Proiect Econometrie Final

Cuprins
Introducere .................................................................................................................................. 2
APLICAŢIA 1: ........................................................................................................................... 3
Model de regresie simplă ........................................................................................................ 3
1.1. Literature review.......................................................................................................... 3
1.2. Metodologia cercetării ................................................................................................. 4
2.1. Date utilizate ................................................................................................................ 4
2.2. Rezultatele empirice ale cercetării ............................................................................... 6
3. Concluzii....................................................................................................................... 11
APLICAŢIA 2: ......................................................................................................................... 11
Model de regresie multiplă ................................................................................................... 11
1.1. Literature review........................................................................................................ 11
1.2. Metodologia cercetării ............................................................................................... 12
2.1. Date utilizate .............................................................................................................. 12
2.2. Rezultatele empirice ale cercetării ............................................................................. 16
3. Concluzii....................................................................................................................... 28
APLICAŢIA 3: ......................................................................................................................... 29
Model cu ecuații simultane ................................................................................................... 29
1.1. Literature review........................................................................................................ 29
1.2. Metodologia cercetării ............................................................................................... 29
2.1. Date utilizate .............................................................................................................. 30
2.2. Rezultatele empirice ale cercetării ............................................................................. 34
3. Concluzii....................................................................................................................... 36
Concluzii finale ........................................................................................................................ 37
ANEXE..................................................................................................................................... 38
Bibliografie ............................................................................................................................... 42
1
Introducere
Modelul clasic de regresie liniară reprezintă una dintre tehnicile statistice cele mai
versatile şi mai des utilizate în analiza economică. Prin acest proiect ne propunem să realizăm
analiza modelelor liniare de regresie și, în vederea atingerii acestui scop, vor fi avute în
vedere trei modele de regresie diferite.
Prima aplicaţie analizează prin intermediul unui model unifactorial de regresie
influenţa ratei de ocupare a populaţiei României din perioada 1999 – 2013 asupra PIB-
ului/locuitor. Studiile efectuate pe perioadele anterioare arată existența unei legături directe și
puternice, de aceea dorim să analizăm în ce măsură acest lucru se verifică la nivelul țării
noastre, în ultimii 15 ani.
A doua aplicaţie își propune să studieze prin intermediul unui model multifactorial de
regresie factorii care influențează câștigul salarial în industria de fabricare a produselor textile
din România. Cu ajutorul acestui model se dorește evidențierea semnificației factorilor de care
angajatorii țin cont în stabilirea salariului acordat lucrătorilor, și cu precădere care este
acțiunea pe care productivitatea muncii o exercită asupra câștigului salarial.
Ultima aplicaţie se referă la modelul echilibrului dublu sau simultan. Pentru
elaborarea acestui model s-au studiat datele pentru următoarele variabile: produsul intern brut,
rata dobânzii, masa monetară şi investiţiile brute în perioada 1977-2012, în China. Se
urmărește să se evidențieze în ce măsură rata dobânzii și investițiile acționează asupra PIB-
ului.
În continuare, sunt descrise şi analizate tehnicile de regresie puse la dispoziţie de către
programul econometric Eviews: specificarea şi estimarea unui model de regresie, efectuarea
de analize simple de diagnostic şi utilizarea rezultatelor estimării în analize suplimentare, cum
ar fi efectuarea de prognoze.
2
APLICAŢIA 1:
Model de regresie simplă
1.1. Literature review
Aplicația de față își propune analizeze prin intermediul unui model unifactorial de
regresie influenţa ratei de ocupare a populaţiei României din perioada 1999 – 2013 asupra
PIB/locuitor în aceeaşi perioadă.
Acest model a fost abordat anterior în sursa1 s-a arătat că pe o perioada de 10 ani
(2002 - 2011) între cele două variabile exista o legătură directă și puternică. Prezentul studiu
măreşte numărul de unităţi de la 10 la 15, de aceea după estimarea modelului se obţin
rezultate semnificative însă mai slabe din punct de vedere statistic.
Conform (Anon., 2012), Zoltan Kazatsay, director general adjunct, Direcţia Generală
pentru Ocuparea forţei de muncă, Afaceri Sociale şi Incluziune din cadrul Comisiei Europene,
afirmă despre rata de ocupare a forţei de muncă în România că este de 63%, a şasea ca nivel
din Europa, dintre statele cu cele mai mici rate. Patru priorităţi vizează aspecte privind
capitalul uman. Asta înseamnă importanţa investirii în capitalul uman. Funcţionarea pieţei
muncii necesită îmbunătăţiri. Rata de ocupare în România a stagnat între anii 2007 şi 2011,
este vorba în special de situaţia ocupării forţei de muncă în rândul tinerilor. Diferenţa dintre
rata generală a ocupării şi cea din rândul tinerilor este, în România, de 16%, faţă media
europeană, de 10%. Rata este mai mare decât era în 2008.
Potrivit oficialului european, aproape o treime din forţa de muncă din România se află
în domenii cu productivitate scăzută, în timp ce la capitolul educaţiei şi formării profesionale
situaţia este îngrijorătoare.
România a ajuns la finalul anului 2012 la o rată de ocupare a forţei de muncă de
aproape 60%, în condiţiile în care ţinta naţională pentru anul 2020 este de 70%, potrivit
proiectului „Strategia Europa 2020“. Referindu-ne la contextul european în acelaşi timp, 75%
din populaţia Olandei cu vârsta de peste 15 ani a lucrat cel puţin o oră pe săptămână în
decursul aceluiaşi interval, obiectivul acestei ţări fiind ca în următorii şase ani ponderea să
mai crească cu încă 5%, arată cele mai recente date ale Eurostat, biroul de statistică al
Comisiei Europene. În Olanda, statul în care piaţa forţei de muncă temporară este cea mai
dezvoltată din Europa, un sfert din angajaţi au contracte de muncă în regim temporar, adesea
angajatorii încheind şi contracte colective de muncă pentru angajaţii temporari.
Conform (Mirea, 2013), deşi România este departe de ratele de ocupare a forţei de
muncă atinse de ţări precum Germania, Danemarca sau Marea Britanie, unde ponderea
salariaţilor în total populaţie aptă de muncă variază între 70 şi aproape 73% din numărul total
de locuitori, situaţia locală este mai bună decât în state precum Bulgaria sau Ungaria.
Deşi rata de ocupare a forţei de muncă din România este sub media europeană (de
64%), România are o populaţie ocupată mai mare decât cea a Greciei, a Spaniei sau a Italiei,
unde rata de ocupare variază între 51% şi aproape 57%. Ţinta de ocupare a forţei de muncă
stabilită în Strategia Europa 2020 (semnată de statele membre UE în 2010) include populaţia
cu vârste cuprinse între 20 şi 64 de ani, în timp ce rata de ocupare calculată de Eurostat
include numărul de persoane cu vârste cuprinse între 15 şi 64 de ani care au obţinut venituri
pentru cel puţin o oră de muncă lucrată pe săptămână.
1
http://www.revistadestatistica.ro/Articole/2012/RRS12_2012_a5_ro.pdf
3
1.2. Metodologia cercetării
Pe baza cercetărilor efectuate în domeniu, am hotarât realizarea unui model în care să

includem valorile reale ale PIB-ului pe cap de locuitor din România, precum şi rata de
ocupare a populaţiei cu vârste cuprinse între 15 şi 64 de ani.
Forma acestuia este următoarea:

𝑃𝐼𝐵 = 𝛽0 + 𝛽1 ∗ 𝑋 ,
unde:
X – variabila independentă, adică rata de ocupare a populaţiei
PIB – variabila dependentă, adică PIB per locuitor.
Pentru a analiza corelațiile dintre variabilele selectate, am folosit date cu o frecvență
anuală, preluate de pe site-ul Institutului Național de Statistică şi site-ul EUROSTAT. Pentru
PIB-ul real per locuitor am deflaţionat datele, luând ca an de bază 1999 prin împărţirea la
Indicele Preţului de Consum din anul respectiv a valorilor nominale ale PIB-ului.
Cu ajutorului softului Eviews, am estimat modelul, folosind metoda celor mai mici
pătrate și am testat validitatea modelului, gradul său de bonitate, ipotezele modelului
unifactorial de regresie precum și semnificația statistică a parametrilor incluși în model.
2.1. Date utilizate
Definirea variabilelor utilizate în model
„Rata de ocupare a populaţiei reprezintă ponderea populaţiei ocupate din grupa de

vârstă x în populaţia totală din aceeaşi grupă de vârstă x”. (Anon., 2013) În acest proiect ne-
am concentrat pe grupul de vârstă 15-64 ani.
Din statisticile disponibile reiese că în medie 58.6% din populaţia României se află în
câmpul muncii, cu o abatere de circa 0,68. Distribuția este asimetrică pozitivă moderată
(coeficientul de asimetrie - Skewness), iar coeficientul de aplatizare de 2,68 < 3 arată că este
platicurtică. Valorile variază între minimul de 57.7% rata de ocupare a populaţiei din anul
2005 și maximum 60,2% în 2013.
Mod de colectare a datelor: Auto-înregistrare.
Periodicitate: Anuală.
Sursa de colectare: EUROSTAT şi din cercetări anterioare(Revista Română de
Statistică nr. 12 / 2012).
Transformări aduse datelor: Datele sunt exprimate în procente din populaţia totală,
conform formulei:
Ro = Po 15-64 / Pt 15-64 *100 ,

unde:
Ro – rata de ocupare a populaţiei de 15-64 ani;
Po 15-64 – populaţia ocupată în vârstă de 15-64 ani;
Pt 15-64 – populaţia totală în vârstă de 15-64 ani.
Cel mai elocvent indicator de măsurare a creşterii economice este produsul intern brut.
Produsul intern brut per locuitor este „PIB-ul împărțit la numărul locuitorilor. Acesta este
adesea dat ca ajustat, însemnând că este astfel calculat încât nivelurile diferitelor prețuri sunt
mascate în diferite țări. Astfel poate fi comparată eficiența diferitelor țări”. (Anon., 2013)
Din graficul următor se poate observa trendul ascendent al PIB-ului per locuitor al
României în toată perioada analizată, cu două puncte de inflexiune reprezentate de anii 1999
4
şi 2013. Creşterea cea mai spectaculoasă a acestui indicator macroeconomic a fost înregistrată
între anii 2002-2008.
Periodicitate: Anuală.
Sursa de colectare: EUROSTAT şi din cercetări anterioare(Revista Română de
Statistică nr. 12 / 2012).
Transformări aduse datelor: Datele sunt deflatate prin împarţirea la Indicele Preţurilor
de Consum, având ca an de baza 1999.
Tabelul 1. Principalele statistici descriptice ale indicilor
Evoluția economică a variabilelor incluse în model
Evolutia Ratei de ocupare a populatiei în vârstã de muncã (15-64 ani)

