Academia de Studii Economice din Bucuresti

Proiect Econometrie

Realizat de: Şomoiag Adelina

Facultatea de Management, grupa 149, seria A

 Academia de Studii Economice din Bucuresti

,,llll

PROBLEMA A:

1.Prezentarea problemei :
Sistemele de sănătate ale statelor membre ale UE sunt esențiale pentru asigurarea unui
nivel ridicat de coeziune și de protecție socială în Europa.

Tarile UE detin responsabilitatea principala pentru organizarea si furnizarea de servcii

de sanatate si ingrijire medicala. Politicile si actiunile UE in materie de sanatate
publica vizeaza :

-protejarea si imbunatatireasanatatiicetatenilor

-imbunatatirea eficientei sistemelor de sanatate

-furnizarea de sprijin pentru moderanrizarea infrastructurii de sanatate

Pe parcursul ultimului deceniu, sistemele de sănătate europene s-au confruntat cu

provocări comune asemănătoare, din ce în ce mai accentuate:

 populația Europei este în curs de îmbătrânire și devine mai expusă la boli cronice
multiple, ceea ce duce la creșterea cererii de asistență medicală și a presiunii fiscale;

 costurile tehnologiilor și ale medicamentelor inovatoare sunt în creștere și constituie

o povară pentru finanțele publice;

 profesioniștii în domeniul sănătății sunt distribuiți neuniform, existând deficite în

unele domenii de îngrijire;

 accesul la asistența medicală nu este distribuit în mod egal, ceea ce duce la

inegalități în materie de rezultate privind starea de sănătate la scara societății.
 Academia de Studii Economice din Bucuresti

Analiza accidentelor de munca in perioada 2013

Analiza accidentelor de munca in perioada 2014

800000

700000

600000

500000

Axis Title 400000

300000

200000

100000

0
 Academia de Studii Economice din Bucuresti

Analiza accidentelor de munca in anul 2015

90000000

80000000

70000000

60000000

50000000

40000000

30000000

20000000

10000000

Analiza accidentelor de munca in anul 2016

800000

700000

600000

500000

400000

300000

200000

100000

0
 Academia de Studii Economice din Bucuresti

Analiza accidentelor non-fatale la locul de munca in anul 2013

Analiza accidentelor non-fatale la locul de munca in anul 2014

 Academia de Studii Economice din Bucuresti

Analiza accidentelor non-fatale la locul de munca in anul 2015

90000000

80000000

70000000

60000000

50000000

40000000

30000000

20000000

10000000

Analiza accidentelor non-fatale la locul de munca in anul 2016

1000000

900000

800000

700000

600000

500000

400000

300000

200000

100000

0
 Academia de Studii Economice din Bucuresti

Analiza numarului de paturi din spitale in anul 2013

800000

700000

600000

500000

400000

300000

200000

100000

Analiza numarului de paturi din spitale in anul 2014

700000

600000

500000

400000

300000

200000

100000

0
 Academia de Studii Economice din Bucuresti

Analiza numarului de paturi din spitale in anul 2015

Analiza numarului de paturi din spitale in anul 2016

700000

600000

500000

400000

300000

200000

100000

0
Academia de Studii Economice din Bucuresti

Analiza populatiei la 1 Ianuarie 2013

Analiza populatiei la 1 Ianuarie 2014

90000000

80000000

70000000

60000000

50000000

40000000

30000000

20000000

10000000

0
Academia de Studii Economice din Bucuresti

Analiza populatiei la 1 Ianuarie 2015

90000000

80000000

70000000

60000000

50000000

40000000

30000000

20000000

10000000

Analiza populatiei la 1 Ianuarie 2016

90000000

80000000

70000000

60000000

50000000

40000000

30000000

20000000

10000000

0
 Academia de Studii Economice din Bucuresti

2. Definirea modelului de regresie simpla liniara:

Modelul de regresie liniara reprezinta o ecuatie sau o serie de ecuatii care exprima
dependenta variabilelor complexe de un ansamblu de factori care actioneaza in acelasi
sens sau in sensuri diferite. Astfel, mdelul de regresie simpla liniara (unifactoriala)
are in vedere dependenta dintre variabila X (variabila endogena sau factoriala ) si
variabila Y (variabila exogena sau reziduala)

