Unitatea de studiu 3.

REGRESIA LINIARĂ MULTIPLĂ

Cuprins unitate de studiu

3.1 Prezentarea modelului
3.2 Estimarea parametrilor modelului
3.3 Indicatori de corelaţie
3.4 Testarea parametrilor şi a modelului

Obiective
- prezentarea demersului de generalizare de la modelul liniar simplu la cel multiplu
- definirea clasică şi matriceală a modelului
- estimarea şi testarea parametrilor, testarea modelului
- studiu de caz pe România

Competenţe
- dezvoltarea competenţelor de generalizare şi de analiză comparată a modelelor simple şi
multiple
- însuşirea etapelor modelării econometrice şi a noţiunilor specifice
- deprinderea de a construi un model liniar multiplu cu date de la nivelul economiei României
- însuşirea cunoştinţelor şi deprinderilor de utilizare a unui soft statistic pentru modelare

Termen mediu: 4 h

Bibliografie selectivă
1. Berdot, J.P., Économétrie, CNED, Poitiers-Futurscope, 2001

2. Bourbonnais, R., Économétrie, Dunod, Paris, 2000

3. Jemna, D.V., Econometrie, Editura Sedcom Libris, Iaşi, 2009

4. Gujarati, D.N., Basic econometrics, McGraw-Hill, New York, 1995

5. Iacob, A.I., Tanasoiu, O., Modele econometrice, Editura ASE Bucureşti, 2005

6. Kmenta, J., Elements of Econometrics, MacMillan Publishing, 1986

38 Regresia liniară multiplă

3.1. Prezentarea modelului

Considerăm un model de regresie liniară multiplă care conţine p variabile independente:

X 1 , X 2 ,..., X p . Formal, modelul este dat prin relaţia:
Y  M ( Y / X )    0  1 X 1  2 X 2  ...   p X p   ,

În model apar k parametri (k = p +1) şi au următoarea semnificaţie:

-  0 este valoarea medie a variabilei dependente, în condiţiile în care influenţa variabilelor
independente ar fi nulă. În soft-urile de statistică, acest parametru se numeşte constanta
modelului, pentru că este coeficientul unei variabile degenerate, X0=1.
Y
- i  , i  1, p , reprezintă variaţia absolută a variabilei dependente la o variaţie absolută
X i
de o unitate a variabilei independente Xi, în condiţiile în care influenţa celorlalte variabile
independente este constantă. Aceşti parametri arată influenţa parţială a fiecărei variabile
independente asupra variabilei dependente.

Prezentare matriceală

Modelul multiplu admite şi o abordare cu ajutorul matricelor. Acesta se poate scrie sub formă
matriceală astfel: Y  X     , unde
 0 
 Y1   1 x11 x21 ... x p 1    1 
     1   
 Y2   1 x12 x22 ... x p 2     2 
Y    , X   X 0 X 1 ... X n     ,     2  ,     , unde p este numărul
...  ... ... ... ...  ...
   ...   
Y   1 x x ... x   
 
 n  1n 2 n pn 
  n
 p
de variabile independente, k este numărul de parametri din model, n este volumul de date
disponibile.

Prima coloană din matricea corespunzătoare valorilor variabilelor independente este coloana
variabilei constantă, ale cărei valori sunt egale cu unu.

Pentru p = 2 sau k = 3, avem modelul de regresie multiplă cel mai simplu, adică modelul cu
două variabile independente:

yi  M ( Y / X  xi )   i  0  1 x1i  2 x2i   i

Scris matriceal, modelul de mai sus este dat prin: Y  X     , unde

Econometrie – Dănuţ JEMNA

 Regresia liniară multiplă 39

 Y1   1 x11 x21  1 

     0   
 Y2   1 x12 x22     2 
Y    , X  X 0 X 1 X 2     ,    1  ,     .
... ... ...   ...
     2  
Y  1 x x   
 n  1n 2n   n

Ipotezele modelului clasic de regresie

Considerăm modelul de regresie liniară multiplă cu două variabile independente:

yi  0  1 x1i   2 x2 i   i

Ipotezele care trebuie respectate pentru a realiza modelarea econometrică sunt:

1. variabilele independente X1 şi X2 sunt nestochastice;

2. M (  i )  0 sau M (  i / X 1 , X 2 )  0 ;
3. homoscedasticitate, V (  i )  M (  i2 )   2 ;
4. normalitatea erorilor,  i ~ N( 0, 2 ) ;
5. necorelarea erorilor, cov( i , j )  0 ;
6. lipsa corelaţiei dintre variabilele independente şi variabila eroare,
cov( i , X 1 )  cov( i , X 2 )  0 ;
7. între variabilele independente nu există o legătură liniară.