60.5
60.0
59.5
59.0
58.5
58.0
57.5
2000 2002 2004 2006 2008 2010 2012
Figura 1. Evoluţia Ratei de ocupare a populaţiei în vârstă de muncă (15-64 ani) in perioada 1999-2013
Se poate observa în figura de mai sus, că tendința între anii de observație este de
creștere, însă se remarcă puternice variații ale acestuia de la un an la altul. De asemenea, se
observă creşterea puternică dintre anii 2005-2006 datorată aderării României la Uniunea
Europeană, în timp ce scaderea dramatică din 2009 poate fi pusă pe seama debutului crizei
economice in România.
5
Figura 2. PIB/locuitor în România între anii 1999-2013
În ceea ce priveşte evoluţia PIB pe cap de locuitor, se observă ca acesta are o evoluţie
crescătoare pe parcursul anilor de studiu, facându-se remarcată perioada 2002-2009, perioada
în care este inclusă şi aderarea României la Uniunea Europeană.
2.2. Rezultatele empirice ale cercetării
Pentru a determina intensitatea relaţiei dintre variabile (cât de bine este reprezentat
setul de date cu ajutorul funcţiei de regresie) se stabileşte nivelul corelaţiei dintre acestea.
Corelaţia indică intensitatea legăturii dintre variabile prin măsurarea gradului de împrăştierea
a datelor înregistrate în jurul dreptei de regresie. Raportul de corelaţie va avea semnul
parametrului 𝛽1 din ecuaţia de regresie. Vom calcula acum coeficientul de corelaţie Pearson:
𝑟𝑥𝑦 = √𝑅 2 = 𝑅 = 0,63364 , care indică o legătură directă puternică între cele

două variabile.
Vom continua cu estimarea parametrilor modelului. Analiza seriilor de date

considerate, precum şi estimarea parametrilor modelului de regresie a fost realizată cu ajutorul
pachetului de programe infromatice specializate Eviews, prin aplicarea M.C.M.M.P, ducând
la obţinerea următoarelor rezultate:
6
Tabelul 2. Estimarea parametrilor prin MCMMP
Ecuaţia modelului este următoarea:
𝑃𝐼𝐵 = 𝛽0 + 𝛽1 ∗ 𝑋
𝑃𝐼𝐵 = −626800,4 + 10944,24 ∗ 𝑋
Coeficientul de regresie 𝛽 ̂1 vine să completeze coeficientul de corelaţie Pearson şi

arată faptul că legătura dintre cele două variabile este un directă, deoarece 𝛽̂1 este pozitiv. De
asemenea, se poate afirma că o creştere cu un procent a ratei ocupării va conduce la o
majorare cu 10944,24 unităţi monetare a valorii Produsului Intern Brut pe cap de locuitor.
Valoarea ridicată a termenului liber 𝛽 ̂0 reflectă faptul că influenţa factorilor
nespecificaţi în model asupra evoluţiei variabilei rezultative (Produsul Intern Brut pe locuitor)
este una semnificativă, ceea ce conduce la concluzia că modelul utilizat este corect şi poate fi
dezvoltat şi aprofundat în continuare în vederea asigurării unor rezultate mai bune.
Există aşadar o legătură directă si puternică între rata de ocupare a populaţiei şi PIB pe
cap de locuitor.
Coeficientul de determinație (R-squared = 0,4015) arată ca apoximativ 40,15% din
variaţia ratei de ocupare a populaţiei este explicata de PIB per locuitor, restul variaţiei fiind
explicată de factori care nu sunt incluşi în model. Coeficientul de determinaţie ajustat
Adjusted R-squared(=0,3555) ţine cont si de numărul de observaţii şi de cel al variabilelor
exogene.
Raportul de corelație (R = 0,63364) tinzând spre 1 demonstrează că modelul de
regresie estimat aproximează bine datele de observație, având o bonitate ce sugerează că
modelul poate fi dezvoltat în viitoare cercetări pentru obţinerea unor rezultate mai bune.
Abaterea medie pătratică a erorilor estimate (S.E. of regression) este de 9482,11.
În continuarea vom verifica semnificaţia parametrilor cu ajutorul testului t:
𝐻0 : 𝛽0 = 0; 𝛽1 = 0 (parametrii nu sunt semnificativi, modelul nu este valid)

𝐻1 : 𝛽0 ≠ 0; 𝛽1 ≠ 0 (parametrii sunt semnificativi din punct de vedere statistic,
modelul este valid statistic)
Deoarece | t calc | t tab (1,98) pentru fiecare dintre cei 2 parametri  respingem H0 
acceptăm H1  toți parametrii βi sunt semnificativi statistic la pragul de semnificaţie de 5%
7
(i=0,1). Acest lucru este întărit și de valorile foarte mici ale lui Prob. pentru fiecare parametru
al modelului(0,0112, respectiv 0,0131).
Testarea validității modelului:
Pentru testarea validității modelului de regresie, ipotezele sunt:
𝐻0 : modelul nu este valid statistic (MSR=MSE)

𝐻1 : modelul este valid statistic (MSR>MSE)
Putem afirma cu siguranță că modelul este semnificativ statistic în urma testului F (F-
statistic = 8,724 > F critic, deci se respinge ipoteza 𝐻0 și se acceptă 𝐻1 ), fiind valid pentru un
nivel de semnificație Prob. (F-statistic)=0,01139, mai mic față de 5%.
Verificarea îndeplinirii ipotezelor modelului de regresie liniară simplă
1. Forma funcţională este liniară: PIB= -626800,4+10944,24*X
2. Normalitatea distribuției erorilor aleatoare și media acestora
Pentru testarea ipotezei de normalitate a erorilor aleatoare se va folosi testul Jarque-Bera,

cu ipotezele:
𝐻0 : erorile aleatoare au distribuție normală

𝐻1 : erorile aleatoare nu au distribuția normală.
6
Series: RESID
Sample 1999 2013
5
Observations 15
4 Mean -3.88e-11
Median -1096.957
Maximum 22005.70
3 Minimum -14614.85
Std. Dev. 9137.191
2 Skewness 0.631186
Kurtosis 3.640890
1 Jarque-Bera 1.252701
Probability 0.534539
0
-10000 0 10000 20000
Figura 3. Test Jarque-Bera
Probabilitatea asociată acestui test este de 0,534 care tinde spre 1, deci se va accepta
ipoteza H0, erorile aleatoare având distribuție normală. Se observă că media erorilor aleatoare
este -3,88e-11, fiind foarte aproape de zero.
3. Homoscedasticitatea erorilor aleatoare
Pentru a observa dacă erorile aleatoare sunt homoscedastice sau nu, vom aplica
următoarele teste:
8
Testul White
Tabelul 3. Testul White
Testul se aplică pentru următoarele ipoteze:

𝐻0 : există homoscedasticitate
𝐻1 : există heteroscedasticitate.
Obținem că Prob. F pentru statisticile calculate este mai mare de 5%, respectiv
0,364612, astfel există o probabilitate foarte mare de a greși în respingerea lui 𝐻0 , deci
acceptăm 𝐻0 , conform căreia erorile aleatoare sunt homoscedasticitate.
Testul Glejser
Tabelul 4. Testul Glejser

𝐻0 : 𝛽0 = 𝛽1 = 0 (există homoscedasticitate)
𝐻1 : 𝛽0 ≠ 𝛽1 ≠ 0 (există heteroscedasticitate)
9
Din figura de mai sus rezultă că avem coeficienții parametrilor-pantă nesemnificativi
statistic, probabilitatea acestora fiind mai mare de 5% (0,9483, respectiv 0,9141), deci
acceptăm H0, erorile aleatoare fiind homoscedastice.
4. Neautocorelarea erorilor aleatoare
Testul Durbin-Watson
Folosim statistica Durbin-Watson cu ipotezele:

𝐻0 : ρ =0 (nu există autocorelarea erorilor aleatoare de ordinul I)
𝐻1 : ρ ≠0 (există autocorelarea erorilor aleatoare de ordinul I)
Se obține DW = 2,0725 pentru modelul analizat.
Valorile critice ale statisticii DW sunt d1=1,645 și d2=1,7219.

