Unitatea de studiu 4.

REGRESIA NELINIARĂ

Cuprins unitate de studiu

4.1 Modelul log-liniar
4.2 Modele semi-logaritmice
4.3 Modelul reciproc
4.4 Modele polinomiale

Obiective
- definirea neliniarităţii în economie
- prezentarea tipurilor de modele neliniare
- estimarea şi testarea parametrilor, testarea modelelor liniarizabile
- compararea rezultatelor şi alegerea celui mai bun model neliniar

Competenţe
- însuşirea conceptului de neliniaritate
- înţelegerea demersului metodologic al construirii unui model neliniar
- deprinderea de a construi un model neliniar cu date de la nivelul economiei României
- capacitatea de a analiza critic şi de a compara mai multe modele neliniare posibile pentru un
anumit fenomen
- însuşirea cunoştinţelor şi deprinderilor de utilizare a unui soft statistic pentru modelare

Termen mediu: 6 h

Bibliografie selectivă
1. Bourbonnais, R., Économétrie, Dunod, Paris, 2000

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

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

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

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

6. Maddala, G.S., Introduction to Econometrics, John Wiley & Sons, 2001

52 Regresia neliniară

4.1. Modelul log-liniar

Modelul log-liniar este un model de regresie neliniară. În acest model, variabilele apar prin
funcţia logaritm. Relaţia dintre variabilele logaritmate este de tip liniar, ceea ce permite
utilizarea proprietăţilor modelelor liniare pentru estimarea şi testarea parametrilor modelului.

Acest tip de model se poate considera ca un rezultat al procesului de liniarizare cu ajutorul

funcţiei logaritm a unui model neliniar de tip putere.

1. Estimarea modelului

Considerăm modelul de regresie cu două variabile, X, Y, de forma: yi   0 xi1 ei . Prin

logaritmare, se obţine modelul: ln yi  ln  0   1 ln xi   i .

Modelul obţinut este un model log-liniar, adică un model de tip liniar în care ambele variabile
apar prin funcţia logaritm.

Pentru a utiliza cu uşurinţă proprietăţile modelului liniar simplu, modelul log-liniar se poate
transforma într-un model liniar, considerând notaţiile:
yi*  ln yi ;
 0*  ln  0 ;
 1*   1 ;
xi*  ln xi ;
 i*   i .
Astfel, rezultă modelul: yi*   0*   1* xi*   i* .

Pentru modelul obţinut, se poate aplica metoda celor mai mici pătrate pentru estimarea
parametrilor  0* ,  1* . Conform rezultatelor şi proprietăţilor cunoscute pentru modelul liniar
simplu, modelul nou (*) admite doi estimatori nedeplasaţi, convergenţi şi eficienţi pentru
parametrii  0* ,  1* . Estimatorii au următoarele relaţii:
n ln xi ln yi   ln xi  ln yi
ˆ
1  i
* i i
, pentru care ˆ 1*  ˆ 1 ,
n (ln xi )2  (  ln xi )2
i i

1 1
ˆ 0*  ln xi  ˆ 1*  ln yi , pentru care ˆ 0*  ln ˆ 0 , ˆ 0  e 0 .
ˆ*

n i n i

Observaţii
1. Pentru modelul iniţial, parametrul 1 este estimat nedeplasat cu ajutorul modelului liniar,
în schimb parametrul 0 este estimat deplasat.

Econometrie – Dănuţ JEMNA

 Regresia neliniară 53

2. Pentru modelul (*), parametrul 1 reprezintă panta dreptei sau tangenta unghiului format
dY * d ln Y
de dreapta de regresie cu axa Ox, adică  1   1*  *
 . Cu alte cuvinte,
dX d ln X
parametrul exprimă variaţia medie relativă a variabilei dependente la o variaţie relativă de
o unitate a variabilei independente.
3. Parametrul  0 are următoarea semnificaţie: este valoarea medie a variabilei dependente,
când variabila independentă ia valoarea unu (X=1).

2. Elasticitatea

Elasticitatea unei variabile Y în raport cu o altă variabilă X reprezintă modificarea relativă

(procentuală) a variabilei Y la o modificare relativă (procentuală) dată a lui X, de obicei mică,
de o unitate.

Formalizând, elasticitatea E este dată prin relaţia:

Y
100
% mod if . Y Y Y X
E    ,
% mod if . X  X
100 X Y
X
unde operatorul  semnifică modificările sau diferenţele realizate la nivelul unei variabile
(operatorul diferenţial).

