I.

ÎNTREBÃRI CU ALEGERI MULTIPLE

1. Utilizarea matematicii în economie înseamnã:

a) aplicarea tehnicilor de analizã matematicã la variabile
economice;
b) descrierea relaţiilor variabilelor prin funcţii;
c) ilustrarea graficã a interdependenţelor dintre variabilele
economice;
d) prezentarea realitãţilor economice într-un limbaj
matematic;
e) utilizarea numerelor în evidenţierea corelaţiilor dintre
componentele unui sistem economic.

2. Debutul aplicãrii statisticii în economie o datorãm lui:

a) Dionisie Pop Marţian;
b) Aristotel;
c) Adam Smith;
d) William Petty;
e) Karl Pearson.

3. Cel mai important instrument utilizat la începuturile

aplicãrii matematicii în economie se referã la:
a) funcţiile de repartiţie;
b) calculul diferenţial;
c) algebra liniarã;
d) diagrame;
e) curbele de indiferenţã.

4. Anul şi fondatorii Societãţii de Econometrie sunt:

a) 1928; Jan Tinbergen şi Lawrance Klein;
b) 1957; Tjialing Koopsman;
c) 1933; Paul Samuelson şi Irving Fisher;
d) 1930; Richard Stone şi Trygve Haavelmo;
e) 1933; Ragnar Frish, Charles Roos şi Irving Fisher;
5. Criticile la adresa aplicãrii matematicii în economie
se referã la:
a) lipsa de experienţã în folosirea noului instrumentar;
b) suspiciunea privind aprecierea utilitãţii şi limitelor
matematicii;
c) îndoielile exprimate de economişti (fãrã compentenţã
în domeniul matematicii);
d) discordanţe cu o anumitã linie ideologicã;
e) prezenţa unui anumit grad de iscusinţã pentru
înţelegerea articolelor din revistele de specialitate.

6. Un remarcabil laureat Nobel pentru economie afirma

prin anii ’60 cã “economiştii erau preocupaţi mai
mult de matematica formalã decât de economie”. Este
vorba de:
a) Alfred Marshall;
b) William Stanley Jevons;
c) Wassily Leontief;
d) John Maynard Keynes;
e) Phelps Brown.

7. Precizaţi care dintre membrii Academiei Regale de

Ştiinţe a Marii Britanii afirma cã: “puterea de
predicţie a econometriei este destul de slabã”:
a) Phelps Brown;
b) Norbert Wiener;
c) Ragnar Frish;
d) H.G. Johnson;
e) G.D. Warswick.
8. În lucrarea sa “Teoria şi politica economicã”,
reprezentantul şcolii marginaliste engleze, W.S.
Jevons afirma cã:
a) metoda matematicã începea sã domine teoria
economicã;
b) fondatorii şcolii austriece sunt “sãraci cu duhul”
deoarece nu sunt în stare sã înţeleagã un “set de
ecuaţii simultane”;
c) economia “trebuie sã fie o ştiinţã matematicã pentru
cã are de a face cu cantitãţi mãsurabile”;
d) legile economice apar drept simple “expresii
arbitrare”;
e) economia se fundamenteazã pe esenţa unor entitãţi
reale.

9. În referirea sa la metoda matematicã, stilul criticii lui

Ludwig von Mises se referã la:
a) aplicarea ecuaţiilor din mecanicã la economie;
b) faptul cã matematica distrage atenţia de la procesele
pieţei;
c) logica economicã şi economia matematicã;
d) descrierea matematicã a stãrilor de echilibru;
e) observaţiile care au fost cuantificate sunt tratate ca şi
când ar fi fost constante.

10. “Legea numerelor mari” era criticatã de austrieci

deoarece:
a) în economie numãrul elementelor studiate este prea
mic;
b) statistica lucreazã cu mãrimi agregate;
c) se neglijeazã diferenţele minore dintre elementele
individuale ale realitãţii studiate;
d) nu justificã stabilitatea agregatelor în economie;
e) ea nu putea exprima axiomele privitoare la
comportamentul uman.
11. Prelegerile lui M. Manoilescu sintetizate în cartea:
“Încercãri în filosofia sistemelor economice” se
referã, printre altele, la:
a) modelele deductive;
b) traducerea problemelor economice în limbajul
matematicii;
c) reconstituirea din date statistice a structurii
reprezentate printr-un model econometric;
d) faptul cã în economie se pot organiza experimente;
e) construirea unor funcţii prin care se reconstituiau
procese şi structuri reale.

12. Relaţiile dintre fenomenele economice sunt explicate

de M. Manoilescu pe baza unui exemplu ce reflectã:
a) ecuaţii din fizicã;
b) relaţia funcţionalã dintre cerere şi preţ;
c) curba costului unitar;
d) optimul pentru un monopolist;
e) procesul maximizãrii profitului.

13. Determinând mãrimea profitului pentru o firmã, M.

Manoilescu aratã cã acesta devine maxim dacã:
a) (p - a) = 0;
b) (-q) = pk;
c) q/(p - a) = -dq/dp;
d) tg α = 0;
e) (p - a) q = k.

14. Ideile expuse de M. Manoilescu în lucrarea “Încercãri

în filosofia sistemelor economice” reflectã probleme
deosebit de actuale referitoare la:
a) transdisciplinaritate;
b) efectul de “histerezis”;
c) sistemele autoinstuibile;
 d) variabilele curente au un “istoric”;
e) axiomatizare ştiinţei economice.

15. În ce context Manoilescu afirmã: “Mãsura este cel

mai preţios dintre lucruri”:
a) când se referã la sociometrie;
b) când se referã la “statistici”;
c) când se referã la cultivarea faptelor fãrã teorie;
d) când se referã la descoperirea legilor ştiinţifice;

16. Debutul aplicãrii statisticii la studierea bugetelor de

familie se datoreazã lui:
a) Fr. Galton;
b) F.Y. Edgeworth;
c) K. Pearson;
d) E. Engel;
e) A. Laffer.

17. Mãsurarea relaţiilor din economie presupune

studierea:
a) conexiunilor de tip cauzã-efect;
b) parametrilor cuantificabili;
c) caracterului legãturii dintre variabile;
d) efectului intensitãţii modificãrii unei variabile
asupra alteia;
e) formei numerice a relaţiei analizate.

18. Propoziţia: “ consumul este o funcţie crescãtoare de

venit disponibil, dar creşterea acestuia este mai slabã
decât a venitului disponibil”, se modeleazã prin
ecuaţia:
a) Ct = α+ βYt ; α, β>0
b) Ct = Ct-1 + γ(Yt -Tt); γ<0
c) Ct = α0 Ct-1 + α1Yt ; α0, α1 ε (0, ∞)
d) Ct = α0 + α1( Yt - Tt); 0< α1 <1
e) ∆Ct = ∆Yt + ∆Tt .
19. Aduceţi la o formã redusã, modelul descris prin
ecuaţiile:
a) Ct = α0 + α1( Yt - Tt); 0< α1 <1
b) It = β1 Yt-1 + β2 Rt ; β1>0 , β2 <0
c) Yt =Ct + It + Gt ,
şi evidenţiaţi “multiplicatorii de contact”, aferenţi acesteia.

20. Rolul esenţial al econometriei este:

a) descrierea cât mai fidelã a realitãţii economice;
b) estimarea şi testarea modelelor;
c) transpunerea modelului teoretic într-o formã
matematicã;
d) asigurarea datelor statistice pentru estimarea
parametrilor;
e) aprecierea distanţei “ model – realitate”.

21. Ce semnificaţie şi interpretare daţi variabilei “ε” din

ecuaţia:
M = α + βy + γr + ε, unde:
M-cererea de bani, y-venitul naţional, r-rata dobânzii ?

22. Forma liniarizatã o funcţiei: y = α eβx ; α,β>0 este:

a) y = α + βx ;
b) y = lnα + lnβx ;
c) lny = lnα + βx ;
d) lny = lnα + βlnx;
e) y = ln (α + βx).

23. Ce formã poate îmbrãca modelul vânzãrilor de ulei

pe o piaţã localã?
24. În modelele econometrice identificarea diferitelor
tipuri de relaţii, exprimate în ecuaţii şi anume:
a) relaţii de liniarizare;
b) relaţii de identitate;
c) relaţii tehnologice;
d) relaţii structurale;
e) relaţii de comportament.

25. Erorile în identificarea variabilelor pot avea în

principal două surse:
a) distribuţia normală;
b) specificarea incompletă a obiectului cercetat;
c) agregarea necorespunzătoare;
d) principiului verosimilităţii;
e) glisării exponenţiale.

26. Variabilele economice sunt:

a) date statistice despre o populaţie;
b) indicatori economici;
c) valori cantitative asociate unor variabile cauzale;
d) mãrimi aleatoare continue;
e) nivelul diferitelor mãrimi discrete asociate
sistemului economic.

27. Verificarea intensitãţii legãturii dintre variabilele

economice cantitative presupune utilizarea:
a) testului F;
b) coeficientului de contingenţã;
c) analizei dispersionale;
d) principiului verosimilitãţii maxime;
e) coeficientului de corelaţie.
28. Precizaţi variabilele endogene şi exogene din cadrul
urmãtorului model de regresie multiplã:
Ct = β1 + β2 Vt +β3 Ct-1 + β4 St + εt
şi apoi interpretaţi semnificaţia variabilei εt .

29. Scrieţi sub formã matricialã modelul econometric:

yt = α1 + α2Vt + α3St + α4δt ; pentru t=1,2,3.

30. Identificaţi o formã redusã a modelului econometric:

Ct = β1 + β2 (yt - Zt ) + εt ,
Zt = δ1 + δ2Xt.

31. În etapa de elaborare a unui model econometric

trebuie sã clarificãm:
a) de unde vom lua datele statistice necesare estimãrii
parametrilor;
b) aria de cuprindere a variabilelor economice;
c) factorii economici şi extraeconomici care intervin
în domeniul analizat;
d) aspecte de ordin comportamental;
e) modul de liniarizare a modelelor exponenţiale.

32. Problemele pe care le ridicã etapa de specificare sunt

legate de:
a) alegerea variabilelor explicative care urmeazã sã
fie incluse în model;
b) ajustarea parametrilor;
c) testarea veridicitãţii modelului;
d) formarea matematicã a relaţiei funcţionale
existentã între variabile endogene şi variabile
predeterminate;
e) identificarea multiplicatorilor de impact;
33. O cercetare a identificãrii modelului econometric
presupune studierea:
a) rezolvabilitãţii sistemului;
b) numãrului de soluţii rezultat în urma estimãrii
paramerilor βj ;
c) unicitãţii soluţiei sistemului;
d) existenţei unor ecuaţii asemãnãtoare ãn ce priveşte
construcţia modelului;
e) izomorfismul realitate-model.

34. Econometricianul trebuie sã posede solide cunoştinţe

de statisticã deoarece trebuie:
a) sã defineascã forma ecuaţiilor de regresie;
b) sã cuantifice variabilele;
c) sã elimine distorsiunile de ordin statistic;
d) sã evalueze amplitudinea erorilor;
e) sã cunoascã tehnicile de estimare.

35. Analiza bayesianã utilizeazã instrumentele

matematice oferite de teorie probabilitãţilor, pe
douã direcţii:
a) proiecţii predictive sau previzionale;
b) postulatul bayesian;
c) metoda de estimare bayesianã;
d) matricea covariaţionalã;
e) coeficientul de regresie.

36. Postulatul bayesian se referã la:

a) estimarea modelului;
b) probabilitãţile apriorice;
c) legea de repartiţie;
d) probabilitãţile aposteriorice;
e) proiecţia variabilelor de ecart.
37. Dacã fenomenul economic descris de modelul
economico-matematic este în concordanţã cu
ipotezele fundamentale, atunci estimatorii βj
îndeplinesc urmãtoarele proprietãţi:
a) nedeplasaţi;
b) de dispersie minim;
c) eficienţi;
d) asimtotic eficienţi;
e) consistenţi.

38. Metode de previziune prin glisare pot fi:

a) extrapolarea;
b) glisarea exponenţialã simplã;
c) glisarea exponenţialã dublã;
d) distribuţia normalã;
e) sezonalitatea.

39. Sezonalitatea reprezintã acea componentã a evoluţiei

procesului economic caracterizat prin oscilaţii
într-un interval de timp. Modalitãţi de evidenţiere a
acesteia pot fi:
a) abaterea de la medie;
b) sezonalitatea exprimatã simultan cu tendinţa;
c) sezonalitatea exprimatã prin fluctuaţii sinusoidale;
d) sezonalitatea exprimatã sub forma unei proporţii, în
raport cu tendinţa;
e) prin glisajul parametrilor.

40. Analiza seriilor dinamice presupune diferite tipuri de

regularitãţi în timp:
a) tendinţe seculare;
b) tendinţe ciclice;
c) trend;
d) sinusoide;
 e) cicluri sezonale.

41. În lucrarea “Studii asupra teoriei investiţiilor”,

T. Haavelmo trateazã:
a) capitalul ca factor de producţie, iar investiţiile ca
cerere derivatã pentru el;
b) rolul capititalului în creşterea economicã şi
comportamentul investiţional;
c) economiile şi deciziile într-o economie centralizatã;
d) cererea de bunuri investiţionale într-o economie de
piaţã;
e) regimuri schimbãtoare.

42. Premiul Nobel pentru economie pe anul 2000 i-a

revenit lui:
a) Trygve Haavelmo;
b) Tjialling Koopmans;
c) Lawrence Klein;
d) James Heckman;
e) Daniel McFadden.

