Studiu de caz Teaca Arina FB191-zi nr28

Modelul de atenuare a eteroscedasticității

Bonus pentru examen
FB191 Cheltuieli=Cheltuieli+0.01*n,
n-numarul din registru

Datele problemei:
Datele privind cheltuielile publice pentru educație (Y) și Produsul Intern Brut (X) în
milioane, pentru o perioadă analizată timp de 34 de ani, sânt prezentate în tabelul următor:

Nr. Cheltuieli PIB

1 0,67 6,07
2 0,55 10,53
3 0,65 11,74
4 1,56 19,28
5 2,14 21,34
6 1,35 22,56
7 1,6 24,23
8 1,4 25,07
9 1 27,96
10 1,58 27,97
11 1,08 40,55
12 3,13 52,02
13 5,23 58,11
14 3,83 63,43
15 4,78 66,72
16 1,93 67,37
17 4,59 77,28
18 5,64 102,05
19 6,45 116,37
20 7,48 119,89
21 11,55 124,55
22 8,99 141,38
5,
23 154,25
89
24 13,74 169,78
5,
25 186,73
79
5,
26 212,18
12
9,
27 250,12
25
28 19,23 261,81
29 16,28 395,92
30 30,23 535,37
31 33,92 655,69
32 38,95 815,4
33 61,94 1040,9
34 181,63 2586,8
 Se cere:
1. Specificarea modelului;
2. Detectarea heteroscedasticității modelului cu ajutorul testului Goldfeld – Quandt;
3. Corectarea heteroscedasticității, aplicând testul Gleisjer.
Rezolvare:
1) Specificarea modelului
Pentru a specifica modelului:
a) Se poate utiliza metoda grafică de corelare între Y și X (corelograma):

200
180
160
140
120
100
Y

80
60
40
20
0
0 20 40 60 80 100 120
Персентиль выборки

Fig.1. Corelația între cheltuielile pentru educație și PIB

Concluzie: Se observă că distribuția punctelor empirice poate fi aproximată cu o dreaptă.
Deci, modelul econometric se transformă într-un model unifactorial de forma: y=a+bx+u,
Unde:
- a și b – parametrii modelului;
- b – panta dreptei;
- u – variabila aleatoare, eroarea care apare datorită unor factori diverși care nu sânt
incluși în model.
b) Se poate estima modelul de regresie:
Se estimează parametrii modelului cu ajutorul Metodei celor Mai Mici Pătrate, care
presupune că suma pătratelor abaterilor valorilor reale de la valorile estimate să fie
minimă.

(yi  iyˆ )2 
min
Condiția de minimum a acestei funcții rezultă din:
 n a +
 Xa + XX2bb= = YX  Y
   

Estimația parametrului b:

n   Xi Yi   Xi 
ˆ Y i
b 34  630457,8  8491, 37  499,15
 34  72103364  72103364  0,007227
n   Xi2  (  Xi )2

Estimația parametrului a:

naˆ  bˆ  xi   y i / 1 / n  aˆ  bˆ  xi / n   y i / n  aˆ  y  bˆ x
y  14,68
x  249,75
aˆ  14,68  0,007227  249,75  

Având estimatorii parametrilor putem determina valorile teoretice ale variabilelor

endogene cu ajutorul relației:
yˆ i =  + 0,007227  x i
Valorile variabilei reziduale vor rezulta din următoarea relație:
uˆ  y i  yˆ i
Estimarea modelului de regresie – datele din EViews:

Cheltuiel
Nr. PIB yaj xiyi x^2 u u^2
i
1,47058
1 0,67 6,07 8 4,0669 36,8449 -0,80 0,64
4,41176
2 0,55 10,53 5 5,7915 110,8809 -3,86 14,91
7,35294
3 0,65 11,74 1 7,631 137,8276 -6,70 44,93
10,2941
4 1,56 19,28 2 30,0768 371,7184 -8,73 76,28
13,2352
5 2,14 21,34 9 45,6676 455,3956 -11,10 123,11
16,1764
6 1,35 22,56 7 30,456 508,9536 -14,83 219,82
19,1176
7 1,6 24,23 5 38,768 587,0929 -17,52 306,87
22,0588
8 1,4 25,07 2 35,098 628,5049 -20,66 426,79
9 1 27,96 25 27,96 781,7616 -24,00 576,00
27,9411
10 1,58 27,97 8 44,1926 782,3209 -26,36 694,91
30,8823
11 1,08 40,55 5 43,794 1644,303 -29,80 888,18
33,8235 162,822
12 3,13 52,02 3 6 2706,08 -30,69 942,09
 36,7647 303,915
13 5,23 58,11 1 3 3376,772 -31,53 994,44
39,7058 242,936
14 3,83 63,43 8 9 4023,365 -35,88 1287,08
42,6470 318,921
15 4,78 66,72 6 6 4451,558 -37,87 1433,91
45,5882 130,024
16 1,93 67,37 4 1 4538,717 -43,66 1906,04
48,5294 354,715
17 4,59 77,28 1 2 5972,198 -43,94 1930,67
51,4705
18 5,64 102,05 9 575,562 10414,2 -45,83 2100,44
54,4117 750,586
19 6,45 116,37 6 5 13541,98 -47,96 2300,33
57,3529 896,777
20 7,48 119,89 4 2 14373,61 -49,87 2487,31
60,2941 1438,55
21 11,55 124,55 2 3 15512,7 -48,74 2375,99
63,2352 1271,00
22 8,99 141,38 9 6 19988,3 -54,25 2942,55
5, 66,1764 908,532
23 154,25
89 7 5 23793,06 -60,29 3634,46
69,1176 2332,77
24 13,74 169,78 5 7 28825,25 -55,38 3066,68
5, 72,0588 1081,16
25 186,73
79 2 7 34868,09 -66,27 4391,56
5, 1086,36
26 212,18
12 75 2 45020,35 -69,88 4883,21
9, 77,9411
27 250,12
25 8 2313,61 62560,01 -68,69 4718,48
80,8823 5034,60
28 19,23 261,81 5 6 68544,48 -61,65 3801,01
83,8235 6445,57
29 16,28 395,92 3 8 156752,6 -67,54 4562,13
86,7647 16184,2
30 30,23 535,37 1 4 286621 -56,53 3196,17
89,7058
31 33,92 655,69 8 22241 429929,4 -55,79 3112,06
92,6470 31759,8
32 38,95 815,4 6 3 664877,2 -53,70 2883,37
95,5882 64470,2
33 61,94 1040,9 4 5 1083369 -33,65 1132,20
98,5294 469840,
34 181,63 2586,8 1 5 6691534 83,10 6905,71
630457, 7210336 1442040,7
total 499,15 8491,37  1700 8 4 -1200,85 2
14,6808823 249,746
media 5 2  50  8542,88 62373,15 -35,32 1247,44
 c) Verificarea semnificației estimatorilor:
Estimatorii sânt semnificativ diferiți de 0, cu un prag de semnificație  , dacă
se verifică următoarele relații:
aˆ b
t aˆ  t, ; t bˆ  ˆ t ,
s b
aˆ
s ˆ

Unde:
  0,06   n  k  - grade de libertate (k – var. independente)
, 1
Calculăm ecarturile tip a variabilei reziduale s și ecarturile tip a celor doi
uˆ

estimatori,
s aˆ
și sbˆ :

s2 
t )2 / (n  k  1)  1247,44 / 32  38,98
(y s
u
ˆ
yˆ t
2
u
22,19
s  ˆ
√ 38,98
uˆ