Observaţii
1. Dacă modificările realizate la nivelul celor două variabile sunt mici, atunci elasticitatea se
poate scrie sub forma:
dY X d ln Y
E sau E 
dX Y d ln X
dY X X
2. Pentru un model de regresie liniară simplă, elasticitatea este de forma: E   1 ,
dX Y Y
adică nu este constantă, ci depinde de raportul valorilor celor două variabile. În practică, de
obicei, se determină o elasticitate medie, pornind de la valorile medii ale celor două variabile
X
şi de la parametrul de regresie. Astfel, elasticitatea medie va fi de forma: E   1 .
Y
d ln Y
3. Pentru modelul log-liniar, elasticitatea este tocmai parametrul 1, adică E   1 .
d ln X
Pentru acest tip de modele, elasticitatea este constantă.

Exemplu

Pentru a exemplifica demersul metodologic al modelării econometrice cu ajutorul unui model

log-liniar, utilizăm baza de date World 95 oferită de pachetul program SPSS. Baza de date
conţine date statistice pentru un eşantion de 109 ţări ale lumii. Din această bază de date,
alegem pentru analiză variabilele Infant mortality (numărul de copii decedaţi în primul an de

Econometrie – Dănuţ JEMNA

54 Regresia neliniară

viaţă, la 1000 de copii născuţi vii), ca variabilă dependentă, şi Gross Domestic Product /
capita (produsul intern brut pe cap de locuitor, exprimat în dolari), ca variabilă independentă.

Infant mortality (deaths per 1000 live births)

200.0 Observed
Power

150.0

100.0

50.0

0.0

0 5000 10000 15000 20000 25000

Gross domestic product / capita

Figura 1. Repartiţia bidimensională a ţărilor după PIB/locuitor şi mortalitatea infantilă

Aşa cum arată figura 1, legătura dintre cele două variabile poate fi explicată cu ajutorul unui
model log-liniar.

Rezultatele estimării şi testării modelului, folosind opţiunea Regression/Curve Estimation din

meniul Analyze, sunt prezentate în tabelele de mai jos.

Model Summ ary

Adjus ted Std. Error of

R R Square R Square the Es timate
.871 .759 .756 .508
The independent variable is Gros s domes tic product / capita.

Tabelul Model Summary ne prezintă estimaţia raportului de corelaţie (R = 0,871) şi a

raportului de determinaţie (R2 = 0,759), ceea ce indică existenţa unei legături puternice între
cele două variabile.

ANOVA

Sum of
Squares df Mean Square F Sig.
Regres s ion 86.842 1 86.842 336.253 .000
Res idual 27.634 107 .258
Total 114.476 108
The independent variable is Gros s domes tic product / capita.

Econometrie – Dănuţ JEMNA

 Regresia neliniară 55

Tabelul ANOVA oferă rezultatele testării modelului log-liniar. Semnificaţia testului Fisher
este SigF = 0,000, ceea ce conduce la decizia de a respinge ipoteza nulă. Se poate afirma cu o
probabilitate de 0,95 că modelul este semnificativ sau între variabile există o legătură de tip
putere.

Coefficients

Uns tandardized Standardized

Coefficients Coefficients
B Std. Error Beta t Sig.
ln(Gros s domestic
-.628 .034 -.871 -18.337 .000
product / capita)
(C ons tant) 3755.157 1029.735 3.647 .000
The dependent variable is ln(Infant m ortality (deaths per 1000 live births)).

Tabelul Coefficients ne oferă estimaţiile parametrilor modelului şi rezultatul testării

parametrilor.

Modelul estimat este de forma: ln Y  ln 3755,157  0,628ln X sau Y  3755,157 X 0 ,628 .

Interpretare
- estimaţia b1 = -0,628 este elasticitatea mortalităţii infantile în raport cu produsul intern
brut pe cap de locuitor şi arată că la o creştere de 1% a PIB/locuitor, mortalitatea
infantilă scade cu 0,628%.
- estimaţia b0 = 3755,157 ne indică mortalitatea infantilă când valoarea PIB/cap de
locuitor este egală cu 1$.

Testul Student pentru fiecare parametru indică estimaţii semnificative statistic pentru
parametrii modelului, deoarece Sigt = 0. În concluzie, se consideră că între cele două
variabile există o legătură ce poate fi modelată cu ajutorul modelului log-liniar.