43. Printre contribuţiile lui R. Lucas, la dezvoltarea

economiei se numãrã:
a) modelul central al ciclurilor de afaceri;
b) perturbaţiile monetare ce conduc la modificãri ale
nivelului preţurilor;
c) cea mai bunã politicã monetarã este cea care
foloseşte “regula celor K procente”(în care rata de
creştere a cantitãţii de bani este constantã);
d) instabilitatea monetarã conduce la fluctuaţii de
output şi inflaţie;
e) dezvoltarea economiei financiare.
44. Noţiunea de optim economic a fost folosită de:
a) L. Walras;
b) C. Menger;
c) J. Tinbergen;
d) V. Pareto;
e) T. Haavelmo.

45. Dintre modelele deazagregate destinate reflectării

conexiunilor din economie cu ajutorul ecuaţiilor de
regresie se numără:
a) modelul Leamer;
b) modelul Brookings;
c) modelul Box-Jenkins;
d) modelul Sims;
e) modelul Warthon.

46. Prin optim economic se înţelege:

a) valoarea extremă (minim/maxim) a funcţiei;
b) utilitatea marginală;
c) decalajul între cererea şi oferta de bunuri;
d) modelul stochastic de prognoză;
e) procedeu de simulare.

II. DEFINIREA UNOR CONCEPTE

1. Econometrie;
2. Legea lui Okun;
3. Autocorelaţie;
4. Postulatul lui Bayes;
5. Efectul de heteroscedasticitate;
6. Relaţia de elasticitate a lui Hicks;
7. Abaterea medie pãtraticã;
8. Sezonalitate;
 9. Valoarea predictivã a modelelor econometrice;
10. Funcţia Tornquist;
11. Elasticitatea funcţiei de consum;
12. Covarianţa;
13. Anticipaţii adaptive;
14. Interval de încredere;
15. Coeficient de determinaţie;
16. Funcţia Cobb-Douglas;
17. Fenomenul de multicoliniaritate;
18. Repartiţia Student;
19. Variabilã aleatoare;
20. Distribuţia normală.

III. COMPLETAREA UNOR AFIRMAŢII:

1. Densitatea de repartiţie descrisã de funcţia f(x):

• exp⎢− ( x − x )
1 ⎡ 2
⎤
2⎥
σ 2π ⎣ 2σ ⎦
se referã la repartiţia................................................

2. Coeficientul de elasticitate pentru funcţia: y = α + β x

este ...................................................................................

3. Dacã un fenomen economic este descris de cãtre

funcţia: y t = eβt ⋅ ε t atunci o formã liniarizatã a
funcţiei este........................................................................

4. Cobb & Douglas au exprimat....................................

dintre variabila efect şi .............. cu ajutorul relaţiei
Y = .............
5. Randamentul extremal ilustrat prin formula:

∂f (x1, x 2,..... x n )
RE = = 0;
∂x

exprimã pânã la ce nivel.......................................astfel

încât producţia este..............

6. Norma de substituire exprimã........................................

fãrã ca producţia .......................................

7. Dacã Z0,Z1,Z2,.........Zn sunt variabile independente,

normal distribuite atunci mãrimea:

Z0
n

∑Z
i =1
i
2
n

exprimã distribuţia ................... cu..............grade de

libertate.

8. Sã considerãm modelul simplu al determinãrii

venitului naţional:

C = α + β y + u, α>0, 0<β<1
y = C + Z,
în care:
- prima ecuaţie este o funcţie de consum. Ea
exprimã cheltuielile de
- consum C în funcţie de venitul naţional y.
Variabila “u” reprezintã perturbaţia care
 satisface o distribuţie normalã, iar Z cheltuielile
complementare consumului.
a) Variabilele C şi y sunt...................., iar
Z..........................................
b) Forma redusã a modelului este datã din expresia:
C = .....................

9. Corelaţia funcţionalã dintre cerere şi preţ, ar putea fi

de forma..............................................................................

10. Consumul este o funcţie crescãtoare de venit

disponibil, dar creşterea acestuia este mai micã
decât a venitului. Exprimaţi aceastã propoziţi cu
ajutorul unei relaţii matemetice: .............................

11. Media pãtratului abaterilor de la medie sau

.................. determinã “abaterile standard”, de
forma:................................................................... .
12. Relaţia adiacent - ............. apare în explicarea
raporturilor astfel:
a) individ - ......... .
b) ........... – corp.

13. Multiplicatorul este redus prin douã efecte de

evicţiune:
a) ................................. .
b) ................................ .
IV. DEMONSTRAŢII STATISTICO-MATEMATICE

a) Dacã avem X1, X2..... Xn variabile aleatoare ce

definesc o populaţie de medie µ şi varianţã σ², atunci
distribuţia mediei X va duce la:
E(X) = µ
σ² = var ( X ) = σ²/n.
b) Dacã douã variabile aleatoare X şi Y sunt necorelate,
atunci:
E(X·Y) = E(X) · E(Y).

c) Pentru funcţia: E(Y) = α + β X*, unde: X* = ln (X),

elasticitatea lui Y în raport cu X este:
dy x 1
⋅ = β⋅
dx y y

d) Dacã X şi Y sunt douã variabile aleatoare, atunci când

a şi b sunt constante, avem:
E(a·X + b·Y) = a · E(X) + b · E(Y).

e) Dacã X şiY sunt douã variabile aleatoare, şi dacã a şi b

sunt constante, avem:
var (a·X + b·Y) = a²·var (X) + b²·var (Y) + 2·ab·cov (X,Y).

f) În ecuaţia: M = A Yβ rγ , β>0, γ<0, β şi γ sunt

elasticitãţile cererii venitului şi dobânzii în raport cu
banii.
Arãtaţi cã: β = (dM/dY) (Y/M).

g) Se dau variabilele aleatoare X, Y şi Z cu:

E(X) = 3 E(Y) = - 4 E(Z) = 11
var(X) = 12 var(Y) = 8 var(Z) = 34,
 Y şi Z sunt necorelate, dar cov (X,Y) = 8. Dacã U =
4Y + Z, V = X +Y şi W = 4X –3Y sunt trei noi
variabile aleatoare, determinaţi: E(U) şi var(U), E(V)
şi var(V), E(W) şi var(W).

h) Douã variabile aleatoare X şi Y au urmãtoarele medii,

varianţe şi covarianţe :
E(X) = 5 E(Y) = 2
var(X) = 10 var(Y) = 20 cov(X,Y) = 5
Dacã A = 2X + Y şi B = X – 2Y, gãsiţi media şi
varianţa pentru A şi B.
Arãtaţi cã:
E(A·B) = 2· E(X2) - 2· E(Y2) - 3· E(X,Y) .
Drept consecinţã determinaţi covarianţa dintre A şi B.

i) Calculaţi E(X), E(Y) şi E(X,Y) folosind urmãtoarea

distribuţie:

Y\X 0 1 2 3
1 0.125 0 0 0.125
2 0 0.250 0.250 0
3 0 0.125 0.125 0

Potrivit rezultatelor obţinute rezultã cã X şi Y sunt

independenţi.
V. INTERPRETAREA UNOR GRAFICE:

1) Se dã urmãtorul grafic:
a

a/2

Precizaţi funcţia (inclusiv forma analiticã) pe care o

reprezintã şi cãrui model îi aparţine.

2) Ce reprezintã urmãtorul grafic?

 Daţi exemple de fenomene care urmeazã aceastã
evoluţie.

3) Într-un spaţiu tridimensional se dã urmãtorul grafic:

Precizaţi factorii reprezentaţi în grafic şi realizaţi cu

ajutorul unui model o combinaţie optimã a acestora.
4) Se dã graficul:

Faceţi un comentariu pe baza distribuţiei pe care o

reprezintã.
VI. REPREZENTAREA GRAFICÃ A UNOR
FUNCŢII

1. Funcţia hiperbolică: y = â0 + â1(1/x)

y y

0 t 0 t
Fig.1a (â1>0) Fig.1b (â1<0)

2. Funcţia exponenţială: ŷ = â0 xâ1

y y

0 t 0 t

Fig. 2a (â1>1) Fig.2b(â1<1)

3. Funcţia semilogaritmică: ŷ = â0 + â1 log x

y y

0 t 0 t
Fig. 3a (â1>0) Fig. 3b (â1<0)

VII. ESEU PE MARGINEA UNUI TEXT DAT

”Legea entropiei, care este al doilea principiu al

termodinamicii, reprezintă generalizarea unui fapt
comun: căldura se deplasează întotdeauna de la corpul
mai cald spre cel mai rece şi niciodată invers (...). Tot
ceea ce se spune este că entropia universului creşte
permanent şi irevocabil. În univers există o degradare
calitativă continuă şi irevocabilă a energiei libere în
energie legată. În zilele noastre vom întâlni interpretarea
modernă a acestei degradări drept transformare
continuă a ordinii în dezordine. Ideea se bazează pe
observaţia că energia liberă este o structură ordonată, pe
când energia legată este haotică (...).”

Nicholas GEORGESCU-ROEGEN
VIII. PROBLEME PROPUSE SPRE REZOLVARE

1. Calculaţi probabilitatea de apariţie a numarului 4 pe

faţa unui zar din şase aruncãri.

2. Cunoscând cã vechimea în muncã pentru cinci

salariaţi ai unei firme urmeazã o repartiţie normalã
cu media: 6,6 şi dispersia σ2 = 102, calculaţi
probabilitatea ca aceasta sã se situeze în intervalul: 5-
8 ani.

3. Un agent economic urmãreşte creşterea profitului

activitãţii sale, prin utilizarea optimã a capacitãţilor
de producţie. Pentru analizã vom utiliza 5 intervale
de timp astfel:

Profitul (x) 8 9 11 12 14
Utilizarea capacitãţilor 10 12 14 11 16
de producţie (y)

a) Reprezentaţi grafic şi interpretaţi rezultatul;

b) Calculaţi coeficientul de corelaţie simplã şi testaţi
semnificaţia sa.

4. Producţia (y) unui firme, exprimatã în unitãţi

valorice convenţionale,evolueazã în fiecare an (x)
astfel:

Anii (x) 1 2 3 4 5

Producţia (y) 7 8 10 13 15
 a Stabiliţi legãtura funcţionalã dintre variabile.
b Calculaţi cu ajutorul MCMMP valorile ajustate.
c Verificaţi ipoteza referitoare la egala împrãştiere
a variabilei reziduale.
d Presupunând cã perturbaţia u este
heteroscedasticã (inegal împrãştiatã) dupã
împãrţirea cu x, calculaţi variabilele
transformate cu ajutorul MCMMP.

5. Se cunoaşte urmãtorul sistem:

y1 = a0 + a1 x1+ a2 y2 + u1
y2 = b0 + b1 x1 + b2x2 + u2

a Observaţi dacã ecuaţiile îndeplinesc condiţia de

identificare. Pe baza acestui model formulaţi un
exemplu economic.
b Ce situaţie apare în cazul b2 = 0
c Construiţi un model cu o singurã ecuaţie (forma
redusã) şi identificaţi multiplicatorii de impact?

6. Sã considerãm un model format din douã ecuaţii

simultane ce reflectă într-o formã simplificatã spirala
preţuri-salarii:
S = α + β P + γE + u ,
P = λ + µS + v,
unde S şi P sunt ratele procentuale a salariilor respectiv
preţurilor, E este o mãsurã a excesului de cerere pe piaţa
muncii, iar u şi v sunt variabilele perturbatoare.
a) Ce fel de variabile sunt S, P, E ?
b) Prezentaţi modelul în forma sa redusã, ţinând
seama de variabila E şi perturbaţiile u şi v.
7. În urma unui sondaj statistic efectuat pe o perioadă
de 10 luni s-au obţinut următoarele date referitoare
la venitul lunar şi cheltuielile medii lunare efectuate
de familiile incluse în eşantion pentru procurarea de
produse nealimentare astfel:

Venitul 70 75 80 85 88 90 96 100 110 120

mediu
lunar
(um/fam)
Cheltuieli 13 15 18 19 20 20 22 24 28 32
medii
lunare
(um/fam)

Se cere:
a) specificarea, identificarea şi estimarea
parametrilor modelului econometric ce descrie
legătura între variabile;
b) verificarea ipotezelor fundamentale a
MCMMP şi a verosimilităţii modelului;
c) să se realizeze prognoza modelului.

8. Se cunosc urmãtoarele date referitoare la vânzãrile a

trei produse astfel:

PRODUSE A B C
VAL. PRETURILOR 10 5 3
(X) MIL LEI
VOL. VÂNZÃRILOR 20 30 40
(Y) MIL. LEI

a Scrieţi ecuaţiile modelului şi reprezentaţi-le

grafic;
b Aplicaţi MCMMP pentru calculul estimatorilor;
c Calculaţi valorile ajustate;
 d Testaţi parametrii cu ajutorul testului F
(distribuţia Fisher-Snedecor), cu pragul de
semnificaţie α = 0.05.

