeul grafic - care constă în construirea corelogramei
privind valorile variabilei factoriale x şi ale variabilei reziduale u (vezi
Figura 2.2.2).
u
20
15
10
0 x
70 90 110 130 150 170 190 210 230 250 270
-5
-10
-15
-20
Figura 2.2.2
Deoarece graficul punctelor empirice prezintă o distribuţie oscilantă,

se poate accepta ipoteza că cele două variabile sunt independente şi nu
corelate.
b2.2) Metoda analizei dispersionale (variaţiei)

Cele două restricţii corespunzătoare ipotezei, menţionate anterior, se
realizează dacă variabila reziduală u şi variabila explicativă x sunt
independente. Pe această premisă se fundamentează utilizarea metodei
analizei variaţiei la acceptarea sau respingerea ipotezei de
homoscedasticitate.
Metoda analizei variaţiei porneşte de la relaţia:
n n n n n
∑( yi − y)2 = ∑[( yî − y) + ( yi − yî )]2 = ∑( yî − y)2 + ∑( yi − yî )2 + 2∑( yî − y)( yi − yî )
i =1 i =1 i =1 i =1 i =1
Deoarece V = V + V , adică variaţia totală a variabilei y

0
2
x
2
u
2
⎛ 2 n
2⎞
⎜V0 = ∑ ( y i − y ) ⎟ este egală cu variaţia lui y generată de influenţa
⎝ i =1 ⎠
⎛ n
2⎞
variabilei x ⎜Vx2 = ∑ ( yˆ i − y ) ⎟ la care se adaugă variaţia lui y provocată de
⎝ i =1 ⎠
⎛ 2 n
2⎞
factori aleatori ⎜Vu = ∑ ( yi − yî ) ⎟ , rezultă că termenul
⎝ i =1 ⎠
n
2∑ ( yˆ i − y )( yi − yˆ i ) = 0 .
i =1
Ştiind că:
uî = yi − yˆ i
yˆ i = a + bxi
y = a + bx
relaţia de mai sus devine:
n n n
n
2∑ ( yî − y )( yi − yî ) = 2∑ (a + bxi − a − bx )ui = 2b∑ ( xi − x )ui =
i =1 i =1 i =1 n
= 2nb cov( x, u )
n
Deci termenul 2∑ ( yˆ i − y )( yi − yˆ i ) = 0 numai dacă cele două
i =1
variabile x şi u sunt independente, respectiv cov( u, x) = 0, b ≠ 0 .

Pe baza calculelor efectuate (vezi tabelul 2.2.2., coloanele 3, 5, 6),
( )
deoarece ∑ xi − x ui = 0 , se deduce că cele două variabile x şi u sunt
independente, deci ipoteza de homoscedasticitate este verificată.
b2.3) Estimarea unei matrici a covarianţelor corspunzătoare

estimatorilor parametrilor modelului2 adecvată aplicării M.C.M.M.P. în
cazul unui model conţinând erori heteroscedastice
Heteroscedasticitatea erorilor implică faptul că dispersiile
corespunzătoare erorilor nu mai sunt egale, ci diferite, caz în care estimatorii
parametrilor modelului rămân nedeplasaţi, dar nu mai sunt eficace. Astfel,
aplicarea M.C.M.M.P. va conduce la o subestimare a parametrilor
modelului, influenţând sensibil şi calitatea diferitelor teste statistice aplicate
modelului.
În cazul unui model multifactorial, vectorul estimatorilor
parametrilor modelului se calculează, matriceal, cu ajutorul relaţiei:
Bˆ = ( X ′X ) ⋅ ( X ′Y ) . Matricea varianţelor şi covarianţelor corespunzătoare
−1
acestuia este de forma: V (B ) = σ u2 ⋅ ( X ′X ) 3. Acest mod de calcul al

−1
matricei varianţelor şi covarianţelor este valabil doar în cazul în care

aplicarea M.C.M.M.P. conduce la obţinerea de estimatori eficienţi,
convergenţi şi nedeplasaţi, deci ipotezele corespunzătoare acestei metode au
fost verificate în prealabil. În cazul unor erori heteroscedastice, a căror
formă este, în general, necunoscută, este posibil, ca prin aplicarea metodei
regresiei ponderate în vederea eliminării heteroscedasticităţii erorilor, să nu
se obţină estimatori consistenţi. White a arătat că este posibil să se calculeze
un estimator adecvat al matricii covarianţelor corespunzătoare estimatorilor
parametrilor modelului, chiar dacă există o relaţie de dependenţă între
erorile heteroscedatice şi variaibilele exogene incluse în model, pe care a
denumit-o matricea covarianţelor estimatorilor consistenţi heteroscedastici
(HCCME), de forma:
n ⎛ n ⎞
VW (B ) = ( X ′X )−1 ⎜⎜ u i2 xi xi ′ ⎟⎟( X ′X )−1
∑
n−k ⎝ i =1 ⎠
2
Vezi Wiliam H. Greene, Econometric Analysis, 2nd ed., Macmillan, New York, 1993,
p. 384-392.
3
vezi demonstraţie op. cit., p. 182.
unde:
n = numărul de observaţii;
k = numărul regresorilor;
ui= variabila reziduală.
Prin aplicarea acestei matrici, estimaţiile punctuale ale parametrilor
nu vor suferi modificări, ci doar abaterile standard corespunzătoare
parametrilor. Utilizarea acestei matrici va permite observarea mai rapidă a
prezenţei fenomenului de heteroscedasticitate a erorilor. Astfel, abaterile
standard vor putea fi mai mari sau mai mici comparativ cu cele obţinute în
cazul modelului iniţial, iar valorile mai mici înregistrate de testul Student, t,
vor semnaliza faptul că estimatorii parametrilor sunt nesemnificativi, deci
posibila prezenţă a erorilor heteroscedastice.
Utilizând pachetul de programe EViews, în vederea exemplificării
calculării abaterilor standard şi dispersiilor heteroscedastice corectate cu
ajutorul metodei lui White au fost obţinute următoarele rezultate:
Dependent Variable: yi
Sample: 1 30
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std, Error t-Statistic Prob.
C 9,2903 4,4378 2,0934 0,0455
xi 0,6378 0,0298 21,3818 0,0000
R-squared 0,9466 Mean dependent var 119,7333
Adjusted R-squared 0,9447 S.D. dependent var 39,0613
S.E. of regression 9,1830 Akaike info criterion 7,3369
Sum squared resid 2361,1530 Schwarz criterion 7,4303
Log likelihood -108,0538 F-statistic 496,7183
Durbin-Watson stat 1,7023 Prob(F-statistic) 0,0000
Comparând rezultatele estimării obţinute în ambele cazuri, se

constată că abaterea standard corespunzătoare termenului liber, utilizând
matricea covarianţelor estimatorilor consistenţi heteroscedastici, este mai
mică decât cea obţinută în cazul modelului iniţial, estimatorul acestui
parametru fiind semnificativ în această situaţie, comparativ cu modelul
iniţial, în care era nesemnificativ.
b2.3) Testul Goldfeld-Quandt4

Acest test se poate aplica atunci când se dispune de serii lungi de
date şi când una dintre variabile reprezintă cauza heteroscedasticităţii (între
dispersia variabilei reziduale heteroscedastică şi variabila exogenă există o
relaţie de dependenţă pozitivă), şi presupune parcurgerea următoarelor
etape:
- ordonarea crescătoare a observaţiilor în funcţie de variabila
exogenă x;
- eliminarea a c observaţii centrale, c fiind specificat a priori. În
privinţa numărului de observaţii omise, c, au fost emise diverse opinii. În
cazul unui model unifactorial, Goldfeld şi Quandt, în urma efectuării
experimentelor Monte-Carlo, au propus ca c să fie aproximativ egal cu 8 în
cazul în care mărimea eşantionului este de aproximativ 30 de observaţii şi
16, dacă eşantionul cuprinde 60 de observaţii. Judge şi colaboratorii săi
menţionează faptul că, în cazul în care c=4 pentru n=30 şi c=10 pentru
n≈60, se obţin rezultate mai bune. În general, se consideră că c trebuie să
reprezinte o treime sau un sfert din numărul total de observaţii.
- efectuarea de regresii aplicând M.C.M.M.P. asupra celor două sub-
eşantioane de dimensiune (n-c)/2 şi calcularea sumei pătratelor erorilor
pentru fiecare subeşantion în parte;
- calcularea raportului dintre sumele pătratelor erorilor sau
dispersiilor acestora, corespunzătoare celor două subeşantioane (suma
pătratelor erorilor având valoarea cea mai mare fiind plasată la numărător):
⎛ (n − c )
(n − c ) / 2
⎞
∑ u12 / ⎜ − (k + 1)⎟
su21 ⎝ 2 ⎠
F* = = i =n1
su22 ⎛ (n − c ) ⎞
∑ u22 / ⎜ − (k + 1)⎟
i=
( n − c ) +1 ⎝ 2 ⎠
2
unde: k = numărul variabilelor exogene.

Presupunând că erorile sunt normal distribuite, atunci raportul F*
urmează o distribuţie F cu v1 = v2 =
(n − c ) − (k + 1) grade de libertate.
2
4
cf. Damodar N. Gujarati, Basic Econometrics, 3rd ed., Mc Graw-Hill, New York, 1995,
p. 374-375.
- dacă F* > F ⎛ ( n−c ) ⎞ ⎛ ( n−c ) ⎞ , atunci ipoteza de

α; ⎜ −( k +1) ⎟;⎜ −( k +1) ⎟
⎝ 2 ⎠⎝ 2 ⎠
homoscedasticitate este infirmată, deci erorile sunt heteroscedastice;

- dacă F < F ⎛ (n−c)
*
⎞ ⎛ ( n−c ) ⎞ ipoteza de homoscedasticitate
α; ⎜ −( k +1) ⎟;⎜ −( k +1) ⎟
⎝ 2 ⎠⎝ 2 ⎠
este acceptată.
Pentru a aplica acest test au fost ordonate crescător valorile
variabilei exogene x şi, corespunzător acestora, şi cele ale variabilei
dependente y (vezi tabelul 2.2.2 coloanele 7, 8) şi au fost eliminate 4
observaţii situate în centrul eşantionului (vezi observaţiile din coloana 8,
corespunzătoare variabilei x, evidenţiate prin caractere aldine), rezultând
două subeşantioane a câte 13 observaţii fiecare.
În urma aplicării programului EViews, rezultatele estimării,
corespunzătoare celor două subeşantioane, au fost următoarele:
yˆ1i = 3,4904 + 0,6968 xi ; R 2 = 0,8887

(8,7049) (0,0744) ∑u 2
1i = 377,17
v1 = 11
yˆ 2i = −28,0272 + 0,7941 xi ; R 2 = 0,7681
(30,6421) (0,1319) ∑u 2
2i = 1536,8
v2 = 11
=∑
2
u v2 1536,8 11
F * 2i
= = 4,07
∑u 2
1i v1 377,17 11
Analizând rezultatele obţinute se constată că, pentru un prag de

semnificaţie α = 0,05, F * = 4,07 > F0,05;11;11 = 2,82 , deci erorile sunt
heteroscedastice, în timp ce, pentru un prag de semnificaţie α = 0,01,
F * = 4,07 < F0,01;11;11 = 4,46 putem considera că ipoteza de
homoscedasticitate se verifică.
b2.4) Testul Park5

Testul propus de Park se bazează pe existenţa unei relaţii de
dependenţă între dispersia corespunzătoare erorilor heteroscedastice şi
variabila exogenă x de forma: σ u2i = σ 2 xib e ωi . Acest model neliniar poate fi
transformat într-un model liniar prin logaritmare:
ln σ u2i = ln σ 2 + b ln xi + ω i
unde:
ωi = variabila reziduală, ce verifică ipotezele corespunzătoare M.C.M.M.P.
Ca urmare a faptului că valoarea dispersiei erorilor heteroscedastice
este necunoscută, aceasta a fost înlocuită cu pătratul erorilor, uˆ i2 în cadrul
modelului liniarizat prin logaritmare:
ln uˆ i2 = ln σ 2 + b ln xi + ω i = β + b ln xi + ω i
În situaţia în care parametrul b corespunzător variabilei exogene este
nesemnificativ ipoteza de homoscedasticitate a erorilor este verificată, cazul
contrar indicând existenţa heteroscedasticităţii.
În vederea verificării existenţei heteroscedasticităţii erorilor vom
logaritma pătratul erorilor calculate în cazul modelului iniţial pe care le vom
regresa în funcţie de valorile logaritmate ale variabilei exogene xi (vezi
tabelul 2.2.2 coloanele 9 şi 10). În urma aplicării programului EViews au
fost obţinute următoarele rezultate:
ln uˆ i2 = 1,014 + 0,3359 ln xi ; R 2 = 0,002
(7,2749) (1,4252)
Pentru a verifica semnificaţia estimatorului parametrului
corespunzător variabilei exogene a fost utilizat testul Student, t, respectiv:
bˆ 0,3359
t bˆ = = = 0,2357 < t 0, 05; 28 = 2,048 , care indică faptul că
sbˆ 1,4252
estimatorul parametrului b este nesemnificativ, deci erorile sunt
homoscedastice.
5
cf. op. cit., p. 369-370.
b2.5) Testul Glejser6

Acest test se bazează pe bazează pe relaţia dintre erorile estimate în
urma aplicării MC.M.M.P. asupra modelului iniţial şi variabila explicativă
presupusă a fi cauza heteroscedasticităţii.
Testul Glejser prezintă o serie de puncte comune cu testul precedent,
respectiv, după calcularea erorilor în urma aplicării MC.M.M.P., valoarea
absolută a acestora este regresată în funcţie de valorile variabilei exogene
utilizându-se în acest scop următoarele forme de exprimare corespunzătoare
celor două variabile:
I. uˆ i = a + bxi + ω i
În această situaţie heteroscedasticitatea este de tipul: σ u2i = λ2 xi2 , caz
în care va fi aplicată regresia ponderată asupra datelor iniţiale, care vor fi
yi a1 u
împărţite la xi , rezultând astfel un model de forma: = + b1 + i
xi xi xi
II. uˆ i = a + b xi + ω i
În această situaţie heteroscedasticitatea este de tipul: σ u2i = λ2 xi , caz
în care va fi aplicată regresia ponderată asupra datelor iniţiale, care vor fi
împărţite la xi , rezultând astfel un model de forma:
yi a1 ui
= + b1 xi + .
xi xi xi
1
III. uˆ i = a + b + ωi
xi
În această situaţie heteroscedasticitatea este de tipul: σ u2i = λ2 xi−2 .
1
IV. uˆ i = a + b + ωi
xi
V. uˆ i = a + bxi + ω i
VI. uˆ i = a + bxi2 + ω i
6
cf. op. cit., p. 371-372.
Verificarea homoscedasticităţii erorilor presupune, ca şi în cazul

testului precedent, verificarea semnificaţiei parametrului corespunzător
variabilei exogene. Aplicarea acestui test conduce la rezultate semnificative
în cazul unor eşantioane de dimensiuni mari, iar în cazul celor de
dimensiuni mici este pur teoretică, aşa cum menţionează însuşi autorul.
De menţionat faptul că ultimele două modele nu pot fi estimate cu
ajutorul M.C.M.M.P.
Rezultatele estimării primelor patru modele, calculate cu ajutorul
pachetului de programe EViews (vezi date în tabelul 2.2.2.- coloanele 11,
12, 13 şi 14) sunt următoarele:
uˆ i = 0,6343 + 0,0085 xi ; R 2 = 0,0787

t= (0,6335) (1,5467 )
uˆ i = −0,7273 + 0,2182 xi ; R 2 = 0,0792
t= (0,3929) (1,5516)
1
uˆ i = 3,3517 − 189,9522 ; R 2 = 0,0729
xi
t= (3,7148) (1,4836)
1
uˆ i = 4,7087 − 32,6958 ; R 2 = 0,0761
xi
t= (2,6961) (1,5181)
Aşa cum se poate observa, nici unul dintre estimatorii parametrului

corespunzător variabilei exogene din cadrul modelelor prezentate mai sus nu
este semnificativ pentru un prag de semnificaţie de 5%, deci ipoteza de
homoscedasticitate este verificată.
b2.6) Testul Breusch-Pagan-Godfrey (BPG)7

Acest test are în vedere modelul multifactorial liniar de forma:
yi = b0 + b1 x1i + b2 x2i + …+ bk x ki + ui
7
cf. op. cit., p. 377-378.
plecând de la ipoteza potrivit căreia dispersia corespunzătoare erorilor

heteroscedastice este dependentă de o serie de variabile factoriale zi. În locul
acestor variabile pot fi utilizate câteva sau toate variabilele exogene ce
intervin în modelul iniţial. Se presupune, de asemenea, că între dispersia
corespunzătoare erorilor heteroscedastice şi variabilele factoriale zi există o
relaţie de dependenţă liniară, respectiv:
σ u2 = β 0 + β 1 z1i + β 2 z 2i + K + β m z mi
i
Verificarea homoscedasticităţii dispersiei presupune verificarea

ipotezei nulităţii parametrilor corespunzători variabilelor factoriale, caz în
care σ u2i = β 0 = ct.
Aplicarea acestui test constă în:
- calculul valorilor variabilei reziduale prin aplicarea M.C.M.M.P.
asupra modelului iniţial;
- calculul estimatorului de maximă verosimilitate corespunzător
dispersiei variabilei reziduale homoscedastice: σˆ u2 = ∑ uˆ i2

;
i
n
uˆ i2
- construirea unei variabile de forma: θ i = şi regresarea acesteia
σˆ u2i
în funcţie de variabilele factoriale zi, ce pot fi înlocuite cu variabilele
exogene xi din modelul original, respectiv:
θ i = β 0 + β 1 x1i + β 2 x 2i + K + β m x mi + ω i
unde:
ωi = variabila reziduală.
- calculul sumei pătratelor explicată de model, notată cu SSR, şi
SSR
calculul unei variabile H de forma: H = .
2
Presupunând că erorile sunt normal distribuite, şi că ne aflăm în
situaţia unui eşantion de volum mare, variabila H este asimptotic distribuită
sub forma unui χ α2 ;v , pentru care numărul gradelor de libertate este egal cu:
v = m − 1 , unde m = numărul parametrilor modelului, respectiv: H~ χ α2 ;v .
Dacă H > χ α2 ;v , erorile sunt heteroscedastice, în caz contrar, sunt

homoscedastice.
Rezultatele estimării modelului iniţial sunt următoarele:

yî = 9,2903 + 0,6378 xi ; R = 0,973
(5,2314) (0,0286) d = 1,70
suˆ = 9,183
Valoarea calculată a estimatorului de maximă verosimilitate
corespunzător dispersiei variabilei reziduale homoscedastice este:
σˆ u2 = ∑ uˆ 2
2361,53
i
=
= 78,7051
i
n 30
In urma calculării variabilei θi (vezi tabelul 2.2.2, coloana 15) şi a
regresării acesteia în funcţie de variabila exogenă xi au fost obţinute
următoarele rezultate:
θˆ = −0,7426 + 0,0101 x ; R 2 = 0,18
i i
(0,7529) (0,0041)
Valoarea calculată a variabilei H este:
H=
SSR ∑ θî − θ
=
2
=
( )
10,428
= 5,214
2 2 2
Comparând valoarea calculată a variabilei H cu valoarea teoretică a
lui hi-pătrat în funcţie de un prag de semnificaţie de α = 0,05 şi respectiv
α = 0,01 şi de numărul gradelor de libertate v = m − 1 = 1 , se constată că
H = 5,214 > χ 02,05;1 = 3,8414 pentru α = 0,05 , deci erorile sunt
heteroscdastice, dar, pentru α = 0,01 , H = 5,214 < χ 02,01;1 = 6,6349 , ceea ce
înseamnă că ipoteza de homoscedasticitate a erorilor poate fi acceptată.
Se constată astfel că am ajuns la aceeaşi concluzie ca şi în cazul
testului Goldfeld-Quandt.
Trebuie să ţinem însă seama de faptul că testul BPG este un test
asimptotic, valabil în cazul unui eşantion de volum mare, iar în cazul de
faţă, respectiv 30 de observaţii, acesta nu poate reprezenta un eşantion de
volum mare.
b2.7) Testul White8

Aplicarea testului White presupune parcurgerea următoarelor etape:
- estimarea parametrilor modelului iniţial şi calculul valorilor
estimate ale variabilei reziduale, u;
- construirea unei regresii auxiliare, bazată pe prespunerea existenţei
unei relaţii de dependenţă între pătratul valorilor erorii, variabila exogenă
inclusă în modelul iniţial şi pătratul valorilor acesteia:
uî2 = α 0 + α1 xi + α 2 x 2i + ω i
şi calcularea coeficientului de determinare, R2, corespunzător acestei regresii
auxiliare;
- verificarea semnificaţiei parametrilor modelului nou construit, iar
dacă unul dintre aceştia este nesemnificativ, atunci ipoteza de
heteroscedasticitate a erorilor este acceptată.
Există două variante de aplicare a testului White:
- utilizarea testului Fisher –Snedecor clasic, bazat pe ipoteza nulităţii
parametrilor, respectiv:
H0: α 0 = α1 = α 2 = 0
Dacă ipoteza nulă, potrivit căreia rezultatele estimării sunt
nesemnificative ( Fc < Fα ;v1 ;v2 ), este acceptată, atunci ipoteza de
homoscedasticitate se verifică, cazul contrar semnificând prezenţa
heteroscedasticităţii erorilor.
- utilizarea testului LM, calculat ca produs între numărul de
observaţii corespunzătoare modelului, n, şi coeficientul de determinare, R2,
corespunzător acestei regresii auxiliare. În general, testul LM este
asimptotic distribuit sub forma unui χ α2 ;v , pentru care numărul gradelor de
libertate este egal cu: v = k , unde k = numărul variabilelor exogene,
respectiv:
LM = n ⋅ R 2 ~ χ α2 ;v
8
cf. op. cit., p. 379.
Dacă LM > χ α2 ;v , erorile sunt heteroscedastice, în caz contrar, sunt

homoscedastice, respectiv ipoteza nulităţii parametrilor, α 0 = α1 = α 2 = 0 ,
este acceptată.
Aplicarea testului White s-a realizat utilizând pachetul de programe

EViews:
White Heteroskedasticity Test:

F-statistic 2,9173 Fc Probability 0,0713 p (F )
Obs*R-squared 5,3309 LM Probability 0,0696 p(LM )
Test Equation:
Dependent Variable: u i2
Sample: 1 30
C -12,2962 191.7731 -0,0641 0,9493
xi 0,1974 2.3688 0,0833 0,9342
xi2 0,0017 0.0067 0,2535 0,8018
Analizând rezultatele afişate de programul EViews se constată că

Fc = 2,9173 < F0,05; 2; 27 = 3,35 şi LM = 5,3309 < χ 02,05; 2 = 5,99147 , iar
parametrii modelului sunt nesemnificativi, deci ipoteza de
homoscedasticitate se verifică în cazul aplicării acestor teste. Trebuie să
ţinem însă seama de faptul că testul LM este un test asimptotic, valabil în
cazul unui eşantion de volum mare, iar în cazul de faţă, respectiv 30 de
observaţii, acesta nu poate reprezenta un eşantion de volum mare.
Deoarece majoritatea testelor prezentate mai sus sunt valabile în
cazul în care erorile sunt normal distribuite, în vederea verificării acestei
ipoteze va fi aplicat testul Jarque-Berra9, care este şi el un test asimptotic

(valabil în cazul unui eşantion de volum mare), ce urmează o distribuţie hi
pătrat cu un număr al gradelor de libertate egal cu 2, având următoarea
formă:
⎡ S 2 (K − 3)2 ⎤
JB = n ⎢ + 2
⎥ ~ χ α ;2
⎣6 24 ⎦
unde:
n = numărul de observaţii;
S = coeficientul de asimetrie (skewness), ce măsoară simetria distribuţiei erorilor
în jurul mediei acestora, care este egală cu zero, având următoarea
relaţie de calcul:
1 n
(
∑ yi − y
n i =1
)
3
S=
σ3
K = coeficientul de aplatizare calculat de Pearson (kurtosis), ce măsoară boltirea
distribuţiei (cât de „ascuţită” sau de aplatizată este distribuţia
comparativ cu distribuţia normală), având următoarea relaţie de calcul:
1 n
(
∑ yi − y
n i =1
)
4
K=
σ4
Testul Jarque-Berra se bazează pe ipoteza că distribuţia normală are
un coeficient de asimetrie egal cu zero, S = 0, şi un coeficient de aplatizare
egal cu trei, K = 3.
Dacă probabilitatea p(JB) corespunzătoare valorii calculate a testului
este suficient de scăzută, atunci ipoteza de normalitate a erorilor este
respinsă, în timp ce, în caz contrar, pentru un nivel suficient de ridicat al
probabilităţii ipoteza de normalitate a erorilor este acceptată, sau dacă
JB > χ α2 ; 2 , atunci ipoteza de normalitate a erorilor este respinsă.
9
EViews, User Guide,Version 2.0, QMS Quantitative Micro Software, Irvine, California,
1995, p. 140-141.
Utilizând pachetul de programe EViews în vederea calculării testului

Jarque-Berra (vezi figura 2.2.3.) se constată că
JB = 0,6452 < χ 02,05; 2 = 5,9915 şi că p(JB) = 0,7242, respectiv probabilitatea
ca testul J-B să nu depăşească valoarea tabelată a lui χ α2 ; 2 , este suficient de
mare pentru ca ipoteza de normalitate a erorilor să fie acceptată.
10
Series: Residuals
Sample 1 30
8 Observations 30
Mean -1.86E-14
6 Median 0.880779
Maximum 20.26355
Minimum -18.98076
4 Std. Dev. 9.023252
Skewness -0.359065
Kurtosis 2.977931
2
Jarque-Bera 0.645247
Probability 0.724246
0
-20 -15 -10 -5 0 5 10 15 20 25
Figura 2.2.3
Pe baza rezultatelor obţinute, pentru un prag de semnificaţie de 5%,

în cazul aplicării testelor Breusch-Pagan-Godfrey şi Goldfeld-Quandt, vom
presupune că fenomenul de heteroscedasticitate există, acesta afectând
calitatea estimatorilor, respectiv aceştia nu mai sunt eficienţi (dispersie
minimă).
Eliminarea fenomenului de heteroscedasticitate se poate face cu
ajutorul metodei regresiei ponderate. Această metodă presupune efectuarea
următoarelor operaţii:
1) Ecuaţia modelului y i = a1 + b1 x i + ui se împarte la x i , rezultând
yi a1 u
modelul = + b1 + i .
xi xi xi
1 y u
2) Notând cu = v i , i = zi , i = wi , se obţine modelul
xi xi xi
zi = a1 v i + b1 + wi , ai cărui parametrii se vor estima cu ajutorul
M.C.M.M.P.
( ) ( )
30 30
F aˆ1 , bˆ1 = min ∑ ( zi − zî ) = min ∑ zi − aˆ1vi − bˆ1
2 2
i =1 i =1
F ′(aˆ1 ) = 0 ⇒ bˆ1 ∑ vi + aˆ1 ∑ vi2 = ∑ zi vi ⎧⎪ nbˆ1 + aˆ1 ∑ vi = ∑ zi

()
F ′ bˆ1 = 0 ⇒ nbˆ1 + aˆ1 ∑ vi = ∑ zi
⇔⎨
⎪⎩bˆ1 ∑ vi + aˆ1 ∑ vi = ∑ zi vi
2
În urma aplicării programului EViews, rezultatele estimării

modelului, utilizând metoda regresiei ponderate, au fost următoarele:
Dependent Variable: zi
Sample: 1 30
vi 10,2790 3,7827 2,7174 0,0112
C 0,6319 0,0267 23,7034 0,0000
S.E. of regression 0,0521 Akaike info criterion -3,0074
Sum squared resid 0,0760 Schwarz criterion -2,9140
Log likelihood 47,1105 F-statistic 7,3840
Pe baza calculelor prezentate mai sus rezultă modelul:
zˆ i = 10,279 vi + 0,6319; R = 0,4568

(3,7827 ) (0,0267 ) d = 1,71
s wˆ = 0,0521
Calităţile acestui model rezultă în urma efectuării următoarelor

operaţii:
- verificarea ipotezei de homoscedaticitate prin calculul testului
White, utilizând pachetul de programe EViews:

F-statistic 3,3370 Probability 0,0507
Obs*R-squared 5,9458 Probability 0,0512
Test Equation:
Dependent Variable: wi2
Sample: 1 30
C 0,0084 0,0039 2,1919 0,0372
vi -2,0525 1,1178 -1,8361 0,0774
vi2 152,9709 72,8625 2,0994 0,0453

În urma analizării rezultatelor afişate de programul EViews se

constată că Fc = 3,337 < F0, 05; 2; 27 = 3,35 şi LM = 5,9458 < χ 02,05; 2 = 5,99147 ,
iar parametrii modelului sunt nesemnificativi, deci ipoteza de
homoscedasticitate se verifică în cazul aplicării acestor teste.
- verificarea ipotezei de independenţă a valorilor variabilei reziduale,
w, prin calculul variabilei Durbin-Watson:
30
∑ (wˆ i − wˆ i −1 )
2
d= i =2
30
= 1,71
∑ wˆ
i =1
2
i
Pentru un prag de semnificaţie α = 0,05 , din tabela distribuţiei

Durbin-Watson se citesc valorile (pentru cazul n = 30 )
d1 = 1,35, d 2 = 1,49 .
Deoarece d 2 = 1,49 < d = 1,71 < 4 − d 2 = 2,51 , se poate accepta

ipoteza de independenţă a valorilor variabilei reziduale.
- verificarea ipotezei de normalitate a erorilor
Utilizând pachetul de programe EViews în vederea calculării testului
Jarque-Berra (vezi figura 2.2.4.) se constată că JB = 1,3427 < χ 02,05; 2 = 5,9915
şi că p(JB) = 0,511, respectiv probabilitatea ca testul J-B să nu depăşească
valoarea tabelată a lui χ α2 ; 2 , este suficient de mare pentru ca ipoteza de
normalitate a erorilor să fie acceptată.
12
Series: Residuals
Sample 1 30
10 Observations 30
8 Mean -1.30E-16
Median 0.005397
Maximum 0.087252
6
Minimum -0.084660
Std. Dev. 0.051183
4 Skewness -0.181266
Kurtosis 2.029036
2
0
-0.10 -0.05 0.00 0.05 0.10
Figura 2.2.4
- verificarea semnificaţiei estimatorilor parametrilor modelului

Estimatorii parametrilor modelului sunt semnificativ diferiţi de zero,
cu un prag de semnificaţie α = 0,05 , dacă se verifică următoarele relaţii:
aˆ1
t aˆ1 = > tα ;n − k −1 ⇔ t aˆ1 = 2,7174 > t 0, 05; 28 = 2,048
s aˆ1
bˆ1
t bˆ = > tα ;n − k −1 ⇔ t bˆ = 23,7034 > t 0,05; 28 = 2,048
1
sbˆ 1
1
unde:
k = numărul variabilelor explicative.
În urma efectuării calculelor de mai sus se constată faptul că ambii
estimatori, a$ şi b$ , sunt semnificativ diferiţi de zero, cu un prag de
1 1
semnificaţie α = 0,05 .
- verificarea semnificaţiei raportului de corelaţie

R z / v = R 2 = 0,2087 = 0,4568
Verificarea semnificaţiei raportului de corelaţie se realizează cu
ajutorul testului Fisher-Snedecor:
R2
Fc = ( n − 2) ≥ Fα ;k ;n − k −1
1− R2
F0, 05;1; 28 = 4,20
Fc = 7,384 > F0,05;1; 28 = 4,20
Deci raportul de corelaţie este semnificativ diferit de zero, cu un

prag de semnificaţie α = 0,05 .
În final, modelul estimat prin metoda regresiei ponderate se
transformă în modelul iniţial prin înmulţirea fiecărui termen cu xi:
y 1
zˆ i = 10,279vi + 0,6319 ⇒ i = 10,279 + 0,6319 ⇒ yˆ i′ = 10,279 + 0,6319xi
xi xi
Şi în cazul acestui model vom repeta o parte din operaţiile realizate
pentru cel anterior pentru a-i verifica calităţile:
- calculul abaterilor medii pătratice ale estimatorilor:
∑ (y − yˆ i′ )
2
i2364,7933
s 2
uˆ ′ = =
= 84,4569 ⇒ suˆ′ = 9,19
n − k −1 30 − 2
(vezi tabelul nr. 2.2.2., coloanele 23, 24, 25)
⎡1 x2 ⎤ ⎡ 2 ⎤
s a2ˆ2 = su2ˆ′ ⋅ ⎢ + ⎥ = 84,4569 ⋅ ⎢ 1 + 173,17 ⎥ = 27,4096 ⇒ s aˆ2 = 5,2354
⎢n
⎣ ∑ ( xi − x ) ⎦
2⎥
⎢⎣10 102974,1667 ⎥⎦
2
s uˆ ′ 84,4569
s b2ˆ = = = 0,0008 ⇒ s bˆ = 0,0286
∑ (x − x)
2
2
i
102974,1667 2
aˆ2 10,279
taˆ 2 = = = 1,9634 < t0,05; 28 = 2,048
saˆ 2 5,2354
bˆ2 0,6319
t bˆ = = = 22,0635 > t 0, 05; 28 = 2,048
2
sbˆ 0,0286
2
Se constată că doar b$2 este semnificativ diferit de zero, cu un prag

de semnificaţie α = 0,05 , în timp ce a$ 2 este nesemnificativ.
- calculul raportului de corelaţie:
∑ ( y − yˆ ′ )
2
i i 2364,7933
Ry / x = 1 − = 1− = 0,9466 = 0,9729
∑(y − y)
2
i
44247,8667
(vezi tabelul nr. 2.2.2, coloana 28)
0,9466
Fc = 28 ⋅ = 495,911 > F0,05;1; 28 = 4,20
1 − 0,9466
Deci raportul de corelaţie este semnificativ diferit de zero, cu un

prag de semnificaţie α = 0,05.
În concluzie, modelul de mai jos este corect specificat, identificat şi
estimat:
yˆ i′ = 10,279 + 0,6319 xi ; R = 0,973

(5,2354) (0,0286) suˆ ′ = 9,19
2.1.3 Model liniar unifactorial cu autocorelarea erorilor
Se cunosc următoarele date privind consumul final real al

gospodăriilor populaţiei şi PIB-ul real în România, în perioada 1990-2003,
exprimate în miliarde lei preţuri comparabile (1990=100):
Tabelul 2.3.1
Consumul final real al
PIB
gospodăriilor populaţiei
Anul (mld.lei preţuri comparabile)
(mld.lei preţuri comparabile)
(1990=100)
(1990=100)
0 1 2
1990 557,7 857,9
1991 467,4 746,8
1992 432,1 681
1993 435,9 691,3
1994 447,3 718,2
1995 505,3 769,3
1996 545,7 799,5
1997 525,7 750,7
1998 586,2 714,8
1999 579,8 706,1
2000 582,3 720,7
2001 610,7 761,7
2002 629,1 799,1
2003 673,7 838,3
Notă: Ambii indicatori sunt calculaţi conform metodologiei de calcul a Sistemului European al Conturilor
Economiei Integrate - SEC 1979. Consumul final al populaţiei a fost deflaţionat cu ajutorul deflatorului
consumului final al populaţiei exprimat în preţuri constante (1990 = 100), datele provenind de la Ministerul
Prognozei şi Dezvoltării, iar PIB-ul a fost deflaţionat cu ajutorul deflatorului PIB exprimat în preţuri constante
(1990 = 100), obţinut în urma prelucrării datelor din Raportul Anual BNR.
Sursa: Date prelucrate pe baza Anuarului Statistic al României 2003, INS, Bucureşti, 2004, p. 284, Raportului
Anual 2000, BNR, Bucureşti, 2001, p. 6*-7*, Raportului Anual 2002 BNR, Bucureşti, 2003, p. 4*-5*, Comunicatului
de Presă al INS nr.11/26.02.2004.
Se cere:
a) Să se construiască modelul econometric ce descrie legătura dintre
cele două variabile şi să se interpreteze semnificaţia parametrilor modelului;
b) Să se estimeze parametrii modelului şi să se verifice semnificaţia
acestora;
c) Ştiind că în anul 2004, valoarea PIB-ului real10 a fost egală cu

907,8 mild lei preţuri comparabile (1990=100), să se estimeze valoarea
consumului final real al gospodăriilor populaţiei în anul 2004 şi să se
verifice capacitatea de prognoză a modelului utilizat.
Rezolvare:
a) Notând cu y = consumul final real al gospodăriilor populaţiei şi cu

x = PIB-ul real, modelul econometric va fi de forma: y = f ( x) + u .
Pentru alegerea funcţiei matematice f ( x) se recurge la reprezentarea
grafică a celor două şiruri de valori.
y
670
650
630
610
590
570
550
530
510
490
470
450 x
430
670 685 700 715 730 745 760 775 790 805 820 835 850
Figura 2.3.1 Legătura dintre consumul final real al gospodăriilor populaţiei