Având în vedere că DW calculat se află în intervalul (d2,4- d2), rezultă că nu există
autocorelarea erorilor.
Previziuni pe baza modelului de regresie liniară multiplă estimat
În această secţiune vom previziona PIB-ul pe cap de locuitor pe teritoriul României

pentru anul 2014, în condițiile unei rate de ocupare a populaţiei cu vârste cuprinse între 15 şi
64 de ani de 61%.
Figura 4. Previziune PIB pentru 2014
Cu ajutorul utilitarului Eviews, s-a previzionat că în anul 2014 PIB-ul pe cap de

locuitor va atinge pragul de 43848,54mii lei/loc. De asemenea, cu o probabilitate de 95%
putem garanta că în anul 2014, PIB pe cap de locuitor se va încadra în intervalul
[17371;70326].
10
3. Concluzii
În urma prelucrărilor efectuate asupra datelor s-au obținut un model econometric de

regresie liniară cu o bonitate ridicată care reușește să surprindă modul în care rata de ocupare
a populaţiei cu vârsta cuprinsă între 15 şi 64 de ani reuşeşte sa influenţeze variaţia PIB-ului
real pe cap de locuitor.
Modelul unifactorial rezultat în urma estimării este:
𝑃𝐼𝐵 = −626800,4 + 10944,24 ∗ 𝑅𝑎𝑡𝑎𝐷𝑒𝑂𝑐𝑢𝑝𝑎𝑟𝑒
Cu ajutorul utilitarului Eviews am estimat modelul de mai sus, obţinând următoarele

concluzii finale:
Raportul de determinare confirmă faptul că rata de ocupare este un factor care
influenţează creşterea PIB-ului pe cap de locuitor, aceasta influenţând variaţia produsului
intern brut în proporţie de 40,15%.
Cu o probabilitate de 95% şi pentru 13 grade de libertate, utilizând statistica t se poate
aprecia că ipoteza semnificaţiei de corelaţie se verifică şi între variabilele cercetate există o
legatură semnificativă, deci 𝑟𝑦/𝑥 este semnificativ statistic şi modelul de analiză este corect
specificat.
Între valoarea Produsului Intern Brut pe locuitor şi cea a ratei ocupării populaţiei
înregistrate în anii 2002 – 2011 există o relaţie directă semnificativă. Se poate afirma că o
creştere cu un procent a ratei ocupării a conduce la o majorare cu 11.150,08 unităţi monetare a
valorii Produsului Intern Brut pe locuitor.
APLICAŢIA 2:
Model de regresie multiplă
Aplicația de față își propune analizeze prin intermediul unui model multifactorial de
regresie factorii care influențează câștigul salarial în industria de fabricare a produselor textile
din România. Se dorește evidențierea semnificației factorilor de care angajatorii țin cont în
stabilirea salariului acordat lucrătorilor.
Stabilirea determinanților câștigului salarial a reprezentat o problemă actuală, mai ales
în contextul globalizării, care a avut un impact major, în special asupra industriei ușoare.
România este una din țările în care activitatea economică din industria ușoară s-a redus
considerabil, aproape la jumătate, numai în ultimele două decenii. (Vișan & Dobre, 2012)
În cursul anului se înregistrează fluctuaţii ale câştigului salarial determinate, în
principal, de acordarea primelor anuale şi a primelor de sărbători (decembrie, martie/aprilie).
Acestea influenţează creşterile sau scăderile în funcţie de perioada în care sunt acordate,
conducând, în cele din urmă, la estomparea fluctuaţiilor câştigului salarial lunar la nivelul
întregului an. (Statistică, 2013)
În general, teoria economică postulează o legătură puternică între productivitatea
muncii și salariu, acestea fiind direct proporționale. Există și teorii conform cărora salariul
influențează productivitatea muncii, și nu invers, Akerlof susținând că salariile reale mai mari
conduc la un efort mai mare din partea muncitorilor. (Klein, 2012)
Cu toate acestea, economia României înainte de criză s-a confruntat cu problema
creșterii salariilor mai repede decât productivitatea muncii, făcând astfel ca forța de muncă să
devină din ce în ce mai scumpă în raport cu valoarea adaugată pe care o genera. (Anon., 2009)
11
Lipsa unei legături puternice între salariu și productivitatea muncii, în unele țări poate fi
explicată prin factori macroeconomici și / sau instituționali. Acești factori au tendința de a
crea o discrepanță între cele două variabile, ceea ce înseamnă că câștigurile obținute pe seama
productivității muncii nu sunt aliniate la creșterile salariale (sau invers), pe termen scurt sau
pe termen lung.
“Valoarea adăugată brută (baza de calcul a productivităţii) depinde nu de numărul de
salariaţi în primul rând, ci de gradul de tehnologizare şi calitatea utilajelor, de eficienţa
organizării şi de management, de guvernanţa corporativă, de nivelul de sofisticare al
produselor (care influenţează şi preţul). România stă prost la toate aceste capitole iar
disponibilizările în masă, atât la stat cât şi la privat, nu rezolvă problema productivităţii.”
(Anon., 2013)
De aceea, se dorește să se identifice în ce măsură productivitatea muncii a influențat
salariile muncitorilor din industria textilă, în ultimii 9 ani.
Pe baza cercetărilor efectuate în domeniu, am hotarât realizarea unui model în care să

includem productivitatea muncii, indicele cifrei de afaceri pe piața internă, precum și indicele
prețurilor producției industriale pentru piața internă, pentru a analiza influența acestor factori
asupra câștigului salarial nominal, în industria textilă.
Forma acestuia este următoarea:
ICS = β0+ β1* IPM + β2 * ICA + β3 * IPPI,
unde:
ICS – indicele câștigului salarial mediu net lunar
IPM – indicele productivității muncii în industrie
ICA – indicele valoric al cifrei de afaceri din unitățile industriale pe piața internă
IPPI – indicele prețurilor producției industriale pentru piața internă
Pentru a analiza corelațiile dintre variabilele selectate, am folosit date cu o frecvență

lunară, din ianuarie 2005 și până în octombrie 2013, preluate de pe site-ul Institutului
Național de Statistică. Pentru câștigul salarial mediu net lunar am calculat indicii cu bază fixă,
cu an de bază 2010. Pentru toate variabilele din model am desezonalizat seriile, pentru a
elimina componenta sezonieră.
Cu ajutorului softului Eviews, am estimat modelul, folosind metoda celor mai mici
pătrate și am testat validitatea modelului, gradul său de bonitate, precum și semnificația
statistică a parametrilor incluși în model. După validarea modelului, acesta a fost corectat
astfel încât să îndeplinească ipotezele modelului de regresie liniară multiplă.
2.1. Date utilizate
Câștigul salarial mediu net lunar pe activități (secțiuni și diviziuni) ale economiei
naționale CAEN Rev.2 (ICS)
Definiție: “Câștigul salarial nominal net se obține prin scăderea din câștigul salarial
nominal brut a: impozitului, contribuției salariaților pentru asigurările sociale de sanatate,
contribuției individuale de asigurări sociale de stat și a contribuției salariaților la bugetul
asigurărilor pentru șomaj.
12
Câștigul salarial mediu lunar reprezinta raportul dintre sumele plătite salariaților de
către agenții economici în luna de referință, indiferent pentru ce perioadă se cuvin, și numărul
mediu de salariați. Numărul mediu al salariaților reprezintă o medie aritmetică simplă
calculată pe baza efectivelor zilnice ale salariaților din luna respectivă. Salariații care nu sunt
angajați cu normă întreagă se includ în numărul mediu proporțional cu timpul de lucru
prevăzut în contractul de muncă. În efectivul de salariați luat în calcul se includ numai
persoanele care au fost plătite pentru luna respectivă. Nu se iau în considerare: salariații aflati
în concediu fără plată, în grevă, detașați la lucru în străinatate și cei al căror contract de
muncă/raport de serviciu a fost suspendat.” (Anon., fără an)
Periodicitate: Lunară.
Sursa de colectare: Cercetarea statistică lunară asupra câștigurilor salariale.
Transformări aduse datelor: Pentru câștigul salarial mediu net lunar am calculat
indicii cu bază fixă, raportați la anul de bază 2010, astfel încât fiecare variabilă inclusă în
model să fie exprimată procentual, având la bază aceeași formulă de calcul.
Indicele productivității muncii în industrie, pe activități CAEN Rev.2, serii lunare

- an de bază 2010 (IPM)
Definiție: “Indicii productivității muncii pe un salariat în industrie se calculează pe
baza indicilor producției industriale (Laspeyres) și a indicilor numărului mediu de salariați
pentru agenții economici cu activitate industrială.” (Anon., fără an)
Sursa de colectare: Cercetarea statistică privind produsele și serviciile industriale.
Indicele valoric al cifrei de afaceri din unitățile industriale pe piața internă - an

de bază 2010 (ICA)
Definiție: “Cifra de afaceri a unei întreprinderi reprezintă veniturile totale (pe piața
internă și externă) înregistrate de către întreprinderea cu activitate principală industrială în
perioada respectivă, provenite atât din activitatea principală, cât și din activitățile secundare
exercitate de aceasta. Cifra de afaceri nu include TVA și veniturile din vânzarea sau transferul
de mijloace fixe.” (Anon., fără an)
Sursa de colectare: Cercetarea statistică privind cifra de afaceri în industrie.
Indicele prețurilor producției industriale pentru piața internă pe activități