3.2. Estimarea parametrilor modelului

Considerăm modelul de regresie liniară multiplă cu două variabile independente:

yi  0  1 x1i   2 x2i   i .

La nivelul unui eşantion, acesta devine:

yi  ˆ 0  ˆ 1 x1i  ˆ 2 x2i  ˆ i sau
yi  ŷi  ˆ i ,
unde ŷi estimează media condiţionată M(Y/Xi).

Rezultă relaţiile:
ˆ i  yi  ŷi sau ˆ i  yi  ˆ 0  ˆ 1 x1i  ˆ 2 x2i .

a. Estimarea parametrilor prin metoda celor mai mici pătrate

Potrivit acestei metode, estimatorii parametrilor modelului de regresie respectă condiţia:

ˆ i2  min sau ( yi  ˆ 0  ˆ 1 x1i  ˆ 2 x2i )2  min .
i i

Econometrie – Dănuţ JEMNA

40 Regresia liniară multiplă

Prin rezolvarea problemei de minim se obţine sistemul de ecuaţii:

 ˆ ˆ ˆ
n0  1  x1i   2  x2i  yi
 i i i
ˆ
0  x1i ˆ 1  x1i  ˆ 2  x1i x2i  yi x1i
2

 i i i i
ˆ ˆ ˆ
 0 
x2i 1  x1i x2i   2  x2i  yi x2i
2

i i i i

Rezolvând sistemul, se obţin relaţiile pentru estimatorii parametrilor modelului:

ˆ 0  ŷ  ˆ 1 x1  ˆ 2 x2 ,

   2 
   
 yi  ŷ x1i  x1   x2i  x2    yi  ŷ x2i  x2   x1i  x1 x2i  x2  ,
ˆ 1   i i i i
2

 2  2  
 x1i  x1     x2i  x2     x1i  x1 x2i  x2 
i  i  i 

   2 
    
i yi  ŷ x2i  x2  i x1i  x1   i yi  ŷ x1i  x1   i x1i  x1 x2i  x2 
ˆ 2  2
 2  2  
i x1i  x1    i x2i  x2    i x1i  x1 x2i  x2 

Rezolvarea ecuaţiei matriceale

Sistemul de ecuaţii rezultat din metoda celor mai mici pătrate se poate scrie ca o ecuaţie
matriceală de forma:
X '  X  ˆ  X ' Y , unde X’ este matricea transpusă a matricei X.

Soluţia ecuaţiei matriceale de mai sus este:

ˆ  ( X '  X )1  X ' Y .

b. Proprietăţile estimatorilor ˆ 0 , ˆ 1 , ˆ 2

Proprietăţile estimatorilor parametrilor modelului de regresie se pot determina pe baza

relaţiei:
ˆ  ( X '  X )1 X ' Y  ( X '  X )1 X ' ( X     )    ( X '  X )1 X '  .

Pentru ecuaţia de mai sus, sunt valabile proprietăţile:

- nedeplasare: M ( ˆ )   ;
- matricea varianţei estimatorilor este  ˆ   2 ( X '  X )1 , unde:
 i ~ N( 0, 2 ) , iar un estimator al dispersiei erorilor este dat prin relaţia
 ˆ i2  ( yi  ˆ 0  ˆ 1 x1i  ˆ 2 x2i )2
ˆ 2  i
 i
;
n3 n3

Econometrie – Dănuţ JEMNA

 Regresia liniară multiplă 41

- estimatorii sunt normal distribuiţi: ˆ i ~ N (  i , 2ˆ ) , iar

i

ˆ i   i
~ N ( 0 ,1 ) şi
 ˆ i

ˆ i   i
~ t( n  3 ) .
ˆ ˆi

2
 
 x1i  x1 x2i  x2 
Dacă notăm prin R12
2
  i 
   2
 x1i  x1     x2i  x2  
2

 i   i 
raportul de determinaţie dintre variabilele independente, atunci au loc relaţiile:
2
V ( ˆ 1 )  ;
 x1i  x1  ( 1  R12 )
2 2

2
V ( ˆ 2 )  ;
 x2i  x2 2 ( 1  R122 )
i

 R12 2
cov( ˆ 1 , ˆ 2 )  .
 2  2
 x1i  x1     x2i  x2   ( 1  R12 )
2

 i   i 

Dacă în relaţia ŷi  ˆ 0  ˆ 1 x1i  ˆ 2 x2i se înlocuieşte

ˆ  ŷ  ˆ x  ˆ x ,
1 1 1 2 2
atunci rezultă:
ŷi  ŷ  ˆ 1( x1i  x1 )  ˆ 2 ( x2i  x2 ) .

