Academia de Studii Economice din București

Facultatea de Cibernetică, Statistică și Informatică Economică

Proiect Econometrie

Profesor: Student:
Conf. Univ. Dr. Spataru Silvia Tutunea Bogdan Mihnea
Seria D, Grupa 1085

București
2019
1. Literature review

Efectele pe termen lung ale voluntariatului în timpul studiilor persistă o dată ce studenții
termină facultatea. Datele de la 12,376 studeți din 290 de instituții care au fost urmăriți timp de 9
ani dupa intrarea la facultate arată că participarea din timpul facultății la voluntariat este asociată
pozitiv cu o varietate de rezultate cognitive și afective măsurate pe parcursul celor 9 ani. (Linda J.
Sax, Alexander W. Astin, Juan Avalos)

Voluntariatul este strâns legat de activitatea civică pe care o persoana o întreprinde. Într-un
studiu al Universității Georgia, voluntarii au semnificativ mai multe șanse să continue munca în
folosul comunității și să devină lideri în comunitățile locale, precum și să lucreze la proiecte în
folosul comunității. (Dr. Shannon O’Brien Wilder, 2012)

Voluntariatul joacă un rol vital în funcționarea serviciilor sociale în comunitățile în care

trăim. Voluntarii tineri sunt acum o componentă majoră a populației care face voluntariat.
Persoanele care nu fac voluntariat consideră că o carieră este mai importantă decât voluntarii
curenți. Ambele grupe de tineri din studiul organizat de australienii din Sydney (voluntari și non-
voluntari) înțeleg importanța voluntariatului, iar voluntarii raportează funcția socială și altruismul ca
fiind proprietățile cele mai utile pe care le-au dobândit în urma voluntariatului. (McCabe, Tamara L.
and White, Katherine M. and Obst, Patricia L., 2007)

În Statele Unite ale Americii voluntariatul este inclus în curriculumul școlar și în urma
studiilor s-a observat că schimbările asupra indivizilor cel mai des întalnite sunt: atitudinea față de
sine, atitudinea față de școală și învățare, educație civică, abilități sociale și realizări academice.
(Christine I. Celio, Joseph Durlak, and Allison Dymnicki)
2. Metodologia cercetării

Au fost incluse numărul de aplicări pentru toate internshipurile din România dintr-o anumită

perioadă, numărul de internshipuri disponibile în domeniul IT și numărul de voluntari care aplică la

un internship.
Forma modelului ese:
Y= β0 + β1* X + β2 * Z
Y – numar total de aplicari la internshipuri intr-o saptamana

X – Numar de internshipuri disponibile in domeniul IT

Z – Pentru câte din aplicări candidatul avea experiență de voluntari

1. Date utilizate
Numărul total de voluntari, reprezintă candidații din numărul de aplicanți la internshipuri
care au avut ca experință în CV cel puțin o activtate de voluntariat.

Figura 2.1 Evoluția numărului de aplicări pe perioada studiată

 Din grafic se observă modul în care candidații aplică la internshipurile disponibile (în toate
domeniile), în perioada vacanței de vară numărul de aplicări fiind mult mai redus decât în celelalte
perioade.

Figura 2.2 Evoluția numărului de internshipuri IT în perioada studiată

Urmând același trend ca numărul de aplicări, numărul de internshipuri disponibile în IT

crește în perioada în care studenții caută internshipuri și este mai scăzut în celelalte perioade.
 Figura 2.3 Evoluția numărului de voluntari în perioada studiată
Din grafic reiese că numărul de voluntari care candidează crește atunci când și numărul de
aplicări este ridicat, iar apoi scade pe perioada verii. În perioada octombrie-noiembrie numărul de
voluntari crește din nou vizibil, lucru ce poate fi explicat prin faptul că în acea perioada asociațiile
studențești desfășoară procesele de recrutare.

2. Rezultate empirice ale cercetării

În primul rând vom analiza intensitatea și sensul legăturii dintre variabila dependentă și fiecare
dintre cele doua variabile exogene. Pentru aceasta trebuie să calculăm coeficientul de corelație
liniară Pearson.

În prima situație, coeficientul Pearson dintre numărul total de aplicări și numărul de

internshipuri disponibile în domeniul IT este: rx y = R 2 = R=0.9415, care indică o legătură

directă, foarte puternică între cele două variabile.