4.2. Modele semi-logaritmice

Modelele semi-logaritmice sunt modele neliniare în care fie variabila independentă, fie
variabila dependentă apar ca variabile logaritmate. Aceste modele sunt construite de regulă cu
scopul de a estima variaţia relativă sau absolută a variabilei dependente la o variaţie absolută
sau relativă a variabilei independente.

1. Modele cu variabila dependentă logaritmată

Aceste modele sunt construite pentru studiul legăturii dintre variabile prin utilizarea
modelelor matematice de tipul funcţiilor exponenţiale.

Considerăm modelul de regresie de forma: yi   0  1xi ei . Prin logaritmare, se obţine

modelul:

Econometrie – Dănuţ JEMNA

56 Regresia neliniară

ln yi  ln  0  ln  1  xi   i

Se observă că acest model este unul liniar, în care doar variabila dependentă apare
logaritmată, deci este un model liniar semi-logaritmic.

Prin transformări elementare, se obţine un nou model (*) de forma:

yi*   0*   1* xi*   i* , unde
yi*  ln yi ,  0*  ln  0 ,  1*  ln  1 , xi*  xi ,  i*   i

Aplicând metoda celor mai mici pătrate pentru acest nou model (*), se obţin estimatorii:
n ln xi ln yi   ln xi  ln yi
, iar ˆ 1  e 1 ;
ˆ*
ˆ 1*  i i i
n (ln xi )  (  ln xi )
2 2

i i
1 1
ln xi  ˆ 1*  ln yi , iar ˆ 0  e 0 .
ˆ *
ˆ 0*  
n i n i

Observaţii
1. Modelul semi-logaritmic de forma ln Y   0   1  X   se poate utiliza în practică pentru
a estima modificările relative medii ale unei variabile dependente la modificarea absolută
cu o unitate a variabilei independente. Această estimaţie este tocmai estimaţia pentru
d ln Y
parametrul 1. Cu alte cuvinte, pentru acest model,  1  . Parametrul 0 este nivelul
dX
mediu al variabilei dependente, atunci când variabila independentă ia valoarea X=0.
2. În cazul unui model de forma ln Y   0   1  X   , elasticitatea este definită prin relaţia
d ln Y
E  1  X .
d ln X
3. Dacă se consideră variaţia în timp a unui fenomen reprezentat de variabila Y, atunci
modelul de regresie este un model de trend şi are forma: ln Y   0   1  t   , în care t
d ln Y
este variabila timp. Pentru acest model, elasticitatea este E    1  t . Parametrul 1
d ln t
oferă variaţia medie relativă (rata medie de variaţie) a variabilei Y la un moment dat.
4. O variantă a modelului semi-logaritmic este modelul de creştere care are la bază expresia:
yi  e0 1xi i . Prin logaritmare se obţine modelul:
ln yi   0   1 xi   i .
5. O altă variantă a modelului semi-logaritmic cu variabilă dependentă logaritmată este
modelul:
ln Y  ln     X   , care în SPSS se numeşte model exponenţial.
Modelul iniţial prezentat, ln Y  ln   ln   X   , în SPSS, se numeşte model Compound.

Econometrie – Dănuţ JEMNA

 Regresia neliniară 57

Exemplu. Model de creştere

Pentru a exemplifica modelul de regresie semi-logaritmic, considerăm baza de date Cars

oferită de SPSS. Din această bază se utilizează variabilele Time to Accelerate from 0 to 60
mph (secunde), ca variabilă dependentă, şi horspower (cai-putere), ca variabilă independentă.

În figura 2 este prezentată repartiţia unităţilor din eşantion după cele două variabile. Din
figură se observă că timpul de accelerare a unei maşini scade o dată cu creşterea puterii
motorului, iar această scădere poate fi considerată una neliniară.

Modelul de creştere presupune că scăderea timpului de accelerare se realizează mai repede

decât creşterea puterii motorului, ritmul de variaţie fiind dat de parametrul 1.

Time to Accelerate from 0 to 60 mph (sec)

25
Observed

Growth

20

15

10

50 100 150 200 250

Horsepower

Figura 2. Repartiţia bidimensională a eşantionului de maşini după timpul de accelerare şi

puterea motorului

În SPSS, modelarea econometrică a permis obţinerea rezultatelor din tabelele de mai jos.