Cum yi  ŷi  ˆ i , rezultă proprietatea:

yi  ŷ  ˆ 1( x1i  x1 )  ˆ 2 ( x2i  x2 )  ˆ i
sau ˆ i  ( yi  ŷ )  ˆ 1( x1i  x1 )  ˆ 2 ( x2i  x2 )

Din ultima proprietate, se deduce că ̂ i

i 0.

c. Estimare punctuală şi prin interval de încredere a parametrilor modelului

Conform proprietăţii de nedeplasare, pe baza relaţiilor estimatorilor, la nivelul unui eşantion

de date, se calculează estimaţii punctuale ale parametrilor modelului: bi, i  0 ,2 , pentru un
model cu două variabile independente.

Econometrie – Dănuţ JEMNA

42 Regresia liniară multiplă

De exemplu, pentru parametrul 1 se obţine o estimaţie punctuală prin relaţia:

    
i  yi  y x1i  x1  i x2i  x2   i  yi  y x2i  x2  i x1i  x1 x2i  x2 
2

b1  2
.
 2  2  
i x1i  x1    i x2i  x2    i x1i  x1 x2i  x2 

Intervalele de încredere pentru parametrii modelului de regresie se obţin în baza proprietăţii

de normalitate a estimatorilor. Intervalele de încredere sunt de forma:
( ˆ i  t / 2ˆ ˆ ) .
i

Estimatorul varianţei estimatorului parametrului 1 , de exemplu, se va scrie astfel:

ˆ 2
ˆ 2ˆ  , iar
 x1i  x1  ( 1  r122 )
1 2

 ˆ i2  ( yi  ˆ 0  ˆ 1 x1i  ˆ 2 x2i )2
ˆ 2  i
 i
.
n3 n3

La nivelul unui eşantion, se obţine un interval estimat, care are relaţia:

( bi  t / 2 sˆ ) .
i

Estimaţia varianţei estimatorului parametrului 1 , de exemplu, are relaţia:

s2
s2ˆ  , iar
1
 x1i  x1 2 ( 1  R122 )
i

 ei2 ( yi  b0  b1 x1i  b2 x2i )2

s2  i
 i
.
n3 n3

3.3. Indicatori de corelaţie

Pentru un model de regresie liniară multiplă, se pot determina următorii coeficienţi:

coeficienţi de corelaţie simplă între variabila dependentă şi fiecare variabilă independentă
(coeficienţi bivariaţi), coeficienţi de corelaţie parţială, coeficientul de corelaţie multiplă şi
coeficientul de determinaţie multiplă.

1. Coeficienţi de corelaţie parţială şi bivariată

La nivelul unui eşantion, estimaţiile pentru coeficienţii de corelaţie parţială se vor nota prin:
 ry1.2, coeficientul de corelaţie dintre Y şi X1, în condiţiile în care influenţa variabilei X2 este
considerată constantă;

Econometrie – Dănuţ JEMNA

 Regresia liniară multiplă 43

 ry2.1, coeficientul de corelaţie dintre Y şi X2, în condiţiile în care influenţa variabilei X1 este
considerată constantă
 r12.y, coeficientul de corelaţie dintre X1 şi X2, în condiţiile în care influenţa variabilei Y este
considerată constantă.

Pentru fiecare coeficient de corelaţie parţială, la nivelul unui eşantion, sunt valabile relaţiile:
ry 1  ry 2 r12
ry 1.2  ;
( 1  ry22 )( 1  r122 )
ry 2  ry 1 r12
ry 2.1  ;
( 1  ry21 )( 1  r122 )
r12  ry 1 ry 2
r12. y  ;
( 1  ry21 )( 1  ry22 )

unde ry1 , ry2 , r12 reprezintă estimaţii pentru coeficienţii de corelaţie bivariată între două
variabile precizate şi au următoarele relaţii:

n x1i yi  x1i  yi
ry 1  i i i
;
  
n
i
x 21i  (  x1i )2  n y 2 i  (  yi )2 
i  i i 
n x2 i yi  x2 i  yi
ry 2  i i i
;
  
n
i
x 2 2 i  (  x2 i )2  n y 2 i  (  yi )2 
i  i i 
n x1i x2 i  x1i  x2 i
r12  i i i
.
  
n
i
x 2 1i  (  x1i )2  n x 2 2 i  (  x2 i )2 
i  i i 

2. Raportul de determinaţie multiplă şi raportul de corelaţie multiplă

Raportul de determinaţie multiplă sau coeficientul de determinaţie multiplă arată ponderea din
variaţia totală a variabilei dependente care este explicată de variaţia simultană a variabilelor
independente incluse în model.