9. Managerii unei societãţi comerciale analizeazã relaţia

dintre veniturile obţinute funcţie de cheltuielile de
publicitate efectuate pentru promovarea produselor.
Directorul de marketing dispune de date referitoare la
veniturile şi cheltuielile de publicitate în perioada:
1997-2001, pe trimestre:

ANII T1 T2 T3 T4
1997 VENITURI 164 198 85 179
CHEL. PUBL. 34 36 32 29
1998 VENITURI 168 201 98 197
CHEL. PUBL. 45 67 76 75
1999 VENITURI 197 209 100 216
CHEL. PUBL. 75 78 72 75
2000 VENITURI 223 245 119 260
CHEL. PUBL. 78 81 84 83
2001 VENITURI 298 309 124 267
CHEL. PUBL. 89 82 81 83

a) Pentru estimarea parametrilor, directorul de

marketing utilizeazã relaţia:
V = a2 + a1 Publt + εt
Interpretaţi rezultatele obţinute.
b) Reprezentaţi seriile de venit şi cheltuieli de
publicitate. La ce concluzie se ajunge?
c) Specificaţi modelul adecvat.
10. Managerul unei firme solicitã efectuarea unor
previziuni asupra desfacerii de mărfuri în anul
urmãtor. Pentru realizarea situaţiei cerute, se
cunosc datele:

Anii Cheltuieli Vol. desfacerilor (y) Vol. desfacerilor

(x) recalculat (yc)
1 -2 9102 9382
2 -1 10509 10314
3 0 11474 11247
4 1 12266 12179
5 2 12887 13112

Calculaţi:
a) parametrii, ştiind cã modelul este de tip liniar
unifactorial;
b) dispersia şi abaterea medie pãtraticã;
c) coeficientul de variaţie.

11. Urmãtoarele date se referã la cererea de mere y (în

kg.) şi la preţul merelor x (în lei/kg) dispersate în 10
puncte de desfacere diferite de pe piaţã.

y 99 91 70 79 60 55 70 101 81 67

x 22 24 23 26 27 24 25 23 22 26

a) Verificaţi dacã ∑ y2 = 61.999, ∑ x2 = 5.884 şi

∑ xy = 18.563.
b) Presupunând: y = α + β x + ε obţineţi estimatorii
pentru α, β prin MCMMP.
c) Pe diagrama cu puncte desenaţi o curbã de regresie
(pentru y) dupã estimarea prin MCMMP.
 d) Estimaţi elasticitatea cererii de mere şi punctul unde
se gãseşte media pentru eşantionul de date (de fapt
când y = y şi x = x ).

12. Urmãtoarele date se referã la cererea de monedã M

(miliarde $) şi rata dobânzii R(%) din opt ţãri
diferite:

M 36 50 46 30 20 35 37 61
R 6,3 4,6 5,1 7,3 8,9 5,3 6,7 3,5

Σ m2 = 1124; Σ r2 = 203; Σ mr = -142, unde:

m = M − Mˆ
r = R − Rˆ
a) Considerând relaţia M = α+βR+ε, estimaţi
parametrii α,β folosind MCMMP.
b) Dacã a 9-a economie are rata dobânzii de R = 8,1,
previzionaţi cererea de bani a acestei economii.

13. Datele din tabelul urmãtor se referã la producţia Q şi

costul mediu pentru 6 firme:

Q 18 25 52 9 39 31
Cmediu 294 247 153 600 173 218

unde:

Σc 2 = 135103
∑ q2 =1170
∑ cq = -10247
 unde c şi q reprezintã abaterea de la medie. Folosiţi
datele pentru a estima parametrii ecuaţiei:

Cˆ = αˆ + βˆ ⋅ Q

14. Pentru stabilirea strategiei de vânzãri un agent

economic a analizat volumul desfacerilor (y) şi
nivelul cheltuielilor (x) exprimate în unitãţi
monetare, pe un interval de timp de 4 ani.
Rezultatele au fost:

Anii Niv. chelt. (x) Vol. desf. (y)

1 1 17003
2 2 18625
3 3 21552
4 4 23357

Estimaţi parametrii folosind MCMMP şi testaţi

validitatea modelului.

15. Un director de producţie de la o fabricã de

autoturisme a decis sã determine relaţia dintre
numãrul de greşeli constatate (yi) şi timpul de
verificare (xi), folosind modelul:
yi = a0 + a1xi + ui.
Pentru aceasta a testat 30 de automobile pe care le-a
grupat în 6 clase de 5 maşini şi a cerut şeful de turã
sã numere numãrul orelor de verificare.
 Rezultatele au fost:

Numãr de greşeli (yi) Timpul de

verificare în
ore (xi)
4 5 6 8 8 4
6 11 13 15 17 3,5
9 13 14 15 21 2
6 13 16 23 26 1,5
11 15 17 22 34 1
7 21 23 28 38 0,5
Se cere verificarea heteroscedasticitãţii, şi înlãturarea
acestui efect.

16. Datele de mai jos se referă la un eşantion de 13

magazine, eşantion extras dintr-o colectivitate de 40.
Variabilele se referă la:
- valoarea vânzărilor (în milioane lei);
- numărul de zile nelucrătoare dintr-o lună;
- numărul de angajaţi.

Nr.crt. Vânzări Zile Nr. angajaţi

1. 2 10 3
2. 5 10 4
3. 8 10 6
4. 3 7 1
5. 8 7 5
6. 5 10 6
7. 2 10 1
8. 6 10 5
9. 5 10 2
10. 10 6 8
11. 4 9 2
12. 2 10 2
13. 5 8 3
Total 65 117 47
 Se cere:
a) folosind reprezentarea grafică, elaboraţi modelul
de regresie, având în vedere ipoteza liniarităţii
dependenţei dintre vânzări, funcţie de numărul de
zile nelucrătoare dintr-o lună şi numărul de angajaţi.
b) estimarea parametrilor;
c) testaţi validitatea modelului;
d) prognoza şi inervalul de prognoză (α=0.05),
specificând condiţiile în care prognoza este
confirmată.

17. Cunoscându-se:
- funcţia utilităţii: U = y12 · y22 ;
- preţul bunurilor: P1 = 8 şi P2 = 16;
- venitul consumatorului: M = 600,
Se cere:
a) formulaţi modelul comportamentului
consumatorului;
b) calculaţi valorile optime ale cererii privind
bunurile y1;y2 pentru datele iniţiale.

18. Urmãtoarele date se referã la preţul (P) al unui

bun şi cantitatea (O) oferitã din acesta:

P 2 7 5 1 4 8 2 8

O 15 41 32 9 28 43 17 40

a) Estimaţi curba de regresie liniarã, asociatã

ofertei: O (P) = α + β P, prin MCMMP.
b) Estimaţi erorile standard ale lui α şi β;
c) Testaţi dacã preţul influenţeazã oferta;
d) Obţineţi un interval de încredere de 95% pentru
α. Comentaţi acest interval.
19. Se cunoaşte modelul neliniar de forma:
y = a0 + a1x + a2x2 + u,
unde: a0= 3.17; a1= -2.15; a2= 0.025.
Sã se calculeze randamentul extremal şi sã se
interpreteze rezultatul.

20. Evoluţia cheltuielilor destinate achiziţionãrii de

bunuri necesare unei familii în raport cu preţul
acestora şi venitul disponibil se prezintã astfel:

CANT. BUNURI (KG) 50 70 95

PRET (MII LEI) 500 1.500 2.500
VENIT (MIL. LEI) 15.000 20.000 40.000

Determinaţi coeficienţii de elasticitate, media

acestora şi interpretaţi rezultatele.

21. Pentru o societate comercialã ce produce cauciucuri,

se cunosc date referitoare la volumul desfacerilor (y)
şi veniturile obţinute (x) exprimate în miliarde lei, pe
o perioadã de 5 ani:

Anii Vol. desfacerilor (y) Venituri (x)

1 1820 2200
2 2100 2600
3 1530 2900
4 2450 3100
5 2575 3250

a) Sã se calculeze coeficienţii de elasticitate;

b) Cunoscând cã pentru t = 6, veniturile bãneşti
ale populaţiei vor creşte la 4400 mil. lei,
previzionaţi volumul desfacerilor pentru acest
interval.
22. În tabelul urmãtor se gãsesc date referitoare la
volumul vânzãrilor de articole electronice (y) ale
unei societãţi comerciale (exprimat în milioane lei)
pentru 6 intervale de timp (x):

x 1 2 3 4 5 6

y 0.90 0.98 1.02 1.04 1.1 1.12

a Scrieţi ecuaţiile modelului şi reprezentaţi grafic;

b Aplicaţi MCMMP pentru calculul estimatorilor;
c Calculaţi valorile ajustate;
d Testaţi parametrii cu ajutorul testului F
(distribuţia Fisher-Snedecor) cu pragul de
semnificaţie α = 0.05.

23. Se dã modelul liniar:

y = α1 + α2L + α3K + u,
unde: α1 = 3; α2 = 0,09; α3 = 0.16
Calculaţi norma de substituire şi
interpretaţi rezultatul.

24. Fie funcţia de producţie:

Q = A ·Kα ·Lß , cu α + ß = 1,
Prezentaţi:
1. interpretarea economică a coeficienţilor α , ß;
2. dacă ipoteza (α + ß = 1), nu este indeplinită, verificaţi
ipoteza nulă pentru alte situaţii: (α + ß < 1;α + ß> 1).

25. Datele obţinute în urma estimării econometrice au

fost:
y = 100 + 0.6 x,
n=20
R2 = 0.4
 Ftab, 0.05 = 4.41
Verificaţi în ce măsură este influenţată variabila
endogenă de cea exogenă.

IX. MODEL LINIAR UNIFACTORIAL

Analiza influenţei exercitate de numărul de angajaţi şi

numărul de zile nelucrate într-o lună asupra volumului
vânzărilor.

Datele de mai jos se referă la un eşantion de 13

magazine, eşantion extras dintr-o colectivitate de 40.
Variabilele se refera la:
® valoarea vânzărilor (în milioane lei );
® număr de zile în care nu s-a lucrat într-o lună;
® număr de angajaţi.
Extragerea magazinelor este realizată pe baza
pasului de numărare egal cu 3, începând de la magazinul
cu numărul curent 1.
 Nr.crt. Vanzari Zile Nr.angajati
1 2 10 3
4 5 10 4
7 8 10 6
10 3 7 1
13 8 7 5
16 5 10 6
19 2 10 1
22 6 10 5
25 5 10 2
28 10 6 8
31 4 9 2
34 2 10 2
37 5 8 3
Total 65 117 47

Cerinţe:
1. Pe baza reprezentării grafice, elaboraţi modelul de
regresie, având în vedere ipoteza liniarităţii
dependenţei dintre vânzări, numărul de zile nelucrate
şi numărul de angajaţi.
2. Estimarea parametrilor, utilizând relaţia matricială :
A=(X’X)-1 X’Y.
3. Testarea parametrilor prin diverse metode;
4. Prognoza şi intervalul de prognoză (α=0,05),
specificând condiţiile în care prognoza este
confirmată de realitate.
5. Interpretări şi comentarii.
1. Reprezentare grafică

Evoluţia vânzărilor în funcţie de numărul de

angajaţi

12

10

8
Vânzări

0
0 2 4 6 8 10 Vânzări
Nr.angajaţi

Graficele determină alegerea unui model de

regresie bifactorial liniar pentru a explica dependenţa
vânzărilor de numărul de angajaţi şi de numărul de zile
nelucrate. Modelul va avea forma:
y=a0+a1x+a2z+u, unde:
y - variabila dependentă: volumul vânzărilor;
x - variabila factorială: numărul de zile nelucrate;
z - variabila factorială: numărul de angajaţi;
a0, a1, a2 - estimaţii ale parametrilor modelului;
u - estimaţie a factorului aleator.

2. Estimarea parametrilor modelului:

Parametrii modelului vor fi estimaţi astfel încât

2
∑u sa fie minimă.
 Din condiţia ca ∑(yi-a0-a1xi-a2zi)2 sa fie minimă,
prin anularea derivatelor de ordinul I în raport cu a0, a1,
a2, rezulta sistemul:
-2 ∑ (yi-a0-a1xi-a2zi)=0
-2 ∑xi (yi-a0-a1xi-a2zi)=0
-2 ∑zi (yi-a0-a1xi-a2zi)=0

n a0 +a1 ∑xi + a2 ∑zi = ∑yi

a0 ∑xi+a1 ∑xi2 + a2 ∑xizi = ∑xiyi
a0 ∑zi+a1 ∑xizi + a2 ∑zi2 = ∑ziyi
Sistemul poate fi scris sub formă matricială astfel:
X’XA=X’Y , unde
1 x1 z1 1 1 ... 1
X= 1 x2 z2 X’= x1 x2 ... x13
................ z1 z2 ... z13
1 x13 z13
a1 y1
A= a2 Y= y2
M M
a13 y13
Soluţia sistemului va fi A=(X’X)-1 X’Y.
n ∑xi ∑zi ∑yi
2
X’X= ∑xi ∑xi ∑xizi X’Y= ∑xiyi
∑zi ∑xizi ∑zi2 ∑yizi
4.33 -0.411 -0.153 65
(X’X)-1= -0.411 0.0422 0.0087 X’Y= 563
-0.153 0.0087 0.0207 291
5.534
⇒ A= -0.425
0.977
Nr. crt. yi xi zi xi2 zi2 xizi xiyi ziyi
 1 2 10 3 100 9 30 20 6
4 5 10 4 100 16 40 50 20
7 8 10 6 100 36 60 80 48
10 3 7 1 49 1 7 21 3
13 8 7 5 49 25 35 56 40
16 5 10 5 100 25 50 50 25
19 2 10 1 100 1 10 20 2
22 6 10 5 100 25 50 60 30
25 5 10 2 100 4 20 50 10
28 10 6 8 36 64 48 60 80
31 4 9 2 81 4 18 36 8
34 2 10 2 100 4 20 20 4
37 5 8 3 64 9 24 40 15
Total 65 117 47 1079 223 412 563 291

Modelul liniar bifactorial are forma:

y=5,534-0,425x+0,977z.