(diviziuni) CAEN Rev.2 și mari grupe industriale - evoluția lunară - 2010 = 100 (IPPI)
Definiție: “Indicele prețurilor producției industriale (IPPI) măsoară evoluția de
ansamblu a prețurilor produselor/serviciilor industriale fabricate și livrate în primul stadiu de
comercializare de producătorii interni într-o anumită perioadă (denumită perioadă curentă)
față de o perioadă anterioară (denumită perioadă de bază sau de referință).”
Sursa de colectare: Cercetare statistică privind prețurile producției industriale.
Toate datele necesare estimării modelului au fost preluate de pe site-ul Institutului
Național de Statistică, www.insse.ro, din baza de date „TEMPO-Online - serii de timp”, de
unde s-au selectat acești indicatori, începând cu luna ianuarie 2005 și până în octombrie 2013.
De asemenea, fiecare serie de date în parte a fost desezonalizată pentru eliminarea
componentei sezoniere, acest lucru fiind necesar, așa cum se observă din graficele, care pot fi
consultate în ANEXE (Figura 1, Figura 2, Figura 3, Figura 4).
13
În continuare se va analiza fiecare variabilă inclusă în model, pentru a evidenția

evoluția sa economică, de-a lungul celor nouă ani, pentru care s-au selectat datele.
Figura 5. Graficul evoluției economice a indicelui câștigului salarial mediu net lunar
Se poate observa că începând cu anul 2005 și până în anul 2013, indicele câștigului
salarial net, raportat la anul 2010, a cunoscut o evoluție ascendentă, acesta atingându-și
maximul în luna iulie, respectiv în luna august a anului 2013. Se evidențiază, totodată, faptul
că de la o lună la alta acest indice cunoaște fluctuații, cea mai semnificativă fiind de 18 puncte
procentuale, înregistrată între lunile noiembrie și decembrie ale anului 2010. Aceste fluctuații
pot fi puse pe seama acordării primelor anuale şi a primelor de sărbători.
Figura 6. Graficul evoluției economice a indicelui productivității muncii în industrie

14
În ceea ce privește evoluția indicelui productivității muncii, raportat la anul de bază
2010, se poate observa că tendința între anii de observație este de creștere, însă se remarcă
puternice variații ale acestuia de la o lună la alta.
Figura 7. Graficul evoluției economice a indicelui valoric al cifrei de afaceri din unitățile industriale pe piața internă
Evoluția indicelui valoric al cifrei de afaceri din unitățile industriale pe piața internă,
raportat la anul de bază 2010, a cunoscut de asemenea variații semnificative lunare, cea mai
importantă înregistrându-se între lunile noiembrie 2007 și ianuarie 2008, de 27 de puncte
procentuale. Între anii 2005-2007 acesta a avut o tendință evidentă de creștere, urmată de o
perioadă de declin între anul 2008 și până la jumătatea anului 2009, după care a început din
nou să crească, dar cu un ritm mai lent. Perioada de scădere poate fi pusă pe seama crizei
economice, cu care s-a confruntat în aceea perioadă și țara noastră.
Figura 8. Graficul evoluției economice a indicelui prețurilor producției industriale pentru piața internă
15
Indicele prețurilor producției industriale pentru piața internă, raportat la anul de bază
2010, a cunoscut de-a lungul celor 9 ani analizați o creștere vizibilă, fără a înregistra variații
notabile de la o lună la alta.
Mai întâi vom analiza intensitatea și sensul legăturii dintre variabila dependentă și
fiecare dintre cele trei variabile exogene. Pentru aceasta vom calcula coeficientul de corelație
liniară Pearson.
Pe baza rezultatelor obținute, pe care le putem consulta în secțiunea ANEXE, putem
formula următoarele concluzii:
Între indicele câștigului salarial mediu net lunar și indicele productivității muncii în
industrie exista o legătură directă puternică, valoarea coeficientului de corelație fiind de
0,864.
Legătura dintre indicele câștigului salarial mediu net lunar și indicele prețurilor
producției industriale pentru piața internă este, de asemenea, una în sens direct, cu intensitate
puternică, coeficientul de corelație având valoarea 0,981.
Nu în ultimul rând, între indicele valoric al cifrei de afaceri din unitățile industriale pe
piața internă și variabila dependentă analizată se observă că există o legătură în sens invers, de
intensitate mai slabă, totuși (r = -0,356).
Se poate afirmă că putem include în model toate cele trei variabile, întrucât fiecare
impactează într-o anumită măsură indicele câștigului salarial mediu net lunar în industria
textilă.
Vom continua cu estimarea parametrilor modelului, pentru aceasta realizând ecuația

modelului multifactorial folosind pachetul de programe EViews, prin aplicarea M.C.M.M.P.,
care a condus la obţinerea următoarelor rezultate:
Tabelul 5. Regresie multifactorială între ICS și IPM, ICA și IPPI
16
Ecuația modelului este următoarea:
ICS_SA = β1* IPM_SA + β2 * ICA_SA + β3 * IPPI_SA + β0

ICS_SA = 0,366 * IPM_SA – 0,0623 * ICA_SA + 1,368 * IPPI_SA - 69,981
̂ are valoarea 0,366, ceea ce arată că la o creștere cu

Coeficientul de regresie parţial, β1
un procent a indicelui productivității muncii, indicele câștigului salarial mediu net lunar
crește, în medie, cu 0,366 procente, ceilalţi factori incluși în model rămânând constanţi.
̂ ==-0,0623, arată că, menţinând celelalte variabile constante, atunci când indicele
β2
valoric al cifrei de afaceri din unitățile industriale pe piața internă creşte cu un procent,
indicele câștigului salarial mediu net lunar crește, în medie, cu 0,0623 procente.
̂ ilustrează că la o creștere cu un procent a indicelui
Coeficientul de regresie parţial, β3
prețurilor producției industriale pentru piața internă, indicele câștigului salarial mediu net
lunar crește în medie cu 1,368 procente.
̂ =300,28625 arată că, dacă cele trei variabile explicative au valoarea 0, valoarea
β0
medie a indicele câștigului salarial mediu net lunar este estimată la -69,981%. Parametrul de
̂ nu are o semnificație economică.
interceptare β0
Există așadar o dependență directă între indicele câștigului salarial mediu net lunar în
idustria textilă și indicele productivității muncii în industrie, respectiv indicele prețurilor
producției industriale pentru piața internă, dar și una inversă între variabila endogenă și
indicele valoric al cifrei de afaceri din unitățile industriale pe piața internă.
Coeficientul de determinație (R-squared = 0,9791) arată că 97,91% din variația

variabilei dependente este explicată de variația simultană a indicelui productivității muncii în
industrie, indicelui prețurilor producției industriale pentru piața internă și indicelui valoric al
cifrei de afaceri din unitățile industriale pe piața internă, adică o legătură puternică între
variabila endogenă și cele trei variabile exogene, lucru confirmat și de coeficientul de
determinație ajustat (Adjusted R-squared = 0,9785), care ia în considerare și numărul de
observații și numărul de variabile exogene.
Raportul de corelație (R = 0,9894) tinzând spre 1 demonstrează că modelul de regresie
estimat aproximează foarte bine datele de observație, având o bonitate ridicată. Abaterea
medie pătratică a erorilor estimate (S.E. of regression) este de 3,558.
Verificarea semnificației parametrilor:
H0: β0=0
β1=0 (parametrii nu sunt semnificativi statistic, modelul nu este valid)
β2=0
β3=0
H1: βi≠0 , i=0,1,2,3 (parametrii sunt semnificativi statistic, modelul este valid)
Deoarece t calc  t tab (1,98) pentru fiecare dintre cei 4 parametri  respingem H0 
acceptăm H1  toți parametrii βi sunt semnificativi statistic la pragul de semnificaţie de 5%
(i=0,1,2,3). Acest lucru este întărit și de valorile foarte mici ale lui Prob. pentru fiecare
parametru al modelului.
Testarea validității modelului:
Pentru testarea validității modelului de regresie, ipotezele sunt:

H0: modelul nu este valid statistic (MSR=MSE)
17
H1: modelul este valid statistic (MSR>MSE)
Putem afirma cu siguranță că modelul este semnificativ statistic în urma testului F (F-
statistic = 1596,292 >>> F critic, deci se respinge ipoteza H0 și se acceptă H1), fiind valid
pentru un nivel de semnificație Prob. (F-statistic)=0,000000, mult mai mic față de 5%.
Verificarea îndeplinirii ipotezelor modelului de regresie liniară multiplă
În continuare se va verifica dacă modelul estimat îndeplinește ipotezele modelului de

regresie liniară multiplă.
1. Normalitatea distribuției erorilor aleatoare și media acestora
Pentru testarea ipotezei de normalitate a erorilor aleatoare se va folosi testul Jarque-

Bera, cu ipotezele:
H0: erorile aleatoare au distribuție normală

H1: erorile aleatoare nu au distribuția normală.
12
Series: Residuals
Sample 2005M01 2013M10
10
Observations 106
8 Mean -6.05e-14
Median 0.078496
Maximum 8.789596
6 Minimum -7.556380
Std. Dev. 3.506824
4 Skewness 0.134966
Kurtosis 2.548386
2 Jarque-Bera 1.222612
Probability 0.542642
0
-8 -6 -4 -2 0 2 4 6 8
Figura 9. Testul Jarque-Bera pentru normalitatea erorilor aleatoare – output Eviews
Probabilitatea asociată acestui test este de 0,542 care tinde spre 1, deci se va accepta
ipoteza H0, erorile aleatoare având distribuție normală.
Se observă că media erorilor aleatoare este -6,05e-14, fiind foarte aproape de zero.
2. Homoscedasticitatea erorilor aleatoare
Pentru a observa dacă erorile aleatoare sunt homoscedastice sau nu, vom aplica
următoarele teste:
18
Testul White
Tabelul 6. Testul White pentru testarea homoscedasticității erorilor aleatoare
Acest test se bazează pe regresia pătratelor reziduurilor în raport cu toate variabilele

exogene, cu pătratele acestora și cu produsele lor încrucișate (implementarea lui în EViews).
H0: există homoscedasticitate
H1: există heteroscedasticitate.
Obținem că Prob. F pentru statisticile calculate este mai mare de 5%, respectiv 0,1164,
astfel există o probabilitate foarte mare de a greși în respingerea lui H0, deci acceptăm H0,
conform căreia erorile aleatoare sunt homoscedasticitate.
19
Testul Glejser
Tabelul 7. Testul Glejser pentru testarea homoscedasticității erorilor aleatoare
Aplicând testul Glejser cu următoarele ipoteze:

H0: β1= β2= β3=0 (există homoscedasticitate)
H1: β1≠ β2≠ β3≠0 (există heteroscedasticitate).
Din rezultatele testului reiese că avem coeficienții parametrilor-pantă nesemnificativi
statistic, probabilitatea acestora fiind mai mare de 5% (0,301, 0,055, respectiv 0,715), deci
acceptăm H0, erorile aleatoare fiind homoscedastice.
3. Necoliniaritatea variabilelor explicative
În sens larg, multicoliniaritatea înseamnă că există cel puțin cel puțin 2 variabile
explicative care sunt liniar dependente sau sunt liniar independente, dar puternic corelate.
Pentru a verifica dacă există multicoliniaritatea între variabilele explicative, vom folosi mai
multe metode.
Statistica F
Statistica F a modelului estimat este semnificativă, având o valoare mare, precum și
statisticile t pentru coeficienți, prin urmare, această metodă nu este concludentă.
20
Matricea coeficienților de corelație
Tabelul 8. Corelații între variabile
Covariance Analysis: Ordinary

Date: 01/11/14 Time: 16:14
Sample: 2005M01 2013M10
Included observations: 106
Correlation ICS_SA IPM_SA ICA_SA IPPI_SA

ICS_SA 1.000000
IPM_SA 0.864000 1.000000
ICA_SA -0.356100 -0.297384 1.000000
IPPI_SA 0.981094 0.808914 -0.306704 1.000000
Din matricea coeficienților de corelație, reiese că ripm_sa,ippi_sa =0,8089 < 0,85, adică
deși există o legătură directă semnificativă între cele 2 variabile exogene, nu putem afirma că
aceasta este suficient de puternică pentru a induce multicoliniaritatea în date a modelului.
ripm_sa,ipc_sa =-0,297, iar rica_sa,ippi_sa=-0,3067, ceea ce semnifică o legătură inversă slabă.
Așadar, conform matricei de corelații liniare a variabilelor explicative, putem
concluziona că ipoteza de necoliniaritate a variabilelor explicative este îndeplinită.
Coeficienții de determinație
Comparăm coeficientul de determinație al modelului complet cu coeficienții de

determinație din modelul din care a fost eliminată, pe rând, una din variabilele independente.
Tabelul 9. Regresie multifactorială între ICS și IPM, ICA
Dependent Variable: ICS_SA

Method: Least Squares
Date: 01/11/14 Time: 17:39
Sample: 2005M01 2013M10
Variable Coefficient Std. Error t-Statistic Prob.
C -33.27099 12.63484 -2.633273 0.0098

IPM_SA 1.552244 0.094898 16.35698 0.0000
ICA_SA -0.134980 0.063090 -2.139495 0.0348
R-squared 0.757283 Mean dependent var 83.91312

Adjusted R-squared 0.752570 S.D. dependent var 24.28327
S.E. of regression 12.07906 Akaike info criterion 7.848718
Sum squared resid 15028.08 Schwarz criterion 7.924098
Log likelihood -412.9820 Hannan-Quinn criter. 7.879270
F-statistic 160.6815 Durbin-Watson stat 0.710638
Prob(F-statistic) 0.000000
21
Tabelul 10. Regresie multifactorială între ICS și IPM, IPPI

Date: 01/11/14 Time: 17:41
Sample: 2005M01 2013M10
C -80.05653 2.554820 -31.33549 0.0000

IPM_SA 0.380031 0.047567 7.989372 0.0000
IPPI_SA 1.384737 0.043227 32.03393 0.0000

Tabelul 11. Regresie multifactorială între ICS și ICA și IPPI

Date: 01/11/14 Time: 17:42
Sample: 2005M01 2013M10
C -61.99758 4.779022 -12.97286 0.0000

ICA_SA -0.075600 0.023718 -3.187482 0.0019
IPPI_SA 1.632407 0.032421 50.35063 0.0000

Rezultatele obținute indică faptul că, în primul caz, R2y = 0,9791 > R2ics_sa, ica_sa, ippi_sa
= 0,7572, are semnificația că variabila omisă (IPM_SA) nu e coliniară cu celelalte variabile
explicative. În cazul al doilea, R2y = 0,9791 > R2ics_sa, ipm_sa, ippi_sa = 0,9868, valorile sunt foarte
apropiate, ceea ce ar înseamna că variabila ICA_SA e coliniară cu celelalte variabile exogene.
Situația este aceeași și în cazul al treilea, când, R2y = 0,9791 > R2ics_sa, ica_sa, ippi_sa = 0,9659.
22
Criteriul lui Klein
Tabelul 12. Regresie unifactorială între ICA și IPM
Dependent Variable: ICA_SA

Date: 01/11/14 Time: 16:22
Sample: 2005M01 2013M10
C 156.7859 12.21808 12.83228 0.0000

IPM_SA -0.447317 0.140823 -3.176444 0.0020

Tabelul 13. Regresie unifactorială între ICA și IPPI

Date: 01/11/14 Time: 16:23
Sample: 2005M01 2013M10
C 158.1832 12.23888 12.92465 0.0000

IPPI_SA -0.419244 0.127579 -3.286150 0.0014

23
Tabelul 14. Regresie unifactorială între IPM și IPPI
Dependent Variable: IPM_SA

Date: 01/11/14 Time: 16:24
Sample: 2005M01 2013M10
C 16.05198 5.025967 3.193808 0.0019

IPPI_SA 0.735110 0.052391 14.03121 0.0000

Având în vedere că R2y =0.979145>r2ica_sa,ipm_sa = 0.088437, R2y =0.979145

>r ipm_sa,ippi_sa =0.654341, R2y =0.979145 > r2ica_sa,ippi_sa = 0.094067 putem aprecia că nu există
2
multicoliniaritate la nivelul datelor analizate.
Criteriul Factorului de Inflație a Variației (FIV)

Tabelul 15. Valoarea factorului de inflație a variației pentru testarea multicoliniarității variabilelor exogene
În fiecare din cele trei cazuri valoarea lui VIF aparține intervalului (1, 5), demonstrând
că multicoliniaritatea modelului este una foarte scăzută.
În urma testelor efectuate, putem aprecia că gradul de multicoliniaritate este scăzut,

deci nu se impune corectarea modelului.
4. Neautocorelarea erorilor aleatoare
Testul Durbin-Watson
Folosind statistica Durbin-Watson cu ipotezele:

H0: ρ =0 (nu există autocorelarea erorilor aleatoare de ordinul I)
H1: ρ ≠0 (există autocorelarea erorilor aleatoare de ordinul I)
Se obține DW = 0.749126.
24
Valorile critice ale statisticii DW sunt d1=1,645 și d2=1,7219. 2
Având în vedere că DW calculat se află în intervalul (0, d1), rezultă că există totuși
autocorelare de ordinul I pozitivă.
Testul Breusch-Godfrey
Pentru detectarea erorilor aleatoare de ordin superior, folosim testul Breusch-Godfrey,
cu ipotezele:
H0: nu există autocorelarea erorilor aleatoare
H1: există autocorelarea erorilor aleatoare.
Tabelul 16. Testul Breusch-Godfrey pentru testarea autocorelării de ordin superior a erorilor aleatoare
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 28.80018 Prob. F(3,99) 0.0000

Obs*R-squared 49.39822 Prob. Chi-Square(3) 0.0000
Test Equation:
Dependent Variable: RESID
Date: 01/11/14 Time: 18:51
Sample: 2005M01 2013M10
Presample missing value lagged residuals set to zero.
C 0.880077 2.887348 0.304805 0.7612

IPM_SA -0.083526 0.035345 -2.363185 0.0201
ICA_SA 0.006321 0.013997 0.451561 0.6526
IPPI_SA 0.058028 0.031650 1.833445 0.0697
RESID(-1) 0.485723 0.097961 4.958339 0.0000
RESID(-2) 0.295322 0.104797 2.818041 0.0058
RESID(-3) 0.006625 0.100239 0.066096 0.9474
R-squared 0.466021 Mean dependent var -6.05E-14

Cum Prob. F = 0,0000< 5%, deci trebuie să respingem H0 și să acceptăm H1, existând
autocorelare de ordin superior. Pentru a determina ordinul de autocorelare, consultăm
valoarea lui Prob. pentru Resid(-1), Resid (-2) și Resid (-3). Cum primele două sunt < 5%,
rezultă că avem autocorelare de ordinul doi.
Corectarea autocorelației:
2
http://www.stanford.edu/~clint/bench/dw05b.htm
25
Tabelul 17. Regresie multifactorială după prima corectare a autocorelării erorilor
Dependent Variable: DICS_SA

Date: 01/11/14 Time: 12:31
Sample (adjusted): 2005M02 2013M10
Included observations: 105 after adjustments
C -26.55989 1.992359 -13.33088 0.0000

DICA_SA -0.015902 0.021385 -0.743594 0.4588
DIPM_SA 0.119185 0.038637 3.084762 0.0026
DIPPI_SA 1.545683 0.052536 29.42122 0.0000

Tabelul 18. Regresie multifactorială după a doua corectare a autocorelării erorilor
Dependent Variable: DDICS_SA

Date: 01/11/14 Time: 12:34
Sample (adjusted): 2005M03 2013M10
Included observations: 104 after adjustments
C -21.03260 1.806372 -11.64356 0.0000