Model Summ ary

Adjus ted Std. Error of

R R Square R Square the Es timate
.726 .526 .525 .129
The independent variable is Horsepower.

Tabelul de mai sus indică o legătură puternică între cele două variabile. Raportul de corelaţie
estimat este de 0,726, iar raportul de determinaţie este 0,526.

Econometrie – Dănuţ JEMNA

58 Regresia neliniară

ANOVA

Sum of
Squares df Mean Square F Sig.
Regres s ion 7.395 1 7.395 442.360 .000
Res idual 6.654 398 .017
Total 14.049 399
The independent variable is Hors epower.

Rezultatele testării modelului evidenţiază că modelul de creştere estimat explică semnificativ

dependenţa dintre cele două variabile (SigF=0), în condiţiile unui nivel de încredere de 0,95.

Coefficients

Uns tandardized Standardized

Coefficients Coefficients
B Std. Error Beta t Sig.
Hors epower -.004 .000 -.726 -21.032 .000
(Cons tant) 3.092 .019 164.791 .000
The dependent variable is ln(Time to Accelerate from 0 to 60 m ph (s ec)).

Pe baza estimaţiilor prezentate în tabelul de mai sus, se poate scrie modelul estimat:
ln Y  3,092  0,004  X .

Interpretare
- timpul mediu de accelerare a unei maşini de la 0 până la 60mph, atunci când X=0, este de
lny=3,092 secunde, adică y  e 3 ,092  22 secunde;
- la o creştere a puterii maşinii cu un cal-putere, timpul de accelerare a maşinii scade în medie
cu 0,004*100=0,4%.

2. Modele cu variabila independentă logaritmată

Considerăm modelul de regresie de forma: Y   0   1 ln X   .

Interesul cu privire la acest tip de model poate fi confirmat prin interpretarea parametrului de
dY
regresie 1. Astfel, pentru acest model,  1  şi exprimă variaţia absolută medie a
d ln X
variabilei dependente la o modificare cu un procent a variabilei independente.

Analog modelelor anterioare, se poate determina elasticitatea pentru un astfel de model de

d ln Y 1
regresie: E    1  . Se poate observa că elasticitatea nu este constantă.
d ln X Y

Parametrul  0 reprezintă valoarea medie a variabilei dependente, atunci când variabila

independentă ia valoarea egală cu unu.

Econometrie – Dănuţ JEMNA

 Regresia neliniară 59

Parametrii modelului se estimează pe baza metodei celor mai mici pătrate, după relaţiile
cunoscute şi cu respectarea condiţiilor şi proprietăţilor prezentate la modelul liniar simplu.

Exemplu

Utilizând datele disponibile în baza de date World 95 oferită de SPSS, ne propunem să

construim un model de regresie semi-logaritmic în care variabila independentă apare
logaritmată.

Average female life expectancy

Observed
Logarithmic
80

70

60

50

40

0 5000 10000 15000 20000 25000

Gross domestic product / capita

Figura 3. Repartiţia bidimensională a celor 109 ţări după PIB/locuitor şi speranţa medie de
viaţă la femei

Variabile
Din baza de date au fost selectate următoarele variabile:
- speranţa medie de viaţă la femei (ani), variabilă dependentă (Y);
- PIB/locuitor ($), variabilă independentă (X).

Diagrama din figura 3 arată că legătura dintre cele două variabile poate fi aproximată cu
ajutorul unui model de regresie semi-logaritmic.

În SPSS, în urma prelucrării datelor, s-au obţinut rezultatele prezentate în tabelele de mai jos.

Model Summ ary

Adjus ted Std. Error of

R R Square R Square the Es timate
.831 .691 .688 5.907
The independent variable is Gros s domes tic product / capita.

Econometrie – Dănuţ JEMNA

60 Regresia neliniară

În tabelul Model Summary se observă că valoarea raportului de corelaţie este de 0,831, ceea
ce arată o legătură puternică între cele două variabile.

ANOVA

Sum of
Squares df Mean Square F Sig.
Regres s ion 8336.907 1 8336.907 238.935 .000
Res idual 3733.441 107 34.892
Total 12070.349 108
The independent variable is Gros s domes tic product / capita.

Testul Fisher din tabelul ANOVA arată că modelul propus pentru a explica dependenţa dintre
speranţa medie de viaţă feminină şi PIB/locuitor este semnificativă (SigF=0,00).