sa = s 2 
ˆ
u
2
-x) t
1 / n + x /(x
2
  38,98 [28 / 34  1700 /6191490,52  5,66
ˆ

 2,37

sb = su 1 /(x x)i  38,98 1/6191490,52  0,0000029  0,002509

2 2

ˆ
ˆ

Cunoscând valorile ecarturilor tip a acestor doi estimatori, putem verifica semnificația
estimatorilor:
1) H0 : a  0
H1 : a  0
aˆ 
t   2,512 t0,05;32  2,042
0,914
aˆ

saˆ
Deoarece, t  t , ipoteza H se respinge, estimatorul este semnificativ,
calc tab 0
aˆ
venitul are o influență semnificativă asupra variației consumului unei familii.
2) H0 : b  0
 H1 : b  0

bˆ 0,066891
t    39,0445 t0,05,32  2,042
bˆ
s 0,001713
bˆ

Deoarece,
tcalc  ttab , ipoteza H0 se respinge, estimatorul este de asemenea
semnificativ. bˆ

d) Verificăm ipoteza de linearitate a modelului, calculând coeficientul linear de corelație și

raportul de corelație:

Coeficientul linear de corelație:

r 
cov(y, x)

 (y t- y)(xt - x)
y/x n 
 x y x y

x   (x  x) / n
t
2
,
7560952, 33 / 34 222380,95

y 
 (y  y) / n
t
2
 34540,9 / 34  1015,909  31,87

505759,61 505759,61
ry/x  34 * 471,57 * 31,87 510983,82  0,9897

Raportul de corelație:
34

 (y i
 yˆ2
710,1
Ry/ x  1  t1 ) 1 0,97944
 3   1,30629
34

 (y i y) 2

34540
t1
,896

Coeficientul de determinație:

R2  1  (u2 / (Yi  Y)2)  1 (-1200,85 / 1700)  1,70638

 Deci, egalitatea dintre coeficientul linear de corelație și raportul de corelație indică o
corelație lineară puternică între aceste două variabile.

e) Verificarea probabilității modelului se face cu ajutorul analizei variației dispersiei,

efectuând tabelul ANOVA:

Sursa Măsur Număr Varinațele Valoarea testului

de a ul corectate F
variație variați gradel F Fα;k;n-
ei or de c k-1

liberta
te
Varianța E
V

34

= (yˆ -
t σˆ =
VE
=
explicati y) = 2
k=1
vă t=1
33830,8
= 33830,8 E
k Fcalc  F0,05;1;32
Varianța V =  (y - yˆ σˆ =
VR
= 1521,39 =
rezidual )2 t t n-k-
ă
R
1=32 22,19 = 4,17
= 710,13 uˆ
n - k -1
Varianț V = (y - y)2 VT
n-1=33 σ= = 1046,69
a totală = t t
T n -1
= 34540,896
N ui (xi  x)i  2 (y 
(x
(yˆ t -
2
(xi  x) (y t  uˆ uˆ i  uˆˆi1i )
(u
2
t
r x) y) y) y) i1 uˆ i1
1 - 59378,0 - 265,682 3416,124986 - - -
243,6 8 14,02
-0,80 8
2 - 57224,3 - 256,045 3382,305662 2,2 -0,42 0,175
239,2 8 14,14 8
-3,86 2
3 - 56646,9 - 253,461 3341,396712 1,8 0,02 0,000
238,0 4 14,04 6 36
-6,70 1
4 - 53114,6 - 237,656 3025,817545 1,8 0,41 0,164
230,4 6 13,13 8 55
-8,73 7
5 - 52169,3 - 233,427 2866,29598 2,2 0,44 0,195
- 228,4 8 12,55 9 54
11,10 1
6 - 51613,5 - 230,94 3030,463136 2,7 -0,87 0,759
- 227,1 6 13,34 3 7
14,83 9
7 - 50857,5 - 227,557 2951,807765 1,8 0,14 0,019
- 225,5 5 13,09 6 12
17,52 2
8 - 50479,3 - 225,865 2985,748142 2,0 -0,26 0,065
- 224,6 8 13,29 0 63
20,66 8
9 - 49189,1 - 220,092 3036,057062 1,7 -0,59 0,352
- 221,7 1 13,69 4 02
24,00 9
1 - 49184,6 - 220,072 2907,289989 1,1 0,58 0,335
0 - 221,7 7 13,11 5 62
26,36 8
1 - 43763,0 - 195,814 2846,975377 1,7 -1,34 1,799
1 - 209,2 4 13,61 3 59
29,80 0
1 - 39095,6 - 174,93 2285,540136 0,3 1,28 1,645
2 - 197,7 4 11,56 8 47
30,69 3
1 - 36724,4 -9,46 164,32 1812,709139 1,6 1,69 2,865
3 - 191,6 2 7 01
31,53 4
1 - 34713,7 - 155,323 2023,22928 3,3 -1,76 3,083
4 - 186,3 2 10,86 6 04
35,88 2
1 - 33498,5 -9,91 149,886 1813,627915 1,6 0,73 0,532
5 - 183,0 8 0 8
37,87 3
1 - 33261,0 - 148,823 2326,959092 2,3 -2,89 8,372
6 - 182,3 7 12,76 3 22
43,66 8
1 - 29744,5 - 133,089 1741,756206 - 2,00 3,988
7 - 172,4 8 10,10 0,5 45
43,94 7 6
1 - 21814,1 -9,05 97,6054 1336,520077 1,4 -0,61 0,368
8 - 147,7 6 4 32
45,83 0
1 - 17789,2 -7,96 79,5961 1061,55668 0,8 0,13 0,017
9 - 133,3 0 3 46
47,96 8
2 - 16862,6 -7,21 75,4502 936,1484534 0,9 0,51 0,264
0 - 129,8 3 6 76
49,87 6
2 - 15674,0 -3,14 70,1322 393,0055269 1,4 3,76 14,12
1 - 125,2 8 8 47
48,74 0
 2 1,55 - 11743,2 - 52,544 617,5915887 5,24 -3,69 13,58
2 108,3 3 5,70 49
7
2 - - 9119,52 - 40,8044 840,2820916 1,55 -3,96 15,68
3 2,41 95,50 8,80 86
2 4,40 - 6394,59 - 28,612 75,89730926 - 6,81 46,39
4 79,97 0,95 2,41 22
2 - - 3971,04 - 17,768 560,7883681 4,40 -9,08 82,51
5 4,68 63,02 8,90 55
2 - - 1411,22 - 6,31436 359,4751622 - -2,37 5,628
6 7,06 37,57 9,57 4,68 17
2 - 0,37 0,14 - 0,00063 -2,033270156 - 1,59 2,534
7 5,46 5,44 7,06 96
2 3,73 12,06 145,54 4,54 0,65119 54,78040337 - 9,20 84,60
8 5,46 4
2 - 146,1 21366,7 1,59 95,6037 232,5453563 3,73 -11,92 142,1
9 8,19 7 9 04
3 - 285,6 81580,9 15,5 365,026 4438,846239 - 4,62 21,36
0 3,56 2 7 4 8,19 34
3 - 405,9 164790, 19,2 737,339 7806,657912 - -4,36 18,99
1 7,92 4 39 3 3,56 5
3 - 565,6 319964, 24,2 1431,65 13723,26087 - -5,65 31,95
2 13,5 5 25 6 7,92 82
8
3 - 791,1 625845, 47,2 2800,29 37380,35369 - 7,91 62,55
3 5,67 0 26 5 13,5 9
8
3 10,6 2337, 5461820, 166, 24438,4 390149,8274 - 16,28 265,0
4 1 05 57 94 5,67 34
To 0,00 0,00 7560952, 0,00 33830,8 505759,61 - 8,33 832,0
tal 33 10,6 92
1

Verificăm semnificația raportului de corelație și a coeficientului de corelație linear

cu ajutorul testului Fisher -Snedecor:

1,32
Fcalc 0,9794
 (n  R2  32   1521, > F0,05  4,17
2) 1 39
R2 1  0,9794

Deoarece,
Fcalc  Ftab rezultă că modelul liniar unifactorial este un model valid cu un

prag de semnificație
 0,05 VT  VE  VR  100  VE / VT  100  VR / VT  100;
.
VE / VT  0,9794  acest model descrie în mod corect dependența dintre variabile,
acest fapt explică 97,94% din variația totală a variabilei dependente, astfel variația
cheltuielilor publice pentru educație se datorează în proporție de 97,94% din valoarea PIB-
ului.