Relaţia raportului de determinaţie multiplă este:

 ( y xi  y )2
2  i .
 ( y i  y )2
i

Econometrie – Dănuţ JEMNA

44 Regresia liniară multiplă

Raportul de corelaţie multiplă măsoară gradul de intensitate a legăturii simultane dintre

variabila dependentă şi variabilele independente. Este definit prin relaţia:
 ( y xi  y )2
   2 i
, iar 0    1 .
 ( yi  y )2
i

Estimatorul raportului de determinaţie multiplă

Pentru un model liniar multiplu cu două variabile independente, estimatorul raportului de
determinaţie multiplă se determină pe baza relaţiei de descompunere a estimatorului variaţiei
totale:

V̂T  V̂E  V̂R sau

 ( yi  ŷ )2   ( ŷi  ŷ )2   ( yi  ŷi )2 , iar
i i i

ˆ  ( yi  ŷ )( x1i  x1 ) ˆ 2  ( yi  ŷ )( x2i  x2 )

V̂ 1
ˆ  E 
2 i i
.
V̂T  ( yi  ŷ )2
i
Relaţia de mai sus se poate scrie astfel:
V̂  ˆ i2
ˆ 2  1  R  1  i
.
V̂T  ( yi  ŷ )2
i

O estimaţie a raportului de determinaţie multiplă este:

ESS RSS
 ei2
R2   1  1 i
.
TSS TSS  i  y )2
( y
i

3. Coeficientul de corelaţie multiplă

Pe baza coeficienţilor de corelaţie bivariată şi a celor parţiali se pot obţine o serie de relaţii
pentru estimaţia coeficientului de corelaţie multiplă (r):
ry21  ry22  2ry1ry 2 r12
r sau
1  r122
r  ry21  ( 1  ry21 )ry 2.1 sau

r  ry22  ( 1  ry22 )ry1.2 .

Coeficientul de corelaţie multiplă este un indicator care măsoară intensitatea legăturii dintre
variabila dependentă şi toate variabilele independente cuprinse în model.

Econometrie – Dănuţ JEMNA

 Regresia liniară multiplă 45

4. Raportul de determinaţie multiplă ajustat

Raportul de determinaţie multiplă nu ţine seama de numărul de grade de libertate sau de

numărul de parametri care apar în model. În consecinţă, în evaluarea intensităţii legăturii
dintre variabile se utilizează coeficientul de determinaţie ajustat.

Estimatorul coeficientului de determinaţie ajustat are următoarea relaţie:

V̂R  ˆ i2
i
ˆ 2
ˆ 2  1  n  k  1  nk  1  .
V̂T  ( yi  ŷ )2 V(Y )
i
n 1
n 1
Scris altfel,
n 1
ˆ 2  1  ( 1  ˆ 2 ) .
nk
n 1
Estimaţia raportului de determinaţie ajustat este: R 2  1  ( 1  R 2 ) .
nk

Observaţie
Din relaţiile de mai sus, se poate observa că pentru estimaţiile celor doi estimatori are loc
relaţia: R 2  R2 , pentru k>1.

3.4. Testarea parametrilor şi a modelului

Pentru un model de regresie multiplă se pot construi mai multe teste cu scopul de a testa:
parametrii modelului, modelul de regresie, influenţa marginală a unei variabile etc.

1. Testarea coeficienţilor de regresie

Parametrii modelului de regresie liniară multiplă se testează cu ajutorul testului Student,

considerând estimatorii obţinuţi prin metoda celor mai mici pătrate şi legea de repartiţie a
acestora. Demersul testării, pentru cazul modelului liniar multiplu cu două variabile
independente, este prezentat mai jos.

1. Formularea ipotezelor
H 0 :  i  0 , i  1,2 (variabila independentă i nu are o influenţă liniară asupra celei
dependente);
H1 : i  0 .

2. Alegerea pragului de semnificaţie 

De regulă, se consideră  = 0,05.