Coefficients

Uns tandardized Standardized

Coefficients Coefficients
B Std. Error Beta t Sig.
ln(Gros s domestic
6.154 .398 .831 15.458 .000
product / capita)
(C ons tant) 21.670 3.187 6.799 .000

Conform tabelului Coefficients, modelul estimat este următorul:

Y  21,67  6 ,154ln X .

Interpretare
- valoarea b0=21,67 este speranţa medie de viaţă feminină pentru o ţară, în condiţiile în care
valoarea PIB/locuitor este de 1 $ ;
- valoarea b1=6,154/100=0,061 ani arată cu cât creşte în medie speranţa de viaţă feminină la
o creştere cu 1% a PIB/locuitor.

Testul Student pentru fiecare parametru evidenţiază că pentru modelul considerat, parametrii
sunt semnificativi statistic (Sigt=0,00).

4.3. Modelul reciproc. Curba lui Philips

Modelele econometrice care au la bază ecuaţia unei hiperbole poartă numele de modele
reciproce. Acestea sunt modelele în care variabila independentă apare prin inversa sau prin
reciproca sa.

1. Prezentarea modelului
Modelul reciproc este definit prin relaţia:
1
Y  0  1   .
X

Econometrie – Dănuţ JEMNA

 Regresia neliniară 61

Pentru acest model, parametrul 0 reprezintă o valoare limită pe care o atinge variabila
dependentă, atunci când valorile variabilei independente cresc la infinit.

Semnul parametrului 1 indică sensul variaţiei:

- dacă parametrul 1 este pozitiv, atunci o creştere a lui X determină o descreştere a lui Y, şi
invers.
- dacă parametrul 1 este negativ, atunci creşterea valorilor variabilei independente determină
o creştere a valorilor variabilei dependente, şi invers.

2. Estimarea parametrilor modelului

Estimarea parametrilor modelului nu ridică probleme din punctul de vedere al posibilităţii de
construire a estimatorilor. Aplicarea metodei celor mai mici pătrate este posibilă, relaţiile
estimatorilor nefiind afectate decât prin transformarea xi  xi1 . De exemplu, pentru
yi 1
n    yi
x i xi i
parametrul 1, relaţia este: ˆ 1  i i .
1 1
n  ( )2  (  )2
i xi i xi

Exemplu. Curba lui Philips

În teoria şi practica economică a fost consacrat modelul reciproc pentru a exprima dependenţa
dintre următoarele două variabile:
- indicele salariului real (Y), exprimat în procente (în alte modele apare rata
inflaţiei);
- rata şomajului (X), exprimată în procente.

Pentru a exemplifica modelarea econometrică cu ajutorul modelului reciproc, considerăm un

set de date la nivelul României, în perioada 1991-2004. Reprezentarea grafică a repartiţiei
bidimensionale pentru datele disponibile pentru cele două variabile este în figura 4.

Repartiţia bidimensională din figura 4 arată că între cele două variabile există o legătură care
poate fi modelată cu ajutorul curbei Philips.
indice_sal

85.00 Observed
Inverse

80.00

75.00

70.00

65.00

60.00

55.00

2.00 4.00 6.00 8.00 10.00 12.00

rata_somaj

Figura 4. Indicele salariului real şi rata şomajului în România, în perioada 1991-2004

Econometrie – Dănuţ JEMNA

62 Regresia neliniară

Rezultatele modelării econometrice, obţinute în SPSS, sunt prezentate mai jos.

Model Summ ary

Adjus ted Std. Error of

R R Square R Square the Es timate
.790 .625 .594 5.221
The independent variable is rata_som aj.

Raportul de determinaţie arată că 62,5% din variaţia variabilei dependente, indicele real al
salariului, este explicat de variaţia variabilei independente, rata şomajului. Între aceste două
variabile există o legătură puternică.

ANOVA

Sum of
Squares df Mean Square F Sig.
Regres s ion 544.710 1 544.710 19.982 .001
Res idual 327.113 12 27.259
Total 871.824 13
The independent variable is rata_s omaj.

Testul Fisher, prezentat în Tabelul ANOVA, conduce la decizia de a respinge ipoteza nulă
conform căreia dependenţa dintre variabile nu este semnificativ explicată de modelul reciproc.
Cu o probabilitate de 0,95 se admite alternativa, şi anume că modelul este semnificativ
statistic.