În cel de-a doua situație,  rx y = R 2 = R =  0,9983 . Valoarea acestui coeficient reliefează
o legătură directă foarte puternică între numărul totla de aplicari si numărul de voluntari.
În continuare vom estima parametrii modelului și vom realiza cu ajutorul pachetului de
programe Eviews ecuația modelului multifactorial. Aplicând M.C.M.M.P. (Metoda celor mai mici
pătrate), am obținut rezultatele următoare:
 Tabel 2.1 Regresie multifactorială între nr_aplicari și internshipuri disponibile în IT, număr
voluntari
Măsurarea intensității legăturii dintre cele două variabile folosind un indicator adecvat

^ * X + β2
Y= β0 + β1 ^ *Z

Y= -0.54,7574 +1,1285 * X +11,7087*Z

^ are valoarea 1,1285. Putem așadar afirma faptul că la

Coeficientul de regresie parțial β1
creșterea cu o unitate a numărului de internshipuri disponibile în domeniul IT, numărul de aplicări
va crește 1,12 unități, în contextul în care ceilalți factori incluși în model rămân constanți.

^ = 11,7087 ilustrează faptul că la o creștere cu o

De asemenea, valoarea coeficientului β2
unitate a numărului de voluntari va antrena o creștere cu 11,7 unități a numărului de aplicări, ceilalți
factori ce au fost incluși în model rămânând constanți.

Coeficientul de determinație (R-squared = 0,9967) exprimă faptul că 99,67% din variația

variabilei dependente este explicată de variația simultană a numărului de internshipuri disponibile
din domeniul IT și a numărului de voluntari din model, evidențiind astfel legătura foarte puternică
între variabila endogenă și cele două variabile exogene, aspect demonstrat și cu ajutorul coeficientul
de determinație ajustat (Adjusted R-squared = 0,9965), care a luat în considerare atât numărul de
observații, cât și numărul de variabile exogene.
 Raportul de corelație are valoarea (R = 0,9967), ce tinde spre 1. Prin urmare, deduce din
acest rezultat obținut faptul că modelul de regresie estimat aproximează foarte bine datele de
observație, având un grad de bonitate ridicat.

Verificarea semnificației parametrilor

H 0: β0=0

β1=0 (parametrii nu sunt semnificativi statistic, de unde reiese că modelul nu

este valid)

β2=0

H 1: βi≠0 , i=0,1,2 (parametrii sunt semnificativi statistic, de unde reiese că modelul este
valid)

t critic = t tabelat = t 0, 025; 28 = 2,0248

t calculat = −53,757 / 21,209 = −2,534

t calculat = 1,128 / 0,47 = 2,4

t calculat = 11,708 / 0,386 = 30,331

| t calc |> t tab

Deoarece pentru fiecare dintre cei 3 parametri ⇒ respingem ipoteza nulă H0 ⇒
acceptăm H1 ⇒ toți parametrii βi sunt semnificativi statistic la un prag de semnificaţie de 5%.

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)

În urma efectuării testului F putem afirma că modelul este semnificativ statistic (F-statistic =
4162,707 > F critic, ceea ce înseamnă că se respinge ipoteza nulă H0 și se acceptă H1 ), fiind valid
pentru un nivel de semnificație Prob. (F-statistic)=0,000, 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

Vom utiliza testul Jarque-Bera pentru testarea ipotezei de normalitate a erorilor aleatoare,
pornind de la următoarele ipoteze:

H0: erorile aleatoare au distribuție normală

H1: erorile aleatoare nu au distribuția normală.

Figura 2.4 Testul Jarque-Bera

Probabilitatea asociată testului Jarque-Bera este de 0,9424 care tinde spre 1, deci se va
accepta ipoteza H0, erorile aleatoare având distribuție normală.

Se observă că media erorilor aleatoare este 3.20e-14, fiind foarte aproape de zero.

2. Homoscedasticitatea erorilor aleatoare

Pentru a observa dacă erorile aleatoare sunt homoscedastice sau nu, vom aplica următoarele
teste:
 Testul White

Tabel 2.2 Testul White

Testul White se bazează pe regresia pătratelor reziduurilor în raport cu toate variabilele

exogene, cu pătratele acestora și cu produsele lor încrucișate (implementarea lui în EViews).

Testul se aplică pentru ipotezele următoare:

H0: ∃ homoscedasticitate

H1: ∃ heteroscedasticitate.

Obținem pentru statisticile calculate faptul că Prob. F este mai mare de 5%, astfel încât se va
accepta ipoteza nulă H0 conform cărea erorile aleatoare sunt homoscedastice.
TESTUL GLEJSER

Tabel 2.3 Testul Glejser

Aplicăm testul Glejser pornind de la următoarele ipoteze:

H0: β1= β2=0 (∃ homoscedasticitate)

H1: β1≠ β2≠0 (∃ heteroscedasticitate).