3. Alegerea testului

Econometrie – Dănuţ JEMNA

46 Regresia liniară multiplă

În acest caz, se utilizează statistica Student. În condiţiile acceptării ipotezei nule, pentru
ˆ
fiecare parametru se utilizează statistica: t  i , i  0 ,2 , care urmează o lege de repartiţie
ˆ ˆ i

Student de n-3 grade de libertate.

4. Valoarea teoretică a statisticii

Pentru pragul de semnificaţie ales şi pentru legea de repartiţie cunoscută a testului, se citeşte
valoarea teoretică din tabela Student: t / 2 ; n  3 .

5. Valoarea calculată a testului

La nivelul unui eşantion, se determină valoarea calculată a testului:
b
tcalc  i , i  0 ,2 .
sˆ
i

6. Regula de decizie
Dacă tcalc  [ t / 2 ;n  3 , t / 2 ;n  3 ] , se acceptă ipoteza H0, cu o probabilitate egală cu (1-).
Dacă tcalc  [ t / 2 ;n  3 , t / 2 ;n  3 ] , se respinge H0, cu probabilitatea (1-).

În SPSS, decizia se ia pe baza semnificaţiei testului: dacă Sig t < , se respinge H0, cu nivelul
de încredere specificat, iar dacă Sigt   , se acceptă ipoteza nulă, cu aceeaşi probabilitate.

2. Testarea modelului de regresie

Testarea modelului de regresie liniară multiplă se realizează cu ajutorul testului F, conform

următorului demers:

1. Formularea ipotezelor
H0 : 0  1  ...   p  0 (modelul nu este semnificativ);
H 1 : nu toţi coeficienţii sunt simultan zero.

2. Alegerea pragului de semnificaţie 

3. Alegerea testului
V̂E n  k ˆ 2 n  k
Se utilizează statistica Fisher de forma: F     ~ F ( k  1, n  k ) .
V̂R k  1 1  ˆ 2 k  1

Observaţie
V̂E n  k V̂E n  3
Pentru două variabile independente, k = 3, iar statistica Fisher este: F    
V̂R k  1 V̂R 2
ˆ 1  ( yi  ŷ )( x1i  x1 ) ˆ 3  ( yi  ŷ )( x2 i  x2 )
n3
sau F  i i
 .
 ˆ i
2
2
i

Econometrie – Dănuţ JEMNA

 Regresia liniară multiplă 47

Dacă se consideră estimatorul coeficientului de determinaţie, statistica Fisher devine:

ˆ 2 n  k ˆ 2 n  3
F    ~ F ( 2,n  3 ) .
1  ˆ 2 k  1 1  ˆ 2 2

4. Valoarea teoretică a statisticii

Se citeşte valoarea teoretică din tabela Fisher: F ;2 ;n  3 .

5. Valoarea calculată a testului

La nivelul unui eşantion se obţine valoarea calculată a testului:
ESS n  k R2 n  k
Fcalc     .
RSS k  1 1  R 2 k  1

6. Regula de decizie
Dacă Fcalc  F ;2 ;n  3 se respinge ipoteza H0, cu probabilitatea ( 1   ) , iar dacă Fcalc  F ;2;n  3 ,
se acceptă ipoteza nulă, cu aceeaşi probabilitate.

În SPSS, dacă Sig F<, se respinge H0, cu probabilitatea ( 1   ) .

3. Testarea influenţei marginale a unei variabile independente asupra variabilei

dependente

În cazul în care se doreşte testarea influenţei marginale a unei variabile nou introduse în sau
excluse din model, se foloseşte un test Fisher, cu o statistică dată prin relaţia:
V̂E _ new  V̂E _ old n  knew ˆ new
2
 ˆ old
2
n  knew
F    ,
V̂R _ new knew  1 ˆ 2
1  old knew  1
unde „old” specifică indicatorul înainte de introducerea în sau excluderea variabilei
independente din model, iar „new” indicatorul după introducerea în sau excluderea variabilei
din model.

În acest caz, ipotezele sunt următoarele:

H 0 : variabila introdusă în model nu are o influenţă semnificativă asupra variaţiei variabilei
dependente;
H 1 : variabila are o influenţă semnificativă asupra variaţiei variabilei dependente.

Valoarea calculată a testului este:

2 2
ESSnew  ESSold n  k new Rnew  Rold n  k new
Fcalc    2

RSSnew k new  1 1  Rold k new  1

Decizia de a accepta sau a respinge ipoteza nulă se ia în aceleaşi condiţii precizate mai sus
pentru testul Fisher.