3. Testarea modelului:

A. Testarea semnificatiei parametrilor estimati

folosind testul “t”.
Ipoteza nulă care se formulează este aceea că
parametrii estimaţi nu diferă semnificativ de 0, deci
modelul este invalid.
Având în vedere că mărimea eşantionului este mai
mică de 30, legea teoretică propusă pentru testarea
parametrilor este repartiţia Student - repartiţie folosită
pentru verificarea ipotezelor referitoare la mediile
populaţiilor normal repartizate.
Se calculează:
tcalc = aj / σaj , pentru j∈{1,2}.

Pentru cazul multifactorial,

 σaj = σ 2u d j+1+ j+1 , unde
∑(u-U)2 / (n-k) = ∑u2 / (n-k)
u = y - ϒ = marimea erorii
n = marimea esantionului
k = numarul de parametri ai modelului
dj+1 j+1 = elementele de pe pozitia (j+1, j+1) ale
diagonalei principale din matricea (X’X)-1.
u = ∑uj/n
σu2 = ∑(y-ϒ)2 / (n-k) = 1,3127
Y= ∑ yi / 13 =5
d22 = 0,0422
d33 = 0.0207
Nr. yi xi zi ϒi ui ui2 ϒi -Y (ϒi -Y)2
crt.
1 2 10 3 4.215 -2.215 4.90623 -0.785 0.616225
4 5 10 4 5.192 -0.192 0.03686 0.192 0.036864
7 8 10 6 7.146 0.854 0.72932 2.146 4.605316
10 3 7 1 3.536 -0.536 0.2873 -1.464 2.143296
13 8 7 5 7.444 0.556 0.30914 2.444 5.973136
16 5 10 5 6.169 -1.169 1.36656 1.169 1.366561
19 2 10 1 2.261 -0.261 0.06812 -2.739 7.502121
22 6 10 5 6.169 -0.169 0.02856 1.169 1.366561
25 5 10 2 3.238 1.762 3.10464 -1.762 3.104644
28 10 6 8 10.8 -0.8 0.64 5.8 33.64
31 4 9 2 3.663 0.337 0.11357 -1.337 1.787569
34 2 10 2 3.238 -1.238 1.53264 -1.762 3.104644
37 5 8 3 5.065 -0.065 0.00422 0.065 0.004225
Total 65 117 47 13.1272 65.25116

υ Pentru parametrul a1 :
σa1 = σ 2u d22 = 0,2353
tcalc = a1 / σa1 = 1,8057
 Valoarea calculată se compară cu valoarea
tabelată corespunzătoare pragului de semnificaţie α =
0,05 (care este probabilitatea de a comite eroarea de a
respinge ipoteza în timp ce ea este adevarată) şi (n-k) =10
grade de libertate: t tab = 2,228. Deoarece valoarea t calc
se afla în zona admisibilă: t calc < t tab , ipoteza nulă este
acceptată, ceea ce înseamnă că parametrul estimat a1 este
nesemnificativ.

υ Pentru parametrul a2 :
σa2 = σ 2u d 33 = 0,1648
tcalc = a2 / σa2 = 5,9269
Valoarea calculată este mai mare decât valoarea
tabelată pentru un prag de semnificaţie 0,05 şi 10 grade
de libertate, ceea ce înseamnă că ipoteza nulă este
infirmată: se acceptă deci ipoteza alternativă, aceea că
parametrul a2 diferă semnificativ de 0, deci factorul de
influenţă “numărul de angajaţi” este determinant pentru
evoluţia variabilei efect - evoluţia vânzărilor.

B. Testarea semnificaţiei globale a modelului cu

testul “F”

Ipoteza nulă stabileşte că dispersia valorilor

variabilei efect datorată factorilor (număr de zile
nelucrate şi număr de angajaţi) nu diferă de dispersia
datorată întâmplării: σ2x = σ2u .
Testul F se bazează pe statistica F, care are o
repartiţie Snedecor cu (k-1) şi (n-k) grade de libertate.
 Se calculează:
∑ (γ − Y ) / (k − 1) ∑ (γ − Y ) / (k − 1)
2 2
σ 2x
Fcalc = = = =
σ u ∑ (u − U )2 / (n − k )
2
∑ u / (n − k )
2

∑ (γ − Y ) / (k − 1)
2
=
∑ (y − γ ) / (n − k )
2

unde, n = mărimea eşantionului;

k = numărul de parametri;
U= ∑ ui / n = 0.

⇒F calc = 24,8538
Regiunea critică pentru testul F este F calc >F tab ,
unde F tab se citeşte din tabel pentru f1 = (k-1) = 2 şi f2 =
(n-k) = 13-3 = 10 grade de libertate şi pragul de
semnificaţie α=0,05. Deoarece F calc >F tab = 4,10 , ipoteza
nulă este respinsă, deci parametrii sunt semnificativi,
factorii de influenţă sunt determinanţi pentru evoluţia
variabilei efect, iar funcţia este bine aleasă.
Pentru caracterizarea legăturii dintre variabila
endogenă şi variabilele exogene se calculează şi
coeficientul de determinaţie:
R2 = ∑ (ϒ-Y)2/ ∑ (yi-Y)2 = 0,86
Deoarece R2 < 0,9 , factorii aleşi nu influenţează
într-o mare măsură variabila efect - valoarea vânzărilor
lunare.

C. Teste privind confirmarea ipotezelor metodei

celor mai mici pătrate (MCMMP)

1. Verificarea ipotezei de necorelare a factorilor

Rezultatele estimării prin metoda celor mai mici
pătrate sunt afectate în sens negativ dacă între variabilele
factoriale există coliniaritate, adică acestea evoluează
analog şi nu influenţează doar efectul y, ci ele se
determină reciproc. O informaţie cu privire la existenţa
legăturii între varibilele factoriale x şi z poate fi obţinută
din grafic:
Nr.angajaţi

12
10
Nr.angajaţi

8
6 Nr.angajati

4
2
0
0 5 10 15
Nr.zile

Graficul nu indică existenţa unei legături între

numărul de zile nelucrate şi numărul de angajaţi.
Aceasta se poate verifica şi cu ajutorul coeficientului de
corelaţie:
rxz = ∑ (xi-X) (zi-Z) / nσxσz
unde X = ∑ xi / n şi Z = ∑ zi / n
σ x = ∑ (x i − X ) / n = 2,4178
2

σ z = ∑ (z i − Z) / n = 1,4142 σz
2

⇒ rxz = -0,45 ⇒⏐ rxz ⏐< 0,6 ⇒ nu există corelaţie

între factori.
 x z z-Z x-X (x-X)(z-Z) (z-Z)2 (x-X)2
10 2 -3 1 -3 9 1
10 5 0 1 0 0 1
10 8 3 1 3 9 1
7 3 -2 -2 4 4 4
7 8 3 -2 -6 9 4
10 5 0 1 0 0 1
10 2 -3 1 -3 9 1
10 6 1 1 1 1 1
10 5 0 1 0 0 1
6 10 5 -3 -15 25 9
9 4 -1 0 0 1 0
10 2 -3 1 -3 9 1
8 5 0 -1 0 0 1
-22 76 26

Dacă se consideră că variabila z depinde de

variabila x printr-o funcţie liniară, se obţine un model de
forma: z=12,615-0,846x , cu un coeficient de determinaţie
egal cu 0,245; acesta indică o legatură foarte slabă între
cele două variabile şi este cu mult inferior coeficientului
de determinaţie rezultat din dependenţa variabilei y de
cei doi factori aleşi.
Deci ipoteza coliniarităţii factorilor se respinge.

4.a. Verificarea ipotezei de omogenitate a erorilor

Pentru a verifica homoskedasticitatea erorilor se

va efectua testul F, care porneşte de la ipoteza că
dispersiile erorilor din cele două grupe care se vor forma
nu diferă semnificativ. Grupele, de dimensiuni egale, se
vor forma prin segmentarea colectivităţii (după
eliminarea valorii din mijloc) ordonate dupa valorile
fiecărei variabile factoriale.
 - Pentru factorul x, dispersiile celor două grupe
sunt calculate în tabelele:
y x ϒ u u-U (u-U)2
10 6 10.8 -0.8 -0.34617 0.119831
3 7 3.536 -0.536 -0.08217 0.006751
8 7 7.444 0.556 1.009833 1.019763
5 8 5.065 -0.065 0.388833 0.151191
4 9 3.663 0.337 0.790833 0.625417
2 10 4.215 -2.215 -1.76117 3.101708
Total -2.723 5.024663

σA2 = ∑( u-U)2 / (6-1) = 1,00492

y x ϒ u u-U (u-U)2
5 10 5.192 -0.192 -0.3295 0.10857
8 10 7.146 0.854 0.7165 0.513372
5 10 6.169 -1.169 -1.3065 1.706942
2 10 2.261 -0.261 -0.3985 0.158802
6 10 6.169 -0.169 -0.3065 0.093942
5 10 3.238 1.762 1.6245 2.639
Total 0.825 5.22063

σB2 = ∑( u-U)2 / (6-1) = 1,04412

F calc = σA2 / σB2 = 1,039

Valoarea calculată se compară cu valoarea tabelată

pentru pragul de semnificaţie α=0,05 , f1= (6-2) = 4 şi f2 =
(6-2) = 4 grade de libertate: F tab = 6,39. Deoarece valoarea
calculată este mai mică decât valoarea tabelată, se acceptă
ipoteza homoskedasticităţii erorilor şi independenţa lor de
factorul x.
 Pentru a ilustra independenţa erorii de factorul x se
poate recurge şi la ilustrarea grafică:

Repezentarea erorii în funcţie de

factorul x

2
1,5
1
0,5
0
U

-0,5 0 5 10 15

-1
-1,5
-2
-2,5
X

- Pentru factorul z, dispersiile celor două grupe formate

sunt calculate în tabelele:

y z ϒ u u-U (u-U)2
3 1 3.536 -0.536 -0.1775 0.031506
2 1 2.261 -0.261 0.0975 0.009506
5 2 3.238 1.762 2.1205 4.49652
4 2 3.663 0.337 0.6955 0.48372
2 2 3.238 -1.238 -0.8795 0.77352
2 3 4.215 -2.215 -1.8565 3.446592
Total -2.151 9.241366

σA2 = ∑( u-U)2 / 6-1 = 1,848

 y z ϒ u u-U (u-U)2
5 4 5 -0.192 -0.03867 0.001495
8 5 7 0.556 0.709333 0.503154
5 5 6.169 -1.169 -1.01567 1.031579
6 5 6.169 -0.169 -0.01567 0.000245
8 6 7.146 0.854 1.007333 1.01472
10 8 10.8 -0.8 -0.64667 0.418178

σB2 = ∑( u-U)2 / (6-1) = 0,5938

F calc = σA2 / σB2 = 3,112

Deoarece valoarea calculată este mai mică decât cea

tabelată (Ftab = 6,39), ipoteza homoskedasticităţii este
confirmată, deoarece dispersiile celor două grupe nu diferă
semnificativ.
Inexistenţa legăturii dintre eroare şi valorile
factorului z poate fi ilustrată şi grafic:
 Reprezentarea erorii în funcţie de factorul z

4.b. Verificarea ipotezei de neautocorelare a erorii

Pentru verificarea acestei ipoteze, testul Durbin-

Watson necesită calcularea valorii:

d = ∑ (ut+1-ut)2 / ∑ut2

yi yi ui ui2 ui+1-ui (ui+1-ui)2

2 4.215 -2.215 4.906225 2.023 4.092529
5 5.192 -0.192 0.036864 1.046 1.094116
8 7.146 0.854 0.729316 -1.39 1.9321
3 3.536 -0.536 0.287296 1.092 1.192464
8 7.444 0.556 0.309136 -1.725 2.975625
5 6.169 -1.169 1.366561 0.908 0.824464
2 2.261 -0.261 0.068121 0.092 0.008464
6 6.169 -0.169 0.028561 1.931 3.728761
 yi yi ui ui2 ui+1-ui (ui+1-ui)2
5 3.238 1.762 3.104644 -2.562 6.563844
10 10.8 -0.8 0.64 1.137 1.292769
4 3.663 0.337 0.113569 -1.575 2.480625
2 3.238 -1.238 1.532644 1.173 1.375929
5 5.065 -0.065 0.004225
Total 13.12716 27.56169

⇒ d = 2,0996.
Deoarece valoarea lui d este apropiată de 2,
coeficientul de corelaţie este apropiat de 0, deci erorile nu
sunt autocorelate.

4. Testul Jaque - Bera pentru verificarea ipotezei

ca erorile urmează o distribuţie normală de medie 0.
Testul necesită calcularea valorii
JB= n [S2/6 + (K-3)2/24], unde S = coeficientul de
asimetrie.
K = coeficientul de aplatizare S = (U-Mo) / σu ,
unde Mo - valoarea modală
U - media erorilor u
K = µ4 / (σu2)2,
unde µ4 - momentul centrat de ordinul 4:
µ4 = ∑ (u-U)4 / n.
Mo=-0,192
U=∑ u / 13 = -0,241
σu = ∑ (u-U)2 / n = 0,9516 ⇒ σu = 0,975
2

µ4 = ∑ (u-U)4 / n = 2,697
⇒S = (-0,241+0,192)/0,975 = 0,05
⇒K = 2,697 / 0,91 = 2,964
JB = 0,006162

ui ui-U (ui -U)2 (ui -U)4

-2.215 -1.97377 3.895765 15.17698
-0.192 0.049231 0.002424 5.87E-06
0.854 1.095231 1.19953 1.438873
-0.536 -0.29477 0.086889 0.00755
0.556 0.797231 0.635577 0.403958
-1.169 -0.92777 0.860756 0.7409
-0.261 -0.01977 0.000391 1.53E-07
-0.169 0.072231 0.005217 2.72E-05
1.762 2.003231 4.012934 16.10364
-0.8 -0.55877 0.312223 0.097483
0.337 0.578231 0.334351 0.11179
-1.238 -0.99677 0.993549 0.987139
-0.065 0.176231 0.031057 0.000965
Total 12.37066 35.06931

În tabelul repartiţiei χ 2 , pentru 2 grade de

libertate, se caută valoarea cea mai apropiată de cea
obţinută şi se găseşte valoarea 0,21 , corespunzătoare
pragului de semnificaţie α=0,9; deoarece 1-α=0,1 < 0,6,
ipoteza distribuţiei normale a erorilor este infirmată.