şi PIB-ul real al României
10
Valoare estimată pe baza informaţiilor furnizate în cadrul Comunicatului de Presă al INS
nr. 12/11.03.2005 privind principalii indicatori conjuncturali în anul 2004 şi luna
ianuarie 2005.
Deoarece graficul punctelor empirice indică faptul că distribuţia

poate fi aproximată cu o dreaptă, modelul econometric devine:
yt = a + bxt + ut ; t = 1,14
Semnificaţia economică a celor doi parametrii a şi b , ţinând cont de

semnificaţia celor două variabile (y - consumul final real al gospodăriilor
populaţiei şi x - PIB-ul real) este:
- parametrul a reprezintă în acest caz autoconsumul, deoarece
pentru x = 0 ⇒ y = a ;
- parametrul b reprezintă panta dreptei sau coeficientul de regresie
al consumului în funcţie de PIB, care măsoară creşterea consumului dacă
PIB-ul se modifică cu un miliard de lei.
b) Estimarea parametrilor modelului econometric de la punctul a) se
face cu ajutorul M.C.M.M.P.:
( ) ( )
14 14
F aˆ , bˆ = min ∑ ( y t − yˆ t ) = min ∑ yt − aˆ − bˆxt
2 2
t =1 t =1
F ′( a$ ) = 0 ⇒ na$ + b$∑ x t = ∑ y t
()
F ′ b$ = 0 ⇒ a$ ∑ x t + b$∑ x t2 = ∑ y t x t
⎧⎪14 aˆ + 10555 ,4bˆ = 7578 ,9
⇒⎨
⎪⎩10555 ,4 aˆ + 7996163 ,14bˆ = 5744734 ,07
(vezi tabelul 2.3.2, coloanele 2, 3, 4, 5).
Tabelul 2.3.2
Nr.
Anul xt yt x t2 xt yt uˆ t −1 uˆ t2−1 uˆ t uˆ t −1
crt.
0 1 2 3 4 5 6 7 8
1 1990 857,9 557,7 735992,41 478450,83 - - -
2 1991 746,8 467,4 557710,24 349054,32 -67,6095 4571.0382 4608,8583
3 1992 681 432,1 463761,00 294260,10 -68,1688 4646.9914 3430,1977
4 1993 691,3 435,9 477895,69 301337,67 -50,3191 2532.0160 2759,4477
5 1994 718,2 447,3 515811,24 321250,86 -54,8389 3007.3080 3573,7049
6 1995 769,3 505,3 591822,49 388727,29 -65,1673 4246.7772 3156,9084
7 1996 799,5 545,7 639200,25 436287,15 -48,4431 2346.7374 1571,3535
8 1997 750,7 525,7 563550,49 394642,99 -32,4371 1052.1637 422,3000
9 1998 714,8 586,2 510939,04 419015,76 -13,0191 169.4958 -995,6848
10 1999 706,1 579,8 498577,21 409396,78 76,4790 5849.0429 5897,0252
11 2000 720,7 582,3 519408,49 419663,61 77,1064 5945.4012 5228,8438
12 2001 761,7 610,7 580186,89 465170,19 67,8133 4598.6481 4278,7321
13 2002 799,1 629,1 638560,81 502713,81 63,0957 3981.0719 3235,9296
14 2003 838,3 673,7 702746,89 564762,71 51,2860 2630.2565 3293,7103
Total 10555,4 7578,9 7996163,14 5744734,07 - 45576,9481 40461,3270
Tabelul 2.3.2
(continuare)
yt* = yt − xt* = xt − yt* = yt − xt* = xt −
− 0,8878 yt −1 − 0,8878xt −1 − 0,9016 yt −1 − 0,9016 xt −1
9 10 11 12
- - - -
-27,7030 -14,8081 -35,4029 -26,6527
17,1616 18,0219 10,7085 7,7112
52,2995 86,7364 46,3337 77,3342
60,3260 104,4925 54,3078 94,9481
108,2056 131,7118 102,0299 121,7959
97,1156 116,5473 90,1392 105,9260
41,2501 40,9370 33,7159 29,8987
119,5053 48,3596 112,2472 37,9951
59,3959 71,5302 51,3025 61,6613
67,5776 93,8537 59,5726 84,1049
93,7582 121,8924 85,7186 111,9420
86,9458 122,8943 78,5142 112,3779
115,2111 128,8921 106,5254 117,8593
891,0494 1071,0611 795,7127 936,9018
Utilizând pachetul de programe EViews în vederea estimării

parametrilor modelului au fost obţinute următoarele rezultate:
Dependent Variable: yt
Sample: 1990 2003
ind. ind. ind.
C -67,6561 â 250,0188 saˆ -0,2706 t aˆ 0,7913 p(aˆ)
xt 0,8077 b̂ 0,3308 sbˆ 2,4416 tbˆ ()

0,0311 p bˆ
R-squared 0,3319 R2 Mean dependent var 541,35 y

Adjusted R-
0,2762 Rc2 S.D. dependent var 75,6474 sy
squared
S.E. of
64,3567 suˆ Akaike info criterion 11,2983 AIC
regression
Sum squared ∑ ( y t − yˆ t )2 =
49701,46 Schwarz criterion 11,3896 SC
resid = ∑ uˆ t2
Log
-77,0883 L F-statistic 5,9615 Fc
likelihood
Durbin-
Watson stat

de programe EViews a fost prezentată în cadrul aplicaţiei 2.1.2.
ale variabilei y, yˆ t = −67,6561 + 0,8077 xt şi ale variabilei reziduale,
uˆt = yt − yˆt . Valorile acestora sunt prezentate în cadrul tabelului 2.3.3
Tabelul 2.3.3
yt ŷ t ut = yt − yˆt
ˆ (graficul reziduurilor)
557,7 625,3095 -67,6095 | * | . |

467,4 535,5688 -68,1688 | *. | . |
432,1 482,4191 -50,3191 | .* | . |

yt ŷ t uˆt = yt − yˆt (graficul reziduurilor)
435,9 490,7389 -54,8389 | .* | . |

447,3 512,4673 -65,1673 | * | . |
505,3 553,7431 -48,4431 | .* | . |
545,7 578,1371 -32,4371 | . * | . |
525,7 538,7191 -13,0191 | . *| . |
586,2 509,7210 76,4790 | . | . *|
579,8 502,6936 77,1064 | . | . *|
582,3 514,4867 67,8133 | . | * |
610,7 547,6043 63,0957 | . | * |
629,1 577,8140 51,2860 | . | *. |
673,7 609,4776 64,2224 | . | * |

(y − yˆ t )
=∑
2
49701,4613
2
s uˆ t
= = 4141,7884
n − k −1 14 − 2
unde:
k = numărul variabilelor exogene.
- abaterea medie pătratică a variabilei reziduale, suˆ :
∑ (y − yˆ t )
2
suˆ = t
= 4141,7884 = 64,3567
n − k −1
- abaterile medii pătratice ale celor doi estimatori:

⎡1 x2 ⎤
saˆ = su2ˆ ⎢ + 2⎥
= 250,0188
⎣⎢ n ∑ ( xt − x ) ⎦⎥
su2ˆ
sbˆ = = 0,3308
∑ (xt − x )
2

- raportul de corelaţie:
14 14
∑(y − yˆ t ) ∑(y − yˆ t )
2 2
t t
t =1 t =1
R = R2 = 1− = 1−
14
s y2 ⋅ (n − 1)
∑ ( yt − y )
2
t =1
49701,4613
R = 1− = 0,3319 = 0,5761
74392,875
- variabila Durbin-Watson, d:
14
∑ (uˆ t − uˆ t −1 )
2
9784,7173
d= t =2
14
= = 0,20
49701,4613
∑ uˆ
t =1
2
t

yˆ t = −67,6561 + 0,8077 xt ; R = 0,576
(250,0188) (0,3308) d = 0,20
suˆ = 64,3567
Verificarea semnificaţiei modelului necesită:

- verificarea ipotezei de independenţă a erorilor;
- verificarea ipotezei de homoscedasticitate a erorilor;
- verificarea semnificaţiei estimatorilor;
- verificarea semnificaţiei raportului de corelaţie.
Verificarea ipotezei de independenţă a erorilor, care presupune

cov( u t , u t −1 ) = 0 , se realizează cu ajutorul testului Durbin-Watson, constând
în calcularea variabilei d şi compararea sa cu două valori teoretice, d 1 şi
d2 (d1 = 1,08; d 2 = 1,36) , preluate din tabela distribuţiei Durbin-Watson în
funcţie de un prag de semnificaţie α (α = 0,05) , de numărul variabilelor
explicative k ( k = 1) şi de numărul observaţiilor n ( n ≥ 15) . Observaţie:

tabela Durbin-Watson este construită pentru un număr de observaţii n ≥ 15;
pentru valori inferioare se va lucra cu valorile calculate pentru n = 15 .
adică d1 = 1,08, d 2 = 1,36 .
Deoarece valoarea calculată d = 0,2 este cuprinsă în intervalul
0 < d = 0,2 < d 1 = 1,08 , aceasta indică existenţa unei autocorelări pozitive.
Din acest motiv, nu mai are sens testarea celorlalte ipoteze, a
semnificaţiei estimatorilor şi a raportului de corelaţie, estimatorii nemaifiind
eficienţi, deci se impune mai întâi eliminarea fenomenului de autocorelaţie a
erorilor.
Un alt procedeu de verificare a ipotezei de independenţă a erorilor
constă în aplicarea testului Breusch-Godfrey11, acest test fiind utilizat în
vederea depistării unei autocorelaţii de ordin superior. Ca urmare a
presupunerii existenţei unei autocorelaţii de ordin superior se construieşte
următorul model:
u t = r1u t −1 + r2 u t − 2 + K + rp u t − p + z t
unde: zt = variabilă reziduală de medie zero şi dispersie constantă.
Ipoteza nulă care stă la baza testului este aceea potrivit căreia toţi
coeficienţii corespunzători valorilor decalate ale variabilei reziduale sunt
simultan egali cu zero, fapt ce implică inexistenţa fenomenului de
autocorelaţie a erorilor.
În vederea aplicării testului sunt estimate valorile variabilei reziduale
ut în urma aplicării M.C.M.M.P. asupra modelului iniţial. Variabila
reziduală ut este apoi regresată în funcţie de variabilele exogene iniţiale ale
modelului şi de valorile sale decalate, respectiv ut-1, ut-2,…, ut-p. În cazul
acestei regresii este calculată valoarea coeficientului de determinare R2 şi a
unei variabile de forma: BG = (n-p) R2. Presupunând că ne aflăm în situaţia
unui eşantion de volum mare, variabila BG este asimptotic distribuită sub
11
p. 425
forma unui χ α2 ;v , pentru care numărul gradelor de libertate este egal cu:
v = p , unde p = mărimea decalajului , respectiv: BG~ χ α2 ;v .
Dacă BG > χ α2 ;v , ipoteza nulă este respinsă, ceea ce presupune că
există cel puţin un coeficient de autocorelaţie nenul.
Aplicarea testului Breusch-Godfrey s-a realizat utilizând pachetul de
programe EViews (presupunând ca mărimea decalajului este p = 2):
Breusch-Godfrey Serial Correlation LM Test:

Test Equation:
Dependent Variable: ut
C 166,6378 146,9445 1,1340 0,2832
xt -0,2158 0,1935 -1,1154 0,2908
ut-1 1,0098 0,2999 3,3669 0,0072
ut-2 -0,0880 0,3298 -0,2667 0,7951
R-squared 0,7691 Mean dependent var -3,45E-14
În cazul utilizării pachetului de programe EViews există două

variante de aplicare a testului Breusch-Godfrey:
- utilizarea testului Fisher–Snedecor aplicat în vederea verificării
existenţei unor variabile absente (omise) în model, având următoarea relaţie
de calcul:
R2 p
Fc =
(1 − R 2 ) (n − m)
unde:
p = numărul de variabile noi adăugate în model, respectiv ut-1, ut-2,…, ut-p;
m = numărul total de parametri corespunzători noului model.
Dacă Fc < Fα ;v1 ;v2 , unde v1 = p şi v2 = n-m, ipoteza conform căreia
estimatorii corespunzători noilor parametri adăugaţi în model sunt nuli este
verificată, respectiv, în cazul nostru, fenomenul de autocorelare a erorilor nu
este prezent, cazul contrar implicând existenţa cel puţin a unei autocorelaţii
de ordinul întâi. Cum Fc = 16,6537 > F0,05; 2;10 = 4,10 , rezultă că noul model
este incorect specificat, indicând astfel prezenţa unei autocorelaţii de ordinul
întâi.
asimptotic distribuit sub forma unui χ α2 ;v , pentru care numărul gradelor de
libertate este egal cu: v = p , unde p = mărimea decalajului, respectiv:
LM = n ⋅ R 2 ~ χ α2 ;v
Dacă LM > χ α2 ;v , erorile sunt autocorelate, în caz contrar, sunt
independente, respectiv ipoteza nulităţii parametrilor, r1 = r2 = 0 , este
acceptată. Se constată astfel că pachetul de programe nu utilizează relaţia
clasică de calcul a testului Breusch-Godfrey, respectiv: BG = (n-p)·R2.
Deoarece LM = 10,7673 > χ 02,05; 2 = 5,99147 , aceasta implică existenţa
a cel puţin unei autocorelaţii de ordinul întâi, ce poate fi remarcată şi pe
baza semnificaţiei parametrului corespunzător valorii decalate cu o perioadă
a variabilei reziduale.
În cazul calculării în varianta clasică a testului Breusch-Godfrey,
respectiv: BG = 12 ⋅ 0,7691 = 9,2291 > χ 02,05; 2 = 5,99147 , se ajunge la aceleaşi
concluzii menţionate anterior.
Eliminarea fenomenului de autocorelare a erorilor presupune
efectuarea următoarelor operaţii:
- erorile fiind corelate, adică:
u t = r(1) u t −1 + z t (1)
se va estima valoarea coeficientului de autocorelaţie de ordinul 1:

14
∑ uˆ uˆ t t −1
40461,327
r(1) = t =2
14
= = 0,89
45576,9481
∑ uˆ
t =2
2
t −1
(vezi tabelul 2.3.2., coloanele 6, 7, 8)

- ştiind că:
y t = a + bx t + u t ⇒ u t = y t − a − bx t
y t −1 = a + bx t −1 + u t −1 ⇒ u t −1 = y t −1 − a − bx t −1
expresiile obţinute pentru u t şi u t −1 vor fi înlocuite în relaţia (1) şi se
obţine:
y t − a − bx t = r(1) ( y t −1 − a − bx t −1 ) + z t
( ) (
y t − r(1) y t −1 = a 1 − r(1) + b x t − r(1) x t −1 + z t )
Notând cu: y t* = y t − r(1) y t −1
x t* = x t − r(1) x t −1
(
a 1 = a 1 − r(1) )
b1 = b
se obţine:
y t* = a1 + b1 xt* + z t ⇒ yˆ t* = aˆ1 + bˆ1 xt* (2)

În vederea estimării parametrilor a$ 1 şi b$1 se aplică M.C.M.M.P.:
( ) ( )
14
F aˆ1 , bˆ1 = min ∑ yt* − aˆ1 − bˆ1 xt*
2
t =2
F ′( a 1 ) = 0 ⇒ ( n − 1) a$ 1 + b$1 ∑ x t* = ∑ y t*
F ′(b1 ) = 0 ⇒ a$ 1 ∑ x t* + b$1 ∑ x t* ( ) =∑y x

2 * *
t t
În urma aplicării programului EViews, rezultatele estimării noului

modelului au fost următoarele:
*
Dependent Variable: y t
Sample: 1991 2003
C 9,5845 15,4322 0,6211 0,5472
*
x t 0,7156 0,1645 4,3505 0,0012
Ca şi în cazul modelului iniţial se vor calcula valorile estimate ale

variabilei y t* , ⇒ yˆ t* = 9 ,5845 + 0 , 7156 x t* şi ale variabilei reziduale,
zˆ t = y t* − yˆ t* . Valorile acestora sunt prezentate în cadrul tabelului 2.3.4
Tabelul 2.3.4
* *
y t yˆ t
zˆ t = y t* − yˆ t* (graficul reziduurilor)
-27,7030 -1,0121 -26,6909 | * | . |
17,1616 22,4810 -5,3194 | . *| . |
52,2995 71,6530 -19,3535 | .* | . |
60,3260 84,3593 -24,0332 | * | . |
108,2056 103,8374 4,3682 | . |* . |
97,1156 92,9857 4,1299 | . |* . |
41,2501 38,8790 2,3711 | . * . |
119,5053 44,1907 75,3147 | . | . *|
59,3959 60,7715 -1,3755 | . * . |
67,5776 76,7461 -9,1686 | . *| . |
93,7582 96,8106 -3,0525 | . *| . |
86,9458 97,5276 -10,5818 | .*| . |
115,2111 101,8196 13,3914 | . |*. |

yˆt* = 9,5845 + 0,7156 xt* ; R′ = 0,795
(15,4322) (0,1645) d ′ = 1,72 (3)
s zˆ = 26,6176
Utilizând testul Durbin-Watson pentru a verifica dacă fenomenul de
autocorelaţie a fost eliminat - pentru un prag de semnificaţie
α = 0,05, k = 1, n = 13 ≅ 15 , valorile teoretice ale variabilei Durbin-Watson
sunt d 1 = 1,08, d 2 = 1,36 . În comparaţie cu acestea, valoarea empirică
d ′ = 1,72 se situează astfel: d 2 = 1,36 < d ′ = 1,72 < 4 − d 2 = 2,64 , ceea ce
indică fenomenul de independenţă a erorilor, deci fenomenul de
autocorelaţie a fost eliminat.
Verificarea ipotezei de homoscedasticitate a erorilor în cazul acestui
model se va realiza cu ajutorul testului White (vezi aplicaţia 2.1.2).
Utilizând programul EViews au fost obţinute următoarele rezultate:

Test Equation:
Dependent Variable: z t∗2
Sample: 1991 2003
C 927,8680 1016,2720 0,9130 0,3827
*
x t 18,3437 32,0687 0,5720 0,5799
2
xt* -0,2090 0,2342 -0,8925 0,3931

Adjusted R-squared -0,0299 S.D. dependent var 1542,118
Sum squared resid 24491851 Schwarz criterion 17,8787

Fc = 0,8259 < F0,05; 2;10 = 4,10 şi LM = 1,843 < χ 02,05; 2 = 5,99147 , iar
estimatorii parametrilor modelului sunt nesemnificativi pentru un prag de
semnificaţie α = 0,05 ( t0,05;10 = 2,228 ), deci ipoteza de homoscedasticitate
se verifică.
Estimatorii modelului sunt semnificativ diferiţi de zero dacă:
aˆ1
t aˆ1 = ≥ tα ;(n −1)− k −1
s aˆ1
9,5845
t aˆ1 = = 0,6211
15,4322
bˆ1
t bˆ = ≥ tα ;(n −1)− k −1
1
sbˆ
1
0,7156
t bˆ = = 4,3505
1 0,1645
Lucrând cu un prag de semnificaţie α (α = 0,05) , din tabela
distribuţiei Student se preia valoarea t 0,05;11 = 2,201 . Comparând această
valoare cu valorile calculate pentru cei doi estimatori, se constată că:
- t aˆ1 = 0,6211 < t0, 05;11 = 2,201 ⇒ parametrul a$ 1 nu este semnificativ
diferit de zero;
- t bˆ = 4,3505 > t 0,05;11 = 2,201 ⇒ parametrul b$1 este semnificativ
1
diferit de zero.
Raportul de corelaţie este semnificativ diferit de zero dacă se
verifică inegalitatea: Fc ≥ Fα ;v1 ;v2 , unde valoarea empirică a variabilei
Fisher-Snedecor este:
R2 0,3319
Fc = ((n − 1) − 2) = 11 ⋅ = 5,9615
1− R 2
1 − 0,3319
Din tabela distribuţiei Fisher-Snedecor, cu un prag de semnificaţie
de 5% şi în funcţie de numărul gradelor de libertate v1 = k = 1 şi
v 2 = (n − 1) − k − 1 = 11 se preia valoarea teoretică F0,05;1;11 = 4,84 . Se
constată că Fc = 5,9615 > F0, 05;1;11 = 4,84 , deci pentru un prag de

semnificaţie de 5%, valoarea raportului de corelaţie este semnificativ
diferită de zero.
În concluzie, modelul yˆt* = 9,5845 + 0,7156 xt* poate fi apreciat ca
reprezentativ pentru descrierea dependenţei dintre consumul final real al
gospodăriilor populaţiei şi PIB-ul real.
O altă variantă a metodei de eliminare a fenomenului de autocorelare
a erorilor prezentate mai sus constă în determinarea coeficientului de
autocorelaţie de ordinul 1 pe baza variabilei Durbin-Watson, d, pentru a
facilita utilizarea pachetului de programe EViews în vederea eliminării
autocorelaţiei erorilor (utilizând programul autocorelaţie.prg):
d 0,20
r(1) = 1 − = 1 − = 0,90
2 2
Rezultatele estimării modelului (2), utilizând pachetul de programe
EViews12, sunt următoarele:
Dependent Variable: y t∗
Sample(adjusted): 1991 2003
Included observations: 13 after adjusting endpoints
C 10,1602 13,8505 0,7336 0,4786
x t∗ 0,7083 0,1628 4,3506 0,0012

12
Pentru a elimina autocorelaţia erorilor cu ajutorul pachetului de programe EViews a fost
utilizat următorul program (conform http://www.cip.dauphine.fr/bourbonnais/eco.html)
denumit autocorelatie.prg:
'Estimarea directa a coeficientului de autocorelatie notat cu rau plecand de la statistica
DW'
Equation eq1.ls y c x
genr res = resid
scalar rau1=1-@dw/2
genr dy=y-rau1*y(-1) 'Se genereaza qvasi-diferentele.'
genr dx=x-rau1*x(-1)
equation eqm1.ls dy c dx 'Régresie denumita eqm1'
scalar am1=c(1)/(1-rau1) 'Coef de reg.'

Valorile estimate ale variabilei y t* şi ale variabilei reziduale,

zˆ t = y t* − yˆ t* sunt prezentate în cadrul tabelului 2.3.5 (utilizând pachetul de
programe EViews):
Tabelul 2.3.5
y *
yˆ * zˆ t = y t* − yˆ t* (graficul reziduurilor)
t t
-35,2893 -8,5948 -26,6945 | * | . |

10,8036 15,7300 -4,9263 | . *| . |
46,4217 65,0361 -18,6144 | .* | . |
54,3965 77,5139 -23,1174 | * | . |
102,1210 96,5348 5,5862 | . |* . |
90,2420 85,3011 4,9410 | . |* . |
33,8270 31,4535 2,3735 | . * . |
112,3543 37,1813 75,1730 | . | . *|
51,4219 53,9395 -2,5176 | . * . |
59,6906 69,8356 -10,1449 | .*| . |
85,8372 89,5554 -3,7182 | . *| . |
78,6385 89,8700 -11,2314 | .*| . |
106,6535 93,7580 12,8955 | . |*. |
yˆ t* = 10,1602 + 0,7083 xt* ; R ′ = 0,795

(13,8505) (0,1628) d ′ = 1,75 (4)
s zˆ = 26,5346

autocorelaţie a fost eliminat - pentru un prag de semnificaţie
α = 0,05, k = 1, n = 13 ≅ 15 valorile teoretice ale variabilei Durbin-Watson
sunt d 1 = 1,08, d 2 = 1,36 . În comparaţie cu acestea, valoarea empirică

d ′ = 1,75 se situează astfel: d 2 = 1,36 < d ′ = 1,75 < 4 − d 2 = 2,64 , ceea ce
indică fenomenul de independenţă a erorilor, deci fenomenul de
autocorelaţie a fost eliminat.
Verificarea ipotezei de homoscedasticitate a erorilor în cazul acestui
model se va realiza cu ajutorul testului White. Utilizând programul EViews
au fost obţinute următoarele rezultate:

Test Equation:
Dependent Variable: z t2
Sample: 1991 2003
C 1108,2070 824,2150 1,3446 0,2085
xt* 13,6436 26,6751 0,5115 0,6201
*2
xt -0,2067 0,2293 -0,9013 0,3886

Fc = 0,8302 < F0,05; 2;10 = 4,10 şi LM = 1,8512 < χ 02,05; 2 = 5,99147 , iar
estimatorii parametrilor modelului sunt nesemnificativi pentru un prag de
semnificaţie α = 0,05 ( t0,05;10 = 2,228 ), deci ipoteza de homoscedasticitate
se verifică.
Pentru a verifica semnificaţia estimatorilor parametrilor modelului,

lucrând cu un prag de semnificaţie α (α = 0,05) , din tabela distribuţiei
Student se preia valoarea t 0,05;11 = 2,201 . Comparând această valoare cu
valorile calculate pentru cei doi estimatori, se constată că:
- t aˆ1 = 0,7336 < t 0,05;11 = 2,201 ⇒ parametrul a$ 1 nu este semnificativ
diferit de zero;
- t bˆ = 4,3506 > t 0.05;11 = 2,201 ⇒ parametrul b$1 este semnificativ
1
diferit de zero.
Pentru a verifica semnificaţia raportului de corelaţie, din tabela
distribuţiei Fisher-Snedecor, cu un prag de semnificaţie de 5% şi în funcţie
de numărul gradelor de libertate v1 = k = 1 şi v 2 = (n − 1) − k − 1 = 11 se
preia valoarea teoretică F0,05;1;11 = 4,84 . Se constată că
Fc = 18,9279 > F0,05;1;11 = 4,84 , deci pentru un prag de semnificaţie de 5%,
valoarea raportului de corelaţie este semnificativ diferită de zero.
În concluzie, şi acest model, yˆ t* = 10,1602 + 0,7083 xt* , poate fi
apreciat ca reprezentativ pentru descrierea dependenţei dintre consumul
final real al gospodăriilor populaţiei şi PIB-ul real.
c) Analiza capacităţii de prognoză a modelului privind dependenţa
dintre dintre consumul final real al gospodăriilor populaţiei şi PIB-ul real în
România în perioada 1981-2003 poate fi realizată pe baza indicatorilor
statistici propuşi de H. Theil13.
Aceşti indicatori, adaptaţi modelui supus analizei, au fost calculaţi
pe baza următoarelor relaţii:
• coeficientul Theil
1 n *
∑
n t =1
(yˆ t − y t* )
2
T=
1 n *2 1 n *2
∑ t
n t =1
ˆ
y + ∑ yt
n t =1
ale cărui valori sunt cuprinse în intervalul [0, 1].
13
cf. R. S. Pindyck, D. S. Rubinfeld, Econometric Models and Economic Forecasts, 5th ed.,
Mc Graw-Hill, New York, 1981, p. 364-366.
Semnificaţia acestui indicator este invers proporţională cu mărimea

lui, respectiv cu cât valoarea acestuia este mai mică, tinzând către zero, cu
atât capacitatea de prognoză a modelului este mai bună.
• ponderea abaterii
T = A (yˆ *
− y* ) 2
=
(yˆ *
− y* ) 2
σ z2
1 n *
∑
n t =1
(
yˆ t − y t* )
2
unde:
*
ŷ = media valorilor teoretice ale variabilei endogene;
*
y = media valorilor reale ale variabilei endogene;
σz2 = dispersia variabilei reziduale necorectată cu numărul gradelor de
libertate.
Interpretarea acestui indicator, care evidenţiază existenţa unor erori
sistematice, este aceea că, în cazul ideal14, valoarea sa este egală cu zero,
aceasta tinzând către unu în cazul unor erori de estimare de-a lungul întregii
serii de timp.
• ponderea dispersiei
( ) ( )
2
⎡ 1 n * 2 1 n * 2 ⎤
⎢ ∑ yˆ t − yˆ ∑ yt − y *
(σ ) −
*
⎥
− σ y*
2
⎢ n n t =1 ⎥⎦
=⎣
yˆ t* t =1
TD = t
σ z2
1 n *
(
∑ yˆ t − yt*
n t =1
)
2
care este definită tot în intervalul [0, 1], aceasta măsurând evoluţia oscilantă
a celor două serii, respectiv seria ajustată şi seria empirică a variabilei
endogene. Acest indicator are aceeaşi semnificaţie ca şi cei precedenţi,
14
Demn de menţionat este faptul că, în cazul estimării parametrilor unui model statistic cu
ajutorul metodei celor mai mici pătrate, valoarea acestui indicator este egală cu zero,
acesta fiind discriminant numai în cazul utilizării altor procedee de estimare, cum ar fi,
de exemplu, metoda grafică, metoda punctelor empirice sau metoda punctelor medii.
respectiv o valoare scăzută indică o capacitate bună de prognoză, în timp ce

o valoare apropiată de unu exprimă o eroare de specificare a modelului.
• ponderea covarianţei
2(1 − r )σ yˆ * σ y *
TC = n t t
1
∑
n t =1
(
yˆ t* − yt*
2
)
unde:
r = coeficientul de corelaţie liniară dintre valoarea estimată a variabilei
ˆ*
endogene, yt , şi cea reală, yt* :
∑ (yˆ )( )
n
*
t − yˆ * yt* − y *
r= t =1
nσ yˆ * σ y *
t t
Se poate observa uşor că semnificaţia acestui indicator este analogă

cu a celor menţionaţi anterior.
De altfel cei patru indicatori se regăsesc în următoarea ecuaţie
propusă de Theil:
( ) ( )
2
1 n * 2
⎛⎜ σ * − σ ⎞⎟ + 2(1 − r )σ * σ *
∑ t t
n t =1
ˆ
y − y * 2
= ˆ
y *
− y *
+
⎝ yˆ t y
t ⎠
*
yˆ t yt
a cărei interpretare se realizează prin intermediul semnificaţiei acestor

indicatori.
În urma calculelor efectuate cu ajutorul pachetului de programe
EViews în vederea testării capacităţii de prognoză a modelului privind
dependenţa dintre dintre consumul final real al gospodăriilor populaţiei şi
PIB-ul real în perioada 1981-2003 au rezultat următoarele informaţii,
prezentate în tabelul 2.3.6.
În urma analizei rezultatelor obţinute se constată că modelul posedă

o bună capacitate de prognoză, ca urmare a valorilor mici înregistrate în
cazul coeficientului Theil, a ponderii abaterii şi a ponderii dispersiei şi, deci,
poate fi acceptat în vederea realizării unei prognoze a consumului final real
al gospodăriilor populaţiei.
Rezultatele testării capacităţii de prognoză a modelului privind

dependenţa dintre consumul final real al gospodăriilor populaţiei
şi PIB-ul real în România în perioada 1981-2003
Tabelul 2.3.6
Valoarea
Denumirea indicatorului Simbolul indicatorului
indicatorului
0 1 2
Coeficientul Theil T 0,1577
Ponderea abaterii TA 0,0000
Ponderea dispersiei TD 0,1140
Ponderea covarianţei TC 0,8860
Astfel, dacă valoarea PIB-ului real în anul 2004 a fost egală cu 907,8
mld. lei preţuri comparabile (1990=100), atunci:
*
x 2004 = 907,8 − 838,3 ⋅ 0,89 = 163,6272 mld. lei preţuri comparabile
Valoarea estimată a consumului final real al gospodăriilor populaţiei
în anul 2004, utilizând rezultatele estimării obţinute în cazul modelului (3)
este egală cu:
yˆ * = aˆ + bˆ x * = 9,5845 + 0,7156 ⋅ 163,6272 = 126,676 mld.lei
2004 1 1 2004
preţuri comparabile
Pe baza ipotezei formulate la punctele precedente, consumul final
real al gospodăriilor populaţiei, y*, urmează o distribuţie normală (sau
distribuţia Student, dacă n ≤ 30 ), de medie ŷ 2004
*
şi de abatere medie
2004
( )
pătratică s ŷ* , L y * = N yˆ 2004
*
(
, s yˆ *
2004
).
*
Pentru x 2004 = 163,6272 ⇒ yˆ 2004
*
= 126,676
s yˆ*
⎛ 1
⎜
= s 1+ +
2
*
(
x2004 − x * ⎞⎟
2
)
= 708,4988⋅
⎛ 1 (163,6272 − 82,3893)2 ⎞
⎜1 + + ⎟
2004
z
⎜ n′
⎝ ∑ tx*
− (
x * 2 ⎟
⎠ ) ⎜ 13
⎝ 26186 ,7452 ⎟
⎠
s yˆ* = 30,6848
2004
Estimarea consumului final real al gospodăriilor populaţiei, pe baza

unui interval de încredere, se calculează cu relaţia:
*
(
P yˆ 2004 − t α s yˆ * ≤ y 2004
2004
*
≤ yˆ 2004
*
2004
)
+ t α s yˆ * = 1 − α
Pentru α = 0,05 şi v = n − k − 1 = 11 , din tabela distribuţiei Student
se preia valoarea variabilei tα ;v = t 0,05;11 = 2,201 .
Deci, cu un prag de semnificaţie de 0,05 sau cu o probabilitate egală
cu 0,95, valoarea estimată a consumului final real al gospodăriilor populaţiei
României în anul 2004 va fi cuprinsă în intervalul:
P ( y 2004
*
∈ [126,676 ± 2,201 ⋅ 30,6848]) = 1 − 0,05 = 0,95
P ( y 2004
*
∈ [59,14;194,21]) = 0,95
2.1.4 Model unifactorial neliniar

gospodăriilor populaţiei şi venitul disponibil net real al populaţiei în
România, în perioada 1985-2001, exprimate în miliarde lei preţuri
comparabile (1990=100):
Tabelul 2.4.1
Consumul final real al Venitul disponibil net real al
gospodăriilor populaţiei populaţiei
Anul
(1990=100) (1990=100)
mld.lei mld.lei
0 1 2
1985 442,0 492,5
1986 448,1 500,1
1987 472,1 518,1
1988 513,2 527,1

Anul
(1990=100) (1990=100)
mld.lei mld.lei
1989 516,6 558,1
1990 557,7 588,1
1991 467,4 455,9
1992 432,1 438,7
1993 435,9 455,3
1994 447,3 489,3
1995 505,3 560,4
1996 545,7 584,6
1997 525,7 559,4
1998 586,2 493,3
1999 579,8 513,7
2000 582,3 525,7
2001 610,7 526,2
Notă: Ambii indicatori sunt calculaţi conform metodologiei de calcul a Sistemului European al
Conturilor Economiei Integrate - SEC 1979. Consumul final al populaţiei a fost deflaţionat cu ajutorul
deflatorului consumului final al populaţiei exprimat în preţuri constante (1990 = 100), iar venitul
disponibil net al populaţiei a fost deflaţionat cu ajutorul deflatorului PIB exprimat în preţuri constante
(1990 = 100), obţinut în urma prelucrării datelor din Raportul Anual BNR. Acesta a fost deflaţionat
cu ajutorul deflatorului PIB în preţuri constante (1990 = 100). Datele provin de la Ministerul
Prognozei şi Dezvoltării.
Sursa: Date prelucrate pe baza Anuarului Statistic al României 1995, CNS, Bucureşti, 1996, p. 370-
372, Anuarului Statistic al României 1996, INS, Bucureşti, 1997, p. 364-366, Anuarului Statistic al
României 2001, INS, Bucureşti, 2002, p. 278, 280, Anuarului Statistic al României 2003, INS,
Bucureşti, 2004, p. 284, 286, Raportului Anual 1999, BNR, Bucureşti, 2000, p. 6*-9*, Raportului
Anual 2000, BNR, Bucureşti, 2001, p. 6*-7*, Raportului Anual 2002 BNR, Bucureşti, 2003, p. 4*-5*,
Dobrescu, E., Macromodels of the Romanian Transition Economy, Second Edition, Editura Expert,
Bucharest, 1998, p. 184.
Se cere:
a) Să se construiască modelul econometric ce descrie legătura dintre
cele două variabile şi să se interpreteze semnificaţia parametrilor modelului;
acestora.
Rezolvare:
a) Pentru a construi modelul econometric care descrie relaţia dintre

consumul final real al gospodăriilor populaţiei şi venitul disponibil net real
al populaţiei se porneşte de la reprezentarea grafică a celor două variabile:
y = consumul final real al gospodăriilor populaţiei;
x = venitul disponibil net real al populaţiei.
y
620
610
600
590
580
570
560
550
540
530
520
510
500
490
480
470
460
450
440 x
430
430 440 450 460 470 480 490 500 510 520 530 540 550 560 570 580 590 600
Figura 2.4.1.
În urma reprezentării grafice a distribuţiei punctelor empirice se

constată că aceasta poate fi aproximată cu ajutorul unei funcţii neliniare,
respectiv funcţia putere.
Modelul econometric care descrie legătura dintre cele două variabile
se transformă într-un model neliniar unifactorial: y = ax b ⋅ u .
Acest model neliniar se transformă în model liniar prin logaritmare:
ln y = ln a + b ln x + ln u
Notând: ln y = zt ; ln x = vt ; ln u = wt , se obţine:
z t = ln a + bv t + wt
Semnificaţia economică a parametrului b, ţinând cont de

semnificaţia celor două variabile, este că acesta reprezintă panta dreptei sau
coeficientul de regresie al consumului în funcţie de venit. El reprezintă în
acelaşi timp înclinaţia marginală spre consum, care, în acest caz, este egală
cu elasticitatea consumului în funcţie de venit, fiind şi constantă:
d ln y
Ry x = E y x = =b
d ln x
b) Estimarea parametrilor modelului econometric de la punctul a) se

realizează cu ajutorul M.C.M.M.P.:
( ) ( )
17 17
F ln aˆ , bˆ = min ∑ ( zt − zˆt ) = min ∑ zt − ln aˆ − bˆvt
2 2
t =1 t =1
17 17
F ′(ln aˆ ) = 0 ⇒ n ln aˆ + bˆ∑ vt = ∑ zt
t =1 t =1
()
17 17 17
F ′ bˆ = 0 ⇒ ln aˆ ∑ vt + bˆ∑ vt2 = ∑ zt vt
t =1 t =1 t =1
Datele necesare rezolvării modelului se obţin pe baza tabelului de

mai jos:
Tabelul 2.4.2
Nr.
Anul xt yt vt zt vt* z *t
crt.
0 1 2 3 4 5 6 7
1 1985 442,0 492,5 6,0913 6,1995 - -
2 1986 448,1 500,1 6,1050 6,2148 1,4239 1,3977
3 1987 472,1 518,1 6,1572 6,2502 1,4474 1,4393
4 1988 513,2 527,1 6,2407 6,2674 1,4373 1,4824
5 1989 516,6 558,1 6,2473 6,3245 1,4811 1,4245
6 1990 557,7 588,1 6,3238 6,3769 1,4893 1,4960
7 1991 467,4 455,9 6,1472 6,1223 1,1942 1,2602
8 1992 432,1 438,7 6,0687 6,0838 1,3526 1,3181
9 1993 435,9 455,3 6,0774 6,1210 1,4194 1,3876
10 1994 447,3 489,3 6,1032 6,1930 1,4627 1,4066
11 1995 505,3 560,4 6,2252 6,3287 1,5427 1,5086
Nr.
Anul xt yt vt zt vt* z *t
crt.
0 1 2 3 4 5 6 7
12 1996 545,7 584,6 6,3021 6,3709 1,4802 1,4913
13 1997 525,7 559,4 6,2647 6,3269 1,4034 1,3945
14 1998 586,2 493,3 6,3737 6,2011 1,3117 1,5323
15 1999 579,8 513,7 6,3627 6,2416 1,4494 1,4371
16 2000 582,3 525,7 6,3670 6,2647 1,4412 1,4499
17 2001 610,7 526,2 6,4146 6,2657 1,4243 1,4942
Total 8668,2 8786,4 105,8716 106,1529 22,7610 22,9204