Coefficients

Uns tandardized Standardized

Coefficients Coefficients
B Std. Error Beta t Sig.
1 / rata_s omaj 103.302 23.109 .790 4.470 .001
(C ons tant) 52.029 3.305 15.743 .000

Conform rezultatelor din tabelul de mai sus, modelul reciproc estimat este de forma:
1
Y  52,029  103,302 .
X

Interpretare
- estimaţia b0 = 52,029 reprezintă indicele salariului real când rata şomajului tinde spre
infinit;
- estimaţia b1 = 103,302 este valoarea care arată cu cât scade în medie indicele real al
salariului la o creştere a ratei şomajului cu 1%.

Econometrie – Dănuţ JEMNA

 Regresia neliniară 63

4.4. Modele polinomiale

Modelele polinomiale sunt modele de regresie neliniară care admit o legătură între variabila
dependentă şi cea independentă care poate fi explicată printr-o funcţie polinomială de grad
mai mare sau egal cu doi.

1. Modelul parabolic sau quadratic

Modelul parabolic are forma:

Y  0  1 X   2 X 2   ,

Parametrii acestui model se estimează cu ajutorul metodei celor mai mici pătrate. Aplicarea
acestei metode conduce la un sistem de ecuaţii cu trei necunoscute (estimatorii parametrilor
modelului) care admite trei soluţii. Sistemul de ecuaţii este de forma:
 ˆ ˆ
n 0   1  xi  ˆ 2  xi2  yi
i i i

ˆ ˆ ˆ
 0  xi   1  xi   2  xi  xi yi
2 3

 i i i i

ˆ  x 2  ˆ  x 3  ˆ  x 4  x 2 y
 0 i i 1
i
i 2
i
i
i
i i

Prin rezolvarea sistemului se obţin relaţiile pentru cei trei estimatori, iar pe baza acestora se
obţin relaţiile de calcul pentru estimaţiile parametrilor modelului.

Modelul parabolic se pretează la acele aplicaţii economice care presupun o schimbare în

variaţia variabilei dependente la o anumită valoare critică a variabilei independente care
corespunde unui punct de extrem (de minim sau de maxim).

Exemplu. Funcţia de cost

Pentru a exemplifica un model parabolic, considerăm un set de date convenţionale pentru

două variabile, costul unitar (unităţi monetare) şi producţia unui bun A (bucăţi), pentru un
eşantion de 10 firme.

Diagrama din figura 5 arată că între costul unitar şi producţia firmei există o legătură de tip
parabolic cu un punct de minim.

Econometrie – Dănuţ JEMNA

64 Regresia neliniară

cost_unit

50.00 Observed
Quadratic

40.00

30.00

20.00

10.00

2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00

productie

Figura 5. Repartiţia firmelor după costul unitar şi producţie

În urma prelucrării datelor în SPSS, s-au obţinut rezultatele prezentate în tabelele de mai jos.

Model Summ ary

Adjus ted Std. Error of

R R Square R Square the Es timate
.941 .886 .853 4.484
The independent variable is productie.

Tabelul Model Summary indică o legătură foarte puternică între cele două variabile, legătură
explicată prin modelul parabolic (R=0,941).

ANOVA

Sum of
Squares df Mean Square F Sig.
Regres s ion 1091.326 2 545.663 27.133 .001
Res idual 140.774 7 20.111
Total 1232.100 9
The independent variable is productie.

În urma testării modelului, se ajunge la concluzia că modelul propus este semnificativ statistic
pentru a explica dependenţa dintre costul unitar şi producţie (SigF=0,001, este mai mică decât
0,05).

Econometrie – Dănuţ JEMNA

 Regresia neliniară 65

Coefficients

Uns tandardized Standardized

Coefficients Coefficients
B Std. Error Beta t Sig.
productie -25.795 3.895 -5.322 -6.623 .000
productie ** 2 2.114 .351 4.842 6.026 .001
(C ons tant) 89.041 9.231 9.646 .000

Modelul estimat este de forma: Y  b  b1 X  b2 X 2 . Rezultă modelul:

Y  89,04  25,795X  2,114X 2 .

Pe baza modelului estimat se pot face predicţii şi se pot stabili coordonatele punctului de
minim, adică nivelul producţiei optim pentru care costul unitar este minim. Abscisa punctului
b 25,79
de minim este:  1   6 ,11 (vezi figura 5) şi corespunde unei producţii de 611
2b2 4 ,22
bucăţi din produsul A, producţie la care costul unitar este minim.