4.c. Prognoza şi intervalul de prognoză.

Pornind de la modelul dedus pe baza datelor din

eşantion:
y = 5,534-0,425x+0,977z, se doreşte estimarea volumului
vânzărilor pentru valori estimate ale factorilor, anume:
x= 5 zile nelucrate lunar
z = 7 angajaţi
⇒ y* = 5,534-0,425*5+0,977*7 = 10,248 milioane lei.
 Previziunea obţinută nu este nici certă, nici
punctiformă; ea permite stabilirea unui interval în care
se va situa nivelul viitor al variabilei y, cu o probabilitate
data de pragul de semnificaţie α=0,05. Intervalul este dat
de relaţiile:
(ϒ* - tα/2 σ) ≤ y*≤ (ϒ* - tα/2 σ) , unde:
ϒ* - valoarea prognozată pe baza modelului;
y* - adevarata valoare viitoare;
t - valoarea tabelată pentru repartiţia Student,
pentru (n-k)=10 grade de libertate: t = 2,76
Pentru cazul bifactorial, împrăştierea valorii
previzionate este:
σ γ* = σ 2u [1 + 1 / n + (ℵ0 − ℵ)' (ℵ'ℵ) − 1 /(ℵ0 − ℵ)] , unde
ℵ0 - vectorul valorilor preconizate pentru factori;
ℵ - vectorul mediilor factorilor;
ℵ - matricea valorilor factorilor ce nu include
coloana formată din elemente 1.

⇒ ℵ‘ℵ = 1079 412 ⇒ (ℵ‘ℵ)-1 = 0,003146 -0,00581

412 223 -0,00581 0,015224

⇒ σϒ* = 1,296

Valoarea adevarată a volumului vânzărilor se va

încadra în intervalul
(10,248-2,76*1,296 ; 10,248+2,76*1,296) - deci va fi
cuprinsă între 6,684 şi 13,825 cu o probabilitate de 0,95.

5. Interpretarea rezultatelor

Graficele care ilustrează variaţia variabilei

endogene - volumul vânzărilor - de fiecare din variabilele
cauzale indică o dependenţă directă a vânzărilor faţă de
numărul de angajaţi şi o legătură inversă între vânzări şi
numărul de zile nelucrate. Aceste grafice dau şi primele
informaţii cu privire la parametri modelului:
• a1 - coeficientul variabilei x (numărul de zile
nelucrate) - va fi negativ, panta dreptei în jurul căreia
se concentrează punctele fiind negativă ;
• a2 - coeficientul variabilei y (numărul de angajaţi) -
va fi pozitiv, panta dreptei în jurul căreia se
concentrează punctele fiind pozitivă.
Tot din grafice se poate deduce liniaritatea
legăturii dintre variabila efect şi variabilele cauzale.
Parametrii estimaţi separă influenţa exercitată de
fiecare factor asupra variabilei dependente, în condiţiile
constantei celorlalţi factori. Astfel:
• parametrul a1 indică faptul că, la o creştere cu o zi
a numărului de zile nelucrate într-o lună, în
condiţiile în care numărul de angajaţi rămâne
acelaşi, vânzările vor scădea cu 0,425 milioane lei;
• parametrul a2 indică faptul că, la o creştere cu 1
persoană a numărului de angajaţi, în condiţiile în
care numărul de zile nelucrate într-o lună rămâne
acelaşi, vânzările lunare vor creşte cu 0,977
milioane lei.
Aceste consideraţii au rezultat din analiza
efectuată doar asupra unui eşantion de 13 observaţii şi
sunt folosite pentru caracterizarea întregii colectivităţi.
Datorită faptului că ne bazăm pe ipoteza că estimaţiile
urmează o repartiţie normală în jurul valorii adevărate,
modelul obţinut trebuie testat. Testul “t” a condus la
următoarele concluzii asupra semnificaţiei parametrilor
estimaţi:
• parametrul a1 estimat este nesemnificativ, fiind
foarte apropiat de 0, deci factorul “numărul de zile
 nelucrate într-o luna” nu a fost bine ales ca factor de
influenţă a variabilei “volumul vânzărilor”;
• parametrul a2 este semnificativ, deci factorul
“numărul de angajaţi” exercită o influenţă
determinantă asupra vânzărilor lunare.
În urmă testării semnificaţiei globale a modelului
cu testul “F”, a rezultat că modelul este valid, deoarece
parametrii sunt semnificativi pentru model, iar funcţia a
fost bine aleasă; coeficientul de determinaţie al modelului
indică faptul că o parte destul de mare din variaţia
variabilei endogene faţă de medie este explicată prin
model, iar o mică parte se datorează factorilor aleatori,
însa acest coeficient nu are o valoare convingătoare
pentru a caracteriza o legatură strânsă între variabila
dependenta şi variabilele factoriale.
Concluziile referitoare la estimaţiile parametrilor
sunt valabile doar dacă ipotezele metodei celor mai mici
pătrate sunt respectate. Pentru a verifica acest lucru, se
impun o serie de teste, cu privire la confirmarea:

1. Ipoteze referitoare la variabilele factoriale:

® Datele cu care se lucrează sunt presupuse a fi corecte,
complete, omogene (vânzări exprimate în preţuri
comparabile), în număr aproape suficient pentru o
estimaţie verosimilă;
® Valorile factorilor prezintă variabilitate;
® Ipoteza ca factorii să nu fie corelaţi între ei, să nu
evolueze analog şi să exercite influenţa doar asupra
variabilei dependente este confirmată de:
graficul ce reprezintă o variabilă cauzală în
funcţie de cealaltă;
raportul de corelaţie are o valoare sub 0,6 (în
modul);
 valoarea superioară a coeficientului de
determinaţie al modelului analizat faţă de
determinaţia modelului ce presupune dependenţa
unei variabile factoriale de cealaltă.
2. Ipoteze referitoare la variabila de perturba:ie:
® Testul Jaque-Bera infirmă ipoteza distribuţiei
normale a variabilei de perturbaţie, posibile cauze
putând fi numârul redus de date sau imperfecţiunile
modelului (factorul “numărul de zile nelucrate” nu
este prea semnificativ); un efect al acestui fapt ar fi
nerelevanţa testelor, care nu mai prezintă încredere.
® Ipoteza homoskedasticităţii erorii, adică a
împrăştierii uniforme pe diverse secvenţe, este
confirmată de testul F, deci eroarea este independenta
de ambii factori.
® Ipoteza neautocorelarii eroii este confirmată de testul
Durbin-Watson ( nici factorii nu erau corelaţi) ,
eficienta estimaţiilor parametrilor nu este afectată din
acest punct de vedere.
În condiţiile în care s-a stabilit ca modelul este
valid şi estimaţiile au fost verificate, ca ipotezele metodei
celor mai mici pătrate au fost în mare parte respectate,
modelul poate fi folosit pentru prognoză. Astfel, în
condiţiile în care , în viitor, numărul de angajaţi va fi 7,
iar în luna respectivă numarul de zile nelucrate va fi de 5,
se estimeaza ca volumul vânzărilor va fi cuprins între
6,684 şi 13,825 cu o probabilitate de 0,95. Intervalul este
destul de mare datorită volumului mic de date care a fost
folosit pentru estimarea parametrilor modelului.
prognoza este însă realistă în condiţiile în care:
∗ valorile preconizate pentru factori au fost anticipate
corect, prezumţiile asupra evoluţiei factorilor sunt
realiste;
∗ relaţia de dependenţă se menţine şi în viitor în aceeaşi
formă, parametrii estimaţi rămân aceiaşi,
neintervenind alţi factori importanţi care să modifice
modelul.

X. CONTRIBUŢIILE UNUI LAUREAT NOBEL LA

DEZVOLTAREA ECONOMETRIEI

Prezentaţi omul, viaţa şi contribuţiile unui laureat

Nobel la dezvoltarea econometriei.

XI. PREMIUL NOBEL ÎN ECONOMIE – 2003

Premiul Nobel pentru economie a fost decernat în

2003 americanului Robert F. Engle şi britanicului Clive
W. J. Granger. Potrivit Academiei Regale a Ştiinţelor de
la Stockholm, ambii savanţi au fost recompensaţi pentru
cercetările efectuate în domeniul statisticii economice. În
practică, rezultatele cercetărilor celor doi oameni de
ştiinţă slujesc, între altele, la evaluarea riscurilor
bursiere şi la stabilirea unui echilibru între cursul de
schimb al monedelor şi nivelul preţurilor. Premiul
corespunde sumei de 10.000.000 de coroane suedeze,
reprezentând 1,1 milioane de euro.
 Robert F. Engle
New York University
New York, NY, USA
n. 1942

Robert Engle R. Engle este profesor de managementul

serviciilor financiare. Este membru al Academiei
Americane de Artă şi Ştiinţe, al Societăţii de econometrie
şi al Asociaţiei Americane de Statistică.

Principalele lucrări sunt:

• "Autoregressive Conditional Heteroskedasticity
With Estimates of the Variance of U.K. Inflation,"
Econometrica 50 (1982): 987-1008.
• "Estimation of Time Varying Risk Premia in the
Term Structure: the ARCH-M Model," (with
David Lilien and Russell Robins), Econometrica
55 (1987): 391-407.
• "Co-integration and Error Correction:
Representation, Estimation and Testing," (with
C.W.J. Granger), Econometrica 55 (1987): 251-
276.
• "Semi-parametric estimates of the relation
between weather and electricity demand," (with
C.W.J. Granger, J. Rice and A. Weiss), Journal of
American Statistical Association 81 (1986): 310-
320.
• "Exogeneity," (with David F. Hendry and Jean-
Francois Richard), Econometrica 51 (1983): 277-
304.
• "Asset Pricing with a Factor ARCH Covariance
Structure: Empirical Estimates for Treasury
Bills," (with V. Ng, and M. Rothschild) Journal of
Econometrics 45 (1990): 213-237.
• "Testing for Common Features," (with S.
Kozicki), Journal of Business and Economic
Statistics 11 (1993): 369 - 380.
• “Autoregressive Conditional Duration: A New
Model for Irregularly Spaced Transaction Data,”
Econometrica (1998) 66: 1127-1162.
• “The Econometrics of Ultra High Frequency
Data,” Econometrica, (2000) 68: 1-22.
• “Dynamic Conditional Correlation - A Simple
Class of Multivariate GARCH Models, Journal of
Business and Economic Statistics (July 2002), V20N3
 Clive W. J. Granger
University of California
San Diego, CA, USA
n. 1934

Clive Granger este profesor emerit de econometrie la

Universitatea California din San Diego.

Principalele lucrări sunt:

• Spectral Analysis if Economic Time Series (with
M. Hatanara), Princeston University, 1954
• Forecasting Economic Time Series (with P.
Newbold). Academic Press, 1977
• Modeling Nonlinear Dynamic Relationships (with
T. Terasvirta), Oxford University Press, 1993
• „Developments in the Study of Cointeraction
Economic Variables.” Oxford Buletin of
Economics and Statistics, 48, 1986
• „Testing for Causality and Feedback.”,
Econometrica, 37, 1989
 Metode statistice pentru serii de timp economice.

În estimarea relaţiilor, realizarea previziunilor şi

testarea legăturilor din teoria economică, cercetătorii
utilizează date sub forma seriilor de timp – succesiuni
cronologice de observaţii – pentru studiul variabilelor
macroeconomice. Consumul într-o economie poate astfel
depinde de venitul din muncă şi bogaţie, de ratele
interesului real, de distribuţia pe vârste a populaţiei, etc.
Cel mai simplu exemplu posibil pentru o asemenea
relaţie este o expresie statistică, liniară cu două
variabile :

γt= α + βxt + et

Conform acestei ecuaţii, variabila γt (de exemplu,

consumul în sferturi de timp) depinde de variabila xt (de
exemplu, venitul din aceeaşi perioadă). În sfârşit,
valoarea reziduală – eroarea, termenul et, reprezintă
variaţia variabilei γt care nu poate fi explicată de model.
Prin explicitarea seriilor de timp pentru variabilele γt şi
xt parametrii α şi β pot fi estimaţi cu ajutorul metodelor
statistice (cunoscute ca analiza regresiilor). Concluziile
valide presupun ca metodele sunt bine adaptate
proprietăţilor specifice ale seriilor de timp. Laureaţii de
anul acesta au dezvoltat metode care au două proprietăţi
de bază a multor serii de timp economice :
nonstaţionaritatea şi volatilitatea variaţiei de timp.