Dependent Variable: zt
Sample: 1985 2001
ind. ind. ind.
C 1,1425 ln â 1,7534 s ln aˆ 0,6516 t ln aˆ 0,5245 p(lnaˆ)
vt 0,8144 b̂ 0,2808 sbˆ 2,9005 tbˆ 0,0110 p bˆ ()
Mean dependent
R-squared 0,3593 R2 var
6,2277 z
Adjusted S.D. dependent
0,3166 Rc2 0,1170 sz
R-squared var
S.E. of Akaike info
0,0967 swˆ -1,7238 AIC
regression criterion
Sum
∑ (z − zˆ ) t t
2
=
squared 0,1403 = wˆ Schwarz criterion -1,6258 SC
∑ 2
t
resid
Log
16,6521 L F-statistic 8,4126 Fc
likelihood
Durbin-
Watson stat

de programe EViews este următoarea:
()
p (ln aˆ ), p bˆ = probabilitatea asociată parametrului â, respectiv b̂ .
O valoare cât mai apropiată de zero a acestei probabilităţi va indica o
semnificaţie ridicată a parametului respectiv, în caz contrar, aceasta
confirmând, împreună cu testul t, faptul că parametrul respectiv este
nesemnificativ.
Rc2 = coeficientul de deteminare corectat sau ajustat, este utilizat în
vederea evidenţierii numărului de variabile factoriale cuprinse în model,
precum şi a numărului de observaţii pe baza cărora au fost estimaţi
parametrii modelului. In cazul unui model multifactorial acesta va înregistra
valori inferioare coeficientului de deteminaţie. Expresia acestui indicator
este următoarea:
n −1
Rc2 =1 − ⋅ (1 − R 2 )
n−k
L= logaritmul funcţiei de verosimilitate (presupunând că erorile sunt
normal distribuite), funcţie ce este determinată ţinând seama de valorile
estimate ale parametrilor. Relaţia de calcul a acestui indicator, utilizată de
n ⎛⎜ ⎛ ∑ wˆ t2 ⎞⎞
L = 1 + ln (2π ) + ln⎜ ⎟⎟
2 ⎜⎝ ⎜ n ⎟⎟
⎝ ⎠⎠
unde:
∑ wˆ t2 = suma pătratelor erorilor;
k = numărul variabilelor exogene;
Acest indicator este utilizat în vederea elaborării unor teste statistice
destinate depistării variabilelor omise dintr-un model econometric, precum
şi a unor teste destinate depistării variabilelor redundante dintr-un model
econometric, ca, de exemplu, testul LR sau raportul verosimilităţilor
(Likelihood Ratio).
z = media variabilei dependente sau endogene, având următoarea

relaţie de calcul:
17
∑z t
z= t =1
n
s z = abaterea medie pătratică (standard) corespunzătoare variabilei
dependente, a cărei relaţie de calcul este următoarea:
∑ (z )
17 2
t −z
sz = t =1
n −1
AIC= criteriul Akaike este utilizat în cazul comparării a două sau

mai multe modele econometrice. Relaţia de calcul a acestuia, utilizată de
2 L 2k
AIC = − +
n n
Este ales acel model econometric pentru care s-a obţinut valoarea
cea mai mică corespunzătoare acestui indicator.
SC = criteriul Schwartz este, de asemenea, utilizat pentru a compara
două sau mai multe modele econometrice. Relaţia de calcul a acestuia,
utilizată de către pachetul de programe EViews, este următoarea:
2 L k ln n
SC = − +
n n
Şi în acest caz, este ales acel model econometric pentru care s-a
obţinut valoarea cea mai mică corespunzătoare acestui indicator.
p(F) = probabilitatea asociată statisticii F. O valoare cât mai
apropiată de zero a acestei probabilităţi va indica o semnificaţie ridicată a
rezultatelor estimării, respectiv a modelului.
Pe baza estimatorilor au fost calculate valorile estimate ale variabilei

z şi ale variabilei reziduale, wˆ t = zt − zˆt . Valorile acestora sunt prezentate în
cadrul tabelului 2.4.3 (utilizând pachetul de programe EViews):
Tabelul 2.4.3
zt ẑt wˆ t = zt − zˆt (graficul reziduurilor)
6,0913 6,1913 -0,1000 | *. | . |
6,1050 6,2037 -0,0987 | *. | . |
6,1572 6,2325 -0,0753 | .* | . |
6,2407 6,2466 -0,0059 | . * . |
6,2473 6,2931 -0,0458 | . * | . |
6,3238 6,3357 -0,0119 | . *| . |
6,1472 6,1284 0,0188 | . |* . |
6,0687 6,0971 -0,0284 | . *| . |
6,0774 6,1273 -0,0499 | . * | . |
6,1032 6,1860 -0,0827 | .* | . |
6,2252 6,2964 -0,0713 | .* | . |
6,3021 6,3309 -0,0288 | . *| . |
6,2647 6,2950 -0,0303 | . *| . |
6,3737 6,1926 0,1811 | . | . *|
6,3627 6,2256 0,1371 | . | . * |
6,3670 6,2444 0,1226 | . | .* |
6,4146 6,2452 0,1694 | . | . *|

∑ (z − zˆt )
2
t 0,1440
2
s wˆ = = = 0,0994
n − k −1 17 − 1 − 1
unde:
- abaterea medie pătratică a variabilei reziduale
swˆ =
∑ (z t − zˆt )
2
= 0,0994 = 0,0967
n − k −1
- abaterile medii pătratice ale celor doi estimatori

⎡1 v2 ⎤
sln aˆ = sw2ˆ ⎢ + 2⎥
= 1,7534
⎣⎢ n ∑ (vt − v ) ⎦⎥
sw2ˆ
sbˆ = = 0,2808
∑ (vt − v )
2
- raportul de corelaţie
17 17
∑ (zt − zˆt ) ∑ (z − zˆt )

2 2
t
t =1 t =1
R = R2 = 1 − = 1−
s z2 ⋅ (n − 1)
∑ (z )
17
2
t −z
t =1
49701,4613
R = 1− = 0,3593 = 0,5994
0,11702 ⋅ 16
- variabila Durbin-Watson, d
17
∑ (wˆ − wˆ )
t t −1
2
d= t =2
17
= 0,45
∑ wˆ t2
t =1
(vezi tabelul afişat de programul Eviews)


zˆt = 1,1425 + 0,8144 vt ; R = 0,599
(1,7534) (0,2808) d = 0,45
swˆ = 0,0967
Verificarea semnificaţiei modelului presupune:
- verificarea ipotezei de homoscedasticitate a erorilor;
- verificarea ipotezei de normalitate a erorilor;
Verificarea ipotezei de independenţă a erorilor se realizează cu
ajutorul testului Durbin-Watson, constând în calcularea variabilei d şi
compararea sa cu două valori teoretice d 1 şi d 2 (d1 = 1,13; d 2 = 1,38) ,
preluate din tabela distribuţiei Durbin-Watson în funcţie de un prag de
semnificaţie α (α = 0,05) , de numărul variabilelor explicative k ( k = 1) şi
de numărul observaţiilor n (n = 17 ≥ 15) .
Deoarece valoarea calculată, d = 0,45 , este cuprinsă în intervalul
0 < d = 0,45 < d1 = 1,13 , aceasta indică existenţa unei autocorelări pozitive.
Din acest motiv, nu mai are sens testarea semnificaţiei estimatorilor
şi a raportului de corelaţie, estimatorii nemaifiind eficienţi, deci se impune
mai întâi eliminarea fenomenului de autocorelaţie a erorilor.
Eliminarea fenomenului de autocorelare a erorilor va fi realizată cu
ajutorul procedeului prezentat în cadrul aplicaţiei 2.1.3, respectiv, pornind
de la faptul că erorile sunt corelate, adică:
wt = r(1)wt −1 + ω t
se va estima valoarea coeficientului de autocorelaţie de ordinul 1 pe baza
variabilei Durbin-Watson, d, pentru a facilita utilizarea pachetului de
programe EViews în vederea eliminării autocorelaţiei erorilor (utilizând
programul autocorelaţie.prg):
d 0,45
r(1) = 1 − = 1 − = 0,77
2 2
În continuare, variabilele modelului vor fi transformate pe baza

qvasi-diferenţelor:
zt − r(1) zt −1 = a (1 − r(1) ) + b(vt − r(1)vt −1 ) + ω t
Notând cu: zt* = yt − r(1) yt −1
vt* = xt − r(1) xt −1
a1 = ln a (1 − r(1) )
b1 = b
se obţine:
zt* = a1 + b1vt* + ω t ⇒ zˆt* = aˆ1 + bˆ1vt*
(vezi tabelul 2.4.2 coloanele 6, 7)
Rezultatele estimării, utilizând pachetul de programe EViews (Vezi
aplicaţia 2.1.3) sunt următoarele:
Dependent Variable: z t∗
C 0,6578 0,2674 2,4595 0,0275
vt∗ 0,5446 0,1877 2,9014 0,0116

Adjusted R-squared 0,3309 S,D, dependent var 0,0722
Pe baza rezultatelor estimării afişate de programul EViews rezultă

modelul:
z t* = 0,6578 + 0,5446 vt* ; R1 = 0,613
(0,2674) (0,1877 ) d ′ = 1,97
sωˆ = 0,059
Pe baza estimatorilor au fost calculate valorile estimate ale variabilei

z şi ale variabilei reziduale, ω̂ t . Valorile acestora sunt prezentate în cadrul
*
t
tabelului 2.4.4:
Tabelul 2.4.4
z *
t zˆ *
t ω̂ t (graficul reziduurilor)
1,3977 1,4332 -0,0356 | .* | . |
1,4393 1,4460 -0,0068 | . *| . |
1,4824 1,4405 0,0419 | . | *. |
1,4245 1,4644 -0,0399 | .* | . |
1,4960 1,4689 0,0271 | . |*. |
1,2602 1,3082 -0,0480 | * | . |
1,3181 1,3944 -0,0763 | *. | . |
1,3876 1,4308 -0,0432 | .* | . |
1,4066 1,4544 -0,0478 | * | . |
1,5086 1,4980 0,0106 | . |* . |
1,4913 1,4639 0,0274 | . |*. |
1,3945 1,4221 -0,0276 | .*| . |
1,5323 1,3722 0,1601 | . | . *|
1,4371 1,4472 -0,0100 | . *| . |
1,4499 1,4427 0,0072 | . |* . |
1,4942 1,4335 0,0607 | . | .* |

autocorelaţie a erorilor a fost eliminat - pentru un prag de semnificaţie
α = 0,05, k = 1, n = 16 valorile teoretice ale variabilei Durbin-Watson sunt
d1 = 1,10, d 2 = 1,37 . În comparaţie cu acestea, valoarea empirică d ′ = 1,97
se situează astfel: d 2 = 1,37 < d ′ = 1,97 < 4 − d 2 = 2,63 , ceea ce indică
fenomenul de independenţă a erorilor, deci fenomenul de autocorelaţie a
erorilor a fost eliminat.
Verificarea ipotezei de homoscedasticitate a erorilor se va realiza cu

ajutorul testului White (vezi aplicaţia 2.1.2). Utilizând programul EViews
au fost obţinute următoarele rezultate:

Test Equation:
Dependent Variable: wt2
Sample: 1985 2001
C -29,4768 10,8355 -2,7204 0,0166
vt 9,4696 3,4758 2,7245 0,0164
vt2 -0,7602 0,2787 -2,7276 0,0163


Fc = 3,8112 > F0, 05; 2;14 = 3,74 şi LM = 5,9929 > χ 02,05; 2 = 5,99147 , iar
estimatorii parametrilor modelului sunt semnificativi pentru un prag de
semnificaţie α = 0,05 ( t 0,05;14 = 2,148 ), indicând prezenţa
heteroscedasticităţii erorilor, dar, pentru un prag de semnificaţie α = 0,01 ,
Fc = 3,8112 < F0, 01; 2;14 = 6,51 şi LM = 5,9929 < χ 02,01; 2 = 9,21034 , iar
estimatorii parametrilor modelului sunt nesemnificativi ( t 0,01;14 = 2,977 ),
deci ipoteza de homoscedasticitate se verifică. Se poate astfel considera că,
pentru un prag de semnificaţie α = 0,01 , ipoteza de homoscedasticitate este

verificată.
Verificarea ipotezei de normalitate a erorilor se va realiza cu ajutorul
testului Jarque-Berra. Utilizând pachetul de programe EViews în vederea
calculării testului Jarque-Berra (vezi Figura 2.4.2.) se constată că
JB = 2,5981 < χ 02,05; 2 = 5,9915 şi că p(JB) = 0,2728. Deoarece valoarea
calculată a testului J-B este mai mică decât valoarea tabelată a lui χ α2 ; 2 , iar
probabilitatea ca testul J-B să nu depăşească valoarea tabelată este suficient
de mare, ipoteza de normalitate a erorilor poate fi acceptată.
8
Series: Residuals
Sample 1985 2001
Observations 17
6
Mean 1.10E-15
Median -0.028806
Maximum 0.181076
4
Minimum -0.099953
Std. Dev. 0.093653
Skewness 0.910913
2 Kurtosis 2.409370
0
-0.10 -0.05 0.00 0.05 0.10 0.15 0.20
Figura 2.4.2

aˆ1
t aˆ1 = ≥ tα ;(n −1)− k −1
s aˆ1
0,6578
t aˆ1 = = 2,4595
0,2674
bˆ1
t bˆ = ≥ tα ;(n −1)− k −1
1 s bˆ
1
0,5446
t bˆ = = 2,9014
1 0,1877

valoare cu valorile calculate pentru cei doi estimatori, se constată că:
- t aˆ1 = 2,4595 > t 0,05;14 = 2,145 ⇒ parametrul a$ 1 este semnificativ
diferit de zero;
- t bˆ = 2,9014 > t 0,05;14 = 2,145 ⇒ parametrul b$1 este semnificativ
1
diferit de zero.
R2 0,3755
Fc = ((n − 1) − 2 ) 2
= 14 ⋅ = 8,418
1− R 0,6245
v 2 = (n − 1) − k − 1 = 14 se preia valoarea teoretică F0,05;1;14 = 4,60 . Se
constată că Fc = 8,418 > F0,05;1;14 = 4,60 , deci pentru un prag de semnificaţie
de 5%, valoarea raportului de corelaţie este semnificativ diferită de zero.
În concluzie, modelul z t* = 0,6578 + 0,5446 xt* poate fi apreciat ca
reprezentativ pentru descrierea dependenţei dintre consumul final real al
gospodăriilor populaţiei şi venitul disponibil net real al populaţiei.
Deşi modelul este semnificativ în raport cu testele statistice adecvate
acestui scop (ipotezele corespunzătoare M.C.M.M.P. sunt verificate,
estimatorii parametrilor şi raportul de corelaţie sunt semnificativi), faptul că
mărimea coeficientului de determinare este mică (în jur de 0,38), se poate
considera că modelul poate fi folosit în scopuri explicative, statistice şi
economice (a1>0, 0<b1<1), dar nu şi în scopuri de simulare şi prognoză
deoarece prezintă o capacitate slabă de previziune.
2.1.5 Model liniar multifactorial
Un întreprinzător cumpără un magazin având o suprafaţă de 230 m2

într-un cartier în care locuiesc în jur de 6400 de familii. O societate de
consultanţă de management comercial îl informează că cifra de afaceri a
magazinelor cu profilul respectiv depinde liniar de suprafaţa comercială a
magazinului şi de numărul familiilor din cartierul respectiv care, de regulă,
cumpără de la magazinul cel mai apropiat. În acest sens, îi pune la dispoziţie
informaţiile referitoare la aceşti indicatori, înregistrate la 13 magazine având
acelaşi profil:
Tabelul 2.5.1
Nr. de familii
70 35 55 25 28 43 15 33 23 4 45 20 56
(sute)
Suprafaţa
comercială 21 26 14 10 12 20 5 28 9 6 10 8 36
(zeci m2)
Cifra de
afaceri 198 209 197 156 85 187 43 211 120 62 176 117 273
(mil. lei)
Se cere:
a) Pe baza datelor problemei, ţinând cont de semnificaţia economică
a fenomenelor observate, să se construiască modelele econometrice cu
ajutorul cărora poate fi studiată dependenţa dintre fenomenele respective;
b) Să se estimeze parametrii modelelor construite la punctul a);
c) Din cele trei modele utilizate pentru descrierea dependenţei cifrei
de afaceri de cei doi factori, să se aleagă cel mai bun model;
d) Să se estimeze cifra de afaceri pe care o poate obţine
întreprinzătorul dacă va cumpăra magazinul respectiv;
e) Ştiind că, pentru funcţionarea magazinului, cheltuielile lunare sunt
în jur de 200 milioane lei, estimaţi care este riscul ca întreprinzătorul să
obţină un profit mai mic sau egal cu 10%;
f) Să se arate şi alte modalităţi de rezolvare a modelului
multifactorial - pe baza matricei coeficienţilor de corelaţie şi a matricei
varianţelor şi covarianţelor.
Rezolvare:
a) Descrierea econometrică a legăturii dintre cele trei variabile, y -

cifra de afaceri. x1 - numărul de familii şi x 2 - suprafaţa comercială, se
poate face cu ajutorul a trei modele:
1.1. Modelul unifactorial: y t = f ( x1t ) + u1t explică variaţia cifrei de
afaceri pe seama numărului de familii;
1.2. Modelul unifactorial: y t = f ( x 2 t ) + u2 t explică variaţia cifrei de
afaceri pe seama suprafaţei comerciale;
1.3. Modelul multifactorial: y t = f ( x1t , x 2 t ) + u3t explică variaţia
cifrei de afaceri pe seama ambilor factori.
Identificarea funcţiilor de regresie a primelor două modele se
realizează cu ajutorul reprezentării grafice a variabilei y în funcţie de
celelalte două variabile factoriale x1 , respectiv x 2 .
300
250
200
150
Y
100
50
0
10 20 30 40 50 60 70
X1
Figura 2.5.1
300
250
200
150
Y
100
50
0
5 10 15 20 25 30 35
X2
Figura 2.5.2
Deoarece graficele de mai sus arată că legătura dintre y şi x1 ,

respectiv y şi x 2 poate fi aproximată cu o dreaptă, modelele de mai sus
devin:
1. y t = a1 + b1 x1t + u1t
2. y t = a 2 + b2 x 2 t + u 2 t
3. y t = a3 + b3 x1t + c3 x 2t + u 3t
Modelul (3) este un model multifactorial liniar deoarece y, fiind

corelat liniar cu x1 , respectiv cu x 2 , se deduce uşor că va fi corelat liniar şi
în raport cu ambii factori.
b) Estimarea parametrilor celor trei modele

1. Model econometric privind dependenţa dintre cifra de afaceri şi
numărul de familii.
Estimarea parametrilor modelului y t = a 1 + b1 x1t + u1t se va face cu
ajutorul pachetului de programe EViews, prin aplicarea M.C.M.M.P., care a
condus la obţinerea următoarelor rezultate:
Sample: 1 13
C 56,9101 26,0181 2,1873 0.0512
x1t 2,8632 0,6662 4,2978 0.0013
Valorile estimate ale variabilei yt şi ale variabilei reziduale uˆ1t sunt

prezentate în cadrul tabelului 2.5.2. (utilizând pachetul de programe
EViews):
Tabelul 2.5.2
yt Yˆt1 uˆ1t (graficul reziduurilor)
198 257,3340 -59,3345 |* . | . |
209 157,1220 51,8777 | . | .* |
197 214,3860 -17,3864 | . * | . |
156 128,4900 27,5098 | . | * . |
85 137,0800 -52,0798 | *. | . |
187 180,0280 6,9721 | . |* . |
43 99,8582 -56,8582 |*. | . |
211 151,3960 59,6041 | . | . *|
120 122,7640 -2,7638 | . *| . |
62 68,3629 -6,3629 | . *| . |
176 185,7540 -9,7543 | . *| . |

117 114,1740 2,8258 | . |* . |
273 217,2500 55,7504 | . | .*|
În vederea verificării ipotezei de independenţă a erorilor se

calculează valoarea variabilei Durbin-Watson: d = 2,67 (vezi tabelul afişat
de programul EViews).
Durbin-Watson se preiau valorile pentru cazul n = 15, k = 1 - numărul
variabilelor explicative d1 = 1,08 şi d 2 = 1,36 .
Cum 4 − d 2 = 2,64 ≤ d = 2,67 ≤ 4 − d1 = 2,92 , rezultă indecizie
tinzând spre autocorelare negativă.
aˆ1 bˆ1
taˆ1 = ≥ tα ; n − k −1 şi tbˆ = ≥ tα ; n − k −1
saˆ1 1
sbˆ
1
Deoarece:
aˆ 56,9101
taˆ1 = 1 = = 2,1873 < t0, 05;11 = 2,2010 → parametrul â1 nu
saˆ1 26,0181
este semnificativ diferit de zero.
bˆ1 2,8632
tbˆ = = = 4,2978 > t0,05;11 = 2,2010 → parametrul b̂1 este
1
sbˆ 0,6662
1
semnificativ diferit de zero.

semnificative, cu un prag de semnificaţie de 5%,
Fc = 18,471 > F0, 05;1;11 = 4,84 .

verifică relaţia:
R2
Fc = (n − 2) > Fα ;v1 ; v 2
1 − R2
0,6268
Fc = 11 ⋅ = 18,471
1 − 0,6268
În funcţie de un prag de semnificaţie α = 0,05 şi de numărul

gradelor de libertate v1 = k = 1 şi v 2 = n − k − 1 = 13 − 2 = 11 se preia
valoarea teoretică F0 ,05;1;11 = 4 ,84 .
Se constată că Fc = 18,471 > F0 ,05;1;11 = 4 ,84 , deci, pentru un prag
de semnificaţie de 5%, valoarea raportului de corelaţie este semnificativ
diferită de zero.
Pe baza datelor de mai sus, modelul devine:
Yˆt1 = 56,9101 + 2,8632 x1t ; R = 0,7917

(26,0181) (0,6662) d = 2,67
suˆ1 = 42,7219
2) Model econometric privind dependenţa dintre cifra de afaceri şi

suprafaţa comercială
Estimarea parametrilor modelului y t = a 2 + b2 x 2 t + u 2 t se va face cu
ajutorul pachetului de programe EViews, prin aplicarea M.C.M.M.P., care a
condus la obţinerea următoarelor rezultate:
Sample: 1 13
C 61,3840 19,1642 3,2031 0,0084
x2t 6,0293 1,0485 5,7504 0,0001

EViews):
Tabelul 2.5.3
yt Yˆt 2 uˆ 2t (graficul reziduurilor)
198 187,999 10,0006 | . |* . |
209 218,146 -9,1460 | . *| . |
197 145,794 51,2057 | . | . *|
156 121,677 34,3229 | . | * |
85 133,736 -48,7357 |* . | . |
187 181,970 5,0299 | . |* . |
43 91,5306 -48,5306 |* . | . |
211 230,205 -19,2046 | . * | . |
120 115,648 4,3522 | . |* . |
62 97,5599 -35,5599 | * | . |
176 121,677 54,3229 | . | . *|
117 109,618 7,3815 | . |* . |
273 278,439 -5,4390 | . *| . |
În vederea verificării ipotezei de independenţă a erorilor se

calculează valoarea variabilei Durbin-Watson: d = 2,26 (vezi tabelul afişat
de programul EViews).
Durbin-Watson se preiau valorile (pentru cazul n = 15 , k = 1 - numărul
variabilelor explicative) d1 = 1,08 şi d 2 = 1,36 .
⎧d c = 2,26 > d 2 = 1,36
Cum ⎨ rezultă că erorile sunt independente.
d
⎩ c = 2, 26 < 4 − d 2 = 2, 64
Deoarece:
aˆ2 61,384
taˆ 2 = = = 3,2031 > t0, 05;11 = 2,2010
saˆ 2 19,1642
bˆ2 6,0293
t bˆ = = = 5,7504 > t0,05;11 = 2,2010
2
sbˆ 1,0485
2
rezultă că ambii estimatori, a$ 2 şi b$2 , sunt semnificativ diferiţi de zero, cu

un prag de semnificaţie α = 0,05 .
semnificative, cu un prag de semnificaţie de 5%,
Fc = 33,0674 > F0 ,05;1;11 = 4 ,84 .
Se verifică, de asemenea, semnificaţia raportului de corelaţie:
R2 0,7504
Fc = (n − 2 ) = 11 ⋅ = 33,0674
1− R 2
1 − 0,7504
Se constată că Fc = 33,0674 > F0 ,05;1;11 = 4 ,84 , deci, pentru un prag

de semnificaţie de 5%, valoarea raportului de corelaţie este semnificativ
diferită de zero.
Pe baza datelor de mai sus, modelul devine:
Yˆt 2 = 61,384 + 6,0293 x2t ; R = 0,8662

(19,1642) (1,0485) d = 2,26
suˆ 2 = 34,9373
3) Model econometric multifactorial privind dependenţa cifrei de

afaceri de suprafaţa comercială şi de numărul de familii
Estimarea parametrilor modelului multifactorial,
yt = a3 + b3 x1t + c3 x2t + u3t , necesită efectuarea următoarelor calcule:
- obţinerea sistemului de ecuaţii normale prin aplicarea M.C.M.M.P.
care constă în:
( ) 13
(
F aˆ3 , bˆ3 , cˆ3 = min ∑ y t − aˆ3 − bˆ3 x 1t − cˆ3 x 2t
t =1
)
2
Minimul acestei funcţii este dat de calculul derivatelor parţiale în

raport cu parametrii modelului :
(
F ′(aˆ3 ) = 0 ⇒ 2∑ yt − aˆ3 − bˆ3 x1t − cˆ3 x2t (− 1) = 0 )
t
( ) (
F ′ bˆ3 = 0 ⇒ 2∑ y t − aˆ3 − bˆ3 x 1t − cˆ3 x 2t (− x 1t ) = 0
t
)
(
F ′(cˆ3 ) = 0 ⇒ 2∑ y t − aˆ3 − bˆ3 x 1t − cˆ3 x 2t (− x 2t ) = 0
t
)
După efectuarea calculelor rezultă următorul sistem de ecuaţii:
⎧naˆ3 + bˆ3 ∑ x 1t + cˆ3 ∑ x 2t = ∑ y t

⎪⎪
⎨aˆ3 ∑ x 1t + bˆ3 ∑ x 1t + cˆ3 ∑ x 1t x 2t = ∑ x 1t y t
2
⎪
⎪⎩aˆ3 ∑ x 2t + bˆ3 ∑ x 1t x 2t + cˆ3 ∑ x 2t = ∑ x 2t y t
2
Valorile estimatorilor rezultă în urma rezolvării sistemului de ecuaţii

ale cărui necunoscute sunt cei trei parametrii a 3 , b3 , c3 .
Pentru exemplificare, estimarea parametrului a$ 3 cu ajutorul
M.CM.M.P. se realizează astfel:
∑y ∑x t∑x 1t 2t 2034 452 205
∑x y ∑x ∑x x
1t t
2
1t 1t 2 t 82495 19828 8452
aˆ3 =
∑x y ∑x x ∑x
2t t 1t 2 t
2
2t
=
38769 8452 4343
n ∑x ∑x 1t 2t
13 452 205
∑x ∑x ∑x x
1t
2
1t 1t 2 t
452 19828 8452
∑x ∑x x ∑x
2t 1t 2 t
2
2t
205 8452 4343
aˆ3 = 37,5023
În mod analog se obţin valorile celorlalţi doi parametrii: bˆ3 = 1,4963

şi cˆ3 = 4,2446 .
Rezolvarea modelului s-a realizat cu ajutorul programului EViews,

conducând la afişarea următoarelor rezultate:
Dependent Variable: Yt
Sample: 1 13
C 37,5023 17,6461 2,1252
X1t 1,4963 0,5534 2,7039
X2t 4,2446 1,0650 3,9856

EViews):
Tabelul 2.5.4
yt Yˆt 3 uˆ3t (graficul reziduurilor)
198 231,3800 -33,3796 | *. | . |
209 200,2330 8,7674 | . |* . |
197 179,2230 17,7771 | . | *. |
156 117,3560 38,6443 | . | . * |
85 130,3340 -45,3339 |* . | . |
187 186,7350 0,2648 | . * . |
43 81,1697 -38,1697 | * . | . |
211 205,7290 5,2707 | . |* . |
120 110,1190 9,8815 | . | * . |
62 68,9552 -6,9552 | . *| . |
176 147,2810 28,7185 | . | .* |
117 101,3850 15,6149 | . | * . |
273 274,1010 -1,1009 | . * . |
O cale mai rapidă de estimare a parametrilor se realizează utilizând

calculul matriceal, sistemul de ecuaţii de mai sus devenind:
( X ′X )B$ = ( X ′Y )
Înmulţind la stânga expresia cu ( X ′X )

−1
obţinem:
( X ′X )−1 ( X ′X )Bˆ = ( X ′X )−1 ( X ′Y )
Rezultă că:
⎛ a$ 3 ⎞
⎜ ⎟
B$ = ⎜ b$3 ⎟ = ( X ′X ) ( X ′Y )
−1
⎜$ ⎟
⎝ c3 ⎠
unde matricile sunt de forma:
⎛1 70 21⎞ ⎛ 198 ⎞ ⎛ uˆ1 ⎞

⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜1 35 26⎟ ⎜ 209 ⎟ ⎜ uˆ2 ⎟
⎜1 55 14⎟ ⎜ 197 ⎟ ⎜ uˆ ⎟
⎜ ⎟ ⎜ ⎟ ⎜ 3⎟
⎜1 25 10⎟ ⎜ 156 ⎟ ⎜ M ⎟
⎜1 28 12⎟ ⎜ 85 ⎟ ⎜ M ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜1 43 20⎟ ⎜ 187 ⎟ ⎜ M ⎟
⎜ ⎟ ⎜ ⎟
X = ⎜1 15 5⎟ Y = ⎜ 43 ⎟ U =⎜ M ⎟
⎜ ⎟
⎜1 33 28⎟ ⎜ 211 ⎟ ⎜ M ⎟
⎜1 ⎟ ⎜ ⎟ ⎜ ⎟
⎜ 23 9⎟ ⎜ 120 ⎟ ⎜ M ⎟
⎜1 4 6⎟ ⎜ 62 ⎟ ⎜ M ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜1 45 10⎟ ⎜ 176 ⎟ ⎜ M ⎟
⎜1 20 8⎟ ⎜ 117 ⎟ ⎜ M ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝1 56 36⎠ ⎜ 273 ⎟ ⎜ uˆ ⎟
⎝ ⎠ ⎝ 13 ⎠
Se calculează matricile:
⎛ 13 452 205 ⎞
⎜ ⎟
( X ′X ) = ⎜ 452 19828 8452 ⎟
⎜ 205 8452 4343 ⎟
⎝ ⎠
⎛ 2034 ⎞
⎜ ⎟
( X ′Y ) = ⎜ 82495 ⎟
⎜ 38769 ⎟
⎝ ⎠
X ′X = 36557768
⎛ 14676700 −230376 −244436⎞

⎜ ⎟
( X ′X ) ∗
= ⎜ −230376 14434 −17216 ⎟
⎜ ⎟
⎝ −244436 −17216 53460 ⎠
⎛14676700 − 230376 − 244436 ⎞

1 ⎜ ⎟
( X ′X ) −1
= ⎜ − 230376 14434 − 17216 ⎟
36557768 ⎜
⎝ − 244436 − 17216 53460 ⎟⎠
⎛ 0,4015 − 0,0063 − 0,0067 ⎞

⎜ ⎟
( X ′X )
−1
= ⎜ − 0,0063 0,0004 − 0,0005 ⎟
⎜ − 0,0067 − 0,0005 0,0015 ⎟
⎝ ⎠
Calculând produsul:
⎛ aˆ3 ⎞ ⎛ 37,5023 ⎞
⎜ ⎟ ⎜ ⎟
Bˆ = ( X ′X ) ( X ′Y ) = ⎜ bˆ3 ⎟ = ⎜ 1,4963 ⎟
−1
⎜ cˆ ⎟ ⎜ 4,2446 ⎟
⎝ 3⎠ ⎝ ⎠
Valorile teoretice ale cifrei de afaceri rezultă deci din relaţia:
Yˆt 3 = 37,5023 + 1,4963 x1t + 4,2446 x2t
Calculul celorlalţi indicatori ai modelului multifactorial se va face

utilizând următoarele relaţii:
( ∑ )
2
1 n uˆ3t
su2ˆ 3 = ∑
n − k − 1 t =1
yt − Yˆ
t
3 2
=
n − k −1
- estimaţia dispersiei ( σ u23 ) a
variabilei reziduale u3
s (2aˆ ˆ
2
) = s uˆ 3 c ij - estimaţiile dispersiilor parametrilor a 3 , b3 , c3 ,
3 ,b3 ,cˆ3
unde:
cij = elementul situat pe diagonala principală a matricei inverse
( X ′X ) −1 ;
⎞ ⎛⎜ saˆ 3 ⎞⎟
2
⎛ 0,4015
⎜ ⎟
s(2aˆ ) = su ⋅⎜ ⎟ = ⎜ sbˆ3 ⎟
2 2
ˆ 0,0004
3 , b3 , cˆ 3
⎜ ⎜ ⎟
0,0015 ⎟⎠ ⎜⎝ sc2ˆ3 ⎟⎠
3
∑ (Yˆ ) 1− ∑
(y − Yˆ )
2 3 2
3
−y
R= t
= t t
- raportul de corelaţie
∑(y t − y)
2
∑(y − y) t
2
∑ (uˆ3t − uˆ3t −1 )
n
2
d = t =2 n
- valoarea variabilei Durbin-Watson calculată
2
∑ uˆ3t
t =1
în vederea testării ipotezei de independenţă a erorilor.