Econometrie – Dănuţ JEMNA

48 Regresia liniară multiplă

Test1
1. Rezultatele modelării pentru 3 variabile sunt prezentate în tabelul de mai jos.
Coefficientsa

Uns tandardized Standardized

Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (C ons tant) 6597.929 7050.736 .936 .355
PIB (mil. RON) 11.215 1.065 .705 10.528 .000
populaþia din
.161 .028 .381 5.692 .000
mediul rural
a. Dependent Variable: numãr mediu de pens ionari

Sunt valabile interpretările:

a) numărul de pensionari creşte în medie cu 11,21 persoane la o creştere a valorii PIB cu 1
mil. lei, în condiţiile în care populaţia din mediul rural rămâne constantă
b) numărul de pensionari creşte în medie cu 11,21 persoane la o creştere a valorii PIB cu 1
mil. lei
c) numărul de pensionari scade în medie cu 0,161 persoane la o creştere a valorii PIB cu 1
mil. lei

2. Rezultatele modelării pentru 3 variabile sunt prezentate în tabelul de mai jos.

Coefficientsa

Uns tandardized Standardized

Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (C ons tant) 6597.929 7050.736 .936 .355
PIB (mil. RON) 11.215 1.065 .705 10.528 .000
populaþia din
.161 .028 .381 5.692 .000
mediul rural
a. Dependent Variable: numãr mediu de pens ionari

Sunt valabile interpretările:

a) cele două variabile independente din model au o influenţă semnificativă asupra variabilei
dependente
b) toţi parametrii modelului sunt semnificativi statistic
c) estimaţia parametrului  0 este b0 = 6597, 92 şi este semnificativ diferită de zero
d) nu toţi parametrii modelului sunt semnificativi statistic
e) din model ar trebui eliminat parametrul  0

3. Rezultatele modelării pentru 3 variabile sunt prezentate în tabelul de mai jos.

Coefficientsa,b

95% Confidence Interval for B

Model Lower Bound Upper Bound
1 PIB (mil. RON) 9.579 13.581
populaþia din
.135 .221
mediul rural
a. Dependent Variable: numãr mediu de pens ionari
b. Linear Regres s ion through the Origin

1 Rezultate test: 1 – a; 2 – a,d,e; 3 – b; 4 – c; 5 – b,c

Econometrie – Dănuţ JEMNA

 Regresia liniară multiplă 49

Intervalul de încredere estimat pentru parametrul asociat variabilei PIB este:

a) (9,575 - 1,96; 9,575 + 1,96)
b) (9,579 ; 13,581)
c) (0,135 - 1,96; 0,135 + 1,96)

4. Rezultatele modelării pentru 3 variabile sunt prezentate în tabelul de mai jos.

Correlations

numar m ediu PIB (mil.

Control Variables de pens ionari RON)
populatia din m ediul rural numar m ediu Correlation 1.000 .863
de pens ionari Significance (2-tailed) . .000
df 0 38
PIB (mil. RON) Correlation .863 1.000
Significance (2-tailed) .000 .
df 38 0

Valoarea 0,863 reprezintă:

a) coeficientul de corelaţie dintre PIB şi numărul mediu de pensionari
b) coeficientul de corelaţie populaţia din mediul rural şi numărul mediu de pensionari
c) coeficientul de corelaţie parţială dintre PIB şi numărul mediu de pensionari
d) coeficientul de corelaţie parţială dintre populaţia din mediul rural şi PIB

5. Rezultatele modelării pentru 3 variabile sunt prezentate în tabelul de mai jos.

Correlations

numar mediu PIB (mil. populatia din

de pens ionari RON) mediul rural
numar mediu de Pears on Correlation 1 .857** .662**
pens ionari Sig. (2-tailed) .000 .000
N 41 41 41
PIB (mil. RON) Pears on Correlation .857** 1 .398**
Sig. (2-tailed) .000 .010
N 41 41 41
populatia din mediul rural Pears on Correlation .662** .398** 1
Sig. (2-tailed) .000 .010
N 41 41 41
**. Correlation is s ignificant at the 0.01 level (2-tailed).

Sunt valabile interpretările:

a) valoarea 0,662 reprezintă coeficientul de corelaţie parţială dintre numărul mediu de
pensionari şi populaţia din mediul rural
b) între PIB şi numărul mediu de pensionari există o legătură directă puternică
c) coeficientul de corelaţie bivariată dintre PIB şi populaţia din mediul rural este 0,398 şi este
semnificativ statistic

Econometrie – Dănuţ JEMNA