Caracteristici ale Seriilor Financiare

Gestiunea riscului portofoliilor de investiţii a

condus la necesitatea de a se încerca modelarea sa. În
particular, s-a investigat modul în care poate fi modelată
dispersia condiţională. Numim prin dispersie
condiţională dispersia unei serii de date care nu are o
evoluţie uniformă pe tot intervalul. Practic, acest
fenomen poartă numele în econometrie de
heteroskedasticitate şi reprezintă o încălcare a
supoziţiilor care stau la baza metodei celor mai mici
pătrate, respectiv cea de homoskedasticitate. În fapt
există numeroase lucrări în care sunt dezbătute
caracteristicile evoluţiei în timp a randamentelor. Marea
parte a studiilor surprind faptul că dispersia variază ca
amplitudine în timp.
Adeseori în practică, seriile financiare se dovedesc
a nu urma o distribuţie normală. Seriile sunt mai
degrabă leptocurtice, adică există o abatere largă a
valorilor extreme de la media lor. Aceasta înseamnă că
dacă valoarea normală a indicelui Kurtosis (cel care
arată cât de „îngroşate sunt extremităţile” sau cât de mult
se abat valorile maxime şi minime de la media lor) este 3,
în seriile finaciare indicatorul ia valori mult mai mari
(vom vedea acest lucru în exemplul practic propus). De
asemenea, seriile financiare tind să fie asimetrice. Aceasta
înseamnă că valoarea indicelui Skewness (care suprinde
simetria sau asimetria unei serii) ia valori diferite de
zero.

Seriile financiare mai prezintă 2 probleme

deosebit de importante:
1. corelaţie serială regasită în reziduuri;
2. heteroskedasticitate, adică evoluţia neuniforma a
dispersiei respectivei serii de-a lungul perioadei de
timp analizate.
 Nonstaţionaritatea, trenduri comune şi
interdependente

Multe serii de timp macroeconomice sunt

nestaţionare: o variabilă, precum PGB, deşi urmează un
trend pe termen lung , există perturbaţii temporare care
îi afectează nivelul său pe termen lung. În contrast cu
seriile de timp staţionare, seriile nestaţionare nu dau
dovadă de nici o tendinţă clară de reîntoarcere la o
valoare sau un trend constant. În figura 1 sunt ilustrate
două exemple de astfel de serii de timp. Curbele frânte cu
variaţii mici sau mari reprezintă rata de schimb între
yenul japonez şi dolarul american, pentru fiecare lună
din 1970. Curba mai lină reprezintă nivelul preţului de
consum în Japonia în relaţie cu cel din Statele Unite în
aceeaşi perioadă.

Figura 1

Capcane (greşeli) statistice

Mult timp, în ciuda faptului că seriile cronologice

ale datelor macroeconomice nu erau staţionare,
cercetătorii au apelat doar la metodele standard
dezvoltate pentru date staţionare. În 1974, Clive Granger
(împreună cu colegul său Paul Newbold) a demonstrat că
estimarea relaţiilor dintre variabilele nestaţionare
conduc la rezultate fără sens prin indicarea eronată a
unor legături semnificative între variabile total
necorelate. În ecuaţia de mai sus, problema apare dacă
eroarea întâmplătoare et este nestaţionară. Un test
standard poate atunci indica că β este diferit de 0, chiar
dacă valoarea reală este 0.
Greşelile statistice pot deasemenea să conducă la
rezultate greşite chiar şi în cazurile în care există o relaţie
de dependenţă. În cazurile particulare, este dificil de
distins între legăturile temporare şi cele permanente
dintre seriile de timp nestaţionare. De exemplu, teoria
economică postulează că pe termen lung, o rată de
schimb mai puternica ar trebui asociată cu o încetinire a
creşterii preţurilor pentru ca exprimate în moneda
curentă nu pot devia prea mult de la o valoare la alta. O
asemenea tendinţa este reliefată în Figura 1, unde yenul
devine mai puternic în timp în raport cu dolarul, în timp
ce nivelul preţurilor în Statele Unite sunt corelate cu
nivelul preţurilor din Japonia. Pe termen scurt, totuşi,
aşteptările şi mişcarea capitalurilor au un asemenea efect
asupra ratei de schimb căci metodele standard pot fi
inadecvate pentru estimarea preţurilor pentru corelatiile
pe termen lung.
O metodă comună de rezolvare a problemei
nestaţionarităţii datelor a fost specificarea modelelor
statistice ca relaţii între diferite rate ale creşterii. În
schimbul utilizării ratei de schimb şi a nivelului relativ al
preţurilor, una va estima relaţia dintre deprecierea
monedei şi inflaţia relativă. Dacă ratele de creştere sunt
într-adevăr staţionare, metodele tradiţionale furnizează
rezultate valide. Dar chiar dacă un model statistic bazat
doar pe diferiţi termeni poate surprinde dinamica pe
termen scurt a unui proces, el are mai puţin de spus
despre covarianţa variabilelor pe termen lung. Aceasta
este din păcate pentru ca teoria economică este adesea
formulată în termeni de nivele şi nu de diferenţe.
Datorită proprietăţilor de nestaţionare a datelor,
găsirea metodelor care pot descoperi potenţialele legături
pe termen lung ascunse de fluctuaţiile pe termen scurt
devine o provocare. Munca lui Clive Granger a generat o
astfel de metodologie pentru analiza statistică.

Contribuţia lui Granger

În lucrarea publicată în timpul anilor ’80,

Granger a dezvoltat concepte şi metode analitice care
combină perspectivele pe termen scurt cu cele pe termen
lung. Cheia acestor metode, şi a inferenţelor statistice
valide, este descoperirea făcută de el ca o combinaţie
specifică de două (sau mai multe) serii nestaţionare poate
fi staţionară. Teoria economică face adesea exact astfel
de predicţii: dacă există o relaţie de echilibru între două
variabile economice, ele pot deriva dintr-un echilibru pe
termen scurt, dar vor influenţa echilibrul pe termen mai
lung. De exemplu, teoria clasică previzionează un
echilibru pe termen lung al ratei de schimb, în care
nivelul preţurilor exprimat într-o moneda unică sunt la
paritate între ele. Granger a combătut termenul de
cointegrare pentru variabilele staţionare combinate cu
cele nestaţionare.
Granger a demonstrat deasemenea că dinamica
legăturilor dintre variabilele cointegrate poate fi
exprimată într-un aşa numit model de corecţie a erorii.
Un asemenea model este nu numai statistic rezonabil, dar
i se poate desemenea da o interpretare plină de sens
economic. De exemplu, dinamica ratelor de schimb şi cea
a preţurilor sunt determinate de doi factori simultani: o
tendinţă fină de deviere de la echilibrul pe termen lung al
ratelor de schimb şi a fluctuaţiilor pe termen scurt în
jurul aproximării drumului între echilibrul pe termen
lug şi scurt.
Conceptul de corelare n-ar fi devenit folositor în
practică puterea metodelor statistice de estimare şi
testare a ipotezelor. Clive Granger şi Robert Engle au
introdus astfel de metode într-un remarcabil articol
influent publicat în 1987. În acest articol ei au prezentat
testarea ipotezei în care un număr de variabile
nestaţionare nu sunt corelate folosind metoda în doi paşi
de estimare a corectării erorilor. Metodele îmbunătăţite,
care au devenit acum un standard au fost mai târziu
dezvoltate de Soren Johansen.
În lucrarea sa şi în colaborările cu alţi
cercetători, Granger a extins analiza corelaţiilor la câteva
cazuri particulare, incluzând abilitatea de a studia cu
succes serii cu corelare sezonieră şi serii în care ajustarea
pentru ajungerea la echilibru nu apare până când
variaţia depăşeşte valoarea critică.

Aplicaţii

Clive Granger a modificat metoda prin care

economiştii studiază seriile de timp (cronologice). Astăzi,
teste pentru staţionaritate şi de corelare au devenit o
rutină, un pas înainte către specificarea modelelor
econometrice dinamice. În analiza corelaţiile s-au dovedit
a fi perturbate, însă variaţiile pe termen lung sunt
correlate simultan de relaţiile echilibrului economic. Un
exemplu concludent ar putea fi relaţia dintre ratele de
schimb şi nivelul preţurilor. Alte exemple ar putea fi
reprezentate de relaţia dintre consum şi venit sau cea
dintre dividente şi preţul acţiunilor.
Azi, se realizează curent teste de stabilitate şi
interdependenţă ca o etapă în construirea modelelor
econometrice dinamice. Analiza interdependenţelor s-a
dovedit a fi foarte valoroasă în sistemele în care dinamica
pe termen scurt e afectată de perturbaţii mari aleatoare,
în timp ce variaţiile pe termen lung sunt supuse relaţiilor
de echilibru economic. Exemplu: relaţia dintre ratele de
schimb şi nivelul preţurilor sau relaţia dintre consum şi
avere (care trebuie să fie consistente una cu alta pe
termen lung, deşi consumul are o evoluţie mult mai lină).

ARCH, GARCH şi modelarea volatilităţii

Evaluarea riscului este baza activăţatii de pe

pieţele financiare. Investitorii compaăa veniturile
aşteptate de la un activ financiar cu riscul său. Băncile şi
alte instituţii financiare ar dori să se asigure că volumul
bunurilor deţinute nu va scădea sub un anumit nivel
minim ce le-ar expune la insolvabilitate. Astfel de
evaluări nu pot fi făcute fără a măsura volatilitatea
veniturilor. Engle a dezvoltat metode îmbunătăţite
pentru astfel de evaluări.
Modelele GARCH sunt proiectate tocmai pentru a
modela seriile economice cronologice. Denumirea
GARCH reprezintă:
o G – generalizat;
o AR – autoregresiv;
o C – condţtional;
o H – heteroscedasticitate.
 Primul model a fost realizat de către Robert
Engle în 1982. În fapt, acesta a fost un model ARCH.
Modelul cuprinde o ecuaţie pentru medie şi una pentru
dispersie, respectiv:
y t = γxt + ε t
σ t2 = ω + αε t2−1 + βσ t2−1

unde:
yt – variabila dependentă în perioada curentă;
xt – variabila independentă în perioada curentă;
γ - coeficient care arată influenţa variabilei independente
asupra variabilei dependente;
εt – termenii reziduali în perioada curentă;
σ t2 - dispersia variabilei dependente în perioada curentă;
ω - constanta ecuaţiei dispersiei;
α - coeficientul “ARCH”;
εt-1 – termenii reziduali din perioada precedentă;
σ t2−1 - dispersia variabilei dependente în perioada precedentă;
β - coeficientul “GARCH”.

Modelul descris mai sus este în fapt modelul

GARCH (1,1) în care primul număr arată că asupra
dispersiei acţionează termeni reziduali din perioada
precedentă, iar cel de-al doilea număr arată că dispersia
din perioada precedentă are influenţa asupra dispersiei
curente. În fapt, pentru serii foarte mari, modelul
GARCH (1.1) poate fi generalizat la modelul GARCH
(p,q)1.
1
O interesanta prezentare a modelelor GARCH se regaseste în publicaţia
“The econometrics of financial economics”, avandu-i ca autori pe John
Campbell, Andrew Lo şi Craig MacKinley, aparută în 1997 la editura
Princeton University Press, pag. 479-490
 Modelul este utilizat cu succes în studiile de
volatilitate. Spre deosebire de metoda celor mai mici
pătrate, modelul GARCH include în ecuaţia să atât
termenii de eroare (adesea denumiţi „şocuri”) cât şi
fenomenul de heteroskedasticitate. De asemenea este util
în cazul în care seriile nu sunt distribuite normal, ci mai
degrabă au extremităţi îngroşate. Nu mai puţin
important este faptul că intervalele de confidenţă pot
varia în timp şi deci intervale mai precise pot fi obţinute
prin modelarea dispersiei randamentelor reziduale.
O interesantă abordare a modelelor GARCH este
cea a posibilei existenţe a unui efect de levier. În fapt,
modelul GARCH (1,1) este un model simetric şi
presupune că termenii reziduali au acelaşi semn. În
realitate însă adeseori seriile financiare prezintă
asimetrie. Un model foarte util în acest caz este modelul
EGARCH sau altfel spus modelul GARCH exponenţial
introdus de către Nelson (1991):

ε t −1 ε
( ) ( )
log σ t2 = ω + log σ t2−1 + α
σ t −1
+ γ t −1
σ t −1
(1)

Efectul de levier poate fi testat prin testarea

inegalităţii γ<0 şi γ ≠ 0 . Notăm că acest model este
asemănător modelului GARCH (1,1). Totuşi, se remarcă
prezenţa termenului log care transformă modelul într-
unul non-linear. De asemenea, termenii reziduali sunt
raportaţi la dispersie, devenind practic reziduuri
standardizate.
Mulţi economişti financiari sunt preocupaţi de
modelarea volatilităţii în venituri. Teoria alegerii
portofoliului încearca să derive portofoliul optim ca
funcţie de varinaţa şi covarinţa veniturilor. Modelul de
evaluare a bunului capital (CAPM) şi alte asemenea
modele arată cum investitorii sunt răsplătiţi pentru a-şi
asuma riscuri sistematice, de exemplu riscuri legate de
covarianţa dintre portofoliul lor şi cel al pieţei.
Formulele de evaluare a opţiunilor aloca preţuri
opţiunilor şi altor instrumente în termen de volatilitate a
bunurilor de bază. Băncile şi alte instituţii financiare
aplică aşa numitul model al valorii de risc pentru a
aprecia riscurile de piaţă. Pentru aceste scopuri
modelarea volatilităţii (structura de covarianţă a
veniturilor) este esenţială. Volatilitatea veniturilor tinde
să se aglomereze în regiuni restrânse şi distribuţiile
marginale ale multor venituri sunt leptokurtice, adică au
extremităţile mai joase decât densitatea unei distribuţii
normale cu aceeaşi medie şi dispersie.
Cu toate acestea veniturile au fost modelate
independent şi uniform distribuit în timp. (Un exemplu
în acest sens este Mandelbrot care a folosit distribuţia
paretiană stabila pentru a caracteriza distribuţia
veniturilor).
Engle a modelat variaţia volatilităţii în timp prin
metoda ARCH (=heteroskedasticitatea autoregresivă
condiţională). Aceasta a reprezentat un salt important în
econometrie.
În primul său articol despre ARCH, Engle a
folosit modelul volatilităţii variabilelor în timp pentru a
studia inflaţia. Nu după mult timp însă a devenit clar că
cele mai multe aplicaţii importante sunt de găsit în
sectorul financiar, unde scopul activităţilor este
manipularea şi evaluarea diferitelor tipuri de risc.
Modelele ce determină preţurile reprezintă
relaţia între preţul economiilor şi volatilitate : venitul
aşteptat al diferitelor acţiuni depinde de covarianţa între
venitul ei şi portofoliul pieţei (vezi CAPM, 1990), preţul
opţiunilor depinzând de dispersia pe termen lung a
venitului bunului de bază.
În colaborare cu alţi cercetători, Engle a
completat aceste relaţii dezvoltându-şi modelele (GACH-
M) în care veniturile aşteptate depind de varianţe şi
covarianţe variabile în timp şi deci sunt variabile în timp.