Verificarea semnificaţiei acesteia se face cu ajutorul tabelei Durbin-
Watson, din care se extrag valorile d 1 = 0,95 şi d 2 = 1,54 în funcţie de un
prag de semnificaţie α = 0,05 , de numărul variabilelor exogene k = 2 şi de

numărul observaţiilor n = 13 (n = 15) .
Comparând valoarea calculată a variabilei Durbin-Watson d c = 2,17
cu cele două valori tabelate se observă că d c = 2 ,17 > d 2 = 1,54 şi
d c = 2 ,17 < 4 − d 2 = 2 ,36 , deci erorile sunt independente.
În urma testării semnificaţiei parametrilor s-a constatat că:
t c â = 2 ,1252 < t 0 ,05;10 = 2 ,228 rezultă că parametrul a$ 3 nu este
3
semnificativ diferit de zero;

tcbˆ = 2,7039 > t0,05;10 = 2,228 rezultă că parametrul b$3 este
3

t ccˆ = 3,9856 > t 0,05;10 = 2,228 rezultă că parametrul c$3 este
3

Deoarece Fc = 29,6749 > F0, 05; 2;10 = 4,1 rezultă că valoarea raportului
de corelaţie este semnificativ diferită de zero, cu un prag de semnificaţie de
0,05.
Utilizând ecuaţia analizei variaţiei:
∑(y t ( ) (
− y ) = ∑ yt − Yˆt 3 + ∑ Yˆt 3 − y
2 2
)
2
rezultă că modelul econometric explică 85,58% ⎜

⎛
∑ Yt (
ˆ3 − y 2
⋅ 100
⎞)
⎟ din
⎜ ( y − y )2 ⎟
⎝∑ t ⎠
variaţia totală a cifrei de afaceri.
În concluzie, putem afirma că modelul este corect specificat, adică
variabilele x1t şi x 2 t sunt factori semnificativi ai cifrei de afaceri, deoarece
estimatorii lor sunt semnificativ diferiţi de zero şi corect identificaţi,
deoarece modelul explică cea mai mare parte din variaţia cifrei de afaceri.
b$3 c$3
De asemenea, relaţiile > t α , n − k −1 ; > t α ;n − k −1 indică şi faptul că
sb$ sc$3
3
cele două variabile x1t şi x 2 t nu sunt corelate liniar. Dacă acestea ar fi fost
corelate liniar (puternic) atunci unul dintre estimatori ar fi fost

nesemnificativ, ceea ce înseamnă că una dintre cele două variabile trebuie
eliminată din model.
Prin utilizarea unui model liniar multifactorial, cei doi estimatori, b$ 3
şi c$3 , reprezintă coeficienţii de regresie (coeficienţii marginali sau

∂y ∂y
, ), ceea ce înseamnă că la o modificare de ±100 a numărului de
∂x1 ∂x 2
familii, cifra de afaceri a magazinului va suferi o modificare de ±1,4963 mil.
lei, iar dacă suprafaţa comercială se va modifica cu ±10m2, cifra de afaceri
va suporta o modificare de ±4,2446 mil. lei.
Ca atare, modelul care descrie legătura dintre fenomenele analizate
este:
Yˆ 3 = 37,5023 + 1,4963 x + 4,2446 x ;
t 1t R = 0,9251 2t
(17,6461) (0,5534) (1,065) d = 2,17

suˆ 3 = 27,85
c) Alegerea celui mai bun model econometric din cele trei modele
analizate se va face pe baza tabelului de mai jos, în raport cu modelul iniţial
( M 0 ):
Tabelul 2.5.5
Simbolul Coeficienţii de Coeficienţii de
modelului Variaţia performanţă performanţă
Ml Structura modelului neexplicată de parţială
Vu2
R 2j / 0 = 1 −
(l = 0,3) model
V02 R 2j +1/ j = 1 −
Vu2j + 1
Vu2j
Vu20 = V02 Vu20

M0 R02 / 0 = 1 −
yt = y + u0 = ∑ (y − y)2 V02
(l = 0) t
-
= 53789,2308 =0
y t = a1 + b1 x1t + u1t R12/ 0 =
M1
Yˆ 1 = 56,9101 + 2,8632 x
Vu21 = ∑ (y − Yˆ )
t t
1 2
=1−
20076,7405
R12/ 0 = 0,6268
(l = 1) t 1t
= 20076,7405 53789,2308
(26,0181) (0,6662) = 0,6268
y t = a 2 + b2 x 2 t + u 2 t R 22/ 0 =
M2 ∑( )
2
Vu22 = yt − Yˆt 2 13426,7387
Yˆ 2 = 61,384 + 6,0293x =1− R22/1 = 0,3312
(l = 2) t 2t
= 13426,7387 53789,2308
(19,1642) (1,0485) = 0,7504
Simbolul Coeficienţii de Coeficienţii de

modelului Variaţia performanţă performanţă
Ml Structura modelului neexplicată de parţială
Vu2
R 2j / 0 = 1 −
(l = 0,3) model
V02 R 2j +1 / j = 1 −
Vu2j + 1
Vu2j
Vu2
R32/ 1 = 1 − =
Vw2
yt = a3 + b3 x1t + c3 x2t + u3t R32/ 0 = = 0,6137
M3 ∑ (y )
2
Vu23 = − Yˆt3 775,2142
Yˆ 3 = 37,5023 + 1,4963 x + 4,2446 x t
=1 − Vu2
(l = 3)
t
(17,6461) (0,5534)
1t
(1,065)
2t
= 7756,2142 53789,2308
= 0,8858
R32/ 2 = 1 − =
V z2
= 0,4223
Notă: j = 0,1, ... , q , ..., k ; k = numărul variabilelor exogene;
t = 1, n; n = numărul observaţiilor;
l = 0, m; m = numărul modelelor construite ( m = 3 ).
În cazul modelelor cu acelaşi număr de variabile exogene, cel mai

bun model este dat de restricţia : max R j2 . Pe baza acestui criteriu se observă
j
că: R22/ 0 = 0,7504 > R12/ 0 = 0,6268 , respectiv modelul M 2 explică mai bine
variaţia cifrei de afaceri (y) în funcţie de suprafaţa comercială ( x 2 ), în
comparaţie cu modelul M 1 , care utilizează ca variabilă exogenă numărul de
familii ( x1 ).
În cazul în care se compară două modele al căror număr de variabile
exogene este diferit (de exemplu, modelul M 2 cu M 3 ) alegerea celui mai
bun model se face cu ajutorul testului Fisher-Snedecor.
Utilizarea acestui test în acest caz constă în:
- calcularea valorii empirice a variabilei Fc
Vx2k − Vx2q Vu2k V02 − Vu2k − V02 + Vu2q Vu2k

Fc = : = :
k−q n− k −1 k−q n− k −1
Vu2q − Vu2k Vu2k

Fc = :
k−q n− k −1
Vu22 − Vu23 Vu23

Fc = :
2−1 13 − 2 − 1
13426,7387 − 7756,2142 7756,2142

Fc = : = 7 ,3109
2 −1 10
- preluarea din tabela distribuţiei Fisher-Snedecor a valorii teoretice

a variabilei F în funcţie de un prag de semnificaţie α şi de numărul gradelor
de libertate v1 = k − q , v2 = n − k − 1 , respectiv pentru
α = 0,05; F0 ,05;1;10 = 4 ,96 .
Deoarece Fc = 7,3109 > F0,05;1;10 = 4,96 , prin introducerea variabilei
x1 în modelul M 3 creşte gradul de performanţă al acestui model în raport
cu modelul M 2 , în acelaşi timp influenţa acestei variabile asupra variabilei
y este semnificativă.
Ca atare, modelul care explică cel mai bine variaţia cifrei de afaceri
este modelul M 3 :
Yˆt 3 = 37,5023 + 1,4963 x1t + 4,2446 x2t ; R = 0,9251

(17,6461) (0,5534) (1,065) d = 2,17
s uˆ 3 = 27,85
d) Deoarece s-a constatat că modelul M 3 explică cel mai bine

variaţia cifrei de afaceri, acesta va fi utilizat în vederea estimării valorilor
probabile ale cifrei de afaceri pentru întreprinzătorul respectiv. În acest caz,
dacă x 0 = 1, x1 = 64, x 2 = 23 , în medie, cifra de afaceri este egală cu:
Yn∗+ v = a$ 3 x n + v , 0 + b$3 x n + v ,1 + c$3 x n + v , 2

unde:
Yn∗+ v = estimaţia punctuală a valorii de prognoză pentru variabila y;
y n + v = valoarea reală a variabilei y în momentul de prognoză ( n + v ).
Sub formă matriceală, relaţia anterioară devine:
Yn∗+ v = X v′ ⋅ Bˆ = X v′ ⋅ ( X ′X ) ⋅ ( X ′Y )
−1
unde:
⎛ 1 ⎞
⎜ ⎟
X v = ⎜ xn + v ,1 ⎟ - reprezintă matricea coloană a valorilor de prognoză ale
⎜x ⎟
⎝ n + v,2 ⎠
variabilelor x j ( j = 0,2 ) pentru momentul ( n + v ).
Yn∗+ v = 37,5023 ⋅ 1 + 1,4963 ⋅ 64 + 4,2446 ⋅ 23 = 230,89 ≈ 231 mil. lei.
În vederea estimării intervalului de încredere pentru această valoare

probabilă este necesară calcularea dispersiei acestei valori cu ajutorul
relaţiei:
[
sY2∗ = su2 1 + X v′ ( X ′X ) X v
n+ v
−1
]
⎡ ⎛ 0,0401 − 0,0063 − 0,0067 ⎞ ⎛ 1 ⎞ ⎤
⎢ ⎜ ⎟ ⎜ ⎟⎥
s 2
Y n∗+ v
= 775 ,6214 ⋅ ⎢1 + (1 64 23 ) ⋅ ⎜ − 0,0063 0,0004 − 0,0005 ⎟ ⋅ ⎜ 64 ⎟ ⎥ = 1001 ,84
⎢⎣ ⎜ − 0,0067 − 0,0005 0,0015 ⎟⎠ ⎜⎝ 23 ⎟⎠ ⎥⎦
⎝
sY ∗ = 31,65
n+v
Intervalul de încredere a prognozei cifrei de afaceri, estimat cu un

prag de semnificaţie α = 0,05 , pentru care valoarea lui tα , preluată din
tabela distribuţiei Student, este t 0 ,05;10 = 2 ,228 se va calcula cu ajutorul
relaţiei:
[ ]
P Yn∗+ v − tα sY ∗ ≤ yn + v ≤ Yn∗+ v + tα sY ∗ = 1 − α
n+v n+v
P[231 − 2,228 ⋅ 31,65 ≤ yn +v ≤ 231 + 2,228 ⋅ 31,65] = 1 − 0,05 = 0,95
P[160 ≤ yn +v ≤ 301] = 0,95
În concluzie, cu un prag de semnificaţie de 5%, cifra de afaceri a

întreprinzătorului respectiv va fi cuprinsă între 160 şi 301 milioane lei.
( )
e) Ştiind că rata profitului rp este egală cu:
CA − CT
rp( 0 0 ) =
CT
(
* 100 ⇒ CA = rp CT + CT ⇒ CA = CT 1 + rp )
unde:
CA = cifra de afaceri (y);
CT = cheltuieli totale.
Pe baza datelor problemei rezultă că antreprenorul, pentru a obţine
un profit mai mic sau egal cu 10 %, trebuie să realizeze o cifră de afaceri de
cel mult 220 mil. lei ( CA = 200 ⋅ (1 + 0,1) = 220 ).
Utilizând modelul econometric M 3 rezultă că cifra de afaceri a
acestor magazine urmează o distribuţie normală, de medie Y = 231 mil. lei
şi de abatere medie pătratică sY = 31,43 mil. lei şi, ca atare:
⎛ 220 − Y (64;23) ⎞
P(Y ≤ 220) = P⎜ t ≤ ⎟ = P(t ≤ −0,35) = P(t ≥ 0,35) = 0,3632
⎝ 31,43 ⎠
În concluzie, antreprenorul are 36,32% şanse de a nu realiza un

profit de 10%, aceasta reprezentând riscul său de a nu-şi realiza dezideratul
propus în urma cumpărării magazinului respectiv.
f) Estimarea parametrilor unui model econometric multifactorial

liniar pe baza matricei varianţelor şi covarianţelor şi a matricei coeficienţilor
de corelaţie liniară simpli
Fie modelul:
y t = b0 + b1 x1t + b2 x 2t + u t (1)
Se însumează (1) şi se împarte la n obţinându-se ecuaţia:
y = b0 + b1 x1 + b2 x 2 (2)
Se scade ecuaţia (2) din (1) şi rezultă:
y t − y = b1 ( x1t − x1 ) + b2 ( x 2 t − x 2 ) + u t (3)
Notăm cu:
y t∗ = y t − y
x1∗t = x1t − x1
x 2∗t = x 2 t − x 2
Modelul (3), construit pe baza abaterilor centrate ale variabilelor,

devine:
y t* = b1 x1*t + b2 x 2*t + u t
În acest caz, matricea varianţelor şi covarianţelor modelului se

defineşte astfel:
⎛ σ yy2 cov( yx1 ) cov( yx2 ) ⎞

⎜ ⎟
V = ⎜ cov( x1 y ) σ x21 x1 cov( x1 x2 )⎟
⎜ cov( x y ) cov( x x ) σ x22 x2 ⎟⎠
⎝ 2 2 1
unde:
13
∑ (y ) ∗ 2
t
σ 2y = t =1
- dispersia variabilei y;
n
∑ (x )
13
∗ 2
tj
σ x2 = t =1
- dispersia variabilei x tj ( j = 1,2 );
j
n
∑(y (
− y ) x tj − x )= ∑y x ∗ ∗
(
cov y , x j = ) t
n
t
n
tj
x1 = 34,7692 ≈ 34,77
x2 = 15,7692 ≈ 15,77
y = 156 ,4615 ≈ 156 ,46
Tabelul 2.5.6
Nr.
x = x 1 t − x1 x = x 2 t − x 2 y = y t − y
*
1t
*
2t
*
t x y *
1t
*
t
*
x y
2t
*
2t x1*t x 2*t
crt.
0 1 2 3 4 5 6
1 35,23 5,23 41,54 1463,4542 217,2542 184,2529
2 0,23 10,23 52,54 12,0842 537,4842 2,3529
3 20,23 -1,77 40,54 820,1242 -71,7558 -35,8071
4 -9,77 -5,77 -0,46 4,4942 2,6542 56,3729
5 -6,77 -3,77 -71,46 483,7842 269,4042 25,5229
6 8,23 4,23 30,54 251,3442 129,1842 34,8129
7 -19,77 -10,77 -113,46 2243,1042 1221,9642 212,9229
8 -1,77 12,23 54,54 -96,5358 667,0242 -21,6471
9 -11,77 -6,77 -36,46 429,1342 246,8342 79,6829
10 -30,77 -9,77 -94,46 2906,5342 922,8742 300,6229
11 10,23 -5,77 19,54 199,8942 -112,7458 -59,0271
12 -14,77 -7,77 -39,46 582,8242 306,6042 114,7629
13 21,23 20,23 116,54 2474,1442 2357,6042 429,4829
Total -0,01 -0,01 0,02 11774,3846 6694,3846 1324,3077
σ yy2 = (σ y )2 = 4137,63
6694,3846
cov( yx2 ) = = 514,95
13
σ x2 x = (σ x
1 1 1
)
2
= 316,33
1324,3077
cov( x1 x2 ) = = 101,87
13
σ x2 x = (σ x
2 2 2
) 2
= 85,41
117743846
cov( yx1 ) = = 905,72
13
⎛ 4137,63 905,72 514,95 ⎞

⎜ ⎟
V = ⎜ 905,72 316,33 101,87 ⎟
⎜ 514,95 101,87 85,41 ⎟
⎝ ⎠
Matricea varianţelor şi covarianţelor poate fi calculată şi cu ajutorul

pachetului de programe EViews.
Dispunând de matricea V, estimatorii bˆ j = bˆ y / x j se calculează cu
ajutorul relaţiei:
Vyx j
bˆy / x j = bˆ j = (− 1)
j +1
, j = 1, k
Vyy
unde:
V yx j = determinantul matricei varianţelor şi covarianţelor din care
se elimină linia y şi coloana x j ;
V yy = determinantul matricei varianţelor şi covarianţelor din care se
elimină linia y şi coloana y.
905,72 101,87
514,95 85,41 24898,0164
bˆ1 = (− 1)
2
= = 1,4963
316,33 101,87 16639,858
101,87 85,41
905,72 316,33
514,95 101,87 − 70629,9481
bˆ2 = (− 1)
3
=− = 4,2446
16639,858 16639,858
Estimatorul b$0 se calculează din relaţia (2):
bˆ0 = y − bˆ1 x1 − bˆ2 x2 ⇒ bˆ0 = 156,4615− 1,4963⋅ 34,7692− 4,2446⋅15,7692

bˆ0 = 37,5024
Matricea coeficienţilor de corelaţie liniară simplă a variabilelor pe

baza relaţiei (3) se defineşte:
⎛ 1 ryx1 ryx2 ⎞
⎜ ⎟
R = ⎜ rx1y 1 rx1x2 ⎟
⎜r rx2 x1 1 ⎟⎠
⎝ x2 y
unde:
ry ∗ x ∗ =
∑y ∗ ∗
x
t tj
=
∑y ∗ ∗
x
t tj
nσ y ∗ σ x∗
∑ (y ) ∑ (x )
∗ 2 ∗ 2
tj
j t tj
⎛ 1 0,7917 0,8662 ⎞
⎜ ⎟
R = ⎜ 0,7917 1 0,6198 ⎟ , calculată cu ajutorul programului EViews.
⎜ 0,8662 0,6198 1 ⎟⎠
⎝
Cu ajutorul acestei matrici, estimatorii b$y / x j = b$ j se pot calcula
astfel:
R yx j σ y
b$y / x j = b$ j = ( −1)
j +1
R yy σ x j
unde:
R yx j = determinantul matricei R din care s-a eliminat linia y şi
coloana x j ;
R yy = determinantul matricei R din care s-a eliminat linia y şi
coloana y.
0,7917 0,6198
0,8662 1 66,951
bˆ1 = (− 1)
2
⋅ = 1,4963
1 0,6198 18,512
0,6198 1
0,7917 1
0,8662 0,6198 66,951
bˆ2 = (− 1)
3
⋅ = 4,2446
0,6158 9,619
În mod analog, estimatorul b$0 se calculează din relaţia (2):
bˆ0 = 37,5024
2.1.6 Model multifactorial neliniar- funcţia Cobb-Douglas fără

progres tehnic
Se cunosc următoarele date privind valoarea adăugată brută (Q),

capitalul fix (mijloace fixe sau imobilizări corporale la sfârşitul anului) (K)
şi numărul mediu de salariaţi (L), exprimate în preţuri comparabile
(1990=100), în România, în perioada 1980-2002:
Tabelul 2.6.1
Imobilizări
Valoarea adăugată brută
corporale Numărul mediu de salariaţi
Anul (mld. lei)
(mld. lei ) (mii pers.)
(1990=100)
(1990=100)
0 1 2 3
1980 767,0 2451,1 7378
1981 756,6 2630,5 7435
Imobilizări
Valoarea adăugată brută
corporale Numărul mediu de salariaţi
Anul (mld. lei)
(mld. lei ) (mii pers.)
(1990=100)
(1990=100)
0 1 2 3
1982 762,3 2544,3 7553,2
1983 795,6 2764,7 7600,1
1984 838,6 3011,5 7585
1985 849,0 3216,1 7700
1986 865,5 3432,0 7751,9
1987 882,8 3650,3 7790
1988 886,0 3781,4 7842,6
1989 819,2 4005,5 7997,1
1990 788,1 3498,0 8156
1991 700,1 1526,6 7574
1992 668,2 2622,5 6888
1993 641,0 917,1 6672
1994 663,1 487,9 6438
1995 710,3 1811,6 6160
1996 747,6 1386,7 5939
1997 691,0 720,4 5597
1998 634,0 820,5 5369
1999 621,7 908,2 4761
2000 637,8 1300,0 4623
2001 680,6 1417,1 4619
2002 715,1 1510,2 4568
Notă: Valoarea adăugată brută este calculată conform metodologiei de calcul a Sistemului European
al Conturilor Economiei Integrate - SEC 1979. Valoarea adăugată brută şi imobilizările corporale au
fost deflaţionate cu ajutorul deflatorului PIB exprimat în preţuri constante (1990 = 100), obţinut în
urma prelucrării datelor din Raportul Anual BNR.
153, 366-367, 386, Anuarului Statistic al României 2001, INS, Bucureşti, 2002, p. 276, 303, 104,
Anuarului Statistic al României 2003, INS, Bucureşti, 2004, p. 106, 282, 312, Raportului Anual 1999,
BNR, Bucureşti, 2000, p. 6*-9*, Raportului Anual 2000, BNR, Bucureşti, 2001, p. 6*-7*, Raportului
Anual 2002 BNR, Bucureşti, 2003, p. 4*-5*, Dobrescu, E., Macromodels of the Romanian Transition
Economy, Second Edition, Editura Expert, Bucharest, 1998, p. 174, 175-176, 184.
Se cere:
a) Să se descrie corelaţia dintre cele trei fenomene economice cu
ajutorul modelului Cobb-Douglas;
b) Să se estimeze parametrii modelului şi să se facă discuţia
econometrică a modelului obţinut;
c) Să se comenteze semnificaţia parametrilor modelului şi să se

verifice ipoteza conform căreia funcţia de producţie este de randament
constant (α + β = 1) .
Rezolvare:
a) Funcţia Cobb-Douglas se prezintă sub forma:
Q = AK α Lβ u (1)
unde:
A = parametru de scară;
α , β = coeficienţii de elasticitate ai valorii adăugate brute reale în raport cu
fiecare din factorii de influenţă utilizaţi;
Q = valoarea adăugată brută reală;
K = capitalul fix real (mijloace fixe sau imobilizări corporale la sfârşitul
anului);
L = numărul mediu de salariaţi.
b) Modelul (1) este un model multifactorial neliniar care poate fi

ln Q = ln A + α ln K + β ln L + ln u (2)
Facem următoarele notaţii:
ln Q = y t ;
ln A = a ;
ln K = x1t ;
ln L = x 2 t ;
ln u = u t′ .
Modelul devine:
y t = a + αx1t + βx 2t + u t′ (3)
Estimarea parametrilor acestui model se realizează cu ajutorul

M.C.M.M.P.:
( ) ( )
23 23
F aˆ ,αˆ , βˆ = min ∑ ( yt − yˆ t ) = min ∑ yt − aˆ − αˆx1t − βˆx2t
2 2
t =1 t =1

raport cu parametrii modelului:
F ′(aˆ ) = 0 ⇒ 2 ∑ (y − aˆ − αˆx
t 1t )
− βˆx2 t (− 1) = 0
t
(
F ′(αˆ ) = 0 ⇒ 2∑ yt − aˆ − αˆx1t − βˆx 2t (− x1t ) = 0 )
t
() (
F ′ βˆ = 0 ⇒ 2∑ y t − aˆ − αˆx1t − βˆx 2t (− x 2t ) = 0 )
t
⎧na$ + α$ ∑ x1t + β$ ∑ x 2 t = ∑ y t
⎪⎪
⎨a$ ∑ x1t + α$ ∑ x1t + β ∑ x1t x 2 t = ∑ x1t y t
2 $
⎪
⎪⎩a$ ∑ x 2 t + α$ ∑ x1t x 2 t + β ∑ x 2 t = ∑ x 2 t y t
$ 2
Datele necesare rezolvării modelului se obţin pe baza tabelului de mai jos:
Tabelul 2.6.2
Valoarea Numărul
Imobilizări
adăugată mediu de
Nr. corporale
brută salariaţi yt x1t x2t ŷt uˆt′
crt. (mld. lei )
(mld. lei) (mii
(1990=100)
(1990=100) pers.)
0 1 2 3 4 5 6 7 8
1 767,0 2451,1 7378 6,6425 7,8043 8,9063 6,6572 -0,0147
2 756,6 2630,5 7435 6,6288 7,8749 8,9140 6,6668 -0,0380
3 762,3 2544,3 7553,2 6,6363 7,8416 8,9297 6,6655 -0,0292
4 795,6 2764,7 7600,1 6,6791 7,9247 8,9359 6,6764 0,0027
5 838,6 3011,5 7585 6,7317 8,0102 8,9339 6,6862 0,0456
6 849,0 3216,1 7700 6,7441 8,0759 8,9490 6,6964 0,0476
7 865,5 3432,0 7751,9 6,7633 8,1409 8,9557 6,7053 0,0581
8 882,8 3650,3 7790 6,7831 8,2026 8,9606 6,7134 0,0697
9 886,0 3781,4 7842,6 6,7867 8,2378 8,9673 6,7187 0,0681
10 819,2 4005,5 7997,1 6,7083 8,2954 8,9868 6,7287 -0,0204
11 788,1 3498,0 8156 6,6696 8,1599 9,0065 6,7160 -0,0464
12 700,1 1526,6 7574 6,5512 7,3308 8,9325 6,6056 -0,0544
13 668,2 2622,5 6888 6,5046 7,8719 8,8375 6,6537 -0,1491
14 641,0 917,1 6672 6,4630 6,8213 8,8057 6,5241 -0,0611
15 663,1 487,9 6438 6,4969 6,1901 8,7700 6,4435 0,0534
16 710,3 1811,6 6160 6,5657 7,5020 8,7258 6,5913 -0,0256
17 747,6 1386,7 5939 6,6169 7,2347 8,6893 6,5536 0,0633
18 691,0 720,4 5597 6,5381 6,5798 8,6300 6,4662 0,0719
19 634,0 820,5 5369 6,4520 6,7099 8,5884 6,4747 -0,0226
20 621,7 908,2 4761 6,4325 6,8115 8,4682 6,4666 -0,0342
21 637,8 1300,0 4623 6,4580 7,1701 8,4388 6,5041 -0,0461
22 680,6 1417,1 4619 6,5230 7,2564 8,4379 6,5142 0,0088
23 715,1 1510,2 4568 6,5724 7,3200 8,4268 6,5198 0,0526
Total 17120,9 50414,2 153996,9 151,9480 166,0466 193,7698 151,9480 0,0000

C 4,2465 0,6405 6,6300 0,0000
x1t 0,1183 0,0287 4,1234 0,0005
x2t 0,1670 0,0876 1,9075 0,0709

t Aˆ = 6,63 > t0,01; 20 = 2,845 rezultă că parametrul a este semnficativ
diferit de zero;
tαˆ = 4,1234 > t0, 01; 20 = 2,845 rezultă că parametrul α este
semnficativ diferit de zero;
t βˆ = 1,9075 < t0, 01; 20 = 2,845 rezultă că parametrul β nu este
Verificarea semnificaţiei variabilei Durbin-Watson, calculată în
vederea testării ipotezei de independenţă a erorilor, se face cu ajutorul
tabelei Durbin-Watson din care se extrag valorile d1 = 0,94 şi d 2 = 1,29 , în
funcţie de un prag de semnificaţie α = 0,01 , de numărul de variabile
exogene (k = 2 ) şi de numărul observaţiilor n = 23 .
Comparând valoarea calculată a variabilei Durbin-Watson
d c = 0,9991 cu cele două valori tabelate se observă că
d c = 0,9991 > d1 = 0,94 şi d c = 0,9991 < d 2 = 1,29 rezultând indecizie

tinzând spre o slabă autocorelaţie pozitivă care poate fi neglijată.
Deoarece Fc = 29,9722 > F0, 01; 2; 20 = 5,85 rezultă că valoarea
raportului de corelaţie este semnificativ diferită de zero, cu un prag de
semnificaţie de 0,01.
∑(y − y ) = ∑ ( yt − yˆ t ) + ∑ ( yˆ t − y )
2 2 2
t
0,282 = 0,0705 + 0,2115
⎛ ∑ ( yˆ t − y )2 ⎞
rezultă că modelul econometric explică aproximativ 75% ⎜ ⎟ din
⎜ ∑ ( y − y )2 ⎟
⎝ t ⎠
variaţia valorii adăugate brute reale.
În final, modelul este de forma:
yˆ t = 4,2465 + 0,1183x1t + 0,167 x2t ; R = 0,8659

(0,6405) (0,0287) (0,0876) d = 0,9991 (4)
suˆ ′ = 0,0594
c) După cum se ştie, coeficientul de elasticitate este definit ca:
d (ln y )
E y /x =
d (ln x )
În modelul Cobb-Douglas, parametrii α şi β reprezintă coeficienţii

de elasticitate ai valorii adăugate brute reale în raport cu cei doi factori,
imobilizări fixe reale ( x1 ) şi numărul mediu de salariaţi ( x 2 ) , aceştia
măsurând variaţia relativă a valorii adăugate brute reale în funcţie de
variaţia relativă a factorilor săi de influenţă.
Valorile celor doi parametrii au următoarea semnificaţie:

E y / x1 = αˆ = 0,1183
E y / x 2 = βˆ = 0,167
La o creştere cu 1% a imobilizărilor corporale reale, valoarea

adăugată brută reală creşte cu 0,12%, deci valoarea adăugată brută reală este
inelastică în raport cu imobilizările corporale reale, iar pentru celălalt factor
de producţie, număr mediu de salariaţi, nu poate fi făcută o evaluare
econometrică, deoarece estimatorul acestuia, βˆ , este nesemnificativ.
Ipoteza potrivit căreia funcţia este de randament constant, respectiv
dacă se verifică următoarea restricţie liniară aplicată parametrilor modelului,
respectiv: α + β = 1 va fi verificată cu ajutorul testului Wald15. În vederea
aplicării acestui test este necesară estimarea parametrilor modelului de
regresie cu restricţii, pentru care se verifică relaţia: α = 1 − β , având
următoarea formă:
(ln Qt − ln K t ) = a + β (ln Lt − ln K t ) + vt (5)
Dependent Variable: (ln Qt − ln Kt )

Sample: 1980 2002
C -2,1982 0,0829 -26,5106 0,0000
(ln Lt − ln K t ) 1,0108 0,0617 16,3731 0,0000
R-squared 0,9274 Mean dependent var -0,9312
15
Cf. op. cit., p. 256-258.
(ln Qt − ln K t ) = −2,1982 + 1,0108 ⋅ (ln Lt − ln Kt ) ; R = 0,963

(0,0829) (0,0617) d = 0,1798 (6)
svˆ = 0,1429
Se consideră că modelul (2) este modelul de regresie fără restricţii.

Aplicarea testului Wald constă în verificarea următoarei inegalităţi:
⎛ ⎞
⎜ ∑ vt2 − ∑ ut′2 ⎟ m
Fc = ⎝ t t ⎠ < Fα ; v1 ; v 2 (7)
∑ ut (n − k )
′
t
2
unde:
∑ ut′2 = suma pătratelor erorilor corespunzătoare modelului de regresie fără
t
restricţii (2);
∑v
t
2
t = suma pătratelor erorilor corespunzătoare modelului de regresie cu
restricţii (5);
m = numărul de restricţii liniare;
k = numărul de parametrii ai modelului de regresie fără restricţii (2);
O altă variantă a acestui test este următoarea:
Fc =
(R 2
)
− R r2 m
(1 − R ) (n − k ) < F
2 α ; v1 ; v 2 (8)
unde:
R 2 = coeficientul de determinaţie corespunzător modelului de regresie fără
restricţii (2);
R = coeficientul de determinaţie corespunzător modelului de regresie cu
2
r
restricţii (5).
Utilizând programul EViews în vederea aplicării testului Wald

(utilizând relaţia (7)), s-au obţinut următoarele rezultate:
Wald Test:
Equation: EQ01
Null Hypothesis: α + β =1
Chi-square 101,5390 Probability 0,0000
Deoarece Fc = 101,539 > F0, 01;1; 20 = 8,10 , rezultă că ipoteza potrivit

căreia funcţia de producţie este de randament constant este respinsă.
2.1.7 Model liniar multifactorial cu variabile centrate
Să se realizeze discuţia econometrică a dependenţei dintre o

variabilă endogenă y şi două variabile exogene x1 şi x 2 , exprimate prin
valori centrate, înregistrate la 20 de unităţi statistice, cunoscând următoarele
date:
⎛ 3 2⎞ ⎛ 3⎞
( X ′X ) = ⎜ ⎟ ; ( X ′Y ) = ⎜ ⎟ şi ( y ′y) = 12 .
⎝ 2 3⎠ ⎝ 5⎠
Rezolvare :
Modelul econometric aferent celor trei variabile este:
y t = b0 + b1 x1t + b2 x 2t + u t , t = 1,20 (1)
Ecuaţia (1) se însumează după t şi se împarte la n = 20 rezultând

ecuaţia:
y = b0 + b1 x1 + b2 x 2 (2)
Scăzând din ecuaţia (1) ecuaţia (2), se obţine modelul:
y t − y = b1 ( x1t − x1 ) + b2 ( x 2t − x 2 ) + ut
Notând cu:
~
yt = yt − y
x~1t = x1t − x1
x~ = x − x
2t 2t 2
rezultă modelul (3) construit pe baza valorilor centrate:
~
y t = b1 x~1t + b2 x~2t + u t (3)
Termenul liber, b0 , poate fi estimat din relaţia (2), după calculul

parametrilor b1 şi b2 , astfel:
b$0 = y − b$1 x1 − b$2 x 2
Matriceal, modelul (3) se scrie astfel:
Y = XB + U
unde:
⎛~y1 ⎞
⎜~ ⎟
y2
Y = ⎜ ⎟ - vectorul valorilor centrate ale variabilei endogene;
⎜ M ⎟
⎜~ ⎟
⎝ y 20 ⎠
⎛ x~11 x~21 ⎞
⎜~ ⎟
x12 x~22 ⎟
X =⎜ - matricea valorilor centrate ale variabilelor exogene x~1t
⎜ M M ⎟
⎜~ ⎟
⎝ x120 x~ ⎠
220
şi x~2t ;
⎛ u1 ⎞
⎜ ⎟
u2
U = ⎜ ⎟ - vectorul valorilor variabilei reziduale.
⎜ M ⎟
⎜ ⎟
⎝ u 20 ⎠
Estimarea parametrilor b1 şi b2 pe baza modelului matriceal cu

ajutorul M.C.M.M.P. constă în:
() ( ) ( ′
) ( )( )
n
F Bˆ = min ∑ ut2 = min U ′U = min Y − Yˆ = min Y − XBˆ = min Y − XBˆ Y − XBˆ =
2 2
t =1
(
= min Y ′Y − 2 Bˆ ′( X ′Y ) + Bˆ ′( X ′X )Bˆ )
∂F ( B$ )
= 0 ⇒ −2( X ′Y ) + 2( X ′X ) B$ = 0
∂B$
( X ′X ) ⋅ Bˆ = ( X ′Y )
( X ′X )−1 ⋅ ( X ′X ) ⋅ Bˆ = ( X ′X )−1 ⋅ ( X ′Y )
⎛ bˆ ⎞
Bˆ = ( X ′X ) ⋅ ( X ′Y ) = ⎜⎜ 1 ⎟⎟
−1
ˆ
⎝ b2 ⎠
⎛ 3 2⎞
( X ′X ) = ⎜ ⎟
⎝ 2 3⎠
3 2
X ′X = =9−4=5
2 3
3 − 2 ⎞ ⎛ 0,6 − 0,4 ⎞
( X ′X )−1 = 1 ⎛⎜⎜ ⎟=⎜ ⎟
5 ⎝ − 2 3 ⎟⎠ ⎜⎝ − 0,4 0,6 ⎟⎠
⎛ 0,6 −0,4⎞ ⎛ 3⎞ ⎛ −0,2⎞ ⎛ b$1 ⎞

B$ = ⎜ ⎟⎜ ⎟ = ⎜ ⎟ =⎜ ⎟
⎝ −0,4 0,6 ⎠ ⎝ 5⎠ ⎝ 1,8 ⎠ ⎝ b$2 ⎠
În concluzie, modelul este de forma:
Yˆt = −0,2 x1 + 1,8 x2
În continuare, se va verifica semnificaţia parametrilor, a raportului

de corelaţie, precum şi verosimilitatea modelului.
Pentru verificarea semnificaţiei parametrilor se vor calcula:
s u2ˆ =
1
n − k −1 t
(
y − Yˆt ) 2
=
1
n − k −1
2
∑ uˆt =
1
n − k −1
′
UU
unde:
În vederea determinării valorii produsului U ′U se porneşte de la
ecuaţia analizei variaţiei:
∑ (y − y) = ∑ (Yˆ ) + ∑ (y )
2 2
− Yˆt
2
t t −y t
u t = y t − Yˆt şi y = 0
Matriceal, această ecuaţie este de forma:
( y ′y ) = (Yˆ ′Yˆ ) + (U ′U )
( )
⇒ (U ′U ) = ( y ′y ) − Yˆ ′Yˆ
( )′
Dar Y = XBˆ ; Yˆ ′ = XBˆ , de unde:
( )( )
′
Yˆ ′Yˆ = XBˆ XBˆ = Bˆ ′( X ′X )Bˆ
⎛ 3 2 ⎞⎛ − 0,2 ⎞
Yˆ ′Yˆ = (− 0,2 1,8)⎜⎜ ⎟⎟⎜⎜ ⎟⎟ = 8,4
⎝ 2 3 ⎠⎝ 1,8 ⎠
rezultă că: U ′U = 12 − 8,4 = 3,6
1
su2ˆ = ⋅ 3,6 = 0,2118
20 − 3
- dispersiile celor doi estimatori
s b2ˆ = su2ˆ cij

j
unde:
cij = termenul situat pe diagonala principală a matricei inverse ( X ′X ) .
−1
⎞ ⎛⎜ sbˆ1 ⎞⎟ ⎛ 0,1271⎞
2
⎛ 0,6
s = 0,2118 ⋅ ⎜⎜
2
⎟= =⎜ ⎟
bˆ j
⎝ 0,6 ⎟⎠ ⎜⎝ sb2ˆ2 ⎟⎠ ⎜⎝ 0,1271⎟⎠
Abaterile medii pătratice ale celor doi estimatori sunt egale cu:
⎛ 0,3565⎞
sb$ j = sb2$ j = ⎜ ⎟
⎝ 0,3565⎠
Estimatorii parametrilor modelului sunt semnificativ diferiţi de zero

dacă se verifică relaţia:
bˆ j
> tα ;n − k −1 ; j = 1,2
sbˆ
j
bˆ1 0,2
= = 0,561
sbˆ 0,3565
1
bˆ2 1,8
= = 5,0491
sbˆ 0,3565
2
Din tabela distribuţiei Student, pentru un prag de semnificaţie

α = 0,05 şi în funcţie de numărul gradelor de libertate v = n − k − 1 = 17 , se
preia valoarea t 0, 05;17 = 2,101.
Comparând această valoare cu valorile calculate pentru cei doi
estimatori se constată că:
tcbˆ = 0,561 < t0,05;17 = 2,101 , rezultă că parametrul b$1 nu este
1

tcbˆ = 5,0491 > t0,05;17 = 2,101 , rezultă că parametrul b$2 este
2

Deoarece parametrul b$1 nu este semnificativ diferit de zero se poate
renunţa la variabila x1 .
În vederea verificării verosimilităţii modelului se utilizează metoda
analizei variaţiei, modelul testat fiind: Yˆ = −0,2 x + 1,8 x .
1 2
Tabelul 2.7.1
Sursa de Măsura Nr. grade Dispersia Valoarea testului F
variaţie variaţiei de libertate corectată Fc Fα ;v1 ;v2
Vx2
Varianţa
( ) sY2 / X
20
Vx2 = ∑ Yˆt − y =
2
sY2 / X = Fc = F0,05; 2;17 = 3,59
explicată t =1 k =2 k su2ˆ
F0,01; 2;17 = 6,11
de model = (Y ′Y ) = 8,4 = 4,2 = 19,83
( )
20
Vu2 = ∑ yt − Yˆt
2
= Vu2
Varianţa su2 =
t =1 n − k −1=17 n − k −1 - -
reziduală
= (U ′U ) = 3,6 = 0,2118
20
V02 = ∑ ( y t − y ) =
2
Varianţa
t =1 n −1=19 - - -
totală
= ( y ′y) = 12
Deoarece Fc = 19,83 > F0,01;2;17 = 6,11 rezultă că modelul este

semnificativ cu un prag de semnificaţie α = 0,01 .
Pe baza datelor din tabel se poate calcula valoarea raportului de
corelaţie astfel:
Vx2 8,4
R= 2
= = 0,7 = 0,8367
V0 12

verifică inegalitatea:
Fc ≥ Fα ;v1 ;v2
Valoarea empirică a variabilei Fisher-Snedecor este:
n − k −1 R2 20 − 3 0,7
Fc = ⋅ = ⋅ = 19,8334
k 1− R 2 1 − 0,7
Deoarece Fc = 19,8334 > F0, 01; 2;17 , rezultă că valoarea raportului de

corelaţie este semnificativ diferită de zero, cu un prag de semnificaţie
α = 0,01 .
V02 = Vx2 + Vu2

12 = 8,4 + 3,6
⎛V 2 ⎞
rezultă că modelul econometric explică 70% ⎜⎜ x2 ⋅ 100 ⎟⎟ din variaţia totală a
⎝ Vo ⎠
variabilei endogene y , restul de 30% reprezentând variaţia variabilei y
neexplicată de model şi atribuită factorilor aleatori.
2.1.8 Modele dinamice
2.1.8.1 Model dinamic – funcţia Cobb–Douglas cu progres tehnic
Utilizând datele din tabelul 2.6.1., din cadrul problemei 2.1.6., să se

estimeze influenţa progresului tehnic asupra creşterii valorii adăugate brute
reale cu ajutorul unui model Cobb - Douglas.
Rezolvare:
Din punct de vedere econometric, cuantificarea influenţei

progresului tehnic asupra creşterii valorii adăugate brute reale se poate face
cu ajutorul unui model de forma:
α β
Qt = A ⋅ Kt ⋅ Lt ⋅ ec t ⋅ ut (1)
unde:
A = parametru de scară;
α , β = coeficienţii de elasticitate ai valorii adăugate brute reale în raport cu
fiecare din factorii de producţie utilizaţi;
c = expresia econometrică a influenţei progresului tehnic asupra creşterii
valorii adăugate brute reale;
Q = valoarea adăugată brută reală;
K = capitalul fix real (mijloace fixe sau imobilizări corporale la sfârşitul
anului);
L = numărul mediu de salariaţi;
t = variabila timp, t =1, n = 1,23 ;
u = variabila aleatoare.
Modelul (1) este un model multifactorial neliniar care poate fi

ln Qt = ln A + α ln Kt + β ln Lt + c t + ln ut
Se fac următoarele notaţii:
ln Q = y t ;
ln A = a ;
ln K = x1t ;
ln L = x 2 t ;
ln u = u t′ .
Modelul devine:
y t = a + α x 1 t + β x 2 t + ct + u t′
Estimarea parametrilor acestui model se realizează cu ajutorul