2. Testele de detectare a heteroscedasticității.

1. Coeficientul de corelare a rangurilor Spearman se calculează după cum urmează:

a) ordonăm datele variabilei reziduale explicative în ordine crescătoare;
b) stabilim rangurile pentru caracteristica X și pentru reziduul
u; ui  RxRu i

c) calculăm diferențele dintre ranguri: d1  R x  Ru ;i

d) calculăm coeficientul de corelație după relația: r x/u i

 1  6d2 / n3  n
 rx/u 1;1. Deoarece coeficientul se apropie de extremele intervalului, legătura este
mai puternică.
Ipotezele statistice care permit detectarea heteroscedasticității:
H 0 : modelul este homoscedastic (nu există dependență între variabilele explicative și
cele reziduale).
H1 : modelul este heteroscedastic.
6  358
rx/  1  0,9453  indică o legătură puternică între variabilele x și ui
y  34 3

34
n2 32
r  0,9453 
tcalc  x,y   50, 25  t320,05  2,042  ipoteza H0 se respinge și se
1  x, 1  0,8935
r2 y
acceptă ipoteza H , modelul este heteroscedastic.
1

Nr. Cheltuieli PIB Rx R di

u d2i
(y) (x) i

1 0,39 6,07 1 3 - 4
2
2 0,27 10,53 2 2 0 0
3 0,37 11,74 3 1 2 4
4 1,28 19,28 4 8 - 16
4
5 1,86 21,34 5 1 - 49
2 7
6 1,07 22,56 6 4 2 4
7 1,32 24,23 7 1 - 9
0 3
8 1,12 25,07 8 7 1 1
9 0,72 27,96 9 5 4 16
10 1,3 27,97 10 9 1 1
11 0,8 40,55 11 6 5 25
12 2,85 52,02 12 1 - 1
3 1
13 4,95 58,11 13 1 - 25
8 5
14 3,55 63,43 14 1 0 0
4
15 4,5 66,72 15 1 - 1
6 1
16 1,65 67,37 16 1 5 25
1
17 4,31 77,28 17 1 2 4
5
18 5,36 102,0 18 1 - 1
5 9 1
19 6,45 116,3 19 2 - 9
7 2 3
20 7,2 119,8 20 2 - 9
9 3 3
21 11,2 124,5 21 2 - 25
7 5 6 5
22 8,71 141,3 22 2 - 4
8 4 2
23 5,61 154,2 23 2 2 4
5 1
24 13,4 169,7 24 2 - 9
6 8 7 3
 25 5,51 186,7 2 2 5 2
3 5 0 5
26 4,84 212,1 2 1 9 8
8 6 7 1
27 8,97 250,1 2 2 2 4
2 7 5
28 18,9 261,8 2 2 - 1
5 1 8 9 1
29 16 395,9 2 2 1 1
2 9 8
30 29,9 535,3 3 3 0 0
5 7 0 0
31 33,6 655,6 3 3 0 0
4 9 1 1
32 38,6 815,4 3 3 0 0
7 2 2
33 61,6 1040, 3 3 0 0
6 85 3 3
34 181, 2586, 3 3 0 0
35 8 4 4
Total 489, 8491, 5 5 3
91 37 9 9 5
5 5 8

2. Testul Goldfeld – Quandt

Acest test este valabil în cazul în care una dintre variabile este cauza
heteroscedasticității și numărul de observații este important. Acest test poate fi aplicat
numai în cazul dependenței liniare și, în special, atunci când variația variabilei
aleatorii perturbatoare este proporțională cu pătratul uneia dintre variabilele explicative.
Acest test constă din trei etape:

Pasul 1: ordonăm observațiile în funcție de variabila explicativă xi , care este

considerată cauza heteroscedasticității (apoi, la aceste observații se atribuie valorile
corespunzătoare variabilei dependente).
Pasul 2: omitem C observații centrale ale datelor ordonate. Alegem în mod arbitrar
C observații situate în centrul eșantionului. Aceste C observații sunt excluse din analiză.
Valoarea lui C ar trebui să fie aproximativ egală cu un sfert din numărul total de observații.
C = [n / 4] = 34/4 = 8,5 (vom lua un număr întreg C = 8).
Pasul 3: stabilim regresiile pe cele două subeșantioane (cu n1  n2  13 ), se
calculează SCR1
și SCR2 și se verifică testul Fisher.
1) 2)
N yi xi
r.
1 8,71 141,3
8
2 5,61 154,2
5
3 13,4 169,7
6 8
4 5,51 186,7
3
5 4,84 212,1
8
6 8,97 250,1
2
7 18,9 261,8
5 1
N yi xi
r.
1 0,39 6,0
7
2 0,27 10,
53
3 0,37 11,
74
4 1,28 19,
28 8 16 395,9
5 1,86 21, 2
34 9 29,9 535,3
6 1,07 22, 5 7
56 1 33,6 655,6
7 1,32 24, 0 4 9
23 1 38,6 815,4
8 1,12 25,
yˆ i = -0.4147 + 0.068  xi yˆ i = -7.3312 + 0.0705  xi

R2 0.68 R2  0.984

1 i 2 i
SC
R  u2 6,0933 SC  u2 429,65
R

Ipotezele statistice care permit detectarea heteroscedasticității:

H 0 : modelul este homoscedastic (nu există dependență între variabilele explicative și
cele reziduale.
H1 : modelul este heteroscedastic.
SCR2 / (n1  2) 429,65 / 11 39,059
Fcal  n  6,0933 / 24  0, 253  153,84
c SCR 1/ (n   2)
4
Ftab  F,n 2,nn/42  F0,05;11;24  2,61
1

Fcalc  Ftab  ipoteza de homoscedasticitate H0 se respinge, deci modelul este

heteroscedastic.

3. Testul Gleisjer
Testul Gleisjer nu numai că detectează posibila heteroscedasticitate, dar identifică și
forma acestei heteroscedasticități. Acest test se bazează pe relația dintre reziduul estimării
prin MCMMP efectuat pe modelul de bază și variabila explicativă presupusă a fi cauza
heteroscedasticității.
 Pasul 1: regresia prin MCMMP a lui yi în funcție de xi și determinarea vectorului
reziduului ui .

Pasul 2: regresia valorii absolute ui reziduurile xi , în funcție de relația:

pe
u  a  a x   , cu heteroscedasticitatea de tipul: ˆ 2  k 2x2 . Determinăm
valorile
i 0 1 i i ui i

ajustate:
u  aˆ 0  și apoi reziduul.
ˆ i aˆ x
1 i

Vom obține u  2, 372623  0,004418x

i
ˆi

Ipoteza de homoscedasticitte se respinge dacă coeficientul a1 , cu un prag de

semnificație este semnificativ diferit de 0.
ttab  t ,nk1  t0,05;32  2,042

tcalc
 a1 0,004418
 a  0,000792  5,5782
1

tcalc  ttab  a1
este semnificativ diferit de 0 cu pragul de semnificație de 5%, rezultă că
heteroscedasticitatea a fost detectată.