Un model de regresie simpla liniara poate fi exprimat prin urmatoareaecuatie :

Y= β 0+ β 1X+ε

-unde Y reprezinta variabila endogena sau rezultativa, β 0 si β 1reprezinta parametrii

ecuatiei de regresie si ε reprezinta componenta reziduala(eroare aleatoare). Dintre
acestea β 0 este punctul de intersectie al dreptei de regresie cu axa Oy, iar β 1 este panta
dreptei, care se mai numeste coeficient de regresie, care arata cu cate unitati se
modifica Y daca X se modifica cu o unitate.

Asa cum am mentionat mai sus, variabilele in acest caz sunt accidente la locul de
munca, accidente non-fatale la locul de munca, nr de paturi din spitale (X)-variabila
endogena (factoriala), si Populatia la 1 ianuarie (Y) –variabila exogena (rezultativa).

Reprezentarea grafica a modelului legaturii dintre varibile :

Reprezentarea grafica a modelului legaturii

dintre variabile
90000000 Accidente care nu sunt
80000000 fatale la locul de munca
Nr de paturi disponibile
70000000 din spitale
60000000 Linear (Nr de paturi
disponibile din spitale)
50000000
Populatia la 1 ianuarie
40000000 Linear (Populatia la 1
30000000 ianuarie)
20000000
10000000
0 f(x) = 0.83 x + 22694.29
0 R² =200000
0.86 400000 600000 800000

In baza acestui grafic de reprezentare a modelului legaturii dintre variabile, putem

observa ca exista o corelatie de 0,829 intre variabilele alese.
 Academia de Studii Economice din Bucuresti

3. Estimarea parametrilor modelului si interpretarea acestora

3.1 Estimarea punctuala a parametrilor

Modelul de regresie simpla liniara in esantion este :

Y= α+ β XI +εi

unde unde α și β sunt parametrii funcției de regresie, iar εi este valoarea reziduală.

Parametrii funcției de regresie, se determină cu ajutorul metodei celor mai

mici pătrate. Utilizarea acestei metode pornește de la relația:

^y i= α+βxi+εi

^y reprezintă valorile teoretice ale variabilei y obţinute numai în funcţie de valorile

i

factorului esenţial x şi valorile estimatorilor parametrilor α şi β În mod concret,

M.C.M.M.P. constă în a minimiza funcţia:
2
F ( α , β )=min ∑ ε 2i =min ∑ ( y i− ŷ i ) =mi n ∑ ( y i−α−β x i )2

Estimarile parametrilor se realizeaza prin tabelul ANOVA :

Coefficients Standard T Stat P-value Lower 95% Upper Lower Upper

Erorr 95% 95.0% 95.0%
Intercep 5515551,72 800707,263 6,88834980 5,45886E-10 3926574,22 7104529,22 3926574,217 7104529,2
t 2 9 2 8 28

X 116,675186 4,38405369 26,6135395 1,21623E-46 107,975174 125,375198 107,9751744 125,37519

varibil 1 2 4 1 81

Â=116,6751862

Y=3278452,5+(-79,68181275)*x1+94,14142646*x2 + 90,48464264*x3

3.2. Estimarea parametrilor prin interval de incredere

Dupa tabelul de mai sus putem afla intervalul de incredere

Lower <𝑎< Upper

Lower < β < Upper

Pentru variabila 1 intervalul de incredere este cuprins intre:

107,9751744 <β <125,3751981

 Academia de Studii Economice din Bucuresti

4.Testarea semnificatiei corelatiei si a parametrilor modelului de regresie

4.1 Testarea semnificatiei corelatiei

Testarea semnificației corelației cuprinde mai multe etape:

a) calcularea coeficientului de corelație:

   
Regression Statistics
Multiple R 0,93725888
R Square 0,878454208
Adjusted R
Square 0,877213945
Standard Error 7237360,065
Observations 100

Multiple R (coeficientul multiplu de corelaţie sau r) = 0,93725888

Observăm că valoarea lui “r” este > 0, ceea ce inseamnă ca între cele două variabile
considerate există o legatură directa.