M.C.M.M.P.:
( ) ∑ (y )
23 23
∑ (y t − yˆ t ) = min
2
F aˆ , αˆ , βˆ , cˆ = min − aˆ − αˆ x 1t − βˆx 2 t − cˆ t
2
t
t =1 t =1

raport cu parametrii modelului:
F ′ (aˆ ) = 0 ⇒ 2 ∑ (y t − aˆ − αˆ x 1 t − βˆ x 2 t − cˆ t )(− 1 ) = 0
t
F ′ (αˆ )= 0 ⇒ 2∑ (y t − aˆ − αˆ x 1 t − βˆ x 2 t − cˆ t )(− x1 t )= 0
t
( )
F ′ βˆ = 0 ⇒ 2 ∑ (y t − aˆ − αˆ x 1 t − βˆ x 2 t − cˆ t )(− x2t )= 0
t
F ′ (cˆ ) = 0 ⇒ 2 ∑ (y t − aˆ − αˆ x 1 t − βˆ x 2 t − cˆ t )(− t )= 0
t
⎧naˆ + αˆ ∑ x 1t + βˆ ∑ x 2t + cˆ ∑ t = ∑ y t
⎪
⎪⎪aˆ ∑ x 1t + αˆ ∑ x 1t + βˆ ∑ x 1t x 2t + cˆ ∑ x 1t t = ∑ x 1t y t
2
⎨
⎪aˆ ∑ x 2t + αˆ ∑ x 1t x 2t + βˆ ∑ x 2t + cˆ ∑ x 2t t = ∑ x 2t y t
2
⎪
⎪⎩aˆ ∑ t + αˆ ∑ x 1t t + βˆ ∑ x 2t t + cˆ ∑ t = ∑ y t t
2
Datele necesare rezolvării modelului se obţin pe baza tabelului de

mai jos:
Tabelul. 2.8.1.1
Valoarea
Imobilizări Numărul
adăugată
Nr. corporale mediu de
brută yt t x1t x2t ŷt uˆt′
crt. (mld. lei ) salariaţi
(mld. lei)
(1990=100) (mii pers.)
(1990=100)
0 1 2 3 4 5 6 7 8
1 767,0 2451,1 7378 6,6425 1 7,8043 8,9063 6,6622 -0,0197
2 756,6 2630,5 7435 6,6288 2 7,8749 8,9140 6,6709 -0,0421
3 762,3 2544,3 7553,2 6,6363 3 7,8416 8,9297 6,6687 -0,0324
4 795,6 2764,7 7600,1 6,6791 4 7,9247 8,9359 6,6787 0,0004
5 838,6 3011,5 7585 6,7317 5 8,0102 8,9339 6,6878 0,0439
6 849,0 3216,1 7700 6,7441 6 8,0759 8,9490 6,6971 0,0470
7 865,5 3432,0 7751,9 6,7633 7 8,1409 8,9557 6,7051 0,0582
8 882,8 3650,3 7790 6,7831 8 8,2026 8,9606 6,7124 0,0707
9 886,0 3781,4 7842,6 6,7867 9 8,2378 8,9673 6,7169 0,0698
10 819,2 4005,5 7997,1 6,7083 10 8,2954 8,9868 6,7259 -0,0176
11 788,1 3498,0 8156 6,6696 11 8,1599 9,0065 6,7123 -0,0427
12 700,1 1526,6 7574 6,5512 12 7,3308 8,9325 6,6033 -0,0521
13 668,2 2622,5 6888 6,5046 13 7,8719 8,8375 6,6519 -0,1473
14 641,0 917,1 6672 6,4630 14 6,8213 8,8057 6,5233 -0,0603
15 663,1 487,9 6438 6,4969 15 6,1901 8,7700 6,4433 0,0536
16 710,3 1811,6 6160 6,5657 16 7,5020 8,7258 6,5898 -0,0241
17 747,6 1386,7 5939 6,6169 17 7,2347 8,6893 6,5524 0,0645
18 691,0 720,4 5597 6,5381 18 6,5798 8,6300 6,4661 0,0721
19 634,0 820,5 5369 6,4520 19 6,7099 8,5884 6,4744 -0,0224
20 621,7 908,2 4761 6,4325 20 6,8115 8,4682 6,4677 -0,0352
21 637,8 1300,0 4623 6,4580 21 7,1701 8,4388 6,5047 -0,0466
22 680,6 1417,1 4619 6,5230 22 7,2564 8,4379 6,5140 0,0090
23 715,1 1510,2 4568 6,5724 23 7,3200 8,4268 6,5191 0,0533
Total 17120,9 50414,2 153996,9 151,9480 276 166,0466 193,7698 151,9480 0,0000

Sample: 1980 2002
C 4,4141 1,2087 3,6521 0,0017
x1t 0,1172 0,0301 3,9005 0,0010
x2t 0,1498 0,1379 1,0861 0,2910
t -0,0007 0,0040 -0,1652 0,8706

t Aˆ = 3,6521 > t0, 01;19 = 2,861 rezultă că parametrul a este semnficativ
diferit de zero;
tαˆ = 3,9005 > t0,01;19 = 2,861 rezultă că parametrul α este
semnficativ diferit de zero;
t βˆ = 1,0861 < t0,01;19 = 2,861 rezultă că parametrul β nu este
tcˆ = 0,1652 < t0,01;19 = 2,861 rezultă că parametrul c nu este
Verificarea semnificaţiei variabilei Durbin-Watson, calculată în
vederea testării ipotezei de independenţă a erorilor, se face cu ajutorul
tabelei Durbin-Watson din care se extrag valorile d1 = 0,83 şi d 2 = 1,40 , în
funcţie de un prag de semnificaţie α = 0,01 , de numărul de variabile

exogene (k = 3) şi de numărul observaţiilor n = 23 .
Comparând valoarea calculată a variabilei Durbin-Watson
d c = 0,9946 cu cele două valori tabelate se observă că
d c = 0,9946 > d1 = 0,83 şi d c = 0,9946 < d 2 = 1,40 rezultând indecizie
tinzând spre o slabă autocorelaţie pozitivă care poate fi neglijată.
Deoarece Fc = 19,0188 > F0,01;3;19 = 5,01 rezultă că valoarea
raportului de corelaţie este semnificativ diferită de zero, cu un prag de
semnificaţie de 0,01.
∑(y − y ) = ∑ ( yt − yˆ t ) + ∑ ( yˆ t − y )
2 2 2
t
0,282 = 0,0704 + 0,2116
⎛ ∑ ( yˆ t − y )2 ⎞
rezultă că modelul econometric explică aproximativ 75% ⎜ ⎟ din
⎜ ∑ ( y − y )2 ⎟
⎝ t ⎠
variaţia valorii adăugate brute reale.
În final, modelul devine:
yˆ t = 4,4141 + 0,1172 x1t + 0,1498 x2t − 0,0007 t ; R = 0,8661

(1,2087) (0,0301) (0,1379) (0,0040) d = 0,9946
suˆ ′ = 0,0609
În cadrul modelului Cobb-Douglas cu progres tehnic, parametrii α

şi β reprezintă coeficienţii de elasticitate ai valorii adăugate brute reale în
raport cu cei doi factori, imobilizări corporale reale ( x1 ) şi număr mediu de
salariaţi ( x 2 ) , aceştia măsurând variaţia relativă a valorii adăugate brute
reale în funcţie de variaţia relativă a factorilor de producţie, iar c exprimă
influenţa progresului tehnic asupra creşterii valorii adăugate brute reale.
Coeficientul de elasticitate se defineşte astfel:

d (ln y )
Ey/ x =
d (ln x )
Valorile parametrilor α şi β au următoarea semnificaţie:

E y / x1 = αˆ = 0,1172
E y / x 2 = βˆ = 0,1498
La o creştere cu 1% a imobilizărilor corporale reale valoarea

adăugată brută reală creşte cu 0,12%, deci valoarea adăugată brută reală este
inelastică în raport cu imobilizările corporale reale, iar pentru ceilalţi doi
factori de producţie, număr mediu de salariaţi şi progres tehnic, nu pot fi
făcute evaluări econometrice, deoarece cei doi estimatori, βˆ şi cˆ , nu au
valori semnificativ diferite de zero, cauza putând fi dimensiunea relativ
redusă a seriiilor de timp utilizate.
2.1.8.2 Model autoregresiv

gospodăriilor populaţiei şi venitul disponibil net real al populaţiei în
România, în perioada 1980-2001, exprimate în miliarde lei preţuri
comparabile (1990=100):
Tabelul 2.8.2.1
mld.lei (1990=100)
Anul
0 1 2
1980 433,3 431,4
1981 442,1 460,1
1982 436,3 465,9
1984 433,1 465,6
1985 450,1 489,7
1986 442,0 492,5
1987 448,1 500,1
1988 472,1 518,1

Anul
0 1 2
1989 513,2 527,1
1990 516,6 558,1
1991 557,7 588,1
1992 467,4 455,9
1993 432,1 438,7
1994 435,9 455,3
1995 447,3 489,3
1996 505,3 560,4
1997 545,7 584,6
1998 525,7 559,4
1999 586,2 493,3
2000 579,8 513,7
2001 582,3 525,7
Notă: Ambii indicatori sunt calculaţi conform metodologiei de calcul a Sistemului European al
Conturilor Economiei Integrate - SEC 1979. Consumul final al populaţiei a fost deflaţionat cu ajutorul
deflatorului consumului final al populaţiei exprimat în preţuri constante (1990 = 100), iar venitul
disponibil net al populaţiei a fost deflaţionat cu ajutorul deflatorului PIB exprimat în preţuri constante
(1990 = 100), obţinut în urma prelucrării datelor din Raportul Anual BNR. Acesta a fost deflaţionat
cu ajutorul deflatorului PIB în preţuri constante (1990 = 100). Datele provin de la Ministerul
Prognozei şi Dezvoltării.
372, Anuarului Statistic al României 1996, INS, Bucureşti, 1997, p. 364-366, Anuarului Statistic al
României 2001, INS, Bucureşti, 2002, p. 278, 280, Anuarului Statistic al României 2003, INS,
Bucureşti, 2004, p. 284, 286, Raportului Anual 1999, BNR, Bucureşti, 2000, p. 6*-9*, Raportului
Anual 2000, BNR, Bucureşti, 2001, p. 6*-7*, Raportului Anual 2002 BNR, Bucureşti, 2003, p. 4*-5*,
Dobrescu, E., Macromodels of the Romanian Transition Economy, Second Edition, Editura Expert,
Bucharest, 1998, p. 184.
Se cere:
a) Să se construiască modelul econometric autoregresiv ce descrie
legătura dintre cele două variabile;
acestora şi a modelului.
c) Să se verifice ipoteza de stabilitate relativă în timp a legăturii
dintre consumul populaţiei şi factorii săi prin intermediul testului Chow şi
capacitatea de previziune a acestuia cu ajutorul indicatorilor propuşi de

Theil.
Rezolvare:
a) Funcţia de consum bazată pe teoria venitului permanent a lui

Friedman a fost aplicată în cazul economiei României folosind următorul
model econometric autoregresiv:
C t = α 0 + α 1Vt + α 2 C t −1 + u t , t = 1, 21
unde:
Ct = consumul final real al populaţiei;
Vt = venitul disponibil real al populaţiei;
ut = variabila reziduală.

Dependent Variable: Ct
C -136,0368 73,9782 -1,8389 0,0825
Vt 0,5293 0,1456 3,6356 0,0019
Ct-1 0,7452 0,1146 6,5023 0,0000
Cˆ t = −136,0368 + 0,5293 Vt + 0,7452Ct −1; R = 0,9095

(73,9782 ) (0,1456 ) (0,1146 ) d = 2,14
su = 26,4646

ale variabilei Ct, Cˆ t = −136,0368 + 0,5293 Vt + 0,7452C t −1 şi ale variabilei
reziduale, uˆ t = C t − Cˆ t . Valorile acestora sunt prezentate în cadrul tabelului
2.8.2.2. (utilizând pachetul de programe EViews):
Tabelul 2.8.2.2
Ct Ĉt ût (graficul reziduurilor)
442,1 430,3889 11,7111 | . |* . |

436,3 440,0166 -3,7166 | . *| . |
433,1 435,5356 -2,4356 | . * . |
450,1 445,9067 4,1933 | . |* . |
442,0 460,0573 -18,0573 | .* | . |
448,1 458,0437 -9,9437 | . *| . |
472,1 472,1167 -0,0167 | . * . |
513,2 494,7654 18,4346 | . | *. |
516,6 541,8015 -25,2015 | .* | . |
557,7 560,2139 -2,5139 | . * . |
467,4 520,8702 -53,4702 | * . | . |
432,1 444,4738 -12,3738 | . *| . |
435,9 426,9540 8,9460 | . |* . |
447,3 447,7816 -0,4816 | . * . |
505,3 493,9094 11,3906 | . |* . |
545,7 549,9405 -4,2405 | . *| . |
525,7 566,7089 -41,0089 | *. | . |
586,2 516,8188 69,3812 | . | . *|
579,8 572,7015 7,0985 | . |* . |
582,3 574,2837 8,0163 | . |* . |
610,7 576,4113 34,2887 | . | .* |
Verificarea semnificaţiei modelului necesită:

Deşi valoarea variabilei d, corespunzătoare testului Durbin-Watson,

este afişată de către programul EViews, în cazul unui model autoregresiv,
aceasta tinde către 2, valoare ce corespunde erorilor independente. In acest
caz, în vederea verificării ipotezei de independenţă a erorilor, se recomandă
fie utilizarea testului Breusch-Godfrey16, fie a testului Durbin-h. Testul
Breusch-Godfrey este folosit în vederea depistării unei autocorelaţii de ordin
superior. Ca urmare a presupunerii existenţei unei autocorelaţii de ordin
superior se construieşte următorul model:
u t = r1u t −1 + r2 u t − 2 + K + rp u t − p + z t
unde: zt = variabilă reziduală de medie zero şi dispersie constantă.

Ipoteza nulă care stă la baza testului este aceea potrivit căreia toţi
coeficienţii corespunzători valorilor decalate ale variabilei reziduale sunt
simultan egali cu zero, fapt ce implică inexistenţa fenomenului de
autocorelaţie a erorilor.
În vederea aplicării testului sunt estimate valorile variabilei reziduale
ut în urma aplicării M.C.M.M.P. asupra modelului iniţial. Variabila
reziduală ut este apoi regresată în funcţie de variabilele exogene iniţiale ale
modelului şi de valorile sale decalate, respectiv ut-1, ut-2,…, ut-p. În cazul
acestei regresii este calculată valoarea coeficientului de determinare R2 şi a
unei variabile de forma: BG = (n-p) R2. Presupunând că ne aflăm în situaţia
unui eşantion de volum mare, variabila BG este asimptotic distribuită sub
forma unui χ α2 ;v , pentru care numărul gradelor de libertate este egal cu:
v = p , unde p = mărimea decalajului , respectiv: BG~ χ α2 ; v .
Dacă BG > χ α2 ; v , ipoteza nulă este respinsă, ceea ce presupune că
există cel puţin un coeficient de autocorelaţie nenul.
16
p. 425
Aplicarea testului Breusch-Godfrey s-a realizat utilizând pachetul de

programe EViews (presupunând ca mărimea decalajului este p = 2):
Breusch-Godfrey Serial Correlation LM Test:

Test Equation:
Dependent Variable: ut

C -14,1990 91,5356 -0,1551 0,8787
Vt 0,0106 0,1642 0,0643 0,9495
Ct-1 0,0176 0,1267 0,1388 0,8913
ut-1 -0,1547 0,2914 -0,5307 0,6029
ut-2 0,0007 0,2963 0,0025 0,9980
R-squared 0,0192 Mean dependent var 9,74E-14
În cazul utilizării pachetului de programe EViews există două

variante de aplicare a testului Breusch-Godfrey:
- utilizarea testului Fisher–Snedecor aplicat în vederea verificării
existenţei unor variabile absente (omise) în model, având următoarea relaţie
de calcul:
R2 p
Fc =
( )
1 − R 2 (n − m )
unde:
p = numărul de variabile noi adăugate în model, respectiv ut-1, ut-2,…, ut-p;
m = numărul total de parametri corespunzători noului model.
Dacă Fc < Fα ;v1 ;v2 , unde v1 = p şi v2 = n-m, ipoteza conform căreia
estimatorii corespunzători noilor parametri adăugaţi în model sunt nuli este
verificată, respectiv, în cazul nostru, fenomenul de autocorelare a erorilor nu
este prezent, cazul contrar implicând existenţa cel puţin a unei autocorelaţii
de ordinul întâi. Cum Fc = 0,1565 < F0,05; 2;16 = 3,63 , rezultă că noul model
este corect specificat, indicând astfel faptul că erorile sunt independente:
asimptotic distribuit sub forma unui χ α2 ; v , pentru care numărul gradelor de
libertate este egal cu: v = p , unde p = mărimea decalajului, respectiv:
LM = n ⋅ R 2 ~ χ α2 ; v
Dacă LM > χ α2 ;v , erorile sunt autocorelate, în caz contrar, sunt

independente, respectiv ipoteza nulităţii parametrilor, r1 = r2 = 0 , este
acceptată. Se constată astfel că pachetul de programe nu utilizează relaţia
clasică de calcul a testului Breusch-Godfrey, respectiv: BG = (n-p)·R2.
Deoarece LM = 0,403 < χ 02,05; 2 = 5,99147 , aceasta implică faptul că
erorile sunt independente.
În cazul calculării în varianta clasică a testului Breusch-Godfrey,
respectiv: BG = 19 ⋅ 0,0192 = 0,3646 < χ 02,05; 2 = 5,99147 , se ajunge la aceleaşi
concluzii menţionate anterior.
Aplicarea testului Durbin-h17 constă în calculul următoarei relaţii:
n
h = r1
1 − n ⋅ sα2ˆ2
unde:
r1 = coeficientul de autocorelaţie de ordinul întâi;
sα2ˆ2 = dispersia corespunzătoare valorii decalate a consumului final real al
populaţiei;
Presupunând că numărul de observaţii este suficient de mare,

variabila h urmează distribuţia normală, de medie zero şi dispersie egală cu
unitatea, aceasta semnificând faptul că :
P(− 1,96 ≤ h ≤ 1,96 ) = 1 − α = 1 − 0,05 = 0,95
Regulile de decizie în cazul aplicării acestui test sunt următoarele:

- dacă h > 1,96 se acceptă ipoteza potrivit căreia există autocorelaţie
de ordinul întâi pozitivă;
- dacă h < −1,96 se acceptă ipoteza potrivit căreia există
autocorelaţie de ordinul întâi negativă;
- dacă − 1,96 ≤ h ≤ 1,96 se acceptă ipoteza potrivit căreia erorile sunt
independente, respectiv nu există autocorelaţie de ordinul întâi, pozitivă sau
negativă.
Valoarea coeficientului de autocorelaţie de ordinul întâi se
calculează cu ajutorul relaţiei:
d
r1 = 1 − = 1 − 2,1437 = −0,0718
2
17
cf. op. cit., p. 605-607.
În acest caz, valoarea testului h este următoarea:
21
h = −0,0718 ⋅ = −0,39
1 − 21 ⋅ 0,1146 2
Şi în acest caz poate fi acceptată ipoteza de independenţă a erorilor.

αˆ 0
tαˆ 0 = ≥ tα ;n −k −1
sαˆ 0
− 136,0368
tαˆ 0 = = 1,8389
73,9782
αˆ 1
tαˆ1 = ≥ tα ;n − k −1
sαˆ1
0,5293
tαˆ1 = = 3,6356
0,1456
αˆ 2
tαˆ 2 = ≥ tα ;n − k −1
sαˆ 2
0,7452
tαˆ 2 = = 6,5023
0,1146

valoare cu valorile calculate pentru cei trei estimatori, se constată că:
- tαˆ 0 = 1,8389 < t 0,05;18 = 2,101 ⇒ parametrul α̂ 0 nu este semnificativ
diferit de zero, pentru un prag de semnificaţie α = 0,05 ;
- t αˆ1 = 3,6356 > t 0,05;18 = 2,101 ⇒ parametrul α̂ 1 este semnificativ
diferit de zero, pentru un prag de semnificaţie α = 0,05 ;
- t αˆ 2 = 6,5023 > t 0, 05;18 = 2,101 ⇒ parametrul α̂ 2 este semnificativ

diferit de zero, pentru un prag de semnificaţie α = 0,05 .
R2 n − k −1 0,8271 18
Fc = ⋅ = ⋅ = 43,0566
1− R 2
k 1 − 0,8271 2

v 2 = n − k − 1 = 18 se preia valoarea teoretică F0, 05; 2;18 = 3,55 . Se constată că
Fc = 43,0566 > F0,05; 2;18 = 3,55 , deci, pentru un prag de semnificaţie de 5%,
valoarea raportului de corelaţie este semnificativ diferită de zero.
În concluzie, modelul Cˆ = −136,0368 + 0,5293 V + 0,7452C
t t t −1
poate fi apreciat ca reprezentativ pentru descrierea dependenţei dintre

consumul final real al gospodăriilor populaţiei, venitul disponibil net real al
populaţiei şi consumul final real al gospodăriilor populaţiei decalat cu o
perioadă.
V x2 Vu2
V02 = V x2 + Vu2 ⇒ 100 = ⋅ 100 + ⋅ 100 ⇒ 100 = 77,9 + 22,1
V02 V02
rezultă că funcţia de ajustare explică aproximativ 78% din variaţia totală a

consumului final real al gospodăriilor populaţiei.
În final, modelul econometric devine:
Cˆ t = −136,0368 + 0,5293 Vt + 0,7452C t −1 ; R = 0,9095

(73,9782 ) (0,1456 ) (0,1146 ) d = 2,14
s u = 26,4646
În vederea realizării de previziuni cu ajutorul acestui model se

impune testarea ipotezei de stabilitate relativă în timp a legăturii dintre
consumul populaţiei şi factorii săi prin intermediul testului Chow (Tănăsoiu,
Iacob, p. 166-167).
În vederea aplicării acestui test au fost construite trei modele de
corelaţie pe următoarele perioade de timp: 1981-1989, 1990-2001 şi
1981-2001. Testul Chow se calculează cu ajutorul următoarei relaţii:
V02u − Vau2 T − 2 ⋅ (k + 1)
Fc = ⋅ (5)
Vau2 k +1
unde:
n
V02u = ∑ u 02t reprezintă suma pătratelor valorilor variabilei reziduale
t =1
înregistrate în perioada 1981-2001;

V =V
2
au
2
a1u +V 2
a2 u
n1
Va21u = ∑ u12t reprezintă suma pătratelor valorilor variabilei reziduale
t =1
înregistrate în perioada 1981-1989 (n1 = 9 ) ;

T
Va22 u = ∑u
t = n1 + 1
2
2t reprezintă suma pătratelor valorilor variabilei reziduale
înregistrate în perioada 1990-2001 (n 2 = 12 ) ;

T = numărul total de observaţii (T = n1 + n 2 = 21) ;
k = numărul variabilelor exogene ( k = 1) .
Testarea ipotezei de stabilitate constă în alegerea uneia din
următoarele ipoteze:
H 0 : Dacă V02u ≅ Vau2 rezultă că legitatea de evoluţie a legăturii dintre
consumul populaţiei şi factorii săi este stabilă în timp, şi, ca atare, modelul
poate fi utilizat în vederea efectuării prognozei;
H1 : DacăV02u ≠ Vau2 rezultă că legitatea de evoluţie a legăturii dintre

consumul populaţiei şi factorii săi nu este stabilă în timp, iar modelul nu va
putea fi utilizat în vederea efectuării prognozei.
În cazul în care Fc ≤ Fα ;v1 ;v2 se alege ipoteza H 0 , iar
dacă Fc > Fα ;v1 ;v2 se alege ipoteza H1 (unde: α = 0,05 , pragul de semnificaţie
şi v1 = k + 1 şi v 2 = T − 2 ⋅ (k + 1) , numărul gradelor de libertate).
În urma aplicării testului Chow se constată că
Fc = 0,1901 < F0, 05;3;15 = 3,29 şi, ca atare, poate fi acceptată ipoteza unei
stabilităţi relative în timp a legăturii dintre consumul populaţiei şi factorii
săi şi, ca atare, modelul poate fi folosit în vederea simulării şi prognozei.
În urma calculelor efectuate cu ajutorul pachetului de programe
EViews în vederea testării capacităţii de prognoză a modelului privind
dependenţa dintre dintre consumul final real al gospodăriilor populaţiei şi
factorii săi de influenţă în perioada 1981-2001 au rezultat următoarele
informaţii:
Rezultatele testării capacităţii de prognoză a modelului privind

dependenţa dintre consumul final real al gospodăriilor populaţiei
şi factorii săi de influenţă în România în perioada 1981-2001
Tabelul 2.8.2.3
Denumirea indicatorului Simbolul indicatorului Valoarea indicatorului
0 1 2
Coeficientul Theil T 0,0246
Ponderea abaterii TA 0,0083
Ponderea dispersiei TD 0,0436
Ponderea covarianţei TC 0,9482
În urma analizei rezultatelor obţinute se constată că modelul posedă

o bună capacitate de prognoză, ca urmare a valorilor mici înregistrate în
cazul coeficientului Theil, a ponderii abaterii şi a ponderii dispersiei şi, deci,
poate fi acceptat în vederea realizării unei prognoze a consumului final real
al gospodăriilor populaţiei.
2.1.8.3 Model dinamic cu decalaj
Se cunosc următoarele date privind evoluţia investiţiilor şi a

imobilizărilor corporale (fondurilor fixe), exprimate în mld. lei preţuri
comparabile (1990=100), în România, în perioada 1980-2002:
Tabelul 2.8.3.1
Imobilizări Imobilizări
Investiţii Investiţii
corporale corporale
Anul (mld. lei ) Anul (mld. lei )
(mld. lei ) (mld. lei )
(1990=100) (1990=100)
(1990=100) (1990=100)
0 1 2 0 1 2
1980 2451,1 274,4 1992 2622,5 100,4
1981 2630,5 270,4 1993 917,1 97,4
1982 2544,3 249,0 1994 487,9 115,5
1983 2764,7 266,1 1995 1811,6 138,6
1984 3011,5 281,9 1996 1386,7 153,7
1985 3216,1 283,1 1997 720,4 131,0
1986 3432,0 285,6 1998 820,5 115,7
1987 3650,3 281,6 1999 908,2 108,6
1988 3781,4 270,4 2000 1300,0 112,1
1989 4005,5 268,6 2001 1417,1 133,3
1990 3498,0 168,4 2002 1510,2 143,6
1991 1526,6 106,4
Se cere :
a) Să se facă analiza economică a dependenţei imobilizărilor
corporale de volumul investiţiilor şi să se construiască modelul econometric
adecvat;
b) Să se facă discuţia econometrică a modelului formulat la punctul
a), să se estimeze parametrii modelului şi să se verifice semnificaţia
acestuia;
c) Să se facă interpretarea economică a rezultatelor obţinute cu
ajutorul modelului econometric.
Rezolvare:
a) Imobilizările corporale (fondurile fixe) reprezintă rezultatul unei

activităţi economice, acestea depinzând în mod direct de volumul
investiţiilor efectuate în trecut şi în prezent. Evaluarea efectului investiţiilor
asupra creşterii imobilizărilor corporale se poate face pe baza mai multor
procedee de calcul economic. Printre acestea, un loc important îl ocupă
modelele econometrice care permit o evaluare sintetică a efectului în timp al
investiţiilor asupra evoluţiei imobilizărilor corporale.
Ca urmare a faptului că influenţa investiţiilor asupra imobilizărilor
corporale nu este simultană, adică nu se exercită doar în aceeaşi perioadă de
timp, ci pe mai multe perioade de timp, modelul econometric adecvat
acestui tip de dependenţă este modelul econometric cu decalaj:
yt = a+b0xt+b1xt-1+…+bjxt-j+…+bkxt-k+ut (1)
k
y t = a + ∑ b j x t − j + ut (2)
j =0
unde:
yt = imobilizări corporale;
xt = investiţii;
ut = variabilă aleatoare;
(
t = numărul de observaţii t = 1, n, n = 23 ; )
a,b = parametrii modelului ( j = 0, k ) ;
j
k = ordinul decalajului, respectiv numărul de perioade de timp (ani) în

care variabila x îşi exercită influenţa asupra variabilei y.
În acest caz, estimarea modelului econometric presupune atât
estimarea parametrilor modelului cât şi a mărimii decalajului.
b) În mod obişnuit, estimarea parametrilor modelului de mai sus se
face prin aplicarea M.C.M.M.P., stabilind arbitrar o anumită mărime a
ordinului decalajului k=3, k=4,… Acest procedeu prezintă dezavantajul că,
datorită fenomenului de multicoliniaritate, estimatorii bj pot rezulta cu valori

nesemnificative.
De exemplu, pentru k = 3, modelul econometric se defineşte prin
intermediul următoarei relaţii:
yt=a+b0xt+b1xt-1+b2xt-2+b3xt-3+ut (3)
iar datele pe baza cărora vor fi estimaţi parametrii sunt cele prezentate în
tabelul 2.8.3.2 :
Tabelul 2.8.3.2
t yt xt xt-1 xt-2 xt-3 yt-1
0 1 2 3 4 5 6
1 2451,1 274,4 - - - -
2 2630,5 270,4 274,4 - - 2451,1
3 2544,3 249,0 270,4 274,4 - 2630,5
4 2764,7 266,1 249,0 270,4 274,4 2544,3
5 3011,5 281,9 266,1 249,0 270,4 2764,7
6 3216,1 283,1 281,9 266,1 249,0 3011,5
7 3432,0 285,6 283,1 281,9 266,1 3216,1
8 3650,3 281,6 285,6 283,1 281,9 3432,0
9 3781,4 270,4 281,6 285,6 283,1 3650,3
10 4005,5 268,6 270,4 281,6 285,6 3781,4
11 3498,0 168,4 268,6 270,4 281,6 4005,5
12 1526,6 106,4 168,4 268,6 270,4 3498,0
13 2622,5 100,4 106,4 168,4 268,6 1526,6
14 917,1 97,4 100,4 106,4 168,4 2622,5
15 487,9 115,5 97,4 100,4 106,4 917,1
16 1811,6 138,6 115,5 97,4 100,4 487,9
17 1386,7 153,7 138,6 115,5 97,4 1811,6
18 720,4 131,0 153,7 138,6 115,5 1386,7
19 820,5 115,7 131,0 153,7 138,6 720,4
20 908,2 108,6 115,7 131,0 153,7 820,5
21 1300,0 112,1 108,6 115,7 131,0 908,2
22 1417,1 133,3 112,1 108,6 115,7 1300,0
23 1510,2 143,6 133,3 112,1 1417,1
Total 50412,9 4355,7 - - - -
În urma aplicării M.C.M.M.P., cu ajutorul programului informatic

EViews, s-au obţinut următoarele rezultate:
C -807,5057 297,4596 -2,7147 0,0160
xt 2,7017 4,1251 0,6550 0,5224
xt-1 13,2195 7,1347 1,8528 0,0837
xt-2 -13,9151 7,1566 -1,9444 0,0708
xt-3 13,5556 4,1795 3,2434 0,0055
yˆ t = −807,5057 + 2,7017xt + 13,2195xt −1 − 13,9151xt −2 + 13,5556xt −3 ; R = 0,9416

(297,4596) (4,1251) (7,1347) (7,1566) (4,1795) d = 1,59
su = 449,3048
Pe baza acestor rezultate se constată că doar estimatorii â şi b̂3 sunt

semnificativ diferiţi zero pentru un prag de semnificaţie α = 0,05 , ceilalţi
estimatori, bˆ0 , bˆ1 şi bˆ2 , nu pot fi acceptaţi deoarece nu au valori
semnificativ diferite de zero. Acest lucru se datoreză fenomenului de
multicoliniaritate ce apare în cazul variabilelor explicative decalate.
Depăşirea acestui impediment se va face cu ajutorul mai multor
procedee.
În cazul utilizării procedeului Koyck, influenţa în timp a volumului

investiţiilor asupra imobilizărilor corporale este descrescătoare, de forma
unei progresii geometrice, respectiv între parametrii bj există relaţia:
bj = b0 λj (4)
unde:
λ = raţia progresiei geometrice, 0<λ<1.
În condiţiile acestei ipoteze, modelul dinamic cu decalaj devine:
yt = a+b0xt+b0λxt-1+b0λ2xt-2+…+b0λjxt-j+…+ut (5)
Dacă se decalează cu o perioadă relaţia de mai sus şi se scade din

relaţia anterioară se obţine următorul model:
yt = ao + boxt + λyt-1 + zt (6)
unde:
ao = a(1-λ) (7)
zt = ut – λut-1 (8)
În urma aplicării M.C.M.M.P., pe baza programului EViews, asupra

modelului (6), vor rezulta estimatorii parametrilor ao, bo şi λ:
C -290,7640 314,6985 -0,9239 0,3671
xt 8,0897 2,0359 3,9734 0,0008
yt-1 0,4364 0,1385 3,1516 0,0053

Pe baza datelor din tabelul de mai sus, modelul estimat este de

forma:
yˆ t = −290,764 + 8,8972 xt + 0,4364 y t −1 ; R = 0,8911

(314,6985) (2,0359) (0,1385) d = 2,5
s z = 541,5956
Modelul poate fi acceptat ca semnificativ, cu un prag de semnificaţie

de 1%, cu excepţia estimatorului â0 , care poate fi acceptat pentru un prag
de semnificaţie α = 0,4.
Utilizând relaţiile:
aˆ 0 − 290,764
aˆ 0 = aˆ (1 − λ ) ⇒ aˆ = = = −515,8957
1 − λ 1 − 0,4364
bˆ j = bˆ0 ⋅ λ̂ j
− pentru j = 0 ⇒ bˆ0 = bˆ0 ⋅ λˆ0 = 8,0897

− pentru j = 1 ⇒ bˆ1 = bˆ0 ⋅ λˆ1 = 8,0897 ⋅ 0,4364 = 3,5303
− pentru j = 2 ⇒ bˆ2 = bˆ0 ⋅ λˆ2 = 8,0897 ⋅ 0,4364 2 = 1,5406
− pentru j = 3 ⇒ bˆ3 = bˆ0 ⋅ λˆ3 = 8,0897 ⋅ 0,4364 3 = 0,6723
……………………………………………………………
În final, revenind la modelul cu decalaj, acesta poate fi descris cu

ajutorul relaţiei:
yˆ t = −515,8957 + 8,0897 xt + 3,5303 xt −1 + 1,5406 xt − 2 + 0,6723xt −3 + K
În situaţia în care se utilizează procedeul Almon, care presupune că

influenţa în timp a volumului investiţiilor asupra imobilizărilor corporale
este de forma unui polinom de ordinul k, respectiv între parametrii bj există
relaţia:
bj = B0 + B1 j + B2 j2 +…+ Bk jk, j = 0,1,2,3,…,k (9)
În acest caz, modelul (1) devine:
k k
yt = a + ∑b j xt − j + ut = a + ∑ (B0 + B1 ⋅ j + B2 ⋅ j 2 + ... + Bk ⋅ j k ) xt − j + ut
j =0 j =0
yt = a + B0 ∑xt − j + B1∑ j ⋅ xt − j +B2 ∑ j2 ⋅ xt − j +B3∑ j3 ⋅ xt − j +...+ Bk ∑ jk ⋅ xt − j +ut (10)

j j j j j
Notând cu:
vt 0 = ∑ xt − j
j
v t1 = ∑ j ⋅ x t − j
j
vt 2 = ∑ j 2 ⋅ xt − j
j
vtk = ∑ j k ⋅ xt − j
j
relaţia (10) se transformă într-un model multifactorial cu (k+1) variabile

explicative:
yt = a + B0vt0 + B1vt1 +…+ Bkvtk + ut (11)

Dacă presupunem că influenţa în timp a volumului investiţiilor

asupra imobilizărilor corporale este de forma unui polinom de ordinul trei
(vezi modelul (3)), respectiv între parametrii bj există relaţia:
bj = B0 + B1 j + B2 j2 + B3 j3
atunci, pe baza relaţiei (11), modelul se mai poate scrie astfel:
yt = a + B0vt0 + B1vt1 + B2vt2 + B3vt3 + ut
unde:
4
vt 0 = ∑ xt − j = xt + xt −1 + xt − 2 + xt −3 + xt − 4
j =0
4
vt1 = ∑ jxt − j =xt −1 + 2 xt − 2 + 3 xt −3 + 4 xt − 4
j =0
4
vt 2 = ∑ j 2 xt − j =xt −1 + 4 xt − 2 + 9 xt −3 + 16 xt − 4
j =0
4
vt 3 = ∑ j 3 xt − j =xt −1 + 8 xt − 2 + 27 xt −3 + 64 xt − 4
j =0
În cadrul tabelului 2.8.3.3. sunt prezentate valorile calculate ale

variabilelor vtk:
Tabelul 2.8.3.3
t yt xt vt0 vt1 vt2 vt3
0 1 2 3 4 5 6
1 2451,1 274,4 - - - -
2 2630,5 270,4 - - - -
3 2544,3 249,0 - - - -
4 2764,7 266,1 - - - -
5 3011,5 281,9 1341,8 2672,9 8086,1 27120,5
6 3216,1 283,1 1350,5 2642,7 7913,7 26439,3
7 3432,0 285,6 1365,7 2641,2 7789,6 25659,0
8 3650,3 281,6 1398,3 2761,9 8212,7 27192,1
9 3781,4 270,4 1402,6 2829,7 8482,3 28251,7
10 4005,5 268,6 1389,3 2822,8 8496,8 28352,8
t yt xt vt0 vt1 vt2 vt3

0 1 2 3 4 5 6
11 3498,0 168,4 1274,6 2796,6 8454,2 28313,4
12 1526,6 106,4 1095,4 2643,2 8182,0 27640,4
13 2622,5 100,4 914,2 2330,6 7523,8 26011,4
14 917,1 97,4 741,2 1892,8 6339,2 22688,8
15 487,9 115,5 588,1 1291,0 4151,0 14551,0
16 1811,6 138,6 558,3 1037,1 3111,1 10415,1
17 1386,7 153,7 605,6 1063,4 3083,6 10118,0
18 720,4 131,0 636,2 1167,0 3306,0 10614,6
19 820,5 115,7 654,5 1316,2 3841,2 12494,8
20 908,2 108,6 647,6 1393,2 4240,6 14184,0
21 1300,0 112,1 621,1 1347,8 4209,6 14408,0
22 1417,1 133,3 600,7 1200,4 3683,8 12488,8
23 1510,2 143,6 613,3 1146,1 3410,3 11367,1
Total 50412,9 4355,7 17799,0 36996,6 112517,6 378310,8
În urma aplicării programului EViews în vederea estimării

parametrilor modelului s-au obţinut următoarele rezultate:
C -824,3487 359,1423 -2,2953 0,0377
vt0 9,5948 4,2084 2,2799 0,0388
vt1 -25,6459 19,6488 -1,3052 0,2129
vt2 16,0458 13,1499 1,2202 0,2425
vt3 -2,5686 2,1798 -1,1783 0,2583
yˆ t = −824,3487 + 9,5948v t 0 − 25,6459 v t1 + 16,0458v t 2 − 2,5686 v t 3 ; R = 0,9293