Rezultatele testului Glejser ne indică faptul că avem coeficienții parametrilor-pantă

nesemnificativi statistic, probabilitatea acestora fiind mai mare de 5%, deci acceptăm ipoteza nulă
H0, erorile aleatoare fiind homoscedastice.
 3. Necoliniaritatea variabilelor explicative
Putem defini coliniaritatea ca existența a cel puțin două variabile explicative liniar
dependente sau liniar indepente, însă puternic corelate între ele. Vom folosi mai multe metode
pentru a verifica existența multicolinarității între variabilele explicative.

Statistica F

Statistica F a modelului estimat are o valoare mare, ceea ce înseamnă că este semnificativă.
De asemenea, și statisticile t pentru coeficienți au valori mari. Prin urmare, această metodă nu este
concludentă.

Matricea coeficienților de corelație

Tabel 2.4 Matricea de corelație

Din matricea coeficienților de corelație, reiese că rnr_voluntari,int_disp_it =-0,16, ceea ce reflectă o

legătură inversă slabă între cele 2 variabile exogene. Prin urmare, putem concluziona conform
matricei de corelații liniare a variabilelor explicative faptul că ipoteza de necoliniaritate a
variabilelor explicative a fost 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.

Tabel 2.5 Regresie multifactorială între numărul de aplicări, nr de voluntari și număr de

internshipuri disponibile

Rezultatele obținute ne arată faptul că, R2y = 0,996 = R2nr_apl,nr_disp_it,nr_voluntari = 0,9030, ceea
ce înseamna implicit că variabila numar_someri este coliniară cu celelalte variabile exogene.
CRITERIUL KLEIN

Tabel 2.6 Regresie unifactorială între număr aplicări și număr de internshipuri disponibile în IT

Tabel 2.7 Regresie unifactorială între număr aplicări și număr de voluntari

Având în vedere că R2y =0, 9967 > r2nr_aplicatii,int_disp_it = 0,8865, R2y =0. 9967
>r2nr_aplicatii,nr_voluntari=0,99607 putem aprecia cu siguranță faptul că la nivelul datelor analizate nu
există multicoliniaritate.
3. Neautocorelarea erorilor aleatoare

TESTUL DURBIN-WATSON

Folosind statistica Durbin-Watson cu ipotezele:

H0: ρ =0 (nu ∃ autocorelarea erorilor aleatoare de ordinul I)

H1: ρ ≠0 (∃ autocorelarea erorilor aleatoare de ordinul I)

Pentru modelul analizat se obţine DW = 1,5089, iar valorile critice ale statisticii DW sunt
dL=0,284, dU=1,567.

Având în vedere că DW calculat se află în intervalul (dL,dU), în regiunea de nedeterminare,

reiese că nu se poate decide asupra existenței autocorelării erorilor.

Testul BREUSCH-GODFREY

În vederea detectării erorilor aleatoare de ordin superior, vom folosi testul Breusch-Godfrey,
pornind de la ipotezele:

H0: nu există autocorelarea erorilor aleatoare

H1: există autocorelarea erorilor aleatoare.

 Tabel 2.8 Regresie multifactorială între numărul de aplicări, nr de voluntari și internshipuri
disponibile

Vom utiliza testul F:

p=2, adică numărul de variabile noi adăugate în modelul auxiliar (se adaugă ε t −1 , ε t − 2 )

m=4, adică numărul total de parametri din noul model (avem 4 coeficienţi)

Fcrt = Fα ; p ,n − m = F0, 05; 2, 25 = 3,38

Fcalc = 0,80 < Fcrt = 3,38

Rezultă că se acceptă ipoteza nulă H0, adică erorile nu sunt autocorelate.

Prognozarea numărului total de aplicanție la internshipuri
Să se previzioneze numarul de aplicări pentru săptămâna următoare în ipoteza în care
conform platformei go2internship și trendului actual de pe piață, numărul total la nivel național de
internshipuri disponibile în domeniul IT va fi de aproximativ 87, iar numărul de voluntari 105.

Figura 2.5 Previzionarea numărului de aplicări

Conform prognozei, numărul de aplicări pentru săptămâna următoare o să depășească pragul

de 1200. De asemenea, cu o probabilitate de 95% putem garanta că în săptămâna următoare,
numărul total de aplicări se va încadra în intervalul [1195;1353].

Concluzii

Din aplicatie reiese că numărul total de aplicări este influențat foarte puternic de ambele
variabile indepedente, numărul de internshipuri disponibile în domeniul IT și numărul de voluntari
care aplică la un internship, legătura dintre ele fiind puternică și directă.
Y= -0.54,7574 +1,1285 * X +11,7087*Z

Mai mult, din valoarea lui R-squared = 99,67% rezultă că cea mai mare parte a numărului de
aplicări total este explicată de experiența în voluntariat a aplicantului și de internshipurile
disponibile în domeniul IT într-o anumită perioadă.