R Square (R²) (coeficientul de determinaţie) R Square are valoarea 0,80215455; exprimând

procentual 87% din variaţia consumului mediu poate fi explicată de variabila venitul mediu.

Adjusted R Square (Raportul de corelatie ajustat) = 0,877213945

Standard Error (eroarea standard a estimatiei). Se calculează ca abaterea standard a

reziduurilor si este estimatia abaterii standard a erorilor ε (in ipoteza normalitatii acestora). In
cazul nostru are valoarea 7237360,065

Observations (numarul de observatii din esantion) = in acest caz sunt 100 observatii in
esantion.

b) testarea semnificației coeficientului de corelație

Etapa 1: Se stabilește ipoteza nulă:

H0: r = 0 (coeficientul este semnificativ statistic)

Etapa 2: Se stabilește ipoteza alternativă:

H1: r ≠ 0 (coeficientul nu este semnificativ statistic)

Etapa3: Se determină pragul de semnificație:

∝ =0,05=5%
 Academia de Studii Economice din Bucuresti

Etapa 4: se calculează valoarea testului, folosindu-se testul t:

tr = r/ sr = r√ n−2 / √ 1−r 2
tr= 0,93725888 √ 100−2 / √ 1−0,93725888 ˄2

tr= 7,3725888/0,87451776

tr=8,43046206
Etapa 5: Se determină valoarea critică:

tcritic = tα,n-2= 1,96

tcalculat>tcritic → se neagă ipoteza nulă

Etapa 6: se desprind concluzii:

Pentru o probabilitate de 95%, există suficiente dovezi statistice pentru a aprecia că r,

coeficientul de corelație, este semnificativ statistic

b) determinarea raportului de corelație:

R2=1−
∑ ( y i− ŷ )2 ∗ ¿ ¿ ¿ ¿ ¿
∑
∑ ( y i− ý )2
Deoarece R =0,93725888(pozitiv și apropiat de 1) putem afirma că între variabile
există o legătură liniară puternica.

Testarea raportului de corelație se realizează cu testul F (Fisher):

=578,97002655485
ANOVA

Df Ss Ms F Signifiance F
Regression 1 37099293273764500 3709929327376 708,280486 1,21623384528172E-
4500 934601 46

Residual 98 5133179309462780 5237938070880

3,9
Total 99 42232472583227200
 Academia de Studii Economice din Bucuresti

Testarea parametrilor unui model de regresie simplu

a) parametrul βo

Etapa 1: Se stabilește ipoteza nulă:

H0: βo = 0

Etapa 2: Se stabilește ipoteza alternativă:

H1: βo ¿ 0

Etapa 3: Se determină pragul de semnificație:

∝=0,05=5 %

Etapa 4: Deoarece n > 30, se aplică testul Z

Etapa 5: Se calculează indicatorii:

Sa = 800707,2639

❑
Se¿
√ n−2
= 7237360,065

Etapa 6: Se calculează valoarea testului:

b0 116,675186
Zcalc = Sb 0 = 4,38405369 =26,6135395

Etapa 7: Se determină valoarea critică:

zcritic = zα/2,n-2 = 1,96 → zcritic < zcalc → se respinge ipoteza nulă (H0)

Etapa 8: Se desprind concluzii:

Pentru o probabilitate de 95% există suficiente dovezi statistice pentru a

afirma că estimatorul α provine dintr-o populație cu α ≠ 0, deci este semnificativ
statistic.
 Academia de Studii Economice din Bucuresti

Etapa 9: intervalul de încredere:

5515551,722– 1,96* 800707,2639 ≤ α ≤ 5515551,722 + 1,96* 800707,2639

b) parametrul β1

Etapa 1: se stabilește ipoteza nulă:

H0: β1 = 0

Etapa 2: se stabilește ipoteza alternativă:

H0: β1 ≠ 0

Etapa 3: se determină pragul de semnificație:

∝ =0,05=5%

Etapa 4: deoarece n > 30, se aplică testul Z

Etapa 5: se calculează indicatorii:

Sβ1 =4,38405369

❑ =¿
Se = ¿
√ n−2
7237360,065

Etapa 6: Se calculează valoarea testului:

z calc= 26,61353954

Etapa 7: Se determină valoarea critică:

zcritic = zα/2,n-2 = 1,96→ zcritic < zcalc → se respinge ipoteza nulă (H0)

Etapa 8: Se desprind concluzii:

Pentru o probabilitate de 95% există suficiente dovezi statistice pentru a

afirma că estimatorul β1 provine dintr-o populație cu β ≠ 0, deci este semnificativ
statistic.

Pentru o probabilitate de 95% există suficiente dovezi statistice pentru a

afirma că estimatorul β1 provine dintr-o populație cu β = 0, deci nu este semnificativ
statistic.

Pentru o probabilitate de 95% există suficiente dovezi statistice pentru a

afirma că estimatorul β1 provine dintr-o populație cu β ≠ 0, deci este semnificativ
statistic.
 Academia de Studii Economice din Bucuresti

Etapa 9: intervalul de încredere:

107,975174 ≤ β ≤125,3751981

5. Aplicarea analizei de tip ANOVA pentru validitatea modelului de regresie

simplu si interpretarea rezultatelor:

Df Ss Ms F Signifiance F
Regression 1 37099293273764500 3709929327376 708,280486 1,21623384528172E-46
4500 934601

Residual 98 5133179309462780 5237938070880

3,9
Total 99 42232472583227200

Sursa de Masuravariatiei Nr grade Dispersiicorectate Valoareatestului

variatie de “F”
libertate
Variatiadintregrupe n n
s2Y / X
2 2
∑ ( ^y i− ȳ ) K=1 ∑ ( ^y i − ȳ ) F c=
i=1 s2u^
i=1 s 2Y / X =
37099293273764500 k ¿ 708,280486934601
¿37099293273764500

n
Variatiarezidual n
a ∑ ( y i−Y i ) 2
n−k−1=138 ∑ ( y i −Y i )2
i=1
i=1 s 2e =
n−k−1
¿ 5133179309462780 ¿ 52379380708803,9

Variatiatotala n n−1=139
∑ ( y i− ȳ )2
i=1
¿ 42232472583227200

Se aplică testul FISHER:

 Academia de Studii Economice din Bucuresti

s 2Y / X
F calc=
s2e

=37099293273764500/52379380708803,9=7,0828048693

Fcalc>Fcritic, există suficiente dovezi statistice pentru a aprecia că modelul de

regresie este valid, iar între variabile există o legătură.

6. Testarea ipotezelor clasice asupra modelului de regresie simpla

Ipoteza 1: Forma funcţională y i=β 0 + β 1 x i +ε i= ^y i +ε i

Ipoteza 2: Media erorilor este 0

ε=0
Ipoteza 3: Homoscedasticitatea

→ dispersia reziduurilor în populație este constantă pentru toate valorile xi

2
σ ε =cst ∀ i=1 , n
Ipoteza 4: Non-autocorelarea erorilor

→ deviațiile observațiilor de la valorile lor așteptate sunt necorelate

Cov( ε i , ε j )=0 ∀ i≠ j
Ipoteza 5: Necorelare între regresor și erori

→ variabila x nu este influențată de eroarea oricărei observații

Ipoteza 6: Variabila aleatoare este normal distribuită

2
ε i ~ N (0 , σ )

6.1. Testarea liniaritatii modelului prous

a) calcularea coeficientului de corelație:

Etapa 1: Se stabilește ipoteza nulă:

H0: legătura dintre variabile este liniară

 Academia de Studii Economice din Bucuresti

Etapa 2: Se stabilește ipoteza alternativă:

H1: legătura dintre variabile nu este liniară

Etapa 3: Se determină pragul de semnificație:

∝ = 0,05 = 5%

Etapa 4: Se calculează indicatorii

Deoarece R = 0,878454208 (pozitiv și apropiat de 1) putem afirma că între variabile

există o legătură liniară puternica.