(359,1423) (4,2084) (19,6488) (13,1499) (2,1798) d = 2,04
s u = 505,8996
Pe baza acestor rezultate se constată că doar estimatorii â şi B̂0 sunt

semnificativ diferiţi zero pentru un prag de semnificaţie α = 0,05 , modelul
fiind şi el semnificativ pentru acelaşi prag de semnificaţie. Ceilalţi
estimatori, Bˆ1 , Bˆ 2 şi Bˆ 3 , nu pot fi acceptaţi deoarece nu au valori
semnificativ diferite de zero. Ca atare, putem concluziona că un polinom de
gradul întâi poate reprezenta o bună aproximare a modelului.
Dacă presupunem însă că influenţa în timp a volumului investiţiilor
asupra imobilizărilor corporale este de forma unui polinom de ordinul doi
respectiv între parametrii bj există relaţia:
bj = B0 + B1 j + B2 j2
atunci, pe baza relaţiei (11), modelul se mai poate scrie astfel:
yt = a + B0vt0 + B1vt1 + B2vt2 + ut
unde:
3
vt 0 = ∑ xt − j = xt + xt −1 + xt − 2 + xt −3
j =0
3
vt1 = ∑ jxt − j =xt −1 + 2 xt − 2 + 3 xt −3
j =0
3
vt 2 = ∑ j 2 xt − j =xt −1 + 4 xt − 2 + 9 xt −3
j =0
În cadrul tabelului 2.8.3.4. sunt prezentate valorile calculate ale

variabilelor vtk:
Tabelul 2.8.3.4
t yt xt vt0 vt1 vt2
0 1 2 3 4 5
1 2451,1 274,4 - - -
2 2630,5 270,4 - - -
3 2544,3 249,0 - - -
4 2764,7 266,1 1059,9 1613,0 3800,2
5 3011,5 281,9 1067,4 1575,3 3695,7
6 3216,1 283,1 1080,1 1561,1 3587,3
7 3432,0 285,6 1116,7 1645,2 3805,6
8 3650,3 281,6 1132,2 1697,5 3955,1
9 3781,4 270,4 1120,7 1702,1 3971,9
10 4005,5 268,6 1106,2 1690,4 3967,2
11 3498,0 168,4 989,0 1654,2 3884,6
12 1526,6 106,4 813,8 1516,8 3676,4
13 2622,5 100,4 643,8 1249,0 3197,4
14 917,1 97,4 472,6 818,4 2041,6
15 487,9 115,5 419,7 617,4 1456,6
16 1811,6 138,6 451,9 611,5 1408,7
17 1386,7 153,7 505,2 661,8 1477,2
18 720,4 131,0 538,8 777,4 1747,6
19 820,5 115,7 539,0 854,2 1993,2
20 908,2 108,6 509,0 838,8 2023,0
21 1300,0 112,1 467,4 733,0 1750,4
22 1417,1 133,3 469,7 676,4 1587,8
23 1510,2 143,6 497,6 683,3 1559,1
Total 50412,9 4355,7 15000,7 23176,8 54586,6
În urma aplicării programului EViews în vederea estimării

parametrilor modelului s-au obţinut următoarele rezultate:
C -777,4384 324,7637 -2,3939 0,0293
vt0 8,2249 3,3889 2,4270 0,0274
vt1 -12,6836 8,6746 -1,4622 0,1631
vt2 4,1938 2,8756 1,4584 0,1641
yˆ t = −777,4384+ 8,2249vt 0 −12,6836vt1 + 4,1938vt 2 ; R = 0,9249

(324,7637) (3,8889) (8,6746) (2,8756) d = 1,75
s u = 491,1564
Pe baza acestor rezultate se constată că doar estimatorii â şi B̂0 sunt

semnificativ diferiţi zero pentru un prag de semnificaţie α = 0,05 , modelul
fiind şi el semnificativ pentru acelaşi prag de semnificaţie. Ceilalţi doi
estimatori, Bˆ şi Bˆ , pot fi acceptaţi ca semnificativi, pentru un prag de
1 2
semnificaţie α = 0,20 .
Utilizând relaţia (9), parametrii modelului (1) vor fi estimaţi astfel:
bˆ0 = Bˆ 0 = 8,2249
bˆ1 = Bˆ 0 + Bˆ1 + Bˆ 2 = 8,2249 + (− 12,6386 ) + 4,1938 = −0,265

bˆ2 = Bˆ 0 + 2 ⋅ Bˆ1 + 4 ⋅ Bˆ 2 = 8,2249 + 2 ⋅ (− 12,6386 ) + 3 ⋅ 4,1938 = −0,3674
bˆ3 = Bˆ 0 + 3 ⋅ Bˆ1 + 9 ⋅ Bˆ 2 = 8,2249 + 3 ⋅ (− 12,6386 ) + 9 ⋅ 4,1938 = 7,9178
În final, modelul cu decalaj poate fi descris cu ajutorul următoarei

relaţii:
yˆ t = −777,4384 + 8,2249 xt − 0,265 xt −1 − 0,3674 xt − 2 + 7,9178 xt −3
O altă metodă de evitare a multicoliniarităţii este procedeul

progresiei aritmetice descrescătoare, în cadrul se consideră că variabila x
îşi transmite influenţa asupra variabilei y sub forma unei progresii aritmetice
descrescătoare, respectiv între parametrii bj există relaţia:
bj = b0 + jλ (12)
unde:
j = 0, k ;
λ = raţia progresiei aritmetice, λ<0.
În acest caz, modelul (1) devine:
yt=a+b0xt+(b0+λ)xt-1+(b0+2λ)xt-2+…+(b0+kλ)xt-k+ut (13)
Se decalează cu o perioadă ecuaţia (13):
yt-1 = a+b0xt-1+(b0+λ)xt-2+(b0+2λ)xt-3+…+(b0+kλ)xt-k-1+ut-1(14)
Din ecuaţia (13) se scade ecuaţia (14) obţinându-se:
yt -yt-1=b0xt+λ(xt-1+xt-2+…+xt-k-1)+(ut-ut-1) (15)
yt*=b0xt+λvt+zt (16)
unde:
t = k + 2, n ;
yt* = yt - yt-1 – diferenţele de ordinul întâi ale variabilei explicate;
vt=xt-1+xt-2+…+xt-(k+1);
zt=ut - ut-1 - variabila aleatoare.
Stabilirea mărimii decalajului k se poate face prin încercări
succesive. Astfel, dacă se construieşte un model dinamic cu decalaj de
ordinul întâi între x şi y, utilizând datele din tabelul 2.8.3.5., coloanele 1 şi 2,
parametrii modelului (16) se vor estima pe baza valorilor celor trei variabile
yt*, xt şi vt prezentate în coloanele 3, 4 şi 5 acestuia.
Tabelul 2.8.3.5
t yt xt y *
t
( )
xt t = 3, 23 ( )
vt t = 3, 23
0 1 2 3 4 5
1 2451,1 274,4 - - -
2 2630,5 270,4 - - -
3 2544,3 249,0 -86,2 249,0 544,8
4 2764,7 266,1 220,4 266,1 519,4
5 3011,5 281,9 246,8 281,9 515,1
6 3216,1 283,1 204,6 283,1 548,0
7 3432,0 285,6 215,9 285,6 565,0
8 3650,3 281,6 218,3 281,6 568,7
9 3781,4 270,4 131,1 270,4 567,2
10 4005,5 268,6 224,1 268,6 552,0
11 3498,0 168,4 -507,5 168,4 539,0
12 1526,6 106,4 -1971,4 106,4 437,0
13 2622,5 100,4 1095,9 100,4 274,8
14 917,1 97,4 -1705,4 97,4 206,8
15 487,9 115,5 -429,2 115,5 197,7
16 1811,6 138,6 1323,7 138,6 212,9
17 1386,7 153,7 -424,9 153,7 254,1
18 720,4 131,0 -666,3 131,0 292,3
19 820,5 115,7 100,1 115,7 284,7
20 908,2 108,6 87,7 108,6 246,7
21 1300,0 112,1 391,8 112,1 224,3
22 1417,1 133,3 117,1 133,3 220,7
23 1510,2 143,6 91,8 143,6 245,3
Total 50412,9 4355,7 -1121,6 3811,0 8016,7
În urma aplicării M.C.M.M.P., pe baza programului EViews, asupra

modelului (16), vor rezulta estimatorii parametrilor bo şi λ:
Dependent Variable: y t*
xt 10,2953 4,0923 2,5158 0,0210
vt -4,9373 1,9551 -2,5253 0,0206
Log likelihood -165,3275 Durbin-Watson stat 2,9006
yˆ1*t = 10,2953 xt − 4,9373 vt ; R1 = 0,4983

(4,0923) (1,9551) d = 2,9
s z1 = 667,7025
Estimatorii parametrilor sunt semnificativ diferiţi de zero, cu un prag

de semnificaţie de 5%, dar modelul nu poate fi acceptat ca semnificativ.
În continuare, se va construi un model dinamic cu decalaj de ordinul
doi între x şi y. Rezultatele estimării acestui model sunt următoarele:
xt 7,8769 3,7289 2,1124 0,0489
vt -2,4871 1,1742 -2,1180 0,0483

yˆ 2*t = 7,8769 xt − 2,4871 vt ; R2 = 0,4441

(3,7289) (1,1742) d = 2,97
s z2 = 708,8445
Estimatorii parametrilor sunt semnificativ diferiţi de zero cu un prag

de semnificaţie de 5%, dar nici acest model nu poate fi acceptat ca
semnificativ.
În continuare, se va construi un model dinamic cu decalaj de ordinul
trei între x şi y. Rezultatele estimării acestui model sunt următoarele:
Date: 04/03/05 Time: 16:33
xt 7,4635 3,4404 2,1694 0,0445
vt -1,7583 0,7950 -2,2116 0,0410
yˆ 3*t = 7,4635 xt − 1,7583 vt ; R3 = 0,4671

(3,4404) (0,795) d = 2,99
s z3 = 717,3399
Ca şi în celelalte două cazuri, estimatorii parametrilor sunt

semnificativ diferiţi de zero cu un prag de semnificaţie de 5%, dar nici acest
model nu poate fi acceptat ca semnificativ.
În cazul celor trei modele estimate mai sus, cum estimatorii λ̂ j sunt
semnificativ diferiţi de zero, vom testa şi dacă aceştia diferă semnificativ
unul de celălalt, prin verificarea următoarei inegalităţi:
λˆ1 − λˆ2
tc = >2
s λ21 + s λ22
Astfel, în urma comparării estimatorilor parametrilor corespunzători

primelor două modele au fost obţinute următoarele rezultate:
λˆ1 − λˆ2 − 4,9373 − (− 2,4871)

t c1 = = = 1,0744 < 2
s λ21 + s λ22 1,95512 + 1,1742 2
Deoarece t c1 = 1,0744 < 2 , rezultă că cei doi estimatori nu diferă

semnificativ unul de celălat.
Prin compararea estimatorilor parametrilor corespunzători primului
model cu cel de-al treilea şi a celui de-al doilea model cu cel de-al treilea au
fost obţinute următoarele rezultate:
λˆ1 − λˆ3 − 4,9373 − (− 1,7583)

t c2 = = = 1,5062 < 2
s λ21 + s λ23 1,95512 + 0,795 2
λˆ2 − λˆ3 (− 2,4871) − (− 1,7583)

t c3 = = = 0,5139 < 2
s λ22 + s λ23 1,1742 2 + 0,795 2
Deoarece t c2 = 1,5062 < 2 şi t c3 = 0,5139 < 2 , rezultă că estimatorii

comparaţi nu diferă semnificativ unul de celălat.
Lungimea decalajului se va stabili pe baza criteriului:
j = max( R y / x t − j )
j
unde:
R y / x t − j = raportul de corelaţie al modelului j.
Deoarece R1 = 0,4983 > R3 = 0,4671 > R2 = 0,4441 , se va alege

primul model, respectiv modelul dinamic cu decalaj de ordinul întâi între x
şi y,
În cazul acestuia, după estimarea parametrilor b0 şi λ prin bˆ şi λ̂ , se 0
vor estima şi parametrii modelului (1) astfel:
bˆ1 = bˆ0 + λˆ = 10,2953 + (− 4,9373) = 5,358
bˆ2 = bˆ0 + 2λˆ = 10,2953 + 2 ⋅ (− 4,9373) = 0,4207
aˆ = y − bˆ0 xt − bˆ1 xt −1 − bˆ2 xt −2 = 2191,9 −10,2953⋅189,4 − 5,358⋅185,5 − 0,4207⋅181,5
aˆ = − 828 ,192
unde:
1
y = ∑yt
n t =1
1
xt = ∑ xt
n t =1
1
xt −1 = ∑ xt −1
n − 1 t =2
1
xt − 2 = ∑ xt − 2
n − 2 t =3
În final, revenind la modelul cu decalaj, acesta poate fi descris cu

ajutorul relaţiei:
yˆ t = −828,192 + 10,2953 xt + 5,358 xt −1 + 0,4207 xt − 2
c) În urma estimării modelului cu decalaj, influenţa investiţiilor

asupra imobilizărilor corporale poate fi explicată astfel – ca urmare a
faptului că modelul este liniar, parametrii acestuia joacă rolul de coeficienţi
marginali ai imobilizărilor corporale în raport cu investiţiile, a căror
semnificaţie este cunoscută. Parametrul bˆ explică influenţa pe termen scurt
0
a investiţiilor asupra imobilizărilor corporale, respectiv creşterea

investiţiilor în perioada curentă cu un miliard de lei determină creşterea
imobilizărilor corporale cu 8,0897 miliarde de lei, în cazul utilizării
procedeului Koyck, cu 8,2249 miliarde de lei, în cazul utilizării procedeului
Almon, iar în cazul aplicării procedeului progresiei geometrice
descrescătoare, cu 10,2953 miliarde de lei. Deoarece estimatorii modelului
obţinut în cazul utilizării procedeului Koyck urmează o progresie
geometrică descrescătoare, a cărei sumă este finită, aceştia pot fi folosiţi la
calculul efectului pe termen lung al investiţiilor asupra imobilizărilor
corporale prin intermediul relaţiei:
b0
∑b
j =0
j =
1− λ
= 14,3534 miliarde lei.
2.1.8.4 Model dinamic de prognoză cu variabile anticipative
Un studiu de marketing efectuat asupra unui eşantion de familii

dintr-un anumit judeţ a ajuns la următoarele rezultate privind evoluţia
cheltuielilor medii pe familie (cererea) pentru procurarea de produse
alimentare şi venitul mediu pe familie pe primele zece luni ale anului curent.
Tabelul 2.8.4.1
Cheltuieli medii lunare pe familie pentru
Venitul mediu lunar pe familie
Luni procurarea de produse alimentare
(lei noi)
(lei noi)
0 1 2
1 160 200
2 72 240
3 48 300
4 44 80
5 22 178
6 24 194
7 26 104
8 20 62
9 12 250
10 28 270
Se cere:
a) Să se prezinte premisele teoretice pe care se fundamentează
elaborarea unui model de prognoză cu variabile anticipative privind
dependenţa dintre cheltuielile medii lunare pe familie pentru procurarea de
produse alimentare şi venitul mediu lunar pe familie;
b) Ştiind că pentru luna noiembrie s-a estimat (planificat) un venit
mediu pe familie de 300 lei, dar s-a realizat un venit mediu de numai
250 lei, să se estimeze:
b1) Cheltuielile medii pe familie efectuate pentru consumul
produselor alimentare în luna noiembrie;
b2) Prognoza venitului mediu pe familie şi a cheltuielilor medii pe
familie pentru procurarea de produse alimentare aferente lunii decembrie.
Rezolvare:
a) Abordarea econometrică a problemei porneşte de la relaţiile de

dependenţă dintre consumul unei familii şi factorii săi. Se ştie că, din
ansamblul factorilor consumului populaţiei, venitul mediu pe locuitor sau pe
familie reprezintă unul din factorii esenţiali ai acestuia, alături de preţul
produsului, sau de indicele preţurilor de consum al unei grupe eterogene de
produse, cum este cazul mărfurilor alimentare. În acest sens, în cadrul
modelului econometric care descrie legătura dintre cererea efectivă

(consumul) şi venitul familiilor, cele două variabile au următoarea
semnificaţie:
y t = a ⋅ xt + u t (1)
unde:
y = cheltuielile medii lunare pe familie pentru procurarea de produse
alimentare (variabilă endogenă);
x = venitul mediu lunar pe familie (variabilă exogenă);
y
a = = ponderea cheltuielilor medii lunare pentru procurarea de produse
x
alimentare în totalul veniturilor unei familii;
(
t = lunile anului, t = 1,10 ; )
u = variabila reziduală ce rezultă datorită faptului că parametrul „a” se
estimează pe baza unui eşantion prin metode statistice.
Notând cu yt şi xt valorile reale ale celor două variabile y şi x, şi cu

ypt şi xpt valorile de prognoză ale acestora, atunci valoarea lui y se
anticipează cu ajutorul relaţiei:
y t = a ⋅ x pt ⇒ y t −1 = a ⋅ x pt −1 (2)
Deoarece prognoza fenomemului y depinde de previziunea

fenomenului x, se consideră că:
x pt − x pt −1 = λ ⋅ ( x t −1 − x pt −1 ) 18 (3)
unde:
t = variabila timp, t = 1, n ;
λ = constanta de nivelare (lisaj), 0 < λ < 1 ;
xt-1 – xpt-1 = eroarea de prognoză.
18
Notă: Relaţia (3) este specifică metodei nivelării exponenţiale simple– vezi capitolul 4,
problema 4.1.4.2.
Relaţia (3) se fundamentează pe ipoteza că diferenţele dintre două

valori succesive de prognoză ale variabilei x sunt generate de un proces
autoregresiv, stabil, de ordinul unu.
Prin definiţie, un proces autoregresiv este:
- stabil - dacă 0 < λ < 1 ;
- constant sau de repetiţie - dacă λ = 1;
- exploziv - dacă λ > 1 .
Din relaţia (3) se deduce că:
x pt = λ ⋅ xt −1 + (1 − λ)x pt−1 (4)
relaţie care, înmulţită cu “a”, devine:
a ⋅ x pt = a ⋅ λ ⋅ xt −1 + (1 − λ ) ⋅ a ⋅ x pt −1 (5)
Corelând relaţia (2) cu relaţia (5) rezultă că:
y t = aλx t −1 + (1 − λ ) y t −1 (6)
Estimatorii parametrilor a şi λ se pot determina cu ajutorul

M.C.M.M.P. aplicată modelului:
yt = b1 xt −1 + b2 yt −1 + zt (7)
unde:
b1 = aλ
b2 = 1-λ
De regulă, estimatorii parametrului λ vor avea două valori:
bˆ1
λˆ1 =
aˆ
λˆ2 = 1 − bˆ2
Pe baza valorilor estimate ale parametrului λ rezultă faptul că :

1
- dacă λˆ1 ∈ (0;1) şi λˆ2 ∈ (0;1) , atunci se va calcula λ = ( λˆ1 + λˆ2 );
2
- dacă λˆ ∉ (0;1) , dar .λˆ ∈ (0;1), atunci se va reţine λ = λ̂ sau
1 2 1
λ = λ̂2 , dacă rezultatele sunt inverse;

- dacă λˆ1 ∉ (0;1) şi λˆ2 ∉ (0;1) , atunci relaţia (3) şi, evident, relaţia
(6), nu pot fi acceptate la descrierea evoluţiei variabilelor x şi y.
În general, modelele de prognoză cu variabile anticipative pot fi
adaptate la orice tip de model, uni sau multifactorial, liniar sau liniarizabil,
care se construieşte pe baza unei serii de timp, dacă evoluţia variabilelor
respective poate fi considerată staţionară.
b1) Pornind de la relaţia de dependenţă a consumului de venit,
y t = a ⋅ x t + u t , prin aplicarea M.C.M.M.P., se estimează parametrul a,
respectiv aˆ = 0,2184 , acesta reprezentând faptul că ponderea cheltuielilor
medii lunare pentru procurarea de produse alimentare este de 21,84% din
venitul mediu lunar al unei familii:
yt = 0,2184 xt
(0,0703)
Ştiind că, L (aˆ) = N (a, s â ) , ponderea cheltuielilor medii lunare

pentru procurarea de produse alimentare în venitul unei familii poate fi
estimată pe baza unui interval de încredere:
P (a ∈ [aˆ ± ta ⋅ saˆ ]) = 1 − 0,05 = 0,95

t0, 05;9 = 2,262 ⇒ a ∈ (5,94%; 37,73%)
Valoarea parametrului a fiind cunoscută, cheltuielile medii lunare

efectuate de o familie pentru procurarea de produse alimentare în luna
noiembrie vor fi estimate astfel:
y11 = 0,2184•250 = 54,6 lei /familie

b2) Prognoza venitului mediu pe familie în luna decembrie se va

estima cu ajutorul relaţiei:
xp12 − xp11 = λ(x11 − xp11)
unde:
x11 = 250 şi xp11 = 300.
Estimarea parametrului λ se va face cu ajutorul modelului (7),

respectiv:
yt = b1xt-1 + b2yt-1 + zt
unde:
b1 = aλ1 şi b2 = 1 − λ2.
Utilizând pachetul de programe EViews în vederea estimării

parametrilor modelului au fost obţinute următoarele rezultate:
xt-1 0,0955 0,0020 46,8932 0,0000
yt-1 0,3325 0,0062 54,0535 0,0000
yˆt = 0,0925 xt −1 + 0,3325 yt −1; R = 0,9992

(0,002) (0,0062) d = 2,96
s z = 0,8071
dar:
bˆ
bˆ1 = aˆ λˆ1 ⇒ λˆ1 = 1 = 0,4373
aˆ
bˆ = 1 − λˆ ⇒ λˆ = 1 − bˆ = 0,6675
2 2 2 2
1 ˆ ˆ
⇒λ = (λ1 + λ2 ) = 0,5524
2
Revenind la relaţiile precedente rezultă:
- prognoza venitului mediu pe familie în luna decembrie
xp12 = 0,5524 (250-300)+300 = 272,38 lei
- prognoza cheltuielilor medii pe familie pentru procurarea de

produse alimentare în luna decembrie
y p12 = aˆ ⋅ x p12 = 0,2184 ⋅ 272,38 = 59,48 lei/familie
2.1.9 Modelul static al lui Keynes
Se cunosc următoarele date privind PIB pe categorii de utilizări

(exprimat în mld. lei preţuri comparabile-1990=100), în România, în
perioada 1980 – 2003:
Tabelul 2.9.1
mld. lei (1990=100)
Consum final PIB Investiţi Consum PIB Investiţi
Anul Anul
real real reale final real real reale
0 1 2 3=2-1 0 1 2 3=2-1
1980 531,6 804,3 272,7 1992 566,6 681,0 114,4
1981 545,0 805,8 260,8 1993 574,0 691,3 117,3
1982 535,1 837,1 302,0 1994 598,6 718,2 119,6
1983 523,7 886,6 362,9 1995 658,1 769,3 111,2
1984 551,3 940,2 388,9 1996 701,5 799,5 98,0
1985 551,9 939,5 387,6 1997 669,8 750,7 80,9
1986 553,4 961,9 408,5 1998 677,2 714,8 37,6
1987 570,2 969,6 399,4 1999 660,3 706,1 45,8
1988 614,6 964,8 350,2 2000 669,5 720,7 51,2
1989 624,2 908,8 284,6 2001 710,4 761,7 51,4
Consum final PIB Investiţi Consum PIB Investiţi

Anul Anul
real real reale final real real reale
0 1 2 3=2-1 0 1 2 3=2-1
1990 679,5 857,9 178,4 2002 731,7 799,1 67,4
1991 599,4 746,8 147,4 2003 782,2 838,3 56,1
Notă: Ambii indicatori sunt calculaţi conform metodologiei de calcul a Sistemului European al Conturilor
Economiei Integrate - SEC 1979. Consumul final a fost deflaţionat cu ajutorul deflatorului consumului final
exprimat în preţuri constante (1990 = 100), datele provenind de la Ministerul Prognozei şi Dezvoltării, iar PIB-ul a
fost deflaţionat cu ajutorul deflatorului PIB exprimat în preţuri constante (1990 = 100), obţinut în urma prelucrării
datelor din Raportul Anual BNR.
Sursa: Date prelucrate pe baza Anuarului Statistic al României 1995, CNS, Bucureşti, 1996, p. 370-371,
Anuarului Statistic al României 1996, INS, Bucureşti, 1997, p. 364-365, Anuarului Statistic al României 2003,
INS, Bucureşti, 2004, p. 284, Raportului Anual 1999, BNR, Bucureşti, 2000, p. 8*-9, Raportului Anual 2002, BNR,
Bucureşti, 2003, p. 4*-5*, Comunicatului de Presă al INS nr.11/26.02.2004, Dobrescu, E., Macromodels of the
Romanian Transition Economy, Second Edition, Editura Expert, Bucharest, 1998, p. 184.
Se cere:
a) Să se analizeze evoluţia consumului final real în perioada 1980-
2003 utilizând modelul static al lui Keynes:
a1 ) estimaţia să se efectueze prin aplicarea M.C.M.M.P. ecuaţiei
modelului structural;
a 2 ) estimaţia să se efectueze prin metoda regresiei indirecte;
a3 ) estimaţia să se efectueze prin aplicarea M.C.M.M.P. în două
faze;
b) Să se comenteze rezultatele obţinute.
Rezolvare:
a1) Pe baza teoriei keynesiste, modelul cu ecuaţii multiple ce se

poate construi în funcţie de datele problemei este de forma:
⎧Ct = a + bVt + ut (1)

⎨
⎩Vt = Ct + I t ( 2)
Prima ecuaţie a modelului descrie o relaţie de comportament, iar cea

∂C
de-a doua ecuaţie reprezintă o relaţie de identitate economică. b = t
∂Vt
reprezintă rata marginală (medie) a consumului final real în funcţie de PIB-

ul real.
Aplicând M.C.M.M.P. ecuaţiei (1), rezultă estimatorii
parametrilor, a$ şi b$ , ai modelului:
( ) (
F aˆ, bˆ = min ∑ C t − aˆ − bˆV t
t
)
2
F ′(aˆ ) = 0 ⇒ naˆ + bˆ ∑V t = ∑ C t
F ′(bˆ) = 0 ⇒ aˆ ∑V t + bˆ ∑V t 2 = ∑ C tV t
Dependent Variable: C t
Sample: 1980 2003
C 808,3517 128,3789 6,2966 0,0000
Vt -0,2310 0,1564 -1,4766 0,1540
Cˆ t = 808,3517 − 0,231 ⋅ Vt ; R1 = 0,300

(128,3789) (0,1564) d = 0,34
suˆ 1 = 70,596
Valorile estimate ale variabilei Ct şi ale variabilei reziduale, uˆ1t sunt

EViews).
Tabelul 2.9.2
Ct Ĉ t uˆ1t (graficul reziduurilor)
531,6 622,5976 -90,9976 | *. | . |
545,0 622,2511 -77,2511 | *. | . |
535,1 615,0224 -79,9224 | *. | . |
523,7 603,5903 -79,8903 | *. | . |
551,3 591,2113 -39,9113 | .* | . |
551,9 591,3730 -39,4730 | .* | . |
553,4 586,1996 -32,7996 | . *| . |
570,2 584,4213 -14,2213 | . *| . |
614,6 585,5299 29,0701 | . |* . |
624,2 598,4632 25,7368 | . |* . |
679,5 610,2186 69,2814 | . | * |
599,4 635,8773 -36,4773 | .* | . |
566,6 651,0739 -84,4739 | *. | . |
574,0 648,6951 -74,6951 | * | . |
598,6 642,4825 -43,8825 | .* | . |
658,1 630,6809 27,4191 | . |* . |
701,5 623,7061 77,7939 | . | .* |
669,8 634,9766 34,8234 | . |* . |
677,2 643,2677 33,9323 | . |* . |
660,3 645,2770 15,0230 | . |* . |
669,5 641,9051 27,5949 | . |* . |
710,4 632,4361 77,9639 | . | .* |
731,7 623,7985 107,9015 | . | . * |
782,2 614,7452 167,4548 | . | . *|
În vederea verificării ipotezei de independenţă a erorilor se aplică

testul Durbin - Watson, care constă în calcularea variabilei d cu ajutorul
relaţiei:
∑ (uˆ 1t − uˆ1t −1 )
2
d= t =2
n
= 0,34
∑ uˆ
t =1
2
1t

Din tabela distribuţiei Durbin - Watson, în funcţie de un prag de

semnificaţie α = 0,05 , de numărul variabilelor explicative k = 1 şi de
numărul de observaţii n = 24 se preiau valorile teoretice d 1 = 1,27 şi
d 2 = 1,45 . Comparând valoarea calculată a variabilei d cu cele două valori
teoretice se constată că 0 < d = 0,34 < d1 = 1,27 , interval ce corespunde
situaţiei de autocorelaţie pozitivă, care, în acest caz, va fi ignorată.
Verificarea semnificaţiei estimatorilor presupune:
- calculul dispersiei variabilei reziduale
1 1
su2ˆ1 = ⋅ ∑ uˆ12t = ⋅ 109,643 = 4983,7909
n − k −1 22
suˆ 1 = 70,596
- calculul abaterilor medii pătratice ale celor doi estimatori
⎛1 V2 ⎞
saˆ = s ⋅ + ⎜ 2 ⎟ = 128,3789
⎜n
∑ (Vt − V ) ⎠
uˆ1 2 ⎟
⎝
su2ˆ1
s bˆ = = 0,1564
∑ (V −V )
2
t
aˆ 808,3517
t aˆ = = = 6,2966
s aˆ 128,3789
bˆ − 0,231
t bˆ = = = 1,4766
sbˆ 0,1564
Din tabela distribuţiei Student, pentru un prag de semnificaţie

α = 0,05 , se preia valoarea t 0,05; 22 = 2,074 . Comparând valoarea tabelată cu
valorile calculate pentru cei doi parametrii se constată că doar parametrul a
este semnificativ diferit de zero pentru un prag de semnificaţie α = 0,05 , iar
parametrul b poate fi acceptat ca semnificativ pentru un prag de semnicaţie
α = 0,20 .
În vederea verificării semnificaţiei raportului de corelaţie se
calculează valoarea acestuia, după care se aplică testul Fisher-Snedecor:
R1 = 1−
∑ uˆ 2
1t
= R12 = 0,300
∑ (C − C )
2
t
R12 0,0902
Fc = (n − k − 1) ⋅ = 22 ⋅ = 2,1802
1 − R12
1 − 0,0902
Din tabela distribuţiei Fisher-Snedecor, în funcţie de un prag de

semnificaţie de 5% şi de numărul gradelor de libertate, v1 = k = 1 şi
v 2 = n − k − 1 = 22 , se preia valoarea F0, 05;1; 22 = 4,30 .
Cum Fc = 2,1802 < F0, 05;1; 22 = 4,30 , rezultă că valoarea raportului de
corelaţie este nesemnificativă, deci rezultatele obţinute în cazul acestui
model sunt nesemnificative.
a 2 ) Modelul de la punctul a1 ) este sub formă structurală şi este
format din trei variabile - două variabile endogene, Ct şi Vt , şi o variabilă
exogenă I t . Prima ecuaţie a modelului este corect identificată, deoarece
numărul variabilelor absente (una - I t ) este egal cu numărul variabilelor
endogene minus unu (1 = 2 − 1) . În acest caz, parametrii modelului se pot
estima:
- prin metoda regresiei indirecte aplicată ecuaţiilor modelului sub
formă redusă;
- prin aplicarea M.C.M.M.P. în două faze.

Metoda regresiei indirecte se utilizează atunci când modelul cu
ecuaţii multiple în forma structurală este corect identificat. Se calculează
modelul sub formă redusă, după care se aplică M.C.M.M.P. fiecărei ecuaţii
a modelului, obţinându-se estimatorii formei reduse a modelului. Ultima
operaţie constă în identificarea modelului, adică pe baza estimatorilor
formei reduse se calculează estimatorii formei structurale.
Pornind de la forma structurală a modelului, modelul sub formă
redusă se obţine în urma efectuării următoarelor operaţii:
⎧Ct = a + bVt + ut (1)

⎨
⎩Vt = Ct + I t ( 2)
- pentru a aduce prima ecuaţie la forma redusă se înlocuieşte ecuaţia

(2) în ecuaţia (1):
C t = a + b ⋅ (C t + I t ) + u t ⇒ C t ⋅ (1 − b ) = a + b ⋅ I t + u t
a b 1
Ct = + ⋅ It + ⋅ ut
1− b 1− b 1− b
- pentru a aduce a doua ecuaţie la forma redusă se înlocuieşte ecuaţia

(1) în ecuaţia (2):
Vt = a + b ⋅ Vt + I t + u t ⇒ Vt ⋅ (1 − b ) = a + I t + u t
a 1 1
Vt = + ⋅ It + ⋅ ut
1− b 1− b 1− b
Se fac următoarele notaţii:
a
α=
1− b
b
β1 =
1− b
1
β2 =
1− b
ut
zt =
1− b
În final, modelul în formă redusă devine:
⎧C t = α + β `1 ⋅ I t + z t (3)
⎨
⎩Vt = α + β 2 ⋅ I t + z t (4 )
În continuare, se aplică M.C.M.M.P. fiecărei ecuaţii în parte şi se

estimează parametrii α , β 1 , β 2 .
Pentru ecuaţia (3), aplicarea M.C.M.M.P. constă în:
( ) (
F αˆ , βˆ1 = min ∑ C t − αˆ − βˆ1 I t
t
)
2
F ′(αˆ ) = 0 ⇒ nαˆ + βˆ1 ∑ I t = ∑ C t

( )
F ′ βˆ1 = 0 ⇒ αˆ ∑ I t + βˆ1 ∑ I t2 = ∑ C t I t
Sample: 1980 2003
C 698,34 17,976 38,849 0,0000
It -0,4006 0,0762 -5,2584 0,0000

Cˆ t = 698,34 − 0,4006 ⋅ I t ; R2 = 0,7463

(17,976) (0,0762) d = 0,48
s zˆ = 49,2659
În cazul acestei ecuaţii se constată existenţa fenomenului de

autocorelare a erorilor, care poate fi ignorat. Estimatorii parametrilor
modelului sunt semnificativ diferiţi de zero pentru un prag de semnificaţie
de 5%, modelul fiind şi el semnificativ pentru acelaşi prag de semnificaţie.
Valorile estimate ale variabilei Ct şi ale variabilei reziduale, ẑ t sunt
EViews):
Tabelul 2.9.3
Ct Ĉ t ẑ t (graficul reziduurilor)
531,600 589,107 -57,5071 | * | . |
545,000 593,874 -48,8737 | * | . |
535,100 577,371 -42,2708 | .* | . |
523,700 552,977 -29,2769 | . * | . |
551,300 542,562 8,73758 | . |* . |
551,900 543,083 8,81685 | . |* . |
553,400 534,712 18,6885 | . |* . |
570,200 538,357 31,8434 | . | *. |
614,600 558,064 56,5360 | . | * |
624,200 584,340 39,8595 | . | *. |
679,500 626,880 52,6204 | . | * |
599,400 639,297 -39,8968 | .* | . |
566,600 652,515 -85,9152 | * . | . |
574,000 651,354 -77,3536 | * . | . |
598,600 650,432 -51,8323 | * | . |
658,100 653,797 4,30303 | . |* . |
701,500 659,084 42,4157 | . | *. |
669,800 665,934 3,86617 | . * . |
677,200 683,278 -6,07793 | . *| . |

Ct Ĉ t ẑ t (graficul reziduurilor)
660,300 679,993 -19,6934 | . *| . |
669,500 677,830 -8,33036 | . *| . |
710,400 677,750 32,6498 | . | *. |
731,700 671,341 60,3587 | . | .* |
782,200 675,868 106,332 | . | . *|
Pentru ecuaţia (4), aplicarea M.C.M.M.P. constă în:
( ) (
F αˆ ; βˆ 2 = min ∑ V t − αˆ − βˆ 2 I t
t
)2
F ′(αˆ ) = 0 ⇒ nαˆ + βˆ 2 ∑ I t = ∑V t
( )
F ′ βˆ 2 = 0 ⇒ αˆ ∑ I t + βˆ 2 ∑ I t2 = ∑V t I t
Dependent Variable: Vt
Sample: 1980 2003
C 698,33 17,975 38,851 0,0000
It 0,5995 0,0762 7,8703 0,0000
Vˆt = 698,33 + 0,5995 ⋅ I t ; R3 = 0,859