Metodele ARCH şi GARCH sunt unelte eficiente

pentru a estima momente de gradul al doilea ale
distribuţiilor statistice (covarianţe şi dispersii). O mare
parte a teoriilor financiare se referă la legătura dintre
momentele de gradul al doilea ale veniturilor acţiunilor şi
cele de gradul întâi (veniturile aşteptate).
Pare evidentă extinderea modelului ARCH
pentru a caracteriza explicit aceste legături, un asemenea
model, prima aplicare a modelului ARCH de Engle în
finanţe, poate fi găsit în opera sa din 1987. El şi coautorii
consideră o economie cu 2 bunuri din care unul cu risc.
Se presupune că riscul este măsurat ca o funcţie
depinzând de dispersia bunului cu risc. Rezultă că preţul
oferit de agenţii reticenţi la risc fluctuează în timp şi
pretul de echilibru determină relaţia dintre medie şi
dispersie. Aceasta sugerează includerea unei funcţii
crescătoare pozitive monotone în ecuaţia mediei. În cea
mai simplă formă aceasta se prezintă astfel:

Autorii aplică modelul pentru a explica

veniturile lunare în exces ale obligaţiunilor emise de
trezoreria S.U.A. pe 6 luni. Presupunând ca bunul fără
risc este o obligaţiune pe 3 luni, derivă un efect important
 ∧ ∧
din componenţa de risc estimată δ⋅ h t pe venitul în
exces rt .

Aplicaţii ale valorii de risc

Pe lângă folosirea în evaluarea acţiunilor,

modelele ARCH şi GARCH au mai fost aplicate şi în alte
domenii ale economiei financiare. O arie de aplicare
evidentă este evaluarea opţiunilor unde varianta bunului
de bază este un parametru cheie.

Modelele ARCH şi GARCH au devenit instrumente

populare şi indispensabile şi în operaţiile moderne de
management al riscului. În zilele noastre, băncile şi alte
instituţii financiare şi multe companii mari folosesc aşa numita
analiză a valorii de risc. Modelele valorii de risc sunt folosite
pentru a calcula necesarul de capital pentru riscul de piaţă
folosind aşa numitele reguli Basle II. Pentru a înţelege
conceptul considerăm un investitor cu un portofoliu de
acţiuni. El vrea să prezică pierderea minimă aşteptată (Lmin)
pe acest portofoliu ce va avea loc pentru o probabilitate dată α
miăa pe o perioadă determinată. Valoarea prezisă a lui Lmin,
valoarea de risc măsoară gradul de risc al portofoliului.
Predicţia este că pierderea nu va fi mai mare decât Lmin cu
probabilitatea (1- α).
Acest concept este o măsură naturală pentru
controlul riscului. De exemplu, în cazurile în care un regulator
bancar vrea să se asigure că banca are destul capital pentru o
probabilitate de insolvabilitate care în următoarea lună să nu
depăsească α.
Atracţia valorii de risc este faptul că scad riscurile de
pieţe asociate unui portofoliu la un număr uşor de înţeles.
Pierderea poate fi calculată presupunând distribuţia
marginală a veniturilor constantă în timp; ceea ce nu e realist,
însă dacă distribuţia veniturilor variază în timp este necesar
un model care să previzioneze valorile viitoare ale momentelor
statistice ce caracterizează distribuţia. Dacă aceasta e
presupusă normală, atunci primele două momente (media şi
dispersia) caracterizează complet distribuţia.

Modelele GARCH sunt folosite pe arie largă pentru a

estima dispersia distribuţiei veniturilor necesară pentru a
calcula pierderea aşteptată (folosirea lor poate fi extinsă şi la
cazuri non-normale). În practică se foloseşte o medie mobilă
ponderată exponenţială.

XII. TEME PROPUSE PENTRU LICENŢĂ

1. Teoria zonelor monetare optime.

2. Modele de preţuri incerte ale ciclului
economic.
3. Anticipaţiile adaptive şi raţionale îm teoria
inflaţiei.
4. Teoria monetaristă a inflaţiei.
5. Modelul Mundell-Fleming în condiţiile
cursurilor de schimb fixe şi variabile.
6. Analiza economiei româneşti cu ajutorul
modelelor macroeconometrice.
7. Anticipări, moneda şi echilibru
macroeconomic.
8. Contribuţiile laureaţiilor Nobel la
dezvoltarea econometriei.
9. Analiza comportamentului consumatorului
în situaţia modificării venitului.
 10. Econometria ca metoda de cercetare
cantitativă.
11. Predicţii bazate pe modele econometrice.
12. Entropie, ordine şi probabilitate.

Nota: se acceptă şi alte propuneri.

XIII. TEMATICA SEMINARIILOR

Tema 1

1. O retrospectivă asupra economiei matematice.

Confruntări în ştiinţa economică (fundamente
istorice; abordări neoclasice şi austriece).
2. Precursori români: M. Manoilescu şi N. Georgescu-
Roegen.

Tema 2

1. Econometria şi interdependenţele din economie.

2. Modelarea econometrică; mecanisme folosite
(multiplicatorul keynesian; evicţiunea financiară şi
prin preţuri).
 3. Critica adusă modelarii econometrice:
a. cea tradiţională;
b. critica lui Sims;
c. funcţia de reacţie a autorităţilor şi critica lui Lucas.
4. Aplicaţii (probleme propuse spre rezolvare)

Tema 3

1. Econometria şi metodologia statistico-matematică

(indicatori comuni: covarianţa, coeficientul de
corelaţie, coeficientul de determinare).
2. Tipuri de modele (liniare, neliniare, unifactoriale, cu
influenţe sincrone şi asincrone)
3. Aplicaţii (probleme propuse spre rezolvare).

Tema 4

1. Modele de estimare a parametrilor pentru modele

liniare şi neliniare.
2. Prezentarea şi clasificarea relaţiilor în modele.
3. Specificarea modelului economic. Metoda celor mai
mici patrate (MCMMP).
4. Aplicaţii (probleme propuse spre rezolvare)
Tema 5

1. Variabilele economice şi ipotezele metodei de

identificare.
2. Predicţii bazate pe teorii probabilistice.
3. Aplicaţii (probleme propuse spre rezolvare).

Tema 6

1. Estimarea parametrilor în analiza econometrică

(Metoda bayesină de estimare; metoda verosimilităţii
maxime).
2. Testarea parametrilor în modelele unifactoriale.
3. Aplicaţii (probleme propuse spre rezolvare).

Tema 7

1. Componente sistematice ale evoluţiei fenomenelor

economice în decursul timpului. Previziune şi
simulare bazate pe modele cu ecuaţii simultane.
2. Modele ale seriilor de timp.
3. Aplicaţii (probleme propuse spre rezolvare).
 Tema 8

1. Abordarea econometrică a funcţiei de consum.

2. Funcţia Tornqvist sau abordarea econometrică a
cererii (elasticitatea cererii şi funcţiile utilizate
frecvent în studiul acesteia).
3. Aplicaţii (probleme propuse spre rezolvare).

Tema 9

1. Productia şi abordarea econometrică a acestui sector.

2. Studiile cantitative ale producţiei (Modelul Cobb-
Douglas; modelul Solow şi Tinbergen; modelul
Harrod-Domar)
3. Aplicaţii (probleme propuse spre rezolvare).

Tema 10

1. Construirea modelelor macroeconomice privind

economia naţională (modele globale destinate
descrierii; modelul Brookings, modelul Wharton).
2. Gândirea economică inovativă: modelul Leamer;
modelul Hendry şi modelul Box-Jekins.
 Tema 11

1. Posibilităţi de modelare econometrică folosind teoria

controlului optimal
2. Modelul lui J. von Neuman.
3. Optimul paretian şi evoluţia acestuia.

Tema 12

1. Contribuţiile unui laureat Nobel la dezvoltarea

econometriei.
2. Recenzii şi referate.
XIV EXTRASE DIN TABELE STATISTICE (anexe)

DISTRIBUŢIA STUDENT
g/α 0.9 0.50 0.30 0.20 0.10 0.05 0.02 0.01 0.001
1 0.158 1.000 1.963 3.078 6.314 12.706 31.821 63.657 636.619
2 0.142 0.816 1.386 1.886 2.920 4.303 6.965 9.925 31.598
3 0.137 0.765 1.250 1.638 2.353 3.182 4.541 5.841 12.924
4 0.134 0.741 1.190 1.533 2.132 2.776 3.747 4.604 8.610
5 0.132 0.727 1.156 1.476 2.015 2.571 3.365 4.032 6.869
6 0.131 0.718 1.134 1.440 1.943 2.447 3.143 3.707 5.959
7 0.130 0.711 1.119 1.415 1.895 2.365 2.998 3.499 5.408
8 0.130 0.706 1.108 1.397 1.860 2.306 2.896 3.355 5.041
9 0.129 0.703 1.100 1.383 1.833 2.262 2.821 3.250 4.781
10 0.129 0.700 1.093 1.372 1.812 2.228 2.764 3.169 4.587
11 0.129 0.697 1.088 1.363 1.796 2.201 2.718 3.106 4.437
12 0.128 0.695 1.083 1.356 1.782 2.179 2.681 3.055 4.318
13 0.128 0.694 1.079 1.350 1.771 2.160 2.650 3.012 4.221
14 0.128 0.692 1.080 1.345 1.761 2.145 2.624 2.977 4.140
15 0.128 0.691 1.074 1.341 1.753 2.131 2.602 2.947 4.073
16 0.128 0.690 1.071 1.337 1.746 2.120 2.583 2.921 4.015
17 0.128 0.689 1.069 1.333 1.740 2.110 2.567 2.898 3.965
18 0.127 0.688 1.067 1.330 1.734 2.101 2.552 2.878 3.922
19 0.127 0.688 1.066 1.328 1.729 2.093 2.539 2.861 3.883
20 0.127 0.687 1.064 1.325 1.725 2.086 2.528 2.845 3.850
21 0.127 0.686 1.063 1.323 1.721 2.080 2.518 2.831 3.819
22 0.127 0.686 1.061 1.321 1.717 2.074 2.508 2.831 3.702
23 0.127 0.685 1.060 1.319 1.714 2.069 2.500 2.807 3.767
24 0.127 0.685 1.059 1.318 1.711 2.064 2.492 2.797 3.745
25 0.127 0.684 1.058 1.316 1.708 2.060 2.485 2.787 3.725
26 0.127 0.684 1.058 1.315 1.706 2.056 2.479 2.779 3.707
27 0.127 0.683 1.057 1.314 1.703 2.052 2.473 2.771 3.690
28 0.127 0.683 1.056 1.313 1.701 2.048 2.467 2.763 3.674
29 0.127 0.683 1.055 1.311 1.699 2.045 2.462 2.756 3.659
30 0.127 0.683 1.055 1.310 1.697 2.042 2.457 2.750 3.646
∞ 0.126 0.674 1.040 1.282 1.645 1.960 2.326 2.576 3.291
 DISTRIBUŢIA X2