DDICA_SA 0.009141 0.021399 0.427175 0.6702
DDIPM_SA 0.070069 0.035033 2.000104 0.0482
DDIPPI_SA 1.581497 0.061699 25.63245 0.0000

După eliminarea autocorelării reziduurilor, modelul obținut este în continuare

semnificativ statistic, cu o bonitate ridicată, dar una dintre variabilele exogene devine
nesemnificativă statistic, și anume, indicele valoric al cifrei de afaceri pe piața internă.
De aceea, se impune să eliminăm această variabilă din model și să estimăm modelul
final. Acesta îndeplinește toate ipotezele modelului clasic de regresie multiplă, și are în
continuare o bonitate ridicată, aproximând foarte bine datele de observație. Toți parametrii
modelului final sunt semnificativi statistic, având Prob. asociată mai mică de 5%.
Coeficientul de determinație (R-squared = 0,8985) arată că 89,85% din variația
variabilei dependente este explicată de variația simultană a indicelui productivității muncii în
industrie și a indicelui prețurilor producției industriale pentru piața internă.
26
Tabelul 19. Regresie multifactorială între ICS și IPM, IPPI.Foma finală a modelului
Previziuni pe baza modelului de regresie liniară multiplă estimat
Se cere să se previzioneze indicele câștigului salarial mediu net lunar pentru luna
noiembrie 2013, în condițiile în care indicele productivității muncii în industrie, raportat la
anul de bază 2010, e de 105%, iar indicele prețurilor producției industriale pentru piața
internă, raportat la anul de bază 2010, este de 119,2%.
Figura 10. Previziune asupra valorii în luna noiembrie a idicelui câștigului salarial mediu net lunar
27
Folosind softul Eviews, obținem că în condițiile specificate, indicele câștigului salarial
mediu net lunar pentru luna noiembrie 2013 se previzionează a fi 119,84813 %. De asemenea,
cu o probabilitate de 95% putem garanta că în luna noiembrie, indicele câștigului salarial
mediu net lunar se va încadra în intervalul [115,27664% , 124,47664%].
3. Concluzii
În urma prelucrărilor efectuate asupra datelor s-a obținut un model econometric de

regresie liniară cu o bonitate ridicată, care reușește să surprindă modul în care care indicele
productivității muncii în industrie, indicele valoric al cifrei de afaceri din unitățile industriale
pe piața internă, respectiv indicele prețurilor producției industriale pentru piața internă
influențează indicele câștigului salarial mediu net lunar.
Modelul multifactorial rezultat în urma estimării și corectării pentru a îndeplini
ipotezele unui model clasic de regresie (inițial modelul avea autocorelare de ordinul doi a
erorilor) este:
ICS = 0,07 * IPM – 0,009 * ICA + 1,581 * IPPI - 21,03
Se observă pe baza outputului de regresie din Eviews că parametrul indicelui valoric al

cifrei de afaceri nu este semnificativ, acesta având Prob. de 0,6702, deci se consideră necesară
eliminarea acestei variabile exogene din model, întrucât este nesemnificativă statistic. Acest
lucru este confirmat și de valoarea foarte mică a parametrului, care arată că la o modificare cu
un procent a indicelui valoric al cifrei de afaceri, indicele câștigului salarial mediu net lunar s-
ar modifica în sens invers cu 0,009 procente.
Estimând din nou modelul în care includem doar două variabile exogene, cele care își
păstrează semnificația statistică, în urma corectării impuse de îndeplinirea ipotezelor
modelului de regresie liniară multiplă, determinăm forma finală a acestuia:
ICS = 0,073 * IPM + 1,575 * IPPI - 20,629
Coeficientul de regresie parţial al indicelui productivității muncii are valoarea 0,073,

ceea ce arată că la o creștere cu un procent a indicelui productivității muncii, indicele
câștigului salarial mediu net lunar crește, în medie, cu 0,073 procente, ceilalţi factori incluși în
model rămânând constanţi. Acest lucru ne dovedește faptul că în industria textilă
productivitatea muncii nu este un determinant semnificativ al salariului, impactul pe care
aceasta îl generează fiind foarte mic.
În schimb, al doilea coeficient de regresie parţial ilustrează că la o creștere cu un
procent a indicelui prețurilor producției industriale pentru piața internă, indicele câștigului
salarial mediu net lunar crește, în medie, cu 1,575 procente, așadar această variabilă exogenă
are un impact mare asupra salariului net lunar în industria textilă.
În concluzie, la nivelul țării noastre, în industria textilă, se poate afirma că
productivitatea muncii nu reprezintă un determinant semnificativ al câștigului salarial mediu
net lunar, un impact semnificativ asupra acestuia exercitând însă indicele prețurilor producției
industriale pentru piața internă.
28
APLICAŢIA 3:
Model cu ecuații simultane
„Modelul IS-LM sau modelul echilibrului dublu sau simultan, este un model
economic în baza teoriei macroeconomice keynesiene.”(Anon., 2014) Acest model operează
cu mărimi economice agregate (nivelul ratelor dobânzii, volumul total de producție,
cheltuielile publice, masa monetară etc.).
Echilibrul economic este privit ca echilibru pe două piețe:
 piața bunurilor și serviciilor
 piața monetară (sau piața banilor)
Grafic, modelul este reprezentat ca intersecția a doua linii/curbe, numite IS și LM.
Principalele mărimi variabile ale modelului sunt:
 R= nivelul ratelor dobânzii
 Y= PIB
„Curba IS ("Curba investițiilor egale cu economisirile") reprezintă toate combinațiile
posibile dintre venit și rata dobânzii care echilibrează piața bunurilor și serviciilor.
Curba LM ("Curba cererii pentru mijloace lichide egale cu masa monetară") reprezintă
toate combinațiile posibile dintre venit și rata dobânzii care echilibrează piața banilor.”
Economia chineză este cea de-a doua la nivel mondial după SUA în ceea ce priveşte
Produsul Intern Brut. Astfel, China a avut anul trecut un PIB de aproximativ 8.200 miliarde
de dolari, circa jumătate din cel al Statelor Unite.
În ceea ce priveşte investiţiile, economia chineză continuă să fie puternic marcată,
acestea crescând cu 20,1% pe ansamblul primului trimestru din anul 2013. (Anon., 2013)
Masa monetară a Chinei a crescut pana la 110650 CNY bilioane în decembrie 2013 de
la 107930 CNY bilioane în noiembrie 2013. Masa monetară medie este de 37395,44 CNY
bilioane din 1996 până în 2013. Rata dobânzii, în medie este de 6,42 % de la 1996 până în
2013. (Anon., 2013)
Forma structurală a unui model cu ecuaţii simultane este forma iniţială a modelului
rezultată în urma etapei de specificare şi reprezintă structura (elemente şi conexiuni)
procesului descris. Specificarea unui model econometric reprezintă alegerea variabilelor
endogene, stabilirea numărului de ecuaţii în forma structurală, alegerea numărului de variabile
factoriale considerate determinante pentru evoluţia fiecăreia dintre variabilele endogene,
stabilirea fiecărei ecuaţii de regresie, definirea relaţiilor de identitate dacă acestea există.
29
Pentru definirea modelului IS-LM se consideră variabilele R = rata dobânzii, M =
masa monetară, Y = Produsul Intern Brut şi I = Investiţiile. Ecuaţiile modelului:
Rt  a  bM t  cYt  dM t 1   t
Yt  e  fRt  gI t  ut
Pentru estimarea parametrilor modelului cu ecuaţii simultane am folosit softul statistic
EViews şi am parcurs urmatoarele etape:
Etapa I: Introducerea datelor in Eviews
Introducerea seriilor de date în EViews folosind date trimestriale, din perioada 1977-
2012, pentru Produsul intern brut, Rata dobânzii, Masa Monetară şi Investiţiile.
Etapa II: Identificarea variabilelor endogene/exogene
Identificarea ecuaţiilor MES (Metoda ecuațiilor simultane) luând în considerare
elementele de mai jos:
- Variabilele predeterminate din model : Mt, Mt-1, It
- Variabilele endogene din model :Rt, Yt=>m=2, (m-1)=1
Cum k* (nr. de variabile endogene și predeterminate care lipsesc din ecuație) = 1,
obținem că avem k* = (m-1) => modelul este exact identificat, deci putem folosi pentru
estimare atât metoda regresiei indirecte, cât și metoda celor mai mici pătrate în două faze.
Etapa III: Estimarea parametrilor pentru fiecare ecuaţie
Pentru fiecare regresie am estimat parametrii utilizând metoda celor mai mici patrate.
Etapa IV: Estimare prin metoda TSLS simultan pentru ambele ecuaţii
Se estimează parametrii sistemului cu ecuaţii simultane, prin opţiunea Estimation şi
metoda de estimare TSLS, simultan pentru cele două ecuaţii.
2.1. Date utilizate
„Produsul intern brut (prescurtat PIB) este un indicator macroeconomic care

reflectă suma valorii de piață a tuturor mărfurilor și serviciilor destinate consumului final,
produse în toate ramurile economiei în interiorul unei țări în decurs de un an. Acesta se poate
calcula și la nivelul unei regiuni sau localități.”(Anon., 2013) În cazul de faţă, noi am analizat
Pib-ul Chinei în perioada 1977-2012.
Periodicitate: Trimestrială.
Sursa de colectare: Cercetarea statistică lunară asupra sumei valorii de piață a tuturor
mărfurilor și serviciilor destinate consumului final.
30
“Rata dobânzii este nivelul procentual aplicat capitalului împrumutat pe perioada
derulării creditului.”
Sursa de colectare: Cercetarea statistică lunară asupra nivelului capitalului
împrumutat.
“Investițiile brute în bunuri corporale reprezintă valoarea investițiilor efectuate în