(17,975) (0,0762) d = 0,48
s zˆ = 49,2629

modelului sunt semnificativ diferiţi de zero pentru un prag de semnificaţie
de 5%, modelul fiind şi el semnificativ pentru acelaşi prag de semnificaţie.
Valorile estimate ale variabilei Vt şi ale variabilei reziduale, ẑ t sunt
EViews):
Tabelul 2.9.4
Vt Vˆt ẑ t (graficul reziduurilor)
804,300 861,806 -57,5056 | * | . |
805,800 854,672 -48,8718 | * | . |
837,100 879,370 -42,2703 | .* | . |
886,600 915,878 -29,2785 | . * | . |
940,200 931,465 8,73508 | . |* . |
939,500 930,686 8,81440 | . |* . |
961,900 943,215 18,6853 | . |* . |
969,600 937,759 31,8406 | . | *. |
964,800 908,265 56,5349 | . | * |
908,800 868,939 39,8606 | . | *. |
857,900 805,275 52,6252 | . | * |
746,800 786,691 -39,8910 | .* | . |
681,000 766,908 -85,9082 | * . | . |
691,300 768,647 -77,3467 | * . | . |
718,200 770,026 -51,8255 | * | . |
769,300 764,990 4,3101 | . |* . |
799,500 757,077 42,4232 | . | *. |
750,700 746,826 3,8742 | . * . |
714,800 720,868 -6,0683 | . *| . |
706,100 725,784 -19,6840 | . *| . |
720,700 729,021 -8,32121 | . *| . |
761,700 729,141 32,5589 | . | *. |
799,100 738,733 60,3672 | . | .* |
838,300 731,959 106,341 | . | . *|
După estimarea parametrilor modelului în formă redusă urmează

identificarea modelului, adică estimarea parametrilor a$ şi b$ din modelul în
formă structurală.
Estimarea acestora se deduce din notaţiile efectuate anterior:
aˆ αˆ 698,33
αˆ = ⇒ aˆ = = = 1164,9
1 − bˆ βˆ 2 0,5995
bˆ βˆ − 0,4006
βˆ1 = ⇒ bˆ = 1 = = −0,6682
ˆ
1− b ˆ
β2 0,5995
1
βˆ 2 =
1 − b̂
Deci, ecuaţia estimată a consumului final real, în formă structurală,

este următoarea:
Cˆ t = 1164,9 − 0,6682 ⋅ Vt
Verificarea ipotezei de independenţă a erorilor se realizează analog,

respectiv, valoarea calculată a variabilei d este egală cu:
∑ (uˆ 2t − uˆ 2t −1 )
2
71024,5754
d= t =2
n
= = 0,4781 ≅ 0,48
148565,6113
∑ uˆ
t =1
2
2t

În mod analog se testează semnificaţia parametrilor a$ şi b$ :
1 1
s u2ˆ2 =
n − k −1
∑ uˆ 22t =
22
⋅ 148565,6113 = 6752,9823 ⇒ suˆ 2 = 82,1765
⎛1 ⎞
V2 ⎟ = 6752,9823⋅ ⎛⎜ 1 + 815,5864 ⎞⎟ = 149,4463
2
saˆ = su2ˆ2 ⋅ ⎜ + ⎜ 24 203690,7942 ⎟
⎜n
∑ (Vt − V ) ⎟⎠
2
⎝ ⎝ ⎠
s u2ˆ2 6752,9823
s bˆ = = = 0,1821
∑ (V −V )
2
t
203690,7942
aˆ 1164,9
t aˆ = = = 7,7947 > t 0,05; 22 = 2,074
s aˆ 149,4463
bˆ − 0,6682
t bˆ = = = 3,6697 > t 0,05; 22 = 2,074
sbˆ 0,1821
∑ (C − Cˆ ) = 1 − 148565,6113 = −0,2329
2
t
R 2
= 1−
∑ (C − C )
4 2
120501,4088
t
∑ (Cˆ − C )
2
t
sC2 V k 90939,7482
Fc = = = = 13,4666 > F0,05;1; 22 = 4,30
∑ (C )
2 2
s u2 − Cˆ 6752,9823
t
n − k −1
Deci, şi în acest caz, estimatorii parametrilor modelului sunt

semnificativ diferiţi de zero pentru un prag de semnificaţie de 5%, modelul
fiind şi el semnificativ pentru acelaşi prag de semnificaţie.
Modelul estimat prin metoda regresiei indirecte este:
Cˆ t = 1164,9 − 0,6682 ⋅ Vt ; R42 = −0,2329

(149,4463) (0,1821) d = 0,48
s uˆ2 = 82,1765
a3 ) Estimarea parametrilor modelului prin aplicarea M.C.M.M.P. în

două faze constă în:
Faza I: Se regresează variabila endogenă (Vt ) , care este pe post de
variabilă exogenă în ecuaţia (1) a modelului, în funcţie de variabila exogenă
It :
Vt = c + d ⋅ I t + wt
Cei doi parametrii c şi d se estimează cu ajutorul M.C.M.M.P.:

( ) (
F cˆ, dˆ = min ∑ V t − cˆ − dÎ t
t
)
2
F ′(cˆ ) = 0 ⇒ ncˆ + dˆ ∑ I t = ∑V t
()
F ′ dˆ = 0 ⇒ cˆ ∑ I t + dˆ ∑ I t2 = ∑V t I t
Ca urmare a faptului că valorile estimate ale parametrilor acestui

model sunt identice cu valorile estimate ale parametrilor α şi β 2 , obţinute
cu ajutorul metodei regresiei indirecte, rezultatele estimării vor fi şi ele
identice, respectiv:
Vˆt = 698,33 + 0,5995 ⋅ I t ; R3 = 0,859

(17,975) (0,0762) d = 0,48
s wˆ = 49,2629
Faza II: În ecuaţia (1) a modelului, variabila Vt - PIB-ul real - se

( )
introduce cu valorile estimate în faza I Vˆt - vezi tabelul 2.9.4., coloana 2.
Rezultă ecuaţia: C t = a + b ⋅ Vˆt + u t , ai cărei parametrii se estimează tot cu

ajutorul M.C.M.M.P.:
( ) (
F aˆ, bˆ = min ∑ C t − aˆ − bˆVˆt
t
)
2
F ′(aˆ ) = 0 ⇒ naˆ + bˆ ∑Vˆt = ∑ C t

()
F ′ bˆ = 0 ⇒ aˆ ∑Vˆt + bˆ ∑Vˆt 2 = ∑ C tVˆt
Date: 04/06/05 Time: 01:14
Sample: 1980 2003
C 1164,9 104,1213 11,1883 0,0000
Vˆt -0,6682 0,1271 -5,2584 0,0000
Cˆ t = 1164,9 − 0,6682 ⋅ Vˆt ; R5 = 0,7463

(104,1213) (0,1271) d = 0,48
s uˆ3 = 49,2659
Valorile estimate ale variabilei Ct şi ale variabilei reziduale, uˆ 3t sunt

EViews).
Tabelul 2.9.5
Ct Ĉ t uˆ 3t (graficul reziduurilor)
531,6 589,107 -57,5071 | * | . |
545,0 593,874 -48,8737 | * | . |
535,1 577,371 -42,2708 | .* | . |
523,7 552,977 -29,2769 | . * | . |
551,3 542,562 8,7376 | . |* . |
551,9 543,083 8,8169 | . |* . |
553,4 534,712 18,6885 | . |* . |
570,2 538,357 31,8434 | . | *. |
614,6 558,064 56,5360 | . | * |
624,2 584,340 39,8596 | . | *. |
679,5 626,880 52,6204 | . | * |
599,4 639,297 -39,8968 | .* | . |
566,6 652,515 -85,9152 | * . | . |
574,0 651,354 -77,3536 | * . | . |
598,6 650,432 -51,8323 | * | . |
658,1 653,797 4,3030 | . |* . |
701,5 659,084 42,4157 | . | *. |
669,8 665,934 3,8662 | . * . |
677,2 683,278 -6,0779 | . *| . |
660,3 679,993 -19,6934 | . *| . |
669,5 677,830 -8,3304 | . *| . |
710,4 677,750 32,6497 | . | *. |
731,7 671,341 60,3587 | . | .* |
782,2 675,868 106,332 | . | . *|
Programul EViews oferă posibilitatea estimării parametrilor unui

model cu ecuaţii simultane, atât prin M.C.M.M.P. în două faze, cât şi prin
construirea unui sistem de ecuaţii care permite estimarea parametrilor atât
prin M.C.M.M.P. în două faze, cât şi prin M.C.M.M.P. în trei faze.
Astfel, rezultatele afişate de programul EViews în urma aplicării

M.C.M.M.P. în două faze sunt următoarele:
Dependent Variable: C t
Method: Two-Stage Least Squares
Sample: 1980 2003
Instrument list: It
C 1164,9 173,6883 6,7071 0,0000

Vt -0,6682 0,2120 -3,1523 0,0046
R-squared -0,2330 Mean dependent var 619,9917
S.E. of regression 82,1822 Sum squared resid 148585,90
F-statistic 9,9368 Durbin-Watson stat 0,4779
Prob(F-statistic) 0,0046
Valorile estimate ale variabilei Ct şi ale variabilei reziduale, û t sunt

prezentate în cadrul tabelului 2.9.6.:
Tabelul 2.9.6
Ct Ĉ t ût (graficul reziduurilor)
531,600 627,531 -95,9309 | * | . |
545,000 626,529 -81,5287 | * | . |
535,100 605,615 -70,5148 | .* | . |
523,700 572,540 -48,8401 | . * | . |
551,300 536,726 14,5741 | . |* . |
551,900 537,194 14,7064 | . |* . |
553,400 522,226 31,1736 | . |* . |
570,200 517,081 53,1185 | . | *. |
614,600 520,289 94,3113 | . | * |
624,200 557,707 66,4934 | . | *. |
679,500 591,717 87,7833 | . | * |
599,400 665,951 -66,5510 | .* | . |
566,600 709,917 -143,317 | * . | . |

Ct Ĉ t ût (graficul reziduurilor)
574,000 703,035 -129,035 | * . | . |
598,600 685,061 -86,4608 | * | . |
658,100 650,917 7,18294 | . |* . |
701,500 630,738 70,7618 | . | *. |
669,800 663,345 6,45488 | . * . |
677,200 687,333 -10,1326 | . *| . |
660,300 693,146 -32,8458 | . *| . |
669,500 683,390 -13,8904 | . *| . |
710,400 655,995 54,4048 | . | *. |
731,700 631,005 100,695 | . | .* |
782,200 604,813 177,387 | . | . *|
O altă modalitate de estimare a unui model cu ecuaţii simultane cu

ajutorul programului EViews constă în construirea sistemului de ecuaţii
corespunzător modelului în formă structurală şi în estimarea acestuia fie cu
ajutorul M.C.M.M.P. în două faze (vezi SYSTEM01), fie cu ajutorul
M.C.M.M.P. în trei faze19 (vezi SYSTEM02):
System: SYSTEM01
Estimation Method: Two-Stage Least Squares
Sample: 1980 2003
Total system (balanced) observations 24
Instruments: It C
Coefficient Std. Error t-Statistic Prob.
C(1) 1164,9 173,6883 6,7071 0,0000
C(2) -0,6682 0,2120 -3,1523 0,0046
Determinant residual covariance 6191,080
Equation: C t =C(1)+C(2)* Vt
Observations: 24
19
Vezi E. Pecican, O. Tănăsoiu, A. I. Iacob, Modele econometrice, Bucureşti, Editura ASE,
2001, p. 205-206.
Durbin-Watson stat 0,4779

Matricea varianţelor şi covarianţelor reziduurilor, în cazul aplicării
M.C.M.M.P. în două faze, este următoarea:
⎛ 30167,6413 − 36,6440 ⎞
V = ⎜⎜ ⎟
⎝ − 36,6440 0,0449 ⎟⎠
System: SYSTEM02
Estimation Method: Three-Stage Least Squares
Sample: 1980 2003
Instruments: : It C
C(1) 1164,9 166,2939 7,0053 0,0000
C(2) -0,6682 0,2029 -3,2924 0,0033
Observations: 24
În cazul aplicării M.C.M.M.P. în trei faze, matricea varianţelor şi

covarianţelor reziduurilor este următoarea:
⎛ 27653,67 − 33,5903 ⎞
V = ⎜⎜ ⎟
⎝ − 33,5903 0,0412 ⎟⎠
Rezultatele obţinute în urma aplicării M.C.M.M.P. în două faze şi a

M.C.M.M.P. în trei faze în cazul sistemului de ecuaţii indică faptul că
ipotezele corespunzătoare M.C.M.M.P. sunt verificate (autocorelaţia erorilor
poate fi neglijată), iar estimatorii parametrilor sunt semnificativ diferiţi de
zero pentru un prag de semnificaţie de 5%, modelul fiind şi el semnificativ
pentru acelaşi prag de semnificaţie.
Modelul fiind corect identificat, estimarea parametrilor s-a făcut atât

cu metoda regresiei indirecte ( a 2 ), cât şi cu M.C.M.M.P. în două faze ( a3 ).
Comparând rezultatele obţinute se constată că ele sunt identice.
b) Rata marginală a consumului final real în funcţie de PIB b$ a ()
fost estimată pe baza aceluiaşi model econometric, utilizând trei procedee de
estimare a parametrilor. În urma efectuării calculelor s-au obţinut
următoarele valori ale ratei marginale a consumului final:
a1 ) bˆ = −0,231 . Deoarece valoarea acestui parametru este
semnificativă numai în cazul utilizării unui prag de semnificaţie α = 0,20 ,
se confirmă astfel faptul că aplicarea directă a M.C.M.M.P. asupra ecuaţiei
modelului în formă structurală conduce la obţinerea de estimatori deplasaţi,
nesemnificativi.
a ) = a ) bˆ = −0,6682 pentru metoda regresiei indirecte şi
2 3
M.C.M.M.P. în două faze, care conduc la aceleaşi rezultate, modelul fiind

corect identificat. Semnificaţia acestui indicator este următoarea: în perioada
1980-2002, la o creştere cu un miliard de lei a PIB-ului real, consumul final
real a scăzut cu aproximativ 0,7 miliarde lei, ceea ce contravine teoriei
economice.
Se constată astfel o inadvertenţă, respectiv, pe de o parte, aceste
modele pot fi acceptate ca semnificative din punct de vedere al testelor
statistice, iar, pe de altă parte, sensul dependenţei consumului final real de
factorul său de influenţă, reliefat de semnul algebric al estimatorului
parametrului corespunzător acestuia, este în contradicţie cu teoria
economică. Această inadvertenţă constă în faptul că PIB-ul real exercită o
influenţă negativă asupra consumului final real.
Datorită discrepanţelor dintre valorile estimatorilor şi teoria
economică s-a renunţat la continuarea utilizării modelului în scopuri
prospective. Acest lucru nu înseamnă că modelul prezintă deficienţe de
specificare ci, mai curând, rezultatele contradictorii provin atât din
dificultatea construirii unor serii lungi de date, cât şi ca urmare a măsurilor
inconsecvente de politică economică adoptate în perioada de tranziţie a
României.
2.1.10 Modelul dinamic al lui Keynes
Dinamica principalilor indicatori macroeconomici, exprimaţi în mld.

lei preţuri comparabile (1990=100), în România, în perioada 1980-2003, se
prezintă în tabelul următor:
Tabelul 2.10.1
mld. lei (1990=100)
Consumul
Consumul final real al
final real al PIB-ul real Investiţii reale
Ani adm. publice
populaţiei ( Vt ) ( It )
( Gt )
( Ct )
0 1 2 3 4=3-1-2
1980 433,3 98,3 804,3 272,7
1981 442,1 102,9 805,8 260,8
1982 436,3 98,8 837,1 302,0
1983 433,1 90,6 886,6 362,9
1984 450,1 101,2 940,2 388,9
1985 442,0 109,9 939,5 387,6
1986 448,1 105,3 961,9 408,5
1987 472,1 98,1 969,6 399,4
1988 513,2 101,4 964,8 350,2
1989 516,6 107,6 908,8 284,6
1990 557,7 121,8 857,9 178,4
1991 467,4 132,0 746,8 147,4
1992 432,1 134,5 681,0 114,4
1993 435,9 138,1 691,3 117,3
1994 447,3 151,3 718,2 119,6
1995 505,3 152,8 769,3 111,2
1996 545,7 155,8 799,5 98,0
1997 525,7 144,1 750,7 80,9
1998 586,2 91,0 714,8 37,6
1999 579,8 80,5 706,1 45,8
2000 582,3 87,2 720,7 51,2
2001 610,7 99,7 761,7 51,3
2002 629,1 102,6 799,1 67,4
2003 673,7 108,5 838,3 56,0
Notă: Indicatorii sunt calculaţi conform metodologiei de calcul a Sistemului European al
Conturilor Economiei Integrate - SEC 1979. Consumul final real al populaţiei şi consumul final
real al administraţiei publice au fost deflaţionate cu ajutorul deflatorului consumului final real al
populaţiei exprimat în preţuri constante (1990 = 100), respectiv cu deflatorul consumuli final real
al administraţiei publice, datele provenind de la Ministerul Prognozei şi Dezvoltării, iar PIB-ul a
fost deflaţionat cu ajutorul deflatorului PIB exprimat în preţuri constante (1990 = 100), obţinut în
urma prelucrării datelor din Raportul Anual BNR.
Sursa: Date prelucrate pe baza Anuarului Statistic al României 1995, CNS, Bucureşti, 1996, p.
370-371, Anuarului Statistic al României 1996, INS, Bucureşti, 1997, p. 364-365, Anuarului
Statistic al României 2003, INS, Bucureşti, 2004, p. 284, Raportului Anual 1999, BNR, Bucureşti,
2000, p. 8*-9, Raportului Anual 2002, BNR, Bucureşti, 2003, p. 4*-5*, Comunicatului de Presă al
INS nr.11/26.02.2004, Dobrescu, E., Macromodels of the Romanian Transition Economy, Second
Edition, Editura Expert, Bucharest, 1998, p. 184.
Să se caracterizeze dezvoltarea economică a României în perioada

1980-2003 cu ajutorul unui model econometric cu ecuaţii multiple.
Rezolvare:
Pe baza datelor din tabelul de mai sus, dezvoltarea economică a

României în perioada 1980-2003 se poate face cu ajutorul unui model
econometric cu ecuaţii multiple a cărui formă structurală este următoarea:
⎧C t = a 0 + a1Vt + u1t (1)

⎪
⎨ I t = b0 + b1Vt + b2Vt −1 + u 2t (2 )
⎪V = C + I + G (3)
⎩ t t t t
Modelul de mai sus prezintă câteva particularităţi cum ar fi:

- prima ecuaţie descrie o relaţie de comportament a consumatorilor;
- ecuaţia (2) reprezintă tot o relaţie de comportament, descriind
politica investiţională practicată în perioada 1980-2003, dar având un
caracter dinamic datorită includerii variabilelor decalate care imprimă
această trăsătură şi modelului cu ecuaţii multiple;
- ecuaţia (3) reprezintă o relaţie de identitate economică.
Modelul cu ecuaţii multiple conţine cinci variabile, dintre care trei
variabile sunt endogene ( Ct , I t , Vt ) şi două variabile exogene ( Gt ,Vt −1 ) .
Discuţia econometrică a modelului cu ecuaţii multiple relevă că
modelul este supraidentificat deoarece:
- în ecuaţia (1), numărul variabilelor absente este egal cu 3, număr
superior numărului de variabile endogene minus unu (3-1), ceea ce
înseamnă că ecuaţia este supraidentificată;
- chiar dacă ecuaţia (2) este corect identificată ( 2 = 3 − 1) , modelul

este supraidentificat datorită ecuaţiei (1).
Având această particularitate, estimarea parametrilor modelului se
va face cu ajutorul M.C.M.M.P. aplicată în două faze.
Faza I. Variabila Vt , care este endogenă în ecuaţia (3), dar exogenă
în ecuaţiile (1) şi (2), se va regresa în funcţie de variabilele exogene Vt −1 şi
Gt , rezultând ecuaţia:
Vt = α + β ⋅ Vt −1 + ℘⋅ Gt + z t
Se aplică M.C.M.M.P. în vederea estimării parametrilor α , β ,℘ şi a

calculării valorilor estimate ale variabilei Vt :
( ) ( )
24
ˆ = min ∑ Vt − αˆ − βˆVt −1 − ℘
2
F αˆ , βˆ ,℘ ˆ Gt
t =2
( )
24
F ′(αˆ ) = 0 ⇒ 2 ⋅ ∑ Vt − αˆ − βˆVt −i − ℘
ˆ Gt ⋅ (− 1) = 0
t =2
24 24 24
⇒ (n − 1) ⋅ αˆ + βˆ ∑ Vt −1 + ℘
ˆ ∑ Gt = ∑ Vt
t =2 t =2 t =2
() ( )
24
ˆ Gt ⋅ (− Vt −1 ) = 0
F ′ βˆ = 0 ⇒ 2 ⋅ ∑ Vt − αˆ − βˆVt −1 − ℘
t =2
24 24 24 24
⇒ αˆ ∑ Vt −1 + βˆ ∑ Vt −21 + ℘
ˆ ∑ GtVt −1 = ∑ VtVt −1
t =2 t =2 t =2 t =2
( )
24
F ′(℘
ˆ ) = 0 ⇒ 2 ⋅ ∑ Vt − αˆ − βˆVt −1 − ℘
ˆ Gt ⋅ (− Gt ) = 0
t =2
24 24 24 24
⇒ αˆ ∑ Gt + βˆ ∑ GtVt −1 + ℘
ˆ ∑ Gt2 = ∑ Vt Gt
t =2 t =2 t =2 t =2
de unde rezultă sistemul de ecuaţii normale:
⎧ 24 24 24
⎪(n − 1) ⋅ α
ˆ + β ∑
ˆ V +℘
t −1
ˆ ∑ G t = ∑ Vt
⎪ t =2 t =2 t =2
⎪ 24 24 24 24
⎨ ∑ t −1
α + ˆ
β ∑ + ˆ
℘ ∑ = ∑
2
ˆ V Vt −1 G V
t t −1 VtVt −1
⎪ t = 2 t = 2 t = 2 t = 2
⎪ 24 24 24 24
⎪αˆ ∑ Gt + βˆ ∑ GtVt −1 + ℘ ˆ ∑ Gt2 = ∑ Vt Gt
⎩ t =2 t =2 t =2 t =2
În vederea estimării parametrilor α$ , β$ şi ℘

$ şi a valorilor V$t s-a
utilizat programul EViews, rezultatele obţinute fiind următoarele:
Dependent Variable: Vt
C 157,1714 104,9035 1,4982 0,1497
Vt − 1 0,8708 0,0999 8,7198 0,0000
Gt -0,4437 0,4239 -1,0469 0,3076
Vˆt = 157,1714 + 0,8708 Vt −1 − 0,4437 Gt R1 = 0,902

(104,9035) (0,0999) (0,4239) d = 0,70
s zˆ = 43,5558
Valorile estimate ale variabilei Vt şi ale variabilei reziduale, ẑ t sunt

EViews):
Tabelul 2.10.2
Vt Vˆt ẑ t (graficul reziduurilor)
805,8 811,912 -6,1123 | . *| . |
837,1 815,038 22,0621 | . | *. |
886,6 845,933 40,6667 | . | * |
940,2 884,335 55,8647 | . | .* |
939,5 927,151 12,3492 | . |* . |
961,9 928,582 33,3176 | . | *. |
969,6 951,284 18,3162 | . |* . |
964,8 956,525 8,2752 | . |* . |
908,8 949,594 -40,7936 | * | . |
857,9 894,526 -36,6264 | .* | . |
746,8 845,675 -98,8753 |* . | . |
681 747,818 -66,8176 | * . | . |
691,3 688,92 2,3800 | . * . |
718,2 692,032 26,1680 | . | *. |
769,3 714,792 54,5085 | . | .* |
799,5 757,959 41,5407 | . | * |
750,7 789,45 -38,7500 | * | . |
714,8 770,517 -55,7168 | *. | . |
706,1 743,914 -37,8136 | * | . |
720,7 733,364 -12,6643 | . *| . |
761,7 740,532 21,1685 | . | *. |
799,1 774,948 24,1516 | . | *. |
838,3 804,899 33,4010 | . | *. |

modelului sunt nesemnificativi (pot fi acceptaţi ca semnificativi pentru un
prag de semnificaţie α = 0,40 ), cu excepţia estimatorului parametrului
corespunzător PIB-ului decalat cu o perioadă, care este semnificativ diferit
de zero pentru un prag de semnificaţie de 5%, modelul fiind semnificativ
pentru un prag de semnificaţie de 5%.
Faza II. Deoarece variabila endogenă Vt (vezi ecuaţia (3)) este

variabilă exogenă în ecuaţiile (1) şi (2), în aceste ecuaţii ea se va introduce
( )
cu valorile estimate în faza I V$ - vezi tabelul 2.10.2., coloana 2.
t
Estimarea parametrilor ecuaţiilor (1) şi (2) se va face cu ajutorul

M.C.M.M.P. aplicate fiecărei ecuaţii:
C t = a 0 + a1 ⋅ Vˆt + u1t (1)

I t = b0 + b1 ⋅ Vˆt + b2 ⋅ Vt −1 + u 2t (2)
Estimatorii ecuaţiei (1), a$ 0 şi a$ 1 , rezultă în urma aplicării

M.C.M.M.P.:
( )
24
F (aˆ 0 , aˆ1 ) = min ∑ C t − aˆ 0 − aˆ1Vˆt
2
t =2
24 24
F ′(aˆ 0 ) = 0 ⇒ (n − 1) ⋅ aˆ 0 + aˆ1 ∑ Vˆt = ∑ C t
t =2 t =2
24 24 24
F ′(aˆ1 ) = 0 ⇒ aˆ 0 ∑ Vˆt + aˆ1 ∑ Vˆt 2 = ∑ C tVˆt
t =2 t =2 t =2
În cazul ecuaţiei (1), calculele au fost efectuate cu ajutorul

programului EViews, rezultând următoarele valori:
C 658,7968 147,3206 4,4719 0,0002
Vˆ
t -0,1822 0,1796 -1,0147 0,3218
Adjusted R-squared 0,0013 S,D, dependent var 73,1256

Cˆ t = aˆ 0 + aˆ1 ⋅ Vˆt = 658,7968 − 0,1822 Vˆt ; R2 = 0,2162

(s ) (s )
a$ 0 a$1 (147,3206) (0,1796) d = 0,27
s uˆ1 = 73,0763

EViews).
Tabelul 2.10.3
442,1 510,867 -68,7669 | * | . |
436,3 510,297 -73,9975 | * | . |
433,1 504,668 -71,5683 | * | . |
450,1 497,672 -47,5715 | .* | . |
442,0 489,871 -47,8706 | .* | . |
448,1 489,61 -41,5097 | .* | . |
472,1 485,474 -13,3735 | . *| . |
513,2 484,519 28,6814 | . |* . |
516,6 485,782 30,8185 | . |* . |
557,7 495,815 61,8853 | . | * |
467,4 504,715 -37,3153 | .* | . |
432,1 522,545 -90,4449 | *. | . |
435,9 533,276 -97,3760 | *. | . |
447,3 532,709 -85,4090 | *. | . |
505,3 528,562 -23,2623 | . *| . |
545,7 520,697 25,0029 | . |* . |
525,7 514,96 10,7404 | . |* . |
586,2 518,409 67,7908 | . | * |
579,8 523,256 56,5437 | . | *. |
582,3 525,178 57,1217 | . | *. |
610,7 523,872 86,8275 | . | .* |
629,1 517,602 111,4980 | . | . * |
673,7 512,145 161,5550 | . | . *|

relaţiei:
n
∑ (uˆ 2t − uˆ 2t −1 )
2
d= t =3
n
= 0,27
∑ uˆ
t =2
2
2t

teoretice se constată că 0 < d = 0,27 < d 1 = 1,26 , interval ce corespunde
Estimatorii a$ 0 şi a$ 1 sunt semnificativ diferiţi de zero, cu un prag de
semnificaţie α = 0,05 , dacă se verifică următoarele relaţii:
aˆ 0 157,355
t aˆ0 = > tα ;n − k −1 ⇔ t aˆ0 = = 2,2779 > t 0, 05; 21 = 2,080
s aˆ0 69,08
aˆ1 − 0,1822
t aˆ1 = = = 1,0147 > t 0, 40; 21 = 0,859
s aˆ1 0,1796
În urma efectuării calculelor de mai sus se constată faptul că doar

estimatorul a$ 0 este semnificativ diferit de zero, cu un prag de semnificaţie
α = 0,05 , în timp ce estimatorul a$ 1 poate fi acceptat ca semnificativ pentru
un prag de semnificaţie α = 0,40 .
Verificarea semnificaţiei raportului de corelaţie:
R 12
Fc = (n − k − 1) ≥ Fα ;k ;(n − k −1)
1 − R 12
0,0467
Fc = 21 ⋅ = 1,0297 < F0,05;1; 21 = 4,32
1 − 0,0467
Pe baza rezultatului obţinut se constată că raportul de corelaţie este

nesemnificativ.
În cazul ecuaţiei (2), utilizând programul EViews, au fost obţinute

următoarele rezultate:
Dependent Variable: It
C -827,5175 219,9338 -3,7626 0,0012
Vˆt 0,9928 1,8495 0,5368 0,5973
Vt −1 0,2573 1,6700 0,1540 0,8791
Iˆt = bˆ0 + bˆ1Vˆt + bˆ2Vt −1 = −827,5175 + 0,9928 Vˆt + 0,2573 Vt −1 ; R3 = 0,8092
(s ) (s ) (s )
b$0 b$1 b$2
(219,9338) (1,8495) (1,67 ) d = 0,33
s uˆ2 = 84,3385
Valorile estimate ale variabilei It şi ale variabilei reziduale, uˆ 2t sunt

EViews).
Tabelul 2.10.4
It Iˆt uˆ 2t (graficul reziduurilor)
260,8 185,463 75,3368 | . | *. |
302,0 188,952 113,0480 | . | .* |
362,9 227,677 135,2230 | . | . *|
388,9 278,537 110,3630 | . | .* |
387,6 334,833 52,7666 | . | * . |
408,5 336,075 72,4253 | . | *. |
399,4 364,375 35,0247 | . | * . |
350,2 371,559 -21,3594 | . *| . |
284,6 363,443 -78,8433 | .* | . |
178,4 294,366 -115,9660 | *. | . |
147,4 232,772 -85,3721 | * | . |
114,4 107,038 7,3625 | . |* . |
117,3 31,636 85,6637 | . | * |
119,6 37,376 82,2243 | . | *. |
111,2 66,892 44,3084 | . | * . |
98,0 122,894 -24,8945 | . *| . |
80,9 161,928 -81,0276 | .* | . |
37,6 130,577 -92,9767 | * | . |
45,8 94,930 -49,1295 | . * | . |
51,2 82,218 -31,0180 | . * | . |
51,4 93,090 -41,6895 | . * | . |
67,4 137,806 -70,4062 | .* | . |
56,1 177,163 -121,0630 |* . | . |

relaţiei:
∑ (uˆ 2t − uˆ 2t −1 )
2
d= t =3
n
= 0,33
∑ uˆ
t =2
2
2t

numărul de observaţii n = 23 se preiau valorile teoretice d1 = 1,17 şi

Verificarea semnificaţiei estimatorilor:
bˆ0 − 827,5175
t bˆ = > tα ;n − k −1 ⇔ t bˆ = = 3,2626 > t 0,05; 20 = 2,086
0
sbˆ 0
2199,9338
0
bˆ1 0,9928
t bˆ = > tα ;n − k −1 ⇔ t bˆ = = 0,5368 < t 0,05; 20 = 2,086
1
sbˆ 1
1,8495
1
bˆ2 0,2573
t bˆ = > tα ;n − k −1 ⇔ t bˆ = = 0,154 < t 0,05; 20 = 2,086
2
sbˆ 2
1,67
2
Pe baza rezultatelor de mai sus se constată că doar estimatorul b̂0

este semnificativ diferit de zero, cu un prag de semnificaţie α = 0,05 , în
timp ce estimatorii b$1 şi b$2 sunt nesemnificativi ( b$1 poate fi acceptat ca
semnificativ pentru un prag de semnificaţie α = 0,6 ).
Verificarea semnificaţiei raportului de corelaţie:
n − k − 1 R22
Fc = ⋅ ≥ Fα ;k ;(n − k −1)
k 1 − R22
20 0,6548
Fc = ⋅ = 18,967 > F0.05; 2; 20 = 3,49
2 1 − 0,6548
Se constată astfel că raportul de corelaţie este semnificativ diferit de

zero, cu un prag de semnificaţie α = 0,05 .
Programul EViews oferă posibilitatea estimării parametrilor unui

model cu ecuaţii simultane, atât prin M.C.M.M.P. în două faze, cât şi prin
construirea unui sistem de ecuaţii care permite estimarea parametrilor atât
prin M.C.M.M.P. în două faze, cât şi prin M.C.M.M.P. în trei faze.
Astfel, rezultatele afişate de programul EViews în urma aplicării
M.C.M.M.P. în două faze asupra ecuaţiei (1) sunt următoarele:
Instrument list: Vt-1 Gt
C 658,7968 147,5788 4,4640 0,0002
Vt -0,1822 0,1799 -1,0129 0,3226

EViews).
Tabelul 2.10.5
442,1 511,9806 -69,8806 | * | . |
436,3 506,2778 -69,9778 | * | . |
433,1 497,2589 -64,1589 | * | . |
450,1 487,4930 -37,3930 | .* | . |
442,0 487,6206 -45,6206 | .* | . |
448,1 483,5393 -35,4393 | .* | . |
472,1 482,1364 -10,0364 | . *| . |
513,2 483,0109 30,1891 | . |* . |

516,6 493,2141 23,3859 | . |* . |
557,7 502,4880 55,2120 | . | *. |
467,4 522,7304 -55,3304 | .* | . |
432,1 534,7191 -102,6191 | *. | . |
435,9 532,8424 -96,9424 | *. | . |
447,3 527,9413 -80,6413 | *. | . |
505,3 518,6309 -13,3309 | . *| . |
545,7 513,1285 32,5715 | . |* . |
525,7 522,0198 3,6802 | . * . |
586,2 528,5607 57,6393 | . | *. |
579,8 530,1459 49,6541 | . | *. |
582,3 527,4858 54,8142 | . | *. |
610,7 520,0156 90,6844 | . | .* |
629,1 513,2013 115,8987 | . | . * |
673,7 506,0591 167,6409 | . | . *|
În cazul ecuaţiei (2), în urma aplicării M.C.M.M.P. în două faze prin

intermediul programului EViews au fost obţinute următoarele rezultate:
Instrument list: Vt-1 Gt
C -827,5175 219,9338 -3,7626 0,0012
Vt 0,9928 1,8495 0,5368 0,5973
Vt-1 0,2573 1,6700 0,1540 0,8791
Prob(F-statistic) -133,0296
Valorile estimate ale variabilei It şi ale variabilei reziduale, uˆ 2t sunt

EViews).
Tabelul 2.10.6
It Iˆt uˆ 2t (graficul reziduurilor)
260,8 185,463 75,3368 | . | .* |
302,0 188,952 113,0480 | . | .* |
362,9 227,677 135,2230 | . | .* |
388,9 278,537 110,3630 | . | *. |
387,6 334,833 52,7666 | . | *. |
408,5 336,075 72,4253 | . | *. |
399,4 364,375 35,0247 | . |* . |
350,2 371,559 -21,3594 | . *| . |
284,6 363,443 -78,8433 | .* | . |
178,4 294,366 -115,9660 | *. | . |
147,4 232,772 -85,3721 | . |* . |
114,4 107,038 7,3625 | . | .* |
117,3 31,636 85,6637 | . | .* |
119,6 37,376 82,2243 | . | *. |
111,2 66,892 44,3084 | . *| . |
98,0 122,894 -24,8945 | * | . |
80,9 161,928 -81,0276 | .* | . |
37,6 130,577 -92,9767 | .* | . |
45,8 94,930 -49,1295 | . *| . |
51,2 82,218 -31,0180 | . *| . |
51,4 93,090 -41,6895 | * | . |
67,4 137,806 -70,4062 | *. | . |
56,1 177,163 -121,0630 |* . | . |
Interpretarea statistică a rezultatelor obţinute este identică cu cea

menţionată în cazul aplicării M.C.M.M.P. în două faze prezentată mai sus.
corespunzător modelului în formă structurală şi în estimarea acestuia fie cu
ajutorul M.C.M.M.P. în două faze (vezi SYSTEM01), fie cu ajutorul
M.C.M.M.P. în trei faze (vezi SYSTEM02).
System: SYSTEM01
Sample: 1981 2003
Instruments: Vt −1 Gt C

C(1) 658,7968 147,5788 4,4640 0,0001
C(2) -0,1822 0,1799 -1,0129 0,3170
C(3) -827,5175 184,0225 -4,4968 0,0001
C(4) 0,9928 1,5475 0,6415 0,5247
C(5) 0,2573 1,3973 0,1841 0,8548
Determinant residual covariance 2622725
Observations: 23
Equation: I t =C(3)+C(4)* Vt +C(5)* Vt −1

Observations: 23
Matricea varianţelor şi covarianţelor reziduurilor este următoarea:
⎛ 4892,8919 − 4308,6716 ⎞
V = ⎜⎜ ⎟⎟
⎝ − 4308,6716 4330,2358 ⎠
Şi în acest caz interpretarea statistică a rezultatelor obţinute este

identică cu cea menţionată anterior.
System: SYSTEM02
Sample: 1981 2003
Instruments: Vt −1 Gt C

C(1) 658,7968 141,0164 4,6718 0,0000
C(2) -0,1822 0,1719 -1,0601 0,2953
C(3) -990,8377 138,0781 -7,1759 0,0000
C(4) 3,1444 0,5298 5,9350 0,0000
C(5) -1,6978 0,4584 -3,7034 0,0006
Determinant residual covariance 31011202
Observations: 23
Equation: I t =C(3)+C(4)* Vt +C(5)* Vt −1