g/α 0.90 0.50 0.30 0.20 0.10 0.05 0.02 0.01 0.001
1 0.0158 0.455 1.074 1.642 2.706 3.841 5.412 6.635 10.827
2 0.211 1.386 2.408 3.219 4.605 5.991 7.824 9.210 13.815
3 0.584 2.366 3.665 4.642 6.251 7.815 9.837 11.345 16.266
4 1.064 3.357 4.878 5.989 7.779 9.488 11.668 13.277 18.467
5 1.610 4.351 6.064 7.289 9.236 11.070 13.388 15.086 20.515
6 2.204 5.348 7.231 8.558 10.645 12.592 15.033 16.812 22.457
7 2.833 6.346 8.383 9.803 12.017 14.067 16.622 18.475 24.322
8 3.490 7.344 9.524 11.030 13.362 15.507 18.168 20.090 26.125
9 4.168 8.343 10.656 12.242 14.684 16.919 19.679 21.666 27.877
10 4.865 9.342 11.781 13.442 15.987 18.307 21.161 23.209 29.588
11 5.578 10.341 12.899 14.631 17.275 19.675 22.618 24.725 31.264
12 6.304 11.340 14.011 15.812 18.549 21.026 24.054 26.217 32.909
13 7.042 12.340 15.119 16.985 19.812 22.262 25.472 27.688 34.528
14 7.790 13.339 16.222 18.151 21.064 23.685 26.873 29.141 36.123
15 8.547 14.339 17.322 19.311 22.307 24.996 28.259 30.578 37.697
16 9.312 15.338 18.418 20.465 23.542 26.296 29.633 32.000 39.252
17 10.085 16.338 19.511 21.615 24.769 27.587 30.995 33.409 40.790
18 10.865 17.338 20.601 22.760 25.989 28.869 32.346 34.805 42.312
19 11.651 18.338 21.689 23.900 27.204 30.144 33.687 36.191 43.820
20 12.443 19.337 22.775 25.038 28.412 31.410 35.020 37.566 45.315
21 13.240 20.337 23.858 26.171 29.615 32.671 36.343 38.932 46.797
22 14.041 21.337 24.939 27.301 30.813 33.924 37.659 40.289 48.268
23 14.848 22.337 26.018 28.429 32.007 35.172 38.968 41.638 49.728
24 15.659 23.337 27.096 29.553 33.196 36.415 40.270 42.980 51.179
25 16.473 24.337 28.172 30.675 34.382 37.652 41.566 44.314 52.620
26 17.292 25.336 29.246 31.795 35.563 38.885 42.856 45.642 54.052
27 18.114 26.336 30.319 32.912 36.741 40.113 44.140 46.963 55.476
28 18.939 27.336 31.391 34.027 37.916 41.337 45.419 48.278 56.893
29 19.768 28.336 32.461 35.139 39.087 42.557 46.693 49.588 58.302
30 20.599 29.336 33.530 36.250 40.256 43.773 47.962 50.892 59.703
Dispersiile „F” corespunzătoare nivelului de semnificaţie 5%
v2/v1 1 2 3 4 5 6 8 12 24 ∞
1 161.40 199.50 215.70 224.60 230.20 234.00 238.90 243.90 2.49 254.30
2 18.51 19.00 19.16 19.25 19.30 19.33 19.37 19.41 19.45 19.50
3 10.13 9.55 9.28 9.12 9.01 8.84 8.84 8.74 8.64 8.53
4 7.71 6.94 6.59 6.39 6.26 6.16 6.04 5.91 5.77 5.63
5 6.61 5.79 5.41 5.19 5.05 4.95 4.82 4.68 4.53 4.36
6 5.99 5.14 4.76 4.53 4.39 4.28 4.15 4.00 3.84 3.67
7 5.58 4.74 4.35 4.12 3.97 3.87 3.73 3.57 3.41 3.23
8 5.32 4.46 4.07 3.84 3.69 3.58 3.44 3.28 3.12 2.93
9 5.12 4.26 3.86 3.63 3.48 3.37 3.23 3.07 2.90 2.71
10 4.96 4.10 3.71 3.48 3.33 3.22 3.07 2.91 2.74 2.54
11 4.84 3.98 3.59 3.36 3.20 3.09 2.95 2.79 2.61 2.40
12 4.75 3.88 3.49 3.26 3.11 3.00 2.85 2.69 2.50 2.30
13 4.67 3.80 3.41 3.18 3.02 2.92 2.77 2.60 2.42 2.21
14 4.60 3.74 3.34 3.11 2.96 2.85 2.70 2.53 2.35 2.13
15 4.54 3.68 3.29 3.06 2.90 2.79 2.64 2.48 2.29 2.07
16 4.49 3.63 3.24 3.01 2.85 2.74 2.59 2.42 2.24 2.01
17 4.45 3.59 3.20 2.96 2.81 2.70 2.55 2.38 2.19 1.96
18 4.41 3.55 3.16 2.93 2.77 2.66 2.51 2.34 2.15 1.92
19 4.38 3.52 3.13 2.90 2.74 2.63 2.48 2.31 2.11 1.88
20 4.35 3.49 3.10 2.87 2.71 2.60 2.45 2.28 2.08 1.84
21 4.32 3.47 3.07 2.84 2.68 2.57 2.42 2.25 2.05 1.81
22 4.30 3.44 3.05 2.82 2.66 2.55 2.40 2.23 2.03 1.78
23 4.28 3.42 3.03 2.80 2.64 2.53 2.38 2.20 2.00 1.76
24 4.26 3.40 3.01 2.78 2.62 2.51 2.36 2.18 1.98 1.73
25 4.24 3.38 2.99 2.76 2.60 2.49 2.34 2.16 1.96 1.71
26 4.22 3.37 2.98 2.74 2.59 2.47 2.32 2.15 1.95 1.69
27 4.21 3.35 2.96 2.73 2.57 2.46 2.30 2.13 1.93 1.67
28 4.20 3.34 2.95 2.71 2.56 2.44 2.29 2.12 1.91 1.65
29 4.18 3.33 2.93 2.70 2.54 2.43 2.28 2.10 1.90 1.64
30 4.17 3.32 2.92 2.69 2.53 2.42 2.27 2.09 1.89 1.62
40 4.08 3.23 2.84 2.61 2.45 2.34 2.18 2.00 1.79 1.51
60 4.00 3.15 2.76 2.52 2.37 2.25 2.10 1.92 1.70 1.39
120 3.92 3.07 2.68 2.45 2.29 2.17 2.02 1.83 1.61 1.25
Dispersiile „F” corespunzătoare nivelului de semnificaţie 1%
v2/v1 1 2 3 4 5 6 8 12 24 ∞
1 4052 4999 5403 5625 5764 5895 5891 6106 6234 6366
2 98.48 99.00 99.17 99.25 99.25 99.33 99.36 99.42 99.46 99.50
3 34.12 30.81 29.46 28.71 28.24 27.91 27.05 27.05 26.60 26.12
4 21.20 18.00 16.69 15.98 15.52 15.21 14.80 14.37 13.93 13.46
5 16.26 13.27 12.06 11.39 10.97 10.67 10.27 9.89 9.47 9.02
6 13.74 10.92 9.78 9.15 8.75 8.47 8.10 7.72 7.31 6.88
7 12.25 9.55 8.45 7.85 7.46 7.19 6.84 6.47 6.07 5.65
8 11.26 8.65 7.59 7.01 6.63 6.37 6.03 5.67 5.28 4.86
9 10.56 8.02 6.99 6.42 6.06 5.80 5.47 5.11 4.73 4.31
10 10.04 7.56 6.55 5.99 5.64 5.39 5.06 4.71 4.33 3.91
11 9.65 7.20 6.22 5.67 5.32 5.07 4.74 4.40 4.02 3.60
12 9.33 6.93 5.95 5.41 5.06 4.82 4.50 4.16 3.78 3.36
13 9.07 6.70 5.74 5.20 4.86 4.62 4.30 3.96 3.59 3.16
14 8.86 6.51 5.56 5.09 4.69 4.46 4.14 3.80 3.43 3.00
15 8.68 6.36 5.42 4.89 4.56 4.32 4.00 3.67 3.29 2.87
16 8.53 6.23 5.29 4.77 4.44 4.20 3.89 3.55 3.18 2.75
17 8.40 6.11 5.18 4.67 4.34 4.10 3.79 3.45 3.08 2.65
18 8.28 6.01 5.09 4.58 4.25 4.01 3.71 3.37 3.00 2.57
19 8.18 5.93 5.01 4.50 4.17 3.94 3.63 3.30 2.92 2.49
20 8.10 5.85 4.94 4.43 4.10 3.87 3.56 3.23 2.86 2.42
21 8.02 5.78 4.87 4.37 4.04 3.81 3.51 3.17 2.80 2.36
22 7.94 5.72 4.82 4.31 3.99 3.76 3.45 3.12 2.75 2.31
23 7.88 5.66 4.76 4.26 3.94 3.71 3.41 3.07 2.70 2.26
24 7.82 5.61 4.72 4.22 3.90 3.67 3.36 3.03 2.66 2.21
25 7.77 5.57 4.68 4.18 3.86 3.63 3.32 2.99 2.62 2.17
26 7.72 5.53 4.64 4.14 3.82 3.59 3.29 2.96 2.58 2.13
27 7.68 5.49 4.60 4.11 3.78 3.56 3.26 2.93 2.55 2.10
28 7.64 5.45 4.57 4.07 3.75 3.53 3.23 2.90 2.52 2.06
29 7.60 5.42 4.54 4.04 3.73 3.50 3.20 2.87 2.49 2.03
30 7.56 5.39 4.51 4.02 3.70 3.47 3.17 2.84 2.47 2.01
40 7.31 5.18 4.31 3.83 3.51 3.29 2.99 2.66 2.29 1.80
60 7.08 4.98 4.13 3.65 3.34 3.12 2.82 2.50 2.12 1.60
120 6.85 4.79 3.96 3.48 3.17 2.96 2.66 2.34 1.95 1.38
∞ 6.64 4.60 3.78 3.32 3.02 2.80 2.51 2.18 1.79 1.00
TABELUL DURBIN-WATSON CU PRAGUL DE SEMNIFICAŢIE α = 0.05

Număr k=1 k=2 k=3 k=4 k=5

regresori
n d1 d2 d1 d2 d1 d2 d1 d2 d1 d2
15 1.08 1.36 0.95 1.54 0.82 1.75 0.69 1.97 0.56 2.21
16 1.10 1.37 0.98 1.54 0.86 1.73 0.74 1.93 0.62 2.15
17 1.13 1.38 1.01 1.54 0.90 1.71 0.78 1.90 0.67 2.10
18 1.16 1.39 1.05 1.53 0.93 1.69 0.82 1.87 0.71 2.06
19 1.18 1.40 1.08 1.53 0.97 1.68 0.86 1.85 0.75 2.02
20 1.20 1.41 1.10 1.54 1.00 1.68 0.90 1.83 0.79 1.99
21 1.22 1.42 1.12 1.54 1.03 1.67 0.93 1.81 0.83 1.96
22 1.24 1.43 1.15 1.54 1.05 1.66 0.96 1.80 0.86 1.94
23 1.26 1.44 1.17 1.54 1.08 1.66 0.99 1.79 0.90 1.92
24 1.27 1.45 1.19 1.55 1.10 1.66 1.01 1.78 0.93 1.90
25 1.29 1.45 1.21 1.55 1.12 1.66 1.04 1.77 0.95 1.89
26 1.30 1.46 1.22 1.55 1.14 1.65 1.06 1.76 0.98 1.88
27 1.32 1.47 1.24 1.56 1.16 1.65 1.08 1.76 1.01 1.86
28 1.33 1.48 1.26 1.56 1.18 1.65 1.10 1.75 1.03 1.85
29 1.34 1.48 1.27 1.56 1.20 1.65 1.12 1.74 1.05 1.84
30 1.35 1.49 1.28 1.57 1.21 1.65 1.14 1.74 1.07 1.83
31 1.36 1.50 1.30 1.57 1.23 1.65 1.16 1.74 1.09 1.83
32 1.37 1.50 1.31 1.57 1.24 1.65 1.18 1.73 1.11 1.82
33 1.38 1.51 1.32 1.58 1.26 1.65 1.19 1.73 1.12 1.81
34 1.39 1.51 1.33 1.58 1.27 1.65 1.21 1.73 1.12 1.81
35 1.40 1.52 1.34 1.58 1.28 1.65 1.22 1.73 1.16 1.80
36 1.41 1.52 1.35 1.59 1.29 1.65 1.24 1.73 1.18 1.90
37 1.42 1.53 1.36 1.59 1.31 1.66 1.25 1.72 1.19 1.80
38 1.43 1.54 1.37 1.59 1.32 1.66 1.26 1.72 1.21 1.79
39 1.43 1.54 1.38 1.60 1.33 1.66 1.27 1.72 1.22 1.79
40 1.44 1.54 1.39 1.60 1.34 1.66 1.29 1.72 1.23 1.79
45 1.48 1.57 1.43 1.62 1.38 1.67 1.34 1.72 1.29 1.78
50 1.50 1.59 1.46 1.63 1.42 1.67 1.38 1.72 1.34 1.77
55 1.53 1.60 1.49 1.64 1.45 1.68 1.41 1.72 1.38 1.77
XV. BIBLIOGRAFIE

Clements The Marshall lectures on economic forecasting;

Michael/Hendry Cambridge University, 1998;
David
Dobrescu Macromodele în economia de piaţã româneascã,
Emilian Ed. Expert, Bucureşti, 1999;
Gourieroux Econometrie de la finance: analyses historiques,
Ch./Scaillet Paris, Economic, 1997;
Olivier
Green William Econometric analysis, New York University US,
1993;
Keynes J.M. Teoria generalã a folosirii mâinii de lucru a
dobânzii şi a banilor, Ed. Stiinţificã, Bucureşti,
1970
Manoilescu Încercãri în filosofia sistemelor economice, Ed.
Mihail M.O. şi Imprimeria statului, Bucureşti,1938;
Murphy James Introductory Econometrics; University of North
Carolina US, 1973;
Nicholas
Georgescu- Economia analiticã, Ed. Stiinţificã, Bucureşti,
Roegen 2000;
Nicholas Legea entropiei şi procesul economic,
Georgescu- Ed.Stiinţificã,
Roegen 2000;
Nicholas Statistica şi matematica, Ed. Stiinţificã, Bucureşti,
Georgescu- 2000;
Roegen
Pecican Macroeconometrie (Politici economice
Eugen guvernamentale şi econometrice),
Ed. Economicã, Bucureşti, 1996
Taşnadi Econometrie, Ed. ASE, 2001
Alexandru
Taşnadi Geneza şi evoluţia premiului Nobel, ASE,
Alexandru Bucuresti, 1997;
Taşnadi Anticipaţiile adaptative şi raţionale în teoria
Alexandru inflaţiei, ASE, Bucureşti, 2000;
Cretu Alina
Taşnadi R. Mundell şi zonele monetare optime,
Alexandru Ed. ASE, Bucureşti,2001
Doltu Claudiu
Taşnadi Dezvoltarea teoriei monetare. Mainstreamul
Alexandru şi Scoala austriacã, Ed. ASE, Bucureşti, 2001
Doltu Claudiu
Creţu Alina Incertitudine şi portofolii optime, ASE,
Peptan Elena Bucureşti,
2003;