cursul perioadei de referință în toate bunurile corporale, adică cele cumpărate de la terți sau
produse pe cont propriu (producția de imobilizări de bunuri corporale) și a căror durată de
utilizare este mai mare de 1 an.
Investițiile nete reprezintă cheltuielile efectuate pentru lucrări de construcții, de
instalații si de montaj, pentru achiziționarea de utilaje, mijloace de transport, alte cheltuieli
destinate creării de noi mijloace fixe, pentru dezvoltarea, modernizarea, reconstrucția celor
existente, precum și valoarea serviciilor legate de transferul de proprietate al mijloacelor fixe
existente și al terenurilor (taxe notariale, comisioane, cheltuieli de transport, de încărcare-
descărcare) etc.” (Anon., 2013)
Periodicitate:Anuală.
Sursa de colectare: Cercetarea statistică structurală în întreprinderi.
Transformări aduse datelor: Investițiile au fost aduse în prețuri comparabile prin
împărțirea valorilor în prețuri curente la deflatorul PIB din anul 2000.
“Masa monetară, definită ca totalitate a mijloacelor bănești existente existente în

economia unei țări la un moment dat sau în medie pe o anumită perioadă. Componentele
masei monetare sunt studiate cu ajutorul agregatelor monetare.” (Anon., 2013)
Periodicitate: lunară.
Toate datele necesare estimării modelului au fost preluate de pe site-ul WorldBank,

din baza de date pentru China, de unde s-au selectat acești indicatori, începând cu anul 1977 și
până 2013.
În continuare se va analiza fiecare variabilă inclusă în model, pentru a evidenția

evoluția sa economică, de-a lungul celor 36 de ani, pentru care s-au selectat datele.
31
Figura 11. Graficul evoluției economice a ratei dobânzii pentru China
Se poate observa că la nivelul Chinei până în anul 1995, rata dobânzii a avut o tendință
accentuată de creștere, atingându-și maximul în anul 1994. Din 1995 și până în 1999 aceasta
a suferit o scădere dramatică, urmând ca până în 2012 să urmeze un trend relativ constant.
Figura 12, Graficul evoluției economice a masei monetare pentru China
Începând cu anul 1977 și până în 2012, masa monetară a Chinei a avut un trend de
creștere.
32
Figura 13. Graficul evoluției economice a investițiilor brute pentru China
La nivelul investițiilor se poate observa că până în anul 2000 investițiile cunosc o

tendință lentă de creștere, urmând ca după acest an creșterea să fie una mult mai accelerată.
Figura 14. Graficul evoluției economice a PIB-ului pentru China
Analizând evoluția PIB-ului la nivelul Chinei, în perioada observată, evidențiem faptul

că acesta prezintă variații semnificative de la un an la altul. În ultimii 3 ani acesta a cunoscut
un trend de scădere.
33
Tabelul 20. Regresie multifactorială între Rata dobânzii și Masa monetară, PIB, Masa monetară decalată cu o
perioadă
Pentru prima ecuație inclusă în sistem am aplicat metoda celor mai mici pătrate în
vederea estimării acesteia. S-a obținut următorul rezultat:
Rt = 4,981346 – 0,003349Mt + 0,355994Yt – 0,009623 Mt-1
Se observă că modelul este valid din punct de vedere statistic, Prob. asociată lui Fcalc.
fiind 0,006848, mai mică decât pragul de 5%. În ceea ce privește semnificația parametrilor
incluși în model, concluzionăm tot pe baza probabilităților asociate, că doar doi din cei patru
coeficienți sunt semnificativ diferiți de zero, și anume, parametrul produsului intern brut și
parametrul de interceptare.
Valoarea coeficientului de determinație (R-squared = 0,320489) arată că 32,04% din
variația variabilei dependente este explicată de variația simultană a masei monetare din
perioada curentă, a PIB-ului și a masei monetare decalată cu o perioadă în urmă, adică o
legătură slabă între variabila endogenă și cele trei variabile exogene, lucru confirmat și de
coeficientul de determinație ajustat (Adjusted R-squared = 0,2547), care ia în considerare și
numărul de observații și numărul de variabile exogene.
34
Tabelul 21. Regresie multifactorială între PIB și Rata dobânzii, Investiții
Estimând cea de-a doua ecuație inclusă în sistem obținem:

Yt = 2,319864 + 0,873794 Rt + 2,47e-13 It
Și pentru acest model se poate confirma validitatea, pe baza probabilității asociate lui
F-statistic, care este 0,007796, mai mică decât 5%. Un singur parametru inclus în model este
semnificativ statistic și anume cel asociat ratei dobânzii, ceilalți doi, parametrul investițiilor
brute și cel de interceptare, având probabilități peste pragul de 5%.
În acest caz, valoarea coeficientului de determinație (R-squared = 0,254865) este mai
mică, ceea ce înseamnă cu numai 25,48% din variația Pib–ului este explicată de variația
simultană a ratei dobânzii și a investițiilor brute.
Tabelul 22. Estimarea sistemului cu ecuații simultane
35
După estimarea sistemului cu ecuații simultane prin metoda celor mai mici patrate în
două faze se observă o îmbunătățire semnificativă a modelului. Acesta este valid statistic,
probabilitatea asociată statisticii F fiind sub pragul de 5%. De asemenea toți parametrii incluși
în model sunt semnificativi statistic, având Prob < 5%.
În ceea ce privește noua valoare a coeficientului de determinație, se evidențiază faptul
că aceasta a crescut considerabil, ajungând la 0,914284, ceea ce înseamnă că 91,42 % din
variația Pib-ului este explicată de variația simultană a ratei dobânzii și a investițiilor brute.
Comparând rezultatele obținute în urma utilizării celor două metode, putem sublinia
faptul că prin a doua metodă se obține un model vizibil mai bun, decât în cazul primei
variante. Acest lucru se întâmplă deoarece între Pib și Rata dobânzii există la nivel
macroeconomic o relație de simultaneitate, pe care prima metodă o neglijează. Pe baza valorii
coeficientului de determinație pentru fiecare din cele două metode folosite, putem afirma cu
încredere ca ultima conduce la rezultate mai bune și ancorate totodată în realitatea
macroeconomică, valoarea lui R-squared fiind aproape de trei ori mai mare decât în cazul
utilizării primei metode.
3. Concluzii
În urma prelucrărilor efectuate asupra datelor preluate pentru China pe 36 de ani (din
1977 și până în 2012) pentru estimarea modelului IS-LM, putem concluziona că pentru o
estimare corectă a legăturii dintre PIB și Rata dobânzii, se impune rezolvarea sistemului de
ecuații simultane, deoarece cele două variabile se află într-o relație de simultaneitate la nivel
macroeconomic. Astfel că dacă încercăm estimarea individuală a celor două ecuații incluse în
model, prin metoda celor mai mici pătrate, deși se obțin modele valide din punct de vedere
statistic, parametrii sunt nesemnificativi. Totodată aceste modele inviduale au o bonitate
scăzută și surprind foarte puțin din variația variabilei endogene, PIB.
În cazul în care folosim metoda celor mai mici pătrate în două faze, rezultatele
obținute întăresc postulatele teoriei macroeconomice keynesiene, și arată că la nivelul Chinei,
în perioada analizată (1977 – 2012), 91,42% din variația PIB-ului este explicată de variația
simultană a ratei dobânzii și a investițiilor brute. Modelul obținut prin această metodă are o
bonitate ridicată și aproximează bine datele de observație.
36
Concluzii finale
În urma utilizării tehnicilor de regresie puse la dispoziţie de către programul
econometric Eviews, au fost specificate şi estimate trei modele distincte de regresie, primele
două fiind folosite pentru prognoză.
Astfel, în urma realizării unei regresii liniare simple între PIB-ul / locuitor și rata de
ocupare a populaţiei României în perioada 1999 – 2013, am obținut o legătură directă
puternică între cele două variabile, valoarea coeficientului de corelaţie Pearson fiind de
0,6336. La o creştere cu un procent a ratei ocupării, valoarea Produsului Intern Brut pe cap de
locuitor s-a majorat în perioada analizată, în medie, cu 10944,24 unităţi monetare. Modelul
estimat este valid din punct de vedere statistic, are toți parametrii diferiți de zero, si în urma
aplicării mai multor teste, s-a demonstrat că îndeplinește toate ipotezele modelului clasic de
regresie, nefiind necesară o corectare ulterioară a acestuia.
Cea de-a doua aplicație inclusă în proiect s-a focusat pe analiza determinanților
câștigului salarial în cadrul industriei textile din România, în perioada ianuarie 2005 –
octombrie 2013. S-a realizat inițial o corelație între variabila endogenă și fiecare variabilă
exogenă ce se dorea a fi inclusă în model (indicele productivității muncii în indutrie, indicele
valoric al cifrei de afaceri din unitățile industriale pe piața internă și indicele prețurilor
producției industriale pentru piața internă). Întrucât fiecare a dovedit că impactează într-o
anumită măsură indicele câștigului salarial mediu net lunar în industria textilă, s-a stabilit că
se pot include în model toate cele trei variabile.
Modelul astfel estimat și-a dovedit validitatea din punct de vedere statistic și a avut un
grad înalt de bonitate, 97,91% din variația indicelui câștigului salarial mediu net lunar fiind
explicată de variația simultană a indicelui productivității muncii în industrie, indicelui
prețurilor producției industriale pentru piața internă și indicelui valoric al cifrei de afaceri din
unitățile industriale pe piața internă, adică o legătură puternică între variabila endogenă și cele
trei variabile exogene.
În urma testării îndeplinirii ipotezelor modelului de regresie liniară multiplă, acesta s-a
dovedit că nu respecta ipoteza de neautocorelare a erorilor aleatoare, identificându-se prezența
unei autocorelări de ordinul al doilea. După corectarea modelului, s-a propus excluderea
variabilei independente indicele valoric al cifrei de afaceri din unitățile industriale pe piața
internă (ICA), întrucât a devenit nesemnificativă din punct de vedere statistic.
La nivelul țării noastre, în industria textilă, se poate afirma că productivitatea muncii
nu reprezintă un determinant semnificativ al câștigului salarial mediu net lunar, astfel că la o
creștere cu un procent a indicelui productivității muncii, indicele câștigului salarial mediu net
lunar crește, în medie, cu 0,073 procente, atunci când ceilalţi factori incluși în model rămân
constanţi. Un impact semnificativ asupra variabilei dependente exercită însă indicele
prețurilor producției industriale pentru piața internă.
Ultima aplicație din cadrul proiectului și-a propus să analizeze modelul IS-LM, având
ca țară de observație China, în perioada 1977-2012. S-a dovedit că pentru o estimare corectă a
legăturii dintre PIB și Rata dobânzii, se impune rezolvarea sistemului de ecuații simultane,
deoarece cele două variabile se află într-o relație de simultaneitate la nivel macroeconomic,
astfel că doar estimarea individuală a ecuațiilor din model nu conduce la rezultate viabile din
punct de vedere macroeconomic și econometric.
Modelul obținut are o bonitate ridicată și aproximează bine datele de observație,
91,42% din variația PIB-ului fiind pusă pe seama variației simultane a ratei dobânzii și a
investițiilor brute.
În concluzie, tehnicile de regresie puse la dispoziție de către Eviews își dovedesc
utilitatea în cadrul analizelor economice, fapt ilustrat de fiecare dintre cele trei aplicații
cuprinse în cadrul acestui proiect.
37
ANEXE
Figura 15. Graficul sezonier al indicilor valorici ai cifrei de afaceri pe piața internă
Figura 16. Graficul sezonier al indicilor câștigului salarial mediu net lunar
38
Figura 17. Graficul sezonier al indicilor productivității muncii în industrie
Figura 18. Graficul sezonier al indicilor prețurilor producției industriale
Tabelul 23. Corelațiile între variabilele incluse în model
39
Tabelul 24. Regresia variabilei exogene ICA_SA în raport cu celelalte două variabile explicative, IPM_SA și IPPI_SA