Observations: 23
În cazul aplicării M.C.M.M.P. în trei faze, matricea varianţelor şi

covarianţelor este următoarea:
⎛ 4892,892 − 5214,337 ⎞
V = ⎜⎜ ⎟⎟
⎝ − 5214,337 11894,91⎠
Pe baza informaţiilor furnizate de programul EViews în urma

aplicării M.C.M.M.P. în trei faze sistemului de ecuaţii se constată faptul că:
- în cazul ecuaţiei (1), rezultatele obţinute sunt nesemnificative;
- în cazul ecuaţiei (2), ipotezele corespunzătoare M.C.M.M.P. sunt

verificate (autocorelaţia erorilor poate fi neglijată), iar estimatorii
parametrilor sunt semnificativ diferiţi de zero, pentru un prag de
semnificaţie de 5%, modelul fiind şi el semnificativ pentru acelaşi prag de
semnificaţie.
Descrierea economiei României în perioada 1980-2003 se poate face
cu ajutorul multiplicatorilor cu efect direct.
Multiplicatorii cu efect direct sau multiplicatorii structurali sunt
reprezentaţi de parametrii modelului sub formă structurală:
a1 - rata marginală a consumului, care arată că, în perioada 1980-
2003, la o creştere cu un miliard de lei a PIB-ului real, consumul final real al
populaţiei a scăzut cu 0,18 miliarde lei.
b1 - rata marginală a investiţiilor, care exprimă faptul că, în perioada
1980-2003, investiţiile reale au crescut cu 0,99 miliarde lei la o creştere cu
un miliard de lei a PIB-ului real.
b2 - relevă faptul că PIB-ul real realizat în anul anterior a avut un
efect pozitiv asupra creşterii investiţiilor reale, acestea crescând cu
aproximativ 0,26 miliarde lei la o creştere cu un miliard de lei a PIB-ului
real din anul anterior.
Prin coroborarea valorilor estimatorilor şi, în special, a semnului
algebric al acestora cu teoria economică privind sensul dependenţelor şi
interdependenţelor dintre fenomenele economice analizate, se constată că
acestea conţin evidente inadvertenţe economice, care constau în faptul că
sensul dependenţei consumului final real al populaţiei de factorul său de
influenţă, reliefat de semnul algebric al estimatorului parametrului
corespunzător acestuia, este în contradicţie cu teoria economică. Această
inadvertenţă constă în faptul că PIB-ul real exercită o influenţă negativă
asupra consumului final real al populaţiei.
Datorită slabelor performanţe statistice ale acestui model, cât şi
discrepanţelor dintre valorile estimatorilor şi teoria economică, s-a renunţat
la continuarea utilizării sale în scopuri prospective. Acest lucru nu înseamnă
că acest model prezintă deficienţe de specificare ci, mai curând, rezultatele
contradictorii se datorează, atât dificultăţii construirii unor serii lungi de
date, cât şi măsurilor inconsecvente de politică economică adoptate în

perioada de tranziţie a României.
2.1.11 Model recursiv
Pe baza datelor din Anuarul Statistic al României s-au construit

seriile cronologice pe ani privind indicele câştigului salarial real
(1990=100), Its, indicele productivităţii muncii reale (1990=100), Itw, şi
indicele preţurilor de consum (1990=100), Itp, în perioada 1990-2002:
Tabelul 2.11.1
p
t Itp I t −1 Itw Its
1 2 3 4 5
1990 100,0 - 100,0 100,0
1991 270,2 100,0 87,5 81,7
1992 838,8 270,2 82,3 71,3
1993 2987,0 838,8 86,8 59,4
1994 7071,9 2987,0 90,6 59,4
1995 9353,4 7071,9 102,4 66,5
1996 12983,4 9353,4 107,7 72,7
1997 33076,9 12983,4 105,1 56,3
1998 52624,2 33076,9 102,5 58,2
1999 76728,0 52624,2 106,0 56,0
2000 111767,1 76728,0 105,5 58,6
2001 150290,7 111767,1 112,4 61,5
2002 184162,1 150290,7 121,2 62,8
Sursa: Date prelucrate pe baza Anuarului Statistic al României 2003, INS, Bucureşti, 2004, p. 135,
322, 105, Anuarului Statistic al României 2000, INS, Bucureşti, 2001, p. 135, 136, Anuarului Statistic
al României 2001, INS, Bucureşti, 2002, p. 132, 312, Raportului Anual 2002 BNR, Bucureşti, 2003, p.
4*-7*, Raportului Anual 2000 BNR, Bucureşti, 2001, p. 5*-9*.
Se cere:
a) Să se construiască modelul econometric cu ajutorul căruia pot fi
descrise dependenţele şi interdependenţele dintre preţuri şi câştigurile
salariale;
b) Abordarea modelului construit la punctul a) ca model cu ecuaţii

simultane şi estimarea parametrilor acestuia cu ajutorul metodelor
cunoscute;
c) Abordarea modelului de la punctul a) ca model recursiv şi
estimarea parametrilor acestuia;
d) Să se compare rezultatele obţinute la punctele b) şi c) şi să se
formuleze concluziile care se desprind.
Rezolvare:
a) În teoria economică se întâlneşte un model cu ecuaţii multiple

denumit şi modelul „spiralei preţurilor” care, sub formă structurală, se
prezintă astfel:
⎧⎪I ts = a0 + a1 I t p + a2 I tw + u 1t (1)
M0 ⎨
⎪⎩I t p = b 0 + b1 I ts + u 2t ( 2)
Acest model conţine două variabile endogene (Is,Ip) şi o singură

variabilă exogenă (Iw), în total trei variabile.
Ecuaţia (1) a modelului este nonidentificată deoarece conţine toate
variabilele (0<2-1), în timp ce ecuaţia (2) este corect identificată, deoarece
numărul variabilelor absente (Itw) este egal cu numărul variabilelor
endogene minus unu (1=2-1). Ca atare, modelul este nonidentificabil, adică
nu vor putea fi estimaţi toţi parametrii acestui model.
Modelul de mai sus poate fi transformat într-un model corect
specificat din punct de vedere econometric pornind de la următoarele
premise:
● De regulă, presiunile sociale privind creşterea salariilor nu sunt
simultane cu creşterea preţurilor ci, de regulă, acestea se produc după un
anumit timp;
● Acest lucru permite ca în ecuaţia (1) a modelului, indicele preţului
să figureze cu valoarea sa decalată, I t p−1 ;
● În timp, mişcarea unui fenomen economic are o anumită inerţie

care, în domeniul econometriei, se defineşte ca fenomen autoregresiv,
respectiv în ecuaţia care descrie mişcarea fenomenului, în pachetul
variabilelor exogene se introduce o variabilă cu valori decalate. Aplicând
acest principiu, în ecuaţia (2) a modelului se va introduce o nouă variabilă
exogenă I t p−1 .
Pe baza acestor premise, modelul iniţial, M0, se transformă în
modelul cu ecuaţii multiple, M1:
⎧⎪I ts = a0 + a1 I t p−1 + a2 I tw + u 1t (1)

M1 ⎨
⎪⎩I t p = b 0 + b1 I ts + b 2 I t p−1 + u 2t ( 2)
b) Modelul de mai sus, M1, interpretat ca un model cu ecuaţii

simultane, este un model corect identificat deoarece:
- conţine patru variabile, dintre care două sunt endogene (Its,Itp) şi
două sunt exogene ( I t p−1 ,Itw);
- în ecuaţia (1), numărul variabilelor absente ( I t p−1 ) este egal cu
numărul variabilelor endogene minus unu (1=2-1), rezultă că ecuaţia (1) este
corect identificată;
- ecuaţia (2) este, de asemenea, corect identificată, deoarece numărul
variabilelor absente (Itw) este egal cu numărul variabilelor endogene minus
unu (1=2-1).
În această situaţie, modelul este corect identificat, iar parametrii
acestuia pot fi estimaţi, fie cu ajutorul metodei regresiei indirecte aplicată
fiecărei ecuaţii a modelului în forma redusă, fie cu ajutorul M.C.M.M.P.
aplicată în două faze.
Forma redusă a modelului M1 – regresarea variabilelor endogene
numai în funcţie de variabilele exogene – se obţine efectuând următoarele
calcule :
- ecuaţia (1) este deja sub formă redusă, variabila endogenă Its fiind
exprimată numai în funcţie de cele două variabile exogene – I t p−1 , Itw.
- ecuaţia (2) va fi adusă la forma redusă prin înlocuirea variabilei

endogene Its cu expresia sa din ecuaţia (1):
Itp=b0+a0b1+(a1b1+b2) I t p−1 +a2b1Itw+b1u1t+u2t
Notând cu :
β 0 = b0 + a0b1
2t
β1 = a1b1 + b2
β 2 = a2b1
z t = b1u1t + u 2t
ecuaţia (2) devine: t
FR: I t p = β 0 + β 1 I t p−1 + β 2 I tw + z t
În final, modelul sub formă redusă se prezintă astfel:
⎧⎪I ts = a0 + a1 I t p−1 + a 2 I tw + u 1t
M2 ⎨
⎪⎩I t p = β 0 + β 1 I t p−1 + β 2 I tw + z t
Estimarea parametrilor acestui model presupune aplicarea

M.C.M.M.P. fiecărei ecuaţii în parte.
Utilizând programul EViews s-au obţinut următoarele rezultate în
cazul primei ecuaţii a modelului sub formă redusă:
s
C 0,8388 0,3289 2,5504 0,0312
p
I t −1 -0,000013 0,0001 -0,1629 0,8742
Itw -0,1951 0,3493 -0,5585 0,5901

Astfel, ecuaţia ce descrie evoluţia indicelui câştigului salarial real

este de forma:
Iˆts = 0,8388 − 0,000013 I tp−1 − 0,1951 I tw ; R = 0,3587

(0,3289) (0,0001) (0,3493) d = 1,22
su1 = 0,0814
Analizând rezultatele obţinute se constată că ipotezele

corespunzătoare M.C.M.M.P. sunt verificate (autocorelaţia erorilor poate fi
neglijată ca urmare a indeciziei), dar estimatorii parametrilor modelului, cu
excepţia termenului liber, sunt nesemnificativi, modelul fiind şi el
nesemnificativ.
Revenind la ecuaţia (2) sub formă redusă, estimatorii acesteia au
înregistrat următoarele valori (vezi listingul de mai jos):
p
Dependent Variable: I t
C -179,4978 296,3394 -0,6057 0,5597
p
I t −1 1,2180 0,0731 16,6713 0,0000
Itw 247,5859 314,7246 0,7867 0,4517

Iˆtp = −179,4978 + 1,218 I tp−1 + 247,5859 I tw ; R = 0,9946

(296,3394) (0,0731) (314,7246) d = 1,28
s z = 48,4421
Rezultatele obţinute indică faptul că ipotezele corespunzătoare

M.C.M.M.P. sunt verificate (autocorelaţia erorilor poate fi neglijată ca
urmare a indeciziei), iar estimatorii parametrilor modelului, cu excepţia
estimatorului parametrului corespunzător indicelului preţurilor de consum
decalat cu o perioadă, sunt nesemnificativi, modelul fiind semnificativ
După estimarea parametrilor modelului în formă redusă urmează
identificarea modelului cu ecuaţii simultane, adică a parametrilor modelului
structural pe baza estimatorilor modelului sub formă redusă.
Estimarea acestora se face pornind de la notaţiile efectuate anterior:
βˆ = bˆ + aˆ bˆ ⇒ −179,4978 = bˆ + 0,8388 bˆ
0 0 0 1 0 1
βˆ1 = aˆ1bˆ1 + bˆ2 ⇒ 1,218 = −0,000013 bˆ1 + bˆ2

βˆ = aˆ bˆ ⇒ 247,5859 = −0,1951 bˆ
2 2 1 1
De unde rezultă că:

bˆ = 884,983
0
bˆ1 = −1269,1246
bˆ2 = 1,2013
În final, modelul cu ecuaţii simultane sub formă structurală este de

forma:
⎧⎪ Iˆts = 0,8388 − 0,000013 I tp−1 − 0,1951 I tw

M1 ⎨
⎪⎩ Iˆtp = 884,983 − 1269,1246 I ts + 1,2013I tp−1
Modelul M1, fiind un model corect identificat, estimatorii acestuia

pot fi obţinuţi şi cu ajutorul M.C.M.M.P. aplicată în două faze:
Faza I. Se estimează parametrii ecuaţiei (1) a modelului cu ajutorul
M.C.M.M.P., obţinându-se aceleaşi rezultate ca şi în cazul anterior:
Iˆts = 0,8388 − 0,000013 I tp−1 − 0,1951 I tw ; R = 0,3587

(0,3289) (0,0001) (0,3493) d = 1,22
su1 = 0,0814
În continuare, se calculează valorile teoretice (ajustate) ale variabilei

enodogene Iˆts . Utilizând programul EViews, s-au obţinut următoarele
rezultate (vezi tabelul .2.11.2., coloana 3):
Tabelul 2.11.2
Obs.
I t
s
Iˆts uˆ1t (graficul reziduurilor)
1991 0,817 0,6680 0,1490 | . | . *|
1992 0,713 0,6782 0,0348 | . | * . |
1993 0,594 0,6693 -0,0753 | .* | . |
1994 0,594 0,6616 -0,0676 | .* | . |
1995 0,665 0,6381 0,0269 | . |* . |
1996 0,727 0,6274 0,0996 | . | .* |
1997 0,563 0,6320 -0,0690 | .* | . |
1998 0,582 0,6344 -0,0524 | . * | . |
1999 0,560 0,6250 -0,0650 | .* | . |
2000 0,586 0,6228 -0,0368 | . * | . |
2001 0,615 0,6047 0,0103 | . |* . |
2002 0,628 0,5825 0,0455 | . | * . |
Faza II. În cadrul celei de-a doua ecuaţii a modelului M1 în formă

structurală, valorile empirice ale indicelui câştigului salarial real sunt
înlocuite cu valorile estimate ale acestuia. În vederea estimării parametrilor
acestei ecuaţii a fost utilizat programul EViews, care permite estimarea
parametrilor unui model cu ecuaţii simultane cu ajutorul M.C.M.M.P. în

două faze, obţinându-se astfel următoarele rezultate:
p
p w
Instrument list: I t −1 It

C 884,9814 1184,3430 0,7472 0,4740
I ts -1269,1230 1805,2800 -0,7030 0,4998
p
I t −1 1,2013 0,1018 11,8009 0,0000
Iˆtp = 884,9814 − 1269,123 Iˆts + 1,2013 I tp−1 ; R = 0,9932

(1184,343) (1805,28) (0,1018) d = 1,17
s z3 = 82,0278

urmare a indeciziei), iar estimatorii parametrilor modelului, cu excepţia
estimatorului parametrului corespunzător indicelui preţurilor de consum
decalat cu o perioadă, sunt nesemnificativi, modelul fiind semnificativ
Comparând modelul M1, estimat cu ajutorul metodei regresiei
indirecte, cu modelul estimat pe baza M.C.M.M.P. aplicată în două faze se
observă că rezultatele sunt aproape identice – micile diferenţe datorându-se
erorilor de rotunjire a rezultatelor, cum era, de altfel, şi normal să se
întâmple.

corespunzător modelului M1 şi în estimarea acestuia fie cu ajutorul
M.C.M.M.P. în două faze (vezi SYSTEM01), fie cu ajutorul M.C.M.M.P. în
trei faze (vezi SYSTEM02):
System: SYSTEM01
Sample: 1991 2002
p w
Instruments: I t −1 It C

C(1) 0,8388 0,3289 2,5504 0,0201
C(2) -0,000013 0,0001 -0,1629 0,8724
C(3) -0,1951 0,3493 -0,5585 0,5834
C(4) 884,9814 1184,3430 0,7472 0,4646
C(5) -1269,1230 1805,2800 -0,7030 0,4910
C(6) 1,2013 0,1018 11,8009 0,0000
s p w
Equation: I t =C(1)+C(2)* I t −1 +C(3)* It
Observations: 12
p s p
Equation: I t =C(4)+C(5)* I t +C(6)* I t −1
Observations: 12
System: SYSTEM02
Sample: 1991 2002
p
Instruments: I t −1 Itw C

C(1) 0,8388 0.2848 2,9450 0,0087
C(2) -0,000013 0,0001 -0,1881 0,8529
C(3) -0,1951 0,3025 -0,6450 0,5271
C(4) 884,9814 1025,6710 0,8628 0,3996
C(5) -1269,1230 1563,4180 -0,8118 0,4275
C(6) 1,2013 0,0882 13,6266 0,0000
s p
Equation: I t =C(1)+C(2)* I t −1 +C(3)* Itw
Observations: 12
S.,E. of regression 0,0814 Sum squared resid 0,0596
p s p
Equation: I t =C(4)+C(5)* I t +C(6)* I t −1
Observations: 12
c) Pornind de la modelul M1:
⎧⎪I ts = a0 + a1 I t p−1 + a2 I tw + u 1t (1)

M1 ⎨
⎪⎩I t p = b 0 + b1 I ts + b 2 I t p−1 + u 2t ( 2)
se constată că acesta poate fi considerat un model recursiv deoarece

variabilele endogene urmează o anumită ordine. Astfel, indicele câştigului
salarial real, variabilă endogenă în prima ecuaţie, figurează ca variabilă
exogenă în ecuaţia (2). În schimb, indicele preţurilor de consum nu

figurează decât ca variabilă endogenă în ecuaţia (2).
Matriceal, forma structurală a modelului M1 este următoarea:
⎛1 0 ⎞ ⎛ I ts ⎞ ⎛ − a 0 − a1 − a 2 ⎞⎛ I tp−1 ⎞ ⎛ u1t ⎞
⎜⎜ ⎟⎟ ⎜ p ⎟ + ⎜⎜ ⎟⎜ ⎟=⎜ ⎟
−
⎝ 1 b 1 ⎠ ⎜⎝ I t ⎟⎠ ⎝ − b0 − b2 0 ⎟⎠⎜⎝ I tw ⎟⎠ ⎜⎝ u 2t ⎟⎠
B • Y + C • X = U
respectiv matricea B, B = ( ), este o matrice triunghiulară specifică

1 0
−b1 1
modelelor recursive.
Estimatorii parametrilor modelului M1, considerat ca fiind un model
recursiv, pot fi calculaţi cu ajutorul M.C.M.M.P. aplicată fiecărei ecuaţii a
modelului structural.
Ecuaţia (1) a fost deja estimată la punctul b), ea fiind următoarea:
Iˆts = 0,8388 − 0,000013 I tp−1 − 0,1951 I tw ; R = 0,3587

(0,3289) (0,0001) (0,3493) d = 1,22
su1 = 0,0814
În urma aplicării M.C.M.M.P. asupra celei de-a doua ecuaţii a

modelului M1 au rezultat următoarele valori:
p
C 431,6229 156,8297 2,7522 0,0224
s
I t -577,8482 236,8351 -2,4399 0,0374
p
I t −1 1,2354 0,0372 33,1807 0,0000

Iˆtp = 431,6229 − 577,8482 I ts + 1,2354 I tp−1 ; R = 0,9965

(156,8297 ) (236,8351) (0,0372) DW = 1,17
s z2 = 58,7926

urmare a indeciziei), iar estimatorii parametrilor modelului sunt semnificativ
diferiţi de zero pentru un prag de semnificaţie de 5%, modelul fiind şi el
semnificativ pentru acelaşi prag de semnificaţie.
d) Abordarea econometrică a modelului M1 ca model cu ecuaţii

simultane, M1S, a condus la obţinerea următoarelor rezultate:
⎧ Iˆts = 0,8388 − 0,000013 I tp−1 − 0,1951 I tw ; R = 0,3587

⎪
⎪ (0,3289) (0,0001) (0,3493) d = 1,22
⎪ s u1 = 0,0814
⎪
M1S ⎨ p
⎪ Iˆt = 884,9814 − 1269,123 I t + 1,2013 I t −1 ; R = 0,9932
s p
⎪ (1184,343) (1805,28) (0,1018) d = 1,17

⎪
⎪⎩ s z2 = 82,0278
iar tratarea acestuia ca model recursiv, M1R, a determinat obţinerea

următoarelor valori:
⎧ Iˆts = 0,8388 − 0,000013 I tp−1 − 0,1951 I tw ; R = 0,3587

⎪
⎪ (0,3289) (0,0001) (0,3493) d = 1,22
⎪ s u1 = 0,0814
⎪
M1R ⎨ p
⎪ Iˆt = 431,6229 − 577,8482 I t + 1,2354 I t −1 ; R = 0,9965
s p
⎪ (156,8297 ) (236,8351) (0,0372) d = 1,17

⎪
⎪⎩ s z3 = 58,7926
Deoarece dubla interpretare a modelului M1, ca model cu ecuaţii

simultane (M1S), şi ca model recursiv (M1R), a condus la rezultate diferite, se
pune problema validării variantei corecte.
Discuţia econometrică a celor două modele arată că estimatorii
obţinuţi pe baza modelului recursiv, în special în cazul ecuaţiei (2) a
modelului, sunt semnificativi, în timp ce estimatorii obţinuţi pe baza
modelului cu ecuaţii simultane sunt nesemnificativi, cu excepţia
estimatorului parametrului corespunzător indicelui preţurilor de consum
decalat cu o perioadă în cazul celei de-a doua ecuaţii a modelului. În cazul
ambelor modele, rezultatele obţinute pentru prima ecuaţie sunt
nesemnificative.
Prin coroborarea valorilor estimatorilor şi, în special, a semnului
algebric al acestora cu teoria economică privind sensul dependenţelor şi
interdependenţelor dintre fenomenele economice analizate, se constată că
ambele ecuaţii, atât ale modelului cu ecuaţii simultane, cât şi ale modelului
recursiv, conţin evidente inadvertenţe economice, în sensul că dinamica
câştigului salarial real a fost influenţată negativ de creşterea productivităţii
muncii şi de indicele preţurilor decalat cu o perioadă în decursul perioadei
analizate, 1990-2002 (vezi prima ecuaţie a ambelor modele), iar dinamica
preţurilor a fost influenţată negativ de către dinamica câştigului salarial real
(vezi cea de-a doua ecuaţie a ambelor modele).
Datorită slabelor performanţe statistice ale celor două modele, cât şi
discrepanţelor dintre valorile estimatorilor şi teoria economică, s-a renunţat
la continuarea utilizării lor în scopuri prospective. Acest lucru nu înseamnă
că respectivele modele prezintă deficienţe de specificare ci, mai curând,
rezultatele contradictorii se datorează dimensiunii reduse a seriilor de timp
utilizate şi evoluţiei oscilante a economiei româneşti în perioada de tranziţie
către economia de piaţă.
În concluzie, se recomandă ca un model cu ecuaţii multiple să fie
corect specificat ca model cu ecuaţii simultane sau ca model recursiv
deoarece abordarea greşită a tipului de model conduce la rezultate diferite,
care afectează calitatea calculelor econometrice.
2.2 Probleme propuse spre rezolvare
2.2.1. Indicatorii sintetici ai economiei României (exprimaţi în mld.

lei, preţuri curente) în perioada 1980 – 2002 se prezintă în tabelul de mai
jos:
Tabelul 2.2.1
Unitatea Anul
Indicatori de
1980 1981 1982 1983 1984 1985 1986 1987
măsură
Produs Intern mld. lei 616,9 623,7 727,4 768,7 816,1 817,4 838,6 845,6
Brut1) p.c.
Consumul final mld. lei 315,9 335,1 391,8 387,6 413,6 408,4 416,7 441,9
al populaţiei 1) p.c.
Consumul final al mld. lei 72,5 76,6 76,6 76,0 80,2 83,5 80,5 75,0
administraţiei p.c.
publice1)
Formarea brută de mld. lei 212,8 209,3 216,4 230,7 244,7 246,3 249,0 245,5
capital fix1) p.c.
Variaţia stocurilor1) mld. lei 32,9 17,1 28,9 30,9 34,1 23,6 39,4 23,5
p.c.
Export net1) mld. lei -34,8 -22,7 4,0 32,4 29,3 33,2 35,5 52,8
p.c.
Imobilizări
mld. lei
corporale 1880 2036 2211 2397 2614 2798 2992 3182
p.c.
(mijloace fixe)
Investiţii mld. lei 210,5 209,3 216,4 230,7 244,7 246,3 249,0 245,5
p.c.
Populaţia ocupată mii pers 10350 10391 10433 10475 10500 10586 10670 10719
Tabelul 2.2.1
(continuare)
Unitatea Anul
Indicatori de
1988 1989 1990 1991 1992 1993 1994
măsură
Produs Intern Brut1) mld. lei 857,0 800,0 857,9 2203,9 6029,2 20035,7 49773,2
p.c.
Consumul final al mld. lei 454,7 463,4 557,7 1323,7 3750,8 12670,3 31442,0
populaţiei 1) p.c.
Consumul final al
mld. lei
administraţiei 77,6 100,5 121,8 348,8 891,7 2565,5 7010,4
p.c.
publice1)
Formarea brută de mld. lei 240,2 238,9 169,8 317,0 1156,9 3583,7 10095,7
capital fix1) p.c.
1)
Variaţia stocurilor mld. lei 3,1 -24,6 89,7 301,1 736,7 2212,2 2252,6
p.c.
1)
Export net mld. lei 80,2 21,8 -81,1 -86,7 -506,9 -996,0 -1027,5
p.c.
Imobilizări
mld. lei
corporale 3359 3526 3498 4505 23217 26583 33811
p.c.
(mijloace fixe)
mld. lei
Investiţii 240,2 236,4 168,4 314,0 888,6 2821,8 8004,6
p.c.
Populaţia ocupată mii pers 10805 10946 10840 10786 10458 10062 10011
Tabelul 2.2.1
(continuare)
Unitatea Anul
Indicatori de
1995 1996 1997 1998 1999 2000 2001 2002
măsură
Produs Intern mld. lei
72135,5108919,6252925,7373798,2545730,2803773,11167687,01512616,8
Brut1) p.c.
Consumul
mld. lei
final 48545,1 75288,8 186238,2310922,7453308,0634590,4 917185,7 1151355,9
p.c.
al populaţiei 1)
Consumul
final al mld. lei
10117,3 14650,6 32381,6 26545,9 31053,5 57942,5 77551,4 91751,0
administraţiei p.c.
publice1)
Variaţia mld. lei
20851,1 3161,4 -1368,7 -1586,4 -8889,9 4543,9 22294,8 33432,4
stocurilor1) p.c.
Unitatea Anul
Indicatori de
1995 1996 1997 1998 1999 2000 2001 2002
măsură
mld. lei
Export net1) -4036,9 -9179,7 17865,5 -30003,9 -26371,8 -45250,9 -90498,5 -86305,4
p.c.
Imobilizări
mld. lei
corporale 169866 188934 242714 429038 701941 1449782 2171506 2855564
p.c.
(mijloace fixe)
mld. lei
Investiţii
p.c. 12995,5 20945,3 44134,7 60515,2 83948,1 124987,2 204195,2 271734,7
Populaţia
mii pers 9493 9379 9023 8813 8420 8629 8563 8329
ocupată
Notă: Începând din anul 1999, conturile naţionale s-au realizat numai conform metodologiei SEC 1995.
Sursa: Anuarul Statistic al României 1995, CNS, Bucureşti, 1996, p. 145, 370-371, 386, 398, Anuarul Statistic al
României 1996, INS, Bucureşti, 1997, p. 141, 364-365, 384, 394, Anuarul Statistic al României 2001, INS,
Bucureşti, 2002, p. 94, 278, 297, 303, Anuarul Statistic al României 2003, INS, Bucureşti, 2004, p. 105, 284, 307,
312.
Pe baza datelor prezentate în tabelul de mai sus să se facă analiza

econometrică a economiei României utilizând:
- modele uni şi multifactoriale, statice şi dinamice;
- modele cu ecuaţii multiple.
Specificarea modelelor şi construirea seriilor statistice necesare
identificării şi rezolvării acestora se vor fundamenta pe cunoştiinţele însuşite
la disciplinele de teorie economică şi de statistică macroeconomică.
2.2.2. În România, în perioada ianuarie 1991-decembrie 2004, s-au

înregistrat următoarele valori expimate în preţuri comparabile (1990=1)
privind:
- indicii preţurilor bunurilor şi serviciilor de consum (IPC);
- indicii cursului mediu valutar (ICV);
- indicii câştigurilor salariale medii nominale nete (IVMN).
1990=1 Tabelul 2.2.2

1991 1992 1993
Luna
IPC ICV IVMN IPC ICV IVMN IPC ICV IVMN
0 1 2 3 4 5 6 7 8 9
1 1,581 1,785 1,160 5,312 9,909 3,809 14,830 23,899 8,132
2 1,692 1,756 1,143 5,974 10,046 3,725 16,050 25,953 8,542
3 1,804 1,828 1,181 6,573 10,066 4,478 17,520 29,794 10,880
1991 1992 1993

Luna
0 1 2 3 4 5 6 7 8 9
4 2,282 3,035 1,785 6,880 10,085 4,592 19,270 30,692 11,224
5 2,398 3,056 2,169 7,713 11,368 5,187 25,135 31,593 14,948
6 2,445 3,111 2,237 8,041 13,285 5,690 26,511 35,003 17,257
7 2,677 3,149 2,374 8,296 17,763 5,855 30,007 39,070 19,639
8 2,976 3,101 2,367 8,576 19,077 5,802 33,255 41,108 21,978
9 3,194 3,085 2,636 9,445 20,546 6,829 36,891 44,230 21,755
10 3,526 3,060 2,823 10,350 21,861 7,054 42,913 50,056 23,354
11 3,910 7,417 3,095 11,750 21,861 8,338 48,994 54,289 27,247
12 4,445 9,448 3,337 13,300 22,006 9,555 52,599 57,997 29,681
1990=1 Tabelul 2.2.2

(continuare)
1994 1995 1996
Luna
0 10 11 12 13 14 15 16 17 18
1 55,176 70,522 29,817 86,783 90,290 50,054 109,996 132,142 75,150
2 58,431 75,928 31,159 88,034 91,451 50,896 112,072 141,012 72,900
3 63,281 81,408 32,983 88,85 93,166 53,545 114,006 146,040 76,812
4 67,084 84,937 36,964 90,279 94,812 58,298 116,223 147,999 88,330
5 70,424 84,252 37,043 91,249 97,163 58,495 122,429 148,979 85,972
6 72,234 84,753 38,411 92,449 99,432 60,070 123,701 151,906 86,159
7 73,375 85,700 41,786 94,831 101,387 64,011 133,004 155,731 97,773
8 74.680 85.807 45.074 95.750 104.012 67.469 138.046 159.833 100.495
9 77.620 87,803 44,958 97,273 106,762 67,236 141,361 162,745 99,989
10 81,033 89,118 47,007 100,735 110,127 71,064 146,154 167,552 109,734
11 83,337 89,301 49,134 104,844 121,773 73,877 154,577 176,827 111,416
12 85,073 90,183 58,152 108,681 130,046 82,893 170,520 189,827 127,033
1990=1 Tabelul 2.2.2

(continuare)
1997 1998 1999
Luna
0 19 20 21 22 23 24 25 26 27
1 193,864 252,334 116,254 449,601 421,627 259,058 620,794 577,204 363,486
2 230,253 350,569 133,657 481,926 418,449 257,358 638,633 623,843 379,103
3 300,968 367,865 148,514 500,018 417,239 279,527 679,252 714,464 413,405
4 321,738 358,338 173,365 513,652 426,009 306,238 712,217 752,039 433,413
5 335,447 360,483 166,270 525,356 430,976 292,687 750,064 774,672 427,784
1997 1998 1999

Luna
0 19 20 21 22 23 24 25 26 27
6 343,155 364,631 170,175 531,958 435,658 304,810 788,272 801,057 443,326
7 345,525 364,225 182,111 539,075 442,267 321,778 801,289 777,377 469,792
8 357,683 378,505 190,580 542,505 446,426 328,905 811,052 809,405 475,742
9 369,517 382,755 208,038 557,167 460,097 333,905 836,906 831,698 477,428
10 393,458 391,566 233,507 578,775 476,904 342,977 871,740 849,293 485,349
11 410,255 396,960 240,434 589,836 503,757 349,007 906,513 886,970 513,059
12 428,722 404,692 275,483 602,654 535,262 398,436 932,969 914,916 582,917
1990=1 Tabelul 2.2.2

(continuare)
2000 2001 2002
Luna
0 28 29 30 31 32 33 34 35 36
1 973,180 933,025 505,564 1361,223 1334,169 802,000 1750,275 1629,487 1075,450
2 994,265 950,773 512,025 1391,811 1363,259 760,461 1770,458 1638,704 1014,752
3 1012,085 976,467 558,579 1420,167 1387,855 825,788 1776,787 1665,770 1073,940
4 1060,506 1004,499 625,620 1457,843 1417,300 886,098 1813,048 1682,847 1161,644
5 1079,819 1036,767 594,500 1483,18 1448,571 853,925 1846,572 1702,644 1111,726
6 1110,420 1069,171 616,182 1506,810 1471,912 873,314 1868,808 1697,626 1114,941
7 1157,908 1098,190 636,197 1526,502 1492,847 914,844 1878,215 1676,614 1148,032
8 1179,180 1139,888 650,369 1560,634 1515,455 918,339 1893,609 1682,450 1141,889
9 1212,300 1199,883 665,778 1590,959 1537,158 915,319 1905,24 1683,584 1129,165
10 1245,794 1238,327 690,451 1629,818 1565,104 940,371 1936,54 1689,995 1162,113
11 1281,153 1276,197 731,545 1674,321 1591,179 970,785 1985,972 1705,374 1182,823
12 1312,781 1301,668 852,832 1710,423 1604,255 1071,964 2015,562 1710,920 1325,629
1990=1 Tabelul.2.2.2
(continuare)
2003 2004
Luna
IPC ICV IVMN IPC ICV IVMN
0 37 38 39 40 41 42
1 2041,563 1700,458 1385,694 2325,921 1655,918 1690,407
2 2058,090 1722,623 1303,994 2340,629 1630,529 1604,444
3 2080,261 1684,520 1358,434 2352,277 1659,664 1715,724
4 2102,433 1713,406 1451,457 2365,909 1724,626 1748,552
5 2112,712 1652,349 1385,270 2372,672 1716,207 1699,212
6 2130,651 1658,180 1378,410 2386,768 1706,640 1707,375
7 2156,248 1661,240 1424,663 2417,116 1697,768 1723,255
2003 2004
Luna
IPC ICV IVMN IPC ICV IVMN
0 37 38 39 40 41 42
8 2161,892 1695,938 1408,314 2430,250 1708,851 1707,375
9 2208,250 1718,317 1429,894 2453,240 1709,268 1723,255
10 2241,910 1685,674 1451,994 2483,340 1671,657 1778,328
11 2274,159 1734,052 1475,648 2499,397 1559,598 1829,276
12 2300,562 1678,322 1657,313 2513,608 1469,741 2013,794
Sursa: Anuarul Statistic al României 2003, INS, Bucureşti, 2004, p. 322-323, Buletin statistic lunar
nr. 1-12, INS, Bucureşti, 1991-2004
Pe baza informaţiilor de mai sus, să se explice creşterea indicelui

preţurilor bunurilor de consum pe seama creşterii indicelui cursului valutar
şi a creşterii indicelui veniturilor, utilizând:
- modele unifactoriale liniare şi neliniare;
- modele multifactoriale liniare şi neliniare;
- modele statice şi modele dinamice.

Exemplul2 Unifactorial PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Exemplul2 Unifactorial PDF

Încărcat de

Drepturi de autor:

Formate disponibile

Capitolul 2

2.1 Probleme rezolvate

2.2 Probleme propuse spre rezolvare

2 Modele econometrice cu o singură ecuaţie

2.1 Probleme rezolvate

Se cunosc următoarele date privind capacitatea de cazare turistică în

a) Pe baza datelor problemei se poate construi un model econometric

Specificarea unui model econometric presupune, de asemenea,

Figura 2.1.1 Legătura dintre capacitatea de cazare turistică în funcţiune

Din grafic se poate observa că distribuţia punctelor empirice (xt , y t )

b) Deoarece parametrii modelului sunt necunoscuţi, valorile acestora

Condiţia de minim a acestei funcţii rezultă din:

0,0 1184398104,4 0,0 0,0 0,0 -1978,2 65573176,1 -711906,1 1322911310,3

(vezi calcule tabelul 2.1.2., coloanele 1, 2, 3, 4)

Dispunând de estimaţiile parametrilor se pot calcula valorile

În urma acestor calcule, modelul econometric se poate scrie:

Pe baza datelor din tabelul 2.1.2., coloanele 6, 10, se obţin:

Deoarece valorile acestor variabile aparţin intervalelor

Deoarece graficul punctelor empirice prezintă o distribuţie oscilantă,

Ca şi în cazul graficului precedent, distribuţia punctelor empirice

şi compararea acestei mărimi „ d ” cu două valori teoretice, d 1 şi d 2 ,

- dacă d 1 ≤ d ≤ d 2 ⇒ indecizie, recomandându-se acceptarea

Lucrând cu un prag de semnificaţie α = 0,05 , numărul variabilelor

Se poate demonstra că între coeficientul de autocorelaţie de ordinul

Calculul coeficientului de autocorelaţie de ordinul 1:

Deoarece r1 = −0,021 → 0 , şi acest indicator arată că ipoteza de

Se observă că valorile empirice ale variabilei reziduale se înscriu în

d) Verificarea semnificaţiei estimatorilor şi a verosimilităţii

Ştiind că (vezi punctul b) al problemei)

Pe baza calculelor de mai sus se observă faptul că ambii estimatori

Coeficientul de corelaţie liniară fiind definit în intervalul [ −1;1] ,

Testul Fisher-Snedecor indică faptul că rezultatele obţinute sunt

Se poate demonstra că, în cazul unei legături liniare, raportul de

yˆt = 35030,912 + 0,8694 xt ; R = 0,985

e) Dacă numărul înnoptărilor va fi egal cu 17100 mii (xt′ = 17100) ,

Estimarea capacităţii de cazare în funcţiune, care se poate obţine

P(Y/ x =17100 − tα sY / x =17100 ≤ y / x =17100 ≤ Y/ x =17100 + tα sY / x =17100 ) = 1 − α

Pentru α = 0,05 şi v = n − k = 12 , din tabela distribuţiei Student se

P(Y/ x =17100 ∈ [49897,4230 ± 2,179 ⋅ 1788,4251]) = 1 − 0,05 = 0,95

2.1.2 Model liniar unifactorial cu erori heteroscedastice

Se cunosc următoarele date1 privind privind venitul mediu şi

Cheltuieli medii cu procurarea

a) Analiza variabilelor aferente problemei conduce la specificarea

a familiei, etc. - dar aceştia sunt consideraţi factori cu acţiune întâmplătoare

Figura 2.2.1 Legătura dintre cheltuielile medii cu procurarea

Deoarece graficul punctelor empirice arată că acestea pot fi

Condiţia de minim a acestei funcţii rezultă din:

Rezolvarea modelului s-a realizat cu ajutorul pachetului de programe

xi 0,6378 b̂ 0,0286 sbˆ 22,2872 tbˆ ()

Semnificaţia indicatorilor necunoscuţi pe care-i calculează pachetul

model, precum şi a numărului de observaţii pe baza cărora au fost estimaţi

AIC = criteriul Akaike este utilizat în cazul comparării a două sau

Actual Fitted Residual Residual Plot

- dispersia variabilei reziduale

unde: k = numărul variabilelor exogene.

- abaterea medie pătratică a variabilei reziduale:

- abaterile medii pătratice ale celor doi estimatori:

(vezi tabelul afişat de programul EViews)

(vezi tabelul afişat de programul EViews)

(vezi tabelul afişat de programul EViews)

Astfel modelul estimat devine:

yˆi = 9,2903 + 0,6378 xi ; R = 0,973

b) Verificarea ipotezelor de fundamentare a metodei celor mai mici