2. Modelul cubic

Modelul cubic are la bază o funcţie polinomială de gradul trei şi are forma:
Y  0  1 X   2 X 2   3 X 3  

Acest model este utilizat pentru a aprecia evoluţii mai complexe ale unor realităţi economice.
Un exemplu tipic întâlnit în literatura de specialitate este funcţia costului total (Y), care
depinde de valoarea producţiei (X).

Parametrii modelului se estimează prin metoda celor mai mici pătrate. Prin aplicarea acestei
metode rezultă un sistem de ecuaţii cu patru necunoscute. Sistemul de ecuaţii obţinut este:

nˆ 0  ˆ 1  xi  ˆ 2  ˆ 3  xi3  yi
 i i i
ˆ
 0  xi  ˆ 1  xi2  ˆ 2  xi3  ˆ 3  xi4  xi yi
i i i i i
ˆ ˆ ˆ ˆ
 0  xi   1  xi   2  xi   3  xi  xi yi
2 3 4 5 2

 i i i i i

ˆ  x 3  ˆ  x 4  ˆ  x 5  ˆ  x 6  x 3 y
 0 i i 1
i
i 2
i
i 3
i
i
i
i i

Exemplu

Din baza de date World 95, oferită de SPSS, se selectează două variabile: gradul de urbanizare
(procentul populaţiei urbane dintr-o ţară), ca variabilă dependentă, şi PIB/locuitor, ca
variabilă independentă.

Econometrie – Dănuţ JEMNA

66 Regresia neliniară

Conform reprezentării grafice din figura 6, se observă că dependenţa dintre cele două
variabile poate fi explicată cu ajutorul unui model cubic. O dată cu creşterea gradului de
dezvoltare economică creşte şi ponderea populaţiei urbane a acelei ţări. Continuarea creşterii
economice poate determina şi un uşor fenomen de scădere a gradului de urbanizare prin
fenomenul de migraţie spre zonele rurale din preajma marilor aglomeraţii urbane. Creşterea
economică poate antrena urbanizarea prin cooptarea acestor regiuni în zonele metropolitane.

În concluzie, variaţia gradului de urbanizare în funcţie de gradul de dezvoltare economică a

statelor este mai complexă şi poate fi explicată prin modelul de tip cubic.

Analiza econometrică realizată în SPSS confirmă ipoteza unei dependenţe polinomiale de

gradul trei între cele două variabile.

People living in cities (%)

100 Observed
Cubic

80

60

40

20

0 5000 10000 15000 20000 25000

Gross domestic product / capita

Figura 6. Repartiţia ţărilor din eşantion după gradul de urbanizare şi PIB/locuitor

Model Summ ary

Adjus ted Std. Error of

R R Square R Square the Es timate
.699 .488 .474 17.559
The independent variable is Gros s domes tic product / capita.

Indicatorii de corelaţie, prezentaţi în tabelul Model Summary, indică existenţa unei legături
intense, semnificative între variabile, după legea modelului cubic (R=0,699).

Econometrie – Dănuţ JEMNA

 Regresia neliniară 67

ANOVA

Sum of
Squares df Mean Square F Sig.
Regres s ion 30615.972 3 10205.324 33.100 .000
Res idual 32064.944 104 308.317
Total 62680.917 107
The independent variable is Gros s domes tic product / capita.

Testarea modelului conduce la decizia de a respinge ipoteza nulă şi de a considera că modelul

este semnificativ statistic (SigF=0,00) pentru un nivel de încredere de 0,95.

Coefficients

Uns tandardized Standardized

Coefficients Coefficients
B Std. Error Beta t Sig.
Gros s domes tic
.010 .002 2.557 4.950 .000
product / capita
Gros s domes tic
-6.1E-007 .000 -3.206 -2.652 .009
product / capita ** 2
Gros s domes tic
1.21E-011 .000 1.255 . .
product / capita ** 3
(C ons tant) 32.036 3.395 9.438 .000

Tabelul coeficienţilor de regresie estimaţi permite scrierea ecuaţiei modelului estimat şi

identificarea coordonatelor celor două puncte de extrem: un punct de maxim, un punct de
minim, precum şi a punctului de inflexiune.