Etapa 1: Se stabilește ipoteza nulă:

H0: r = 0 (coeficientul nu este semnificativ statistic)

Etapa 2: Se stabilește ipoteza alternativă:

H1: r ≠ 0 (coeficientul nu este semnificativ statistic)

Etapa 3: Se determină pragul de semnificație:

∝ = 0,05 = 5%

Etapa 4: se calculează valoarea testului, folosindu-se testul Z bilateral:

r r √ n−2
z r= = =¿
Sr √ 1−r 2

=zr= 0,93725888√ 100−2 / √ 1−0,93725888 ˄2

=9,3725888-2 / 1- 0,878454208138854

=7,3725888/0,121545791861146

=60,65688237419565

Etapa 5: se determină valoarea critică:

zcritic = zα/2,n-2 = 1.96 → zcritic<zcalc → se respinge ipoteza nulă (H0)

Etapa 6: se desprind concluzii:

Pentru o probabilitate de 95%, există suficiente dovezi statistice pentru a aprecia că r,

coeficientul de corelație, este semnificativ statistic.

6.1. Testarea ipotezei de autocorelare a erorilor

 Academia de Studii Economice din Bucuresti

Etapa 1: se stabilește ipoteza nulă:

H0: autocorelarea erorilor nu există

Etapa 2: se stabilește ipoteza alternativă:

H1: autocorelarea erorilor există

Etapa 3: se determină pragul de semnificație:

∝ = 0,05 = 5%

Etapa 4: se folosește testul Durbin-Watson (DW):

n

∑ ( e i−e i−1 )2
DW = i=1 n

∑ ei2
i=1

7. Previziunea valorii variabilei Y dacă variabila X crește cu 10% față de ultima

valoare înregistrată (inclusive interval de încredere) pentru toate variantele
cunoscute

Dacă variabila x crește cu 10% fata de ultima valoare inregistrată, se va studia modul
în care se va modifica y100, dacă x100crește cu 10%.

Problema B

1. Definirea modelului de regresie multiplă liniară

Modelul de regresie liniară reprezintă o ecuație sau o serie de ecuații care

exprimă dependența variabilelor complexe de un ansamblu de factori care acționează
în acelasi sens sau în sensuri diferite. Astfel, modelul de regresie multiplă liniară are
în vedere relația dintra variabila dependentă (variabilă endogenă, explicată,
rezultativă) și o mulțime de variabile independente (variabile exogene, explicative).
Modelul de regresie multiplă liniară se bazează pe modelul general de regresie, dar
permite mai multe variabile dependente simultan.

1.1. Forma, variabilele, parametrii modelului de regresie

multiplă
Un model de regresie multiplă liniară poate fi exprimat prin următoarea
ecuație:

y = f (xj) + ε unde y reprezinta variabila endogenă, f (xj) este funcția de

regresie. De asemenea xjreprezintă variabilele exogene (factoriale sau cauzale).
 Academia de Studii Economice din Bucuresti

Modelul liniar multifactorial, la nivelul colectivităţii generale, are forma:

La nivelul eșantionului modelului de regresie multiplă în acest caz:

y i=b0 +b1 x i1 +b 2 xi 2 +ε i cu i=1, n

1. Estimarea parametrilor modelului și interpretarea acestora

1.1. Estimarea punctuală a parametrilor

Modelul de regresie multiplă liniară are in vedere stabilirea funcției de regresie:

Ŷx1,x2,i = b0 + b1xi + b2x2i unde b0 și b1 sunt parametrii funcției de regresie, iar ε este
valoarea reziduală.

Coefficients
Intercept 3278452,5

X varibil 1 -79,68181275
X variabil 2 94,14142646

X variabil 3 90,48464264

B0 = 3278452,5

B1 = -79,68181275

B2 = 94,14142646

B3= 90,48464264
Academia de Studii Economice din Bucuresti
Academia de Studii Economice din Bucuresti