Date: 01/11/14 Time: 11:27
Sample: 2005M01 2013M10
C 161.6260 12.83706 12.59058 0.0000

IPM_SA -0.214480 0.239008 -0.897377 0.3716
IPPI_SA -0.261577 0.217201 -1.204308 0.2312

Tabelul 25. Regresia variabilei exogene IPPI_SA în raport cu celelalte două variabile explicative, IPM_SA și ICA_SA
Dependent Variable: IPPI_SA

Date: 01/11/14 Time: 11:44
Sample: 2005M01 2013M10
C 26.82639 8.827510 3.038953 0.0030

ICA_SA -0.053084 0.044079 -1.204308 0.2312
IPM_SA 0.866381 0.066302 13.06724 0.0000

40
Tabelul 26. Regresia variabilei exogene IPM_SA în raport cu celelalte două variabile explicative, ICA_SA și IPPI_SA
Dependent Variable: IPM_SA

Date: 01/11/14 Time: 11:45
Sample: 2005M01 2013M10
C 21.77339 8.121418 2.680984 0.0085

ICA_SA -0.036170 0.040306 -0.897377 0.3716
IPPI_SA 0.719946 0.055096 13.06724 0.0000

41
Bibliografie
Anon., 2009. Productivitatea și salariile. [Interactiv]

Available at: http://businessday.ro/11/2009/productivitatea-si-salariile/
Anon., 2012. Rata de ocupare a forţei de muncă în România este de 63%. [Interactiv]
Available at: http://jurnalul.ro/bani-afaceri/economia/oficial-european-rata-de-ocupare-a-
fortei-de-munca-in-romania-este-de-63-627970.html
Anon., 2013. BAROMETRUL PRODUCTIVITĂŢII MUNCII. [Interactiv]

Available at: http://194.117.236.69:7893/Docs/BAR_F.pdf
Anon., 2013. Cresterea economica a Chinei a continuat sa incetineasca si pe trimestrul doi.

[Interactiv]
Available at: http://www.business24.ro/international/china/cresterea-economica-a-chinei-a-

continuat-sa-incetineasca-si-pe-trimestrul-doi-1532903
Anon., 2013. TRADING ECONOMICS. China Money Supply M2. [Interactiv]

Available at: http://www.tradingeconomics.com/china/money-supply-m2
Anon., 2014. Modelul IS-LM. [Interactiv]

Available at: http://ro.wikipedia.org/wiki/Modelul_IS-LM
Anon., fără an Institutul Național de Statistică. [Interactiv]

Available at: www.insse.ro
Klein, N., 2012. Real Wage, Labor Productivity, and Employment Trends in South Africa: A
Closer. IMF Working Paper.
Statistică, I. N. d., 2013. Câştigul salarial mediu în luna noiembrie 2013. s.l., s.n.
Vișan, C. & Dobre, M., 2012. An econometric estimation of the wage determinants in the
light industry. Industria textilă.
42

Proiect Econometrie Final

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Proiect Econometrie Final

Titlu original:

Încărcat de

Drepturi de autor:

Formate disponibile

Cuprins

1.1. Literature review

Pe baza cercetărilor efectuate în domeniu, am hotarât realizarea unui model în care să

Forma acestuia este următoarea:

2.1. Date utilizate

Definirea variabilelor utilizate în model

„Rata de ocupare a populaţiei reprezintă ponderea populaţiei ocupate din grupa de

Ro = Po 15-64 / Pt 15-64 *100 ,

Tabelul 1. Principalele statistici descriptice ale indicilor

Evoluția economică a variabilelor incluse în model

Evolutia Ratei de ocupare a populatiei în vârstã de muncã (15-64 ani)

2.2. Rezultatele empirice ale cercetării

𝑟𝑥𝑦 = √𝑅 2 = 𝑅 = 0,63364 , care indică o legătură directă puternică între cele

Vom continua cu estimarea parametrilor modelului. Analiza seriilor de date

Ecuaţia modelului este următoarea:

Coeficientul de regresie 𝛽 ̂1 vine să completeze coeficientul de corelaţie Pearson şi

În continuarea vom verifica semnificaţia parametrilor cu ajutorul testului t:

𝐻0 : 𝛽0 = 0; 𝛽1 = 0 (parametrii nu sunt semnificativi, modelul nu este valid)

Testarea validității modelului:

Pentru testarea validității modelului de regresie, ipotezele sunt:

𝐻0 : modelul nu este valid statistic (MSR=MSE)

Verificarea îndeplinirii ipotezelor modelului de regresie liniară simplă

1. Forma funcţională este liniară: PIB= -626800,4+10944,24*X

2. Normalitatea distribuției erorilor aleatoare și media acestora

Pentru testarea ipotezei de normalitate a erorilor aleatoare se va folosi testul Jarque-Bera,

𝐻0 : erorile aleatoare au distribuție normală

Figura 3. Test Jarque-Bera

3. Homoscedasticitatea erorilor aleatoare

Testul se aplică pentru următoarele ipoteze:

Testul se aplică pentru următoarele ipoteze:

4. Neautocorelarea erorilor aleatoare

Folosim statistica Durbin-Watson cu ipotezele:

Se obține DW = 2,0725 pentru modelul analizat.

Valorile critice ale statisticii DW sunt d1=1,645 și d2=1,7219.

Previziuni pe baza modelului de regresie liniară multiplă estimat

În această secţiune vom previziona PIB-ul pe cap de locuitor pe teritoriul României

Figura 4. Previziune PIB pentru 2014

Cu ajutorul utilitarului Eviews, s-a previzionat că în anul 2014 PIB-ul pe cap de

În urma prelucrărilor efectuate asupra datelor s-au obținut un model econometric de

Cu ajutorul utilitarului Eviews am estimat modelul de mai sus, obţinând următoarele

1.1. Literature review

1.2. Metodologia cercetării

Pe baza cercetărilor efectuate în domeniu, am hotarât realizarea unui model în care să

Pentru a analiza corelațiile dintre variabilele selectate, am folosit date cu o frecvență

2.1. Date utilizate

Definirea variabilelor utilizate în model

Indicele productivității muncii în industrie, pe activități CAEN Rev.2, serii lunare

Indicele valoric al cifrei de afaceri din unitățile industriale pe piața internă - an

Indicele prețurilor producției industriale pentru piața internă pe activități

În continuare se va analiza fiecare variabilă inclusă în model, pentru a evidenția

Figura 6. Graficul evoluției economice a indicelui productivității muncii în industrie

2.2. Rezultatele empirice ale cercetării

Vom continua cu estimarea parametrilor modelului, pentru aceasta realizând ecuația

Tabelul 5. Regresie multifactorială între ICS și IPM, ICA și IPPI

ICS_SA = β1* IPM_SA + β2 * ICA_SA + β3 * IPPI_SA + β0

̂ are valoarea 0,366, ceea ce arată că la o creștere cu

Coeficientul de determinație (R-squared = 0,9791) arată că 97,91% din variația

Verificarea semnificației parametrilor:

Testarea validității modelului:

Pentru testarea validității modelului de regresie, ipotezele sunt:

Verificarea îndeplinirii ipotezelor modelului de regresie liniară multiplă

În continuare se va verifica dacă modelul estimat îndeplinește ipotezele modelului de