Modelul estimat este:

Y  32,036  0 ,01X  6 ,1  106 X 2  1,21 1011 X 3 ,
iar coeficienţii de regresie sunt semnificativi statistic.

Econometrie – Dănuţ JEMNA

68 Regresia neliniară

Test1

1. Pentru variabilele indicele salariului real şi rata somajului, observate pentru România în
perioada 1990-2005, s-au obţinut rezultatele din tabelul de mai jos.
Coefficients

Uns tandardized Standardized

Coefficients Coefficients
B Std. Error Beta t Sig.
1 / rata_s omaj 103.302 23.109 .790 4.470 .001
(C ons tant) 52.029 3.305 15.743 .000

Estimaţia b=103,302 arată:

a) cu cât creşte indicele salariului real dacă rata inflaţiei creşte cu 1%
b) cu cât scade indicele salariului real dacă rata inflaţiei creşte cu 1%
c) nivelul indicelul slariului real când rata inflaţiei este infinită

2. Rezultatele modelării legăturii dintre variabilele PIB/loc ($) şi Speranţa medie de viaţă
(ani), pentru un eşantion de ţări, în anul 2007, sunt prezentate în tabelul de mai jos.
Coefficients

Uns tandardized Standardized

Coefficients Coefficients
B Std. Error Beta t Sig.
ln(PIB / loc) .095 .007 .807 14.153 .000
(C ons tant) 32.713 1.761 18.573 .000
The dependent variable is ln(Speranta medie de viata).

Ecuaţia modelului estimat este:

a) YX=32,71 +0,095X
b) YX  32,71 X 0 ,095
c) lnYX=ln32,71+0,095lnX

3. Rezultatele modelării legăturii dintre variabilele PIB/loc ($) şi mortalitatea infantilă (decese
la 1000 de născuţi vii) pentru un eşantion de ţări, sunt prezentate în tabelul de mai jos.
Coefficients

Uns tandardized Standardized

Coefficients Coefficients
B Std. Error Beta t Sig.
ln(Gros s domestic
-.628 .034 -.871 -18.337 .000
product / capita)
(C ons tant) 3755.157 1029.735 3.647 .000
The dependent variable is ln(Infant m ortality (deaths per 1000 live births)).

Valoarea -0,628 indică:

a) scăderea mortalităţii infantile la o creştere cu 1 $ a PIB / loc
b) creşterea mortalităţii infantile la o creştere cu 1 $ a PIB / loc
c) scăderea procentuală a mortalităţii infantile la o creştere cu 1 % a PIB / loc

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

Econometrie – Dănuţ JEMNA

 Regresia neliniară 69

4. Rezultatele modelării legăturii dintre variabilele PIB/loc ($) şi Speranţa medie de viaţă
(ani), pentru un eşantion de ţări, sunt prezentate în tabelul de mai jos.
Coefficients

Uns tandardized Standardized

Coefficients Coefficients
B Std. Error Beta t Sig.
ln(Gros s domestic
6.154 .398 .831 15.458 .000
product / capita)
(C ons tant) 21.670 3.187 6.799 .000

Sunt corecte afirmaţiile:

a) ecuaţia estimată a modelului de regresie este: Y  21,67  6 ,154ln X
b) valoarea b1=6,154/100 arată cu cât creşte în medie speranţa de viaţă feminină la o creştere
cu 1% a PIB/locuitor
c) valoarea b0=21,67 este speranţa medie de viaţă estimată pentru o ţară, în condiţiile în care
valoarea PIB/locuitor este de 0 $

5. Rezultatele modelării legăturii dintre variabilele PIB/loc ($) şi Speranţa medie de viaţă
(ani), pentru un eşantion de ţări, sunt prezentate în tabelul de mai jos.
Coefficients

Uns tandardized Standardized

Coefficients Coefficients
B Std. Error Beta t Sig.
ln(Gros s domestic
6.154 .398 .831 15.458 .000
product / capita)
(C ons tant) 21.670 3.187 6.799 .000

Sunt corecte afirmaţiile:

a) ecuaţia estimată a modelului de regresie este: ln Y  21,67  6 ,154X
b) valoarea b1=6,154 arată cu cât creşte în medie speranţa de viaţă feminină la o creştere cu
1% a PIB/locuitor
c) valoarea b0=21,67 este speranţa medie de viaţă estimată pentru o ţară, în condiţiile în care
valoarea PIB/locuitor este de 1 $

Econometrie – Dănuţ JEMNA