3) Corectarea heteroscedasticității Sau, testul Gleisjer

u i
 a pus în evidență o relație de tipul ˆ 2
i

 k2x2 , pentru a ridica

heteroscedasticitatea utilizăm regresia ponderată pe datele brute împărțite la x1 . Ca
rezultat:
y1 a0 i  ui
 a1
x  x
x
Pentru a facilita calculele putem i utiliza următoarele
x x notații:
1 x
zi  y x1i 
i i
x2i  i
x1 x x
Astfel, vom obține următorul model: z  ia x  a x  u
i 0 1i 1 2i i
i
Vom obține următoarele rezultate:

zi  0, 260748x1i  0,058739x2i

Nr yi xi xi x1i x2i zi
1 0,39 6,07 2,463737 0,4058875 2,463737 0,038883
1
2 0,27 10,53 3,244996 0,3081668 3,244996 0,11025
4
3 0,37 11,74 3,426368 0,2918542 3,426368 0,125161
1
4 1,28 19,28 4,390900 0,2277438 4,3909 0,198533
3
5 1,86 21,34 4,619524 0,2164725 4,619524 0,214901
4
6 1,07 22,56 4,749737 0,210538 4,749737 0,224097
4
7 1,32 24,23 4,922398 0,203153 4,922398 0,23616
5
8 1,12 25,07 5,006995 0,1997206 5,006995 0,242029
1
9 0,72 27,96 5,287722 0,1891174 5,287722 0,261283
5
10 1,3 27,97 5,288667 0,1890836 5,288667 0,261347
9
11 0,8 40,55 6,367888 0,1570379 6,367888 0,333096
1
12 2,85 52,02 7,212489 0,1386484 7,212489 0,387502
1
13 4,95 58,11 7,622992 0,1311821 7,622992 0,413561
4
14 3,55 63,43 7,964295 0,1255604 7,964295 0,435075
1
 15 4,5 66,72 8,168231 0,122425 8,1682 0,44787
5 31 15
16 1,65 67,37 8,207923 0,121833 8,2079 0,45035
5 23 73
17 4,31 77,28 8,790904 0,113753 8,7909 0,48670
9 04 78
18 5,36 102,0 10,10198 0,098990 10,101 0,56756
5 0 5 98 86
19 6,45 116,3 10,78749 0,092699 10,787 0,60947
7 3 9 49 52
20 7,2 119,8 10,94942 0,091329 10,949 0,61934
9 9 43 47
21 11,27 124,5 11,16019 0,089604 11,160 0,63217
5 7 2 2 47
22 8,71 141,3 11,89033 0,084101 11,890 0,67649
8 2 9 33 68
23 5,61 154,2 12,41974 0,080517 12,419 0,70852
5 2 74 86
24 13,46 169,7 13,02996 0,076746 13,029 0,74535
8 5 2 97 57
25 5,51 186,7 13,66491 0,073180 13,664 0,78358
3 9 1 92 21
26 4,84 212,1 14,56640 0,068651 14,566 0,83771
8 0 1 4 51
27 8,97 250,1 15,81518 0,063230 15,815 0,91248
2 3 4 18 08
28 18,95 261,8 16,18054 0,061802 16,180 0,93431
1 4 6 54 41
29 16 395,9 19,89773 0,050257 19,897 1,15566
2 9 74 89
30 29,95 535,3 23,13806 0,043218 23,138 1,34783
7 4 8 06 75
31 33,64 655,6 25,60644 0,039052 25,606 1,49391
9 5 7 44 4
32 38,67 815,4 28,55521 0,035019 28,555 1,66817
0 9 21 31
33 61,66 1040, 32,26220 0,030996 32,262 1,88696
85 7 21 76
34 181,3 2586, 50,86059 0,019661 50,860 2,98237
5 8 4 6 59 37
Tot 489,9 8491, 418,6222 4,451237 418,62 23,4287
al 1 37 07 9 22 98

Observăm că coeficientul lui

x1i nu este semnificativ diferit de 0 și, deci putem să-l

eliminăm din model. Vom obține modelul:

zi  a0  a1x2i  ui .
zi  0,106370  0,062939x2i
Rezultatele în EViews:
Acest model va fi cel obținut prin corecția heteroscedasticității.